Apoyo Prueba 1 Estadistica Aplicada PDF

DISTRIBUCIONES VARIABLE ALEATORIA CONTINUA
La ley de probabilidad de una variable aleatoria continua X está definida, bien si se
conoce su función de densidad f(x) , bien si se conoce su función de distribución
F(x) , verificando:
b ∞
F(x) = P(X ≤ x) P(a < X < b) = ∫a
f(x) dx ∫ −∞
f(x) dx = 1
La función de densidad f(x) y la función de distribución F(x) se encuentran

relacionadas por la expresión:
x d F(x)
F(x) = ∫ −∞
f(x) dx f(x) =
dx
DISTRIBUCIÓN UNIFORME
Una variable aleatoria continua X sigue una distribución uniforme en el intervalo [a,
b], y se denota como X ≈ U(a, b) , cuando su función de densidad es:
⎧ 0 x<a
⎪ 1
⎪
f(x) = ⎨ a≤x≤b
⎪ b − a
⎪⎩ 0 x >b
Función de distribución:
⎧ 0 x<a
⎪x − a
⎪
F(x) = ⎨ a≤x≤b
⎪ b − a
⎪⎩ 1 x>b
a+b (b − a)2 b−a

μX = σ =
2
X σX =
2 12 12
Distribuciones de Probabilidad 8
DISTRIBUCIÓN NORMAL o de LAPLACE‐GAUSS
Una variable aleatoria continua X se dice que tiene una distribución normal o de
Laplace‐Gauss de media μ y desviación típica σ si su función de densidad es:
( x −μ )2
−
1 2 σ2
f(x) = .e −∞<μ<∞ σ>0
σ. 2π
Función de distribución:
( x −μ )2
∫
x −
1 2 σ2
F(x) = . e dx
σ. 2π −∞
Si una variable X1 es N(μ1 , σ1 ) y otra X2 es N(μ 2 , σ 2 ) independientes entre sí,

entonces la nueva variable X = X1 ± X2 sigue también una distribución normal
(
N μ1 ± μ 2 , )
σ12 + σ 22 . Propiedad que se puede generalizar a n variables aleatorias
independientes.
Si una variable X sigue una distribución normal N(μ , σ ) , la nueva variable

X−μ
z= sigue también una distribución normal N(0, 1) .
σ
La variable z se le denomina variable tipificada de X y a la curva de su función de
densidad curva normal tipificada.
z2
1 −
La función de densidad será, f(z) = .e 2 −∞< z<∞
2π
t2
∫
z
1 −
Función de distribución: F(z) = . e 2
dt
2π −∞
Si X es una variable binomial B(n, p) con n grande y ni p ni q son próximos a

cero, podemos considerar que X sigue aproximadamente una distribución
N ⎡⎣n . p, n . p . q ⎤⎦ y, en consecuencia, la variable
X − n. p
z = ∼ N(0, 1) (Teorema de Moivre)
n. p . q
En general, la transformación es aceptable cuando p ≤ 0,5 y n . p > 5
Para utilizar correctamente la transformación de una variable discreta X (con
Media, varianza y desviación típica: μ χ2 = n σ χ22 = 2n σ χ2 = 2n
n n n
Si χn21 y χn22 son dos χ 2 de Pearson, respectivamente con n1 y n2 grados de

libertad, independientes entre sí, entonces la suma de las dos χn21+n2 = χn21 + χn22 es
también una χ 2 de Pearson con n1 + n2 grados de libertad. Esta propiedad se
puede generalizar a n variables aleatorias independientes.
Al aumentar el número de grados de libertad, la distribución χ 2 se aproxima
asintóticamente a la distribución normal.
2 χn2 n > 30

⎯⎯⎯→ N ( 2n − 1, 1 )
En el muestreo, al tomar muestras de media x y desviación típica σ x de una
(n − 1).s2x
población N(μ , σ ) , la variable χ = 2
n−1 es una χ 2 de Pearson con (n − 1)
σ 2
grados de libertad, donde s x es la cuasivarianza muestral, n σ 2x = (n − 1)s2x

2
Esta propiedad es muy utilizada en la estimación y en el contraste de hipótesis
sobre la varianza poblacional σ 2 .
( ) ( )
P χn2 ≤ χ 2α , n = 1 − P χ n2 ≥ χ α2 , n = 1 − α
DISTRIBUCIÓN t de STUDENT
Sean (n + 1) variables aleatorias ( X1 , X2 , , Xn , X ) independientes entre sí, con

ley N(0, 1) , se denomina t de Student con n grados de libertad a la variable
X
t n =
n
∑
1
( Xi )
2
n i=1
Dividiendo la expresión por σ , se tiene:
X Xσ z
t n = = =
n n 2
1 2
∑(X ) ∑ ⎛ Xi ⎞
1 2 1 χ
i ⎜σ⎟ n n
i=1 ⎝ ⎠
n i=1
n
n +1
1 ⎛ x ⎞ 2 2
La función de densidad: ftn (x) = ⎜1+ ⎟
⎛ 1 n⎞ ⎝ n ⎠
n. β⎜ , ⎟
⎝ 2 2⎠
Algunas fórmulas de interés para el cálculo de β (p, q) , p > 0 y q > 0 , son:
∫
1
t
β (p, q) = xp−1 (1 − x)q−1 dx con el cambio x = se tiene
0 1+ t
∞
t p−1
β (p, q) =
∫ 0 (1 + t)p + q
dt
π 2
∫ ( sen t ) ( cos t )
2p −1 2q−1
otra forma de representar la función, β (p, q) = 2 dt
0
Γ(p) . Γ(q)
β (p, q) = β (p, q) = β (q, p) simetría
Γ(p + q)
Al aumentar el tamaño n se va haciendo cada vez más apuntada su función de
densidad, siendo el límite cuando n → ∞ la curva normal tipificada
En el muestreo, al tomar muestras de media x y desviación típica σ x de una

x−μ x−μ
población N(μ , σ ) , la variable t n−1 = = n − 1.
sx sx
n−1
Propiedad muy utilizada en la estimación y en el contraste de hipótesis sobre la
media de la población μ.
n
Una variable aleatoria tn de Student tiene de media μ = 0 y varianza σ 2 =
n−2
DISTRIBUCIÓN F de FISHER‐SNEDECOR
Sean χ12 y χ 22 dos variables χ 2 de Pearson, respectivamente con n1 y n2 grados

de libertad, independientes entre sí, se denomina F de Fisher‐Snedecor con
χ2 n
n1 y n2 grados de libertad a la variable: Fn1 , n2 = 21 1
χ 2 n2
Tiene por función de densidad:
⎧ ⎛ n + n ⎞ ⎛ n ⎞n1 2
⎪Γ⎜ 1 2
⎟ .⎜ 1 ⎟
⎪ ⎝ 2 ⎠ ⎝ n2 ⎠ x( x1 2) − 1
⎪ (n1 + n2 )/2
x>0
fn1 ,n2 (x) = ⎨ ⎛n ⎞ ⎛n ⎞ ⎛ n1 ⎞
Γ⎜ 1 ⎟ . Γ⎜ 2 ⎟
⎪ ⎝2⎠ ⎝ 2⎠ ⎜1+ x⎟
⎪ ⎝ n 2 ⎠
⎪⎩ 0 x≤0
P(Fn1 ,n2 ≥ Fα ; n1 ,n2 ) = α P(Fn1 ,n2 < Fα ; n1 ,n2 ) = 1 − P(Fn1 ,n2 ≥ Fα ; n1 ,n2 ) = 1 − α
1
Para valores α = 0,95 y α = 0,99 se considera la relación Fα ; n1 ,n2 =
F1−α ; n2 , n1
En el muestreo es un estadístico utilizado para la razón de varianzas de dos
poblaciones normales y en el contraste de hipótesis sobre la igualdad de varianzas
poblacionales.
DISTRIBUCIÓN de PARETO
( π β )2
que tiene: μ Y = Me = Md = α σ = 2
Y
3
DISTRIBUCIÓN EXPONENCIAL (Lambda)
Se dice que una variable aleatoria absolutamente continua X sigue una distribución
Exponencial de parámetro λ , si la v.a. X describe el tiempo transcurrido entre dos
sucesos consecutivos de Poisson o el tiempo de espera hasta que ocurre un suceso
de Poisson.
Una v.a. con distribución Exponencial se denota como X ∼ Exp(λ ) ,
donde λ es el número de sucesos de Poisson por unidad de tiempo.
⎧ λ e−λ x x≥0
Función de densidad: f(x) = ⎨
⎩ 0 x<0
⎧1 − e −λ x x≥0
Función de distribución F(x) = P(X ≤ x) = ⎨
⎩ 0 x<0
La esperanza matemática, varianza, desviación típica y tasa instantánea de
ocurrencia:
1 1 1
μ X = E(X) = σ 2X = σX =
λ λ2 λ
f(x)
Tasa instantánea ocurrencia: λ (x) =
1 − F(x)
1
Función característica: ρ(t) = E ⎡⎣ eitX ⎤⎦ = ∀t∈
1
1 − it
λ
La distribución exponencial Exp(λ ) es un caso particular de la distribución gamma,
describe el tiempo hasta la primera ocurrencia de un evento, tiene una aplicación
importante en situaciones donde se aplica el proceso de Poisson.
Tiene un lugar importante tanto en teoría de colas como en problemas de
confiabilidad.
El tiempo entre las llegadas en las instalaciones de servicios y el tiempo de fallos en
los componentes eléctricos y electrónicos frecuentemente están relacionados con
la distribución exponencial. Con aplicación importante en biometría (estudio de las
leyes probabilísticas que gobiernan la mortalidad humana) y cuestiones actuariales.
Una característica de la distribución exponencial es su FALTA DE MEMORIA: La
probabilidad de que un individuo de edad t sobreviva x años más, hasta la edad
(t + x) , es la misma que tiene un recién nacido de sobrevivir hasta la edad x.
Generalmente, el tiempo transcurrido desde cualquier instante t 0 hasta que ocurre
el evento, no depende de lo que haya ocurrido antes del instante t 0 .
La perdida de memoria se refleja mediante la expresión:
P [ X ≥ x + h ] e− λ (x + h)
P ⎡⎣ X ≥ x + h X ≥ x ⎤⎦ = = = e− λ h = P [ X ≥ h ]
P [ X ≥ x] e −λx
DISTRIBUCIÓN GAMMA
Se dice que una variable aleatoria absolutamente continua X sigue una distribución
Gamma de parámetros α y λ , si la v.a. X describe el tiempo transcurrido hasta el
α - ésimo suceso de Poisson.
Una variable aleatoria Gamma de parámetros α y λ , se denota por γ (α, λ ) con
α > 0 y λ > 0 , donde el parámetro λ es el número medio de sucesos de Poisson
por unidad de tiempo.
⎧ λ α α − 1 −λ x
⎪ x e x≥0
Función de densidad: f(x) = ⎨ Γ(α ) X ∼ γ (α , λ )
⎪ x<0
⎩ 0
La función Γ(α ) se denomina función gamma de Euler y se define como la integral

impropia para todo α > 0 , dada por
∞
Γ( α ) =
∫0
x α − 1 e− x dx siendo Γ(α ) = (α − 1)! ∀α ∈ N
La esperanza matemática, varianza y desviación típica de la variable aleatoria
X ∼ γ (α , λ ) es:
α α α
μ X = E(X) = σ 2X = σX =
λ λ2 λ
La variable aleatoria gamma γ (α, λ ) describe el tiempo hasta que ocurre el suceso
α en un proceso de Poisson de intensidad λ
Esto es, la suma de α variables aleatorias independientes de distribución
exponencial con parámetro λ
La distribución exponencial es un caso particular de la distribución gamma con
parámetro α = 1:
Un estudiante busca información del sector aeronáutico en tres manuales, las
probabilidades de que esa información se encuentre en el primero, segundo o
tercer manual, respectivamente, son iguales a 0,6 , 0,7 y 0,8.
¿Cuál es la probabilidad de que la información figure sólo en dos manuales?.
Solución:
Sean A, B y C los tres sucesos en cuestión tales
que P(A) = 0,6 , P(B) = 0,7 y P(C) = 0,8 .
Cada uno de los sucesos A, B y C es
independiente con los otros dos, además los
sucesos (A ∩ B ∩ C) , (A ∩ B ∩ C) y (A ∩ B ∩ C)
son incompatibles.
P [ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C)] =
= P [ (A ∩ B ∩ C)] + P [ (A ∩ B ∩ C)] + P [ (A ∩ B ∩ C)] =
= P(A) P(B) P(C) + P(A) P(B) P(C) + P(A) P(B) P(C) =
= 0,6.0,7.0,2 + 0,6.0,3.0,8 + 0, 4.0,7.0,8 = 0, 452
Se lanzan tres monedas al aire. Sea la variable aleatoria X = "número de caras
que se obtienen". Se pide:
a) Distribución de probabilidad de X
b) Función de distribución de X y su representación gráfica.
c) Media, varianza y desviación típica de X
d) Probabilidad de que salgan a lo sumo dos caras
e) Probabilidad de que salgan al menos dos caras
Solución:
a) Espacio muestral:
Ω = { (c,c,c), (c,c,e), (c,e,c), (e,c,c),(c,e,e), (e,c,e), (e,e,c), (e,e,e) }
siendo X = "número de caras que se obtienen", se tiene:
X(c,c,c) = 3 P(X = 3) = 1 8
X(c,c,e) = X(c,e,c) = X(e,c,c) = 2 P(X = 2) = 3 8
X(c,e,e) = X(e,c,e) = X(e,e,c) = 1 P(X = 1) = 3 8
X(e,e,e) = 0 P (X = 0) = 1 8
La distribución de probabilidad es, en consecuencia,
X = xi P(X = xi ) xi . P(X = xi ) x2i x2i . P(X = xi )
0 1 8 0 0 0
1 3 8 38 1 38
2 3 8 68 4 12 8
3 1 8 38 9 98
1 12 8 24 8
b) La función de distribución F(x) = P(X ≤ x) = ∑ P(X = x )

xi ≤ x
i
x<0 F(x) = P(X ≤ x) = P(φ) = 0

0≤ x<1 F(x) = P(X ≤ x) = P(X = 0) = 1 8
1≤x<2 F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) = 4 8
2≤x<3 F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) + P(X = 2) = 7 8
x≥3 F(x) = P(X ≤ x) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) = 1
Gráficamente:
⎧0 x<0
⎪1 8 0≤ x<1
⎪⎪
F(x) = ⎨ 4 8 1≤x<2
⎪7 8 2≤x<3
⎪
⎪⎩ 1 x≥3
∑
12
c) Media μ x = E(X) = xi . P(X = xi ) = = 1,5
i=1
8
Varianza
4
∑ x . P(X = x ) − (μ )
24
σ = E(X − μ x ) = E(X ) − (μ x ) =
2
x
2 2 2 2
i i x
2
= − (1,5)2 = 0,75
i=1
8
Desviación típica σ x = 0,75 = 0,87
1 3 3 7
d) P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = + + =
8 8 8 8
7
También P(X ≤ 2) = F(2) =
8
3 1 4 1
e) P(X ≥ 2) = P(X = 2) + P(X = 3) = + = =
8 8 8 2
4 1
También P(X ≥ 2) = 1 − P(X < 2) = 1 − F(1) = 1 − =
8 2
La variable discreta X tiene como distribución de probabilidad
X 1 2 3 4
P(X = xi ) 0,30 0,25 0,10 0,35
Se realiza un cambio de origen hacia la izquierda de dos unidades y un cambio de
escala de 3 unidades. Se pide:
a) Media y varianza de la X
b) Media, varianza y coeficiente de variación de la variable transformada por el
cambio de origen
c) Media, varianza y coeficiente de variación de la variable transformada por el
cambio de escala
d) Media, varianza y coeficiente de variación de la variable transformada por el
cambio de origen y escala
Solución:
a)
X = xi P(X = xi ) = pi xi . pi x2i x2i . pi

x1 = 1 0,30 0,30 1 0,30
x2 = 2 0,25 0,50 4 1,00
x3 = 3 0,10 0,30 9 0,90
x4 = 4 0,35 1,40 16 5,60
1 2,5 7,8
4 4
Media: α1 = μ X = E(X) = ∑ x . P(X = x ) = ∑ x . p = 2,5

i=1
i i
i=1
i i
4 4
α2 = E(X ) =
2
∑ x . P(X = x ) = ∑ x . p = 7,8
i=1
2
i i
i=1
2
i i
Varianza: σ 2x = α2 − α12 = 7,8 − 2,52 = 1,55
Desviación típica: σ X = 1,55 = 1,245
σ X 1,245
Coeficiente de variación: CVX = = = 0,498
μX 2,5
b) Sea Y la variable transformada, al realizar un cambio de origen hacia la izquierda
de dos unidades hay que restar 2, quedando: Y = X − 0rigen = X − (−2) = X + 2 .
Media: μ Y = E(Y) = E [ X + 2 ] = E(X + 2) = E(X) + 2 μ Y = E(Y) = 2,5 + 2 = 4,5
Varianza: σ 2Y = Var [ X + 2 ] = Var(X) + Var(2) = σ 2X + 0 = σ 2X σ 2Y = 1,55
Desviación típica: σ Y = 1,55 = 1,245
σY σX 1,245
Coeficiente de variación: CVY = = = = 0,28 ≠ CVx
μY μX + 2 4,5
En consecuencia, el cambio de origen afecta a la media y, en consecuencia, al
coeficiente de variación.
X
c) Al realizar un cambio de escala de 3 unidades, la variable transformada es Y =
3
⎡X⎤ 1 1 2,5
Media: μ Y = E(Y) = E ⎢ ⎥ = . E(X) μY = . μX =
⎣3⎦ 3 3 3
⎡X⎤ 1 1 1 1,55
Varianza: σ 2Y = Var ⎢ ⎥ = .Var(X) = . σ 2X σ 2Y = . 1,55 =
⎣3⎦ 9 9 9 9
1,55 1 1
Desviación típica: σ Y = = . 1,55 = . σ X
9 3 3
1
σY 3 . σX σX
Coeficiente de variación: CVY = = = = CVX = 0,498
μY 1 . μ μX
X
3
El cambio de escala afecta a la media y a la desviación típica de la misma forma, en
consecuencia deja invariante al coeficiente de variación.
X
Resultados que se observan en la tabla, donde Y =
3
Y = yj P(Y = y j ) = p j yj . pj y2j y2j . p j
y1 = 1 3 0,30 0,1 19 0,3 9
y2 = 2 3 0,25 0,5 3 4 9 19
y3 = 1 0,10 0,1 1 0,1
y4 = 4 3 0,35 1,4 3 16 9 5,6 9
1 2,5 3 7,8 9
4 4
∑ y .P(Y = y ) = ∑ y . p =
2,5 1
Media: α1 = μ Y = E(Y) = j j j j = . μX
j=1 j=1
3 3
4 4
∑ y .P(Y = y ) = ∑ y . p =
7,8 1
α2 = E(Y2 ) = 2
j j
2
j j = . E(Y2 )
j=1 j=1
9 9
2
7,8 ⎛ 2,5 ⎞ 1 2 1,55
Varianza: σ = α2 − α =
2
Y
2
1 −⎜ ⎟ = . σX =
9 ⎝ 3 ⎠ 9 9
1,55 1 1
9 3 3
1
σY 3 . σX σX
Coeficiente de variación: CVY = = = = CVX = 0,498
μY 1 .μ μX
3 X
d) Al realizar simultáneamente un cambio de origen de 2 unidades a la izquierda y
X+2
un cambio de escala de 3 unidades, la variable transformada es Y =
3
⎡X + 2⎤ 1 1 2 1 2 4,5
Media: μ Y = E(Y) = E ⎢ = . E(X + 2) = . E(X) + = . 2,5 + = = 1,5
⎣ 3 ⎥⎦ 3 3 3 3 3 3
⎡X + 2⎤ 1 1 1
Varianza: σ 2Y = Var(Y) = Var ⎢ ⎥ = .Var(X + 2) = .Var(X) = . σ 2X
⎣ 3 ⎦ 9 9 9
1,55 1 1
9 3 3
1
σY . σX σX 1,245
Coeficiente de variación: CVY = = 3 = = = 0,28 ≠ CVx
μY 1 . μ + 2 μX + 2 4,5
3 X 3
El cambio de origen y de escala afecta a la media y desviación típica de distinta
forma, en consecuencia también queda afectado el coeficiente de variación.
Una empresa de transportes está analizando el número de veces que falla la
máquina expendedora de billetes. Dicha variable tiene como función de cuantía:
P(X = xi ) = 0,7 ⋅ 0,3 xi xi = 0, 1, 2,
a) ¿Cuál es la probabilidad de que un día la máquina no falle?
b) ¿Cuál es la probabilidad de que un día falle menos de 4 veces?
c) ¿Cuál es la probabilidad de que falle 5 veces?
Solución:
a) P(X = 0) = 0,7 ⋅ 0,30 = 0,7
b) P(X < 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =

= 0,7 ⋅ 0,30 + 0,7 ⋅ 0,31 + 0,7 ⋅ 0,32 + 0,7 ⋅ 0,33 =

= 0,7 ⋅ ( 0,30 + 0,31 + 0,32 + 0,33 ) = 0,9919
a1 − an . r
Considerando la suma de una progresión geométrica Sn =
1−r
1 − 0,3n−1 . 0,3
P(X ≤ n) = 0,7 ⋅ ( 0,30 + 0,31 + 0,32 + 0,33 + + 0,3n ) = 0,7 . =
1 − 0,3
1 − 0,3 n
= 0,7 . = 1 − 0,3n
0,7
P(X < 4) = 1 − 0,34 = 0,9919
c) P(X = 5) = 0,7 ⋅ 0,35 = 0,001701
En una región se cobra a los visitantes de los parques naturales, estimando que
la variable aleatoria número de personas que visitan el parque en coche sigue la
siguiente distribución:
xi 1 2 3 4 5
P(X = x i ) 0,15 0,2 0,35 0,2 0,1
a) Hallar el número medio de visitantes por vehículos
b) Hallar cuánto debe pagar cada visitante para que la ganancia por coche sea 2
euros.
c) Si cada persona paga p euros, ¿cuál es la ganancia esperada en un día en que
entran mil vehículos?
Solución:
a) X = "Número de personas que visitan el parque en coche"
5
E(X) = ∑ x P(X = x ) = 1 0,15 + 2

i=1
i i x x 0,2 + 3 x 0,35 + 4 x 0,2 + 5 x 0,1 =
= 2,9 visitante/vehículo
b) Sea la variable aleatoria Y = "Ganancia por coche"
2
E(Y) = E(pX) = pE(X) = p x 2,9 = 2 p= = 0,689
2,9
c) Sea la variable aleatoria U = "Ganancia de un día"
Precio Número de Número personas
visitante vehículos por vehículo
U= p x c x X
Ganancia esperada día: E(U) = E(pc X) = pc E(X) = p x 1000 x 2,9 = 2 = 2900 p
Sí p = 0,689 la ganancia esperada en un día será: 2900 x 0,689 = 1998,1 euros.
Una empresa de mensajería sabe que en condiciones normales un paquete es
entregado en plazo el 90% de las veces, aunque si hay sobrecarga de trabajo (que
ocurre un 5% de las veces) el porcentaje de retrasos se eleva al 30%.
a) Cuál es la probabilidad de que un paquete llegue en plazo a su destino.
b) Sabiendo que se ha recibido una queja por retraso en el envío, el mensajero
afectado aduce que ese día hubo sobrecarga de trabajo, aunque realmente no
recuerda bien que sucedió. ¿Qué probabilidad hay de qué efectivamente esté en lo
cierto?.
Solución:
Sean los sucesos:
E = "Entrega a tiempo del paquete"
S = "Hay sobrecarga de trabajo"
a) P(E) = P(S) X P(E / S) + P(S) X P(E/ S) = 0,05 X 0,7 + 0,95 X 0,9 = 0,89
P(S∩ E) 0,05 X 0,3

b) P(S/ E) = = = 0,136
P(E) 1 − 0,89
Se desea conocer el número de automóviles que se deben poner a la venta
durante un periodo determinado para que se satisfaga una demanda media de 300
unidades con una desviación típica de 100 unidades, con una probabilidad no
inferior al 75%.
Solución:
Sea la variable aleatoria X = "número de automóviles a la venta", con μ = 300 y
σ = 100
Por la desigualdad de Chebychev:
σ2 σ2
P ⎡⎣ X − μ x ≤ k ⎤⎦ ≥ 1 − 2 ⎯⎯
→ P ⎣⎡ μ x − k ≤ X ≤ μ x + k ⎤⎦ ≥ 1 − 2
k k
0,75
100 2
P ⎣⎡ 300 − k ≤ X ≤ 300 + k ⎦⎤ ≥ 1 −
k2
100 2 100 2
0,75 = 1 − 2 k= = 200 300 + k = 300 + 200 = 500 automóviles
k 0,25
En un cine de verano hay instaladas 800 sillas, sabiendo que el número de
asistentes es una variable aleatoria de media 600 y desviación típica 100.
¿Qué probabilidad existe de que el número de personas que vaya al cine un día
cualquiera sea superior al número de sillas instaladas?
Solución:
Sea la variable aleatoria X = "número de sillas del cine", donde μ = 600 , σ = 100
σ2
P [ X > 800 ] < P ⎡⎣ X − μ x > k ⎤⎦ ≤ 2
k
μ x + k = 800 k = 800 − 600 = 200
100 2 1
P [ X > 800 ] ≤ = = 0,25
200 2 4
La demanda media de un producto es de 100 unidades con una desviación típica
de 40 unidades. Calcular la cantidad del producto que se debe tener a la venta para
satisfacer la demanda de forma que puedan ser atendidos al menos el 80% de los
clientes.
Solución:
Sea la variable aleatoria X = "demanda de un producto", con μ = 100 y σ = 40

σ2 σ2
P ⎡⎣ X − μ x ≤ k ⎤⎦ ≥ 1 − 2 ⎯⎯
→ P ⎡⎣ μ x − k ≤ X ≤ μ x + k ⎤⎦ ≥ 1 − 2
k k
0,80
40 2
P ⎡⎣ 100 − k ≤ X ≤ 100 + k ⎤⎦ ≥ 1 − 2
k
40 2 40 2
0,80 = 1 − 2 k= = 89,44 . Se deben poner a la venta 90 unidades.
k 0,20
La función de densidad de una variable aleatoria es:
⎧ ax 2 + b 0 < x < 2 ⎡1 ⎤
f(x) = ⎨ sabiendo que P ⎢ < x < 1⎥ = 0,1666 . Determinar a
⎩ 0 en el resto ⎣2 ⎦
y b.
Solución:
Hay que calcular dos parámetros (a y b), por lo que se necesitan dos ecuaciones:
• Por ser función de densidad:
2
∫ f(x) dx = ∫
⎡ x3 ⎤
2 2
8a
1 = (ax + b) dx = ⎢ a + bx ⎥ =
2
+ 2b 8a + 6b = 3
0 0 ⎣ 3 ⎦0 3
1
⎡ x3 ⎤
∫ ∫
1 1
⎡1 ⎤
• P ⎢ ≤ x ≤ 1⎥ = f(x) dx = (ax + b) dx = ⎢ a + bx ⎥ = 0,1666 ,
2
⎣2 ⎦ 1/2 1/2 ⎣ 3 ⎦ 1/2

con lo que:
1
⎡ x3 ⎤ ⎡a ⎤ ⎡ a b ⎤ 7a b
⎢ a + bx ⎥ = ⎢ + b ⎥ − ⎢ + ⎥= + = 0,1666 7a + 12b ≈ 4
⎣ 3 ⎦ 1/2 ⎣ 3 ⎦ ⎣ 24 2 ⎦ 24 2
en consecuencia,
⎧ 2
8a + 6b = 3 ⎫ 16a + 12b = 6 ⎫ ⎪⎪ a = 9 = 0,22
⎬ ⎬ → ⎨
7a + 12b = 4 ⎭ 7a + 12b = 4 ⎭ ⎪6b = 3 − 16 = 11 11
b= = 0,20
⎪⎩ 9 9 54
La variable X ="número de centímetros a que un dardo queda del centro de la
diana" al ser tirado por una persona tiene como función de densidad:
⎧ k 0 < x < 10
f(x) = ⎨
⎩ 0 en otros casos
Se pide:
a) Hallar k para que f(x) sea función de densidad. Representarla
b) Hallar la función de distribución. Representarla
c) Media, varianza y desviación típica
d) P(X ≤ 1)
e) Probabilidad de acertar en la diana
Solución:
a) Para que f(x) sea función de densidad debe verificar:
∞ 0 10 ∞ 10
1= ∫ −∞
f(x)dx = ∫ −∞
f(x)dx + ∫ 0
f(x)dx + ∫ 10
f(x)dx = ∫ 0
f(x)dx
La primera y tercera integral son cero al ser f(x) = 0 en esos intervalos.

10 10 1
∫ ∫ dx = 10 [ x]0 = 10k
10
1= k dx = k k=
0 0 10
⎧1
⎪ 0 < x < 10
En consecuencia, f(x) = ⎨ 10
⎪⎩ 0 en otros casos
∫
x
b) La función de distribución se define F(x) = f(t)dt
−∞
∫
x
x<0 F(x) = f(t)dt = 0

−∞
∫ ∫ ∫ ∫
x 0 x x
1 x
0 ≤ x ≤ 10 F(x) = f(t)dt = f(t)dt + f(t)dt = dt =
−∞ −∞ 0 0 10 10
∫ ∫ ∫ ∫ ∫
x 0 10 x 10
1
x > 10 F(x) = f(t)dt = f(t)dt + f(t)dt + f(t)dt = dt = 1
−∞ −∞ 0 10 0 10
En consecuencia,
⎧ 0 x<0
⎪x
⎪
F(x) = ⎨ 0 ≤ x ≤ 10
⎪ 10
⎪⎩ 1 x > 10
c) Media
∞ 10
1 ⎡ x2 ⎤
∫ ∫ ∫
10 10
1 1
α1 = μ X = E(X) = x f(x)dx = x . . dx = x dx = = 5cm
−∞ 0 10 10 0 10 ⎢⎣ 2 ⎥⎦ 0
Varianza: σ 2X = α2 − α12
∞ 10
1 ⎡ x3 ⎤
∫ ∫ ∫
10 10
1 1
α2 = E(X ) = 2
x f(x)dx =
2
x . . dx =
2
x dx = 2
=
−∞ 0 10 10 0 10 ⎢⎣ 3 ⎥⎦ 0
1 ⎡ 1000 ⎤ 100
= ⎢ − 0⎥ =
10 ⎣ 3 ⎦ 3
100 2 25
σ 2X = α2 − α12 = −5 = cm2
3 3
25
Desviación típica: σ X = = 2,9 cm
3
1
d) P(X ≤ 1) = F(1) =
10
∫ ∫
1 1
1 1 1 1
[ x ]0 =
1
O también, P(X ≤ 1) = dx = dx =
0 10 10 0 10 10
e) Probabilidad de acertar en la diana: P(X = 0) = 0 por ser una variable continua
∫ ∫ ∫ dx = 0
0 0 0
1 1
P(0 ≤ X ≤ 0) = f(x)dx = dx =
0 0 10 10 0
Se ha verificado que la variable X ="peso en kilos de los niños al nacer" es una
variable aleatoria continua con función de densidad
⎧k x 2 ≤ x ≤ 4
f(x) = ⎨
⎩ 0 en otros casos
Se pide:
a) Hallar k para que f(x) sea función de densidad. Representarla
b) Hallar la función de distribución. Representarla
c) Media, varianza y desviación típica
d) Probabilidad de que un niño elegido al azar pese más de 3 kilos
e) Probabilidad de que pese entre 2 y 3,5 kilos
f) Qué debe pesar un niño para tener un peso igual o inferior al 90% de los niños
Solución:
a) Para que f(x) sea función de densidad debe verificar:
∞ 2 4 ∞ 4
1= ∫ −∞
f(x)dx = ∫ −∞
f(x)dx + ∫ 2
f(x)dx + ∫ 4
f(x)dx = ∫ 2
f(x)dx
4
⎡ x2 ⎤
∫ ∫ ∫
⎡ 16 4 ⎤
4 4 4
1
1= f(x)dx = k xdx = k xdx = k ⎢ ⎥ = k ⎢ − ⎥ = 6k k=
2 2 2 ⎣ 2 ⎦2 ⎣ 2 2⎦ 6
⎧x
⎪ 2≤x≤4
f(x) = ⎨ 6
⎪⎩ 0 en otros casos
∫
x
−∞
∫
x
x<2 F(x) = f(t)dt = 0

−∞
x
⎡ t 2 ⎤ 1 ⎡ x 2 − 4 ⎤ x2 − 4
∫ ∫ f(t)dt = ∫
x x x
t 1
2≤x≤4 F(x) = f(t)dt = dt = ⎢ 2 ⎥ = 6 ⎢ 2 ⎥ = 12
−∞ 2 2 6 6 ⎣ ⎦2 ⎣ ⎦
4
⎡ t2 ⎤ 1 ⎡ 16 − 4 ⎤
∫ ∫ f(t)dt + ∫ f(t)dt = ∫
x 4 x 4
t 1
x>4 F(x) = f(t)dt = dt = ⎢2 ⎥ = 6 ⎢ 2 ⎥=1
−∞ 2 4 2 6 6 ⎣ ⎦2 ⎣ ⎦
⎧ 0 x<2
⎪ 2
⎪x − 4
F(x) = ⎨ 2≤x<4
⎪ 12
⎪⎩ 1 x≥4
c) Media
∞ 4
1 ⎡ x3 ⎤
∫ ∫ ∫
4 4
x 1
α1 = μ X = E(X) = x f(x)dx = x . . dx = x dx = ⎢ ⎥ =
2
−∞ 2 6 6 2 6 ⎣ 3 ⎦2
1 ⎡ 64 8 ⎤ 56
= − = = 3,1 kilos
6 ⎢⎣ 3 3 ⎥⎦ 18
Varianza: σ 2X = α2 − α12
∞ 4
1 ⎡ x4 ⎤
∫ ∫ ∫
4
x 1 4
1 ⎡ 256 16 ⎤
α2 = E(X ) =
2
x f(x)dx =
2
x . . dx =
2
x dx = ⎢ ⎥ = ⎢
3
− ⎥ = 10 kilos2
−∞ 2 6 6 2 6 ⎣ 4 ⎦2 6 ⎣ 4 4⎦
σ 2X = α2 − α12 = 10 − 3,12 = 0,39 kilos2
Desviación típica: σ X = 0,39 = 0,62 kilos
32 − 4 5 7
d) P(X > 3) = 1 − P(X ≤ 3) = 1 − F(3) = 1 − = 1− = = 0,58
12 12 12
4
1 ⎡ x2 ⎤
∫ ∫
4 4
x 1⎛ 9⎞ 7
O también, P(X > 3) = f(x) dx = dx = ⎢ ⎥ = ⎜ 8 − ⎟ = = 0,58
3 3 6 6 ⎣ 2 ⎦3 6 ⎝ 2 ⎠ 12
3,52 − 4
e) P(2 ≤ X ≤ 3,5) = F(3,5) − F(2) = − 0 = 0,6875
12
3,5
1 ⎡ x2 ⎤
∫ ∫
3,5 3,5
x 1 ⎛ 12,25 4 ⎞ 8,25
P(2 ≤ X ≤ 3,5) = f(x) dx = dx = ⎢ ⎥ = ⎜ − ⎟= = 0,6875
2 2 6 6 ⎣ 2 ⎦2 6⎝ 2 2 ⎠ 12
f) Sea k el peso del niño, se tiene:
k2 − 4
F(k) = P(X ≤ k) = 0,9 ⎯⎯
→ = 0,9 ⇒ k2 − 4 = 10,8 ⇒ k2 = 14,8
12
k = 14,8 = 3,85 , es decir, el niño debe pesar 3,85 kilos para tener para tener al

90% de los niños con un peso igual o inferior.
Sea X una variable aleatoria continua con función de densidad tal que
⎧ 8
⎪ 2 1≤ x ≤ 8
f(x) = ⎨ 7 x
⎪ 0 otro caso
⎩
a) Calcular el primer y tercer cuartil, el decil 7 y el percentil 85
b) Calcular la mediana y moda
Solución:
a) Función de distribución:
x
8 ⎡ 1 ⎤ 8(x − 1)
∫ ∫
x x
8
F(x) = P [ X ≤ x ] = f(t)dt = dt = − ⎢ ⎥ = 1≤ x ≤ 8
−∞ 1 7 t2 7 ⎣ t ⎦1 7x
sustituyendo, queda:
1 8(Q 1 − 1) 32
F(Q 1 ) = = 7Q 1 = 32(Q 1 − 1) Q1 = = 1,28 Q 1 = P25 = 1,2
4 7Q 1 25
3 8(Q 3 − 1) 32
F(Q 3 ) = = 21Q 3 = 32(Q 3 − 1) Q3 = = 2,91 Q 3 = D5 = P75 = 2,91
4 7Q 3 11
7 8(D7 − 1) 80
F(D7 ) = = 49D7 = 80(D7 − 1) D7 = = 2,58
10 7D7 31
85 8(P85 − 1) 800
F(P85 ) = = 595P85 = 800(P85 − 1) P85 = = 3,90
100 7P85 205
b) Me = Q 2 = D5 = P50
1 8(Me − 1) 16
F(Me ) = = 7Me = 16(Me − 1) Me = = 1,78
2 7Me 9
La Moda Md se obtiene calculando el máximo de la función de densidad:
8 16
f(x) = f'(x) = − <0 La función es decreciente
7 x2 7 x3
De forma que f(1) ≥ f(x) ≥ f(8) , con lo que Md = 1
Dada la función f(x) = e −2x
a) Comprobar si puede ser función de densidad de una variable aleatoria X cuando
su campo de variación es el intervalo x ≥ 0
b) En caso de que no lo pueda ser, qué modificaciones habría que introducir para
que lo fuera.
Solución:
a) Para que sea función de densidad, debe cumplir dos condiciones en el campo de
variación de la variable aleatoria:
y f(x) no puede ser negativa
y La integral de f(x) en el campo de variación es 1
f(x) = e −2 x ≥ 0 L e −2x ≥ L 0 ⇒ − 2 x > − ∞ ⇒ x < ∞ es positiva

∞ ∞
∫ −2 x ⎡ 1 ⎤ ⎡ 1⎤ 1
e dx = ⎢ − e −2 x ⎥ = ⎢ 0 + ⎥ = ≠ 1 .
0 ⎣ 2 ⎦0 ⎣ 2⎦ 2
No se cumple, luego la función dada no es de densidad en el intervalo.
b) Para que sea función de densidad, se define f(x) = k e −2x
Una variable aleatoria continua X tiene por función de densidad
⎧1 − x 0 ≤ x < 1
⎪
f(x) = ⎨ x − 1 1 ≤ x ≤ 2
⎪ 0 otros casos
⎩
Se pide:
a) Representa la función de densidad
b) Hallar la función de distribución y su gráfica
⎛1 ⎞
c) P(0 ≤ X ≤ 1) P(−2 ≤ X ≤ 2) P⎜ ≤ X < ∞ ⎟
⎝2 ⎠
Solución:
a) Se observa que el área encerrada
es igual a la unidad
∫
x
−∞
∫ ∫ 0dt = 0
x x
x<0 F(x) = f(t)dt =

−∞ −∞
x
⎡ t ⎤
∫ ∫ ∫
0 x x 2 2
x
0≤x<1 F(x) = f(t)dt + f(t)dt = (1 − t)dt = ⎢ t − ⎥ = x −
−∞ 0 0 ⎣ 2⎦ 2 0
∫ ∫ ∫ ∫ ∫
0 1 x 1 x
F(x) = f(t)dt + f(t)dt + f(t)dt = (1 − t)dt + (t − 1)dt =
−∞ 0 1 0 1
1≤ x<2 1 x
⎡ t2 ⎤ ⎡ t2 ⎤ ⎛ 1 ⎞ ⎡⎛ x 2 ⎞ ⎛1 ⎞⎤ x
2
= ⎢ t − ⎥ + ⎢ − t ⎥ = ⎜ 1 − ⎟ + ⎢⎜ − x ⎟ − ⎜ − 1 ⎟ ⎥ = − x + 1
⎣ 2 ⎦0 ⎣ 2 ⎦1 ⎝ 2 ⎠ ⎣⎝ 2 ⎠ ⎝2 ⎠⎦ 2
1 2
⎡ t 2 ⎤ ⎡ t2 ⎤
∫ ∫
1 2
x≥2 F(x) = (1 − t)dt + (t − 1)dt = ⎢ t − ⎥ + ⎢ − t ⎥ = 1

0 1 ⎣ 2 ⎦0 ⎣ 2 ⎦1
⎧ 0 x<0
⎪ 2
⎪ x− x 0≤x<1
⎪ 2
F(x) = ⎨ 2
⎪x − x +1 1≤ x ≤ 2
⎪2
⎪ 1 x>2
⎩
⎛1 ⎞ 1
c) P(0 ≤ X ≤ 1) = F(1) − F(0) = ⎜ − 1 + 1 ⎟ − 0 =
⎝2 ⎠ 2
⎛4 ⎞
P(− 2 ≤ X ≤ 2) = F(2) − F(− 2) = ⎜ − 2 + 1 ⎟ − 0 = 1
⎝2 ⎠
⎛1 ⎞ ⎛1⎞ ⎛1 1 4⎞ 5
P ⎜ ≤ X < ∞ ⎟ = F(∞) − F ⎜ ⎟ = 1 − ⎜ − ⎟= 8
⎝ 2 ⎠ ⎝ ⎠
2 ⎝ 2 2 ⎠
Una variable aleatoria continua X tiene por función de distribución:
⎧ 0 x<0
⎪ 2
⎪ x 0≤x≤1
⎪ 2
F(x) = ⎨ 2
⎪2x − x − 1 1 < x ≤ 2
⎪ 2
⎪ 1 x>2
⎩
Se pide:
a) Hallar la función de distribución y representarla
b) Media, varianza, desviación típica y coeficiente de variación
⎛1 3⎞
c) P ⎜ < X ≤ ⎟
⎝2 2⎠
Solución:
a) La función de densidad es la derivada de la función de distribución en los puntos
donde exista la derivada, entonces:
⎧0 x<0
⎪x 0≤x≤1
dF(x) ⎪
f(x) = =⎨
dx ⎪2 − x 1 < x ≤ 2
⎪⎩ 0 x>2
⎧ x 0≤x≤1
⎪
f(x) = ⎨2 − x 1 < x ≤ 2
⎪ 0 otrosvalores
⎩
b) Media
∞
∫ ∫ ∫ ∫ ∫
1 2 1 2
α1 = μ X = E(X) = x f(x)dx = x.x. dx + x.(2 − x). dx = x dx +
2
(2x − x 2 ).dx =
−∞ 0 1 0 1
1 2
⎡ x3 ⎤ ⎡ 2 x3 ⎤ 1 ⎛ 8⎞ ⎛ 1⎞
= ⎢ ⎥ + ⎢ x − ⎥ = + ⎜ 4 − ⎟ − ⎜ 1 − ⎟ = 1
⎣ 3 ⎦0 ⎣ 3 ⎦1 3 ⎝ 3⎠ ⎝ 3⎠
Varianza: σ 2x = α 2 − α12
∞
∫ ∫ ∫ ∫ ∫
1 2 1 2
α2 = E(X ) =
2
x f(x)dx =
2
x .x. dx +
2
x .(2 − x). dx =
2
x dx +
3
(2x 2 − x 3 ).dx =
−∞ 0 1 0 1
1 2
⎡ x 4 ⎤ ⎡ 2x 3 x 4 ⎤ 1 ⎛ 16 16 ⎞ ⎛ 2 1 ⎞ 14 7
= ⎢ ⎥ + ⎢ − ⎥ = +⎜ − ⎟−⎜ − ⎟= =
⎣ 4 ⎦o ⎣ 3 4 ⎦1 4 ⎝ 3 4 ⎠ ⎝ 3 4 ⎠ 12 6
7 2 1
σ 2x = α 2 − α12 = −1 =
6 6
1
Desviación típica: σ x = = 0,41
6
σ x 0,41
Coeficiente variación: CVx = = = 0,41
μx 1
⎛1 3 ⎞ ⎛ 3 ⎞ ⎛ 1 ⎞ ⎛ 3 (3 2)2 ⎞ ⎛ (1 2)2 ⎞
c) P ⎜ < X ≤ ⎟ = F ⎜ ⎟ − F ⎜ ⎟ = ⎜ 2. − − 1⎟ − ⎜ ⎟=
⎝2 2⎠ ⎝2⎠ ⎝2⎠ ⎝ 2 2 ⎠ ⎝ 2 ⎠
9 1 3
= 3 − − 1 − = = 0,75
8 8 4
Una variable aleatoria continua X tiene por función de distribución:
⎧ 0 x<1
⎪
F(x) = ⎨ x − 1 1 ≤ x < 2
⎪ 1 x≥2
⎩
a) Calcular la función de densidad o función de cuantía
b) Calcular la media, mediana y coeficiente de variación
Solución:
a) La función de densidad o función de cuantía es la derivada de la función de
distribución en los puntos donde exista la derivada, entonces:
⎧0 x<1
dF(x) ⎪ ⎧1 1 ≤ x < 2
f(x) = = ⎨1 1 ≤ x < 2 ⎯⎯
→ f(x) = ⎨
dx ⎪0 x≥2 ⎩ 0 en otro caso
⎩
2
∞
⎡ x2 ⎤
∫ ∫
2
1 3
b) Media: α1 = μ x = E(X) = x f(x)dx = x dx = ⎢ ⎥ = 2 − = = 1,5
−∞ 1 ⎣ 2 ⎦1 2 2
y La Mediana de una distribución es el valor que deja el 50% de la distribución a la
derecha y el otro 50% a la izquierda, por lo que:
⎧ F(Me ) = 0,5 ⇒ Me − 1 = 0,5 ⇒ Me = 1,5

⎪
⎪
⎨
∫ ∫
Me Me
⎪ f(x) = 0,5 ⇒ dx = 0,5 ⇒ [ x ]1 e = 0,5 ⇒ Me − 1 = 0,5 ⇒ Me = 1,5
M
⎪⎩ 1 1
y Coeficiente de variación:
2
∞
⎡ x3 ⎤
∫ ∫
2
8 1 7
α2 = E(X ) = 2
x f(x)dx =
2
x dx = ⎢ ⎥ = − =
2
−∞ 1 ⎣ 3 ⎦1 3 3 3
2
7 ⎛3⎞ 7 9 1 1
σ = α2 − α = − ⎜ ⎟ = − =
2
x
2
1 → σx = = 0,08
3 ⎝ 2 ⎠ 3 4 12 12
σ x 0,08
CVx = = = 0,05
μx 1,5
Una variable aleatoria continua X tiene por función de densidad
⎧k x(2 − x) 0<x<2
f(x) = ⎨
⎩ 0 otros casos
Se pide:
a) P(a < x < b) si 0 < a < b < 2
b) P(a < x < b) si a < 0 < 2 < b
Solución:
a) La función de densidad o función de cuantía debe verificar:
2
⎡ 2 x3 ⎤
∫ k x(2 − x) dx = k∫ ∫
2 2 2
1= x(2 − x) dx = k (2x − x ) dx = k ⎢ x − ⎥
2
0 0 0 ⎣ 3 ⎦0
⎧3
⎡ 8⎤ 3 ⎪ x(2 − x) 0<x<2
k ⎢4 − ⎥ = 1 k= ⇒ f(x) = ⎨ 4
⎣ 3⎦ 4 ⎪⎩ 0 otros casos
b
3⎡ x3 ⎤ 3(b2 − a2 ) − (b3 − a3 )
∫
b
3
Si 0 < a < b < 2 P(a < x < b) = x(2 − x)dx = ⎢ x 2 − ⎥ =
a 4 4⎣ 3 ⎦a 4
∫ ∫ x(2 − x) dx + ∫ 0dx = 1
0 2 b
3
b) Si a < 0 < 2 < b P(a < x < b) = 0dx +
a 4 0 2
La función de distribución asociada a la producción de una máquina, en miles de
unidades, es del tipo:
⎧ 0 x<0
⎪
F(x) = ⎨ x(2 − x) 0 ≤ x ≤ k
⎪ 1 x>k
⎩
a) Determinar k para que sea función de distribución
b) Hallar la función de densidad
c) Calcular la media, mediana, moda y varianza de la producción
d) Hallar P(X < 0,5) y P(X > 0,25)
e) Función de densidad y de distribución de la variable aleatoria continua
Y = 6X − 3
Solución:
a) Para que sea función de distribución se debe verificar:
1 = lim+ F(x) = lim− F(x) lim− x(x − 2) = k(k − 2) = 1 k2 − 2k + 1 = 0 ⇒ k = 1

x→ k x→ k x→ k
⎧ 0 x<0
⎪
En consecuencia, la función de distribución es: F(x) = ⎨ x(2 − x) 0 ≤ x ≤ 1
⎪ 1 x>1
⎩
b) La función de densidad o función de cuantía es la derivada de la función de
distribución en los puntos donde exista la derivada.
⎧ 0 x<0
dF(x) ⎪ ⎧2 − 2 x 0 ≤ x ≤ 1
f(x) = = ⎨2 − 2 x 0 ≤ x ≤ 1 ⎯⎯
→ f(x) = ⎨
dx ⎪ 0 x>1 ⎩ 0 en otro caso
⎩
∫ ∫ ∫
1 1
c) Media: α1 = μ X = E(X) = x f(x)dx = x (2 − 2 x)dx = (2 x − 2 x2 )dx =
−∞ 0 0
1
⎡ 2 2 x3 ⎤ 2 1
= ⎢ x − = 1 − =
⎣ 3 ⎥⎦ 0 3 3
Para calcular la Moda hay que ver el valor que hace mínima la función de densidad
o de cuantía, es decir:
⎧2 − 2 x 0 ≤ x ≤ 1 ⎧ −2 0 ≤ x ≤ 1
f(x) = ⎨ f '(x) = ⎨
⎩ 0 en otro caso ⎩ 0 en otro caso
La derivada de la función de cuantía es f '(x) = −2 < 0 , por lo que se trata de una

función decreciente y toma el valor máximo en el extremo superior del intervalo
⎡⎣0, 1 ⎤⎦ , por tanto la moda Md = 0
La Mediana de una distribución es el valor que deja el 50% de la distribución a la
derecha y el otro 50% a la izquierda, por lo que:
F(Me ) = 0,5 ⇒ Me ( 2 − Me ) = 0,5 ⇒ M2e − 2Me + 0,5 = 0 ⇒ 2M2e − 4Me + 1 = 0
4 ± 16 − 8 4 ± 2 2 2
2M2e − 4Me + 1 = 0 Me = = =1±
4 4 2
De las dos soluciones se rechaza aquella que es mayor que 1, por lo que la Mediana
es
2
Me = 1 −
2
Varianza de la producción: σ 2X = α2 − α12
∞ 1
⎡ 2 x3 x 4 ⎤
∫ ∫
1
2 1 1
α2 = E(X ) =
2
x f(x)dx =
2
x (2 − 2 x)dx = ⎢
2
− ⎥ = − =
−∞ 0 ⎣ 3 2 ⎦0 3 2 6
2
1 ⎛1⎞ 1
σ 2X = α2 − α12 = −⎜ ⎟ =
6 ⎝ 3 ⎠ 18
⎧ 0 x<0
⎪
d) Función de distribución F(x) = ⎨ x(2 − x) 0 ≤ x ≤ 1
⎪ 1 x>1
⎩
P(X < 0,5) = P(X ≤ 0,5) = F(0,5) = 0,5(2 − 0,5) = 0,75
P(X > 0,25) = 1 − P(X ≤ 0,25) = 1 − F(0,25) = 1 − 0,25(2 − 0,25) = 0,5625
⎧2 − 2 x 0 ≤ x ≤ 1
Mediante la función de cuantía f(x) = ⎨
⎩ 0 en otro caso
∫ ∫
0 ,5 0 ,5
0 ,5
P(X < 0,5) = f(x)dx = (2 − 2 x)dx = ⎡⎣2 x − x2 ⎤⎦ 0 = 1 − 0,25 = 0,75
0 0
∫ ∫
1 1
1
P(X > 0,25) = f(x)dx = (2 − 2 x)dx = ⎡⎣2 x − x2 ⎤⎦ 0 ,25 = 1 − (0,5 − 0,0625) = 0,5625
0 ,25 0 ,25
Las puntuaciones en la Escala de Inteligencia para Adultos de Wechsler (WAIS)
siguen en una población una distribución normal de media 100 y desviación típica
16. Al extraer una muestra aleatoria simple de 25 individuos, calcular:
a) Probabilidad de que la media de esos 25 individuos sea inferior a 95
b) Probabilidad de que la media esté comprendida entre 98 y 102.
Solución:
⎛ σ ⎞ ⎛ 16 ⎞
Según el teorema de Fisher x ≈ N ⎜ μ , ⎟ → x ≈ N ⎜ 100, ⎟ ≡ N(100, 3,2)
⎝ n ⎠ ⎝ 25 ⎠
⎛ x − 100 95 − 100 ⎞
a) P(x ≤ 95) = P ⎜ ≤ = P(z ≤ −1,56) = P(z ≥ 1,56) = 0,0594
⎝ 3,2 3,2 ⎟⎠
⎛ 98 − 100 x − 100 102 − 100 ⎞
b) P(98 ≤ x ≤ 102) = P ⎜ ≤ ≤ = P(−0,62 ≤ z ≤ 0,62) =
⎝ 3,2 3,2 3,2 ⎟⎠
= P(z ≥ −0,625) − P(z ≥ 0,62) = P(z ≤ 0,62) − P(z ≥ 0,62) = 1 − P(z ≥ 0,62) − P(z ≥ 0,62) =
= 1 − 2P(z ≥ 0,62) = 0, 4648
Las puntuaciones obtenidas en la escala de Locus de Control de James por los
sujetos depresivos, siguen una distribución normal de media 90 y desviación típica
12. Si se extraen muestras aleatorias simples de 30 sujetos depresivos.
¿Por debajo de que cantidad se encontrará el 90% de las veces el valor de la
varianza de la muestra?.
Solución:
En virtud del teorema de Fisher: En el muestreo, si se toman muestras aleatorias de
media x y desviación típica σ x de una población N(μ , σ) , la variable
(n − 1)s2
χn2−1 = , donde s2 es la cuasivarianza muestral, n σ 2x = (n − 1)s2
σ 2
Las puntuaciones obtenidas siguen una distribución N(90,12)
(n − 1)s2 n σ 2x 30 σ 2x
χ 2
n− 1 = = 2 → χ 29 =
2
σ2 σ 144
De las tablas de la Chi‐cuadrado:
P(χ 229 ≤ k) = 0,9 ⇒ P(χ 229 ≥ k) = 0,1 k = 39,087 con lo cual,
⎛ 30 σ 2x ⎞ ⎛ 39,087 x 144 ⎞
≤ 39,087 ⎟ = 0,9 → P ⎜ σ 2x ≤ ⎟ = P ( σ x ≤ 187,62 ) = 0,9
2
P⎜
⎝ 144 ⎠ ⎝ 30 ⎠
El valor pedido será 187,62
Calcular la media y la varianza de una variable aleatoria t5 de Student
Solución:
n
Una variable aleatoria tn de Student tiene de media μ = 0 y varianza σ 2 =
n−2
5
La media y la varianza de una t5 de Student, respectivamente, son μ = 0 y σ 2 =
3
En una población de mujeres, las puntuaciones de un test de ansiedad‐riesgo
siguen una distribución normal N(25,10) . Al clasificar la población en cuatro grupos
de igual tamaño, ¿cuales serán las puntuaciones que delimiten estos grupos?.
Solución:
Siendo la variable aleatoria X = "Puntuaciones en un test de ansiedad‐riesgo"
Las puntuaciones que delimitan estos cuatro grupos serán el primer Q 1 , segundo
Q 2 y tercer cuartil Q 3 de la distribución.
⎛ X − 25 Q 1 − 25 ⎞ ⎛ Q 1 − 25 ⎞
P(X ≤ Q 1 ) = 0,25 P⎜ ≤ ⎟ = P⎜ z ≤ ⎟ = 0,25
⎝ 10 10 ⎠ ⎝ 10 ⎠
P ( z ≤ − 0,67 ) = 0,25 P ( z ≥ 0,67 ) = 0,25
Q 1 − 25
= −0,67 Q 1 = 25 − 0,67 x 10 = 18,3
10
En la distribución normal la media y la mediana son iguales: μ = Me = Q 2 = 25
⎛ X − 25 Q 3 − 25 ⎞ ⎛ Q 3 − 25 ⎞
P(X ≤ Q 3 ) = 0,75 P⎜ ≤ ⎟ = P⎜ z ≤ ⎟ = 0,75
⎝ 10 10 ⎠ ⎝ 10 ⎠
⎛ Q − 25 ⎞
P⎜ z ≥ 3 ⎟ = 0,25
⎝ 10 ⎠
Q 3 − 25
= 0,67 Q 3 = 25 + 0,67 x 10 = 31,7
10
Por consiguiente, el primer grupo serían las mujeres con puntuaciones inferiores o
iguales a 18,3. El segundo grupos son aquellas mujeres con puntuaciones entre 18,3
y 25. El tercer grupo son las mujeres con puntuaciones entre 25 y 31,7. El cuarto
grupo son mujeres que tengan puntuaciones superiores a 31,7.
El número de millones de metros cúbicos que tiene un embalse sigue una
distribución normal N(980,50). El consumo diario de las poblaciones que sirve es
una normal N(85, 30). Si se sabe que durante una tormenta la cantidad de agua
que se embolsa es una normal N(50, 25) .
Un día han caído dos tormentas, calcular la probabilidad de que al final del día el
agua embalsada sea menor o igual que 980 metros cúbicos.
Solución:
Agua del embalse: X1 ∼ N(μ 1 , σ 1 ) ≡ N(980,50)
Consumo diario: X 2 ∼ N(μ 2 , σ 2 ) ≡ N(85,30)
Agua una tormenta: X 3 ∼ N(μ 3 , σ 3 ) ≡ N(50,25)
⎧⎪ E(2X 3 ) = 2E[ X 3 ] = 2 x 50 = 100

Agua dos tormentas: ⎨ 2
⎪⎩ Var(2X 3 ) = 4 Var [ X 3 ] = 4 x 25
⎛ 2 2 ⎞
2X 3 ∼ N ⎜ ∑ λμ,
⎜ i= 1 i i ∑ λ 2i σ 2i ⎟ ≡ N(2 X 0 , 2 X 25)
⎟
⎝ i=1 ⎠
Agua embalse un día con dos tormentas:
⎛ 3 3 ⎞
Y = X1 − X 2 + 2X 3 siendo Y ∼ N ⎜ ∑ λ i μ i , ∑λ 2
σ 2i ⎟
⎜ i=1 i ⎟
⎝ i =1 ⎠
( )
Y ∼ N 980 − 85 + 100, 502 + 302 + 4 x 252 ≡ N(995, 76,81)
⎡ Y − 995 980 − 995 ⎤

P(Y ≤ 980) = P ⎢ ≤ = P(z ≤ −0,19) = P(z ≥ 0,19) = 2P(z ≥ 0,19) = 0, 4247
⎣ 76,81 76,81 ⎥⎦
Una maca de frutas ha observado que el peso medio de los melones en gramos
sigue una distribución normal N(1700, 100) . Hallar:
a) Probabilidad de que los melones pesen menos de 1500 gramos y más de 2000
gramos.
b) Sabiendo que son rechazados para la explotación aquellos melones que difieren
más de 300 gramos del promedio. Determinar la proporción de melones
rechazados.
Solución:
a) Sea la variable aleatoria X ="Peso de los melones en gramos", X ∼ N(1700, 100)
P [ (X < 1500) ∪ (X > 2000)] = P(X < 1500) + P(X > 2000) =
⎡ X − 1700 1500 − 1700 ⎤ ⎡ X − 1700 2000 − 1700 ⎤

= P⎢ < ⎥⎦ + P ⎢⎣ 100 > ⎥⎦ = P(z < −2) + P(z > 3) =
⎣ 100 100 100
= P(z > 2) + P(z > 3) = 0,0228 + 0,00135 = 0,02415
⎡ 1400 − 1700 X − 1700 2000 − 1700 ⎤

b) P(1400 ≤ X ≤ 2000) = P ⎢ ≤ ≤ ⎥⎦ = P(−3 ≤ z ≤ 3) =
⎣ 100 100 100
= 1 − 2P(z ≥ 3) = 1 − 2 x 0,00135 = 0,9973 melones aceptados
Melones rechazados: 2P(z ≥ 3) = 2 x 0,00135 = 0 ,0027
El error cometido en expedir tiques por una maquina en el aeropuerto sigue
una normal N(0, σ) .
a) ¿Cuál es la probabilidad de que el error cometido en valor absoluto de una
medida cualquiera sea al menos σ ?
b) ¿Cuánto valdría la probabilidad si se toma como medida la media aritmética de
10 medidas independientes?
Solución:
a) Sea la variable aleatoria X = "Expedir tiques por la maquina", X ∼ N(0, σ)
⎡ X− 0 σ − 0⎤
P[ X ≥ σ] = P ⎢ ≥ = P [ z ≥ 1] = P [ (z ≤ −1) ∪ (z ≥ 1)] = P(z ≤ −1) + P(z ≥ 1) =
⎣ σ σ ⎥⎦
= P(z ≥ 1) + P(z ≥ 1) = 2P(z ≥ 1) = 2 x 0,1587 = 0,3174
10
∑X
1
b) Sea la variable aleatoria Y = X1 + X 2 + + X10 y= i
10 i =1
⎡1 10
⎤ 1 ⎡ 10 ⎤ 1
E(y) = E ⎢
⎢⎣ 10
∑
i=1
Xi ⎥ =
⎥⎦ 10
∑
E ⎢ X i ⎥ = 10 μ = μ = 0
⎢⎣ i = 1 ⎥⎦ 10
⎡1 10
⎤ ⎡ 10 ⎤ 1 σ2
∑ ∑
1
σ = Var (y) = Var ⎢
2
y Xi ⎥ = Var ⎢ X i ⎥ = 10 σ =
2
⎣⎢ 10 i=1 ⎦⎥ 100 ⎢⎣ i = 1 ⎦⎥ 100 10
⎡ σ ⎤
y ∼ N ⎢ 0,
⎣ 10 ⎥⎦
⎡ y−0 σ−0 ⎤
P ⎡⎣ y ≥ σ⎤⎦ = P ⎢ ≥ ⎥ = P ⎡⎣ z ≥ 10 ⎤⎦ =
⎣ σ / 10 σ / 10 ⎦
= P ⎡⎣(z ≤ − 10) ∪ (z ≥ 10)⎤⎦ = P(z ≤ − 10) + P(z ≥ 10) =
= P(z ≥ 10) + P(z ≥ 10) = 2P(z ≥ 3,16) = 0,0016
Las variables aleatorias en estudio son independientes.
Sean: X1 ∼ N(10,2) , X2 ∼ N(15,2) y X3 ∼ N(20,2) donde Y = 5X1 + 4 X 2 − 3X 3 y
2 2 2
⎛ X − 10 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 20 ⎞
U= ⎜ 1 ⎟ +⎜ ⎟ +⎜ ⎟ .
⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ 2 ⎠
Calcular: a) P [ 20 ≤ Y ≤ 30 ] b) P [U ≤ 11]
Solución:
⎛ 3 3 ⎞
a) Y = 5X1 + 4 X 2 − 3X 3 siendo Y ∼ N ⎜
⎜ ∑ λ i μi , ∑ λ 2i σ 2i ⎟
⎟
⎝ i=1 i=1 ⎠
Y ∼ N ⎣⎡5 x 10 + 4 x 15 − 3 x 20 , 52 x 22 + 42 x 22 + (−3)2 x 22 ⎦⎤ Y ∼ N ⎣⎡ 50 , 2 50 ⎦⎤
⎡ 20 − 50 Y − 50 30 − 50 ⎤
P [ 20 ≤ Y ≤ 30 ] = P ⎢ ≤ ≤ ⎥ = P(−2,12 ≤ z ≤ −1, 41) =
⎣ 2 50 2 50 2 50 ⎦
= P(1, 41 ≤ z ≤ 2,12) = P(z ≥ 1, 41) − P(z ≥ 2,12) = 0,0793 − 0,0170 = 0,0623
X1 − 10 X 2 − 15 X 3 − 20
b) ∼ N(0,1) ∼ N(0,1) ∼ N(0,1)
2 2 2
2 2 2
⎛ X − 10 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 20 ⎞
⎟ = [N(0, 1)] + [N(0, 1)] + [N(0, 1)] = χ 3
2 2 2
U= ⎜ 1 ⎟ +⎜ ⎟ +⎜
2
⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ 2 ⎠
P [U ≤ 11] = P ⎡⎣ χ 23 ≤ 11⎤⎦ = 1 − P ⎡⎣ χ 23 ≥ 11⎤⎦ = 1 − 0,05 = 0,95
Un servicio dedicado a la reparación de electrodomésticos recibe por término
medio 15 llamadas diarias. Determinar la probabilidad de que reciba un día más de
20 llamadas.
Solución:
Sea X = " Número de llamadas recibidas al día"
15k −15
La variable aleatoria: X ∼ P [ λ = 15] ⇒ P[X = k] = .e
k!
λ = 15 > 10
P [ λ = 15] ⎯⎯⎯⎯⎯ → N ⎡⎣15, 15 ⎤⎦
⎡ X − 15 (20 − 0,5) − 15 ⎤
P [ X > 20 ] = P ⎢ > ⎥ = P [ z > 1,16 ] = 0,1230
⎢⎣ 15 15 ⎥⎦
En una fábrica se sabe que la probabilidad de que r artículos sean defectuosos
4k . e− 4
es P [ X = k ] = . Determinar la probabilidad de que en 100 días el número de
k!
artículos defectuosos esté comprendido entre (400, 600)
Solución:
λ k −λ
Es una distribución de Poisson: P [ X = k ] = .e λ=4, σ= 4 =2
k!
En 100 días: ⎡⎣X1 , X 2 , ( ) ( )
, X100 ⎤⎦ ∼ P n. λ , n. λ = P 100.4 , 100.4 = P ( 400 , 20 )
n .λ = 400 > 10
P ⎡⎣n. λ ⎤⎦ ⎯⎯⎯⎯⎯⎯ → N ⎣⎡ 400, 400 ⎦⎤ ≡ N( 400, 20 )
⎡ 400 − 400 X − 400 600 − 400 ⎤

P [ 400 ≤ X ≤ 600 ] = P ⎢ ≤ ≤ ⎥⎦ = P [ 0 ≤ z ≤ 10 ] =
⎣ 20 20 20
= P [ z ≥ 0 ] − P [ z ≥ 10 ] = 0,5
El departamento comercial de una industria alimenticia sabe que 2 de cada 10
consumidores reconocen su producto en una prueba a ciegas. ¿Cuántas pruebas a
ciegas de sabor deberían hacerse para que la proporción de que los que conocen la
marca oscile entre el 16% y el 24% con una probabilidad mínima de 0,8?
Solución:
Reconocen el producto el 20% p = 0,2
⎛ pq ⎞ ⎛ 0,2 x 0,8 ⎞ ⎛ 0, 4 ⎞
pˆ ≈ N ⎜ p , ⎟ → pˆ ≈ N ⎜ 0,2 , ⎟ = N ⎜ 0,2 ,
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎟⎠
⎛ 0,16 − 0,2 pˆ − 0,2 0,24 − 0,2 ⎞

P(0,16 ≤ pˆ ≤ 0,24) = P ⎜ ≤ ≤ =
⎝ 0, 4 / n 0, 4 / n 0, 4 / n ⎟⎠
= P ⎡⎣ −0,1 n ≤ z ≤ 0,1 n ⎤⎦ = P ⎡⎣ z ≥ −0,1 n ⎤⎦ − P ⎡⎣ z ≥ 0,1 n ⎤⎦ =
(
= 1 − 2P z > 0,1 )
n = 0,8 (
P z ≥ 0,1 )
n = 0,1
0,1 n = 1,282 n = 165
Para una probabilidad como mínimo de 0,8 harían falta 165 pruebas.
Para analizar el peso promedio de niños y niñas, siguiendo ambos pesos una
distribución normal, se utiliza una muestra aleatoria de 20 niños y 25 niñas. El
promedio de los pesos de los niños es 45 kg. con una desviación típica de 6,4 kg.,
mientras que el promedio del peso de las niñas es 38 kg. y una desviación típica de
5,6 kg. ¿Cuál es la probabilidad de que en la muestra el peso promedio de los niños
sea al menos 10 kg. mayor que el de las niñas?.
Solución:
Sean las variables aleatorias X = "Peso de los niños" e Y= "Peso de las niñas",
X ≈ N ( μ x , σ x ) e Y ≈ N ( μ y , σ y ) , independientes entre sí.
En las muestras respectivas:
⎛ σ ⎞ ⎛ 6, 4 ⎞ ⎛ σy ⎞ ⎛ 5,6 ⎞
x ≈ N ⎜ μ x , x ⎟ ≡ N⎜ 45, ⎟ e y ≈ N μ
⎜ y , ⎟ ≡ N ⎜ 38, ⎟.
⎝ n ⎠ ⎝ 20 ⎠ ⎝ m ⎠ ⎝ 25 ⎠
⎛ 2 ⎞
⎛
⎛ σx ⎞ ⎛ σy ⎞ ⎟ σ 2x σ y ⎞
2 2
⎜
ξ = x − y ≈ N μx − μy ,
⎜ ⎜ n ⎟ + ⎜ m ⎟ ⎟ ≡ N ⎝⎜ μ x − μ y , n m⎠
+ ⎟
⎝ ⎝ ⎠ ⎝ ⎠ ⎠
⎛ 6, 42 5,62 ⎞
La variable ξ = x − y ≈ N ⎜ 45 − 38, + ⎟ = N(7, 1,82)
⎝ 20 25 ⎠
⎛ ξ − 7 10 − 7 ⎞
P(ξ ≥ 10) = P ⎜ ≥ ⎟ = P(z ≥ 1,648) = 0,05
⎝ 1,82 1,82 ⎠
Un fabricante vende un artículo a un precio fijo de 100 euros. Si el peso x del
artículo es inferior a 8 gramops no lo puede vender y representa una pérdida total.
La distribución de los pesos es una normal N(μ , 1) y el coste de producción de cada
artículo es C = 30 − 5 μ . Determinar el peso medio μ que haga máximo el beneficio
esperado.
Solución:
La probabilidad de que el peso de un artículo sea inferior a 8 gramos, efectuando la
tipificación con N(μ , 1) es:
(x − μ )2 z2
− −
1 2 σ2 N(0,1) 1
f(x) = e ⎯⎯⎯→ f(z) = e 2
σ 2π 2π
8−μ z2
∫
1 −
P(μ) = P(x < 8) = P(x − μ < 8 − μ) = P(z < 8 − μ) = e 2
dz
2π −∞
Beneficio esperado (B) para cada artículo: B = 0 x P(μ) + 100 x [1 − P(μ)] − (30 − 5 μ)
Para hacer el beneficio máximo se iguala a cero la derivada primera:
(8 − μ ) ⎛ 5 2π ⎞
2
dB 1 − (8 − μ)2
= −100 e 2 +5=0 − = ln ⎜ ⎟⎟ (8 − μ)2 = 4,154
dμ 2π 2 ⎜ 100
⎝ ⎠
8 − μ = ± 4,154 → μ = 5,96 μ = 10,04
Para comprobar la raíz correspondiente al máximo se hace la derivada segunda, y el
peso medio que hace máximo el beneficio esperado es μ = 10,04
X1 − 8 X2 − 15 X 3 − 12
d) ∼ N(0,1) ∼ N(0,1) ∼ N(0,1)
2 5 3
2 2 2
⎛ X − 8 ⎞ ⎛ X 2 − 15 ⎞ ⎛ X 3 − 12 ⎞
U = [N(0, 1)] + [N(0, 1)] + [N(0, 1)] = χ 23
2 2 2
U= ⎜ 1 ⎟ +⎜ ⎟ +⎜ ⎟
⎝ 2 ⎠ ⎝ 5 ⎠ ⎝ 3 ⎠
P [U ≤ 9,83] = P ⎡⎣ χ 23 ≤ 9,83 ⎤⎦ = 1 − P ⎡⎣ χ 23 ≥ 9,83 ⎤⎦ = 1 − 0,02 = 0,98
Se llama distribución uniforme en un intervalo aquélla caracterizada por tener
igual probabilidad todos los posibles valores de la variable en el intervalo de
definición.
Sea el intervalo ⎡⎣a, b⎤⎦ , se pide:
a) ¿Cuál es la función de densidad y la función de distribución de esta variable?
b) ¿Cuál es la probabilidad de que al tomar un valor de la variable al azar, dicho
valor esté comprendido entre m y n, siendo a ≤ m ≤ n ≤ b?
Solución:
a) Si en todos los puntos del intervalo ⎡⎣a, b⎤⎦ la función de probabilidad ha de ser

idéntica, la función de densidad ha de ser constante, esto es:
∫ ∫
b b
1
f(x) dx = k dx =1 k(b − a) = 1 k=
a a b−a
⎧ 0 x < a
⎪ 1
⎪
Así, pues, la función de densidad será: f(x) = ⎨ a≤ x≤b
⎪ b − a
⎪⎩ 0 x > b
La función de distribución
⎧ 0 x < a ⎧ 0 x < a
⎪ x ⎪
⎪ ⎪x−a
∫ ∫
x
dx
F(x) = f(x)dx = ⎨ a≤ x≤b = ⎨ a≤ x≤b
−∞ ⎪ a b − a ⎪ b − a
⎪⎩ 0 x > b ⎪⎩ 0 x > b
n−m
∫
n
1
b) P(m ≤ X ≤ n) = dx =
mb−a b−a
La probabilidad resulta proporcional a la longitud del subintervalo.
El consumo familiar de cierto artículo se distribuye uniformemente con
esperanza 10 y varianza unidad. Determinar la probabilidad de que el consumo de
dicho artículo se encuentre comprendido entre 8 y 12 unidades.
Solución:
Sea X = "Número de unidades consumidas del artículo", donde X ∼ U(10, 1) en el
intervalo ⎡⎣a, b⎤⎦
a+ b (b − a)2
Se tiene: μ = E(X) = = 10 σ =
2
=1
2 12
⎧ a + b = 20 ⎪⎧b = 10 + 3 = 11,73
[b − (20 − b)]
2
⎨ = 12 (2b − 20) = 12 ⇒ ⎨
⎩(b − a) = 12
2
⎪⎩ a = 10 − 3 = 8,27
La distribución es uniforme entre 8,27 y 11,73, en consecuencia la probabilidad de
que el consumo del artículo se encuentre comprendido entre 8 y 12 es la unidad.
La renta media mensual de los habitantes de un país se distribuye
uniformemente entre 1.700 y 3.500 euros. Calcular la probabilidad de que al
seleccionar al azar a 100 personas la suma de sus rentas mensuales supere los
260.000 euros.
Solución:
Media y varianza de una distribución uniforme en el intervalo [1.700, 3.500 ] :
1.700 + 3.500 (3.500 − 1.700)2

μ= = 2.600 euros σ 2 = = 270.000 euros2
2 12
Sea v.a. X i = "Renta mensual de un habitante", donde X i ∼ U(2600,270000)
100
La suma de las 100 variables Y = ∑ X i se distribuye como una normal, siendo:
i=1
μ = 100 x 2.600 = 260.000 euros σ 2Y = 100 x 270.000 = 27.000.000 euros2

Y
100
σY = 27.000.000 = 5196,15 euros Y = ∑ X i ∼ N(260.000 , 5196,15)
i=1
⎛ Y − 260.000 270.000 − 260.000 ⎞

P(Y > 3000) = P ⎜ > ⎟ = P(z > 1,92) = 0,0274
⎝ 5.196,15 5.196,15 ⎠
Es decir, la probabilidad de que la suma de las rentas de 100 personas
seleccionadas al azar supere los 260.000 euros es tan sólo del 2,74%.
Un corredor de bolsa adquiere 50 acciones diferentes, concertando con sus
clientes una ganancia de 1200 euros por acción. Por experiencias anteriores, se
sabe que los beneficios de cada acción son independientes y se distribuyen
uniformemente en el intervalo ⎡⎣1000, 2000 ⎤⎦ .
¿Qué probabilidad tiene el corredor de no perder dinero?.
Solución:
Denotando por
X = "Ganancia por acción" y G ="Ganancia total del corredor de bolsa"
G = 50.(X − 1200) = 50.X − 60000
1 1 x − 1000
X ∼ U(1000, 2000) f(x) = = F(x) =
2000 − 1000 1000 2000 − 1000
1000 ≤ x ≤ 2000
P [ G ≥ 0 ] = P ⎡⎣50.X − 60000 ≥ 0 ⎤⎦ = P ⎡⎣50.X ≥ 60000 ⎤⎦ = P [ X ≥ 1200 ] =
∫ ∫
2000 2000
1 1 800
[ x ]1200 =
2000
= f(x)dx = dx = = 0,8
1200 1200 1000 1000 1000
o también,
1200 − 1000 200
P [ X ≥ 1200 ] = 1 − P [ X ≤ 1200 ] = 1 − F(1200) = 1 − = 1− = 0,8
2000 − 1000 1000
La demanda de un producto oscila diariamente entre 20 y 40 unidades.
Suponiendo la independencia de la demanda de cada día, determinar la
probabilidad de que el número de unidades demandadas supere 6370 unidades
en 182 días.
Solución:
Sea v.a. X i = "Demanda del producto cada día", donde X i ∼ U(20, 40) , con media
20 + 40 (40 − 20)2 400 100
μi = = 30 y varianza σ i =
2
= =
2 12 12 3
Considerando la independencia de la demanda cada día, por el Teorema Central del
182
Límite X = ∑ X se ajusta a una distribución normal de media
i= 1
i
182
∑
100
μ = 182. μi = 182.30 = 5460 y desviación típica σ = σ 2i = 182. = 77,89 ,
i=1
3
182
X= ∑ X ∼ N⎡⎣5460, 77,89⎤⎦
i=1
i
⎡ X − 5460 6370 − 5460 ⎤

P [ X > 6370 ] = P ⎢ > = P [ z > 11,68 ] = 0
⎣ 77,89 77,89 ⎥⎦
La demanda diaria de un determinado artículo (x) es una variable aleatoria con
la función de densidad adjunta. Los beneficios diarios dependen de la demanda
según la función B0
⎧ 1
⎪ 8 0<x≤4 ⎧ −5 si x < 2
⎪ ⎪
⎪ 12 − x ⎪ 5 si 2 < x ≤ 4
f(x) = ⎨ 4 < x ≤ 12 B =⎨
0
⎪ 64 ⎪ 10 si 4 < x ≤ 8
⎪ 0 otro caso ⎪⎩ 15 si 8 < x ≤ 12
⎪⎩
Calcular:
a) Probabilidad de que en un día cualquiera la demanda sea superior a 10
b) Probabilidad de que la demanda sea inferior a 3
c) La esperanza y la varianza de la demanda
d) Función de distribución de la demanda
e) Función de cuantía y función de distribución de la variable aleatoria beneficios
diarios.
f) Esperanza y varianza de la variable beneficios
Solución:
12
1 ⎡ x2 ⎤
∫ ∫
12 12
12 − x 1
a) P ( X > 10 ) = f(x) dx = dx = 12 x − = = 0,03125
10 10 64 64 ⎢⎣ 2 ⎥⎦ 10 32
∫ ∫
3 3
1 1 3
b) P ( X < 3 ) = dx = [ x] 0 = = 0,375
3
f(x) dx =
0 0 8 8 8
∫ ∫ x .f(x) dx + ∫ x .f(x) dx =
4 12
c) μ x = E(X) = x .f(x) dx =
−∞ 0 4
∫ ∫ 8∫ 64 ∫
4 12 4 12
1 12 − x 1 1
= x. dx + x. dx = x dx + (12 x − x ) dx = 2
08 64 4 0 4
12
1 2 4 1 ⎡ 2 x3 ⎤ 1 ⎛ 1728 64 ⎞ 13
= ⎡ x ⎤⎦ +
⎣ ⎢ 6 x − ⎥ = 1 + ⎜ 864 − − 96 + ⎟= = 4,33
16 0 64 ⎣ 3 ⎦4 64 ⎝ 3 3 ⎠ 3
∞
∫ ∫ ∫ ∫ ∫
4 12 4 12
1 12 − x
E(X ) =
2
x . f(x) dx =
2
x . f(x) dx +
2
x . f(x) dx =
2
x . dx +
2
x2 . dx =
−∞ 0 4 0 8 4 64
12
8∫ 64 ∫
1 ⎡ x ⎤
4 12 4
1 1 1 4
= x dx + (12 x − x ) dx =
2
⎡⎣ x ⎤⎦ + 2 3
4 x − = 3 3
0 4 24 64 ⎢⎣ 4 ⎥⎦ 0
4
64 1 5120 80
+ ( 6912 − 5184 − 256 + 64 ) =
= = = 26,67
24 64 192 3
2
80 ⎛ 13 ⎞ 71
σ x = V(X) = E(X ) − (μ x ) =
2 2 2
−⎜ ⎟ = = 7,89
3 ⎝ 3 ⎠ 9
∫
x
d) La función de distribución de la demanda: F(x) = f(t) dt

−∞
⎧
∫ f(x) dx = ∫ 0 dx = 0
x x
⎪ sí x < 0
⎪ −∞ −∞
⎪
∫ ∫ ∫8 8
x 0 x
1 x
⎪ sí 0 ≤ x < 4 f(x) dx = 0 dx + dx =
⎪ −∞ −∞
F(x) = ⎨
0
∫ ∫ 8 ∫ 64 2 64 ⎝ 2
1 1 ⎛ x ⎞
x 4 x
⎪ sí 4 ≤ x < 12 1 12 − x 2
f(x) dx = dx + dx = + ⎜ − + 12 x − 40 ⎟
⎪ −∞ ⎠
⎪ 0 4
⎪
∫ ∫ ∫ 8 ∫ 64 dx + ∫ 0 dx = 1
x 0 4 12 x
1 12 − x
⎪ sí x ≥ 12 f(x) dx = 0 dx + dx +
⎩ −∞ −∞ 0 4 12
⎧ 0 si x < 0

⎪ x
⎪ si 0 ≤ x < 4
En definitiva, F(x) = ⎪⎨ 8
⎪ 1 + 1 ⎛⎜ − x + 12 x − 40 ⎞⎟ si 4 ≤ x < 12
2
⎪ 2 64 ⎝ 2 ⎠
⎪
⎩ 1 si x ≥ 12
e) Función de cuantía y la función de distribución de la variable aleatoria beneficios
diarios:
⎧ 1
⎪ 8 0<x≤4 ⎧ −5 si x < 2
⎪ ⎪
⎪ 12 − x ⎪ 5 si 2 < x ≤ 4
f(x) = ⎨ 4 < x ≤ 12 B =⎨
0
⎪ 64 ⎪ 10 si 4 < x ≤ 8
⎪ 0 otro caso ⎪⎩ 15 si 8 < x ≤ 12
⎪⎩
Bi0 P(B0 = Bi0 )
∫ ∫
2 2
1 1
−5 f(x) dx = dx = = 0,25
0 0 8 4
∫ ∫8 4
4 4
1 1
5 f(x) dx = dx = = 0,25
2 2
8
1 ⎛ x ⎞
∫ ∫ 64 64 ⎝ 2 ⎠
8 8
12 − x 2
10 f(x) dx = dx = ⎜ 12 x − ⎟ = 0,375
4 4 4
12
∫ ∫ 64 64 ⎝ 2 ⎠
1 ⎛ x ⎞
12 12
12 − x 2
15 f(x) dx = dx = ⎜ 12 x − ⎟ = 0,125
8 8 8
La función de distribución F(B0 ) = P(B0 ≤ Bi0 ) =

∑ P(B = B )
Bi0 ≤ B0
0 0
i
Bi0 P(B0 = Bi0 ) F(B0 ) = P(B0 ≤ Bi0 ) Bi0 . P(B0 = Bi0 ) (Bi0 )2 . P(B0 = Bi0 )
−5 0,25 0,25 − 1,25 6,25
5 0,25 0,50 1,25 6,25
10 0,375 0,875 3,75 37,5
15 0,125 1 1,875 28,125
5,625 78,125
∑B . P(B = B ) = 5,625
4
f) μ B0 = E(B ) = 0 0
i
0 0
i
i=1
∑ (B ) . P(B = B ) = 78,125
4
E ⎡⎣ (B ) ⎤⎦ =
0 2 0 2
i
0 0
i
i=1
σB20 = V(B0 ) = E(B0 ) − (μ B0 ) 2 = 78,125 − ( 5,625 ) = 46,48

2 2
Desviación típica de los beneficios σB0 = 46,48 = 6,817
Una empresa produce un artículo que sigue una distribución uniforme entre
25000 y 30000 unidades. Sabiendo que vende cada unidad a 10 euros y la función
de costes viene dada por C = 100.000 + 2X , ¿cuál será el beneficio esperado?
Solución: X ∼ U(25.000, 30.000)
⎧ 1 1
⎪ = 25.000 ≤ x ≤ 30.000
Función de densidad f(x) = ⎨ 30.000 − 25.000 5.000
⎪⎩ 0 otros valores
Los beneficios B = Ventas − Costes
E(B) = E(V − C) = E⎡⎣10 x X − (100.000 + 2 x X)⎤⎦ = E(8 x X − 100.000) = 8 x E(X) − 100.000 =

= 8 x 27.500 − 100.000 = 120.000 euros
25.000 + 30.000
siendo, μ = E(X) = = 27.500
2
Una variable aleatoria X se distribuye uniformemente en el intervalo (2, 4) .
Se pide:
a) P(X < 2,5) b) P(X > 3,2)
c) P(2,2 < X < 3,5) d) Esperanza y varianza
Solución:
Función densidad: Función distribución:
⎧ 0 x<2
⎧ 1 1 ⎪x−2
⎪ = 2≤ x≤ 4 ⎪
f(x) = ⎨ 4 − 2 2 F(x) = P(X ≤ x) = ⎨ 2≤ x≤ 4
⎪⎩ ⎪ 4 − 2
0 otros valores
⎪⎩ 1 x>4
2,5 − 2
a) P(X < 2,5) = F(2,5) = = 0,25
2
∫ ∫
2,5 2,5
1 1 2,5 − 2
dx = [ x ]2 =
2,5
o también, P(X < 2,5) = f(x)dx = = 0,25
2 2 2 2 2
3,2 − 2 4 − 3,2
b) P(X > 3,2) = 1 − P(X ≤ 3,2) = 1 − F(3,2) = 1 − = = 0, 4
2 2
∫ ∫
4 4
1 1 4 − 3,2
dx = [ x ]3,2 =
4
o también, P(X > 3,2) = f(x)dx = = 0, 4
3,2 3,2 2 2 2
3,5 − 2 2,2 − 2 3,5 − 2,2

c) P(2,2 < X < 3,5) = F(3,5) − F(2,2) = − = = 0,65
2 2 2
∫ ∫
3,5 3,5
1 1 3,5 − 2,2
dx = [ x ]2,2 =
3,5
o también, P(2,2 < X < 3,5) = f(x)dx = = 0,65
2,2 2,2 2 2 2
2+ 4 (4 − 2)2 4 1
d) E(X) = =3 σ = 2
= =
2 12 12 3
El tiempo de revisión del motor de un avión sigue aproximadamente una
distribución exponencial, con media 22 minutos.
a) Hallar la probabilidad de que el tiempo de la revisión sea menor de 10 minutos
b) El costo de la revisión es de 200 euros por cada media hora o fracción.
¿Cuál es la probabilidad de que una revisión cueste 400 euros?
c) Para efectuar una programación sobre las revisiones del motor, ¿cuánto tiempo
se debe asignar a cada revisión para que la probabilidad de que cualquier tiempo
de revisión mayor que el tiempo asignado sea solo de 0,1?
Solución:
a) Sea X = "Tiempo de revisión del motor de un avión en minutos"
1 1
μ x = E(X) = = 22 minutos λ= X ∼ Exp ⎡⎣1 22⎤⎦
λ 22
Función de densidad: Función distribución:
⎧ 1 − x 22 ⎧1 − e− x 22
⎪ e x≥0 x≥0
f(x) = ⎨ 22 F(x) = P(X ≤ x) = ⎨
⎪⎩ 0 ⎩ 0 x<0
x<0
P [ X < 10 ] = F(10) = 1 − e− 10 22 = 1 − e− 5 11 = 0,365
o bien,
∫ ∫
10 10
⎡ 1 − x 22 ⎤
P [ X < 10 ] = f(x)dx = ⎢⎣ 22 e ⎥⎦ dx = − ⎡
⎣ e − x 22 10
⎤⎦ = − e− 10 22 + 1 = 1 − e− 5 11 = 0,365
0
0 0
b) Como el costo de la revisión del motor es de 200 euros por cada media hora o
fracción, para que la revisión cueste 400 euros la duración de la revisión debe de
ser inferior o igual a 60 minutos. Es decir, se tendrá que calcular P [ 30 < X ≤ 60 ]
P [ 30 < X ≤ 60 ] = F(60) − F(30) = ⎡⎣1 − e− 60 22 ⎤⎦ − ⎡⎣1 − e− 30 22 ⎤⎦ =

= e− 30 22 − e− 60 22 = e− 15 11 − e− 30 11 = 0,19
o bien,
∫ ∫
60 60
⎡ 1 − x 22 ⎤
P ⎡⎣[ 30 < X ≤ 60 ]⎤⎦ = f(x)dx = ⎢⎣ 22 e ⎥⎦ dx = − ⎡
⎣ e − x 22 60
⎤⎦ = − e− 60 22 + e− 30 22 =
30
30 30
= e− 15 11 − e− 30 11 = 0,19
c) Sea t = "Tiempo que se debe asignar a la revisión", verificando P [ X > t ] = 0,1
∞ ∞
∫ ∫
⎡ 1 − x 22 ⎤ − x 22 ∞
P [ X > t] = f(x)dx = ⎢⎣ 22 e ⎥⎦ dx = − ⎡
⎣ e ⎤⎦ = 0 + e− t 22 = 0,1
t
t t
e− t 22 = 0,1 − t 22 = Ln(0,1) − t 22 = −2,30 ⇒ t = 50,6 ≈ 51 minutos
La duración de vida de una pieza de un motor sigue una distribución
exponencial, sabiendo que la probabilidad de que sobrepase las 100 horas de uso
es de 0,9. Se pide:
a) Probabilidad de que sobrepase las 200 horas de uso
b) ¿Cuántas horas se mantiene funcionando con probabilidad 0,95?
Solución:
a) Sea v.a. X = "Tiempo de vida de la pieza del motor" donde X ∼ Exp(λ )
Función de densidad y la función de distribución:
f(x) = λ .e− λ x F(x) = 1 − e− λ x ∀ x > 0
Siendo P [ X > 100 ] = 1 − P [ X ≤ 100 ] = 1 − F(100) = 1 − ⎡⎣1 − e− 100 λ ⎤⎦ = e− 100 λ = 0,9
e− 100 λ = 0,9 − 100 λ = Ln0,9 ⇒ − 100 λ = − 0,105 ⇒ λ = 0,00105
Por tanto, X ∼ Exp(0,00105) f(x) = 0,00105.e− 0,00105. x F(x) = 1 − e− 0,00105. x ∀ x > 0
P [ X > 200 ] = 1 − P [ X ≤ 200 ] = 1 − F(200) = 1 − ⎡⎣1 − e− 0,00105.200 ⎤⎦ = 0,81

∞ ∞
∫ ∫
∞
o bien, P [ X > 200 ] = f(x)dx = 0,00105.e− 0 ,00105. x dx = − ⎡⎣ e− 0,00105. x ⎤⎦ = 0,81
200
200 200
b) P [ X > t ] = 0,95 P [ X > t ] = 1 − P [ X ≤ t ] = 1 − F(t) = e− 0,00105.t = 0,95
e− 0,00105.t = 0,95 − 0,00105 t = Ln0,95 ⇒ − 0,00105 t = − 0,05129 ⇒ t = 48,85
El tiempo de vida media de un marcapasos sigue una distribución exponencial
con media 16 años. Se pide:
a) Probabilidad de que a una persona a la que se ha implantado un marcapasos se
le deba de implantar otro antes de 20 años
b) Si el marcapasos lleva funcionando correctamente 5 años en un paciente, ¿cuál
es la probabilidad de que haya de cambiarlo antes de 25 años?
Solución:
⎡ 1 1⎤
a) La variable aleatoria X = "Duración del marcapasos" X ∼ Exp ⎢ λ = =
⎣ μ 16 ⎥⎦
⎧ 1 − x 16
⎪ e x≥0
con función de densidad: f(x) = ⎨ 16
⎪⎩ 0 x<0
⎧1 − e − x 16 x≥0
Función de distribución: F(x) = P(X ≤ x) = ⎨
⎩ 0 x<0
P(X ≤ 20) = F(20) = 1 − e− 20 16 = 0,7135
∫ ∫
20 20
1 − x 16 20
o bien, P(X ≤ 20) = f(x)dx = e dx = − ⎡⎣ e− x 16 ⎤⎦ = − e− 20 16 + 1 = 0,7135
0 0 16 0
P [ 5 ≤ X ≤ 25] F(25) − F(5) (1 − e− 25/16 ) − (1 − e− 5/16 )

b) P ⎡⎣X ≤ 25 X ≥ 5⎤⎦ = = = =
P(X ≥ 5) 1 − F(5) 1 − (1 − e− 5/16 )
e− 5/16 − e− 25/16 0,522
= = = 0,7135
e− 5/16 0,7316
También, mediante la función de densidad:
∫ ∫
25 25
1 − x 16 25
P(5 ≤ X ≤ 25) = f(x)dx = e dx = − ⎡⎣ e− x 16 ⎤⎦ = − e− 25 16 + e− 5 16 = 0,522
5 5 16 5
∞ ∞
∫ ∫
1 − x 16 ∞
P(X ≥ 5) = f(x)dx = e dx = − ⎡⎣ e− x 16 ⎤⎦ = − 0 + e− 5 16 = 0,7135
5 5 16 5
Adviértase que P ⎡⎣X ≤ 25 X ≥ 5⎤⎦ = P [ X ≤ 20 ] = 0,7135 , circunstancia que era de

esperar en un modelo exponencial.
Es decir, la duración que se espera tenga el marcapasos, no influye en nada el
tiempo que lleva funcionando. Esta particularidad lleva a decir que 'la distribución
exponencial no tiene memoria'.
Sea X la variable aleatoria que describe el número de clientes que llega a un
supermercado durante un día (24 horas). Sabiendo que la probabilidad de que
llegue un cliente en un día es equivalente a 100 veces la que no llegue ningún
cliente en un día, se pide:
a) Probabilidad de que lleguen al menos 3 clientes al día
b) Si acaba de llegar un cliente, calcular la probabilidad que pase más de 25
minutos hasta que llegue el siguiente cliente (o hasta que llegue el primer cliente)
c) En dos semanas, ¿cuál es la probabilidad aproximada de que lleguen como
mucho 1300 clientes al supermercado?
Solución:
λk −λ
a) Se trata de una distribución de Poisson: P(X = k) = e
k!
λ −λ λ0 −λ
P(X = 1) = 100 . P(X = 0) e = 100 . e λ . e− λ = 100 . e− λ λ = 100
1! 0!
⎡ 3 − 100 ⎤
P(X ≥ 3) = P ⎢ z ≥ = P(z ≥ −9,7) = P(z ≤ 9,7) ≈ 1
⎣ 10 ⎥⎦
b) Es una función exponencial, es decir, el tiempo de espera hasta que ocurre un
suceso (que llegue el siguiente cliente), donde λ ≡ 'Número de sucesos de Poisson
por unidad de tiempo', siendo X ∼ Exp(λ )
Para calcular el parámetro λ se establece una proporción:
100 λ 10 0 . 25 250
= λ= = = 1,736
24 . 60 25 24 . 6 0 144
P(X ≤ x) = F(x) = 1 − e− λ x P(X ≤ 1) = F(1) = 1 − e−1,736 . 1 = 0,8238
⎡ 1300 − 1400 ⎤
c) P(X ≤ 1300) = P ⎢ z ≤ ⎥ = P(z ≤ −2,67) = P(z ≥ 2,67) = 0,00379
⎢⎣ 1400 ⎥⎦
El número promedio de recepción de solicitudes en una ventanilla de atención
al cliente es de tres al día.
a) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud exceda
cinco días?
b) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea
menor de diez días?
c) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea
menor de diez días, si ya han pasado cinco días sin recibir solicitudes?
Solución:
a) X = "Días antes de recibir una solicitud", es una distribución exponencial con
parámetro λ = 3
f(x) = 3e− 3x F(x) = P(X ≤ x) = 1 − e− 3x

P(X > 5) = 1 − P(X ≤ 5) = 1 − F(5) = 1 − (1 − e− 3.5 ) = e− 15
b) P(X < 10) = F(10) = 1 − e− 3 x 10 = 1 − e− 30
(
c) P X < 10
X>5
=)P(5 < X < 10) F(10) − F(5) 1 − e− 30 − (1 − e− 15 ) e− 15 − e− 30
P(X > 5)
=
1 − F(5)
=
e − 15
=
e − 15
= 1 − e− 15
Adviértase que P(X < 10 / X > 5) = P(X ≤ 5) lo que significa que la variable aleatoria

exponencial no tiene memoria.
Para aprobar la asignatura de estadística teórica se realiza un test con veinte
ítems. Sabiendo que una persona determinada tiene una probabilidad de 0,8 de
contestar bien cada ítem. Se pide:
a) Probabilidad de que la primera pregunta que contesta bien sea la tercera que
hace.
b) Para aprobar el test es necesario contestar diez ítems bien. ¿Cuál es la
probabilidad de que apruebe al contestar el doceavo ítem?.
Solución:
a) La variable X = "Número de ítems que tiene que hacer hasta que responda
uno bien" sigue una distribución de Pascal o geométrica.
X ∼ G(0,8) p = 0,8 q = 0,2
P(X = 3) = q2 . p = 0,22 . 0,8 = 0,032
b) La variable X = "Número de ítems que tiene que realizar hasta contestar 10 bien"
sigue una distribución binomial negativa.
X ∼ Bn ( 12 , 0,8 ) k = 10 p = 0,8 q = 0,2
⎛ 12 − 1 ⎞ ⎛ 11 ⎞ 11!
P(X = 12) = ⎜ ⎟ 0,810 . 0,22 = ⎜ ⎟ 0,810 . 0,22 = 0,810 . 0,22 =
⎝ 10 − 1 ⎠ ⎝9⎠ 2! 9!
11 . 10
= 0,810 . 0,22 = 0,24
2
En una caja hay 5 triángulos, 3 círculos y 2 rectángulos. Realizando extracciones
con reemplazamiento, se piden las siguientes probabilidades:
a) Al realizar 8 extracciones, se obtengan en 4 ocasiones un círculo.
b) Se necesiten 8 extracciones para obtener 4 círculos.
c) Que aparezca el primer círculo en la 8 extracción.
d) Al realizar 8 extracciones aparezcan 3 triángulos, 3 círculos y 2 rectángulos.
e) Al realizar 6 extracciones sin reemplazamiento aparezcan en 2 ocasiones un
círculo.
Solución:
a) Hay dos situaciones (círculo, no‐círculo), se trata de una distribución binomial,
B(8 , 0,3) n = 8 p = 3 10 = 0,3
⎛8⎞ 8! 8.7. 6 .5
P(X = 4) = ⎜ ⎟ 0,3 4 0,7 4 = 0,214 = 0,214 = 70.0,214 = 0,136
⎝ 4⎠ 4! 4! 4. 3. 2 .1
b) La variable aleatoria X = "Número de extracciones hasta que aparece la cuarta
extracción de círculo" sigue una distribución binomial negativa.
X ∼ Bn(8 , 0,3) n = 8 k = 4 p = 0,3 q = 0,7
⎛ 8 − 1⎞ ⎛ 7⎞ 7! 7.6.5
P(X = 8) = ⎜ ⎟ 0,3 4
. 0,7 4
= ⎜ ⎟ 0,214 = 0,214 = 0,214 = 0,0681
⎝ 4 − 1⎠ ⎝ 3⎠ 4! 3! 3.2
c) La variable aleatoria X = "Aparece el primer círculo en la octava extracción"
sigue una distribución geométrica o de Pascal X ∼ G(0,3)
P(X = 8) = q8 −1 . p = 0,77. 0,3 = 0,0247
d) La variable aleatoria X = "Número de veces que se extrae triángulo, círculo o
rectángulo en ocho extracciones". Se trata de una distribución polinomial, es
decir, en cada prueba se consideran k sucesos independientes.
3 3 2
8! ⎛ 5 ⎞ ⎛ 3 ⎞ ⎛ 2 ⎞
P(T = 3 ; C = 3 ; R = 2) = ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ = 560 . 0,5 . 0,3 . 0,2 = 0,0756
3 3 2
3! 3! 2! ⎝ 10 ⎠ ⎝ 10 ⎠ ⎝ 10 ⎠
e) Hay dos situaciones excluyentes (círculo, no‐círculo).
X = "Número de veces que se extrae círculo en una muestra de tamaño ocho" sigue
una distribución hipergeométrica.
N = 10 n = 6 k = 2 p = 0,3 q = 0,7 Np = 3 Nq = 7
La función de densidad asociada a la emisión de billetes de una compañía área
es:
⎧x + y 0 < x < 1 0 < y < 1
f(x, y) = ⎨
⎩ 0 en el resto
a) Hallar la función de distribución
b) Hallar las funciones de densidad marginales de X e Y
c) ¿Son X e Y independientes?
Solución:
⎛ ⎞
∫ ∫ ∫∫ ∫ ∫
x y x y x y
a) F(x, y) = f(u, v) dv du = (u + v)dudv = ⎜ (u + v)dv ⎟ du =
−∞ −∞ 0 0 0 ⎝ 0 ⎠
⎛ ⎡ v2 ⎤ ⎞
y
⎡ y2 ⎤ ⎡ y2 ⎤
x
⎡ u2 ⎤ y 2
∫ ∫ ∫
x x x
= ⎜ u[ v ]0 + ⎢ ⎥ ⎟ du = ⎢u y + ⎥ du = ⎢u y + ⎥ du = y ⎢ ⎥ + [ u]0 =
y x
0 ⎜ ⎣ 2 ⎦ 0 ⎟⎠ 0 ⎣ 2⎦ 0 ⎣ 2⎦ ⎣ 2 ⎦0 2
⎝
y x2 y2 x 1
= + = (y x 2 + y 2 x) 0 ≤ x < 1 0 ≤ y < 1
2 2 2
En consecuencia,
⎧ 0 x<0 ó y<0
⎪1
⎪ (y x 2 + y 2 x) 0≤x<1 0≤ y<1
⎪2
⎪ 1
F(x, y) = ⎨F1 (x) = (x 2 + x) 0≤x<1 , y≥1
⎪ 2
⎪ 1
⎪F2 (y) = 2 (y + y ) 0≤ y<1 , x≥1
2
⎪
⎩ 1 x≥1 , y≥1
b) Funciones de densidad marginales de X e Y
∞ 1
∫ ∫
⎡ y2 ⎤
1
1
(x + y)dy = x [ y ]0 + ⎢ ⎥ = x +
1
f1 (x) = f(x, y)dy = 0<x<1
−∞ 0 ⎣ 2 ⎦0 2
∞ 1
∫ ∫
⎡ x2 ⎤
1
1
(x + y)dx = ⎢ ⎥ + y [ x ]0 = + y
1
f2 (y) = f(x, y)dx = 0< y<1
−∞ 0 ⎣ 2 ⎦0 2
Adviértase que:
ϑ F1 (x) ϑ ⎡ 1 2 ⎤ 1 ϑ F2 (y) ϑ ⎡ 1 ⎤ 1
f1 (x) = = ⎢ (x + x)⎥ = x + f2 (y) = = ⎢ (y + y 2 )⎥ = + y
ϑx ϑx ⎣2 ⎦ 2 ϑy ϑy ⎣2 ⎦ 2
c) X e Y son independientes cuando se verifica f(x, y) = f1 (x).f2 (y)
⎛ 1⎞ ⎛1 ⎞
f1 (x).f2 (y) = ⎜ x + ⎟ . ⎜ + y ⎟ ≠ x + y = f(x, y) No son independientes
⎝ 2⎠ ⎝2 ⎠
Sea (X,Y) una variable aleatoria bidimensional con función de probabilidad
⎧⎪ c x + y j x i = −2 , − 1, 0 ,1,2 , y j = −2 , − 1, 0 ,1,2
pij = ⎨ i
⎪⎩ 0 en otro caso
a) Calcular el valor de la constante c
b) P ⎡⎣X = 0 , Y = 2⎤⎦ P [ X = 1] P ⎡⎣ X − Y ≤ 1⎤⎦
Solución:
a) Para determinar el valor de la constante c se elabora la tabla, siendo
pij = c x i + y j
Y
−2 −1 0 1 2 pi•
X
−2 4c 3c 2c c 0 10c
−1 3c 2c c 0 c 7c
0 2c c 0 c 2c 6c
1 c 0 c 2c 3c 7c
2 0 c 2c 3c 4c 10c
p• j 10c 7c 6c 7c 10c 40c
⎧1 ⎧ x i = −2 , − 1, 0 ,1,2
⎪ x + yj
5 5
⎨
∑∑ p
1
ij = 40c = 1 c=
40
pij = ⎨ 40 i ⎩ y j = −2 , − 1, 0 ,1,2
i= 1 j= 1 ⎪ 0 en otro caso
⎩
1 1
P ⎡⎣X = 0 , Y = 2⎤⎦ = 0+2 =
40 20
7
P [ X = 1] = 7c =
40
zona sombreada 28 7
P ⎡⎣ X − Y ≤ 1⎤⎦ = 28c = =
40 10

Apoyo Prueba 1 Estadistica Aplicada PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apoyo Prueba 1 Estadistica Aplicada PDF

Cargado por

Copyright:

Formatos disponibles

DISTRIBUCIONES VARIABLE ALEATORIA CONTINUA

La función de densidad f(x) y la función de distribución F(x) se encuentran

a+b (b − a)2 b−a

Si una variable X1 es N(μ1 , σ1 ) y otra X2 es N(μ 2 , σ 2 ) independientes entre sí,

Si una variable X sigue una distribución normal N(μ , σ ) , la nueva variable

Si X es una variable binomial B(n, p) con n grande y ni p ni q son próximos a

En general, la transformación es aceptable cuando p ≤ 0,5 y n . p > 5

Si χn21 y χn22 son dos χ 2 de Pearson, respectivamente con n1 y n2 grados de

2 χn2 n > 30

grados de libertad, donde s x es la cuasivarianza muestral, n σ 2x = (n − 1)s2x

Sean (n + 1) variables aleatorias ( X1 , X2 , , Xn , X ) independientes entre sí, con

Algunas fórmulas de interés para el cálculo de β (p, q) , p > 0 y q > 0 , son:

En el muestreo, al tomar muestras de media x y desviación típica σ x de una

Sean χ12 y χ 22 dos variables χ 2 de Pearson, respectivamente con n1 y n2 grados

La función Γ(α ) se denomina función gamma de Euler y se define como la integral

Ω = { (c,c,c), (c,c,e), (c,e,c), (e,c,c),(c,e,e), (e,c,e), (e,e,c), (e,e,e) }

b) La función de distribución F(x) = P(X ≤ x) = ∑ P(X = x )

x<0 F(x) = P(X ≤ x) = P(φ) = 0

X = xi P(X = xi ) = pi xi . pi x2i x2i . pi

Media: α1 = μ X = E(X) = ∑ x . P(X = x ) = ∑ x . p = 2,5

Varianza: σ 2x = α2 − α12 = 7,8 − 2,52 = 1,55

Desviación típica: σ X = 1,55 = 1,245

Media: μ Y = E(Y) = E [ X + 2 ] = E(X + 2) = E(X) + 2 μ Y = E(Y) = 2,5 + 2 = 4,5

Desviación típica: σ Y = 1,55 = 1,245

P(X = xi ) = 0,7 ⋅ 0,3 xi xi = 0, 1, 2,

a) P(X = 0) = 0,7 ⋅ 0,30 = 0,7

b) P(X < 4) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) =

P(X < 4) = 1 − 0,34 = 0,9919

c) P(X = 5) = 0,7 ⋅ 0,35 = 0,001701

E(X) = ∑ x P(X = x ) = 1 0,15 + 2

Sí p = 0,689 la ganancia esperada en un día será: 2900 x 0,689 = 1998,1 euros.

P(S∩ E) 0,05 X 0,3

Sea la variable aleatoria X = "demanda de un producto", con μ = 100 y σ = 40

⎣2 ⎦ 1/2 1/2 ⎣ 3 ⎦ 1/2

La primera y tercera integral son cero al ser f(x) = 0 en esos intervalos.

x<0 F(x) = f(t)dt = 0

x<2 F(x) = f(t)dt = 0

σ 2X = α2 − α12 = 10 − 3,12 = 0,39 kilos2

Desviación típica: σ X = 0,39 = 0,62 kilos

k = 14,8 = 3,85 , es decir, el niño debe pesar 3,85 kilos para tener para tener al

De forma que f(1) ≥ f(x) ≥ f(8) , con lo que Md = 1

f(x) = e −2 x ≥ 0 L e −2x ≥ L 0 ⇒ − 2 x > − ∞ ⇒ x < ∞ es positiva

b) Para que sea función de densidad, se define f(x) = k e −2x

x<0 F(x) = f(t)dt =

x≥2 F(x) = (1 − t)dt + (t − 1)dt = ⎢ t − ⎥ + ⎢ − t ⎥ = 1

⎧ F(Me ) = 0,5 ⇒ Me − 1 = 0,5 ⇒ Me = 1,5

a) P(a < x < b) si 0 < a < b < 2

b) P(a < x < b) si a < 0 < 2 < b

1 = lim+ F(x) = lim− F(x) lim− x(x − 2) = k(k − 2) = 1 k2 − 2k + 1 = 0 ⇒ k = 1

La derivada de la función de cuantía es f '(x) = −2 < 0 , por lo que se trata de una

F(Me ) = 0,5 ⇒ Me ( 2 − Me ) = 0,5 ⇒ M2e − 2Me + 0,5 = 0 ⇒ 2M2e − 4Me + 1 = 0

P(X < 0,5) = P(X ≤ 0,5) = F(0,5) = 0,5(2 − 0,5) = 0,75

P(X > 0,25) = 1 − P(X ≤ 0,25) = 1 − F(0,25) = 1 − 0,25(2 − 0,25) = 0,5625

P(χ 229 ≤ k) = 0,9 ⇒ P(χ 229 ≥ k) = 0,1 k = 39,087 con lo cual,

P ( z ≤ − 0,67 ) = 0,25 P ( z ≥ 0,67 ) = 0,25

Consumo diario: X 2 ∼ N(μ 2 , σ 2 ) ≡ N(85,30)

Agua una tormenta: X 3 ∼ N(μ 3 , σ 3 ) ≡ N(50,25)

⎧⎪ E(2X 3 ) = 2E[ X 3 ] = 2 x 50 = 100

⎡ Y − 995 980 − 995 ⎤

a) Sea la variable aleatoria X ="Peso de los melones en gramos", X ∼ N(1700, 100)

⎡ X − 1700 1500 − 1700 ⎤ ⎡ X − 1700 2000 − 1700 ⎤

⎡ 1400 − 1700 X − 1700 2000 − 1700 ⎤

⎣⎢ 10 i=1 ⎦⎥ 100 ⎢⎣ i = 1 ⎦⎥ 100 10