Ejercicios Resueltos de Estadística

:
Tema 4: Probabilidades y Variables Aleatorias



1. Supongamos que la probabilidad de tener una unidad defectuosa en una línea de
ensamblaje es de 0.05. Si el conjunto de unidades terminadas constituye un conjunto de
ensayos independientes:
1. ¿cuál es la probabilidad de que entre diez unidades dos se encuentren defectuosas?
2. ¿y de que a lo sumo dos se encuentren defectuosas?
3. ¿cual es la probabilidad de que por lo menos una se encuentre defectuosa?

SOLUCIÓN:

Seaδ i una variable aleatoria que representa el estado de una unidad terminada en la línea de
ensamblaje en el momento i, siendo δ i= 1 si la unidad es defectuosa y δ =0 en caso contrario.
La variable δ sigue una distribución Bernoulli con parámetro p=0’05, de acuerdo con el dato
inicial del problema. Además, nótese que un conjunto de unidades terminadas constituye un
conjunto de ensayos independientes, por lo que el número de unidades defectuosas de un total
de n unidades terminadas (δ 1………. δ n), esto es, i
n
i
p n ∑
=
=
1
,
δ η , sigue una distribución
binomial de parámetros n y p=0,05. Hechas estas consideraciones iniciales, procedemos a
resolver el problema:
1. Procedamos a calcular:

0476 , 0 * *
2
10
) 2 (
) 05 , 0 1 (
05 ' 0
8
2
05 ' 0 , 10
=
|
|
.
|

\
|
= =

η P

2. Se tiene que:

9984 , 0 * *
10
) 2 (
) 05 , 0 1 (
05 ' 0
10
05 ' 0 , 10
=
|
|
.
|

\
|
= ≤

−i
i
i
P η

3. Por último:


4013 , 0 5987 , 0 1 * *
0
10
1 ) 0 ( 1 ) 1 (
) 05 , 0 1 ( 05 , 0
0 10 0
05 ' 0 , 10 005 ' 0 , 10
= − =
|
|
.
|

\
|
− = = − = ≥


η η P P

2. El gerente de un restaurante que sólo da servicio mediante reservas sabe, por
experiencia, que el 20% de las personas que reservan una mesa no asistirán. Si el
restaurante acepta 25 reservas pero sólo dispone de 20 mesas, ¿cuál es la probabilidad de
que a todas las personas que asistan al restaurante se les asigne una mesa?

SOLUCIÓN:

Representemos por la variable aleatoria δ la decisión de asistir ( δ = 0) o no (δ = 1)
finalmente al restaurante por parte de una persona que ha hecho una reserva. Esta variable sigue
una distribución de Bernoulli de parámetro p = 0,2, de acuerdo con el enunciado del ejercicio.
Suponiendo que las distintas reservas son independientes entre sí, se tiene que, de un total de n
reservas ( δ 1…. δ n), el número de ellas que acuden finalmente al restaurante es una variable
aleatoria Yn =

=
n
i 1
1 δ , con distribución binomial de parámetros n y p=0,2. En el caso particular
del problema, n=25. Entonces, para aquellas personas que asistan al restaurante de las 25 que
han hecho la reserva puedan disponer de una mesa, debe ocurrir que acudan 20 o menos. Así se
tiene que:

5799 , 0 ) 2 , 0 1 ( * 2 , 0 *
25
) 20 (
25
20
0
= −
|
|
.
|

\
|
= ≤

=

i i
i
i
Y P


3. Una empresa electrónica observa que el número de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número
promedio de estos fallos es ocho,
1. ¿cuál es la probabilidad de que falle un componente en 25 horas?
2. ¿y de que fallen no más de dos componentes en 50 horas?
3. ¿cuál es la probabilidad de que fallen por lo menos diez en 125 horas?

SOLUCIÓN:

Sea la variable aleatoria δ , con distribución de Poisson con parámetro | | , 8 = = δ λ
δ
E que
determina el número de componentes que fallan antes de cumplir 100 horas de funcionamiento.

1. Considerando que se cumplen ciertas condiciones de regularidad, podemos asumir que una
variable η que mide el número de componentes que fallan antes de cumplir 25 horas de
funcionamiento sigue una distribución de Poisson con parámetro
η
λ = E [η ] = 8=4 = 2.
Por lo tanto, la probabilidad deseada es la siguiente:

27067 , 0 *
! 1
2
) 1 (
2
1
= = = =

e P η

2. Análogamente, definimos una variable aleatoria U con distribución de Poisson de parámetro
U
λ = 8=2 = 4, que mide el número de componentes que fallan antes de cumplir las 50 horas de
funcionamiento. Se tiene entonces que:

2381 , 0 *
!
4
) 2 (
4
2
0
= = ≤

=

e
i
U P
i
i


3. De la misma forma, definiendo una variable aleatoria V con distribución de Poisson de
parámetro 10 =
V
λ , se obtiene:


=

= − = < − = ≥
10
0
10
41696 , 0 *
!
10
1 ) 10 ( 1 ) 10 (
i
i
e
i
V P V P


4. Sean λ y η las variables aleatorias que cuentan el número de veces que sale 1 y 6,
respectivamente, en 5 lanzamientos de un dado. ¿Son λ y η independientes?.

SOLUCIÓN:

Las variables λ y η siguen una distribución binomial de parámetros n=5 y p=1/6. Veamos
mediante un contraejemplo, que λ y η no son independientes. Por un lado se tiene que:

5
3
2
) 0 , 0 ( |
.
|

\
|
= = = = η λ P ,
pero
) 0 (
6
5
) 0 (
5
= = |
.
|

\
|
= = η λ P P
,
6
5
) 0 ( * ) 0 (
3
2
) 0 , 0 (
10 5
|
.
|

\
|
= = = ≠ |
.
|

\
|
= = = = η λ η λ P P P
concluyéndose así que las variables no son independientes.


5. Supóngase que la producción de un día de 850 piezas manufacturadas contiene 50
piezas que no cumplen con los requerimientos del cliente. Se seleccionan del lote dos piezas
al azar y sin reemplazo. Sea la variable aleatoria X igual al número de piezas de la
muestra que no cumplen. ¿Cuál es la función de distribución acumulada de X?

SOLUCIÓN:

La pregunta puede contestarse encontrando primero la función de masa de probabilidad de X.
P(x=0)= (800/850)(799/849)=0,886
P(x=1)=2(800/850)(50/849)=0,111
P(x=2)=(50/850)(49/849)=0,003

Por lo tanto,
F(0)=P(x 0 ≤ )=0.886
F(1)=P(x 1 ≤ )=0.886+0,111=0,997
F(2)=P(x≤2)=1


6. Cada muestra de aire tiene 10% de posibilidades de contener una molécula rara
particular. Suponga que las muestras son independientes con respecto a la presencia de la
molécula rara. Encuentre la probabilidad de que en las siguientes 18 muestras,
exactamente 2 contengan la molécula rara.

SOLUCIÓN:

Sea X=número de muestras de aira que contiene la molécula rara en la siguientes 18 muestras
analizadas. Entonces X es una variable aleatoria binomial con p=0,1 y n=18. Por lo tanto,
P(X=2)= ( ) ( )
16 2
9 , 0 2 , 0
2
18
|
|
.
|

\
|


Ahora bien, | | . 153 2 / ) 17 ( 18 ) ! 16 ! 2 / ! 18 (
2
18
= = =
|
|
.
|

\
|
Por lo tanto,
284 , 0 ) 9 , 0 ( ) 1 , 0 ( 153 ) 2 (
16 2
= = = x P


7. Un avión de alto rendimiento contienen tres computadoras idénticas. Se utiliza
únicamente una para operar el avión; las dos restantes son repuestos que pueden activarse
en caso de que el sistema primario falle. Durante una hora de operación la probabilidad
de que una falle en la computadora primaria( o de cualquiera de los sistemas de repuesto
activados) es 0,0005. Suponiendo que cada hora representa un ensayo independiente,
(a) ¿Cuál es el tiempo promedio para que fallen las tres computadoras?
(b) ¿Cuál es la probabilidad de que las tres computadoras fallen en un vuelo de 5 horas?

SOLUCIÓN:

Sea que X denote el número de horas hasta que los tres sistemas fallen, y sea que X1, X2 y X3
denoten el número de horas de operación antes de una falla de la primera, la segunda y la tercera
computadoras usadas, respectivamente. Entonces, X=X1+X2+X3. Además, se supone que las
horas comprenden ensayos independientes con la probabilidad con la probabilidad constante de
falla p=0.0005 y r=3. En consecuencia,

E(X)= 3/0.0005= 6000horas

¿Cuál es la probabilidad de que las tres computadoras fallen en un vuelo de 5 horas? La
probabilidad pedida es P(x ≤5) y
P(x ≤5)=P(x=3)+P(x=4)+P(x=5)=0.0005
3
+
|
|
.
|

\
|
2
3
0.0005
3
(0,9995)+ ) 9995 . 0 ( 0005 . 0
2
4
3
|
|
.
|

\
|

=1.25*10
10 −
+3,75*10
10 −
+7,49*10
10 −
=1,249*10
10 −



8. Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un
proveedor de tubería del estado vecino. Si se seleccionan cuatro piezas al azar y sin
reemplazo,
(a) ¿cuál es la probabilidad de que todas sean del proveedor local?
(b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
(c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?

SOLUCIÓN:

¿cuál es la probabilidad de que todas sean del proveedor local?
Sea X igual al número de piezas de la muestra del proveedor local. Entonces, x tiene una
distribución hipergeométrica y la probabilidad pedida es P(x=4). Por consiguiente,

P(x=4)=
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
4
300
0
200
4
100
=0.0119

¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?

P(x ) 2 ≥ =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
+
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
+
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
4
300
0
200
4
100
4
300
1
200
3
100
4
300
2
200
2
100
= 0.298+0.098+0.0119=0.408

¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?

P(x 196 . 0
4
300
4
200
0
100
1 ) 0 ( 1 ) 1 =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
− = = − = ≥ x P


9. Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue
una distribución Poisson con una media de 2.3 imperfecciones por milímetro.
(a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.
(b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.
(c) Determine la probabilidad de al menos una imperfección en 2mm de alambre

SOLUCIÓN:

(a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.

Entonces E(x)=2.3 imperfecciones y
P(x=2)= 265 . 0
! 2
3 * 3
2 3 . 2
=

e

(b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.

Sea que X denote el número de imperfecciones en 5 milímetro de alambre. Entonces, X tiene
una distribución Poisson con

E(x)=5mmx2.3 imperfecciones/mm= 11,5 imperfecciones.

Por lo tanto,

P(x=10)=e 113 . 0 ! 10 / 5 . 11
5 . 11
=



(c) Determine la probabilidad de al menos una imperfección en 2mm de alambre.

Sea que x denote el número de imperfecciones en 2 milímetros de alambra. Entonces, X tiene
una distribución de Poisson con
E(x)=2mmx2.3imperdecciones/mm=4.6imperfecciones

Por lo tanto,
P(x ≥1)=1-P(x=0)=1-e
6 . 4 −
=0.9899


10. La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre en un disco
óptico tiene una distribución de Poisson y el número promedio de partículas por
centímetro cuadrado de superficie del disco es 0.1. El área de un disco bajo estudio es 100
centímetros cuadrados.
(a) Encuentre la probabilidad de que ocurran 12 partículas en el área del disco bajo
estudio.
(b) La probabilidad de que ocurran cero partículas en el área del disco bajo estudio
(c) Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco
bajo estudio

SOLUCIÓN:

Sea que x denote el número de partículas en el área de un disco bajo estudio. Puesto que el
número promedio de partículas es 0.1 partículas por cm
2
.
E(x)=100 cm
2
x0.1 partículas/ cm
2
= 10 partículas

Por lo tanto,
(a) P(x=12)=
! 12
10
12 10 −
e
= 0.095

(b) La probabilidad de que ocurran cero partículas en el área del disco bajo estudio es
P(x=0)=e
10 −
=4.54x10
5 −


(c) Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco bajo
estudio. La probabilidad es
P(X 12 ≤ )=P(x=0)+P(x=1)+…..+P(x=12)=

=
− 12
0
10
!
10
i
i
i
e



11. Una muestra aleatoria con reposición de tamaño n=2 se selecciona del conjunto {1,2,3}
produciendo el espacio equiprobable de 9 elementos.
S={(1,1),(1,2),(1.3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)}
Sea X la suma de los dos números.
(a) Encuentre la distribución ƒ de X.
(b) Encuentre el valor esperado E(X).

SOLUCIÓN:

(a) La variable aleatoria X asume los valores 2,3,4,5,6, es decir, R
x
={2,3,4,5,6}. Se calcula la
distribución ƒ de X:
(i) Un punto (1,1) tiene suma 2; donde ƒ(2)=1/9.
(ii) Dos puntos (1,2) y (2,1) tienen suma 3; de donde ƒ(3)=2/9.
(iii) Tres puntos (1,3),(2,2) y (1,3) tienen suma 4; de donde ƒ(4)=3/9.
(iv) Dos puntos, (2,3),(3,2) tienen suma 5; de donde ƒ(5)=2/9.
(v) Un punto (3,3) tiene suma 6; de donde ƒ(6)=1/9.

Por tanto, la distribución ƒ de X es la siguiente:

x 2 3 4 5 6
ƒ(x) 1/9 2/9 3/9 2/9 1/9

(b) Se obtiene el valor esperado E(X) multiplicando cada valor de x por su probabilidad y
tomando la suma. Por tanto,
|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
=
9
1
6
9
2
5
9
3
4
9
2
3
9
1
2 ) ( X E


12. Una caja contiene 8 bombillos, de los cuales están 3 están defectuosos. Se selecciona un
bombillo de la caja y se prueba. Si este sale defectuoso se selecciona y se prueba otro
bombillo, hasta que se escoja un bombillo no defectuoso. Encuentre el número esperado E
de bombillos seleccionados.

SOLUCIÓN:

Escribiendo D para significar defectuoso y N para no defectuoso, el espacio muestral S tiene los
cuatro elementos
N. DN, DDN, DDDN
con las posibilidades respectivas.
,
8
5
,
56
15
7
5
8
3
= ⋅ ,
56
5
6
5
7
2
8
3
= ⋅ ⋅
56
1
5
5
6
1
7
2
8
3
= ⋅ ⋅ ⋅

El número X de bombillos escogidos tiene los valores
X(N)=1, X(DN)=2, X(DDN)=3, X(DDDN)=4
con las probabilidades anteriores respectivas. De donde
5 . 1
2
3
56
1
4
56
5
3
56
15
2
8
5
1 ) ( = = |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
= X E


13. Se lanza un dado equilibrado produciendo el espacio equiprobable
S= {1,2,3,4,5,6}
Sea X el doble del número que aparece. Encuentre la distribución ƒ, la media µ
x
, la
varianza σ
x
2
y la desviación estándar σ
x
de X.

SOLUCIÓN:

Aquí X(1)=2, X(2)=4, X(3)=6, X(4)=8, X(5)=10, X(6)=12. También, cada número tiene
probabilidad 1/6. Por tanto, la siguiente es la distribución ƒ de X:
x 2 4 6 8 10 12
ƒ(x) 1/6 1/6 1/6 1/6 1/6 1/6

En consecuencia,
µ
x
= E(X)= ∑ x
i
ƒ(x
i
)=
7
6
42
6
1
12
6
1
10
6
1
8
6
1
6
6
1
4
6
1
2 = =
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=

E(X
2
) = ∑ x
i
2
ƒ(x
i
)=
7 . 60
6
354
6
1
144
6
1
100
6
1
64
6
1
36
6
1
16
6
1
4 = = |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
=

Entonces,
σ
x
2
= var(X) = E(X
2
) - µ
x
2
= 60.7 –(7)
2
= 11.7
σ
x
= ) var(X = 7 . 11 = 3.4


14. Encuentre la media = µ E(X), la varianza σ
2
=var(X) y la desviación estándar σ= σ
x
de
la distribución
X
i
1 3 5 7
P
i
0.3 0.1 0.4 0.2

SOLUCIÓN:

Aquí la distribución se presenta utilizando x
i
y ƒ(x). Las siguientes son las formulas análogas:

i i m m i
p x p x p x p x X E ∑ = + + + = = ........ ) (
2 1 1
µ

i i m m
p x p x p x p x X E
i
2 2
2
2
2 1
2
1
........ ) ( ∑ = + + + =

Luego,

2 2 2
) ( ) var( µ σ − = = X E X y ) var(X
x
= = σ σ

0 . 4 ) 2 . 0 ( 7 ) 4 . 0 ( 5 ) 1 . 0 ( 3 ) 3 . 0 ( 1 ) ( = + + + = ∑ = =
i i
p x X E µ
0 . 21 ) 2 . 0 ( 7 ) 4 . 0 ( 5 ) 1 . 0 ( 3 ) 3 . 0 ( 1 ) (
2 2 2 2 2 2
= + + + = ∑ =
i i
p x X E

Entonces,

24 . 2 5 ) var(
5 ) 4 ( 21 ) ( ) var(
2 2 2 2
= = =
= − = − = =
X
X E X
σ
µ σ



15. Una muestra con reposición de tamaño n=2 se selecciona aleatoriamente de los
números 1 al 5. Esto produce entonces el espacio equiprobable S conformando por todos
los 25 pares de ordenados (a,b) de números del 1 al 5. Es decir,
S={(1,1),(1,2),….,(1,5),(2,1),….,(5,5)}
Sea X=0 si el primer número es par y X=1 de lo contrario; sea Y=1 si el segundo número
es impar y Y=0 de lo contrario.
(a) Encuentre las distribuciones de X y Y.
(b) Encuentre la distribución conjunta de X y Y.
(c) Determine si X y Y son independientes.

SOLUCIÓN:

(a) Hay 10 puntos muestrales en los cuales la primera entrada es par, es decir, donde
a=2 o 4 y b=1,2,3,4,5

Por tanto, P(x=0)=10/25=0.4 y entonces P(x=1)=0.6. Hay 15 puntos muestrales en los cuales la
segunda entrada es impar, es decir,
a= 1,2,3,4,5 y b=1,3,5
Por consiguiente, P(Y=1)=15/25=0.6 y entonces P(Y=0)=0.4. Por esta razón las distribuciones
de X y Y son las siguientes:

x

0 1
P(x)

0.4 0.6

y

0 1
P(y)

0.4 0.6

(Observe que X y Y están distribuidas idénticamente.)

(b) Para la distribución conjunta de X y Y se tiene
P(0,0) = P(a par, b par) = P{(2,2),(2,4),(4,2),(4,4)}=4/25=0.16
P(0,1) = P(a par, b impar) = P{(2,1),(2,3),(2,5),(4,1),(4,3),(4,5)}=6/25=0.24

En forma similar P(1,0)=6/25=0.24 y P(1,1)=9/25=0.36. Por lo cual, la Fig. 1 da la distribución
conjunta de X y Y.
X

Y

0 1

Suma
0
1
0.16 0.24
0.24 0.36
0.4
0.6
Suma

0.4 0.6

Fig.1

(c) El producto de las entradas marginales de las cuatro entradas interiores; por ejemplo,
P(0,0) = 0.16 = (0.4)(0.4) = P(X=0) P(Y=0)
Por tanto, X y Y son variables aleatorias independientes, aunque estén distribuidas
idénticamente.


16. Una prueba consta de 200 preguntas de verdadero o falso, para un sujeto que
respondiese al azar ¿Cual sería la probabilidad de que acertase:
a) 50 preguntas o menos.
b) Más de 50 y menos de 100.
c) Más de 120 preguntas.

SOLUCIÓN:

El número de preguntas acertadas seguirá una distribución Binomial con n = 200 y p= 0,5.
Ahora bien, como el número de pruebas es elevado esta distribución se puede aproximar por una
Normal de media 200·0,5 = 100 y de varianza 200·0,5·0,5 = 50 o lo que es lo mismo con
desviación típica 7,07, luego:
a) 0 ) 7 (
07 , 7
100 5 , 50
) 5 , 50 ( ) 50 ( ≈ − ≤ = |
.
|

\
| −
≤ = ≤ ≈ ≤ Z P Z P X P x P
b) = |
.
|

\
| −
≤ − |
.
|

\
| −
≤ = ≤ − ≤ =
07 , 7
100 5 , 50
07 , 7
100 5 , 99
) 51 ( ) 99 ( ) 100 50 ( Z P Z P x P x P x P p p
4721 , 0 0 4721 , 0 ) 7 ( ) 07 , 0 ( = − = − ≤ − − ≤ Z P Z P
c) 0019 , 0 9981 , 0 1 ) 9 , 2 ( 1
07 , 7
100 5 , 120
) 120 ( = − = ≤ − = |
.
|

\
| −
= Z P Z P x P f f


17. Una gran tienda de artículos eléctricos descubre que el número x de tostadores
vendidos por semana obedece a una ley de Poisson de media 10. La ganancia de cada
tostador vendido es de 500 ptas. Sin embargo, un lunes se encuentran con que solo les
quedan 10 tostadores, y que a lo largo de esa semana no van a poder traer más del
almacén. Determinar la distribución de las ganancias totales (en ptas.) en concepto de
tostadores de pan a lo largo de esa semana.

SOLUCIÓN:

Teniendo en cuenta los datos del problema, podemos definir una variable aleatoria ´, que
representa la ganancia total (en pesetas) en concepto de tostadores de pan a lo largo de la
semana considerada, a partir de la variable x:
¹
´
¦

≤ ⋅
=
10 5000
10 0 500
x
x x p
η
En el segundo caso, si la demanda x es de más de 10 tostadores, es decir, si supera al número de
existencias, solo es posible vender este último numero de tostadores.
La distribución de las ganancias totales en pesetas es, por tanto:
} { = ≤ Ω ∈ = ) ) ( : ( ) ( t w w P t F
n
η
=
| |
¦
¦
¹
¦
¦
´
¦

≤ = = |
.
|

\
|
= ≤ ⋅

=
5000 1
5000 0 ) (
500
) 500 (
0 0
500
0
t si
t si i x P
t
F t x P
t si
t
t
x
K
p K
p K



18. El tiempo de reparación de unas máquinas de escribir tiene una distribución
aproximadamente exponencial, con media 22 minutos.
1. Hallar la probabilidad de que el tiempo de reparación sea menor que diez minutos.
2. El costo de reparación es de 2000 pts. por cada media hora o fracción. ¿Cuál es la
probabilidad de que una reparación cueste 4000 pts.?
3. Para efectuar una programación, ¿cuanto tiempo se debe asignar a cada reparación
para que la probabilidad de que cualquier tiempo de reparación mayor que el tiempo
asignado sea solo de 0.1?

SOLUCIÓN:

Definamos una variable aleatoria x que representa el tiempo de reparación (en minutos) de las
máquinas y sigue una distribución exponencial de parámetro
22
1
1
) ( = =

x E λ . Por lo tanto, la
función de densidad de esta variable es:
fx (x) = . 0 ,
22
1
22
f x e
x −


1). La probabilidad de que un tiempo de reparación sea menor que diez minutos es:
P (x ) 10 p
11
5
10
0
22 22
10
0
1
22
1
− − −
− = − = ⋅ =

e e x e
x x
θ

2). De acuerdo con el enunciado, para un tiempo de reparación dado, el costo de reparación se
obtendrá a partir del número total de fracciones de media hora y el conjunto de minutos
restantes, inferiores a 30. (Todos, este ultimo inclusive, se cobran a 2000 pesetas). Teniendo
esto en cuenta, se observa que una reparación costara 4000 pesetas siempre que su duración sea
superior a 30 minutos e inferior o igual a 60 minutos (y así cada fracción de la segunda media
hora se cobrará como una media hora entera). Así:
P (30 ) 60 ≤ x p
11
15
11
30
22
60
30
22
1
− − −
+ − = ⋅ =

e e x e
x
θ

3). Representamos por t (t > 0) el tiempo asignado a una reparación (en minutos). Debe
verificarse:
P (x > t) = 0,1;
es decir:
1 , 0
22
1
22 22 22
= = − = ⋅


− −


t
t
x x
t
e e x e θ
y esto se cumple para t = -22* ln0,1 = 50, 657 ≅ 51 minutos.


19. Para averiguar el tamaño N de una población de lagartos se utiliza el método siguiente
de captura-marcaje-recaptura. Se capturan k lagartos, se les marca y se les reincorpora a
su población. Un tiempo después se realizan n avistamientos independientes de los que » es
el numero de ellos que están marcados.
1. Obtener una expresión para la probabilidad de que » = m.
2. Si k = 4 y m = 1, demostrar que la probabilidad es máxima cuando N = 4n:
3. Si N = 12, k = 4 y n = 3, ¿cuál es la probabilidad de que los tres lagartos observados
estén marcados si sabemos que al menos uno de ellos lo está?

SOLUCIÓN:

Teniendo en cuenta que los n avistamientos que se realizan son independientes, la variable
aleatoria x sigue una distribución binomial de parámetros n y k=N, donde k=N es la
probabilidad de que un lagarto escogido al azar de la población este marcado.

1). La probabilidad de que m de los lagartos estén marcados es:
. , , 1 , 0 , 1 ) ( n m
N
k
N
k
m
n
m x P
m n
m
K =
|
.
|

\
|
− ⋅
|
|
.
|

\
|

|
|
.
|

\
|
= =



2). Si k = 4 y m = 1:
( )
n
n
n
N
N n
N N
n
x P
1
1
1
4 4 4
1
4
1
) 1 (


− ⋅ ⋅
=
|
.
|

\
|
− ⋅
|
|
.
|

\
|

|
|
.
|

\
|
= =

Derivando en la anterior expresión respecto de N e igualando a cero se obtiene que:
( ) | | 0 ) 4 ( 1 ) 4 (
2 1
= ⋅ − − ⋅ − ⋅ − ⋅
− −
n N N n N N
n n

por lo que N = 4n

3). Si N = 12, k = 4 y n = 3, la probabilidad de que los tres lagartos estén marcados sabiendo que
al menos uno de ellos lo está es:
397
1
) 0 ( 1
) 3 (
) 1 (
1 , 3 (
) 1 3 ( =
= −
=
=

≥ =
= ≥ =
x P
x P
x P
x x P
x x P


20. Una alumna trae cada día a la Universidad una tableta de chocolate de 16 cm., y de
cuando en cuando le da un mordisco y se come la mitad de lo que le queda. Asumiendo
que esta golosa apetencia aparece en la mañana siguiendo una distribución de Poisson de
media un mordisco por hora:
1. Calcular la distribución del tiempo que transcurre hasta que aparece la primera
mordida.
2. ¿Cuantos centímetros de chocolate esperas que le quede tras las cinco horas de clases?
3. ¿Qué probabilidad hay de que soporte una hora de clase sin morder su tableta?
4. Si un día, entre las 9:00 y las 14:00 horas, la ha mordido en cuatro ocasiones, ¿que
probabilidad hay de que lo haya hecho durante las tres primeras horas de clase?

SOLUCIÓN:

1). Fijado cualquier intervalo temporal de amplitud t horas, para t > 0 arbitrario pero fijo, sea xt
la variable aleatoria que mide el numero de mordiscos que se producen en dicho intervalo.
Según el enunciado, esta variable aleatoria sigue una distribución de Poisson de parámetro t, es
decir:
( )
t
k
e
k
t
k x P

⋅ = =
!
, para toda k = 0, 1, 2,….
Consideremos otra variable aleatoria η 1 que mide el tiempo que transcurre hasta que se
produce el primer mordisco en un intervalo de amplitud ilimitada. Se pretende demostrar que:
x
n
e x f

= ) (
1
, para todo x 0 f .
En efecto, utilizando la información disponible para xt y la relación entre ambas variables
aleatorias, se tiene que, para cualquier x > 0 :
x x
n
e
x
e x P x P x P x F
− −
− = ⋅ − = = − = − = ≤ = 1
! 0
1 ) 0 ( 1 ) ( 1 ) ( ) (
0
1 1 1
f η η
luego el tiempo que transcurre hasta que aparece la primera mordida sigue una distribución
exponencial de parámetro 1.

2). Sea ς 5 la variable aleatoria que mide la longitud de la tableta restante tras un intervalo de
tiempo de 5 horas. Claramente:
ς 5 =
5
2
16
ς

y por lo tanto lo solicitado es:
E | | ) (
2
16
2
16
5
0
5 5
5
k P E
k
= ⋅ =
(
¸
(

¸

=


=
ς ς
ς ς
=16e
2
5



3). La probabilidad de que soporte una hora de clase sin morder su tableta es:
e
e x P
1
! 0
1
) 0 (
1
0
= ⋅ = =



4). La probabilidad de que haya mordido la tableta cuatro veces en 5 horas, sabiendo que lo ha
hecho en las tres primeras horas de clase es:
1296 , 0
! 4
5
! 0
2
! 4
3
) 4 4 (
5
4
2
0
3
4
5 3
=
|
|
.
|

\
|

|
|
.
|

\
|
⋅ ⋅
|
|
.
|

\
|

= = =

− −
e
e e
x x P


21. Las diagonales de un polígono se obtienen uniendo pares de vértices no adyacentes.
1. Obtener el número de diagonales del cuadrado, el hexágono y el octógono. Calcularlo
para el caso general de un polígono de n lados.
2. ¿Existe algún polígono en el que el número de lados sea igual al de diagonales?

SOLUCIÓN:

1). Comenzamos calculando el número de diagonales del cuadrado. Hay C = 6 uniones posibles
de dos vértices diferentes cualesquiera, adyacentes o no. Si de estas 6 parejas eliminamos las
que corresponden a vértices adyacentes (tantas como el número de lados del cuadrado),
quedarán 6 - 4 = 2 diagonales.
Procediendo del mismo modo con el hexágono, se obtienen
C
6;2
– 6 = 6
! 4 !· 2
! 6
− = 15 - 6 = 9 diagonales
Análogamente, en el caso del octógono, se obtienen

C
8;2
– 8 = 8
! 6 !· 2
! 8
− = 8
2
7 · 8
− = 28 - 8 = 20 diagonales.

Finalmente, para el caso general de un polígono de n lados, el número de diagonales es:

C
n;2
- n = n
n
n

− )! 2 !·( 2
!
= n
n n


2
) 1 ·(
=
2
3
2
n n −
.

2). Veamos si existe algún polígono donde el número de lados sea igual al número de
diagonales. Igualando el número de lados y el número de diagonales se obtiene:
n=
2
3
2
n n −
,

es decir, n(n - 5) = 0:
Como 1 ≥ n , el resultado n = 0 no es válido. La solución es n = 5 (el pentágono).


22. ¿Cuántos números de 4 dígitos se pueden formar con las cifras 0,1,. . . ,9?
1. Permitiendo repeticiones.
2. Sin repeticiones.
3. Si el último dígito ha de ser 0 y no se permiten repeticiones?

SOLUCIÓN:

Asumamos que para que un número sea de 4 dígitos su primer dígito debe ser distinto de cero.

1). Puesto que debe formarse un número de 4 dígitos, el primero de éstos no puede ser cero. Por
lo tanto, hay nueve posibilidades para el primer dígito y diez para cada uno de los tres dígitos
restantes, obteniéndose un total de 9 · 10
3
= 9000 números posibles.

2). Al igual que en el apartado anterior, el primer dígito no puede ser cero. Como además no se
permiten repeticiones, hay nueve posibilidades para el segundo dígito: el cero y las ocho no
escogidas para el primer dígito. Por tanto, se pueden formar 9
2
· 8 · 7 = 4536 números.

3) Fijamos el último dígito y, como no puede haber repeticiones, se obtiene un total de 9 · 8 · 7 ·
1 = 504 números.


23. Los pesos de 2 000 soldados presentan una distribución normal de media65 kg y
desviación típica 8 kg. Calcula la probabilidad de que un soldado elegidoal azar pese:
a) Más de 61 kg.
b) Entre 63 y 69 kg.
c) Menos de 70 kg.
d) Más de 75 kg

SOLUCIÓN:

x es N (65, 8)
a) P [x > 61] = P [z >
8
65 61−
] = P [z > –0,5] = P [z < 0,5] = 0,6915
b) P [63 < x < 69] = P [–0,25 < z < 0,5] = 0,2902
c) P [x < 70] = P [z < 0,625] = 0,7357
d) P [x > 75] = P [z > 1,25] = 1 – P [z ≤ 1,25] = 0,1056


24. En un proceso de fabricación de tornillos se sabe que el 2% son defectuosos. Los
empaquetamos en cajas de 50 tornillos. Calcula la probabilidad de que en una caja haya
este número de tornillos defectuosos:
a) Ninguno.
b) Uno.
c) Más de dos.
¿Cuántos tornillos defectuosos habrá, por término medio, en cada caja?

SOLUCIÓN:

x es B (50; 0,02)
a) P [x = 0] = 0,9850 = 0,364
b) P [x = 1] = 50 · 0,02 · 0,9849 = 0,372
c) P [x > 2] =1 – P [x ≤ 2] = 1 – (P [x = 0] + P [x = 1] + P [x = 2]) =
= 1 – (0,364 + 0,372 + 0,186) = 1 – 0,922 = 0,078
Por término medio, habrá µ = 50 · 0,02 = 1 tornillo defectuoso en cada caja.


25. Sea X una v.a. continua cuya función de distribución es:
¦
¹
¦
´
¦
<
≤ <

=
1 1
1 0
0 0
) (
3
x para
x para x
x para
x F

Obtener la función de densidad.

SOLUCIÓN:

Por definición f(x)=F’(x). Aplicándolo a cada tramo:
2
3 ) ( 1
0 ) ( 1
0 ) ( 0
x x f x Para
x f x Para
x f x Si
= ≤ <
= >
= ≤

Resumiendo:
¹
´
¦ ≤ <
=
resto el en
x para x
x f
0
1 0 3
) (
2



26. Calcula las probabilidades de las siguientes distribuciones binomiales mediante
aproximación a la normal correspondiente (en todas ellas, ten en cuenta el ajuste de media
unidad que hay que hacer al pasar de una variable discreta a una continua).
a) x es B (100; 0,1). Calcula P[x = 10], P[x < 2] y P[5 < x < 15]
b) x es B (1 000; 0,02). Calcula P[x > 30] y P[x < 80]
c) x es B (50; 0,9). Calcula P[x > 45] y P[x ≤ 30]

SOLUCIÓN:

a) x es B (100; 0,1) ≈ x' es N (10; 3)
P [x = 10] = P [9,5 < x' < 10,5] = P [–0,17 < z < 0,17] = 0,135
P [x < 2] = P [x' ≤ 1,5] = P [z ≤ –2,83] = 0,0023
P [5 < x < 15] = P [5,5 ≤ x' ≤ 14,5] = P [–1,5 ≤ z ≤ 1,5] = 0,8664

b) x es B (1 000; 0,02) ≈ x' es N (20; 4,427)
P [x > 30] = P [x' ≥ 30,5] = P [z ≥ 2,37] = 0,0089
P [x < 80] = P [x' ≤ 79,5] = P [z ≤ 13,44] = 1

c) x es B (50; 0,9) = x' es N (45; 2,12)
P [x > 45] = P [x' ≥ 45,5] = P [z ≥ 0,24] = 0,4052
P [x ≤ 30] = P [x' ≤ 30,5] = P [z ≤ –6,83] = 0


27. El departamento de control de calidad de una empresa que fabrica pañuelos sabe que
el 5% de su producción tiene algún tipo de defecto .Los pañuelos se empaquetan en cajas
con 15 elementos. Calcular la probabilidad de que una caja contenga:
a) 2 elementos defectuosos .
b) Menos de 3 elementos defectuosos
c) Entre 3 y 5 elementos defectuosos(ambos incluidos)

SOLUCIÓN:

1 pañuelo, p(d)=0.05=p
n=15 pañuelos, X= #pañuelos defectuosos →B
i
(15,p=0.5)

a) P(X=2)= C
15,2
· 0.05
2
· 0.95
15-2
=0.135

b) P(X<3)= P (X=0) + P(X=1) + P(X=2) = C
15,0
0.05
0
· 0.95
15
+ C
15,1
0.05
1
· 0.95
14
+
C
15,2
0.05
2
· 0.95
13
= 0.463 + 0.3657 + 0.135 = 0.9637

c) P(3≤X≤5) = P(X=3) + P(X=4) + P(X=5) = C
15,3
0.05
3
·0.95
12
+ C
15,4
0.05
4
· 0.95
4

+ C
15,5
0.05
5
· 0.95
10
= 0.03536


28. Una prueba de inteligencia consta de diez cuestiones cada una de ellas con cinco
respuestas de las cuales una sola es verdadera .UN alumno responde al azar ¿Cuál es la
probabilidad de que responda al menos a dos cuestiones correctamente?¿Cuál la de que
responda bien a seis?¿Cuál la de que responda bien como máximo a dos cuestiones?

SOLUCIÓN:

P(A)=1/5=0.20=p
n=10 preguntas
a) X →B
i
(10 ,0.2)
P(X≥2) = 1-P(X<2) = 1-[f(0) + f(1)] = 1- [C
10,0
0.2
0
· 0.8
10
+ C
10,1
0.2
1
0.8
9
] = 1-[0.1073
+ 0.2684] = 0.6242

b) P(X=6) = C
10,6
0.2
6
0.8
4
= 0.0055

c) P(X≤2) = f(0) + f(1) + f(2) = 0.1073 + 0.2684 + C
10,2
0.2
2
0.8
8
= 0.1073 + 0.2684 +
0.3019 = 0.6776


29. Determinar la probabilidad de realizar cierto tipo de experimento con éxito si se sabe
que si se repite 24 veces es igual de probable obtener 4 éxitos que 5

SOLUCIÓN:

P(A) = p
n= 24 veces , X→ B
i
(24, p)
p(x = 4) = p(x=5)=
|
|
.
|

\
|
24
4
* p
4
*q
20
=
|
|
.
|

\
|
24
5
* p
5
*q
19

10626 * p
4
* q
20
= 42504* p
5
*q
19

4
5
19
20
* 10626
* 42504
p
p
q
q
= → q = 4 * p
Que junto con el hecho de que q = 1-p, tenemos que p=0.2.


30. Si se contesta sin pensar un test de 10 preguntas en las que hay que contestar si es
cierto o falso. ¿Cuál es la probabilidad de acertar el 70 % o mas de las preguntas?, ¿y
exactamente 7 de las 10 respuestas?

SOLUCIÓN:

n= 10 preguntas, Preguntas acertadas X B
i
(10,0.5)
P(X≥ 7) = f(7) + f(8) + f(9) + f(10) = 0.1172 + 0.0439 + 0.0098 + 0.0010 = 0.1719
Donde, por ejemplo,
P(X=7) = ( ) 1172 . 0 50 . 0 * * 50 . 0 *
2 7 10
7
=



31. Los mensajes que llegan a una computadora utilizada como servidor lo hacen de
acuerdo con una distribución de Poisson con una tasa promedio de 0.1 mensajes por
minuto.
a) ¿Cuál es la probabilidad de que lleguen como mucho 2 mensajes en una hora?
b) Determinar el intervalo de tiempo necesario para que la probabilidad de que no llegue
ningún mensaje durante ese lapso de tiempo sea 0.8.

SOLUCIÓN:

Sea X= mensajes por minuto con Po (0.1). Entonces el número de mensajes por hora será de
Po ( 6 ).

a) P ( x≤ 2) = f ( 0 ) + f ( 1 ) + f ( 2) = 0.0025 + 0.0149 + 0.0446 = 0.062
b) P ( X = 0 ) = 0.8
! 0
*
0
λ
λ −
e
= 0.8 8 . 0 =
− λ
e 8 . 0 * * n e n l l =
−λ

8 . 0 * * n e n l l =
−λ
0 * * n e n l l = − λ 2231 . 0 = λ

0.1 mensaje 1 minuto

0.2231 mensajes x


32. El número de pinchazos en los neumáticos de cierto vehiculo industrial tiene una
distribución de Poisson con media 0.3 por cada 50000 kilómetros .Si el vehiculo recorre
100000 km, se pide:
a) probabilidad de que no tenga pinchazos
b) Probabilidad de que tenga menos de tres pinchazos
c) Número de km recorridos para que la probabilidad de que no tenga ningún pinchazo
sea 0.4066

SOLUCIÓN:

Si λ = 0.3 para 50000 km, entonces para 10000km tendremos una X→P
o
(0.6).
a) P(X=0) = 0.5488
b) P(x<3) = P(X=0) + P(x=1) + P(X=2) =0.5488 + 0.3292 + 0.09878 = 0.9767
c) P(X=0) = e-
λ
=0.4066. Por tanto, ln e-
λ
= ln 0.4066 y λ= 0.9

Si 0.3→ 50000 km, 0.9→ x km, y por tanto x = 150000km


33. En un libro de 500 páginas se distribuyen aleatoriamente 300 erratas de imprenta.
Hallar la probabilidad de que en una página haya :
x =
1 . 0
2231 . 0
= 2.231 minutos.
a) exactamente 2 erratas
b) dos o más erratas

SOLUCIÓN:

Si se tienen 300 errores en 500 páginas, tendremos una media de 300/500 = 0.6 errores por
página. Sea X=número de errores por página, entonces
a) X→ P
o
(0.6)

P(X=2) = 0.098
b) P(X≥2) = 1- P(X<2) = 1- [f(0) + f(1)] = 1 - [ 0.5488 + 0.292] = 0.1219


34. La probabilidad de que el Banco “Riu Sec” reciba un cheque sin fondos es 1%.
a) Si en una hora reciben 20 cheques, ¿cuál es la probabilidad de que se tenga algún
cheque sin fondos?
b) El banco dispone de 12 sucursales en la ciudad, ¿cuál es la probabilidad de que al
menos 4 de las sucursales reciban algún cheque sin fondos?
c) Si la media del valor de los cheques sin fondos es de 580 € y el banco trabaja 6
horas diarias, ¿qué cantidad total de euros no se espera pagar?
d) Si se computaran los primeros 500 cheques, ¿cuál es la probabilidad de recibir
entre 3 y 6 (inclusive) cheques sin fondos?

SOLUCIÓN:

a) n = 20 cheques







X=número de cheques sin fondosBi( 20, 0,01 )
1 cheque
P(no fondos) = 0,01 = p
P( fondos) = 0,99 = q
P( X ≥ 1) = 1-P( X<1 ) = 1-P( X=0 ) = 1-
|
|
.
|

\
|
0
20
*0,01
0
*0,99
20
= 1-0,8179 = 0,182

b) n = 12 sucursales






X=número de sucursales que reciben al menos 1 cheque Bi( 12, 0,182 )
P( X ≥ 4) = 1-P( X<4 ) = 1-[ ρ (0)+ ρ (1)+ ρ (2)+ ρ (3)] = 0,2054

c) 1 hora20 cheques, 6 horas x = 120 cheques
E( x ) = n*p = 120*0,01 = 1,2 cheques sin fondos, y por tanto 1,2*580 = 696 € no se espera
pagar

d) n = 500 cheques






X= número de cheques sin fondos Bi( 500, 0,01 ) - n*p ≤ 5; n*p = 500*0,01 = 5 Æ P
0
(5)
P( 3≤X≤6 ) = ρ (3)+ ρ (4)+ ρ (5)+ ρ (6)= 0,1404+0,1755+0,1755+0,1462 = 0,6376


1 sucursal
P( no recibir 1 cheque sin fondos ) = 0,812 = q
P( al menos 1 cheque sin fondos) = 0,182 = p
1 cheque
P(sin fondos ) = 0, 10 = p
P( fondos) = 0,9 = q
35. Se sabe que de un lote de 40 semillas no esta en buenas condiciones la cuarta parte. Se
toman al azar 8 semillas y se analizan en el laboratorio.¿ Cual es la probabilidad de que 3
de las analizadas estén en malas condiciones?

SOLUCIÓN:

N = 40 semillas
K = 40*
4
1
= 10 semillas en malas condiciones
n = 8 semillas
P ( X = 3) =
( ) ( )
( )
40
8
30
5
10
3
*
= 0.222


36. La duración de un láser semiconductor a potencia constante tiene una distribución
normal con media 7.000 horas y desviación típica de 600 horas.
a) ¿Cuál es la probabilidad de que el láser falle antes de 5.000 horas?
b) ¿Cuál es la duración en horas excedida por el 95 % de los láseres?
c) Si se hace uso de tres laseres en un producto y se supone que fallan de manera
independiente.¿ Cuál es la probabilidad de que tres sigan funcionando después de
7.000 horas?

SOLUCIÓN:

X N (7.000 , 600)
a) P ( X < 5000) = P ( z <
600
7000 5000 −
) = P (z < -3.33) = P ( z > 3.33) = 1-P ( z ≤3.33) =
1-0.9996 = 0.004

b) P ( X > a ) = 0.95 P ( z >
600
7000 − a
) = 0.95
1- P ( z ≤
600
7000 − a
) = 0.95 - P ( z ≤
600
7000 − a
) = 1-0.95 = 0.05
Tenemos que buscar 0.95 en la columna del Φ( x)(tablas) , el número será -1.65.
Por tanto,
600
7000 − a
= -1.65 ; a = -1.65 * 600 + 7000 ; a = 6010

c) P ( X> 7000) = p (z >
600
7000 7000 −
) = P ( z > 0 ) = 1-P ( z ≤0) = 1-0.5= 0.50
0.50 es la probabilidad de 1 láser siga funcionando después de 7000 horas.
n = 3 láseres
P(F) = 0.50 = p

1 láser

P( F ) = 0.50 = q

P ( X = 3) =
|
|
.
|

\
|
3
3
* 0.50
3
* 0.50
0
= 0.125


37. Una máquina fabrica tornillos cuyas longitudes se distribuyen normalmente con media
20 mm y varianza 0.25 mm. Un tornillo se considera defectuoso si su longitud difiere de la
media más de 1 mm. Los tornillos se fabrican de forma independiente. ¿Cuál es la
probabilidad de fabricar un tornillo defectuoso? Si los envasamos en envases de 15
tornillos, probabilidad de que en un envase no tenga más de 2 defectuosos.

SOLUCIÓN:

0.5 = desviación típica
0.5
2
= 0.25 = varianza
X N ( 20 ,0.25 )
P(def.) = P ( x >21 ) + P ( x < 19 ) = P( z >
5 . 0
20 21−
) + P( z <
5 . 0
20 19 −
) = P( z>2) + P ( z <-2)
= [1 – P( z ≤2) ] + [ 1 –P( z ≤2) ] = [1 –0.9773] + [ 1 –0.9773 ] = 0.0452 tornillos defectuosos

n = 15 tornillos
P( def. ) = 0.0452 = p

1 tornillo

P( . def ) = 0.9548 = q

X = tornillos defectuosos Bi ( 15 , 0.0452 )
P( x ≤ 2) = f (0) + f ( 1) + f (2) = ( )
15
0
* 0.0452
0
* 0.9548
15
+ ( )
15
1
*0.0452
1
*09548
14
+
( )
15
2
*0.0452
2
*09548
13
= 0.972


38. Supongamos que disponemos de 3 variables independientes con las siguientes
características:
X
1
N ( 1 , 1 = = σ µ )
X
2
N ( = µ 3, = σ 2)
X
3
N ( = µ 4, = σ 3)
Definimos una nueva variable Y=X
1
+X
2
+X
3
, se pide:
a) Hallar E(Y) y Var(Y).
b) Determinar la probabilidad de que P(Y>A), siendo A=E(Y)-2

SOLUCIÓN:

a) Y=X
1
+X
2
+X
3
E(Y)= E(X
1
)+E(X
2
)+E(X
3
)=1+3+4=8
Var(Y)=1^2+2^2+3^2=14

b) A=E(Y)-2.
A=8-2=6
Y N ( 8, 14 )
P(Y>A)=P(Y>6)=P(Z>((6-8)/3,74)=P ( Z>-0,53)=P ( Z<0,53)=0,7019


39. Se supone que la probabilidad de que un pasajero opte por una compañía aérea dada
para hacer un viaje es 0,5. Tomando un grupo de 400 pasajeros potenciales, esta compañía
vende billetes a cualquiera que se lo solicita y la capacidad de su avión es de 230
pasajeros. Se pide:
a) La probabilidad de que la compañía tenga un overbooking, es decir, que un
pasajero no tenga asiento.
b) Si existen 10 compañías aéreas que realizan el mismo viaje y cuyas condiciones son
similares a la anterior, ¿cuál será la probabilidad de que al menos dos de ellas tenga un
overbooking?

SOLUCIÓN:





a) n = 400 X= pasajeros que optan por ese avión Bi (400, 0,5)Æ N( 200, 10 )

10 = 0,5 • 0,3 • 400 = q • p • n = σ
200 = 0,5 • 400 = p • n = µ

P ( X>230) = P ( z >(230-200)/100) = P ( z >3) = 1-P ( z ≤ 3) = 1- 0,9987 = 0,0013
$ overbooking

b)

1 pasajero
P (no opte) = 0,5= q
P (opte) = 0,5= p





n = 10 compañías
P ( X ≥ 2) = 1-P ( X<2) = 1-P( X≤1 ) = 1- [ρ(0) + ρ(1)] = 1-[
|
|
.
|

\
|
0
10
*0,0013
0
*0,9987
10
+
|
|
.
|

\
|
1
10
*0,0013
1
*0,9987
10
] = 1- [0,987 + 0,0128] = 0,00015


40. En un quiosco de periódicos se supone que el número de ventas diarias se distribuye
normalmente con media 30 y varianza 2. Determinar:
a) Probabilidad de que en un día se vendan entre 13 y 31 periódicos
b) Determinar el máximo número de periódicos que se venden en el 90% de las
ocasiones
c) Supongamos que en una ciudad hay 10 quioscos independientes del mismo tipo y
con las mismas características. Determinar la probabilidad de que más de dos quioscos
vendan entre 13 y 31 periódicos

SOLUCIÓN:

a) X N( 30,2 )
P ( 13≤X≤31 )= P((13-30)/ 2 ≤ z ≤(31-30)/ 2 ) = P ( -12,02 ≤ z ≤ 0,707 ) =
P ( z ≤ 0,707 ) – P ( z ≤ -12,02 ) = 0,7580

b) P ( X ≤ a ) = 0,90 -Æ P ( z ≤ (a-30)/ 2 ) = 0,90 (tablas)

(a-30)/ 2 = 1,28 Æ a = 31,81 periódicos
c) n = 10 quioscos

1 compañía
P (no overbooking) = 0,9987= q
P (overbooking) = 0,0013= p




X= quioscos que venden entre 13 y 31 Bi (10, 0,7580)
P ( X > 2 ) = 1 - P ( X ≤ 2 ) = 1- [ ρ (0)+ ρ (1)+ ρ (2)] =
= 1-[
|
|
.
|

\
|
0
10
*0,7580
0
*0,242
10
+
|
|
.
|

\
|
1
10
*0,758
1
*0,242
9
+
|
|
.
|

\
|
2
10
*0,758
2
*0,242
8
]= 0,99972


41. Un operador elige al azar entre “n” chips de una caja. La probabilidad de que sea
defectuoso es 0,2.
a) Si n = 7, ¿cuál es la probabilidad de que al menos 3 chips sean defectuosos?
b) Si n = 50, ¿cuál es la probabilidad de tener entre 9 y 12 chips defectuosos?
c) ¿Cuántos chips hay en la caja si la varianza es 32?

SOLUCIÓN:






a) n = 7
X= chips defectuosos Bi ( 7, 0,2)
P ( X ≥ 3 ) = 1 – P ( X < 3 ) = 1 – P ( X ≤ 2 ) = 1 – [ ρ (0)+ ρ (1)+ ρ (2)] =
= 1 – [
|
|
.
|

\
|
0
7
*0,2
0
*0,8
7
+
|
|
.
|

\
|
1
7
*0,2
1
*0,8
6
+
|
|
.
|

\
|
2
7
*0,2
2
*0,8
5
] = 1–0,852= 0,148
b) n = 50
X Bi (500, 0,2)--------------------------Æ N ( 10, 2,828 )
10 2 , 0 * 50 * = = = p n µ
1 quiosco
P (no vender entre 13 y 31) = 0,242 = q
P (vender entre 13 y 31) = 0,7580 = p
1 chip
P (no defectuoso) = 0,8 = q
P (defectuoso) = 0,2 = p
q p n * * = σ =2.828
P ( 9 ≤ X ≤ 12 ) = P ((9-10)/2,828≤ z ≤(12-10)/2,828 ) = P ( -0,35 ≤ z ≤ 0,707 ) =
= P ( z ≤ 0,707 ) – P ( z ≤ -0,35 ) = 0,7580 – ( 1 - 0,6368 ) = 0,3948

c) n = ¿?
Var (x) = 32---------------------Æ n*p*q = 32 ; n*0,2*0,8 = 32
N = 200 chips


42. El volumen que una máquina de llenado automático deposita en latas de una bebida
gaseosa tiene una distribución normal con media 34 cl. Y una desviación típica 1,5 cl.
a) Si se despachan aquellas latas que tienen menos de 33 cl., ¿cuál es la proporción de
latas desechadas?
b) La máquina de llenado puede ser ajustada para cambiar el volumen medio
ö
para
que únicamente el 1% de las latas tuviera menos de 33 cl.?
c) Si tomamos 10 latas llenadas con la máquina tal y como figura originalmente,
¿cuál es la probabilidad de que ninguna sea desechada?
d) Si ahora tomamos 500 latas llenadas con la máquina tal y como figura
originalmente, ¿cuál es la probabilidad de que al menos 100 sean desechadas?

SOLUCIÓN:

a) XN( 34,1,5 )
P( X< 33 ) = p( z < (33-34)/1,5 ) = ( z < -0,66 ) = p( z ≥ 0,66 ) = 1-p( z ≤ 0,66 ) =
1-0,7454 = 0,2546B probabilidad de que la lata sea desechada

b) µ ?
P( X<33 ) = 0,01
P( z <(33- µ )/1,5 ) = 0,01 ; (33- µ )/1,5= -2,33 ; µ = 36,495 cl.

c)
n = 10 latas

1 lata
P(no desechada) = 0,7454 = q
P( desechada) = 0,2546 = p
XBi( 10, 0,2546 )
P( X=0 ) =
|
|
.
|

\
|
0
10
*0,2546
0
*0,7454
1
= 0,05295

d)
XBi( 500, 0,2546 )--------------------------------ÆN (127,3 , 9,74)

9,74 = 0,7454 • 0,2546 • 500 = q • p • n = σ
127,3 = 0,2546 • 500 = p • n = µ

P( X ≥ 100) = P( z ≥ (100-127,3)/9,7411) = P( z ≥ -2,8 ) = P( z ≤ 2,8 ) = 0,9974


43. La confianza de un fusible eléctrico corresponde a la probabilidad de que un fusible.
Escogido al azar de una línea de producción, funcione adecuadamente bajo condiciones de
diseño. Calcule la probabilidad de obtener 27 ó mas fusibles defectuosos en una muestra
de 1000 fusibles, sabiendo que la probabilidad de que un fusible elegido al azar no sea
defectuoso es de 0,98.

SOLUCIÓN:

(
0571 ' 0 9429 ' 0 1 ) 58 ' 1 ( 1 ) 58 ' 1 (
427 ' 4
20 27
) 27 (
427 ' 4 098 ' 0 02 ' 0 * 1000 * *
) 5 * ( 20 02 ' 0 * 1000 p * n
defectuoso fusible x
4'47) (20, N 0'02) (1000, Bi x
q 0'98 def) no ( p
p 0'02 (def) P fusible 1
fusibles 1000
27)
= − = ≥ − = ≥ =
|
.
|

\
| −
≥ = ≥
= + = =
> = = =
=
→ →
= = →
= = →
=

z p z P z P x P
q p n
p n
n
x P
σ
µ


44. Un banco recibe en promedio 6 cheques falsos al día, suponiendo que el número de
cheques falsos sigue una distribución de Poisson, hallar:
a) Probabilidad de que se reciban cuatro cheques falsos en un día.
b) Probabilidad de que se reciban más de 30 cheques falsos en una semana

SOLUCIÓN:

96 ' 0 ) 85 ' 1 ( ) 85 ' 1 (
42
42 30
) 30 ( P
semana falsos/ cheques
cheques 42 x dias 7 x ) 42 , 42 ( ) 42 (
1 6cheques normal una a pasamos 10 42 )
1339 ' 0
! 4
6
) 4 ( a)
falsos/dia cheques x
media la dan sólo porque Poisson es que Sabemos ) 6 (
4 6
= < = − > = |
.
|

\
| −
> = >
=
= → → →
→ → > → =
=
+
= =
=
→ →

z P z P z P x
x
N Po x
dia b
x P
Po x
λ λ
l


45. El número de fallos de un instrumento de prueba debidos a las partículas de un
producto es una variable de Poisson con media 0,2 fallos por hora.
a) ¿Cuál es la probabilidad de que el instrumento no falle en una jornada de 8 horas?
b) ¿Cuál es la probabilidad de que haya entre 20 y 40 fallos (ambos incluidos) en un periodo
de una semana ( funcionando los 7 días, 24 horas diarias)?

SOLUCIÓN:

8547 ' 0 ) 9904 ' 0 1 ( 8643 ' 0 ) 34 ' 2 ( ) 10 ' 1 (
) 10 ' 1 34 ' 2 (
6 ' 33
6 ' 33 40
6 ' 33
6 ' 33 20
) 40 20 (
/
) 6 ' 33 , 6 ' 33 ( ) 6 ' 33 ( x
33'6 x 168
2 ' 0 1
168 24 * 7
) 40 20 (
)
2019 ' 0
! 0
6 . 1
) 0 (
8 /
) 6 ' 1 (
a)
1.6 x x 8h /
fallos 0'2 1h ) 2 ' 0 (
1 6 ' 1
= − − = − ≤ − ≤
= ≤ ≤ − = |
.
|

\
| −
≤ ≤

= ≤ ≤
=
→ →
= →

=
≤ ≤
=
+
= =
=

= → =
→ →

z P z P
z P z P x Po
Tipificar
semana fallos x
N Po
x h
f h
h
x P
b
x P
horas fallos x
Po x
hora fallos x
Po x
l


46. Los agricultores de una región están preocupados po la calidad de sus cosechas, ya que
se ha detectado en ciertas áreas la existencia de sustancias contaminantes en el suelo. Para
analizarla, se segmenta la tierra en parcelas de 100 m
2
, y se concluye que hay una
probabilidad de 0.6 de encontrar estos contaminantes en una determinada parcela. Se
pide:
a) Si un agricultor posee 15 de estas parcelas. ¿Qué probabilidad hay de que tenga
alguna contaminada?
b) Una cooperativa posee 200 parcelas del tipo anterior. ¿Qué probabilidad hay de
que tenga entre 100 y 150 parcelas contaminadas?
c) Si por cada parcela contaminada la cooperativa sufre unas perdidas de 1000 €, ¿
cuál es la perdida que la cooperativa espera tener?.

SOLUCIÓN:

€ 120000 100 * 120
as contaminad parcelas 120 6 ' 0 * 200 * ) (
parcelas 200 h a cooperativ 1 )
998 ' 0 ) 9980 ' 0 1 ( 1
) 88 ' 2 ( ) 33 ' 4 ( ) 33 ' 4 88 ' 2 (
928 ' 6
200 150
928 ' 6
200 100
) 150 100 (
928 . 6 4 ' 0 * 6 ' 0 * 200 q * p * n
0'6 * 200 p * n as contaminad
) 928 ' 6 , 120 ( ) 6 ' 0 , 200 (
parcelas 200
)
99999 ' 0 4 ' 0 * 06 ' 0 *
0
15
1 ) 0 ( 1 ) 1 ( 1 ) 1 ( 4 ' 0 ) (
6 ' 0 ) ( 1
a contaminad
Bi(15,0'6) x
15
)
15 1
=
= = =
= →
= − −
= − ≤ − ≤ = ≤ ≤ − =
|
|
.
|

\
| −
≤ ≤

= ≤ ≤
= = =
= = =
→ →
=
=
|
|
.
|

\
|
− = = − = < − = ≥ = = →
= = →
=

=
p h x E
c
z P z P z P z P x P
parcelas x
N Bi x
n
b
x P x P x qP nocont P
p cont P parcela
parcela x
parcelas n
a
σ
µ


47. En un estudio estadístico sobre la altura de los españoles y de los inglese. Se han
obtenido los siguientes datos:
Nacionalidad Españoles Ingleses
Media 170.2 175.4
Desviación típica 6.4 5.9
a) ¿Quién es más alto en su país, un español que mide 177 cm o un inglés que mide
181 cm?
b) ¿Cuál es la probabilidad de que un español mida más de 180 cm? ¿cuál es la
probabilidad de que un ingles mida entre 160 y 170 cm?
c) ¿Cuál es la probabilidad de que un español sea más alto que un inglés?

SOLUCIÓN:

2709 ' 0 7291 ' 0 1 ) 608 ' 0 ( 1
7043 ' 8
3 ' 5 0
1
) 0 ( . 1 ) 0 ( ) (
)
1718 ' 0 ) 9956 ' 0 1 ( ) 8238 ' 0 1 (
) 62 ' 2 ( ) 93 ' 0 ( ) 93 ' 0 62 ' 2 (
9 ' 5
5 ' 175 170
9 ' 5
5 ' 175 160
) 170 160 (
063 ' 0 9370 ' 0 1 ) 53 ' 1 ( 1
4 ' 6
2 ' 170 180
1 ) 180 ( 1 ) 180 ( )
9322 ' 0
9 ' 0
5 ' 175 181
181
país su en alto más es español El
0625 ' 1
4 ' 0
2 ' 170 177
177 x
escala. misma la en están dos las decir, es , N(0,1) Z ) , N( x de paso tipifico, Cuando )
) 9 ' 5 , 4 ' 175 (
) 4 ' 6 , 2 ' 170 (
i
= − = ≤ − =
|
.
|

\
| +
≤ −
= ≤ − = > − = >
= − − −
= − ≤ − − ≤ = − ≤ ≤ −
=
|
.
|

\
| −
≤ ≤

= ≤ ≤
= − = ≤ − = |
.
|

\
| −
≤ − = ≤ − = >
=

= → =
=

= → =
→ ⇒ →

=

z P z P
y x P y x P y x P
c
z P z P z P
z P y P
z P z P x P x P b
z y
z
a
N y
españoles x
N x
i i
i
σ µ


48. Supóngase que la concentración que cierto contaminante se encuentra distribuida de
manera uniforme en el intervalo de 0 a 20 pares de millón. Si se considera tóxica una
concentración de 8 o más. ¿Cuál es la probabilidad de que al tomarse una muestra la
concentración de esta sea tóxica?. Concentración media y varianza. Probabilidad de que la
concentración sea exactamente 10.

SOLUCIÓN:

X Un(0, 20) = µ (a+b)/2=0+20/2=10 σ
2
=(b-a)
2
/12=33,3
f(x)= 1/20 0≤x ≤20
P(X≥8)=

20
8
20 / 1 dx = 0,6
P(X=10)=

10
10
20 / 1 dx =0


49. El personal de la compañía Onda S.L. usa una Terminal para realizar sus pedidos
internacionales. Si el tiempo que cada comercial gasta en una sesión en la Terminal tiene
una distribución exponencial con media 36 minutos, encontrar:
a) Probabilidad de que un comercial utilice la Terminal 30 minutos o menos.
b) Si un comercial a estado 30 minutos en la Terminal, ¿Cuál es la probabilidad de
que pase al menos una hora más en la Terminal?.
c) El 90% de las sesiones terminan en menos de R minutos. ¿Cuánto vale R?

SOLUCIÓN:

1/ β =36 β =1/36 y la función de densidad es f(x)= 1/36 * e
-1/36*x
x≥0
a) P(X≤30) =

30
0
1/36*e
-1/36*x
dx =0,565
b) P((X≥30+60)/(X≥30))=P(X≥60)=

+∞
60
1/36*e
-1/36*x
dx=0,188
c) P(X<R)=0,90

P(X<R)=0,90

R
0
1/36*e
-1/36*x
dx = 0,90 R=82,89


50. El peso de las naranjas de un determinado calibre, fluctúa normalmente con media 150
gr. Y desviación típica 30 gr. Si una bolsa se llena con 15 naranjas seleccionadas al azar.
¿Cuál es la probabilidad de que el peso total de la bolsa sea inferior a 2 kilos?

SOLUCIÓN:

Y=

=
n
I
X
1
i
N(n* µ , * n σ )
X
1 =
N (150, 30), X
2=
N (150, 30), …, X
15 =
N (150, 30)
n=15 Y=

=
n
I
X
1
i
N (15*150, 2 ^ 30 * 15 )
P (Y<2000)=P(Z<((2000-2250)/(116,189))=P(Z<-2,15)=(tabla)=1-0,9842=0,0158


51. Una fábrica produce en cada turno 100000 bolas para rodamientos de forma que la
probabilidad de defectuosa es 0.04. En el control de las bolas se revisan todas depositando
las defectuosas (que se detectan todas) en un recipiente que se vacía al final de cada turno.
¿Cuántas bolas ha de contener el recipiente para que la probabilidad de que su capacidad
no se vea rebasada sea 0.95?

SOLUCIÓN:

Sea X el número de bolas defectuosas de entre 100000. X sigue una distribución binominal B
(100000; 0.04) que se puede aproximar por una normal de media 100000 × 0.04 = 4000 y
desviación típica 96 . 0 04 . 0 100000 × × = 61.96.

Sea C la capacidad buscada. C ha de ser tal que P (X<C) = 0.95. Tipificando, resulta que
96 . 61
4000 − X
es una variable normal N (0;1).

P(X<C) = 95 . 0
96 . 61
4000
96 . 61
4000
= |
.
|

\
| −
<
− C X
P
23 . 4102 96 . 61 65 . 1 4000 ; 65 . 1
96 . 61
4000
= × + = =

C
C


Luego la capacidad aproximada del recipiente ha de ser de 4102 bolas.


52. Se elige un punto en el espacio, de forma que sus tres coordenadas sean variables
aleatorias independientes con distribución normal de parámetros N (0,1). ¿Cuál es la
probabilidad de que el cuadrado de las distancia de dicho punto al origen sea menor de
6.25?

SOLUCIÓN:

Las coordenadas del punto elegido en el espacio ( )
3 2 1
, , X X X son variables aleatorias con
distribución N (0,1).
La distancia al cuadrado del punto al origen es:
2
3
2
2
2
1
2
X X X d + + =
Como
2
d es la suma de 3 variables aleatorias al cuadrado con distribución N (0,1), presenta
una distribución chi cuadrado con tres grados de libertad. Por tanto, en las tablas de dicha
distribución encontramos la probabilidad pedida: 90 . 0 ) 25 . 6 (
2
= < d P .


53. En un experimento de laboratorio se utilizan 10 gramos de Po
210
84
. Sabiendo que la
duración media de un átomo de esta materia es de 140 días, ¿cuántos idas transcurrirán
hasta que haya desaparecido el 90% de este material?

SOLUCIÓN:

El tiempo T de desintegración de un átomo de Po
210
84
es una variable aleatoria de distribución
exponencial:
0 ) (
140
1
≥ ∀ = ↔
|
|
.
|

\
|
= →

t si e t f Exp T
t λ
λ λ


t
e t F
λ −
− = ↔ 1 ) (

Como el número de átomos de Po
210
84
existentes en una muestra de 10 gramos es enorme, el
histograma de frecuencias relativas formado por los tiempos de desintegración de cada uno de
estos átomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo,
el polígono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su
función de distribución F. Entonces el tiempo que transcurre hasta que el 90% del material
radiactivo se desintegra es el percentil 90, t
90
, de la distribución exponencial, es decir:
322 1 . 0 ln
1
9 . 0 1 9 . 0 ) (
90 90
90
≈ − = ↔ − = ↔ =

λ
λ
t e t F
t
días

Figura: Como el número de átomos
(observaciones) es extremadamente alto en 10
gramos de materia, el histograma puede ser
aproximado de modo excelente por la función de
densidad exponencial, y el polígono de












54. Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribución exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una
persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de
20 años? Si el marcapasos lleva funcionando correctamente 5 años en un paciente, ¿cuál es
la probabilidad de que haya que cambiarlo antes de 25% años?

SOLUCIÓN:

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

0 ) (
16
1
≥ ∀ = ↔
|
.
|

\
|
= →

t si e t f Exp T
t λ
λ λ


t
e t F
λ −
− = ↔ 1 ) (
Entonces:

| | 7135 . 0 1 ) 20 ( ) ( 20
16
20
20
0
= − = = = ≤


e F dt t f T P
En segundo lugar:

frecuencias acumuladas por la función de
distribución.
| |
| |
| |
| |
| |


∞ + −
− −

= + − = − +∞ = = ≥
= + − − = − = = ≤ ≤
= =

≤ ≤
= ≤
5
16
5
25
5
16
5
16
25
5
7316 . 0 1 1 ) 5 ( ) ( ) ( 5
522 . 0 1 1 ) 5 ( ) 25 ( ) ( 25 5
7135 . 0
7316 . 0
522 . 0
5
25 5
25
e F F dt t f T P
e e F F dt t f T P
T P
T P
T P
T


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

| | | | 20 25
5
≤ = ≤

T P T P
T

Es decir, en la duración que se espera que tenga el objeto, no influye en nada el tiempo
que en la actualidad lleva funcionando. Es por ello que se dice que “la distribución exponencial
no tiene memoria”.


55. Una empresa electrónica observa que el número de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número
promedio de estos fallos es ocho:
a)¿cuál es la probabilidad de que falle un componente en 25 horas?
b)¿y de que fallen no más de dos componentes en 50 horas?
c)¿cuál es la probabilidad de que fallen por lo menos diez en 125 horas?

SOLUCIÓN:

Sea la variable aleatoria ξ , con distribución de Poisson de parámetro | | 8 = = ξ λ
ξ
E , que
determina el número de componentes que fallan antes de cumplir 100 horas de funcionamiento.

a) Considerando que se cumplen ciertas condiciones de regularidad, podemos asumir que una
variable η que mide el número de componentes que fallan antes de cumplir 25 horas de
funcionamiento sigue una distribución de Poisson con parámetro | | 2
4
8
= = = η λ
η
E . Por lo
tanto, la probabilidad deseada es la siguiente:
27067 . 0
! 1
2
) 1 (
2
1
= × = −

e P η

b) Análogamente, definimos una variable aleatoria U con distribución de Poisson de parámetro
4
2
8
= =
U
λ , que mide el número de componentes que fallan antes de cumplir las 50 horas de
funcionamiento. Se tiene entonces que:

=

= × = ≤
2
0
4
2381 . 0
!
4
) 2 (
i
i
e
i
U P

c) De la misma forma, definiendo una variable aleatoria V con distribución de Poisson de
parámetro 10 =
V
λ , se obtiene:

=

= × − = < − = ≥
10
10
41696 . 0
!
10
1 ) 10 ( 1 ) 10 (
o i
i
e
i
V P V P


56. Dada la variable aleatoria X continua y con función de distribución F se define la
variable Y=F(X). Demuéstrese que Y sigue una distribución uniforme en [0,1].

SOLUCIÓN:

Por ser F una función de distribución, la variable Y toma valores entre cero y uno. Será
uniforme en [0,1] si se verifica que:
, ) ( y y F
Y
= para todo | | 1 , 0 ∈ y

En efecto
} { { } { } | | y y F F y F X P y X F P y Y P y F
X X X X Y
= = ≤ = ≤ = ≤ ≤ =
− −
) ( ) ( ) ( 0 ) (
1 1

como queríamos demostrar.


57. Un punto aleatorio X tiene distribución uniforme en el intervalo [0,1] y otro punto
aleatorio Y tiene distribución uniforme en el intervalo [2,3]. Se define la variable distancia
entre X e Y por d=Y-X. Suponiendo que X e Y son independientes, calcúlese la esperanza
matemática y la varianza de d.

SOLUCIÓN:

Como las distribuciones de X e Y son uniformes, sabemos que:

| | | | | | | | ;
12
1
;
12
1
;
2
5
;
2
1
2 2
= = = = Y X Y E X E σ σ

como la esperanza es un operador lineal se tiene

| | | | | | 2
2
1
2
5
= − = − = X E Y E d E

Por otra parte, al ser X e Y independientes

| | | | | | | |
6
1
12
1
12
1
) 1 (
2 2 2 2 2
= + = − + = − = X Y X Y d σ σ σ σ


58. Supongamos que el cuerpo de bomberos de una gran ciudad es capaz de atender asta
un máximo de 300 servicios por día. Si el numero medio de servicios diarios es de 250 con
distribución de Poisson, ¿Cuál es la probabilidad de que un día determinado no se puedan
atender todos los servicios requeridos? ¿Que probabilidad existe de que en 31 días haya al
menos un día en el que no se puedan atender todos los servicios requeridos?

SOLUCIÓN:

Si un día no se pueden atender todos los servicios requeridos es porque superan la capacidad
máxima de 300 servicios, por tanto, la probabilidad pedida es:

P(X = ) 300 f
x
e
x
x
250
300
250


f

Esta probabilidad puede aproximarse mediante la distribución normal ) 250 ; 250 ( N
0008 , 0 16 , 3
250
250
250
250 300
250
250
=
|
|
.
|

\
| −
=
|
|
.
| −

\
| −
f f
X
P
X
P
Si consideramos como éxito el que un día no se puedan atender todos los servicios requeridos,
el numero de días D en que esto ocurrirá a lo largo de un mes, vendrá dado por la binomial de
parámetros B(31; 0,0008). La probabilidad de que al menos un día no se puedan prestar todos
los servicios solicitados será:

( ) ( ) ( )( ) ( ) 0245 , 0 9992 , 0 0008 , 0 1 0 1 1
31 0 31
0
= − = = − = ≥ D P D P


59. Supongamos que el consumo familiar de un cierto producto se distribuye como una
variable aleatoria de distribución uniforme, con esperanza igual a 10 y varianza unidad.
Determina la probabilidad de que dicho consumo este comprendido entre 8 y 12 unidades.

SOLUCIÓN:

Sea X el numero de unidades consumidas, sabemos que se distribuye U(a,b), además:
{ ( ) 10
2
=
+
=
a b
X E ,
( )
1
12
2
2
=

=
a b
x σ
{ 20 = + a b , ( ) 12
2
= − a b
{ 20 = + a b , 3 2 = − a b
Sumamos las dos igualdades:
b a
b
− =
+ =
20
3 2 20 2

26 , 8 3 10
73 , 11 3 10
= − =
= + =
a
b

La distribución es uniforme entre 8,26 y 11,73 unidades, por tanto la probabilidad de que el
consumo se encuentre comprendido entre 8 y 12 es la unidad.


60. Una báscula de tipo digital para vehículos de alto tonelaje da pesos cuya magnitud
viene expresada en toneladas. ¿Cuál es la probabilidad de que en una pesada el valor real
difiera del dado por la báscula en más de 200 Kg?

SOLUCIÓN:

Debido a la magnitud de los pesos que se colocan en la bascula un error de 1000 Kg. no se
considera importante, por lo que el digito de las unidades aumenta su valor en una unidad
cuando la carga ha aumentado en 1000 Kg.; o dicho de otra manera, la bascula no diferencia
entre una carga de 57,1 toneladas y otra cuyo peso sea 57,5 toneladas. No tenemos pues,
ninguna información acerca del peso real entre cada nueva tonelada y la siguiente, por lo que al
ser máxima la incertidumbre, la distribución apropiada es uniforme:
ƒ(x)=
1000
1
; 1000 0 < < x
La probabilidad de que el error cometido en una pesada sea superior a 200 Kg. será:
( ) 8 , 0
1000
1
200
1000
200
= =

dx X P f


61. En un juego solo caben dos posibilidades, ganar o perder. ¿Cuántas veces es necesario
jugar para que la probabilidad, de que la frecuencia relativa de victorias difiera, de la
verdadera probabilidad de ganar, en valor absoluto, en al menos 0,05, sea inferior o igual
al 5%?

SOLUCIÓN:

Aplicando el teorema de Bernoulli:
2
δ
δ
n
pq
p
n
x
P ≤
|
|
.
|

\
|
≥ − ;
|
|
.
|

\
|
≥ − 05 , 0 p
n
x
P
( )
05 , 0
05 , 0
2
= ≤
n
pq

Como el valor de p es desconocido, tomamos la cota superior de
2
δ n
pq
que es
2
4
1
δ n
,
Por tanto;
( )
05 , 0
05 , 0 4
1
2
=
n
;
( )
2000
05 , 0 4
1
3
= = n veces.


62. La probabilidad P de que un cliente cualquiera pague con cheques sin fondos, es
desconocida por un gran banco. ¿Cuál seria el error cometido al tomar como valor de P la
frecuencia relativa correspondiente a 50000 clientes, si se pretende que la probabilidad, de
que el valor absoluto de la diferencia entre ambas sea mayor o igual que el error, sea como
mucho de 0,1?

SOLUCIÓN:

Aplicando Bernoulli:
2 2
4
1
δ δ
δ
n n
pq
p
n
x
P ≤ ≤
|
|
.
|

\
|
≤ −
Como p es desconocido tomamos la cota superior: 1 , 0
50000 4
1
2
=
⋅ ⋅

|
|
.
|

\
|
≥ −
δ
δ p
n
x
P
De donde 00005 , 0
1 , 0 50000 4
1
=
⋅ ⋅
= δ , por tanto 007 , 0 = δ


63. La probabilidad de que un deportista gane una competición es 0,4. ¿Cuantas veces
habremos de verle competir para que haya una probabilidad de al menos 0,95, de que la
frecuencia relativa de triunfos difiera de 0,4, en valor absoluto, como máximo en 0,02?

SOLUCIÓN:

Aplicando el teorema de Bernoulli:
2
1
δ
δ
n
pq
p
n
x
P − ≥
|
|
.
|

\
|
≤ − ;
( )
2
02 , 0
6 , 0 4 , 0
1 02 , 0
n
p
n
x
P

− ≥
|
|
.
|

\
|
≤ − Como queremos una probabilidad de al menos 0,95

( ) ( )
05 , 0
02 , 0
6 , 0 4 , 0
; 95 , 0
02 , 0
6 , 0 4 , 0
1
2 2
=

=


n n

( )
12000
02 , 0 05 , 0
6 , 0 4 , 0
2
=

= n veces


64. Un fabricante de faros para coches informa que en un envío de 4000 faros a un
distribuidor, 500 tenían un ligero defecto. Si se compran al distribuidor 20 faros elegidos
al azar. ¿Cuál es la probabilidad de que haya exactamente dos con defecto?

SOLUCIÓN:

Si X es el número de faros defectuosos en los 20 adquiridos, X sigue una distribución
hipergeométrica con N=4000, n=20 y k=500 luego:

P (X=2)=
( )( )
( )
4000
20
3500
18
500
2
=0,2546.

1. Supongamos que la probabilidad de tener una unidad defectuosa en una línea de ensamblaje es de 0.05. Si el conjunto de unidades terminadas constituye un conjunto de ensayos independientes: 1. ¿cuál es la probabilidad de que entre diez unidades dos se encuentren defectuosas? 2. ¿y de que a lo sumo dos se encuentren defectuosas? 3. ¿cual es la probabilidad de que por lo menos una se encuentre defectuosa?

SOLUCIÓN: Sea δ i una variable aleatoria que representa el estado de una unidad terminada en la línea de ensamblaje en el momento i, siendo δ i= 1 si la unidad es defectuosa y δ =0 en caso contrario. La variable δ sigue una distribución Bernoulli con parámetro p=0’05, de acuerdo con el dato inicial del problema. Además, nótese que un conjunto de unidades terminadas constituye un conjunto de ensayos independientes, por lo que el número de unidades defectuosas de un total de n unidades terminadas ( δ 1………. δ n), esto es,η n , p =

∑δi ,
i =1

n

sigue una distribución

binomial de parámetros n y p=0,05. Hechas estas consideraciones iniciales, procedemos a resolver el problema: 1. Procedamos a calcular:
8 10  2 P(η10, 0'05 = 2) =   * 0'05 * (1−0,05) = 0,0476 2   

2. Se tiene que:
10 −i 10  i P (η10,0 '05 ≤ 2) =   * 0'05 * (1−0,05) = 0,9984 i   

3. Por último:

10 − 0 0 10  P(η10, 0 '005 ≥ 1) = 1 − P(η10, 0'05 = 0) = 1 −   * 0,05 * (1− 0,05) = 1 − 0,5987 = 0,4013 0   

2. El gerente de un restaurante que sólo da servicio mediante reservas sabe, por experiencia, que el 20% de las personas que reservan una mesa no asistirán. Si el restaurante acepta 25 reservas pero sólo dispone de 20 mesas, ¿cuál es la probabilidad de que a todas las personas que asistan al restaurante se les asigne una mesa?

SOLUCIÓN: Representemos por la variable aleatoria δ la decisión de asistir ( δ = 0) o no ( δ = 1) finalmente al restaurante por parte de una persona que ha hecho una reserva. Esta variable sigue una distribución de Bernoulli de parámetro p = 0,2, de acuerdo con el enunciado del ejercicio. Suponiendo que las distintas reservas son independientes entre sí, se tiene que, de un total de n reservas ( δ 1…. δ n), el número de ellas que acuden finalmente al restaurante es una variable aleatoria Yn =

∑ δ 1 , con distribución binomial de parámetros n y p=0,2. En el caso particular
i =1

n

del problema, n=25. Entonces, para aquellas personas que asistan al restaurante de las 25 que han hecho la reserva puedan disponer de una mesa, debe ocurrir que acudan 20 o menos. Así se tiene que:

20 25   P (Y ≤ 20) = ∑   * 0,2 i * (1 − 0,2) 25−i = 0,5799   i =0  i 

3. Una empresa electrónica observa que el número de componentes que fallan antes de cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número promedio de estos fallos es ocho, 1. ¿cuál es la probabilidad de que falle un componente en 25 horas? 2. ¿y de que fallen no más de dos componentes en 50 horas? 3. ¿cuál es la probabilidad de que fallen por lo menos diez en 125 horas?

SOLUCIÓN: Sea la variable aleatoria δ , con distribución de Poisson con parámetro λδ = E [δ ] = 8, que determina el número de componentes que fallan antes de cumplir 100 horas de funcionamiento.

1. Considerando que se cumplen ciertas condiciones de regularidad, podemos asumir que una variable η que mide el número de componentes que fallan antes de cumplir 25 horas de funcionamiento sigue una distribución de Poisson con parámetro λη = E [η ] = 8=4 = 2. Por lo tanto, la probabilidad deseada es la siguiente:

P = (η = 1) =

21 − 2 * e = 0,27067 1!

2. Análogamente, definimos una variable aleatoria U con distribución de Poisson de parámetro λU = 8=2 = 4, que mide el número de componentes que fallan antes de cumplir las 50 horas de funcionamiento. Se tiene entonces que:

4i P (U ≤ 2) = ∑ * e − 4 = 0,2381 i = 0 i!
2

3. De la misma forma, definiendo una variable aleatoria V con distribución de Poisson de parámetro λV = 10 , se obtiene:

P (V ≥ 10) = 1 − P(V < 10) = 1 − ∑

10 i * e −10 = 0,41696 i = 0 i!
10

4. Sean λ y η las variables aleatorias que cuentan el número de veces que sale 1 y 6, respectivamente, en 5 lanzamientos de un dado. ¿Son λ y η independientes?.

SOLUCIÓN: Las variables λ y η siguen una distribución binomial de parámetros n=5 y p=1/6. Veamos mediante un contraejemplo, que λ y η no son independientes. Por un lado se tiene que:

2 P = (λ = 0,η = 0) =   , 3
pero

5

5 P (λ = 0) =   = P(η = 0) 6 5 2 P = (λ = 0,η = 0) =   ≠ P(λ = 0) * P(η = 0) =   , 6 3
concluyéndose así que las variables no son independientes.
5 10

5

5. Supóngase que la producción de un día de 850 piezas manufacturadas contiene 50 piezas que no cumplen con los requerimientos del cliente. Se seleccionan del lote dos piezas al azar y sin reemplazo. Sea la variable aleatoria X igual al número de piezas de la muestra que no cumplen. ¿Cuál es la función de distribución acumulada de X?

SOLUCIÓN: La pregunta puede contestarse encontrando primero la función de masa de probabilidad de X. P(x=0)= (800/850)(799/849)=0,886 P(x=1)=2(800/850)(50/849)=0,111 P(x=2)=(50/850)(49/849)=0,003

Por lo tanto, F(0)=P(x ≤ 0 )=0.886 F(1)=P(x ≤ 1 )=0.886+0,111=0,997 F(2)=P(x ≤ 2)=1

6. Cada muestra de aire tiene 10% de posibilidades de contener una molécula rara particular. Suponga que las muestras son independientes con respecto a la presencia de la

Por lo tanto. Suponiendo que cada hora representa un ensayo independiente.0005= 6000horas .284 7. Entonces X es una variable aleatoria binomial con p=0. respectivamente. En consecuencia. SOLUCIÓN: Sea X=número de muestras de aira que contiene la molécula rara en la siguientes 18 muestras analizadas.  2  P ( x = 2) = 153(0.9)16  2  Ahora bien. se supone que las horas comprenden ensayos independientes con la probabilidad con la probabilidad constante de falla p=0.9)16 = 0.0005 y r=3. Por lo tanto.1) 2 (0. X=X1+X2+X3. Además. (a) ¿Cuál es el tiempo promedio para que fallen las tres computadoras? (b) ¿Cuál es la probabilidad de que las tres computadoras fallen en un vuelo de 5 horas? SOLUCIÓN: Sea que X denote el número de horas hasta que los tres sistemas fallen. Un avión de alto rendimiento contienen tres computadoras idénticas. las dos restantes son repuestos que pueden activarse en caso de que el sistema primario falle.   18   = (18! /[2!16!]) = 18(17) / 2 = 153. y sea que X1. E(X)= 3/0. Se utiliza únicamente una para operar el avión. Durante una hora de operación la probabilidad de que una falle en la computadora primaria( o de cualquiera de los sistemas de repuesto activados) es 0.1 y n=18.0005. Entonces. de que en las siguientes 18 muestras. Encuentre la probabilidad exactamente 2 contengan la molécula rara.molécula rara.2)2 (0. P(X=2)=   18  (0. la segunda y la tercera computadoras usadas. X2 y X3 denoten el número de horas de operación antes de una falla de la primera.

9995)     =1.408 P(x ≥ 2) =  300   300   300         4  4   4      .0005 3 (0.¿Cuál es la probabilidad de que las tres computadoras fallen en un vuelo de 5 horas? La probabilidad pedida es P(x ≤ 5) y P(x ≤ 5)=P(x=3)+P(x=4)+P(x=5)=0.9995)+  0. Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un proveedor de tubería del estado vecino.0119 P(x=4)=  300   4     ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local? 100  200  100  200  100  200    2  2   3 1   4  0            +  +   = 0.0119=0. x tiene una distribución hipergeométrica y la probabilidad pedida es P(x=4). 100  200    4  0       =0.0005 3 +   0.49*10 −10 =1.25*10 −10 +3. Por consiguiente.75*10 −10 +7. Si se seleccionan cuatro piezas al azar y sin reemplazo. (a) ¿cuál es la probabilidad de que todas sean del proveedor local? (b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local? (c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local? SOLUCIÓN: ¿cuál es la probabilidad de que todas sean del proveedor local? Sea X igual al número de piezas de la muestra del proveedor local.249*10 −10 3  2  4  2 8.098+0. Entonces.0005 3 (0.298+0.

X tiene una distribución Poisson con E(x)=5mmx2.3 imperfecciones/mm= 11. Por lo tanto.265 2! (b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre. Entonces E(x)=2. .3 imperfecciones y P(x=2)= e −2.5 imperfecciones.¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local? 100  200    0  4       = 0.196 P(x ≥ 1) = 1 − P ( x = 0) = 1 −  300   4     9. (a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre.3 3 * 3 2 = 0. (c) Determine la probabilidad de al menos una imperfección en 2mm de alambre SOLUCIÓN: (a) Determine la probabilidad de 2 imperfecciones en un milímetro de alambre. Entonces. Sea que X denote el número de imperfecciones en 5 milímetro de alambre. (b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de alambre.3 imperfecciones por milímetro. Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue una distribución Poisson con una media de 2.

3imperdecciones/mm=4. (b) La probabilidad de que ocurran cero partículas en el área del disco bajo estudio (c) Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco bajo estudio SOLUCIÓN: Sea que x denote el número de partículas en el área de un disco bajo estudio. X tiene una distribución de Poisson con E(x)=2mmx2.6 =0. El área de un disco bajo estudio es 100 centímetros cuadrados. . El número de partículas de contaminación que ocurre en un disco óptico tiene una distribución de Poisson y el número promedio de partículas por centímetro cuadrado de superficie del disco es 0.1 partículas por cm 2 .5 / 10!= 0.113 (c) Determine la probabilidad de al menos una imperfección en 2mm de alambre. La contaminación constituye un problema en la fabricación de discos de almacenamiento óptico. Sea que x denote el número de imperfecciones en 2 milímetros de alambra. Entonces.1 partículas/ cm 2 = 10 partículas Por lo tanto.1.P(x=10)=e −11. P(x ≥ 1)=1-P(x=0)=1-e −4. Puesto que el número promedio de partículas es 0.5 11. E(x)=100 cm 2 x0.9899 10.6imperfecciones Por lo tanto. (a) Encuentre la probabilidad de que ocurran 12 partículas en el área del disco bajo estudio.

de donde ƒ(3)=2/9.1).. Dos puntos (1. Rx={2.095 12! (b) La probabilidad de que ocurran cero partículas en el área del disco bajo estudio es P(x=0)=e −10 =4.3). Se calcula la distribución ƒ de X: (i) (ii) (iii) (iv) (v) Un punto (1.(3.3).54x10 −5 (c) Determine la probabilidad de que 12 o menos partículas ocurran en el área del disco bajo estudio.3). de donde ƒ(4)=3/9.3. de donde ƒ(6)=1/9.1).6}.1).2) y (2.2). Dos puntos.5. La probabilidad es e −10 10 i P(X ≤ 12 )=P(x=0)+P(x=1)+….2.(2.(2.1) tiene suma 2.3) tienen suma 4. la distribución ƒ de X es la siguiente: x ƒ(x) 2 1/9 3 2/9 4 3/9 5 2/9 6 1/9 .(3.5.6.2). de donde ƒ(5)=2/9.(a) P(x=12)= e −10 1012 = 0.3)} Sea X la suma de los dos números.2) y (1. (2. donde ƒ(2)=1/9.2). (a) Encuentre la distribución ƒ de X.3) tiene suma 6. es decir.(3.4. (b) Encuentre el valor esperado E(X). Una muestra aleatoria con reposición de tamaño n=2 se selecciona del conjunto {1.+P(x=12)= ∑ i! i =0 12 11. Por tanto.3} produciendo el espacio equiprobable de 9 elementos.3). Tres puntos (1. SOLUCIÓN: (a) La variable aleatoria X asume los valores 2.(3.1) tienen suma 3. S={(1.3.(2. Un punto (3.(1.(1.4.(2.2) tienen suma 5.

8 3 5 15 ⋅ = .2. Si este sale defectuoso se selecciona y se prueba otro bombillo. Se lanza un dado equilibrado produciendo el espacio equiprobable S= {1. 8 7 6 56 3 2 1 5 1 ⋅ ⋅ ⋅ = 8 7 6 5 56 El número X de bombillos escogidos tiene los valores X(N)=1. SOLUCIÓN: Escribiendo D para significar defectuoso y N para no defectuoso. DDDN con las posibilidades respectivas.(b) Se obtiene el valor esperado E(X) multiplicando cada valor de x por su probabilidad y tomando la suma. la media µx. DN. Se selecciona un bombillo de la caja y se prueba. Por tanto. 1  2 3  2 1 E ( X ) = 2  + 3  + 4  + 5  + 6  9 9 9 9 9 12. de los cuales están 3 están defectuosos. De donde  5   15   5   1  3 E ( X ) = 1  + 2  + 3  + 4  = = 1. DDN. X(DDDN)=4 con las probabilidades anteriores respectivas.4. .5. 5 . Encuentre el número esperado E de bombillos seleccionados. la varianza σx2 y la desviación estándar σx de X.6} Sea X el doble del número que aparece. 8 7 56 3 2 5 5 ⋅ ⋅ = . el espacio muestral S tiene los cuatro elementos N.3.5  8   56   56   56  2 13. Encuentre la distribución ƒ. hasta que se escoja un bombillo no defectuoso. Una caja contiene 8 bombillos. X(DDN)=3. X(DN)=2.

1 5 0. la varianza σ2 =var(X) y la desviación estándar σ= σx de la distribución Xi Pi 1 0.3 3 0. X(6)=12.7 –(7)2 = 11. X(5)=10.µx2 = 60.4 7 0. X(2)=4. la siguiente es la distribución ƒ de X: x ƒ(x) 2 1/6 4 1/6 6 1/6 8 1/6 10 1/6 12 1/6 En consecuencia. X(3)=6.4 14.7 = 3. σx2= var(X) = E(X2) .7 6 6 6 6 6 6 6 Entonces.SOLUCIÓN: Aquí X(1)=2.2 SOLUCIÓN: Aquí la distribución se presenta utilizando xi y ƒ(x). µx= E(X)= ∑ xi ƒ(xi)= 1 1 1 1 1  1  42 =7 = 2  + 4  + 6  + 8  + 10  + 12  = 6 6 6 6 6 6 6 E(X2) = ∑ xi2 ƒ(xi)= 1 1  1  354 1 1 1 = 4  + 16  + 36  + 64  + 100  + 144  = = 60.7 σx = var(X ) = 11. cada número tiene probabilidad 1/6. Por tanto. X(4)=8. Encuentre la media µ = E(X). Las siguientes son las formulas análogas: . También.

+ x m p m = ∑ xi2 p i Luego. es decir.(1.(2..5)} Sea X=0 si el primer número es par y X=1 de lo contrario.(1.3.….1)...4) + 7 2 (0. Esto produce entonces el espacio equiprobable S conformando por todos los 25 pares de ordenados (a..3) + 3 2 (0.µ = E ( X ) = x1 p1 + xi p 2 + .2) = 21.24 15.(5.1) + 5(0. Una muestra con reposición de tamaño n=2 se selecciona aleatoriamente de los números 1 al 5.. SOLUCIÓN: (a) Hay 10 puntos muestrales en los cuales la primera entrada es par. (c) Determine si X y Y son independientes.0 E ( X 2 ) = ∑ xi2 pi = 12 (0.. + x m p m = ∑ xi pi 2 E ( X ) = x12 p1 + x i22 p 2 + ..1)...4. donde a=2 o 4 y b=1.b) de números del 1 al 5..1) + 5 2 (0. σ 2= var( X ) = E ( X 2 ) − µ 2 y σ = σ x = var(X ) µ = E ( X ) = ∑ xi pi = 1(0.0 Entonces.5).5 .2) = 4. (b) Encuentre la distribución conjunta de X y Y.. sea Y=1 si el segundo número es impar y Y=0 de lo contrario. Es decir...…..2... σ 2 = var( X ) = E ( X 2 ) − µ 2 = 21 − (4) 2 = 5 σ = var( X ) = 5 = 2. (a) Encuentre las distribuciones de X y Y.3) + 3(0.2).4) + 7(0. S={(1.

6 0.6.24 y P(1.(4.1) = P(a par.2).5 Por consiguiente.4 y entonces P(x=1)=0.4).2).(4.4.1)=9/25=0.4)}=4/25=0.0) = P(a par.5).24 0.6 (Observe que X y Y están distribuidas idénticamente.(2.4 1 0.(4.6 1 Suma Fig.1).24 En forma similar P(1.6 y P(y) 0 0.) (b) Para la distribución conjunta de X y Y se tiene P(0.4.24 0.Por tanto. a= 1. P(x=0)=10/25=0.36. b par) = P{(2.5)}=6/25=0.1).0)=6/25=0. es decir.3).3.(4. b impar) = P{(2.4 0.2.16 0.36 0. P(Y=1)=15/25=0. Por lo cual.1 . X 0 Y 0 1 Suma 0. 1 da la distribución conjunta de X y Y. Por esta razón las distribuciones de X y Y son las siguientes: x P(x) 0 0.16 P(0.4 1 0. Hay 15 puntos muestrales en los cuales la segunda entrada es impar.6 y entonces P(Y=0)=0.4 0.3).(2.3.(2.5 y b=1. la Fig.(4.

por ejemplo.5) = P Z ≤   50.07  7. Una prueba consta de 200 preguntas de verdadero o falso. SOLUCIÓN: El número de preguntas acertadas seguirá una distribución Binomial con n = 200 y p= 0.16 = (0. para un sujeto que respondiese al azar ¿Cual sería la probabilidad de que acertase: a) 50 preguntas o menos. P(0.0019 7. . La ganancia de cada tostador vendido es de 500 ptas.5 = 50 o lo que es lo mismo con desviación típica 7.4) = P(X=0) P(Y=0) Por tanto. Sin embargo. aunque estén distribuidas idénticamente.9981 = 0.07) − P( Z ≤ −7) = 0.07  17.5·0.5.(c) El producto de las entradas marginales de las cuatro entradas interiores.5 − 100   = P( Z ≤ −7) ≈ 0 7.9) = 1 − 0.5 − 100   = 1 − P( Z ≤ 2.5 = 100 y de varianza 200·0.4721 c) P ( x f 120) = P Z f   120.4)(0.4721 − 0 = 0. y que a lo largo de esa semana no van a poder traer más del almacén.07.5 − 100    − P Z ≤ = 7. b) Más de 50 y menos de 100. X y Y son variables aleatorias independientes.0) = 0. c) Más de 120 preguntas.5 − 100  50. Una gran tienda de artículos eléctricos descubre que el número x de tostadores vendidos por semana obedece a una ley de Poisson de media 10. Determinar la distribución de las ganancias totales (en ptas. como el número de pruebas es elevado esta distribución se puede aproximar por una Normal de media 200·0.07   b) P (50 p x p 100) = P ( x ≤ 99) − P ( x ≤ 51) = P Z ≤ P ( Z ≤ −0. un lunes se encuentran con que solo les quedan 10 tostadores. luego: a) P ( x ≤ 50) ≈ P ( X ≤ 50.07    99. Ahora bien.) en concepto de tostadores de pan a lo largo de esa semana. 16.

¿cuanto tiempo se debe asignar a cada reparación para que la probabilidad de que cualquier tiempo de reparación mayor que el tiempo asignado sea solo de 0. El tiempo de reparación de unas máquinas de escribir tiene una distribución aproximadamente exponencial. Por lo tanto. La distribución de las ganancias totales en pesetas es.? 3. por cada media hora o fracción. Para efectuar una programación. Hallar la probabilidad de que el tiempo de reparación sea menor que diez minutos. si supera al número de existencias. El costo de reparación es de 2000 pts. 1. con media 22 minutos. que representa la ganancia total (en pesetas) en concepto de tostadores de pan a lo largo de la semana considerada. 2. es decir.SOLUCIÓN: Teniendo en cuenta los datos del problema. la . a partir de la variable x: η= 500 ⋅ x 0 ≤ x p 10 x ≥ 10  5000 En el segundo caso.1? SOLUCIÓN: Definamos una variable aleatoria x que representa el tiempo de reparación (en minutos) de las máquinas y sigue una distribución exponencial de parámetro λ = ( E x ) −1 = función de densidad de esta variable es: 1 22 . podemos definir una variable aleatoria ´. solo es posible vender este último numero de tostadores. ¿Cuál es la probabilidad de que una reparación cueste 4000 pts. por tanto: Fn (t ) = P({w ∈ Ω : η ( w) ≤ t }) = 0 si K t p 0  [ t 500 ]    t  =  P (500 ⋅ x ≤ t ) = Fx   = ∑ P( x = i ) si K 0 ≤ t p 5000  500  t =0  1 si K t ≥ 5000   18. si la demanda x es de más de 10 tostadores.

se les marca y se les reincorpora a su población. Un tiempo después se realizan n avistamientos independientes de los que » es el numero de ellos que están marcados. x f 0. Se capturan k lagartos. demostrar que la probabilidad es máxima cuando N = 4n: 3. Teniendo esto en cuenta. 19. Si N = 12.fx (x) = 1 − x 22 ⋅e . este ultimo inclusive. inferiores a 30. k = 4 y n = 3. 22 1). Si k = 4 y m = 1. se cobran a 2000 pesetas). para un tiempo de reparación dado. Debe verificarse: P (x > t) = 0. Representamos por t (t > 0) el tiempo asignado a una reparación (en minutos). Así: 60 P (30 p x ≤ 60) = − 30 −15 1 − x 22 ⋅ e θx = −e 11 + e 11 ∫ 22 30 3). ¿cuál es la probabilidad de que los tres lagartos observados estén marcados si sabemos que al menos uno de ellos lo está? . De acuerdo con el enunciado. es decir: ∞ ∫ 22 ⋅ e t 1 −x 22 θx = −e −x 22 ∞ t =e −t 22 = 0. La probabilidad de que un tiempo de reparación sea menor que diez minutos es: 10 P (x p 10) = −x 1 − x 22 ⋅ e θx = −e 22 ∫ 22 0 10 0 = 1− e −5 11 2). 657 ≅ 51 minutos. Para averiguar el tamaño N de una población de lagartos se utiliza el método siguiente de captura-marcaje-recaptura. 2. se observa que una reparación costara 4000 pesetas siempre que su duración sea superior a 30 minutos e inferior o igual a 60 minutos (y así cada fracción de la segunda media hora se cobrará como una media hora entera). Obtener una expresión para la probabilidad de que » = m. (Todos.1. 1.1 = 50.1 y esto se cumple para t = -22* ln0. el costo de reparación se obtendrá a partir del número total de fracciones de media hora y el conjunto de minutos restantes.

m = 0. k = 4 y n = 3. Si k = 4 y m = 1: n −1 n −1 n  4   4 4 ⋅ n ⋅ (N − 4)   ⋅   ⋅ 1 −  =   P ( x = 1) =   Nn 1  N   N  1 Derivando en la anterior expresión respecto de N e igualando a cero se obtiene que: N n −1 ⋅ ( N − 4) n − 2 ⋅ [(n − 1) ⋅ N − ( N − 4) ⋅ n] = 0 por lo que N = 4n 3). Una alumna trae cada día a la Universidad una tableta de chocolate de 16 cm. la probabilidad de que los tres lagartos estén marcados sabiendo que al menos uno de ellos lo está es: P ( x = 3 x ≥ 1) = P( x = 3. . Asumiendo que esta golosa apetencia aparece en la mañana siguiendo una distribución de Poisson de media un mordisco por hora: 1. y de cuando en cuando le da un mordisco y se come la mitad de lo que le queda.SOLUCIÓN: Teniendo en cuenta que los n avistamientos que se realizan son independientes. P ( x = m) =      m  N   N  m 2). 1).K . x ≥ 1 P( x = 3) 1 = = 1 − P( x = 0) 397 P( x ≥ 1) 20. la variable aleatoria x sigue una distribución binomial de parámetros n y k=N. n.. Si N = 12. Calcular la distribución del tiempo que transcurre hasta que aparece la primera mordida.1. La probabilidad de que m de los lagartos estén marcados es: n−m n  k   k   ⋅   ⋅ 1 −  . donde k=N es la probabilidad de que un lagarto escogido al azar de la población este marcado.

para cualquier x > 0 : Fn1 ( x) = P(η1 ≤ x) = 1 − P(η1 f x) = 1 − P( x = 0) = 1 − e − x ⋅ x0 = 1 − e −x 0! luego el tiempo que transcurre hasta que aparece la primera mordida sigue una distribución exponencial de parámetro 1. utilizando la información disponible para xt y la relación entre ambas variables aleatorias. Según el enunciado. esta variable aleatoria sigue una distribución de Poisson de parámetro t.2. para todo x f 0 . ¿que probabilidad hay de que lo haya hecho durante las tres primeras horas de clase? SOLUCIÓN: 1). para toda k = 0. 2. ¿Qué probabilidad hay de que soporte una hora de clase sin morder su tableta? 4. entre las 9:00 y las 14:00 horas. sea xt la variable aleatoria que mide el numero de mordiscos que se producen en dicho intervalo. Sea ς 5 la variable aleatoria que mide la longitud de la tableta restante tras un intervalo de tiempo de 5 horas. Fijado cualquier intervalo temporal de amplitud t horas. Se pretende demostrar que: f n1 ( x) = e − x . se tiene que. Si un día. para t > 0 arbitrario pero fijo. la ha mordido en cuatro ocasiones. La probabilidad de que soporte una hora de clase sin morder su tableta es: . Claramente: ς 5= 16 2ς 5 y por lo tanto lo solicitado es: −5  16  ∞ 16 E [ς 5 ] = E  ς 5  = ∑ ς 5 ⋅ P (ς 5 = k ) =16e 2  2  k =0 2 3). ¿Cuantos centímetros de chocolate esperas que le quede tras las cinco horas de clases? 3. En efecto. k! Consideremos otra variable aleatoria η 1 que mide el tiempo que transcurre hasta que se produce el primer mordisco en un intervalo de amplitud ilimitada. 1. es decir: P(x = k ) = t k −t ⋅ e .…. 2).

adyacentes o no.4 = 2 diagonales. Hay C = 6 uniones posibles de dos vértices diferentes cualesquiera. 2!·6! 2 Finalmente.2 – 6 = 6! − 6 = 15 . Las diagonales de un polígono se obtienen uniendo pares de vértices no adyacentes. el hexágono y el octógono. Calcularlo para el caso general de un polígono de n lados. Obtener el número de diagonales del cuadrado. 2. en el caso del octógono. Si de estas 6 parejas eliminamos las que corresponden a vértices adyacentes (tantas como el número de lados del cuadrado). sabiendo que lo ha hecho en las tres primeras horas de clase es:  3 4 −3   2 0 − 2   ⋅e ⋅ ⋅e   4!   0!     = 0. ¿Existe algún polígono en el que el número de lados sea igual al de diagonales? SOLUCIÓN: 1). 1.8 = 20 diagonales. para el caso general de un polígono de n lados.2 – 8 = 8! 8·7 −8 = − 8 = 28 .P( x = 0) = 10 −1 1 ⋅e = 0! e 4).6 = 9 diagonales 2!·4! Análogamente. quedarán 6 . se obtienen C8. Procediendo del mismo modo con el hexágono. Comenzamos calculando el número de diagonales del cuadrado. La probabilidad de que haya mordido la tableta cuatro veces en 5 horas. se obtienen C6.1296 P ( x 3 = 4 x 5 = 4) =  4 5   ⋅ e −5   4!    21. el número de diagonales es: .

hay nueve posibilidades para el segundo dígito: el cero y las ocho no escogidas para el primer dígito. 1). ¿Cuántos números de 4 dígitos se pueden formar con las cifras 0. 22. Sin repeticiones. Permitiendo repeticiones. 3) Fijamos el último dígito y. Puesto que debe formarse un número de 4 dígitos. . hay nueve posibilidades para el primer dígito y diez para cada uno de los tres dígitos restantes.1.. 3. 2). Igualando el número de lados y el número de diagonales se obtiene: n= n 2 − 3n .5) = 0: Como n ≥ 1 .2 . 2. Al igual que en el apartado anterior. . Veamos si existe algún polígono donde el número de lados sea igual al número de diagonales. . n(n . se pueden formar 92 · 8 · 7 = 4536 números.9? 1. . Por tanto. obteniéndose un total de 9 · 103 = 9000 números posibles. Por lo tanto. el primer dígito no puede ser cero. el primero de éstos no puede ser cero.n = n! n·(n − 1) n 2 − 3n −n = −n = . se obtiene un total de 9 · 8 · 7 · 1 = 504 números.Cn. como no puede haber repeticiones. Como además no se permiten repeticiones. Si el último dígito ha de ser 0 y no se permiten repeticiones? SOLUCIÓN: Asumamos que para que un número sea de 4 dígitos su primer dígito debe ser distinto de cero. 2 2 2!·(n − 2)! 2). el resultado n = 0 no es válido. 2 es decir. La solución es n = 5 (el pentágono).

25] = 1 – P [z ≤ 1. 8) a) P [x > 61] = P [z > 61 − 65 ] = P [z > –0.364 b) P [x = 1] = 50 · 0.1056 24. Calcula la probabilidad de que en una caja haya este número de tornillos defectuosos: a) Ninguno.5] = 0. Calcula la probabilidad de que un soldado elegidoal azar pese: a) Más de 61 kg. c) Menos de 70 kg.25 < z < 0. Los pesos de 2 000 soldados presentan una distribución normal de media65 kg y desviación típica 8 kg.25] = 0. b) Uno. c) Más de dos.6915 8 b) P [63 < x < 69] = P [–0. 0. en cada caja? SOLUCIÓN: x es B (50.23.9850 = 0. Los empaquetamos en cajas de 50 tornillos.02) a) P [x = 0] = 0.02 · 0.372 . por término medio. d) Más de 75 kg SOLUCIÓN: x es N (65.7357 d) P [x > 75] = P [z > 1. En un proceso de fabricación de tornillos se sabe que el 2% son defectuosos. b) Entre 63 y 69 kg.5] = 0. ¿Cuántos tornillos defectuosos habrá.2902 c) P [x < 70] = P [z < 0.5] = P [z < 0.625] = 0.9849 = 0.

Sea X una v.02). 0.a. Calcula P[x = 10]. habrá µ = 50 · 0.c) P [x > 2] =1 – P [x ≤ 2] = 1 – (P [x = 0] + P [x = 1] + P [x = 2]) = = 1 – (0. SOLUCIÓN: Por definición f(x)=F’(x). Calcula P[x > 45] y P[x ≤ 30] .078 Por término medio.9). a) x es B (100.1). Calcula las probabilidades de las siguientes distribuciones binomiales mediante aproximación a la normal correspondiente (en todas ellas. Calcula P[x > 30] y P[x < 80] c) x es B (50.922 = 0. 0. Aplicándolo a cada tramo: Si x ≤ 0 Para x > 1 Para < x ≤ 1 f ( x) = 0 f ( x) = 0 f ( x) = 3 x 2 Resumiendo: 3 x 2 f ( x) =  0 para 0 < x ≤ 1 en el resto 26. continua cuya función de distribución es: 0 para x ≤ 0  F ( x) =  x 3 para 0 < x ≤ 1 1 para x < 1  Obtener la función de densidad.186) = 1 – 0.364 + 0.372 + 0. 25. P[x < 2] y P[5 < x < 15] b) x es B (1 000.02 = 1 tornillo defectuoso en cada caja. ten en cuenta el ajuste de media unidad que hay que hacer al pasar de una variable discreta a una continua). 0.

135 = 0.5] = P [z ≥ 0.02) ≈ x' es N (20.9) = x' es N (45.0 0.051 · 0.17 < z < 0. p(d)=0.052 · 0.2 0.2· 0. 0.05=p n=15 pañuelos.83] = 0. X= #pañuelos defectuosos →Bi(15.5 < x' < 10.5] = P [z ≤ –6. 0.052 · 0.37] = 0.0023 P [5 < x < 15] = P [5.12) P [x > 45] = P [x' ≥ 45.9637 .44] = 1 c) x es B (50. El departamento de control de calidad de una empresa que fabrica pañuelos sabe que el 5% de su producción tiene algún tipo de defecto .463 + 0.427) P [x > 30] = P [x' ≥ 30.17] = 0.135 b) P(X<3)= P (X=0) + P(X=1) + P(X=2) = C15.9515 + C15.5] = P [–1.135 P [x < 2] = P [x' ≤ 1.050 · 0. Calcular la probabilidad de que una caja contenga: a) b) c) 2 elementos defectuosos .p=0.24] = 0. 0.5) a) P(X=2)= C15.5 ≤ z ≤ 1.0089 P [x < 80] = P [x' ≤ 79. 4.4052 P [x ≤ 30] = P [x' ≤ 30.5] = P [z ≤ –2.Los pañuelos se empaquetan en cajas con 15 elementos.9515-2 =0.5] = 0.9513 = 0.9514 + C15.1) ≈ x' es N (10.83] = 0 27.SOLUCIÓN: a) x es B (100.1 0. 3) P [x = 10] = P [9.5] = P [z ≤ 13.3657 + 0. Menos de 3 elementos defectuosos Entre 3 y 5 elementos defectuosos(ambos incluidos) SOLUCIÓN: 1 pañuelo.5] = P [z ≥ 2.8664 b) x es B (1 000. 2.5] = P [–0.5 ≤ x' ≤ 14.

20=p n=10 preguntas a) X →Bi(10 . p) .5 0.89] = 1-[0.0055 c) P(X≤2) = f(0) + f(1) + f(2) = 0.2684 + C10.1073 + 0.9512 + C15.[C10.6776 29.26 0.810 + C10. X→ Bi (24.054 · 0.0 0.3019 = 0.6 0.2684] = 0. Determinar la probabilidad de realizar cierto tipo de experimento con éxito si se sabe que si se repite 24 veces es igual de probable obtener 4 éxitos que 5 SOLUCIÓN: P(A) = p n= 24 veces .20 · 0.954 + C15.053 ·0.1073 + 0.055 · 0.2 0.21 0.UN alumno responde al azar ¿Cuál es la probabilidad de que responda al menos a dos cuestiones correctamente?¿Cuál la de que responda bien a seis?¿Cuál la de que responda bien como máximo a dos cuestiones? SOLUCIÓN: P(A)=1/5=0.88 = 0.2684 + 0.03536 28.c) P(3≤X≤5) = P(X=3) + P(X=4) + P(X=5) = C15. Una prueba de inteligencia consta de diez cuestiones cada una de ellas con cinco respuestas de las cuales una sola es verdadera .3 0.9510 = 0.2) P(X≥2) = 1-P(X<2) = 1-[f(0) + f(1)] = 1.84 = 0.2 2 0.4 0.0.1073 + 0.6242 b) P(X=6) = C10.1 0.

. SOLUCIÓN: Sea X= mensajes por minuto con Po (0. Los mensajes que llegan a una computadora utilizada como servidor lo hacen de acuerdo con una distribución de Poisson con una tasa promedio de 0. Preguntas acertadas X Bi (10. ¿Cuál es la probabilidad de acertar el 70 % o mas de las preguntas?.50 2 = 0.1172 + 0.1172 31.1). a) ¿Cuál es la probabilidad de que lleguen como mucho 2 mensajes en una hora? b) Determinar el intervalo de tiempo necesario para que la probabilidad de que no llegue ningún mensaje durante ese lapso de tiempo sea 0. por ejemplo. P(X=7) = ( )* 0.1 mensajes por minuto. ¿y exactamente 7 de las 10 respuestas? SOLUCIÓN: n= 10 preguntas.0010 = 0.8. 30.50 * 10 7 7 *0.0.24 p(x = 4) = p(x=5)=  24  * p4*q20 =  5  * p5*q19 4            10626 * p4 * q20 = 42504* p5*q19 → q 20 42504 * p 5 = q 19 10626 * p 4 → q=4*p Que junto con el hecho de que q = 1-p.1719 Donde. Si se contesta sin pensar un test de 10 preguntas en las que hay que contestar si es cierto o falso.0439 + 0.5) P(X≥ 7) = f(7) + f(8) + f(9) + f(10) = 0. tenemos que p=0.0098 + 0. Entonces el número de mensajes por hora será de Po ( 6 ).2.

ln e-λ = ln 0. entonces para 10000km tendremos una X→Po(0.062 b) P ( X = 0 ) = 0. se pide: a) probabilidad de que no tenga pinchazos b) Probabilidad de que tenga menos de tres pinchazos c) Número de km recorridos para que la probabilidad de que no tenga ningún pinchazo sea 0.6).9 Si 0.1 mensaje 1 minuto x= 0.8 e − λ * λ0 = 0.2231 0.0025 + 0. y por tanto x = 150000km 33.1 0.2231 = 2. Hallar la probabilidad de que en una página haya : .4066 y λ= 0.0149 + 0. 0.3 para 50000 km.09878 = 0.3292 + 0.5488 b) P(x<3) = P(X=0) + P(x=1) + P(X=2) =0. 0. Por tanto.3 por cada 50000 kilómetros .4066 SOLUCIÓN: Si λ = 0.8 λ = 0.0446 = 0.8 e − λ = 0 .9→ x km.8 0! ln * e − λ = ln * 0. En un libro de 500 páginas se distribuyen aleatoriamente 300 erratas de imprenta. a) P(X=0) = 0.8 − λ * ln * e = ln 0 ln * e − λ = ln * 0.3→ 50000 km.231 minutos.a) P ( x ≤ 2) = f ( 0 ) + f ( 1 ) + f ( 2) = 0. El número de pinchazos en los neumáticos de cierto vehiculo industrial tiene una distribución de Poisson con media 0.Si el vehiculo recorre 100000 km.5488 + 0.9767 c) P(X=0) = e-λ =0.2231 mensajes x 32.4066.

¿qué cantidad total de euros no se espera pagar? d) Si se computaran los primeros 500 cheques. Sea X=número de errores por página.a) exactamente 2 erratas b) dos o más erratas SOLUCIÓN: Si se tienen 300 errores en 500 páginas.6) P(X=2) = 0.P(X<2) = 1. ¿cuál es la probabilidad de que se tenga algún cheque sin fondos? b) El banco dispone de 12 sucursales en la ciudad. ¿cuál es la probabilidad de que al menos 4 de las sucursales reciban algún cheque sin fondos? c) Si la media del valor de los cheques sin fondos es de 580 € y el banco trabaja 6 horas diarias.098 b) P(X≥2) = 1.01 ) .01 = p X=número de cheques sin fondos Bi( 20.[f(0) + f(1)] = 1 . La probabilidad de que el Banco “Riu Sec” reciba un cheque sin fondos es 1%.[ 0. tendremos una media de 300/500 = 0.1219 34.99 = q 1 cheque P(no fondos) = 0. a) Si en una hora reciben 20 cheques.292] = 0. entonces a) X→ Po(0. ¿cuál es la probabilidad de recibir entre 3 y 6 (inclusive) cheques sin fondos? SOLUCIÓN: a) n = 20 cheques P( fondos) = 0.5488 + 0.6 errores por página. 0.

n*p ≤ 5.9 = q 1 cheque P(sin fondos ) = 0.1462 = 0.01 = 1. 10 = p X= número de cheques sin fondos Bi( 500. 0.2*580 = 696 € no se espera pagar d) n = 500 cheques P( fondos) = 0.182 = p 1 sucursal P( no recibir 1 cheque sin fondos ) = 0. 6 horas x = 120 cheques E( x ) = n*p = 120*0.1404+0.1755+0.P( X ≥ 1) = 1-P( X<1 ) = 1-P( X=0 ) = 1.   20   *0.182 ) P( X ≥ 4) = 1-P( X<4 ) = 1-[ ρ (0)+ ρ (1)+ ρ (2)+ ρ (3)] = 0. n*p = 500*0.8179 = 0.9920 = 1-0. 0.010*0.2054 c) 1 hora 20 cheques.812 = q X=número de sucursales que reciben al menos 1 cheque Bi( 12.1755+0.2 cheques sin fondos.01 ) . y por tanto 1.6376 .01 = 5 P0(5) P( 3≤X≤6 ) = ρ (3)+ ρ (4)+ ρ (5)+ ρ (6)= 0.182  0  b) n = 12 sucursales P( al menos 1 cheque sin fondos) = 0.

a) ¿Cuál es la probabilidad de que el láser falle antes de 5.P ( z ≤ a − 7000 ) = 0.9996 = 0.95 600 a − 7000 ) = 1-0.222 10 3 30 5 40 8 36.000 horas? SOLUCIÓN: X N (7.33) = 600 b) P ( X > a ) = 0.000 .33) = P ( z > 3.33) = 1-P ( z ≤ 3.004 5000 − 7000 ) = P (z < -3. Se sabe que de un lote de 40 semillas no esta en buenas condiciones la cuarta parte.¿ Cuál es la probabilidad de que tres sigan funcionando después de 7. Se toman al azar 8 semillas y se analizan en el laboratorio.¿ Cual es la probabilidad de que 3 de las analizadas estén en malas condiciones? SOLUCIÓN: N = 40 semillas K = 40* 1 = 10 semillas en malas condiciones 4 n = 8 semillas ( )* ( ) P ( X = 3) = ( ) = 0.95 P(z> a − 7000 ) = 0.000 horas? b) ¿Cuál es la duración en horas excedida por el 95 % de los láseres? c) Si se hace uso de tres laseres en un producto y se supone que fallan de manera independiente. 600) a) P ( X < 5000) = P ( z < 1-0.95 600 P(z ≤ 1.95 = 0.000 horas y desviación típica de 600 horas.35. La duración de un láser semiconductor a potencia constante tiene una distribución normal con media 7.05 600 .

50 3 * 0.50 es la probabilidad de 1 láser siga funcionando después de 7000 horas.65 .25 = varianza X N ( 20 . a = -1.95 en la columna del Φ ( x)(tablas) .5 = desviación típica 0.65.50 0 = 0.50 = p 1 láser P( F ) = 0.25 mm. Una máquina fabrica tornillos cuyas longitudes se distribuyen normalmente con media 20 mm y varianza 0.65 * 600 + 7000 . el número será -1. ¿Cuál es la probabilidad de fabricar un tornillo defectuoso? Si los envasamos en envases de 15 tornillos. Los tornillos se fabrican de forma independiente.5= 0. n = 3 láseres P(F) = 0. probabilidad de que en un envase no tenga más de 2 defectuosos. Un tornillo se considera defectuoso si su longitud difiere de la media más de 1 mm. a − 7000 = -1.25 ) .0. SOLUCIÓN: 0.Tenemos que buscar 0. a = 6010 600 c) P ( X> 7000) = p (z > 7000 − 7000 ) = P ( z > 0 ) = 1-P ( z ≤ 0) = 1-0.50 600 0.125   3   37. Por tanto.50 = q P ( X = 3) =  3  * 0.5 2 = 0.

0452 = p 1 tornillo P( def .P(def. b) Determinar la probabilidad de que P(Y>A).0452 * 0. σ = 3) Definimos una nueva variable Y=X1+X2+X3.972 38. 0.0452 15 2 2 *0954813 = 0.) = P ( x >21 ) + P ( x < 19 ) = P( z > 21 − 20 19 − 20 ) + P( z < ) = P( z>2) + P ( z <-2) 0. σ = 1 ) N ( µ = 3.0452 15 1 1 *0954814 + ( )*0.9773 ] = 0. ) = 0.5 0. σ = 2) N ( µ = 4. siendo A=E(Y)-2 SOLUCIÓN: a) Y=X1+X2+X3 E(Y)= E(X1)+E(X2)+E(X3)=1+3+4=8 .0452 ) ( )* 0.9548 0 15 + ( )*0. se pide: a) Hallar E(Y) y Var(Y).5 = [1 – P( z ≤ 2) ] + [ 1 –P( z ≤ 2) ] = [1 –0.9548 = q X = tornillos defectuosos P( x ≤ 2) = f (0) + f ( 1) + f (2) = 15 0 Bi ( 15 . ) = 0.0452 tornillos defectuosos n = 15 tornillos P( def. Supongamos que disponemos de 3 variables independientes con las siguientes características: X1 X2 X3 N ( µ = 1.9773] + [ 1 –0.

esta compañía vende billetes a cualquiera que se lo solicita y la capacidad de su avión es de 230 pasajeros.7019 39.5 = 10 P ( X>230) = P ( z >(230-200)/100) = P ( z >3) = 1-P ( z ≤ 3) = 1.53)=P ( Z<0. que un pasajero no tenga asiento. Tomando un grupo de 400 pasajeros potenciales.3 • 0. A=8-2=6 Y N ( 8.5 = 200 σ = n • p • q = 400 • 0. Se supone que la probabilidad de que un pasajero opte por una compañía aérea dada para hacer un viaje es 0.5) N( 200.Var(Y)=1^2+2^2+3^2=14 b) A=E(Y)-2.5= p 1 pasajero P (no opte) = 0.53)=0. es decir.0013 overbooking b) . 10 ) µ = n • p = 400 • 0. 0. Se pide: a) La probabilidad de que la compañía tenga un overbooking.9987 = 0. b) Si existen 10 compañías aéreas que realizan el mismo viaje y cuyas condiciones son similares a la anterior. ¿cuál será la probabilidad de que al menos dos de ellas tenga un overbooking? SOLUCIÓN: P (opte) = 0.74)=P ( Z>-0. 14 ) P(Y>A)=P(Y>6)=P(Z>((6-8)/3.5= q a) n = 400 X= pasajeros que optan por ese avión Bi (400.0.5.

81 periódicos .[ρ(0) + ρ(1)] = 1-[   *0.9987= q n = 10 compañías P ( X ≥ 2) = 1-P ( X<2) = 1-P( X≤1 ) = 1.707 ) = P ( z ≤ 0.7580 b) P ( X ≤ a ) = 0.2 ) P ( 13≤X≤31 )= P((13-30)/ 2 ≤ z ≤(31-30)/ 2 ) = P ( -12.28 c) n = 10 quioscos a = 31.0128] = 0.987 + 0.02 ≤ z ≤ 0.[0.90 (tablas) (a-30)/ 2 = 1.00015  1  40.0013= p 1 compañía P (no overbooking) = 0.90 - P ( z ≤ (a-30)/ 2 ) = 0.P (overbooking) = 0.998710 0    +  10  10   *0.00130*0. Determinar: a) Probabilidad de que en un día se vendan entre 13 y 31 periódicos b) Determinar el máximo número de periódicos que se venden en el 90% de las ocasiones c) Supongamos que en una ciudad hay 10 quioscos independientes del mismo tipo y con las mismas características.707 ) – P ( z ≤ -12.02 ) = 0.998710] = 1. Determinar la probabilidad de que más de dos quioscos vendan entre 13 y 31 periódicos SOLUCIÓN: a) X N( 30.00131*0. En un quiosco de periódicos se supone que el número de ventas diarias se distribuye normalmente con media 30 y varianza 2.

2429+   *0. 0. a) b) c) Si n = 7.P ( X ≤ 2 ) = 1.P (vender entre 13 y 31) = 0.8 = q a) n = 7 X= chips defectuosos Bi ( 7.87+   *0. Un operador elige al azar entre “n” chips de una caja. 0.99972 1  2   0      41. 2. La probabilidad de que sea defectuoso es 0.148       b) n = 50 X Bi (500.86+   *0.242 = q X= quioscos que venden entre 13 y 31 Bi (10.852= 0.2 = p 1 chip P (no defectuoso) = 0.7580 = p 1 quiosco P (no vender entre 13 y 31) = 0.22*0. ¿cuál es la probabilidad de que al menos 3 chips sean defectuosos? Si n = 50.2 = 10 .2428]= 0.2) P ( X ≥ 3 ) = 1 – P ( X < 3 ) = 1 – P ( X ≤ 2 ) = 1 – [ ρ (0)+ ρ (1)+ ρ (2)] = = 1 – [   *0.7582*0.7580) P ( X > 2 ) = 1 .2)-------------------------- 7 0 7 1  7  2 N ( 10. 0.24210+   *0.[ ρ (0)+ ρ (1)+ ρ (2)] = = 1-[   10  10  10   *0.20*0.85] = 1–0. ¿cuál es la probabilidad de tener entre 9 y 12 chips defectuosos? ¿Cuántos chips hay en la caja si la varianza es 32? SOLUCIÓN: P (defectuoso) = 0.2.828 ) µ = n * p = 50 * 0.7581*0.21*0.75800*0.

6368 ) = 0. n*0.828 P ( 9 ≤ X ≤ 12 ) = P ((9-10)/2. c) n = 10 latas P( desechada) = 0.707 ) = = P ( z ≤ 0.σ = n * p * q =2. (33.35 ) = 0.5 ) P( X< 33 ) = p( z < (33-34)/1. ¿cuál es la probabilidad de que al menos 100 sean desechadas? SOLUCIÓN: a) X N( 34.5 cl.495 cl.7454 = q . ¿cuál es la probabilidad de que ninguna sea desechada? d) Si ahora tomamos 500 latas llenadas con la máquina tal y como figura originalmente.66 ) = 1-0.2546 = p 1 lata P(no desechada) = 0.1. Y una desviación típica 1.5 ) = 0.7454 = 0.01 .µ )/1..2*0.33 .µ )/1. a) Si se despachan aquellas latas que tienen menos de 33 cl. El volumen que una máquina de llenado automático deposita en latas de una bebida gaseosa tiene una distribución normal con media 34 cl. µ = 36.707 ) – P ( z ≤ -0.? c) Si tomamos 10 latas llenadas con la máquina tal y como figura originalmente.35 ≤ z ≤ 0.5= -2.5 ) = ( z < -0.7580 – ( 1 .66 ) = 1-p( z ≤ 0.8 = 32 N = 200 chips 42.01 P( z <(33.3948 c) n = ¿? Var (x) = 32--------------------- n*p*q = 32 .2546 probabilidad de que la lata sea desechada b) µ ? P( X<33 ) = 0.828≤ z ≤(12-10)/2. ¿cuál es la proporción de latas desechadas? b) La máquina de llenado puede ser ajustada para cambiar el volumen medio ö para que únicamente el 1% de las latas tuviera menos de 33 cl.66 ) = p( z ≥ 0.828 ) = P ( -0.0.

74541= 0.8 ) = P( z ≤ 2. funcione adecuadamente bajo condiciones de diseño.2546 = 127.8 ) = 0.25460*0.05295  0  d) X Bi( 500. Calcule la probabilidad de obtener 27 ó mas fusibles defectuosos en una muestra de 1000 fusibles.74) µ = n • p = 500 • 0.2546 ) P( X=0 ) =   10   *0. 4'47) x = fusible defectuoso µ = n * p = 1000 * 0'02 = 20(n * p > 5) σ = n * p * q = 1000 * 0'02 + 0'098 = 4'427 27 − 20   P ( x ≥ 27) = P z ≥  = P( z ≥ 1'58) = 1 − p ( z ≥ 1'58) = 1 − 0'9429 = 0'0571 4'427   .74 P( X ≥ 100) = P( z ≥ (100-127.98. SOLUCIÓN: P( x ≥ 27) n = 1000 fusibles 1 fusible → P (def) = 0'02 = p → p ( no def) = 0'98 = q x → Bi (1000.3 σ = n • p • q = 500 • 0. 0.3)/9.9974 43. 0'02) → N (20.N (127. sabiendo que la probabilidad de que un fusible elegido al azar no sea defectuoso es de 0.X Bi( 10. La confianza de un fusible eléctrico corresponde a la probabilidad de que un fusible. Escogido al azar de una línea de producción.2546 • 0.3 .2546 )-------------------------------.7454 = 9.7411) = P( z ≥ -2. 9. 0.

Probabilidad de que se reciban más de 30 cheques falsos en una semana SOLUCIÓN: x → Po(6) → Sabemos que es Poisson porque sólo dan la media x = cheques falsos/dia l−6 + 64 a) P( x = 4) = = 0'1339 4! b) λ = 42 → λ > 10 → pasamos a una normal x → Po(42) → N (42. El número de fallos de un instrumento de prueba debidos a las partículas de un producto es una variable de Poisson con media 0.44. a) ¿Cuál es la probabilidad de que el instrumento no falle en una jornada de 8 horas? b) ¿Cuál es la probabilidad de que haya entre 20 y 40 fallos (ambos incluidos) en un periodo de una semana ( funcionando los 7 días. Un banco recibe en promedio 6 cheques falsos al día.2 fallos por hora. hallar: a) b) Probabilidad de que se reciban cuatro cheques falsos en un día. suponiendo que el número de cheques falsos sigue una distribución de Poisson. 42) x = cheques falsos/ semana 30 − 42   P( x > 30) = P z >  = P( z > −1'85) = P( z < 1'85) = 0'96 42   6cheques→ 1dia x → 7 dias x = 42 cheques 45. 24 horas diarias)? SOLUCIÓN: .

SOLUCIÓN: . Se pide: a) Si un agricultor posee 15 de estas parcelas. se segmenta la tierra en parcelas de 100 m2.6 de encontrar estos contaminantes en una determinada parcela. ¿Qué probabilidad hay de que tenga alguna contaminada? b) Una cooperativa posee 200 parcelas del tipo anterior. ¿Qué probabilidad hay de que tenga entre 100 y 150 parcelas contaminadas? c) Si por cada parcela contaminada la cooperativa sufre unas perdidas de 1000 €. Los agricultores de una región están preocupados po la calidad de sus cosechas. ¿ cuál es la perdida que la cooperativa espera tener?. Para analizarla. x = fallos / semana Tipificar 40 − 33 '6   20 − 33 '6 Po ( 20 ≤ x ≤ 40 ) = P  ≤ z ≤  = P ( − 2 '34 ≤ z ≤ 1 '10 ) = 33 '6 33 '6   P ( z ≤ 1 '10 ) − P ( z ≤ − 2 '34 ) = 0 '8643 − (1 − 0 '9904 ) = 0 '8547 46. ya que se ha detectado en ciertas áreas la existencia de sustancias contaminantes en el suelo. 6 1 = 0 ' 2019 0! 1h 8h → → 0'2 fallos x x = 1.6 P (x = 0) = b) P ( 20 ≤ x ≤ 40 ) 7 * 24 = 168 h 1 h → 0 '2 f 168 h → x x = 33'6 33 '6 ) x → Po ( 33 '6 ) → N ( 33 '6 .x → Po ( 0 ' 2 ) x = fallos / hora a) x → Po (1 '6 ) x = fallos / 8 horas l −1 ' 6 + 1 . y se concluye que hay una probabilidad de 0.

928 150 − 200   100 − 200  = P(−2'88 ≤ z ≤ 4'33) = P( z ≤ 4'33) − P( z ≤ −2'88) = P(100 ≤ x ≤ 150) = P ≤ z ≤   6'928   6'928 1 − (1 − 0'9980) = 0'998 c) 1 cooperativa → h = 200 parcelas E ( x) = h * p = 200 * 0'6 = 120 parcelas contaminadas 120 * 100 = 120000€ 47. En un estudio estadístico sobre la altura de los españoles y de los inglese.0'6) → N (120.0'6) x = parcela contaminada 1 parcela → P (cont ) = 0'6 = p  15  → P (nocont ) = 0'4 = qP( x ≥ 1) = 1 − P ( x < 1) = 1 − P ( x = 0) = 1 −   * 0'06 1 * 0'4 15 = 0'99999   0 b) n = 200 parcelas x → Bi (200.4 Ingleses 175. un español que mide 177 cm o un inglés que mide 181 cm? b) ¿Cuál es la probabilidad de que un español mida más de 180 cm? ¿cuál es la probabilidad de que un ingles mida entre 160 y 170 cm? c) ¿Cuál es la probabilidad de que un español sea más alto que un inglés? SOLUCIÓN: .a) n = 15 parcelas x → Bi(15.9 a) ¿Quién es más alto en su país.6'928) x = parcelas contaminadas µ = n * p = 200 * 0'6 σ = n *p*q = 200 * 0'6 * 0'4 = 6.2 6.4 5. Se han obtenido los siguientes datos: Nacionalidad Media Desviación típica Españoles 170.

1) .3 P(X ≥ 8)= 1 / 20dx = 0. x i = 177 → zi = 177 − 170'2 = 1'0625 0'4 El español es más alto en su país yi = 181 → zi = 181 − 175'5 = 0'9322 0'9 180 − 170'2   b) P( x > 180) = 1 − P ( x ≤ 180) = 1 − P z ≤  = 1 − P ( z ≤ 1'53) = 1 − 0'9370 = 0'063 6'4   170 − 175'5   160 − 175'5 P(160 ≤ y ≤ 170) = P ≤z≤ = 5'9 5'9   P( −2'62 ≤ z ≤ −0'93) = P ( z ≤ −0'93) − P( z ≤ −2'62) = (1 − 0'8238) − (1 − 0'9956) = 0'1718 c) P( x > y ) = P ( x − y > 0) = 1.6 8 ∫ . Probabilidad de que la concentración sea exactamente 10. SOLUCIÓN: X f(x)= 1/20 20 Un(0.6'4) x = españoles y → N (175'4. paso de x → N( µ . Supóngase que la concentración que cierto contaminante se encuentra distribuida de manera uniforme en el intervalo de 0 a 20 pares de millón.5'9) a ) Cuando tipifico. las dos están en la misma escala.P ( x − y ≤ 0) = 0 + 5'3   1 − P z ≤  = 1 − P( z ≤ 0'608) = 1 − 0'7291 = 0'2709 8'7043   48. 20) 0 ≤ x ≤ 20 µ = (a+b)/2=0+20/2=10 σ 2=(b-a)2/12=33. Concentración media y varianza.x → N (170'2. es decir. ¿Cuál es la probabilidad de que al tomarse una muestra la concentración de esta sea tóxica?.σ ) ⇒ Z → N(0. Si se considera tóxica una concentración de 8 o más.

90 R 60 ∫ 1/36*e-1/36*x dx=0.90 ∫ 0 1/36*e-1/36*xdx = 0. ….L. fluctúa normalmente con media 150 gr. Si el tiempo que cada comercial gasta en una sesión en la Terminal tiene una distribución exponencial con media 36 minutos.565 +∞ P((X ≥ 30+60)/(X ≥ 30))=P(X ≥ 60)= P(X<R)=0. 30). Si una bolsa se llena con 15 naranjas seleccionadas al azar.188 P(X<R)=0.89 50.90 R=82. b) Si un comercial a estado 30 minutos en la Terminal. c) El 90% de las sesiones terminan en menos de R minutos. ¿Cuánto vale R? SOLUCIÓN: 1/ β =36 a) b) c) β =1/36 y la función de densidad es f(x)= 1/36 * e-1/36*x x ≥ 0 30 P(X ≤ 30) = ∫ 0 1/36*e-1/36*x dx =0. ¿Cuál es la probabilidad de que el peso total de la bolsa sea inferior a 2 kilos? SOLUCIÓN: n Y= ∑X I =1 i N(n* µ . 30) . encontrar: a) Probabilidad de que un comercial utilice la Terminal 30 minutos o menos.10 P(X=10)= 1 / 20dx =0 10 ∫ 49. n* σ ) X1 = N (150. X2=N (150. El personal de la compañía Onda S. El peso de las naranjas de un determinado calibre. usa una Terminal para realizar sus pedidos internacionales. X15 =N (150. 30). ¿Cuál es la probabilidad de que pase al menos una hora más en la Terminal?. Y desviación típica 30 gr.

96   61.96 P(X<C) = P C − 4000 = 1.04 = 4000 y desviación típica 100000 × 0.1). ¿Cuál es la probabilidad de que el cuadrado de las distancia de dicho punto al origen sea menor de 6.96  X − 4000 C − 4000  <  = 0. 0. Se elige un punto en el espacio.15)=(tabla)=1-0.96 Luego la capacidad aproximada del recipiente ha de ser de 4102 bolas.95 61.65.95. C = 4000 + 1.9842=0. ¿Cuántas bolas ha de contener el recipiente para que la probabilidad de que su capacidad no se vea rebasada sea 0.25? SOLUCIÓN: .96 = 61. 15 * 30^ 2 ) P (Y<2000)=P(Z<((2000-2250)/(116. C ha de ser tal que P (X<C) = 0.1). 52.95? SOLUCIÓN: Sea X el número de bolas defectuosas de entre 100000.65 × 61. Sea C la capacidad buscada.n=15 Y= ∑X I =1 n i N (15*150. X sigue una distribución binominal B (100000.23 61. En el control de las bolas se revisan todas depositando las defectuosas (que se detectan todas) en un recipiente que se vacía al final de cada turno.04) que se puede aproximar por una normal de media 100000 × 0.0158 51. resulta que X − 4000 es una variable normal N (0.96 = 4102.189))=P(Z<-2.04 × 0.96. Una fábrica produce en cada turno 100000 bolas para rodamientos de forma que la probabilidad de defectuosa es 0. 61. Tipificando.04. de forma que sus tres coordenadas sean variables aleatorias independientes con distribución normal de parámetros N (0.

t90. X 3 ) son variables aleatorias con distribución N (0. de la distribución exponencial. Entonces el tiempo que transcurre hasta que el 90% del material radiactivo se desintegra es el percentil 90. La distancia al cuadrado del punto al origen es: 2 d 2 = X 12 + X 2 + X 32 Como d 2 es la suma de 3 variables aleatorias al cuadrado con distribución N (0.Las coordenadas del punto elegido en el espacio ( X 1 .1).1). 53. el polígono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su función de distribución F.9 ↔ e −λt90 = 1 − 0.9 ↔ t 90 = − 1 λ ln 0. y el polígono de . En un experimento de laboratorio se utilizan 10 gramos de 210 84 Po . en las tablas de dicha distribución encontramos la probabilidad pedida: P (d 2 < 6. presenta una distribución chi cuadrado con tres grados de libertad.90 . el histograma puede ser aproximado de modo excelente por la función de densidad exponencial. X 2 . es decir: F (t 90 ) = 0. ¿cuántos idas transcurrirán hasta que haya desaparecido el 90% de este material? SOLUCIÓN: 210 84 El tiempo T de desintegración de un átomo de exponencial: Po es una variable aleatoria de distribución 1   − λt T → Exp λ =   ↔ f (t ) = λe si∀t ≥ 0  140   ↔ F (t ) = 1 − e − λt 210 84 Como el número de átomos de Po existentes en una muestra de 10 gramos es enorme. Sabiendo que la duración media de un átomo de esta materia es de 140 días. f.25) = 0. Por tanto. el histograma de frecuencias relativas formado por los tiempos de desintegración de cada uno de estos átomos debe ser extremadamente aproximado a la curva de densidad.1 ≈ 322 días Figura: Como el número de átomos (observaciones) es extremadamente alto en 10 gramos de materia. Del mismo modo.

frecuencias acumuladas por la función de distribución. ¿Cuál es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 años? Si el marcapasos lleva funcionando correctamente 5 años en un paciente.7135 En segundo lugar: . Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución exponencial con media de 16 años. Tenemos que 1  T → Exp λ =  ↔ f (t ) = λe −λt si∀t ≥ 0 16   ↔ F (t ) = 1 − e − λt Entonces: 20 16 P[T ≤ 20] = ∫ 20 0 f (t ) dt = F (20) = 1 − e − = 0. 54. ¿cuál es la probabilidad de que haya que cambiarlo antes de 25% años? SOLUCIÓN: Sea T la variable aleatoria que mide la duración de un marcapasos en una persona.

7135 P[T ≥ 5] 0. [ ] 55. no influye en nada el tiempo que en la actualidad lleva funcionando. por ser propio a un mecanismo exponencial: P T ≤ 25 T ≥5 = P[T ≤ 20] Es decir. Por lo 4 P (η − 1) = 21 × e − 2 = 0.P T ≤ 25 T ≥5 = [ ] P[5 ≤ T ≤ 25] 0. con distribución de Poisson de parámetro λξ = E [ξ ] = 8 . Una empresa electrónica observa que el número de componentes que fallan antes de cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el número promedio de estos fallos es ocho: a)¿cuál es la probabilidad de que falle un componente en 25 horas? b)¿y de que fallen no más de dos componentes en 50 horas? c)¿cuál es la probabilidad de que fallen por lo menos diez en 125 horas? SOLUCIÓN: Sea la variable aleatoria ξ .7316 25 − 25 16 5 P[5 ≤ T ≤ 25] = ∫ f (t )dt = F (25) − F (5) = 1 − e P[T ≥ 5] = ∫ +∞ 5 −1+ e − 5 16 = 0. a) Considerando que se cumplen ciertas condiciones de regularidad. en la duración que se espera que tenga el objeto. que determina el número de componentes que fallan antes de cumplir 100 horas de funcionamiento.522 f (t )dt = F (+∞) − F (5) = 1 − 1 + e − 5 16 = 0. podemos asumir que una variable η que mide el número de componentes que fallan antes de cumplir 25 horas de funcionamiento sigue una distribución de Poisson con parámetro λη = E [η ] = tanto.27067 1! . Es por ello que se dice que “la distribución exponencial no tiene memoria”.7316 Luego como era de esperar.522 = = 0. la probabilidad deseada es la siguiente: 8 = 2 .

b) Análogamente. SOLUCIÓN: Por ser F una función de distribución. Será uniforme en [0. se obtiene: P (V ≥ 10) = 1 − P (V < 10) = 1 − ∑ 10 i × e −10 = 0. Se define la variable distancia entre X e Y por d=Y-X. Demuéstrese que Y sigue una distribución uniforme en [0. definimos una variable aleatoria U con distribución de Poisson de parámetro λU = 8 = 4 . Un punto aleatorio X tiene distribución uniforme en el intervalo [0. que mide el número de componentes que fallan antes de cumplir las 50 horas de 2 2 funcionamiento. 57. Dada la variable aleatoria X continua y con función de distribución F se define la variable Y=F(X). SOLUCIÓN: . para todo y ∈[0. Se tiene entonces que: P (U ≤ 2) = ∑ i =0 4i × e − 4 = 0. definiendo una variable aleatoria V con distribución de Poisson de parámetro λV = 10 .3]. calcúlese la esperanza matemática y la varianza de d.1] y otro punto aleatorio Y tiene distribución uniforme en el intervalo [2.41696 i = o i! 10 56.2381 i! c) De la misma forma. Suponiendo que X e Y son independientes.1] En efecto FY ( y ) = P{0 ≤ Y ≤ y } = P{FX ( X ) ≤ y} = P{X ≤ FX−1 ( y ) = FX FX−1 ( y ) = y } [ ] como queríamos demostrar. la variable Y toma valores entre cero y uno.1].1] si se verifica que: FY ( y ) = y.

2 12 12 2 como la esperanza es un operador lineal se tiene E [d ] = E [Y ] − E [X ] = 5 1 − =2 2 2 Por otra parte. E [Y ] = . Si el numero medio de servicios diarios es de 250 con distribución de Poisson. la probabilidad pedida es: P(X f 300) = x f 300 ∑e − 250 250 x x Esta probabilidad puede aproximarse mediante la distribución normal N ( 250.Como las distribuciones de X e Y son uniformes. ¿Cuál es la probabilidad de que un día determinado no se puedan atender todos los servicios requeridos? ¿Que probabilidad existe de que en 31 días haya al menos un día en el que no se puedan atender todos los servicios requeridos? SOLUCIÓN: Si un día no se pueden atender todos los servicios requeridos es porque superan la capacidad máxima de 300 servicios. por tanto. 250)  X − 250 300 − 250   X − 250   f  = P f 3.0008 P    250   250  250  Si consideramos como éxito el que un día no se puedan atender todos los servicios requeridos. al ser X e Y independientes σ 2 [d ] = σ 2 [Y − X ] = σ 2 [Y ] + (−1) 2 σ 2 [X ] = 1 1 1 + = 12 12 6 58. σ 2 [X ] = . sabemos que: E [X ] = 1 5 1 1 . Supongamos que el cuerpo de bomberos de una gran ciudad es capaz de atender asta un máximo de 300 servicios por día. σ 2 [Y ] = .16  = 0. vendrá dado por la binomial de . el numero de días D en que esto ocurrirá a lo largo de un mes.

¿Cuál es la probabilidad de que en una pesada el valor real difiera del dado por la báscula en más de 200 Kg? SOLUCIÓN: Debido a la magnitud de los pesos que se colocan en la bascula un error de 1000 Kg. 60. Determina la probabilidad de que dicho consumo este comprendido entre 8 y 12 unidades.0245 59. no se considera importante.9992) 31 0 0 31 = 0. además: { { E(X ) = (b − a ) = 1 b+a = 10 . Una báscula de tipo digital para vehículos de alto tonelaje da pesos cuya magnitud viene expresada en toneladas. Sumamos las dos igualdades: b = 10 + 3 = 11. por tanto la probabilidad de que el consumo se encuentre comprendido entre 8 y 12 es la unidad.0008) (0. sabemos que se distribuye U(a.26 y 11. Supongamos que el consumo familiar de un cierto producto se distribuye como una variable aleatoria de distribución uniforme.73 unidades.parámetros B(31. σ 2 x = 2 12 2 b + a = 20 .26 La distribución es uniforme entre 8.0008). por lo que el digito de las unidades aumenta su valor en una unidad . 0.73 a = 10 − 3 = 8. La probabilidad de que al menos un día no se puedan prestar todos los servicios solicitados será: P (D ≥ 1) = 1 − P(D = 0 ) = 1 − ( )(0. SOLUCIÓN: Sea X el numero de unidades consumidas. (b − a )2 = 12 b−a =2 3 2b = 20 + 2 3 a = 20 − b {b + a = 20 .b). con esperanza igual a 10 y varianza unidad.

¿Cuál seria el error cometido al tomar como valor de P la frecuencia relativa correspondiente a 50000 clientes.05 P − p ≥ 0. de que el valor absoluto de la diferencia entre ambas sea mayor o igual que el error. No tenemos pues.05  ≤ n  2   n(0.5 toneladas.1 toneladas y otra cuyo peso sea 57. La probabilidad P de que un cliente cualquiera pague con cheques sin fondos.05. ¿Cuántas veces es necesario jugar para que la probabilidad. sea inferior o igual al 5%? SOLUCIÓN: Aplicando el teorema de Bernoulli: x  pq P − p ≥ δ  ≤ n  nδ 2 . es desconocida por un gran banco. de que la frecuencia relativa de victorias difiera. sea como mucho de 0. o dicho de otra manera. En un juego solo caben dos posibilidades. tomamos la cota superior de Por tanto.05) pq 1 que es . 2 nδ 4nδ 2 Como el valor de p es desconocido. por lo que al ser máxima la incertidumbre.05) n= 1 = 2000 veces. en al menos 0.05) 62. 2 4n(0. ninguna información acerca del peso real entre cada nueva tonelada y la siguiente.   x  pq = 0.8 1 61. 1000 0 < x < 1000 La probabilidad de que el error cometido en una pesada sea superior a 200 Kg. la bascula no diferencia entre una carga de 57. si se pretende que la probabilidad. 3 4(0. 1 = 0. será: P ( X f 200 ) = 1000 200 ∫ 1000dx = 0.cuando la carga ha aumentado en 1000 Kg. de la verdadera probabilidad de ganar..1? .05 . en valor absoluto. la distribución apropiada es uniforme: ƒ(x)= 1 . ganar o perder.

02  ≥ 1 −  Como queremos una probabilidad de al menos 0.4 ⋅ 0. = 0.6 = 0.SOLUCIÓN: Aplicando Bernoulli: x  pq 1 P − p ≤ δ  ≤ n  nδ 2 ≤ 4nδ 2   x  1 − p ≥δ≤  4 ⋅ 50000 ⋅ δ 2 = 0.02? SOLUCIÓN: Aplicando el teorema de Bernoulli: P − p ≤ δ  ≥ 1 − .05(0.95. por tanto δ = 0.05 2 2 n(0. como máximo en 0. 500 tenían un ligero defecto.6 0.1 n  Como p es desconocido tomamos la cota superior: P  De donde δ = 1 = 0. n  nδ 2   x  pq x  0.95 n 2 n(0.1 63. Si se compran al distribuidor 20 faros elegidos al azar.00005 .4 ⋅ 0.02)   1− 0. de que la frecuencia relativa de triunfos difiera de 0.6 = 12000 veces 2 0.007 4 ⋅ 50000 ⋅ 0.4. Un fabricante de faros para coches informa que en un envío de 4000 faros a un distribuidor.02 ) n(0.4 ⋅ 0. ¿Cuantas veces habremos de verle competir para que haya una probabilidad de al menos 0. en valor absoluto.6 P − p ≤ 0.4 ⋅ 0.95. La probabilidad de que un deportista gane una competición es 0.02) n= 64. ¿Cuál es la probabilidad de que haya exactamente dos con defecto? .02) 0.4.

SOLUCIÓN: Si X es el número de faros defectuosos en los 20 adquiridos. n=20 y k=500 luego: P (X=2)= ( )( ) =0. ( ) 500 3500 2 18 4000 20 . X sigue una distribución hipergeométrica con N=4000.2546.