Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1800 euros, calcular el resultado que debe esperar una persona que compra 3 billetes.
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.
ξ = xi 1777 −3
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
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,
varones en una familia de ocho hijos, así como la probabilidad de que efectivamente resulte este número.
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:
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
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:
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-
. Σ
1 1 λ
λ= · 4000 = 4 = , de donde λ = 4 .
1000 1000 4000
f x P ξ x 4x −4 012
e x
()=( =) = ( ∈ { , , , . . .}).
x!
E[ξ ] = λ = 4.
c) La probabilidad de que el número de enfermos sea superior a dos por año es:
P ξ 12 f 12 412 0 0006
e−4
( = )= ( )= c . .
12!
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?
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:
Por otra parte, la probabilidad de encontrar como máximo 2 glóbulos blancos en 0.001 mm3 de sangre en
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!
ln e−λ = −λ ln e = −λ = 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!
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
4 −2x/3 1 −x/3
dF(x) e + e , si x > 0
f (x) = Fj(x) = 9 9
dx
0, si x ≤ 0.
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,
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
. 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)
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:
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:
25
Si denotamos a = resulta que
σ
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
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
Se concluye que el 70 % de los individuos de la población poseen una concentración media de NH3 en sangre
Finalmente:
= 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 ≥ 1.03) − P(Z ≥ 2.57) = [1 − P(Z < 1.03)] − [1 − P(Z < 2.57)]
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.
b) Se admite que las personas cuyo índice es superior a 183 centigramos deben ser sometidas a trata-
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:
mientras que un 38 % tiene un índice de colesterol comprendido entre 165 y 180 cg:
Por tanto,
P(ξ ≤ 180) = P(ξ < 165) + P(165 ≤ ξ ≤ 180) = 0.58 + 0.38 = 0.96.
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,
. 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-
. 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 .
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
. 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
tenemos
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
. 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
. 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
esto es:
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
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
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?
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
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 x0
18 0 x 1
F(x) 4 8 1 x 2
7 8 2 x 3
1 x3
4 4
Media: 1 X E(X)
x .P(X x ) x . p 128 1,5
i1
i i
i1
i i
2 4
i 24
8 i
4
i i
E(X2 ) x2 .P(X x ) x2 . p 3
i1 i1
x X 4 i x i 2 1
Varianza: E X x . P(X x )
2 2
2
2
i1
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
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)
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
i1
i i
i1
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.
Varianza: E X x . P(X x )
2 2
2
2
i1
2 7
i i 7
i i
E(X2 ) x2 .P(X x ) x2 . p 2,74
i1 i1
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
Y 6.960.000 2638,18
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
i1
i
a b 0,5
x . p a 2 b 0,9 1,8
i1
i i
a 2 b 0,9
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:
X(c,c,c,c) 0 P(X 0) 1 16
X(e, e, e, e) 4 P(X 4) 1 16
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 x0
1 16 0x1
5 16 1x2
F(x)
11 16 2x3
15 16 3x4
1 x4
5
Ley de Probabilidad Función de distribución
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
i1
i i
x .P(X x ) 5
5
xi2.P(X xi) i2 i
0 4 16 24 16 36 16 16 16
i1
5
2 E(X )
2
x .P(X x ) 5
i1
2
i i
Varianza: 2 Var(X) 2 5 22 1
X 2 1
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 x2
0, 2 2 x 4
F(x) 0,55 4 x 6
0,85 6 x 8
1 x8
Solución:
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 6) F(6) F(4) 0,85 0,55 0,30 P(X 8) F(8) F(6) 1 0,85 0,15
X xi 2 4 6 8
P(X xi) 0,2 0,35 0,30 0,15
4
x .P(X x ) 26,8
4
xi2.P(X xi) i2 i
0, 8 5,6 10,8 9,6
i1
4
2 E(X )
2
x .P(X x ) 26,8
i1
2
i i
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
Solución:
a)
4 4
Media: 1 X E(X)
x .P(X x ) x . p 2,5
i1
i i
i1
i i
2 4
i i
4
i i
E(X )
2
x .P(X x )
2
x . p 7,8
2
i1 i1
X 1, 245 0, 498
Coeficiente de variación: CVX
X 2,5
8
Varianza: 2Y Var X 2 Var(X) Var(2) X2 0 2X 2Y 1,55
Y X 1, 245
Coeficiente de variación: CV 0, 28 CV
Y x
Y X 2 4,5
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
2,5 1
4 4
) y j .P(Y y j )
Media: 1 Y E(Y
j1
y . p
j1
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
j1 j1
9 9
2
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
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
4 4
4,5
Media: E(Y)
1 Y j1
y j .P(Y y j ) j1
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
j1 j1
10
2
Varianza: 21,8 4,5 1 . 2 1,55
2 2
3
Y 2 1 X
9 9 9
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
PX 800 P X x k 2
k
a) Función de distribución
b) P(X 7)
c) P(X 5)
d) P(3 X 7)
Solución:
x1
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:
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
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
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:
Solución:
1
f(x) dx
f(x) dx 0
f(x) dx 10
f(x) dx 0
f(x) dx
1 k dx k dx 10 x10 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
x0 F(x)
x 10
10 dt 1
0 10 0
En consecuencia,
0 x0
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
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 2x4
f(x)
0 en otros casos
Se pide:
Solución:
1
f(x) dx
f(x) dx f(x) dx f(x) dx f(x) dx
2 4 2
x
2x4
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
x2 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
2x4 F(x)
2 2 4
1 16 4
2
6 6 2 6 2 1
t
x4
2 4 2
2
15
0 x2
2
F(x) x 4 2x4
12
1 x4
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
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
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:
Solución:
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.
f(t) dt
x
La función de distribución se define F(x)
f(t) dt 0
x
x0 F(x)
0 x x x
x0
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 x0
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:
Solución:
a)
f(t) dt
x
b) La función de distribución se define F(x)
x
x0 F(x) f(t) dt 0
x
t2 x2
(1 t) dt t 2 x 2
0 x x
0x1 F(x)
f(t) dt
0
f(t) dt
0 0
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
01
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 x0
2
x
0x1
F(x) 2
2x x2 1 1 x 2
2
1 x2
Se pide:
0 x0
dF(x) x 0 x 1
f(x)
dx 2 x 1 x 2
0 x2
19
x 0x1
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
20
Ejercicio 16.- Una variable aleatoria continua X tiene por función de distribución:
0 x 1
F(x) x 1 1 x 2
1 x2
a) Calcular la función de densidad o función de cuantía
b) Calcular la media, mediana y coeficiente de variación
Solución:
dF(x)0 x 1
f(x) 11x2
1 1 x 2
f(x)
dx 0 0 en otro caso
x2
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
x 1 e 0,5
e e
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 0x2 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:
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,
22
Ejercicio 18.- La función de distribución asociada a la producción de una máquina, en
miles de unidades, es del tipo:
0 x0
F(x) x (2 x) 0 x k
1 xk
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:
0 x0
En consecuencia, la función de distribución es: F(x) x (2 x) 0 x 1
1 x1
dF(x) 0 x0
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
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 x0
d) Función de distribución F(x) x (2 x) 0x1
x1
1
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
24
Ejercicio 19.- Dada la función f(x) = e-2x
Solución:
a) Para que sea función de densidad, debe cumplir dos condiciones en el campo de
variación de la variable aleatoria:
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.
1
k
0
k e2x d x k
0
e2x d x k
2
e 2 x
0 2
1 k2
Hallar:
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
x0 F(x)
f(t) dt
0 dt 0
x
1 t2
(t 2) dt 16 2 2 t
x x x x
1 1
0x4 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
x4 F(x) f(t) dt 0 dt 1
0 4 0
0 x0
2
x 4x 0x4
F(x)
32
1 x4
1
(x 2) 0 x 4
1 EX
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
116 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 x0
2 1
x 4 0x4 f(x) 16 (x 2) 0 x 4
x
d) F(x)
32 0 en el resto
1 x4
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
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 t1 7x
1x8
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
1
8 0x4
12 x
f(x) 4 x 12
64
0 otro caso
Los beneficios diarios dependen de la demanda según la siguiente función:
5 si x2
B 5 si 2 x4
10 si 4x8
15 si 8 x 12
Calcular:
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) PX 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
4x 3
0 4 24 0 64 4
4
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
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
b . P B b 78,125
4 4
i i
bi . P B bi 5, 625
2
i1 i1
Varianza beneficios:
b . P B b 78,125
4
E B
2 2
i i
i1
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
Solución:
dx 1
Y 1 X2 x 1 y dy 2 1 y
g1(y)
1 y
La función de densidad de la variable continua Y se obtiene:
2
f (y) f g1(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 0y1
Y
0 en otro caso
b) Función de distribución:
y
y0 FY (y)
f(t) dt 0
y
y y
3
2
0
FY (y)
0y1 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
y1 FY (y) 1 t dt 1
0 1 0 0
0 y0
La función de distribución de la v.a. Y será: F (y) 0y1
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
Solución:
y
dx x y
y 2 2 y
0 y0
La función de distribución de la v.a. Y es: F (y) y 0y1
Y
1 y 1
1
0y1
a) La función de densidad fY (y) Y 2
dF (y)
y
dy 0 enotro caso
32