Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica
Estadistica
PERMUTACIONS
• Quan importa l'ordre
• Usem tots els elements n!
• Cada element és diferent
COMBINACIONS
• Quan l'ordre no importa
n!
k! (n – k)!
La probabilidad de que tanto A y B ocurran es igual a la probabilidad de que A ocurra tantas veces la
probabilidad de que B ocurra dado que A ha ocurrido. llamamos a P(B/A) a la probabilidad condicional
de B dada A, es decir la probabilidad de que B ocurra dado que A ha ocurrido.
P( B / A ) = P (A n B)
P (A)
P( A n B ) = P (A) * P ( B / A )
Ejemplo 1
Hallar la probabilidad de que en un sólo lánzamiento de un dado resulte un número menor que 4, si
a) no se da ninguna otra información
Ejemplo 2
En un grupo de amigos, el 5% de los hombres son rubios y el 0.25% de las mujeres son rubias. ¿Cuál es
la probabilidad de que si seleccionamos a un individuo/a del grupo, sea rubio/a?
CAS 1
En palabras, la probabilidad de que A y B y C ocurran es igual a la probabilidad de que A ocurra tantas
veces la probabilidad de que B ocurra dado que , A ha ocurido tantas veces la probabilidad de que C
ocurra, dado que A y B han ocurido. El resultado se generaliza fácilmente a “n sucesos”:
CAS 2
Probabilidad de A condicionado por más de un parámetro
Supóngase que A1, A2, A3 ... An son sucesos mutuamente excluyentes cuya unión es el espacio
muestral δ, es decir uno de los sucesos debe ocurrir.
Entonces si A es un suceso cualesquiera, el siguiente teorema que nos permite hallar las probabilidades
de los diferentes sucesos A1, A2, A3 ... An que pueden causar la ocurrencia de A :
P( Ak / A ) = P( Ak n A) =
P( Ak )
Ejemplo 1
La caja I contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Se
lanza una moneda honrada. Quien lanzala moneda no revela si resulta cara o cruz (de tal forma que la
caja de la cual se sacó la bola no se revela), pero revela que se sacó una bola roja.
¿Cuál es la probabilidad de que se escogiera la caja 1 (es decir que el resultado de la moneda sea
cara) ?
= P(Caja1) * P(Roja/Caja1) =
P(Caja1) * P(Roja/Caja1) + P(Caja2) * P(Roja/Caja2)
Ejemplo 2
Una urna contiene una moneda normal, y otra moneda con dos caras. Escogemos una moneda al azar y
la lanzamos. Sale cara. ¿Qué probabilidad hay de que sea la moneda normal?
P(moneda_normal/sea_cara) =
= P(sea_cara/moneda_normal) *P(cara) =
P(sea_cara/moneda_normal) *P(cara) + P(sea_cara/moneda_2caras) *P(cara)
Un laboratorio tiene una gran fiablidad (del 98%) en la deteccion de una enfermedad. Sabemos que el
0.5% de la población tiene dicha enfermedad. Si una persona se realiza un análisi y da positivo, ¿cuál
es la probabilidad de que esta persona esté realmente enferma?
P(enfermo/da_positivo) = ?
P(da_positivo/enfermo) = 0.98
P(enfermo) = 0.05
P(enfermo/da_positivo) =
Si P(B l A) = P(B), es decir la probabilidad de que B ocurra no está afectada por la ocurrencia o no
ocurrencia de A, entonces decimos que A y B son sucesos independientes si cumple que:
P( A / B ) = P(A)
P( A n B ) = P(B)*P(A/B) = P(B) * P(A)
Ejemplo 1
Un dado honesto se Ianza dos veces. Hallar la probabilidad de obtener 4, 5 o 6 en el primer
lanzamiento y 1, 2,3 o 4 en el segundo lanzamiento.
A = obtener 4, 5 o 6
B = obtener 1, 2, 3 o 4
Lanzar primero un dado para que ocurra A y luego B, es independiente, ya que se tratan de dos
experimentos que no guardan relación.
Ejemplo 2
Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un
par de dados honrados.
A = NO obtener un total de 7 u 11
Finalmente, conocida la probabilidad de que no salga ni 7 ni 11, hay que contemplar el enunciado, que
es la probabilidad de que en dos lanzamientos no salgan estos resultados.
Son sucesos independientes ya que el resultado de la primera vez no guarda relación con el segundo.
Por lo tanto:
Se extraen dos cartas. de una baraja de 52 cartas. Hallar la probabilidad de que ambas sean ases si la
carta (a) se reemplaza, (b) no se reemplaza.
Resolvemos:
Ejemplo 4
Se extraen tres bolas sucesivamente de una caja con 6 bolas rojas, 4 bolas blancas y 5 bolas azules .
Hallar la probabilidad de que se extraigan en el orden roja, blanca y azul si las bolas
(a) se reemplazan, (b) no se remplazan.
a) se reemplazan
P(A) = ( 6 / 6+4+5 ) = 6/ 15
P(B) = ( 4 / 6+4+5 ) = 4/15
P(C) = ( 5 / 6+4+5 ) = 5/15
b) no se reemplazan
A = salga un primer 4
B = salga un segundo 4
P(A) = 1/6
P(B) = 1/6
Forma 1 de resolver
P(no obtener un cuatro) = P(A n B) = P(A)* P(B/A) = P(A)*P(B) = 5/6 * 5/6 = 25/36
P(al menos un 4) = 1 – P(no obtener un cuatro) = 36/36 – 25/36 = 11/36
Forma 2 de resolver
P (A n B ) = P(A)*P(B/A) = P(A)*P(B) = 1/36
Ejemplo 6
Un talego contiene 4 bolas blancas y 2 bolas negras; otro contiene 3 bolas blancas y 5 bolas negras. Si
se extrae una bola de cada talego, hallar la probabilidad de que (a) ambas sean blancas, (b) ambas sean
negras, (c) una sea blanca y una negra.
Ejemplo 7
La caja I contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Se
lanza una moneda honrada. Si se obtiene cara se saca una bola de la caja I y si se obtiene cruz se saca
una bola de la caja II. Hallar Ia probabilidad de sacar una bola roja.
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_densidad
6 – FUNCIÓ DISTRIBUCIÓ
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_distribuci%C3%B3n
7 – L'ESPERANÇA MATEMÀTICA I LA VARIANCIA
Ejemplo:
Calcular la varianza y desviación típica de las siguientes cantidades medidas en metros:
3,3,4,4,5
Solución: Para calcular dichas medidas de dispersión es necesario calcular previamente el valor con
respecto al cual vamos a medir las diferencias.
Éste es la media:
La varianza es:
Un teorema de desigualdad de Chebyshev es un teorema que revela una propiedad general de las
variables aleatorias discretas con media y varianza finitas.
El teorema de Chebyshev hace referencia al grado de dispersion de una variable aleatoria alrededor de
su esperanza matemática E(x). El intervalo sobre el que se aplica es siempre simétrico. Usaremos este
teorema cuando no dispongamos de la distribución de X.
1. Realizar dibujo
2. Buscar la simetria y sacar el valor de t. Hay dos maneras:
• Forma 1) Encontrar el valor de la t, observando el dibujo y sabiendo si estamos
situados en A o en C, de manera
◦ tσ = B-A ó tσ = C-B donde B=E(x)
3. Ahora se trata de centrar el valor para que sea simetrico. Conociendo t, sólo basta calcular
P[ u – tσ < X < u + tσ | ] y dibujar los intervalos.
4. Dibujados los intervalos, solo queda interpretar si lo que hemos calculado es correcto,o falta
sumarle o restarle algo. A idea general, hay que interpretar correctamente que:
• Si queremos MAXIMIZAR (hayan más de) , nos quedaremos con el intervalo superior,
vease X < u + tσ.
• Si queremos MINIMIZAR (hayan menos de) , nos quedaremos con el intervalo
inferior, vease u – tσ < X.
En el paso 2, y que tiene consecuencias en el paso 4, hay que fijarse la A y la C.
Paso 1 ) Dibujo
u = 100
σ=2
P( x=>0.75 )
→ Nos piden minimizar, nos situamos en C.
Paso 3) Simetria.
P[ 100 – 2*2 < X < 100 + 2*2 | ] ≥ 1 –1/4 → P[ 96 < X < 104 | ] ≥ 3/4
Paso 4. Interpretamos.
En este caso, queremos que todo el mundo pueda sentarse, por lo que harán falta 100 o más sillas.
Sabiendo que P(x) > 75%, sólo pueden haber más sillas, y el número de sillas total es 104.
Ejemplo 2
El sou d'un enginyer quan s'acaba de tituar segueix una distribució simètrica amb mitjana 1000€ i una
desviació típica de 200€. Què podem dir sobre la probabilitat de que guanyi al menys 700€?
Paso 1 ) Dibujo
u = 1000 €
o = 200
P(x>700)
→ Nos piden maximizar, nos situamos en A.
Paso 4) Interpretamos
Que gane al menos 700 euros es sinonimo de decir 700 o más. Por lo tanto, entre el intervalo que define
la desigualdad de Chebichev, estamos hablando que caen 5/9 entre 700-1000 y por simetria, 2/9 más
entre “más de 1000” y “menos de 700”
a) Al menos, ¿qué porcentaje de las contribuciones al plan se encuentran a una distancia de tres
desviaciones estándares de la media?
u - to = 34.14 u + to = 67.94
Paso 1 ) Dibujo
u = 200
o = 40
P(Ple) > 90%
→ Nos piden maximizar, nos situamos en A.
Paso 2) Encontrar t. NO sabemos la probabilidad, por tanto ¿hay que aislar? NO TAMPOCO.
Nos estan dando un porcentaje de lo deseado, no una probabilidad. La única manera de encontrar la
probabilidad será trabajarselo desde el dibujo.
El concepto es de simetria entorno a la esperanza, así que fijados en A, tenemos 90% hasta el final del
eje. Como de A hasta el inicio no hay nada dicho, se entiende que es un 10% restante. Ahora si,
aplicamos la simetria y en C hasta el final del eje, debe haber tambien un 10%, quedando entre A y C
un 80%, que es la probabilidad que podemos calcular con Chebyshev.
Calculamos:
1 - (1/ t²) =>0.80 → 1 -0.80 = 1/ t² → t=√5
Paso 4) Interpretar
Como lo que se quiere es llenar el avión MAXIMIZAR el número actual de pasajeros dentro de un
avión habrá que tener MENOS asientos, por lo tanto: 200 – 40√5 = 110 asientos.
Ejemplo (sacado de AC)
Sigui X una v.a. que mesura la nota de matemàtiques dels alumnes d’una classe. Sabem que la mitjana
és 5.2 i la desviació típica és 1.5. Quin percentatge màxim d’alumnes ha tret més d’un 7? (Si et cal,
pots suposar que la distribució de notes és simètrica al voltant de la mitjana).
Paso 2) Buscar la simetria. Nos piden por los alumnos de 7, y nuestra E(x) es 5.2, por tanto:
B = 5.2
C=7
tσ = 7 – 5.2 → t = (7 – 5.2)/σ → t = 1.8/1.5 = 1.2
Como que nos preguntan MAYOR a 7, y lo obtenido es 11/36 para el intervalo, calculamos lo que
queda fuera de este, que son 25/36. Como hay simetria, deben quedar (25/36)/2 que son 25/72 a cada
lado del intervalo.
Esto deja que, de 0 a 3.4 hay 25/72, de 3.4 a 7 hay 11/36, y de 7 a 10, hay 25/72. Como se nos
pregunta superior a 7, nos interesa el último. Así que:
Sabiendo esto:
P (| X > u | > to) > 1 – (1/ t²) →
P (| X > 170 | > 7*5) > 1 – (1/ 25) → P (| X > 170 | > 35) > 24/ 25
Ejemplo 1
Si un estudiante responde al azar a un examen de 8 preguntas de verdadero o falso:
¿Cual es la probabilidad de que acierte 4? ¿Cual es la probabilidad de que acierte dos o menos?
¿Cual es la probabilidad de que acierte cinco o más? ¿Cuanto valen la media y la varianza del
número de preguntas acertadas?
Ejemplo 2
En una población en la que hay un 40% de hombres y un 60% de mujeres seleccionamos 4 individuos.
¿Cual es la probabilidad de que haya 2 hombres y 2 mujeres?
Ejemplo 5
Si el 20 % de los tornillos producidos por una máquina son defectuosos, determinar la probabilidad de
que de 4 tornillos escogidos aleatoriamente (a) 1, (b) 0, (c) menos de 2, sean defectuosos.
Ejemplo 6
Hallar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de
dados honrados.
Ejemplo 7
Si la probabilidad de un tornillo defectuoso es 0.1, hallar (a) la media y (b) la desviación tipiticada para
el número de tornillos defectuosos de un total de 400 tornillos.
Ejemplo 8
Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras
inclusive, (b) menos que 90 caras, (c) menos de 85 o más de 116 caras, (d) exactamente 100 caras.
Ejemplo 9
Hallar la probabilidad de que un estudiante pueda acertar correctamente las respuestas a (a) 12 o más
de 20, (b) 24 o más de 40 preguntas en un examen tipo verdadero-falso.
Ejemplo 10
Una máquina produce tornillos, 10% de los cuales son defectuosos. Hallar la probabilidad de que en
una muestrea aleatoria de 400 tornillos producidos por esta máquina (a) máximo 30, (b) entre 30 y 50,
(c) entre 35 y 45 , (d) 55 o más, de los tornillos sean defectuosos.
Ejemplo 11
Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honrados.
Ejemplo 12 (AC de Mates)
Un alumne de matemàtiques té el costum d’estudiar només el 60 % del temari per presentar-se a
l’examen. Quan una pregunta fa referència a la part que ha estudiat, acostuma a fer-la bé amb una
probabilitat del 75%. Si la pregunta és de la part no estudiada, només en un 10 % dels casos
aconsegueix respondre-la bé. (Suposa que no hi ha terme mig: la resposta pot estar bé o malament).
c) L’alumne sol tenir molta pressa a lliurar l’examen, i quan creu que ja està aprovat l’entrega. Quina és
la probabilitat que en tingui prou per aprovar responent només les 15 primeres preguntes?
-----
p155
2 – DISTRIBUCIÓ GEOMÈTRICA
Se trata de contar cuantas pruebas o experimentos hay que realizar para el PRIMER ÉXITO. Debes
tener la información acerca de:
P(X = n) = p * ( 1 - p )^n-1
E(x) = 1
p
Var(x) = (1-p)
(p^2)
Ejemplo
Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el nacimiento de una hija.
Calcular el número esperado de hijos (entre varones y hembras) que tendrá el matrimonio. Calcular la
probabilidad de que la pareja acabe teniendo tres hijos o más.
Solución: Este es un ejemplo de variable geométrica. Vamos a suponer que la probabilidad de tener un
hijo varón es la misma que la de tener una hija hembra. Sea X la v.a.
Es claro que
Sabemos que el número esperado de hijos varones es , por tanto el número esperado
La probabilidad de que la pareja acabe teniendo tres o más hijos, es la de que tenga 2 o más hijos
varones (la niña está del tercer lugar en adelante), es decir,
Hemos preferido calcular la probabilidad pedida mediante el suceso complementario
p128
3 – DISTRIBUCIÓ BINOMIAL NEGATIVA
En la distribución binomial negativa se le fijan los éxitos (R), y se calcula el número de veces que se
debe repetir.
Es decir, se repite el experimento K veces hasta lograr el suceso a la vez R, conociendo la probabilidad.
Ejemplo
Para tratar a un paciente de una afección de pulmón han de ser operados en operaciones independientes
sus 5 lóbulos pulmonares. La técnica a utilizar es tal que si todo va bien, lo que ocurre con probabilidad
de 7/11, el lóbulo queda definitivamente sano, pero si no es así se deberá esperar el tiempo suficiente
para intentarlo posteriormente de nuevo.
Se practicará la cirugía hasta que 4 de sus 5lóbulos funcionen correctamente. ¿Cuál es el valor esperado
de intervenciones que se espera que deba padecer el paciente? ¿Cuál es la probabilidad de que se
necesiten 10 intervenciones?
Solución: Este es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa, ya
que se realizan intervenciones hasta que se obtengan 4 lóbulos sanos, y éste es el criterio que se utiliza
para detener el proceso. Identificando los parámetros se tiene:
Lo que nos interesa es medir el número de intervenciones, Y, más que el número de éxitos hasta el r-
ésimo fracaso. La relación entre ambas v.a. es muy simple:
Y=X+r
Luego
Luego el número esperado de intervenciones que deberá sufrir el paciente es de 11. La probabilidad de
que el número de intervenciones sea Y=10, es la de que X=10-4=6. Por tanto:
P128.
4 – DISTRIBUCIÓ DE POISSON
Sea X una variable aleatoria discreta que puede tomar de probabilidad los valores 0, 1, 2, … tal que la
función X esté dada por
Se considera un suceso raro siempre que el número de pruebas n, sea menor a 50, mientras n*p
sea menor que 5. En tales casos se puede estimar que λ=np.
Aplicaremos Poisson siempre que la probabilidad sea MUY baja (10% o menos)
Te deben dar:
• tiempo (t)
• repeticiones/ocurrencias (n)
• numero de sucesos por unidad de tiempo (α)
f(n,t) = e^- αt * ( α t) ^n
n!
λ=α t
EJEMPLOS DE POISSON
Ejemplo 1
P(X=x) = ( n ) * ( p ) ^x * ( 1 – p)^(n-x) =
( x )
λ = np = 10 * 0.1 = 1
x=2
Ejemplo 2
Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero,
es 0.001, determinar la probabilidad de que de un total de 2000 individuos (a) exactamente 3, (b) más
de 2 individuos tengan reacción .
P = 0.001
n = 2000
λ = np = 2000*0.001 = 2
a) exactamente 3. P(x=3)
P[x>2] = 0.3233
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular la probabilidad
de que en una ciudad con 500.000 habitantes haya más de 3 personas con dicha enfermedad. Calcular
el número esperado de habitantes que la padecen.
Solución:Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad,
es claro que sigue un modelo binomial, pero que puede ser muy bien aproximado por un modelo de
Poisson, de modo que
existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más personas o
menos que están enfermas. La probabilidad de que haya más de tres personas enfermas es:
Ejemplo 3
Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas, hallar la probabilidad
de que en una muestra de 100 lámparas eléctricas (a) 0, (b) 7, (c)2, (d) 3, (e) 4,(f) 5 lámparas sean
defectuosas, (g) más de 5, (h) entre 1 y 3, (i) menos de o 2 lámparas eléctricas sean defectuosas.
Ejemplo 4
Un talego contiene una bola roja y siete blancas, Se extrae una bola y se obsenba su color. Entonces se
coloca la bola en el talego. Utilizando (a) la distribución binomial y (b) la aproximación de Poisson a la
distribución binomial, hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola
roja 3 veces.
Ejemplo 5
Según Ia National Office of Vital Statistics of the U. S. Department of Health, Education and Welfare,
el promedio de ahogados en accidentes por año es 3,0 de cada 100 000 personas. Hallar la probabilidad
de que en una ciudad cuya población es de 200000, ocurran (a) 0 , (b) 2 ,(c) 6, (d) 8, (e) entre 4 y 8,(f)
menos de 3 ahogados por añ o.
DISTRIBUCIONS CONTÍNUES f(x)
En esta sección estudiaremos las distribuciones más importantes de v.a. continuas unidimensionales.
El soporte de una v.a. continua se define como aquella región de donde su densidad es no
nula, . Para las distribuciones que enunciaremos, podrá ser bien todo ,
1 – DISTRIBUCIÓ UNIFORME
Una variable aleatoria X está distribuida uniformemente en el intervalo (a,b) si su función de densidad
es :
Continua Discreta
Si el número de repeticiones de un suceso en un determinado tiempo viene dado por una distribución
de Poisson ( una distribución discreta F(x) ), los tiempos de espera entre sucesos viene dado por esta
distribución continua f(x), la exponencial.
• x
• Tasa media de ocurrencia β
f(x) = β* e ^(-βx)
E(x) = 1 / β
Var(x) = σ² = 1 / β²
La función Exponencial, tampoco tiene memoria, así como pasara con la de Poisson.
Ejemplo 1
En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la duración media de
un átomo de esta materia es de 140 días, ¿cuantos idas transcurrirán hasta que haya desaparecido el
de este material?
Solución: El tiempo T de desintegración de un átomo de es una v.a. de distribución exponencial:
de frecuencias relativas formado por los tiempos de desintegración de cada uno de estos átomos debe ser
extremadamente aproximado a la curva de densidad, f.
Del mismo modo, el polígono de frecuencias relativas acumuladas debe ser muy aproximado a la curva
de su función de distribución F. Entonces el tiempo que transcurre hasta que el del material
años?
Solución: Sea T la variable aleatoria que mide la duración de un marcapasos en una persona. Tenemos
que
Entonces
En segundo lugar
o sea, en la duración que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad
lleva funcionando. Es por ello que se dice que la distribución exponencial “no tiene memoria”.
p.128
3 – DISTRIBUCIÓ NORMAL
Una distribución normal es aquella distribucción en la que sus experimentos estan sujetos a una
variabilidad elevada debido a un número elevado de causas, las cuales, no afectan unas a otras, de
manera que sus efectos se suman.
Para trabajar con esta distribución, se usan valores tabulados (vease, una tabla), de la funcion de
distribución normal estandar, N(0,1), es decir, de E(x)=0, σ=1 .
X ≈ N(u, σ)
Para poder trabajar con la tabla, hará falta tipificar, es decir, convertir la variable normal N(u,σ) en una
variable normal estandar N(0,1)
Z ≈ N(0,1)
P ( a ≤ X ≤ b) = P( a – u ≤ Z ≤ b – u ) = F( b- u ) - F( a -u )
( o o ) ( o ) ( o )
Tabla Normal Estandar para la distribución Normal
x−4
z=
1.22
b) Nivel de ingresos a partir del cual se sitúa el 10% de la población con renta más elevada.
Vemos en la tabla el valor de la variable tipificada cuya probabilidad acumulada es el 0,9 (90%), lo
que quiere decir que por encima se sitúa el 10% superior.
Ese valor corresponde a z=1,282. Ahora calculamos la variable normal x equivalente a ese valor de
la normal tipificada: 1.282=(x-4)/1.22
Despejando x=5,57. Por lo tanto, aquellas personas con ingresos superiores a 5,57 millones de
pesos constituyen el 10% de la población con renta más elevada.
c) Nivel de ingresos mínimo y máximo que engloba al 60% de la población con renta media. Vemos
en la tabla el valor de la variable normalizada Y cuya probabilidad acumulada es el 0,8. Como
sabemos que hasta la media la probabilidad acumulada es del 50%, quiere decir que entre la media
y este valor de z hay un 30% de probabilidad.
Por otra parte, al ser la distribución normal simétrica, entre -z y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-z,z) engloba al 60% de población con renta media.
El valor de z que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el segmento viene
definido por (-0,842, +0,842). Ahora calculamos los valores de la variable x correspondientes a
estos valores de z. Los valores de x son 2,97 y 5,03. Por lo tanto, las personas con ingresos
superiores a 2,97 millones de pesos e inferiores a 5,03 millones de pesos constituyen el 60% de la
población con un nivel medio de renta.
Ejemplo. La vida media de los habitantes de un país es de 68 años, con una varianza de 25. Se hace un
estudio en una pequeña ciudad de 10.000 habitantes:
a) ¿Cuántas personas superarán previsiblemente los 75 años?
b) ¿Cuántos vivirán menos de 60 años?
Ejemplo, Supongamos que cierto fenómeno pueda ser representado mediante una variable aleatoria
X ≈ N ( 45 ,9) , y queremos calcular la probabilidad de que X tome un valor entre 39 y 48, es decir,
P(39 ≤ X ≤ 48 )
39 − 45 48 − 45
Solución, hallamos la variable estandarizada z 1 = = −0.666 y z2 = 0.333 de modo
9 9
que P(39 ≤ X ≤ 48 ) = P(−0.666 ≤ Z ≤ 0.333 ) = 0.378
Ejemplo
Supongamos que cierto fenómeno pueda ser representado mediante una v.a. ,y
de modo que
pag. 119
p156
DISTRIBUCIONS BIVARIANTS
1 Distribucions discretes.
2 Distribucions contínues.
4 Distribucions marginals.
6 Distribucions condicionades.
7 Covariància i correlació
c) Quina qualitat percebria un usuari situat a 10 Km, en analògic i en digital? Creus que el resultat que
has obtingut és fiable?
Si la probabilitat d’enviar “-1” o “1” és la mateixa (50 %), troba la màxima variància del soroll del
canal per tal d’assegurar una probabilitat d’error inferior a l’1%.
U=0
P(x>50)
Màx. Var(x) ? amb error inferior al 1%