COMBINATÒRIA

PERMUTACIONS
• Quan importa l'ordre
• Usem tots els elements n!
• Cada element és diferent

PERMUTACIONS AMB REPETICIONS

• Quan importa l'ordre
• Usem tots els elements n!
• Agrupem els elements en classes n1! n2! …nk!

VARIACIONS SENSE REPETICIONS

• Quan importa l'ordre
• No usem tots els elements n!
• No tenim elements repetits (n – k)!

VARIACIONS AMB REPETICIÓ

• Quan importa l'ordre

• No usem tots els elements n^k
• Tenim elements repetits

COMBINACIONS
• Quan l'ordre no importa
n!
k! (n – k)!

PAUTA RESOLUCION PROBLEMAS

- Si en cada grupo figuran ALGUNOS ELEMENTOS, IMPORTANDO ORDEN → Variaciones

- Si en cada grupo figuran TODOS LOS ELEMENTOS, IMPORTANDO ORDEN → Permutaciones

- Si en cada grupo figuran ALGUNOS ELEMENTOS, SIN IMPORTAR ORDEN → Combinaciones

 INTRODUCCIÓ A LA PROBABILITAT
1 – PROBABILITAT CONDICIONADA

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 )

En los problemas, hay que detectar :

• A es el suceso del cual tenemos certeza que ha ocurrido. Es quien CONDICIONA.
• B es el succeso a calcular dado A.
• Necesitaremos conocer la probabilidad de 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

B = lanzar un dado y que resulte menor que 4, es decir salga 1, 2 o 3

A n B = no hay reestriccion alguna

P(B) = (1/6) + (1/6) + (1/6) = 1/2

b) se da que el lanzamiento resultó en un número impar

B = lanzar un dado y que resulte menor que 4, es decir salga 1, 2 o 3

A n B = el número resultante es impar (hecho contrastado). Es decir, es o 1 o 3

P(A n B) = (1/6) + (1/6) = 1/3

P(B) = (1/6) + (1/6) + (1/6) = 1/2

P ( B / A ) = P ( A n B ) / P ( A ) = (1/3 ) / (1/2) = 2/3

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?

P(Rubio/Hombre)=0.050 , P(Hombre) = 0.5

P(Rubio/Mujer) = 0.0025 , P(Mujer) = 0.5

P(Rubio) = P(Rubio/Hombre)*P(Hombre) +P(Rubio/Mujer)*P(Mujer)

P(Rubio) = 0.050*0.5 + 0.0025*0.5 = 0.02625
2 – LLEI DE LES PROBABILITATS TOTALS

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”:

En otras palabras, el desarrollo para 3 sucesos dependientes, donde A condiciona B, y C se ve

condicionado por A y B quedaría:

P( A n B n C ) = P(A) *P(B/A) *P(C / A n B )

CAS 2
Probabilidad de A condicionado por más de un parámetro

P(A )= P(B)*P(A/B) + P(C)*P(A/C) + … + P(Z)*P(A/Z)

3 – TEOREMA DE BAYES

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 / Roja ) = P ( Caja1 n Roja) / P( Caja1 ) =

= P(Caja1) * P(Roja/Caja1) =
P(Caja1) * P(Roja/Caja1) + P(Caja2) * P(Roja/Caja2)

= (1/2 * 3/5) = 3/4

(1/2 * 3/5) + (1/2 * 2/10)

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)

= 0.5 *0.5 = 0.333 = 1/3

[0.5 * 0.5] + [0.5 *1 ]
Ejemplo 3

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) =

= P(da_positivo /enfermo) * P(enfermo) =

P(da_positivo /enfermo) * P(enfermo) + P(da_positivo /!enfermo) * P(!enfermo)

= 0.98 + 0.05 = 0.197

[ 0.98 * 0.05] + [ (1-0.98) * (1- 0.05) ]
4 – SUCCESSOS INDEPENDENTS

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.

P ( A n B ) = P(A)*P(B/A) = P(A)*P(B) = (3/6) * (4/6) = 1/3

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

Es decir, si la probabilidad total es 1, lo calcularemos la probabilidad de obtener 7 u 11 y restaremos.

P(A) = 1 – P(obtener 7 u 11)

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

P(obtener 11) = P(6,5) + P(5,6) = 2/36
P(obtener 7 u 11) = 8/36 = 2/9

Por tanto la probabilidad de no obtener ni 7 ni 11 es:

P(A)= 1 – 2/9= 7/9

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.

A1 = probabilidad de que no salga ni 7 ni 11 la primera vez.

A2 = probabilidad de que no salga ni 7 ni 11 la segunda vez.

Son sucesos independientes ya que el resultado de la primera vez no guarda relación con el segundo.
Por lo tanto:

P ( A1 n A2 ) = P(A1)*P(A2/A1) = P(A1)*P(A2) = 7/9 * 7/9 = 49/81

Ejemplo 3

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.

Hay 4 ases en cada baraja. Por lo tanto:

A = probabilidad de sacar un primer As = 4/52

B = probabilidad de sacar un segundo As si se reemplaza = 4/52
C = probabilidad de sacar un segundo As si no se reemplaza = 3/51

Resolvemos:

a) P(A n B) = P(A)*P(B/A) = P(A)*P(B) = 4/52 * 4/52 = 0,0059

b) P(A n C) = P(A)*P(C/A) = P(A)*P(C) = 4/52 * 3/51 = 0,0045

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.

Sacar una bola es un suceso independiente, por lo tanto

P(A n B n C) = P(A)*P(B/A) *P(C/B n A) = P(A)*P(B)*P(C)

A = salga una bola roja sin reemplazar

B = Salga una bola blanca sin reemplazar
C = salga una bola azul sin reemplazar

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

P(A n B n C) = 6/15 * 4/15 * 5/15 = 8 /255

b) no se reemplazan

P(A) = ( 6 / 6+4+5 ) = 6/15

P(B) = ( 4 / 5+4+5 ) = 4/14
P(C) = ( 5 / 5+3+5 ) = 5/13

P(A n B n C) = 6/15 * 4/14 * 5/13 = 4/91

Ejemplo 5
Hallar la probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado..

A = salga un primer 4
B = salga un segundo 4

P(A) = 1/6
P(B) = 1/6

El lanzamiento de la primera vez no influye en el segundo lanzamiento, son independientes.

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

P(A u B ) = Probabilidad de que salga A o B = 1/6 + 1/6 – P(A n B) = 11/36

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.

A = "bola blanca del primer talego"

B = "bola blanca del segundo talego"

Es independiente el suceso de sacar una bola de un talego u otro.

a) X= P(A n B) = P(A)*P(B/A) = P(A)*P(B) = 4/6 * 3/8 = 1/4

b) Y= P(A n B)= P(A)*P(B/A) = P(A)*P(B) = 2/6 * 5/8 = 5/24

c ) P(una sea blanca y una negra) = 1 – X – Y = 1 – 1/4 – 5/24 = 13/24

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.

P(Roja) = P(Caja1)*P(Roja/Caja1) + P(Caja2)*P(Roja/Caja2) =

= ( 1/2 * 3/5 ) + ( 1/2 * 2/10 ) = 2/5
5 – FUNCIÓ DENSITAT

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

Esperanza para distribuciones discretas:

Esperanza para distribuciones continuas:

Variancia ( donde u = E(x) )

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:

siendo la desviación típica su raíz cuadrada:

8 – TEOREMA DE CHEBYSHEV

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.

Podemos expresar en términos de probabilidad la dispersión de los valores de la variable alrededor de

su media utilizando la varianza como medida de dispersión y sin necesidad de conocer la distribución.

P[ u – tσ < X < u + tσ | ] ≥ 1 - (1/ t²)

El teorema de Chebyshev “solamente” nos facilita el límite inferior que la probabilidad de que
una variable aleatoria dada X asuma un valor dentro de k desviaciones típicas de la media sea
realmente mayor que 1 - (1/ t²) aunque no podemos decir cuanto.

PASOS PARA RESOLVER CHEBYSHEV

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)

• Forma 2) Encontrar el valor de la t, conociendo la P(x), y por lo tanto, aislando t.

◦ P(x) = 1 - (1/ t²)

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.

Nos fijaremos en “A” cuando nos pidan MAXIMIZAR.

Nos fijaremos en “B” cuando nos pidan MINIMIZAR.
Ejemplo 1
La mitjana d'espectador que va a un cinema és de 100 persones amb una desviació típica de σ=2. Quin
és el nombre mínim de seients necessaris per tal que tothom pugui seure amb probabilitat 0.75.

Paso 1 ) Dibujo
u = 100
σ=2
P( x=>0.75 )
→ Nos piden minimizar, nos situamos en C.

Paso 2) Encontramos t. En este caso resolvemos sabiendo P( x=>0.75 ):

1 - (1/ t²) =>0.75 → 1 -0.75 = 1/ t² → 0.25 = 1/ t² → t² = 4 → t=2

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 2) Encontrar t. Nos situamos en A, por lo tanto:

tσ = B – A → t = (1000 – 700)/200 → t = 3/2

Paso 3) Calculamos y centramos valores

P[ 1000 – 300 < X < 1000 + 300 | ] ≥ 1 – 4/9 → P[ 700 < X < 1300 | ] ≥ 5/9

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”

En total: la probabilidad es de 5/9 + 2/9 = 7/9

Ejemplo 3
En las contribuciones al plan de participación de utilidades de la empresa, se llegó a estas cifras: u =
51.04, o= 7.51.

a) Al menos, ¿qué porcentaje de las contribuciones al plan se encuentran a una distancia de tres
desviaciones estándares de la media?

Nos dicen que t = 3, así que poco hay que calcular:

P[ 51.04 – 3*7.51 < X < 51.04 + 3*7.51 | ] ≥ 1 - (1/ 9)

P[ 28.51 < X < 73.57 | ] ≥ 0,888888889
que viene a ser 88,89%

b) Al menos ¿qué porcentaje de las contribuciones se encuentran entre 34.14 y 67.94?

u - to = 34.14 u + to = 67.94

Despejamos t de cualquiera y calculamos: t = (67.94 - u)/o → t =(67.94 - 51.04) / 7.51 = 2.25

P[ | 34.14 < X < 67.94 | ] ≥ 1 - (1/ t²) →

P[ | 34.14 < X < 67.94 | ] ≥ 1 - (1/ 2.25²) = 0.80246
que viene a ser 80.25%
Ejemplo 4
El nombre de passatgers que compren un billet per volar de BCN a Palma, és una v.a. Simètrica X de
mitjana 200 i desviació típica 40. Quants seients haurà de tenir l'avió si el que volem és que el 90% dels
vols vagin plens?

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 3) Simetria. Ya lo hemos hecho antes el ahora, solo queda operar:

P[ 200 – 40√5 < X < 200 + 40√5 | ] ≥ 0,8

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 1) Realizar dibujo

u = 5.2
σ = 1.5
→ Nos piden maximizar, nos situamos en A.

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

Paso 3) Calculamos y centramos valores

P[ 3.4 < X < 7 | ] ≥ 0.3056 ≥ 11/36

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:

El porcentaje de aprobados superior a 7 será: 25/75 * 100 = 34.72%

Ejemplo
Supón que la estatura de 800 estudiantes están distribuidas con media 170cm y desviacion típica de
5cm. Encuentra el número de estudiantes que están entre las estaturas:

a) Entre 140cm y 200cm

Entre 140 y 170 hay 30 cm, y entre 170 y 200 tambien 30cm. Así sabemos que 30 = to
30 = to → t = (30)/ 5 → t = 7

Sabiendo esto:
P (| X > u | > to) > 1 – (1/ t²) →
P (| X > 170 | > 7*5) > 1 – (1/ 25) → P (| X > 170 | > 35) > 24/ 25

Hay un total de 35 estudiantes

b) Mayor o igual que 178cm

to=178-u → 5t=178-170 → t = 8/5 = 1.6
P (| X > 178 | > 1.6*5) > 1 – (1/ 2.56) → P (| X > 178 | > 8) > 39/ 64

Hay un total de 8 estudiantes

 DISTRIBUCIONS DISCRETES F(x)
1 – DISTRIBUCIÓ BINOMIAL o BERNOUILLI

Concepto acierto/fallo, cierto/falso, acertar X de Y preguntas, que sea X hombre o Y mujer.

Debes tener la información acerca de:

• el número intentos (n)

• el numero de aciertos (k)
• la probabilidad de acierto (p)

B(n,p) = ( n! / (k!(n-k)!) ) * ( p )^k * ( 1 - p )^n-k

E(x) = n*p
Var(x) = n*p*(1-p)

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?

p = 40% = 0.4 (és home)

n = 4 (4 individus)
x = 2 (dos hombres)

P( 2 homes ) = B(4, 0.4) = ( 4! / (2!*(4-2)!) ) * (0.4)^2 * (0.6)^(4-2) =0.3456

¿Cual es la probabilidad de que haya más mujeres que hombres?

p = 40% = 0.4 (és home)

n = 4 (4 individus)
x1 = 1 (1 home)
x2 = 0 (0 home)

P( 1 home) = B(4,0.4) = ( 4! / (1!(4-1)!) ) * ( 0.4 )^1 * ( 0.6 )^(4-1)

P( 0 homes )=B(4,0.4) = ( 4! / (0!(4-0)!) ) * ( 0.4 )^0 * ( 0.6 )^(4-0)

P(home < dones) = P( 1 home) + P( 0 homes)= 0.4752

Ejemplo 3
Hallar la probabilidad de que al lanzar una moneda honrada tres veces resulten (c) 3 caras, (b)
2 sellos y una cara, (c) al menos 1 cara, (d) no más de un sello.
Ejemplo 4
Hallar la probabilidad de que en cinco lanzamientos de un dado honrados aparezca 3 (a) dos veces, (b)
máximo una vez, (c) al menos dos veces.
Ejemplo 4
Hallar la probabilidad de que en una familia de 4 hijos (a) al menos 1 sea niño, (b) al menos 1 sea niño
y al menos 1 sea niña. Suponer que la probabilidad del nacimiento de un varón es ½.

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).

a) Si l’examen de juny té 20 preguntes, quina és la probabilitat que l’alumne tregui un 9 o

més?

b) Quina és la probabilitat que la primera resposta correcta sigui la cinquena?

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:

• número intentos (n)

• probabilidad de acierto (p)

P(X = n) = p * ( 1 - p )^n-1
E(x) = 1
p
Var(x) = (1-p)
(p^2)

La distribución geométrica no tiene memoria, por lo tanto:

P( X > h + t | X > h ) = P (X > t )

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

en total entre hijos varones y la niña es 2.

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.

P(X=K) = ( K - 1 )! * p^R * q^(K-R)

( R - 1 )! * ( K - R )!

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

donde λ es una constante positiva dada.

Relación entre las distribuciones Binomial y Poisson

En la distribución binomial, si “n” es grande mientras la probabilidad p de una ocurrencia de un
suceso está cerca de 0, de modo que q=1-p está cerca de 1, se le llama un suceso raro.

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)

4.5 – PROCESOS ESTOCÁSTICOS DE POISSON

Un proceso de Poisson estudia el número de veces que ocurre un experimento en un intervalo de

tiempo. Hay que ser atento con las unidades temporales

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

El 10% de las herramientas producidas en un proceso de fabricación determinado resultan defectuosas .

Hallar la probabilidad de que en una muestra de 10 herramientas seleccionadas aleatoriamente ,
exactamente 2 estén defectuosas, empleando (a) la distribución binomial, (b) Poisson.

Muestra inferior a 50 y tenemos 2 fracasos → Poisson.

a) Usando la distribución Binomial

P(defecto) → p = 10% = 0.10

Defectuosas → x = 2
muestra = → n = 10

P(X=x) = ( n ) * ( p ) ^x * ( 1 – p)^(n-x) =
( x )

P(X=2) = ( 10 ) * ( 0.1 ) ^2 * ( 1 – 0.1)^8 = 0.1937

( 2 )

b) Usando la distribución de Poisson

λ = np = 10 * 0.1 = 1
x=2

P(X=x) = λ^x * e^- λ = 1^2 * e^-1 = 0.1839

x! 2*1
Aproximación por Poisson válida siempre que se cumpla p <= 0.1 y λ = np <= 5.

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=x) = λ^x * e^- λ = 2^3 * e^-2 = 0.1804

x! 3*2*1

b) más de 2 individuos tengan reacción . P(x>2)

No podemos calcular x>2, así que calculamos lo opuesto, P(X=0), P(X=1) y P(X=2)

P[x>2] = 1 - [ P(X=0) + P(X=1) + P(X=2) ]

P(X=0) = λ^x * e^- λ = 2^0 * e^-2 = 0.1353

x! 0!

P(X=1) = λ^x * e^- λ = 2^1 * e^-2 = 0.2706

x! 1!

P(X=2) = λ^x * e^- λ = 2^2 * e^-2 = 0.2706

x! 2!

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

Así el número esperado de personas que padecen la enfermedad es . Como ,

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 ,

o bien un segmento de la forma .

1 – DISTRIBUCIÓ UNIFORME

Una variable aleatoria X está distribuida uniformemente en el intervalo (a,b) si su función de densidad
es :

Continua Discreta

Esperanza E(x) Varianza: Var(x)

p124
p143
p158
2 – DISTRIBUCIÓ EXPONENCIAL

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.

P( X > h + t | X > h ) = P (X > t )

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:

Como el número de átomos de existentes en una muestra de 10 gramos es enorme, el histograma

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

radiactivo se desintegra es el percentil 90, t90, de la distribución exponencial, es decir

Ejemplo 2
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución exponencial
con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se le ha implantado este
marcapasos se le deba reimplantar otro antes de 20 años? Si el marcapasos lleva funcionando
correctamente 5 años en un paciente, ¿cuál es la probabilidad de que haya que cambiarlo antes de

años?
Solución: Sea T la variable aleatoria que mide la duración de un marcapasos en una persona. Tenemos
que

Entonces

En segundo lugar

Luego como era de esperar, por ser propio a un mecanismo exponencial,

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 .

Función de Distribución Normal N(u, σ)

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)

Pasar de Normal N(u, σ) a Normal Estandar N(0,1)

Z ≈ N(0,1)

A partir de la simetria respecto a u de la función, se puede deducir que F(-x) = 1 – F(x).

Las tablas se usan con la siguiente fórmula:

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

z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Ejemplo, La renta media de los habitantes de un país es de 4 millones de pesos/año, con una varianza
de 1,5. Se supone que se distribuye según una distribución Normal. Calcular:
a) Porcentaje de la población con una renta inferior a 3 millones de pesos.
b) Renta a partir de la cual se sitúa el 10% de la población con mayores ingresos.
c) Ingresos mínimo y máximo que engloba al 60% de la población con renta media.
a) Porcentaje de la población con una renta inferior a 3 millones de pesos.

x−4
z=
1.22

a) El valor de z para 3 millones de pesos es de -0,816.

P(X<3) = P(Z<-0,816)
P (z>-0,816) = 1-P(z<0,816) = 1 - 0,7925 (aprox.) = 0,2075
Luego, el 20,75% de la población tiene una renta inferior a 3 millones pesos.

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?

a) Personas que vivirán (previsiblemente) más de 75 años

Calculamos el valor de la normal tipificada equivalente a 75 años: z=(75-68)/5= 1.40

Por lo tanto, P (x>75) = (z>1,4) = 1 - P (z<1,4) = 1 - 0,9192 = 0,0808

Luego, el 8,08% de la población (808 habitantes) vivirán más de 75 años.

b) Personas que vivirán (previsiblemente) menos de 60 años

Calculamos el valor de la normal tipificada equivalente a 60 años, z=(60-68)/5=1.60
Por lo tanto P (x<60) = (z< -1,6) = P(z> 1,6) = 1 - P (z<1,6) = 0,0548

Luego, el 5,48% de la población (548 habitantes) no llegarán probablemente a esta edad.

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

queremos calcular la probabilidad de que X tome un valor entre 39 y 48.

Comenzamos haciendo el cambio de variable

de modo que

pag. 119
p156
 DISTRIBUCIONS BIVARIANTS
1 Distribucions discretes.

2 Distribucions contínues.

3 Funcions de distribució bivariants

4 Distribucions marginals.

5 Variables aleatòries independents.

6 Distribucions condicionades.

7 Covariància i correlació

8 Regressió lineal entre dues variables

 -----------------------------------------------------------------------------------

Ejemplo 1 (AC de Mates)

Un enginyer creu que la qualitat amb la que reben la televisió els usuaris depèn proporcionalment de la
proximitat a la que es trobin de l’antena emissora. Per tal de comprovar-ho pren unes mostres i obté els
resultats següents:

Distància 0.5 1.1 1.8 2.1 3 7 15 20 (Km)

Q (analògica) 99 90 87 80 73 62 55 51 (%)
Q (TDT) 93 91 92 90 91 91 45 46 (%)

a) Dibuixa el núvol de punts (scaterplot)

b) Era correcta la hipòtesi de l’enginyer? Raona la resposta

c) Quina qualitat percebria un usuari situat a 10 Km, en analògic i en digital? Creus que el resultat que
has obtingut és fiable?

Ejemplo 1 (sacado de AC)

Considera un sistema de comunicacions que envia bits, de valor “-1” i “1”. Aquests bits travessen un
canal amb soroll additiu i distribució normal (gaussiana) de mitjana 0. El receptor rep els bits
modificats pel canal i pren una decisió: si el valor rebut és major a 0, considera que s’ha transmès un
bit “1”, i si és menor a 0 considera que s’ha transmès un bit “0”.

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%