Documentos de Académico
Documentos de Profesional
Documentos de Cultura
T3 Ejerc
T3 Ejerc
library(huxtable)
suppressMessages(library(tidyverse))
suppressMessages(library(reshape2))
suppressMessages(library(gridExtra))
1
1. La probabilidad de que se seleccione al menos una mujer, si el muestreo se hace:
• Con reemplazamiento.
• Sin reemplazamiento.
2. La función de probabilidad del número de mujeres escogidas, si el muestreo se hace:
• Con reemplazamiento.
• Sin reemplazamiento.
3. La función de distribución en los dos casos anteriores. Representar gráficamente ambas fun-
ciones de distribución.
2
4
Pr(𝑋 ≥ 1) = 1 − 𝑃 (𝑋 = 0) = 1 − ( ) = 0.556
6
• Sin reemplazamiento:
4 3
Pr(𝑋 ≥ 1) = 1 − 𝑃 (𝑋 = 0) = 1 − × = 0.6
6 5
2 2
Pr(𝑋 = 0) = ( 64 ) = 0.444, Pr(𝑋 = 2) = ( 62 ) = 0.111
Pr(𝑋 = 1) = 1 − Pr(𝑋 = 0) − Pr(𝑋 = 2) = 0.444
O también
42
Pr(𝑋 = 1) = 2 = 0.444
66
• Sin reemplazamiento. En este caso tenemos una distribución hipergeométrica. En par-
ticular, obtenemos:
O también
2
42
Pr(𝑋 = 1) = 2 = 0.533
65
grid.arrange(p1.dfc,p1.dfs, ncol=2)
3
2.2 Ejercicio 2
Se venden 5000 boletos de lotería a 1 euro cada uno, para el sorteo de un premio de 2000 euros.
Determina la ganancia promedio de una persona que compra tres boletos de lotería.
𝐺(𝐿) = 2000𝐿 − 3
4
La probabilidad de obtener el premio con estos tres boletos es (se obtiene como casos favorables
sobre casos totales),
3
Pr(𝐿 = 1) =
5000
La ganancia promedio vendrá dada por
4997 3
𝐸[𝐺] = 𝐺(0) Pr(𝐿 = 0) + 𝐺(1) Pr(𝐿 = 1) = (−3) × + 1997 × = −1.8 euros
5000 5000
2.3 Ejercicio 3
En unas oposiciones el temario consta de 85 temas. Se seleccionan tres temas al azar entre los 85,
sin reemplazamiento. Si un opositor domina 35 de los 85 temas, calcular:
• La función de probabilidad del número de temas seleccionados que domina.
• La función de distribución del número de temas seleccionados que domina.
• Representar gráficamente dicha función de distribución.
• El valor de 𝐹 (1.5).
• El número esperado de temas, entre los seleccionados, que domina.
• Si domina los dos primeros temas seleccionados, calcular la probabilidad de que también
domine el tercero.
Pr(𝑋 = 0) = 50 49 48
85 × 84 × 83 = 0.198
Pr(𝑋 = 1) = 3 × 85 × 84 × 35
50 49
83 = 0.434
50 35 34
Pr(𝑋 = 2) = 3 × 85 × 84 × 83 = 0.301
Pr(𝑋 = 3) = 35 34 33
85 × 84 × 83 = 0.066
• La función de distribución vendrá dada por los valores acumulados de las probabilidades
anteriores:
𝑘 0 1 2 3
Prob 0.198 0.633 0.934 1
5
cat("\n Función de distribución de X\n")
plot(p3.dfp)
Función de distribución de X
6
2.3.2 Solución - Ejercicio 3 cont
• De su definición tenemos que 𝐹 (1.5) = Pr(𝑋 ≤ 1.5). Para calcular esta probabilidad podemos
emplear la función de probabilidad, y obtenemos
𝐹 (1.5) = Pr(𝑋 ≤ 1.5) = Pr(𝑋 = 0) + Pr(𝑋 = 1) = 0.633
Alternativamente, empleando la función de distribución,
𝐹 (1.5) = Pr(𝑋 ≤ 1.5) = Pr(𝑋 ≤ 1) = 𝐹 (1) = 0.633
• El valor esperado de 𝑋 es
4
𝐸[𝑋] = ∑ 𝑘𝑝𝑘 = 0.434 + 2 × 0.301 + 3 × 0.066 = 1.235
𝑘=1
• El valor pedido es (denotamos por 𝐷𝑘 el suceso correspondiente a que el 𝑘-ésimo tema era
uno de los que el opositor domina)
35 34 33
Pr(𝐷3 ∩ 𝐷2 ∩ 𝐷1 ) 85 × 84 × 83 33
Pr(𝐷3 |𝐷1 ∩ 𝐷2 ) = = 35 34 = = 0.398
Pr(𝐷1 ∩ 𝐷2 ) 85 × 84
83
50 20
𝑃 (𝑋 = 20) = ( )𝑝 (1 − 𝑝)30 = 0.0020
20
2. La probabilidad pedida es
Si los cálculos se hubiesen realizado suponiendo que no hay reemplazamiento, empleando una
distribuciión hipergeométrica, los valores resultantes serían 0.00133 y 1.96 10−22 .
A continuación se muestran los resultados obtenidos empleando R.
7
[8]: ## Ejercicio 4
3.2 Ejercicio 5
Sea 𝑋 la v.a. que representa el número de caras obtenidas en cuatro lanzamientos de una moneda
equilibrada.
1. Obtener y dibujar la función de probabilidad de 𝑋.
2. Obtener la función de distribución de 𝑋 y dibujarla.
3. Calcular Pr(𝑋 ≤ 2) y Pr(1 < 𝑋 ≤ 3).
4. Simular 100 lanzamientos de las cuatro monedas y comparar las frecuencias relativas y las
frecuencias relativas acumuladas, respectivamente, con la función de probabilidad y función
de distribución.
5. Obtener y dibujar la función de probabilidad de la nueva v.a. 𝑌 = 𝑋/(1 + 𝑋).
6. Obtener 100 valores simulados de 𝑌 a partir de los valores de 𝑋 simulados en el apartado
cuarto. Comparar las frecuencia relativas con las probabilidades teóricas.
4 4
Pr(𝑋 = 𝑘) = ( )0.5𝑘 0.54−𝑘 = 0.54 ( ), 𝑘 = 0, … , 4
𝑘 𝑘
8
𝑘 0 1 2 3 4
Prob 0.0625 0.25 0.375 0.25 0.0625
𝑘 0 1 2 3 4
𝐹 0.0625 0.3125 0.6875 0.9375 1
Pr(𝑋 ≤ 2) = 𝐹 (2) = 0.6875, Pr(1 < 𝑋 ≤ 3) = 𝐹 (3) − 𝐹 (1) = 0.9375 − 0.3125 = 0.625
4. En la celda siguiente se muestran los gráficos con las comparaciones pedidas, para una muestra
simulada de 100 observaciones de una distribución binomial con los parámetros indicados.
5. La función de probabilidad pedida para 𝑌 se puede obtener de la correspondiente función
de probabilidad para 𝑋, sustituyendo 𝑘 por 𝑘′ = 𝑘/(1 + 𝑘) para cada valor de 𝑘 = 0, … , 4.
Obtenemos
[9]: # Ejercicio 5
## Parámetros
p = 0.5 ; m = 4
9
print(p6.pf)
plot(p6.pbp)
plot(p6.dbp)
Función de probabilidad de X
val prb
1 0 0.0625
2 1 0.2500
3 2 0.3750
4 3 0.2500
5 4 0.0625
Función de distribución de X
val prb
1 0 0.0625
2 1 0.3125
3 2 0.6875
4 3 0.9375
10
5 4 1.0000
11
[10]: ## Simulacion de 100 tiradas - probabilidades vs frecuencias
n = 100
sim.4coin = rbinom(n,m,p)
p6.pf$sim = table(factor(sim.4coin,levels=0:m))/n
12
xlab("Numero de caras") + ylab("Probabilidad/Frecuencia") +
theme(plot.title = element_text(color="blue", size=13, face="bold.italic",␣
↪hjust=0.5)) +
scale_fill_manual(values=c("steelblue","deepskyblue1"))
plot(p6.pbp2)
13
[11]: ## Funcion de probabilidad para Y
p6.pfy = p6.pf
p6.pfy$val = p6.pf$val/(1 + p6.pf$val)
plot(p6.pbpy)
sim.4coin = rbinom(n,m,p)
p6.pfy$sim = table(factor(sim.4coin,levels=0:m))/n
scale_fill_manual(values=c("steelblue","deepskyblue1"))
plot(p6.pbp2y)
Función de probabilidad de Y
val prb sim
1 0.0000000 0.0625 0.08
2 0.5000000 0.2500 0.25
3 0.6666667 0.3750 0.39
4 0.7500000 0.2500 0.24
14
5 0.8000000 0.0625 0.04
15
3.3 Ejercicio 6
Una máquina empaqueta pastillas en tubos de 20 unidades. El archivo 3Defectuosas.csv propor-
ciona el número de pastillas defectuosas producidas en cada uno de los 1000 tubos examinados en
un control de calidad.
1. Proporciona una estimación de la proporción de pastillas defectuosas producidas por la
máquina.
2. Calcula la función de probabilidad del número de pastillas defectuosas por tubo, suponiendo
que la estimación del apartado anterior sea correcta.
3. Si los tubos se comercializan en cajas de 25 unidades, calcula la probabilidad de que una caja
de tubos contenga exactamente 20 tubos sin ninguna pastilla defectuosa.
16
3.3.1 Solución - Ejercicio 6
Denotamos por 𝑋 el número de pastillas defectuosas en un tubo cualquiera.
Para obtener el valor de la proporción de pastillas defectuosas a introducir en el modelo de 𝑋, 𝑝,
como se pide en el enunciado, debemos emplear los valores de las proporciones en la muestra para
determinar un valor razonable de 𝑝.
Básicamente, debemos ajustar el valor de manera que las proporciones en la muestra se corre-
spondan con los valores de probabilidades asociados a una distribución binomial con 𝑛 = 20 y 𝑝
desconocido.
La función de probabilidad de una distribución binomial es
20 𝑘
Pr(𝑋 = 𝑘) = ( )𝑝 (1 − 𝑝)20−𝑘 .
𝑘
𝑘 0 1 2 3 4
Proporción 0.806 0.173 0.019 0.002 0
𝑥̄ 0.217
𝑥̄ = 0.173 × 1 + 0.019 × 2 + 0.002 × 3 = 0.217 = 𝑛𝑝 ⇒ 𝑝̂ = = = 0.01085
𝑛 20
Para este valor 𝑝 = 𝑝̂ las probabilidades teóricas y las proporciones en la muestra son
𝑘 0 1 2 3 4
Probs 0.804 0.176 0.018 0.0012 0.0000564
Proporción 0.806 0.173 0.019 0.002 0
20
Pr(𝑋 = 𝑘) = ( )(1 − 0.01085)𝑘 0.0108520−𝑘 , 𝑘 = 0, … , 20
𝑘
17
25 20
Pr(𝑌 = 20) = ( )𝑝 (1 − 𝑝𝑦 )5 = 0.1958
20 𝑦
[12]: # Ejercicio 6
def.dat = read.csv("./data/3Defectuosas.csv",sep=";",dec=",")
x.bar = mean(def.dat$Defectuosas)
n = 20
p.hat = x.bar/n
## Probabilidad de Y = 20
n = 25
p = 0.804
cat(sprintf("\n\nProbabilidad Y = 20 : %8.4f",dbinom(20,n,p)))
Probabilidad X = 0 : 8.040e-01
Probabilidad X = 1 : 1.764e-01
Probabilidad X = 2 : 1.838e-02
Probabilidad X = 3 : 1.210e-03
Probabilidad X = 4 : 5.639e-05
18
Probabilidad Y = 20 : 0.1958
3.4 Ejercicio 7
Una línea de autobuses cubre una ruta con un autobús que tiene 50 plazas. La línea aceptó 60
reservas para un viaje. Se supone que todos los pasajeros actúan en forma independiente y se
estima que 1 de cada 10 pasajeros que hacen la reserva no se presentan. El precio del billete es 25
euros, pero si un pasajero se presenta y no puede ser embarcado, se le reintegra su dinero más una
compensación de 5 euros. Calcular:
1. La esperanza del número de pasajeros que se presentan a abordar.
2. La esperanza del número de pasajeros que acuden y no pueden ser embarcados.
3. La ganancia esperada por la línea.
𝐸[𝑋] = 𝑛𝑝 = 60 × 0.9 = 54
2. Los pasajeros que se presentan y no pueden ser embarcados 𝑌 se pueden obtener a partir de
𝑋 como 𝑌 = max(0, 𝑋 − 50). Con esta fórmula tenemos que
25 × 60 si 𝑋 ≤ 50
𝐺={
25 × 60 − 30(𝑋 − 50) si 𝑋 > 50
[13]: # Ejercicio 7
19
n = 60
p = 0.9
y.val = seq(0,10)
y.prb = c(pbinom(50,n,p),dbinom(seq(51,60),n,p))
y.mn = sum(y.val*y.prb)
3.5 Ejercicio 8
En una academia están matriculados 200 hombres y 250 mujeres. Se eligen cuatro de ellos al azar.
Calcular:
1. La probabilidad de que al menos dos de los elegidos sean mujeres si el muestreo se hace:
• Con reemplazamiento.
• Sin reemplazamiento.
2. La función de probabilidad del número de mujeres escogidas si el muestreo se hace:
• Con reemplazamiento.
• Sin reemplazamiento.
20
2. La función de probabilidad de 𝑋 es en cada uno de los casos:
• A partir de las probabilidades de una distribución binomial,
[14]: # Ejercicio 8
n = 4
p = 250/450
n = 4
p = 250/450
fp_x = seq(0,4)
fp_p = dbinom(fp_x,n,p)
fp_pf1 = data.frame(values=fp_x,probs=fp_p)
n = 4
N = 450
K = 250
fp_x = seq(0,4)
fp_p = dhyper(fp_x,K,N-K,n)
21
fp_pf2 = data.frame(values=fp_x,probs=fp_p)
���������������������
�
values �
probs �
���������������������
� 0 � 0.039 �
���������������������
� 1 � 0.195 �
���������������������
� 2 � 0.366 �
���������������������
� 3 � 0.305 �
���������������������
� 4 � 0.0953 �
���������������������
���������������������
�
values �
probs �
���������������������
� 0 � 0.0384 �
���������������������
� 1 � 0.195 �
22
���������������������
� 2 � 0.367 �
���������������������
� 3 � 0.305 �
���������������������
� 4 � 0.0942 �
���������������������
3.6 Ejercicio 9
Se recibe un lote de 1000 bolígrafos de los cuales 60 están secos y no escriben. Para decidir si se
acepta o no el lote se seleccionan 200 bolígrafos al azar, sin reemplazo, rechazando el lote si más
de 𝑥 no escriben.
1. Obtener la función de probabilidad del número de bolígrafos que no escriben entre los 200
escogidos.
2. Escoger el menor valor de 𝑥 (número de bolígrafos que no escriben entre los 200) para el que
la probabilidad de rechazar el lote sea inferior al 5%.
(60 940
𝑘 )(200−𝑘)
Pr(𝑋 = 𝑘) = , 𝑘 = 0, 1, … , 60,
(1000
200 )
𝑘 0 1 2 11 12 13
Prob 0.000000964 0.0000156 0.000124 0.128 0.132 0.122
23
Tenemos que
𝑘 15 16 17
𝐹 (𝑘) 0.876 0.929 0.962
[15]: # Ejercicio 9
## Parámetros
N = 1000 ; K = 60 ; n = 200
fp_x = seq(0,15)
fp_p = dhyper(fp_x,K,N-K,n)
fp_pf = data.frame(values=fp_x,probs=fp_p)
Ejercicio 9.1 .-
����������������������
�
values �
probs �
����������������������
� 0 � 9.64e-07 �
����������������������
� 1 � 1.56e-05 �
����������������������
24
� 2 � 0.000124 �
����������������������
� 3 � 0.000637 �
����������������������
� 4 � 0.0024 �
����������������������
� 5 � 0.00708 �
����������������������
� 6 � 0.017 �
����������������������
� 7 � 0.034 �
����������������������
� 8 � 0.0581 �
����������������������
� 9 � 0.086 �
����������������������
� 10 � 0.112 �
����������������������
� 11 � 0.128 �
����������������������
� 12 � 0.132 �
����������������������
� 13 � 0.122 �
����������������������
� 14 � 0.101 �
����������������������
� 15 � 0.0764 �
����������������������
[16]: # Ejercicio 9
## Parámetros
N = 1000 ; K = 60 ; n = 200
fp_x = seq(10,20)
fp_p = phyper(fp_x,K,N-K,n)
fp_df = data.frame(valores=fp_x, probs.ac=fp_p)
25
set_all_borders(TRUE)
print_screen(fp_df_hux,colnames = FALSE)
Ejercicio 9.2 .-
����������������������
�
valores �
probs.ac
�
����������������������
� 10 � 0.317 �
����������������������
� 11 � 0.445 �
����������������������
� 12 � 0.577 �
����������������������
� 13 � 0.699 �
����������������������
� 14 � 0.8 �
����������������������
� 15 � 0.876 �
����������������������
� 16 � 0.929 �
����������������������
� 17 � 0.962 �
����������������������
� 18 � 0.981 �
����������������������
� 19 � 0.991 �
����������������������
� 20 � 0.996 �
����������������������
3.7 Ejercicio 10
En un almacén se guardan 1000 piezas de las cuales 100 son defectuosas. Un inspector toma una
de las piezas al azar, y si no es defectuosa la devuelve al almacén.
Sea 𝑁 el número de inspecciones de piezas no defectuosas antes de encontrar la primera defectuosa.
Calcular la probabilidad de que este número de inspecciones, 𝑁 , esté entre 25 y 60, ambos incluidos.
26
La probabilidad pedida se puede obtener a partir de la función de probabilidad de una distribución
geométrica,
Pr(𝑁 = 𝑘) = (1 − 𝑝)𝑘 𝑝
En nuestro caso, tenemos que calcular Pr(25 ≤ 𝑁 ≤ 60). Reescribimos esta probabilidad para
poder escribirla en términos de la función de distribución de 𝑁 , 𝐹𝑁 (𝑘), como
[17]: # Ejercicio 10
p = 0.1
3.8 Ejercicio 11
El archivo 3LecturasBarras.csv recoge las lecturas erróneas (fallos) de un lector óptico de barras
en una muestra de 200 lecturas.
• Estimar la probabilidad de fallo del lector.
• Suponiendo que la estimación anterior es correcta, calcular la probabilidad de que falle solo
una vez en las siguientes 10 lecturas.
• Calcular la probabilidad de que el lector no falle en las siguientes 20 lecturas, sabiendo que
no falló en las primeras 10 lecturas.
𝑘 0 1
Frecuencias 191 9
Suponiendo las lecturas independientes, podemos aproximar la variable aleatoria que representa un
fallo, 𝑋, mediante una distribución Bernoulli con 𝑝 = 9/200.
27
2. El número de fallos en las siguientes 10 lecturas sigue una distribución binomial con 𝑛 = 10
y el valor de 𝑝 anterior. Tenemos
3. El número de lecturas sin fallos hasta el primer fallo sigue una distribución geométrica con
el valor de 𝑝 anterior. Si denotamos el número de lecturas hasta el primer fallo como 𝑁 , nos
piden calcular
∞
1
Pr(𝑁 > 𝑘) = ∑ (1 − 𝑝)𝑖 𝑝 = (1 − 𝑝)𝑘+1 𝑝 = (1 − 𝑝)𝑘+1
𝑖=𝑘+1
1 − (1 − 𝑝)
obtenemos
(1 − 𝑝)31
Pr(𝑁2 > 20|𝑁1 > 10) = = (1 − 𝑝)20 = 0.398
(1 − 𝑝)11
[18]: # Ejercicio 11
## Pregunta 2
n = 10
p = 9/200
cat(sprintf("\nProbabilidad de X = 1 : %6.3f",dbinom(1,n,p)))
## Pregunta 3
Probabilidad de X = 1 : 0.297
28
3.9 Ejercicio 12
El archivo 3Fallos.csv recoge los fallos por hora de un aparato eléctrico registrados en 20 horas
de funcionamiento. Calcular:
1. Una estimación del número medio de fallos por hora que se espera que tenga el aparato y de
la varianza en este número de fallos por hora.
2. Suponiendo que la estimación es adecuada, examinar si una distribución de Poisson es un
buen modelo para el número de fallos por hora.
3. Suponiendo que el modelo anterior es adecuado, calcular la probabilidad de que el aparato
funcione bien durante la siguiente hora.
4. Suponiendo que el modelo anterior es adecuado, calcular la probabilidad de que el aparato
funcione bien durante las dos siguientes horas.
k 0 1 2 3 4
Frecuencia 4 5 5 5 1
Si denotamos por 𝑋 el número de fallos por hora del aparato, el valor esperado en la muestra
es
𝑥̄ = (5 + 2 × 5 + 3 × 5 + 4)/20 = 1.7
Y la varianza muestral es
algo menor que la media muestral (para una distribución de Poisson, 𝐸[𝑋] = Var[𝑋]).
2. Para examinar si una distribución de Poisson es un buen modelo para el número de fallos por
hora, en primer lugar seleccionamos un valor para el parámetro 𝜆. Lo hacemos imponiendo la
condición de que la media muestral y la media de la distribución coincidan. Por ello, tomamos
𝜆 = 1.7.
Para comparar las probabilidades asociadas a una distribución de Poisson con ese valor de 𝜆
y las frecuencias observadas, calculamos las probabilidades mediante la fórmula
1.7𝑘 exp(−1.7)
Pr(𝑋 = 𝑘) =
𝑘!
En la celda siguiente se muestra el gráfico que compara estos valores.
El ajuste no es excesivamente bueno, pero el tamaño de la muestra también es muy reducido.
29
3. La probabilidad pedida es
1.70 exp(−1.7)
Pr(𝑋 = 0) = = exp(−1.7) = 0.183
0!
4. En este caso nos piden calcular el valor de Pr((𝑋1 = 0) ∩ (𝑋2 = 0)), donde 𝑋1 y 𝑋2 son
los fallos en la primera y segunda hora. Bajo una distribución Poisson ambos sucesos son
independientes, y por tanto
La celda siguiente muestra los cálculos realizados en R para contestar a las preguntas siguientes.
[25]: # Ejercicio 12
dat.e12 = read.csv("./data/3Fallos.csv",sep=";",dec=",")
vf.e12 = as.data.frame(table(dat.e12))
colnames(vf.e12) = c("vals" , "frecs")
cat("\n Valores y frecuencias del número de fallos por hora:\n\n")
vf_df_hux <-
hux(vf.e12) %>%
set_bold(row = 1, col = everywhere, value = TRUE) %>%
set_all_borders(TRUE)
print_screen(vf_df_hux,colnames = FALSE)
mn.e12 = mean(dat.e12$Fallos)
cat(sprintf("\n\nMedia del número de fallos : %8.3f\n",mn.e12))
cat(sprintf("Varianza del número de fallos : %8.3f\n",var(dat.e12$Fallos)))
lambda.f = mn.e12
30
cat("\n Diagrama de barras y probabilidades para la variable X:\n\n")
scale_fill_manual(values=c("steelblue","deepskyblue1"))
plot(p12.pbp)
Ejercicio 12.1 .-
���������������������
� vals
�
frecs �
���������������������
� 0 � 4 �
���������������������
� 1 � 5 �
���������������������
� 2 � 5 �
���������������������
� 3 � 5 �
���������������������
� 4 � 1 �
���������������������
Ejercicio 12.2 .-
31
3.10 Ejercicio 13
La siguiente tabla muestras las frecuencias absolutas del número de errores por 10.000 líneas de
código en un proyecto de desarrollo de software, para una muestra de 950.000 líneas.
#errores 0 1 2 3 4 5 Total
frecuencia 41 29 15 7 2 1 95
Calcular:
1. Una estimación del número medio de errores por 10.000 líneas que se esperan en este proyecto
y de su varianza.
32
2. Suponiendo que la estimación es adecuada, examinar si una distribución de Poisson es un
buen modelo para el número de errores por 10.000 líneas de código.
3. Suponiendo que el modelo anterior es adecuado, calcular la probabilidad de que en 10.000
líneas escogidas al azar haya al menos un error.
1 5
𝑥̄ = ∑ 𝑘𝑓 = (29 + 2 × 15 + 3 × 7 + 4 × 2 + 5)/95 = 0.979
𝑛 𝑘=0 𝑘
5
1
𝑠2 = (∑ 𝑘2 𝑓𝑘 − 𝑛𝑥2̄ ) = 1.255
𝑛 − 1 𝑘=0
2. Para examinar si una distribución de Poisson es un buen modelo para el número de fallos por
hora, en primer lugar determinamos un valor para el parámetro 𝜆 imponiendo la condición de
que la media muestral y la media de la distribución coincidan. Para ello tomamos 𝜆 = 0.979.
Representamos las probabilidades asociadas a una distribución de Poisson con ese valor de 𝜆,
calculadas mediante la fórmula
0.979𝑘 exp(−0.979)
Pr(𝑋 = 𝑘) =
𝑘!
y las frecuencias observadas, obteniendo el gráfico que se muestra en la celda de R más abajo.
Observamos que el ajuste parece razonable en este caso.
3. El valor pedido es
[ ]: # Ejercicio 13
33
cat("\n Valores y frecuencias relativas del número de errores:\n\n")
p13_df_hux <-
hux(p13.df) %>%
set_bold(row = 1, col = everywhere, value = TRUE) %>%
set_all_borders(TRUE)
print_screen(p13_df_hux,colnames = FALSE)
mn.e13 = sum(p13.df$val*p13.df$frec)
cat(sprintf("\n\nMedia del número de errores : %8.3f\n",mn.e13))
mn2.e13 = sum(p13.df$val^2*p13.df$frec)
vr.e13 = mn2.e13 - mn.e13^2
cat(sprintf("Varianza del número de errores : %8.3f\n",vr.e13))
## Probabilidades Poisson
p13.df$prb = dpois(seq(0,5),mn.e13)
scale_fill_manual(values=c("steelblue","deepskyblue1"))
plot(p13.pbp)
3.11 Ejercicio 14
El coste de producción de cierta máquina que se fabrica por encargo es de 4300 euros por máquina
cuando se producen menos de cinco unidades. Si se producen de cinco a nueve unidades, el coste
por máquina baja a 4000 euros. Y cuando se producen diez o más unidades el coste por unidad
baja a 3500 euros.
La demanda de estas máquinas fluctúa según una distribución de Poisson con valor esperado igual
a 8.
1. Si el precio de venta unitario es de 5000 euros, calcula el beneficio esperado por máquina.
2. Si vendemos cada máquina a 3810 euros, calcula la probabilidad de que la empresa pierda
34
dinero.
3. Para este precio de venta (3810 euros), calcula el beneficio total esperado.
⎧ 𝑃 − 4300 si 𝑋 ≤ 4
{ 𝑣
𝐺= 𝑃𝑣 − 4000 si 4 < 𝑋 ≤ 9
⎨
{
⎩ 𝑃𝑣 − 3500 si 9 < 𝑋
4 9
𝐸[𝐺] = (𝑃𝑣 − 4300) ∑𝑘=0 Pr(𝑋 = 𝑘) + (𝑃𝑣 − 4000) ∑𝑘=5 Pr(𝑋 = 𝑘)
∞
+(𝑃𝑣 − 3500) ∑𝑘=10 Pr(𝑋 = 𝑘)
𝑘
Pr(𝑋 = 𝑘) = 8 exp(−8)
𝑘!
4
∑𝑘=0 Pr(𝑋 = 𝑘) = 0.100
9
∑𝑘=5 Pr(𝑋 = 𝑘) = 0.617
∞ 9
∑𝑘=10 Pr(𝑋 = 𝑘) = 1 − ∑𝑘=0 Pr(𝑋 = 𝑘) = 1 − (0.100 + 0.617) = 0.283
• Si 𝑃𝑣 = 5000, tenemos que
4 9 ∞
𝐸[𝐺] = 700 ∑𝑘=0 Pr(𝑋 = 𝑘) + 1000 ∑𝑘=5 Pr(𝑋 = 𝑘) + 1500 ∑𝑘=10 Pr(𝑋 = 𝑘)
= 700 × 0.100 + 1000 × 0.617 + 1500 × 0.283 = 1083.46
• Si 𝑃𝑣 = 3810, la variable 𝐺 tiene función de probabilidad
⎧ −490 si 𝑋 ≤ 4
{
𝐺 = ⎨ −190 si 4 < 𝑋 ≤ 9
{
⎩ 310 si 9 < 𝑋
2. La ganancia total 𝐺𝑇 a su vez está definida como 𝐺𝑇 = 𝐺𝑋, y nos piden calcular Pr(𝐺𝑇 < 0).
Pero como 𝑋 ≥ 0, 𝐺𝑇 < 0 se cumple si y solo si 𝐺 < 0 y 𝑋 > 0, luego
Pr(𝐺𝑇 < 0) = Pr((𝐺 < 0) ∩ (𝑋 > 0)) = Pr(0 < 𝑋 ≤ 9) = 𝐹 (9) − 𝐹 (0) = 0.716
35
⎧ −490𝑋 si 𝑋 ≤ 4
{
𝐺𝑇 = ⎨ −190𝑋 si 4 < 𝑋 ≤ 9
{
⎩ 310𝑋 si 9 < 𝑋
4 9 ∞
𝐸[𝐺𝑇 ] = ∑(−490𝑘) Pr(𝑋 = 𝑘) + ∑(−190𝑘) Pr(𝑋 = 𝑘) + ∑ 310𝑘 Pr(𝑋 = 𝑘).
𝑘=0 𝑘=5 𝑘=10
Para simplificar el cálculo del último término de la suma, utilizamos el resultado siguiente:
∞ 9 9
∑ 𝑘 Pr(𝑋 = 𝑘) = 𝐸[𝑋] − ∑ 𝑘 Pr(𝑋 = 𝑘) = 𝜆 − ∑ 𝑘 Pr(𝑋 = 𝑘).
𝑘=10 𝑘=0 𝑘=0
[ ]: # Ejercicio 14
## Probabilidades de interés
prb.1 = ppois(4,8)
prb.2 = ppois(9,8) - ppois(4,8)
prb.3 = 1 - ppois(9,8)
## Probabilidad de pérdidas
ve.bt = -490*sum(seq(0,4)*dpois(seq(0,4),8)) -␣
↪190*sum(seq(5,9)*dpois(seq(5,9),8))
36
4 Exámenes de años anteriores
4.1 Ejercicio 15
(Parcial 2019) Una variable aleatoria discreta, 𝑋, tiene función de probabilidad 𝑝𝑘 = Pr(𝑋 = 𝑘) =
1/𝑁 para 𝑘 = 1, … , 𝑁 , donde 𝑁 ≥ 2 es un valor entero. Justifica que se cumple la siguiente
igualdad:
𝑁2 − 1
Var[𝑋] =
12
4.2 Ejercicio 16
Una variable aleatoria discreta tiene la siguiente función de distribución:
Valor 0 1 2 3 4
Probabilidad 0.05 0.30 0.75 0.90 1
37
En nuestro caso tenemos que
4 4
𝐸[𝑋] = ∑𝑘=0 𝑘 Pr(𝑋 = 𝑘) = ∑𝑘=0 𝑘(𝐹 (𝑘) − 𝐹 (𝑘 − 1))
= 0 × 0.05 + 1 × 0.25 + 2 × 0.45 + 3 × 0.15 + 4 × 0.1 = 2
4.3 Ejercicio 17
(Parcial 2019) Dispones de una muestra (aleatoria simple) del número de errores que se producen
en un proceso durante un cierto periodo de tiempo.
La muestra recoge valores de errores para 40 periodos. Las frecuencias de los números de errores
en cada periodo son las siguientes:
# Errores 0 1 2 3 4 Total
Frecuencia 11 12 9 6 2 40
38
2. Podemos escoger el valor del parámetro 𝜆 aplicando la condición de que la esperanza de
la distribución coincida con la media de los datos en la muestra. Para ello seleccionamos
𝜆 = 𝐸[𝑋] = 𝑥̄ = 1.4.
3. Para calcular la función de distribución emplearemos la fórmula de los valores de la función
de probabilidad
1.4𝑘 exp(−1.4)
Pr(𝑋 = 𝑘) =
𝑘!
# Errores 0 1 2 3 4 5
Probs 0.2466 0.3452 0.2417 0.1128 0.0395 0.0110
# Errores 0 1 2 3 4 5
𝐹 0.2466 0.5918 0.8335 0.9463 0.9857 0.9968
4. Por una parte, tenemos que la media y la varianza de la distribución se parecen mucho (la
media coincide) a la media y varianza de la muestra.
Por otra parte, las frecuencias relativas de la muestra,
# Errores 0 1 2 3 4
Frecs 0.275 0.3 0.225 0.15 0.05
son algo distintas de los valores de la función de probabilidad, pero tampoco excesivamente,
por lo que el modelo de Poisson seleccionado parece razonable para estos datos.
5. A partir de la función de distribución podemos obtener el valor solicitado como
4.4 Ejercicio 18
(Parcial 2019) Una compañía fabrica accesorios para otra empresa, que se encarga de integrarlos
en sus productos. La compañía fabricante sabe que en su proceso aproximadamente uno de cada
20 accesorios tiene algún defecto.
La empresa cliente recibe el producto en lotes. Su procedimiento para aceptar un lote consiste
en seleccionar (sin reemplazamiento) 4 accesorios de manera aleatoria y someterlos a prueba. Si
ninguno de los accesorios presenta defectos, el cliente acepta el lote.
1. Calcula los valores de la función de probabilidad de la variable aleatoria 𝑋, cuyo valor es el
número de accesorios defectuosos entre los 4 seleccionados.
39
2. Indica el valor esperado y la varianza de 𝑋.
3. Si se acepta el lote, la compañía fabricante recibe un ingreso por la venta del mismo de 2800
euros. Si se rechaza, la compañía no recibe ingresos y tiene que pagar 1000 euros por los
costes de las pruebas y la devolución del lote rechazado.
Calcular la ganancia esperada por la compañía fabricante.
4. Si los lotes son de 50 unidades y un lote contiene 3 productos defectuosos, calcula la proba-
bilidad de rechazar ese lote aplicando la regla anterior.
4 1 𝑘 19 4−𝑘 4 194−𝑘
Pr(𝑋 = 𝑘) = ( ) ( ) ( ) =( ) .
𝑘 20 20 𝑘 204
Los valores de la función son
# Defectos 0 1 2 3 4
Probs 0.8145 0.1715 0.0135 0.000475 0.00000625
3. Tenemos que calcular el valor esperado de otra variable aleatoria, la ganancia 𝐺, que es una
función de 𝑋. El valor de 𝐺 se define como
2800 si 𝑋 = 0
𝐺={
−1000 si 𝑋 > 0.
40
[ ]:
41