Libro 4

Este material fue descargado para uso exclusivo de Oscar Rodriguez,
scrcrd17@hotmail.com. Se prohibe su reproducción. Si quieres acceder gratuitamente a

este contenido visita www.psuparatodos.com
TOMO IV
Datos y Azar
Contenidos y ejercicios de preparación PSU
Mauricio Andrés Chiong C.

Ingeniero Civil Industrial (e)
Pontificia Universidad Católica de Chile
CEO Grupo Educativo Sinapsis

7 COORDINACIÓN DE CONTENIDOS
Y EDICIÓN GENERAL
Nicolás Pinto P.
Lic. en Ciencias. Mención Matemáticas.
Universidad de Chile.
Ariel Reyes F.
Lic. en Ciencias Exactas.
Universidad de Chile.
7 DISEÑO Y DIAGRAMACIÓN
Nicole Castro B.
Distribución gratuita, prohibida su venta. Lic. en Artes Visuales. Diseñadora (e)
© Todos los derechos reservados. Pontificia Universidad Católica de Chile.

4 este contenido visita www.psuparatodos.com
TOMO IV DATOS Y AZAR
PREFACIO
Este libro fue confeccionado por Mauricio Chiong Ingeniero Civil Industrial(c) de la
Pontificia Universidad Católica de Chile, fundador de la empresa Sacateun7 y Direc-
tor del Preuniversitario Gauss.
En éste se plasma el conocimiento adquirido en arduos años de estudio, desde mi

formación escolar en el Instituto Nacional, donde tengo gratos recuerdos de grandes
profesores y maestros como Luis Arancibia y Belfor Aguayo, que hicieron que la mo-
tivación por la matemática se tradujera en el amor por enseñarla, hasta mi forma-
ción profesional, donde la Universidad traspasó su espíritu de excelencia académica
y de compromiso social.
Espero que este libro sirva de apoyo para lograr un alto puntaje, entrar a la carrera
que quieren, y cumplir sus sueños
Santiago, 2016
Mauricio Chiong

este contenido visita www.psuparatodos.com 5
ÍNDICE GENERAL
Prefacio 4
Nomenclatura 8
1. Estadística 10
Definiciones básicas 11
Gráficos 13
Medidas de posición o tendencia central 15
Medidas de localización 16
Medidas de dispersión 18
Ejercicios 19
2. Probabilidades 34
Definiciones Básicas 35
Combinatoria 35
Probabilidades Clásica y Experimental 36
Distribuciones de Probabilidad 37
Esperanza Matemática 39
Ejercicios 40
Respuestas 51

CAPÍTULO 1
ESTADÍSTICA

DEFINICIONES BÁSICAS
La estadística tiene dos ramas principales, una es la estadística descriptiva que se

dedica a recopilar, organizar y analizar datos, los cuales pueden ser de un estudio de
una población o una muestra de ella. Mientras que la otra es la estadística inferen-
cial, la cual se dedica a tratar de deducir características o conductas de los objetos
estudiados a partir de una muestra. Nos referiremos a ambos tipos sin distinción
por el momento, para dar una serie de definiciones de conceptos básicos que nece-
sitaremos manejar.
7 Población (universo)
Es el conjunto de todos los objetos que estamos estudiando u observando, y quere-
mos hacerle un estudio estadístico.
7 Muestra
Como en general los universos son muy grandes (por ejemplo si estamos estudiando
la raza humana), entonces se toma una porción significativa de ellos para hacer el
estudio más simple. A esta porción se le denomina muestra.
7 Variables
Son características que se le asocian a los objetos de la muestra y que pueden ser
observables o medibles. Las variables se dividen en dos tipos, la primera es la va-
riable cuantitativa que es la que puede ser expresada a través de un número como
por ejemplo la edad o la cantidad de hijos que tiene un individuo, que a su vez se
dividen en discretas y continuas. Las discretas son las que son expresadas a través de
números enteros, mientras que las continuas son expresadas a través de cualquier
número real. El segundo tipo son las variables cualitativas las cuales expresan una
cualidad de un objeto como por ejemplo su tipo de pelo o su sexo, las que se dividen
en ordinales y nominales. Las ordinales son las que pueden ser ordenadas de manera
lógica como por ejemplo el nivel de estudio, mientras que las nominales no pueden
ser ordenadas como las personas por su color de pelo.
7 Tablas de frecuencia
Las tablas de frecuencia sirven para ordenar los datos cuando la muestra es muy
grande y que por ello sería muy poco práctico enlistarlas. Estas pueden ser de dos
tipos, la primera es cuando el recorrido de la variable es pequeño, que lo ilustramos
con el siguiente ejemplo
Ejemplo /
Veremos la cantidad de e-mails que recibe una persona por día
durante un mes, arrojando los siguientes datos

CAPÍTULO 1 ESTADÍSTICA
1 2 2 3 5 1 Notamos que obtenemos que el recorrido

3 2 1 1 2 1 de la variable va entre 0 y 5, por lo tanto
1 1 0 0 2 3 podemos ponerlos en una tabla donde la
2 2 2 3 3 1 frecuencia será el conteo de los días que
3 2 3 3 5 5 recibió una cantidad fija de e-mails
Nº de e-mails Frecuencia
0 2
1 8
2 9
3 8
4 0
5 3
Total 30
La otra es cuando el recorrido de la variable también es muy

grande y en este caso, usamos intervalos para poder disminuir
el recorrido de la variable y quedar en el caso anterior. Por
ejemplo si 30 personas llegaron atrasadas a un matrimonio y
se les pidió anotar cuantos minutos llegaron tarde, lo que se
muestra a continuación
12 23 21 37 52 11 Podemos notar que en este caso el

31 24 15 17 22 7 recorrido es muy amplio, por lo que
13 19 1 5 29 33 si los clasificamos usando intervalos
22 21 27 38 35 16 de 10 minutos, entonces se obtiene
30 20 35 38 55 59 la siguiente tabla de frecuencia
Tiempo de atraso Frecuencia

0-9 3
10 - 19 7
20 - 29 9
30 - 39 8
40 - 49 0
50 - 59 3
Total 30
En lo mostrado anteriormente, se usa la frecuencia o frecuencia absoluta (que es re-

presentada en general por fi ), que no es más que un conteo de las veces que aparece

la variable pedida, pero existen otros tipos de frecuencia también
7 Frecuencia relativa
Se representa usualmente por hi y es la frecuencia absoluta dividida por el tamaño
de la muestra, por lo que representa la razón entre la cantidad de veces que se repite
un dato y el tamaño muestral.
7 Frecuencia absoluta acumulada

No es más que la suma de todas las frecuencias absolutas de las variables menores
o iguales (recordar que las frecuencias absolutas van ordenadas por una tabla) y se
denota en general por Fi.
7 Frecuencia relativa acumulada

Es lo análogo a la frecuencia absoluta acumulada pero usando la frecuencia relativa
en vez de la absoluta.
GRÁFICOS
Como su nombre lo dice, es la forma gráfica de representar una tabla de datos y exis-
ten principalmente tres: Histogramas o gráfico de barras, polígono de frecuencias y
gráfico circular.
7 Histogramas
Los gráficos de barras se montan en ejes coordenados: en el eje X va el recorrido de
las variables (como puntos o intervalos) y en el eje Y va la frecuencia absoluta.
Ejemplo /
Si consideramos la tabla de frecuencias del ejemplo anterior
Tiempo de atraso Frecuencia
0-9 3
10 - 19 7
20 - 29 9
30 - 39 8
40 - 49 0
50 - 59 3
Total 30

Entonces su gráfico de barras o histograma será
9
8
7
0
10 20 30 40 50 60
7 Polígono de frecuencia
Al igual que antes va en ejes coordenados, pero esta vez en el eje de las X marcamos
los puntos medios de los intervalos considerados (representante del intervalo) y en
el eje de las Y las frecuencias. Luego marcamos los puntos de la forma (representante
del intervalo, frecuencia del intervalo) y los vamos uniendo por una línea.
Ejemplo /
Usaremos la misma tabla de frecuencias del ejemplo anterior,
y obtendremos el siguiente polígono de frecuencia,
9
8
7
0
10 20 30 40 50 60
7 Gráfico circular
A diferencia de los anteriores, este no utiliza la frecuencia absoluta si no que la fre-
cuencia relativa, asociando la porción de un disco circular correspondiente a su fre-
cuencia relativa.

Ejemplo /
Tomemos la tabla de frecuencia anterior y agreguemos la
frecuencia relativa
Tiempo de atraso Frecuencia Frecuencia relativa
1
0-9 3
10
10 - 19 7 7
30
20 - 29 9 3
10

4
30 - 39 8
15

40 - 49 0 0

1
50 - 59 3
10

Total 30 1
Por lo tanto, el gráfico circular

59
50 -
resultante se ve como
-9
0
20 - 29
10 - 19
30 - 39
MEDIDAS DE POSICIÓN O TENDENCIA CENTRAL
Las medidas de posición o de tendencia central son tres: La media aritmética, Me-
diana y Moda. La primera de estas -la media aritmética- es el promedio que usual-
mente conocemos, es decir, la suma de todos los datos divididos por la cantidad total
de ellos, por ejemplo si lo datos son 1, 2, 3 y 4, entonces el promedio es
1 + 2 + 3 + 4 10
= = 2,5
4 4

El segundo de ellos -la mediana- es el valor que divide en dos partes iguales a la
muestra cuando esta se encuentra ordenada ya sea de forma creciente o decreciente.
Por ejemplo, si la muestra es 1, 2, 2, 2, 3, 4, 5, 6, 7, 8 y 9, entonces la mediana es 4,
ya que hacia la izquierda y hacia la derecha de 4 podemos encontrar 5 elementos de
la muestra.
El último de ellos -la moda- es el elemento de mayor frecuencia dentro de una mues-
tra, por ejemplo si la muestra es 1, 2, 2, 2, 3, 3, 4, 5, 6, 7 y 9, entonces claramente
la moda es 2, ya que es el único que tiene frecuencia 3. Debemos tener claro que la
moda no es necesariamente única, puede ser una muestra bimodal o multimodal,
o en caso que todos los elementos presentan la misma frecuencia diremos que la
muestra es amodal o que no posee moda.
MEDIDAS DE LOCALIZACIÓN
Las medidas de localización, como dice su nombre, nos ayudan a saber con alguna
precisión la ubicación de cierto elemento de la muestra. La precisión la dará el ele-
mento de localización que usemos que son básicamente tres: Cuartiles, Deciles y Per-
centiles.
7 Cuartiles
Los cuartiles son tres valores que dividen a un conjunto de datos ordenados en cuatro
partes porcentualmente iguales y denotaremos a esos valores por Qi. Si tenemos una
serie de datos ordenados, entonces una forma de calcular los valores de los cuartiles es
3 Q1: Es la mediana de la primera mitad de los elementos

3 Q2: Es la mediana del conjunto
3 Q3: Es la mediana de la segunda mitad de los elementos
7 Deciles
Son básicamente lo mismo que los cuartiles pero en vez de tres elementos dividen
los datos en 4 partes porcentualmente iguales, son 9 valores que dividen la mues-
tra en 10 partes porcentualmente iguales y los denotaremos por Di. Para su calculo
veremos primero los percentiles y con ellos veremos como a partir de ellos puedo
calcular los cuartiles y deciles.

7 Percentiles
Al igual que los anteriores y como dice su nombre, los percentiles son 99 valores
que dividen a los datos en 100 partes porcentualmente iguales, a los que denotamos
por Pi . Si un dato esta ubicado en el percentil Pi , significa que es mayor o igual ,
aproximadamente, que el i% de la muestra y menor que el 100 − i% de la muestra. La
relación entre los percentiles, deciles y cuartiles es la siguiente
P10 = D1
P20 = D2
P25 = Q1
P30 = D3
P40 = D4
P50 = D5 = Q2 = mediana
P60 = D6
P70 = D7
P75 = Q3
P80 = D8
P90 = D9
Por lo tanto si aprendemos a calcular los percentiles, sabremos calcular los deciles y
los cuartiles. Para el calculo del percentil Pi consideraremos el siguiente valor
n⋅i
x=
100
donde n es el tamaño de la muestra e i el percentil a calcular. Luego si llamamos Observación
E= [x] y D = {x}, entonces la siguiente función nos da el percentil correspondiente Recordemos que [x] es la parte entera
de x y {x} es la parte fraccionaria de x y
 Elemento( E + 1) Si D ≠ 0 se calcula x-[x]

Pi =  Elemento( E ) + Elemento( E + 1)
Si D = 0
 2
Ejemplo /
Suponga que se tiene una muestra ordenada de 200 elementos y
queremos ubicar el percentil número 70, esto es, el elemento que
divide la muestra en dos partes de modo que el 70% de los datos
se ubica por debajo de él (y el resto de la muestra corresponde al
30% mayor). Entonces aplicando la fórmula con n = 200 e i = 70,
obtendremos que 200 ⋅ 70
x= = 2 ⋅ 70 = 140
100
Luego como x resultó ser un número entero, entonces debemos
tomar la segunda rama de la función, es decir, tomaremos el ele-
mento 70 y 71 de la lista, y el promedio resultará ser el percentil
buscado.

MEDIDAS DE DISPERSIÓN
Las medidas de dispersión son aquellas que nos ayudan a medir qué tan separados
están los datos unos de otros. Los que estudiaremos son tres: Desviación media,
varianza y desviación estándar.
7 Desviación media
Es el promedio de los valores absolutos de las desviaciones, donde las desviaciones
son la diferencia entre un dato (o el representante en caso que estemos viendo inter-
valos) y la media aritmética, es decir,
∑
N
xi − x donde xi es la variable (o el representante en caso de interva-
i=1
Dm
= los), N el tamaño de la muestra y x la media aritmética.
N
7 Varianza
La varianza se denota por σ2 y es la media aritmética de los cuadrados de las desvia-
ciones, es decir,
∑
N
( x i − x )2
σ 2
= i=1
N
7 Desviación estándar
Este concepto se introduce debido a que la varianza esta medida en unidades cua-
dradas y estas pueden ser difíciles de interpretar. Por ello introducimos la desviación
estándar como la raíz cuadrada de la varianza, es decir, σ = σ 2 .

EJERCICIOS
1. La siguiente tabla muestra la distribución de los 3. El gráfico de la figura representa el número de

puntajes obtenidos por un curso en una prueba iPhones que tiene en su casa los alumnos de un
curso. De acuerdo con esta información, el número
Puntaje Nº de alumnos total de alumnos del curso es
0-5 4
6 - 11 2
Alumnos
12 - 17 7
18 - 23 11
24 - 29 6
10
¿Qué porcentaje de los alumnos del curso obtuvo 12 8

o más puntos en la prueba?
6
A) 80%
B) 20% 4
C) 30,5%
D) 35% 2
E) Ninguna de las anteriores
1 2 3 4 5
Número de IPhones
2. Según información del INE (Instituto Nacional

A) 29
de Estadísticas), actualmente en Chile, 25 de cada
B) 28
1.000 habitantes cursa estudios universitarios.
C) 27
Si en Chile hay 15 millones de habitantes, con la
D) 15
información proporcionada por el INE, es posible
E) 14
afirmar que
A) Cursan estudios universitarios 40.000 habitantes.

B) 375.000 habitantes cursan estudios
universitarios.
C) Quince mil habitantes cursan estudios
universitarios.
D) 600.000 habitantes cursan estudios
universitarios.
E) Menos de 300.000 habitantes han estudiado en la
universidad.

4. La siguiente tabla muestra la distribución de

III. Dom Lun
personas que asistieron al cine en una semana.
¿Cuál(es) de los siguientes gráficos representa(n) la
información de la tabla? Sáb Mar
Día Nº de personas
Vie Mié
Lunes 100
Martes 150 Jue
Miércoles 200
Jueves 100 A) Solo I
Viernes 225 B) Solo II
Sábado 200 C) Solo I y II
Domingo 100
D) Solo II y III
E) I, II y III
I.
250
200 5. Se quiere construir un gráfico circular a partir de

150 los datos de la siguiente tabla
100
Estatura Nº de alumnos
50
148 - 152,9 1
153 - 157,9 5
Lun Mar Mié Jue Vie Sáb Dom 158 - 162,9 11
163 - 167,9 14
II. 168 - 172,9 6

173 - 180 3
250
200 ¿Cuál debería ser la medida del ángulo

correspondiente al intervalo 153 - 157,9?
150
100 A) 45º
B) 30º
50
C) 20º
D) 12,5º
Lun Mar Mié Jue Vie Sáb Dom E) 8º

6. Si el promedio de las notas finales de un curso 8. De acuerdo con la información entregada por
de 20 alumnos es de 4 y el de otro curso de 30 la tabla, que nos muestra los años de escolaridad
alumnos es de 6, entonces el promedio de notas de menores en situación de abandono, ¿Cuál es la
finales de los alumnos de ambos cursos es mediana de la muestra?
A) 4,2
B) 4,7
Años de Menores Frecuencia
C) 5,2 escolaridad de edad acumulada
D) 5
0 3 3
E) 5,4
1 0 3
2 1 4
3 2 6
4 3 9
5 6 15
Total 15
7. La tabla muestra los resultados de una prueba de A) 5

Matemática B) 4,5
C) 4
Puntaje Nº de alumnos D) 3,5
16 - 28 13 E) 3
29 - 40 48
41 - 50 61
51 - 60 21
61 - 70 6
71 - 80 1
El representante del intervalo modal es
A) 41
B) 50
C) 61
61
D)
150
E) 45,5

9. Se realiza un estudio sobre el número de días que 10. Si la media aritmética entre a y b es 3 y la
los pacientes sufren mejorías de jaqueca crónica con desviación estándar es 3 , entonces el valor
un nuevo medicamento, presentado en la siguiente de ab es
tabla ¿Cuál(es) de las siguientes afirmaciones
es(son) verdadera(s)? A) 2
B) 4
C) 6
Días Frecuencia
D) 8
0 100 E) 10
1 250
2 300
3 500
4 450
5 2.000
I. La mediana es igual a la moda

II. El porcentaje de pacientes que sintió mejoría a
los 5 días es el 55, 5̄ %.
III. El recorrido de la variable es 2.000.
A) Solo I
11. Dado los datos 2, 2, 3, 3, 5, 1, 5, 1, 2, 4, ¿cuál es la
B) Solo II
frecuencia de la moda?
C) Solo I y II
D) Solo I y III
A) 2
E) I, II y III
B) 3
C) 4
D) 5
E) La muestra no posee moda

12. En una balanza, se pesan al mismo tiempo 20 14. Respecto a la tabla de la pregunta anterior,
personas. Si la balanza registra 1.200 kilogramos, ¿Cuál es la moda?
¿Cuál es el peso promedio de estas personas?
A) 7
A) 60 B) 6
B) 40 C) 5
C) 50 D) 4
D) 30 E) 3
E) 20
13. En la siguiente tabla se muestran las notas de

un grupo de estudiantes que rindió una prueba:
Nota fi
15. Una serie de camisas de iguales características
3 1
valen $5.000, $8.000, $10.000, $10.000 y $15.000.
4 5
Dados estos datos, ¿Cuál(es) de las siguientes
5 2
características es(son) verdadera(s)?
6 1
7 1
I. La moda es $10.000
II. La mediana es $10.000
III. La media es $9.600
¿Cuántas personas rindieron la prueba?
A) Solo I
A) 5 B) Solo II
B) 6 C) Solo III
C) 8 D) Solo I y II
D) 10 E) I, II y III
E) 11

16. Dada la siguiente tabla 17. Dados los datos 1, 1, 2, 3, 5, 1, 5, 2. La

media aritmética, la moda y la mediana son
respectivamente
Nota Fi
N1 F1
A) 2, 1 y 5
N2 F2
B) 2, 1 y 2
N3 F3
C) 2.5, 1 y 2
N4 F4
D) 2.5, 1 y 4
E) 2.5, 5 y 4
La media es
N1 + N2 + N3 + N4
A)
4
NF + N F + N3F3 + N4F4
B) 1 1 2 2
4
NF + N F + N3F3 + N4F4
C) 1 1 2 2
F1 + F2 + F3 + F4
N1 + N2 + N3 + N4
D)
F1 + F2 + F3 + F4
E)Ningunade las anteriores 18. Con los siguientes datos:
{A,A,A,B,B,B,C,C,D,D,D,E,E} es posible afirmar que
A) No existe moda
B) Existen dos modas
C) Existen tres modas
D) Todos los datos son moda
E) El promedio es 1

19. Según el gráfico, ¿cuál es la moda de los datos? 21. Si el promedio de edades entre 4 hermanos
es de 7 años. Si a las edades les agregamos la
edad del padre y la madre, entonces el promedio
asciende a 15 años. Entonces el promedio de las
edades de los padres es
6
A) 28
4 B) 31
C) 23
3 D) 35
E) 42
1
2 3 4 5 6 7
A) 3
B) 3,5
C) 4
D) 4,5
E) 5 22. Si se tienen los valores 3, 1, 2, 6, a, 5, 8, 2, 3,
entonces se puede saber el valor de a si
(1) La mediana es 3
(2) La moda es 2
20. Un estudio estadístico emplea datos
consistentes en el peso corporal de un grupo de A) (1) por sí sola
personas. Respecto a estos datos, podemos decir B) (2) por sí sola
que corresponden a una variable C) Ambas juntas, (1) y (2)
D) Cada una por sí sola, (1) ó (2)
I. Cualitativa E) Se requiere información adicional
II. Continua
III. Discreta
A) Solo I
B) Solo II
C) Solo III
D) Solo I y II
E) I, II y III

23. Las edades de un grupo de jóvenes misioneros 25. Si la media entre los datos a y b es 3 y la
es 12, 13, 15, 12 y 14 años. Entonces ¿Cuál(es) de las desviación estándar es 3 , entonces a2 +b2 es
siguientes afirmaciones es(son) verdadera(s)?
igual a
I. La media es 11 años
II. La mediana es 13 años A) 36
III. La desviación estándar es 2 años B) 18
C) 72
A) Solo I D) 48
B) Solo II E) 24
C) Solo III
D) Solo I y II
E) I, II y III
26. La tabla adjunta, muestra el resultado obtenido

por dos cursos del preuniversitario Gauss en un
ensayo de lenguaje. ¿Cuál(es) de las siguientes
afirmaciones es(son) verdadera(s)?
Curso Promedio Desviación

Estandar
24. La desviación estándar para los datos Mañana 706 0,5
{1, 2, 3, 4, 4, 1, 2, 1, 1, 1} es Tarde 669 1
A) 14 I. El curso de la mañana es el más heterogéneo

B) 1,4 II. El curso de la mañana presenta menor
C) 0,14 dispersión en los puntajes
III. La media aritmética (promedio)
D) 2,4
considerando los puntajes de los alumnos de
E) 0,24
ambos cursos es 688
A) Solo I
B) Solo II
C) Solo III
D) Solo II y III
E) Solo I y II

27. La tabla adjunta, muestra la distribución de los 28. El promedio (media aritmética) de las masas de
puntajes de matemática de un grupo de estudiantes 4 personas es 65 kilos. Si la suma de las primeras
del preuniversitario Gauss. De acuerdo con esta 3 personas es 200 kilos, ¿cuál es la masa de la
información, ¿cuál de las siguientes fórmulas última persona?
permite determinar el puntaje promedio de la
muestra? A) 69 kilos
B) 60 kilos
Puntaje Frecuencia C) 6 kilos
D) 62 kilos
Pt1 A1
Pt2 A2
E) No se puede determinar
Pt3 A3
Pt4 A4
Pt5 A5
Pt1 + Pt2 + Pt3 + Pt4 + Pt5

A)
5
A1 + A 2 + A 3 + A 4 + A 5
B)
5
Pt1 + Pt2 + Pt3 + Pt4 + Pt5
C)
A1 + A 2 + A 3 + A 4 + A 5
A1Pt1 + A 2Pt2 + A 3Pt3 + A 4Pt4 + A 5Pt5
D)
5
A1Pt1 + A 2Pt2 + A 3Pt3 + A 4Pt4 + A 5Pt5
E)
A1 + A 2 + A 3 + A 4 + A 5

29. El gráfico de la figura muestra el resultado de 30. La tabla adjunta, muestra los resultados
una encuesta realizada a un grupo de personas obtenidos al lanzar un dado de 8 caras.
sobre su preferencia con respecto a sabores de
helado. Frecuencia
Número
1 2
2 3
14
3 4
12
4 2
10
5 2
8
6 6
6 4
7
4 8 5
2
Vainilla Piña 3 Leches Frutilla
¿Cuál(es) de las siguientes afirmaciones es(son)

verdadera(s)?
falsa(s)? I. El total de lanzamientos del dado fue 28
II. La frecuencia de la moda es 6
I. La moda es 12 III. La mediana es 4,5
II. El 12,5% de las personas encuestadas prefiere
el helado de piña A) Solo I
III. La media es 16 B) Solo I y II
C) Solo II y III
A) Solo I D) I, II y III
B) Solo I y III E) Ninguna de las anteriores
C) Solo II y III
D) I, II y III

31. La tabla adjunta, muestra el resultado de 3 32. El gráfico circular de la figura, muestra las
cursos del preuniversitario Gauss en un mismo matrículas del preuniversitario en los meses de
ensayo, ¿Cuál es el promedio (media) entre el total verano, las cuales suman 200 alumnos.
de alumnos de los tres cursos? (los puntajes se
aproximan al entero mayor)
Diciembre
15%
Curso Nº de alumnos Promedio
Marzo
Mañana 4 755 35%
Enero
Tarde 6 804 17%
Noche 5 669
Febrero
33%
A) 740
B) 744
C) 700
D) 745
E) 746 ¿Cuál(es) de las siguientes afirmaciones es(son)
verdadera(s)?
I. Se matricularon 66 alumnos en Febrero

II. Se matricularon 50 alumnos entre
Diciembre y Enero
III. La mayoría se matriculó en Febrero
A) Solo I
B) Solo I y II
C) Solo II y III
D) I, II y III

33. Dados los puntajes obtenidos por 5 personas 35. La tabla adjunta, muestra la cantidad de
en un ensayo de ciencias: 810, 765, 655, 555 y 605, horas que dura un celular con sistema iOS si lo
¿Cuál(es) de las siguientes afirmaciones es(son) sometemos a un control de calidad. ¿Cuál(es) de las
verdadera(s)? siguientes afirmaciones es(son) verdadera(s)?
I. No existe moda
II. La media es 678
III. La mediana es 605
Intervalo de horas Frecuencia
A) Solo I [10 - 15[ 10
B) Solo II [15 - 20[ 12
C) Solo I y II [20 - 25[ 8
D) Solo I y III
E) I, II y III
I. La marca de clase en el intervalo

[20 - 25[ es 22,5
II. La media es el 12
III. La mediana se encuentra en el intervalo
[15 - 20[
34. Si se suman los GB de internet utilizados en el A) Solo I

celular durante 21 días y se divide por 21, se obtiene B) Solo II
C) Solo I y II
A) La moda D) Solo I y III
B) La mediana E) I, II y III
C) La desviación estándar
D) La media aritmética

36. En una muestra de 450 elementos, el elemento 38. La desviación estándar entre los elementos 1, 1,
correspondiente al percentil 21 es 1, 1, 1, 2, 2, 2, 3, 4 y 4 es
A) 90
B) 92
12
C) 93 A)
D) 94 11
E) 95 14
B)
11
14
C)
10
17
D)
10
E)Ningunade las anteriores
37. En la muestra
{Pantalón,Pantalón,Pantalón, Zapato, 39. Si el promedio de los dos mejores alumnos

Zapato,Polera,Polera,Polera,Polera}. de un curso es 6,7 y el de los dos peores es 4,5,
entonces el promedio entre los cuatro será
Es correcto afirmar que
A) 5
A) La moda es Zapato B) 5,2
B) La media es Zapato C) 5,6
C) El promedio es Calcetines D) 5,9
D) La moda es Polera E) 4,9
E) El promedio es Polera

40. Sea x > 7. Si se considera el set de datos
{1, 1, 2, 3, 7, 7, 7, x},
entonces el valor de x para que la media y la

mediana coincidan debe ser
A) 12
B) 15
C) 16
D) 19
E) Nunca coincidirán

TOMO IV ESTADÍSTICA Y PROBALIDIDAD
MIS ANOTACIONES
Te damos espacio extra para que puedas
desarrollar mejor los ejercicios

CAPÍTULO 2 PROBABILIDADES
CAPÍTULO 2
PROBABILIDADES

DEFINICIONES BÁSICAS
Las probabilidades son la rama de la matemática que estudia el azar, es decir, even-
tos en los cuales uno conoce todos los posibles resultados pero no se conoce con
certeza el resultado de él.
Nuestra primera definición es la de experimento aleatorio, que es un objeto matemá-

tico en el cual sé los resultados posibles pero no puedo determinar con precisión un
resultado particular. Por ejemplo, el lanzamiento de una moneda, sé que tiene sólo
dos posibles resultados pero no puedo asegurar la ocurrencia de ninguno de los dos.
Luego podemos definir el espacio muestral, que es el conjunto formado por todos
los posibles resultados de un experimento aleatorio dado. Por ejemplo, el espacio
muestral de lanzar un dado es {1, 2, 3, 4, 5, 6}.
Llamaremos eventos o sucesos a cada uno de los subconjuntos del espacio muestral.
Por ejemplo, al lanzar un dado el espacio muestral está compuesto por los números
1, 2, 3, 4, 5 y 6. Un evento puede ser obtener un número par (formado por los resul-
tados 2, 4 y 6).
Cuando dos eventos no pueden ocurrir de manera simultánea, los llamamos eventos
mutuamente excluyentes. Por ejemplo, al lanzar un dado consideremos los eventos A
= {1, 3, 5} (obtener un número impar) y B = {2, 4, 6} (obtener un número par). Como
ningún resultado posible es simultáneamente par e impar, decimos que A y B son
mutuamente excluyentes.
PROBABILIDADES CLÁSICA Y EXPERIMENTAL
7 Probabilidad Clásica
Si en un experimento aleatorio, todos los resultados son equiprobables, es decir,
todos tienen la misma probabilidad de ocurrir, entonces diremos que la probabilidad
que ocurra cierto evento A es
donde E es el espacio muestral. Cabe resal-
#A Número de casos de A
P( A ) =
= tar que de la definición anterior se puede
# E Número de casos totales
observar que la probabilidad de cualquier
evento esta entre los valores 0 y 1, por el
hecho que A ⊂ E.

7 Probabilidad Experimental
Si tomamos por Fr la frecuencia relativa de un evento A, entonces definimos
Cantidad de veces que ocurre A
Fr =
Cantidad de veces que se realiza el experimento
La Ley de los Grandes Números nos dice que si repetimos dicho experimento una can-
tidad suficiente de veces, entonces el valor de Fr será cada vez más parecido a la
probabilidad de ocurrencia del evento A.
A continuación presentamos una pequeña lista con propiedades que se cumplen en

las probabilidades, donde E siempre será el espacio muestral, P (·) la probabilidad y,
A y B eventos.
3 P(E) = 1
3 P(φ) = 0
3 0 ≤ P(A) ≤ 1
3 Si A ∩ B = φ (son mutuamente excluyentes), P(A ∪ B) = P(A) + P(B)
3 Si Ac = E\A, entonces P(Ac) = 1−P(A)
3 Si A ∩ B ≠ φ, entonces P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
3 Si A y B son eventos independientes, entonces P(A ∩ B) = P(A)· P(B)
7 Probabilidad Condicionada
Diremos que A y B son eventos dependientes si la ocurrencia de uno influye en la
ocurrencia del otro, y en dicho caso tendremos la siguiente regla de probabilidad
P( A ∩ B)
P( A ∩ B) = P( A ) ⋅ P( B| A ) P( B| A ) =
P( A )
donde P(B|A) denota la probabilidad de que ocurra B sabiendo que ocurrió A. Por
lo tanto, como consecuencia inmediata de lo anterior, si A y B son eventos indepen-
dientes, se tendrá que P (B|A) = P (B)
DIAGRAMAS DE ÁRBOL
A veces los problemas se presentan en varias etapas y para visualizarlos mejor, con-
viene pensar en las diferentes etapas como problemas separados. Veamos el siguien-
te ejemplo:
Ejemplo: 1 de cada 10 niños cree en las hadas. 9 de cada 10 niños que cree en las
hadas puede ver a Peter Pan. 1 de cada 10 niños que no cree en las hadas puede ver a
Peter pan. Si Peter Pan visita un niño al azar, ¿Cuál es la probabilidad de que el niño
vea a Peter Pan?

No es fácil dar una respuesta tan sencilla, pues el resultado depende de si el niño
cree o no en las hadas. Pensaremos primero en el caso en que el niño cree: Si el niño
cree, entonces la probabilidad de que vea a Peter Pan es 0.9; mientras que si no cree,
la probabilidad es 0.1. Podemos resumirlo en el siguiente diagrama.
0.1 0.9
Cree No cree
0.9 0.1 0.1 0.9
Ve a No ve a Ve a No ve a
Peter Pan Peter Pan Peter Pan Peter Pan
Para calcular la probabilidad de que el niño vea a Peter Pan, debemos multiplicar las
probabilidades de las ramas que nos llevan a un resultado donde el niño ve a Peter
Pan. Por ejemplo, en este caso, Debemos multiplicar las probabilidades que nos lle-
van al primer caso, es decir 0,9 · 0,1 y las que nos llevan al tercer caso (0,1 · 0,9). Al
sumar ambas tenemos que la probabilidad de ver a Peter Pan es 2· 0,9 · 0,1. Este tipo
de diagramas es conocido como diagrama de árbol y resulta muy útil para resolver
este tipo de problemas.
COMBINATORIA
Ya hemos visto que en un experimento aleatorio donde todos los sucesos elemen-
tales son equiprobables, la probabilidad de un evento A cualquiera puede calcularse
según la regla de Laplace:

P( A ) = # A
#Ω
En otras palabras, la probabilidad de que ocurra un evento A se obtiene como la

razón del número de resultados favorables al evento A y el total de resultados en el
espacio muestral.

Ejemplo: Una canasta contiene 5 manzanas rojas y 4 manzanas verdes. Si se extrae

al azar una de las manzanas del cesto ¿Cuál es la probabilidad de que la fruta extraí-
da sea de color rojo?
Solución: El espacio muestral tiene 9 elementos (uno por cada manzana del canas-
to), luego #Ω = 9. Si se define A como el evento donde se extrae una manzana roja,
entonces #A = 5, pues 5 de las manzanas del cesto son rojas. Así, de acuerdo a la regla
#A 5 #A 5
de Laplace, P( A ) = = . De donde la probabilidadPbuscada
( A ) = es= .
#Ω 9 #Ω 9
A pesar de que el procedimiento detrás de este tipo de problemas es bastante sen-
cillo, hay veces en que encontrar el número de elementos presentes en el espacio
muestral o la cantidad de elementos del evento A puede ser muy complicado. Para
ayudarnos a resolver estas dificultades, estudiaremos algunos elementos básicos de
combinatoria, la rama de las matemáticas que se ocupa del estudio del número de
elementos que tienen los conjuntos finitos.
7 Principio aditivo y principio multiplicativo

Los principios básicos sobre los que estableceremos toda la teoría de combinatoria y
técnica de conteo reciben el nombre de principio aditivo y principio multiplicativo.
Estos resultados se presentan a continuación:
3 Principio aditivo: Si un experimento tiene m resultados posibles y otro tiene n

resultados posibles, hay m + n maneras en que se puede llevar a cabo solo uno de los
experimentos.
Ejemplo /
Carlos debe escoger entre adoptar un gato o un perro. Si
le han ofrecido 4 gatos y 7 perros ¿Cuántas opciones tiene
Carlos para adoptar un animal?
R: Carlos debe escoger uno de los dos experimentos,

adoptar un gato o adoptar un perro. Como hay 4 opcio-
nes de gato y 7 de perro, de acuerdo al principio aditivo,
Carlos tiene 7 + 4 = 11 opciones para escoger su próxima
mascota.
3 Principio multiplicativo: Si en un experimento hay m resultados posibles y en otro

hay n resultados posibles, entonces al realizar ambos experimentos se tienen mn
resultados posibles.

Ejemplo /
Carlos desea adoptar un gato y un perro. Si le han ofrecido
4 gatos y 7 perros ¿Cuántas opciones tiene para escoger
los animales que adoptará?
R: Esta vez Carlos debe escoger ambos, un perro y un gato.

Como hay 4 opciones para escoger un gato y 7 para esco-
ger un perro, en virtud del principio multiplicativo se tienen
7 · 4 = 28 formas de escoger un animal de cada especie.
El siguiente ejemplo tiene por finalidad ilustrar cómo se aplican estos conceptos a
problemas de probabilidad.
Ejemplo /
Carlos desea adoptar dos animales. Le han ofrecido 4 ga-
tos y 7 perros. Si escoge dos animales al azar entre sus
opciones y los adopta ¿Cuál es la probabilidad de que
adopte dos animales de diferente especie?
R: Aplicando la regla de Laplace, se tiene que la probabili-

dad de que adopte animales de distinta especie se calcula
mediante la fórmula:
#A
P( A ) =
#Ω'
Donde #A es el número de elementos del evento donde

Carlos adopta animales de especie distinta y #Ω represen-
ta el total de elementos en el espacio muestral.
Para encontrar #Ω se aplica el principio multiplicativo: el

experimento consiste en escoger dos animales. Como hay
4 gatos y 7 perros, Carlos tiene 11 opciones para escoger
al primer animal (véase el Ejemplo 1). Sin embargo, Para
escoger el segundo animal ya no tiene 11 opciones, pues
al elegir su primera mascota ha eliminado una opción (No
puede adoptar dos veces al mismo animal). En términos
simples, una vez que escoge la primera mascota solo tiene
10 formas de escoger su segunda mascota, Así, el princi-
pio multiplicativo indica #Ω =11 · 10 = 110.

Para hallar #A debemos contar la cantidad de formas en

que Carlos puede adoptar animales de especies diferen-
tes. Notemos que esto se puede hacer adoptando prime-
ro un gato y luego un perro, o bien adoptando primero un
perro y posteriormente un gato. La cantidad de maneras
de adoptar un perro en la primera oportunidad es 7, pues
hay 7 perros. Si luego se desea adoptar un gato, enton-
ces hay 4 opciones para la segunda elección. Con esto
se tiene que de acuerdo al principio aditivo, hay 7 · 4 = 28
maneras de adoptar primero un perro y luego un gato.
La otra manera de adoptar dos animales de especies dis-

tintas es adoptar un gato primero y después un perro.
Como hay 4 maneras de escoger el gato y 7 maneras de
escoger el perro, entonces el principio multiplicativo in-
dica que hay 4 · 7 = 28 formas de escoger primero un gato
y luego un perro. Con esta información, podemos utilizar
el principio aditivo para establecer la cantidad de mane-
ras en que se pueden adoptar dos animales de especies
distintas. Esto corresponde a sumar ambas cantidades,
es decir, #A=28 + 28, obteniendo como resultado #A = 56.
56 28
De acuerdo a la regla de Laplace, se tiene P (A) = =
110 55'
PERMUTACIONES
A menudo interesa calcular probabilidades que tienen relación con la cantidad de
maneras de ordenar un conjunto de objetos determinado. Las diferentes ordena-
ciones que puede tener un conjunto son llamadas permutaciones. Para motivar el
estudio de las permutaciones, consideremos el siguiente problema:
Ejemplo /
Fabián tiene una colección de 4 libros ordenados en su re-
pisa según su fecha de lanzamiento. En un descuido, los
libros se caen y Fabián los vuelve a poner en la repisa, pero
sin percatarse del orden. ¿Cuál es la probabilidad de que
el primer y el segundo libro queden en su lugar?

R: Nuevamente, si se define A como el evento donde el pri-

mer y el segundo libro quedan en los lugares que corres-
ponden, la probabilidad de A está dada por

#A
P( A ) =
#Ω'
Para hallar #A notemos que si el primer y el segundo libro

quedan ubicados correctamente, entonces al ubicar un li-
bro en la tercera posición el orden queda determinado de
manera unívoca, pues solo queda una opción para poner
en último lugar. En otras palabras, al contar los casos fa-
vorables para el evento A basta obtener la cantidad de ma-
neras de ubicar el tercer libro cuando los primeros dos li-
bros están en las posiciones que corresponden. Como hay
dos maneras de hacer esto(colocar el tercer libro en su
posición o en la posición del cuarto libro), se tiene #A = 2.
Por otro lado, para hallar la cantidad #Ω de elementos en

el espacio muestral, utilizamos el principio multiplicativo:
El libro que ocupa la primera posición puede escogerse
de 4 maneras, el libro que le sigue se puede escoger de
3 formas(pues uno de los libros ya está en la repisa). El
siguiente se escoge de dos maneras, pues hay dos libros
que ya están ubicados. Finalmente, el último libro solo se
puede escoger de una manera. Como se deben hacer to-
das estas cosas simultáneamente, se aplica el principio
multiplicativo. Así #Ω = 4 · 3 · 2 · 1. Finalmente, de acuerdo
2 1
a la regla de Laplace: P (A) = =
4 · 3 · 2 · 1 12'
Si en el problema anterior hubiese más libros, por ejemplo, 83, el número de ele-
mentos en el espacio muestral se habría obtenido a partir de una multiplicación
muy tediosa. Si el número de libros es suficientemente grande, ni siquiera cabría en
la hoja. Esto genera la necesidad de definir nueva notación para contar la cantidad
de permutaciones en un conjunto. A continuación se muestra una función cuyo do-
minio son los números cardinales y nos ayuda a simplificar este tipo de problemas.
7 Definición: Si n es un número cardinal, se define el factorial de n, anotado n! (se

lee “ene factorial”), mediante la recursión:

0! = 1
(n + 1)! = (n + 1)n!
Ejemplo /
Calcule los factoriales de todos los enteros comprendidos
entre 0 y 5.
R: Por definición 0! = 1.
De acuerdo a la segunda parte de la definición:
1! = (0+1)! = 1 · 0! = 1 · 1 = 1.
Análogamente: 2! = (1 + 1)! = (1 + 1) · 1! = 2 · 1 = 2.
Siguiendo de la misma forma:

3! = (2 + 1)! = (2 + 1)2! = 3 · 2! = 3 · 2 = 6.
4! = (3 + 1)! = (3 + 1) · 3! = 4 · 3! = 4 · 3 · 2 = 24.
5! = (4 + 1)! = (4 + 1) · 4! = 5 · 4! = 5 · 4 · 3 · 2 = 120.
Observación: para números n mayores que 0,

n! = n(n - 1)(n - 2) ··· 2 · 1
Ejemplo /
Escriba como multiplicación el factorial de 10
R: De acuerdo a la observación,
10! = 10 · 9 · 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1
7 Propiedad: El número de permutaciones existentes en un conjunto no vacío de

n elementos es n!
7 Demostración: Encontrar la cantidad de permutaciones equivale a encontrar

la cantidad de maneras en que el conjunto puede ordenarse. El primer elemento se
puede escoger de n maneras, el siguiente de n - 1 maneras (el primer elemento no
puede ocupar el segundo lugar). El tercer elemento puede escogerse de n - 2 mane-
ras. Prosiguiendo de esta forma hasta que solo queda un elemento se tiene que el
número de permutaciones es n(n - 1)(n - 2)(n - 3) ··· 2 · 1. De acuerdo a la observación,
esto es n! (note que n ≥ 1 debido a que por hipótesis el conjunto es no vacío).

Ejemplo /
Bernardo pertenece a un curso de 40 alumnos. El profe-
sor hace una interrogación sorpresa y llama, uno a uno,
a los 40 estudiantes para hacerles preguntas. ¿Cuál es la
probabilidad de que Bernardo sea el último integrante del
curso en ser interrogado?
R: El espacio muestral se compone de todas las permu-

taciones existentes para el conjunto formado por los 40
alumnos del curso, es decir #Ω = 40!. Para determinar en
cuántas de estas permutaciones Bernardo ocupa el último
lugar, notamos que en un ordenamiento donde Bernardo
está al final, hay 39! Formas de ordenar al resto del curso.
Luego la probabilidad de que Bernardo sea el último estu-
diante en ser interrogado es:
39! 39! 1
P (A) = = =
40! 40 · 39! 40
PERMUTACIONES CON
ELEMENTOS INDISTINGUIBLES
Hay veces en que en un conjunto se tienen dos elementos que para propósitos prác-
ticos son indistinguibles. Considere el siguiente ejemplo:
Ejemplo /
¿Cuántas palabras, con o sin sentido, pronunciables o no
pronunciables, pueden formarse con las letras de la pala-
bra MANADA?
R: La palabra MANADA consta de 6 letras, de modo que

estas se pueden ordenar de 6! Formas diferentes. Sin em-
bargo, Las tres letras A cumplen el mismo rol dentro de
la palabra. Así, al intercambiar de lugar las tres letras A
se obtiene la misma palabra. Dicho de otra manera, esta-
mos contando más palabras de las que realmente existen
al considerar las letras A como diferentes. Una forma de

solucionar este problema es notar que cada palabra se

contó 3! veces, pues se puede formar de tantas maneras
como se puedan reordenar las letras A. Así, para obtener
la verdadera cantidad de palabras existentes, se debe di-
vidir por 3!. Luego, existen 6! = 6 · 5 · 4 · 3! = 6 · 5 · 4 = 1
palabras distintas. 3! 3! 40
7 Propiedad: Si se tienen n elementos agrupados en k clases que se consideran

indistinguibles, y el número de elementos en cada clase se anota por n1, n2, …, nk,
entonces el número de permutaciones existentes en este conjunto está dado por
n!
n1 ! n2 ! ··· nk !
Ejemplo /
En una orquesta de 20 músicos se necesita un cantante
de primera voz, 3 cantantes de segunda voz, 5 flautistas, 4
tecladistas, 2 violinistas y 5 percusionistas. ¿Cuántas op-
ciones tienen para asignar sus roles?
R: Hay n = 20 músicos. Se consideran indistinguibles los

n1 = 3 cantantes de segunda voz, los n2 = 5 flautistas, los
n3 = 4 tecladistas, los n4 = 5 percusionistas, los n5 = 2 violi-
nistas y se forma una clase de un elemento (n6 = 1) donde
solo está el cantante de primera voz. Así, la cantidad de
opciones está dada por:
20!
3!5!4!5!2!1!
PERMUTACIONES SIN PRIMER

ELEMENTO (CÍCLICAS)
En algunos problemas se desea calcular una permutación sin distinguir un elemento
que inicia el orden. En estos casos, se fija un elemento arbitrario y se ordenan los
demás a partir de su posición relativa al elemento fijo. En otras palabras, se fija uno
y se ordena el resto. De modo que si un conjunto tiene n elementos, entonces hay
(n - 1)! Permutaciones cíclicas.

Ejemplo /
Un collar circular está formado por una cadena que con-
tiene 5 piedras: Rubí, zafiro, jade, lapislázuli y amatista.
¿Cuántos diseños pueden existir para estos collares?
R: Hay cinco piedras, que pueden ordenarse de 5! mane-

ras diferentes. Sin embargo, al cerrar el collar, algunas
ordenaciones se ven iguales(por ejemplo si se ponen en
orden Rubí, zafiro, jade, lapislázuli y amatista se forma
el mismo collar que al colocar jade, lapislázuli, amatista,
rubí y zafiro). Para resolver el problema correctamente,
suponemos fija una de las cinco piedras (supongamos que
se escoge jade). La piedra que se ubica a la derecha del
jade se puede escoger de 4 formas, la que sigue de 3, la
siguiente de 2 maneras y la que se ubica a la izquierda so-
lamente de una. Así, hay 4! Maneras de diseñar un collar
con estas características.
CANTIDAD DE MUESTRAS
EN UNA POBLACIÓN FINITA
Con las herramientas que manejamos en este momento ya podemos determinar la Observaciones
n
cantidad de elementos de muchos espacios muestrales. En estadística discreta, a El símbolo   se llama combinación
k 
menudo interesa conocer la cantidad de muestras de un tamaño dado que se pueden y se lee “n sobre k". Se define como
extraer desde una población finita. Para ello clasificamos los procesos de muestreo n n!
 =
 k  k !(n − k )!
de acuerdo a dos criterios. El primer criterio distingue si los elementos pueden ex-
traerse más de una vez (muestreo con reposición) o una vez escogidos no pueden
volver a formar parte de la muestra(muestreo sin reposición). El segundo criterio in- El símbolo Vkn es llamado variación o
dica si una muestra formada por los mismos elementos en diferente orden se consi- arreglo y se lee “variación de n sobre
dera una muestra distinta (con orden) o si se considera como la misma muestra (sin k". Se define mediante la fórmula
orden). La siguiente tabla resume de cuántas formas se puede escoger una muestra n!
Vk n =
de acuerdo a los dos criterios mencionados anteriormente. Si la población tiene n (n − k )!
elementos y se extrae una muestra de tamaño k, entonces la cantidad de muestras
posibles está dado por La combinación a veces se anota Ckn y
la variación a veces se anota Akn.
Con reposición Sin reposición
Con orden nk
V kn
Sin orden

( n + k )
k - 1
( nk )
Ejemplo /
El código genético se determina a partir de combinaciones
de cuatro bases nitrogenadas: Adenina, Citosina, Guanina
y Timina (o Uracilo en el ARN). La unidad de información
básica en el proceso de traducción del ARN mensajero es
llamada codón y está determinada por una secuencia de
tres bases nitrogenadas ¿Cuántos codones distintos pue-
den armarse con cuatro bases nitrogenadas?
R: Una base nitrogenada puede presentarse más de una

vez en un codón, por lo tanto, estamos en presencia de
un muestreo con reposición. Además, un codón con las
mismas bases nitrogenadas en diferente orden almacena
información diferente. En consecuencia, el orden es rele-
vante. Como se extrae una muestra de tres bases nitroge-
nadas a partir de una población de cuatro bases nitroge-
nadas, con reposición y con orden, el número de codones
es 43 = 64.
Ejemplo /
En el ejército romano, cuando una tropa se acobardaba
durante una batalla o mostraba señales de amotinamien-
to, se aplicaba un castigo conocido como diezmado (deci-
matio). Consistía en que la tropa se dividía en grupos de 10
personas y en cada grupo se escogía al azar un miembro
que debía ser lapidado por los nueve restantes. Si se apli-
ca esta medida en una tropa de 130 miembros, ¿De cuán-
tas formas se pueden escoger los 13 miembros lapidados?
R: Al lapidar a los mismos 13 miembros en distinto or-

den, se tienen exactamente las mismas bajas dentro de
la tropa. Esto indica que se realiza muestreo sin orden.
Un individuo que es lapidado en un grupo no puede ser
lapidado en otro grupo, por lo tanto se muestrea sin repo-
sición. Como se escogen k=13 individuos en una tropa de
( )
n=130, se tienen 130 maneras de realizar el diezmado.
13

Ejemplo /
Cinco amigos salen de vacaciones en un auto. Si deben es-
coger un piloto y un copiloto, ¿Cuántas opciones tienen?
R: Escoger a los mismos dos individuos intercambiando

posiciones es una elección diferente. Por lo tanto, el mues-
treo es ordenado. Además, no puede escogerse la misma
persona de piloto y copiloto, por lo tanto es un muestreo
sin reposición. En este caso n=5 y k=2, por lo tanto hay
5 5! 5!
V2 = = = 5 · 4 = 20
(5 − 2)! 3!
formas de escoger al piloto y al copiloto en este viaje.
Ejemplo /
¿De cuántas formas se pueden colocar 5 bolitas idénticas
en 4 urnas enumeradas del 1 al 4?
R: Una urna puede contener más de una bolita, por lo tan-

to es un muestreo con reposición. No importa qué bolita va
en qué urna, sino cuántas van en cada una. Por lo tanto no
importa el orden. Como se escogen k=5 urnas de un total
de n=4, se tienen
 5 + 4 − 1  8
  = 
 5   5
formas de llenar las urnas.

EJERCICIOS
1. Si se tiene el juego del Loto, donde para cada 3. ¿De cuántas formas puedo ordenar 3 libros en un
cartón de juego se eligen 7 números de 35, estante con 4 espacios?
¿cuál de las siguientes expresiones representa la
cantidad de cartones de juego posibles? A) 6
B) 18
  C) 12
A)  35  D) 32
 7 
E) 24
 35 
B)  7!
 7 
35!
C)
7!
35
D)
7
4. Una mujer tiene 3 clósets donde ordenar sus tres
tipos de ropa: pantalones, blusas y abrigos.
Si cada tipo de ropa va en un único closet, ¿de cuán-
tas maneras distintas se pueden ordenar?
A) 3!
B) 4!
C) 4! · 3
D) 3! · 3!
2. Si se tiene un estante con 7 espacios para libros E) 34
y se desea colocar 4 libros distintos en cualquier
orden. ¿De cuántas maneras se pueden colocar los
libros?
 
A)  7 
 4
 7
B)   4!
 4
7!
C)
4!
7
D)
4

5. ¿De cuántas maneras pueden sentarse 4 personas 7. Hay que colocar a 5 mujeres y 4 hombres en una
en 10 sillas? fila, de modo que los hombres usen las posiciones
pares, ¿De cuántas maneras puedo hacer la fila?
A) 4!
B) 10! A) 4!
C) 104 B) 5!
  C) 9!
D)  10  D) 4!5!
 4
 
E) 5.040 E)  9 
 4
8. ¿Cuántos números de 4 dígitos se pueden formar

6. Usando combinatoria, diga cual es el número de
con las cifras {1, 2, 3, 4, 5, 6, 7, 8, 9}, permitiendo
diagonales de un hexágono regular
repetición?
A) 7
A) 4!
B) 8
B) 49
C) 9
C) 94
D) 10
 
E) 6 D)  9  4!
 4

9. Si en la pregunta anterior no permitimos 11. ¿Cuál es la probabilidad de que al sacar una

repeticiones, entonces ¿cuál es la nueva cantidad carta al azar de un mazo inglés, esta sea un 9 rojo?
de números que puedo formar?
A) 4! 1
A)
B) 49 2
C) 94 1
B)
  13
D)  9  4! 1
 4 C)
52
 9 1
E)   D)
26
 4
12. ¿Cuál es la probabilidad de que al tirar dos

dados no cargados, la suma de los valores
10. Si a la pregunta anterior, agregamos que los obtenidos sea mayor o igual que 10?
números formados deben terminar en 1 y no se
permite repetición, ¿cuál es la nueva cantidad de
números que puedo formar? 5
A)
26
  1
B)
A)  8  3! 6
 3
5
B) 83 C)
4
6
C) 8 1
  D)
D)  9  3! 9
 3 5
E)
 9 36
E)  
 3

13. Se extraen aleatoriamente, sin reposición, cuatro 15. ¿Cuál es la probabilidad de que al lanzar dos
cartas de una baraja inglesa de 52 cartas. ¿Cuál es dados uno de ellos sea 3 si la suma de los dos es 7?
la probabilidad de que haya al menos una jota?
1
A)
4
5
 1 1
A)   B)
 4 3
1
1 C)
B) 2
2 2
48 ⋅ 47 ⋅ 46 ⋅ 45 D)
C)1− 5
52 ⋅ 51⋅ 50 ⋅ 49 1
E)
D) No se puede calcular 6
14. Una caja contiene 8 bolas rojas, 3 blancas, y 9

azules. Si se extraen 3 bolas al azar, ¿Cuál es la
probabilidad de que las tres bolas sean azules?
9
A)
20
3
B)
20
 9 16. Si se ha lanzado una moneda honesta 765 veces,
  y en todos los lanzamientos se obtuvo un sello.
3
C) ¿Cuál es la probabilidad que el lanzamiento 766 sea
 20 
  una cara?
3
 12  1
A)
  2
3
D) 1
 20  B)
  765
3 1
 20  C)
766
 
3 2
E) D)
 9 766
  2
3 E)
3

17. ¿Cuál es la probabilidad que al lanzar 3 dados no 19. Si se extraen dos cartas al azar de un mazo
cargados, se obtengan exactamente tres veces 5? inglés ¿Cuál es la probabilidad aproximada de que
ambas sean de diamante?
1
A)
72 A) 0,05882
1
B) B) 0,0625
55 1
1 C)
C) 2
6 1
1 D)
D) 4
216
1 E) 0,0485
E)
18
18. En una sala de 60 alumnos, se sabe que la 20. En Chile, una patente está formada por dos
probabilidad de escoger uno al azar y que este consonantes (distintas de ñ) seguidas de cuatro
3 dígitos entre 0 y 9. ¿Cuántas patentes distintas
sea hombre es de 5
. De acuerdo a lo anterior,
pueden formarse?
¿Cuántas mujeres hay en el curso?
A) 106
A) 24
B) 272 · 104
B) 20
2 C) 21 · 20 · 10 ·9 · 8 · 7
C)
5 D) 21 + 21 + 10 + 10 + 10 + 10
E) 212 · 104
D) 36

21. Cuando llueve, la probabilidad de que una 23. De un mazo inglés de cartas (52 cartas), se
1
jugadora de fútbol anote un gol es . Si la sacan 2 cartas al azar, entonces ¿Cuál es la
2 4
probabilidad de que no llueva es , ¿cuál es la probabilidad de que de esas cartas una sea de
3
probabilidad de que llueva y la jugadora haga un gol? diamante y la otra de trébol?
12
1 A)
A) 1.326
6 26
B)
1 1.326
B)
12 C)
13
10 204
C) 156
14 D)
1 1.326
D) 56
4 E)
1.326
E)Otro valor
22. Se tienen 4 monedas, y se define el valor M1 como

la probabilidad de sacar sólo una cara y el valor M2
como la probabilidad de sacar tres caras. Entonces
el valor de M1 −M2 es
A) 1
1
B)
8
1
C)
16
1
D)
32
E) 0

24. Si tenemos 4 conjuntos de números A, B, C y D 26. En una sala de clases hay 3 hombres y 9
dados por mujeres. Se sabe que 2 de esos hombres y 5 de
A = {1, 2, 3, 4}, esas mujeres prefieren clases interactivas y el
B = {1, 2, 3, 4, 5, 6, 7, 8, 9}, resto prefiere clases tradicionales. Si se elige una
C = {5, 6, 7, 8, 9}, persona al azar, ¿Cuál es la probabilidad de que
D = {1, 2, 3, 4, 5, 6}. esa persona sea hombre y prefiera las clases
interactivas?
Si formamos al azar un número de cuatro dígitos de
la forma digAdigBdigCdigD, donde digA es un número 1
A)
del conjunto A y así sucesivamente, entonces 6
¿Cuál es la probabilidad de que este sea divisible 2
B)
por 2? 3
2
C)
103 5
A)
1.305 1
D)
26 12
B)
25.430 3
E)
130 5
C)
1.020
156
D)
25.430
12.715
E)
25.430
27. Se tiene una bolsa con pelotitas numeradas del

1 al 25, todas de igual peso y tamaño. Si se extrae
una bolita al azar, ¿Cuál es la probabilidad de sacar
un número par o múltiplo de 4?
25. ¿Cuál de los siguientes eventos no tiene
probabilidad 1 de ocurrencia? 20
A)
25
A) Escoger un número natural al azar mayor que 1 y 3
B)
que este sea primo o compuesto 25
2
B) Nacer en un mes que tenga entre 27 y 32 días C)
C) Lanzar un dado y que este nos entregue un 5
22
número par o impar D)
D) Lanzar tres dados y que el producto sea menor 25
que 216
E) Lanzar una moneda y obtener una cara o un sello

28. Si se lanza un dado de 8 caras, ¿Cuál es la 30. Si se lanzan 4 monedas no cargadas, ¿Cuál es la
probabilidad de obtener un número impar o un probabilidad de obtener dos caras y dos sellos?
número mayor o igual que 5?
3
A)
1 5
A)
6 5
1 B)
B) 8
3 3
3 C)
C) 8
4
D)1
6
D)
E)0 11
29. Si se lanzan 3 monedas, ¿Cuál es la probabilidad 31. Si una gata tiene 4 gatitos, ¿Cuál es la
de obtener dos caras y un sello? probabilidad de que sean un macho y tres hembras?
4 4
A) A)
5 9
3 1
B) B)
8 4
4
3 C)
C) 5
5
1
6 D)
D) 2
15 1
E)Ningunade las anteriores E)
3

32. En una caja hay 30 aros de perla de igual peso 34. Un hotel para mascotas tiene 25 perros entre
y tamaño, de las cuales 8 son celestes, 10 son café y negros, y se sabe que 15 de ellos son café. Si
blancos y el resto son rosados. Si se extraen 6 aros se abre la puerta del lugar y se escapa un perro,
al azar, ¿Cuál es la probabilidad de extraer un aro ¿Cuál es la probabilidad de que sea negro?
celeste, uno blanco y uno rosado, en ese orden y sin
reposición? 10
A)
23
5
B)
8 10 12 16
A) ⋅ ⋅ 2
30 30 30 C)
8 10 12 5
B) ⋅ ⋅ 3
30 28 26 D)
7
8 10 12
C) + + 4
30 28 26 E)
11
8 10 12
D) ⋅ ⋅
30 29 28
8 10 12
E) + +
30 29 28
33. Una mochila de un alumno del preuniversitario

Gauss tiene 4 guías de lenguaje, 5 guías de
matemática y 2 de historia, todos de igual peso y
tamaño. Si se extrae una guía al azar, ¿Cuál es la
probabilidad de que NO sea de matemática?
5
A)
11
4
B)
11
6
C)
11
2
D)
11

35. La tabla adjunta muestra el número de 36. La probabilidad de que al lanzar 2 dados, la
empresas que poseen un determinado número de suma de los números sea mayor o igual que 5 es
software para administrar sus negocios. Al
seleccionar una de estas empresas al azar. 1
A)
6
5
Nº de empresas Nº de software B)
6
4 0 3
C)
2 1 4
1 2 5
D)
4 3 9
6
5 4 E)
5 10
6
7 6
¿Cuál es la probabilidad de que ésta tenga menos de

cuatro software para sus negocios?
11
A)
29
11
B)
27
15 37. Si se tiene una moneda cargada, donde la
C) 1
27 probabilidad de obtener cara es y se sabe
3
11
D) que esta siempre sale cara o sello, entonces
30
13 la probabilidad de sacar tres sellos en tres
E)
27 lanzamientos es
8
A)
27
11
B)
27
15
C)
27
14
D)
27
13
E)
27

38. En la pregunta anterior, la probabilidad de sacar 40. Según el problema anterior, la probabilidad de
al menos dos caras en tres lanzamientos es lanzar dos veces el dado y obtenerun 1 y un 6, en
ese orden es
8
A)
27 2
A)
5 49
B)
27 1
7 B)
C) 49
27 2
11 C)
D) 25
27
1
3 D)
E) 25
27
39. Si se sabe que un dado está cargado, donde los

números del 2 al 6 tienen la misma probabilidad
y el 1 tiene el doble de probabilidad que ellos.
Entonces la probabilidad de que al lanzar el dado se
obtenga 1 es
1
A)
7
2
B)
7
1
C)
5
2
D)
5

CAPÍTULO 3
INFERENCIA ESTADÍSTICA

CAPÍTULO 3 INFERENCIA ESTADÍSTICA
INTRODUCCIÓN
La rama de la estadística que veremos a continuación estudia cómo inferir o deducir
características de una población a partir de una pequeña parte de ella, debido a que
en muchos estudios es imposible tomar la totalidad de la población, esta forma de es-
tudiar colecciones de datos es llamada Inferencia Estadística, y responde a las pre-
guntas: ¿Cómo podemos sacar conclusiones acerca de las características de la pobla-
ción si no conocemos todos sus elementos? ¿Qué tan fiables son estas estimaciones?
Para realizar inferencias estadísticas estudiamos una parte pequeña, pero represen-
tativa de la población que llamamos una Muestra, y extrapolamos (inferimos) con-
clusiones sobre la población general a partir de ella.
TÉCNICAS DE MUESTREO
Llamamos muestreo a las técnicas que utilizamos para escoger una muestra a partir
de una población.

Los tipos de muestreo se clasifican en muestreos probabilísticos y no probabi-
lísticos. En un muestreo probabilístico, cada elemento de la población tiene una
determinada probabilidad de pertenecer a la muestra, y dicha probabilidad se puede
calcular sin ambigüedad. En los muestreos no probabilísticos en cambio, se descono-
ce la probabilidad de que un individuo determinado pertenezca a la muestra.
Siempre existe algún error pues la muestra no es completamente fiable, sólo una
buena aproximación, y a este error se le llama error de muestreo.
7 Muestreo aleatorio
Si todas las muestras posibles de una población pueden ser tomadas con la misma
probabilidad, este muestreo es un Muestreo Aleatorio. Distinguimos dos tipos:
3 Sin reposición: Una vez que un individuo es escogido para integrar la

muestra, no puede volver a ser escogido
Observación 3 Con reposición (muestreo aleatorio simple): Los individuos pueden

Al extraer todas las muestras de un aparecer más de una vez en la muestra.
tamaño dado en una población finita
y calcular el promedio de las me- El muestreo aleatorio es apropiado para poblaciones grandes y es más simple de
dias muestrales se obtiene la media implementar que otras técnicas de muestreo, pero requiere de un listado completo
poblacional. de todos los individuos que conforman la población.

El objetivo de extraer una muestra representativa es estudiar alguna característica

de la población representada en una variable estadística, la cual toma la forma
de una función que relaciona los miembros de la población con sus cantidades co-
rrespondientes, y dando algún patrón a partir del cual sacaremos conclusiones que
aplicar a la población general. A estos patrones que encontraremos entre los datos
los llamaremos Distribuciones.
Observación
Por ejemplo: si realizamos un estudio sobre lo que compran los clientes de un su- La inferencia estadística sólo nos dará
permercado no podremos entrevistar a todos, por lo tanto entrevistaremos a una aproximaciones, nunca dará resulta-
muestra, y si nuestro estudio está bien hecho podremos obtener un perfil que nos dos para cada uno de los miembros de
diría cuánto gasta cada tipo de persona del supermercado. Este perfil de los clientes la población.
será una distribución de los gastos de los clientes en el supermercado.
DISTRIBUCIÓN NORMAL
La distribución más importante que se estudia es la llamada distribución normal
o distribución Gaussiana, y es posible aplicar esta distribución a cualquier grupo
de datos cuya distribución se asemeja al siguiente gráfico:
Es decir, un grupo de datos en el cual la mayoría de los datos se agrupa cerca de la

media aritmética, y la cantidad disminuye suavemente hacia los extremos, forman-
do una curva simétrica cuyo eje de simetría se encuentra en su media.
Rigurosamente, este gráfico representa la siguiente función:
( x − µ )2
1 −
f (x) = e 2σ 2
σ 2π

Donde μ corresponde a la media aritmética de la población y σ corresponde a su

desviación estándar. σ2 también es una medida común, y este representa la Va-
rianza de la distribución.
100
80
Frecuencia
60
40
20
0
6 8 10 12 14 16 18
Cuando una variable X sigue una distribución normal de media μ y varianza σ2, es-
cribimos X ∼ N (μ, σ2).
7 Propiedades de la distribución normal
3 La forma de la curva de la distribución depende de

sus dos parámetros, la media y la desviación estándar
3 La media indica la posición de la campana. Al incrementar

la media, la gráfica de la campana se desplaza hacia la derecha
3 A mayor desviación, la curva se volverá más plana,

pues los datos tendrán mayor variabilidad
3 Si X ∼ N(μ, σ2) y se extraen n observaciones de manera

independiente en esta población, el promedio obtenido
pertenece a una población normal de media μ y varianza σ
2

n
3 Si X∼N(μ, σ2) no depende de Y∼N(v, τ2), entonces X + Y∼ N (μ + v, σ2 + τ2)

7 Intervalos de una distribución normal

El objetivo de la distribución normal es poder conocer qué porcentaje de los datos se
encuentran en distintos intervalos, y nos permite responder preguntas como:
3 ¿Qué porcentaje de un grupo de atletas que sigue una

distribución normal tiene un buen rendimiento?
3 ¿Cuánto puntaje debo tener para estar en el mejor 10%

de los estudiantes que dan la PSU?
Estas preguntas tienen una solución que es a la vez simple y complicada. La simple
es: El porcentaje de datos que responde estas preguntas es el área bajo la curva de la
distribución normal que se encuentra entre los parámetros pedidos.
Pero calcular esta área es extremadamente difícil, por lo que utilizamos unos in-
tervalos notables con porcentajes ya conocidos para cualquier distribución normal.
Si una población normal tiene media μ y desviación estándar σ, se tiene que:
3 El 68,3% de las observaciones se encuentra en

el intervalo [μ - σ,μ + σ], es decir, el 68,3% de los
datos se encuentra a menos de una desviación
estándar de distancia de la media.
3 El 95,5% de los datos se encuentra en el intervalo

[μ - 2σ,μ + 2σ], es decir, el 95,5% de las observaciones
se encuentra a menos de dos desviaciones estándar
de distancia de la media.

3 El 99,7% de los individuos se encuentra en el
intervalo [μ - 3σ,μ + 3σ], es decir, el 99,7% de las
observaciones se encuentra a menos de tres
desviaciones estándar de distancia de la media.
μ (valor estimado)
Probabilidad
34% 34%
14%
2% 2%
μ - 2σ μ - σ μ μ+σ μ + 2σ Variable

7 Variables estandarizadas (tipificadas)
Si se necesita calcular otros percentiles, hay malas noticias: hasta el día de hoy no
se ha descubierto un método para calcularla de manera exacta. Sin embargo, exis-
ten tablas con muy buenas aproximaciones. Ahora, no es posible escribir una tabla
para cada una de las combinaciones posibles de media y desviación estándar, enton-
ces convenimos en utilizar la distribución normal estándar o normal tipificada
como referencia, a la cual llevaremos cualquier otra distribución.
Definición: Si una variable Z sigue una distribución N(0,1), se dice que Z tiene una
distribución normal estándar o normal tipificada.
Para llevar una distribución cualquiera a esta distribución N(0,1), utilizamos una
técnica llamada estandarización o tipificación, que nos permite relacionar una
distribución normal de media y desviación estándar arbitrarias con una distribución
N(0,1).
X−µ
Propiedad: Si X ∼ N (μ, σ2), entonces Z = tiene una distribución normal es-
tándar.
σ
Una vez convertida la variable de distribución N(μ, σ2), en una de distribución

N(0,1), podemos utilizar una tabla como la siguiente para encontrar los valores ne-
cesarios para resolver los problemas.
z P(Z < z)
0,67 0,749
0,99 0,839
1,00 0,841
1,15 0,875
1,28 0,900
1,64 0,950
1,96 0,975 0 z Z
2,00 0,977
2,17 0,985
2,32 0,990
2,58 0,995

7 Algunos ejemplos de fenómenos que

se modelan con distribuciones normales:

3 Puntajes en pruebas nacionales (PSU, SIMCE) e
internacionales(TOEFL, exámenes de admisión a
distintas universidades). Los puntajes PSU de una
generación tienen una distribución normal de
media 500 y desviación estándar 110.

3 Indicadores sicológicos como el coeficiente intelectual.
3 Fenómenos meteorológicos como la temperatura.

3 Estaturas y pesos de individuos de la misma edad
siguen una distribución normal.
3 El error cometido al hacer mediciones en experimentos

sigue una distribución normal.
INTERVALOS DE CONFIANZA
Puede ocurrir que al tomar dos muestras representativas diferentes dentro de una
misma población, se obtengan estadísticos diferentes. Esto no necesariamente sig-
nifica que el estudio esté mal realizado, sino que simplemente es un reflejo de que
hay azar involucrado en el proceso de muestreo.
Para estimar el error que induce el azar, se establece un rango de valores que po-
drían contener el valor del parámetro poblacional estimado, con cierta probabilidad.
A esta probabilidad se le conoce como nivel de confianza y su principal objetivo es
evaluar la validez del muestreo.
Un intervalo de confianza [a,b] para un parámetro poblacional es un intervalo de

números reales que con cierto nivel de confianza (95%,99%, etc.) contiene al pará-
metro estudiado.
Si se desea construir un intervalo de confianza para la media de una población nor-

mal con varianza conocida σ2, a partir de una muestra de tamaño n, media x, y nivel
de confianza (100 - a)% está dado por

 
 x − z a σ , x + z a σ 
   
  
2 n  
2 n 

Donde z a corresponde al valor tal que el a % de los datos es mayor en una distribu-
(2) 2
ción normal estándar.
σ
La cantidad z a  es llamada error de muestreo o error y suele ser expresado
 2  n
como porcentaje.
Ejemplo: En un laboratorio, se cuenta con una muestra de 121 frascos con jarabe,
se sabe que la cantidad de sacarosa presente en ellos sigue una distribución nor-
mal de desviación estándar 10g. Si la media de la cantidad de sacarosa en estos 121
frascos de jarabe es 640g, el intervalo del 95% de confianza, en gramos, está dado
aproximadamente por [638,22; 641,78], con un error de 1.782 ya que al reemplazar
los valores correspondientes x = 640; σ = 10; n = 121 y z(a)= z0,025 = 1.96 se obtienen
2
dichos valores.
Ejemplo /
Las estaturas de un grupo de personas siguen una distribución
normal de media 1,40m y desviación estándar 20 cm.
(a) ¿Qué porcentaje ellos mide entre 1,2m y 1,6m?
(b) ¿Qué porcentaje de elos mide menos de 1,8 metros

pero más de 1,6?
Solución (a)
Como el 68,3% de los individuos se ubica a menos de una des-
viación estándar de la media, podemos asegurar que el 68,3%
de los estudiantes tiene una estatura x tal que |x - μ| ≤ σ, es
decir, -σ ≤ x - μ ≤ σ. Al sumar μ en cada miembro de la desigual-
dad, resulta μ - σ ≤ x ≤ μ + σ. Considerando que μ = 1,4 y σ = 0,2
(al medir en metros) se obtiene 1,4 - 0,2 ≤ x ≤ 1,4 + 0,2. Así, se
sigue x ∈ [1.2,1.6]. Por lo tanto, el 68,3% de los integrantes mide
entre 1,2m y 1,6m.
Solución (b)
Considerando que el 95,5% de los individuos tiene una estatura
que se encuentra en el intervalo [μ - 2σ,μ + 2σ], se tiene que el
95,5% de las estaturas de los individuos se ubica en el intervalo
[1,0;1,8]. Si de ese intervalo restamos el 68,3% de las personas
cuyas estaturas estaban entre 1,2 y 1,6 (se calculó en (a)). En-

tonces tenemos que el 27,2% de los sujetos tiene estaturas que

se encuentran en el intervalo [1.0,1.2] o que se encuentran en el
intervalo [1.6,1.8]. Además, como la gráfica de la distribución es
simétrica en torno a su media, se sigue que la cantidad de es-
tudiantes en cada intervalo es la misma. Así, la mitad del 27.2%
de los integrantes mide entre 1.6 y 1.8, es decir, el 13.6% de ellos
mide menos de 1,8 metros y más de 1,6.
Ejemplo /
En cierta ciudad, la temperatura diaria sigue una distribución
normal de media 18° y desviación estándar 2°. ¿Qué porcentaje
de los días habrá una temperatura mayor a 20°?
Solución
Si llamamos T a la temperatura en un día, se tendrá que
T ∼ N(18,4). Al estandarizar, se obtiene que (T - 18) / 2 ∼ N(0,1).
El siguiente paso consiste en relacionar la desigualdad T >
20 con una desigualdad que involucre la variable estandari-
zada. Al restar 18 y dividir por 2 en esta desigualdad resulta
T − 18 20 − 18 T − 18 20 − 18
> , es decir, > 1. De acuerdo al valor tabulado,
2 2 2 2 T − 18 20 − 18
el 84,1% de los días satisfacen que > 1. Por lo tanto, el
≤
2 2
15,9% restante satisface la condición buscada.

MIS ANOTACIONES

EJERCICIOS
1. ¿Cuál de las siguientes afirmaciones es 3. Son ventajas del muestreo aleatorio:

verdadera?
I. Al escoger la muestra al azar, se previene
A) Al estudiar características de una muestra, se cualquier sesgo que pudiese tener origen
obtiene una estimación de las características de en la elección del investigador
una población II. Al conocer la probabilidad de cada
B) Una muestra contiene más datos que una individuo de pertenecer a la población,
población se tiene información del error cometido
C) Nunca es posible estudiar una población en las conclusiones
completa III. Se clasifica en muestreo sin reposición
D) El muestreo aleatorio simple solo es válido en y con reposición
distribuciones normales
E) Ninguna de las anteriores A) Sólo I
B) I y II
C) I y III
D) II y III
E) I, II y III
2. En un estudio estadístico 4. Si X ∼ N(1,4) ¿Cuál de estas variables tiene una

distribución N(0,1)?
I. El muestreo garantiza ahorro económico
al realizar el estudio x-1
A)
II. El muestreo permite recolectar datos de 2
manera más rápida x-1
B)
III. El muestreo garantiza validez de las 4
conclusiones respecto de la población C) x-4
D) x-2
A) Sólo I E) Ninguna de ellas
B) Sólo II
C) I y II
D) I y III
E) II y III

5. Si una población sigue una distribución normal 7. Si Z ∼ N(0,1) ¿Cuál de las siguientes expresiones
estándar ¿Cuál de estos valores corresponde al tiene un valor igual a P(Z < -2)?
percentil 95 de la población?
A) P(Z > -2)
A) 0,67 B) P(Z ≤ 2)
B) 1 C) P(Z > 2)
C) 1,28 D) P(-1 < Z < 1)
D) 1,64 E) Ninguna de las anteriores
E) 1,96
6. Una población sigue una distribución N(4,25) 8. Una población sigue una distribución N(3,5) ¿Qué
¿Cuál de las siguientes afirmaciones es falsa? distribución tendrá si cada dato se multiplica por 2?
A) La mediana de la población es 4 A) N(6,5)

B) La desviación estándar de la población es 25 B) N(6,10)
C) La media de la población es 4 C) N(3,20)
D) Aproximadamente el 68,3% de los datos se ubica D) N(3,10)
en el intervalo [-1,9] E) N(6,20)

9. ¿Cuál de las siguientes cantidades no sigue una 11. La cantidad de teléfonos celulares por familia
distribución normal? en una ciudad se modela por medio de una
distribución normal con media μ y varianza 0,25. Se
A) Los puntajes de la PSU de historia obtenidos por toma una muestra aleatoria de 100 familias de esta
los postulantes que rindieron la prueba el año 2014 ciudad, obteniéndose una media de 3,5 celulares.
B) Las estaturas de niños de un curso Para los resultados de esta muestra, ¿Cuál de los
C) El tiempo de vida útil de las ampolletas de una siguientes intervalos es el intervalo de confianza de
marca dada nivel 0,90 para μ?
D) La temperatura media que se registra en un
mismo mes 1 1
A) [3,5-1,64 · ;3,5+1,64 · ]
E) Ninguna de las anteriores 40 40
1 1
B) [3,5-0,9 · ;3,5+0,9 · ]
200 200
1 1
C) [-1,64 · ;1,64 · ]
400 400
1 1
D) [-0,90 · ;0,90 · ]
20 20
1 1
E) [3,5 − 1,64 · ;3,5 + 1,64 · ]
10. Se dice que un individuo padece de retraso 20 20
mental si su coeficiente intelectual está entre
70 y 85 puntos. El coeficiente intelectual de los
individuos de un país sigue una distribución normal
de media 100 y desviación estándar 15. ¿Qué 12. Al respecto de la gráfica de una campana de
porcentaje de la población de este país padece de gauss se afirma:
retraso mental?
I. Al incrementar la media poblacional, la
A) 95,5% gráfica se desplaza hacia la izquierda
B) 47,75% II. Es simétrica respecto de la media
C) 68,3% III. La curva se vuelve más plana al
D 34,15% incrementar la varianza
E) 13,6%
Es(son) verdadera(s)
A) Sólo I
B) I y II
C) I y III
D) II y III
E) I, II y III

13. Se desea estimar el tiempo promedio que tarda 15. Si Z ∼ N(0,1), entonces P(1,15 < Z < 1,28) =
un atleta en completar una carrera de 100 metros
planos. Tras observar a 15 atletas se obtiene un A) 0,875
intervalo de confianza de nivel 0,95 dado por [13,20] B) 0,900
medido en segundos. ¿Cuál de estas afirmaciones C) 0,950
es verdadera? D) 0,025
E) 0,125
A) El 95% de los atletas tarda en promedio entre
13 y 20 segundos en completar una carrera de 100
metros planos
B) Hay una probabilidad de 0,975 de que el tiempo
que tardan los atletas en promedio de completar
una carrera de 100 metros planos se encuentre en
el intervalo [13,20]
C) Al observar más atletas, la probabilidad de
que el promedio se encuentre en el intervalo de
confianza incrementa
D) Si el tiempo que tardan los atletas sigue una 16. En un estudio se desea estimar el diámetro
distribución normal, entonces la media muestral medio de las piernas en una población de jirafas.
obtenida fue de 16,5 segundos. Considerando una distribución normal de varianza
E) Ninguna de las anteriores 25 cm2 para el diámetro de las piernas de las
jirafas. Si [⋅] representa la función parte entera,
¿cuál debe ser el tamaño muestral para que la
amplitud del intervalo de confianza al nivel 0.99
construido a partir de la muestra sea menor a 2 cm?
A) [(5 · 2,32)2 ]+1

14. Una población sigue una distribución normal
estándar. ¿Cuál es el máximo valor que puede B) [(5 · 0,839)2 ]+1
presentarse en una observación que pertenece al
C) [(25 · 2,58)2 ]+1
1% más pequeño?
2
 5  
A) -2,58 D)  · 2,58  +1
B) -2,32  2  
C) -2,17
E) [(5 · 2,58)2 ]+1
D) -2,00
E) -1,96

17. Un instructor de esgrima desea medir el tiempo 19. ¿Cuál de los siguientes histogramas representa
que tardan sus deportistas en reaccionar a la mejor a una distribucón normal?
señal de partida dada por el árbitro al comenzar
los combates. Tras medir los tiempos de retardo
en la reacción de sus 16 alumnos obtiene las
respuestas 5, 7, 3, 13, 4, 5, 3, 6, 8, 11, 10, 9, 9, 6, 5,
9, medidas en centésimas de segundo. Si deseara
tomar una muestra de tamaño 5, ¿Cuál de estas no A) B)
corresponde a un muestreo sin reposición?
A) 5, 3, 4, 5, 11
B) 3, 4, 6, 8, 9
C) 9, 9, 9, 10, 11
C) D)
D) 5, 7, 5, 7, 3
E) A, C y D son correctas
E)
18. El diámetro de los troncos de los sauces sigue 20. Un señor del mal tiene 10 esclavos. Cada
una distribución normal de media 15m y desviación mañana escoge a 3 por muestreo aleatorio
estándar 5m. ¿Cuál es la probabilidad de que el simple con reposición y los castiga. ¿Cuál es la
diámetro del tronco de un sauce mida menos de probabilidad de que el mismo esclavo sea castigado
26.6 m? 3 veces durante una mañana?

A) 0,977 1
A)
B) 0,985 10
C) 0,99
D) 0,995 1
B)
E) 0,01 100
3
C)
10
2
D)
10
1
E)
1000

21. Con los datos de la pregunta anterior ¿Cuál es 23. Un practicante de lucha Greco-romana postula
la probabilidad de que algún esclavo sea castigado a un cupo para un campeonato regional. Los orga-
exactamente dos veces durante la misma mañana? nizadores declaran mediante un comunicado que
solo aceptarán a los postulantes que pertenezcan
27
A) al 1.5% con mejor desempeño en una prueba de
100
fuerza. Si nuestro luchador sabe que los puntajes
9 de dicha prueba siguen una distribución normal
B)
1000 con media 4 y desviación estándar 3, ¿Cuál es el
mínimo puntaje que debe obtener en la prueba para
9 clasificar?
C)
100
27 A) 9,88
D) B) 10,34
1000
C) 10,51
E) Otro valor D) 10,96
E) 11,74
22. Con los datos de la pregunta 20, ¿Cuál es 24. ¿Cuál de los siguientes histogramas representa
la probabilidad de que castigue a tres esclavos una distribución de mayor varianza?
diferentes durante la mañana?
28
A)
100
72
B)
1000
A) B)
72
C)
100
D) 1
E) Otro valor
C) D)

25. La amplitud de un intervalo de confianza para 27. Considere una población de distribución normal
la media poblacional de una distribución normal de varianza 4. Si se desea construir un intervalo
incrementa si del 95% de confianza a partir de una muestra de
tamaño 100, ¿cuál es el error de esta estimación?
I. La varianza poblacional incrementa
II. La media muestral incrementa 1.96
A)
III. El tamaño muestral incrementa 5
IV. El nivel de confianza del intervalo
3.92
incrementa B)
5
Son verdaderas: 1.96
C)
50
A) Sólo I
B) Sólo IV 1.64
D)
C) I y IV 5
D) II y III
E) I, III y IV
28. Una empresa produce narices de payaso y

desea estimar la cantidad de pintura roja necesaria
26. Si X  N (µ,σ 2 ) entonces P (X < µ)= para producir cada unidad. Suponga que la cantidad
de pintura utilizada en la producción de una unidad
1 se rige por una distribución normal. Si se desea
A)
2 obtener un error menor que 5% al construir un
intervalo de confianza de nivel 90% y la desviación
1
B) estándar corresponde a 0.05 ml ¿Cuántas narices
3
de payaso, como mínimo, se deben incluir en la
1 muestra?
C)
4
A) 1
1 B) 2
D)
5 C) 3
D) 4
E) Otro valor
E) 5

29. La efectividad de una vacuna en un paciente 31. Sean X e Y dos variables aleatorias
enfermo se rige por una distribución normal. independientes tales que X ∼ N(0,1) e Y ∼ N(2,3).
Si se estudia la efectividad en una muestra de ¿Cuál es el valor de P(X + Y > 6)?
121 pacientes, obteniendo un error del 10% al
construir un intervalo de 99% de confianza ¿Cuál A) 0,045
es la desviación estándar de la efectividad de las B) 0,159
vacunas? C) 0,977
D) 0,023
1,21
A) E) Otro valor
6,6564
0,1
B)
28,38
11
C)
25,8
1,1
D)
2,32
11
E)
2,58
32. Un capitán del equipo de atletismo debe

escoger 2 competidores para una carrera de
relevos. Tras poner a prueba a sus cinco candidatos
en una carrera corta y promediar los tiempos
30. ¿Cuál de las siguientes cantidades no influye (en segundos) de cada posible pareja obtiene los
en el error de muestreo al construir intervalos de siguientes resultados:
confianza para poblaciones normales?
9, 9, 10, 11, 10, 11, 12, 11, 12, 13
A) La varianza de la población
B) La desviación estándar de la población ¿Cuál es el tiempo promedio de los cinco
C) La media de la población corredores?
D) El tamaño muestral
E) El nivel de confianza A) 10
B) 10,8
C) 11
D) 11,8
E) Otro valor

33. Si X ∼ N(a + b,a + 2b) e Y ∼ N(a + 2b,a − b) son 35. Si X ∼ N (μ, 1) ¿Qué valor debe tener μ para que
variables aleatorias independientes ¿Qué valor P(X ≤ 8) = 0,841
debe tomar a para que la variable aleatoria X + Y
siga una distribución normal estándar? A) 7
1 B) 6
A)
2 C) 8
D) 0
1 E) Ninguno de los valores anteriores
B)
4
1
C) -
2
3
D)
4
E) No existe tal valor de a
34. Suponga que X ∼ N (5,92) e Y ∼ N (−3,34). Al 36. Si X e Y son variables aleatorias independientes
respecto se afirma de distribución normal estándar ¿Cuál es la
probabilidad aproximada de que el interior del
I. La población X es más homogénea que la cuadrado de centro en el origen, lados paralelos a
población Y los ejes y lado 2 contenga al punto (X,Y)?
II. Al extraer muestras aleatorias de 10
individuos de cada población, La media A) 0,68
muestral de X tiene una varianza menor a B) 0,95
la media muestral de Y C) 0,46
III. La campana de Gauss asociada a la D) 0,90
variable X tiene a la recta x = 5 como eje de E) Otro valor
simetría
Es(son) falsa(s):
A) Sólo I
B) Sólo II
C) I y II
D) II y III
E) I, II y III

37. Se puede conocer la media poblacional a partir 39. Se puede determinar P(X > μ + 2) si
de una muestra si
(1) X ∼ N(μ + 2,1)
(1) Se conoce la media muestral (2) μ + 2 es la mediana de la población
(2) Se conoce la varianza poblacional
A) (1) por sí sola
A) (1) por sí sola B) (2) por sí sola
B) (2) por sí sola C) Ambas juntas, (1) y (2)
C) Ambas juntas, (1) y (2) D) Cada una por sí sola
D) Cada una por sí sola E) Se requiere información adicional
E) Se requiere información adicional
38. Se puede conocer la probabilidad de que un 40. Se puede conocer la mediana de una población
individuo de una población pertenezca a una normal si:
muestra si
(1) Se conoce la media
(1) Se conoce el tamaño muestral (2) Se conoce la varianza
(2) La técnica de muestreo es muestreo
aleatorio simple A) (1) por sí sola
B) (2) por sí sola
A) (1) por sí sola C) Ambas juntas, (1) y (2)
B) (2) por sí sola D) Cada una por sí sola
C) Ambas juntas, (1) y (2) E) Se requiere información adicional
D) Cada una por sí sola

MIS ANOTACIONES

CAPÍTULO 4
VARIABLES ALEATORIAS

VARIABLES ALEATORIAS
Una Variable aleatoria es una medida que utilizamos para cuantificar los resul-
tados posibles de un experimento aleatorio, está definida como una función X que
relacióna cada elemento del espacio muestral con un número real. Es decir:
X : Ω → R
El recorrido de esta función entonces, es un subconjunto de los números reales

que contiene todos los resultados posibles de esta variable, como imágenes de algún
elemento del espacio muestral.
Estas variables pueden ser discretas o continuas, dependiendo de la naturaleza

de su recorrido.
VARIABLES ALEATORIAS DISCRETAS

En el caso de una variable discreta, podemos hablar de una función de probabili-
dad f(x), esta es la función que relaciona cada elemento del recorrido con la proba-
bilidad de que la variable tome dicho valor, es decir f(x0 ) = P(X = x0). Ya que estamos
hablando de una probabilidad, sabemos que debe cumplir las siguientes condiciones:
3 f(x0) ≥ 0 para todo x0 ∈ Rec(X)
3 ∑ f ( i ) = 1
i ∈ Rec(X)

También podemos definir la función de distribución F(X), que nos indica la pro-
babilidad de que la variable tome un valor igual o menor, es decir:
F(x0) = P(X ≤ x0)

CAPÍTULO 4 VARIABLES ALEATORIAS
ESPERANZA Y VARIANZA
DE UNA VARIABLE ALEATORIA
La Esperanza o Valor Esperado de una variable aleatoria es simplemente el valor
promedio que uno obtendría al realizar infinitos experimentos, por lo tanto mien-
tras más experimentos se realicen, más tiende a acercarse el promedio hacia la Espe-
ranza. Esta se define como:
E( X ) = ∑
xi ∈ Rec(X)
f ( xi ) · xi
LEY DE LOS GRANDES NÚMEROS

Si entendemos esta esperanza, obtenemos como conclusión la ley de los grandes
números que dice: Mientras más experimentos realice, más se acerca la frecuencia
relativa de cada evento a su respectiva probabilidad, pero esta forma de enunciar la
ley es equivalente a otra que relaciona esta ley con la esperanza:
"Mientras más grande sea la muestra, más cercana será

su media a la Esperanza de la Variable".
La Varianza es ligeramente distinta del concepto que usamos al trabajar con datos,
como estos están fijos su varianza sólo mide la dispersión de los datos, en el caso de
una variable aleatoria la varianza mide su variación ideal, y se calcula muy fácilmen-
te usando la esperanza:
Var(X) = E(X2 ) - [E(X)]2
Luego, la desviación estándar de un variable se encuentra de la misma forma que

utilizando datos.
StDev( X ) = Var( x )

DISTRIBUCIONES IMPORTANTES
DE VARIABLES ALEATORIAS
7 Distribución de Bernoulli
La distribución de Bernoulli es la forma en la que se distribuyen los resultados de
una variable que sólo tiene dos resultados posibles, a estos dos resultados los lla-
mamos un éxito o un fracaso, por ejemplo lanzar una moneda sigue una distribución
de bernoulli.
La ventaja es que esta moneda no debe ser justa, es decir las probabilidades de éxito
o fracaso no necesitan ser mitad y mitad, formalmente:
Si X es una variable aleatoria donde p es la probabilidad de éxito y q es la proba-

bilidad de fracaso, se cumple que P(X = 1) = p y P(X = 0) = q = 1 - p.
Además, E(X) = p y Var(X) = pq = p(1 - p).
7 Distribución Binomial
La distribución binomial es un caso similar al de la distribución de Bernoulli en el
que también buscamos éxitos y fracasos, pero en lugar de medir esta probabilidad
medimos la probabilidad de obtener cierta cantidad de éxitos en alguna cantidad de
experimentos:
Una Variable aleatoria X sigue una distribución Binomial si la probabilidad de

obtener k éxitos en n experimentos, donde la probabilidad de éxito en cada uno es
p. (la frase anterior se resume en X ~ Bin(n,p)):
 n
P( X = k ) =   p k (1 − p)n− k
 k

Con esta distribución, podemos tambien obtener la esperanza y varianza fácilmen-

te, entonces:
Si X ~ Bin(n,p) → E(X) = np y Var(X) = np(1 - p)
Como aprendimos en combinatoria, calcular estos coeficientes binomiales puede re-

sultar complicado, pero una distribución binomial X ~ Bin(n,p) se puede aproximar
a una distribución normal X ~ N(np,np(1 - p)) ya que esta tiene la misma Esperanza y
Varianza. Mientras más grande sea n, mejor será esta aproximación.

VARIABLES ALEATORIAS CONTINUAS

En todos los casos anteriores hablamos de variables discretas, entonces tiene senti-
do pensar en cosas como “sumar todos los resultados del recorrido” porque estas can-
tidades son finitas, pero estos métodos no funcionan cuando hablamos de variables
aleatorias no discretas, por ejemplo no sabemos cuanto es la suma de todos los nú-
meros racionales entre 0 y 1.
Luego, ajustaremos nuestras definiciones para reutilizar los conceptos que vimos en
variables aleatorias discretas en continuas.
En lugar de hablar de una función de probabilidad, hablaremos de una Función de

densidad, y esta mide cual es la probabilidad que una variable aleatoria tome un
valor dentro de un intervalo. Ya que existen infinitos resultados posibles para una
variable continua, no tiene sentido preguntar por la probabilidad de que caiga en va-
lor particular, por lo que preguntamos cuan posible es que caiga dentro de un rango.
Esta función cumple que:
3 La probabilidad de que la variable tome un valor, dentro

de un intervalo de su recorrido no puede ser negativa.
3 La probabilidad de que la variable tome un valor dentro
del intervalo del total de su recorrido es 1
Es importante notar que el ejemplo más claro y estudiado de una variable de este
tipo es la Distribución normal en la cual los intervalos que nos dan la probabilidad
son aquellas áreas bajo la curva de la distribución. Así, si vemos la normal como una
Variable aleatoria continua, tenemos que el área total bajo la curva es 1, y por lo
tanto es exactamente lo mismo preguntar qué porcentaje de esta área se encuentra
en un intervalo, a preguntar cual es la probabilidad de caer en ese intervalo si elijo
un valor al azar

EJERCICIOS
1. ¿Cuál de las siguientes es una variable aleatoria? 3. Se lanzan dos monedas y se define X = 1 si las
monedas tienen el mismo resultado y X = 0 si no
A) El número de caras de un dado lo tienen. ¿Cuál es el dominio de esta variable
B) El punto de ebullición del agua, medido en aleatoria?
grados Kelvin
C) El resultado obtenido al lanzar un dado común A) {(cara, cara), (cara, sello),
D) El número de habitantes que había en Texas el (sello, cara), (sello, sello)}
día 1 de Enero de 1999 B) {cara, sello}
E) Ninguna de las anteriores C) {0, 1}
D) {0,1,cara, sello}
2. ¿Cuál de las siguientes no se clasifica como una 4. Se define la variable aleatoria X como la suma
variable aleatoria discreta? de los resultados obtenidos al lanzar dos dados
comunes. ¿Cuál es el recorrido de X?
A) Se encuesta a 100 personas al azar y se define
la variable aleatoria X como el número de mujeres A) {2,3,4,5,6,7,8,9,10,11,12}
encuestadas. B) {(1,1),(1,2),(1,3),(1,4)(1,5),(1,6),(2,1),(2,2),(2,3),(2,4),
B) Se lanzan 4 dados comunes y se define X como (2,5),(2,6),(3,1),(3,2),(3,3),(3,4),(3,5),(3,6),(4,1),(4,2),
la suma de las puntuaciones obtenidas. (4,3),(4,4),(4,5),(4,6),(5,1),(5,2),(5,3),(5,4),(5,5),(5,6),
C) Se recorren 20 calles de Santiago en Auto y se (6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}
define X como el número de semáforos que se C) {1,2,3,4,5,6}
encuentran en luz roja al pasar por ellos. D) {1,2,3,4,5,6,7,8,9,10,11,12}
D) Se observa la carrera de un nadador y se E) Ninguna de las anteriores
define X como el tiempo que tarda en completar el
recorrido.
E) Ninguna de las anteriores.

5. Una urna contiene 10 bolitas blancas y 4 bolitas 7. Se pagan $400, se lanza un dado común y se
negras. Se extraen al azar, sin reposición, 5 bolitas reciben $100 multiplicado por el valor que muestra
de la urna y se define la variable aleatoria X como el el dado. ¿Cuál es el balance esperado?
número de bolitas blancas extraídas. ¿Cuál(es) de
las siguientes afirmaciones es(son) verdadera(s)? A) -200
B) -50
I. P(X = 0) = 0 C) 0
D) 350
10
II. P (X = 1) = E) 50
14
 10  4
  
 3   2
III. P (X = 3) =
 14
 
5 
A) Sólo I
B) Sólo III
C) I y III
D) II y III
E) I, II y III
8. Se entrevista a 100 personas de manera

independiente y se registra el número de personas
bautizadas. Si se sabe que el 48% de la población se
ha bautizado, ¿Qué distribución sigue esta variable
1
6. Si X es una variable aleatoria tal que P(X = 1) = aleatoria?
y P(X = 2) = 1 , entonces 5
4 A) Bernoulli
B) Binomial
11
A) P(X = 3) = C) Normal
20
D) Hipergeométrica
11
B) P(X = 3) < E) Ninguna de las anteriores
20
11
C) P(X = 3) ≤
20
11
D) P(X = 3) >
20
11
E) P(X = 3) ≥
20

9. El tiempo de espera de las personas, en minutos, 11. Se lanza un dado 20 veces y se definen las
en cierto paradero de Transantiago, tiene una variables aleatorias X e Y, donde X es el número
función de distribución dada por F(x) = 1 - e-2x ¿Cuál de veces que se obtiene un número par e Y es el
es la probabilidad de esperar 2 minutos o menos? número de veces que se obtiene un número impar.
A) e-4 verdadera(s)?
B) e-2
C) 1 - e-2 I. P(X = 4) = P(Y = 16)
D) 1 - e-4 II. P(X = 5) = P(Y = 5)
E) Otro valor III. P(X = 9) = P(X = 11)
A) Sólo I
B) I y II
C) I y III
D) II y III
E) I, II y III
10. En el bosque de caperucita roja se ha instalado 12. ¿Cuántas monedas se deben lanzar para que la
un hogar de ancianos. Se sabe que una de cada varianza del número de caras sea 1?
10 ancianas que vive en ese hogar es un lobo
disfrazado. Si el 60% de la gente que se queda en A) 1
el hogar son ancianas y se escogen 15 personas B) 2
mediante muestreo aleatorio simple, al definir C) 3
la variable aleatoria X como el número de lobos D) 4
escogidos, resulta P(X = 2) = E) No se puede obtener varianza 1
 15
A)   0,62 0,413
2 
 10 2 13
B)   0,1 0,9
2 
 15
C)   0,062 0,9413
 13
 10
D)   0,062 0,9413
2 
E) Otro valor

13. ¿Cuál es el recorrido de una variable aleatoria 15. Defina la variable aleatoria X como el número
normal de media 3 y varianza 16? obtenido al lanzar un dado común. Suponga
que se lanza medio millón de dados comunes
A)  - {3} y se registran los resultados en una tabla de
B) Q frecuencias. De acuerdo a la ley de los grandes
C) [-1,7] números, ¿Cuál de estos valores es una mejor
D) ]-1,7[ estimación para la frecuencia relativa acumulada
E)  del número de dados que muestran el número 3 en
su cara superior?
A) La función de densidad de probabilidad de X

evaluada en 3
B) La función de distribución de X evaluada en 3
C) La función de probabilidad de X evaluada en 3
D) El valor esperado de X
E) La varianza de X
14. La siguiente tabla muestra la función de

probabilidad de una variable aleatoria X.
k 1 2 3 4
P(X = k) p 2p 3p 4p
¿Cuál es el valor de la función de distribución de X 16. Considere una variable aleatoria discreta X
evaluada en 3? cuya desviación estándar es 8 y su recorrido es un
subconjunto del intervalo ]-∞,0]. Considere además
A) 0,1 que E[X2] = 100. ¿Cuál es el valor esperado de X?
B) 0,3
C) 0,4 A) 6
D) 0,6 B) 36
E) No se puede determinar C) 64
D) -6

17. Se lanzan dos dados comunes de manera 19. El número de patos que hay en una laguna al
simultánea y se define la variable aleatoria X como mediodía se rige por una función de probabilidad
el mayor valor obtenido. ¿Cuál es la función de dada por
  x
probabilidad de la variable aleatoria X?  1 , si x ∈N
f (x ) =  2 
x 
A) f(x)= 0, en otros casos
6
1 Si se observa la laguna al medio día durante 10000
B) f(x)=
6 días, de acuerdo a la ley de los grandes números,
2x − 1 ¿Cuántas veces se encontrarán exactamente 2
C) f(x)=
36 patos?
x
D) f(x)=
36 A) Aproximadamente 1/4
E) Ninguna de las anteriores B) Aproximadamente 2500 días
C) Exactamente 2500 días
D) Aproximadamente 5000 días
E) Exactamente 1000 días
20. En la tabla adjunta se muestra la función de

18. En un programa de talentos la probabilidad de probabilidad de una variable aleatoria X.
que un postulante sea aceptado es 1/10. Si en una
sesión hay 8 postulantes ¿Cuál es la probabilidad X 0 1 2 3
de que exactamente 3 postulantes sean aceptados? P(X = x) a 2a 3a 4a
3 5 Se afirma:
 5  1   9 
A)       I. La función de distribución de X,
 3  10   10 
evaluada en 2, corresponde a 0,3
3 5
 8  1   9  II. La función de probabilidad de X
B)      
 3  10   10  evaluada en 1 corresponde a 0,2
3 III. El valor esperado de la variable
 8  1 
C)     aleatoria es 1,5
 3  10  No son verdaderas:
8
 8  1 
D)    
 3  10  A) Sólo I
8 B) Sólo II
 1
E)   C) Sólo III
 10  D) I y III
E) II y III

21. En un control de calidad, se dejan caer 1000 23. En un curso de 38 estudiantes, de los cuales
botellas de vidrio y se define la variable aleatoria 19 son mujeres y 19 son varones, se escoge un
X como el número de botellas que se quiebran. Si integrante al azar. Se define la variable aleatoria
la probabilidad de que una botella se quiebre es X ∼ Bernoulli (p), que toma el valor 1 cuando
9/10, entonces al aproximar esta variable aleatoria se escoge una mujer y 0 cuando se escoge un
mediante una distribución normal X∼ (μ,σ2), el valor varón. ¿Cuál es el parámetro p para esta variable
de σ es: aleatoria?
A) 30 A)19
B) 1000 B) 1
C) 3 10 C) 0,4
D) 900 D) 0,5
E) 90 E) Otro valor
22. Una variable aleatoria X tiene por recorrido 24. Una variable aleatoria tiene una distribución
al conjunto {1, 2, 3}. Si F(x) es su función de binomial de parámetros n y p, ¿Cuál de los
distribución y F(2) = 0,9, entonces P(X = 3) = siguientes no puede ser el valor de (n,p)?
A) 0,1 1
A) (9, )
B) 0,9 2
C) 1 4
B) (3, )
D) 0 9
E) Otro valor 1
C) (2, )
5
9
D) (9, )
7

25. En un estudio social se entrevistará a 10.000 27. Se ordenan al azar las letras de la palabra
personas y se preguntará si comen queso en el “PREUGAUSS” y se define la variable aleatoria X
desayuno. Se estima que el 60% de las personas como el número de letras que quedan en el lugar
come queso al desayunar. Si se modela el número correcto. Interpretando el concepto de variable
de personas encuestadas que responde que come aleatoria como función ¿Cuál es el valor de
queso durante el desayuno como una variable X (AUEUPRGSS)?
aleatoria de distribución binomial y se aproxima
mediante una distribución normal, la probabilidad A) 1
de que al menos 4.000 personas respondan que no B) 2
comen queso es: C) 3
D) 4
A) 0,5 E) 5
B) 0,749
C) 0,67
D) 0,977
E) Otro valor
26. Si X es una variable aleatoria de distribución 28. Al lanzar un dado común y definir la variable
binomial con parámetros 5 y 0,4 e Y es una variable aleatoria X como el resultado obtenido, la función
aleatoria de distribución binomial independiente de de distribución es:
X con parámetros 3 y 0,4, entonces
1
A) F(x) =
2 6
A) X + Y  Bin(8, ) x
5 B) F(x) =
2 6
B) X + Y  Bin(4, ) C) F(x) = x
5
4 D) F(x) = 3,5
C) X + Y  Bin(8, )
5 E) Otro valor
4
D) X + Y  Bin(4, )
5

29. Con respecto a una variable aleatoria continua 31. Se puede conocer el valor esperado de una
es siempre cierto que: variable aleatoria discreta X si se sabe:
A) Puede tener un recorrido finito (1) La función de probabilidad toma el

B) Todos los elementos del recorrido tienen distinta mismo valor en todos los elementos del
probabilidad recorrido
C) Su recorrido es el conjunto de los números reales (2) El recorrido de la variable aleatoria es
D) Su dominio es infinito {1,2,3,4,5,9,11}
A) (1) por sí sola
B) (2) por sí sola
C) Ambas juntas, (1) y (2)
30. Se lanzan 10 monedas y se define la variable

aleatoria X como la razón entre la cantidad de caras 32. Un ropero tiene n pares de zapatos. Se extraen
y el sucesor de la cantidad de sellos. ¿Cuál de los al azar, sin reposición 2r zapatos y se define la
siguientes números no pertenece al recorrido de X? variable aleatoria X como el número de zapatos que
fueron extraídos sin extraer a su pareja. Se puede
determinar el recorrido de X si
1
A)
2 (1) r = 3
4 (2) n = 9
B)
7
8 A) (1) por sí sola
C)
3 B) (2) por sí sola
D) 10 C) Ambas juntas, (1) y (2)
E) Todas las alternativas anteriores pertenecen al
E) Todas las alternativas anteriores pertenecen al recorrido de X D) Cada una por sí sola, (1) ó (2)
recorrido de X E) Se requiere información adicional

33. Se tiene una cierta cantidad de fichas rojas y 35. Se tiene una urna con 20 bolitas iguales en cuyo
blancas repartidas en dos urnas. Se extrae una exterior se escribieron números naturales. Si defi-
ficha de cada urna y se define la variable aleatoria X nimos la variable aleatoria X como “la cantidad de
como “la cantidad de fichas rojas extraídas”. Si en números pares que se obtienen al sacar 5 bolitas
cada urna hay fichas de un único color, entonces el sin reposición”. Si P(X ≤ 2)=1 podemos asegurar que
recorrido de la variable aleatoria es: en la urna:
A) {1} I . Hay 18 números impares y 2 números

B) {0,1} pares
C) {10} II. Hay como máximo 2 números pares
D) {0,1, 2, 3, 4, 5, 6, 7, 8, 9,10} III. La probabilidad de obtener solo
E) [0,10] números impares al realizar el
experimento es 0
A) Solo I
B) Solo II
C) Solo III
D) I y II
E) I, II y III
34. Se tiene un saco con fichas de diferentes

colores. Se extraen 3 fichas al azar y se define la
variable aleatoria X como “la cantidad de fichas
azules extraídas”. Si P(X >1) = 0 entonces P(X = 1) =
36. Para el experimento de extraer una bolita de
A) 1 una urna que contiene 18 bolitas iguales coloreadas
B) 0 unas de blanco y otras de azul se define la variable
1 aleatoria X como “la cantidad de bolitas blancas
C)
2 extraídas”. Si sabemos que P(X = 0 )= 4 , entonces
1 P(X ≤ 1) = 9
D)
3
E) No se puede determinar 5
A)
9
B) 1
1
C)
2
8
D)
18
E)No se puede determinar

37. Se lanza una moneda n veces y se define la 39. De una urna con bolitas rojas, azules y blancas
variable aleatoria S como "la cantidad de sellos que se extraen dos bolitas y se define la variable
aparecen”. Si P(S = 0) = 1 entonces n = aleatoria X como “la cantidad de bolitas blancas
8 extraídas”. Se pueden determinar los posibles
A) 3 valores de X si sabemos que:
B) 8
C) 24 (1) La probabilidad de que las dos bolitas
D) 2 extraídas sean azules es de un 20%.
E) 1 (2) La probabilidad de no obtener ninguna
bolita azul es de un 50%.
A) (1) por sí sola

B) (2) por sí sola
38. Dado un experimento aleatorio, se define una

variable aleatoria X tal que los valores posibles son
{0, 1, 2, ..., 19, 20}. Al respecto, es siempre verdade- 40. Un saco contiene 10 fichas con letras del abece-
ro que dario. Se procede a sacar una ficha de la bolsa, se
registra la letra y se devuelve a la bolsa, luego se
I. P(X = 0) = P(X = 1) = P(X = 2) =...= P(X = 20)
extrae una segunda ficha y se registra la letra. Se
1
II. P(X ≤ 10) = define la variable aleatoria V como “la cantidad de
2 vocales extraídas”. Podemos saber el recorrido de
III. P(X ≤ 20) = 1
la variable aleatoria V si sabemos que
A) Solo I
(1) La probabilidad de obtener al menos una
B) Solo III
consonante es 9
C) I y II 25
D) I y III
(2) La probabilidad de obtener dos
E) I, II y III
consonantes es de 2
50
A) (1) por sí sola
B) (2) por sí sola

MIS ANOTACIONES

NOMENCLATURA
∀ Para todo
∃ Existe
{a, b, c . . .} Conjunto formado por los elementos a, b, c . . .
∈ Pertenece
∉ No pertenece
⊂ Subconjunto
∪ Unión
∩ Intersección
A c Complemento de A
φ Conjunto vacío
R2 Plano cartesiano
R3 Espacio Euclidiano
(a, b) Par ordenado
(a, b, c) Trío ordenado
A × B Producto cartesiano entre A y B
N Números naturales
N0 Números cardinales
Z Números enteros
Q Números racionales
I Números irracionales
R Números reales
C Números complejos
= Igualdad
≡ Equivalencia
∼ Semejantes
≅ Congruentes
> Mayor que
< Menor que

≥ Mayor o igual que

≤ Menor o igual que
z Conjugado de z
f(x) Función con variable independiente x
f−1(x) Función inversa de f(x)
± Suma o resta
±
Resta o suma
ln Logaritmo natural o logaritmo en base e
Σ Sumatoria
[a, b] Intervalo cerrado desde a hasta b
(a, b) o ]a, b[ Intervalo abierto desde a hasta b
(a, b] o ]a, b] Intervalo semi-abierto desde a hasta b
C(n, k) Combinación de n sobre k
V (n, k) Variación de n sobre k
fi Frecuencia
x Media aritmética o promedio
Me Mediana
Mo Moda
σ Desviación estándar
σ2 Varianza
PQ Segmento desde el punto P hasta Q
/ / Paralelos
⊥ Perpendicular
AB Arco desde A hasta B
sin(α) Seno de α
cos(α) Coseno de α
tan(α) Tangente de α
m Pendiente de la recta y = mx + n
n Coeficiente de posición de la recta y = mx + n

HOJA DE RESPUESTAS
Capítulo 1 Capítulo 2 Capítulo 3 Capítulo 4
Página 17 Página 46 Página 67 Página 83
1A 21 B 1A 21 B 1A 21 A 1C 21 C
2B 22 B 2B 22 E 2C 22 C 2D 22 A
3B 23 B 3E 23 C 3B 23 C 3A 23 D
4C 24 B 4A 24 E 4A 24 E 4A 24 D
5A 25 E 5E 25 D 5D 25 C 5C 25 A
6C 26 B 6C 26 A 6B 26 A 6C 26 A
7E 27 E 7D 27 E 7C 27 A 7B 27 C
8C 28 B 8C 28 C 8E 28 C 8B 28 B
9C 29 B 9D 29 B 9C 29 C 9D 29 D
10 C 30 B 10 A 30 C 10 E 30 C 10 C 30 A
11 B 31 E 11 D 31 B 11 E 31 D 11 E 31 C
12 A 32 A 12 B 32 D 12 D 32 B 12 D 32 C
13 D 33 C 13 C 33 C 13 D 33 D 13 E 33 A
14 D 34 D 14 C 34 C 14 B 34 C 14 D 34 E
15 E 35 D 15 B 35 A 15 D 35 A 15 B 35 B
16 C 36 E 16 A 36 B 16 E 36 C 16 D 36 B
17 C 37 D 17 D 37 A 17 D 37 E 17 C 37 A
18 C 38 B 18 A 38 C 18 C 38 E 18 B 38 B
19 B 39 C 19 A 39 B 19 A 39 D 19 B 39 E
20 B 40 A 20 E 40 A 20 B 40 A 20 D 40 D


Libro 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro 4

Cargado por

Copyright:

Formatos disponibles

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

scrcrd17@hotmail.com. Se prohibe su reproducción. Si quieres acceder gratuitamente a

Mauricio Andrés Chiong C.

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

En éste se plasma el conocimiento adquirido en arduos años de estudio, desde mi

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

La estadística tiene dos ramas principales, una es la estadística descriptiva que se

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

1 2 2 3 5 1 Notamos que obtenemos que el recorrido

La otra es cuando el recorrido de la variable también es muy

12 23 21 37 52 11 Podemos notar que en este caso el

Tiempo de atraso Frecuencia

En lo mostrado anteriormente, se usa la frecuencia o frecuencia absoluta (que es re-

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

la variable pedida, pero existen otros tipos de frecuencia también

7 Frecuencia absoluta acumulada

7 Frecuencia relativa acumulada

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Entonces su gráfico de barras o histograma será

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Tiempo de atraso Frecuencia Frecuencia relativa

Por lo tanto, el gráfico circular

MEDIDAS DE POSICIÓN O TENDENCIA CENTRAL

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

3 Q1: Es la mediana de la primera mitad de los elementos

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

1. La siguiente tabla muestra la distribución de los 3. El gráfico de la figura representa el número de

¿Qué porcentaje de los alumnos del curso obtuvo 12 8

2. Según información del INE (Instituto Nacional

A) Cursan estudios universitarios 40.000 habitantes.

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

4. La siguiente tabla muestra la distribución de

200 5. Se quiere construir un gráfico circular a partir de

II. 168 - 172,9 6

200 ¿Cuál debería ser la medida del ángulo

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

7. La tabla muestra los resultados de una prueba de A) 5

El representante del intervalo modal es

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

I. La mediana es igual a la moda

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

13. En la siguiente tabla se muestran las notas de

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

16. Dada la siguiente tabla 17. Dados los datos 1, 1, 2, 3, 5, 1, 5, 2. La

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

26. La tabla adjunta, muestra el resultado obtenido

Curso Promedio Desviación

A) 14 I. El curso de la mañana es el más heterogéneo

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Pt1 + Pt2 + Pt3 + Pt4 + Pt5

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

Vainilla Piña 3 Leches Frutilla

¿Cuál(es) de las siguientes afirmaciones es(son)

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

I. Se matricularon 66 alumnos en Febrero

Este material fue descargado para uso exclusivo de Oscar Rodriguez,

A) Solo I [10 - 15[ 10