Boletin 2 Variables Aleatorias Soluciones

lOMoARcPSD|9981462
Boletin-2-variables-aleatorias-soluciones
Matemáticas: Estadística (Universidade de Vigo)
Studocu is not sponsored or endorsed by any college or university

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)
lOMoARcPSD|9981462
Boletin 2 Variables Aleatorias Soluciones

Estadistíca ( V12G320V01103)
Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 1
o
Boletı́n n 2. Variables Aleatorias. Soluciones
on de masa de proba-
Ejercicio 1. Sea X una variable aleatoria con la siguiente funci´
bilidad:
x i 4:5 4:6 4:7 4:8 4:9 5:0
P (X = x i) 0:16 0:25 0:28 0:18 0:10 0:03
a. Calcula las siguientes probabilidades: P (X = 4:8), P (X > 4:8), P (X < 4:8),

P (X  4:6 j X < 4:9).
on tı́pica de X .
b. Calcula la esperanza y la desviaci´
Sol.: a) 0.18, 0.13, 0. 69, 0.8161; b) E [X ] = 4:69, DT [X ] = 0:1315.

Solución
a. Estamos ante una variable discreta pues el soporte DX = f4:5; 4:6; 4:7; 4:8; 4:9; 5:0g
es finito.
(a)
P (X = 4:8) = 0:18
P (X > 4:8) = P (X 2 f4:9; 5:0g) = P (X = 4:9) + P (X = 5:0) = 0:1 + 0:03 = 0:13
porque los sucesos fX = 4:9 g y fX = 5:0g son incompatibles.
(b)
P (X < 4:8) = P (X = 4:5) + P (X = 4:6) + P (X = 4:7)

= 0:16 + 0:25 + 0:28 = 0:69
(c)
([X  4:6] \ [X < 4:9])
 4:6jX < 4:9) =
P
P (X
P (X < 4:9)
P (X = 4:6) + P (X = 4:7) + P (X = 4:8)
=
P (X = 4:5) + P (X = 4:6) + P (X = 4:7) + P (X = 4:8)
0:25 + 0:28 + 0:18
= = 0:8161
0:16 + 0:25 + 0:28 + 0:18
Otra forma es utilizando la funci´

on de distribución F ( x) = P (X  x) (repre-
aficamente):
sentarla gr´
8
>
>
>
0 x < 4:5
 x < 4:6
> 0 16
< 0 16 + 0 25 = 0 41
:
: : :
4:5
4:6  x < 4:7
x 4:7  x < 4:8
F ( x) = P (X )=
>
>
0 41 + 0 28 = 0 69
: : :
4:8  x < 4:9

>
>
0 69 + 0 18 = 0 87
: : :
4:9  x < 5:0

: 00 97
87 + 0 1 = 0 97
:
+ 0 03 = 1 0
:
:
:
:
: 5:0  x
José M. Matı́as, 2018-2019
9 0

lOMoARcPSD|9981462
de tal manera que:
P (X  j 4:6 X < 4:9) =

P ([X  \ 4:6] [X < 4:9])
(X 4:9)

P <
P (4:6 X < 4; 9)
=
P (X  4:8)
=
F (4:9)   F (4:6) P (X = 4:9) + P (X = 4:6)
(4:8)
 
F
0:97 0:41 0:1 + 0:25

= = 0:8161
0:87
X
b.
 = E (X ) = xi P (X = xi )
xi 2DX
 
= 4:5 0:16 + 4:6 0:25 + 4:7 0:28 + 4:8 0:18 + 4:9 0:1 + 5 0:03    
= 4:69
2
 2  2
 2
 =
)
V ar (X )
 =+
p =

E
2 =+
X
p 0:0169 = 0:13
 = 22:013 4:69 = 0:0169
pues:
E
 2 = X
X xi P
2
(X = xi )
i 2DX
     
x
2 2 2 2 2 2
= 4:5 0:16 + 4:6 0:25 + 4:7 0:28 + 4:8 0:18 + 4:9 0:1 + 5 0:03
= 22:013
c. Preguntas adicionales:
(a) Calcular la mediana y el tercer cuartil:

x0:5 = F
1 (0:5) , 0:5 = F (x0:5 )
) x0:5 = 4:7
x0:75 = F
1 (0:75) = 4:8
(b) Probabilidad de que la v.a. produzca un valor mayor que 4:75 :

P (X > 4:75) = 1  P (X  4:75) = 1  0:69 = 0:31
Ejercicio 2. Calcula la media, la varianza y la desviaci´

on tı́pica de una variable
aleatoria X cuya función de distribución es:
8
>
>0 1;
<1 6
si x <
= si 1  x < 3;
F (x )=
>
>
:11 2 = si 3  x < 6;
si x  6:
9 0

lOMoARcPSD|9981462
2
Sol.: E [X ] = 4:17; X = 3:80; X = 1:95.
Solución.
on F (x) :
La función de masa viene dada por los saltos de probabilidad de la funci´
8
>
< 11 26  1 6 = 1 3
= si x = 1
si x = 3
>
= = =
p(x) = P (X = x )=
: 10  1 2 = 1 2 = = si x = 6
resto
con lo que el soporte DX = f1; 3; 6g:
a.
X
X = E (X ) = x i  P (X = xi ) = 1  1=6 + 3  1=3 + 6  1=2 = 4:1667
xi 2DX
b.
2 2 2 2
X = E (X
 X )  E (X ) = 21:167  4:1667 = 3:8056
X x2
2 2 2 2
E (X ) =
i i
x P (X = x ) =
i P ( X = xi )
x2i 2DX2 xi 2DX
2 127
=1  1=6 + 32  1=3 + 62  1=2 = = 21:167
q p
6
 X =+ 
X2 = + 3:8056 = 1:9508
c. Preguntas adicionales:
P( 3 < X  4) = F (4)  F (3) = 1=2  0 = 1=2

P (1  X  5) = F (5)  F (1) + P (X = 1) = 1=2  1=6 + 1=6 = 1=2
P (1 < X < 6) = F (6)  F (1)  P (X = 6) = 1  1=6  1=2 = 1=3
Ejercicio 3. Un ingeniero quiere estimar el coste total de un proyecto para hacer

una oferta adecuada del mismo. Su trabajo lo valora en una parte fija de 12000 euros y
otra variable de 300 euros por d´ıa trabajado. Sabe que el proyecto le llevar´
a entre 7 y
11 dı́as con la siguiente función de masa de probabilidad para X : “numero
´ de dı́as que
tardará en realizar el proyecto”:
x i 7 8 9 10 11
P (X = x i) 0:10 0:20 0:30 0:30 0:10
a. ¿Cuál es la probabilidad de que el proyecto tarde en realizarse 9o´10 dı́as?
b. Calcular la esperanza y la varianza de X .

on tı́pica del coste.
c. Determinar el valor medio y la desviaci´
9 0

lOMoARcPSD|9981462
Sol: a) 0:6; b) E [X ] = 9:1 d´ıas,  2X = 1:29 dı́as; c) 14730 euros, 340:73 euros
Solución
a.
P f (X = 9) [ (X = 10) g = P (X = 9) + P (X = 10) = 0:3 + 0:3 = 0:6
b.
E (X ) =
X xi P (X = xi )
x i 2DX
 
= 7 0:1 + 8 0:2 + 9 0:3 + 10 0:3 + 11 0:1 = 9:1    dı́as
 
2
X =
)
V ar (X )
X =+
q
=

E
2 =+
X
2
p

2
= 84:1
1:29 = 1:1358
 2
9:1 = 1:29
dı́as
dı́as2
E (X
2
)=7
2
 0:1 + 8
2
 0:2 + 9
2
 0:3 + 10
2
 0:3 + 11
2
 0:1 = 84:1
es decir, por término medio, la duraci´ on de un proyecto de este tipo será de

 = 9:1 dı́as  ıas apr óximadamente.
1:1358 d´
c. El coste de un proyecto de este tipo es Y = 12000 + 300  X; por tanto, la nueva

variable Y tiene como distribución de probabilidad:
X P (X = x) = P (Y = y) Y = 12000 + 300  X F (y ) = P (Y  y)
7 0:1 14100 0:1

8 0:2 14400 0:3
9 0:3 14700 0:6
10 0:3 15000 0:9
11 0:1 15300 1
pero podemos utilizar la formula

´ on lineal de
para la media de la transformaci´
una variable aleatoria:
E (Y ) = 12000 + 300  E (X ) = 12000 + 300 9:1 = 14730  euros
2
Y = V ar (Y ) = 300
2
 V ar (X )
Y = 300  X 
= 300 1:1358 = 340:74 euros
a por término medio 14730
lo que significa que un proyecto de este tipo costar´ 
340:74 euros apróximadamente.
d. Nueva pregunta: Cuál debe ser el presupuesto a ofertar por el proyecto si quere-
mos que la probabilidad de que el proyecto supere en coste a nuestra oferta sea
de 0:2:
Nos piden cual tiene que ser el presupuesto b tal que P (Y > b) = 0:2 ,
P (Y 
b) = FY (b) = 0:8: Es decir, nos piden el cuantil b = y0:8 : Viendo
la función de distribución FY en la tabla, vemos que: b = x0:8 = 15000 euros.
9 0

lOMoARcPSD|9981462
Ejercicio 4. En una empresa de fabricaci´

on de piezas de ordenador, se sabe que el
6% aquina son defectuosas.
de las piezas que produce una determinada m´
a. Se toma una pieza al azar. Sea la variable X tal que vale 1 si la pieza es defectu-
on tı́pica de esta variable.
osa y 0 en caso contrario. Halla la media y la desviaci´
b. Si la máquina produce 20 piezas al d´ ıa, ¿cuál es la probabilidad de que ninguna
de las piezas sea defectuosa? Calcula la probabilidad de que haya a lo sumo una
pieza defectuosa. Halla el numero
´ medio de piezas defectuosas que se producen
on tı́pica del número de piezas defectuosas entre
en ese dı́a, ası́ como la desviaci´
las 20 fabricadas.
c. Suponiendo que la m´ aquina fabrica tantas piezas como sean necesarias, calcula
la probabilidad de que la primera pieza defectuosa sea la cuarta fabricada. ¿Cu´
al
es el número esperado de piezas que se deben fabricar hasta encontrar una de-
fectuosa?
Sol.: a) E [X ] = 0:06; X = 0:23749; b) 0:2901; 0:6605; 1:2; 1:0621; c) 0:0498; 16:67
(incluyendo la pieza defectuosa).
Solución
a. Sea X : ”número de piezas defectuosas en cada pieza producida por la empresa
cuando la probabilidad de obtener una pieza defectuosa es 0:06”. El soporte es
DX = f0; 1g con función de masa de probabilidad P (X = 1) = p = 0:06 y
P (X = 0) = 1  P (X = 1) = 1  p = 1  0:06 = 0:94: Por tanto, X es una
 = E (X ) =
X
variable de Bernoulli X  Be (p) de parametro
´
i
probabilidad de éxito p = 0:06:
x P (X = x ) = 1 i P (X = 1) + 0 P (X = 0)
xi 2DX
 p + 0  (1  p) = p = 0:06
 
= 1
2 2
 = V ar (X ) = E X  2 = p  p2 = p (1  p) = pq = 0:06  0:94 = 0:0564
p p
 X=
 
pq =
pues E X 2 = p =
0:0564 = 0:23749
0:06 ya que X
2
 
sigue la misma distribución de Bernoulli
que X ya que P (X 2 = 1) = P (X = 1) = p y P X 2 = 0 = P (X = 0) =
1  p = q:
b. Sea Y : ”número de piezas defectuosas en 20 producidas por la empresa con

probabilidad de defectuosa p = 0:06”. Y es una variable binomial Y  B(n; p)
y
con n = 20 y p = 0:06 con función de masa de probabilidad:
n n y ;
P (Y = y) = p (1  p) y = 0; 1; :::; n
y
P (Y = 0) =

La probabilidad pedida es
20
0:06
0
(1  0:06)
200
=
20!
0:94
20
= 0:94
20
= 0:29011
0 0! (20  0)!
9 0

lOMoARcPSD|9981462
P (Y  1) =
20 
P (Y = 0) + P (Y = 1)
 
=
0
0
0:06 (1  0:06)
200
+
20
1
1
0:06 (1  0:06)
201
= 0:6605
La media es:
 = E (X ) = np 
= 20 0:06 = 1:2 defectuosas en 20 piezas
La varianza y desviación t´ıpica son:
Y

2
= V ar
p
(Y ) = np (1  p) = npq 
= 20 0:06 (1   0:06) = 1:128
)  Y = 1:128 = 1:0621
c. Sea la variable Z : ”número de piezas a fabricar hasta encontrar la primera

defectuosa cuando la probabilidad de defectuosa es p = 0:06”Entonces Z es
ametro p = 0:06: Z
una variable Geométrica con par´ G (p) cuyo soporte es 
f g
DZ = 1; 2; :::: cuya función de masa es:
P (Z = z) = (1  p)
z1 p; z = 1; 2; ::::
P (Z = 4) = (1  0:06)
3
 0:06 = 0:0498
1 1
E (Z ) = = = 16:667 piezas
p 0:06
Ejercicio 5. Un examen tipo test consiste en 10 preguntas con 4 respuestas, siendo

sólo 1 correcta. Si un estudiante contesta el examen al azar, calcular:
a. Probabilidad de acertar 5 preguntas.

b. Probabilidad de no acertar ninguna pregunta.
c. Probabilidad de acertar 8 preguntas.
d. ¿Cuál es el número esperado y desviación t´ıpica del número de respuestas cor-

rectas?
Sol.: a) 0:0584, b) 0:0563, c) 0:0004, d) E [X ] = 2:5, X = 1:3693

Defino la variable X : ”número de preguntas acertadas de 10 preguntas indepen-
dientes cuando la probabilidad de acertar es p = 1=4”. Entonces, X B (n; p) con 
n = 10; p = 1=4: La función de masa de probabilidad de la binomial es:

P (X = x) =
n
p
x (1  p)nx ; x = 0; 1; :::; n
x
a. 10  1 5  105
P (X = 5) =
5 4
1  1
4
= 0:0584
9 0

lOMoARcPSD|9981462
b.
P (X = 0) =
     
10 1
0
1
1
10
= 0:0563
0 4 4
c.       8 10 8
P (X = 8) =
10
8
 1
4
1
1
4
= 0:000386
Nótese que la probabilidad de aprobar es:
X
4
P (X  5) = 1  P (X < 5) = 1  P (X  4) = 1 P (X = x)
 
X
x=0
4
=1
10
0:25
x  (1  0:25)10x = 0:078127
x=0 x
d.

  
1 5
E (X ) = np = 10 = = 2:5
4 2
X = Var(X ) = npq = 10 
1 1
q
2
 1 = 1:875
p
4 4
 X =+ X2 = +
 1:875 = 1:3693
a por término medio un 2:5

es decir, el alumno sacar´  1:3693 aproximadamente.
´
e. Pregunta adicional: si se asigna un punto a cada pregunta acertada y se penalizan
a el alumno que
los errores con 1/3 de punto, ¿cuál será la nota media que sacar´
contesta al azar?
El número de preguntas erróneas I = 10  X es una variable aleatoria al serlo
a:
X e igualmente la nota final, que ser´
N = X  1
3
I = X  1
3
(10  X) = X +
1
3
X  10
3
=
4
3
X  10
3
que es una transformación lineal de la variable aleatoria X: Por tanto, su media

será:
E (N ) =
4
3
E (X )  10
3
=
4
3
  5
2
10
3
=
20
6
 10
3
=0
al tendr´ıa que ser la penalización

Finalmente, si el examen tuviese n preguntas, cu´
por pregunta errónea? Ahora, E (X ) = np = 0:25n: Si  es la penalizaci´ on,
N = X  I = X   (n  X) = X 
+ X n = X   (n X) 
E (N ) = E (X )   (n E (X ))  = 0:25n   (n 0:25n)  = 0
)  =
(1 
0:25n
0:25) n
=
3
1
(que no depende de n)
9 0

lOMoARcPSD|9981462
Ejercicio 6. Un inspector de aduanas decide revisar 3 de 16 embarcaciones prove-

nientes del pa´ıs P . Si la selección es aleatoria y 5 de las embarcaciones contienen
contrabando encuentre las probabilidades de que el inspector de aduanas,
on con contrabando.
a. no encuentre ninguna embarcaci´
b. encuentre exactamente una de las embarcaciones con contrabando.
c. encuentre exactamente cinco embarcaciones con contrabando.
Sol.: a) 0:2946; b) 0:49107; c) 0.

Solución.
Defino la variable X : ”número de embarcaciones con contrabando de 3 inspec-
cionadas sin reposición de 16 en las que hay 5 con contrabando”. Entonces X 
H G(N; D; n ) con N = 16; D = 5; n = 3; cuya función de masa de probabilidad es:
DN D 
x  nx
P (X = x) = N
n
a. 511
P (X
3
= 0) = 016  = 0:29464
3
b. 511
P (X = 1) = 1  2
= 0:49107
16
3
c. El soporte es DX = f0; 1; 2; 3g por tanto P (X = 5) = 0:
d. Pregunta adicional: si la situaci´

on anterior se produce con frecuencia, cu´
al será
el número de embarcaciones que por término medio el inspector descubrir´
a con
contrabando:
D 5
E (X ) = np = n  =3 = 0:9375 embarcaciones
N 16
Ejercicio 7. El encargado de una oficina de correos debe enviar 15 paquetes, 6 de

ereo y el resto por correo terrestre. Sin embargo, en un descuido los
ellos por correo a´
mezcla y manda seis paquetes al azar por correo a´ ereo. ¿Cuál es la probabilidad de
ıo hayan sido incluidos solamente tres de los paquetes que tendr´ıan que
que en este env´
ereo? Sol.: 0:33566
enviarse por correo a´
Solución
Defino X : ”numero
´ de paquetes a enviar por correo aéreo en n = 6 elegidos sin
reposición de un conjunto de N = 15 en los que hay D = 6 paquetes a enviar por
correo aéreo”. X  H G(N; D; n) = HG(N; n; p) con N = 15; n = 6; D = 6 y
p = D=N = 6=15:La función de masa es:
DN D 
x  nx
P (X = x) = N
n
9 0

lOMoARcPSD|9981462
por lo que la probabilidad pedida es:

6156
3 6
P (X = 3) = 15 3 = 0:33566
6
Preguntas adicionales:
a. Probabilidad de que env´ıe correctamente al menos 2 de los 6.
P (X 2) = 1 P (X  < 2) = 1  P (X  1) = 1  P (X = 0)  P (X = 1)
6 15 6  6156
=1 0
15 6  1
155 = 0:83217
6 6
b. Número medio de paquetes que enviar´ıa correctamente por ese procedimiento:
E (X ) = np = n  N
D
=6  6
15
= 2:4 paquetes
Ejercicio 8. La duración en años de la bater´ıa de cierto modelo de teléfono móvil

es una variable aleatoria continua con función de densidad:
(
f ( x) =
k (x  2)2 si 2 x   4;
0 en otro caso.
on de densidad.
a. Calcula el valor de k para que f sea funci´
ıa dure más de tres años y medio?
b. ¿Cuál es la probabilidad de que una bater´
c. Sabiendo que una bater´ıa tiene más de tres años y medio, calcula la probabilidad
de que dure menos de 3.75 a˜ nos.
d. Halla la media y la mediana de la duración de la bater´ıa. Compara sus valores.

on e interpreta su valor.
Calcula el cuantil de orden 0.90 de la duraci´
Sol.: a) 3/8; b) 0:5781; c) 0:4291; d) E [X ] = 3:5 a˜

nos, M eX = 3:58 años,
x0:9= 3:93 añ os.
Solución
a. Para que f sea funci´

on de densidad, se tiene que cumplir que:
Z 1 Z
1 1 
4
2
1= ( )= f (x)dx = (x 2)
1
P < X < k dx
2
#
= k
Z 4
(x  2)
2
dx = k
(x  2)
3 4
= k

8
 ) 0

k =
3
2 3 3 8
2
9 0

lOMoARcPSD|9981462
b. Calculemos la funci´
on de distribución:
F ( x) = P (X  x)
8> 0 si 2
Z <R  i
x <
x
(  2)
x 2 (u 2)3
x
(x 2)3

>
3
= = 3 =
: 1 si  4
f (u)du = si 2 4
1
u du x <
2 8 8 3 8
2
x
P (X > 3:5) = 1  P (X  3:5) = 1  F (3:5) =1  (3:5  2)

3
= 0:57813
8
c.
P (X < 3:75 j
X > 3:5) =
P (3:5
P (X
< X <
> 3:5)
3:75)
(3:75)  (3:5)
(3:75 2)3   (3:5  2)3

F F 8 8
=
1 F (3:5)
=
1  (3:5  8
2)3
= 0:4291
d.
Z1 Z
 
4
3 2
(X ) = xf (x)dx = (x 2)
1
E x dx
8
Z   Z  2

 4 +4 = 8 4
4 4
3 2 3 3 2
= x x x dx x x + 4x dx

3
8 2
 2
 4 3 +4 2
4 3 2 4
8 4
x x x
=
 2
2 
  
4 3 2 4
3 4 4 4 23 22
= 4 +4 4 +4 = 3:5
8 4 3 2 4 3 2
La mediana satisface: x0:5 = F

 1
(0:5) , F (x0:5 ) = 0:5:
0:5 = F (x0:5 ) =
(x0:5  2)
3
8
4 = (x0:5  , 2)
3
4
1=3
= x0:5  2
, x0:5 =4
1=3
+ 2 = 3:58
Nótese que  < x0:5 lo que indica que la distribución es asimétrica por la
izquierda. Representar gr´ on de densidad para comprobarlo.
aficamente la funci´
El cuantil x0:9 es:
0:9 = F (x0:9 ) =
(x0:9  2)
3
8
7:2 = (x0:9  , 2)
3
7:2
1=3
= x0:9  2
, x0:9 = 7:2
1=3
+ 2 = 3:931
9 0

lOMoARcPSD|9981462
e las caracter´ısticas calculadas anteriormente (media, me-

Piénsese: 1) ¿por qu´
) an todas en el intervalo ; y no fuera de el?;
diana y x0:9 est´ ´ 2) ¿por qu´ e la [2 4]
media no es el punto medio del intervalo ; ? [2 4]
e. Pregunta adicional: el fabricante de las bater´ ıas quiere determinar el per´ıodo
de garantı́a que debe ofrecer a sus clientes pero despu´ es de cálculos financieros
determina que sólo podrı́a sustituir el 10%
de las baterı́as. ¿Cuál ser´ıa ese perı́odo
de garant´
ıa?
ıa es el suceso
Sea xg los años de garant´ıa. Sustituir una baterı́a al azar por garant´
X < xg ; por tanto, xg debe satisfacer : P X < xg P X 01 = (
xg por )= (  )
ser X continua. Por tanto, ese per´ ıodo de garantı́a es el cuantil xg x0:1 =
0 1 = (  0 1 ) = ( 0 1 ) = 81 ( 0 1  2)3
: P X x : F x : x :
01 =08 + 2 = 2 928 años ser´ıa el per´ıodo de garantı́a

1 3 =
x : : :
Ejercicio 9. A una caldera se le suministra gasoil una vez a la semana. El consumo

semanal X (en miles de litros) se ajusta a la siguiente funci´
on de densidad:
(
( ) = 03 2 
f x
= x 0
si < x < ;
en otro caso.
1
a. ¿Cuál tiene que ser, aproximadamente, la capacidad del depósito (en miles de
litros) de la caldera para que la probabilidad de que se acabe el gasoil en una
determinada semana sea 0.10?
b. Calcula el consumo semanal esperado.
Sol.: a) : 0 8292, b) 5 12 miles de litros

=
Solución
a. Nos piden el valor C; tal que P X > C (

: ; es decir, P X C : ; ) = 01 (  ) = 09
= ( )=09
( )= (  )=R ( )
es decir, el valor C x0:9 que satisface F x0:9 : : Por tanto tenemos que
1
x
on: F x
calcular antes la función de distribuci´ P X x f x dx;
que resulta (graficar la funci´

on y relacionarla con la densidad):
8
< R0 si  0
> i
( ) = > 1 ( ) = R0 (3 2  ) = 23
x
F x
x
: 1 si  1
f x dx
x
= u du u  u
2
2 x
0
= 23 x  2
x
2 si x 2 (0 1)
;
= (0 1) pues de lo contrario
El valor C x0:9 pedido tiene que estar en el intervalo
0  0) Por tanto: 1
;
(
la probabilidad P X > C es (si x ) 1
) o´ es (si x :
0 9 = ( 0 9 ) = 23 0 9  02 9
2 x
:
: F x : x :
1 2  3 + 0 9 = 0 ) = 2 1708 y = 0 82918
2 09 2 09
x
: x : : x : x :
9 0

lOMoARcPSD|9981462
con lo que la capacidad pedida es C = 0:82918. Si fuese x = 2:1708;la prob-

ıa P (X > 2:1708) = 0 que no cumple lo
abilidad de quedarnos sin gasoil ser´
requerido.
También se podr´ıa haber calculado directamente el valor C mediante:
Z Z

1 1
0:1 = P (X > C ) = f (x)dx = (3=2 x) dx
C C
 1
 
  
   
3 2
=
x
=
1 2 1 = 1 2
x 3x x 3 1 3C C
2 2 C
2 C
2
=
1
2

 2 3C + C
2

=1  3
2
C +
1
2
C
2
0=
1
2
C  2
2
3
C + 0:9 ) C = 2:1708 or C = 0:82918
b.
Z 1 Z

1
(X ) = xf (x)dx = (3=2 x) dx
1
E x
0
3 1
=
3 x2
2 2
 x
3 0
=
3
4
 1
3
=
5
12
= 0:41667
c. Preguntas adicionales. Calcular:
(a) Si la capacidad del dep´

osito fuese C = 0:9; la probabilidad de quedarse sin
gasoil en una semana cualquiera:
 
P (X > 0:9) = 1  P (X  0:9) = 1  F (0:9) =1  3
2
0:9  0:92
2
= 0:055
(b) La probabilidad de que el consumo semanal se encuentre entre 200 y 500

litros:
P (0:2   X 0:5) =

F (0:5)  F (0:2)
  
=
3
2
0:5  0:52
2
 3
2
0:2  0:22
2
= 0:345
(c) Si una semana el consumo semanal no supera los 500 litros, la probabilidad
de que dicho consumo se encuentre entre 100 y 200 litros
  j  P (0:1   X 0:2) F (0:2)  F (0:1)

P (0:1 X 0:2 X 0:5) =

P (X   0:5)
=
F (0:5)

3
2 0:2   0:22
2
3 0:1
2  0:12
2
= 
 3
2 0:5
0:52
2
 = 0:216
9 0

lOMoARcPSD|9981462
Ejercicio 10 El tiempo de reacci´ ımulo es una vari-

on (en segundos) a un cierto est´
on de densidad
able aleatoria continua con funci´
( 1:5
x2
si 1  x < 3
f ( x) =
0 en otro caso
on sea a lo sumo 2:5 segun-

a. ¿Cuál es la probabilidad de que el tiempo de reacci´
dos?
b. Construye un gráfico aproximado de la funci´

on de densidad y señala en el gráfico
la probabilidad del apartado a).
c. Calcula el tiempo esperado de reacci´
on.
Sol.: (a) 0:9; (c) 1:65 segundos

Solución
a.
Z Z   
(X  2 5) =
2:5
(x) dx =
2:5
1:5x
 2
= 1 5 1 12 5 = 1 5
: 1
 1
= 0:9
1
P : f dx : x :
1 25
: 1
f(x) 1.5
1.0
0.5
0.0
0 1 2 3 4
x
b.
Z1 Z Z
(X ) = (x) dx =
3
x1:5x
 2
dx+
3
1:5x
 1
= 1:5 (ln 3  ln 1) = 1 5 ln 3 = 1 6479
1
E xf dx : :
1 1
Ejercicio 11 El gasto en telefon´

ıa móvil (en decenas de euros) en determinado mes
en los hogares gallegos con esta tecnolog´ıa es una variable aleatoria X con funci´
on de
distribución 8
0 >
> si x < 0
< 2 x
si 0  x < 6
F (x )=
>  60
si 6  x < 10
:1 
(10 x)2
> 40
1 si x  10
a. Entre los hogares que gastan m´

as de 40 euros, ¿qué porcentaje gasta menos de
80 euros?
9 0

lOMoARcPSD|9981462
ıa móvil de los hogares gallegos en ese mes.

b. Calcula el gasto medio en telefon´
Sol.: (a) 0:8636; (c) 5:33 euros

Solución
ınua pues la función de distribución es continua pues lim !0 F
Es una variable cont´ (x +  ) =
F (x) (comprobar para x = 0; 6; 10) que tiene por densidad:
8
< x 2
60
si 0  x < 6
: 0 (10  si 6  x < 10
dF
1
f ( x) = (x )= x)
20
si x  10
dx
F(x) 1.0 f(x)

0.2
0.5 0.1
0.0
-2 0 2 4 6 8 10 12 0 2 4 6 8 10
x x
Distribucion F (x) del ejercicio 2 Densidad f (x) del ejercicio 2
a.
(X 8) (X 4 \ X < 8)
jX > 4) =
P < P >
P (X < 8 =
P (X > 4) P (X > 4)
=
P (4 < X < 8) F (8)  F (4)
=
 F (4)
 P (X
8)  42
> 4)
2  1
1  (1040 60 0:9  0:2667

= = = 0:8636
42
1  60 0:7333
b.
Z1 Z 6
2x
Z 10
1
E (X ) = (x) dx = + (10  x) dx = 5:3333
1
xf x dx x
0 60 6 20
Ejercicio 12. Para trasladarse desde su casa al trabajo, una persona tiene que tomar
un autobús. El tiempo total de espera (en minutos) en la parada sigue una distribuci´
on
Uniforme en el intervalo (0,10).
on.
a. Calcula el tiempo medio de espera y una medida de dispersi´
b. En un d´ıa elegido al azar, ¿cuál es la probabilidad de que el tiempo de espera
supere los 6 minutos?
9 0

lOMoARcPSD|9981462
al es la probabilidad de que el numero

c. En una semana con 5 d´ıas laborables, ¿cu´ ´
de d´ıas en los que espera menos de 6 minutos sea a lo sumo 2?
d. Si consideramos que durante un año el trabajador acude al trabajo 220 d´
ıas, ¿cuál
es la probabilidad de que el tiempo total de espera sea superior a 1000 minutos?
Sol.: a) E (X ) = 5, V ar(X ) = 8:33; b) 0.4; c) 0:31744; d) 0.99024.
Solución
Sea X : ”tiempo total de espera en minutos en la parada”. X  U (0 10) con
 2
;
densidad f (x) = 1=(b a) = 1=10 si x (0; 10) y cero en el resto.
Z1 Z  
a. La media de la uniforme es:
10
1 1 2 10
1 102 0 
0
x
(X ) = ( ) = = = = 5 minutos
1
E xf x dx x dx
0 10 10 2 0 10 2
y la desviación tı́pica:

2
= V ar (X ) =
(b  a )2
=
102
= 8:333 )  =
p8 333 = 2 8867
: :
12 12
b. Z 10 1
1  10
4
P (X > 6) = dx = x = = 0:4
6 10 10 6 10
c. Sea Y : ”número de dı́as de 5 dı́as independientes en los que el tiempo de espera
es menor de 6 minutos cuando la probabilidad de ese suceso es p"; entonces
Y B
(n; p) con n = 5; p = P (X 6) = 1 P (X > 6) = 1 0:4 = 0:6   
y
cuya función de masa es:
P (Y = y ) =
n
p (1  )
p
n y  ; y = 0; 1; :::; n
y
por lo que la probabilidad pedida es:
(Y  2) = (Y = 0) + P (Y = 1) + P (Y = 2)
X 50 6y (1  0 6) y = 0 31744
P P
2
5
= : : :
y
y=0
d. Sea T = 220 P U
(0; 10) independientes los tiempos de espera
i=1 Xi con Xi
de cada uno de los 220 d´ıas. Como n = 220 > 30; por el Teorema Central
del Lı́mite T N
(T ; T ) donde T = n = 220 5 = 1100 minutos, y p 

2 2 
T = n = 220 100=12 = 1833:3 T = 1833:3 = 42:817 minutos. La )
   T  =  1000  1100
probabilidad pedida es:
(
P T > 1000)  P
T
 T
 T
>
T
p
1000
1833 3 

P Z >
2 3355) = (  2 3355)  0 99036

:
= P (Z > : P Z : :
9 0

lOMoARcPSD|9981462
pues en las tablas de la normal est´ (Z  2:34) = 0:99036:


andar se obtiene P
En Excel se obtiene la probabilidad P (T > 1000) 0:99024126 utilizando la

expresión:
= 1  DISTR NORM N 1000 1100
: : ( ; ; (220  100 12 = )^0:5; 1)
Ejercicio 13. Sea X la variable aleatoria “vidautil

´ de una máquina (en a˜ nos)”.
on E xponencial(0:5), es decir, tiene la siguiente
Se sabe que X sigue una distribuci´
(
función de distribución:
1  e
0 5 : x
si x > 0;
F ( x) =
0 si x 0:
a. ¿Cuál es el primer cuartil de X ? Interpreta su valor.
b. Calcula la probabilidad de que la m´ nos.
aquina dure menos de 2 a˜
c. Sabiendo que la máquina no se estropeó en los dos primeros años, calcula la
probabilidad de que dure menos de cuatro.
d. Comprueba si la media y la mediana coinciden para esta distribución. Da una
afica e intuitiva.
explicación de esto de forma gr´
Sol.: a) 0.5754; b) 0.6322; c) 0.6322; d) E [X ] = 2, M eX = 1:386.
Solución
a. La densidad de un modelo E xp() es f (x) = ex si x > 0 y cero en el resto
(comprobar que se obtiene derivando la función de distribución F (x) = 1 ex 
si x > 0 y cero en el resto). Por tanto, en este caso,  = 0:5: El primer cuartil
cumple que:
0:25 = P (X  x0:25 ) = F (x0:25 ) =1  e
0 5 
: x0:25
e
0 5 
: x0:25
=1  0:25 = 0:75
tomando logaritmos neperianos:

 0:5x0:25 = ln(0:75) , x0:25 =  2 ln(0:75) = 0:5754
 
b.
P (X < 2) = P (X 2) = F (2) =1 e
0 52 = 0:632
:
c. La probabilidad pedida es: P (X < 4 X > 2). Como el modelo exponencial j

j
 
no tiene memoria esa probabilidad es igual que: P (X < 4 X > 2) = P (X <
4 2 = 2) = 1 e0:52 = 0:632. Por si alguien no se lo cree, lo comprobamos:
P (X < j
4 X > 2) =
P ((X > 2) \ (X < 4))
=
P (2 < X < 4)
P (X > 2) P (X > 2)
F (4)  F (2) 1  0 54  (1  e 
: 0:5 2 )
1  (1  e0 52 )
e
=
1 F (2)
= :
    

0:5 2 0:5 4
e e 0 52:
=
e
0 52 :
=1 e
9 0

lOMoARcPSD|9981462
d. La media es E (X ) = 1= = 1=0:5 = 2 y la mediana:
0:5 = F (x0:5 ) =1  e
0 5  0 5
: x :
e
0 5  0 5 = 0 5
: x :
:
  0:5 x0:5 = ln(0:5) , x0:5 =  2 ln(0:5) = 1:38629
asimétrica por la derecha. De hecho, el gráfico de la densidad f (x) = e0:5x

Por tanto, la media es mayor que la mediana lo que indica una distribuci´ on
si x > 0 y f (x) = 0 en el resto, es (ubicar en el gráfico la media y la mediana

obtenidas):
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0.0
0 2 4 6 8
x
Ejercicio 14. La duraci´ on (en años) de los ventiladores usados en un determinado

on E xponencial(0:2).
modelo de ordenador portátil es una variable aleatoria X con distribuci´
a. ¿Cuál es la probabilidad de que un ventilador dure m´

as de 4 años?
b. Si el fabricante de ventiladores solamente quiere reponer el 10% de las unidades
en el per´ıodo de garant´ıa, ¿cu´
al deberı́a de ser este per´
ıodo de garantı́a?
Sol.: a) 0:4493; (b) 0:53 años.

Solución
X  E xp () con  = 0:2: Entonces:
a.
P (X > 4) = 1  F (4) = 1   1 e
0 24  = 0 24 = 0 4493
:
e
:
:
  =  
Rx R x
1
x u u
ya que F ( x) = (X x) = f (u)du = =
  
e du e
 
P
  0 0
x x
e 1 =1 e ; if x > 0 y cero en el resto.
on de la garantı́a. Entonces, G debe cumplir que:
b. Sea G el tiempo de finalizaci´
0:1   P (X G) = F (G) = 1   e
0:2 G
e
0 2 
: G
 ,  
0:9 0:2 G ln 0:9 ,  G
ln 0:9
= 0:5268 años
0:2
9 0

lOMoARcPSD|9981462
nos. Graficar la densidad e interpretar

con lo que G no puede superar los 0:5268 a˜
el resultado en el gráfico.
on tı́pica de la vida de estos
c. Pregunta adicional: ¿cuál es la media y la desviaci´
ventiladores?
1 1
r
X = E (X ) = = = 5 a˜
nos.
q 2
 0:2
1 1 1
X = + 
X
= +
2 = = = 5 años.
  0:2
Ejercicio 15. Cierta empresa se dedica al montaje de piezas de recambio para

ordenadores. Los empleados de la empresa trabajan de forma independiente y, además,
el número de piezas que monta un trabajador es una variable aleatoria de Poisson de
media 24 piezas cada 5 horas.
as de 45 minutos en montar
a. Calcula la probabilidad de que un trabajador tarde m´
1 pieza.
b. Si tenemos dos trabajadores que trabajan de modo independiente, calcula la
as de dos piezas en un per´ıodo de
probabilidad de que, en conjunto, monten m´
media hora.
c. Si en la empresa trabajan 100 personas, calcula la probabilidad de que se monten
más de 2500 piezas en 5 horas.
Sol.: a) 0:0273; b) 0:85746; c) 0:0202.
Solución
a. Definimos X : ”numero
´ de piezas montadas por un trabajador en 45 min”. X 
P () con  = 24= (5=0:75) = 3:6 piezas/45 min. Entonces, la probabilidad
pedida es:
e
3 6 3:60
:
P (X = 0) = = 0:027324
0!
Podr´ıamos contestar utilizando la exponencial: T45 : ”tiempo en unidades de 45

minutos que necesita un trabajador para montar una pieza con  = 3:6 piezas/45
min”. Entonces T45  E xp () con  = 3:6:
P (T45 > 1) = 1  P (T45  1) = 1 
1  3 61
e
 :
= 0:027324
b. Definimos Y = X1 + X2 donde Xi  P () con  = 24 piezas=5 horas

= 24= (5=0:5) = 2:4 piezas/0:5 horas. Suponiendo que los dos empleados tra-
bajan de manera independiente y utilizando la propiedad reproductiva de la dis-
tribución de Poisson, se tiene que Y  P () con  = 2:4 + 2:4 = 4:8 piezas/0:5
horas. Entonces:
P (Y > 2) = 1  P (Y  2) = 1  [P (Y = 0) + P (Y = 1) + P (Y = 2)]
4 8 4:80
: 4 8 4:81 : 4 8 4:82
:
  
e e e
= 1 = 0:85746
0! 1! 2!
9 0

lOMoARcPSD|9981462
c. Definimos U : ”numero
´ de piezas montadas por 100 trabajadores en 5 horas”.
p p
Por la propiedad reproductiva, U p P
() con  =  = 100 24 = 2400 piezas/5
horas y  =  2 =  = 2400 = 48: 99: Como  > 5; podemos aproximar

la probabilidad utilizando el TCL:
 2501  0 5  2400
P (U > 2500) = P 2501) =
(U
48 99
=
P Z >
:
:
P (Z > 2:05)
=1 (  2 05) = 1  0 97982 = 0 0202

P Z : : :
donde hemos utilizado la correcci´

on de Yates al haber aproximado una Poisson
(discreta) mediante una Normal (continua).
Ejercicio 16 Una empresa que se dedica a la producci´ on de tapones de corcho para

aquina produce tapones
botellas dispone de dos máquinas de fabricación. La primera m´
cuyos diámetros se distribuyen de acuerdo con una distribución normal de media 3 cm
y una desviación tı́pica 0:1 cm. En el caso de la segunda máquina, el diámetro de los
tapones se distribuye como una normal con media 3:05 cm y desviacion ´ tı́pica 0:05.
ametro de los
a. Dibuja un gráfico aproximado de las funciones de densidad del di´
aquinas.
tapones producidos en cada una de las m´
b. Para que un tapón sea aceptado comercialmente ha de tener un di´ ametro entre
2:9 y 3:1 cm. ¿Qué máquina produce más tapones aceptables? Calcula las prob-
abilidades correspondientes.
c. Si pudieras cambiar la media del diámetro de los tapones de la segunda máquina,

¿qué valor escogerı́as para que esa máquina tuviese un porcentaje m´ aximo de
tapones aceptables? ¿Por qu´ e? ¿Cuál serı́a el porcentaje de tapones aceptables
en ese caso?
d. Supongamos que los tapones producidos en la primera máquina se empaquetan
en cajas de 10 unidades independientes.¿Cu´ al es la probabilidad de que una de
estas cajas haya al menos un tap´
on no aceptable?
Sol.: (b) 0:6827, 0:84; (c) 3 cm, 95:45 %; (d) 0:978

Solución
Xi : ”diámetro tapones producidos por máquina i”, i = 1; 2; Xi N( i ; i ) con
1 = 3 cm, 1 = 0:1 cm, 2 = 3:05 cm, 2 = 0:05 cm.
ametros de
a. Dibuja un gráfico aproximado de las funciones de densidad de los di´
9 0

lOMoARcPSD|9981462
aquinas.
los tapones producidos en cada una de las m´
8
f(x)
6
0
2.6 2.8 3.0 3.2 3.4
x
ametro entre
b. Para que un tapón sea aceptable comercialmente debe tener un di´
2:9 y 3:1 cm. Qué m´
aquina produce más tapones aceptables? Calcula las proba-
bilidades correspondentes
2 9  3 
 X1  3:1) = P
: X1  1 3:1 3
P (2:9  
0:1 1 0:1
= P ( 1  Z  1) = 2P (Z  1)  1 = 2  0:84134  1 = 0:68268
 2 9  3 05 X2  2 3:1  3:05

 X2  3:1) = P  
: :
P (2:9
0:05 2 0:05
= P3  Z  1) = F (1)  (1  F (3)) = F (1) + F (3)  1
(
= 0:84134 + 0:99865  1 = 0:83999
c. Si pudieras cambiar la media de los di´ ametros de los tapones de la segunda

máquina (sin cambiar la desviación t´ıpica), que valor escogerı́as para que esa
máquina tuviese un porcentage m´ aximo de tapones aceptables? Por que? Cual
serı́a el porcentaje de tapones aceptables en ese caso?
Elegir´ıa 20 = 3 porque en ese valor está la moda de la distribuci´
on y, al ser la
etrica, se maximiza la probabilidad en un intervalo centrado en
distribución sim´
dicho valor.
2 9  3 3:1 3

 X2  3:1) = P Z
:
P (2:9
0:05
= P ( 2  Z  2)
0:5
= 2F (2)  1 = 2  0:97725  1 = 0:9545
d. Supongamos que los tapones producidos en la primera máquina se empaquetan
en cajas de 10 unidades independientes. Cal es la probabilidad de que en una de
estas cajas haya por lo menos un tap´
on no aceptable?
Sea Y : ”numero
´ de tapones no aceptables en 10 independientes producidos por
aquina 1”. Entonces Y  B (n; p) con n = 10; p = 1  0:68268 = 0:31732:
la m´
(Y  1) = 1  P (Y 1) = 1  P (Y = 0)
10
P <
=1  0
0:31732 (1  0:31732)10 = 0:9780
0
9 0

lOMoARcPSD|9981462
Ejercicio 17. El peso del contenido de un determinado tipo de lata de sardinas de

una conservera sigue una
distribución Normal con media de 250
gramos y desviación tı́pica de gramos. 5
a. Se consideran de peso apropiado aquellas latas cuyo contenido est´
a entre 242 y
258
gramos. ¿Qué proporción de latas tiene un peso apropiado?
b. ¿Por encima de qu´
e peso estarán el 10% de las latas que más pesan?
c. Si consideramos un lote de latas, ¿cu´ 20
al es la probabilidad de que como mucho
haya una que no tenga el peso apropiado?
d. En un lote de 100
latas, ¿cuál es la probabilidad de que el contenido total sea de
25 1
más de : kg?
Sol.: a) 0 8904; b) 256 4 g; c) 0 3396; d) 0 02275.

: : : :
Solución
a. X  N ( ) con = 250 gr y = 5 gr.

;   

(242
P 258) = 242 
< X <
 258  
P

<
X 
<

 258  250 
  
= 242 5 250 5 P < Z <
= ( 1 6 1 6) = 2 (1 6)  1
P : < Z < : F :
= 2  0 94520  1 = 0 8904 : :
b. 01 = (
: P ) = 1  (  ) , 0 9 = (  ) luego se pide el
X > x P X x : P X x ;
cuantil 0 9 : :
  
09= (  )=
: P X x0:9  P
 = (  )
X  x0:9 
P Z z0:9
=  = 1 28 , = 1 28 + = 1 28  5 + 250 = 256 4
 
x0:9 
z0:9 : x0:9 :   : :

pues según las tablas de la N (0 1) ; ; z0:9  1 28 : :
: = 20
 B ( ) = 20 = ( 2 (242 258)) =
c. Sea Y ”número de latas en n , cuyo peso no es el apropiado”. Suponiendo
1 2 242 258) = 1  0 8904 = 0 1096

las latas independientes, entonces Y n; p con n yp P X = ;
P ( X ; : :
(  1) =  (  = 0) + ( = 1)
P X P X P X
= 200 0 10960 (1  0 1096)20 : :
 
+ 201 0 10961 (1  0 1096)201 : :
0 33963 :
9 0

lOMoARcPSD|9981462
d. Sea U =
P 100
el peso del contenido total de las 100 latas, con Xi
Xi 
i=1
N (250 5); entonces, por la reproductividad de la normal, U
; (U ; U )
p  pN
 
con U = 100  = 100 250 = 25000 = 25 kg y U =  n = 5 100 = 50
gr = 0:05 kg.
 25:1  U
  25:1  25
P (U > 25:1) = P Z > = P Z >
U 0:05
P (Z > 2) = 1  F (2) = 1  0 97725 = 0 02275
: :
Ejercicio 18. La hora de entrada al trabajo en una oficina es a las 9 : 00 h. La hora

a la que un cierto empleado llega al trabajo sigue una distribuci´ on normal de media
9:1 h y desviación tı́pica 0:05 h, dependiendo del tráfico que se encuentra en el camino
desde su casa.
a. Calcula la probabilidad de que llegue tarde.
b. Suponiendo que un d´ıa llega tarde, ¿cuál es la probabilidad de que el retraso sea
como mucho de un cuarto de hora?
ıas, ¿cuál será la probabilidad de que llegue

c. Si su jefe le observa durante cinco d´
tarde al menos tres de ellos?
Sol.: a) 0:97725; b) 0:9986; c) aproximadamente 1.

Solución
X N (; ) con  = 9:1 horas,  = 0:05 horas.
   9 1 =
a.
P (X > 9) = P Z >
9  
= P Z >
9 :
P (Z > 2)
 0:05
= P (Z < 2) = F (2) = 0:97725
b.
P (X  9  0 25j 9) = P (X  9 25j 9) =
P (9 < X  9 25) :
 
: X > : X >
P (X > 9)
P
9 9:1 < Z
0:05 (3)  (2)
  9 250 059 1
: :
F F
 90059 1
:
=
1 P Z
=
1  (2)
:
:
F
F (3)  (1  (2)) 0 99865  (1  0 97725)

F : :
1  (1  (2)) 1  (1  0 97725)
= =
F :
= 0:99862
donde los valores de la funci´ andar se han

on de distribución de la normal est´
consultado en las tablas.
9 0

lOMoARcPSD|9981462
c. Sea U : ”número de dı́as en 5 independientes en los que llega tarde con prob-
abilidad de llegar tarde p = 0:97725": Por tanto, U  B(n; p) con n = 5;
p = 0:97725:
X 
(
P U  3) = P (U = 3) + P (U = 4) + P (U = 5)
5
5 5 u
= 0:97725u (1  0:97725) = 0:99989
u
u=3
on N (;  ), calcula las siguientes probabil-

Ejercicio 19. Si X sigue una distribuci´
idades:
a. (
P X <  + 2 )
b. P (jX
 j < )
c. P (jX  j < 2 )
d. P (jX  j < 3 )
Sol.: a) 0:97725; b) 0:68269; c) 0:95450; d) 0:99730.
Solución
a.
( + 2 ) = P
 X   + 2  

P X <  < = P (Z < 2) = 0:97725
 
b.
 <1

(jX  j < ) = P ( < X   < ) = P
X
P 1<

= P ( 1 < Z < 1) = F (1)  F (1) = F (1)  (1  F (1))

= 2  F (1)  1 = 2  0:84134  1 = 0:68268
c.
(jX  j < 2 ) = P (2 < X   < 2 ) = P

 2<
X 

P < 2

= P ( 2 < Z < 2) = F (2)  F (2) = F (2)  (1  F (2))

= 2  F (2)  1 = 2  0:97725  1 = 0:9545
d.
 3  < 3

(jX  j < 3 ) = P (3 < X   < 3 ) = P
X
P <
  
= P ( 3 < Z < 3) = F (3)  F (3) = F (3)  (1  F (3))

= 2  F (3)  1 = 2  0:99865  1 = 0:9973
9 0

lOMoARcPSD|9981462
Ejercicio 20. La demanda diaria de una marca de leche (en litros) es una variable
aleatoria con distribución N (3000; 350).
a. ¿Cuál deber´ıa ser la producción mı́nima diaria para satisfacer la demanda total
por lo menos el 90% de los d´ıas?
ıas supere los 307000
b. Calcula la probabilidad de que la demanda total en 100 d´
litros.
Sol.: a) 3448:543; b) 0:02275.

Solución
X N (; ) con  = 3000 litros,  = 350 litros.
a. Sea d la producci´
on mı́nima pedida, entonces
   
0:9 = 
(X  d) =
X  d 
  
P P
 
= P  Z  d
350
3000
= P (Z z0:9 )
) z0:9 =
d  3000
350
) d = 350 z0:9 + 3000  
350 1:28 + 3000 = 3448
N (0; 1)  1:28:
P
pues en las tablas de la obtengo z0:9
b. Sea Y = =1 100
Xi siendo Xi N
(3000; 350) la demanda en el d´ıa i-ésimo. Por
NP
tanto, por la propiedad reproductiva de la normal, si supongo que las demandas P
diarias son independientes, Y 100
(Y ; Y ) con y = i=1 i = 100  =
p
p 
100 3000 = 300000 litros y Y =
2 
2 100 2
i=1
i = 100 350
2 Y = 
2 =
Y
 )

100 350 = 10 350 = 3500 litros.
P (Y > 307000) = P Z >

307000   Y
= P

Z >
307000  300000

Y 3500
= P (Z > 2) = 1   P (Z 2) = 1  F (2) =1  0:97725
= 0:02275
Ejercicio 21. Un fabricante sabe que la proporci´

on de lotes que son rechazados por
sus clientes es el 20%.
a. Calcula la probabilidad de que de un total de 10 lotes, sean rechazados exacta-

mente 3.
as.
b. Calcula la probabilidad de que de un total de 500, sean rechazados 80 o m´
Sol.: a) 0:2013; b) 0:98899

Solución
9 0

lOMoARcPSD|9981462
a. Sea X : ”número de lotes rechazados en 10 independientes con probabilidad de

rechazo p = 0:2”: Por tanto, X  B(n; p) con n = 10; p = 0:2:
 
P (X = 3) =
10 3
0:2 (1  0:2)103 = 0:20133
3
b. Sea Y : ”número de lotes rechazados en 500 independientes con probabilidad

de rechazo p = 0:2”. Por tanto Y  B(n; p) con n = 500; p = 0:2: Me piden
 80):
P (Y
Como una binomial es una suma de Bernoulli’s, Y = i=1 500

Xi con Xi
P  Be(p)
ımite,
independientes, entonces por el Teorema Central del L´
Y  N (; ) con:
 = np = 500  0:2 = 100;
p
 = + npq = +
p
500  0:2  (1  0:2) = 8:9443
por tanto,
  80  0:5  
  79:5  100

 80)  P
Y
P (Y  = P Z 
  8:9443
= P (Z  2:292) = P (Z  2:292)  F (2:29) = 0:98899
on de Yates.
on binomial ser´ıa:
Nota: la probabilidad exacta calculada con la distribuci´
X  
79
 0:2)500x
500
P (Y  80) = 1  P (Y  79) = 1  x
0:2 (1
x
x=0
=1  0:0095064 = 0:99049
on:
que puede obtenerse en Excel con la expresi´
= 1  DISTR:BINOM:N(79; 500; 0:2; 1)
un el ordenador).
(recuérdese que el punto decimal puede ser una coma seg´
Ejercicio 22. El número de errores de impresión por página en libro sigue una
distribución de Poisson de media 0.75.
agina tenga más de un error?

a. ¿Cuál es la probabilidad de que una p´
b. ¿Cuál es la probabilidad de que en dos p´
aginas haya menos de 2 errores?
c. Calcula la probabilidad de que en las 500 p´
aginas del libro haya menos de 350
errores.
Sol: a) 0:1734; b) 0:5578; c) 0:09342
9 0

lOMoARcPSD|9981462
a. X P () agina. La función de masa es:

con  = E (X ) = 0:75 errores por p´
e
  x

P (X = x) = x = 0; 1; 2; ::::
x!
La probabilidad pedida es:
P (X > 1) = 1  P (X  0) = 1  P (X = 0)  P (X = 1)
0 75 0:750 0 750:751
 
: :
e e
= 1 = 0:17336
0! 1!
b. Sea Y : ”número de errores en 2 p´ 

P
aginas con  = 0:75 2 = 1:5 errores por 2
páginas”. Entonces Y () con  = 1:5 errores/2 p´

aginas.
P (Y < 2) = P (Y  1) = P (Y = 0) + P (Y = 1)
e
1 5 1:50
:
e
1 5 1:51
:
= + = 0:55783
0! 1!
c. Sea U : ”numero
´ de errores en 500 páginas con tasa  = 0:75 500 = 375 
errores/500 páginas”. Entonces U P
() con  = 375 errores/500 p´
aginas. La
probabilidad pedida es P (U < 350) :
Pero por el Teorema Central del L´
ımite como  > 5 entonces U (; ) con N
p
 = E (U ) =  = 375 errores/500 p´
) p
aginas,  2 = Var(U ) = 375 errores2 =500
páginas  = +  = + 375 errores/500 p´ aginas. Por tanto, la probabilidad
pedida puede ser aproximada por:
 
P (U < 350) = P (U  349)  P
U  
<
349 + 0:5  
   
= P Z <
349:5
p 375
375
= P (Z <  1:32)
= 1  P (Z  1:32) = 1  0:90658 = 0:09342
donde hemos utilizado la correci´

on de Yates.
Ejercicio 23. La dureza Rockwell de un metal se determina al marcar con un punto

es medir la profundidad del punto. Suponiendo
acerado la superficie del metal y despu´
que la dureza Rockwell de cierta aleaci´
on sigue una distribución N (70; 3), calcula:
e valor de
a. Si el intervalo aceptable de dureza es (70 c; 70 + c) ; ¿para qu´  c el
95% de los casos tendrı́an una dureza aceptable?
on, ¿cuál es la
b. Se observan, de forma independiente, 10 elementos de esa aleaci´
probabilidad de que como mucho tres tengan una dureza mayor de 73:84?
c. Calcula la probabilidad de que haya que escoger m´ as de tres elementos de ese
tipo de aleación antes de encontrar uno con dureza menor de 73:84.
9 0

lOMoARcPSD|9981462
Sol.: a) c = 5:88; b) 0:9872; c) 0:0001.

Solución
a. (Graficar la densidad de la normal X y de la normal est´

andar Z mostrando las
probabilidades y el cuantil que se indican)
   70 
0:95 = P (70 c < X < 70 + c)
70  70 70  70 + c
 )
c X
=P < <
3 3 3
=P
c
3
< Z <
c
3 3
c
= z0:975 = 1:96 ) c 
= 3 1:96 = 5:88
b. Sea Y : ”número de elementos de 10 independientes con dureza mayor de 73:84

con probabilidad de ese suceso p = P (X > 73:84) ": Entonces Y (n; p) B
con n = 10;
73:84 70
= P (Z
   1:28)
p = P (X > 73:84) = P Z > >
3
 
= 1 P (Z 1:28) = 1 0:89973 = 0:1 

 3) = X
3
P Y (
10
y
0:1y (1  0 1) :
10y
= 0:9872
y =0
c. Sea U : ”número de elementos a escoger antes de encontrar uno con dureza

menor que 73:84 con probabilidad este suceso p = P (X < 73:84) = 1 P (X  

73:84) = 1 0:1 = 0:9": Entonces U G(p) con p = 0:9 del tipo 1 (que 
cuenta fracasos antes del primer exito).
´ La función de masa de este modelo es
P (U = u) = q p; con u = 0; 1; 2; :::: La probabilidad pedida es:
u
(
P U > 3) = 1  (  3) = 1  ( = 0)  ( = 1)  ( = 2)  ( = 3)
P U P U P U P U P U
= 1  (1  0 9) 0 9  (1  0 9) 0 9  (1  0 9) 0 9  (1  0 9) 0 9
:
0
: :
1
: :
2
: :
3
:
= 0:0001
d. Pregunta adicional: número medio de elementos a elegir antes de obtener un

elemento con dureza menor de 73.84.
 = E (U ) =
1
p
 1 = 019  1 = 0 1111
:
:

etrica del segundo tipo (número de pruebas) la media es
dado que para la geom´
E (U + 1) = 1=p con lo que para la del primer tipo es E (U ) = 1=p 1 = q =p =
0:1=0:9 = 0:11111
9 0

lOMoARcPSD|9981462
Ejercicio 24. Cierta máquina deberı́a cortar rodamientos metálicos con diámetro
0:5 cm. En la práctica influyen varios factores en el proceso de fabricaci´
on y, como
ametro de los rodamientos es una variable aleatoria de la forma
consecuencia, el di´
X = 0:505 + 0:01Z , siendo Z una variable aleatoria con distribución N (0; 1).
a. ¿Qué porcentaje de rodamientos producidos en esta m´
aquina tienen un diámetro
superior a 0:52cm?
b. En un lote de 10 rodamientos, ¿cu´

al es la probabilidad de que alguno supere los
0:52 cm de diámetro?
c. En un lote de 1000 rodamientos, ¿cu´

al es la probabilidad de que menos de 60
superen los 0:52 cm?
d. ¿Cuál es el porcentaje de rodamientos producidos en esta máquina que tienen un
diámetro que está a 0:01 cm del diámetro nominal (0:5 cm)?
Sol: a) 0:0668; b) 0:4992; c) 0:1762; d) 0:6247.
Solución
a. La probabilidad pedida es P (X > 0:52):

Si X = 0:505 + 0:01Z que es de la forma X =  + Z (es lo contrario a
tipificar) con Z N
(0; 1) entonces X N
(0:505; 0:01) ya que E (X ) =
E (0:505 + 0:01Z ) = 0:505 + 0:01
p
0 = 0:505 ya que E (Z ) = 0; y X2 = 
2 2
Var(X ) = 0:01 Var(Z ) = 0:01 1 = 0:01 2 )
X = + 
2
X = 0:01: Por
tanto:
  0 52    0 52  0 505 
X  :  : :
P X >( 0:52) = P = > P Z >
 0 01  :
=P ( 1 5) = 1  (  1 5) = 1  0 93319 = 0 06681
Z > : P Z : : :
b. Sea Y : ”número de rodamientos en 10 independientes, cuyo di´

ametro supere
0:52 cm con probabilidad de ese suceso p = P (X > 0:52) = 0:06681": En-
B
(n; p) con n = 10, p = 0:06681: La probabilidad pedida es:
10
tonces, Y
(
P Y > 0) = 1  (
P Y = 0) = 1  0
0:066810 (1  0 06681)
:
100
= 0:49916
´ de rodamientos en 1000 independientes, cuyo diámetro supere
0:52 cm”. Entonces, U B p
(n; p) con n = 1000; p = 0:06681; con  = np = p

1000 0:06681 = 66:81 y  = npq = 1000 0:06681 (1 0:06681) =   
7:8960: Como n = 1000 > 30; por el TCL, U N
(;  ) con lo que la proba-
 
bilidad pedida puede aproximarse mediante:
60  0 5  66 81
(
P U < 60)  P Z <
7:8960
: :
= P (Z < 0 93)
:
=1  P Z (  0:93) = 1  0 82381 = 0 1762

: :
on de Yates.
9 0

lOMoARcPSD|9981462
´ bajo la función de
d. Graficar la situación y la probabilidad que se pide, como area
densidad de X )
P (0:5  0:01 < X < 0:5 + 0:01) = P (0:49 < X < 0:51)
0:49   0:51  
 
= P
 0:49

 0:505
< Z <

0:51  0:505

= P < Z <
0:01 0:01
= 1:5 < Z < 0:5) = F (0:5)  F (1:5)
P (
=  (1  F (1:5)) = F (0:5) + F (1:5)  1
F (0:5)
= 0:69146 + 0:93319  1 = 0:62465
Ejercicio 25. Un juego de Tetris para Android produce de modo aleatorio e inde-
pendiente cuadrados pequeños. La longitud de un lado (en mm) de cada uno de esos
cuadrados es una variable aleatoria X con posibles valores xi = 1; 2; 3; 6 y funcion
´ de
masa de probabilidad P (X = xi ) = xi =12, i = 1; : : : ; 4.
a. Determina la esperanza delarea

´ de esos cuadrados.
b. De entre 10 cuadrados producidos en el juego, ¿cu´
al es la probabilidad de obtener
´ menor que 9 mm2 ?
al menos 2 cuadrados conarea
c. En 100 realizaciones de cuadrados, ¿cual es la probabilidad de que haya al menos
25 con lado de 3 mm?
Sol.: a) E [X 2 ] = 21; b) 0:75597; c) 0:54776

Solución
´ será X 2 , que será una

a. Si X es el lado de un cuadrado aleatorio del juego, suarea
variable aleatoria con funci´ 2 2
on de masa: P (X = 1 ) = P (X = 1) = 1=12;
P (X
2 = 22 ) = P (X = 2) = 2=12; etc. y en general, P (X 2 = x2) = P (X =
i
E (X )=
X
xi ) = xi =12; i = 1; :::; 4: Por tanto,
2 2
x P (X
i
2
= xi )
2
=
X 2
x P (X
i = xi )
=1
2
 1=12 + 2  2=12 + 3  3=12 + 6  6=12 = 21
2 2 2
b. Sea Y : ”n´ ´ menor que 9 mm2

umero de cuadrados de 10 independientes con area
siendo la probabilidad de ese suceso p = P (X < 9) = P (X 2 = 1) + P (X 2 =
2
4) = 1=12 + 2=12 = 3=12 = 1=4”. Entonces, Y  B(n; p) con n = 10,

p = 0:25:
P (Y
=1 

 2) = 1  P (Y  1) = 1  P (Y
10 0
0:25 (1  0:25)10
= 0)
 

0
 P (Y
10
= 1)
1
0:25 (1  0:25)101
0 1
= 0:75597
9 0

lOMoARcPSD|9981462
´ de cuadrados con lado 3 mm en 100 cuadrados independientes
con probabilidad de tener lado 3 mm P (X = 3) = 3=12 = 0:25": U (n; p) B
con n = 100; p = 0:25: La probabilidad pedida es:
  !
(
P U  25)  P Z p0 5  =
25 :
 p100
npq
24 5  100  0 25
np
 0 25  (1  0 25) P Z
:
:
:
= P (Z  0 12) = (  0 12) = 0 54776

: P Z : :
donde hemosP on de Yates y que, por el Teorema Central del

utilizado la correcci´
100
Lı́mite U = i=1 Xi N
(U ; U ) donde Xi p Be(p) independientes, con
p 

U = np = 100 0:25 = 25 y U = npq = 100 0:25 (1 0:25) = 4:   
3301, con n = 100 mayor que 30:
Nota: la probabilidad exacta utilizando la binomial es:
100 
X 
P (U  25) = 100
x
0:25x (1  0 25)
:
100x
= 0:53833
x=25
Ejercicio 26. Una empresa fabrica piezas que resultan ser defectuosas con proba-
bilidad 0:1. Por cada pieza defectuosa la empresa pierde 5 euros.
a. Si la empresa fabrica 2000 piezas al mes, determina la esperanza y la desviaci´
on
tı́pica de las pérdidas mensuales de la empresa.
b. ¿Cuál es la probabilidad de que en un mes se fabriquen 220 o m´
as piezas defec-
tuosas?
c. Calcula la probabilidad de que la primera pieza defectuosa sea la cuarta fabri-
cada.
d. Las piezas se comercializan en lotes de 20 unidades. La calidad de los lotes se
controla mediante el examen de 5 piezas elegidas sin reposici´ on de entre las 20
del lote. ¿Cuál es la probabilidad de que en un lote con 4 piezas defectuosas se
detecten al menos 2? ¿Y al menos 1?
Sol: a) 1000, 67:08; b) 0:0735; c) 0:0729; d) 0:24871, 0:718.
Solución.
a. Sea X : ”número de piezas defectuosas en 2000 piezas independientes con p =
0:1 probabilidad de ser defectuosa”. X (n; p) con n = 2000; p = 0:1 con B
 = E (X ) = np = 2000 0:1 = 200 y   2
X = Var(X ) = npq = 2000 0:1  

(1 0:1) = 180
Sea Y : ”pérdida mensual en la empresa debido a las piezas defectuosas”. En-

tonces: Y = 5 X con lo que:
E Y ( )=5  E X ( )=5  np 
= 5 200 = 1000
Var(Y ) = 5 2
 Var(p) = 25 
X npq 
= 25 180 = 4500
)  Y = + 4500 = 67:082
ya que E (a + bX ) = a + bE (X ) y Var(a + bX ) = b2 Var(X ):
9 0

lOMoARcPSD|9981462
b. La probabilidad pedida es P (X  220) pero X = i2000

P
=1 Xi con Xi  B (p)
p
independientes. Por tanto, por el Teorema Central del ımite X  B(n; p) 
L´
N (np; pnpq) con  = np = 200;  = pnpq = 180 = 13:416 con lo que:
  0:5  
  
p  200
220 219:5
P (X  220)  P Z  = P Z 
 180
= P (Z  1:45) = 1  P (Z  1:45) = 1  0:92647
= 0:07353
on de Yates.
´ de piezas independientes a fabricar para obtener la primera
defectuosa con probabilidad p = 0:1 de defectuosa”. U  G(p) con p = 0:1:
P (U = 4) = q p
3
= (1  0:1)3  0:1 = 0:0729
d. Sea V :
”n úmero de piezas defectuosas al extraer sin reposición n = 5 de
N = 20piezas en las que hay D = 4 piezas defectuosas”. Entonces, V 
H G(N; D; n ) = HG(N; n; p) con N = 20; D = 4; n = 5 y p = D=N =
4=20 = 1=5: La probabilidad pedida es:
 2) = 1  P (V  1) = 1  P (V  P (V
P (V
      = 0) = 1)
     
4 16 4 16
=1 0 5 1 4
20 20 = 0:24871
5 5
  
  
4 16
P (V  1) = 1  P (V = 0) = 1
0
20
5
= 0:71827
5
Ejercicio 27. Se sabe que el numero

´ de motores que se activan durante un proceso
especı́fico en una f´
abrica es una variable aleatoria, X , con la siguiente funci´
on de masa
de probabilidad:
xi 0 1 2 3 4
P (X = xi ) 0:15 0:4 0:25 0:1 0:1
a. Determina el numero
´ medio de motores activados durante el proceso y la proba-
bilidad de que como m´ınimo se accionen 2 motores durante el proceso.
al
b. De entre 10 procesos registrados de forma independiente por los operarios, ¿cu´
un motor?
es la probabilidad de que en al menos 2 de ellos no se active ning´
al es la probabilidad de que en más del 80%
c. En 150 procesos independientes, ¿cu´
de ellos se accionen menos de 3 motores?
Sol.: a) 1:6 motores, 0:45; b) 0:4557; c) 0:46017
Ejercicio 28. En una empresa de fabricaci´ on de placas solares, se sabe que el 2%
de las fabricadas diariamente son defectuosas y, por lo tanto, no pueden ser puestas a
la venta.
9 0

lOMoARcPSD|9981462
abrica produce 30 placas al dı́a, ¿cuál es la probabilidad de que todas

a. Si la f´
al es la probabilidad de que como mucho
puedan ser puestas a la venta?, ¿cu´
haya una placa defectuosa?
b. Suponiendo que la empresa fabrica tantas placas como sean necesarias, calcula
la probabilidad de que la primera placa defectuosa sea la quinta fabricada. ¿Cu´
al
es el numero
´ esperado de placas no defectuosas que se deben fabricar hasta en-
contrar una defectuosa?
c. La empresa comercializa estas placas solares en lotes de 10. Si se realiza un
ıfico donde
control de calidad seleccionando 3 placas al azar de un lote espec´
realmente hay 4 placas que no deber´ıan ser puestas a la venta, ¿cuál serı́a la
probabilidad de que no se detectase ninguna placa defectuosa de entre las selec-
cionadas?
Sol.: a) 0:5455, 0:8795, b) 0:0184, 49 placas, c) 0:1667.

Solución
a. Sea X : ”número de placas solares en 30 independientes, que resultan defectu-

osas con probabilidad p de ser defectuosa”. Entonces X  B (n; p) con n = 30;
p = 0:02:
30
P (X = 0) =
0
0:02 (1  0:02)30 = 0:54548
0
(X  1) = P (X = 0) + P (X = 1)
30  
P
 0:02)301
30 30
= 0
0:02 (1  0:02) +
1
0:02 (1
0 1
= 0:87945
b. Sea Y : ”número de placas a fabricar hasta encontrar la primera defectuosa”.

Entonces Y  G (p) del tipo 2 que cuenta numero ´ de pruebas de Bernoulli
necesarias para obtener el primerexito.
´ Nos piden:
P (Y = 5) = (1  p)51 p = (1  0:02)4  0:02 = 0:018447

Para calcular el número esperado de placas no defectuosas a fabricar hasta en-
contrar una defectuosa, necesitamos el tipo de Geom´ etrica que cuenta numero
´
de fracasos antes del primerexito.
´ Sea U : ”n úmero de correctas hasta encontrar
la primera defectuosa”, entonces U  G (p) del tipo 1 que cuenta fracasos antes
del primer éxito. La esperanza pedida es:
1 p 1  0:02
E (U ) = = = 49
p 0:02
Pero se podr´ıa hacer calculando E (Y ) y aplicar que U = Y  1 con lo que

E (U ) = E (Y )  1 = 1=p  1 = q=p:
9 0

lOMoARcPSD|9981462
c. Sea V : ”numero
´ de placas defectuosas en 3 extra´ıdas sin reposición de 10 entre
las que hay 4 defectuosas”. Entonces V 
HG (N; D; n) con N = 10; D = 4;
n = 3: La probabilidad pedida es:

D   4104
N  D
P (V = 0) =
x
N n
 x
=
0
103
0 = 0:16667
n 3
Ejercicio 29. La resistencia de cierto tipo de l´ abrica

amparas producidas en una f´
sigue una distribución Normal de media 2000  y desviación t´ıpica 50 .
a. Las lámparas que presentan una resistencia fuera del intervalo (1900; 2100) se
consideran defectuosas. ¿Cu´ amparas defectuosas produci-
al es el porcentaje de l´
abrica?
das en esta f´
b. ¿A partir de que valor se sit´ amparas que presentan
ua la resistencia del 5% de l´
una mayor resistencia?
c. Si se colocan cuatro de estas resistencias en serie funcionando de forma inde-
pendiente, ¿cu´
ales son la media y la desviación t´ıpica de la resistencia total del
sistema?
d. Si las lámparas se empaquetan en lotes de 20 unidades, ¿cuál es la probabilidad
de que un lote no contenga ninguna lámpara defectuosa?
Sol.: a) 0:04550; b) 2082:25 ; c) 8000 , 100; d) 0:3940.
Ejercicio 30. El tiempo de vida de un motor el´
ectrico sigue una distribución expo-
nencial con media cincuenta mil horas. Una fábrica produce 200 unidades de este tipo
al mes.
a. Calcula la probabilidad de que el tiempo de vida de un motor sea superior a la
media.
b. El fabricante propone en la garant´ on del motor que
ıa un valor para la duraci´
le garantice que únicamente el 10% de las unidades fabricadas no lo cumplen.
ıodo máximo de garant´ıa?
¿Cuál es el valor que debe proporcionar como per´
on, ¿cuál es
c. Sabiendo que un motor ha superado las sesenta mil horas de duraci´
la probabilidad de que falle antes de setenta mil?
d. Calcula la probabilidad de que la duración media de todos los motores fabricados
en un mes sea superior a cincuenta y cinco mil horas. Suponemos independencia
en el tiempo de vida de los motores.
Sol.: a) 0:3679; b) 5268 horas; c) 0:1813; d) 0:07927.
Solución
a. Sea X : ”tiempo de vida en miles de horas de un motor el´  E xp()
)
ectrico”. X
con E (X ) = 50 = 1=  = 1=50 = 0:02:
P (X > 50) = 1  P (X  50) = 1  FX (50) =1  

1 e
0 0250  = 0:367879
:
pues para una exponencial, FX (x) = 1  e

 x
; x > 0:
9 0

lOMoARcPSD|9981462
b. Sea G el tiempo máximo de garant´ıa. Si G es muy grande todos los motores

a que reparar
se estropearán en garant´ıa (X < G) con lo que el fabricante tendr´
todos gratuitamente. Por eso el fabricante quiere limitar a 0:1 la proporci´
on de
motores que se pueden estropear estando en garant´ıa.
0:1 = P (X < G) = P (X  G) = FX (G) =1  e

  G
=1  e
0 02
: G
e
0 02
: G
=1 01=09 : :
0 02 
: G = ln 0:9
G =  ln0 0029 = 5 26803 miles de horas.

:
:
:
c. Como la exponencial no tiene memoria:
P (X < 70 j
X > 60) = P (X < 70 60 = 10) = 1  10 = 1 0 0210 = 0 181269
e

e
:
:
d. Se fabrican n = 200
 N( p
unidades en un mes; al ser n > 30 por el teorema central p p
50=
p200
del lı́mite X
:
X ; = n) con X = 1= = 50 y X = n = (1=) = n =
 >
P (X 55) = P

Z >
 50  = ( 1 41)
p 55
P Z > :
50 200 =
=1  P (Z  1 41) = 1  0 92073 = 0 07927

: : :
Ejercicio 31. La longitud (en cm) de las piezas producidas en una abrica
f´ es una
on de distribución:
variable aleatoria, X , que tiene la siguiente funci´
>80
< si x < 1
) = (  1)2  2
F (x
>
:1
x si 1 x

si x 2
a. ¿Qué porcentaje de piezas tienen una longitud entre 1:25 y 1:75 cm?
b. Determina el primer cuartil de la variable X e interpreta su valor.
c. Calcula la media de la variable aleatoria X .
d. Si disponemos de 200 piezas, calcula la probabilidad de que al menos 60 piezas

midan menos de 1:5 cm.
Sol.: a) 0.5; b) 1:5 cm; c) 5=3 = 1:6667 cm; d) 0:06057

Solución
a.
P (1:25   1 75) =
X : F (1:75)  F (1:25) = (1:75  1)2  (1 25  1)2 = 0 5
: :
9 0

lOMoARcPSD|9981462
b.
0 25 = ( 0 25) = (
: F x : x0:25  1) 2
0 251 2 = 0 25  1 )
:
=
x : x0:25 =15 :
es decir, el 25% de las piezas producidas por la fábrica no superan los 1 5 cm. :
c. La función de densidad es:
( )= dF x ( ) =  ( x  1)  = 2 (  1) si 1   2
2 0
x x
f x
dx 0 resto
con lo que la media es:

Z Z Z
2 22   2 (  1) =
2 2
( )= () =
1
E X xf x dx x x dx x x dx
1 1 1
 3 2    
= 2 3  2 = 2 83  2  2 3  12 = 35 = 1 6667
4 1
x
2 x
:
1
d. Sea : ”número de piezas en = 200 que miden menos de 1 5 cm”. Suponiendo

las piezas independientes, entonces  B(
Y n :
) con = ( 1 5) = 0 25
E( ) = = 200  0 25 = 50 y
Y n; p p P X < : :
o
(2 apartado) cuyas caracter´ =
( ) = = 200  0 25  (1  0 25) = 37 5 Por tanto:
ısticas son: Y Y np :

2 = V ar Y npq : : : :
Y
(  60) =

  60  0 5      59p5  50
Y Y : Y :
P Y P
Y 37 5 Y
P Z
:
= (  1 55) = 1  (  1 55) = 1  0 93943 = 0 06057

P Z : P Z : : :
donde se ha utilizado la aproximaci´ on

on normal de la binomial con la correcci´
de Yates.
Ejercicio 32. Sea X la variable aleatoria que representa el tiempo (en horas) que
funciona adecuadamente la bater´ ıa de un dispositivo electrónico entre recargas consec-
utivas. La función de densidad de X está dada por
f x ( ) = 03
 3200 x3 si x 20   40
en otro caso:
ıa antes de que precise una
a. Calcula el tiempo medio que dura la carga de la bater´
nueva recarga.
b. Calcula la probabilidad de que la bater´
ıa se agote antes de 24 horas después de
una recarga.
c. Calcula la probabilidad de que se agote la bater´ıa antes de es de
horas despu´ 36
una recarga si se sabe que todav´
ıa funciona al cabo de horas. 24
d. Si las recargas son independientes, ¿cuál es la probabilidad de que la cuarta
recarga sea la primera que dura menos de 24 horas?
9 0

lOMoARcPSD|9981462
Sol.: a) E (X ) = 80=3 = 26:67 h; b) 0:4074; c) 0:8681; d) 0:0848.

Solución
a.
Z 40
3 dx =
Z 40 1 40
E (X ) = x 
3200
x
3200
x
2 dx = 3200

x
20
3200
 13 1
 3
3200
20
1 80
3 1 20
=   =  = = 26:6667 horas
3 20 40 3 40 3
on de distribución para facilitar los siguientes aparta-

b. Podemos calcular la funci´
dos:
><8 R0 x ix 1  x < 20
3200 3 du = 3200 u2 3200 1
F (x )=
>: 120 3 u
3 2 20 = 6 202 
x2 20
x >
 x 
40
40
que cuando x = 40 vale F (40) = 3200 1  

1  = 1 0 por lo que está bien
6 202 402 : ;
construida.
3200
 1 1

P (X < 24) = P (X  24) = F (24) =  = 0:4074
6 202 242
c.
P (24 < X < 36) F (36)  F (24)
P (X < 36jX > 24) = =
3200 1 1 
P (X > 24) 1  F (24)
6 202  362  0:4074

= = 0:868057
1  0:4074
d. Sea Y : ”n úmero de recargas hasta la primera que dura menos de 24 horas”.

Entonces Y  G(p) con p = F (24) = 0:4074:
3 3
P (X = 4) = (1  p) p = (1  0:4074)  0:4074 = 0:0847825
Ejercicio 33. Se decide instalar turbinas submarinas en un lugar donde el 95% de

a entre 3 km/h y 10 km/h. Se sabe que la
las ocasiones la velocidad de la corriente est´
on Normal de media
velocidad de la corriente es una variable aleatoria con distribuci´
6:5 km/h.
a. Calcula la desviaci´
on t´ıpica.
b. Una turbina sólo puede utilizarse cuando la velocidad de la corriente es menor

de 10 km/h. ¿Cuál es la probabilidad de que no se pueda utilizar una turbina?
al
c. Si se instalan 12 turbinas de este tipo y funcionan de forma independiente, ¿cu´
es la probabilidad de que puedan utilizarse más de 10 turbinas?
9 0

lOMoARcPSD|9981462
d. ¿Cuál es el primer cuartil de la velocidad de la corriente?
e. Si se registran 100 mediciones de la velocidad de la corriente, ¿cuál es la proba-

bilidad de que la media muestral se sitúe entre los valores 6:25 y 6:75 km/h?
Sol:. a) 1.786; b) 0.025; c) 0.9651; d) 5.295; e) 0.8384

Solución
a. Según el enunciado: 0:95 = P (3 < X < 10) con X N (;  ) con  = 6:5
km/h. Entonces:
3  
0:95 = P (3 < X < 10) = P

<
X  
<
10  
3  6 5

 
 3 5 

= P
:
< Z <
10  6:5
= P
:
< Z <
3:5
   
 on)
pero como 0:95 = P ( z0:975 < Z < z0:975 ) (comprobar graficando la situaci´
entonces 3:5= = z0:975 )
 = 3:5=z0:975 = 3:5=1:96 = 1: 7857
b. La probabilidad pedida es
  
P (X > 10) = P Z >
10
1:7857
6:5
=1  P (Z  1:96) = 1  0:975 = 0:025
c. Sea Y : ”numero
´ de turbinas en 12 independientes que pueden utilizarse con
probabilidad de poder utilizarse una turbina p = P (X 10) = 1 P (X >  
10) = 1 0:025 = 0:975”: Entonces, Y (n; p) con n = 12; p = 0:975: B
P (Y > 10) = P (Y = 11) + P (Y = 12)
12  
=
11
0:975
11
(1  0:975)
1211
+
12
12
0:975
12
(1  0:975)
1212
= 0:96507
d. El cuantil x0:25 verifica que

  
0:25 = F (x0:25 ) = P (X  x0:25 ) = P Z  x0:25 
 65

= P Z  x0:25
1:7857
:
= P (Z  z0:25 )
) x0:25  6:5
= z0:25 =  z0:75 =  0:67
1:7857
) x0:25 = 1:7857  z0:25 + 6:5 = 1:7857 (  0:67) + 6:5 = 5:3036
donde hemos utilizado que por la simetria de la normal los cuantiles cumplen
zp =  z1p (compruébese graficando la situación) y, en particular, z0:25 =
 z0:75 = 
0:67 al ser z0:75 = 0:67 (valor aproximado obtenido en las tablas de
andar).
la normal est´
9 0

lOMoARcPSD|9981462
e. La probabilidad pedida es P : < X < :

6 25
 6 75  = P =
con X n1 ni=1 Xi con n
100mediciones de la velocidad. Como cada medida Xi de la velocidad sigue
una distribuci´
on normal Xi
de la normal, la suma i100
P  N( )
;  , entonces, por la propiedad reproductiva
olo un
=1 Xi es también normal y la media (que es s´
P 1
cambio de escala de la suma al dividirse por =n) tambi´ =
en es normal: X
 N( ) = =p 6 5
= 1 7857 p100 = 0 17857
1 n
X;  X con X : ; y si suponemos las mediciones
) =
Xi 
i=1
=
n
2 2 =n
independientes X  X = n : = : : Por
 6 75  6 5 
tanto,
6 25  6 75 = 6 25  6 5 : : : :
P : <X < :
0 17857
P
:0 17857 < Z <
:
= ( 1 4
P 1 4) : < Z < :
= (  1 4)  (1  (  1 4))
P Z : P Z :
= 2 (  1 4)  1 = 2  0 91924  1 = 0 83848
P Z : : :
Ejercicio 34. En una instalaci´ on eléctrica pueden emplearse dos tipos de focos,
A y B . La duración (en horas) de cada foco de tipo A es una variable aleatoria con
distribución N (800 100)
; . Por otra parte, la duración de cada foco de tipo B sigue una
distribución N (900 150)
; .
a. ¿Qué porcentaje de focos de tipo A presentan una duraci´
on superior a 900 horas?
b. En el caso de focos de tipo B al es la duración que solamente es superada
, ¿cu´
por el 10
% de los focos?
c. Se instalan dos focos, uno de tipo A y otro de tipo B , al mismo tiempo. Suponiendo
que ambos focos funcionan de modo independiente, ¿cu´ al es la probabilidad de
que el foco de tipo A tenga una duración superior a la del foco tipo B ?
Sol:. a) : 0 15866 1092
; b) horas; c) : . 0 29116
Solución
Sean XA  N (800 100)
; y XB ;  N (900 150) on
las variables aleatorias ”duraci´
en horas”de los focos de tipo A y de tipo B , respectivamente.
 900  800
as de 900 horas:
a. Porcentaje de focos de tipo A que duran m´
P (900) =
XA >
100 = ( 1)
P Z > P Z >
= 1  (  1) = 1  0 84134 = 0 15866
P Z : :
Duración superada por exactamente el 10% de los focos de tipo :

b.
 0 9  900 B
0 10 = (
: 0 9) =
P XB > x :
150P Z >
x :
0 9  900
0 9 = 1 28 =
150 ) 0 9 = 150  1 28 + 900 = 1092 0
x :
z : : x : : :
pues por las tablas de la normal (  1 28) = 0 89973 es la probabilidad m´

P Z as : :
cercana a 0 9 : :
9 0

lOMoARcPSD|9981462
as que el foco de tipo B:

c. Probabilidad de que el foco de tipo A dure m´
P (XA > XB ) = P (XA  XB > 0) = P (Y > 0)
con Y = XA  XB N (Y ; Y ) siendo:
Y = E (XA  XB ) = E (XA )  E (XB ) = 800  900 =  100
2
 Y = Var(XA  XB ) = Var((XA + (  XB )) = Var(XA ) + (  1)
2
Var(XB )
2 2
= Var(XA ) + Var(XB ) = 100 + 150 = 32500
 0  Y
 
donde se ha utilizado que XA y XB son independientes. Por tanto,
p 100

P (Y > 0) = P Z > = P Z >
Y 32500
= P (Z > 0:55) = 1  P (Z  0:55) = 1  0:70884 = 0:29116
Ejercicio 35. El número de baches que presenta una carretera comarcal muy dete-
riorada sigue una distribución de Poisson de media 15 baches por kilometro.
´ Calcula
la probabilidad de que:
a. En un tramo de 500 metros haya menos de 4 baches.

un bache.
b. En un tramo de 100 metros no haya ning´
c. La distancia hasta el proximo
´ bache esté entre 100 y 200 metros.
Sol.: a) 0:0591; b) 0:2231; c) 0:1733

Solución
a. X : ”número de baches en 500 m”. X P () con  = 15 baches/km  7:5
X X
baches/500 metros:
3 3 7:5 7:5x
e
P (X < 4) = P (X = x) = = 0:0591
x!
=0
x x=0
b. Y : ”número de baches en 100 m”. X P () con  = 15 baches/km  1:5
baches/100 metros:
e
1 5 1:50
:
P (Y = 0) = = 0:2231
0!
c. U : ”distancia en metros hasta el proximo

´ bache”, U  E xp () con  = 0:015
baches/metro
P (100 < U < 200) = F (200)
= 1 e
0 015200  :
 F (100)

1 e
0:015100
 = 0:1733
9 0

lOMoARcPSD|9981462
Ejercicio 36. La empresa de ascensores Totis quiere determinar el peso que debe
soportar su nuevo modelo de ascensor con el fin de que la probabilidad de aver´ıa por
exceso de peso sea 0:1. El ascensor se disena˜ para que quepan como m´ aximo 9 per-
sonas en cada viaje y se realizan pruebas con dicho numero
´ de personas. Estudios
previos sobre la población de usuarios indican que el peso de dichas personas es una
on tı́pica 10 kg. Se pide:
variable aleatoria Normal de media 75 kg y desviaci´
a. Determinar el peso m´ aximo que se debe permitir para que la probabilidad de

fallo por exceso de peso con 9 personas dentro del ascensor sea 0:1 (as´ umase
que los pesos de las 9 personas son variables aleatorias independientes).
b. Si se supone que la probabilidad de fallo por exceso de peso es 0:1, ¿cu´
al es
es de 20 viajes, el ascensor se haya averiado por
la probabilidad de que despu´
exceso de peso al menos una vez?
c. Si se supone que la probabilidad de fallo por exceso de peso es 0:1, ¿cu´
antos
viajes habrá que esperar por t´ ıe por
ermino medio para que el ascensor se aver´
exceso de peso por primera vez?
Sol.: a) 713:4 kg; b) 0:8784; c) 10 viajes.
P
Solución
N  
p p
n
a. Y = =1 Xi
i
(Y ; Y ) con Y = n 75 = 75 9 = 675 kgr. Y =

   
 n = 10 9 = 30 kgr.
0:1 = (Y  L)  
=  L Y
=
L 675
   
P P Z P Z
Y 30
1  0:1 = 0:9 = P Z ) L
 30
675 L 675
30
= z0:9 1:28
L 
= 1:28 30 + 675 = 713:4 kgr.
B
 
b. X (n; p) con n = 20; p = 0:1
P (X  
1) = 1 P (X < 1) = 1  P (X = 0) = 1  20
0
0
0:1 (1  0:1)
20
=1   (1 0:1)
20
= 0:87842
c. : ”número de viajes hasta que se produce una aver´


U ıa por exceso de peso”.
U G(0:1) que cuenta el número de pruebas, luego:
1 1
E (U ) = = = 10
p 0:1
Ejercicio 37. El tiempo (en d´

ıas) que los clientes tardan en pagar a una determinada

on de distribución
empresa es una variable aleatoria de tipo continuo, X , con funci´
 
0 si x < 10;
F ( x) =
1 100 x
2 si x 10:
9 0

lOMoARcPSD|9981462
ıas.
a. Calcula la probabilidad de que un cliente pague antes de 15 d´
b. ¿Cuál es la mediana del tiempo que los clientes tardan en pagar?
c. La empresa se interesa por el grupo de clientes que tardan en pagar m´ as de 15

ıas.
d´ıas. Calcula la probabilidad de que uno de esos clientes pague antes de 20 d´
0 5556; b) 14 14 dı́as; c) 0 4375.

Sol.:a) : : :
Solución
 15) = (15) = 1  100  15 = 0 5556

a.
P ( X < 15) = ( P X F
2
:
b. La mediana x0:5 satisface:
0 5 = ( 0 5 ) = 1  100 052
: F x : x
:
1 = 0 5 , =  100 1 2 = 14 14
:
=
x
2
05
:
100 0 5 0 5 x :
:
:
c.
( 20j 15) = (15( 15)20) = (20)

P  (15)< X <
1  (15)
F F
P X < X >
P X > F
1  100
 
1  100

= 201 2 0 5556 15 = 0 4375
2
:
:
Ejercicio 38. El tiempo (en minutos) que un t´ ecnico de laboratorio necesita para
on uniforme
preparar un equipo es una variable aleatoria, X , que sigue una distribuci´
en el intervalo [20 30]
; .
a. Calcula la media y la desviaci´

on tı́pica de X .
b. Sabiendo que al preparar un equipo el ecnico

t´ ya ha empleado minutos, ¿cu´ al 25
es la probabilidad de que tarde menos de on de ese
minutos en la preparaci´ 28
equipo?
ıa un premio si el tiempo empleado es

c. Para incentivar su productividad se le dar´
menor o igual a un valor. Para determinar este valor, la jefa del laboratorio quiere
ecnico lo cumple en el
garantizar que el t´ de los equipos. ¿Cu´ 60%
al ha de ser
ese valor?
Sol.: a) E [ ] = 25 min,
X X = 2 8 minutos; b) 3 5; c) 26 min.
: =
Solución
9 0

lOMoARcPSD|9981462
a. X U (20; 30) con densidad f (x) = 1= (30  20) = 1=10 si x 2 (20; 30) y
cero en el resto.
Z 1
Z 30
E (X ) =
1

a+b 50
xf (x) dx = x dx = = = 25
20 b a 2 2

1

2
= Var (X ) =
(b a)
2
=
(30  20)
2
= 8:333
12 12
s
)  =
p 
2 =
(30  20)
2
= p 10
= 2:89
12 12
b. F (x) =
Rx
20 (1=10) du =
x
10
20
si x 2 (20; 30) , cero si x  20 y uno si x  30:
j  P ((X < 28) \  (X 25)) 

  
P (25 X < 28)
P (X < 28 X 25) = =
P (X 25) 1 P (X 25)
F (28)  F (25)
2820  2520
3

10 10
=
1 F (25)
=
1  2520
10
=
5
= 0:6
c. Es el cuantil t0:6 :
0:6 = P (T  t0:6 ) = F (t0:6 ) =

t0:6  ) 20
t0:6 = 6 + 20 = 26
10
Ejercicio 39. El numero

´ de alumnos que acuden a la biblioteca de una determinada
facultad en epoca
´ de exámenes sigue una distribución de Poisson de media 20 cada
hora.
a. Calcula la probabilidad de que en un cuarto de hora lleguen a lo sumo dos alum-

nos.
nana, ¿cuál es la probabilidad de que el
b. Si la biblioteca abre a las 9 : 00 de la ma˜
alumno m´ as madrugador llegue antes de las 9 : 10?
c. Se sabe que el 20% de los alumnos que van a la biblioteca reservan un libro. Si
un dı́a acuden 50 alumnos, ¿cu´
al es la probabilidad de que más de 12 reserven
un libro?
d. Suponiendo que se contabiliza la entrada de alumnos en la biblioteca de manera
consecutiva, ¿cuántos alumnos se han de registrar, por término medio, hasta que
uno de ellos reserve un libro?
Sol.: a) 0:12465; b) 0:96433; c) 0:1894; d) 5 alumnos.

Solución
a. X P () con  = 20 alumnos/hora  20=4 = 5 alumnos/150 :

2 2 2
 X X X
 x 5 x
e  e 5
P (X 2) = P (X = x) = = = 0:12465
x! x!
x=0 x=0 x=0
9 0

lOMoARcPSD|9981462
b. Sea Y es de las 9 : 00. Entonces,

el tiempo del primer alumno que llega despu´
Y  con  = 20 alumnos/hora  20=60 = 1=3 alumnos= min : La
E xp()
función de distribución es:

Z x
F ( x) = e
udu = 1  ex si x > 0 y F (x) = 0 si x  0
0
con lo que
P (Y < 10) = F (10) = 1  e1=310 = 0:96433
c. Sea U : ”numero de alumnos de 50 que reservan un libro siendo p = 0:2 la

probabilidad de reservar un libro”. Entonces, U  B (n; p) con n = 50; p = 0:2:
Como n = 50 > 30 y np = 50  0:2 = 10 > 5 y nq = 50  0:8 = 40 > 5;
utilizamos la aproximaci´ on de Yates:
on normal con la correcci´
   

 13) = P 13  0:5   p12:5  10
U
P (U > 12) = P (U =
50  0:2  0:8
> P Z >
 
= P (Z > 0:88)  1  P (Z  0:88) = 1  0:81057 = 0:18943

d. V de alumnos que se registran hasta que uno reserva un libro”. V 
:”n úmero
G (p) con p = 0:2, variable geom´ etrica que cuenta el numero
´ de sucesos nece-
sarios para obtener el primer exito.
´ Luego,
1 1
E (V ) = =
0:2
=5
p
Ejercicio 40 La vida útil media de una máquina es de 5 años, con una desviación
tı́pica de 1:2 a˜
nos. Se ha comprobado que la vida de esta máquina sigue una dis-
tribución normal.
a. ¿Qué porcentaje de este tipo de máquinas tienen una duración superior a 6.7
años?
b. ¿Cuál es el tiempo a partir del cual se sitúan el 15 % de las m´

aquinas que pre-
sentan mayores vidasutiles?
´
c. Si se seleccionan al azar 10 m´
aquinas, ¿cuál es la probabilidad que como mucho
una de ellas dure menos de 4 años?
d. Calcula la probabilidad de que la media muestral obtenida de una muestra aleato-
ria de 9 de estas máquinas esté en el intervalo entre 5:6 y 5:9 a˜
nos.
Sol: (a) 0:0778; (b) 6:25 años; (c) 0:366; (d) 0:05459
Solución.
X : ”vida útil de la máquina en años”, X  N (; ) con  = 5 años,  = 1:2
años.
9 0

lOMoARcPSD|9981462
     
a.
X  6:7  6:7 5
P (X > 6:7) = P > = P Z >
  1:2
= P (Z > 1:4167)    1 P (Z 1:42) = 1  0:92220 = 0:0778
b. Se pide x tal que 0:15 = P (X > x) ; es decir, se trata del cuantil 0:85:
  ) 
0:85 = P (X  x0:85 ) = P Z  x0:85


z0:85 =
x0:85


) x0:85 =   z0:85 +  = 1:2 1:04 + 5 = 6:248 

pues según las tablas z0:85 = 1:04:
c. Sea Y : ”número de máquinas de 10 independientes, que duren menos de 4

años”. Entonces Y B
(n; p) con n = 10; p = P (X < 4) = P Z
4 5 =
  
P (Z  0:83) = P (Z > 0:83) = 1
1:2
 P (Z  0:83) = 1  0:79673 =
0:20327:
P (Y  1) =
 
P (Y = 0) + P (Y = 1)
 
=
10
0
0
0:20327 (1  0:20327)
10
+
10
1
1
0:20327 (1  0:20327)
9
= 0:36602
d.  = 1
X
P n
=1 Xi con n = 9 verifica X N ( X )
 ; X con 
X =  = 5;
p
i
p
n
X =

= 1:2 = 0:4:
  
n 9
P
   
5:6 
X 9 5:9 = P   
5:6 5
Z
5:9 5
0:4 0:4
= P (1:5   Z 2:25)
= F (2:25)  F (1:5) = 0:98778  0:93319 = 0:05459
9 0

Boletin 2 Variables Aleatorias Soluciones

Cargado por

Información del documento

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

Boletin 2 Variables Aleatorias Soluciones

Cargado por

Copyright:

Formatos disponibles

lOMoARcPSD|9981462

Matemáticas: Estadística (Universidade de Vigo)

Studocu is not sponsored or endorsed by any college or university

Boletin 2 Variables Aleatorias Soluciones

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 1

a. Calcula las siguientes probabilidades: P (X = 4:8), P (X > 4:8), P (X < 4:8),

Sol.: a) 0.18, 0.13, 0. 69, 0.8161; b) E [X ] = 4:69, DT [X ] = 0:1315.

P (X < 4:8) = P (X = 4:5) + P (X = 4:6) + P (X = 4:7)

Otra forma es utilizando la funci´

4:8  x < 4:9

4:9  x < 5:0

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 2

de tal manera que:

P (X  j 4:6 X < 4:9) =

0:97 0:41 0:1 + 0:25

(a) Calcular la mediana y el tercer cuartil:

(b) Probabilidad de que la v.a. produzca un valor mayor que 4:75 :

Ejercicio 2. Calcula la media, la varianza y la desviaci´

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 3

con lo que el soporte DX = f1; 3; 6g:

P( 3 < X  4) = F (4)  F (3) = 1=2  0 = 1=2

Ejercicio 3. Un ingeniero quiere estimar el coste total de un proyecto para hacer

a. ¿Cuál es la probabilidad de que el proyecto tarde en realizarse 9o´10 dı́as?

b. Calcular la esperanza y la varianza de X .

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 4

es decir, por término medio, la duraci´ on de un proyecto de este tipo será de

c. El coste de un proyecto de este tipo es Y = 12000 + 300  X; por tanto, la nueva

7 0:1 14100 0:1

pero podemos utilizar la formula

la función de distribución FY en la tabla, vemos que: b = x0:8 = 15000 euros.

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 5

Ejercicio 4. En una empresa de fabricaci´

P (X = 0) = 1  P (X = 1) = 1  p = 1  0:06 = 0:94: Por tanto, X es una

b. Sea Y : ”n´umero de piezas defectuosas en 20 producidas por la empresa con

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 6

La varianza y desviación t´ıpica son:

c. Sea la variable Z : ”n´umero de piezas a fabricar hasta encontrar la primera

Ejercicio 5. Un examen tipo test consiste en 10 preguntas con 4 respuestas, siendo

a. Probabilidad de acertar 5 preguntas.

c. Probabilidad de acertar 8 preguntas.

d. ¿Cuál es el número esperado y desviación t´ıpica del número de respuestas cor-

Sol.: a) 0:0584, b) 0:0563, c) 0:0004, d) E [X ] = 2:5, X = 1:3693

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 7

Nótese que la probabilidad de aprobar es:

a por término medio un 2:5

que es una transformación lineal de la variable aleatoria X: Por tanto, su media

al tendr´ıa que ser la penalización

José M. Matı́as, 2018-2019

Downloaded by Axel Rodríguez (rodaxel12@gmail.com)

Dpto. de Estadı́stica - E. Ing. Industrial - Grados - Universidad de Vigo 8

Ejercicio 6. Un inspector de aduanas decide revisar 3 de 16 embarcaciones prove-

Sol.: a) 0:2946; b) 0:49107; c) 0.