lOMoARcPSD

Modelos Probabilı́sticos: Formulas Matemáticas

Mikel Galardi

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 1 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.21.4 ::: Para n sucesos

n
[ n
X n
X \ n
X \ \
P( Si ) = P (Si ) − P (Si Sj ) + P (Si Sj Sk )+
i=1 i=1 i,j=1;i<j i,j,k=1;i<j<k

\ \ \
+... + (−1)n+1 P (S1 S2 ... Sn )

:: P.23.4 ::: La Probabilidad Condicional

T
P (S1 S)
P (S1 /S) =
P (S)

:: P.26.1 ::: Regla de la multiplicación

n
\ \ \ \ \
P( Si ) = P (Si )P (S2 /S1 )P (S3 /S1 S2 )...P (Sn /S1 S2 ... Sn−1 )
i=1

:: P.27.1 ::: Teorema de la probabilidad total

n
X
P (A) = P (A/Si )P (Si )
i=1

:: P.28.2 ::: Teorema de Bayes

T
P (A Si ) P (A/Si )P (Si )
P (Si /A) = =
P (A) P (A)

:: P.30.2 ::: Sucesos Independientes

\
P (Si S) = P (S1 )P (S)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 2 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.55.4 ::: Transformaciones de variables aleatorias unidimensionales

G(y) = P (η ≤ y) = P (h(ξ) ≤ y) = P [ξ ≤ h−1 (y)]

:: P.56.1 ::: Variables Discretas

X
P (η = y) = P (h(ξ) = y) = P [ξ = h−1 (y)] = P (ξ = x)
x∈h−1 (y)

:: P.57.3 ::: Variables Continuas

g(y) = G0 (y) = F 0 [h−1 (y)]|h0 (y)| = f [h−1 (y)]|h0 (y)|

:: P.65.1 ::: Ver Apéndice Matemático

Z ∞
xp−1 e−x dx = Γ(p)
0

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 3 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.74.3 ::: Función de distribución Bidimensional conjunta

F (x; y) = P (ξ ≤ x; η ≤ y)

:: P.76.2 ::: Funciones de distribución Marginales

P (ξ ≤ x; η < ∞) = F (x; ∞) = F1 (x)

P (ξ ≤ ∞; η < y) = F (∞; y) = F2 (x)

:: P.78.3 ::: Función de Densidad Conjunta

Z x Z y
P (ξ ≤ x; η < y) = F (x; y) = f (x; y)dxdy
−∞ −∞
Z bZ d
P (a < ξ ≤ b; c < η < d) = F (x; y) = f (x; y)dxdy
a c

:: P.79.4 ::: Distribución marginal para x

Z x Z ∞ Z x
P (ξ ≤ x; η < ∞) = F (x; ∞) = F1 (x) = f (x; y)dxdy = f1 (x)dx
−∞ −∞ −∞
Z ∞
f1 (x) = f (x; y)dy
−∞

:: P.80.2 ::: Distribución marginal para y

Z y Z ∞ Z y
P (ξ ≤ ∞; η < y) = F (∞; y) = F2 (y) = f (x; y)dxdy = f2 (y)dy
−∞ −∞ −∞
Z ∞
f2 (y) = f (x; y)dx
−∞

:: P.82.3 ::: Variables aleatorias bidimensionales condicionales Discretas

j
i X
X
pkm
k=1 m=1
P (η ≤ yj /ξ ≤ xi ) = i
X
pk•
k=1

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

j i
X X
pkm
m=1 k=1
P (ξ ≤ xi /η ≤ yj ) = i
X
p•m
m=1

:: P.83.2 ::: Variables aleatorias bidimensionales condicionales Continuas

Z x Z y
f (x; y)dxdy
P (ξ ≤ x; η ≤ y) −∞ −∞ F (x; y)
P (η ≤ y/ξ ≤ x) = = Z x =
P (ξ ≤ x) F1 (x)
f1 (x)dx
−∞
Z x Z y
f (x; y)dxdy
P (ξ ≤ x; η ≤ y) −∞ F (x; y)
P (ξ ≤ x/η ≤ y) = = Z −∞
y =
P (η ≤ y) F2 (x)
f2 (y)dy
−∞

:: P.83.3 ::: Variables aleatorias bidimensionales condicionales Continuas sujetas a {a < ξ ≤ b}, o
{c < η ≤ b}
Z bZ y
f (x; y)dxdy
P (a < ξ ≤ b; η ≤ y) a −∞
P (η ≤ y/a < ξ ≤ b) = = Z b
P (a < ξ ≤ b)
f1 (x)dx
a
Z x Z d
f (x; y)dxdy
P (ξ ≤ x; c < η ≤ d) −∞ c
P (ξ ≤ x/c < η ≤ d) = = d
P (c < η ≤ d)
Z
f2 (y)dy
c

:: P.84.1 ::: Función de Distribución de la variable aleatoria η condicionada por {ξ = x}, denom-
inada F (y/x)
Z y
f (x; y)
f (y/x) = ===> F (y/x) = f (y/x)dy
f1 (x) −∞
Z x
f (x; y)
f (x/y) = ===> F (x/y) = f (x/y)dy
f2 (x) −∞

:: P.86.3 ::: Variables aleatorias bidimensionales independientes

\
P (S1 S2 ) = P (S1 )P (S2 ) ===> P (S1 /S2 ) = P (S1 )

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:: P.87.2 ::: Variables aleatorias bidimensionales independientes

F (x; y) F (x; y)
= F2 (y) ; = F1 (x) ===> F (x; y) = F1 (x)F2 (y)
F1 (x) F2 (y)

:: P.87.3 ::: Variables aleatorias bidimensionales independientes Discretas

pij = pi• p•j para todo i y todo j

:: P.88.2 ::: Variables aleatorias bidimensionales independientes Continuas

f (x; y)
= f (y/x) = f2 (y)
f1 (x)

:: P.90.2 ::: Transformación de variables aleatorias bidimensionales

P ((ω; τ ) ∈ T ) = P ((ξ; η) ∈ S)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 4 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.116.4 ::: Esperanza Matemática Distribuciones Discretas (von Mises)

X
E(ξ) = xi p i
i

:: P.118.1 ::: Esperanza Matemática Distribuciones Continuas

Z ∞
E(ξ) = xf (x)dx
−∞

:: P.119.3 ::: Suma Serie Geométrica (del ejemplo)

1 − rn
S=a donde a es el primer término
1−r

:: P.120.2 ::: Para que la Esperanza Matemática exista,

Z ∞
f (x)dx < ∞
−∞

:: P.126.1 ::: Momentos respecto al origen: Distribuciones de tipo discreto

X X
αr = E(ξ r ) = xri pi con la condición de existencia |xri |pi < ∞
i i

:: P.126.2 ::: Momentos respecto al origen: Distribuciones de tipo continuo

Z ∞ Z ∞
r r
αr = E(ξ ) = x f (x)dx siempre que |xr |f (x)dx < ∞
−∞ −∞

:: P.126.3 ::: Momentos respecto al origen de uso común

α0 = E(ξ 0 ) = E(1) = 1 ∴ α1 = E(ξ) = µ ∴ α2 = E(ξ 2 ) ∴ α3 = E(ξ 3 ) ∴ α4 = E(ξ 4 )

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:: P.128.1 ::: Momentos respecto a la media: Distribuciones de tipo discreto

X X
µr = E[(ξ − µ)r ] = (xi − µ)r pi siempre que |(xi − µ)r |pi < ∞
i i

:: P.128.2 ::: Momentos respecto a la media: Distribuciones de tipo continuo

Z ∞ Z ∞
r r
µr = E[(ξ − µ) ] = (x − µ) f (x)dx siempre que |(x − µ)r |f (x)dx < ∞
−∞ −∞

:: P.128.4 ::: Binomio de Newton

        r  
r r r r r−1 r r−2 2 r r X k r
(ξ − µ) = ξ − ξ µ+ ξ µ − ... ± µ = (−1) ξ r−k µk
0 1 2 r k=0
k

:: P.129.2 ::: Momentos respecto a la media de uso común

µ2 = E(ξ − µ)2 = α2 − α12 = α2 − µ2 ∴ µ3 = E(ξ − µ)3 = α3 − 3α2 α1 + 2α13 ∴

µ4 = E(ξ − µ)4 = α4 − 4α3 α1 + 6α2 α12 − 3α14

:: P.130.3 ::: Desviación media respecto a la media, Varianza (p.130.4) y Varianza (p.132.4)

D(ξ) = E(|ξ − µ|) ∴ V (ξ) = σ 2 = µ2 = E(ξ − µ)2 ∴ V (ξ) = α2 − µ2

:: P.133.4 ::: Varianza de una suma (diferencia) de variables aleatorias

V (ξ + η) = V (ξ) + V (η) + 2cov(ξ; η) ∴ V (ξ − η) = V (ξ) + V (η) − 2cov(ξ; η) ∴

cov = E[(ξ − α10 )(η − α01 )]

:: P.135.2 ::: Varianza: Propiedades

V (Cξ) = C 2 V (ξ) ∴ V (−ξ) = V (ξ) ω = a + bξ => V (ω) = b2 V (ξ)

∴ ∴
p
V (ξ) = σ 2 = α2 − µ2 => σ = α2 − µ2

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

:: P.136.3 ::: Tipificación de una variable aleatoria

η−µ
ξ=
σ

:: P.137.4 ::: Teorema de Markov

E[g(ξ)]
P (g(ξ) ≥ K) ≤
K

:: P.138.4 ::: Desigualdad de Chevichev

σ2 √ σ2
P [(ξ − µ)2 ≥ K] ≤ ∴ P (|ξ − µ| ≥ K) ≤
K K
√ √ √
por tanto, P (|ξ − µ| ≥ K) es la probabilidad de que ξ ∈
/ [µ ± K] . Haciendo K = kσ,

1
P [(ξ − µ)2 ≥ kσ] ≤ ∴ ξ∈
/ [µ ± kσ]
k2

:: P.142.1 ::: Condición de Simetrı́a

µ2r+1 = E(ξ − µ)2r+1 = 0 para r = 0,1,2,...

:: P.142.3 ::: Coeficiente de Asimetrı́a (Fisher)

µ3
γ1 = simétrica: γ1 = 0 asimétrica positiva: γ1 > 0 asimétrica negativa: γ1 < 0
σ3

:: P.143.1 ::: Función de densidad de la distribución normal

1 1 2
f (x) = σ −1 (2π)− 2 e− 2σ2 (x−µ)

:: P.143.4 ::: Coeficiente de Curtosis (Fisher)

µ4
γ2 = − 3 mesocúrtica: γ2 = 0 leptocúrtica: γ2 > 0 platicúrtica: γ2 < 0
σ4

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

10

:: P.144.4 ::: Momentos Bidimensionales respecto al origen: Distribuciones de tipo discreto

XX
αrs = E(ξ r η s ) = xri yjs pij
i j

:: P.145.1 ::: Momentos Bidimensionales respecto al origen: Distribuciones de tipo continuo

Z ∞Z ∞
r s
αrs = E(ξ η ) = xr y s f (x; y)dxdy
−∞ −∞

:: P.145.2 ::: Momentos Bidimensionales respecto al origen de uso común

α10 = E(ξ 1 η 0 ) = E(ξ) ∴ α01 = E(ξ 0 η 1 ) = E(η)

α20 = E(ξ 2 η 0 ) = E(ξ 2 ) ∴ α02 = E(ξ 0 η 2 ) = E(η 2 ) ∴ α11 = E(ξη)

:: P.146.1 ::: Desigualdad de Schwarz

[E(ξη)]2 ≤ E(ξ 2 )E(η 2 )

:: P.147.1 ::: Momentos Bidimensionales respecto a la media: Distribuciones de tipo discreto

XX
µrs = E[(ξ − α10 )r (η − α01 )s ] = (xi − α10 )r (yj − α01 )s pij
i j

:: P.147.2 ::: Momentos Bidimensionales respecto a la media: Distribuciones de tipo continuo

Z ∞Z ∞
r s
µrs = E[(ξ − α10 ) (η − α01 ) ] = (x − α10 )r (y − α01 )s f (x; y)dxdy
−∞ −∞

:: P.147.3 ::: Momentos Bidimensionales respecto a la media de uso común

µ10 = E[(ξ − α10 )1 (η − α01 )0 ] = E(ξ − α10 ) = 0 ∴ µ01 = E[(ξ − α10 )0 (η − α01 )1 ] = E(η − α01 ) = 0
µ20 = E[(ξ − α10 )2 (η − α01 )0 ] = E(ξ − α10 )2 = V (ξ) = σξ2 ∴
µ02 = E[(ξ − α10 )0 (η − α01 )2 ] = E(η − α01 )2 = V (η) = ση2 ∴

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

11

µ11 = E[(ξ − α10 )(η − α01 )] = cov(ξ; η) = σξη

:: P.147.4 ::: Cálculo de Varianzas y Covarianzas

σξ2 = α20 − α10

2
∴ ση2 = α02 − α01
2
∴ σξη = α11 − α10 α01

:: P.148.3 ::: Generalización de la Desigualdad de Schwarz

cov 2 (ξ; η) ≤ V (ξ)V (η)

:: P.149.3 ::: Covariaza y transformación lineal de variables: Si ω = a1 + b1 ξ y τ = a2 + b2 η

cov(ω; τ ) = b1 b2 cov(ξ; η)

:: P.149.4 ::: Coeficiente de correlación lineal

cov(ξ; η)
ρ=
σξ ση

:: P.152.2 ::: Moda: P (ξ = xi ) ≥ P (ξ = xj ) para i 6= j

:: P.152.3 ::: Moda en distribuciones de continuas: M o = x0 => máx f (x) = f (x0 )

1 1
:: P.152.4 ::: Mediana (M e): verifica simultáneamente P (ξ ≤ M e) ≥ y P (ξ ≥ M e) ≥
2 2

i i
:: P.153.2 ::: Cuartiles. 3 valores Ci : P (ξ ≤ Ci ) ≥ P (ξ ≥ Ci ) ≥ 1 − para i=1,2,3
4 4

i i
:: P.153.4 ::: Deciles. 9 di : P (ξ ≤ di ) ≥ P (ξ ≥ di ) ≥ 1 − para i=1,2,..9
10 10

i i
:: P.154.1 ::: Percentiles. 99 pi : P (ξ ≤ pi ) ≥ P (ξ ≥ pi ) ≥ 1 − para i=1,2,..99
100 100

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

12

:: P.154.2 ::: Se cumple: M e = C2 = d5 = p50

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

13

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 5 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

√
:: P.163.3 ::: Función Caracterı́stica: distribuciones de tipo discreto (t, variable real; i = −1,
unidad imaginaria)
X
ϕ(t) = E(eitξ = eitxj pj
j

:: P.163.3 ::: Función Caracterı́stica: distribuciones de tipo continuo

Z ∞
itξ
ϕ(t) = E(e = eitx f (x)dx
−∞

:: P.164.3 ::: Función Caracterı́stica: Propiedad I

eitξ = cos tξ + i sin tξ

:: P.166.2 ::: Función Caracterı́stica: Propiedad VII. Siendo η = ξ1 + ξ2 + ..... + ξn

ϕη (t) = ϕξ1 (t).ϕξ2 (t)...ϕξn (t).

:: P.166.4 ::: Función Caracterı́stica: si ξ → iid D

ϕξ1 +ξ2 +...+ξn (t) = [ϕξi (t)]n

:: P.167.1 ::: Función Caracterı́stica: Propiedad VIII

∂ r ϕ(t)
r
|t=0 |
αr = E(ξ r ) = ∂t r
i
Para t = 0
∂ϕ(t)
| |t=0 = iE(ξ) = iα1
∂t
∂ 2 ϕ(t)
| |t=0 = i2 E(ξ 2 ) = i2 α2
∂t2
...............................................
∂ r ϕ(t)
| |t=0 = ir E(ξ r ) = ir αr
∂tr

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

14

:: P.168.1 ::: Función Caracterı́stica: Teorema de inversión. Si ϕ(t) es integrable para todo t
Z T −itx1
1 e − e−itx2
F (x2 ) − F (x1 ) = lı́m ϕ(t)dt
2π T →∞ −T it

:: P.168.2 ::: Función Caracterı́stica: Función de densidad

Z ∞
1
f (x) = e−itx ϕ(t)dt
2π −∞

:: P.169.2 ::: Función Generatriz de Momentos: Distribuciones de tipo discreto

X
g(θ) = E(eθξ ) = eθxi pi
i

:: P.169.3 ::: Función Generatriz de Momentos: Distribuciones de tipo continuo

Z ∞
θξ
g(θ) = E(e ) = eθx f (x)dx
∞

:: P.169.4 ::: Función Generatriz de Momentos: si αr existe, g(θ) puede generar el valor de los
momentos respecto al origen de orden s ≤ r,

∂ r g(θ)
αr = | |θ=0
∂θr

:: P.170.2 ::: Función Caracterı́stica Bidimensional: distribuciones de tipo discreto

XX
ϕ(t1 ; t2 ) = E(eit1 ξ1 +it2 ξ2 ) = eit1 xj +it2 yl pjl
j l

:: P.170.3 ::: Función Caracterı́stica Bidimensional: distribuciones de tipo continuo

Z ∞Z ∞
it1 ξ1 +it2 ξ2
ϕ(t1 ; t2 ) = E(e )= eit1 x+it2 y f (x; y)dxdy
−∞ −∞

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

15

:: P.171.1 ::: Función Caracterı́stica Bidimensional: Propiedad III. La función ϕ(t1 ; t2 ) está aco-
tada, siendo |ϕ(t1 ; t2 )| ≤ 1, ya que el módulo eit1 ξ1 +it2 ξ2 es
q
it1 ξ1 +it2 ξ2
|e | = cos2 (t1 ξ1 + t2 ξ2 ) + sin2 (t1 ξ1 + t2 ξ2 ) = 1

:: P.172.2 ::: Función Caracterı́stica Bidimensional: Propiedad VI. Si ϕ(t1 ; t2 ) es la función carac-
terı́stica de (ξ1 ; ξ2 ), dada la variable aleatoria η = ξ1 + ξ2 , entonces

ϕη (t) = ϕξ1 ξ2 (t; t)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

16

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 6 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.181.3 ::: Modelo uniforme discreto

k
1 X 1 k 1X
P (ξ = x) = ∴ F (xk ) = P (ξ ≤ xk ) = = ∴ E(ξ) = xj ∴
n i=1
n n n j

n
X
(xj − x̄)2
j 1X 1 X itxj
V (ξ) = si llamamos x̄ = xj ∴ ϕ(t) = e
n n j n j

:: P.182.4 ::: Modelo uniforme discreto: caso particular de que xj = j, la variable aleatoria toman-
do los n primeros números naturales

j n+1 n2 − 1 eit (eitn − 1)

F (xj ) = ∴ E(ξ) = ∴ V (ξ) = ∴ ϕ=
n 2 12 n(eit − 1)

:: P.184.1 ::: Distribución Binomial (0;1) o de Bernoulli


0 x < 0

P (ξ = x) = px q 1−x para x=0 y x=1 ∴ F (x) = q 0 ≤ x < 1 ∴

1 x≥1


E(ξ) = p ∴ V (ξ) = pq ∴ ϕ(t) = q + peit

:: P.187.1 ::: Distribución Binomial B(n;p)

 
n x n−x
P (ξ = x) = p q para x={0,1,2,...,n} ∴ E(ξ) = np ∴ V (ξ) = npq ∴ ϕ(t) = (q+peit )n
x

:: P.188.3 ::: Probabilidad máxima o Valor modal. B(n;p)

np−q ≤ M o ≤ np+p modal si (np-q) no es número entero; Mo el núm entero entre (np-q) y (np+p) ∴
(
np − q
bimodal si es número entero Mo =
np + p

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

17

:: P.191.1 ::: Distribución de Poisson (sucesos raros)

x
e−λ λx x n−x X e−λ λk
P (ξ = x) = p q para x={0,1,2,...,n}; λ > 0 ∴ F (x) = ∴
x! k=0
k!

λi it −1)
E(ξ) = α1 = =λ ∴ V (ξ) = λ ∴ ϕ(t) = e−λ(e ∴ Propiedad aditiva o reproductiva
i

:: P.195.3 ::: Distribución de Poisson como lı́mite de la B(n;p)

e−λ λx
lı́m P (ξ = x) = ∴ en la práctica para p ≤ 0, 1; λ = np < 5
n→∞ x!
p→0

:: P.197.3 ::: Distribución de Poisson: Distribuciones condicionadas: siendo ξ1 → P oisson(λ1 ) y

ξ2 → P oisson(λ2 ) variables independientes,

ξ1 λ1
→ B(y; )
ξ1 + ξ2 λ1 + λ2

:: P.198.2 ::: Distribución Geométrica ξ → G(p)

q
P (ξ = x) = q x p para x=0,1,2,... ∴ F (x) = 1 − q (x+1) ∴ E(ξ) = α1 = ∴
p
q
V (ξ) = ∴ ϕ(t) = p(1 − qeit )−1 ∴ falta de memoria: P (ξ ≥ a + b/ξ ≥ a) = P (ξ ≥ b)
p2

:: P.201.3 ::: Distribución Binomial Negativa o de Pascal: BN(r;p) ξ → BN (r; p)

   
k+r−1 k r −r rq
P (ξ = x) = q p = (−q)k pr para x=0,1,2,... ∴ V (ξ) = 2 ∴
k k p
(
0 x<0 rq
F (x) = P (ξ ≤ x) = Px k+r−1 k r

∴ E(ξ) = ∴
k=0 k
q p k ≤x<k+1 p

ϕ(t) = pr (1 − qeit )−r ∴ Propiedad aditiva o reproductiva ∴ si r=1, BN (1; p) = G(p)

:: P.204.1 ::: Si ξj → iid G(p), su suma η = ξ1 + ξ2 + ... + ξn sigue una Distribución Binomial
Negativa: BN (n; p)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

18

:: P.205.4 ::: Distribución Hipergeométrica H(N ; n; p)

N1

N2

x n−x
P (ξ = x) = N

sujeto a máx(0; n − N2 ) ≤ mı́n(n; N1 ) ∴
n



0 x < máx(0; n − N2 )
x N1 N2



X
k n−k N −n
F (x) = N

k ≤x<k+1 ∴ E(ξ) = np ∴ V (ξ) = npq

 k=0 n
N −1

x ≥ mı́n(n; N1 )

1

:: P.208.4 ::: Distribución Multinomial (ξ1 , ξ2 , ..., ξk ) → M (n; p1 , p2 , ..., pk )

n!
P (ξ1 = x1 , ξ2 = x2 , ..., ξk = xk ) = px1 1 px2 2 ...pk xk ∴ E(ξj ) = npj ∴ V (ξj ) = npj qj
x1 !x2 !...xk !
ϕ(t1 , t2 , ..., tk ) = (p1 eit1 + p2 eit2 + ... + pk−1 eitk−1 + pk )n ∴ ϕξj (tj ) = (qj + pj eitj )n

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

19

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 7 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.215.4 ::: Distribución uniforme continua U (a; b)

1 x−a a+b (b − a)2

f (x) = a≤x≤b ∴ F (x) = ∴ E(ξ) = ∴ V (ξ) = ∴
b−a b−a 2 12
eitb − eita
ϕ(t) =
it(b − a)

:: P.217.3 ::: Distribución uniforme continua: Transformación Integral

G(y) = P (η ≤ y) = P (F (ξ) ≤ y) = P [ξ ≤ F −1 (y)] = F [F −1 (y)] = y ∴ g(y) = G0 (y) = 1

:: P.218.4 ::: Distribución normal N (0; 1)

Z x
1 x2 1 x2 1 2
f (x) = √ e− 2 ∴ F (x) = √ e− 2 dx ∴ ϕ(t) = e− 2 t
2π 2π −∞

:: P.221.2 ::: Distribución normal: Momentos (de orden par) con respecto a la media

(2k)!
µ2k =
2k k!

:: P.221.2 ::: Distribución normal N (µ; σ) − ∞ < µ < ∞; σ > 0; η = µ + σξ; y = µ + σx

Z y
y−µ 1 1 (y−µ)2 1 (y−µ)2 1 2 2
g(y) = f ( ) = √ e− 2σ2 ∴ G(y) = √ e− 2σ2 dy ∴ ϕη (t) = eitµ− 2 t σ ∴
σ σ σ 2π σ 2π −∞
µ3 µ4
γ1 = ∴ γ2 = −3
σ3 σ4

:: P.231.4 ::: Distribución χ2 de Pearson: Distribución χ2 central. η = ξ12 + ξ22 + ... + ξn2 → χ2 (n)
1 n 1 n
f (x; n) = n n
x 2 −1 e− 2 x ∴ ϕ(t) = (1−2it)− 2 ∴ E(η) = µ = n ∴ V (η) = σ 2 = 2n ∴
2 Γ( 2 )
2

p √
Propiedad aditiva o reproductiva ∴ si n > 30 la variable aleatoria 2χ2 (n)− 2n − 1 → N (0; 1)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

20

:: P.239.2 ::: Teorema (debido a Cochran) relacionado con χ2 :

Sean n variables aleatorias ξ1 , ξ2 , ..., ξ3 , N (0; 1) e independientes, si la suma de sus cuadrados
Xn
ξi2 = Q1 + Q2 + ... + Qk y si los términos Qi son suma de cuadrados de ni variables anteriores, de
i=1
tal forma que n1 + n2 + ... + +nk = n, los Qi se distribuyen según χ2 (ni ).
Cuando una variable aleatoria ξ es U (0; 1) la transformación η = −2lnξ → χ2 (2)

:: P.239.4 ::: Distribución χ2 no central. Sean n variables aleatorias independientes, η1 + η2 + ... +

ηn → N (µ; 1)

χ2 (n; δ) = η12 + η22 + ... + ηn2 ∴ δ = nµ2

ηi
Si en vez de N (µ; 1), η1 + η2 + ... + ηn → N (µi ; σ) y transformamos las variables mediante
σ
n
1 X 2
δ= 2 µ
σ i=1 i

:: P.240.2::: Distribución t de Student. Sean n + 1 variables aleatorias N (0; σ) e independientes

(η; η1 , η2 , ..., ηn ). Definimos t de Student con n grados de libertad, en el intervalo (−∞; ∞)
n+1
η Γ( ) x2 n+1 σξ ξ
t(n) = r ∴ f (x) = √ 2 n (1+ )− 2 ∴ t(n) = r =r ∴
η12 + η22 + ... + ηn2 nπΓ( ) n σ 2 2
χ2 (n)
2 χ (n)
n n n
r
n n
E(t) = 0 ∴ σt2 = ∴ Si n > 30 t(n) ≈ N (0; )
n−2 n−2

:: P.242.4::: Distribución t no central. En t(n) si la variable η es N (µ; σ) y las del denominador

ηi
2
→ χ2 (n), siendo η y ηi independientes, se define la variable t de Student no central t(n; δ) siendo
σ
µ
δ= .
σ

:: P.243.2 ::: Distribución F de Fisher-Snedecor: m+n variables N (0; σ) e independientes η1 , η2 , ..., ηm

y γ1 , γ2 , ..., γn , en el intervalo [0; ∞)

η12 + η22 + ... + ηm

2
m n m+n
n χ 2
(m) m 2 n 2 Γ( ) m
F (m; n) = 2 m = ∴ f (x) = 2 m+n
x 2 −1 (n + mx)− 2 ∴
2
γ1 + γ2 + ... + γn 2 2
m χ (n) m n
Γ( )Γ( )
n 2 2
n 2n2 (m + n − 2)
E(Fm;n ) = si n > 2 ∴ Si m = 1 F (1; n) = t2 (n) ∴ VFm;n = si n > 4
n−2 m(n − 2)2 (n − 4)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

21

:: P.245.1 ::: Distribución F de Fisher-Snedecor: Probabilidad α, F (m; n; α). Si F (m; n2 ; α) ≤

F (m; n; α) ≤ F (m; n1 ; α)

1 1
−
n n
F (m; n; α) = F (m; n1 ; α) − 1 [F (m; n1 ; α) − F (m; n2 ; α)] ∴
1 1
−
n1 n2
1
Por otra parte se cumple: = F (m; n; α)
m; n; α

:: P.246.2 ::: Distribución F no central

n
n χ2 (m; δ) 1 X 2
F (m; n; δ) = ∴ δ= 2 µ si χ2 (m; δ) → N (µi ; σ)
m χ2 (n) σ i=1 i

:: P.246.3::: Distribución Gamma. [0; ∞) Se utiliza en el estudio de la duración de elementos fı́sicos

(tiempo de vida)
Z ∞
1 p−1 −x
Γ(p) = xp−1 e−x dx si x > 0 p > 0 ∴ f (x) = x e
0 Γ(p)

:: P.247.1::: Generalización de la Distribución Gamma: G(p; q); [0; ∞); q > 0

Z ∞
1 ∞ p−1 −u q p p−1 −qx
Z
p−1 −qx Γ(p) Γ(p + k)
Γ(p) = x e dx = p u e du = p ∴ f (x) = x e ∴ E(ξ p ) = k ∴
0 q 0 q Γ(p) q Γ(p)
p p it
E(ξ) = ∴ V (ξ) = ∴ ϕ(t) = (1− )−p ∴ Prop. aditiva o reproductiva; Falta de Memoria ∴
q q2 q
n 1 n 1
Caso particular: Si p = q= G( ; ) = χ2 (n) ∴ Si p = n q = nµ → G(n; nµ) (Distr. Erlang)
2 2 2 2
∴ G(1; q) → f (x) = qe−qx (exponencial negativa)

:: P.249.2::: Distribución Beta. B(p; q)

Z 1
Γ(p)Γ(q) 1
B(p; q) = xp−1 (q −x)q−1 dx = p>0 q>0 ∴ f (x) = xp−1 (1−x)q−1 ∴
0 Γ(p + q) B(p; q)
p pq
E(ξ) = ∴ V (ξ) =
p+q (p + q)2 (p + q + 1)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

22

:: P.250.3::: Distribución Logı́stica. Crecimiento temporal de variable demográfica

bea+bx ea+bx
f (x) = −∞<x<∞ b>0 ∴ F (x) =
(1 + ea+bx )2 1 + ea+bx

:: P.250.4::: Distribución de Pareto. Estudio socioeconómico(distribución de las rentas personales)

bxb0 x0 b bx0 b2 x 0
f (x) = x ≥ x0 x0 > 0 b > 0 ∴ F (x) = 1−( ) ∴ E(ξ) = ∴ V (ξ) =
xb+1 x b−1 (b − 2)(b − 1)2

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

23

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 8 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.260.1::: Esperanza Condicionada. Distribuciones tipo discreto / tipo continuo

X Z
E(ξ/η) = E(ξ/η = y) = xi P (ξ = xi /η = y) ∴ E(ξ/η) = E(ξ/η = y) = xf (x/y)dx
i x

:: P.261.1::: Regresión I. m1 (x) Regresión intrı́nseca o verdadera

Z ∞ Z ∞
1
F (y/ξ = x) = F (y/x) ∴ E(η/ξ = x) = yf (y/x)dy = yf (x; y)dy = m1 (x)
−∞ f1 (x) −∞

:: P.263.4::: Regresión I cuando es lineal

µ11 cov(ξ; η)
E(η/ξ = x) = m1 (x) = b0 + b1 x ∴ b1 = = ∴ b0 = α01 − b1 α10
µ20 σξ2

:: P.265.3::: Regresión II. Mı́nimo cuadrática lineal

cov(ξ; η)
η ∗ = hC (ξ) = β0 +β1 ξ ∴ e = η−η ∗ e = error o residuo ∴ β1 = β0 = α01 −β1 α10 ∴
σξ2

cov(ξ; η) ση cov(ξ; η)
η ∗ − α01 = 2
(ξ − α10 ) = ρ (ξ − α10 ) ∴ ξ ∗ − α10 = (η − α01 )
σξ σξ ση2

:: P.267.1::: La intersección de las 2 rectas de Regresión II: centro de gravedad → (α10 , α01 )

:: P.268.3::: Varianza residual o de los errores

σe2 = V (e) = E(η − η ∗ )2 = E[η − h∗C (ξ)]2 como una medida inicial de la correlación

:: P.268.3::: Coeficiente general de correlación

s
σ2
ρG = 1 − e2 donde σe2 = ση2 (1 − ρ2G ) ρ2G es el coeficiente general de determinación
ση

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

24

:: P.270.2::: Coeficiente correlación lineal

cov(ξ; η)
ρ=
σξ ση

:: P.274.4::: Descomposición de la varianza en la Regresión II lineal

cov 2 (ξ; η)
E(η) = E(η ∗ ) = α01 ∴ E(e) = 0 ∴ σR2 = V (η ∗ ) = ∴ σe2 = V (e) = E(η−η ∗ )2 ∴
σξ2
cov 2 (ξ; η)
Para Regresión lineal, σe2 = ση2 −
σξ2

:: P.275.4::: Varianza total

σR2 σe2
ση2 = σR2 + σe2 ∴ = 1 − ∴ σR2 = ση2 ρ2
ση2 ση2

:: P.280.2::: Regresión y distribución normal bidimensional

1 x − µξ 2 x − µξ y − µη y − µη 2
1 −
2
[( ) − 2ρ( )( )+( )]
f (x; y) = p e 2(1 − ρ ) σξ σξ ση ση
2πσξ ση 1 − ρ2

:: P.281.3::: Caso particular: variables aletorias → normal bidimensional y ρ = 0

En este caso incorrelación lineal SI implica independencia estadı́stica, siendo el único caso.

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

25

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: CAPITULO 9 ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

:: P.295.3::: Sucesión de variables aleatorias: ξ1 , ξ2 , ..., ξn → {n }

:: P.298.4::: Convergencia casi segura (con probabilidad 1)

CS
ξn −−→ ξ cuando se verifica P ( lı́m ξn = ξ) = 1
n→∞

:: P.300.1::: Convergencia en probabilidad.

p
ξn →
− ξ (plimξn = ξ) cuando para todo ε > 0 lı́m P (|ξn −ξ| ≥ ε) = 0 ; lı́m P (|ξn −ξ| < ε) = 1 ∴
n→∞ n→∞

CS p
ξn −−→ ξ ⇒ ξn →
− ξ

:: P.302.1::: Convergencia en distribución

d CS d
ξn →
− ξ si y sólo si lı́m Fn (x) = F (x) ∴ ξn −−→ ξ ⇒ ξn →
− ξ
n→∞

:: P.303.1::: Convergencia en media de orden r

mr mr ms
ξn −→ ξ si y sólo si lı́m E|ξn − ξ|r = 0 ∴ si s ≤ r ξn −→ ξ ⇒ ξn −→ ξ ∴
n→∞

mc mc p
ξn −→ ξ converge en media cuadrática si y sólo si lı́m E|ξn −ξ|2 = 0 ∴ ξn −→ ξ ⇒ ξn →
− ξ
n→∞

:: P.305.1::: Relaciones entre los distintos tipos de Convergencia


Casi segura
−→ En probabilidad −→ En distribución
En media cuadrática

:: P.305.3::: Teorema de Lévy-Cramér

Si {ϕ(t)} → ϕ(t) entonces {Fn (x)} → F (x) y recı́procamente

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

26

:: P.306.2::: Ley débil de los grandes números

Una sucesión de variables aleatorias {ξn } E{ξn } < ∞ cumple la Ley débil de los grandes números
ξ1 + ξ2 + ... + ξn p
si existe {an } tal que ηn = verifica, lı́m P (|ηn −an | ≥ ε) = 0 es decir, ηn →
− an
n n→∞

La definición puede ampliarse incluyendo una sucesión {bn } siempre que bn > 0 bn → ∞, de forma que
η n − an p
→
− 0
bn

:: P.307.1::: Teorema de Khintchine

Una sucesión de variables aleatorias {ξn } independientes, con la misma distribución y esperanza finita
ξ1 + ξ2 + ... + ξn p
igual a µ, la sucesiónηn = converge en probabilidad a µ, es decir, ηn →
− µ
n

ξ
:: P.308.2::: Teorema de Bernoulli: ξ → B(n; p) ηn = (frecuencia relativa)
n
1 p
P (|ηn − p| ≥ ε) < ∴ Si n → ∞ lı́m P (|ηn − p| ≥ ε) = 0, es decir, ηn →
− p ∴
nε2 n→∞

1
De la cota obtenida en el teorema, n <
4P (|ηn − p| ≥ ε)ε2

:: P.311.2::: Ley fuerte de los grandes números

Una sucesión de variables aleatorias {ξn } obedece la Ley fuerte de los grandes números si existen
2 sucesiones de constantes {an }, {bn } tal que bn > 0 bn → ∞ cuando n → ∞
γn − an CS
, y la variable γn = ξ1 + ξ2 + ... + ξn verifica −−→ 0
bn

:: P.312.2::: Teorema de Glivenko-Cantello

CS
Fn∗ (x) −−→ F (x) ∴ Dn = sup |Fn∗ (x) − F (x)| ⇒ P ( lı́m Dn = 0) = 1
−∞<x<∞ n→∞

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 lOMoARcPSD

27

:: P.313.2::: Teorema central del lı́mite (aproximación para Poisson)

Una sucesión de variables aleatorias {ξn } verifica el teorema central del lı́mite si la variable
γn − E(γn ) d
γn = ξ1 + ξ2 + ... + ξn cumple la convergencia ηn = p →
− N (0; 1) siendo V (γn ) finita
V (γn )

:: P.313.4::: Teorema de Lindeberg-Lévy

Una sucesión de variables aleatorias {ξn } independientes, igualmente distribuidas, con E(ξn ) y V (ξn ) = σ 2
finita. Definimos una nueva variable γn = ξ1 + ξ2 + ... + ξn , siendo E(γn ) = nµ y V (γn ) = nσ 2 .
γn − E(γn ) γn − nµ d
Tipificamos la variable γn : γn = p = √ ⇒ ηn →
− N (0; 1)
V (γn ) σ n

:: P.317.2::: Teorema de Moivre-Laplace (caso particular del de Lindeberg-Lévy. Aproximación

para B(n; p))

Una variables aleatoria ξn B(n; p), con E(ξn ) = np y V (ξn ) = npq. Definimos una nueva variable ηn
ξn − E(ξn ) ξn − np
ηn = p = √
V (ξn ) npq
d
cumpliéndose que cuando n → ∞ la variable ηn → − N (0; 1) por lo cual,
√
ξn tiene una distribución asintótica N (np; npq).

:: P.318.1::: Teorema de Lindeberg-Feller (condición exigida: todas las variables de la sucesión

{ξn } tienen la misma distribución)

Una sucesión {ξn } de variables aleatorias independientes, con funciones de distribución Fn (x),
n
X ξi − µi
esperanza µn y varianza σn2 < ∞. Definimos la variable ηn , ηn = donde Cn es
i=1
Cn
d
Cn2 = σ12 + σ22 + ... + σn2 Bajo ciertas condiciones se verifica que ηn →
− N (0; 1)

Distribuir es prohibida | Descargado por Adelgado von Hal ([email protected])

 PROBABILIDAD
INTRODUCCIÓN

De ordinario se ha considerado como campo propio del estudio científico el de los fenómenos
deterministas, caracterizado por situaciones en las que al repetir el experimento en las mismas
condiciones se obtiene el mismo resultado. Dentro de estos campos están multitud de fenómenos
clásicos estudiados en Física, Química, Astronomía, etc.
Pareció durante siglos que debía quedar fuera del estudio científico todo fenómeno no determinista
o aleatorio. Sin embargo, la posición científica actual es completamente diferente. Los fenómenos
aleatorios constituyen ya un campo propio y natural del estudio científico.
Una de las propiedades de los sucesos aleatorios es su contingencia, es decir que pueden ocurrir o
no ocurrir. A pesar de ello, esta posibilidad de ocurrir o no ocurrir no es la misma para todos los
sucesos. Todos estamos acostumbrados a decir con frecuencia que “tal suceso es más posible que
tal otro”. Siempre que una característica es comparable se hace necesario encontrar una forma de
cuantificarla, es decir de medirla. La probabilidad es precisamente la medida de la posibilidad de
que ocurra un determinado suceso aleatorio.
Esta disciplina, bastante reciente, tiene su origen en los juegos de azar. En el siglo XVII Cardano,
después de haber desarrollado junto con Tartaglia la combinatoria, comienza a interesarse por
problemas sobre juegos de dados. En esa misma época un jugador italiano expresó a Galileo su
sorpresa al observar que “al jugar con tres dados a la suma 10 ganaba más veces que si lo hacía a la
suma 9” Galileo da la solución correcta al problema y publica un manuscrito sobre el juego de
dados.
En la sociedad francesa del siglo XVII, muy aficionada a todo tipo de juegos de azar, el noble
“Caballero de Mere” propone al matemático Pascal diversos problemas relacionados con estos
juegos, pidiéndole explicaciones sobre algunas contradicciones aparentes entre su razonamiento
teórico y las observaciones recogidas por la vía experimenta, mediante el juego. Pascal comunica
por carta o otro matemático Francés: Fermat, estos problemas y ambos los resuelven por caminos
distintos. La correspondencia entre Pascal y Fermat se considera hoy día como el origen de la
teoría de la probabilidad.
La primera definición que se conoce del concepto de probabilidad se debe a Laplace en el siglo
XIX. Sin embargo, es a lo largo del siglo XX cuando se desarrolla por completo convirtiéndose en
una rama más de la matemática formal, Hoy día la teoría de las probabilidades constituye el
armazón sobre el que se sostiene la estadística inferencial, permitiendo tomar conclusiones
aplicables a toda la población a partir de los datos extraídos de una muestra; es por tanto un
instrumento esencial en muchas ciencias aplicadas como: Economía, Medicina, Psicología,
Sociología, etc.

1. EXPERIMENTOS ALEATORIOS

Como ya hemos dicho llamaremos experimento aleatorio a un experimento en el que no podemos

predecir el resultado antes de efectuarlo. Por ejemplo son experimentos aleatorios; lanzar una
moneda al aire, extraer una carta de una baraja, observar el sexo de un recién nacido, comprobar el
efecto de un medicamento en un paciente determinado, medir la altura de un grupo de personas,
estudiar la profesión de un grupo humano heterogéneo, etc.
Por el contrario, llamamos experimentos deterministas a aquellos que realizados en las mismas
circunstancias se obtiene siempre el mismo resultado. Así, por ejemplo, son sucesos deterministas
dejar caer una piedra desde una altura determinada y observar su aceleración, mezclar en la mismas
condiciones y proporciones dos sustancias y observar la mezcla, etc.

Pág1
2. ESPACIO MUESTRAL

Se llama espacio muestral de un experimento aleatorio al conjunto de todos los resultados

posibles de un experimento. Lo designaremos por E. Por ejemplo:
1. El espacio muestral asociado a tirar una moneda al aire será E={c,x}
2. El espacio muestral asociado a tirar dos monedas al aire será E={(c,c),(c,x),(x,c),(x,x)}
3. El espacio muestral asociado a tirar un dado y una moneda será E= {(1,c),(2,c),(3,c), (4,c),
(5,c), (6,c),(1,x),(2,x),(3,x),(4,x),(5,x),(6,x)}

3. SUCESOS. TIPOS DE SUCESOS

Dado un experimento aleatorio, llamaremos suceso a cualquier subconjunto del espacio muestral.
Así, son sucesos correspondientes al experimento tirar un dado: “Salir un cuatro”={4};“salir
par”={2,4,6};“salir un número menor que 3”={1,2},etc.
Al conjunto formado por todos los sucesos posibles de un experimento se le denomina Espacio de
sucesos y se le designa por la letra 

Si el suceso está compuesto por un solo elemento del espacio muestral se llama suceso elemental,
en otro caso se llama suceso compuesto . Por ejemplo en los ejemplos del párrafo anterior el
primero es elemental, los otros dos son compuestos.

Llamamos suceso seguro al que siempre se verifica (es evidente que estará formado por todos los
resultados del experimento). Por ejemplo al tirar un dado “salir un número menor que
10”={1,2,3,4,5,6}=E
Llamamos suceso imposible al que no se verifica nunca. Por ejemplo “salir un número superior a 6
al lanzar un dado”. Se denota por  (y se lee conjunto vacío)

Dado un suceso cualquiera A de un experimento aleatorio, llamamos suceso contrario a A al que se

verifica si y solo si no se verifica A, se denota por A’ o por A. Ejemplo en el lanzamiento de un
dado el suceso contrario de A=”salir un número par”={2,4,6} será A’=”salir un número
impar”={1,3,5}

4. RELACIÓN DE INCLUSIÓN ENTRE SUCESOS

Diremos que un suceso A está incluido en otro suceso B, y se denota A B, si y solo si la
verificación de A supone la verificación de B. Por ejemplo en el experimento de lanzar un dado,
sea A=”salir un número comprendido entre 1 y 3”={2} y B=”salir un número primo={1,2,3,5},
entonces AB

5.OPERACIONES CON SUCESOS. PROPIEDADES

UNIÓN

Si A y B son dos sucesos se define el suceso unión y se representa por , AB como el suceso que
se verifica al hacerlo A o B o ambos a la vez. Estará formado por todos los resultados que
pertenezcan a A o a B o a ambos. Así por ejemplo si al lanzar un dado A=”salir par”={2,4,6} y
B=”salir un número menor que 4={1,2,3}, entonces AB={1,2,3,4,6}

Pág2
INTERSECCIÓN

Si A y B son dos sucesos, se define el suceso intersección y se representa por AB, como el
suceso que se verifica solo si lo hacen simultáneamente A y B, estará formado por los resultados
que pertenezcan a ambos a la vez. Así por ejemplo si al lanzar un dado A=”salir par”={2,4,6} y
B=”salir un número menor que 4={1,2,3}, entonces AB ={2}. Diremos que dos sucesos son
incompatibles si AB = Ejemplo: “salir par” y “salir múltiplo de 5”

6. PROPIEDADES DE LA UNIÓN Y LA INTERSECCIÓN

UNIÓN INTERSECCIÓN
ASOCIATIVA A  B  C  A  B  C (A  B  C  A  B  C
CONMUTATIVA ABBA ABBA
IDEMPOTENTE AAA AAA
ELEMENTO NEUTRO A    A AEA
SIMPLIFICACIÓN A  A  B  A A  A  B  A
DISTRIBUTIVA A  B  C  A  B  A  C A  B  C  A  B  A  C
LEYES DE MORGAN (A  B   A   B  A  B   A   B 
COMPLEMENTACIÓN A  A   E A  A  
ABSORCIÓN AEE A

7. SISTEMA COMPLETO DE SUCESOS

Diremos que los sucesos A1,A2,.......An constituyen un sistema completo de sucesos para un
determinado experimento aleatorio si se verifica:
1º A 1 A 2  ..... A n E
2º A1, A2,...........An son incompatibles dos a dos.

EJEMPLO: En el lanzamiento de un dado, los sucesos A{1,26}; B{3,4} y C{5} forman un sistema
completo de sucesos ya que: la unión de todos ellos da el espacio total y tomándolos dos a dos su
intersección es vacía. Se comprende que en un experimento puede haber más de un sistema
completo de sucesos. Así, en el experimento que estamos tratando otro sistema completo de
sucesos sería, por ejemplo, D={1,2,4,5} y E{3,6}. En particular un suceso y su contrario formarían
un sistema completo de sucesos.

8. EXPERIMENTOS COMPUESTOS

Consideremos el experimento aleatorio consistente en el lanzamiento de un dado y de una moneda.

En realidad se trata de dos experimentos simples ( el lanzamiento del dado y el de la moneda) que
observamos de forma conjunta.
A estos experimentos formados por varios experimentos simples se les llama experimentos
compuestos.
El espacio muestral asociado a un experimento compuesto se llama espacio compuesto o espacio
producto . Este espacio se obtiene formando el espacio cartesiano de los espacios muestrales de los
experimentos que lo componen. Así, en el ejemplo anterior, el espacio muestral vendría dado por:
E= {(1,c),(2,c),(3,c), (4,c),(5,c), (6,c),(1,x),(2,x),(3,x),(4,x),(5,x),(6,x)}
Obsérvese que el número de elementos del espacio compuesto es el producto del número de
elementos de cada uno de los espacios muestrales de los experimentos simples que lo componen,
en nuestro ejemplo 6x2=12.
Ejemplo2: Espacio muestral de tirar 3 monedas E={(ccc),(ccx),(cxc),(xcc),(cxx),(xcx)(xxc),(xxx)}

Pág3
9. FRECUENCIA RELATIVA DE UN SUCESO. PROPIEDADES

Supongamos que lanzamos 100 veces un dado obteniendo los siguientes resultados:

Suceso 1 2 3 4 5 6
Nº de veces que se verifica 16 17 17 16 15 19

Llamaremos frecuencia absoluta de un suceso al número de veces que se verifica en una serie de
observaciones. Ej: F(“salir par”)=17+16+19=52; F({1})=16
Llamaremos frecuencia relativa de un suceso al cociente de su frecuencia absoluta entre el
número total de observaciones. Ej fr (“salir par”)=52/100; fr({1})=16/100

PROPIEDADES
1. Cualquiera que sea el suceso A se verifica que 0fr (A) 1
2. fr (E)=1
3. Si A  B    f r A  B  f r A  f r B
Además de estas propiedades evidentes, se verifican también las siguientes:
4. Si A y B son sucesos cualesquiera se verifica que f r A  B  f r A  f r B  f r A  B
(Pensemos que la f r A  B la estamos contando 2 veces, en fr(A) y en fr(B), de ahí que
tengamos que restarla una vez)
5. Fr (A’)=1-fr(A) (En efecto A  A   E y AA    por lo que aplicando las propiedades 2 y 3
se tiene que f r A  A    f r A  f r A    1  f r A    1  f r A)
6. f r   0 (ya que =E’, por lo que aplicando la propiedad anterior fr   1  f r E  0)

10. PROBABILIDAD DE UN SUCESO: LEY DE LOS GRANDES NÚMEROS

Las frecuencias relativas de un suceso se obtienen al realizar un experimento un número

determinado de veces. Estas frecuencias varían según el número de veces que realizamos el
experimento, pero la práctica nos dice que estos valores de las frecuencias relativas tienden a
“estabilizarse” alrededor de un valor determinado cuando se hace un número de repeticiones del
experimento suficientemente grande. Así, si lanzamos una moneda al aire 20 veces puede ocurrir
que la fr(c)=0’9 y la fr(x)=0’1, pero la experiencia nos dice que si realizamos muchas veces el
experimento ambas tenderán a aproximarse al valor 0’5.

Cuando decimos estabilizarse queremos indicar que la frecuencia relativa del suceso toma valores,
por defecto o por exceso, cada vez más próximas a ese valor y que las oscilaciones son tanto más
pequeñas cuantas más veces realicemos el experimento. Este límite al que tienden las frecuencias
relativas de un suceso lo llamaremos probabilidad de dicho suceso.

Que la frecuencia relativa de cualquier suceso, en cualquier experimento aleatorio, se estabiliza

cuando el número de observaciones es suficientemente grande, es una verdad empírica (observada
por experimentación), no demostrable matemáticamente pero si reiteradamente comprobada. Su
enunciado es el principio básico del azar, conocido como “ley del azar” o “ley de los grandes
números”, es debido a Bernouilli (1700) y dice así:

“Al realizar repetidamente un experimento aleatorio en condiciones estables, cualquiera que sea
el suceso S existe n
lim fr(S). Al valor de dicho límite se le llama P(S) (probabilidad de S)”

Por tanto, si se ha realizado un experimento un número suficiente de veces, la frecuencia relativa

obtenida puede tomarse como valor aproximado de la probabilidad. A esta definición de

Pág4
probabilidad se le llama definición estocástica. Esta forma de asignar probabilidades tiene un
inconveniente de tipo práctico pues, para calcular la probabilidad de un suceso, sería necesario
realizar un gran número de pruebas con el fin de obtener experimentalmente el valor al que se
aproximan las frecuencias relativas. Por otra parte, de esta forma obtendremos siempre un valor
aproximado de la probabilidad y no el valor exacto. Sin embargo, veremos más adelante que en
muchas ocasiones es la única forma de asignar probabilidades a los sucesos de un experimento.

11. DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD

El tratamiento matemático de la probabilidad exige una definición más formal que la que hemos
dado. La construcción de una axiomática para el cálculo de probabilidades se debe al matemático
ruso Kolmogorov (1903-1987). Su idea es la siguiente:
De lo visto anteriormente se deduce que la probabilidad ha de ser una función que asocie a cada
elemento del espacio de sucesos (a cada suceso) de un experimento aleatorio un número real. Y
dado que este número es el límite de las frecuencias relativas, las probabilidades deberán verificar
las propiedades de estas. Generalizando pues las propiedades de las frecuencias relativas se puede
expresar de forma axiomática las condiciones que debe cumplir una función de probabilidad.

Se llama probabilidad a una función P:-----------------------------  R

S------------------------------ P(S)
que asocia a cada suceso S, del espacio de sucesos , un número real que llamaremos
probabilidad de S ,P(S), y que verifica los siguientes axiomas:
1. La probabilidad de cualquier suceso es positiva o nula S  P(S) 0
2. La probabilidad del suceso seguro es igual a 1 P(E)=1
3. La probabilidad dedos sucesos incompatibles es igual a la suma de las probabilidades de
cada uno de Ellos. Si AB= PA  B  PA  PB
Un espacio de sucesos con una probabilidad definida en él se llama espacio de probabilidad.

PROPIEDADES
De la definición de probabilidad pueden deducirse las siguientes propiedades:
1. P(S’)=1-P(S). En efecto, como S  S   E y S y S’ son incompatibles, aplicando los axiomas 1
y 2 se tiene: PS  S    PS  PS    1  PS    1  PS
2. P  0. En efecto, el  es el complementario de E, por lo que aplicando la propiedad
anterior y el axioma 2 se tiene: P() =1-P(E)01-1=0
3. Si A  B P(A) P(B). En efecto, si A  B existe un suceso C tal que A  C B y AC   ;
como A y C son incompatibles P(B)=P(A  C)=P(A)+P(C) y dado que por el axioma 1
P(C) 0, se obtiene que P(A) P(B)
4.  S  P(S) 1. En efecto, SE, por lo que aplicando la propiedad anterior P(S)1
5. Para cualquier par e sucesos A y B se verifica que: PA  B  PA  PB  PA  B
Para demostrarlo observa en el gráfico como los sucesos A, B y A  B pueden escribirse como
unión de sucesos incompatibles entre sí:
A  A  B  A  B  ; B  B  A  B  A   y
A  B  A  B    A  B  A   B
Podemos por tanto aplicar el axioma 3, obteniendo:
PA  PA  B  PA  B    PA  B    PA  PA  B
;PB  PA  B  PA   B  PA   B  PB  PA  B
PA  B  PA  B    PA  B  PA   B.
Sustituyendo en la última igualdad los resultados obtenidos para PA  B   y PA   B ,
obtenemos
PA  B  (PA  PA  B  PA  B  PB  PA  B = PA  PB  PA  B
Este resultado podría generalizarse para más de dos sucesos.
Pág5
12. ESPACIO DE PROBABILIDAD DE LAPLACE. DEFINICIÓN CLÁSICA DE
PROBABILIDAD.

Es frecuente encontrarnos con experimentos aleatorios en los que los distintos sucesos elementales
tienen todos la misma probabilidad de ocurrir. En ese caso, si el espacio muestral está formado por
n sucesos elementales la probabilidad de cada uno de ellos valdrá 1/n.
Por ejemplo, si lanzamos un dado corriente el espacio muestral está formado por 6 sucesos
E={1,2,3,4,5,6}. Dado que todas las caras tienen la misma probabilidad de salir
P(1)=P(2)=......=P(6)=1/6.

Diremos que un espacio de probabilidad es de Laplace si el número de sucesos elementales del

experimento aleatorio es finito y todos ellos tienen la misma probabilidad. En este caso, si el
espacio muestral está formado por n sucesos elementales, dado que todos tienen la misma
probabilidad esta tendrá el valor 1/n.

Si en un espacio de Laplace consideramos un suceso cualquiera S, dicho suceso será unión de un

número r de sucesos elementales y dado que estos son incompatibles y todos tienen probabilidad
1/n, se verificará que P(S)=1/n+1/n+.......+1/n (r veces)
Ejemplo: ¿Cuál es la probabilidad de obtener un número par al lanzar un dado?.
El suceso S=”obtener par”={2,4,6}, luego P(S)=P(2)+P(4)+P(6)=1/6+1/6+1/6=3/6
o
En definitiva, podemos decir que P(S)= N ode casos favorables , entendiendo como casos
N de casos posibles
favorables el nº de sucesos elementales para los cuales se verifica el suceso S y por casos posibles
el nº total de sucesos elementales que pueden ocurrir.

Esta relación se conoce con el nombre de Regla de Laplace y fue la primera definición que se ha
dado de probabilidad (siglo XIX), por lo que se conoce también con el nombre de definición
clásica. Es la de aplicación más sencilla pero solo puede usarse en caso de que todos los sucesos
elementales sean equiprobables.

EJEMPLOS:

1. ¿Cuál será la probabilidad de que al lanzar dos monedas al aire se obtenga al menos 1 cara?
E={(c,c), (c,x), (x,c), (x,x)} luego P(“al menos una cara”)=3/4
2. Se considera el experimento consistente en elegir una carta de una baraja española de 40 cartas.
Se pide la probabilidad de los siguientes sucesos: A=”obtener un oro”, B=”obtener un as”,
C=”obtener la sota de copas”, D=”obtener un as o un oro”
P(A)=10/40; P(B)=4/40; P(C)=1/40; P(D)=P(as)+P(oro)-P(asoro)=4/40+10/40-1/40=13/40
3. Consideremos el experimento aleatorio consistente en lanzar dos dados y anotar su suma.
Hallar la probabilidad de los sucesos: A=”Suma igual a 11” ; B=”Suma inferior a 7”

Dado que se trata de un experimento compuesto en el que el espacio muestral de cada uno de
los dos experimentos simples que lo componen tiene seis elementos, el espacio compuesto
tendrá 6x6=36 elementos ( E={(1,1), (1,2),...............(6,6)}
Para hallar las probabilidades pedidas tendremos que contar el número de casos favorables a los
sucesos A y B.
Los casos favorables para el suceso A son: {(6,5), (5,6)}, por lo que P(A)=2/36
Para el suceso B los casos favorables son:{(1,1),(1,2),(1,3),(1,4),(1,5),(2,1),(2,2),(2,3),(2,4),
(3,1),(3,2),(3,3),(4,1),(4,2),(5,1)}, luego P(B)=15/36

Pág6
4. Se considera el experimento consistente en extraer 5 cartas de una baraja española. ¿Cuál es la
probabilidad de que 3 de ellas sean ases?
Nº de casos posibles= C40,5; Nº de casos favorables= C4,3.C36,2
C 4,3 .C 36,2 35
Por tanto P(3 ases)=  9139
C 40,5
5. Se sacan 4 cartas de una baraja española ¿Cuál es la probabilidad de obtener al menos un as?
En este caso es más fácil obtener la probabilidad del suceso contrario
S=”obtener al menos 1 as”; S’=” no obtener ningún as”, P(S)=1-P(S’)

C 36,4
Nº de casos posibles= C40,4; Nº de casos favorables a S’=C36,4; P(S’)=  0, 64
C 40,4
P(S)=1-0,64=0,36

6. A un congreso asisten 100 científicos de los que 80 hablan inglés y 40 francés. Si se encuentran
dos en la cafetería ¿cuál es la probabilidad de que se entiendan?
C 80,2  C 40,2  C 20,2
P((I,I)(F,F))=P(I,I)+P(F,F)-P((I,I)(F,F))= 0,75
C 100,2
7. Disponemos de dos urnas iguales, cada una con 3 bolas rojas,4 blancas y 3 negras. Sacamos
una bola de cada urna, hallar la probabilidad de:
a) Que las dos bolas sean blancas
b) Que las dos sean del mismo color
c) Que una sea blanca y la otra roja
a) P(B,B)=4/10.4/10; b)P(B,B)+P(R,R)+P(N,N)=4/10.4/10+3/10.3/10+3/10.3/10
c) P(B,R)+P(R,B)=4/10.3/10+3/10.4/10
8. En una carrera de 6 caballos una persona apuesta a vencedor y segundo, suponiendo que lo
hace al azar ¿qué probabilidad tiene de acertar? Casos posibles=V6,2=30, Casos favorables=1
P(acertar)=1/30
9. Se sortea un viaje a Singapur entre los 120 mejores clientes de una empresa de automóviles. De
entre ellos 65 son mujeres, 80 están casados y 45 son mujeres casadas. Se pide:
a)¿Qué probabilidad hay de que le toque a una mujer soltera?
b)¿Qué probabilidad hay de que le toque a un hombre casado?
c)¿Qué probabilidad hay de que le toque a un hombre soltero?
Solución:
Consideremos los sucesos A=”ser mujer”, B=”estar casado”. Nos dan P(A)=65/120,
P(B)=80/120; P(AB)=45/120 y nos piden a) P(AB’); b) P(A’B); c)P(A’B’)
Podríamos utilizar las propiedades de la unión e intersección para resolver estas preguntas,
pero un método más sencillo es hacer un recuento de datos mediante el empleo de tablas de
doble entrada denominadas tablas de contingencia. Para rellenar dichas tablas no es preciso que
nos den todos los datos pues es posible construirlas completando unas celdas a partir de las
otras. Veamos el método aplicándolo al ejercicio:

Tabla 1: Se obtiene de los datos Tabla 2: Se obtiene completando las celdas

Mujeres Hombres Total Mujeres Hombres Total
Casados 45 80 Casados 45 35 80
Solteros Solteros 20 20 40
Total 65 120 Total 65 55 120
Por tanto a)P(AB’)=20/120; b)P(A’B)=35/120; c)P(A’B’)=20/120
En las celdas de una tabla de contingencia pueden figurar como en este caso frecuencias absolutas
pero también frecuencias relativas, probabilidades o porcentajes. Téngase en cuenta que en el caso
de probabilidades o frecuencias relativas el total que figura en la última casilla es igual a 1 y en el
caso de porcentajes será igual a 100.

Pág7
Ejercicios propuestos:
1. Se extraen 4 cartas de una baraja española, hallar la probabilidad de: a) Salir dos y solo dos
espadas, b) Salir exactamente dos ases, c) Salir exactamente dos figuras d) Salir una pareja,
e) Salir dos parejas
2. Un grupo de 32 personas está formado por 14 mujeres y 18 hombres. Se forma un comité de 4
personas elegidas al azar, hallar la probabilidad de que esté formado por dos hombres y dos
mujeres
3. En una clase de bachillerato al 68% de los alumnos le gustan las matemáticas, al 60% las
ciencias y al 54% ambas asignaturas. Se elige un alumno al azar, cuál es la probabilidad d que:
a) le gusten las ciencias pero no las matemáticas, b) le gusten las matemáticas pero no las
ciencias, c) No le gusten ninguna de las dos asignaturas.
4. Una urna contiene 12 bolas negras y 2 blancas. Se sacan 3 bolas, halla la probabilidad de sacar
exactamente 2 blancas y la de sacar al menos 1 blanca, si la extracción se hace: a) con
reemplazamiento, b) sin reemplazamiento
5. Se mezclan 10 pares de zapatos distintos y se sacan 4 al azar. Hallar la probabilidad de obtener
al menos 1 par de zapatos iguales.

13. PROBABILIDAD CONDICIONADA

Los resultados de una encuesta acerca de la actitud progresista o conservadora realizada entre 334
universitarios de ambos sexos comprendidos entre los 18 y los 22 años, son los siguientes:
A=”Varones” A’=”Mujeres” Total
B=”actitud progresista” 145 42 187
B’=”actitud conservadora” 51 96 147
Total 196 138 334

Consideremos los sucesos: A=”Ser varón”, A’=”Ser mujer”; B=”Tener actitud progresista”;
B’=”Tener actitud conservadora”; AB=”Ser varón y tener actitud progresista”
fr(A)=196/334, fr(A’)=138/334; fr(B)=187/334, fr(B’)=145/334; fr(AB)=145/334

Consideremos ahora una nueva frecuencia relativa, la de aquellos que tienen actitud progresista de
entre los varones. Es decir, no nos interesa la proporción de varones progresistas de entre la
población total que sería fr (AB), sino la proporción de progresistas que hay entre los varones,
hemos cambiado por tanto la población total a considerar. La nueva población es de 196 varones y
de entre ellos tienen actitud progresista 145, por lo que la frecuencia relativa sería de 145/196
Esta nueva frecuencia relativa la representaremos por fr(B/A) y se denomina frecuencia relativa del
suceso B condicionada a que ha ocurrido el sucesoA.
Podemos observar que fr(B/A)=145/196 puede obtenerse del siguiente modo:
f r A  B 145/334 145
Fr(B/A)=  
f r A 196/334 196
Si tenemos en cuenta que la probabilidad es el límite al que tienden las frecuencias relativas tras una
larga serie de observaciones, podemos definir el concepto de probabilidad condicionada del
siguiente modo:

Se llama probabilidad condicionada del suceso B respecto al suceso A, y se denota por P(B/A) al
PA  B PA  B
cociente: P(B/A)= si P(A) 0; análogamente P(A/B)= PB si P(B) 0
PA
De las dos relaciones anteriores se sigue que: PA  B=P(A).P(B/A) o bien PA  B=P(B).P(A/B)
Estas fórmulas se conocen con el nombre de Ley de las probabilidades compuestas o Ley del
producto, y permiten hallar la probabilidad de la intersección de dos sucesos cuando es más sencillo
hallar la probabilidad condicionada. Veamos algunos ejemplos:
Pág8
1. De una baraja española extraemos dos cartas ¿cuál es la probabilidad de que ambas sean ases?
P(1ªas2ª as)=P(1ªas).P(2ªas/1ªas)=4/40.3/39
2. En una empresa el 60% de los trabajadores están casados. Se elige un trabajador al azar, ¿qué
probabilidad hay de que sea una mujer casada si el 30% de los casados son mujeres?
Sea A=”Estar casado” y B=”Ser mujer”, nos piden P(AB) y ns dan P(A)=60/100 y
P(B/A)=30/100.
P(AB)=P(A).P(B/A)=60/100.30/100=18/100. La probabilidad pedida es del 18%

14. SUCESOS DEPENDIENTES E INDEPENDIENTES

Consideremos los siguientes ejemplos:

1. De una baraja española se extrae una carta. ¿cuál es la probabilidad de que sea un rey sabiendo
que ha sido una figura?
PA  B 4/40
Sea A=”Obtener rey” y B=”Obtener figura”, P(A/B)= =  4  1
PB 12/40 12 3
Obsérvese que P(A/B)  PA  4/40  1/3
2. Se considera el experimento de lanzar dos veces consecutivas un dado ¿Cuál es la probabilidad
de obtener un seis en el segundo lanzamiento sabiendo que se ha obtenido un 2 en l primero?
Sea A=”Obtener un seis en el 2º lanzamiento” y B=”Obtener un 2 en el primer lanzamiento”
PA  B
P(A/B)= PB = 1/36  6  1 . Obsérvese que en este caso P(A/B)=P(A)=1/6
1/6 36 6

En los dos ejemplos anteriores hemos visto que en algunas ocasiones P(A/B)=P(A) y en otras son
distintas. Es decir, el hecho de que se haya verificado el suceso B en nos casos modifica la
probabilidad del suceso A y en otros no. Si el hecho de que sepamos que ha ocurrido B modifica la
probabilidad de que ocurra A los sucesos se llaman dependientes, en caso contrario se llaman
independientes

Dos sucesos A y B son independientes si se verifica que P(A/B)=P(A)

Dos sucesos A y B son dependientes si se verifica que P(A/B)  P(A)

15. PROBABILIDAD DE LA INTERSECCIÓN. REGLA DEL PRODUCTO

Como ya hemos dicho antes de la definición de probabilidad condicionada se sigue que:

P(AB)=P(A).P(B/A). Esta igualdad se conoce con el nombre de Regla del producto. Ahora bien,
teniendo en cuenta la definición de sucesos dependientes e independientes deducimos que para
calcular la probabilidad de la intersección se deben distinguir dos casos diferentes:

A) Probabilidad de la intersección de sucesos independientes P(AB)=P(A).P(B/A).=P(A).P(B)

B)Probabilidad de la intersección de sucesos dependientes P(AB)=P(A).P(B/A)  P(A).P(B)

Esta regla podría generalizarse para calcular la probabilidad de la intersección de más de dos
sucesos, por ejemplo para la intersección de tres obtendríamos:
P(ABC)=P(A).P(B/A).P(C/AB)

Ejemplos:
1. Hallar la probabilidad de obtener cuatro caras al lanzar 4 veces una moneda.
Los resultados de cada lanzamiento no afectan a los siguientes, por tanto
P(c,c,c,c)=1/2.1/2.1/2.1/2

Pág9
2. En un examen de sociología un alumno ha estudiado 15 de los 25 temas que contiene el
temario. El examen consiste en contestar dos temas extraídos al azar. ¿que probabilidad hay de
que ambos temas sean de los que el alumno estudió?.
En este caso la extracción del primer tema varía la probabilidad de la extracción del 2º por lo
que los sucesos son dependientes.
P(saber1ºsaber2º)=P(saber1º).P(saber2º/saber1º)=15/25.14/24=0,35
3. En una urna hay 3 bolas blancas y 5 negras. Se sacan dos bolas al azar, qué probabilidad hay de
que una se blanca y otra negra si se hace la extracción a) con reemplazamiento, b) sin
reemplazamiento
A) Los sucesos son independientes.
P(“una blanca y otra negra”)=P(B,N)+P(N,B)=3/8.5/8+5/8.3/8=30/64=15/32
B) Los sucesos son dependientes
P(“una blanca y otra negra”)=P(B,N)+P(N,B)=3/8.5/7+5/8.3/7=30/56=15/28

16. PROBABILIDAD EXPERIMENTAL. PROBABILIDAD A PRIORI Y A POSTERIORI.

El experimento de lanzar un dado constituye un espacio de Laplace ya que la probabilidad de cada

suceso elemental es la misma. Resulta por lo tanto muy sencillo asignar a cada suceso elemental
una probabilidad que en este caso sería de 1/6. A estas probabilidades que pueden determinarse de
antemano, sin realizar ningún tipo de comprobación experimental, se les denomina probabilidades
a priori.
Sin embargo, no siempre es posible establecer a priori la probabilidad de los sucesos elementales,
en estos casos asignaremos la probabilidad mediante la experimentación, simulación o estimación.
A este tipo de probabilidades se les llama experimentales o a posteriori. Este método es el
empleado por ejemplo para calcular las tasas de natalidad, defunción, expectativa de éxito de un
determinado producto comercial, estudio de la audiencia de un programa televisivo, posibilidades
de éxito de un determinado fármaco o escaños previsibles para cada partido antes de unas
elecciones.

Ejemplo:
Un cirujano especialista en trasplantes de corazón, estima tras muchos años de profesión que la
probabilidad de que un paciente sufra una grave complicación ante la administración de la anestesia
es de 0,02. La probabilidad de que se produzcan otro tipo de complicaciones durante la operación
es de 0,1 y la de que se produzca en la fase de recuperación por problemas de rechazo es de 0,15.
Hallar la probabilidad de que un paciente determinado no tenga complicaciones.
P(no sufrir complicación)=0’98.0,9.0,85=0,7497

Pág10
EJERCICIOS

1. En una urna hay 10 bolas blancas, 8 negras y 6 rojas. Se sacan 7 bolas devolviéndolas a la urna
cada vez, hallar la probabilidad de obtener primero 3 blancas, luego 2 negras y al final 2 rojas.
2. De una baraja española se extraen 5 cartas ¿cuál es la probabilidad de que sean del mismo palo?
3. Hallar la probabilidad de obtener al menos un seis triple al lanzar 20 veces un dado.
4. En una urna hay 10 bolas numeradas del 0 al 9, si se sacan de una en una ¿cuál es la
probabilidad de que no salgan en orden correlativo?
5. Una urna U1 contiene 10 bolas blancas y 20 negras, otra urna U2 contiene 8 blancas y 6 negras.
Se extraen al azar 2 bolas de U1 y se introducen en U2 ¿cuál es la probabilidad de extraer una
bola negra de U2 después de haber introducido las de U1?
6. Si E={a1, a2, a3} es un espacio muestral ¿cuales de las siguientes funciones definidas en él son
de probabilidad?
a) P(a1)=1/4, P(a2)=1/3, P(a3)=1/2
b) P(a1)=2/3, P(a2)=-1/3, P(a3)=2/3
c) P(a1)=1/6, P(a2)=1/3, P(a3)=1/2
d) P(a1)=0, P(a2)=1/3, P(a3)=2/3
7. En una ciudad el 40% de la población tiene el cabello castaño, el 25% los ojos castaños y el
15% el cabello y los ojos castaños. Se escoge una persona al azar: a) Si tiene el cabello castaño
¿cuál es la probabilidad de que también tenga los ojos castaños?, b) Si tiene los ojos castaños
¿cuál es la probabilidad de que no tenga cabellos castaños?, c) ¿Cuál es la probabilidad de que
no tenga cabello ni ojos castaños?
8. En una facultad el 25% de los varones y el 10% de las mujeres son estudiantes de matemáticas,
constituyendo las mujeres el 60% de todos los estudiantes. Si se selecciona un estudiante al
azar y resulta ser de matemáticas ¿cuál es la probabilidad de que sea mujer?
9. Una caja contiene 5 tubo de radio de los que 2 son defectuosos. Se prueban los tubos uno tras
otro hasta encontrar los 2 defectuosos, ¿cuál es la probabilidad de que se suspenda el proceso
en la 2ª prueba? ¿ y en la tercera?
10. Un tirador da en el blanco con una probabilidad de 0,4. Si dispara 4 veces hallar la probabilidad
de que: a) de en el blanco exactamente 2 veces, b) de en el blanco al menos 1 vez
11. Un matrimonio tiene 6 hijos, si consideramos equiprobables los sucesos nacer varón y nacer
mujer ¿qué probabilidad tiene de que al menos 2 sean varones?
12. A una oposición concurren hombres y mujeres en la proporción de 4 a 5. La probabilidad de
que apruebe un hombre es de 0,75 y la de que lo haga una mujer es de 0,8. Se sabe que un
opositor ha aprobado, ¿cuál es la probabilidad de que sea mujer?
13. Un producto está compuesto de tres partes a, b y c. El proceso de fabricación es tal que la
probabilidad de defecto en la parte a es de 0,03, en la parte b de 0,04 y en la parte c de 0,08
¿cuál es la probabilidad de que al finalizar el proceso el producto no sea defectuoso?
14. En un centro de enseñanza los alumnos pueden optar por cursar como lengua extranjera inglés
o francés, escogiendo el inglés el 90% de los alumnos. Sabiendo que el 30% de los que
estudian inglés y el 40% de los que estudian francés son chicos ¿cuál es la probabilidad de que
un estudiante elegido al azar resulte ser mujer?
15. Ante un examen un alumno ha estudiado 15 de los 25 temas de la materia. Si el examen
consiste en extraer dos temas al azar de los que el alumno tiene que escoger uno para exponer
¿cuál es la probabilidad de que el alumno peda elegir al menos uno de los temas que ha
estudiado?
16. Un grupo de 10 personas se sienta en un banco ¿cuál es la probabilidad de que dos personas
fijadas de antemano se sienten juntas?
17. Una caja contiene tres monedas. Una es corriente, la segunda tiene dos caras y la tercera está
trucada de modo que la probabilidad de que salga cara es de 1/6. Se selecciona una moneda al
azar y se tira al aire ¿cuál es la probabilidad de que salga cara?
Pág11
18. Dos profesores A y B comparten un número de teléfono. De Las llamadas que llegan 2/5 son
para A. Sus ocupaciones les alejan del teléfono de forma que A está fuera el 50% de las veces
que suena el teléfono y B el 25%. Calcula la probabilidad de que cuando suena el teléfono no
estén ninguno de los dos para responderlo y la probabilidad, para cada uno de los profesores,
de que esté presente cuando lo llaman.
19. Un relojero compra relojes a dos casas proveedoras. La 1ª le suministra el 60% de los relojes
de los que el 0,4% son defectuosos, la 2ª le proporciona el resto siendo defectuosos el 1’5%.
Un día el relojero observa que un reloj no funciona ¿cuál es la probabilidad de que proceda de
la 1ª casa proveedora?
20. Dos medicamentos A y B son eficaces para tratar cierta enfermedad. El medicamento A
produce mejoría en el 78% de los casos mientras que el B lo hace en un 83%. Un laboratorio
tiene 3 tubos que contienen el medicamento A y 2 que contienen el B. Si se elige un tubo al
azar y se administra a un enfermo a) ¿cuál es la probabilidad de que este mejore? B) si el
enfermo mejora ¿cuál es la probabilidad de que se le haya administrado el medicamento A? ¿y
el B?
21. En una clase el 40% de los alumnos aprobaron filosofía y el 50% matemáticas. Se sabe que la
probabilidad de aprobar filosofía si aprobó matemáticas es de 0,6. A) ¿Qué porcentaje de
alumnos aprobó ambas materias? B) De los alumnos que aprobaron filosofía ¿qué porcentaje
aprobaron las matemáticas?
22. Juan y Pedro lanzan una pelota a un blanco. La probabilidad de que Juan de en el blanco es de
1/3 y la de que lo haga Pedro de ¼. Supóngase que Juan lanza primero y que los dos se turnan
para lanzar a) ¿Cuál es la probabilidad de que el primer lanzamiento que de en el blanco sea el
2º de Juan?, b) ¿Cuál es la probabilidad de que Juan de en el blanco antes de que lo haga
Pedro?
23. Un 20% de los empleados de una empresa son ingenieros y otro 20% son economistas.
Sabiendo que el 75% del os ingenieros y el 50% de los economistas ocupan cargos directivos,
mientras que solo el 20% del resto del personal es directivo, calcular la probabilidad de que un
directivo elegido al azar sea ingeniero.
24. En un instituto de 400 alumnos se realiza una encuesta resultando que 180 de los estudiantes
manifiestan que les gusta el fútbol. Se comprueba que hay 80 chicos a los que no les gusta el
fútbol y que el 60% de los estudiantes son chicas. Elegido un estudiante al azar, hallar la
probabilidad de que: a) sea mujer y le guste el fútbol, b) gustándole el fútbol sea mujer. ¿Son
los sucesos “ser mujer” y “gustar el fútbol” independientes? ¿e incompatibles?

SOLUCIONES

1. P(B,B,B,N,N,R,R)= 10
24
10 10 8 8 6 6
24 24 24 24 24 24 (son sucesos independientes)
C 4,1 C 10,5
2. Sea A=”las cinco cartas del mismo palo” P(A)= Dado que para los casos favorables
C 40,5
hay que elegir primero un palo entre 4 posibles y después 5 cartas de entre las 10 de ese palo.
En cuanto a los casos posibles de 40 cartas elegimos 5.
3. P(al menos un seis triple)=1-P(ningún seis triple)
P(ningún seis triple)= P(ningún seis)+P(1 solo seis)+P(2 seises).
P(ningun seis)=( 56 ) 20; P(1 solo seis)=C20,1. 16 .( 56 ) 19 dado que hay que elegir entre los 20 sitios
aquel en el que colocamos el seis, la probabilidad de este es de 1/6 y la de los 9 restantes de 5/6
para cada uno.
P(2 seises)=C20,2( 16 ) 2 ( 56 ) 18 Por las mismas razones anteriores.
Por tanto P(al menos un seis triple)= 1-(( 56 ) 20  C 20,1 16 ( 56 ) 19  C 20,2 ( 16 ) 2 ( 56 ) 18 
4. P(no salgan en orden correlativo)=1-P(salgan en orden correlativo)=1-( 101 19 18 17 16 15 14 13 12 
(Sucesos dependientes)

Pág12
5. U1={10B,20N}, U2={8B,6N}. Queremos extraer una bola negra de U2 después de introducir
las dos de U1. Los sucesos que nos sirven son por lo tanto: (B,B,N), (B,N,N), (N,B,N) y
(N,N,N), como todos ellos son incompatibles la probabilidad pedida será la suma de las
probabilidades de los sucesos mencionados:
P(negra U2)=P(B,B,N)+P(B,N,N)+P(N,B,N)+P(N.N.N)= 10 9 6 10 20 7 20 10 7 20 19 8
30 29 16  30 29 16  30 29 16  30 29 16
6. a) no es función de probabilidad pues Pa1)+P(a2)+P(a3)=13/12>1
b) No es función de probabilidad pues p(a2)=-1/3<0
c) y d) si son funciones de probabilidad al verificar los 3 axiomas.
7. A= ”tener cabello castaño), B= ”tener ojos castaños”

A A’ Total
B 15 10 25
B’ 25 50 75
Total 40 60 100
a)P(B/A)=15/40; b)P(A’/B)=10/25; c)P(A’B’)=50/100

8. A=”ser mujer”, B=”Estudiar matemáticas

Conocemos P(A)=60/100=0,6; P(A’)=0,4 P(B/A)=10/100=0,1; P(B/A’)=25/100=0,25
Podemos por lo tanto hallar P(A,B)=P(A).P(B/A)=0,6. 0,1=0,06
También podemos calcular P(A’,B)=P(A’):P(B/A’)=0,4.0,25=0,1
Construimos ahora la tabla de contingencia de las probabilidades
B B’ Total
A 0,06 0,54 0,6
A’ 0,1 0,3 0,4
Total 0,16 0,84 1
0, 06
P(A/B)=  6 3
0, 16 16 8
9. 5 tubos: 2 defectuosos D y 3 no defectuosos D’
a) para que se suspenda en la segunda prueba han de salir los defectuosos en las dos primeras
pruebas. Es decir buscamos P(D,D)=2/5.1/4=2/20=1/10=0,1 (son sucesos dependientes)
b) Para que se suspenda en la tercera prueba el 2º defectuoso tiene que salir en esta, pudiendo
salir el 1º el la 1ª prueba o en la segunda. Por tanto:
P(suspenda 3ª)=P(D, D’,D)+P(D’DD)=2/5.3/4.1/3+ 3/5.2/4.1/3
10. A”Dar en el blanco” P(A)=0,4; P(A’)=0,6
A) P(2 veces en el blanco)=C4,2-0,6.0,6.0,4.0,4 Ya que tenemos que elegir primero los dos
lugares en los que dará en el blanco de entre los 4 posibles, siendo la probabilidad de los dos
que da en el blanco de 0,4 y la de los dos que no da en el blanco de 0,6
B) P(dar en el blanco al menos unavez)=1-P(no dar en el blanco ninguna vez)=1- 0,64
11. P(al menos dos varones)=1-P(menos de dos varones)
P(menos de dos varones)=(P(ninguno)+P(1solo)); P(ninguno)=P(m,m,m,m,m,m)=( 12 ) 6 siendo
m=”mujer”; P(1solo)=C6,1 12 ( 12 ) 5 Hay que escoger el sitio para colocar el varón de entre los 6
posibles, siendo la probabilidad de este de ½ y la de los 5 restantes de ½ cada uno. Así pues,
Peal menos dos varones)=1-(( 12 ) 6  C 6,1 ( 12 )( 12 ) 5
12. A=”ser mujer”, B=”aprobar” 4 hombres, 5 mujeres, aprueban el 80% de las mujeres es decir
5.80/100=4 y el 75% de los hombres es decir 4.75/100=3. Construimos la tabla de contingencia
B B’ Total
A 4 1 5
A’ 3 1 4
Total 7 2 9
P(A/B)=4/7

Pág13
13. Sea DA=”ser defectuoso en A”, P(DA)=0,03, P(DA’)=0,97
DB=”ser defectuoso en B”, P(DB)=0,04, P(DB’)=0,96
Dc=”ser defectuoso en C”, P(Dc)=0,08, P(Dc’)=0,92;
P(no defectuoso)=P(DA’,DB’DC’)=0,97.0,96.0,92 al ser sucesos independientes
14. A=” Estudiar inglés”, B=”ser hombre” Construimos la tabla suponiendo que hay 100 alumnos
A A’ Total
B 30%.90=27 40%.10=4 31
B’ 63 6 69
Total 90 10 100
P(B’)=69/100 , es decir el 69% son chicas
15. A=”salga uno de los temas estudiados”, Los sucesos que nos servirían serían: (A,A), (A,A’),
(A’,A) que son incompatibles entre si por lo que:
P(salir al menos uno de los estudiados)=P(A,A)+P(A,A’)+P(A’,A)= 15 14 15 10 10 15
25 24  25 24  25 24
16. Casos posibles P10=10!; Casos favorables=9P2P8 ya que hay 9 lugares en donde podamos
colocar a esas dos personas fijas, en cada uno de esos lugares ellas 2 pueden permutarse y los
otros 8 también.
17. El experimento es compuesto, primero tenemos que escoger la moneda entre las tres que
tenemos, cada una de ellas tiene una probabilidad de 1/3, y después tirarla y observar si sale
cara. Los 3 sucesos que nos sirven son: (1ª,c), (2ª,c), (3ª, c) y como son incompatibles la
probabilidad de obtener cara será la suma de las probabilidades de esos tres sucesos.
P(obtener cara)=P(1ª,c)+P(2ª,c)+P(3ª,c)=1/3.1/2+1/3.1+1/3.1/6
18. Sea A=”estar A”, B=”estar B”, LA=”que la llamada sea para A”, LB=”llamada para B”
P(A)=50/100=1/2, P(B)=75/100=3/4; P(LA)=2/5; p(LB)=3/5
P(no estar ninguno)=P(A’,B’)=1/2.1/4=1/8 (son independientes)
P(estarA cuando lo llamen)=P(A,LA)=1/2.2/5=2/10=1/5 (A y LA son independientes)
P(estar B cuando lo llamen)=P(B,LB)=3/4.3/5=9/20
19. Sea A=”proceder de la 1ªcasa proveedora”, A’=”proceder de la 2ª”
D=”ser defectuoso”, D’=”No ser defectuoso”
Conocemos p(A)=60/100=0,6; P(A’)=40/100=0,4, P(B/A)=0,4/100, P(D/A’)=1’5/100
Podemos calcular por tanto P(A,D)=P(A).P(D/A)=60/100.0,4/100=0,0024, de igual modo
P(A’,D)= P(A’).P(D/A’)=40/100.1’5/100=0,006
Construimos así la tabla de contingencia de probabilidades
D D’ Total
A 0,0024 0,5976 0,6
A’ 0,006 0,394 0,4
Total 0,084 0,9916 1
0, 0024 24 2
P(A/B)=  
0, 0084 84 7
20. Sea M=”mejorar”, A=”administrar el medicamento A”, B=”administrar el medicamento B”
Conocemos P(A)=3/5, P(B)=2/5; P(M/A)=78/100; P(M/B)=83/100
a) El experimento es compuesto, 1º elegimos un tubo y después se lo administramos y
observamos si mejora. Por tanto la probabilidad de que mejore vendrá dada por la suma de las
probabilidades de los dos sucesos incompatibles que nos favorecen: (A,M) y (B,M)
P(A,M)=P(A).P(M/A)=3/5.78/100; P(B,M)=P(B).P(M/B)=2/5.83/100
P(M)=P(A,M)+P(B,M)=3/5.78/100+2/5.83/100=0,8
B) Nos piden ahora P(A/M) y P(B/M), Dado que ya conocemos la P(M) hallada en el apartado
PA, M PB, M 2/5.83/100
anterior P(A/M)= PM  3/5.78/100  0, 585; P(B/M)=
PM   0, 415
0, 8 0, 8

Pág14
21. M=”aprobar matemáticas”, F=”aprobar filosofía”, conocemos P(F)=40/100, P(A)=50/100.
P(F/M)=0,6
a) P(M,F)=P(M).P(F/M)=50/100.0,6=30/100
A partir de ahí construimos la tabla considerando que son 100 alumnos
F F’ Total
M 30 20 50
M’ 10 40 50
Total 40 60 100
B) P(M/F)=30/40
22. Sea J =” acertar Juan”, P=”acertar Pedro”; P(J)=1/3, P(P)=1/4
A) La primera vez que se da en el blanco es la 2ª de Juan, entonces nos piden
P(J’,P’,J)=2/3.3/4.2/3=1/6
B) Nos piden que el primero que acierte sea Juan, nos sirven por lo tanto que Juan acierte a la
1ª, 2ª, 3º, 4ª, etc siempre que no lo haga antes Pedro es decir serían infinitos sucesos del
tipo:(J), (J’,P’,J), (J’,P’J’P’J), (J’P’J’P’J’P’J), etc. y nuestra probabilidad será la suma de las
probabilidades de esos infinitos sucesos. Observemos la probabilidad de algunos de ellos
P(J)=1/3
P(J’P’J)=2/3.3/4.1/3
P(J’P’J’P’J)=2/3.3/4.2/3.3/4.1/3
P(J’P’J’P’J’P’J)=2/3.3/4.2/3.3/4.2/3.3/4.1/3
............................................................................
Si observamos esos números vemos que cada uno de ellos se puede obtener del anterior
multiplicándolo por 2/3.3/4=6/12=1/2. Se trata de una progresión geométrica de razón ½
Los infinitos términos de una progresión geométrica se pueden sumar siempre que su razón sea
menor que la unidad, que es nuestro caso, la fórmula que permite sumar esos infinitos términos
a
es la siguiente: S= 1 siendo a1 el primer término de la progresión y r la razón de la misma.
1r
Por lo tanto la probabilidad que buscamos será S= 1/3  2
1  1/2 3
23. Consideremos los sucesos I=”ser ingeniero”, E=”Ser economista”, N=”no ser ingeniero ni
economista”, D=”ser directivo” D’=”no ser directivo”.
Conocemos P(I)=20/100, P(E)=20/100, P(N)=60/100; P(D/I)=75%; P(D/E)=50/100,
P(D/N)=20/100. Podemos por lo tanto calcular las intersecciones
P(I,D)=P(I).P(D/I)=20/100.75/100=15/100; P(E.D)=P(E).P(D/E)=20/100.50/100=10/100
P(N,D)=P(N).P(D/N)=60/100.20/100=12/100
Construimos ahora la tabla de contingencia suponiendo que son 100 trabajadores
I E N Total
D 15 10 12 37
D’ 5 10 48 63
Total 20 20 60 100
P(I/D)=15/37
24. Sea M=”Ser mujer”, F=”gustarle el futbol” Sabemos que son 400 alumnos y que el 60% son
mujeres, es decir hay 400.60/100=240 mujeres. Con este dato y los que nos da el problema
construimos la tabla de contingencia
M M’ Total
F 100 80 180
F’ 140 80 220
Total 240 160 400
A)P(M,F)=100/400=1/4; b)P(M/F)=100/180=5/9.
Los sucesos no son incompatibles porque su intersección no es vacía. Tampoco son
independientes ya que P(M)=240/400=3/5 y P(M/F)=5/9. P(M)  P(M/F) son dependientes

Pág15
 EJERCICIOS PROPUESTOS
1. Sabemos que P(A)=2/5, P(B)=1/3 y P(A   B    1/3. Calcula P(AB) y P(A B), ¿Son A y B
sucesos dependientes o independientes?
2. Sea A y B dos sucesos tales que P(A)=0,4, P(B)=0,3 y P(AB)=0,1. Calcula razonadamente:
a) P(A’B’), b) P(AB), c) P(A’B’) d) P(A/B). ¿Son los sucesos A y B dependientes o
independientes?
3. Sean A y B dos sucesos tales que P(AB)=3/4, P(B’)=2/3, P(AB)=1/4. Halla P(B), P(A) y
P(A’B’). ¿Son A y B dependientes o independientes?
4. Si la probabilidad de que ocurran dos sucesos al mismo tiempo es p ¿cuál es la probabilidad de
que al menos uno de los dos no ocurra?
5. Dados dos sucesos independientes A y B, la probabilidad de que ocurran los dos a la vez es de
1/6 y la de que no ocurra ninguno de los dos de 1/3. Calcula las probabilidades de A y B
6. Sean A y B dos sucesos con P(A)=1/2 y P(B)=3/5. Prueba que si P(AB)=4/5 entonces A y B
son independientes
7. Un aparato electrónico está constituido por dos componentes A y B. Sabiendo que hay una
probabilidad de 0,58 de que no falle ninguno de los dos componentes y que en el 32% de los
casos falla B no habiendo fallado A, determina la probabilidad de que en uno de tales aparatos
no falle la componente A
8. Una urna A contiene 6 bolas blancas y 4 negras. Otra urna B tiene 5 blancas y 9 negras.
Elegimos una urna al azar y extraemos dos bolas, que resultan ser blancas ¿Cuál es la
probabilidad de que la urna elegida haya sido la A?
9. Se dispone de tres urnas: la A contiene 2 bolas blancas y 4 rojas, la B 3 blancas y 3 rojas y la C
1 blanca y 5 rojas. Se elige una urna al azar y se extrae una bola de ella. A) ¿Cuál es la
probabilidad de que sea blanca?, b) Si la bola extraída es blanca ¿cuál es la probabilidad de que
proceda de la urna B?
10. En cierto país un 12% de las personas padecen una enfermedad endémica. Se dispone de una
prueba para detectar la enfermedad, pero no es totalmente fiable ya que da positiva en el 90%
de los casos de personas enfermas y también da positiva en el 5% de personas sanas. ¿Cuál es
la probabilidad de que esté sana una persona a la que la prueba le ha dado positiva?
11. En tres máquinas A,B y C se fabrican piezas de la misma naturaleza. El porcentaje de piezas
defectuosas en cada máquina resulta ser del 1%, 2% y 3% respectivamente. Se mezclan 300
piezas, 100 de cada máquina, y se elige una pieza al azar. Si resulta ser defectuosa ¿cuál es la
probabilidad de que proceda de la máquina A?
12. Para 3 tiradores A, B y C la probabilidad de dar en el blanco es de 1/6, ¼ y 1/3
respectivamente. Si cada uno de ellos dispara una vez, halla: ) la probabilidad de que solo uno
acierte, b) la probabilidad de que al menos uno acierte.
13. El 2% de lis individuos de una población son diabéticos. Entre los diabéticos solo la mitad sabe
que lo es. Si se selecciona un individuo al azar ¿ cuál es la probabilidad de que sea diabético y
no lo sepa?
14. Se estima que el 30% de los habitantes de una población son obesos y que un 3% son
diabéticos. Si el 2% son obesos y tiene diabetes ¿Cuál es la probabilidad de que una persona
elegida al azar sea obesa o tenga diabetes? ¿Qué porcentaje de diabéticos hay entre los obesos?
15. En Santiago de Compostela el porcentaje de coches que necesitan un cambio de aceite es del
25% y el porcentaje de los que necesitan cambiar el filtro es de un 40%. El 14% de los coches
necesitan cambiar ambas cosas. a) Si sabemos que un coche va a cambiar el aceite ¿cuál es la
probabilidad de que tenga que cambiar el filtro?, b) Calcula el porcentaje de coches que
necesitan cambiar el aceite y no necesitan cambiar el filtro.
16. En una empresa en la que el número de mujeres es cuatro veces superior al de hombres se
constata que el 25% de los hombres y el 60% de las mujeres usan teléfono móvil. Encuentra la
probabilidad de que una persona elegida al azar use teléfono móvil. ¿cuál es la probabilidad de
ser mujer y tener móvil?
Pág16
 Probabilidad y Modelos probabilísticos
v 1.3

Gustavo Eduardo Vargas Núñez1

Patricia González Vaquero

Clases impartidas en el centro asociado Giner de los Ríos por la profesora Pilar Gutiérrez López.
Curso 2013-20142

1 Arquitecto técnico por la UPM y estudiante del grado en Economía por la UNED. [email protected]
2 Desde aquí queremos agradecer:
A los compañeros que envían feedback sobre estos apuntes, ya que ello ha permitido corregir numerosas erratas
y mejorar algunos aspectos. Así, poco a poco, nos ayudamos en mejorar estos apuntes, y por ende serán más
útiles a los futuros compañeros que tengan que afrontar la Probabilidad.
A la profesora Pilar. Siempre que ha podido, ha respondido todas las preguntas que le hemos hecho, y ha admitido
los posibles errores que ha cometido. Esa humildad se está perdiendo.
Capítulo 1

Probabilidad

• El espacio muestral es el conjunto de los posibles resultados del fenómeno que se produce. Se
representa con E.

• Por ejemplo, si tiramos un dado el espacio muestral sería:

E = {1, 2, 3, 4, 5, 6}

Si tirásemos una moneda a cara o cruz, el espacio muestral sería:

E = {cara; cruz}

Si tirásemos dos monedas a cara o cruz, el espacio muestral seria:

E = {(cara; cara); (cara; cruz ); (cruz; cara); (cruz; cruz )}

• Un suceso es cualquier subconjunto del espacio muestral. En el caso del dado, {3} sería un suceso
elemental. Por otra parte, el suceso {número par} sería igual al subconjunto {2, 4, 6}, luego, sería
un suceso compuesto

• Un suceso A está dentro del espacio muestral: A ⊂ E, como es lógico

• La estadística se va a ocupar de medir el grado de incertidumbre o posibilidad que tiene de ocurrir

los sucesos que componen el espacio muestral E.

• La unión de 2 sucesos estará formada por todos aquellos sucesos elementales que bien pertenence
a un suceso o al otro
S = S1 ∪ S2

1
CAPÍTULO 1. PROBABILIDAD 2

• La intersección de dos sucesos estará formada por todos aquellos sucesos elementales que simul-
táneamente pertenezcan a los dos sucesos

S = S1 ∩ S2

• Suceso complementario: está formado por todos aquellos elementos que no pertenecen a S. Se
representa con muchas anotaciones diferentes:

S∗ = SC = S ; S∗ = E − S

• Lo que queremos es aprender a calcular la probabilidad;

P {S} = la medida de la incertidumbre

• Formas de medirla:

ß Funciones clásicas:

1. Laplace define la probabilidad de realización de un determinado suceso como los casos

favorables a dicho suceso entre los casos posibles del espacio muestral.

favorables cardinal de S
Laplace = =
posibles caridnal de E

donde cardinal = nro de elementos

ß Proposiciones:
a) P {S} ≥ 0: Para cualquiera de los sucesos que hemos planteado
b) P {S} ≤ 1: El máximo coincidirá con la probabilidad de E
c) Si S1 ∩ S2 = Ø: los succesos son incompatibles, es decir, no tienen ningún elemento
en común
. Si son incompatibles P {S1 ∪ S2 } = P {S1 } + P {S2 }
2. Definición frecuentista: Se parte de una situación de un experimento que se puede repetir.
Entonces cada una de las veces tendrá una frecuencia n
N y a medida que va creciendo
CAPÍTULO 1. PROBABILIDAD 3

N →∞
n
lı́m = P {S}
N →∞ N

ß Lo que realmente vamos a utilizar es la definición axiomática de Kolmogorov

1.1. Definición axiomática de Kolmogorov

• P será una probabilidad si cumple las siguientes propiedades:

1. P {S} ≥ 0: La probabilidad de cualquier suceso es igual o mayor que cero

2. P {E} = 1: La probabilidad del espacio muestral es 1
3. Dada una colección infinita de sucesos incompatibles dos a dos (S1 ∩ S2 = Ø), la probabi-
lidad de la unión de todos los sucesos elementales es igual a la suma de las probabilidades
individuales ∞
∞ X
P { ∪Si } = P {Si }

ß A partir de estas definiciones podemos demostrar todas las probabilidades:

1. P {Ø} = 0. Donde Ø es el suceso imposible

ß Ejemplo: Si la P {A} = 0, entonces:

a) A = Ø c) Puede ser A o B
b) A 6= Ø d) Ninguna de las anteriores

Respuesta: c
2. P {S1 ∪ S2 } = P {S1 } + P {S2 } − P {S1 ∩ S2 }
3. Si tenemos dos sucesos S1 ⊂ S2 → P {S1 } ≤ P {S2 }
ß Ejemplo: Si tenemos P {A} = 1
3 ˆ P {B} = 12 , entonces:

a) A ⊂ B c) Ni A ni B
b) A * B d) Puede ser A o B

Respuesta: d
4. P {S} ≤ 1
5. P {S ∗ } = 1 − P {S}

1.2. Probabilidad condicionada

• Se trata de analizar de qué modo la realización de un suceso condiciona de alguna manera la
probabilidad de la reacción del otro.
CAPÍTULO 1. PROBABILIDAD 4

• Dada un suceso S cuya P {S} ≥ 0, para cualquier otro suceso, la P {S1 /S} es el valor de P {S1 }
P {S1 ∩S}
condicionado a S → P {S1 /S} = P {S}

• Es decir, el hecho de que se haya producido S, va a modificar la probabilidad de S1

ß Ejemplo: Si somos 20 personas, de las cuales hay 8 mujeres y 12 hombres; entonces si yo

decido que el suceso S1 es que sea mujer, la probabilidad de S1 es 20 .
8
Ahora, cuál sería la
probabilidad de que sea P epa = S2 , sabiendo que es una mujer?

8 1
P {S1 } = ; P {S2 } = P {S2 ∩ S1 } =
20 20

P {S2 ∩ S1 } 1/20 1
P {S2 /S1 } = =8 =
P {S1 } /20 8

1.3. Teorema: Regla de multiplicación

• Dados n sucesos S1 , . . . , Sn , la probabilidad de la intersección de todos ellos es una cadena de
producto de:
n
\
P{ Si } = P {S1 } ∗ P {S2 /S1 } ∗ P {S3 /S1 ∩ S2 } ∗ ... ∗ P {Sn /S1 ∩ S2 ∩ ... ∩ Sn−1 }
i=1

• Esto se utiliza poco

1.4. Teorema de la probabilidad total

• Nos dice que la P {A} es el sumatorio de las probabilidades de Si y de cada uno de ellos por la
P {A/Si }, siempre que los sucesos Si ∩ Sj = Ø y A ∩ Si 6= Ø:

n
X
P {A} = P {Si }P {A/Si }
i=1

1.5. Teorema de Bayes

En las mismas hipótesis que el teorema anterior, se verifica:

P {A/Si }P {Si }
P {Si /A} = P
n
P {A/Si }P {Si }
i=1

donde P {Si /A}P {A} = P {Si }P {A/Si }

CAPÍTULO 1. PROBABILIDAD 5

1.6. Independencia de sucesos

• Dos sucesos son independientes si P {S1 /S2 } = P {S1 }:

P {S1 ∩ S2 } P {S1 }
P {S1 /S2 } = = = P {S1 } → P {S1 ∩ S2 } = P {S1 }P {S2 }
P {S2 } P {E}

El concepto de independencia es simétrico: si S1 es independiente de S2 , S2 es también indepen-

diente de S1

• Si S1 ∩ S2 = Ø entonces son dependientes, excepto si P {S1 } = P {S2 } = 0, en cuyo caso serían

independientes.

• P {S1 ∩ S2 } = P {S1 }P {S2 } > 0 porque son independientes

ß Ejemplo: Si S1 y S2 son independientes:

a) Son incompatibles c) Pueden ser A o B

b) Son compatibles d) Ninguna de las anteriores

Respuesta: b

Si dos sucesos son incompatibles implica que son dependientes. También se verifica en la otra
dirección.

ß Ejemplo: Tiramos un dado con E = {1; 2; 3; 4; 5; 6}:

1 1
S1 = {1; 2; 3} = ; S2 = {3} =
2 6

Para que sean independientes se ha de cumplir P {S1 ∩ S2 } = P {S1 }P {S2 }. Sabemos que
S1 ∩ S2 = {3}, luego también sabemos que P {S1 ∩ S2 } = P {3} = 61 . Luego:

1 1 1 1
P {S1 ∩ S2 } = P {S1 }P {S2 } = ∗ = 6=
2 6 12 6

Luego, los sucesos no son independientes

• Independiente⇒Compatible. Compatible→dependientes o independientes.

1.7. Leyes de Morgan

1. A ∪ B = A ∩ B. El complementario de la unión es la intersección de los complementarios

2. A ∩ B = A ∪ B. El complementario de la intersección es la unión de los complementarios

CAPÍTULO 1. PROBABILIDAD 6

1.8. Ejercicios
1.8.1. Ejercicio 1
En la entrada de una Facultad hay 3 fotocopiadoras, A, B y C, cuyos porcentajes de fallo son P {F /A} =
0,03; P {F /B} = 0,05; P {F /C} = 0,04:

1. Cuál es la probabilidad de obtener una fotocopia defectuosa?

La probabilidad de elegir una al azar es igual para las tres: P {A} = P {B} = P {C} = 1
3

P {F } = P {A}P {F /A} + P {B}P {F /B} + P {C}P {F /C}

P {F } = 13 0,03 + 31 0,05 + 13 0,04 = 0,04

2. Un alumno elige una al azar. Al llegar a clase observa que su fotocopia es defectuosa, cuál es la
probabilidad de que estuviera hecha por la máquina B?
1
P {B∩F } P {B}P {F /B} 0,05
P {B/F } = P {F } = P {F } = 3
0,04 = 0,41

1.8.2. Ejercicio 2
Un sistema está provisto de una alarma que suena del siguiente modo: cada día, sin importar lo que
haya ocurrido anteriormente, la probabilidad de que haya peligro es de 0,002; si hay peligro la alarma
se dispara con probabilidad del 0,999; si no hay peligro con probabilidad del 0,01.

1. Cuál es la probabilidad de que suene la alarma?

P {P } = 0,002 → P {P } = 0,998
P {S/P } = 0,999
P {S/P } = 0,01
Aplicando el teorema de la probabilidad total:

P {S} = P {P }P {S/P } + P {P }P {S/P } = 0,002 ∗ 0,999 + 0,998 ∗ 0,01 = 0,0119

2. Halle la probabilidad de que haya peligro y no suene la alarma

P {S/P } = 1 − P {S/P } = 1 − 0,999 = 0,001

3. Si suena la alarma, cuál es la probabilidad de que haya peligro?

P {P ∩S} P {P }P {S/P } 0,002∗0,999
P {P /S} = P {S} = P {S} = 0,0119 = 0,1678
CAPÍTULO 1. PROBABILIDAD 7

1.8.3. Ejercicio 3
Una gestora de patrimonio administra tres fondos de inversión: El fondo A es un FIAMM1 , el B es
un FIN2 y el C es de Renta Variable3 . El patrimonio de cada uno de ellos se eleva a 1,4, 0,85 y 0,75
millones, respectivamente. Dada la elevación de los tipos de interés, la probabilidad de que la gestora
obtenga rendimientos anuales positivos es 99 %, 60 % y 75 %, respectivamente. Se entiende que la
probabilidad de invertir en cada uno es proporcional a su importe. Un inversor invertió 1 millón de euros
en uno de dichos fondos y obtuvo una rentabilidad nominal inferior a la inflación.

1. Cuál es la probabilidad de que dicho fondo fuera el C?

• Datos:
1,4 0,85
ß P {A} = 1,4+0,85+0,75 = 0,46̄ ; P {B} = 1,4+0,85+0,75 = 0,283̄ ; P {C} =
0,75
1,4+0,85+0,75 = 0,25
ß P {π/A} = 0,99 ; P {π/B} = 0,6 ; P {π/C} = 0,75 → P {π/C} = 0,25
• Nos piden P {C/π}:
ß
P {C ∩ π} P {C}P {π/C} 0,25 ∗ 0,25
P {C/π} = = =
P {π} P {π} P {π}
ß P {π} = 1 − P {π}. Aplicando el teorema de la probabilidad total:

P {π} = P {A}P {π/A} + P {B}P {π/B} + P {C}P {π/C} = 0,46̄ ∗ 0,99 + 0,283̄ ∗ 0,6 + 0,25 ∗ 0,7

ß Sustituyendo: P {π} = 1 − P {π} = 1 − 0,8195 = 0,1805. Luego:

0,25 ∗ 0,25 0,25 ∗ 0,25

P {C/π} = = = 0,346
P {π} 0,1805

1
Fondos de Inversión en Activos del Mercado Monetario. Se compone de títulos del mercado monetario a corto plazo:
Letras del Tesoro, Bonos y Pagarés de empresa
2
Fondos de Inversión Mobiliaria de Renta Fija. Se dice que está “fiamizados”, es decir, que preferentemente invierten en
Deuda Pública, Bonos, Obligaciones, Instrumentos monetarios y Pagarés de empresa con vencimientos próximos a cumplir
3
Son títulos corporativos o de participación. Se cobra dividendos por los títulos y si la sociedad tuviese que liquidarse,
los dueños de los títulos recibirían una parte proporcional del capital. El valor de los títulos depende del desempeño de la
compañía, de los beneficios generados y su cotización en bolsa.
Capítulo 2

Variable Aleatoria Unidimendional

2.1. Variable Aleatoria

• El modelo matemático que explica el comportamiento de los resultado de los experimentos alea-
torios está compuesto por 3 elementos:

ß (E; Ω; P )
. E: Espacio muestral
. Ω: Todos los posibles sucesos
. P : Probabilidad de los sucesos

• Una variable aleatoria es una función real que asocia a cada suceso elementar un valor real con
el objetivo de operar. E → R

ß Ejemplo: Tiramos una moneda, con E = {cara(c); cruz (x)}. Hacemos:

ξ (c) = 0 ; ξ (x) = 1

Hemos asignado valores a los sucesos con lo cuál el manejo matemático es más sencillo

2.2. Función de distribución

• Una variable aleatoria queda definida cuando conocemos su campo de variación y el conjunto de
probabilidades con que toma valores

• La función de distribución es aquella v.a. cuya probabilidad del suceso cumple {ξ ∈ (−∞; x]} y
se designa por F (x) = P {ξ ≤ x} ; 0 ≤ F (x) ≤ 1, ya que como vimos, la probabilidad no puede
ser negativa ni mayor que uno.

• Propiedades de la función de distribución:

8
CAPÍTULO 2. VARIABLE ALEATORIA UNIDIMENDIONAL 9

1. F (−∞) = 0 ; F (+∞) = 1
2. P {x1 < ξ ≤ x2 } = F (x2 ) − F (x1 )
3. La función es monótona no decreciente. Esto significa que si x1 < x2 → F (x1 ) ≤ F (x2 )
4. La función es continua por la derecha

ß Ejemplo: Tiramos un dado y puede salir {1; 2; 3; 4; 5; 6}

 


 x<1 F (x) = 0 


1
 
1 ≤ x < 2 F (x) =

 

6

 

 
 2
 2 ≤ x < 3 F (x) =
 

 
 6 

F (x) 3 ≤ x < 4 F (x) = 3
6
Hay probabilidad acumulada conforme aumenta el valor de x
 
4
4≤x<5
 



 F (x) = 6




5
 
5≤x<6 F (x) =

 

6

 

 
x≥6
 
 F (x) = 1 

2.3. Variables Aleatorias Discretas

• Cuando el campo de variación se compone de un nº finito de puntos, existiendo en ellos masa
discreta. Estos puntos reciben el nombre de Puntos de Salto.

• La cantidad de masa de probabilidad en un punt xi recibe el nombre de Función de Cuantía de

la variable aleatoria y se designa por P {ξ = xi } = pi

1. La suma de todas las probabilidades debe ser igual a la unidad: P {ξ = xi } =

P P
pi = 1
2. Las probabilidades individuales deben estar acometidas entre 0 ≤ pi ≤ 1

2.4. Variables Aleatorias Continuas

• Una variable aleatoria es continua si su función de distribución, F (x), es continua, la primera
derivada existe y ésta, a su vez, es continua.

• Propiedades de la función de densidad:

x́
ß F (x) = f (x) dx siendo f (x) :función de densidad
−∞

1. f (x) ≥ 0
+´∞
2. f (x) dx = 1
−∞

• Si X es discreta: para cualcular P {2 ≤ x ≤ 7} basta sumar la probabilidad que hay en el intervalo

• Si X es continua: para cualcular P {2 ≤ x ≤ 7} hay que efectuar un proceso de integración en el

intervalo [2; 7]
CAPÍTULO 2. VARIABLE ALEATORIA UNIDIMENDIONAL 10

2.5. Ejercicios
2.5.1. Ejercicio 1
ξ 0 1 2
pi 0,3̄ 0,5 0,25
Fi 0,3̄ 0,83̄ 1,08

• Es una función de cuantía?

ß Para ello, ha de cumplir dos condiciones:

1. 0 ≤ pi ≤ 1. Cumple: cualquier pi está en ese intervalo
2. pi = 1. No lo cumple:
P P
pi = 1,08 > 1

2.5.2. Ejercicio 2
ξ 0 1 2
pi 0,2 0,4 0,4
Fi 0,2 0,6 1

• Es una función de cuantía?

ß Para ello, ha de cumplir dos condiciones:

1. 0 ≤ pi ≤ 1. Cumple: cualquier pi está en ese intervalo
2. pi = 1. Cumple
P

• Cuál seria su función de distribución?




 0 x<0

 0,2 0 ≤ x < 1

ß F (x)
 0,6 1 ≤ x < 2



1 x≥2



2.5.3. Ejercicio 3
(
1/2 15 ≤ x ≤ 17
Dada la función f (x) =
0 x∈
/ [15; 17]

1. Pruebe que sea una función de densidad:

a) f (x) ≥ 0. Cumple
+´∞ ´
17
x 17 17−15
= 1. Cumple

b) f (x) dx = 1 → 1/2 dx = 2 15 = 2
−∞ 15

2. Halle las siguientes probabilidades:

CAPÍTULO 2. VARIABLE ALEATORIA UNIDIMENDIONAL 11

a) P {ξ ≤ 17} = 1. Obvio, ya que 17 es el extremo superior del intervalo y ya se ha acumulado

toda la probabilidad
b) P {ξ ≤ 14} = 0. Como 14 es menor que el extremo inferior, aún no habrá acumulado nada
de probabilidad.

3. Halle la función de distribución:




 0 x ≤ 15 x́
x−15 1 x x x−15

a) F (x) = 2 15 ≤ x ≤ 17 ← 2 dx = 2 15 = 2

 15
 1 x > 17

2.5.4. Ejercicio 4
 √
 x 0≤x≤ 2
Dada la función f (x) = h √ i
 0 x∈
/ 0; 2

1. Es una función de densidad?:

a) f (x) ≥ 0. Cumple
√
+´∞ ´2 i √2
x2
b) f (x) dx = 1 → x dx = 2 0 = 2
2 = 1. Cumple
−∞ 0

2.5.5. Ejercicio 5
(
k ( x2 − 1 ) x ∈ [0; 2]
Dada la funciónf (x) = , se puede asegurar que exista una constante
0 / [0; 2] (resto)
x∈
k, tal que la función f (x) sea:

a) Función de densidad c) Función de cuantía

b) Función de distribución d) Ninguna de las anteriores
Respuesta: d)

• No es una función de cuantía porque es una variable continua y no una discreta. Lo que se puede
ver a simple vista.

• No es una función de densidad porque no cumple los requisitos:

1. f (x) ≥ 0. Necesitamos saber el valor de k

+´∞ 2́ i2
kx3
2. f (x) dx = 1 → k (x2 − 1) dx = 3 − kx = 23 k = 1 → k = 23 . Lo cumple
−∞ 0 0
con k = 3
2

ß Pero ahora examinamos la primera condición con esa k:

. f (0) = 23 (02 − 1) = − 23 ; f (2) = 32 (22 − 1) = 9
2
. En x = 0 → f (x) < 0 ⇒ No es función de densidad
CAPÍTULO 2. VARIABLE ALEATORIA UNIDIMENDIONAL 12

• No es una función de distribución porque:

ß Hallamos k: En el extremo x = 2 , F (x) = 1 → k (22 − 1) = 1 → k = 1

3

ß Todos los valores de F (x) dentro del intervalo deben ser positivos. Miramos en el extremo:
F (0) = 13 (02 − 1) = − 13 < 0. Luego, tampoco es función de distribución

2.5.6. Ejercicio 6
(
1−x 0 ≤ x ≤ 1
Dada la función f (x) = , se puede asegurar f (x) es:
0 resto
a) Función de densidad c) Función de cuantía
b) Función de distribución d) Ninguna de las anteriores
Respuesta: d)

• No es una función de cuantía porque es una variable continua y no una discreta. Lo que se puede
ver a simple vista.

• No es una función de densidad porque no cumple el segundo requisito:

1. f (x) ≥ 0. Cumple
+´∞ 1́ i1
x2
2. f (x) dx = 1 → 1 − x dx = x − 2 0 = 1 − 12 = 1
2 6= 1. Luego, no es función de
−∞ 0
densidad.

• No es una función de distribución porque:

ß No es monótona no-decreciente (a medida que aumenta x, en lugar de crecer, decrece)

ß Tampoco es acumulativa
Capítulo 3

Ejercicios de los temas 1 a 3

3.1. 2013 SEP A Ejercicio 1


k ∗ |x| si − 1 ≤ x ≤ 1
Dada una variable aleatoria ξ con función de densidad f (x) = su esperanza
0 resto de R
será:

a) 0 c) 32
b) 14 d) Ninguna de las anteriores
Respuesta: a

• Es simétrico y por ende, la esperanza estará en el punto medio, que en este caso es x = 0. Si no
lo vemos claro, no pasa nada, lo hacemos. Hallamos k:

ˆ
+1 ˆ1 ˆ1 #1
1 kx2 k 1
k ∗ |x| dx = 2 ∗ k ∗ x dx = 1 → k ∗ x dx = → = = → k=1
2 2 0
2 2
−1 0 0

Ya tenemos f (x), ahora hallamos su esperanza:

ˆ1 ˆ0 ˆ1 #0 #1
2 2 −x3 x3 1 1
E (x) = x ∗ |x| dx = − x dx + x dx = + =− + =0
3 −1
3 0
3 3
−1 −1 0

Luego, E (x) = 0

3.2. 2013 SEP A Ejercicio 2

Entre todos los posibles números de siete cifras formados por dígitos 1 al 7, en los que cada dígito
figura una única vez (no se repite ninguno), se elige un número al azar. La probabilidad de que sea

13
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 14

múltiplo de 4 es:
4 5
a) 21 c) 21
b) 11
21 d) Ninguna de las anteriores
Respuesta: c)
casos f avorables
• P {A} = casos posibles

ß Casos posibles: 7!
ß Casos favorables: Hay que recordar que los múltiplos de 4 son todos aquellos cuyas dos
últimas cifras sean múltiplos de 4. En este caso, hemos de contarlas, recordando que sólo
podemos usar cifras del 1 al 7. Serían: 12, 16, 24, 32, 36, 52, 56, 64, 72 y 76, ergo, son 10
casos.
. Luego los casos favorables son: 5!*10
ß Luego, la probabilidad sería: P {A} = 5!∗10
7! = 10
7∗6 = 10
42 = 5
21

• Múltiplos de:
2: Acabados en número par
3: Sumatorio de todas las cifras sea múltiplo de 3
4: Los dos últimos dígitos sean múltiplos de 4
5: Acabado en 0 ó 5
6: Divisible entre 2 y 3
8: Las 3 últimas cifras divisibles entre 8
9: La suma de los dígitos sea divisible entre 9

3.3. 2013 SEP A Ejercicio 7


kx−3 si x ≥ 1 ˆ 0 ≤ y ≤ 2
Dada una variable aleatoria (ξ, η ) con función de densidad f (x, y ) =
0 resto de R2
función de densidad, las variables ξ y η serán :

a) Independientes c) Idénticamente distribuidas

b) Dependientes d) Ninguna de las anteriores
Respuesta: a

ˆ2 ˆ∞ ˆ2 ˆ∞ ˆ2 ∞ ˆ2  
k k k k ky 2

dx dy = 1 ; dx dy = dy = dy = =k=1
x3 x3 −2x2 1 2 2 0
0 1 0 1 0 0
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 15

y obtenemos que:

ˆ2 2 ˆ∞ ∞
1 y 2 1 1 1
f (x) = 3
dy = 3 = 3 ; f (y ) = 3
dx = =
x x 0 x x −2x2 1 2
0 1

y como f (x, y ) = f (x) ∗ f (y ) ; k

x3
= 2
x3
∗ 1
2 → son independientes

3.4. 2013 SEP A Ejercicio 9

Si los sucesos A y B son dependientes, se verifica siempre que P {A ∩ B} es:

a) > 0 c) ≥ 0
b) 0 d) Ninguna de las anteriores
Respuesta: c

• Que sean independientes significa que, dados dos sucesos A y B dentro de un Ω, la proporción
de A ∩ B dentro de B ha de ser la misma que la de A dentro de Ω. Como P {Ω} = 1:

P {A ∩ B} P {A}
= → P {A ∩ B} = P {A} ∗ P {B}
P {B} P {Ω}

P {A∩B} P {A}
Si son dependientes, significa que la proporción P {B} 6= P {Ω} , y para que no se cumpla,
P {A ∩ B} podrá ser mayor o igual a cero.

3.5. 2013 JUN 2da Ejercicio 1

Si se tiran simultáneamente dos dados, uno rojo y otro verde. La probabilidad de que la suma sea mayor
que el producto será:

1 11
a) 36 c) 36
5
b) 36 d) Ninguna de las anteriores
Respuesta: c

∗ favoralbes 11
P {i + j > i ∗ j} = P {1 + j > j} = =
totales 36
• ∗i + j > i ∗ j si, y solo si, i = 1 → 1 + j > j. Luego son 11 casos (1 ∗ j tiene 6 casos, y i ∗ 1
otros 6, teniendo en cuenta que 1 ∗ 1 ha de contarse sólo una vez), de 36 casos posibles (6 ∗ 6).
Casos totales: 36 ; casos favorables: 11.
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 16

3.6. 2013 JUN 2da Ejercicio 2


1 si 0 ≤ x ≤ 1 ˆ 0 ≤ y ≤ 1
Dado una v.a. (ξ, η) y f (x) = su función de densidad, entonces la
resto de R2
0

función de distribución F (x, y ) en 0 ≤ x ≤ 1 e y ≥ 1 es:

a) F (x) = xy c) F (x) = x
b) F (x) = x
2 d) Ninguna de las anteriores
Respuesta: c
ý x́
• La función de distribución para el par (x, y ) sería F (x, y ) = 1 dxdy = xy
00

• Si y ≥ 1 ya acumula toda su probabilidad y que sólo varía x: F (x, y ) = x ∗ 1 = x. Luego, es la c

3.7. 2013 JUN 2da Ejercicio 7

La función de densidad de la variableξ es f (x) = en el intervalo [+2, +3] y nula en el resto de la
2x
5
recta real. Si se define η = −ξ, su función de densidad será g (y ):

a) 2y
5 si 2 ≤ y ≤ 3 y nula en el resto c) −2y
5 si − 3 ≤ y ≤ −2 y nula en el resto
b) 5y
2 si − 3 ≤ y ≤ −2 y nula en el resto d) Ninguna de las anteriores
Respuesta: c
x́ ix
x2 x2 −4
• Primero hallamos F (x) = 2
5 x dx = 5 2 = 5
2

• Hallamos el intervalo de η : [−3; −2]

• G(y ) = P {η ≤ y} = P {−ξ ≤ y} = P {ξ ≥ −y} = 1 − P {ξ ≤ −y} = 1 − F (−y ) =

η =−ξ
(−y )2 −4 y2
 
9
1− 5 = 5 − 5
 
−2y
• g (y ) = G0 {y} = 0 + − 2y
5 = 5

• Luego, la respuesta es la c

3.8. 2013 JUN 2da Ejercicio 10

Dados dos sucesos A y B, independientes, si C suceso tal que P {C} > 0, se verificará que:

a) P {A/C} ∗ P {B/C} = P {A ∩ B/C} c) P {A/C} ∗ P {B/C} = 1

b) P {A/C} ∗ P {B/C} = 0 d) Ninguna de las anteriores
Respuesta: d
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 17

• En estos casos buscamos un contrajemplo. Supongamos unos sucesos A, B y C tales que:

A = {(1, j )} B = {(i, 1)} C = {(1, 1); (1, 2); (2, 1)}

Luego tendrán unas probabilidades:

2 2 1
P {A/C} = 3 P {B/C} = 3 P {A ∩ B/C} = 3

donde no se cumple las opciones a), b) ni c).

3.9. 2013 JUN 1ra Ejercicio 1

Cinco antigüos compañeros organizan una cena y se sientan arbitrariamente, alrededor de una mesa
redonda. Qué probabilidad habrá de que, dos de ellos, A y B se sienten juntos?:

1 1
a) 24 c) 12
1
b) 48 d) Ninguna de las anteriores
Respuesta: d
• Siendo S = {A y B se sientan juntos}, la probabilidad de S será:

favorables 2 ∗ 5 ∗ 3! 60 1
P {S} = = = =
posibles 5! 120 2

ß 2 opciones: AB y BA
ß 5 personas distintas
ß 3! sujetos que pueden combinarse como quieran

3.10. 2013 JUN 1ra Ejercicio 4


2e−(2x+y ) si x > 0 ˆ y > 0
Dado una v.a. (ξ, η) y f (x, y ) = su función de densidad. Entonces
0 resto de R2
P {ξ > η} es:

a) 12 c) 41
b) 13 d) Ninguna de las anteriores
Respuesta: b
• Dado que ξ > η está delimitado por la recta y = x, calculamos:
´ x́ −(2x+y )
∞ ´ h −(2x+y ) ix
∞ ´
∞
P {ξ > η} = 2e dydx = −e dx = e−2x − e−3x dx =
0 0 0 0 0
´
∞
−2x
´
∞ i∞
= 1
− 2 − 2e + 31 − 3e−3x dx = 1 −2x
−2e + 1 −3x
3e = (−0 + 0) − (− 12 + 13 ) = 1
3
0 0 0
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 18

3.11. 2012 SEP Ord Ejercicio 3

Si se tira un dado, los sucesos “par” e “impar” son:

a) Dependientes c) Elementales
b) Independientes d) Ninguna de las anteriores
Respuesta: a

• Dos sucesos son dependientes si, por ejemplo, P {par/impar} = P {par}

• Si: P {par} = 1
2

P {par∩impar}
• Luego: P {par/impar} = P {impar} = 0 6= P {A}

• Lo que implica que “par” e “impar” no son independientes, luego serán dependientes. Lo que son
es disjuntos o incompatibles.

3.12. 2012 SEP Ord Ejercicio 5

La variable aleatoria bidimensional (ξ, η )tiene la siguiente función de cuantía: P {1, 1} = P {2, 1} = 2
5
y P {1, 2} = 51 . La función de cuantía marginal de ξ es:

3 2 2 3
a) P {ξ = 1} = 5 y P {ξ = 2} = 5 c) P {ξ = 1} = 5 y P {ξ = 2} = 5
b) P {ξ = 1} = 4
5 y P {ξ = 2} = 1
5 d) Ninguna de las anteriores
Respuesta: a

• Se calcula sumando las probabilidades de que:

2 1 3
ξ = 1 → P {(1, 1)} ˆ P {(1, 2)} ⇒ + =
5 5 5
2
ξ = 2 → P {(2, 1)} =
5

3.13. 2012 JUN 2da Ejercicio 2

Dados los sucesos A y B con las siguientes probabilidades: P {A} = 0, 34 y P {B} = 0, 4 y P {A/B} =
0, 82. Cuál será la P {A/B}?:

a) 0, 02 c) 0, 034
b) 0, 012 d) Ninguna de las anteriores
Respuesta: a
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 19

• Dado que:
P {A ∩ B}
P {A/B} =
P {B}
Necesitamos P {A ∩ B}, que será: P {A ∩ B} = P {A} − P {A ∩ B}. Donde P {A ∩ B} lo obte-
nemos de:

P {A ∩ B}
P {A/B} = = 0, 82 ⇒ P {A∩B} = 0, 82 ∗ 0, 4 = 0, 328
P {B}

Luego, sustituyendo: P {A ∩ B} = 0, 34 − 0, 328 = 0, 012

P {A∩B}
• Y esto en la anterior: P {A/B} = P {B}
= 0,012
0,6 = 0, 02

3.14. 2012 JUN 1ra Ejercicio 1

La función f (x) = 1 − |x|para los valores x del intervalo [−a, +a] y nula en el resto de la recta real,
será función de densidad si:

a) a = 2 c) a = 1
b) a = 1
2 d) Ninguna de las anteriores
Respuesta: c

• Para que sea función de densidad, debe cumplir los dos requisitos: la integral en el recinto debe
ser 1 y mayor o igual que cero en cualquier punto del recinto.

• La función 
x si x > 0
f (x) = |x|
−x si x < 0

ˆ ˆa
+ ˆ0 ˆa
+

f (x) dx = 1 = (1 − |x|) dx = (1 − |x|) dx + (1 − |x|) dx = 2a − a2 = 1

R −a −a 0

Despejando:
a2 − 2a + 1 = (a − 1)2 = 0 ⇒ a = 1

• Además, f (x) ≥ 0 ∀x/x ∈ [−1; +1]

3.15. 2012 JUN 1ra Ejercicio 2

En una urna hay dos bolas blancas y tres negras. Los jugadores A y B sacan cada uno una bola,
sucesivamente y sin devolverla a la urna. Gana aquél que obtiene una bola blanca en primer lugar. La
probabilidad de que gane el jugador que saca primero será:
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 20

a) 25 c) 54
b) 35 d) Ninguna de las anteriores
Respuesta: b

• El que saca primero escoge una bola dentro de un rango E = {B; B; N ; N ; N }, donde B es bola
blanca y N, bola negra. Luego, la probabilidad de que gane en su primer turno es P {1er turno} =
5.
2

• Para poder pasar a un segundo turno, debe haber obtenido una N en el 1er turno, y a su vez, el otro
jugador también haber obtenido una N. Luego, el rango de nuestro jugador gane en su segundo
turno sería BBN. La probabilidad de que gane en este turno sería P {2do turno} = 3
5 ∗ 42 ∗ 23 = 51

• La probabilidad total de que gane el jugador que saca primero será: P {1er jugador} = 2
5 + 15 = 3
5

3.16. 2011 SEP Ord Ejercicio 2

Una urna contiene 3 bolas blancas y 7 bolas negras. Si se extraen, sucesivamente, todas las bolas de la
urna, la probabilidad de que la segunda bola sea blanca es:

1 3
a) 15 c) 10
7
b) 30 d) Ninguna de las anteriores
Respuesta: c

3 2 7 3 3
P {2da B} = P {BB} + P {N B} = ∗ + ∗ =
10 9 10 9 10

3.17. 2011 SEP Ord Ejercicio 10

Dados los sucesos A y B, ambos diferentes del suceso imposible, e incompatibles (es decir A ∩ B = Ø)
se verifica:

a) Son independientes c) Pueden ser dependientes o independientes

b) Son dependientes d) Ninguna de las anteriores
Respuesta: c

• Dos sucesos incompatibles siempre son dependientes, exceptuando el caso en que la probabilidad
de ambos sea cero.

3.18. 2011 JUN 2da Ejercicio 1

√
Dada la función f (x) = x2 − 1 si 0 ≤ x ≤ 2 y nula en el resto de la recta real, se cumple que es
función:
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 21

a) De densidad c) Característica
b) De distribución d) Ninguna de las anteriores
Respuesta: d

• En el intervalor [0; 1] la función es menor que 0, negativa (f (0) < 0), por lo que no puede ser
función de densidad ni de distribución.

• Para que sea función característica tendría que cumplirse que f (0) = 1

3.19. 2011 JUN 2da Ejercicio 9

Dado un espacio probabilístico y un cierto suceso A, tal que P (A) = 0, siempre se verifica:

a) A = Ø c) A 6= Ø
b) No se puede presentar esta situación d) Ninguna de las anteriores
Respuesta: d

• Si fuese una variable continua, se verificaría que en cada punto x, P {ξ = x} = 0. Luego, el

enunciado no verifica que el suceso A sea imposible (A = O / ) ni que no lo sea (A 6= Ø). Dicho
esto, es obvio que esta situación se podría presentar.

3.20. 2011 JUN 1ra Ejercicio 2

Dada la función f (x) = e−x para 0 ≤ x ≤ 1 y nula en el resto de la recta real, se cumple que es
función:

a) Densidad c) De cuantía
b) Distribución d) Ninguna de las anteriores
Respuesta: d

• Para que sea función de densidad debe ser positiva en todo el intervalo y la integral de la función
en el intervalo debe ser igual a 1. Es positiva en todo el intervalo, pero su integral
ˆ 1 1 −1
e−x dx = −e−x 0 = −e−1 − (−e−0 ) = + 1 6= 1
0 e −1
6=0
e

luego es distinta de 1, y no puede ser función de densidad ni de distribución.

• Para que sea función de cuantía debe ser discreta.

CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 22

3.21. 2011 JUN 1ra Ejercicio 10

Dados los sucesos compatibles A y B, (es decir A ∩ B = Ø) se verifica:

a) Son independientes c) Pueden ser dependientes o independientes

b) Son dependientes d) Ninguna de las anteriores
Respuesta: c

• Dos sucesos compatibles pueden ser dependientes o independientes

3.22. 2011 JUN 1ra Problema 2

Un grupo de N estudiantes, siendo N > 1, consta de “a” estudiantes excelente, “b” buenos y “c”
medianos. En el examen de Inferencia Estadística, un estudiante excelente sólo puede obtener la califi-
cación de sobresaliente; uno bueno puede obtener con igual probabilidad un sobresaliente o un notable,
y un estudiante mediano puede conseguir con igual probabilidad las calificaciones de notable, suficiente
o insuficiente. En estas condiciones determine la probabilidad de que un estudiante, elegido al azar,
obtenga en el examen la calificación de notable o sobresaliente.

• Datos: Un grupo de N estudiantes, siendo N > 1, consta de alumnos:

1. E= excelentes → P {Sb /E} = 1

2. B= buenos → P {Sb /B} = P {N t/B} = 1
2

3. M = medianos → P {N t/M } = P {S/M } = P {I/M } = 1

3

ß Donde las calificaciones son Sb es soobresaliente; N t es notable; S es suficiente y I es

insuficientes

• Desarollo: Hallar P {alumno elegido al azar obtenga N t ó Sb} = P {Sb ∪ N t}

E
ß P {E} = E +B +M → P {Sb ∪ N t/E} = 1
B
ß P {B} = E +B +M → P {Sb ∪ N t/B} = 1
M 1
ß P {M } = E +B +M → P {Sb ∪ N t/M } = 3

ß Aplicando el teorema de la probabilidad total, tenemos:

E B 1 M 3E + 3B + M
P {Sb ∪ N t} = + + =
E+B+M E+B+M 3E+B+M 3(E + B + M )
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 23

3.23. 2011 SEP Ord Problema 2

Una fábrica, obligada por la presión de grupos ecologistas, ha instalado un sistema de filtrado de
emisiones. Sea ξ1 la variable que mide la contaminación en ausencia de filtrado y ξ2 la que proporciona
la información cuando se pone en marcha el sistema anticontaminante.
La función de densidad conjunta es f (x1 ; x2 ) si 0 ≤ x1 ≤ 2 ; 0 ≤ x2 ≤ 1 ; 2x2 ≤ x1 , siendo
nula en el resto.
Determine 1. P {ξ1 ≥ 3ξ2 } 2. Si se comprueba que η = ξ1 − ξ2 ≥ 1, determine la función de densidad
de dicha variable η

• Datos:

ß ξ1 = {variable que mide la contaminación en ausencia de filtrado}

ß ξ2 = {variable que proporciona información}

k si 0 ≤ x1 ≤ 2 ; 0 ≤ x2 ≤ 1 ; 2x2 ≤ x1
ß La función de densidad conjunta es f (x1 ; x2 ) =
0 resto

• Desarrollo:

1. P {ξ1 ≥ 3ξ2 }:
x1
+´∞ 2́ 1́
2́
x21 2
i
ß Como f (x) dx = 1, hallamos: k dx2 dx1 = k x1
2 dx1 =k 4 0 dx1 =k=1
−∞ 0 0 0
ξ1
ß Para poder ver el intervalo: ξ1 ≥ 3ξ2 → ξ2 ≤ 3
x1
2́ 3́ 2́ x1 2́
ξ1
ß Luego: P {ξ1 ≥ 3ξ2 } = P {ξ2 ≤ 3} = 1 dx2 dx1 = x]03 dx1 = x1
3 dx1 =
0 0 0 0
x1 2 2
3 0 = 3

2. η = ξ1 − ξ2 ≥ 1
ß La función de densidad de η será la derivada de la función de distribución. Así que
hallaremos primer la función de distribución por el método de cambio de variable.
ß Si sabemos que ξ1 − ξ2 ≥ 1
2́ x1´−y 2
ß P {η ≤ y} = P {ξ1 − ξ2 ≤ y} = 1 − 1 dx2 dx1 = 2y − 1 − y2 = G(y ) Función de
y 0
distribución
0
ß G (y ) = g (y ) = 2 − y Función de densidad

3.24. 2011 SEP Ord Problema 1

Dos amigos, igualmente hábiles, juegan una partida que quedará decidida tan pronto como uno de ellos
gane dos juegos. La probabilidad que tiene cada uno de ganar un juego es 20 ,
1
y la de empatar es 10 .
9

Cuál es la probabilidad de que la partida acabe, a lo sumo, en el décimo juego?

CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 24

• Datos:

1 9
ß P {ganar} = 20 ; P {empatar} = 10

ß Piden P {acabar en ≤ de 10 juegos}

• Desarrollo: P {acabar en ≤ de 10 juegos} = 1 − P {no acabar en 10 juegos} = 1 − 0,83̄ = 0, 17

ß {no acabar en 10 juegos} = (10 empates)+2*(1 victoria y 9 empates)+(vict A, vict B y 8 empates)

 10  9  2  8
ß P {no acabar en 10 juegos} = 9
10 + 1
20
9
10 ∗ 2 ∗ V10,1 + 1
20
9
10 V10,2 = 0,83̄
ß Ponemos V10,1 ; V10,2 porque la victoria puede estar en cualquier de los 10 juegos. V10,1 =
10 ∗ 1 = 10 ; V10,2 = 10 ∗ 9 = 90

3.25. 2012 JUN 1ra Problema 1

Un opositor debe elegir dos bolas con los números de los temas a desarrollar en un ejercicio oral. El
procedimiento es el siguiente: el tribunal ha dispuesto dos urnas y él debe elegir una de las urnas,
arbitrariamente, y extraer, sucesivamente, dos bolas de dicha urna. En la primera de ellas, urna A,
están los números correspondientes a los temas 1 a 50, de los que el opositor domina 25 y no ha leído
siquiera el resto; en la otra, urna B, se encuentran los número de los temas 51 a 100, de los cuales
conoce perfectamente el 70 % pero no tiene la menor noción de los restantes. Para superar el ejercicio
debe obtener “apto” en cada uno de los temas. Además, se sabe, con seguridad, que aprobará si saca
dos de los que ha trabajado. Si ha comprobado que el primero de los temas está entre los que domina,
cuál es la probabilidad de que apruebe?

• Datos: 2 urnas:

ß Urna A: temas 1-50. Se sabe 25 de ellos

ß Urna B: temas 51-100. Se sabe el 70 %.
ß Debe elegir una urna y sacar de ellas dos temas.

• Desarrollo: Si se sabe el 1er tema, cuál es la probabilidad de que también se sepa el 2do?

ß S1 = {sabe el primer tema} ; S2 = {sabe el segundo tema}

0,365
ß P {S2 /S1 } = P {S1 ∩S2 }
P {S1 } = 0,6 = 0,6083̄
1 25 1 35
. P {S1 } = 2 50 + 2 50 = 0,6
. P {S1 ∩ S2 } = 1 25 24 1 35 34
2 50 49 + 2 50 49 = 0,365. El 1
2 viene de que cada urna tiene la misma
probabilidad de salir elegida.
CAPÍTULO 3. EJERCICIOS DE LOS TEMAS 1 A 3 25

3.26. 2013 SEP Ord Problema 1

La probabilidad de que un árbol de una cierta variedad de manzanas tenga n flores es (1 − p)pn , siendo
n ≥ 0. Cada flor tiene una probabilidad 2/3 de dar fruto, independientemente del resto de las flores del
árbol. Cada fruto tiene una probabilidad 1/4 de ser picado por los pájaros antes de la cosecha y no se
dedicará a la venta.

• Datos:

ß P {árbol tenga n flores} = P {nFL} = (1 − p)pn ; ∀n/n > 0

ß P {una flor de fruto} = P {frt} = 2/3
ß P {un fruto se pierda y no se venda} = P {Fm} = 1/4
ß P {un fruto se venda} = P {FB} = 1 − 1/4 = 3/4

• Desarrollo:

1. Obtener la probabilidad de que una flor produzca fruto apto para la venta

• P {a} = P {frt ∩ FB} = P {Fr} ∗ P {FB} = 2

3 ∗ 3
4 = 1
2

2. Calcular la probabilidad de que un árbol que tiene r frutos haya tenido n flores
!
1 r 1 n−r
n
(1−p)pn ( )( )
2 2
P {rFB∩nFL} P {nFL}∗P {rFB/nFL} r
• P {b} = P {nFl/rFB} = P {rFB}
= P {rFB}
= P {rFB}

3. Particularice los apartados anteriores para r = 65 y n = 120

!
∞ x
• P {rFB} = 2−x (1 − p)p−x
P
x=r r
Capítulo 4

Características de las distribuciones de

probabilidad

4.1. Esperanza matemática

P
 xi pi
 si ξ v.a discreta
E{ξ} = ´
 x ∗ f (x) dx
 si ξ v.a continua
R

Condicionado a la convergencia a un número < ∞


 12 si x ≥ 1
• Ejercicio: Dada una variable aleatoria continua ξ con una función de densidad f (x) = x
0 resto de R
su esperanza será:
ˆ ˆ
1
E{ξ} = x ∗ f (x) dx = dx = Ln(x)]∞
1 =∞
x
R R

luego su esperanza matemática no existe

4.2. Esperanza matemática de una función de variable aleatoria

Dada una variable aleatoria ξ y una función g{ξ} que es otra variable aleatoria tendremos que:
P
 g ( xi ) p i
 si ξ v.a discreta
E{g (ξ )} = ´
 g (x) ∗ f (x) dx
 si ξ v.a continua
R

• Si tenemos ai , con i = 1, 2, ..., n reales y una familia de transformadas gi {ξ} ⇒ E{ a i g ( ξi ) } =

P

ai ∗ E{g (ξi )}
P

• Puedo definir gi (ξ ) = k (constante). A partir de aquí todo es particularizar.

26
CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 27

• Si g1 (ξ ) ˆ g2 (ξ ) y son independientes→ E{g1 (ξ ) ∗ g2 (ξ )} = E{g1 (ξ )} ∗ E{g2 (ξ )}

4.3. Momento de orden r respecto al origen, αr :

P
 xri pi
 si ξ v.a discreta
αr = ´
 xr f (x) dx
 si ξ v.a continua
R

• Algunos momentos:
´
ß Si r = 0, α0 = f (x) dx = 1
R
´
ß Si r = 1, α1 = x ∗ f (x) dx = µ = E{ξ}
R

4.4. Momento de orden r respecto a la media, µr :

P
 ( xi − µ ) r p i
 si ξ v.a discreta
µr = ´
 (xi − µ)r f (x) dx
 si ξ v.a continua
R

• Algunos momentos:

ß Si r = 0, µ0 = 0
ß Si r = 2, µ2 = σ 2 = V {ξ}

4.5. Teorema de la existencia de momentos

Si existe momento de orden r ⇒existen momentos de orden s, tal que s ≤ r.

4.6. Varianza

M2 = σ 2 = V {ξ} = α2 − α12 = E{(ξ − µ)2 }

1. V {ξ} ≥ 0

2. Si ξi es una v.a. independiente y ai coeficientes reales, luego V {

P 2
ai ξia } = ai V {ξi }
P

3. V {k} = 0
De 2 y 3 se deduce que V {aξ + b} = a2 V {ξ}

4. V {aξ ± bη} = a2 V {ξ} + b2 V {η} ± 2ab ∗ cov (ξ, η}

CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 28

4.7. Desviación típica

√ q
σ 2 = + σ = + E (ξ − µ)

4.8. Tipificación de una v.a.

Si ξ con E{ξ} = µ y V {ξ} = σ 2 , la variable tipificada η vendrá dada por:

ξ − E{ξ} E{η} = 0
η= =⇒
σξ V {η} = σ = 1
η

4.9. Teorema de Markov

E{g (ξ )}
Si una v.a. ξ y g (ξ ) ≥ 0 una función real de esa variable, dada una k > 0 ⇒P {g (ξ} ≥ k} ≤ k
Luego:

ˆ ˆ ˆ
E{g (ξ )} = g (ξ )f (x) dx + g (ξ )f (x) dx ≥ g (ξ )f (x) dx ≥
g (ξ )≥k g (ξ )≤k g (ξ )≥k
ˆ
≥ k ∗ f (x) dx = k ∗ P {g (ξ} ≥ k}
g (ξ )≥k

Despejando, llegamos a que:

E{g (ξ )}
P {g (ξ} ≥ k} =
k

4.10. Desigualdad de Chebichef


P {|ξ − µ| ≤ λσ} ≥ 1 − 12
λ
probabilidad intervalo cerrado, mayor que cota
g{ξ}
P {|ξ − µ| > λσ} ≤ 1
λ2
intervalo abierto, complementario al anterior
CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 29

*Para el intervalo abierto, suelen pedir la probabilidad de que ξ sea mayor o menor que algún punto,
no ambos. Pero para resolverlo ha de hacerse para ambos lados.

4.10.1. Ejemplo 1:
ξ son ventas medias. E{ξ} = 5000€ de media de las ventas. La desviación típica σξ = 100€

1. Calcule la probabilidad de que las ventas medias semanales sean superiores a 5250€. P {ξ ≥ 5250}
Nos piden :

Tengo que acotar superiormente, o sea, llegar a P {|ξ − µ| > λσ} ≤ 1

λ2

1
P {ξ − 5000 > 250} ≤ P {ξ − 5000 > 250} + P {ξ − 5000 < −250} = P {|ξ − 5000| ≤ 250} ≤
λ2

Como λσ = λ ∗ 100 = 250 ⇒ λ = 2, 5:

1
P {|ξ − 5000| ≤ 250} ≤ = 0, 16
2, 52

2. Defina el menor intervalo que contenga al menos el 95 % de las ventas medias semanales.

1
1− = 0, 95 ⇒ λ = 4, 47 λ ∗ σ = 4, 47 ∗ 100 = 447
λ2

|ξ − µ| ≤ λσ ; |ξ − 5000| ≤ 447 ⇒ 4553 ≤ ξ ≤ 5447

CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 30

4.10.2. Ejemplo 2:
ξ es v.a. consumo. E{ξ} = µ = 1; σξ = 1

1. Se pide. P {0 < ξ < 3}

No te dan la distribución, luego, Tchevychef. Como nos piden una distribución interior, iremos a
1
P {|ξ − µ| ≤ λσ} ≥ 1 − λ2

El intervalo que pedido es 0 < ξ < 3 que debera asimilarse a µ − λσ ≤ ξ ≤ µ + λσ por lo que,
despejando en cada extremo:


µ − λσ = 0 ⇒ λ = 1
µ − λσ = 3 ⇒ λ = 2

en tanto λ debe ser común, se escoge la mayor, luego el intervalo a analizar será −1 < ξ < 3.
Por lo tanto:

P {0 < ξ < 3} ≤ P {−1 < ξ < 0} + P {0 ≤ ξ < 3} = P {−1 < ξ < 3}

pero como, al ser ξ una variable sobre el consumo, y éste, no puede ser negativo, se sabe que
P {−1 < ξ < 0} = 0, por lo que:

P {0 < ξ < 3} = P {−1 < ξ < 3}

y llevándolo a la fórmula de Tchebychef:

1 1
P {|ξ − µ| ≤ λσ} ≥ 1 − ; P {|ξ − 1| ≤ 2 ∗ 1} = 1 − 2 = 0, 75
λ2 2

4.11. Simetría
Si es respecto a un eje x = s, ∀x/P {ξ ≥ x + s} = P {ξ ≤ s − x}
Si la v.a. es continua y s = 0, ∀x/f (x) = f (−x)
En todas las distribuciones m1 = E{(ξ − µ)}

4.12. Coeficiente de asimetría o de Fisher.

µ3
= γ1
σ3
• Según γ1 será simétrica o no

1. γ1 > 0 ⇒ asimétrica
2. γ1 = 0 ⇒ simétrica
CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 31

3. γ1 < 0 ⇒ asimétrica negativa

4.13. Coeficiente de curtosis o apuntalamiento.

µ4
− 3 = γ2
σ4
• Según γ1 será simétrica o no

1. γ2 > 0 ⇒ leptocurtica
2. γ2 = 0 ⇒ mesocurtica
3. γ2 < 0 ⇒ platicurtica

µ4
En una distribución normal σ4
= 3, ‘por lo que su γ2 = 0

4.14. Momentos bidimensionales: (ξ, η )

1. Momento respecto al origen
PP


 xri yjs pij si (ξ, η ) es discreta
r s j i
αrs = E{ξ η } = ´´ r s
 xi yj f (x, y )dxdy

 si (ξ, η ) es continua
RR

2. Momento respecto a la media

PP


 (xi − E{ξ})r (yj − E{η})s pij si (ξ, η ) es discreta
j i
µrs = E ((ξ − E{ξ})r (η − E{η})s ) = ´´ r s
 (xi − E{ξ}) (yj − E{η}) f (x, y )dxdy

 si (ξ, η ) es continua
RR

A tener en cuenta:

1. αr0 = αrξ , y del mismo modo α0s = αsη

2. µr0 = µξr , y del mismo modo µ0s = µηs

3. µ11 = cov (ξ, η ) = E ((ξ − E{ξ})(η − E{η})) = α11 − α10 ∗ α01

µ11
4. ρξη = coeficiente de correlación lineal = ση σξ

µ211
5. ρ2ξη = coeficiente de determinación lineal = ση2 σξ2

6. De 3 y 4 deducimos que: 0 ≤ ρ2ξη ≤ 1 y que −1 ≤ ρξη ≤ 1

CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 32

4.15. Independencia y covarianza

• Si ξ ˆ η son v.a. independientes ⇒ cov (ξ, η ) = 0

ß Pero no se cumple en el otro sentido: cov (ξ, η ) = 0 ;ξ ˆ η sean v.a. independientes

ß Si ξ ˆ η son v.a. independientes ⇒ cov (ξ, η ) = 0 ⇒ ρ = 0
ß Si cov (ξ, η ) 6= 0 ⇒ ξ ˆ η son v.a. dependientes

4.15.1. Ejemplo 1:
Si ξ ˆ η son v.a. tal que cov (ξ, η ) = 5, ξ ˆ η son:

a) Independientes c) Pueden ser dependientes o independientes

b) Dependientes d) Ninguna de las anteriores
Respuesta: b
Si cov (ξ, η ) 6= 0 ⇒ ξ ˆ η son v.a. dependientes

4.15.2. Ejemplo 2:
Si ξ ˆ η son v.a. tal que ρξη = 0, 45, ξ ˆ η son:

a) Independientes c) Pueden ser dependientes o independientes

b) Dependientes d) Ninguna de las anteriores
Respuesta: b
Si ρ 6= 0 ⇒ cov (ξ, η ) 6= 0 ⇒ ξ ˆ η son v.a. dependientes

4.16. Otros parámetros característicos de una distribución de proba-

bilidad
4.16.1. Moda
Valor más probable
Puede ser moda relativa (no tiene por qué ser única).
Si es una v.a. discreta, será el punto xi tal que p(xi ) ≥ p(xj ) ∀j

f 0 (md) = 0
Si es una v.a. continua, será el máximo de f (x): máx f (x) = f (md) −→
f 00 (md) < 0

4.16.2. Mediana

P {ξ ≥ M e} = 0, 5
Valor tal que
P {ξ ≤ M e} = 0, 5
CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 33

4.16.3. Cuantil

P {ξ ≥ C p } ≥ p
q q
Valor Cq tal que
p
P {ξ ≤ C p } ≤ p
q q

4.16.4. Ejemplos
4.16.4.1. Ejemplo 1:

Dada ξ con media E{ξ} = µ, moda M o y mediana M e, se puede afirmar:

a) M o < M e = µ c) M o = M e = µ
b) M o > M e = µ d) Ninguna de las anteriores
Respuesta: d
Si fuese simétrica unimodal, M e = µ, pero en el enunciado no dicen si es unimodal o bimodal o nada,
así que no tiene por qué cumplirse que M e = µ, luego, la respuesta es directamente la d.
Si el enunciado dijese que es simétrica unimodal, sería la c.

4.16.4.2. Ejemplo 2:

Dada la v.a. ξ tal que x ≥ 2, y se puede asegurar que existe E{ξ}, luego:

a) E{ξ} < 2 c) E{ξ} = 2

b) E{ξ} > 2 d) Ninguna de las anteriores
Respuesta: b
La esperanza no puede estar fuera del intervalo, luego no puede ser la a.
Si ξ = 5, lo que cumple que x ≥ 2, su E{ξ} = 5, que no es igual a 2. Luego, si al menos hay un caso
contrario a E{ξ} = 2, no puede ser la c.
Luego, es la b.

4.16.4.3. Ejemplo 3:

Si tenemos una v.a. ξ con xi = 5 ∗ 2i , con la probabilidad en cada punto i igual a pi = 1

i ∀i = 1, 2, ...
P 12
Para que puede ser una función de probabilidad pi = 1. Desarrollamos: = 1−1/12/2 = 1,
P P
pi = 2i
luego puede ser función de probabilidad.
∞
Y su esperanza: E{ξ} = 5 ∗ 2i ∗ 1
=5 1=∞
P P
2i
i=1
Luego, puede ser función de probabilidad y no tener esperanza

4.16.4.4. Ejemplo 4:

 ( 1 − x2 ) 3 en [−1; 1]
Si f (x) = 4
es la función de densidad de una variable, se pide µ, M e, M o.
0 resto de R
CAPÍTULO 4. CARACTERÍSTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD 34

1. Es función de densidad?
Sí, aunque aquí no procedemos a demostrarlo. La integral es 1 y siempre positiva. En el exámen
podria no serlo, por lo que saltarnos este paso sería peligroso, pero aún así, de no serlo, los
resultados que obtendriamos serían disparatados.

2. Hallamos la moda, que es el valor más probable, luego, el máximo.

x/ f 0 (x)]M o = 0 f 0 (x) = 3
4 ∗ −2x = 0 ⇒ x = M o = 0
x/ f 00 (x)]M o < 0 f 0 (x) = − 32 < 0 ⇒ x = 0 es máximo

3. Si hay simetría, M e = µ = 0
f (x) = f (−x)

4. Si no nos damos cuenta, lo calculamos:

a) Mediana
´e
M 1́
1
f (x)dx = f (x)dx = 2
−1 Me
´e
M 3
iM e  3

(1 − x2 ) 34 dx = 34 (x − x3 ) = 3
4 − M3e + M e − 1
3 +1 = 1
2 ⇒ Me = 0
−1 −1

b) Media
´1
+ h 4 x2
i1 h i
µ = E{ξ} = 3 2
4 (1 − x )xdx = 3
4 − x4 + 2 −1 = 3
4 (− 41 + 21 ) − (− 14 + 12 ) = 0
−1

4.17. Desigualdad de Schwarz

Si existe α20 ˆα02 ⇒ E{(ξη )}2 ≤ E{ξ 2 }E{η 2 }
Generalizando:

E{(ξ − E{ξ})(η − E{η})}2 ≤ E{(ξ − E{ξ})2 }E{(η − E{η})2 }

cov 2 (ξη ) ≤ V {ξ}V {η}

De cara al exámen, conviene recordar que, si existen ξ, η y cov (ξη ):

γ = aξ + b
⇒ cov (γλ) = ac ∗ cov (ξη )
λ = cη + d
Capítulo 5

Función característica

5.1. Función característica

Dada ξ v.a., la función característica se define como:

 eitx pi si es discreta, con valores xi ˆpi
 P

ϕ(t) = E{eitx } = i
´ itx
 e f (x)dx

 si es continua, con f (x) función de densidad
R

• Usa número imaginarios: eitx = cost(tx) + i ∗ sen(tx)

• Propiedades:

1. ϕ(t) existe siempre

2. t = 0 → ϕ(0) = 1
3. |ϕ(0)| ≤ 1
4. ϕ(t) = ϕ(−t), conjugado
5. ϕ(t) es uniformemente continua en todo el intervalo real de t
6. η = aξ + b ⇒ ϕ(t) = eita ϕξ (tb)
7. Si tenemos una familia de variable independientes ξi , con i = 1, 2..n independientes, luego
n
Q
Pϕ (t) = ϕξi (t)
ξi i=1

8. Si tenemos una familia de variable independientes ξi , con i = 1, 2..n independientes e

identicamente distribuidas, luego Pϕ (t) = [ϕξi (t)]n
ξi
1 δ r ϕ(t)
i
9. Momentos desde la función característica: Si ∃αr ⇒ αr = r δtr t=0

De cara al test, las propiedades que nos serán útiles serán la 2, 3, 6 y 9.

Con 9, dada una función característica que puede ser de una distribución conocida, y tiene varianza
inmediata, o de una distribución no-conocida, por lo que habria que derivar, podemos calcular los
momentos.

35
CAPÍTULO 5. FUNCIÓN CARACTERÍSTICA 36

5.1.1. Teorema de la Inversión

Si x1 < x2 :

ˆλ
1 e−itx1 − e−itx2
F ( x2 ) − F ( x1 ) = lim ϕ(t) dt
2π λ→∞ it
−λ

Si x1 ≈ x2 se aproxima a la función de densidad:

ˆ∞
+
1
f (x) = e−itx ϕ(t) dt
2π
−∞

Luego, conocida la función característica, podemos pasar a la función de distribución

5.1.2. Teorema de la Unicidad

A cada distribución le corresponde una y solo
 una función característica, y viceversa.
F (x) función de distribución
Luego, la v.a. la idetificamos por alguna de
ϕ(t) función característica

5.1.3. Teorema Levy-Cramer

Es condición necesaria y suficiente para que una familia coverga en una función límite:
F (x)...Fn (x) → F (x)
ϕ(t)...ϕn (t) → ϕ(t)
Vamos, que la v.a. puede definirse completamente por su función característica, sin mencionar la función
de distribución.

5.2. Función generatriz de momentos

Si ξ es una v.a., la función generatriz de momentos se define como

gξ (t) = E{etx }

d r gξ ( t )
i
Tiene como ventaja frente a la característica que si ∃αr , αr = dtr genera de modo automático
t=0
Por contra, etx no está acotada, lo que implica que no está garantizada su existencia

5.3. Función característica bidimensional

P P
 pik eitxj +itxk si es discreta
(ξ1 , ξ2 ) con una v.a. con ϕ(t1 , t2 ) = E{eitx1 +itx2 } =
´ ´ itxj +itxk si es continua
R f ( x1 x2 ) e dx1 dx2

1. ∃ϕ(t1 , t2 )
CAPÍTULO 5. FUNCIÓN CARACTERÍSTICA 37

2. ϕ(0, 0) = 1

3. |ϕ(t1 , t2 )| ≤ 1

− 1 dk ϕ(t1 , t2 )
4.  = αk−s,s
ik dk−s t d2 t2
0,0

5. Teoría de la unicidad

6. ϕξ1 +ξ2 (t) = ϕξ1 (t) + ϕξ2 (t)

Capítulo 6

Ejercicios de los temas 4 y 5

6.1. Ejercicio:
Tenemos dos variables aleatorias dadas, tal que ξ = −η y que E{ξ} = 0 ˆ V {η} = 1

a) CV {ξ} = 1 ˆ CV {η} = −1 c) CV {ξ} = 0 = CV {η}

b) CV {ξ} = −1 ˆ CV {η} = −1 d) Ninguna de las anteriores
Respuesta: d
σξ
El coeficiente de variación se define como CV {ξ} = µξ

6.2. 2013 SEP Ord Ejercicio 6

Dada las variables aleatorias ξ y η tales que E [ξ/µ] = E [ξ ]/E [η ], la cov (ξ/η, η ) es:

a) E [ξ ]/E [η ] c) 0
b) E [ξ ] E [η ] d) Ninguna de las anteriores
Respuesta: c

• Si sabemos que cov = a11 − a10 ∗ a01 , aplicamos:

ξ ξ ξ E (ξ ) E (ξ )
     
cov ,η = E ,η −E E (η ) = E (η ) − E (η ) = E (ξ ) − E (ξ ) = 0
η η η E (η ) E (η )

6.3. 2013 JUN 2da Ejercicio 3

Un establecimiento ha comprobado que el consumo en kw de energía eléctrica sigue una distribución
con µ = 1 y σ = 1. La cota máxima inferior de que el consumo sea menor que 2 es:

a) 0,95 c) 0,75
b) 0,85 d) Ninguna de las anteriores

38
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 39

Respuesta: d

• El consumo es la v.a. ξ con µ = 1 y σ = 1. Nos piden la probabilidad de que acotemos P {ξ < 2}.

• Al tener que acotar y no tenermos distribución, tendremos que usar Chebichef. Habrá que elegir
entre:

• 
P {|ξ − µ| ≤ λσ} ≥ 1 − 12
λ
probabilidad intervalo cerrado
P {|ξ − µ| > λσ} ≤ 1
λ2
probabilidad intervalo abierto

• Como no existen consumos negativos, podemos decir que

P {ξ < 2} = P {0 < ξ < 2}

luego elegiremos el intervalo cerrado, que reformularemos como P {|ξ − 1| ≤ 1} ≥ 1 − 1

λ2
.

• Para hallar λ, la igualamos al valor donde hemos reformulado: λσ = 1 → λ ∗ 1 = 1 → λ = 1.

Luego, sustituyendo:

1
P {|ξ − 1| ≤ 1} ≥ 1 − =0 luego P {|ξ − 1| ≤ 1} = P {ξ < 2} ≥ 0
12

Lo cual parece una obviedad, pero es lo que obtenemos con estos datos.

• Si los datos del enunciado fuesen otros, por ejemplo, µ = 1 y σ = 1 pidiendo la probabilidad de
que acotemos P {ξ ≤ 4} tendriamos que hacer:

P {−2 < ξ < 4} = P {−1 < ξ − 1 < 3} = P {|ξ − 1| ≤ 3}

ya que P {−2 < ξ < 0} = 0 dado que no existen consumos negativos

ß Para hallar λ: λσ = 3 → λ ∗ 1 = 3 → λ = 3
ß
1 8
P {|ξ − 1| ≤ 3} ≥ 1 − 2
=
3 9

8
ß Luego, por Tchebychef, P {ξ ≤ 4} ≥
9

6.4. 2013 JUN 1ra Ejercicio 5

Un quiosco de prensa ha observado que sus ventas diarias de periódicos han seguido una distribución
con media de 200 y desviación típica de 20 periódicos. La cota mínima superior de la probabilidad de
que un día determinado le demanden 225 o más ejemplares será:
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 40

a) 0,64 c) 0,84
b) 0,74 d) Ninguna de las anteriores
Respuesta: a
• Las ventas es la v.a. ξ con µ = 200 y σ = 20. Nos piden la probabilidad de que acotemos
P {ξ > 225}.

• Al tener que acotar y no tener distribución, tendremos que usar Tchebychef. Habrá que elegir
entre:

• 
P {|ξ − µ| ≤ λσ} ≥ 1 − 12
λ
probabilidad intervalo cerrado
P {|ξ − µ| > λσ} ≤ 1
λ2
probabilidad intervalo abierto

• Podemos decir que

P {ξ > 225} ≤ P {ξ < 175} + P {ξ > 225}

luego elegiremos el intervalo abierto, que reformularemos como P {|ξ − 200| > 25} ≤ 1
λ2
.

• Para hallar λ, la igualamos al valor donde hemos reformulado: λσ = 25 → λ ∗ 20 = 25 → λ =

1,25

• Luego, sustituyendo:

1
P {|ξ − 200| > 25} ≤ = 0,64 luego P {ξ > 225} ≤ P {|ξ − 200| > 25} ≤ 0,64
1,252

6.5. 2012 SEP Ejercicio 1

Dada la variable aleatoria ξ, cuya función de densidad es f (x) = kx si 0 ≤ x ≤ 4 y nula en el resto de
la recta real, el séptimo decil será:

∼ 2,80
a) = ∼ +3,35
c) =
∼ -3,35 d) Ninguna de las anteriores
b) =
Respuesta: c
Primero hallamos el valor de k que hace a f (x) una función de probabilidad:

ˆ4 #4
x2 16 1
kx dx = k =k = 8k = 1 ⇒ k=
2 0
2 8
0

Ahora el séptimo decil D7 :

ˆa #a
1 1 x2 1 a2 p
D7 = x dx = = = 0, 7 ⇒ a= 11, 2 = 3, 347
8 8 2 0
8 2
0
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 41

6.6. 2012 SEP Ejercicio 4

Un banco determinado no atiende pagos si no hay saldo suficiente en cuenta corriente. Si el historial del
Sr. A dice que su saldo medio es de 320€ y la desviación típica de 20€, cuál es la mínima cota superior
de la probabilidad de que se rechace su cuota de afiliación a la sociedad de “Amigos del Ártico”, que
es de 280€?

a) 1/8 c) 1/16
b) 1/4 d) Ninguna de las anteriores
Respuesta: b

• El saldo en cuenta es la v.a. ξ con µ = 320 y σ = 20. Nos piden la probabilidad de que acotemos
P {ξ < 280}.

• Al tener que acotar y no tener distribución, tendremos que usar Tchebychef. Habrá que elegir
entre:

• 
P {|ξ − µ| ≤ λσ} ≥ 1 − 12
λ
probabilidad intervalo cerrado
P {|ξ − µ| > λσ} ≤ 1
λ2
probabilidad intervalo abierto

• Podemos decir que

P {ξ < 280} ≤ P {ξ < 280} + P {ξ > 360}

luego elegiremos el intervalo abierto, que reformularemos como P {|ξ − 320| > 40} ≤ 1
λ2
.

• Para hallar λ, la igualamos al valor donde hemos reformulado: λσ = 40 → λ ∗ 20 = 40 → λ = 2

• Luego, sustituyendo:

1
P {|ξ − 320| > 40} ≤ = 0,25 luego P {ξ < 280} ≤ P {|ξ − 320| > 40} ≤ 0,25
22

6.7. 2012 JUN 2da A Ejercicio 3

Dadas las variables aleatorias ξ y η siendo la cov{ξη} = 0, indica que dichas variables son:

a) Independientes c) Dependientes
b) Iguales d) Ninguna de las anteriores

Respuesta: d

• Si independientes ⇒ cov = 0; pero que cov = 0 ; independencia

• Si cov 6= 0 ⇒ dependencia
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 42

6.8. 2012 JUN 2da A Ejercicio 4

Sea la variable aleatoria ξ con f (x) = x−2 para 1 < x < ∞. Su varianza es:

a) > 0 c) No existe
b) ≤ 0 d) Ninguna de las anteriores

Respuesta: c

• Si lo desarrollamos, veremos que f (x) = x−2 no tiene esperanza (no converge). Luego, tampoco
tiene varianza.

6.9. 2012 JUN 2da A Ejercicio 5

Dada la variable aleatoria bidimensional (ξ; η ), si existen los momentos de orden 2 respecto al origen,
se verifica que:

a) E{ξ 2 }E{η 2 } = (E{ξ.η})2 c) E{ξ 2 }E{η 2 } ≤ (E{ξ.η})2

b) E{ξ 2 }E{η 2 } ≥ (E{ξ.η})2 d) Ninguna de las anteriores

Respuesta: b

• Es la desigualdad de Schwartz

6.10. 2012 JUN 2da A Ejercicio 8

El coeficiente de correlación lineal toma valores entre:

a) 0 y 1 c) -1 y 0
b) -1 y 1 d) Ninguna de las anteriores

Respuesta: b
µ11
• ρξη = coeficiente de correlación lineal = ση σξ

6.11. 2012 JUN 1ra A Ejercicio 4

El historial de una empresa dice que sus beneficios medios anuales son de 50 miles de u.m. La desviación
típica es de 10 miles de u.m. Se quiere calcular la probabilidad de que en este año de crisis, el beneficio
medio sea mayor de 70 miles u.m. La cota superior de esa probabilidad es:

a) 0,75 c) 0,95
b) 0,25 d) Ninguna de las anteriores
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 43

Respuesta: b
“saldo en cuenta”→ξ con µ = 50 y σ = 10. Nos piden la probabilidad de que acotemos P {ξ > 70}.

1
P {ξ > 70} ≤ P {ξ < 30} + P {ξ > 70} = P {|ξ − 50| > 20} ≤
λ2
Para hallar λ, la igualamos al valor donde hemos reformulado: λσ = 20 → λ ∗ 10 = 20 → λ = 2
Luego, sustituyendo:

1
P {|ξ − 50| > 20} ≤ = 0,25 luego P {ξ > 70} ≤ P {|ξ − 50| > 20} ≤ 0,25
22

6.12. 2012 JUN 1ra A Ejercicio 10

Dadas las variables ξ y η, se sabe que V {ξ + η} = V {ξ} + V {η}. En estas condiciones se puede afirmar
que:

a) No existe cov{ξ, η} c) ξ y η están ligadas por una relación funcional lineal

b) ξ y η son independientes d) Ninguna de las anteriores

Respuesta: d
La varianza vendrá dada por V {ξ + η} = V {ξ} + V {η} + 2cov{ξ, η}. Luego, cov{ξ, η} = 0, ergo, no
puede ser la opción a.
Que cov{ξ, η} = 0, no implica que sean dependientes ni independientes, luego, no es la opción b.
De los datos del enunciado no se puede saber si es la opción c.
Luego, es la d.

6.13. 2011 SEP Ord Ejercicio 4

Dadas las variables aleatorias ξ y η, tales que σξ = ση = 1 y ρξη = 1/2, se puede asegurar que V {ξ + η}
es:
a) 2 c) 5/2
b) 3 d) Ninguna de las anteriores
Respuesta: b
La varianza vendrá dada por V {ξ + η} = V {ξ} + V {η} + 2cov{ξ, η}.
cov{ξ,η}
Como ρξη = 1/2 = σξ ση → cov{ξ, η} = 1
2 obtenemos:

1
V {ξ + η} = 1 + 1 + 2 ∗ =3
2
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 44

6.14. 2011 SEP Ord Ejercicio 6

Dadas la variable aleatoria ξ y su función característica es ϕξ (t) = (1 − 2it)−
n/2
, si se tiene ξ = 12 η − 2,
entonces la función característica de η es:
1
a) e 2 it (1 − 4it)− c) e4it (1 − 4it)−
n/2 n/2

b) e2it (1 − 4it)−
n/2
d) Ninguna de las anteriores

Respuesta: c

• Por definición, dada η su función característica es:

η = aξ + b → ϕη (t) = eitb ϕξ (at)

Luego, despejando η obtenemos la función característica:

η = 2ξ + 4 → ϕη (t) = eit4 (1 − 2i(2t))− = e4it (1 − 4it)−

n/2 n/2

luego la respuesta es la opción c.

• Si no recuerdas esta fórmula, también se podría sacar por esperanzas:

•
E{eity } = E{eit(2x+4) } = E{eit2x eit4 }

6.15. 2011 SEP Ord Ejercicio 8

Dada una variable aleatoria ξ, tal que su mediana coincide con la moda se puede asegurar:

a) Es simétrica c) Es continua
b) La moda es única y coincide con media y la mediana d) Ninguna de las anteriores

Respuesta: d
Si la v.a. ξ fuese simétrica y unimodal ⇒ M o = M e = µ pero no te dicen que sea simétrica ni
unimodal.
Para resolver este tipo de ejercicios basta con imaginar un contraejemplo:
xi 1 2 3
Si tuviesemos: la media y la moda serían 2, sin embargo la media sería 3
2 y la distri-
pi 16 16 23
bución no sería simétrica.
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 45

6.16. 2011 JUN 1ra Ejercicio 1

Dada la variable aleatoria ξ, cuya esperanza es igual a 5, se puede asegurar:

a) La variable está acotada c) La variable no puede ser discreta

b) La variable siempre es positiva d) Ninguna de las anteriores

Respuesta: d
Contrafactual: la distribución normal, que no está acotada y tiene valores de la variable negativos
(x < 0), puede tener µ = 5
De la misma manera podemos imaginar una distribución simétrica, con valores de la variable negativos,
µ = 5 y que sea discreta.
Luego, la respuesta es la opción d.

6.17. 2011 JUN 1ra Ejercicio 4

Dada las variables aleatorias ξ y η, tales que ξ = −η, siendo E{ξ} = 0 y V {ξ} = 1, entonces se
verifica:
a) V {ξ + η} = 2 y E{ξ + η} = 0 c) V {ξ + η} = 0 y E{ξ + η} = 0
b) V {ξ + η} = 1 y E{ξ + η} = 1 d) Ninguna de las anteriores
Respuesta: d

• V {ξ + η} = V {0} = 0 E{ξ + η} = 0

• Como ξ ˆ η ⇒ dependientes, a priori no se puede sumar directamente sus varianzas, pero si

nos fijamos, como ξ = −η, luego ξ + η = ξ − ξ = 0, para cualquier valor de ξ, por consiguiente
ξ + η es una constante de valor 0, y la varianza de una constante es 0

6.18. 2011 JUN 1ra Ejercicio 9

La función característica toma valores:

a) En el mismo campo de variación de la variable c) Para todos los valores t reales

b) Para todos los valores t ≥ 1 d) Ninguna de las anteriores

Respuesta: c

6.19. 2011 JUN 2da Ejercicio 3

Si se tiene una variable aleatoria simétrica se puede asegurar:

a) Está acotada c) La mediana es inferior a la moda

b) Su esperanza es igual a la moda d) Ninguna de las anteriores
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 46

Respuesta: d

• Contrafactual: la normal no está acotada, luego la opción a no puede ser.

• Contrafactual: una variable continua bimodal simétrica tendría la esperanza entre las dos modas,
siendo la mediana inferior a las modas, luego la opción b y c no pueden ser.

• Luego, la respuesta es la d.

6.20. 2011 JUN 2da Ejercicio 5

El gasto en educación de las familia de una población sigue una variable aleatoria ξ, con media µ = 1
miles de unidades monetarias y varianza σ 2 = 1 miles de unidades monetarias al cuadrado. Una cota
de la probabilidad de que ese gasto se sitúe entre 0 y 3 miles de unidades monetarias es:

a) 0, 75 c) 0, 76
b) 0, 72 d) Ninguna de las anteriores

Respuesta: a
“gasto en educación”→ξ con µ = 1 y σ = 1. Nos piden la probabilidad de que acotemos P {0 < ξ < 3}.

1
P {0 < ξ < 3} = P {−1 < ξ < 3} = P {|ξ − 1| < 2} ≥ 1 −
λ2
Ya que P {−1 < ξ < 0} = 0 ya que una variable gasto no puede ser negativa.
Para hallar λ, la igualamos al valor donde hemos reformulado: λσ = 2 → λ ∗ 1 = 2 → λ = 2
Luego, sustituyendo:

1
P {|ξ − 1| < 2} ≥ 1 − = 0,75 luego P {0 < ξ < 3} = P {|ξ − 1| < 2} ≥ 0,75
22

6.21. 2011 JUN 2da Ejercicio 10

La función generatriz de momentos de una variable aleatoria ξ:

a) Existe siempre c) No está garantizada su existencia

b) Existe si existe la función característica d) Ninguna de las anteriores

Respuesta: c
La función que tiene garantizada su existencia es la función característica ϕ. A cambio, en la fgm es
más fácil calcular los momentos en el origen.
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 47

6.22. 2011 JUN 2da Problema 1

El coste de fabricación de una pieza determinada es igual a una constante C y su precio de venta
depende de su diámetro ξ. Dicho diámetro es una variable aleatoria que se distribuye con función de
densidad f (x) = ke−kx si x > 0 y es nula para el resto de la recta real. Se sabe que si el diámetro
es mayor que tres o menor que uno la pieza no tiene salida en el mercado, de modo que se pierde, y
si está comprendido entre estos límites, es decir 1 ≤ x ≤ 3 se vende a un precio igual a Q. En estas
condiciones, calcule el valor de k que maximiza el beneficio medio

Datos:

k ∗ e−kx para x > 0
• “diámetro de la pieza” es v.a. ξ con una función de densidad f (x) =
0 resto de R




 −C para ξ < 1

• beneficio: π = Q−C para 1 ≤ ξ ≤ 3


para ξ > 3

−C


Desarrollo:

• La probabilidad de cada flujo seria:

3́
P {π = Q − C} = P {1 ≤ ξ ≤ 3} = k ∗ e−kx dx = e−k − e−3k
1  
P {π = −C} = P {ξ < 1} + P {ξ > 3} = 1 − P {Q − C} = 1 − e−k − e−3k

• Para calcular el beneficio medio:

      
E{π} = (Q − C ) e−k − e−3k + (−C ) 1 − e−k − e−3k = Q e−k − e−3k − C

• El valor de k que maximiza el beneficio medio sería el que hace la primera derivada igual a cero
y cuya segunda derivada es menor que cero:

dE{π} Ln(3)
= Q(−ke−k + 3ke−3k ) = 0 ⇒ e2k = 3 → k =
dk 2

6.23. 2012 SEP Res Ejercicio 5

Dada ξ ≡ U (0, 1), entonces E{1/ξ}:

a) 1 c) No existe
b) 1/2 d) Ninguna de las anteriores

Respuesta: c
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 48

Hay que hallar la nueva variable. Tenemos:


 

0 si x < 0
1 si x ∈ (0, 1)


f (x) = ⇒ F (x) x si 0 ≤ x ≤ 1
0 resto 

1 si x > 1


Sabemos que;
c−d
ξ = U (a, b) → P {c, d} =
b−a
Luego, el cambio de variable sería:

1 1 1
Gη (y ) = P {η ≤ y} = P { ≤ y} = P { ≤ ξ} = 1 − Fξ { }
ξ y y

−1 1 1
 
0
gη (y ) = Gη (y ) = 0 − 2 fξ =
y y y2
que es una función de probabilidad divergente, luego no tiene esperanza. Ergo, es la opción c.

6.24. 2012 JUN 2da Problema 1

Un producto que vende un supermercado tiene un peso medio de 60 grs. con una desviación típica de
0,5 grs. Para envasarlo en cajas es necesario que el peso del producto difiera del peso medio en valor
absoluto en menos de una cantidad P y se quiere que el porcentaje de productos rechazados en el
proceso de envasado no sea superior al 10 por ciento. Se pide:

1. El valor de P

2. Si suponemos que el peso de los productos sigue una distribución normal, cuál sería el porcentaje
correspondiente?

Datos: “peso”→ξ con µ = 60 y σ = 0,5, en gramos.

No tenemos la distribución, asi que tenemos que ir a Tchebychef.
Se requiere que P {|ξ − 60| ≥ P } ≤ 0, 10

Desarrollo:

1. Hemos de escoger el intervalo abierto en Tchebychef, por lo que podemos igualar:

s
1 1
= 0,10 → λ = = 3,162
λ2 0,10

luego:
P = λσ = 3,162 ∗ 0,5 = 1,589 [grs]
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 49

2. P {|ξ − 60| ≥ P } = 2 ∗ P {ξN > 0P,5 } = 2 ∗ P {ξN > 1,589

0,5 } = 2 ∗ 0,0008 = 0,0016

6.25. 2013 JUN 1ra Problema 2

Una gran cooperativa jienense dedicada a la producción y venta de aceite de oliva sabe, por la experiencia
adquirida en temporadas anteriores, que la demanda oscila entre 1 y 10 millones de litros, dependiendo
de múltiples factores. El beneficio por cada litro vendido es de 0,3€, mientras que por cada litro que
no se vende en el período establecido previamente para la temporada, se derivan unos costes de 0,05€.
La demanda de aceite, expresada en millones de litros, sigue una variable continua cuya función de
densidad es: 
k/9 si 1 ≤ x ≤ 10
f (x) =
0 si x ∈
/ [1, 10]

Determine la cifra de ventas que maximiza el beneficio esperado de la cooperativa

Datos:

k/9 si 1 ≤ x ≤ 10
• “demanda”→ξ ∈ [1, 10] [Millones de litros] con una función de densidad tal que f (x) =
0 si x ∈
/ [1, 10]

0,3x − 0,05(P − x) para x ≤ P
• beneficio:π =
0,3P para x > P

ß donde x =unidades demandadas/vendidas; y P las unidades producidas.

Desarrollo:
´
10 i10
• Hallamos k: k
9 dx = kx
9 1 = 10k
9 − k
9 =k=1
1

• Maximizamos el beneficio esperado:

ˆ∞
+ ˆP ˆ10
1 1 1
E{π} = πf (x) dx = [0,3x − 0,05(P − x)] dx + [0,3P ] dx = (−7 + 122P − 7P 2 )
9 9 36
−∞ 1 P

Derivo e igualo a cero:

dπ 61
= 0 → 122 − 14P = 0 → P =
dP 7

Y la segunda derivada:
d2 π
= −14 < 0 → máximo
d2 P
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 50

6.26. 2013 JUN 1ra Problema 1

Un opositor, falto de tiempo, se presenta a una determinada prueba, conociendo perfectamente “k”
de los “2n” temas de los que consta el temario, siendo k < 2n. La prueba se desarrolla del siguiente
modo: el opositor debe elegir una bola en la que figuran los números de dos temas; si conoces ambos
aprueba, si no conoce ninguno suspende y, si únicamente puede responder a uno de ellos, tiene la opción
de contestar a otro tema que elige el tribunal examinador. Si contesta a este tema propuesto por el
tribunal, aprueba también; en otro caso, suspende. Además, el opositor es aficionado al juego y apuesta
con un amigo, de modo que si aprueba recibe 1.000 € y si suspende debe entregar a su amigo la misma
cantidad.

1. Qué probabilidad tiene de superar la prueba?

k (k−1)
a) Probabilidad de que se sepa los dos temas: 2n 2n−1
k (2n−k )
b) Probabilidad de que se sepa uno de los dos : 2n 2n−1 ∗2
• Múltiplicamos por dos porque son dos casos, que se sepa el primero y no el segundo y
viceversa
(k−1)
c) Dado b), que se sepa el nuevo tema propuesto: 2n−2
k (k−1) k (2n−k ) (k−1)
d) Luego, P {Aprobar} = 2n 2n−1 + 2n 2n−1 ∗ 2 ∗ 2n−2

2. Cuál es la esperanza del juego propuesto? Particularice para 2n=100 y k=50

a) E{juego} = 1000P {A} + (−1000)P {Suspender} = 1000P {A} + (−1000)(1 − P {Aprobar}) =

2000P {A} − 1000

3. Cuál sería la esperanza si la cantidad a entregar a su amigo fuera 500? Particularice si 2n=100,
k=50

a) E{juego} = 1000P {A} + (−500)P {Suspender} = 1500P {A} − 500

6.27. 2013 JUN 2da Problema 1

En una zona especialmente conflictiva, un grupo armado con medios poco sofisticados, intenta volar
un depósito de combustible. Tienen la posibilidad de disparar “n” proyectiles y se sabe que cada uno
de los proyectiles alcanza el depósito con probabilidad “p”. Si el depósito es alcanzado por un proyectil,
entonces se incendia con probabilidad “q”; si es alcanzado por más de uno, se incendia con toda
seguridad. Se define la variable aleatoria ξ como las pérdidas ocasionadas al enemigo por esta acción y
se sabe que ascenderán a 50 millones de euros si tiene éxito la incursión, y se valoran en cero euros si
no incendian el depósito. Determine la esperanza de la citada variable ξ. Particularice para el caso en
el que n = 5, p = 0,6 y q = 0,7.

• Datos:
CAPÍTULO 6. EJERCICIOS DE LOS TEMAS 4 Y 5 51

ß n proyectiles.
ß Probabilidad de acierto de 1 proyectil: P {1proy} = p
ß Probabilidad de incendio tal que 1 proyectil: P {A/1proy} = q
ß Probabilidad de incendio tal que >1 proyectil: P {A/ > 1proy} = 1

50 para i
ß Pérdidas al enemigo: ξ =
0 para no i

• Desarrollo:

ß P {éxito} = P {A} = P {1proy} ∗ P {A/1proy} + P {> 1proy} ∗ P {A/ > 1proy}

!
n
. P {1proy} = p(1 − p)n−1 = np(1 − p)n−1
1
. P {> 1proy} = 1 − P {1proy} − P {0proy} = 1 − np(1 − p)n−1 − (1 − p)n
ß Luego: P {A} = np(1 − p)n−1 ∗ q + 1 − np(1 − p)n−1 − (1 − p)n ∗ 1 = np(1 − p)n−1 (q −
 

1) + 1 − (1 − p)n
ß La esperanza: E{ξ} = 50P {A} + (1 − P {A}) ∗ 0 = 50P {A}
Capítulo 7

Distribuciones de probabilidad discretas

7.1. Distribución constante, degenerada o causal

En un punto c se concentra toda la masa de probabilidad. ξ = c

• Función de cuantía: P {ξ = c} = 1 ; P (ξ 6= c) = 1

0 x<c
• Función de distribución: F (x) =
1 x>c

• Esperanza: E{ξ} = c

• Varianza: V {ξ} = 0

• Función característica: ϕ(t) = eitc

7.2. Distribución uniforme discreta

ξ toma valores entre x1 , x2 , . . . , n

• Función de cuantía: P {ξ = xi } = 1
n ; i = 1, 2, . . . , n




0 x < x1

• Función de distribución: F (xk ) = n
k
xk ≤ x ≤ xk+1



1 x > xn


• Esperanza: E{ξ} = 1P
n xj
j

• Varianza: V {ξ} = 1P
n ( xj − x̄)2
j

• Función característica: ϕ(t) = 1 P itxj

n e
j

52
CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 53

7.3. Distribución de Bernouilli


1 si éxito
B (p) = ξ = B (1; p) donde p es la probabilidad de acierto y q = 1 − p, fracaso y ξ =
0 si no éxito

éxito p1 q 1−1 = p
• Función de cuantía: P {ξ = x} = px q 1−x
no éxito p0 q 1−0 = q




0 si x < 0

• Función de distribución: F (x) = q si 0 ≤ x < 1


si x ≥ 1

1


• Esperanza: E{ξ} = p

• Varianza: V {ξ} = p ∗ q

• Función característica: ϕ(t) = q + peit

• Si hay n variables aleatorias de Bernouilli, independientes e idénticamente distribuidas, convergen

a una distribución binomial B (n; p)

7.4. Distribución Binomial

ξ = B (n; p) donde una prueba dicotómica (éxito ó fracaso), independientes entre ellas, se repite n
veces.

!
n
• Función de cuantía: P {ξ = x} = px ∗ q n−x
x

• Esperanza: E{ξ} = np

• Varianza: V {ξ} = npq

n
• Función característica: ϕ(t) = q + peit
CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 54

• Moda: La moda se encuentra en el intervalo np − q ≤ M o ≤ n + p. Si estos valores extremos

son no-enteros, la distribución será unimodal, siendo la moda el valor que se encuentra dentro
del intervalo. Si estos valores extremos son ambos enteros, la distribución será bimodal, siendo
las modas estos dos valores.

• Propiedad reproductiva o aditiva: Si ξ1 → B (n; p) ˆ ξ2 → B (n; p) y son independientes, enton-

ces:

ß η = ξ1 + ξ2 → B ( n 1 + n 2 ; p )

Conviene
!
recordar que: !
n n! n
= x!(n−x!) =
x n−x
! !
n n
= =1
0 n
!
0
= 1 por convenio
0

7.5. Distribución Hipergeométrica

Tenemos una población de N elementos, donde tenemos dos clases N1 y N2 . De una muestra de n
elementos, donde n < N , queremos saber la probabilidad de que hayan n1 elementos pertenecientes a
N1 , o de la misma manera de n2 .
! !
N1 N2
n1 n − n1
• Función de cuantía: P {ξ = n} = !
N
n

• Esperanza: E{ξ} = np

• Varianza: V {ξ} = npq N −n

N −1

• Si N ≥ 50 y n
N < 0, 1, se puede aproximar a una binomial.

7.6. 2013 JUN 1ra Ejercicio 9

En un grupo de 10 amigos, en el que hay un 40 % de mujeres, seis han decidido ir al cine y el resto
jugar al mus, la probabilidad de que haya una mujer entre los que van a jugar es:

a) ' 0,38 c) 0,4

b) ' 0,35 d) Ninguna de las anteriores

Respuesta: a
CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 55

• El que haya un porcentaje de éxito no significa que sea una binomial. En la binomial el porcentaje
de éxito se mantiene constante, en cambio en la hipergeométrica no hay “reemplazamiento”, por
lo que el porcentaje de éxito cambia. Por tanto, este caso es una hipergeométrica. Si N fuese
altísimo (N ≥ 50), el cambio en la probabilidad por que se de un experimento cambiaría tan
poco (N − 1 ≈ N ) que podría aproximarse a una Binomial.

• Luego, se resolvería como:

! ! ! !
N1 N2 4 6
n1 n − n1 1 3
P {ξ = 1} = ! = ! ' 0,38
N 10
n 6

7.6.1. 2013 JUN 1ra Ejercicio 9 Cambiado 1

En un grupo de amigos, en el que hay un 40 % de mujeres, cuatro han decidido ir al cine y el resto
jugar al mus, la probabilidad de que haya una mujer entre los que van a jugar es:

• Como no conozco el cardinal del colectivo total, ni cuántas mujeres ni hombres hay. Luego tendría
que usar la B (4; 0,4), que es la única posibilidad que tengo para resolverlo.

7.6.2. 2013 JUN 1ra Ejercicio 9 Cambiado 2

En un grupo de 100 amigos, en el que hay un 40 % de mujeres,x han decidido ir al cine y el resto jugar
al mus, la probabilidad de que haya una mujer entre los que van a jugar es:

• Seria una hipergeométrica, pero los cálculos serían jodidos, asi que podemos aproximarla por
Bernouilli B (x; 0,4)

7.7. Distribución de Poisson

ξ ≡ P (λ). Se aplica a sucesos raros o colas de espera (siniestros, accidentes, quiebras).

x
• Función de cuantía: P {ξ = xi } = e−λ λx! ; x = 0, 1, . . . ; λ > 0
CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 56

x −λ x
• Función de distribución: F (x) = e λ
P
x!
k =0

• Esperanza: E{ξ} = λ

• Varianza: V {ξ} = λ
ir −1)
• Función característica: ϕ(t) = eλ(e

• Prop. reproductiva: Si ξ1 → P (λ1 ) ˆ ξ2 → P (λ2 ) ˆ independ. ⇒ ξ1 + ξ2 = P (λ1 + λ2 ) y a la

inversa también se cumple (teorema de Raikor)

• Convergencia de la binomial a la Poisson: Si n → ∞ ; p  0,1 ; np = cte → lı́m B (n; p) =

P (n; p). Como convenio tendremos que esto pasa si p < 0,10 y np < 5.

ß Propiedad: Si ξ1 → P (λ1 ) ˆ ξ2 → P (λ2 ) ⇒ P {ξ1 /ξ1 + ξ2 } = B (y; λ1

λ1 + λ2 ) condicionado
a que ξ1 + ξ2 = y

7.7.1. Ejemplo Poisson 1:

Se sabe que los números medios de llamadas telefónicas recibidas por unos profesionales son 5 y 4,
respectivamente, y son independientes. Con esto:

• Datos:

ß ξ1 ≡ P (5) ; E{ξ1 } = 5
ß ξ2 ≡ P (4) ; E{ξ2 } = 4

1. Cómo se distribuye la esperanza de ambos?

• Como cumple la propiedad reproductiva,ξ1 + ξ2 ≡ P (5 + 4) = P (9)

2. Suma y varianza

• E{ξ1 + ξ2 } = 9 ˆ V {ξ1 + ξ2 } = 9

3. Probabilidad de que un día entre los dos, reciban una o menos llamadas
0 1
• P {ξ1 + ξ2 ≤ 1} = e−9 90! + e−9 91! ≈ 0,012

7.7.2. Ejemplo Poisson 2:

Entre las empresas de más de 100 trabajadores, el número medio de quiebras es de 7,2 al trimestre:

• Datos:

ß Es una Poisson P (7,2) = ξ1 + ξ2 + ξ3 donde ξi es la media de quiebras mensual.

CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 57

1. Cuál es la probabilidad de que en un mes no quiebre ninguna empresa de más de 100 trabajadores?

• No nos lo dicen, pero para poder decir que la quiebra mensual es un tercio de la quiebra
trimestral hay que suponer que son independientes, sino no podremos aplicar Raikor).
• Luego, si independ → ξi ≡ P ( 73,2 ) = P (2,4)
• Por ende, P {ξ = 0} = e−2,4 2,4
0
1 0!

2. Probabilidad de que quiebren menos de 4 empresas en un trimestre

∞ x 4 x
• P {ξ < 4} = e−λ λx! = 1 − e−λ λx!
P P
x=5 x=0
4 x
e−λ λx! se puede hacer por el desarrollo en serie de McLaurin, que hay que sabérselo para
P
•
x=0
el exámen.

7.8. Distribución Geométrica

ξ ≡ G(p). Suceso dicotómico éxito(p)/fracaso(q). Queremos saber la probabilidad de obtener x = ξ
fracasos antes del primer éxito

• Función de cuantía: P (ξ = x) = q x ∗ p ; x = 0, 1, . . .
x
• Función de distribución: F (x) = qi ∗ p
P
i=0
q
• Esperanza: E{ξ} = p

q
• Varianza: V {ξ} = p2

• Función característica: ϕ(t) = p(1 − qeit )−1

• Si son independientes e igualmente distribuidas, converge a una Binomial Negativa BN (n; p)

• Falta de memoria: P {ξ ≥ a + b/ξ = a} = P {ξ ≥ b}

7.8.1. Ejemplo Geométrica:

Los usuarios de un determinado servicio de atención telefónica consiguen comunicar con un agente en
menos de un minuto, un 30 % de las veces. Cuál es la probabilidad de que se comunique al 7mo intento?

• P {ξ = 6} = 0,76 ∗ 0,3
CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 58

7.9. Distribución Binomial Negativa o de Pascal

ξ ≡ BN (r; p). Tenemos un espacio dicotómico éxito(p)/fracaso(q). Queremos la probabilidad de
obtener k fracasos antes de obtener el r-ésimo éxito.

! !
k+r−1 k+r−1
• Función de cuantía: P (ξ = k ) = q k pr−1 p = q k pr ; k =
k k
0, 1, . . .

• Esperanza: E{ξ} = r pq

• Varianza: V {ξ} = r pq2

• Función característica: ϕ(t) = pr (1 − qeit )−r

• Cumple la propiedad reproductiva

7.10. Distribución Multinomial

Población distribuida en n clases, con la probabilidad de pertenecer a una clase Aj como P {Aj } = pj
Buscamos la probabilidad de P {ξ1 = x1 ; ξ2 = x2 , . . . ξk = xk } = n! x1
x1 !∗x2 !∗...∗xk ! p1 ∗ px2 2 ∗ . . . ∗ pxk k

7.10.1. Ejemplo Multinomial:

Si jugamos a sacar cartas de distintos palos de un espacio tal que {0, 1, . . . , 36}, luego 37 posibilidades.
Si jugamos 25 veces, queremos la probabilidad de que un número salga:

• 2 veces entre 1 y 12

• 10 veces entre 13 y 24

• 10 veces entre 25 y 36

• 3 veces el cero
 2  10  10  3
• Vendrá dada por: P = 25!
2!10!10!3!
12
37
12
37
12
37
1
37
CAPÍTULO 7. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 59

7.11. Ejemplo de posible problema de exámen

Un mensajero reparte correspondencia en una ciudad, de modo que su desplazamiento es superior
a 500 metros un 20 % de las veces, y es inferior el 80 % de las veces. Suponiendo que realiza 10
desplazamientos:

• Datos:

ß ξ = B (10; 0,2) superior a 500 metros

ß η = B (10; 0,8) inferior o igual 500 metros
ß Sabiendo que ξ + η = 10

1. Probabilidad de que tenga dos desplazamientos superiores a 500 metros

!
10
• P {ξ = 2} = 0,22 0,88
2

2. Probabilidad de que más de dos deplazamientos iguales o inferiores a 500 metros

!
10 10
• P {η ≥ 2} = P {10 − ξ ≥ 2} = P {ξ ≤ 8} = 1 − P {ξ > 8} = 1 − 0,2x 0,810−x
P
x=8 x

3. Probabilidad de que tenga 3 o menos desplazamientos inferiores o iguales a 500 metros

!
10 10
• P {η ≤ 3} = P {10 − ξ ≤ 3} = P {ξ ≥ 7} = 0,2x 0,810−x
P
x=7 x

4. Número esperado y varianza de los desplazamientos mayores a 500 metros y de los inferiores

• E{ξ} = np = 10 ∗ 0,2 = 2 ; V {ξ} = npq = 10 ∗ 0,8 = 1,6

• E{η} = 8 ; V {η} = 1,6

5. Número esperado y varianza de los desplazamientos totales

• E{ξ + η} = 10 ; V {ξ + η} = V {10} = 0 porque es la varianza de una constante

6. Son independientes?

• ξ + η = 10, luego son completamente dependientes

7. La suma de todos los desplazamientos se distribuye como...

• ...ξ + η = 10, como una constante. ξ + η representa 10 viajes superiores, inferiores o iguales
a 500, pero siempre son 10 viajes. Ergo, es una constante, luego, la varianza es cero.
Capítulo 8

Distribuciones de probabilidad continuas

8.1. Distribución Uniforme

ξ ≡ U (a, b). Se puede dar de diferentes formas en un problema: “la probabilidad es proporcional a la
longitud del intervalo” ó “la probabilidad es proporcional al subintervalo”


 1
b−a si a ≤ x ≤ b
• Función de densidad: f (x) =
0 resto

 x−a
b−a si a ≤ x ≤ b ´ x
• Función de distribución: F (x) = dado que F (x) = 1
b−a dx = x−a
b−a
0 resto a

d−c
ß P {c ≤ x ≤ d} = F (d) − F (c) = b−a

• Esperanza: E{ξ} = a+b

2

(b−a)2
• Varianza: V {ξ} = 12

eitb −eita
• Función característica: ϕ(t) = it(b−a)

60
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 61

8.1.1. Ejemplo Uniforme 1:

it
e2it −e /2
Si ξ → ϕξ (t) = it3/2 , cuál es la probabilidad de P {1; 1,5}?

• De ϕξ podemos deducir que: b = 2 y que a = 1

2

,5−1 = 0,5 =
• Luego: P {1; 1,5} = 12− 1
1 1,5 3
2

En general, te pueden dar ϕ(t) para calcular la esperanza. Tendrás que reconocer
qué distribución es, reconocer los parámetros y con ellos aplicar la fórmula de la
esperanza.
Si no los recuerdas, también puedes derivar en función de t, dividir entre i y
particularizar en cero, y esa es su esperanza, recordando:
1 δ r ϕ(t)
i
αr = ir δtr t=0

8.1.2. Ejemplo Uniforme 2:

Si ξ ≡ U (a; b) / E{ξ} = 2 ˆ V {ξ} = 12 ,
1
el valor de P {0 ≤ ξ < 2} :

a) 1/2 c) 3/4
b) 1 d) Ninguna de las anteriores
Respuesta:
 
a+b
E{ξ} = 2 =2
 1,5 ⇒ b = 2,5
• (b−a)2 1
Que es un sistema de ecuaciones donde a
V {ξ} = 12 = 12
 2,5 ⇒ b = 1, 5 pero no puede ser b < a
La primera solución es la buena.
2−1,5
• Luego, ξ ≡ U (1,5; 2,5} → P {0 ≤ ξ < 2} = P {1,5 ≤ ξ < 2} = 2,5−1,5
= 0,5

8.2. Distribución Normal

η−µ
ξ ≡ N (µ, σ ). Tipificando la transformamos en una N (0; 1) : Si η = σξ + µ → σ ≡ N (0; 1)
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 62

2
• Función de densidad: f (x) = √1 e−1/2x
2π
; ∀x ∈ R. No hace falta saberse esta función de
densidad

• Esperanza: E{ξ} = µ, que coincide con el eje de simetría

• Varianza: V {ξ} = σ 2
1 2 2
• Función característica: ϕ(t) = e(itµ− 2 t σ )

• Las colas tienden a cero. Tiene puntos de inflexión en x = ±1

• Simétrica respecto de la media y unimodal. Y por ello, la media=moda=mediana

• Las tablas que usaremos en el exámen están hechas para una N (0; 1)de cola derecha:

1. Si, por ejemplo,ξ ≡ N (2; 3) → P {ξ ≤ 3} = P { ξ−2

3 ≤
3−2
3 } = P {ZN (0,1) ≤ 31 }
2. Las tablas para x = 1
3 te da la probablidad de la cola derecha. Sería P {ZN > 31 } = 0,3707.
3. Por simetria: P {ZN ≤ 13 } = 1 − P {ZN > 31 } = 1 − 0,3707 = 0,6393
4. A partir de ±3 la probabilidad es aproximadamente 0

• Propiedad aditiva o reproductiva: Si tenemos un conjunto {ξi ≡ N (µi ; σi )} independientes,

∀i/i = 1, . . . , n; además b ∈ R y un conjunto de número {ai } ∈ R. En esas condiciones:
 v 
n
X n
X
u n
uX
b+ a i ξi ≡ N  b + ai ξi ; t ai σi 
i=1 i=1 i=1

ß Casos particulares:
n rP !
√P
n  P P
ξi µi σi
1. b = 0 ˆ ai = 1 ⇒ ξi ≡ N → ≡N
P P
µi ; σi n n ; n

√ P
ξi
2. b = 0 ˆ ai = 1 ˆ igualmente distribuidas ⇒ ξi ≡ N (nµ; σ n) → ≡
P
 √ n
nµ σ n
N n; n

• Teorema de Cramer: Si la suma de n variables independientes es normal, entonces cada una de

ellas es normal. Y además, la suma de distribución normal no puede obtenerse como suma de
distribuciones no normales.

8.2.1. Ejemplo Normal 1:

Si ξ ≡ N (4; 2) ; P {ξ ≥ 0} será:

a) 1/2 c) < 1/2

b) > 1/2 d) Ninguna de las anteriores

Respuesta: b
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 63

• Basta imaginar dónde está el eje de simetría (µ = 4) y saber que este punto coincide con la
mediana, luego divide la masa de probabilidad en dos partes iguales (0,5). Como x = 0 es menor
que x = 4, {ξ ≥ 0} tendrá que ser mayor que 0,5.

8.3. Distribución χ2n central de Pearson

n
Si tenemos unas ξ1 , . . . , ξn variables independientes, y cualquier de ellas ξi ≡ N (0; 1) ⇒ ξi2 = χ2n
P
i=1
Intervalo para la varianza y en contrastes no paramétricos; allí el uso de las tablas se dará por hecho.


n
 1
x 2 −1 e−x/2 x≥0
2n/2 Γ( n

• Función de densidad: f (x; n) = 2 ) . No hay que saberse esta función
0 resto


de densidad, pero sí el campo de definición.

n
• Esperanza: E{χ2n } = E{ ξi2 } = n, donde n son los grados de libertad
P
i=1

2 2


• E{ χn } = α2 = n(n + 2)

• Varianza: V {χ2n } = α2 − α12 = n(n + 2) − n2 = 2n

• Función característica: ϕξ (t) = (1 − 2it)−n/2

• Propiedad reproductiva: Si ξ1 ≡ χ2n1 ˆ ξ2 ≡ χ2n2 ˆ independientes → χ2n1 + χ2n2 = χ2n1 +n2

• La tabla es de colas derechas. Varía con respecto a cómo se lee las tablas de la normal. P {χ2n ≤ a}:

ß Si ξ ≡ χ211 , P {ξ ≤ a} = 0,05? Buscamos a en tablas:

. Entramos con GL=11, y como P {ξ ≤ a} = 0,05, tendremos que entrar con 0,95 =
P {ξ > a}. Obtenemos a = 4,575
ß Si ξ ≡ χ211 , P {ξ ≤ 7,584}? Buscamos la probabilidad en tablas:
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 64

. P {ξ ≤ 7,584} = 1 − P {ξ > 7,584} = 1 − 0,75 = 0,25. El 0,75 nos lo dan las tablas.

• Distribución χ2 no central: ξ ≡ χ2 (n; δ ). Dado un grupo de ηi = N (µ, 1), χ2 (n; δ ) = ηi , con

P 2

δ= 1
σ2
nµ2 que es el parámetro de no centralidad.

8.3.1. Ejemplo χ2n 1:

Si ξ ≡ χ217 ˆ η ≡ χ218 , entonces se verifica:

a) P {ξ < 0} < P {η < 0} c) P {ξ > 0} = P {η > 0}

b) P {ξ > 0} < P {η > 0} d) Ninguna de las anteriores

Respuesta: c

• Sabiendo cuál es el campo de definición:

ß P {ξ < 0} = P {η < 0} = 0
ß P {ξ > 0} = P {η > 0} = 1

• Con esa información:

ß a) P {ξ < 0} < P {η < 0} → 0 < 0 Falsa

ß b) P {ξ > 0} < P {η > 0} → 1 < 1 Falsa
ß c) P {ξ > 0} = P {η > 0} → 1 = 1 Verdadera

8.4. Distribución t de Student

Si tenemos n + 1 v.a. independientes ξ; ξi ≡ N (0, σ ) con i = 1, 2, . . . , n (ξ es solo una distribución y
ξ
ξi son n, por eso son n + 1 distribuciones), la variable t de Student será τn ≡ q P con n grados de
ξ2
i
n
libertad, definida para ∀x/x ∈ R. Se usa para muestras pequeñas o de varianza desconocida.
En inferencia se usará para intervalos y contrastes, sobre todo en muestras continuas
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 65

• Simétrica. Como en la normal: µ = M e = M o

• Esperanza: E{τn } = 0

• Varianza: V {τn } = n
n−2

• Las tablas se leen de la misma manera que las de la χ2n . P {τn ≤ a}:

ß Si n = 15 → ξ ≡ τ15 , P {τ15 ≤ a} = 0,10?

ß Las tablas son para P {τn ≥ a}, luego, por ser simétrica, P {τ15 ≤ a} = 0,10 → P {τ15 ≥
a} = 0,10
ß Buscamos a en tablas:
. Entramos con GL=15, y como P {τ15 ≥ a} = 0,10, obtenemos a = 1,3406
ß Luego, deshaciendo la simetría, P {τ15 ≤ −1,3406} = 0,10

8.5. Distribución F de Fisher-Snedecor

m
P
η2
i
n χ2 ( m )
Si tenemos m + n distribuciones normales N (0, σ ), definimos ξ ≡ Fm,n = P n
m
= m χ2 ( n ) con m y
η2
i
n
n grados de libertad.
Se usará en inferencia para contrastes de intervalos más complicados (cociente de varianzas y demás).
El manejo de tablas es complicado. Así que con que sepamos cómo se construye la distribución, valdrá.
No es simétrica. El campo de variación es x ≥ 0
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 66

8.6. Distribución Gamma

ξ ≡ G(p, q ).
q p −qx p−1
• Función de densidad: f (x) = Γ (p)
e x , para x > 0 ; p > 0
p
• Esperanza: E{ξ} = q

p
• Varianza: V {ξ} = q2
 −p
• Función característica: ϕ(t) = 1 − it
q

• Propiedad reproductiva

• Propiedad de “falta de memoria”

• Cuando G( n2 ; 21 ) ≡ χ2n → función con propiedad reproductiva respecto al parámetro p

ß Si tenemos k veces G(pi , q ), independientes ⇒

P P
G ( pi , q ) = G ( p, q )
ß La función gamma es una generalización de la función exponencial, que aquí no estamos
viendo.
CAPÍTULO 8. DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 67

8.7. Distribución Logística

Se usa sobre todo en demografía. Campo de variación en R

8.8. Distribución Pareto

Campor de variación: x0 > 0
En Ayuda de Excel, que se activa pulsando F1, si entras a Referencia de funciones<Estadísticas encon-
trarás muchas funciones sobre las distintas distribuciones que hemos ido viendo.
Capítulo 9

Convergencia

9.1. Tipos de convergencia

9.1.1. Convergencia casi seguro (cs)
Una sucesión {ξn } de v.a. converge casi seguro a ξ, si P { lim ξn = ξ} = 1. Es una convergencia muy
n→∞
cs
fuerte. Se denota como ξn −→ ξ

9.1.2. Convergencia en probabilidad (p)

Una sucesión {ξn } de v.a. converge en probabilidad a ξ, si lim P {|ξn − ξ| ≥ ε} = 0 ∀ε ≥ 0. Es una
n→∞
p
convergencia más débil que cs. Se denota como ξn −→ ξ

9.1.3. Convergencia en distribución (d)

Una sucesión con Fn de v.a. converge en distribución a ξ con F (x), si lim Fn = F (x). Se denota
n→∞
d
como ξn −→ ξ. Ésta nos la encontraremos en Inferencia.

9.1.4. Convergencia en media de orden r (mr)

Cuando el límite de la esperanza de las desviaciones elevada a r es cero. lim E|ξn − ξ|r = 0. Se denota
n→∞
mr
como ξn −→ ξ
mc
La convergencia en media cuadrática, r = 2, es una caso especial importante. ξn −→ ξ

9.1.5. Relación entre los distintos tipos de convergencia

Las convergencias más fuertes son las convergencias cs y mr, y concretamente mc. Ambas implican
convergencia p y ésta a su vez, convergencia d.
)
cs
→ p → d
mc

68
CAPÍTULO 9. CONVERGENCIA 69

9.2. Leyes límite

9.2.1. Ley débil de los grandes números (LDGN)
Implica convergencia en probabilidad
Si tenemos una sucesión de v.a. {ξn }, cada una de ella con una E{ξn } < +∞, se dice que esta sucesión
n
P
ξi
cumple la LDGN si existe a su vez una sucesión{an } de números reales tales que si = ηn , donde
n
ηn es la nueva sucesión de medias, y esta η → lim P {|ηn − an | ≥ ε} = 0 ∀ε ≥ 0, que se denota como
n→∞
p
ηn −→ an
ηn −an p
Si existe otra sucesión {bn } /bn > 0, cumplirá la LDGN si bn −→ 0

9.2.1.1. Teorema de Khintchine

Caso particular de la LDGN.

Si tenemos una sucesión de v.a.iguales e independientes {ξn } teniendo todos la misma media
n
P
ξi p
E{ξn } = µ < +∞, luego, n = ηn , donde ηn −→ µ .

9.2.1.2. Teorema de Bernoulli

Caso particular del de Khintchine, y a su vez de LDGN P

B (n,p) B (p)
Partimos de unas variables ξ ≡ B (n, p) y definimos ξn = n = n y además sabemos que
np pq p
E{ξn } = n= p ˆ V {ξn } = n,
luego, ξn −→ p
O dicho de otra manera: lim P {|ξn − p| ≥ ε} = 0 ∀ε ≥ 0
n→∞

9.2.2. Ley fuerte de los grandes números (LFGN)

Implica la convergencia casi seguro.
Si partimos de una sucesión {ξn } v.a. y una suciesión de números reales {an } ˆ {bn } /bn > 0 ˆ bn −→
n→+∞
n
+∞, diremos que la sucesión {ξn } cumple la LFGN si definido el sumatorio γn = ξn , se cumple que
P
γn −an cs
bn −→ 0

9.2.3. Teorema Central del Límite (TCL)

Si tenemos una sucesión {ξn } v.a., diremos que esa sucesión verifica TCL si definida la suma γn =
n d
n −E{γn }
ξn /∃E{γn } ˆ ∃V {γn }, se cumple que γ√ −→ N (0, 1)
P
V {γn }

9.2.3.1. Teorema de Lindeberg-Lévy

Caso particular de la LFGN.

En las circunstancias anteriores, si además las {ξn } son independientes e idénticamente distribuidas,
γn −nµ d
siendo E{ξn } = µ ˆ V {ξn } = σ 2 , se cumple si √
σ n
−→ N (0, 1)
CAPÍTULO 9. CONVERGENCIA 70

9.2.3.2. Teorema de Moivre-Laplace

Caso particular de la LFGN.

Sea una sucesiónξi ≡ B (n, p), independientes e igualmentes distribuidas, definimos su suma B (n, p) ≡
n d
ξn −np
B (p), luego, −→ N (0, 1)
P
√
σ n

9.3. Convergencia entre distribuciones

• B (n, p) −→ N (µ, σ )

ß µ = np
√
ß σ = npq
ß Y np tiene que mantenerse estable
ß Por convenio, si np > 5 ˆ p ≤ 0,5

• B (n, p) −→ P (λ)

ß np = λ
ß Por convenio, si n > 30 ˆ p < 0,1

• P (λ) −→ N (µ, σ )

ß µ=λ
ß Por convenio, si λ ≥ 10

9.4. Ejercicios
9.4.1. Ejercicio Convergencia 1
p
Dada una sucesión de v.a. {ξn } con ∃E{ξn } < +∞ ˆ ξn −→ an :

a) Se cumple el teorema de Khintchine c) Se cumple la LFGN

b) Se cumple la LDGN d) Ninguna de las anteriores

Respuesta: b

• Para que se cumpla el teorema de Khintchine las {ξn } deben ser v.a. independientes.

• La LFGN implica convergencia cs, y aquí tenemos convergencia p

CAPÍTULO 9. CONVERGENCIA 71

9.4.2. Ejercicio Convergencia 2

Dada una sucesión de v.a. {ξn } igualmente distribuidas, con E{ξn } = µ < +∞:

a) Cumple TCL c) No lo cumple

b) No lo cumple si {ξn } son continuas d) Ninguna de las anteriores

Respuesta: c

• No sé si existe la varianza, luego, no puedo saber si cumple TCL.

• La respuesta b) no tiene sentido

• Este tipo de ejercicios se puede plantear con ciertas funciones de densidad de las que se sabe que
@E{ξ}

9.4.3. Ejercicio Convergencia 3

Un punto de atención al turista recibe una media de 4 visitas en temporada baja. Calcule:

Datos: ξ ≡ {visitas diarias t. baja} con una media=4. Se distribuye según una Poisson P (4).

Calcule:

1. Porcentaje de días en los que no se recibe visitas.

0
• P {ξ = 0} = e(−4) 40! = 0,0183

2. Probabilidad de que en un día se reciban entre una y tres visitas

3 x
• P {1 ≤ ξ ≤ 3} = e(−4) 4
P
x!
x=1

3. Si durante la temporada baja el centro de atención al turista está abierto durante 90 días, calcule
la probabilidad de que reciba menos de 150 visitas en esa cantidad de días
90
• Si abre 90 días, nos piden hallar P {
P
ξ < 150}
i=1
90
• Para poder sumar 90 poissones, ξ, hay que suponer que son independientes. En el exámen,
P
i=1
90 P 90 90
hay que ponerlo, puntúa. η = E{P (4)} =
P P
ξ= 4 = P (360)
i=1 i=1 i=1
90 90
• Luego: P { ξ < 150} = P { P (4) < 150} = P {η = P (360) < 150}
P P
i=1 i=1
• Una P (360) no es manejable, pero al ser λ ≥ 10, puedo suponer que converge a una normal
√
N (360, 360)
• Luego: P {ξi < 150} = P {ZN (0,1) < 150−360
√
360
} = P {ZN (0,1) < −11,067} ≈ 0
CAPÍTULO 9. CONVERGENCIA 72

9.4.4. Ejercicio Convergencia 4

Una empresa dedicada a la fabricación y venta de bebidas refrescantes, observa que el 40 % de estableci-
mientos visitados por sus comerciales compran sus productos. Si un vendedor visita 20 establecimientos,
determine la probabilidad de que al menos 6 realizen la compra
ξ ≡ {nº de establecimientos que realicen la compra}
n = 20 p = 0,4 Como np = 8 > 5 ˆ p < 0,5 se puede aplicar la convergencia
P {ξ ≥ 6} = 1 − P {ξ ≤ 5}
Capítulo 10

Ejercicios de los temas 7, 8 y 9

10.1. 2013 SEP Ord Ejercicio 3

Dadas las variables aleatorias ξ ≡ χ25 y η ≡ τ5 , se cumple:

a) P {ξ > 0} > P {η > 0} c) P {ξ > 0} = P {η > 0}

b) P {ξ > 0} < P {η > 0} d) Ninguna de las anteriores
Respuesta: a

• Podemos saber, conociendo el campo de variación de esas distribuciones, que P {ξ > 0} = 1 y

que P {η > 0} < 1

10.2. 2013 SEP Ord Ejercicio 4

El teorema de Moivre-Laplace es una caso particular de:

a) La ley débil de los grandes número c) Teorema de Khintchine

b) Teorema central del límite d) Ninguna de las anteriores
Respuesta: b

10.3. 2013 SEP Ord Ejercicio 5

Dada la variable ξ cuya función característica es ϕ(t) = 0,35 (1 − 0,7eit )−5 , la P {ξ = 0} será:

a) 0,00021 c) 0,00243
b) 0,16807 d) Ninguna de las anteriores
Respuesta: c

• Si sabemos que la función característica de una distribución Binomial Negativa es: ϕ(t) = pr (1 −
qeit )−r podemos identificar la función, que seria una B (5; 0,3).

73
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 74

!
5+0−1
• P {ξ = 0} = 0,35 0,70 = 0,00243
0

10.4. 2013 SEP Ord Ejercicio 8

Dada la variable aleatoria ξ ≡ N (2; 2), la P {|ξ| ≥ 2} será igual a:

a) 0,0456 c) 0,5228
b) 0,2614 d) Ninguna de las anteriores
Respuesta: c

• P {|ξ| ≥ 2} = P {ξ ≥ 2} + P {ξ ≤ −2}

• Como es simétrica en ξ = 2 → P {ξ ≥ 2} = 0,5

• Para hallar P {ξ ≤ −2} tipificamos: P {ξ ≤ −2} = P {ZN (0,1) ≤ −2−2

2 = −2}

• Por simetría P {ZN (0,1) ≤ −2} = P {ZN (0,1) ≥ 2} = 0, 0228

• Luego, P {|ξ| ≥ 2} = 0,5 + 0,0228 = 0,5228

10.5. 2013 SEP Ord Ejercicio 10

4
Dadas las variables ξi ≡ N (0, 2) con i = 1, 2, 3, 4, independientes entre sí, entonces η = 1/4 ξi2 será:
P
i=1

a) 4χ24 c) χ24
b) 1/4χ24 d) Ninguna de las anteriores
Respuesta: c
ξi −µ ξi −0
• Si tipifico ξi , obtengo una normal N (0, 1): γi = σ = 2 ≡ N (0, 1)

• Despejando, tenemos que:ξi = 2γi

4 4 4 4
ξi2 = 1/4 (2γi )2 = 1/4 4γi2 = γi2 = χ24 , que es la respuesta c)
P P P
P
• η = 1/4
i=1 i=1 i=1 i=1

Frase de la profesora:

El secreto para estudiar ésto es estudiar en la soledad más absoluta

10.6. 2013 JUN 2da Ejercicio 4

Un encuestador ha observado que el 25 % de los transeúntes se paran a hablar con él y, de éstos,
responde el 10 %. Si se considera la variable que define el número de personas que no contestan hasta
que encuentra una que sí lo hace, la esperanza de esta variable será:
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 75

a) 39 c) 75
b) 97,5 d) Ninguna de las anteriores
Respuesta: a

• ξ = {personas que no contestan hasta que una sí}

• La probabilidad de x fracasos hasta éxito viene definido por la distribución geométrica G(p) =
G(0,1) ya que la población que no se para a contestar no forma parte del espacio muestral.
Sabemos que E{G(p)} = pq , por lo que E{G(p)} = 00,,91 = 9

• En este ejercicio se dieron por buenas la a) y la d), porque si asumes que las personas que no se
detienen también forman parte del espacio muestral, E{G(p)} = 1−0 ,025
0,025 = 39

10.7. 2013 JUN 2da Ejercicio 6

La distribución de Pareto:

a) se utiliza para realizar análisis socioeconómicos y su campo de variación es − ∞ < x < ∞

b) se utiliza para realizar análisis demográficos y su campo de variación es − ∞ < x < ∞
c) se utiliza para realizar análisis socioeconómicos y su campo de variación es 0 < x < ∞
d) Ninguna de las anteriores

Respuesta: c

• Se utiliza para realizar análisis socioeconómicos y su campo de variación es x0 ≤ x < ∞ con

x0 ≥ 0, luego, uniendo ambos, 0 ≤ x < ∞

10.8. 2013 JUN 2da Ejercicio 8

4
Si ηi ≡ N (0, 2) independientes, i = 1, 2, 3, 4, entonces ηi2 será:
P
i=1

a) 1/4χ24 c) 4χ24
b) 2χ24 d) Ninguna de las anteriores
Respuesta: c
ηi −0 ηi −0
• Si tipifico ηi , defino γi = 2 = 2 ≡ N (0, 1) → 2γi = ηi
4 4 4
• Luego, ηi2 = (2γi )2 = 4 (γi )2 = 4χ24
P P P
i=1 i=1 i=1
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 76

10.9. 2013 JUN 2da Ejercicio 9

El teorema de Bernouilli es una formulación particular de:

a) la ley fuerte de los grandes números c) la ley débil de los grandes números
b) del teorema central del límite d) Ninguna de las anteriores
Respuesta: c

10.10. 2013 JUN 1ra Ejercicio 2

3
Dadas dos variables aleatorias ξ y η con funciones característica, respectivamente: ϕξ (t) = 0,7 + 0,3eit

4
y ϕη (t) = 0,7 + 0,3eit , se verifica que P {ξ + η = 2} es:

a) ' 0,32 c) ' 0,29

b) ' 0,03 d) Ninguna de las anteriores
Respuesta: d
• Sabemos que ambas dos v.a. son Binomiales. Para que cumpla la propiedad reproductiva (y por
ende podamos calcular ξ + η) han de ser independientes. No tenemos ni idea de si lo son, así que
nada.
!
7
• Si lo fuesen, ξ + η ≡ B (7; 0,3), con lo que P {ξ + η = 2} = 0,32 0,75 = 0,3176523' 0,32,
2
por lo que hubiese sido la a)

10.11. 2013 JUN 1ra Ejercicio 3

Dada la variable aleatoria ξ ≡ τ3 , se cumple:

a) P {ξ > 3} = P {ξ ≤ 3} c) P {ξ > 3} ≤ P {ξ ≤ 3}
b) P {ξ > 3} > P {ξ ≤ 3} d) Ninguna de las anteriores
Respuesta: c
• La v.a. τ siempre tiene su eje de simetría en x = 0, luego P {ξ > 0} = P {ξ < 0} = 0,5

• Con ello, podemos saber que P {ξ > 3} < 0,5 y que P {ξ ≤ 3} > 0,5. De ahí que P {ξ > 3} <
P {ξ ≤ 3} sea la correcta.

10.12. 2013 JUN 1ra Ejercicio 6

Dada {ξn } sucensión de variables aleatorias independientes e indénticamente distribuidas, definidas
cada una de ellas por la función de probabilidad P {ξn = i} = 1
2i
, siendo i un número natural, i ≥ 1.
Entonces el teorema de Lindeberg-Lévy:
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 77

a) se verifica porque ξn es variable discreta c) no se verifica

b) se verifica porque ξn es variable positiva d) Ninguna de las anteriores
Respuesta: c

• La función de probabilidad P {ξn = i} = 1

2i
es una de las que hay que llevar sabidas al exámen,
− 14
junto a para [1, +∞] y junto a 1 − x
1
x2
también para x ≥ 1, porque esas funciones no tienen
esperanza porque no convergen. Luego, si @E{ξ} no se verifica el Teorema de Lindeberg-Levy
(ya que éste exige que exista la esperanza y la varianza)
P 2i−1
• Hasta nuevo aviso: La función que no converge es P {ξn = 2i−1 } = 1
2i
ya que E{ξn } =
2 i ,
que no converge. En cambio, aquí se pide E{ξn } = , que es convergente, y su varianza
P i
2i

también. Luego, la respuesta correcta sería, posiblemente, la a)

10.13. 2013 JUN 1ra Ejercicio 7

Dada las variables ξ ≡ N (2, 2) y η ≡ N (1, 1), si su covarianza es 0, la variable ξ − η será:
√
a) N (3; 1) c) N (1; 5)
b) N (1; 3) d) Ninguna de las anteriores
Respuesta: d

• Para que cumpla la propiedad reproductiva (y por ende podamos calcular ξ + η) han de ser
independientes. No tenemos ni idea de si lo son, así que nada.

• Si el enunciado hubiese dicho que son independientes, E{ξ − η} = 2 − 1 = 1 y σ =

p
V {ξ − η} =
√ √
22 + 12 = 5, por lo que hubiese sido la c)

10.14. 2013 JUN 1ra Ejercicio 8

Dada la variable aleatoria ξ ≡ N (1; 2), si P {ξ ≤ −a} = 0,22, el valor de “a” será:

a) − 0,46 c) 0,77
b) 0,46 d) Ninguna de las anteriores
Respuesta: d

P = 0,2207 con A = 0,77
• Buscamos el valor de A que hace P {ZN (0,1) ≥ A} = 0,22 en las tablas: ,
P = 0,2177 con A = 0,78
y con este trozo del intervalo hacemos una regla de tres (sólo con estos intervalos, no con sus
valores absolutos), luego 0,2207−0,2177 = 0,22−0,2177 → A = 0,7723̄
0,77−0,78 A−0,78

• Luego, P {ZN (0,1) ≥ 0,7723̄} = 0,22, pero nosotros buscamos la cola izquierda, luego, por
simetría, lo que necesitamos es −A = −0,7723̄
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 78

• Tipificamos a la inversa: b−1

2 = −0,7723̄ → b = −0,5446̄

• Luego, b es el valor que hace P {ξ ≤ b} = 0,22, pero nos piden −a = b, luego a = −b = 0,5446̄

10.15. 2013 JUN 1ra Ejercicio 10

10
Si la función característica de ξ es ϕ(t) = 0,6 + 0,4eit su moda será:

a) 3 c) No existe la moda
b) 4 d) Ninguna de las anteriores
Respuesta: b

• Es una binomial B (10; 0,4). La moda estará en el intervalo np − q ≤ M o ≤ np + p → [3, 4; 4, 4],

luego unimodal, con la moda siendo el valor discreto que existe dentro del intervalo: 4.

• En general, usando esta fórmula, si los extremos son decimales, es unimodal, siendo la moda el
valor entero dentro del intervalo. Si los extremos son enteros, es bimodal, siendo ambos valores
iguales y modas de la distribución.

10.16. 2012 SEP Ord Ejercicio 2

−1
Si la función característica de ξ es ϕ(t) = 0,3 1 − 0,7eit , P {ξ = 2} es, exactamente:

a) 0,630 c) 0,851
b) 0,149 d) Ninguna de las anteriores
Respuesta: d

• Lo primero es identificar la función que es, lo que implica que tenemos que sabernos de memorieta
estas cosas. Es una distribución geométrica G(0,3).

• Luego, P {ξ = 2} = q x p = 0,72 ∗ 0,3 = 0,147

• Ojete: 0,149 significa que es y sólo puede ser 0,149. Hay dos milésimas de diferencia. Caso distinto
seria que la opción fuese ' 0,149 o = ∼ 0,149 similar, entonces sí.sería la opción b. La vida es
dura.

10.17. 2012 SEP Ord Ejercicio 2

−1
Si la función característica de ξ es ϕ(t) = 0,3 1 − 0,7eit , P {ξ = 2} es, exactamente:

a) 0,630 c) 0,851
b) 0,149 d) Ninguna de las anteriores
Respuesta: d
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 79

10.18. 2012 SEP Ord Ejercicio 6

Si la variable aleatoria ξ es una binominal B (16, 1/4), se puede asegurar:

a) Es unimodal c) Es bimodal
b) No tiene moda d) Ninguna de las anteriores
Respuesta: a

• La moda estará en el intervalo np − q ≤ M o ≤ np + p → [3, 25; 4, 25], luego unimodal, con la

moda siendo el valor discreto que existe dentro del intervalo: 4

10.19. 2012 SEP Ord Ejercicio 7

Dadas ξ1 ≡ N (−1, 1) y ξ2 ≡ N (−2, 2), se define η = ξ1 − 2ξ2 . Si el coeficiente de correlación lineal
de ξ1 y ξ2 es ρ y V {η} = 10, se puede asegurar que:

a) ξ1 y ξ2 son independientes y ρ = 0 c) ξ1 y ξ2 son dependientes y ρ = +0,875

b) ξ1 y ξ2 son dependientes y ρ = −0,875 d) Ninguna de las anteriores
Respuesta: c

• Como sabemos que: V {aξ1 + bξ2 } = a2 V {ξ1 } + b2 V {ξ2 } + 2ab{ξ1 ; ξ2 } (y si no nos lo sabíamos,
nos lo aprendemos ahora)

• Podemos decir que: V {ξ1 − 2ξ2 } = V {ξ1 } + 4V {ξ2 } − 4cov{ξ1 ; ξ2 }

• Sustituyendo con los datos del enunciado: 10 = 1 + 4 ∗ 4 − 4cov{ξ1 ; ξ2 } → cov{ξ1 ; ξ2 } = 7

4

cov{ξ1 ;ξ2 }
• Sabiendo que ρ =
7/4 7
σξ1 σξ2 = 1∗2 = 8 = 0,875

10.20. 2012 SEP Ord Ejercicio 8

Se sabe que P {3,940 ≤ χ210 ≤ a} = 0,70. El valor “a” será igual a:

a) 6,737 c) 12,549
b) 18,307 d) Ninguna de las anteriores
Respuesta: c

• Las tablas nos dan la probabilidad de la cola derecha: P {χ210 > x}

• El enunciado nos pide el valor a que cumple: P {χ210 < a} − P {χ210 < 3,940} = 0,70

• Usando las tablas: P {χ210 < 3,940} = 1 − P {χ210 > 3,940} = 1 − 0,95 = 0,05

• Luego, P {χ210 < a} − 0,05 = 0,70 ; P {χ210 < a} = 0,75 = 1 − P {χ210 > a} ; a = 12,549
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 80

10.21. 2012 SEP Ord Ejercicio 9

Dada la variable ξ ≡ N (µ, σ ), se puede asegurar:

a) P {ξ − µ > 0} depende de µ c) P { σξ > 0} depende de σ

b) P { ξ−µ
σ > 0} depende de µ y σ d) Ninguna de las anteriores

Respuesta: c

• P {ξ − µ > 0} = 0,5, luego no depende de µ (dada ξ, µ es la que es)

• P { ξ−µ
σ > 0} = 0,5, luego no depende de µ y σ

si N (1; 2) → P { 2ξ > 0}
• P { σξ > 0} = , luego, depende de σ
si N (2; 5) → P { 5ξ > 0}

• Ejercicio a repasar. Es raro

10.22. 2012 SEP Ord Ejercicio 10

Dada la sucesión de variables aleatorias {ξn } independientes entre sí e idénticamente distribuidas con
E{ξn } = µ ∀n, se puede aplicar el teorema de Lindeberg-Lévy porque:

a) Son independientes c) ∃E{ξn } = µ ∀µ y son independientes

b) ∃E{ξn } = µ ∀n d) Ninguna de las anteriores
Respuesta: d

• Que ∃V {ξn } es otra condición para poder aplicar el teorema de Lindeberg-Lévy. Como no podemos
confirmar su existencia, no podemos aplicar el teorema.

• Si en lugar de darnos la esperanza, nos hubiesen garantizado la existencia de la varianza, la

respuesta habría sido la c); ya que la existencia de varianza garantiza la existencia de esperanza

10.23. 2012 JUN 1ra Ejercicio 3

Dada ξ ≡ N (2; 2), el número real “a” que cumple P {|ξ| < a} = 0,9398 es igual a:

a) − 1,88 c) − 1,55
b) 1,55 d) Ninguna de las anteriores
Respuesta: d

• Lo primero que hacemos es descartar los negativos, ya que en la función ABS1 puede tomar
argumentos negativos, pero devuelve valores todos positivos. Con lo que descartamos a) y c)
1
Nombre de la función de excel que devuelve el valor absoluto
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 81

• Comprobamos la opción b: P {|ξ| < 1,55} = P {−1,55 < ξ < 1,55} = P { −1,55−2
2 < ZN (0,1) <
1,55−2
2 } = P {−0,8875 < Z < −0,225}
N (0,1)

• Tipificando: P { −1,55−2
2 < ZN (0,1) < 1,55−2
2 } = P {−0,8875 < ZN (0,1) < −0,225} = P {0,225 <
ZN (0,1) < 0,8875} = 0,4110 − 0,186 = 0,225

• Luego, es la opción d)

• Si quisieramos hallar el valor de a, sería bien complicado: P {|ξ| < a} = P {−a


< ξ < a} =
P { 2 < ZN (0,1) < 2 } donde 2 no sería el simétrico de 2 ( 2 6= −
−a−2 a−2 a−2 −a−2 a−2 −a−2
2 ). Ergo,
lo mejor es tantear con los valores que te damos

10.24. 2012 JUN 1ra Ejercicio 5

Un grupo de compañeros, en el que hay 4 mujeres y 2 varones, forma un subgrupo de trabajo de tres
personas. La probabilidad de que en el subgrupo haya 2 mujeres y 1 varón:

a) 1/2 c) 3/5
b) 4/9 d) Ninguna de las anteriores
Respuesta: c
! !
4 2
2 1 4!
∗ 2! 4∗3 2
∗1
• Es una hipergeométrica donde ! = 1!2! 1!1!
6! = 1
6∗5∗4 = 4∗3∗2∗3∗2
6∗5∗4 = 3
5
6 3!3! 3∗2

10.25. 2012 JUN 1ra Ejercicio 6

Dada la variable aleatoria ξ ≡ N (0; 1), se tiene que E{ξ 4 } es:

a) 1 c) 3
b) 2 d) Ninguna de las anteriores
Respuesta: c
4 i
1 d ϕξ (t)
• Podrías hacer: E{ξ 4 } = i 4 dt4
, calcular, y hallar la esperanza
t=0

• Pero un camino más sencillo se da si sabes que: χ2n = ξ12 + ξ22 + . . . ξn2 y además que E{χ2n } =

2
n ; E{ χ2n } = n(n + 2)

2
2
• Luego, E{ξ 4 } = E{ ξ 2 } = E{ χ21 } = 1(1 + 2) = 3
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 82

10.26. 2012 JUN 1ra Ejercicio 7

Dada ξ variable aleatoria que sigue una distribución de Pareto la P {ξ > 0} es:

a) 0 c) 0,50
b) 0,25 d) Ninguna de las anteriores
Respuesta: d

• Si sabemos el campo de variación de la distribución de Pareto, podemos ver fácilmente que

P {ξ > 0} = 1, luego todas las opciones aquí puestas son incorrectas

10.27. 2012 JUN 1ra Ejercicio 8

Dadas dos distribuciones t de Student, ξ1 = t12 y ξ2 = t15 se cumple siempre:

a) P {ξ1 > 0} > P {ξ2 > 0} c) P {ξ1 > 0} = P {ξ2 > 0}

b) P {ξ1 > 0} < P {ξ2 > 0} d) Ninguna de las anteriores
Respuesta: c

• Sabiendo la forma de la función t de Student, vemos que es simétrica, y en el eje de simetría

coinciden media, mediana y moda. Luego, se ha de cumplir P {ξ1 > 0} = P {ξ2 > 0} = 0,5,
luego, es la c

10.28. 2012 JUN 1ra Ejercicio 9

Dada {ξn } sucesión de variables aleatorias independientes idénticamente distribuidas, V {ξn } = σ 2
finita. Entonces se puede aplicar el teorema central del límite:

a) Siempre c) Nunca
b) Si ξn es variable positiva d) Ninguna de las anteriores
Respuesta: a

• Si existe varianza, por el teorema de existencia de momentos, existe la esperanza. Luego, como
sabemos que las v.a. son independientes e igualmente distribuidas, se cumple el teorema de
Lindeberg-Lévy, ergo, también se cumple el TCL

10.29. 2012 JUN 2da Ejercicio 6

Cuál de las siguientes distribuciones tiene la peculiaridad de “falta de memoria”?

a) Pascal c) Hipergeométrica
b) Geométrica d) Ninguna de las anteriores
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 83

Respuesta: b

• Las distribuciones con “falta de memoria” de las estudiadas son la Geométrica y la Gamma

10.30. 2012 JUN 2da Ejercicio 7

Si una variable aleatoria sigue una distribución F (m, n) y si m = 1, entonces se verifica que:

a) F (1, n) = t(n) c) F (1, n) = τ 2 (n)

b) F (1, n) = F (n, 1) d) Ninguna es correcta
Respuesta: c → Hubo cambio en el enunciado final de exámen
m
P
ξ2
i 2
ξ ξ
• Sabiendo que Fm,n = P n
m
; τn ≡ q P , particularizamos para m = 1: Fm,n = P
n =
ξ2
ξ2 i ξ2
i n i
n n
 2
 ξ
 = τ2

r
 Pn  n
ξ2
i
n

10.31. 2012 JUN 2da Ejercicio 9

La media de una variable aleatoria η = N (α; σ ) es el triple de la desviación típica. La P {η ≤ 4} =
0,0228, cuál es la media y la varianza de la distribución?:

a) α = 3,75 y σ 2 = 1,25 c) α = 2,4 y σ 2 = 0,64

b) α = 1,74 y σ 2 = 0,58 d) Ninguna es correcta
Respuesta: d

• En general, sabiendo que η es una normal, vemos que la probabilidad P {η ≤ 4} es tan baja que
4 debe estar en la cola izquierda. Luego, la media debe ser superior a 4, y como ninguna de las
opciones tiene α > 4, pues la respuesta es la d

• Aún asi, lo hacemos. P {ZN (0,1) ≤ −a} = P {ZN (0,1) ≥ a} = 0,0228 → a = 2, pero como
estamos en la cola izquierda, nos situamos en -2.

• Luego, 4−3σ
σ = −2 → 4 = σ → 3 ∗ σ = 12 = µ

10.32. 2012 JUN 2da Ejercicio 10

16
Dadas las variables aleatorias independientes: ξ ≡ N (0; 1) y η = ξi2 , siendo las ξi ≡ N (0; 1). Cuál
P
i=1
es el valor de x0 que verifica que P {4ξη −1/2 ≤ x0 } = 0,90?
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 84

a) x0 ' 1,746 c) ' 2,585

b) ' 1,337 d) Ninguna es correcta
Respuesta: b
ξ ξ
• Sabiendo que la t de Student se define como τn ≡ q P podemos ver que 4ξη −1/2 = 1
η /2
=
ξ2
i 4
n
√ξ η = q P
ξ
= τ16
16 ξ2
i
16

• Vamos a las tablas: 16 grados de libertad, prob 0,10, luego P {τ16 ≥ x0 } = 0,10 → a = 1,3368

10.33. 2011 SEP Ord Ejercicio 1

Sea ξ ≡ τ5 , t de Student con 5 grados de libertad, y k número real tal que k ≥ 0, entonces se puede
asegurar:

a) P {ξ > k} = 12 P {ξ < −k} c) P {ξ > k} = P {ξ < −k}

b) P {ξ = k} > 1
2 P {ξ < k} d) Ninguna de las anteriores
Respuesta: c

• Conociendo la forma de la distribución t de Student podemos decir:

ß P {ξ > k} < 0,5

ß P {ξ < −k} < 0,5
ß P {ξ = k} = 0
ß P {ξ < k} > 0,5
ß Por simetría, P {ξ > k} = P {ξ < −k}

• Luego, la respuesta es la c

10.34. 2011 SEP Ord Ejercicio 3

Dadas las variables aleatorias ξ y η, tales que ξ ≡ N (2; 1) y η ≡ N (3; 2), se verifica que:

a) P {ξ > 2} > P {η > 2} c) P {ξ > 2} > P {η > 23 }

b) P {ξ < 3} > P {η < 3} d) Ninguna de las anteriores
Respuesta: b

• P {ξ > 2} = 0,5 ; P {η > 2} > 0,5. Luego, la a) es falsa

• P {ξ < 3} > 0,5 ; P {η > 2} = 0,5. Luego, la b) es verdadera

• P {ξ > 2} = 0,5 ; P {η > 23 } > 0,5. Luego, la c) es falsa

CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 85

10.35. 2011 SEP Ord Ejercicio 5

Si una sucesión de variables aleatorias {ξn } converge en distribución a una cierta variable ξ, se puede
asegurar que también se verifica convergencia a dicha variable:

a) Casi segura c) En probabilidad

b) En media cuadrática d) Ninguna de las anteriores
Respuesta: d
)
cs
• La convergencia en distribución no implica otro tipo de convergencia. Ver: → p → d
mc

10.36. 2011 SEP Ord Ejercicio 7

Una pequeña empresa, en la que hay 3 hombres y 6 mujeres, ha establecido que las vacaciones se tomen
durante los meses de julio, agosto y septiembre, sorteando los turnos, de modo que en cada uno de los
meses salgan 3 trabajadores. Cuál es la probabilidad de que durante el mes de agosto haya 1 hombre
trabajando y 2 de vacaciones?

a) ' 0,44 c) ' 0,33

b) ' 0,54 d) Ninguna de las anteriores

Respuesta: d

• Es una hipergeométrica. Podemos considerar las personas que trabajan o las personas que está
de vacaciones:
! !
3 6
1 5 3! 6! 3 6
ß Trabajan: ! = 1!2! 5!1!
9! = 1 1
9∗8∗7 = 3∗6∗3∗2
9∗8∗7 = 3
28 = 0,214
9 3!6! 3∗2

3
! !
3 6
2 1 3! 6!
ß Están de vacaciones: ! = 2!1! 1!5!
9! = 0,214
9 3!6!

10.37. 2011 SEP Ord Ejercicio 9

La ley débil de los grandes números, si se cumples las hipótesis que establece, asegura convergencia:

a) Casi segura c) En probabilidad

b) En distribución d) Ninguna de las anteriores
Respuesta: c
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 86

• Recordemos todos juntos:

ß LDGN: necesita convergencia en probabilidad

ß LFGN: necesita convergencia casi seguro
ß TCL: necesita convergencia en distribución

10.38. 2011 JUN 2da Ejercicio 4

Si la función característica de una distribución es ϕ(t) = 0,3(1 − 0,7eit )−1 , se puede asegurar que:

a) P {ξ ≡ x} = 0,3x 0,7 c) P {ξ ≡ x} = 0,3x 0,71−x

b) P {ξ ≡ x} = 0,7x 0,3 d) Ninguna de las anteriores
Respuesta: b

• Deberemos ser capaces de reconocer la distribución a partir de su función característica: es una

distribución geométrica G(0,3). Luego, si también recordamos su función de cuantía, vemos que
es la opción b

10.39. 2011 JUN 2da Ejercicio 6

Dadas las variables aleatorias ξ y η independendietes, siendo ξ ≡ N (1, 1) y η ≡ N (2, 2), se cumple
siempre:

1 1
a) P {ξ + η > 3} = 2 c) P {ξ + η > 0} = 2
b) P {ξ + η > 3} = 1
3 d) Ninguna de las anteriores
Respuesta: a

• La variable ξ + η es otra normal, de esperanza E{ξ + η} = E{ξ} + E{η} = 3. Luego, como

cualquier función normal es simétrica respecto a su media, podemos deducir P {ξ + η > 3} = 1
2

10.40. 2011 JUN 2da Ejercicio 7

Si una sucesión de variables aleatorias {ξn } converge en distribución a una cierta variable ξ, se puede
asegurar que también se verifica convergencia a dicha variable:

a) Casi segura c) En media cuadrática

b) En probabilidad d) Ninguna de las anteriores
Respuesta: d
)
cs
• La convergencia en distribución no implica otro tipo de convergencia. Ver: → p → d
mc
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 87

10.41. 2011 JUN 2da Ejercicio 8

El campo de variación de la distribución Fm,n de Fisher-Snedecor es:

a) − ∞ < x < ∞ c) 0 < x < ∞

b) 0 ≤ x < ∞ d) Ninguna de las anteriores
Respuesta: b

• De las pocas cosas que hay que saberse de esta función, ésta es una de ellas.

10.42. 2011 JUN 1ra Ejercicio 3

De una baraja de 52 cartas se extraen cuatro cartas simultáneamente. La probabilidad de que las cuatro
sean de palos diferentes es:

a) ' 0,094 c) ' 0,077

b) ' 0,106 d) Ninguna de las anteriores
Respuesta: b

• Al decirte “simultáneamente” te están indicando que no hay reemplazamiento

! ! ! !
13 13 13 13
1 1 1 1
• Se puede asemejar a una multinomial. En ese caso hariamos: ! ≈
52
4
0,106, ya que, para el que no lo sepa, cada baraja tiene 4 palos, y cada palo 13 cartas.

• También podemos hacerlo a la fuerza: 52

52 ∗ 39
51 ∗ 26
50 ∗ 13
49 ≈ 0,106 ya que, la primera carta puede
ser de cualquier de los tres palos, 52 ;
52
la segunda ya no puede ser del palo anterior, luego quedan
39 posibles (13*3) de 51 cartas que quedan, 51 ,
39
la tercera no puede ser de ninguno de los dos
palos anteriores, luego para éxito quedan 16 cartas posibles (13*2) de 50 cartas que quedan, 50 ,
26

y así.

10.43. 2011 JUN 1ra Ejercicio 5

Dada una variable aleatoria ξ, que resulta ser bimodal, se puede asegurar:

a) No es una distribución normal c) No es una distribución t de Student

b) No es una distribución binomial d) Ninguna de las anteriores
Respuesta: a y c

• Una distribución binomial podría ser bimodal, en cambio, la normal y la t de Student son unimo-
dales siempre.
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 88

• Sí, el ED se equivocó y puso dos respuestas correctas. Solo dió esas dos respuestas como correctas,
esto es, no dió por válida las 4 opciones ni anuló la pregunta. Por si te pasa, para que sepas cual
sería el criterio y decidas en consecuencia.

10.44. 2011 JUN 1ra Ejercicio 6

Dada la variable aleatoria ξ cuya función de densidad es f (x) = 21 x2 e−x si x ≥ 0 y 0 en el resto, su
esperanza es igual a:

a) 1/2 c) 3
b) 2 d) Ninguna de las anteriores
Respuesta: c

• Hemos de ser capaces de reconocer que es una gamma G(3, 1). Particularizamos para obtener
p
su esperanza: E{ξ} = q = 3
1 =3

10.45. 2011 JUN 1ra Ejercicio 7

Dadas dos variable independientes ξ y η, con distribución de Poisson de parámetros λ1 y λ2 , la distri-
bución de la variable ξ condicionada a la varaible suma ξ y η será una:

a) Poisson c) Geométrica
b) Binomial d) Ninguna de las anteriores
Respuesta: b

• Si son independientes, ξ1 → P (λ1 ) ˆ ξ2 → P (λ2 ) ⇒ P {ξ1 /ξ1 + ξ2 } = B (y; λ1

λ1 +λ2 ) condicio-
nado a que ξ1 + ξ2 = y

10.46. 2011 JUN 1ra Ejercicio 8

Si una sucesión de variables aleatorias {ξn } converge en probabilidad a una cierta variable ξ, se puede
asegurar que también se verifica convergencia a dicha variable:

a) Casi segura c) En distribución

b) En media cuadrática d) Ninguna de las anteriores
Respuesta: c
)
cs
• La convergencia en probablidad implica convergencia en distribución. Ver: → p → d
mc
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 89

10.47. 2011 JUN 1ra Problema 1

Un determinado establecimiento vende tres marcas diferentes de coches. Sean ξ1 , ξ2 y ξ3 variables
aleatorias independientes y normales, que representan el volumen semanal de ventas para cada una de
las marcas. Las ventas medias semanales de estas marcas son 7, 10 y 13 miles de unidades monetarias,
√
respectivamente, y sus desviaciones típicas respectivas son 2, 3 y 2 3 miles de unidades monetarias.
En estas condiciones, obtenga:

√
Datos: Tres v.a. independientes: ξ1 ≡ N (7, 2) ; ξ2 ≡ N (10, 3) ; ξ1 ≡ N (13, 2 3) que son ξi =
{volumen de ventas semanal de la marca i}

Desarrollo:

1. La probabilidad de que, para una semana particular, el volumen total de ventas para las tres
marcas de coches, supere los 30 miles de unidades monetarias.

• Como son independientes, podemos aplicar la propiedad reproductiva: ξs = ξ1 + ξ2 + ξ3 →

ξs ≡ N (30, σ ). Como es simétrica, sabemos que P {ξs > 30} = 0,5.
• Nótese que para ello no necesitamos calcular la varianza de V {ξs } ni usar las tablas.

2. La probabilidad de que, en una semana determinada, la suma de las ventas de la primera marca y
de la tercera superen las ventas de la segunda marca en más de 30 miles de unidades monetarias

• Definimosξ2s = ξ1 + ξ3 − ξ2 → ξ2s ≡ N (10, 5)

• Nos piden P {ξ2s > 30} = P {ZN (0,1) > 30−10
5 } = P {ZN (0,1) > 4} = 0.
• Tenemos que saber que, para una N (0; 1), para valores superiores a 3, P {ξ > 3} ≈ 0.
Luego, tampoco había que usar las tablas

3. Si se consideran ahora 4 establecimientos independientes de ventas de coches y en cada uno de

ellos las ventas de coches de la segunda marca se distribuyen según una N (10, 3), cuál será la
probabilidad de que las ventas totales semanales de la segunda marca oscilen entre 34 y 46 miles
de unidades monetarias?

• Son 4 v.a. independientes ξ2 ≡ N (10, 3) → ξ4e ≡ N (40; 6)

• Nos piden P {34 < ξ4e < 46} = P { 34−40
6 < ZN (0,1) < 46−40
6 } = P {−1 < ZN (0,1) < 1} =
1 − 2 ∗ P {ZN (0,1) > 1}
• En tablas hallamos P {ZN (0,1) > 1} = 0,1587
• Ergo, P {−1 < ZN (0,1) < 1} = 1 − 2 ∗ 0,1587 = 0,6826
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 90

10.48. 2011 JUN 2da Problema 2

Un grupo de estudiantes consta de 2 estudiantes excelentes, 3 buenos y 5 medianos. En el exámen de
Inferencia Estadística, un estudiante excelente sólo puede obtener la calificación de sobresaliente, uno
bueno puede obtener con igual probabilidad un sobresaliente o un notable, y un estudiante mediano
puede conseguir con igual probabilidad las calificaciones de notable, suficiente o insuficiente. Si en
estas condiciones se eligen tres estudiantes arbitrariamente, determine la probabilidad de que dichos
estudiantes obtengan las calificaciones sobresaliente, notable o insuficiente.

• Datos:Un grupo de 10 estudiantes consta de alumnos:

1. 2 excelentes (E) → P {Sb /E} = 1

2. 3 buenos (B) → P {Sb /B} = P {N t/B} = 1
2

3. 5 medianos (M ) → P {N t/M } = P {S/M } = P {I/M } = 1

3

ß Donde las calificaciones son Sb es soobresaliente; N t es notable; S es suficiente y I es

insuficientes

• Desarollo: Hallar P {3 alumnos elegidos al azar obtengan Sb, N t ó I} = P {3 alum, ninguna S}

ß P {3 alum, ninguna S} = P {A} = 1 − P {3 alum, al menos una S} = 1 − P {A}

n
ß Usando la probabilidad total P {A} = P {Mi }P {A/Mi }
P
i=1
ß Calculamos la probabilidad de las diferentes P {Mi }:
!
5
3 5∗4
5∗4∗3∗2 1
. H1 = {M M M } ; P {H1 } = ! = 2
10∗9∗8 = 10∗9∗8∗2 = 12 = 0,083
10 3∗2

3
! !
5 2
2 1
. H2 = {M M E} ; P {H2 } = ! = 0,166
10
3
! !
5 3
2 1
. H3 = {M M B} ; P {H3 } = ! = 0,250
10
3
! !
5 2
1 2
. H4 = {M EE} ; P {H4 } = ! = 0,0416
10
3
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 91

! !
5 3
1 2
. H5 = {M BB} ; P {H5 } = ! = 0, 125
10
3
! ! !
5 2 3
1 1 1
. H6 = {M EB} ; P {H6 } = ! = 0,250
10
3
ß Calculamos la probabilidad de las diferentes P {A/Mi }:
 3
2
. P {A/H1 } = 1 − 3 = 0,701
 2
2
. P {A/H2 } = 1 − 3 = 0,556
 2
2
. P {A/H3 } = 1 − 3 = 0,556
 1
2
. P {A/H4 } = 1 − 3 = 0,333
 1
2
. P {A/H5 } = 1 − 3 = 0,333
 1
2
. P {A/H6 } = 1 − 3 = 0,333
ß Calculamos la probabilidad parcial de cada P {Mi }P {A/Mi }:
. P {H1 }P {A/H1 } = 0,083 ∗ 0, 701 = 0, 059
. P {H2 }P {A/H2 } = 0,166 ∗ 0, 556 = 0,093
. P {H3 }P {A/H3 } = 0,250 ∗ 0, 556 = 0,138
. P {H4 }P {A/H4 } = 0,0416 ∗ 0, 333 = 0,0138
. P {H5 }P {A/H5 } = 0, 125 ∗ 0, 333 = 0,0416
. P {H6 }P {A/H6 } = 0,250 ∗ 0, 333 = 0,083
n
ß P {A} = P {Mi }P {A/Mi } = 0,429
P
i=1
ß Ergo, P {A} = 1 − 0, 429 = 0,571

10.49. 2011 SEP Ord Problema 1

Las ventas mensuales de un determinado establecimiento se distribuyen uniformemente, con media 8
y desviación típica 3, ambas en miles de unidades monetarias, y los gastos estimados para el mismo
período son de 9 mil unidades monetarias. Dada la difícil situación, los propietarios han decidido cerrar
el negocio si se vieran obligados a solicitar un nuevo crédito, lo cual ocurriría si las ventas no cubrieran
en el próximo mes los gastos fijos. Calcule la probabilidad de cierre.

• Datos:

ß V.a. ξ = {ventas mensuales}. “se distribuyen uniformemente” → distribución uniforme

U (a; b)
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 92

ß µ=8; σ=3
ß {Gastos} = 9, constante

• Desarollo:

ß Tenemos que halla los parámetros a y b:



 sistema de √  1
 √ √
µ = a+ b
2 =8 a = 8−3 3 √ si 8 − 3 3 ≤ x ≤ 8 + 3 3

)2 → √ → f (x) 6 3
σ 2 = (b−a = 9  ecuaciones b = 8+3 3 
12 resto

0

ß Nos preguntan P {ξ ≥ 9}:

√
8+ˆ3 3
1
P {ξ ≥ 9} = √ dx = 0,4038
6 3
9

10.50. 2012 JUN 1ra Problema 2

Un colegio está preparando a sus alumnos para una olimpiada matemática local. Ha comprobado que
la cantidad de tiempo, en horas, que emplea cada estudiante para la finalización de una prueba tipo
sigue una distribución ξ ≡ N (1, 1/2).

1. Calcule la probabilidad de que un alumno utilice más de dos horas para terminar la prueba

2−1
• P {ξ > 2} = (tipif icando) = P {ZN (0;1) > 1/2 } = P {ZN (0;1) > 2} = 0, 0228

2. Si el número de estudiantes que se preparan para la olimpiada es de 400, calcule la probabilidad

de que menos de tres de ellos inviertan más de dos horas en hacer dicha prueba

• n = 400 ; Binomial B (400; 0, 0228). 400 experimentos con una probabilidad de éxito de
0, 0228 cada uno.
• Podemos aproximarlo a una normal, recordando los requisitos:np > 5 ˆ p ≤ 0, 5. np =
9, 12 > 5 y p = 0, 0228 < 0, 5, cumple ambos requisitos, luego, lo aproximamos a una
normal
√
• B (400; 0, 0228) → N (400 ∗ 0, 0228; 400 ∗ 0, 0228 ∗ 0, 9772) = N (9, 12; 2, 985). Luego,
de 400 experimentos, la media de niños que invertirán más de dos horas en hacer la prueba
es de 9, 12 niños.
• Calculamos la probabilidad pedida: P {ξ < 3} = P {ZN (0,1) < 3−9,12
2,985 } = P {ZN (0,1) <
−2, 05} = (tablas) = 0, 0202
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 93

10.51. 2012 SEP Ord Problema 2

Un pequeño restaurante ha comprobado que las ventas diarias siguen una distribución N (µ, σ ). Se
sabe, además, que el 20 % de los días son superiores a 1.000€ y el 30 % sobrepasan los 800€

Datos: ξ ≡ N (µ; σ ) ≡ {ventas diarias} con P {ξ > 1000} = 0, 20 y además P {ξ > 800} = 0, 30

Desarrollo:

1. Calcule la media y la varianza de esta distribución

1000−µ 1000−µ
sistema de
)
P {ξ > 1000} = 0, 20 ; P {ZN (0,1) > σ } = 0, 2 → σ } = 0, 84 µ = 458, 06
800−µ 800−µ →
P {ξ > 800} = 0, 30 ; P {ZN (0,1) > σ } = 0, 3 → σ } = 0, 53 ecuaciones σ = 645, 16

2. Si los costes C están relacionados con las ventas V según la expresión

C = 350 + V − 0, 00015V 2

halle el coste medio

• El coste medio será la esperanza del coste, luego:

E (C ) = E{350 + V − 0, 00015V 2 } = 350 + E{V } − 0, 00015E{V 2 }

• E{V } es lo calculado antes: E{V } = 458, 06

• E{V 2 } = α2 . Como sabemos que σ 2 = α2 − α12 ; α2 σ 2 = σ 2 + α12 = (645, 16)2 +
(458, 06)2 = 625997, 0905
• 0, 00015E{V 2 } = 93, 90
• E (C ) = 350 + 450 − 93, 90 = 706, 10

3. El propietario desea conocer la distribución de ventas anuales, considerando que el negocio cierra
los domingos y que hay oscilasciones los fines de semana. Concretamente, ha comprobado que
cuando el negocio funciona muy bien los viernes los sábados sufre un bajón muy acusado. Analice
la situación y proporcione una solución a este propietario

• No hay solución porque las variables no son independientes; no estamos en condiciones de

proporcionar dicha solución. Las ventas de los Sábados están condicionadas por la de los
Viernes
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 94

10.52. 2013 JUN 2da Problema 2

Un grupo de investigación ha sufrido el rechazo de un trabajo por una revista de primer orden por errores
en los cálculos que incorporaba. Para evitar situaciones similares en el futuro, han realizado pruebas
que les han llevado a concluir que en cada operación existe una probabilidad 1/2 de que se produzca
un error de 10−5 unidades. Suponiendo que en la investigación citada sean precisas 106 operaciones y
que los errores sean independientes y se distribuyan según una normal de media nula

Datos:

• ξ ≡ {error en las operaciones} ≡ N (0; σ )

• Es una variable error, que es una medida de por sí en valor absoluto: P {|ξ| ≤ 10−5 } =
P {−10−5 ≤ ξ ≤ 10−5 } = 1
2
−5 −0 10−5 −0 10−5
• Tipificando: P { −10σ ≤ ZN (0,1) ≤ σ= 12 →
} σ = 0, 68 → σ = 1, 5 ∗ 10−5 . En
realidad habría que interpolar, pero bueno, más o menos

• Luego, el error en una operación ξ = e1 ≡ N (0; 1, 5 ∗ 10−5 )

• Ya que son independientes, el error en 106 operaciones será otra normal e106 ≡ N (0; 1, 5 ∗
√
10−5 106 ) = N (0; 0, 015)

Desarrollo:

1. Cuál será el error del resultado final, con probabilidad 0,99?

• P {|e106 | ≤ k} = 0, 99 = (tipif icando) = P { −k−0

0,015 ≤ e ≤
k−0
0,015 } (tablas) → k
0,015 =
2, 57 → k = 0, 03855, donde k sería el error máximo que se comete

2. Para la misma probabilidad, cuál sería el error final si se realizan 1010 operaciones?

• No se hizo en clase. Por hacer

10.53. 2013 SEP Ord Problema 2

El tiempo ξ de fabricación de una cierta pieza se distribuye uniformemente entre 10 y 12 minutos.
El precio de la pieza, η, está ligado funcionalmente con su tiempo de fabricación y viene medida por
η = 2/¸. Halle la función de densidad, la esperanza y la varianza de η

• Datos:

ß v.a. ξ = {tiempo de fabricación}. “se distribuye uniformemente” → distribución uniforme

U (10; 12)
CAPÍTULO 10. EJERCICIOS DE LOS TEMAS 7, 8 Y 9 95

ß η = {precio de la pieza} = 2/¸

• Desarollo:

ß Es un cambio de variable.
ß La función de distribución de η, G(y ) = P { 2ξ ≤ y} = P { y2 ≤ ξ} = 1 − P {ξ ≤ 2
y} =
1 − F ( y2 )
2
 
ß Luego, la función de densidad: g (y ) = G0 ( y ) = − − 2 f ( y2 ) = 1
y2
y
| {z }
derivada de
lo de dentro

1/y2 si 2
≤y≤ 2
ß Luego, la función de densidad f (y ) 12 10
0 resto
´
1/5
´
1/5

dy = ln y ]1//56 = ln 56 = 0, 1823
1
ß La esperanza vendrá definida por E{η} = y y12 dy = 1
y
1/6 1/6

´
1/5
´
1/5

1 dy = y ]1//56 =
1
ß Hallamos E{η 2 } = α2 y 2 y12 dy = 1
5 − 1
6 = 1
30
1/6 1/6

ß Luego, la varianza V {η} = σy2 = α2 − α12 = 1

30 − = 0, 03 − 0, 0332 = 0, 0001
1.- Si se tienen dos sucesos A y B, tales que P(A) = 1 y P(B) = 1 , se puede afirmar
3 4
a) P( AUB ) = 1
2
b) P( AUB ) = 5
12
c) P( AUB ) = 11
12
d) Ninguna de las anteriores

2- Si A y B son dos sucesos independientes, entonces se verifica:

a) A y B no son independientes
b) A y B son independientes
c) A y B no son independientes
d) Ninguna de las anteriores

3.- Si A y B son dos sucesos independientes, con P(A) = 1 y P(B) = 1 , entonces

3 4
a) P( AUB ) = 1
2
b) P( AUB ) = 5
12
c) P( AUB ) = 11
12
d) Ninguna de las anteriores

4.- La probabilidad de que un estudiante A apruebe el examen de Estadística es 0’7, la

de otro estudiante B es 0’5 y la de que aprueben ambos es 0’4. Si C es el suceso de que
apruebe al menos uno de los dos y D el suceso de que no apruebe ninguno se verifica
a) P(C) = 0’8 y P(D) = 0’8
b) P(C) = 0’2 y P(D) = 0’2
c) P(C) = 0’8 y P(D) = 0’2
a) Ninguna de las anteriores

5.- La probabilidad de que un estudiante A apruebe el examen de Estadística es 0’7, la

de otro estudiante B es 0’5 y la de que aprueben ambos es 0’4. Si C es el suceso de que
apruebe sólo uno de los dos se verifica
a) P(C) = 0’4
b) P(C) = 0’6
c) P(C) = 0’8
a) Ninguna de las anteriores

6.- Dada f(x) función de densidad se verifica siempre

a) f(x) ≤ 1
b) f(x) = 1
c) 0 < f(x)
d) Ninguna de las anteriores

1/20
7.- Dada ψ(x) = ½ x2 – 2 en el intervalo (1,2), se puede afirmar que
a) Es función de distribución
b) Es función de densidad
c) Es función de cuantía
d) Ninguna de las anteriores

Problema 1

Un banco analiza las fechas de los cheques que emiten sus clientes y llega a la
conclusión de que las personas que tienen fondos en sus cuentas emiten el cheque con
fecha posterior sólo en un 0’2% de los casos. Sin embargo, el 95% de las que tiene un
descubierto emiten cheques con fecha posterior. Se sabe, también, que el 92% de los
cheques emitidos son de cuentas con fondos. Si se recibe un cheque con fecha post-
datado, determine la probabilidad de que corresponda a un cliente sin fondos en su
cuenta.

Solución

Si PD = { cheque postdatado }
F = { cliente con fondos }
NF = { cliente sin fondos }

Será P (PD/F) = 0,002

P (PD/NF) = 0,95
P (F) = 0,92
P (NF) = 0,08

Aplicando el teorema de Bayes

P( PD / NF ) P( NF ) 0,95 * 0,08
P(NF/PD) = = = 0,98
P( PD / NF ) P( NF ) + P( PD / F ) P( F ) 0,95 * 0,08 + 0,002 * 0,92

Problema 2

Un importador de coches vende dos marcas, A y B, de coches importados, de modo que

vende, de la marca A, tres veces más que de la marca B, pero de A no vende más de 60
coches. Suponemos que las cantidades demandadas de ambos tipos de coches es una
variable aleatoria bidimensional (X,Y), de tipo continuo definida por
f(x) = k (x + y) si 0 ≤ 3y ≤ x y x ≤ 60
siendo cero en el resto.
Obtener
a) El valor de k para que f(x,y) sea una función de densidad
b) Probabilidad de que el número de vehículos vendidos de la marca B sea mayor que
30
c) Sabiendo que se han vendido 10 vehículos de la marca B, obtener la probabilidad de
que de la marca A se vendan 40 como mínimo

2/20
Solución
x
60 3
a) 1
∫ ∫ k ( x + y)dydx = 28000k = 1 ⇒ k =
0 0
28000

60
1 1 15 2
b) f2 (y) = ∫ 28000 (x+y) dx = (18000+60y- y ) si 0 ≤y≤ 20
28000 2
3y

Y será f2 (y) = 0 si y > 20

Por tanto P {Y < 30}= 0

60 60 f ( x, y)
c) P {Y ≥ 40 / Y = 10}= ∫ f ( x / y )dx = ∫ dx = (particularizando al caso y=10)=
40 40 f 2( y )
1200
= ≅ 0,73
1650

3/20
Variable aleatoria bidimensional

1.- Dada una variable aleatoria bidimensional (X,Y) de tipo continuo con función de
densidad
f(x,y) = k(x+y) si 0 ≤ x ≤ 2 e 0 ≤ y ≤ 1 y que es igual a cero en el resto de R2
Obtener:
a) k para sea función de densidad
b) La función de densidad marginal de la variable X
c) La función de densidad condicionada de Y/X=1
d) La función de distribución de Y/X=1

Solución
+∞ +∞ 2 1 1
a) ∫ ∫ f ( x, y )dxdy = k ∫∫ ( x + y )dxdy = 3k = 1 ⇒ k =
−∞ −∞ 1 0 3
1 2 1 1
b) f1 (x) = ∫ ( x + y )dy = (x + ) si 0≤ x≤ 2
3
1 3 2
f ( x, y ) 2( x + y )
c) f(y/x)= = si 0≤ y≤ 1 y 0≤ x≤ 2
f ( x )
1
2 x + 1
2(1 + y )
Si x= 1 la función de densidad condicionada será f(y/x=1)= si 0≤ y≤ 1
3
y 2( xy + y 2 )
d) F(y/x) = ∫ f ( y / x)dy = si 0≤ y≤ 1
0 2x + 1

Además la función F(y/x) será nula si y<0 y será igual a la unidad si y≥1

2.- Dada una variable aleatoria bidimensional (X,Y) de tipo continuo con función de
densidad
f(x,y) = e-(x+y) si x>0 e y > 0 y que es igual a cero en el resto de R2
Halle la función de distribución conjunta F(x,y) y las funciones de distribución
marginales F1 (x) y F2 (y).. ¿Son independientes estas variables aleatorias?.

Solución

+∞ +∞ x y
a) F( x, y) = ∫ ∫ f ( x, y )dxdy = ∫ ∫ e− ( x + y ) dxdy = (1-e-x) (1-e-y) si x,y>0
−∞ −∞ 0 0
La función será nula si x o y son menores que cero.

y +∞
b) F2 (y) = ∫∫ e− ( x + y ) dxdy = (1-e-y) si y > 0
0 0
x +∞
Del mismo modo F1 (x) = ∫∫ e− ( x + y ) dydx = (1-e-x) si x > 0
0 0

4/20
3.- Dada una variable aleatoria bidimensional (X,Y) de tipo continuo con función de
densidad
f(x,y) = 1 si 0 ≤ x ≤ 1 e 0 ≤ y ≤ 1 y que es igual a cero en el resto de R2
Halle la función de distribución conjunta.

Solución
x y
F(x,y) será la función siguiente: F(x,y)= P {X ≤ x;Y ≤ y }= ∫∫ dxdy =
0 0

xy si 0<x,y<1
x si 0 ≤ x < 1 ∧ y≥1
y si x≥1 ∧ 0≤y<1
1 si x≥1 ∧ y≥1
0 en el resto del plano

4.- Dadas la renta X y el consumo Y de los habitantes de una población, se conocen la

función de densidad marginal de X
f1 (x) = 2 – 2x si 0 < x < 1 y nula en el resto de la recta real
y la función de densidad de Y/X f(y/x) = 1 si 0 < y < x y nula en el resto.
x
Se pide:
a) La función de densidad conjunta de la variable (X,Y)
b) La probabilidad de que el consumo sea inferior a la mitad de la renta

Solución

2 − 2x
a) f(x,y) = f1 (x) f(y/x) = si 0<y<x<1 y nula en el resto del plano
x

⎧ 1 1 x/2 2 − 2x 11 − x x / 2 1
b) P ⎨Y < X }= ∫∫ dydx = 2 ∫ ∫ dydx =
⎩ 2 0 0 x 0 2 0 2

5.- En una población de familias, el número de automóviles utilitarios X y el de

automóviles de lujo Y que poseen tales familias sigue una distribución cuya función de
cuantía es la siguiente_

X \ Y 0 1 2
0 1/3 1/12 1/24
1 1/6 1/24 1/48
2 5/22 5/88 5/176
Se pide:
a) Comprobar si X e Y son independientes
b) La función de distribución en los puntos (0,0), (1,1), (0,2) y (2,1)
c) Probabilidad de que una familia de la población tenga tres o más automóviles.

5/20
Solución

a) Las distribuciones marginales vienen dadas por las siguientes tablas:

X 0 1 2
pi.. 11/24 11/48 55/176

Y 0 1 2
p.j 8/11 8/44 8/88

Se puede comprobar que ∀i, j es pi.. p.j = pij, por tanto son indepedientes.

1
b) F(0,0)=
3
5
F(1,1)=
8
11
F(0,2)=
24
10
F(2,1)=
11

7
c) P {X + Y ≥ 3 }=
66

6/20
Variable aleatoria unidimensional
1.- El número de averías de un cierto electrodoméstico en una ciudad viene dada por la
función de cuantía

k x
P( ξ = x ) = 5
x!
Determinar:
a) El valor de k
b) La probabilidad de que en un día no se produzca ninguna avería
c) La probabilidad de que en un día se averíen dos electrodomésticos

Solución

∞ ∞
k x ∞
1 x
a) 1= ∑ P( ξ = x ) = ∑ 5 = k∑ 5 = k e5 ⇒ k = e-5
i =1 x =1 x! x =1 x!

En la resolución se debe utilizar el desarrollo en serie de la función ex(ver apéndice

matemático pag. 336).

e −5 0 -5
b) P( ξ = 0 ) = 5 =e
0!
−5
e 2
c) P( ξ = 2 ) = 5 =12,5 e-5
2!

2.- Dada la variable aleatoria ξ cuya función de densidad es f(x) = ½ si 15 ≤ x ≤ 17 e

igual a cero en el resto de valores de la recta real
a) Probar que es función de densidad
b) Representación gráfica de f(x)
c) Hallar P{15 ≤ x ≤ 17} y P{16,25 ≤ x ≤ 16,75}
d) Hallar P{x ≤ 16}, P{x ≤ 17}, y P{x ≤ k} si 15 ≤ k ≤ 17
e) Obtener la función de distribución y el valor que toma en el punto x = 16

Solución
a) a.1. f(x) ≥ 0 por definición
a.2 ∫ −∞
+∞ 17 1
f ( x)dx = ∫ f ( x)dx = x
15 2
] = 12 (17-15)=1
17

15

1
} = ∫15 f ( x)dx = 1
16
b) P {x ≤ 16 (16-15) =
2 2

P {x ≤ 17 }= 1 ya que 17 es el mayor valor que toma la variable, es el extremo

superior del campo de definición.

7/20
 1 1
P {x ≤ k }= ∫15
k
f ( x)dx = x
2
]
k

15
= (k-15) si 15 ≤ k ≤ 17
2
c) Utilizando los cálculos del apartado anterior, tendremos que F(x) es
0 si x < 15
1
(x-15) si 15 ≤ x < 17
2
1 si x > 17

3.- La duración en minutos de una llamada telefónica tiene la siguiente función de

distribución: F (x) = 1 – e-x si x ≥ 0 y será igual a cero si x < 0. Se pide
a) La función de densidad de la variable aleatoria
b) La probabilidad de que una llamada dure más de 1 minuto y menos de 2.
c) La probabilidad de que una llamada dure más de tres minutos si duró menos de 5
minutos.

Solución

a) f(x)= F’(x)= e-x si x ≥ 0 y nula en el resto de la recta real

b) P {1 < x < 2 }= F(2) - F(1) = e-1 - e-2 ≅ 0,235441

−3 −5
P{3 < x < 5 } F (5) − F (3) e − e
c) P {x > 3 / x < 5 }= = = −5
≅ 0,04334
P{x < 5 } F (5) 1− e

4.- Una estación de servicio tiene un depósito de gasolina sin plomo de 2.000 litros
lleno al comienzo de una semana. La demanda semanal muestra un comportamiento
creciente hasta llegar a 1.000 litros y después se mantiene entre 1.000 y 2.000 litros. Si
ξ es la demanda semanal en miles de litros, de gasolina de sin plomo y la función de
densidad tiene la forma f¨(x) es igual a

0 si x < 0
x si 0 ≤ x < 1
½ si 1 ≤ x < 2
0 xi x > 2

a) Comprobar que es función de densidad

b) Representar esa función
c) Hallar la función de distribución
d) Hallar P{ x > 1500 litros por semana} y P{750 < x < 1500}

8/20
Solución

a) a) a.1. f(x) ≥ 0 por definición

+∞ 2 1 2 1
a.2 ∫ f ( x)dx = ∫ f ( x)dx = ∫ xdx + ∫ dx = 1
−∞ 0 0 1 2

c) F(x) será la función siguiente:

0 si x < 0
2
x si 0 ≤ x < 1
2
x
si 1 ≤ x < 2
2
1 si x > 2

d) P {x > 1, 5} = 1 - P {x ≤ 1, 5}= 1 – F(1,5)=0,25

e) P {0'75 ≤ x ≤ 1,5 }= F(1,5) – F(0,75)= 0,47

9/20
1.- Dada la variable aleatoria ξ definida por la función de densidad f(x) = x-2 si x ≥ 1 y
f(x) = 0 si x < 1, entonces se cumple
a) E [ ξ ] = 0
b) E [ ξ ] = 1
c) No existe E [ ξ ]
d) Ninguna de las anteriores

2- Dada la variable aleatoria ξ simétrica con media µ y mediana Me, se puede afirmar
a) La moda Mo < Me = µ
b) La moda Mo > Me = µ
c) La moda Mo = Me = µ
d) Ninguna de las anteriores

3.- Dada las variables aleatorias ξ y η, tales que ξ = - 2 η +2, siendo E [ ξ ]= 0 y

V [ ξ ] = 1, entonces se verifica
a) E [ η ] = 1 y V [ η ] = 1
b) E [ η ] = 1 y V [ η ] = 0,25
c) E [ η ] = 0 y V [ η ] = 1
d) Ninguna de las anteriores

4.- Dada las variables aleatorias ξ y η, tales que ξ = - η, siendo E [ ξ ]= 0 y

V [ ξ ] = 1, entonces se verifica
a) CV [ ξ ] = 1 y CV [ η ] = - 1
b) CV [ ξ ] = - 1 y CV [ η ] = - 1
c) CV [ ξ ] = 0 = CV [ η ]
d) Ninguna de las anteriores

5.- Dada la variable aleatoria ξ cuyo campo de variación es x ≥ 2, se puede asegurar

a) E [ ξ ] < 2
b) E [ ξ ] > 2
c) E [ ξ ] = 2
d) Ninguna de las anteriores

6.- Dada una variable aleatoria ξ, se puede afirmar

a) Su función generatriz de momentos es g ξ (t) < 1
b) Su función generatriz de momentos es g ξ (t) ≥ 1
c) No existe g ξ (t)
d) Ninguna de las anteriores

7.- Dadas dos variables aleatorias ξ y η, siempre se puede afirmar que

a) Existe su coeficiente de correlación ρξ η ≤ 1
b) Existe su coeficiente de correlación ρξ η ≥ - 1
c) Existe el coeficiente de correlación ρξ η ≤ 1
d) Ninguna de las anteriores

10/20
Problema 1

Las aportaciones de un cierto país al desarrollo de otros países se desagrega en

gubernamentales, ξ, y no gubernamentales, η. Si ξ y η son variables independientes y
tienen medias 0,2 y 0,3 billones de u.m. y desviaciones típicas 0,05 y 0,02 billones de
u.m. respectivamente, se pide:
a) ¿Qué tipo de aportación presenta menor dispersión?
b) Esperanza y desviación típica de las aportaciones totales ξ + η
c) Acotar superiormente la probabilidad de que se atiendan con ambas aportaciones
proyectos concretos presupuestados en 0,6 billones de u.m.

Solución

σξ 0,05 σ 0,02
a) CVξ = = =0,25 > CVη = η = ≅ 0,07
E [ξ ] 0,2 E [η ] 0,3
La dispersión relativ es mayor en las aportaciones gubernamentales.

b) E [ξ + η ] = E [ξ ]+ E [η ] = 0,5 billones u.m.

V [ξ + η ] = (al ser variables independientes)=V [ξ ]+ V [η ] = 0,0029 u.m.2
Por tanto la desviación típica será σ X +Y ≅ 0,0538516

c) Aplicando la desigualdad de Tchebychef:

1
P {X + Y ≥ 0,6} ≤ P{X + Y − 0,5 ≥ 0,1}≤ ≅ 0,29
1,8569552

Problema 2

El consumo de un cierto combustible, en metros cúbicos, sigue una variable aleatoria ξ,

con media µ = 1 y varianza σ2 = 1, calcule o acote la probabilidad de que el consumo se
sitúe entre 0 y 3 metros cúbicos.
Realizados estudios posteriores se ha obtenido la función de densidad de dicha variable
aleatoria f(x) = e-x si x ≥ 0 y f(x) = 0 si x<0. Calcule nuevamente la probabilidad
solicitada.

a) P {0 ≤ ξ ≤ 3}= (ya que la variable es positiva)=P {− 1 ≤ ξ < 3} =

1
{ }
= P ξ −1 ≤ 2 ≥ 1 − 2
λ
Se obtiene λ = 2 y, por tanto, la cota de probabilidad será 0,75

3
b) P {0 ≤ ξ ≤ 3}= ∫e
−x
dx = 1 –e-3 ≅ 0,95 ≥ 0,75
0

Es decir, la probabilidad obtenida es mayor o igual que la cota que proporciona

Tchebychef, como no podía ser de otra manera.

11/20
1.- Dada la variable aleatoria ξ con función característica φ (t)= 0,23 (1 - 0,8eit)-3, su
esperanza es

a) 0,75 b) 12 c) 2,4 d) Ninguna de las anteriores

2.- Dadas las funciones características φ1(t)=φ2(t)=¼ de dos variables ξ1 y ξ2,

idénticamente distribuidas, se puede asegurar que la función característica φ(t) de la
variable ξ1 + ξ2 es

1 1 1
a) b) c) d) Ninguna de las anteriores
16 4 2

e13it − eit
3.- Dada la función característica φ (t) = , su varianza es
it

1
a) 144 b) 12 c) d) Ninguna de las anteriores
12

La función no es característica.

4.- Dadas dos funciones características φ1(t)=φ2(t) de dos variables aleatorias ξ1 y ξ2,
entonces se puede asegurar:

a) ξ1 y ξ2 tienen la misma distribución

b) ξ1 y ξ2 no tienen la misma distribución
c) No se puede asegurar ni a) ni b)
d) Ninguna de las anteriores
eit − 1
5.- Dada la variable aleatoria ξ con función característica φξ (t)= se realiza el
it
cambio de variable η = ¼ ξ + 3, entonces la función característica de η será

it 3it
3it e 4
−1 e −14
a) 4 e c)
it 4it

e3it − 1
b) eit/4 d) Ninguna de las anteriores
4it

6.- Dadas las variables aleatorias ξ y η, siendo η = ¼ ξ + 3 y la función característica de

eit − 1
esta última φη (t) = , entonces la función característica de ξ será
it
e3it − 1 e 4it − 1
a) 4 e4it c) e-12it
it it

e3it − 1
b) e12it d) Ninguna de las anteriores
4it

12/20
Cuestiones

1.- Si ξ ≡ B (5, 0’5) se cumple:

a) F (0) = 0
b) F (0) = 0’5
c) F (0) = F (5)
d) Ninguna de las anteriores

2- Si ξ ≡ B (5, 0’2) y n > 5 se cumple :

a) F (n) > F (5)
b) F (n) < 1
c) F (n) = 1
d) Ninguna de las anteriores

3.- Si ξ y η son dos variables aleatorias, ξ ≡ P (5), η ≡ P (3) y ξ + η = 8, entonces

siempre se verifica
a) ξ + η ≡ P(8)
b) ξ + η ≡ P(2)
c) ξ + η no es distribución de Poisson
d) Ninguna de las anteriores

4.- Dadas dos variables aleatorias ξ y η con funciones características respectivas

(0’2+0’8eit)3 y (0’8+0’2eit)4, la distribución de ξ + η sigue una
a) B (7, 0’2)
b) B (7, 0’8)
c) B (7, 0’6)
d) Ninguna de las anteriores

5.- Si ξ variable aleatoria, ξ ≡ P ( λ ), entonces se verifica

a) P( ξ = 0) < F (0)
b) P( ξ = 0) = 0
c) P( ξ = 0) > P( ξ = -1)
a) Ninguna de las anteriores

1
6.- Dada f(x) función P (x) = eλ λx ∀ x ≥ 0 se puede afirmar que P(x)
x!
a) Es función de cuantía
b) Es función de distribución
c) Es función característica
d) Ninguna de las anteriores

13/20
Problemas

1.- Un mensajero reparte correspondencia en una ciudad, de modo que su

desplazamiento es superior a 500 m en el 20% de los envíos. Un día tiene 10 encargos
por distribuir a su destino. Se pide:
a) Probabilidad de que tenga que realizar dos desplazamientos superiores a 500 m.
b) Probabilidad de que tenga dos desplazamientos iguales o inferiores a 500 m,
c) Probabilidad de que tenga 3 o menos desplazamientos inferiores o iguales a 500 m.
d) Número esperado y varianza de los desplazamientos de más de 500 m y de los que
suponen menos o igual de 500m y del total de desplazamientos. ¿Son independientes
ambas variables aleatorias? ¿Es la suma de dichas variables una binomial?

Solución

a) Se define la variable ξ = nº de desplazamientos superiores a 500 metros, se

distribuirá como ξ≡В(10;0’2)
10 * 9 2 8
P {ξ = 2}= 0'2 0,8 ≅ 0,3020
2 *1
b) Si utilizamos la variable anterior nos estarían pidiendo P {ξ = 8}, pero también, y
para facilitar la solución de los siguientes apartados se puede definir la variable η del
siguiente modo:
η = nº de desplazamientos iguales o inferiores a 500 metros, se distribuirá como
η≡В(10;0’8)

10 * 9 2 8
P P {ξ = 8}= P {η = 2}= 0'8 0,2 ≅ 0,00007373
2 *1
3
c) P {η ≤ 3}= ∑ P{η = y} ≅ 0,0009
y =0

d) E[ξ ]= 10*0,2=2 ∧ E[η ]= 10*0,8=8

V [ξ ]= 10*0,2*0’8=1,6 ∧ V [η ]= 10*0,8*0’2=1,6
E[ξ + η ]= E[10]= E[ξ ]+ E[η ]= 10 ya que la suma de ambas variables es la
constante 10
V [ξ + η ]= V [10]= 0 ya que la varianza de una variable degenerada es cero y, por
otra parte, V [ξ ] + V [η ]= 3,2 ≠ 0= V [ξ + η ], de modo que no pueden ser
independientes.

Finalmente, no puede ser una binomial, ya que por definición es la variable constante
igual a 10.

14/20
2.-En un estudio reciente se observó que el 10% de los conductores da positivo en los
controles de alcoholemia efectuados durante el fin de semana. Si se selecciona una
muestra aleatoria de 10 conductores, indicar:
a) La probabilidad de que den positivo exactamente cinco conductores
b) Probabilidad de que den positivo menos de tres conductores
c) Justificar la distribución de probabilidad utilizada para la resolución del problema

Solución
Se define la variable ξ = nº de positivos, se distribuirá como ξ≡В(10;0’1)
10 * 9 * 8 * 7 * 6 5 5
a) P {ξ = 5}= 0'1 0,5 ≅ 0,0015
5 * 4 * 3 * 2 *1
2
b) P {ξ < 3}= ∑ P{ξ = x} ≅
x =0
0,93

c) La distribución corresponde a un experimento de pruebas repetidas independientes

en cada una de las cuales se pueden obtener dos resultados dicotómicos: positivo o
negativo en alcohol.

3.- Los números medios de llamadas telefónicas recibidas por dos profesionales al día
son, respectivamente, 5 y 4, siendo independientes entre sí. Se pide:
a) Distribución del número de llamadas a ambos profesionales al día.
b) Esperanza y varianza de la distribución anterior
c) Probabilidad de que en un día reciban entre ambos una o menos llamadas

Solución:

a) La distribución que correspondería a cada experimento es una Poisson, en la que el

profesional funciona como central de llamadas, siendo ξ el número de llamadas que
recibe el primero y η las que recibe el segundo. Al ser ambas variables independientes
se tiene, por la reproductividad que ω ≡ ξ + η ≡ Ρ(9) (ver teoría).
b) E[ω ]=9=V [ω ]
1
c) P {ω ≤ 1}= ∑ P{ω = x} ≅
x =0
0,0012

4.- La media de coches vendidos al día de una determinada marcha es de 5. Suponiendo

que las ventas siguen una determinada distribución de Poisson, calcular la probabilidad
de que
a) En un día se vendan más de 6 coches
b) En una semana, considerando 6 días hábiles, se vendan 20 coches.

Solución
6
a) P {ξ > 6}=1- ∑ P{ξ = x} ≅ 0,2378
x =0
b) Se hace la hipótesis de las que ventas de un día son independientes de las de otro de
la misma semana, por la que la variable se distribuirá según una Poisson de parámetro
30.
6
η≡Ventas semanales= ∑ ξ i ≡ Ρ(30)
x =1

15/20
 30 20 − 30
P {ξ = 20}= e = 0,01341
20!

5.- Se sabe que entre las empresas de más de 100 trabajadores el número medio de
quiebras es de 7,2 empresas al trimestre. Calcule la probabilidad de que
a) En un mes no quiebre ninguna empresa de más de 100 trabajadores
b) Quiebran menos de 4 empresas en un trimestre

Solución

La distribución que se debe utilizar es una Poisson, que es la que explica los sucesos
“raros”,y como tales deben entenderse las quiebras de las empresas.

Solución
a) En este apartado se debe aplicar el teorema de Raikov, que es el inverso de la
propiedad reproductiva y se verifica para la distribución de Poisson, supuesta
la independencia de las quiebras entre diferentes meses. Por tanto, en cada uno
de los meses el número de quiebras será una Poisson de parámetro 7,2/3=2,4.

3
η= ∑ ξ i , siendo η el número de quiebras por trimestre entre las citadas empresas y ξi el
x =1
de quiebras mensuales.

2,40
P {ξi = 0}= e-2,4 = e-2,4= 0,0907
0!
3
7,2 x
b) P {η < 4}= ∑ e− 7, 2 =0,0719
x =0 x!

6.- Los usuarios de un determinado servicio de atención telefónica consiguen comunicar

con un agente en un intervalo de tiempo inferior a un minuto en un 30% de las
ocasiones ¿Cuál es la probabilidad de que un usuario comunique al segundo intento?

Solución
La distribución es una G(0,3), por lo cual la probabilidad pedida será
{ }
P ξ = 0 = pq= 0,21

7.- De una baraja española de 40 cartas se extraen 3 al azar. Calcular la probabilidad de

obtener dos copas
a) Sin reemplazamiento
b) Con reemplazamiento

Solución

a) La distribución es una hipergeométrica H(40,3,1/4) y la probabilidad pedida

será
P {ξ = 2}= 0,1366

16/20
 b) La distribución es una В(3;0’25)y la probabilidad pedida P {ξ = 2}= 0,1406

8.- En una ruleta francesa, que contiene el cero y los 36 primeros números naturales
¿Cuál es la probabilidad de que en 25 jugadas salga 2 veces un número entre 1 y 12, 10
veces un número entre 13 y 24, 10 veces un nº entre 25 y 36 y 3 veces el 0?

Solución
12 12 12 1
La distribución es una multinomial M(25, , , , ) y, por tanto, la
37 37 37 37
probabilidad pedida será
P {ξ1 = 2, ξ2 = 10, ξ3 = 10, ξ4 = 3} ≅ 0,0000338

17/20
1.- Una cadena de fabricación consta de tres máquinas que deben funcionar
simultáneamente para obtener un determinado producto. Los tiempos de
funcionamiento de todas ellas son independientes y se distribuyen, en horas,
respectivamente, como N (42,2), N(46,3) y N(49,6). Calcule la probabilidad de que la
cadena de fabricación funcione las 40 horas laborables de una semana, si al comienzo
de la semana se renuevan los subsistemas

Solución

Se definen las variables ξ i = tiempo de funcionamiento de la máquina i-ésima, siendo

i = 1, 2 ,3.
Se sabe que ξ1 ≡ N (42,2); ξ 2 ≡ N(46,3) y ξ 3 ≡ N(49,6), independientes.
La probabilidad que piden es que funcione la cadena las 40 horas laborables de la
semana, es decir, que funcionen las tres máquinas esas 40 horas. Por tanto
P {la cadena funcione las 40 horas } = P {ξ1 ≥ 40 } P {ξ 2 ≥ 40 } P {ξ 3 ≥ 40 }

Si tipificamos las tres variables, es decir restamos la media y dividimos entre la

desviación típica correspondientes, y notamos Z como la N(0,1) se tendrá

{ {
P {la cadena funcione las 40 horas } = P Z ≥ −1 } P Z ≥ 2 } P {Z ≥ − 1,5}
Si buscamos en las tablas las probabilidades y multiplicamos, el resultado final será

P {la cadena funcione las 40 horas }=0,7672

2.- Las notas de una asignatura en una curso siguen una distribución normal N(6’3;2’5).
Determine:
a) La probabilidad de que un alumno suspenda la asignatura
b) el número de alumnos que, en un grupo de 100, obtendrá sobresaliente (nota mayor o
igual a 9).
c) ¿Cuál será la nota a partir de la cual se aprueba si suspende el 20% de los alumnos
del curso?

Solución
Sea ξ ≡ N (6’3;2’5)
{
a) P ξ < 5 }= (tipificando) = P {Z < 0,52 }= 0,3015

{
b) P ξ ≥ 9 }= (tipificando) = P {Z ≥ 1,08 }= 0,1401.
Por tanto, el número probable de alumnos que obtendrá un sobresaliente en un grupo
de 100 será de 14.

{
c) Habrá que encontrar la nota “a”, tal que P ξ < a }=0,20= (tipificando) =
⎧ a − 6,3
P ⎨Z < }.
⎩ 2,5

18/20
 a − 63
Buscando en las tablas se obtiene = -0,84, de donde se despeja a=4,2.
2,5

3.- Una aseguradora ha detectado que la cantidad de tiempo, en horas, que invierten sus
agentes de seguros cada día en vender una póliza, sigue una distribución N(2,1).
a) Calcule la probabilidad de que un agente invierta más de cuatro horas en vender una
póliza.
b) Para una muestra de 400 agentes, calcule la probabilidad de que más de tres de ellos
inviertan más de cuatro horas en vender una póliza.

Solución

a) ξ ≡ N (2,1)
{
P ξ > 4 }= (tipificando) = P {Z > 2 } ≅ 0,0228
b) Se define una nueva variable aleatoria,
η = nº de agentes de seguros que invierten más de cuatro horas en vender una póliza
cada día.
Se tiene que η ≡ B (400 ; 0,0228).
Al cumplir las hipótesis, se puede aplicar la convergencia a la normal, de modo que
η → N(np, npq )= N(9’12;2,985). De modo que se tendrá:
P {η > 3 }=aplicando ahora la corrección por continuidad= P {η > 2,5}=
P {Z > − 2,22}= 0,9868

Si no aplicamos la corrección por continuidad sería: P {η > 3 }= P {Z > − 2,05}=

0,9798

4.- Un punto de atención al turista recibe una media de cuatro visitas diarias en los
meses de temporada baja. Calcule:
a) El porcentaje de días en los que no se reciben visitas
b) La probabilidad de que un día se reciban entre tres y seis visitas.
c) Si durante la temporada baja el número de días que permanece abierto el punto de
atención al turista es de 90 días, calcule la probabilidad de que en ese período se reciban
menos de 150 visitas.
d) Justifique la distribución de probabilidad utilizada para la resolución del problema.

Solución

a) La distribución que explica el fenómeno diario es una Poisson ξ i ≡ P (4)

P {ξ i = 0 }=0,0183. Luego el 1,83$ de los días no se recibe ninguna llamada

b) P {3 ≤ ξ i ≤ 6 }= F(6)-F(3)

19/20
c) En este caso se hace la hipótesis de independencia de las variables en días diferentes
90
y se tiene ξ = ∑ξ i ≡ P (360) → N(360; 360 ), ya que cumple las hipótesis de
i =1
convergencia. De modo que la probabilidad será
{
P ξ < 150 }= P {Z < − 11,07} ≅ 0

5.- Se considera cierta variable aleatoria, que se distribuye uniformemente con media
igual a 8 y desviación típica igual a 3. Calcule la probabilidad de que la variable sea
mayor o igual que 9.

Solución

a+b
Se tiene que las características de la ξ ≡ U(a,b) son =8= µ
2

(b − a) 2
=9=σ2
12
Despejando en el sistema de ecuaciones se obtiene a = 8-3 3 y
b = 8+3 3

8+ 3 3 1
{
Por tanto, la probabilidad pedida será P ξ ≥ 9 }= ∫ dx ≅ 0,4038
9
6 3

20/20
UNED
Estadística Teórica 1 (Economía)

Junio 2000 (A)

PREGUNTAS TIPO TEST (Junio de 2000 tipo A)

1.- Dos sucesos son independientes cuando verifican:

a) P (A∩B) = P (A) + P(B) c) P (A ∩ B) = 0

b) P (A∩B) = P (A) + P(B) +P(A∪B) d) Ninguna de las anteriores

Justificación

La condición necesaria y suficiente de independencia para dos sucesos es que:

P ( A ∩ B ) =↑ P ( A) ⋅ P ( B )
Indep.

2.- Dada una variable aleatoria ξ definida por f ( x ) = x − 2 para 1 ≤ x < ∞ su esperanza
matemática

a) es igual a 1 b) Es igual a 0
c) No existe d) Ninguna de las anteriores

Justificación

∞
∞ ∞ ∞1
E (ξ ) = x f ( x ) dx = dx = [ ln x ]1 = ln ∞ − ln1 = ∞ − 0 = ∞
∞
x x −2 dx = x −1dx =
1 x
−∞ 1 1

la integral es divergente y, en consecuencia, la esperanza no existe.

1
3.- Si se lanzan dos monedas bien construidas ¿cuál es la probabilidad de que no salgan
dos caras en n lanzamientos?

a) (3/4)n c) 1- (3/4)n
b) (1 – 3/4)n d) Ninguna de las anteriores.

Justificación

La probabilidad de que, en un lanzamiento salgan 2 caras es:

1 1 1
P ( C ∩ C ) =↑ P ( C ) ⋅ P ( C ) = ⋅ =
Indep. 2 2 4

y en consecuencia, la probabilidad de que no salgan es:

( )
P C ∩ C = 1 − P (C ∩ C ) = 1 −
1 3
=
4 4

El numero de veces que conseguimos “2 caras” en n lanzamientos independientes de las

3
dos monedas será una variable con distribución binomial: ξ ≡ B n ; y la
4
probabilidad de que nunca salgan “2 caras” vale:

0 n n
n 1 3 3
P (ξ = 0 ) = =
0 4 4 4

4.- Dada la variable aleatoria ξ con función de densidad f ( x ) = e − x si 0 ≤ x < ∞ , su

función característica es

a) ϕ (t ) = 1 it c) ϕ ( t ) = (1 − it )
−1

b) ϕ (t ) = e (1−i t ) d) ϕ (t ) = e − it

Justificación

ϕ ( t ) = E ( eitξ ) =
∞ ∞ ∞
eitx f ( x ) dx =
−(1−it ) x
eitx e − x dx = e dx =
−∞ 0 0
∞
e( )
− 1−it x
0 −1 1
= (1 − it )
−1
= = =
− (1 − it ) 0
− (1 − it ) 1 − it

2
5.- La varianza de una variable aleatoria ξ verifica que

a) V (ξ ) = α 2 c) V (ξ ) > α 2
b) V (ξ ) < α 2 d) Ninguna de las anteriores

Justificación

V (ξ ) = α 2 − α12 → V (ξ ) ≤ α 2 ya que α12 ≥ 0

(la respuesta que hemos dado por correcta, en realidad no lo es puesto que no contempla el caso de que
α1 = 0 pero hemos considerado que esto puede deberse a un error mecanográfico)

6.- Si la variable aleatoria ξ tiene como función de densidad f ( x ) = 2 x si 0 < x ≤1,

la función de densidad de la variable aleatoria η = 2 ξ será:

a) y/2 si 0 < y ≤ 1 c) y/2 si 0 < y ≤ 2

b) 2y si 0 < y ≤ 2 d) Ninguna de las anteriores.

Justificación

La función de distribución de η es:

y y
Fη ( y ) = P (η ≤ y ) = P ( 2ξ ≤ y ) = P ξ ≤ = Fξ
2 2
derivando en ambos miembros:

y 1 y 1 y
fη ( y ) = fξ ⋅ =2 ⋅ =
2 2 2 2 2
x = 0 → y = 2⋅0 = 0
transformándose el campo de variación así:
x = 1 → y = 2 ⋅1 = 2
definitivamente:
y
fη ( y ) = 0< y≤2
2

3
7.- A las elecciones generales de un cierto país se presentan tres partidos P1, P2, P3. El
pronóstico sobre el número de votos de cada uno de ellos se obtendrá utilizando la
distribución

a) Binomial negativa c) Hipergeométrica

b) Binomial d) Ninguna de las anteriores

Justificación

(La respuesta es dudosa puesto que las estimaciones sobre la proporción se hacen basándose en la
Binomial cuando el muestreo es con remplazamiento, Incluso podríamos pensar en la distribución
multinomial si pretendemos estudiar simultaneamente los votos de los tres partidos. Pero si la población
es finita y el muestreo es sin remplazamiento la distribución a utilizar es la Hipergeometrica).

8.- Dada la variable aleatoria η= N(-2 ; 5) ¿qué valor tiene P ( η> 3)?

a) 0,4206 c) 0,5794
b) 0,2174 d) Ninguno de los anteriores

Justificación

−3 − ( −2 ) 3 − ( −2 )
P ( η > 3) = 1 − P ( η ≤ 3) = 1 − P ( −3 ≤ η ≤ 3) =↑ 1− P ≤η ≤ =
Tipificando 5 5
= 1 − P ( −0, 2 ≤ η ≤ 1) = 1 − F (1) − F ( −0, 2 ) = 1 − ( 0,8413 − 0, 4207 ) = 0,5794

9.- El coeficiente de determinación lineal

a) No puede ser negativo c) No puede ser inferior a uno

b) Indica dependencia máxima si es cero d) Ninguna de las anteriores

Justificación

µ112 ≥ 0
µ 2
ρ2 = 11
≥0 ya que µ20 = V (ξ ) > 0
µ 20 µ02
µ02 = V (η ) > 0

4
10.- .- Dada una variable aleatoria ξ y Z su valor mas probable, este es:

a) Único y coincide con la esperanza matemática. c) La moda

b) Único d) Ninguno de los anteriores

Justificación

Por definición, la moda es el valor más probable de la variable.

(si la variable fuese continua sería el valor al que le corresponde máxima densidad de probabilidad)

5
Una fábrica de detergentes proyecta lanzar una nueva marca. En el mercado existen ya
dos de este producto, A y B. La probabilidad de compra de A es 0,5 y la de B es 0,1.
Para decidirse por la nueva marca la fábrica necesita conocer la probabilidad de que no
se compren ni A ni B, así como la probabilidad de que solo se compre una de ellas.
Calcúlense dichas probabilidades.
Junio 2000 (A)

SOLUCIÓN

Nos dicen que:

P( A) = 0,5 P(B ) = 0,1

Es evidente que nos faltan datos para calcular las probabilidades pedidas por lo que
tendremos que hacer algún supuesto. Si admitimos que las compras de ambas marcas
son independientes, (lo que en el mundo real parece bastante utópico) si podríamos
resolver el problema ya que, en ese supuesto:

P( A ∩ B ) =↑ P( A) ⋅ P(B ) = 0,5 ⋅ 0,1 = 0,05

Indep.

y entonces:

1º - Probabilidad de que no se compren ni A ni B

( )
P (A ∩ B ) = P A ∪ B = 1 − P( A ∪ B ) = 1 − [P( A) + P(B ) − P( A ∩ B )] =
= 1 − (0,5 + 0,1 − 0,05) = 0,45

Otra forma de razonar seria basarnos en que si dos sucesos son independientes, sus
complementarios también lo son y entonces:

P (A ∩ B ) =↑ P(A )⋅ P (B ) = [1 − P( A)]⋅ [1 − P(B )] = (1 − 0,5) ⋅ (1 − 0,1) = 0,5 ⋅ 0,9 = 0,45

Indep.

P ( A ∩ B ) = 0, 45

2º - Probabilidad de que solo se compre una de ellas

Se trata de calcular:

[ ]
P ( A ∩ B ) ∪ (A ∩ B ) = P (A ∩ B ) + P (A ∩ B )

ya que ambos sucesos son incompatibles.

6
Calculemos por separado cada una de estas probabilidades:

P (A ∩ B ) = P( A) − P( A ∩ B ) = 0,5 − 0,05 = 045

P (A ∩ B ) = P(B ) − P( A ∩ B ) = 0,1 − 0,05 = 0,05

otra forma de calcular estas probabilidades sería basarnos en la independencia, es decir:

P (A ∩ B ) =↑ P( A) ⋅ P (B ) = 0,5 ⋅ (1 − 0,1) = 0,45

Indep.

P (A ∩ B ) =↑ P(A )⋅ P(B ) = (1 − 0,5) ⋅ 0,1 = 0,05

Indep.

por tanto:

[ ]
P ( A ∩ B ) ∪ (A ∩ B ) = P (A ∩ B ) + P(A ∩ B ) = 0,45 + 0,05 = 0,50

P ( A ∩ B ) ∪ ( A ∩ B) = 0,50

7
La duración en días de las lámparas de una cierta marca sigue una distribución
N (1350 ; 50) . ¿Cuál es la probabilidad de que seleccionadas aleatoriamente 10 de ellas
haya exactamente 3 que tengan una duración superior a 1200 horas?
Junio 2000

SOLUCIÓN

Vamos a calcular, en primer lugar, la probabilidad de que una lámpara concreta supere
las 1200 horas de duración:

1200 − 1350
P (ξ > 1200 ) = P ξ * >
50
( )
= P ξ * > −3 = 0,9987

si ahora seleccionamos 10 lámparas (suponemos que con remplazamiento), el número

de ellas que superan las 1200 horas de duración es una variable Binomial con n = 10 y
p = 0,9987

η → B(10 ; 0,9987)

por lo que la probabilidad pedida vale:

10
P(η = 3) = ⋅ 0,99873 ⋅ 0,00137 ≈ 0
3

P (η = 3) ≈ 0

8
UNED
Estadística Teórica 1 (Economía)

Junio 2000 (B)

PREGUNTAS TIPO TEST (Junio de 2000 tipo B)

1.- Se dice que dos sucesos son independientes si se verifica que:

a) P (B/A) = P (A) c) P (B/A) = P (A ∩ B).P (A)

b) P (B/A) = P (B) d) P (B/A)=P (A).P (B)

2.- Dadas dos variables aleatorias ξ y η se verifica que:

a) V ( ξ - η) = V ( ξ) – V( η) c) V ( ξ - η) = V ( ξ) + V( η) - cov ( ξ , η)
b) V ( ξ - η) = V ( ξ) + V( η) d) Ninguna de las anteriores

3.- Dada una variable aleatoria ξ y Z su valor mas probable, este es:

a) Único b) La moda
c) Único y coincide con la esperanza matemática. d) Ninguno de los anteriores

4.- Si la variable aleatoria ξ tiene como función de densidad f ( x ) = 2 x si 0 < x ≤1,

la función de densidad de la variable aleatoria η = ξ + 3 será:

a) 2y –6 si 3 < y ≤ 4 c) y –3 si 0< y ≤ 4
b) y + 6 si 0 < y ≤ 4 d) Ninguna de las anteriores.

5.- El coeficiente de determinación lineal

a) No puede ser inferior a uno b) Indica dependencia máxima si es cero

c) No puede ser negativo d) Ninguna de las anteriores

6.- Dadas las variables aleatorias ξ y η, con cov (ξ , η) = 0

a) Al menos una de las variables aleatorias toma siempre valores nulos

b) Son independientes
c) Sus varianzas cumplen la propiedad V (ξ - η) = V(ξ) + V(η)
d) Ninguna de las anteriores

1
7.- ¿Cual es la probabilidad de lanzar un dado y obtener un 5 o un número impar?

a) 3/6 c) 20/40
b) 4/6 d) 10/40

8.- ¿Son ciertas las siguientes afirmaciones?

a) Para el estudio de variables demográficas se utiliza siempre la normal.

b) La distribución logística se utiliza para el estudio de rentas personales
c) La distribución idónea para el estudio de variables rentas personales es la de Pareto

9.- Dada la variable aleatoria η= N(-2 ; 5) ¿qué valor tiene P ( η> 3)?

a) 0,5794 c) 0,2174
b) 0,4206 d) Ninguno de los anteriores

10.- Dada la variable aleatoria ξ con función de densidad f ( x ) = e − x si 0 ≤ x < ∞ , su

función característica es

a) ϕ (t ) = 1 it c) ϕ ( t ) = (1 − it )
−1

b) ϕ (t ) = e (1−i t ) d) ϕ (t ) = e − it

2
 La duración en días de las lámparas de una cierta marca sigue una distribución
N (1350 ; 50) . ¿Cuál es la probabilidad de que seleccionadas aleatoriamente 10 de ellas
haya exactamente 3 que tengan una duración superior a 1200 horas?
Junio 2000

SOLUCIÓN

Vamos a calcular, en primer lugar, la probabilidad de que una lámpara concreta supere
las 1200 horas de duración:

1200 − 1350
P (ξ > 1200) = P ξ * >
50
( )
= P ξ * > −3 = 0,9987

si ahora seleccionamos 10 lámparas (suponemos que con remplazamiento), el número

de ellas que superan las 1200 horas de duración es una variable Binomial con n = 10 y
p = 0,9987

η → B(10 ; 0,9987)

por lo que la probabilidad pedida vale:

10
P(η = 3) = ⋅ 0,99873 ⋅ 0,00137 ≈ 0
3

P (η = 3) ≈ 0

3
 En una población el 62 por ciento tiene teléfono fijo, el 34 por ciento tiene
teléfono móvil y el 28 por ciento tiene ambos tipos de teléfono. Elegida una persona al
azar, se desea conocer:

1º- La probabilidad de que solo tenga teléfono móvil

2º - Si tiene teléfono móvil ¿cuál es la probabilidad de que tenga también teléfono fijo?
3º - Si tiene teléfono fijo ¿cuál es la probabilidad de que no tenga teléfono móvil?

Junio 2000 (B)

SOLUCIÓN

F→ “La persona elegida tiene teléfono fijo” P( F ) = 0,62

M→ “La persona elegida tiene teléfono móvil” P( M ) = 0,34
F∩M→ “La persona elegida tiene ambos tipos de teléfono” P(F ∩ M) = 0,28

1º- La probabilidad de que solo tenga teléfono móvil

P (M ∩ F ) = P(M ) − P(F ∩ M ) = 0,34 − 0,28 = 0,06

2º - Si tiene teléfono móvil ¿cuál es la probabilidad de que tenga también teléfono

fijo?

P (F ∩ M ) 0,28
P (F / M ) = = = 0,8235
P (M ) 0,34

3º - Si tiene teléfono fijo ¿cuál es la probabilidad de que no tenga teléfono móvil?

P (M ∩ F ) P(F ) − P(F ∩ M ) 0,62 − 0,28

P (M / F ) = = = = 0,5484
P(F ) P (F ) 0,62

4
UNED
Estadística Teórica 1 (Economía)

Junio 2000 (R)

PREGUNTAS TIPO TEST (Junio de 2000 Reserva)

1.- Dados dos sucesos tales que S1 ⊂ E y S 2 ⊂ E . Se tiene que S 1 ⊂ S 2 si se verifica:

a) S 1 = S 2 c) S 1 ∩ S 2 = S 2
b) S 1 ∪ S 2 = S 1 d) Todos los sucesos elementales de S 1 son
también sucesos elementales de S 2.

2.- En una baraja española ¿cuál es la probabilidad de sacar una carta de oros o de copa?

a) 1/40 c) 20/40
b) 2/40 d) 10/40

3.- Dada una variable aleatoria ξ con función de densidad f ( x ) = kx si 2 ≤ x ≤ 6 y

f ( x ) = 0 si x < 2 o x > 6 . ¿cuál sería la P (0 ≤ ξ ≤ 4 )

a) 0,5 c) 0,3750
b) 0,0625 d) Ninguna de las anteriores

4.- Dada una sucesión de variables aleatorias ξ n que converge en probabilidad a una
variable aleatoria ξ se puede afirmar que converge

a) casi seguro c) en media cuadrática

b) en distribución d) Ninguna de las anteriores

5.- Si la variable aleatoria ξ tiene como función de densidad f (x) = 2x si 0 < x ≤ 1, la

función de densidad de la variable aleatoria η = 2 ξ +3 será:

a) (y –3) / 2 si 3 < y ≤ 5 c) ) (y –3) / 4 si –3/4 < x ≤ -1/2

b) 2 y +3 si 0 < x ≤ 1 d) Ninguna de las anteriores

6.- Dada una variable aleatoria ξ ≡ N (3 ; 5). ¿Qué valor tiene P (ξ ≥ -2 )?

a) 0,8413 c) 0,3413
b) 0,1587 d) Ninguna de las anteriores

7.- La función característica de la distribución B (n , p ) es:

a) ( q + p eit )
n
c) q + p itn
b) p + q itn d) Ninguna de las anteriores

1
8.- Dadas dos variables aleatorias ξ y η se verifica que:

a) V (ξ − η ) = V (ξ ) − V (η ) c) V (ξ − η ) = V (ξ ) + V (η ) − cov (ξ ,η )
b) V (ξ − η ) = V (ξ ) + V (η ) d) ninguno

(La respuesta correcta es V ( ξ − η ) = V ( ξ ) + V (η ) − 2 cov ( ξ , η ) . Si las variables fuesen independientes

la respuesta b) sería válida)

9.- Si las variables aleatorias ξ 1 y ξ 2 tienen la misma distribución entonces las

variables siguientes: η1 = ξ1 − ξ 2 y η2 = ξ1 + ξ 2

a) η1 y η2 son dependientes c) η1 y η2 son incorreladas

b) η1 y η2 son independientes d) Ninguna de las anteriores

10.- Dadas dos variables aleatorias ξ ≡ B ( n1 , p ) y η ≡ B ( n2 , p ) se puede asegurar

que la suma de ambas variables aleatorias ξ + η se distribuye siempre como:

a) ξ + η ≡ B ( n1 + n2 , p ) c) ξ + η ≡ B ( n1 − n2 , p )
b) ξ + η ≡ B ( n1. n2 , p ) d) Ninguna de las anteriores

(Si somos totalmente rigurosos la respuesta correcta sería la d) ya que para que la a) sea cierta,
deberíamos exigir que las variables fuesen independientes)

2
El coste de una pieza es igual a C. El precio de venta depende del diámetro interior de la
pieza, X, variable aleatoria con función de densidad: f ( x ) = k e − kx para x > 0 y 0 en
el resto. Si el diámetro es mayor que tres o menor que uno, se pierde la pieza ya que no
existe mercado para absorberla, y si el diámetro está comprendido entre estos límites de 1
y 3, se vende a un precio igual a Q. Calcúlese el valor de k que maximiza el beneficio
medio.

Junio 2000 (Reserva)

SOLUCIÓN

Como primer paso vamos a determinar la probabilidad de que una pieza resulte
vendible, o lo que es igual que el diámetro de la misma esté comprendido entre 1 y 3

− kx 3

P ( Vendible ) = P (1 ≤ X ≤ 3) =
3
ke − kx
dx = k e = − e − kx
3
= − e− 3k + e− k
1 − k 1
1

y la probabilidad de que la pieza se pierda será entonces:

P ( Perdida ) = 1 − P ( Vendible ) = 1 − −e−3k + e − k = 1 + e −3 k − e − k

Analicemos cual sería el beneficio en cada caso:

Pieza Ingreso por Coste Beneficio = Bi Probabilidad = Pi

venta
Vendible Q C Q-C − e − 3k + e − k
Perdida 0 C -C 1 + e −3 k − e − k

Es decir, el beneficio es una variable aleatoria discreta cuya esperanza matemática vale:

E (B)= − 3k
Bi Pi = ( Q - C ) . − e + e
−k
+ ( − C ) . 1 + e − 3k − e − k =
∀i

= − Q e − 3 k + Q e− k + C e − 3k − C e − k − C − C e − 3 k + C e − k = − Q e − 3k + Q e − k − C

Resumiendo:

E (B ) = − Q e − 3k + Q e− k − C

3
Nuestro problema se reduce ahora a calcular el valor de k que maximiza esta expresión.
Para hallarlo basta con derivarla respecto de k e igualar la derivada a cero:

∂ E ( B)
∂ k
= − Q e− 3k + Q ( −e ) = Q ( 3e
−k − 3k
− e− k ) = 0

Para que esta expresión sea nula, basta con que:

3 e− 3k − e − k = 0

es decir:

ln 3
3 e− 3k = e − k → ln 3 − 3 k = − k → ln 3 = 2k → k=
2

ln 3
k= = 0,5493
2

4
La probabilidad de que una máquina produzca un elemento en perfectas condiciones es
0,98. Existe un control de producción que paraliza el proceso si aparece una pieza
defectuosa. Hállese la probabilidad de que se detenga dicho proceso antes de la fabricación
del elemento cincuenta y uno.

Junio 2000 (Reserva)

SOLUCIÓN

Analicemos, en primer lugar lo que puede suceder en la producción de un elemento. Ese

elemento puede ser correcto o defectuoso, es decir, estamos ante un fenómeno dicotómico:

Elemento en perfectas condiciones =0 q = 0,98

X→
Elemento defectuoso =1 p = 0, 02

Consideremos la variable “número de fallos antes del primer acierto”. Esta variable sigue
una distribución geométrica1 con p = 0,02. Recordemos las principales características de
esta distribución:

P (ξ = x ) = q x ⋅ p x = 0,1, 2,
F ( x ) = P (ξ ≤ x ) = 1 − q x +1

q q
E (ξ ) = V (ξ ) =
p p2

Nos piden la probabilidad de que se detenga el proceso antes de la fabricación del

elemento 51. La pregunta se presta a dos interpretaciones:

• Podemos entender que nos hablan de que se detenga justamente antes de producir
el elemento 51. Eso querría decir que el elemento 50 ha sido defectuoso sin serlo
ninguno de los 49 anteriores. La probabilidad valdría entonces:

P (ξ = 49 ) = 0,98490, 02 = 0, 0074

• Otra interpretación sería entender que la producción se detenga en cualquier

momento anterior a la producción del elemento 51, es decir que hayamos
producido 49 o menos elementos correctos. En este supuesto la probabilidad seria:

P (ξ ≤ 49 ) = F ( 49 ) = 1 − 0, 9849+1 = 0, 6358

1
Algunos autores definen la variable geométrica como “número de ensayos hasta el primer acierto”. Esto
solo supone desplazar la variable una unidad. En este caso la función de cuantía y la de distribución
serían:
P (ξ = x ) = q
x −1
⋅p x = 1, 2, 3,
F ( x ) = P (ξ ≤ x ) = 1 − q
x

5
6
 ! ! "

( )= # ( )=
(
# ( ∩ )=
)
$% ( & )'
*&+ *&, *& -

( ∩ )
( & )=
( )
"
( ∩ )= ( ∪ )= − ( ∪ )= − ( )+ ( )− ( ∩ ) =
. *
= − + − = − =
( )

( )= − ( )= − =
( (
*
( ∩ )=
" ( & )= =
*
( ) ,
(

/ 0 1 2 32 424 "

1 ! 1 !
5 0 ! -

0 0 ! 6
6 6 0 6 0
( $% 7 ! ! 8 9 + 9
! 6 '

≈ : )+ ! ≈ : * ≈ : +, -

/ 6 ! ; < 0 = ! > !
6 "ξ → = : =(
+
- 8 8 9 + 9 ! ( =
0 8 = (0 5 "
+ − * (
*
(

(ξ = () = = = : +.? , : +,
− + +

) 6 ! η η≤) 3 : η ≤ * 3 :,+ $% 7 6
η'

≈ .:.( ! ≈ +: + ≈ *:.( -

5 8 8 6 !
! - := = "
)−µ
(η ≤ ) ) = η@ ≤ = :
σ
)− µ
! # 8 " − :,)
σ
,− µ
(η ≤ * ) = η@ ≤ = :,+
σ
*− µ
! ! 8 " : ,
σ
A 6 "

) − µ = − :,)σ
→ = :? σ → σ = *: .(
* − µ = : ,σ :?

/ 8 6 ! !
0 :
* / ! : 6 ! 5 λ →∞
"

λ= →∞ λ= = λ= = -

/ 6 ! 5 2 8 →∞
B (ξ ) = =λ =
07 8 "
−
λ λ λ
( )
− −λ
− = − = =
→∞ =λ →∞ C

?
+ 6 ! λ= ξ γ= ξ ξ
= =

γ
: $D B ! 6 ! δ=
λ
- : ! χ ? 1 : -

/ : 7 : / 67
=! = 8 6 ! =! 0 6 ! γ

ξ $ 7 '
=

. E 6 ! η ξ : ξ6 ! : 6 9 η
7"

ξ F ! ξ F ξ -

/ ! 0 6 9 ! 0
: " ( ξ+ )= ( ξ)= (ξ )
, 0 6 ! "

6 8 ! 0 0
0 6 9 6 9

/ ! 0 6 0

? / 6 ! η 0 ϕ( ) = −
$% 7
η≤ ('

: *,. : , :( ,* -

)
−
/ 0 ϕ( )= −
=
6 9)

η→ ( # )

−( −
" (η < −() = η@ < = (η @
<− )= : ,
 6 ! 02 3 GG GG
4: 9 7
"

&( & -

/ 0 : 9 6 ! "

= + − < <
( )= = − < <
= 6
A 8 6 6 6 ! = 8 6 6 =−

: 96 "

( ) ( )
∞
(ξ ) = −∞
( ) =
−
( + ) + ( − ) =
−
+ + − =
( (
= + + − = − − + − − =− + =
( −
( ( ( + +

6 ! 8 0 B H I 8
9: 2 : 8
 J !< #*
! ! 8 6 : # 9 !
! ! 6 : ( * ! ! 6
: J "

K5 ! ! 8 6 !<
K ! 8 = 6 !< : ! ! 8
(K 5 ! ! 8 6 ),

L/M%NO-

K/ ! ! 8 !< : 9 : 6 "

( )= *
( )= ( ()= *
( ( (

! ! 6 "

( & )= : ( & )= : ( & ( )= :

! ! : ! ! 8 !<
6 7"

( ) = ( )⋅ ( & ) + ( )⋅ ( & ) + ( ( )⋅ ( & ( )= *

: + : +
*
: =
( ( (
:* + + ( ) :*
= = = : (*
( (

K ! 8 = 6 : ! ! 8
"

( & )= ( )⋅ ( & ) = ( :
= = : ).
( ) ) :* ) :*
(

(K 5 ! ! 8 9 : : ), 6
9 "

6 = : (* ! 6
! ξ
- 6 = :,+*

! H :
6 "
 (ξ ) = ⋅ = ( ⋅ : (* = ) :*
ξ = ξ +ξ + + ξ( → (( # : (*)
(ξ ) = ⋅ ⋅ = ( ⋅ : (* ⋅ :,+* = (*: ( *

3( : 6 8 6 ! ! 7
2 "

ξ≈ () :*# (*: ( * = ) () :* # *:? )

: ! ! 6 7 2 "

(ξ < ),) = ξ @ < ), − ) :*

= (ξ @
< : . = :,?, )
*:?

! : 2 0 9 8 9
! ! 8 !
! ! 6 : 8 6 P 0 :
: ! ! "

< 6 6 ! 3 :

( )=* ⋅ : = :*
→ (* # : )
( )=* ⋅ : ⋅ :?? = :)?*

/ 6 3 :

( )= ⋅ : =
→ ( # : )
( )= ⋅ : ⋅ :? = ?

: < ! * 3 :

( ()= * ⋅ : =(
→ (* # : )
(
( ()= * ⋅ : ⋅ :, = )

< 6 "

(ξ ) = ( + + () = ( ) + ( ) + ( ( ) = :* + + ( = ) :*
ξ= + + (ξ ) = ( + + () = ( ) + ( ) + ( ( ) = :)?* + ? + ) = ((:)?*
(
↑
N

% 6 : 6 9
7 0 8 6 ! ξ
8 : ! : 6 2 8 6 !
: 8 :
 = ( 6 !
2 "

ξ≈ () :*# ((:)?* = ) () :* # *:.? )

! ! ! "

(ξ < ),) = ξ @ < ), − ) :*

= (ξ @
)
< :( = :? (
*:.?

0 ! 8 Q ! 8 ; >
! 6 2 !
; >0 0

6 / ! /6 2 8 6 !
! : 2 6 8 2 P
5 A 9
/ 6 ! ξ η 0 H

( : )=, < < <

"

K/ 7 η ! ξ
K 0
(K / η ! ξ

L/M%NO-

/ 0 H "

( : )=, < < <

7 0 6 !
0

% 9 "

∞
( )= −∞
( : ) = , =, =, =) (
< <

−
( )= −∞
∞
( : ) = , =, =, =) (− ) < <

! 6 8 6 ! 8 " ( : ) ≠ ( )⋅ ( )

5 !
"

*
∞
α = (ξ ) = −∞
( ) = ) (
=) )
=) =) =
)
* * *

(ξ ) =
+
∞
α =
−∞
() = ) (
=) *
=) =) =
+ + (
 (− ) ( )
( *
∞
α = (η ) = −∞
( ) = ) =) − )
=) − =) − =
( * ( *
,
=) =
* *

(η ) = (− ) ( )
) +
∞
α =
−∞
( ) = ) =) (
− *
=) − =) − =
) + ) +

=) =
(

(ξ ⋅η ) =
∞ ∞
α =
−∞ −∞
( : ) = , =, =
( (
, , + , )
=, =, = *
= = =
( ( ( ( + (+ ?

"

) ) , )
µ = α − α ⋅α = − ⋅ =
? * * *
) +
µ = α −α = − = − =
( * ( * .*
, +)
µ = α −α = − = − =
( * ( * *

/ 7 η &ξ "

µ
−α = ( −α )
µ

"

)
, * ) , ) , ,
− = − → − = − → − = − → =
* * * ( * * ( * (
.*

=
(
"

)
µ * )
ρ= = = = :)?
µ µ ++
.* *

ρ = :)?

8 8 2 : 0
0 6 ρ = :)? = : ) 8 8 :
= : 6 ! ξ 2 )R 6 9 η

#$ ! % η &ξ

/ 6 9 7 "

∞
ϕ( ) = (η & ξ = ) = ( & )
−∞

/ 6 "

( & )= ( : )=, = < <

( ) ) (

"

( (
∞
ϕ( ) = (η & ξ = ) = ( & ) = = = = =
−∞ ( ( (

=
(

L! 6 8 0 = 8 : :
8 =! !
UNED
Estadística Teórica 1 (Economía)

Mayo 2001 (B)

PREGUNTAS TIPO TEST (Mayo de 2001 tipo B)

1.- Sean los sucesos A y B con P(A) = 3/8, P(B) = 5/8 y P(A ∪B) = 3/4 ¿Cuál es la
P(A/B)

a) 1/4 b) 2/3 c) 2/5 d) Ninguna

2.- La función f(x) =3/2 x (x-1) para 0<x<2 es:

a) Función de densidad b) Función de distribución

c) Función generatriz d) Ninguna es correcta

(¡¡OJO!!....Aunque la integral de la función entre 0 y 2 vale 1, la función no es función de densidad por

ser NEGATIVA en algunos puntos de su campo de definición)

3.- Dada una variable aleatoria continua ξ se verifica que:

a) P (a < ξ ≤ b ) > P (a < ξ < b ) b) P (a < ξ ≤ b ) > P (a ≤ ξ ≤ b )

c) P (a < ξ < b ) = P (a ≤ ξ ≤ b ) d) Ninguna es cierta.

4.- Sea una variable aleatoria ξ con f(x) = 1- | x | para | x |<1, ¿Cuál es su esperanza?.

a) 1/2 b) 2/3 c) 0 d) Ninguna

5.- La distribución B(n, p) converge a una distribución de Poisson P(λ) si n → ∞

cuando:

p
a) λ = p = cte. b) λ = →∞ c) λ= pn =cte. d) Ninguna
n

6.- Si una variable aleatoria η tiene como ϕ (t ) = e − 2it − 8t ¿Cal es la P(-6 < η <2)?
2

a) 0,6826 b) 0,3174 c) 0,8413 d) Ninguna de las anteriores.

1
 25
7.- Si A es una variable aleatoria N (0,1) y B = ξ i2 siendo las ξi = N(0,1) ¿Cómo se
i =1
1
−
distribuye la variable aleatoria η = 5 ⋅ A ⋅ B 2

a) χ226 b) N(0,1) c) t25 d) Ninguna es correcta

(La respuesta c) sería correcta solo si asumimos la independencia entre las variables)

8.- ¿Cuál es la probabilidad de tener que realizar 6 lanzamientos de un dado para

obtener tres veces la cara marcada con el 1?

a) ≈ 0,046 b) ≈ 0,0268 c) ≈ 0,025 d) Ninguna

9.- Si una variable aleatoria η sigue una distribución N(3,2) ¿Cuál es el valor de A para
que P(1,5 < η < A) = 0,5251?

a) 4,5 b) 4,36 c) 4,5034 d) Ninguna

10.- El coeficiente de correlación lineal está afectado por los siguientes cambios en las
variables:

a) De origen b) De escala c) De origen y escala d) No es cierta ninguna de las anteriores

(Los cambios de escala, aunque no afectan al valor de ρ si afectan a su signo cuando las constantes por
las que multiplicamos ambas variables son de signo opuesto)

2
Dadas las variables aleatorias ξ y η con función de densidad conjunta:

f ( x, y ) = k ( x + y ) para 0 < x <1 y 0 < y < 2

Hallar:

1º) Las rectas de regresión mínimo cuadráticas

2º) El coeficiente de correlación lineal.

Mayo 2001 (B)

2
SOLUCIÓN
R
La función de densidad conjunta es:

1
f ( x, y ) = k ( x + y ) para 0 < x <1 y 0 < y < 2

El recinto donde está definida la variable es el representado en la figura.

Comenzaremos por determinar la constante k, para ello basta con imponer que toda la
probabilidad debe valer la unidad:

∞ ∞
f ( x, y ) dx dy = 1 →
∞ ∞
f (x, y ) dx dy = k ( x + y ) dx dy = k dx (x + y ) dy =
1 2

− ∞ −∞ −∞ − ∞ R 0 0
1 2 1
y2 x2
dx = k (2 x + 2 ) dx = k 2 + 2 x = k (1 + 2 ) = 3k = 1
1
=k xy +
2 0
0 2 0
0

por lo tanto:
1
k=
3

y la función de densidad nos queda:

1
f ( x, y ) = (x + y ) para 0 < x <1 y 0 < y < 2
3

Calcularemos ahora las dos densidades marginales:

2 2 2
1
(x + y ) dy = 1 xy + y 1
(2 x + 2) = 2 (x + 1)
∞
f1 ( x ) = f (x, y ) dy = = 0 < x <1
03 3 2 3 3
−∞
0

1 2 1
1
(x + y ) dx = 1 x + yx 1 1 1
∞
f2 (y) = f ( x, y ) dx = = + y = (1 + 2 y ) 0< y<2
03 3 2 3 2 6
−∞
0

3
observemos que las variables no son independientes ya que: f ( x, y ) ≠ f1 ( x ) ⋅ f 2 ( y )

Para poder responder a las dos preguntas del problema, debemos calcular unos cuantos
momentos:

1 1

−∞
∞ 2
α10 = E (ξ ) = x f1 ( x ) dx = x ( x + 1) dx =
3
2
3
1

0
( x + x dx =
2 2 x3 x 2
3 3
+
2
) =
0 0

2 1 1 2 5 5
= + = ⋅ =
3 3 2 3 6 9

1 1

α 20 = E (ξ ) ( )
∞ 2 2 2 x 4 x3
x f1 ( x ) dx = x ( x + 1) dx =
1
2
= 2 2
x + x dx =
3
+ 2
=
−∞
0 3 3 0 3 4 3 0

2 1 1 2 7 7
= + = ⋅ =
3 4 3 3 12 18

2 2

−∞
∞ 1
α 01 = E (η ) = y f 2 ( y ) dy = y (1 + 2 y ) dy =
6
1
6
2

0
( y + 2 y dy =
1 y2
6 2
+22y3
3
) =
0 0

1 16 1 22 11
= 2+ = ⋅ =
6 3 6 3 9

2 2

( )2
−∞
∞ 1
α 02 = E η = y f 2 ( y ) dy = y (1 + 2 y ) dy =
6
2 1
6
2
0
2
( y + 2 y dy =
2 1 y3
6 3
+2
y4
4
3
) =
0 0

1 8 1 32 16
= +8 = ⋅ =
6 3 6 3 9

α11 = E (ξ ⋅η ) =
∞

−∞ −∞
∞
x y f ( x, y ) dx dy = xy
1
3
(x + y ) dx dy = 1
3 R
(x 2
)
y + xy 2 dx dy =
R
1 2 1 1

=
1 1
3 0
dx
2

0
( x y + xy dy =
2 1
3
2
) x
y2
2
2
+x
y3
3 0
dx =
1
3
28
3
1 x3 8 x 2
2 x + x dx = 2 +
3 3 3 2
=
0 0 0

1 2 4 1 6 2
= + = ⋅ =
3 3 3 3 3 3

4
Entonces:

2 5 11 54 − 55 1
µ11 = α11 − α10 ⋅ α 01 = − ⋅ = =−
3 9 9 81 81
2
7 5 7 25 63 − 50 13
µ 20 = α 20 − α = −
2
10 = − = =
18 9 18 81 162 162
2
16 11 16 121 144 − 121 23
µ 02 = α 02 − α 012 = − = − = =
9 9 9 81 81 81

Rectas de regresión

La ecuación de la recta de regresión mínimo-cuadrática de η /ξ es:

µ11
y − α 01 = (x − α10 )
µ 20

sustituyendo:

1
−
11 5 11 2 5
y − = 81 x − → y− =− x−
9 13 9 9 13 9
162

11 2 5
y− =− x−
9 13 9

Análogamente: la recta de regresión mínimo-cuadrática de ξ /η es:

µ11
x − α10 = ( y − α 01 )
µ 02
en nuestro caso:

1
−
5 11 5 1 11
x − = 81 y − → x− = − y−
9 23 9 9 23 9
81

5 1 11
x− =− y−
9 23 9

5
Coeficiente de correlación lineal

Al tener calculadas las dos rectas de regresión, podemos calcular fácilmente el

coeficiente de correlación recordando que:

− 2 −1 2
ρ = b ⋅ b' = ⋅ = = − 0,08
13 23 299

(el signo menos es debido a que la Covarianza era negativa)

resultado que nos indica que existe correlación lineal inversa, muy débil, entre las
variables. Nótese que ρ2 = 0,0064 y que, por tanto, mediante el modelo lineal de
regresión que hemos utilizado, la variable exógena únicamente explicaría el 0,64% de la
varianza de la endogena.

6
 Hay tres líneas de microbús en una ciudad; 50 de ellos recorren la línea 1 con
probabilidad de que en el día se averíe uno de 0,01; la línea 2 la realizan 100 microbuses
con probabilidad de avería de 0,1 y la línea 3 consta de 150 con probabilidad de avería a
lo largo del día de 0,2. Hallar:

1º) Probabilidad de que en un día se averíe un microbús

2º) Sabiendo que se ha averiado un microbús, probabilidad de que sea de la línea 2
3º) Probabilidad de que se averíen en un día entre 50 y 80

Mayo 2001 (B)

SOLUCIÓN

1º) La probabilidad de que un microbús, elegido al azar, corresponda a cada línea vale:

50 100 150
P (L1 ) = P (L2 ) = P (L3 ) =
300 300 300

y la probabilidad de avería para cada línea es:

P ( A / L1 ) = 0,01 P ( A / L2 ) = 0,1 P ( A / L3 ) = 0,2

aplicando el teorema de la probabilidad total, la probabilidad de que un microbús se

averíe será :

50 100 150
P( A) = P(L1 ) ⋅ P( A / L1 ) + P(L2 ) ⋅ P( A / L2 ) + P(L3 ) ⋅ P( A / L3 ) = 0,01 + 0,1 + 0,2 =
300 300 300
0,5 + 10 + 30 40,5
= = = 0,135
300 300

2º) Sabiendo que se ha producido avería, la probabilidad de que sea en la línea 2 nos la
proporciona el teorema de Bayes:

100
0,1
P(L2 ) ⋅ P( A / L2 ) 300 10
P(L2 / A) = = = = 0,247
P ( A) 40,5 40,5
300

3º) Comencemos por razonar como se distribuye la variable “Número de averías totales
en un día”

El número de averías diarias en la primera línea es una variable Binomial con p = 0,01

E ( X 1 ) = 50 ⋅ 0,01 = 0,5
X 1 → B(50 ; 0,01)
V ( X 1 ) = 50 ⋅ 0,01 ⋅ 0,99 = 0,495

7
Las averías en la segunda línea son otra Binomial con p = 0,1

E ( X 2 ) = 100 ⋅ 0,1 = 10
X 2 → B(100 ; 0,1)
V ( X 2 ) = 100 ⋅ 0,1 ⋅ 0,9 = 9

En la tercera línea, el número de autobuses es150 y la p = 0,2

E ( X 3 ) = 150 ⋅ 0,2 = 30
X 3 → B(150 ; 0,2 )
V ( X 3 ) = 150 ⋅ 0,2 ⋅ 0,8 = 24

El número total de averías es:

E (ξ ) = E ( X 1 + X 2 + X 3 ) = E ( X 1 ) + E ( X 2 ) + E ( X 3 ) = 0,5 + 10 + 30 = 40,5
ξ = X1 + X 2 + X 3 V (ξ ) = V ( X 1 + X 2 + X 3 ) =↑ V ( X 1 ) + V ( X 2 ) + V ( X 3 ) = 0,495 + 9 + 24 = 33,495
Indep

Si ahora aplicamos el teorema central del límite1 a esta suma de 300 variables y
aproximamos a una normal:

( )
ξ ≈ N 40,5 ; 33,495 = N (40,5 ; 5,79)

y la probabilidad buscada es:

50 − 40,5 80 − 40,5
P (50 < ξ ≤ 80 ) = P <ξ* ≤ = P (1,64 < ξ * ≤ 6,82 ) = F (6,82 ) − F (1,64) =
5,79 5,79
= 1 − 0,9495 = 0,0505

1
El teorema central del límite en su versión Linderberg-Levi exige que todas las variables sumando
tengan la misma distribución, pero existen otras versiones que permiten prescindir de esa exigencia.(Ver
Martín Priego-Ruiz Maya para mas detalles)
8
9
UNED
Estadística Teórica 1 (Economía)

Junio 2002 (A)

PREGUNTAS TIPO TEST (Junio de 2002 tipo A)

1.- Dados los sucesos A y B con P ( A) = 0,3 , P ( B ) = 0,3 y P ( A ∩ B ) = 0,1 , ¿cuál es la

P ( A ∩ B ) ?:

a) 0,5 b) 0,4 c) 0,6 d) Ninguna de las anteriores.

Justificación

( )
P ( A ∩ B ) = P A ∪ B = 1 − P ( A ∪ B ) = 1 − P ( A) + P ( B ) − P ( A ∩ B ) =
= 1 − ( 0,3 + 0,3 − 0,1) = 0,5

e
(
2 e
i t1
)
−1

2.- La función característica de una v.a. bidimensional ( ξ,η ) es ρξ ,η ( t1 , t2 ) = it 2 ,

e1−e
¿cual es la esperanza de η?

a) e−1 b) 1 c) 0 d) Ninguna es correcta

Justificación

( ) ⋅ e1−e
( −e ) i
it1

− e 0 ⋅ e 0 ( −e 0 ) i
2 e −1 it 2
it 2
∂ϕ ( t1 , t2 ) −e ∂ϕ ( t1 , t2 )
= → = =i
∂t2
( ) ∂t2 ( e0 )
it 2 2 2
e1−e t1 = 0
t2 = 0

∂ϕ ( t1 , t2 )
∂t2 t1 = 0
i
E (η ) = α 01 =
t2 = 0
= =1
i i
3.- El coeficiente de curtosis es invariante ante un cambio de:

a) escala b) origen y escala c) origen d) Ninguna es cierta

Justificación

El coeficiente de curtosis (2º coeficiente de Fisher) se define así:

µ4 (ξ ) = E ξ − E (ξ )
4
µ 4 (ξ )
ξ → γ 2 (ξ ) = − 3 siendo
σ (ξ )
4
σ 2 (ξ ) = µ 2 (ξ ) = E ξ − E ( ξ )
2

si hacemos un cambio de origen y otro de escala, es decir si definimos una nueva

variable η = aξ + b es sabido que:

E (η ) = E ( aξ + b ) = a E (ξ ) + b

con lo que para esta variable:

{ }
4
µ4 (η ) = E η − E (η ) = E [ a ξ + b ] − a E (ξ ) + b = a 4 E ξ − E (ξ ) = a 4 µ4 (ξ )
4 4

{ }
2
σ 2 (η ) = µ 2 (η ) = E η − E (η ) = E [ a ξ + b ] − a E (ξ ) + b = a 2 E ξ − E (ξ )
2 2
=
= a 2 µ2 (ξ ) = a 2 σ 2 ( ξ ) → σ (η ) = a σ (ξ )

y el coeficiente de curtosis de la nueva variable vale:

µ 4 (η ) a 4 µ4 ( ξ ) a 4 µ4 (ξ ) µ4 (ξ )
γ 2 (η ) = −3 = −3 = −3 = − 3 = γ 2 (ξ )
σ (η ) a σ (ξ ) σ (ξ ) σ (ξ )
4 4 4 4 4
a
 3
4.- La función f ( x ) = x ( x − 1) para 0 < x < 2 es función de:
2

a) característica b) distribución c) densidad d) Ninguna

Justificación

Para que fuese función característica, admitiendo que x fuese el parámetro, se debería
cumplir que ϕ ( 0 ) = 1 lo que no es cierto para esta función.

La función dada no puede ser una función de distribución ya que

3
F ( ∞ ) = F ( 2 ) = 2 ( 2 − 1) = 3 ≠ 1
2

Nótese que aunque la integral de la función dada, extendida al campo de definición de la

variable, vale 1, esta función no es una densidad por tomar valores negativos para
ciertos valores de x

4 12
5.- Dadas las v.a. η = ξi2 y γ = ξi2 siendo las ξi = N ( 0,1) e independientes, ¿cómo
i =1 i =5

se distribuye la v.a. λ = 2η ⋅ γ ? −1

a) χ122 b) N (0,1) c) F4,20 d) Ninguna es cierta.

Justificación

la variable sigue una distribución F4,8 como se ve a continuación:

4
4 ξi2
ξi2 i =1 χ 42
η 8 4
λ = 2η ⋅ γ −1 = 2 = i =1
= = 42 = F4,8
γ 4 12 12
χ8
ξi2 ξi2
i =5 i =5 8
8
 36
6.- Si la v.a. γ = ξi siendo las ξi = U ( 2, 4 ) , ¿cuál es la P ( 40 < γ < 42 ) ?:
i =1

a) ≈ 0,0959 b) ≈0,0812 c) ≈0,1648 d) Ninguna.

Justificación

4+2
µ = E (ξ ) = =3
2
ξi ≡ U ( 2, 4 ) entonces, si suponemos las ξi independientes:
( 4 − 2)
2
1
σ = V (ξ ) =
2
=
12 3

36 36
E (γ ) = E ξi = E (ξi ) = 36 E (ξi ) = 36 ⋅ 3 = 108
36
i =1 i =1
γ= ξi 36 36
1
V (γ ) = V V (ξi ) = 36 V (ξi ) = 36 ⋅ = 12
i =1
ξi =↑
i =1 Indep. i =1 3

y al ser 36 grande, el teorema central del límite nos dice que:

(
γ ≈ N nµ ; nσ 2 = N 108; 12 ) ( )
por tanto:

40 − 108 42 − 108
P ( 40 < γ < 42 ) =↑ P <γ < = P ( −19, 63 < γ < −19, 05 ) ≈ 0
Tipificando 12 12
7.- Se eligen al azar dos dígitos del 1 al 9, si su suma es par, ¿cuál es la probabilidad de
que ambos sean pares?:

a) 3/8 b) 3/9 c) 3/18 d) Ninguna es cierta.

Justificación

Si suponemos que las extracciones son sin remplazamiento:

La probabilidad de que ambos sean pares vale:

4 3 1
P ( A) = P ( P ∩ P ) = P ( P ) P ( P / P ) = ⋅ =
9 8 6

la suma será par si los dos números son pares o los dos son impares:

P(S ) = P ( P ∩ P) ∪ ( I ∩ I ) = P ( P ∩ P) + P ( I ∩ I ) = P ( P) P ( P / P) + P ( I ) P ( I / I ) =
4 3 5 4 32 4
= ⋅ + ⋅ = =
9 8 9 8 72 9
1
P( A∩ S) P ( A) 6 9 3
entonces: P ( A / S ) = = = = =
P ( S ) A⊂↑ S P ( S ) 4 24 8
9
 k
8.- Una v.a. tiene como función de cuantía P (ξ = x ) = para x = 0,1 . ¿Cuál es
( x + 2 )!
la E (ξ )?:

a) 9 b) 3/2 c) 1/4 d) Ninguna

Justificación

ξ: 0 1
k
P (ξ = x ) = para x = 0,1 equivale a decir que: k k
( x + 2 )! Pi :
2 6

el valor de k se determina imponiendo que toda la probabilidad vale la unidad:

k k 4k 2 3
Pi = + = = k =1 → k =
∀i 2 6 6 3 2

ξ: 0 1
con lo que la distribución de probabilidad es: 3 1
Pi :
4 4

3 1 1
entonces: E (ξ ) = xi Pi = 0 ⋅ + 1⋅ =
∀i 4 4 4

9.- Sean las v.a. ξ = N ( 0, 2 ) y η = N ( 9,3) e independientes, ¿cuál es la P (ξ − η > 12 ) ?

a) 0,4091 b) 0,2033 c) 0,5909 d) Ninguna es correcta.

Justificación

La variable Z = ξ - η al ser combinación lineal de variables normales independientes

también es normal con media:
E ( Z ) = E (ξ − η ) = E (ξ ) − E (η ) = 0 − 9 = −9
y varianza:
V ( Z ) = V (ξ − η ) =↑ V (ξ ) + V (η ) = 22 + 32 = 13
Indep.

(
Z ≡ N −9; 13 )
12 − ( −9 )
entonces: P (ξ − η > 12 ) = P ( Z > 12 ) =↑ P Z* > = P ( Z * > 5,82 ) ≈ 0
Tipificando 13
10.- Sea la v.a. ξ con f ( x ) = k ( 3 − x ) para 0 < x < 21. La P (ξ = 1) será:

a) 5/8 b) 0 c) 7/8 d) Ninguna es correcta.

Justificación

Es evidente que, al ser la variable continua, la probabilidad en cualquier punto vale

cero. No obstante, existe un error mecanográfico ya que , con los límites dados, la
función dada no es una densidad por cambiar de signo dentro de su campo de
definición. Los límites deberían haber sido 0 < x < 2
 2
Dada la función de densidad f ( x ) = para 0 < x <2 y 0 en el resto. Se pide:
x2

1º) Calcular la mediana, el primer cuartil y el segundo decil.

2º) Hallar los coeficientes de asimetría y curtosis.
Junio 2002

SOLUCIÓN

El problema, tal como está propuesto, no tiene solución porque la función dada no es
una densidad como es inmediato comprobar:

Sabemos que para que una función sea una verdadera densidad debe cumplir:

1º ) f ( x ) ≥ 0
∞
2º ) f ( x ) dx = 1
−∞

y la segunda condición no se cumple ya que la integral es divergente:

2 2 2
∞
2
2 x −1 1 1
f ( x ) dx = dx = 2 −2
x dx = 2 = −2 = −2 −∞ = ∞
−∞
0 x2 0
−1 0
x 0 2

Parece que se trata de un error mecanográfico ya que la función dada si es una

densidad si el campo de definición fuese de 2 a ∞. Comprobémoslo:

∞ ∞ ∞
∞
∞ 2 x −1 1 1 1 1
f ( x ) dx = dx = 2 −2
x dx = 2 = −2 = −2 − = −2 0 − = 1
−∞
2 x2 2
−1 2
x 2 ∞ 2 2

Vamos a resolver el problema suponiendo, entonces, que la densidad es:

2
f ( x) = x≥2
x2
f ( x) = 0 x<2
1º) Calcular la mediana, el primer cuartil y el segundo decil.

Por facilitar los cálculos, calcularemos, en primer lugar la función de distribución de la

variable:

x
0 du = 0 x<2
x −∞
F ( x ) = P (ξ ≤ x ) = f ( u ) du = x
−∞ 2 x 2 −2 −2 2
0 du + 2
du = = +1 = 1− x≥2
−∞ 2 u u 2 x x

• La mediana será el valor que cumpla:

P (ξ ≤ x ) = P (ξ ≥ x )

Al ser la variable continua esto implica que por debajo de la mediana quedará una
probabilidad 0,5 y por encima otro 0,5:

P (ξ ≤ x ) = 0,5
P (ξ ≥ x ) = 0,5

Podemos utilizar cualquiera de estas condiciones para determinar la mediana. Usando,

por ejemplo, la primera tenemos que:

2 2
P (ξ ≤ x ) = F ( x ) = 1 − = 0,5 → = 0,5 → x = 4
x x

Me = 4

• Análogamente, el primer cuartil cumple:

P (ξ ≤ x ) = 0, 25
P (ξ ≥ x ) = 0, 75

Por tanto:

2 2 8
P (ξ ≤ x ) = F ( x ) = 1 − = 0, 25 → = 0, 75 → x = ≈ 2, 67
x x 3

Q1 = 2, 67
 • Para el segundo decil se cumplirá:

P (ξ ≤ x ) = 0, 2
P (ξ ≥ x ) = 0,8

es decir:

2 2
P (ξ ≤ x ) = F ( x ) = 1 − = 0, 2 → = 0,8 → x = 2,5
x x

D2 = 2,5

2º) Hallar los coeficientes de asimetría y curtosis.

µ3
Coeficiente de asimetría: γ1 =
σ3
µ
Coeficiente de curtosis: γ 2 = 44 − 3
σ

Para su cálculo, recordemos que:

σ 2 = µ2 = α 2 − α12
µ3 = α 3 − 3α1α 2 + 2α13
µ4 = α 4 − 4α1α 3 + 6α12α 2 − 3α14

En este caso no vamos a tener que trabajar demasiado porque, como vamos a
comprobar, esta variable carece de momentos:

∞ ∞
∞ 2 1
α1 = E ( ξ ) = x f ( x ) dx = dx = 2 [ ln x ]2 = 2 [ ln ∞ − ln 2] = ∞
∞
x 2 dx = 2
−∞
2 x 2 x

Al no existir el momento de primer orden, podemos garantizar que no existe ningún

momento de orden superior. En consecuencia no existen los coeficientes de asimetría y
curtosis.

Para costear el viaje de paso de ecuador, 50 estudiantes de una facultad deciden vender
bufandas. Sabiendo que el promedio vendido por cada alumno es de 25 bufandas con
una desviación típica de 5, se pide:
1º) El número máximo de bufandas que deben tener para asegurar la venta total con
una probabilidad del noventa por ciento.
2º) Si por cada bufanda tienen un beneficio de 2,3 euros, ¿cuál será la probabilidad
para que el beneficio total supere los 3000 euros?
Junio 2002

SOLUCIÓN

µ = E (ξ i ) = 25
Las ventas por alumno son una v.a. ξ i
σ = V (ξ i ) = 5

Las ventas totales para los 50 alumnos serán:

50
E (ξ ) = E ξi = 50 E ( ξ i ) = 50 ⋅ µ = 50 . 25 = 1250
1

ξ = ξ1 + ξ 2 + + ξ 50
50
V (ξ ) =V ξi = 50 V ( ξ i ) = 50 ⋅σ 2 = 50 . 25 = 1250
1 ↑
Indep

donde hemos supuesto la independencia entre las ventas de cada alumno.

En este supuesto, al ser las ξ i variables independientes idénticamente distribuidas y

teniendo en cuenta que 50 es grande, el Teorema Central del Limite nos permite afirmar
que esta variable aproximadamente se va a distribuir normal:

(
ξ → N 1250 ; 1250 )

Teniendo esto presente ya es inmediato responder a las preguntas del problema:

1º) El número máximo de bufandas que deben tener para asegurar la venta
total con una probabilidad del noventa por ciento.
Estos chicos son conservadores y quieren asegurarse de que no les van a sobrar bufandas.
Debemos determinar K con la condición de que haya una probabilidad del 90% de
alcanzar o superar esa cifra de ventas:

P ( ξ ≥ K ) = 0,90
Tipificando:
K − 1250
P (ξ ≥ K ) = P ξ* ≥ = 0,90
1250

En la tabla de la Normal encontramos:

K − 1250
= − 1, 282
1250

con lo que: K = − 1, 282 1250 + 1250 = 1204, 7

es decir: deben tener 1205 bufandas.

2º) Si por cada bufanda tienen un beneficio de 2,3 euros, ¿cuál será la
probabilidad para que el beneficio total supere los 3000 euros?

Si el beneficio por bufanda es de 2,3 ., el beneficio total será: η = 2, 3 ξ

esta variable también se distribuye Normal con media:

E ( η ) = E ( 2,3 ξ ) = 2,3 E ( ξ ) = 2,3 .1250 = 2875

y varianza:

V ( η ) = V ( 2,3 ξ ) = 2,3 V ( ξ ) = 2,32 ⋅1250 = 6612,5

es decir:

(
η → N 2875 ; 6612,5 )

Ahora ya podemos calcular la probabilidad pedida:

3000 − 2875
P (η > 3000 ) = P η * > = P (η * > 1,54 ) = 1 − 0,9382 = 0, 0618
6612, 5
UNED
Estadística Teórica 1 (Economía)

Junio 2002 (B)

 PREGUNTAS TIPO TEST (Junio de 2002 tipo B)

1.- Se eligen al azar dos dígitos del 1 al 9, si su suma es par, ¿cuál es la probabilidad de
que ambos sean impares?:

a) 5/8 b) 5/9 c) 5/18 d) Ninguna de las anteriores.

El resultado indicado es el correcto si suponemos que las extracciones son sin remplazamiento

k
2.- Una v.a. tiene como función de cuantía P (ξ = x ) = para x = 0,1 . ¿Cuál es
( x + 2 )!
la E (ξ )?:

a) 3/2 b) 1/4 c) 9 d) Ninguna de las anteriores

36
3.- Sea la v.a. λ = ξi donde las ξi son U ( 2, 4 ) , ¿cuál es la P ( 40 < λ < 42 ) ?:
i =1

a) ≈0,0812 b) ≈0,1648 c) ≈ 0,0959 d) Ninguna es correcta.

10
4.- Las v.a. ξi = N ( 0, σ ) e independientes. Si definimos γ = ξ12 y η = ξi2 ¿Qué
i =2

distribución sigue la v.a. λ = 3γ ⋅η −1 2 ?

a) t9 b) N (0,1) c) χ 92 d) Ninguna

si hubiese sido γ = ξ1 entonces λ sería una t9

e
(
2 e it1 −1 )
5.- La función característica de una v.a. bidimensional ( ξ,η ) es ρξ ,η ( t1 , t2 ) = it2 ,
e1−e
¿cal es la esperanza de ξ?

a) 0 b) 2 e2 c) 2 d) Ninguna

6) La función f ( x, y ) = 2 (1 − xy ) para x ≤ 1 e y ≤ 1 es función:

a) de densidad b) de distribución c) característica d) Ninguna es correcta.

7.- El coeficiente de asimetría es invariante ante un cambio de:

a) origen b) escala c) origen y escala d) Ninguna es correcta.

Los cambios de escala no afectan al valor del coeficiente de asimetría pero pueden afectar a su signo.

8.- Dada la v.a. ξ con f ( x ) = k ( 3 − x ) para 0 < x < 2. ¿cuál es la P ( −1 < ξ < 1,5 ) ?

a) ≈ 0,375 b) ≈ 0,84 c) ≈ 0,25 d) Ninguna.

5 8
9.- Dados los sucesos A y B con P ( A ) = , P ( B) = y P ( A / B ) ?:
20 20

a) 11/10 b) 1/11 c) 2/20 d) Ninguna.

Es imposible dar una respuesta porque, obviamente, falta un trozo de enunciado después del “y”
(obsérvese como se cierra una interrogación que no se había abierto). En concreto hubiésemos necesitado
saber cuanto vale P (A∩B) para poder responder a la pregunta

10.- Dadas las v.a. ξ y η independientes y con la misma distribución N (10,3), ¿cuál es
la distribución de la v.a. λ = ξ - η?

a) N (0,0) b) N (0,6) (
c) N 0, 3 2 ) d)Ninguna es correcta.
Para costear el viaje de paso de ecuador, 50 estudiantes de una facultad deciden vender
bufandas. Sabiendo que el promedio vendido por cada alumno es de 25 bufandas con
una desviación típica de 5, se pide:

1º) El número máximo de bufandas que deben tener para asegurar la venta total con
una probabilidad del noventa por ciento.
2º) Si por cada bufanda tienen un beneficio de 2,3 euros, ¿cuál será la probabilidad
para que el beneficio total supere los 3000 euros?

Junio 2002

SOLUCIÓN

µ = E (ξi ) = 25
Las ventas por alumno son una v.a. ξi
σ = V (ξ i ) = 5

Las ventas totales para los 50 alumnos serán:

50
E (ξ ) = E ξi = 50 E ( ξ i ) = 50 ⋅ µ = 50 . 25 = 1250
1

ξ = ξ1 +ξ 2 + + ξ 50
50
V (ξ ) =V ξi = 50 V ( ξ i ) = 50 ⋅σ 2 = 50 . 25 = 1250
1 ↑
Indep

donde hemos supuesto la independencia entre las ventas de cada alumno.

En este supuesto, al ser las ξ i variables independientes idénticamente distribuidas y

teniendo en cuenta que 50 es grande, el Teorema Central del Limite nos permite afirmar
que esta variable aproximadamente se va a distribuir normal:

(
ξ → N 1250 ; 1250 )

Teniendo esto presente ya es inmediato responder a las preguntas del problema:

1º) El número máximo de bufandas que deben tener para asegurar la venta
total con una probabilidad del noventa por ciento.

Estos chicos son conservadores y quieren asegurarse de que no les van a sobrar bufandas.
Debemos determinar K con la condición de que haya una probabilidad del 90% de
alcanzar o superar esa cifra de ventas:

P ( ξ ≥ K ) = 0,90
Tipificando:
K − 1250
P (ξ ≥ K ) = P ξ* ≥ = 0, 90
1250

En la tabla de la Normal encontramos:

K − 1250
= − 1, 282
1250

con lo que: K = − 1, 282 1250 + 1250 = 1204, 7

es decir: deben tener 1205 bufandas.

2º) Si por cada bufanda tienen un beneficio de 2,3 euros, ¿cuál será la
probabilidad para que el beneficio total supere los 3000 euros?

Si el beneficio por bufanda es de 2,3 ., el beneficio total será: η = 2,3 ξ

esta variable también se distribuye Normal con media:

E ( η ) = E ( 2,3 ξ ) = 2,3 E ( ξ ) = 2,3.1250 = 2875

y varianza:

V ( η ) = V ( 2,3 ξ ) = 2,3 V ( ξ ) = 2, 32 ⋅1250 = 6612, 5

es decir:

(
η → N 2875 ; 6612,5 )

Ahora ya podemos calcular la probabilidad pedida:

3000 − 2875
P (η > 3000 ) = P η * > = P (η * > 1, 54 ) = 1 − 0,9382 = 0, 0618
6612, 5
 2
Dada la función de densidad f ( x ) = para 0 < x <2 y 0 en el resto. Se pide:
x2

1º) Calcular la mediana, el primer cuartil y el segundo decil.

2º) Hallar los coeficientes de asimetría y curtosis.

Junio 2002

SOLUCIÓN

El problema, tal como está propuesto, no tiene solución porque la función dada no es
una densidad como es inmediato comprobar:

Sabemos que para que una función sea una verdadera densidad debe cumplir:

1º) f ( x ) ≥ 0
∞
2º) f ( x ) dx = 1
−∞

y la segunda condición no se cumple ya que la integral es divergente:

2 2 2
∞
2
2 x −1 1 1
f ( x ) dx = dx = 2 −2
x dx = 2 = −2 = −2 −∞ = ∞
−∞
0 x2 0
−1 0
x 0 2

Parece que se trata de un error mecanográfico ya que la función dada si es una

densidad si el campo de definición fuese de 2 a ∞. Comprobémoslo:

∞ ∞ ∞
∞
∞ 2 x −1 1 1 1 1
f ( x ) dx = dx = 2 −2
x dx = 2 = −2 = −2 − = −2 0 − =1
−∞
2 x2 2
−1 2
x 2 ∞ 2 2

Vamos a resolver el problema suponiendo, entonces, que la densidad es:

2
f ( x) = x≥2
x2
f ( x) = 0 x<2
1º) Calcular la mediana, el primer cuartil y el segundo decil.

Por facilitar los cálculos, calcularemos, en primer lugar la función de distribución de la

variable:

x
0 du = 0 x<2
x −∞
F ( x ) = P (ξ ≤ x ) = f ( u ) du = x
−∞ 2 x 2 −2 −2 2
0 du + 2
du = = +1 = 1− x≥2
−∞ 2 u u 2 x x

• La mediana será el valor que cumpla:

P (ξ ≤ x ) = P (ξ ≥ x )

Al ser la variable continua esto implica que por debajo de la mediana quedará una
probabilidad 0,5 y por encima otro 0,5:

P (ξ ≤ x ) = 0,5
P (ξ ≥ x ) = 0,5

Podemos utilizar cualquiera de estas condiciones para determinar la mediana. Usando,

por ejemplo, la primera tenemos que:

2 2
P (ξ ≤ x ) = F ( x ) = 1 − = 0,5 → = 0, 5 → x = 4
x x

Me = 4

• Análogamente, el primer cuartil cumple:

P (ξ ≤ x ) = 0, 25
P (ξ ≥ x ) = 0, 75

Por tanto:

2 2 8
P (ξ ≤ x ) = F ( x ) = 1 − = 0, 25 → = 0, 75 → x = ≈ 2, 67
x x 3

Q1 = 2, 67
 • Para el segundo decil se cumplirá:

P (ξ ≤ x ) = 0, 2
P (ξ ≥ x ) = 0,8

es decir:

2 2
P (ξ ≤ x ) = F ( x ) = 1 − = 0, 2 → = 0,8 → x = 2, 5
x x

D2 = 2,5

2º) Hallar los coeficientes de asimetría y curtosis.

µ3
Coeficiente de asimetría: γ1 =
σ3
µ
Coeficiente de curtosis: γ 2 = 44 − 3
σ

Para su cálculo, recordemos que:

σ 2 = µ2 = α 2 − α12
µ3 = α 3 − 3α1α 2 + 2α13
µ4 = α 4 − 4α1α 3 + 6α12α 2 − 3α14

En este caso no vamos a tener que trabajar demasiado porque, como vamos a
comprobar, esta variable carece de momentos:

∞ ∞
∞ 2 1
α1 = E (ξ ) = x f ( x ) dx = dx = 2 [ ln x ]2 = 2 [ ln ∞ − ln 2] = ∞
∞
x dx = 2
−∞
2 x2 2 x

Al no existir el momento de primer orden, podemos garantizar que no existe ningún

momento de orden superior. En consecuencia no existen los coeficientes de asimetría y
curtosis.
UNED
Estadística Teórica 1 (Economía)

Junio 2002 (R)

PREGUNTAS TIPO TEST (Junio de 2002 Reserva)

6 + 3eit + e 2it
1.- Dada la v.a. ξ con ϕ ( t ) = , ¿cuál es la E (ξ 2 ) ?
10

a) 7/10 b) 1/2 c) 1/4 d) Ninguna es correcta.

Justificación

Derivamos dos veces la función característica:

3eit i + e 2it 2i
ϕ '(t ) =
10
3ie i + 2ie2 it 2i 3i 2 eit + 4i 2 e 2it
it
ϕ '' ( t ) = =
10 10

por tanto:

3i 2 + 4i 2 7i 2
ϕ '' ( 0 ) 7
E (ξ 2 ) = α 2 = 2 = 102 = 102 =
i i i 10

5 1 7
2.- Dados los sucesos A y B con P ( A ) = , P ( A ∩ B ) = y P ( A ∪ B ) = , ¿cuál es
8 4 8
la P (B)?

a) 1/2 b) 1/8 c) 3/4 d) Ninguna

Justificación

5 3
En primer lugar, es claro que: P ( A ) = 1 − P ( A ) = 1 − =
8 8
Además, sabemos que: P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
despejando:
7 3 1 6 3
P ( B ) = P ( A ∪ B ) − P ( A) + P ( A ∩ B ) = − + = =
8 8 4 8 4
 1 2
3.- Dada la función f ( x, y ) = xy para 0 < x < y < 1 es función:
5

a) de densidad b) de distribución c) característica d) Ninguna

Justificación

La función dada está definida en el recinto que se indica en la figura.

• No es una densidad ya que:

1 y
∞ ∞ 1 2 1 1 y 1 x2
f ( x, y ) dxdy = xy dxdy = 2
y dy xdx = y 2 dy =
R5 5 5 2
−∞ −∞ 0 0
0 0

1 1
1 y2 2 1 1 1 y5 1 1 1
= y dy = y 4 dy = = ⋅ = ≠1
5 0 2 10 0 10 5 0
10 5 50

• No es una función de distribución ya que:

1 1
F ( ∞, ∞ ) = F (1,1) = ⋅1 ⋅12 = ≠ 1
5 5

• No es una función característica puesto que, aun admitiendo que x e y no sean

variables sino parámetros reales, no se cumple que ϕ ( 0, 0 ) = 1
 ξ
4.- Sea ξ una v.a. con f ( x ) = 3 x 2 para 0 ≤ x ≤ 1 . Si η = − 1 , la función de densidad
2
de η será igual a:

a) 12 ( y + 2 ) − 1 < y < − 1 2 b) 24 ( y + 1) − 1 < y < − 1 2 c) 6 ( y + 1) 1 2 < y < 1 d) Ninguna

2 2 2

Justificación

∂ϕ −1 ( y )
f ( y ) = f ϕ −1 ( y ) ⋅
∂y
x ∂ϕ −1 ( y )
siendo: y = ϕ ( x ) = − 1 → ϕ −1 ( y ) = 2 y + 2 = 2 ( y + 1) → =2
2 ∂y
en consecuencia:
∂ϕ −1 ( y )
f ( y ) = f ϕ −1 ( y ) ⋅ = 3 2 ( y + 1) ⋅ 2 = 24 ( y + 1)
2 2

∂y

veamos cual es el campo de variación de la nueva variable:

0 1 1
x=0 → y= − 1 = −1 x =1 → y = −1 = −
2 2 2

5.- Si la v.a. ξ está distribuida uniformemente entre –5 ≤ ξ ≤ 5, ¿cuál es la P ξ − 2 < 2 ?

a) 1/2 b) 0 c) 2/5 d) Ninguna.

Justificación

Si la variable es uniforme entre -5 y 5 su función de densidad es:

1 1 1
f ( x) = = = para − 5 < x < 5
b − a 5 − ( −5 ) 10
entonces:

P ξ − 2 < 2 = P ( −2 < ξ − 2 < 2 ) = P ( −2 + 2 < ξ < 2 + 2 ) = P ( 0 < ξ < 4 ) =

4
4 1 1 1 2
f ( x ) dx = dx = [ x ]0 = ⋅ 4 =
4
=
0 10 10 10 5
0
6.- Dada una v.a. con F ( x ) = kx 3 si 0 ≤ x ≤ 3, 0 si x < 0 y 1 si x > 3 , ¿cuál será el valor
de k para que sea función de distribución?

a) 1/27 b) 1/3 c) 1/9 d) No es correcto ninguno

Justificación

Para que la función dada fuese la función de distribución de una variable continua
deberia cumplir que F(0) = 0 y F(3) = 1

F ( 0 ) = k ⋅ 03 = 0
1
F ( 3) = k ⋅ 33 = k ⋅ 27 = 1 → k =
27

(En realidad, la función sería función de distribución para cualquier k comprendido entre 0 y 1/27 aunque
en ese caso la variable sería una variable mixta)

7.- La v.a. ξ tiene una ϕ ( t ) = e − it − 2t . ¿Cuál es la P ( −3 < ξ < 1) ?:

2

a) 0,6827 b) 0,3174 c) 0,8413 d) Ninguno de los anteriores.

Justificación

t2 4
it ( −1) −
ϕ (t ) = e − it − 2 t 2
=e 2
es la función característica de una normal con media -1 y
varianza 4.
( )
ξ → N −1; 4 = N ( −1; 2 )
La probabilidad buscada vale:

−3 − ( −1) 1 − ( −1)
P ( −3 < ξ < 1) = P < ξ* < = P ( −1 < ξ * < 1) =
2 2
= F (1) − F ( −1) = 0,8413 − 0,1587 = 0, 6826

(La pequeña diferencia que se observa es debido a que la tabla solo nos proporciona cuatro decimales. Si
hubiésemos tenido en cuenta el quinto decimal el resultado hubiese sido:
F (1) − F ( −1) = 0, 84134 − 0,15866 = 0, 68268 0, 6827 )
8.- El error cuadrático medio de una v.a. ξ coincide con la varianza cuando:

a) µ = 0 b) µ = k c) µ = - k d) Ninguna es correcta

Justificación

Basta con recordar la definición de error cuadrático medio respecto a un punto k

E.C.M . = E (ξ − k )
2

si hacemos k = µ

E.C.M . = E (ξ − k ) = E (ξ − µ ) = V (ξ )
2 2

(Cabe comentar que la varianza es el mínimo error cuadrático medio, como se demuestra fácilmente:

El valor de k que minimiza el E.C.M. será aquel que cumpla:

∂E ( ξ − k ) ∂ (ξ − k )
2 2

=E = E [ 2 ( ξ − k )( −1)] = −2 E ( ξ − k ) = 2 [ E ( ξ ) − k ] = 0
∂k ∂k
y esto implica que: E ( ξ ) − k = 0 → k = E ( ξ ) = µ )

9.- Dada la v.a. ξ = N ( µ ; σ ) . ¿Cuál es el valor de A para que P x − µ ≤ Aσ = 0,9544 ?:

a) 2 b) 1,68 c) 1 d) Ninguno es correcto.

Justificación

ξ −µ
P ξ − µ ≤ Aσ = P ( − Aσ ≤ ξ − µ ≤ Aσ ) = P − A ≤ ≤ A = P ( − A ≤ ξ * ≤ A) =
σ
= F ( A ) − F ( − A ) = F ( A) − 1 − F ( A ) = 2 F ( A ) − 1 = 0,9544

0,9544 + 1
es decir: F ( A ) = = 0,9772
2

y buscando en la tabla de la N (0 ; 1) encontramos A = 2

10.- Dadas las v.a. independientes: η = N ( −2; 2 ) , γ = N ( −3;1) y λ = N ( 0;3) . ¿Cómo
se distribuye la variable w = η − 2 γ + λ / 3

a) N ( 4 ; 5 ) b) N ( 4 ; 3 ) c) N ( 4 ; 1 ) d) Ninguna es correcta.

Justificación

La variable w es combinación lineal de variables normales independientes y en

consecuencia, es también normal con media:

λ 1 1
E ( w) = E η − 2 γ + = E (η ) − 2 E ( γ ) + E ( λ ) = −2 − 2 ⋅ ( −3) + ⋅ 0 = 4
3 3 3
y varianza:

λ 1 1
V ( w) = V η − 2 γ + = V (η ) + 4 ⋅V ( γ ) + V ( λ ) = 22 + 4 ⋅12 + ⋅ 32 = 9
3 9 9

En resumen: w → N ( 4;3)
El test de alcoholemia realizado a los conductores, por la policía, se supone que es
fiable el 80 por ciento de las veces. Los conductores que dan positivo son sometidos a
un test mas preciso, que nunca falla en un conductor sobrio, pero que tiene un error del
10% en los conductores bebidos. Sabiendo que el 5% de los conductores detenidos por
la policía está bebido, se pide:

1) Proporción de conductores sometidos al segundo test.

2) Si un conductor dio negativo en el segundo test, ¿cuál es la probabilidad de que
estuviese bebido?

SOLUCION

Llamaremos B al suceso “el conductor está bebido” y S al suceso “el conductor está
sobrio”. En el momento de la detención, y teniendo en cuenta que el 5% de los
conductores detenidos están bebidos, las probabilidades “a priori” serian:

P ( B ) = 0, 05
P ( S ) = 0, 95

Sometemos a los conductores detenidos a un test de alcoholemia que es fiable en un

80% (entenderemos que comete un 20% de errores tanto en los conductores bebidos
como en los sobrios). Si denominamos T al suceso “el test resulta positivo” podriamos
afirmar que:

P (T / B ) = 0,8
P (T / S ) = 0, 2

y aplicando el teorema de la probabilidad total, la probabilidad de que el test de

positivo, es decir la proporción de conductores que serán sometidos a segundo test será:

P (T ) = P ( B ) P (T / B ) + P ( S ) P (T / S ) = 0, 05 ⋅ 0,80 + 0,95 ⋅ 0, 20 = 0, 23

Supongamos que efectivamente el test resulta positivo. ¿Cuál es la probabilidad de que

el individuo esté bebido? ¿Cuál es la de que esté sobrio?. El teorema de Bayes nos
proporciona la respuesta:

P ( B ) P (T / B ) 0, 05 ⋅ 0,80
P(B /T ) = = = 0,174
P ( B ) P (T / B ) + P ( S ) P (T / S ) 0, 05 ⋅ 0,80 + 0,95 ⋅ 0, 20

P ( S ) P (T / S ) 0,95 ⋅ 0, 20
P(S /T ) = = = 0,826
P ( B ) P (T / B ) + P ( S ) P (T / S ) 0, 05 ⋅ 0,80 + 0,95 ⋅ 0, 20
Thomas Bayes
(1702-1761)
Dicho de otra forma: la probabilidad de que un conductor sometido al segundo test esté
bebido es 0,174 y la de que este sobrio 0,826. Estas probabilidades serán las
probabilidades a priori en esta segunda fase. Por simplificar la escritura volveremos a
llamarlas simplemente P(B) y P(S ):

P ( B ) = 0,174
P ( S ) = 0,826

Llamemos ahora N al suceso “el segundo test da resultado negativo”. Sabemos que este
test tiene un margen de error del 10% en los conductores bebidos:

P ( N / B ) = 0,1

y que no falla nunca en las personas sobrias:

P(N / S) =1

si el test da resultado negativo la probabilidad de que el conductor esté bebido nos la

proporciona, de nuevo, el teorema de Bayes:

P ( B) P ( N / B) 0,174 ⋅ 0,1
P(B / N ) = = = 0, 0206
P ( B ) P ( N / B ) + P ( S ) P ( N / S ) 0,174 ⋅ 0,1 + 0,826 ⋅1

P ( B / N ) = 0, 0206

Como vemos, es muy poco probable que dando el segundo test negativo, el individuo
esté bebido.
De una urna compuesta por 3 bolas rojas y 2 azules, una persona extrae tres bolas sin
reposición. Se pide:

1.- La función característica conjunta de ξ “número de bolas rojas extraídas” y de η

“número de bolas azules hasta extraer una blanca”
2.- Las funciones características marginales.
3.- Calcular, a partir de las funciones características, el coeficiente de correlación.

SOLUCION

En primer lugar debemos hacer notar que se ha colado una errata en el enunciado: donde dice η “número
de bolas azules hasta extraer una blanca” obviamente debe decir η “número de bolas azules hasta
extraer una roja” ya que resulta imposible extraer una bola blanca de una urna donde solo hay rojas y
azules.

Los sucesos que pueden presentarse así como sus probabilidades están calculados en el
cuadro siguiente:

Probabilidad
ξ η
Suceso ”nº de rojas” “azules hasta la 1ª roja”
2 1 3 1
A,A,R ⋅ ⋅ = 1 2
5 4 3 10
2 3 1 1
A,R,A ⋅ ⋅ = 1 1
5 4 3 10
3 2 1 1
R,A,A ⋅ ⋅ = 1 0
5 4 3 10
2 3 2 2
A,R,R ⋅ ⋅ = 2 1
5 4 3 10
3 2 2 2
R,A,R ⋅ ⋅ = 2 0
5 4 3 10
3 2 2 2
R,R,A ⋅ ⋅ = 2 0
5 4 3 10
3 2 1 1
R,R,R ⋅ ⋅ = 3 0
5 4 3 10
1
A partir de estos resultados construimos la tabla de correlación:

η Pi
0 1 2
ξ
1 1 1 3
1
10 10 10 10
4 2 6
2
10 10 10
1 1
3
10 10
6 3 1
Pj 1
10 10 10

1.- Función característica conjunta

1 1 1
ϕξ ,η ( t1, t2 ) = E ( eit ξ +it η ) =
it1xi +it2 y j
1 2
e Pij = eit11+it2 0 + eit11+it2 1 + eit11+it2 2 +
∀i ∀j 10 10 10
4 2 1 eit1 + eit1 +it2 + eit1 + 2it2 + 4e2 it1 + 2e 2it1 +it2 + e3it1
+ eit1 2+it2 0 + eit1 2+it2 1 + eit1 3+it2 0 =
10 10 10 10

eit1 + eit1 +it2 + eit1 + 2it2 + 4e2 it1 + 2e 2it1 +it2 + e3it1
ϕξ ,η ( t1 , t2 ) =
10

2.- Funciones características marginales

Partiendo de la función característica conjunta:

eit1 + eit1 + eit1 + 4e 2it1 + 2e 2 it1 + e3it1 3eit1 + 6e 2it1 + e3it1

ϕξ ( t1 ) = ϕξ ,η ( t1 , 0 ) = =
10 10
1 + e + e + 4 + 2e + 1 6 + 3e + e
it2 2 it2 it2 it2 2 it2
ϕη ( t2 ) = ϕξ ,η ( 0, t2 ) = =
10 10
También las podemos calcular directamente en las distribuciones marginales:

3 i t1 2 6 it1 3 1 3 ei t1 + 6 e2 i t1 + e3it1
ϕξ ( t1 ) = E ( e it1ξ
)= e it1 xi
Pi = e it11
+e +e =
∀i 10 10 10 10
6 i t2 1 3 1 6 + 3 e i t2 + e 2 it2
ϕη ( t2 ) = E ( eit η ) =
i t2 y j
2
e P j = eit2 0 +e + eit2 2 =
∀j 10 10 10 10

Resumiendo:

3 eit1 + 6 e 2 it1 + e3i t1 6 + 3 e i t2 + e 2 it2

ϕξ ( t1 ) = ϕη ( t2 ) =
10 10

3.- Coeficiente de correlación a partir de la función característica

Recordemos que:

µ11
ρ=
µ 20 µ02

siendo:

µ20 = α 20 − α102
µ02 = α 02 − α 012
µ11 = α11 − α10α 01

Calcularemos los momentos por derivación de la función característica recordando que:

∂ r + sϕ ( t1 , t2 )
∂ t1r ∂ t2s t1 = 0
t2 = 0
α rs =
i r+s

en particular:

∂ 2ϕ ( t1 , t2 )
∂ t1 ∂ t2 t1 = 0
t2 = 0
α11 =
i2
Calculemos la derivada:

∂ϕ ( t1 , t2 ) ieit1 + ieit1 +it2 + ieit1 + 2 it2 + 8ie 2it1 + 4ie2 it1 +it2 + 3ie3it1
=
∂ t1 10
∂ 2ϕ ( t1 , t2 ) i 2 eit1 +it2 + 2i 2 eit1 + 2it2 + 4i 2 e 2 it1 +it2
=
∂ t1 ∂ t2 10
∂ 2ϕ ( t1 , t2 ) i2 + 2 i2 + 4 i2 7 i2
= =
∂ t1 ∂ t2 t1 = 0 10 10
t2 = 0

entonces:

∂ 2ϕ ( t1 , t2 )
∂ t1 ∂ t2 7 i2
t1 = 0
7
= 102 =
t2 = 0
α11 =
i2 i 10

El resto de los momentos es mas cómodo calcularlos a partir de las funciones

características marginales

Para la variable ξ :

∂ϕξ ( t1 ) 3i ei t1 + 12i e 2 it1 + 3ie3it1 ∂ϕξ ( t1 ) 3 i + 12 i + 3 i 18 i

= = =
∂ t1 10 ∂ t1 t1 = 0
10 10

∂ 2ϕξ ( t1 ) 3i 2 ei t1 + 24i 2 e 2 it1 + 9i 2 e3i t1 ∂ ϕξ ( t1 )

2
3 i 2 + 24 i 2 + 9 i 2 36 i 2
= = =
∂ t12 10 ∂ t12 t1 = 0
10 10

entonces:

∂ϕξ ( t1 ) ∂ 2ϕξ ( t1 )
18i 36 i 2
∂ t1 18 ∂t 2
36
= 10 = = 10
t1 = 0 1 t1 = 0
α10 = α 20 = 2 2
=
i i 10 i i 10
Análogamente, para la variable η :

∂ϕη ( t2 ) 3i ei t2 + 2i e 2 i t2 ∂ϕη ( t2 ) 3i + 2 i 5i
= = =
∂ t2 10 ∂ t2 t2 = 0
10 10

∂ ϕη ( t2 )
2
3i 2 ei t2 + 4i 2 e 2 i t2 ∂ ϕη ( t2 )
2
3i2 + 4 i2 7 i2
= = =
∂ t22 10 ∂ t22 t2 = 0
10 10

entonces:

∂ϕη ( t2 ) ∂ 2ϕη ( t2 )
5i 7 i2
∂ t2 5 ∂ t22 7
= 10 = = 102 =
t2 = 0 t2 = 0
α 01 = α 02 = 2
i i 10 i i 10

Los momentos respecto a la media valen:

2
36 18 36
µ20 = α 20 − α = − 2
10 =
10 10 100
2
7 5 45
µ02 = α 02 − α 012 = − =
10 10 100
7 18 5 −20
µ11 = α11 − α10α 01 = − =
10 10 10 100

y el coeficiente de correlación lineal es:

−20
µ11 100 −20
ρ= = = = −0, 497
µ 20 µ02 36 45 6 45
100 100
UNED
Estadística Teórica 1 (Economía)

Junio 2003 (A)

PREGUNTAS TIPO TEST (Junio de 2003 Tipo A)

1.- De dos sucesos A y B se sabe que son independientes y que P (A) =0,8, P (B) = 0,7
¿cuál es la P( A ∪ B ) ?

a) 1,5 b) 0,94 c) 0,56 d) Ninguna de las anteriores.

Justificación

En general, para dos sucesos compatibles: P( A ∪ B ) = P( A) + P(B ) − P( A ∩ B )

Pero si son independientes: P( A ∩ B ) = P( A) ⋅ P(B )

↑
Indep.

Con lo que: P( A ∪ B ) = P( A) + P(B ) − P( A) ⋅ P(B ) = 0,8 + 07 − 0,8 ⋅ 0,7 = 0,94

↑
Indep.

2.- Si ϕ (t ) = e −5it −50t es la función característica de la variable aleatoria η ¿cuál será la

2

P ( η ≤ 5,1) ?

a) ≈ 0,3477 b) ≈ 0,6523 c) ≈ 0,1563 d) Ninguna es correcta

Justificación

La función característica dada corresponde a una normal:

( )
t 2 100
it ( − 5 ) −
ϕ (t ) = e − 5it − 50t 2
= ϕ (t ) = e 2
→ η ≡ N − 5 ; 100 = N (− 5 ;10 )

Entonces:

− 5,1 − (− 5) 5,1 − (− 5)
P ( η ≤ 5,1) = P(− 5,1 ≤ η ≤ 5,1) = P ≤η* ≤ =
10 10
( )
= P − 0,01 ≤≤ η * ≤ 1,01 = F (1,01) − F (− 0,01) = 0,8438 − 0,4960 = 0,3478
3.- Se lanza cinco veces una moneda, la probabilidad de obtener al menos dos caras es:

a) 0,8125 b) 0,8137 c) 0,5 d) Ninguna es cierta

Justificación

La variable “numero de caras en 5 lanzamientos es B (5 ; 0,5), por tanto:

5 5
P(ξ ≥ 2 ) = 1 − P(ξ < 2 ) = 1 − [P(ξ = 0 ) + P(ξ = 1)] = 1 − 0,500,55 + 0,510,54 =
0 1
= 1 − (0,03125 − 0,15625) = 0,8125

4.- Las v.a. independientes ξ 1 y ξ 2 tienen como ϕ (t ) = (1 − 3it ) ¿cuál es ϕ (t ) de la v.a.

−1

η = 3ξ1 + 3ξ 2 ?

a) (1 − 9it ) b) (1 − 3it ) c) (1 − 9it )

−2 −2 −1
d) Ninguna es cierta

Justificación

ϕη (t ) = E (e itη ) = E [eit (3ξ +3ξ

1 2 )
] = E (e it 3ξ1
) ( ) ( )
⋅ e it 3ξ 2 = E e it 3ξ1 ⋅ E e it 3ξ 2 = ϕξ1 (3t ) ⋅ ϕξ 2 (3t ) =
↑
Indep.

= [1 − 3i (3t )] ⋅ [1 − 3i (3t )] = (1 − 9it )

−1 −1 −2

5.- El coeficiente de correlación lineal es:

a) Invariante ante cambios de origen b) Invariante ante cambios de escala

c) Variante ante cambios de origen y escala d) Ninguna es cierta

Justificación

µ11
Es evidente que ρ = es invariante ante los cambios de origen puesto que
µ 20 µ02
este tipo de cambios no afectan ni a la covarianza ni a las varianzas.

(Es fácil demostrar que los cambios de escala no afectan al valor de ρ aunque si a su signo.)
6.- Dada la v.a. ξ que tiene de media 4 y desviación típica 2 ¿cuál es E (η) siendo
η = −10 + ξ 2 ?

a) 10 b) -10 c) 30 d) Ninguna es cierta

Justificación

E (ξ ) = 4
V (ξ ) = 2 2 = 4
( ) ( )
V (ξ ) = E ξ 2 − [E (ξ )] → E ξ 2 = V (ξ ) + [E (ξ )] = 4 + 4 2 = 20
2 2

E (η ) = E (− 10 + ξ 2 ) = −10 + E (ξ 2 ) = −10 + 20 = 10

7.- Una variable aleatoria que es la suma de n variables aleatorias N (0 ; 1) e

independientes sigue una distribución:

a) χ 2 (n ) (
b) N 0 ; n ) c) N (0 ; n ) d) Ninguna es cierta.

Justificación

Las ξi son variables N (0 ¸1) independientes, entonces su suma:

ξ = ξ1 + ξ 2 + + ξn

también será normal con media:

E (ξ ) = E (ξ1 + ξ 2 + + ξ n ) = E (ξ1 ) + E (ξ 2 ) + + E (ξ n ) = n ⋅ 0 = 0

y varianza:

V (ξ ) = V (ξ1 + ξ 2 + + ξ n ) = V (ξ1 ) + V (ξ 2 ) + + V (ξ n ) = n ⋅12 = n

Por tanto:
(
ξ ≡ N 0; n )
8.- Dada una v.a. ξ con f ( x ) = k x para − 1 ≤ x ≤ 1 ¿cuál es P(0 ≤ ξ ≤ 4) ?

a) 0 b) 1/2 c) 1/4 d) Ninguna

Justificación

La función de densidad dada también se puede escribir:

= −k x −1 ≤ x < 0
f (x ) =
=kx 0 ≤ x ≤1

Determinemos el valor de la constante:

0 1
∞ x2 x2 1 1
f ( x ) dx = − kx dx + kx dx = −k
0 1
+k = −k 0 − + k −0 = k =1
−∞ −1 0 2 −1
2 0
2 2

y la densidad queda:

= −x −1 ≤ x < 0
f (x ) =
=x 0 ≤ x ≤1

La probabilidad buscada vale:

1
x2 1
P(0 ≤ ξ ≤ 4 ) = f ( x ) dx = x dx =
4 1
=
0 0 2 0
2

9.- La función de distribución de una variable aleatoria es:

a) Siempre continua b) monótona decreciente

c) monótona no decreciente d) Ninguna es correcta.

Justificación

La respuesta es clara si pensamos que la función de distribución es una función

acumulativa de probabilidad y que esta es siempre no negativa:

F ( x + h ) − F ( x ) = P(x < ξ ≤ x + h ) ≥ 0 → F ( x + h ) ≥ F ( x ) ∀x

resultado que nos prueba que la función es monótona no decreciente.

10.- Dada la función g (x, y ) = kxy para 0 ≤ x ≤ 1 y 0 ≤ y ≤ 1 , el valor de k para que sea
función de densidad es:

a) 1/4 b) 1/2 c) 4 d) Ninguna es correcta.

Justificación

Para determinar la constante basta con exigir que toda la probabilidad sea la unidad:

1 1
∞ ∞ y2
f (x, y ) dxdy =
1 1 1 1
kxy dxdy = k x dx y dy = k xdx =
− ∞ −∞ 0 0 0 0 2 0
0

2 1
1 x 11 k
=k =k = =1 → k = 4
2 2 0
22 4
Un sistema de seguridad tiene una probabilidad 0,05 de que se produzca un peligro al
día. La probabilidad de que de active el sistema un día, habiendo peligro es de 0,99.
La probabilidad de que se active el sistema un día, no habiendo peligro es de 0,02.
Calcular:
a) La probabilidad de que habiéndose activado el sistema de seguridad, haya
efectivamente peligro.
b) La probabilidad de que haya peligro y no se active el sistema.
Junio 2003

SOLUCION

Llamaremos P al suceso “Hay peligro” y A al suceso “Se activa el sistema de

seguridad”. Según los datos del problema:

P(P ) = 0,05
P (P ) = 0,95

Además:

• La probabilidad de que se active el sistema si hay peligro vale: P( A / P ) = 0,99

• El sistema no es perfecto y alguna vez se activa sin haber peligro. La probabilidad
de que esto suceda es: P (A / P ) = 0,02

Ya estamos en condiciones de calcular las probabilidades pedidas:

a) La probabilidad de que habiéndose activado el sistema de seguridad, haya

efectivamente peligro.

Se trata de calcular P(P / A) . Aplicando el teorema de Bayes:

P(P )P( A / P ) P (P ) ⋅ P ( A / P )
P ( P / A) = = =
P ( A) P(P ) ⋅ P( A / P ) + P(P )⋅ P( A / P )
0,05 ⋅ 0,99
= = 0,7226
0,05 ⋅ 0,99 + 0,95 ⋅ 0,02

b) La probabilidad de que haya peligro y no se active el sistema.

La probabilidad de que, habiendo peligro, no se active el sistema es:

P (A / P ) = 1 − P( A / P ) = 1 − 0,99 = 0,01

Entonces, la probabilidad de que haya peligro y no se active el sistema (que sucedan

las dos cosas) vale:

P (P ∩ A ) = P(P ) ⋅ P(A / P ) = 0,05 ⋅ 0,01 = 0,0005

 Un concesionario de automóviles vende una cierta marca de vehículos con garantía
total de cuatro años. Sabiendo que la probabilidad de que este tipo de vehículos no haya
tenido averías en el periodo de garantía es de 0,9, determinar:

a) La probabilidad de que de 2.000 vehículos vendidos mas de 1.785 no hayan

ido al taller mas que para pasar las revisiones de rigor en los primeros cuatro
años.
b) El valor esperado de automóviles que no sufrirán averías en ese periodo.
Junio 2003

SOLUCIÓN

El comportamiento de cada vehículo en el periodo de garantía vendría representado por

una variable de tipo dicotómico:

0 (Averia) → q = 0,1
ξi
1 (No Averia) → p = 0,9

si vendemos 2.000 vehículos, el número de ellos que no se averían en el periodo de

garantía será una variable B (n , p)

E (ξ ) = n ⋅ p = 2000 ⋅ 0,9 = 1800

ξ = ξ1 + ξ 2 + + ξ 2000 → B(2000 ; 0,9)
V (ξ ) = n ⋅ p ⋅ q = 2000 ⋅ 0,9 ⋅ 0,1 = 180

El teorema de Moivre nos asegura que, al ser 2.000 grande, esta variable se distribuirá
aproximadamente Normal:

( ) (
ξ ≈ N np ; npq = N 1800 ; 180 )

a) Basándonos en este resultado, ya podemos calcular la probabilidad pedida:

1785 − 1800
P(ξ > 1785) = P ξ * > = P (ξ * > −1,12) =↑ 0,8686
180 ξ * ≈ N (0;1)

P (ξ > 1785) = 0,8686

b) El número esperado de automóviles sin averías en el periodo ya lo hemos calculado

antes:

E (ξ ) = n ⋅ p = 2000 ⋅ 0,9 = 1800

UNED
Estadística Teórica 1 (Economía)

Junio 2003 (B)

PREGUNTAS TIPO TEST (Junio de 2003 Tipo B)

1.- Dada la función g (x, y ) = kxy para 0 ≤ x ≤ 2 y 0 ≤ y ≤ 2 , el valor de k para que sea
función de densidad es:

a) 1/4 b) 1/2 c) 4 d) Ninguna es correcta.

Justificación

Para determinar la constante basta con exigir que toda la probabilidad sea la unidad:

2 2
∞ ∞ y2
f (x, y ) dxdy =
2 2 2 2
kxy dxdy = k x dx y dy = k xdx =
− ∞ −∞ 0 0 0 0 2 0
0
2
x2 1
= k2 = k ⋅ 2 ⋅ 2 = 4k = 1 → k =
2 0
4

2.- Si ϕ (t ) = e −5it −50t es la función característica de la variable aleatoria η ¿cuál será la

2

P ( η ≤ 5,1) ?

a) ≈ 0,1563 b) ≈ 0,6523 c) ≈ 0,3477 d) Ninguna es correcta

Justificación

La función característica dada corresponde a una normal:

( )
t 2 100
it ( − 5 ) −
ϕ (t ) = e − 5it − 50t 2
= ϕ (t ) = e 2
→ η ≡ N − 5 ; 100 = N (− 5 ;10 )

Entonces:

− 5,1 − (− 5) 5,1 − (− 5)
P ( η ≤ 5,1) = P(− 5,1 ≤ η ≤ 5,1) = P ≤η* ≤ =
10 10
( )
= P − 0,01 ≤≤ η * ≤ 1,01 = F (1,01) − F (− 0,01) = 0,8438 − 0,4960 = 0,3478
3.- El coeficiente de correlación lineal es:

a) Invariante ante cambios de origen b) Variante ante cambios de origen y escala

c) Invariante ante cambios de escala d) Ninguna es cierta

Justificación

µ11
Es evidente que ρ = es invariante ante los cambios de origen puesto que
µ 20 µ02
este tipo de cambios no afectan ni a la covarianza ni a las varianzas.

(Es fácil demostrar que los cambios de escala no afectan al valor de ρ aunque si a su signo.)

4.- Dada una v.a. ξ con f ( x ) = k x para − 1 ≤ x ≤ 1 ¿cuál es P(0 ≤ ξ ≤ 4 ) ?

a) 0 b) 1/4 c) 1/2 d) Ninguna es correcta

Justificación

La función de densidad dada también se puede escribir:

= −k x −1 ≤ x < 0
f (x ) =
=kx 0 ≤ x ≤1

Determinemos el valor de la constante:

0 1
∞ x2 x2 1 1
f ( x ) dx =
0 1
− kx dx + kx dx = −k +k = −k 0 − + k −0 = k =1
−∞ −1 0 2 −1
2 0
2 2

y la densidad queda:

= −x −1 ≤ x < 0
f (x ) =
=x 0 ≤ x ≤1

La probabilidad buscada vale:

1
x2 1
P(0 ≤ ξ ≤ 4 ) = f ( x ) dx =
4 1
x dx = =
0 0 2 0
2
5.- De dos sucesos A y B se sabe que son independientes y que P (A) =0,6, P (B) = 0,9
¿cuál es la P( A ∪ B ) ?

a) 1,5 b) 0,94 c) 0,96 d) Ninguna de las anteriores.

Justificación

En general, para dos sucesos compatibles: P( A ∪ B ) = P( A) + P(B ) − P( A ∩ B )

Pero si son independientes:

P ( A ∩ B ) = P ( A ) ⋅ P (B )
↑
Indep.

Con lo que:

P( A ∪ B ) = P( A) + P(B ) − P( A) ⋅ P(B ) = 0,6 + 09 − 0,6 ⋅ 0,9 = 0,96

↑
Indep.

6.- La función de distribución de una variable aleatoria es:

a) Siempre continua b) monótona no decreciente

c) monótona decreciente d) Ninguna es correcta.

Justificación

La respuesta es clara si pensamos que la función de distribución es una función

acumulativa de probabilidad y que esta es siempre no negativa:

F ( x + h ) − F ( x ) = P(x < ξ ≤ x + h ) ≥ 0 → F ( x + h ) ≥ F ( x ) ∀x

resultado que nos prueba que la función es monótona no decreciente.

7.- Una variable aleatoria que es la suma de n variables aleatorias N (0 ; 1) al cuadrado e
independientes sigue una distribución:

a) χ 2 ( n ) b) N 0 ; n ( ) c) N (0 ; n ) d) Ninguna es cierta.

Justificación

Las ξi son variables N (0 ¸1) independientes, entonces la suma de sus cuadrados:

ξ = ξ 2 +ξ 2 +
1 2
+ ξ n2

es, por definición, una χ 2 (n )

8.- Las v.a. independientes ξ 1 y ξ 2 tienen como ϕ (t ) = (1 − 3it ) ¿cuál es ϕ (t ) de la v.a.

−1

η = 3ξ1 + 3ξ 2 ?

a) (1 − 9it ) b) (1 − 3it ) c) (1 − 9it )

−1 −2 −2
d) Ninguna es cierta

Justificación

Basándonos en la definición de función característica:

ϕη (t ) = E (e itη ) = E [eit (3ξ +3ξ

1 2 )
] = E (e it 3ξ1
) ( ) ( )
⋅ e it 3ξ 2 = E e it 3ξ1 ⋅ E e it 3ξ 2 = ϕξ1 (3t ) ⋅ ϕξ 2 (3t ) =
↑
Indep.

= [1 − 3i (3t )] ⋅ [1 − 3i (3t )] = (1 − 9it )

−1 −1 −2
9.- Dada la v.a. ξ que tiene de media 3 y desviación típica 3 ¿cuál es E (η) siendo
η = −9 + ξ 2 ?

a) -9 b) 0 c) 9 d) Ninguna es cierta

Justificación

E (ξ ) = 3
V (ξ ) = 32 = 9

pero

( ) ( )
V (ξ ) = E ξ 2 − [E (ξ )] → E ξ 2 = V (ξ ) + [E (ξ )] = 9 + 32 = 18
2 2

con lo que:
E (η ) = E (− 9 + ξ 2 ) = −9 + E (ξ 2 ) = −9 + 18 = 9

10.- Se lanza cinco veces una moneda, la probabilidad de obtener al menos una cara es:

a) 0,8125 b) 0,8137 c) 0,9687 d) Ninguna es cierta

Justificación

La variable “numero de caras en 5 lanzamientos es B (5 ; 0,5), por tanto:

5
P(ξ ≥ 1) = 1 − P(ξ < 1) = 1 − P(ξ = 0 ) = 1 − 0,500,55 = 0,9687
0
 Un concesionario de automóviles vende una cierta marca de vehículos con garantía
total de cuatro años. Sabiendo que la probabilidad de que este tipo de vehículos no haya
tenido averías en el periodo de garantía es de 0,9, determinar:

a) La probabilidad de que de 2.000 vehículos vendidos mas de 1.785 no hayan

ido al taller mas que para pasar las revisiones de rigor en los primeros cuatro
años.
b) El valor esperado de automóviles que no sufrirán averías en ese periodo.

Junio 2003

SOLUCIÓN

El comportamiento de cada vehículo en el periodo de garantía vendría representado por

una variable de tipo dicotómico:

0 (Averia) → q = 0,1
ξi
1 (No Averia) → p = 0,9

si vendemos 2.000 vehículos, el número de ellos que no se averían en el periodo de

garantía será una variable B (n , p)

E (ξ ) = n ⋅ p = 2000 ⋅ 0,9 = 1800

ξ = ξ1 + ξ 2 + + ξ 2000 → B(2000 ; 0,9 )
V (ξ ) = n ⋅ p ⋅ q = 2000 ⋅ 0,9 ⋅ 0,1 = 180

El teorema de Moivre nos asegura que, al ser 2.000 grande, esta variable se distribuirá
aproximadamente Normal:

( ) (
ξ ≈ N np ; npq = N 1800 ; 180 )

a) Basándonos en este resultado, ya podemos calcular la probabilidad pedida:

1785 − 1800
P(ξ > 1785) = P ξ * > (
= P ξ * > −1,12 ) =↑ 0,8686
180 ξ * ≈ N (0;1)

P (ξ > 1785) = 0,8686

b) El número esperado de automóviles sin averías en el periodo ya lo hemos calculado

antes:

E (ξ ) = n ⋅ p = 2000 ⋅ 0,9 = 1800

Un sistema de seguridad tiene una probabilidad 0,05 de que se produzca un peligro al
día. La probabilidad de que de active el sistema un día, habiendo peligro es de 0,99.
La probabilidad de que se active el sistema un día, no habiendo peligro es de 0,02.
Calcular:
a) La probabilidad de que habiéndose activado el sistema de seguridad, haya
efectivamente peligro.
b) La probabilidad de que haya peligro y no se active el sistema.

Junio 2003

SOLUCION

Llamaremos P al suceso “Hay peligro” y A al suceso “Se activa el sistema de

seguridad”. Según los datos del problema:

P(P ) = 0,05
P (P ) = 0,95

Además:

• La probabilidad de que se active el sistema si hay peligro vale: P( A / P ) = 0,99

• El sistema no es perfecto y alguna vez se activa sin haber peligro. La probabilidad
de que esto suceda es: P (A / P ) = 0,02

Ya estamos en condiciones de calcular las probabilidades pedidas:

a) La probabilidad de que habiéndose activado el sistema de seguridad, haya

efectivamente peligro.

Se trata de calcular P(P / A) . Aplicando el teorema de Bayes:

P(P )P( A / P ) P (P ) ⋅ P ( A / P )
P ( P / A) = = =
P ( A) P(P ) ⋅ P( A / P ) + P(P )⋅ P( A / P )
0,05 ⋅ 0,99
= = 0,7226
0,05 ⋅ 0,99 + 0,95 ⋅ 0,02

b) La probabilidad de que haya peligro y no se active el sistema.

La probabilidad de que, habiendo peligro, no se active el sistema es:

P (A / P ) = 1 − P( A / P ) = 1 − 0,99 = 0,01

Entonces, la probabilidad de que haya peligro y no se active el sistema (que sucedan

las dos cosas) vale:

P (P ∩ A ) = P(P ) ⋅ P(A / P ) = 0,05 ⋅ 0,01 = 0,0005

UNED
Estadística Teórica 1 (Economía)

Junio 2003 (Reserva)

PREGUNTAS TIPO TEST (Junio de 2003 Reserva)

1.- Dados dos sucesos A y B con P (A) =1/2, P (B) = 1/4 y P(A/B) =1/4; se puede
asegurar que A y B son:

a) Incompatibles b) Compatibles c) Disjuntos d) Ninguna de las anteriores.

Justificación

Por el axioma de la probabilidad condicionada:

P( A ∩ B ) 1 1 1
P( A / B ) = → P ( A ∩ B ) = P (B ) ⋅ P ( A / B ) = ⋅ = ≠0
P(B ) 4 4 16

La intersección no es vacía, es decir, los sucesos son compatibles.

2.- Dada una variable aleatoria ξ con f ( x ) = ke − x para x ≥ 0 ¿cuál es P(− 1 ≤ ξ ≤ 4) ?

a) −e −4 + 1 b) − e −4 c) 0 d) Ninguna es correcta

Justificación

Comenzaremos por determinar la constante:

∞
f ( x ) dx =
∞

0
[
ke − x dx = k − e − x ]
∞
0 ( )
= k − e −∞ + e 0 = k (0 + 1) = k = 1

con lo que la función de densidad queda: f ( x ) = e − x para x ≥ 0

La probabilidad buscada vale:

P(− 1 ≤ ξ ≤ 4 ) =
4

−1
f (x ) dx =
4

0
[ ]4
e − x dx = − e − x 0 = −e − 4 + e 0 = −e − 4 + 1
3.- Dada una variable aleatoria ξ que tiene de media 4 y desviación típica 2 ¿cuál es
E (η ) siendo η = 2(− 10 + ξ + ξ 2 ) ?

a) 14 b) 28 c)68 d) Ninguna es cierta

Justificación

E (ξ ) = 4
Sabemos que
V (ξ ) = 2 2 = 4
pero: V (ξ ) = E (ξ 2 ) − [E (ξ )] ( )
→ E ξ 2 = V (ξ ) + [E (ξ )] = 4 + 4 2 = 20
2 2

Entonces:

[ ] [
E (η ) = E 2(− 10 + ξ + ξ 2 ) = 2 E (− 10 + ξ + ξ 2 ) = 2 − 10 + E (ξ ) + E (ξ 2 ) =]
= 2(− 10 + 4 + 20 ) = 2 ⋅14 = 28

4.- Si la variable aleatoria continua ξ tiene una distribución U (-2 , 4). La P( ξ − 2 < 2)
es:

a) 2/3 b) 1/3 c) 3/2 d) Ninguna es cierta

Justificación

Si ξ es uniforme en (-2 ,4) su función de densidad es:

1 1 1
f (x ) = = = −2< x<4
b − a 4 − (− 2 ) 6
Entonces:

4
1 1 4
P( ξ − 2 < 2 ) = P(− 2 < ξ − 2 < 2 ) = P(0 < ξ < 4 ) = f ( x ) dx = dx = [x ]0 =
4

06 6
0

1
= (4 − 0) = 4 = 2
6 6 3
5.- La convergencia de una distribución binomial a una normal se consigue probar a partir
del teorema de:

a) Chebychef b) Gauss c) Moivre d) Ninguna es cierta

Justificación

El teorema que prueba la convergencia de la binomial a la normal es el teorema de

Moivre. Recordemos el enunciado del teorema:

Sean ξ1 , ξ 2 , , ξ n variables de Bernouilli independientes.

La sucesión de termino general S n = ξ1 + ξ1 + + ξ1 será una B (n , p) con media:

E ( Sn ) = n p

y varianza:

V ( Sn ) = n p q

El teorema de Moivre afirma que:

Sn − E ( Sn ) S n − np
S n* = = 
Dist.
→ N ( 0;1)
V ( Sn ) npq

6.- Se lanza cinco veces un dado, la probabilidad de obtener tres números pares es:

a) ≈ 0,3125 b) ≈ 0,4175 c) ≈ 0,1751 d) Ninguna es cierta

Justificación

La variable “numero de resultados pares en cinco lanzamientos” es una B (5; 0,5) y la

probabilidad de obtener 3 números pares es:
5 5!
P(ξ = 3) = 0,530,52 = 0,55 = 0,3125
3 3!2!
 1 4
7.- Si consideramos una v.a. η ≡ N (0 ; 4) y otra v.a. λ = η 2 donde ηi son v.a.
2 i =1
i

η
independientes N (0 ; 4) ¿qué distribución sigue la v.a. γ = ?
λ
1
a) χ 2 (4 ) b) c) t(4) d) Ninguna es cierta.
χ (4 )
2

Justificación

η ≡ N ( 0 ; 4 ) → η = 4η * + 0 = 4η * siendo η * ≡ N ( 0 ; 1)
ηi ≡ N ( 0 ; 4 ) → ηi = 4ηi* + 0 = 4ηi* siendo ηi* ≡ N ( 0 ; 1)
1 4
1 4
1 4
1 4
( 4η )
* 2
16 (ηi* ) = 4 (η )
2 * 2
λ= η2 = i = i =2 χ 2 ( 4)
2 i =1
i
2 i =1 2 i =1 2 i =1

Entonces:
η 4η * 4η * η*
γ= = = = = t (4 )
λ 2 χ 2 (4) χ 2 (4) χ 2 (4)
2⋅2
4 4
(Para que la respuesta sea cierta no basta con que las η i del denominador sean independientes sino que
también tiene que serlo la η del numerador)

8.- Dadas dos v.a. normales e independientes η1 ≡ N (5 ;1) y η 2 ≡ N (9 ; 3) ¿qué

1
distribución sigue la v.a. λ = 2η1 − η 2 ?
3

(
a) N 7 ; 5 ) b) N (7 ; 5) c) N 5 ; 3( ) d) Ninguna es correcta

Justificación

Sabemos que cualquier combinación lineal de variables normales independientes es

normal. En este caso:

1 1 1
E (λ ) = E 2η1 − η 2 = 2 E (η1 ) − E (η 2 ) = 2 ⋅ 5 − 9 = 10 − 3 = 7
3 3 3
2
1 1 1
V (λ ) = V 2η1 − η 2 = 2 2 V (η1 ) + V (η 2 ) = 4 ⋅12 + 32 = 4 + 1 = 5
3 3 9

es decir: λ ≡ N 7 ; 5 ( )
9.- El campo de variación de una variable aleatoria que sigue una distribución binomial
es:

a) 0 a ∞ b) 0 a n c) - ∞ a ∞ d) Ninguna es correcta.

Justificación

La variable B (n ; p) se define como suma de n variables de Bernouilli independientes.

ξ = ξ1 + ξ 2 + ξ 3 + + ξn

Al ser variables de Bernouilli, cada una de las ξi solo podrá tomar los valores 0 y 1 por
lo que su suma variará, evidentemente, de 0 a n

10.- Dada la v.a. ξ simétrica respecto al origen de coordenadas y sea η = ξ 3 ; el

coeficiente ρ entre las v.a. (ξ , η) es:

a) ρ = 0 b) ρ = 1 c) ρ = -1 d) Ninguna es correcta.

Justificación

Si la variable es simétrica respecto al origen, su esperanza matemática vale cero:

α1 = E (ξ ) = 0

además, en cualquier distribución simétrica los momentos impares respecto a la media

son nulos:

µ3 = E (ξ − α1 )3 = 0 que como la media es cero, en este caso implica que:

µ3 = E (ξ − 0)3 = 0 → ( )
E ξ 3 = E (η ) = 0

entonces, la covarianza entre ξ y η valdrá:

( ) ( ) ( ) ( )
cov(ξ ,η ) = E (ξ ⋅η ) − E (ξ ) ⋅ E (η ) = E ξ ⋅ ξ 3 − E (ξ ) ⋅ E ξ 3 = E ξ 4 − 0 ⋅ 0 = E ξ 4

siendo las varianzas:

V (ξ ) = E[ξ − E (ξ )] = E (ξ − 0 ) = E (ξ 2 )
2 2

2 2
[ ]
V (η ) = E[η − E (η )] = E (η − 0 ) = E (η 2 ) = E (ξ 3 ) = E (ξ 6 )
2
El coeficiente de correlación será:

ρ=
cov(ξ ,η )
=
( )
E ξ4
V (ξ ) V (η ) E (ξ ) E (ξ )
2 6

Es claro que este valor es siempre positivo por lo que quedan descartadas las respuestas
a) y c) pero aun nos quedaría la duda de que la b) pudiese ser cierta. Para ver que no es
así basta con considerar un sencillo ejemplo numérico:

Consideremos la variable:

ξ: −2 −1 1 2
Pi : 0,3 0, 2 0, 3 0, 2

variable que, evidentemente, es simétrica respecto al origen. Como hemos razonado, se

cumple que:

E (ξ ) = xi Pi = ( −2 ) ⋅ 0,3 + ( −1) ⋅ 0, 2 + 1 ⋅ 0, 2 + 2 ⋅ 0,3 = 0

E (η ) = E (ξ 3 ) = xi3 Pi = ( −2 ) ⋅ 0,3 + ( −1) ⋅ 0, 2 + 13 ⋅ 0, 2 + 23 ⋅ 0,3 = 0

3 3

Pero:

E (ξ 2 ) = xi2 Pi = ( −2 ) ⋅ 0,3 + ( −1) ⋅ 0, 2 + 12 ⋅ 0, 2 + 22 ⋅ 0,3 = 2,8

2 2

∀i

E (ξ )= xi4 Pi = ( −2 ) ⋅ 0,3 + ( −1) ⋅ 0, 2 + 14 ⋅ 0, 2 + 24 ⋅ 0,3 = 10

4 4 4

∀i

E (ξ )= xi6 Pi = ( −2 ) ⋅ 0, 3 + ( −1) ⋅ 0, 2 + 16 ⋅ 0, 2 + 26 ⋅ 0,3 = 38,8

6 6 6

∀i
con lo que:

cov (ξ ,η ) E (ξ 4 ) 10
ρ= = = = 0, 96
V (ξ ) V (η ) E (ξ 2
) E (ξ )
6 2,8 38,8

(Cabe preguntarse si no se habrá colado un error en el enunciado. Si η = ξ un razonamiento análogo al

2

hecho nos hubiese llevado fácilmente a que, en ese caso, la covarianza seria nula y en consecuencia ρ =0)

( Pienso que podría ser esta la intención de la persona que ha propuesto el examen, por tratarse del clásico
ejemplo de dos variables que están incorrelacionadas a pesar de existir una dependencia funcional entre
ellas)
Un proceso de fabricación tiene tres fases consecutivas, de tal manera que la duración
en minutos de cada una de ellas viene dada, respectivamente, por las siguientes
variables aleatorias: ξ1 ≈ N (50 ; 5), ξ 2 ≈ N (70 ; 3) y ξ 3 ≈ N (80 ; s ) ¿cuál será el valor de s
si se desea asegurar con una probabilidad del 97% que el proceso tenga una duración
total inferior a 215 minutos?

Junio 2003

SOLUCIÓN

La duración total será ξ = ξ1 + ξ 2 + ξ 3 que, si admitimos la independencia, también se

distribuirá Normal al ser una combinación lineal de variables normales independientes.

Su media vale:

E (ξ ) = E (ξ1 + ξ 2 + ξ 3 ) = E (ξ1 ) + E (ξ 2 ) + E (ξ 3 ) = 50 + 70 + 80 = 200

y su varianza es:

V (ξ ) = V (ξ1 + ξ 2 + ξ 3 ) = V (ξ1 ) + V (ξ 2 ) + V (ξ 3 ) = 52 + 32 + s 2 = 34 + s 2
↑
Independientes

(
ξ → N 200; 34 + s 2 )
Como la duración total del proceso debe ser inferior a 215 minutos con ona
probabilidad de 0,97:

215 − 200 15
P(ξ < 215) = P ξ * < = P ξ* < = 097
34 + s 2 34 + s 2

Buscando en tablas:

15 15
= 1,88 → 34 + s 2 = = 7,979 → s 2 = 7,979 2 − 34 = 29,664
34 + s 2 1,88

s = 29,664 ≈ 5,45
La longitud de cierta pieza es aleatoria y se distribuye con función de densidad:
f ( x ) = k ( x − 1)( 3 − x ) si x ∈ [1,3] y 0 en otros casos. Si una pieza solo es válida si
su longitud está comprendida entre 1,7 y 2,4 ¿cuál es la probabilidad de que la pieza sea
válida?

Junio 2003

SOLUCIÓN

La función de densidad de nuestra variable es:

= k ( x − 1)( 3 − x ) = k ( − x 2 + 4 x − 3) 1< x < 3

f ( x) =
=0 resto

Comenzaremos por determinar el valor de k

3
x3 x2
k ( − x 2 + 4 x − 3) dx = k
∞ ∞ 3
f ( x ) dx = 1 → f ( x ) dx = − + 4 − 3x =
−∞ −∞ 1 3 2 1
3 2 3 2
3 3 1 1 4 4
=k − + 4 ⋅ − 3 ⋅ 3 − − + 4 ⋅ − 3 ⋅1 =k 0− − =k =1
3 2 3 2 3 3

3
k=
4
y la función de densidad queda:

3 3
( x − 1)( 3 − x ) = ( − x 2 + 4 x − 3)
= 1< x < 3
f ( x) = 4 4
=0 resto

La probabilidad de que la pieza sea válida es entonces:

2,4 2,4
3 3 x3 x2
( ) 4 3 2 − 3x
2,4
P (1, 7 < ξ < 2, 4 ) = f ( x ) dx = − x 2
+ 4 x − 3 dx = − + 4 =
1,7
1,7 4 1,7

3 2, 43 2, 42 2 1, 73 1, 7 2
= − +4 − 3 ⋅ 2, 4 − − +4 − 3 ⋅1, 7 = −0, 288 + 0,958 = 0, 67
4 3 3 2

P(1,7 < ξ < 2,4 ) = 0,67

PREGUNTAS TIPO TEST (Junio de 2004 2ª Semana Tipo A)

1.- Dados los sucesos A y B con P (A) =0,4, P (B) = 0,5 y P ( A ∩ B ) = 0, 2 podemos afirmar:

a) A y B son disjuntos b) A y B no son independientes

c) A y B son independientes d) Ninguna de las anteriores.

Justificación

Es claro que A y B son independientes ya que:

P ( A ∩ B ) = 0, 2
P ( A ∩ B ) = P ( A) ⋅ P ( B )
P ( A ) ⋅ P ( B ) = 0, 4 ⋅ 0,5 = 0, 2
y si son independientes A y B también lo son A y B . Demostrémoslo:

P ( A ∩ B ) = P ( A ) − P ( A ∩ B ) =↑ P ( A ) − P ( A ) ⋅ P ( B ) = P ( A) ⋅ 1 − P ( B ) = P ( A) ⋅ P ( B )
Indep.

P ( A ∩ B ) = P ( A ) ⋅ P ( B ) → Independientes

2
2 1 it
2.- La función característica de una v.a. ξ es ϕ ( t ) = + e , ¿Cuál es la función característica de la
3 3
v.a. η = ξ + 2 ?

2 2
2 1 it 2 1 it
a) ϕ ( t ) = e 2it + e b) e2it c) ϕ ( t ) = + e +2 d) Ninguna de las anteriores
3 3 3 3

Justificación

( )
ϕη ( t ) = E ( eitη ) = E eit (ξ + 2) = E ( eitξ ⋅ e 2it ) = e 2it E ( eitξ ) = e2itϕξ ( t ) = e 2it
2 1 it
+ e
3 3
3.- El momento de segundo orden respecto a la media ( µ2 ) se conoce con el nombre de:

a) Esperanza b) Coeficiente de determinación c) Varianza d) Ninguna de las anteriores

Justificación

Poco hay que justificar: Por definición σ 2 = V (ξ ) = E ( ξ − α1 ) = µ2

2

1 2
4.- Dada una v.a. con F ( x ) =
3
( x − 1) si 1 ≤ x < 2 ; 0 si x < 1 y 1 si x ≥ 2 ¿Cuál es su media?
a) 7/3 b) 1 c) 14/9 d) Ninguna de las anteriores

Justificación

La función de densidad de la variable es:

2
= x 1≤ x < 2
f ( x) = F '( x) = 3
=0 resto
2 2
∞ 2 2 2 2 x3 2 8 1 2 7 14
por tanto: E (ξ ) = x f ( x ) dx = x x dx = x dx = ⋅
2
= ⋅ − = ⋅ =
−∞
1 3 3 1 3 3 1
3 3 3 3 3 9

5.- Dadas las v.a. independientes ξ1 ≡ G ( 0 '6 ) y ξ 2 ≡ G ( 0 '6 ) la distribución de la v.a. η = ξ1 + ξ 2 es:

a) BN ( 2;0, 6 ) b) G ( 0, 6 ) c) G (1, 2 ) d) Ninguna es cierta

Justificación

p
La función característica de la distribución geométrica es: ϕ ( t ) = . Por tanto:
1 − qeit
0, 6
ξ1 ≡ G ( 0 '6 ) → ϕξ ( t ) = 2
1
1 − 0, 4eit 0, 6 0, 6 0, 6
ϕξ ( t ) = ϕξ1 +ξ2 ( t ) =↑ ϕξ1 ( t ) ⋅ ϕξ2 ( t ) = ⋅ =
0, 6 1 − 0, 4e 1 − 0, 4e
it it
1 − 0, 4eit
ξ 2 ≡ G ( 0 '6 ) → ϕξ2 ( t ) = Indep.

1 − 0, 4eit
que es la función característica de una BN ( 2;0, 6 )
6.- Dadas ξ1 , , ξ n v.a. independientes distribuidas N ( 0;1) . La distribución de la v.a. η = ξ1 + + ξn
es:

a) N ( 0; n ) b) χ 2 ( n ) c) N 0; n( ) d) Ninguna de las anteriores

Justificación

La variable, al ser suma de normales independientes, también es normal:

con media: E (η ) = E (ξ1 + + ξ n ) = E ( ξ1 ) + + E (ξ n ) = 0 + 0 + + 0 = 0
y varianza: V (η ) = V (ξ1 + + ξ n ) =↑ V (ξ1 ) + + V (ξ n ) = 12 + 12 + + 12 = n
Indep.

es decir: η ≡ N 0; n ( )

7.-Cual de los siguientes modelos de distribuciones de probabilidad discretos no verifica la propiedad

aditiva o reproductiva:

a) Geométrica b) Binomial negativa c) Binomial d) Ninguna de las anteriores.

Justificación

En la pregunta 5 hemos demostrado que la suma de dos variables geométricas no es una geométrica (es
una binomial negativa) por tanto esta distribución no es reproductiva para la suma.

Es inmediato demostrar que la binomial y la binomial negativa si cumplen la propiedad (supuesta la misma p).

8.- Dada una v.a. bidimensional continua (ξ ,η ) , se dice que ξ y η son independientes si:

a) f ( y / x ) = f1 ( x ) b) f ( x, y ) = f1 ( x ) ⋅ f 2 ( y ) c) f ( x / y ) = f 2 ( y ) d) Ninguna es correcta

Justificación

f ( x, y ) = f1 ( x ) ⋅ f 2 ( y ) ∀x, y es la condición necesaria y suficiente de independencia estocástica para

dos variables continuas.
9.- Sean las v.a. independientes ξ1 ≡ N (1; 2 ) y ξ 2 ≡ N ( 2; 2 ) , se define la v.a. η = 2 ξ1 + ξ 2 ¿Cuál es la
P (η ≥ 1, 76 ) ?

a) 0,6915 b) 0,3085 c) – 0,3085 d) Ninguna de las anteriores

Justificación

La variable η = 2 ξ1 + ξ 2 al ser una combinación lineal de variables normales independientes también es

normal, con media y varianza:
E (η ) = E ( 2 ξ1 + ξ 2 ) = 2 E ( ξ1 ) + E (ξ 2 ) = 2 ⋅1 + 2 = 4
V (η ) = V ( 2 ξ1 + ξ 2 ) =↑ 22 V ( ξ1 ) + V (ξ 2 ) = 22 ⋅ 22 + 22 = 20
Indep.

es decir: (
η ≡ N 4; 20 )
entonces:
1, 76 − 4
P (η ≥ 1, 76 ) = P η * ≥ = P (η * ≥ −0,5) = 0, 6915
20

1
10.- Dada una v.a. con f ( x ) = ( x + 1) para x ≤ 1 la P ( 0 ≤ ξ ≤ 2 ) será:
2

a) 1/2 b) 0 c) 3/4 d) Ninguna es correcta

Justificación

1 1
2 1 1 x2 1 1 1 3 3
P ( 0 ≤ ξ ≤ 2) = f ( x ) dx = ( x + 1) dx = +x = +1 = ⋅ =
0 2 2 2 2 2 2 2 4
0
0
La cantidad de pan, en cientos de Kilogramos que diariamente se vende en una gran
superficie puede representarse mediante una variable aleatoria cuya función de
densidad es:
2
f ( x ) = (1 + x ) para 1 < x < M y f ( x ) = 0 en otro caso
77
a) ¿Cuál es la cantidad de pan máxima que podría vender la gran superficie?
b) Obtenga la cantidad media de pan vendida en la gran superficie y su
desviación típica.
Junio 2004 (segunda semana)

SOLUCION

¿Cuál es la cantidad de pan máxima que podría vender la gran superficie?

Para determinar el valor de M basta con imponer que toda la probabilidad debe valer
la unidad:

M M
∞ 2 2 x2 2 M2 12
f ( x ) dx = 1 → (1 + x ) dx = x+ = M+ − 1+ =
−∞
1 77 77 2 1
77 2 2
2 M2 3 2M + M 2 − 3 −2 ± 4 + 320 M =8
= M+ − = = 1 → M 2 + 2 M − 80 = 0 → M = =
77 2 2 77 2 M = −10

evidentemente la solución válida es M = 8 , es decir: como máximo venderá 800 Kg y

la función de densidad queda:

2
f ( x) =
=(1 + x ) 1< x < 8
77
=0 resto

Obtenga la cantidad media de pan vendida en la gran superficie y su desviación

típica.

Calculemos los dos primeros momentos:

8 8
2 2 2 x 2 x3
( x + x2 ) dx =
∞ 8
α1 = E ( ξ ) = x f ( x ) dx = x (1 + x ) dx = + =
−∞
1 77 77 1 77 2 3 1

2 82 83 12 13 2 1216 5 2 1211 173

= + − + = − = ⋅ =
77 2 3 2 3 77 6 6 77 6 33

entonces la media vale:

173
µ = α1 = E (ξ ) = 5, 24
33
Para calcular la varianza necesitamos calcular el momento de segundo orden:

8 3 4 8
2 2
α 2 = E (ξ )= ( x + x ) dx = 772 x3 + x4
∞ 8
2
x f ( x ) dx =
2
x2
(1 + x ) dx = 2 3
=
−∞
1 77 77 1
1

2 83 84 13 14 2 32768 7 2 32761 32761

= + − + = − = ⋅ =
77 3 4 3 4 77 12 12 77 12 462

con lo que:

2
32761 173 32761 29929 662107
σ = V (ξ ) = α 2 − α =
2
− 2
1 = − = 43, 43
462 33 462 1089 15246

y la desviación típica es:

662107
σ = V (ξ ) = 6.59
15246
Una aseguradora ha detectado que la cantidad de tiempo, en horas que invierten sus
agentes de seguros cada día en vender una póliza, sigue una distribución normal
N ( 2;1)

a) Calcule la probabilidad de que un agente invierta mas de cuatro horas en

vender una póliza.
b) Para una muestra de 400 agentes, calcular la probabilidad de que más de tres
de ellos inviertan mas de cuatro horas en vender una póliza
Junio 2004 (segunda semana)

SOLUCION

Calcule la probabilidad de que un agente invierta mas de cuatro horas en vender

una póliza.

4−2
P (ξ > 4 ) =↑ P ξ* > = P (ξ * > 2 ) = 0, 0228
Tipificando 1

Para una muestra de 400 agentes, calcular la probabilidad de que más de tres de
ellos inviertan mas de cuatro horas en vender una póliza

Estamos ahora ante un fenómeno dicotómico:

Tarda mas de 4 horas 1 p = 0,0228

1 agente → ηi
Tarda menos 0 q = 0,9772

si consideramos 400 agentes y suponemos independencia , la variable

η = η1 + η2 + + η400 ≡ B ( 400;0, 0228) nos mide el número de agentes que tardan
mas de cuatro horas en vender una póliza.

Nos piden calcular:

P (η > 3) = 1 − P (η ≤ 3) = 1 − P (η = 0 ) + P (η = 1) + P (η = 2 ) + P (η = 3)

al ser n grande y p pequeña podemos aproximar la binomial mediante una variable de

Poisson con parámetro λ = n p = 400 ⋅ 0, 0228 = 9,12 con lo que la probabilidad
buscada vale aproximadamente:

P (η > 3) = 1 − P (η ≤ 3) = 1 − P (η = 0 ) + P (η = 1) + P (η = 2 ) + P (η = 3) =
9,120 9,121 − 9,12 9,122 9,123
= 1 − e− 9,12 + e − 9,12 +e + e − 9,12 = 1 − 0, 0195 = 0,9805
0! 1! 2! 3!
PREGUNTAS TIPO TEST (Junio de 2004 2ª Semana Tipo B)

1.- Dados los sucesos A y B con P (A) =0,4, P (B) = 0,5 y P ( A ∩ B ) = 0, 2 podemos afirmar:

a) A y B son independientes b) A y B no son independientes

c) A y B son disjuntos d) Ninguna de las anteriores.

Justificación

Es claro que A y B son independientes ya que:

P ( A ∩ B ) = 0, 2
P ( A ∩ B ) = P ( A) ⋅ P ( B )
P ( A ) ⋅ P ( B ) = 0, 4 ⋅ 0,5 = 0, 2
y si son independientes A y B también lo son A y B . Demostrémoslo:

P ( A ∩ B ) = P ( A ) − P ( A ∩ B ) =↑ P ( A ) − P ( A ) ⋅ P ( B ) = P ( A) ⋅ 1 − P ( B ) = P ( A) ⋅ P ( B )
Indep.

P ( A ∩ B ) = P ( A ) ⋅ P ( B ) → Independientes

2.- Dadas las v.a. independientes ξ1 ≡ G ( 0 '6 ) y ξ 2 ≡ G ( 0 '6 ) la distribución de la v.a. η = ξ1 + ξ 2 es:

a) G (1, 2 ) b) G ( 0, 6 ) c) BN ( 2;0, 6 ) d) Ninguna es cierta

Justificación

p
La función característica de la distribución geométrica es: ϕ ( t ) = . Por tanto:
1 − qeit

0, 6
ξ1 ≡ G ( 0 '6 ) → ϕξ ( t ) = 2
1
1 − 0, 4eit 0, 6 0, 6 0, 6
ϕξ ( t ) = ϕξ1 +ξ2 ( t ) =↑ ϕξ1 ( t ) ⋅ ϕξ2 ( t ) = ⋅ =
0, 6 1 − 0, 4e 1 − 0, 4e
it it
1 − 0, 4eit
ξ 2 ≡ G ( 0 '6 ) → ϕξ2 ( t ) = Indep.

1 − 0, 4eit

que es la función característica de una BN ( 2;0, 6 )

 1 2
3.- Dada una v.a. con F ( x ) =
3
( x − 1) si 1 ≤ x < 2 ; 0 si x < 1 y 1 si x ≥ 2 ¿Cuál es su media?
a) 14/9 b) 1 c) 7/3 d) Ninguna de las anteriores

Justificación

La función de densidad de la variable es:

2
= x 1≤ x < 2
f ( x) = F '( x) = 3
=0 resto
2 2
∞ 2 2 2 2 x3 2 8 1 2 7 14
por tanto: E (ξ ) = x f ( x ) dx = x x dx = x dx = ⋅
2
= ⋅ − = ⋅ =
−∞
1 3 3 1 3 3 1
3 3 3 3 3 9

4.-Cual de los siguientes modelos de distribuciones de probabilidad discretos no verifica la propiedad

aditiva o reproductiva:

a) Binomial b) Geométrica c) Binomial negativa d) Ninguna de las anteriores.

Justificación

En la pregunta 2 hemos demostrado que la suma de dos variables geométricas no es una geométrica (es
una binomial negativa) por tanto esta distribución no es reproductiva para la suma.

Es inmediato demostrar que la binomial y la binomial negativa si cumplen la propiedad (supuesta la

misma p).

1
5.- Dada una v.a. con f ( x ) = ( x + 1) para x ≤ 1 la P ( 0 ≤ ξ ≤ 2 ) será:
2

a) 3/4 b) 1/2 c) 0 d) Ninguna es correcta

Justificación

1 1
2 1 1 x2 1 1 1 3 3
P ( 0 ≤ ξ ≤ 2) = f ( x ) dx = ( x + 1) dx = +x = +1 = ⋅ =
0 2 2 2 2 2 2 2 4
0
0
 2
2 1 it
6.- La función característica de una v.a. ξ es ϕ ( t ) = + e , ¿Cuál es la función característica de la
3 3
v.a. η = ξ + 2 ?

2 2
2 1 it 2 1 it
a) e 2it
b) ϕ ( t ) = + e +2 c) ϕ ( t ) = e 2 it
+ e d) Ninguna de las anteriores
3 3 3 3

Justificación

ϕη ( t ) = E ( e itη
) = E (e it (ξ + 2 )
) = E (e itξ
⋅e 2 it
) = e E (e ) = e
2 it itξ
ϕξ ( t ) = e
2 it 2 it 2 1 it
+ e
3 3

7.- Sean las v.a. independientes ξ1 ≡ N (1; 2 ) y ξ 2 ≡ N ( 2; 2 ) , se define la v.a. η = 2 ξ1 + ξ 2 ¿Cuál es la

P (η ≤ 1, 76 ) ?

a) 0,6915 b) 0,3085 c) – 0,3085 d) Ninguna de las anteriores

Justificación

La variable η = 2 ξ1 + ξ 2 al ser una combinación lineal de variables normales independientes también es

normal, con media y varianza:

E (η ) = E ( 2 ξ1 + ξ 2 ) = 2 E ( ξ1 ) + E (ξ 2 ) = 2 ⋅1 + 2 = 4
V (η ) = V ( 2 ξ1 + ξ 2 ) =↑ 22 V ( ξ1 ) + V (ξ 2 ) = 22 ⋅ 22 + 22 = 20
Indep.

es decir: η ≡ N 4; 20 ( )
entonces:
1, 76 − 4
P (η ≤ 1, 76 ) = P η * ≤ = P (η * ≤ −0,5) = 0,3085
20
8.- El momento de primer orden respecto al origen (α1 ) coincide con:

a) Media b) Coeficiente de determinación c) Varianza d) Ninguna de las anteriores

Justificación

Poco hay que justificar: Por definición α1 = E (ξ ) = µ

9.- Dada una v.a. bidimensional continua (ξ ,η ) , se dice que ξ y η son independientes si:

a) f ( x, y ) = f1 ( x ) ⋅ f 2 ( y ) b) f ( y / x ) = f1 ( x ) c) f ( x / y ) = f 2 ( y ) d) Ninguna es correcta

Justificación

f ( x, y ) = f1 ( x ) ⋅ f 2 ( y ) ∀x, y es la condición necesaria y suficiente de independencia estocástica para

dos variables continuas.

10.- Dadas ξ1 , , ξ n v.a. independientes distribuidas N ( 0;1) . La distribución de la v.a. η = ξ1 + + ξn

es:

a) χ 2 ( n ) b) N 0; n( ) c) N ( 0; n ) d) Ninguna de las anteriores

Justificación

La variable, al ser suma de normales independientes, también es normal:

con media: E (η ) = E (ξ1 + + ξ n ) = E ( ξ1 ) + + E (ξ n ) = 0 + 0 + +0=0

y varianza: V (η ) = V (ξ1 + + ξ n ) =↑ V (ξ1 ) + + V (ξ n ) = 12 + 12 + + 12 = n
Indep.

es decir:
(
η ≡ N 0; n )
La cantidad de pan, en cientos de Kilogramos que diariamente se vende en una gran
superficie puede representarse mediante una variable aleatoria cuya función de
densidad es:
2
f ( x ) = (1 + x ) para 1 < x < M y f ( x ) = 0 en otro caso
77
a) ¿Cuál es la cantidad de pan máxima que podría vender la gran superficie?
b) Obtenga la cantidad media de pan vendida en la gran superficie y su
desviación típica.
Junio 2004 (segunda semana)

SOLUCION

¿Cuál es la cantidad de pan máxima que podría vender la gran superficie?

Para determinar el valor de M basta con imponer que toda la probabilidad debe valer
la unidad:

M M
∞ 2 2 x2 2 M2 12
f ( x ) dx = 1 → (1 + x ) dx = x+ = M+ − 1+ =
−∞
1 77 77 2 1
77 2 2
2 M2 3 2M + M 2 − 3 −2 ± 4 + 320 M =8
= M+ − = = 1 → M 2 + 2 M − 80 = 0 → M = =
77 2 2 77 2 M = −10

evidentemente la solución válida es M = 8 , es decir: como máximo venderá 800 Kg y

la función de densidad queda:

2
f ( x) =
=(1 + x ) 1< x < 8
77
=0 resto

Obtenga la cantidad media de pan vendida en la gran superficie y su desviación

típica.

Calculemos los dos primeros momentos:

8 8
2 2 2 x 2 x3
( x + x2 ) dx =
∞ 8
α1 = E ( ξ ) = x f ( x ) dx = x (1 + x ) dx = + =
−∞
1 77 77 1 77 2 3 1

2 82 83 12 13 2 1216 5 2 1211 173

= + − + = − = ⋅ =
77 2 3 2 3 77 6 6 77 6 33

entonces la media vale:

173
µ = α1 = E (ξ ) = 5, 24
33
Para calcular la varianza necesitamos calcular el momento de segundo orden:

8 3 4 8
2 2
α 2 = E (ξ )= ( x + x ) dx = 772 x3 + x4
∞ 8
2
x f ( x ) dx =
2
x2
(1 + x ) dx = 2 3
=
−∞
1 77 77 1
1

2 83 84 13 14 2 32768 7 2 32761 32761

= + − + = − = ⋅ =
77 3 4 3 4 77 12 12 77 12 462

con lo que:

2
32761 173 32761 29929 662107
σ = V (ξ ) = α 2 − α =
2
− 2
1 = − = 43, 43
462 33 462 1089 15246

y la desviación típica es:

662107
σ = V (ξ ) = 6.59
15246
Una aseguradora ha detectado que la cantidad de tiempo, en horas que invierten sus
agentes de seguros cada día en vender una póliza, sigue una distribución normal
N ( 2;1)

a) Calcule la probabilidad de que un agente invierta mas de cuatro horas en

vender una póliza.
b) Para una muestra de 400 agentes, calcular la probabilidad de que más de tres
de ellos inviertan mas de cuatro horas en vender una póliza
Junio 2004 (segunda semana)

SOLUCION

Calcule la probabilidad de que un agente invierta mas de cuatro horas en vender

una póliza.

4−2
P (ξ > 4 ) =↑ P ξ* > = P (ξ * > 2 ) = 0, 0228
Tipificando 1

Para una muestra de 400 agentes, calcular la probabilidad de que más de tres de
ellos inviertan mas de cuatro horas en vender una póliza

Estamos ahora ante un fenómeno dicotómico:

Tarda mas de 4 horas 1 p = 0,0228

1 agente → ηi
Tarda menos 0 q = 0,9772

si consideramos 400 agentes y suponemos independencia , la variable

η = η1 + η2 + + η400 ≡ B ( 400;0, 0228) nos mide el número de agentes que tardan
mas de cuatro horas en vender una póliza.

Nos piden calcular:

P (η > 3) = 1 − P (η ≤ 3) = 1 − P (η = 0 ) + P (η = 1) + P (η = 2 ) + P (η = 3)

al ser n grande y p pequeña podemos aproximar la binomial mediante una variable de

Poisson con parámetro λ = n p = 400 ⋅ 0, 0228 = 9,12 con lo que la probabilidad
buscada vale aproximadamente:

P (η > 3) = 1 − P (η ≤ 3) = 1 − P (η = 0 ) + P (η = 1) + P (η = 2 ) + P (η = 3) =
9,120 9,121 − 9,12 9,122 9,123
= 1 − e− 9,12 + e − 9,12 +e + e − 9,12 = 1 − 0, 0195 = 0,9805
0! 1! 2! 3!
PREGUNTAS TIPO TEST (Junio de 2004 1ª Semana Tipo A)

1.- Dados los sucesos A y B con P (A) =0,7, P (B) = 0,3 y P ( A ∩ B ) = 0, 21 podemos afirmar:

a) A y B son disjuntos b) A y B no son independientes c) A y B son independientes d) Ninguna de las anteriores.

Justificación

Se cumple la condición necesaria y suficiente de independencia ya que:

P ( A ∩ B ) = 0, 21
P ( A ∩ B ) = P ( A) ⋅ P ( B )
P ( A) ⋅ P ( B ) = 0, 7 ⋅ 0,3 = 0, 21

e2 it
2.- La función característica de una v.a ξ es ϕ ( t ) = ¿cuál es su media?
2

a) e2i b) 1 c)0 d) Ninguna de las anteriores

Justificación
e2i 0 1
La función dada no es una función característica ya que: ϕ ( 0) = = ≠1
2 2

3.- Dadas las v.a. ξ,η, definimos las v.a. ω = ξ + h y υ = η + s . ¿Cuál es la cov (ω ,υ ) ?

a) cov (ω ,υ ) = cov (ξ ,η ) b) cov (ω ,υ ) = h s cov (ξ ,η )

c) cov (ω ,υ ) = h 2 s 2 cov (ξ ,η ) d) Ninguna es cierta

Justificación

Los cambios de origen no afectan a la covarianza:

{
cov (ω ,υ ) = E ω − E (ω ) ⋅ υ − E (υ ) } = E { (ξ + h ) − E (ξ + h ) ⋅ (η + s ) − E (η + s ) } =
=E { (ξ + h ) − E (ξ ) + h ⋅ (η + s ) − E (η ) + s } = E { ξ − E (ξ ) ⋅ η − E (η ) } = cov (ξ ,η )
4.- Dada una función de distribución F, se verifica que:

a) F ( −∞ ) = F ( +∞ ) = 1 b) F ( −∞ ) = F ( +∞ ) = 0 c) F ( −∞ ) = 0 ; F ( +∞ ) = 1 d) Ninguna de las anteriores

Justificación

F ( −∞ ) = P (ξ ≤ −∞ ) = 0
F ( +∞ ) = P (ξ ≤ +∞ ) = 1

5.- Dadas las v.a. independientes ξ1 ≡ B ( 2, 0 '3) y ξ 2 ≡ B ( 5, 0 '3) la distribución de la v.a. η = ξ1 + ξ 2 es:

a) B ( 7 , 0 '09 ) b) B ( 7 , 0 '3) c) B ( 7 , 0 '6 ) d) Ninguna es cierta

Justificación

La función característica de una B ( n ; p ) es:

ϕ ( t ) = ( q + p eit )
n

por tanto:

ξ1 ≡ B ( 2, 0 '3) → ϕξ ( t ) = ( 0, 7 + 0, 3 eit )
2
1

ξ 2 ≡ B ( 5, 0 '3) → ϕξ ( t ) = ( 0, 7 + 0, 3 eit )
5
2

entonces:

ϕη ( t ) = ϕξ +ξ ( t ) = ϕξ ( t ) ⋅ ϕξ ( t ) = ( 0, 7 + 0,3 eit ) ⋅ ( 0, 7 + 0,3 eit ) = ( 0, 7 + 0, 3 eit )

2 5 7
1 2 ↑ 1 2
Indep.

que es la función característica de una B ( 7 , 0 '3)

6.- Dadas ξ1 , , ξ n v.a. independientes distribuidas N ( 0;1) . La distribución de la v.a. η = ξ12 + + ξ n2 es:

a) N ( 0; n ) b) χ 2 ( n ) c) N ( 0;1) d) Ninguna de las anteriores

Justificación

No hay nada que justificar. Se trata de la definición de la Chi- cuadrado de Pearson con n grados de
libertad.

7.-Si la v.a. ξ tiene E (ξ ) = 2 ; E (ξ 2 ) = 10 ¿Cuál es la V (η ) siendo η = −5 + 2ξ

a) 24 b) 12 c) 19 d) Ninguna de las anteriores.

Justificación

V (ξ ) = α 2 − α12 = E (ξ 2 ) − E (ξ )
2
= 10 − 22 = 6

recordando las propiedades de la varianza:

V (η ) = V ( −5 + 2ξ ) = 22 ⋅V (ξ ) = 4 ⋅ 6 = 24

8.- La función de distribución conjunta para una v.a. bidimensional continua (ξ ,η ) se define como:

a) F ( x, y ) = f 2 ( y ) dy b) F ( x, y ) = f1 ( x ) dx c) F ( x, y ) = f ( x, y ) dx dy
x x x y
d) Ninguna es correcta
−∞ −∞ −∞ −∞

Justificación

x y
Por definición: F ( x, y ) = P (ξ ≤ x ;η ≤ y ) = f ( x, y ) dx dy
−∞ −∞
9.- Sean las v.a. independientes ξ1 ≡ N (1, 2 ) y ξ 2 ≡ N (1,1) , se define la v.a. η = ξ1 + ξ 2 + 1 ¿Cuál es la
P (η ≤ 0,54 )

a) 0,8643 b) -0,1357 c) 0,1357 d) Ninguna de las anteriores

Justificación

La variable η = ξ1 + ξ 2 + 1 , al ser una combinación lineal de variables normales independientes, también

será normal con media: E (η ) = E ( ξ1 + ξ 2 + 1) = E (ξ1 ) + E (ξ 2 ) + 1 = 1 + 1 + 1 = 3
y varianza: V (η ) = V (ξ1 + ξ 2 + 1) = V (ξ1 + ξ 2 ) =↑ V (ξ1 ) + V (ξ 2 ) = 22 + 12 = 5
Indep.

Por tanto: (
η ≡ N 3; 5 )
Y la probabilidad pedida vale:

0,54 − 3
P (η ≤ 0,54 ) = P η * ≤ = P (η * ≤ −1,10 ) = 0,1357
5

10.- Dada una v.a. ξ con f ( x ) = k x 2 ( x + 6 ) para 0 ≤ x ≤ 2 la P ( ξ ≤ 1) será:

a) 9/80 b) 0 c) 1/5 d) Ninguna es correcta.

Justificación

Empecemos por determinar la constante:

2
x4 x3 1
f ( x ) dx = k x ( x + 6 ) dx = k ( x + 6 x ) dx = k
∞ 2 2
2 3 2
+6 = k ( 4 + 16 ) = 20k = 1 → k =
−∞ 0 0 4 3 0
20
La probabilidad pedida vale:
1 4 3 1
1 2 1
P ( ξ ≤ 1) = P ( −1 ≤ ξ ≤ 1) = (0 x + 6 x ) dx = 201 x4 + 6 x3
1 1
f ( x ) dx = x ( x + 6 ) dx = 3 2
=
0 20 20
−1
0

1 1 1 9 9
= +2 = =
20 4 20 4 80
Una multinacional realiza sus ventas en tres países diferentes (A;B;C). El 40% de las
ventas de de la multinacional corresponden al país A y en el país B se realizan el
doble de ventas que en el país C. El porcentaje de ventas en las que se producen
retrasos en el pago es del 10%, 20% y 5% en los países A,B y C respectivamente .
a) ¿Qué porcentaje de las ventas en las que no se ha retrasado el pago han sido
realizadas en el país A?
b) Entre las ventas que no han sufrido retraso en el pago, ¿cual es el porcentaje
de las que corresponden a los países B o C?

Junio 2004 (Primera semana)

SOLUCION

Determinemos las probabilidades “a priori”

P ( A ) = 0, 4
P ( B ) = 2k
P (C ) = k

Como estas tres probabilidades tienen que sumar la unidad:

1 − 04
P ( A ) + P ( B ) + P ( C ) = 0, 4 + 2k + k = 0, 4 + 3k = 1 →k = = 0, 2
3

quedando definitivamente:

P ( A ) = 0, 4
P ( B ) = 0, 4
P ( C ) = 0, 2

Si llamamos R al suceso “retraso en el pago” nos dicen que:

P ( R / A) = 0,10 → P ( R / A ) = 0,90
P ( R / B ) = 0, 20 → P ( R / A ) = 0,80
P ( R / C ) = 0, 05 → P ( R / A ) = 0,95

El teorema de Bayes nos permite calcular las probabilidades “a posteriori”

¿Qué porcentaje de las ventas en las que no se ha retrasado el pago han sido
realizadas en el país A?

P ( A ) ⋅ P ( R / A) P ( A) ⋅ P ( R / A)
P( A/ R) = = =
P(R) P ( A ) ⋅ P ( R / A) + P ( B ) ⋅ P ( R / B ) + P ( C ) ⋅ P ( R / C )
0, 4 ⋅ 0,90 0,36 12
= = = → 41, 4%
0, 4 ⋅ 0,90 + 0, 4 ⋅ 0,80 + 0, 2 ⋅ 0,95 0,87 29

Entre las ventas que no han sufrido retraso en el pago, ¿cual es el porcentaje de
las que corresponden a los países B o C?

Teniendo en cuenta que las hipótesis son incompatibles y recubren el espacio muestral
es claro que el suceso cuya probabilidad nos piden es complementario del anterior. Es
decir:

12 17
P ( B ∪ C / R ) = P ( A / R ) = 1− P ( A / R ) = 1− = → 58, 6%
29 29
El número de personas que llegan en una hora a una ventanilla de una sucursal de una
entidad bancaria, sigue una distribución de Poisson con media 5. Si acuden a la
ventanilla mas de 4 personas en una hora se forma cola.
a) ¿Cuál es la probabilidad de que se forme cola en una ventanilla en una hora
determinada?
b) Si en la sucursal hay 5 ventanillas independientes, ¿cuál es la probabilidad de
que en una hora se forme cola en 2 de esas 5 ventanillas?

Junio 2004 (Primera semana)

SOLUCION

El numero de personas que llegan por hora a la ventanilla es una variable de Poisson
con parámetro λ = 5. Recordemos las principales características de esta distribución:

5x
P (ξ = x ) = e − 5 x = 0, 1, 2,
x!
ξ ≡ P ( λ = 5) E (ξ ) = λ = 5
V (ξ ) = λ = 5

¿Cuál es la probabilidad de que se forme cola en una ventanilla en una hora

determinada?

Se formará cola si en la hora acuden mas de 4 personas, la probabilidad de que suceda

esto es:

P (ξ > 4 ) = 1 − P (ξ ≤ 4 ) = 1 − P (ξ = 0 ) + P (ξ = 1) + P (ξ = 2 ) + P (ξ = 3) + P (ξ = 4 ) =
50 51 52 53 54
= 1 − e −5 + e −5 + e −5 + e −5 + e −5 = 1 − ( 0, 0067 + 0, 0337 + 0, 0842 + 0,1404 + 0,1755 ) =
0! 1! 2! 3! 4!
= 1 − 0, 4405 = 0,5595

P ( cola ) = P (ξ > 4 ) = 0,5595

 Si en la sucursal hay 5 ventanillas independientes, ¿cuál es la probabilidad de
que en una hora se forme cola en 2 de esas 5 ventanillas?

Estamos ante una situación de tipo dicotómico.

cola 1 p = 0,5595
1 ventanilla ξ
no cola 0 q = 0, 4405

Si en la sucursal hay 5 ventanillas, la variable:

ξ = ξ1 + ξ 2 + ξ3 + ξ 4 + ξ5 → B ( 5; 0,5595)

nos indica el número de ventanillas en que se formará cola. Por tanto la probabilidad
de que se forme exactamente en 2 será:

5
P (ξ = 2 ) = 0,55952 ⋅ 0, 44053 = 0, 2676
2

P (ξ = 2 ) = 0, 2676
PREGUNTAS TIPO TEST (Junio de 2004 1ª Semana Tipo B)

1.- Dados los sucesos A y B con P (A) =0,7, P (B) = 0,3 y P ( A ∩ B ) = 0, 21 podemos afirmar:

a) A y B no son independientes b) A y B son independientes c) A y B son disjuntos d) Ninguna de las anteriores.

Justificación

Se cumple la condición necesaria y suficiente de independencia ya que:

P ( A ∩ B ) = 0, 21
P ( A ∩ B ) = P ( A) ⋅ P ( B )
P ( A) ⋅ P ( B ) = 0, 7 ⋅ 0,3 = 0, 21

2.- Dadas las v.a. ξ,η, definimos las v.a. ω = h ξ y υ = s η . ¿Cuál es la cov (ω ,υ ) ?

a) cov (ω ,υ ) = cov (ξ ,η ) b) cov (ω ,υ ) = h 2 s 2 cov (ξ ,η )

c) cov (ω ,υ ) = h s cov (ξ ,η ) d) Ninguna es cierta

Justificación

Los cambios de escala afectan a la covarianza:

{
cov (ω ,υ ) = E ω − E (ω ) ⋅ υ − E (υ ) } = E { h ξ − E ( h ξ ) ⋅ sη − E ( sη ) } =
=E { h ξ − h E (ξ ) ⋅ s η − s E (η ) } = h ⋅ s ⋅ E { ξ − E ( ξ ) ⋅ η − E (η ) } = h ⋅ s ⋅ cov (ξ ,η )
3.- Dadas las v.a. independientes ξ1 ≡ B ( 2, 0 '3) y ξ 2 ≡ B ( 5, 0 '3) la distribución de la v.a. η = ξ1 + ξ 2 es:

a) B ( 7 , 0 '3) b) B ( 7 , 0 '6 ) c) B ( 7 , 0 '09 ) d) Ninguna es cierta

Justificación

La función característica de una B ( n ; p ) es:

ϕ ( t ) = ( q + p eit )
n

por tanto:

ξ1 ≡ B ( 2, 0 '3) → ϕξ ( t ) = ( 0, 7 + 0, 3 eit )
2
1

ξ 2 ≡ B ( 5, 0 '3) → ϕξ ( t ) = ( 0, 7 + 0, 3 eit )
5
2

entonces:

ϕη ( t ) = ϕξ +ξ ( t ) = ϕξ ( t ) ⋅ ϕξ ( t ) = ( 0, 7 + 0,3 eit ) ⋅ ( 0, 7 + 0,3 eit ) = ( 0, 7 + 0, 3 eit )

2 5 7
1 2 ↑ 1 2
Indep.

que es la función característica de una B ( 7 , 0 '3)

4.-Si la v.a. ξ tiene E (ξ ) = 2 ; E (ξ 2 ) = 10 ¿Cuál es la V (η ) siendo η = −5 + 2ξ

a) 12 b) 19 c) 24 d) Ninguna de las anteriores.

Justificación

V (ξ ) = α 2 − α12 = E (ξ 2 ) − E (ξ )
2
= 10 − 22 = 6

recordando las propiedades de la varianza:

V (η ) = V ( −5 + 2ξ ) = 22 ⋅V (ξ ) = 4 ⋅ 6 = 24
5.- La función de distribución conjunta para una v.a. bidimensional continua (ξ ,η ) se define como:

a) F ( x, y ) = f ( x, y ) dx dy b) F ( x, y ) = f1 ( x ) dx c) F ( x, y ) = f 2 ( y ) dy
x y x x
d) Ninguna es correcta
−∞ −∞ −∞ −∞

Justificación

x y
Por definición: F ( x, y ) = P (ξ ≤ x ;η ≤ y ) = f ( x, y ) dx dy
−∞ −∞

6.- Dadas ξ1 , , ξ n v.a. independientes distribuidas N ( 0;1) . La distribución de la v.a. η = ξ12 + + ξ n2 es:

a) N ( 0; n ) b) N ( 0;1) c) χ 2 ( n ) d) Ninguna de las anteriores

Justificación

No hay nada que justificar. Se trata de la definición de la Chi- cuadrado de Pearson con n grados de
libertad.

7.- Dada una v.a. ξ con f ( x ) = k x 2 ( x + 6 ) para 0 ≤ x ≤ 2 la P ( ξ ≤ 1) será:

a) 0 b) 9/80 c) 1/5 d) Ninguna es correcta.

Justificación

Empecemos por determinar la constante:

2
x4 x3 1
f ( x ) dx = k x ( x + 6 ) dx = k ( x + 6 x ) dx = k
∞ 2 2
2 3
+6 2
= k ( 4 + 16 ) = 20k = 1 → k =
−∞ 0 0 4 3 0
20
La probabilidad pedida vale:
1 1
1 2 1 1 x4 x3
P ( ξ ≤ 1) = P ( −1 ≤ ξ ≤ 1) = ( x + 6 x ) dx = 20 4 + 6 3
1 1
f ( x ) dx = x ( x + 6 ) dx = 3 2
=
0 20 20
−1 0
0

1 1 1 9 9
= +2 = =
20 4 20 4 80
8.- Dada una función de distribución F, se verifica que:

a) F ( −∞ ) = F ( +∞ ) = 0 b) F ( −∞ ) = 0 ; F ( +∞ ) = 1 c) F ( −∞ ) = F ( +∞ ) = 1 d) Ninguna de las anteriores

Justificación

F ( −∞ ) = P (ξ ≤ −∞ ) = 0
F ( +∞ ) = P (ξ ≤ +∞ ) = 1

9.- Sean las v.a. independientes ξ1 ≡ N (1, 2 ) y ξ 2 ≡ N ( 0,1) , se define la v.a. η = ξ1 + ξ 2 + 2 ¿Cuál es la
P (η ≤ 0,54 )

b) -0,1357 a) 0,1357 c) 0,8643 d) Ninguna de las anteriores

Justificación

La variable η = ξ1 + ξ 2 + 2 , al ser una combinación lineal de variables normales independientes, también

será normal con media: E (η ) = E ( ξ1 + ξ 2 + 2 ) = E (ξ1 ) + E (ξ 2 ) + 2 = 1 + 0 + 2 = 3
y varianza: V (η ) = V (ξ1 + ξ 2 + 2 ) = V (ξ1 + ξ 2 ) =↑ V (ξ1 ) + V ( ξ 2 ) = 22 + 12 = 5
Indep.

Por tanto: η ≡ N 3; 5( )
Y la probabilidad pedida vale:

0,54 − 3
P (η ≤ 0,54 ) = P η * ≤ = P (η * ≤ −1,10 ) = 0,1357
5
 e2 it
10.- La función característica de una v.a ξ es ϕ ( t ) = ¿cuál es su media?
2

a) e2i b) 1 c)0 d) Ninguna de las anteriores

Justificación
e2i 0 1
La función dada no es una función característica ya que: ϕ ( 0) = = ≠1
2 2
Una multinacional realiza sus ventas en tres países diferentes (A;B;C). El 40% de las
ventas de de la multinacional corresponden al país A y en el país B se realizan el
doble de ventas que en el país C. El porcentaje de ventas en las que se producen
retrasos en el pago es del 10%, 20% y 5% en los países A,B y C respectivamente .
a) ¿Qué porcentaje de las ventas en las que no se ha retrasado el pago han sido
realizadas en el país A?
b) Entre las ventas que no han sufrido retraso en el pago, ¿cual es el porcentaje
de las que corresponden a los países B o C?

Junio 2004 (Primera semana)

SOLUCION

Determinemos las probabilidades “a priori”

P ( A ) = 0, 4
P ( B ) = 2k
P (C ) = k

Como estas tres probabilidades tienen que sumar la unidad:

1 − 04
P ( A ) + P ( B ) + P ( C ) = 0, 4 + 2k + k = 0, 4 + 3k = 1 →k = = 0, 2
3

quedando definitivamente:

P ( A ) = 0, 4
P ( B ) = 0, 4
P ( C ) = 0, 2

Si llamamos R al suceso “retraso en el pago” nos dicen que:

P ( R / A) = 0,10 → P ( R / A ) = 0,90
P ( R / B ) = 0, 20 → P ( R / A ) = 0,80
P ( R / C ) = 0, 05 → P ( R / A ) = 0,95

El teorema de Bayes nos permite calcular las probabilidades “a posteriori”

¿Qué porcentaje de las ventas en las que no se ha retrasado el pago han sido
realizadas en el país A?

P ( A ) ⋅ P ( R / A) P ( A) ⋅ P ( R / A)
P( A/ R) = = =
P(R) P ( A ) ⋅ P ( R / A) + P ( B ) ⋅ P ( R / B ) + P ( C ) ⋅ P ( R / C )
0, 4 ⋅ 0,90 0,36 12
= = = → 41, 4%
0, 4 ⋅ 0,90 + 0, 4 ⋅ 0,80 + 0, 2 ⋅ 0,95 0,87 29

Entre las ventas que no han sufrido retraso en el pago, ¿cual es el porcentaje de
las que corresponden a los países B o C?

Teniendo en cuenta que las hipótesis son incompatibles y recubren el espacio muestral
es claro que el suceso cuya probabilidad nos piden es complementario del anterior. Es
decir:

12 17
P ( B ∪ C / R ) = P ( A / R ) = 1− P ( A / R ) = 1− = → 58, 6%
29 29
El número de personas que llegan en una hora a una ventanilla de una sucursal de una
entidad bancaria, sigue una distribución de Poisson con media 5. Si acuden a la
ventanilla mas de 4 personas en una hora se forma cola.
a) ¿Cuál es la probabilidad de que se forme cola en una ventanilla en una hora
determinada?
b) Si en la sucursal hay 5 ventanillas independientes, ¿cuál es la probabilidad de
que en una hora se forme cola en 2 de esas 5 ventanillas?

Junio 2004 (Primera semana)

SOLUCION

El numero de personas que llegan por hora a la ventanilla es una variable de Poisson
con parámetro λ = 5. Recordemos las principales características de esta distribución:

5x
P (ξ = x ) = e − 5 x = 0, 1, 2,
x!
ξ ≡ P ( λ = 5) E (ξ ) = λ = 5
V (ξ ) = λ = 5

¿Cuál es la probabilidad de que se forme cola en una ventanilla en una hora

determinada?

Se formará cola si en la hora acuden mas de 4 personas, la probabilidad de que suceda

esto es:

P (ξ > 4 ) = 1 − P (ξ ≤ 4 ) = 1 − P (ξ = 0 ) + P (ξ = 1) + P (ξ = 2 ) + P (ξ = 3) + P (ξ = 4 ) =
50 51 52 53 54
= 1 − e −5 + e −5 + e −5 + e −5 + e −5 = 1 − ( 0, 0067 + 0, 0337 + 0, 0842 + 0,1404 + 0,1755 ) =
0! 1! 2! 3! 4!
= 1 − 0, 4405 = 0,5595

P ( cola ) = P (ξ > 4 ) = 0,5595

 Si en la sucursal hay 5 ventanillas independientes, ¿cuál es la probabilidad de
que en una hora se forme cola en 2 de esas 5 ventanillas?

Estamos ante una situación de tipo dicotómico.

cola 1 p = 0,5595
1 ventanilla ξ
no cola 0 q = 0, 4405

Si en la sucursal hay 5 ventanillas, la variable:

ξ = ξ1 + ξ 2 + ξ3 + ξ 4 + ξ5 → B ( 5; 0,5595)

nos indica el número de ventanillas en que se formará cola. Por tanto la probabilidad
de que se forme exactamente en 2 será:

5
P (ξ = 2 ) = 0,55952 ⋅ 0, 44053 = 0, 2676
2

P (ξ = 2 ) = 0, 2676
UNED
Estadística Teórica 1 (Economía)

Junio 1999 (A)

PREGUNTAS TIPO TEST (Junio de 1999 tipo A)

1.- Se lanzan dos dados al azar. ¿Cuál es la probabilidad de que el número de puntos
obtenidos sumen 5?

a) 1/6 b) 1/12 c) 1/9 d) 2/21

2.- En una ciudad el 50% de sus habitantes lee prensa, el 30% lee novelas y el 25%
lee prensa y novelas. ¿Cuál es la probabilidad de que un ciudadano escogido al azar lea
prensa o novelas?

a)0,25 b) 0,80 c) 0,75 d) 0,55

3.- Dada una variable aleatoria ξ con función de densidad f ( x ) = c x 2 para 0 ≤ x ≤ 3

¿Cuál es la P (ξ > 1) ?

a) 26/27 b) 1/27 c) 25/27 d) No es correcta ninguna

4.- La función de distribución de una variable aleatoria nos indica:

a) La densidad media de probabilidad en un intervalo infinitesimal.

b) La probabilidad en un punto.
c) La probabilidad acumulada
d) no es correcta ninguna.

5.- Dadas dos variables aleatorias independientes de tipo Binomial: ξ1 ≡ B (5 ; 0,3) y

ξ 2 ≡ B (5 ; 0,3) , la suma λ = ξ1 + ξ 2 es:

a) λ≡ B (10;0,3) b) λ≡ B (5;0,3) c) λ≡ B (5;0,09) d) λ≡ B (25;0,09)

6.- La variable aleatoria ξ tiene de media 5 y de desviación típica 2. ¿Cuál es la E(η)

siendo η = -15 + ξ 2 ?

a) 10 b) –11 c) 12 d) 14
7.- Dada la función f (x) = 1/100 definida sobre la recta real
a) es función de distribución
b) es función de densidad
c) es función de distribución en el intervalo (0,100)
d) ninguna de las anteriores

(la respuesta b podría ser correcta si, por ejemplo, nos hubiesen precisado: “es función de densidad en el
intervalo (0,100)”)

8.- Dadas las variables aleatorias ξ 1 y ξ 2, η 1 y η 2 tales que: η 1 = 2ξ 1 + 3, η 2 = ξ 2 + 5

se puede afirmar que:

a) cov (ξ 1 , ξ 2 ) = cov (η 1 , η 2 ) b) cov (ξ 1 , ξ 2 ) = ½ cov (η 1 , η 2 )

c) cov (ξ 1 , ξ 2 ) = 2 cov (η 1 , η 2 ) d) No se puede decidir por falta de información.

9.- Dadas las variables independientes ξ 1 ≡ N (3;1); ξ 2 ≡ N (3;2); ξ 3 ≡ N (3;1,5). ¿Cuál

será la distribución de la variable η = ξ 1 + ξ 2 + ξ 3?

(
a) N 3 ; 4,5 ) (
b) N 9 ; 4,5 ) (
c) N 3 ; 7,25 ) d) N (9 ; 7, 25 )
10.- La convergencia de una distribución Binomial a una Normal se consigue probar a
partir del teorema de:

a) Chebychef b) Gauss c) Bernouilli d) Moivre

1
 La distribución del número de veces que es demandado el servicio de una grúa
en un taller en un cierto periodo de tiempo tiene una función de densidad:

f ( x ) = K e − c x siendo 0 ≤ x ≤ ∞

Si c es un parámetro conocido del taller ¿qué valor tiene K ? ¿cuál es el número medio
de demanda de servicio esperado? ¿y su desviación típica?
Junio 1999 (A)

SOLUCIÓN

Determinación de K

Basta con imponer que toda la probabilidad valga 1

∞
∞ ∞ e−c x 0 −1 K
f ( x ) dx = Ke −c x
dx = K =K = = 1→ K = c
−∞ 0 −c 0
−c c

con lo que la función de densidad queda:

f ( x ) = c ⋅ e − c x siendo 0 ≤ x ≤ ∞

Esperanza y Varianza

Momento de primer orden:

y
cx= y x=
c
∞
dy dy
α1 = E (ξ ) =
∞
x f ( x ) dx =
∞
x c e − c x dx = dx = = y e− y =
−∞ 0 c 0 c
x=0→ y=0
x=∞→ y=∞
∞
1 1 1 1
= y e − y dy = Γ(2 ) = 1!=
c 0 c c c

2
Momento de segundo orden
y
cx= y x=
c
∞
dy
α 2 = E (ξ 2 ) =
∞ y 2 − y dy
x 2 f ( x ) dx =
∞
x 2 c e − c x dx = dx = = ce =
−∞ 0 c 0 c2 c
x=0→ y=0
x=∞→ y=∞
∞
1 1 1 2
= y 2 e − y dy = Γ(3) = 2 2 != 2
c2 0 c 2
c c

entonces:

2
2 1 1
V (ξ ) = α 2 − α12 = 2
− =
c c c2

1 1
E (ξ ) = V (ξ ) =
c c2

3
 El peso de las unidades de un cierto artículo se distribuye normalmente.
Fabricadas 5000 piezas, 1000 de ellas pesaron menos de 1Kg. y 1250 pesaron mas de 2
Kg. Determinar α y σ 2 de la distribución y calcular la probabilidad de que el peso de
una unidad esté comprendido entre 1,3 y 1,7

Junio 1999 (A)

SOLUCIÓN

Estimando la probabilidad mediante la frecuencia relativa podríamos escribir:

1000 1−α 1−α

P (ξ < 1) = = 0,2 → P ξ * < = 0,2 → ≈ −0,84
5000 σ σ
1250 2 −α 2 −α
P (ξ > 2 ) = = 0,25 → P ξ * > = 0,25 → ≈ 0,67
5000 σ σ

es decir:

1 − α = −0,84 σ
2 − α = 0 ,67 σ
1
1 =1,51σ → σ = = 0,66 → σ 2 = 0,44
1,51
1
α = 2 − 0,67 σ = 2 − 0,67 = 1,56
1,51

nuestra variable es, por tanto:

ξ → N (1,56 ; 0,66 )

La probabilidad pedida vale:

1,3 − 1,56 1,7 − 1,56

P(1,3 < ξ ≤ 1,7 ) = P
0,66
<ξ* ≤
0,66
( )
= P − 0,39 < ξ * ≤ 0,21 =

= F (0,21) − F (− 0,39 ) = 0,5832 − (1 − 0,6517 ) = 0,2349

P (1,3 < ξ ≤ 1,7 ) = 0,2349

4
UNED
Estadística Teórica 1 (Economía)

Junio 1999 (B)

PREGUNTAS TIPO TEST (Junio de 1999 tipo B)

1.- ¿Cuál es la probabilidad de obtener al menos un 3 en dos lanzamientos de un dado?

a) 11/36 b) 3/36 c)1/36 d) 12/36

2.- Dados dos sucesos A y B independientes se verifica que:

a) P(A/B) = P(B/A) b) P(A/B) = P(A).P(B)

c) P(A∩B)=P(A).P(B) d) Ninguna

3.- Dada una función de distribución F, se verifica que:

a) F(-∞) = F(∞) = 0 b) F(-∞) = F(∞) = 1

c) F(-∞) = 0 y F(∞) = 1 d) No están definidos los valores.

4.- La distribución de probabilidad conjunta de las variables ξ y η viene dada por:

P (ξ =1, η =1)= 1/16 P (ξ =1, η =2)= 1/8 P (ξ =1, η =3)= 1/16

P (ξ =2, η =1)= 3/16 P (ξ =2, η =2)= 1/16 P (ξ =2, η =3)= 3/16
P (ξ =3, η =1)= 1/8 P (ξ =3, η =2)= 1/16 P (ξ =3, η =3)= 1/8
¿Cual es la P(η > 3/1,5 ≤ ξ ≤ 3)?.

a) 7/16 b) 7/12 c) 3/5 d) No es cierta ninguna.

5.- Si en una ciudad llueve con probabilidad 0,3 durante los meses de noviembre y
diciembre, el número esperado de días que llueve en esos meses durante una semana es:

a) 0,3 b) 0,9 c) 2,1 d) 1,8

6.- Dada la función de densidad se verifica que:

a) No puede ser mayor que 1 b) Está definida exclusivamente en intervalos acotados

c) Es positiva no nula d) Puede tener algún punto de discontinuidad

7.- Si ϕ (t ) = e it 3−2t es la función característica de la variable aleatoria η. ¿Cuál será la

2

P( η≤ 1,2)?

a) 0,0179 b) 0,1469 c) 0,1841 d) 0,3264

1
 µ4
8.- El coeficiente γ 2 = − 3 mide:
σ4

a) La asimetría. b) La curtosis c) La correlación d) La dispersión

9.- Dadas las variables aleatorias ξ 1 y ξ 2 estadísticamente independientes, el coeficiente

de correlación lineal es tal que:

a) ρ = -1 b) ρ = 1
c) ρ = 0 d) ρ puede tomar cualquier valor entre –1 y 1

10.- El número de pedidos al día de un producto en una empresa que trabaja de lunes a
viernes, es independiente de los realizados cualquier otro día y sigue una distribución
B(1 ; 0,15). En una semana la distribución total de pedidos se distribuye como:

a) B(1 ; 0,15) b) B(5 ; 0,15) c) B(1 ; 0,75) d) B(5 ; 0,75)

2
 En un almacén de materiales de construcción se recibe un pedido de 40 unidades
del material A, 5000 unidades del material B y 12500 unidades del material C. Los
pesos (en Kg.) de las unidades de A, B y C se ajustan a las siguientes distribuciones
normales: A= N (30 ; 3) B= N (2,5 ; 0,3) C= N (0,5 ; 0,1)
El almacén para poder cumplir dicho pedido solo dispone de un camión cuya “carga
máxima” es de 20 Tm. Se pide:
a) Calcular los parámetros de la distribución de la variable “carga máxima”
b) Hallar la probabilidad de que el camión pueda transportar tal pedido realizando
un solo viaje.

Junio 1999 (B)

SOLUCIÓN

a) Para todo el desarrollo del problema debemos tener presente que cualquier
combinación lineal de variables normales independientes es otra normal.

El peso total de las 40 unidades de A será:

X A = X A1 + X A2 + + X A40

donde todos los sumandos son variables N( 30 ; 3) e independientes. Por tanto, su suma
también será Normal con media y varianza:

µ A = E ( X A ) = E ( X A1 + X A2 + + X A 40 ) = E ( X A1 ) + + E ( X A 40 ) = 40 ⋅ 30 = 1200
σ = V ( X A ) = V ( X A1 + X A 2 +
2
A + X A40 ) =↑ V ( X A1 ) + + V ( X A40 ) = 40 ⋅ 32 = 360
Indep .

(
es decir: X A → N 1200 ; 360 )

Análogamente las 5000 unidades de B pesarán:

X B = X B1 + X B 2 + + X B 5000

siendo su media y varianza:

µ B = E ( X B ) = E ( X B1 + X B 2 + + X B 5000 ) = E ( X B1 ) + + E ( X B 5000 ) = 5000 ⋅ 2,5 = 12500

σ = V ( X B ) = V ( X B1 + X B 2 +
2
B + X B 5000 ) =↑ V ( X B1 ) + + V ( X B 5000 ) = 5000 ⋅ 0,32 = 450
Indep .

entonces: (
X B → N 12500 ; 450 )

Por último, el peso de las 12500 unidades del material C vendrá dado por:

X C = X C1 + X C 2 + + X C12500

3
y su media y varianza valen:

µC = E ( X C ) = E ( X C1 + X C 2 + + X C12500 ) = E ( X C1 ) + + E ( X C12500 ) = 12500 ⋅ 0,5 = 6250

σ = V ( X C ) = V ( X C1 + X C 2 +
2
C + X C12500 ) =↑ V ( X C1 ) + + V ( X C12500 ) = 12500 ⋅ 0,12 = 125
Indep .

(
es decir: X C → N 6250 ; 125 )

El peso total de la carga es entonces:

X = X A + X B + XC

que al ser, de nuevo, una combinación lineal de normales independientes también será
normal con media:

E ( X ) = E ( X A + X B + X C ) = E ( X A ) + E ( X B ) + E ( X C ) = 1200 + 12500 + 6250 = 19950

y varianza:

V ( X ) = V ( X A + X B + X C ) =↑ V ( X A ) + V ( X B ) + V ( X C ) = 360 + 450 + 125 = 935

Indep.

Definitivamente:

(
X → N 19950 ; 935 )

b) La probabilidad de que el camión pueda transportar el pedido, teniendo en cuenta que

soporta una carga máxima de 20 Tm.= 20000 Kg. es:

20000 − 19950
P ( X ≤ 20000 ) =↑ P X* ≤ (
= P X * ≤ 1,64 = 0,9495 )
Tipificand o 935

P ( X ≤ 20000) = 0,9495

4
 El número de personas que asisten diariamente a un espectáculo es una variable
aleatoria de la que se desconoce su distribución. Ahora bien, se sabe que el número
medio de asistentes por día es de 400, con una desviación típica de 10. ¿Cuántas sillas
se deben preparar para tener una probabilidad de 0,75 o más de que las personas que
asistan puedan sentarse?
Junio 1999 (B)

SOLUCIÓN

Al no conocer la distribución de probabilidad de la variable, tendremos que recurrir al

teorema de Chevichev que, en una de sus formas dice que:

σ2
P (µ − k < ξ < µ + k ) ≥ 1 −
k2

En nuestro caso:

µ = E (ξ ) = 400 σ = V (ξ ) = 10

y si queremos que la probabilidad sea, al menos, de 0,75 debería cumplirse:

σ2 10 2 100
1− = 1− = 0,75 → 2 = 0,25 → k 2 = 400 → k = 20
k2 k 2
k

con lo que nos queda:

P (400 − 20 < ξ < 400 + 20) ≥ 0,75 → P (380 < ξ < 420) ≥ 0,75

Es decir: al menos el 75% de los días el número de asistentes estará comprendido entre
380 y 420. Por tanto, si preparamos 420 sillas podremos sentar, con la probabilidad
pedida, al total de asistentes.

5
UNED
Estadística Teórica 1 (Economía)

Junio 1999 (Reserva)

PREGUNTAS TIPO TEST (Junio de 1999 Reserva)

1.- Se dice que dos sucesos A y B son independientes si se verifica:

a) P ( A / B ) = P ( B ) b) P ( A / B ) = P ( A ∩ B )
c) P ( A / B ) = P ( A ) ⋅ P ( B ) d) P ( A / B ) = P ( A)

2.- Se lanzan dos dados al azar. ¿Cuál es la probabilidad de que el número de puntos
obtenidos sume 7?

a) 5/36 b) 4/36 c) 6/36 d) No es ninguna de las anteriores

3.- Dada una variable aleatoria bidimensional, donde las variables son estadísticamente
independientes, el momento de orden (1,1) respecto al origen es:

x y +∞ +∞ +∞ +∞
a) x y f1 ( x ) f 2 ( y ) dx dy b) x f1 ( x ) dx + y f 2 ( y ) dy
−∞ −∞ −∞ −∞ −∞ −∞

+∞ +∞ x y x y
c) x y f1 ( x ) f 2 ( y ) dx dy d) x f1 ( x ) dx + y f 2 ( y ) dy
−∞ −∞ −∞ −∞ −∞ −∞

4.- El campo de variación de una variable que sigue una distribución Binomial es:

a) - ∞ a + ∞ b) 0 a n c) 0 a ∞ d) Ninguna de las anteriores

5.- Un profesional liberal tiene unos ingresos anuales de 3,2 u.m. (unidades monetarias)
de media y una desviación típica de 0,2 u.m. La cota superior de la probabilidad del
suceso “este año ingresará menos de 2,8 u.m. será:

a) 1/2 b) 1/4 c) 1/8 d) 1/6

6.- Sea η una variable aleatoria N (-3 ; 1) ¿cuál es el valor de x si P(η ≤ -x) = 0,20?

a) 0,084 b) 3,84 c) –0,84 d) –3,84

7.- Dadas dos variables aleatorias normales e independientes: η1 = N ( 5;1) y

η2 = N ( 9;3) ¿Qué distribución sigue la variable λ = 2η1 − 13 η2 ?

a) N 7; 5( ) b) N ( 7 ; 3 ) (
c) N 5; 3 ) d) Ninguna
1
8.- El coeficiente de determinación lineal puede tomar valores de:

a) –1 a +1 b) 0 a ∞ c) 0 a 1 d) - ∞ a +∞

9.- El tiempo de duración de un sistema automático sigue una distribución dada por la
función de densidad f ( x ) = e − x si x ≥ 0 . Su función generatriz de momentos será:

a) g ( t ) = e− t si t <1 b) g ( t ) = 1 si t <1
e−t
c) g ( t ) = 1 − t si t <1 d) g ( t ) = 1 si t <1
(1 − t )

10.- El coeficiente de correlación es:

a) Invariante ante cambios de origen b) Invariante ante cambios de escala

c) Invariante ante cambios de escala y origen d) Ninguna de las anteriores

(Nota: los cambios de escala no afectan al valor del coeficiente de correlación pero si a
su signo)

2
 La demanda de un cierto producto por unidad de tiempo se distribuye con
función de densidad:
f ( x ) = e− x si x ≥ 0

El aprovisionamiento del producto para satisfacer la demanda se hace al principio de

cada unidad de tiempo considerada. La venta de una cantidad x produce una ganancia ax
y el sobrante z que hay al principio de cada unidad de tiempo procedente de la anterior
no es utilizable por lo que produce una pérdida bz. Hállese la cantidad conveniente de
aprovisionamiento por unidad de tiempo para que la ganancia sea máxima.

Junio 1999 (R)

SOLUCIÓN

Llamemos C a la cantidad que compramos para atender la demanda. Es obvio que si la

demanda real es superior a esa cantidad la venderemos totalmente y todo serán
beneficios de valor B = a C . La probabilidad de que eso suceda es:

∞ ∞ ∞
P( X ≥ C) = f ( x ) dx = e − x dx = −e − x = −e−∞ + e− C = e − C
C C C

La cosa se complica si la demanda es inferior a nuestro aprovisionamiento. En ese caso

nuestro beneficio dependerá de la cantidad realmente demandada y valdrá:

B ( x ) = a X − b (C − X ) = ( a + b ) X − b C

por tanto la variable beneficio es una variable mixta cuyo valor esperado será:

C C
E ( B) = B ( x ) f ( x ) dx + Bi Pi = ( a + b ) x − bC ⋅ e − x dx + aC ⋅ e − C =
0 0
∀i parte discreta
parte continua parte continua
parte discreta
C C
= (a + b) x e − x dx − bC e − x dx + aC ⋅ e − C
0 0

calculemos las integrales:

C C
e − x dx = −e − x = −e − C + 1
0 0

integrando por partes:

C u = x → du = dx C C C
x e− x dx = −x −x
= − x e− x + e − x dx = −Ce − C + −e − x =
0 dv = e dx → v = −e 0 0 0

= −Ce − C − e − C + 1

3
con lo que queda definitivamente:

E ( B ) = ( a + b ) ( −Ce − C − e − C + 1) − bC ( −e −C + 1) + aCe− C =
= −aCe − C − ae − C + a − bCe− C − be − C + b + bCe − C − bC + aCe − C =
= −ae − C + a − be − C + b − bC = ( a + b ) − bC − ( a + b ) e −C

El valor de C que maximiza esta expresión es lo obtenemos derivando respecto de C e

igualando la derivada a cero:

∂E ( B ) b b
= −b − ( a + b ) ( −e− C ) = −b + ( a + b ) e − C = 0 → e −C = → −C = ln
∂C a+b a+b
b a+b
C = − ln = ln
a+b b

Por tanto, el aprovisionamiento óptimo para maximizar el beneficio esperado es:

a+b
C = ln
b

4
Sea una variable aleatoria bidimensional con la siguiente distribución de probabilidad
conjunta:

1 1
P (ξ = 1;η = −1) = ; P (ξ = 1;η = 1) = ;
6 3
1 1
P (ξ = 2;η = −1) = ; P (ξ = 2;η = 1) = ;
12 4
1 1
P (ξ = 3;η = −1) = ; P (ξ = 3;η = 1) = ;
12 12

Se pide:

1º) Ver si son independientes.

2º) Hallar la E ( ξ ) y la E ( η )
3º) La V ( ξ ) y la V ( η )
4º) P ( ξ ≤ 2 ; η <0 )
5º) P ( ξ ≥ 2)
6º) hallar ρ
Junio 1999 (R)

SOLUCIÓN

Por comodidad, presentaremos la distribución en forma de tabla de correlación. En ella

hemos calculado las cuantías de probabilidad marginales:

Pi = Pi j Pj = Pi j
∀j ∀i

η = yj
ξ = xi \ -1 1 Pi

1 1 1
1
6 3 2
1 1 1
2
12 4 3
1 1 1
3
12 12 6
1 2
Pj
3 3

5
Independencia:

La condición necesaria y suficiente de independencia es que: Pi j = Pi ⋅ P j ∀i, j

Comprobémosla punto a punto:

1 1
P11 = P12 =
6 3
se cumple la condicion se cumple la condicion
1 1 1 1 2 1
P1 ⋅ P1 = ⋅ = P1 ⋅ P 2 = ⋅ =
2 3 6 2 3 3
1
P21 =
12
no se cumple la condicion
1 1 1
P2 ⋅ P1 = ⋅ =
3 3 9

La condición debería cumplirse en todos los puntos. Las variables, por tanto, no son
independientes.

Momentos:

En la tabla hemos efectuado los cálculos necesarios para hallar los momentos :

η = yj
ξ = xi \ -1 1 Pi xi Pi xi2 Pi

1 1
1 1 1
1 6 3
−1 1
2 2 2
6 3

1 1
1 2 4
2 12 4
−1 1
3 3 3
6 2

1 1
1 1 3
3 12 12
−1 1
6 2 2
4 4

1 2 5 10
Pj 1
3 3 3 3
1 2 1
yjP j −
3 3 3
1 2
y 2j P j 1
3 3
6
Los momentos respecto al origen valen:

5 1
α10 = E (ξ ) = xi Pi = α 01 = E (η ) = yj P j =
∀i 3 ∀j 3
10
α 20 = E (ξ 2 ) = xi2 Pi = α 02 = E (η 2 ) = y 2j P j = 1
∀i 3 ∀j

1
α11 = E (ξ ⋅η ) = xi y j Pij =
∀i ∀j 2

y los respecto a la media son:

2 2
10 5 5 1 8
µ20 = α 20 − α = −
2
10 = µ02 = α 02 − α = 1 − 2
01 =
3 3 9 3 9
1 5 1 1
µ11 = α11 − α10α 01 = − ⋅ = −
2 3 3 18

Ahora ya podemos contestar a las preguntas 2ª y 3ª (medias y varianzas marginales)

5 1
E (ξ ) = α10 = E (η ) = α 01 =
3 3
5 8
V (ξ ) = µ 20 = V (η ) = µ 02 =
9 9

y también a la 6ª (coeficiente de correlación lineal)

1
−
µ11 18 = − 1 = −0, 079
ρ= =
µ 20 µ02 5 8 2 40
9 9

resultado que indica correlación inversa muy débil.

7
Probabilidades:

P ( ξ ≤ 2 ; η <0 )

Los puntos que cumplen la condición son los sombreados en la tabla:

η = yj
ξ = xi \ -1 1 Pi

1 1 1
1
6 3 2
1 1 1
2
12 4 3
1 1 1
3
12 12 6
1 2
Pj
3 3

es decir:

1 1 1
P (ξ ≤ 2;η < 0 ) = P (ξ = 1;η = −1) + P (ξ = 2;η = −1) = + =
6 12 4

P (ξ ≥ 2 )

Esta probabilidad podemos calcularla fijándonos en la distribución marginal:

η = yj
ξ = xi \ -1 1 Pi

1 1 1
1
6 3 2
1 1 1
2
12 4 3
1 1 1
3
12 12 6
1 2
Pj
3 3

es decir:

1 1 1
P (ξ ≥ 2 ) = P (ξ = 2 ) + P (ξ = 3 ) = + =
3 6 2

8
 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2011. 1ª SEMANA

Algunas aclaraciones.-
 52  13 4 ·4!
3.- Casos posibles:   ; Casos favorables: 134. Probabilidad = = 0,1055
4 52·51·50·49
4.- La variable ξ+η = 0, constante.
∞
1 ∞ 3 −x
x e dx = Γ(4 ) = = 3
∫ ∫
1 3 −x 1 3!
6.- x e dx =
0 2 2 0 2 2
10.- Por ejemplo, extraemos sucesivamente dos cartas de una baraja. Sea A = “la 1ª es de
oros” y B= “la 2ª es de oros”. Obviamente A y B son compatibles. Si el experimento se hace con
reemplazamiento, son independientes y si se hace sin reemplazamiento, son dependientes.

−1/2− Junio 2011. 1ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

EJERCICIOS

Solución.-
a) La variable ξ1+ξ2+ξ3 es normal con media 30, luego P(ξ1+ξ2+ξ3 > 30) = 0,5
b) La variable ξ1−ξ2+ξ3 es normal con media 10 y desviación típica 4 + 9 + 12 = 5 , luego
P(ξ1−ξ2+ξ3 > 30) = (tipificando) = P(Z > 4) ≅ 0.
c) La suma η de las cuatro variables aleatorias que representen las ventas respectivas de
coches de la segunda marca en cada tienda es normal N(40, 6), luego P(34 < η < 40) = (tipificando)
= P(−1 < Z < 1) = (tablas) = 0,6826.

Solución.-
Representaremos los sucesos: E = “el alumno elegido es excelente”; B = “el alumno elegido
es bueno”; M = “el alumno elegido es mediano”; I = “la calificación del examen es insuficiente”;
S = “la calificación del examen es suficiente”; Sb = “la calificación del examen es sobresaliente”.
Las probabilidades de los sucesos condicionados que se dan en el ejercicio son: P(Sb/E) = 1;
1 1
P(Sb/B) = P(N/B) = ; P(N/M) = P(S/M) = P(I/M) = .
2 3
Entonces, aplicando el teorema de la probabilidad total tenemos:
a b c 1 3a + 3b + c
P(N∪Sb) = P(E)· P(N∪Sb/E)+ P(B)· P(N∪Sb/B)+ P(M)· P(N∪Sb/M) = ·1 + ·1 + · =
N N N3 3N

−2/2− Junio 2011. 1ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2011. 2ª SEMANA

Algunas aclaraciones.-
13 4 ·4!
= 0,09375
4 4
2.- Casos posibles: VR52,4 = 52 ; Casos favorables: 13 ·4!. Probabilidad =
52 4
4.- La función característica corresponde a la de una distribución geométrica G(0,3).
5.- Usaremos la desigualdad de Markov para hallar una cota inferior de la probabilidad
1
pedida: P[ξ ≤ 3] = 1 − P[ξ > 3] ≥ (desigualdad de Markov) ≥ 1 − ≅ 0,67
3
( )
6.- Al ser ξ y η independientes, ξ + η será normal N 3, 5 , luego P(ξ + η > 3) =
1
2

−1/3− Junio 2011. 2ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

EJERCICIOS

Solución.-
El valor de k buscado será el que maximice la probabilidad de que ξ varíe entre 1 y 3. Se
tiene:
P(k) = P[1 ≤ ξ ≤ 3] = ∫
3

1
[
ke − kx dx = − e − kx ] 3
1 = e − k − e −3k
Derivando respecto de k e igualando a cero:
1 1
P’(k) = −e−k + 3e−3k = 0 ⇒ e−2k = ⇒ k = ln3
3 2
1  1 3
Puesto que P’’(k) = e−k − 9e−3k y P’’  ln 3  = − < 0 , el valor de k obtenido maximiza
2  3 3
P(k).

Solución.-
Representaremos los sucesos: E = “el alumno elegido es excelente”; B = “el alumno elegido
es bueno”; M = “el alumno elegido es mediano”; I = “la calificación del examen es insuficiente”;
S = “la calificación del examen es suficiente” (y S el suceso contrario que, para un alumno mediano
significa obtener Notable o Insuficiente); Sb = “la calificación del examen es sobresaliente”.
Pondremos también X = “la calificación del examen es notable o sobresaliente” (única posible para
los alumnos buenos).
Las probabilidades de los sucesos condicionados que se dan en el ejercicio son: P(Sb/E) = 1;
1 1
P(Sb/B) = P(N/B) = ; P(N/M) = P(S/M) = P(I/M) = .
2 3
Resolveremos el ejercicio aplicando el teorema de la probabilidad total para lo que
construimos la tabla:

Resultado del examen

Suceso y Probabilidades
(admitiendo solamente Sb, N o I)
probabilidad parciales
y probabilidad
MMM
5 5
 
SSS   3

 3 3  3  · 2  = 2
2  
 10     10   3  81
  3  
3 3

−2/3− Junio 2011. 2ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

MME  5  2 
 5  2  S SS b    2
    2  1  · 2  ·1 = 2
 2  1  2  
2 10   3  27
10    ·1  
  3 3
3
MMB
 5  3   5  3 
  
S SX    2

 2  1  2  2  1  · 2  ·1 = 1
2  
10    ·1 10   3  9
  3  
3 3
MEE
 5  2   5  2 
  
SS b S b   
 1  2   1  2  · 2 ·12 = 1
2 2
10  ·1 10  3 36
  3  
3  3

MBB
 5  3   5  3 
   S XX   
 1  2   1  2  · 2 ·12 = 1
2 2
10 
·1 10  3 12
  3  
3 3
MEB
 5  3  2   5  3  2 
   
SS b X    
 1  1  1   1  1  1  · 2 ·1·1 = 1
2
10  ·1·1 10  3 6
  3  
3  
3

EEB
  3   2  3 
2
     
 2  1 
SbSb X  2  1  ·13 = 1
10  13 10  40
   
3 3
EBB
 2  3   2  3 
     
 1  2 
S b XX  1  2  ·13 = 1
10  13 10  20
   
3  3

BBB
 3  3
   
 3 XXX  3  ·13 = 1
 10 
13 10  120
   
3 3
185
Probabilidad Total = 0,57099
324

−3/3− Junio 2011. 2ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. SEPTIEMBRE 2011

Algunas aclaraciones.-
 3  6 
  
9  3  6 
7.- Casos posibles   ; casos favorables:  ·  ; probabilidad =    
1 5 3
 0,21
 
6   
1 5  9  14
 
 6
8.- Por ejemplo, sea la variable aleatoria discreta  = {1, 2, 3} tal que P(=1) = 0,3, P(=2) =
= 0,6 y P(=3) = 0,1. Se tiene que Mo = Me = 2, pero E() = 1,8 y no es simétrica.
10.- Si P(A) ≠ 0 y P(B) ≠ 0, entonces A y B son dependientes pero si P(A) = 0 y
P(B) = 0, entonces A y B son independientes.

–1/3– Septiembre 2011

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

EJERCICIOS

Solución.-
ab
Sea  la variable aleatoria “ventas mensuales”. Se tiene que E() = = 8 y
2
ba
DT() = = 3, de donde se obtiene que a = 8  3 3 y b = 8  3 3 . Luego la función de
2 3
 1
 , 83 3  x 83 3
densidad f(x) =  6 3 . La probabilidad de cierre será:

0, en el resto
1 3 3

9
1
P( < 9) = dx   0,59623
8 3 3 6 3 6 3

Solución.-
x1

 
2 2
x1
dx 2dx1  k dx1  k , luego k = 1. Se tiene entonces:
2
Debe ser 1 = k
0 0 0 2
x1

dx1  x12 0 
 
2 2
x1 1 2
dx 2dx1 
3 2
a) P(1 ≥ 32) =
0 0 0 3 6 3

b) Determinemos en primer lugar la función de densidad de la variable  = 1 – 2. Para ello,

x 1 x 1
 u  x  x  x  v v  0 1  1 , luego f(u, v) = 1,
llamemos:  1 2
↔ 1 . El Jacobiano: u
v  x 1 x 2  v  u x 2 x 2  1 1
u u
0  v  2 0  v  2
 
con las condiciones 0  v  u  1  u  v  1  u . Gráficamente:
2 v  2 u  v  v  2u
 

Luego la función de densidad de :

–2/3– Septiembre 2011

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

 2u

 udv, 0  u  1
 2 u , 0  u  1
 

f  (u )   dv, 1  u  2  2  u, 1  u  2
u 0, en el resto
0, en el resto 


 2  u du  2 , se
2
1
Pero, teniendo en cuenta la condición de que  ≥ 1, y como P[ ≥ 1] =
1

2u
tendrá que f/≥1(u) = = 4 – 2u, 1 < u ≤ 2.
1/ 2

–3/3– Septiembre 2011

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2012. 2ª SEMANA TIPO A

Algunas aclaraciones.-
1.- La única posibilidad de obtener una suma igual a 13 es con 2 “doses” y 3 “treses”. La
 5
variable  = “nº de treses” es binomial B(5; 0,4) y hay que calcular P( = 2) =  0,43·0,6 2 = 0,2304.
 3
2.- Del diagrama se deduce que P(A)  PA  B  PA  B  A B

= PB·PA / B  P(B)·P(A / B) , de donde: 𝐴 ∩ 𝐵 AB

–1/3– Junio 2012 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

P(A)  P(B)·P(A / B) 0,34  0,4·0,82

PA / B   
PB 
= 0,02
0,6
5.- Es la desigualdad de Schwarz.
9.- Por eliminación: a) y b) no cumplen la condición de que la media es el triple de la
desviación típica; c) no puede ser porque si  = 2,4 entonces P(≤4) > 0,5
10.- La variable 4–1/2 es t16.

Solución.-
Sea  = “peso de una unidad del producto”. Se tiene:
1º) Un producto se rechazará en el proceso de envasado si –E()≥ P y se quiere que
2
P[–E()≥ P] ≤ 0,1. De la desigualdad de Schwarz, P[–E()≥ P] ≤ 2 , luego bastará que
P
 2
 0,5
2
≤ 0,1  P    1,58.
P 0,1 0,1
2º) El porcentaje correspondiente será:
 1,58 
100· P[–E()≥ 1,58] = (tipificando) = 100· P  Z   = 100·P[Z≥ 3,16] =
 0,5 
= 100[P(Z ≤–3,16) + P(Z ≥ 3,16)] = 100·2·0,0008 = 0,16 %.

Solución.-
Para poder calcular la covarianza y el coeficiente de correlación,  y  deben ser variables
aleatorias. Así pues, pondremos  = “nº de bolas rojas en la 1ª extracción” y  = “nº de bolas rojas
en la 2ª extracción”. Tenemos entonces:
1º y 2º) La distribución de probabilidad de la variable (, ) y la marginal de  se recogen en
la siguiente tabla:
 Distribución de probabilidad
1 0 conjunta de (, )

54 5 5
1 · 
9 8 18 18
5 3
0
18 18
Distribución de probabilidad
10 8 marginal de 
p·j
18 18

–2/3– Junio 2012 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

3º) Calculamos ahora E() , E() y E(·):


1 0 pi· i·pi· ijpij

5 5 10 10 5
1 0
18 18 18 18 18
5 3 8
0 0 0 0
18 18 18
10 8 10
p·j
18 18 18
10 10
i·p·j 0
18 18

10 10 5
De donde se deduce: E() = , E() = y E(·) = . Así pues:
18 18 18
5 10 10  2,5
Cov(·) = – · =
18 18 18 81
4º) Observemos que E(2) = E() y que E(2) = E(). Luego se tiene que 2 = 2 =
 2,5
 2,5
2
10  10  20 2 5
= –  =   =  = . Así pues   81   –0,125
18  18  81 9 20 20
81

–3/3– Junio 2012 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2012. TIPO A

–1/3– Junio 2012 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Algunas aclaraciones.-
1  x,  a  x  0
 1  x dx   1  x dx  (resueltas)
0 a
1.- f(x) =  . Debe ser 1 = =
1  x, 0  x  a a 0

= 2a – a2  a2–2a + 1 = 0  a = 1.
2.- Sea por ejemplo A el primero en jugar. La probabilidad de que gane es:
2 322 3
P[A blanca] + P[A negra  B negra  A blanca] =  · · 
5 543 5
3.- No es necesario realizar ningún cálculo. Las respuestas a) y c) no pueden ser ciertas
porque a tiene que ser positivo para que P[<a ] = 0,9398. La respuesta b) tampoco puede ser
cierta porque en una normal N(2, 2), P[< 1,55 ] es menor que 0,5.
4.-  = “Beneficio anual”  P[ > 70] = P[–50 > 20] < P[–50> 20] < (desigualdad de
100 1
Chebychev) <  .
400 4
Nota.- Se ha supuesto que se pregunta por la probabilidad del “beneficio” de este año de
crisis, no del “beneficio medio”
 6 
casos posibles     20 
3  12 3
5.- P  
 4  20 5
casos favorables     12
 2 
1

6.- Derivando sucesivamente la función característica t   e

 t2
2
, obtenemos:

  1  t e  t  t e  3t  t e
1 1 1 1 1 1 1

' t    te ; ' ' t   e ; ' ' ' t   2te

 t2  t2  t2  t2  t2  t2  t2
2 2
t e
2 2 2 2 2 3 2 3 2
;
IV 0
 IV t   3  3t 2 e   3t 2  3t 4 e . De aquí, E   4  3
1 1
 t2  t2
2 2 4

i
7.- P[ > 0] = 1.

Solución.-
Sean los sucesos A = “Elegir la urna A”; B = “elegir la urna B”; C = “la 1ª bola elegida
corresponde a un tema dominado”; D = “la 2ª bola elegida corresponde a un tema dominado”. Si ha
ocurrido C, para aprobar es necesario y suficiente que ocurra D, es decir, se pide la probabilidad
24 34
P(D/C). Se sabe que P[(D/C)/A] = y P[(D/C)/B] = , luego, por el teorema de la probabilidad
49 49
total:

–2/3– Junio 2012 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

1 24 1 34 29
P(D/C) = ·  ·  .
2 49 2 49 49

Solución.-
Representemos por Z la variable normal N(0,1)
 
 2  1
a) P[ > 2] = P  Z 
1 
= P[Z > 2] = (tablas) = 0,0228

 2 
b) La variable  =”nº de estudiantes que invierten más de dos horas” es binomial
B(400; 0,0228), cuya  = np = 9,12 y  = 9,12·0,9772  2,9853 , luego  es aproximadamente
 2  9,12 
normal N(9,12; 2,99). Así pues, P[ ≤ 2] = P  Z  = P[Z < –2,38] = (tablas) = 0,0087.
 2,99 

–3/3– Junio 2012 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. SEPTIEMBRE 2012

EJERCICIOS TIPO TEST

–1/3– Septiembre 2012

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Algunas aclaraciones.-
D 72

1 1 D 7

1.- Obtenemos en primer lugar que debe ser k = , luego 0,7  xdx   D 7  4 0,7  3,35 .
8 8 0 16
2.- La variable  es geométrica de parámetros p = 0,3 y q = 0,7, luego P(=2) = 0,72·0,3 = 0,147
P(A  B)
3.- Sean A y B los sucesos “par” e “impar” respectivamente. Entonces P(A/B)  0
P(B)
P(A), luego A y B no son independientes y por tanto serán dependientes.
4.- Sea  el saldo. Entonces P[ < 280] = P[–320 < –40] = P[320– > 40] ≤ P[|320–| > 40] ≤
400 1
≤ (desigualdad de Chebichev) ≤ 
1600 4
6.- El intervalo [np–q, np+q] = [3,25 ; 4,25] sólo contiene al número entero 4, que es la moda.
7.- Obtenemos que Var[1–22] = Var[1] – 4Cov[1,2] + 4 Var[2], de donde Cov[1,2] =
1  16  10 7 1,75
=  = 1,75, luego  =  0,875.
4 4 1·2
   
9.- P   0  P  0  (tipificando) = P  Z    , que depende de .
   
10.- Para poder aplicar el teorema de Lindeberg-Levy hay que suponer que la varianza V[n] = 2
sea finita.

PROBLEMAS

Solución.-
Hallemos la probabilidad del suceso contrario, que es: que en las 10 primeras jugadas se
produzcan empates, o que uno de los jugadores gane una partida y empaten las otras 9, o bien que
cada uno de los dos jugadores gane una partida y empaten las otras 8. La probabilidad de este
10 9 2 8
9 1 9  1  9
suceso es:    2· ·       ·V10, 2  0,833, luego la probabilidad pedida es
 10  20  10   20   10 
1 – 0,833 = 0,167.

–2/3– Septiembre 2012

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Solución.-
a) Sea V la variable aleatoria “ventas diarias”. Se tiene:
 1000    1000  
0,2 = P[V > 1000] = (tipificando) = P  Z    (tablas)   0,84
   
 800    800  
0,3 = P[V > 800] = (tipificando) = P  Z    (tablas)   0,52
   
Resolviendo el sistema obtenemos que  = 475 y  = 625 de donde 2 = 390625.
b) Calculemos primeramente E(V2) . Sabemos que 2 = E(V2) – E(V)2  E(V2) =
= 2 + E(V)2 = 2 + 2 = 390625 + 4752 = 616250. Luego:
E(C) = 350 + E(V) – 0,00015E(V2) = 350 + 475 – 0,00015· 616250 = 732,5625
c) No podemos concluir que la distribución de ventas anuales sea normal ya que, al no ser
independientes las ventas diarias (la venta de algunos sábados viene condicionada por la del
viernes), es imposible aplicar el teorema de Lindeberg-Lévy. Por otra parte hemos comprobado que
el coste medio diario es muy superior a las ventas medias diarias. Para que las ventas superen al
coste (V > 350 + V – 0,00015V2 ), debe ser V > 1527,52 que es muy improbable (P[V > 1527,52] =
= 0,0460). Se trata de un negocio deficitario.

–3/3– Septiembre 2012

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. SEPTIEMBRE 2012. EXAMEN DE RESERVA

EJERCICIOS TIPO TEST

–1/4– Septiembre 2012. Reserva

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Algunas aclaraciones.-
2.- La respuesta sería a si 1 y 2 fuesen independientes.
Cov(, )          2   1  
2 2 2 2
3.-    Cov(,) =  , luego Var 
2
 
2  2  4 2
1

1
1
5.- Sería E   dx , que es una integral divergente.
 0 x

 k 4
6.- La variable  será normal N(–4, 3), luego 0,25 = P( ≤ –k) = P Z   (tablas)
 3 
k4
 = –0,67  k = 6,01
3
16
7.- Casos posibles 41 y casos favorables 16, luego la probabilidad es
41


2 2

8.- P  x  
xy x 4 x 5x x
   
y 1
30 30 30 30 6

  3x  3ydydx  3k  k =
1 1
1
9.- Calculamos primeramente k: 1 = k . Luego las funciones
0 0 3

 
1 1 1
de densidad marginales: f1(x) = 3x  3ydy  x  1 ; f2(y) = 1 3x  3ydx  y  1 . Se verifica
3 0 2 3 0 2
que f(x,y) f1(x)·f2(y).
 

 
1 i 1
10.- n carece de esperanza. En efecto: E[n] = i 1
·2  = .
n 1
2 n 1
2

–2/4– Septiembre 2012. Reserva

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PROBLEMAS.-

Solución.-
3
9
Casos posibles:  
3
 9  6  3 
Casos favorables al espectador A:     .
 3  3  3 
 9  6  3 
   
Luego la probabilidad de que A tenga razón es   3  
3 3 3 5
9 1764
 
3
· 100   –99,43 € y la de B
5 1759
Por tanto, la esperanza de A será: ·100 
1764 1764
· 100  
5 1759
·100  99,43 €.
1764 1764

Solución.-
Por coherencia con los datos del problema interpretaremos que los resultados no se han
puntuado de 0 a 100, si no de 0 a 1000.
 x  550 
a) Sea  la variable “nota”. Escribamos 0,25 = P[ ≥ x] =(tipificando) = P  Z  
 100 
x  550
 (tablas)   0,67  x = 617.
100
 400  550 450  550 
b) Calculamos P[400 ≤  ≤ 450] = P  Z = P[–1,5 ≤ Z ≤ –1] =
 100 100 
= (tablas) = 0,1587 – 0,0668 = 0,0919. Si N es el total de aspirantes se tendrá que
350
N·0,0919  350  N   3808. Luego el número de personas que han obtenido entre 620 y
0,0919
–3/4– Septiembre 2012. Reserva
 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

 620  550 740  550 

740 puntos será: 3808·P[620 ≤  ≤ 740] =
3808· P  Z =
 100 100 
= 3808·P[0,7 ≤ Z ≤ 1,9] = (tablas) = 3808·(0,2420 – 0,0287) = 3808·0,2133  812.
c) 3808 personas según se ha calculado en el apartado anterior.

–4/4– Septiembre 2012. Reserva

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
https://www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]
PRUEBA PRESENCIAL. JUNIO 2013. SEGUNDA SEMANA. TIPO A

–1/3– Junio 2013 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
https://www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]
Algunas aclaraciones.-

   
x y x 1
2.- Para y ≥1  F(x,y) = 1dx 1dy  1dx 1dy  x
  0 0

4.- Se trata de una variable geométrica donde p = 0,25·0,1 = 0,025 y q = 0,975. Luego su
q 0,975
valor esperado es   39
p 0,025

10.- Si A y B están ambos contenidos en C de forma que 0 < P(A) < P(C) y 0 < P(B) < P(C),
no se cumple ninguno de los tres apartados a, b y c. Por ejemplo, elegimos aleatoriamente un
número del conjunto E = {1, 2, 3, 4, 5, 6}. Consideremos los sucesos A = {1, 2, 3}, B = {3, 4},
1 1 1
C = {1, 2, 3, 4, 5}. A y B son independientes pues P(A) = , P(B) = y P(AB) = . Se tiene
2 3 6
3 2 1
que P(A/C) = ; P(B/C) = y P(AB/C) =
5 5 5

Solución.-

Probabilidad de que ningún proyectil dé en el blanco: (1–p)n  no se incendia

se incendia con probabilidad : npq(1  p) n 1

Probabilidad de que un proyectil dé en el blanco: np(1–p)n–1 
no se incendia con probabilidad : np(1  q)(1  p) n 1

Probabilidad de que dos o más proyectiles den en el blanco: 1–(1–p)n – np(1–p)n–1  se incendia.

Así pues, la probabilidad de que el depósito se incendie es:

npq(1–p)n–1 + 1 – (1–p)n – np(1–p)n–1

Y la probabilidad de que el depósito no se incendie:

(1–p)n + np(1–p)n–1(1–q)

Así pues E[] = 0·[(1–p)n + np(1–p)n–1(1–q)] + 50·[ npq(1–p)n–1 + 1 – (1–p)n – np(1–p)n–1] =

=50·[ npq(1–p)n–1 + 1 – (1–p)n – np(1–p)n–1].

Para n = 5, p = 0,6 y q = 0,7, se obtiene una probabilidad de que el depósito se incendie de 0,96672 y
E[] = 48,336.

–2/3– Junio 2013 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
https://www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

Solución.-

1
Sea  el error de una operación que se distribuye normal N(0, ). Se sabe que = P(||<10–5) =
2
  10 5  10 5 10 5
= (tipificando) = P   y de las tablas se obtiene:
  0,67    .
     0,67

a) Supuesto que los errores se sumen, el error del resultado final, 106, se distribuirá normal
 10 2 
N(0, 103) = N 0,    x 
 , luego 0,99 = P 106   x = (tipificando) = P Z  2 ·0,67  y de las tablas
 0,67   10 
x
se obtiene que ·0,67  2,57 de donde x  0,03836.
10 2

b) Ahora 1010, se distribuirá normal N(0, 105) = N 0,

 1 

 , luego 0,99 = P 1010   x = 
 0,67 
= (tipificando) = P Z  0,67x   0,67x = 2,57 de donde x  3,836.

–3/3– Junio 2013 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2013. TIPO A

–1/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

Algunas aclaraciones.-

1.- Casos posibles P5 = 5! = 120; Casos favorables: A puede sentarse en 5 sillas distintas con
B a su derecha. Análogamente B puede sentarse en 5 sillas distintas con A a su derecha. Para cada
una de estas 10 posibilidades, los otros 3 compañeros pueden sentarse de P3 formas. Total: 2·5·P3 =
60 1
= 60; Probabilidad =  .
120 2

3.-

 1
4.- P(>)= 2 
x
e ( 2 x  y ) dydx 
0 0 3

5.- Sea  la venta diaria. P( ≥ 225) = 1 – P( < 225) = 1 – P( – 200 < 25) ≤
400
≤ 1 – P(|–200| < 25) ≤ (Desigualdad de Chebichev) ≤ 1 – 1 + = 0,64
625

6.- El teorema de Lindeberg-Levy se verifica porque las variables son independientes,

 
idénticamente distribuidas y E(n) = 
i
2 i
  
y E  2n 
i2
2i
son series convergentes (como se puede
i 1 i 1

comprobar aplicando el criterio de D’Alembert), luego existen  y 2 finitas.

8.- Se obtiene a = 0,54

10   4  6 
9.- Casos posibles:   ; Casos favorables:   
4  1  3 

10.-  es binomial B(10; 0,4) y la moda está en el intervalo [np–q, np+p] = [3,4; 4,4]

–2/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

Solución.-

k
 
Probabilidad de elegir una bola con dos temas conocidos:  
2
 2n 
 
 2

k ( 2n  k )
Probabilidad de elegir una bola con un tema conocido y otro no: . Supuesto este
 2n 
 
2
k 1
caso, la probabilidad de que el tribunal elija un tema conocido por el opositor es . Así pues:
2n  2

k
 
k ( 2n  k ) k  1
a) Probabilidad de superar la prueba:   +
2
·
 2n   2n  2n  2
   
 2 2

b) La esperanza del juego sería:

 k   k   k 

           
  2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1 
1000  ·  10001   · = 2000  ·  1000
 2n   2n  2n  2   2n   2n  2n  2   2n   2n  2n  2 
               
 2    2   2  
  2     2    2 

Para 2n= 100 y k = 50 se obtiene una esperanza = 0.

c) En este caso la esperanza sería:

–3/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

 k   k   k 

           
  2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1 
1000  ·  5001   · = 1500  ·  500
 2n   2n  2n  2   2n   2n  2n  2   2n   2n  2n  2 
        
 2     2       2    
  2     2    2 

Para 2n= 100 y k = 50 se obtiene una esperanza = 250

Respuesta.-

Sea  la demanda, en millones de litros, cuya distribución es uniforme en el intervalo [1, 10]
1  10
(por lo que debe ser k = 1). Luego la demanda esperada es E() =  5,5 millones de litros.
2

Sea  la oferta, en millones de litros, de la que desconocemos su distribución y que

supondremos  ≥ . Supongamos además que existe su valor esperado E().

El beneficio de la temporada, en millones de euros, será:

B = 0,3· – 0,05( – ) = 0,35 – 0,05

Luego el beneficio esperado de la cooperativa será:

E(B) = 0,35E() – 0,05E() = 0,35·5,5 – 0,05E()

El beneficio esperado es una constante y no depende de la cifra de ventas.

–4/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2011. 1ª SEMANA

Algunas aclaraciones.-
 52  13 4 ·4!
3.- Casos posibles:   ; Casos favorables: 134. Probabilidad = = 0,1055
4 52·51·50·49
4.- La variable ξ+η = 0, constante.
∞
1 ∞ 3 −x
x e dx = Γ(4 ) = = 3
∫ ∫
1 3 −x 1 3!
6.- x e dx =
0 2 2 0 2 2
10.- Por ejemplo, extraemos sucesivamente dos cartas de una baraja. Sea A = “la 1ª es de
oros” y B= “la 2ª es de oros”. Obviamente A y B son compatibles. Si el experimento se hace con
reemplazamiento, son independientes y si se hace sin reemplazamiento, son dependientes.

−1/2− Junio 2011. 1ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

EJERCICIOS

Solución.-
a) La variable ξ1+ξ2+ξ3 es normal con media 30, luego P(ξ1+ξ2+ξ3 > 30) = 0,5
b) La variable ξ1−ξ2+ξ3 es normal con media 10 y desviación típica 4 + 9 + 12 = 5 , luego
P(ξ1−ξ2+ξ3 > 30) = (tipificando) = P(Z > 4) ≅ 0.
c) La suma η de las cuatro variables aleatorias que representen las ventas respectivas de
coches de la segunda marca en cada tienda es normal N(40, 6), luego P(34 < η < 40) = (tipificando)
= P(−1 < Z < 1) = (tablas) = 0,6826.

Solución.-
Representaremos los sucesos: E = “el alumno elegido es excelente”; B = “el alumno elegido
es bueno”; M = “el alumno elegido es mediano”; I = “la calificación del examen es insuficiente”;
S = “la calificación del examen es suficiente”; Sb = “la calificación del examen es sobresaliente”.
Las probabilidades de los sucesos condicionados que se dan en el ejercicio son: P(Sb/E) = 1;
1 1
P(Sb/B) = P(N/B) = ; P(N/M) = P(S/M) = P(I/M) = .
2 3
Entonces, aplicando el teorema de la probabilidad total tenemos:
a b c 1 3a + 3b + c
P(N∪Sb) = P(E)· P(N∪Sb/E)+ P(B)· P(N∪Sb/B)+ P(M)· P(N∪Sb/M) = ·1 + ·1 + · =
N N N3 3N

−2/2− Junio 2011. 1ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2011. 2ª SEMANA

Algunas aclaraciones.-
13 4 ·4!
= 0,09375
4 4
2.- Casos posibles: VR52,4 = 52 ; Casos favorables: 13 ·4!. Probabilidad =
52 4
4.- La función característica corresponde a la de una distribución geométrica G(0,3).
5.- Usaremos la desigualdad de Markov para hallar una cota inferior de la probabilidad
1
pedida: P[ξ ≤ 3] = 1 − P[ξ > 3] ≥ (desigualdad de Markov) ≥ 1 − ≅ 0,67
3
( )
6.- Al ser ξ y η independientes, ξ + η será normal N 3, 5 , luego P(ξ + η > 3) =
1
2

−1/3− Junio 2011. 2ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

EJERCICIOS

Solución.-
El valor de k buscado será el que maximice la probabilidad de que ξ varíe entre 1 y 3. Se
tiene:
P(k) = P[1 ≤ ξ ≤ 3] = ∫
3

1
[
ke − kx dx = − e − kx ] 3
1 = e − k − e −3k
Derivando respecto de k e igualando a cero:
1 1
P’(k) = −e−k + 3e−3k = 0 ⇒ e−2k = ⇒ k = ln3
3 2
1  1 3
Puesto que P’’(k) = e−k − 9e−3k y P’’  ln 3  = − < 0 , el valor de k obtenido maximiza
2  3 3
P(k).

Solución.-
Representaremos los sucesos: E = “el alumno elegido es excelente”; B = “el alumno elegido
es bueno”; M = “el alumno elegido es mediano”; I = “la calificación del examen es insuficiente”;
S = “la calificación del examen es suficiente” (y S el suceso contrario que, para un alumno mediano
significa obtener Notable o Insuficiente); Sb = “la calificación del examen es sobresaliente”.
Pondremos también X = “la calificación del examen es notable o sobresaliente” (única posible para
los alumnos buenos).
Las probabilidades de los sucesos condicionados que se dan en el ejercicio son: P(Sb/E) = 1;
1 1
P(Sb/B) = P(N/B) = ; P(N/M) = P(S/M) = P(I/M) = .
2 3
Resolveremos el ejercicio aplicando el teorema de la probabilidad total para lo que
construimos la tabla:

Resultado del examen

Suceso y Probabilidades
(admitiendo solamente Sb, N o I)
probabilidad parciales
y probabilidad
MMM
5 5
 
SSS   3

 3 3  3  · 2  = 2
2  
 10     10   3  81
  3  
3 3

−2/3− Junio 2011. 2ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

MME  5  2 
 5  2  S SS b    2
    2  1  · 2  ·1 = 2
 2  1  2  
2 10   3  27
10    ·1  
  3 3
3
MMB
 5  3   5  3 
  
S SX    2

 2  1  2  2  1  · 2  ·1 = 1
2  
10    ·1 10   3  9
  3  
3 3
MEE
 5  2   5  2 
  
SS b S b   
 1  2   1  2  · 2 ·12 = 1
2 2
10  ·1 10  3 36
  3  
3  3

MBB
 5  3   5  3 
   S XX   
 1  2   1  2  · 2 ·12 = 1
2 2
10 
·1 10  3 12
  3  
3 3
MEB
 5  3  2   5  3  2 
   
SS b X    
 1  1  1   1  1  1  · 2 ·1·1 = 1
2
10  ·1·1 10  3 6
  3  
3  
3

EEB
  3   2  3 
2
     
 2  1 
SbSb X  2  1  ·13 = 1
10  13 10  40
   
3 3
EBB
 2  3   2  3 
     
 1  2 
S b XX  1  2  ·13 = 1
10  13 10  20
   
3  3

BBB
 3  3
   
 3 XXX  3  ·13 = 1
 10 
13 10  120
   
3 3
185
Probabilidad Total = 0,57099
324

−3/3− Junio 2011. 2ª semana

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2012. TIPO A

–1/3– Junio 2012 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Algunas aclaraciones.-
1  x,  a  x  0
 1  x dx   1  x dx  (resueltas)
0 a
1.- f(x) =  . Debe ser 1 = =
1  x, 0  x  a a 0

= 2a – a2  a2–2a + 1 = 0  a = 1.
2.- Sea por ejemplo A el primero en jugar. La probabilidad de que gane es:
2 322 3
P[A blanca] + P[A negra  B negra  A blanca] =  · · 
5 543 5
3.- No es necesario realizar ningún cálculo. Las respuestas a) y c) no pueden ser ciertas
porque a tiene que ser positivo para que P[<a ] = 0,9398. La respuesta b) tampoco puede ser
cierta porque en una normal N(2, 2), P[< 1,55 ] es menor que 0,5.
4.-  = “Beneficio anual”  P[ > 70] = P[–50 > 20] < P[–50> 20] < (desigualdad de
100 1
Chebychev) <  .
400 4
Nota.- Se ha supuesto que se pregunta por la probabilidad del “beneficio” de este año de
crisis, no del “beneficio medio”
 6 
casos posibles     20 
3  12 3
5.- P  
 4  20 5
casos favorables     12
 2 
1

6.- Derivando sucesivamente la función característica t   e

 t2
2
, obtenemos:

  1  t e  t  t e  3t  t e
1 1 1 1 1 1 1

' t    te ; ' ' t   e ; ' ' ' t   2te

 t2  t2  t2  t2  t2  t2  t2
2 2
t e
2 2 2 2 2 3 2 3 2
;
IV 0
 IV t   3  3t 2 e   3t 2  3t 4 e . De aquí, E   4  3
1 1
 t2  t2
2 2 4

i
7.- P[ > 0] = 1.

Solución.-
Sean los sucesos A = “Elegir la urna A”; B = “elegir la urna B”; C = “la 1ª bola elegida
corresponde a un tema dominado”; D = “la 2ª bola elegida corresponde a un tema dominado”. Si ha
ocurrido C, para aprobar es necesario y suficiente que ocurra D, es decir, se pide la probabilidad
24 34
P(D/C). Se sabe que P[(D/C)/A] = y P[(D/C)/B] = , luego, por el teorema de la probabilidad
49 49
total:

–2/3– Junio 2012 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

1 24 1 34 29
P(D/C) = ·  ·  .
2 49 2 49 49

Solución.-
Representemos por Z la variable normal N(0,1)
 
 2  1
a) P[ > 2] = P  Z 
1 
= P[Z > 2] = (tablas) = 0,0228

 2 
b) La variable  =”nº de estudiantes que invierten más de dos horas” es binomial
B(400; 0,0228), cuya  = np = 9,12 y  = 9,12·0,9772  2,9853 , luego  es aproximadamente
 2  9,12 
normal N(9,12; 2,99). Así pues, P[ ≤ 2] = P  Z  = P[Z < –2,38] = (tablas) = 0,0087.
 2,99 

–3/3– Junio 2012 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2012. 2ª SEMANA TIPO A

Algunas aclaraciones.-
1.- La única posibilidad de obtener una suma igual a 13 es con 2 “doses” y 3 “treses”. La
 5
variable  = “nº de treses” es binomial B(5; 0,4) y hay que calcular P( = 2) =  0,43·0,6 2 = 0,2304.
 3
2.- Del diagrama se deduce que P(A)  PA  B  PA  B  A B

= PB·PA / B  P(B)·P(A / B) , de donde: 𝐴 ∩ 𝐵 AB

–1/3– Junio 2012 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

P(A)  P(B)·P(A / B) 0,34  0,4·0,82

PA / B   
PB 
= 0,02
0,6
5.- Es la desigualdad de Schwarz.
9.- Por eliminación: a) y b) no cumplen la condición de que la media es el triple de la
desviación típica; c) no puede ser porque si  = 2,4 entonces P(≤4) > 0,5
10.- La variable 4–1/2 es t16.

Solución.-
Sea  = “peso de una unidad del producto”. Se tiene:
1º) Un producto se rechazará en el proceso de envasado si –E()≥ P y se quiere que
2
P[–E()≥ P] ≤ 0,1. De la desigualdad de Schwarz, P[–E()≥ P] ≤ 2 , luego bastará que
P
 2
 0,5
2
≤ 0,1  P    1,58.
P 0,1 0,1
2º) El porcentaje correspondiente será:
 1,58 
100· P[–E()≥ 1,58] = (tipificando) = 100· P  Z   = 100·P[Z≥ 3,16] =
 0,5 
= 100[P(Z ≤–3,16) + P(Z ≥ 3,16)] = 100·2·0,0008 = 0,16 %.

Solución.-
Para poder calcular la covarianza y el coeficiente de correlación,  y  deben ser variables
aleatorias. Así pues, pondremos  = “nº de bolas rojas en la 1ª extracción” y  = “nº de bolas rojas
en la 2ª extracción”. Tenemos entonces:
1º y 2º) La distribución de probabilidad de la variable (, ) y la marginal de  se recogen en
la siguiente tabla:
 Distribución de probabilidad
1 0 conjunta de (, )

54 5 5
1 · 
9 8 18 18
5 3
0
18 18
Distribución de probabilidad
10 8 marginal de 
p·j
18 18

–2/3– Junio 2012 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

3º) Calculamos ahora E() , E() y E(·):


1 0 pi· i·pi· ijpij

5 5 10 10 5
1 0
18 18 18 18 18
5 3 8
0 0 0 0
18 18 18
10 8 10
p·j
18 18 18
10 10
i·p·j 0
18 18

10 10 5
De donde se deduce: E() = , E() = y E(·) = . Así pues:
18 18 18
5 10 10  2,5
Cov(·) = – · =
18 18 18 81
4º) Observemos que E(2) = E() y que E(2) = E(). Luego se tiene que 2 = 2 =
 2,5
 2,5
2
10  10  20 2 5
= –  =   =  = . Así pues   81   –0,125
18  18  81 9 20 20
81

–3/3– Junio 2012 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

PRUEBA PRESENCIAL. JUNIO 2013. TIPO A

–1/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

Algunas aclaraciones.-

1.- Casos posibles P5 = 5! = 120; Casos favorables: A puede sentarse en 5 sillas distintas con
B a su derecha. Análogamente B puede sentarse en 5 sillas distintas con A a su derecha. Para cada
una de estas 10 posibilidades, los otros 3 compañeros pueden sentarse de P3 formas. Total: 2·5·P3 =
60 1
= 60; Probabilidad =  .
120 2

3.-

 1
4.- P(>)= 2 
x
e ( 2 x  y ) dydx 
0 0 3

5.- Sea  la venta diaria. P( ≥ 225) = 1 – P( < 225) = 1 – P( – 200 < 25) ≤
400
≤ 1 – P(|–200| < 25) ≤ (Desigualdad de Chebichev) ≤ 1 – 1 + = 0,64
625

6.- El teorema de Lindeberg-Levy se verifica porque las variables son independientes,

 
idénticamente distribuidas y E(n) = 
i
2 i
  
y E  2n 
i2
2i
son series convergentes (como se puede
i 1 i 1

comprobar aplicando el criterio de D’Alembert), luego existen  y 2 finitas.

8.- Se obtiene a = 0,54

10   4  6 
9.- Casos posibles:   ; Casos favorables:   
4  1  3 

10.-  es binomial B(10; 0,4) y la moda está en el intervalo [np–q, np+p] = [3,4; 4,4]

–2/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

Solución.-

k
 
Probabilidad de elegir una bola con dos temas conocidos:  
2
 2n 
 
 2

k ( 2n  k )
Probabilidad de elegir una bola con un tema conocido y otro no: . Supuesto este
 2n 
 
2
k 1
caso, la probabilidad de que el tribunal elija un tema conocido por el opositor es . Así pues:
2n  2

k
 
k ( 2n  k ) k  1
a) Probabilidad de superar la prueba:   +
2
·
 2n   2n  2n  2
   
 2 2

b) La esperanza del juego sería:

 k   k   k 

           
  2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1 
1000  ·  10001   · = 2000  ·  1000
 2n   2n  2n  2   2n   2n  2n  2   2n   2n  2n  2 
               
 2    2   2  
  2     2    2 

Para 2n= 100 y k = 50 se obtiene una esperanza = 0.

c) En este caso la esperanza sería:

–3/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

 k   k   k 

           
  2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1    2  k ( 2n  k ) k  1 
1000  ·  5001   · = 1500  ·  500
 2n   2n  2n  2   2n   2n  2n  2   2n   2n  2n  2 
        
 2     2       2    
  2     2    2 

Para 2n= 100 y k = 50 se obtiene una esperanza = 250

Respuesta.-

Sea  la demanda, en millones de litros, cuya distribución es uniforme en el intervalo [1, 10]
1  10
(por lo que debe ser k = 1). Luego la demanda esperada es E() =  5,5 millones de litros.
2

Sea  la oferta, en millones de litros, de la que desconocemos su distribución y que

supondremos  ≥ . Supongamos además que existe su valor esperado E().

El beneficio de la temporada, en millones de euros, será:

B = 0,3· – 0,05( – ) = 0,35 – 0,05

Luego el beneficio esperado de la cooperativa será:

E(B) = 0,35E() – 0,05E() = 0,35·5,5 – 0,05E()

El beneficio esperado es una constante y no depende de la cifra de ventas.

–4/4– Junio 2013 A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
https://www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]
PRUEBA PRESENCIAL. JUNIO 2013. SEGUNDA SEMANA. TIPO A

–1/3– Junio 2013 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
https://www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]
Algunas aclaraciones.-

   
x y x 1
2.- Para y ≥1  F(x,y) = 1dx 1dy  1dx 1dy  x
  0 0

4.- Se trata de una variable geométrica donde p = 0,25·0,1 = 0,025 y q = 0,975. Luego su
q 0,975
valor esperado es   39
p 0,025

10.- Si A y B están ambos contenidos en C de forma que 0 < P(A) < P(C) y 0 < P(B) < P(C),
no se cumple ninguno de los tres apartados a, b y c. Por ejemplo, elegimos aleatoriamente un
número del conjunto E = {1, 2, 3, 4, 5, 6}. Consideremos los sucesos A = {1, 2, 3}, B = {3, 4},
1 1 1
C = {1, 2, 3, 4, 5}. A y B son independientes pues P(A) = , P(B) = y P(AB) = . Se tiene
2 3 6
3 2 1
que P(A/C) = ; P(B/C) = y P(AB/C) =
5 5 5

Solución.-

Probabilidad de que ningún proyectil dé en el blanco: (1–p)n  no se incendia

se incendia con probabilidad : npq(1  p) n 1

Probabilidad de que un proyectil dé en el blanco: np(1–p)n–1 
no se incendia con probabilidad : np(1  q)(1  p) n 1

Probabilidad de que dos o más proyectiles den en el blanco: 1–(1–p)n – np(1–p)n–1  se incendia.

Así pues, la probabilidad de que el depósito se incendie es:

npq(1–p)n–1 + 1 – (1–p)n – np(1–p)n–1

Y la probabilidad de que el depósito no se incendie:

(1–p)n + np(1–p)n–1(1–q)

Así pues E[] = 0·[(1–p)n + np(1–p)n–1(1–q)] + 50·[ npq(1–p)n–1 + 1 – (1–p)n – np(1–p)n–1] =

=50·[ npq(1–p)n–1 + 1 – (1–p)n – np(1–p)n–1].

Para n = 5, p = 0,6 y q = 0,7, se obtiene una probabilidad de que el depósito se incendie de 0,96672 y
E[] = 48,336.

–2/3– Junio 2013 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
https://www.innova.uned.es/webpages/Ilde/Web/index.htm e-mail: [email protected]

Solución.-

1
Sea  el error de una operación que se distribuye normal N(0, ). Se sabe que = P(||<10–5) =
2
  10 5  10 5 10 5
= (tipificando) = P   y de las tablas se obtiene:
  0,67    .
     0,67

a) Supuesto que los errores se sumen, el error del resultado final, 106, se distribuirá normal
 10 2 
N(0, 103) = N 0,    x 
 , luego 0,99 = P 106   x = (tipificando) = P Z  2 ·0,67  y de las tablas
 0,67   10 
x
se obtiene que ·0,67  2,57 de donde x  0,03836.
10 2

b) Ahora 1010, se distribuirá normal N(0, 105) = N 0,

 1 

 , luego 0,99 = P 1010   x = 
 0,67 
= (tipificando) = P Z  0,67x   0,67x = 2,57 de donde x  3,836.

–3/3– Junio 2013 2A

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. SEPTIEMBRE 2011

Algunas aclaraciones.-
 3  6 
  
9  3  6 
7.- Casos posibles   ; casos favorables:  ·  ; probabilidad =    
1 5 3
 0,21
 
6   
1 5  9  14
 
 6
8.- Por ejemplo, sea la variable aleatoria discreta  = {1, 2, 3} tal que P(=1) = 0,3, P(=2) =
= 0,6 y P(=3) = 0,1. Se tiene que Mo = Me = 2, pero E() = 1,8 y no es simétrica.
10.- Si P(A) ≠ 0 y P(B) ≠ 0, entonces A y B son dependientes pero si P(A) = 0 y
P(B) = 0, entonces A y B son independientes.

–1/3– Septiembre 2011

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

EJERCICIOS

Solución.-
ab
Sea  la variable aleatoria “ventas mensuales”. Se tiene que E() = = 8 y
2
ba
DT() = = 3, de donde se obtiene que a = 8  3 3 y b = 8  3 3 . Luego la función de
2 3
 1
 , 83 3  x 83 3
densidad f(x) =  6 3 . La probabilidad de cierre será:

0, en el resto
1 3 3

9
1
P( < 9) = dx   0,59623
8 3 3 6 3 6 3

Solución.-
x1

 
2 2
x1
dx 2dx1  k dx1  k , luego k = 1. Se tiene entonces:
2
Debe ser 1 = k
0 0 0 2
x1

dx1  x12 0 
 
2 2
x1 1 2
dx 2dx1 
3 2
a) P(1 ≥ 32) =
0 0 0 3 6 3

b) Determinemos en primer lugar la función de densidad de la variable  = 1 – 2. Para ello,

x 1 x 1
 u  x  x  x  v v  0 1  1 , luego f(u, v) = 1,
llamemos:  1 2
↔ 1 . El Jacobiano: u
v  x 1 x 2  v  u x 2 x 2  1 1
u u
0  v  2 0  v  2
 
con las condiciones 0  v  u  1  u  v  1  u . Gráficamente:
2 v  2 u  v  v  2u
 

Luego la función de densidad de :

–2/3– Septiembre 2011

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

 2u

 udv, 0  u  1
 2 u , 0  u  1
 

f  (u )   dv, 1  u  2  2  u, 1  u  2
u 0, en el resto
0, en el resto 


 2  u du  2 , se
2
1
Pero, teniendo en cuenta la condición de que  ≥ 1, y como P[ ≥ 1] =
1

2u
tendrá que f/≥1(u) = = 4 – 2u, 1 < u ≤ 2.
1/ 2

–3/3– Septiembre 2011

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. SEPTIEMBRE 2012

EJERCICIOS TIPO TEST

–1/3– Septiembre 2012

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Algunas aclaraciones.-
D 72

1 1 D 7

1.- Obtenemos en primer lugar que debe ser k = , luego 0,7  xdx   D 7  4 0,7  3,35 .
8 8 0 16
2.- La variable  es geométrica de parámetros p = 0,3 y q = 0,7, luego P(=2) = 0,72·0,3 = 0,147
P(A  B)
3.- Sean A y B los sucesos “par” e “impar” respectivamente. Entonces P(A/B)  0
P(B)
P(A), luego A y B no son independientes y por tanto serán dependientes.
4.- Sea  el saldo. Entonces P[ < 280] = P[–320 < –40] = P[320– > 40] ≤ P[|320–| > 40] ≤
400 1
≤ (desigualdad de Chebichev) ≤ 
1600 4
6.- El intervalo [np–q, np+q] = [3,25 ; 4,25] sólo contiene al número entero 4, que es la moda.
7.- Obtenemos que Var[1–22] = Var[1] – 4Cov[1,2] + 4 Var[2], de donde Cov[1,2] =
1  16  10 7 1,75
=  = 1,75, luego  =  0,875.
4 4 1·2
   
9.- P   0  P  0  (tipificando) = P  Z    , que depende de .
   
10.- Para poder aplicar el teorema de Lindeberg-Levy hay que suponer que la varianza V[n] = 2
sea finita.

PROBLEMAS

Solución.-
Hallemos la probabilidad del suceso contrario, que es: que en las 10 primeras jugadas se
produzcan empates, o que uno de los jugadores gane una partida y empaten las otras 9, o bien que
cada uno de los dos jugadores gane una partida y empaten las otras 8. La probabilidad de este
10 9 2 8
9 1 9  1  9
suceso es:    2· ·       ·V10, 2  0,833, luego la probabilidad pedida es
 10  20  10   20   10 
1 – 0,833 = 0,167.

–2/3– Septiembre 2012

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Solución.-
a) Sea V la variable aleatoria “ventas diarias”. Se tiene:
 1000    1000  
0,2 = P[V > 1000] = (tipificando) = P  Z    (tablas)   0,84
   
 800    800  
0,3 = P[V > 800] = (tipificando) = P  Z    (tablas)   0,52
   
Resolviendo el sistema obtenemos que  = 475 y  = 625 de donde 2 = 390625.
b) Calculemos primeramente E(V2) . Sabemos que 2 = E(V2) – E(V)2  E(V2) =
= 2 + E(V)2 = 2 + 2 = 390625 + 4752 = 616250. Luego:
E(C) = 350 + E(V) – 0,00015E(V2) = 350 + 475 – 0,00015· 616250 = 732,5625
c) No podemos concluir que la distribución de ventas anuales sea normal ya que, al no ser
independientes las ventas diarias (la venta de algunos sábados viene condicionada por la del
viernes), es imposible aplicar el teorema de Lindeberg-Lévy. Por otra parte hemos comprobado que
el coste medio diario es muy superior a las ventas medias diarias. Para que las ventas superen al
coste (V > 350 + V – 0,00015V2 ), debe ser V > 1527,52 que es muy improbable (P[V > 1527,52] =
= 0,0460). Se trata de un negocio deficitario.

–3/3– Septiembre 2012

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PRUEBA PRESENCIAL. SEPTIEMBRE 2012. EXAMEN DE RESERVA

EJERCICIOS TIPO TEST

–1/4– Septiembre 2012. Reserva

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

Algunas aclaraciones.-
2.- La respuesta sería a si 1 y 2 fuesen independientes.
Cov(, )          2   1  
2 2 2 2
3.-    Cov(,) =  , luego Var 
2
 
2  2  4 2
1

1
1
5.- Sería E   dx , que es una integral divergente.
 0 x

 k 4
6.- La variable  será normal N(–4, 3), luego 0,25 = P( ≤ –k) = P Z   (tablas)
 3 
k4
 = –0,67  k = 6,01
3
16
7.- Casos posibles 41 y casos favorables 16, luego la probabilidad es
41


2 2

8.- P  x  
xy x 4 x 5x x
   
y 1
30 30 30 30 6

  3x  3ydydx  3k  k =
1 1
1
9.- Calculamos primeramente k: 1 = k . Luego las funciones
0 0 3

 
1 1 1
de densidad marginales: f1(x) = 3x  3ydy  x  1 ; f2(y) = 1 3x  3ydx  y  1 . Se verifica
3 0 2 3 0 2
que f(x,y) f1(x)·f2(y).
 

 
1 i 1
10.- n carece de esperanza. En efecto: E[n] = i 1
·2  = .
n 1
2 n 1
2

–2/4– Septiembre 2012. Reserva

 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

PROBLEMAS.-

Solución.-
3
9
Casos posibles:  
3
 9  6  3 
Casos favorables al espectador A:     .
 3  3  3 
 9  6  3 
   
Luego la probabilidad de que A tenga razón es   3  
3 3 3 5
9 1764
 
3
· 100   –99,43 € y la de B
5 1759
Por tanto, la esperanza de A será: ·100 
1764 1764
· 100  
5 1759
·100  99,43 €.
1764 1764

Solución.-
Por coherencia con los datos del problema interpretaremos que los resultados no se han
puntuado de 0 a 100, si no de 0 a 1000.
 x  550 
a) Sea  la variable “nota”. Escribamos 0,25 = P[ ≥ x] =(tipificando) = P  Z  
 100 
x  550
 (tablas)   0,67  x = 617.
100
 400  550 450  550 
b) Calculamos P[400 ≤  ≤ 450] = P  Z = P[–1,5 ≤ Z ≤ –1] =
 100 100 
= (tablas) = 0,1587 – 0,0668 = 0,0919. Si N es el total de aspirantes se tendrá que
350
N·0,0919  350  N   3808. Luego el número de personas que han obtenido entre 620 y
0,0919
–3/4– Septiembre 2012. Reserva
 UNED ELCHE.
TUTORÍA DE PROBABILIDAD. MODELOS PROBABILÍSTICOS (GRADO EN ECONOMÍA)
www.telefonica.net/web/imm e-mail: [email protected]

 620  550 740  550 

740 puntos será: 3808·P[620 ≤  ≤ 740] =
3808· P  Z =
 100 100 
= 3808·P[0,7 ≤ Z ≤ 1,9] = (tablas) = 3808·(0,2420 – 0,0287) = 3808·0,2133  812.
c) 3808 personas según se ha calculado en el apartado anterior.

–4/4– Septiembre 2012. Reserva

UNED
Estadística Teórica 1 (Economía)

Septiembre 2000 (A)

PREGUNTAS TIPO TEST (Septiembre de 2000 tipo A)

1.- ¿Qué función define un espacio de probabilidad E= A, B, C

a) P(A) = 1/4 ; P(B) = 1/3 ; P(C) = 1/2

b) P(A) = 2/3 ; P(B) = -1/3 ; P(C) = 2/3
c) P(A) = 0 ;P(B) = 1/3 ; P(C) = 2/3
d) Ninguna es correcta

2.- Una variable ξ tiene como función de densidad f ( x ) = kx 2 para − 3 ≤ x ≤ 6 ¿Cuál

es la P (ξ = 1,5) ?

a) 0,014 b) 0 c) 0,125 d) Ninguna es correcta

3.- La función de distribución de una variable aleatoria es:

a) Monótona decreciente
b) Monótona no creciente
c) Siempre continua
d) Ninguna es correcta

4.- Dada una variable ξ con media –6 y desviación típica 2, ¿cuál es la media de
(
η = 1 2 2 −ξ +ξ 2 ? )
a) 18 b) 24 c) 22 d) No es ninguna.

5.- ¿Cuál de las siguientes afirmaciones es cierta?

a) Un suceso es independiente de su complementario.

b) La probabilidad condicionada de A dado B tiene que ser mayor o igual que la
probabilidad de A.
c) Un suceso y su complementario son sucesos disjuntos.
d) Ninguna.

6.- El momento de segundo orden respecto de la media se conoce con el nombre de:

a) Covarianza b) Coeficiente de determinación. c) Esperanza. d) Varianza

7.- Dada la variable aleatoria bidimensional (ξ , η ) se dice que ξ y η son

independientes si se verifica:

a) f ( x / y ) = f 2 ( y ) b) f ( x , y ) = f ( x / y ) ⋅ f1 ( x ) c) f (x , y) = f1(x) . f2 (y)
d) f ( x / y ) = f ( x, y ) ⋅ f 2 ( y )

1
8.- El campo de variación de la t – Student va de:

a) 0 a n b) -∞ a +∞ c) 0 a +∞ d) No es ninguno de los anteriores

9.- La desviación típica de la variable aleatoria λ = ξ + η siendo ξ y η independientes

es:
a) σ (ξ ) + σ (η ) b) σ (ξ ) + σ (η ) c) σ 2 (ξ ) + σ 2 (η ) d) Ninguna
es correcta.

10.- si η es una variable aleatoria N (-8 ; σ ) ¿qué valor debe tomar σ 2 para que
P ( η + 8 ≤ 3,8) = 0,80

a) 3,0 b) 4,77 c) 9,0 d) No es ninguno

2
 Una cadena comercial que tiene 81 establecimientos ha comprobado que el
volumen de ventas diario de cada uno, en millones de pesetas, se ajusta a la función de
densidad
1
f (x ) = x para 0 ≤ x ≤ 10
50
Suponiendo que las ventas de los distintos establecimientos son independientes, se
desea conocer:

1º - La probabilidad de que la venta total de la cadena en un día determinado sea mayor

de 650 millones de pesetas.

2º - El volumen de venta total que es superado con una probabilidad del 30%

Septiembre 2000 (A)

SOLUCIÓN

Vamos a calcular la esperanza matemática y la varianza de la variable que representa la

venta diaria de cada establecimiento::

10 10
1 1 1 x3 1 1000 20
α1 = E (ξ ) = ∞
−∞
x f ( x ) dx = x x dx =
10
0
x dx =
2
= =
0 50 50 50 3 0
50 3 3
10 10

α 2 = E (ξ 2 ) =
1 1 1 x4 1 10000
x 2 f ( x ) dx =
∞ 10
−∞
x2 x dx = 0
x 3 dx = = = 50
0 50 50 50 4 0
50 4
2
20 50
V (ξ ) = α 2 − α1 = 50 −
2
=
3 9

20 50
µ = E (ξ ) = σ 2 = V (ξ ) =
3 9

Definamos ahora una nueva variable que nos represente las ventas totales diarias
de los 81 establecimientos de la cadena y calculemos su media y su varianza:

E (η ) = E (ξ1 + ξ 2 + + ξ 81 ) = E (ξ1 ) + E (ξ 2 ) + + E (ξ 81 ) = 81 ⋅ µ =
20
= 81 = 540
3
η = ξ1 + ξ 2 + + ξ 81 V (η ) = V (ξ1 + ξ 2 + + ξ 81 ) =↑ V (ξ1 ) + V (ξ 2 ) + + V (ξ 81 ) = 81 ⋅ σ 2 =
Indep.

50
= 81 = 450
9

3
No conocemos la distribución de probabilidad de esta variable pero al estar formada
como suma de variables idénticamente distribuidas e independientes, al ser 81 grande,
el teorema central del límite nos permite afirmar que, aproximadamente, se distribuirá
Normal:

(
η ≈ N 540; 450 )
teniendo esto presente, ya podemos calcular las probabilidades pedidas:

1º - Probabilidad de que la venta total sea mayor de 650 millones

650 − 540
P(η > 650 ) = P η * > = P (η * > 5,18) ≈ 0
450

2º - Buscamos una venta, k tal que la probabilidad de superarla sea del 30%

k − 540 k − 540
P(η > k ) = 0,3 → P η * > = 0,2 → = 0,52 → k = 551
450 450

4
Dada la función de densidad conjunta

f ( x , y ) = k x 2 y (1 − x ) para 0 ≤ x ≤1 0 ≤ y ≤1

Se pide:

1.- El valor de k
2.- Ver si las variables son independientes
3.- Funciones de distribución marginales

Septiembre 2000

SOLUCIÓN

1.- Para determinar la constante

basta con imponer que toda la
probabilidad debe ser igual a la
unidad:

∞ ∞
f ( x , y ) dx dy = 1
− ∞ −∞

en este caso:

1 1
∞ ∞

− ∞ −∞
f (x , y ) dx dy =
R
k x y (1 − x ) dx dy = k y dy
2
1

0 0
1
(x 2 3
)
− x dx = k y
x3 x 4
−
3 4
dy =
0 0

1 1 1
2
1 1 1 k y k 1 k
=k y − dy = k y dy = = = =1
0 3 4 12 12 2 0
12 2 24
0

por tanto k = 24 y la función de densidad es:

f ( x , y ) = 24 x 2 y (1 − x ) para 0 ≤ x ≤1 0 ≤ y ≤1

5
2.- Para estudiar si las variables son independientes calcularemos las densidades
marginales

1
y2
f1 ( x ) =
∞
f (x , y ) dy = 24 x y (1 − x ) dy = 24 x (1 − x ) y dy = 24 x (1 − x )
1 1
2 2 2
=
−∞ 0 0 2 0

1
= 24 x 2 (1 − x ) = 12 x 2 (1 − x ) 0 ≤ x ≤1
2

f1 ( x ) = 12 x 2 (1 − x )= 12 (x 2 − x 3 ) 0 ≤ x ≤1

f2 (y) =
∞

−∞
f ( x , y ) dx =
1

0
24 x y (1 − x ) dx = 24 y
2
1

0
(
x − x dx =24 y
2 x3 x 4
−
3

3 4
) =
0

1 1 1
= 24 y − = 24 y = 2 y 0 ≤ y ≤1
3 4 12

f2 (y) = 2 y 0 ≤ y ≤1

ahora es ya inmediato comprobar que las variables son independientes:

f ( x , y ) = 24 x 2 y (1 − x )
f (x , y ) = f1 ( x ) ⋅ f 2 ( y ) ∀x, y → Independientes
f1 ( x ) ⋅ f 2 ( y ) = 12 x 2 (1 − x ) ⋅ 2 y

3.- Funciones de distribución marginales:

=0 x<0
x

F1 ( x ) =
x

−∞
f1 (u ) du = =
0

−∞
0 du + 12
0
x
(
u − u du = 12
2 3
)
u3 u 4
−
3 4
= 4 x 3 − 3x 4 0 ≤ x <1
0

=1 x ≥1

=0 y<0
y
v2 y2
F2 ( y ) = f 2 (v ) dv = =
y 0 y
0 dv + 2 v dv = 2 =2 = y2 0 ≤ y <1
−∞ −∞ 0 2 0
2
=1 y ≥1

6
UNED
Estadística Teórica 1 (Economía)

Septiembre 2000 (B)

PREGUNTAS TIPO TEST (Septiembre de 2000 tipo B)

1.- Decir cual de las siguientes afirmaciones es cierta

a) La probabilidad de la unión de dos sucesos A y B no puede ser menor que la

suma de las probabilidades de cada uno de ellos
b) Un suceso y su complementario son sucesos disjuntos
c) La probabilidad condicionada de A dado B tiene que ser mayor o igual que la
probabilidad de A
d) Ninguna.

2.- Dada la variable aleatoria bidimensional (ξ , η ) se dice que ξ y η son

independientes si se verifica:

a) f ( x / y ) = f 2 ( y ) b) f ( x / y ) = f (x, y ) ⋅ f 2 ( y )
c) f (x , y) = f1(x) . f2 (y) d) f ( x , y ) = f (x / y ) ⋅ f1 ( x )

3.- La función de distribución de una variable aleatoria es:

a) Siempre continua por la derecha

b) Siempre continua por la izquierda
c) Siempre continua por la derecha y por la izquierda.
d) Ninguna es correcta

4.- Dada la v.a. con función de densidad f ( x ) = kx 2 para − 3 ≤ x ≤ 5 ¿Cuál es la P (ξ =

1,5) ?

a) 0,014 b) 0,125 c) 0 d) Ninguna

5.- La varianza de una variable aleatoria es una medida de:

a) Asimetría b) Curtosis c) Dispersión d) Ninguna es cierta

6.- Dado un espacio muestral E = A, B, C, D ¿qué función define un espacio de

probabilidad de E ?

a) P(A)=1/2; P(B)=1/2; P(C)=1/3; P(D)=1/5 b) P(A)=1/2; P(B)=1/4; P(C)=1/8; P(D)=1/4

c) P(A)=1/2; P(B)=1/4; P(C)=1/2; P(D)=1/4 d) P(A)=1/2; P(B)=1/4; P(C)=1/8; P(D)=1/8

1
7.- Sean ξ1 y ξ2 variables aleatorias N ( 0 ; σ ), la variable η = ξ1 + ξ2 será:

a) N (0 ; 0 ) (
b) N 0 ; σ 2 2 ) c) N ( 0 ; σ 2/2 ) (
d) N 0 ; σ 2 )
¡¡¡¡¡¡¡ Todas las respuestas son falsas puesto que (
η = N 0 ;σ 2 ) !!!!!!

8.- El campo de variación de la χn2 es de:

a) 0 a 1 b) -∞ a ∞ c) 0 a n d) 0 a ∞

9.- Si ξ es una variable aleatoria con media –6 y desviación típica 2, ¿cuál es la

(
esperanza de la variable aleatoria η = 1 2 2 − ξ + ξ 2 ? )
a) 18 b) 24 c) 22 d) Ninguna es correcta

10.- si η es una variable aleatoria N (-8 ; σ ) ¿cuál es el valor de σ 2 para que

P ( η + 8 ≥ 4,2) = 0,20

a) 10,76 b) 4,28 c) 25 d) No es ninguna de las anteriores

2
Dada la función de densidad conjunta

f ( x , y ) = k x 2 y (1 − x ) para 0 ≤ x ≤1 0 ≤ y ≤1

Se pide:

1.- El valor de k
2.- Ver si las variables son independientes
3.- Funciones de distribución marginales

Septiembre 2000

SOLUCIÓN

1.- Para determinar la constante

basta con imponer que toda la
probabilidad debe ser igual a la
unidad:

∞ ∞
f ( x , y ) dx dy = 1
− ∞ −∞

en este caso:

1 1
∞ ∞

− ∞ −∞
f (x , y ) dx dy =
R
k x y (1 − x ) dx dy = k y dy
2
1

0 0
1
(x 2 3
)
− x dx = k y
x3 x 4
−
3 4
dy =
0 0

1 1 1
2
1 1 1 k y k 1 k
=k y − dy = k y dy = = = =1
0 3 4 12 12 2 0
12 2 24
0

por tanto k = 24 y la función de densidad es:

f ( x , y ) = 24 x 2 y (1 − x ) para 0 ≤ x ≤1 0 ≤ y ≤1

3
2.- Para estudiar si las variables son independientes calcularemos las densidades
marginales

1
y2
f1 ( x ) =
∞
f (x , y ) dy = 24 x y (1 − x ) dy = 24 x (1 − x ) y dy = 24 x (1 − x )
1 1
2 2 2
=
−∞ 0 0 2 0

1
= 24 x 2 (1 − x ) = 12 x 2 (1 − x ) 0 ≤ x ≤1
2

f1 ( x ) = 12 x 2 (1 − x )= 12 (x 2 − x 3 ) 0 ≤ x ≤1

f2 (y) =
∞

−∞
f ( x , y ) dx =
1

0
24 x y (1 − x ) dx = 24 y
2
1

0
(
x − x dx =24 y
2 x3 x 4
−
3

3 4
) =
0

1 1 1
= 24 y − = 24 y = 2 y 0 ≤ y ≤1
3 4 12

f2 (y) = 2 y 0 ≤ y ≤1

ahora es ya inmediato comprobar que las variables son independientes:

f ( x , y ) = 24 x 2 y (1 − x )
f (x , y ) = f1 ( x ) ⋅ f 2 ( y ) ∀x, y → Independientes
f1 ( x ) ⋅ f 2 ( y ) = 12 x 2 (1 − x ) ⋅ 2 y

3.- Funciones de distribución marginales:

=0 x<0
x

F1 ( x ) =
x

−∞
f1 (u ) du = =
0

−∞
0 du + 12
0
x
(
u − u du = 12
2 3
)
u3 u 4
−
3 4
= 4 x 3 − 3x 4 0 ≤ x <1
0

=1 x ≥1

=0 y<0
y
v2 y2
F2 ( y ) = f 2 (v ) dv = =
y 0 y
0 dv + 2 v dv = 2 =2 = y2 0 ≤ y <1
−∞ −∞ 0 2 0
2
=1 y ≥1

4
 Una cadena comercial que tiene 64 establecimientos ha comprobado que el
volumen de ventas diario de cada uno, en millones de pesetas, tiene como función de
densidad
1
f (x ) = x para 0 ≤ x ≤ 10
2
Suponiendo que las ventas de los distintos establecimientos son independientes entre si,
se desea conocer:

1º - La probabilidad de que la venta total de la cadena en un día determinado esté

comprendida entre 500 y 600 millones de pesetas.
2º - El volumen de venta total que es superado con una probabilidad del 20%
Septiembre 2000 (B)

SOLUCIÓN

El problema, tal como está planteado, no se puede resolver puesto que la función de
densidad dada no es una verdadera densidad como es inmediato demostrar:

∞ 10 10
1 1 x2 1 100
f ( x ) dx = x dx = = = 25 ≠ 1
2 2 2 0
2 2
−∞ 0

supongamos que es un error mecanográfico y démos a la constante el valor que

realmente debería de tener:

1
f (x ) = x para 0 ≤ x ≤ 10
50

ahora si se cumple que:

∞ 10 10
1 1 x2 1 100
f ( x ) dx = x dx = = =1
50 50 2 0
50 2
−∞ 0

Vamos a calcular la esperanza matemática y la varianza de esta variable:

10 10
1 1 1 x3 1 1000 20
α1 = E (ξ ) = ∞
−∞
x f ( x ) dx = x x dx =
10
0
x dx =
2
= =
0 50 50 50 3 0
50 3 3
10 10

α 2 = E (ξ ) =
1 1 1 x4 1 10000
x f ( x ) dx =
∞ 10
2
−∞
2
x 2
x dx = 0
x dx =
3
= = 50
0 50 50 50 4 0
50 4
2
20 50
V (ξ ) = α 2 − α1 = 50 −
2
=
3 9

5
 20 50
µ = E (ξ ) = σ 2 = V (ξ ) =
3 9

Definamos ahora una nueva variable que nos represente las ventas totales diarias
de los 64 establecimientos de la cadena y calculemos su media y su varianza:

E (η ) = E (ξ1 + ξ 2 + + ξ 64 ) = E (ξ1 ) + E (ξ 2 ) + + E (ξ 64 ) = 64 ⋅ µ =
20 1280
= 64 =
3 3
η = ξ1 + ξ 2 + + ξ 64 V (η ) = V (ξ1 + ξ 2 + + ξ 64 ) =↑ V (ξ1 ) + V (ξ 2 ) + + V (ξ 64 ) = 64 ⋅ σ 2 =
Indep.

50 3200
= 64 =
9 9

No conocemos la distribución de probabilidad de esta variable pero al estar formada

como suma de 64 variables idénticamente distribuidas e independientes, al ser 64
grande, el teorema central del límite nos permite afirmar que, aproximadamente, se
distribuirá Normal:

1280 3200
η≈N ;
3 9

teniendo esto presente, ya podemos calcular las probabilidades pedidas:

1º - Probabilidad de que la venta total esté comprendida entre 500 y 600 millones

1280 1280
500 − 600 −
P(500 < η < 600 ) = P 3 <η <
* 3 (
= P 3,89 < η * < 9,19 ≈ 0 )
3200 3200
9 9

2º - Buscamos una venta, k tal que la probabilidad de superarla sea del 20%

1280 1280
k− k−
P(η > k ) = 0,2 → P η * > 3 = 0,2 → 3 = 0,84 → k = 442,5
3200 3200
9 9

6
UNED
Estadística Teórica 1 (Economía)

Septiembre 2000 (Reserva)

PREGUNTAS TIPO TEST (Septiembre de 2000 Reserva)

1.- Dos sucesos son disjuntos cuando verifican:

a) P ( A B ) = P ( A) + P ( B ) − P ( A B ) b) P ( A B ) = P ( A ) ⋅ P ( B )
c) P ( A B ) = 0 d) Ninguna es correcta

2.- Dada una variable aleatoria con f ( x ) = 2 x para 0< x ≤ 0,6 ; f ( x ) = 0,8 para 0,6< x ≤ 1,4
y f ( x ) = 0 en el resto. ¿Qué valor tiene E ( ξ ) ?

a) 0,784 b) 0,144 c) 0,944 d) Ninguno de los anteriores

3.- Dada una variable aleatoria bidimensional ( ξ , η ) la función de distribución marginal de x,

F1 ( x ) vendrá dada por:

f ( u , v ) du dv f ( u , v ) du dv f ( u , v ) du dv f ( u , v ) du dv
∞ ∞ x y x −∞ ∞ y
a) b) c) d)
−∞ −∞ −∞ −∞ −∞ −∞ −∞ −∞

4.- En una ciudad el 40% de sus habitantes tiene coche, el 25% tiene moto y el 15% coche y moto.
¿Cuál es la probabilidad de que elegida una persona al azar no tenga ni coche ni moto?

a) 0,85 b) 0,5 c) 0,75 d) Ninguna es correcta

5.- La esperanza matemática de una variable aleatoria se ve afectada por:

a) Un cambio de origen b) Un cambio de escala

c) Un cambio de origen y escala d) Ninguna es cierta

6.- Dada una variable aleatoria λ = ξ x η siendo ξ y η también variables aleatorias la E (λ) verifica
que:

a) E ( λ ) = E (ξ ) × E (η ) b) E ( λ ) = E (ξ ) + E (η ) c) E ( λ ) = E (ξ ) − E (η ) d) Ninguna

(Nota: La respuesta a) sería correcta si las variables fuesen independientes)

7.- El campo de variación de la F de Snedecor varía de:

a) - ∞ a + ∞ b) 0 a n c) - ∞ a 0 d) 0 a + ∞

8.- Dada la variable aleatoria λ que se distribuye N (-2;3), si la P ( λ > - x ) = 0,40 se verifica que x
es igual a:

a) 0,75 b) 1,25 c) 0,25 d) No es correcta ninguna

9.- Si la variable aleatoria ξ tiene por función característica ϕ ( t ) = 0, 4 (1 − 0, 6 eit ) , se verifica que
−1

a) E (ξ ) = 1,5 y V (ξ ) = 3,75 b) E (ξ ) = 0,66 y V (ξ ) = 1,11

c) E (ξ ) = 1,5 y V (ξ ) = 1,11 d) Ninguna es correcta
1
10.- Dada una sucesión de variables aleatorias { ξn } y la variable aleatoria ξ definida en el mismo
espacio de probabilidad, si se verifica que P lim ξ n = ξ = 1 la convergencia es:
n →∞

a) En probabilidad b) Casi segura c) En media cuadrática d) En distribución

2
El peso por unidad de unas determinadas piezas tiene una distribución de probabilidad
con función de densidad f ( x ) = K x ( 3 − x ) para 0 ≤ x ≤ 3 . Las piezas son aceptadas si
el peso está comprendido entre 1 y 2 kgs. Se pide:

1º) Comprobar que f ( x ) es verdaderamente función de densidad.

2º) La función de distribución.
3º) Probabilidad de que una pieza pese exactamente 1,5 kgs.
4º) Si las piezas se empaquetan en grupos de tres y cada paquete se acepta si al
menos dos de las piezas son aceptadas ¿cuál es la probabilidad de aceptar un
paquete determinado?

Septiembre 2000

SOLUCIÓN

1º.- Valor de K

Para que la función sea una verdadera función de densidad debe cumplir que:

f ( x ) ≥ 0 ∀x
∞
f ( x ) dx = 1
−∞

La segunda condición nos permite determinar el valor de la constante K que aparece en

la expresión de la función dada:

3
x 2 x3
( 3x − x )
∞ 3 3
f ( x ) dx = K x ( 3 − x ) dx = K 2
dx = K 3 − =
−∞ 0 0 2 3 0

27 27 9 2
=K − −0 = K ⋅ =1 → K=
2 3 2 9

con lo que la función de densidad nos queda:

2
=
9
( 3x − x2 ) para 0 ≤ x ≤ 3
f ( x) =
=0 para el resto

3
2º.- Función de Distribución

=0 para x<0
x x
2 2 u 2 u3 2 3 x 2 x3
x
= 0+
9
( 3u − u 2 ) du = 3 −
9 2 3
=
9 2
−
3
=
F ( x ) = P (ξ ≤ x ) = f ( u ) du = 0 0
−∞
2 9x − 2x
2
9x − 2x
3 2 3
= ⋅ = para 0≤ x≤3
9 6 27
=1 para x>3

3º Probabilidad de que una pieza pese 1,5 kgs.

En una variable continua la probabilidad en un punto siempre vale cero:

P (ξ = 1, 5 ) = 0

4º Probabilidad de aceptar un paquete

Comencemos por calcular la probabilidad de que una pieza sea aceptada:

9 ⋅ 2 2 − 2 ⋅ 23 9 ⋅12 − 2 ⋅13 20 7 13
P (1 < ξ ≤ 2 ) = F ( 2 ) − F (1) = − = − =
27 27 27 27 27

Es decir:

Aceptable 13
=1 p=
27
1 Pieza → Xi
14
No aceptable =0 q=
27

Si consideramos un paquete de tres piezas, el número de piezas aceptables en el paquete

13
seguirá una distribución Binomial de parámetros n = 3 y p =
27

13
X = X1 + X 2 + X 3 → B 3;
27
4
Si aceptamos el paquete cuando contiene, al menos, dos piezas aceptables, la
probabilidad de aceptarlo valdrá:

2 3 0
3 13 14 3 13 14
P ( Aceptar ) = P ( X ≥ 2 ) = P ( X = 2 ) + P ( X = 3) = + =
2 27 27 3 27 27
3 ⋅132 ⋅14 133
= + 3 = 0, 4722
273 27

P ( Aceptar ) = 0, 4722

5
Dada la función de densidad conjunta:

f ( x, y ) = k y 2 ( x3 − x ) para 0≤ y≤3 ; 0≤ x≤2

Hallar el coeficiente de correlación y comentarlo.

Septiembre 2000

3
SOLUCIÓN

La variable toma valores en el recinto indicado en la R

figura:

Comencemos por determinar el valor de la constante imponiendo que toda la

probabilidad debe valer la unidad:

2 3
y3
(x − x ) dx dy = k (x − x ) dx (x − x)
∞ ∞ 2 3
f ( x, y ) dx dy = ky 2 3 3
y dy =k
2 3
dx =
−∞ −∞ R 0 0
0
3 0
2
x4 x2 1
= k ⋅ 9 ( x − x ) dx = 9 k
2
3
− = 9 k ( 4 − 2 ) = 18 k = 1 → k =
0 4 2 0
18

con lo que la función de densidad queda así:

1 2 3
f ( x, y ) = y ( x − x ) para 0≤ y≤3 ; 0≤ x≤2
18

Densidades marginales:

3 3
1 2 3 1 1 y3
y ( x − x ) dy = ( x3 − x ) y dy = ( x3 − x )
∞ 3
f1 ( x ) = f ( x, y ) dy = 2
=
0 18 18 18 3
−∞ 0
0

1 x3 − x
= ⋅ ( x3 − x ) ⋅ 9 = para 0≤ x≤2
18 2

2 2
1 2 3 1 1 2 x4 x2
y ( x − x ) dx = y 2 ( x3 − x ) dx =
∞ 2
f2 ( y ) = f ( x, y ) dx = y − =
0 18 18 18 4 2
−∞ 0
0
2
1 2 y
= ⋅ y ⋅2 = para 0≤ y≤3
18 9

6
A la vista de estos resultados, es claro que las variables son independientes ya que:

1 2 3
f ( x, y ) = y ( x − x)
18
f ( x, y ) = f1 ( x ) ⋅ f 2 ( y ) ∀x, y
x3 − x y 2 1 2 3
f1 ( x ) ⋅ f 2 ( y ) = ⋅ = y ( x − x)
2 9 18

es decir: se cumple la condición necesaria y suficiente de independencia.

A la vista de este resultado resulta innecesario calcular el coeficiente de correlación ya

que, como sabemos, la independencia implica la incorrelación y por tanto:

µ11
ρ= =0
µ 20 µ02

Nota: Hemos desarrollado, por razones didácticas, el problema a pesar de ser conscientes de que la
función dada no es una verdadera densidad por hacerse negativa en algunos puntos de su campo de
definición. Por ejemplo, en el punto x = 0,5 , y = 1 la función vale:

1 1
f ( x, y ) = y
2
(x 3
)
−x = ( )
1 0, 5 − 0, 5 = −0, 021
2 3

18 18

7
UNED
Estadística Teórica 1 (Economía)

Septiembre 2001 (A)

PREGUNTAS TIPO TEST (Septiembre de 2001 tipo A)

1.- Si A y B son sucesos disjuntos con P ( A ) = ½ y P ( B ) = 1/3 . ¿Cuál es la

(
P A∪ B ? )
a) 2/3 b) 1/3 c) 1/6 d) Ninguna de las anteriores.

2.- Sea una v.a. ξ con F ( x ) = x-1 si 1≤ x <2, 0 si x <1 y 1 si x ≥ 2. ¿Cuál es su

varianza?

a) 3/2 b) 7/3 c) 1/12 d) Ninguna de las anteriores.

3.- Dada la v.a. bidimensional ξ , η con función de cuantía conjunta

x y2
P ( x, y ) = para x = 1, 2, 3 e y = 1, 2 .¿Cuál es la función de cuantía marginal de η?.
30
y y2
a) ( y 2 − 1) y b) c) d) Ninguna
3 5

4.- Dada la v.a. ξ con f ( x) = 1/8 para 0 ≤ x ≤ 8 . ¿Cuál es el valor de A para que la
P (ξ ≤ A ) = 1/4?.

a) 1 b) 2 c) 4 d) Ninguna es correcta.

5.- Dadas las v.a. ξ y η definimos las v.a. π = k ξ + h y τ = η + s.¿Cuál es la cov.( π,τ)?.

a) k cov.(ξ,η) b) k cov.(ξ,η) + ks c) k2 cov.(ξ,η) d) Ninguna

6.- Dados los sucesos A y B con P ( A ) = 0,3 , P ( B ) = 0, 5 y P ( A ∩ B ) = 0, 2 ¿Cuál es

la P ( A / B ) ?.
a) 0,6 b) 1 c) 0,2 d)Ninguna es correcta.

2 + eit + e −it
7.- Dada una v.a. con ϕ ( t ) = ¿Cuál es su media?.
4
a) 2 b) 0 c) 1 d) Ninguna es correcta.

8.- La probabilidad de que la v.a. ξ = N (0 ; 1) quede fuera del intervalo (-1,2 ; 2,5) es:

a) 0,1213 b) 0,1089 c) 0,8787 d) Ninguna de las anteriores.

1
9.- Dada la v.a. ξ con E ( ξ ) = 1 y E ( ξ 2 ) = 1/3.¿Cuál es la P ξ − 1 ≥ 12 ? ( )
a) ≤ 1/3 b) ≥ 2/3 c) ≤ 1/9 d) Ninguna
1 2
(Los datos propuestos son imposibles ya que: σ = α 2 − α 1 = −1 = − < 0 y, como sabemos, una
2 2 2

3 3
varianza siempre es no negativa)

−5
3it
10.- Si la v.a. ξ tiene una ϕ ( t ) = 1 − .¿Cuál es la ϕ ( t ) de la v.a. η = 2ξ + 2?.
8
−5 −5 −5
3it 3it 3it
a) 1 − b) e− it 2 1 − c) eit 2 1 − d) Ninguna es correcta
4 4 4

2
 A unas oposiciones se han presentado 800 personas, 600 han obtenido una
calificación inferior a 5 y solo 10 una puntuación ≥ 8. Suponiendo que la distribución de
las calificaciones es normal, se pide:

1º) Media y varianza de las calificaciones.

2º) Porcentaje de individuos con calificación superior a 5.
3º) Se han convocado 80 plazas. ¿Cuál es la mínima puntuación que debe alcanzar
un opositor para obtener plaza?
Septiembre 2001

SOLUCIÓN

1º) Media y varianza de las calificaciones.

Con los datos del problema y estimando la probabilidad mediante las frecuencias
relativas observadas, podemos determinar la media y la varianza de las calificaciones:

• 600 personas han obtenido una nota inferior a 5:

5− µ 600
P (ξ < 5 ) =↑ P ξ* < = = 0, 75
Tipificando σ 800

de donde obtenemos que:

0,75
5− µ
≈ 0, 67
σ
5− µ
≈ 0, 67
σ
• Solo 10 han obtenido un 8 o mas:

8− µ 10
P (ξ ≥ 8 ) =↑ P ξ* ≥ = = 0, 0125
Tipificando σ 800

de donde obtenemos otra ecuación

0,0125
0,9875
8− µ
= 2, 24
σ
8− µ
= 2, 24
σ
Resolviendo el sistema:

8 − µ = 2, 24σ σ = 1,91 ξ → N ( 3, 72;1,91)

→ Por tanto:
5 − µ = 0, 67σ µ = 3, 72

3
2º) Porcentaje de individuos con calificación superior a 5

5 − 3, 72
P (ξ > 5 ) =↑ P ξ* > = P (ξ * > 0, 67 ) = 0, 2515 → 25,14%
Tipificando 1,91

3º) Se han convocado 80 plazas. ¿Cuál es la mínima puntuación que debe

alcanzar un opositor para obtener plaza?

Debemos buscar una nota k que solo sea superada por 80 opositores, que sobre un total
de 800 personas presentadas suponen un 10% .

k − 3, 72 k − 3, 72
P (ξ > k ) =↑ P ξ* > = 0,10 → = 1, 282
Tipificando 1,91 1,91
k = 1, 282 ⋅1, 91 + 3, 72 = 6,17

Si ponemos la nota mínima en 6,17, se espera que solo 80 opositores la superen ya que:

P (ξ > 6,17 ) = 0,10

4
 Hay 16 dados, 10 son regulares y 6 irregulares. La probabilidad de obtener 1 en
un dado irregular es doble de la de cualquier otro número. Se elige un dado al azar y se
lanza. Hallar:
1º) La probabilidad de obtener un 1
2º) Si se ha obtenido un 1 ¿cuál es la probabilidad de que se haya lanzado un dado
irregular?
3º) ¿y cual es la probabilidad de que se haya lanzado un dado regular?

Septiembre 2001

SOLUCIÓN

Denominemos:

R → “El dado elegido es regular”

I → “El dado elegido es irregular”
U → “Al lanzar el dado obtenemos un 1”

Al elegir el dado, es claro que:

10 5 6 3
P ( R) = = P(I ) = =
16 8 16 8

• Si el dado es regular, la probabilidad de sacar un 1 es 1/6

1
P (U / R ) =
6

• En un dado irregular, el 1 tiene doble probabilidad de aparecer que cualquier

otro número:

Puntuación Probabilidad
1 2k
2 k
3 k
4 k
5 k
6 k
Total = 7k

Como toda la probabilidad tiene que valer la unidad: 7 k = 1 → k = 1 / 7 y, en

consecuencia, la probabilidad de sacar un 1 con este tipo de dado es 2 / 7.

Es decir:

2
P (U / I ) =
7

5
Ya podemos responder a las preguntas del problema:

1º) La probabilidad de obtener un 1

Apliquemos el teorema de la probabilidad total:

5 1 3 2 71
P (U ) = P ( R ) P (U / R ) + P ( I ) P (U / I ) = ⋅ + ⋅ =
8 6 8 7 266

2º) Si se ha obtenido un 1 ¿cuál es la probabilidad de que se haya lanzado un

dado irregular?

Aplicando el teorema de Bayes:

3 2
P ( I ) P (U / I ) 8 ⋅ 7 36
P ( I /U ) = = =
P (U ) 71 71
266

3º) ¿y cual es la probabilidad de que se haya lanzado un dado regular?

Análogamente:

5 1
P ( R ) P (U / R ) 8 ⋅ 6 35
P ( R /U ) = = =
P (U ) 71 71
266

6
UNED
Estadística Teórica 1 (Economía)

Septiembre 2001 (B)

PREGUNTAS TIPO TEST (Septiembre de 2001 tipo B)

1.- Sean los sucesos A y B con P ( A ) = 0,3 P ( B ) = 0,5 y P (A ∩ B ) = 0,2. ¿Cuál es

la P ( A ∩ B ) ?

a) 0,1 b) 0,3 c) 0,5 d) Ninguna

1
2.- Dada la v.a. ξ con función de densidad f ( x ) = x para 0 ≤ x ≤ 4 . ¿Cuál es el
8
1
valor de H para que P (ξ ≥ H ) =
2

a) 8 b) 2 6 c) 3 2 d) Ninguno es correcto

(El resultado correcto es H = 2 2 )

3.- Dadas las v.a. ξ y η definimos las v.a. λ = Aξ + B y γ = η + C . ¿Cuál será la

cov ( λ , γ )

a) A cov (ξ , η) b) A cov (ξ , η) + AC c) A2 cov (ξ , η) d) Ninguna es correcta

x
4.- La función de densidad de la v.a. ξ es f ( x ) = para 1 ≤ x ≤ 5 . Sea la v.a.
12
η = ξ − 3 . ¿Cuál es la esperanza de la v.a. η?

a) 13/9 b) 1 c) 4/9 d) Ninguna es correcta.

5.- Dados los sucesos A y B con P ( A ) = 0, 35 y P ( A ∩ B ) = 0, 45 ¿Cuál es la

P ( A ∩ B ) ?.

a) 0,45 b) 0,30 c) 0,20 d)Ninguna

6.- La v.a. ξ tiene como E (ξ ) = 5 y como σ 2 ( ξ ) = 4. ¿ Cual es la E ( ξ -2 ) 2 ?.

a) -11 b) 9 c) 13 d) Ninguna de las anteriores

1
7.- Dada la v.a. ξ con E ( ξ ) = 1 y E ( ξ 2 ) = 1/3.¿Cuál es la P ξ − 1 ≥ 12 ? ( )
a) ≤ 1/3 b) ≤ 1/9 c) ≥ 2/3 d) Ninguna es correcta

1 2
(Los datos propuestos son imposibles ya que: σ = α 2 − α 1 = −1 = − < 0 y, como sabemos, una
2 2 2

3 3
varianza siempre es no negativa)

8.- Dada la v.a. η = N (2;3 ). ¿Qué valor debe tener A para que P ( η ≤ A ) = 0,7257?.

a) 0,6 b) 4,2 c) 3,8 d) Ninguno de los anteriores.

x y2
9.- Dada las v.a. ξ y η con función de cuantía conjunta P ( x, y ) = . para
30
x = 1, 2, 3 e y = 1, 2 . ¿Cuál es la función de cuantía marginal de ξ ?.

x +1 x −1 x
a) b) c) d) Ninguna
9 3 6

−5
3it
10.- Si la v.a. ξ tiene una ϕ ( t ) = 1 − .¿Cuál es la ϕ ( t ) de la v.a. η = 2ξ + 2?.
8

−5 −5 −5
3it 3it 3it
a) e− it 2 1 − b) eit 2 1 − c) 1 − d) Ninguna
4 4 4

2
 Tenemos 12 dados, de los cuales 8 son regulares y 4 son irregulares. La
probabilidad de obtener 3 en un dado irregular es doble de la de cualquier otro número.
Se elige un dado al azar y se lanza. Se quiere saber:
1º) La probabilidad de obtener un 3
2º) Si en un lanzamiento se ha obtenido un 3 ¿cuál es la probabilidad de que se haya
lanzado un dado regular?
3º) ¿y de que se haya lanzado un dado irregular?

Septiembre 2001 (A)

SOLUCIÓN

Denominemos:

R → “El dado elegido es regular”

I → “El dado elegido es irregular”
T → “Al lanzar el dado obtenemos un 3”

Al elegir el dado, es claro que:

8 2 4 1
P ( R) = = P(I ) = =
12 3 12 3

• Si el dado es regular, la probabilidad de sacar un 3 es 1/6

1
P (T / R ) =
6

• En un dado irregular, el 3 tiene doble probabilidad de aparecer que cualquier

otro número:

Puntuación Probabilidad
1 k
2 k
3 2k
4 k
5 k
6 k
Total = 7k

Como toda la probabilidad tiene que valer la unidad: 7 k = 1 → k = 1 / 7 y, en

consecuencia, la probabilidad de sacar un 3 con este tipo de dado es 2 / 7.

Es decir:

2
P (T / I ) =
7

3
Ya podemos responder a las preguntas del problema:

1º) La probabilidad de obtener un 3

Apliquemos el teorema de la probabilidad total:

2 1 1 2 13
P (T ) = P ( R ) P (T / R ) + P ( I ) P (T / I ) = ⋅ + ⋅ =
3 6 3 7 63

2º) Si en un lanzamiento se ha obtenido un 3 ¿cuál es la probabilidad de que se

haya lanzado un dado regular?

Aplicando el teorema de Bayes:

2 1
P ( R ) P (T / R ) 3 ⋅ 6 7
P(R /T ) = = =
P (T ) 13 13
63

3º) ¿y de que se haya lanzado un dado irregular?

Análogamente:

1 2
P ( I ) P (T / I ) 3 ⋅ 7 6
P(I /T ) = = =
P (T ) 13 13
63

4
 A unas oposiciones se han presentado 900 personas, 600 han obtenido una
calificación ≤ 5 y solo 12 superior a 8. Suponiendo que la distribución de las
calificaciones sea normal, se pide:

1º) La media y varianza de las calificaciones.

2º) Porcentaje de individuos con calificación entre 5 y 6
3º) ¿Cuál es la mínima puntuación que debe sacar un opositor para tener plaza si
solo se han convocado 90?
Septiembre 2001 (B)

SOLUCIÓN

1º) Media y varianza de las calificaciones.

Con los datos del problema y estimando la probabilidad mediante las frecuencias
relativas observadas, podemos determinar la media y la varianza de las calificaciones:

• 600 personas han obtenido una nota ≤ 5:

5− µ 600
P (ξ ≤ 5 ) =↑ P ξ* ≤ = ≈ 0, 6667
Tipificando σ 900

de donde obtenemos que:

0,6667
5− µ
≈ 0, 43
σ
5− µ
≈ 0, 43
σ
• Solo 12 han superado el 8 :

8− µ 12
P (ξ > 8 ) =↑ P ξ* > = = 0, 0133
Tipificando σ 900

de donde obtenemos otra ecuación 0,0133

0,9867

8− µ
≈ 2, 22
σ
8− µ
≈ 2, 22
σ
Resolviendo el sistema:

8 − µ = 2, 22σ σ = 1, 68 ξ → N ( 4, 28;1, 68 )
→ Por tanto:
5 − µ = 0, 43σ µ = 4, 28

5
2º) Porcentaje de individuos con calificación entre 5 y 6

5 − 4, 28 6 − 4, 28
P (5 < ξ ≤ 6) =↑ P < ξ* ≤ = P ( 0, 43 < ξ * ≤ 1, 02 ) =
Tipificando 1, 68 1, 68
= F (1, 02 ) − F ( 0, 43) = 0,8461 − 0, 6664 = 0,1797 → 17, 97%

3º) ¿Cuál es la mínima puntuación que debe sacar un opositor para tener plaza
si solo se han convocado 90?

Debemos buscar una nota k que solo sea superada por 90 opositores, que sobre un total
de 900 personas presentadas suponen un 10% .

k − 4, 28 k − 4, 28
P (ξ > k ) =↑ P ξ* > = 0,10 → = 1, 28
Tipificando 1, 68 1, 68
k = 1, 28 ⋅1, 68 + 4, 28 = 6, 43

Si ponemos la nota mínima en 6,43, se espera que solo 90 opositores la superen ya que:

P (ξ > 6, 43) = 0,10

6
UNED
Estadística Teórica 1 (Economía)

Septiembre 2002 (A)

PREGUNTAS TIPO TEST (Septiembre de 2002 tipo A)

1.- Dados los sucesos A y B tales que P ( A∪B ) = ½ y P ( A∩B ) = 1/6 . se puede
asegurar que:

1 2
a) P ( A ) = P ( B ) = b) P ( A ) + P ( B ) =
3 3
1
c) P ( A ) + P ( B ) = d) Ninguna es correcta.
2

2.- La esperanza de una variable aleatoria es 30 y la desviación típica es 3. La

probabilidad de que la variable aleatoria esté fuera del intervalo [24-36] es

a) ≥1/4 b) ≤3/4 c) ≤1/4 d) Ninguna es correcta

3.- La función característica de una variable aleatoria verifica que:

a) ϕ ( t ) = ϕ ( −t ) b) ϕ ( t ) ≥ 1 c) ϕ (1) = 0 d) No verifica ninguna

4.- Sean las variables aleatorias independientes ξ1 = N ( 2,1) ; ξ 2 = N (1,3) y

ξ3 = N ( 5, 2 ) . Dada la variable aleatoria λ = 3ξ1 − 2ξ 2 + ξ3 la P λ ≤ 3 es:

a) 0,1069 b) 0,1541 c) 0,2413 d) Ninguna es correcta.

El resultado exacto es 0,15244482....¿Será la respuesta b) con un pequeño error?

1
5.- La f ( x, y ) = x ⋅ y 2 para 0 < x < y < 1 es función de
3

a) Densidad b) Distribución c) Generatriz d) Ninguna es correcta

6.- Sean las variables aleatorias ξ y η, tales que σ (ξ ) = 4 , σ (η ) = 5 y ρ = − 1 . ¿Cuál

5
es la varianza de la variable aleatoria λ = 2ξ − η − 3 ?:

a) 105 b) 89 c) 93 d)Ninguna es correcta.

7.- La variable aleatoria ξ sigue una distribución de Poisson P(λ ). Sea η = 2ξ + 1 , su

función característica es:

a) 1 + e
( )
λ e 2 it −1
b) e
( )
λ e 2 it −1
c) e
( )
it + λ e 2 it −1
d) Ninguna es correcta.
8.- Si el coeficiente de curtosis λ2 > 0 , la distribución es:

a) Platicúrtica b) Leptocúrtica c) Mesocúrtica d) Ninguna es correcta

40
9.- Sea λ = ξi donde las ξi son variables aleatorias independientes con E (ξ ) = 12 y
1

σ (ξ ) = 3 . Si la P [ λ ≤ k ] = 0,90 , k es:

a) ≈ 455,68 b) ≈ 633,6 c) ≈ 504,32 d) Ninguna es cierta

10.- El campo de variación de la F de Snedecor va desde:

a) - ∞ hasta ∞ b) 0 hasta ∞ c) 0 hasta n d) Ninguna es cierta

Dos máquinas automáticas producen piezas idénticas, siendo el rendimiento de la
primera máquina dos veces mayor que el de la segunda. El sesenta por ciento de las
piezas producidas por la primera máquina son de calidad excelente, mientras que este
porcentaje en la segunda máquina es del ochenta y cuatro. Tomada una pieza al azar, se
pide calcular:

1º) La probabilidad de que la pieza haya sido producida por la segunda máquina.
2º) Probabilidad de que dicha pieza haya sido producida por la primera máquina.

Septiembre 2002

SOLUCIÓN

Si el rendimiento de la primera máquina es doble que el de la segunda, de cada tres

piezas 2 corresponderán a la primera máquina y 1 a la segunda. Entonces, si elegimos
una pieza al azar, la probabilidad de que corresponda a cada una de las máquinas será:

2
P ( M1 ) =
3
1
P(M2 ) =
3

No parece lógico que con esto solamente hayamos contestado la pregunta del problema. Me parece intuir
(basándome en que este ejercicio ya ha sido propuesto en otras universidades) que en el enunciado del
problema falta un “pequeño detalle” que haría mas lógica la pregunta. Modifiquemos un poco el
enunciado para aclarar lo dicho:

Dos máquinas automáticas producen piezas idénticas, siendo el rendimiento de la

primera máquina dos veces mayor que el de la segunda. El sesenta por ciento de las
piezas producidas por la primera máquina son de calidad excelente, mientras que este
porcentaje en la segunda máquina es del ochenta y cuatro. Tomada una pieza al azar,
que resulta de calidad excelente, se pide calcular:

1º) La probabilidad de que la pieza haya sido producida por la segunda máquina.
2º) Probabilidad de que dicha pieza haya sido producida por la primera máquina.

Ahora la situación sería esta:

“A priori” la probabilidad de que la pieza haya sido producida por cada una de las
máquinas es, como ya hemos razonado:

2
P ( M1 ) =
3
1
P(M2 ) =
3
Además la probabilidad de que la pieza sea de calidad excelente es, para cada máquina:

P ( E / M 1 ) = 0, 60
P ( E / M 2 ) = 0,84

Observada la pieza elegida y comprobado que es de calidad excelente podemos

determinar las probabilidades “a posteriori” mediante el teorema de Bayes:

P ( M1 ) ⋅ P ( E / M1 ) P ( M1 ) ⋅ P ( E / M1 )
P ( M1 / E ) = = =
P(E) P ( M1 ) ⋅ P ( E / M1 ) + P ( M 2 ) ⋅ P ( E / M 2 )
2
⋅ 0, 60
3 1, 20
= = = 0, 585
2 1
⋅ 0, 60 + ⋅ 0,85 2, 05
3 3

P(M2 )⋅ P(E / M2 ) P ( M1 ) ⋅ P ( E / M1 )
P(M2 / E) = = =
P(E) P ( M1 ) ⋅ P ( E / M1 ) + P ( M 2 ) ⋅ P ( E / M 2 )
1
⋅ 0,85
3 0,85
= = = 0, 415
2 1 2, 05
⋅ 0, 60 + ⋅ 0,85
3 3

Definitivamente:

P ( M 1 / E ) = 0,585
P ( M 2 / E ) = 0, 415
Los ingresos diarios de un comercio siguen una distribución uniforme y oscilan entre
300 y 340 euros. Se pide hallar:

1º) La probabilidad de que en 90 días los ingresos totales superen los 29000 euros.
2º) Probabilidad de que los ingresos totales para el mismo periodo de tiempo estén
entre los 28700 y 28950 euros.

Septiembre 2002

SOLUCIÓN

Consideremos, en primer lugar, la variable “Ingresos diarios”. Al tener distribución

uniforme, su media valdrá:

a + b 300 + 340
µ = E (ξi ) = = = 320
2 2

siendo su varianza:

(b − a ) ( 340 − 300 )
2 2
1600 400
σ =
2
= = =
12 12 12 3

Los ingresos totales en 90 días serán:

E (T ) = E (ξ1 + ξ 2 + + ξ90 ) = 90 ⋅ µ = 90 ⋅ 320 = 28800

T = ξ1 + ξ 2 + + ξ90 400
V (T ) = V (ξ1 + ξ 2 + + ξ90 ) =↑ 90 ⋅ σ 2 = 90 ⋅ = 12000
Indep. 3

pero teniendo presente que:

• Las ξi están idénticamente distribuidas.

• Existe su media y su varianza.
• Son independientes.

Al ser 90 suficientemente grande, el teorema central del límite nos permite afirmar que
T se distribuirá aproximadamente Normal.

(
T ≈ N 28800; 12000 )
Ahora ya podemos calcular las probabilidades pedidas:
1º) La probabilidad de que en 90 días los ingresos totales superen los 29000 euros.

29000 − 28800
P (T > 29000 ) = P T * > = P (T * > 1,83) =↑ 0, 0336
12000 T * ≈ N ( 0;1)

2º) Probabilidad de que los ingresos totales para el mismo periodo de tiempo estén
entre los 28700 y 28950 euros.

28700 − 28800 28950 − 28800

P ( 28700 < T ≤ 28950 ) = P < T* ≤ =
12000 12000
= P ( −0, 91 < T * ≤ 1, 37 ) =↑ = 0,9147 − 0,1814 = 0, 7333
T * ≈ N ( 0;1)
UNED
Estadística Teórica 1 (Economía)

Septiembre 2002 (B)

PREGUNTAS TIPO TEST (Septiembre de 2002 tipo B)

2 2
1.- Dados los sucesos A y B tales que P ( A ) = , P ( B ) = y B ⊂ A . Se puede
3 5
afirmar que:

3 2
a) P ( B / A) = b) P ( A ∪ B ) =
5 5
3
c) P ( A / B ) = d) Ninguna es correcta.
5

2.- Si f ( x, y ) = 2 (1 + x ⋅ y ) para x ≤ 1 e y ≤ 1 , f (x, y) es función de

a) Distribución b) Densidad c) Generatriz d) Ninguna es correcta

3.- La variable aleatoria ξ sigue una distribución de Poisson P(λ ). Si η = 2ξ + 1 , su

función característica es:

a) 1 + e
( )
λ e 2 it −1
b) e
( )
it + λ e 2 it −1
c) e
( )
λ e 2 it −1
d) Ninguna es correcta.

4.- Sean las variables aleatorias ξ y η, con V (ξ ) = 4 , V (η ) = 9 y ρ = − 1 . La varianza

3
de la variable aleatoria λ = 2 ξ − 3η + 1 es:

a) 101 b) 95 c) 109 d)Ninguna de las anteriores.

El resultado es V (λ) = 121

5.- La esperanza de una variable aleatoria es 30 y la desviación típica es 3. La

probabilidad de que la variable aleatoria esté dentro del intervalo [24-36] es

a) ≥1/4 b) ≥3/4 c) ≤3/4 d) Ninguna es correcta

6.- Si el coeficiente de curtosis γ 2 < 0 , la distribución es:

a) Platicúrtica b) Leptocúrtica c) Mesocúrtica d) Ninguna es correcta

40
7.- Sea λ = ξi donde las ξi son variables aleatorias independientes con E (ξ ) = 12 y
1

σ (ξ ) = 3 . Si la P [ λ ≥ k ] = 0,10 , k vale:

a) ≈ 504,32 b) ≈ 326,40 c) ≈ 455,68 d) Ningun valor es correcto

8.- La función característica de una variable aleatoria verifica que:

a) ϕ ( t ) = ϕ ( −t ) b) ϕ (1) = 0 c) ϕ ( t ) ≤ 1 d) Ninguna es correcta

9.- El campo de variación de la t- Student va desde:

a) 0 hasta ∞ b) 0 hasta n c) - ∞ hasta ∞ d) Ninguna es cierta

10.- Siendo η = N ( −4, σ ) , si la P η + 4 ≤ 3 = 0,8 , el valor de σ es:

a) ≈ 3,57 b) ≈ 3,84 c) ≈ 4,02 d) Ninguno de los anteriores

El valor es σ ≈ 2,34
Los ingresos diarios de un comercio siguen una distribución uniforme y oscilan entre
300 y 340 euros. Se pide hallar:

1º) La probabilidad de que en 90 días los ingresos totales superen los 29000 euros.
2º) Probabilidad de que los ingresos totales para el mismo periodo de tiempo estén
entre los 28700 y 28950 euros.

Septiembre 2002

SOLUCIÓN

Consideremos, en primer lugar, la variable “Ingresos diarios”. Al tener distribución

uniforme, su media valdrá:

a + b 300 + 340
µ = E (ξi ) = = = 320
2 2

siendo su varianza:

(b − a ) ( 340 − 300 )
2 2
1600 400
σ =
2
= = =
12 12 12 3

Los ingresos totales en 90 días serán:

E (T ) = E (ξ1 + ξ 2 + + ξ90 ) = 90 ⋅ µ = 90 ⋅ 320 = 28800

T = ξ1 + ξ 2 + + ξ90 400
V (T ) = V (ξ1 + ξ 2 + + ξ90 ) =↑ 90 ⋅ σ 2 = 90 ⋅ = 12000
Indep. 3

pero teniendo presente que:

• Las ξi están idénticamente distribuidas.

• Existe su media y su varianza.
• Son independientes.

Al ser 90 suficientemente grande, el teorema central del límite nos permite afirmar que
T se distribuirá aproximadamente Normal.

(
T ≈ N 28800; 12000 )
Ahora ya podemos calcular las probabilidades pedidas:
1º) La probabilidad de que en 90 días los ingresos totales superen los 29000 euros.

29000 − 28800
P (T > 29000 ) = P T * > = P (T * > 1,83) =↑ 0, 0336
12000 T * ≈ N ( 0;1)

2º) Probabilidad de que los ingresos totales para el mismo periodo de tiempo estén
entre los 28700 y 28950 euros.

28700 − 28800 28950 − 28800

P ( 28700 < T ≤ 28950 ) = P < T* ≤ =
12000 12000
= P ( −0, 91 < T * ≤ 1, 37 ) =↑ = 0,9147 − 0,1814 = 0, 7333
T * ≈ N ( 0;1)
Dos máquinas automáticas producen piezas idénticas, siendo el rendimiento de la
primera máquina dos veces mayor que el de la segunda. El sesenta por ciento de las
piezas producidas por la primera máquina son de calidad excelente, mientras que este
porcentaje en la segunda máquina es del ochenta y cuatro. Tomada una pieza al azar, se
pide calcular:

1º) La probabilidad de que la pieza haya sido producida por la segunda máquina.
2º) Probabilidad de que dicha pieza haya sido producida por la primera máquina.

Septiembre 2002

SOLUCIÓN

Si el rendimiento de la primera máquina es doble que el de la segunda, de cada tres

piezas 2 corresponderán a la primera máquina y 1 a la segunda. Entonces, si elegimos
una pieza al azar, la probabilidad de que corresponda a cada una de las máquinas será:

2
P ( M1 ) =
3
1
P(M2 ) =
3

No parece lógico que con esto solamente hayamos contestado la pregunta del problema. Me parece intuir
(basándome en que este ejercicio ya ha sido propuesto en otras universidades) que en el enunciado del
problema falta un “pequeño detalle” que haría mas lógica la pregunta. Modifiquemos un poco el
enunciado para aclarar lo dicho:

Dos máquinas automáticas producen piezas idénticas, siendo el rendimiento de la

primera máquina dos veces mayor que el de la segunda. El sesenta por ciento de las
piezas producidas por la primera máquina son de calidad excelente, mientras que este
porcentaje en la segunda máquina es del ochenta y cuatro. Tomada una pieza al azar,
que resulta de calidad excelente, se pide calcular:

1º) La probabilidad de que la pieza haya sido producida por la segunda máquina.
2º) Probabilidad de que dicha pieza haya sido producida por la primera máquina.

Ahora la situación sería esta:

“A priori” la probabilidad de que la pieza haya sido producida por cada una de las
máquinas es, como ya hemos razonado:

2
P ( M1 ) =
3
1
P(M2 ) =
3
Además la probabilidad de que la pieza sea de calidad excelente es, para cada máquina:

P ( E / M 1 ) = 0, 60
P ( E / M 2 ) = 0,84

Observada la pieza elegida y comprobado que es de calidad excelente podemos

determinar las probabilidades “a posteriori” mediante el teorema de Bayes:

P ( M1 ) ⋅ P ( E / M1 ) P ( M1 ) ⋅ P ( E / M1 )
P ( M1 / E ) = = =
P(E) P ( M1 ) ⋅ P ( E / M1 ) + P ( M 2 ) ⋅ P ( E / M 2 )
2
⋅ 0, 60
3 1, 20
= = = 0, 585
2 1
⋅ 0, 60 + ⋅ 0,85 2, 05
3 3

P(M2 )⋅ P(E / M2 ) P ( M1 ) ⋅ P ( E / M1 )
P(M2 / E) = = =
P(E) P ( M1 ) ⋅ P ( E / M1 ) + P ( M 2 ) ⋅ P ( E / M 2 )
1
⋅ 0,85
3 0,85
= = = 0, 415
2 1 2, 05
⋅ 0, 60 + ⋅ 0,85
3 3

Definitivamente:

P ( M 1 / E ) = 0,585
P ( M 2 / E ) = 0, 415
UNED
Estadística Teórica 1 (Economía)

Septiembre 2002 (R)

 PREGUNTAS TIPO TEST (Septiembre de 2002 Reserva)

1.- ¿Cuál de las siguientes afirmaciones es cierta?

a) Un suceso es independiente de su complementario.

b) La suma de las probabilidades individuales de los sucesos no puede ser mayor
que uno.
c) La probabilidad de la unión de dos sucesos no puede ser menor que la
probabilidad de la intersección.
d) Ninguna de las afirmaciones anteriores es correcta.

2.- Si una variable aleatoria η tiene como función generatriz g (θ ) = e 2θ +8θ , la

2

P ( −2 < ξ < 10 ) es:

a) ≈ 0,1815 b) ≈ 0,1359 c) ≈ 0,8185 d) Ninguna es correcta

x
3.- Dada la variable aleatoria ξ con función de densidad: f ( x ) = para –2 < x < k. El
10
valor de k es:

a) 24 b) 4 c) 6 d) Ninguna de las anteriores

La función dada no es una densidad ya que se hace negativa en algunos puntos de su campo de definición

4.- En el estudio del crecimiento temporal de variables demográficas se utiliza la

distribución de:

a) Pareto b) Logística c) χ n2 d)Ninguna es correcta.

9
5.- Dada la variable aleatoria λ = ξi2 , donde las ξi son N (0,2 ) e independientes. La
i =1

P ( λ ≥ 15 ) es:

a) 0,0228 b) 1 c) 0,9772 d) Ninguna es correcta

El valor exacto de la probabilidad pedida, calculado con EXCEL, es 0,92708316

6.- El momento de tercer orden respecto a la media permite medir:

a) La dispersión b) La asimetría c) La concentración d) Ninguna es correcta

7.- Si la variable aleatoria η = N ( 2,3) y la P ( k ≤ η ≤ 2,3) = 0, 45 , el valor de k es:

a) ≈ -4,96 b) ≈ 6,02 c) ≈ -2,02 d) Ninguno de los anteriores

8.- Dadas las variables aleatorias ξ y η, con σ (ξ ) = 3 , σ (η ) = 2 y cov ( x, y ) = −3 . La

1
varianza de λ = 3 x − y es:
2

a) 97 b) 95 c) 100 d) Ninguna es correcta

El resultado correcto es V (λ) = 91

9.- Si la probabilidad de “nacido varón” es 0,51 y la de “nacido en luna llena” es 0,02, la

probabilidad de “nacido varón y en luna llena” es igual a:

a) 0,102 b) 0,31 c) 0,71 d) Ninguna es correcta

Si asumimos que los sucesos son independientes, la probabilidad pedida sería:

0,51 x 0,02 =0,0102 ¿Será un error?

10.- Si la variable aleatoria continua ξ tiene distribución U (-2 ; 4). La P x − 1 < 2 es:

a) 1/3 b) 2/3 c) 4/3 d) Ninguna es correcta

Dadas las variables aleatorias η1 = N ( 3, 4 ) ; η 2 = N ( 5, 6 ) y η3 = N ( 7, 4 ) e
2 2 2
η1 − 3 η2 − 5 η3 − 7
independientes. Sea λ = + + , se pide:
4 6 4

1º) La distribución de λ.
2º) Esperanza de λ
3º) P ( λ ≤ x ) = 0, 90 .

Septiembre 2002 (R)

SOLUCIÓN

1º) La distribución de λ.

η1 − 3
η1 = N ( 3, 4 ) → η1* = = N ( 0,1)
4
η −5
η 2 = N ( 5, 6 ) → η2* = 2 = N ( 0,1)
6
η −7
η3 = N ( 7, 4 ) → η3* = 3 = N ( 0,1)
4

Entonces:

2 2 2
η1 − 3 η2 − 5 η3 − 7
λ= + + = η1*2 + η 2*2 + η3*2 = χ32
4 6 4

Nuestra variable sigue una distribución CHI cuadrado de Pearson con 3 grados de
libertad.

2º) Esperanza de λ

La esperanza matemática de una CHI cuadrado coincide con sus grados de libertad:

E ( λ ) = E ( χ 32 ) = 3

3º) P ( λ ≤ x ) = 0, 90

P ( λ ≤ x ) = P ( χ 32 ≤ x ) = 0,90

En la tabla de la CHI cuadrado

encontramos que x = 6,251 0,10
0,90

6,251
Sean dos urnas cuyos contenidos son los siguientes: A con 5 bolas azules y 3 blancas y
B con 7 bolas azules y 4 blancas. Se saca al azar una bola de A y se mete en B, a
continuación se saca aleatoriamente una bola de B. Se pide:

1º) Probabilidad de que esta última bola sea azul.

2º) Si la bola extraída de B es azul, ¿cuál es la probabilidad de que la extraída de A
fuese azul?

Septiembre 2002 (R)

SOLUCIÓN

Sean los sucesos:

A = “Bola trasladada de A a B es azul”

B = “Bola trasladada de A a B es blanca”
a = “Bola extraída de B es azul”

Al proceder al traslado de bola, es claro que la probabilidad de que la bola sea azul vale:

5
P ( A) =
8
y la de que sea blanca es:
3
P ( B) =
8

En cada uno de estos supuestos, la probabilidad de extraer una bola azul de B sería:

8
P ( a / A) = (Si hemos trasladado una bola azul en A habría 8 azules y 4 blancas)
12
7
P (a / B) = (Si hemos trasladado una bola blanca en A habría 7 azules y 5 blancas)
12

Entonces, por el teorema de la probabilidad total, la probabilidad de extraer en B una

bola azul es:

5 8 3 7 61
P ( a ) = P ( A) ⋅ P ( a / A ) + P ( B ) ⋅ P ( a / B ) = ⋅ + ⋅ =
8 12 8 12 96

La probabilidad de que la bola trasladada fuese azul sabiendo que la extraída de B ha

sido azul, aplicando el teorema de Bayes, vale:

5 8
P ( A) ⋅ P ( a / A ) ⋅
40
P ( A / a) = = 8 12 =
P (a) 61 61
96
UNED
Estadística Teórica 1 (Economía)

Septiembre 2003 (A)

PREGUNTAS TIPO TEST (Septiembre de 2003 Tipo A)

1.- Dados los sucesos A y B con P (A) = P (B) = 1/3, donde A y B son independientes.
¿Cuál es P (A ∩ B ) ?

a) 2/3 b) 2/9 c) 1/3 d) Ninguna de las anteriores.

Justificación

P ( A ∩ B ) = P ( A) − P ( A ∩ B ) =↑ P( A) − P( A) ⋅ P(B ) = P( A)[1 − P(B )] = P( A) ⋅ P (B )

Indep.
(Nótese que este resultado nos indica que si A y B son independientes también lo son A y B como era
previsible.)

Para nuestros datos:

1 1 2
P (A ∩ B ) =↑ P( A) ⋅ P(B ) = 1 − =
3 3 9
Indep.

n
2.- Las variables ηi son N (5 ; 5) e independientes. Si Z = η i la distribución de la
i =1

Z
variable W = es:
5n

(
a) N 5n ; 5 n ) b) N 1;
1
n
c) N (1;1) d) Ninguna es correcta.

Justificación

i η
Z
W= = 1 es una combinación lineal de variables normales independientes y, en
5n 5n
consecuencia, también será normal, con media:

n
ηi n n n
1 1 1 1
E (W ) = E 1
= E ηi = E (η i ) = 5= 5n = 1
5n 5n 1 5n 1 5n 1 5n

y varianza:
 n
ηi 2 n 2 n 2 n
1 1 1 1 1
V (W ) = V 1
= V ηi =↑ V (η i ) = 52 = 2
25n =
5n 5n 1 Indep. 5n 1 5n 1 25n n

Es decir:
1
W → N 1;
n

3.- Una moneda regular se lanza al aire 10 veces. La probabilidad de obtener 5 caras y 5
cruces es:

10 5
1 1
a) b) c) 0,5 d) Ninguna es cierta.
2 2

Justificación

1
La variable “número de caras en 10 lanzamientos” es una B 10 ; por tanto, la
2
5 5 10
10 1 1 10 1
probabilidad de obtener 5 caras vale: P(ξ = 5) = ⋅ ⋅ = ⋅
5 2 2 5 2

(La respuesta a) seria correcta si nos hablasen de obtener 10 caras y 10 cruces en ese orden)

1
4.- Dada una v.a. ξ con f ( x ) = kx 4 para 0 ≤ x ≤ 1 . ¿Cuál es la P ξ ≥ ?
2
a) ≈0,16987 b) ≈0,03125 c) ≈0,96875 d) Ninguna es cierta

Justificación

Determinemos el valor de k:
1
∞ x5 1
f ( x ) dx = kx dx = k
1
4
=k =1 → k = 5
−∞ 0 5 0
5
y la función de densidad es: f ( x ) = 5 x 4 para 0 ≤ x ≤ 1
Entonces:

1 5
1 1 1 1 x5 1
P ξ ≥ =P ξ ≤− +P ξ ≥ = 0+ 1 5 x dx = 5
4
= 1− ≈ 0,96875
2 2 2 2 5 1 2
2
8.- Si dos variables aleatorias ξ y η son estadísticamente independientes:

a) ρ = 0 b) ρ ≠ 0 c) ρ = 1 d) Ninguna es cierta

Justificación

Al ver las propiedades de la esperanza matemática se ha demostrado que, en el supuesto

de independencia: E (ξ ⋅η ) =↑ E (ξ ) ⋅ E (η )
Indep.

Entonces, en este supuesto:

cov(ξ ,η ) = E (ξ ⋅η ) − E (ξ ) ⋅ E (η ) =↑ 0
Indep.

cov(ξ ,η )
y, por tanto: ρ = =0
V (ξ ) V (η )

6.- Dada la v.a. ξ que tiene media y varianza finitas. La probabilidad de que esa v.a.
difiera de su media un valor mayor o igual que 3,5 veces su desviación típica es:

a) ≤ 0,08163 b) ≥ 0,08163 c) ≤0,28571 d) Ninguna es cierta

Justificación

El teorema de Chebychef, en una de sus formas, dice que:

1
P( ξ − µ ≥ kσ ) ≤
k2
Haciendo k=3,5
1
P( ξ − µ ≥ 3,5σ ) ≤ = 0,08163
3,52

X E(X )
7.- Sean X e Y v.a. tales que se cumple E = , entonces el valor de
Y E (Y )
X
cov ,Y es:
Y

a) E ( X ) ⋅ E (Y ) b) E ( X ) c) 0 d) Ninguna es cierta
Justificación

X X X E(X )
cov ,Y = E ⋅Y − E ⋅ E (Y ) = E ( X ) − E (Y ) = E ( X ) − E ( X ) = 0
Y Y Y E (Y )

Esta sería la respuesta en el supuesto de que pudiese suceder lo que se plantea en el enunciado.

8.- Dadas ξi , n v.a. independientes que siguen la misma distribución de Poisson P (λ). La
n
función característica de la variable aleatoria η = ξ i es:
1

a) e
nλ ( e −1)
it

b) e λ (e
it
−1 ) c) e nλ (e
it
−n ) d) Ninguna

Justificación

Si las ξ i son de Poisson, con parámetroλ, su función característica es: ϕξ i (t ) = e λ (e −1)

it

Recordando que la función característica de una suma de variables independientes es el

producto de las respectivas funciones características:

ϕη (t ) = ϕξ +ξ 1 2+ +ξ n (t ) = ϕξ1 (t ) ⋅ ϕξ 2 (t ) ⋅
↑
⋅ ϕξ n (t ) = e λ (e −1) ⋅
it it
[
⋅ e λ (e −1) = e λ (e −1)
it
]
n
= e nλ (e −1)
it

Indep

9.- La función característica de una variable aleatoria verifica que:

a) ϕ (1) = 0 b) ϕ ( 0 ) = 1 c) ϕ (0 ) = 0 d) Ninguna es correcta.

Justificación

Basta con recordar la definición de función característica: ϕ (t ) = E (e itξ )

Por tanto:
ϕ (0) = E (e i 0ξ ) = E (e 0 ) = E (1) = 1

10.- Si η es N (2 ; 0,1) y P(a ≤ η ≤ 2,2) = 0,6508 . ¿Cuál es el valor de a?

a) –1,955 b) 2,045 c) 1,955 d) Ninguna es correcta

Justificación

a−2 2,2 − 2 a−2 a−2

P(a ≤ η ≤ 2,2) = P ≤η* ≤ =P ≤ η * ≤ 2 = F (2) − F =
0,1 0,1 0,1 0,1
a−2 a−2
= 0,9772 − F = 0,6508 → F = 0,9772 − 0,6508 = 0,3264
0,1 0,1

Buscando en la tabla de la normal encontramos que:

a−2
= −0,45 → a = −0,45 ⋅ 0,1 + 2 = 1,955
0,1
Una cooperativa agrícola, realiza un estudio que evalúe la producción en la próxima
cosecha. La conclusión es presentada a través de la siguiente función:
f ( x ) = k x (10 − x ) (x expresada en miles de unidades). Admitiéndose como producción
mínima 1.000 unidades y como máxima 10.000 unidades. Calcular

a) Valor de k para que sea función de densidad y el valor de la función de

distribución.
b) Producción esperada.
c) La probabilidad de que la producción esté entre 2.000 y 6.000 unidades.
Septiembre 2003

SOLUCIÓN

a) Valor de k para que sea función de densidad y el valor de la función de

distribución.

Determinación de la constante:

La función de densidad de la variable es:

= k x (10 − x ) 1 ≤ x < 10
f ( x) =
=0 Resto

Para determinar la constante basta con imponer que toda la probabilidad debe ser la
unidad:
∞
f ( x ) dx = 1
−∞

en este caso:
10
x 2 x3
( )
∞ 10 10
f ( x ) dx = k x (10 − x ) dx = k 10 x − x 2
dx = k 10 − =
−∞ 1 1 2 3 1

1000 1 500 14 486

=k 500 − − 5− =k − =k = 162k = 1
3 3 3 3 3

por tanto:
1
k=
162
y la función de densidad queda:

1
f ( x) =
=
162
(10 x − x 2 ) 1 ≤ x < 10

=0 Resto
Función de distribución:

x
= 0du = 0 x <1
−∞

1 x
15 x 2 − x3 − 14
( )
x 1
F ( x ) = P (ξ ≤ x ) = f ( u ) du = = 0du +10 u − u 2
du = 1 ≤ x < 10
1 162 486
−∞ −∞

10 1
(10 u − u 2 ) du + 10 0du = 1
1 x
= 0du + x ≥ 10
−∞ 1 162

b) Producción esperada.

10 10
1 1 1 x3 x 4
(10 x − x 2 ) dx = (10 x − x ) dx = 162
∞ 10
E (ξ ) = x ⋅ f ( x ) dx = x 2 3
10 − =
−∞
1 162 162 1 3 4 1

1 103 104 1 1 41
= 10 − − 10 − =
162 3 4 3 4 8

41
E (ξ ) =
8

c) La probabilidad de que la producción esté entre 2.000 y 6.000 unidades.

15 ⋅ 62 − 63 − 14 15 ⋅ 22 − 23 − 14 272
P ( 2 < ξ ≤ 6) = F ( 6) − F ( 2) = − = ≈ 0, 56
486 486 486
Una empresa que fabrica productos artesanales, observa que sus ventas han disminuido.
Realiza un estudio sobre la demanda de estos productos y obtiene que la demanda diaria
se distribuye normalmente, con media 5.000 unidades y desviación típica 500 unidades.
Para no crear una página web, la empresa necesita que la demanda de dos semanas sea
superior a 68.000 unidades. ¿Cuál es la probabilidad de que la empresa cree la página
web para dar a conocer la empresa en todo el mundo?

Septiembre 2003

SOLUCIÓN

La demanda de cada día sigue una distribución normal:

ξ i → N (5000 ; 500)

Admitiremos que las demandas diarias son independientes entre si y que la empresa
funciona los 7 días de la semana. En estos supuestos, la variable “Demanda en 2
semanas”:

ξ = ξ1 + ξ 2 + + ξ14

al ser una combinación lineal de variables normales independientes también se

distribuirá normal con media:

E (ξ ) = E (ξ1 + ξ 2 + + ξ14 ) = E (ξ1 ) + E (ξ 2 ) + + E (ξ14 ) = 14 ⋅ 5000 = 70000

y varianza:

V (ξ ) = V (ξ1 + ξ 2 + + ξ14 ) = V (ξ1 ) + V (ξ 2 ) + + V (ξ14 ) = 14 ⋅ 500 2 = 3500000

(
ξ → N 70.000 ; 3.500.000 )

Ya podemos calcular la probabilidad pedida. La empresa creará la página si la demanda

no supera las 68.000 unidades:

68.000 − 70.000
P (ξ ≤ 68.000 ) = P ξ * ≤ = (ξ * ≤ −1, 07 ) = 0,1423
3.500.000

P (ξ ≤ 68.000 ) = 0,1423
UNED
Estadística Teórica 1 (Economía)

Septiembre 2003 (B)

PREGUNTAS TIPO TEST (Septiembre de 2003 Tipo B)

1.- Dados los sucesos A y B con P (A) = P (B) = 1/4, donde A y B son independientes.
¿Cuál es P (A ∩ B ) ?

a) 1/16 b) 3/4 c) 3/16 d) Ninguna de las anteriores.

Justificación

P (A ∩ B ) = P ( B ) − P ( A ∩ B ) =↑ P(B ) − P( A) ⋅ P(B ) = P(B )[1 − P( A)] = P(B ) ⋅ P (A )

Indep.
(Nótese que este resultado nos indica que si A y B son independientes también lo son A y B como era
previsible.)

Para nuestros datos:

P (A ∩ B ) =↑ P (A )⋅ P(B ) = 1 −
1 1 3
=
4 4 16
Indep.

2.- Si η es N (2 ; 0,1) y P(a ≤ η ≤ 2,2) = 0,6508 . ¿Cuál es el valor de a?

a) 1,955 b) 2,045 c) –1,955 d) Ninguna es correcta

Justificación

a−2 2,2 − 2 a−2 a−2

P(a ≤ η ≤ 2,2) = P ≤η* ≤ =P ≤ η * ≤ 2 = F (2) − F =
0,1 0,1 0,1 0,1
a−2 a−2
= 0,9772 − F = 0,6508 → F = 0,9772 − 0,6508 = 0,3264
0,1 0,1

Buscando en la tabla de la normal encontramos que:

a−2
= −0,45 → a = −0,45 ⋅ 0,1 + 2 = 1,955
0,1
 X E(X )
3.- Sean X e Y v.a. tales que se cumple E = , entonces el valor de
Y E (Y )
X
cov ,Y es:
Y

a) 0 b) E ( X ) c) E ( X ) ⋅ E (Y ) d) Ninguna es cierta

Justificación

X X X E(X )
cov ,Y = E ⋅Y − E ⋅ E (Y ) = E ( X ) − E (Y ) = E ( X ) − E ( X ) = 0
Y Y Y E (Y )

Esta sería la respuesta en el supuesto de que pudiese suceder lo que se plantea en el enunciado.

4.- Dada la v.a. ξ que tiene media y varianza finitas. La probabilidad de que esa v.a.
difiera de su media un valor menor que 3,5 veces su desviación típica es:

a) ≥ 0,08163 b) ≥ 0,91837 c) ≤ 0,08163 d) Ninguna es cierta

Justificación

El teorema de Chebychef, en una de sus formas, dice que:

1
P( ξ − µ < kσ ) ≥ 1 −
k2
Haciendo k=3,5
1
P( ξ − µ < 3,5σ ) ≥ 1 − = 0,91837
3,52
5.- Dadas ξi , n v.a. independientes que siguen la misma distribución de Poisson P (λ). La
n
función característica de la variable aleatoria η = ξ i es:
1

a) e nλ (e
it
−n ) b) e λ (e
it
−1 ) c) e
nλ ( e −1)
it

d) Ninguna

Justificación

Si las ξ i son de Poisson, con parámetro λ, su función característica es: ϕξ i (t ) = e λ (e −1)

it

Recordando que la función característica de una suma de variables independientes es el

producto de las respectivas funciones características:

ϕη (t ) = ϕξ +ξ 1 2+ +ξ n (t ) = ϕξ1 (t ) ⋅ ϕξ 2 (t ) ⋅
↑
⋅ ϕξ n (t ) = e λ (e −1) ⋅
it it
[it
]
⋅ e λ (e −1) = e λ (e −1) = e nλ (e −1)
n it

Indep

1
6.- Dada una v.a. ξ con f ( x ) = kx 3 para 0 ≤ x ≤ 2 . ¿Cuál es la P ξ ≥ ?
2
a) ≈0,96875 b) ≈0,99609 c) ≈0,16987 d) Ninguna es cierta

Justificación

Determinemos el valor de k:
2
∞ x4 16 1
f ( x ) dx =
2
kx dx = k
3
=k = 4k = 1 → k =
−∞ 0 4 0
4 4
1 3
y la función de densidad es: f ( x ) = x para 0 ≤ x ≤ 2
4
Entonces:

1
4 2 16 −
1 1 1 2 1 3 1 x 1 16 ≈ 0,99609
P ξ ≥ =P ξ ≤− +P ξ ≥ =0+ 1 x dx = =
2 2 2 2 4 4 4 1 4 4
2
7.- Una moneda regular se lanza al aire 20 veces. La probabilidad de obtener 10 caras y
10 cruces es:

10 20
1 1
a) 0,5 b) c) d) Ninguna es cierta.
2 2

Justificación

1
La variable “número de caras en 20 lanzamientos” es una B 20 ; por tanto, la
2
probabilidad de obtener 10 caras vale:

10 10 20
20 1 1 20 1
P(ξ = 10 ) = ⋅ ⋅ = ⋅
10 2 2 10 2

(La respuesta c) seria correcta si nos hablasen de obtener 10 caras y 10 cruces en ese orden)

8.- Si dos variables aleatorias ξ y η son estadísticamente independientes:

a) ρ ≠ 0 b) cov (ξ ,η ) = 0 c) ρ = 1 d) Ninguna es cierta

Justificación

Al ver las propiedades de la esperanza matemática se ha demostrado que, en el supuesto

de independencia: E (ξ ⋅η ) =↑ E (ξ ) ⋅ E (η )
Indep.

Entonces, en este supuesto:

cov(ξ ,η ) = E (ξ ⋅η ) − E (ξ ) ⋅ E (η ) =↑ 0
Indep.
9.- La función característica de una variable aleatoria verifica que:

a) ϕ (0 ) = 0 b) ϕ (1) = 0 c) ϕ ( 0 ) = 1 d) Ninguna es correcta.

Justificación

Basta con recordar la definición de función característica: ϕ (t ) = E (e itξ )

Por tanto:
ϕ (0) = E (e i 0ξ ) = E (e 0 ) = E (1) = 1

n
10.- Las variables ηi son N (5 ; 5) e independientes. Si Z = η i la distribución de la
i =1

Z
variable W = es:
5n 2

a) N
1 1
;
n n3
(
b) N 5n ; 5 n ) c) N 1;
1
n
d) Ninguna es correcta.

Justificación

i η
Z
W = 2 = 1 2 es una combinación lineal de variables normales independientes y, en
5n 5n
consecuencia, también será normal, con media:
n
ηi n n n
1 1 1 1 1
E (W ) = E 1
2
= E ηi = E (ηi ) = 5= 5n =
5n 5n 2 1 5n 2 1 5n 2 1 5n 2
n

y varianza:
n
ηi 2 n 2 n 2 n
1 1 1 1 1
V (W ) = V 1
2
= V ηi =↑ V (ηi ) = 52 = 25n = 3
5n 5n 2 1 Indep. 5n 2 1 5n 2 1 25n 4
n

Es decir:
1 1
W →N ; 3
n n
Una empresa que fabrica productos artesanales, observa que sus ventas han disminuido.
Realiza un estudio sobre la demanda de estos productos y obtiene que la demanda diaria
se distribuye normalmente, con media 5.000 unidades y desviación típica 500 unidades.
Para no crear una página web, la empresa necesita que la demanda de dos semanas sea
superior a 68.000 unidades. ¿Cuál es la probabilidad de que la empresa cree la página
web para dar a conocer la empresa en todo el mundo?

Septiembre 2003

SOLUCIÓN

La demanda de cada día sigue una distribución normal:

ξ i → N (5000 ; 500)

Admitiremos que las demandas diarias son independientes entre si y que la empresa
funciona los 7 días de la semana. En estos supuestos, la variable “Demanda en 2
semanas”:

ξ = ξ1 + ξ 2 + + ξ14

al ser una combinación lineal de variables normales independientes también se

distribuirá normal con media:

E (ξ ) = E (ξ1 + ξ 2 + + ξ14 ) = E (ξ1 ) + E (ξ 2 ) + + E (ξ14 ) = 14 ⋅ 5000 = 70000

y varianza:

V (ξ ) = V (ξ1 + ξ 2 + + ξ14 ) = V (ξ1 ) + V (ξ 2 ) + + V (ξ14 ) = 14 ⋅ 500 2 = 3500000

(
ξ → N 70.000 ; 3.500.000 )

Ya podemos calcular la probabilidad pedida. La empresa creará la página si la demanda

no supera las 68.000 unidades:

68.000 − 70.000
P (ξ ≤ 68.000 ) = P ξ * ≤ = (ξ * ≤ −1, 07 ) = 0,1423
3.500.000

P (ξ ≤ 68.000 ) = 0,1423
Una cooperativa agrícola, realiza un estudio que evalúe la producción en la próxima
cosecha. La conclusión es presentada a través de la siguiente función:
f ( x ) = k x (10 − x ) (x expresada en miles de unidades). Admitiéndose como producción
mínima 1.000 unidades y como máxima 10.000 unidades. Calcular

a) Valor de k para que sea función de densidad y el valor de la función de

distribución.
b) Producción esperada.
c) La probabilidad de que la producción esté entre 2.000 y 6.000 unidades.

Septiembre 2003

SOLUCIÓN

a) Valor de k para que sea función de densidad y el valor de la función de

distribución.

Determinación de la constante:

La función de densidad de la variable es:

= k x (10 − x ) 1 ≤ x < 10
f ( x) =
=0 Resto

Para determinar la constante basta con imponer que toda la probabilidad debe ser la
unidad:
∞
f ( x ) dx = 1
−∞

en este caso:
10
x 2 x3
( )
∞ 10 10
f ( x ) dx = k x (10 − x ) dx = k 10 x − x 2
dx = k 10 − =
−∞ 1 1 2 3 1

1000 1 500 14 486

=k 500 − − 5− =k − =k = 162k = 1
3 3 3 3 3

por tanto:
1
k=
162
y la función de densidad queda:

1
f ( x) =
=
162
(10 x − x 2 ) 1 ≤ x < 10

=0 Resto
Función de distribución:

x
= 0du = 0 x <1
−∞

1 x
15 x 2 − x3 − 14
( )
x 1
F ( x ) = P (ξ ≤ x ) = f ( u ) du = = 0du +10 u − u 2
du = 1 ≤ x < 10
1 162 486
−∞ −∞

10 1
(10 u − u 2 ) du + 10 0du = 1
1 x
= 0du + x ≥ 10
−∞ 1 162

b) Producción esperada.

10 10
1 1 1 x3 x 4
(10 x − x 2 ) dx = (10 x − x ) dx = 162
∞ 10
E (ξ ) = x ⋅ f ( x ) dx = x 2 3
10 − =
−∞
1 162 162 1 3 4 1

1 103 104 1 1 41
= 10 − − 10 − =
162 3 4 3 4 8

41
E (ξ ) =
8

c) La probabilidad de que la producción esté entre 2.000 y 6.000 unidades.

15 ⋅ 62 − 63 − 14 15 ⋅ 22 − 23 − 14 272
P ( 2 < ξ ≤ 6) = F ( 6) − F ( 2) = − = ≈ 0, 56
486 486 486
UNED
Estadística Teórica 1 (Economía)

Septiembre 2003 (Reserva)

PREGUNTAS TIPO TEST (Septiembre de 2003 Reserva)

1.- Dados los sucesos A y B con P (A) = P (B) = 1/3, donde A y B son independientes.
¿Cuál es P (A / B ) ?

a) 2/3 b) 2/9 c) 1/3 d) Ninguna de las anteriores.

Justificación

Por el axioma de la probabilidad condicionada:

P(A ∩ B )
P (A / B ) =
P (B )
donde:

P ( A ∩ B ) = P ( A) − P ( A ∩ B )
=↑ P( A) − P( A) ⋅ P(B ) = P( A)[1 − P(B )] = P( A) ⋅ P(B )
Indep.
entonces, en el supuesto de que A y B sean independientes:

P (A ∩ B ) P( A) ⋅ P(B )
P (A / B ) =
1
= = P ( A) =
P(B ) P (B ) 3

Nótese que este resultado nos indica que si A y B son independientes también lo son A y B como era
previsible.

2
2.- Las v.a. (ξ ,η ) tienen como función de cuantía conjunta: P(1,1) = P(2,1) = y
5
1
P(1,2 ) = . La función de cuantía marginal de ξ es:
5

a) P(ξ = 1) = 3 / 5 y P(ξ = 2) = 2 / 5 b) P(ξ = 1) = 4 / 5 y P(ξ = 2) = 1 / 5

c) P(ξ = 1) = 2 / 5 y P(ξ = 2) = 1 / 5 d) Ninguna es correcta

Justificación

En primer lugar, el hecho de que toda la probabilidad sea la unidad obliga a que
P(2,2) = 0

Recordando que Pi . = Pi j
∀j

2 1 3 2 2
P(ξ = 1) = P(1,1) + P(1,2 ) = + = P(ξ = 2 ) = P(2,1) + P(2,2 ) = +0=
5 5 5 5 5
3.- Sean las variables ξ1 y ξ 2 independientes, ξ1 → B(n1 ; p ) y ξ 2 → B(n2 ; p ) . La v.a.
η = ξ1 + ξ 2 tiene como distribución:

a) B(1; p ) b) B(n1 × n2 ; p ) c) B(n1 + n2 ; p ) d) Ninguna es cierta

Justificación

Recordemos que la función característica de una B(n ; p ) es: ϕ (t ) = (q + p e it )

n

Entonces:
ξ1 → B(n1 ; p ) ϕξ (t ) = (q + pe it )
n1
1

ξ 2 → B(n2 ; p ) ϕξ (t ) = (q + pe it )
n2
2

La función característica de una suma de variables independientes es el producto de las

respectivas funciones características:

ϕη (t ) = ϕξ +ξ (t ) = ϕξ (t ) ⋅ ϕξ (t ) = (q + pe it ) ⋅ (q + pe it ) = (q + pe it )
n1 n2 n1 + n2
1 2 ↑ 1 2
Indep.

función característica de una B(n1 + n2 ; p )

4.- Sean λ y η v.a. de igual media m y varianza σ 2 . Sean las v.a. U = λ − η y

V = λ + η . El coeficiente de correlación ρUV es:

a) ρUV = 0 b) ρUV ≠ 0 c) ρUV = 1 d) Ninguna es cierta

Justificación

U = λ − η → E (U ) = E (λ − η ) = E (λ ) − E (η ) = m − m = 0
V = λ + η → E (V ) = E (λ + η ) = E (λ ) + E (η ) = m + m = 2m
( ) ( ) ( )
E (U ⋅V ) = E [(λ − η ) ⋅ (λ − η )] = E λ2 − η 2 = E λ2 − E η 2
pero:
( ) ( )
V (λ ) = E λ2 − [E (λ )] → E λ2 = V (λ ) + [E (λ )] = σ 2 + m 2
2 2

V (η ) = E (η ) − [E (η )] → E (η ) = V (η ) + [E (η )] = σ 2 + m2
2 2 2 2

con lo que nos queda que:

E (U ⋅V ) = E (λ2 ) − E (η 2 ) = (σ 2 + m 2 ) − (σ 2 + m 2 ) = 0

la covarianza vale: cov (U ,V ) = E (U ⋅V ) − E (U ) ⋅ E (V ) = 0 − 0 ⋅ 2m = 0

cov(U ,V )
y, en definitiva: ρ = =0
V (U ) V (V )
5.- La convergencia de una distribución binomial a una normal se consigue probar a partir
del teorema de:

a) Chebychef b) Gauss c) Pearson d) Ninguna es cierta

Justificación

El teorema que prueba la convergencia de la binomial a la normal es el teorema de

Moivre

2x
6.- Sea X una v.a. con función de densidad f ( x ) = si 1 ≤ x ≤ 4 . La media de la v.a.
15
Z = X – 4 es:

a) 3,6 b) 0,13 c) –1,2 d) Ninguna es cierta

Justificación
4 4
∞ 2x 2 4 2 2 x3 2 64 − 1
E(X ) = x f ( x ) dx = x dx = x dx = = = 2,8
−∞
1 15 15 1 15 3 1
15 3
por tanto:

E (Z ) = E ( X − 4) = E ( X ) − 4 = 2,8 − 4 = −1,2

µ4
7.- El coeficiente γ 2 = − 3 mide:
σ4

a) Asimetria b) Curtosis c) Correlación d) Ninguna es correcta.

Justificación

Se trata del segundo coeficiente de Fisher o coeficiente de curtosis que mide el

apuntamiento de la distribución por comparación con la campana de Gauss. Los valores
de este coeficiente tienen la siguiente interpretación:

Distribución mas apuntada que la normal (Leptocurtica) → γ 2 > 0

Distribución con el mismo apuntamiento que la normal (Mesocurtica) → γ 2 = 0
Distribución menos apuntada que la normal (Platicurtica) → γ 2 < 0
 p eit
8.- Sea X una v.a. con función característica ϕ (t ) = . El valor de k para que sea
( )
1 − keit
función característica es:

a) (1- p) b) p c) 1 d) Ninguna es correcta

Justificación

La función característica, particularizada para t = 0 siempre vale la unidad.

p e it p e0 p
ϕ (t ) t =0 = = = = 1 → k = 1− p
(
1 − keit ) t =0
1− k e o
1− k

X −Y
9.- Sean X e Y dos v.a. independientes N (3,3), se define la v.a. Z = . La
18
P(− 1,64 ≤ Z ≤ 1,64) es:

a) 0,101 b) 0,0505 c) 0,899 d) Ninguna es correcta.

Justificación

La variable Z al ser combinación lineal de variables normales independientes también

será normal, con media:

X −Y E ( X ) − E (Y ) 3 − 3
E (Z ) = E = = =0
18 18 18

y varianza:

X −Y 1 V ( X ) + V (Y ) 32 + 32
V (Z ) = V = V (X − Y ) = = =1
18 18 18 18
Es decir:
Z → N (0 ;1)
Entonces:

P(− 1,64 ≤ Z ≤ 1,64) = F (1,64) − F (− 1,64 ) = 0,9495 − 0,0505 = 0,899

10.- Sea X una v.a. con función f ( x ) = 3e −3 x x ≥ 0 . Si P( X ≤ a ) = 0,5 , se verifica que
a toma como valor:

a) 1,5 /3 b) – ln (0,5) /3 c) ln(1,5) /3 d) Ninguna es correcta.

Justificación

P( X ≤ a ) =
a

−∞
f ( x ) dx = 3 e
a
0
−3 x
dx = 3
e −3 x
−3
[
= − e −3 x ]
a
0 = −e −3a + e 0 = 1 − e −3a = 0,5
0
− ln (0,5)
e −3a = 1 − 0,5 = 0,5 → − 3a = ln (0,5) → a =
3
 Dada una variable aleatoria bidimensional (X , Y ) con función de densidad:
f ( x, y ) = K ( x + y ) 0 ≤ x ≤ y ≤1
Calcular:
a) Comprobar que es función de densidad y calcular las distribuciones marginales.
b) La función de regresión Y /X
Septiembre 2003

SOLUCIÓN

El recinto donde está definida la variable es el

indicado en la figura.

1 Para determinar el valor que debe tener la

constante K para que la función dada sea una
verdadera densidad basta con imponer que
toda la probabilidad debe valer la unidad:
R
∞ ∞
f ( x, y ) dx dy = 1
−∞ −∞

1 En este caso:

1 y
x2
f (x, y ) dx dy = K ( x + y ) dx dy = K dy (x + y ) dx = K
∞ ∞ 1 y
+ yx dy =
− ∞ −∞ R 0 0 2 0
0

1 1
3 2 3 y3 31 1
=K y dy = K =K = K =1
02 2 3 0
23 2

es decir: K = 2 y la función de densidad queda:

= 2 (x + y ) 0 ≤ x ≤ y ≤1
f ( x, y ) =
=0 Resto

Calculemos las densidades marginales:

1
∞ y2 1 x2
f1 ( x ) = f ( x, y ) dy = 2( x + y ) dy = 2 xy +
1
=2 x+ − x2 + = 2 x + 1 − 3x 2 0 ≤ x ≤1
−∞ x 2 x
2 2

f1 ( x ) = 2 x + 1 − 3 x 2 0 ≤ x ≤1

y
∞ x2 y2
f2 ( y) = f ( x, y ) dx = 2( x + y ) dx = 2
y
+ yx =2 + y2 = 3y2 0 ≤ y ≤1
−∞ 0 2 0
2

f2 ( y) = 3y 2 0 ≤ y ≤1
Función de regresión Y / X

La regresión viene dada por la esperanza matemática condicionada:

ϕ ( x ) = E (Y / X = x ) = ∞
−∞
y f ( y / x ) dy

f ( x, y ) 2( x + y )
donde: f ( y / x ) = = x ≤ y ≤1
f1 ( x ) 2 x + 1 − 3x 2

entonces, la función de regresión es:

1
2( x + y )
ϕ ( x ) = E (Y / X = x ) = ∞
−∞
y f ( y / x ) dy = y
2 x + 1 − 3x 2
dy =
2
2 x + 1 − 3x 2
1
x
(xy + y )dy =
2

x
1
2 y y 2 3
2 1 1 x2 x3 3x + 2 − 5 x 3
= x + = x + − x + =
2 x + 1 − 3x 2
2 3 x
2 x + 1 − 3x 2 2 3 2 3 (
3 2 x + 1 − 3x 2 )
3x + 2 − 5 x3
ϕ ( x ) = E (Y / X = x ) =
3 (2 x + 1 − 3x 2 )
Un almacén desea proveerse de un determinado articulo para la campaña de verano que
comprende 90 días. Si el promedio de artículos diarios que vende en dicho periodo del
año es de 15 con una desviación típica de 5. Hallar el número máximo de artículos a
comprar si pretende una garantía del 95% de que transcurrida la campaña no le queden
artículos en el almacén.
Septiembre 2003

SOLUCIÓN

No conocemos la distribución de probabilidad de las ventas diarias, pero sabemos que:

µ = E (ξ i ) = 15
ξi →
σ = V (ξ i ) = 5

La venta total en 90 días es la suma de las ventas de cada día. Por tanto:

E (ξ ) = E (ξ1 + ξ 2 + + ξ 90 ) = E (ξ1 ) + E (ξ 2 ) + + E (ξ 90 ) = 90 ⋅15 = 1350

además, si admitimos la independencia entre las ventas de cada día:

V (ξ ) = V (ξ1 + ξ 2 + + ξ 90 ) =↑ V (ξ1 ) + V (ξ 2 ) + + V (ξ 90 ) = 90 ⋅ 52 = 2250

Independie ntes

Obviamente, tampoco conocemos la distribución de probabilidad de esta variable pero

teniendo presente que las ξ i :
• Son variables idénticamente distribuidas.
• Con media y varianza finitas
• Independientes
Al ser 90 grande, el teorema central del límite nos permite afirmar que ξ ,
aproximadamente, se distribuirá Normal:

(
ξ ≈ N 1350 ; 2250 )
Si queremos que no nos queden artículos en el almacén debemos determinar una
cantidad S tal que haya una probabilidad del 95% de que la demanda la supere:

S − 1350
P(ξ > S ) = P ξ * > = 0,95
2250

buscando en la tabla de la N ( 0 ; 1) encontramos:

S − 1350
= −1,645 → S = −1,645 ⋅ 2250 + 1350 ≈ 1272
2250

Debemos tener en stock: S = 1272 Unidades

UNED
Estadística Teórica 1 (Economía)

Septiembre 1999 (A)

PREGUNTAS TIPO TEST (Septiembre de 1999 tipo A)

1.- Dados los sucesos A y B con P(B) > 0 se verifica:

a) P ( A / B ) = P (A / B ) c) P (A / B) + P (B / A) = 1
b) P (A ∩ B) = P (A) d) P ( A / B) + P ( A / B) = 1

2.- Dada la función f ( x ) = 3 x 2 para − 1 < x < 1

a) Es función de distribución b) Es función de densidad

c) Es función característica d) Ninguna de las anteriores

3.- La distribución Binomial B (n , p) converge a una distribución de Poisson P(λ) si

n→ ∞ cuando:

a) λ = p constante b) λ = p/n →∞
c) λ = n.p constante d) Ninguna de las anteriores.

4.- Dada la variable aleatoria ξ cuya distribución de probabilidad viene dada por la
función: f ( x ) = 2 x si 0 < x < 1 y f ( x ) = 0 si x ≤ 0 ó x ≥ 1 ,
Entonces la P (ξ = 0,75) es:

a) 0,75 2 b) 1 c) 0 d) Ninguna de las anteriores

5.- Dada la variable aleatoria ξ con f ( x ) = k x (3 − x ) para 0 ≤ x ≤ 3 , la P(− 1 ≤ ξ ≤ 2)

es:

a) 1 b) 0,4814 c) 0,74047 d) Ninguna de las anteriores

(Realmente la respuesta correcta es 20/27 ≈ 0,74074, pero, dado que la respuesta c es muy similar,
suponemos que se ha producido un error mecanográfico)

6.- El 20 por ciento de los empleados de una empresa son mujeres. Si se eligen 12
empleados al azar ¿cuál es la probabilidad de que como mínimo 3 sean mujeres?

a) 0,5583 b) 0,4416 c) 0,5606 d) Ninguna es correcta

1
7.- ¿Cuál es la probabilidad de que al lanzar n veces una moneda obtengamos n caras?

a) 1- n/2 b) n/2 c) 1- 1/2 n d) 1/2 n

8.- Sea una variable λ = 4η1 - η2, siendo η1 y η2 variables aleatorias normales e
independientes con las siguientes distribuciones: η1 = N (15 ; 3) y η2 = N(18 ; 5). ¿Cuál
será la P (15 ≤ λ ≤ 42)?

a) 0,3899 b) 0,5717 c) 0,4283 d) Ninguna es correcta

(El valor de la probabilidad pedida es 0,4829)

9.- En una distribución N(0 ; 1) la P ( ξ = 1,3 ) es:

a) 0,9032 b) 0,5049 c) 0,0 d) 0,4032

10.- Una variable aleatoria que es suma de n variables N (0 ; 1) al cuadrado e

independientes, sigue una distribución.

a) χ n2 (
b) N 0 ; n ) c) “t” de Student d) Ninguna es correct

2
Al aeropuerto de una ciudad llegan dos vuelos a la misma hora, uno procedente de
Londres y otro de Paris. Se sabe que el pasaje de Paris lo componen 120 personas de las
cuales el 45 por ciento son mujeres; el de Londres son 80 personas siendo el 35 por
ciento mujeres. Elegida al azar una persona resultó ser mujer. ¿Qué probabilidad tiene
de que proceda del vuelo de Paris?
Septiembre 1999 (A)

SOLUCIÓN

Al elegir una persona al azar la probabilidad de que proceda de cada una de las ciudades
sería:

120 80
P (P ) = P (L ) =
200 200

asimismo la probabilidad de mujer, en cada uno de los vuelos vale:

P (M / P ) = 0,45 P (M / L ) = 0,35

Si elegida una persona resulta ser mujer, la probabilidad de que venga de Paris nos la da
el teorema de Bayes:

P ( P ) ⋅ P (M / P ) P ( P ) ⋅ P (M / P )
P (P / M ) = = =
P (M ) P(L ) ⋅ P(M / L ) + P(P ) ⋅ P(M / P )
120
0,45
200 54
= = = 0,6585
80 120 82
0,35 + 0,45
200 200

P (P / M ) = 0,6585

3
Una tienda de confección se sumó a la campaña del sector para obtener rebaja en la
comisión de las tarjetas VISA, ofreciendo la modalidad de pago al contado con un
descuento del 5 por ciento. A los quince días comprobó que un 20 por ciento de los
artículos adquiridos lo han sido con esa modalidad. Si en un periodo determinado se
vendieron 1000 artículos, determínese la probabilidad de que 200 o menos lo hayan sido
al contado.
Septiembre 1999 (A)

SOLUCIÓN

Lo que sucede en la venta de cada artículo lo podemos representar mediante una

variable de tipo dicotómico:

1 (Contado) → p = 0,20
ξi
0 (Credito) → q = 0,80

si en el periodo considerado se han vendido 1000 artículos, el número de ventas al

contado sería una variable con distribución B (n ; p)

E (ξ ) = n ⋅ p = 1000 ⋅ 0,2 = 200

ξ = ξ1 + ξ 2 + + ξ1000 → B(1000 ; 0,2)
V (ξ ) = n ⋅ p ⋅ q = 1000 ⋅ 0,2 ⋅ 0,8 = 160

pero al ser 1000 suficientemente grande, el teorema de Moivre nos asegura que esta
variable se distribuirá aproximadamente Normal

( ) (
ξ ≈ N np ; npq = N 200 ; 160 )
con lo que ya podemos calcular la probabilidad pedida:

250 − 200
P(ξ ≤ 250 ) =↑ P ξ* ≤ (
= P ξ * ≤ 3,95 ) ≈↑ 1
Tipificando 160 ξ ≈ N ( 0;1)
*

P(ξ ≤ 250) ≈ 1

4
UNED
Estadística Teórica 1 (Economía)

Septiembre 1999 (Reserva)

PREGUNTAS TIPO TEST (Septiembre de 1999 Reserva)

1.- Se dice que los sucesos A y B son mutuamente excluyentes cuando se verifica:

a) P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) b) P ( A ∪ B ) = P ( A) ⋅ P ( B )
c) P ( A ∪ B ) = P ( A ) + P ( B ) d) P ( A ∪ B ) = P ( A) + P ( B ) + P ( A ∩ B )

Justificación

Dos sucesos son incompatibles o mutuamente excluyentes cuando A ∩ B = ∅ . En este

supuesto, el tercer postulado de Kolmogorov afirma que:

P ( A ∪ B ) = P ( A) + P ( B )

2.- Dada una variable aleatoria ξ que toma valores en el intervalo [ a,b]

a) Su esperanza puede tomar un valor c > b

b) Su esperanza puede tomar un valor c < a
c) Su esperanza existe siempre y es c siendo a ≤ c ≤ b
d) Ninguna es correcta

Justificación

Razonamos en el supuesto de que la variable sea continua

∞ b b b
E (ξ ) = x f ( x ) dx = x f ( x ) dx ≤ b f ( x ) dx = b f ( x ) dx = b ⋅1 = b
−∞ a a a
∞ b b b
E (ξ ) = x f ( x ) dx = x f ( x ) dx ≥ a f ( x ) dx = a f ( x ) dx = a ⋅1 = a
−∞ a a a

por tanto:
a ≤ E (ξ ) ≤ b

(El razonamiento es correcto si suponemos que a y b son finitos. Si a o b fuesen infinitos la esperanza
podría no existir)

1
3.- Dada la variable aleatoria continua ξ se verifica :

a) P (a < ξ ≤ b ) > P (a < ξ < b ) b) P (a < ξ ≤ b ) < P (a ≤ ξ ≤ b )

c) P (a < ξ < b ) = P (a ≤ ξ ≤ b ) d) Ninguna de las anteriores.

Justificación

Si la variable es continua, la probabilidad en cualquier punto es nula, por tanto:

P ( a < ξ < b ) = P ( a ≤ ξ ≤ b ) − P (ξ = a ) − P (ξ = b ) = P ( a ≤ ξ ≤ b ) − 0 − 0 = P ( a ≤ ξ ≤ b )

4.- Dada la función F ( x ) = x − 1 si 0 < x < 1

a) Es función de densidad b) Es función de distribución

c) Puede ser función de densidad o de distribución d) Ninguna de las anteriores

Justificación

La función dada no puede ser ni función de densidad ni función de distribución por ser
negativa en su campo de definición.

5.-Sean ξ1 y ξ2 dos variables N (0 ; σ ), la variable η = ξ1 + ξ 2 será:

a) N ( 0; 2σ ) b) N ( 0; σ ) c) N ( 0; σ 2 ) (
d) N 0; σ 2 )
Justificación

Para poder contestar la pregunta tenemos que suponer que las variables ξ1 y ξ 2 son
independientes. En este supuesto la variable η, al ser una combinación lineal de
variables normales independientes, también será normal con media:
E (η ) = E (ξ1 + ξ 2 ) = E (ξ1 ) + E (ξ 2 ) = 0 + 0 = 0
y varianza:
V (η ) = V (ξ1 + ξ 2 ) =↑ V (ξ1 ) + V (ξ 2 ) = σ 2 + σ 2 = 2σ 2
Indep.

es decir:

( ) (
η → N 0; 2σ 2 = N 0; σ 2 )

2
6.- ¿Cuál es la probabilidad de que al lanzar un dado n veces se obtenga al menos una
vez 6?
n n
5 1 1 5
a) b) n c) 1 − n d) 1 −
6 6 6 6

Justificación

La probabilidad de no obtener ningún 6 es:

n
5
P(6 ∩ 6 ∩ ∩ 6) = P (6)
n
=
6

Entonces, la probabilidad de conseguir algún seis será:

P (6 ∪ 6 ∪ (
∪ 6) = 1 − P 6 ∪ 6 ∪ )
∪ 6 = 1− P ( 6 ∩ 6 ∩ ∩ 6) = 1−
5
6

7.- El 30 por ciento de los artículos producidos por una empresa son defectuosos. Si se
toman 5 al azar ¿Cuál es la probabilidad de que como máximo 2 sean defectuosos?

a) 0,1631 b) 0,6688 c) 0,8369 d) Ninguna es correcta

Justificación

El número de artículos defectuosos en un lote de cinco es Binomial ( 5 ; 0,3 ), por tanto:

5 5
P (ξ ≤ 2 ) = P (ξ = 0 ) + P (ξ = 1) + P (ξ = 2 ) = ⋅ 0,30 ⋅ 0, 75 + ⋅ 0,31 ⋅ 0, 7 4 +
0 1
5
+ ⋅ 0,32 ⋅ 0,73 = 0,16807 + 0,36015 + 0,30870 = 0,83693 0,8369
2

3
8.-Sea ξ una variable aleatoria con función de cuantía
1
P [ξ = x ] = para x = 1, 2, 3, 4, 5, 6, 7,8, 9
k
¿Cuál será la P ( 2 < ξ ≤ 7 ) ?

a) 0,55 b) 0,66 c) 0,44 d) Ninguna es correcta

Justificación

Determinamos k imponiendo que toda la probabilidad vale la unidad:

9
1 1
Pi = = 9 =1 → k = 9
∀i 1 k k

Entonces:

P ( 2 < ξ ≤ 7 ) = P (ξ = 3) + P (ξ = 4 ) + P (ξ = 5 ) + P (ξ = 6 ) + ( ξ = 7 ) =
1 1 1 1 1 5
= + + + + = 0,55
9 9 9 9 9 9

9.- Una variable aleatoria tiene como función generatriz de momentos g (θ ) = (1 − 2θ )

−2

¿Cuál será la desviación típica de la variable?

a) 80 b) 6 8 c) 4 d) Ninguna es correcta

Justificación
4
g (θ ) = (1 − 2θ ) = (1 − 2θ ) 2 es la función generatriz de una χ 2 de Pearson con 4
−2 −

grados de libertad. Entonces:

σ 2 = V ( χ 42 ) = 2 ⋅ n = 2 ⋅ 4 = 8 → σ = 8 = 2 2

(Si la función generatriz no hubiese correspondido a una distribución conocida podríamos calcular los
momentos derivandola y particularizando en θ = 0)

4
10.- Se dice que una variable sigue una distribución χ n2 de Pearson cuando:

a) Es igual a la suma de n variables N ( 0; σ ) al cuadrado.

b) Es igual a la suma de n variables N ( 0; σ ) e independientes.
c) Es igual a la suma de n variables N ( 0;1) e independientes al cuadrado.
d) No es correcta ninguna.

Justificación

No hay nada que justificar. Por definición:

n ξi → N ( 0;1)
χ =
2
n ξi2 siendo
1 Independientes

5
El peso por unidad de unas piezas determinadas se ajusta a la función de densidad
f ( x ) = k x ( 3 − x ) para 0 ≤ x ≤ 3 . Las piezas son aceptadas si su peso está comprendido
entre 1 y 2. Hallar:
a) k
b) La función de distribución.
c) La probabilidad de que una pieza pese exactamente 1,5.
d) La probabilidad de que una pieza pese más de 2.
(Septiembre 1999 Reserva)

SOLUCION

a) Determinación de la constante

Para determinar la constante k basta con imponer que toda la probabilidad debe de valer
la unidad:
3
x 2 x3 27 9
f ( x ) dx = k x ( 3 − x ) dx = k ( 3 x − x ) dx = k 3 −
∞ 3 3
2
=k −9 = k =1
−∞ 0 0 2 3 0
2 2

por tanto:
2
k=
9
y la función de densidad queda:

2 2
f ( x) = x ( 3 − x ) = ( 3x − x 2 ) para 0≤ x≤3
9 9

b) La función de distribución.

x
= 0 du = 0 x<0
−∞

x x
2 2 u 2 u3 9 x2 − 2 x3
( ) 9 32−3
x 0
F ( x ) = P (ξ ≤ x ) = f ( u ) du = = 0 du + 3u − u 2
du = = 0≤ x<3
−∞ −∞
0 9 0
27
3
2
( 3u − u 2 ) du +
0 x
= 0 du + 0 du = 1 x≥3
−∞
0 9 3

=0 x<0
9x − 2x 2 3
F ( x) = = 0≤ x<3
27
=1 x≥3

6
c) La probabilidad de que una pieza pese exactamente 1,5.

P (ξ = 1,5 ) = 0

ya que, al ser la variable continua, la probabilidad en cualquier punto es cero.

d) La probabilidad de que una pieza pese más de 2.

9 ⋅ 2 2 − 2 ⋅ 23 20 7
P (ξ > 2 ) = 1 − P (ξ ≤ 2 ) = 1 − F ( 2 ) = 1 − = 1− =
27 27 27

7
P (ξ > 2 ) =
27

7
En un municipio de 200.000 habitantes, el número de hombres es de 98.000 y el de
mujeres de 102.000. Tomada una muestra al azar de 5.000 personas ¿Qué probabilidad
hay de que mas del 50 por ciento de la misma sean hombres? Y ¿Qué probabilidad hay
de que el número de hombres esté entre 1.800 y 2.500?
(Septiembre 1999 Reserva)

SOLUCION

Supongamos que la muestra se toma con remplazamiento. En este supuesto, la variable

98.000
“número de varones en la muestra” será binomial con p = = 0, 49 y
200.000
102.000
q= = 0,51
200.000

Es decir:

E (ξ ) = np = 5000 ⋅ 0, 49 = 2450
ξ → B ( 5000;0, 49 )
V (ξ ) = npq = 5000 ⋅ 0, 49 ⋅ 0,51 = 1249,5

pero, al ser 5000 grande, el teorema de Moivre nos permite aproximar a una Normal:

ξ (
N 2450; 1249,5 )
teniendo esto presente ya podemos calcular las probabilidades pedidas:

¿Qué probabilidad hay de que más del 50 por ciento de la muestra sean hombres?

El 50% de la muestra son 2500 personas, por tanto:

2500 − 2450
P (ξ > 2500 ) = P ξ * > = P (ξ * > 1, 41) = 1 − F (1, 41) = 1 − 0, 9207 = 0, 0793
1249,5

¿Qué probabilidad hay de que el número de hombres esté entre 1.800 y 2.500?

1800 − 2450 2500 − 2450

P (1800 < ξ ≤ 2500 ) = P <ξ* ≤ = P ( −18,39 < ξ * ≤ 1, 41) =
1249,5 1249,5
= F (1, 41) − F ( −18,39 ) = 0,9207 − 0 = 0,9207