Scribd Logo
Carica

Benvenuto in Scribd!

  • Tema5 - Distribuciones de Probabilidad

    Caricato da

    Anderson Buitron
    5 visualizzazioni18 pagine
    Tema5_distribuciones de Probabilidad distribuciones de Probabilidad

    Titolo originale

    Tema5_distribuciones de Probabilidad

    Copyright

    © © All Rights Reserved

    Formati disponibili

    PDF o leggi online da Scribd

    Hai trovato utile questo documento?

    Questo contenuto è inappropriato?

    Segnala questo documento
    Tema5_distribuciones de Probabilidad distribuciones de Probabilidad

    Copyright:

    © All Rights Reserved
    Scarica in formato PDF o leggi online su Scribd
    Segnala contenuti inappropriati
    5 visualizzazioni18 pagine

    Tema5 - Distribuciones de Probabilidad

    Caricato da

    Anderson Buitron
    Tema5_distribuciones de Probabilidad distribuciones de Probabilidad

    Copyright:

    © All Rights Reserved
    Scarica in formato PDF o leggi online su Scribd
    Segnala contenuti inappropriati
    di 18
    Capitulo 5 Distribuciones de probabilidad En el capitulo anterior hemos visto el concepto de variable aleatoria distinguiendo dos tipos: discreta y continua. En este capitulo vamos a presentar las distribuciones de probabilidad de algunas variables aleatorias particulares que son de especial importancia por representar los modelos teéricos de muchos fenémenos aleatorios. 5.1 Distribuciones de Probabilidad de una v.a.d. Como se sabe, la ley de probabilidad de una v.ad. X esta definida si se conoce su dis- tribucién de probabilidad P(x) = P(X =.) con i=1,2,..., 6 bien si se conoce su funcién de distribucién F(z), teniendo que VP(X=a)=1 y ademas F(z) =P(X <2)= YO P(X a “ee A continuacién vamos a ver las principales distribuciones discretas de probabilidad. 5.1.1 Distribucién Uniforme Una variable aleatoria discreta X que toma los valores enteros 21,.72,.7s,...,%y Con proba- 1 bilidades P[X=m]= recibe el nombre de variable uniforme discreta, su distribucién de probabilidad distribucién uniforme discretay se denota pot X ~+ U(1,.72,.5.%n)- con k=1,2,..n En el caso particular de que la variable tome como valores los primeros ntimeros naturales: Pl. con 1,2... entonces su media, varianza y desviacién tfpica son: n+1 o_m-1 Me=—- = > Oe Ejemplo: Resultados al lanzar un dado o elegir al azar entre varias posibilidades. En todos ellos, se trata de representar el caso en el que no tenemos informacién sobre la importancia de un resultado u otro. 5.1.2 Distribucién de Bernouilli Un experimento que sélo admite 2 resultados posibles excluyentes: ~ Suceso A (representa el éxito) con probabilidad P(A) = p. = Suceso A® (representa e] fracaso) con probabilidad P(A*) = 1—p=q. recibe el nombre de prueba de Bernouilli. Consideremos la v.a.d. X asociada al experimento que asocia el valor 1 al suceso A con probabilidad p y el valor 0 al suceso A° con probabilidad g. Esta variable recibe el nombre de variable de Bernouilli'y se denota por X ~+ Ber(p). La distribucién de probabilidad es: P(X=1)=p y P(X=0)=1-p=q con p+q=1 Y su media, varianza y desviacién tfpica son: HWe=P 5 Or=Pq , Ejemplo: Estudiar los resultados de lanzar una moneda perfecta o trucada, el sexo de un colectivo, la validez de una pieza fabricada, etc. Todos ellos corresponden a experimentos con dos resultados posibles e incompatibles y no necesariamente de igual probabilidad. 5.1.3 Distribucién Binomial Supongamos que se realizan n pruebas de Bernouilli sucesivas e independientes. Entonces, a la variable aleatoria discreta X = “niimero de veces que ocurre el suceso A (éxito) en las n pruebas” se la denomina variable binomial de parmetros n y py se denota por X ~+ B(n,p) donde p es la probabilidad de éxito en cada prueba de Bernouilli. La variable binomial X se puede considerar como la suma de n variables independientes de Bernouilli, es decir X=X4Xet..+Xq_ con Xj~ Ber(p) Vi=1,2,....n Lav.a. definida toma los valores {0, 1,2,....n} con probabilidad 7 n=1,2,3, por=n)=(f) aa" con, k=1,2,...0 O q, asimetrfa a la izquierda. - Cuando n — oo la distribucién tiende a ser simétrica y aproximarse a la distribucién normal: Si.X ~+ B(n,p) con n grande y ni p ni q son préximos a cero entonces X sigue aproximadamente la distribucién normal de media n- p y desviacién tipica > D*4, €8 decir X = N(np, /npq). Si p es pequefio y n grande (n > 50 y p< 0,10 bien n- p <5) podemos aproximar la distribucidn binomial por una distribucidn de Poisson de parametro A=n- pes decir, B(n, p) % P(n-p). Si n>50yp<01 Shien — mp<5 entonces B(n,p) © P(n- p) Si p<0,5ynp>5 bien q<0,5ynq>5 entonces B(n,p) © N (np, Pq) ~ Los valores de P(X =k) se encuentran tabulados para algunos valores de p entre Oy 0,5. Para buscarlos se considera: n par=n)=(f ) «ph ag’* = b(n, k,p) Si el valor de p es mayor que 0,5 entonces hay que tener en cuenta la siguiente propiedad wot=(‘)atets (0) Es decir, para encontrar en la tabla P(X =k) con p > 0,5 se busca en la tabla corres- pondiente a q=1— pla probabilidad P(X =n—k). ~ Si el valor de p es menor que 0,5 pero no esta tabulado se interpola entre los valores inferior y superior mas proximos a p. - Sin =1 entonces B(1, p) = Ber(p) 5.1.4 Distribucién de Poisson Una v.a.d. X se dice que sigue una distribucién de probabilidad de Poisson de parametro \ si puede tomar todos los valores enteros 0,1, 2,... con probabilidades x k=0,1,2,.. PIX=h)=Te* con {sq y se denota por X ~+ P(A). Su media, varianza y desviacién tfpica son: Me= 5 oF=dX 5 op=VN Esta distribucidnes una buena aproximacién de la distribucién binomial cuando n es grande ¥ p pequeito. En general, cuando n > 50y p< 0,16 bien n- p <5 la distribucidn binomial de pardmetros n y p se aproxima por una distribucidn de Poisson de parémetro \ =n p. Como consecuencia, la distribucin de Poisson se presenta en casos de probabilidad pequeiia; asi, si un suceso A tiene una probabilidad p (pequefia) de ocurrir al realizar una prueba ele- mental, la variable X = “ntimero de veces que ocurre el suceso A durante un gran mimero de pruebas” sigue una distribucién de Poisson de pardmetro \ =n: p. Ejemplos: El niimero de piezas defectuosas en una gran muestra tomada de un lote en el que la proporcién de piezas defectuosas es pequeiia; el mimero de llamadas telefnicas recibidas en una central durante un cierto tiempo; el niimero de clientes que legan a una ventanilla de pagos de un banco por periodos de diez minutos; el mimero de emisiones de particulas radioactivas, durante un periodo dado; el nimero de accidentes durante un periodo de tiempo. 5.1.5 Distribucién Hipergeométrica Consideremos una poblacién con N elementos de dos clases distintas de los cuales D ele- mentos son de la clase A y N —D elementos son de la clase A‘. Al tomar un elemento de esta poblacién, la probabilidad de que proceda de una u otra clase es = p + D =pN P(A) = q=l-p > N-D=q-N Consideremos el experimento consistente en tomar n elementos consecutivamente de una poblacién sin reemplazamiento. A la variable X = “ntimero de elementos de la clase A en una muestra de tamafio n” se la denomina variable hipergeométrica. La distribucién de probabilidad de la variable es ( )- (es) k n-k P[X=k [x =A] y 7 con n n ane se denomina distribucién hipergeométrica de pardmetros N, D y n y se denota con la expresin X~+ H(N, D,n) Su media, varianza y desviacién tfpica son v-D H2=n-p otan-peqe ln 3 2 NW Se diferencia de la distribucién binomial en que, en aquella, las probabilidades permanecian constantes a lo largo de todas las pruebas (extracciones con reemplazamiento) mientras que en la distribucién hipergeométrica, las probabilidades varfan de una a otra (extracciones sin reemplazamiento), Sin embargo, si V es grande respecto a n, las probabilidades varian muy poco de una prueba a por lo que en estos casos (n/N < 0,1) se puede decir que la variable hipergeométrica sigue aproximadamente una distribucién binomial ("t) (0) (") 4 ee (2) per Ejemplo: De una caja en la que hay N piezas, de las que D son defectuosas y N — D no defectuosas, se extraen simulténeamente n piezas de la caja y estamos interesados en saber el ntimero de piezas defectuosas en la muestra de tamaiio n. 5.1.6 Distribucién Geométrica o de Pascal Consideremos un experimento que consiste en realizar sucesivas pruebas de Bernouilli. A Ia variable X = “mimero de pruebas necesaria para obtener el primer éxito” se la denomina variable geométrica. La distribucién de probabilidad asociada es PIX q=1-p y se denomina distribucidn geométrica o de Pascal de parametro py se denota por X ~+ Ge(p) Su media, varianza y desviacién tipica son 1 24d fe Ejemplo: Lanzamientos necesarios para obtener la primera cara. Si el experimento consiste en extracciones de una urna, éstas han de ser con reemplazamiento. 5.1.7 Distribucién Binomial negativa Consideremos un experimento que consiste en realizar sucesivas pruebas de Bernouilli. A Ja variable X = “mimero de fracasos antes de obtener el n-ésimo éxito” se la denomina binomial negativa. La distribucién de probabilidad asociada es k=0,1,2,3,... con 1,2,... O0 Su media, varianza y desviacién tfpica son Hr = he 3 3 o,=0 Caracteristicas de la distribucién: ita un maximo en = j1, dos puntos de inflexién en OX como asintota. ~ La funcién de densidad f(x) pre 2=p-oyr=p+oy tiene ale - La curva f(z) es simétrica respecto de la recta 2 = j1 y por tanto, la media, la mediana y lamoda coinciden en este punto. - Lasuma de dos variables aleatorias normales independientes es otra v.a. normal, es decir Si Xi~+N (44,01) y X2~*N (4p, 02) entonces Xi + Xo~s N (itn Vo? ¥e8) 6 va ~ La distribucién normal de media n-py desviacién tipica 7=D=q se utiliza como aproxi- macién dela distribucién binomial de parametrosn y pcuandon-p>5, dbienn-q>5. - - ow owl, & ~ Si tomamos muestras de tamafio n de una poblacién N(j1,0) entonces #~+ NV (1 =) ~ Para utilizar correctamente la aproximacién de una v.a.d. X con distribucién binomial por una v.a.c. ¥ con distribucién normal es necesario hacer una correccién de continuidad de tal manera que: P(X=a) = P(a-0,50 6 dreas a= P(Z > 24) < 0,5. En otro caso se utiliza la simetria P(Z>-Zq) PUZ0 =“. Ti) Se define lafuncién gamma Euler como T(p) = [~ «?-e-*dx que resulta continua y con- vergente para p> 0. Entre sus propiedades destaca: 3 re = a 1)-T(p-1) } p.3) Sip € Z* entonces [(p) = (p—1)! Si X~+G(a,p) entonces 2aX~+ 3, a 5.2.4 Distribucién Exponencial Es un caso particular de la distribucién Gamma con p= 1. X~+Expla) si neo={or" pew en el resto Su media, varianza y desviacién t{pica son 1 1 - 2 : - fz = — : oD 7 o:>=— M a a Existe una relacién entre las variables Geométrica y Poisson con la distribucién Exponencial. 5.2.5 Distribucién \? de Pearson Es un caso particular de la distribucién Gamma con a = 1/2 y p = n/2 que se genera mediante la suma de los cuadrados de n variables aleatorias N(0,1) independientes entre si, es decir, si X1, Xo,.... Xp son n variables aleatorias V(0,1) independientes entre si, entonces la variable positiva = XP4 XZ +... 4X2 recibe el nombre de x? de Pearson con n grados de libertad, se denota por x2 y su funcién de densidad es 1 10) = sR 2/241 con 2 >0 Su media, varianza y desviacién tipica son Me=n 5 o2=2n 5 op = VIM Caracteristicas de la distribucién: ~ La variable sdlo toma valores positivos por tratarse de la suma de los cuadrados de n variables. - La suma de dos variables aleatorias independientes y? con ni y no grados de libertad respectivamente es una nueva V.a. x? con m +2 grados de libertad, es decir, 2 Xi + Xia = ~ Ladistribucién x? de Pearson se aproxima asintéticamente a la distribucién normal. Para n> 30a variable v2 SP N(v2n=1,1) ~ Si tomamos muestras de tamafio n con media @ y cuasivarianza s? de una poblacién N(u,0), la variable es una x? con n—1 grados de libertad, ~ Para el uso de las tablas consideramos un punto x2,, (punto critico) que representa el valor de la abscisa que tiene a la derecha una area igual a a (nivel de significacién) en una x? de Pearson con n grados de libertad. Es decir, P(XR = Xan) = Para dreas a la izquierda se tiene: t de Student Silas n+1 variables X, Xy, Xo,..., Ny se distribuyen segiin una V(0,c) entonces la variable ,-—~X___Z Te Vale na 7 se denominat de Student con n grados de libertad. Su funcién de densidad es ntl reg (a)? con {MELA 00 <2 <00 Su media es 0 sin > 1 y su varianza es mysin>2. Observaciones: ~ La variable toma todos los valores de la recta real y es simétrica respecto al eje OY. - La distribucién t de Student se aproxima asintéticamente (n — 00) a la distribucién normal tipificada. ~ Si tomamos muestras de tamafio n con media # y cuasivarianza s? de una poblacién N(u,0), la variable rau 3 es unat de Student con n—1 grados de libertad. va tra ~ Para el uso de las tablas consideramos un punto fan (punto critico) que representa el valor de la abscisa que tiene a la derecha una Area igual a a (nivel de significacidn) en una t de Student con n grados de libertad. Es decir, Pltn 2 tain En la tabla sélo se encuentran valores t > 0 (0 areas a < 0,5) por lo que es necesario utilizar las relaciones: tan = —th-ain y Pltn S tay 5.2.7 Distribucién F de Fisher-Snedecor Sean x2, y x2, dos variables y? de Pearson con ny y nz grados de libertad respectivamente, independientes entre sf. Entonces a la variable se le denomina F de Fisher-Snedecor con ny y nz grados de libertad. Su funcidn de densidad es Observaciones: - La variable sélo toma valores positivos. ~ Para el uso de las tablas consideramos un punto Fasn,;n, (punto critico) que representa el valor de la abscisa que tiene a la derecha una area igual a a. (nivel de significacién) en una F de Fisher-Snedecor con ni ¥ nz grados de libertad. Es decir, P(Faiiny = Fagmina) =O En la tabla sélo se encuentran valores a = 0,1, 0,05 y 0,01. Para otros valores de a, 0 bien se interpola o se utiliza la relacién: Fasnim = 5.2.8 Distribucién Beta X~ B(p.g) si F(e T(p) Tia) T(p+a) Ademés existe la siguiente relacién entre las distribuciones Beta y F: Funcién beta: (p,q) = Si X ~ B(p,q) entonces g : (¢t - 1) ~ Faggp o bien Si X~+ F(a,b) entonces 7+—~+ B (5 *) atl 22 br 10 5.3 Relaciédn de problemas 1. Distribucién uniforme discreta. Se pide: (a) Probar que es una distribucién de probabilidad (Ia suma de probabilidades es 1) y representarla. (b) Calculary representar la funcién de distribucién, (c) Deducir la esperanza, varianza y desviacién tipica. (4) Calcular la mediana y la moda. 2. Distribucién de Bernouilli, Se pide: (a) Probar que es una distribucién de probabilidad (la suma de probabilidades es 1) y representarla. (b) Calcular y representar la funcién de distribucién. (c) Deducir la esperanza, varianza y desviacién tipica, (d) Calcular la mediana y la moda. 3. Enunacindadse encontré que el 20% de los hogares estaban asegurados contra incendios. Una compaiifa de seguros realiz6 una encuesta seleccionando al azar 5 hogares de una zona de la ciudad. Se pide: (a) Niimero de hogares que se espera que estan asegurados. (b) Probabilidad de que sdlo estén asegurados dos hogares. (c) Probabilidad de que estén asegurados al menos tres hogares. (d) Probabilidad de que ninguno esté asegurado, (e) Probabilidad de que alguno esté asegurado. 4. El equipo A tiene 2/3 de probabilidad de ganar cuando juega. Si A juega ocho partidas, hallar la probabilidad de que (a) A gane dos partidas. (b) A gane por lo menos una partida. (c) A gane mas de la mitad de las partidas. 5, Distribucién Polinomial. Bs una generalizacién de la distribucién binomial cuando en cada prueba se consideran k sucesos excluyentes Aj, Ag, ..., Ag con probabilidades py, po,..., Pk respectivamente, siendo p; + p+... + Py = 1. Supongamos que se realizan sucesivamente n pruebas independientes de este tipo y con- sideramos las siguientes variables aleatorias discretas: X;= “miimero de veces que ocurre el suceso A; en las n pruebas” con é=1, 2,....7. A la variable k-dimensional X = (X1, Xp,...,X,) se le denomina variable polinomial o multinomial. Probar que su funcién de probabilidad es: nt Mine Ak P(X, = 143; Xp = n93...5 Xp = M4] = hh Pe con >> nglng..ra! i 13. Distribucién uniforme continua. Supongamos que X ~+ Ua, 6]. (a) Probar que f(z) =1/(b—a) en [a,b] y 0 en el resto es una funcién de densidad y representarla, (b) Calculary representar la funcién de distribucién, (c) Deducir las formulas de la esperanza, varianza y desviacién tipica. (d) Calcular la mediana y la moda. (ce) Aplicar los resultados obtenidos a la variable A ~+ U[0, 1] que representa la eleccién al azar de un mimero aleatorio entre 0 y 1. 14. Un profesor realiza un test de cien items a un curso con 200 alumnos. Suponiendo que las puntuaciones X obtenidas por los alumnos siguen una distribucién normal de media 60 puntos y varianza 100. Se pide caleular: a) P(X = 70) b) P(X < 80) c) P(X < 30) d) P(X > 46) e) P(39 < X < 80) f) P(80< X <82,5) g) P({0< X <40) h) P(\X -60|<20) i) P(X —60| > 20) 15. Con el enunciado del ejercicio anterior, se pide: (a) Niimero de alumnos que obtuvieron 70 0 mas puntos. (b) Hallar el rango intercuartilico, interdecilico e intercentilico. Interpretar resultados. (c) Nota minima correspondiente al 30,5% de los alumnos con mejor nota. (a) Nota minima correspondiente al 83,65% de los alumnos con mejor nota. (c) Nota maxima correspondiente al 2,17% de los alumnos con peor nota. (£) Si eliminamos al 25% de los alumnos con peores notas y al 10% de los alumnos con mejores notas, j, entre qué notas estan el resto de los alumnos ? 16. SiX~+ N(y1,0). Se pide calcular: (a) Pu-o Xoo126 + Xoa5;8 > Xoos10 > Xorsiaa (b) Calcular las probabilidades: POX§ 23.49), P(x§ S$ 15,507) > P(xio= 4) P(x30 < 29) > P(T,255< x7, < 30,191), P(xi $50) 20. Una variable aleatoria sigue una distribucién ¢ de Student. Se pide: (a) Calcular los puntos criticos: to,2020 > togoi0 > torsa0 + toos;90 » to,sis6 (b) Calcular las probabilidades: P(tio = 1,372), P(ts < 2,896) > P(tay = 1,325) P(ts<1,2) > P(-0,5 Foorys030 » Fogo2s30 + Foon;720 » Fooa2420 (b) Calcular las probabilidades: P(Foa2 22,331), P(Fas 4,459), P(Pasis0 2 -1,2) P(Fio20 = 3) > P(Fea<5) > P(2< Froao < 2,25) 5.4 Relacidén de problemas IT 1. El juego A se gana si al lanzar 100 veces dos dados se obtiene al menos tres veces un “doble seis”. Otro juego B se gana si al lanzar 100 veces un dado se obtiene al menos 15 veces el “seis”, Hailar: (a) El juego més favorable. (b) Si el 40% de los jugadores optan por el juego A, mientras que el resto juegan al B, 1 cual es el porcentaje de ganadores ? 14 (c) Probabilidad de no recibir ninguna llamada de averia, 8. Una fabrica produce un 5% de piezas defectuosas. Un control de calidad previo al en- vasado, es capaz de detectar el 80% de las piezas defectuosas, que son retiradas, pero también retira equivocadamente el 1% de las piezas correctas. (a) Calcular la proporcién de piezas defectuosas envasadas, (b) Si se colocan en paquetes de 40 piezas. ; Qué probabilidad existe de obtener 2 0 mis piezas defectuosas por paquete ? 9. La proporcién de tabletas de aspirinas que resultan defectuosas (estén partidas, tienen diferente peso, ...) es del 3%. (a) Si las aspirinas se envasan en tubos de 20 tabletas. {, Cul es la probabilidad de que un tubo contenga a lo sumo una tableta defectuosa ? (b) Silos tubos se colocan en cajas de 300 unidades (tubos). { Cual es la probabilidad de que una caja contenga exactamente 45 tubos con més de una tableta defectuosa? 10. Problema 2 del examen de Junio del curso 96/97. Una central telefénica distingue entre dos tipos de usuarios (particulares y empresas). La probabilidad de que la linea esté ocupada entre la 9 y las 14 horas para particulares es del 2% mientras que para las empresas este porcentaje de ocupacién es del 15% (a) Se desea contactar con 150 particulares, hallar la probabilidad de que 10 0 més tengan la linea ocupada. (b) Sedesea contactar con 150 empresas, hallar la probabilidad de que 15 0 mas tengan la linea ocupada. (c) Silas empresas constituyen el 25% de los usuarios, ;Cual serd la probabilidad de encontrar ocupada Ja linea si marcamos un mimero al azar? (4) Si amamos al azar a un teléfono y resulta ocupado, {Cul serd la probabilidad de que pertenezca a una empresa? jy aun particular? Observa como ha cambiado esta informacién las probabilidades asignadas a priori tanto a los particulares como a las empresas, 11. Problema 2del examen de Septiembre del curso 96/97. El tiempo que tarda una maquina en perforar un material de tipo 1 se distribuye segiin una normal de media 2 y desviacién 0.5, un material de tipo 2 segiin una normal de media 3 y desviacién 0.1 y un material de tipo 3 segiin una normal de media 4 y desviacién 2. Una empresa recibe una partida de placas de los tres tipos de material donde el 20% de las placas son de tipo 1 y el 70% del resto son de tipo 2. (a) Calcular la probabilidad de que la maquina tarde més de tres segundos en perforar una placa elegida al azar. (b) En el control de calidad se rechaza una placa si se ha tardado mas de 3 segundos en perforarla. Definimos la variable aleatoria X que cuenta el mimero de placas rechazadas. Si analizamos un lote de 100, calcular la probabilidad de rechazar mas de 40 sabiendo que el nimero de placas rechazadas es mayor de 20 y menor o igual que 60, es decir, calcular P[X > 40/20 < X < 60] (c) Sise ha tardado més de 3 segundos en perforar una placa elegida al azar, {, con qué material es més probable que esté fabricada? 16 12. 13. 4. Problema 2 del examen de Febrero del curso 97/98. Una fabrica produce listones de madera para cerillas, para lo que se necesita que se corten a 3.cm. La cortadora (cor- tadora/envasadora) que tienen desde hace 5 aiios, proporciona listones cuya longitud se distribuye de forma normal de media 3 y varianza 0/25. La direccién adquitié hace un mes un nuevo modelo de cortadora que proporciona listones cuya longitud se distribuye de forma normal de media 3 y varianza 0'23. Un listén es considerado defectuoso si su longitud es menor que 2365 cm. y tendremos que revisar toda la produccién diaria si al examinar una caja de cerillas de 100 unidades (todas procedentes de la misma cortadora) encontramos al menos 13 defectuosas. Si la nueva cortadora produce un 20% mas de listones que la antigua: (a) Por término medio, j, cudntos dias al afio habra que revisar la produccién diaria? (b) Sila prodnecién de ayer tuvo que ser revisada, z, cuanto vale la probabilidad de que Ia caja analizada contenga cerillas de la cortadora antigua? y ; de qué maquina es mis probable que provenga la caja analizada? Problema 2 del examen de Junio del curso 97/98. Se pretenden estudiar las especifica- ciones de fabrica de un sistema automético de vigilancia para exteriores que aseguran que es capaz de detectar al 90% de los intrusos que se acerquen en dias soleados, pero el aparato resulta muy sensible a la humedad y sélo es capaz de detectar al 50% de los intrusos si el dfa es Iluvioso. Se pretenden verificar las especificaciones de fabrica del sistema. (a) Si acercamos 36 individuos al local en un dia soleado, z qué probabilidad hay de que el sistema no detecte a 10 0 mas individuos ? (b) Calcular la misma probabilidad si el dia fuese Huvioso, Instalamos el sistema en un local situado en la Costa del Sol donde la proporcién de dias soleados es 9 veces mayor que la de dfas Iluviosos. (c) Caleular la probabilidad de que el sistema no sea capaz de detectar a 10 0 mas intrusos en un dia cualquiera. (d) Siel sistema no ha detectado a 10 o mas intrusos, j, es mas probable que el dia haya sido soleado 0 Iluvioso ? Problema 2 del examen de Septiembre del curso 97/98. El tiempo ¢ (en minutos) que se retrasa un avién de Iberia que cubre la linea Malaga-Madrid es una variable aleatoria continua con densidad de probabilidad He ks (25-2) si -5

    Potrebbero piacerti anche