Professional Documents
Culture Documents
Distribucio de Probabiltat
Distribucio de Probabiltat
DISTRIBUCI DE PROBABILITAT
Molts fenmens naturals i socials, com ara el conjunt de les notes dun examen dels alumnes duna classe, el pes dels nadons nascuts en un determinat hospital o el coecient dintelligncia duna poblaci, segueixen una distribuci de probabilitat molt caracterstica: la distribuci normal.
238
10
BLOC 4. ESTADSTICA
Desprs de realitzar-lo. En aquest cas els resultats obtinguts constitueixen els valors duna variable estadstica. El nombre de vegades que es repeteix cadascun dels valors sn les freqncies. Abans de realitzar-lo. Els possibles resultats sn els diferents successos que depenen de latzar i que originen una variable, els valors de la qual tindran una certa probabilitat de repetir-se. Aquestes noves variables sn les que sanomenen variables aleatries.
Considerem lespai mostral , associat a un experiment aleatori E. Una variable aleatria X associada a aquest experiment s una aplicaci de lespai mostral en el conjunt dels nombres reals. X: R El conjunt imatge daquesta aplicaci s el recorregut de la variable. Aix, els elements del recorregut, que constitueixen un subconjunt dels nombres reals, sn els valors que pren la variable. El concepte de variable aleatria sorgeix davant la necessitat de quanticar els possibles resultats dels experiments aleatoris per poder fer-hi operacions. Els conceptes de variable estadstica i de freqncia van lligats al de mostra, ja que lexperiment es considera desprs de realitzar-lo. En canvi, els conceptes de variable aleatria i de probabilitat sn terics i resulten duna abstracci dels anteriors. Les variables aleatries, com les estadstiques, poden ser discretes o contnues, i donen lloc a les respectives distribucions de probabilitat. Les representacions, en el cas de les variables aleatries discretes, sn semblants a les descrites per a les variables estadstiques discretes, i condueixen als diagrames de barres. Per aquest motiu, noms cal que substitum les freqncies per les probabilitats. En el cas de variables aleatries contnues, el tractament s ms complex. Comenarem per les variables aleatries discretes. Una variable aleatria s discreta si el conjunt de valors que pren s nit. Aquest conjunt es representar per {x1, x2, x3 xn}, on els valors xi habitualment sn nombres enters. Denim la funci de probabilitat o llei de probabilitat de la variable aleatria discreta X com la funci que assigna a cadascun dels valors xi que pren la variable la corresponent probabilitat pi. En general, escrivim: p[X = xi] = pi , i = 1, 2, 3, , n. Aquesta funci verica les propietats segents: 1. pi 0, i = 1, 2, 3, , n.
n
2. opi = 1
i=1
en qu X s la variable aleatria discreta; p, la funci de probabilitat; Ai, un succs elemental de lexperiment aleatori; xi, el valor que pren la variable X per al succs Ai, i pi, la probabilitat associada al succs X = xi.
DISTRIBUCI DE PROBABILITAT
10
239
De vegades no interessa tant conixer la probabilitat que una variable discreta X prengui un determinat valor xi, com la probabilitat que prengui un valor ms petit o igual que xi. s el concepte acumulatiu de la probabilitat. Per aquest motiu, denim la funci de distribuci com la funci:
i
xi R
Tamb se lanomena funci de distribuci de probabilitats acumulades. No hem doblidar que, mentre la funci de probabilitat es deneix nicament per als possibles valors de la variable X, el domini de denici de la funci de distribuci sn tots els nombres reals. En una variable aleatria discreta es poden calcular els parmetres de la distribuci de probabilitat:
j
oxp
i i=1
2 2 = o (xi )2 pi = o xi p2 i
j
n i=1
o(xi )2 pi =
o
n
i=1
2 xi p2 i
Els parmetres duna distribuci de probabilitat sn semblants als duna distribuci estadstica. Noms cal que canviem les freqncies relatives per les probabilitats.
EX EMP L E 1
En lexperiment aleatori de llanar dues monedes, lespai mostral s: = {(c, c), (c, x), (x, c), (x, x)} Resoluci Si denim la variable X: nombre de cares, tindrem una funci que a cada element de lespai mostral, s a dir, a cada resultat de lexperiment, li assigna el nombre de cares. X(c, c) = 2, X(c, x), X(x, c) = 1 i X(x, x) = 0 Suposant que les monedes estiguin perfectament equilibrades i, per tant, que els successos elementals siguin equiprobables, sobt la taula 10.1:
(c, x), (x, c) (c, c)
Taula 10.1
240
10
BLOC 4. ESTADSTICA
Fig. 10.1
Fig. 10.2
Per determinar-ne la funci de distribuci corresponent, hem de calcular la imatge F(x) per a qualsevol valor x [ R. Per a qualsevol valor x < 0 tindrem que: F(x) = p[X < 0] = 0 F(0) = p[X 0] = p[X = 0] = 1 4 F(1) = p[X 1] = p[X = 0] + p[X = 1] = F(0) + p[X = 1] = = 1 + 1 = 3 2 4 4 F(2) = p[X 2] = p[X = 0] + p[X = 1] + p[X = 2] = = F(1) + p[X = 2] = 3 + 1 = 1 4 4 Don obtenim la funci de distribuci de la variable X: 0 1 4 3 4 1 si x < 0 si 0 x < 1 si 1 x < 2 si x 2
A partir de la grca podem observar les propietats que verica la funci de distribuci: 1. 0 F(x) 1 2. La grca de la funci F(x) s esglaonada. 3. F(x) = 0 per a qualsevol valor anterior al valor ms petit de la variable aleatria discreta. 4. F(x) = 1 per a qualsevol valor igual o posterior al valor ms gran de la variable aleatria discreta. 5. F(x) s una funci creixent. Finalment, calcularem lesperana matemtica i la desviaci tipus. = oxi pi = 0 1 + 1 1 + 2 1 = 1 4 2 4 i=1 A partir de la taula 10.1 es dedueix que, efectivament, el valor ms esperat de la variable s x = 1 s2 =
3
/x
3 i=1
2 i
F(x) =
1 1 2 2 2 pi -m2 = 02 $ 1 4 +1 $ 2 +2 $ 4 -1 = 3 -1 = 1 =2 2
/x p -m =
3 i=1 2 i 2 i
1 2
= 0, 7071
DISTRIBUCI DE PROBABILITAT
10
ACTIVITATS
241
1> Llancem tres monedes. Denim la variable aleatria X com el nombre de creus que surtin. a) Determina la funci de probabilitat i la funci de distribuci de la variable X. b) Representa grcament la funci de probabilitat i la funci de distribuci. c) Calcula lesperana matemtica i la desviaci tpica. 3; s = 3 R: c) m = 2 2
xi pi
2 1 8
1 1 6
0 1 8
2 1 4
4 1 3
Taula 10.2
a) Determina la funci de distribuci i representala grcament. b) Troba lesperana, la varincia i la desviaci tpica. X; = 2,2345 X; 2 = 4,99305 R: b) = 1,416
;i = 1, 2, 3, n
242
10
BLOC 4. ESTADSTICA
La funci de probabilitat duna variable aleatria discreta X: nombre dxits que segueix una distribuci binomial B(n, p) s: p [X = k] = n pk (1 p)n k = n pk qn k k k en qu k = 0, 1, 2, 3... n indica el nombre dxits.
( )
( )
( )
= n qn + n p qn1 + n p2 qn2 + + n pn1 q + n pn = (p + q)n = 1n = 1 0 1 2 k k Observa que en aquesta ltima demostraci sha utilitzat el desenvolupament del binomi de Newton. La funci de distribuci duna variable aleatria binomial X s: F(x) = p[X x] = p[X = 0] + p[X = 1] + p[X = 2] + + p[X = k] =
k
( ) ( )
( )
( )
( )
= n qn + n p qn1 + n p2 qn2 + + n pk qnk = o n pi qni 0 1 2 k i i=0 k s el nombre enter ms gran que s ms petit o igual que x. Aquesta funci assigna a cada valor real x la probabilitat que la variable X prengui valors ms petits o iguals que x.
( ) ( )
( )
( )
( )
EX EMP L E 2
La probabilitat de guanyar en una competici s p = 1 . Si se celebren sis proves, quina 5 s la probabilitat de guanyar, com a mnim, quatre vegades? I la de guanyar menys de cinc vegades?
Resoluci Denim el succs A: guanyar en una competici: ]) = 4 p = p(A) = 1 i q = p(A 5 5 La variable X: nombre de competicions guanyades segueix una distribuci binomial B 6, 1 . Per tant, la 5 probabilitat de guanyar, com a mnim, quatre de les sis vegades ser:
I la probabilitat de guanyar menys de cinc vegades: p[X < 5] = 1 p[X 5] = 1 ( p[X = 5] + p[X = 6]) = = 624 + 1 = 1 25 = 1 14 = 624 = 1 24 54 625 56 5 5 6 56
= 4 096 15 625
5 6
4 =64 ( )1 5 5 (5)
2 4
= 6 144 15 625
4 6 4 = 3 45 = 768 5 3 125 4 = 45 = 256 5 3 125
p[X = 2] = 6 2 p[X = 3] = 6 3
4 = 15 4 ( )( 1 5) (5) 5
3 3
4 = 20 4 ( )( 1 5) (5) 5
3 6
DISTRIBUCI DE PROBABILITAT
10
243
p[X = 4] = 6 4 p[X = 5] = 6 5
4 = 15 4 ( )( 1 5) (5) 5
5 6
2 6
2 = 3 45 = 48 5 3 125 3 6
Els parmetres de la distribuci de probabilitat de la variable X denida en lexemple sn: Lesperana: = n p = 6 1 = 6 5 5 La varincia: 2 = n p q = 6 1 4 = 24 5 5 25 La desviaci tpica: = n p q = 24 = 2 6 25 5
4 =6 4 =32 ( )( 1 5 5) 5 5 = 1 ( )( 1 5) 5
6 6
24 15 625
p[X = 6] = 6 6
1 15 625
- 0,98
ACTIVITATS
10> Determina el nombre esperat de nenes en una famlia de vuit lls, si suposem igualment probable la distribuci de sexes. Quina s la probabilitat que la famlia tingui el nombre esperat de nenes? R: 4 nenes; p = 35 128
6> Calcula:
a) p[X = 5], en B 7, 1 ; b) p[X 2], en B 5, 1 3 2 2 2 c) p[X > 3], en B 8, ; d ) , i , en B 10, 3 3 5 R: a) 28 ; b) 1 ; c) 5 984 ; 729 2 6 561 12 d) = 6; 2 = ; = 2 3 5 5
( ) ( )
( ) ( )
7>
Llancem una moneda enlaire 100 vegades. Estableix la probabilitat dobtenir: a) 47 cares. b) 35 creus. c) Almenys 2 cares. d ) Cap creu. Una famlia de Tarragona t cinc lls. Suposant que la probabilitat que un dels lls sigui nen s 0,45, calcula la probabilitat que siguin: a) Tres nens i dues nenes. b) Menys nens que nenes. c) Una sola nena. d ) Cap nen. R: a) 0,27565; b) 0,59313; c) 0,11277; d ) 0,05033
8>
13> Una determinada malaltia t un ndex de mortalitat del 20 %. Si en un hospital hi ha sis persones afectades, calcula la probabilitat que almenys la meitat dels pacients sobrevisqui. R: p = 0,98304
244
10
BLOC 4. ESTADSTICA
X fi
(0, 1] 0,04
(1, 2] 0,05
(2, 3] 0,12
(3, 4] 0,14
(4, 5] 0,25
(5, 6] 0,15
(6, 7] 0,08
Taula 10.3
Fig. 10.3
Si realitzssim el mateix estudi per a totes les notes dels 100 alumnes i les aproximssim ns a les dcimes, centsimes, millsimes, etc., obtindrem un polgon de freqncies semblant al de la gura 10.4.
Fig. 10.4
En les variables aleatries discretes es defineix la funci de probabilitat, mentre que en les variables aleatries contnues es defineix la funci de densitat.
Aquest diagrama ens pot proporcionar una idea intutiva duna distribuci de probabilitat contnua. Per a una variable aleatria contnua X, es deneix la funci de densitat f(x) de la variable, de manera que: 1. f(x) 0, ;x [ R. 2. Lrea del recinte que determina la grca de f(x) amb leix OX s 1. La funci de distribuci, igual que en el cas de les variables discretes, es deneix: F(x) = p[X x], ;x [ R Per tant, aquesta funci acumula la funci de densitat corresponent a tots els valors reals ms petits o iguals que x. La funci de distribuci s la que sutilitza per al clcul de probabilitats duna variable aleatria contnua, de manera que:
DISTRIBUCI DE PROBABILITAT
10
245
F(x1) = p[X x1] s lrea del recinte que determina la grca de la funci de densitat amb leix OX en linterval (, x1]. p[X x1] s lrea del recinte que determina la grca de la funci de densitat amb leix dabscisses en linterval [x1, +). Com que lrea total s 1, tenim que: p[X x1] = 1 p[X x1] = 1 F(x1)
p[x1 X x2] s lrea del recinte que determina la grca de la funci de densitat amb leix OX en [x1, x2]. s a dir, p[x1 X x2] = p[X x2] p[X x1] = F(x2) F(x1)
En una distribuci contnua de probabilitat sutilitza la nomenclatura p[X x1], tot i que shagi de calcular p[X < x1], ja que: p[X x1] = p[X < x1] + p[X = x1] i p[X = x1] = p[x1 X x1] = F(x1) F(x1) = 0
EX EMP L E 3
b) p[X 0] = 1 ja que lrea del recinte deter2 1 minat per f (x) en linterval [0, +) s . 2 Al mateix temps, es verica que
1 si 1 x 1 2 2 Esbrina si f (x) = 0 per als altres valors de x [ R s una funci de densitat. Resoluci Nhi ha prou a comprovar que verica les dues condicions de la denici de funci de densitat. 1. A partir de la denici de la funci f (x) tenim que f (x) 0, ;x [ R. 2. Lrea del recinte que determina la grca de la funci f (x) amb leix OX s: A = 1 1 1 = 1 1 = 1 (vegeu g. 10.5) 2 2 Per tant, f (x) s una funci de densitat. Calculem algunes probabilitats a partir de la funci de distribuci corresponent. a) F = p[X 1 ] s lrea del recinte determinat (1 5) 5 per la funci f (x) en linterval (, 1 ], per tant: 5 F ( 1 ) = p[X 1 ] = [ 1 ( 1 )] 1 = 7 5 5 5 10 2
c) p 1 X 1 = 1 1 6 4 6 4 deix amb:
] [
5 , que coinci( )] 1 = 12
( )]
pX 1 pX1 = 1 1 1 1 6 4 6 2 4 2 = 2 1 = 5 3 4 12
] [
( ) [
( )] =
(vegeu g. 10.5)
Fig. 10.5
246
10
ACTIV ITATS
BLOC 4. ESTADSTICA
a) Calcula el valor de k per tal que la funci f (x) sigui una funci de densitat. b) Troba p[2 X 3,5] per al valor de k calculat en lapartat anterior. R: a) k = 2 ; b) 33 100 25
c) p 1 X 3 4 2
que s lexpressi algbrica de la corba normal o campana de Gauss (g. 10.6). Els valors de i sanomenen parmetres de la distribuci normal.
Fig. 10.6
DISTRIBUCI DE PROBABILITAT
10
247
4. Per a x > 0, els valors de la funci sapropen a zero a mesura que augmenta x. Per a x < 0, els valors de la funci tamb sapropen a zero a mesura que disminueix x. 5. Lrea del recinte que determina la corba amb leix OX s 1, ja que es tracta duna funci de densitat. 6. En els intervals ( , + ); ( 2, + 2) i ( 3, + 3), shi troba el 68,26 %; 95,44 % i 99,74 %, respectivament, del total de lrea (g. 10.7).
Els valors de la variable, tals que x n 3v o x n + 3v, es troben en una zona en qu lrea s el 0,26 % del total, s a dir, prcticament zero.
Fig. 10.7
La forma de la grca de la funci de densitat dependr dels valors de i . Tot seguit, mostrem les grques per a diferents valors dels parmetres i (g. 10.8).
Fig. 10.8
Fig. 10.9
248
10
BLOC 4. ESTADSTICA
La relaci que existeix entre la funci de densitat i la funci de distribuci duna variable contnua amb distribuci normal N(, ) es representa en la gura 10.10.
Fig. 10.10
El valor de lrea assenyalada coincideix amb el valor de F(x1). La distribuci N(0, 1) es coneix amb el nom de distribuci normal reduda, la funci de densitat de la qual s: x 1 e 2 f(x) = 2
2
Fig. 10.11
s a dir, si la variable aleatria contnua X segueix una distribuci normal N(, ), aleshores la variable Z = X segueix una distribuci normal N(0, 1). Per facilitar el clcul de F(z1) = p[Z z1] en una distribuci normal N(0, 1), sha elaborat la taula 10.4, que pots trobar al nal de la unitat, dutilitzaci molt senzilla. Els valors que hi apareixen sn els de la probabilitat que coincideixen amb lrea del recinte que determina la funci de densitat en linterval (, z1] per a z1 0. s a dir, ens dna lrea que hi ha ns al valor Z = z1 0.
DISTRIBUCI DE PROBABILITAT
10
249
En la taula noms apareixen probabilitats per a valors positius de la variable Z, atesa la simetria respecte de la recta x = 0 de la grca de la funci de densitat de la distribuci normal N(0,1). La variable contnua no seguir sempre una distribuci normal reduda. En aquests casos, cal transformar la variable X en la variable tipicada Z.
EX EMP LE 4
Vegem com sutilitza la taula 10.3 de distribuci normal reduda. a) p[Z 0,56] s lrea assenyalada en la gura 10.12. Aquesta probabilitat es troba directament en la taula. Nhi ha prou a buscar el valor que tenen en com la la 0,5 i la columna 0,06. Obtenim p[Z 0,56] = 0,7123. b) p[Z 1,43] s lrea marcada en la gura 10.13. p[Z 1,43] = 1 p[Z 1,43] = = 1 0,9263 = 0,0737 c) p[Z 1,43] s lrea que assenyalem en la gura 10.14. Aquest valor no es troba en la taula, per tenint en compte que la corba s simtrica respecte de la recta x = 0, es dedueix que: p[Z 1,43] = p[Z 1,43] = 0,0737 d) p[Z 2,42] s lrea que sindica en la gura 10.15. p[Z 2,42] = p[Z 2,42] = 0,9922 e) p[0,94 Z 1,46] s lrea assenyalada en la gura 10.16. p[0,94 Z 1,46] = = p[Z 1,46] p[Z 0,94] = = p[Z 1,46] p[Z 0,94] = = p[Z 1,46] (1 p[Z 0,94] = = 0,9279 (1 0,8264) = = 0,9279 0,1736 = 0,7543 f) p[Z = 1,43] = 0 (gura 10.17). En les distribucions de probabilitat contnua la probabilitat que Z prengui un nic valor s sempre 0.
Fig. 10.14 Fig. 10.13 Fig. 10.12
Fig. 10.15
Fig. 10.16
250
10
EX EMP L E 5
BLOC 4. ESTADSTICA
Es tracta ara de fer el procs invers, s a dir, determinar el valor de la variable Z si es coneix el valor de la probabilitat. a) Si p[Z z1] = 0,9099, quin s el valor de z1? A partir de la grca (g. 10.17) podem deduir que ser un valor positiu, per tant, el trobarem directament en la taula. Com que el valor 0,9099 s com a la la 1,3 i a la columna 0,04, tenim que z1 = 1,34. b) p[Z z2] = 0,4562 (g. 10.18).
Fig. 10.17
El valor de z2 no es troba en la taula, ja que s un valor negatiu. Aleshores: p[Z z2] = p[Z z2] = = 1 p[Z z2] p[Z z2] = = 1 p[Z z2] = 1 0,4562 = 0,5438 Aquest ltim valor de la probabilitat s que apareix en la taula. En conseqncia, tenim que: z2 = 0,11 z2 = 0,11 c) p[Z z3] = 0,8461 (g. 10.19). p[Z z3] = p[Z z3] = 0,8461
Fig. 10.19
Fig. 10.18
z3 = 1,02
z3 = 1,02
EX EMP LE 6
Resoldrem exercicis semblants, per ara amb una variable contnua X que segueix una distribuci normal no reduda. Si X s una variable amb una distribuci normal N 64, 5 , quan la tipiquem 2 obtenim una variable Z = X 64 2,5 amb distribuci N(0, 1), de manera que: 70 64 6 = = 2,4. a) p[X 70] = p[Z 2,4] = 0,9918, ja que z = 2,5 2,5
b) p[X 61,3] = p[Z 1,08] = p[Z 1,08] = 0,8599. c) p[59 X 68] = p[2 Z 1,6] = p[Z 1,6] p[Z 2] = = p[Z 1,6] p[Z 2] = p[Z 1,6] (1 p[Z 2]) = = 0,9542 (1 0,9772) = 0,9542 0,0228 = 0,9314 d ) Si p[X x1] = 0,2358, quin s el valor de x1? Considerem: p[Z z1] = 0,2358 z1 = x1 64 2,5 p[Z z1] = 1 p[Z z1] = 1 0,2358 = 0,7642 z1 = 0,72. Tenim que p[Z z1] = 0,7642
DISTRIBUCI DE PROBABILITAT
10
EX EMP L E 7
251
El pes dels nadons en una poblaci segueix una distribuci normal amb mitjana = 3,5 kg i desviaci tpica = 0,2 kg. a) Quina s la probabilitat que un nad pesi ms de 4 kg? I menys de 3,8 kg? b) Quin s el pes que s superat pel 45 % dels nadons? Resoluci La variable X: pes dels nadons segueix una distribuci normal N(3,5, 0,2). Cal tipicar la variable X mitjanant lexpressi Z = X 3,5 . 0,2 z1 = 4 3,5 = 0,5 = 2,5 a) x1 = 4 0,2 0,2 p[X 4] = p[Z 2,5] = 1 p[Z 2,5] = 1 0,9938 = = 0,0062 z2 = 3,8 3,5 = 0,3 = 1,5 x2 = 3,8 0,2 0,2 p[X 3,8] = p[Z 1,5] = 0,9332
b) Si el 45 % dels nadons supera un determinat pes, signica que p[X x3] = 0,45, en qu x3 s el valor que hem de determinar. Considerem la mateixa probabilitat per a la variable tipicada p[Z z3] = 0,45. De p[Z z3] = 0,45, obtenim que p[Z z3] = 1 0,45 = 0,55 z3 = 0,13.
El valor de probabilitat 0,55 no surt en la taula. El que ms shi aproxima s 0,5517, que correspon a z3 = 0,13. x3 = z3 + Si z3 = 0,13, aleshores x3 = 0,2 0,13 + 3,5 = 0,026 + 3,5 = 3,526. Podem armar que un 45 % dels nadons pesa ms de 3,526 kg.
ACTIVITATS
22> Tenint en compte que lrea que es dna fa referncia a una distribuci normal N(0, 1), determina el valor o els valors de la variable Z en cadascun dels casos segents: a) Lrea entre 0 i z s 0,3770. b) Lrea a lesquerra de z s 0,8621. c) Lrea entre 1,5 i z s 0,0217.
252
10
BLOC 4. ESTADSTICA
()
Per el clcul daquesta expressi s complicat quan el valor de n s gran, per la qual cosa la distribuci binomial B(n, p) s prcticament inaplicable per a valors grans de n. De Moivre va demostrar que una distribuci binomial B(n, p) saproxima a una distribuci normal de parmetres = n p i = n p q quan el valor de n s molt gran. Aquesta aproximaci es considera correcta si es veriquen les condicions segents: a) n 30. b) Com ms gran sigui n i ms saproximi a 0,5 el valor de p, millor resultar laproximaci.
Per aproximar una distribuci B(n, p) per una distribuci N(, ), primer cal comprovar que es verifiquen les condicions esmentades, i desprs calcular la mitjana i la desviaci tpica de la distribuci binomial.
En una distribuci binomial t sentit parlar de p[X = x1], en qu x1 s un nombre enter ms gran o igual que zero, mentre que en les distribucions contnues succeix que p[X = x1] = 0. Per tal que aix no succeeixi, quan aproximem una distribuci binomial per una normal establim el criteri segent: si volem trobar p[X = x1], quan fem laproximaci calcularem p[x1 0,5 X x1 + 0,5]. Per exemple, per determinar p[X = 2] calcularem: p[1,5 X 2,5] = p[X 2,5] p[X 1,5]
EX EMP L E 8
En un estudi realitzat a 2 000 persones sha comprovat que la probabilitat que un individu tingui un nivell alt de colesterol s p = 0,6. Considera la variable X: nombre dindividus que tenen un nivell alt de colesterol i calcula: a) p[1 180 X 1 220] b) p[X 1 225] c) p[X = 1 195] Resoluci X s una variable aleatria que segueix una distribuci binomial B(2 000, 0,6), la mitjana de la qual s = 2 000 0,6 = 1 200 i la desviaci tpica: = 2 000 0,6 0,4 = 480 = 21,9 Com que n > 30 i p . 0,5, podem aproximar aquesta distribuci binomial per una normal N(1 200, 21,9). a) Per calcular p[1 180 X 1 220] hem de calcular p[ 0,91 Z 0,91], ja que: z1 = 1 180 1 220 = 0,91 i z2 = 1 220 1 200 = 0,91, 21,9 21,9 don obtenim que: p[1 180 X 1 220] = p[ 0,91 Z 0,91] = = p[Z 0,91] p[Z 0,91] = 2( p[Z 0,91] 0,5) = = 2(0,8186 0,5) = 2 0,3186 = 0,6372 b) En ser z = 1 225 1 200 = 1,14, tenim: 21,9 p[X 1 225] = p[Z 1,14] = 1 p[Z 1,14] = = 1 0,8729 = 0,1271 c) Tenint en compte el criteri enunciat anteriorment, en aquest cas hem de trobar p[1 194,5 X 1 195,5] en la distribuci normal. Primer calculem els valors de la variable tipicada: z1 = 1 194,5 1 200 = 0,25 21,9 z2 = 1 195,5 1 200 = 0,21 21,9 p[1 194,5 X 1 195,5] = p[ 0,25 Z 0,21] = = p[Z 0,21] p[Z 0,25] = = p[Z 0,21] p[Z 0,25] = p[Z 0,25] p[Z 0,21] = = 0,5987 0,5832 = 0,0155
DISTRIBUCI DE PROBABILITAT
10
ACTIVITATS
253
-0
26> Es llana un dau 180 vegades. Troba la probabilitat dobtenir el nmero 6 entre 29 i 32 vegades (ambdues incloses). R: p = 0,3094
- 0; b) p - 0; c) p - 0
27> Tirem enlaire 500 vegades una moneda que ha estat trucada, de manera que la probabilitat dobte2 nir creu s . Calcula la probabilitat que el nom5 bre de cares no difereixi de 300: a) En ms de 10 tirades. b) En ms de 20 tirades. R: a) p = 0,663; b) p = 0,9386
mati un mosquit s 0,75. Si dirigim el vaporitzador contra 100 mosquits, quina s la probabilitat de matar-ne almenys 75? I de matar-ne menys de 50? R: p = 0,5438; p
-0
254
10
Punt nal
BLOC 4. ESTADSTICA
a) Si = 10, linterval de conana ser (40, 60), perqu = 40 i + = 60. Hem de calcular p[40 X 60]. Si tipiquem prviament la variable, obtenim: p[40 X 60] = p[2 Z 2] = 2 (p[Z 2] 0,5) = = 2 (0,9772 0,5) = 0,9544 Si la probabilitat s 0,9544, el risc ser = 1 0,9544 = = 4,56 %. = 0,0456 b) Si = 5 %, signica que la probabilitat de linterval de conana ser 0,95, s a dir, p[50 X 50 + ] = = 0,95, amb = z. Com que p[X 50 + ] = 0,5 = 0,025, tenim que 2 p[X 50 + ] = 1 p[X 50 + ] = 1 0,025 = 0,975. z1 = 1,96 Considerem p[Z z1] = 0,975 = z1 = 5 1,96 = 9,8; don obtenim linterval de conana (40,2, 59,8). c) = 2,5 % p[X 50 + ] = 0,025 = 0,0125 2 p[X 50 + ] = 1 0,0125 = 0,9875 p[Z z2] = 0,9875 z2 = 2,24 = z2 =
= 5 2,24 = 11,2 En aquest exemple hem vist com es calcula el risc a partir de linterval de conana i, a linrevs, com es determina linterval de conana a partir del risc. Ara intenta-ho tu. Repeteix el mateix problema de lexemple, amb els mateixos apartats, per considerant n = 200 vegades.
( ) = 25 = 5.
2
DISTRIBUCI DE PROBABILITAT
10
0,07
0,5279 0,5675 0,6064 0,6443 0,6808 0,7157 0,7486 0,7794 0,8078 0,8340 0,8577 0,8790 0,8980 0,9147 0,9292 0,9418 0,9525 0,9616 0,9693 0,9756 0,9808 0,9850 0,9884 0,9911 0,9932 0,9948 0,9962 0,9972 0,9979 0,9985 0,99893 0,99924 0,99946 0,99962 0,99974 0,99982 0,99988 0,99992 0,99995 0,99996 0,99998
255
z
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4,0
0,00
0,5000 0,5398 0,5793 0,6179 0,6554 0,6915 0,7257 0,7580 0,7881 0,8159 0,8413 0,8643 0,8849 0,9032 0,9192 0,9332 0,9452 0,9554 0,9641 0,9713 0,9772 0,9821 0,9861 0,9893 0,9918 0,9938 0,9953 0,9965 0,9974 0,9981 0,99865 0,99903 0,99931 0,99952 0,99966 0,99977 0,99984 0,99989 0,99993 0,99995 0,99997
0,01
0,0540 0,5438 0,5871 0,6217 0,6591 0,6950 0,7291 0,7611 0,7910 0,8186 0,8438 0,8665 0,8869 0,9049 0,9207 0,9345 0,9463 0,9564 0,9649 0,9719 0,9778 0,9826 0,9864 0,9896 0,9920 0,9940 0,9955 0,9966 0,9975 0,9982 0,99869 0,99906 0,99934 0,99953 0,99968 0,99978 0,99985 0,99990 0,99993 0,99995 0,99997
0,02
0,5080 0,5478 0,5871 0,6255 0,6628 0,6985 0,7324 0,7642 0,7939 0,8212 0,8461 0,8686 0,8888 0,9066 0,9222 0,9357 0,9474 0,9573 0,9656 0,9726 0,9783 0,9830 0,9868 0,9898 0,9922 0,9941 0,9956 0,9967 0,9976 0,9982 0,99874 0,99909 0,99936 0,99955 0,99969 0,99978 0,99985 0,99990 0,99993 0,99996 0,99997
0,03
0,5120 0,5517 0,5910 0,6293 0,6664 0,7019 0,7357 0,7673 0,7967 0,8238 0,8485 0,8708 0,8907 0,9082 0,9236 0,9370 0,9484 0,9582 0,9664 0,9737 0,9788 0,9834 0,9871 0,9901 0,9925 0,9943 0,9957 0,9968 0,9977 0,9983 0,99878 0,99913 0,99938 0,99957 0,99970 0,99979 0,99986 0,99990 0,99994 0,99996 0,99997
0,04
0,5160 0,5557 0,5948 0,6331 0,6700 0,7054 0,7389 0,7704 0,7995 0,8264 0,8508 0,8729 0,8925 0,9099 0,9251 0,9382 0,9495 0,9591 0,9671 0,9738 0,9793 0,9838 0,9875 0,9904 0,9927 0,9945 0,9959 0,9969 0,9977 0,9984 0,99882 0,99916 0,99940 0,99958 0,99971 0,99980 0,99986 0,99991 0,99994 0,99996 0,99997
0,05
0,5199 0,5596 0,5987 0,6368 0,6736 0,7088 0,7422 0,7734 0,8023 0,8289 0,8531 0,8749 0,8944 0,9115 0,9265 0,9394 0,9505 0,9599 0,9678 0,9744 0,9798 0,9842 0,9878 0,9906 0,9929 0,9946 0,9960 0,9970 0,9978 0,9984 0,99886 0,99918 0,99942 0,99959 0,99972 0,99981 0,99987 0,99991 0,99994 0,99996 0,99997
0,06
0,5239 0,5636 0,6026 0,6406 0,6772 0,7123 0,7454 0,7764 0,8051 0,8315 0,8554 0,8770 0,8962 0,9131 0,9279 0,9406 0,9515 0,9608 0,9686 0,9750 0,9803 0,9846 0,9881 0,9909 0,9931 0,9948 0,9961 0,9971 0,9979 0,9985 0,99889 0,99921 0,99944 0,99961 0,99973 0,99981 0,99987 0,99991 0,99994 0,99996 0,99998
0,08
0,5319 0,5714 0,6103 0,6480 0,6844 0,7190 0,7517 0,7823 0,8106 0,8365 0,8599 0,8810 0,8997 0,9162 0,9306 0,9429 0,9535 0,9625 0,9699 0,9761 0,9812 0,9854 0,9887 0,9913 0,9934 0,9951 0,9963 0,9973 0,9980 0,9986 0,99897 0,99926 0,99948 0,99964 0,99975 0,99983 0,99988 0,99992 0,99995 0,99997 0,99998
0,09
0,5359 0,5753 0,6141 0,6517 0,6879 0,7224 0,7549 0,7852 0,8133 0,8389 0,8621 0,8830 0,9015 0,9177 0,9319 0,9441 0,9545 0,9633 0,9706 0,9767 0,9817 0,9857 0,9890 0,9916 0,9936 0,9952 0,9964 0,9974 0,9981 0,9986 0,99900 0,99929 0,99950 0,99965 0,99976 0,99983 0,99989 0,99992 0,99995 0,99997 0,99998
256
10
BLOC 4. ESTADSTICA
Activitats nals
1> Troba la probabilitat dobtenir:
a) Dos xits mitjanant la distribuci B 4, 1 . 3 b) Ms de tres xits mitjanant la distribuci B 6, 1 . 2 c) Menys de dos fracassos mitjanant la distribuci B 4, 1 . 4 R: a) p = 8 ; b) p = 11 ; c) p = 13 27 32 256
( )
( ) ( )
ten un logopeda sn de classe social baixa. Si a la consulta dun logopeda hi ha cinc persones, troba la probabilitat que: a) Cap sigui de classe social baixa. b) Almenys dues no siguin de classe social baixa. R: a) p = 0,773781; b) p = 99997
3 un partit. Si lequip juga 6 partits, calcula la probabilitat que: a) Guanyi dos partits. b) Perdi ms de la meitat dels partits. R: a) p = 20 ; b) p = 73 243 729
9> Demostra que el 99,74 % del total de lrea de recinte que determina la funci de densitat amb leix OX en una distribuci normal N(, ) es troba a linterval ( 3, + 3).
3> Llancem 10 daus alhora. Definim la variable aleatria X: nombre de daus en qu sobt la cara 1. Calcula: a) p[X = 3] b) p[X 7] c) p[X < 5] R: a) p = 0,15505; b) p = 0,0002674; c) p = 0,98454
11> La durada de lembars de les dones segueix una distribuci normal, amb una mitjana de 266 dies i una desviaci tpica de 16 dies. Calcula el percentatge dembarassos amb una durada mxima de 244 dies. R: p = 8,38 %
4> Determina el nombre esperat de respostes correctes en un examen tipus test de 10 preguntes. Cada pregunta consta de 4 possibles respostes, de les quals noms una s correcta i se suposa que cada pregunta es contesta a latzar. R: = 2,5 respostes correctes
6>
Estudis recents han confirmat que el 70 % dels portadors del virus de la SIDA ha consumit algun tipus de droga. A la sala despera duna consulta especialitzada en aquesta malaltia shi troben, en un cert moment, sis persones portadores del virus. Determina la probabilitat que cap de les sis persones hagi consumit drogues. R: p = 0,000729
DISTRIBUCI DE PROBABILITAT
10
257
19> Es llana 100 vegades un dau. Calcula la probabilitat dobtenir el nmero 5: a) Menys de 18 vegades. b) Ms de 14 vegades. c) Exactament 20 vegades. R: a) p = 0,6879; b) p = 0,8023; c) p = 0,0721
22> Se sap que les notes dun determinat examen segueixen una distribuci normal. El 17,5 % dels alumnes que shan examinat ha obtingut una nota que supera els 7 punts, mentre que la nota del 15,7 % no arriba als 5 punts. Calcula: a) La nota mitjana de lexamen. b) El percentatge dalumnes que van obtenir una nota compresa entre 5 i 7 punts. R: a) = 6; b) p = 0,668
23> Llancem una moneda 50 vegades. Troba la probabilitat que el nombre de cares que obtinguem es trobi entre 12 i 16 (ambdues incloses). Utilitza: a) La distribuci binomial corresponent. b) Laproximaci normal a la binomial.
258
10
Avaluaci
BLOC 4. ESTADSTICA
2> Tenim una moneda trucada de manera que la probabilitat de treure cara
s quatre vegades la de treure creu. Tirem 6 vegades la moneda. Calcula la probabilitat de: a) Treure dues vegades creu. b) Treure com a mxim dues vegades creu.
3> De 1 000 mesures de talles sen va obtenir una mitjana de 165 cm i una
desviaci tpica de 8 cm. Se suposa que la distribuci s normal i es demana: a) Quantes mesures sn ms petites de 157 cm? b) Quantes estan entre 167 i 181 cm?