Pr8.2 valeatorias

Variables aleatorias: problemas resueltos
BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es)
DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es)
MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es)
M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
ALEJANDRO SANABRIA GARCÍA (asgarcia@ull.es)
Departamento de Análisis Matemático
Universidad de La Laguna
Índice
6. Problemas resueltos 1
6.1. Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.1.1. Distribución binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
6.1.2. Distribución de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
6.2. Variables aleatorias continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6.2.1. Distribución normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
MATEMÁTICA APLICADA Y ESTADÍSTICA OCW-ULL 2013

VARIABLES ALEATORIAS: PROBLEMAS RESUELTOS 1/15
6. Problemas resueltos
6.1. Variables aleatorias discretas
Ejercicio 6.1. Se venden 5000 billetes para una rifa a 1 euro cada uno. Si el único premio del sorteo es de
1800 euros, calcular el resultado que debe esperar una persona que compra 3 billetes.
RESOLUCIÓN. Consideramos la variable aleatoria discreta
ξ = ‘cantidad de dinero obtenido en el juego’.
Los posibles valores de ξ son dos:
Si se gana la rifa, se obtiene un beneﬁcio de 1800−3 = 1777 euros. Por la Ley de Laplace, la probabi-
lidad de que ocurra este hecho es de 3/5000.
Si no se gana la rifa, resulta una pérdida de 3 euros. Nuevamente por la Ley de Laplace, la probabilidad
de que esto ocurra es de 4997/5000.
Por lo tanto, la distribución de probabilidad para la variable aleatoria ξ será:
ξ = xi 1777 −3
P(ξ = xi) 3/5000 4997/5000
El resultado que debe esperar una persona que compra 3 billetes es
E[ξ] = 1777·
3
5000
−3·
4997
5000
= −
9660
5000
= −
483
250
= −1.932,
lo que interpretamos como que, en promedio, cabe esperar una pérdida de 1.93 euros.
Ejercicio 6.2. Una variable aleatoria discreta toma todos los valores enteros entre 0 y 4 con la siguiente
función de densidad:
X 0 1 2 3 4
f(x) 0.3 0.25 0.25 0.1 0.1
Calcular su esperanza y varianza.

2/15 B. GONZÁLEZ, D. HERNÁNDEZ, M. JIMÉNEZ, I. MARRERO, A. SANABRIA
RESOLUCIÓN. La esperanza matemática de la variable X viene dada por:
E[X] =
4
∑
i=0
xi · f(xi) = (0·0.3)+(1·0.25)+(2·0.25)+(3·0.1)+(4·0.1) = 1.45.
La varianza viene dada por Var[X]=E[X2]−(E[X])2. Calculamos la esperanza de la variable X2:
E[X2
] =
4
∑
i=0
x2
i · f(x2
i ) =
4
∑
i=0
x2
i · f(xi) = (02
·0.3)+(12
·0.25)+(22
·0.25)+(32
·0.1)+(42
·0.1) = 3.75.
Por tanto,
Var[X] = 3.75−1.452
= 1.6475.
6.1.1. Distribución binomial
Ejercicio 6.3. Suponiendo que es equiprobable el tener hijo o hija, determinar el número esperado de
varones en una familia de ocho hijos, así como la probabilidad de que efectivamente resulte este número.
RESOLUCIÓN. Consideramos la variable aleatoria
ξ = ‘número de hijos varones en el total de ocho’.
Al ser equiprobable el tener hijo o hija, la probabilidad de éxito (el tener un hijo) es p = 0.5. Además, el
sexo de un hijo no inﬂuye en el de los restantes. Por tanto, la variable ξ sigue una distribución binomial de
parámetros n = 8 y p = 0.5, y su función de densidad es
f(x) =
8
x
·0.5x
·(1−0.5)8−x
=
8
x
·0.5x
·0.58−x
=
8
x
·0.58
(x ∈ {0,1,2,...,8}).
El número esperado de hijos varones viene dado por la esperanza matemática de la variable aleatoria ξ,
esto es:
E[ξ] = np = 8·0.5 = 4 hijos varones.
Por otra parte, la probabilidad de que nazcan exactamente 4 hijos varones es:
P(ξ = 4) =
8
4
·0.58
=
8!
4!·4!
·0.58
=
8·7·6·5
4·3·2
·0.58
= (7·5·2)·0.58
= 70·0.58
0.2734,
OCW-ULL 2013 MATEMÁTICA APLICADA Y ESTADÍSTICA

lo que supone un 27.34%.
6.1.2. Distribución de Poisson
Ejercicio 6.4. Un laboratorio farmacéutico encarga una encuesta para estimar el consumo de cierto medi-
camento que elabora, con vistas a controlar su producción. Se sabe que a lo largo de un año cada persona
tiene una posibilidad entre mil de necesitar el medicamento, y que el laboratorio podrá vender una media
de cuatro mil unidades del producto al año. Se pide hallar:
a) Probabilidad de que el número de enfermos no exceda de cuatro por año.
b) Número de enfermos esperado por año.
c) Probabilidad de que el número de enfermos sea superior a dos por año.
d) Probabilidad de que haya doce enfermos por año.
ξ = ‘número de enfermos por año’,
la cual, según los datos del problema, responde a un modelo de Poisson en un proceso con parámetro 1/1000
(número de enfermos al año por cada 1000 medicamentos vendidos). Si la empresa farmacéutica espera vender
una media de 4000 unidades anuales, el parámetro λ = ‘cantidad de enfermos esperada al año’ de la corres-
pondiente variable aleatoria de Poisson ξ es:
λ =
1
1000
·4000 = 4
1
1000
=
λ
4000
, de donde λ = 4 .
La función de densidad para la variable ξ será:
f(x) = P(ξ = x) =
4x
x!
e−4
(x ∈ {0,1,2,...}).
a) La probabilidad de que el número de enfermos no exceda de cuatro por año es:
P(ξ ≤ 4) =
4
∑
k=0
f(k) = f(0)+ f(1)+ f(2)+ f(3)+ f(4) =
40
0!
+
41
1!
+
42
2!
+
43
3!
+
44
4!
e−4
= 1+4+8+
32
3
+
32
3
e−4
=
39+64
3
e−4
=
103
3
e−4
0.6288.

b) Tal y como dijimos anteriormente, el número de enfermos esperado por año viene dado por el parámetro
de la variable aleatoria ξ, esto es:
E[ξ] = λ = 4.
c) La probabilidad de que el número de enfermos sea superior a dos por año es:
P(ξ > 2) = 1−P(ξ ≤ 2) = 1−[f(0)+ f(1)+ f(2)]
= 1−(1+4+8)e−4
= 1−13e−4
0.7619.
d) La probabilidad de que haya doce enfermos por año es:
P(ξ = 12) = f(12) =
412
12!
e−4
0.0006.
OBSERVACIÓN. Podríamos haber resuelto el ejercicio considerando la variable aleatoria
ξ = ‘número de medicamentos adquiridos de un total de 4000’,
la cual sigue un modelo binomial de parámetros n = 4000 y p = 1/1000 (que es la probabilidad que tiene
una persona de caer enferma o, equivalentemente, de necesitar el medicamento). Ahora bien, ya que n > 50 y
p = 0.001 < 0.1 (alternativamente, np = 4 < 5), la distribución de Poisson de parámetro λ = np = 4 es una
buena aproximación de la binomial anterior.
Ejercicio 6.5. El recuento de glóbulos blancos de un individuo sano puede presentar un promedio en valor
mínimo de hasta 6000 por milímetro cúbico de sangre. Para detectar una deﬁciencia de glóbulos blancos se
determina su número en una gota de sangre de 0.001 milímetros cúbicos. ¿Cuántos glóbulos blancos cabe
esperar en un individuo sano? ¿Cuánto de raro sería encontrar un máximo de 2 glóbulos blancos?
ξ = ‘número de glóbulos blancos en 0.001 mm3
de sangre’.
El recuento de glóbulos blancos de un individuo sano por milímetro cúbico de sangre puede ser considerado un
proceso de Poisson de parámetro 6000. La variable aleatoria ξ del correspondiente proceso de Poisson tiene

por parámetro el número de glóbulos blancos esperados en 0.001 mm3 de sangre:
λ = 0.001·6000 = 6
1
6000
=
0.001
λ
, de donde λ = 6 .
Por consiguiente, la función de densidad de probabilidad para la variable aleatoria de Poisson ξ viene dada
por:
f(x) = P(ξ = x) =
6x
x!
e−6
(x ∈ {0,1,2,...}).
El número de glóbulos blancos esperados en un individuo sano coincide con la esperanza de la variable:
E[ξ] = λ = 6 glóbulos blancos.
Por otra parte, la probabilidad de encontrar como máximo 2 glóbulos blancos en 0.001 mm3 de sangre en
un individuo sano será
P(ξ ≤ 2) = f(0)+ f(1)+ f(2) =
60
0!
+
61
1!
+
62
2!
e−6
= (1+6+18)e−6
= 25e−6
0.0620.
De este resultado cabe inferir que es bastante improbable que se presente dicha situación, al ser la probabilidad
de que ocurra muy cercana a cero. Más concretamente, podemos aﬁrmar que esta situación se da en un 6.2%
de los casos.
Ejercicio 6.6. Si X es una distribución de Poisson y se sabe que P(X = 0) = 0.2, calcular P(X > 2) y
P(1 ≤ X < 4).
RESOLUCIÓN. La variable aleatoria X sigue una distribución de Poisson de parámetro λ, en principio desco-
nocido. Su función de densidad de probabilidad viene dada por:
f(x) = P(X = x) =
λx
x!
e−λ
(x ∈ {0,1,2,...}).
Sin embargo, sabemos que P(X = 0) = 0.2, por lo que
f(0) =
λ0
0!
e−λ
= e−λ
= 0.2.

Tomando logaritmos en la anterior ecuación resulta
lne−λ
= −λ lne = −λ = ln0.2,
esto es, λ = −ln0.2 1.609. Consecuentemente
P(X > 2) = 1−P(X ≤ 2) = 1−[f(0)+ f(1)+ f(2)]
= 1−
1.6090
0!
+
1.6091
1!
+
1.6092
2!
eln0.2
= 1− 1+1.609+
1.6092
2!
0.2
0.2191,
y
P(1 ≤ X < 4) = f(1)+ f(2)+ f(3) = 1.609+
1.6092
2!
+
1.6093
3!
0.2 0.7195.
6.2. Variables aleatorias continuas
Ejercicio 6.7. La función de distribución de la variable aleatoria que representa la duración en minutos de
una llamada telefónica es
f(x) =



1−
2
3
e−2x/3 −
1
3
e−x/3, si x > 0
0, si x ≤ 0.
Hallar su función de densidad, así como la probabilidad de que una llamada dure entre 3 y 6 minutos.
RESOLUCIÓN. Sabemos que la función de densidad de probabilidad coincide con la derivada de la función
de distribución. Por tanto, la función de densidad será
f(x) = F (x) =
dF(x)
dx
=



4
9
e−2x/3 +
1
9
e−x/3, si x > 0
0, si x ≤ 0.
La probabilidad de que una llamada dure entre 3 y 6 minutos es:
P(3 ≤ ξ ≤ 6) = F(6)−F(3) 0.1555,

donde ξ denota la variable aleatoria que mide la duración de una llamada en minutos.
6.2.1. Distribución normal
Ejercicio 6.8. Una confitura puede ser calificada de «almíbar» si contiene entre 420 y 520 gramos de
azúcar por kilo de confitura. Un fabricante comprueba 200 botes de confitura de 1 kilogramos encontrando
que el peso medio de azúcar es de 465 gramos, con una desviación típica de 30 gramos. Sabiendo que el
contenido de azúcar se distribuye normalmente (porque proviene de frutas con un contenido variable de
azúcar), calcular el porcentaje de la producción del fabricante que no debe ser etiquetado como almíbar,
considerando la muestra como representativa de la producción total.
RESOLUCIÓN. Sea la variable aleatoria
ξ = ‘contenido de azúcar (gr) en botes de confitura de 1 kg’.
Sabemos que el contenido de azúcar en dichos botes se distribuye normalmente con un peso medio por bo-
te de 465 gr (esto es, µ = 465 gr) y una desviación típica de 30 gr (esto es, σ = 30 gr). Simbólicamente:
ξ ∼ N(465,30).
Considerando la muestra de 200 botes como representativa de la producción total, el porcentaje de produc-
ción que puede ser calificado de almíbar es el P(420 < ξ < 520)·100%. Al tipificar la variable ξ resulta que
ξ = 30Z +465, donde Z es la normal estándar. Se tiene entonces:
P(420 < ξ < 520) = P
420−465
30
< Z <
520−465
30
= P(−1.5 < Z < 1.83)
= P(Z < 1.83)−P(Z < −1.5) = P(Z < 1.83)−P(Z > 1.5)
= P(Z < 1.83)−[1−P(Z ≤ 1.5)] = 0.9664−(1−0.9332) = 0.8996.
Encontramos así que el 89.96% de la producción total puede ser calificada de almíbar. El resto, un 10.04%,
no debe ser calificado como tal.
Ejercicio 6.9. Se sabe que la concentración media de NH3 en sangre venosa de individuos normales de la
población es de 110 microgramos por mililitro, y que la concentración de NH3 del 99% de los individuos se
encuentra entre 85 y 135 microgramos por mililitro. Se pide calcular la desviación típica de dicha población

normal y los límites del intervalo que comprende al 70% de los valores de la misma, así como el porcentaje
de población que tiene:
a) más de 135 microgramos por mililitro;
b) menos de 9 microgramos por mililitro;
c) entre 90 y 125 microgramos por mililitro;
d) entre 85 y 100 microgramos por mililitro.
ξ = ‘concentración media de NH3 (µgr/mL) en sangre venosa de individuos normales’.
Sabemos que ξ se distribuye normalmente, con media µ = 110 µgr/mL. Además, en el 99% de los individuos
se encuentra entre 85 y 135 µgr/mL, esto es:
P(85 ≤ ξ ≤ 135) = 0.99.
Para tipiﬁcar la variable escribimos ξ = σZ + 110, donde σ es la desviación típica de ξ y Z la distribución
normal estándar. Ahora,
P(85 ≤ ξ ≤ 135) = P(85 ≤ σZ +110 ≤ 135) = P
85−110
σ
≤ Z ≤
135−110
σ
= P −
25
σ
≤ Z ≤
25
σ
= 0.99.
Si denotamos a =
25
σ
resulta que
P(−a ≤ Z ≤ a) = 2P(Z ≤ a)−1 = 0.99,
de donde
P(Z ≤ a) =
0.99+1
2
= 0.9950.
En la tabla de distribución para la normal estándar encontramos que 25/σ = a = 2.575. Consecuentemente, la
desviación típica de ξ es
σ =
25
2.575
= 9.7 µgr/mL.

El intervalo simétrico respecto a la media que comprende el 70% de los individuos de la población tiene
extremo inferior µ − kσ = 110 − 9.7k y extremo superior µ + kσ = 110 + 9.7k, para cierto valor de k. A ﬁn
de determinar tal valor, imponemos que
P(µ −kσ ≤ ξ ≤ µ +kσ) = 2P(Z ≤ k)−1 = 0.7.
Entonces P(Z ≤ k) = 1.7/2 = 0.85. Inspeccionando la tabla de distribución para la normal estándar encontra-
mos que k = 1.04, de donde
110−9.7·1.04 100, 110+9.7·1.04 120.
Se concluye que el 70% de los individuos de la población poseen una concentración media de NH3 en sangre
venosa comprendida entre 100 y 120 µgr/mL.
Finalmente:
a) El porcentaje de población con concentración superior a 135 µgr/mL es del 0.51%:
P(ξ > 135) = 1−P(ξ ≤ 135) = 1−P(9.7Z +110 ≤ 135)
= 1−P Z ≤
135−110
9.7
= 1−P(Z ≤ 2.57)
= 1−0.9949 = 0.0051.
b) El porcentaje de población con concentración inferior a 95 µgr/mL es el 6.18%:
P(ξ < 95) = P Z <
95−110
9.7
= P(Z < −1.54)
= P(Z > 1.54) = 1−P(Z ≤ 1.54)
= 1−0.9382 = 0.0618.
c) El porcentaje de población con concentración comprendida entre 90 y 125 µgr/mL asciende al 91.85%:
P(90 ≤ ξ ≤ 125) = P
90−110
9.7
≤ Z ≤
125−110
9.7
= P(−2.06 ≤ Z ≤ 1.54)
= P(Z ≤ 1.54)−P(Z ≤ −2.06) = P(Z ≤ 1.54)−P(Z ≥ 2.06)
= P(Z ≤ 1.54)−[1−P(Z < 2.06)] = 0.9382−(1−0.9803) = 0.9185.

d) El porcentaje de población con concentración comprendida entre 85 y 100 µgr/mL es del 14.64%:
P(85 ≤ ξ ≤ 100) = P(−2.57 ≤ Z ≤ −1.03) = P(Z ≤ −1.03)−P(Z ≤ −2.57)
= P(Z ≥ 1.03)−P(Z ≥ 2.57) = [1−P(Z < 1.03)]−[1−P(Z < 2.57)]
= P(Z < 2.57)−P(Z < 1.03) = 0.9949−0.8485 = 0.1464.
Ejercicio 6.10. Se ha comprobado que la distribución del índice de colesterol para un gran número de
personas es la siguiente: inferior a 165 centigramos, 58%; comprendido entre 165 y 180 centigramos, 38%.
Se sabe que dicha distribución sigue una ley normal.
a) Calcular el valor medio del índice de colesterol y su desviación típica.
b) Se admite que las personas cuyo índice es superior a 183 centigramos deben ser sometidas a trata-
miento. ¿Cuál es el número de personas a tratar en una población de 100000 individuos?
RESOLUCIÓN. Consideremos la variable ξ = ‘índice de colesterol (cg)’. Esta variable sigue una distribución
normal de media µ y desviación típica σ, desconocidas. Sin embargo, el 58% de la población tiene índice de
colesterol inferior a 165 cg:
P(ξ < 165) = 0.58,
mientras que un 38% tiene un índice de colesterol comprendido entre 165 y 180 cg:
P(165 ≤ ξ ≤ 180) = 0.38.
Por tanto,
P(ξ ≤ 180) = P(ξ < 165)+P(165 ≤ ξ ≤ 180) = 0.58+0.38 = 0.96.
a) Sabemos que ξ = σZ + µ, donde Z es la normal estándar. Luego:
P(ξ < 165) = P(σZ + µ < 165) = P Z <
165− µ
σ
= 0.58,
P(ξ < 180) = P Z <
180− µ
σ
= 0.96.

Denotando a =
165− µ
σ
y b =
180− µ
σ
, en la tabla de distribución de probabilidad para la normal estándar
encontramos que a = 0.2 y b = 1.75. Consecuentemente:
0.2 =
165− µ
σ
⇒ µ +0.2σ = 165,
1.75 =
180− µ
σ
⇒ µ +1.75σ = 180.
Restando ambas ecuaciones: 1.55σ = 15, de donde σ 9.7 cg. Por otra parte,
µ = 165−0.2σ = 165−0.2·9.7 163.1 cg.
Concluimos así que ξ ∼ N(163.1,9.7).
b) Para obtener el porcentaje de población que ha de ser sometida a tratamiento calculamos
P(ξ > 183) = 1−P(ξ ≤ 183) = 1−P Z ≤
183−163.1
9.7
= 1−P(Z ≤ 2.05) = 1−0.9798 = 0.0202.
El porcentaje buscado es entonces el 2.02%. En una población de 100000 individuos, este porcentaje se co-
rresponde con 100000·2.02/100 = 2020 de ellos.
Ejercicio 6.11. La anchura X en milímetros de una población de coleópteros sigue una distribución normal
N(µ,σ), dándose las siguientes probabilidades: P(X ≤ 12) = 0.77; P(X > 7) = 0.84. Se pide:
a) Valores de µ y σ.
b) Proporción de individuos con anchura entre 8 y 10 milímetros.
c) Calcular x e y tales que P(X > x) = 0.95 y P(X < y) = 0.33.
RESOLUCIÓN. Sea la variable aleatoria
X = ‘anchura de un coleóptero (mm)’.
Sabemos que X sigue una distribución normal para una determinada población de coleópteros. Además P(X ≤

12) = 0.77 y P(X > 7) = 0.84, por lo que
P(X ≤ 7) = 1−P(X > 7) = 1−0.84 = 0.16.
a) Sean µ y σ la media y la desviación típica de la variable X. Se tiene que X = σZ + µ, donde Z es la
distribución normal estándar. Por tanto:
P(X ≤ 7) = P(σZ + µ ≤ 7) = P Z ≤
7− µ
σ
= 0.16,
P(X ≤ 12) = P(σZ + µ ≤ 12) = P Z ≤
12− µ
σ
= 0.77.
Escribiendo a =
7− µ
σ
y b =
12− µ
σ
e inspeccionando la tabla de la distribución normal tipiﬁcada encontra-
mos que b = 0.74.
Ahora queremos determinar a. Nótese que este valor ha de ser negativo, por cuanto la probabilidad corres-
pondiente es menor que 0.5. Como
P(z ≤ a) = P(z ≥ |a|) = 1−P(z < |a|) = 0.16,
tenemos
P(z < |a|) = 1−0.16 = 0.84.
Entonces |a| = 0.99, de donde a = −0.99.
Llegamos así al siguiente sistema de ecuaciones:
−0.99 =
7− µ
σ
⇒ µ −0.99σ = 7,
0.74 =
12− µ
σ
⇒ µ +0.74σ = 12.
Restamos miembro a miembro las ecuaciones anteriores para obtener 1.73σ = 5, y de aquí
σ =
5
1.73
2.89 mm.
Sustituimos σ en la primera de las ecuaciones del sistema y despejamos µ:
µ = 7+0.99·2.89 = 9.86 mm.

En consecuencia, X ∼ N(9.86,2.89). Escribimos X = 2.89Z +9.86, donde Z ∼ N(0,1).
b) La proporción de coleópteros con anchura entre 8 y 10 mm es del 25.88%, ya que
P(8 ≤ X ≤ 10) = P(8 ≤ 2.89Z +9.86 ≤ 10) = P
8−9.86
2.89
≤ Z ≤
10−9.86
2.89
= P(−0.64 ≤ Z ≤ 0.05) = P(Z ≤ 0.05)−P(Z ≤ −0.64)
= P(Z ≤ 0.05)−P(Z ≥ 0.64) = P(Z ≤ 0.05)−[1−P(Z < 0.64)]
= 0.5199−(1−0.7389) = 0.2588.
c) En primer lugar, calculamos la anchura x tal que
P(X > x) = 1−P(X ≤ x) = 0.95,
o, equivalentemente, P(X ≤ x) = 1−0.95 = 0.05. Tipificando,
P(2.89Z +9.86 ≤ x) = P Z ≤
x−9.86
2.89
= 0.05.
Como esta última probabilidad es menor que 0.5, se verifica que a =
x−9.86
2.89
< 0. Escribimos entonces
P(z ≤ a) = P(z ≥ |a|) = 1−P(z < |a|) = 0.05,
esto es:
P(z < |a|) = 0.95.
Utilizando ahora la tabla de distribución para Z vemos que |a| = 1.64, de donde a = −1.64. Así pues
−1.64 =
x−9.86
2.89
,
con lo que x = 9.86−1.64·2.89 = 5.2 mm.
Finalmente, calculamos la anchura y tal que P(X < y) = 0.33. Tipificando,
P(X < y) = P Z <
y−9.86
2.89
= 0.33.

Análogamente que en el caso anterior, al ser esta última probabilidad menor que 0.5, necesariamente b =
y−9.86
2.89
< 0. Como
P(z < b) = P(z > |b|) = 1−P(z ≤ |b|) = 0.33,
sigue que
P(z ≤ |b|) = 0.67
y, por tanto, |b| = 0.44, de donde
−0.44 =
y−9.86
2.89
,
resultando así el valor y = 9.86−0.44·2.89 = 8.59 mm para la anchura buscada.
Ejercicio 6.12. En una investigación sobre los efectos teratogénicos del tabaquismo se estudió una muestra
de embarazadas de la cual el 40% fumaba y el 60%, no. Cuando nacieron los niños se encontró que 20
de ellos tenían algún tipo de tara de nacimiento. Sea ξ el número de niños cuya madre fumaba durante el
embarazo. Si no hay relación entre el hecho de que la madre fumara y los defectos de nacimiento, entonces
ξ es una binomial con n = 20 y p = 0.4. ¿Cuál es la probabilidad de que 12 ó más niños afectados tengan
madres que fumaban?
ξ = ‘número de niños cuya madre fumaba durante el embarazo’.
Los datos disponibles indican que la variables ξ es binomial, con parámetros n = 20 y p = 0.4.
La probabilidad de que 12 ó más niños afectados tengan madres que fumaban viene dada por
P(ξ ≥ 12) =
20
∑
k=12
20
k
·0.4k
·0.620−k
,
o bien
P(ξ ≥ 12) = 1−P(ξ < 12) = 1−P(ξ ≤ 11)
= 1−
11
∑
k=0
20
k
·0.4k
·0.620−k
.
El elevado número de operaciones que conlleva cualquiera de estos cálculos sugiere aproximar la variable ξ

por una distribución normal. Como n = 20 es suﬁcientemente grande y p = 0.4 es un valor intermedio, el
Teorema de De Moivre garantiza que, efectivamente, ξ puede ser aproximada por una distribución normal X
de media µ = np = 20·0.4 = 8 y desviación típica σ = np(1− p) = 20·0.4·(1−0.4) = 2.19.
Tipiﬁcando la nueva variable normal (X = 2.19Z +8, con Z ∼ N(0,1)), y aplicando además corrección de
continuidad, la probabilidad buscada resulta ser:
P(ξ ≥ 12) P(X ≥ 11.5) = 1−P(X < 11.5) = 1−P Z <
11.5−8
2.19
= 1−P(Z < 1.6) = 1−0.9452 = 0.0548.

Pr8.2 valeatorias

Más contenido relacionado

Destacado (20)

Similar a Pr8.2 valeatorias (20)

Más de jcbp_peru (20)

Pr8.2 valeatorias