TEMA 4.

- VARIABLES Y DISTRIBUCIONES
ALEATORIAS CONTINUAS

1.- INTRODUCCION.
En el tema anterior representábamos los posibles resultados de diversos
experimentos con variables aleatorias discretas. Como es fácil observar, muchos
experimentos pueden tener resultados que sólo se pueden representar con números
reales.

Por ejemplo el peso de los garbanzos de cierta procedencia, la altura de los árboles
de una plantación, el consumo de combustible por km recorrido,... En todos estos
casos los valores que se pueden obtener pueden representarse con números reales,
e hipotéticamente los valores posibles abarcan un espectro continuo entre ciertos
límites.

De aquí el interés de poder contar con un instrumento que nos permita modelizar los
resultados de estos experimento con nuevas variables aleatorias que puedan tomar
valores continuos en un intervalo.

1.1. Función de Densidad. Función de Distribución.

Las variables aleatorias discretas estaban definidas cuando se conocía la

probabilidad de cada uno de sus valores posibles. Las variables aleatorias continuas
tienen infinitos valores posibles, y se considera definida cuando se conoce su
función de densidad de probabilidad.

La función de densidad, f, de una variable aleatoria, x, es una función real de

variable real que verifica las siguientes condiciones:

a) f(x) ≥ 0 ∀x
+∞

b) ∫
−∞
f(x) dx = 1

b
entonces P ( x ∈ [a, b] ) = ∫
a
f(x) dx

La Función de Distribución, F, de una variable aleatoria se define:

x
F(x) = ∫
−∞
f(x) dx

entonces P( x < a) = F(a)

1.2. Parámetros.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 1

METODOS ESTADÍSTICOS Y APLICACIONES

Dada una variable aleatoria continua, x, con función de densidad f(x), los parámetros
más significativos son:

+∞
Media : m= ∫ f ( x) xdx
−∞
+∞

σ = ∫ f ( x)( x − m)
2 2
Varianza: dx
−∞

Ejemplo: En la figura se representa la función de densidad de una variable

aleatoria. Se pide indicar:
a) la expresión analítica de la función de densidad.
b) La expresión analítica de la función de distribución.
c) Utilizando la función de densidad calcular la media y la varianza de dicha variable
d) Calcular la probabilidad de que la variable esté en el intervalo [-0.25, 0.5]

2.- DISTRIBUCION CONTINUA UNIFORME.

Una variable aleatoria x tiene una distribución uniforme en el intervalo [a, b], si su
función de densidad es :

1
función de densidad f(x) = x ∈[a , b] f(x) = 0 x ∉[a , b]
b−a
b+a
media E(x) =
2
1
varianza σ 2 = ( b − a) 2
12

Ejemplo: Una variable aleatoria, x, se distribuye uniformente en el intervalo [3,14],

indicar::
a) P( x > 10)
b) P(x < 5)
c) P(x ∈ [4,6]
d) su media
e) su varianza

Ejemplo.: Una variable aleatoria, z, tiene la función de densidad f(z).

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 2

METODOS ESTADÍSTICOS Y APLICACIONES

 0 z < −1
1 + z − 1 ≤ z < 0

f ( z) = 
1 − z 0 ≤ z ≤ 1
 0 1< z
Se pide:
a) Comprobar que f(z) cumple las condiciones para ser una función de densidad.
b) Indicar la función de distribución, F(z), de la variable z.
c) Representar gráficamente la función de densidad y la función de distribución.
d) Indicar P( z ∈ [− 0.5,0.5] ).

3.- DISTRIBUCION NORMAL

3.1. Concepto.

Una variable aleatoria x tiene una distribución normal, N(m, σ ), si su función de

densidad es :

1 ( x − m) 2
1 −
2 σ2
función de densidad f(x) = e
σ 2π
media E(x) = m
σ 2 (x) = σ
2
varianza

La distribución normal es simétrica respecto la media.

función de densidad según la desviación típica

-2,7

-2,4

-2,1

-1,8

-1,5

-1,2

-0,9

-0,6

-0,3

0,3

0,6

0,9

1,2

1,5

1,8

2,1

2,4

2,7
-3

1 2 0.5

Se llama variable normal tipificada a una variable N(0, 1).

función de densidad función de distribución

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 3

0

3
-3

0,6
1,2
1,8
2,4
-2,4
-1,8
-1,2
-0,6

0,5

1,5

2,5
0

3
-2,5

-1,5

-0,5
-3

-2

-1
METODOS ESTADÍSTICOS Y APLICACIONES

En las tablas se indica la función de distribución de la variable normal tipificada.

Uso de las tablas:

P( N(0,1) < -3.0 ) = 0.0013
P( N(0,1) < -1.0 ) = 0.1587
P( N(0,1) < 2.0 ) = 0.9772
P( N(0,1) < -1.5 ) = 0.0668
P( N(0,1) < -1.57 ) = 0.0582
P( N(0,1) < -2.0 ) = 0.0228
P( N(0,1) < 1.0 ) = 0.8413
P( N(0,1) < 3.0 ) = 0.9987
P( N(0,1) < -1.53 ) = 0.0643

Ejercicio3.1.a.: Calcular las probabilidades siguientes

a) P( N(0,1) ∈ [-1,1] )
b) P( N(0,1) ∈ [-2,2] )
c) P( N(0,1) ∈ [-3,3] )
d) P( N(0,1) ∈ [1,2] )
e) P( N(0,1) > 2.17 )
f) P( N(0,1) >2.195 )
g) P( N(0,1) >1.413 )
h) P( N(0,1) ∈ [ 1.213 , 1.437 ] )

Ejercicio 3.1.b.: Indicar el valor tal que la probabilidad de que una variable normal
tipificada:
a) no lo supere sea de 0.4681
b) lo supere sea de 0.0505 (sol.: 1.64 )
c) lo supere sea de 0.1284

Nota sobre interpolación lineal:

Para calcular, por ejemplo, P ( N( 0, 1 ) < 1.537 ), las tablas de la variariable normal
tipificada nos dan las siguientes probabilidades:
P ( z < 1.53 ) = 0.936992
P ( z < 1.54 ) = 0.938220

El método de interpolación lineal nos llevaría a:

0.938220 − 0.936992
P( z < 1.537 ) = 0.936992 + (1.537 − 1.53) =
1.54 − 1.53

O bien , más sencillo para este problema concreto, a:

P( z < 1.537 ) = 0.936992 · 0.3 + 0.938220 · 0.7 =

3.2. Tipificación de Variables Aleatorias Normales.

Los cálculos de probabilidades de una variable N(m, σ ) pueden convertirse en

cálculos sobre una variable normal tipificada N(0, 1) con el procedimiento de
tipificación.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 4

METODOS ESTADÍSTICOS Y APLICACIONES

1 ( x −m )2 a−m 1
1 − 1 − u2  a−m
P ( N ( m, σ ) < a ) = ∫
a
e 2 σ2
dx = ∫ σ e 2
du = P N (o,1) < 
−∞
σ 2π −∞
2π  σ 
Ejemplos
 1,75 − 2 
P( N (2 ; 1,3) > 1,75) = P N (0 ; 1) > 
 1,3 
 2,975 − 3,2 
P( N (3,2 ; 0,75) < 2,975) = P N (0 ; 1) < 
 0,75 
  2,975 − 3,2 4,125 − 3,2  
P ( N (3,2 ; 0,75) ∈ [2,975 ; 4,125]) = P N (0 ; 1) ∈  ;  
  0, 75 0, 75 

Ejercicio 3.2.a.: Calcular las probabilidades siguientes

a) P( N(2, 3) ) < 4 )
b) P( N(14, 3) < 11 )
c) P( N(5.25, 0.25) > 4.5 )
d) P( N(3.1, 0.1) ∈ [ 2.8, 3.4] )
e) P( N(3.1, 0.1) ∈ [ 2.9, 3.3] )
f) P( N(3.1, 0.1) ∈ [ 3.0, 3.2] )
g) P( N(3.1, 0.1) ∈ [ 1.21, 2.17 ] )
h) P( N(3.1, 0.1) ∈ [ -1.314 , 1.427] )

La combinación lineal de variables normales independientes:

x = a1x1 + a2x2 +....+ anxn donde: xi = N(mi, σ i),

es otra variable normal N(m, σ ), con los parámetros:

media E(x) = m = a1m1 + a2m2 + .... + anmn

varianza σ 2 (x) = σ 2 = a 12 σ 12 + a 22σ 22 + .... + a n2σ 2n

Ejercicio 3.2.b.: Se desea preparar unos estuches con tres piezas de fruta de tres
especies diferentes. Los pesos, en gramos, de las frutas de cada una de las
especies se distribuyen según: A = N(125, 15), B = N(90, 10), y C = N(155, 20).
Indicar:
a) cómo se distribuye el peso de los estuches. (sol.: N 370, 725 ) ( )
b) probabilidad de que un estuche pese más de 300 gramos.

3.3. La distribución Normal como aproximación

3.3.1 a la distribución binomial

Ejercicio: lanzar 50 veces n=10 monedas. Representar el histograma de la

frecuencia con la que salen un determinado número de caras. Este resultado

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 5

METODOS ESTADÍSTICOS Y APLICACIONES

corresponde al de una variable aleatoria binomial de 10 repeticiones con

probabilidad de 0.5.

Observar como se asemeja a una distribución normal. A medida que n aumenta esta
semejanza aumenta.

Una variable aleatoria binomial B(n, p) puede aproximarse a una variable aleatoria
normal N(np, np(1 − p) ) si se cumple alguna de estas condiciones:

a) n es grande y p no es muy próximo a 0 ó a 1

b) si n es pequeño y p es próximo a 0.5

En este caso, se tiene: P( B( n, p) ≤ k ) ≈ P( N ( np, npq ) ≤ k + 0.5)

Ejercicio: Comparar las probabilidades siguientes:

a) P( B( 10, 0.4) < 6 ) con P( N( 4, 2.4 ) < 6 )
b) P( B( 100, 0.2) < 16 ) con P( N( 20, 4) < 16 )
c) P( B( 10, 0.1) < 1 ) con P( N( 1, 0.9 ) < 1 )

3.3.1 a la distribución Poisson

Una variable aleatoria de Poisson p( λ ) puede aproximarse a una variable aleatoria

normal N( λ , λ ) si λ es mayor que 9.

3.3.1 a la suma de variables aleatorias.

En muchos casos, las causas perturbadoras que originan diversas fluctuaciones son
numerosas, de importancia individual reducida y tales que sus efectos se suman
unos a otros.

Se demuestra que dichas fluctuaciones, obtenidas bajo los efectos de múltiples

causas de efecto individual reducido, responden al modelo de una variable aleatoria
normal.

Sean las variables xi con media mi y desviación típica σ i , i = 1, 2, ...., n ; entonces la

variable x = x1 + x 2 + .... + x1n se puede aproximar a una normal N (m , σ ) ,con
m = m1 + m2 + ..... + mn y σ 2 = σ 12 + σ 22 + ..... + σ n2 ; siempre que se cumplan las
condiciones siguientes:
• n grande
• todas las variables tienen rangos de valores semejantes.

Ejemplo:

Calcular la probabilidad de sumar más de 100 puntos al lanzar 20 dados.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 6

METODOS ESTADÍSTICOS Y APLICACIONES

4.- OTRAS DISTRIBUCIONES CONTINUAS

4.1. Distribución Exponencial.

Una variable aleatoria tiene una distribución Exponencial de parámetro λ , x =

exp( λ ), si su función de densidad es :

función de densidad f(x) = λ • e − λx ∀x > 0

1
media E(x) =
λ
1
varianza σ 2 (x) =
λ2

En la figura siguiente se indica la función de distribución de variables exponenciales

para diferentes valores del parámetro λ

función de distribución
1,2
1
0,5
0,8
1
0,6
2
0,4 4
0,2
0
0,5

1,5

2,5

3,5

4,5

5,5
0

En el tema anterior estudiamos la distribución de Poisson, y como representaba el

número de incidentes que ocurrían en la unidad de tiempo. Puede ser interesante
estudiar cual será la probabilidad de que el tiempo transcurrido entre dos incidentes
supere un determinado periodo.

En una central telefónica se reciben, en promedio, λ llamadas por hora. La

probabilidad de que en una hora lleguen k llamadas es: P( p( λ ) = k ).

La probabilidad de que no lleguen llamadas durante T horas será:

P ( p(T λ ) = 0 ) = e − λT

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 7

METODOS ESTADÍSTICOS Y APLICACIONES

La probabilidad de que llegue al menos una llamada durante T horas será:

P ( p(T λ ) = 0 ) = 1 - e − λT

Esta no es más que la función de distribución de la variable que representa la

probabilidad de que se presente al menos un incidente en un intervalo de tiempo
dado. Su derivada respecto T es la función de densidad de la distribución
exponencial.

1
Por lo tanto representa el tiempo medio entre dos sucesos de Poisson. O el
λ
tiempo desde el inicio hasta la primera llegada.

Ejercicio: El paso de autobuses por una parada sigue una distribución de Poisson
con una media de 10 autobuses por hora. Cual es la probabilidad de que un viajero
tenga que esperar más de 10 minutos el paso de un autobús.

Solución: El viajero tendrá que esperar más de 10 minutos si durante, al menos, ese
tiempo no pasa ningún autobús. El tiempo medio que transcurre entre el paso de dos
autobuses sucesivos es:

60
= 6 minutos
10
La frecuencia media por minuto será:

1
autobuses por minuto
6

La probabilidad de que no pasen autobuses durante t minutos será:

1
− t
e 6

Por lo tanto la probabilidad de que el pasajero tenga que esperar más de 10 minutos
será:

1
− 10
e 6
=

4.2. Distribución Gamma.

Una variable aleatoria tiene una distribución Gamma de parámetro a, x = G(a), si su

función de densidad es :

∞
e − x x a −1
función de densidad f(x) = ∀x ≥ 0 con Γ( x ) = ∫ e − x x a −1dx a>0
Γ(a ) 0
∞
nota Γ(a ) = ∫ e − x x a −1dx con a > 0; Γ(1) = 1 ;
0
Γ ( n) = ( n − 1) Γ ( n − 1)

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 8

METODOS ESTADÍSTICOS Y APLICACIONES

media E(x) = a

varianza σ 2 (x) = a

Es una generalización de la distribución exponencial. La distribución exponencial

indica la probabilidad de que, en cierto intervalo de tiempo, ocurra el primer incidente
de un proceso de Poisson. Y la distribución Gamma indica la probabilidad de que, en
un cierto intervalo de tiempo, ocurran a incidentes de Poisson.

4.3. Distribución Beta

Una variable aleatoria tiene una distribución Beta de parámetroa a y b, x = BT(a,b),

si su función de densidad es :

x a −1 (1 − x ) b −1
función de densidad f(x) = ∀x ∈ [0, 1]
β ( a , b)
1
nota β (a , b) = ∫ x a −1 (1 − x ) b −1 dx
0
a
media E(x) =
a +b

a −b
varianza σ 2 (x) =
(a + b) 2 (a + b + 1)

La distribución beta puede modelizar de forma adecuada los tiempos de duración de

actividades.

4.4. Distribución Chi-Cuadrada

Una variable aleatoria, x, tiene una distribución Chi-cuadrada de n grados de

libertad, χ n , si su función de densidad es :
2

n
1 −1
función de densidad f(x) = n / 2 e − x/2 x 2
2 Γ ( n / 2)

Una variable χ n puede ser interpretada como la suma de n variables normales

2

tipificadas:

x = x12 + x22 + ..... + xn2 donde x1 , x 2 ,..., x n son variables N(0, 1).
En la gráfica siguiente se representa la función de densidad de variables chi-
cuadrado con diferentes grados de libertad

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 9

METODOS ESTADÍSTICOS Y APLICACIONES

función de densidad de una chi-cuadrado

0,1

0,08

0,06 5
0,04 10
15
0,02
20
0 2,5

7,5

12,5

17,5

22,5

27,5
0

10

15

20

25
En las tablas los valores de las variables χ n aparecen en función de n e indican la
2

probabilidad de que la variable supere un cierto valor.

Uso de las tablas:

Una variable χ 5 de 5 grados de libertad supera el valor 0.554 con una probabilidad
2

de 0.99

Una variable χ 10 de 10 grados de libertad supera el valor 12.549 con una

2

probabilidad de 0.25

Se utiliza en inferencia estadística.

Ejercicios: Calcular el valor de k

( )
P χ 72 > k = 0,10
P (χ 2
17 < k ) = 0,05
P (χ 2
25 > 13,1197 ) = k

4.5. Distribución t de Student.

Una variable aleatoria, tn, tiene una distribución t de Student de n grados de

libertad, si se obtiene de la forma siguiente:

N (0,1)
tn = x ∈ ]- ∞, ∞ [
χ 2n / n

La distribución t es simétrica respecto del origen.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 10

METODOS ESTADÍSTICOS Y APLICACIONES

Uso de las tablas:

Una variable t5 de 5 grados de libertad supera el valor 1.476 con una probabilidad de
0.10

Una variable t15 de 15 grados de libertad supera el valor 1.753 con una probabilidad
de 0.05

función de densidad de la t
0,1

0,08
0,06 1
2
0,04
5
0,02 60
0
-3,2
-2,4
-1,6
-0,8
-4

0,8
1,6
2,4
3,2
0

Cuando el número de grados de libertad es muy grande ( superior a 30 ) se

aproxima a la distribución normal.

Se utiliza en inferencia estadística.

Ejercicio: Calcular las probabilidades siguientes:

a) P ( t10 ∈[1812
. ,2.228] )
b) P ( t10 ∈[ −1812
. ,2.228] )
c) P ( t25 ∈[ −1316
. ,2.060] )
d) P ( N(0,1) ∈[ −1316
. ,2.060] )

4.6. Distribución F de Snedecor

Una variable aleatoria, Fn,m, tiene una distribución F de Snedecor de n y m grados

de libertad, si se obtiene de la forma siguiente:

χ 2n / n
Fn,m=
χ 2m / m

Es la relación entre dos variables chi-cuadrado divididas por sus grados de libertad.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 11

METODOS ESTADÍSTICOS Y APLICACIONES

Uso de las tablas:

Una variable F5,3 supera el valor 9.01 con una probabilidad de 0.05

Una variable F3,5 supera el valor 5.41 con una probabilidad de 0.05

Una variable F5,3 supera el valor 28.24 con una probabilidad de 0.01

Se utiliza en inferencia estadística para comparar desviaciones típicas de variables

aleatorias normales..

Ejercicio: Indicar el valor crítico, Z, de una variable Fn,m para los grados de libertad y
niveles de probabilidad indicados::

a) P(F20,1 > Z ) = 0.05

b) P(F5,15 > Z ) = 0.01
c) P(F1,20 > Z ) = 0.05
d) P(F15,5 > Z ) = 0.05
e) P(F15,5 > Z ) = 0.01

4.7. Distribución de Weibull

Una variable aleatoria x =W( α , β ), tiene una distribución Weibull de parámetros α , β

si su función de densidad es :

αβx β −1e −αxβ , x > 0

función de densidad f(x) =  donde α > 0, β > 0
 0, x ≤ 0

Se utiliza en Fiabilidad.

CUESTIONES Y EJERCICIOS

4.01 Simular los resultados de una variable aleatoria binomial con n = 20, y p = 0.3.
Dibujar el histograma.

4.02 Simular los resultados de una variable normal de media m = 20 · 0.3, y

σ = 20 • 0.3 • 0.7 . Dibujar el histograma.

4.03 Comparar los histograma de los ejercicios 1) y 2)

4.04 Cuál es la función de distribución del cuadrado de una variable aleatoria

continua uniforme en [0,1].

4.05 Calcular las siguientes probabilidades:

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 12

METODOS ESTADÍSTICOS Y APLICACIONES

a) P(N(0,1) < 1 )
b) P( 1< N(2,0.25) < 2.5 )
c) P(N(2, 0.25) > 2.33 )

4.06 Determinar la función de densidad de una variable aleatoria continua que se

distribuye uniformemente en el intervalo [4,7].

4.07 Una compañía fabrica lámparas cuya duración se distribuye normalmente con
media 800 horas y desviación típica 40 horas. Indicar la probabilidad de que un foco
se funda entre las 778 y 834 horas.

4.08 La estatura en metros de una población se distribuye normalmente con media

1.75 y desviación típica 0.065. Indicar la probabilidad de que la media de dicha
magnitud en un grupo de 5 individuos esté en el intervalo [1.670 ; 1.79].

4.09 cuando se lanzan 75 monedas calcular la probabilidad de obtener:

a) menos de 30 caras (sol.: 0.0324)
b) más de 50 caras

4.10 Calcular la probabilidad de obtener al menos 80 puntos al lanzar 20 dados.

4.11 Determinar la función de distribución de la suma, H, de dos variables aleatorias

continuas uniformes en [0,1]. Calcular la P( H ∈[0.3 ; 0.7]
 x2
 0 ≤ x ≤1
(sol: P ( H < x) =  2 )
1 − (2 − x) 1 ≤ x ≤ 2
2

 2

4.12 Sean las variables aleatorias normales: X = N(50,2) , Y = N(37, 2.5), Z = N(45,
1.5) que representan los pesos, en gramos, de tres tipos de piezas. Estas piezas se
empaquetan en grupos de tres piezas del tipo X, dos del tipo Y y 4 del tipo Z. Si el
embalaje resiste 425 grs. Indicar cuantos embalajes se romperán.

4.13 Una variable aleatoria u se distribuye uniformemente en [1, 5], indicar:

a) P( u <= 2 )
b) P( u >= 3 )
c) P( u [2, 3])
( )
d) P u 2 < 3 = P(u < 3 )
e) P( u2 - u > 3)

4.14 La duración media de un tipo de lámparas es de 2.400 horas. Indicar:la

probabilidad de que:
a) la vida de la lámpara esté en el intervalo [2.000 ; 3.000]
b) la vida de la lámpara sea superior a 3.000 horas

4.15 Una habitación se ilumina con dos lámparas de las indicadas en el ejercicio
anterior. Indicar la probabilidad de que
a) la habitación esté perfectamente iluminada durante al menos 3.000 horas
b) la habitación se quede sin ninguna iluminación antes de 3.000 horas.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 13

METODOS ESTADÍSTICOS Y APLICACIONES

4.16 El diámetro de unos ejes se distribuye normalmente N( 3.0 ; 0.005 ) cm. Se

desea conocer cuantas piezas:
a) están fuera del intervalo de tolerancia 3.0 +- 0.01 cm
b) están fuera del intervalo de tolerancia 3.0 +- 0.015 cm
c) superan el diámetro de 3.011 cm

4.17 El diámetro de las naranjas de una partida se distribuye normalmente. el 10%

tiene un diámetro menor de 7 cm y el 15% un diámetro mayor de 9 cm. Indicar la
media y la desviación típica de del diámetro de las naranjas de ese lote. ( Sol.: m
= 8.107 ; σ = 0.8695 )

4.18 Tres variables aleatorias se distribuyen unifórmemenle. Calcularla probabilidad

de que:
a) el promedio de dos de ellas supere el valor x , x ∈ [0, 1]
b) el promedio las tres sea inferior al valor y, y ∈ [0,1]

4.19 Determinar la función de densidad de una variable aleatoria continua que se

distribuye uniformemente en el intervalo [ 4, 7].

4.20 En un proceso de producción se fabrican ejes cuyo diámetro se distribuye

normalmente con desviación típica de 0.007 cm. La piezas cuyo diámetro superan
3.01 cm se deben reprocesar con un coste de 300 pts/u ; y las piezas cuyo diámetro
no supera 2.99 cm se desechan con un coste de1.000 pts/u. Con que media se debe
producir para minimizar las pérdidas.

4.21 Cierta variable de una población se distribuye normalmente N(45.7, 3.2 ). De

esta población se toma una muestra de 16 individuos. Indicar la probabilidad de que
la media m de la muestra verifique las siguientes condiciones:
a) m < 45.7
b) m > 47
c) 43 < m
d) 44.1 < m < 47.3
e) 43.3 < m < 48.1
f) 45.2 < m < 46.2
g) 45.5 < m < 45.9

4.22 Con los mismos datos del problema anterior, pero tomando una muestra de 50
individuos, calcular la probabilidad de que la media de la muestra verifique:
a) m < 45.7
b) m > 47
c) 43 < m
d) 44.1 < m < 47.3
e) 43.3 < m < 48.1
f) 45.2 < m < 46.2
g) 45.5 < m < 45.9

4.23 Las máquinas de 5 fábricas presentan averías con una frecuencia media de
1.2 , 3.2, 0.7, 3.5 y 2.4 veces por días ( 24 horas). Los procesos de avería en las 5

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 14

METODOS ESTADÍSTICOS Y APLICACIONES

plantas son independientes y cada proceso se asume que satisface las condiciones
de un experimento de Poisson. Se pide:
a) Cual es la probabilidad de que el número de averías diarias sea superior a 12
entre todas las fábricas.
b) Después de una rotura en la primera fábrica, cuál es la probabilidad de que en las
próximas 6 horas se presente la siguiente avería.

4.24 Para rellenar paquetes de detergente se utiliza un dosificador de sólidos. La

cantidad suministrada se distribuye normalmente con una desviación típica de 27 gr.
Las normas de etiquetado exigen que las diferencias entre el peso real y el indicado
en el envase ( 500 gr.) sea menor de un 5%. Sabiendo que (a) el coste del Kg. de
detergente es de 300 pts/Kg., (b) los paquetes cuyo peso no alcanza el mínimo
establecido se han de rechazar con un coste de reoperación de 80 pts/paquete, y ©
se han de suministrar 10.000 Kg./día. Se pide:
a) Cual es el peso medio que debe proporcionar el dosificador para minimizar las
pérdidas. (sol 520 gr.)
b) Qué ahorro diario se obtendría con un nuevo dosificador que suministrara el
detergente con una desviación típica de 12 gr.

4.25 La resistencia eléctrica de ciertas lámparas se distribuye como N(2000, 200).

Dichas lámparas se empaquetan en lotes de 200 unidades. Una lámpara se
considera defectuosa si su resistencia es inferior a 1.900, y un lote se considera de
baja calidad si 20 o más lámparas son defectuosas. Calcular la probabilidad de que
un lote sea considerado de baja calidad.

4.26 En un pueblo hay instalados 1.800 teléfonos. Se sabe que cada teléfono está
hablando con el exterior, por término medio, 1 minuto/hora. Cuántas líneas debe
tener la centralita para que en un momento dado los usuarios encuentren línea
exterior libre con una probabilidad de al menos el 0.9772.

4.27 En una fábrica se desean obtener alambres de longitud l, pero la longitud de las
piezas obtenidas es l+x, donde x = N( 0 mm, 9 mm). Se trata de obtener piezas
exactamente de 500 mm. Si la pieza es de longitud menor, se pierde, y si es mayor
de 500 mm, la pieza es útil pero se deber recortar, perdiéndose el exceso de
longitud. Indicar a qué longitud debe reglarse la máquina para minimizar las pérdidas
de alambre.

4.28 La cantidad de bebida despachada por una máquina se distribuye

uniformemente entre 7 y 10 litros/día. Determinar la probabilidad de que la cantidad
suministrada en un día sea de:
a) no más de 8.8 litros (Sol.: 0.6 )
b) más de 7.4 pero menos de 9.5 litros (Sol.: 0.7 )
c) más de 8.5 litros. (Sol.: 0.5 )

4.29 Calcular la probabilidad de que el producto de dos variables aleatorias

continuas uniformes en [0,1] sea superior a 0.3

4.30 Una bola se considera útil para rodamientos si su diámetro está en el intervalo
[10.3 ; 10.49]. el diámetro de las bolas fabricadas se distribuye según una N( 10.42 ;
0.0137). Determinar el coste de reprocesar las bolas defectuosas si el coste de

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 15

METODOS ESTADÍSTICOS Y APLICACIONES

reprocesar las que tienen un diámetro excesivo es de 237 pts/u y el de las que
tienen un diámetro menor que el límite de tolerancia es de 437 pts/u.

4.31 Una bola se considera útil para rodamientos si su diámetro está en el intervalo
[10.3 ; 10.49]. el diámetro de las bolas fabricadas se distribuye según una N( 10.42 ;
0.037). Determinar el coste de reprocesar las bolas defectuosas si el coste de
reprocesar las que tienen un diámetro excesivo es de 237 pts/u y el de las que
tienen un diámetro menor que el límite de tolerancia es de 437 pts/u.

TEMA 4.- VARIABLES Y DISTRIBUCIONES ALEATORIAS CONTINUAS 16