ESTADÍSTICA

GRADO EN INGENIERÍA TÉCNICA INDUSTRIAL

HOJA DE PROBLEMAS 4: VARIABLES ALEATORIAS

1. Sea la variable aleatoria X = número de segundos que tarda en cargar cierta página web.
La función de masa de probabilidad de dicha variable es

X 1 2 3 4 5 6
f (x) 0.01 0.19 0.29 0.35 0.15 0.01

Calcular la esperanza, la varianza y la desviación tı́pica de esa variable aleatoria.

Esperanza:

µ = 1 × 0.01 + 2 × 0.19 + 3 × 0.29 + 4 × 0.35 + 5 × 0.15 + 6 × 0.01 = 3.47

Varianza:

E(x2 ) = 12 × 0.01 + 22 × 0.19 + 32 × 0.29 + 42 × 0.35 + 52 × 0.15 + 62 × 0.01 = 13.09

σ 2 = E(x2 ) − E(x)2 = 13.09 − 3.472 = 1.05

Desviación Tı́pica:
p
σ= 1, 05 = 1, 024

2. Supóngase que la acumulación de toxinas en cierta especie criada en determinado medio

es tal que la variable X =“edad (en años) de un individuo en el momento de su muerte”
tiene por función de densidad:

cx si 1 < x < 2
f (x) =
0 en otro caso

(a) Calcular c, F (x), media y varianza de la distribución.

Sabemos que la integral de la función de densidad en su dominio debe ser 1.
Entonces:

2 2
cx2

c·4 c
Z
3c 2
cxdx = = − = =1⇒c=
1 2 1 2 2 2 3

1
 
 0R si x < 1
x 2 x2 −1
F (x) = tdt = si 1 ≤ x < 2
 1 3 3
1 si x ≥ 2
Media:  3 2
Z Z 2
2 2 2x 16 2 14
µ= xf (x)dx = x dx = = − =
1 3 9 1 9 9 9
Varianza:
Z Z 2  4 2
2 2 2 3 2x 16 1 15 5
E(X ) = x f (x)dx = x dx = = − = =
1 3 12 1 6 6 6 2

   2
2 2 5 2 14 405 392 13
σ = E(X ) − E(X) = − = − = = 0, 08
2 9 162 162 162
(b) Representar gráficamente F (x) y f (x).
(c) Si un individuo ha alcanzado la edad de 1.5 años, ¿cuál es la probabilidad de que
muera después de cumplir 1.7 años de edad?.

P (x > 1.7; x > 1.5)

P (x > 1.7|x > 1.5) =
P (x > 1.5)
P (x > 1.7) 1 − F (1.7) 1 − 0.63
= = = = 0.634
P (x > 1.5) 1 − F (1.5) 1 − 0.416

(d) ¿Cuál es dicha probabilidad para cualquier individuo cogido al azar?.

P (x > 1.7) = 1 − F (1.7) = 1 − 0.63 = 0.37

3. La variable X= “número de hijos por familia de una cierta ciudad” tiene distribución de
probabilidad:

X P (X = x)
0 0.47
1 0.30
2 0.10
3 0.06
4 0.04
5 0.02
6 0.01

2
 (a) Media. ¿Qué significado tiene este número?

µ = 0 × 0.47 + 1 × 0.3 + 2 × 0.1 + 3 × 0.06 + 4 × 0.04 + 5 × 0.02 + 6 × 0.01 = 1

(b) Varianza y desviación tı́pica.

E(X 2 ) = 02 ×0.47+12 ×0.3+22 ×0.1+32 ×0.06+42 ×0.04+52 ×0.02+62 ×0.01 = 2.74

σ 2 = E(X 2 ) − E(X)2 = 2.74 − (1)2 = 1.74

√
σ= 1.74 = 1.319
(c) Suponiendo que el ayuntamiento de la ciudad paga 2000 euros por hijo y que Y =
2000X, ¿Qué representa Y ?. ¿Cuál es su distribución de probabilidad?
Y indica ingresos por hijo de ayuda familiar, de cada familia.
Y 0 2000 4000 6000 8000 10000 12000
P (Y = y) 0.47 0.3 0.1 0.06 0.04 0.02 0.01

(d) Media y desviación tı́pica de Y .

E(Y ) = E(2000 × X) = 2000E(X) = 2000

σy2 = V ar(2000X) = 20002 V ar(X) = 10960000

p p
σy = V ar(2000X) = 2000 V ar(X) = 3310.59

4. Supongamos que la temperatura de reacción en grados centı́grados en un experimento

quı́mico viene dado por una variable aleatoria X con función de densidad:

x2

si − 1 < x < 2
f (x) = 3
0 en otro caso

Calcular:

(a) P (0 < X < 1).

1  3 1
x2
Z
x 1
P (0 < X < 1) = dx = =
0 3 9 0 9

3
 (b) Función de distribución.

 0R si − 1 ≤ x
x t2 x3 +1
F (x) = −1 3
dt = 9
si − 1 ≤ x ≤ 2
1 en otro caso


(c) Temperatura media durante la reacción.

2 4 2
x2
Z
x 15 5
µ= x dx = = =
−1 3 12 −1 12 4

5. La duración en minutos de una llamada telefónica interurbana se distribuye como una

v.a. continua cuya función de distribución es:

0 si x ≤ 0
F (x) = 2 −2x 1 −x
1− 3 e − 3 e
3 3 si x > 0

Calculamos la función de densidad de F (x) (f (x) = F 0 (x))


0 si x ≤ 0
f (x) = 4 −2x −x
9
e 3 + 19 e 3 si x > 0

(a) ¿Cuál es la duración media de una de estas llamadas?.

Z ∞ Z ∞  
4 −2x 1 −x
µ = xf (x)dx = x e 3 + e 3 dx
0 0 9 9
Z ∞ Z ∞
4 −2x 1 −x
= x e 3 dx + x e 3 dx
9 9
0 0∞  ∞
−2x 2 −2x −x 1 −x
= −e 3 + xe 3 + −e 3 + xe 3
3 0 3 0
= 1+1
= 2

a2 xe−ax dx = −e−ax − axe−ax

R
Obs. Integrando por partes,
(b) Calcular la probabilidad de que la duración de una llamada esté comprendida entre
3 y 6 minutos.

P (3 < X < 6) = F (6) − F (3) = 0.9426 − 0.7871 = 0.15552

4
 (c) Una llamada lleva 3 minutos. ¿Cuál es la probabilidad de que no pase de los 6
minutos?.

P (X < 6, X > 3)
P (X < 6|X > 3) =
P (X > 3)
F (6) − F (3)
=
1 − F (3)
0.15552
=
1 − 0.7871
= 0.73069

6. Sea X una variable aleatoria cuya función de distribución es


0, si x ≤ 0
F (x) = −3x −x
1 − 34 e 4 − 14 e 4 , si x > 0

(a) Calcular la función de densidad de X. Demuestra que la función obtenida es efecti-

vamente una función de densidad. 
0, si x < 0
Función de densidad: f (x) = F 0 (x) = 9 −3x 1 −x
16
e 4 + 16 e , si x ≥ 0
4

¿Es función de densidad?

(i) f (x) ≥ 0 ∀x, puesto que es la suma de dos exponenciales.
−x +∞
R +∞ 9 −3x i
1 −x −3x
R +∞
(ii) −∞ f (x)dx = 0 16 e 4 + 16 e 4 dx = − 43 e 4 − 14 e 4 = −(− 43 − 14 ) = 1
0

(b) Calcular la media y la desviación tı́pica de X.

Z +∞
µ = xf (x)dx
−∞
Z +∞  
9 −3x 1 −x
= x e 4 + e 4 dx
0 16 16
Z +∞ Z +∞
9 −3x 1 −x 3x x
= x e 4 dx + x e 4 dx ← Haciendo los cambios y = , z=
0 16 0 16 4 4
Z +∞ Z +∞
−y
= ye dy + ze−z dz
0 0
Z +∞
= 2 ye−y dy ← Integrando por partes u = y, dv = e−y dy
0
= 2×1
= 2

5
 Z +∞
2
E(X ) = x2 f (x)dx
−∞
Z +∞  
2 9 −3x 1 −x
= x e 4 + e 4 dx
0 16 16
Z +∞ Z +∞
2 9 −3x 1 −x 3x x
= x e dx +
4 x2 e 4 dx ← Haciendo los cambios y = ,z =
0 16 16 4 4
Z +∞ Z 0+∞
4
= y 2 e−y dy + 4 z 2 e−z dz
3 0 0
16 +∞ 2 −y
Z
= y e dy ← Integrando por partes u = y 2 , dv = e−y dy
3 0
16
= ×2
3
32
=
3

32 20
σ 2 = E(X 2 ) − µ2 = −4=
3 3
(c) Calcular
• La probabilidad de que X sea mayor que 1.

 
3 −3∗1 1 −1
P (X > 1) = 1 − P (X ≤ 1) = 1 − F (1) = 1 − 1 − e 4 − e 4 = 0.549
4 4
• La probabilidad de que X sea menor que 3.
3 −3∗3 1 −3
P (X < 3) = F (3) = 1 − e 4 − e 4 = 0.8028
4 4
• La probabilidad de que X sea mayor que 1 y menor que 3.

P (1 < X < 3) = F (3) − F (1) = 0.8028 − 0.4510 = 0.3518

• La probabilidad de que X sea menor que 3, sabiendo que X es mayor que 1.

P (X < 3, X > 1) P (1 < X < 3) 0.3518

P (X < 3|X > 1) = = = = 0.6408
P (X > 1) P (X > 1) 0.549
• La probabilidad de que X sea mayor que 1, sabiendo que X es mayor que 3.

P (X > 1|X > 3) = 1

6
7. Consideramos la función

cx(2 − x) si x ∈ (0, 2)
f (x) =
0 en otro caso

(a) Calcular c para que f (x) sea una función de densidad.

2 2
x2 x3
Z 
4 3
1= cx(2 − x)dx = c 2 − =c ⇒c=
0 2 3 0 3 4
(b) Calcular la función de distribución asociada.
x x x
3 t2 t3 3 2 x3
Z Z 
3
F (x) = f (t)dt = t(2 − t)dt = 2 − = (x − )
0 0 4 4 2 3 0 4 3

 0 si x≤0
1
F (x) = 4
(3x2− x3 ) si x ∈ (0, 2]
1 si x > 2


(c) Si la variable aleatoria X tienen función de densidad f (x) calcular

• Su media y su varianza.
2 2 2
3 x3 x4
Z Z 
3 2 3 3 16 16
E(X) = xf (x) = (2x − x )dx = 2 − = ( − )=1
0 0 4 4 3 4 0 4 3 4

2 2 2
3 x4 x5
Z Z 
2 2 3 3 4 3 32 32 6
E(X ) = x f (x) = (2x − x )dx = 2 − = ( − )=
0 0 4 4 4 5 0 4 4 5 5

6 1
V ar(X) = E(X 2 ) − E(X)2 = − 12 =
5 5
• La probabilidad de que X sea mayor que 1.
1 1
P (X > 1) = 1 − P (X ≤ 1) = 1 − F (1) = 1 − (3 − 1) =
4 2
3
• La probabilidad de que X sea mayor que 1 y menor que 2 .
   
3 3 11
P 1<X< =F − F (1) =
2 2 32
• La probabilidad de que X sea menor que 32 , sabiendo que X es mayor que 1.

P (1 < X < 32 ) 11
 
3 32 11
P X < |X > 1 = = 1 =
2 P (X > 1) 2
16

7
8. Consideramos la función
 1/2
1 −1/2
x exp ( −x4 ) si x > 0
f (x) = 8
0 en otro caso

(a) Probar que es una función de densidad.

(i) f (x) ≥ 0 ∀x, puesto que es el producto de x−1/2 (siempre positivo en x > 0) y
una exponencial (siempre positiva).
(ii)
Z +∞ Z +∞  1/2 
1 −1/2 −x
f (x)dx = x exp dx
−∞ 0 8 4
x1/2
 
1 −1/2
hacemos el cambio y = −→ dy = x dx
4 8
Z +∞
= exp(−y)dy
0
= − exp(−y)]y=∞
y=0
= 1

(b) Calcular la función de distribución asociada.

Para x ≤ 0, se tiene que F (x) = 0. Calculamos entonces F (x) para x > 0:
Z x
F (x) = f (t)dt
−∞
Z x  1/2 
1 −1/2 −t
= t exp dt
0 8 4
t1/2
 
1 −1/2
hacemos el cambio y = −→ dy = t dt
4 8
x1/2
 
además t = 0 ⇒ y = 0, t = x ⇒ y =
4
Z x 1/2
4
= exp(−y)dy
0
1/2
y= x
= − exp(−y)]y=0 4
 1/2 
−x
= − exp +1
4
 1/2 
−x
= 1 − exp
4

Es decir:

8
 (
0, si x ≤ 0
F (x) =
 
−x1/2
1 − exp 4
, si x > 0

(c) Si la variable aleatoria X tienen función de densidad f (x) calcular

x1/2
• Su media (utiliza el cambio de variable u = 4
y a continuación integración
por partes).

Z ∞
µ = E(X) = xf (x)dx
−∞
Z ∞
−x1/2

1
= x x−1/2 exp dx
0 8 4
x1/2
 
1 −1/2
hacemos el cambio u = −→ du = x dx
4 8
además x = 16u2
 
Z ∞
= 16u2 exp(−u)du
0
[ integrando por partes]
= 16 × 2
= 32

• La probabilidad de que X sea mayor que 36.

P (X > 36) = 1 − F (36)

−361/2
 
= 1 − exp
4
= 0.7768698

• La probabilidad de que X sea mayor que 36 y menor que 100.

P (36 < X < 100) = F (100) − F (36)

−1001/2 −361/2
    
= 1 − exp − 1 − exp
4 4
= 0.917915 − 0.7768698
= 0.1410452

• La probabilidad de que X sea menor que 100, sabiendo que X es mayor que 36.

9
 P (X < 100, X > 36)
P (X < 100|X > 36) =
P (X > 36)
P (36 < X < 100)
=
P (X > 36)
0.1410452
=
0.7768698
= 0.1815558
9. Una empresa de seguros no está muy satisfecha con el resultado económico del último
ejercicio porque los siniestros de sus asegurados aumentaron considerablemente y, por
ello, se vieron obligados a destinar una suma mucho mayor a indemnizaciones. El actual
número medio anual de siniestros, estimado por la empresa, es 5. La empresa entonces se
plantea: ¿Cuál es la probabilidad de que el número de siniestros sea superior a 7?
Definimos la variable aleatoria X = número de siniestros entre los asegurados.
Sea n el número de de asegurados de la empresa, entonces sabemos que
X ∼ Binom(n, p),
donde p es la probabilidad de que un asegurado sufra un siniestro, que sabemos es p = n5 .
En este caso podemos asumir que n es grande y p es pequeño, por lo que podemos utilizar
la aproximación de la distribución de Poisson a la Binomial:
X ∼ P oisson(λ = 5)
Entonces
P (X > 7) = 1 − P (X ≤ 7)
X7
= 1− P (X = x)
i=0
7
X e−5 5x
= 1−
i=0
x!
= 1 − [0.0067 + 0.0337 + 0.0842 + 0.1404 + 0.1755 + 0.1755 + 0.1462 + 0.1044]
= 1 − 0.8666 = 0.1334

10. En una ciudad se encontró que el 20 % de los hogares estaban asegurados contra incendios.
Con objeto de establecer una encuesta en el área, una compañı́a de seguros selecciona cinco
hogares al azar. Se pide:
X = número de hogares asegurados de los 5 seleccionados
X ∼ Binomial(5, 0.2)
 
n
P (x = k) = pk (1 − p)n−k
k

10
 (a) Número de hogares que se esperan que estén asegurados.

µ = np = 5 × 0.2 = 1
(b) Probabilidad de que dos hogares estén asegurados.
 
5 5!
P (x = 2) = 0.22 (0.8)5−2 = × 0.552 = 0.2048
2 2!3!
(c) Probabilidad de que al menos tres hogares estén asegurados.

P (x ≥ 3) = P (x = 3) + P (x = 4) + P (x = 5)
     
5 3 5−3 5 4 5−4 5
= 0.2 (0.8) + 0.2 (0.8) + 0.25 (0.8)5−5
3 4 5
5! 5! 5!
= × 0.00512 + × 0.00128 + × 0.00032
3!2! 4!1! 5!0!
= 0.05792

(d) Probabilidad de que ninguno esté asegurado.

 
5 5!
P (x = 0) = 0.20 (0.8)5−0 = × 0.32768 = 0.32768
0 0!5!
(e) Probabilidad de que alguno esté asegurado.

 
5
P (x > 0) = 1 − P (x = 0) = 1 − 0.20 (0.8)5−0 = 1 − 0.32768 = 0.67232
0

11. En una centralita se recibe una media de tres llamadas en cinco minutos. Calcular la
probabilidad de que se reciban más de 15 llamadas en un cuarto de hora.
Sea X5 = número de llamadas que se reciben en 5 minutos. Podemos asumir que

X5 ∼ P oiss(λ = 3)

Sea X15 =número de llamadas que se reciben en 15 minutos. Entonces

X15 ∼ P oiss(λ = 9)

11
 Luego

P (X15 > 15) = 1 − P (X15 ≤ 15)

X15
= 1− P (X15 = x)
i=0
15
X e−9 9x
= 1−
i=0
x!
= 1 − [0.0001 + 0.0011 + 0.0050 + . . . + 0.0194]
= 1 − 0.978 = 0.022

12. Una máquina produce latas en las que el diámetro está normalmente distribuido con
desviación tı́pica igual a 0.25 cm. Teóricamente, ¿cuál debe ser la media de los diámetros
de las latas construidas para que no más del 5 % de las latas tengan un diámetro superior
a 7.5 cm?
X = Diámetro de latas en cm, X ∼ N (µ, 0.252 )
Tenemos que calcular µ que verifique:

P (X > 7.5) ≤ 0.05

 
7.5 − µ
P Z> ≤ 0.05
0.25
7.5 − µ
= −1.65
0.25
µ = 7.9125

13. El tiempo de ejecución de cierto programa, puede ser modelizado por una variable aleato-
ria con distribución normal de media 16.28 segundos y desviación tı́pica de 0.22 segundos.
Es decir X ∼ N (µ = 16.28, σ 2 = 0.222 )
Encontrar la probabilidad de:

(a) Una ejecución del programa esté entre 16 y 16.5 segundos.

 
16 − 16.28 16.5 − 16.28
P (16 ≤ X ≤ 16.5) = P ≤Z≤
0.22 0.22
= P (−1.2727 ≤ Z ≤ 1)
= Φ(1) − Φ(−1.2727)
= 0.8413 − 0.102
= 0.7393

12
(b) El programa tarde en ejecutarse menos de 16.20 segundos.

 
16.2 − 16.28
P (X ≤ 16.2) = P Z ≤
0.22
= P (Z ≤ −0.3636)
= 1 − Φ(0.3636)
= 1 − 0.6406
= 0.3594

(c) El programa tarde en ejecutarse más de 16.35 segundos.

 
16.35 − 16.28
P (X ≥ 16.35) = P Z ≥
0.22
= P (Z ≥ 0.318)
= 1 − Φ(0.32)
= 0.3745

(d) Si se ejecuta el programa 12 veces, ¿Cuál es la probabilidad de que en total, se

tarde más de 194.6 segundos, si se supone que cada ejecución es independiente de
las demás?
Tenemos una nueva variable aleatoria, que es suma de tiempos de ejecución
Y = Ejecución del programa 12 veces.
12
xi donde xi ∼ N (µ = 16.28, σ 2 = 0.222 ) independientes
P
Y =
i=1

E(Y ) = 12E(X) = 12 × 16.28 = 195.36

V ar(Y ) = 12V ar(X) = 12 × 0.222 = 0.5808

√
sd(Y ) = 0.5808 = 0.7621
Y ∼ N (µ = 195, 36, σ = 0.7621)
Por tanto
 
194.6 − 195.36
P (Y ≥ 194.6) = P Z ≥
0.7621
= P (Z ≥ −0.9972)
= 0.8401

13
14. Un profesor realiza un test de cien preguntas a un curso de 200 alumnos. Suponiendo que
las puntuaciones X obtenidas por los alumnos siguen una distribución normal con media
60 puntos y desviación tı́pica 10 puntos. Calcular:

(a) P (X ≥ 70), P (X ≤ 80), P (X ≤ 30).

 
70 − 60
P (X ≥ 70) = P Z ≥ = P (Z ≥ 1) = 1 − Φ(1) = 1 − 0.8413 = 0.1587
10
 
80 − 60
P (X ≤ 80) = P Z ≤ = P (Z ≤ 2) = Φ(2) = 0.9772
10
 
30 − 60
P (X ≤ 30) = P Z ≤ = P (Z ≤ −3) = Φ(−3) = 0.0013
10
(b) P (39 ≤ X ≤ 80), P (30 ≤ X ≤ 40).

 
39 − 60 80 − 60
P (39 ≤ X ≤ 80) = P ≤Z≤
10 10
= P (−2.1 ≤ Z ≤ 2) = Φ(2) − Φ(−2.1)
= 0.9772 − 0.0179
= 0.9593

 
30 − 60 40 − 60
P (30 ≤ X ≤ 40) = P ≤Z≤
10 10
= P (−3 ≤ Z ≤ −2)
= Φ(−2) − Φ(−3)
= 0.0228 − 0.0013
= 0.0215

(c) P (|X − 60| ≤ 20).

P (|X − 60| ≤ 20) = P (−20 ≤ X − 60 ≤ 20)

 
−20 20
= P ≤Z≤
10 10
= Φ(2) − Φ(−2)
= 0.9772 − 0.0228
= 0.9544

14
 (d) Hallar x, y, z tal que: P (X ≥ x) = 0.9, P (|X − 60| ≤ y) = 0.95, P (X ≤ z) = 0.8

0.90 = P (X ≥ x)
x − 60
= P (Z ≥ )
10
x − 60
= −1.28
10
x = 47.2

0.905 = P (|X − 60| ≤ y)

y
= P (|Z| ≤ )
10
y
= 1.96
10
y = 19.6

0.80 = P (X ≤ z)
z − 60
= P (Z ≥ )
10
z − 60
= 0.84
10
z = 68.4

15. El peso de una gacela, en kilogramos, es una variable aleatoria X que tiene una distribu-
ción N (µ = 50, σ = 6). Si capturamos 10 gacelas, independientemente unas de otras,

(a) Indicar la distribución de la variable aleatoria Y , número de gacelas, de las 10

capturadas que pesan menos de 40 kg. Calcular P (Y = 2).
X ∼ N (µ = 50, σ = 6)
Y = número de gacelas de menos de 40 kilos
Y es una variable aleatoria que sigue una distribución binomial de parámetros: n = 10
y p = P (X ≤ 40)
P (X ≤ 40) = P Z ≤ 40−50


6
= P (Z ≤ −1.66) = 0.054
Y ∼ Binomial(10, 0.054)
 
10
P (Y = 2) = (0.054)2 (1 − 0.054)8 = 0.08416
2
(b) ¿Cual es la probabilidad de que podamos transportar las 10 gacelas en un vehı́culo
que admite una carga de 450kg.?

15
 10
P
Sea T = {P eso total de las 10 gacelas} T = xi
i=1
10
X
E(T ) = E(X) = 10 × 50 = 500
i=1

10
X
V ar(T ) = V ar(X) = 10 × 62 = 360
i=1

 
450 − 500
P (T ≥ 450) = P Z ≥
360
= P (Z ≥ −2.6352)
= 1 − Φ(−2.6352)
= 0.9956

¿Y si admite una carga de 525 kg.?

 
525 − 500
P (T ≥ 525) = P Z ≥
360
= P (Z ≥ 1.3176)
= 1 − Φ(1.3176)
= 0.0951

16. La vida útil de un interruptor eléctrico puede considerarse una variable aleatoria con
distribución exponencial de media 2 años. Se instalan 100 interruptores de este tipo en
diferentes sistemas. Calcular la probabilidad de que a lo sumo 30 de ellos fallen el primer
año.
X =Duración del interruptor. X ∼ Exp(α = 12 )
La probabilidad de que el interruptor falle el primer año es:
 
−1
P (X ≤ 1) = F (1) = 1 − exp = 0.3934 ' 0.4
2
Colocamos 100 interruptores.
Y = número de interruptores que fallan el primer año.
Y ∼ Binomial(n = 100, p = 0.4) que podemos aproximar por una normal de media
µ = np = 100 × 0.4 = 40
y desviación tı́pica
p √
σ= np(1 − p) = 100 × 0.4 × 0.6 = 4.9

16
  
30 − 40
P (Y ≤ 30) = P Z ≤ = P (Z ≤ −2.04) = 0.0207
4.9
17. Se lanza 1000 veces un dado. Calcular la probabilidad de que salga un seis, 170 veces o
más.

1
p = P (obtener un 6) =
6
X ∼ Binomial(1000, 16 ) número de veces que obtenemos un seis en mil tiradas.

1000    k  1000−k
X 1000 1 5
P (X ≥ 170) =
k 6 6
k=170

Podemos aproximar la distribución mediante una Normal de media

1
µ = np = 1000 × = 166.66
6
y desviación estándar p
σ= np(1 − p) = 11.78

 
170 − 166.66
P (X ≥ 170) = P Z ≥
11.78
= P (Z ≥ 0.2828)
= 1 − 0.6103
= 0.3897

18. Supongamos que el tiempo necesario para localizar y corregir un problema en el software
que controla el cambio de las luces de los semáforos en el centro de Madrid sigue una
distribución normal con media de 10 horas y varianza 9 horas2 .

(a) Calcula la probabilidad de que la identificación y corrección del problema siguiente

requieran
• como mucho 15 horas,

 
X − 10 15 − 10
P (X ≤ 15) = P ≤
3 3
= P (Z ≤ 1.67)
= Φ(1.67)
= 0.95254

17
 • al menos 8 horas,

 
X − 10 8 − 10
P (X ≥ 8) = P ≥
3 3
= P (Z ≥ −0.67)
= Φ(0.67)
= 0.74857

• exactamente 10 horas,

P (X = 10) = 0 (por continuidad)

• entre 9 y 12 horas.
 
9 − 10 X − 10 12 − 10
P (9 ≤ X ≤ 12) = P ≤ ≤
3 3 3
= P (−0.33 ≤ Z ≤ 0.67)
= Φ(0.67) − Φ(−0.33)
= Φ(0.67) − [1 − Φ(0.33)]
= 0.74857 − 0.3703
= 0.3780

(b) Calcula el valor x0 y x1 , tal que

• con probabilidad 95 % podemos asegurar que el problema estará solucionado en
menos de x0 horas.

P (X ≤ x0 ) = 0.95
 
x0 − 10
P Z≤ = 0.95
3
x0 − 10
= 1.65 V x0 = 14.95
3

• con probabilidad 99 % sabemos que la solución del problema requerirá al menos

x1 horas.

P (X ≥ x1 ) = 0.99
 
x1 − 10
P Z≥ = 0.99
3
x1 − 10
= −2.33 V x1 = 3.01
3

18
 (c) Calcula el intervalo (a, b) de tiempo, tal que con probabilidad 90 %, podemos asegurar
que el tiempo requerido para solucinar el problema está entre a y b horas.

I90 % ≡ µ ± zα/2 σ
con zα/2 = z0.05 = 1.65.

I90 % ≡ 10 ± 1.65 ∗ 3 ≡ [5.05; 14.95]

19. Un autómata está programado para que corte cable de red en trozos de 160 m. Sin
embargo, debido a fluctuaciones aleatorias en el proceso de corte, la longitud de los cables,
X, sigue una distribución normal. Se ha observado que el 10 % de los cables mide menos
de 160 m., mientras que el 5 % mide más de 162.5 m.
Consideramos la variable X = longitud del cable, tal que X ∼ N (µ, σ)

(a) ¿Cuál es la media y la desviación tı́pica de X?

Como el 10 % de los cables mide menos de 160 m entonces

P (X < 160) = 0.10

 
160 − µ
P Z< = 0.10
σ
160 − µ
= −1.285
σ
Y como el 5 % mide más de 162.5 m entonces

P (X > 162.5) = 0.05

 
162.5 − µ
P Z> = 0.05
σ
162.5 − µ
= 1.645
σ
Con lo que tenemos un sistema de 2 ecuaciones con 2 incógnitas, cuyas soluciones
son µ = 161, 09 y σ = 0.8532
(b) ¿Cuál es la probabilidad de que un trozo de cable cogido al azar mida más de 161.5
metros?

 
161.5 − 161.09
P (X > 161.5) = P Z >
0.8532
= P (Z > 0.4805)
= 0.3154

19
 (c) Otro autómata que corta el mismo cable da como resultados cables cuya longitud
media es 160 m., con una desviación tı́pica de 1 metro. En este caso NO sabemos
si la distribución de la longitud de estos cables es normal. Da una cota para la
probabilidad de que la longitud de un trozo no se desvı́e en más de dos metros de la
media.
Suponemos en este caso que X tiene una media de 160 m y desviación tı́pica 1.
Entonces, por la desigualdad de Chebyshev

P (|X − 160| < 2) = P (|X − 160| < 2 · 1)

1
> 1− 2
2
3
=
4
20. Se considera que el error cometido por una balanza sigue una distribución uniforme en el
intervalo (−0.5, 0.75). ¿Cuál es la probabilidad de que el peso adjudicado sea mayor que
el peso real?
Si denotamos E =error cometido por la balanza, tenemos que E ∼ U (−0.5, 0.75), supo-
nemos que el error se define como
E = peso medido por la balanza − peso real,
nos preguntan por la probabilidad de que el peso que adjudica la balanza sea mayor que
el peso real, esto quiere decir que E > 0, por tanto hay que calcular:
Z 0.75
1 1
P (E > 0) = dx = × 0.75 = 0.6
0 1.25 1.25

21. El número de visitas diarias a una página de internet es una variable aleatoria con espe-
ranza 150 y con varianza 36. ¿Cuál es, como mı́nimo, la probabilidad de que en un dı́a se
produzcan entre 138 y 162 visitas?
Utilizando la Desigualdad de Tchebychev, observamos que: 138 = 150 − 2 × 6 y 162 =
150 + 2 × 6, con lo que
1
P (138 < X < 162) = P (|X − µ| ≤ 2σ) ≥ 1 − = 0.75
22

Podemos por lo tanto afirmar que al menos con una probabilidad del 75 % se produce un
número de visitas entre 138 y 162 a esta página web.

20