Académique Documents
Professionnel Documents
Culture Documents
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
Varianza:
Desviación Tı́pica:
p
σ= 1, 05 = 1, 024
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?.
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?
√
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
p p
σy = V ar(2000X) = 2000 V ar(X) = 3310.59
x2
si − 1 < x < 2
f (x) = 3
0 en otro caso
Calcular:
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
2 4 2
x2
Z
x 15 5
µ= x dx = = =
−1 3 12 −1 12 4
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
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
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.
6
7. Consideramos la función
cx(2 − x) si x ∈ (0, 2)
f (x) =
0 en otro caso
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
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
Es decir:
8
(
0, si x ≤ 0
F (x) =
−x1/2
1 − exp 4
, si x > 0
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 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
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)
X15 ∼ P oiss(λ = 9)
11
Luego
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:
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:
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
16.35 − 16.28
P (X ≥ 16.35) = P Z ≥
0.22
= P (Z ≥ 0.318)
= 1 − Φ(0.32)
= 0.3745
√
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:
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
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
0.80 = 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,
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
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
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 .
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 ≤ x0 ) = 0.95
x0 − 10
P Z≤ = 0.95
3
x0 − 10
= 1.65 V x0 = 14.95
3
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.
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)
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
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