Se venden 5000 billetes para una rifa a 1 euro cada uno.

Si el único premio del sorteo es de

1800 euros, calcular el resultado que debe esperar una persona que compra 3 billetes.

RESOLUCIÓN. Consideramos la variable aleatoria discreta

ξ = ‘cantidad de dinero obtenido en el juego’.

Los posibles valores de ξ son dos:

Si se gana la rifa, se obtiene un beneficio de 1800 − 3 = 1777 euros. Por la Ley de Laplace, la probabi-
lidad de que ocurra este hecho es de 3/5000.

Si no se gana la rifa, resulta una pérdida de 3 euros. Nuevamente por la Ley de Laplace, la probabilidad
de que esto ocurra es de 4997/5000.

Por lo tanto, la distribución de probabilidad para la variable aleatoria ξ será:

ξ = xi 1777 −3

P(ξ = xi) 3/5000 4997/5000

El resultado que debe esperar una persona que compra 3 billetes es

3 4997 9660 483

E[ξ ] = 1777 · − 3 · =− =− = −1.932,
5000 5000 5000 250

lo que interpretamos como que, en promedio, cabe esperar una pérdida de 1.93 euros. Q

Una variable aleatoria discreta toma todos los valores enteros entre 0 y 4 con la siguiente función de
densidad:
X 0 1 2 3 4
f (x) 0.3 0.25 0.25 0.1 0.1

Calcular su esperanza y varianza.

RESOLUCIÓN. La esperanza matemática de la variable X viene dada por:

4
E[X ] = ∑ xi · f (xi) = (0 · 0.3) + (1 · 0.25) + (2 · 0.25) + (3 · 0.1) + (4 · 0.1) = 1.45.
i=0

La varianza viene dada por Var[X ]=E[X 2] − (E[X ])2. Calculamos la esperanza de la variable X 2:

∑ x2 · f (x2) = ∑ x2 · f (x )i = (02 · 0.3) + (12 · 0.25) + (22 · 0.25) + (32 · 0.1) + (42 · 0.1) = 3.75.
4 4
E[X 2] =
i i i
i=0 i=0

Por tanto,

Var[X ] = 3.75 − 1.452 = 1.6475.

6.1.1. Distribución binomial

Suponiendo que es equiprobable el tener hijo o hija, determinar el número esperado de

varones en una familia de ocho hijos, así como la probabilidad de que efectivamente resulte este número.

RESOLUCIÓN. Consideramos la variable aleatoria

ξ = ‘número de hijos varones en el total de ocho’.

Al ser equiprobable el tener hijo o hija, la probabilidad de éxito (el tener un hijo) es p = 0.5. Además, el

sexo de un hijo no influye en el de los restantes. Por tanto, la variable ξ sigue una distribución binomial de
parámetros n = 8 y p =0.5, y su función de densidad es

.8Σ .8Σ .8 Σ
f (x) = · 0.5x · (1 − 0.5)8−x = · 0.5x · 0.58−x = · 0.58 (x ∈ {0, 1, 2, . . . , 8}).
x x x

El número esperado de hijos varones viene dado por la esperanza matemática de la variable aleatoria ξ ,

esto es:

E[ξ ] = np = 8 · 0.5 = 4 hijos varones.

Por otra parte, la probabilidad de que nazcan exactamente 4 hijos varones es:
. Σ
8 8! 8·7·6· 5
P(ξ = 4) = · 0.58 = · 0.58 = · 0.58 = (7 · 5 · 2) · 0.58 = 70 · 0.58 c 0.2734,
4 4! · 4! 4·3·2
lo que supone un 27.34 %. Q

6.1.2. Distribución de Poisson

Un laboratorio farmacéutico encarga una encuesta para estimar el consumo de cierto medi- camento que

elabora, con vistas a controlar su producción. Se sabe que a lo largo de un año cada persona tiene una
posibilidad entre mil de necesitar el medicamento, y que el laboratorio podrá vender una media de cuatro
mil unidades del producto al año. Se pide hallar:

a) Probabilidad de que el número de enfermos no exceda de cuatro por año.

b) Número de enfermos esperado por año.

c) Probabilidad de que el número de enfermos sea superior a dos por año.

d) Probabilidad de que haya doce enfermos por año.

RESOLUCIÓN. Consideramos la variable aleatoria

ξ = ‘número de enfermos por año’,

la cual, según los datos del problema, responde a un modelo de Poisson en un proceso con parámetro 1/1000
(número de enfermos al año por cada 1000 medicamentos vendidos). Si la empresa farmacéutica espera vender

una media de 4000 unidades anuales, el parámetro λ = ‘cantidad de enfermos esperada al año’ de la corres-

pondiente variable aleatoria de Poisson ξ es:

. Σ
1 1 λ
λ= · 4000 = 4 = , de donde λ = 4 .
1000 1000 4000

La función de densidad para la variable ξ será:

f x P ξ x 4x −4 012
e x
()=( =) = ( ∈ { , , , . . .}).
x!

a) La probabilidad de que el número de enfermos no exceda de cuatro por año es:

. Σ
4 40 41 42 43 44
+ + + + −
4
P(ξ ≤ 4) = ∑ f (k) = f (0) + f (1) + f (2) + f (3) + f (4) = 4!
e
0! 1! 2! 3!
k=0
. 32 32 Σ . Σ
= 1+ 4+ 8+ + 39 + 64 e−4 = 103 e−4 c 0.6288.
e−4 =
3 3 3 3
 b) Tal y como dijimos anteriormente, el número de enfermos esperado por año viene dado por el parámetro
de la variable aleatoria ξ, esto es:

E[ξ ] = λ = 4.

c) La probabilidad de que el número de enfermos sea superior a dos por año es:

P(ξ > 2) = 1 − P(ξ ≤ 2) = 1 − [ f (0) + f (1) + f (2)]

= 1 − (1 + 4 + 8) e−4 = 1 − 13 e−4 c 0.7619.

d) La probabilidad de que haya doce enfermos por año es:

P ξ 12 f 12 412 0 0006
e−4
( = )= ( )= c . .
12!

OBSERVACIÓN. Podríamos haber resuelto el ejercicio considerando la variable aleatoria

ξ = ‘número de medicamentos adquiridos de un total de 4000’,

la cual sigue un modelo binomial de parámetros n = 4000 y p = 1/1000 (que es la probabilidad que tiene

una persona de caer enferma o, equivalentemente, de necesitar el medicamento). Ahora bien, ya que n > 50 y
p = 0.001 < 0.1 (alternativamente, np = 4 < 5), la distribución de Poisson de parámetro λ = np = 4 es una
buena aproximación de la binomial anterior. Q

Ejercicio 6.5. El recuento de glóbulos blancos de un individuo sano puede presentar un promedio en valor
mínimo de hasta 6000 por milímetro cúbico de sangre. Para detectar una deficiencia de glóbulos blancos se

determina su número en una gota de sangre de 0.001 milímetros cúbicos. ¿Cuántos glóbulos blancos cabe

esperar en un individuo sano? ¿Cuánto de raro sería encontrar un máximo de 2 glóbulos blancos?

RESOLUCIÓN. Consideramos la variable aleatoria

ξ = ‘número de glóbulos blancos en 0.001 mm3 de sangre’.

El recuento de glóbulos blancos de un individuo sano por milímetro cúbico de sangre puede ser considerado un

proceso de Poisson de parámetro 6000. La variable aleatoria ξ del correspondiente proceso de Poisson tiene
por parámetro el número de glóbulos blancos esperados en 0.001 mm3 de sangre:
. Σ
1 0.001
λ = 0.001 · 6000 = 6 = , de donde λ = 6 .
6000 λ

Por consiguiente, la función de densidad de probabilidad para la variable aleatoria de Poisson ξ viene dada
por:
f x P ξ x 6x −6 012
e x
()=( =) = ( ∈ { , , , . . .}).
x!

El número de glóbulos blancos esperados en un individuo sano coincide con la esperanza de la variable:

E[ξ ] = λ = 6 glóbulos blancos.

Por otra parte, la probabilidad de encontrar como máximo 2 glóbulos blancos en 0.001 mm3 de sangre en

un individuo sano será

. Σ
60 61 62
+ + −6

P(ξ ≤ 2) = f (0) + f (1) + f (2) = e

0! 1! 2!

= (1 + 6 + 18) e−6 = 25 e−6 c 0.0620.

De este resultado cabe inferir que es bastante improbable que se presente dicha situación, al ser la probabilidad
de que ocurra muy cercana a cero. Más concretamente, podemos afirmar que esta situación se da en un 6.2 %
de los casos. Q

Si X es una distribución de Poisson y se sabe que P(X = 0) = 0.2, calcular P(X > 2) y P(1 ≤ X < 4).

RESOLUCIÓN. La variable aleatoria X sigue una distribución de Poisson de parámetro λ , en principio desco-
nocido. Su función de densidad de probabilidad viene dada por:

f x P X x λ x −λ 012
e x
()=( =) = ( ∈ { , , , . . .}).
x!

Sin embargo, sabemos que P(X = 0) = 0.2, por lo que

λ0
f 0 e −λ e −λ 02
= =. .
Tomando logaritmos en la anterior ecuación resulta

ln e−λ = −λ ln e = −λ = ln 0.2,

esto es, λ = − ln 0.2 c 1.609. Consecuentemente

P(X > 2) = 1 − P(X ≤ 2) = 1 − [ f (0) + f (1) + f (2)]

. 1.6090 1.6091 2
Σ
+ + 1.609 ln 0.2

=1− 0!1! e
Σ 2!
. 1.6092
= 1 − 1 + 1.609 + 0.2
2!
c 0.2191,

.
y Σ
P1 X 4 f 1 f 2 f3 1 609 1.6092 1.6093 0 7195
02
( ≤ <)= ( ) + ( ) + ( )= . + + . c . .
2! 3!

6.2. Variables aleatorias continuas

La función de distribución de la variable aleatoria que representa la duración en minutos de

una llamada telefónica es

2 1
1− e−2x/3 − e−x/3 , si x > 0
f (x)= 3 3
0, si x ≤ 0.

Hallar su función de densidad, así como la probabilidad de que una llamada dure entre 3 y 6 minutos.

RESOLUCIÓN. Sabemos que la función de densidad de probabilidad coincide con la derivada de la función

de distribución. Por tanto, la función de densidad será

4 −2x/3 1 −x/3
dF(x) e + e , si x > 0
f (x) = Fj(x) = 9 9
dx
0, si x ≤ 0.

La probabilidad de que una llamada dure entre 3 y 6 minutos es:

P(3 ≤ ξ ≤ 6) = F(6) − F(3) c 0.1555,

donde ξ denota la variable aleatoria que mide la duración de una llamada en minutos. Q

6.2.1. Distribución normal

Una confitura puede ser calificada de «almíbar» si contiene entre 420 y 520 gramos de azúcar por kilo de
confitura. Un fabricante comprueba 200 botes de confitura de 1 kilogramos encontrando que el peso medio

de azúcar es de 465 gramos, con una desviación típica de 30 gramos. Sabiendo que el contenido de azúcar

se distribuye normalmente (porque proviene de frutas con un contenido variable de azúcar), calcular el
porcentaje de la producción del fabricante que no debe ser etiquetado como almíbar,

considerando la muestra como representativa de la producción total.

RESOLUCIÓN. Sea la variable aleatoria

ξ = ‘contenido de azúcar (gr) en botes de confitura de 1 kg’.

Sabemos que el contenido de azúcar en dichos botes se distribuye normalmente con un peso medio por bo-
te de 465 gr (esto es, µ = 465 gr) y una desviación típica de 30 gr (esto es, σ = 30 gr). Simbólicamente:

ξ ∼ N(465, 30).
Considerando la muestra de 200 botes como representativa de la producción total, el porcentaje de produc-
ción que puede ser calificado de almíbar es el P(420 < ξ < 520) · 100 %. Al tipificar la variable ξ resulta que

ξ = 30 Z + 465, donde Z es la normal estándar. Se tiene entonces:

. Σ
420 − 465 520 − 465
P(420 < ξ < 520) = P < Z< = P(−1.5 < Z < 1.83)
30 30
= P(Z < 1.83) − P(Z < −1.5) = P(Z < 1.83) − P(Z > 1.5)

= P(Z < 1.83) − [1 − P(Z ≤ 1.5)] = 0.9664 − (1 − 0.9332) = 0.8996.

Encontramos así que el 89.96 % de la producción total puede ser calificada de almíbar. El resto, un 10.04 %,
no debe ser calificado como tal. Q

Se sabe que la concentración media de NH3 en sangre venosa de individuos normales de la población es de
110 microgramos por mililitro, y que la concentración de NH3 del 99 % de los individuos se

encuentra entre 85 y 135 microgramos por mililitro. Se pide calcular la desviación típica de dicha población
normal y los límites del intervalo que comprende al 70 % de los valores de la misma, así como el
porcentaje de población que tiene:

a) más de 135 microgramos por mililitro;

b) menos de 9 microgramos por mililitro;

c) entre 90 y 125 microgramos por mililitro;

d) entre 85 y 100 microgramos por mililitro.

RESOLUCIÓN. Consideramos la variable aleatoria

ξ = ‘concentración media de NH3 (µgr/mL) en sangre venosa de individuos normales’.

Sabemos que ξ se distribuye normalmente, con media µ = 110 µgr/mL. Además, en el 99 % de los individuos
se encuentra entre 85 y 135 µgr/mL, esto es:

P(85 ≤ ξ ≤ 135) = 0.99.

Para tipificar la variable escribimos ξ = σ Z + 110, donde σ es la desviación típica de ξ y Z la distribución

normal estándar. Ahora,
. Σ
P(85 ≤ ξ ≤ 135) = P(85 ≤ σ Z + 110 ≤ 135) = P 85 − 110 135 − 110
≤ Z≤
Σ σ σ
.
25 Z ≤ 25 = 0.99.
=P
− ≤
σ σ

25
Si denotamos a = resulta que
σ

P(−a ≤ Z ≤ a) = 2 P(Z ≤ a) − 1 = 0.99,

de donde
0.99 + 1
P(Z ≤ a) = = 0.9950.
2

En la tabla de distribución para la normal estándar encontramos que 25/σ = a = 2.575. Consecuentemente, la
desviación típica de ξ es
25
σ= = 9.7 µgr/mL.
2.575
 El intervalo simétrico respecto a la media que comprende el 70 % de los individuos de la población tiene
extremo inferior µ − kσ = 110 − 9.7k y extremo superior µ + kσ = 110 + 9.7k, para cierto valor de k. A fin

de determinar tal valor, imponemos que

P(µ − kσ ≤ ξ ≤ µ + kσ ) = 2 P(Z ≤ k) − 1 = 0.7.

Entonces P(Z ≤ k) = 1.7/2 = 0.85. Inspeccionando la tabla de distribución para la normal estándar encontra-
mos que k = 1.04, dedonde

110 − 9.7 · 1.04 c 100, 110 + 9.7 · 1.04 c 120.

Se concluye que el 70 % de los individuos de la población poseen una concentración media de NH3 en sangre

venosa comprendida entre 100 y 120 µgr/mL.

Finalmente:

a) El porcentaje de población con concentración superior a 135 µgr/mL es del 0.51 %:

P(ξ > 135) = 1 − P(ξ ≤ 135) = 1 − P(9.7 Z + 110 ≤ 135)

. Σ
135 − 110
= 1− P Z≤ = 1 − P(Z ≤ 2.57)
9.7
= 1 − 0.9949 = 0.0051.

b) El porcentaje de población con concentración inferior a 95 µgr/mL es el 6.18 %:

. 95 − 110 Σ
P(ξ < 95) = < = P(Z < 1.54)
PZ
−
9.7

= P(Z > 1.54) = 1 − P(Z ≤ 1.54)

= 1 − 0.9382 = 0.0618.

c) El porcentaje de población con concentración comprendida entre 90 y 125 µgr/mL asciende al 91.85 %:

. Σ
90 − 110 125 − 110
P(90 ≤ ξ ≤ 125) = P ≤ Z≤ = P(−2.06 ≤ Z ≤ 1.54)
9.7 9.7
= P(Z ≤ 1.54) − P(Z ≤ −2.06) = P(Z ≤ 1.54) − P(Z ≥ 2.06)

= P(Z ≤ 1.54) − [1 − P(Z < 2.06)] = 0.9382 − (1 − 0.9803) = 0.9185.

 d) El porcentaje de población con concentración comprendida entre 85 y 100 µgr/mL es del 14.64 %:

P(85 ≤ ξ ≤ 100) = P(−2.57 ≤ Z ≤ −1.03) = P(Z ≤ −1.03) − P(Z ≤ −2.57)

= P(Z ≥ 1.03) − P(Z ≥ 2.57) = [1 − P(Z < 1.03)] − [1 − P(Z < 2.57)]

= P(Z < 2.57) − P(Z < 1.03) = 0.9949 − 0.8485 = 0.1464.

Se ha comprobado que la distribución del índice de colesterol para un gran número de personas es la
siguiente: inferior a 165 centigramos, 58 %; comprendido entre 165 y 180 centigramos, 38 %. Se sabe que
dicha distribución sigue una ley normal.

a) Calcular el valor medio del índice de colesterol y su desviación típica.

b) Se admite que las personas cuyo índice es superior a 183 centigramos deben ser sometidas a trata-

miento. ¿Cuál es el número de personas a tratar en una población de 100000individuos?

RESOLUCIÓN. Consideremos la variable ξ = ‘índice de colesterol (cg)’. Esta variable sigue una distribución
normal de media µ y desviación típica σ, desconocidas. Sin embargo, el 58 % de la población tiene índice de
colesterol inferior a 165 cg:

P(ξ < 165) = 0.58,

mientras que un 38 % tiene un índice de colesterol comprendido entre 165 y 180 cg:

P(165 ≤ ξ ≤ 180) = 0.38.

Por tanto,

P(ξ ≤ 180) = P(ξ < 165) + P(165 ≤ ξ ≤ 180) = 0.58 + 0.38 = 0.96.

a) Sabemos que ξ = σ Z + µ, donde Z es la normal estándar. Luego:

. Σ
P(ξ < 165) = P(σ Z + µ < 165) = P 165 − µ = 0.58,
Z<
σ
. Σ
180 − µ
P(ξ < 180) = P Z < = 0.96.
σ
 165 − µ 180 − µ
Denotando a = yb= , en la tabla de distribución de probabilidad para la normal estándar
σ σ
encontramos que a = 0.2 y b = 1.75. Consecuentemente:

165 − µ
0.2 = ⇒ µ + 0.2 σ = 165,
σ
180 − µ
1.75 = ⇒ µ + 1.75 σ = 180.
σ

Restando ambas ecuaciones: 1.55 σ = 15, de donde σ c 9.7 cg. Por otra parte,

µ = 165 − 0.2 σ = 165 − 0.2 · 9.7 c 163.1 cg.

Concluimos así que ξ ∼ N(163.1,9.7).

b) Para obtener el porcentaje de población que ha de ser sometida a tratamiento calculamos

. Σ
183 − 163.1
P(ξ > 183) = 1 − P(ξ ≤ 183) = 1 − P Z ≤
9.7
= 1 − P(Z ≤ 2.05) = 1 − 0.9798 = 0.0202.

El porcentaje buscado es entonces el 2.02 %. En una población de 100000 individuos, este porcentaje se co-

rresponde con 100000 · 2.02/100 = 2020 de ellos. Q

. La anchura X en milímetros de una población de coleópteros sigue una distribución normal N(µ, σ ),

dándose las siguientes probabilidades: P(X ≤ 12) = 0.77; P(X > 7) = 0.84. Se pide:

a) Valores de µ y σ .

b) Proporción de individuos con anchura entre 8 y 10 milímetros.

c) Calcular x e y tales que P(X > x) = 0.95 y P(X < y) = 0.33.

RESOLUCIÓN. Sea la variable aleatoria

X = ‘anchura de un coleóptero (mm)’.

Sabemos que X sigue una distribución normal para una determinada población de coleópteros. Además P(X ≤
12) = 0.77 y P(X > 7) = 0.84, por lo que

P(X ≤ 7) = 1 − P(X > 7) = 1 − 0.84 = 0.16.

a) Sean µ y σ la media y la desviación típica de la variable X . Se tiene que X = σ Z + µ, donde Z es la

distribución normal estándar. Por tanto:

. Σ
P(X ≤ 7) = P(σ Z + µ ≤ 7) = P Z ≤ 7 − µ = 0.16,
σ
. Σ
12 − µ
P(X ≤ 12) = P(σ Z + µ ≤ 12) = P Z ≤ = 0.77.
σ
7− µ 12 − µ
Escribiendo a = yb= e inspeccionando la tabla de la distribución normal tipificada encontra-
σ σ
mos que b = 0.74.

Ahora queremos determinar a. Nótese que este valor ha de ser negativo, por cuanto la probabilidad corres-
pondiente es menor que 0.5. Como

P(z ≤ a) = P(z ≥ |a|) = 1 − P(z < |a|) = 0.16,

tenemos

P(z < |a|) = 1 − 0.16 = 0.84.

Entonces |a| = 0.99, de donde a = −0.99.

Llegamos así al siguiente sistema de ecuaciones:

7−µ
−0.99 = ⇒ µ − 0.99 σ = 7,
σ
12 − µ
0.74 = ⇒ µ + 0.74 σ = 12.
σ

Restamos miembro a miembro las ecuaciones anteriores para obtener 1.73 σ = 5, y de aquí

5
σ= c 2.89 mm.
1.73

Sustituimos σ en la primera de las ecuaciones del sistema y despejamos µ:

µ = 7 + 0.99 · 2.89 = 9.86 mm.

En consecuencia, X ∼ N(9.86, 2.89). Escribimos X = 2.89 Z + 9.86, donde Z ∼ N(0, 1).

b) La proporción de coleópteros con anchura entre 8 y 10 mm es del 25.88 %, ya que

. Σ
P(8 ≤ X ≤ 10) = P(8 ≤ 2.89 Z + 9.86 ≤ 10) = P 8 − 9.86 ≤ Z ≤ 10 − 9.86
2.89 2.89

= P(−0.64 ≤ Z ≤ 0.05) = P(Z ≤ 0.05) − P(Z ≤ −0.64)

= P(Z ≤ 0.05) − P(Z ≥ 0.64) = P(Z ≤ 0.05) − [1 − P(Z < 0.64)]

= 0.5199 − (1 − 0.7389) = 0.2588.

c) En primer lugar, calculamos la anchura x tal que

P(X > x) = 1 − P(X ≤ x) = 0.95,

o, equivalentemente, P(X ≤ x) = 1 − 0.95 = 0.05. Tipificando,

. Σx − 9.86
P(2.89 Z + 9.86 x) = P Z ≤ = 0.05.
2.89
≤
x − 9.86
Como esta última probabilidad es menor que 0.5, se verifica que a = < 0. Escribimos entonces
2.89

P(z ≤ a) = P(z ≥ |a|) = 1 − P(z < |a|) = 0.05,

esto es:

P(z < |a|) = 0.95.

Utilizando ahora la tabla de distribución para Z vemos que |a| = 1.64, de donde a = −1.64. Así pues

x − 9.86
−1.64 = ,
2.89

con lo que x = 9.86 − 1.64 · 2.89 = 5.2 mm.

Finalmente, calculamos la anchura y tal que P(X < y) = 0.33. Tipificando,

y − 9.86Σ
.
P(X < y) = P Z < = 0.33.
2.89
Análogamente que en el caso anterior, al ser esta última probabilidad menor que 0.5, necesariamente b =
y − 9.86
< 0. Como
2.89
P(z < b) = P(z > |b|) = 1 − P(z ≤ |b|) =
0.33,
sigue que

P(z ≤ |b|) = 0.67

y, por tanto, |b| = 0.44, de

donde y − 9.86
−0.44 = ,
2.89

resultando así el valor y = 9.86 − 0.44 · 2.89 = 8.59 mm para la anchura buscada. Q

En una investigación sobre los efectos teratogénicos del tabaquismo se estudió una muestra de
embarazadas de la cual el 40 % fumaba y el 60 %, no. Cuando nacieron los niños se encontró que 20 de

ellos tenían algún tipo de tara de nacimiento. Sea ξ el número de niños cuya madre fumaba durante el
embarazo. Si no hay relación entre el hecho de que la madre fumara y los defectos de nacimiento, entonces

ξ es una binomial con n = 20 y p = 0.4. ¿Cuál es la probabilidad de que 12 ó más niños afectados tengan
madres que fumaban?

RESOLUCIÓN. Consideramos la variable aleatoria

ξ = ‘número de niños cuya madre fumaba durante el embarazo’.

Los datos disponibles indican que la variables ξ es binomial, con parámetros n = 20 y p = 0.4.

La probabilidad de que 12 ó más niños afectados tengan madres que fumaban viene dada por

. Σ
2020
P(ξ ≥ 12) = ∑ · 0.4k ·0.620−k,
k=12
k

o bien

P(ξ ≥ 12) = 1 − P(ξ < 12) = 1 − P(ξ ≤ 11)

11 . 20 Σ
= 1− ∑
k · 0.4 · 0.6 .
k 20−k
k=0
k
por una distribución normal. Como n = 20 es suficientemente grande y p = 0.4 es un valor intermedio, el

Teorema de De Moivre garantiza que, efectivamente, ξ puede ser aproximada por una distribución normal X
√ √
de media µ = np = 20 · 0.4 = 8 y desviación típica σ = np(1 − p) = 20 · 0.4 · (1 − 0.4) = 2.19.
Tipificando la nueva variable normal (X = 2.19 Z + 8, con Z ∼ N(0, 1)), y aplicando además corrección de
continuidad, la probabilidad buscada resulta ser:

. Σ
11.5 − 8
P(ξ ≥ 12) c P(X ≥ 11.5) = 1 − P(X < 11.5) = 1 − P Z <
2.19
= 1 − P(Z < 1.6) = 1 − 0.9452 = 0.0548.

Q
 X  xi 0 1 2 3
P(X  xi) 18 38 38 18
F(x)  P(X  x) 18 48 78 1

 0 x0
 18 0  x  1

F(x)  4 8 1  x  2
7 8 2  x  3

 1 x3

c) Media, varianza y desviación típica de X

4 4

Media: 1   X  E(X) 
 x .P(X  x )   x . p  128  1,5
i1
i i
i1
i i

2  4
 i 24
8 i
4
i i

  E(X2 )  x2 .P(X  x )  x2 . p  3
i1 i1

x X  4 i x i 2 1

Varianza:   E  X    x    . P(X  x )    
2 2
2
 2

i1

2x   2  21  3  1,52  0,75

Desviación típica: x  0,75  0,87

d) Probabilidad de que salgan a lo sumo dos caras

1 3 3 7
P(X  2)  P(X  0)  P(X  1)  P(X  2)    
8 8 8 8
7
o bien P(X  2)  F(2) 
8

e) Probabilidad de que salgan al menos dos caras

3 1 4 1
P(X  2)  P(X  2)  P(X  3)    
8 8 8 2
4 1
o bien P(X  2)  F(1)  
8 2

2
Ejercicio 2.- La variable aleatoria: X ="número de hijos por familia de una ciudad" tiene
la siguiente distribución de probabilidad:

X 0 1 2 3 4 5 6
P(X  xi) 0,47 0,3 0,1 0,06 0,04 0,02 0,01

Se pide:
a) Media o esperanza matemática. Significado
b) Varianza y desviación típica
c) Si el Ayuntamiento de la ciudad paga 2000 euros por hijo e Y  2000. X , ¿cuál es la
distribución de probabilidad?
d) Media, varianza y desviación típica de Y

Solución:

a)

X  xi P(X  xi)  pi xi . pi xi2 x2 . p

i i

x1  0 0,47 0 0 0
x2  1 0,3 0,3 1 0,3
x3  2 0,1 0,2 4 0,4
x4  3 0,06 0,18 9 0,54
x5  4 0,04 0,16 16 0,64
x6  5 0,02 0,10 25 0,5
x7  6 0,01 0,06 36 0,36
1 1 2,74

7 7

Media: 1   X  E(X) 
 x .P(X  x )   x . p  1
i1
i i
i1
i i

Si se toma al azar una familia de la ciudad, el número de hijos que se espera que tenga
por término medio es uno.

b) Varianza y desviación típica

x X  7 i x i 2 1

Varianza:   E  X    x    . P(X  x )    
2 2
2
 2

i1

2  7
i i  7
i i
  E(X2 )  x2 .P(X  x )  x2 . p  2,74
i1 i1

2x   2 2 1 2,74  12  1,74

Desviación típica: x  1,74  1,32

c) Distribución de probabilidad de la variable Y  2000. X

3
 Y  yj P(Y  yj)  pj
y1  0 0,47
y2  2.000 0,3
y3  4.000 0,1
x4  6.000 0,06
y5  8.000 0,04
y6  10.000 0,02
y7  12.000 0,01
1

d) Media, varianza y desviación típica de Y

Y  2000 X  E(2000. X)  2000.E(X)  2000.1  2.000

2  2  Var(2000. X)  20002 . Var(X)  20002 . 1,74  6.960.000

Y 2000 X

Y  6.960.000  2638,18

Ejercicio 3.- Completar la ley de probabilidad , conociendo que la esperanza matemática

es 1,8

X 0 1 2 3
P(X  xi)  pi 0,2 a b 0,3

Solución:
4

  p  0, 2  a  b  0,3  1
i1
i
a  b  0,5

  x . p  a  2 b  0,9  1,8
i1
i i
a  2 b  0,9

Resolviendo el sistema:  a  b  0,5 

b  0, 4

a  2b  0,9 a  0,1

4
 Ejercicio 4.- Al lanzar cuatro monedas se considera el número de escudos obtenidos. De
la variable aleatoria X así obtenida, se pide:
a) Ley de probabilidad. Representación gráfica
b) Función de distribución. Representación gráfica
c) Esperanza matemática y varianza
d) Mediana y moda de la distribución
e) Probabilidad de obtener más de uno y menos de tres escudos

Solución:

a) Sea X ='número de escudos en la tirada de cuatro monedas'

(c,c,c,c),(c,c,c, e),(c,c, e,c),(c,c, e, e),(c, e,c,c),(c, e,c, e),(e,c,c,c),(e,c,c, e), 

 
(e, e, e,e),(e, e, e,c),(e, e,c,e),(e, e,c,c),(e,c, e,e),(e,c, e,c),(c, e, e,e),(c, e, e,c) 


X(c,c,c,c)  0 P(X  0)  1 16

X(c,c,c,e)  X(c,c, e,c)  X(c, e,c,c)  X(e,c,c,c)  1 P(X  1)  4 16

X(c,c, e, e)  X(c, e,c, e)  X(e,c, e,c) 

P(X  2)  6 16
X(e, e,c,c)  X(e,c, e,c)  X(c, e,c, e)  2

X(e, e, e,c)  X(e, e,c, e)  X(e,c, e, e)  X(c, e, e, e)  3 P(X  3)  4 16

X(e, e, e, e)  4 P(X  4)  1 16

La ley de probabilidad o función de cuantía:

X  xi 0 1 2 3 4
P(X  xi) 1 16 4 16 6 16 4 16 1 16

b) Función de distribución:

X  xi 0 1 2 3 4
P(X  xi) 1 16 4 16 6 16 4 16 1 16
F(x)  P(X  x) 1 16 5 16 11 16 15 16 1

 0 x0
 1 16 0x1

 5 16 1x2
F(x)  
11 16 2x3
15 16 3x4

 1 x4

5
Ley de Probabilidad Función de distribución

c) Cálculo de la esperanza matemática y varianza

X  xi 0 1 2 3 4
P(X  xi) 1 16 4 16 6 16 4 16 1 16
5

xi .P(X  xi) 0 4 16 12 16 12 16 4 16
 x .P(X  x )  2
i1
i i

 x .P(X  x )  5
5
xi2.P(X  xi) i2 i
0 4 16 24 16 36 16 16 16
i1

Media: 1   X  E(X)   x .P(X  x )  2

i1
i i

5

 2 E(X ) 
2
x .P(X  x )  5
i1
2

i i

Varianza: 2  Var(X)    2  5  22  1
X 2 1

d) Observando la ley de probabilidad la moda Md  2

Observando la función de distribución la mediana Me  2 por ser F(x  2)  11 16 el

primer valor que iguala o deja por debajo a 0,5

6 11 5 6
e) P(1  X  3)  P(X  2)   0,375 o bien P(1  X  3)  F(2)  F(1)   
16 16 16 16

6
Ejercicio 5.- Calcular la media, varianza y coeficiente de variación de la variable aleatoria
que tiene como función de distribución:

 0 x2
 0, 2 2  x  4

F(x)  0,55 4  x  6
0,85 6  x  8

 1 x8

Solución:

La ley de probabilidad o función de cuantía:

X  xi 2 4 6 8
P(X  xi) 0,2 0,35 0,30 0,15

Adviértase que la función de distribución F(x) es una función acumulativa, por tanto:

P(X  2)  F(2)  F(0)  0, 2 P(X  4)  F(4)  F(2)  0,55  0, 2  0,35

P(X  6)  F(6)  F(4)  0,85  0,55  0,30 P(X  8)  F(8)  F(6)  1 0,85  0,15

Cálculo de la esperanza matemática y varianza

X  xi 2 4 6 8
P(X  xi) 0,2 0,35 0,30 0,15
4

xi .P(X  xi) 0,4 1,4 1,8 1,2

 x .P(X  x )  4,8
i1
i i

 x .P(X  x )  26,8
4
xi2.P(X  xi) i2 i
0, 8 5,6 10,8 9,6
i1

Media: 1   X  E(X)   x .P(X  x )  4,8

i1
i i

4

 2 E(X ) 
2
x .P(X  x )  26,8
i1
2

i i

Varianza: 2  Var(X)    2  26,8  4,82  3,76

X 2 1

Desviación típica: x  3,76  1,94

x 1,94
Coeficiente variación: CV    0, 40
x 4,8

7
Ejercicio 6.- La variable discreta X tiene como distribución de probabilidad

X 1 2 3 4
P(X  xi) 0,30 0,25 0,10 0,35

Se realiza un cambio de origen hacia la izquierda de dos unidades y un cambio de escala

de 3 unidades.
Se pide:
a) Media y varianza de la X
b) Media, varianza y coeficiente de variación de la variable transformada por el cambio
de origen
c) Media, varianza y coeficiente de variación de la variable transformada por el cambio
de escala
d) Media, varianza y coeficiente de variación de la variable transformada por el cambio
de origen y escala

Solución:

a)

X  xi P(X  xi)  pi xi . pi xi2 x2 . p

i i

x1  1 0,30 0,30 1 0,30

x2  2 0,25 0,50 4 1,00
x3  3 0,10 0,30 9 0,90
x4  4 0,35 1,40 16 5,60
1 2,5 7,8

4 4

Media: 1   X  E(X) 
 x .P(X  x )   x . p  2,5
i1
i i
i1
i i

2 4
i  i
4
i i
  E(X ) 
2
x .P(X  x ) 
2
x . p  7,8
2

i1 i1

Varianza: 2 x  22 17,8  2,52  1,55

Desviación típica: X  1,55  1, 245

X  1, 245  0, 498
Coeficiente de variación: CVX 
X 2,5

b) Sea Y la variable transformada, al realizar un cambio de origen hacia la izquierda de

dos unidades hay que restar 2, quedando: Y  X  0 '  X  (2)  X  2 .

Media: Y  E(Y)  E  X  2 E(X  2)  E(X)  2 Y  E(Y)  2,5  2  4,5

8
 Varianza: 2Y  Var X  2  Var(X)  Var(2)  X2  0  2X 2Y  1,55

Desviación típica: Y  1,55  1, 245

Y X 1, 245
Coeficiente de variación: CV     0, 28  CV
Y x
Y  X  2 4,5

En consecuencia, el cambio de origen afecta a la media y, en consecuencia, al

coeficiente de variación.

X
c) Al realizar un cambio de escala de 3 unidades, la variable transformada es Y 
 X 1 1 2,5 3
Media:   E(Y)  E  . E(X)   . 
Y 3  3 Y
3 X
3
 X 1 1 1 1,55
Varianza:   Var  . Var(X)  .2 2  .1,55 
2

Y 3  9 9
X Y
9 9
1 1
Desviación típica:   1,55  .
1,55
 .  

Y
9 3 3 X
1
 . 
Coeficiente de variación: CV   CV  0, 498
X
Y3  X

Y . X X
Y X
1
3
El cambio de escala afecta a la media y a la desviación típica de la misma forma, en
consecuencia deja invariante al coeficiente de variación.

X
Resultados que se observan en la tabla, donde Y 
3

Y  yj P(Y  yj)  pj yj . pj y2j y2 . p

j j

x1  1 3 0,30 0,1 19 0,3 9

x2  2 3 0,25 0,5 3 49 19
x3  1 0,10 0,1 1 0,1
x4  4 3 0,35 1, 4 3 16 9 5, 6 9
1 2,5 3 7,8 9

2,5 1

4 4
) y j .P(Y  y j ) 
Media: 1  Y  E(Y
j1
y . p 
j1
j j
3

3
. X

  E(Y )  
y .P(Y  y )   y
 4 4
 7,8 1
. pj   . E(Y2 )
2 j
2 j j2
2 
j1 j1
9 9
2

Varianza: 2    2  7,8   2,5   1 . 2  1,55

Y 2 1
9  3   9 X
9





9
 1 1
Desviación típica:   1,55  .
1,55
 . 
 

Y
9 3 3 X
1
 . 
Coeficiente de variación: CV   CV  0, 498
X
Y3  X

Y . X X
Y X
1
3

d) Al realizar simultáneamente un cambio de origen de 2 unidades a la izquierda y un

X2
cambio de escala de 3 unidades, la variable transformada es Y 
3
 X  2 1 1 2
Media:   E(Y)  E  . E(X  2)  . E(X) 
Y  3  3
  3 3
1 2 1 2 4,5
con lo que,   E(Y)  . E(X)   . 2,5    1,5
Y
3 3 3 3 3
X2 1 1 1
Varianza: 2  Var(Y)  Var  . Var(X  2)  . Var(X)  . 2
Y  3  9 9 9
X

1 1
Desviación típica:   1,55  .
1,55
 .   

Y
9 3 3 X
1
 . 
X

X 
1, 245
Coeficiente de variación: CV  Y  3  0,28  CV
Y 1 2
.  X  2
Y x
4,5
X
3 3

El cambio de origen y de escala afecta a la media y desviación típica de distinta forma,

en consecuencia también queda afectado el coeficiente de variación
.
X2
Resultados que se observan en la tabla, donde Y 
3

Y  yj P(Y  yj)  pj yj . pj y2j y2 . p

j j

x1  1 0,30 0,30 1 0,30

x2  4 3 0,25 13 16 9 49
x3  5 3 0,10 0,5 3 25 9 2,5 9
x4  2 0,35 0,70 4 1,4
1 4,5 3 21,8 9

4 4
4,5
Media:     E(Y) 
1 Y j1
y j .P(Y  y j )   j1
y j . p j  3
 1,5
4 4
21,8
 y .P(Y  y )  y . p 
2
 2 E(Y ) 
2 2
j j j j 9
j1 j1
10
 2
Varianza:       21,8   4,5   1 . 2  1,55
2 2

 3 
    

Y 2 1 X
9 9 9
 

Desviación típica:   1,55  1 . 

1
. 
Y
1,55  

9 3 3 X
1
 . 
X
1, 245
Coeficiente de variación: CV  Y  3  X  0,28  CV
Y Y 1 x
. 4,5 4,5 4,5
3

Ejercicio 7.- En un cine de verano hay instaladas 800 sillas, sabiendo que el número de
asistentes es una variable aleatoria de media 600 y desviación típica 100.
¿Qué probabilidad existe de que el número de personas que vaya al cine un día
cualquiera sea superior al número de sillas instaladas?

Solución:

Sea la variable aleatoria X = "número de sillas del cine", donde   600 ,   100

2
PX  800  P  X  x  k   2
k

x  k  800 k  800  600  200

PX  800  1002  1  0, 25

2
200 4

Ejercicio 8.- La variable discreta X tiene como distribución de probabilidad

1
P(X  k)  siendo k  2, 3, , 11
10
Se pide:

a) Función de distribución
b) P(X  7)
c) P(X  5)
d) P(3  X  7)

Solución:

x1
a) F(x)  P(X  x)  siendo x  2, 3, , 11
10
Adviértase que entre dos valores consecutivos de la variable, la función de distribución
toma el valor menor.

6 4
b) P(X  7)  1 P(X  7)  1 F(7)  1   0, 4
10 10
11
 4
o bien, P(X  7)  P(X  8)  P(X  9)  P(X  10)  P(X  11)   0, 4
10

4
c) P(X  5)  F(5)   0, 4
10
4
o bien, P(X  5)  P(X  1)  P(X  2)  P(X  3)  P(X  4)   0, 4
10
4
d) P(3  X  7)  F(7)  F(3)  6  2   0, 4
10 10 10
4
o bien, P(3  X  7)  P(X  3)  P(X  4)  P(X  5)  P(X  6)   0, 4
10

Ejercicio 9.- Se desea conocer el número de automóviles que se deben poner a la venta
durante un periodo determinado para que se satisfaga una demanda media de 300
unidades con una desviación típica de 100 unidades, con una probabilidad no inferior al
75%.

Solución:

Sea la variable aleatoria X = "número de automóviles a la venta"

  300 ,   100

Según Chebyshev:
2 2
P   x  k  X   x  k   1  2
P  X   k   

 x   1 k 2 k
0,75
1002
P 300  k  X  300  k  1
k2

1002 1002 1002 1002

0,75  1 2  0, 25 k2  k  200
k k2 0, 25 0, 25

300  k  300  200  500 automóviles

Ejercicio 10.- La demanda media de un producto es de 100 unidades con una desviación
típica de 40 unidades. Calcular la cantidad del producto que se debe tener a la venta para
satisfacer la demanda de forma que puedan ser atendidos al menos el 80% de los
clientes.

Solución:

  100 ,   40

Según Chebyshev:

12
 
P X  k  
 
2 P    k  X    k 1 2
 1  

 x  x x

k2 k2

0,80 2
40
P 100  k  X  100  k   1 2
k

402 402 402 402

0,80  1 2  0, 20 k 
2
k  89, 44
k k2 0, 20 0, 20

Se deben poner a la venta 90 unidades.

Ejercicio 11.- La variable X ="número de centímetros a que un dardo queda del centro
de la diana" al ser tirado por una persona tiene como función de densidad:

k 0  x  10
f(x)  
0 en otros casos
Se pide:

a) Hallar k para que f(x) sea función de densidad. Representarla

b) Hallar la función de distribución. Representarla
c) Media, varianza y desviación típica
d) P(X  1)

e) Probabilidad de acertar en la diana

Solución:

a) Para que f(x) sea función de densidad debe verificar:

 0 10  10

1 

f(x) dx  

f(x) dx  0
f(x) dx  10
f(x) dx  0
f(x) dx

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

1 k dx  k dx  10  x10  10 k k  1
10 10

 0 
0 0
10

1
 0  x  10
En consecuencia, f(x)  10
 0 en otros casos


 f(t) dt
x
b) La función de distribución se define F(x) 

13
  f(t) dt  0
x
x0 F(x) 


F(x)   f(t) dt   f(t) dt   f(t) dt  

x 0 x x
1 x
0  x  10
     10 10 1
dt 
 0 0

F(x)   f(t) dt   f(t) dt   f(t) dt   f(t) dt  

x 0 10 x 10

x  10
      10 dt  1
 0 10 0

En consecuencia,

0 x0
x
F(x)   0  x  10
10
 1 x  10


c) Media
 1  x2 
10

 x dx  10  2 
 10 10
1 1
1  X  E(X) 
 
x f(x) dx 
 0
x.
10
. dx 
10 0 0
 5 cm

Varianza: 2    2
X 2 1
10
 10 10 1  x3  1 1000  100
  
1 1
2  E(X2 )  x2 f(x) dx  x2 . . dx  x dx 
2
    0 
 0 10 10 0 10  3 0 10  3  3
100 25
2    2   52  cm2
X 2 1
3 3

25
Desviación típica: X   2,9 cm
3

1
d) P(X  1)  F(1) 
10
1
1 1 1 1 1 1
o también, P(X  1) 
 10 dx  10  dx  10 x
0 0
0

10

e) Probabilidad de acertar en la diana: P(X  0)  0 por ser una variable continua

 f(x) dx  10
0 0 1 1 0

P(X  0) 
0 0
dx 
10  dx  0
0

14
 Ejercicio 12.- Se ha verificado que la variable X ="peso en kilos de los niños al nacer" es
una variable aleatoria continua con función de densidad

 kx 2x4
f(x)  
 0 en otros casos
Se pide:

a) Hallar k para que f(x) sea función de densidad. Representarla

b) Hallar la función de distribución. Representarla
c) Media, varianza y desviación típica
d) Probabilidad de que un niño elegido al azar pese más de 3 kilos
e) Probabilidad de que pese entre 2 y 3,5 kilos
f) Qué debe pesar un niño para tener un peso igual o inferior al 90% de los niños

Solución:

a) Para que f(x) sea función de densidad debe verificar:

 2 4  4

1 

f(x) dx  
f(x) dx   f(x) dx  f(x) dx  f(x) dx
2 4 2

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

4
 x2  16 4 
 k x dx  k 
4 4 4 1
1
 2
f(x) dx 
2 2
x dx  k   k     6 k
2
 2
2 2
 
k 6





x
 2x4
f(x)  6
 0 en otros casos

 f(t) dt
x 
b) La función de distribución se define F(x) 


 f(t) dt  0
x

x2 F(x) 
 x
 
1  t   1  x  4   x  4
2 2 2

 f(t) dt   f(t) dt   6 dt  6  2  6  2  12
x x x
t
2x4 F(x) 
 2 2 4
  1 16  4 
2

F(x)   f(t) dt   f(t) dt   f(t) dt   dt     

2
x 4
1 t
x 4

    6 6  2  6  2  1
t
x4
 2 4 2
2

15
  0 x2
 2
F(x) x  4 2x4

 12
 1 x4


c) Media
 1  x3 
4
1  64 8  56
 



4 4
x 1
  
1  X  E(X) 

x f(x) dx  x
2
. . dx
6

 6 2
x2 dx    
6  3 2 6  3 3  18
 3,1 kilos

Varianza: 2    2
X 2 1
4
1  x4 
 x f(x) dx   x . 6 . dx  6 
 4
x 1 4 1  256 16 
2  E(X2 )  
x3 dx        10 kilos2
2 2

 2 2 6  4 2 6  4 4 

2    2  10  3,12  0,39 kilos2

X 2 1

Desviación típica: X  0,39  0, 62 kilos

32  4 5 7
d) P(X  3)  1 P(X  3)  1 F(3)  1  1  0,58 
12 12 12
2 4
1  x  1  9 7
 f(x) dx  
4 4
x
o también, P(X  3) 
6 dx  6  2   6  8  2   12  0,58
3 3  3  

3,52  4
e) P(2  X  3,5)  F(3,5)  F(2)   0  0, 6875
12
1  x2 3,5  1  12, 25  4 
 
8, 25

3,5 3,5
x
P(2  X  3,5)  f(x) dx  12  0, 6875
6 dx  6  2  6 2 2
2 2  2  

f) Sea k el peso del niño, se tiene:

k2  4 2 2
F(k)  P(X  k)  0,9 
  0,9  k  4  10,8  k  14,8
12

k  14,8  3,85 , es decir, el niño debe pesar 3,85 kilos para tener para tener al 90% de
los niños con un peso igual o inferior.

16
 Ejercicio 13.- Gran número de fenómenos aeronáuticos tienen asociada una variable
aleatoria con ley de probabilidad:

  kx 0  x   k  0
f(x)  k e
0 en otros casos
Se pide:

a) ¿Puede tomar k cualquier valor?

b) Para k  0,1 representar la función de densidad, la función de distribución y su gráfica

c) Siendo k  0,1 hallar P(X  10)

d) Para k  0,1 calcular P(50  X  100)

Solución:

a) Para que f(x) sea función de densidad debe verificar:


 0
  0  0 
0



0
1 


 e kx 
1 f(x) dx  f(x) dx  f(x) dx  k e k x dx   k x
 k e dx   e k x
  1


La función de densidad no depende del valor del parámetro k, pudiendo tomar éste
cualquier valor positivo.

b) La función de densidad para k  0,1 será:

0,1 . e 0,1 x x0

f(x)  
 0 otros casos

 f(t) dt
x
La función de distribución se define F(x) 


 f(t) dt  0
x
x0 F(x) 



0 x x x

x0
F(x) 
 
f(t) dt 
x
0
 f(t)1dt  0,1
0
 1
.e dt  

 0,1t

0
 0,1 . e 0,1t dt 
   e 0,1t      1 e  0,1 x
x

 0 e 0,1t   e 0,1 x 1
0  




F(x)   0  0,1 x x  0

1 e x0

17
 1
c) P(X  10)  1 P(X  10)  1 F(10)  1 1 e 0,1.10  e 
1

1
d) P(50  X  100)  F(100)  F(50)  1 e 0,1.100   1 e    e
10
 e 5  1
 0,1.50

e 5
e10

Ejercicio 14.- Una variable aleatoria continua X tiene por función de densidad

1 x 0  x  1

f(x)  x  1 1  x  2
 0 otros casos

Se pide:

a) Representa la función de densidad

b) Hallar la función de distribución y su gráfica
1 
c) P(0  X  1) P(2  X  2) P X 
2 
 

Solución:

a)

Se observa que el área encerrada es igual a la

unidad

 f(t) dt
x 
b) La función de distribución se define F(x) 



x
x0 F(x)  f(t) dt  0
 x
 t2  x2
 (1 t) dt  t  2   x  2
0 x x

0x1 F(x) 
 
f(t) dt 
 0
f(t) dt 
0 0

 f(t) dt   f(t) dt   f(t) dt   (1 t) dt   (t  1) dt 

1 x 1 x
0
F(x) 

1x2 0 1 0 1
 t   t2  1   x2  1 
1 x

2
x2

t  2     t  1     x     1  2  x  1
2 2 2 2
 0  1      
 2
1 2
 t2 
1 t 2

x2
0
 1

F(x)  (1 t) dt  (t  1) dt   t      t  1

2
0  2 1
18
 0 x0
 2
x  x
 0x1
F(x)   2 2
 x x  1 1  x  2
2

1 x2

1
c) P(0  X  1) P(2  X  2) P X 
2 
 
1  1
P(0  X  1)  F(1)  F(0)   1  0 
2 1
2
 
4
P( 2  X  2)  F(2)  F( 2)  2  2 1
01

 
1   1 1 14 5
P  X    F()  F  1  
2  2 2 2  8
     

Ejercicio 15.- Una variable aleatoria continua X tiene por función de distribución:

0 x0
 2
x
 0x1
F(x)   2
 2x  x2  1 1  x  2
 2

1 x2

Se pide:

a) Hallar la función de distribución y representarla

b) Media, varianza, desviación típica y coeficiente de variación
1 3
c) P X 

2 

Solución:
2

a) La función de densidad es la derivada de la función de distribución en los puntos

donde exista la derivada, entonces:

 0 x0
dF(x) x 0  x 1
f(x)   

dx 2  x 1  x 2
 0 x2
19
  x 0x1

f(x)  2  x 1  x  2

 0 otros valores



b) Media


  x dx  
1 2 1 2


1  X  E(X) 

x f(x) dx 
 x. x. dx  
0 1
x.(2  x). dx 
0
2

1
(2 x  x2 ). dx 
1 3 2
 x3   2 x  1  8   1 
   x      4    1   1
 3 0  3 1 3  3   3 

Varianza: 2    2
X 2 1

  x dx  
 1 2 1 2

2  E(X2 ) 

x 2 f(x) dx 
 x . x. dx  
0
2
x 2.(2  x). dx 
1 0
3

1
(2 x2  x3 ).dx 

4 1 4 2
x  2x x  1  16 16   2 1  14 7
3

              
4  3 4 4  3 4   3 4  12 6
 o  1

7 1
2    2   12 
X 2 1
6 6

1
Desviación típica: X   0, 41
6

X  0, 41  0, 41
Coeficiente variación: CVX 
X 1

 1  X  3  3  1   3 (3 2)   (1 2)2 

2
9  11  3
c) P  1  0,75
 2 
  F    F    2. 2 2  3
2 2 2  2  8 8 4

20
 Ejercicio 16.- Una variable aleatoria continua X tiene por función de distribución:
 0 x 1

F(x)  x  1 1  x  2
 1 x2

a) Calcular la función de densidad o función de cuantía
b) Calcular la media, mediana y coeficiente de variación

Solución:

a) La función de densidad o función de cuantía es la derivada de la función de

distribución en los puntos donde exista la derivada, entonces:

dF(x)0 x 1
f(x)   11x2 
 1 1  x  2
f(x) 
 
dx 0 0 en otro caso
 x2


 2
 x2 

 2 1 3
b) Media: 1  X  E(X)  x f(x) dx  
x dx    2  2  2  1,5
2
 1  1

 La Mediana de una distribución es el valor que deja el 50% de la distribución a la

derecha y el otro 50% a la izquierda, por lo que:

F(Me )  0,5  Me  1  0,5  Me  1,5


 M M


    x 1 e  0,5
e e

 Me 1  0,5  Me 1,5

M
 f(x)  0,5  dx  0,5
1 1


 Coeficiente de variación: CVX  X
X


2

 x3  8 1 7

2

  E(X )  2
x f(x) dx 
2 2 
x dx         

2
 1  3 1 3 3 3
 2
2    2  7   3   7  9  1    1  0,08
X 2 1   x 12
3  2  3 4 12

X  0,08  0,05
CVX 
X 1,5

21
 Ejercicio 17.- La función de densidad de una variable aleatoria es:
a x2  b 0x2 1 
f(x)   sabiendo que P   x  1  0,1666 .
 0 en el resto 2 

Determinar a y b.

Solución:

Hay que calcular dos parámetros (a y b), por lo que se necesitan dos ecuaciones:

 Por ser función de densidad:



 x

2
 b x 
8a

2 2 3
1 f(x) dx  (a x  b) dx  a
2
 2b 8a  6b  3

0 0  3  3 0





1   x 1
 b x   0,1666 , con lo que:

1 1 3
 P   x  1 (a x  b) dx  a
2
f(x) dx 
 3
2  1/ 2 1/ 2   1/ 2

1
ax3  b x    a b    a  b  7a b 0,1666
  3   24 2  24 2 7a  12b  4
3 
  1/ 2   

en consecuencia,

8a  6 b  3  16a  12b  6

 2 16 11 11
7a  12b  4  7a  12b  4   a  0,22 6b  3  9  9 b  0,20
  9 54





























22
 Ejercicio 18.- La función de distribución asociada a la producción de una máquina, en
miles de unidades, es del tipo:
 0 x0

F(x)  x (2  x) 0  x  k
 1 xk

a) Determinar k para que sea función de distribución
b) Hallar la función de densidad
c) Calcular la media, mediana. moda y varianza de la producción
d) Hallar P(X  0,5) y P(X  0,25)

Solución:

a) Para que sea función de distribución se debe verificar:

1  lim F(x)  lim F(x) lim x (x  2)  k (k  2)  1 k2  2 k  1  0  k1

xk xk xk

 0 x0

En consecuencia, la función de distribución es: F(x)  x (2  x) 0  x  1
 1 x1


b) La función de densidad o función de cuantía es la derivada de la función de

distribución en los puntos donde exista la derivada.

dF(x)  0 x0
f(x)   2 2x 0  x  1 
 2  2 x 0  x  1
f(x) 
  0 en otro caso
dx 
 0 x 1


c) Media: 1
  2 x3  2 1
  
1 1
    E(X)  x f(x) dx  x (2  2 x) dx  (2 x  2 x2 ) dx  x 
2
  1 
  

1 X
 0 0  3 0 3 3

 Para calcular la Moda hay que ver el valor que hace mínima la función de densidad o de
cuantía, es decir:

2  2 x 0  x  1 2 0  x  1
f(x)   0 en otro caso f '(x)   0 en otro caso
 


La derivada de la función de cuantía f '(x)  2  0 , por lo que
se trata de una función decreciente y toma el valor máximo en
el extremo del intervalo 0, 1, por tanto la moda Md  0

f(1)  0  f(x)  f(0)  1, con lo que Md  0

23
  La Mediana de una distribución es el valor que deja el 50% de la distribución a la
derecha y el otro 50% a la izquierda, por lo que:
F(M )  0,5  M 2 M   0,5  M2  2M  0,5  0  2M2  4 M  1  0
e e e e e e e

4 2
2M2  4 M  1  0 M  16  8 4  2 2  1
e e e

4 4 2

De las dos soluciones se rechaza aquella que es mayor que 1, por lo que la Mediana es:

2
Me  1
2
 La Varianza de la producción: 2    2
X 2 1
1
 1
x4  2 1 1  2 x3
  E(X2 ) 
2

 0

x2 f(x) dx  x2 (2  2 x)dx  
 3
  
2 0 3
 
2 6
   

2
2    2  1   1   1
X 2 1  
6  3  18

 0 x0

d) Función de distribución F(x)  x (2  x) 0x1
 x1
 1

P(X  0,5)  P(X  0,5)  F(0,5)  0,5 (2  0,5)  0,75

P(X  0, 25)  1 P(X  0, 25)  1 F(0, 25)  1 0, 25 (2  0, 25)  0,5625

También mediante la función de cuantía: f(x)  2  2 x 0  x  1


 0 en otro caso


0,5 0,5
0,5

P(X  0,5) 
0
f(x) dx 
 0
(2  2 x) dx  2 x  x 0  1 0, 25  0,75
2

 
1 1
1

P(X  0, 25)  f(x) dx  (2  2 x) dx  2 x  x2   1 (0,5  0,0625)  0,5625

 0,25
0,25 0,25

24
Ejercicio 19.- Dada la función f(x) = e-2x

a) Comprobar si puede ser función de densidad de una variable aleatoria X cuando su

campo de variación es el intervalo x  0
b) En caso de que no lo pueda ser, qué modificaciones habría que introducir para que lo
fuera.

Solución:

a) Para que sea función de densidad, debe cumplir dos condiciones en el campo de
variación de la variable aleatoria:

 f(x) no puede ser negativa

 La integral de f(x) en el campo de variación es 1

 f(x)  e2x  0 L e2x  L 0   2 x     x   es positiva




 1
 2x   1 1
 e dx     1. No se cumple, luego la función dada no
 e   0  
2x
0  2 0  2 2
es de densidad en el intervalo.

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

   1 
 k

0
k e2x d x  k

0
e2x d x  k 
 2

e 2 x  

0 2
1 k2

En consecuencia, f(x)  2 e2x

Ejercicio 20.- Dada la variable aleatoria continua X con función de densidad:

k (x  2) 0  x  4
f(x)  
 0 en el resto

Hallar:

a) El valor de k para que sea realmente una función de densidad

b) La función de distribución
c) La varianza
d) P(2  X  3)

Solución:
4
 x2 

 f(x) d x  1  k (x  2) d x  k
4 4 4 1
a) (x  2) d x  k   2x  16 k  1  k 
2 16
0 0 0  0

25
  1
 (x  2) 0  x  4
f(x)  16
 0 en el resto

x
b) Función de distribución: F(x) 
 f(t) dt , en este caso:



x x

x0 F(x) 

f(t) dt 
 0 dt  0

x
1  t2 
 (t  2) dt  16  2  2 t
x x x x

  
1 1
0x4 F(x)  f(t) dt  0 dt  (t  2) dt  
  0
16 16 0 0

x2  4x

32
4
x
1  t2 
   16 (t  2) dt   0 dt  16 2  2 t 
x x 4
1
x4 F(x)  f(t) dt  0 dt  1
  0 4 0

 0 x0
 2
x  4x 0x4
F(x) 

 32
 1 x4
 1
(x  2) 0  x  4

c) Para calcular la varianza: f(x)  16 

 0 en el resto

1    EX 
 4
x f(x) dx  x
1
 16  16
(x 
 4
2) dx 
1 4
(x 2  2x) dx 
1  x3  x2  
 
4

0 0 0 16  3 0
1 112  7
 
16  3  3

2    4  0
4
 116  1
16  0
4
1  x4 2 x 
3
4

(x 3  2x2 ) dx  16  4  3  
0
  E X2   x f(x) dx 
2
x 2
(x  2) dx 
0

1 128  20
 64  

16  
3  3
2
20  7  11
  Var(X)     
2
 2
   2
 
X 2 1 X  
3  3  9






26
  0 x0
 2  1
x  4 0x4 f(x)  16 (x  2) 0  x  4

x
d) F(x)
 
 32  0 en el resto
 1 x4

 9  12   4  8  21 12 9
P(2  X  3)  F(3)  F(2)    
 32  
32  32 32
   
 3
3
1  x2
1  1 9 9
P(2  X  3) 
2
16 
(x  2) dx    2 x 
16 2
 2 16 2

32

Ejercicio 21.- Sea X una variable aleatoria continua con función de densidad tal que
 8
1  x 8

f(x)  7 x2
 0
 otro caso

a) Calcular el primer y tercer cuartil, el decil 7 y el percentil 85

b) Calcular la mediana y moda

Solución:

a) La Función de distribución:
x
x x 8 8  1 8 (x  1)
F(x)  P  X  x 
 f(t) dt 
 1 7 t2
dt     
7  t1 7x
1x8

sustituyendo, queda:

8 (Q1  1) 32
F(Q1 ) 
1
 7 Q  32 (Q  1) Q  1,28
1 1 1 Q1  P25  1, 28
4 7 Q1 25

3 8 (Q3  1) 32
F(Q3)   21Q  32 (Q  1) Q  2,91
3 3 3 Q3  D5  P75  2,91
4 7 Q3 11

7 8 (D7  1) 80
F(D )   49 D  80 (D  1) D  2,58
7 7 7 7
10 7 D7 31

85 8 (P85  1) 800
F(P )   595 P  800 (P  1) P   3,90
85 85 85 85
100 7 P85 205

b) Me  Q2  D5  P50

8 (Me  1) 16
F(Me) 
1
 7 M  16 (M  1) M  1,78
e e e
2 7 Me 9
27
La Moda Md se obtiene calculando el máximo de la función de densidad:

8 16
f(x)  f '(x)   3  0 La función es decreciente
7 x2 7x

f(8)  f(x)  f(1) , con lo que Md  1

Ejercicio 22.- La demanda diaria de un determinado artículo es una variable aleatoria

con función de densidad:

1
8 0x4

12  x
f(x)  4  x  12

64
0 otro caso


Los beneficios diarios dependen de la demanda según la siguiente función:
5 si x2

B  5 si 2 x4

10 si 4x8
 15 si 8  x  12

Calcular:

a) Probabilidad de que en un día cualquiera la demanda sea superior a 10

b) Probabilidad de que la demanda sea inferior a 3
c) La esperanza y la varianza de la demanda
d) Función de distribución de la demanda
e) Función de cuantía y función de distribución de la variable aleatoria beneficios diarios.
f) Esperanza y varianza de la variable beneficios

Solución:
12  x 1 
12 12


12
x 2

1
a) P  X  10  f(x) dx  dx  12 x     0,03125
64 64  2
10 10 10 32
3 3
1 1 3

 f(x) dx  
3

b) PX  3  8
dx 
8
x 0  8  0,375
0 0

c) Media o Esperanza

28
 12  x
12

  x.f(x) dx   
 4 12 4
1


1   x  E(X) 

x.f(x) dx 
0 4
x.f(x) dx 
0
x.
8
dx 
 4
x.
64
dx 

4 12 3 12

8 64
1 1 1 4 1  x 
 x dx  (12 x  x 2 ) dx   x 2  6 x 2  
0 4 16   0 64  3 
4
1 1728 64  13
= 1+ 864 - - 96 + = = 4,33
64  3 3  3
 


Varianza: 
12  x
12

  x . f(x) dx    x . 8 dx   x .
 4 12 4
1
 2 E(X ) 
2
x . f(x) dx 
2 2
x . f(x) dx 
2 2 2
dx 
 0 4 0 4 64

4 12 4 12

8 64
1 1 1 4 1  x 
 x dx  2
(12 x  x ) dx 
2 3
x   3
4x  3

0 4 24  0 64  4 
4

64 1 6912 - 5184 - 256 + 64 = 5120 = 80 = 26,67

= +
24 64 192 3
2
 2  Var (X)    2  80   13  71  7,89
3  3 
x 2 1
9
 


 f(t) dt
x 
d) La función de distribución de la demanda F(x) 


 
 
x x

 si x  0 f(x) dx  0 dx  0

0 dx  
 

   8 8
x 0 x
1 x
 si 0  x  4 f(x) dx  
  81  1264 x
dx
F(x)     0x
x
 0
4
4
1
2 1  x22
64 


si 4  x  12 f(x) dx  dx  dx     12 x  40 
 12
12  x
x


  0 dx  1
x 0 4
1
 si x  12

f(x) dx 
  0 dx 
 0 8
dx 
  4 64
dx 
12

En resumen,

0 si x  0
x
 si 0  x  4
 18 1  x 2 
F(x) 
  64   12 x  40  si 4  x  12
2 
 2 

1 si x  12

e) La función de cuantía y la función de distribución de la variable aleatoria beneficios

diarios se hallan considerando:
29
 1
5 si x2 0x4
8
 
B  5 si 2 x4  12  x 4  x  12
f(x) 
 
10 si 4x8 64
 15 si 8  x  12 0 otro caso




Función de cuantía o probabilidad:

bi P B  bi 
2 2

 
1 1
-5 f(x) dx  dx   0, 25
0 0 8 4
4 4

 
1 1
5 f(x) dx  dx   0,25
2 2 8 4
8

 f(x) dx  
12  x 1  x2
8 8

10 dx   12 x    0,375
4 4 64 64  2 4
12

 
12  x 1  x2
12 12

15 f(x) dx  dx   12 x    0,125
8 8 64 64  2 8

Función de distribución F (B)  P(B  bi)

bi P (B  bi) F (B) = P(B bi) bi . P  B  bi  bi2 . P  B  b i

-5 0,25 0,25 -1, 25 6, 25
5 0,25 0,50 1,25 6,25
10 0,375 0,875 3,75 37,5
15 0,125 1 1,875 28,125

 b . P B  b   78,125
4 4


i i

bi . P B  bi   5, 625
2

i1 i1

f) Media o Esperanza beneficios: b  E (B)   b . P B  b   5,625

i1
i i

Varianza beneficios:

 b . P B  b   78,125
4

E  B  
2 2
i i
i1

 b2  Var (B)  E(B2 )  b2  78,125  5, 625  46, 48

2

Desviación típica de los beneficios: b  46, 48  6,817

30
 Ejercicio 23.- Sea X una variable aleatoria continua, cuya función de densidad es

3 x2 0  x  1
fX(x)  
0 en otro caso

Sea Y  1 X2 una transformación de la v.a. X

a) Calcular la función de densidad de la v.a. Y

b) Calcular la función de distribución de la v.a. Y

Solución:

a) La transformación asociada a la v.a. Y es derivable y estrictamente monótona cuando

X toma valores en el intervalo (0, 1). En consecuencia, se puede aplicar la
transformación, quedando la función de densidad:

 dx 1

Y  1 X2 x  1 y dy 2 1 y
g1(y) 
 1 y

La función de densidad de la variable continua Y se obtiene:

 
2
f (y)  f g1(y) . dx  3 1 y 1  3
Y X  dy 1 y
2 1 y 2

 La función de densidad de la v.a. Y:
3
f (y)  2 1 y 0y1
Y 
 0 en otro caso

b) Función de distribución:

y
y0 FY (y)  
f(t) dt  0
y
y y
3  

  2
0
FY (y) 

0y1 f(y) dy 1 t dt   (1 t)3  1 (1 y)3
  0
f(t) dt  0
 0

1 1 1
3
 f(y) dy   f(t) dt   f(t) dt   f(t) dt   2
0 y
y1 FY (y)  1 t dt  1
 0 1 0 0

0 y0
La función de distribución de la v.a. Y será: F (y)   0y1
Y 1 (1 y)3
1 y 1

31
Ejercicio 24.- Sea X una variable aleatoria continua, cuya función de densidad es

 1 1  x  1
f (x)  2
X 
0 en otro caso

Sea Y  X2 una transformación de la v.a. X

a) Calcular la función de densidad de la v.a. Y

b) Calcular la función de distribución de la v.a. Y

Solución:

La transformación Y  X2 es derivable, pero no es estrictamente monótona, puesto que

en el intervalo (-1, 0) la transformación es decreciente y en el intervalo [0, 1) es creciente.
En este caso, hay que determinar la función de distribución de la variable aleatoria Y para
el caso general de las transformaciones de una variable aleatoria, ya que no se puede
aplicar el método descrito en el ejercicio 25.

b) Cálculo de la función de distribución


y

FY (y)  P  Y  y   P  X  y  P X  y   P 

2 y  X  y  
 
f(x) dx 
y
y
1 1

y

dx  x  y


 y 2 2  y

 0 y0
La función de distribución de la v.a. Y es: F (y)   y 0y1
Y 
 1 y 1

 1
0y1

a) La función de densidad fY (y) Y  2
dF (y)
 y
dy 0 enotro caso

32