TEMA 8. Variable aleatoria.

Modelos de distribuciones
1 Concepto de variable aleatoria
El objetivo es introducir una herramienta que nos permita cuanticar los resultados de un experi-
mento aleatorio. Para ello denimos una funci on del espacio muestral en R.
Denici on 1.1 Una variable aleatoria (v.a.) es una funcion del espacio muestral en R, que
transforma el resultado de un experimento en un n umero real
X : R
w X(w) R
Ejemplo 1.1 Lanzamos dos monedas. Sea X =n umero de caras obtenidas en los dos lanzamien-
tos.
Ejemplo 1.2 Lanzamos un dado dos veces. Podemos denir:
X =suma de los puntos obtenidos en los dos lanzamientos, es decir, X(i, j) = i + j .
Y =diferencia en valor absoluto entre las puntuaciones obtenidas, Y (i, j) = |i j| .
Notese que sobre un mismo espacio muestral pueden denirse varias v.a.
Operaciones con variables aleatorias Sean X e Y variables aleatorias
Suma (resta): (X Y )(w) = X(w) Y (w) , w .
Producto: (XY )(w) = X(w)Y (w) , w .
Cociente: (X/Y )(w) = X(w)/Y (w) , w tal que Y (w) = 0.
Si X es una v.a. y g es una funci on real entonces g(X) es tambien una variable aleatoria.
Denici on 1.2 Sea X una v.a., se dene la funcion de distribucion (FdD) de X como
F : R [0, 1]
x F(x) = P(X x) = P({w : X(w) x})
Propiedades 1.1 F verica las siguientes propiedades:
(a) F es no decreciente.
(b) F() = 0, F(+) = 1.
(c) F es continua a la derecha, o sea, lim
h0
+ F(x + h) = F(x)
(d) P(a < X b) = P({w : a < X(w) b}) = F(b) F(a).
(e) P(a < X) = P({w : a < X(w)}) = 1 F(a).
1
Ejemplo 1.3 Lanzamos dos monedas. Sea X =n umero de caras obtenidas en los dos lanzamien-
tos. En este caso = {CC, CX, XC, XX} con P(w) = 1/4, . La FdD es
Si x < 0, F(x) = P(X x) = P() = 0
Si 0 x < 1, F(x) = P(X x) = P({XX}) =
1
4
Si 1 x < 2, F(x) = P(X x) = P({XX, XC, CX}) =
3
4
Si x 2, F(x) = P(X x) = P({XX, XC, CX, CC}) = 1
2 Variable aleatoria discreta
Denicion 2.1 Dada una v.a. X, se dene el rango de dicha v.a. como el conjunto de valores que
puede tomar X, el cual se denotara por rg(X).
Denicion 2.2 Se dice que una v.a. X es discreta si su rango es discreto, es decir, nito o innito
numerable. En este caso, el rango se denotara por rg(X) = {x
1
, . . . , x
n
, . . .}.
Ejemplo 2.1 Lanzamos dos dados y consideramos la v.a. X=suma de los resultados. En este caso,
el conjunto de valores que toma la v.a. es
rg(X) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
Ejemplo 2.2 Suponemos que buscamos la solucion optima de un problema utilizando un programa
informatico. Tomamos la v.a. X=n umero de iteraciones, hasta conseguir la solucion optima. En-
tonces
rg(X) = {1, 2, 3, . . .}
Denici on 2.3 Sea X una v.a. discreta con rango rg(X) = {x
1
, . . . , x
n
, . . .}. Se dene la funcion
de probabilidad (fdp) de X como
P(X = x
i
) = P({w tal que X(w) = x
i
}) , i 1 .
Ejemplo 2.3 Lanzamos dos monedas. Sea X =n umero de caras obtenidas en los dos lanzamien-
tos. En este caso rg(X) = {0, 1, 2} y su fdp es
P(X = 0) = P({XX}) =
1
4
P(X = 1) = P({CX, XC}) =
2
4
=
1
2
P(X = 2) = P({CC}) =
1
4
2
Propiedades 2.1 La funcion de probabilidad verica,
(a) 0 P(X = x), x rg(X)
(b) Si x / rg(X), entonces P(X = x) = 0.
(c)

i / x
i
rg(X)
P(X = x
i
) = 1.
C alculo de probabilidades Dado B R, la probabilidad de que la v.a. X (discreta) tome
valores en B viene dada por
P(X B) =

x
i
B
P(X = x
i
) .
Ejemplo 2.4 Sea X una v.a. discreta, con funcion de probabilidad:
X = x 1 2 3
P(X = x) 0.2 0.3 0.5
.
P(X {1, 3}) = P(X = 1) + P(X = 3) = 0.2 + 0.5 = 0.7
P(X [0, 2.5]) = P(X = 1) + P(X = 2) = 0.2 + 0.3 = 0.5
Propiedades 2.2 Sea X una v.a. discreta con rg(X) = {x
1
, . . . , x
n
, . . .}, entonces
1. la FdD de X es
F(x) = P(X x) =

i / x
i
x
P(X = x
i
) .
2. F(x
i
) = F(x
i1
) + P(X = x
i
).
3. La funcion de distribucion de una v.a. discreta es una funcion escalonada, los puntos en que se
producen las discontinuidades de salto son los valores que toma la v.a. y la cuanta del salto es la
P(X = x
i
), es decir
P(X = x
i
) = F(x
i
) F(x

i
) = F(x
i
) F(x
i1
).
Ejemplo 2.5 Calcular la funcion de distribucion de X (ejemplo 2.4).
F(x) =
_

_
0 si x < 1
P(X 1) = P(X = 1) = 0.2, si 1 x < 2
F(1) + P(X = 2) = 0.2 + 0.3 = 0.5, si 2 x < 3
F(2) + P(X = 3) = 0.5 + 0.5 = 1, si x 3
3
2.1 Caractersticas asociadas a una variable aleatoria discreta
Denici on 2.4 Se dene la esperanza matematica (esperanza, media o valor esperado) de la
v.a. discreta X como
= E (X) =

i
x
i
P (X = x
i
) .
Se dene la varianza de una variable aleatoria X como

2
= var(X) = E
_
(X )
2

i
(x
i
)
2
P (X = x
i
) ,
y la desviacion tpica de X como = +
_
var(X).
Nota 2.1 Tienen la misma interpretacion que en distribuciones de frecuencias.
Propiedades 2.3 Se tiene que,
(a) E(c) = c, c R.
(b) E(cX) = cE(X), c R.
(c) E(c
1
X + c
2
Y ) = c
1
E(X) + c
2
E(Y ), c
i
R, i = 1, 2 .
(d) var (X) 0.
(e) var (X) = 0 a/ P(X = a) = 1 (es decir, X es una constante).
(f ) var(a X + b) = a
2
var(X), a, b R.
(g) En la practica es util la siguiente expresion:
var(X) = E(X
2
)
2
= E(X
2
) E
2
(X).
Ejemplo 2.6 Calcular la media, varianza y desviacion tpica de X (ejemplo 2.4).
E(X) = 1 0.2 + 2 0.3 + 3 0.5 = 2.3
var(X) = E(X
2
) E
2
(X) = (1
2
0.2 + 2
2
0.3 + 3
2
0.5) (2.3)
2
= 5.9 5.29 = 0.61.
=

0.61 = 0.781.
3 Variables aleatorias continuas
Denici on 3.1 Una variable aleatoria (absolutamente) continua es aquella con rango in-
nito no numerable.
Propiedades 3.1 Si X es una variable aleatoria continua, entonces
1. F(x) = P(X x) es una funcion continua.
2. Existe una funcion f(t) 0 t, tal que
F(x) =
_
x

f(t)dt.
4
A la funcion f se le llama funcion de densidad (fdd) de X.
3. F es derivable salvo a lo sumo en un n umero discreto de puntos. En los puntos donde F sea
derivable, se verica F

(x) = f(x).
Propiedades 3.2 La funcion de densidad verica
1. f(x) 0, x R.
2.
_
+

f(x)dx = 1.
C alculo de probabilidades en el caso continuo
(a) Si a, b R, con a < b, entonces P(a < X b) = F(b) F(a) =
_
b
a
f(t) dt.
(b) En general, dado B un subconjunto de R, P(X B) =
_
B
f(t) dt .
(c) Si X es una v.a. continua, entonces P(X = x) = 0, x R. Como consecuencia:
(c.1) P(X < x) = P(X x) ,
(c.2) P(a < X b) = P(a X b) = P(a < X < b) = F(b) F(a) ,
pues estos conjuntos s olo dieren en un punto.
Ejemplo 3.1 Sea X una v.a. continua con funcion de densidad
f(x) =
_
x/6 si x (2, 4)
0 en caso contrario
(a) Calcula la FdD: Si x (2, 4),
F(x) =
_
x

f(t) dt =
_
x
2
t
6
dt =
t
2
12
_
t=x
t=2
=
x
2
12

4
12
Si x (, 2], F(x) = 0, y si x [4, +), F(x) = 1.
(b) Calcula P[X (2.5, 3)] = P(2.5 < X < 3):
P[X (2.5, 3)] = P(2.5 < X < 3) =
_
3
2.5
t
6
dt =
t
2
12
_
t=3
t=2.5
= F(3)F(2.5) = 0.41670.1875 = 0.2292
5
3.1 Caractersticas asociadas a una variable aleatoria continua
Denici on 3.2 Sea X una v.a. continua con fdd f. Se dene la esperanza matematica (espe-
ranza, media o valor esperado) de X como
E(X) =
_

x f (x) dx.
Se dene la varianza de una v.a. X como,

2
= var(X) = E
_
(X )
2

=
_

(x )
2
f (x) dx,
y la desviacion tpica de X, como = +
_
var(X).
Nota 3.1 Se tienen las mismas propiedades que en el caso discreto.
Ejemplo 3.2 Calcular la esperanza matematica de X (ejemplo 3.1) y su varianza.
E(X) =
_

x f(x) dx =
_
4
2
x
x
6
dx =
x
3
18
_
x=4
x=2
=
4
3
18

2
3
18
=
64 8
18
=
56
18
= 3.11
La varianza podemos obtenerla como var(X) = E(X
2
) E
2
(X), por lo que calculamos
E(X
2
) =
_

x
2
f(x) dx =
_
4
2
x
2
x
6
dx =
x
4
24
_
x=4
x=2
=
4
4
24

2
4
24
=
256 16
24
=
240
24
= 10
Por lo que:
2
= var(X) = 10 3.11
2
= 0.3279.
4 Independencia de variables aleatorias
Dadas dos variables aleatorias X e Y , diremos que son independientes si lo son los experimentos
aleatorios que cada una de ellas describe, es decir, si el resultado de uno no inuye en absoluto en el
resultado del otro.
Este concepto puede extenderse a m as de dos variables, en general a n variables independientes,
X
1
, X
2
, ..., X
n
.
5 Modelos Discretos
En esta secci on se estudiaran algunos modelos de distribuci on de variables aleatorias discretas que
describen diversos experimentos aleatorios que se presentan frecuentemente en el mundo real.
5.1 Distribuci on Bernoulli
Considerese un experimento con dos posibles resultados, E (exito) y F (fracaso). A un experimento
as se le denomina experimento de Bernoulli. En este caso el espacio muestral es = {E, F}. Sean
P(E) = p (0, 1) y P(F) = q = 1 p. A la v.a. que realiza la siguiente asociaci on:
X(E) = 1, X(F) = 0,
6
se le denomina variable aleatoria Bernoulli (o que sigue un modelo de distribuci on de Bernoulli) con
probabilidad de exito p y se denota X Be(p).
La funcion de probabilidad de esta v.a. es
P(X = 1) = p, P(X = 0) = 1 p = q.
La media y la varianza de esta distribuci on son E(X) = p y V ar(X) = pq.
Ejemplo 5.1 Consideremos el experimento aleatorio recibir un correo electronico. Se sabe que el
5% de los correos electronicos recibidos es spam. Dado un correo electronico que se ha recibido, la
variable aleatoria X denida como:
X =
_
1 si el correo es spam
0 caso contrario
sigue una distribucion Bernoulli de parametro p = 0.05, X Be(0.05).
5.2 Distribuci on Binomial
Supongamos que realizamos n experimentos Bernoulli independientes, todos ellos con igual probabi-
lidad de exito p. La distribucion de la v.a. denida como
X=n umero de exito en los n experimentos Bernoulli independientes,
se denomina distribucion Binomial de par ametros n y p y se denota X B(n, p). La funci on de
probabilidad de esta v.a. es
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
, k = 0, . . . , n.
La media y la varianza de esta distribuci on son E(X) = np y V ar(X) = npq.
Ejemplo 5.2 Siguiendo el ejemplo 5.1, vamos a calcular la probabilidad de recibir como mnimo un
correo spam y el n umero esperado de correos spam recibidos, ambos en un da en el que lleguen 40
correos electronicos.
En el ejemplo 5.1 vimos que recibir un correo spam puede modelarse seg un una variable de
Bernoulli. En este caso repetimos el experimento 40 veces (cada correo recibido sera un experimento
que supondremos independiente del resto), por lo tanto la v.a. X = n umero de correos spam entre
los 40 correos recibidos es una variable Binomial de parametros n = 40 y p = 0.05. El n umero
esperado de spam es
E(X) = 40 0.05 = 2,
y la probabilidad de recibir como mnimo un spam es
P(X 1) = 1 P(X < 1) = 1 P(X = 0) =
= 1
_
40
0
_
0.05
0
(1 0.05)
400
= 1 0.1285 = 0.8715.
7
5.3 Distribuci on Hipergeometrica
Supongamos que tenemos una poblaci on de tama no N, que se divide en dos grupos, uno de ellos
con N
1
elementos y el otro con N N
1
elementos. Extraemos simultaneamente n elementos de
la poblacion, o equivalentemente, extraemos de manera sucesiva n elementos sin reposici on. A la
distribuci on de la v.a X =n umero de individuos del primer grupo entre los n extrados se le
denomina distribuci on Hipergeometrica con par ametros N, N
1
, n, y se denota X H(N, N
1
, n). Su
funci on de probabilidad es
P(X = k) =
_
N
1
k
__
NN
1
nk
_
_
N
n
_ , max{0, n N
1
+ N} k min{n, N
1
}.
La media y varianza para esta distribucion son
E(X) = n
N
1
N
= np, V ar(X) = n
N
1
N
N N
1
N
N n
N 1
= npq
N n
N 1
,
donde p =
N
1
N
y q = 1 p.
N otese que una distribuci on Hipergeometrica y una distribuci on Binomial son muy parecidas en
el sentido de que ambas cuentan el n umero de exitos en n experimentos de Bernoulli. La diferencia
est a en que en la distribuci on Binomial los experimentos de Bernoulli son independientes (las extrac-
ciones son con reemplazamientos), mientras que en la distribucion Hipergeometrica no (ya que las
extracciones son sin reposici on).
Ejemplo 5.3 Supongamos que tenemos el servidor bloqueado con 100 correos electronicos, de los
cuales 5 de ellos son spam. Si se imprimen 20 de ellos seleccionados aleatoriamente, calcula la pro-
babilidad de que entre esos 20, haya 2 spam. Hallar el n umero esperado de correos spam imprimidos
y su varianza.
La v.a. X =n umero de correos spam entre los 20 imprimidos H(100, 5, 20),
P(X = 2) =
_
5
2
__
95
18
_
_
100
20
_ = 0.20734, E(X) = 20
5
100
= 1, V ar(X) = 20
5
100
100 5
100
100 20
100 1
= 0.

76 .
6 Modelos continuos
6.1 Distribuci on Uniforme Continua
Diremos que una v.a. X sigue una distribuci on Uniforme en el intervalo (a, b), X U (a, b), si su
funci on de densidad es de la forma
f(x) =
_
1
ba
si x (a, b),
0 en caso contrario.
La funcion de distribucion es
F(x) = P[X x] =
_

_
0 si x < a,
xa
ba
si a x < b,
1 si x b.
8
La media y la varianza son E(X) =
a + b
2
y V ar(X) =
(b a)
2
12
.
Ejemplo 6.1 El tiempo en minutos que tarda un tren de cercanas en hacer una parada entre dos
estaciones urbanas oscila uniformemente entre 8 y 12 minutos. Calcular la probabilidad de que un
individuo que llega justo cuando el tren salio de la estacion anterior, tenga que esperar mas de 10
minutos, as como el tiempo medio que tendra que esperar en el anden.
La v.a. X =tiempo que tarda en llegar el tren U (8, 12), y por tanto,
P(X 10) = 1 P(X < 10) = 1 F(10) = 1
108
128
= 0.5
E(X) =
8 + 12
2
= 10
6.2 Distribuci on Exponencial
Diremos que una v.a. X sigue una distribuci on Exponencial de par ametro > 0, y se denota
X Exp(), si su funci on de densidad es de la forma
f(x) =
_
e
x
si x > 0,
0 en caso contrario.
La funcion de distribucion es
F(x) = P[X x] =
_
0 si x < 0,
1 e
x
si x 0.
La media y la varianza son E(X) =
1

y V ar(X) =
1

2
.
Usualmente esta variable representa el tiempo de vida, esto es, tiempo hasta que ocurre un
determinado suceso. Por ejemplo, la variable que estudia el tiempo transcurrido entre la llegada de
dos correos electronicos se puede modelar mediante una distribucion exponencial.
Ejemplo 6.2 El tiempo de vida de una componente electrica sigue una distribucion exponencial con
media de 8 meses. Calcular la probabilidad de que una componente dure entre 3 y 12 meses, y la
probabilidad de que un elemento que haya durado 10 meses, dure al menos 15 mas.
Sea X = tiempo de vida Exp(). Como E(X) =
1

= 8, tenemos que = 1/8 y, por tanto

P(3 X 12) = F(12) F(3) = (1 e
12/8
) (1 e
3/8
) = 0.4642.
P(X 25 / X > 10) =
P(X 25)
P(X > 10)
=
e
25/8
e
10/8
= 0.1533.
6.3 Distribuci on Normal
Un gran n umero de fen omenos aleatorios continuos como el peso, la altura, etc, se pueden modelar
con la distribuci on Normal. Diremos que una v.a. X sigue una ley Normal de parametros y
2
( R, > 0), X N(,
2
), si su funci on de densidad es
f(x) =
1

2
exp
_

1
2
2
(x )
2
_
, x R.
9
La media y la varianza de esta distribuci on son
E(X) = , V ar(X) =
2
.
Como la funcion de densidad es simetrica respecto a la media se cumple que
P(X x) = P(X + x).
Si X N(,
2
), entonces,
Z =
X

N(0, 1)
A Z se le denomina variable tipicada. A la distribuci on N(0, 1) se le denomina distribucion
normal estandar. Para calcular probabilidades en cualquier distribuci on normal, lo primero que
debemos hacer es tipicar la variable, esto es,
P(X x) = P
_
Z
x

_
= (z) ,
donde representa la funci on de distribuci on de una distribuci on normal estandar y z =
x

. Los
valores de (x) estan tabulados para x 0, ya que por ser la distribucion normal est andar simetrica
respecto del origen, se verica que (z) = 1 (z).
Ejemplo 6.3 La cantidad de dinero que las personas de una cierta ciudad llevan en sus bolsillos sigue
una distribucion normal de media 15 euros y desviacion tpica 3 euros. Calcular la probabilidad de
que elegida una persona al azar lleve en sus bolsillos menos de 18 euros y la probabilidad de que
elegida una persona al azar lleve en sus bolsillos entre 8 y 20 euros.
Tenemos X N (15, 3
2
) , entonces Z =
X15
3
N(0, 1).
P(X < 18) = P
_
Z <
18 15
3
_
= (1) = 0.8413.
P(8 < X < 20) = P
_
8 15
3
< Z <
20 15
3
_
= P(2.33 < Z < 1.67) = (1.67) (2.33) =
= (1.67) {1 (2.33)} = 0.9525 (1 0.9901) = 0.9426.
Propiedad 6.1 Si X e Y son variables aleatorias independientes de modo que X N(
X
,
2
X
) e
Y N(
Y
,
2
Y
), entonces para cualesquiera a, b, c R se tiene que
aX + bY + c N(a
X
+ b
Y
+ c, a
2

2
X
+ b
2

2
Y
).
En particular,
X + Y N(
X
+
Y
,
2
X
+
2
Y
),
X Y N(
X

Y
,
2
X
+
2
Y
).
La importancia de la distribuci on normal radica en que no s olo es util para modelar algunos
fen omenos aleatorios frecuentes (peso, altura, etc), sino que tambien sirve para aproximar a otras
distribuciones.
10
Propiedad 6.2 Si X B(n, p) con n elevado, entonces podemos aproximar la distribucion de X
por una ley Normal de parametros = np y
2
= npq, en el siguiente sentido
P(X x) = P
_
X np

npq

x np

npq
_

_
x np

npq
_
.
Ejemplo 6.4 Se sabe que el 24.5% de las grandes empresas informaticas proporcionan formacion a
sus empleados. Si se ha realizado un estudio sobre 1000 empresas, calcular la probabilidad de que
haya por lo menos 260 empresas que formen a sus empleados.
Sea X =n umero de empresas que forman a sus empleados entre las 1000 estudiadas B(1000, 0.245).
Como n es grande emplearemos la aproximacion normal para calcular P(X 260),
P(X 260) = 1 P(X 259) = 1 P
_
X 1000 0.245

1000 0.245 0.755

259 1000 0.245

1000 0.245 0.755

_

1 (1.03) = 1 0.8485 = 0.1515.

7 Problemas
1. Sea X una variable aleatoria que toma los valores 0, 1, 2 y 3 y de la que se conoce:
P[X < 1] =
1
4
, P[1 X 2] =
1
2
,
P[0.5 < X 3] =
3
4
, E[X] =
11
8
.
Determina la funcion de distribucion de X. Calcula la esperanza, la varianza y la desviaci on tpica.
2. Una variable aleatoria X viene dada por la ley de probabilidad:
X 2 4 7
P[X = x] 0.5 0.2 0.3
Halla la funci on de distribuci on y representarla gr acamente. Calcula P[X 2
|X< 4
], la esperanza,
la varianza y la desviaci on tpica.
3. Dada la funci on de densidad de la variable aleatoria X:
f(x) = x
1
2
para 1 < x < 2,
halla la funci on de distribuci on. Calcula la fubci on de distribucion, la media, la varianza y la
desviaci on tpica. de esta variable.
4. Sea X una variable aleatoria con funci on de distribuci on:
F(x) =
x
2
9
si 0 < x 3
F(x) = 0 si x 0, y F(x) = 1 si x > 3.
(a) Determina su funci on de densidad.
(b) Calcula P[X > 2], P[1 < X 2] y P[X < 2 o X > 2.5].
(c) Determina E(X) y V ar(X).
11
5. Un enfermo ha de tomar 3 pldoras de un determinado medicamento. De las doce pldoras que
contiene el envase, cuatro estan en malas condiciones.
(a) Calcula la probabilidad de que tome solo una buena.
(b) Calcula la probabilidad de que al menos una este en malas condiciones.
(c) Cual es el n umero esperado de pldoras en buenas condiciones tomadas por el enfermo ?
6. Sea X una variable aleatoria con distribuci on exponencial. Dados x > 0 y t > 0, demuestra que
P[X > t + x
|X>t
] = P[X > x].
7. Consideremos un equipo de radar cuya ley de tiempo de fallo sea exponencial. Si los radares de
este tipo tienen una razon de fallos =
1
1000
equipos/hora, encuentrese la longitud de tiempo t tal
que haya una probabilidad de 0.99 de que el equipo trabaje satisfactoriamente durante un tiempo
mayor que t.
8. El servicio de asistencia tecnica de una empresa distribuidora viene realizando habitualmente
reparaciones cuya duraci on oscila entre 1 y 3 horas. Suponiendo que no existe ninguna tendencia
especial acerca del tiempo invertido en cada reparaci on, y sabiendo que el servicio tecnico cobra un
precio de 20 euros por hora de trabajo mas una cantidad ja de 10 euros por reparacion, en concepto
de transporte,
(a) Cual es la probabilidad de facturar en una reparacion una cantidad superior a 36 euros?
(b) Que ingreso se espera obtener en una reparacion? Cu al es la probabilidad de superar, en una
reparaci on, dicho ingreso medio?
(c) Cuanto tiempo habra que emplear como mnimo en una reparaci on para que la factura co-
rrespondiente sea superada en el 80% de las reparaciones?
9. Se sabe que las retribuciones percibidas por una compa na naviera se distribuyen normalmente.
Se conoce por las relaciones de seguros sociales que el 82% de las retribuciones son superiores a 36000
euros y el 10.20% inferiores a 6640 euros, que proporci on de las retribuciones son superiores a 15000
euros?
10. El peso en toneladas de los rollos de acero fabricados en una planta se distribuye seg un una ley
normal de parametros = 5.5, = 0.6. En una fabrica se embalan 10 rollos de acero por caja y
se distribuyen por lotes de 50 cajas.
(a) Calcula la probabilidad de que en una caja haya 2 o mas rollos de acero de menos de 4.5
toneladas. A estas cajas se les dice que son de tipo B.
(b) Calcula la probabilidad de que en un lote de 50 cajas aparezcan 3 cajas tipo B.
12
11. El tiempo de vida en a nos de un dispositivo electronico, T, sigue sigue una distribucion normal,
de la que se conoce:
P[T < 9] = 0.879; P[T < 2.32] = 0.015
Calcula
(a) y ,
(b) la probabilidad de que el tiempo de vida de un dispositivo electr onico sea inferior a dos a nos,
(c) la probabilidad de que entre 1000 dispositivos electronicos elegidos al azar al menos 60 duren
m as de 3 a nos.
12. La altura X de los individuos adultos de cierta especie es una variable aleatoria que se distribuye
seg un una ley normal, de la que se sabe
P(X 1) = 0.0228, P(X > 2) = 0.8413.
(a) Determine la media y la varianza de X.
(b) Calcule P(1.5 < X < 4.5).
(c) Un individuo se considera bajito si su altura es menor que 1. Si se seleccionan 5 individuos de
la poblacion, cu al es la probabilidad de que dos de ellos sean bajitos?
(d) En un grupo de 10 individuos hay 2 que son bajitos. Si se seleccionan 3 individuos de este
grupo, cual es la probabilidad de que uno de ellos sea bajito?
13. Sean X e Y variables aleatorias independientes, que representan la altura, en cm., de hombres
y mujeres, respectivamente, de cierta poblacion, de la que se sabe que se distribuyen seg un leyes
normales de igual varianza y que la media de los hombres es mayor que la de las mujeres en 10 cm.
La probabilidad de que un hombre elegido al azar mida menos de 190 cm. es de 0.67 y la probabilidad
de que un hombre sea mas alto que una mujer es 0.883.
(a) Determina los par ametros de las distribuciones.
(b) Se eligen diez parejas al azar. Determina el n umero esperado de parejas en las que el hombre
es mas bajo que la mujer.
14. En cierto proceso de producci on se fabrica un tipo de piezas que constan de dos componentes:
C1, C2, de las que se sabe que sus longitudes son v.a. N(,
2
) y N(, 3
2
), respectivamente. La
experiencia indica que la probabilidad de que la suma de las longitudes sea mayor que 2 es de 0.5 y
que la probabilidad de que la longitud de C1 sea menor que 0.75 es de 0.4013. Una pieza producida
se considera apta para su comercializacion si las longitudes de sus componentes dieren a lo sumo en
una unidad. Determina la probabilidad de que entre 5 piezas producidas, al menos dos sean aptas
para la comercializacion.
13
15. En un banco, la probabilidad de recibir un cheque sin fondos es del 15%. Si durante una semana
se espera recibir 2000 cheques, hallense las probabilidades de los siguientes sucesos:
(a) Que haya como m aximo 275 cheques sin fondos.
(b) Que el n umero de cheques sin fondos este comprendido entre 260 y 400.
(c) Que los cheques sin fondos recibidos sean m as de 350.
16. En un taller se ha comprobado que la cantidad de combustible que necesita una gr ua en cada
servicio sigue una ley exponencial
f(x) = ce
cx
, si x 0
donde c es un par ametro conocido por el taller.
(a) Calcula la probabilidad de que dicha variable tome un valor superior a su media (esperanza).
(b) Cada 10 salidas se controla la gr ua, y si el n umero de veces que gasta m as del valor esperado
es superior a 5, la gr ua debe pasar por revisi on. Calcula la probabilidad de que esto ocurra.
17. El tiempo de servicio en una ventanilla es una variable aleatoria con distribuci on exponencial.
Un cliente se considera satisfecho si su tiempo de servicio es inferior a 2. Se sabe que el 95% de los
clientes est an satisfechos.
(a) Calcula el tiempo medio de servicio.
(b) Si se escogen al azar 60 clientes, calcula la probabilidad de encontrar menos de 4 clientes
insatisfechos.
14
AREAS BAJO LA DISTRIBUCION DE PROBABILIDAD NORMAL ESTANDAR, N(0, 1)

z 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
4,0 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
15