Amb Problemes Resolts - Departament d'EstadÃstica i Investigació ...
Amb Problemes Resolts - Departament d'EstadÃstica i Investigació ...
Amb Problemes Resolts - Departament d'EstadÃstica i Investigació ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
CÀLCUL DE PROBABILITATS<br />
PROBLEMES<br />
(<strong>Amb</strong> <strong>Problemes</strong> <strong>Resolts</strong>)<br />
DIPLOMATURA D’ESTADÍSTICA<br />
Lídia Montero Mercadé<br />
Mónica Bécue Bertaut<br />
<strong>Departament</strong> Estadística i Investigació Operativa<br />
Despatx 421<br />
Setembre de 2.004
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
Pàg. 2 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
TAULA DE CONTINGUTS<br />
1. TEMARI DETALLAT DEL CÀLCUL DE PROBABILITATS __________________________ 7<br />
2. DIVISIÓ DE LES HORES LECTIVES______________________________________________ 9<br />
2.1 INTRODUCCIÓ AL SISTEMA D’AVALUACIÓ ___________________________________________ 9<br />
3. PROBLEMES VARIS ___________________________________________________________ 11<br />
3.1 ELS DAUS BLAU I VERMELL _____________________________________________________ 11<br />
3.2 INDEPENDÈNCIA I PROBABILITAT _________________________________________________ 11<br />
3.3 BOLES DE COLORS _____________________________________________________________ 12<br />
3.4 DAUS DE COLORS ______________________________________________________________ 12<br />
3.5 INDEPENDÈNCIA DOS A DOS, INDEPENDÈNCIA MÚTUA________________________________ 12<br />
3.6 UN DE OPOSICIONS _____________________________________________________________ 12<br />
3.7 PARELLS DE NOMBRES ALEATORIS _______________________________________________ 13<br />
3.8 EL DAU DE TRES CARES_________________________________________________________ 13<br />
3.9 EL PARC NATURAL_____________________________________________________________ 13<br />
3.10 UN DE DOS JUGADORS ... _______________________________________________________ 13<br />
3.11 ELS TRES JUGADORS __________________________________________________________ 14<br />
3.12 LA MALÀRIA _________________________________________________________________ 14<br />
3.13 LA MALÀRIA ALTRE COP ______________________________________________________ 15<br />
3.14 LA ROTLLANA DE NENS ________________________________________________________ 15<br />
3.15 EL VENEDOR DE LLIBRES ______________________________________________________ 15<br />
3.16 ELS PRODUCTES FARMACEUTICS_________________________________________________ 16<br />
3.17 UN DE MONEDES TRUCADES_____________________________________________________ 16<br />
3.18 ELS DESPATXOS ______________________________________________________________ 17<br />
3.19 LOTERIA A L’ESCOLA__________________________________________________________ 17<br />
3.20 LA CASETA DE LA FIRA ________________________________________________________ 17<br />
3.21 LA MEMÒRIA D’ACCÉS RÀPID __________________________________________________ 18<br />
3.22 EL GOS DE LA BENZINERA ______________________________________________________ 18<br />
3.23 UNA VARIABLE ALEATÒRIA ESGLAONADA ________________________________________ 18<br />
3.24 EL TALLER DE REPARACIÓ D’ORDINADORS _______________________________________ 19<br />
3.25 UN DE VERIFICACIÓ DE PROPIETATS _____________________________________________ 20<br />
3.26 LES ATURADES D’UNS SISTEMES DE CONTROL _____________________________________ 20<br />
3.27 LES AVARIES D’UN CENTRE DE CÀLCUL __________________________________________ 21<br />
3.28 RECANVIS DE PECES___________________________________________________________ 21<br />
3.29 UN DE DESCRIPTIVA BIVARIANT _________________________________________________ 22<br />
3.30 EL CONCURS DE MÈRITS _______________________________________________________ 22<br />
3.31 LES QÜES AL PEATGE__________________________________________________________ 23<br />
3.32 UNA APLICACIÓ DEL TEOREMA CENTRAL DEL LÍMIT _______________________________ 23<br />
3.33 UN DE PARELL DE VARIABLES DISCRETES_________________________________________ 23<br />
3.34 UN NOU PARELL DE VARIABLES DISCRETES _______________________________________ 24<br />
3.35 MÉS DE PARELL DE VARIABLES _________________________________________________ 24<br />
3.36 UN PARELL DE VARIABLES UNIFORMES I DISCRETES________________________________ 24<br />
3.37 PARELL DE VARIABLES UNIFORMES I CONTÍNUES __________________________________ 25<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 3
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
3.38 L’ESPERA A CORREUS _________________________________________________________ 25<br />
3.39 LA FINESTRETA D’ATENCIÓ AL PÚBLIC ___________________________________________ 25<br />
3.40 LA TENDA DE PEIXOS__________________________________________________________ 26<br />
3.41 UN VIATGE TRANSATLÀNTIC____________________________________________________ 26<br />
3.42 EL TUB DE RAJOS CATÒDICS____________________________________________________ 26<br />
3.43 VIDA DE DISPOSITIUS ELECTRÒNICS _____________________________________________ 27<br />
3.44 EL CREUAMENT DE TRENS _____________________________________________________ 27<br />
3.45 LA MÀQUINA D’EMPLENAR CARAMELS ___________________________________________ 28<br />
3.46 LA NORMAL TRUNCADA _______________________________________________________ 28<br />
3.47 LES ALÇADES EN MATRIMONIS__________________________________________________ 29<br />
3.48 LES AMPOLLES D’OLI _________________________________________________________ 29<br />
3.49 LES EMPRESES D´ESTUDIS DE MERCAT ___________________________________________ 30<br />
3.50 UN DE PROPIETATS BÀSIQUES ___________________________________________________ 30<br />
3.51 UN ALTRE DE PROPIETATS BÀSIQUES EN UN PARELL DE V.A. __________________________ 31<br />
3.52 LES MALALTIES TROPICALS ____________________________________________________ 31<br />
3.53 PER PENSAR ... _______________________________________________________________ 32<br />
4. INDICACIÓ DE LA RESOLUCIÓ DELS PROBLEMES _____________________________ 33<br />
4.1 ELS DAUS VERMELL I BLAU.______________________________________________________ 33<br />
4.2 INDEPENDÈNCIA I PROBABILITAT._________________________________________________ 34<br />
4.3 BOLES DE COLORS. _____________________________________________________________ 34<br />
4.4 DAUS DE COLORS. ______________________________________________________________ 35<br />
4.5 INDEPENDÈNCIA DOS A DOS; INDEPENDÈNCIA MÚTUA. ________________________________ 35<br />
4.6 UN D’OPOSICIONS. _____________________________________________________________ 36<br />
4.7 PARELLS DE NOMBRES ALEATORIS. _______________________________________________ 37<br />
4.8 EL DAU DE TRES CARES. _________________________________________________________ 37<br />
4.9 EL PARC NATURAL._____________________________________________________________ 38<br />
4.10 UN DE DOS JUGADORS. _________________________________________________________ 38<br />
4.11 ELS TRES JUGADORS. __________________________________________________________ 39<br />
4.12 LA MALÀRIA._________________________________________________________________ 40<br />
4.13 LA MALÀRIA ALTRE COP._______________________________________________________ 40<br />
4.14 LA ROTLLANA DE NENS. ________________________________________________________ 41<br />
4.15 EL VENEDOR DE LLIBRES. ______________________________________________________ 43<br />
4.16 ELS PRODUCTES FARMACÈUTICS. ________________________________________________ 44<br />
4.17 UN DE MONEDES TRUCADES. ____________________________________________________ 45<br />
4.18 ELS DESPATXOS ______________________________________________________________ 47<br />
4.19 LOTERIA A L’ESCOLA. _________________________________________________________ 47<br />
4.20 LA CASETA DE LA FIRA. ________________________________________________________ 48<br />
4.21 LA MEMÒRIA D’ACCÉS RÀPID. ___________________________________________________ 48<br />
4.22 EL GOS DE LA BENZINERA. ______________________________________________________ 49<br />
4.23 UNA VARIABLE ALEATÒRIA ESGLAONADA._________________________________________ 49<br />
4.24 EL TALLER DE REPARACIONS D’ORDINADORS.______________________________________ 50<br />
4.25 UN DE VERIFICACIÓ DE PROPIETATS. _____________________________________________ 51<br />
4.26 LES ATURADES D’UNS SISTEMES DE CONTROL. _____________________________________ 52<br />
4.27 LES AVARIES D’UN CENTRE DE CÀLCUL.___________________________________________ 53<br />
4.28 RECANVIS DE PECES. __________________________________________________________ 53<br />
4.29 UN DE DESCRIPTIVA BIVARIANT. _________________________________________________ 53<br />
4.30 EL CONCURS DE MÈRITS. _______________________________________________________ 53<br />
4.31 LES CUES AL PEATGE. _________________________________________________________ 53<br />
4.32 UNA APLICACIÓ DEL TEOREMA CENTRAL DEL LÍMIT. ________________________________ 53<br />
4.33 UN PARELL DE VARIABLES DISCRETES.____________________________________________ 53<br />
4.34 UN NOU PARELL DE VARIABLES. _________________________________________________ 55<br />
Pàg. 4 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4.35 MÉS DE PARELLS DE VARIABLES. ________________________________________________ 56<br />
4.36 UN PARELL DE VARIABLES UNIFORMES I DISCRETES. ________________________________ 56<br />
4.37 PARELL DE VARIABLES UNIFORMES I CONTÍNUES.___________________________________ 57<br />
4.38 L’ESPERA A CORREUS. _________________________________________________________ 57<br />
4.39 LA FINESTRETA D’ATENCIÓ AL PÚBLIC. ___________________________________________ 57<br />
4.40 LA TENDA DE PEIXOS.__________________________________________________________ 58<br />
4.41 UN VIATGE INTERNACIONAL.____________________________________________________ 59<br />
4.42 EL TUB DE RAJOS CATÒDICS. ____________________________________________________ 59<br />
4.43 VIDA DE DISPOSITIUS ELECTRÒNICS. _____________________________________________ 60<br />
4.44 EL CREUAMENT DE TRENS. _____________________________________________________ 60<br />
4.45 LA MÀQUINA D’EMPLENAR CARAMELS. ___________________________________________ 61<br />
4.46 LA NORMAL TRUNCADA. _______________________________________________________ 62<br />
4.47 LES ALÇADES EN MATRIMONIS. __________________________________________________ 63<br />
4.48 LES AMPOLLES D’OLI. _________________________________________________________ 63<br />
4.49 LES EMPRESES D’ESTUDI DE MERCAT. ____________________________________________ 65<br />
4.50 UN DE PROPIETATS BÀSIQUES.___________________________________________________ 65<br />
4.51 UN ALTRE DE PROPIETATS BÀSIQUES EN UN PARELL DE V.A. __________________________ 66<br />
4.52 LES MALALTIES TROPICALS. ____________________________________________________ 67<br />
5. TAULES ESTADÍSTIQUES (AUTOR: JOSÉ ANTONIO GONZÁLEZ)_________________ 69<br />
77<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 5
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
Pàg. 6 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
1. TEMARI DETALLAT DEL CÀLCUL DE PROBABILITATS<br />
L’orientació del temari posa èmfasi especial en la relació entre els espais de probabilitat i les<br />
variables aleatòries (discretes per claredat). Els conceptes fonamentals de variable aleatòria es<br />
presenten inicialment en el context discret per facilitar una visió més intuïtiva, per finalment en<br />
el Tema 4 presentar la definició general de variable aleatòria, tot relacionant els conceptes<br />
generals amb el ja conegut en el context discret.<br />
TEMA 1. INTRODUCCIÓ A LA ESTADÍSTICA DESCRIPTIVA<br />
Definició de mostra, població, matriu de dades i variable. Classificació de variables.<br />
Tècniques d’Estadística Descriptiva Univariant:<br />
Indicadors numèrics: clàssics i robustos de tendència central i dispersió.<br />
Eines gràfiques: Histogrames, diagrames de barres. Boxplot<br />
Tècniques d’Estadística Descriptiva Bivariant. Introducció.<br />
TEMA 2. INTRODUCCIÓ A LA TEORIA DE LA PROBABILITAT<br />
Introducció i motivacions: concepte d’experiència aleatòria<br />
Espais de probabilitat<br />
El conjunt de resultats d’una experiència aleatòria<br />
Esdeveniments o successos<br />
Definició de probabilitat i propietats<br />
Recordatori de combinatòria<br />
Probabilitat condicionada<br />
Definició i concepte<br />
Independència entre successos<br />
Teorema de les probabilitats totals<br />
Fórmula de Baies<br />
TEMA 3. VARIABLE ALEATÒRIA DISCRETA<br />
Definició i propietats d’una variable aleatòria discreta<br />
Funció de probabilitat i funció de distribució<br />
Variables aleatòries discretes clàssiques<br />
Llei de Bernoulli<br />
Llei Binomial<br />
Llei geomètrica<br />
Llei conjunta de 2 variables aleatòries discretes: definició i concepte<br />
Distribució conjunta, distribució condicional, distribució marginal<br />
Moments d’una variable aleatòria discreta<br />
Esperança i variància: relació amb els estadístics mostrals<br />
Moments de funcions de vàries variables discretes<br />
Covariància i coeficient de correlació<br />
Independència i no-correlació<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 7
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
Variables aleatòries discretes clàssiques<br />
Llei de Poisson. Relació amb la llei Binomial<br />
Llei Binomial negativa<br />
TEMA 4. VARIABLE ALEATÒRIA CONTÍNUA<br />
Definició i propietats<br />
Funció de distribució i funció densitat de probabilitat: definicions i diferència amb el cas discret<br />
Moments en les variables aleatòries contínues<br />
Llei conjunta de variables aleatòries contínues<br />
Independència<br />
Variables aleatòries contínues clàssiques<br />
Llei uniforme<br />
Llei de Laplace-Gauss o Normal.<br />
Llei exponencial. Relació amb els processos poissonians<br />
Distribucions associades a la llei normal: χ 2 de Pearson, T-Student, F-Fisher.<br />
Teorema central del límit<br />
Pàg. 8 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
2. DIVISIÓ DE LES HORES LECTIVES<br />
La part teòrica de l’assignatura comporta 3 h/set i es realitza amb el grup complert. La part<br />
pràctica de l’assignatura comporta 2h/set de classe per cada subgrup i consta de:<br />
• <strong>Problemes</strong>. Sessions de 2 hores cadascuna durant el quadrimestre. Els estudiants amb ajuda<br />
del professor de pràctiques farà la resolució a classe de problemes de la llista auxiliar de<br />
suport a la docència prèviament indicats. La participació mitjançant el lliurament del treball<br />
fet a la sessió constituirà la nota de seguiment de l’assignatura i es reflectirà a la nota final de<br />
l’assignatura.<br />
• Pràctiques de Laboratori. Disponibilitat de vàries sessions de 2 hores en el quadrimestre per<br />
la iniciació en l’aprenentatge del paquet estadístic MINITAB (versió 13 per WINDOWS) en<br />
l’entorn de la xarxa de PC’s de l’escola.<br />
Per evitar confusions sobre els continguts, les sessions de pràctiques (2h/set) s’anomenen<br />
sessions de problemes i sessions de laboratori atenent als continguts esmentats al paràgrafs<br />
anteriors.<br />
2.1 Introducció al sistema d’avaluació<br />
El sistema d’avaluació de l’assignatura de Càlcul de Probabilitats compren tres elements:<br />
• Una prova parcial (15%). La nota estarà disponible abans del període d’exàmens del<br />
quadrimestre.<br />
• Un examen final del quadrimestre (65%).<br />
• L’avaluació del seguiment en les classes de problemes de l’assignatura, a realitzar pel<br />
professor de pràctiques (20%). Aquest element de l’avaluació es publicarà abans de la<br />
data de convocatòria per l’examen final.<br />
Resum d’avaluació<br />
ASPECTE<br />
% NOTA FINAL<br />
NOTA de PROVA PARCIAL 15<br />
NOTA d’EXAMEN FINAL(*) 65<br />
NOTA DE SEGUIMENT 20<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 9
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
Pàg. 10 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
3. PROBLEMES VARIS<br />
Els alumnes de l’assignatura disposen del present llibret de Quadern de Càlcul de Probabilitats.<br />
Es tindrà en compta la participació a pissarra en la resolució dels problemes. La llista de<br />
problemes per suport de docència es troba a continuació en aquest quadern i està constituïda per<br />
problemes desenvolupats per professors del departament, bàsicament pels professors R.Nonell,<br />
J.A.González i Lídia Montero.<br />
Es proposaran amb 1 setmana d’antelació els problemes a resoldre pels alumnes. El pes de la<br />
nota de problemes en la nota final de l’assignatura és del: 5%.<br />
3.1 Els Daus Blau i Vermell<br />
Es llencen dos daus, un de blau i un de vermell, tot notant X com el número obtingut amb el dau<br />
blau i Y com el número obtingut amb el dau vermell. Sigui Ω, l’espai de tots els parells de<br />
possibles valors o espai fonamental de l’experiència aleatòria.<br />
• Representeu l’espai Ω mitjançant un diagrama cartesià.<br />
• Representeu sobre el diagrama anterior l’esdeveniment A format per tots els resultats que<br />
compleixen x + y =8.<br />
• Representeu sobre el diagrama anterior l’esdeveniment B format per tots els resultats que<br />
compleixen x − y =3.<br />
• Representeu sobre el diagrama anterior l’esdeveniment C format per tots els resultats que<br />
compleixen 1≤ x ≤2 o 1≤y ≤2.<br />
• Quin és l’esdeveniment A∩B∩ C ? S’aconsella emprar la fórmula de Morgan.<br />
3.2 Independència i Probabilitat<br />
Sigui un espai fonamental Ω, un esdeveniment A i el seu complementari A .<br />
⇒ Considereu una primera probabilitat P, definida per P(A) = 1/3. Demostreu que A i A no són<br />
independent per la probabilitat P.<br />
⇒ Considereu una segona probabilitat P´, definida per P'(A) =1. Són els esdeveniments A i A<br />
independents per la probabilitat P´?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 11
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
3.3 Boles De Colors<br />
Es consideren dues bosses S 1 i S 2 , que contenen cadascuna 3 boles vermelles i 7 boles negres.<br />
Es fa l’extracció d’una bola de S 1 i se la col·loca a S 2 . Quina és la probabilitat d’extreure una<br />
bola vermella de S 2 en una extracció posterior?<br />
3.4 Daus De Colors<br />
Una bossa conté 7 daus vermells, 5 daus grocs i 3 daus verds. S’extreuen successivament 3 daus.<br />
Quina és la probabilitat que el primer dau sigui vermell, el segon groc i el tercer verd si:<br />
⇒ ... es fa reposició dels daus després de cada extracció?<br />
⇒ ... no es fa reposició dels daus després de cada extracció?<br />
3.5 Independència Dos A Dos, Independència Mútua<br />
Es llencen successivament dos daus equilibrats, tot definint els següents esdeveniments:<br />
• A: El primer número obtingut és senar.<br />
• B: El segon número obtingut és parell.<br />
• C: Els dos números tenen la mateixa paritat.<br />
Demostreu que A i C, A i B i B i C són independents dos a dos, però que A, B i C no són<br />
mútuament independents.<br />
3.6 Un de Oposicions<br />
Una persona es presenta a una oposició per entrar a formar part del cos de funcionaris de la<br />
Generalitat de Catalunya, com a informàtic. L’oposició consta de 50 temes distribuïts en dos<br />
blocs: 20 temes són d’Arquitectura de Computadors (AC) i 30 temes són de Llenguatges i<br />
Sistemes d’Informació (LSI). D’aquests 50 temes els candidats hauran de desenvolupar-ne 5. La<br />
forma d’escollir aquests 5 temes és: se’n tria un a l’atzar i després els 4 restants s’escullen a<br />
l’atzar entre els del bloc que corresponguin al primer tema escollit. El candidat decideix<br />
d’estudiar-se només 15 temes a l’atzar, 10 de LSI i 5 de AC. Per aprovar la oposició s’han de<br />
desenvolupar bé 4 o més temes (suposem que el candidat desenvolupa bé els temes que s’ha<br />
estudiat).<br />
⇒ Quina és la probabilitat d’aprovar l’oposició?<br />
⇒ Si ha aprovat la oposició, quina és la probabilitat que hagin sortit els temes de LSI?<br />
Pàg. 12 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
3.7 Parells De Nombres Aleatoris<br />
Un programa d’ordinador produeix parell de números enters a l’atzar compresos entre el 0 i el 9,<br />
ambdós inclosos. Suposem que el programa actua com un generador de números aleatoris<br />
perfecte, és a dir, es verifiquen les tres hipòtesis següents:<br />
• Independència entre els 2 números que integren un determinat parell.<br />
• Equiprobabilitat de generació de cadascun dels números.<br />
• Independència mútua dels parells de números generats successivament.<br />
S’executa el programa sol·licitant la producció de n parells. Quina és la probabilitat que entre<br />
aquests n parells n’hi hagi al menys un parell constituït per dos números idèntics? Calculeu la<br />
probabilitat per n=10 i n=50.<br />
3.8 El Dau de Tres Cares<br />
Un dau de sis cares té únicament tres valors possibles: 1, 2 i 3, tots ells equiprobables. Es<br />
proposa la realització del següent joc:<br />
Llencem un dau, si surt 3 guanyem, si surt 1 o 2 continuem repetint el<br />
llançament fins obtenir el resultat de la primera tirada, situació que en dona<br />
la victòria, o bé fins a obtenir un valor 3, situació que comporta l’aturada<br />
del joc amb pèrdua per la nostra part.<br />
⇒ Calculeu la probabilitat de guanyar.<br />
3.9 El Parc Natural<br />
Un parc natural del nostre país està dividit en dues parts iguals per un riu, dites A i B. Els<br />
biòlegs han pogut comptabilitzar 10 isards a la part A i 10 isards a la part B. Un biòleg del parc<br />
realitza investigacions sobre la conducta d’un dels isards de A, que anomenem X. Per un error<br />
dels vigilants, 9 dels isards de A passen a B, però un cop assabentats de l’incident, els vigilants<br />
retornen 9 dels isards de B, triats a l’atzar, a la part A. El biòleg no massa satisfet pel<br />
desenvolupament dels fets ha de prosseguir les seves investigacions sobre el isard X. En quina<br />
de les 2 parts, A o B, és preferible que comenci a buscar el seu isard?<br />
3.10 Un de Dos Jugadors ...<br />
Dos jugadors, A i B juguen al següent joc:<br />
A tira un dau de sis cares perfectament equilibrat. Si surt 1 o 2 treu una bola d’una urna U1 i si<br />
surt 3, 4, 5 o 6, treu una bola d’una altra urna U2. La urna U1 conté 60 boles blanques i 40 boles<br />
negres. La urna U2 conté 40 boles blanques i 60 boles negres.<br />
A comunicada al jugador B el color de la bola extreta i aleshores B ha d’endevinar per guanyar<br />
de quina urna procedeix, altrament guanya A.<br />
⇒ Dibuixeu l’arbre de probabilitats associat a l’experiència aleatòria.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 13
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
⇒ Apliqueu el Teorema de Probabilitats Totals per determinar la probabilitat que A extregui una<br />
bola blanca. Repetiu els càlculs per una bola negre.<br />
⇒ Quina estratègia seguiríeu en aquest joc si fóssiu el jugador B?<br />
3.11 Els Tres Jugadors<br />
Una urna conté 6 boles blanques i 5 boles negres. Tres jugadors, A, B i C, extreuen una bola<br />
sense reposició, en aquest mateix ordre. Les normes del joc indiquen que guanya el primer<br />
jugador que treu una bola blanca, en la vinantesa que si en finalitzar l’extracció C no hi hagut un<br />
guanyador, els jugadors tornen a començar l’extracció, sense retornar les boles i en el mateix<br />
ordre.<br />
⇒ Calculeu les probabilitats respectives de guanyar dels tres jugadors.<br />
3.12 La Malària<br />
La malària, E, mostra dues varietats incompatibles que es solen notar-se com a E1 i E2. Un<br />
equip de patòlegs estudia dues síntomes de la malària, dites S1 i S2, per tal de poder millorar la<br />
diagnosi de la varietat de malària que pateixen els pacients. Es sap que cap de totes dues<br />
síntomes és característica de cap varietat, és a dir, que poden aparèixer les dues síntomes en<br />
persones sanes i a l’inrevés, estar una persona malalta i no mostrar-ne cap de les dues.<br />
La recerca mèdica ha mostrat fins el moment:<br />
• prob. de contraure la varietat E1: 0.18<br />
• prob. de contraure la varietat E2: 0.09<br />
• Pels pacients amb la varietat E1:<br />
◊ prob. només síntoma S1: 0.55<br />
◊ prob. només síntoma S2: 0.12<br />
◊ prob. totes dues síntomes: 0.25<br />
• Pels pacients amb la varietat E2:<br />
◊ prob. només síntoma S1: 0.14<br />
◊ prob. només síntoma S2: 0.42<br />
◊ prob. totes dues síntomes: 0.32<br />
• Per les persones sanes, no malaltes de E:<br />
◊ prob. només síntoma S1: 0.06<br />
◊ prob. només síntoma S2: 0.08<br />
◊ prob. totes dues síntomes: 0.03<br />
Quin és el millor indicador per un pacient amb malària de varietat E1:<br />
⇒ Una síntoma, S1 o S2<br />
Pàg. 14 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
⇒ Una síntoma, però no l’altra<br />
⇒ Les dues síntomes<br />
⇒ Cap de les dues síntomes ?<br />
3.13 La Malària Altre Cop<br />
Determineu ara quin és el millor indicador per un pacient amb malària de varietat E2:<br />
⇒ Una síntoma, S1 o S2<br />
⇒ Una síntoma, però no l’altra<br />
⇒ Les dues síntomes<br />
⇒ Cap de les dues síntomes ?<br />
3.14 La Rotllana de Nens<br />
Un nens juguen aplegats en tres rotllanes, de manera que inicialment:<br />
• La primera rotllana conté 1 nen i 3 nenes.<br />
• La segona rotllana conté 4 nens i 2 nenes.<br />
• La tercera rotllana conté 5 nens i 5 nenes.<br />
Després d’una estona, un infant (nen o nena) ha passat de la primera rotllana a la segona, un altre<br />
de la segona a la tercera i un tercer infant, ha passat de la tercera rotllana a la primera.<br />
⇒ Quina és la probabilitat que s’hagi mantingut la proporció de nens i nenes a totes les<br />
rotllanes?<br />
⇒ Quina és la probabilitat en triar un infant a l’atzar de la primera rotllana que sigui nen ?<br />
3.15 El Venedor de Llibres<br />
Un venedor de Grans Enciclopèdies a domicili tria setmanalment el districte de treball, entre tres<br />
possibilitats l’Eixampla, Gràcia o les Corts, amb probabilitats respectives de 0.5, 0.25 y 0.25 i<br />
independentment de la tria efectuada en setmanes anteriors. Si va a l’Eixampla sap que té un<br />
80% de possibilitats de vendre alguna enciclopèdia, mentre que si va a Gràcia o les Corts, les<br />
probabilitats respectives són del 40 i el 60%.<br />
⇒ Quina és la probabilitat que una certa setmana vengui alguna enciclopèdia?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 15
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
⇒ Quina és la probabilitat d’haver venut alguna enciclopèdia almenys 2 setmanes durant un<br />
mes?<br />
⇒ Si tot acabant una setmana el venedor no ha venut res, a quin barri, més probablement, haurà<br />
estat treballant aquella setmana? Raoneu amb càlculs precisos.<br />
⇒ Un company d’ofici també tria setmanalment el districte de treball, entre els 3 anteriors, però<br />
de manera equiprobable. Quina és la probabilitat que els dos venedors coincideixin al mateix<br />
districte almenys un cop durant dues setmanes?<br />
3.16 Els productes farmaceutics<br />
Una fàbrica de productes farmacèutics produeix 1000 unitats diàries d´un producte via dos<br />
procediments diferents, tant tècnica com econòmicament. El primer procediment és més<br />
laboriós, però produeix un 99% d’unitats satisfactòries sobre un 25% del total diari de la<br />
producció. El segon procediment produeix el 75% restant de les unitats, però amb un 10%<br />
d’unitats defectuoses. Donat el lot de fabricació d´un dia qualsevol, s’extrau una unitat a l’atzar.<br />
Si la unitat és satisfactòria, quina és la probabilitat que s´hagi fabricat via el segon procediment?<br />
1. Resoldre la qüestió doblement: per arbre de probabilitats i pel Teorema de Bayes, tot indicant<br />
clarament els successos implicats i la informació a priori disponible.<br />
2. <strong>Amb</strong> els mateixos condicionants que l’apartat anterior i fent extraccions amb reposició de 10<br />
unitats, quina és la probabilitat d’obtenir com a màxim l peça defectuosa? Emprar el Teorema<br />
de Bayes en la resolució, tot indicant clarament els successos implicats i la informació a<br />
priori disponible.<br />
3. Descriure els valors i les lleis de probabilitat de la variable aleatòria discreta X definida com<br />
el número de peces defectuoses obtingut en la selecció amb reposició de 2 unitats d´un lot<br />
diari. Quina és l’esperança matemàtica de X? Determineu clarament els valors de la v.a. X i<br />
la partició de Ω induïda.<br />
3.17 Un de monedes trucades<br />
Una bossa conté 100 monedes, 25 d’elles amb una cara per ambdues bandes i les 75 restants<br />
perfectament normals (una cara i una creu) i equilibrades. S’extrau una moneda a l’atzar.<br />
1. Quina és la probabilitat de que sigui una moneda trucada si surt cara en 2 llençaments<br />
consecutius? Resoldre la qüestió doblement: per arbre de probabilitats i pel Teorema de<br />
Bayes, tot indicant clarament els successos implicats i la informació a priori disponible.<br />
2. <strong>Amb</strong> els mateixos condicionants que l’apartat anterior, quina és la probabilitat de que sigui<br />
una moneda trucada si surt cara en 10 llençaments consecutius? Emprar el Teorema de Bayes<br />
en la resolució, tot indicant clarament els successos implicats i la informació a priori<br />
disponible.<br />
3. Descriure els valors i les lleis de probabilitat de la variable aleatòria discreta X definida com<br />
el número de cares obtingut en el llençament consecutiu dues vegades de la moneda triada a<br />
l’experiència anterior. Quina és l’esperança matemàtica de X? Determineu clarament els<br />
valors de la v.a. X i la partició de Ω induïda.<br />
Pàg. 16 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
3.18 Els despatxos<br />
Un edifici de la UPC té nou despatxos. Un professor té probabilitat ½ de tenir el despatx a<br />
l’esmentat edifici i, si es troba en l’edifici, té la mateixa probabilitat d’estar en qualsevol dels<br />
nou despatxos.<br />
1. Quina és la probabilitat p que el despatx del professor sigui el novè despatx?<br />
2. S’obren inexitosament els vuit primers despatxos. Quina és la probabilitat q que el professor<br />
sigui al novè despatx?<br />
3.19 Loteria a l’Escola<br />
En una escola de la nostra universitat s’ha muntat una loteria per tal de finançar un viatge de final de<br />
carrera dels alumnes. Els números de la loteria poden ésser de 4 xifres i es venen a 1000 ptes<br />
cadascun. La distribució de premis es la següent:<br />
• Un premi gros de 500.000 ptes per un únic número.<br />
• Un premi de 50.000 ptes per tots els números que tinguin una determinada terminació de 3 xifres.<br />
• Un premi de 5.000 ptes per tots els números que tinguin una determinada terminació de 2 xifres.<br />
• La devolució dels diners per tots els números que tinguin una xifra final determinada.<br />
Durant el sorteig es procura que les terminacions no siguin coincidents per tal de no acumular<br />
premis. Determineu:<br />
⇒ Quin és l’espai fonamental associat?<br />
⇒ Sigui X la v.a. benefici net per algú que compri un número. Descriure els conjunt de valors i la<br />
funció de probabilitat.<br />
⇒ Quin és el benefici net esperat?<br />
3.20 La Caseta de la Fira<br />
El propietari d’una caseta de fira de tir al blanc assegura que per un jugador amb probabilitat de fer<br />
blanc p, fer un blanc incrementa la probabilitat de fer-ne un altre seguidament en la meitat de la<br />
quantitat que resta per la fiabilitat total (p+(1-p)/2) . Pel contrari, fallar un tret no modifica la<br />
probabilitat d’encert en assatjos posteriors. Els jugadors proven dos cops la seva punteria.<br />
⇒ Calculeu la funció de probabilitat de la variable X, número de blancs obtinguts en dos intents.<br />
⇒ Calculeu el número esperat d’encerts per un bon tirador (p=0.8) i per un mal tirador (p=0.2).<br />
⇒ Per què no podem declarar X com a variable binomial ?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 17
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
3.21 La Memòria d’Accés Ràpid<br />
Un Centre de Càlcul d’un departament de la nostra universitat ha de comprar memòria d’accés ràpid<br />
(RAM) per millorar les prestacions del seu ordinador central. El mercat posa a l’abast dos tipus de<br />
memòria ràpida, A i B. El temps d’accés de la memòria tipus A és de 50 nanosegons, mentre l’accés<br />
per la memòria tipus B, de major capacitat, és de 90 nanosegons. Quan un programa necessita dades<br />
primer va a buscar-les a la memòria ràpida, i si no les troba accedeix a memòria convencional (on<br />
segur que hi són). La memòria convencional té un temps d’accés de 1.200 nanosegons. Un<br />
programa típic dels executats al departament comporta:<br />
⇒ l’accés a memòria convencional un 20% dels cops en instal·lar la RAM tipus A.<br />
⇒ l’accés a memòria convencional un 10% dels cops en instal·lar la RAM tipus B.<br />
Addicionalment, el cost de la RAM tipus B és un 30% superior al cost de la RAM tipus A.<br />
La variable aleatòria que modelitza la mesura de valoració d’una RAM i segons els valors de la qual<br />
es prendrà la decisió de compra en favor del tipus A o del B, està definida com el temps d’accés mig<br />
d’un programa típic per el preu. Quina serà la decisió que prenguin els responsables del Centre de<br />
Càlcul ?<br />
3.22 El Gos de la Benzinera<br />
El dependent d’una benzinera té un gos que l’acompanya durant les seves hores de feina i té<br />
observat que el gos creua vàries vegades al dia el carrer on s’ubica la benzinera. Un estadístic<br />
client de l’establiment determina que el número de vegades que el gos creua la carretera<br />
durant una jornada laboral es pot modelitzar com una variable de Poisson, dita X ~ P (λ), on λ<br />
és el número mig de vegades que el gos creua el carrer diàriament. El gos cada matí comença la<br />
jornada de la banda de la benzinera, doncs acompanya l’amo des de casa.<br />
Es defineix una nova variable, Y amb els valors:<br />
0. Si el gos és a la banda de la benzinera en completar la jornada<br />
1. Si el gos és a l’altra banda del carrer en completar la jornada.<br />
⇒ Determineu la funció de probabilitat de la variable Y.<br />
⇒ Com s’interpreta el resultat quan λ augmenta indefinidament?<br />
Ajut: Considerar el desenvolupament en sèrie de Taylor de la funció cosinus hiperbòlic.<br />
3.23 Una Variable Aleatòria Esglaonada<br />
Pàg. 18 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Sigui X una variable aleatòria contínua amb una funció de densitat de probabilitat com es<br />
mostra en la figura, és a dir, amb valor constant [x 0 , x 01 ) i valor constant [x 01 , x 02 ]. L’àrea<br />
sota la funció de densitat en el primer bloc és π 1<br />
. Calculeu analíticament:<br />
⇒ La funció de densitat de probabilitat de X.<br />
⇒ La funció de distribució de X.<br />
⇒ L’esperança matemàtica de X.<br />
⇒ La variància de X.<br />
Apliqueu els anteriors resultats a una variable X que compleixi: x 0 = 0; x 01 = 18; x 02 = 24;<br />
P(X < x 01)=0.6<br />
f x<br />
x 0 x 01 x 02 X<br />
3.24 El Taller de Reparació d’Ordinadors<br />
Es considera un ordinador constituït per una CPU i una RAM. Una gran empresa es proveeix de<br />
dos fabricants F1 i F2. F1 aporta el 80% dels ordinadors i F2 el 20% restant. En el temps de<br />
posta en marxa es troba que les RAM del fabricant F1 són defectuoses en un 5%, i les CPU en<br />
un 2%. Pel fabricant F2, les RAM defectuoses són un 5% i les CPU un altre 5%. Considerem<br />
els esdeveniments:<br />
• A: CPU en bon estat.<br />
• B: RAM en bon estat.<br />
⇒ Calculeu les probabilitats P(A), P(B) i P(A ∩ B).<br />
⇒ Quina és la probabilitat que l’ordinador sigui de F2, si funciona després de la posta en<br />
marxa?<br />
⇒ Després de la posta en marxa, els ordinadors que s’espatllen són enviats a un taller<br />
especialitzat. Se sap que els operaris d’aquest taller han d’atendre una mitjana de 2<br />
ordinadors diaris i com a màxim podrien atendre 5 ordinadors en un dia. Calculeu la<br />
probabilitat que es col·lapsi el taller de reparacions un dia qualsevol.<br />
⇒ Quina és la probabilitat que els operaris estiguin una setmana laboral complerta de 5 dies<br />
sense feina?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 19
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
3.25 Un de Verificació de Propietats<br />
Sigui X una variable aleatòria absolutament convergent amb funció de densitat de probabilitat:<br />
⎧1+<br />
x<br />
f ( X<br />
x )= ⎪<br />
⎨ 12<br />
⎩⎪ 0<br />
2<br />
si 0< x < 3<br />
altrament<br />
⇒ Comproveu que f<br />
X<br />
( x) és efectivament una funció de densitat<br />
⇒ Determineu la funció de distribució de X, FX ( x) .<br />
⇒ Com és FX ( x) ? Com ha d’ésser forçosament i quina relació té amb f<br />
X<br />
( x) ?<br />
⇒ Si se sap que X > 1, trobeu la probabilitat que X sigui més gran que 2.<br />
⇒ Calculeu l’esperança i la variància de X.<br />
3.26 Les Aturades d’uns Sistemes de Control<br />
Dos sistemes de control electrònic funcionen independentment amb un cert número d’aturades<br />
diàries. Les lleis de probabilitat que segueixen les variables que compten aquestes aturades<br />
diàries per cadascun dels sistemes, dites X i X , són les següents:<br />
1 2<br />
X i pX<br />
( xi)<br />
p ( x )<br />
1 X2<br />
i<br />
0 0.07 0.1<br />
1 0.35 0.2<br />
2 0.34 0.5<br />
3 0.24 0.2<br />
⇒ Quina és la probabilitat que el sistema 1 tingui almenys 2 aturades un cert dia?<br />
⇒ Quina és la probabilitat que el número de aturades del sistema 1 sigui menor que el número<br />
d’aturades del sistema 2 en un cert dia?<br />
⇒ Quina és la probabilitat que hi hagi una sola aturada en un dia entre els dos sistemes?<br />
⇒ Quina és la probabilitat que el número d’aturades del sistema 1 sigui igual al número<br />
d’aturades del sistema 2?<br />
⇒ Existeix un equip de manteniment pels casos d’aturades que pot atendre fins a 5 casos en un<br />
dia. Calculeu la probabilitat que aquest equip es col·lapsi un cert dia.<br />
Pàg. 20 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
3.27 Les Avaries d’un Centre de Càlcul<br />
Un Centre de Càlcul dóna servei a una Universitat i detecta que hi han dos tipus d’avaries<br />
principalment en els terminals gràfics de les sales d’usuaris: tipus A i tipus B, diferents i<br />
independents. Se sap que en les sales d’usuaris es donen un promig de 1 avaria tipus B cada<br />
dues setmanes i 2 avaries tipus A a la setmana.<br />
⇒ Quina és la probabilitat que durant 3 setmanes no hi hagi cap avaria del tipus A?<br />
⇒ Quina és la probabilitat que durant 4 setmanes hi hagi menys de 3 avaries del tipus B?<br />
⇒ Quina és la probabilitat que durant les 4 darreres setmanes del curs hi hagi exactament 4<br />
avaries en total (tipus A o B)?<br />
⇒ Si en les 10 primeres setmanes del quadrimestre no hi ha hagut cap avaria. Quina és la<br />
probabilitat de que acabi el quadrimestre sense cap avaria ? Un quadrimestre són 14<br />
setmanes.<br />
⇒ Les darreres 4 setmanes han produït 3 avaries del mateix tipus. La probabilitat a priori<br />
d’ésser de tipus A és 2/3 i de tipus B 1/3. Quina és la probabilitat que les 3 avaries hagin<br />
estat totes del tipus A?<br />
⇒ Ara considerem que hi ha 10 sales d’usuaris amb terminals gràfics. Quina és la probabilitat<br />
de tenir, una determinada setmana, més de 4 d’aquestes sales amb 3 o més avaries?<br />
⇒ Si la Universitat disposés de 100 sales d’usuaris, amb quina probabilitat hi hauria entre 40 i<br />
60 sales amb 3 o més avaries cada setmana? Quin número de sales d’usuaris caldria tenir de<br />
reserva per substituir les que cada setmana esperem que tindrien aquest número d’avaries?<br />
3.28 Recanvis de Peces<br />
Un taller de reparacions ha controlat durant un cert temps les reparacions fetes sobre un<br />
determinat tipus de màquina que presenta una avaria simple (1 fallada) o doble (2 fallades). El<br />
taller s’ocupa d’anar reparant les fallades i si cal canviar la peça base. Els resultats del control<br />
mostren que un 40% de les reparacions eren per una avaria simple sense que calgui el canvi de la<br />
peça base, un 30% eren per una avaria simple però que requeria de canviar la peça, i de la resta<br />
que eren avaries dobles, n’hi havia igual nombre que havien necessitat el canvi de peça, com<br />
sense canvi.<br />
⇒ Quina és la funció de probabilitat de les variables, X: número de fallades i Y: canvi o no de<br />
peça i la llei conjunta d’ambdues variables ? És independent el número de fallades i el fet<br />
d’haver de canviar la peça?<br />
⇒ Quina és la probabilitat d’haver de canviar la peça base? I la probabilitat d’haver de canviar la<br />
peça si se sap hi han hagut 2 fallades?<br />
⇒ Si el taller obté la peça base per una reparació d’un magatzem on hi van 9 tallers més, quina<br />
és la probabilitat que més de 5 tallers hi vagin a buscar la peça per canviar, un dia que tots<br />
han rebut avís de reparació?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 21
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
⇒ El taller té una tarifa de preus establerta de 4.000 ptes pel transport, 2.000 ptes per cada<br />
fallada i 2.000 ptes més si hi ha hagut finalment canvi de peça. Quin és el valor esperat i la<br />
variabilitat del cost total d’una reparació?<br />
⇒ El taller també té calculats uns temps per a solucionar les reparacions: 1 hora pel transport i<br />
20 minuts per cada fallada a solventar (no hi ha temps addicional si ha hagut canvi de peça).<br />
Calculeu el valor esperat i la variabilitat del temps total d’una reparació.<br />
⇒ Doneu la funció de probabilitat conjunta del cost total i del temps emprat per les reparacions.<br />
Calculeu la probabilitat que una reparació costi 8.000 ptes si han trigat 80 minuts.<br />
3.29 Un de Descriptiva Bivariant<br />
Durant l’any 1.993 es van suïcidar 28.295 persones als Estats Units, on 21.786 eren homes. La<br />
via del suïcidi es pot classificar en quatre categories:<br />
I. Per armes de foc.<br />
II. Ingerint productes tòxics.<br />
III.Estrangulament<br />
IV.Altres.<br />
Se sap que 16.600 persones empraren vies de tipus I, 5.617 vies de tipus II i 3.931 vies de tipus<br />
III. A més, se sap que dels homes, un 6’688% fan triar altres vies i un 14’79% vies tipus III. De<br />
entre tots els qui es van enverinar, un 43’96% foren dones.<br />
⇒ Resumir la informació anterior en una taula de contingència.<br />
⇒ Estudiar la distribució de la via de suïcidi segons el gènere.<br />
⇒ Si disposem de la dada de un suïcidi per via III, què es pot dir del sexe de l’afectat? I si el<br />
suïcida fos dóna, quina hauria estat la via més probablement emprada?<br />
⇒ Si suposem que les variables són independents, i assumim que les distribucions marginals són<br />
idèntiques, quin és el número esperat de homes suïcidats per vies tipus I ? Quin és el número<br />
esperat de dones suïcidades per ingestió de verí?<br />
⇒ Observant els resultats dels anteriors apartats, sembla recolzable la hipòtesi d’independència<br />
entre les variables?<br />
3.30 El Concurs de Mèrits<br />
Un concursant ha de realitzar tres proves. La probabilitat de superar cadascuna d’elles és: 1/3<br />
per la primera prova i per les altres dues proves, 1/2 si va superar l’anterior i 1/4 si no va<br />
superar-la.<br />
⇒ Sigui X la v.a. número de proves superades. Dibuixar la seva funció de probabilitat i de<br />
distribució.<br />
Pàg. 22 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
⇒ Si el concursant ha superat dues proves, quina és la probabilitat que no hagi superat la<br />
segona ?<br />
⇒ Si el concursant ha superat la tercera prova, tindria la mateixa probabilitat d’haver superat la<br />
primera?<br />
⇒ Suposant que qui guanya el concurs té un increment en el seu sou anual funció del número<br />
de proves aprovades, i modelitzat per una nova variable aleatòria Y= 50 X<br />
2 , en mils de ptes.<br />
Quin és l’augment esperat del sou anual?<br />
⇒ Continuant amb l’apartat anterior se suposa que en el cas que no superi una prova ha de<br />
pagar les 3/4 parts del que porta guanyat i prenent com a criteri l’augment esperat, l’hi convé<br />
concursar a la tercera prova si ha guanyat les dues primeres ?<br />
3.31 Les Qües al Peatge<br />
L’arribada de vehicles al peatge de l’autopista A-16 segueix una llei de Poisson de tassa promig<br />
5 vehicles per hora entre les 3 i 5 h de la matinada dels dies feiners.<br />
⇒ Demostreu que la llei de la variable T, temps entre l’arribada de dos vehicles, segueix una<br />
distribució exponencial.<br />
⇒ Calculeu l’esperança i la variància de T.<br />
⇒ Si un cert dia no ha arribat cap vehicle entre les 3h i les 4h de la matinada. Quina és la<br />
probabilitat que no arribi cap vehicle entre les 4h i les 5h del mateix dia?<br />
⇒ En una setmana de cinc dies feiners, quina és la distribució de la variable que comptabilitza el<br />
número de dies feiners en els que no arriba cap vehicle entre les 3:00 h i 3:30 h de la<br />
matinada?<br />
3.32 Una Aplicació del Teorema Central del Límit<br />
Un programa d’ordinador realitzar la suma de 100 números reals prèviament arrodonits a l’enter<br />
més proper. Suposem que l’error d’arrodoniment es distribueix uniformement entre -1/2 i 1/2, i<br />
que els errors són mútuament independents. Calculeu quin és el rang de valors que pot prendre<br />
l’error de la suma amb una probabilitat de 0.99, entenen per error la discrepància entre la suma<br />
real sense arrodonir dels valors i la suma calculada pel programa.<br />
3.33 Un de Parell de Variables Discretes<br />
La següent taula conté la funció de probabilitat conjunta del parell de variables X i Y.<br />
Y\X -1 0 1<br />
-1 a 2a 3a<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 23
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
0 2a 4a 6a<br />
1 ab 4a 3ab<br />
⇒ Determineu les esperances de X i Y<br />
⇒ Determinar la llei conjunta del parell (S,M), amb S = ( X+Y ) i M = Màx ( X,Y ). Resumiu la<br />
resposta en una taula<br />
⇒ Sota quines condicions les variables X i Y són independents?<br />
3.34 Un Nou Parell de Variables Discretes<br />
La següent taula conté la funció de probabilitat conjunta del parell de variables X i Y.<br />
Y \ X -1 0 1<br />
-1 0 2a 3a<br />
0 2a 0 a<br />
1 3a a 0<br />
⇒ Determineu a, la llei de X i l’esperança de ( X + Y )<br />
⇒ Són X i Y independents?<br />
⇒ Determineu la llei de Z=(X-Y)<br />
⇒ Determineu la llei de S = Max ( X,Y )<br />
3.35 Més de Parell de Variables<br />
La següent taula conté la funció de probabilitat conjunta del parell de variables X i Y.<br />
Y vs. X x 1<br />
x 2<br />
x 3<br />
x 4<br />
y 1<br />
0.02 0.01 0.03 0.04<br />
y 2<br />
a 4a 0.05 0.06<br />
y 3<br />
0.09 0.05 0.1 0.05<br />
⇒ Calculeu els valors del paràmetre real positiu a.<br />
⇒ Calculeu la funció de probabilitat de la variable X i E(X).<br />
⇒ Calculeu E(X/Y=y 1 ).<br />
⇒ Calculeu E(XY) i COV(X,Y).<br />
⇒ Justifiqueu si X i Y són o no són estadísticament independents.<br />
3.36 Un Parell de Variables Uniformes i Discretes<br />
Siguin dues variables aleatòries independent, X 1 i X 2 , de llei uniforme sobre A:={0,1,2,3,4,5}.<br />
Pàg. 24 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
⇒ Determineu la llei de (X 1 -X 2 ) 2<br />
⇒ Determineu la llei de 6X 1 +X 2<br />
3.37 Parell de Variables Uniformes i Contínues<br />
Siguin dues variables aleatòries independents, X 1 i X 2 , de llei uniforme sobre [0,1]. Determineu la<br />
llei de X 1 +X 2 , la seva esperança i la seva variància.<br />
3.38 L’Espera a Correus<br />
Una oficina de correus té una finestreta que tracta dues categories d’operacions: reintegraments de<br />
diners i trameses de paquets. Es fan dues hipòtesis:<br />
I. Per tot interval de longitud T, en minuts, el número de persones que es presenten a la<br />
finestreta per sol·licitar un reintegrament segueix una variable aleatòria de Poisson, dita<br />
X a , de paràmetre aT (a>0).<br />
II. El número de persones que es presenten per trametre paquets es representa mitjançant<br />
una variable aleatòria X b que segueix una llei de Poisson de bT (b>0). Les variables<br />
aleatòries X a i X b són independents.<br />
⇒ Demostreu que la llei associada al número total de persones que es presenten a la finestreta és<br />
una llei de Poisson de paràmetre (a+b)T. Si a=0.4 i b=0.2. Quina és la probabilitat que cap client<br />
es presenti entre 10:00h i 10:05h ?<br />
⇒ Els operaris acaben la seva jornada laborat a les 19 hores, i per això l’oficina tanca les seves<br />
portes a les 18:45 hores. Se sap que en un cert dia hi ha una cua de n persones arribades entre les<br />
18:35 i les 18:45 hores. Determineu en funció de a, b i n, la llei de la variable aleatòria<br />
associada al número de persones de la cua que han vingut per un reintegrament.<br />
3.39 La Finestreta d’Atenció al Públic<br />
En una finestreta d’atenció al públic de mitjana hi arriben dues persones cada minut.<br />
⇒ Quina és la probabilitat que en un minut hi arribin més de dues persones?<br />
⇒ Quina és la probabilitat que en cinc minuts hi arribin menys de 13 persones?<br />
⇒ Quina és la probabilitat que passin cinc minuts sense que hi arribi ningú si ara no hi ha cap<br />
persona?<br />
⇒ Quina és la probabilitat que passin cinc minuts sense que hi arribi ningú si ara hi ha una persona?<br />
⇒ Quina és l’esperança del temps d’espera fins que arribi una altra persona quan ara n’hi acaba<br />
d’arribar una?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 25
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
3.40 La Tenda de Peixos<br />
El dependent d’una tenda d’animals domèstics disposa d’una peixera de grans dimensions amb<br />
peixos tropicals per a la venda al públic. El dependent enretira de la peixera els peixos que ven amb<br />
una petita xarxa on només cap un exemplar; però, cada intent de captura d’un animal no sempre<br />
resulta exitòs. El dependent sap:<br />
• En introduir la xarxa a la peixera, el dependent té una probabilitat p=0.6 de capturar un peix.<br />
• Si no es capturen grans quantitats de peixos de la peixera, la probabilitat p pot assumir-se<br />
constant al llarg de successius intents.<br />
• L’èxit o fracàs a cada intent és independent del resultat d’intents anteriors.<br />
⇒ Si arriba un client indecís a la tenda per comprar peixos tropicals i li demana els peixos que<br />
pugui capturar en 6 intents, quina és la llei de probabilitat de la variable aleatòria, X, número<br />
de peixos comprats per un client indecís ? Quin és el número esperat de peixos que s’endurà<br />
el client? Quina és la probabilitat que el client s’en vagi sense comprar cap peix?<br />
⇒ Si entra un client decidit que vol comprar 1 peix, quina és la llei de probabilitat de la variable<br />
aleatòria, Y, número d’intents necessaris per part del dependent per satisfer la comanda del<br />
client?<br />
⇒ Els clients indecisos entren a la tenda segons una llei de Poisson de paràmetre 4 clients per<br />
hora i els clients decidits segueixen una altra llei de Poisson, independent de l’anterior i de<br />
paràmetre 1 client per hora. Si entre les 10:00 i les 10:15 hores ha entrat un únic client a la<br />
botiga que ha comprat un únic peix, quina és la probabilitat que el individu sigui un client<br />
indecís?<br />
3.41 Un Viatge Transatlàntic<br />
Un avió surt de Xicago a les 21 hores (hora local), fa una escala tècnica a Islàndia i té anunciada<br />
l’arribada a Luxemburg a les 14:30 hores (hora local). La diferència horària entre Xicago i<br />
Luxemburg és de 6 hores. La durada del trajecte es pot descomposar en 3 durades a les quals se les<br />
pot associar 3 variables aleatòries normals mútuament independents, X, Y i Z:<br />
X: Durada del trajecte Xicago a Islàndia. N 1 (µ=240,s=25),<br />
Y: Durada de l’escala tècnica a Islàndia. N 2 (µ=45,s=10),<br />
Z: Durada del trajecte Islàndia a Luxemburg. N 3 (µ=420,s=40)<br />
Calculeu la probabilitat que l’hora d’arribada a Luxemburg difereixi de l’hora anunciada<br />
(14:30h) en menys de 15 minuts.<br />
3.42 El Tub de Rajos Catòdics<br />
Els tubs de rajos catòdics d’una terminal gràfica tenen una fina malla darrera la superfície visible<br />
que s’ha de tensar durant l’ensamblatge. Si es tensa massa, la malla es desgarra, mentre que si no es<br />
tensa prou, s’hi formen arrugues. La tensió a la que es sotmet aquesta malla es pot mesurar en<br />
Pàg. 26 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
miliVolts (mV) mitjançant un dispositiu electrònic. Actualment, la lectura de la tensió de successius<br />
tubs es distribueix segons una llei normal N(µ=275,s=43).<br />
La tensió mínima acceptable per tal que la malla no s’arrugui és de 200 mV. La tensió màxima que<br />
suporten aquestes malles sense trencar-se és de 375 mV.<br />
⇒ Calculeu la probabilitat que la malla s’arrugui.<br />
⇒ Si una malla s’ha arrugat, quina és la probabilitat que s’hi hagi aplicat una tensió inferior a<br />
175mV ?<br />
⇒ Quina és la probabilitat que una malla estigui en bones condicions ?<br />
⇒ Quina és la probabilitat que entre 5 tubs almenys 3 d’ells tinguin la malla en bones condicions?<br />
⇒ Sigui X la lectura de tensió en mV i µ = E(X). Quina és la tensió t tal que<br />
P( µ − t ≤ X ≤ µ + t) = 095? .<br />
3.43 Vida de Dispositius Electrònics<br />
La vida d’un dispositiu electrònic del tipus A segueix una llei exponencial de mitjana 1000 hores<br />
i la vida d’un dispositiu del tipus B segueix una llei normal de mitjana 1000 hores. La vida dels<br />
dispositius de tipus A pot considerar-se independent de la vida dels dispositius de tipus B.<br />
⇒ Calculeu la probabilitat que un dispositiu de tipus A duri almenys 1000 hores.<br />
⇒ Quina és la probabilitat que un dispositiu de tipus B duri almenys 60.000 minuts?<br />
⇒ Quin dispositiu escolliríeu?<br />
⇒ Per tal d’augmentar la fiabilitat d’un sistema que requereix d’un dispositiu electrònic es<br />
decideix de col·locar en paral·lel un dispositiu tipus A i un altre tipus B. Quina és la<br />
probabilitat que el sistema funcioni després de 1.000 hores?<br />
⇒ Quin és el valor de la variància de la vida d’un dispositiu del tipus B si se sap que la<br />
probabilitat que duri més de 500 hores és 0.9993.<br />
3.44 El Creuament de Trens<br />
Dos trens de llarg recorregut surten dels seus respectius orígens A i B a les 16:00 hores<br />
diàriament. El trajecte entre ambdues estacions és de via única, excepte a l’abaixador C; de<br />
manera que els trens efectuen el creuament sense perill. La maniobra de creuament la regula<br />
manualment el cap d’estació i se sap que està molt atent fins a les 20:00 hores, moment en que<br />
encèn el televisor i minva la seva percepció fins el 50%.<br />
El tren que surt de l’estació A arriba l’abaixador C en promig desprès de 3h 28’54’’, i la durada<br />
es distribueix normalment amb desviació tipus de 20 minuts. El tren que surt de l’estació B<br />
arriba a l’abaixador C en promig després de 3h27’36’’, i la durada també es distribueix<br />
normalment amb una desviació tipus de 20 minuts.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 27
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
⇒ Definiu quines són les lleis de probabilitat associades a les durades del trajectes dels trens des<br />
de l’estació de partida fins C. Quina és la probabilitat que el tren A arribi abans de les 19:00<br />
hores a l’abaixador C? I la probabilitat que el tren B hi arribi abans de les 18:30 hores?<br />
⇒ Quin és el risc que hi hagi un accident?<br />
⇒ Si el recorregut es fa diàriament, quina és la probabilitat que després d’una setmana s’hagi<br />
produït algun accident?<br />
⇒ I quina és la probabilitat que després de 200 dies s’hagi produït algun accident?<br />
⇒ Si un dia donat no va haver-hi cap accident, quina és la probabilitat que els trens arribessin<br />
després de les 20:00 hores a l’abaixador C?<br />
3.45 La Màquina d’Emplenar Caramels<br />
Una màquina d’emplenar bosses de caramels diposita en cada bossa una quantitat en pes de<br />
caramels que pot considerar-se distribuït segons una llei normal, de manera que el 33% de<br />
bosses emplenades contenen més de 81.76 g de caramels i només el 0.6% de les bosses contenen<br />
un pes de caramels inferior a 69.96 g.<br />
⇒ Quin són els paràmetres que defineixen la variable aleatòria X, quantitat de caramels per<br />
bossa (en g)?<br />
⇒ Si es trien 10 bosses a l’atzar, quina és la probabilitat que 5 bosses pesin més de 80 g i 5<br />
bosses menys de 80 g? Justificar la formulació.<br />
⇒ Si es trien 100 bosses a l’atzar, quina és la probabilitat de trobar-ne com a mínim 40 amb un<br />
pes superior a 80 g? Justificar la formulació.<br />
3.46 La Normal Truncada<br />
La vida en hores de certs tubs electrònics té per densitat de probabilitat la funció:<br />
2<br />
⎧<br />
x<br />
−<br />
⎪ 80000<br />
f x ke x<br />
X<br />
( )= ⎨<br />
≥ 200<br />
⎩⎪ 0 x < 200<br />
Un aparell de tipus A conté 100 tubs i requereix pel seu funcionament d’almenys 65 tubs actius.<br />
Un aparell de tipus B conté 20 aparells tipus A i requereix de més de 10 aparells tipus A actius.<br />
Respongueu a les següents preguntes relacionades amb l’anterior enunciat:<br />
⇒ Comproveu que el valor k que fa que l’anterior funció sigui una densitat de probabilitat ben<br />
definida és k = 1 on F 200 2π F Y ( − 200)<br />
Y<br />
( −200 ) indica el valor de la funció de distribució<br />
2<br />
Y≈ N µ = 0, σ = 40000 , en el punt y = -200.<br />
d’una variable aleatòria normal, ( )<br />
Pàg. 28 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
⇒ Expresseu la constant k en termes de la funció de distribució de la variable normal, Z,<br />
2<br />
Z≈ N µ = 0, σ = 1 .<br />
centrada i reduïda, ( )<br />
⇒ Calculeu la probabilitat que un tub tingui una vida activa superior a 250 hores.<br />
⇒ Calculeu la probabilitat que un aparell tipus A funcioni almenys 250 hores. En cas de no<br />
haver resolt l’apartat anterior, suposeu que té per solució una probabilitat p = 0.7.<br />
⇒ Calculeu en un determinat aparell tipus B, en funcionament actual des de fa més de 250 hores,<br />
quin és el nombre màxim d’aparells tipus A que estaran actius amb una probabilitat del 90%?<br />
3.47 Les Alçades en Matrimonis<br />
La distribució conjunta del parell d’alçades en un matrimoni segueix una llei normal bivariant,<br />
de manera que l’alçada de les dones té una mitjana de 169.82 cm i una desviació tipus de 5 cm i<br />
l’alçada dels marits té una mitjana de 176.5 cm i una desviació tipus de 5.5 cm; la correlació<br />
entre ambdues variables és 0.51.<br />
⇒ Quina és la covariància entre les alçades dels marits i les mullers?<br />
⇒ Quina és la probabilitat que una dona sigui més alta que un home, independentment que<br />
formin un matrimoni?<br />
⇒ Expressar la probabilitat que tots dos membres d’un matrimoni tinguin una alçada superior als<br />
180 cm, suposant que f<br />
XY<br />
( x, y) nota la funció de densitat conjunta de les alçades dels<br />
membres d’un matrimoni.<br />
⇒ Si a un sopar assisteixen 10 matrimonis que constitueixen una mostra aleatòria simple de la<br />
població de referència, quina és la probabilitat que el marit sigui més alt que la dona en<br />
almenys 8 parelles de les que estan presents al sopar?<br />
3.48 Les Ampolles d’Oli<br />
Una empresa disposa de 3 línies d’envasat automàtic d’ampolles d’oli d’oliva. Els continguts de<br />
les ampolles emplenades per la línia A, la B i la C són, respectivament, variables aleatòries<br />
yA , yB i yC<br />
distribuïdes segons lleis normals de paràmetres:<br />
yA µ<br />
A<br />
= 998 cm σ<br />
A<br />
= 15 . cm<br />
yB µ<br />
B<br />
= 1000 cm σB<br />
= 0.<br />
8 cm<br />
y µ = 1001 cm σ = 0.<br />
5 cm<br />
3 3<br />
3 3<br />
3 3<br />
C C C<br />
Es preparen caixes de dos tipus, C1 i C2, amb 6 ampolles per caixa, de manera que en les caixes<br />
de C1 hi han 2 ampolles de la línia A, 3 de la B i 1 de la C, mentre a les caixes C2 hi han 2<br />
ampolles de la línia A i 4 de la C. Una ampolla es considera defectuosa si el seu contingut és<br />
inferior a 999 cm cúbics i una caixa és defectuosa si conté alguna ampolla defectuosa.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 29
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
⇒ Quina és la probabilitat de tenir un contingut total d’oli d’una caixa tipus C2 superior al<br />
contingut d’una caixa tipus C1?<br />
⇒ Quin contingut total mínim pot garantir-se per una caixa C1 amb un risc d’error del 2%?<br />
⇒ Si triem a l’atzar 150 ampolles de la línia A, quina és la probabilitat de tenir-ne més de 100 de<br />
defectuoses?<br />
⇒ Quina és la probabilitat de tenir entre 10 caixes del tipus C2 triades a l’atzar almenys una de<br />
defectuosa?<br />
3.49 Les Empreses d´Estudis de Mercat<br />
Una empresa A que es dedica als estudis de mercat té un volum de facturació mensual distribuit<br />
normalment amb un valor mig de 220 kEuros i desviació tipus de 20 kEuros (variable aleatòria<br />
X). L’empresa B, que es la competència de l’empresa A en el sector de sondejos sobre nous<br />
productes alimentaris, factura en promig mensualment 205 kEuros amb una desviació tipus de 20<br />
kEuros (variable aleatòria Y) i també es pot considerar que la seva facturació mensual segueix<br />
una distribució normal.<br />
Els estudis de mercat tenen una demanda estacional i per tant no és d’estranyar que la facturació<br />
mensual de les dues empreses estigui correlacionada positivament amb una magnitud de 0,815.<br />
L’empresa A està desenvolupant una política agresiva de preus adreçada a l’eliminació de<br />
l’empresa B del sector, en un moment en que passa per una crisi directiva notable. Totes dues<br />
empreses necessiten de facturar com a mínim 200 kEuros mensuals per cubrir despeses i a més<br />
per satisfer els seus accionistes haurien d’obtenir beneficis durant més de 8 mesos l’any..<br />
1. Calculeu la covariància entre les dues variables aleatòries que representen les facturacions<br />
mensuals de les dues empreses.<br />
2. Quina és la probabilitat de que durant l’any en curs (12 mesos) els accionistes de l’empresa B<br />
acabin insatisfets de la seva inversió? Indicar clarament l’ús fet de les taules.<br />
3. Se sap que l’empresa B ha començat amb mal peu l’any i la política de l’empresa A la<br />
perjudica enormement. Quina és la probabilitat que l’empresa B hagi d’arribar al setembre<br />
(inclòs) per haver cobert despeses durant 3 mesos?<br />
4. Finalment, quin és el número de mesos que en 10 anys cap esperar que l’empresa B no<br />
obtingui beneficis? I quin és el número de mesos màxim que en 10 anys no obté beneficis<br />
amb un risc d’equivocar-nos del 5% ?<br />
3.50 Un de Propietats Bàsiques<br />
Sigui X una variable aleatòria contínua que modelitza el temps d’espera a la caixa d’un<br />
supermercat (en minuts) i que té per funció distribució:<br />
Pàg. 30 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
F<br />
( x)<br />
X<br />
=<br />
⎧ 0 x ≤ 0<br />
⎪<br />
05 . x 0< x ≤1<br />
⎪<br />
⎨ 05 . 1< x ≤ 2<br />
⎪025 . x 2< x ≤ 4<br />
⎪<br />
⎩⎪<br />
1 x > 4<br />
1. Dibuixeu la funció de distribució de la variable aleatòria X.<br />
2. Calculeu (justificadament) l’expressió de la funció densitat de probabilitat de la variable<br />
aleatòria X. Dibuixeu-la.<br />
3. Si se sap que x > 1, calculeu la probabilitat que x > 3.<br />
4. Calculeu l’esperança matemàtica de la variable aleatòria X.<br />
3.51 Un altre de propietats bàsiques en un parell de v.a.<br />
Siguin X i Y un parell de variables aleatòries discretes amb una funció de probabilitat conjunta<br />
p XY Y=1 Y=2<br />
X = 1 1/4 1/6<br />
X = 2 1/8 1/12<br />
X = 3 a b<br />
• Calculeu els valors dels paràmetres a i b per tal que l’anterior representa una llei de<br />
probabilitat conjunta. Sota quines condicions són independents X i Y?<br />
• Dibuixeu la funció de distribució de la variable aleatòria X.<br />
• Si se sap que X = 2 , calculeu la probabilitat que Y =1.<br />
• Calculeu l’esperança matemàtica de la variable aleatòria Y, en general i sota condició<br />
d´independència.<br />
3.52 Les Malalties Tropicals<br />
Tot continuant amb la malaltia tropical, els experts tenen constància que en Sud-est Asiàtic, X:<br />
la incidència de la malaltia (casos/mil hab), té una mitjana de 2 casos/mil hab i té una<br />
2<br />
N µ , σ .<br />
distribució normal ( )<br />
1. Quina és la desviació tipus σ de la variable aleatòria X, sabent que EX ( 2 ) = 401 . ?<br />
2. Quina és la probabilitat d´incidència entre 1.98 i 2.02 casos/mil hab ? Quina és la probabilitat<br />
d´incidència superior a 2.2 casos/mil hab?<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 31
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
3. En els poblats amb incidència entre 1.98 casos/mil hab i 2.02 casos/mil hab es planeja fer un<br />
estudi de detall. Quina és la probabilitat de disposar de com a mínim 5 poblats adequats per<br />
l’estudi de detall en una subàrea geogràfica de fàcil accés que conté 10 poblats? I en una àrea<br />
més extensa que conté 100 poblats?<br />
4. L’objectiu de la OMS (Organització Mundial de la Salut) consisteix en reduir la probabilitat<br />
d´una incidència superior als 2.02 casos/mil hab a un 25%. Per això és necessari de millorar<br />
les condicions sanitàries, tot uniformitzant l´accès a l’aigua potable, és a dir, reduint la<br />
variància de la v.a. X. Quin és el valor màxim de la variància que es correspon amb l´objectiu<br />
descrit?<br />
3.53 Per Pensar ...<br />
Raoneu què han de complir forçosament dos esdeveniments d’un espai de probabilitat que siguin<br />
alhora incompatibles i independents.<br />
Pàg. 32 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4. INDICACIÓ DE LA RESOLUCIÓ DELS PROBLEMES<br />
4.1 Els daus vermell i blau.<br />
X : Dau blau<br />
Y : Dau vermell<br />
a) b) X+Y≥8<br />
Y<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
Y<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
1 2 3 4 5 6 X<br />
1 2 3 4 5 6 X<br />
c) X-Y≥3 d) 1≤X≤2 o 1≤Y≤2<br />
Y<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
Y<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
1 2 3 4 5 6 X<br />
1 2 3 4 5 6 X<br />
e) A∩B∩<br />
C ?<br />
A∩( B∩C ) = A∩(<br />
B∪C ) = A∪B∪C<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 33
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
A∪B∪ C = { X≥ 8−Y} ∪{ X≥ Y+ 3} ∪ { 1≤ X≤ 2} ∪ { 1≤ Y≤<br />
2}<br />
A∪B∪C és:<br />
Y<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
I per tant, A∪B∪ C = {( 33 , ),( 34 , ),( 43 , )}<br />
4.2 Independència i probabilitat.<br />
1 2 3 4 5 6 X<br />
a) Sigui P(A)=1/3<br />
A i A són independents si P(A ∩ A) = P(A) ⋅ P(A)<br />
P(A ∩ A) = P( ∅)<br />
= 0<br />
P(A) = 1/3 ⇒<br />
P(A) = 1⇒<br />
P(A) = 1- P(A)<br />
b) Sigui P(A)=1<br />
P(A ∩ A) = P( ∅)<br />
= 0<br />
P(A) = 1- P(A)<br />
4.3 Boles de colors.<br />
⎫<br />
⎬ ⇒ 0 ≠ 2/9 ⇒ no són independents.<br />
= 1-1/3 = 2/3⎭<br />
⎫<br />
⎬ ⇒ 0 ≡ 0 ⇒ són independents.<br />
= 1-1 = 0⎭<br />
3V<br />
4/11<br />
V 2<br />
S 1<br />
7N<br />
0.3<br />
V 1<br />
7/11<br />
N 2<br />
S 2<br />
3V<br />
0.7<br />
N 1<br />
3/11<br />
V 2<br />
7N<br />
Definim l’esdeveniment: A= V a S 2<br />
8/11<br />
N 2<br />
Pàg. 34 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
P(A) = P(V V ) P(N V ) P(V ) P V V<br />
P(N ) P V 1∩ 2<br />
+<br />
2<br />
1∩ 2<br />
2<br />
=<br />
1<br />
⋅<br />
⎛⎜ ⎞⎟ +<br />
⎝ ⎠<br />
1<br />
⋅<br />
⎛⎜ ⎞⎟ ⎝ N<br />
= ⎠<br />
= 03 . × 4 11<br />
+ 07 . × 3 = 12 . 11 11<br />
+ 21 . 11<br />
= 33 . 11<br />
= 03 .<br />
1<br />
1<br />
4.4 Daus de colors.<br />
Tenim 7R (vermells), 5A (grocs) i 3V(verds). ⇒ en total tenim 15 daus.<br />
7 5 3<br />
a) P(R1∩A 2<br />
∩ V<br />
3) = P(R<br />
1) ⋅P(A 2) ⋅ P(V<br />
3)<br />
= ⋅ ⋅ = 0.0311<br />
15 15 15<br />
↓<br />
son independents<br />
b) P(R A V ) P(R ) P A V R<br />
P(R ) P A R<br />
P V 1∩ 2<br />
∩<br />
3<br />
=<br />
2 3<br />
2<br />
3<br />
1<br />
⋅<br />
⎛⎜ ∩ ⎞⎟ =<br />
⎝ ⎠<br />
1<br />
⋅<br />
⎛⎜<br />
⎞⎟ ⋅<br />
⎛⎜ ⎞⎟ ⎝ ⎠ ⎝ R ∩ A<br />
= ⎠<br />
7 5 3 1<br />
= ⋅ ⋅ = =<br />
15 14 13 26<br />
0.<br />
0384615<br />
1<br />
1<br />
1 2<br />
4.5 Independència dos a dos; independència mútua.<br />
Siguin els següents esdeveniments:<br />
• A= {1r. número senar}<br />
• B= {2r. número parell}<br />
• C= {números amb la mateixa paritat}<br />
2<br />
3 9 1⎫<br />
P(A ∩ C) = { els dos senars}<br />
= = = ⎪<br />
36 36 4<br />
⎪<br />
18 1<br />
⎪<br />
P(A) = =<br />
⎬<br />
36 2<br />
⎪<br />
18 1<br />
⎪<br />
P(C) = =<br />
36 2<br />
⎪<br />
⎭<br />
9 1⎫<br />
P(A ∩ B) = =<br />
36 4⎪<br />
1 ⎪<br />
P(A) =<br />
⎬ ⇒ A i B independents.<br />
2 ⎪<br />
1 ⎪<br />
P(B) =<br />
2 ⎭<br />
⎪<br />
⇒<br />
A i C independents.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 35
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
2<br />
3 9<br />
P(B ∩ C) = { els dos parells}<br />
= = =<br />
36 36<br />
18 1<br />
P(B) = =<br />
36 2<br />
18 1<br />
P(C) = =<br />
36 2<br />
1⎫<br />
⎪<br />
4<br />
⎪<br />
⎪<br />
⎬<br />
⎪<br />
⎪<br />
⎪<br />
⎭<br />
⇒<br />
B i C independents.<br />
P(A ∩B ∩ C) = P(A) ⋅ P(B) ⋅ P(C) ?<br />
P(A) P(B) P(C) = 1 1 ⎫<br />
⋅ ⋅ =<br />
3 ⎪ 1<br />
2 8 ⎬ ⇒ ≠ 0 ⇒ no mutuament independents.<br />
8<br />
P(A ∩B ∩C) = P( ∅) = 0 ⎭<br />
⎪<br />
4.6 Un d’oposicions.<br />
El conjunt de resultats és Ω = “conjunt de 5 temes del mateix bloc (AC/LSI) que poden<br />
sortir”<br />
Considerem els esdeveniments :<br />
• A= “aprovar l’oposició”<br />
• LSI= “surten els temes de LSI”<br />
• AC= “surten els temes de AC”<br />
Clarament Ω= LSI ∪ AC<br />
a) P(A) = P(A ∩ LSI) + P(A ∩ AC) = P(A LSI) ⋅ P(LSI) + P(A AC) ⋅ P(AC)<br />
⎧P(AC) = 20 50 = 2 / 5<br />
on ⎨<br />
donat que només depèn de l’elecció del primer tema.<br />
⎩P(LSI) = 30 50 = 3/ 5<br />
Ara cal trobar la P(A/LSI) i P(A/AC):<br />
• P(A/LSI) = P(dels 5 temes escollits de LSI, 4 són dels estudiats pel candidat) + P(dels 5 temes<br />
escollits de LSI, tots ells han estat estudiats pel candidat) =<br />
=<br />
⎛10⎞<br />
20<br />
⎜ ⎟ ⋅ ⎛ ⎝ 4 ⎠ ⎝ ⎜ ⎞<br />
⎟<br />
1 ⎠<br />
⎛ 30⎞<br />
⎜ ⎟<br />
⎝ 5 ⎠<br />
⎛10⎞<br />
⎜ ⎟<br />
⎝ 5 ⎠<br />
+ =<br />
⎛ 30⎞<br />
⎜ ⎟<br />
⎝ 5 ⎠<br />
210 × 20 + 252<br />
142506<br />
= 0.<br />
03124<br />
• P(A/AC) = P(dels 5 temes escollits de AC, 4 són dels estudiats pel candidat) + P(dels 5 temes<br />
escollits de AC, tots ells han estat estudiats pel candidat) =<br />
Pàg. 36 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
=<br />
⎛ 5 15<br />
⎜ ⎞ ⎝ 4⎠ ⎟ ⋅ ⎛ ⎝ ⎜ ⎞<br />
⎟<br />
1 ⎠<br />
⎛ 20⎞<br />
⎜ ⎟<br />
⎝ 5 ⎠<br />
⎛5<br />
⎜ ⎞ ⎝5⎠ ⎟<br />
+<br />
⎛ 20⎞<br />
⎜ ⎟<br />
⎝ 5 ⎠<br />
5 15 1<br />
= × + = 0.<br />
004901<br />
15504<br />
Finalment tenim que: P(A) = 0.03124 ⋅ 3 / 5+ 0.004901⋅ 2 / 5 = 0.0207047<br />
P(LSI / A) =<br />
b) Directament aplicant la fórmula de Bayes:<br />
P(A / LSI) ⋅ P(LSI)<br />
P(A)<br />
0.03124 ⋅ 3/ 5<br />
=<br />
= 0.905<br />
0.0207047<br />
4.7 Parells de nombres aleatoris.<br />
Ω={(i,j) tals que i=0..9, j=0..9⎬ aleshores #Ω=100<br />
Considerem n parells i tenim Ω n .<br />
Casos possibles → 10 2n<br />
Definim els successos A: Almenys un parell igual<br />
B i : El parell i és igual<br />
( )<br />
P(A) = 1- P(cap parell igual) = 1−P(B 1∩... ∩B n)<br />
⎫⎪<br />
P(B ) 10 1 100 10<br />
P(B ) 1 1 9 ⎬ P(A) 1 1 1 10<br />
i<br />
= = ⇒ i = −<br />
10<br />
= 10 ⎭⎪ ⇒ = − −<br />
⎧n = 10 0,6513<br />
Calculem per: ⎨<br />
⎩n = 50 0,9948<br />
n<br />
4.8 El dau de tres cares.<br />
Definim l’esdeveniment A: guanyar i ens preguntem quant val P(A).<br />
Si surt un 3 → guanyes<br />
sinó repetir fins obtenir el resultat de la primera tirada → guanyes<br />
si surt un 3 → perdem<br />
Ω={3 , 12 i 1 , 12 i 3 , 21 i 2 , 21 i 3}<br />
{ }<br />
A = 3<br />
1<br />
i<br />
{ }<br />
i<br />
{ }<br />
A = 12 1 tq. i ≥ 0<br />
2<br />
A = 21 2 tq. i ≥ 0<br />
3<br />
⎫<br />
⎪<br />
⎬ ⇒ A = A ∪A ∪ A<br />
⎪<br />
⎭<br />
1 2 3<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 37
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
2 3 4<br />
2 3 4<br />
1 ⎡ 1 1 1 1 1 1 1 1 1<br />
P(A) = + ⎛ ...<br />
...<br />
3 ⎝ ⎜ ⎞ 3⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ 3⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ 3⎠ ⎟ ⎤<br />
⎢<br />
+ ⎥<br />
⎣⎢<br />
⎦⎥ + ⎡ ⎛ ⎝ ⎜ ⎞ 3⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ 3⎠ ⎟ + ⎛ ⎝ ⎜ ⎞ 3⎠ ⎟ ⎤<br />
⎢<br />
+ ⎥<br />
⎣⎢<br />
⎦⎥ = 3<br />
+ 6<br />
+ 6<br />
=<br />
14444 244443<br />
successio geometrica<br />
de rao 1/3<br />
∞<br />
ak<br />
1/9<br />
∑ an<br />
= = = 1/6<br />
1 − r 1 − 1/3<br />
n=<br />
k<br />
2<br />
3<br />
4.9 El parc natural.<br />
Fem el següent diagrama d’arbre:<br />
10/19<br />
B<br />
9/10<br />
B<br />
9/19<br />
A<br />
→<br />
1/10<br />
A<br />
→<br />
Sigui C l’esdeveniment C : el cérvol X està a A al final<br />
P(A)=P(X no surt de A) + P(X surt i el retornen)=1/10+9/19*9/10=100/190<br />
4.10 Un de dos jugadors.<br />
U 1 = (60B,40N)<br />
U 2 = (40B,60N)<br />
a) L’arbre de probabilitats és:<br />
6/10<br />
B (U 1 ) 12/60=P(ω 1 )<br />
2/6<br />
{1,2}<br />
4/10<br />
N (U 1 ) 8/60=P(ω 2 )<br />
4/6<br />
{3,4,5,6}<br />
4/10<br />
B (U 2 ) 16/60=P(ω 3 )<br />
6/10<br />
N (U 2 ) 24/60=P(ω 4 )<br />
Pàg. 38 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
b) Calculem les dues probabilitats:<br />
2 6 4 4<br />
P(B) = P(B ∩ U ) + P(B ∩ U ) P(U ) P B P(U ) P B<br />
2<br />
=<br />
1<br />
⋅<br />
⎛ ⎞ ⎛ ⎞<br />
⎜ U ⎟ +<br />
2<br />
⋅ ⎜ = ⋅ + ⋅<br />
1<br />
U ⎟<br />
⎝ ⎠ ⎝ 2 ⎠ 6 10 6 10<br />
1<br />
=<br />
2 4 4 6<br />
P(N) = P(N ∩ U ) + P(N ∩ U ) P(U ) P N P(U ) P N<br />
2<br />
=<br />
1<br />
⋅<br />
⎛ ⎞ ⎛ ⎞<br />
⎜ U ⎟ +<br />
2<br />
⋅ ⎜ = ⋅ + ⋅<br />
1<br />
U ⎟<br />
⎝ ⎠ ⎝ 2 ⎠ 6 10 6 10<br />
c) Tenim 4 possibles estratègies, calculem la probabilitat de cada una:<br />
P<br />
⎛ U P(B U )<br />
1 1<br />
⎜ ⎞ ∩<br />
⎟<br />
⎝ B<br />
= =<br />
⎠ P(B)<br />
P<br />
⎛⎜ U B<br />
P U 1 ⎞⎟ = 1− 1<br />
⎝<br />
⎛ ⎠ ⎝ ⎜ ⎞⎟ B<br />
= ⎠<br />
P<br />
⎛ U P(N U )<br />
1 1<br />
⎜ ⎞ ∩<br />
⎟<br />
⎝ N<br />
= =<br />
⎠ P(N)<br />
P<br />
⎛⎜ U N<br />
P U 1 ⎞⎟ = 1− 1<br />
⎝<br />
⎛ ⎠ ⎝ ⎜ ⎞⎟ N<br />
= ⎠<br />
Per tant, si la bola és<br />
1<br />
=<br />
P(U ) P B 1<br />
⋅<br />
⎛⎜<br />
⎞⎟<br />
⎝ U1<br />
⎠<br />
P(B)<br />
4<br />
7<br />
4.11 Els tres jugadors.<br />
P(U ) P N 1<br />
⋅<br />
⎛⎜<br />
⎞⎟<br />
⎝ U1<br />
⎠<br />
P(N)<br />
3<br />
4<br />
⎧blanca direm urna 2<br />
⎨<br />
⎩negra direm urna 2<br />
12 60 12<br />
= = =<br />
28 60 28<br />
860 8<br />
= = =<br />
32 60 32<br />
3<br />
7<br />
1<br />
4<br />
28<br />
60<br />
32<br />
60<br />
Definim els esdeveniments:<br />
A ij : guanyar el jugador i en l’instant j i=1..3<br />
A i : guanyar el jugador i<br />
P(A ) 6<br />
11<br />
= 11<br />
6 5 4 3 6<br />
P(A<br />
1) = P(A11∪ A<br />
12) = P(A<br />
11) + P(A<br />
12)<br />
= + ⋅ ⋅ ⋅ =<br />
11 11 10 9 8<br />
5 6 5 4 3 2 6<br />
P(A<br />
2) = P(A21∪ A<br />
22) = P(A<br />
21) + P(A<br />
22)<br />
= ⋅ + ⋅ ⋅ ⋅ ⋅ =<br />
11 10 11 10 9 8 7<br />
5 4 6 5 4 3 2 1 6 19<br />
P(A<br />
3) = P(A31∪ A<br />
32) = P(A<br />
31) + P(A<br />
32)<br />
= ⋅ ⋅ + ⋅ ⋅ ⋅ ⋅ ⋅ =<br />
11 10 9 11 10 9 8 7 6 154<br />
13<br />
22<br />
2<br />
7<br />
Per tant, el jugador amb més possibilitats de guanyar és el primer.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 39
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
4.12 La malària.<br />
• Un símptoma:<br />
P S1 E1<br />
⋅ P(E1) + P S1 E2<br />
⋅ P(E2) + P ⎛⎜ S1 ⎞⎟ ⎝<br />
P<br />
E1∩<br />
E2<br />
E1 ⎠<br />
⋅ ⎛⎜ ⎞⎟ ⎝ E2 ⎠<br />
=<br />
=(0.55+0.25)·0.18+(0.14+0.32)·0.09+(0.06+0.03)·0.73=0.2511<br />
P(S2)=(0.25+0.12)·0.18+(0.32+0.42)·0.09+(0.03+0.08)·0.73=0.2135<br />
• Els dos símptomes:<br />
P(S1∩S2)=0.25·0.18+0.32·0.09+0.03·0.73=0.0957<br />
• Algun símptoma:<br />
P(S1∪S2)=P(S1)+P(S2)-P(S1∩S2)=0.3689<br />
• Un símptoma però no l’altre:<br />
P(S1)= ( ) ( )<br />
P(S1∩S2 )=P(S1∪S2)-P(S2)=0.1554<br />
P(S2∩ S1)=P(S1∪S2)-P(S1)=0.1178<br />
• Cap símptoma:<br />
• ( )<br />
P( S )=1-P(S1∪S2)=0.634<br />
( )<br />
P E1 P(E1∩<br />
S1) P S1 E1<br />
⋅ P(E1) 0.8⋅<br />
0.18<br />
S1<br />
=<br />
=<br />
= = 0.5735<br />
P(S1) P(S1) 0.2511<br />
• ( ) P E1 S2<br />
=<br />
0.37 ⋅ 0.18<br />
0.2511<br />
• P⎛⎜ E1 ⎞⎟ ⎝ S1∩<br />
S2 ⎠<br />
=<br />
• P⎛⎜ E1 ⎞⎟ ⎝ S1∩<br />
S2 ⎠<br />
=<br />
• ( )<br />
P E1 S1<br />
∩ S2<br />
• P⎛⎜ ⎝<br />
E1 ⎞⎟ S ⎠<br />
=<br />
P E1 S 1∪<br />
S2<br />
• ( )<br />
=<br />
0.08⋅<br />
0.18<br />
0.6311<br />
= 0.<br />
3119<br />
0.55⋅<br />
0.18<br />
0.1554<br />
0.12 ⋅ 0.18<br />
0.1178<br />
0.25⋅<br />
0.18<br />
0.0957<br />
= 0.<br />
0228<br />
4.13 La malària altre cop.<br />
= 0.<br />
6371<br />
= 01834 .<br />
= 0.<br />
4702<br />
(0.55+ 0.25+ 0.12) ⋅ 0.18<br />
=<br />
= 0.<br />
4489<br />
0.3689<br />
• Un símptoma:<br />
P S1 E1<br />
⋅ P(E1) + P S1 E2<br />
⋅ P(E2) + P ⎛⎜ S1 ⎞⎟ ⎝<br />
P<br />
E1∩<br />
E2<br />
E1 ⎠<br />
⋅ ⎛⎜ ⎞⎟ ⎝ E2 ⎠<br />
=0.2511<br />
P(S1)= ( ) ( )<br />
Pàg. 40 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
P(S2)=(0.25+0.12)·0.18+(0.32+0.42)·0.09+(0.03+0.08)·0.73=0.2135<br />
• Els dos símptomes:<br />
P(S1∩S2)=0.25·0.18+0.32·0.09+0.03·0.73=0.0957<br />
• Algun símptoma:<br />
P(S1∪S2)=P(S1)+P(S2)-P(S1∩S2)=0.3689<br />
• Un símptoma però no l’altre:<br />
P(S1∩S2 )=P(S1∪S2)-P(S2)=0.1554<br />
P(S2∩ S1)=P(S1∪S2)-P(S1)=0.1178<br />
• Cap símptoma:<br />
• ( )<br />
P E2 S1<br />
• ( )<br />
P E2 S2<br />
P( S )=1-P(S1∪S2)=0.634<br />
( )<br />
P S1 E2<br />
⋅<br />
=<br />
P(E2)<br />
=<br />
P(S1)<br />
( )<br />
0.46⋅<br />
0.09<br />
0.2511<br />
P S2 E2<br />
⋅ P(E2) 0.74 ⋅ 0.09<br />
=<br />
=<br />
P(S2) 0.2135<br />
= 0.1649<br />
= 0.<br />
3119<br />
• P⎛⎜ E2 ⎞⎟ ⎝ S1∩<br />
S2 ⎠<br />
=<br />
P⎛⎜<br />
S1 ∩ S2 ⎞⎟ ⎝ E2 ⎠<br />
⋅ P(E2)<br />
P(S1∩<br />
S2)<br />
=<br />
0.14 ⋅ 0.09<br />
0.1554<br />
= 0.<br />
08108<br />
• P E2 P⎛⎜<br />
S1 ∩ S2 ⎞⎟ E2<br />
P(E2)<br />
⎛⎜ ⎞ ⎝ ⎠<br />
⋅<br />
⎟<br />
⎝ S1∩<br />
S2 ⎠<br />
=<br />
=<br />
P(S1∩<br />
S2)<br />
• ( )<br />
P E2 S1<br />
∩ S2<br />
=<br />
0.32 ⋅ 0.09<br />
0.0957<br />
• P E2 P⎛⎜<br />
S ⎞⎟ E2<br />
P(E2)<br />
⎛⎜ ⎞ ⎝ ⎠<br />
⋅<br />
⎟<br />
⎝ S ⎠<br />
=<br />
=<br />
P(S)<br />
• ( )<br />
P E2 S1<br />
∪ S2<br />
(<br />
∪<br />
)<br />
= 0.<br />
30094<br />
0.12 ⋅ 0.09<br />
0.634<br />
P S1 S2 E2<br />
⋅<br />
=<br />
P(E2)<br />
=<br />
P(S1∪<br />
S2)<br />
0.42 ⋅ 0.09<br />
0.1178<br />
= 0.<br />
01703<br />
0.88⋅<br />
0.09<br />
0.3689<br />
= 0.<br />
3209<br />
= 0.<br />
2147<br />
4.14 La rotllana de nens.<br />
Sigui X: nen i Y: nena. Tenim (1X,3Y),(4X,2Y),(5X,5Y)<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 41
<strong>Problemes</strong><br />
6/11<br />
X<br />
w 1<br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
(1,3)(4,2)(5,5)<br />
1/4<br />
X<br />
5/7<br />
2/7<br />
X<br />
Y<br />
5/11<br />
5/11<br />
Y<br />
X<br />
w 2<br />
w 3<br />
(0,4)(4,2)(6,4)<br />
(1,3)(5,1)(4,6)<br />
6/11<br />
Y<br />
w 4<br />
(0,4)(5,1)(5,5)<br />
6/11<br />
X<br />
w 5<br />
(2,2)(3,3)(5,5)<br />
3/4<br />
Y<br />
4/7<br />
3/7<br />
X<br />
Y<br />
5/11<br />
5/11<br />
Y<br />
X<br />
w 6<br />
w 7<br />
(1,3)(3,3)(6,4)<br />
(2,2)(4,2)(4,6)<br />
6/11<br />
Y<br />
w 8<br />
(1,3)(4,2)(5,5)<br />
a) B 0 : mantenir proporcions dels sexes<br />
1<br />
B 0 = {w 1 ,w 8 } → P(B ) = 5 6<br />
4<br />
⋅ 3 3<br />
7<br />
⋅ 6<br />
0<br />
11<br />
+ 4<br />
⋅ 7<br />
⋅ 11<br />
= 0 . 2727<br />
b) Sigui A : Treure nen<br />
Definim B 1 = {w 2 ,w 4 }, B 2 = {w 3 ,w 6 }, B 3 = {w 5 ,w 7 } aleshores Ω = B 0 ∪B 1 ∪B 2 ∪B 3<br />
1 2 5 1 2 6<br />
P ( B 1<br />
) = ⋅ ⋅ + ⋅ ⋅ = 0.12013<br />
4 7 11 4 7 11<br />
1<br />
P(B ) = 2 5<br />
4<br />
⋅ 3 4<br />
7<br />
⋅ 5<br />
2<br />
11<br />
+ 4<br />
⋅ 7<br />
⋅ 11<br />
= 0 . 2273<br />
3<br />
P(B ) = 4 6<br />
4<br />
⋅ 3 3<br />
7<br />
⋅ 5<br />
3<br />
11<br />
+ 4<br />
⋅ 7<br />
⋅ 11<br />
= 0 . 3799<br />
P(A) = P ⎛ A B<br />
P(B ) P A B P(B ) P A B<br />
P(B ) P A 0<br />
1<br />
2<br />
B<br />
P(B<br />
3)<br />
⎝ ⎜ ⎞⎟ ⋅ + ⎛ ⎠ ⎝ ⎜ ⎞⎟ ⋅ + ⎛ ⎠ ⎝ ⎜ ⎞⎟ ⋅ + ⎛ ⎠ ⎝ ⎜ ⎞⎟ ⋅ = ⎠<br />
0<br />
1<br />
1 1<br />
= ⋅ 0.2727 + 0 ⋅ 0.12013 + ⋅ 0.2273 + ⋅ 0.3799 = 0.31495<br />
4<br />
4 2<br />
1<br />
2<br />
3<br />
Pàg. 42 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4.15 El venedor de llibres.<br />
0.5<br />
Eixample<br />
0.8<br />
0.2<br />
Vendre<br />
No vendre<br />
0.25<br />
Gràcia<br />
0.4<br />
0.6<br />
Vendre<br />
No vendre<br />
V : vendre<br />
NV : no vendre<br />
E : Eixampla<br />
G : Gràcia<br />
C : Les Corts<br />
0.25<br />
Les Corts<br />
0.6<br />
Vendre<br />
0.4<br />
No vendre<br />
a) P(V)?<br />
P(V)=P(V/E)P(E)+P(V/G)P(G)+P(V/C)P(C)=0.8*0.5+0.4*0.25+0.6*0.25=0.65<br />
b) S: número de setmanes en què ha venut algun llibre aquest mes. ≈ B(4, 0.65)<br />
4 3<br />
P(S≥2)=1−P(S ≤ 1) = 1−f (0) − f (1) = 1−0.35 −4 ⋅0.65⋅ 0.35 = 0.8735187<br />
1) P(E / NV)<br />
2) P(G / NV)<br />
c) Recordem que P( •/ NV) =<br />
P(NV / E)P(E)<br />
= =<br />
P(NV)<br />
P(NV / G)P(G)<br />
= =<br />
P(NV)<br />
S<br />
S<br />
P(NV / •)P(•)<br />
P(NV)<br />
02 . ⋅ 05 .<br />
= 0.<br />
2857<br />
035 .<br />
06 . ⋅ 025 .<br />
= 0.<br />
4286<br />
035 .<br />
P(NV / C)P(C) 04 . ⋅ 025 .<br />
3) P(C / NV) = = = 0.<br />
2857<br />
P(NV) 035 .<br />
Notem que la suma de les tres probabilitats suma 1.<br />
A la vista dels resultats, és més probable que hagi anat a Gràcia.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 43
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
d)<br />
0.5<br />
0.25<br />
E1<br />
G1<br />
1/3<br />
1/3<br />
E2<br />
G2<br />
0.25<br />
C1<br />
1/3<br />
C2<br />
Definim C: coincidir en un districte<br />
Coincidir almenys un cop durant dues setmanes = A =<br />
CC ∪ CC ∪ CC<br />
P(A)=1-P( CC )=1-P( C)·P(C) (per independència entre setmanes)<br />
C = E1·E2 ∪ G1·G2 ∪ C1·C2 (disjunts)<br />
P(C) = P(E1·E2) + P(G1·G2) + P(C1·C2) = P(E1)·P(E2) + P(G1)·P(G2) + P(C1)·P(C2) =<br />
= 1/6+1/12+1/12=1/3<br />
P(A)=1-(1-1/3)(1-1/3)=5/9<br />
4.16 Els productes farmacèutics.<br />
a) Definim els següents esdeveniments:<br />
P1 : Fabricació via procediment 1<br />
P2 : Fabricació via procediment 2<br />
D : Peça defectuosa<br />
Hem de calcular P⎛⎜<br />
⎝<br />
P2 ⎞⎟<br />
D ⎠<br />
Fem-ho per arbre:<br />
0.01<br />
D<br />
w 1<br />
0.25<br />
0.75<br />
P1<br />
P2<br />
0.99<br />
0.1<br />
D<br />
D<br />
w 2<br />
w 3<br />
P⎛<br />
P2 P(P2 D) 0.675<br />
⎜ ⎞ ∩<br />
⎟<br />
⎝<br />
0.732<br />
D ⎠<br />
= = =<br />
P(D) 0.9225<br />
{ }<br />
P(D) = P( w ,w ) = 0.25⋅ 0.99 + 0.75⋅ 0.9 = 0.9225<br />
2 4<br />
{ }<br />
P(P2 ∩ D) = P( w ) = 0.75⋅ 0.9 = 0.675<br />
4<br />
0.9<br />
D<br />
w 4<br />
Per Bayes:<br />
Pàg. 44 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
P⎛⎜ ⎝<br />
P2 ⎞⎟ D ⎠<br />
=<br />
P⎛⎜<br />
D ⎞⎟ ⎝ P2 ⎠<br />
⋅ P(P2)<br />
P⎛⎜ D ⎞⎟ ⎝ P1 P(P1) P D ⎠<br />
⋅ + ⎛ ⎝ ⎜ ⎞⎟ P2 ⎠<br />
⋅ P(P2)<br />
=<br />
09 . ⋅ 075 .<br />
025 . ⋅ 099 . + 075 . ⋅09<br />
.<br />
= 0.<br />
732<br />
A priori:<br />
P⎛⎜ D ⎞⎟ ⎝ P1<br />
0.99 P D ⎠<br />
= ⎛⎜ ⎞⎟ ⎝ P2 ⎠<br />
= 0.9 P(P1) = 0.25 P(P2) = 0.75<br />
b) Sigui A: Extreure com a màxim 1 peça defectuosa entre 10.<br />
A 0 : Treure cap peça defectuosa<br />
A 1 : Treure 1 peça defectuosa<br />
D i : Treure una peça defectuosa en i-èssima posició i la resta de les 10 peces no defectuoses.<br />
P(A)=P(A 0 )+P(A 1 )<br />
P(A 0 )=P( D) 10 =0.9225 10 =0.446<br />
1 2 10 i 9<br />
P(A ) = P(D ∪D ∪... ∪ D ) = 10⋅ P(D ) = 10 ⋅(1−P(D)) ⋅ P(D) = 10⋅0.0775⋅ 0.9225 = 0.375<br />
1<br />
P(A)=0.446+0.375=0.821<br />
c) X : v.a. número de peces defectuoses en 2 extraccions amb reposició.<br />
P(D)=0.0775<br />
2<br />
P([X = 2 ])<br />
= 0.0775 = 0.006<br />
⎫<br />
2<br />
⎪<br />
P([X = 0 ])<br />
= 0.9225 = 0.851<br />
⎬ verifica ∑ p<br />
X(x i) = 1<br />
x<br />
P([X = 1 ] = 0.0775⋅0.9225 + 0.9225⋅0.0775 = 0.143⎪<br />
i<br />
⎭<br />
[ ]<br />
∑<br />
E X = p (x ) = 0⋅ p (0) + 1⋅ p (1) + 2 ⋅ p (2) = 0.143+ 2 ⋅ 0.006 = 0.155<br />
x i<br />
X<br />
i<br />
X X X<br />
4.17 Un de monedes trucades.<br />
(75E , 25C) on E : moneda equilibrada i C : moneda 2 cares.<br />
a) Sigui A : Moneda trucada i B : surt (C,C) en 2 llançaments consecutius.<br />
• Fent-ho per Bayes:<br />
PA ( ) = 025 . PA ( ) = 075 .<br />
⎫<br />
⎪<br />
⎧<br />
( )<br />
P( C A) 1 P ( X ⎪<br />
P<br />
A)<br />
B A<br />
= 1 P ⎛⎜ B ⎞⎟ ⎝ A ⎠<br />
= 0<br />
⎪<br />
= = 0 ⎬ a priori tambe ⎨<br />
P C 05 P<br />
A<br />
X ⎪<br />
⎪P ⎛⎜ B ⎞⎟ 1/4 P<br />
05<br />
A<br />
B 3/4<br />
⎛⎜ ⎞⎟ . .<br />
A<br />
⎝ ⎠<br />
= ⎛⎜ ⎞ ⎝ ⎠<br />
= ⎛⎜ ⎞⎟ ⎝ ⎠<br />
=<br />
⎟ ⎝ A ⎠<br />
= ⎪<br />
⎩<br />
⎭<br />
( )<br />
P A B<br />
( )<br />
( )<br />
P B A<br />
⋅ P(A)<br />
1⋅<br />
1<br />
=<br />
4<br />
P B A<br />
⋅ P(A) + P⎛ B =<br />
A P(A) 1<br />
⎝ ⎜ ⎞⎟ ⎠<br />
⋅ ⋅ + ⋅<br />
1 4<br />
1 4<br />
3 4<br />
7 16<br />
1 4<br />
4<br />
= = = 0.5714<br />
7<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 45
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
• Fent-ho amb arbre:<br />
P(w i )<br />
0.25<br />
A<br />
C<br />
1 1<br />
C<br />
w 1<br />
0.25<br />
0.5<br />
C<br />
w 2<br />
3/16<br />
0.75<br />
0.5<br />
C<br />
A<br />
0.5<br />
0.5<br />
X<br />
C<br />
w 3<br />
w 4<br />
3/16<br />
3/16<br />
0.5<br />
X<br />
0.5<br />
X<br />
w 5<br />
3/16<br />
{ }<br />
A∪ B= w → P(A∪ B) = 1/4<br />
1<br />
{ }<br />
B = w ,w → P(B) = 1/ 4 + 3/ 16 = 7 / 16<br />
P( A B)<br />
1 2<br />
P(A ∩ B) 1/4 4<br />
= = =<br />
P(B) 7/16 7<br />
b) Sigui A : Moneda trucada i B : surt (C,...,C) en 10 llançaments consecutius.<br />
A priori:<br />
( )<br />
P A B<br />
=<br />
( ) ⋅ P(A) P( B A)<br />
⋅ P(A)<br />
1⋅<br />
1<br />
=<br />
4<br />
P(B) P( B ) ( )<br />
A<br />
⋅ P(A) + P⎛ B =<br />
A P(A) 1<br />
⎝ ⎜ ⎞⎟ ⎠<br />
⋅<br />
P B A<br />
⋅ + ⋅<br />
1 4<br />
1 2<br />
10<br />
10<br />
=<br />
3 4<br />
2 + 3<br />
0.997<br />
12 =<br />
2<br />
Pàg. 46 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4.18 Els despatxos<br />
A : Està en el despatx 9<br />
1/2<br />
Sí<br />
1/9<br />
1/9<br />
C1<br />
C2<br />
C9<br />
1/2<br />
No<br />
B : No està en els 8 primers despatxos (A∩B = A)<br />
a) P(A)=P(Sí)·P(C9)=1/2·1/9=1/18<br />
b) ( ) P A B<br />
=<br />
P(A ∩ B)<br />
P(B)<br />
4.19 Loteria a l’escola.<br />
1 18 1<br />
1<br />
= = P(B)<br />
10<br />
= 1 1<br />
2<br />
⋅ 9<br />
+ 2<br />
=<br />
10 18<br />
a) Ω = { números de 4 xifres }<br />
ω : succés elemental P(ω)=10 -4<br />
b) X : v.a.”benefici net per algú que compri un número”<br />
X i : x 0 500.000-1.000 = 499000<br />
x 1 50.000-1.000 = 49000<br />
x 2 5.000-1.000 = 4000<br />
x 3 1.000-1.000 = 0<br />
x 4 0-1.000 = -1000<br />
P X<br />
( x 0<br />
) = 10 -4<br />
10 -3<br />
P X<br />
( x 1<br />
) = = 10<br />
10000<br />
P X<br />
( x 2<br />
) = 10 -2<br />
P X<br />
( x 3<br />
) = 10 -1<br />
P X<br />
( x 4<br />
) = 1-10 -4 -10 -3 -10 -2 -10 -1 = 1-0.1111 = 0.9999<br />
c) Benefici net : esperança X<br />
E[X] = x ⋅ ( x ) = 499000·10 -4 +49000·10 -3 +4000·10 -2 -1000·0.9999 =<br />
∑<br />
= 49.9+49+40-999.9 = -750<br />
i<br />
i<br />
P X i<br />
10<br />
18<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 47
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
4.20 La caseta de la Fira.<br />
X : Número de blancs obtinguts quan prob. encert inicial és p.<br />
1º tir 2º tir . X<br />
2<br />
1-p 0 ( 1− p )<br />
0<br />
0<br />
1-p<br />
p 1 ( 1− p)<br />
p 1<br />
P (<br />
p<br />
1<br />
encert 2º encert 1º)<br />
P (errrada 2º<br />
1− p<br />
2<br />
1+ p<br />
2<br />
encert 1º)<br />
0<br />
1<br />
(1 − p)<br />
1+<br />
p<br />
= p + =<br />
2 2<br />
1+<br />
p 1−<br />
p<br />
= 1−<br />
=<br />
2 2<br />
( 1− pp )<br />
2<br />
( 1+ pp )<br />
2<br />
1<br />
2<br />
X P X<br />
( x i<br />
)<br />
p=0.8 p=0.2<br />
0<br />
2<br />
( 1− p )<br />
0.2 2 =0.04 0.8 2 =0.64<br />
1<br />
2<br />
3<br />
2 ( 1−<br />
pp )<br />
3<br />
2<br />
1<br />
2 ( 1+<br />
pp )<br />
1<br />
2<br />
08 . ⋅ 02 . = 024 . 3<br />
2<br />
18 . ⋅ 08 . = 072 . 1<br />
2<br />
02 . ⋅ 08 . = 024 .<br />
⋅ 12 . ⋅ 02 . = 012 .<br />
X no és una binomial perquè no es pot considerar com la repetició de 2 experiències de<br />
Bernoulli, doncs la probabilitat d’encert no és constant en les 2 experiències.<br />
Si p=0.8 E[X]=1.68 blancs<br />
Si p=0.2 E[X]=0.48 blancs<br />
4.21 La memòria d’accés ràpid.<br />
A cache (50 ns) B cache (90 ns)<br />
0,8<br />
0,2<br />
cache+ ( 50 + 0,1 cache+ ( 90 +<br />
RAM 120 ns)<br />
RAM 1200 ns)<br />
0,9<br />
Cost “X”<br />
T A : temps accés amb cache A<br />
Cost “1,3·X”<br />
T B : temps accés amb cache B<br />
E[T A ] = 50·0.8+1250·0.2 = 240 ns<br />
E[T B ] = 90·0.9+1290·0.1 = 210 ns<br />
Coeficient cost de A = 240·X<br />
Coeficient cost de B = 210·1.3·X = 273·X<br />
Per tant, la cache que interessa és la B.<br />
Pàg. 48 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4.22 El gos de la benzinera.<br />
Sigui X : Nombre de vegades en un dia que el gos creua el carrer ⇒ X ~ P (λ)<br />
⎧Y = 0 Gos a la benzinera<br />
Y: ⎨<br />
⎩Y = 1 Altrament<br />
P(Y=0) = P(X parell) = P(X=0)+P(X=2)+...<br />
P(Y=1) = P(X senar) = P(X=1)+ P(X=3)+...<br />
∞<br />
∞ i<br />
−<br />
λ<br />
e + e e<br />
P(X parell)= P( X = i)<br />
= e = e cosh =e - ( ) = +<br />
−λ −λ λ<br />
1<br />
∑ 2 ∑<br />
λ<br />
( 2i)!<br />
2 2<br />
i = 0<br />
i = 0<br />
2 λ λ −2λ<br />
Y P Y (y i )<br />
1+ e −2λ<br />
0<br />
Si λ →∞ ⎧ P(Y = 0) =<br />
⎨<br />
2<br />
⎩ P(Y = 1) =<br />
1− e −2λ<br />
1<br />
2<br />
4.23 Una variable aleatòria esglaonada.<br />
1 2<br />
1 2<br />
f x<br />
Π 1 Π 2<br />
x 0 x 01 x 02 X<br />
P( X
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
E[X] = π<br />
π<br />
1<br />
1<br />
1<br />
( x 01 + x 0 ) + − ( x 02 + x<br />
01 )<br />
2<br />
2<br />
01 0 2<br />
( x − x ) 1 π 02 01<br />
V(X) = π<br />
1<br />
+ − ( x − x )<br />
12 12<br />
1 2<br />
0 01 02<br />
Cas x = 0, x = 18, x = 24, π<br />
1<br />
= 06 . :<br />
06 . 1<br />
EX [ ] = ⋅ + − 06 .<br />
( 12)<br />
⋅ ( 42) = 3. 6 + 8.<br />
4 = 12<br />
2 2<br />
06 . 2 04 .<br />
VX ( ) = ⋅ 18 + ⋅ =<br />
12 12 6 2<br />
( )<br />
174 .<br />
4.24 El taller de reparacions d’ordinadors.<br />
Computador<br />
⎧1 CPU<br />
⎪<br />
⎨ +<br />
⎩<br />
⎪1 RAM<br />
F1→ 80% computadors<br />
F2→ 20% computadors<br />
Sigui A: “CPU en bon estat”<br />
Sigui B: “RAM en bon estat”<br />
0,8<br />
0,2<br />
⎧RAM defectuoses 5%<br />
F1 ⎨<br />
⎩ CPU defectuoses 2%<br />
⎧RAM defectuoses 5%<br />
F2 ⎨<br />
⎩ CPU defectuoses 5%<br />
0,98 CPU<br />
RAM<br />
0,95<br />
0,05<br />
CPU<br />
F1 0,98 CPU<br />
F2<br />
O bé més simple:<br />
0,05 RAM<br />
0,95<br />
0,95<br />
RAM<br />
RAM<br />
0,05<br />
CPU<br />
0,95 CPU<br />
0,05<br />
0,95<br />
0,05<br />
CPU<br />
CPU<br />
CPU<br />
0,8<br />
0,2<br />
F1<br />
F2<br />
0,98<br />
0,02<br />
0,95<br />
0,05<br />
CPU<br />
CPU<br />
CPU<br />
CPU<br />
Pàg. 50 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
a) P(A)=0.8·0.98+0.2·0.95=0.974<br />
P(B)=0.8·0.95+0.2·0.95=0.95<br />
P(A ∩ B)=0.8·0.95·0.98+0.2·0.95·0.95=0.9253<br />
b)<br />
i) P(F1 / A ) ?<br />
P (F1 ∩ A)<br />
P(F1 / A)<br />
=<br />
P(A)<br />
03 . ⋅ 002 . 0.<br />
016<br />
= = = 0.<br />
615<br />
1 − 0.<br />
974 0.<br />
026<br />
ii) P(F2 / Funciona) ? F = "computador funciona" = {CPU, RAM}<br />
P(F2 / F) =<br />
P(F2 ∩ F) 02 . ⋅095 . ⋅095<br />
.<br />
=<br />
= 0195 .<br />
P(F)<br />
08 . ⋅095 . ⋅ 098 . + 02 . ⋅095 . ⋅095<br />
.<br />
x<br />
λ<br />
c) X Taller<br />
∼ ℘ ( 2) λ = 2 ℘ ( X = x)<br />
=<br />
x!<br />
e<br />
Taller<br />
P( X > 5) = 1 − P(<br />
X ≤ 5) = 1 − 0. 983 = 0.<br />
017<br />
Taller<br />
Taller<br />
↑<br />
Taules<br />
d) T entre reparacions<br />
∼ Exp(2) λ=2 f ( T<br />
x )= λe<br />
entre reparacions<br />
+∞<br />
−2<br />
] ]<br />
− t − t t<br />
−<br />
PT (<br />
reparacions<br />
> 5) = λe λ dt= − e λ =− e = 0+ e = e<br />
entre<br />
∞<br />
∫<br />
5<br />
5<br />
+∞<br />
5<br />
10 −10<br />
−λ<br />
− λ x<br />
4.25 Un de verificació de propietats.<br />
x<br />
∫<br />
−∞<br />
f<br />
X<br />
( x)=<br />
⎧1+<br />
x<br />
⎪<br />
⎨ 12<br />
⎩⎪ 0<br />
a) f ( t)<br />
dt = 1<br />
0<br />
∞<br />
∫<br />
−∞<br />
X<br />
2<br />
?<br />
si 0< x < 3<br />
altrament<br />
2<br />
(1 + t )<br />
dt = 1 ⎛<br />
t + t ⎞<br />
⎜<br />
12 ⎝ ⎠<br />
⎟ ⎤ ⎦ ⎥ = 1 ⎛<br />
⎝<br />
⎜ + ⎞<br />
⎟ =<br />
12 3 12 3 27<br />
1<br />
3 ⎠<br />
3 3<br />
∫<br />
b) F x<br />
X ( ) ?<br />
x<br />
3<br />
⎛ t ⎞<br />
x<br />
f<br />
X<br />
() t dt = ( + t ) dt = ⎜ t +<br />
x<br />
⎝ ⎠<br />
⎟ ⎤ 3<br />
1<br />
⎦ ⎥ = ⎛<br />
⎜<br />
⎝<br />
+ ⎞<br />
∫<br />
⎟<br />
12 1 2 1<br />
1<br />
12 3 12 3 ⎠<br />
0<br />
3<br />
0<br />
x<br />
0<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 51
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
c) P( X> 2 X> 1)<br />
=<br />
P(X > 2) 1 P X 2) 1<br />
1<br />
2<br />
8<br />
= − ( ≤ = − 12 ( + 3 )<br />
PX ( > 1)<br />
1−<br />
P(X ≤1)<br />
1− ( 1+<br />
)<br />
1 12<br />
1 3<br />
∞<br />
3<br />
2 4<br />
1<br />
⎛ ⎞<br />
EX = ⋅ = + = ⎜ +<br />
⎝ ⎠<br />
⎟ ⎤ 3 1 t t<br />
⎦ ⎥ = 1 ⎛ 9<br />
⎜<br />
⎝<br />
+ 81⎞<br />
∫t f<br />
X<br />
() t dt ∫( t t ) dt<br />
⎟ =<br />
12<br />
12 2 4 12 2 4 ⎠<br />
d) [ ]<br />
−∞<br />
0<br />
3<br />
0<br />
99<br />
48<br />
4.26 Les aturades d’uns sistemes de control.<br />
a) Probabilitat que el sistema 1 tingui almenys 2 aturades en un cert dia.<br />
P(X 1 ≥2) = P(X 1 =2) ∪ P(X 1 =3) = P(X 1 =2)+P(X 1 =3) = 0.34+0.24 = 0.58<br />
↑<br />
P(A∪B)=P(A)+P(B) (successos disjunts)<br />
Com que són sistemes independents (⇒ variables independents) podem trobar la funció<br />
de probabilitat conjunta.<br />
⇓<br />
PX , X<br />
( x1, x2) = PX ( x1) ⋅ PX<br />
( x2)<br />
1 2 1 2<br />
X X 2<br />
1<br />
0 1 2 3<br />
0 0.007 0.014 0.035 0.014<br />
1 0.035 0.07 0.175 0.07<br />
2 0.034 0.068 0.17 0.068<br />
3 0.024 0.048 0.12 0.048<br />
b) Probabilitat ( nº parades s1 < nº parades s2 )<br />
P(X 1
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4.27 Les avaries d’un centre de càlcul.<br />
Exercici pel lector.<br />
4.28 Recanvis de peces.<br />
Exercici pel lector.<br />
4.29 Un de descriptiva bivariant.<br />
Exercici pel lector.<br />
4.30 El concurs de mèrits.<br />
Exercici pel lector.<br />
4.31 Les cues al peatge.<br />
Exercici pel lector.<br />
4.32 Una aplicació del teorema central del límit.<br />
e i<br />
∼ U[ −1 1<br />
2 2 ]<br />
Se =<br />
100<br />
∑ e i<br />
i=<br />
1<br />
, i=1,..,100 independents.<br />
⎧E[ ei<br />
] = 0<br />
⎪<br />
1 1<br />
on ⎨<br />
2<br />
3 2<br />
2 u ⎤ 1 1 1<br />
V( ei<br />
) = u du=<br />
⎥ = + =<br />
⎩⎪<br />
−∫<br />
1 3 ⎦ 24 24 12<br />
−1 2<br />
2<br />
ℵ 0,σ = pel Teorema Central del Límit.<br />
2<br />
Aproximem Se per<br />
100<br />
( 12 )<br />
X∼ ℵ ( 0,<br />
25<br />
)<br />
( X z)<br />
3<br />
: error aproximar suma de 100 números.<br />
⎛<br />
P ( k k) F ( k) F ( k) F ( k)<br />
F k ⎞<br />
- ≤ X ≤ = 099 . =<br />
X<br />
−<br />
X<br />
− = 2⋅ X<br />
− 1= 2⋅<br />
X ⎜ ⎟ − 1= 099 . ⇒<br />
25<br />
⎝ 3 ⎠<br />
⇒ F<br />
⎛ k<br />
X<br />
= 0.995<br />
⎝ ⎜ ⎞<br />
⎟<br />
25 3 ⎠<br />
P ≤ = 0.<br />
995<br />
Busquem z’ tal que P( z)<br />
Z ≤ ' = 0.<br />
995 si Z ∼ℵ (0,1) ⇒ z' = 2.575 = k ⇒ k = z'<br />
×<br />
25 3<br />
25 3<br />
4.33 Un parell de variables discretes.<br />
Y\X -1 0 1<br />
-1 a 2a 3a 6a<br />
0 2a 4a 6a 12a<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 53
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
1 ab 4a 3ab 4a+4ab<br />
3a+ab 10a 9a+3ab 1<br />
Condicions: 6a + 12a + 4a + 4ab= 1 → 22a + 4ab = 1 → a( 22 + 4b)<br />
= 1 i a ≥ 0,<br />
b ≥ 0<br />
1- 22a<br />
1 22 22<br />
Si per exemple, a=1/100 → b = = − = 25 − = 19. 5 .<br />
4 a 4 a 4 4<br />
a) EY [ ] = ∑ yi ⋅ PY ( yi)<br />
= − 1× 6a + 0+ 1× ( 1− 18a ) = − 6a + 1− 18a = 1−<br />
24a<br />
yi<br />
E[ X ] = ∑ xi ⋅ PX ( xi)<br />
=− 13 ( a + ab) + 0+ 19 ( a + 3ab)<br />
=−3a − ab + 9a + 3ab = 6a + 2ab<br />
=<br />
xi<br />
1 4 a<br />
22 1 1 4 2 2<br />
= 6a + 2a( − ) = 6a + − 11a = −5a<br />
b)<br />
X Y S=X+Y M=Sup(X+Y) P XY (x i ,y i )<br />
-1 -1 -2 -1 a<br />
-1 0 -1 0 2a<br />
-1 1 0 1 ab<br />
0 -1 -1 0 2a<br />
0 0 0 0 4a<br />
0 1 1 1 4a<br />
1 -1 0 1 3a<br />
1 0 1 1 6a<br />
1 1 2 1 3ab<br />
S P S (s i )<br />
-2 a<br />
-1 4a<br />
0 ab+4a+3a=7a+ab<br />
1 10a<br />
2 3ab=(3-66a)/4<br />
M P M (m i )<br />
-1 a<br />
0 8a<br />
1 1-9a<br />
S M (x i ,y i ) P SM<br />
( s i<br />
, m i<br />
)<br />
-2 -1 (-1,-1) a<br />
-2 0 - 0<br />
-2 1 - 0<br />
Pàg. 54 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
-1 -1 - 0<br />
-1 0 (-1,0),(0,-1) 4a<br />
-1 1 - 0<br />
0 -1 - 0<br />
0 0 (0,0) 4a<br />
0 1 (-1,1),(1,-1) 3a+ab<br />
1 -1 - 0<br />
1 0 - 0<br />
1 1 (0,1),(1,0) 10a<br />
2 -1 - -<br />
2 0 - -<br />
2 1 (1,1) 3ab<br />
22a+4ab=1 si b =<br />
1 4 a −<br />
22 8<br />
S<br />
M -1 0 1<br />
-2 a 0 0<br />
-1 0 4a 0<br />
0 0 4a 3a+ab<br />
1 0 0 10a<br />
2 0 0 3ab<br />
c) Quan són independents?<br />
Si b=2 a=1/30 les files i les columnes són múltiples entre sí.<br />
-1 0 1<br />
Y X<br />
-1 130 230 330 630<br />
0 230 430 630 12 30<br />
1 230 430 630 12 30<br />
530 10 30 15 30<br />
4.34 Un nou parell de variables.<br />
Y<br />
X -1 0 1<br />
-1 0 2a 3a 5a<br />
0 2a 0 a 3a<br />
1 3a a 0 4a<br />
5a 3a 4a 12a=1<br />
Condició: 12a = 1 → a = 112<br />
X Y S=X+Y M=Max(X,Y P X+Y (x i ,y i ) X-Y<br />
)<br />
-1 -1 -2 -1 0 0<br />
-1 0 -1 0 2a -1<br />
-1 1 0 1 3a -2<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 55
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
0 -1 -1 0 2a 1<br />
0 0 0 0 0 0<br />
0 1 1 1 a -1<br />
1 -1 0 1 3a 2<br />
1 0 1 1 a 1<br />
1 1 2 1 0 0<br />
Una forma abreujada d’escriure aquesta taula és:<br />
X+Y P X+Y<br />
-2 0<br />
-1 4a<br />
0 6a<br />
1 2a<br />
2 0<br />
EX [ ] = [ ] 5 12<br />
EX+Y [ ] = EX [ ] + [ ]<br />
EY = − + 4 = − 1 12 12<br />
EY = −1 6 = − 2 ·0 −1·4<br />
+ 0·6 + 1·6 + 1·2 +<br />
12 12 12 12<br />
2· 0<br />
b) X i Y són independents?<br />
P XY (-1,-1)=0 P X (-1)=5a P Y (-1)=5a però 25a 2 ≠ 0 ⇒ no independents.<br />
c) Distribució Z = X-Y<br />
d) Distribució D = max(X,Y):<br />
Z=X-Y<br />
P Z<br />
-2 3a<br />
-1 3a<br />
0 0<br />
1 3a<br />
2 3a<br />
D<br />
P D<br />
-1 0<br />
0 4a<br />
1 8a<br />
4.35 Més de parells de variables.<br />
Exercici pel lector.<br />
4.36 Un parell de variables uniformes i discretes.<br />
{ }<br />
PX ( xi) = 1 PX ( x<br />
1 i) = 1 6 6<br />
X i<br />
= 01 , ,2,3,4, 5<br />
2<br />
Variables aleatòries uniformes i independents.<br />
Pàg. 56 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
a) Z = ( x −x<br />
)<br />
1 2<br />
2<br />
té valors : 0,1,2 2 ,3 2 ,4 2 ,5 2 i aplicarem :<br />
nº casos favorables<br />
nº casos possibles<br />
Z (fer-ho a mà)<br />
0 6/36<br />
1 10/36<br />
4 8/36<br />
9 6/36<br />
16 4/36<br />
25 2/36<br />
b) Es pot fer a mà.<br />
S=6X+Y S i ={0,...,35} P(S=w)=1/36<br />
4.37 Parell de variables uniformes i contínues.<br />
1<br />
Resolució a classe a criteri del professor.<br />
0<br />
1<br />
[ ]<br />
X + X no es uniforme en 0,2<br />
1 2<br />
4.38 L’espera a correus.<br />
X = X + X = nº de persones en l' interval T.<br />
a<br />
b<br />
a) Les hipòtesis d’independència i procés poissonà impliquen que: X ∼℘ (( a + b) T )<br />
0<br />
(5( a + b)) − 5( a+ b)<br />
−3<br />
P(<br />
Cap client en 5 minuts) = e = e ....<br />
0!<br />
Z: v.a. clients en 5 minuts ∼ ℘(5(a+b))=℘(3) si a=0.4 i b=0.2.<br />
W: Persones que han vingut per un reintegrament entre les 18.35h. i les 18.45h. (en 10 min)<br />
W∼℘(aT)=℘(10a)<br />
n = n A + n B ( n persones total = n A per reintegrament + n B per enviar )<br />
a<br />
n A ∼ B( n, P A ) on P A : probabilitat que sigui una persona de reintegrament: P A =<br />
a + b<br />
b<br />
n B ∼ B( n, P B ) on P B =<br />
a + b<br />
4.39 La finestreta d’atenció al públic.<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 57
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
X = v.a. que compta persones per minut. → X∼℘(2).<br />
2 k<br />
− 2<br />
a) P( X > 2 ) = 1-P( X ≤ 2 ) = 1 − ∑ e<br />
2 = 1 − 0. 6767 = 0.<br />
3233<br />
k=<br />
0 k!<br />
b) Y = v.a. que compta persones en cinc minuts. → Y ∼℘(10).<br />
12<br />
k<br />
− 10<br />
P( Y < 13 ) = P( Y ≤ 12 ) = ∑ e<br />
10 = 0,7916<br />
k !<br />
k = 0<br />
c) Ara no hi ha cap persona. El temps d’espera fins que arribi una persona segueix la llei<br />
exponencial amb paràmetre 2. → T ∼ exp(2).<br />
∞<br />
P( T > 5 ) = 2 ⋅ − t<br />
∫ e dt = e<br />
5<br />
2 −10<br />
d) Ara hi ha una persona. Igualment el temps d’espera fins que arribi una altra persona<br />
segueix la llei exponencial amb paràmetre 2. Per tant, la solució, com a l’apartat anterior, és<br />
e −10 .<br />
e) El temps d’espera igualment segueix una llei exponencial amb paràmetre 2.<br />
∞<br />
t<br />
Esperança : ∫ t ⋅ 2e −2<br />
dt = ½ minuts.<br />
−∞<br />
4.40 La tenda de peixos.<br />
a) X<br />
1<br />
: nº peixos en 6 intents ∼ B(6 , p=0.6)<br />
EX 1<br />
= n⋅ p = 36 .<br />
[ ]<br />
P (X<br />
0) = P<br />
⎛6⎞<br />
(0) = ⎜ ⎟ ⋅ 0.6<br />
⎝0⎠<br />
⋅ (1 − 0.6)<br />
= 0.4<br />
0<br />
6 6<br />
1<br />
=<br />
X<br />
=<br />
1<br />
0.0041<br />
b) X 2 : nº d’intents fins aconseguir un peix ∼ G(0.6) (llei geomètrica de paràmetre<br />
p=0.6)<br />
EX 2<br />
= 16 . )<br />
[ ]<br />
c) 4 clients per hora dels indecisos ∼℘(1) per 1 4 d’hora.<br />
1 client per hora dels segurs ∼℘(0.25) per 1 4 d’hora.<br />
De les 10 a 10:15 → client ha comprat 1 peix.<br />
A: client indecís B: comprar un peix<br />
P( B<br />
) P<br />
P( A B ) A<br />
⋅ ( A)<br />
0.<br />
0296<br />
=<br />
= = 013 .<br />
P( B)<br />
023 .<br />
( ) ( ) ( )<br />
P( B) = P B A<br />
P( A) + P B ⋅ P A = 0. 037 ⋅ + 1⋅ = 0.<br />
23<br />
A<br />
A priori : P( A ) = 45 P(A) = 1/<br />
5<br />
4 5<br />
1 5<br />
Pàg. 58 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
( ) = = = ⎛ ( )<br />
⎝ ⎜ 6 ⎞<br />
5<br />
(<br />
1<br />
1) . ( . ) .<br />
P B A<br />
P X ⎟ ⋅06⋅ 04 = 0037 P B = 1<br />
1⎠<br />
A<br />
4.41 Un viatge internacional.<br />
Xicago : 21h. (17h 30min - 6h)<br />
Luxemburg : 14h 30min (8h 30 min a Xicago)<br />
Per tant el vol dura 11h 30min = 690 min. perquè hi ha 6 hores de desplaçament horari.<br />
X: Xicago-Islàndia ℵ 1 (240,25 2 )<br />
Y: Islàndia-Islàndia ℵ 2 (45,10 2 )<br />
Z: Islàndia-Luxemburg ℵ 3 (420,40 2 )<br />
D=X+Y+Z<br />
D = 240 + 45 + 420 = 705<br />
2 2 2<br />
Var(D) = Var(X) + Var(Y) + Var(Z) = 25 + 10 + 40 = 625 + 100 + 1600 = 2325<br />
⎛ 675 − 705 705 − 705⎞<br />
P(690 −15 ≤ D ≤ 690 + 15) = P(675 ≤ D ≤ 705) = P⎜<br />
≤ Z ≤ ⎟ =<br />
⎝ 2325 2325 ⎠<br />
= P −0. 622 ≤ ≤ 0 = 0. 5 − P ≥ 0. 622 = 0. 5 − 1 + P ≤ 0. 622 = − 0. 5 + 0. 7324 = 0.<br />
2324<br />
( Z ) ( Z ) ( Z )<br />
4.42 El tub de rajos catòdics.<br />
X∼N (275,43 2 )<br />
mín=200 → s’arruga<br />
màx=375 → es trenca<br />
a) Probabilitat que s’arrugui<br />
⎛ 200 − 275⎞<br />
P( X< 200) = P⎜<br />
Z<<br />
⎟ = φ<br />
Z( − 1744 . ) = 1 − φ<br />
Z( 1744 . ) = 1 − 0. 959 = 0.<br />
041<br />
⎝ 43 ⎠<br />
P( X < 175 ∩ X<<br />
200)<br />
P( X < 175)<br />
b) P( X< 175 X< 200)<br />
=<br />
=<br />
=<br />
P( X < 200)<br />
P( X < 200)<br />
⎛ 175 − 275⎞<br />
P⎜<br />
Z < ⎟<br />
⎝ 43 ⎠ 0.<br />
0102<br />
=<br />
= = 0.<br />
2487<br />
⎛ 200 − 275⎞<br />
0.<br />
041<br />
P⎜<br />
Z < ⎟<br />
⎝ 43 ⎠<br />
c) P(200
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
o si Z : Nº tubs defectuosos ⇒ Z∼B(5,1-p)<br />
P(Z ≤ 2) = B(2,5,0.052) = 0.9988<br />
e) X∼N (275, 43 2 ⎧µ<br />
) ⇒ = 275<br />
⎨<br />
=<br />
⎩ σ = 43<br />
E( X)<br />
Busquem t tal que P (µ-t ≤ X ≤ µ+t ) = 0.95<br />
• De manera directa per propietats de la normal:<br />
(µ+2σ) ⇒ 95%<br />
t= 2σ=2×43=86<br />
• P( 275 − t ≤ X ≤ 275 + t) = P( X ≤ 275 + t) − P( X ≤ 275 − t)<br />
=<br />
⎛ 275 + t − 275⎞<br />
⎛ 275 − t − 275⎞<br />
⎛ t ⎞ ⎛ −t⎞<br />
⎛ t ⎞ ⎛ ⎛ t ⎞⎞<br />
= φ<br />
Z⎜<br />
⎟ − φ<br />
Z⎜<br />
⎟ = φ<br />
Z⎜<br />
⎟ − φ<br />
Z⎜<br />
⎟ = φ<br />
Z⎜<br />
⎟ −⎜1−φ<br />
Z⎜<br />
⎟⎟ =<br />
⎝ 43 ⎠ ⎝ 43 ⎠ ⎝ 43⎠<br />
⎝ 43⎠<br />
⎝ 43⎠<br />
⎝ ⎝ 43⎠⎠<br />
⎛ t ⎞<br />
= ⋅ ⎜ ⎟ − = ⇒ ⎛ ⎝ ⎠<br />
⎝ ⎜ t ⎞ 195 .<br />
Taules t<br />
2 φ<br />
Z<br />
1 095 . φ<br />
Z ⎟ = = 0. 975 ⎯⎯⎯ → = 196 . ⇒<br />
43<br />
43⎠<br />
2<br />
43<br />
⇒ t = 1.96 ⋅43 = 84.28<br />
4.43 Vida de dispositius electrònics.<br />
Exercici pel lector.<br />
4.44 El creuament de trens.<br />
a) D A : durada recorregut A → C D B : durada recorregut B → C<br />
D A ∼ ℵ( 208.9 , 20 2 ) D B ∼ ℵ( 207.6 , 20 2 )<br />
⎧ 3h 28min 54seg → 208.9 min<br />
Doncs, ⎨<br />
⎩3h 27min 36seg → 207.6 min<br />
⎛ 180 − 208.<br />
9⎞<br />
0. 9251+<br />
0.<br />
9265<br />
P(D A<br />
≤ 180) = P⎜<br />
Z<br />
A<br />
≤<br />
⎟ = P( ZA ≤− 1445 . ) = 1− P( ZA<br />
≤ 1445 . ) = 1−<br />
⎝ 20 ⎠<br />
2<br />
= 0.<br />
0742<br />
⎛ 150 − 209.6⎞<br />
P(D B<br />
≤ 150) = P⎜Z<br />
B<br />
≤ ⎟ = P( ZB ≤ − 288 . ) = 1−P( Zb<br />
≤ 288 . ) = 1− 09980 . = 0002 .<br />
⎝ 20 ⎠<br />
b) R: succés existència d’accident en un dia<br />
A: Tren A arriba passades les 20h.<br />
B: Tren B arriba passades les 20h.<br />
C: Cap d’estació despistat després de les 20h.<br />
R=A∩B∩C<br />
P(R)=P(A)·P(B)·P(C)=0.06·0.05·0.5=0.0015<br />
⎛ 240−<br />
208.9⎞<br />
P(A) = P(D A<br />
≥ 240) = P⎜<br />
Z<br />
A<br />
≥<br />
⎟ = P( ZA ≥ 1555 . ) = 1−P( ZA<br />
≤ 1555 . ) =<br />
⎝ 20 ⎠<br />
( 0. 9394 + 0.<br />
9406)<br />
= 1−<br />
= 006 .<br />
2<br />
( )<br />
Pàg. 60 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue<br />
=
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
= 1−<br />
⎛ 240−<br />
207.<br />
6⎞<br />
P(B) = P(D B<br />
≥ 240) = P⎜<br />
Z<br />
B<br />
≥ ⎟ = P( Z<br />
B<br />
≥ 162 . ) = 1−P( Z<br />
B<br />
≤ 162 . ) =<br />
⎝ 20 ⎠<br />
( 0.9495+<br />
0.9505)<br />
2<br />
P(C)=0.5<br />
= 0.05<br />
c) X: nº d’accidents en una setmana X∼B(7,0.0015)<br />
A: S’ha produït algun accident.<br />
7<br />
0 7<br />
P(A) = P(X > 0) = 1 − P(X = 0) = 1− ⎛ ( . ) (0.9985) 1 0.9895 0.0105<br />
⎝ ⎜ ⎞ 0⎠ ⎟ ⋅ 0 0015 = − =<br />
d) X: Nº d’accidents en 200 dies. X∼B( 200 , 0.0015 )<br />
A: S’ha produït algun accident.<br />
X∼B( 200 , 0.0015 ) ⇒ npq=200·0.0015·0.9985=0.29955 0) = 1 − P(X = 0) = 1− e = 1− 0. 741=<br />
0.<br />
259<br />
0!<br />
e) C: No hi ha accident un dia determinat.<br />
A: Tren A arriba passades les 20h.<br />
B: Tren B arriba passades les 20h.<br />
P(<br />
A∩ B P(A ∩B ∩ C) 0.0015<br />
C ) =<br />
= = 0.0015022<br />
P(C)<br />
0.9985<br />
P(C) = 1− 0.0015 = 0.9985 per l'apartat b)<br />
P(A ∩B ∩ C) = 0.0015<br />
4.45 La màquina d’emplenar caramels.<br />
a) F Z (z 1 )=0.006<br />
F Z (z 2 )=1-0.33=0.67<br />
Taules<br />
⎯⎯⎯ → z = −2.51 F ( − z ) = 0.994<br />
Taules<br />
⎯⎯⎯ → = 044 .<br />
z 2<br />
1 Z 1<br />
8176 . − µ ⎫<br />
044 . =<br />
Es planteja el següent sistema:<br />
σ ⎪ µ =80<br />
69.<br />
96 −<br />
⎬ ⇒<br />
µ<br />
− 251 . = ⎪ σ =4<br />
σ ⎭<br />
b) P(X > 80) = 0.5 = p on p: probabilitat de triar un paquet a l’atzar que pesi més de 80<br />
grams.<br />
Y: Nombre de bosses amb més de 80 gr. entre 10 bosses. Y∼B(10 , 0.5)<br />
⎛<br />
P(Y=5)= 10 ⎞ 5 10−5<br />
⎜ ⎟ ⋅0. 5 ⋅( 1 − 0. 5) = 0.<br />
2460<br />
⎝ 5 ⎠<br />
c) Y 1 = nombre amb més de 80 gr. entre 100 bosses. Y∼B(100 , 0.5)<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 61
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
P(Y 1<br />
≥40) ≅ P(Y 2<br />
≥40) on Y2∼ℵ(µ,σ 2 ⎧ µ = np = 100 ⋅ 0.<br />
5 = 50 ⎫<br />
) on ⎨ 2<br />
⎬<br />
⎩σ<br />
= np( 1 − p) = 100 ⋅0. 5⋅ 0.<br />
5 = 25⎭<br />
doncs np(1-p)=25>5 i aprox. Poisson no val.<br />
⎛ 40 − 50⎞<br />
P(Y2 ≥ 40) = 1 − P(Y2<br />
≤40) = 1 − P⎜<br />
Z ≤ ⎟ = 1 − P(Z ≤− 2) = P(Z ≤ 2) = 0.9772<br />
⎝ 25 ⎠<br />
4.46 La normal truncada.<br />
f<br />
X<br />
a) X : Nombre d’hores de funcionament d’un tub.<br />
⎧0 x < 200<br />
( x)=<br />
− x<br />
⎨<br />
2<br />
80000<br />
⎩Ke<br />
x ≥ 200<br />
∞<br />
f<br />
X( x) es f.d.p. si ∫ f<br />
X( t) dt = 1 i aixo determina K.<br />
∞<br />
∫<br />
−∞<br />
∞<br />
-∞<br />
−1 t-0<br />
2<br />
( )<br />
f<br />
X<br />
() t dt = Ke<br />
2 200<br />
dt = K ⋅ A = 1<br />
∫<br />
200<br />
Estudiem A comparant amb FY ( y) on Y ∼ ℵ(0,200 2 )<br />
limF ( y ) = f () tdt= f () tdt+<br />
f () tdt= B+ C=<br />
1<br />
y→+∞<br />
∞<br />
∫<br />
200<br />
Y Y Y Y<br />
−∞<br />
−∞<br />
200<br />
∫<br />
Estudiem C:<br />
∞<br />
∞<br />
− t −<br />
1<br />
1 0<br />
2<br />
( )<br />
C = ∫ f () t dt = e<br />
2<br />
1<br />
∫<br />
200<br />
dt = A= 1 − F ( 200)<br />
= 1 − F<br />
200 200 2π 200 200 2π 12 4 34<br />
B<br />
= 1− FZ() 1 = FZ( −1)<br />
Per tant:<br />
A= 200 2π<br />
⋅FZ( − 1) = 200 2π<br />
⋅Fy( −200)<br />
K = 1<br />
A<br />
= 1<br />
200 2 π ⋅F<br />
( − 1 )<br />
∞<br />
∫<br />
Y Y Z<br />
b) Sigui X com abans. P(X>250)?<br />
P( X > 250) = 1 − P( X ≤ 250) = 0.<br />
665<br />
Z<br />
⎛ 200 − 0⎞<br />
⎜ ⎟ =<br />
⎝ 200 ⎠<br />
250<br />
∞<br />
−1 t −0<br />
2<br />
( ) ⎛<br />
− t −<br />
1<br />
1 0<br />
2<br />
( ) ⎞<br />
P( X ≤ 250)<br />
= K e<br />
2 200<br />
∫ dt = 200 2 ⋅K⎜<br />
e<br />
2 200<br />
π ∫ dt⎟ =<br />
200<br />
⎝ 200 2π<br />
200 ⎠<br />
= 200 2π<br />
⋅KF ( Y( 250) − FY( 200) ) = 200 2π<br />
⋅K⋅( FZ( 125 . ) − FZ( 1)<br />
) =<br />
( FZ(. 125) − FZ()<br />
1 )<br />
=<br />
FZ<br />
( − 1)<br />
= 0.<br />
335<br />
c) T : nombre de tubs actius en un aparell A després de 250 h.<br />
Al ser tubs independents i de la mateixa vida mitjana ⇒ Procés de Bernoulli ⇒ T∼Β<br />
(100,0.665)<br />
A : Funciona aparell A després de 250 h.<br />
P(A)=P(T≥65) inviable el càlcul per les taules.<br />
T∼Β (100,0.665) que podem aproximar per una ℵ(µ,σ 2 ) amb µ=66.5 i σ 2 =22.28 doncs npq>5.<br />
Per tant, tenim T∼ℵ(66.5,4.72 2 )<br />
Pàg. 62 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
⎛ 65 − 665 . ⎞<br />
P( A) = P( T≥ 65) = 1 − P( T≤ 65)<br />
= 1 − P⎜<br />
Z≤<br />
⎟ = F Z<br />
( 0. 318) = 0.<br />
6255<br />
⎝ 472 . ⎠<br />
d) W: nombre aparells A actius després de 250 h. W∼Β(20,0.6255)<br />
A priori sabem W>10 i es demana P⎛⎜ W > K$<br />
⎞⎟ ⎝ W > 10 ⎠<br />
= 01 . (< 0.1) amb K $ màxim.<br />
P⎛<br />
W K P W K P W K (20 , 20 - K<br />
⎜ > $ ⎞ ( > $ ) 1<br />
⎟<br />
⎝ W > ⎠<br />
= = − ( ≤ $ ) B $ − 1 , 0. 375)<br />
10<br />
=<br />
= 01 .<br />
P( W > 10)<br />
1−<br />
P( W ≤10)<br />
B(20 , 9 , 0.375)<br />
B(20 , 20 - K$ − 1 , 0. 375) = 0.<br />
082<br />
B(20 , 3 , 0. 375) = 0. 0302 ; B (20 , 4 , 0. 375) = 0.<br />
084 (> 0.082)<br />
Taules : 20 - K$<br />
- 1 ≈ 3<br />
⇒ K $ = 16.<br />
4.47 Les alçades en matrimonis.<br />
2<br />
r<br />
⎧X ≈ℵ(176.5,5.5 )<br />
X = (X, Y) Alçada matrimoni. ⎨<br />
ρ=0.51<br />
2<br />
⎩ Y ≈ℵ(169.82,5 )<br />
a) cov(X,Y)?<br />
cov( X, Y)<br />
ρ =<br />
cov(X, Y) = ρ⋅τ<br />
X<br />
⋅ τ<br />
Y<br />
= 0. 51⋅55 . ⋅ 5 = 14.<br />
025<br />
τ ⋅τ<br />
X<br />
Y<br />
b) W=Y-X no parella ⇒ W∼ℵ(µ,σ 2 ⎧µ<br />
= 169. 82 − 176. 5 = −6.<br />
68<br />
) amb ⎨ 2 2 2 2<br />
⎩ σ = 55 . + 5 = 743 .<br />
⎛ 0<br />
P(W>0)=P Z> + 668 . ⎞<br />
⎜ ⎟ = P( Z> 0899 . ) = 1 − P( Z ≤ 0. 90) = 1 − 08159 . = 0184 .<br />
⎝ 743 . ⎠<br />
↑<br />
Taules.<br />
c) V representa una parella, tindrà µ=-6.68,σ 2 =7.43 2 -2·14.025=27.1549.<br />
Sigui p=P(V
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
µ = 2µ<br />
+ 3µ<br />
+ µ<br />
σ<br />
σ<br />
1<br />
2<br />
2<br />
1<br />
2<br />
2<br />
= σ<br />
A<br />
3<br />
µ = 2µ<br />
+ 4µ<br />
= 6000 cm<br />
2<br />
A<br />
= 2σ<br />
A<br />
+ σ<br />
2<br />
A<br />
2<br />
A<br />
B<br />
+ 4σ<br />
C<br />
+ σ<br />
2<br />
B<br />
C<br />
= 5.5<br />
= 2×<br />
998 + 3×<br />
1000 + 1001 = 5997 cm<br />
+ σ<br />
2 2 2<br />
3<br />
B<br />
+ σ<br />
B<br />
+ σ<br />
C<br />
= 6.67 ( cm )<br />
3 2<br />
3<br />
( cm ) →σ<br />
= 2.345 cm<br />
2<br />
→σ<br />
= 2.583 cm<br />
2<br />
B<br />
2<br />
2<br />
2<br />
σ<br />
Demanem P(C<br />
> C1)<br />
= P(C<br />
2<br />
− C1<br />
> 0) = P(D > 0) on D = C<br />
2<br />
− C1<br />
⇒ D ≈ N(<br />
µ ,<br />
3<br />
⎧⎪<br />
µ = µ<br />
2<br />
− µ<br />
1<br />
= 3 cm<br />
⎨<br />
2 2 2<br />
3<br />
⎩⎪ σ = σ<br />
1<br />
+ σ<br />
2<br />
= 12.<br />
17 → σ = 3.489 cm<br />
⎛ 0−<br />
3⎞<br />
P( D> 0)<br />
= P⎜<br />
Z><br />
⎟ = P( Z>− 0. 8599) = P( Z< 0. 8599) = 0.<br />
8051<br />
⎝ 3.<br />
489⎠<br />
b) Cerquem m tal que P(C 1 <br />
⎟ = 1− P⎜<br />
Z<<br />
⎟ = 002 .<br />
⎝ 2. 583 ⎠ ⎝ 2. 583 ⎠ ⎝ 2.<br />
583 ⎠<br />
⎛ 5997 − m⎞<br />
Per tant: P⎜<br />
Z < ⎟ = 0. 98 ⇒ z<br />
0<br />
tal que PZ ( < z0<br />
) = 0. 98 i per taules z<br />
0<br />
= 2.<br />
055<br />
⎝ 2.<br />
583 ⎠<br />
5997 − m<br />
z0 = 2.<br />
055 = → m = 599169 . cm 3<br />
2.<br />
583<br />
c) Una ampolla d’A és defectuosa amb probabilitat p A .<br />
Sigui X: v.a. nombre d’ampolles A defectuoses entre 150 → X∼B(150, p A )<br />
Cerquem P(X>100)=P(X ≥ 101)<br />
⎛ 999 − 998⎞<br />
pA<br />
= P( yA<br />
< 999)<br />
= P⎜<br />
Z<<br />
⎟ = P( Z< 2<br />
) = 0. 7454 ≅ 0.<br />
75<br />
⎝ 15 . ⎠<br />
3<br />
Aleshores X∼B(150,0.75)<br />
Aproximació normal pel càlcul doncs p A >0.01,p A
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
4.49 Les empreses d’estudi de mercat.<br />
a) cov(X, Y) = ρ(X, Y) ⋅ V(X)V(Y) = 0.<br />
815 × 20 × 20 = 326<br />
b) Sigui D : accionistes insatisfets en un any.<br />
U:Nombre de mesos amb benefici ∼B(12 , p = P(Y≥200))<br />
⎛ 200 − 205⎞<br />
P( Y≥ 200) = 1− P( Y≤ 200) = 1− P⎜<br />
Z≤<br />
⎟ = P( Z≤ 0. 25) = 0.<br />
5927<br />
⎝ 20 ⎠<br />
P(D)<br />
= P(U<br />
≤ 8) = B(8,12,<br />
0.5927) = 1−<br />
B(12<br />
− 8 −1,12,<br />
0.4013) = 1−<br />
B(3,12,<br />
0.4) =<br />
= 1−<br />
0.2253 = 0.7747<br />
↑<br />
Taules : p = 0.4, n = 12, k<br />
c) Sigui V : Nombre de mesos fins assolir beneficis durant 3<br />
V∼Bin. Negativa amb p=P(Y≥200)=0.5987 r=3<br />
⎛9<br />
−1⎞<br />
3 9−3<br />
⎛8⎞<br />
3<br />
6<br />
P (V = 9) = ⎜ ⎟ ⋅ p ⋅ q = ⎜ ⎟ ⋅ 0.5927 × 0.4013 = 28×<br />
0.2146×<br />
0.00418 = 0.025<br />
⎝3<br />
−1⎠<br />
⎝2⎠<br />
d) 10 anys → 120 mesos<br />
W : nombre mesos sense beneficis∼B(120,p=0.4013)<br />
p=P(Yk)=0.05<br />
⎛ .<br />
P( W k) P( W k) P( W' k)<br />
P Z k − 4816⎞<br />
> = 1− ≤ = 1− ≤ = 1− ⎜ ≤ ⎟ = 005 .<br />
⎝ 54 . ⎠<br />
↓<br />
2 2<br />
W ≈ B(120,0.4013) s' aproxima per W' ≈ℵ (48.156,5.4 ) on σ = npq<br />
z<br />
0<br />
tal que P(Z ≤ 2) = 0.95 → z<br />
0<br />
= 165 .<br />
k − 4816 .<br />
= 165 . ⇒ k = 57 mesos maxim.<br />
54 .<br />
W'<br />
= 3<br />
4.50 Un de propietats bàsiques.<br />
a) F X(x)<br />
1/2<br />
1<br />
0 1 2<br />
3<br />
4<br />
X<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 65
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
⎧0 x ≤ 0<br />
⎪<br />
0.5 0 < x ≤ 1<br />
dFX<br />
( x)<br />
⎪<br />
b) Per derivació immediata tenim : fx<br />
( x)<br />
= ⇒ f<br />
X<br />
( x)<br />
= ⎨0 1< x ≤ 2<br />
dx<br />
⎪0.25 2 < x ≤ 4<br />
⎪<br />
⎩⎪<br />
0 x > 4<br />
f X (x)<br />
1/2 1<br />
1/4<br />
0 1 2 3 4<br />
x<br />
P(<br />
X > 3 ∩ X >1)<br />
X > 1<br />
=<br />
P( X > 1)<br />
1<br />
= − F<br />
= − X<br />
() 3 1 075 . 025 .<br />
= = 05 .<br />
1−<br />
F () 1 1−<br />
05 . 05 .<br />
c) P( X > 3<br />
)<br />
X<br />
=<br />
P( X > 3)<br />
P( X > 1)<br />
1 P X<br />
= − ( ≤ 3)<br />
1−<br />
P( X ≤1)<br />
=<br />
+∞ 0<br />
1<br />
2<br />
4<br />
+∞<br />
∫ ∫ ∫ ∫ ∫ ∫<br />
d) EX ( ) = t ⋅ f ( t ) ⋅ dt = ⋅ t ⋅ dt + . ⋅ t ⋅ dt + ⋅ dt + . ⋅ t ⋅ dt + ⋅ dt<br />
X<br />
0 05 0 025 0 =<br />
1<br />
−∞<br />
2<br />
2<br />
t ⎤ t ⎤<br />
= 05 . ⋅ ⎥ + 025 . ⋅ ⎥ = 175 .<br />
2 ⎦ 2 ⎦<br />
0<br />
4<br />
2<br />
−∞<br />
0<br />
1<br />
2<br />
4<br />
4.51 Un altre de propietats bàsiques en un parell de v.a.<br />
a) ∑∑<br />
PXY (x<br />
i<br />
, y<br />
j<br />
) = 1 ⇒ + a + b= 1 ⇒ b = − a ⇒ 0 ≤ a≤<br />
i<br />
j<br />
5 8<br />
3 8<br />
3 8<br />
a<br />
X,Y són independents? Depèn de a i b : PXY (,) 31 = a = PX () 3 ⋅ PY<br />
() 1 =<br />
9 3 64 + 8 a ⇒ ⎧ =<br />
⎨<br />
⎩ b =<br />
9 40<br />
3 20<br />
P XY ( , ) Y=1 Y=2<br />
X=1 1/4 1/6<br />
X=2 1/8 1/12<br />
X=3 9/40 3/20<br />
b)<br />
P X (x i ) P Y (y j ) 3/5 2/5<br />
5/12 15/60=1/4 10/60=1/6<br />
5/24 15/120=1/8 10/120=1/12<br />
3/8 9/40 6/40=3/20<br />
Pàg. 66 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
x i P X (x i ) F X (x i )<br />
1 5/12 5/12<br />
2 5/24 5/8<br />
3 3/8 1<br />
F X (x)<br />
1<br />
5/8<br />
5/12<br />
1 2 3<br />
x<br />
c) P( Y = 1<br />
)<br />
X = 2<br />
2<br />
P( Y= 1, X=<br />
2)<br />
PXY<br />
( 21 , ) 1<br />
=<br />
= = 8<br />
=<br />
P( X = 2)<br />
P ( 2)<br />
d) EY ( ) ( ) 2 ( )<br />
X<br />
5 24<br />
= ∑ y ⋅ P y =<br />
3<br />
+ a +<br />
5<br />
j Y j<br />
− a =<br />
13 8 8 8 −a<br />
j=<br />
1<br />
En cas de ser independents : a =9/40 ⇒ E(Y)=7/5=1.4<br />
3<br />
5<br />
4.52 Les malalties tropicals.<br />
2 2 2<br />
a) Var( X) = E( X ) − E( X ) = 401 . − 2<br />
2<br />
= 001 . = 01 . ⇒ σ = 0.1<br />
b) P( 1. 98 ≤ X≤ 2. 02) = P( X≤ 2. 02) − P( X≤ 1. 98) = P( Z≤ 0. 2) − P( Z ≤− 0. 2)<br />
=<br />
= 2 ⋅ P( Z ≤0. 2) − 1 = 01586 .<br />
P ( X > 2.2) = 1 − P(X<br />
≤ 2.2) = 1 − P(Z<br />
≤ 2) = 1 − 0.9772 = 0.0228<br />
c) Usem que p=P(1.98 ≤ X ≤ 2.02)=0.1586<br />
• X 1 ∼ B(10,p=0.15) X 1 : nombre de poblats entre 10 amb X∈(1.98,2.02)<br />
P( X1 ≥ 5) = 1− P( X<br />
1<br />
≤ 4) = 1− B( 4, 10, 015 . ) = 1− 0. 9901=<br />
0.<br />
0099<br />
• X 2 ∼ B(100, p=0.16) X 2 : nombre de poblats entre 100 amb X∈(1.98,2.02)<br />
np<br />
'<br />
2 ⎧µ<br />
= = 100 × 0.16 = 16<br />
X<br />
2<br />
≈ℵ( µσ , ) on ⎨ 2 2<br />
⎩ σ = npq = 367 .<br />
'<br />
'<br />
P( X2 ≥ 5) = 1 − P( X2<br />
≤ 5) = 1 − P( Z≤− 2. 997) = P( Z≤ 3) = 0.<br />
998<br />
d) Objectiu: P(X>2.02)=0.25 reduint σ 2 de X<br />
⎛ 002 . ⎞<br />
.<br />
P( X> . ) = − P( X≤ . ) = − P⎜<br />
Z ≤ . P Z .<br />
⎝ ⎠<br />
⎛<br />
⎜<br />
⎝<br />
≤ 002⎞<br />
202 1 202 1<br />
025<br />
⎟ = 075<br />
σ<br />
σ ⎠<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 67
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
002 .<br />
z0 tal que P Z z0 075 es z 068<br />
= 0.02<br />
2<br />
( ≤ ) = .<br />
0<br />
= . = ⇒ σ = 0. 0294 ⇒ σ = 0.<br />
000865<br />
σ<br />
0.68<br />
Pàg. 68 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
5. TAULES ESTADÍSTIQUES (AUTOR: JOSÉ ANTONIO GONZÁLEZ)<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 69
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
Función de distribución BINOMIAL<br />
B<br />
TABLA A<br />
x<br />
k n−k<br />
( x;<br />
n,<br />
p) = ∑ ⎜ ⎟p<br />
(1 − p)<br />
k = 0<br />
⎛n⎞<br />
⎝k<br />
⎠<br />
N<br />
X 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5<br />
2 0 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500<br />
1 0,9975 0,9900 0,9775 0,9600 0,9375 0,9100 0,8775 0,8400 0,7975 0,7500<br />
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250<br />
1 0,9928 0,9720 0,9393 0,8960 0,8438 0,7840 0,7183 0,6480 0,5748 0,5000<br />
2 0,9999 0,9990 0,9966 0,9920 0,9844 0,9730 0,9571 0,9360 0,9089 0,8750<br />
4 0 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625<br />
1 0,9860 0,9477 0,8905 0,8192 0,7383 0,6517 0,5630 0,4752 0,3910 0,3125<br />
2 0,9995 0,9963 0,9880 0,9728 0,9492 0,9163 0,8735 0,8208 0,7585 0,6875<br />
3 1,0000 0,9999 0,9995 0,9984 0,9961 0,9919 0,9850 0,9744 0,9590 0,9375<br />
5 0 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313<br />
1 0,9774 0,9185 0,8352 0,7373 0,6328 0,5282 0,4284 0,3370 0,2562 0,1875<br />
2 0,9988 0,9914 0,9734 0,9421 0,8965 0,8369 0,7648 0,6826 0,5931 0,5000<br />
3 1,0000 0,9995 0,9978 0,9933 0,9844 0,9692 0,9460 0,9130 0,8688 0,8125<br />
4 1,0000 1,0000 0,9999 0,9997 0,9990 0,9976 0,9947 0,9898 0,9815 0,9688<br />
6 0 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156<br />
1 0,9672 0,8857 0,7765 0,6554 0,5339 0,4202 0,3191 0,2333 0,1636 0,1094<br />
2 0,9978 0,9842 0,9527 0,9011 0,8306 0,7443 0,6471 0,5443 0,4415 0,3438<br />
3 0,9999 0,9987 0,9941 0,9830 0,9624 0,9295 0,8826 0,8208 0,7447 0,6563<br />
4 1,0000 0,9999 0,9996 0,9984 0,9954 0,9891 0,9777 0,9590 0,9308 0,8906<br />
5 1,0000 1,0000 1,0000 0,9999 0,9998 0,9993 0,9982 0,9959 0,9917 0,9844<br />
7 0 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078<br />
1 0,9556 0,8503 0,7166 0,5767 0,4449 0,3294 0,2338 0,1586 0,1024 0,0625<br />
2 0,9962 0,9743 0,9262 0,8520 0,7564 0,6471 0,5323 0,4199 0,3164 0,2266<br />
3 0,9998 0,9973 0,9879 0,9667 0,9294 0,8740 0,8002 0,7102 0,6083 0,5000<br />
4 1,0000 0,9998 0,9988 0,9953 0,9871 0,9712 0,9444 0,9037 0,8471 0,7734<br />
5 1,0000 1,0000 0,9999 0,9996 0,9987 0,9962 0,9910 0,9812 0,9643 0,9375<br />
6 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9994 0,9984 0,9963 0,9922<br />
8 0 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039<br />
1 0,9428 0,8131 0,6572 0,5033 0,3671 0,2553 0,1691 0,1064 0,0632 0,0352<br />
2 0,9942 0,9619 0,8948 0,7969 0,6785 0,5518 0,4278 0,3154 0,2201 0,1445<br />
3 0,9996 0,9950 0,9786 0,9437 0,8862 0,8059 0,7064 0,5941 0,4770 0,3633<br />
4 1,0000 0,9996 0,9971 0,9896 0,9727 0,9420 0,8939 0,8263 0,7396 0,6367<br />
5 1,0000 1,0000 0,9998 0,9988 0,9958 0,9887 0,9747 0,9502 0,9115 0,8555<br />
6 1,0000 1,0000 1,0000 0,9999 0,9996 0,9987 0,9964 0,9915 0,9819 0,9648<br />
7 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9993 0,9983 0,9961<br />
9 0 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020<br />
1 0,9288 0,7748 0,5995 0,4362 0,3003 0,1960 0,1211 0,0705 0,0385 0,0195<br />
2 0,9916 0,9470 0,8591 0,7382 0,6007 0,4628 0,3373 0,2318 0,1495 0,0898<br />
3 0,9994 0,9917 0,9661 0,9144 0,8343 0,7297 0,6089 0,4826 0,3614 0,2539<br />
4 1,0000 0,9991 0,9944 0,9804 0,9511 0,9012 0,8283 0,7334 0,6214 0,5000<br />
5 1,0000 0,9999 0,9994 0,9969 0,9900 0,9747 0,9464 0,9006 0,8342 0,7461<br />
P<br />
Pàg. 70 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución BINOMIAL<br />
N<br />
3.1 P<br />
X 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5<br />
6 1,0000 1,0000 1,0000 0,9997 0,9987 0,9957 0,9888 0,9750 0,9502 0,9102<br />
7 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9986 0,9962 0,9909 0,9805<br />
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9992 0,9980<br />
10 0 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010<br />
1 0,9139 0,7361 0,5443 0,3758 0,2440 0,1493 0,0860 0,0464 0,0233 0,0107<br />
2 0,9885 0,9298 0,8202 0,6778 0,5256 0,3828 0,2616 0,1673 0,0996 0,0547<br />
3 0,9990 0,9872 0,9500 0,8791 0,7759 0,6496 0,5138 0,3823 0,2660 0,1719<br />
4 0,9999 0,9984 0,9901 0,9672 0,9219 0,8497 0,7515 0,6331 0,5044 0,3770<br />
5 1,0000 0,9999 0,9986 0,9936 0,9803 0,9527 0,9051 0,8338 0,7384 0,6230<br />
6 1,0000 1,0000 0,9999 0,9991 0,9965 0,9894 0,9740 0,9452 0,8980 0,8281<br />
7 1,0000 1,0000 1,0000 0,9999 0,9996 0,9984 0,9952 0,9877 0,9726 0,9453<br />
8 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983 0,9955 0,9893<br />
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9990<br />
11 0 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005<br />
1 0,8981 0,6974 0,4922 0,3221 0,1971 0,1130 0,0606 0,0302 0,0139 0,0059<br />
2 0,9848 0,9104 0,7788 0,6174 0,4552 0,3127 0,2001 0,1189 0,0652 0,0327<br />
3 0,9984 0,9815 0,9306 0,8389 0,7133 0,5696 0,4256 0,2963 0,1911 0,1133<br />
4 0,9999 0,9972 0,9841 0,9496 0,8854 0,7897 0,6683 0,5328 0,3971 0,2744<br />
5 1,0000 0,9997 0,9973 0,9883 0,9657 0,9218 0,8513 0,7535 0,6331 0,5000<br />
6 1,0000 1,0000 0,9997 0,9980 0,9924 0,9784 0,9499 0,9006 0,8262 0,7256<br />
7 1,0000 1,0000 1,0000 0,9998 0,9988 0,9957 0,9878 0,9707 0,9390 0,8867<br />
8 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9980 0,9941 0,9852 0,9673<br />
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9993 0,9978 0,9941<br />
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9995<br />
12 0 0,5404 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0008 0,0002<br />
1 0,8816 0,6590 0,4435 0,2749 0,1584 0,0850 0,0424 0,0196 0,0083 0,0032<br />
2 0,9804 0,8891 0,7358 0,5583 0,3907 0,2528 0,1513 0,0834 0,0421 0,0193<br />
3 0,9978 0,9744 0,9078 0,7946 0,6488 0,4925 0,3467 0,2253 0,1345 0,0730<br />
4 0,9998 0,9957 0,9761 0,9274 0,8424 0,7237 0,5833 0,4382 0,3044 0,1938<br />
5 1,0000 0,9995 0,9954 0,9806 0,9456 0,8822 0,7873 0,6652 0,5269 0,3872<br />
6 1,0000 0,9999 0,9993 0,9961 0,9857 0,9614 0,9154 0,8418 0,7393 0,6128<br />
7 1,0000 1,0000 0,9999 0,9994 0,9972 0,9905 0,9745 0,9427 0,8883 0,8062<br />
8 1,0000 1,0000 1,0000 0,9999 0,9996 0,9983 0,9944 0,9847 0,9644 0,9270<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 71
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
9 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9992 0,9972 0,9921 0,9807<br />
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9968<br />
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998<br />
13 0 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001<br />
1 0,8646 0,6213 0,3983 0,2336 0,1267 0,0637 0,0296 0,0126 0,0049 0,0017<br />
2 0,9755 0,8661 0,6920 0,5017 0,3326 0,2025 0,1132 0,0579 0,0269 0,0112<br />
3 0,9969 0,9658 0,8820 0,7473 0,5843 0,4206 0,2783 0,1686 0,0929 0,0461<br />
4 0,9997 0,9935 0,9658 0,9009 0,7940 0,6543 0,5005 0,3530 0,2279 0,1334<br />
5 1,0000 0,9991 0,9925 0,9700 0,9198 0,8346 0,7159 0,5744 0,4268 0,2905<br />
6 1,0000 0,9999 0,9987 0,9930 0,9757 0,9376 0,8705 0,7712 0,6437 0,5000<br />
Pàg. 72 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución BINOMIAL<br />
N<br />
X 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5<br />
7 1,0000 1,0000 0,9998 0,9988 0,9944 0,9818 0,9538 0,9023 0,8212 0,7095<br />
8 1,0000 1,0000 1,0000 0,9998 0,9990 0,9960 0,9874 0,9679 0,9302 0,8666<br />
9 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9975 0,9922 0,9797 0,9539<br />
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9987 0,9959 0,9888<br />
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983<br />
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999<br />
14 0 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001<br />
1 0,8470 0,5846 0,3567 0,1979 0,1010 0,0475 0,0205 0,0081 0,0029 0,0009<br />
2 0,9699 0,8416 0,6479 0,4481 0,2811 0,1608 0,0839 0,0398 0,0170 0,0065<br />
3 0,9958 0,9559 0,8535 0,6982 0,5213 0,3552 0,2205 0,1243 0,0632 0,0287<br />
4 0,9996 0,9908 0,9533 0,8702 0,7415 0,5842 0,4227 0,2793 0,1672 0,0898<br />
5 1,0000 0,9985 0,9885 0,9561 0,8883 0,7805 0,6405 0,4859 0,3373 0,2120<br />
6 1,0000 0,9998 0,9978 0,9884 0,9617 0,9067 0,8164 0,6925 0,5461 0,3953<br />
7 1,0000 1,0000 0,9997 0,9976 0,9897 0,9685 0,9247 0,8499 0,7414 0,6047<br />
8 1,0000 1,0000 1,0000 0,9996 0,9978 0,9917 0,9757 0,9417 0,8811 0,7880<br />
9 1,0000 1,0000 1,0000 1,0000 0,9997 0,9983 0,9940 0,9825 0,9574 0,9102<br />
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9989 0,9961 0,9886 0,9713<br />
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9978 0,9935<br />
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9991<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999<br />
15 0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000<br />
1 0,8290 0,5490 0,3186 0,1671 0,0802 0,0353 0,0142 0,0052 0,0017 0,0005<br />
2 0,9638 0,8159 0,6042 0,3980 0,2361 0,1268 0,0617 0,0271 0,0107 0,0037<br />
3 0,9945 0,9444 0,8227 0,6482 0,4613 0,2969 0,1727 0,0905 0,0424 0,0176<br />
4 0,9994 0,9873 0,9383 0,8358 0,6865 0,5155 0,3519 0,2173 0,1204 0,0592<br />
5 0,9999 0,9978 0,9832 0,9389 0,8516 0,7216 0,5643 0,4032 0,2608 0,1509<br />
6 1,0000 0,9997 0,9964 0,9819 0,9434 0,8689 0,7548 0,6098 0,4522 0,3036<br />
7 1,0000 1,0000 0,9994 0,9958 0,9827 0,9500 0,8868 0,7869 0,6535 0,5000<br />
8 1,0000 1,0000 0,9999 0,9992 0,9958 0,9848 0,9578 0,9050 0,8182 0,6964<br />
9 1,0000 1,0000 1,0000 0,9999 0,9992 0,9963 0,9876 0,9662 0,9231 0,8491<br />
10 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9972 0,9907 0,9745 0,9408<br />
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9981 0,9937 0,9824<br />
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9963<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 73
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
16 0 0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003 0,0001 0,0000<br />
1 0,8108 0,5147 0,2839 0,1407 0,0635 0,0261 0,0098 0,0033 0,0010 0,0003<br />
2 0,9571 0,7892 0,5614 0,3518 0,1971 0,0994 0,0451 0,0183 0,0066 0,0021<br />
3 0,9930 0,9316 0,7899 0,5981 0,4050 0,2459 0,1339 0,0651 0,0281 0,0106<br />
4 0,9991 0,9830 0,9209 0,7982 0,6302 0,4499 0,2892 0,1666 0,0853 0,0384<br />
5 0,9999 0,9967 0,9765 0,9183 0,8103 0,6598 0,4900 0,3288 0,1976 0,1051<br />
6 1,0000 0,9995 0,9944 0,9733 0,9204 0,8247 0,6881 0,5272 0,3660 0,2272<br />
7 1,0000 0,9999 0,9989 0,9930 0,9729 0,9256 0,8406 0,7161 0,5629 0,4018<br />
8 1,0000 1,0000 0,9998 0,9985 0,9925 0,9743 0,9329 0,8577 0,7441 0,5982<br />
Pàg. 74 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución BINOMIAL<br />
p<br />
N<br />
X 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5<br />
9 1,0000 1,0000 1,0000 0,9998 0,9984 0,9929 0,9771 0,9417 0,8759 0,7728<br />
10 1,0000 1,0000 1,0000 1,0000 0,9997 0,9984 0,9938 0,9809 0,9514 0,8949<br />
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9851 0,9616<br />
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9991 0,9965 0,9894<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9979<br />
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997<br />
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
17 0 0,4181 0,1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,0000 0,0000<br />
1 0,7922 0,4818 0,2525 0,1182 0,0501 0,0193 0,0067 0,0021 0,0006 0,0001<br />
2 0,9497 0,7618 0,5198 0,3096 0,1637 0,0774 0,0327 0,0123 0,0041 0,0012<br />
3 0,9912 0,9174 0,7556 0,5489 0,3530 0,2019 0,1028 0,0464 0,0184 0,0064<br />
4 0,9988 0,9779 0,9013 0,7582 0,5739 0,3887 0,2348 0,1260 0,0596 0,0245<br />
5 0,9999 0,9953 0,9681 0,8943 0,7653 0,5968 0,4197 0,2639 0,1471 0,0717<br />
6 1,0000 0,9992 0,9917 0,9623 0,8929 0,7752 0,6188 0,4478 0,2902 0,1662<br />
7 1,0000 0,9999 0,9983 0,9891 0,9598 0,8954 0,7872 0,6405 0,4743 0,3145<br />
8 1,0000 1,0000 0,9997 0,9974 0,9876 0,9597 0,9006 0,8011 0,6626 0,5000<br />
9 1,0000 1,0000 1,0000 0,9995 0,9969 0,9873 0,9617 0,9081 0,8166 0,6855<br />
10 1,0000 1,0000 1,0000 0,9999 0,9994 0,9968 0,9880 0,9652 0,9174 0,8338<br />
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9970 0,9894 0,9699 0,9283<br />
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9975 0,9914 0,9755<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9981 0,9936<br />
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9988<br />
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999<br />
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
18 0 0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000 0,0000<br />
1 0,7735 0,4503 0,2241 0,0991 0,0395 0,0142 0,0046 0,0013 0,0003 0,0001<br />
2 0,9419 0,7338 0,4797 0,2713 0,1353 0,0600 0,0236 0,0082 0,0025 0,0007<br />
3 0,9891 0,9018 0,7202 0,5010 0,3057 0,1646 0,0783 0,0328 0,0120 0,0038<br />
4 0,9985 0,9718 0,8794 0,7164 0,5187 0,3327 0,1886 0,0942 0,0411 0,0154<br />
5 0,9998 0,9936 0,9581 0,8671 0,7175 0,5344 0,3550 0,2088 0,1077 0,0481<br />
6 1,0000 0,9988 0,9882 0,9487 0,8610 0,7217 0,5491 0,3743 0,2258 0,1189<br />
7 1,0000 0,9998 0,9973 0,9837 0,9431 0,8593 0,7283 0,5634 0,3915 0,2403<br />
8 1,0000 1,0000 0,9995 0,9957 0,9807 0,9404 0,8609 0,7368 0,5778 0,4073<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 75
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
9 1,0000 1,0000 0,9999 0,9991 0,9946 0,9790 0,9403 0,8653 0,7473 0,5927<br />
10 1,0000 1,0000 1,0000 0,9998 0,9988 0,9939 0,9788 0,9424 0,8720 0,7597<br />
11 1,0000 1,0000 1,0000 1,0000 0,9998 0,9986 0,9938 0,9797 0,9463 0,8811<br />
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9986 0,9942 0,9817 0,9519<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9846<br />
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9990 0,9962<br />
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993<br />
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999<br />
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
Pàg. 76 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución BINOMIAL<br />
p<br />
N<br />
X 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5<br />
19 0 0,3774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0001 0,0000 0,0000<br />
1 0,7547 0,4203 0,1985 0,0829 0,0310 0,0104 0,0031 0,0008 0,0002 0,0000<br />
2 0,9335 0,7054 0,4413 0,2369 0,1113 0,0462 0,0170 0,0055 0,0015 0,0004<br />
3 0,9868 0,8850 0,6841 0,4551 0,2631 0,1332 0,0591 0,0230 0,0077 0,0022<br />
4 0,9980 0,9648 0,8556 0,6733 0,4654 0,2822 0,1500 0,0696 0,0280 0,0096<br />
5 0,9998 0,9914 0,9463 0,8369 0,6678 0,4739 0,2968 0,1629 0,0777 0,0318<br />
6 1,0000 0,9983 0,9837 0,9324 0,8251 0,6655 0,4812 0,3081 0,1727 0,0835<br />
7 1,0000 0,9997 0,9959 0,9767 0,9225 0,8180 0,6656 0,4878 0,3169 0,1796<br />
8 1,0000 1,0000 0,9992 0,9933 0,9713 0,9161 0,8145 0,6675 0,4940 0,3238<br />
9 1,0000 1,0000 0,9999 0,9984 0,9911 0,9674 0,9125 0,8139 0,6710 0,5000<br />
10 1,0000 1,0000 1,0000 0,9997 0,9977 0,9895 0,9653 0,9115 0,8159 0,6762<br />
11 1,0000 1,0000 1,0000 1,0000 0,9995 0,9972 0,9886 0,9648 0,9129 0,8204<br />
12 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9969 0,9884 0,9658 0,9165<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9969 0,9891 0,9682<br />
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9972 0,9904<br />
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9978<br />
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996<br />
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
20 0 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000<br />
1 0,7358 0,3917 0,1756 0,0692 0,0243 0,0076 0,0021 0,0005 0,0001 0,0000<br />
2 0,9245 0,6769 0,4049 0,2061 0,0913 0,0355 0,0121 0,0036 0,0009 0,0002<br />
3 0,9841 0,8670 0,6477 0,4114 0,2252 0,1071 0,0444 0,0160 0,0049 0,0013<br />
4 0,9974 0,9568 0,8298 0,6296 0,4148 0,2375 0,1182 0,0510 0,0189 0,0059<br />
5 0,9997 0,9887 0,9327 0,8042 0,6172 0,4164 0,2454 0,1256 0,0553 0,0207<br />
6 1,0000 0,9976 0,9781 0,9133 0,7858 0,6080 0,4166 0,2500 0,1299 0,0577<br />
7 1,0000 0,9996 0,9941 0,9679 0,8982 0,7723 0,6010 0,4159 0,2520 0,1316<br />
8 1,0000 0,9999 0,9987 0,9900 0,9591 0,8867 0,7624 0,5956 0,4143 0,2517<br />
9 1,0000 1,0000 0,9998 0,9974 0,9861 0,9520 0,8782 0,7553 0,5914 0,4119<br />
10 1,0000 1,0000 1,0000 0,9994 0,9961 0,9829 0,9468 0,8725 0,7507 0,5881<br />
11 1,0000 1,0000 1,0000 0,9999 0,9991 0,9949 0,9804 0,9435 0,8692 0,7483<br />
12 1,0000 1,0000 1,0000 1,0000 0,9998 0,9987 0,9940 0,9790 0,9420 0,8684<br />
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9985 0,9935 0,9786 0,9423<br />
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9984 0,9936 0,9793<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 77
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9985 0,9941<br />
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987<br />
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998<br />
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000<br />
Pàg. 78 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
TABLA B<br />
Función de distribución de POISSON<br />
F<br />
( x;<br />
λ) = ∑<br />
λ<br />
x k<br />
−λ<br />
e<br />
k = 0 k!<br />
x<br />
λ 0 1 2 3 4 5 6 7 8 9<br />
0,02 0,980 1,000<br />
0,04 0,961 0,999 1,000<br />
0,06 0,942 0,998 1,000<br />
0,08 0,923 0,997 1,000<br />
0,1 0,905 0,995 1,000<br />
0,15 0,861 0,990 0,999 1,000<br />
0,2 0,819 0,982 0,999 1,000<br />
0,25 0,779 0,974 0,998 1,000<br />
0,3 0,741 0,963 0,996 1,000<br />
0,35 0,705 0,951 0,994 1,000<br />
0,4 0,670 0,938 0,992 0,999 1,000<br />
0,45 0,638 0,925 0,989 0,999 1,000<br />
0,5 0,607 0,910 0,986 0,998 1,000<br />
0,55 0,577 0,894 0,982 0,998 1,000<br />
0,6 0,549 0,878 0,977 0,997 1,000<br />
0,65 0,522 0,861 0,972 0,996 0,999 1,000<br />
0,7 0,497 0,844 0,966 0,994 0,999 1,000<br />
0,75 0,472 0,827 0,959 0,993 0,999 1,000<br />
0,8 0,449 0,809 0,953 0,991 0,999 1,000<br />
0,85 0,427 0,791 0,945 0,989 0,998 1,000<br />
0,9 0,407 0,772 0,937 0,987 0,998 1,000<br />
0,95 0,387 0,754 0,929 0,984 0,997 1,000<br />
1 0,368 0,736 0,920 0,981 0,996 0,999 1,000<br />
1,1 0,333 0,699 0,900 0,974 0,995 0,999 1,000<br />
1,2 0,301 0,663 0,879 0,966 0,992 0,998 1,000<br />
1,3 0,273 0,627 0,857 0,957 0,989 0,998 1,000<br />
1,4 0,247 0,592 0,833 0,946 0,986 0,997 0,999 1,000<br />
1,5 0,223 0,558 0,809 0,934 0,981 0,996 0,999 1,000<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 79
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
1,6 0,202 0,525 0,783 0,921 0,976 0,994 0,999 1,000<br />
1,7 0,183 0,493 0,757 0,907 0,970 0,992 0,998 1,000<br />
1,8 0,165 0,463 0,731 0,891 0,964 0,990 0,997 0,999 1,000<br />
1,9 0,150 0,434 0,704 0,875 0,956 0,987 0,997 0,999 1,000<br />
2 0,135 0,406 0,677 0,857 0,947 0,983 0,995 0,999 1,000<br />
2,2 0,111 0,355 0,623 0,819 0,928 0,975 0,993 0,998 1,000<br />
2,4 0,091 0,308 0,570 0,779 0,904 0,964 0,988 0,997 0,999 1,000<br />
2,6 0,074 0,267 0,518 0,736 0,877 0,951 0,983 0,995 0,999 1,000<br />
2,8 0,061 0,231 0,469 0,692 0,848 0,935 0,976 0,992 0,998 0,999<br />
3 0,050 0,199 0,423 0,647 0,815 0,916 0,966 0,988 0,996 0,999<br />
Pàg. 80 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución de POISSON<br />
λ 0 1 2 3 4 5 6 7 8 9<br />
x<br />
3,2 0,041 0,171 0,380 0,603 0,781 0,895 0,955 0,983 0,994 0,998<br />
3,4 0,033 0,147 0,340 0,558 0,744 0,871 0,942 0,977 0,992 0,997<br />
3,6 0,027 0,126 0,303 0,515 0,706 0,844 0,927 0,969 0,988 0,996<br />
3,8 0,022 0,107 0,269 0,473 0,668 0,816 0,909 0,960 0,984 0,994<br />
4 0,018 0,092 0,238 0,433 0,629 0,785 0,889 0,949 0,979 0,992<br />
4,2 0,015 0,078 0,210 0,395 0,590 0,753 0,867 0,936 0,972 0,989<br />
4,4 0,012 0,066 0,185 0,359 0,551 0,720 0,844 0,921 0,964 0,985<br />
4,6 0,010 0,056 0,163 0,326 0,513 0,686 0,818 0,905 0,955 0,980<br />
4,8 0,008 0,048 0,143 0,294 0,476 0,651 0,791 0,887 0,944 0,975<br />
5 0,007 0,040 0,125 0,265 0,440 0,616 0,762 0,867 0,932 0,968<br />
5,2 0,006 0,034 0,109 0,238 0,406 0,581 0,732 0,845 0,918 0,960<br />
5,4 0,005 0,029 0,095 0,213 0,373 0,546 0,702 0,822 0,903 0,951<br />
5,6 0,004 0,024 0,082 0,191 0,342 0,512 0,670 0,797 0,886 0,941<br />
5,8 0,003 0,021 0,072 0,170 0,313 0,478 0,638 0,771 0,867 0,929<br />
6 0,002 0,017 0,062 0,151 0,285 0,446 0,606 0,744 0,847 0,916<br />
10 11 12 13 14 15 16<br />
2,8 1,000<br />
3 1,000<br />
3,2 1,000<br />
3,4 0,999 1,000<br />
3,6 0,999 1,000<br />
3,8 0,998 0,999 1,000<br />
4 0,997 0,999 1,000<br />
4,2 0,996 0,999 1,000<br />
4,4 0,994 0,998 0,999 1,000<br />
4,6 0,992 0,997 0,999 1,000<br />
4,8 0,990 0,996 0,999 1,000<br />
5 0,986 0,995 0,998 0,999 1,000<br />
5,2 0,982 0,993 0,997 0,999 1,000<br />
5,4 0,977 0,990 0,996 0,999 1,000<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 81
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
5,6 0,972 0,988 0,995 0,998 0,999 1,000<br />
5,8 0,965 0,984 0,993 0,997 0,999 1,000<br />
6 0,957 0,980 0,991 0,996 0,999 0,999 1,000<br />
0 1 2 3 4 5 6 7 8 9<br />
6,2 0,002 0,015 0,054 0,134 0,259 0,414 0,574 0,716 0,826 0,902<br />
6,4 0,002 0,012 0,046 0,119 0,235 0,384 0,542 0,687 0,803 0,886<br />
6,6 0,001 0,010 0,040 0,105 0,213 0,355 0,511 0,658 0,780 0,869<br />
6,8 0,001 0,009 0,034 0,093 0,192 0,327 0,480 0,628 0,755 0,850<br />
7 0,001 0,007 0,030 0,082 0,173 0,301 0,450 0,599 0,729 0,830<br />
Pàg. 82 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución de POISSON<br />
λ 0 1 2 3 4 5 6 7 8 9<br />
x<br />
7,2 0,001 0,006 0,025 0,072 0,156 0,276 0,420 0,569 0,703 0,810<br />
7,4 0,001 0,005 0,022 0,063 0,140 0,253 0,392 0,539 0,676 0,788<br />
7,6 0,001 0,004 0,019 0,055 0,125 0,231 0,365 0,510 0,648 0,765<br />
7,8 0,000 0,004 0,016 0,048 0,112 0,210 0,338 0,481 0,620 0,741<br />
8 0,000 0,003 0,014 0,042 0,100 0,191 0,313 0,453 0,593 0,717<br />
8,5 0,000 0,002 0,009 0,030 0,074 0,150 0,256 0,386 0,523 0,653<br />
9 0,000 0,001 0,006 0,021 0,055 0,116 0,207 0,324 0,456 0,587<br />
9,5 0,000 0,001 0,004 0,015 0,040 0,089 0,165 0,269 0,392 0,522<br />
10 0,000 0,000 0,003 0,010 0,029 0,067 0,130 0,220 0,333 0,458<br />
10 11 12 13 14 15 16 17 18 19<br />
6,2 0,949 0,975 0,989 0,995 0,998 0,999 1,000<br />
6,4 0,939 0,969 0,986 0,994 0,997 0,999 1,000<br />
6,6 0,927 0,963 0,982 0,992 0,997 0,999 0,999 1,000<br />
6,8 0,915 0,955 0,978 0,990 0,996 0,998 0,999 1,000<br />
7 0,901 0,947 0,973 0,987 0,994 0,998 0,999 1,000<br />
7,2 0,887 0,937 0,967 0,984 0,993 0,997 0,999 1,000<br />
7,4 0,871 0,926 0,961 0,980 0,991 0,996 0,998 0,999 1,000<br />
7,6 0,854 0,915 0,954 0,976 0,989 0,995 0,998 0,999 1,000<br />
7,8 0,835 0,902 0,945 0,971 0,986 0,993 0,997 0,999 1,000<br />
8 0,816 0,888 0,936 0,966 0,983 0,992 0,996 0,998 0,999 1,000<br />
8,5 0,763 0,849 0,909 0,949 0,973 0,986 0,993 0,997 0,999 0,999<br />
9 0,706 0,803 0,876 0,926 0,959 0,978 0,989 0,995 0,998 0,999<br />
9,5 0,645 0,752 0,836 0,898 0,940 0,967 0,982 0,991 0,996 0,998<br />
10 0,583 0,697 0,792 0,864 0,917 0,951 0,973 0,986 0,993 0,997<br />
20 21 22<br />
8,5 1,000<br />
9 1,000<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 83
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
9,5 0,999 1,000<br />
10 0,998 0,999 1,000<br />
0 1 2 3 4 5 6 7 8 9<br />
10,5 0,000 0,000 0,002 0,007 0,021 0,050 0,102 0,179 0,279 0,397<br />
11 0,000 0,000 0,001 0,005 0,015 0,038 0,079 0,143 0,232 0,341<br />
11,5 0,000 0,000 0,001 0,003 0,011 0,028 0,060 0,114 0,191 0,289<br />
12 0,000 0,000 0,001 0,002 0,008 0,020 0,046 0,090 0,155 0,242<br />
12,5 0,000 0,000 0,000 0,002 0,005 0,015 0,035 0,070 0,125 0,201<br />
Pàg. 84 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución de POISSON<br />
λ 0 1 2 3 4 5 6 7 8 9<br />
x<br />
13 0,000 0,000 0,000 0,001 0,004 0,011 0,026 0,054 0,100 0,166<br />
13,5 0,000 0,000 0,000 0,001 0,003 0,008 0,019 0,041 0,079 0,135<br />
14 0,000 0,000 0,000 0,000 0,002 0,006 0,014 0,032 0,062 0,109<br />
14,5 0,000 0,000 0,000 0,000 0,001 0,004 0,010 0,024 0,048 0,088<br />
15 0,000 0,000 0,000 0,000 0,001 0,003 0,008 0,018 0,037 0,070<br />
10 11 12 13 14 15 16 17 18 19<br />
10,5 0,521 0,639 0,742 0,825 0,888 0,932 0,960 0,978 0,988 0,994<br />
11 0,460 0,579 0,689 0,781 0,854 0,907 0,944 0,968 0,982 0,991<br />
11,5 0,402 0,520 0,633 0,733 0,815 0,878 0,924 0,954 0,974 0,986<br />
12 0,347 0,462 0,576 0,682 0,772 0,844 0,899 0,937 0,963 0,979<br />
12,5 0,297 0,406 0,519 0,628 0,725 0,806 0,869 0,916 0,948 0,969<br />
13 0,252 0,353 0,463 0,573 0,675 0,764 0,835 0,890 0,930 0,957<br />
13,5 0,211 0,304 0,409 0,518 0,623 0,718 0,798 0,861 0,908 0,942<br />
14 0,176 0,260 0,358 0,464 0,570 0,669 0,756 0,827 0,883 0,923<br />
14,5 0,145 0,220 0,311 0,413 0,518 0,619 0,711 0,790 0,853 0,901<br />
15 0,118 0,185 0,268 0,363 0,466 0,568 0,664 0,749 0,819 0,875<br />
20 21 22 23 24 25 26 27 28 29<br />
10,5 0,997 0,999 0,999 1,000<br />
11 0,995 0,998 0,999 1,000<br />
11,5 0,992 0,996 0,998 0,999 1,000<br />
12 0,988 0,994 0,997 0,999 0,999 1,000<br />
12,5 0,983 0,991 0,995 0,998 0,999 0,999 1,000<br />
13 0,975 0,986 0,992 0,996 0,998 0,999 1,000<br />
13,5 0,965 0,980 0,989 0,994 0,997 0,998 0,999 1,000<br />
14 0,952 0,971 0,983 0,991 0,995 0,997 0,999 0,999 1,000<br />
14,5 0,936 0,960 0,976 0,986 0,992 0,996 0,998 0,999 0,999 1,000<br />
15 0,917 0,947 0,967 0,981 0,989 0,994 0,997 0,998 0,999 1,000<br />
4 5 6 7 8 9 10 11 12 13<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 85
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
16 0,000 0,001 0,004 0,010 0,022 0,043 0,077 0,127 0,193 0,275<br />
17 0,000 0,001 0,002 0,005 0,013 0,026 0,049 0,085 0,135 0,201<br />
18 0,000 0,000 0,001 0,003 0,007 0,015 0,030 0,055 0,092 0,143<br />
19 0,000 0,000 0,001 0,002 0,004 0,009 0,018 0,035 0,061 0,098<br />
20 0,000 0,000 0,000 0,001 0,002 0,005 0,011 0,021 0,039 0,066<br />
21 0,000 0,000 0,000 0,000 0,001 0,003 0,006 0,013 0,025 0,043<br />
22 0,000 0,000 0,000 0,000 0,001 0,002 0,004 0,008 0,015 0,028<br />
23 0,000 0,000 0,000 0,000 0,000 0,001 0,002 0,004 0,009 0,017<br />
24 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,003 0,005 0,011<br />
25 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,001 0,003 0,006<br />
Pàg. 86 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
<strong>Problemes</strong><br />
Función de distribución de POISSON<br />
λ 14 15 16 17 18 19 20 21 22 23<br />
x<br />
16 0,368 0,467 0,566 0,659 0,742 0,812 0,868 0,911 0,942 0,963<br />
17 0,281 0,371 0,468 0,564 0,655 0,736 0,805 0,861 0,905 0,937<br />
18 0,208 0,287 0,375 0,469 0,562 0,651 0,731 0,799 0,855 0,899<br />
19 0,150 0,215 0,292 0,378 0,469 0,561 0,647 0,725 0,793 0,849<br />
20 0,105 0,157 0,221 0,297 0,381 0,470 0,559 0,644 0,721 0,787<br />
21 0,072 0,111 0,163 0,227 0,302 0,384 0,471 0,558 0,640 0,716<br />
22 0,048 0,077 0,117 0,169 0,232 0,306 0,387 0,472 0,556 0,637<br />
23 0,031 0,052 0,082 0,123 0,175 0,238 0,310 0,389 0,472 0,555<br />
24 0,020 0,034 0,056 0,087 0,128 0,180 0,243 0,314 0,392 0,473<br />
25 0,012 0,022 0,038 0,060 0,092 0,134 0,185 0,247 0,318 0,394<br />
24 25 26 27 28 29 30 31 32 33<br />
16 0,978 0,987 0,993 0,996 0,998 0,999 0,999 1,000<br />
17 0,959 0,975 0,985 0,991 0,995 0,997 0,999 0,999 1,000<br />
18 0,932 0,955 0,972 0,983 0,990 0,994 0,997 0,998 0,999 1,000<br />
19 0,893 0,927 0,951 0,969 0,980 0,988 0,993 0,996 0,998 0,999<br />
20 0,843 0,888 0,922 0,948 0,966 0,978 0,987 0,992 0,995 0,997<br />
21 0,782 0,838 0,883 0,917 0,944 0,963 0,976 0,985 0,991 0,994<br />
22 0,712 0,777 0,832 0,877 0,913 0,940 0,959 0,973 0,983 0,989<br />
23 0,635 0,708 0,772 0,827 0,873 0,908 0,936 0,956 0,971 0,981<br />
24 0,554 0,632 0,704 0,768 0,823 0,868 0,904 0,932 0,953 0,969<br />
25 0,473 0,553 0,629 0,700 0,763 0,818 0,863 0,900 0,929 0,950<br />
34 35 36 37 38 39 40 41 42 43<br />
19 0,999 1,000<br />
20 0,999 0,999 1,000<br />
21 0,997 0,998 0,999 0,999 1,000<br />
22 0,994 0,996 0,998 0,999 0,999 1,000<br />
23 0,988 0,993 0,996 0,997 0,999 0,999 1,000<br />
24 0,979 0,987 0,992 0,995 0,997 0,998 0,999 0,999 1,000<br />
25 0,966 0,978 0,985 0,991 0,994 0,997 0,998 0,999 0,999 1,000<br />
Prof. Lídia Montero i Mónica Bécue Curs 2003-2004 pàg. 87
<strong>Problemes</strong><br />
Diplomatura d’Estadística<br />
Assignatura Càlcul de Probabilitats<br />
TABLA C<br />
Áreas acumuladas de la<br />
distribución NORMAL ESTANDARIZADA<br />
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09<br />
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359<br />
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753<br />
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141<br />
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517<br />
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879<br />
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224<br />
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549<br />
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852<br />
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133<br />
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389<br />
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621<br />
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830<br />
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015<br />
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177<br />
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319<br />
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441<br />
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545<br />
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633<br />
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706<br />
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767<br />
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817<br />
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857<br />
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890<br />
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916<br />
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936<br />
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952<br />
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964<br />
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974<br />
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981<br />
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986<br />
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990<br />
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993<br />
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995<br />
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997<br />
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998<br />
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998<br />
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999<br />
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999<br />
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999<br />
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000<br />
Pàg. 88 Curs 2004-2005 Prof. Lídia Montero i Mónica Bécue