1.

Las variables aleatorias discretas toman siempre: UN CONJUNTO

NUMERABLE DE VALORES.
2. Sean A y B dos sucesos tales que P(A)= 0.1 y P(B)=0.2. En este caso:
P(AUB)0.3
3. Sea X1 una variable aleatoria tal que X1 pertenece D() y sea X2, otra v.a tal
que X2 pertenece a D(..) La v.a Y definida como combinacin lineal de las
anteriores Y= TIENE MEDIA CERO Y DE VARIANZA UNO, SI X1 y X2
SON INDEPENDIENTES
4. Sean A y B dos sucesos independientes y con P(A)= 0: P(AB)=0
5. Las variables aleatorias multidimensionales son vectores formados por:
VARIABLES ALEATORIAS
6. El valor de K en la siguiente figura es: (P5T6) 0.25 PARA QUE SEA UNA
FUNCION DE DENSIDAD
7. Dados dos sucesos A y B cualesquiera: P(AUB)=P(A)+P(B)-P(AB)
8. La varianza matentica: ES UNA ESPERANZA.
9. Dos sucesos son mutuamente excluyentes si: SON SUCESOS DISUNTOS
10. Se estn anotando los datos de las averas de una mquina en una fbrica. Sea
X=el nmero de averas en un mes, X se puede modelar siguiendo una
distribucin: POISSON
11. La media de la suma de dos variables aleatorias normales es igual a: LA SUMA
DE LAS MEDIAS DE CADA UNA DE ELLAS
12. Dada una v.a, X con distribucin h(1,a,b) se verifica: X ES B(p) CON p=a/
(a+b)
13. Para una variable aleatoria X y un intervalo I, se tiene que X-1(I) es: UN
SUCESO
14. Si X e Y no son independientes: LA SUMA DE LAS ESPERANZAS ES LA
ESPERANZA DE LA SUMA.
15. En un control de calidad se toma la variable =nmero de artculos necesarios
hasta conseguir el primer defectuoso. X se puede modelar siguiendo una
distribucin: GEOMTRICA.
16. Para que la ley de Laplace de asignacin de probabilidad pueda aplicarse
REQUIERE, ENTRE OTROS REQUISITOS, QUE LOS SUCESOS EI
QUE INTERVIENEN SEAN IGUALMENTE VEROSIMILES
17. La probabilidad es: UNA MEDIDA ASOCIADA A LOS SUCESOS

18. Las condiciones de las variables aleatorias para aplicar el teorema central del
lmite son: TIENEN QUE SER IDENTICAMENTE DISTRIBUIDAS.
19. En un control de calidad de un componente electrnico, se deja funcionar el
mismo durante dos horas. El componente es defectuoso si falla mas de N veces,
y no lo es si falla menos de N veces. Sea X=el componente es defectuoso. X
se puede modelar siguiendo una distribucin: BINARIA.
20. La correccin de Continuidad de Yates se aplica cuando aproximamos: UNA
DISTRIBUCION DISCRETA POR UNA CONTINUA
21. Las condiciones de las variables aleatorias para aplicar el teorema central del
lmite son: DEBEN SER INDEPENDIENTES
22. Conteo cuando interviene el orden y hay repeticin: VARIACIONES CON
REPETICIN
23. La Esperanza Matemtica es: EL VALOR ESPERADO DE UNA VARIABLE
ALEATORIA.
24. Una variable aleatoria ES UNA FUNCIN DEL ESPACIO MUESTRAL EN
R QUE VERIFICA CIERTAS PROPIEDADES
25. La covarianza de una variable aleatoria bidimensional es UNA ESPERANZA
26. Si P(B)=P(B/A), entonces los sucesos son: INDEPENDIENTES
27. Sean Xi B(p),i=18 independientes. La v.a X= de B y i=1 X; tiene por
distribucin: b (8,p).
28. En un control de calidad de un componente electrnico, se deja funcionar el
mismo durante dos horas. El componente es defectuoso si falla mas de N veces,
y no lo es si falla menos de N veces. Sea X=numero de fallos en dos horas
del componente. X se puede modelar siguiendo una distribucin: POISSON
29. El nmero de accidentes al mes en un punto negro de la carretera se puede
modelar siguiendo una distribucin: POISSON.
30. Dos variables aleatorias estn idnticamente distribuidas si: SUS FUNCIONES
DE DISTRIBUCION SON IGUALES EN TODOS SUS PUNTOS.
31. La funcin de Distribucin de la N(0,1) es CRECIENTE
32. Dos sucesos son disjuntos si: LA INTERSECCION ES EL CONJUNTO
VACO
33. El Teorema de Bayes para el clculo de probabilidades a posteriori
REQUIERE, ENTRE OTROS REQUISITOS, QUE LOS SUCESOS EI
QUE INTERVIENEN SEAN EXCLUYENTES

34. Una coleccin numerable de sucesos es: UN CONJUNTO DE SUCESOS

QUE SE PUEDEN CONTAR
35. Las variables aleatorias continuas estn definidas por: LA FUNCIN DE
DENSIDAD
36. El nmero de personas que llegan a urgencias una noche de puede modelar
siguiendo una distribucin : POISSON
37. En un avin hay N plazas. Sea X=numero de mujeres en el pasaje X se
puede modelar siguiendo una distribucin: BINOMIAL
38. Para obtener la probabilidad condicionada P(A/B) SE REQUIERE QUE
P(B)0
39. Las variables aleatorias discretas estn definidas por: LA FUNCIN DE
PROBABILIDAD
40. Si se tiene que P(A)=P(B)=P(B/A) P(AB)=0.25
41. Cul de las siguientes distribuciones no es reproductiva: BINARIA, B(p)
42. El numero de bytes usados en un ordenador con una memoria de N bytes se
puede modelar siguiendo una distribucin: BINOMIAL
43. Sean A y B dos sucesos aleatorios independientes. A partir de B=B(AUAC)
puede deducirse que: AC y B SON INDEPENDIENTES
44. Sean A y B dos sucesos tales que P(A)=P(B)=0.2 P(AUB)0.4
45. En un control de calidad de un componente electrnico, se deja funcionar el
mismo durante dos horas. El componente es defectuoso si falla mas de N veces,
y no lo es si falla menos de N veces. Sea X=el componente es defectuoso. X
se puede modelar siguiendo una distribucin: BINARIA
46. La media de la diferencia de dos variables aleatorias normales es igual a LA
DIFERENCIA DE LAS MEDIAS DE CADA UNA DE ELLAS.
47. En un control de calidad un lote es defectuoso cuando, al ir sacando uno a uno
los artculos, salen tres artculos defectuosos. El proceso se para cuando ha
salido el tercer defectuoso. Sea X=nmero de artculos necesarios hasta
parar el proceso. X se puede modelar siguiendo una distribucin:
BINOMIAL NEGATIVA
48. En un control de calidad en el que se determina el nmero de artculos
defectuosos en una inspeccin de 100 artculos. Se define la variable aleatoria
X =Numero de artculos defectuosos. X se puede modelar siguiendo una
distribucin: BINOMIAL

49. Sea el experimento aleatorio Contar el numero de averas de un aparato

electrnico en un da EL CONJUNTO DE LOS RESULTADOS POSIBLE
ES NUMERABLE
50. Conteo cuando se ordenan todos los elementos del conjunto
PERMUTACIONES
51. En una cafetera hay N tipos de bocadillos. La variable aleatoria X=seleccionar
el azar del bocadillo i se puede modelar siguiendo una distribucin:
UNIFORME
52. La funcin de distribucin de una variable aleatoria EST ENTRE CERO Y
UNO
53. Siendo X1 y X2 dos valores cualesquiera de una v.a X tales que X1 < X2
entonces: P(X1)F(X2)
54. Se estn anotando los datos de las averas de una maquina en una fabrica. Sea
X=Tiempo entre avera. X se puede modelar siguiendo una distribucin:
EXPONENCIAL.
55. Dos sucesos son independientes: SI LA PROBABILIDAD DE LA
INTERSECCION ES IGUAL AL PRODUCTO DE DOS
PROBABILIDADES
56. Sea X una variable aleatoria de tipo continuo: F(x)=derivada?(x)/derivada x
57. Sean las vs. as. Y= de K e i=1 Yi independiente entre si Qu
distribucin la v.a..?: t(kn)
58. Sea X una variable aleatoria de tipo discreto : F(X)=P(X=x)
59. Sea Z N(0,1). Independientemente de Y a X2 =.. entonces: X t(n)
60. Si X1 X2 . e independiente entre s qu distribucin sigue la variable
X=.: x2 (n1 +n2++nK)
61. Conteo cuando no interviene el orden y hay repeticin: COMBINACIONES
CON REPETICION
62. Un suceso aleatorio es: UN ELEMENTO DEL ALGEBRA DE SUCESOS
ASOCIADO AL ESPACIO MUESTRAL
63. Dada la figura que se acompaa (P4T6): SE CORRESPONDE CON UNA
FUNCION DE DISTRIBUCION DE UNA VARIABLE ALEATORIA
CONTINUA
64. Se estn anotando los datos de las averas de una maquina en una fbrica. Desde
que la maquina se avera hasta que se cambia hay estipulado un tiempo mximo
de cambio de 10 horas. Se puede realizar el cambio en cualquier instante de

dicho intervalo. Sea X=instante en el que se produce cambio, X se puede

modelar siguiendo una distribucin: UNIFORME CONTINUA
65. Dada una variable aleatoria normal. Se tiene que su funcin de densidad es:
SIMETRICA RESPECTO A SU ESPERANZA
66. la probabilidad es: una medida asociada a los sucesos
67. sea X una variable aleatoria de tipo discreta : f(x)=p(X=r)
68. una coleccin numerable de sucesos es : ninguna respuesta correcta.
69. Dada la variable aleatoria continua x,entonces : f(x)=e&(x)/@c
70. siendo z1 y z2 dos valores cualesquiera de una v.a. X, tales que z1<z2.. ninguna
respuesta es correcta.
71. Dada la variable aleatoria discreta x, entonces : f(x)=p(x=r)
72. dada la figura que acompaa: se corresponde con una funcion de distribucion
de una variable aleatoria continua
73. para que la ley de laplace de asignacion de probabilidad pueda aplicarse:
requiere entre otros requisitos que los sucesos E que intervienen sean
igualmente verosimiles.
74. Un suceso es: un subconjunto del espacio muestral.
75. La esperanza matematica es : el valor esperado de una variable aleatoria.
76. Dados tres sucesos mutuamente independientes : dos de los 3 sucesos podrian
ser dependientes.
77. Si p(b) distinto p(b/a) entonces : ninguna respuesta correcta.
78. Conteo cuando no interviene el orden y hay repeticion : combinacion con
repeticion.
79. Dos variables aleatorias estan identicamente distribuidas si : sus funciones de
distribucion son iguales en todos sus puntos.
80. Dados 2 sucesos a y b cuales quiera: p(AuB)=P(a)+p(b)-p(A,inters,b)
81. para una variable aleatoria x, y un intervalo i, se tiene.. un subcojunto de
espacio muestral.
82. Un suceso es : ninguna respuesta correcta( elemento algebra,conjunto
posibles..)
83. el valor de k es : ninguna respuesta correcta.
84. Sea el experimento aleatorio contar numero averias de un aparato electronico..el
conjunto de los resultados posible es numerable.
85. Si se tiene p(a)=p(b)=p(b/a)=0.5 : p((AuB)2)=0.25
86. sea a y b dos sucesos independientes y con p(a)=0 : p(a inter b) = 0
87. dada la v.a. X la y v.a. y=x- entonces : v[y]=v[x]+ sigma cuadrado.
88. Si se tiene que p(a)=p(b)=p(b/a)=0.5 : p(ainterb)=0.25
89. la probabilidad de a condicionada a b es : la prob de que ocurra a solo cuando
b ha sucedido
90. sea a y b dos sucesos independientes p(a)=0 entonces : p(a inter ) =0
91. arboles de decision : el teorema de la particion o probabilidad total.
92. Para una variable aleatoria x y un intervalor i, se tiene q x-1(i) : un subconjunto
del espacio muestral.
93. Sea a y b dos sucesos .. 0.5 : ninguna respuesta es correcta.
94.