Tecnicatura Universitaria en

Programación

Estadística 2022

UNIVERSIDAD TECNOLÓGICA NACIONAL

FACULTAD REGIONAL MAR DEL PLATA
 UTN FRMdP – TUP - Estadística - 2022

Módulo I: Primer Parcial

Unidad I:

Definición de Estadística. Variable y tipos de variables: aleatoria-continua-discreta-cualitativa-

cuantitativa. Datos: cualitativos-cuantitativos. Rango. Población. Muestra. Escalas. Agrupación y
organización de datos por serie de frecuencias-relativa y acumulada. Tabla de frecuencias.
Agrupación de datos en intervalos de clase. Amplitud y marca de clase. Medidas de tendencia
central y dispersión para datos en agrupación simple y en intervalos: media aritmética-media
aritmética ponderada-moda-mediana-varianza-desvío estándar. Gráficos estadísticos. Ejercicios de
aplicación. Uso del Microsoft Excel, SPSS y otros.

Unidad II:

Probabilidad. Espacio muestral. Sucesos. Sucesos mutuamente excluyentes. Partición de un

espacio muestral. Sucesos complementarios. Operaciones con sucesos. Ejercicios de aplicación.

Unidad III:

Definición clásica de probabilidad. Definición axiomática de probabilidad. Consecuencias de la

definición. Probabilidad condicional. Definición. Teorema de la Probabilidad Total. Teorema de
Bayes. Sucesos independientes. Ejercicios de aplicación.

0
 UTN FRMdP – TUP - Estadística - 2022

ESTADÍSTICA. PROBABILIDAD E INFERENCIA

Conceptos básicos

La estadística es el estudio de los modos de recolectar y analizar datos con el fin de

establecer conclusiones acerca del medio del cual se han obtenido los datos.

La probabilidad es el estudio de la incertidumbre: es la parte de la matemática que

trata de manejar con número el azar.

Formalmente, la estadística es la ciencia que trata sobre la toma, organización,

recopilación, presentación y análisis de datos para deducir conclusiones sobre
ellos y para tomar decisiones que estén de acuerdo con los análisis efectuados.

Al conjunto de elementos que serán tomados para el análisis, es decir al conjunto de

elementos en estudio de lo denomina POBLACIÓN. La misma está formada por
elementos o individuos a ser sujetos de análisis.
Una población puede ser finita o infinita. Por ejemplo, el conjunto de personas que
habitan una ciudad es finito, mientras que la población constituida por todos los posibles
sucesos obtenidos en los lanzamientos de una moneda es infinita.

Una muestra es una parte de población seleccionada para el análisis. La muestra debe
ser representativa

Lo que se vaya a estudiar de los elementos de la población, como por ejemplo, la edad,
el peso de una persona, o las características de una computadora (tipo de sistema
operativo, tipo de memoria), etc., recibe el nombre de variable o atributo.

Las variables o atributos de un conjunto de elementos tienen una clasificación por ser
tratados de diferente forma al momento de ser analizados.

Parámetros y estadísticos1
Parámetro: Es una cantidad numérica calculada sobre una población y resume los
valores que esta toma en algún atributo. Intenta resumir toda la información que hay
en la población en unos pocos números (parámetros). La altura media de los sujetos,
por ejemplo.
Estadístico: Es una cantidad numérica calculada sobre una muestra que resume su
información sobre algún aspecto. Si un estadístico se usa para aproximar un parámetro
también se le suele llamar «estimador»
Normalmente nos interesa conocer un parámetro, pero por la dificultad que conlleva
estudiar a *TODA* la población, calculamos un estimador sobre una muestra y
“confiamos” en que sean próximos

Las variables o atributos se clasifican de la siguiente manera

Variables cuantitativas
Son los casos en que la observación que se va a realizar sobre el objeto arroja como
resultado un número, el cual puede pertenecer al conjunto de los números enteros o

1
[Link]
1
 UTN FRMdP – TUP - Estadística - 2022
bien al conjunto de los números reales. En el primer caso la variable es discreta y en el
segundo caso, continua.

Variable cuantitativa discreta

Son los datos que vienen definidos a partir de enumeraciones, tales como el número de
miembros de un conjunto de familias, la cantidad de computadoras defectuosas, el
número de fallas que se observan en un sistema de redes, etc.

Variable cuantitativa continua

Los datos continuos se obtienen a partir de medidas tales como los pesos de un conjunto
de personas, el diámetro de un disco compacto, etc.

Variable aleatoria cualitativa

Cuando la observación que se va a realizar sobre el objeto corresponde a una cualidad
del mismo, por ejemplo, color de ojos de una persona, preferencia política de un grupo
de personas, preferencia por un sistema operativo u otro en un conjunto de usuarios,
etc.

Ejercicio:
Clasificar las siguientes variables:
 Número de componentes defectuosos en una computadora.
 Número de usuarios que acceden a un sistema de red.
 Altura de una persona.
 Preferencia por tipo de computadoras (Notebooks o Netbooks).
 Tiempo en espera para acceder a un sistema.
 Medida del tamaño de los monitores.

Análisis Cuantitativo Unidimensional

Distribuciones de frecuencia

El primer paso para hacer estadística es la “toma de datos”, la cual se puede enunciar
como la obtención de una colección de ellos que no han sido ordenados numéricamente.

Ejemplo 1: las ventas semanales de un determinado producto, como las que se

indican en la siguiente tabla:
75 82 68 90 62 88 88 73
60 93 71 59 75 87 74 62
95 78 82 75 94 77 69 74
89 61 75 95 60 79 97 97
78 85 76 65 73 67 88 78
62 76 73 81 72 63 76 75

Observamos que la variable se clasifica en cuantitativa (estamos estudiando las

cantidades de productos vendidos) y a la vez es discreta (los resultados de la
observación son enteros y numerables). La finalidad de seleccionar esta muestra pudo
haber sido conocer los valores de la demanda de un determinado producto y decidir
cuándo y en qué cantidades debemos abastecernos del mismo.

2
 UTN FRMdP – TUP - Estadística - 2022
Para realizar el análisis y facilitarlo, se utiliza la tabulación, es decir se confecciona
una tabla en la cual se vuelcan los datos ordenados ya sea en orden creciente o
decreciente.

En la distribución de frecuencias se distinguen:

La frecuencia absoluta
Es el número de veces que se presenta cada valor de la variable.
f a : frecuencia absoluta correspondiente a cada valor

La frecuencia relativa
Resulta del cociente entre la frecuencia absoluta y el total de observaciones. Es un
número real comprendido ente 0 y 1 que representa la parte de la cantidad de veces
que se observó un valor sobre el total de observaciones.
fa
fr 
n
f r : frecuencia relativa f a : frecuencia absoluta n : número total de observaciones

La frecuencia relativa porcentual f r %

Es el porcentaje de la frecuencia relativa. Representa en porcentaje la parte del total a
que equivale ese valor de variable: 𝒇𝒓 % = 𝒇𝒓 . 𝟏𝟎𝟎

La frecuencia acumulada
Es la sumatoria de los valores hasta un determinado punto. Sirve para visualizar
rápidamente la cantidad de valores que se encuentran hasta un punto.
Fa   f a
La frecuencia acumulada porcentual Fr %
Es la acumulación de la frecuencia relativa porcentual hasta un determinado valor.

Otro concepto de importancia es el “rango” de datos, el cual se obtiene de la diferencia

entre el mayor y menor de ellos.

Al definir estos conceptos podemos construir la tabla de frecuencias simples:

Demanda fa fr Fa fr % Fa %
59
60
61
62
62
64
65
66
… … … … … …
Totales

Para facilitar el recuento y los cálculos existen variados softwares estadísticos, el más
común es el uso de Microsoft Excel, siguiendo los siguientes pasos:
 Se abre una planilla de cálculo.

3
 UTN FRMdP – TUP - Estadística - 2022
 Se introducen los datos y mediante la opción “ordenar de forma ascendente” se
ordenan de menor a mayor y se realiza el recuento para obtener la frecuencia
absoluta.

 Para el resto de las frecuencias se cargan las fórmulas, de manera que si se

modifica algún dato se actualizan automáticamente las frecuencias.
Del ejemplo anterior:

Intervalos de Clase

Cuando al realizar el ordenamiento, las observaciones son excesivas para visualizar el

problema; se agrupan los datos en clases o intervalos, los cuales pueden ser
semiabiertos o cerrados. Cada clase contiene un número, en general fijo, de valores
posibles. Eligiendo convenientemente el número de clases obtendremos la agrupación
de datos donde cada clase tiene una determinada amplitud.
El número de intervalos y la amplitud correspondiente a cada uno se seleccionan acorde
al número de datos de manera conveniente de tal forma que se pueda visualizar el
problema con facilidad.

4
 UTN FRMdP – TUP - Estadística - 2022
Para obtener una correcta agrupación de datos disminuyendo al máximo los errores que
se cometen, procedemos de la siguiente manera:

 Decidimos el número de intervalos: aproximadamente la raíz cuadrada del

número de datos, redondeando, como el número de intervalos.
 Recorrido o rango: Valor mayor menos valor menor de los datos. Re  xn  x1
 Amplitud del intervalo: División entre el recorrido y el número de intervalos
que hayamos decidido.
Re
Se puede redondear: a  (donde: a = amplitud; Re = recorrido; N = número de
N
intervalos)

Ejemplo: Distribución de Frecuencias para los datos del ejemplo anterior:

Tenemos un total de 48 datos. Su raíz cuadrada es aproximadamente 7, por lo tanto
este será el número de intervalos. El Recorrido va a ser 97 – 59 = 38. La amplitud:
Re 38
a   5,428...  6 aproximadamente.
N 7

INTERVALO DE CLASE FRECUENCIA ABSOLUTA

[59-65)
[65-71)
[71-77)
[77-83)
[83-89)
[89-95)
[95-101)
Totales

Los valores comprendidos entre 59-65; 65-71; etc., son los Intervalos de Clase, siendo
cada par de valores los límites de la clase.
El número menor es el límite inferior y el número mayor es el límite superior.

Distribución de frecuencias: registrando la frecuencia correspondiente a cada intervalo

que comprende los valores de la variable se obtiene la frecuencia absoluta de cada
intervalo y a partir de esta el resto de las frecuencias.

Representaciones Gráficas

La recopilación de datos y la tabulación pueden traducirse gráficamente mediante

representaciones convenientemente elegidas: barras, sectores circulares, mapas,
curvas, etc.
Los gráficos permiten visualizar e interpretar el fenómeno que se estudia, en forma más
clara. Se utilizan softwares matemáticos de cálculo para su representación como
Microsoft Excel.

Variables categóricas o cualitativas

Las variables categóricas o cualitativas se suelen representar a través de gráficas de
barras o diagramas de pastel. El investigador debe seleccionar el método de
representación que considera resalta con más claridad los diferentes aspectos de un
conjunto de datos.

5
 UTN FRMdP – TUP - Estadística - 2022
Cuando la elección sea construir un gráfico de barras, hay que considerar que las barras
deben tener el mismo ancho y la longitud es igual a la frecuencia de cada observación.
Pueden ser barras simples o múltiples, según se trate de representar uno o más
atributos.
Las barras pueden ser horizontales o verticales.

Gráfico de barras
Evaluación del Gobierno
Positivo

Neutro

Negativo

0 10 20 30 40 50 60

Los gráficos circulares o gráficos de torta son útiles para comparar datos pues, en
general, trabajan con porcentuales. El área de cada sector representa el porcentaje que
corresponde a la frecuencia de un cierto valor de la variable. Esta representación es
conveniente cuando el número de sectores es pequeño y sus áreas están bien
diferenciadas.

Gráfico circular 2D Gráfico circular 3D

Evaluación del Gobierno Evaluación del Gobierno
5%
5%
Negativo 36%
36%
Neutro Negativo
59% Neutro
Positivo
59% Positivo

Consideremos el siguiente ejemplo:

Los siguientes datos corresponden a una encuesta telefónica realizada en dos zonas
diferentes, a 420 personas en la zona “A” y a 270 personas en la zona “B”, a quienes
se les preguntó sobre lo adecuado de la protección brindada por la policía y los
bomberos.

ZONA “A”
Respuesta Cantidad de Personas
SI 200
NO 81
NO CONTESTA 139
TOTAL 420

6
 UTN FRMdP – TUP - Estadística - 2022

ZONA “B”
Respuesta Cantidad de Personas
SI 150
NO 55
NO CONTESTA 65
TOTAL 270

Los gráficos circulares, suelen ser muy útiles cuando se comparan muestras de diferente
tamaño, en las cuales se hace necesaria la comparación a través de porcentajes.
En este caso para poder comparar las respuestas se hace necesario ver con qué
porcentaje respondieron en cada zona.

Medios gráficos de representación: Variables cuantitativas

Histograma de Frecuencias: Es un modo gráfico de representación de frecuencias,

formado por una serie de rectángulos que tienen sus bases sobre un eje horizontal e
iguales al ancho de cada clase. Su altura es igual al ancho de cada clase.

Superficie de océanos
200 180
En millones de km2

150
105
100
73

50
20 12
0
Antártico Artico Atlántico Indico Pacífico
Océanos

7
 UTN FRMdP – TUP - Estadística - 2022
Gráfico comparativo: es una forma útil de mostrar los resultados de datos de
clasificación cruzada.

700 Gráfico de barras compuesto

600 Remuneraciones del 1er. trimestre
500 Industrial
400 Comercio

300 Bancario

200 Adm. Pública

100 Educación

0
Enero Febrero Marzo

Polígono de Frecuencias: Es un gráfico de línea trazado sobre los puntos medios de

cada clase. Se obtiene uniendo los puntos medios de los extremos superiores de cada
rectángulo.

Los polígonos de frecuencia se utilizan generalmente para representar la variación de

una variable a través del tiempo (años, meses, horas, etc.). Sobre el eje horizontal
figuran los períodos de tiempo.

1200
1000
Gráfico comparativo
800
En miles

600
Gastos
400
Ingresos
200
0

8
 UTN FRMdP – TUP - Estadística - 2022

 Ejercicios
1. Para cada una de las siguientes situaciones:
a) Ordenar los datos
b) Organizarlos por agrupación simple (Tabla de Frecuencias) o por intervalo de
clase según sea más conveniente y calcular el Rango
c) Construir el gráfico estadístico correspondiente.

2. Las edades de veinte chicos son 12, 13, 14, 10, 11, 12, 11, 13, 14, 12, 10, 12,
11, 13, 12, 11, 13, 12, 10 y15. Realizar los ítems pedidos inicialmente y además
responder:
a) ¿Qué porcentaje de chicos tienen 12 años?
b) ¿Cuántos chicos tienen menos de 14 años?

3. En cada día del mes de enero, en el camping Iglú hubo la siguiente cantidad de
turistas: 12, 14, 17, 16, 19, 15, 15, 21, 24, 26, 28, 24, 25, 26, 20, 21, 34, 35,
33, 32, 34, 38, 40, 43, 41, 45, 50, 53, 58.

4. Estas son las notas obtenidas por los 100 candidatos que se presentaron a un
concurso:
38 51 32 65 25 28 34 12 29 43
71 62 50 37 8 24 19 47 81 53
16 62 50 37 4 17 75 94 6 25
55 38 46 16 72 64 61 33 59 21
13 92 37 43 58 52 88 27 74 66
63 28 36 19 56 84 38 6 42 50
98 51 62 3 17 43 47 54 58 26
12 42 34 68 77 45 60 31 72 23
18 22 70 34 5 59 20 68 55 49
33 52 14 40 38 54 50 11 41 76

5. En una cierta ciudad de la provincia de Salta, se registra el número de

nacimientos ocurridos por semana durante las 52 semanas del año, siendo los
siguientes los datos obtenidos:

6 4 2 8 18 16 10 6 7 5 12 8 9
12 17 11 9 16 19 18 18 16 14 12 7 10
3 11 7 12 5 9 11 15 9 4 1 6 11
7 8 10 15 3 2 13 9 11 17 13 12 8

6. De un examen realizado a un grupo de alumnos, cuyas notas se han evaluado de

1 a 8 puntos, se ha obtenido la siguiente tabla de frecuencias:
Xi fa Fa fr Fra
1 4 0,08
2 4
3 16 0,16
4 7 0,14
5 5 28
6 38
7 7 45 0,14
8

9
 UTN FRMdP – TUP - Estadística - 2022
a) Completar dicha tabla.
b) Determinar el número de alumnos que se han examinado.
c) Determinar el número de alumnos que han obtenido una nota superior a 3.
d) Determinar el % de alumnos que han sacado una nota igual a 6.
e) Determinar el % de alumnos que han obtenido una nota superior a 4.
f) Determinar el número de alumnos que han obtenido una nota superior a 2 e
inferior a 5 inclusive.

7. Los siguientes datos representan el número de descargas de una planta para el

tratamiento de aguas negras durante varios días consecutivos:
51 48 52 50 46 49 52 52 46 51 44 49 46 51 49 45 44 50 48 50 49 50

a) Definir y clasificar la variable bajo estudio.

b) Construir la serie de frecuencias.
c) Anotar las frecuencias relativas y acumuladas. ¿Cuál es el máximo número de
descargas que representa el 70 % de los datos?
d) Indicar qué porcentaje de descargas supera las 50 descargas.
e) Construir el gráfico adecuado a esta variable.

8. a) Completar las siguientes tablas de frecuencias que muestran cómo se

distribuyen los sueldos de los empleados de dos empresas:
EMPRESA A
Sueldo fa fr fr% Fa
[ 300 ; 500 ) 15
[ 500 ; 700 ) 35
[ 700 ; 900 )
[ 900 ; 1100 ) 25
Totales 120

EMPRESA B
Sueldo fa fr fr% Fa
[ 200 ; 500 ) 33,33
[ 500 ; 800 ) 33 0,22
[ 800 ; 1100 ) 130
[ 1100 ; 1400 )
Totales

b) ¿Cuál de las dos empresas paga mayor fracción de sueldos por debajo de $
500?

Análisis y medición de datos

Para describir un conjunto de datos, se calculan algunas medidas que resumen la
información y que permiten realizar comparaciones. Ellas son las medidas de tendencia
central o posición que arrojan una medida de la variable correspondiente al valor central
del conjunto de observaciones; y las medidas de dispersión que miden la desviación de
los datos respecto del valor central más importante que es la media aritmética o
promedio.

10
 UTN FRMdP – TUP - Estadística - 2022

Medidas de posición o de tendencia central

Se utilizan para encontrar un valor que represente a todos los datos. Proporcionan el
valor central del conjunto de datos. Las más importantes son: la media aritmética, la
media aritmética ponderada, la moda y la mediana.
 La media aritmética o promedio ( x ) de varios números se calcula como el
cociente entre la suma de todos esos números y la cantidad de números que
sumamos.
 La media aritmética ponderada o promedio ponderado: El promedio ponderado
es una manera de calcular el promedio pero dando más importancia a algunos
valores que a otros. Esa “importancia” se conoce como “peso” de los valores. Se
calcula sumando el producto de los pesos de cada variable por el valor de cada una
y dividiendo por la suma de los pesos.

Ejemplo: Si el examen final de un curso cuenta tres veces más que una evaluación
parcial, y un estudiante tiene calificación 85 en el examen final y 70 y 90 en los dos
parciales, la

Calificación media es: x 

170  190  385  415  83
11 3 5
 La moda (Mo) es el valor que más se repite. Puede suceder que haya más de una
moda o ninguna (si todos los valores tienen igual frecuencia).
 La mediana (Me) es el valor que ocupa el lugar central al ordenar los datos de
menor a mayor. Si la cantidad de datos es par, la mediana es el promedio entre los
dos valores centrales.

Ejemplo1: Calcular la media aritmética, la moda y la mediana de los siguientes datos:

2-3-5-2-6-4-4-2-6-8

2  3  5  2  6  4  4  2  6  8 42
 Media aritmética o promedio:   4,2
10 10
Observamos que el valor obtenido se encuentra dentro del rango de datos, esto es
lógico ya que representa un valor central de los mismos, así también para la media
aritmética no es necesario ordenar los datos en forma creciente o decreciente. Si el
número de datos es extenso podemos calcular la media multiplicando cada valor por su
frecuencia correspondiente, ya que sumar n veces un valor equivale a multiplicarlo por
n.

 Moda: Se observa que el valor 2 tiene mayor frecuencia por encontrarse repetido
3 veces, por lo tanto, este valor de la variable representa la moda.

 Mediana: Debemos ordenar los datos de menor a mayor de la siguiente manera:

2-2-2-3-4-4-5-6-6-8

En este caso el número de observaciones es 10, un número par, por lo tanto la mediana
se obtiene del promedio entre los dos valores centrales.

11
 UTN FRMdP – TUP - Estadística - 2022
 Ejercicios
9. Se tiene la información de 80 semanas de operación de un terminal de
computación conectado por vía telefónica a un computador central, donde se
registró el número de caídas del sistema por semanas. Los datos son los
siguientes:

1 0 2 0 0 3 2 3 1 0 1 0 2 0 1 0 0 2 1 1
0 1 0 0 0 1 0 2 0 1 0 1 1 1 0 0 0 3 0 3
0 2 0 1 2 1 0 1 1 2 1 0 2 0 1 0 1 1 1 3
0 1 0 0 0 1 0 2 0 1 0 1 1 1 0 0 0 3 0 3

Tabular los datos, obtener las frecuencias correspondientes y calcular media aritmética
y moda. Interpretar todos los valores.

Medidas de variabilidad o de dispersión2

Los conjuntos de datos pueden tener el mismo centro, pero con aspecto diferente por
la forma en que los números se dispersan desde el centro. Considere las dos
distribuciones que se muestran en la figura 2.6. Ambas distribuciones están centradas
en x =4, pero hay una gran diferencia en la forma en que las mediciones se dispersan
o varían. Las mediciones de la figura 2.6ª) varían de 3 a 5; en la figura 2.6b) las
mediciones varían de 0 a 8.

2.6a) 2.6b)

Las medidas de tendencia central no son suficientes para realizar comparaciones entre
varios conjuntos de datos y tomar decisiones, para ello se calculan otras medidas que
representan variación de los datos respecto de la media aritmética. Ellas son la
varianza  2 y el desvío estándar : 

Analicemos el siguiente ejemplo:

2
Medidas de variabilidad. Introducción a la probabilidad y Estadística. Mendenhall-Beaver-
Beaver. Décima tercera edición. Página 60. Copia fiel.
12
 UTN FRMdP – TUP - Estadística - 2022
 El entrenador de un equipo de natación debe elegir a uno de sus integrantes para la
próxima competencia de estilo libre. Según los tiempos en segundos que obtuvieron
los postulantes de las cinco últimas carreras de 100 m de estilo libre, ¿qué nadador
le conviene elegir?
Diego 61,7 61,7 62,3 62,9 63,1
Tomás 61,5 62,9 62,9 63,7 63,7
Sergio 60,7 62,4 62,7 62,7 63,2

Para poder decidir, calcula las medidas de centralización de cada uno.

Promedio moda Mediana
Diego 62,34 61,7 62,3
Tomás
Sergio

En promedio, los nadadores más rápidos son…............................. y

….............................., pero esto no significa que hayan tenido el mismo rendimiento;
por eso necesitamos las otras medidas de posición: de ellos dos, tanto la moda como
la mediana indican que …............................. fue más veloz. Sin embargo, para elegir
el nadador adecuado, no basta con considerar las medidas de centralización, ya que
también es necesario que su rendimiento sea parejo, es decir, que los tiempos de sus
100 m libres no tengan mucha dispersión.
Por lo tanto la varianza y el desvío estándar miden la dispersión de los datos con
respecto al promedio. Cuanto menor es el desvío estándar, menos dispersos están los
datos con respecto al promedio.
La varianza se calcula con la siguiente fórmula y el desvío estándar es la raíz cuadrada
de la varianza (si los datos no se repiten):
∑𝑛 2
𝑖=1(𝑥𝑖 −𝑥̅ ) .𝑓𝑎 ∑𝑛 2
𝑖=1(𝑥𝑖 −𝑥̅ ) .𝑓𝑎
Varianza: 𝜎2 = ; Desvío Estándar: 𝜎=√ ; ; n:
𝑛 𝑛
número de datos
 Diego y Sergio, dos de los nadadores del ejercicio anterior, obtuvieron el mismo
promedio y sin embargo sus tiempos están distribuidos de manera diferente.
Calculamos los desvíos estándares de los tiempos de los nadadores:

Tiempos de Diego Tiempos de Sergio

xi (xi – x) (xi – x)2 xi (xi – x) (xi – x)2

61,7 -0,64
61,7 -0,64
62,3 -0,04
62,9 0,56
63,1 0,76
Total total

 Diego     Sergio   

5
Entonces:

Podemos ver que el desvío estándar de ................................... es menor que el de

................................., lo cual indica que el promedio representa mejor los datos de
................................., porque sus tiempos fueron menos dispersos.

13
 UTN FRMdP – TUP - Estadística - 2022
Entonces, aunque cinco datos son muy pocos para hacer estadística, si con esa
información hay que elegir un nadador de ese equipo para la próxima competencia,
conviene que sea.......................................

Con este ejemplo podemos afirmar lo siguiente:

El desvío estándar mide si los datos están concentrados alrededor de la media

aritmética o si están dispersos respecto de ella. Cuanto menor sea el desvío
estándar, más concentrados alrededor de la media están los datos. Por lo tanto
la varianza y el desvío estándar indican si la media aritmética es o no
representativa de los datos.

 Ejercicios
[Link] varianza y desvío estándar para los datos del ejemplo número 1.

[Link] médico ha atendido la siguiente cantidad de pacientes diarios durante los

últimos 10 días: 18, 11, 15, 14, 9, 20, 17, 14, 12, 16
a) Identificar y definir la variable en estudio
b) Calcular el modo, la mediana y la media aritmética
c) Calcular la Varianza y el Desvío Estándar.

12. Los siguientes datos numéricos corresponden a la cantidad de veces que cada
alumno de un grupo ha ido a un recital o concierto.
2–4–3–2–1–1–6–3–0–3–2–4–6–9–3–2–1–6
Calcular media, moda, mediana, desvío estándar

13. En un diagnóstico de educación física se pidió a los alumnos de los cuartos

medios que hicieran abdominales durante 3 minutos. Se obtuvieron los siguientes
resultados:

4º A: 45 38 43 29 34 60 54 27 32 33 23 34 34 28 56 62 56 57 45 47
48 54 33 45 44 41 34 36 34 54
4º B: 43 45 44 38 34 46 43 42 43 45 57 44 38 38 37 43 61 38 37 45
28 42 49 40 37 34 44 41 43 62
¿Cuál de los dos cursos tiene el rendimiento más parejo? ¿Qué distribución estadístico
permite comparar la distribución de este tipo de datos?

14. A continuación se presentan los resultados de ambos cursos en la prueba de

diagnóstico de salto largo.

4º A : 3.2 3.5 4.9 5.0 3.1 4.1 2.9 2.8 3.8 4.5 4.3 4.5 4.1 5.8 3.9 3.6 4.2
4.6
2.8 2.9 3.3 3.9 4.2 4.1 4.3 4.6 4.4 3.8 3.6 5.8
4º B : 3.5 2.9 1.3 1.7 3.6 5.6 2.8 5.2 5.3 4.1 4.1 4.4 1.6 5.1 4.3 5.0 5.3
3.2
2.6 5.5 5.4 4.8 4.9 4.3 2.9 3.9 5.4 5.3 4.2 2.8
a) Calcular el promedio de ambos cursos.
b) Construir una tabla de frecuencias para cada curso

c) ¿Cuál de los dos cursos tuvo un rendimiento más parejo?

[Link] capataz de una fábrica anotó los minutos que demoraron sus empleados en
efectuar un determinado trabajo:
14
 UTN FRMdP – TUP - Estadística - 2022
150,8 172 180 161,3 135 171 146,4 160 183,5 140.
También anotó respectivamente los días que faltaron al trabajo en el año:
15 23 21 30 18 34 21 10 15 26.
¿Cuál de las dos series tiene mayor variabilidad? Justifique la respuesta analíticamente
e interprete los resultados hallados.

Medidas de tendencia central y dispersión para datos agrupados en

intervalos
Si los datos están agrupados en intervalos de clase, debemos utilizar un criterio
diferente para calcular las distintas medidas de tendencia central y dispersión. A la tabla
de frecuencias se agrega la columna con la Marca de clase que es el promedio
aritmético de los extremos del intervalo.

Analicemos el siguiente ejemplo: Consideremos la siguiente distribución de frecuencias

que corresponden a los puntajes de 50 alumnos en una prueba.

Intervalos M.C. fa fa . x Fa
(x)
[60 – 65) 62,5 5 312.5 5
[65 – 70) 67,5 5 337.5 10
[70 – 75) 72,5 8 580 18
[75 – 80) 77,5 12 930 30 Intervalo mediano
[80 – 85) 82,5 16 1320 46 Intervalo modal
[85 – 90) 87,5 4 350 50
TOTALES 50 3830

La Media Aritmética: x f a ·x
x
3830
 76.6 ptos.  77 ptos.
n 50

Para calcular La Mediana necesitamos la siguiente fórmula:

L: Límite inferior del intervalo mediano.
n 
  Fa ·A Fa: Frecuencia acumulada hasta antes del
Me  L   
2 intervalo mediano.
fa fa :Frecuencia absoluta del intervalo mediano.
A: Amplitud del intervalo.

En el ejemplo, la cantidad de datos es 50, luego 50 : 2 = 25, y la Fa 25 se encuentra

en el intervalo [75 – 80) ya que el 25 está aquí, en cambio en la anterior (18) no está.
Luego el intervalo mediano es [75 – 80)

Entonces:
L = 75 (límite inferior)
fa = 12
A = 5 (80 – 75 = 5) ; Fa = 18 (frecuencia acumulada del intervalo anterior)

15
 UTN FRMdP – TUP - Estadística - 2022
 50 
  18 ·5
Me  75     75  7·5  75  2.916  77.916  78 ptos.
2
12 12

Observamos que el valor obtenido está comprendido, como es lógico, dentro del
intervalo mediano. Finalmente, para calcular la Moda en datos agrupados, utilizamos
la siguiente fórmula, teniendo presente que la clase modal es la que tiene mayor
frecuencia, y esta es la Frecuencia Modal.

L: Límite real inferior de la clase modal.

d1
Mo  L  ·A d1: Diferencia entre la frecuencia modal y la frecuencia
d1  d 2 anterior.
d2: Diferencia entre la frecuencia modal y la frecuencia
siguiente.
A: Amplitud del intervalo
L = 80 (intervalo modal [80 – 85), ya que la frecuencia es 16, que es la mayor)
d1= 16 – 12 = 4 (diferencia con la frecuencia anterior)
d2= 16 – 4 = 12 (diferencia con la frecuencia siguiente)
A=5
4 20
Luego, Mo  80  · 5  80   81,25 puntos.  81 puntos.
4  12 16
Se estima que el valor más repetido de los puntajes de esta prueba fue el 81.

Medidas de dispersión para datos agrupados en intervalos

Varianza:  2

x 2
. fa

 x
2
Desvío estándar:  
x 2
. fa
x
2

n n
Como ejemplo de trabajo utilizando Excel, se presenta el ejercicio visto al
comienzo:

16
 UTN FRMdP – TUP - Estadística - 2022

 Ejercicios
[Link] han medido 75 alumnos, en centímetros, obteniéndose los siguientes datos:

1,75 1,56 1,72 1,59 1,61 1,85 1,86 1,92 1,79 1,63 1,64 1,70 1,64 1,67 1,68
1,74 1,72 1,68 1,76 1,66 1,67 1,69 1,82 1,70 1,69 1,67 1,70 1,62 1,72 1,71
1,74 1,71 1,55 1,71 1,71 1,70 1,57 1,70 1,73 1,73 1,74 1,68 1,66 1,72 1,72
1,58 1,59 1,63 1,63 1,68 1,74 1,75 1,50 1,54 1,75 1,60 1,75 1,77 1,78 1,80
1,69 1,65 1,80 1,66 1,84 1,83 1,74 1,73 1,62 1,85 1,89 1,69 1,73 1,71 1,73

a) Agrupar estos resultados en 8 intervalos

b) Confeccionar una tabla de frecuencias y calcular las medidas de tendencia central
y de dispersión
c) Graficar

17. A los mismos alumnos anteriores se les aplico una prueba de inteligencia, estos
han sido:

87 105 88 103 114 125 108 107 118 114 129 100 106 113 105
111 94 115 89 82 141 92 132 112 97 135 101 104 130 99
114 91 145 95 101 115 104 87 108 115 103 132 110 113 102
109 124 98 140 107 93 108 122 117 114 141 116 108 102 101
118 138 99 105 112 94 96 132 118 123 108 131 127 100 91

a) Agrupar los datos en intervalos de amplitud 8

b) Confeccionar una tabla de frecuencias y calcular las medidas de tendencia central
y de dispersión
c) Graficar

18. En la ruta nacional N° 2 se estudió la variable velocidad (en Km/h), de una

muestra de 340 vehículos particulares que pasaban por un determinado punto
de la misma. Los datos obtenidos se resumen en la siguiente tabla:

Velocidad (Km./h) Cantidad. De vehículos

70-80 10
80-90 20
90-100 40
100-110 60
110-120 90
120-130 55
130-140 35
140-150 30

a) Calcular la velocidad promedio y el desvío

b) Calcular la velocidad más frecuente en la ruta N° 2.
c) Representar gráficamente la frecuencia absoluta.
17
 UTN FRMdP – TUP - Estadística - 2022

Experimentos aleatorios - espacio muestral- sucesos

Experimento aleatorio: Procesos que dependen del azar cuyos resultados se pueden
observar pero no determinar el valor de éstos con antelación.
Es decir, es imposible predecir el resultado de un experimento aleatorio pero sí se puede
describir cuales son los resultados posibles.
Son fenómenos aleatorios:

 Extracción de una carta de la baraja.

 Lanzamiento de un dado.
 Respuestas a una encuesta.

Experimentos simples: Son en los que se estudian elementos con una característica.
Ejemplo: Cantidad de unidades defectuosas de una partida de producción en una
fábrica, lanzamiento de un dado, etc.
Experimentos compuestos: Son los formados por varios experimentos simples.
Ejemplo: Lanzar un dado y una moneda.

El conjunto de todos los resultados posibles recibe el nombre de ESPACIO MUESTRAL.

Un subconjunto del espacio muestral que puede ser descripto por una característica
recibe el nombre de EVENTO o SUCESO. También se puede describir al suceso o evento
como un resultado posible o un conjunto de ellos en un experimento aleatorio.

Ejemplo 1:

Experimento Aleatorio Espacio Suceso

Muestral
Se eligen 20 personas al azar y se cuenta la cantidad
de mujeres
Se registra el número de pasajeros en un avión de 120
asientos

Ejemplo 2:
El experimento consistente en lanzar dos monedas al aire y anotar los resultados
producidos tiene el siguiente espacio muestral: E  cc, cx, xc, xx .

Ejemplo 3:
En el experimento que consiste en lanzar una dado con las caras numeradas del 1 al 6,
el espacio muestral es E  1,2,3,4,5,6 y como ejemplos de sucesos tenemos:
A  2,4,6 Que es el suceso “salir número par”
B  3,6 Que es el suceso “salir múltiplo de 3”
C  4

Ejemplo 4:
El espacio muestral del experimento que consiste en lanzar una moneda al aire tres
veces es:

𝑬 = {(𝑐, 𝑐, 𝑐), (𝑐, 𝑐, 𝑥), (𝑐, 𝑥, 𝑐), (𝑥, 𝑐, 𝑐), (𝑥, 𝑥, 𝑐), (𝑥, 𝑐, 𝑥), (𝑐, 𝑥, 𝑥), (𝑥, 𝑥, 𝑥)}

18
 UTN FRMdP – TUP - Estadística - 2022

 Ejercicios
1. Si el suceso A es obtener un 3 al arrojar un dado, describa:

a) El experimento.
b) El espacio muestral de dicho experimento.
c) El suceso A.

2. Si se elige una persona al azar y se averigua si sabe conducir o no, describir el

espacio muestral correspondiente.

3. Enumera todos los sucesos elementales del espacio muestral para cada uno de
los siguientes experimentos:
Se lanza una moneda una vez Se lanza una moneda dos veces
Se lanza una moneda tres veces Se lanza una moneda cuatro veces
Se lanza un dado una vez Si se lanzan a la vez un dado y una
moneda
Se extraen dos bolillas de una Se extraen tres bolillas de una bolsa
bolsa que contiene dos blancas y que contiene 4 rojas y 4 verdes.
dos rojas

4. Completa la siguiente tabla y responde: Evento y punto muestral son

sinónimos? Por qué?
Experimento aleatorio Espacio muestral S Número de puntos
muestrales #𝑺
Lanzar una moneda dos
veces
Lanzar un dado
Lanzar una moneda tres
veces
Lanzar dos monedas
diferentes

5. Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres

bolas. Define por extensión los siguientes sucesos, siendo:
a) Extraer tres bolas del mismo color.
b) Extraer al menos una bola blanca.
c) Extraer a lo sumo una bola blanca.
d) Extraer a lo sumo una bola negra.
e) Extraer una sola bola blanca.
f) Extraer al menos una bola negra.
g) Extraer como muchas dos bolas blancas.

19
 UTN FRMdP – TUP - Estadística - 2022
Distintos tipos de sucesos

Suceso seguro: Es el que se verifica siempre. Es el propio espacio muestral (E)

Suceso imposible: Es el que no se verifica nunca. Se expresa por .
Ejemplo:
En el experimento anterior de lanzar un dado, tenemos:

E  1,2,3,4,5,6 (Suceso seguro) A  7 (Suceso imposible)

El suceso imposible sería no obtener ninguno de los números que figuran en sus caras.

El conjunto de todos los sucesos de un espacio muestral y los subconjuntos del mismo,
recibe el nombre de espacio de sucesos y se designa por S.
Si consideramos el experimento consistente en lanzar una moneda el espacio muestral
será E  c, x y el espacio de sucesos S  , c, x, E.

Sucesos incompatibles
Son aquellos que no se pueden verificar simultáneamente. Cuando pueden verificarse
ambos a la vez se llaman compatibles.
Si A y B son incompatibles, entonces 𝐴 ∩ 𝐵 = ∅
Si A y B son compatibles, entonces 𝐴 ∩ 𝐵 ≠ ∅

En el experimento de lanzar un dado con las caras numeradas del 1 al 6:

- son sucesos compatibles A  1,2,3 y B  2,4,6.
- son incompatibles P  2,4,6 e I  1,3,5

Sucesos contrarios o complementarios

Dado un suceso cualquiera A, se llama suceso contrario al que se realiza cuando no se
realiza A. Se expresa por 𝐴̅ , 𝐴´ o bien 𝐴𝑐 .
Nótese que la unión de un suceso y su complemento da siempre el espacio muestral.

El suceso contrario de E es  y recíprocamente.

Suceso contenido o incluído en otro

Un suceso A se dice que está contenido o incluido en otro B si siempre que se verifica
A, se verifica B. Se representa AB

20
 UTN FRMdP – TUP - Estadística - 2022
Operaciones con sucesos

Los sucesos se pueden representar mediante el álgebra de conjuntos, por lo tanto

cumplen las mismas operaciones y los resultados dependen de si son incompatibles,
están contenidos o si existe una posibilidad de suceder en forma simultánea.

Unión de Sucesos compatibles

Dados dos sucesos A y B se llama unión de A y B, y se representa por AB, al
suceso que se realiza cuando se realiza alguno de ellos, A o B, o ambos.

A B  A B  A B

Ejemplo: Si de 500 personas encuestadas para estudiar la preferencia de dos marcas

A y B de computadoras, 300 respondieron por A o por B, éste número representa la
unión de los sucesos, es decir A  B  300

Unión de tres sucesos: A  B  C  A  B  C  A  B  A  C  B  C  A  B  C

Unión de sucesos incompatibles

Si los sucesos A y B son incompatibles, A ∩ B = 0. Por lo tanto A ∪ B = A + B

A B

Unión de un suceso contenido en otro

Si un suceso A está contenido en otro B, entonces A ∪ B = B
Simbólicamente: A ⊂ B → A ∪ B = B

B
A

21
 UTN FRMdP – TUP - Estadística - 2022
Intersección de sucesos
Dados dos sucesos A y B, se llama suceso intersección de A y B, y se representa por
A  B, al suceso que se realiza si y sólo si se realizan simultáneamente A y B.
Dos sucesos A y B cuya intersección es el conjunto vacío, es decir, es el suceso imposible
se llaman sucesos incompatibles.
Observación: Un suceso y su contrario son siempre incompatibles.

Si un suceso A está contenido en otro B, entonces A ∩ B = A

Simbólicamente: A ⊂ B → A ∩ B = A

Diferencia de sucesos
Dados dos sucesos A y B, se llama suceso diferencia de A y B, y se representa por
A -B, al suceso A  B . O sea, A-B está formado por todos los puntos muestrales de A
que no están en B.

 Ejercicios
6. En familias de tres hijos se estudia la distribución de sus sexos. Por ejemplo (V,
M, M) significa que el mayor es varón y las otras dos mujeres. ¿Cuántos
elementos tiene el espacio muestral? Además describir los siguientes sucesos: A
= “La menor es mujer” B = “El mayor es varón”, A  B , A  B

7. Un experimento consiste en lanzar un dado y observar el número que sale. Se

definen 3 sucesos:
A: sale menos de 3
B: sale más de 3
C: sale 2, 4 o 6
Describe los siguientes sucesos:
a) E, A, B, C, A , B , C , A  B, A  B, B  C, B  C, A  B
c c c c

b) Ocurre solamente A.
c) Ocurre B, y no ocurre C.
d) Ocurre alguno de los tres.
e) Ocurren los tres simultáneamente.
f) Ocurre solamente uno de los tres
g) No ocurre ninguno de los tres.
h) Ocurre a lo sumo uno de los tres.

22
 UTN FRMdP – TUP - Estadística - 2022
8. Considera 4 artículos a, b, c, y d. Supón que el orden en el cual se anotan esos
objetos representa el resultado del experimento. Sean A y B los sucesos:
A = {a está en el primer lugar} B = {b está en el segundo lugar}
Anota:
a) Todos los elementos del espacio muestral.
b) Todos los elementos de los sucesos A  B y A ∩ B

9. Dado el siguiente circuito eléctrico en serie

y supongamos que R1 y R2 pueden o no
funcionar. El espacio muestral S consta de cuatro
puntos: (𝑅1 , 𝑅2 ) , (𝑅̅1 , 𝑅2 ) , (𝑅1 , 𝑅̅2 ) , (𝑅̅1 , 𝑅̅2 ) donde
Ri indica que el componente funciona y Ri que no funciona.

Si E1 es el evento “el circuito total opera” y E 2 el evento “al menos una de las
componentes está operando”, responde:
a) ¿Son E1 y E 2 mutuamente excluyentes?
b) ¿Cuál es la relación entre E1 y E 2 ?

Cálculo de Probabilidades
La teoría de las probabilidades se inició con los juegos de azar en el siglo XVI, pero al
poco tiempo se aplicó a diversos problemas, como las estadísticas de las poblaciones
humanas, en la que la probabilidad aparece como resultado de la experiencia, sin que
se pueda calcularla de antemano.

Definición intuitiva o informal

Informalmente, la probabilidad de un suceso es una medida de la posibilidad de que

ese suceso ocurra. Esa medida se expresa con un número real comprendido entre 0 y
1. Dicho número se puede expresar por ejemplo como número decimal, ejemplo 0,2;
como fracción (1/5), o bien como porcentaje (20%).
Decir a qué esté asociada esa probabilidad. Generalmente una probabilidad cercana a
1 indica que es muy probable que el suceso ocurra como así una probabilidad cercana
a 0 indica que es muy poco probable.

Definición clásica de probabilidad

La probabilidad de un suceso A, es el cociente entre el número de casos favorables al
suceso y el número de casos posibles.

número de casos favorables

P( A)  (Regla de Laplace)
número de casos posibles

Ejemplo 1: ¿Cuál es la probabilidad de sacar cara al arrojar una moneda no cargada?

Ejemplo 2: ¿Cuál es la probabilidad de sacar dos caras al tirar dos monedas iguales?

Definición experimental de probabilidad: La probabilidad experimental es la

frecuencia relativa observada con la cual ocurre un suceso. Es decir se calcula con la
definición clásica pero sobre la base de resultados observados de la experiencia.
23
 UTN FRMdP – TUP - Estadística - 2022
Ejemplo: Supongamos que en una librería se registró que, de las últimas 5000 personas
que ingresaron, 1260 efectuaron alguna compra. Entonces la probabilidad de que una
persona que ingresa a esa librería efectúe alguna compra es 1260/5000 = 0,252

Ley de los grandes números: La ley de los grandes números afirma que cuando la
cantidad de observaciones de un experimento aleatorio tiende al infinito, la frecuencia

relativa de un suceso toma valores que se aproximan cada vez más a la probabilidad
de ese suceso. Es decir que la probabilidad experimental y la probabilidad teórica, si
puede calcularse, tienden a coincidir cuando el número de experimentos es grande.

Definición axiomática de probabilidad

La definición axiomática consta de los siguientes tres axiomas:

1º) La probabilidad de un suceso cualquiera es positiva o nula: P(A)  0. “La probabilidad

no puede ser negativa”
2ª) La probabilidad del suceso seguro es 1. P( E )  1 .
3º) Si dos sucesos A y B son incompatibles, 𝑨 ∩ 𝑩 = ∅ ↔ 𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨) + 𝑷(𝑩)

“Dos sucesos son disjuntos si y sólo si la probabilidad de su unión es la suma de sus

probabilidades”

De los axiomas se desprenden cinco consecuencias

I. La probabilidad de un suceso cualquiera es siempre igual o menor que 1:

P( A)  1

II. Las probabilidades de dos sucesos complementarios suman 1

P( A)  P( A)  1 P( A)  1  P( A)

III. La probabilidad del suceso imposible es 0: P(0) = 0

IV. Si un suceso A está contenido en otro B entonces su probabilidad es la

sumo éste: A  B  P( A)  P( B)

V. Si dos sucesos son compatibles, entonces la probabilidad de la unión es

la suma de sus probabilidades menos la probabilidad de la intersección

P( A  B)  P( A)  P( B)  P( A  B)

P( A  B  C)  P( A)  P( B)  P(C)  P( A  B)  P( A  C)  P( B  C)  P( A  B  C)

24
 UTN FRMdP – TUP - Estadística - 2022
 Ejercicios
[Link] tiran dos dados no cargados. Indicar la probabilidad de que:
a) salgan dos 3
b) Salgan dos 4
c) No salga ningún 5
d) Salga algún 5
e) No salga ningún 5 ni ningún 6.
f) Salgan solamente números pares.

[Link] una determinada población, el 60 % de las personas son mujeres, el 35 % de

la gente tiene ojos claros y el 25 % de la gente es rubia. El 20 % de la población
son mujeres de ojos claros. El 10 % de la población son mujeres rubias. El 15 %
de la población son personas rubias y de ojos claros. El 5 % de

la población son mujeres rubias de ojos claros. Hallar la probabilidad de que al

elegir al azar una persona ésta:
a) Sea mujer, sea rubia o tenga ojos claros (es decir, que tenga por lo menos una
de las tres características).
b) Tenga ojos oscuros.
c) Sea un hombre no rubio y de ojos oscuros.
d) Tenga el cabello rubio o no tenga el cabello rubio (alguna de las dos cosas)
e) Tenga ojos claros y ojos oscuros (las dos cosas simultáneamente).
f) La probabilidad de encontrar a una mujer rubia, ¿es menor, igual, o mayor, que
la de encontrar a una mujer rubia de ojos claros?

12.¿Cuál es la probabilidad de que al arrojar dos dados equilibrados al azar, la suma

de sus puntos sea 7?

[Link] una escuela el 20 % de los alumnos va caminando, el 35% en ómnibus y el

resto, en auto con los padres.
a) ¿Cuál es la probabilidad de que llegue en auto?
b) ¿Y en auto o en ómnibus?

14.¿Cuál es la probabilidad de obtener tres caras al arrojar tres monedas al azar?

[Link] tira un dado equilibrado cinco veces. ¿Cuál es la probabilidad de sacar 6 en

todos los tiros?

[Link] probabilidad de que un alumno apruebe matemática es 0,6; la de que apruebe

lengua es 0,5 y la de que apruebe las dos es 0,3. Se elige un alumno al azar,
calcula:
a) La probabilidad de que apruebe al menos una asignatura.
b) La probabilidad de que no apruebe ninguna.

25
 UTN FRMdP – TUP - Estadística - 2022
Uso de la combinatoria para el cálculo de probabilidades

La combinatoria brinda técnicas para contar la cantidad de elementos de un conjunto.

Ejemplo 1:
Un estudiante terminó de imprimir su trabajo de investigación y antes de numerar las
9 hojas, se le cayeron y desparramaron. Si las levanta al azar, ¿cuál es la probabilidad
de que queden en el orden correcto?

 Casos favorables: 1 (que las hojas estén en el orden correcto)

 Casos posibles: Son todas las formas de ordenar las 9 hojas, es decir, las
permutaciones de 9 elementos:

P9  9!= [Link].[Link].1 =362880

1
Entonces: P(A) = = 0,000002755
362880

Ejemplo 2: Un usuario de software puso una contraseña a un archivo de su

computadora y solo recuerda que eran 4 dígitos diferentes, ¿cuál es la probabilidad de
que acierte en el 1° intento?

 Casos favorables: 1 (la contraseña)

 Casos posibles: todas las formas de ordenar 4 dígitos diferentes, por lo tanto
tenemos las variaciones simples de 10 elementos tomados de a 4

10!
V10, 4 = = 5040
(10  4)!

1
P(A) =  0,0001984
5040
Ejemplo 3: Un joyero trabaja con 5 pares de aros distintos. Si elige 2 aros al azar.
¿Cuál es la probabilidad de que sean del mismo par?

 Casos favorables: los 5 pares de aros

 Casos posibles: Son todas las formas de tomar dos aros entres los cinco pares
que hay en total, con cinco pares me representan 10 aros, serán las
combinaciones de 10 elementos tomados de a dos:

10  10!
C10, 2      45
 2  2!.8!

5 1
P(A)= 
45 9

26
 UTN FRMdP – TUP - Estadística - 2022
Ejercicios de repaso

1) A un congreso asisten 25 mujeres (de las cuales 7 hablan francés y 18 inglés) y 30

hombres (10 hablan francés y 20 inglés. Se eligen dos congresistas al azar y se pide
calcular la probabilidad de que:
a) Sepan francés.
b) Sea mujer o hable inglés.
c) Sea hombre o hable francés.

2) Si se elige a dos alumnos al azar en un curso de 20 chicos, de los cuales el 60% son
mujeres:
a. ¿cuál es la probabilidad de que sean dos varones?
b. ¿cuál es la probabilidad de que haya al menos un varón?

Probabilidad condicionada
Observa la siguiente tabla que representa a los empleados de una empresa:

Hombres Mujeres (M) Totales

(H)
Fuman (F) 70 10 80
No fuman (no 30 90 120
F)
Totales 100 100 200

Si hay que elegir a uno de ellos, la elección puede realizarse bajo distintos criterios:

a) Elección sin condiciones:

100 1 100 1
P( H )   P( M )  
200 2 200 2
b) Elección con condiciones:
70 7
P( H / a que sea fumador)  P( H / F )  
80 8
10 1
P( M / a que sea fumadora)  P( M / F )  
80 8
Estas probabilidades pueden obtenerse también de la forma siguiente:
70
P( H  F ) 7
P( H / F )   200 
P( F ) 80 8
200
10
P( M  F ) 1
P( M / F )   200 
P( F ) 80 8
200

Se llama probabilidad condicionada del suceso B respecto del suceso A, y denotamos

 
por P( B / A) , al cociente P B 
A
P( A  B)
P( A)
De aquí se deduce:
P( A  B)  p( A).P( B / A)
P( A  B)  P( B).P( A / B)
27
 UTN FRMdP – TUP - Estadística - 2022

 Ejercicios
[Link] A y B dos sucesos tales que: 𝑃(𝐴) = 0.4 ; 𝑃(𝐴̅ ∩ 𝐵) = 0.4 ; 𝑃(𝐴 ∩ 𝐵) = 0.1 ,
calcula: 𝑃(𝐴 ∪ 𝐵)𝑦 𝑃(𝐵). Rta: 0.8; 0.5

[Link] está estudiando el rendimiento de los alumnos de la materia Estadística en

determinado examen. De un relevamiento surge que:
 El 80 % de los alumnos estudió para el examen.
 El 75 % de los alumnos aprobó el examen.
 El 15 % de los alumnos no estudió para el examen y no lo aprobó.
Se desea saber cuál es la probabilidad de que un alumno que haya estudiado, haya
aprobado el examen. La pregunta también puede formularse como: la probabilidad de
que un alumno apruebe, si es que estudió.

[Link] una asignatura se ha decidido aprobar a aquellos que superen al menos uno
de dos parciales. Con este criterio aprobó el 80%. Sabiendo que el primer
parcial lo superó el 60% y el segundo el 50%, cuál hubiese sido el porcentaje
de aprobados si se hubiese exigido superar ambos? Rta: 30%

[Link] una urna que contiene 9 bolillas rojas y 5 negras, se extraen sucesivamente
Calcula la probabilidad de los siguientes sucesos:
a) Que las dos sean negras
b) Que las dos sean rojas
c) Que la primera se roja y la segunda negra
d) Que la segunda se roja sabiendo que la primera fue negra.

[Link] un curso de 20 chicos, la mitad estudia inglés, 6 estudian francés y 2 estudian

ambos idiomas. Si se elige un alumno al azar y resulta ser estudiante de francés,
¿Cuál es la probabilidad de que también estudie inglés?

[Link] registros indican que las partes que salen de un taller de reparación de
componentes hidráulicas en una instalación de reparación de aviones, el 2%
tendrá un defecto en el eje; el 1% tendrá un defecto en el buje, y el 97,5% no
tendrá defectos. Para un artículo seleccionado al azar, calcule la probabilidad de
que:
a) El artículo tengo por lo menos un defecto.
b) El artículo tenga los dos defectos sabiendo que tiene por lo menos uno.
c) El artículo tenga defecto en el buje, sabiendo que tiene defecto en el eje.

[Link] A y B sucesos tales que p(A  B) = 2/3 y p(A ∩ B ) = ¼. Si se sabe que

p(A) es el doble de la de B, hallar p(A | B).

28
 UTN FRMdP – TUP - Estadística - 2022
Independencia de Sucesos

Sucesos dependientes e independientes

Dos sucesos son independientes si el hecho de conocer que ocurrió uno de ellos no
afecta la probabilidad de que ocurra el otro.

Matemáticamente:
Cuando P(B/A)=P(B) se dice que A y B son sucesos independientes. En caso contrario
los sucesos se llaman dependientes.

Cuando dos sucesos son independientes se verifica que

P( A  B)  P( A).P( B)

Dos sucesos A, B son independientes


P( A / B)  P( A)

P( B / A)  P( B)

P( A  B)  P( A).P( B)

Demostración de la tercer equivalencia:

Si P( A / B)  P( A) y P( B / A)  P( B) donde por definición se cumple que

P( A  B)
P( A / B)   P( A)  P( A  B)  P( A).P( B)
P( B)
P( A  B)
P( B / A)   P( B)  P( A  B)  P( B).P( A)
P( A)
Casos especiales de dependencia:

Sucesos disjuntos: Si los sucesos son disjuntos, el hecho de que ocurra uno implica
que el otro no ocurre. Es decir, en el caso de que sean disjuntos, el hecho de que un
suceso ocurra no solamente afecta la probabilidad de que el otro ocurra, sino que
además la hace directamente cero. Por lo tanto los sucesos son fuertemente
dependientes.

Ejemplo: Si el suceso R es que una persona sea rubia, y el suceso M es que sea
morocha, R  M  0 , y por lo tanto si se sabe que una persona es rubia, la probabilidad
de que sea morocha es cero. Vemos que por tratarse de sucesos disjuntos, el hecho de
que ocurra uno, hace que la probabilidad no solamente sea afectada sino que la hace
valer cero.

Un suceso incluido en otro: Si un suceso está incluido en otro, al ocurrir el de

“adentro” necesariamente ocurre también el de “afuera”. Es decir, el hecho de que

29
 UTN FRMdP – TUP - Estadística - 2022

haya ocurrido el de “adentro” modifica la probabilidad de que ocurra el de “afuera”, y

de hecho la hace 1.

Ejemplo: Si el suceso N es que un determinado día haya nubes y el suceso L es que

llueva, notamos que L  N . El hecho de saber que un día llovió hace que la probabilidad
de que haya habido nubes sea 1, con lo cual el hecho de saber que ocurrió L afecta la

probabilidad de N. Y también el hecho de saber que hubo nubes no necesariamente

implicará que llueva, pero en general afectará la probabilidad de que llueva.

Mediante diagramas de Venn

E E

No independientes No independientes
Los sucesos disjuntos no Si un suceso está incluido en
pueden ser independientes otro no pueden ser
independientes

Sucesos compatibles: Si A y B son independientes el

complementario de A y el suceso de B también lo son
(evidentemente el complementario de B y el suceso A ,
también).
Para que 𝐴̅ 𝑦 𝐵 sean independientes deberá ocurrir:
𝑃(𝐴̅ ∩ 𝐵) = 𝑃(𝐴̅). 𝑃(𝐵)
Ya que 𝐴̅ ∩ 𝐵 = 𝐵 − 𝐴 ∩ 𝐵 entonces:
𝑃(𝐴̅ ∩ 𝐵) = 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
= 𝑃(𝐵)
− 𝑃(𝐴). 𝑃(𝐵)𝑦𝑎 𝑞𝑢𝑒 𝐴 𝑦 𝐵 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
Luego: 𝑃(𝐴̅ ∩ 𝐵) = 𝑃(𝐵). [1 − 𝑃(𝐴)] = 𝑃(𝐵). 𝑃(𝐴̅) hemos demostrado que si A y B son
independientes el complemento de A y B también lo son.

Sucesos compatibles: Si A y B son independientes los complementarios también lo

son.
Para que 𝐴̅ 𝑦 𝐵̅ sean independientes deberá cumplirse: 𝑃(𝐴̅ ∩ 𝐵̅) = 𝑃(𝐴̅). 𝑃(𝐵̅)

Como: 𝐴̅ ∩ 𝐵̅ = 𝑈 − 𝐴 ∩ 𝐵 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠: 𝑃(𝐴̅ ∩ 𝐵̅) = 𝑃(𝐴

̅̅̅̅̅̅̅
∪ 𝐵) = 1 − 𝑃(𝐴 ∪ 𝐵) =
= 1 − [𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)]

= 1 − 𝑃(𝐴) − 𝑃(𝐵) + 𝑃(𝐴). 𝑃(𝐵) = [1 − 𝑃(𝐴)] − 𝑃(𝐵). [1 − 𝑃(𝐴)]

= [1 − 𝑃(𝐴)]. [1 − 𝑃(𝐵)] = 𝑃(𝐴̅). 𝑃(𝐵̅)

30
 UTN FRMdP – TUP - Estadística - 2022
Ejemplo:
Determina si los sucesos A y B son independientes de acuerdo con los siguientes datos:

P(A)= 0,3; P (B)= 0,2; P(A ∩ B) = 0,05

Solución:

P(A). P (B) = 0,3. 0,2 = 0,06 ≠ 0,05 = P(A ∩ B), por lo tanto no son independientes.

 Ejercicios
[Link] un curso de 30 chicos, la mitad son mujeres. El 40% de las mujeres son rubias
y el 20% de los varones no son rubios. Se elige un alumno al azar:
a) ¿Cuál es la probabilidad de que sea mujer y rubia?
b) ¿Ser rubia y ser mujer son sucesos independientes?¿Por qué?
c) ¿Cuál es la probabilidad de que sea varón y que no sea rubio?

[Link] la señalización de un servicio de emergencia se han instalado dos

indicadores que funcionan independientemente. La probabilidad de que el
indicador funcione durante la avería es 0,95 para el primero y 0,9 para el
segundo. Hallar:
a) La probabilidad de que durante la avería funcione solo un indicador.
b) La probabilidad de que durante la avería funcione al menos uno de ellos.

[Link]:
P (A): la probabilidad de que haga buen tiempo es de 0.4
P (B): la probabilidad de tener un accidente es de 0.1
P(A ∩ B): la probabilidad de que haga buen tiempo y de tener un accidente es de
0.08
Halla: P(A/B); P(B/A) y P(A ∩ B)

[Link] esquema representa un sub-circuito entre M y N. A, B y C son interruptores

que cierran desde un comando, en forma independiente con probabilidades 0.9,
0.9 y 0.8 respectivamente. Si se acciona el comando de cierre, cuál es la
probabilidad de que pase corriente de M a N? Rta: 0.792

Teorema de la Probabilidad Total. Teorema de Bayes

Teorema de la Probabilidad Total

Para llegar a la definición partamos del siguiente ejemplo:

En una empresa hay dos máquinas A y B que fabrican latas. La máquina A que produce
el triple de latas que la maquina B, realiza un 10% de latas defectuosas, y la

31
 UTN FRMdP – TUP - Estadística - 2022
máquina B, un 5%. ¿Cuál es la probabilidad de que al elegir al azar una lata sea
defectuosa?

Resolución:
𝑃(𝐴) = 3𝑃(𝐵) →
𝑃(𝐴) + 𝑃(𝐵) = 1 → 3𝑃(𝐵) + 𝑃(𝐵) = 1 → 4𝑃(𝐵) = 1 → 𝑃(𝐵) = 0,25
Entonces, 𝑃(𝐴) = 0,75
𝑃(𝐷⁄𝐴) = 0,1
𝑃(𝐷⁄𝐵) = 0,05
Se pide la probabilidad de que una lata, fabricada por cualquier máquina, sea
defectuosa, por lo tanto:
𝑃(𝐷) = 𝑃(𝐷 ∩ 𝐴) + 𝑃(𝐷 ∩ 𝐵)

Tenemos como datos 𝑃(𝐷⁄𝐴) = 0,1 y 𝑃(𝐷⁄𝐵) = 0,05, usando la definición de

probabilidad condicionada obtenemos la probabilidad que necesitamos en la fórmula:

𝑃(𝐷∩𝐴)
𝑃(𝐷⁄𝐴) = 0,1 = 𝑃(𝐴)
haciendo pasaje de término: 𝑃(𝐷 ∩ 𝐴) = 𝑃(𝐷⁄𝐴) . 𝑃(𝐴)
Usando el mismo razonamiento, se obtiene: 𝑃(𝐷 ∩ 𝐵) = 𝑃(𝐷⁄𝐵) . 𝑃(𝐵)

La fórmula final resulta:

𝑃(𝐷) = 𝑃(𝐷⁄𝐴). 𝑃(𝐴) + 𝑃(𝐷⁄𝐵). 𝑃(𝐵)

Reemplazando los valores:

𝑃(𝐷) = 0,1.0,75 + 0,05.0,25 = 0,0875

Significa que el 8,75% de las latas producidas en la empresa son defectuosas.

Definición I: Si C es un suceso cualquiera perteneciente a un espacio muestral M y

M  A  B , donde los sucesos son incompatibles, se verifica que:

P(C) = P (C|A). C (A) + P (C|B). P (B)

Definición II: Sea A1,A2,...,An un sistema completo de sucesos tales que la

probabilidad de cada uno de ellos es distinta de cero, y sea B un suceso para el que se
conocen las probabilidades P(B/Ai) , entonces la probabilidad del suceso B viene dada
por :
n
P(B )   P( A i ) • P(B / A i )
i 1
Teorema de Bayes
Supongamos del ejercicio anterior que elegimos una lata, la observamos y resulta
defectuosa, la pregunta ahora es, ¿qué probabilidad tenemos que haya sido fabricada
por la máquina A?
Resolución: Ahora se sabe que la lata elegida es defectuosa, es decir proviene del
8,75%, por lo tanto es una probabilidad condicionada ya que “se sabe” que es
defectuosa. En otras palabras lo que se pide es dentro de las latas defectuosas, la
probabilidad o el porcentaje que fueron fabricadas por la máquina A.

𝑃(𝐴 ∩ 𝐷) 𝑃(𝐷⁄𝐴). 𝑃(𝐴) 0,1.0,75

𝑃(𝐴⁄𝐷) = = = = 0,8571
𝑃(𝐷) 𝑃(𝐷) 0,0875

32
 UTN FRMdP – TUP - Estadística - 2022
Definición I: Si los sucesos A y B son complementarios y el suceso D tiene probabilidad
positiva, se verifica que:

P ( A  D) P( D | A).P( A)
P( A | D)  
P ( D) P( D | A).P( A)  P( D | B).P( B)

Definición II: Sea A1,A2,...,An un sistema completo de sucesos tal que la probabilidad
de cada uno de ellos es distinta de cero, y sea B un suceso cualquiera para el que se
conocen las probabilidades P(B/Ai), entonces :

P( A i ) • P(B / A i )
P( A i / B )  n , i  1,2,..., n
 P( A ) • P(B / A )
i 1
i i

 Ejercicios
[Link] una fábrica de golosinas se producen cajas de caramelos masticables y cajas
de caramelos duros. Las cajas de caramelos masticables contienen un 50% de
caramelos de frutilla y un 50% de caramelos de naranja. Las cajas de caramelos
duros están compuestas por un 65% de caramelos de frutilla y un 35% de
caramelos de naranja.
Un empleado coloca en un cajón el contenido de algunas cajas de caramelos masticables
y duros. En el cajón el 45% de los caramelos son masticables y el resto son duros.
¿Cuál es la probabilidad de que al elegir al azar del cajón un caramelo de naranja sea
masticable?

[Link] una determinada ciudad, los estudiantes universitarios de una facultad se

distribuyen entre las carreras que pueden cursarse del siguiente modo: el 20%
estudia arquitectura, el 15% medicina, el 30% economía y el 35% en diferentes
carreras técnicas. El porcentaje de alumnos que provienen de localidades del
interior en cada caso es del 5%, 12%, 18% y el 23% respectivamente. Elegido
un estudiante al azar determinar:
a) La probabilidad de que provenga de una localidad del interior.
b) Si se elige al azar un estudiante de medicina, cual es la probabilidad de
que no provenga de una localidad del interior de la ciudad.

[Link] máquinas automáticas, producen piezas idénticas que son colocadas en un

transportador común. El rendimiento de la primera máquina es el doble del
correspondiente a la segunda. La primera produce un promedio del 60% de las
piezas sin defectos y la segunda un 84%. Una pieza que se toma del
transportador resulta sin defectos. Encontrar la probabilidad de que esta pieza
haya sido producida por la primera máquina.

[Link] un determinado grupo de gente hay personas rubias, morochas y pelirrojas.

El 60 % de la gente es morocha, el 30% es rubia y el 10% pelirroja. El 50% de
los rubios tiene ojos claros, el 40% de los pelirrojos tiene ojos claros y el 25%
de los morochos tiene ojos claros. Si una persona elegida al azar tiene ojos claros,
¿cuál es la probabilidad de que sea rubia?

33
 UTN FRMdP – TUP - Estadística - 2022
[Link] ladrón, al huir de un policía, puede hacerlo por las calles A, B o C, con
probabilidades P(A)=0.25; P(B)=0.6 y P(C)=0.15. La probabilidad de ser
alcanzado por la calle A es 0.4, si huye por la calle B es 0.5 y si huye por la C es
0.6.
a) Calcula la probabilidad de que la policía alcance al ladrón.
b) Si el ladrón ha sido alcanzado, cuál es la probabilidad de que haya sido en la
calle A?

34
 UTN FRMdP – TUP - Estadística - 2022

Ejercitación integradora 1° Parcial

1) Ejemplificar variables cualitativas y cuantitativas.
2) Diferenciar medidas de tendencia central y dispersión. Ejemplificar mediante
diagramas de dispersión.
3) La siguiente tabla muestra el índice de padres de familia, por edad de los
mismos, que tienen la primaria completa en una zona rural del país:

Edad fa fr Fa fr % Fa %
[20-25) 45
[25-30) 50
[30-35) 30
[35-40) 22
[40-45) 20
[45-50) 15
[50-55) 10
[55-60) 5
[60-65) 3
[65-70) 2
Totales:

a) Completar la tabla de frecuencias.

b) Identificar y definir la variable en estudio. Calcular la edad promedio de
personas que finalizaron sus estudios primarios.
c) Utilizar un gráfico apropiado para representar los datos con su frecuencia
absoluta enunciar qué se puede observar respecto al comportamiento de la
variable edad con la cantidad de personas que cuentan con la primaria
completa.

4) Las siguientes tablas son el resultado del funcionamiento de 3 redes en contextos

similares durante 15 días. Para cada una se registró la cantidad de fallas
(interrupciones) y su respectiva frecuencia. Clasificar la variable en estudio y
determinar justificando mediante conceptos estadísticos cuál de los tres tuvo
mejor rendimiento.

Red 1 Red 2 Red 3

xi fa xi fa xi fa
0 6 0 7 0 8
1 2 1 4 1 0
2 1 2 1 2 2
3 2 3 2 3 1
4 2 4 1 4 3
5 2 5 0 5 1
Totales Totales Totales

35
 UTN FRMdP – TUP - Estadística - 2022
5) Una persona saca 4 lamparitas quemadas de un artefacto de luz y por un
descuido se le mezclaron con las 4 nuevas. Si elige al azar las 4 lamparitas que
va a colocar, ¿cuál es la probabilidad de que la habitación quede iluminada
sabiendo que el artefacto se enciende cuando al menos una lamparita no está
quemada?

6) Un aeropuerto tiene 3 equipos de radar, que funcionan independientemente.

Cada equipo tiene una probabilidad del 98% de detectar un avión que sobrevuele
el área.
a) Si un avión entra en el área vigilada, ¿cuál es la probabilidad de que no sea
detectado?
b) ¿Y de que lo detecten los tres radares?

7) En un curso, el 40% de los alumnos aprobó matemática, el 55 % aprobó física y

el 20% ambas.
a) ¿Cuántos no aprobaron ni matemática ni física?
b) De los que aprobaron matemática, ¿cuál es el porcentaje que aprobó física?
c) Si se elige un alumno al azar de ese curso, indicar la probabilidad de que:
I) haya a probado matemática, si aprobó física
II) haya aprobado física, sabiendo que no aprobó matemática.

8) Sean A y B dos sucesos tales que p(A)=1/2, p(B)=3/5.

4
Probar que si p( A  B)  entonces A y B son independientes.
5

9) Dos de tres elementos de un calculador que funcionan independientemente

fallaron. Hallar la probabilidad de que hayan fallado los elementos 1° y 2°, si las
probabilidades de fallo de los elementos 1°, 2° y 3° son respectivamente iguales
a 0,2; 0,4 y 0,3

10) Laura y Javier se reparten los ejercicios que les ha propuesto su profesora. Laura
se queda con el 45 % y Javier con el resto. Por otro lado, sabemos que Laura
resuelve incorrectamente un 10 % de los ejercicios que intenta y Javier, un 8 %.
a) Hallar la probabilidad de que al elegir la profesora un ejercicio al azar, esté
mal resuelto.
b) Hallar la probabilidad de que al elegir la profesora un ejercicio al azar, halla
sido hecho por Javier, sabiendo que está mal resuelto.

11) En una oficina, el 20% de las llamadas telefónicas es a teléfonos celulares; entre
ellas el 80% son a celulares de larga distancia. Calcular la probabilidad de que la
próxima llamada que se haga sea a un celular de larga distancia.

12) Dos divisiones de producción de una fábrica se denominan M y N. La

probabilidad de que M tenga un margen de utilidad de por lo menos un 10%
durante este año es 0,3, de que N tenga igual margen de utilidad es de 0,2 y de
que ambas alcancen dicho margen es 0,05.
a. ¿Cuál es la probabilidad de que N tenga un margen de utilidad del 10%,
dado que M ha alcanzado dicho margen?
b. Determinar si el logro de la meta de utilidad de las dos divisiones es
independiente.

13) El número de camiones, ómnibus y automóviles que pasan por una determinada
ruta donde se encuentra una estación de servicio están en la relación 3: 2: 5. El
36
 UTN FRMdP – TUP - Estadística - 2022
8% de los camiones, el 3% de los ómnibus y el 6% de los automóviles entran en
la estación de servicio a cargar nafta.
a) ¿Cuál es la probabilidad de que el próximo vehículo que venga por la ruta entre
a cargar nafta en la estación de servicio?

b) Si el último vehículo que entró cargó nafta, ¿qué probabilidad hay de que haya
sido un ómnibus?

14) El médico A y la médica B conforman un grupo de 10 médicos disponibles para

las guardias. Determinar la probabilidad de que el doctor A salga elegido para
integrar la guardia si la misma es de 2 médicos elegidos entre los 10.

15) Una fábrica de automotores produce sus unidades en tres plantas diferentes. La
primera de ellas realiza 500 unidades; la segunda, 1000, y la tercera, 2000. El
porcentaje de unidades defectuosas en cada planta es, respectivamente, 2%,
1%, y 4%. Si se selecciona una unidad al azar, ¿cuál es la probabilidad de que
ésta sea defectuosa?

16) En un cajón hay 100 frutas de las cuales 20 son manzanas, 50 son naranjas, 10
son pomelos y 20 son mandarinas.
a. Se selecciona una fruta de manera aleatoria. ¿Cuál es la probabilidad de
que sea una manzana o naranja o una mandarina?.
b. ¿Cuál es la probabilidad de seleccionar una manzana o una naranja o una
mandarina o un pomelo?.
c. Si se seleccionan 3 frutas simultáneamente al azar, determinar la
probabilidad de que sean exactamente 3 pomelos?.
d. Si se seleccionan 10 frutas al azar de manera simultánea, determinar la
probabilidad de que se obtengan 2 manzanas, 4 mandarinas, 3 naranjas y
1 pomelo.

17) Entre los alumnos de una escuela primaria el 10% tiene dificultades visuales, el
8% tiene audición imperfecta, el 12% tiene dentadura defectuosa, el 4% tiene
ojos y dentadura con problemas, el 3% audición y dentadura imperfectos, el 2%
ojos y audición imperfectos y el 1% tiene ojos, oídos y dientes con problemas.
Seleccionando un niño de manera aleatoria, ¿cuál es la probabilidad de que tenga
problemas en los ojos o en la audición o en la dentadura?

18) De una caja que contiene 15 tornillos de 10 mm, 20 de 15 mm, 12 de 20 mm y

13 de 25 mm de largo se selecciona aleatoriamente un grupo de 20. ¿Cuál es la
probabilidad de obtener 5,7,6 y 2 de cada medida respectivamente?

19) Una fábrica de tornillos dispone de 4 máquinas: A, B, C y D. La máquina A

produce un 15% de tornillos defectuosos, la B un3% de tornillos defectuosos, la
C un 10% y la máquina D un 20%. De los tornillos fabricados, el 26% corresponde
a A; el 46% a B; el 20% a C, y el resto a D.
a) ¿Cuál es la probabilidad de que la seleccionar al zar un tornillo sea defectuoso?
b) Si tomamos uno y comprobamos que está en buen estado, ¿cuál es la
probabilidad de que lo haya fabrica la máquina B?

20) Un examen consta de 10 preguntas que deben ser contestadas con verdadero
o falso. Si Julián contesta todas las preguntas al azar, ¿cuál es la probabilidad de
que responda todas correctamente?

37
 UTN FRMdP – TUP - Estadística - 2022
21) En un supermercado se decidió comprar cinco computadoras, de las cuales se
elegirán dos al azar para realizarles pruebas minuciosas y determinar si son
defectuosas o no. Se aceptará la partida si las dos computadoras examinadas no
tienen ningún defecto. ¿Cuál es la probabilidad de que se acepte una partida de
5 computadoras, en la cual hay 3 con algún defecto?

22) Una caja contiene veinte sobres iguales y cerrados de los cuales doce contienen
$1000, cinco contienen $5000 y tres contienen $10000. Se toma un sobre al
azar:
a) ¿Cuál es el espacio muestral para las diferentes cantidades de dinero?
b) ¿Cuál es la probabilidad de que el sobre elegido contenga menos de $ 10000?

23) En un curso de Estadística, se sabe que el 35% de los alumnos no realizan la

guía de ejercicios, y de los que sí completan la guía, aprueba el 85%. Si se elige
un alumno al azar, ¿cuál es la probabilidad de que realice la guía y no apruebe la
materia?

Respuestas

1) b) Variable cuantitativa discreta. Análisis de nivel de estudios por edades. Edad

promedio 34 años aproximadamente.
2) La comparación es posible mediante el cálculo del desvío estándar.
Promedio Red 1: x  1,867 . Desvío estándar:   1,89.
Promedio Red 2: x  1,067 . Desvío estándar:   1,66
Promedio Red 3: x  1,6 . Desvío estándar:   1,854
Tuvo menor desvío la red 2, en consecuencia tiene mayor tendencia a mantener el
menor número de fallas promedio.
6) a) P(r1  r2  r3 )  8 *10 . b) P(r1  r2  r3 )  0,941192
69 6
5) P(encienda ) 
70
7) a) 
P(M  F )  0,25  P M  F  b) P( F / M )  0,5 c) I) P(M / F )  0,363 II)
P( F  M )
P( F / M )   0,5833
P( M )
   
9) P( F1  F2  F3 /( F1  F2  F3 )  F1  F3  F2  F2  F3  F1 )  0,2979
10) a) P(M )  0,089 b) P( J / M )  0,494 11) P(C  L)  0,16
12) a)𝑃(𝑁/M) = 0,166 b) P(M ).P( N )  P(M  N ) , no son independientes
13) a) P( N )  0,06 b) P(O / N )  0,1 14) P( A)  0,2 15) P( D)  0,028
90
16) a) P( M  N  Mand )   0,9 b) P(M  N  Mand  P)  1 c) P( P)  0,0007421
100
d) P(2M  4Mand  3N  1P)  0,0104 17) P(V  D  O)  0,22
18) P(5  7  6  2)  0,004 19) a) P( D)  0,0888 b) P( B / D)  0,4896 20)
P(C )  9,76 *10 4
21) P( P)  0,1 22) a) b) P( 10000)  0,85 21) P( R  A)  0,0975

38
 UTN FRMdP – TUP - Estadística - 2022

Módulo II: Segundo Parcial

Unidad IV:

Variable aleatoria. Definición. Variable Aleatoria discreta. Función de probabilidad. Función de

distribución. Esperanza y varianza Variable aleatoria continúa. Función de densidad. Función de
distribución. Esperanza y varianza. Ejercicios de aplicación.

Unidad V:

Distribuciones discretas particulares. Experimento de Bernoulli: Distribución binomial. Esperanza y

varianza. Distribución Geométrica. Esperanza y Varianza. Distribución de Poisson. Distribución
exponencial Negativa. Esperanza y varianza. Ejercicios de aplicación.

Unidad VI:

Variables aleatorias continuas. Distribución Normal. Distribución normal estandarizada. Uso de

tablas. Esperanza y varianza. Aproximación de la distribución Binomial y Poisson por la distribución
Normal. Ejercicios de aplicación.

39
 UTN FRMdP – TUP - Estadística - 2022

Variables aleatorias
Una variable aleatoria queda definida cuando a cada resultado de un experimento
aleatorio se le asocia un número real.
Desde el punto de vista matemático, una variable aleatoria es una función que va desde
el espacio muestral a un conjunto de números reales El conjunto de valores posibles
recibe el nombre de recorrido o imagen.

Supongamos que se lanza una moneda dos veces, el espacio muestral es:

Punto muestral CC CS SC SS
𝑆 = {𝐶𝐶, 𝐶𝑆, 𝑆𝐶, 𝑆𝑆} X 2 1 1 0

Si es X el número de caras que pueden salir, podemos asociar cada punto con un
número de X:
Una primera interpretación que se le puede dar al concepto de variable aleatoria es la
que dice: una variable aleatoria es aquella que asume valores de acuerdo con los
resultados de un experimento aleatorio.

De acuerdo a su recorrido, las variables aleatorias se clasifican en discretas y

continuas:

 V.A.D: es aquella que toma, a lo sumo, una cantidad numerable de valores

distintos.

 V.A.C: es aquella que puede tomar cualquier valor de entre todos los
contenidos en un intervalo de la recta.

Ejemplos:

1) Al arrojar un dado el recorrido es R={1,2,3,4,5,6}, como la cantidad de valores

posibles es finita, la variable es discreta.

2) Si la variable aleatoria fuera la cantidad de clientes que llega a un comercio en

un día, el conjunto sería el conjunto de todos los enteros no negativos, es decir
los valores posibles de x serían infinitos, sin embargo se pueden enumerar, por
lo tanto la variable es discreta.

3) Si hacemos el experimento de elegir una naranja al azar de una verdulería y

llamamos x al peso de la naranja, entonces los valores posibles de x son todos
los números reales positivos, ese conjunto no se puede enumerar, por lo tanto la
variable es continua.

4) La cantidad de energía eléctrica producida en una planta hidroeléctrica en un día,

es una variable continua.

5) Número de clientes que llegan en una hora a un banco en solicitud de servicios

(¿D o C?)

40
 UTN FRMdP – TUP - Estadística - 2022
6) La cantidad de petróleo bombeado cada hora en un pozo (¿D o C?)

7) El número de transistores defectuosos en un embarque de 1000 transistores (¿D

o C?)

8) La duración de una bombilla eléctrica observada en un experimento (¿D o C?)

Distribución de Probabilidad
Para una variable aleatoria en general, cada uno de los valores posibles puede tener
distinta probabilidad, es por eso que estudiamos como se distribuyen las probabilidades
en los distintos valores de la variable.
A la relación entre los valores posibles de una variable aleatoria y sus respectivas
probabilidades, se la conoce como distribución de probabilidad y la forma de expresarla
depende de si la variable es discreta o continua.

Distribución de una Variable Aleatoria Discreta. Función de probabilidad

Cuando una variable aleatoria es discreta se utiliza una función que a cada valor le
asigna una probabilidad. Dicha función se conoce con el nombre de “Función de
Probabilidad”. Se utiliza la notación P(X=x), donde X es la variable aleatoria que se
distribuye y x es el valor cuya probabilidad se evalúa.

Teorema: Una distribución de probabilidades es función de probabilidad si y solo si

cumple con las condiciones:
 𝑝𝑖 ≥ 0


 P( X  x )  1
Ejemplo1: si tiramos tres monedas y contamos la cantidad de caras que salen:

X 0 1 2 3
P(X = x)
Se tiene que: P(X=0)=1/8 ; P(X=1)=3/8; P(X=2)=3/8 y
P(X=3)=1/8. Estos resultados se pueden resumir en una tabla llamada distribución
de probabilidad:

X: número de caras en los tres lanzamientos 0 1 2 3 Observa que:

P(X=x) 1/8 3/8 3/8 1/8 1/8+3/8+3/8+1/8=1

Ejemplo 2: Tiramos un dado y observamos el número que sale. (X: número que sale
al tirar un dado)
1 / 6; si x  1
1 / 6; si x  2

1 / 6; si x  3

PX ( x)  P( X  x)1 / 6; si x  4
1 / 6; si x  5

1 / 6; si x  6
0 otro x


41
 UTN FRMdP – TUP - Estadística - 2022

En forma abreviada:
1 / 6 ; si x  1,2,3,4,5,6
PX ( x)  
0 otro x
En forma de tabla:

X 1 2 3 4 5 6
P(X=x) 1/6 1/6 16 1/6 1/6 1/6

En forma gráfica:

Ejemplo 3: Se van a colocar 4 microcircuitos integrados en una computadora. Se

escogen en forma aleatoria 2 de los 4 para revisarlos antes de armar la computadora.
Sea X en número de circuitos integrados defectuosos que se encuentran entre los 2
que se revisan. Determina la función de probabilidad de X si:

a) Dos de los cuatro microcircuitos integrados son defectuosos

b) Uno de los microcircuitos es defectuoso.

𝟐
( ) 𝟏
𝟐 = 𝒔𝒊 𝒙 = 𝟎
𝟒
( ) 𝟔
𝑷(𝑿 = 𝒙) = 𝟐
… 𝒔𝒊 𝒙 = 𝟏
… 𝒔𝒊 𝒙 = 𝟐
{𝒄𝒐𝒎𝒑𝒓𝒖𝒆𝒃𝒂 𝒒𝒖𝒆 𝑝𝑖 = 1

Ejemplo 4: Consideremos el lanzamiento de dos dados una vez. Sea X=Suma de

puntos de las dos caras. Vamos a hallar la distribución de probabilidad de esta variable.
El espacio muestral es:
11 21 31 41 51 61
12 22 32 42 52 62
13 23 33 43 53 63
14 24 34 44 54 64
15 25 35 45 55 65
16 26 36 46 56 66

42
 UTN FRMdP – TUP - Estadística - 2022
Hay 36 opciones y las distintas sumas de puntos son: 2,3,4,5,6,7,8,9,10,11,12. Con el
espacio muestral y las posibles sumas hallamos la distribución de probabilidad de esta
variable:

X 2 3 4 5 6 7 8 9 10 11 12
P(X=x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36

Se cumplen ambos requisitos (𝑝𝑖 ≥ 0 𝑦 𝑝𝑖 = 1)

Ejemplo 5 (de resolución en clase):

En una de las oficinas de una empresa trabajan 5 programadores, dos hombres y tres
mujeres. Quien los coordina debe elegir dos de ellos para un proyecto especial y decide
elegirlos al azar. Si X es el número de mujeres elegidas, encuentra la función de
probabilidad para X.

Ejemplo 6 (de resolución en clase)

Durante el curso de un día, una máquina produce tres artículos cuya calidad individual,
definida como de primera o segunda, se determina al final del día. Sea X la variable
aleatoria “cantidad diaria de artículos de primera”. Definir la función de probabilidad de
X suponiendo que históricamente la máquina produjo un 5% de artículos de segunda y
que la calidad es independiente en cada artículo.

Para variables aleatorias continuas, la representación gráfica son curvas continuas

llamadas “funciones de densidad”, más adelante se estudiará el caso particular de
las curvas simétricas y en especial la distribución normal estándar, llamada “campana
de Gauss”

Distribuciones acumuladas-Función de distribución

En ocasiones es necesario acumular probabilidades en las distribuciones como por

ejemplo la probabilidad de obtener hasta tres fallas en un circuito en un determinado
día o la probabilidad de obtener como mínimo dos unidades defectuosas en un lote de
producción por eso nos indican la probabilidad acumulada hasta un determinado punto
o a partir de un determinado punto.
La distribución de cualquier variable aleatoria puede representarse también por su
función de distribución, denotada como F(x). Esta función asigna a cada valor de la
variable un valor entre 0 y 1 que indica la probabilidad de que la variable, observada
para un caso particular, asuma un valor menor o igual al valor en que se está evaluando
la función. Por ejemplo, si F(5)=0.28
diremos que 0.28 es la probabilidad de que
la variable se realice en un caso de análisis
particular con el valor de 5 o con un valor
menor a 5

Ejemplo: Halla las funciones de

probabilidad y de distribución de
probabilidad de la cantidad de caras
obtenidas al tirar 2 monedas.
Sea X: cantidad de caras obtenidas. El
espacio muestral es: 𝐸 = {𝐶𝐶, 𝐶𝑆, 𝑆𝐶, 𝑆𝑆}

43
 UTN FRMdP – TUP - Estadística - 2022
X 0 1 2
P(x) ¼ 2/4 1/4

0 −∞<𝑥 <0
1
0≤𝑥<1
𝐹(𝑥) = 4
1 1 3
+ = 1≤𝑥<2
4 2 4
{ 1 2 ≤ 𝑥 < +∞

Ejemplo: Supongamos que queremos hallar la probabilidad de que el resultado de la

suma al lanzar dos dados sea menor o igual que 5.

𝑃(𝑋 ≤ 5) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5)

1 2 3 4 10
𝑃(𝑋 ≤ 5) = 0 + 0 + + + + = = 0.28
36 36 36 36 36
2 1 3 1
Y si queremos hallar 𝑃(𝑋 > 10) = 36 + 36 = 36 = 12

Media, esperanza matemática o valor esperado de una variable aleatoria discreta

Para comprender este concepto veamos un ejemplo:

Sea X el número de caras resultantes al lanzar dos monedas, cuya distribución se da
en la siguiente tabla:

X 0 1 2
P(x) 1/4 2/4 ¼

Supongamos que se repite el experimento 4000000 de veces. Intuitivamente se

esperaría observar 1 millón de veces el 0, 2 millones de veces el 1 y 1 millón de veces
el 2. El valor promedio sería:

𝑆𝑢𝑚𝑎 0.1000000+1.2000000+2.1000000 1 1 1
𝑛
= 4000000
= 0. 4 + 1. 2 + 2. 4=1

El valor promedio de x sería entonces: ∑2𝑥=0 𝑥. 𝑝(𝑥)

Desde el punto de vista intuitivo, el método para calcular el valor esperado de una VAC
es similar, pero en la práctica se utiliza el cálculo y cómo no has aprendido al respecto,
queda fuera del alcance de este módulo.

Definición:
Sea X una variable aleatoria discreta que asume los valores 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 con
probabilidades respectivas 𝑝1 , 𝑝2 , 𝑝3 , … , 𝑝𝑛 el valor esperado de X se denota y define de
la siguiente manera:

𝝁𝒙 = 𝑬(𝑿) = 𝒙𝟏 . 𝒑𝟏 + 𝒙𝟐 . 𝒑𝟐 + 𝒙𝟑 . 𝒑𝟑 + ⋯ + 𝒙𝒏 . 𝒑𝒏

44
 UTN FRMdP – TUP - Estadística - 2022
E ( x)   xi . p( xi )

Se la utiliza por ejemplo para calcular el consumo medio por hora de una máquina, la
cantidad de clientes que podemos esperar tener en un determinado día o la cantidad
media de líquido que una embotelladora envasa en las botellas, etc.

Antes de explicar el significado del valor esperado veamos unos ejemplos:

1 / 3; si x  1
1 / 3; si x  2

Ejemplo 1: Sea X discreta distribuida según p X ( x)  
1 / 3; si x  3
0otrox

3
1 3 6
E(x)=  x. p( x) 
1

3 1
x 2
3

Ejemplo 2: Si consideramos las probabilidades respectivas a cada cara de un dado

balanceado tenemos:

1 / 6; six  1
1 / 6; six  2

1 / 6; six  3

PX ( x)  1 / 6; six  4
1 / 6; six  5

1 / 6; six  6
0otrox


6 6
1 1 6 21
E(x)= 1 x. p ( x )  1 6  6 1 x  6  3,5
x.

¿Cómo interpretar este valor?

Si dijéramos que es el puntaje que debes esperar que dé cuando lanzas el dado muchas
veces, con razón podrías decir que eso es imposible, puesto que en el dado puedes ver
3 ó 4 puntos, pero jamás 3.5 puntos. Pero si te propongo que no cuentes los puntos de
cada lanzamiento sino que sumes el puntaje de dos lanzamientos y los promedies,
puedes hallar lógica al valor 3.5.
A pesar de que la interpretación que le hemos dado al valor 3.5 es acertada, en la
práctica el valor esperado se interpreta de una manera distinta, que en el ejemplo
presente es:
Si lanzamos un dado un número grande de veces y tomamos la media aritmética de la
suma de los distintos puntajes que se van obteniendo entonces, la media tiende a 3.5.
Igual interpretación sería para cualquier otra situación.
Luego el valor esperado de X se interpreta como una media ponderada de los posibles
valores de X, y no como el valor que se espera que tome X, pues puede suceder que
E(X) no sea uno de los posibles valores de X

45
 UTN FRMdP – TUP - Estadística - 2022
Ejemplo 3: Supongamos que dos jugadores, A y B, se enfrentan en un juego que
consiste en el lanzamiento de una moneda al aire. Si sale cara, A gana $1, pero si sale
sello A pierde $[Link] variable que representa la ganancia de A (ganancia del jugador)
por cada jugada está dada por:

1 , 𝑠𝑖 𝑠𝑎𝑙𝑒 𝑐𝑎𝑟𝑎
𝑋={
−1 , 𝑠𝑖 𝑠𝑎𝑙𝑒 𝑠𝑒𝑙𝑙𝑜

Si suponemos que la moneda está balanceada, es decir, la probabilidad de obtener

cara (sello) es 0.5, entonces la variable X tiene la siguiente distribución:

X -1 1
P(X=x) 0.5 0.5

El valor esperado de X (ganancia esperada del jugador) está dado por:

𝐸(𝑋) = −1 ∗ 0.5 + 1.0.5 = 0

Esto quiere decir que si estas personas juegan un gran número de veces, a la larga no
hay ganador ni perdedor.

Ahora vamos a suponer que la moneda está diseñada de tal forma que la posibilidad
de obtener cara es 2/3 y la obtener sello es 1/3. En este caso la distribución sería:

X -1 1
P(X=x) 1/3 2/3

1 2 1
Y la ganancia esperada (por jugada) para A sería: 𝐸(𝑋) = −1. + 1. = . Esto quiere
3 3 3
decir que si juegan unas 3000 veces, se espera que A gane $1000. Esta es la esencia
de los juegos de azar como loterías, rifas,…

Ejemplo 4: Vamos a retomar la variable X que representa el número de puntos que

muestra la cara superior del dado después de un lanzamiento y definimos la nueva
variable Y=5X. los valores de esta variable don: 5,10,15,20,25,30.

Qué ocurre con los valores de probabilidad? Los valores no se alteran, puesto que
decir Y=15 equivale a afirmar que X=3. La distribución de Y es:

Y 5 10 15 20 25 30
P(Y=y) 1/6 1/6 1/6 1/6 1/6 1/6

𝟏 𝟏 𝟏 𝟏 𝟏 𝟏 𝟑𝟓
𝐄(𝐘) = 𝟓. + 𝟏𝟎. + 𝟏𝟓. + 𝟐𝟎. + 𝟐𝟓. + 𝟑𝟎. =
𝟔 𝟔 𝟔 𝟔 𝟔 𝟔 𝟐

Recordemos que E(X)=3.5=7/2, observa que E(Y)=5.E(X)

Propiedades de la esperanza

 𝑬(𝒄) = 𝒄 , 𝒔𝒊𝒆𝒏𝒅𝒐 𝒄 = 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆

 𝑬(𝒄𝑿) = 𝒄𝑬(𝑿)
 𝑬(𝑿 + 𝒄) = 𝑬(𝑿) + 𝒄
 𝑬(𝑿 + 𝒀) = 𝑬(𝑿) + 𝑬(𝒀)

46
 UTN FRMdP – TUP - Estadística - 2022
Varianza y Desviación estándar para una variable aleatoria discreta

La varianza se define como la suma de todos los desvíos de cada valor que toma la
variable con respecto a la E(x), elevado al cuadrado y multiplicado por su respectiva
probabilidad:
 2 x  V ( X )   xi  E ( x)2 . p( X  xi )

La desviación estándar se define como la raíz cuadrada de la varianza:

 ( x)   2 x
Ejemplo 1: Calculemos la varianza para la variable X que corresponde al número de
puntos de la cara superior del dado.

1 1 1 1 1 1
𝑉(𝑋) = (1 − 3.5)2 . + (2 − 3.5)2 . + (3 − 3.5)2 . + (4 − 3.5)2 . + (5 − 3.5)2 . + (6 − 3.5)2 .
6 6 6 6 6 6

35
𝑉(𝑋) =
12
Ahora hagamos: 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
1 91
𝐸(𝑋 2 ) = (12 + 22 + 32 + 42 + 52 + 62 ). =
6 6
91 49 35
𝐸(𝑋 2 ) − [𝐸(𝑋)]2 = − = = 𝑉(𝑋)
6 4 12

Esta es una propiedad que siempre se cumple.

Propiedades de la varianza

Si X es una variable aleatoria y c una constante entonces:

 La varianza no puede ser negativa.

 Si c es una contante entonces V(c)=0.
 𝑉(𝑋) = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
 𝑉(𝑐𝑋) = 𝑐 2 . 𝑉(𝑋)
 𝑉(𝑋 + 𝑐) = 𝑉(𝑋)

Estos conceptos de valor esperado y varianza también se aplican para variables

aleatorias continuas.

Ejemplo de aplicación (de resolución en clase):

Una determinada operación en un proceso de montaje, tiene un costo fijo de $12 y otro,
que varía en función del tiempo empleado, razón de $0,2 por segundo. Si el tiempo
empleado es una variable aleatoria con media 98 segundos y varianza 68 segundos2,
determinar la media y la varianza del costo total de la operación.

Para variables aleatorias continuas, la representación gráfica son curvas continuas

llamadas “funciones de densidad”, más adelante se estudiará e caso particular de las
curvas simétricas y en especial la distribución normal estándar, llamada “campana de
Gauss”

47
 UTN FRMdP – TUP - Estadística - 2022

Ejercicios de resolución grupal

1. Indica para cada una de las siguientes variables si son discretas o continuas.
Justifica.
a) El número que sale al tirar un dado.
b) La cantidad de caras que salen al tirar 5 monedas.
c) La cantidad de accidentes por mes
d) Peso de una naranja.
e) Diámetro de una arandela
f) La edad de una persona.

2. Determina si las siguientes funciones son funciones de probabilidad, justifica.

0,5; x  2 0,5; x  2
0,5; x  2  0,2; x  3 0,3; x  3

a) P( X  x)  0,3; x  3 b) P( X  x)  
 c) P( X  x)  
0otrox 0,7; x  6 0,2; x  6
 0otrox 0otrox
0,1; x  1
0,15; x  2

0,1; x  4
3. La variable aleatoria X está distribuida según: P( X  x)  
0,2; x  5
0,45; x  7

0otrox
Indica la probabilidad de que X:
a) sea 4
b) sea menor o igual a 4
c) sea a lo sumo 4
d) sea menor a 4
e) sea mayor o igual a 4
f) sea como mínimo 4
g) sea mayor a 4
h) esté entre 3 y 6
i) sea menor que 4, sabiendo que es menor que 5

4. Sea X una variable aleatoria que expresa el número de personas que habitan en
una vivienda elegida al azar. La distribución de probabilidad de X es:
𝑥𝑖 1 2 3 4 5 6 7 >=8
𝑝𝑖 0.230 0.322 0.177 a 0.067 0.024 0.015 0.010

a) Halla el valor de la incógnita “a”. Rta: 0.155

b) Halla la probabilidad de que el número de personas que viven en un lugar sea
menor o igual que 4. Rta: 0.884
c) Calcula la probabilidad de que al menos dos personas vivan en una vivienda.
Rta:0.77
d) Obtén el número medio de personas que habitan en una vivienda. Rta:2.689

5. Qué se entiende por valor esperado de una variable?

48
 UTN FRMdP – TUP - Estadística - 2022
0; x  1
0,4 ;1  x  1

6. La función de distribución de la variable aleatoria X es: F ( X )  0,5 ;1  x  2 .
0,8 ;2  x  3

1; x  3
Halla la función de probabilidad de X

7. Para una variable X se cumple que 𝜇𝑋 = 𝐸(𝑋) = 3 𝑦 𝐸(𝑋 2 ) = 25. Aplicando las
propiedades de la esperanza y de la varianza, calcula:
a) 𝐸[(𝑋 − 1)]. Rta: 2 b) 𝐸(5𝑋). Rta:15
2 ].
c) 𝐸[(𝑋 − 3) Rta:16 d) 𝑉(𝑋). Rta: 16
e) 𝑉(𝑋 + 3). Rta: 16 f) 𝑉(2𝑋).Rta: 64

8. Una variable aleatoria X tiene distribución de X 0 1 2 3

probabilidad como se indica: P(X=x) 1/8 1/4 1/2 1/8
Calcula:
a) 𝐸[(𝑋 − 1)] b) 𝐸(𝑋 2 ) c) 𝐸(3𝑋)
d) 𝑉(𝑋) e) 𝑉(𝑋 + 1) f) 𝐸(𝑋 + 3)

9. Halla la esperanza matemática, varianza y desvío estándar de la variable X

0,4; x  1
0,1; x  1

donde está distribuida según: P( X  x)  0,3; x  2
0,2; x  3

0otrox
[Link] juega una partida con un dado que se supone balanceado. En este juego un
jugador gana $20 si obtiene 2; gana $40 si obtiene 4; pierde $30 si obtiene 6; y
no gana ni pierde si obtiene cualquier otra cara del dado. Encuentra la suma
esperada de dinero que él puede ganar.

[Link] contratista debe elegir entre dos obras. La primera promete una ganancia de
$240000, con una probabilidad de 0.75 o una pérdida de $60000 (debido a
huelgas y otras demoras), con una probabilidad de 0.25, la segunda obra
promete una ganancia de $360000 con una probabilidad de 0.5 o una pérdida de
$90,000 con una probabilidad 0.5. Cuál debería elegir el contratista si quiere
maximizar su ganancia? Justifica.

[Link] un negocio aventurado, una señora puede ganar $300 con probabilidad 0,6 o
perder $100 con probabilidad 0,4. Halla su esperanza matemática.

[Link] función de probabilidad de la tabla representa la cantidad de veces por día

que tienen que parar una máquina por desperfectos técnicos.

X 0 1 2 3 4 5
P(X=x) 0,35 0,28 0,17 0,09 0,08 0,03

a) Indica la probabilidad de que la máquina trabaje un día completo sin detenerse.

b) Calcula la probabilidad de que la máquina deba ser detenida al menos dos veces.

49
 UTN FRMdP – TUP - Estadística - 2022
[Link] una casa de venta de artículos para oficinas se realiza un estudio para analizar
la cantidad de computadoras de cierta marca que se venden diariamente. Sea X:
el número de computadoras vendidas diariamente, y se sabe que:
X 1 2 3 4 5 6
P(X) 0.18 0.23 0.20 0.15 0.14 0.10

a) El dueño del negocio decide no comercializar esta marca de computadoras si

vende en promedio menos de 4 diariamente. Cuál es la decisión que crees
conveniente debe tomar el propietario? Justifica.

b) Calcula la desviación estándar del número de computadoras vendidas

diariamente. Rta: 1.59

50
 UTN FRMdP – TUP - Estadística - 2022

Distribuciones particulares para variables aleatorias discretas

 Ensayo de Bernoulli

La distribución binomial está ligada a un tipo de experimento llamado ensayo de Bernoulli,

en honor a Jacques Bernoulli (1654-1705).
Un ensayo de Bernoulli es un experimento aleatorio que sólo puede concluir de dos maneras
distintas mutuamente excluyentes e independientes. Uno de los resultados se llama éxito y el
otro fracaso. Es un experimento dicotómico. Llamar “éxito” o “fracaso” se refiere al hecho de
que haya dado positiva o negativa la observación que queremos hacer.

Se define con p a la probabilidad de éxito, es decir, la probabilidad de que se cumpla la condición

que queríamos observar y se define por 1-p a la probabilidad de fracaso, es decir al hecho de
que haya dado negativa la observación que queríamos hacer. Se denota también por q. Es decir
q = 1-p

𝒑 𝒔𝒊 𝒙 = 𝟏
𝑷(𝑿 = 𝒙) = { 𝒒 𝒔𝒊 𝒙 = 𝟎
𝟎 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

Una variable con un comportamiento probabilístico como el señalado se dice que tiene
distribución de Bernoulli.

Ejemplos de ensayos:

 Seleccionar un artículo para clasificarlo como bueno o defectuoso.

 Seleccionar una persona para clasificarla como apta o no apta de acuerdo con algún
criterio.

Un proceso de Bernoulli es una sucesión de ensayos igualmente denominados con las

siguientes características:

 Hay dos casos posibles en cada ensayo, éxito o fracaso. el éxito tiene una probabilidad
p y el fracaso una probabilidad q=1-p de ocurrir (sin inferir de esto que un caso exitoso
sea necesariamente un caso deseado).
 La probabilidad de éxito y de fracaso permanece constante durante el proceso.
 Hay n pruebas, siendo n una constante dada y son independientes, es decir, el resultado
de cualquiera en particular no es afectado por el resultado de cualquier otra.

 Distribución binomial

¿Cuál es la probabilidad de obtener x éxitos en n intentos?,

Esta distribución es una generalización de la distribución de Bernoulli. Sea E un experimento

aleatorio que sólo puede tener dos resultados posibles, éxito o fracaso, donde:
𝑃(𝐸) = 𝑝 𝑦 𝑃(𝐹) = 1 − 𝑝 = 𝑞
Se hace un número finito (n) de observaciones independientes con reposición, o sea que p se
mantiene constante prueba a prueba, y se defina la V.A:
X: cantidad de éxitos en n observaciones.
El recorrido de la variable será: 0,1,2,3,….,n
Se definen los siguientes parámetros:

51
 UTN FRMdP – TUP - Estadística - 2022
n: la cantidad de veces que se hace el experimento (número de pruebas)
p: la probabilidad de que un experimento arroje éxito.
k: la cantidad de veces que se obtiene éxito en las n veces que se hace el experimento.

Ejemplo: Si arrojo una moneda 8 veces con probabilidad 0,5 de que salga cara (considerando
cara como éxito) y sale cara 5 veces, tengo:

n = 8 ; p = 0,5 y k = 5

Generalmente conocemos e valor de p o es posible calcularlo, entonces nos preguntamos

cuántos éxitos obtendremos haciendo el experimento una determinada cantidad de veces, o
cuántas veces tendremos que hacer el experimento para obtener una determinada cantidad de
éxitos.

Se define: X: Bi (n ; p)
 X es una variable binomial con parámetros n y p
 X es la variable que representa la cantidad de éxitos obtenidos en n
experimentos de Bernoulli independientes cada uno con probabilidad de éxito
p

Se calcula:

𝒏
( ) 𝒑𝒙 . (𝟏 − 𝒑)𝒏−𝒙 𝟎 ≤ 𝒙 ≤ 𝒏
𝑷(𝑿) = { 𝒙
𝟎 ∀ 𝒐𝒕𝒓𝒐 𝒙

Su esperanza matemática: 𝑬(𝒙) = 𝒏. 𝒑

Su Varianza:   n. p.(1  p)
2

Donde:
n: es un número natural, la cantidad de elementos que hay en total
p: es un número real comprendido entre 0 y 1, la probabilidad de que un elemento cumpla
con la condición.

Estrategia:
Sabemos que nos encontramos frente a la necesidad de emplear una distribución Binomial
cuando:
 Se tiene una determinada cantidad de elementos (piezas, intentos)
 Cada uno de esos elementos puede o no cumplir con una determinada condición (que la
pieza sea defectuosa, que el intento haya salido bien, etc.)
 Se conoce o es posible calcular la probabilidad de que un elementos cumpla con la
condición
 Se necesita saber cuál es la probabilidad de que determinada cantidad de elementos de
los n que hay en total cumplan con la condición (cuántas piezas son defectuosas, cuántos
intentos salieron bien, etc.)

Ejercicios de resolución en clase:

1) ¿Cuál es la probabilidad de obtener exactamente 2 caras en 6 lanzamientos de una
moneda balanceada?
2) En 100 lanzamientos de una moneda balanceada, ¿cuál es el número esperado de
caras?
3) Un político gana sus elecciones a intendente con el 65% de los votos. Al día siguiente
se tomaron al azar 5 votantes, calcular:

52
 UTN FRMdP – TUP - Estadística - 2022

a) La probabilidad de que exactamente dos de ellos lo hayan votado.

b) La probabilidad de que a lo sumo dos personas lo hayan votado.
c) La probabilidad de que al menos dos personas lo hayan votado.

4) Una máquina produce un determinado número de piezas. Las piezas a veces salen
defectuosas. La probabilidad de que una pieza salga defectuosa es 0,01.
a) ¿Cuál es la probabilidad de que haya piezas defectuosas en un lote de 50 piezas?
b) ¿Cuál es la probabilidad de que haya 2 o más piezas defectuosas en dicho lote?
c) ¿Cuál es la cantidad esperada de piezas defectuosas en el lote?. ¿Cuál es la varianza?

5) Si se tira una moneda una determinada cantidad de veces, se sabe que la cantidad de
veces que sale cara es una variable binomial cuya media es 5 y su varianza es 2,5. ¿Diría
usted. Que la moneda es honesta?

6) Una fábrica de lámparas eléctricas trabaja con un 10% de unidades defectuosas, en

promedio. Si se selecciona una muestra de 10 lámparas, cuál es la probabilidad de
encontrar:
a) 4 defectuosas.
b) ninguna defectuosa.
c) como máximo dos defectuosas.
d) Calcular la media y la varianza del número de piezas defectuosas en muestras de tamaño
n= 50.

7) La probabilidad de que un estudiante obtenga el título de arquitecto es 0,3. Calcular la

probabilidad de que un grupo de 7 estudiantes matriculados en primer curso:
a. Ninguno de los 7 finalice la carrera.
b. Finalicen los 7.
c. Al menos 2 finalicen la carrera.

 Distribución de Poisson3

Es un buen modelo para la distribución de frecuencias relativas del número de eventos raros
que ocurren en una unidad de tiempo, distancia,…
Es utilizada para modelar la distribución de frecuencias de:
 Número de accidentes industriales por unidad de tiempo
 Número de reclamaciones de seguros
 Número de llegadas a un lugar
 Número de errores por capítulo de un libro
 …

Un fenómeno aleatorio que cumple las siguientes hipótesis constituye un proceso e Poisson:
 Los sucesos o éxitos ocurren dentro de un continuo y son puntuales que no ocupan
una porción apreciable del continuo (suelen denominarse: casos raros).
 El número de éxitos en distintas porciones del continuo no superpuestas son V.A.
independientes.
 La distribución de probabilidades del número de éxitos en cualquier porción del
continuo, depende sólo de la longitud de la porción y no de la ubicación en el continuo.
 La probabilidad de que ocurra un éxito en una porción del continuo suficientemente
pequeña, es proporcional a la longitud de dicha porción.

3
Estadística-Probabilidades y Distribuciones. Gabriela Kurincic. Ediciones Cooperativas. 2001
(Página144)
53
 UTN FRMdP – TUP - Estadística - 2022
 La probabilidad de que ocurran dos o más éxitos, en una porción de continuo
suficientemente pequeña es despreciable.
 Condición inicial P(0)=1

Generalmente se estudia un intervalo continuo y los eventos que ocurren en él. Se definen los
siguientes parámetros:
 λ la intensidad (cantidad media de eventos)
 T: la longitud de un intervalo continuo que va a estudiarse.
 K: la cantidad de eventos que hay en ese intervalo.

Ejemplo: Una máquina falla habitualmente en promedio 2 veces por hora. La controlamos
durante 3 horas y falla 7 veces. Entonces tenemos:
 λ= 2 eventos / hora.
 T = 3 horas.
 K = 7 eventos
Generalmente conocemos el valor de λ, y entonces nos preguntamos cuántos eventos
obtendremos en una determinada cantidad de tiempo, o cuánto tiempo tendremos que esperar
hasta observar una determinada cantidad de eventos.
La distribución de Poisson trabaja solo con el parámetro μ = λ.T. Como T es la longitud del
intervalo, y λ es la cantidad esperada de eventos por unidad de tiempo, entonces μ resulta ser
la media.

 X es una variable Poisson con media μ.

 X es la variable que representa la cantidad de eventos obtenidos en un intervalo de
longitud T e intensidad λ.

Entonces:
𝒆−𝝁 . 𝝁𝒙
𝑷(𝑿 = 𝒙) = { 𝒙! 𝒔𝒊 𝒙 ≥ 𝟎
𝟎 𝒔𝒊 𝒙 < 𝟎

𝑬(𝑿) = 𝝁 , 𝝈𝟐 = 𝝁 (𝝁 ∈ 𝑹 > 𝟎)

Ejemplo 1: Teniendo en cuenta que un cajero de una entidad bancaria atiende en promedio
1.2 personas cada 10 minutos, se desea determinar la probabilidad de que dicho cajero:

a) Atienda a 2 personas en 10 minutos.

b) Atienda a lo sumo 4 personas en 10 minutos.
c) Atienda entre 1 y 4 personas inclusive en 10 minutos.
d) Atienda menos de 4 personas en 10 minutos.
e) Atienda 3 personas en 10 minutos si se sabe qe atendió menos de 4.

Solución:

54
 UTN FRMdP – TUP - Estadística - 2022
X: cantidad de personas atendidas por el cajero en 10 minutos. La distribución de la variable
es Poisson con promedio 1.2, 𝜆 = 1.2, la función de probabilidades es:
𝒆−𝝀 . 𝝀𝒙 𝒆−𝟏.𝟐 ∗ 𝟏. 𝟐𝒙
𝑃(𝑥) = = 𝒙 = 𝟎, 𝟏, 𝟐, 𝟑, … . , +∞
𝒙! 𝒙!
𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟐
a) 𝑃(𝑥 = 2) = 𝟐!
= 0.21685

𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟎 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟏 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟐 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟑 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟒
b) 𝑃(𝑥 ≤ 4) = 𝟎!
+ 𝟏!
+ 𝟐!
+ 𝟑!
+ 𝟒!
= 𝟎. 𝟗𝟗𝟐𝟐

𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟏 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟐 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟑 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟒

c) 𝑃(1 ≤ 𝑥 ≤ 4) = 𝟏!
+ 𝟐!
+ 𝟑!
+ 𝟒!
= 𝟎. 𝟔𝟗𝟏𝟎

𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟎 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟏 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟐 𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟑

d) 𝑃(𝑥 < 4) = + + + = 𝟎. 𝟗𝟔𝟔𝟐
𝟎! 𝟏! 𝟐! 𝟑!

𝒆−𝟏.𝟐 ∗𝟏.𝟐𝟑
𝑃(𝑥=3∩𝑥<4)
e) 𝑃(𝑥 = 3⁄𝑥 < 4) = 𝑃(𝑥<4)
= 𝟑!
𝟎.𝟗𝟔𝟔𝟐
= 0.089733

Ejemplo 2: Supón que una compañía de seguros asegura las vidas de 5000 hombres de 42
años de edad. Si los estudios actuariales indican que la probabilidad de que un hombre de 42
años muera en un determinado año es 0.001, entonces la probabilidad exacta de que la
compañía pague x=4 indemnizaciones en un determinado año está dada por la distribución
binomial como:
5000
𝑃(𝑥 = 4) = 𝑝(4) = ( ) . 0.0014 . 0.9994996
4
El valor de la expresión no aparece en tablas y su cálculo es complicado, por lo que se usa
como aproximación la distribución de Poisson.
Solución:
𝜆 = 𝑛𝑝 = 5000.0.001 = 5
𝜆4 . 𝑒 −𝜆 54 . 𝑒 −5
𝑃(𝑥 = 4) = = = 0.1745
4! 4!
Ejemplo 3: Supón que una gran planta procesadora y enlatadora de alimentos tiene 20
máquinas enlatadoras automáticas en operación constante. Si la probabilidad de que una
máquina se descomponga durante un día determinado es 0.05, encuentra la probabilidad de
que durante un día determinado fallen dos máquinas. Usa la distribución binomial para calcular
la probabilidad exacta y luego calcula la aproximación de Poisson correspondiente.
Solución:
𝑛 = 20 ; 𝑝 = 0.5 ; 𝜆 = 20 ∗ 0.05 = 1
20
𝑃(𝑥 = 2) = ( ) . 0.052 . 0.9518 = 0.189 (Redondeando a tres cifras decimales)
2
12 .𝑒 −1
𝑃(𝑥 = 2) = 2!
= 0.184 (Redondeando a tres cifras decimales)

Observa que la aproximación de Poisson está bastante cerca del valor exacto de la probabilidad
binomial. La aproximación de Poisson mejora a medida que aumenta el valor de n. Esta
aproximación se recomienda para los casos en que n es grande y 𝜇 = 𝑛. 𝑝 ≤ 7
Ejemplo 4: Un fabricante de podadoras de césped adquiere de un proveedor motores de dos
tiempos de 1 caballo de fuerza, en lotes de 1000. En cada podadora se instala uno de estos
motores. La experiencia indica que la probabilidad de que un motor suministrado por este
proveedor esté defectuoso es 0.001. en un envío de 1000 motores, cuál es la probabilidad de
que:

55
 UTN FRMdP – TUP - Estadística - 2022
a) Ninguno salga defectuso.
b) Uno, dos, tres y cuatro salgan defectuosos.
Solución:
Este es un experimento binomial con n=1000 y p=0.001. El número esperado de defectos es:
𝜆 = 𝑛𝑝 = 1000 ∗ 0.001 = 1
𝑒 −1 .10
a) 𝑃(0)~ 0!
= 0.368
𝑒 −1 .11 𝑒 −1 .12 𝑒 −1 .13 𝑒 −1 .14
b) 𝑃(1)~ 1!
= 0.368 ; 𝑃(2)~ 2!
= 0.184 ; 𝑃(3) = 3!
= 0.061 ; 𝑃(4) = 4!
= 0.015

Observa que P(x) decrece a medida que x crece.

Ejercicio 1: Una fábrica de neumáticos verificó que en la pista de prueba ocurre un

“reventón” cada 2000 km. recorridos y que el número de tal dificultad sigue
aproximadamente una distribución de Poisson. ¿Cuál es la probabilidad de que en una prueba
de 500 km. Haya como máximo un “reventón”?

Ejercicio 2: Según la oficina nacional de Estadística vital del departamento de salud de

Estados Unidos, el promedio total de ahogamientos accidentales al año es de 3 por cada
100.000 habitantes. Encontrar la probabilidad de que en una ciudad de 200.000 habitantes
hay ningún ahogado por accidente al año.

Ejercicio 3: Un circuito falla, en promedio, 2 veces por hora.

a) Calcular cuál es el tiempo que podrá funcionar tal que la probabilidad de que no falle sea
de 0,88.
b) Responder a) con una cantidad entera de minutos.

Propiedades reproductivas

Si se tiene:
 m variables X i
 X i : Pois ( i )
 X i independiente de X j para i  j
m
 Y   Xi
i 1
Entonces:

 Y : Pois (  y )
m
  y   i
i 1

Es decir, la suma de m variables Poisson independientes cada una con su propio

promedio (µ ), resulta ser una variable Poisson con el promedio dado por la suma de
los promedios de las variables originales.

Ejemplo: Un estacionamiento tiene dos entradas. Los coches llegan a la entrada I de acuerdo
con una distribución de Poisson con una media de tres por hora, y a la entrada II de acuerdo
con una distribución de Poisson con una media de cuatro por hora. ¿Cuál es la probabilidad de

56
 UTN FRMdP – TUP - Estadística - 2022
que tres coches lleguen al estacionamiento durante una hora dada? (Se supone que los números
de coches que llegan a las dos entradas son independientes)

Ejercicios de resolución grupal:

1) A un comercio llegan en promedio 12 clientes por hora. El dueño debe salir durante 15
minutos a hacer una diligencia.
a) ¿Cuál es la probabilidad de que no pierda ningún cliente?
b) ¿Cuál es la probabilidad de que pierda 4 clientes?
c) ¿Cuál es la probabilidad de que pierda 2 o más clientes?

2) Una determinada máquina necesita ser reparada, en promedio, 8 veces por día. ¿cuál es
la probabilidad de que tenga que ser reparada menos de 3 veces?

3) Se tienen 3 gallinas. Una de ellas pone en promedio 2 huevos por día. Otra pone en
promedio 3 huevos por día. La restante pone en promedio 4 huevos por día. ¿Cuál es la
probabilidad de que en un determinado día se produzcan exactamente 10 huevos?

4) Se sabe que el número de microorganismos por gramo de una cierta muestra de suelo
en agua destilada, sigue una distribución de Poisson de parámetro λ = 0,8 por gramo. Si
una preparación con un gramos de esta dilución se vuelve turbia, éste gramo contiene
al menos u microorganismo. Hallar la probabilidad de que una preparación que se ha
vuelto turbia tenga:
a) un solo microorganismo
b) Menos de tres microorganismos
c) Más de dos microorganismos

5) Suponga que en promedio 1 de 1000 personas comete un error numérico al elaborar su

declaración de impuestos. Si se seleccionan al azar y se examinan 10000 declaraciones,
obtenga la probabilidad de que 6, 7 u 8 tengan errores.
Rta: 0.26573

6) El promedio de personas que llegan a la ventanilla de un banco por minuto durante las
horas hábiles es una. Halla la probabilidad de que en un minuto dado:

a) No aparezcan clientes. Rta: 0.368

b) Haya tres o más clientes. Rta: 0.08
c) Haya tres o menos clientes. Rta: 0.98

7) Se ha determinado que en una autopista se dan en promedio 10 animales vagabundos

muertos por km. Halla la probabilidad de que en 100 metros:

a) Se encuentren dos o más animales muertos. Rta:0.2643

b) No se encuentre ninguno muerto. Rta:0.368
c) Menos de tres animales muertos. Rta:0.92
d) Cuántos animales muertos se espera encontrar en un trayecto de 500 m? Rta:5

8) Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba:
a) Cuatro cheques sin fondo en un día dado? Rta: 0.134
b) 10 cheques sin fondos en cualquiera de dos días consecutivos? Rta: 0.105

10) Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue

una distribución Poisson con una media de 2.3 imperfecciones por milímetro.

57
 UTN FRMdP – TUP - Estadística - 2022
a) Determine la probabilidad de 2 imperfecciones en un milímetro de [Link].0.265
b) Determine la probabilidad de 10 imperfecciones en 5 milímetros de [Link].113
c) Determine la probabilidad de al menos una imperfección en 2mm de alambre. Rta:0.99

 Distribución exponencial Negativa

¿Cuál es la probabilidad de tener que esperar x tiempo hasta obtener el primer evento?

Características:
 X es una variable exponencial negativa con intensidad λ.
 X es la variable que representa el tiempo que hay que esperar hasta obtener el primer
evento en un continuo con intensidad λ

Sabemos que nos encontramos frente a una distribución exponencial negativa cuando:
 Hay un continuo en el cual suceden eventos, como por ejemplo visitas a lo largo del día,
defectos a lo largo de una tela, fallas de un circuito a lo largo de un determinado período,
etc.
 Vamos a continuar observando hasta que suceda el primer evento. Ejemplo: hasta que
llegue una visita, hasta que encontremos un defecto en la tela, hasta que el circuito falle,
etc. O también se puede pensar al revés: mientras no llegue ninguna visita, mientras no
encontremos un defecto en la tela, mientras el circuito no falle, etc.
 Se conoce o es posible calcular la frecuencia promedio con que los eventos suceden.
Ejemplo: 3 visitas en 15 minutos, 2 defectos por metro de tela, 3 fallas del circuito por
día.
 Se necesita conocer la distribución de la cantidad de continuo, por ejemplo: cuál es la
probabilidad de que el evento ocurra en menos de x tiempo, la probabilidad de que tome
más de x tiempo, la probabilidad de tener que revisar más de 5 metros de tela, etc.

Propiedad a tener en cuenta:

 En un proceso de Poisson, el intervalo de tiempo entre dos eventos consecutivos es

siempre una variable exponencial negativa.

Donde las probabilidades acumuladas se calculan:

1  .e x x  0
P( X  x)  F ( x)  
0 x0
1
Su esperanza matemática: E ( x) 

1
Su varianza:  x2 
2

Problema típico (Resolución en clase):

En promedio vienen 3 colectivos por hora, distribuidos según un proceso de Poisson. ¿Cuál es
la probabilidad de tener que esperar el colectivo más de 20 minutos?

58
 UTN FRMdP – TUP - Estadística - 2022
Ejemplos resueltos:

Ejemplo 1: El tiempo durante el cual las baterías para un teléfono celular trabajan en forma
efectiva hasta que fallan se distribuye según un modelo exponencial, con un tiempo promedio
de falla de 500 horas.
a) Calcula la probabilidad de que una batería funcione por más de 600 horas.
b) Si una batería ha trabajado 350 horas, cuál es la probabilidad de que trabaje más de 300
horas adicionales?

Solución:
X: tiempo que dura la batería hasta que falla.
Como E(x)=500, 𝜆 = 1/500. Por lo tanto su función de distribución será:

0, 𝑠𝑖 𝑥 < 0
𝐹(𝑥) = { 𝑥
1− 𝑒 −500 , 𝑠𝑖 𝑥 ≥ 0
600
a) 𝑃(𝑥 > 600) = 1 − 𝑃(𝑥 ≤ 600) = 1 − 𝐹(60) = 1 − (1 − 𝑒 −500 ) = 0.301
𝑃(𝑥>650)
b) 𝑃(𝑥 > 350 + 300⁄𝑥 > 350) = 𝑃(𝑥>350)

1 − 𝐹(650)
𝑃(𝑥 > 350 + 300⁄𝑥 > 350) =
1 − 𝐹(350)

650
650
1 − (1 − 𝑒 −500 ) 𝑒 −500 650 350
− −(− )
𝑃(𝑥 > 350 + 300⁄𝑥 > 350) = 350 = 350 =𝑒 500 500 = 𝑒 −300/500 = 𝑒 −3/5 = 𝑃(𝑥 > 300)
1 − (1 − 𝑒 −500 ) 𝑒 −500
= 0.549
Lo cual significa que la variable aleatoria exponencial no tiene memoria y se puede generalizar
como:
𝑃(𝑋 ≤ 𝑡 + (𝑠 ) ⁄ ( 𝑋) > 𝑡) = 1 − 𝑒^(−𝑠𝜆) = 𝑃(𝑋 ≤ 𝑠)

Ejemplo 2: El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye según el modelo exponencial con un tiempo promedio
de fallas igual a 360 días.
a) Qué probabilidad hay de que el tiempo de falla sea mayor que 400 días?.
b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay que trabaja más
de 200 días más?

Solución:

a) 𝑃(𝑥 > 400) = 𝑒 −400.1/360 = 0.329

b) Si la batería ya trabajó 400 días, quiere decir que su tiempo de falla es mayor que este
valor, entonces:

𝑃[𝑥 > 400 + 200⁄𝑥 > 400] = 𝑃(𝑥 > 200) = 𝑒 −200/360 = 0.574

59
 UTN FRMdP – TUP - Estadística - 2022
Problemas de resolución grupal

1. El período de vida en años de un interruptor eléctrico tiene una distribución exponencial

con un promedio de falla de 𝜇 = 2 años. Cuál es la probabilidad de que al menos 8 de

10 de tales interruptores, que funcionan independientemente, fallen después del tercer

año? 0.000178

2. El periodo de vida en años de una estufa de cierta marca tiene una distribución
exponencial con un promedio de falla de μ=6 años. a) Cuál es la probabilidad de que una
estufa falle después del 4 año? b) Cuál debe ser el tiempo de garantía que deberá tener
la estufa si se desea que a lo más el 20 % de las estufas fallen antes de que expire su
garantía? Rtas: 0.5134 ; 1.34 años

3. El periodo de vida en años de un interruptor eléctrico tiene una distribución exponencial

con un promedio de falla de μ=2 años ¿Cuál es la probabilidad de que un interruptor falle
después del 2do año? Rta: 0.3678

4. Los administradores de cierta industria han notado que su producto tiene un tiempo de
duración que puede considerarse una variable aleatoria con distribución exponencial con
una vida media de 5 años. a) ¿cuál es la probabilidad de que al elegir un artículo de dicha
producción dure más de 10 años? b)¿si el tiempo de garantía asignado por los
administradores es de 1 año, qué porcentaje de sus productos tendrá que reparar la
industria durante el periodo de garantía? Rtas:0.1353; 18,13%

5. Se dispone de un sistema formado por dos componentes similares conectados en

paralelo y que funcionan independientemente el uno del otro.
a) Si el tiempo de vida de cada componente se puede modelizar a través de
una Exponencial con media 5000 horas, ¿cuál es la probabilidad de que
el sistema esté al menos 10000 horas en funcionamiento
ininterrumpido? Rta: 0.25235
b) Supongamos que el sistema lleva ya 8000 horas en funcionamiento,
¿qué probabilidad hay de que llegue a las 10000 horas, es decir, que
funcione al menos 2000 horas más? Rta: 0.69513

6. Se dispone de un sistema formado por dos componentes similares conectados en serie

y que funcionan independientemente el uno del otro.
a) Si el tiempo de vida de cada componente se puede modelizar a través de una
Exponencial con media 5000 horas, ¿cuál es la probabilidad de que el sistema esté al
menos 10000 horas en funcionamiento ininterrumpido? Rta: 0.01832
b) Supongamos que el sistema lleva ya 8000 horas en funcionamiento, ¿qué probabilidad
hay de que llegue a las 10000 horas, es decir, que funcione al menos 2000 horas más?
Rta: 0.44933

60
 UTN FRMdP – TUP - Estadística - 2022
Distribución particular de Variables Aleatorias continua: Distribución Normal

Una variable aleatoria continua era aquella que podía tomar un valor no entero. Una distribución
de probabilidades de variables aleatorias continuas da como resultado una curva continua que
puede adoptar diferentes formas que toman el nombre de “Función de densidad de
Probabilidad”.
De las infinitas formas que adoptan las variables aleatorias continuas, hay muchas cuya función
de densidad tiene forma de campana.

Ejemplos:

- La variable peso en una población de personas de la misma edad y sexo.

- La variable altura de la población citada.
- etc.

Se dice que estas variables tienen una distribución normal y la función de densidad recibe el
nombre de curva normal o campana de Gauss.
Para expresar que una v.a. continua X, tiene una distribución normal de media  y desviación
típica  , escribimos N (  ,  ) .

Representación gráfica de la función de

densidad de una distribución normal.

 Distribución normal estándar

De las infinitas distribuciones N (  ,  ) , tiene especial interés la de media 0 y desviación típica

1, es decir, N (0,1) . Esta distribución recibe el nombre de estándar o reducida

Existen unas tablas que permiten calcular probabilidades en distribuciones normales reducidas.
Por ello es aconsejable transformar cualquier v.a. X que sigue una distribución N (  ,  ) en otra
variable Z que siga una distribución N(0,1).
El cambio de variable que es necesario hacer es el siguiente:

X 
Z

Cálculo de probabilidades en distribuciones normales reducidas
Sea Z una variable que sigue una distribución normal N(0,1).
Veamos algunos ejemplos que nos permiten calcular determinadas probabilidades en las
tablas:

a) p(Z  1,23) b) p( Z  1,24) c) p(Z  0,72) d) p(0,5  Z  1,76)

Para el caso a), la probabilidad pedida se encuentra directamente en las tablas. Basta buscar
1,2 en la columna y 0,03 en la fila. Su intersección nos da la probabilidad.

61
 UTN FRMdP – TUP - Estadística - 2022
Para el caso b), la probabilidad pedida no está en las tablas. Sin embargo, si tenemos en cuenta
que el área total bajo la gráfica ha de ser 1, deducimos de la figura que:

p(Z  1,24)  1  p(Z  1,24)  1  0,8925  0,1075

Para el caso c), en la tabla que utilizamos también se encuentra directamente. Comprobamos
que el resultado final es 0,2358.

Para el caso d), Observando la figura se deduce que

p(0,5  Z  1,76)  p(Z  1,76)  p(Z  0,5)  0,9608  0,6915  0,2693

a) b)

c)

Problemas Resueltos

Ejemplo 1: El peso de los individuos de una población se distribuye normalmente con media
de 70 Kg. y desviación típica 6 Kg. De una población de 2000 personas, calcula cuántas
tendrán un peso comprendido entre 64 y 76 Kg.
Solución:

Se trata de una distribución N(70,6)

 64  70 76  70 
p(64  X  76)  p Z    p(1  Z  1)  p( Z  1)  p( Z  1)
 6 6 

p(Z  1)  0,8413 (Directamente de tabla)

p(Z  1)  p(Z  1)  1  p(Z  1)  1  0,8413 .

Por tanto, p(64  X  76)  0,8413  (1  0,8413)  0,8413  1  0,8413  0,6825

Esto significa que el 68,25 % de las personas pesan entre 64 y 76 Kg.

Como hay 2000 personas, calculamos el 68,25% de 2000 y obtenemos 1365 personas.

Ejemplo 2: La duración media de un lavavajillas es de 15 años y su desviación típica 0,5.

Sabiendo que su vida útil se distribuye normalmente, halla la probabilidad de que al adquirir
un lavavajillas dure más de 15 años.

62
 UTN FRMdP – TUP - Estadística - 2022
Solución:

Es una distribución normal de media 15 y desviación típica 0,5, es decir, N(15; 0,5).
15  15
p( X  15)  p( Z  )  p( Z  0)  p( Z  0)  0,5
0,5

Ejemplo 3: La nota media de las pruebas de acceso correspondientes a los estudiantes que
querían ingresar en una facultad era 5,8 y la desviación típica 1,75. Fueron admitidos los de
nota superior a 6.
a) ¿Cuál fue el porcentaje de admitidos si la distribución es normal?
b) ¿Con qué probabilidad exactamente cuatro de diez estudiantes son admitidos?

Solución:
a)
6  5,8
p( X  6)  p( Z  )  p( Z  0,11)  1  p( Z  0,11)  1  5438  0,4562  45,62%
1,75

b) Es una distribución binomial de parámetros n=10 y p=0,4562

 n 10 
𝑝(𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑟 é𝑥𝑖𝑡𝑜𝑠 ) = 𝑝(𝑋 = 𝑟) =   p .(1  p) = p(X  4)   (0,4562) (1  0,4562) 
r nr 4 6

r   4
[Link]
 (0,4562) 4 (0,5438) 6  0,235
[Link]

Fractiles de la Distribución Normal

En muchos casos se necesita saber el valor que debe tomar X para cumplir una determinada
probabilidad, esto implica realizar el proceso inverso y, dada una probabilidad, buscar en la
tabla el valor de Z que la satisface.

Ejemplo: (de resolución en clase)

La longitud de los clavos fabricados por una máquina, en milímetros, es una variable aleatoria
X que sigue una distribución normal, con media 10 y varianza 2. Se debe dar una especificación
del máximo de la longitud de los clavos, tal que el 90% de los clavos cumpla con la
especificación, ¿Cuál debe ser?

Ejercicios de resolución grupal

1) Sea Z una variable normal estandarizada (0;1). Utilizando la tabla, halla las siguientes
probabilidades:
a) P(z  1.28)
b) P(z  1.645)
c) P(z  -1.38 )
d) P(z -2.34 )
e) g) P(z  2.5)
f) P(-1.5  z < 0)
g) P(-2.3  z  1)
63
 UTN FRMdP – TUP - Estadística - 2022
h) P(0.82  z  1.35)
i) P(0  z  1.25)

2) En la siguiente distribución normal con µ=250 y con =300, calcula las siguientes
probabilidades.
a) P(x  330)
b) P(x > 330)
c) P(x < 210)

d) P(x > 220)

e) P(220  x  240)
f) P(205 < x 240)
g) P(205 < x < 290)
h) P(280  x  310)

3) Los resultados de una prueba están distribuidos normalmente, con un µ=500 puntos y
con  =100 puntos. Se elige un individuo al azar, halla las siguientes probabilidades:
a) esté entre 500 y 600 puntos.
b) esté entre 450 y 650 puntos.
c) sea superior a 650 puntos.
d) sea inferior a 300 puntos.

4) Sea Z una variable aleatoria N 0;1 , halla “a” tal que:

a) P(Z  a)  0,5
b) P(Z  a)  0,8749
c) P(Z  a)  0,117
d) P(Z  a)  0,617
e) P(a  Z  a)  0,9
f) P(a  Z  a)  0,95
5) El peso en Kg de los paquetes de arroz de cierta marca se distribuye normalmente según
N(965;25). Calcula:
a) La probabilidad de que un paquete pese entre 940 y 990 gramos.
b) La probabilidad de que un paquete pese más de 1 kilogramo.
6) Un profesor de matemáticas ha observado que las notas obtenidas por sus alumnos en los
exámenes de Estadística siguen una distribución N(6; 2,5). Se han presentado al último
examen 32 alumnos, ¿cuántos sacaron al menos un 7?.

7) Una empresa lleva a cabo una prueba para seleccionar nuevos empleados. Por la experiencia
de pruebas anteriores, se sabe que las puntuaciones siguen una distribución normal de media
80 y desviación típica 25. ¿Qué porcentaje de candidatos obtendrá entre 75 y 100 puntos?

64
 UTN FRMdP – TUP - Estadística - 2022
Aproximación de Binomial y Poisson por Normal

Para calcular probabilidades de distribuciones discretas con números grandes, es preciso sumar
muchos términos, lo cual puede resultar poco práctico. Sin embargo, las características de
algunas distribuciones, como la binomial y la de Poisson, permiten muy buenas aproximaciones
mediante la distribución normal. Y como la distribución normal se puede obtener de una tabla,
el problema de sumar una gran cantidad de términos, queda reducido a buscar uno o dos
valores en una tabla.

Aproximación de la distribución binomial por la distribución normal

Si X es una variable distribuida binomialmente, con n ≥ a 10 y p cercano a 0,5 entonces la

X  np
variable aleatoria Y  tiene una distribución aproximadamente normal estándar.
np(1  p)
Esto es válido por que si p es cercano a 0,5 y n es lo suficientemente grande (generalmente se
pide n ≥ 10) entonces la forma de la distribución binomial, a pesar de ser discreta, se parece
mucho a la de una distribución normal. El cambio de variable Y no es otra cosa que la
estandarización de esa variable aproximadamente normal (ya que n.p es la media de X y que
el denominador es el desvío de X)
Esta propiedad nos permite utilizar una variable normal estándar que se encuentra tabulada,
para ahorrarnos la engorrosa tarea de sumar una cantidad elevada de términos de
probabilidades binomiales, especialmente cuando n es muy grande y la cantidad de éxitos está
lejos de 0 y lejos de n, con lo cual la sumatoria tiene muchos términos aunque se intente restar
del 1 en vez de sumar.

Ejemplo: Se tiene una variable aleatoria X:Bi(n = 50 ; p = 0,4). ¿Cuál es la probabilidad de

que X sea menor a 20?

Aproximación de la distribución de Poisson por la distribución normal

X 
Si X es una variable de Poisson, con μ > 1, entonces la variable aleatoria tiene una

distribución aproximadamente normal estándar. Esto es válido porque si μ es mucho mayor

que 1, entonces la forma de la distribución de Poisson, a pesar de ser discreta, se parece mucho
a la de una distribución normal. El cambio de variable Y no es otra cosa que la estandarización
de esa variable aproximadamente normal (ya que μ es a la vez la media y la varianza de X).
Esta propiedad nos permite utilizar una variable normal estándar, que se encuentra tabulada,
para ahorrarnos la tarea de sumar una cantidad elevada de términos de probabilidades de
Poisson al calcular probabilidades acumuladas, especialmente cuando necesitamos calcular la
probabilidad acumulada para un valor que esté lejos del cero.

Observación: Al estar aproximando una distribución discreta por una continua, lo que se hace
es tomar intervalos de la continua, que representan los valores puntuales de la discreta. Por
ejemplo, consideremos que la discreta vale 43, si la continua tiene cualquier valor entre 42.5 y
43.5. Entonces la probabilidad de que la discreta esté entre 8 y 12 no es la probabilidad de que
la continua esté ente 8 y 12 sino de que esté ente 7,5 y 12,5. Considerar esto se conoce como
“corrección por continuidad”.

Ejemplo: Se tiene una variable aleatoria X: Pois (μ = 60). ¿Cuál es la probabilidad de que X
sea menor a 70?

65
 UTN FRMdP – TUP - Estadística - 2022
Ejercitación Integradora 2° Parcial

1) Analizar, justificando, si las siguientes funciones son de probabilidad, en caso

afirmativo, calcular la esperanza matemática, la varianza y desviación estándar:
a)
X 1 2 3 4
P(X = x) 0,2 0,3 0,1 0,4
b)
X 2 3 5 7 9
P(X = 0,3 -0,25 0,35 0,4 0,01
x)

0,3; x  2
0,1; x  1
0,2; x  1 
 0,3; x  3 0,2; x  2

c) P( X  x)   d) P( X  x)  
0,3; x  7 0,3; x  3
0otrox 0,1; x  1

0otrox
2) La función de probabilidad de una variable aleatoria X está definida por medio de la
siguiente tabla:
X 8 12 17 20
P( X  x ) 2a 0,1 b c + 2a

a) Determinar los valores de a, b y c sabiendo que Px  10  2.Px  17  1,2 y
P8  x  17  0,3
b) Obtener Px  12 , Px  20 y Px  8

3) La función de distribución de la variable aleatoria X es:

0 X 3
1 / 3
 3 X 4
F ( X )  1 / 2 4 X 5
2 / 3 5 X 6

1 X 6
a) Calcular P(3  X  5)
b) Hallar la función de probabilidad de X

4) Sea X una variable aleatoria cuya función de probabilidad es f ( x)  0,5  0,05x y su

2

recorrido R( X )   3,1,1,3
a) Calcular P( X  0)
b) Verificar que P( X  0)  P( X  0)
c) Hallar y graficar la función de distribución de X

5) Se van a colocar cuatro microcircuitos integrados en una computadora. Se escogen en

forma aleatoria dos de los cuatro para revisarlos antes de armar la computadora. Sea X
el número de circuitos integrados defectuosos que se encuentran entre los dos que se
revisan. Determinar la función de probabilidad de X si:
66
 UTN FRMdP – TUP - Estadística - 2022
a) Dos de los microcircuitos integrados son defectuosos
b) Uno de los microcircuitos integrados es defectuosos

6) Si llueve, un vendedor de paraguas gana $30, al día, y si no llueve pierde $6. ¿Cuál es
su esperanza matemática si la probabilidad de lluvia es de 0,3?

7) Según un experimento médico, se sabe que un determinado medicamento es eficaz en

el 95% de los pacientes. Si se le suministra el medicamento a 20 pacientes,
a) ¿Cuál es la probabilidad de que sea eficaz en por lo menos 18 de los casos?
b) Si 150 pacientes son tratados con dicho medicamento, ¿cuál es la media aritmética y la
varianza?

8) ¿Cuál es el precio justo que se debería a abonar en un juego en el que se gana $25 con
probabilidad 0,2 y $10 con probabilidad 0,4?

9) El 3% de las botellas producidas por una máquina son defectuosas. Si se eligen 10

botellas al azar,
a) ¿Qué probabilidad hay de que sólo una sea defectuosa?
b) ¿Cuál es la probabilidad de que ninguna sea defectuosa?
c) ¿Cuál es la probabilidad de que la cantidad de botellas defectuosa sea mayor que la
cantidad de botellas no defectuosas?

10) Una sustancia radioactiva emite un promedio de 1800 partículas por hora. Calcular
la probabilidad de que en un período de 2 segundos se emitan por lo menos 2 partículas.

11) La variable aleatoria N(66 ; 5) corresponde al peso, en kilogramos, de una

población de 5000 estudiantes.
a) ¿Cuántos estudiantes tienen un peso mayor a 76 kg?
b) ¿Qué cantidad de estudiantes pesan entre 60 kg y 80 kg?
c) ¿Cuál es el número de estudiantes cuyo peso es menor que 55 kg?

12) La probabilidad de que un individuo sufra una reacción negativa ante una inyección
de cierto suero es 0.001, hallar la probabilidad de que entre 2000 individuos: a)
exactamente 3 y b) más de 2 de ellos reaccionen negativamente.

13) En una red de computadoras, el acceso de los usuarios al sistema puede modelarse
como un proceso de Poisson con media 25 accesos por hora. Calcular la probabilidad de
que no haya accesos en un intervalo de seis minutos.

14) La probabilidad de que un paciente se recupere de una rara enfermedad en la

sangre es 0,4. Si se sabe que 10 personas han contraído esa enfermedad, cuál es la
probabilidad de que se recuperen:
a) por lo menos 7?
b) exactamente 5?
c) ¿Cuántos en promedio se esperan que se recuperen?
d) ¿Cuál es la varianza de la variable aleatoria en cuestión?

15) Se sabe que una fuente de líquidos contiene bacterias, con un promedio de 3
bacterias por mm3 . El número de bacterias por unidad de volumen puede tomarse como
una variable aleatoria Poisson. Diez tubos de 0,5 mm3 se llenan con líquido. Calcular la
probabilidad de que:
a) Todos los tubos queden contaminados, es decir, contengan al menos una bacteria.
b) Exactamente 7 tubos queden contaminados.

67
 UTN FRMdP – TUP - Estadística - 2022
16) El horario de ingreso en una escuela es 7:45 horas. El tiempo promedio que
demora un determinado alumno en llegar a esa escuela es de 25 minutos, con un desvío
estándar de 3,9 minutos.
a) Calcular la probabilidad de que dicho alumno demore en llegar a la escuela mas de media
hora.
b) Si ese alumno sale de su casa a las 7:10 horas, ¿cuál es la probabilidad de que no llegue
tarde a la escuela?

17) Los tiempos de servicio en una ventanilla de cajero de banco siguen una
distribución exponencial con promedio de 3,2 minutos. Un cliente llega a la ventanilla a
las 4:00 p.m.
a) Encontrar la probabilidad de que todavía este allí a las 4:02
b) Calcular la probabilidad de que todavía esté allí a las 4:04, dado que todavía estaba alí
a las 4:02. Obtener conclusiones.

18) La altura, en centímetros de ciertos arbustos que se obtienen por un injerto en un

vivero es una variable aleatoria normal con media aritmética 163 y desvío estándar 15.
a) Hallar el porcentaje de arbustos que miden más de 180 cm.
b) Hallar el porcentaje de arbustos que tienen una altura entre 138 cm. y 175 cm.
c) Hallar el porcentaje de arbustos que mide menos de 160 cm.
d) Sabiendo que en el vivero hay 20000 de los mencionados arbustos, obtener la cantidad
de ellos que posee una altura mayor que 180 cm., mide entre 138 cm. y 175 cm., tiene
una altura menor a 160 cm.

19) El tiempo en espera, en minutos, para realizar un trámite en un banco es la

variable aleatoria N(3,5 ; 1). Si se selecciona un cliente al azar,
a) ¿cuál es la probabilidad de que espere más de 2 minutos para realizar el trámite?
b) ¿cuál es la probabilidad de que tenga menos de 1 minuto de espera antes de poder
realizar su trámite?
c) De un grupo de 10 personas que hicieron el trámite, cuál es la probabilidad de que
exactamente 4 de ellos hayan esperado más de 2 minutos.

20) El peso en kilogramos de un grupo de bebés recién nacidos es una variable

aleatoria normal, con una media aritmética de 3,4 y un desvío estándar de 0,25. Si se
elige al azar un bebé de dicho grupo, ¿cuál es la probabilidad de que pese menos de 3
kilogramos?

21) Las ausencias por enfermedad de los empleados de una empresa en un mes
determinado tienen una distribución aproximadamente N( 200 hs. ; 20 hs.). Calcular la
probabilidad de que el mes próximo el ausentismo total por enfermedad sea menor que
150 horas.

22) La siguiente X 0 1 2 3
distribución de P(X=x) k (k  0,25)  0,5k  0,5  0,25k  0,1 0,2125
probabilidad corresponde
a la variable aleatoria “cantidad de empleados ausentes por día” en una empresa.

1) Hallar el valor de k
2) Calcular la probabilidad de que un cierto día falte algún empleado.
3) Hallar el valor esperado y el desvío estándar de la cantidad de empleados ausentes por
día.
68
 UTN FRMdP – TUP - Estadística - 2022

23) Un vendedor de seguros vende pólizas a 5 hombres, todos con la misma edad e
idéntica condiciones de buena salud. Según la tabla de seguros, la probabilidad de que
un hombre de esta edad en particular esté vivo dentro de 30 años es 2/3. Encuentre la
probabilidad de que en 30 años estén vivos:
a) Al menos 3 hombres
b) Solo 2 hombres

RESPUESTAS:
1) a) Es función de probabilidad. E ( x)  2,7 ;  ( x)  1,41 ;  ( x)  1,187 b y c) No es función
2

de probabilidad, existen probabilidades negativas. d) Es función de probabilidad

E ( x)  0,7 ;  ( x)  4,41;  ( x)  2,1
2

2) a) a = 0,1 ; b = 0,2 ; c = 0,3. b ) P( x  12)  0,8 ; P( x  20)  0 ; P( x  8)  0

5)
a) b)
X 0 1 2 X 0 1
P(X=x) 1/6 4/6 1/6 P(X=x) ½ 1/2

6) E ( x)  4,8
7) a) P( x  18)  0,92 ; b) E ( x)  142,5 ;  ( x)  7,125 8) E ( x)  9
2

7
9) a) P( x  1)  0,228 ; b) P( x  0)  0,7374 ; P( x  5)  1,37 *10
10) P( x  2)  0,2642 11) a) P( x  76)  0,00227 ; b) P(60  x  80)  0,8824 ; c)
P( x  55)  0,0139
12) a) P( x  3)  0,1804 ; b) P( x  2)  0,323 ; 13) P( x  0)  0,082

14) a) P( x  7)  0,0547 ; b) P( x  5)  0,2006 ; c) E ( x)  4 ;  ( x)  2,4

2

15) Sugerencia: Calcular previamente P( x  1)  0,7768 mediante Poisson y utilizar para

calcular por binomial:
a) P( x  10)  0,08007
b) P( x  7)  0,22773
16) a ) P( x  30)  0,1003 ; b) P( x  35)  0,9948 17)

18) a) P( x  180)  0,1292 b) P(138  x  175)  0,7406 c) P( x  160)  0,4207 d) 2584 ; 14812 ;
8414
3 5
19) a) P( x  2)  0,9332 b) P( x  1)  6,2 *10 c) P( x  4)  1,41*10 20) P( x  3)  0,0548

3
21) P( x  150)  6,2 *10 ; 22) a) k  0,25 , verifica que ninguna probabilidad es negativa
b) P( x  1)  1 ; c) E ( x)  1,5875 20) a) P( x  3)  0,790 ; b) P( x  2)  0,1646

69
 UTN FRMdP – TUP - Estadística - 2022

Tabla de distribución normal

70
UTN FRMdP – TUP - Estadística - 2022

71
Estadística - T. S. P.

Contenido
Unidad I:......................................................................................................................0
Conceptos básicos .....................................................................................................1
Parámetros y estadísticos ...........................................................................................1
Las variables o atributos se clasifican de la siguiente manera .........................................1
Variables cuantitativas ..................................................................................................1
Variable cuantitativa discreta .........................................................................................2
Variable cuantitativa continua ........................................................................................2
Variable aleatoria cualitativa ..........................................................................................2
Análisis Cuantitativo Unidimensional ............................................................................2
Distribuciones de frecuencia ..........................................................................................2
La frecuencia absoluta ..................................................................................................3
La frecuencia relativa....................................................................................................3
La frecuencia relativa porcentual f r % ............................................................................3
La frecuencia acumulada ...............................................................................................3
La frecuencia acumulada porcentual Fr % ........................................................................3
Intervalos de Clase....................................................................................................4
Representaciones Gráficas ..........................................................................................5
Variables categóricas o cualitativas ................................................................................5
Medios gráficos de representación: Variables cuantitativas ..........................................7
Medidas de posición o de tendencia central ................................................................ 11
Medidas de variabilidad o de dispersión ..................................................................... 12
Experimento aleatorio .............................................................................................. 18
Experimentos simples .............................................................................................. 18
Experimentos compuestos ........................................................................................ 18
Suceso seguro ........................................................................................................ 20
Suceso imposible .................................................................................................... 20
Sucesos incompatibles ............................................................................................. 20
Sucesos contrarios o complementarios....................................................................... 20
Suceso contenido o incluído en otro ........................................................................... 20
Unión de Sucesos compatibles .................................................................................. 21
Unión de sucesos incompatibles ................................................................................ 21
Unión de un suceso contenido en otro........................................................................ 21
Intersección de sucesos ........................................................................................... 22
Diferencia de sucesos .............................................................................................. 22
Definición intuitiva o informal ................................................................................... 23
Estadística - T. S. P.
Definición clásica de probabilidad .............................................................................. 23
Definición experimental de probabilidad ..................................................................... 23
Ley de los grandes números ..................................................................................... 24
Definición axiomática de probabilidad ........................................................................ 24
De los axiomas se desprenden cinco consecuencias ..................................................... 24
Uso de la combinatoria para el cálculo de probabilidades .............................................. 26
Sucesos dependientes e independientes ..................................................................... 29
Sucesos disjuntos ................................................................................................. 29
Un suceso incluido en otro ..................................................................................... 29
Sucesos compatibles ............................................................................................. 30
Teorema de la Probabilidad Total. Teorema de Bayes .................................................. 31
Teorema de la Probabilidad Total ............................................................................ 31
Distribución de una Variable Aleatoria Discreta. Función de probabilidad ........................ 41
Distribuciones acumuladas-Función de distribución ...................................................... 43
Media, esperanza matemática o valor esperado de una variable aleatoria discreta ........... 44
Varianza y Desviación estándar para una variable aleatoria discreta .............................. 47
Propiedades de la varianza ....................................................................................... 47
Ejercicios de resolución grupal .................................................................................. 48
¿Cuál es la probabilidad de obtener x éxitos en n intentos?, ........................................ 51
Distribución particular de Variables Aleatorias continua: Distribución Normal .................. 61
Aproximación de Binomial y Poisson por Normal ......................................................... 65
Aproximación de la distribución binomial por la distribución normal ............................... 65
Aproximación de la distribución de Poisson por la distribución normal ............................ 65
Ejercitación Integradora 2° Parcial ............................................................................ 66