COMBINATRIA

PERMUTACIONS Quan importa l'ordre Usem tots els elements Cada element s diferent PERMUTACIONS AMB REPETICIONS Quan importa l'ordre Usem tots els elements Agrupem els elements en classes n!

n! n1! n2! nk!

VARIACIONS SENSE REPETICIONS Quan importa l'ordre No usem tots els elements No tenim elements repetits

n! (n k)!

VARIACIONS AMB REPETICI Quan importa l'ordre No usem tots els elements Tenim elements repetits n^k

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

INTRODUCCI 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 slo lnzamiento de un dado resulte un nmero menor que 4, si a) no se da ninguna otra informacin 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 result en un nmero impar B = lanzar un dado y que resulte menor que 4, es decir salga 1, 2 o 3 A n B = el nmero 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. Cul 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 fcilmente 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 quedara: P( A n B n C ) = P(A) *P(B/A) *P(C / A n B ) CAS 2 Probabilidad de A condicionado por ms de un parmetro P(A )= P(B)*P(A/B) + P(C)*P(A/C) + + P(Z)*P(A/Z)

3 TEOREMA DE BAYES Supngase que A1, A2, A3 ... An son sucesos mutuamente excluyentes cuya unin es el espacio muestral , 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 sac la bola no se revela), pero revela que se sac una bola roja. Cul 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. Qu 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 poblacin tiene dicha enfermedad. Si una persona se realiza un anlisi y da positivo, cul es la probabilidad de que esta persona est 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 = [ 0.98 * 0.05] + [ (1-0.98) * (1- 0.05) ]

0.197

4 SUCCESSOS INDEPENDENTS Si P(B l A) = P(B), es decir la probabilidad de que B ocurra no est 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 relacin. 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 ningun 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 relacin 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 FUNCI DENSITAT http://es.wikipedia.org/wiki/Funci%C3%B3n_de_densidad 6 FUNCI DISTRIBUCI http://es.wikipedia.org/wiki/Funci%C3%B3n_de_distribuci%C3%B3n

7 L'ESPERANA MATEMTICA I LA VARIANCIA Esperanza para distribuciones discretas:

Esperanza para distribuciones continuas:

Variancia ( donde u = E(x) )

Ejemplo: Calcular la varianza y desviacin tpica de las siguientes cantidades medidas en metros: 3,3,4,4,5 Solucin: Para calcular dichas medidas de dispersin es necesario calcular previamente el valor con respecto al cual vamos a medir las diferencias. ste es la media:

La varianza es:

siendo la desviacin tpica su raz 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 matemtica E(x). El intervalo sobre el que se aplica es siempre simtrico. Usaremos este teorema cuando no dispongamos de la distribucin de X. Podemos expresar en trminos de probabilidad la dispersin de los valores de la variable alrededor de su media utilizando la varianza como medida de dispersin y sin necesidad de conocer la distribucin. P[ u t < X < u + t | ] 1 - (1/ t) El teorema de Chebyshev solamente nos facilita el lmite inferior que la probabilidad de que una variable aleatoria dada X asuma un valor dentro de k desviaciones tpicas de la media sea realmente mayor que 1 - (1/ t) 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 t = B-A t = 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/ t)

3. Ahora se trata de centrar el valor para que sea simetrico. Conociendo t, slo basta calcular P[ u t < X < u + t | ] 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 ms de) , nos quedaremos con el intervalo superior, vease X < u + t. Si queremos MINIMIZAR (hayan menos de) , nos quedaremos con el intervalo inferior, vease u t < 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 s de 100 persones amb una desviaci tpica de =2. Quin s el nombre mnim de seients necessaris per tal que tothom pugui seure amb probabilitat 0.75. Paso 1 ) Dibujo u = 100 =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/ t) =>0.75 1 -0.75 = 1/ t 0.25 = 1/ t t = 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 harn falta 100 o ms sillas. Sabiendo que P(x) > 75%, slo pueden haber ms sillas, y el nmero de sillas total es 104.

Ejemplo 2 El sou d'un enginyer quan s'acaba de tituar segueix una distribuci simtrica amb mitjana 1000 i una desviaci tpica de 200. Qu 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: t = 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 ms. 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 ms entre ms 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 participacin de utilidades de la empresa, se lleg a estas cifras: u = 51.04, o= 7.51. a) Al menos, qu porcentaje de las contribuciones al plan se encuentran a una distancia de tres desviaciones estndares de la media? Nos dicen que t = 3, as 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 qu 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/ t) P[ | 34.14 < X < 67.94 | ] 1 - (1/ 2.25) = 0.80246

que viene a ser 80.25%

Ejemplo 4 El nombre de passatgers que compren un billet per volar de BCN a Palma, s una v.a. Simtrica X de mitjana 200 i desviaci tpica 40. Quants seients haur de tenir l'avi si el que volem s 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 nica manera de encontrar la probabilidad ser trabajarselo desde el dibujo. El concepto es de simetria entorno a la esperanza, as 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/ t) =>0.80 1 -0.80 = 1/ t t=5

Paso 3) Simetria. Ya lo hemos hecho antes el ahora, solo queda operar: P[ 200 405 < X < 200 + 405 | ] 0,8 Paso 4) Interpretar Como lo que se quiere es llenar el avin MAXIMIZAR el nmero actual de pasajeros dentro de un avin habr que tener MENOS asientos, por lo tanto: 200 405 = 110 asientos.

Ejemplo (sacado de AC) Sigui X una v.a. que mesura la nota de matemtiques dels alumnes duna classe. Sabem que la mitjana s 5.2 i la desviaci tpica s 1.5. Quin percentatge mxim dalumnes ha tret ms dun 7? (Si et cal, pots suposar que la distribuci de notes s simtrica al voltant de la mitjana). Paso 1) Realizar dibujo u = 5.2 = 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 t = 7 5.2 t = (7 5.2)/ 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 ltimo. As que: El porcentaje de aprobados superior a 7 ser: 25/75 * 100 = 34.72%

Ejemplo Supn que la estatura de 800 estudiantes estn distribuidas con media 170cm y desviacion tpica de 5cm. Encuentra el nmero de estudiantes que estn entre las estaturas: a) Entre 140cm y 200cm Entre 140 y 170 hay 30 cm, y entre 170 y 200 tambien 30cm. As sabemos que 30 = to 30 = to t = (30)/ 5 t = 7 Sabiendo esto: P (| X > u | > to) > 1 (1/ t) 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 DISTRIBUCI BINOMIAL o BERNOUILLI Concepto acierto/fallo, cierto/falso, acertar X de Y preguntas, que sea X hombre o Y mujer. Debes tener la informacin acerca de: el nmero 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 ms? Cuanto valen la media y la varianza del nmero de preguntas acertadas?

Ejemplo 2 En una poblacin 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 (s 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 ms mujeres que hombres? p = 40% = 0.4 (s 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 ms de un sello.

Ejemplo 4 Hallar la probabilidad de que en cinco lanzamientos de un dado honrados aparezca 3 (a) dos veces, (b) mximo 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 nio, (b) al menos 1 sea nio y al menos 1 sea nia. Suponer que la probabilidad del nacimiento de un varn es .

Ejemplo 5 Si el 20 % de los tornillos producidos por una mquina 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 d un par de dados honrados.

Ejemplo 7 Si la probabilidad de un tornillo defectuoso es 0.1, hallar (a) la media y (b) la desviacin tipiticada para el nmero 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 ms 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 ms de 20, (b) 24 o ms de 40 preguntas en un examen tipo verdadero-falso. Ejemplo 10 Una mquina produce tornillos, 10% de los cuales son defectuosos. Hallar la probabilidad de que en una muestrea aleatoria de 400 tornillos producidos por esta mquina (a) mximo 30, (b) entre 30 y 50, (c) entre 35 y 45 , (d) 55 o ms, de los tornillos sean defectuosos. Ejemplo 11 Hallar la probabilidad de obtener ms de 25 "sietes" en 100 lanzamientos de un par de dados honrados.

Ejemplo 12 (AC de Mates) Un alumne de matemtiques t el costum destudiar noms el 60 % del temari per presentar-se a lexamen. Quan una pregunta fa referncia a la part que ha estudiat, acostuma a fer-la b amb una probabilitat del 75%. Si la pregunta s de la part no estudiada, noms en un 10 % dels casos aconsegueix respondre-la b. (Suposa que no hi ha terme mig: la resposta pot estar b o malament). a) Si lexamen de juny t 20 preguntes, quina s la probabilitat que lalumne tregui un 9 o ms? b) Quina s la probabilitat que la primera resposta correcta sigui la cinquena? c) Lalumne sol tenir molta pressa a lliurar lexamen, i quan creu que ja est aprovat lentrega. Quina s la probabilitat que en tingui prou per aprovar responent noms les 15 primeres preguntes?

----p155

2 DISTRIBUCI GEOMTRICA Se trata de contar cuantas pruebas o experimentos hay que realizar para el PRIMER XITO. Debes tener la informacin acerca de: nmero 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 distribucin geomtrica 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 nmero esperado de hijos (entre varones y hembras) que tendr el matrimonio. Calcular la probabilidad de que la pareja acabe teniendo tres hijos o ms. Solucin: Este es un ejemplo de variable geomtrica. Vamos a suponer que la probabilidad de tener un hijo varn es la misma que la de tener una hija hembra. Sea X la v.a.

Es claro que

Sabemos que el nmero esperado de hijos varones es en total entre hijos varones y la nia es 2.

, por tanto el nmero esperado

La probabilidad de que la pareja acabe teniendo tres o ms hijos, es la de que tenga 2 o ms hijos varones (la nia est del tercer lugar en adelante), es decir,

Hemos preferido calcular la probabilidad pedida mediante el suceso complementario

p128

3 DISTRIBUCI BINOMIAL NEGATIVA En la distribucin binomial negativa se le fijan los xitos (R), y se calcula el nmero 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 afeccin de pulmn han de ser operados en operaciones independientes sus 5 lbulos pulmonares. La tcnica a utilizar es tal que si todo va bien, lo que ocurre con probabilidad de 7/11, el lbulo queda definitivamente sano, pero si no es as se deber esperar el tiempo suficiente para intentarlo posteriormente de nuevo. Se practicar la ciruga hasta que 4 de sus 5lbulos funcionen correctamente. Cul es el valor esperado de intervenciones que se espera que deba padecer el paciente? Cul es la probabilidad de que se necesiten 10 intervenciones? Solucin: Este es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa, ya que se realizan intervenciones hasta que se obtengan 4 lbulos sanos, y ste es el criterio que se utiliza para detener el proceso. Identificando los parmetros se tiene:

Lo que nos interesa es medir el nmero de intervenciones, Y, ms que el nmero de xitos hasta el rsimo fracaso. La relacin entre ambas v.a. es muy simple: Y=X+r

Luego Luego el nmero esperado de intervenciones que deber sufrir el paciente es de 11. La probabilidad de que el nmero de intervenciones sea Y=10, es la de que X=10-4=6. Por tanto:

P128.

4 DISTRIBUCI DE POISSON Sea X una variable aleatoria discreta que puede tomar de probabilidad los valores 0, 1, 2, tal que la funcin X est dada por

donde es una constante positiva dada. Relacin entre las distribuciones Binomial y Poisson En la distribucin binomial, si n es grande mientras la probabilidad p de una ocurrencia de un suceso est cerca de 0, de modo que q=1-p est cerca de 1, se le llama un suceso raro. Se considera un suceso raro siempre que el nmero de pruebas n, sea menor a 50, mientras n*p sea menor que 5. En tales casos se puede estimar que =np.

Aplicaremos Poisson siempre que la probabilidad sea MUY baja (10% o menos)

4.5 PROCESOS ESTOCSTICOS DE POISSON Un proceso de Poisson estudia el nmero 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 ()

f(n,t) = e^- t * ( t) ^n n! = t

EJEMPLOS DE POISSON Ejemplo 1 El 10% de las herramientas producidas en un proceso de fabricacin determinado resultan defectuosas . Hallar la probabilidad de que en una muestra de 10 herramientas seleccionadas aleatoriamente , exactamente 2 estn defectuosas, empleando (a) la distribucin binomial, (b) Poisson. Muestra inferior a 50 y tenemos 2 fracasos Poisson. a) Usando la distribucin 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 distribucin de Poisson = np = 10 * 0.1 = 1 x=2 P(X=x) = ^x * e^- = 1^2 * e^-1 = 0.1839 x! 2*1 Aproximacin por Poisson vlida siempre que se cumpla p <= 0.1 y = np <= 5. Ejemplo 2 Si la probabilidad de que un individuo sufra una reaccin por una inyeccin de un determinado suero, es 0.001, determinar la probabilidad de que de un total de 2000 individuos (a) exactamente 3, (b) ms de 2 individuos tengan reaccin . P = 0.001 n = 2000 = np = 2000*0.001 = 2 a) exactamente 3. P(x=3) P(X=x) = ^x * e^- = 2^3 * e^-2 = 0.1804 x! 3*2*1 b) ms de 2 individuos tengan reaccin . P(x>2)

No podemos calcular x>2, as 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) = ^x * e^- = 2^0 * e^-2 = 0.1353 x! 0! P(X=1) = ^x * e^- = 2^1 * e^-2 = 0.2706 x! 1! P(X=2) = ^x * e^- = 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 ms de 3 personas con dicha enfermedad. Calcular el nmero esperado de habitantes que la padecen. Solucin:Si consideramos la v.a. X que contabiliza el nmero 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

As el nmero esperado de personas que padecen la enfermedad es

. Como

existe una gran dispersin, y no sera extrao encontrar que en realidad hay muchas ms personas o menos que estn enfermas. La probabilidad de que haya ms de tres personas enfermas es:

Ejemplo 3 Si 3% de las lmparas elctricas producidas por una compaa son defectuosas, hallar la probabilidad de que en una muestra de 100 lmparas elctricas (a) 0, (b) 7, (c)2, (d) 3, (e) 4,(f) 5 lmparas sean defectuosas, (g) ms de 5, (h) entre 1 y 3, (i) menos de o 2 lmparas elctricas 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 distribucin binomial y (b) la aproximacin de Poisson a la distribucin binomial, hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces.

Ejemplo 5 Segn Ia National Office of Vital Statistics of the U. S. Department of Health, Education and Welfare, el promedio de ahogados en accidentes por ao es 3,0 de cada 100 000 personas. Hallar la probabilidad de que en una ciudad cuya poblacin es de 200000, ocurran (a) 0 , (b) 2 ,(c) 6, (d) 8, (e) entre 4 y 8,(f) menos de 3 ahogados por a o.

DISTRIBUCIONS CONTNUES f(x)

En esta seccin estudiaremos las distribuciones ms importantes de v.a. continuas unidimensionales. El soporte de una v.a. continua se define como aquella regin de donde su densidad es no nula, . Para las distribuciones que enunciaremos, podr ser bien todo , o bien un segmento de la forma 1 DISTRIBUCI UNIFORME Una variable aleatoria X est distribuida uniformemente en el intervalo (a,b) si su funcin de densidad es : Continua Discreta .

Esperanza E(x)

Varianza: Var(x)

p124 p143 p158

2 DISTRIBUCI EXPONENCIAL Si el nmero de repeticiones de un suceso en un determinado tiempo viene dado por una distribucin de Poisson ( una distribucin discreta F(x) ), los tiempos de espera entre sucesos viene dado por esta distribucin continua f(x), la exponencial.

x Tasa media de ocurrencia

f(x) = * e ^(-x)

E(x) = 1 / Var(x) = = 1 /
La funcin Exponencial, tampoco tiene memoria, as 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 duracin media de

un tomo de esta materia es de 140 das, cuantos idas transcurrirn hasta que haya desaparecido el de este material? Solucin: El tiempo T de desintegracin de un tomo de es una v.a. de distribucin exponencial:

Como el nmero de tomos de

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

de frecuencias relativas formado por los tiempos de desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su funcin de distribucin F. Entonces el tiempo que transcurre hasta que el del material radiactivo se desintegra es el percentil 90, t90, de la distribucin exponencial, es decir

Ejemplo 2 Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribucin exponencial con media de 16 aos. Cul 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 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente, cul es la probabilidad de que haya que cambiarlo antes de aos? Solucin: Sea T la variable aleatoria que mide la duracin 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 duracin 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 distribucin exponencial no tiene memoria.

p.128

3 DISTRIBUCI NORMAL Una distribucin normal es aquella distribuccin en la que sus experimentos estan sujetos a una variabilidad elevada debido a un nmero elevado de causas, las cuales, no afectan unas a otras, de manera que sus efectos se suman. Para trabajar con esta distribucin, se usan valores tabulados (vease, una tabla), de la funcion de distribucin normal estandar, N(0,1), es decir, de E(x)=0, =1 . Funcin de Distribucin Normal N(u, ) X N(u, )

Para poder trabajar con la tabla, har falta tipificar, es decir, convertir la variable normal N(u,) en una variable normal estandar N(0,1) Pasar de Normal N(u, ) a Normal Estandar N(0,1) Z N(0,1)

A partir de la simetria respecto a u de la funcin, se puede deducir que F(-x) = 1 F(x). Las tablas se usan con la siguiente frmula: P ( a X b) = P( a u Z b u ) ( o o ) = F( b- u ) - F( a -u ) ( o ) ( o )

Tabla Normal Estandar para la distribucin Normal z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4,0 0 0,5000 0,5398 0,5793 0,6179 0,6554 0,6915 0,7257 0,7580 0,7881 0,8159 0,8413 0,8643 0,8849 0,9032 0,9192 0,9332 0,9452 0,9554 0,9641 0,9713 0,9772 0,9821 0,9861 0,9893 0,9918 0,9938 0,9953 0,9965 0,9974 0,9981 0,9987 0,9990 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 1,0000 1,0000 0,01 0,5040 0,5438 0,5832 0,6217 0,6591 0,6950 0,7291 0,7611 0,7910 0,8186 0,8438 0,8665 0,8869 0,9049 0,9207 0,9345 0,9463 0,9564 0,9649 0,9719 0,9778 0,9826 0,9864 0,9896 0,9920 0,9940 0,9955 0,9966 0,9975 0,9982 0,9987 0,9991 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 1,0000 1,0000 0,02 0,5080 0,5478 0,5871 0,6255 0,6628 0,6985 0,7324 0,7642 0,7939 0,8212 0,8461 0,8686 0,8888 0,9066 0,9222 0,9357 0,9474 0,9573 0,9656 0,9726 0,9783 0,9830 0,9868 0,9898 0,9922 0,9941 0,9956 0,9967 0,9976 0,9982 0,9987 0,9991 0,9994 0,9995 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,03 0,5120 0,5517 0,5910 0,6293 0,6664 0,7019 0,7357 0,7673 0,7967 0,8238 0,8485 0,8708 0,8907 0,9082 0,9236 0,9370 0,9484 0,9582 0,9664 0,9732 0,9788 0,9834 0,9871 0,9901 0,9925 0,9943 0,9957 0,9968 0,9977 0,9983 0,9988 0,9991 0,9994 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,04 0,5160 0,5557 0,5948 0,6331 0,6700 0,7054 0,7389 0,7704 0,7995 0,8264 0,8508 0,8729 0,8925 0,9099 0,9251 0,9382 0,9495 0,9591 0,9671 0,9738 0,9793 0,9838 0,9875 0,9904 0,9927 0,9945 0,9959 0,9969 0,9977 0,9984 0,9988 0,9992 0,9994 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,05 0,5199 0,5596 0,5987 0,6368 0,6736 0,7088 0,7422 0,7734 0,8023 0,8289 0,8531 0,8749 0,8944 0,9115 0,9265 0,9394 0,9505 0,9599 0,9678 0,9744 0,9798 0,9842 0,9878 0,9906 0,9929 0,9946 0,9960 0,9970 0,9978 0,9984 0,9989 0,9992 0,9994 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,06 0,5239 0,5636 0,6026 0,6406 0,6772 0,7123 0,7454 0,7764 0,8051 0,8315 0,8554 0,8770 0,8962 0,9131 0,9279 0,9406 0,9515 0,9608 0,9686 0,9750 0,9803 0,9846 0,9881 0,9909 0,9931 0,9948 0,9961 0,9971 0,9979 0,9985 0,9989 0,9992 0,9994 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,07 0,5279 0,5675 0,6064 0,6443 0,6808 0,7157 0,7486 0,7794 0,8078 0,8340 0,8577 0,8790 0,8980 0,9147 0,9292 0,9418 0,9525 0,9616 0,9693 0,9756 0,9808 0,9850 0,9884 0,9911 0,9932 0,9949 0,9962 0,9972 0,9979 0,9985 0,9989 0,9992 0,9995 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,08 0,5319 0,5714 0,6103 0,6480 0,6844 0,7190 0,7517 0,7823 0,8106 0,8365 0,8599 0,8810 0,8997 0,9162 0,9306 0,9429 0,9535 0,9625 0,9699 0,9761 0,9812 0,9854 0,9887 0,9913 0,9934 0,9951 0,9963 0,9973 0,9980 0,9986 0,9990 0,9993 0,9995 0,9996 0,9997 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000 0,09 0,5359 0,5753 0,6141 0,6517 0,6879 0,7224 0,7549 0,7852 0,8133 0,8389 0,8621 0,8830 0,9015 0,9177 0,9319 0,9441 0,9545 0,9633 0,9706 0,9767 0,9817 0,9857 0,9890 0,9916 0,9936 0,9952 0,9964 0,9974 0,9981 0,9986 0,9990 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 0,9999 1,0000 1,0000

Ejemplo, La renta media de los habitantes de un pas es de 4 millones de pesos/ao, con una varianza de 1,5. Se supone que se distribuye segn una distribucin Normal. Calcular: a) Porcentaje de la poblacin con una renta inferior a 3 millones de pesos. b) Renta a partir de la cual se sita el 10% de la poblacin con mayores ingresos. c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media. a) Porcentaje de la poblacin con una renta inferior a 3 millones de pesos. z= x4 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 poblacin tiene una renta inferior a 3 millones pesos. b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms 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 sita 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 poblacin con renta ms elevada. c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin 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 distribucin normal simtrica, entre -z y la media hay otro 30% de probabilidad. En definitiva, el segmento (-z,z) engloba al 60% de poblacin 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 poblacin con un nivel medio de renta.

Ejemplo. La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25. Se hace un estudio en una pequea ciudad de 10.000 habitantes: a) Cuntas personas superarn previsiblemente los 75 aos? b) Cuntos vivirn menos de 60 aos? a) Personas que vivirn (previsiblemente) ms de 75 aos Calculamos el valor de la normal tipificada equivalente a 75 aos: 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 poblacin (808 habitantes) vivirn ms de 75 aos. b) Personas que vivirn (previsiblemente) menos de 60 aos Calculamos el valor de la normal tipificada equivalente a 60 aos, 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 poblacin (548 habitantes) no llegarn probablemente a esta edad.

Ejemplo, Supongamos que cierto fenmeno 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 )

Solucin, hallamos la variable estandarizada z 1 =

que P(39 X 48 ) = P(0.666 Z 0.333 ) = 0.378

39 45 = 0.666 9

y z2 =

48 45 0.333 de modo 9

Ejemplo Supongamos que cierto fenmeno pueda ser representado mediante una v.a. queremos calcular la probabilidad de que X tome un valor entre 39 y 48.

,y

Comenzamos haciendo el cambio de variable

de modo que

pag. 119 p156

DISTRIBUCIONS BIVARIANTS
1 Distribucions discretes. 2 Distribucions contnues. 3 Funcions de distribuci bivariants 4 Distribucions marginals. 5 Variables aleatries independents. 6 Distribucions condicionades. 7 Covarincia i correlaci 8 Regressi lineal entre dues variables

----------------------------------------------------------------------------------Ejemplo 1 (AC de Mates) Un enginyer creu que la qualitat amb la que reben la televisi els usuaris depn proporcionalment de la proximitat a la que es trobin de lantena emissora. Per tal de comprovar-ho pren unes mostres i obt els resultats segents: Distncia Q (TDT) 0.5 93 1.1 90 91 1.8 87 92 2.1 80 90 3 73 91 7 62 91 15 55 45 20 51 46 (Km) (%) (%)

Q (analgica) 99

a) Dibuixa el nvol de punts (scaterplot) b) Era correcta la hiptesi de lenginyer? Raona la resposta c) Quina qualitat percebria un usuari situat a 10 Km, en analgic i en digital? Creus que el resultat que has obtingut s 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 distribuci normal (gaussiana) de mitjana 0. El receptor rep els bits modificats pel canal i pren una decisi: si el valor rebut s major a 0, considera que sha transms un bit 1, i si s menor a 0 considera que sha transms un bit 0. Si la probabilitat denviar -1 o 1 s la mateixa (50 %), troba la mxima varincia del soroll del canal per tal dassegurar una probabilitat derror inferior a l1%. U=0 P(x>50) Mx. Var(x) ? amb error inferior al 1%