FTC PrimeraEdicion

Fundamentos de Técnicas Cuantitativas
Alejandra M. Martínez
Martinez, Alejandra Mercedes
Fundamentos de técnicas cuantitativas / Alejandra Mercedes Martinez. -
1a ed. - Ituzaingó : Alejandra Mercedes Martinez, 2019.
Libro digital, PDF
Archivo Digital: descarga y online

ISBN 978-987-86-3052-6
1. Matemática. 2. Probabilidades. 3. Estadísticas. I. Título.

CDD 510
Agradecimientos
En primer lugar quiero agradecerle a todas las personas que, al escuchar que me encontraba
escribiendo un libro, me alentaron y felicitaron.
A mi mamá, porque siempre me acompaña y busca lo mejor de y para mí.
A Nicolás, que me tuvo una enorme paciencia, me alentó a que lo escribiera, y me ayudó
muchísimo con su lectura crítica.
A Vanina, que leyó las diferentes versiones desde el inicio de la escritura y colaboró con sus
comentarios y correcciones.
Y por último y no menos importante, a mi tía chiquita (Elena Martínez), que es mi fuente de
inspiración en esto y en todo lo relacionado con la matemática, que además es la mejor matemática,
la más dulce, buena y con un ojo crítico increíble que todo lo que toca lo mejora exponencialmente
(con exponente grande y porque ella es una mujer más grande que uno).
Prólogo
Siempre quise escribir un libro. Durante mis años como alumna, más de una vez pensé en que
sería un libro para secundario, entretenido pero serio, con un espíritu parecido al que había usado
yo los últimos años del colegio pero a su vez muy diferente a los que había visto de mis alumnos
cuando daba clases particulares. Hace sólo unos años atrás creí que sería mejor que escribiera un
libro de programación en mi tan amado lenguaje R, un libro que ayudara a los docentes a dar sus
clases... pero este libro tenía sentido sólo en su versión online, no impresa, y ya había cientos de
libros con exactamente el mismo espíritu (y la misma enorme cantidad de videos tutoriales).
En 2017 surgió la necesidad de acompañar la asignatura Fundamentos de Técnicas Cuantitativas
de la Licenciatura en Información Ambiental de la Universidad Nacional de Luján con alguna
bibliografía que abarcara muchos de sus diversos contenidos, para un nivel correspondiente a un
primer año de la Universidad, con alumnos que no tuvieran otra materia de matemática entre ésta
y sus materias de secundario. Los libros que formaban parte de la bibliografía de la asignatura
eran muchos, para contemplar la totalidad de los contenidos, y con niveles variados, dado que
ciertos temas de la asignatura se suelen abordar desde el supuesto de un conocimiento preexistente
usualmente provisto por materias previas de matemática.
En 2019 alcancé este objetivo. El presente libro contempla muchos de los principales contenidos
de la asignatura en cuestión. Espero que para el lector, el mismo resulte llevadero, educativo y
entretenido.
Contenidos
1 Cálculos combinados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Conjuntos numéricos 9
1.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Potenciación y radicación 10
1.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2 Propiedades de la potenciación y la radicación . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Factorización 14
1.3.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Sumatorias y productorias 16
1.4.1 Sumatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.2 Productorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Caso de factoreo: factor común 20
1.5.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Ecuaciones 22
1.6.1 Valor absoluto o Módulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.7 Intervalos 26
1.7.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.8 Inecuaciones 32
1.8.1 Inecuaciones con valor absoluto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.8.2 Otras inecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.8.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.9 Ejercicios surtidos 39
2 Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1 Representación de puntos en el plano 45
2.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2 Funciones 46
2.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.3 Funciones lineales 53
2.3.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.4 Funciones cuadráticas 59
2.4.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.5 Funciones partidas 68
2.5.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3 Técnicas de conteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.1 Regla del producto 75
3.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2 Permutaciones 78
3.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.3 Variaciones 81
3.3.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.4 Combinaciones 85
3.4.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.1 Espacios muestrales equiprobables 94
4.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.2 Propiedades de probabilidades 97
4.2.1 Diagrama de Venn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2.2 Más sobre probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.2.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

5.1 Variables aleatorias discretas 107
5.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
5.1.2 Esperanza, varianza y desvío estándar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.1.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.1.4 Distribución binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.1.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.2 Variables aleatorias continuas 134
5.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.2.2 Esperanza de una variable aleatoria continua . . . . . . . . . . . . . . . . . . . . . . . . 139
5.2.3 Distribución uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.2.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.2.5 Distribución normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.2.6 Distribución normal estándar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.2.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5.2.8 Cálculo de probabilidades de variables aleatorias normales . . . . . . . . . . . . 160
5.2.9 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6 Estadística descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

6.1 Variables cuantitativas 168
6.1.1 Medidas de posición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
6.1.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.1.3 Medidas de dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.1.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.1.5 Histogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
6.1.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.2 Variables cualitativas 191
6.2.1 Gráficos de barras y gráficos circulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6.2.2 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
7 Regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

7.1 Introducción 197
7.2 Recta de regresión lineal simple 198
7.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
7.3 Coeficiente de correlación y coeficiente de determinación 203
7.3.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
7.4 Predicción 206
7.4.1 Predicción directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
7.4.2 Predicción inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
7.4.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
8 Elementos de planificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

8.1 Grafos 209
8.1.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
8.2 Método de la Ruta Crítica 214
8.2.1 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
9 Anexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
9.1 Arimética básica 251
9.1.1 Suma y resta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
9.1.2 Multiplicación y división . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
9.1.3 Los paréntesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
9.1.4 Signos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
9.1.5 Separación en términos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
9.1.6 Propiedad distributiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
9.2 Fracciones 257
9.2.1 Suma y resta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
9.2.2 Multiplicación y división . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
9.2.3 Simplificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
9.2.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
9.3 Tabla Normal 265
Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Índice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
1. Cálculos combinados
En este primer capítulo nos enfocaremos, principalmente, en realizar un pequeño repaso sobre
números, notación y cálculos algebraicos.
1.1 Conjuntos numéricos

Existen diferentes conjuntos numéricos. Los más conocidos son:
• N: el conjunto de los números naturales. Este conjunto está formado por los números
1, 2, 3, 4, ... Es un conjunto infinito y que no contiene al número 0.
• N0 : el conjunto de los números naturales con el 0 incluido, es decir, el conjunto formado por
los números 0, 1, 2, 3, 4, ....
• Z: el conjunto de los números enteros. Este conjunto está formado por los números ...,
−4, −3, −2, −1, 0, 1, 2, 3, .... Es decir, contiene a los números naturales y al 0 pero tiene
además las “versiones negativas” de los números naturales (que son positivos por definición).
Es fácil ver que este conjunto contiene al conjunto anterior.
• Q: el conjunto de los números racionales. Este conjunto está formado por todos los números
que se obtienen como división de dos números enteros (sin que sea el 0 el número por el que
se divide). Es decir, contiene a números como el 0.3̂ (es decir, el 0.33333...), −8.5, 0, 45,
−3.4572, b etc.
Observación: los números con periodicidad, indicada con .̂, se obtienen a partir de la división
de dos números enteros. Por ejemplo, 4/3 = 1.3̂ o −5/9 = −0.5̂. Este conjunto (Q) contiene
a los números enteros (Z) dado que todo número entero se puede escribir como ese número
dividido el número 1. Por ejemplo, 4 = 4/1 o −235 = −235/1.
• R: el conjunto de los números reales. Este conjunto está formado por todos los números
raciones (Q) junto con todos los otros restantes números que no se pueden escribir como
división de dos número enteros. Por ejemplo,
π = 3.141592653589793...
√
2 = 1.414213562373095...
e = 2.718281828459045...
10 Capítulo 1. Cálculos combinados
entre otros.
Observación: en matemática solemos usar los puntos suspensivos para indicar que algo continúa
por muchas veces más o incluso infinitamente, ya sea de una manera conocida como desconocida.
Para expresar un número con decimal usaremos “,” o “.”. Su elección dependerá de cuán claro
quede indicado el número. Por ejemplo: en lugar de 3, 5, 7 y 8 para indicar tres números y uno solo
de ellos con decimal, diremos: 3.5, 7 y 8. De la misma manera, si se tuvieran que multiplicar los
números, por ejemplo, 3, 5 y 7 escribiremos: 3, 5.7 y no 3.5.7.
Una manera de indicar que un número pertenece o no pertenece a un conjunto dado es con el
símbolo ∈ y ∈,/ respectivamente. Por ejemplo, 2 ∈ N pero 0.5 ∈ / N o bien π ∈ R pero π ∈/ Q.
1.1.1 Ejercicios
1. Determinar si las siguientes expresiones son verdaderas (V) o falsas (F):
(a) 3 ∈ N (e) e ∈
/ N0
√
(b) 4.5 ∈ R (f) 3∈
/R
(c) e ∈ N (g) 0 ∈
/N
√
9∈Q
(d) 4.b (h) 7∈N
Para un repaso de aritmética básica con números reales y un repaso de fracciones, ver el Anexo
(Capítulo 9).
1.2 Potenciación y radicación

Definición 1.1 — Potenciación. La potenciación es una operación matemática entre dos
términos denominados: base (por ejemplo b) y exponente (por ejemplo n). Consideremos el
caso en que el exponente n es un número natural. En este caso, la operación bn , que se lee
como “b elevado a la n”, significa multiplicar a b por él mismo tantas veces como lo indique el
exponente n. Por ejemplo, 25 = 2 · 2 · 2 · 2 · 2 (que es igual a 32), o bien 32 = 3 · 3 (que es igual
a 9). Cuando el exponente es un 2, se dice “al cuadrado”. Por ejemplo, 32 se lee como “3 al
cuadrado”. Si el exponente es un 3, se dice “al cubo”. Por ejemplo, 53 se lee como “5 al cubo”.
Cuando el exponente es un 0, cualquier número distinto de 0 elevado a la 0 es un 1. Por ejemplo,
30 = 1 y 2530 = 1.
En el caso de potenciaciones, el uso de paréntesis es necesario para poder diferenciar dos

cálculos diferentes. Por ejemplo,
(−1)2 6= −12
El término de la izquierda es equivalente a hacer (−1).(−1) = 1. Por el contrario, el término de la

derecha es lo mismo que hacer −(1.1) dado que lo que se está elevando al cuadrado no es el −1
sino que es el 1.
Observación: cuando el exponente es un número natural, toda potenciación es exactamente igual
a una multiplicación. Por ejemplo, (3−1)2 = (3−1)(3−1) = 2·2 = 4 o (−4)3 = (−4)(−4)(−4) =
−64.
Otro ejemplo sería resolver
−(−2)3
Para hacer ese cálculo, ¿qué deberíamos resolver primero? La respuesta es “el cubo”. O sea,
primero debemos hacer (−2)3 . Como esto es (−2).(−2).(−2) el resultado es −8. Es decir, por
ahora tenemos que
−(−2)3 = −(−8)
Luego, usando la regla de los signos, se tiene que
−(−2)3 = −(−8) = 8
Definición 1.2 — Radicación. Es un caso particular de la potenciación en la que el exponente

es una fracción. Su definición formal es: la radicación de orden n de un número a es cualquier
número x tal que xn = a, donde n se llama índice u orden, a se denomina radicando y x es una
raíz n−ésima.
√
En general, cuando hay más de un número x que resuelve xn = a, la notación n a se refiere al
número positivo que la resuelve (y éste es único). Para indicar el número negativo que resuelve la
√
ecuación se usa − n a. Esto pasa siempre que a sea un número positivo y n sea un número par.
Cuando n es impar, no importa si a es positivo, negativo o 0, hay un único número que resuelve
√
xn = a y a éste se lo denota directamente como n a.
Observación: La raíz positiva, o simplemente raíz, de orden 2 de a (a es un número positivo) se
√ √
llama raíz cuadrada de a y se escribe como a o también 2 a. Además, la raíz negativa de orden 2
√
de a es − a.
√
La raíz de orden 3 de a se llama raíz cúbica de a y se denota como 3 a.
Las raíces de órdenes superiores se nombran usando los números ordinales, por ejemplo, raíz cuarta
o raíz séptima.
En algunas ocasiones las raíces de algunos números dan números enteros.
√ √
Ejemplo 1.1 La raíz cuadrada de 4 es 2, es decir, 4 = 2. ¿Por qué?
√ Porque si llamamos x = 4
entonces, por la definición x2 = 4. Luego, x = 2. Recordemos que 4√se refiere únicamente a la
solución positiva del problema planteado en la definición y por eso 4 = 2. Si√quisiéramos la
solución negativa del problema que es el −2, entonces diríamos que √ queremos − 4 = −2.
La raíz cúbica de −27 es −3. Observemos en este caso que si x = 3 −27 entonces, por definición,
es claro que x3 = −27 y esto puede ocurrir
√ solamente con x siendo un número negativo. Además,
como 33 = 27, entonces resulta que 3 −27 = −3.
√
Es importante notar que en los reales no siempre hay solución. Por ejemplo, −1 no tiene
solución real porque no existe x ∈ R tal que x2 = −1.
De todas formas, lo que nos interesa son las propiedades y, para ello, la siguiente relación es lo
más importante: dado b > 0 √n 1
b = bn .
Es decir, la radicación no es otra cosa que la potenciación con exponente fraccionario, tal como lo
habíamos anticipado.
Ejemplo 1.2 Algunas radicaciones escritas como potenciaciones son:
√ 1
• √5 = 5 2
5 1
• 7 = 75

Por último, una propiedad que suele ser interés es la siguiente:

Propiedades 1.2.1 n
a −n b
=
b a
Es decir, una potencia negativa se puede convertir en positiva “dando vuelta” la fracción.
Ejemplo 1.3 Algunas aplicaciones de esta propiedad son:
−2 2
3 5 25
• = =
5 3 9
3
1 1
• 2−3 = =
2 8
− 21
1 1 √
• = 92 = 9 = 3
9

1.2.1 Ejercicios
1. Calcular
(a) 23 √
(k) ( 5 32)3
(b) 32 23
(l) ( 23 )−3
(c) (−1)5
9 −2 1
(m) ( 16 )
(d) (−5)2 √
(n) ( 4)−1
(e) −23 2
(o) − − 15
(f) −(−3)4
3 3

√ (p) − 5
(g) 16
√ (q) 23 − 33 + (−1)4
(h) 4 16
√ (r) (−3)2 ((−1)2 − (−4)3 )
(i) 3 −1 (s) 22 (32 − 5) + (−1)3 (23 − 15 )
√ √ √
(j) ( 9)2 (t) 49(3 − 5) + (−2)2 1 − 3 −8
1.2.2 Propiedades de la potenciación y la radicación

A continuación veremos algunas propiedades de la potenciación y, por lo tanto, también de la
radicación.
Propiedades 1.2.2 Sea a, b > 0 y n, m ∈ R. Luego
1. an .am = an+m . A veces, esta propiedad se la menciona como “Potencia por potencia, se
suman”,
an
2. m = an−m . A veces, esta propiedad se la menciona como “Potencia dividido potencia, se
a
restan”, y
3 . (an )m = an.m . A veces, esta propiedad se la menciona como “Potencia de potencia se
mutiplican”.
4. Propiedad distributiva de la potenciación: (a.b)n = an .bn , es decir, es distributiva con la
a n an
multiplicación. También vale que = n , es decir, es distributiva con la división.
b b
Es importante observar que la potenciación no es distributiva ni con la suma ni con la resta.
Si bien en la Sección anterior fue considerado únicamente el caso en que n era un número
natural, las propiedades son válidas para n ∈ R.
Ejemplo 1.4 Aplicar propiedades de potenciación y, en los casos en los que sea posible, dar el
resultado numérico:
3
2 7 3 2 a2 2b3
(a) 32 35

(b) x (c) 5 − 7x (d)
2a4 b

Solución:
(a) Aplicando la primera propiedad, se tiene que 32 35 = 32+5 = 37 = 2187.
7
(b) Aplicando la tercera propiedad, se tiene que x2 = x2.7 = x14 .
(c) Como la potenciación no es distributiva ni con la suma ni con la resta, debemos usar la
definición de potenciación. Luego, (5 − 7x3 )2 = (5 − 7x3 )(5 − 7x3 ). Aplicando la propiedad
distributiva de la multiplicación, la regla de los signos y haciendo las multiplicación de los
números cuando corresponde, se tiene que
(5 − 7x3 )(5 − 7x3 ) = 25 − 35x3 − 35x3 + 49x3 x3
Por último, aplicando la primera propiedad y agrupando los dos términos que se pueden
agrupar, se ve que
25 − 35x3 − 35x3 + 49x3 x3 = 25 − 70x3 + 49x6 .

3
a2 2b3 (a2 )3 23 (b3 )3
1. Aplicando primero la propiedad distributiva = . Luego, la propiedad
2a4 b 2a4 b
2 3 3 3
(a ) 2 (b ) 3 2.3
a 2 b3 3.3 6 3
a 2 b 9 a6 23 b9
4, = = . Por último, aplicando la propiedad 2, =
2a4 b 2a4 b 2a4 b 2a4 b
6−4 3−1 9−1 2 2 8 2 8
a 2 b = a 2 b = 4a b .
Ejemplo 1.5 Aplicar propiedades a los siguientes cálculos con radicales:
s
√ √ √ √
3
√ 3 26 x 3
(a) 35 (b) 32 (c) 2 2 (d) 25x4 (e)
y9
Solución:
√ 1
(a) Aplicando la propiedad que relaciona la radicación con la potenciación, 35 = 35 2 . Luego,
√ 1 5
aplicando la propiedad 3, resulta que 35 = 35 2 = 3 2 .
√ 2
(b) √
De √la misma manera se ve que 32 = 3 2 = 31 = 3.
1 1 1 1 5
(c) 2 2 = 2 2 2 3 = 2 2 + 3 = 2 6 .
3
√ √ √
(d) Por la propiedad 4 con exponente fraccionario, 25x 4 = 25 x4 . Luego, aplicando la
√ 4
relación entre radicación y potenciación resulta que s 25x
4 = 5x 2 = 5x2 .
1
6 3
3 2 x 26 x3 3
(e) Pensando en exponente fraccionario se ve que = . Luego, aplicando la
y9 y9
6 3 13 1 1
2 x (26 ) 3 (x3 ) 3
propiedad 4 (propiedad distributiva), = 1 . Por último, aplicando la
y9 (y9 ) 3
1 1 1 1
(26 ) 3 (x3 ) 3 26 3 x 3 3 22 x1 4x
propiedad 3, resulta que 1 = 1 = = 3.
(y9 ) 3 y9 3 y3 y

1.2.3 Ejercicios
1. Simplificar las siguientes expresiones aplicando propiedades. En los casos en los que sea
posible, dar el resultado numérico.
(a) 23 22
√ √
(j) x3x
(b) a6 a3 6
√ (k) p5
(c) 9 √
√ (l) ( 2)4
(d) 3 8 4
(m) 3mn2
(e) (2x)3 h 2 i2
(n) y2 3y2 : (9y4 )
(f) (3yz)2 p
a3h−1 a2h−2

√3 (o)
(g) x3 27 a4h−3
2
√ (p) 27 p−1 q3−p
(h) 4x6
√ √
h 2 i3
(i) b b (q) (3x)2 5x3
2. Desarrollar:
(a) (2 + a)2 (d) (−2m + 3)3

3
(b) (2 − 3x)2 (e) 4a2 − 2b2
2 3
(c) 2x5 + 3 (f) −3x2 − y3
3. Desarrollar:
(a) (3c − 2b) (3c + 2b) (b) (8 + 4x) (8 − 4x)
1.3 Factorización
Si bien las definiciones presentadas a continuación se pueden extender a los números enteros no
nulos (es decir, sin el 0), lo que sigue se hará sólo con los números naturales (que es el caso más
habitual).
Comencemos recordando a qué se llama divisor de un número.
Definición 1.3 — Divisor. Un divisor de un número entero n es un número entero tal que, tras
dividir a n por dicho número se obtiene un número entero, es decir, el resto de hacer la división
es 0. Otra forma de decirlo es que si m es divisor de n entonces existe un número entero k tal
que m.k = n.
Recordemos a qué se llama número primo.

1.3 Factorización 15
Definición 1.4 — Primos. Un número primo es un número natural que tiene únicamente dos
divisores naturales distintos.
Observación: A partir de la definición, ¿el número 1 es un número primo? La respuesta es no,
porque sólo tiene al 1 como único divisor natural.
Los primeros siete números primos son 2, 3, 5, 7, 11, 13, 17. Pero podríamos seguir porque hay
infinitos números primos.
Es claro entonces que si un número natural es primo significa que sus únicos divisores son él
mismo (siempre se puede dividir a un número distinto de cero por sigo mismo y el resultado es 1) y
el 1 (en cuyo caso el resultado de la división es el mismo número natural).
Ejemplo 1.6 Decidir si los siguientes números son primos o no.
(a) 5 (b) 6 (c) 45
Solución: Para responder si un número es primo hay que buscar sus divisores (aunque no
necesariamente todos en todos los casos).
(a) Los divisores del número 5 son únicamente el 1 y el 5, luego es un número primo.
(b) El número 6 tiene el 1, el 2, el 3 y el 6 como todos sus divisores positivos posibles, luego el 6
no es primo (porque estos divisores son 4 en total y no 2). Observemos que para ver si el
6 era primo bastaba con encontrar 3 (no hacía falta encontrarlos todos) ya que con 3 ya se
contradiría la definición de número primo.
(c) Algunos divisores de este número son el 1, el 5, el 3,... y se podría seguir (queda como tarea
para el lector hallar todos los divisores de 45), luego el 45 no es un número primo.

Ahora podremos definir el concepto de factorizar un número natural.

Definición 1.5 — Factorización. Factorizar es escribir un número como multiplicación de
otros (factores). En general, se considera factorizar al hecho de escribir un número como
producto de primos.
El teorema fundamental de la aritmética dice que cada entero positivo tiene una única descom-
posición en números primos. Esta factorización es única salvo el orden de los factores.
Observación: La factorización de un número primo es el mismo número y por lo tanto no tiene
mucho sentido factorizarlo.
Ejemplo 1.7 Factorizar los siguientes números:
(a) 6 (b) 8 (c) 45
Solución: Para factorizar los números hay que hallar todos los números primos que los dividen
e identificar además cuántas veces aparecen en la división del número.
(a) Por el ejemplo anterior sabemos que los número primos que dividen al 6 son el 2 y el 3.
Como la multiplicación de estos da como resultado el 6, entonces 6 = 2 · 3 es la factorización.
(b) El número 8 tiene sólo un primo, el 2, entre sus divisores. Sin embargo, el 2 aparece 3 veces
(porque 8/2=4, 4/2=2 y 2/2=1). Luego, 8 se factoriza como 8 = 2 · 2 · 2 = 23 .
(c) El número 45 se puede dividir por los primos 3 y 5, sin embargo, el 3 aparece dos veces
(45/5=9, 9/3=3 y 3/3=1). Luego, 45 = 3 · 3 · 5 = 32 5.

1.3.1 Ejercicios
1. Factorizar los siguientes números:
(a) 10 (c) 30 (e) 105
(b) 21 (d) 20 (f) 330
1.4 Sumatorias y productorias

1.4.1 Sumatorias
Hasta acá vimos algunas operaciones que se pueden hacer con números. Otra cosa que podríamos
tener es una fila de números, una secuencia, y en ese caso decimos que tenemos una sucesión
numérica. Por ejemplo:
a) 1 , 2 , 3 , 4 , 5 , ...
b) 2 , 4 , 6 , 8 , 10 , ...
1 1 1 1
c) 1 , , , , , ...
2 3 4 5
Muchas veces, lo que queremos hacer es sumar algunos elementos de esa sucesión. Por
ejemplo
a) sumemos los primeros 4 elementos de esa sucesión. Esto sería hacer
1 + 2 + 3 + 4 = 10
es decir, el resultado sería 10.

b) sumemos desde el segundo elemento hasta el sexto elemento. Recordemos que la sucesión
era
1 2 3 4 5 6 7...
2, 4, 6, 8, 10, 12, 14...
entonces
4 + 6 + 8 + 10 + 12 = 40 .
c) sumemos desde el tercero al quinto elemento:
1 1 1 47
+ + =
3 4 5 60
En matemática hay una forma de expresar la suma que queremos hacer pero, para ello, necesi-
tamos tener una expresión general de la sucesión.
Supongamos que la sucesión es a1 , a2 , a3 , a4 , ... donde el subíndice me dice en qué posición
estamos, o sea, el subíndice es la posición. Por ejemplo:
a) a1 = 1 a2 = 2 a3 = 3 a4 = 4 ...
¿Y a8 ? a8 = 8. ¿Y ak ? ak = k. O sea, con el ak podemos indicar a un elemento genérico de
la sucesión.
b) a1 = 2 a2 = 4 a3 = 6 ... ¿Y a5 ? a5 = 10 ¿Y a15 ? a15 = 30 ¿Y ak ? ak = 2k. El
elemento genérico es ak = 2k.
c) a1 = 1 a2 = 1/2 a3 = 1/3 ... ¿Y a7 ? a7 = 1/7 ¿Y a10 ? a10 = 1/10 ¿Y el ak ?
ak = 1/k. El elemento genérico de la sucesión es ak = 1/k.
Ahora que sabemos cómo se escribe un elemento cualquiera de la sucesión, podemos escribir de
manera matemática formal la suma pedida de la siguiente manera:
a) nos pedían sumar los primeros 4 elementos de la sucesión, esto sería hacer:
4
a1 + a2 + a3 + a4 = ∑ ak
k=1
4
1+2+3+4 = ∑k
k=1
El símbolo Σ, que se ve como una M invertida, es la letra griega sigma mayúscula y nos sirve
para simbolizar la suma.
Observemos que debajo del símbolo Σ va desde donde se quiere sumar y arriba dice hasta
donde se quiere sumar.
b) Ahora se pide sumar desde el segundo hasta el sexto, o sea,
6
a2 + a3 + a4 + a5 + a6 = ∑ ak
k=2
6
4 + 6 + 8 + 10 + 12 = ∑ (2k)
k=2
c) se pedía sumar desde el tercer elemento hasta el quinto elemento, o sea
5
a3 + a4 + a5 = ∑ ak
k=3
5
1 1 1 1
+ + = ∑k
3 4 5 k=3
Ejemplo 1.8 Calcular la siguiente suma:
5
∑ k2
k=2
Solución:
• ¿Cuál es el ak ? ak = k2 .
• ¿Cómo es la sucesión? La sucesión es a1 , a2 , a3 , ... o sea
12 22 32 42 52 ...
• ¿Cuáles nos interesa sumar? Sólo desde el segundo hasta el quinto, entonces
22 + 32 + 42 + 52 = 54
Entonces la respuesta es 54.

En general, lo que estamos haciendo es

n
∑ ak = am + am+1 + · · · + an
k=m
¿Cuántos elementos estoy sumando? Es claro que se suma desde am hasta an . No es difícil ver que
esos son n − m + 1 elementos. Por ejemplo, sumar desde a1 hasta a4 es sumar 4 elementos y no
“n − m” que daría 3.
Observación: si al elemento genérico lo llamamos a j en lugar de ak , o sea si llamamos j al
subíndice, lo único que cambia es cómo escribimos la sumatoria pero el resultado no va a cambiar.
O sea, es lo mismo poner
n n n
∑ ak = ∑ aj = ∑ ai = . . .
k=m j=m i=m
Ejemplo 1.9 Calcular la siguiente suma
6
j
∑ ( j + 1)2
j=3
j
Solución: El término general de la sumatoria es a j = . Los términos de la sucesión son
( j + 1)2
1 2 3 4 5 6 7
...
4 9 16 25 36 49 64
Nos interesa sumar sólo 4 elementos de esta sucesión, desde la posición 3 hasta la posición 6.
Luego,
6
j 3 4 5 6
∑ ( j + 1)2 = 16 + 25 + 36 + 49 ≈ 0.609
j=3

En algunos casos podría no tenerse la expresión genérica, si es que existe alguna.

Ejemplo 1.10 Considerando la siguiente tabla de datos:
k 1 2 3 4 5 6 7 8 9 10 11 12
yk -1,2 0 3,1 5 1 -2,1 3,3 -5 3 2,9 -2,3 0
Calcular:
4 8 12
(a) ∑ yk (b) ∑ (yk )3 (c) ∑ yk (yk − 2)
k=1 k=2 k=8
Solución: ¿Cuál es el término y3 ? y3 = 3, 1. ¿Y el y8 ? y8 = −5. Resolvamos ahora los items.

4
(a) ∑ yk = y1 + y2 + y3 + y4 = −1, 2 + 0 + 3, 1 + 5 = 6, 9
k=1
8
(b) ∑ (yk )3 = (y2 )3 + (y3 )3 + (y4 )3 + (y5 )3 + (y6 )3 + (y7 )3 + (y8 )3 = 03 + 3, 13 + 53 + 13 +
k=2
(−2, 1)3 + 3, 33 + (−5)3 = 57, 467
12
(c) ∑ yk (yk − 2) = y8 (y8 − 2) + y9 (y9 − 2) + y10 (y10 − 2) + y11 (y11 − 2) + y12 (y12 − 2)
k=8
= (−5)(−5 − 2) + 3(3 − 2) + 2, 9(2, 9 − 2) + (−2, 3)(−2, 3 − 2) + 0(0 − 2) = 50, 5

1.4.2 Productorias
Si nos interesa multiplicar los elementos de una sucesión en lugar de sumarlos usaremos el símbolo
Π (pi mayúscula). Lo que se hace con los números ahora es multiplicarlos en lugar de sumarlos.
Ejemplo 1.11 Calcular
4
k+1
∏ .
k=1 k
k+1
Solución: El término general de la sucesión es ak = k , es decir, que sus primeros elementos son
2 3 4 5
...
1 2 3 4
Si lo que queremos ahora es multiplicar los primeros 4 elementos de la sucesión, tenemos que
4
k+1 2 3 4 5
∏ = · · · = 5.
k=1 k 1 2 3 4

1.4.3 Ejercicios
1. Calcular las siguientes sumatorias:
5 7
(a) ∑ k3 (f) ∑ (−1)i i2
k=1 i=2
8 4
(−1)k
(b) ∑ (3 j − 2) (g) ∑ 2k + 1
j=1 k=1
8 7 7
(c) ∑ (3k − 2) (h) ∑ ( j2 + j) − ∑ j2
k=4 j=1 j=1
5 10
k−1
(d) ∑2 (i) ∑ k+1
k=1 k=5
8 (−1)i i2 + 1
6

3
(e) ∑ (−1) (j) ∑ 4i
i=3 i=1
2. Expresar como sumatoria las siguientes expresiones:

(a) la suma de los números naturales que van desde el 5 hasta el 10.
(b) la suma de los primeros diez números pares.
(c) la suma de la raíz cuadrada de los primeros 15 números naturales.
(d) la suma de la raíz cuadrada de los 20 primeros números impares.
(e) la suma de todos los cuadrados de los números naturales desde el 7 hasta el 30.
3. Considerando la siguiente tabla de datos:
q 1 2 3 4 5 6 7 8 9 10
Pq 12 5 4,6 7,1 9 11 5,5 1 3,4 6
Calcular:
8 10
(a) ∑ Pq (c) ∑ (Pq )2
q=4 q=1
1 10 6
(b) ∑ Pq
10 q=1
(d) ∑ [Pq (5 − Pq )]
q=2
4. Considerando la siguiente tabla:
i 1 2 3 4 5 6
xi 6 -2 3 3 2 -1
(a) Calcular el promedio de los datos, es decir,
∑6i=1 xi
x=
6
(b) Calcular la medida de variabilidad de los datos dada por

s
∑6i=1 xi2
σ= − (x)2
6
5. Calcular las siguientes productorias:
6
(a) ∏i
!
4
i=1
5
(e) ∏ i2 /64
i=1
(b) ∏ (2i − 1) 5
1

i=2 (f) ∏ 2 −
4
j=1 j
(c) ∏(3 j) !
8 8
1
!
j=1
6
(g) ∏ j2 ∏ j2
3i j=1 j=1
(d) ∏ i−2
i=3
6. Para la tabla del Ejercicio 3., calcular

4 12
Pq − 1
(a) ∏ Pq (c) ∏
q=1 q=6 3
7 3
Pq
(b) ∏ Pq − 1 (d) ∏ (Pq − 4)4
q=3 q=1
1.5 Caso de factoreo: factor común

El verbo factorizar consiste en escribir una expresión matemática como un producto de dos
expresiones matemáticas llamadas factores. El caso más sencillo de factoreo es el famoso “factor
común”.
El “factor común” se basa en la propiedad distributiva:
ab + ac = a(b + c)
El objetivo más usual del factor común (y para el que lo usaremos nosotros) es identificar el “a” que
hace que en “b” y en “c” queden la menor cantidad de “cosas” posibles. Veremos su aplicación
mediante un ejemplo.
Ejemplo 1.12 Tenemos la siguiente expresión
2x + 4x2
Si sacamos “factor común” a = 2 nos queda
2x + 4x2 = 2(b + c)
¿Cómo nos conseguimos b y c? Dividiendo cada término por el “factor común”, es decir,
2x 4x2
b= =x c= = 2x2
2 2
Luego,
2x + 4x2 = 2(x + 2x2 )
1.5 Caso de factoreo: factor común 21
Queda para el lector verificar que resolviendo el cálculo del miembro derecho de la igualdad
aplicando la propiedad distributiva se obtiene el miembro izquierdo. ¿Pero podríamos haber
incluído algo más en el factor común? Sí, tomando a = 2x. Luego,
2x + 4x2 = 2x(b + c)
¿Quiénes son b y c ahora?
2x 4x2
b= =1 c= = 2x
2x 2x
Luego,
2x + 4x2 = 2x(1 + 2x)
¿Podríamos tomar algo más en a de factor común? Ya no, porque en b y en c ya no hay más nada
en común (además del 1, por supuesto).
En general, para saber qué número sacar de factor común lo que debemos hacer es estudiar la
factorización de cada uno de los números involucrados y luego quedarnos con todos los primos que
aparezcan repetidos en todos los números y como exponente el más chico de los involucrados en la
factorización del número.
En el caso de las “letras”, el procedimiento es similar: el factor común tendrá solamente las letras
que se repitan en todos los términos con el menor exponente con el que aparezca.
Ejemplo 1.13 Factorizar sacando factor común la siguiente expresión matemática
24x2 y3 − 36xy2 z
Solución: Para hallar el factor común a que hace que en b y en c no quede nada en común debemos
estudiar los números por un lado y las letras por el otro.
• Números en común: factoricemos los dos números involucrados: 24 = 23 3 mientras que
36 = 22 32 . Luego, el número primo 2 y el número primo 3 aparecen en ambas factorizaciones.
Para saber con qué exponente quedarnos en cada caso, debemos elegir el más chico, es decir,
22 y 31 . Luego, el número que aparecerá en el factor común es 22 .3 = 4.3 = 12.
• Letras en común: comencemos primero por la x. Como la x aparece en ambos términos, la x
aparecerá en el factor común. ¿Con qué exponente? Con el más chico de los que aparece, es
decir, el exponente 1. Luego x1 o x aparecerá así en el factor común.
Como la letra y aparece en los dos términos, entonces aparecerá en el factor común. ¿Con
qué exponente? Con el más chico de los que aparece, en este caso el exponente será 2, es
decir, el factor común tendrá y2 .
Como la letra z no aparece en ambos términos, no aparecerá en el factor común.
De esta manera, el factor común que encontramos es a = 12xy2 . Nos falta hallar b y c. Para ello,
procedemos como antes
24x2 y3 36xy2 z
b= = 2xy c= = 3z
12xy2 12xy2
De esta manera,
24x2 y3 − 36xy2 z = 12xy2 (2xy − 3z)
Obsérvese que los signos se mantienen siempre en las mismas posiciones.
Es fácil ver que entre b y c ya no hay más nada en común (ni números ni letras) y que si
aplicamos la propiedad distributiva sobre el término de la derecha recuperamos el término de la
izquierda de la igualdad.
1.5.1 Ejercicios
1. Factorizar sacando “factor común” las siguientes expresiones algebraicas:
(a) 2x + 2y (f) 2x2 − 18
1 3 1
(b) 3x2 + 6xy (g) 9x − 9x
(c) xy2 + x2 y2 (h) 9a2 b2 − 3ab2 + 27a3 b3
(d) 3x2 + 21x + 36 (i) 3 (x + 1) (x + 2) − 3 (x + 1)
(e) 4x − 16x2 (j) (ab − 1)(a + b) − (ab + 1)(a + b)
1.6 Ecuaciones
Una ecuación es una igualdad entre dos expresiones matemáticas denominadas “miembros” en
las que aparecen elementos conocidos (o sea números para nosotros) y elementos desconocidos,
denominados “incógnitas”, que suelen ser letras (en general la letra usada es x cuando se trata de
una sola pero también se puede ser a, b, y, etc.).
Por ejemplo:
3x − 1}
| {z = + }x
9| {z
primer miembro o miembro izquierdo segundo miembro o miembro derecho
La igualdad planteada será cierta o falsa dependiendo de los valores numéricos que tomen las
incógnitas.
Por ejemplo: 3x − 1 = 9 − x es falsa para x = 1 ya que 2 = 10 es falso.
A los valores que la hacen cierta se los llama “soluciones”.
Objetivo: hallar, si es posible, la solución o las soluciones de la ecuación.
¿Cómo podemos hacer para hallar la solución o las soluciones de una ecuación?
Una de las cosas que solemos hacer para hallar las soluciones es intentar despejar la incógnita, es
decir, dejar la incógnita como único elemento de uno de los miembros y que el otro miembro tenga
sólo números.
Observación: tiene sentido intentar hacer esto cuando la ecuación involucra sólo una incógnita.
Por ejemplo:
3x − 1 = 9 + x pasamos restando x o, equivalentemente, restamos x de ambos lados
de la igualdad
3x − 1 − x = 9 pasamos al miembro derecho sumando el 1 que se encontraba
restando en el otro miembro
3x − x = 9 + 1 agrupamos
2x = 10 pasamos dividiendo el 2 que multiplica la x
x = 10
2
x = 5
Luego, x = 5 es la única solución de la ecuación. Otra manera más formal de decirlo es que las
soluciones son x ∈ {5}. Si hubiera más de una solución, esas otras irían a la bolsita de la llave, por
ejemplo, x ∈ {5; 2} o x ∈ {0; −1; 5} (el orden de los elementos es indistinto).
Observación: es indistinto si la incógnita queda sola en el miembro izquierdo o en el miembro
derecho. Por ejemplo, tener 5 = x es equivalente a tener x = 5.
Es equivalente “ir abajo” alineando los iguales que poner al lado ⇔. El ⇔ tiene la comodidad
de ocupar menos espacio en una hoja.
Ejemplo 1.14 Resolver las siguientes ecuaciones verificando el/los resultado/s obtenido/s:
1.6 Ecuaciones 23
4 1 2 3
(a) x−1 = − (b) − x + 1 = −1 (c) x − 5 = 2x
3 3 3 2
Solución:
(a) Lo resolveremos despejando x:
4 1
x−1 = − pasamos sumando el 1
3 3
4 1
x = − +1
3 3
4 2
x = pasamos dividiendo el 34
3 3
2
. .
x = 3
4
3
1
x =
2

1
Luego, las soluciones son x ∈ .
2
1
Para verificar que la solución obtenida es la correcta, debemos reemplazar x = en la
2
ecuación y obtener una expresión verdadera. Es decir,
41 1
−1 = −
32 3
2 1
−1 = −
3 3
1 1
− = −
3 3
1
con lo que queda verificado que x = es la solución.
2
(b) Lo resolveremos despejando x:
2
− x+1 = −1 pasamos restando el 1
3
2
− x = −1 − 1
3
2 2
− x = −2 pasamos dividiendo el −
3 3
. − 2.
x =
− 23
x = 3
Luego, las soluciones son x ∈ {3}.

Es fácil ver que x = 3 verifica la ecuación original.
(c) Nuevamente, despejando x, se tiene que
3 3 1 1
x − 5 = 2x ⇔ x − 5 − 2x = 0 ⇔ − x − 5 = 0 ⇔ − x = 0 + 5
2 2 2 2
1 5
⇔ − x = 5 ⇔ x = 1 ⇔ x = −10
2 −2
Finalmente, x ∈ {−10}.
Queda como ejercicio verificar que x = −10 es solución.

En algunas ocasiones no se puede despejar x pero sí se pueden hallar las soluciones fácilmente.
Por ejemplo:
(x − 1)(x + 2) = 0
Lo que podemos hacer en este caso es darnos cuenta que la única manera en que un producto de
dos números puede darnos 0 es que alguno de los dos sea 0. Observemos que x − 1 es uno de
los factores y x + 2 es el otro de los factores que aparecen multiplicados e igualados a 0. Luego,
x − 1 = 0 o bien x + 2 = 0. Ahora, tenemos dos ecuaciones muy sencillas en las que sí podemos
despejar x. De esta manera
x−1 = 0 o bien x + 2 = −0
x=1 x = −2
En definitiva, hay dos soluciones posibles y por lo tanto x ∈ {1; −2}.
¿Qué hacemos en el caso de tener una división?
Es importante recordar que algo que no se puede hacer en matemática (de ninguna manera) es
dividir por 0. Por esta razón, la única manera de tener que un cociente de números sea 0 es que el
numerador sea 0 pero el denominador sea distinto de 0.
Ejemplo 1.15 Resolver las siguientes ecuaciones verificando el/los resultado/s obtenidos/s:
x−1 (x − 1)(x + 2)
(a) =0 (b) =0
x+3 x−1
Solución:
(a) Para hallar las soluciones debemos plantear
x−1 = 0 ⇔ x = 1
Sin embargo, habría que verificar que la única solución hallada de esta ecuación pueda ser
solución del original, es decir, que no haga que se divida por 0. Como 1 + 3 = 4 6= 0 entonces
x = 1 es solución del problema original. Luego, las soluciones son x ∈ {1}.
Verifiquemos:
1−1
= 0
1+3
0
= 0
4
0 = 0
(b) Para hallar las soluciones debemos plantear
(x − 1)(x + 2) = 0
Sabemos que las soluciones se consiguen haciendo x − 1 = 0 o x + 2 = 0 y por lo tanto,

las soluciones de esta ecuación son x ∈ {1; −2}. ¿Pero son todas soluciones de la ecuación
original? No, porque x = 1 anula el denominador y por lo tanto haría que se tenga que dividir
1.6 Ecuaciones 25
por 0 (algo que no puede ocurrir). Luego, la única solución posible es x = −2.
Verifiquemos que x = −2 es solución de la ecuación del item:
(−2 − 1)(−2 + 2)
= 0
−2 − 1
−3.0
= 0
−3
0 = 0
que es una verdad absoluta y por lo tanto queda verificada la ecuación.

1.6.1 Valor absoluto o Módulo

El valor absoluto o módulo de un número es una función que devuelve el número en positivo. Su
notación es | · |. Por ejemplo, |3| = 3 pero | − 3| = 3.
Observemos entonces que si tenemos |x| = 3 entonces hay dos posibles soluciones: o bien
x = 3 o bien x = −3.
¿Pero qué ocurre si adentro del módulo hay más cosas? El procedimiento es igual.
Ejemplo 1.16 Resolver la siguiente ecuación verificando el/los resultado/s obtenido/s:
|2x − 1| = 3
Solución: Hay dos maneras de conseguir |2x − 1| = 3:
2x − 1 = 3 o 2x − 1 = −3
Luego, debemos resolver dos pequeñas ecuaciones: 2x − 1 = 3 y 2x − 1 = −3.

• 2x − 1 = 3 ⇔ 2x = 3 + 1 ⇔ 2x = 4 ⇔ x = 4/2 ⇔ x = 2
• 2x − 1 = −3 ⇔ 2x = −3 + 1 ⇔ 2x = −2 ⇔ x = −2/2 ⇔ x = −1
Luego, hay dos soluciones de la ecuación y por lo tanto x ∈ {−1; 2}.
1.6.2 Ejercicios
1. Resolver las siguientes ecuaciones verificando el/los resultado/s obtenido/s:
(a) x − 1 = 3
(h) 1 − 31 x − 7 = −8
(b) 3x + 4 = 13
5
x + 15 + 4 = 1

(i) 4 3
1
(c) 2x+3 = −4
(j) 3x − 2x = 9
(d) −3x − 1 = 2 − x
(k) −5(x + 1) − 3(x − 4) + 10 = 7
(e) 5 − 32 x = −4
(l) − 32 (x + 43 ) − x = 1
(f) −2 − 12 x = 2 + 21 x
(m) 2 (x − 1) + 53 (x + 3) = 3 + 11
3x
(g) 2(x − 1) − 3 = −3
2. Resolver las siguientes ecuaciones verificando el/los resultado/s obtenidos:

(a) (x − 3)(x + 1) = 0 x+4

(f) =0
x−1
(b) x(x − 5) = 0 x−3
(g) =0
x+2
(c) 3 (x − 5) (x + 2) = 0 2x − 3
(h) =0
4−x
(d) x2 − 2x = 0
(i) (x − 1)(x + 1) = −1
Sugerencia: desarrollar primero el pro-
(e) 3x2 − 21 x = 21 x
ducto.
3. Escribir como ecuación las siguientes expresiones y resolverlas.

(a) Un número tal que sumándole 5 se obtenga 7.
(b) Un número tal que restándole 3 se obtenga 10.
(c) Un número tal que el doble de él sea 8.
(d) Un número tal que el triple de él sea 6.
(a) |x| = 7 (f) |2x + 3| = −1
(b) |x − 3| = 4 (g) | − 3x + 4| = 2
(c) |x + 1| = 5 (h) |2(x − 1) + x| = 4
(d) |2 − 23 x| = 4
3 (i) | − 3 + 5(x − 1) − 2x| = 2
(e) | − 2x − 8| = 4 (j) | − 2(x + 1) + x(x − 2) − x2 | = 6
5. Escribir como ecuación las siguientes expresiones y resolverlas.

(a) Los números tales que su cuadrado sea 4.
(b) Los números tales que su valor absoluto sea 5.
(c) Los números tales que el valor absoluto del doble de los mismos sea 8.
(d) Los números tales que el valor absoluto del número siguiente sea 2.
1.7 Intervalos
Se llama intervalo al conjunto de números reales comprendidos entre dos valores: a y b que se
llaman extremos del intervalo. Los intervalos que se pueden tener son
• (a; b) (Intervalo abierto): es el conjunto de todos los números reales mayores que a y
menores que b.
Observemos que ni a ni b pertenecen al intervalo.
Su representación gráfica en la recta real es
• [a; b] (Intervalo cerrado): es el conjunto de todos los números reales mayores o iguales que
a y menores o iguales que b.
1.7 Intervalos 27
Observemos que tanto a como b pertenecen al intervalo.

Su representación gráfica en la recta real es
• (a; b]: es el conjunto de todos los números que son mayores que a pero menores o iguales
que b.
Observemos que a no pertenece al intervalo pero b sí se encuentra en él.
Su representación gráfica es
• [a; b): es el conjunto de todos los números que son mayores o iguales que a y menores que b.
En este caso, a se encuentra en el intervalo mientras que b no.
Su representación gráfica es
Observación: siempre a tiene que ser un número menor que b. Por ejemplo, los siguientes
intervalos son correctos: (−1; 2), (0; 4], [−3; −1]; mientras que los siguientes no lo son: (5; 3) y
[−2; −7].
Observación: si b = +∞ entonces va paréntesis. Por ejemplo, [−1; +∞) y su representación
gráfica es
Si a = −∞, entonces va paréntesis. Por ejemplo, (−∞; 9) y su representación gráfica es
¿Qué se puede hacer con los intervalos?
En general, tanto en este caso de intervalos como en el caso de conjuntos más generales como
los que se ven en la Sección 4.2.1, las acciones que se pueden hacer con intervalos son: intersecarlos,
unirlos o complementarlos (y combinaciones de ellas, como veremos a continuación).
Si A y B son dos conjuntos (por ejemplo, intervalos) entonces
• A ∩ B: es el conjunto de todos los elementos que se encuentran tanto en A como en B. Se lee
“A intersección B”.
Ejemplo 1.17 Calcular A ∩ B para los siguientes intervalos.
a) A = [−1; 3] y B = (0; 5). Representemos los dos intervalos en la recta real
Luego A ∩ B es el “rayado doble” y por lo tanto A ∩ B = (0; 3]. Si además nos piden
graficar el conjunto solución en la recta real
b) A = (−∞; 4) y B = (−2; +∞). Representemos los dos intervalos en la recta real
En este caso, A ∩ B = (−2; 4).

c) A = [−1; 4) y B = (5; 7]. Representemos los dos intervalos en la recta real
Como se puede apreciar, no hay nada “rayado doble” y por lo tanto A ∩ B = 0./
d) A = (0; 4] y B = [4; +∞). Representemos los dos intervalos en la recta real
En este caso, el único elemento en común es el punto 4 (que se encuentra en ambos

intervalos). Luego, A ∩ B = {4} (porque sólo un punto).
e) A = (−∞; 5] y B = (−1; 3]. Su representación gráfica en la recta real es
En este caso, todo B está contenido en A y por lo tanto A ∩ B = B, es decir, A ∩ B =

(−1; 3].

Observación: en matemática, cuando pedimos los elementos que se encuentran en A y en B,

estamos pidiendo la intersección, es decir, A ∩ B.
• A ∪ B: es el conjunto de todos los elementos que se encuentran en A o que se encuentran en
B, o sea, “todo lo de A más todo lo de B”. Se lee “A unión B”.
Ejemplo 1.18 Hallar A ∪ B para los intervalos del Ejemplo 1.17.
a) A = [−1; 3] y B = (0; 5). Recordemos su representación en la recta real
1.7 Intervalos 29
Luego A ∪ B es “todo lo rayado” y por lo tanto A ∪ B = [−1; 5). Si además nos piden
graficar el conjunto solución en la recta real
b) A = (−∞; 4) y B = (−2; +∞). Recordemos las representaciones gráficas de estos

intervalos
En este caso, “todo lo rayado” es toda la recta real y por lo tanto A ∪ B = R.

c) A = [−1; 4) y B = (5; 7]. Recordemos su representación gráfica
En este caso, “todo lo rayado” no es un intervalo sino que es la unión de dos intervalos.
Luego, la respuesta es simplemente usar la ∪ entre los intervalos, es decir, A ∪ B =
[−1; 4) ∪ (5; 7] dado que no se puede escribir de manera abreviada como un único
intervalo.
d) Es fácil ver que si A = (0; 4] y B = [4; +∞) se tiene que A ∪ B = (0; +∞).
e) A = (−∞; 5] y B = (−1; 3]. Su representación gráfica en la recta real estaba dada por
En este caso, como B está contenido en A, entonces “todo lo rayado” es lo mismo que
todo A. Luego, A ∪ B = A o bien A ∪ B = (−∞; 5].

Observación: en matemática, cuando pedimos los elementos que se encuentran en A o en B,

estamos pidiendo la unión, es decir, A ∪ B.
• Ac o A: es el conjunto de todos los elementos que no se encuentran en A. Se lee “A
complemento” o “complemento de A”.
Ejemplo 1.19 Hallar Ac en cada caso.
? A = (−∞; 3]. Queremos hallar Ac , es decir, todo lo que no se encuentra en A.
Observemos que todo lo rayado incluyendo el 3 se encuentran en A, luego Ac tendrá los

números mayores que 3 (sin incluir el 3 porque se encuentra en A). Luego Ac = (3; +∞).
Si nos pidieran representar gráficamente la solución, esto sería
? A = (−1; +∞). Representemos gráficamente A:
Este caso Ac contendrá todos los números que son menores que −1 incluyendo el −1
ya que este no se encuentra en A. Luego, Ac = (−∞; −1].
? A = (−2; 5). Representemos A en la recta real.
En este caso observemos que Ac tendrá los números menores o iguales que −2 pero
también tendrá los números mayores o iguales que 5. Como no existe un único
intervalo para representar esto, la respuesta será una unión de intervalos. Luego,
Ac = (−∞; −2] ∪ [5; +∞).
? A = [0; 4]. Representemos gráficamente A.
Nuevamente, la respuesta al complemento de A será la unión de dos intervalos: Ac =

(−∞; 0) ∪ (4; +∞). Observemos que en este caso ni el 0 ni el 4 pueden formar parte de
Ac ya que sí forman parte de A.
? A = (2; 7].
En este caso, Ac = (−∞; 2] ∪ (7; +∞).

Observación: en matemática, cuando pedimos los elementos que no se encuentran en A,

estamos pidiendo el complemento de A, es decir, Ac .
Si lo que queremos es combinar intersecciones, uniones y complementos, un ejemplo sería:
• A ∩ Bc o A \ B. Para encontrar A ∩ Bc deberíamos buscar lo que está en A y está en Bc . Como
Bc es lo que no está en B entonces esto sería buscar lo que está en A y no está en B, o sea,
“sacarle a A todo lo que se encuentra en B”. Esto se podría pensar como “A menos B” y, por
lo tanto, tiene su propia notación que es A \ B (el “\” es el “menos” de la teoría de conjuntos.
Ejemplo 1.20 Calcular A \ B para cada uno de los intervalos del Ejemplor 1.17.
a) A = [−1; 3] y B = (0; 5).
Como nos piden A \ B, debemos buscar todo lo de A (el rayado azul) que no está en B
(que no es rayado rojo), es decir, desde el −1 al 0. ¿El −1 debería estar en A \ B? Sí,
porque el −1 se encuentra en A y no se encuentra en B. ¿Y el 0? También, porque el 0
1.7 Intervalos 31
forma parte de A (está en el intervalo [−1; 3]) y no se encuentra en B (porque B = (0; 5)

que no incluye al 0). Luego, A \ B = [−1; 0].
b) Recordemos que A = (−∞; 4) y B = (−2; +∞). En este caso, su representación gráfica
era
Luego, A \ B es lo azul que no es rojo y por lo tanto A \ B = (−∞; −2]. ¿Por qué el −2
se incluye en la respuesta? Porque el −2 está en A pero no está en B.
c) A = [−1; 4) y B = (5; 7]. En este caso recordemos que su representación gráfica es
En este caso, A y B no comparten nada, entonces sacarle a A lo que tiene de B es a A no

sacarle nada. Luego, A \ B = A, es decir, A \ B = (−1; 4).
d) A = (0; 4] y B = [4; +∞). Su representación gráfica es
En este caso, sacarle a A lo que está en B es solamente sacarle el punto 4. Luego,

A \ B = (0; 4).
e) A = (−∞; 5] y B = (−1; 3]. Su representación gráfica es
En este caso, la respuesta será una unión de intervalos ya que se encuentran elementos
de A por arriba y por abajo de B. De esta manera, A \ B = (−∞; −1] ∪ (3; 5].

Ejercicio 1.1 Calcular B \ A para cada uno de los cinco pares de intervalos del Ejercicio
1.17.
1.7.1 Ejercicios
1. Representar los siguientes conjuntos en la recta real.
(a) (−1; 2)
(f) [2; 7)
(b) [0; 5]
(g) [2, 5; +∞)
(c) (−∞; 1) 1
(h) − 3 ; 2, 7
(d) (−3; +∞)
(i) [−0, 9; +∞)
1

(e) 2;3
2. Dados los conjuntos

A = (1; 3] y B = [2; 5]
Calcular el conjunto solución y representarlo en la recta numérica.
(a) A ∩ B (d) Bc
(b) A ∪ B (e) A \ B
(c) Ac (f) B \ A
3. Rehacer el ejercicio anterior pero esta vez con los conjuntos A y B dados por:
(a) A = [−2; 5) y B = (0; 7)

(d) A = − 12 ; 5 y B = [2; 9]

(b) A = (−∞; 2) y B = [−1; +∞)

(e) A = (−∞; −3] y B = (1; 4, 7]
15
(c) A = (−∞; 5) y B = −1;
2 (f) A = (2; 3) y B = (−1; +∞)
1.8 Inecuaciones
Las inecuaciones son desigualdades algebraicas en las que sus dos miembros se relacionan por uno
de estos signos
< ; ≤ ; > ; ≥
↓ ↓ ↓ ↓
menor menor o igual mayor mayor o igual
Estos nombres se usan sólo cuando se lee de izquierda a derecha la inecuación.

Algunos ejemplos son: x > 2 (“x mayor a 2”), 3 ≥ y (“3 mayor o igual que y”), 5x − 1 ≤ 9
(“5x − 1 menor o igual que 9”) y 2x + 4 < 2 (“2x + 4 menor a 2”).
La solución de una inecuación es el conjunto de valores posibles de la variable que la verifica.
Las soluciones se expresan mediante intervalos, unión de intervalos o, eventualmente, mediante
conjuntos (si, por ejemplo, la solución no es un intervalo y es uno o más puntos aislados) y, si así
se pide, mediante una representación gráfica de la solución.
Ejemplo 1.21 Resolver las siguientes inecuaciones.
• x<3
Es decir, se está pidiendo “todos los números x menores que 3”. En términos de un intervalo,
esto se expresa como (−∞; 3), o bien, la solución son todos los x ∈ (−∞; 3).
Observemos además que esta inecuación es igual a la inecuación 3 > x. Para que nos quede
igual a la inecuación anterior, ésta debería leerse de derecha a izquierda.
• x − 1 > −6
¿Para qué valores de x es cierta esta inecuación? ¿El 0 cumple la inecuación? Sí, porque
0 − 1 > −6. ¿El −9 la cumple? No, porque −9 − 1 = −10 y −10 no es mayor a −6. ¿El −5
la cumple? No, pero casi.
Es claro que esta inecuación es equivalente a x > −6 + 1, o sea, x > −5. Luego, en términos
de intervalos, este intervalo es el (−5; +∞) o bien la solución de la ecuación son todos los
x ∈ (−5; +∞).
1.8 Inecuaciones 33
• 2x ≥ 8. ¿Para qué valores de x vale esto? ¿x = 0 cumple la inecuación? No. ¿Y x = 3?

Tampoco. ¿Y x = 4? Sí, porque 2.4 = 8 y 8 ≥ 8. ¿x = 5 la cumple? Sí.
8
Observemos entonces que 2x ≥ 8 ⇔ x ≥ ⇔ x ≥ 4. Luego, en términos de intervalos,
2
[4; +∞) o bien todo los x ∈ [4; +∞) es la solución de la inecuación.
• −x ≥ 2
¿Para qué valores de x se satisface la inecuación? ¿x = 0 cumple la inecuación? No. ¿Y
x = 1? Tampoco. ¿Y x = 2? Tampoco. Probemos ahora con valores chicos. ¿Para x = −1
se cumple? No. ¿Y x = −2? Sí, porque −(−2) = 2 y 2 ≥ 2. ¿Y para x = −3? También se
cumple, porque −(−3) = 3 y 3 ≥ 2.
Observemos que −x ≥ 2 ⇔ −2 ≥ x pasando a la derecha el x que estaba restando y a la
izquierda el 2 que estaba sumando. De esta manera, reordenando la desigualdad queda
que x ≤ −2. Otra manera de hacerlo, que es lo más habitual, es pasar el −1 que está
multiplicando la x, dividiendo. En ese caso debemos dar vuelta la desigualdad, es decir,
2
−x ≥ 2 ⇔ x ≤ ⇔ x ≤ −2. De ambas maneras se llega a que las soluciones son los
−1
x ∈ (−∞; −2].
• 5x − 1 > 9
Pasando sumando el 1 que se encuentra restando del lado izquierdo y luego pasando divi-
diendo el 5 que está multiplicando, se tiene que
10
5x − 1 > 9 ⇔ 5x > 9 + 1 ⇔ 5x > 10 ⇔ x > ⇔x>2
5
y por lo tanto, x ∈ (2; +∞) es la respuesta.

En general,
? Si para despejar una incógnita debemos pasar sumando o restando un número, la desigualdad
se mantiene.
? Si necesitamos pasar multiplicando o dividiendo un número positivo, la desigualdad se
mantiene.
? Si necesitamos pasar multiplicando o dividiendo un número negativo, la desigualdad se da
vuelta.
Ejemplo 1.22 Escribir el conjunto solución de las siguientes inecuaciones y representarlo en la
recta real.
1. 2x + 3 ≤ 7 2. −3x − 5 < 2x
Solución:
1. Comencemos a despejar pasando restando el 3 que se encuentra sumando en el miembro
izquierdo (esto no invierte la desigualdad):
2x + 3 ≤ 7 ⇔ 2x ≤ 7 − 3 ⇔ 2x ≤ 4
Por último, pasamos dividiendo el 2 que está multiplicando x (esto tampoco invierte la
desigualdad porque el 2 es un número positivo):
4
2x ≤ 4 ⇔ x ≤ ⇔x≤2
2
Por lo tanto, la respuesta son los x ∈ (−∞; 2] y su representación gráfica es
2. Comencemos pasando el 5, que se encuentra restando en el miembro izquierdo, sumando al

miembro derecho (esto no inverte la desigualdad):
−3x − 5 < 2x ⇔ −3x < 2x + 5
Ahora pasaremos el 2x que está sumando del lado derecho, restando al lado izquierdo (esto
no invierte la desigualdad)
−3x < 2x + 5 ⇔ −3x − 2x < 5 ⇔ −5x < 5
Por último, pasemos el −5 que multiplica a la x, dividiendo al otro miembro. Observemos
que −5 es un número negativo y por lo tanto esto sí invierte la desigualdad:
5
−5x < 5 ⇔ x> ⇔ x > −1
−5
Luego, la solución son los x ∈ (−1; +∞) y su representación gráfica es
Al invertir una desigualdad, < se convierte en > y viceversa, o bien ≤ se convierte en ≥

y viceversa, pero nunca una desigualdad abierta como lo son > o < se puede convertir en una
desigualdad cerrada como lo son ≥ y ≤ (ni al revés, que una desigualdad cerrada se convierta en
una abierta).
1.8.1 Inecuaciones con valor absoluto

Además de ecuaciones, nos interesa resolver inecuaciones que involucren el valor absoluto.
Ejemplo 1.23 Escribir el conjunto solución de las siguiente inecuaciones.
1. |x| < 4 3. |x| ≥ 3
2. |2x − 4| ≤ 2 4. |2 − 3x| > 5
Solución:
1. ¿Qué valores de x hacen cierta la inecuación? Observemos que x = 0, x = 1, x = −2, 5,
x = 3, 9 son valores que satisfacen la inecuación mientras que x = −4, x = 9, x = −15, 5 no
la satisfacen.
Los valores de x que hacen que |x| < 4 son aquellos que son menores que 4 pero también (en
simultáneo) son mayores que −4. Luego, el problema |x| < 4 es equivalente al conjunto de
los puntos x que son solución de
(1) x < 4 y x > −4 (2)
Recordemos que, en matemática, “y ” significa “intersección”. De esta manera, lo que
debemos hacer es resolver las dos inecuaciones por separado y, finalmente, intersecar sus
soluciones.
1.8 Inecuaciones 35
(1) x < 4 tiene como solución el intervalo (−∞; 4). Llamemos A = (−∞; 4).
(2) x > −4 tiene como solución el intervalo (−4; +∞). Llamemos B = (−4; +∞).
Luego, la intersección de estos dos intervalos será la respuesta, es decir, A ∩ B = (−4; 4) es
la solución del ejercicio.
Observación: en definitiva lo que se está pidiendo es que x se encuentre entre −4 y 4. Por
esta razón, |x| < 4 también se puede escribir como −4 < x < 4 que muestra que el resultado
del ejercicio es (−4; 4).
Observación: no importa si adentro del | · | se encuentra x o se encuentra otra expresión
matemática, el procedimiento es igual. Lo veremos en el siguiente ejercicio.
2. De la misma manera que antes, el conjunto de x que es solución de |2x − 4| ≤ 2 cumple
(1) 2x − 4 ≤ 2 y 2x − 4 ≥ −2 (2)
Resolveremos la inecuación (1) y la (2) por separado e intersecaremos las soluciones
obtenidas en cada uno de estos subproblemas.
(1) 2x − 4 ≤ 2 ⇔ 2x ≤ 2 + 4 ⇔ 2x ≤ 6 ⇔ x ≤ 6/2 ⇔ x ≤ 3. Luego, la solución de esta
inecuación es A = (−∞; 3].
(2) 2x − 4 ≥ −2 ⇔ 2x ≥ −2 + 4 ⇔ 2x ≥ 2 ⇔ x ≥ 2/2 ⇔ x ≥ 1. Luego, la solución de esta
inecuación es B = [1; +∞).
Por último, la respuesta será A ∩ B = [1; 3].
3. Queremos resolver |x| ≥ 3. ¿Qué valores de x satisfacen esta inecuación? Algunos valores
que la satisfacen son x = 3, x = −3, x = 25, 87, x = −100, 1. Algunos valores que no la
satisfacen son x = 0, x = −2, 6 o x = 2, 999.
Los x que satisfacen la inecuación |x| ≥ 3 cumplen
(1) x ≥ 3 o x ≤ −3 (2)
donde recordemos que la “o” en matemática significa unión. En esta oportunidad hallaremos
las soluciones de (1) y de (2) pero las uniremos en lugar de intersecarlas.
(1) x ≥ 3 tiene como intervalo solución el A = [3; +∞).
(2) x ≤ −3 tiene como intervalo solución el B = (−∞; −3].
Luego, la respuesta del ejercicio será la unión de los dos intervalos, es decir, A ∪ B. Como no
hay manera de escribir la respuesta como un único intervalo, la respuesta es
A ∪ B = (−∞; −3] ∪ [3; +∞).
Observación: en caso de, erróneamente, intersecar en lugar de unir los intervalos A y B
observemos que esto daría como respuesta el conjunto vacío, lo cual no es cierto ya que
sabemos que hay valores de x que sí cumplen la inecuación (por ejemplo, x = 3, x = −3,
x = 25, 87 y x = −100, 1, entre otros).
4. De manera similar a lo hecho anteriormente, para resolver |2 − 3x| > 5 separaremos en casos
y luego uniremos las respuestas, es decir, resolveremos
(1) 2 − 3x > 5 o 2 − 3x < −5 (2)
(1) 2 − 3x > 5 ⇔ −3x > 5 − 2 ⇔ −3x > 3 ⇔ x < 3/(−3) ⇔ x < −1. Luego, la solución
de esta inecuación es el intervalo A = (−∞; −1).
7
(2) 2 − 3x < −5 ⇔ −3x < −5 − 2 ⇔ −3x < −7 ⇔ x > −7/(−3) ⇔ x > . Luego, la
3
solución de esta inecuación es 73 ; +∞ .

Por último, la solución será la unión de estos dos intervalos, es decir, A ∪ B. Nuevamente,
como no hay manera de escribir estaunión de intervalos como un único intervalo, entonces
7
la respuesta es A ∪ B = (−∞; −1) ∪ ; +∞ .
3

1.8.2 Otras inecuaciones

Igual que en el caso de las ecuaciones, podríamos tener un producto o un cociente de expresiones
matemáticas con una desigualdad con ceros. En este caso deberemos pensar cómo hacer para que
de un producto o cociente de dos números se obtenga un número positivo o negativo. Lo veremos
con unos ejemplos.
Ejemplo 1.24 Escribir el conjunto solución de las siguientes inecuaciones.
1. (x + 1)(x + 4) > 0 2. (2x − 3)(5 + x) ≤ 0 3x − 1

3. ≥0
2−x
Solución:
1. La pregunta que nos debemos responder ahora es la siguiente: ¿cómo hacemos para que un
producto de dos números sea positivo? La respuesta es: o bien los dos son positivos o bien
los dos números son negativos. Estos son los únicos casos cuyos productos dan origen a
números positivos.
Con esto en mente, para que (x + 1)(x + 4) > 0 entonces, o bien
x+1 > 0 y x+4 > 0 (1.1)
x+1 < 0 y x+4 < 0 (1.2)
Tal como lo mencionamos anteriormente, en matemática, cuando pedimos que dos condi-
ciones, dadas por conjuntos de valores que las satisfacen, se cumplan en simultáneo, es
decir, cuando queremos que se cumpla una “y” otra, estamos buscando la intersección de
los conjuntos. Por el contrario, cuando nos alcanza con uno “o” el otro, estamos buscando
la unión. Luego, resolveremos el subproblema (1.1) intersecando las soluciones de las dos
inecuaciones involucradas, resolveremos por otro lado el subproblema (1.2) intersecando las
soluciones de las dos inecuaciones involucradas y, por último, uniremos lo obtenido en (1.1)
y en (1.2) para obtener la solución del problema original.
(1.1) Queremos resolver
x+1 > 0 y x+4 > 0
Resolvamos cada pequeña inecuación por separado y luego intersequemos los resulta-
dos.
? x + 1 > 0 ⇔ x > −1. Luego, la solución de esta inecuación es el intervalo
(−1; +∞).
? x + 4 > 0 ⇔ x > −4. Luego, la solución de esta inecuación es el intervalo
(−4; +∞).
Como debemos intersecar estas soluciones, la intersección entre (−1; +∞) y (−4; +∞)
es fácil ver que es (−1; +∞). Llamemos A = (−1; +∞).
x+1 < 0 y x+4 < 0
Nuevamente, resolvamos cada inecuación por separado y luego intersequemos sus
soluciones.
? x + 1 < 0 ⇔ x < −1. Luego, la solución de esta inecuación es el intervalo
(−∞; −1).
? x + 4 < 0 ⇔ x < −4. Luego, la solución de esta inecuación es el intervalo
(−∞; −4).
1.8 Inecuaciones 37
Como debemos intersecar estas soluciones, la intersección entre el intervalo (−∞; −1)
y (−∞; −4) es fácil ver que es (−∞; −4). Llamemos B = (−∞; −4).
¿Terminamos con el ejercicio? Aún no, porque sólo obtuvimos los intervalos solución de
los subproblemas (1.1) y (1.2) que son A = (−1; +∞) y B = (−∞; −4), respectivamente. Lo
último que queda por hacer es unirlos, es decir, hallar A ∪ B. Como no hay nada en común
entre estos dos intervalos (hacer una representación gráfica de los mismos para observar
esto), entonces la solución final del ejercicio es (−∞; −4) ∪ (−1; +∞).
2. Para resolver (2x − 3)(5 − x) ≤ 0 nos preguntamos ahora: ¿de qué manera un producto de
dos expresiones matemáticas da menor o igual que 0? Solamente si una es menor o igual que
0 pero la otra es mayor o igual que 0 o viceversa, que la primera sea mayor o igual que 0 y la
segunda sea menor o igual que 0. En otras palabras, queremos que
2x + 3 ≤ 0 y 5+x ≥ 0 (1.3)
o
2x − 3 ≥ 0 y 5+x ≤ 0 (1.4)
Nuevamente, resolveremos cada subproblema (1.3) y (1.4) por separado y, finalmente,
uniremos las soluciones obtenidas en cada uno para hallar la solución del ejercicio.
2x + 3 ≤ 0 y 5+x ≥ 0
Nuevamente, resolvamos cada una de estas dos inecuaciones por separado.
3
? 2x + 3 ≤ 0 ⇔ 2x ≤ −3 ⇔ x ≤ − . Luego, la solución de esta inecuación es el
2
3
intervalo −∞; −
2
? 5 + x ≥ 0 ⇔ x ≥ −5. Luego, la solución de esta inecuación es el intervalo
[−5; +∞).
Para tener la solución
de (1.3)debemos intersecar estas dos soluciones. Es claro que la
3
intersección es A = −5; − , que es la solución del subproblema (1.3).
2
2x + 3 ≥ 0 y 5+x ≤ 0
Resolvamos cada una de las inecuaciones por separado.
3
? 2x + 3 ≥ 0 ⇔ 2x ≥ −3 ⇔ x ≥ − . Luego, la solución de esta inecuación es el
2
3
intervalo − ; +∞ .
2
? 5 + x ≤ 0 ⇔ x ≤ −5. La solución de esta inecuación es el intervalo (−∞; −5].
Para tener la solución de (1.4) debemos intersecar estas dos ecuaciones pero es claro
que la intersección es vacía, es decir, B = 0/ es la solución del subproblema
(1.4).

3
Luego, la solución del ejercicio se obtendrá uniendo A y B, es decir, A ∪ B = −5; − ∪ 0/ =
2
3
−5; − (porque unir el conjunto vacío es no agregar nada).
2
3x − 1
3. En este caso, queremos resolver ≥ 0. Para queun cociente de expresiones matemáticas
2−x
sea mayor o igual que 0 no alcanza que las dos sean mayores o iguales que 0 porque podría
pasar que el denominar se anule (y recordemos que de ninguna manera podemos dividir por
0). Luego, debemos resolver
3x − 1 ≤ 0 y 2−x < 0 (1.5)
3x − 1 ≥ 0 y 2−x > 0 (1.6)
Ahora proseguimos igual que antes, estudiando cada subproblema por separado.
3x − 1 ≤ 0 y x−2 < 0

1 1
? 3x − 1 ≤ 0 ⇔ 3x ≤ 1 ⇔ x ≤ . Luego, la solución es −∞; .
3 3
? 2 − x < 0 ⇔ −x < −2 ⇔ x > −2/(−1) ⇔ x > 2. Luego, la solución (2; +∞).
La intersección de estos dos intervalos es vacía, luego A = 0./
3x − 1 ≥ 0 y x−2 > 0

1 1
? 3x − 1 ≥ 0 ⇔ 3x ≥ 1 ⇔ x ≥ . Luego, la solución es ; +∞ .
3 3
? 2 − x > 0 ⇔ −x > −2 ⇔ x < −2/(−1) ⇔ x < 2. Luego, la solución es (−∞; 2).
1
La intersección de estos dos intervalos es B = ;2
3
1 1
Por último, la respuesta es A ∪ B = 0/ ∪ ; 2 = ;2 .
3 3

1.8.3 Ejercicios
1. Escribir el conjunto solución de las siguientes inecuaciones y representarlo en la recta real.
(a) x < −3
(f) −2 ≤ x < 4
(b) x > 5
(g) 3, 5 < x ≤ 7
(c) 3x ≤ 15
(h) 10 − 7x < 4 + 2x
(d) −2x ≤ 4
(i) 2x − 3 ≥ 4x − 1
(e) 2x + 1 ≥ 9
(a) |x| ≤ 3
(f) |3 − x| > 2
(b) |x| > 5
(g) | − 3(2 − x)| ≤ 6
1
(c) |x − 1| < 2
(h) |2x − 4(x − 1)| ≥ 8
(d) |x + 4| ≤ 3
(i) |4x − (3x − 1) − 2| + 2x − 5 ≤ 0
(e) |5x − 10| ≥ 15 Sugerencia: estudiar también 5−2x ≥ 0

(a) (x − 1)(x + 3) > 0

(f) (x − 2) (x + 5) > 2x (x − 2)
(b) (2 − x)(2x − 2) < 0 Sugerencia: sacar factor común (x − 2)
(c) (2x − 4) 1
+ 32 x ≥ 0
x+1
2 (g) >0
x−4
(d) −2x2 − 8x ≥ 0 2x − 1
(h) ≤0
x+1
(e) x2 − 4x + 3 < 3 x−1
(i) 2 − >2
(x − 1)2
4. Escribir como inecuación las siguientes expresiones, resolverlas, expresarlas como intervalo
o unión de intervalos y graficarlas.
(a) El conjunto de todos los números reales que son mayores que 1 y menores o iguales
que 5.
(b) El conjunto de todos los números reales tales que sumándoles 3 se obtenga un número
menor o igual que 10.
(c) El conjunto de todos los números tales que el doble de ese número menos 1 sea un
número mayor a 7 y menor a 11.
(d) El conjunto de todos los números tales que su valor absoluto es menor a 8.
3
(e) El conjunto de todos los números tales que su valor absoluto es mayor o igual a .
2
(f) El conjunto de todos los números tales que el valor absoluto de dos veces ese número
menos 3 es menor o igual a 5.
1.9 Ejercicios surtidos

1. Realizar los siguientes cálculos de dos maneras diferentes:
• separando en términos y resolviendo primero los paréntesis, cuando sea posible;
• separando en términos y usando la propiedad distributiva cuando haga falta.
(a) −5(3 − 1)
(b) −(3 − 5) + 2(7 − 8) − 3(−2 − 1) + 4(−3 + 1)
(c) −(2 − 3x) − 2(x − y) − 3(3y − 1) + 5(2x − y)
2. Calcular:
(a) (−2)3
(c) 23 ((−1)2 − 2) + 3(23 − 15 )
(b) 5(32 − 5) − 2(22 − 52 )
3. Simplificar las siguientes fracciones:
30 25
(a) (c)
21 45
28 75
(b) (d)
14 45
4. Calcular:
1 5 19 1 1 5 11
(a) − (b) − + (c) − − +
2 3 25 5 3 2 6

• separando en términos y resolviendo primero los paréntesis, cuando sea posible;
2 14
(a) .
7 8 3 5 1 5
(d) − − x − 3x −
2 2 2 2

5 3 6
(b) − +1
3 5 5 1 4 3 1 2 5
(e) (−2x − y) + x− y − x+ y
3 3 2 2 3 2

5 4 3 1 5 1
(c) − − − + − −2
2 25 5 3 2 2
6. Desarrollar:
(a) (3 + 5x)2 2
(d) −5a5 + x2 + 2
(b) (a − 2x)2
(e) (ax + 1)3
(c) a3 + x 2 2

7. Simplificar las siguientes expresiones aplicando propiedades. En los casos en los que sea
posible, dar el resultado numérico.
(a) 34 3 2
(h) 23
(b) x2 x5
√
√ (i) ( y)2
(c) 25
√
√ (j) ( 3 x)4
(d) 3 125
√ 6
p (k) 2x2 y
(e) 3 y6 8 3
√ √ (l) 32−2p x p−4
(f) x3 x3 h 2 i5
(m) x5 2x3 15 : 2(2x)3

√ √
3
(g) m m4
8. Calcular las siguientes sumatorias:

4 7√
(a) ∑3 (d) ∑ k + 2
j=1 k=2
5 6
j−1
(b) ∑ j2 (e) ∑
j=3 j
j=2
10
6 2k2 − k3
(c) ∑ (5 − k) (f) ∑
k=3 k=7 3
9. Considerando la siguiente tabla de datos:
j 1 2 3 4 5 6 7
Cj -1,4 0 1 3,2 0,5 -0,1 2,6
Calcular:
7 5
(a) ∑ Cj (c) ∑ (2 −C j )3
j=5 j=1
7 7
2C2j + 3

(b) ∑ Cj (d) ∑
j=1 j=2
10. Calcular las siguientes productorias:

4
(a) ∏2 6
j
k=1 (d) ∏ j+1
5 j=3
(b) ∏ k2 8
i
!2
k=2
5
(e) ∏ i−2
i=5
(c) ∏(−k)
k=2
11. Factorizar, sacando “factor común”, las siguientes expresiones algebraicas:
(a) 3x + 3
2 2 4 2
(f) 5 x y − 5 xy
(b) 5y − 5
(g) −3a5 b3 + 3a4 b4 + 6a3 b2
(c) x2 y3 + x2 y
(h) 2 (x + y) (2x + 3) + 4 (x + y) (1 − 2y)
(d) 2x2 + 4x3 y2 − 6x2 z
(i) 3(a + 2b − 1)(a + 2b) + (a + 2b)(3a + b)
2 3 2 2
(e) 5y − 5y
(a) x + 5 = 10 (e) 1 − 23 x + 7 = −8
2
2x + 12 − 23 = 1

(b) −2x + 3 = 17 (f) 3 3
2
(c) 5x−1 =1 (g) −3x + 2x − 8 = 9
(d) 2(x + 3) − 5 = −17 (h) 3(1 − x) − 2(4 − 3x) + 11 = 6 − 3x
13. Resolver las siguientes ecuaciones verificando el/los resultado/s obtenidos:
(a) (x + 2)(x − 5) = 0 x−2

(f) =0
x+1
(b) (2x − 4)( 12 x − 1) = 0 x+5
(g) =0
x−2
(c) −5 (x + 7) (3 − x) = 0 2x − 3
(h) =0
4 − 3x
(d) x2 − 6x = 0 (x − 3)(x − 4)
(i) =0
x−4
(e) 3x(x − 1) + 6(x − 1) = 0
(2x + 3)(x − 1)
(j) =0
1−x
(a) |x| = 15 (e) |3x + 2| = 1
(b) |x − 2| = 10 (f) | − 2x − 5| = 7
(c) |x + 7| = 3 (g) |3(x − 1) + 4(1 − x) + 3| = 3

(d) |5 − 12 x| = 7 3 1 5 1 2
2 (h) x− + x+ =2
2 2 2 5 5
15. Representar los siguientes conjuntos en la recta real.
(a) [1, 5 ; 4, 9) (d) [−7; +∞) (g) (−2; +∞)

(b) (−1; 7] (e) (−∞; 11) 1
(h) − ; 1, 7
2

(c) (−∞; −3] (f) (π; 15) 2 7
(i) ;
3 2
16. Dados los conjuntos

A = [−2; 3] y B = (0; 2)
Calcular el conjunto solución y representarlo en la recta numérica.
(a) A ∩ B (c) Ac (e) A \ B
(b) A ∪ B (d) Bc (f) B \ A
17. Rehacer el ejercicio anterior pero esta vez con los conjuntos A y B dados por:
(a) A = (−∞; 5] y B = (0; 7]

(d) A = [−1, 5; 3, 4) y B = [5, 1; 9, 6]
(b) A = (−∞; −2) y B = (0; +∞)
(e) A = [−0, 5; 5) y B = (1; +∞).
(c) A = (−1; 5) y B = [−4; 8]
(a) x < 7
(e) 2x − 1 < 4 − 3x
(b) −1 < x ≤ 9
(f) −5x + 1 ≤ 7
(c) −3 ≤ x ≤ 5
(g) −7x + 2 ≤ −2x + 3
1
(d) 2 <x<3
(a) |x| < 8 (e) |x + 3| ≥ 4
1
(b) |x| < 1, 5 (f) |2x − 1| < 2
(c) |x| ≥ 1 (g) |5x − 3(x + 1) − 2| ≤ 6
2
(d) |x| > 3 (h) |1 − 2x + 4(2 − x)| > 3
(a) (x + 2)(x − 5) > 0

3x − 5
(f) <0
(b) (2x − 1)(3x + 6) < 0 2x + 1
x+7
(g) ≥0
5 x−5

(c) (3x + 9) 3 − 5x ≥ 0
3x + 2
(h) ≤0
(d) 4x2 − 2x ≤ 0 4x + 16
2x − 6
x−3 (i) ≤0
(e) >0 3x + 1
x+1
2. Funciones
2.1 Representación de puntos en el plano

Hasta acá habíamos visto que los números e intervalos se pueden representar en la recta numérica.
Por ejemplo,
Ahora lo que haremos será representar puntos en el plano, es decir, en R2 . Los puntos son pares
ordenados, es decir, están conformados por dos coordenadas de la forma (a; b), con a y b ∈ R.
Si el plano es el plano cartesiano, es decir, el sistema de coordenadas es el sistema cartesiano,
entonces el plano está conformado por ejes perpendiculares llamados x e y. El eje horizontal tiene
las coordenadas x del punto y el eje vertical tiene las coordenadas y del punto, entonces un punto
(a; b) tiene, en el plano cartesiano, una coordenada x = a y una coordenada y = b.
El punto (0; 0) se suele llamar origen y es el punto donde se cortan los dos ejes cartesianos x
e y. Desde el origen y hacia la derecha, en el eje horizontal (también llamado eje de abscisas)
se encuentran los valores positivos de x mientras que a la izquierda se encuentran los valores x
negativos. Para el eje vertical (también llamado eje de las ordenadas), los valores de y que se
encuentran por arriba del origen son los positivos mientras que los que se encuentran por debajo
son los negativos.
Al cortarse las dos líneas rectas que son los ejes, se divide al plano en cuatro regiones llamadas
cuadrantes:
• Primer cuadrante: es la región superior derecha.
• Segundo cuadrante: es la región superior izquierda.
• Tercer cuadrante: es la región inferior izquierda.
• Cuarto cuadrante: es la región inferior derecha.
Observación: según el contexto quedará claro si (a; b) representa un par ordenado o un intervalo
abierto. Obsérvese también que los intervalos siempre tienen a < b mientras que, para un par
46 Capítulo 2. Funciones
ordenado, a y b pueden ser números cualesquiera.

Por último, tiene sentido notar que si a 6= b, el punto (a; b) es distinto al punto (b; a).
Ejemplo 2.1 Grafiquemos en el plano cartesiano los siguientes puntos:
1. (2; 3)
2. (−3; 0), (0; −5), (−1; −5) y (3; −3).
Solución:
1. Observemos que el punto (2; 3) tiene como valor de x al 2 y como valor de y al 3. Luego, su
representación gráfica en el plano es:
2. Observando cuál es el valor de x (la primera coordenada del punto) y el valor de y (la segunda
coordenada del punto) de cada par ordenado, se tiene que una representación gráfica de los
cuatro puntos es
2.1.1 Ejercicios
1. Graficar en el plano cartesiano los siguientes pares ordenados:
(a) (1; −1),

(1; 0)
y (1; 3.5) (c) (−1; 5) y (−3; −7)
1 (d) (1.1; −2.3) y (3.6; 2.4)
(b) (0; 0), 0; y (0; −1.8)
3
2.2 Funciones
Las funciones son “relaciones” que asignan elementos de un cierto conjunto de salida llamado
dominio (A) a elementos de un cierto conjunto de llegada llamado codominio (B), con la salvedad
de que cada elemento del dominio sea asignado a un único elemento del codominio. De esta
2.2 Funciones 47
manera, indicaremos con alguna letra, muchas veces la f , a la función que realiza ese mapeo entre
elementos del dominio A y elementos del codominio B y una manera de notar esta asignación es
f
A→B o bien, y más comúnmente, f :A→B
Observemos que el hecho de que f mande elementos de A en B no significa que la asignación deba
cubrir todo B (pero sí todo A debe ser asignado a un único elemento de B).
Ejemplo 2.2 Determinar cuál de las siguientes relaciones es una función:
(a) (b) .
(c) .
Solución: Estudiemos cada relación por separado.

(a) Esta relación no es una función porque existen elementos del dominio que no son asignados
a ningún elemento del codominio.
(b) Esta relación no es una función porque, si bien todos los elementos del dominio son asignados
a algún elemento del codominio, hay un elemento del dominio (el 2) que es asignado a dos
elementos del codominio (el 9 y el −15).
(c) Esta relación sí es función porque a cada elemento del dominio se le asigna un único elemento
del codominio.

En esta oportunidad, nosotros trabajaremos con funciones cuyo dominio y codominio serán
todo R, es decir, la función va a asignar cualquier número real con otro número real, o sea:
f : R → R.
Es decir, dado un valor x ∈ R, le asigna un valor y ∈ R. Que se llamen x e y es una comodidad
para lo que sigue, pero podrían haberse llamado a y b, w y z, etc. El procedimiento de asignación
de un valor del dominio a un determinado valor del codominio se llama evaluación de la función.
Además, indicar que la evaluación de f en x da y será equivalente a escribir f (x) = y. En el ejemplo
que sigue se obtendrán varias evaluaciones de la función estudiada.
Para visualizar la función, es decir, ver la gráfica de la función, usaremos el plano cartesiano.
Indicaremos en el eje x el dominio (que es R) y en el eje y el codominio (que también es R). Luego,
en el plano cartersiano, la gráfica de la función se define como los pares ordenados (x; y) con
y = f (x), es decir, (x; f (x)).
Ejemplo 2.3 Graficar en el plano la función f (x) = x3 .

Solución: Como el dominio son todos los reales y no podemos evaluar la función en infinitos
puntos, lo que se hace es elegir algunos puntos para indicar cómo podría verse la función. Si
la cantidad de puntos (y su elección) es suficiente, la gráfica de la función realizada será muy
parecida a la verdadera (que tendríamos si pudiéramos evaluar la función en los infinitos puntos de
su dominio). En general, lo que se hace para graficar una función es construir una tabla de valores
de la siguiente manera:
x y x y = f (x) x f (x)
o o bien
En la columna x se escribirán algunos valores del dominio y la columna y, y = f (x) o simple-

mente f (x) se completará con los valores obtenidos por la evaluación de f en ese valor dado x. Por
ejemplo, si tomamos x = 2 entonces f (x) = f (2) = 23 = 8. Luego, la tabla se completará de la
siguiente manera:
x f (x)
2 8
Como el objetivo es graficar la función, daremos más valores para la columna x del dominio.
x f (x)
2 8
1 1
0 0
-1 -1
-2 -8
Luego, graficaremos los resultados obtenidos en el plano cartesiano. Recordemos que cada par
ordenado estará formado por una coordenada x y una coordenada y. Luego, los pares ordenados
asociados a la tabla son (2; 8), (1; 1), (0; 0), (−1; −1), (−2; −8) y ubicándolos correctamente en el
plano nos da:
Por último, intentando unir lo más suavemente posible los puntos (esto tiene que ver con que
estamos graficando un tipo de función llamada polinomio, en realidad), se tiene el siguiente gráfico
2.2 Funciones 49
Observemos que es importante que la curva de la gráfica de la función no termine justo en uno
de los puntos de la tabla de valores, sino que dé la sensación de que sigue.
Por último y tal como lo hicimos antes con los conjuntos A y B, determinaremos con algunos
ejemplos qué gráficas corresponden a funciones con dominio y codominio en todos los reales.
Ejemplo 2.4 Determinar cuál o cuáles de las siguientes curvas son las gráficas de funciones con
dominio y codominio en los reales:
(a) (b)
(c)
Solución:
(a) No se corresponde con la gráfica de una función con dominio en los reales porque no está
definida en valores fuera del intervalo [−1; 1] y, por lo tanto, no puede ser evaluada en
cualquier otro número real que no pertenezca a ese intervalo.
(b) Sí es la gráfica de una función porque a cada valor del eje x (que es el eje que representa el
dominio) le corresponde un único valor del eje y (que representa el codominio).
(c) No se corresponde con la gráfica de una función porque existen valores en el dominio que son
asignados a más de un valor del codominio. Por ejemplo, el 0 es asignado al 3 pero también
al −3 (porque los puntos (0; 3) y (0; −3) se encuentran en la curva). Lo mismo ocurre con
otros puntos (con infinitos, de hecho) como el −3 (que es asignado al 0 y al −6) o el −2.

En ciertos casos, para que algunos puntos “extremos” quede claro a qué curvas pertenecen,
es necesario enfatizarlos con círculos. Círculos con el interior vacío (que llamaremos círculos
abiertos) indican que ese extremo no está en esa curva, mientras que círculos con el interior relleno
o coloreado (que llamaremos círculos cerrados) indican que sí se encuentra ese punto en esa curva.
Por ejemplo, la siguiente es la gráfica de una función que, evaluada en el punto −1, da como
resultado el 2 y no el −1 (ni mucho menos tiene los dos resultados ya que sí es una función).
Intersecciones con los ejes

Hay dos intersecciones posibles: con el eje x y con el eje y.
• Intersección con el eje x, también llamada raíces de la función.
Son los puntos del eje x donde lo función la corta. Si f es una función, consiste en hallar los
valores de x tales que f (x) = 0, es decir, se consigue igualando la función a 0 y “despejando”
x.
Ejemplo 2.5 En cada gráfico de funciones, hallar la o las intersecciones con el eje x e
indicarlos en la gráfica de la función.
(a) (b)
Solución:
2.2 Funciones 51
(a) En este caso, existe una única intersección con el eje x. La misma ocurre en el punto
x = −1 y, por lo tanto, el conjunto de intersecciones con el eje x es {−1} y se puede
apreciar en el siguiente gráfico
(b) En esta oportunidad se puede apreciar que hay tres raíces, señalizadas en el siguiente
gráfico
De esta manera, el conjunto de intersecciones con el eje x es {−4; −1; 2}.

• Intersección con el eje y.

Se consigue evaluando la función en 0, es decir, si f es la función, entonces la intersección
con el eje y es f (0).
Ejemplo 2.6 Hallar las intersecciones con el eje y para las funciones del Ejemplo 2.5 e
indicarlas en la gráfica de la función.
Solución:
(a) Como ya sabemos, existe una única intersección con el eje y para cada función. En este
caso, la intersección ocurre en y = 2, es decir, el conjunto de intersecciones con el eje y
es {2} y se puede observar en el siguiente gráfico
(b) En este caso, la intersección con el eje y ocurre en y = −2 y se puede observar en el

siguiente gráfico
2.2.1 Ejercicios
1. Determinar cuál o cuáles de las siguientes curvas son las gráficas de funciones con dominio y
codominio en los reales.
(a) (b)
(c) (d)
2. Evaluar las siguientes funciones en los puntos indicados:

(a) f (x) = x + 3 en x = 0, x = −1 y x = 1/2
3x2 + 2
(b) g(x) = en x = −2, x = 0 y x = −1
x3 + 7
(c) h(x) = x − |x − 1| en x = −5, x = a y x = 2
3x
(d) f (x) = √ en x = −1, x = c y x = 4
8−x
(e) g(x) = a + bx + cx2 en x = 0, x = 1 y x = 2
3. Para las funciones del primer ejercicio, hallar las intersecciones con el eje x y con el eje y.
2.3 Funciones lineales

Definición 2.1 Una función lineal, o función polinómica de primer orden, es una función
f : R → R que puede escribirse como
f (x) = mx + b
donde m y b son constantes reales. La constante m se denomina pendiente y b se denomina

ordenada al origen.
Su representación en el plano cartesiano, es decir la gráfica de la función, es una línea recta.
Observación: ¿Cuántos puntos bastan para graficar una línea recta? Es claro que sólo dos
puntos bastan.
Ejemplo 2.7 Graficar las siguientes funciones lineales. Indicar previamente, en cada caso, cuál
es la pendiente y cuál la ordenada al origen.
(a) f (x) = 2x + 1
(b) g(x) = −3x + 2
(c) h(x) = −2, 5
Solución:
(a) Comencemos identificando la pendiente y la ordenada al origen de la función lineal f . La
pendiente es m = 2 y la ordenada al origen es b = 1.
Para realizar la gráfica de esta función, haremos una tabla de valores.
x f (x)
1 3
2 5
3 7
0 1
-1 -1
-2 -3
Luego, graficamos estos puntos en un plano cartesiano.
Por último, unimos estos puntos con una recta y, por lo tanto, la gráfica de la función es
Sin embargo, tal como se ha mencionado anteriormente, como con dos puntos alcanzaba
para graficar la recta, de ahora en adelante usaremos sólo dos puntos para realizar la gráfica
(o tres, si queremos verificar que la recta esté bien graficada ya que los tres puntos deberían
quedar alineados).
(b) En este caso, para la función g, la pendiente es −3 (es decir, m = −3) y la ordenada al origen
es 2 (es decir, b = 2).
Para graficar la función haremos una tabla de valores con tres valores.
x g(x)
0 2
1 -1
-1 5
La representación de estos puntos en el plano da como resultado el siguiente gráfico.

Uniendo estos puntos con una recta, se obtiene la gráfica de la función g que resulta
(c) Por último, la función h tiene pendiente m = 0 (ya que no hay término con x) y ordenada al
origen b = −2, 5. Es importante observar que tanto m como b siempre se llevan los signos
que los acompañan. Por esta razón, en el ítem anterior m = −3 y en este ítem b = −2, 5.
Hacemos una tabla de valores con dos valores (queda para el lector verificar que cualquier
otro punto de la gráfica de la función va a estar sobre la recta):
x h(x)
0 -2,5
1 -2,5
Luego, los puntos en el plano cartesiano son
y por lo tanto, la gráfica de la función es

Algunas observaciones que podemos hacer son:

• ¿Qué representa la pendiente m?
? Si m > 0 entonces la recta va hacia arriba, o sea, a medida que x crece, y crece.
? Si m < 0 entonces la recta va hacia abajo, o sea, a medida que x crece, y decrece.
? Si m = 0 entonces la recta es horizontal.
Es decir, m indica la inclinación de la recta.
• ¿Qué representa la ordenada al origen b?
La ordenada al origen es el punto de corte de la recta con el eje y. ¿De qué otra forma
podría identificar el b en una función lineal? Evaluando la función en x = 0. Es claro que
f (0) = m.0 + b = b y, por lo tanto, el par ordenado (0; b) es siempre un punto de la gráfica
de la función.
Intersecciones con los ejes

Recordemos que tenemos dos intersecciones posibles:
• con el eje x, es decir, las raíces de la función. Habíamos visto que se conseguían igualando la
función a 0.
Ejemplo 2.8 Hallar las raíces de las funciones del Ejemplo 2.7.
Solución: Hay tres funciones: f , g y h.
? Para la función f (x) = 2x + 1 lo que debemos hacer es hallar el o los valores de x tales
1
que f (x) = 0, es decir, 2x + 1 = 0. Despejando x en esta ecuación resulta que x = − .
2
1
Luego, f tiene una única raíz y el conjunto de raíces es − .
2
? Para la función g(x) = −3x + 2, la o las raíces se obtienen haciendo g(x) = 0, es decir,
2
−3x + 2 = 0 y por lo tanto x = es la única solución. Luego, el conjunto de raíces (o
3
2
intersecciones con el eje x) es .
3
? Por último, para la función h(x) = −2, 5 es claro que no existe x tal que h(x) = 0 ya
que −2, 5 = 0 es un absurdo. Luego, el conjunto de raíces de h es 0. /

Observación: en general, la cantidad de raíces de una función lineal puede ser: cero, como
vimos en el tercer caso del Ejemplo anterior; una, como se obtuvo en los otros casos; o
infinitas, que se obtiene únicamente cuando la función es f (x) = 0.
• con el eje y. Recordemos que, en el caso de intersección con el eje y, siempre existe un único
valor (al menos siempre que el dominio de la función sea todos los reales, como el caso que
estudiamos nosotros). Este valor siempre se consigue evaluando la función en 0 y, por lo

tanto, cuando se tiene una función lineal, siempre es la ordenada al origen.
Ejemplo 2.9 Hallar la intersección con el eje y de cada una de las funciones del Ejemplo
2.7.
Solución: Nuevamente vamos a estudiar las funciones f , g y h por separado:
? Como b = 1, entonces la intersección con el eje y de la función f es y = 1.
? En este caso, el conjunto de intersecciones con el eje y es {2} (que es la ordenada al
origen de g).
? Por último, la intersección con el eje y de h es y = −2, 5.

Por último, con poca información sobre la función lineal es posible hallar su ordenada al origen
y su pendiente y así reconstruir la función. Luego, se podrá hallar tanto la intersección con el eje x
como con el eje y.
Ejemplo 2.10 Hallar la ecuación de la recta que satisface las siguientes condiciones y graficarla.
• Pasa por el punto (−1; −2) y tiene ordenada al origen 1.
Solución: Como la ordenada al origen es 1, entonces si f (x) = mx + b me está diciendo que b = 1.
Es decir, que hasta ahora tenemos que f (x) = mx + 1.
Como además sabemos que pasa por el punto (−1; −2) esto quiere decir que f (−1) = −2 o bien
que cuando x = −1 resulta y = −2. Luego, reemplazando esta información en la definición de la
función, se tiene que
−2 = m(−1) + 1
Despejando m resulta que m = 3. Luego, la función es f (x) = 3x + 1. Por último, para graficar la
función podemos hacer una tabla de valores como la siguiente
x f (x)
0 1
1 4
(con estos u otros valores) y obtener el siguiente gráfico
o bien recordar que con un punto (el (−1; −2), por ejemplo) y la ordenada al origen (que es el
punto (0; 1)) también se puede graficar y su gráfico es
También se puede decir que la función lineal es y = mx + b, es decir, usar y en lugar de f (x). Sin
embargo, indicar la función lineal con una letra específica (como lo son la f , g o h) es conveniente
especialmente cuando se tienen varias funciones.
2.3.1 Ejercicios
1. Graficar las siguientes funciones lineales. Identificar previamente, en cada caso, cuál es la
pendiente y cuál la ordenada al origen.
(a) f (x) = 3x + 2
(f) h(x) = −1
(b) g(x) = x − 3
(g) f (x) = 5
(c) h(x) = −2x + 1
(h) g(x) = 0
(d) f (x) = 12 x − 3 Observación: a esta función se la llama
función nula.
(e) g(x) = x
Observación: a esta función se la llama (i) h(x) = 53 x + 31
función identidad.
2. Muchas veces la palabra función se utiliza para indicar una relación o dependencia de una
cantidad respecto de otra. Para las siguientes situaciones se pide expresar las mismas de
manera algebraica.
Por ejemplo:
• La función que a cada número le asocia su doble se puede expresar como: f (x) = 2x.
• La distancia que recorre un vehículo que circula a una velocidad de 90 kilómetros por
hora en función del tiempo de viaje se expresa como: f (x) = 90x siendo x el tiempo de
viaje en horas.
(a) La función que a cada número le suma 3 está dada por:
(b) La función que al triple de cada número le suma 5 está dada por:
(c) La función que a cada número le asocia su mitad está dada por:
3. Hallar, en cada caso, la ecuación de la recta que satisface las siguientes condiciones y grafi-
carla.
(a) Tiene como pendiente −3 y ordenada al origen 6.
1
(b) Tiene como pendiente 3 y ordenada al origen −1.
(c) Pasa por el punto (0, 4) y tiene pendiente −1.
(d) Pasa por el punto (2, 6) y tiene pendiente 2.
(e) Pasa por el punto (3, 2) y tiene pendiente 5.
(f) Pasa por el punto (1, −1) y tiene ordenada al origen 3.
(g) Pasa por el punto (−1, −3) y tiene ordenada al origen −2.
(h) Pasa por el punto (8, 2) y tiene ordenada al origen 0.
(i) Pasa por el punto (3, 2) y tiene ordenada al origen 21 .
(j) Pasa por el punto (−1, 3) y es paralela a la recta de ecuación f (x) = −x − 2. Obser-
vación: dos rectas se dicen paralelas si tienen la misma pendiente.
(k) Pasa por el punto (−2, 5) y es paralela a la recta de ecuación f (x) = − 32 x + 9.
4. Hallar, en los casos en que sea posible, las raíces de las funciones lineales del Ejercicio 1.
2.4 Funciones cuadráticas

Definición 2.2 Una función cuadrática, o función polinómica de segundo orden, es una función
f : R → R que puede escribirse como
f (x) = ax2 + bx + c
donde a, b y c son constantes reales y a 6= 0 (de lo contrario, f sería una función lineal).
Nuevamente, el término independiente, en este caso c es la ordenada al origen.
La gráfica de esta función es una parábola.
La gráfica de una función cuadrática puede ser de dos formas posibles y esta forma depende de
la constante a que indica el tipo de concavidad que tiene la función:
• Si a > 0, se dice que la parábola tiene concavidad positiva y su gráfica es de la forma
• Si a < 0, se dice que la parábola tiene concavidad negativa y su gráfica es de la forma
Observación: ¿Cuántos puntos se necesitan para determinar una función cuadrática? Mientras
que, en el caso de la función lineal con dos puntos distintos hay una única recta que pasa por ellos,
en este caso dados tres puntos no alineados existe una única parábola (y por lo tanto una única
función cuadrática) que pasa por esos tres puntos.
Analicemos algunas características de la función cuadrática:
• su vértice: siempre existe un único vértice. Es un punto en el plano y, por lo tanto, tiene
dos coordenadas que llamaremos xv e yv , es decir, V = (xv ; yv ). Este punto será el mínimo
si la función tiene a > 0 o el máximo si la función tiene a < 0. ¿Cómo se halla? Primero
buscamos el xv mediante el siguiente cálculo:
b
xv = −
2a
Luego, como el yv tiene que ser un punto de la función, se consigue evaluando la función en
xv , es decir, yv = f (xv ).
Ejemplo 2.11 Para cada una de las funciones cuadráticas consideradas, hallar su vértice y
graficarlo en el plano.
1. f (x) = x2 − 6x
2. g(x) = −2x2 − 4x + 6
3. h(x) = x2 + 1
Solución:
1. Comencemos identificando quiénes son a, b y c para esta función:
a=1 b = −6 c=0
Debemos hallar el vértice es V = (xv ; yv ). ¿Cómo se obtiene xv ? Se obtiene utilizando

la fórmula dada con a = 1 y b = −6.
(−6)
xv = − =3
2·1
¿Y cómo se obtiene yv ? Evaluando la función en xv = 3, es decir,
yv = f (xv ) = f (3) = 32 − 6.3 = −9 .
Finalmente, el vértice es V = (3; −9) y su representación en el plano es

2. En este caso, a, b y c son:
a = −2 b = −4 c=6
Luego, la coordenada x del vértice V = (xV , yV ) se obtiene como
(−4)
xV = − = −1
2(−2)
y la coordenada y del vértice se obtiene reemplazando en la función:
yV = g(xV ) = −2(−1)2 − 4(−1) + 6 = 8
por lo que el vértice es V = (−1; 8) y su representación en el plano cartesiano es
3. En este caso
a=1 b=0 c=1
Luego, su xV es
b 0
xV = − =− =0
2a 2·1
y su
yV = h(xV ) = h(0) = 02 + 1 = 1 .
Por lo tanto, el vértice es V = (0, 1) y su representación gráfica es

• su eje de simetría: este eje de simetría es una recta vertical apoyada siempre sobre el vértice,
es decir, el eje de simetría es
x = xv .
Este eje indica que, dados dos valores de x que se encuentran a la misma distancia horizontal
del eje de simetría, les corresponde el mismo valor de la función. En otras palabras, el eje de
simetría actúa como un espejo.
Ejemplo 2.12 Continuamos con el Ejemplo 2.11. Hallar el eje de simetría en cada caso y
graficarlo en el mismo plano cartesiano del ejercicio anterior.
Solución:
1. Es claro que como el vértice es V = (3; −9) entonces el eje de simetría es x = 3 y, por
lo tanto, se puede ver de la siguiente manera:
2. Como el vértice era V = (−1; 8) entonces el eje de simetría es x = −1 y su repre-

sentación en el gráfico del correspondiente ejercicio es
3. Como el vértice es V = (0, 1) entonces su eje de simetría está en x = 0, es decir, sobre

el eje y. Su representación gráfica es
• sus intersecciones con los ejes:

? con el eje y: ocurre en un único lugar y este es, nuevamente, en la ordenada al origen
(en este caso llamada c) y se consigue, como siempre, evaluando la función en 0. El
par ordenado que se corresponde con el punto de intersección es el par (0; c).
Ejemplo 2.13 Continuamos con el Ejemplo 2.11. Hallar la intersección con el eje y
en cada caso e indicarla en el plano cartesiano del ejercicio anterior.
Solución:
1. Como ya lo hemos mencionado, la ordenada al origen es c y, por lo tanto, en este
caso es 0. El punto en el plano es el (0; 0). Luego, en el gráfico queda representado
2. En este caso, la intersección con el eje y es en 6, es decir, el punto intersección es

(0; 6). Luego, en el gráfico se indicaría como
3. Por último, para esta función cuadrática, la intersección con el eje y está en 1 (que
es el valor de c) y, por lo tanto, coincide con su vértice. Luego, su representación
gráfica es el mismo gráfico anterior:
? con el eje x: es lo que comúnmente se llaman raíces y, tal como lo mencionamos

anteriormente, es el conjunto de valores de x que anulan la función, es decir, si f es
la función son los valores de x tales que f (x) = 0. En este caso, hay una fórmula para
hallar las raíces de una función cuadrática y se la suele llamar fórmula resolvente. La
fórmula dice que las raíces x1 y x2 se pueden obtener de la siguiente manera:
√
−b ± b2 − 4ac
x1 , x2 =
2a
donde ± significa que una de las soluciones, por ejemplo x1 , usa el + mientras que la
otra, por ejemplo x2 , usa el −.
Observación: ¿Cuántas raíces reales puede tener una función cuadrática? Puede tener
2 (o sea, x1 y x2 son números distintos), pero también puede tener sólo una (o sea,
x1 = x2 ) o bien ninguna (no se puede hacer el cálculo de la raíz). Algunos ejemplos de
esto son:
Ejemplo 2.14 Continuamos con el Ejemplo 2.11. Hallar el conjunto de intersecciones

con el eje x y graficarlo en el mismo plano cartesiano del ejercicio anterior.

Solución:
1. Para hallar las raíces, es decir, el conjunto de intersecciones con el eje x aplicaremos
la fórmula resolvente. Recordemos que, en este caso, a = 1, b = −6 y c = 0. Luego,
aplicando la fórmula, se obtiene
√ p √
−b ± b2 − 4ac −(−6) ± (−6)2 − 4.1.0 6 ± 36 6 ± 6
x1 , x2 = = = =
2a 2.1 2 2
con lo que tenemos dos soluciones: una con el + y otra con el −, es decir,
6 + 6 12 6−6 0
x1 = = =6 x2 = = =0
2 2 2 2
De esta manera, el conjunto de intersecciones con el eje x es {0; 6} y su repre-
sentación en el plano cartesiano es
Observemos que las raíces son puntos en el plano cartesiano de la forma (x; 0).
2. Nuevamente, aplicaremos la fórmula resolvente para hallar, en caso de que existan,
las raíces de esta función cuadrática. Recordemos que, en este caso, a = −2,
b = −4 y c = 6, luego
√ p √
−b ± b2 − 4ac −(−4) ± (−4)2 − 4.(−2).6 4 ± 16 + 48
x1 , x2 = = =
2a 2.(−2) −4
√
4 ± 64 4 ± 8
= = .
−4 −4
Luego, tenemos dos soluciones:
4+8 12 4 − 8 −4
x1 = = = −3 x2 = = =1
−4 −4 −4 −4
De esta manera, el conjunto de intersecciones con el eje x es {1; −3} y su repre-
sentación en el plano cartesiano es
3. Nuevamente, utilizaremos la fórmula resolvente para hallar las raíces (en caso de
que existan). Como a = 1, b = 0 y c = 1,
√ √ √
−b ± b2 − 4ac −0 ± 02 − 4.1.1 0 ± −4
x1 , x2 = = =
2a 2.1 2
Observemos que no es posible dar un resultado real para la raíz cuadrada de un
número negativo y, por lo tanto, no se puede continuar con este cálculo. De esta
manera, esta función cuadrática no tiene raíces reales y, por lo tanto, el conjunto
de intersecciones con el eje x es 0.
/

Lo último que quedaría es graficar una función cuadrática con toda la información hallada.
Ejemplo 2.15 Con la información obtenida hasta el momento, realizar una representación gráfica
de las tres funciones cuadráticas del Ejercicio 2.11.
1. Basta con unir con cuidado los puntos hallados y respetar la simetría de la gráfica de la
función. De esta manera, se tiene
2. Nuevamente, basta con respetar la simetría que existe. Observemos también que, como
presenta simetría alrededor de x = −1 y hay un punto en (0; 6) correspondiente a la gráfica
de la función entonces tiene que haber un punto en el (−2; 6). De esta manera, el gráfico
queda
3. En este caso particular, la información hallada hasta el momento no nos permite realizar
un gráfico estimado de la función. Para poder graficarla, lo que haremos será hallar dos
puntos más. Por ejemplo, como h(1) = 12 + 1 = 2 esto signfica que el par ordenado (1; 2)
se encuentra en la gráfica de la función. Por simetría alrededor del eje x = 0 es claro que
el punto (−1; 2) también se encuentra en la gráfica de la función (es fácil chequear que
h(−1) = 2). De esta manera, incorporamos primero estos dos puntos en el plano cartesiano
de la siguiente manera
y luego unimos los puntos y, usando también la simetría de la función, resulta que su
representación gráfica quedaría
2.4.1 Ejercicios
1. Representar gráficamente las siguientes funciones cuadráticas determinando previamente la
ecuación del eje de simetría, el vértice y las intersecciones con los ejes.
(a) f (x) = −x2 + 8x (c) h(x) = (x − 1)2
(b) g(x) = (x + 5)(x − 3) (d) f (x) = −2(x − 3)2 + 4
2. Calcular, en los casos en que sea posible, las raíces de las siguientes funciones cuadráticas:
(a) f (x) = 2x2 − 6x + 4

(h) g(x) = 3x2 + 1
(b) g(x) = x2 − 7x + 12
(i) h(x) = (x − 1)2 − 16
(c) h(x) = −x2 + 2x + 15
(j) f (x) = −(x + 1)2 + 9
(d) f (x) = 5x2 − 5x
(k) g(x) = (2x + 3)2 − 3x − 19 + 3x − 6
(e) g(x) = x2 − 4
(l) h(x) = −3(x + 1)2 − 3
(f) h(x) = 2x2 − 8
(m) f (x) = (x − 1)2 + 5(x − 1)2 − 54
(g) f (x) = −4x2 + 1
3. Graficar las funciones cuadráticas del ítem anterior identificando previamente el eje de
simetría, el vértice y las intersecciones con los ejes.
2.5 Funciones partidas

Las funciones partidas que estudiaremos serán funciones con dominio y codominio en todos los
reales, es decir, funciones f : R → R, que tienen la particularidad de comportarse de diferentes
maneras (como funciones lineales o cuadráticas, por ejemplo) según los valores del dominio que se
consideren.
Para poder tener bien definida una función partida en todos los reales, es necesario primero
definir lo que significa una partición de R.
Definición 2.3 — Partición de los números reales. Diremos que una colección de conjuntos
(intervalos o puntos) es una partición de R si:
• la unión de todos los conjuntos da R, y si
• cada intersección de dos de ellos es vacía, es decir, no hay elementos en común entre
ningún par de conjuntos.
Ejemplo 2.16 Determinar cuáles de las siguientes colecciones de conjuntos son una partición de
R y cuáles no. Justifique su respuesta.
1. (−∞; 5], (5; +∞)
2. (−∞; −3), [−3; −1), [1; +∞)
3. (−∞; 4], (4; 100]
4. (−∞; 0], [0; +∞)
5. (−∞; −2], [3; +∞)
6. (−∞; 9), (4; +∞)
7. (−∞; 8), {8}, (8; +∞)
Solución:
1. Estos dos conjuntos forman una partición de R porque lo cubren todo (desde el −∞ hasta
el +∞) y no tiene elementos repetidos (el 5 se encuentra en un único intervalo: el (−∞; 5]).
Para observar que todo R queda cubierto, una posibilidad es graficar los intervalos tal como
fue hecho en el Capítulo anterior.
2. Por la misma razón que antes, estos tres intervalos cubren todo R pero además no están
repetidos ni el −3 ni el 1.
3. Estos dos intervalos no forman una partición de R ya que no lo están cubriendo todo. Lo que
estaría faltando es cubrir el intervalo (100; +∞).
4. Estos dos conjuntos no conforman una partición de R ya que si bien lo cubren por completo,
el punto 0 se encuentra repetido. Más aún, (−∞; 0] ∩ [0; +∞) = {0} y no 0/ como debería
ocurrir para que se cumpla una de las dos condiciones necesarias para que sea una partición.
5. Nuevamente, estos dos intervalos no forman una partición de R ya que no lo cubren todo:
falta (−2; 3).
6. Si bien estos dos intervalos cubren todo R (basta con graficarlos en la misma recta real),
tienen elementos repetidos (su intersección no es vacía). Más aún, (−∞; 9) ∩ (4; +∞) = (4; 9).
Luego, no forman una partición de R.
7. Estos tres conjuntos sí conforman una partición de R. Los dos intervalos son disjuntos (tienen
intersección vacía) pero no cubren todo R, faltaría el punto 8, que es el único elemento del
tercer conjunto dado.

Definición 2.4 — Función partida. Diremos que una función con dominio y codominio en
todos los reales, es decir, f : R → R, es una función partida o función definida a trozos si no
está definida por una sola ecuación, sino por dos o más. Estas ecuaciones que la definen se
aplican únicamente dentro de uno de los conjuntos que particionan al dominio.
Ejemplo 2.17 — Ejemplos de funciones partidas. Graficar las siguientes funciones partidas
determinando,previamente, la partición sobre la que están definidas.
1
1. f (x) = 3x+1 si x < 3
3 − x si x ≥ 3
 2
 x − 1 si x < 2
2. g(x) = 5 si x = 2
4 − x si x > 2


 −3 − x si x ≤ −1
3. h(x) = 2x + 1 si − 1 < x ≤ 3
x−2 si x > 3

Solución:
1. ¿Cuál es la partición? La partición es (−∞; 3) y [3; +∞).
Esto significa que la función en (−∞; 3) se comporta como 13 x + 1 mientras que en [3; +∞)
se comporta como 3 − x. En definitiva, la función f está formada por dos “partes” de rectas
(dos semirrectas en este caso). Recordemos que para graficar una recta, son suficientes dos
puntos. Cuando se tienen funciones partidas siempre es recomendable considerar el extremo
finito del intervalo como uno de los puntos usados para graficar (independientemente si ese
punto se encuentra o no en el conjunto de definición, tal como lo veremos a continuación).
El otro punto que usaremos sí tiene que encontrarse en el conjunto de definición (salvo que
el intervalo de definición tenga dos extremos finitos y no uno solo como ocurre en este caso).
Para el intervalo (−∞; 3):
x y = 13 x + 1
3 2
0 1
Observemos que el 0 fue elegido porque se encuentra en el intervalo (−∞; 3).

Para graficar ahora nos preguntamos: ¿el 3 forma parte del conjunto? Como la respuesta es
no, entonces cuando lleguemos a ese punto, deberemos poner un círculo abierto en lugar de
uno cerrado (que se usará para indicar que el punto sí pertenece al conjunto). De esta manera,
el gráfico que tenemos hasta ahora es el siguiente:
Para el intervalo [3; +∞):
x y = 3−x
3 0
4 -1
Observemos que el 4 fue elegido porque se encuentra en el intervalo [3; +∞).

Para graficar ahora nos preguntamos: ¿el 3 forma parte del conjunto? En este caso la respuesta
es sí y, por lo tanto, graficaremos ese extremo con un punto cerrado. Luego, representando
los puntos en el gráfico anterior y uniendo éstos nuevamente, tal como lo hecho para la
semirrecta anterior, tenemos el gráfico completo de la función partida:
2. Comencemos observando cuál es la partición asociada a esta función. La partición está

formada por los conjuntos (−∞; 2), {2} y (2; +∞). Estudiaremos cada elemento de la
partición por separado.
Para el (−∞; 2): en este caso la función es una función cuadrática por lo que no basta con
elegir puntos “cualesquiera” para tener una buena representación. Lo que haremos será
entonces estudiar la función como si no supiésemos dónde se encuentra definida y luego
graficarla únicamente donde sí tiene sentido para la función g. Calculemos primero el vértice.
En este caso, a = 1, b = 0 y c = −1 se tiene que xV = 0, y por lo tanto yV = −1. Luego, el
vértice es V = (0; −1). Además, como la intersección con el eje y también evalúa la función
en el 0, entonces la intersección con el eje y está en −1 y, por lo tanto, los dos puntos son
el mismo en el plano cartesiano. Para hallar las raíces de la función utilizamos la fórmula
y tenemos que las dos raíces son 1 y −1. Todos estos puntos mencionados se encuentran
dentro del intervalo (−∞; 2). Para lograr una mayor precisión, el punto que se corresponde
con el extremo del intervalo también debería evaluarse. Si evaluamos el 2 en la función
cuadrática esto nos da 22 − 1 = 3. El único cuidado que hay que tener es si este punto debe
ser graficado como un punto cerrado (o relleno) o un punto abierto. Como el 2 no forma
parte del intervalo sobre el que está definida esta función cuadrática, se graficará como un
punto abierto (y todos los demás como puntos cerrados. De esta manera, por ahora tenemos
el siguiente gráfico:
Uniendo los puntos sobre el intervalo (−∞; 2) se tiene la siguiente representación:
dando por finalizada la parte del gráfico correspondiente al intervalo (−∞; 2).
Para el {2}: si bien la función involucrada es la función constante y = 5, la realidad es que
podría haber sido cualquier otra función porque, de ella, sólo importa lo que ocurre en x = 2
(que es el elemento de la partición donde está definida). En este caso entonces sólo hay que
marcar el punto (2; 5) en el plano cartesiano. Luego, el gráfico actualizado con la nueva
información es el siguiente:
Para el (2; +∞): realizamos una tabla con dos puntos porque la función involucrada es la
función lineal y = 4 − x. Nuevamente, uno de los puntos considerados será el extremo del
intervalo y el otro punto será uno que forme parte del intervalo (2; +∞), por ejemplo, el
punto x = 3. Luego, la tabla es
x y = 4−x
2 2
3 1
Observando además que el punto (2; 2) se grafica como un punto abierto ya que el 2 no se
encuentra en el intervalo (2; +∞), marcando también el punto (3; 1) y uniendo con una línea
recta, se tiene el gráfico obtenido para la función partida g es
3. En este caso, la partición está formada por: (−∞; −1], (−1; 3] y (3; +∞). Para cada uno de
estos intervalos tenemos que graficar tres partes de rectas. Para el (−∞; −1): consideramos
el extremo x = −1 y otro punto en el intervalo, por ejemplo, el x = −2. Luego, la tabla es
x y = −3 − x
-1 -2
-2 -1
Como además el −1 está incluido en el intervalo, el punto se grafica cerrado y entonces,
uniendo los puntos en el lugar correcto, se tiene que
Para el (−1; 3]: en este caso, este intervalo tiene dos extremos que son números y, por lo
tanto, ambos son considerados en la tabla para graficar la función lineal involucrada.
x y = 2x + 1
-1 -1
3 7
Luego, teniendo en cuenta qué punto va cerrado, cuál abierto, y uniendo con una recta, se
tiene el siguiente gráfico:
Por último, queda el intervalo (3; +∞). En este caso, los valores de x que consideramos, por
ejemplo, para graficar la función lineal involucrada son x = 3 y x = 4. De esta manera, la
tabla queda
x y = x−2
3 1
4 2
y, por lo tanto, el gráfico final obtenido para la función h es
2.5.1 Ejercicios
1. Determinar cuáles de las siguientes colecciones de conjuntos son partición de R y cuáles no.
Justifique su respuesta.
(a) (−∞; −2], (2; 5), [5; +∞)

(f) (3; 4), [4; +∞), (−∞; 0], (0; 3]
(b) (6; +∞), (−∞; 6]
(g) {5}, (5; +∞), (−∞; −5)
(c) (−∞; 8], (7; +∞)
(h) (−∞; 4], (2; +∞)
(d) (−∞; 0), {0}, (0; 4], (4; +∞)
(i) (4; 7), {7}, (7; +∞)
(e) (−∞; 15), (15; +∞)
2. Graficar las siguientes funciones partidas determinando, previamente, la partición sobre la

que están definidas.

2 − x si x < 1
(a) f (x) =
x − 1 si x ≥ 1

−2 + 2x si x ≤ 4
(b) g(x) =
6 − 3x si x > 4

x si x > 0
(c) h(x) = Observación: este es el gráfico de la función módulo o
−x si x ≤ 0
valor absoluto.

 x si x > 0
(d) f (x) = −x si x < 0
2 si x = 0


 x si x ≤ −1
(e) g(x) = 2x − 1 si − 1 < x ≤ 2
5 − 3x si x > 2

2
x − 9 si x < 0
(f) h(x) =
−x2 si x ≥ 0
2

 −x + 4 si − 3 < x < 3
(g) f (x) = 3 si x ≥ 3
x−1 si x ≤ −3


 2x − 1 si 2 < x
(h) g(x) = 4 si − 1 < x ≤ 2
 3 1
+ x si x ≤ −1
 2 2
 x si x < 3
(i) h(x) = −1 si x = 3
5 − x si x > 3



 −3 si x < −3
0 si − 3 ≤ x < 2

(j) f (x) = 1
si 2≤x≤4
 2


2 si 4 < x


 −x − 3 si x < −5
2x + 1 si − 5 ≤ x < 1

(k) g(x) =

 0 si x = 1
−3x si x > 1

3. Técnicas de conteo
En algunas ocasiones nos resultará de importancia contar el número de elementos que componen
un conjunto A, sin necesidad de hacer un listado de sus elementos.
3.1 Regla del producto

La primera regla que nos ayuda a contar los elementos que posee un conjunto es la regla del
producto para pares ordenados. Se basa en una propiedad fundamental de los pares ordenados: el
par (a; b) es distinto del par (b; a) siempre que a sea distinto de b. Esto es equivalente a decir que
en un par ordenado “importa el orden”.
De esta manera se tiene la siguiente regla:
Propiedad 3.1.1 — Regla del producto para pares ordenados. La cantidad de pares ordena-
dos que se pueden construir sabiendo que en la primera coordenada se pueden ubicar n elementos
distintos y que en la segunda coordenada se pueden ubicar m elementos distintos es n.m.
Es decir, si una tarea se realiza en dos etapas donde la primera se puede realizar de n formas
posibles y si, para cada una de ellas, la segunda etapa se puede realizar de m formas distintas,
entonces la tarea completa se puede realizar de n.m formas diferentes.
Esto viene del hecho de que si las posibilidades para la primera etapa son a1 , a2 , . . . , an y las
posibilidades para la segunda etapa son b1 , b2 , . . . , bm entonces todas las posibilidades podríamos
ubicarlas en una tabla de la siguiente manera:
b1 , b2 ... bm
a1 (a1 ; b1 ) (a1 ; b2 ) ... (a1 ; bm )
.. .. .. .. ..
. . . . .
an (an ; b1 ) (an ; b2 ) ... (an ; bm )
76 Capítulo 3. Técnicas de conteo
Ejemplo 3.1 Una alumna desea escribir el título “Regla del producto” y para ello cuenta con
lapiceras azul y negra para escribirlo y lápices de colores: rojo, verde y celeste para subrayarlo.
¿De cuántas maneras puede hacerlo?
Solución: Lo resolveremos de dos maneras diferentes:
1. Primero haremos, en esta oportunidad, el listado de todas las formas posibles (la primera
coordenada corresponde a la lapicera con la que se escribiría el título y la segunda el color
del lápiz con el que se subrayaría):
azul . rojo negra . rojo
azul . verde negra . verde
azul . celeste negra . celeste
O sea, hay un total de 6 formas diferentes de hacerlo.

2. Tengo 2 lapiceras y por cada lapicera tengo 3 lápices para subrayar:
2 3
.
lapicera lápiz
Luego, por la regla del producto tenemos 2.3 = 6 formas diferentes de hacerlo.

Observemos que la segunda manera es la óptima si el listado con todas las posibilidades es muy
grande.
Ejemplo 3.2 Si para ir a la universidad dispongo de tres líneas de colectivos, ¿de cuántas maneras
puedo ir y volver?
Solución: En este caso tenemos tres líneas de colectivos diferentes para ir pero también tres líneas
de colectivos para volver. Por lo tanto, tenemos
3 3
.
ida vuelta
y por lo tanto tenemos 9 maneras diferentes de ir y volver a la Universidad.
Esta regla del producto se puede generalizar a k−uplas.

Propiedad 3.1.2 — Generalización de la regla del producto. La cantidad de k−uplas, es
decir ( −1 , −2 , . . . , −k ), que se pueden construir sabiendo que en la primera coordenada podemos poner
n1 elementos distintos, en la segunda coordenada n2 elementos distintos, . . . , y en la k−ésima
coordenada podemos poner nk elementos distintos es n1 .n2 . . . . .nk .
Ejemplo 3.3 Si un menú ejecutivo consta de tres posibles entradas, dos posibles platos principales
y cuatro posibles postres, ¿cuántas variantes de tal menú es factible seleccionar? ¿Cómo se modifica
este valor si agregamos dos opciones de bebidas?
Solución: En este caso estaríamos trabajando con ternas. Si consideramos la “entrada” como
primera coordenada, el “plato principal” como la segunda coordenada y el “postre” como la tercera
coordenada, tenemos
3 2 4
. . = 24
entrada plato postre
posibilidades, es decir, se pueden seleccionar 24 combinaciones diferentes de menúes.
Si además se agrega 2 opciones de bebida, se tienen
3 2 4 2
. . . = 48
entrada plato postre bebida
3.1 Regla del producto 77
opciones diferentes de menúes.
Otra técnica de conteo (aunque menos eficiente): D IAGRAMA DE ÁRBOL

Es una representación gráfica de un experimento que consta de r pasos y cada paso tiene un
número finito de manera de llevarse a cabo.
1er paso 2do paso 3er paso . . . r-ésimo paso

a1 −→ b1 −→ c1 −→ r1
.. .. ..
. & . & .
bn2 cn3
a2 −→ b1
.. ..
. & .
bn2
an1 −→ b1
..
& .
bn2
Llamamos “experimento completo” a una rama del árbol completa. La cantidad total de ramas
completas es la cantidad de maneras diferentes que tiene el experimento de llevarse a cabo.
Observación: tiene la desventaja de que implica hacer un listado de sus elementos.
Ejemplo 3.4 Las patentes nuevas de los autos tienen 2 letras, 3 números y 2 letras nuevamente.
¿Cuántas patentes distintas se pueden formar? ¿Cuántas si no se desea repetir ni ninguna letra ni
ningún número? Hay 26 letras disponibles.
Solución: Si quisiéramos hacer un diagrama de árbol haríamos:
A −→ A −→ 0 −→ 0 −→ 0 −→ A −→ A
.. .
. & ..
Z
B −→ A
.. .
. & ..
Z
..
.
Esto claramente se haría inmanejable.
Usando la regla del producto es claro que:
26 26 10 10 10 26 26
. . . . . . = 26.26.10.10.10.26.26 = 264 103 = 456976000 .
letra letra número número número letra letra
Es decir, hay 456976000 patentes distintas.
Si no se pueden repetir números, en un diagrama de árbol se vería así:
A −→ B −→ 0 −→ 1 −→ 2 −→ C −→ D
.. .
. & ..
Z
B −→ A
.. .
. & ..
Z
..
.
sin embargo no lo vamos a contar de esta manera sino con la regla del producto. Como cada vez
que usamos una letra, esa misma letra no se puede repetir, para la segunda coordenada tenemos
siempre una opción menos. De esta manera, hay
26 . 25 . 10 . 9 . 8 . 24 . 23 = 258336000
patentes distintas que no repiten ni letras ni números.
3.1.1 Ejercicios
1. Para seleccionar las escuelas a las que un niño asistirá durante los diferentes ciclos de en-
señanza, sus padres cuentan con 4 posibles jardines de infantes, 3 posibles escuelas primarias
y 5 posibles escuelas secundarias diferentes. ¿Cuántas formas de elegir las instituciones para
los diferentes ciclos hay?
2. ¿Cuántas palabras de tres letras se pueden formar con cinco consonantes y tres vocales de
modo que cada palabra comience y termine en consonante?
Observación: las consonantes no se pueden repetir.
3. Una persona desea construir su casa, para lo cual considera que puede construir los cimientos
de su casa de cualquiera de dos maneras (concreto o block de cemento), mientras que las
paredes las puede hacer de adobe, adobón o ladrillo, el techo puede ser de concreto o lámina
galvanizada y por último los acabados los puede realizar de una sola manera. ¿Cuántas
maneras tiene esta persona de construir su casa?
4. ¿Cuántas patentes (de las viejas) con 3 letras y 3 números hay? ¿Cuántas si no se pueden
repetir las letras ni los números?
Observación: Hay 26 letras posibles.
5. Se arroja 4 veces una moneda y se anota de manera ordenada la sucesión de caras y cecas
obtenidas.
(a) ¿Cuántas 4-uplas diferentes hay?
(b) ¿Cuántas 4-uplas que terminan con cara hay?
(c) ¿Cuántas que terminan con “Cara - Ceca” (en ese orden) hay?
(d) ¿Cuántas que tienen en las dos últimas coordenadas exactamente una cara y una ceca?
(e) ¿Cuántas con al menos una cara hay?
6. Se arroja un dado 3 veces y se anota de manera ordenada los números que salieron.
(a) ¿Cuántas ternas diferentes hay?
(b) ¿Cuántas ternas que empiezan con 6 hay?
(c) ¿Cuántas ternas de todos 6 hay?
(d) ¿Cuántas ternas con ningún 6 hay?
(e) ¿Cuántas ternas con al menos un 6 hay?
3.2 Permutaciones
Comencemos primero con algunas definiciones.
Definición 3.1 — Factorial. Llamamos factorial del número natural n, y lo notamos con n!, al
siguiente producto:
n! = n.(n − 1) . . . 2.1
y definimos por convención 0! = 1.
Definición 3.2 — Permutación. Definimos permutación a un reordenamiento de una colección

de objetos.
Propiedad 3.2.1 Dado un conjunto de n elementos, el número de permutaciones es n!.

3.2 Permutaciones 79
Es claro que es n! ya que si ordenamos de izquierda a derecha los elementos, la primera posición
tiene n elementos posibles para ubicarse, pero una vez ubicado este elemento, la segunda posición
tiene n − 1 elementos posibles, y así siguiendo hasta que se llega a la última posición. Es decir, con
n elementos distintos hay
n . (n − 1) . . . 2 . 1 = n!
maneras de ordenarlos.
Ejemplo 3.5 A una profesora se le cayeron 6 hojas escritas de un cuaderno. ¿De cuántas maneras
diferentes las puede tener ordenadas cuando las levante?
Solución: Si pensamos que las ordena de izquierda a derecha (o de adelante hacia atrás, es lo
mismo) resulta que hay
6 . 5 . 4 .3 . 2 . 1 = 6! = 720
formas distintas de levantar las hojas.
Ejemplo 3.6 .
(a) ¿Cuántas palabras (aunque la mayoría sin sentido) pueden formarse con las letras de la
palabra ARBOL?
(b) ¿Cuántas de estas palabras terminan en R?
(c) ¿Cuántas contienen “LA”?
Solución:
(a) Si pensamos en ordenar las letras de izquierda a derecha, tenemos
5 . 4 .3 . 2 . 1 = 5! = 120
Respuesta: se pueden formar 120 palabras.

(b) En este caso, la R está fija en la última coordenada. De esta manera, nos quedan 4 letras para
repartir de manera ordenada entre las primeras 4 coordenadas, mientras que para la última
coordenada hay una única opción (que es la R). Luego, tenemos
4 .3 . 2 . 1. R = 4! = 24
Respuesta: hay 24 palabras terminadas en R.

(c) En este caso, “LA” debe ir toda junta. De esta manera, como puede empezar a escribirse en
la primera coordenada, también en la segunda, en la tercera y en la cuarta, las opciones son:
L .A . 3 . 2. 1 = 3! = 6
3 . L .A . 2. 1 = 3! = 6
3 . 2 . L . A. 1 = 3! = 6
3 . 2. 1 . L . A = 3! = 6
ya que, al usarse las letras L y A, entonces siempre tenemos 3 letras para repartir entre tres
coordenadas. Observemos que si “LA” está ubicada en las primeras dos coordenadas, no
está ubicada en las última dos, y lo mismo con las otras posiciones. En definitiva, todos estos
son casos distintos y, por lo tanto, al sumarlos no estamos contando ningún caso repetido. De
esta manera, el resultado es 6 + 6 + 6 + 6 = 24.
Esto también puede pensarse como: 4 opciones para poner “LA” y por cada una de estas
opciones hay 3! maneras de ubicar las restantes letras. En definitiva, la respuesta también es
4.3! = 24.

Ejemplo 3.7 .
(a) ¿Cuántas formas hay de ubicar 5 personas en 5 butacas consecutivas de un teatro?
(b) ¿Cuántas si estas 5 personas son una pareja de padres y tres hijos y los padres desean estar
juntos?
(c) Ídem si no desean estar juntos.
(d) Ídem si desean sentarse en las puntas.
Solución:
(a) Como tenemos que ubicar 5 personas en 5 butacas (y las butacas están ordenadas), tenemos
5! = 120 maneras.
(b) En este caso conviene pensar que los padres forman parte de una bolsita (que tiene 2
elementos) y que una vez que se ubique la bolsita, deberemos considerar las dos maneras
diferentes que tienen los padres de sentarse. En definitiva, al unir los padres en una misma
bolsita, tenemos un total de 4 bolsitas (3 de ellas con un único individuo, cada hijo, y una de
ellas con dos individuos: los padres). Ordenar las bolsitas es 4! = 24. Sin embargo, una vez
que ordené las bolsitas, queda por ordenar a los padres. Como estos son dos, entonces hay
2! = 2 maneras de ordenar a los padres. Observemos entonces que, por cada ordenamiento
de las bolsitas, hay dos distribuciones diferentes de personas en las butacas. De esta manera,
la respuesta es 4!2! = 24.2 = 48, es decir, hay 48 maneras de ubicar a las 5 personas de
manera que los padres se sienten juntos.
(c) En este caso queremos todo lo contrario. Contar los casos que no desean estar juntos es como
contar todos los casos posibles y sacarle los casos en los que sí se sientan juntos (que es el
caso del ítem (b)). Luego, hay
120 − 48 = 72
formas de ubicarse de manera que los padres no se sienten juntos.
Observación: este ejercicio se puede resolver también separando en casos tal como se hizo
en el ítem (c) del ejercicio anterior.
(d) En este caso, como los padres se quieren sentar en las puntas, la manera de hacer esto es
pensar en el 2! se ubicar a los padres (el de la punta izquierda y luego, el que queda, en la
punta derecha) y luego ubicar a los hijos en el medio (que como son 3 da 3!). En definitiva,
el resultado es 2!3! = 12, es decir, hay 12 manera de ubicar a las 5 personas de manera que
los padres queden en las puntas.
Otra manera de resolver esto es pensando coordenada a coordenada. Teniendo en cuenta que
en los extremos sólo pueden ir los madres y que en la butacas centrales tienen que estar los
tres hijos, se tiene que hay
2 . 3. 2 . 1 . 1 = 2.3.2.1.1 = 2!3! = 12
formas de ubicar a las personas de manera que los padres se sienten en las puntas.

Observación: en el Ejemplo 3.6 habíamos separado todos los casos en los que podía ir “LA” y
luego permutado las restantes letras. Observemos que si hubiésemos pensado el “LA” como una
bolsita con dos elementos, ese ejercicio se podría haber resuelto permutando todas las bolsitas y
eso daría 4! = 24 (hay 3 bolsitas con un único elemento y 1 bolsita con dos elementos), que es la
respuesta del ítem.
Ejemplo 3.8 .
(a) Quiero acomodar 10 libros (distintos) en un estante, ¿cuántas maneras tengo de hacerlo?
(b) ¿Cuántas si 3 de ellos pertenecen a una colección y deben ir juntos?
(c) ¿Cuántas si 4 son de una materia y 6 de otra y deseo que los libros de la misma materia
queden juntos?
3.3 Variaciones 81
Solución:
(a) Como los libros van ordenados en el estante, entonces la respuesta es 10! = 3628800 maneras
de ubicar los 10 libros en el estante.
(b) Como los de la colección deben ir juntos, lo pensaremos como una bolsita con 3 elementos
(como habíamos agrupado a los padres en el ejemplo de las butacas). ¿Cuántas bolsitas hay
en total en este caso? Como en total hay 10 libros y sólo 3 son de una misma colección,
entonces hay 8 bolsitas (7 con un único libro y 1 con tres libros). Luego y hasta ahora
tenemos 8! maneras de ordenar las bolsitas. Sin embargo, aún queda por ordenar a los
libros que forman parte de la misma colección. La manera de hacer este ordenamiento es 3!.
Luego, estos factoriales se multiplican porque por cada manera de ordenar las bolsitas hay 3!
maneras de ordenar los libros dentro de la misma colección. De esta manera, la respuesta
es 8!3! = 241920 maneras de ordenar los libros de manera que los de la mismo colección
queden juntos.
(c) Como son de dos materias distintas y éstos deben ir juntos por materia entonces, en principio,
hay dos posibilidades: los de una materia van a la izquierda y los de la otra materia a derecha,
o viceversa. Esto da, hasta ahora 2! maneras de ordenar por materia (la que va a la derecha y
la que va a la izquierda). Una vez que ya está establecido este orden, hay 4! maneras para
ordenar los de una materia entre ellos, y 6! maneras de ordenar entre ellos a los de la otra
materia. De esta manera hay 2!4!6! = 34560 maneras de ordenar los libros de manera que
los de una misma materia queden juntos.

3.2.1 Ejercicios
1. Calcular de cuántas maneras diferentes se pueden sentar tres niños en un banco de plaza con
tres lugares.
2. En un casamiento, 6 hombres y 4 mujeres se están por sacar una foto.
(a) ¿Cuántas fotos distintas pueden hacerse si se los ordena en fila?
(b) ¿Cuántas en que todos los hombres estén juntos a la derecha de todas las mujeres?
3. (a) ¿Cuántas permutaciones existen para las ocho letras a, b, c, d, e, f, g, h?
(b) ¿Cuántas de las permutaciones de (a) comienzan con la letra a?
(c) ¿Cuántas de las permutaciones de (a) comienzan con la letra a y terminan con la letra c?
4. Se desea ordenar 8 libros en un estante.
(a) ¿De cuántas maneras se puede hacer esto?
(b) Si de esos 8 libros hay 3 de Matemática, 3 de Química y 2 de Física. ¿De cuántas
maneras se pueden ubicar los libros en el estante si se desea que los libros de una misma
materia queden juntos?
(c) ¿De cuántas maneras se pueden ubicar los libros si se desea que queden ordenados
alfabéticamente (de menor a mayor o de mayor a menor)?
5. (a) ¿Cuántas palabras pueden formarse con las letras de la palabra TRIANGULO?
(b) ¿Cuántas comienzan con T?
(c) ¿Cuántas comienzan con T y terminan en O?
(d) ¿En cuántas la A ocupa lugar impar?
3.3 Variaciones
Definición 3.3 — Variación. Definimos como variación de n elementos tomados de un grupo
de tamaño m a una n−upla con elementos de ese grupo de m elementos. En general y dicho
coloquialmente, consideramos una variación como el “subconjunto ordenado” de n elementos
que pueden seleccionarse de un conjunto de m elementos, sin repetir elementos.
Ejemplo 3.9 Un club realizará una competencia interna para determinar qué chicos de los 6
socios representarán a la institución. Una vez terminada la competencia se publicarán sólo los
mejores tres resultados. Cada terna que se puede armar con los 6 socios es una variación. ¿Cuántas
ternas pueden armarse en total?
Solución: En este caso sólo hay que tener en cuenta que los socios no se repiten. De esta manera,
para la primera coordenada hay 6 posibilidades, para la segunda quedan 5 posibilidades y para la
tercera y la última hay 4 posibilidades. En definitiva,
6 . 5 . 4 = 6.5.4 = 120,
es decir, se pueden formar 120 rankings de tres posiciones.

Otra manera de escribir este mismo número usando factoriales hubiese sido
6! 6.5.4.3.2.1
= = 6.5.4 = 120
3! 3.2.1

Ejemplo 3.10 Siguiendo con el ejemplo anterior, ¿cuántos rankings diferentes se hubiesen podido
armar si se rankeaban los primeros 4 mejores puestos?
Solución: De la misma manera que antes, la cantidad de 4−uplas que se pueden formar con los 6
socios es
6 . 5 . 4 . 3 = 6.5.4.3 = 360.
Otra manera de escribir esto usando factoriales es
6! 6.5.4.3.2.1
= = 6.5.4.3 = 360 .
2! 2.1

En general, se puede enunciar el siguiente resultado:

Propiedad 3.3.1 La cantidad total de variaciones, es decir, de “subconjuntos ordenados”de n
elementos que pueden seleccionarse de un conjunto de m elementos es
m!
Vm,n =
(m − n)!
Ejemplo 3.11 En los ejemplos anteriores vimos que la cantidad de ternas que se pueden formar
con un conjunto de 6 elementos es
6! 6!
V6,3 = = = 120
(6 − 3)! 3!
mientras que la cantidad de 4−uplas que se pueden formar con un conjunto de 6 elementos es
6! 6!
V6,4 = = = 360 .
(6 − 4)! 2!

Ejemplo 3.12 A un concurso literario se han presentado 10 candidatos con sus novelas. El
cuadro de honor lo conforman el primer puesto, el segundo puesto y el tercer puesto. Los tres
puestos reciben algún premio.
(a) ¿Cuántos cuadros de honor se pueden formar?
(b) Juan es uno de los 10 candidatos. ¿De cuántas formas Juan recibe algún premio?
Solución:
3.3 Variaciones 83
(a) En este caso nos interesa contar la cantidad de ternas que pueden formarse con 10 elementos
distintos. De esta manera, el resultado es
10! 10!
V10,3 = = = 720.
(10 − 3)! 7!
Por supuesto que se podría haber llegado al mismo resultado haciendo
10 . 9 . 8 = 720 .
(b) Supongamos que Juan está en uno de los tres puestos. Luego, tenemos 6 personas para
distribuir entre los otros dos puestos, lo que daría un total de V9,2 = 9!/7! = 72. Sin embargo,
como ubicar a Juan tiene 3 posibilidades diferentes (porque puede estar en el primero,
segundo o tercer puesto), entonces la cantidad total de rankings en los que Juan forma parte
es
3.V9,2 = 3.72 = 216 .
Otra manera de pensarlo podría haber sido separando los tres casos de Juan y luego sumarlos,
es decir,
Juan . 9 . 8 = 72
9 . Juan . 8 = 72
9 . 8 . Juan = 72
y haciendo la suma 72 + 72 + 72 tenemos que hay 216 maneras en las que Juan recibe algún
premio.

Ejemplo 3.13 Si deseo armar una bandera con 3 franjas horizontales de colores diferentes, y
dispongo para ello de 7 telas (franjas) de un color diferente cada una.
(a) ¿Cuántas banderas diferentes puedo armar?
(b) ¿Cuántas si quiero usar el blanco (uno de las 7 telas posibles) en la franja central?
(c) ¿Cuántas si quiero usar el blanco en alguna franja?
(d) ¿Cuántas si decido no usar celeste si uso blanco y recíprocamente?
Solución:
(a) Como disponemos de 7 franjas de colores diferentes y la bandera se arma con tres franjas, la
cantidad de banderas que se pueden armar es
7! 7!
V7,3 = = = 210.
(7 − 3)! 4!
(b) Como en este caso el blanco está fijo como franja central de la bandera, quedarían sólo dos
franjas para determinar: la de arriba y la de abajo. De esta manera, el resultado es
6! 6!
V6,2 = = = 30
(6 − 2)! 4!
o bien
6 . Blanco . 5 = 6.5 = 30
si pensamos que la primera coordenada representaría la franja de arriba, la segunda la central
y la tercera la de abajo.
(c) En este caso nos piden usar el blanco. Hay varias maneras de pensar en esto.
• Una manera es pensar que hay posibilidades para ubicar el blanco y que, una vez
ubicada esta franja, quedan dos lugares para ubicar dos colores y esto sería V6,2 = 30.
De esta manera, la cantidad total de banderas que utilizan el blanco en alguna franja es
3.V6,2 = 3.30 = 90.
• Otra manera es separando en casos: la franja blanca arriba, la franja blanca en el centro
y la franja blanca abajo. De esta manera, se cuenta cada caso por separado y luego se
suma, es decir,
Blanco . 6 . 5 = 6.5 = 30
6 . Blanco . 5 = 6.5 = 30
6 . 5 . Blanco = 6.5 = 30
Luego, la cantidad de banderas que se pueden formar con el blanco en alguna posición
es 30 + 30 + 30 = 90.
(d) Este ejercicio lo vamos a resolver de dos maneras diferentes:
• Por el complemento: es claro que todo lo contrario a que si el blanco está el celeste no
y viceversa es que estén los dos colores. Si pudiésemos contar este caso, la cantidad de
banderas que se pueden formar con esta condición de uno sí pero el otro no sería: todas
las banderas que se pueden formar menos las que tienen el blanco y el celeste.
Calculemos primero cuántas banderas se pueden formar usando el blanco y el celeste.
Supongamos que ya separé el blanco y el celeste. Luego, para formar la bandera
necesitaría un color más y éste es uno de los 5 colores restantes. Una vez que ya
tenemos los tres colores separados, ¿cuántas banderas podemos formar? La respuesta
es 3! ya que consiste en contar todos los reordenamientos posibles de una colección de
3 objetos. En definitiva, la cantidad total de banderas que tienen el celeste y el blanco
es 5.3! = 30. ¿Pero es esta la respuesta del ejercicio? No, esta es la respuesta de “todo
lo contrario”. La cantidad de banderas que se pueden formar tal que si se usa el blanco
no se usa el celeste y recíprocamente es
V7,3 − 30 = 210 − 30 = 180 .
• Directa, es decir, separando por casos:

? Uso el blanco y no uso el celeste: este caso es similar al item (c) pero pensando
que en lugar de 7 colores tenemos 6 (porque el celeste no puede usarse). Como
el blanco se usa en alguna franja y los restantes colores son 5, entonces tenemos
3.V5,2 = 60 banderas que tienen el blanco pero no el celeste.
? Uso el celeste y no uso el blanco: este caso se cuenta de manera similar al anterior
(pero intercambiando el blanco por el celeste) y por lo tanto hay 3.V5,2 = 60
banderas que usan el celeste pero no el blanco.
? Ni el celeste ni el blanco. Observemos primero que este caso no genera una
contradicción con el caso pedido en el ejercicio porque, efectivamente, es uno
de los casos a tener en cuenta. Si no usamos ni el blanco ni el celeste, estamos
formando la bandera con los 5 colores restantes. De esta manera, la cantidad de
banderas que se pueden formar con estos 5 colores es V5,3 = 60.
Listos todos los casos, queda por sumarlos. De esta manera, la cantidad de banderas
que se pueden formar con la condición de que si se usa el blanco no se usa el celeste y
recíprocamente es
60 + 60 + 60 = 180.

3.3.1 Ejercicios
1. Entre 5 alumnos queremos elegir: abanderado, primera y segunda escolta. ¿De cuántas
maneras distintas podemos hacerlo?
2. Si se quiere elegir entre siete concursantes la reina, la primera princesa y la segunda princesa,
¿Cuántas formas de hacerlo hay?
3. El Homebanking de cierto Banco exige una contraseña numérica de 6 dígidos. ¿Cuántas
contraseñas se pueden hacer si
(a) ningún dígito se puede repetir?
(b) se pueden repetir los dígitos?
4. (a) Calcular cuántos números enteros diferentes de tres dígitos se pueden formar con los
dígitos 2, 3, 4, 5, 6, 7, 8 si los dígitos no pueden repetirse.
(b) Calcular cuántos números enteros diferentes de tres dígitos se pueden formar con los
dígitos 2, 3, 4, 5, 6, 7, 8 si los dígitos pueden repetirse.
5. En un curso hay 12 estudiantes: 7 mujeres y 5 hombres. Se quieren elegir 5 para resolver 5
ejercicios diferentes en el pizarrón (sin repetir a los alumnos).
(a) ¿De cuántas maneras se puede hacer esto?
(b) ¿De cuántas maneras se puede hacer esto si se desea que todos los ejercicios sean
resueltos por mujeres?
(c) ¿De cuántas maneras se puede hacer esto si se desea que los primeros tres ejercicios
sean resueltos por mujeres y los últimos dos por hombres?
(d) ¿De cuántas maneras con la condición de que el último ejercicio sea resuelto por un
hombre?
Observación: no hay restricción sobre los primeros cuatro ejercicios (puede ser resueltos
por hombres o por mujeres).
(e) ¿De cuántas maneras si se desea que al menos un ejercicio sea resuelto por una mujer?
6. La saga Harry Potter consta de 7 novelas (publicadas entre 1997 y 2007). Pedro tiene la
colección entera y desea ordenarla en un estante. Lamentablemente, sólo hay espacio en el
estante para cuatro de ellos y los demás deberán ir a una caja ya que no tiene más espacio en
la biblioteca.
(a) ¿De cuántas formas puede ubicar los libros en el estante?
(b) Pedro desea que el primer libro de la saga (Harry Potter y la piedra filosofal) y el último
libro de la saga (Harry Potter y las Reliquias de la Muerte) aparezcan en el estante y así
dar a entender que tiene la saga completa. ¿De cuántas maneras puede conseguir esto?
Observación: dentro del estante los libros pueden ubicarse en cualquier orden.
3.4 Combinaciones
Hay problemas en los que no interesa el orden de los elementos seleccionados. Por ejemplo:
• se seleccionan 3 personas para asistir a un congreso,
• se asignan 2 docentes para dictar una materia,
• se eligen 5 latas de pintura para pintar un mural,
• se convocan 23 jugadores de fútbol para formar parte del seleccionado argentino.
Definición 3.4 — Combinación. Dado un conjunto de n objetos distintos, cualquier sub-
conjunto “no ordenado” (valga la redundancia) de tamaño k se denomina combinación de n
elementos tomados de a k.
El objetivo ahora es aprender a contar la cantidad total de combinaciones que se pueden tener
de un conjunto de n elementos tomados de a k. Para ello, veamos primero cómo lo haríamos con un
ejemplo.
Ejemplo 3.14 Se desea seleccionar 3 personas de un total de 5 para asistir a un congreso (se
supone que todas irán al mismo lugar y bajo las mismas condiciones), ¿de cuántas maneras es
posible hacer esto?
Solución: Lo primero y más importante es observar que estas tres personas que sean seleccionadas
asistirán al evento bajo las mismas condiciones.
Observación: en este caso esto está expresamente dicho en el enunciado del ejercicio pero en otras
ocasiones deberemos pensarlo primero por nuestra cuenta.
Por esta razón, no importa el orden en el que se seleccionen a las personas sino cuáles sean las
personas seleccionadas.
Supongamos que indicamos a las personas con las letras: A, B, C, D y E. Podríamos fabricar todas
las ternas posibles y representarlas en una tabla de la siguiente forma:
ABC ABD ABE ... BDE CDE

ACB ADB ... ... ... ...
..
BAC .
..
BCA .
..
CAB .
..
CBA .
Sabemos, gracias a que son ternas y por lo tanto tienen a los elementos de manera ordenada,
que el total de ternas posibles es la variación V5,3 = 5!/2! = 60. Este número es la cantidad de
ternas que se encuentran en la tabla anterior.
¿Cuántas filas tiene la tabla? Como en las filas tenemos todas las permutaciones que se pueden
hacer con tres letras (en la primera fila están las letras A, B y C; en la segunda fila se encuentran las
letras A, B y D; etc.), entonces la cantidad de filas es 3! = 6 (como se puede apreciar en la tabla).
¿Cuántas columnas hay? La cantidad de columnas es la cantidad de subconjuntos de tres letras que
se pueden tomar y ésta es justamente nuestra incógnita (el valor que queremos averiguar) y que
llamaremos x.
Como además ya vimos que la cantidad de elementos de la tabla es V5,3 = 5!/2! = 60 entonces,
recordando que “base por altura” es el área (o tamaño) de un rectángulo, observando que la “base”
es x, la altura es 3! = 6 y el área es V5,3 = 5!/2! se tiene que
x.6 = 60
o bien
5!
x.3! = .
2!
Por lo tanto despejando se tiene que la cantidad de columnas de la tabla es
60 5!
x= = = 10.
6 3!2!
De esta manera, la cantidad de subconjuntos de tamaño 3 que se pueden formar con 5 elementos
distintos es 10.
En general y para un n y un k cualesquiera, tenemos el siguiente resultado:

Propiedad 3.4.1 El número total de combinaciones de tamaño k que se pueden formar con n
objetos distintos, se denota con Cn,k o bien nk , y se calcula como

n n!
Cn,k = =
k k!(n − k)!

n
Al número Cn,k o se lo llama “número combinatorio n k”.
k
Ejemplo 3.15 En el ejemplo anterior vimos que

5 5!
= = 10 .
3 3!2!

En el siguiente ejemplo haremos algunos cálculos de números combinatorios y aprovecharemos

para mencionar algunas propiedades que valen en general.
Ejemplo 3.16 Calcular los siguientes números combinatorios:

13
(a)
8
5 (e)

11 1
(b)
4
2 (f)

11 0
(c)
5
9 (g)

5 7
(d)
5
Solución:
(a) Usando la definición dada recién de número combinatorio, se tiene que

13 13! 13!
= = = 1287 .
5 5!(13 − 5)! 5!8!
(b) Nuevamente, usando la definición, resulta que

11 11! 11!
= = = 55 .
2 2!(11 − 2)! 2!9!
(c) En este caso,
11 11! 11!
= = = 55 .
9 9!(9 − 2)! 9!2!
Observemos que este número coincide con el número anterior. Esto no es una casualidad
sino que, si n es un número natural y k es un número natural o el 0 tal que k ≤ n entonces

n n
= .
k n−k
(d) En este caso,
5 5! 5!
= = =1
5 5!(5 − 5)! 5!0!
En general, se puede ver que para cualquier número natural n,

n
= 1.
n

8 8! 8!
(e) = = = 8. En general, para cualquier número natural n resulta que
1 1!(8 − 1)! 1!7!

n
= n.
1

4 4! 4!
(f) En este caso, = = = 1. ¿Será casualidad que esto dé 1? No, no lo es.
0 0!(4 − 0)! 4!
n
Esto vale porque vimos en el ítem (d) que = 1 pero también que vale la propiedad
n
n n
mencionada en el ítem (c), por lo que si = 1 entonces = 1.
n 0
(g) En este caso no hay cuenta que hacer. Este ejercicio no tiene sentido ya que los números
combinatorios se pueden calcular siempre y cuando “el de abajo” sea menor o igual que “el
de arriba”.

Ejemplo 3.17 Para jugar el truco se necesita un mazo de 40 cartas, 10 de cada palo (oro, copa,
espada, basto). A cada participante se le reparten 3 cartas (que jugará luego del modo que considere
más conveniente).
(a) ¿Cuántas manos diferentes puede tener una persona que juega al truco?
(b) ¿Cuántas manos diferentes donde todas las cartas sean de oro (flor de oro)?
(c) ¿Cuántas manos diferentes con cartas de oro o espada?
(d) ¿Cuántas manos tienen dos cartas de oro y una carta de espada?
Solución:
Observación: afortunadamente no hace falta saber jugar al truco para resolver este ejercicio, sólo
leer ciudadosamente lo que se pide en cada ítem.
(a) En este caso queremos contar las cantidad de manos que podría tener una persona. Ob-
servemos que una vez repartidas las cartas, el jugador las usará en el orden que desee
y, por lo tanto, no importa en qué orden le hayan llegado. Es decir, es lo mismo tener
{7 espada; 5 oro; 6 copa} que tener {6 copa ; 7 espada; 5 oro}. Luego, como sólo importa
contar todos los subconjuntos de 3 elementos que se puedan construir con 40 cartas difer-
entes, el resultado es
40 40!
= = 9880 ,
3 3!(40 − 3)!
es decir, hay 9880 manos diferentes.
(b) En este caso, sólo nos interesan las manos que tienen sólo cartas de oro, es decir, nos
preguntan cuántos subconjuntos de 3 cartas que utilizan sólo cartas de oro hay. Luego, nos
interesa contar todos los subconjuntos de 3 elementos que se pueden hacer con 10 elementos
(las 10 cartas de oro). Luego, hay

10 10!
= = 120
3 3!7!
manos con cartas que son sólo de oro.
(c) En este caso nos interesa contar todos los subconjuntos de 3 cartas que se pueden hacer con
cartas de oro o espada. Como las cartas de oro o espada son 20 en total, hay

20
= 1140
3
manos con cartas de oro o espada.
Observación: que una mano sea de oro o espada significa que puede tener cartas sólo de oro,
sólo de espada o mezcla de ambas (algunas cartas son de oro y otras de espada).
(d) En primer lugar, observemos que este no es el caso anterior. En esta oportunidad nos piden
que haya exactamente dos cartas de oro y una carta de espada, formando así una mano de
tres cartas. En definitiva, queremos que nuestro subconjunto de 3 cartas tenga exactamente 2
cartas de oro y 1 carta de espada. ¿Cuántas cartas de oro tenemos disponible? Tenemos 10
cartas de oro pero

queremos
que nuestro subconjunto (la mano) tenga 2 de esas cartas, es
10
decir, tenemos = 45 maneras diferentes de agarrar 2 cartas de entre 10 disponibles.
2
¿Pero se completó la mano? No, porque una mano tiene3 cartas, no 2. Esa carta hay que
10
extraerla entre las 10 de espada disponibles, es decir, hay = 10 maneras diferentes de
1
sacar 1 carta de espada de entre 10 de espadas. Luego, por cada subconjunto de 2 cartas de
oro tenemos 1 carta de espada diferente para elegir, por la regla del producto, se tiene que
hay
10 10
= 45.10 = 450
2 1
manos que tienen exactamente dos cartas de oro y una carta de espada.

Ejemplo 3.18 Queremos pintar 12 bolitas distintas de 3 colores, de manera de tener 3 blancas, 2
rojas y 7 azules. ¿De cuántas maneras es posible hacerlo?
Solución: En primer lugar, observemos que 3 + 2 + 7 = 12 y por lo tanto el enunciado tiene sentido
(se van a pintar, efectivamente, las 12 bolitas). Hagamos un cuadro ilustrativo de esta situación.
Blancas Rojas Azules
{1; 2; 3} {4; 5} {6; 7; 8; 9; 10; 11; 12}
{1; 2; 4} {3; 5} {6; 7; 8; 9; 10; 11; 12}
.. .. ..
. . .
Este cuadro representa todas las maneras diferentes en que se pueden pintar las bolitas. Todas las
maneras diferentes de hacer esto sería contar todas las filas que debería tener esta tabla. Se puede
ver a simple vista que hay realmente muchas maneras de pintar las bolitas.
Observemos que una vez determinadas las bolitas que se van a pintar de cierto color, no importa el
orden en que se pinten. Por esta razón de que no importa el orden es que usaremos los números
combinatorios para su conteo.
Comencemos determinando qué bolitas vamos a pintar de blanco. Como en total hay 12 bolitas y
12
tengo que seleccionar (sin orden) 3 bolitas para pintar de blanco, hay maneras de seleccionar
3
bolitas para pintarlas de blanco. Listo. Pensemos que ya se extrajeron y fueron pintadas. ¿Cuántas
bolitas nos quedan? Quedan 9 bolitas. De esas 9 bolitas tengo que elegir las que pintaremos de
9
rojo. ¿De cuántas maneras podemos hacer esto? Hay maneras de elegir las bolitas (de entre
2
las restantes) que se pintarán de rojo. ¿Cuántas bolitas nos quedaron? Quedaron 7 bolitas. Esas 7
bolitas hay que pintarlas de azul sí́ o sí y por lo tanto hay una única manera
de elegir de entre las
7
bolitas restantes las 7 que se pintarán de azul o, equivalentemente, hay = 1 manera de pintar
7
las bolitas restantes de azul (que es pintándolas todas). Luego, usando la regla del producto, se
tiene que hay
12 9 7 12! 9! 7! 12!
= = = 7920
3 2 7 3!9! 2!7! 7!0! 3!2!7!
maneras diferentes de pintar las bolitas de manera de tener exactamente 3 blancas, 2 rojas y 7
azules.
Ejemplo 3.19 .
(a) Con las letras de la palabra AGUA, ¿cuántas palabras distintas (aunque la mayoría sin sentido)
pueden formarse usando todas las letras?
(b) ¿Y con las letras de la palabra DINOSAURIO?
(c) ¿Y con las letras de la palabra DINOSAURIO de manera tal que “NOS” quede escrita toda
junta y en ese mismo orden?
Solución:.
(a) Observemos primero que el problema de este ejercicio a diferencia del Ejemplo 3.6 es que,
en este caso, hay una letra repetida: la letra A. En definitiva, permutar las 4 letras que tiene
la palabra AGUA haría que estemos contando repetido. ¿Cómo hacemos entonces para
permutar las letras de la palabra AGUA? La respuesta es “ubicando las letras de a una a la
vez”. Esta manera de razonarlo la podríamos usar aún si ninguna letra se encontrara repetida
y recuperaríamos en este caso el factorial que es la solución en el caso de palabras que no
tienen letras repetidas.
Como hay 4 letras en esta palabra, podemos pensar que hay 4 coordenadas (ordenadas de
izquierda a derecha) a las que hay que asignarles las letras:
. . . .
1234
Comencemos asignando las letras A. Como hay dos letras A, entonces debemos elegir 2
coordenadas de las 4 para hacer esta asignación. ¿Nos interesa el orden en que elijamos las
coordenadas?
No, nos interesa, todas esas coordenadas van a tener la misma letra. Luego,
4
hay = 6 maneras de elegir las coordenadas que llevarán la letra A. Supongamos que ya
2
elegimos las coordenadas y les pusimos las letras A, por ejemplo, si elegimos las coordenadas
2 y 3, tendríamos
. AA .
1 2 3 4
¿Cómo seguimos? Nos quedan 2 coordenadas y 2 letras (la G y la U) para asignar. En
definitiva, hay 2! = 2 maneras de determinar cómo ubicar las letras. Luego, como por cada
elección de las posiciones para las letras A hay 2! maneras de ubicar las restantes letras,
entonces hay
4
2! = 6.2 = 12
2
palabras que se pueden formar con todas las letras de la palabra AGUA.
(b) En este caso, de las 10 letras que tiene la palabra DINOSAURIO, está repetida la I dos
veces y la O dos veces. Hay 8 letras distintas en la palabra. Luego, para mezclararlas sin
contar casos repetidos es conveniente comenzar ubicando las letras que están repetidas. ¿De
cuántas maneras puedo ubicar la letra I? Nuevamente, eligiendo de los 10 casilleros que
10
utiliza la palabra los 2 que ocuparía la letra I, se tiene que hay maneras de seleccionar
2
las coordenadas para esta letra. ¿Cuántas letras quedan disponibles? Una vez ubicadas las
letras I, hay 8 casilleros libres para ubicar las restantes letras. Ubiquemos ahora las letras O.
Nuevamente,
de las 8 coordendas debemos elegir las 2 coordenadas que tendrán la letra O y
8
hay maneras diferentes de hacer esto. ¿Cuántos casilleros quedaron? Quedaron 6. ¿Y
2
cuántas letras? Quedaron 6 letras distintas. Luego, ordenar las 6 letras en esos 6 casilleros es
contar todas las permutaciones posibles y eso es 6!. En definitiva, se pueden formar

10 8
6! = 907200
2 2
palabras distintas con las letras de la palabra DINOSAURIO.

(c) En este caso, hay que pensar a NOS como un único objeto que va todo junto y en ese orden.
Comenzaremos ubicando NOS y luego nos encargaremos de las restantes letras tal como lo
hicimos en los casos anteriores. Como en total hay 10 casilleros, entonces hay 8 maneras de
ubicar NOS: comenzando en la primera coordenada (ocupando las primeras 3), comenzando
en la segunda coordenada (ocupando desde la segunda hasta la cuarta), y así siguiendo hasta
la última posibles que es comenzando en la octava y terminando en la décima. Supongamos
que esto ya fue hecho: elegimos una de estas 8 posibilidades y escribimos NOS, por ejemplo,
. . . . NOS . . .
1 2 3 4 5 6 7 8 9 10
Ahora, ¿qué nos queda para ubicar? Nos quedan para ubicar 7 letras de las cuales hay una
que está repetida: la letra I. Nuevamente, proseguimos como antes: de las 7 coordenadas
comenzamos eligiendo las 2 que llevarán I y una vez hecho esto, quedan 5 letras distintas
para ubicar en 5 casilleros. Luego, hay

7
8 5! = 20160
2
palabras en las que se puede leer exactamente NOS.

Importante: hay muchas maneras de contar y en estos últimos ejercicios sólo propusimos una
manera de resolver cada ítem, pero no es la única.
3.4.1 Ejercicios
1. En una clase de 25 alumnos se quiere elegir un comité formado por cuatro alumnos. ¿Cuántos
comités diferentes se pueden formar?
2. Un estudiante que realiza un examen debe responder 4 de las 7 preguntas. No importa el
orden. ¿De cuántas formas puede responder el examen?
3. De un grupo formado por 6 hombres y 4 mujeres, se eligen 6 que se ponen uno al lado del
otro para sacarse una foto.
(a) ¿Cuántas fotos distintas pueden sacarse?
(b) Y si no interesa el orden de la foto sino cuáles son los 6 elegidos para la foto, ¿cuántas
elecciones distintas hay?
4. Se tiene un curso con 30 alumnos y se desea dividir a este grupo en dos mitades. ¿De cuántas
maneras es posible hacer esto?
5. Se tiene un mazo de cartas españolas (48 cartas, 12 de cada palo).
(a) ¿De cuántas maneras es posible extraer 4 cartas?
(b) ¿De cuántas maneras es posible sacar 4 copas?
(c) ¿De cuántas maneras es posible extraer 4 ases (unos)?
(d) ¿Y 3 copas y 1 basto?
6. En un aula hay 20 alumnos, 12 mujeres y 8 hombres. El profesor desea llevar 5 de estos
alumnos a Rosario de excursión.
(a) ¿De cuántas maneras diferentes puede el profesor hacer esto?
(b) ¿Y si en realidad el profesor desea llevar sólo mujeres?
(c) ¿Y si en realidad desea llevar a 4 mujeres y 1 hombre?
(d) ¿Y si desea llevar exactamente 3 hombres?
(e) ¿Y si en realidad desea llevar al menos un hombre?
(f) Julia convenció al profesor de ir. ¿Cuántas maneras diferentes tiene el profesor de elegir
a los otros 4 alumnos?
(g) Julia tiene un hermano que está en la misma aula y con el que no se lleva muy bien,
por lo que los dos no pueden ir a la excursión ni los dos pueden quedarse (o sea, no
pueden estar juntos, ya sea en Buenos Aires o en Rosario). ¿De cuántas maneras puede
el profesor elegir a los alumnos?
7. (a) Con las letras de la palabra ESPECIAL, ¿cuántas palabras distintas (aunque la mayoría
sin sentido) pueden formarse utilizando todas las letras?
(b) ¿Cuántas palabras se pueden formar con la palabra ESPECIAL de manera tal que
“CESE” quede escrita toda junta y en ese orden?
8. (a) Con las letras de la palabra BELLEZA, ¿cuántas palabras distintas (aunque la mayoría
sin sentido) pueden formarse utilizando todas las letras?
(b) ¿Cuántas palabras se pueden formar con la palabra BELLEZA de manera tal que “LEA”
quede escrita toda junta y en ese orden?
(c) ¿Cuántas palabras se pueden formar con la palabra BELLEZA de manera tal que “BAL”
quede escrita toda junta y en ese orden?
9. El entrenador de la selección de fútbol cuenta con un plantel de 23 jugadores, de los cuales hay
3 arqueros, 8 defensores, 6 mediocampistas y 6 delanteros. Tiene que decidir cuáles son los
11 jugadores que saldrán a la cancha. Debe elegir 1 arquero, 4 defensores, 3 mediocampistas
y 3 delanteros. ¿Cuántas combinaciones diferentes tiene para elegir a los 11 titulares?
Rta: Muchísimas! Más de ochenta mil. Verifíquelo usted mismo.
3.5 Ejercicios surtidos

1. (a) ¿Cuántas “palabras” (con o sin sentido) pueden formarse con todas la letras de la
palabra PENSAR?
(b) ¿Cuántas comienzan con “RES”?
(c) ¿En cuántas hay una consonante en la tercera posición?
(d) ¿En cuántas palabras las vocales aparecen exactamente en la misma posición (y orden)?
2. Una urna contiene 12 bolitas enumeradas del 1 al 12. Las primeras 5 bolitas son rojas, de la
6 a la 9 son azules y de la 10 a la 12 son verdes. Se mete la mano en la urna y se extraen 3
bolitas que son colocadas en una bolsita.
(a) ¿Cuántas bolsitas distintas se pueden formar?
(b) ¿Cuántas bolsitas tienen una bolita de cada color?
(c) ¿Cuántas bolsitas tienen exactamente 2 bolitas rojas?
3. (a) ¿Cuántas “palabras” (con o sin sentido) pueden formarse con todas la letras de la
palabra ALMACENERO?
(b) ¿Cuántas comienzan con ALMA?
(c) ¿Cuántas tienen las letras M, O y N todas juntas (pero no necesariamente en ese orden)?
4. J. R. R. Tolkien escribió la novela El Señor de los Anillos. Esta novela, si bien fue dividida tres
partes por razones editoriales, fue originalmente concebida por Tolkien con seis divisiones
(Libro I, II, III, IV, V y VI)[1] . Juan es fanático de la novela y tiene los seis libros (cada uno
por separado) que desea colocar en un estante. Lamentablemente, sólo hay espacio en el
estante para cuatro de ellos y los demás deberán ir a una caja ya que no tiene más espacio en
la biblioteca.
(a) ¿De cuántas formas puede ubicar los libros en el estante de manera ordenada?
(b) Juan desea que el primer libro (Libro I) y el último libro (Libro VI) aparezcan en el
estante y así dar a entender que tiene todos los libros de la novela. ¿De cuántas maneras
puede conseguir esto?
Observación: dentro del estante los libros pueden ubicarse en cualquier orden.
[1] Fuente: Wikipedia.

4. Probabilidades
La probabilidad es la herramienta matemática que nos permite obtener la frecuencia en la que

ocurre un experimento aleatorio, es decir, un experimento tal que a priori no se puede saber con
exactitud cuál va a ser el resultado. Por ejemplo:
• Se arroja un dado dos veces y se registra la suma de puntos. ¿Cuál es la probabilidad de que
sumen 7?
• En el juego de la ruleta, ¿cuál es la probabilidad de ganar apostando a la primera columna?
• Dada la información disponible, ¿cuál es la probabilidad de que llueva el próximo fin de
semana?
Algunas definiciones que nos serán de utilidad.
Definición 4.1 — Experimento. Proceso o acción que genera observaciones y que puede ser
repetible.
Por ejemplo: arrojar una moneda, arrojar dos veces un dado, medir la altura de personas, medir la
profundidad de un río en diferentes puntos elegidos al azar, etc.
Asociado a un experimento se tiene:
Definición 4.2 — Espacio muestral asociado. Es el conjunto de todos los resultados posibles
del experimento. Lo denotaremos como S .
Ejemplo 4.1 Ejemplos de experimentos y espacios muestrales:

1. Experimento: se arroja una moneda una vez. Luego, un espacio muestral asociado a este
experimento es S ={ cara ; ceca }.
2. Experimento: se arroja una moneda dos veces. S ={(cara;cara) ; (cara;ceca) ; (ceca;cara) ;
(ceca;ceca)}.
3. Experimento: se elige un número natural al azar. S = N.
4. Experimento: se elige un número al azar entre el 0 y el 1. S = (0; 1).

94 Capítulo 4. Probabilidades
Definición 4.3 — Sucesos o Eventos. Son subconjuntos del espacio muestral a los que les
calcularemos las probabilidades. Para designar a estos subjuntos se suelen usar las primeras
letras del abecedario en mayúscula, por ejemplo, A, B, C,...
Ejemplo 4.2 Algunos ejemplos de eventos asociados a los experimentos y espacios muestrales 1.
a 4. definidos en el Ejemplo 4.1 son:
1. A =“sale cara”. Este evento, como subconjunto del espacio muestral es lo mismo que
A ={cara}.
2. B =“sale cara en la primera tirada de la moneda”. En términos del espacio muestral,
B ={(cara;cara) ; (cara;ceca)}
3. C =“el número obtenido es par” o, equivalentemente, C = {2, 4, 6, ...}.
4. D =“el número es mayor a 0.75” o, equivalentemente, D = (0.75; 1).

Y, por supuesto, además del experimento, del espacio muestral y de los eventos, tenemos la
función de probabilidad P.
Definición 4.4 — Función de probabilidad. Es una función que toma como dominio (entrada)
eventos y que da como resultado un número entre el 0 y el 1, es decir, su imagen es el intervalo
[0; 1].
La definición formal de probabilidad excede los contenidos de esta materia, sin embargo, sí nos
enfocaremos en sus propiedades.
Propiedades 4.0.1 Algunas propiedades que una probabilidad P debe cumplir son:
• P(S ) = 1
• P(0)
/ =0
• Si A es un evento, entonces 0 ≤ P(A) ≤ 1, es decir, una probabilidad no puede ser ni negativa
ni mayor que 1.
Más adelante veremos otras propiedades de la probabilidad.
En general, asignarle probabilidades a eventos no siempre es fácil. Sin embargo, sí lo es si el
espacio muestral S es equiprobable.
4.1 Espacios muestrales equiprobables

Los elementos del espacio muestral S constituyen eventos que se denominan eventos elementales
y, en muchas ocasiones y cuando S es un conjunto finito (por ejemplo, en los ejemplos 1. y 2.),
puede suponerse que todos ellos tienen la misma probabilidad de ocurrir.
Definición 4.5 — Espacio muestral equiprobable. Diremos que S es un espacio muestral
equiprobable si todos los elementos (eventos elementales) tienen igual probabilidad de ocurrir.
Cuando el espacio muestral es equiprobable, la probabilidad de que ocurra un evento A se

calcula como la cantidad de elementos que componen a A dividido la cantidad de elementos que
componen a S , es decir,
#A casos favorables a A
P(A) = =
#S casos totales
donde # indica la cantidad de elementos que componen al conjunto y se lee como “cardinal de”.
Ejemplo 4.3 Continuación del Caso 1 del Ejemplo 4.1.
Se arroja una moneda “normal”(o “equilibrada”), ¿Cuál es la probabilidad de que salga cara?
Solución: recordemos que S ={ cara ; ceca }. Intuitivamente, ¿S es un espacio muestral
equiprobable? Suponiendo que la moneda no cae de canto (porque se la “sopla”, por ejemplo, para
4.1 Espacios muestrales equiprobables 95
que caiga hacia algún lado), entonces cara y ceca pueden salir por igual. Luego, S sí es un espacio
equiprobable. Además, #S =“cantidad de elementos que componen a S ”= 2.
Por otro lado, llamamos A =“sale cara”={ cara } y, por lo tanto, #A = 1. Luego
#A 1
P(A) = =
#S 2

Ejemplo 4.4 Continuación del Caso 2 del Ejemplo 4.1.

Se arroja una moneda equilibrada dos veces. Calcular la probabilidad de que
(a) salga primero cara y después ceca.
(b) salga cara en la primera tirada.
(c) salga al menos una cara.
Solución: recordemos que S ={(cara;cara) ; (cara;ceca) ; (ceca;cara) ; (ceca;ceca)}. ¿Es S un
espacio equiprobable? Sí, porque la moneda es equilibrada. Además, #S =“cantidad de elementos
que componen a S ”= 4 (porque hay 4 pares ordenados en el conjunto).
(a) Llamemos A =“sale primero cara y después ceca”={ (cara;ceca) }” y, por lo tanto, #A = 1.
Luego
#A 1
P(A) = =
#S 4
(b) Llamemos B =“sale cara en la primera tirada”={ (cara;ceca);(cara;cara) }. Luego, #B = 2 y,
por lo tanto,
#B 2 1
P(B) = = = .
#S 4 2
Observación: ¿De qué otra manera podríamos haber calculado #B? Si pensamos en los
resultados del experimento como pares ordenados, hay una posibilidad para la primera
coordenada y dos posibilidades para la segunda coordenada (o sea, 1.2) luego, por la regla
del producto hay 1.2 = 2 maneras de conseguir que salga cara en la primera coordenada. De
la misma manera, por la regla del producto, #S = 2.2 = 4.
(c) Sea C =“sale al menos una cara”. ¿Cuántos elementos componen a C? Lo resolveremos por
el complemento. ¿Qué es Cc ? Cc =“no sale ninguna cara”={ (ceca ; ceca) }. Luego, #Cc = 1.
Por lo visto en el capítulo anterior, sabemos que #C = #S − #Cc = 4 − 1 = 3. Luego, como
el espacio S es equiprobable,
#C 3
P(C) = =
#S 4
Más adelante veremos cómo resolverlo de otra manera.

Ejemplo 4.5 Martín y su hermana van a jugar un juego de naipes. Martín va a extraer 4 cartas de
un mazo de cartas españolas (48 cartas, 12 de cada palo) y las jugará en el orden que desee.
(a) Definir un espacio muestral S apropiado para este experimento. ¿Es S equiprobable?
Calcular el cardinal de S .
(b) Calcular la probabilidad de que Martín tenga una mano formada sólo por cartas de oro.
(c) Calcular la probabilidad de que Martín tenga al menos 3 cartas de oro.
(d) Calcular de probabilidad de que a Martín le haya tocado el as de oros.
(e) Calcular la probabilidad de que Martín tenga una escalera del mismo palo, es decir, 4 cartas
con los números consecutivos del mismo palo.
Solución:
(a) Consideraremos S =“el espacio muestral formado por los subconjuntos (no ordenados) de 4
cartas distintas”. Luego, como se reparten las cartas al azar, S es un espacio equiprobable y
además #S = 48 4 = 194580 .
(b) Definamos primero el evento al que le calcularemos la probabilidad. Sea A =“A Martín le
toca una mano formada sólo por cartasde oro”. Como S es equiprobable, para calcular P(A)
falta hallar #A. Luego, como #A = 124 = 495, entonces
#A 495 11 ∼
P(A) = = = = 0.0025
#S 194580 4324
(c) Definamos el evento B =“sale una mano con al menos 3 cartas de oro”. Nuevamente,
necesitamos #B. Para calcularlo, definiremos dos eventos más:
B1 = “sale una mano con exactamente 3 oros”
B2 = “sale una mano con exactamente 4 oros”

Luego, es claro que #B = #B1 + #B2 (porque en B1 y en B2 no hay nada repetido
y entre
12 36
ambos se abarcan todos los casos que comprenden a B). Además, #B1 = 3 1 = 7920 y
#B2 = 12

4 = 495. Por lo tanto #B = 7920 + 495 = 8415 y entonces
8415 187 ∼
P(B) = = = 0.0432
194580 4324
(d) Definamos
47
el evento C =“la mano obtenida tiene el as de oros”. Observemos que
#C = 3 = 16215 ya que el as de oros tiene que estar sí o sí y por lo tanto sólo falta
elegir 3 cartas entre las 47 restantes. Luego, como S es un espacio equiprobable,
#C 16215 1
P(C) = = = = 0.083̂
#S 194580 12
(e) Sea D =“la mano obtenida es una escalera de un mismo palo”. ¿Cuánto es #D? Supongamos
que tenemos sólo un palo (por ejemplo, oro). Luego, hay sólo 9 tiras de 4 cartas consecutivas:
la que empieza en 1, la que empieza en 2,..., la que empieza en 9. Como además hay 4 palos
diferentes, entonces #D = 9 + 9 + 9 + 9 = 4.9 = 36, y por lo tanto, como S es un espacio
muestral equiprobable,
#D 36 1 ∼
P(D) = = = = 0.0002
#S 194580 5405
Realmente muy baja, ¿no?

4.1.1 Ejercicios
1. Sea el experimento que consiste en arrojar un dado equilibrado y observar el número que
sale en la cara superior.
(a) Indicar cuál es el conjunto de todas las posibles soluciones, es decir, el espacio muestral
S . ¿Es S equiprobable?
(b) Calcular la probabilidad de:
i. obtener un 4.
ii. obtener un número par.
iii. un múltiplo de 3.
2. Se arroja una moneda equilibrada 3 veces y se observa la secuencia de caras y cecas.
(a) Describa con sus propias palabras el espacio muestral S . ¿Es S equiprobable?
(b) Calcule las probabilidades de los siguientes sucesos:
i. A : “salió la secuencia (cara; ceca; cara)”
ii. B : “salió cara en la primera tirada”
iii. C : “salió cara en las primeras dos tiradas”

iv. D : “salieron exactamente dos caras”
v. E : “salió al menos una ceca”
3. Se arroja dos veces un dado equilibrado, registrándose los resultados obtenidos.
(a) Describa con sus propias palabras el espacio muestral S . ¿Es S equiprobable? Calcular
el cardinal de S .
(b) Calcule las probabilidades de los siguientes sucesos:
i. A : “salió un 2 en la primera tirada y un 3 en la segunda tirada”
ii. B : “el valor obtenido en la primera tirada es un 4”
iii. C : “la suma de los resultados es 11 ”
iv. D : “la suma de los dos números obtenidos es menor a 4”
v. E : “salió al menos una vez el 3”
4. En una escuela, se eligen al azar 2 personas entre 5 para participar en un taller. ¿Cuál es la
probabilidad de que Ana quede seleccionada? ¿Y de que Ana y Paula queden seleccionadas?
5. Se tiene un grupo de 9 personas: 4 mujeres y 5 hombres. Se eligen 3 personas al azar para
concurrir al teatro.
(a) Definir un espacio muestral S apropiado para este experimento. ¿Es S equiprobable?
Calcular el cardinal de S .
(b) Calcular la probabilidad de que Ana, Belén y Carlos hayan quedado seleccionados.
(c) Calcular la probabilidad de que queden seleccionadas todas mujeres. ¿Y dos mujeres y
un hombre?
6. En una clase de matemática hay 15 alumnos: 9 hombres y 6 mujeres. El profesor plantea 5
ejercicios y, para cada ejercicio, elige a un alumno para que lo resuelva en el pizarrón.
(a) Suponiendo que un alumno puede resolver más de un ejercicio, definir un espacio
muestral para este experimento, calcular su cardinal y calcular la probabilidad de que:
i. Los tres primeros ejercicios sean resueltos por hombres y el resto por mujeres.
ii. Los dos primeros ejercicios sean resueltos por mujeres.
iii. Todos los ejercicios sean resueltos por alumnos del mismo sexo.
iv. Exactamente tres ejercicios sean resueltos por hombres.
v. Al menos un ejercicio sea resuelto por una mujer.
(b) Si ahora ningún alumno puede resolver más de un ejercicio, calcular las mismas
probabilidades del ítem anterior.
4.2 Propiedades de probabilidades
Lo que queremos hacer ahora es calcular probabilidades de eventos que se obtienen relacionando
eventos entre sí mediante unión, intersección y complementos.
4.2.1 Diagrama de Venn

Para conseguir el objetivo final de poder calcular probabilidades de eventos en general (en espacios
que puedan ser o no equiprobables), resulta de importancia poder visualizar los eventos (conjuntos)
mediante una representación gráfica. Para ello, utilizaremos el Diagrama de Venn. La Figura 4.1 es
el Diagrama de Venn más general para representar dos conjuntos A y B cualesquiera (con círculos)
en un conjunto general S que los contiene (la caja). La Figura 4.2 nos permitiría representar tres
conjuntos (A, B y C) cualesquiera. Sin embargo, nos limitaremos a trabajar con dos conjuntos, es
decir, sólo con el Diagrama de Venn de la Figura 4.1. Razonamientos similares se obtendrían para
relacionar tres conjuntos.
Figura 4.1: Diagrama de Venn con dos conjuntos A y B dentro del conjunto S.
Figura 4.2: Diagrama de Venn con tres conjuntos A, B y C dentro del conjunto S.
Ejemplo 4.6 — Diagrama de Venn. Realizar un Diagrama de Venn por ítem con dos conjuntos
A y B como el de la Figura 4.1. Sombrear en dicho diagrama según corresponda.
(a) A (g) (A ∪ B)c

(b) A∪B (h) (A ∩ B)c
(c) A∩B (i) Ac ∩Bc . ¿Coincide con alguno de los items
(d) Ac anteriores?
(e) Ac ∪ B (j) Ac ∪Bc . ¿Coincide con alguno de los items
(f) A ∩ Bc anteriores?
Solución:
(a) (b)
(c) (d)
(e) (f)
(g) (h)
(i) (j)
Observación: ¿Qué conjunto representa A \ B? El conjunto A \ B es exactamente igual a A ∩ Bc

(ver cómo quedarían ambas representaciones en el Diagrama de Venn).
Observemos que el ítem (i) coincide con el ítem (g) y que el ítem (j) coincide con (h). Esto no
es una casualidad sino que se lo conoce como las Leyes de De Morgan.
Propiedades 4.2.1 — Leyes de De Morgan. Dados dos conjuntos A y B,
• (A ∪ B)c = Ac ∩ Bc
• (A ∩ B)c = Ac ∪ Bc
Más aún, dado que (Ac )c = A, se deduce que

• (Ac ∪ B)c = A ∩ Bc
• (Ac ∩ B)c = A ∪ Bc
• (Ac ∪ Bc )c = A ∩ B
• etc.
Observación: si bien la Propiedad anterior está enunciada para dos conjuntos, estas leyes se
extienden a más de dos.
4.2.2 Más sobre probabilidades

Pero volvamos a las probabilidades. Supongamos ahora que sabemos qué elementos componen a
S , a A y a B.
Ejemplo 4.7 Si S ={1;2;3;4;5;6;7;8;9;10}, A ={2;3;4;5} y B ={1;2;3;9;10}. Luego, si repre-
sentamos esta información en un Diagrama de Venn, el resultado que tendríamos sería el siguiente:
De esta manera, si sabemos que S es un espacio equiprobable, para calcular las probabilidades
de cualquier evento sólo necesitaríamos calcular cuántos elementos lo componen y dividir esto por
el #S .
Ejemplo 4.8 — Retomemos el ejemplo anterior. Si S es un espacio muestral equiprobable,
como #S = 10 entonces
4 2 5 1
P(A) = = = 0, 4 P(B) = = = 0, 5
10 5 10 2
pues basta con ver que #A = 4 y #B = 5.
El Diagrama de Venn nos permitirá interpretar dónde se encontrarían los elementos que
componen un evento dado y, de esta manera, poder calcular su probabilidad.
Ejemplo 4.9 Siguiendo con el ejemplo anterior, si S es un espacio muestral equiprobable,
#Ac 6 3
P(Ac ) = = = = 0, 6
#S 10 5
porque, mirando la parte sombreada del Diagrama de Venn queda claro que Ac ={1;6;7;8;9;10}. Si
quisiéramos calcular P(Ac ∪ B), basta con observar, gracias al Diagrama de Venn, que
Ac ∪ B ={1;2;3;6;7;8;9;10}
#(Ac ∪ B) 8 4
P(Ac ∪ B) = = = = 0, 8
#S 10 5

Ejercicio 4.1 — Continuación del ejemplo anterior. Suponiendo que S es equiprobable,

calcular
(a) P(A ∩ B)
(b) P(A ∪ B)
(c) P(Ac ∪ Bc )

Efectivamente, la probabilidad mide, de alguna manera, el “tamaño” que tiene un evento,

pensando que el “tamaño” más grande posible es 1 (el “tamaño” de S ). De esta manera y pensando
en el Diagrama de Venn, se tienen las siguientes propiedades de probabilidades.
Propiedades 4.2.2 Supongamos que tenemos un espacio muestral S y dos eventos cualesquiera
A y B. Luego,
1. P(Ac ) = 1 − P(A)
2. P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
3. P(A ∩ Bc ) = P(A) − P(A ∩ B)
Estas propiedades son generales y no requieren que S sea un espacio muestral equiprobable. A
continuación veremos un ejemplo de cálculo de probabilidades de eventos aún si desconocemos los
elementos que los componen y tampoco sabemos si el espacio muestral S es o no equiprobable.
Ejemplo 4.10 Supongamos que tenemos dos eventos A y B tales que P(A) = 0, 85, P(B) = 0, 3
y P(A ∩ B) = 0, 25. Calcular:

(a) P(Ac )
(b) P(A ∪ B)
(c) P(Ac ∪ Bc )
(d) P(A \ B)
(e) P(A ∪ Bc )
Solución: Usaremos las Propiedades 4.2.2.
(a) Por la Propiedad 1., se tiene que
P(Ac ) = 1 − P(A) = 1 − 0, 85 = 0, 15
(b) Por la Propiedad 2.,
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 0, 85 + 0, 3 − 0, 25 = 0, 9
(c) Por una de las Leyes de De Morgan
P(Ac ∪ Bc ) = P((A ∩ B)c )
Luego, usando la Propiedad 1., se tiene que
P(Ac ∪ Bc ) = P((A ∩ B)c ) = 1 − P(A ∩ B) = 1 − 0, 25 = 0, 75

(d) Por lo mencionado en la observación de Diagramas de Venn,
P(A \ B) = P(A ∩ Bc )
Luego, usando la Propiedad 3.,
P(A \ B) = P(A ∩ Bc ) = P(A) − P(A ∩ B) = 0, 85 − 0, 25 = 0, 6
(e) Usando la Propiedad 2. con la unión que separa los eventos A y Bc , se tiene que
P(A ∪ Bc ) = P(A) + P(Bc ) − P(A ∩ Bc )
Luego, como P(Bc ) = 1 − P(B) = 1 − 0, 3 = 0, 7 y, por el ítem (d), P(A ∩ Bc ) = 0, 6, se tiene

que
P(A ∪ Bc ) = P(A) + P(Bc ) − P(A ∩ Bc ) = 0, 85 + 0, 7 − 0, 6 = 0, 95

Ejemplo 4.11 — Continuemos con el Ejemplo 4.5. Calcular la probabilidad de que

(f) Martín tenga una mano formada sólo por cartas de oro o le haya tocado el as de oros.
(g) Martín tenga una mano formada sólo por cartas de oro pero no tenga el as de oros.
Solución:
(f) Habíamos definido los eventos A y C como
A = “A Martín le toca una mano formada sólo por cartas de oro”
C = “la mano obtenida tiene el as de oros” .
Nos piden P(A ∪C). Calculemos primero A ∩C. Observemos que A ∩C =“todas las cartas
son de oro y además sale el as de oros”. Es claro que, como el as de oros debe ir sí o sí,
11

#(A ∩C) = 3 = 165 y entonces
165 11 ∼
P(A ∩C) = = = 0, 0008
194580 12972
Luego, usando la Propiedad 2. y que ya sabemos que P(A) = 11/4324 y que P(C) = 1/12,
se tiene que
11 1 11 61 ∼
P(A ∪C) = P(A) + P(C) − P(A ∩C) = + − = = 0, 0019
4324 12 12972 32430
Observemos que calcular la probabilidad de la unión, es decir, P(A ∪ C), hubiese sido
realmente más difícil porque #(A ∪C) no se obtiene de manera inmediata.
(g) En este caso nos piden P(A \ C) o bien P(A ∩ Cc ). En ambos casos, por la Propiedad 3.
sabemos que
11 11 1103 ∼
P(A ∩Cc ) = P(A) − P(A ∩C) = − = = 0, 085
4324 12972 12972

Ejemplo 4.12 La producción de cierto producto se realiza en tres fábricas en diferentes ciudades
de la Provincia de Buenos Aires. La siguiente tabla muestra las probabilidades de que uno de estos
productos, al llegar a Luján, sea producido en una determinada ciudad y sea, además, calificado
como “Bueno” o “Defectuoso”.
Mar del Plata Bahía Blanca Tandil
Bueno 0,42 0,27 0,24
Defectuoso 0,02 0,04 0,01
Se toma uno de estos productos al azar en Luján.

Definamos los eventos:
MP : “El producto esté fabricado en Mar del Plata”
BB : “El producto esté fabricado en Bahía Blanca”
T : “El producto esté fabricado en Tandil”
D : “El producto es defectuoso”
Utilizando estos eventos, calcular la probabilidad de que
(a) el producto esté fabricado en Bahía Blanca y sea defectuoso.
(b) el producto sea bueno.
(c) el producto esté fabricado en Tandil.
(d) el producto sea defectuoso o esté fabricado en Mar del Plata.
(e) el producto sea bueno pero no esté fabricado en Mar del Plata.
(f) el producto no esté fabricado en Mar del Plata o sea bueno.
Solución: Comencemos observando que el evento “el producto es bueno” no es otra cosa que Dc .
Además, la tabla nos da información sobre las intersecciones, por ejemplo
P(MP ∩ D) = 0, 02 P(T ∩ D) = 0, 01 P(BB ∩ Dc ) = 0, 27
pero también sobre los eventos por separado, sumando las filas o las columnas según corresponda,
por ejemplo
P(MP) = 0, 42 + 0, 02 = 0, 44 P(D) = 0, 02 + 0, 04 + 0, 01 = 0, 07
(a) Nos piden P(BB ∩ D). Por lo mencionado anteriormente, P(BB ∩ D) = 0, 04.
(b) Nos piden P(Dc ). Tenemos dos maneras de resolverlo: o bien sumamos la fila o bien usamos
la Propiedad 1. Si sumamos la fila diríamos que P(Dc ) = 0, 42 + 0, 27 + 24 = 0, 93. Si
usamos la Propiedad 1., P(Dc ) = 1 − P(D) = 1 − 0, 07 = 0, 93. De ambas maneras llegamos
al resultado correcto.
(c) Es fácil ver que P(T ) = 0, 24 + 0, 01 = 0, 25.
(d) Nos piden P(D ∪ MP). Por la propiedad 2.,
P(D ∪ MP) = P(D) + P(MP) − P(D ∩ MP) = 0, 07 + 0, 44 − 0, 02 = 0, 49
(e) Nos piden P(Dc \ MP) o bien P(Dc ∩ MPc ). Usando una de las leyes de De Morgan,
P(Dc ∩ MPc ) = P((D ∪ MP)c )
Finalmente, usando la Propiedad 1. y el resultado del ítem anterior, se tiene que
P(Dc ∩ MPc ) = P((D ∪ MP)c ) = 1 − P(D ∪ MP) = 1 − 0, 49 = 0, 51
(f) Nos piden P(MPc ∪ Dc ). Usando nuevamente una de las leyes de De Morgan
P(MPc ∪ Dc ) = P((MP ∩ D)c )
Luego, por la Propiedad 1.,
P(MPc ∪ Dc ) = P((MP ∩ D)c ) = 1 − P(MP ∩ D) = 1 − 0, 02 = 0, 98
4.2.3 Ejercicios
1. Realizar para cada ítem un Diagrama de Venn con dos conjuntos A y B como el de la Figura
4.1. Sombrear en dicho diagrama según corresponda.
(a) B (d) (A ∪ Bc )c
(b) Bc (e) Ac ∩ B
(c) A ∪ Bc
2. Supongamos que se tiene el espacio muestral equiprobable S = {1; 2; 3; 4; 5; 6; 7; 8; 9; 10} y

los eventos A = {1; 3; 4; 8; 9} y B = {2; 3; 5; 9}.
(a) En un Diagrama de Venn, plasmar los elementos de A, B y S .
(b) Calcular las siguientes probabilidades:
i. P(A) iv. P(A ∩ Bc )

ii. P(A ∪ B) v. P(Ac ∩ Bc )
iii. P(A ∩ B)
3. Repetir el ejercicio anterior pero con el espacio muestral S = {1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12}
y los eventos A =“números pares” y B =“números múltiplos de 3”.
4. Se tienen dos eventos A y B con P(A) = 0.6, P(B) = 0.4 y P(A ∩ B) = 0.15. Calcular:
(a) P(A ∪ B) (d) P(A ∩ Bc )

(b) P(Ac ) (e) P(Ac ∪ B)
(c) P(Ac ∩ Bc )
5. Se analizan muestras de agua para detectar plomo y mercurio. El 38% de las muestras
presentan niveles tóxicos de plomo o mercurio, el 32% de plomo y el 10% de ambos metales.
Se selecciona una muestra al azar. Definiendo los eventos
A = “La muestra tiene nivel tóxico de plomo”
B = “La muestra tiene nivel tóxico de mercurio”
calcular la probabilidad de que
(a) la muestra tenga nivel tóxico de plomo.
(b) la muestra tenga nivel tóxico de mercurio.
(c) la muestra no tenga nivel tóxico de plomo.
(d) la muestra no tenga nivel tóxico ni de plomo ni de mercurio.
(e) la muestra tenga nivel tóxico de plomo pero no de mercurio.
6. Con el experimento del Ejercicio 2 de la Sección 4.1.1, calcular la probabilidad de que
(a) ocurran B y D simultáneamente.
(b) no ocurra B.
(c) ocurrió alguno de los dos eventos B o D.
7. Una caja contiene 3 bolitas rojas, 2 azules y 4 blancas. Se extraen 2 bolitas con reposición.
Calcular la probabilidad de obtener:
(a) las dos bolitas azules.
(b) las dos bolitas del mismo color.
(c) al menos una bolita roja.
(d) una bolita roja y una azul.
(e) una bolita roja o una azul.
8. Se realiza una experiencia que consiste en provocar una reacción y luego registrar el nivel
(bajo, medio, alto) de presión al finalizar la reacción. Además, se registra si la reacción se
completa antes de los 10 minutos o requiere por lo menos 10 minutos. Las probabilidades de
que dicha reacción se complete antes de los 10 minutos y con distintos niveles de presión son
conocidas y se muestran en la siguiente tabla.
Niveles de presión
Bajo Medio Alto
Tiempo < 10 minutos 0.05 0.15 0.40
de reacción ≥ 10 minutos 0.10 0.20
(a) Complete la tabla.

(b) Se definen los eventos:
A : “El nivel de presión es Alto”
B : “El nivel de presión es Bajo”
M : “El nivel de presión es Medio”
T : “La reacción se completa antes de los 10 minutos”
Utilizando los eventos definidos anteriormente, calcular la probabilidad de que
i. la reacción se complete antes de los 10 minutos y con un nivel de presión alto.
ii. el nivel de presión sea medio.
iii. el nivel de presión no sea bajo.
iv. la reacción ocurra requiera por lo menos 10 minutos.
v. la reacción ocurra antes de los 10 minutos o la presión sea baja.
vi. el nivel de presión sea alto y la reacción requiera por lo menos 10 minutos.
9. Se ha realizado una encuesta telefónica anual a 400 personas para identificar Factores de
Riesgo en la población adulta y poder reportar así tendencias emergentes. La siguiente tabla
resume dos variables: el estado de peso mediante el índice de masa corporal (IMC) y la
cobertura de salud de cada encuestado.
Estado de peso
IMC<25 25≤IMC<30 IMC≥30
Cobertura de Si 134 101 115
salud No 15 21 14
Se selecciona un individuo al azar:

(a) Defina cuatro eventos acordes a la información brindada por la tabla. Calcule las
probabilidades de estos eventos usando la información de la tabla.
(b) Con los eventos definidos anteriormente, exprese en término de intersecciones, uniones
y complementos de esos eventos las probabilidades pedidas y calcúlelas.
i. La probabilidad de que no tenga cobertura de salud.
ii. La probabilidad de que no tenga IMC menor a 25.
iii. La probabilidad de que tenga IMC entre 25 y 30 o tenga cobertura de salud.
iv. La probabilidad de que el encuestado tenga IMC de al menos 30 y no tenga
cobertura de salud.
v. La probabilidad de que no tenga cobertura de salud y su IMC sea inferior a 25.
vi. La probabilidad de que no tenga cobertura de salud y no tenga IMC entre 25 y 30.
5. Variables aleatorias
5.1 Variables aleatorias discretas

Al realizar un experimento, generalmente estamos interesados en alguna función del resultado más
que en el resultado en sí mismo. Así, por ejemplo, al arrojar un dado dos veces podríamos estar
interesados sólo en la suma de los puntos obtenidos y no en el par de valores que dio origen a ese
valor de la suma. Esa cantidad de interés se denomina variable aleatoria (v.a.). “Variable” porque
toma distintos valores y “aleatoria”porque el valor no se puede predecir antes del experimento.
Ejemplo 5.1 Se arroja dos veces un dado equilibrado. Posibles variables aleatorias asociadas a
este experimento son:
X = “cantidad de caras pares”
Y = “puntaje máximo”
Z = “suma de los puntos”.
Ejemplo 5.2 A partir del instante en que se pone una lamparita, se registra el tiempo de vida
hasta que se quema. Una posible variable aleatoria podría ser:
X = “tiempo de vida de la lamparita”.
Así como a los eventos suelen asociarle las primeras letras del abecedario es mayúsculas, a las
variables aleatorias se les asigna las últimas letras del abecedario en mayúsculas (es por ello que en
nuestros ejemplos las letras usadas son X, Y y Z).
Definición 5.1 — Rango de una variable aleatoria. Llamamos rango de la variable aleato-
ria X al conjunto de los valores posibles de la variable, y lo denotaremos con RX .
Volvamos a los ejemplos anteriores.

108 Capítulo 5. Variables aleatorias
Ejemplo 5.3 Para las variables aleatorias del Ejemplo 5.1, sus rangos son:
RX = {0; 1; 2} ya que pueden salir dos caras, una cara o ninguna.

RY = {1; 2; 3; 4; 5; 6} si salen dos unos el máximo es 1, pero si sale un 2 y un número menor o
igual, el máximo es 2, y así siguiendo.
RZ = {2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12} ya que el mínimo valor que puede tomar 2 que se obtiene
cuando salen dos unos, mientras que los máximo que puede valer es 12 y se obtiene su-
mando dos seis.
Para la variable del Ejemplo 5.2, como no se puede determinar de antemano la durabilidad de la
lamparita, se tiene que
RX = (0; +∞)

Definición 5.2 — Variable aleatoria discreta. Diremos que X es una variable aleatoria
discreta si RX es un conjunto finito o numerable (esto significa que haya tantos como los
números naturales, es decir, es un conjunto infinito pero no tan grande como la cantidad de
elementos que tiene un intervalo).
Volviendo a los ejemplos anteriores, todas las variables X, Y y Z del Ejemplo 5.1 son variables
aleatorias discretas mientras que la v.a. del Ejemplo 5.2 no lo es.
Observación: en esta materia trabajaremos únicamente con v.a. discretas que tienen rango finito
y no con v.a. discretas que tengan rango numerable.
Lo que haremos ahora será calcular probabilidades relacionadas con estas variables aleatorias.
Ejemplo 5.4 Para la v.a. Z del Ejemplo 5.1, calcular P(Z = 7).
Solución: Recordemos primero que un espacio asociado a este experimento es
S =“los pares ordenados formados por los números entre el 1 y el 6”.

Este espacio muestral es equiprobable y #S = 62 = 36.
Nos piden calcular P(Z = 7). Para eso, como siempre, debemos pensar qué evento es
A = {Z = 7} y calcular el #A. Si conseguimos esto, como el espacio es equiprobable, entonces
P(Z = 7) = P(A) = #A/#S con lo que hallaremos la probabilidad pedida.
Observemos que A = {Z = 7} =“la suma de los puntos es 7”. Pensemos ahora qué elementos
(pares ordenados) del espacio muestral S se encuentran en A.
A = {Z = 7} = {(6; 1); (5; 2); (4; 3); (3; 4); (2; 5); (1; 6)}
Luego #{Z = 7} = #A = 6. De esta manera, tenemos que la probabilidad pedida es
#{Z = 7} #A 6 1
P(Z = 7) = = = =
#S #S 36 6

Ejercicio 5.1 Para la v.a. Z del Ejemplo 5.1, calcular P(Z = 5) y P(Z = 1).
Todas las variables aleatorias discretas, además de tener un rango, tiene asociada una función
que arroja como resultado las probabilidades de esa variable en cada número del rango. Esta
función se define como sigue.
Definición 5.3 — Función de probabilidad puntual. La función de probabilidad puntual de

una variable aleatoria discreta X se define como
pX (x) = P(X = x) para todo x ∈ R
Sin embargo, la función pX será 0 en la mayoría de las ocasiones y sólo será distinta de 0 para los
valores en el rango de la variable X.
Observación: la notación que se usa es la “p” minúscula, y luego se agrega abajo la letra (en
mayúsculas) de la variable aleatoria asociada.
Así como mencionamos que las última letras en mayúsculas son reservadas para las variables
aleatorias, las letras en minúsculas se suelen corresponden con los “valores” que toman esas
variables. Es por ello que en la definición aparecen X y x. La primera se refiere a la variable
aleatoria y la segunda al número que la misma toma (el 7 en el caso de la variable aleatoria Z del
ejemplo anterior).
Propiedades 5.1.1 Si pX es la función de probabilidad puntual de la v.a. discreta X con rango RX
entonces
1. pX (x) ≥ 0
2. ∑ pX (x) = 1
x∈RX
Estas propiedades son las necesarias y suficientes para tener una función de probabilidad
puntual de una variable aleatoria discreta.
Calculemos las funciones de probabilidad puntual de algunas variables aleatorias discretas.
Ejemplo 5.5 Hallar la función de probabilidad puntual de la v.a. X del Ejercicio 5.1.
Solución: recordemos primero que X es una v.a. discreta pues RX = {0; 1; 2} y, por lo tanto, tiene
función de probabilidad puntual.
La función de probabilidad puntual pX de esta v.a. es una función que vale 0 para todo x que no
se encuentre en RX . Calculemos cuánto vale para los valores de RX .
Comencemos con x = 0, es decir, hallando pX (0). Por definición,
pX (0) = P(X = 0)
Llamemos A = {X = 0} al evento “los dos dados fueron impares”. Observemos que el espacio
muestral S asociado a este experimento es el mismo que el usado para la v.a. Z y, por lo tanto, es
equiprobable y #S = 36. Como #A = 32 = 9 entonces
#{X = 0} #A 9 1
pX (0) = P(X = 0) = = = = .
#S #S 36 4
Ahora calculemos pX (1). Recordemos que
pX (1) = P(X = 1)
Definamos B = {X = 1} =“sale un número impar y el otro impar”. Luego, separando en los casos
en el que el primero es par y el segundo es impar y viceversa, se tiene que
#B = 3.3 + 3.3 = 18 .
Luego, tenemos que
#{X = 1} #B 18 1
pX (1) = P(X = 1) = = = = .
#S #S 36 2
Por último, calculemos pX (2) = P(X = 2). Llamemos C = {X = 2} =“los dos dados son
pares”. Luego, #C = 32 = 9 y por lo tanto, como el espacio muestral es equiprobable,
#{X = 2} #C 9 1
pX (2) = P(X = 2) = = = = .
#S #S 36 4
En definitiva, la información que nos interesa sobre la función de probabilidad puntual pX y que no
es 0 es únicamente la que se obtiene en los valores del rango de la variable aleatoria. Por esta razón,
la información de la probabilidad puntual de una v.a. discreta con rango finito se da a través de una
tabla de la siguiente manera:
X 0 1 2
1 1 1
pX
4 2 4
Notemos que esta tabla tiene únicamente los valores del rango de la v.a. en cuestión porque la
función evaluada en cualquier otro número que no esté en el rango de la variable es 0. Por ejemplo,
para esta variable X que cuenta la cantidad de dados pares obtenidos, pX (1, 5) es la probabilidad
de que la variable X tome el valor 1.5 y esto significaría que salgan 1.5 dados pares, lo cual es
imposible y, por lo tanto, su probabilidad es 0.
Observación: es importante notar que al tener una tabla de este tipo sabemos si se corresponde
a una función de probabilidad puntual si satisface las dos propiedades: 1. todos los valores son
mayores o iguales que 0 y 2. los elementos de la tabla suman 1 (efectivamente, 14 + 21 + 14 =
1). Verificar estas dos condiciones es conveniente para chequear los cálculos realizados para la
obtención de una función de probabilidad puntual.
Para una función de probabilidad puntual se suele asociar un gráfico que, en cada valor del
rango, tiene una línea con la altura dada por la probabilidad. Para esta función de probabilidad
puntual, su gráfico sería el siguiente:
Ejemplo 5.6 Un experimento consiste en arrojar una moneda equilibrada 4 veces. Definamos la
v.a.
Y : “cantidad de caras obtenidas”
Hallar la función de probabilidad puntual de Y .
Solución: Comencemos hallando el rango de la v.a. Y . ¿Cuáles son los valores posibles que puede
tomar Y ? RY = {0; 1; 2; 3; 4}. Como la cantidad de elementos que componen RY son 5 entonces Y
es una v.a. discreta y, por lo tanto, tiene función de probabilidad puntual. Veamos cuánto vale esta
función para los diferentes valores posibles de Y , es decir, para los valores del rango de Y . Para ello,
debemos primero definir un conveniente espacio muestral. Sea S el conjunto formado por todas
las 4−uplas con caras y cecas. Luego, #S = 24 = 16 y, además, S es, intuitivamente, un espacio
muestral equiprobable.
Hallemos primero pY (0) = P(Y = 0). Por comodidad, llamemos A = {Y = 0} =“no sale
ninguna cara”=“en todas las monedas sale ceca”. Luego, #A = 1 y, por lo tanto,
#A 1
pY (0) = P(Y = 0) = P(A) = =
#S 16
Ahora calculemos pY (1) = P(Y = 1). Observemos que B = {Y = 1} =“sale exactamente una
cara”. Para contar la cantidad de elementos que tiene B es necesario pensar de cuántas maneras
se puede ubicar la única cara en una tira de 4 elementos: esto es poniendo cara en la primera
coordenada, o cara en la segunda coordenada, o en la tercera o en la cuarta. Luego, #B = 4 y, por lo
tanto,
#B 4 1
pY (1) = P(Y = 1) = P(B) = = =
#S 16 4
Otra manera de contar la cantidad de elementos que componen a B es tomando una coordenada de
las
4 diferentes posibles para ubicar la única cara y, a las restante, colocarles ceca, es decir, con
4
se cuentan todas las maneras de ubicar la única cara.
1
Para pY (2) = P(Y = 2) vamos a razonar de una manera similar. Como {Y = 2} =“hay
exactamente dos caras” entonces para contar la cantidad deelementos
que lo componen debemos
4
ubicar dos caras en las 4 coordenadas disponibles y esto es = 6. Luego,
2
#{Y = 2} 6 3
pY (2) = P(Y = 2) = = =
#S 16 8
De manera similar a lo anterior se puede ver fácilmente que
4 4

3 4 1 4 1
pY (3) = = = pY (4) = =
16 16 4 16 16
Por último, la función de probabilidad puntual de Y pedida es
Y 0 1 2 3 4
1 1 3 1 1
pY
16 4 8 4 16
Si queremos además graficar la función de probabilidad puntual:
Ejercicio 5.2 Probar que la función de probabilidad puntual de la v.a. Y del Ejemplo 5.1 es:
Y 1 2 3 4 5 6
1 1 5 7 1 11
pY
36 12 36 36 4 36

Ejercicio 5.3 Hallar la función de probabilidad puntual de la v.a. Z del Ejemplo 5.1.
Definición 5.4 — Función de distribución acumulada. La función de distribución acumu-

lada de una v.a. X se define para todo x como
FX (x) = P(X ≤ x)
Observación: esta definición sirve tanto para v.a. discretas como cualquier otra (algunas de
ellas las veremos en la próxima sección). Para el caso particular en que la variable aleatoria sea
discreta, FX se conseguirá sumando, de a poco, las probabilidades puntuales adecuadas. La función
resultante será una función partida.
Ejemplo 5.7 Hallar la función de distribución acumulada de la v.a. X del Ejemplo 5.5.
Solución: Comencemos pensando algunos valores de la función de distribución acumulada FX . Por
ejemplo, por definición,
FX (1) = P(X ≤ 1)
¿Cómo calculamos esta probabilidad? Recordemos que RX = {0; 1; 2}. Luego, como X ≤ 1
entonces X = 0 y X = 1 lo cumplen. De esta manera, la probabilidad de X ≤ 1 se consigue
sumando las probabilidades de X = 0 y X = 1, es decir,
1 1 3
FX (1) = P(X ≤ 1) = P(X = 0) + P(X = 1) = pX (0) + pX (1) = + = .
4 2 4
Si quisiéramos averiguar cuánto es FX (1, 5) basta con observar que FX (1, 5) = P(X ≤ 1, 5) = P(X =
3
0) + P(X = 1) = pX (0) + pX (1) = ya que los únicos dos valores del rango de X que cumplen
4
X ≤ 1, 5 son X = 0 y X = 1.
¿Cuánto es FX (0.5)? Como FX (0, 5) = P(X ≤ 0, 5) entonces el único elemento en el rango de
X que cumple con la condición de ser menor o igual es X = 0. Luego,
FX (0, 5) = P(X ≤ 0, 5) = P(X = 0) = pX (0) .
¿Cuánto es FX (−1)? En este caso, como FX (−1) = P(X ≤ −1) entonces no hay ningún
elemento en el rango de X que sea menor o igual a −1, luego
FX (−1) = P(X ≤ −1) = 0 .
¿Cuánto es FX (3)? En este caso, como FX (3) = P(X ≤ 3), entonces todos los elementos del
rango de X son menores o iguales que 3, luego
1 1 1
FX (3) = P(X ≤ 3) = pX (0) + pX (1) + pX (2) = + + = 1.
4 2 4
En definitiva, para la función de distribución acumulada depende de cuántos elementos del
rango estén incluidos y, si incluye un valor del rango, como la probabilidad involucrada dice “menor
o igual” también siempre incluirá a los menores que ese número, es decir, es acumulativa.
Como RX = {0; 1; 2}, es decir,
la función partida que es FX estará definida en los siguientes intervalos abierto a derecha y
cerrados a izquierda (siempre que no sea un infinito):
(−∞; 0) [0; 1) [1; 2) [2; +∞)
Observemos que si bien el rango de X contiene 3 valores, la partición en la que se define FX tiene 4
intervalos.
Ahora veamos qué ocurre en cada uno de estos intervalos:
• Para el intervalo (−∞; 0). Supongamos que tenemos x ∈ (−∞; 0) (por ejemplo, x = −1).
Luego,
FX (x) = P(X ≤ x) = 0
porque ningún punto del rango de X dentro del conjunto donde se está calculando la proba-
bilidad.
• Para el intervalo [0; 1). Supongamos que tenemos x ∈ [0; 1) (por ejemplo, x = 0, 5). Luego,
1
FX (x) = P(X ≤ x) = pX (0) =
4
ya que el único punto del rango que es menor o igual que esa x es el 0.
• Para el intervalo [1; 2) (por ejemplo, x = 1, 5). Supongamos que x ∈ [1; 2), luego
1 1 3
FX (x) = P(X ≤ x) = pX (0) + pX (1) = + =
4 2 4
• Para el intervalo [2; +∞) (por ejemplo, x = 3). Supongamos que x ∈ [2; +∞), luego
FX (x) = P(X ≤ x) = pX (0) + pX (1) + pX (2) = 1
Finalmente, tenemos que la función de distribución acumulada de X es

 0 si x < 0
 1

4 si 0 ≤ x < 1
FX (x) = 3

 4 si 1 ≤ x < 2
1 si 2 ≤ x

La gráfica de esta función es la siguiente:

A este tipo de función partidas se la llama “función escalonada”: función constante en cada
intervalo de la partición y cuyas constantes son cada vez “más grandes” (como si se subiese por
una escalera).
Ejemplo 5.8 Hallar la función de distribución acumulada de la v.a. Y del 5.6. Graficarla.
Solución: En este caso, recordemos que RY = {0; 1; 2; 3; 4}. Luego, la partición sobre la que se
encuentra definida la función partida es:
(−∞; 0) [0; 1) [1; 2) [2; 3) [3; 4) [4; +∞)
Estudiemos qué ocurre en cada caso:

• Si x ∈ (−∞; 0), entonces FY (x) = P(Y ≤ x) = 0 dado que no toma ningún elemento del rango
de Y .
1
• Si x ∈ [0; 1) entonces FY (x) = P(Y ≤ x) = pY (0) = ya que el único elemento del rango
16
que es menor o igual que uno de estos x es el 0.
1 1 5
• Si x ∈ [1; 2), entonces FY (x) = P(Y ≤ x) = pY (0) + pY (1) = + = .
16 4 16
1 1 3 11
• Si x ∈ [2; 3), entonces FY (x) = P(Y ≤ x) = pY (0) + pY (1) + pY (2) = + + = .
16 4 8 16
1 1 3
• Si x ∈ [3; 4), entonces FY (x) = P(Y ≤ x) = pY (0) + pY (1) + pY (2) + pY (3) = + + +
16 4 8
1 15
= .
4 16
• Si x ∈ [4; +∞), entonces FY (x) = P(Y ≤ x) = pY (0) + pY (1) + pY (2) + pY (3) + pY (4) =
1 1 3 1 1
+ + + + = 1.
16 4 8 4 16
En definitiva, la función de distribución acumulada de Y es

 0 si x < 0
 1 si 0 ≤ x < 1


 16

5

16 si 1 ≤ x < 2
FY (x) = 11
si 2 ≤ x < 3
 16


15
 si 3 ≤ x < 4
 16


1 si 4 ≤ x
y su gráfica es
Ejemplo 5.9 Hallar las funciones de distribución acumulada de las variables Y y Z del Ejemplo
5.5.
Observación: Si una función es escalonada creciente (constantes que van en aumento), los
intervalos en los que está definida son abiertos a derecha y cerrados a izquierda, en el primer
intervalo (el de más a la izquierda) la función es 0 y en el último intervalo (el de más a la derecha)
la función es 1, entonces esta función es una función de distribución acumulada de una v.a. discreta.
Calculemos otras probabilidades asociadas a estas variables aleatorias.
Ejemplo 5.10 Para la v.a. X del Ejemplo 5.5, calcular
1. P(X ≤ 1) 4. P(0, 5 < X ≤ 1, 5)

2. P(X > 1) 5. P(X = 1, 8)
3. P(X < 1)
Solución: En cada caso, basta con ver qué elementos del rango de la variable RX cumplen con
la condición pedida.
1. En este caso, como hay un “≤” entonces la probabilidad pedida es exactamente la función
acumulada en el punto 1, es decir,
P(X ≤ 1) = FX (1) .
3 3
Como ya vimos que FX (1) = , entonces P(X ≤ 1) = .
4 4
Otra forma de hacer esto es, simplemente, sumando las probabilidades puntuales de los
valores del rango RX = {0; 1; 2} que cumplen con ser menores o iguales que 1, es decir,
1 1 3
P(X ≤ 1) = pX (0) + pX (1) = + = .
4 2 4
2. Este caso también lo podemos resolver sencillamente de dos maneras diferentes:
• Utilizando la función de distribución acumulada. Como la probabilidad pedida no es de

la forma “≤” sino justamente todo lo contrario “>”, entonces podemos resolver este
ejercicio “por el complemento”, es decir, sabemos que
3 1
P(X > 1) = 1 − P(X ≤ 1) = 1 − FX (1) = 1 − = .
4 4
• Sumando las probabilidades puntuales. En este caso sólo debemos pensar qué elementos
del rango de X cumplen con el hecho de ser mayores que 1. En este caso,
1
P(X > 1) = pX (2) = .
4
3. En este caso, P(X < 1) no es FX (1) ya que, en general, < y ≤ no son lo mismo (podría pasar
que “incluir” o “no incluir” un número en particular de origen a la misma probabilidad y
esto dependerá si el número se encuentra o no en el rango de la variable). Luego, lo haremos
mirando los puntos del rango (si es que hay más de uno) y sumándolos:
1
P(X < 1) = pX (0) =
4
4. Es claro que
1
P(0, 5 < X ≤ 1, 5) = pX (1) =
2
5. Observemos primero que P(X = 1, 8) = pX (1, 8), pero como 1, 8 ∈
/ RX entonces
P(X = 1, 8) = pX (1, 8) = 0 .
Ejemplo 5.11 Para la v.a. Y del Ejemplo 5.6, calcular las siguientes probabilidades:
1. P(Y ≥ 3) 3. P(2Y ≤ 4)
2. P (Y − 1)2 = 1

4. P(|Y − 1, 5| ≥ 1, 5)
Solución:
1. Primero observemos que esto no es, así como está escrita, la función de distribución acumu-
lada de Y en 3 ya que “≥” no es lo mismo que “≤”. Luego, lo resolveremos sumando las
probabilidades de los elementos del rango de Y (RY = {0; 1; 2; 3; 4}) que cumplen lo pedido.
Luego,
1 1 5
P(Y ≥ 3) = pY (3) + pY (4) = + = .
4 16 16
2. En este caso, no queda muy claro cuáles son los valores del rango que cumplen con lo pedido.
Por esta razón, realizaremos primero el siguiente cálculo auxiliar (para resolver la ecuación
que se encuentra dentro del cálculo de probabilidad):
(y − 1)2 = 1 ⇔ |y − 1| = 1
y, por lo tanto, hay dos caminos posibles:
y−1 = 1 o y − 1 = −1
o, equivalentemente,
y=2 o y=0
que se escribe también como y ∈ {0; 2}. De esta manera, la probabilidad pedida es
P (Y − 1)2 = 1 = P (Y ∈ {0; 2})

y ahora queda claro qué valores del rango de Y hay que sumar: el 0 y el 2, es decir,
1 3 7
P (Y − 1)2 = 1 = P (Y ∈ {0; 2}) = pY (0) + pY (2) =

+ = .
16 8 16
3. Comencemos observando que
2y ≤ 4 ⇔ y ≤ 2 .
Luego, recordando la definición de función de distribución acumulada, se tiene que
11
P(2Y ≤ 4) = P(Y ≤ 2) = FY (2) = .
16
4. Nuevamente, resolveremos primero como cálculo auxiliar la inecuación que se encuentra
dentro de la probabilidad a fin de poder ver qué elementos del rango de Y cumplen con lo
pedido:
|y − 1, 5| ≥ 1, 5 ⇔
(1) y − 1, 5 ≥ 1, 5 o (2) y − 1, 5 ≤ −1, 5
Ahora resolvemos cada subproblema por separado:
(1) y − 1, 5 ≥ 1, 5 ⇔ y ≥ 3. Luego, y ∈ [3; +∞)
(2) y − 1, 5 ≤ −1, 5 ⇔ y ≤ 0. Luego, y ∈ (−∞; 0].
De esta manera, la solución del cálculo auxiliar es y ∈ (−∞; 0] ∪ [3; +∞).
Finalmente, mirando qué valores del rango de Y cumplen con estar en (−∞; 0] ∪ [3; +∞) se
tiene que
1 1 1 3
P(|Y −1, 5| ≥ 1, 5) = P (Y ∈ (−∞; 0] ∪ [3; +∞)) = pY (0)+ pY (3)+ pY (4) = + + =
16 4 16 8

¿Qué son los saltos que se ven en la función de distribución acumulada?
Una propiedad muy importante que relacionada la función de distribución acumulada de una
variable aleatoria discreta con su función de probabilidad puntual es la siguiente:
Propiedades 5.1.2 Si X es una v.a. discreta con función de distribución acumulada FX y función
de probabilidad puntual pX entonces el salto de la función FX en un punto x es la función de
probabilidad puntual en ese punto.
Esta propiedad no sólo nos permite identificar cuánto vale la función de probabilidad puntual
sino identificar cuál es el rango de la variable, ya que el rango estará formado únicamente por los
puntos en los que ocurre algún salto (la probabilidad en esos puntos no sea 0).
Ejemplo 5.12 Dada la siguiente función de distribución acumulada de la variable aleatoria X


 0 si x < −5



 0.25 si − 5 ≤ x < −1
0.35 si − 1 ≤ x < 2

FX (x) =

 0.6 si 2 ≤ x < 10
0.95 si 10 ≤ x < 25




si x ≥ 25

1
Hallar la función de probabilidad puntual de X.
Solución: es fácil ver que:
• la función es escalonada creciente (constantes que van en aumento),

• los intervalos en los que está definida son abiertos a derecha y cerrados a izquierda:
(−∞; −5) [−5; −1) [−1; 2) [2; 10) [10; 25) [25; +∞)
• la función vale 0 en el primer intervalo y 1 en el último.

Luego, esta es la función de distribución acumulada de una v.a. discreta y el rango de la variable es
RX = {−5; −1; 2; 10; 25}
Por último, observemos que:

• el salto en el −5 es 0, 25 que obtiene de hacer 0, 25 − 0. Luego pX (−5) = 0, 25.
• el salto en el −1 es 0, 10 y se obtiene como 0, 35 − 0, 25. Luego, pX (−1) = 0, 10.
• el salto en el 2 es 0, 25 = 0, 6 − 0, 35 y, por lo tanto, pX (2) = 0, 25.
• el salto en el 10 es 0, 35 = 0, 95 − 0, 6 y, por lo tanto, pX (10) = 0, 35.
• el salto en el 25 es 0, 05 = 1 − 0, 95 y, por lo tanto, pX (25) = 0, 05.
Finalmente, la función de probabilidad puntual de X es
X -5 -1 2 10 25
pX 0, 25 0, 1 0, 25 0, 35 0, 05
Observemos que esta es una función de probabilidad puntual de una v.a. porque todas las probabili-
dades son mayores o iguales que 0 y suman 1.
Ejemplo 5.13 Una población animal de cierta región, que se supone en vías de extinción, consta
de 25 ejemplares. Se capturan y marcan 5, luego de marcarlos se los deja en libertad. Al cabo de
cierto tiempo se toma una muestra de 10 animales y se cuenta el número de animales marcados en
dicha muestra.
M : “cantidad de animales marcados en la muestra”
1. Describir un espacio muestral acorde a este experimento. ¿Es equiprobable? Hallar su
cardinal.
2. Hallar la función de probabilidad puntual de la variable aleatoria M. ¿Cuál es el rango de
esta variable?
3. ¿Cuál es la probabilidad de que sean exactamente 3 los animales marcados en la muestra?
4. ¿Cuál es la probabilidad de que sean a lo sumo 2 los animales marcados en la muestra?
5. Hallar la función de distribución acumulada de la v.a. M.
Solución:
1. Un espacio muestral S acorde a este experimento es el que contiene a los conjuntos de
tamaño10 obtenidos de los 25 ejemplares posibles. Este espacio muestral es equiprobable y
25
#S = .
10
2. Primero debemos determinar cuál es el rango de la variable. Para ello observemos que en la
muestra podría no haber ningún animal marcado como podrían estar los 5 marcados posibles
(no hay 6 marcados por lo que M no podría nunca valer 6). Luego,
RM = {0; 1; 2; 3; 4; 5}
En definitiva, hallar la función de probabilidad puntual de M sería completar la siguiente

tabla
M 0 1 2 3 4 5
pM
con sus respectivas probabilidades. Esta tabla deberá cumplir que tiene todos números
mayores o iguales que 0 y que suman 1.
Calculemos cada una de las probabilidades puntuales:
• Comencemos con pM (0). Por definición de función de probabilidad puntual,
pM (0) = P(M = 0). Llamemos
A = {M = 0} = “no hay ningún animal marcado en la muestra”.
Como no hay animales marcados en la muestra,

20
#A =
10
y, por lo tanto, usando que el espacio es equiprobable, tenemos el primer elemento de
la tabla:
20

#A 10 13
pM (0) = P(M = 0) = P(A) = = 25 = ≈ 0.0565
#S 10
230
• pM (1) = P(M = 1). Llamemos B = {M = 1} =“hay exactamente un animal marcado
en la muestra”, es decir, de los 5 posibles hay 1 mientras que los otros 9 tienen que ser
animales no marcados. Luego,

5 20
#B = .
1 9
Entonces, como el espacio es equiprobable,
5 20

#B 1 65
pM (1) = P(M = 1) = P(B) = = 25
9 = ≈ 0.2569 .
#S 10
253
• De manera análoga, observando que {M = 2} =“hay exactamente dos animales marca-
dos en la muestra” se ve que

5 20
#{M = 2} =
2 8
y, por lo tanto,
5 20

#{M = 2} 2 195
pM (2) = P(M = 2) = = 25
8 = ≈ 0.3854
#S 10
506
• Razonando de la misma forma, como

5 20
#{M = 3} = ,
3 7
resulta que
5 20

#{M = 3} 3 60
pM (3) = P(M = 3) = = 25
7 = ≈ 0.2372
#S 10
253
• En este caso, la probabilidad pedida es de que haya exactamente 4 animales marcados
en la muestra. Luego,
5 20
#{M = 4} =
4 6
y, por lo tanto,
5 20

#{M = 4} 15
pM (4) = P(M = 4) = = 256 =
4
≈ 0.0593
#S 10
253
• Este último caso es el de la probabilidad de que todos los animales marcados se

encuentren en la muestra. Luego,

5 20 20
#{M = 5} = =
5 5 5
y, por lo tanto, como el espacio es equiprobable,
20

#{M = 5} 5 6
pM (5) = P(M = 5) = = 25
= ≈ 0.0047
#S

10
1265
Finalmente, la función de probabilidad puntual de M está dada por
M 0 1 2 3 4 5
13 65 195 60 15 6
pM
230 253 506 253 253 1265
Es fácil verificar que todas estas probabilidades son positivas y que suman 1.
3. Una vez hallada la función de probabilidad puntual de la v.a., cualquier probabilidad adicional
pedida se podrá obtener observando cuidadosamente qué hay que sumar.
En este caso, nos piden P(M = 3) y esto es, por definición de función de probabilidad puntual,
pM (3). Es decir, la probabilidad pedida es
60
P(M = 3) = pM (3) = ≈ 0.2372
253
4. En este caso nos piden que sean “a lo sumo 2” los animales marcados en la muestra, es decir,
nos piden P(M ≤ 2). Sin haber hallado previamente la función de distribución acumulada de
M, basta con sumar las probabilidades puntuales de los valores del rango de M que cumplen
con dicha condición. En definitiva,
13 65 192 884
P(M ≤ 2) = pM (0) + pM (1) + pM (2) = + + = ≈ 0.6988 .
230 253 506 1265
5. Por último, nos piden hallar la función de distribución acumulada de M. Recordando primero
que los intervalos en los que va a estar definida esta función partida son:
(−∞; 0) [0; 1) [1; 2) [2; 3) [3; 4) [4; 5) [5; +∞)
y que en el primero la v.a. M no “acumulada” nada, es decir, la función de distribución

acumulada en el primer intervalo es 0, se tiene que

 0 si x < 0
 13


 230 si 0 ≤ x < 1
793



 2530 si 1 ≤ x < 2
884
FM (x) = 1265 si 2 ≤ x < 3
1184
si 3 ≤ x < 4



 1265
1259
si 4 ≤ x < 5


1265



1 si 5 ≤

5.1.1 Ejercicios
1. Un experimento consiste en arrojar una moneda equilibrada 4 veces. Definamos
X : “número de caras más dos veces el número de cecas”
Para esta variable aleatoria,

(a) hallar la función de probabilidad puntual. Graficarla.
(b) hallar la función de distribución acumulada. Graficarla.
2. Para el mismo experimento del ejercicio anterior, se define la variable aleatoria
Y : “número de caras por el número de cecas”
Hallar su función de probabilidad puntual y su función de distribución acumulada. Graficar-

las.
3. Dada la siguiente función de distribución acumulada de la variable aleatoria X


 0 si x < 1
 0.1 si 1 ≤ x < 2


FX (x) = 0.3 si 2 ≤ x < 3
0.7 si 3 ≤ x < 4




1 si x ≥ 4

Hallar la función de probabilidad puntual de X.

4. Dada la siguiente función de distribución acumulada de la variable aleatoria Y


 0 si y < 0
 0.25 si 0 ≤ y < 2


FY (y) = 0.65 si 2 ≤ y < 4
0.75 si 4 ≤ y < 6




1 si y ≥ 6

Hallar la función de probabilidad puntual de Y .

5. Sea X la variable aleatoria con función de probabilidad puntual dada por
X 1 2 3 4
pX 0.3 0.4 0.2 0.1
(a) Hallar la función de distribución acumulada de X y graficarla.

(b) Calcular
i. P(X = 2) v. P(2 < X < 4)

ii. P(X ≤ 2) vi. P(1 < X ≤ 3)
iii. P(X ≤ 2.8) vii. P(|X − 2| ≤ 1.2)
iv. P(X > 1)
6. Sea Y la variable aleatoria con función de probabilidad puntual dada por
Y −3 −1 0 2 5
pY 0.15 0.1 0.3 0.25 0.2
(a) Hallar la función de distribución acumulada de Y y graficarla.

(b) Calcular
i. P(Y = 2) v. P(−2 ≤ Y < 4)

ii. P(Y ≥ 0) vi. P(−1 < Y ≤ 3)
iii. P(Y < −0.5) vii. P(2Y < 4)
iv. P(Y > −1)
7. Sea W la variable aleatoria con función de probabilidad puntual dada por
W −2.5 −1.3 0.2 1.4 2.6

pW 0.1 0.2 0.4 0.2 0.1
(a) Hallar la función de distribución acumulada de W y graficarla.

(b) Calcular
i. P(W = 0) v. P(−1.3 ≤ W ≤ 1.4)

ii. P(W > 0.5) vi. P(0 ≤ W < 3)
iii. P(W ≤ −0.3) vii. P(W + 1 < 2)
iv. P(W ≥ −2)
8. Dadas las siguientes tablas, decidir cuál de ellas se corresponde con la de una función de
probabilidad puntual.
X 5 10 15 20
(a)
pX 0.3 0.3 0.2 0.4
X 5 10 15 20
(b)
pX 0.1 0.3 0.2 0.4
X 5 10 15 20
(c)
pX 0.5 0.3 −0.2 0.4
Con la tabla elegida, calcular la probabilidad de que X sea
i. exactamente 15.
ii. a lo sumo 10.
iii. mayor a 5.
9. Un geólogo ha recolectado 10 especímenes de roca basáltica y 10 de granito. Un asistente de
laboratorio selecciona 15 de los especímenes para analizarlos. Se define la variable aleatoria
X : “número de especímenes de roca basáltica entre los 15 seleccionados”
(a) Determinar el rango de la variable aleatoria X.

(b) Calcular la probabilidad de que se hayan seleccionado exactamente 8 especímenes de
roca basáltica.
(c) Calcular la probabilidad de que todos los especímenes de uno de los dos tipos de roca
sean seleccionados para el análisis.
Observación: Esto sería que sean seleccionados todos los de roca basáltica o todos los
de granito.
10. Para verificar si se cumplen las normas establecidas para arrojar residuos al río Reconquista,
un inspector visita al azar 10 de las 50 industrias establecidas a orillas de dicho río. Si en
realidad 35 industrias no cumplen con alguna de las normas,
(a) determinar el rango de la variable aleatoria
X : “cantidad de industrias que no cumplen con alguna de las normas entre las 35
seleccionadas”.
(b) calcular la probabilidad de que 6 de las industrias visitadas estén en infracción.
5.1.2 Esperanza, varianza y desvío estándar

En algunas ocasiones interesa tener algún número que represente, de alguna manera, a la variable
aleatoria en cuestión en lugar de la tabla de la función de probabilidad puntual o la función partida
que es la función de distribución acumulada.
Una medida de interés es la esperanza, que es lo que se llama una “medida de posición” y que
intenta representar alrededor de qué valor se encuentran los datos de la variable. Esta medida se
define como sigue.
Definición 5.5 — Esperanza de una variable aleatoria discreta. Sea X una v.a. discreta
con función de probabilidad puntual pX . Se define la esperanza de X (o el valor esperado de X)
como
E(X) = ∑ xpX (x)
x∈RX
A veces, se usa una letra griega para indicar la esperanza y esta es la letra griega µ (que se lee
mu). También se puede usar µX si queremos enfatizar que es la esperanza de la v.a. X.
Más allá de esta definición, la idea geométrica de la esperanza de una v.a. es clara y es lo que
en Física se llama centro de masa: “es el punto en el que hay que apoyar el dedo que mantiene las
barritas de la función de probabilidad puntual equilibrada”. Veamos esto con un ejemplo.
Ejemplo 5.14 — Idea geométrica de la esperanza. Supongamos que tenemos una v.a. X
con la siguiente tabla de función de probabilidad puntual:
X 1 2 3
1 1 1
pX 6 3 2
Luego, un gráfico de esta función de probabilidad puntual es:
Si suponemos que la barra horizontal dada por el eje x no tiene ningún peso y el único peso está
dado por las barritas donde la función de probabilidad puntual es positiva, es claro que si ubicamos
la barrita sobre el triángulo que simboliza el dedo, en este caso, ubicamos el dedo en el punto 3,
entonces esta barra cae hacia la izquierda (porque todo el peso quedó del lado izquierdo del
triángulo).
Si por el contrario ubicamos el dedo en el punto 2
la barra cae hacia la derecha porque hay más peso del lado derecho que del lado izquierdo.
Es claro que el lugar donde habría que ubicar el dedo es un punto intermedio entre el 2 y el 3.
Efectivamente, el lugar correcto sería
Ahora hagamos la cuenta de la esperanza dada por la definición y veamos que obtenemos el
número que, intuitivamente, esperábamos tener:
Ejemplo 5.15 — Cálculo de la esperanza de una v.a. discreta. Para la v.a. X del Ejemplo
5.14, hallar su esperanza.
Solución: Según la fórmula,
E(X) = ∑ xpX (x)
x∈RX
es decir, para cada valor x en el rango de X (en este caso, RX = {1; 2; 3} debemos tomar ese valor y
multiplicarlo por la probabilidad de obtener ese valor, es decir,
1 1 1 7
E(X) = ∑ xpX (x) = 1pX (1) + 2pX (2) + 3pX (3) = 1. + 2. + 3. = = 2.3̂
x∈RX 6 3 2 3
que conicide con lo que habíamos observado gráficamente.
Observación: es importante dar el valor exacto que da la esperanza (y lo mismo pasará con
varianza y desvío estándar cuando lo definamos) y no redondearlo hacia alguno de los valores del
rango de la variable ya que, como vimos en el ejemplo, podría no ser una valor de la variable el que
tenga sentido “mantener la barra equilibrada”.
Ejemplo 5.16 Hallar la esperanza de la v.a. X del Ejemplo 5.5.

Solución: Recordemos primero que RX = {0; 1; 2}. Luego, por definición de esperanza,
1 1 1
E(X) = ∑ xpX (x) = 0pX (0) + 1pX (1) = 2pX (2) = 0. + 1. + 2. = 1 .
x∈RX 4 2 4
Además de escribir E(X) = 1 como respuesta, también se puede escribir µX = 1.
Observación: cada vez que la función de probabilidad sea simétrica, es decir, que haya un valor
en el que la gráfica de igual para un lado que para el otro (estén en espejo), la esperanza será ese
número en el que es simétrica. Es fácil observar esto geométricamente.
Ejemplo 5.17 Para el Ejemplo 5.13, ¿cuál es el número esperado de animales marcados en la
muestra?
Solución: En este caso nos piden hallar E(M). Usando la definición de esperanza, se tiene que
E(M) = ∑ xpX (x) = 0pM (0) + 1pM (1) + 2pM (2) + 3pM (3) + 4pM (4) + 5pM (5)
x∈RM
13 65 195 60 15 6
= 0. + 1. + 2. + 3. + 4. + 5. =2
230 253 506 253 253 1265
es decir, se espera encontrar 2 animales marcados en la muestra.
Observación: si este número no daba entero, se deja el número que es realmente la esperanza, no
se lo redondea.
Ejercicio 5.4 Hallar la esperanza de la v.a. Y del Ejemplo 5.6.
Ejercicio 5.5 Hallar la esperanza de la v.a. X del Ejemplo 5.12.
Así como la esperanza representa una medida de posición que indica alrededor de qué número
se encuentran los datos, otra medida de interés podría representar cuán dispersos están los datos.
Por ejemplo, los siguientes dos gráficos corresponden a funciones de probabilidad puntual de
variables aleatorias.
(A) (B)
Observemos que en ambos casos la esperanza es 3, pero en el gráfico (A) las barras se encuentran
“más pegadas” mientras que en el gráfico (B) las barras se encuentran más separadas. Esto significa
que la v.a. del gráfico (A) tiene menos variabilidad que la v.a. del gráfico (B).
Definición 5.6 — Varianza de una variable aleatoria discreta. Sea X una v.a. discreta con
función de probabilidad puntual pX y esperanza µX . Se define la varianza de la v.a. X como
V (X) = ∑ (x − µX )2 pX (x)
x∈RX
A veces se usa la letra griega sigma elevada al cuadrado para la varianza de X: σX2 o simplemente
σ 2.
Una propiedad muy importante de varianza de una v.a. es la siguiente:
Propiedades 5.1.3 Si X es una v.a.,
V (X) ≥ 0
Es decir, nunca puede ser negativa una varianza.
Tal como se puede apreciar en la definición, el hecho de esta elevado al cuadrado significa que
las unidades en las que se encuentra la varianza ya no son las mismas unidades originales de los
datos. Por esta razón, en términos de interpretabilidad, en lugar de usar varianza se usa el desvío
estándar que se define como sigue:
Definición 5.7 — Desvío estándar. Si X es una variable aleatoria, se define el desvío estándar
de X como p
sd(X) = V (X)
y se puede denotar también como σX o simplemente σ .
Observemos que el hecho de calcularse como la raíz cuadrada de la varianza hace que se recuperen
las unidades originales, y que la raíz cuadrada siempre puede calcularse porque, por la propiedad
anterior, la varianza de una v.a. nunca puede ser negativa.
Ejemplo 5.18 — Varianza por definición. Calcular la varianza y el desvío estándar de la v.a.
X del Ejemplo 5.14.
7
Solución: Recordemos primero que RX = {1; 2; 3} y que µX = E(X) = . Luego, usando la
3
definición de esperanza, se tiene que:
7 2 7 2 7 2

2
V (X) = ∑ (x − µX ) pX (x) = 1 − pX (1) + 2 − pX (2) + 3 − pX (3)
x∈RX 3 3 3
7 21 7 21 7 21 5

= 1− + 2− + 3− =
3 6 3 3 3 2 9
5
Como V (X) = , luego,
9
r √
p 5 5
sd(X) = V (X) = = ≈ 0.745
9 3

Para realizar un cálculo de varianza menos engorroso, se utilizará la siguiente propiedad:

Propiedades 5.1.4 Si X es una v.a., luego
V (X) = E X 2 − (E(X))2 = E X 2 − µX2

con
E X2 = x2 pX (x)

∑
x∈RX
Ejemplo 5.19 — Varianza usando la propiedad. Calcular nuevamente la varianza de la v.a.
X del Ejemplo anterior utilizando esta propiedad.

Solución: Calculemos primero E(X 2 ). Recordando que RX = {1; 2; 3} se tiene que
1 1 1
E(X 2 ) = ∑ x2 pX (x) = 12 pX (1) + 22 pX (2) + 32 pX (3) = 1. + 4. + 9. = 6
x∈RX 6 3 2
Luego, como µX = E(X) = 73 , se tiene que

2
2
2 7 5
V (X) = E X − (E(X)) = 6 − =
3 9

Ejemplo 5.20 Hallar la varianza y el desvío estándar de la v.a. X del Ejemplo 5.5.
Solución: Recordemos que RX = {0; 1; 2} y que µX = E(X) = 1. Luego, calculemos E(X 2 )
necesaria para usar la propiedad y así poder hallar V (X):
1 1 1 3
E(X 2 ) = ∑ x2 pX (x) = 02 pX (0) + 12 pX (1) + 22 pX (2) = 0. + 1. + 4. =
x∈RX 4 2 4 2
Por esta no es la respuesta a lo pedido, la varianza de X es
3 1
V (X) = E X 2 − (E(X))2 = − 12 =

2 2
y su desvío estándar es r √
p 1 2
sd(X) = V (X) = = ≈ 0.7071
2 2

Ejemplo 5.21 Calcular la varianza y el desvío estándar de la v.a. M del Ejemplo 5.13.
Solución: Recordemos que RM = {0; 1; 2; 3; 4; 5} y que µX = E(X) = 2. Luego,
E(M 2 ) = ∑ x2 pX (x) = 02 pM (0) + 12 pM (1) + 22 pM (2) + 32 pM (3) + 42 pM (4) + 52 pM (5)

x∈RM
13 65 195 60 15 6
= 0. + 1. + 4. + 9. + 16. + 25. =5
230 253 506 253 253 1265
Luego,
V (M) = E(M 2 ) − (E(M))2 = 5 − 22 = 1
y por lo tanto p √
sd(M) = V (M) = 1 = 1

Ejercicio 5.6 Calcular la varianza y el desvío estándar del Ejemplo 5.6.
Ejercicio 5.7 Hallar el desvío estándar de la v.a. X del Ejemplo 5.12.
5.1.3 Ejercicios
1. Calcular la esperanza y la varianza de la variable aleatoria X del Ejercicio 1 de la Sección
5.1.1.
2. Calcular la esperanza y el desvío estándar de la variable aleatoria Y del Ejercicio 2 de la
Sección 5.1.1.
3. Calcular la esperanza, la varianza y el desvío estándar de las variables aleatorias de los
Ejercicio 5, 6 y 7 de la Sección 5.1.1.
4. La información que se presenta corresponde a la cantidad de llamadas diarias recibidas en un
servicio de emergencias de una reserva ecológica durante los últimos 50 días:
Cant. de llamadas Frecuencia

0 22
1 10
2 9
3 8
4 1
(a) Utilizando la información de la tabla, ¿cómo estimaría la función de probabilidad
puntual de la variable aleatoria
X : “cantidad de llamadas diarias del servicio de emergencias de la reserva ecológica”?
Dar la tabla correspondiente.

(b) Determinar el número esperado de llamadas recibidas.
(c) Determinar el desvío estándar de la variable analizada.
5. Para jugar a un juego se pagan $15. La variable G:“ganancia neta del juego” es una variable
aleatoria con función de probabilidad puntual dada por
G −15 0 10 20
pG 0, 50 0, 35 0, 10 0, 05
(a) Responder a las siguiente preguntas:
i. ¿Cuál es la probabilidad de que una persona pierda plata?
ii. ¿Cuál es la probabilidad de una persona gane exactamente $10?
iii. ¿Cuál es la probabilidad de que una persona gane más de $6? ¿Y menos de 10?
(b) Hallar la función de distribución acumulada de G y graficarla.
(c) Calcular la ganancia neta esperada. Interprete.
(d) Calcular la varianza y el desvío estándar de G.
6. Se arroja tres veces un dado equilibrado, registrándose los resultados obtenidos en el orden
en el que fueron saliendo.
(a) Describa con sus propias palabras el espacio muestral S . ¿Es S equiprobable? Calcular
el cardinal de S .
(b) Calcular la probabilidad de que los tres números obtenidos sean pares.
(c) Se define la variable
X : “cantidad de números pares obtenidos”
Para esta variable aleatoria
i. Determinar el rango de la variable.
ii. Hallar la función de probabilidad puntual.
iii. Calcular la esperanza y la varianza de X.
7. Una ruleta tiene 37 números, del 0 al 36. Cada número de la ruleta tiene asignado un color:
hay 18 números de color negro, 18 rojos y uno verde, que es el cero. En cada juego de
la ruleta se arroja un bolita en un disco que gira, de modo que cuando la ruleta deja de
girar, la bolita cae en el casillero que le corresponde a cada número (del 0 al 36) con igual
probabilidad. Una apuesta posible, al jugar este juego, es apostar a lo que se llama “color”:
se apuesta, por ejemplo $1 al color rojo (o bien al negro, pero al verde no se puede apostar).
Si el número que sale es rojo, el apostador gana, y en otro caso pierde.
En un casino clásico, en caso de salir rojo el número apostado, el apostador recibe un premio
de $2 (por lo tanto su ganancia neta en el caso de ganar es $1), y no recibe nada en el caso de
perder (por lo tanto, en este caso, su ganancia neta es -$1).
Se define la variable aleatoria
X : “ganancia neta en un juego”

(a) Hallar la función de probabilidad puntual de X.

(b) Hallar la ganancia neta esperada. ¿Cuál es la varianza de X?
5.1.4 Distribución binomial

Hay experimentos que están formados por repetir, de manera “independiente” (la definición formal
no la daremos en esta materia) una cantidad finita de veces, llamémosla n a esta cantidad, otro
“subexperimento”, llamado ensayo, que es el mismo siempre y que su resultado puede ser una
de dos opciones, también llamadas éxito o fracaso. Cada uno de estos “subexperimentos” se
llaman ensayos Bernoulli. En definitiva, el experimento total está formado por n ensayos Bernoulli
independientes. Algunos ejemplos de este tipo de experimento son:
1. se arroja 5 veces un dado equilibrado. Miramos cuántos unos salen.
2. se arroja 3 veces una moneda equilibrada. Miramos cuántas “caras” se obtienen.
3. en un curso de 20 alumnos de 19 años y se le consulta a cada persona si fuma. Nos fijamos si
un alumno fuma o no.
Veamos ahora una variable aleatoria que resulta natural mirar en un experimento de este tipo:
la que cuenta cantidad de éxitos.
Definición 5.8 — Distribución binomial. Supongamos que se realizan n ensayos Bernoulli
con probabilidad de “éxito”p (y, por lo tanto, probabilidad de “fracaso” 1 − p). Luego, la
variable aleatoria
X : “cantidad de éxitos en los n ensayos”
tiene una distribución Binomial de parámetros n y p.

Notación: X ∼ Bi(n; p).
Veamos ahora qué variables aleatorias con distribución Binomial, podríamos tener en los
ejemplos anteriores:
1. Si definimos la v.a.
X : “cantidad de unos que salen”
entonces el “éxito”sería que en una tirada de un dado se obtenga un 1 y esto tiene probabilidad
p = 16 si el dado es equilibrado. Luego, X tiene distribución binomial n = 5, p = 16 , es decir,
1
X ∼ Bi(5 ; )
6
Otra variable que podríamos haber definido es
Y : “cantidad de dados con resultado múltiplo de 3”.
Esta variable también tiene distribución binomial pero ahora la probabilidad de éxito (que en
un dado salga múltiplo de 3) es p = 26 = 31 . Luego,

1
Y ∼ Bi 5 ;
3
2. Si la moneda es equilibrada, como “éxito” es que salga “cara”, entonces p = 0, 5. Luego,
como n = 3 porque se arroja 3 veces la moneda, entonces, si definimos
X : “cantidad de caras obtenidas”
entonces
X ∼ Bi (3 ; 0, 5)
Es interesante notar que si la moneda no fuera equilibrada y, por ejemplo, la probabilidad

de arrojar una manera y salir cara fuera de 0, 6 entonces X seguiría teniendo distribución
binomial pero ahora con otros parámetros: X ∼ Bi(3 ; 0, 6).
3. Si a este experimento se le agrega que se sabe que 1 de cada 4 personas de 19 años fuma,
entonces p = 0, 25. Luego, la variable aleatoria
F : “cantidad de personas que fuman”
entonces
F ∼ Bi (20 ; 0, 25)
Estudiemos un poco más a una variable aleatoria binomial en general. En primer lugar nos
preguntamos, ¿por qué una variable aleatoria binomial o, equivalentemente, con distribución
binomial es una variable aleatoria discreta? La respuesta tiene que ver con que cuenta la cantidad
de éxitos que se pueden obtener.
Propiedades 5.1.5 Si X ∼ Bi(n, p) entonces
RX = {0; 1; 2; . . . ; n}
Por esta razón, como la cantidad de elementos que componen al rango de X es n + 1, se tiene
que X es una variable aleatoria discreta.
Una de las ventajas de tener una variable aleatoria binomial es que la función de probabilidad
puntual no hay que hallarla sino que tiene una fórmula y la daremos en la siguiente propiedad.
Propiedades 5.1.6 Si X ∼ Bi(n; p) entonces

n x
pX (x) = p (1 − p)n−x con x ∈ {0; 1; 2; . . . ; n}
x
Ejemplo 5.22 Para el Ejemplo 5.5, ¿tiene X una distribución binomial? ¿Con qué parámetros?
Verificar con la función de probabilidad puntual dada en la propiedad anterior que se reconstruye la
tabla de su función de probabilidad puntual.
Solución: Este experimento consistía en arrojar 2 una moneda equilibrada de manera independiente.
Luego, X, que cuenta cantidad de caras obtenidas, tiene distribución binomial de parámetros n = 2
y p = 0, 5. Toda esta información de los parámetros puede resumirse en la notación:
X ∼ Bi(2 ; 0, 5)
Recordemos ahora cuál era la tabla de la función de probabilidad puntual de esta variable era:
X 0 1 2
1 1 1
pX 4 2 4
Veamos ahora que estas probabilidades son las mismas que dadas por la fórmula. Primero observe-
mos que como n = 2, entonces RX = {0; 1; 2}. Luego, reemplazando n por 2 y p por 0, 5, tenemos
que
• para el primer caso, es decir, x = 0, se tiene que

2 1
pX (0) = (0, 5)0 (1 − 0, 5)(2−0) = (0, 5)2 = 0, 25 =
0 4
• ahora hacemos el caso x = 1:

2 1
pX (1) = (0, 5)1 (1 − 0, 5)2−1 = 0, 5 =
1 2
• y el último caso que se corresponde con x = 2 y es

2 1
pX (2) = (0, 5)2 (1 − 0, 5)2−2 = (0, 5)2 = 0, 25 =
2 4
Por lo que se volvieron a obtener los mismos valores de la tabla.
Cuando uno identifica que cierta variable aleatoria tiene una distribución conocida, binomial
en este caso, entonces si nos piden hallar la función de probabilidad puntual basta con decir que
la variable aleatoria es binomial (y dar los valores de sus parámetros) y con eso alcanza ya que la
función de probabilidad puntual se obtiene, simplemente, de buscar la fórmula. Este es el único caso
en que no hace falta dar como respuesta una tabla para indicar cuál es la función de probabilidad
puntual de la variable.
Otra ventaja de una variable aleatoria con distribución binomial es que su esperanza y varianza
vienen dadas por fórmulas dadas por la siguiente propiedad:
Propiedades 5.1.7 Si X ∼ Bi(n; p) entonces
E(X) = np y V (X) = np(1 − p)
Ejemplo 5.23 Para la v.a. X del Ejercicio 5.5, utilizar las fórmulas de esperanza y varianza de la
propiedad anterior para verificar la esperanza y varianza halladas en el Sección anterior.
Solución: Recordemos que habíamos visto que E(X) = 1 y que V (X) = 12 . Como vimos que
X ∼ Bi 2; 2 entonces, por la propiedad con n = 2 y p = 21 ,
1

1 1 1 1
E(X) = 2. = 1 y V (X) = 2. 1− =
2 2 2 2
quedando asíverificadas estas medidas de posición y variabilidad.
Veamos ahora otros ejemplos de variables aleatorias con distribución binomial.

Ejemplo 5.24 Un fabricante de chips para tarjetas electrónicas que se usan en computadoras
escoge 5 chips. La probabilidad de que un chip sea defectuoso es de 0, 2. Se define

X : “cantidad de chips defectuosos entre los 5 seleccionados”.
1. ¿Qué distribución tiene X? Indicar claramente los parámetros involucrados y el rango de la
variable.
2. ¿Cuál es la probabilidad de que exactamente 2 chips sean defectuosos?
3. ¿Cuál es la probabilidad de que a lo sumo 2 chips estén defectuosos?
4. ¿Cuál es la probabilidad de que haya por lo menos 4 chips defectuosos?
5. Hallar la función de distribución acumulada de X.
6. ¿Cuál es el número esperado de chips defectuosos?
7. Hallar el desvío estándar del número de chips defectusos?
Solución:
1. Como suponemos que los chips son independientes entre sí (si uno está roto, el otro no tiene
porqué estarlo), entonces
X ∼ Bi(5 ; 0, 2)
Además, el rango de la variable es RX = {0; 1; 2; 3; 4; 5}.
2. En este caso nos piden P(X = 2) = pX (2). Utilizando la fórmula de función de probabilidad
puntual para variables aleatorias binomiales (con n = 5 y p = 0, 2), se tiene que

5
P(X = 2) = pX (2) = (0, 2)2 (1 − 0, 2)5−2 = 10.(0, 2)2 (0, 8)3 = 0, 2048
2
3. En este caso nos piden P(X ≤ 2). Luego, recordando que RX = {0; 1; 2; 3; 4; 5} y usando la
fórmula para el cálculo de las probabilidades puntuales de una v.a. binomial, se tiene
P(X ≤ 2) = pX (0) + pX (1) + pX (2)

5 0 5−0 5 1 5−1 5
= (0, 2) (1 − 0, 2) + (0, 2) (1 − 0, 2) + (0, 2)2 (1 − 0, 2)5−2
0 1 2
= (0, 8)5 + 5(0, 2)(0, 8)4 + 10.(0, 2)2 (0, 8)3 = 0, 94208
4. Nos piden calcular P(X ≥ 4), nuevamente
P(X ≥ 4) = pX (4) + pX (5)

5 4 5−4 5
= (0, 2) (1 − 0, 2) + (0, 2)5 (1 − 0, 2)5−5 = 0, 00672
4 5
5. Para hallar la función de distribución acumulada es conveniente tener a mano la tabla de la
función de probabilidad puntual de la variable o, en este caso, recordar que tenemos una
fórmula que nos permite hallar la probabilidad puntual en cada punto del rango.
Como RX = {0; 1; 2; 3; 4; 5} entonces los intervalos en los que se encuentra definida la función
partida que es la función de distribución acumulada son:
(−∞; 0) [0; 1) [1; 2) [2; 3) [4; 5) [5; +∞)
Recordando que la función de distribución acumulada vale 0 en el primer intervalo, se tiene

que 

 0 si x < 0



 pX (0) si 0 ≤ x < 1
pX (0) + pX (1) si 1 ≤ x < 2



FX (x) = pX (0) + pX (1) + pX (2) si 2 ≤ x < 3
p (0) + p (1) + p (2) + p (3) si 3 ≤ x < 4

X X X X



(0) + (1) + (2) + (3) + (4) si 4≤x<5

 p p p p p
 X X X X X


1 si x ≥ 5


 0 si x < 0



 0.32768 si 0≤x<1
 0.73728 si 1 ≤ x < 2


= 0.94208 si 2 ≤ x < 3
 0.99328 si 3 ≤ x < 4



0.99968 si 4 ≤ x < 5




si x ≥ 5

1
6. Nos piden calcular la esperanza de la variable. Recordando que X ∼ Bi(5 ; 0, 2) y, por lo
tanto, n = 5 y p = 0, 2 entonces
E(X) = 5.0, 2 = 1
es decir, se espera encontrar 1 chip defectuoso.

7. Nuevamente, apelando a la fórmula pero esta vez del cálculo de la varianza de una v.a.
binomial, se tiene que
V (X) = 5.0, 2.(1 − 0, 2) = 0, 8
y, por lo tanto, el desvío estándar de X es
p p
sd(X) = V (X) = 0, 8 ≈ 0.8944
Ejemplo 5.25 Responder a las siguientes preguntas:

1. ¿Es la v.a. Y del Ejemplo 5.6 una v.a. con distribución binomial? En caso afirmativo, indique
cuáles son sus parámetros. En caso negativo, explicar porqué no lo es.
2. ¿Es la v.a. M del Ejemplo 5.13 una v.a. con distribución binomial? En caso afirmativo,
indique cuáles son sus parámetros. En caso negativo, explicar porqué no lo es.
Solución:
1. Esta v.a. es binomial porque se supone que se tira la moneda de manera independiente (si en
una tirada de la moneda salió cara, la siguiente tirada de la moneda no tiene ni más ni menos
probabilidad de salir cara que la que tenía originalmente). Más aún, X ∼ Bi(4 ; 0, 5) porque
la moneda es equilibrada y, por lo tanto, tiene la misma probabilidad de salir cara que de salir
ceca.
2. Esta v.a. no es binomial ya que los ensayos Bernoulli no son independientes: si miro un
animal y está marcado, el segundo animal que se revisa no tiene la misma probabilidad que
el primero de estar marcado (porque ahora hay un animal marcado menos).

5.1.5 Ejercicios
1. Se tira 8 veces de manera independiente una moneda con probabilidad de cara 0.6.
(a) Hallar la distribución de la variable aleatoria
X : “cantidad de caras obtenidas”
(b) Calcular la probabilidad de que salgan exactamente 4 caras.
(c) Calcular la probabilidad de que salgan al menos 6 caras.
(d) Calcular la probabilidad de que salgan entre 3 y 5 caras.
(e) Hallar la esperanza, la varianza y el desvío estándar del número de caras obtenidas.
2. Se sabe que una de cada cuatro personas prefiere comprar una licencia de antivirus para su
computadora. Se consideraron 6 personas de forma independiente. Sea
X : “cantidad de personas entre las 6 elegidas que prefiere comprar una licencia de antivirus”
(a) ¿Qué distribución tiene la variable aleatoria X?
(b) Calcular la probabilidad de que sean exactamente 4 las personas que prefieren comprar
una licencia de antivirus.
(c) Calcular la probabilidad de que sean por lo menos 2 las personas que prefieren comprar
la licencia de antivirus.
(d) Hallar la esperanza, la varianza y el desvío estándar de la cantidad de personas que
prefiere comprar una licencia para un antivirus.
3. Se sabe que la probabilidad de que en 1 cm3 de agua de un estanque no haya ninguna larva
(de cierto tipo) es de 0.05. Se toman 5 muestras independientes de 1 cm3 de agua de ese
estanque.
(a) Hallar la distribución de la variable aleatoria
X : “cantidad de muestras de 1 cm3 que no contienen ninguna larva (de ese tipo)”
(b) Calcular la probabilidad de exactamente 3 muestras no contengan ninguna larva.
(c) Hallar el número esperado de muestras con ninguna larva.
4. Un alumno especula con aprobar un examen sin saber absolutamente nada. El examen es del
tipo “elección múltiple”: consta de 10 preguntas, cada una con 4 opciones de respuesta y 1
sola respuesta correcta en cada pregunta. Si el alumno elige en forma absolutamente aleatoria
sus respuestas y el examen se considera aprobado con 7 o más preguntas bien contestadas,
(a) ¿cuál es la probabilidad de que conteste todas las preguntas bien?
(b) ¿cuál es la probabilidad de que el alumno apruebe el examen?
(c) calcular el número esperado de respuestas correctas que acertará en el examen.
5. La probabilidad de éxito de una vacuna contra la gripe es de 0, 74. Se administra la vacuna a
20 personas.
(a) Defina una variable aleatoria adecuada para este experimento. ¿Qué distribución tiene?
Determinar claramente cuáles son sus parámetros.
(b) Calcular la probabilidad de que una vez administrada:
i. ninguna persona tenga gripe.
ii. todas contraigan gripe.
iii. exactamente 5 de ellas contraigan gripe.
(c) ¿Cuál es el número de persona que se espera que contrigan gripe?
(d) Calcular la varianza y el desvío del número de personas que contraen gripe.
5.2 Variables aleatorias continuas

En la Sección anterior vimos las variables aleatorias discretas que son variables que se utilizan
esencialmente en experimentos en los que interesa “contar”. Estas variables tienen una función,
llamada “probabilidad puntual” que indica cuál es la probabilidad de que la variable tome cierto
valor. Sin embargo, no todas las variables “cuentan”, por ejemplo:
Ejemplo 5.26 A partir del instante en que se pone una lamparita, se registra el tiempo de vida
hasta que se quema. Una posible variable aleatoria podría ser:
X =“tiempo de vida de la lamparita”.

Ejemplo 5.27 Se elige un número al azar en el intervalo [0; 1]. Una variable aleatoria asociada a
a este experimento podría ser:

Y =“número elegido”.

Ejemplo 5.28 Se elige una persona al azar. Definimos la variable aleatoria:

Z =“altura de la persona elegida”.

Observemos que, para estos casos, el rango de las variables son intervalos, por ejemplo:
• RX = (0; +∞)
• RY = [0; 1]
• RZ = (0; +∞) o [M; +∞) si considerásemos la altura mínima que podría tener una persona.
En estos casos, las probabilidades puntuales son todas cero. Por ejemplo:
? P(X = 4, 013597) = 0
? P(Y = 0, 111111112) = 0
? P(Z = 1, 5754319) = 0
Por esta razón, estas variables no tienen “función de probabilidad puntual” como sí tienen las
variables aleatorias discretas. Sin embargo, vamos a poder calcular probabilidades que involucran
desigualdades y, por esta razón, sí vamos a tener la función de distribución acumulada que se
definía para todo x ∈ R como
FX (x) = P(X ≤ x) .
Definición 5.9 — Variable aleatoria continua. Diremos que X es una variable aleatoria
continua si su función de distribución acumulada FX es una función continua (lo que significa,
esencialmente, que esta función se puede graficar sin levantar el lápiz).
Como esta definición implica poder calcular FX que no siempre es fácil, en la práctica diremos
que las variables cuyos rangos no son finitos ni numerables, serán consideradas “continuas”.
Si bien podría haber variables aleatorias que tengan como rango intervalos pero que no sean
continuas, estas variables son muy “patológicas” y no se encuentran naturalmente en la vida
real.
Como los rangos de las variables X, Y y Z son intervalos (que no son conjuntos ni finitos ni
numerables), entonces diremos que X, Y y Z son variables aleatorias continuas (aunque, lo que es
seguro, es que no son discretas).
Ya dijimos que estas variables aleatorias continuas no cuentan con función de probabilidad
puntual. Sin embargo, las variables aleatorias más interesantes cuentan con una función que tiene
un rol “similar” al de función de probabilidad puntual y que se llama función de densidad.
Definición 5.10 — Función de densidad. Una variable aleatoria X tiene función de densidad,
notada como fX , si sus probabilidades pueden calcularse como áreas bajo la curva dada por la
gráfica de la función fX .
De esta manera, tenemos la siguiente propiedad.

Propiedades 5.2.1 Una función fX es una función de densidad de una variable aleatoria si cumple
las siguientes dos propiedades:
1. la función tiene que estar “por arriba” del eje x o “sobre” el eje x, es decir, no puede tomar
valores negativos. Matemáticamente, esto se escribe como fX (x) ≥ 0 para todo x ∈ R.
2. el área de la región delimitada entre la curva (la gráfica de la función) y el eje x tiene que ser
1.
En definitiva, para que una función sea una función de densidad debe verificar las dos condi-
ciones de la Propiedad.
Ejemplo 5.29 Decidir cuáles de las siguientes funciones f son funciones de densidad.
a) b)
c) d)
Solución: En todos los casos veremos que se cumplen las condiciones necesarias para que la
función graficada sea una función de densidad.
a) En primer lugar observemos que la función está por arriba del eje x (o sobre el eje x).
Efectivamente, la función es constantemente 0 fuera del intervalo (1; 2) y en el intervalo
[1; 2] vale constantemente igual a 1.
Además, el área del rectángulo (que es un cuadrado en este caso) es “base por altura” y, en
nuestro caso, es 1.1 = 1 porque la base es 1 y la altura es 1. Es decir, el área encerrada por la
gráfica de la función y el eje x es 1 (si la función está apoyada sobre el eje x no tiene área
“por debajo”).
Con estas dos condiciones verificadas, resulta que la función f es una función de densidad.
b) En este caso, es fácil ver que ya no cumple la condición de estar la función “por arriba” del
eje x (ya que en el intervalo (−2; −1) vale -1 y, por lo tanto, es negativa. Luego, esta función
no puede ser una función de densidad.
c) En primer lugar, observemos que la función está por arriba del eje x (o está sobre el eje x
cuando vale constantemente igual a 0), por lo que la primera de las condiciones la cumple.
Para la segunda condición habría que calcular el área de la región encerrada entre la curva
de la función y el eje x, es decir, el área del trapecio. Una posibilidad podría ser separar
el trapecio en dos triángulos y un rectángulo y sumar las tres áreas. Observemos que el
triángulo izquierdo tiene como base 1 y una altura de 0, 5. Luego, recordando que el área
de un triángulo sigue la fórmula: base por altura dividido 2, se tiene que el área de este
triángulo es 1.0, 5/2 = 0, 25. Además, es claro que el área del triángulo que se encuentra
a la derecha también es 0, 25 ya que tiene la misma base y la misma altura. Por último, el
área del rectángulo es 0, 5 porque la base es 1 y la altura es 0, 5. Luego, sumamos las tres
áreas: 0, 25 + 0, 5 + 0, 25 = 1, obteniendo así el área pedida. Como este resultado es 1, se
verifica también la segunda de las dos condiciones y, por lo tanto, f resulta ser una función
de densidad.
d) Nuevamente, debemos verificar que se cumplan las dos condiciones de la Propiedad. Clara-
mente se cumple la primera de las propiedades porque la gráfica de la función se encuentra
por arriba del eje x.
Para verificar la segunda propiedad debemos hallar el área de la región encerrada por la
función y el eje x, es decir, debemos sumar las áreas de los triángulos. Observando que
1.1
la base es 1 y la altura es 1 se tiene que el área del triángulo es = 0, 5 y, como ambos
2
triángulos tienen la misma área, el área de la región pedida es 0, 5 + 0, 5 = 1. Por lo tanto,
queda verificada la segunda condición y, de esta manera, queda probado que f es una función
de densidad.

Observación: si X es una v.a. continua con función de densidad fX dada por
entonces las probabilidades son las áreas de las regiones que esa probabilidad represente. Por
ejemplo, la probabilidad
P(a ≤ X ≤ b)
es el área de la región sombreada en el siguiente gráfico
Como el cálculo de estas áreas involucra en muchas oportunidades un concepto matemático

llamado “integración”, nosotros, en un principio, calcularemos áreas sólo de triángulos y rectángulos
para los cuales sabemos cómo son sus fórmulas y, más adelante, usaremos una tabla que nos dará
las áreas en un caso particular de v.a. continua.
Ejemplo 5.30 Si X es una variable aleatoria continua con la función de densidad del ítem c) del
Ejemplo 5.29, calcular:
1. P(X > −1) 4. P(X ≤ −1, 25)

2. P(−2 ≤ X ≤ −1) 5. P(0 ≤ X < 1)
3. P(X = −2)
Solución:
1. Tal como se mencionó anteriormente, la probabilidad será el área de la región delimitada
por la condición. En este caso, la región que se corresponde con la condición X > −1 es el
triángulo de la derecha. Luego, la probabilidad pedida será el área de dicho triángulo. Como
ya vimos que el área del triángulo es 0, 25, entonces
P(X > −1) = 0, 25 .
2. La región delimida por la condición −2 ≤ X ≤ −1 es el rectángulo que tiene base 1 y altura

0, 5. Como su área es 0, 5 se tiene que
P(−2 ≤ X ≤ −1) = 0, 5 .
3. En este caso, nos están pidiendo una probabilidad puntual. Como la variable es continua, la
probabilidad pedida es 0. Otra forma de ver esto es observando que el área de la línea que se
obtendría sobre el punto X = −2 desde el eje x hasta la curva es 0. Luego,
P(X = −2) = 0 .
4. En este caso, la región a la que hay que calcularle el área está formada por el triángulo
izquierdo y un rectángulo que, en este caso, tiene base 0, 75 (y la altura es la misma que
antes que es 0, 5). Luego, la probabilidad pedida se puede conseguir sumando las áreas del
triángulo (que es 0, 25) y el área del rectángulo (que es 0, 75 . 0, 5 = 0, 375). Es decir,
P(X < −1, 25) = 0, 25 + 0, 375 = 0, 625 .
5. Como en este caso la función vale 0 entre el 0 y el 1, no hay región a la cuál calcularle el
área y, por lo tanto,
P(0 ≤ X < 1) = 0 .

Ejemplo 5.31 Si X es una variable aleatoria continua con la función de densidad del ítem a) del
1. P(X < 1, 5)
2. P(1, 3 ≤ X ≤ 1, 6)
Solución:
1. Como la región a la que hay que calcularle el área es, en este caso, el rectángulo cuya base va
desde el 1 al 1, 5 (es decir, es 1, 5 − 1 = 0, 5) y tiene altura 1, entonces el área del rectángulo,
y por lo tanto la probabilidad pedida es
P(X < 1, 5) = (1, 5 − 1).1 = 0, 5 .
2. En este caso, el rectángulo tiene una base que va desde 1, 3 a 1, 6 y, por lo tanto, es 1, 6−1, 3 =
0, 3. Como además su altura es 1, se tiene que
P(1, 3 ≤ X ≤ 1, 6) = (1, 6 − 1, 3).1 = 0, 3 .
Observemos que la función de densidad de la variable aleatoria continua del último ejemplo
tiene la particularidad de ser constante en un intervalo. Este es un ejemplo de un tipo de variable
aleatoria conocida como variable aleatoria uniforme y que veremos con más detalle en la siguiente
Subsección.
Observación: es importante notar que cuando se trabaja con variables aleatorias continuas,
incluir o no incluir los iguales en las probabilidades es exactamente lo mismo. Esto viene del
hecho de que todas las probabilidades puntuales son 0. En definitiva, si X es una variable aleatoria
continua vale que
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b) .
Ejercicio 5.8 Si X es una variable aleatoria continua con la función de densidad del item d) del
1. P(X > 1) 4. P(X = −2)

2. P(X ≥ 0) 5. P(X > 2)
3. P(−1, 2 ≤ X ≤ 1, 2)
Ejercicio 5.9 Decidir si, en el caso de que X sea una v.a. continua, vale que
FX (x) = P(X < x) .
En caso afirmativo, ¿esto valdrá siempre para cualquier tipo de variable aleatoria? En caso
negativo, exhibir un ejemplo mostrando que no es lo mismo FX (x) y P(X < x) (esto es lo que,
en matemática, se llama “buscar un contraejemplo”).
5.2.1 Ejercicios
1. Decidir cuál o cuáles de las siguientes funciones f son funciones de densidad.
a) b)
2. Para cada función de densidad elegida en el ítem anterior, calcular:

(a) P(X > 1) 3
(c) P X ≤
(b) P(X = 1) 2
1 3
(d) P ≤X ≤
2 2
donde X es una variable aleatoria con la función de densidad seleccionada.
5.2.2 Esperanza de una variable aleatoria continua

Tal como pasa en el caso de variables aleatorias discretas, la esperanza será, nuevamente, el punto
de equilibrio de la barra pero, en este caso, en lugar de mirar el gráfico de la función de probabilidad
puntual, miraremos el gráfico de la función de densidad de la variable aleatoria.
Ejemplo 5.32 Hallar las esperanzas de las funciones de densidad del Ejemplo 5.29.
Solución: Es claro que para la función del ítem a), la esperanza de la variable se encuentra en el
punto 2, 5, mientras que en la función de densidad del ítem c) se encuentra en el punto −1, 5 y en la
función de densidad del ítem d) se encuentra en el 0. Todo esto es fácil verlo por la simetría de los
gráficos.
Ejercicio 5.10 Para cada variable aleatoria con función de densidad elegida en el Ejercicio 1 de
la Sección 5.2.1, calcular su esperanza.
Las varianzas y los desvíos estándar son, tanto para variables aleatorias continuas como para
variables aleatorias discretas, más difíciles de observar en un gráfico por lo que, en el caso de
variables aleatorias continuas, sólo las calcularemos en algunos casos particulares.
5.2.3 Distribución uniforme

Comencemos con la definición formal de una variable aleatoria uniforme.
Definición 5.11 — Distribución uniforme. Diremos que X es una variable aleatoria con dis-
tribución uniforme en el intervalo (a; b) si su función de densidad es

 0 si x ≤ a
1
fX (x) = si a<x<b
 b−a
0 si x ≥ b
Notación: X ∼ U(a; b).
Un gráfico de esta función de densidad es el siguiente:

Ejemplo 5.33 Graficar la función de densidad de X ∼ U(2; 4).

Solución: observando que, en este caso, a = 2 y b = 4, la función de densidad resulta ser
 
 0 si x ≤ 2  0 si x ≤ 2
1 1
fX (x) = si 2 < x < 4 = si 2 < x < 4
 4−2  2
0 si x ≥ 4 0 si x ≥ 4
y por lo tanto su gráfico es
¿Cómo calculamos las probabilidades si X ∼ U(a; b)?
Si X ∼ U(a; b), recordando que las probabilidades son áreas, se tiene que, para c y d dos
números en el intervalo (a; b) con c < d, se tiene que
d −c
P(c ≤ X ≤ d) =
b−a
longitud del intervalo pedido
=
longitud total del intervalo
tal como se puede observar en el siguiente gráfico:
Ejemplo 5.34 Continuando con el Ejemplo 5.33, es decir, con X ∼ U(2; 4), calcular:
(a) P(2, 3 ≤ X ≤ 2, 7) (c) P(X > 3)

(b) P(X < 2, 5) (d) P(X = 2, 1)
Solución:
(a) Es claro que, para la fórmula de cálculo de probabilidades mencionada anteriormente se tiene
que c = 2, 3 y d = 2, 7, como además a = 2 y b = 4, se tiene que
2, 7 − 2, 3
P(2, 3 ≤ X ≤ 2, 7) = = 0, 2 .
4−2
(b) En este caso, d = 2, 5 pero ¿cuánto vale c? Como P(X < 2, 5) = P(2 ≤ X < 2, 5) entonces
c = 2 (el límite inferior del intervalo). Luego,
2, 5 − 2
P(X < 2, 5) = = 0, 25 .
4−2
(c) Nuevamente, podemos ver que P(X > 3) = P(3 < X ≤ 4) y por lo tanto
4−3
P(X > 3) = = 0, 5 .
4−2
(d) Como es una probabilidad puntual y X es una variable aleatoria continua, es claro que
P(X = 2, 1) = 0. Sin embargo, también podemos ver esto usando la fórmula anterior ya que
2, 1 − 2, 1
P(X = 2, 1) = P(2, 1 ≤ X ≤ 2, 1) = = 0.
4−2

¿Cómo es la función de distribución acumulada de una v.a. X ∼ U(a; b)?
En este caso, hay una fórmula para calcular la función de distribución acumulada y está dada
en la siguiente propiedad.
Propiedades 5.2.2 Si X ∼ U(a; b) entonces

 0 si x ≤ a
x−a
FX (x) = b−a si a < x < b
1 si x ≥ b

Un gráfico posible de esta función de distribución acumulada es el siguiente:
Ejemplo 5.35 Para la v.a. X ∼ U(2; 4) del Ejemplo 5.33, hallar su función de distribución
acumulada y graficarla.
Solución: observando nuevamente que a = 2 y que b = 4 se tiene que
  
 0 si x ≤ 2  0 si x ≤ 2  0 si x ≤ 2
x−2 x−2 1
FX (x) = si 2 < x < 4 = si 2 < x < 4 = x − 1 si 2 < x < 4
 4−2  2  2
1 si x ≥ 4 1 si x ≥ 4 1 si x ≥ 4
y su gráfico es
¿Cómo se obtienen la esperanza y la varianza de una v.a. X ∼ U(a; b)?
Para calcular la esperanza y la varianza tenemos la siguiente propiedad.

Propiedades 5.2.3 Si X ∼ U(a; b) entonces
a+b (b − a)2
E(X) = y V (X) =
2 12
Recordemos que, como siempre, el desvío estándar se obtendrá como la raíz cuadrada de la
varianza.
Ejemplo 5.36 Continuando con el Ejemplo 5.33, calcular la esperanza, varianza y desvío estándar
de X tal que X ∼ U(2; 4).

Solución: Recordemos que en este caso a = 2 y b = 4, luego
2+4
E(X) = = 3,
2
(4 − 2)2 4 1
V (X) = = =
12 12 3
y además, r √
p 1 3
sd(X) = V (X) = = .
3 3

Ejemplo 5.37 El porcentaje de humedad en el suelo en cierta zona de Venezuela se distribuye

uniformemente entre 0,6 % y 1,4 %.
(a) Calcular la probabilidad de que en un muestra de ese suelo el porcentaje de humedad sea
menor a 0,9 %.
(b) Calcular la probabilidad de que en un muestra de ese suelo el porcentaje de humedad se
encuentre entre 0,7 % y 1,2 %.
(c) Calcular el porcentaje de humedad esperado.
(d) Calcular el desvío estándar del porcentaje de humedad en el suelo de esta zona de Venezuela.
(e) Se tomaron 10 muestras independientes de suelo de esa zona de Venezuela. Calcular la
probabilidad de que exactamente 3 de esas muestras contengan menos de 0,9 % de humedad.
Solución:
(a) En primer lugar, debemos notar que como el enunciado dice que el porcentaje de humedad
se distribuye uniformemente, esto significa que la variable aleatoria
X : “porcentaje de humedad en una muestra del suelo de Venezuela”
se distribuye uniformemente entre 0,6 % y 1,4 %, es decir,
X ∼ U(0, 6 ; 1, 4) .
Luego, calcular probabilidades con la uniforme es fácil: basta con usar la fórmula. De esta
manera,
0, 9 − 0, 6
P(X < 0, 9) = = 0, 375
1, 4 − 0, 6
que es la probabilidad pedida.
(b) En este caso, la probabilidad pedida es P(0, 7 ≤ X ≤ 1, 2) y, nuevamente apelando a la
fórmula para el cálculo de probabilidades de la uniforme (que, recordemos, se desprende de
“base por altura” para el cálculo de área de rectángulos), resulta
1, 2 − 0, 7
P(0, 7 ≤ X ≤ 1, 2) = = 0, 625 .
1, 4 − 0, 6
(c) Nos piden calcular E(X). Luego,
0, 6 + 1, 4
E(X) = =1
2
(d) Para hallar el desvío estándar, primero hay que calcular la varianza de X. Usando la fórmula
para varianza,
(1, 4 − 0, 6)2 4
V (X) = =
12 75
y, por esta razón, el desvío estándar de X es
r
p 4
sd(X) = V (X) = ≈ 0, 231 .
75
(e) En este caso, es interesante notar que la probabilidad pedida no es sobre el porcentaje de
humedad del suelo, sino sobre la cantidad de muestras entre las 10 disponibles, que cumplen
con tener menos de 0, 9 % de humedad. Por lo tanto, debemos definir una nueva variable,
que llamaremos Y , que cuente la cantidad de muestras que cumplen con esto. Definimos
Y : “cantidad de muestras que tienen porcentaje de humedad menor a 0, 9 %”.
Es claro que Y es una variable aleatoria discreta. Más aún, sabiendo que las muestras son
independientes, resulta que Y sigue una distribución binomial... ¿de qué parámetros? Es
claro que n = 10 pero ¿qué probabilidad es p? Como el éxito es que una muestra tenga
menos de 0, 9 % de humedad, p = P(X < 0, 9) = 0, 375 ya que fue calculada en el ítem (a).
Luego, resulta que
Y ∼ Bi(10 ; 0, 375) .
Como la probabilidad pedida es que exactamente 3 de esas muestras tengan menos de 0, 9 %
de humedad, nos piden P(Y = 3). Recordando la fórmula de probabilidad puntual de una v.a.
binomial, resulta que la probabilidad pedida es

10
P(Y = 3) = (0, 375)3 (1 − 0, 375)10−3 ≈ 0, 236 .
3

5.2.4 Ejercicios
1. Sea X ∼ U(0; 3).
(a) Determinar cuál es su función de densidad. Graficarla.
(b) Determinar cuál es su función de distribución acumulada. Graficarla.
(c) Calcular
i. P(X ≤ 1). iii. P(0.5 < X ≤ 2).

ii. P(X > 2). iv. P(X ≥ 1.5).
(d) Calcular la esperanza, la varianza y el desvío estándar de la variable.

2. Repetir el Ejercicio anterior con las variables aleatorias:
(a) X ∼ U(−2; 6)
(b) Y ∼ U(1; 3)
(c) Z ∼ U(0; 5)
3. El nivel de precipitaciones de Luján en el mes de septiembre se distribuye uniformemente
entre los 60 mm. y los 80 mm. de agua.
(a) Calcular la probabilidad de que en septiembre lluevan más de 65 mm. de agua.
(b) Calcular la probabilidad de que lluevan entre 65 mm. y 75 mm. de agua.
(c) Calcular la precipitación media esperada.
(d) Calcular el desvío estándar de precipitaciones del mes de septiembre.
4. En Luján, Fundamentos de Técnicas Cuantitativas se dicta los miércoles y viernes de 15 hs a
18 hs. Se sabe que la llegada de cierto alumno al aula se distribuye uniformemente entre las
14:50 y las 15:20.
(a) Decidir qué distribución tiene la variable aleatoria
X : “horario de llegada (en horas) de este alumno de Fundamentos de Técnicas Cuanti-
tativas”.
(b) Calcular la probabilidad de que llegue tarde a la materia.
(c) Calcular la probabilidad de que llegue antes de los 10 minutos de empezada la clase.
(d) ¿A qué hora se espera que el alumno llegue al aula? Calcular además el desvío estándar
del horario de llegada al aula.
(e) ¿Cuál es la probabilidad de que llegue a tiempo a la materia los dos días de la semana?
Suponga independiente el comportamiento del alumno los diferentes días de la semana.
5. Se eligen al azar 5 números de manera uniforme en el intervalo (0; 1). ¿Cuál es la probabilidad
de que exactamente tres de esos números sean mayores a 0.5?
6. El error que comete cierta balanza es una variable uniforme entre −50 g. y 50 g.
(a) ¿Cuál es la probabilidad de que la balanza le agregue al menos 10 g. más por sobre su
peso real a un objeto?
(b) Se miden 10 objetos en esa balanza. ¿Cuál es la probabilidad de que haya pesado 10 g.
más por sobre su peso real a más de 7 objetos?
5.2.5 Distribución normal

En esta Subsección definiremos otra familia de variables aleatorias continuas que resulta ser de
suma importancia en la estadística.
Definición 5.12 — Distribución normal. Diremos que X tiene una distribución normal de
parámetros µ y σ 2 si su función de densidad es
1 − 1 (x−µ)2
fX (x) = √ e 2σ 2 .
2πσ
También diremos que X es una variable aleatoria normal.
Notación: X ∼ N(µ; σ 2 ).
Observación: a diferencia de la variable aleatoria uniforme que toma valores en un intervalo

acotado, la variable aleatoria normal toma cualquier valor en la recta real.
La gráfica de esta función es la famosa “campana de Gauss” y tiene la siguiente forma:
√
con σ = σ 2 .
Mientras que µ indica la posición del eje de simetría de la función, el parámetro σ 2 indica cuán
“achatada” o “puntiaguda”es la gráfica. En el siguiente gráfico se muestra, a izquierda, una función
de densidad de una distribución normal con σ 2 más pequeño que el de la función de densidad de la
derecha.
Recordemos que estas funciones de densidad cumplen, como lo cumplen todas, que son no
negativas y que el área de la región que queda delimitada por la curva y el eje x es 1.
Observación: calcular probabilidades o, equivalentemente, áreas debajo de la curva “a mano”
con esta función es muy complicado. Por esta razón, debemos utilizar una tabla.
Afortunadamente, calcular la esperanza y varianza de una variable aleatoria con distribución
normal es muy fácil utilizando la siguiente propiedad:
Propiedades 5.2.4 Si X ∼ N(µ, σ 2 ) entonces
E(X) = µ y V (X) = σ 2 ,
es decir, los dos parámetros que definen la distribución normal indican la esperanza y varianza de
la variable, respectivamente.
√
Recordemos que σ = σ 2 es el desvío estándar.
Observación: es claro que E(X) = µ porque la distribución es simétrica alrededor de x = µ.
¿Cómo calculamos las probabilidades de una v.a. X ∼ N(µ; σ 2 )?
No existe una fórmula en la que podamos reemplazar un valor y nos devuelva una probabilidad
para una v.a. X ∼ N(µ; σ 2 ) cualquiera. ¿Cómo calculamos las probabilidades entonces?
Existe una tabla que provee valores de la función de distribución acumulada de una variable
aleatoria normal particular, que es la que definiremos a continuación. Usando esta variable podremos
calcular las probabilidades de cualquier distribución normal (con cualquier par de parámetros µ y
σ 2 ).
5.2.6 Distribución normal estándar

Definición 5.13 Si Z ∼ N(0; 1) diremos que Z tiene distribución normal estándar.
√
Observemos que esto significa que µ = 0 y que σ 2 = 1 y, por lo tanto, σ = σ 2 = 1. En general,
se suele reservar la letra Z para referirse a una v.a. con distribución normal estándar.
El gráfico de su función de densidad es:
Notación: La función de distribución acumulada de una v.a. normal estándar tiene su propia
notación que es φ (la letra griega “fi”), es decir, si Z ∼ N(0; 1) entonces
FZ (x) = φ (x) .
En la tabla de la Sección 9.3 del Anexo, se encuentran las probabilidades que se obtienen al
acumular hasta diferentes puntos de x.
Ejemplo 5.38 Sea Z ∼ N(0; 1). Calcular:
1. P(Z ≤ 1, 92) 4. P(Z < 1)

2. P(Z ≤ 3, 38) 5. P(Z ≤ 4, 5)
3. P(Z < 0, 21)
Solución:
1. En primer lugar, observemos que la tabla mencionada tiene un gráfico que se corresponde con
la función de densidad de una v.a. normal estándar y, sombreada en verde, la probabilidad p
que se obtiene al acumular hasta z p , es decir, el interior de la tabla tiene las probabilidades y
los bordes o márgenes de la tabla representan los valores hasta donde se acumula: el margen
izquierdo tiene el entero y el primer decimal, mientras que en el margen superior se indica el
segundo decimal.
Nos piden P(Z ≤ 1, 92) = FZ (1, 92) que, como vimos, se denota φ (1, 92) porque Z ∼ N(0; 1).
¿Dónde se encuentra 1, 92? Se encuentra mirando la fila correspondiente al 1, 9 y la tercera
columna que indica 0, 02. De esta manera, formamos el punto 1, 92. Luego, el interior de la
tabla nos indica la probabilidad que acumula hasta ese punto, es decir:
P(Z ≤ 1, 92) = φ (1, 92) = 0, 9726 .
2. Nuevamente, como Z ∼ N(0; 1), P(Z ≤ 3, 38) = φ (3, 38) y, por lo tanto, usaremos la tabla
para hallar la probabilidad pedida. Mirando correctamente en la tabla se tiene que
P(Z ≤ 3, 38) = φ (3, 38) = 0, 9996 .
3. Primero observemos que P(Z < 0, 21) = P(Z ≤ 0, 21) porque Z es una v.a. continua. Como
además Z ∼ N(0; 1), resulta que nos piden hallar φ (0, 21). Luego, buscando en la tabla, se
tiene que
P(Z < 0, 21) = φ (0, 21) = 0, 5832 .
Si nos pidieran una gráfico que represente la probabilidad, éste sería:
4. Nuevamente, buscando en la tabla y observando que el 1 se encuentra mirando la fila número

11 y la primera columna, resulta que
P(Z < 1) = φ (1) = 0, 8413 .
Si nos pidieran una gráfico que represente la probabilidad, éste sería:
5. Observemos que la tabla no da información más allá del 3, 49. Esto es porque las proba-
bilidades podrían aproximarse por 1 directamente. Por esta razón, si bien nunca acumula
exactamente 1, diremos que
P(X ≤ 4, 5) ≈ 1 .

Intuitivamente, dado que estamos acumulando hasta valores positivos (a la derecha del eje
y), es claro que todas estas probabilidades tienen que ser mayores o iguales que 0.5, tal como
efectivamente ocurre.
Observación: es interesante notar que si bien ponemos todas igualdades tras buscar en la tabla,
estas no son tales sino que son aproximaciones con 4 decimales. Como la aproximación es bastante
precisa y es la arrojada por la tabla, podemos pensar que es el “verdadero valor” aunque no lo sea
exactamente. Más aún, las verdaderas probabilidades son números irracionales (salvo φ (0) = 0.5)
y, por lo tanto, tienen infinitos decimales.
Calculemos ahora otras probabilidades.
1. P(Z > 0, 33) 3. P(Z ≥ 2, 41)

2. P(Z > 1, 72) 4. P(Z > 4, 4)
Solución:
1. Veamos primero con el siguiente gráfico cuál es la probabilidad pedida:
¿Qué relación hay entre esta probabilidad y las probabilidad dada por la función de dis-
tribución acumulada? Usando la propiedad del complemento, se puede ver fácilmente
que
P(Z > 0, 33) = 1 − P(Z ≤ 0, 33)
pero esta segunda probabilidad sí es una de las probabilidades dadas en la tabla (dado que la
tabla tiene las probabilidades acumuladas a izquierda y no a derecha). Luego, la probabilidad
pedida es
P(Z > 0, 33) = 1 − P(Z ≤ 0, 33) = 1 − φ (0, 33) = 1 − 0, 6293 = 0, 3707 .
2. Razonando de la misma manera, se tiene que
P(Z > 1, 72) = 1 − P(Z ≤ 1, 72) = 1 − φ (1, 72) = 1 − 0, 9573 = 0, 0427 .
3. Aplicando el complemento para resolver el ejercicio y recordando además que como la v.a.
es continua P(Z < 2, 41) = P(Z ≤ 2, 41) resulta que
P(Z ≥ 2, 41) = 1 − P(Z < 2, 41) = 1 − φ (2, 41) = 1 − 0, 9920 = 0, 0080 .
4. Por último, como φ (4, 4) ≈ 1 entonces
P(Z > 4, 4) = 1 − φ (4, 4) ≈ 1 − 1 = 0 ,
es decir, P(Z > 4, 4) ≈ 0.

A diferencia del caso anterior, es claro que todas estas probabilidades tienen que ser menores o
iguales que 0.5, tal como efectivamente ocurre.
Lo que haremos ahora es calcular probabilidades que usarán, fuertemente, la simetría que tiene
la distribución normal estándar alrededor del 0.
1. P(Z ≥ −0, 57) 3. P(Z ≥ −0, 05)

2. P(Z > −1, 09) 4. P(Z > −3, 41)
Solución:
1. Veamos primero que el siguiente gráfico representa la probabilidad P(Z ≥ −0, 57):
Se puede ver, por la simetría que tiene la distribución respecto al eje y, que el área representada
por la probabilidad P(Z ≥ −0, 57) coincide con el área representada por la probabilidad
P(Z ≤ 0, 57), tal como se muestra en el siguiente gráfico:
Por esta razón, se tiene que
P(Z ≥ −0, 57) = P(Z ≤ 0, 57) = φ (0, 57) = 0, 7157 .

2. De la misma manera, se puede ver que el área correspondiente a la probabilidad P(Z ≥ −1, 09)
es la misma que la correspondiente con la probabilidad P(Z ≤ 1, 09). Luego,
P(Z > −1, 09) = P(Z < 1, 09) = φ (1, 09) = 0, 8621 .
3. Nuevamente, se tiene que
P(Z ≥ −0, 05) = P(Z ≤ 0, 05) = φ (0, 05) = 0, 5199 .
4. Por último, tenemos que
P(Z > −3, 41) = P(Z ≤ 3, 41) = φ (3, 41) = 0, 9997 .
Esta regla que observamos la podemos escribir como la siguiente propiedad:

Propiedades 5.2.5 Si Z ∼ N(0; 1), para x ∈ R vale que
P(Z ≥ −x) = φ (x)
Queda para el lector observar que esto vale tanto para x ≥ 0 como para x < 0.
1. P(Z ≤ −0, 83) 3. P(Z < −2, 03)

2. P(Z < −1, 41) 4. P(Z ≤ −0, 01)
Solución:
1. En primer lugar, observemos que P(Z ≤ −0, 83) = φ (−0, 83). Sin embargo, la tabla que
figura en el Anexo no incluye valores negativos en los márgenes y, por esta razón, para hallar
esa probabilidad hay que apelar a la simetría de la distribución. Comencemos visualizando la
probabilidad pedida con un gráfico:
Es claro, por simetría, que esta probabilidad es la misma que la dada en el siguiente gráfico
que es P(Z ≥ 0, 83). Sin embargo y tal como lo mencionamos en el Ejemplo 5.39 se puede
ver que esta probabilidad es el complemento de P(Z < 0, 83) que se corresponde con el
siguiente gráfico
En definitiva, la probabilidad pedida se calcula como

P(Z ≤ −0, 83) = P(Z ≥ 0, 83) = 1 − P(Z < 0, 83) = 1 − φ (0, 83) = 1 − 0, 7967 = 0, 2033 .
Es importante notar que esta probabilidad debía ser menor que 0.5.
2. De manera similar, primero conviene observar que P(Z < −1, 41) = P(Z > 1, 41) por lo que
luego, usando la propiedad del complemento de una probabilidad, se tiene que
P(Z < −1, 41) = P(Z > 1, 41) = 1 − P(Z ≤ 1, 41) = 1 − φ (1, 41) = 1 − 0, 9207 = 0, 0793 .
Ejercicio 5.11 Queda para el lector repetir los tres gráficos hechos para el ítem anterior
pero con esta probabilidad.
3. De manera análoga, y recordando primero que P(Z < −2, 03) = φ (−2, 03), se tiene que esta
probabilidad es
φ (−2, 03) = P(Z > 2, 03) = 1 − φ (2, 03) = 1 − 0, 9788 = 0, 0212 .
4. Por último, la probabilidad pedida es
P(Z < −0, 01) = φ (−0, 01) = 1 − φ (0, 01) = 1 − 0, 5040 = 0, 4960 .

A partir de acá, podemos deducir la siguiente propiedad:

Propiedades 5.2.6 Para x ∈ R se tiene que
φ (−x) = 1 − φ (x)
Si bien esta propiedad estuvo siendo utilizada para x > 0 (para que, de esta manera, −x < 0),
queda para el lector chequear gráficamente que también vale para x ≤ 0.
Ejemplo 5.42 Sea Z una variable aleatoria con distribución N(0, 1). Usar la tabla y las propiedades
de simetría para calcular las siguientes probabilidades:
1. P(0, 31 < Z ≤ 1, 09) 4. P(−0, 1 < Z < 0)

2. P(1, 18 ≤ Z ≤ 2, 07) 5. P(−1, 70 ≤ Z ≤ −1, 08)
3. P(−0, 22 < Z < 1, 56) 6. P(−2, 05 ≤ Z < −1, 31)
Solución:
1. Comencemos primero visualizando la probabilidad pedida:
Se puede observar que esta área se puede conseguir restando las siguientes dos áreas:
restándole a la de la izquierda la de la derecha. Como cada una de estas probabilidades

es una probabilidad acumulada a izquierda, es decir, se corresponden con las funciones de
distribución acumulada (la de la derecha se corresponde con φ (1, 09) mientras que la de la
derecha se corresponde con φ (0, 31)), resulta que
P(0, 31 < Z ≤ 1, 09) = P(Z ≤ 1, 09) − P(Z ≤ 0, 31)
= φ (1, 09) − φ (0, 31)
= 0, 8621 − 0, 6217
= 0, 2404 .
2. De manera similar, la probabilidad pedida P(1, 18 ≤ Z ≤ 2, 07) se puede obtener como la
diferencia entre la probabilidad de acumular hasta 2, 07 y la probabilidad de acumular hasta
1, 18, es decir, se tiene que
P(1, 18 ≤ Z ≤ 2, 07) = P(Z ≤ 2, 07) − P(Z < 1, 18)
= φ (2, 07) − φ (1, 18)
= 0, 9808 − 0, 8810
= 0, 0998 .
3. La única diferencia que hay con los dos casos anteriores es que uno de estos valores es
negativo. Sin embargo, veamos que esto no influye en que el área correspondiente a esta
probabilidad se obtenga como resta de dos áreas. Veamos esto con tres gráficos. Observemos
primero que la probabilidad P(−0, 22 < Z < 1, 56) se puede representar de la siguiente
manera:
es claro que esta región sombreada (que representa la probabilidad) se consigue restando las
siguientes dos regiones:
Es decir, vale que
P(−0, 22 < Z < 1, 56) = P(Z < 1, 56) − P(Z ≤ −0, 22) = φ (1, 56) − φ (−0, 22) .
Buscando en la tabla, se ve que φ (1, 56) = 0, 9406, ¿pero qué ocurre con φ (−0, 22)? Como
la función de distribución acumulada está evaluada en un valor negativo, deberemos apelar a
la fórmula dada en la Propiedad 5.2.6 que dice que
φ (−x) = 1 − φ (x)
con x = 0, 22. Es decir,

φ (−0, 22) = 1 − φ (0, 22) .
Luego, tenemos que la probabilidad pedida es

P(−0, 22 < Z < 1, 56) = P(Z < 1, 56) − P(Z ≤ −0, 22)
= φ (1, 56) − φ (−0, 22)
= φ (1, 56) − (1 − φ (0, 22))
= 0, 9406 − (1 − 0, 5871) = 0, 9406 − 0, 4129
= 0, 5277
4. Siempre comenzaremos de la misma manera: pensando en la resta de áreas o, equivalente-
mente, en la resta de probabilidades:
P(−0, 1 < Z < 0) = P(Z < 0) − P(Z ≤ −0, 1) = φ (0) − φ (−0, 1)
y luego recordando, por la Propiedad 5.2.6 que φ (−0, 1) = 1 − φ (0, 1), se tiene que la
probabilidad pedida es
P(−0, 1 < Z < 0) = P(Z < 0) − P(Z ≤ −0, 1)
= φ (0) − φ (−0, 1)
= φ (0) − (1 − φ (0, 1))
= 0, 5 − (1 − 0, 5398)
= 0, 5 − 0, 4602
= 0, 0398
5. Observemos, una vez más, que más allá de que los dos números sean negativos, la proba-
bilidad pedida se obtiene como resta de dos probabilidades. Comencemos interpretando
gráficamente la probabilidad pedida:
Luego, esta probabilidad se puede obtener restando las probabilidades P(Z ≤ −1, 08) y
P(Z < −1, 7), representadas en los siguientes gráficos:
De esta manera, recordando también la Propiedad 5.2.6, resulta que la probabilidad pedida es
P(−1, 70 ≤ Z ≤ −1, 08) = P(Z ≤ −1, 08) − P(Z < −1, 7)
= φ (−1, 08) − φ (−1, 7)
= (1 − φ (1, 08)) − (1 − φ (1, 7))
= (1 − 0, 8599) − (1 − 0, 9554)
= 0, 1401 − 0, 0446
= 0, 0955

En general, tenemos la siguiente propiedad:

Propiedades 5.2.7 Si X es una variable aleatoria y a, b ∈ R con a < b, se tiene que
P(a < X ≤ b) = FX (b) − FX (a)
es decir, la probabilidad de que a < X ≤ b se consigue restando la probabilidad del extremo derecho
menos la probabilidad del extremo izquierdo.
Esta propiedad vale en general, sea X una variable aleatoria continua o discreta. Sin embargo,
mientras que con v.a. discretas hay que tener cierto cuidado porque “incluir” o “no incluir” un
valor en una desigualdad podría cambiar el valor de la probabilidad, con v.a. continuas no hay
que tener este cuidado (porque las probabilidades puntuales son 0). En definitiva, si X es una v.a.
continua, vale que
P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b) = P(a ≤ X ≤ b) = FX (b) − FX (a) .
Propiedades 5.2.8 Si Z es una v.a. normal estándar, para a, b ∈ R con a < b, se tiene que
P(a < Z ≤ b) = φ (b) − φ (a) .
Ahora lo que haremos será el procedimiento inverso: buscar un número que de origen a cierta
probabilidad pedida.
Ejemplo 5.43 Sea Z una variable aleatoria con distribución N(0, 1). Usando la tabla de la normal
y las propiedades de simetría, hallar el valor de a en cada caso.
1. P(Z ≤ a) = 0, 9099 5. P(Z ≤ a) = 0, 2676

2. P(Z < a) = 0, 6255 6. P(Z < a) = 0, 0301
3. P(Z > a) = 0, 3632 7. P(Z > a) = 0, 9049
4. P(Z ≥ a) = 0, 0162 8. P(Z ≥ a) = 0, 6844
Solución: Para resolver todos estos ítems es siempre conveniente pensar si el valor de a que
realiza la probabilidad pedida es un valor positivo o negativo (o, eventualmente, 0). Esto es
importante para saber cómo graficar correctamente la probabilidad pedida y, de alguna manera
también, chequear que el valor de a sea el correcto.
1. En primer lugar, observemos que la probabilidad pedida se puede escribir en términos de φ
P(Z ≤ a) = 0, 9099 ⇔ φ (a) = 0, 9099 .
Un gráfico que podría representar esta situación sería el siguiente:

Es claro que para que acumule la probabilidad 0.9099, el valor de a tiene que ser mayor que
0 y, por esta razón, es ubicado a la derecha del eje y. Luego, como la tabla de la normal arroja
justamente este tipo de probabilidades, lo que hay que hacer ahora es buscar la probabilidad
pedida en el interior de la tabla y ver a qué valor de z p se corresponde, es decir, debemos
mirar sus márgenes para hallar el valor de a.
Leyendo correctamente en la tabla, resulta que
φ (a) = 0, 9099 ⇔ a = 1, 34
con lo que conseguimos el valor de a buscado.

2. De manera similar, la ecuación que satisface a es
φ (a) = 06255 .
Haciendo un gráfico que represente esta situación, como la probabilidad involucrada es mayor
a 0.5, entonces a > 0 y, por lo tanto, podremos encontrarla en la tabla. Luego, buscando
correctamente en la tabla, se ve que
φ (a) = 0, 6255 ⇔ a = 0, 32 .
3. En este caso, observemos que la situación P(Z > a) = 0, 0162 podría representarse gráfica-
mente de la siguiente manera:
¿Es a positivo? Sí, porque si bien la probabilidad en este caso acumula menos de 0.5,
está acumulando a derecha, no a izquierda como lo hacen las funciones de distribuciones
acumuladas (φ en este caso). Conviene entonces acumular a izquierda y reescribir el problema
en términos de φ . Para ello, usaremos la propiedad del complemento de probabilidades:
P(Z > a) = 0, 3632
1 − P(Z ≤ a) = 0, 3632
1 − φ (a) = 0, 3632
1 − 0, 3632 = φ (a)
0, 6368 = φ (a)
Observemos entonces que este problema es exactamente igual a los problemas de los dos
ítems anteriores y, por lo tanto, se resuelven fácilmente buscando en la tabla. De esta manera,
se ve que
φ (a) = 0, 6368 ⇔ a = 0, 35
y, por lo tanto, a = 0, 35 es el a que satisface que P(Z > a) = 0, 3632.

Observación: este problema se resuelve fácilmente porque, tras aplicar la propiedad de
complemento de probabilidades, la probabilidad se encuentra en la tabla.
4. De manera similar, tenemos que
P(Z ≥ a) = 0, 0162
1 − P(Z < a) = 0, 0162
1 − φ (a) = 0, 0162
1 − 0, 0162 = φ (a)
0, 9838 = φ (a)
Por último, buscamos qué valor acumula en la tabla una probabilidad de 0, 9838 y tenemos
que
φ (a) = 0, 9838 ⇔ a = 2, 14
es el a buscado.
5. Grafiquemos la probabilidad pedida:
¿Por qué el a es negativo? Porque la probabilidad acumulada a su izquierda es menor que

0.5.
Observemos que
P(Z ≤ a) = 0, 2676 ⇔ φ (a) = 0, 2676 .
¿Podemos encontrar el valor de la probabilidad en la tabla? No, porque la tabla contiene

sólo las probabilidades mayores o iguales a 0.5. ¿Qué podemos hacer entonces? Podemos
pensar en el valor positivo de a, es decir, en −a (recordemos que si a < 0, entonces −a > 0).
¿Cuánto se acumula hasta −a? Veámoslo en el siguiente gráfico:
Claramente, el área sombreada en este caso no es la misma que la sombreada en el caso

anterior. Sin embargo, sí hay una relación entre ellas: una es el complemento de la otra. En
definitiva, por la simetría de la distribución normal estándar alrededor del 0, se tiene que
φ (a) = 0, 2676 ⇔ φ (−a) = 1 − 0, 2676 = 0, 7324 .
Una probabilidad mayor o igual a 0.5 sí se puede hallar en la tabla y el valor al que se
corresponde es 0,62. Pero, ¿es a = 0, 62? No, lo que vimos es que −a = 0, 62 y, por lo tanto,
a = −0, 62 que es un valor negativo, tal como lo habíamos observado en un principio. Luego,
a = −0, 62 es la respuesta.
6. Nuevamente, como la probabilidad acumulada a izquierda es menor a 0, 5, el valor de a tiene

que ser negativo. Luego, se tiene que
P(Z < a) = 0, 0301
φ (a) = 0, 0301
φ (−a) = 1 − 0, 0301
φ (−a) = 0, 9699
y, por lo tanto, buscando en la tabla tenemos que −a = 1, 88. Luego, la respuesta del ítem es
a = −1, 88 que se consigue despejando.
7. En primer lugar, observemos que esta situación se puede representar mediante el siguiente
gráfico:
¿Por qué a es negativo? Porque acumula mucho a derecha, más de 0, 5. Usando la simetría
de diferentes maneras resulta haber varias formas de hallar el valor de a. Una de ellas es
pensar que esa área es exactamente igual al área que se acumularía a izquierda de −a, es
decir, tal como se puede observar en el siguiente gráfico:
De esta manera
P(Z ≥ a) = 0, 9049 ⇔ φ (−a) = 0, 9049
y, por lo tanto, buscando en la tabla se tiene que −a = 1, 31, es decir, a = 1, 31.

Observación: esta propiedad de simetría es exactamente la misma que la enunciada en el
Propiedad 5.2.6, pero acá la usamos con a en lugar de con x.
Ejercicio 5.12 Queda para el lector resolver este mismo ítem comenzando con el com-
plemento de la probabilidad pedida, es decir, usando que
P(Z > a) = 0, 9049

1 − P(Z ≤ a) = 0, 9049
1 − φ (a) = 0, 9049
y continuando como en los ítems anteriores.
8. Nuevamente, recordando que acumular a derecha de un número es lo mismo que acumular a

izquierda hasta el número opuesto, se tiene que

P(Z ≥ a) = 0, 6844
P(Z ≤ −a) = 0, 6844
φ (−a) = 0, 6844
−a = 0, 48
a = −0, 48
es la respuesta del ejercicio.

Ejemplo 5.44 Sea Z una variable aleatoria con distribución N(0; 1). Calcular:
1. P(Z + 2 ≤ 3, 75) 4. P(−2, 3 ≤ Z − 1 < 0)

2. P(−2Z + 5 < 4, 5) 5. P −1, 1 < Z+1
2 ≤ 0, 73
3. P(3Z − 7 < −10) 6. P −1, 45 < Z−2
3 ≤ −1, 2
Solución: En este ejercicio, todas las probabilidades involucran inecuaciones que deberán
resolverse, ya sea adentro de la probabilidad o como cálculo auxiliar.
1. Despejando Z adentro de la probabilidad, tenemos que
P(Z + 2 ≤ 3, 75) = P(Z ≤ 3, 75 − 2) = P(Z ≤ 1, 75) .
Luego, observando que la probabilidad pedida es una probabilidad acumulada a izquierda, es
decir, φ (1, 75), buscando correctamente en la tabla se tiene que:
P(Z + 2 ≤ 3, 75) = P(Z ≤ 1, 75) = φ (1, 75) = 0, 9599 .
Observación: la inecuación se podría haber resuelto en un cálculo auxiliar (C.A.) de la
siguiente manera:
Z + 2 ≤ 3, 75
Z ≤ 3, 75 − 2
Z ≤ 1, 75
y luego volviendo a plantear la probabilidad pedida diciendo que
P(Z + 2 ≤ 3, 75) = P(Z ≤ 1, 75) .
2. Nuevamente, podemos resolver la inecuación adentro de la probabilidad o como cálculo
auxiliar. Resolviéndola adentro de la probabilidad se tiene que:
P(−2Z + 5 < 4, 5) = P(−2Z < 4, 5 − 5) = P(−2Z < −0, 5) .
Teniendo en cuenta que −2 es un número negativo que está multiplicando a Z y que, por lo
tanto, dará vuelva la desigualdad cuando se lo pase dividiendo, se tiene que:

−0, 5
P(−2Z < −0, 5) = P Z > = P(Z > 0, 25) .
−2
Luego, aplicando la propiedad del complemento, se tiene que la probabilidad pedida es
P(−2Z +5 < 4, 5) = P(Z > 0, 25) = 1−P(Z ≤ 0, 25) = 1−φ (0, 25) = 1−0, 5987 = 0, 4013 .
3. Nuevamente, despejando adentro de la probabilidad, se tiene que

3
P(3Z −7 < −10) = P(3Z < −10+7) = P(3Z < −3) = P Z < − = P(Z < −1) = φ (−1) .
3
Por último, usando la simetría de la distribución alrededor del 0, se tiene que
P(3Z − 7 < −10) = φ (−1) = 1 − φ (1) = 1 − 0, 8413 = 0, 1587 .
4. A diferencia de los otros ítems, en este caso la variable Z se encuentra entre dos números.
Resolver esto es sencillo si recordamos que el despeje se puede hacer en simultáneo. Es
decir, la inecuación −2, 3 ≤ Z − 1 < 0 se puede resolver pensándose como dos inecuaciones
−2, 3 ≤ Z − 1 por un lado y Z − 1 < 0 por el otro. Es claro que, en ambas inecuaciones, sólo
resta pasar el −1 al otro miembro para despejar Z. En definitiva, tenemos que
−2, 3 ≤ Z − 1 < 0
−2, 3 + 1 ≤ Z < 0+1
−1, 3 ≤ Z <1
De esta manera, usando las propiedades vistas anteriormente, se tiene que la probabilidad
pedida es
P(−2, 3 ≤ Z − 1 < 0) = P(−1, 3 ≤ Z < 1)

= φ (1) − φ (−1, 3)
= φ (1) − (1 − φ (1, 3))
= 0, 8413 − (1 − 0, 9032)
= 0, 8413 − 0, 0968
= 0, 7445 .
5. Nuevamente, resolveremos la inecuación como cálculo auxiliar para que se pueda apreciar el
despeje.
C.A.:
Z+1
−1, 1 < 2 ≤ 0, 73
−1, 1 . 2 < Z + 1 ≤ 0, 73 . 2
−2, 2 < Z + 1 ≤ 1, 46
−2, 2 − 1 < Z ≤ 1, 46 − 1
−3, 2 < Z ≤ 0, 46
Observación: es conveniente recordar que, en realidad, se están resolviendo dos inecuaciones

en simultáneo.
Luego, usando la simetría de la distribución, se tiene que

Z +1
P −1, 1 < ≤ 0, 73 = P(−3, 2 < Z ≤ 0, 46)
2
= φ (0, 46) − φ (−3, 2)
= φ (0, 46) − (1 − φ (3, 2))
= 0, 6772 − (1 − 0, 9993)
= 0, 6772 − 0, 0007
= 0, 6765 .
6. Por último,
resolveremos la inecuación
adentro de la probabilidad:
Z −2
P −1, 45 < ≤ −1, 2 = P(−1, 45 . 3 < Z − 2 ≤ −1, 2 . 3)
3
= P(−4, 35 < Z − 2 ≤ −3, 6)
= P(−4, 35 + 2 < Z ≤ −3, 6 + 2)
= P(−2, 35 < Z ≤ −1, 6)
= φ (−1, 6) − φ (−2, 35)
= (1 − φ (1, 6)) − (1 − φ (2, 35))
= (1 − 0, 9452) − (1 − 0, 9906)
= 0, 0548 − 0, 0094
= 0, 0454 .

5.2.7 Ejercicios
1. Sea Z una variable aleatoria con distribución N(0, 1). ¿Cuál es la esperanza de Z? ¿Y la
varianza?
Usar la tabla y las propiedades de simetría para calcular las siguientes probabilidades:
(a) P(Z ≤ 1.3) (i) P(Z ≥ 1.77)

(b) P(Z < 0.42) (j) P(Z ≤ −1.3)
(c) P(Z ≤ 0) (k) P(Z ≤ −0.82)
(d) P(Z < 2.88) (l) P(Z < −6)
(e) P(Z < 4) (m) P(Z > −2.3)
(f) P(Z > 2.33) (n) P(Z > −0.88)
(g) P(Z ≥ 0.76) (o) P(Z ≥ −1.2)
(h) P(Z > 5)
2. Sea Z una variable aleatoria con distribución N(0, 1). Usar la tabla y las propiedades de
simetría para calcular las siguientes probabilidades:
(a) P(1.3 < Z ≤ 2.88) (g) P(−2.33 ≤ Z ≤ 2.33)

(b) P(0.55 < Z ≤ 1.44) (h) P(−1 < Z < 2)
(c) P(0.12 ≤ Z < 0.98) (i) P(−0.6 < Z ≤ −0.1)
(d) P(1.65 ≤ Z < 4) (j) P(−1.85 < Z < −0.22)
(e) P(0 < Z < 2.33) (k) P(−2.33 ≤ Z ≤ −0.5)
(f) P(−2.33 < Z < 0) (l) P(−5 < Z < 4)
3. Sea Z una variable aleatoria con distribución N(0, 1). Usando la tabla de la normal y las
propiedades de simetría, hallar el valor de a en cada caso.
(a) P(Z ≤ a) = 0.9394 (j) P(Z > a) = 0.4801

(b) P(Z ≤ a) = 0.6950 (k) P(Z ≥ a) = 0.3015
(c) P(Z < a) = 0.8159 (l) P(Z ≥ a) = 0.2296
(d) P(Z < a) = 0.5 (m) P(Z < a) = 0.496
(e) P(Z ≤ a) = 0.9934 (n) P(Z < a) = 01894
(f) P(Z > a) = 0.3409 (o) P(Z > a) = 0.8186
(g) P(Z ≥ a) = 0.5 (p) P(Z ≥ a) = 0.9868
(h) P(Z > a) = 0.0099 (q) P(Z > a) = 0.9957
(i) P(Z ≥ a) = 0.1075 (r) P(Z ≥ a) = 0.6179
4. Sea Z una variable aleatoria con distribución N(0, 1). Usar la tabla y las propiedades de
simetría para calcular las siguientes probabilidades:

(a) P(Z + 1 < 1.2) Z −2
(n) P < 0.2
(b) P(2Z ≤ 3) 2
(c) P(3Z − 1 < 2) Z +1
(o) P ≤ 0.1
(d) P(5Z + 2 ≤ 4) 3
(e) P(2Z + 1 > 2) Z + 10
(p) P ≥ 2.2
(f) P(4Z − 10 > −15) 5
(g) P(−2Z − 3 ≥ 3) Z −6
(q) P > −1
1 4
(h) P − Z + 1 < −0.3
Z −1

2 (r) P −0.3 < ≤ 0.2
(i) P(2 < −Z) 2
(j) P(−3 < −2Z − 5) Z −5
(s) P −3 < ≤ −1
(k) P(−1 < Z + 1 ≤ 2) 2
(l) P(−2 < 2Z ≤ 3) Z −7
(t) P −3.4 < ≤ −3.1
(m) P(1 < 2Z + 1 < 4) 3
5.2.8 Cálculo de probabilidades de variables aleatorias normales

Ya estamos en condiciones de poder calcular probabilidades de una v.a. normal cualquiera. Para
ello usaremos la siguiente propiedad.
Propiedades 5.2.9 Si X ∼ N(µ; σ 2 ) entonces
X −µ
Z= ∼ N(0; 1)
σ
De esta manera, para calcular una probabilidad de una v.a. normal cualquiera debemos
llevar el problema a uno que involucre una v.a. normal estándar mediante este proceso llamado
“estandarización” o “normalización” de la variable aleatoria.
Este proceso de estandarización consiste en tomar la v.a. original, restarle su media µ y luego
dividir todo por su desvío estándar σ . Veremos cómo aplicar esto en el siguiente ejemplo.
Ejemplo 5.45 Sea X una v.a. con distribución N(27; 25). ¿Cuáles son la esperanza y la varianza
de X? ¿Y el desvío estándar?
Calcular:
1. P(X ≤ 28) 4. P(X > 25, 4)

2. P(X < 24) 5. P(29, 3 ≤ X < 37, 5)
3. P(X ≥ 32, 5) 6. P(20, 7 ≤ X ≤ 23, 4)
Hallar a tal que:
7. P(X ≤ a) = 0, 9591 9. P(X > a) = 0, 4681

8. P(X ≤ a) = 0, 209 10. P(X ≥ a) = 0, 7704
Solución: En primer lugar, recordemos que la información sobre la esperanza y la varianza de

X viene incluida en la notación utilizada para indicar que una variable aleatoria es normal. De esta
manera,
E(X) = 27 y V (X) = 25 .
p √
Por esta razón, el desvío estándar es sd(X) = V (X) = 25 = 5. Además, por la propiedad
anterior, sabemos que
X − 27
Z= ∼ N(0; 1) ,
5
es decir, la v.a. Z así definida tiene distribución normal estándar.

Observación: se divide por 5 y no por 25 porque el proceso de estandarización consiste en dividir
por el desvío estándar y no por la varianza.
1. Nos piden calcular P(X ≤ 28). Claramente X no tiene distribución normal estándar y, por lo
tanto, no se encuentra tabulada. Por esta razón, el objetivo es llevar la probabilidad pedida a
una que involucre una v.a. normal estándar pero que, por supuesto, dé la misma probabilidad
que la original.
Para ello, lo que haremos es “estandarizar” adentro de la probabilidad: restar la esperanza en
ambos miembros de la desigualdad y, luego, dividir la desigualdad por el desvío estándar.
Este procedimiento permitirá convertir el problema con X a un problema que involucre la
v.a. Z, mencionada anteriormente, que es una v.a. normal estándar. Es decir, lo que debemos
hacer es escribir la probabilidad pedida como

X − 27 28 − 27 X − 27
P(X ≤ 28) = P(X − 27 ≤ 28 − 27) = P ≤ =P ≤ 0, 2
5 5 5
Observación: es importante recordar que si a una desigualdad se le suma un número en

ambos miembros, la desigualdad se mantiene. Lo mismo pasa cuando se multiplica ambos
miembros de la desigualdad por un número positivo (como lo es el desvío estándar). Además,
observemos que lo que se hace de en un miembro de la desigualdad debe hacerse en el otro
para así mantener el problema original y no convertirlo en un problema diferente.
X − 27
Luego, usando la propiedad, sabemos que Z = es una v.a. normal estándar y, por lo
5
tanto, se tiene que

X − 27
P(X ≤ 28) = P ≤ 0, 2 = P(Z ≤ 0, 2) = φ (0, 2) = 0, 5793
5
es la probabilidad pedida.
2. Nuevamente, el objetivo será llevar la probabilidad original que involucra una desigualdad
con X a una probabilidad equivalente que involucre una v.a. Z con distribución normal
estándar. Para ello, debemos “estandarizar” tal como lo hicimos en el ítem anterior: restando
27 y dividiendo por 5. Tenemos entonces que

X − 27 24 − 27 X − 27
P(X < 24) = P(X − 27 < 24 − 27) = P < =P < −0, 6 .
5 5 5
X − 27
Por último, recordando que Z = ∼ N(0; 1) y usando propiedades de simetría alrededor
5
del 0 de la distribución normal
estándar, se
tiene que
X − 27
P(X < 24) = P < −0, 6 = P(Z < −0, 6)
5
= φ (−0, 6) = 1 − φ (0, 6) = 1 − 0, 7257 = 0, 2743 .
3. Nuevamente, estandarizando y recordando que
X − 27
Z= ∼ N(0; 1) ,
5
se tiene que
X − 27 32, 5 − 27
P(X ≥ 32, 5) = P (X − 27 ≥ 32, 5 − 27) = P ≥ = P(Z ≥ 1, 1)
5 5
= 1 − φ (1, 1) = 1 − 0, 8643 = 0, 1357 .
4. De la misma manera, la probabilidad pedida es

X − 27 25, 4 − 27
P(X > 25, 4) = P (X − 27 > 25, 4 − 27) = P > = P(Z > −0, 32)
5 5
= φ (0, 32) = 0, 6255 .
5. En esta oportunidad, el proceso de estandarización debe realizarse en simultáneo en los
tres miembros que quedan determinados por la dos desigualdades. De esta manera, la
probabilidad pedida se puede escribir como
P(29, 3 ≤ X < 37, 5) = P(29, 3 − 27 ≤ X − 27 < 27, 5 − 27)

29, 3 − 27 X − 27 37, 5 − 27
= P ≤ <
5 5 5

X − 27
= P 0, 46 ≤ < 2, 1 .
5
X − 27
Por último, recordando que Z = ∼ N(0; 1), se tiene que
5

X − 27
P(29, 3 ≤ X < 37, 5) = P 0, 46 ≤ < 2, 1
5
= P (0, 46 ≤ Z < 2, 1)
= φ (2, 1) − φ (0, 46) = 0, 9821 − 0, 6772 = 0, 3049 .
6. Por último, estandarizando una vez más en los tres miembros de la desigualdad y usando que
Z ∼ N(0; 1) se tiene que
20, 7 − 27 X − 27 23, 4 − 27
P(20, 7 ≤ X ≤ 23, 4) = P ≤ ≤
5 5 5
= P(−1, 26 ≤ Z ≤ −0, 72) = φ (−0, 72) − φ (−1, 26)
= (1 − φ (0, 72)) − (1 − φ (1, 26)) = φ (1, 26) − φ (0, 72)
= 0, 8962 − 0, 7642 = 0, 132
7. En este caso, para hallar el valor de a, nuevamente debemos comenzar estandarizando en
ambos miembros de la desigualdad para así convertir el problema en uno que involucre la
normal estándar. Es decir, la probabilidad involucrada en el problema se puede escribir como

X − 27 a − 27
P(X ≤ a) = P(X − 27 ≤ a − 27) = P ≤
5 5
X − 27
y como además Z = ∼ N(0; 1), se tiene que
5

X − 27 a − 27 a − 27 a − 27
P(X ≤ a) = P ≤ =P Z≤ =φ .
5 5 5 5
Por el enunciado, sabemos que esta probabilidad tiene que ser 0, 9591, es decir, buscamos a
tal que
a − 27
φ = 0, 9591 .
5
a − 27
Si llamamos z = y buscando la probabilidad 0, 9591 en el interior de la tabla, resulta
5
que
φ (z) = 0, 9591 ⇔ z = 1, 74
a − 27
pero como además z = , entonces
5
a − 27
= 1, 74 .
5
Despejando a de la ecuación se tiene que

a − 27
= 1, 74 ⇔ a − 27 = 1, 74.5 ⇔ a − 27 = 8, 7 ⇔ a = 8, 7 + 27 = 35, 7 .
5
Luego, el valor de a que satisface la probabilidad pedida es a = 35, 7.
8. Nuevamente, comenzaremos reescribiendo la probabilidad en términos de Z o, equivalente-
mente, en términos de φ . Estandarizando adentro de la probabilidad, se tiene que

X − 27 a − 27 a − 27
P(X ≤ a) = P ≤ =φ = 0, 209 .
5 5 5
a − 27
Si llamamos z = resulta que buscamos en valor de z tal que
5
φ (z) = 0, 209 .
Observemos que este valor z será negativo ya que la probabilidad que acumula es menor que
0, 5. Por lo tanto no está en la tabla. Sin embargo, en la tabla podemos encontrar el valor en
−z que acumulará una probabilidad de 1 − 0, 209 = 0, 791, es decir, z cumple que
φ (−z) = 0, 791 .
Buscando esta probabilidad en la tabla, resulta que
φ (−z) = 0, 791 ⇔ −z = 0, 81 ⇔ z = −0, 81 .
Por último, reemplazando z por lo que sabemos que es, podemos hallar el valor de a:
a − 27
z = −0, 81 ⇔ = −0, 81 ⇔ a − 27 = −0, 81.5 ⇔ a = −4, 05 + 27 ⇔ a = 22, 95 .
5
9. Nuevamente, comenzamos estandarizando adentro de la probabilidad:

X − 27 a − 27 a − 27 a − 27
P(X > a) = P > =P Z> = 1−φ = 0, 4681 .
5 5 5 5
a − 27
Por comodidad, una vez más llamamos z = y, por lo tanto, el problema anterior se
5
resuelve de la siguiente manera
1 − φ (z) = 0, 4681 ⇔ φ (z) = 1 − 0, 4681 ⇔ φ (z) = 0, 5319 ⇔ z = 0, 08 .
Usando quién es z, resulta que

a − 27
z = 0, 08 ⇔ = 0, 08 ⇔ a = 27, 4 ,
5
es decir, la respuesta es a = 27, 4.
10. Por último, repetimos el procedimiento de estandarización y tenemos que

X − 27 a − 27 a − 27 a − 27
P(X ≥ a) = P ≥ =P Z≥ = 1−φ = 0, 7704 .
5 5 5 5
a − 27
Es decir, llamando z = , tenemos que
5
1 − φ (z) = 0, 7704 ⇔ φ (z) = 1 − 0, 7704 ⇔ φ (z) = 0, 2296 .
Esta probabilidad no se encuentra en la tabla ya que z es, en realidad, un número negativo

(porque acumula menos de 0, 5). Por esta razón, vale que
φ (−z) = 1 − 0, 2296 ⇔ φ (−z) = 0, 7704 ⇔ −z = 0, 74 ⇔ z = −0, 74 .
Finalmente, despejando a se tiene que
a − 27
z = −0, 74 ⇔ = −0, 74 ⇔ a = 23, 3
5
es la respuesta del ítem.

Ejemplo 5.46 La temperatura (en ◦ C) de cierto sector de un reactor sigue una distribución normal
con media 240◦ C y desvío estándar 4◦ C. Definamos
X : “temperatura (en ◦ C) de ese sector del reactor ”
X − 240
(a) ¿Qué distribución tiene X? ¿Y qué distribución tiene la variable aleatoria ?
4
(b) Calcular la probabilidad de que la temperatura en ese sector del reactor sea mayor a 242◦ C.
(c) Calcular la probabilidad de que la temperatura en ese sector del reactor se encuentre entre
233◦ C y 239◦ C.
Solución:
(a) Observemos primero que
X ∼ N(240 ; 42 ) ,
es decir,
X ∼ N(240 ; 16) ,
ya que σ = 4 es el desvío estándar y en la notación se usa la varianza (σ 2 ). Luego, por la

propiedad, se tiene
X − 240
Z= ∼ N(0; 1) ,
4
es decir, Z tiene distribución normal estándar.
X − 240
(b) En este caso nos piden calcular P(X > 242) por lo que usaremos que Z = ∼ N(0; 1).
4
Lo que debemos hacer es estandarizar adentro de la probabilidad pedida, es decir,

X − 240 242 − 240
P(X > 242) = P(X − 240 > 242 − 240) = P > = P(Z > 0, 5) .
4 4
Luego, aplicando el complemento, se tiene que
P(X > 242) = P(Z > 0, 5) = 1 − φ (0, 5) = 1 − 0, 6915 = 0, 3085 .
Por lo tanto, la probabilidad de que la temperatura en ese sector del reactor sea mayor a
242◦ C es de 0,3085.
(c) En este caso nos piden calcular
P(233 ≤ X ≤ 239) .
Estandarizando adentro de la probabilidad y usando que Z, definida como antes, sigue una
distribución normal estándar, se tiene que
P(233 ≤ X ≤ 239) = P(233 − 240 ≤ X − 240 ≤ 239 − 240)

233 − 240 X − 240 239 − 240
= P ≤ ≤
4 4 4
= P(−1, 75 ≤ Z ≤ −0, 25)
= φ (−0, 25) − φ (−1, 75)
= (1 − φ (0, 25)) − (1 − φ (1, 75))
= φ (1, 75) − φ (0, 25)
= 0, 9599 − 0, 5987 = 0, 3612 .
Luego, la probabilidad de que la temperatura en ese sector del reactor se encuentre entre
233◦ C y 239◦ C es de 0,3612.

5.2.9 Ejercicios
1. Sea X una variable aleatoria con distribución N(5, 4). ¿Cuál es la esperanza y la varianza de
X? ¿Y el desvío estándar?
Calcular las siguientes probabilidades:
(a) P(X ≤ 6) (d) P(X ≥ 3)

(b) P(X < 4) (e) P(5.5 < X < 6.5)
(c) P(X > 7) (f) P(3.5 < X < 5.5)
2. Sea X una variable aleatoria con distribución N(7, 16). ¿Cuál es la esperanza y la varianza
de X? ¿Y el desvío estándar?
Hallar en cada caso el valor de a tal que,
(a) P(X ≤ a) = 0.8413 (d) P(X ≥ a) = 0.9938

(b) P(X < a) = 0.7088 (e) P(7 < X < a) = 0.1554
(c) P(X > a) = 0.0122
3. Sea X una variable aleatoria con distribución N(2, 9). ¿Cuál es la esperanza y la varianza de
X? ¿Y el desvío estándar?
Calcular las siguientes probabilidades:
(a) P(X ≤ 8) (d) P(X ≥ 4.4)

(b) P(X < 11) (e) P(−1.3 ≤ X < 3.5)
(c) P(X ≥ 2) (f) P(3.5 ≤ X ≤ 4.7)
4. El peso de los hombres de cierta población sigue una distribución normal con una media de
70 kg y un desviación estándar de 6 kg. Se elige a un hombre al azar de esa población. ¿Cuál
es la probabilidad de que pese entre 64 y 76 kg?
5. En una ciudad se estima que la temperatura máxima en el mes de junio sigue una distribución
normal con una media de 23 grados y un desvío estándar de 5 grados. Calcular la probabilidad
de que en el mes de junio del próximo año la temperatura máxima se encuentre entre los 21 y
27 grados.
6. Se supone que en cierta población humana, el índice cefálico I (anchura del cráneo expresada
como porcentaje de la longitud) es una variable aleatoria con distribución normal N(µ, 9). Si
hay un 84.13% de los individuos con un I ≤ 77, hallar el valor de µ y calcular P(75 ≤ I ≤ 79).
7. Una fábrica dispone de una máquina para llenar cajas de jabón en polvo. El peso en gramos
de una caja que llena esta máquina (X) sigue una distribución normal con media 800 gramos
y desvío estándar 4 gramos.
X − 800
(a) ¿Qué distribución tiene X? ¿Y qué distribución tiene la variable aleatoria ?
4
(b) Calcular la probabilidad de que una caja de jabón en polvo pese más de 810 gramos.
(c) Calcular la probabilidad de que una caja de jabón en polvo pese más de 795 gramos y
menos de 798 gramos.
8. El consumo medio bimestral de energía eléctrica en una ciudad es de 59 kWh., con un desvío
estándar de 6 kWh. Se supone que el consumo se distribuye normalmente.
(a) ¿Cuántos kWh. tendría que consumir una persona bimestralmente para pertenecer al
5% de la población que más consume?
(b) Si usted vive en esa ciudad y consume 45 kWh., ¿qué porcentaje de la población
consume menos que usted?
6. Estadística descriptiva
Hasta ahora vimos lo que son variables aleatorias. Por ejemplo:

Ejemplo A. Discreta: X =“nota de un alumno en una materia de Física”.
Ejemplo B. Continua: Y =“altura de un hombre de 20 años”.
Estos ejemplos se seguirán estudiando a lo largo del Capítulo.
La realidad es que estas variables son los objetos teóricos a ser estudiados pero, en la práctica,
sólo tenemos una “muestra” de esta variable, es decir, tenemos los valores que tomó la variable
para ciertos sujetos o unidades de análisis.
Ejemplo 6.1 Continuemos con los Ejemplos A. y B.
Ejemplo A. Se consideraron las notas de 7 alumnos en la materia Física del ingreso a una carrera
obteniéndose los siguientes resultados:
7 4 2 8 8 9 6
Ejemplo B. Se midieron las alturas de 8 hombres de 20 años (en centímetros) y se obtuvieron los
siguientes resultados
177 168 170 169 164 183 180 181
La “estadística descriptiva” nos permite examinar los datos con el fin de organizar la informa-
ción, sintetizarla, ver sus características más relevantes, presentar la información, etc.
Veamos algunas definiciones que van a ser de utilidad:
Definición 6.1 — Población. Es el conjunto total de sujetos o unidades de análisis de interés
en el estudio.
Definición 6.2 — Muestra. Cualquier subconjunto de sujetos o unidades de análisis de la

población en estudio.
168 Capítulo 6. Estadística descriptiva
Definición 6.3 — Unidad de análisis o de observación. Es el objeto bajo estudio. Puede

ser una persona, una familia, un país, una institución o, en general, cualquier objeto.
Definición 6.4 — Variable. Es cualquier característica de la unidad de observación que interese

registrar y que puede cambiar de una unidad de análisis a otra.
Definición 6.5 — Variables cuantitativas y variables cualitativas. Cuando los valores posi-
bles de una variable de estudio son numéricos, diremos que la variable es numérica o cuantitativa.
De lo contrario, diremos que es una variable categórica o cualitativa.
Definición 6.6 — Valor de una variable, Dato, Observación o Medición. Es un número

(o categoría) que define a la característica de interés de una unidad de observación particular.
Una forma de describir los datos es resumiéndolos en uno, dos o más números que caractericen
al conjunto de datos con la mayor fidelidad posible. Otra manera es realizando gráficos de sencilla
elaboración e interpretación.
En este capítulo veremos cómo resumir los datos de manera numérica y/o gráfica, tanto para
variables cuantitativas discretas como continuas en la Sección 6.1. En la Sección 6.2 veremos cómo
graficar y estudiar datos cualitativos.
6.1 Variables cuantitativas

Comencemos estudiando cómo resumir la información cuando los datos provienen de variables
cuantitativas, es decir, variables discretas o continuas.
6.1.1 Medidas de posición

Es de interés saber alrededor de qué número se encuentran los datos. Estas medidas se llaman
“medidas de posición” o “medidas de centralidad” de los datos.
Medidas de centralidad o de posición central
Es un modo de resumir un conjunto de datos numérico mediante un número que los represente a
todos.
1. Media muestral o Promedio. Supongamos que tenemos una muestra x1 , x2 , . . . , xn de n
datos. Luego, la media muestral o promedio se define como
1 n
x= ∑ xi
n i=1
o sea, es el promedio tal como lo conocemos.

Si la variable se llama Y entonces para los datos se suele usar esa misma letra en minúsculas,
por ejemplo, y1 , y2 , y3 , etc. De la misma manera, si la variable se llama Z, los datos serían
z1 ,, z2 , z3 , etc.
Ejemplo 6.2 — Media muestral. Calculemos la media muestral de los datos de los
Ejemplos A. y B..
44 ∼
Ejemplo A. x = = 6, 2857.
7
Ejemplo B. y = 174.

2. Mediana muestral. Es el valor que deja la mitad de los datos para un lado y la otra mitad de
datos para el otro, es decir, es el valor central del conjunto una vez que éste ha sido ordenado
de menor a mayor. Si hay un número par de datos, la mediana es el promedio de los dos
números centrales.
Notación: a diferencia de la media muestral, en lugar de un ¯, se usa e.
Ejemplo 6.3 — Mediana muestral. Veremos cómo calcularla con los Ejemplos A. y B.
Ejemplo A. Para realizar el cálculo de esta medida de posición central debemos primero ordenar
los datos. Recordemos que nuestros datos son:
x1 x2 x3 x4 x5 x6 x7
7 4 2 8 8 9 6
Ahora, si reordenamos los datos,
x(1) x(2) x(3) x(4) x(5) x(6) x(7)

2 4 6 7 8 8 9
Observación: para indicar que los datos se encuentran ordenados, se les agrega un
paréntesis a los subíndices.
¿Cuál es el valor del medio? Ese valor será la mediana muestral:
xe = 7 o sea xe = x(4)
Ejercicio B. Recordemos que los datos son
y1 y2 y3 y4 y5 y6 y7 y8
177 168 170 169 164 183 180 181
Luego, los datos ordenados son
y(1) y(2) y(3) y(4) y(5) y(6) y(7) y(8)

164 168 169 170 177 180 181 183
Observemos que el valor del “medio” está entre dos valores. En ese caso, la mediana
se define como el promedio de los dos valores centrales, es decir,
170 + 177 y(4) + y(5)
ye = = 173, 5 o sea ye =
2 2

En general, la mediana es un valor o un promedio de dos valores si la cantidad total de datos

(n) es impar o par, es decir, si los datos son x1 , . . . , xn , entonces la mediana muestral se define

 x( n+1 ) si n es impar

 2
xe =
x n + x( n +1)
 (2)

 2
si n es par
2
Sin embargo, para recordar el cálculo que debemos hacer se usa lo siguiente:
si cuando hacemos (n + 1)/2 (o su cálculo equivalente que es 0, 5(n + 1)) el resultado es un
número entero, listo, la mediana es xe = x((n+1)/2) . De lo contrario, como el número (n + 1)/2
da un número “coma 5”, entonces hay que promediar los dos números entre los que se
encuentra. Veamos cómo se vería esto en los ejemplos:
Ejemplo A. Como (n + 1)/2 = (7 + 1)/2 = 4 y este resultado es entero, entonces xe = x(4) = 7.
Ejemplo B. Como (n + 1)/2 = (8 + 1)/2 = 4, 5 y este número no es entero pero está entre el 4 y el
5, entonces ye = (y(4) + y(5) )/2 = (170 + 177)/2 = 173, 5.
Veremos otra forma de recordarlo cuando definamos los percentiles.
3. Media α−podada. Para obtenerla, se poda el α.100% de los números más grandes y el
α.100% de los números más chicos y se calcula el promedio de lo que queda. La notación
que se usa es similar a la de la media muestral pero con un subíndice indicando el α, es decir,
¯α .
Para saber cuántos números debemos sacar (o podar) de cada lado, debemos hacer α.n.
Como este número podría no ser entero, nos quedaremos con la parte entera del número
obtenido, es decir, el primer número entero menor o igual que dicho número.
Ejemplo 6.4 — Media α−podada. Calcularemos esta medida de centralidad para los
Ejemplos A. y B..
Ejemplo A. Calculemos la media 0, 20−podada. Para ello comencemos calculando α.n = 0, 20 . 7 =
1, 4. Ahora tomamos la parte entera de este número, es decir, [1, 4] = 1 ([·] es la notación
que se usa para parte entera). Luego, debemos sacar 1 observación de cada lado: la
más grande y la más chica (o sea, sacamos 2 observaciones en total) y promediamos las
observaciones restantes (es decir, las 5 observaciones que nos quedan):
x(1) x(2) x(3) x(4) x(5) x(6) x(7)

2 4 6 7 8 8 9
| {z }
promedio
Luego,
4+6+7+8+8
x0,20 = = 6, 6
5
Ejemplo B. Calculemos la media 0, 30−podada. Para ello calculemos primero 0, 30.8 = 2, 4. Luego,
como [2, 4] = 2, entonces debemos sacar las 2 observaciones más grandes de los datos
y también las 2 más chicas, es decir,
y(1) y(2) y(3) y(4) y(5) y(6) y(7) y(8)

164
168
169 170 177 180 181
183

| {z }
promedio
Luego,
169 + 170 + 177 + 180
y0,30 = = 174
4

Observación: Si bien se llama α−podada, la realidad es que se poda un total del 2α.100%
de los datos y no α.100% de los datos como el nombre daría a entender.
¿Cuándo elegiríamos una medida de posición central antes que otra?
Mientras que la media muestral (o promedio) tiene en cuenta cada dato involucrado, la mediana
muestral mira únicamente sólo el valor o los dos valores del medio. Justamente la media tiene
muchas más y mejores propiedades matemáticas que la mediana. Sin embargo, tiene la desventaja
de ser sensible a datos atípicos, es decir, si se modifica un dato y se lo aleja de los valores de los
restantes datos, el promedio (que tiene en cuenta cada una de las observaciones) “perseguirá” esta
observación y terminará dando un valor que no estaría representando el “centro” alrededor del
cual se encuentran los datos. La mediana, sin embargo, no se verá afectada si uno o más datos son
modificados (se dice que tiene una tolerancia del 50% mientras que el promedio tiene tolerancia
del 0%). Por esta razón, si el conjunto de datos tiene algún dato atípico (muy alejado al resto, ya
sea porque es muy chico o muy grande en comparación con los restantes datos del conjunto), se
preferirá la mediana antes que la media.
Justamente porque la media α−podada poda un porcentaje de observaciones (las más grandes
y las más chicas), si esta poda logra podar las observaciones atípicas, se preferirá antes que la
media (porque hay observaciones atípicas) pero, probablemente, también se la preferirá antes que la
mediana (sólo en el caso en que logre podar todas las observaciones atípicas). Es decir, no hay una
regla establecida para elegir entre la media α−podada (con un α razonable) y la mediana (porque
podríamos no poder determinar con exactitud cuáles y cuántas son las observaciones atípicas), pero
sí para decidir no elegir a la media muestral como una buena medida de posición central de los
datos.
Medidas de posición no centrales
Las medidas de posición no centrales que veremos son conocidas como percentiles.
Buscamos ahora la posición que, en el conjunto de datos ordenados, deja un porcentaje de
observaciones a su izquierda. Por ejemplo, si nos piden “hallar el percentil 25” significa que lo
que debemos hacer es buscar un número (que será el percentil) que deje el 25% de los datos a
izquierda y, por lo tanto, un 75% a derecha. Por el contrario, si nos piden el percentil 75, entonces
buscamos la posición que nos deja un 75% de los datos a izquierda y 25% de los datos a la derecha.
El número que acompaña la palabra “percentil” siempre se corresponde con el porcentaje de datos
que deja a izquierda.
Para hallar un percentil k dado, la estrategia consiste en intentar hallar el valor
“x(p(n+1)) ”
con p la proporción (es decir, el porcentaje/100 = k/100). Recordemos que, para hallar este valor,
necesitamos que los datos se encuentren ordenados.
Notación: si nos piden hallar el percentil k, entonces nos piden hallar Pk .
El problema consiste en que, en algunas situaciones, no existe la observación x(p(n+1)) porque
p(n + 1) no es entero (y, por lo tanto, no podemos hallar directamente la observación x(p(n+1)) ). En
caso de que no podamos hallar la observación que buscamos, deberemos “interpolar”. Aprendere-
mos cómo interpolar con algunos ejemplos.
Ejemplo 6.5 — Percentiles. Continuemos con los Ejemplos A. y B..
Ejemplo A. Hallar el percentil 30 y el percentil 70.
Ejemplo B. Hallar el percentil 25 y el percentil 75.
Solución:
Ejemplo A. Primero nos piden hallar P30 (o sea, k = 30 en este caso). ¿Cuál es el p asociado? En este
caso p = 30/100 = 0, 3. Luego, como p(n + 1) = 0, 3.(7 + 1) = 2, 4, entonces el percentil
P30 se conseguiría en la observación “x(2,4) ”. Sin embargo, la posición 2, 4 no existe (y por
eso las comillas)! Luego, lo que haremos será darles peso a las observaciones x(2) y x(3) que
son las observaciones entre las que se “encontraría” la observación “x(2,4) ”. ¿Pero qué pesos
usamos? Los que se obtienen con la parte decimal del número, es decir, los pesos son 0, 4 y
0, 6 (ya que del número 2, 4 obtenemos el 0, 4 pero haciendo 1 − 0, 4 obtenemos el otro peso
que es 0, 6). Estos dos pesos irán acompañando a las observaciones x(2) y x(3) dependiendo
de cuán cerca esté el verdadero valor que estamos buscando de cada una de ellas. Como la
posición 2, 4 está más cerca del número 2 que del número 3, entonces el peso más grande
(que es 0, 6) va a acompañar al 2 y el peso más chico (que es 0, 4) va a acompañar al 3 de la
siguiente manera:
P30 = “x(2,4) ” = 0, 6x(2) + 0, 4x(3)
Este procedimiento es el procedimiento de interpolación.

Como x(2) = 4 y x(3) = 6, entonces nos queda que
P30 = 0, 6 . 4 + 0, 4 . 6 = 4, 8
y, por lo tanto, la respuesta es P30 = 4, 8.

También nos piden hallar el percentil 70, es decir, P70 . ¿Cuál es el p asociado? En este caso
p = 0, 7 (ya que se obtiene de hacer 70/100). Como 0, 7(7 + 1) = 5, 6 entonces nos piden
hallar “x(5,6) ”. Nuevamente, como la posición 5, 6 no existe, debemos interpolar. Es claro
que esa observación se va a encontrar entre las observaciones x(5) y x(6) , pero ¿cuáles son los
pesos? Los pesos son 0, 6 y 0, 4 (porque el 0, 6 se obtiene de la parte decimal de 5, 6 y el 0, 4
se obtiene de hacer 1 − 0, 6). Como el número 5, 6 se encuentra más cerca del 6 que del 5,
entonces el mayor peso (que es 0, 6) va a acompañar a x(6) mientras que el menor peso (que
es 0, 4) va a acompañar a x(5) . De esta manera,
P70 = “x(5,6) ” = 0, 4x(5) + 0, 6x(6) .
Como x(5) = 8 y x(6) = 8, entonces
P70 = 0, 4.8 + 0, 6.8 = 8
es decir, P70 = 8.
Ejemplo B. En este caso primero nos piden hallar P25 . Luego, el p asociado es p = 0, 25. Como
p(n + 1) = 0, 25.(8 + 1) = 2, 25 entonces el percentil se encontrará entre las observaciones
y(2) e y(3) . Los pesos asociados son 0, 25 y 0, 75. Como el 2, 25 se encuentra más cerca del 2
que del 3 entonces el mayor peso (el 0, 75) se lo lleva el y(2) y el menor peso (el 0, 25) se lo
lleva el y(3) . De esta manera,
P25 = 0, 75y(2) + 0, 25y(3)
Como y(2) = 168 e y(3) = 169 entonces
P25 = 0, 75.168 + 0, 25.169 = 168, 25
Por último, nos piden hallar el percentil 75, es decir, P75 . En este caso, p = 0, 25 y, por
lo tanto, debemos hallar la posición p(n + 1) = 0, 75.(8 + 1) = 6, 75. Es decir, el percentil
pedido se encontrá entre las observaciones y(6) e y(7) y los pesos involucrados son 0, 75 y
0, 25. Como el 6, 75 está más cerca del 7 que del 6, entonces
P75 = 0, 25y(6) + 0, 75y(7) = 0, 25.180 + 0, 75.181 = 180, 75
Moraleja: Supongamos que tenemos una muestra x1 , x2 , . . . , xn de n elementos. Los pasos a

seguir para hallar el percentil k son:
1. Calcular primero la proporción p asociada con el percentil haciendo p = k/100 si k es el
porcentaje pedido.
2. Hacer el cálculo p(n + 1).
3. Luego hay dos posibilidades:
• Si el número hallado es entero, buscamos la observación en los datos ordenados y, de
esta manera, el percentil es exactamente
Pk = x(p(n+1))
• Si no es entero, p(n + 1) está entre dos números enteros consecutivos n1 y n2 , es decir,

n1 < p(n + 1) < n2 . De los decimales obtenemos dos pesos, llamémoslos α y 1 − α,
que debemos asignar a las observaciones x(n1 ) y x(n2 ) . El peso que van a tener cada una
de ellas depende de cuán cerca esté p(n + 1) de n1 y de n2 . El mayor peso (α o 1 − α)
irá con la observación del número del que se encuentra más cerca y el menor peso del
que se encuentre más lejos.
Por ejemplo, si p(n + 1) = 5, 9 entonces los pesos (α y 1 − α) son: 0, 9 y 0, 1; y los
números entre los que se encuentra p(n + 1) son: 5 y 6 (n1 y n2 ). Como 5, 9 está más
cerca de 6, entonces x(6) se llevará el peso 0, 9 mientras que x(5) se llevará el peso 0, 1.
Luego el percentil
Pk = 0, 1.x(5) + 0, 9.x(6)
Si, por el contrario, p(n + 1) = 7, 15 entonces los pesos son: 0, 15 y 0, 85; y los números
entre los que se encuentra p(n + 1) son: 7 y 8. Como 7, 15 está más cerca de 7 que de
8, entonces x(7) se llevará el peso 0, 85 (el mayor peso) mientras que x(8) se llevará el
peso 0, 15. Luego el percentil
Pk = 0, 85.x(7) + 0, 15.x(8)
Definición 6.7 — Cuartiles. Se define como

• primer cuartil al percentil 25. Notación: Q1 .
• tercer cuartil al percentil 75. Notación: Q3 .
Ejemplo 6.6 — Cuartiles. Para el Ejemplo B. hallamos los dos cuartiles obteniendo
Q1 = 168, 25 y Q3 = 180, 75.
Ejercicio 6.1 Hallar el primer cuartil y el tercer cuartil del Ejemplo A..
Observación: ¿Cuál es el percentil 50? El percentil 50 no es otra cosa que la mediana. Justo en
este caso y por esta razón, este percentil (el 50) no es una medida de posición no central sino que es
una medida de posición central.
6.1.2 Ejercicios
1. Se consultó a 5 personas cuántas cuadras camina por día y se obtuvieron los siguientes
resultados:
4 13 8 31 19
Para el conjunto de datos, calcular
(a) la media.
(b) la mediana.
(c) el percentil 35.
(d) el percentil 70.
(e) la media 0.20−podada.
2. Consideremos el siguiente conjunto de datos ordenado
1 1 2 2 3 4 4 5 5 6 7 7 8 8 9 9 10 10 11
(a) Calcule las medidas de posición central: media, mediana, media α-podada con α =
0.05, 0.1 y 0.20.
(b) Calcule los percentiles 10, 25 (es decir, el primer cuartil), 75 (es decir, el tercer cuartil)
y 90.
(c) Reemplace el 11 por un 110 y realice los cálculos nuevamente. ¿Qué medidas de
posición no se ven afectadas con la modificación? Interprete.
3. Los siguientes datos corresponden a tiempos de CPU (en segundos) de 12 trabajos enviados
a una computadora:
1, 17 1, 23 0, 15 0, 19 0, 92 1, 61
3, 76 2, 41 0, 82 0, 75 1, 16 1, 94
(a) Calcular las medidas de posición central: media, mediana, media α−podada con
α = 0, 10 y α = 0, 30.
(b) Calcular el percentil 30 y el percentil 70.
(c) Calcular el primer cuartil y el tercer cuartil.
4. Los datos siguientes (dados de manera ordenada) corresponden al peso (en kg) de 49 alumnas
de 3 divisiones de 4to. año.
37 38 42 43 43 44 45 46 46 47 48 48 48 48 48 50 50 50 50
50 50 51 51 51 51 52 52 52 52 52 52 52 52 54 54 54 54 54
54 55 55 56 56 57 58 60 62 68 70
(a) Calcular las medidas de posición central: media, mediana, media α-podada con α =
0.05, 0.1 y 0.2.
(b) Calcular el primer cuartil y el tercer cuartil.
(c) Calcular, además, los percentiles 10, 40, 80 y 90.
6.1.3 Medidas de dispersión

Las “medidas de dispersión”, también llamadas “medidas de variabilidad”, tienen como objetivo
medir cuán “pegoteados” o “separados” se encuentran los datos.
Dos conjuntos de datos A y de B fueron graficados en las rectas reales como se ve en la Figura
6.1. Se puede observar que, si bien ambos conjuntos están centrados en el mismo lugar (por
ejemplo, las medias muestrales de ambos conjuntos son iguales), los datos del conjunto B están
claramente más pegoteados que los datos del conjunto A. Esto indicaría que la variabilidad del
conjunto A es mayor que la del conjunto B.
Figura 6.1: Conjuntos A y B graficados en la recta real.
A continuación aprenderemos a medir dispersión o variabilidad de un conjunto de datos de

diferentes maneras.
1. Rango muestral. Se calcula como el máximo valor menos el mínimo.
Ejemplo 6.7 — Rango muestral. Continuemos con los Ejemplos A. y B. de la Sección
anterior.
Ejemplo A. Como el máximo es 9 y el mínimo es 2 entonces
Rango muestral = 9 − 2 = 7
Ejemplo B. En este caso, el máximo es 183 y el mínimo es 164, por lo que

Rango muestral = 183 − 164 = 19

2. Varianza muestral y desvío estándar muestral. Supongamos que tenemos una muestra
x1 , x2 , . . . , xn de n datos. Se define la varianza muestral como
1 n
s2 = ∑ (xi − x)2
n − 1 i=1
Esta medida de variabilidad es la versión muestral de la varianza teórica (o poblacional)
definida en el Capítulo 5 (se deja la comparación visual a cargo del lector).
De manera similar a lo realizado en el Capítulo anterior, se define el desvío estándar muestral
como la raíz cuadrada de la varianza muestral, es decir,
√
s = s2
Nuevamente, el desvío estándar muestral, al igual que el desvío estándar de variables aleato-
rias, tiene la propiedad de que se encuentra en las mismas unidades que el problema original
y, por lo tanto, se puede interpretar en términos de los datos. Recordemos que, si por ejemplo,
estamos midiendo la altura de personas en centímetros, la varianza muestral se encontrará en
centímetros cuadrados (y por lo tanto no se puede interpretar en términos del conjunto de
datos), mientras que el desvío estándar muestral, que le agrega una raíz cuadrada a la varianza
muestral, sí se encontrará en centímetros y, por lo tanto, representará la real variabilidad de
los datos con respecto a la media muestral. Sin embargo, recordemos que si el objetivo es
comparar variabilidades de distintos conjuntos de datos, un conjunto tendrá más variabilidad
que el otro ya sea si vemos que tiene más varianza muestral que el otro o si vemos que tiene
más desvío estándar muestral que el otro. Esto se debe a que la raíz cuadrada es lo que se
llama una función monótona creciente y, por lo tanto, mantiene las desigualdades cuando es
aplicada a ambos lados, es decir, si s21 es la varianza muestral de un conjunto de datos y s22 es
la varianza muestral de otro conjunto de datos, resulta que
s21 > s22 ⇔ s1 > s2
y esto ocurre porque las varianzas y los desvíos estándar muestrales son números mayores o
iguales que cero.
Ejemplo 6.8 — Varianza muestral y desvío estándar muestral. Continuamos con los
Ejemplos A. y B.
Ejemplo A. Ya habíamos visto que x = 447 . Como n = 7 se tiene que la varianza muestral es
n
1
s2 = ∑ (xi − x)2
n − 1 i=1
44 2 44 2 44 2 44 2 44 2

1
= 7− + 4− + 2− + 8− + 8−
6 7 7 7 7 7
2 2 !
44 44
+ 9− + 6−
7 7
1 262 131 ∼
= = = 6, 238
6 7 21
Luego, el desvío estándar muestral es
√
r
131 ∼
s = s2 = = 2, 498
21
Ejemplo B. Comencemos calculando la varianza muestral, es decir, el s2 . Como y = 174 y n = 8

entonces,
1 n
s2 = ∑ (yi − y)2
n − 1 i=1
1
= (177 − 174)2 + (168 − 174)2 + (170 − 174)2 + (169 − 174)2
7
+ (164 − 174)2 + (183 − 174)2 + (180 − 174)2 + (181 − 174)2
1 352 ∼
= .352 = = 50, 286
7 7
Luego, el desvío estándar muestral es
√
r
352 ∼
s = s2 = = 7, 091
7

3. Distancia intercuartil. Se define la distancia intercuartil como
dI = Q3 − Q1
con, recordemos, Q1 y Q3 el primer y tercer cuartil, respectivamente.

Esta medida de dispersión mide la amplitud que tiene el 50% de los valores centrales de los
datos.
Ejemplo 6.9 — Distancia intercuartil. Para el Ejemplo B. habíamos visto que Q1 =
168, 25 y que Q3 = 180, 75. Luego, la distancia intercuartil se obtiene como
dI = Q3 − Q1 = 180, 75 − 168, 25 = 12, 5
es decir, dI = 12, 5.
Ejercicio 6.2 Verificar que la distancia intercuartil del Ejemplo A. es 4.
¿Cuándo elegiríamos una medida de dispersión antes que otra?
El rango no se suele elegir como una medida de dispersión de los datos. Hay muchos ejemplos
en los que los rangos de dos conjuntos de datos coinciden (más aún, coinciden los máximos y los
mínimos) y, sin embargo, claramente un conjunto tiene más variabilidad que el otro.
Sin embargo, elegir entre la varianza muestral o el desvío estándar muestral y la distancia
intercuartil no es difícil, justamente porque se elegirá de la misma manera que se elige entre la media
y la mediana muestrales. Observemos que tanto la varianza como el desvío estándar muestral están
basados en el promedio (lo usan en el cálculo). Si el promedio ya fue rechazado como representativo
de medida de posición central por haber datos atípicos en el conjunto, es lógico rechazar como
medida de dispersión cualquier medida que lo use (como lo hacen la varianza muestral y el desvío
estándar muestral). Por otro lado, como la distancia intercuartil se basa en percentiles (recordemos
que la mediana es un percentil) entonces si hay datos atípicos, la distancia intercuartil no se verá
influida por estos datos (se dice que la distancia intercuartil tiene una tolerancia del 25%). Por esta
razón, sólo en el caso en que haya datos atípicos elegiremos la distancia intercuartil antes que una
varianza o un desvío estándar muestral.
6.1.4 Ejercicios
1. Se seleccionó una muestra de turistas canadienses que vuelan de Toronto a Hong Kong. Su
edades fueron las siguientes:
32 21 21 41 47 34 17 82 27 33 41
(a) Determinar la edad media y la edad mediana.

(b) Determinar el desvío estándar y la distancia intercuartil.
(c) En base a las medidas de posición y dispersión halladas, ¿qué puede concluir sobre el
conjunto de datos? ¿Qué medidas de posición y dispersión elegiría para este conjunto
de datos?
2. Para cada uno de los conjuntos de datos de los Ejercicios 1, 2, 3 y 4 de la subsección anterior,
calcular:
(a) el rango muestral.
(b) la varianza muestral.
(c) el desvío estándar muestral.
(d) la distancia intercuartil.
3. Con la finalidad de incrementar las lluvias en zonas desérticas, se desarrolló un método que
consiste en el bombardeo de las nubes con átomos. Para evaluar la efectividad del método se
realizó el siguiente experimento:
• Para cada nube que se podía bombardear se decidió al azar si se la trataba (bombardeaba)
o no.
• Las nubes no tratadas fueron denominadas nubes controles.
Las tablas presentan la cantidad de agua caída de 26 nubes tratadas y 26 nubes controles, de
manera ordenada.
NUBES TRATADAS
4,1 7,7 17,5 31,4 32,7 40,6 92,4 115,3 118,3
119,0 129,6 198,6 200,7 242,5 255,0 274,7 274,7 302,8
334,1 430,0 489,1 703,4 978,0 1656,0 1697,8 2745,6
NUBES CONTROLES
0,01 4,90 4,90 11,50 17,30 21,70 24,40 26,10 26,30
28,60 29,90 36,60 41,10 47,30 68,50 81,50 87,00 95,00
147,80 163,00 244,30 321,20 345,50 372,40 830,10 1202,60
(a) Para cada conjunto de datos, calcule las medidas de posición central: media, mediana
y media 0,10-podada. Compare los resultados obtenidos para las nubes tratadas y las
nubes controles.
(b) Para cada conjunto de datos, calcule las medidas de dispersión: desvío estándar muestral
y distancia intercuartil. Compare los resultados obtenidos para las nubes tratadas y las
nubes controles.
(c) En base a la información obtenida, ¿considera que el método de bombardeo de las
nubes con átomos incrementa las lluvias?
4. Los siguientes datos corresponden a tiempos de CPU (en segundos) de 25 trabajos enviados
a un servidor y seleccionados al azar.
1, 17 1, 23 0, 15 0, 19 0, 92 1, 61 3, 76 2, 41 0, 82 0, 75 1, 16 1, 94 0, 71
0, 47 2, 59 1, 38 0, 96 0, 02 2, 16 3, 07 3, 53 4, 75 1, 59 2, 01 1, 40
(a) Dadas las siguientes medidas de posición y dispersión:

• media
• mediana
• media 0, 10−podada
• primer cuartil
• distancia intercuartil
• desvío estándar muestral
• máximo
• mínimo
• rango muestral
Calcular aquellas medidas que no requieran ordenar los datos.
(b) Ordenar los datos y calcular aquellas medidas que requieren que los datos estén ordena-
dos.
5. El gerente de una importante tienda se encuentra analizando la cantidad de artículos que

compran los consumidores en el horario de la tarde. Se ha seleccionado una muestra de 30
consumidores y se obtuvo la siguiente información en relación a la cantidad de artículos
comprados en ese horario:
15 8 6 9 9 4 18 10 10 12 12 4 7 8 12
10 10 11 9 13 5 6 11 14 5 6 6 5 13 5
(a) Hallar la media y la mediana muestrales correspondientes a la variable de estudio.

Interpretar en términos del problema.
(b) Hallar el desvío estándar muestral y la distancia intercuartil. ¿Qué puede concluir?
(c) ¿Qué porcentaje de consumidores adquirió
i. menos de 8 artículos?
ii. como mínimo 13 artículos?
iii. más de 10 artículos?
iv. a lo sumo 9 artículos?
6.1.5 Histogramas
En esta Sección veremos uno de los (tantos) posibles gráficos que se pueden realizar con variables
cuantitativas.
El gráfico histograma representa, en el eje horizontal (o eje x), los valores de una variable
numérica divididos en intervalos, llamados “intervalos de clase”. Tiene una barra sobre cada
intervalo cuya altura indica la cantidad (frecuencia), proporción (frecuencia relativa) o bien la
escala densidad (que se definirá a continuación) de los datos que “caen” en ese intervalo. No
se deja espacio entre las barras o rectángulos. Este gráfico se puede usar tanto para variables de
naturaleza discreta como continua.
Cuando las barras tienen el mismo ancho, la altura de cada barra podrá ser la frecuencia o la
frecuencia relativa. Sin embargo, si los anchos de las barras varían, es importante usar el siguiente
cálculo:
frecuencia relativa
escala densidad =
ancho de la barra o longitud del intervalo
que tiene en cuenta el ancho de la barra en la que se encuentra; en caso contrario, se estaría
engañando “visualmente” al lector. Este cálculo, que se puede usar siempre, aún si las barras tienen
o no iguales bases, da origen a un gráfico cuya área total, sumando las áreas de todas las barras,
es 1. De esta manera, cuando la variable es continua, el histograma es uno de los gráficos más
cercanos a una densidad que podemos tener.
Ejemplo 6.10 — Histograma de frecuencias. Se entrevistó a 1000 familias de la Ciudad
Autónoma de Buenos Aires para saber cuántos hijos tiene cada una. La información se encuentra
resumida en la siguiente tabla de frecuencias:
Cantidad Frecuencia
de hijos
0 250
1 200
2 300
3 160
4 50
5 20
6 10
7 7
8 2
9 1
Total 1000
1. Determinar la variable en estudio. ¿Esta variable es discreta o continua? ¿Cuáles son los
valores posibles de esa variable en la población y cuáles los valores que toma en esta muestra?
¿Cuál es el tamaño de la muestra?
2. Realizar un histograma de frecuencia de los datos.
Solución: Observemos que la tabla contiene la información de la cantidad de hijos y cuántas
personas tienen esa cantidad de hijos. Por ejemplo, hay 250 personas (entre las muestreadas) que
tienen 0 hijos y hay 2 personas (entre las entrevistadas) que tienen 8 hijos.
1. La variable en estudio es, justamente, aquella que mide lo que se está estudiando, es decir, en
este caso, la variable de estudio es
X = “cantidad de hijos que tiene una familia de CABA”
Claramente, esta variable es discreta. Más aún, los valores posibles que puede tomar esta
variable son {0; 1; 2; ...} = N0 . Como este conjunto de posibilidades es, en realidad, el rango
de la variable y este conjunto es infinito numerable, entonces la variable es discreta. Sin
embargo, los valores posibles que toma en esta muestra son {0; 1; 2; 3; 4; 5; 6; 7; 8; 9} (una
cantidad finita de posibilidades).
El tamaño de la muestra es n = 1000.
2. Para realizar el histograma lo primero que debemos hacer es definir de dónde a dónde van a
ir los límites de las barras. Como es importante que los números 0, 1, 2, etc., queden en el
medio de la barra y dado que no debe haber espacio entre las barras entonces, los límites de
las barras serán −0, 5 , 0, 5 , 1, 5 , ..., 8, 5 y 9, 5. De esta manera, todas las barras tendrán el
mismo ancho (que es 1). La base del rectángulo se encontrará al nivel de y = 0 (o sea, sobre
el eje x), los puntos de corte −0, 5 , 0, 5 , ..., 9, 5 serán los bordes laterales de la barra y el
borde superior de la barra se encontrará en el valor indicado por la frecuencia. La Figura 6.2
muestra cómo se haría el histograma en una hoja.
Figura 6.2: Histograma de frecuencias de la cantidad de hijos por familia en CABA.
Observemos que como una de las barras va desde el −0, 5 al 0, 5, el eje y queda atravesando
la barra. Esto no es conveniente en general porque esa barra queda visualmente tapada. Por
esta razón, los softwares estadísticos que realizan el gráfico de histograma puede que corran
el eje y por fuera de las barras, tal como se muestra en la Figura 6.3.
Figura 6.3: Histograma de frecuencias de la cantidad de hijos por familia en CABA con eje y
alejado.
Incluso algunos softwares como el R suelen alejar levemente el eje x como para resaltar aún
más las columnas, tal como se observa en la Figura 6.4.
Figura 6.4: Histograma de frecuencias de la cantidad de hijos por familia en CABA con ejes x e y
alejados.
Si bien se espera que, en un hoja y a mano, el lector pueda realizar un histograma similar
al de la Figura 6.2, es importante observar que las Figuras 6.3 y 6.4 representan el mismo
histograma.

Podríamos interesarnos en más información obtenida a partir de la tabla. Esta información se

agregará en forma de columnas a la derecha de la columna de Frecuencias.
Ejemplo 6.11 — Columnas adicionales. Continuamos con el Ejemplo anterior.
3. Agregarle a la tabla las columnas de “Frecuencia acumulada”, “Frecuencia relativa” , “Por-
centaje” , “Porcentaje acumulado” y , “Escala densidad” .
Solución: Comencemos agregando la columna de “Frecuencia acumulada”. El objetivo de esta
columna es similar al de la función de distribución acumulada de variables aleatorias discretas. Las
frecuencias se irán acumulando hasta llegar a la última posición en la que se acumula el total. La fila
de Total no se completa con ningún número ya que pierde el sentido cuando se están “acumulando”
cantidades. De esta manera, la nueva versión de la tabla resulta ser:
Cantidad Frecuencia Frecuencia
de hijos acumulada
0 250 250
1 200 450
2 300 750
3 160 910
4 50 960
5 20 980
6 10 990
7 7 997
8 2 999
9 1 1000
Total 1000
Para agregar la columna de Frecuencia relativa (o Proporción) basta con recordar que la Frecuencia
relativa se define como la Frecuencia/n. En este caso, como n = 1000, entonces la columna de
Frecuencia relativa será similar a la de Frecuencia pero cada valor es dividido por 1000. Luego,
obtenemos la siguiente tabla:
Cantidad Frecuencia Frecuencia Frecuencia

de hijos acumulada relativa
0 250 250 0,25
1 200 450 0,2
2 300 750 0,3
3 160 910 0,16
4 50 960 0,05
5 20 980 0,02
6 10 990 0,01
7 7 997 0,007
8 2 999 0,002
9 1 1000 0,001
Total 1000 1
Observemos que, en este caso, la fila Total se completa con un 1 (que se corresponde a sumar toda
la columna de Frecuencia relativa).
Ahora queremos agregarle la columna de Porcentaje. Es claro que la única diferencia entre
proporción y porcentaje es que para pasar de proporción a porcentaje debemos multiplicar por
100 o, equivalentemente, para pasar de porcentaje a proporción debemos dividir por 100. De esta
manera, ya teniendo la columna de Frecuencia relativa, nos resta por multiplicar cada elemento de
dicha columna por 100 y así obtendremos la columna Porcentaje. Luego, la tabla que se obtiene es:
Cantidad Frecuencia Frecuencia Frecuencia Porcentaje

de hijos acumulada relativa
0 250 250 0,25 25
1 200 450 0,2 20
2 300 750 0,3 30
3 160 910 0,16 16
4 50 960 0,05 5
5 20 980 0,02 2
6 10 990 0,01 1
7 7 997 0,007 0,7
8 2 999 0,002 0,2
9 1 1000 0,001 0,1
Total 1000 1 100
Luego, agregaremos la columna de Porcentaje acumulado. De la misma manera que antes, cada
vez que avanzamos de fila en fila, a lo acumulado en el paso previo le agregaremos el valor de la
fila correspondiente de la columna “Porcentaje”. De esta manera, la tabla queda:
Cantidad Frecuencia Frecuencia Frecuencia Porcentaje Porcentaje

de hijos acumulada relativa acumulado
0 250 250 0,25 25 25
1 200 450 0,2 20 45
2 300 750 0,3 30 75
3 160 910 0,16 16 91
4 50 960 0,05 5 96
5 20 980 0,02 2 98
6 10 990 0,01 1 99
7 7 997 0,007 0,7 99,7
8 2 999 0,002 0,2 99,9
9 1 1000 0,001 0,1 100
Total 1000 1 100
Por último, agregamos la columna correspondiente a la “Escala densidad”. Para ello debemos
calcular, para cada fila, la “Frecuencia relativa” (nuestra cuarta columna) dividida por la longitud
del intervalo. ¿Pero cuál es la longitud en este caso? Como la variable discreta se mueve entre
enteros consecutivos, todas las barras tienen ancho 1 (tal como se mencionó anteriormente). Luego,
en este caso, deberíamos dividir cada elemento de la columna “Frecuencia relativa” por un 1 y, por
lo tanto, obtenemos la misma columna. De esta manera, la tabla final pedida es:
Cantidad Frecuencia Frecuencia Frecuencia Porcentaje Porcentaje Escala

de hijos acumulada relativa acumulado densidad
0 250 250 0,25 25 25 0,25
1 200 450 0,2 20 45 0,2
2 300 750 0,3 30 75 0,3
3 160 910 0,16 16 91 0,16
4 50 960 0,05 5 96 0,05
5 20 980 0,02 2 98 0,02
6 10 990 0,01 1 99 0,01
7 7 997 0,007 0,7 99,7 0,007
8 2 999 0,002 0,2 99,9 0,002
9 1 1000 0,001 0,1 100 0,001
Total 1000 1 100
Ejercicio 6.3 Queda para el lector agregarle a la tabla anterior la columna “Frecuencia relativa
acumulada”.
Observación: en general, no tiene sentido la columna “Escala densidad acumulada” salvo que,
tal como pasó en el ejemplo anterior, coincida con la columna “Frecuencia relativa”.
Ejemplo 6.12 — Histograma de escala densidad. Continuamos con el ejemplo anterior.
4. Realizar un histograma de la escala densidad de los datos. ¿Qué diferencia observa con el
histograma obtenido en el ítem b)?
Solución: el histograma debería ser, salvo por las posiciones de los ejes, similar al de la Figura 6.5.
Figura 6.5: Histograma de escala densidad de la cantidad de hijos por familia en CABA.
Este gráfico es “igual” al anterior salvo por las alturas de las barras. Es decir, mientras los
anchos de las barras sean iguales, no importa si en el eje y se usa la frecuencia, la frecuencia relativa
o la escala densidad ya que, visualmente, la manera en la que se distribuyen los datos es la misma.
Sin embargo, si lo que nos dan es un histograma de escala densidad (o, eventualmente, de
frecuencia relativa), no podemos recuperar la información de la tabla a menos que nos informen el
n (porque el ancho de las barras se puede extraer del gráfico, al igual que la altura). En ese caso, si
lo que tenemos es un histograma de escala densidad, la altura de cada barra la multiplicaríamos por
n y también por el ancho de la barra y podríamos recuperar la columna Frecuencia y, así, construir
todas las columnas de la tabla que deseemos.
Ejercicio 6.4 Queda para el lector pensar qué columnas de la tabla podríamos reconstruir
únicamente conociendo la columna de Frecuencia relativa, es decir, sin tener la cantidad total de
datos (que llamamos n).
Ahora, con la información brindada por la tabla podemos responder a muchas preguntas que
podrían ser de interés.
Ejemplo 6.13 — Algunas preguntas que nos podríamos hacer. Continuamos con el ejemplo
anterior.
5. Suponiendo que la muestra es representativa de la población, responder las siguientes
preguntas:
(a) ¿Qué proporción de familias tiene exactamente 4 hijos?
(b) ¿Qué porcentaje de familias tiene a lo sumo 2 hijos?
(c) ¿Qué porcentaje de familias tiene más de 5 hijos?
(d) ¿Qué cantidad de hijos tiene el 25% de las familias que tienen menos hijos?
(e) ¿Qué cantidad de hijos tiene el 25% de las familias que tienen más hijos?
Solución:
(a) Mirando la columna de Frecuencia relativa tenemos que la proporción de familias que tienen
exactamente 4 hijos es 0, 05.
(b) Como nos piden el porcentaje de familias que tiene 2 hijos o menos, nos están pidiendo el
porcentaje acumulado. De esta manera, mirando la columna Porcentaje acumulado tenemos
que el porcentaje de familias que tiene a lo sumo 2 hijos es 75%.
(c) En este caso nos piden el porcentaje de familias que tienen más de 5 hijos. Como esto no
es la acumulada que tenemos en la tabla (que acumulada hacia abajo), entonces debemos
calcularlo a mano: sumar los porcentajes de 6 hijos, 7 hijos, 8 hijos y 9 hijos (observemos
que “más de” no incluye al número). El resultado es que el porcentaje de familias que tiene
más de 5 hijos es 2%.
(d) Lo que nos están pidiendo acá es cuántos hijos debería tener una familia para que el 25%
de la población tenga menos o igual número de hijos que ella (y, por lo tanto, el 75% de la
población tenga más hijos). Esto es exactamente lo mismo que hallar el percentil 25%, es
decir, el primer cuartil. Pero ya vimos en la Sección anterior cómo hallar percentiles, así que
acá funcionará igual.
Como nos piden Q1 , entonces p = 0, 25. Como n = 1000 entonces p(n + 1) = 0, 25(1000 +
1) = 250, 25. Es decir, el percentil pedido se encontrará entre las observaciones x(250) y x(251)
con pesos dados por 0, 25 y 0, 75. Como 250, 25 se encuentra más cerca de 250 que de 251
entonces
Q1 = 0, 75x(250) + 0, 25x(251)
Pero ahora pensemos, ¿cuáles son las observaciones x(250) y x(251) ? La tabla nos dice que
si “desglosáramos” su información deberíamos poner primero 250 ceros, después 200 unos,
después 300 tres, y así siguiendo, hasta que ponemos 2 ochos y 1 nueve. De esta manera
tendríamos los 1000 datos. Luego, la posición 250 en los datos ordenados en el último cero
que escribimos, mientras que la posición 251 de los datos ordenados es el primer uno que
escribimos. De esta manera, x(250) = 0 y x(251) = 1 y, por lo tanto,
Q1 = 0, 75.0 + 0, 25.1 = 0, 25
Nuevamente, como el percentil no da un número entero, no se redondea y queda esto como

respuesta.
(d) En este caso nos preguntamos cuántos hijos debería tener una familia para que haya sólo un
25% de la población con más hijos que ella (y, por lo tanto, un 75% de las familias con menos
hijos que ella). En este caso nos están pidiendo el percentil 75% (porque los percentiles
siempre miran a izquierda) o, equivalentemente, el Q3 . Luego, proseguimos de la misma
manera que lo hecho en percentiles.
Como nos piden hallar el Q3 entonces p = 0, 75. Luego, p(n + 1) = 750, 75, es decir, que
Q3 se encontrará entre las observaciones x(750) y x(751) y los pesos que usaremos son 0, 25 y
0, 75. Como 750, 75 está más cerca de 751 que de 750, entonces
Q3 = 0, 25x(750) + 0, 75x(751)
¿Pero cuánto valen x(750) y x(751) ? Observemos que lo que nos da el límite de cuándo paso
de un número a otro nos lo está dando la Frecuencia acumulada. Antes buscábamos x(250) y
x(251) . La frecuencia acumulada nos dice que desde el 1 hasta el 250 son ceros, mientras que
desde el 251 hasta el 450 son unos, que desde el 451 hasta el 750 son dos y así siguiendo.
Como buscamos las posiciones 750 y 751 de los datos ordenados y desde la posición 451
hasta la posición 750 tenemos los números dos, entonces x(750) = 2. Además, como desde la
posición 751 hasta la posición 910 son tres, entonces x(751) = 3. Luego,
Q3 = 0, 25.2 + 0, 75.3 = 2, 75
Observación: en general, la columna “Escala densidad” sólo se utiliza para realizar el gráfico
histograma.
Ejercicio 6.5 Hallar x(121) , x(811) , x(983) y x(999) del conjunto de datos anterior. Además, calcular
los percentiles 80 y 99.
Ahora haremos un ejemplo del histograma de una variable aleatoria continua. A diferencia de
lo hecho anteriormente, en este caso no tiene sentido escribir los “números diferentes”que toma la
variable como primera columna en la tabla ya que, al ser continua, son muchos los valores distintos
(de hecho son infinitos). Lo que se hace en este caso es agrupar los números en intervalos llamados
“intervalos de clase”. Estos intervalos serán una partición de un intervalo que contiene a todos los
datos. En general, se toman estos intervalos de la misma longitud, pero en caso de que tengan
diferentes longitudes, como estos intervalos serán los límites de las barras del histograma, se pondrá
cómo altura la (frecuencia relativa)/(longitud del intervalo) y no la frecuencia o la frecuencia
relativa. Si tienen todos la misma longitud, es indistinto si se grafican las alturas como frecuencias,
frecuencias relativas o (frecuencias relativas)/(longitud del intervalo).
Ejemplo 6.14 Los siguientes 61 datos (dados de manera ordenada) corresponden a las mediciones
diarias de viento (en mph) de los meses mayo y junio de 1973 en una región del estado de Nueva
York.
1, 7 4, 6 5, 7 6, 3 6, 3 6, 9 6, 9 7, 4 7, 4 8, 0 8, 0 8, 0 8, 0 8, 0 8, 0 8, 6
8, 6 8, 6 8, 6 9, 2 9, 2 9, 2 9, 2 9, 7 9, 7 9, 7 9, 7 9, 7 9, 7 10, 3 10, 3
10, 9 10, 9 11, 5 11, 5 11, 5 11, 5 11, 5 11, 5 11, 5 12, 0 12, 0 12, 0 12, 6
13, 2 13, 8 13, 8 13, 8 14, 3 14, 3 14, 9 14, 9 14, 9 14, 9 14, 9 16, 1 16, 6
16, 6 18, 4 20, 1 20, 7
1. Definir la variable de estudio. ¿Es continua o discreta?
2. Con la información suministrada, armar una tabla de frecuencias utilizando como intervalos
de clase [0; 3), [3; 6), [6; 9), [9; 12), [12; 15), [15; 18), [18; 21).
3. Utilizando la tabla anterior, realizar un histograma para este conjunto de datos.
Solución:
1. La variable es
X = “Viento de los meses de mayo y junio en Nueva York”
Esta variable es continua.

2. En este caso, la tabla tendrá, como primera columna, la columna “Intervalo de clase”, de la
siguiente manera:
Intervalo Frecuencia
de clase
[0; 3) 1
[3; 6) 2
[6; 9) 16
[9; 12) 21
[12; 15) 15
[15; 18) 3
[18; 21) 3
Total 61
3. Observemos primero que todos los intervalos tienen la misma longitud (que es 3 en este caso).
Por esta razón, sí tiene sentido hacer un histograma que tenga como alturas las frecuencias.
En ese caso, como la variable no es discreta, no se indica el valor del medio de la base de las
barras sino, simplemente, sus límites. Poniendo como alturas las frecuencias obtenidas en
cada intervalo, el histograma que se obtiene es el dado en la Figura 6.6.
Figura 6.6: Histograma de frecuencias del viento en cierta región de Nueva York en los meses
mayo y junio de 1973.
Observemos que cuando la variable es continua, el histograma de frecuencias (o el de fre-

cuencias relativas con o sin el n) no permite reconstruir el conjunto de datos. De esta forma,
por ejemplo, las preguntas relacionadas con percentiles no pueden responderse en general (salvo
algunas casualidades muy relacionadas con el conjunto de datos) directamente con los gráficos ya
que se necesitan los datos crudos.
Pero algo que podría surgir como duda: ¿cuántos intervalos de clase deberían usarse? No hay
una única regla para seleccionar los intervalos de clase pero, en general, se usa como cantidad
√
de intervalos un número cercano a n, con n la cantidad de datos que se tiene disponible. Sin
embargo, aún habiendo determinado cuántos intervalos considerar, no hay regla para decidir de
dónde a dónde deben ir los intervalos ni qué longitud exacta deben tener.

√ √ 6.15 Continuando con el ejemplo anterior, observemos que n = 61 y por lo tanto
Ejemplo
n = 61 ∼= 7, 81 y la cantidad de barras del histograma realizado es 7.
También podríamos hacernos preguntas relacionadas con este conjunto de datos de manera
similar a lo hecho con el ejemplo anterior en el que la variable aleatoria era discreta.
Ejemplo 6.16 Continuando con el ejemplo anterior.
1. Calcular el primer cuartil.
2. ¿Considera que la distribución de los datos es simétrica? En caso afirmativo, ¿de qué
distribución (de las aprendidas hasta ahora) considera que podrían provenir estos datos?
Solución:
1. Tal como lo hemos hecho en la Sección de percentiles, nos están pidiendo Q1 = P25 y, para
ello, como p = 0, 25, necesitamos encontrar la observación que se encontraría en la posición
p(n + 1) = 0, 25(61 + 1) = 15, 5. Como este valor se encuentra entre las observaciones
(ordenadas) x(15) = 8 y x(16) = 8, 6 y los pesos son 0, 5 y 0, 5, entonces
Q1 = 0, 5x(15) + 0, 5x(16) = 0, 5.8 + 0, 5.8, 6 = 8, 3
2. Los datos parecieran tener una distribución simétrica.

Las dos distribuciones teóricas vistas en esta materia fueron: la distribución uniforme y
la distribución normal. Sin embargo, como no todas las barras tienen alturas similares
(como hubiese ocurrido si los datos hubiesen provenido de una distribución uniforme) sino
que las barras van creciendo hasta que llegan a la mitad y después comienzan a decrecer,
podríamos sospechar que los datos provienen de una distribución normal (cuya distribución
es acampanada).

Ejercicio 6.6 Para el conjunto de datos del ejemplo anterior, calcular la mediana y el tercer
cuartil. Interprete qué indican estos valores.
Ejercicio 6.7 A la tabla del conjunto de datos anterior, agregarle las columnas “Frecuencia
relativa” , “Porcentaje” , Porcentaje acumulado” y “Escala densidad”. Luego, realizar un gráfico
histograma de escala densidad de los datos.
6.1.6 Ejercicios
1. Continuando con el Ejercicio 2 de la subsección de Medidas de posición,
(a) ¿La variable es continua o discreta?
(b) Armar una tabla de frecuencias.
(c) Realizar un histograma de frecuencias con la tabla del ítem anterior.
(d) Agregarle a la tabla de frecuencias las columnas: “Frecuencia relativa” , “Porcentaje” y
“Porcentaje acumulado”.
2. Continuando con el Ejercicio 4 de la subsección de Medidas de posición,

(a) ¿Cuál es la variable de estudio? ¿Es continua o discreta?
(b) Completar la siguiente tabla de frecuencias
Intervalo de Clase Frecuencia
[35 ; 40)
[40 ; 45)
[45 ; 50)
[50 ; 55)
[55 ; 60)
[60 ; 65)
[65 ; 70)
[70 ; 75)
Total
(c) Extender la tabla anterior agregando las columnas “Frecuencia relativa” , “Porcentaje” ,
“Porcentaje acumulado” y “Escala densidad”.
(d) Construir un histograma de frecuencias con los datos.
(e) Responder a las siguiente preguntas:
i. ¿Qué porcentaje de alumnas pensan menos de 50 kg?
ii. ¿Qué porcentaje de alumnas pesan por lo menos 55 pero menos de 60 kg?
iii. ¿Qué porcentaje de alumnas pesan por lo menos 40 kg?
iv. ¿Cuál es el peso del 14% de las alumnas con menos peso?
v. ¿Cuál es el peso del 16% de las alumnas con más peso?
(f) Realizar un histograma de escala densidad. ¿Qué diferencias observa con el histograma
de frecuencias?
3. Los siguientes datos (dados de manera ordenada) corresponden al peso (en kg) de 52 alumnos
varones de 3 divisiones de 4to. año.
51 53 55 57 57 58 58 59 59 61 61 62 63 63 63 63 64 64
64 65 65 65 66 66 66 66 66 67 67 67 67 67 67 67 68 68
69 69 69 69 69 70 71 71 72 72 73 74 79 79 81 84
(a) Defina la variable de estudio. ¿Es continua o discreta?

(b) Con la información suministrada, armar una tabla de frecuencias utilizando como
intervalos de clase [50; 55), [55; 60), [60; 65), [65; 70), [70; 75), [75; 80), [80; 85).
(c) Agregarle a la tabla anterior las columnas: “Frecuencia relativa” , “Porcentaje” y
“Escala densidad”.
(d) Realizar un histograma de escala densidad.
(e) ¿En qué intervalo de pesos se ve una mayor concentración de alumnos?
(f) ¿Los datos parecieran tener una distribución simétrica? En caso de que responda
afirmativamente, ¿un ajuste normal le parecería razonable? En caso de responder
afirmativamente, ¿qué parámetros µ y σ 2 usaría para dicho ajuste?
(g) Comparando este conjunto de datos con el del Ejercicio 2. (alumnas mujeres de 4to.
año), responda:
i. ¿Considera que el peso de los varones es mayor que el de las mujeres? Responda
comparando alguna medida de posición.
ii. Comparando con alguna de las medidas de dispersión calculadas, ¿qué grupo
pareciera tener menor variabilidad de pesos?
4. Se consideraron niños de tercer grado de cierta escuela primaria y se registró el número

de intentos necesarios hasta recitar correctamente un párrafo. Los resultados obtenidos se
encuentran en la siguiente tabla:
Intentos Frecuencia
1 32
2 54
3 22
4 8
5 4
(a) ¿La variable de estudio es continua o discreta?

(b) ¿Cuántos son los niños que participaron en este estudio?
(c) ¿Qué porcentaje de niños realizó como mínimo dos intentos?
(d) ¿Cuántos niños necesitaron al menos entre dos y cuatro intentos (ambos inclusive)?
(e) Realizar un histograma de frecuencia relativa de los datos.
5. Continuando con el Ejercicio 1 de la subsección de Medidas de dispersión,

(a) ¿La variable “edad de una persona” es una variable discreta o continua?
(b) Realizar un histograma de frecuencias para la edad de los turistas con intervalos de
clase de longitud 10.
6. Dado el siguiente histograma de frecuencias de la variable discreta con rango {1; 2; 3; 4; 5; 6},
responder las consignas.
(a) Construir la tabla de frecuencias. Agregarle las columnas de “Frecuencia relativa” ,

“Porcentaje” y “Porcentaje acumulado”.
(b) Responder:
i. ¿Qué porcentaje de los datos es exactamente igual a 2?
ii. ¿Qué porcentaje es menor que 4?
iii. ¿Qué porcentaje está comprendido entre 3 y 5?
iv. ¿Cuál es el percentil 15? ¿Y el 70?
v. Hallar el primer cuartil, el tercer cuartil, y la distancia intercuartil.
7. Dado el siguiente histograma de escala densidad de la variable discreta con rango {2; 4; 6; 8},
responder las consignas.
(a) ¿Es posible reconstruir el histograma de frecuencias con la información suministrada

por este gráfico?
(b) Construir una tabla con todas las columnas que puedan ponerse utilizando la informa-
ción suministrada por el histograma.
(c) Responder:
i. ¿Qué porcentaje de los datos es exactamente igual a 4?
ii. ¿Qué porcentaje es mayor que 6?
iii. ¿Qué valor es el que se observa con mayor frecuencia?
8. A continuación se encuentran 30 datos obtenidos con una calculadora de manera al azar en el

intervalo [0; 1):
0, 030 0, 054 0, 079 0, 092 0, 096 0, 119 0, 131 0, 216 0, 218 0, 307
0, 321 0, 366 0, 388 0, 443 0, 510 0, 517 0, 525 0, 575 0, 643 0, 696
0, 710 0, 753 0, 769 0, 819 0, 823 0, 844 0, 897 0, 939 0, 966 0, 992
(a) Defina la variable en estudio. ¿Es continua o discreta?

(b) Realizar un histograma de escala densidad utilizando 5 intervalos de igual longitud de
manera tal de cubrir exactamente el intervalo [0; 1). Para realizar este gráfico, arme una
tabla con todas las columnas que necesite.
(c) ¿Considera que la distribución de los datos es simétrica? En caso afirmativo, ¿de
qué distribución (de las aprendidas hasta ahora) considera que podrían provenir estos
datos? En caso de elegir la distribución normal, ¿cuáles serían (aproximadamente) los
parámetros teóricos: µ y σ 2 ? En caso de considerar la distribución uniforme, ¿en qué
intervalo estaría definida? ¿Cuál es la media y la varianza de esa distribución elegida?
(d) Calcular la media y la varianza muestral y comparar los resultados obtenidos con la
media y varianza teóricas de la distribución que haya supuesto en el ítem anterior.
(e) Hallar, además, los percentiles 30, 60 y 90.
(f) ¿Qué proporción de observaciones es menor a 0, 4?
(g) ¿Qué porcentaje de observaciones se encuentra entre 0, 5 y 0, 9?
6.2 Variables cualitativas

Todas las variables vistas hasta el momento son numéricas. Sin embargo, en la vida real, no todas
los son, es decir, no todas las variables tienen, como posibles resultados, números. A aquellas
variables cuyos resultados no son numéricos se las llaman “variables categóricas” o “variables
cualitativas”.
Ejemplo 6.17 — Variables categóricas o cualitativas. Algunos ejemplos de variables categóri-
cas son:
1. una materia de cierta carrera universitaria.
2. el día de la semana.
3. el nombre y apellido de una persona.
4. el género.
5. el color de un auto.
6. la marca de un electrodoméstico.

Definición 6.8 — Categorías. Los resultados posibles de estas variables categóricas se llaman
“categorías”.
Ejemplo 6.18 — Categorías. Continuando con el ejemplo anterior.

1. Categorías: “Fundamentos de Técnicas Cuantitativas”, “Ecología General”, “Análisis Socioe-
conómico”, etc.
2. Categorías: “lunes”, “martes”, “miércoles”, “jueves”, “viernes”, “sábado” y “domingo”.

Ejercicio 6.8 Indicar cuáles serían las categorías de las variables 3 a 6 del Ejemplo Variables
categóricas o variables cualitativas.
Para analizar estas variables se utilizan cantidades, proporciones y porcentajes.
6.2.1 Gráficos de barras y gráficos circulares
A diferencia de las variables numéricas, las variables cualitativas no tienen orden y, por lo tanto, en
una recta (representada, por ejemplo, con el eje x), nada indica que uno de los resultados deba ir a
la izquierda del otro. Por ejemplo, no parece natural decir que el “rojo” debe estar siempre a la
izquierda del “azul”, o viceversa.
Por esta razón, el gráfico histograma ya no tiene sentido. Sin embargo, una versión similar
pero para variables cualitativas es el gráfico de barras. A diferencia del histograma, las barras de
este gráfico van en el orden que la persona que lo va a graficar elija. De esta manera, dadas las
categorías y las alturas que tendrán las barras, no existe un único gráfico de barras, ya que el orden
en el que se colocan las barras podría variar (mientras que el histograma sí queda determinado
conociendo las bases de las barras y sus alturas).
Algunos gráficos que veremos en esta sección serán:
• Gráfico de barras. Se utiliza para representar los valores de la variable categórica. En el
eje horizontal se encuentran las categorías y en el eje vertical la cantidad de datos, o su
proporción, o su porcentaje. En general, en los gráficos de barras, las barras se encuentran
separadas (a diferencia del histograma en los que las barras van pegadas).
• Gráfico circular o gráfico de torta o gráfico de sectores. El círculo representa al total de
los datos. Cada sector (o porción de torta) adentro del círculo representa una categoría, con
el ángulo proporcional a su tamaño (cantidad, proporción o porcentaje de dicha categoría).
Ejemplo 6.19 — Gráfico de barras y gráfico circular. El centro de un municipio de la

Provincia de Buenos Aires cuenta con los siguientes edificios públicos: 2 dependencias policiales,
3 institutos educativos, 2 edificios pertenecientes a la municipalidad y 1 sala de primeros auxilios.
1. Definir la variable en estudio. ¿Cuántas categorías presenta?
2. ¿Cuántos edificios públicos hay en el municipio?
3. ¿Qué porcentaje de los edificios públicos corresponde a institutos educativos?
4. Realizar un gráfico de barras con las frecuencias.
5. Realizar un gráfico circular.
6. Al gráfico anterior agregarle los porcentajes correspondientes a cada categoría.
Solución:
1. La variable de estudio es “edificios públicos de un municipio de la Provincia de Buenos
Aires”.
La variable es categórica y tiene 4 categorías: “dependencias policiales”, “institutos educa-
tivos”, “edificios de la Municipalidad” y “salas de primeros auxilios”.
2. Hay un total de 8 edificios públicos en el municipio.
3. Como hay 3 de 8 edificios que corresponden a institutos educativos, la proporción sería
3 3
8 = 0, 375 y, por lo tanto, el porcentaje es 8 .100 = 37, 5. Es decir, un 37, 5% de edificios
públicos corresponden a institutos educativos.
4. Las categorías las colocaremos en el eje horizontal y las alturas de las barras serán las
frecuencias, es decir, los números 2, 3, 2 y 1. Recordemos que además deberá haber un
espacio entre cada barra. El gráfico que nos queda es el siguiente:
5. Como hay un total de 8 edificios, el gráfico de torta puede hacerse “a mano” fácilmente
porque basta con dividir la torta en 8 porciones iguales (como se dividiría una pizza). Esto
mismo se puede hacer también con 16 (dividiendo cada porción en dos), con 32 (dividiendo
cada porción del gáfico anterior en dos), y así siguiendo (multiplicando por 2).
Una vez que la torta queda dividida en 8 porciones, se colorean tantas porciones según sea la
cantidad de edificios que tenga cada una de las categorías.
Importante: si bien no es un requisito, se suelen colorear las porciones del gráfico de manera
consecutiva, es decir, no hay porciones de torta con el mismo color que no se estén tocando
por un lado.
El gráfico queda de la siguiente manera:
Por supuesto que, según desde qué porción de torta se comience a colorear o bien en qué
orden de categorías, el gráfico quedará de esta forma o de otra. Todos representan los mismos
datos por lo que todos son correctos.
Observemos que el mismo gráfico se puede obtener graficando los porcentajes o las pro-
porciones. En ese caso, para saber el ángulo que debería tener la porción de torta de una
categoría, una posibilidad sería multiplicar la proporción de dicha categoría por 360◦ .
6. Ya habíamos calculado uno de los porcentajes. Los demás porcentajes se calculan de manera
similar: calculando primero la proporción y luego multiplicándolo por 100. De esta manera,
el gráfico que se obtiene es el siguiente:
6.2.2 Ejercicios
1. Valeria tiene muchos lápices de colores en la cartuchera, 16 para ser más exactos. Tiene 6
tonos de rojo, 4 de azul, 2 de verde, 3 de amarillo, 1 negro.
(a) Definir la variable en estudio. ¿Cuántas categorías presenta?
(b) Armar una tabla con las frecuencias correspondientes a la variable a estudiar.
(c) Realizar un gráfico de barras con las frecuencias.
(d) Realizar un gráfico circular.
(e) ¿Qué porcentajes de lápices rojos tiene Valeria en su cartuchera? ¿Y de verdes?
2. La siguiente tabla muestra los porcentajes del nivel de educación de las personas de 15 años
y más de la República Argentina en el año 2001.
Nivel de Educación Porcentajes

Sin instrucción 3, 7
Primario incompleto 14, 2
Primario completo 48, 9
Secundario completo 24, 5
Terciario completo 8, 7
(a) Construir un gráfico de barras con la información suministrada por la tabla.

(b) Construir, con el Excel u otro software, un gráfico circular para describir los datos.
(c) ¿Qué porcentaje de la población considerada tiene al menos el secundario completo?
3. Cincuenta personas están agrupadas en cuatro categorías: A, B, C y D. El gráfico de barras

muestra las frecuencias obtenidas.
(a) Armar una tabla con la información suministrada por el gráfico de barras de las frecuen-
cias.
(b) Agregarle a la tabla anterior la columna “Porcentajes”.
(c) Construir un gráfico de barras con los porcentajes. ¿Qué diferencia observa con el
gráfico de barras de las frecuencias?
(d) Construir, con el Excel u otro software, un gráfico de torta para describir los datos.
(e) ¿Qué proporción de personas pertenecen a la categoría B? ¿Qué proporción pertenece a
las categorías C o D?
4. La composición del suelo está determinada por cuatro componentes que se presentan en los
siguientes porcentajes:
Composición Porcentajes
Aire 25
Agua 25
Material mineral 45
Material orgánico 5
(a) Construir un gráfico de barras con la información brindada.

(b) Construir, con el Excel u otro software, un gráfico de torta para describir los datos.
(c) ¿Qué porcentaje corresponde a materiales?
5. Se muestra a continuación un gráfico que representa la población mundial por continente en

el año 2006:
(a) Determinar el continente que tiene más población y el porcentaje que representa de la
población mundial.
(b) ¿Qué lugar ordenado de menor a mayor ocupa la población de Europa?
(c) Se tiene como información adicional que la población mundial en ese año era de
6.523.620.000 habitantes. ¿Qué población tenía aproximadamente Asia en ese año?
(d) Construir un gráfico de barras con la información suministrada por el gráfico circular.
6. Se ha realizado una encuesta a jóvenes estudiantes en referencia a las actividades que prefieren
realizar durante las vacaciones y se obtuvo la siguiente información:
(a) Construya un gráfico de barras con la información suministrada.

(b) ¿Qué actividad es la más deseada para realizar en vacaciones?
(c) Si el número de encuestados fue de 150 jóvenes, ¿cuántos han respondido que prefieren
ir a la playa? ¿Y de paseo?
7. (Opcional) La información de la tabla del Ejercicio 2 ahora se encuentra separada entre

hombres y mujeres obteniéndose la siguiente tabla de porcentajes.
Nivel de Educación Hombres Mujeres

Sin instrucción 3.5 3.9
Primario incompleto 14.3 14.1
Primario completo 51.5 46.5
Secundario completo 23.7 25.2
Terciario completo 7.0 10.3
(a) Realizar un gráfico de barras dobles para esta tabla.

(b) ¿Qué puede decir del nivel de educación primario? ¿Y en el nivel secundario y terciario?
7. Regresión lineal
7.1 Introducción
El análisis de regresión involucra el estudio de la relación entre dos variables cuantitativas. En
general, interesa:
• investigar si existe una asociación entre las dos variables,
• estudiar la fuerza de asociación, a través de una medida denominada coeficiente de correla-
ción, y
• estudiar la forma de la relación. Usando los datos propondremos un modelo para la relación
y a través de él será posible predecir el valor de una variable a partir de la otra.
Para describir la relación entre dos variables cuantitativas, la forma gráfica más habitual es
utilizar un diagrama de dispersión. Cada punto corresponde a un par de valores (uno para cada
variable), medidos sobre el mismo individuo.
En general, si una de las variables puede pensarse como explicativa de la otra (variable
explicativa o covariable), siempre se la grafica en el eje horizontal (eje x) y la otra (variable
respuesta) en el eje vertical (eje y).
Veamos esto con un ejemplo:
Ejemplo 7.1 Consideremos el siguiente experimento para estudiar el efecto de una nueva droga
sobre la frecuencia cardiaca de ratas sanas.
Cinco ratas fueron asignadas aleatoriamente a una de cinco dosis (en mg) y se registró la máxima
disminución observada en la frecuencia cardiaca en una hora (DFC). Los datos obtenidos son:
DOSIS DFC
0,5 5
1,0 8
1,5 12
2,0 13
2,5 16
Realizar un diagrama de dispersión considerando como variable explicativa la DOSIS y como
variable respuesta la DFC.
198 Capítulo 7. Regresión lineal
Solución: En primer lugar observemos que como, la dosis es la variable explicativa, la misma
irá sobre el eje x, mientras que la DFC, que es la variable respuesta, irá sobre el eje y. Luego, el
diagrama de dispersión consta de 5 pares ordenados y es el siguiente:
Observemos que los puntos graficados son: (0, 5 ; 5), (1 ; 8), (1, 5 ; 12), (2 ; 13) y (2, 5 ; 16). En
definitiva, un punto cualquiera es de la forma (xi ; yi ) con 1 ≤ i ≤ 5.
7.2 Recta de regresión lineal simple

En algunos casos, tal como ocurre con el Ejemplo 7.1, se podría pensar que existe una relación
lineal entre las dos variables (explicativa y respuesta) aunque esa relación no sea exacta. En el
Ejemplo 7.1 se ve que no se puede ajustar una recta de manera exacta a los 5 puntos pero sí se
podría construir una recta que ajuste relativamente bien a los datos. Es decir, recordando que la
DOSIS es X y la DFC es Y , no pareciera valer que
DFC = a + b × DOSIS
pero sí podríamos suponer que
DFC = a + b × DOSIS + error ,
o bien, en términos de X y de Y ,
Y = a + bX + error .
A este modelo se lo llama modelo de regresión lineal simple o, simplemente, modelo de regresión
lineal.
Una posibilidad podría ser intentar ajustar una recta “a ojo”. Dos propuestas posibles para el
Ejemplo 7.1 podrían ser:
• R1 : y = 5, 5 + 3, 5x
• R2 : y = 0, 5 + 7x
La pregunta es: ¿qué recta es “mejor”? ¿Cómo decidir? Veamos los gráficos:
R1 R2
Para decidir cuál de las dos rectas ajusta mejor estos datos, consideraremos una medida que
evalúe cuán lejos está cada dato de la recta propuesta. Para ello calcularemos los residuos.
Para cada valor de x (de la DOSIS, en este caso), la recta arroja un valor de y que puede o no
coincidir exactamente con el valor de y de la tabla (el de la DFC, en el ejemplo). Estos valores de y
dados por la recta los llamaremos y ajustados y los denotaremos por yb o ya jus , mientras que a los
valores de y dados en la tabla los llamaremos y observados y los denotaremos como y o yobs . Los
residuos se calcularán como
res = yobs − ya jus o res = y − yb.
Si hay n pares ordenados es porque hay x1 , . . . , xn observaciones explicativas e y1 , . . . , yn observa-

ciones respuesta. En el Ejemplo 7.1, n = 5. En definitiva, tendremos n residuos que se consiguen
como
resi = yi − ybi .
Finalmente, la suma del cuadrado de los residuos (SCR) nos dará una idea de cuán alejados se
encuentran los ajustes obtenidos por la recta a las observaciones y, por esta razón, cuanto más
cercano a 0 se encuentre este número, mejor será el ajuste. Esta medida nos ayuda a elegir qué
recta ajusta mejor (respecto a la suma de los residuos al cuadrado): aquella que tenga SCR más
pequeña, es decir, menor
n
∑ res2i
i=1
o, equivalentemente, menor
n
∑ (yi − ybi )2 .
i=1
Ejemplo 7.2 Utilizando las rectas R1 y R2 , construir dos tablas con los y b, los residuos y los
residuos al cuadrado. Utilizar esta información para elegir una de las dos rectas para describir los
datos.
Solución. Comencemos con la recta R1 . A la tabla anterior le agregaremos primero la columna:
ybi . Esta columna contendrá las observaciones ajustadas por la recta R1 para cada valor xi . Por
ejemplo, para el caso x1 = 0, 5, como la recta es y = 5, 5 + 3, 5x entonces yb1 = 5, 5 + 3, 5.0, 5 = 7, 25.
Siguiendo con este razonamiento, la tabla extendida con esta columna es:
xi yi ybi
0,5 5 7,25
1,0 8 9
1,5 12 10,75
2,0 13 12,5
2,5 16 14,25
Obsvervemos que los nombres DOSIS y DFC fueron cambiados, por comodidad, a xi e yi , respecti-
vamente.
Ahora, le agregaremos la columna de los residuos, es decir, la columna resi . Recordemos que
resi = yi − ybi . De esta manera, la tabla queda:
xi yi ybi yi − ybi
0,5 5 7,25 -2,25
1,0 8 9 -1
1,5 12 10,75 1,25
2,0 13 12,5 0,5
2,5 16 14,25 1,75
Por último, elevemos la última columna al cuadrado para conseguir la columna res2i . De esta
manera, la tabla final es:
xi yi ybi yi − ybi (yi − ybi )2
0,5 5 7,25 -2,25 5,0625
1,0 8 9 -1 1
1,5 12 10,75 1,25 1,5625
2,0 13 12,5 0,5 0,25
2,5 16 14,25 1,75 3,0625
Al finalizar esta tabla, agregamos debajo de la última columna la suma de los res2i para obtener
así una medida del ajuste de la recta R1 .
0,5 5 7,25 -2,25 5,0625
1,0 8 9 -1 1
1,5 12 10,75 1,25 1,5625
2,0 13 12,5 0,5 0,25
2,5 16 14,25 1,75 3,0625
10,9375
Es decir, para la recta R1 se obtuvo que
5
SCR1 = ∑ (yi − ybi )2 = 10, 9375 (7.1)
i=1
Repetimos el razonamiento pero esta vez para la recta R2 dada por: y = 0, 5 + 7x.
0,5 5 4 1 1
1,0 8 7,5 0,5 0,25
1,5 12 11 1 1
2,0 13 14,5 -1,5 2,25
2,5 16 18 -2 4
8,5
Es decir, para la recta R2 se obtuvo que
5
SCR2 = ∑ (yi − ybi )2 = 8, 5 (7.2)
i=1
Finalmente, comparamos (7.1) con (7.2) y como la SCR de la recta R2 es menor a la de la recta R1 ,
resulta que la mejor de las dos rectas es la recta R2 .

Ya vimos qué recta, de las dos comparadas, ajusta mejor. ¿Será que hay alguna recta que ajusta
mejor que cualquier otra (en términos de la suma de los cuadrados de los residuos)? La respuesta
es sí, existe una recta que logra conseguir que la suma de los cuadrados de los residuos sea mínima.
Esta recta se llama recta de mínimos cuadrados y se consigue como
yb = ab + b
bx
con
∑n (xi − x)(yi − y)
b = i=1 n
b
∑i=1 (xi − x)2
ab = y − b
bx
Ejemplo 7.3 Para el Ejemplo 7.1, hallar y graficar la recta de mínimos cuadrados. Calcular su
suma de cuadrados de los residuos.
Solución: Para hallar la pendiente (b
b) y la ordenada al origen (b
a) de la recta de mínimos cuadrados,
primero debemos observar que x = 1, 5 e y = 10, 8, que se obtienen al promediar.
Recordando la fórmula para la estimación de la pendiente, que es la primera que debemos calcular,
y mirando la tabla con los datos se tiene que:
∑ni=1 (xi − x)(yi − y)

b =
b
∑ni=1 (xi − x)2
(0, 5 − 1, 5)(5 − 10, 8) + (1 − 1, 5)(8 − 10, 8) + · · · + (2, 5 − 1, 5)(16 − 10, 8)
=
(0, 5 − 1, 5)2 + (1 − 1, 5)2 + · · · + (2, 5 − 1, 5)2
13, 5
= = 5, 4
2, 5
Luego, la ordenada al origen se obtiene como:
ab = y − b
bx = 10, 8 − 5, 4.1, 5 = 2, 7
Es decir, la recta de mínimos cuadrados obtenida es:
yb = 2, 7 + 5, 4x
Grafiquemos esta recta sobre el diagrama de dispersión:

Por último, nos piden hallar la suma del cuadrado de los residuos para este estimador. Comple-
tando correctamente la tabla y recordando, se tiene que:
0,5 5 5,4 -0,4 0,16
1,0 8 8,1 -0,1 0,01
1,5 12 10,8 1,2 1,44
2,0 13 13,5 -0,5 0,25
2,5 16 16,2 -0,2 0,04
1,9
Es decir, para la recta de mínimos cuadrados, la SCR = 1, 9.
Observemos que no sólo la SCR para esta recta es más pequeña que para las rectas R1 y R2 sino
también que, por la definición del estimador de mínimos cuadrados, es la SCR más baja que se
puede obtener.
¿Qué nos indican los valores de los coeficientes?

• ab = ordenada al origen = 2,7. Es el punto donde la recta corta al eje vertical, es decir, es la
DFC esperada cuando la dosis es cero.
No es interpretable si el 0 no está contenido en el rango de los valores de X.
• b
b = pendiente = 5,4. Nos dice que por cada mg de aumento en la dosis se espera un cambio
de 5,4 de la DFC.
7.2.1 Ejercicios
1. Para los puntos
(0; 0) , (1; 1) , (2; 3) , (3; 3) , (4; 3)
(a) Determinar cuál de las dos rectas:
• R1 : y = 0, 5 + x
• R2 : y = 0, 3 + 0, 7x
aproxima mejor a los puntos en términos de la SCR.
(b) Hallar la recta de mínimos cuadrados. ¿Cuál es su SCR? ¿Qué relación hay entre esta
SCR con la de las dos rectas anteriores? ¿Qué se puede decir del SCR de la recta de
mínimos cuadrados con respecto al SCR de cualquier otra recta?
2. Para los puntos
(1; 0) , (3; 2) , (5; 4) , (6; 5) , (7; 7)
(a) Determinar cuál de las siguientes rectas mejor aproxima a estos puntos:
i. R1 : y = −1 + x
ii. R2 : y = −1, 5 + 1, 5x
(b) Hallar la recta que mejor aproxima en el sentido de cuadrados mínimos a estos puntos.
3. Para los siguientes datos:
x 8 2 11 6 5 4 12 9 6 1
y 3 10 3 6 8 12 1 4 9 14
determinar la ecuación de la recta que mejor los aproxima en términos de la minimización de

la suma del cuadrado de los residuos.
4. La siguiente tabla tiene la altura y el peso de 6 hombres entre 25 y 29 años de edad:
Altura (metros) 1.83 1.73 1.68 1.88 1.63 1.78

Peso (kg) 79 69 70 81 63 73
Hallar la recta de mínimos cuadrados que mejor ajusta el peso en términos de la altura.
5. Para el siguiente conjunto de puntos
x y
1.0 3.1
1.2 3.6
1.3 4.2
1.5 6.1
1.7 6.2
1.9 7.9
2.2 10.8
se tienen las dos siguientes funciones cuadráticas para aproximar los puntos:
5
C1 : y = x + x2
2
C2 : y = 1 + 2x2
(a) Graficar los puntos (x; y) en un plano cartesiano.
(b) Con colores diferentes, superponer al gráfico anterior las dos funciones cuadráticas C1
y C2 .
(c) Extender la tabla anterior con una columna con los y ajustados obtenidos para la curva
C1 y repetir, en otra tabla, para la curva C2 .
(d) Extender ambas tablas con los residuos y los residuos al cuadrado. Usar esta informa-
ción para calcular la SCR de cada una de las funciones.
(e) En base a toda la información recolectada, ¿cuál de las dos funciones cuadráticas
elegiría para ajustar estos puntos?
6. Para el ejercicio anterior, realice el ajuste mediante una recta de mínimos cuadrados. Para
ajustar los datos, ¿elegiría esta recta o alguna de las dos funciones cuadráticas anteriores para
aproximar estos datos?
7.3 Coeficiente de correlación y coeficiente de determinación

Hasta acá ya vimos que si tenemos que elegir entre todas las rectas posibles para ajustar un conjunto
de datos, la mejor recta entre todas ellas (en términos de minimizar el cuadrado de los residuos) es
la de mínimos cuadrados.
Por otro lado, si bien “el ojo”nos ayuda a proponer que la relación entre dos variables (por
ejemplo, X e Y ) es lineal, la realidad es que no alcanza (la escala de la variables, por ejemplo,
podría sugerirnos mucha o muy poca asociación entre ellas cuando en realidad ocurre lo contrario).
Para poder determinar cuánta asociación lineal hay entre dos variables se definen el coeficiente
de correlación lineal o coeficiente de correlación de Pearson o, simplemente, coeficiente de
correlación (r) y el coeficiente de determinación (R2 ).
Definición 7.1 — Coeficiente de correlación. Para (x1 ; y1 ), (x2 ; y2 ),..., (xn ; yn ) un conjunto
de n pares de datos, se define el coeficiente de correlación de Pearson (r) como:
∑n (xi − x)(yi − y)
r = p n i=1
∑i=1 (xi − x)2 ∑ni=1 (yi − y)2
Propiedades 7.3.1 Algunas propiedades del coeficiente de correlación r son:

1. r mide la fuerza de asociación lineal entre X e Y .
2. −1 ≤ r ≤ 1.
3. r = 0 implica que no hay relación lineal.
4. r = 1 o r = −1 cuando los puntos caen sobre una recta.
5. r tiene el mismo signo que la pendiente.
6. cuanto mayor es el valor absoluto de r, mayor es la fuerza de la asociación lineal.
7. el valor de r no depende de las unidades de medición.
8. el r no distingue entre la variable explicativa (X) y la variable respuesta (Y ): el coeficiente de
correlación entre X e Y es igual al coeficiente de correlación entre Y y X.
Veamos en los siguientes ejemplos cómo son los coeficientes de correlación en cada caso:
1.00
−0.25
1.0 0.0
0.75
−0.50
−0.5
0.5
0.50
−0.75
−1.0
0.0
0.25
−1.00
0.25 0.50 0.75 1.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00
r = 0.999 r = −0.987 r = 0.876 r = −0.706
Observemos que si r está cerca de 1 o de −1 que es lo que interesa, es porque r2 está cerca de 1
(ya que 0 ≤ r2 ≤ 1).
Definición 7.2 — Coeficiente de determinación. Se define como coeficiente de determi-
nación al coeficiente de correlación al cuadrado, es decir, al r2 , también y más usualmente
notado como R2 .
Su cálculo, además de poder obtenerse elevando al cuadrado el coeficiente de correlación r, se
puede utilizar la siguiente expresión:
∑ni=1 (yi − y)2 − ∑ni=1 (yi − ybi )2

R2 =
∑ni=1 (yi − y)2
o bien, si llamamos SCT = ∑ni=1 (yi − y)2 a la “suma de cuadrados totales” y recordando que
SCR= ∑ni=1 (yi − ybi )2 , se tiene que
SCT − SCR
R2 =
SCT
Esta última expresión será la utilizada para su cálculo.

Propiedades 7.3.2 Con respecto al coeficiente de determinación R2 ,
• en términos de su interpretación, diremos que la recta de regresión explica el 100 × R2 % de
la variabilidad de la variable respuesta.
• 0 ≤ R2 ≤ 1.
• R2 = 0 cuando la regresión no explica nada.
• R2 = 1 cuando todos los puntos están sobre la recta, la variabilidad observada de la respuesta
es explicada totalmente por la regresión y la suma de los cuadrados de los residuos es 0.
En la práctica, nunca R2 = 1 salvo que, efectivamente, los datos se encuentren completamente
apoyados sobre una recta. Entonces, ¿cuánto es un R2 grande como para decir que un ajuste lineal
parece razonable? Esto depende mucho del contexto estadístico en el que se encuentre y cómo sean
los datos. Si el R2 es mayor a 0, 8 se podría considerar que el ajuste lineal es bueno.
Ejemplo 7.4 Calcular el coeficiente de determinación para el Ejemplo 7.1.
Solución: Recordemos la tabla obtenida para el estimador de mínimos cuadrados:
0,5 5 5,4 -0,4 0,16
1,0 8 8,1 -0,1 0,01
1,5 12 10,8 1,2 1,44
2,0 13 13,5 -0,5 0,25
2,5 16 16,2 -0,2 0,04
1,9
Recordando que la suma de los cuadrados totales es SCT = ∑ni=1 (yi − y)2 , agregamos a la tabla
anterior la columna (yi − y)2 (con y = 10, 8):
xi yi ybi yi − ybi (yi − ybi )2 (yi − y)2
0,5 5 5,4 -0,4 0,16 33,64
1,0 8 8,1 -0,1 0,01 7,84
1,5 12 10,8 1,2 1,44 1,44
2,0 13 13,5 -0,5 0,25 4,84
2,5 16 16,2 -0,2 0,04 27,04
1,9 74,8
Por último, recordando la definición del coeficiente de determinación se tiene que
SCT − SCR 74, 8 − 1, 9
R2 = = ≈ 0, 975 .
SCT 74, 8
Es decir, como R2 = 0, 975 entonces el ajuste lineal explica un 97,5% de la variabilidad de la
variable respuesta.
Si nos hubiesen pedido el coeficiente de correlación r, además de calcularle la raíz cuadrada al

R2 deberíamos haber estudiado el signo de la pendiente, es decir, el signo de b b, ya que deben tener
el mismo signo. Es decir, a partir del coeficiente de determinación R2 , el coeficiente de correlación
puede calcularse como √
r = signo(b b) R2 .
Ejemplo 7.5 Con toda la información anterior, hallar el coeficiente de correlación de Pearson del
Ejemplo 7.1.
Solución: Ya vimos que R2 = 0, 975 y que b b = 5, 4 y, por lo tanto, signo(b b) es positivo (o 1),
entonces √ p
b) R2 = 1. 0, 975 ≈ 0, 987 .
r = signo(b
Observación: si el signo de b b) =
b hubiese sido negativo (la pendiente era negativa) entonces signo(b
−1.
Sin embargo, ni el R2 ni el r miden el nivel de asociación general de las variables. Veamos para
ello los siguientes ejemplos.
(a) (b) (c)

1.00
1.4
1.0
1.2
0.75
0.5
1.0
0.50 0.0
0.8
−0.5
0.25
0.6
−1.0
0.00
0.4
0.00 0.25 0.50 0.75 1.00 −1.0 −0.5 0.0 0.5 1.0 −1.0 −0.5 0.0 0.5 1.0 1.5
R2 = 0.06 R2 = 0.04 R2 = 0.59

r = 0.24 r = −0.2 r = 0.77
En el gráfico (a) se puede observar que no hay asociación entre la variable explicativa y la
variable respuesta, y esto coincide con lo informado por el R2 . Con respecto al gráfico (b), ante una
relación más bien cuadrática que lineal los coeficientes de correlación y de determinación indican
que no hay relación lineal entre las variables aunque sí puede observarse que existe una asociación
no lineal muy fuerte. En (c) el coeficiente de correlación indicaría una asociación positiva cuando
en realidad se trata de dos grupos de datos.
7.3.1 Ejercicios
1. Para los Ejercicios 1 - 4 de la Sección 7.2, calcular el coeficiente de determinación y el
coeficiente de correlación lineal. ¿Qué porcentaje de la variabilidad total de Y es explicada
por una función lineal de X?
2. En un cultivo se mide la cantidad de bacterias por unidad de volumen cada una hora,
obteniéndose la siguiente tabla de datos:
Horas 0 1 2 3 4 5 6
Bacterias 1 2 4 11 27 75 200
(a) Realizar un ajuste lineal y graficar la recta hallada.

(b) Calcular el coeficiente de correlación. ¿Considera razonable el ajuste lineal para
aproximar estos datos? Justifique.
7.4 Predicción
7.4.1 Predicción directa
Una vez hallados los coeficientes (ordenada al origen y pendiente) de la recta que mejor aproxima
a los datos (la recta de mínimos cuadrados), algo que se puede hacer es, dado un nuevo valor de la
variable explicativa x = x0 , predecir el valor de la respuesta y, es decir, yb.
Importante: las predicciones sólo tienen sentido para valores de x contenidos en el rango
muestral de la variable, es decir, entre sus valores mínimo y máximo.
Ejemplo 7.6 Para el Ejemplo 7.1, predecir la máxima disminución en la frecuencia cardíaca en
una hora (DFC) para una dosis de la droga de 1, 8 mg. Estimar también el valor de DFC para 0, 7
mg. ¿Puede predecirse el valor de DFC para x = 0?
7.4 Predicción 207
Solución: Como la recta de mínimos cuadrados obtenida era yb = 2, 7 + 5, 4x entonces, para x = 1, 8

se tiene
yb = 2, 7 + 5, 4.1, 8 = 12, 42 ,
es decir, la máxima reducción de frecuencia cardíaca predicha es 12, 42.
Para x = 0, 8, como yb = 2, 7 + 5, 4.0, 7 = 6, 48 entonces se puede predecir una DFC de 6,48.
Como x = 0 no se encuentra dentro del rango de los valores posibles de la variable ya que el
intervalo de valores posibles es el [0, 5 ; 2, 5], entonces no tiene sentido realizar predicción para este
valor.
Observación: el coeficiente de determinación R2 también representa la proporción de la vari-

abilidad de los valores de Y que se puede explicar prediciéndolos por una recta en función de los
valores de X. En definitiva, el R2 es una medida de cuán buena es X para predecir Y mediante una
función lineal.
7.4.2 Predicción inversa

De la misma manera, dado un valor de y = y0 se puede predecir el valor de x.
Importante: tal como ocurría antes, esto tiene sentido sólo para valores de y dentro del rango
muestral de esta variable, es decir, entre sus valores mínimo y máximo.
Ejemplo 7.7 Para el Ejemplo 7.1, predecir el valor de la dosis x, es decir, xb, para una DFC de
10, 26.
Solución: Como en este caso y = 10, 26, nos interesa hallar xb tal que
10, 26 = 2, 7 + 5, 4b
x.
Despejando es fácil ver que xb = 1, 4, es decir, el valor de dosis predicha es de 1, 4.
7.4.3 Ejercicios
1. Para el Ejercicio 1 de la Sección 7.2,
(a) predecir qué valor de y se obtendría con un x = 1, 4.
(b) ¿es posible predecir el valor de y para x = 4, 5? Justifique.
(c) predecir el valor de x para un valor de y = 1, 5.
(d) ¿es posible predecir el valor de x para un valor de y = 3, 5? Justifique.
2. Continuando con el Ejercicio 4 de la Sección 7.2,
(a) predecir el peso de un hombre de 27 años y 1.75 m de altura.
(b) predecir la altura de una persona de 28 años y 68 kg de peso.
(c) ¿es posible predecir el peso de una persona de 35 años y 1.82 m? ¿Y de una persona de
26 años que mide 1.90 m?
3. Continuando con el Ejercicio 5 de la Sección 7.2 y en base a la conclusión tomada,
(a) predecir, de la mejor manera posible, el valor de y para x = 1.8.
(b) predecir, de la mejor manera posible, el valor de x para y = 5.
4. Para el siguiente conjunto de puntos:
x y
0 5,1
1 2,7
2 1,6
3 0,3
4 -2,3
5 -4,2
se tienen las dos siguientes rectas:

R1 : y = −1, 2x + 3, 5
R2 : y = −1, 8x + 5
de las cuales una de ellas es la recta de mínimos cuadrados.
(a) Graficar los puntos (x; y) en un plano cartesiano.
(b) Superponerle al gráfico anterior, en lo posible con colores diferentes, las dos funciones
lineales R1 y R2 .
(c) Calcular la suma de los cuadrados de los residuos (SCR) de cada una de las dos rectas.
¿Cuál de las dos rectas es la recta de mínimos cuadrados?
(d) Con la recta elegida, predecir el valor de y para x = 2, 5.
(e) Con la recta elegida, predecir el valor de x para y = 3, 2.
(f) Calcular el coeficiente de correlación.
(g) Calcular el coeficiente de determinación e interpretar.
5. Un gerente de una cadena de servicios desea desarrollar un modelo para predecir las ventas
semanales (en miles de pesos) para sus locales basado en el número de clientes que realizan
las compras. Se seleccionó una muestra de 5 locales y al cabo de una semana se registraron
los siguientes resultados:
Cantidad de clientes 52 44 47 56 59
Ventas (en miles de pesos) 26.00 23.74 24.21 26.58 27.77
(a) Considerando como variable explicativa X a la cantidad de clientes por semana y como
variable respuesta Y las ventas (en miles de pesos) realizadas, realizar un diagrama de
dispersión, es decir, graficar los pares ordenados en el plano cartesiano.
(b) Hallar la recta de mínimos cuadrados. Graficarla en el gráfico del item anterior.
(c) Predecir las ventas semanales que tendrá un local en una semana en la que realizan
compras 50 clientes.
(d) ¿Es posible predecir la cantidad de clientes que comprarán en un local en una semana
si su cantidad de ventas es de $25000? En caso afirmativo, indicar la razón y dar la
predicción. En caso negativo, justificar correctamente.
(e) Calcular el coeficiente de correlación.
(f) Calcular el R2 e interpretar.
8. Elementos de planificación
El objetivo de este capítulo es dar las herramientas fundamentales para poder realizar una planifi-
cación adecuada de actividades de un proyecto. Además, podremos determinar la duración mínima
de dicho proyecto y las tareas que, de atrasarse alguna, demoraría la totalidad del mismo. Para
poder hacer esto, comenzaremos introduciendo algunos conceptos de la teoría de grafos.
8.1 Grafos
Los grafos son usados en las ciencias matemáticas y también en las ciencias de la computación
para describir una estructura de relación entre pares de objetos. Veamos a continuación algunas
definiciones asociadas a grafos, comenzando por su definición formal.
Definición 8.1 — Grafos. Un grafo es un conjunto de objetos llamados vértices o nodos unidos
por enlaces llamados aristas (que podrán ser ramas o flechas). En definitiva, un grafo es un par
G = (V; E) con
V = {vértices o nodos}
y
E = {aristas (ramas o flechas)}.
En general, los grafos pueden clasificarse en dos tipos: grafos dirigidos y grafos no dirigidos.
Definición 8.2 — Grafos dirigidos y no dirigidos. Sean v y w ∈ V dos nodos cualesquiera
del grafo G, entonces
• si (v; w) representa una flecha de v a w, diremos que el grafo es dirigido.
• si (v; w) es sólo una rama, diremos que el grafo es no dirigido. En este caso, tener (v; w)
o tener (w; v) es lo mismo.
Ejemplo 8.1 — Grafo no dirigido. El grafo

210 Capítulo 8. Elementos de planificación
es tal que sus nodos son A, B, C y D, es decir, V= {A; B; C; D} y las relaciones entre los nodos
son (A; B), (A; C) y (B; D), es decir, E= {(A; B); (A; C); (B; D)}. Las relaciones entre los nodos
son ramas sin dirección (no son flechas), entonces el grafo es un grafo no dirigido.
Observemos que en este caso, tener (A; B) es lo mismo que tener (B; A) porque la rama no es una
flecha y, por lo tanto, no importa el orden en que se escriban los nodos.
Ejemplo 8.2 — Grafo dirigido. El grafo
es tal que sus nodos son A, B, C, D y E, es decir, V= {A;B;C;D;E} y las relaciones entre los
nodos son las flechas (A; B), (A; C), (B; D), (D; E) y (E; D), es decir, E= {(A; B); (A; C); (B; D);
(D; E); (E; D)}. Como las ramas que enlazan los nodos son flechas, el grafo es un grafo dirigido.
Definición 8.3 — Camino. Dado un grafo G = (V; E) y dos vértices v y w de V, diremos que
de v a w hay un camino si se puede ir de v a w por ramas de E. Si el grafo es un grafo dirigido,
el camino también es un camino dirigido.
Ejemplo 8.3 — Camino en un grafo no dirigido. Continuando con el Ejemplo 8.1, un camino
de A a D es
(A; B) − (B; D)
8.1 Grafos 211
o, simplemente,
A−B−D

Ejemplo 8.4 — Camino en un grafo dirigido. Continuando con el Ejemplo 8.2, un camino de
A a E es
(A; B) − (B; D) − (D; E)
o, simplemente,
A−B−D−E

Definición 8.4 — Camino simple. Si los vértices involucrados en un camino no se repiten,

diremos que el camino es simple.
Definición 8.5 — Ciclo. Si el principio y final de un camino es el mismo vértice y ningún otro
vértice se repite, diremos que el camino es un ciclo.
Ejemplo 8.5 Un camino que no es simple para el Ejemplo 8.1 es el camino
A−C−A−B−D
ya que el vértice A se repite.

Un ciclo para el Ejemplo 8.2 es
D−E−D
porque los extremos del camino son el mismo vértice (y ningún otro vértice se repite).
Para los grafos dirigidos agregaremos las siguientes definiciones.

Definición 8.6 Si existe un nodo del que sólo parten flechas, a este nodo se lo llama nodo
inicial.
Si existe un nodo al que sólo le llegan flechas, a este nodo se lo llama nodo final.
Ejemplo 8.6 Para el grafo dirigido del Ejemplo 8.2, el nodo A es el nodo inicial y el nodo C es
el nodo final. En este ejemplo en particular, existe un único nodo inicial y un único nodo final, sin
embargo podría haber habido más de uno o ningún nodo inicial y/o final.
Definición 8.7 — Nodos predecesores. Llamamos predecesores de un nodo v a todos los

nodos que tienen flechas que llegan a v.
Observemos que un nodo es nodo inicial si no tiene predecesores, mientras que un nodo es nodo
final si no existe nodo alguno que lo tenga a él como predecesor.
Ejemplo 8.7 En el grafo del Ejemplo 8.2, el nodo A no tiene predecesores (porque ninguna flecha
llega a este nodo), el nodo B tiene como predecesor al nodo A, el nodo C tiene como predecesor al
nodo A, el nodo D tiene como predecesores a los nodos B y E, y el nodo E tiene como predecesor
al nodo D. Esta información puede escribirse en la siguiente tabla:
Nodo Predecesor
A –
B A
C A
D B,E
E D
Supongamos ahora que cada nodo es una tarea y que estas tareas tienen un tiempo de duración
dado.
Definición 8.8 — Duración de un camino. Si cada nodo tiene una duración dada, se define
la duración de un camino como la suma de las duraciones de los nodos involucrados.
Ejemplo 8.8 Supongamos que tenemos el siguiente grafo
Para ir desde A hasta E hay sólo dos caminos posibles: A−B−E y A−C−D−E.
Como la duración de A es 4, la duración de B es 9 y la duración de E es 1, la duración del camino
A−B−E es 4 + 9 + 1 = 14. Como, además, la duración de C es 5 y la duración de D es 2, la
duración del camino A−C−D−E es 4 + 5 + 2 + 1 = 12.
Definición 8.9 — Camino Crítico o Ruta crítica. Se llama camino crítico o ruta crítica al
camino de duración máxima.
Ejemplo 8.9 Para el Ejemplo 8.8, el camino crítico o ruta crítica es el camino A−B−E y la
duración de esta ruta crítica es 14.
Observemos que la ruta crítica no es necesariamente única, ya que podría haber más de un
camino con la misma duración.
En administración y gestión de proyectos, una ruta crítica es la secuencia de elementos o
actividades con mayor duración. Como todas las actividades deben realizarse para poder concretarse
el proyecto, la duración de la ruta crítica determina la duración mínima del proyecto. Cualquier
retraso en un elemento de una ruta crítica afecta a la fecha de término del proyecto. Por el
contrario, las actividades que no forman parte de ninguna ruta crítica tienen un tiempo en que
pueden demorarse para su realización (holgura) sin que esto atrase la totalidad del proyecto.
¿Cómo se halla la ruta crítica?
Existe un método para obtener la ruta crítica de un proyecto, llamado Método de la Ruta Crítica
o CPM por sus siglas en inglés (Critical Path Method), que permite no sólo hallar la ruta crítica,
sino también calcula la duración total mínima del proyecto y la holgura de cada actividad, es decir,
el tiempo máximo de retraso que puede tener una actividad sin que esto modifique la duración total
del proyecto. Los nodos involucrados en una ruta crítica siempre tendrán holgura igual a cero.
Para poder utilizar el Método de la Ruta Crítica se necesita seguir los siguientes pasos:
1. Definir el proyecto con todas las actividades o partes principales.
2. Establecer relaciones entre las actividades. Decidir cuál debe comenzar antes y cuál seguir
después.
8.1 Grafos 213
3. Dibujar un grafo (también llamado diagrama de redes) conectando las diferentes actividades
en base a sus relaciones de precedencia.
4. Definir el tiempo de duración de cada actividad.
5. Utilizando el Método de la Ruta Crítica, identificar la trayectoria más larga del proyecto (ruta
crítica), siendo ésta la que determinará la duración del proyecto.
Una vez realizado el CPM se podrá utilizar el diagrama como ayuda para planear, supervisar y
controlar el proyecto.
En la siguiente Sección explicaremos cómo aplicar e interpretar el Método de la Ruta Crítica.
8.1.1 Ejercicios
1. Considere el siguiente grafo:
(a) ¿Es un grafo dirigido o no dirigido?

(b) Determinar el conjunto de vértices V y el conjunto de ramas E de este grafo.
(c) Hallar un camino que comience en el nodo A y finalice en el nodo F. ¿Se le ocurre otro
camino?
(d) ¿Es posible hallar un ciclo que pase por todos los nodos del grafo?
Sugerencia: comience en el nodo A e intente no repetir nodos hasta llegar nuevamente
a A.
2. Considere el siguiente grafo:
(a) ¿Es un grafo dirigido o no dirigido?

(b) Determinar el conjunto de vértices V y el conjunto de aristas E de este grafo.
(c) Hallar un camino que comience en A y termine en G. ¿Se le ocurre otro camino?
(d) ¿Existe algún nodo del que sólo salgan flechas, es decir, un nodo inicial? ¿Cuál?
(e) ¿Existe algún nodo al que sólo le lleguen flechas, es decir, un nodo final? ¿Cuál?
3. Considere el siguiente grafo
(a) Determinar el conjunto de nodos V y el conjunto de aristas E.

(b) Realizar una tabla con columnas “Nodo” y “Predecesor” como en el Ejemplo 8.7.
(c) Determinar cuáles son los nodos inicial y final del grafo.
(d) Determinar los tres caminos que van desde el nodo inicial al nodo final.
(e) Determinar cuál es la ruta crítica y qué duración tiene.
8.2 Método de la Ruta Crítica

Por simplicidad y para facilitar la representación de cada actividad (o nodo), en el diagrama de redes
(nombre utilizado en administración de proyectos para indicar un grafo que describe actividades,
predecesores y duraciones en un proyecto) utilizaremos los nodos dados de la siguiente manera:
Figura 8.1: Nodos para el diagrama de redes.
con
t Tiempo estimado o duración estimada de la actividad.
IC Inicio más cercano, es decir, lo más temprano que puede comenzar la actividad suponiendo
que todas las actividades precedentes han sido completadas. Cuando se trata de actividades
que tienen más de un precedente, el IC es el mayor de los tiempos de terminación más

cercanos de sus precedentes.
TC Término más cercano, es decir, lo más temprano que puede terminar la actividad. Se calcula
como el tiempo de inicio más cercano más su duración estimada, es decir,
TC = IC + t
TL Término más lejano, es decir, lo más tarde que puede terminar la actividad sin retrasar la
finalización del proyecto. Se obtiene igualando el tiempo de inicio más lejano de la actividad
que sigue inmediatamente. Si la actividad tiene más de una tarea que la siga de forma
inmediata, el TL será el menor de los tiempos de inicio más lejanos de esa actividad.
IL Inicio más lejano, es decir, lo más tarde que puede comenzar la actividad sin retrasar la
finalización del proyecto. Se obtiene como el tiempo de terminación más lejano menos la
duración esperada de la actividad, es decir,
IL = TC − t
H Holgura, es decir, el tiempo máximo que una actividad puede retrasarse sin que esto retrase
la finalización del proyecto. Las actividades contenidas en la ruta crítica tienen holgura cero.
La holgura de una actividad se calcula como
H = IL − IC
o bien
H = TL − TC
Dada una serie de actividades con sus predecedores y sus tiempos de duración, se construirá
un diagrama de redes, es decir, un grafo dirigido. Para que el diagrama de redes tenga el aspecto
necesario para aplicársele el Método de la Ruta Crítica, es necesario que el diagrama sea tal que
exista siempre un único Nodo Inicial y un único Nodo Final (o Nodo Terminal) satisfaciendo las
siguientes condiciones: que desde el Nodo Inicial existan caminos hacia cualquier otro nodo del
grafo y, análogamente, que desde cualquier nodo del grafo exista un camino hasta el Nodo Final.
En caso de que alguno (o ambos) de estos nodos no exista en el grafo original, se agregará una
actividad o nodo “ficticio” con duración 0 (es decir, t = 0) y se verificarán la condiciones. Si el
nodo que debe agregarse es el Nodo Inicial (porque hay más de un nodo inicial), de éste partirán
flechas a todas las actividades sin predecesores. Si se debe agregar un Nodo Final (porque hay más
de un nodo final), a éste le llegarán flechas que partirán de los nodos finales del grafo original.
Una vez aplicado el CPM, la ruta crítica se obtendrá mirando las actividades con holgura cero.
Todos los caminos que van desde el Nodo Inicial al Nodo Final con holguras cero son rutas críticas.
El CPM nos permite hallar todas las rutas críticas posibles y siempre hay al menos una.
Para entender esto mejor, veamos algunos ejemplos.
Ejemplo 8.10 Las siguientes actividades son parte de un proyecto.
Actividad Predecesor Tiempo (Semanas)

A – 6
B A 3
C A 7
D C 2
E B,D 4
F D 3
G E,F 7
1. Construir un diagrama de redes para aplicar el Método de la Ruta Crítica.

2. Aplicar el Método de la Ruta Crítica.
3. ¿Cuál es la ruta crítica?
4. ¿Cuántas semanas tardará todo el proyecto?
5. ¿Cuánto tiempo podría demorarse la actividad B sin que esto modifique la duración total del
proyecto?
Solución:
1. Comencemos construyendo un grafo dirigido con nodos de la forma dada en la Figura 8.1.
Observemos que si un nodo tiene predecedores, a éste le llegarán flechas provenientes de
estos nodos.
Observemos que existe un nodo desde el que se puede llegar a cualquier nodo, es decir, la
actividad A es el Nodo Inicial, y que existe un nodo al que se puede llegar desde cualquier
actividad, es decir, la actividad G es el Nodo Final. Chequeando esto ya podemos decir que
este es el diagrama de redes pedido.
2. Ahora nos piden aplicar el Método de la Ruta Crítica, es decir, completar los 6 casilleros de
cada uno de los nodos. Comencemos agregando los tiempos de duración de cada actividad
(casillero central superior).
Luego, debemos comenzar a completar los casilleros superiores de cada uno de los nodos,
de izquierda a derecha del grafo. Como la actividad A (Nodo Inicial) no tiene predecesores,
su tiempo de IC (Inicio más Cercano) es 0, es decir, podemos completar el diagrama de la
siguiente manera:
Luego, el tiempo de TC (Terminación más Cercano) de la actividad A será 0 + 6 = 6:
Seguimos por las actividades B y C. Ambas actividades pueden comenzar tan rápido como la
actividad A finalice, es decir, sus IC= 6 para ambas actividades:
Los tiempos de TC de cada una de las actividades B y C se calcularán como 6+t, donde t es
el tiempo de duración de cada actividad. De esta manera, el diagrama queda de la siguiente

manera:
Observemos ahora que la actividad E tiene dos actividades predecesoras, por lo que para
completar los casilleros de esta actividad es necesario conocer los tiempos de TC tanto de
B como de D. Por esta razón, completamos primero D siguiendo los pasos anteriores: su
IC es el TC de C (de esta manera IC = 13) y su TC se calcula como TC = IC + t (entonces
TC = 13 + 2 = 15).
Seguimos por la actividad E que ahora podemos completar ya que hemos conseguido toda la
información de sus predecesores. El tiempo de IC de la actividad E será el máximo entre los
TC de sus predecesores, es decir, el máximo entre 15 y 9. De esta manera, IC = 15 para la
actividad E.
Luego, sumamos el tiempo de duración de dicha actividad obteniendo así su TC.
Tal como ocurrió antes, no podemos completar la actividad G hasta que no tengamos toda la
información de las actividades predecesoras, en este caso las actividades E y F. Seguimos
entonces por la actividad F: como tiene una única actividad predecesora, su IC es igual al TC
de su predecedora (es decir, IC = 15) y su TC se consigue sumándole a su IC el tiempo de
duración.
Tal como se hizo con el nodo E, la actividad G se completa observando las actividades E y F
y calculando el máximo de sus TC. De esta manera, el IC de G será el máximo entre 18 y 19.
Luego, sumándole al IC el tiempo de duración de la actividad, se obtiene el TC de G.
Observemos que, llegado a este punto, ya sabemos la duración del proyecto, es decir, la
duración de la ruta crítica, y que se corresponde con el TC del Nodo Final. Es decir, la
duración del proyecto es de 26 semanas. Sin embargo, lo que todavía no tenemos es qué
actividades forman parte de la ruta crítica ni cuál es la holgura de cada actividad.
Ahora nos queda por completar los casilleros inferiores. Este procedimiento se realiza desde
el Nodo Final hacia el Nodo Inicial (es decir, en sentido contrario al anterior). Además, en
lugar de “sumar” se “restará” y en lugar de calcular “máximos”, calcularemos “mínimos”.
Comencemos observando que el tiempo de TL (Término más Lejano) de la actividad G son
las 26 semanas, es decir, su TC. Esto siempre ocurre con el Nodo Final. Completando esta
información en el diagrama se tiene que:
Restando al TC (que en este caso es igual a TL) el tiempo de duración de la actividad, tenemos
el tiempo de IL (Inicio más Lejano), en este caso, IL = TC − 7 = 19. Lo completamos en el
diagrama:
Observemos que hay dos actividades predecesoras de esta actividad. Ambas tendrán como
TL el IL de la actividad G, es decir, TL = 19 tanto para E como para F.
Luego, los IL de cada una de estas actividades se obtendrán como sus TL menos la duración
de dicha actividad. Para la actividad E, IL = TL − t = 19 − 4 = 15, mientras que para la
actividad F, IL = TL − t = 19 − 3 = 16.
Ahora seguiremos por la actividad D. En este caso, como tanto la actividad E como la
actividad F tienen a D como predecesora, el tiempo TL de D se calcula como el mínimo entre
los IL de las actividades E y F, es decir, el mínimo entre 15 y 16. De esta manera, para la
actividad D, TL = 15.
Luego, el IL de la actividad D se obtiene simplemente restándole a TL la duración de la

actividad.
Los nodos B y C eran ambos los IL de las actividades que los tienen como predecesores.
Además, restándoles a cada uno la duración de la actividad, se tienen también sus IL.
Tal como pasaba con la actividad D, la actividad A también tiene dos actividades que la
tienen como predecesora: la B y la C. De esta manera, el TL de la actividad A se calculará

como el mínimo de los tiempos de IL de B y de C, es decir, el TL de A será el mínimo entre
12 y 6, es decir, TL = 6 para la actividad A.
Para calcular el IL de la actividad A, basta con restarle al TL la duración de esta actividad.
Los casilleros que aún no se completaron tienen las holguras de cada actividad. Su cálculo es
muy sencillo y se obtiene como TL-TC, es decir, restando las duraciones de los dos casilleros
de la derecha. Por ejemplo: H = 6 − 6 = 0 es la holgura de la actividad A.
La holgura de la actividad B se obtiene como H = 15 − 9 = 6.
Siguiendo, se tiene que la holgura de la actividad C es H = 13 − 13 = 0, la holgura de la

actividad D es H = 15 − 15 = 0, la de E es H = 19 − 19 = 0, la de F es H = 19 − 18 = 1 y la
de G es H = 26 − 26 = 0.
Con lo que queda por finalizado el Método de la Ruta Crítica.

3. La ruta crítica (que podría ser más de una), se obtiene observando los caminos que van desde
el Nodo Inicial (la actividad A en este caso) hasta el Nodo Final (la actividad G en este caso)
que tienen nodos con holgura 0. Es decir, el camino crítico es
A−C−D−E−G
4. Nos piden la longitud de la ruta crítica o camino crítico. De esta manera, el proyecto tardará
26 semanas (como mínimo) en completarse.
5. Observemos primero que la actividad B no forma parte de ningún camino crítico (en este
caso, del único camino crítico existente). Nos piden la holgura de B. Luego, el tiempo
máximo que podría demorarse la actividad B sin que esto atrase la duración total del proyecto
es de 6 semanas.

Veamos ahora un ejemplo en el que haya que agregar un nodo ficticio.
Actividad Predecesor Duración (Semanas)

A – 3
B – 4
C A 4
D A 3
E A 1
F E 4
G D,F 14
H B 12
I C, G, H 2
1. Realizar un diagrama de redes para aplicar el CPM.

2. Determinar todas las rutas críticas posibles.
3. ¿Cuál es la duración total mínima del proyecto?
Solución:
1. Comencemos primero diagramando un grafo que se corresponda con la tabla.
Podemos ver que si bien hay un nodo al que se puede llegar desde cualquier otro nodo, es
decir, existe un único Nodo Final que se corresponde con la actividad I, hay dos nodos que
no tienen predecesores. Para aplicar el Método de la Ruta Crítica es necesario que exista un
único Nodo Inicial. Por esta razón, agregaremos al grafo anterior un Nodo Inicial ficticio
con t = 0 (es decir, con duración de la actividad 0) de manera que los nodos A y B tengan a
este Nodo Inicial como predecesor. De esta manera, el diagrama de redes apropiado para
aplicarle el Método de la Ruta Crítica es el siguiente:
2. Comencemos con el Método de la Ruta Crítica colocando los tiempos de duración de cada
una de las actividades.
Recordemos que el procedimiento comienza en el Nodo Inicial (en este caso el nodo ficticio
“Ini”) y va al Nodo Final (en este caso la actividad I), completando los casilleros de la parte
superior. El IC del Nodo Inicial es 0. Luego, sumándole el tiempo de duración se tiene el
TC = 0 + 0 = 0.
Luego, las actividades A y B tendrá como IC el TC del Nodo Inicial, es decir, tienen IC = 0.
Terminamos de completar los TC de las actividades A y B sumándoles al IC de cada una su

duración.
Seguimos con las actividades C, D y E que comenzarán tan pronto como la A termine, es
decir, los IC de cada una de ellas son 3.
Luego, completamos los casilleros TC de estas actividades sumándoles a sus IC sus tiempos
de duración.
Observemos ahora que G tiene como predecesores las actividades D y F por lo que es
necesario completar F para poder completar G. La actividad F comenzará tan pronto como la
actividad E termine, por lo tanto tiene IC = 4. Además, sumándole el tiempo de duración de
la actividad F, se tiene TC = 8.
Ahora, para completar el IC de la actividad G deberemos elegir el máximo de los TC de las

actividades D y F, es decir, el máximo entre 6 y 8. De esta manera, la actividad G tiene un
IC = 8 y por lo tanto, sumándole 14 que es su tiempo de duración, tenemos que TC= 22.
Nuevamente, observemos que para completar la actividad I es necesario primero tener

completas todas sus actividades predecesoras, es decir, las actividades H, C y G. Faltaría
entonces completar la actividad H. Como H tiene sólo de predecesora a la actividad B, IC = 4
y por lo tanto, como su duración es de 12 semanas, su TC = 16.
Luego, para completar el IC de la actividad I debemos elegir entre el máximo de las TC de

las actividades H, C y G, es decir, el máximo entre 16, 7 y 22. Entonces, el IC de la actividad
I es 22 y, sumándole su duración, tenemos que su TC = 24.
Ahora comienza el proceso de completar los casilleros inferiores, comenzando desde el

último nodo (Nodo Final) hasta el primer nodo (Nodo Inicial). Para el I, su TC = 24 (que
es la duración total del proyecto). Luego, restamos la duración de la actividad en cuestión
obteniendo así un IL = 22.
Como I tiene como actividades predecesoras a H, C y G, los TL de cada una de ellas serán
iguales al IL de la actividad I.
Luego, para cada actividad H, C y G podemos obtener sus IL restándoles a su TL (en este
caso 22) sus tiempos de duración.
Como G tiene a D y F como actividades predecesoras, los TL de cada una de ellas serán
iguales al tiempo de IL de G.
Y por lo tanto, restando los tiempos de duración de estas actividades, tenemos los IL.
Observemos que no podemos completar la actividad A hasta que no tengamos la información

de todas las actividades que la tienen como predecesora. Por esta razón, seguimos ahora con
la actividad E, que tiene como TL al IL de la actividad F, es decir, TL = 4. Luego, restándole
la duración de esta actividad, tenemos su IL.
También podemos completar la actividad B.
Podemos completar la actividad A teniendo en cuenta que su TL se obtendrá como el mínimo

entre los IL de las actividades C, D y E. De esta manera, la actividad A tiene un TL = 3,
ya que es el mínimo entre 18, 5 y 3. Terminamos de completar esta actividad restándole su
tiempo de duración para obtener así su IL.
Por último llegamos al Nodo Inicial tomando como TL el mínimo entre los IL de las
actividades A y B, es decir, el mínimo entre 6 y 0. Luego, restándole además su duración
(que es 0), se obtiene el IL que faltaba.
Para terminar de aplicar el Método de la Ruta Crítica basta con calcular las holguras de cada
una de las actividades. Recordemos que las mismas se obtienen como TL − TC. Por ejemplo,
para el Nodo Inicial, H = 0 − 0 = 0; para la actividad A, H = 3 − 3 = 0; y para la actividad
B, H = 10 − 4 = 6.
Siguiendo así con los restantes nodos, se da por finalizado el CPM.
3. La ruta crítica será un camino que vaya desde el Nodo Inicial al Nodo Final mediante
actividades que tengan holgura igual a 0. De esta manera, existe un único camino dado por
Ini − A − E − F − G − I .
Cuando se agregan nodos ficticios, como en este caso, se suele dar como resultado final de
ruta crítica sólo a la que tiene las actividades reales. De esta manera, la ruta crítica pedida es
única y es
A−E−F−G−I.
4. La duración total del proyecto es de 24 semanas (ya que siempre es el TC del Nodo Final).

Veamos un último ejemplo.

Actividad Predecesor Tiempo (Horas)

A – 5
B – 2
C A 2
D A 3
E A 3
F B 1
G C,D,E 1
H F 4
1. Realizar un diagrama de redes.

2. Determinar todas las rutas críticas posibles.
3. Calcular la duración total mínima del proyecto.
4. ¿Cuánto tiempo puede demorarse la actividad E sin que esto retrase el proyecto? ¿Y la
actividad F?
Solución
1. Comencemos realizando un grafo con las actividades de la tabla.
Para poder aplicar el CPM es necesario que exista un único Nodo Inicial y un único Nodo
Final. Observemos entonces que las actividades A y B no tienen predecesores, por lo que
agregaremos un Nodo Inicial ficticio del que puedan salir flechas a estas actividades. Además,
como ni el nodo correspondiente a la actividad G ni el nodo correspondiente a la actividad
H pueden jugar el rol de Nodo Final porque no se pueden alcanzar desde cualquier otro
nodo, agregaremos un Nodo Final ficticio al que le lleguen flechas desde G y desde H. De
esta manera, el diagrama de redes apropiado para aplicar el Método de la Ruta Crítica es el
siguiente:
2. Para poder determinar todas las rutas críticas posibles es necesario aplicar el CPM. Por esta
razón, empezaremos agregando los tiempos de cada una de las actividades, recordando que
los nodos ficticios tienen duración t = 0.
El algoritmo comienza colocando el tiempo de IC en el Nodo Inicial en 0. Luego, sumándole

la duración 0 se tiene también que TC = 0 para el Nodo Inicial.
El TC del Nodo Inicial es el IC de las actividades A y B. Luego, sumándoles el tiempo de

duración de cada actividades, conseguimos sus TC.
Sigamos ahora por los nodos C, D y E. Todos ellos tiene tiempo de IC igual a 5, que es el TC
de la actividad A.
Luego, los TC de las actividades C, D y E se obtienen sumándoles a sus IC la duración de

cada actividad.
Para obtener el IC de la actividad G, como ésta tiene tres predecesores, se debe calcular
el máximo entre los TC de las actividades C, D y E. De esta manera, la actividad G tiene
IC = 8.
Sumándole a 8 la duración t = 1 de la actividad G, se tiene que TC = 9.
Observemos que no podemos continuar con el Nodo Final hasta que no tengamos la infor-
mación de la actividad H. Por esta razón, seguimos con la actividad F. Esta actividad tiene
IC = 2 y, como su duración es t = 1, tiene TC = 3.
Seguimos de la misma manera con la actividad H.
Observemos que el IC del Nodo Final se calcula como el máximo entre los TC de los nodos
G y H. De esta manera, el Nodo Final tiene IC = 9. Luego, sumándole su duración que es 0,
resulta que TC = 9.
Ahora seguimos con el algoritmo para completar los casilleros inferiores. Como la duración
máxima del proyecto es de 9 horas, el tiempo de TL del Nodo Final es 9.
Restando ahora el tiempo de duración de esta actividad ficticia, se tiene que su IL es igual a
9.
Los TL de las actividades G y H son iguales al IL del Nodo Final.
Nuevamente, restando la duración de cada una de estas actividades, se tiene el siguiente

diagrama:
Seguiremos completando los TL de las actividades C, D y E. Todas estas actividades tienen

sus Términos más Lejanos iguales al Inicio más Cercano de la actividad G.
Restándoles los tiempos de duración de cada actividad, tenemos los Inicios más Lejanos.
Con esta información podemos calcular el TL de la actividad A, ya que se obtiene como el

mínimo de los IL de las actividades C, D y E. Luego, la actividad A tiene TL = 5.
Restándole su duración, tenemos el IL de la actividad A.
Debido a que aún no contamos con la información necesaria para completar el Nodo Inicial,
seguimos con la actividad F. Esta actividad tiene TL = 5. Además, restándole su duración, se
tiene que su IL = 4.
De la misma manera se sigue con la actividad B.
Luego, el TL del Nodo Inicial se obtiene como el mínimo entre el 0 y el 2. Restándole su

duración que es 0 se obtiene también su IL.
Por último, completamos el diagrama con todas las holguras.
De esta manera, queda por finalizado el Método de la Ruta Crítica.

En este item se nos pedía hallar todas las rutas críticas. Observemos que existen dos caminos
posibles (con holguras iguales a 0) para llegar del Nodo Inicial al Nodo Final, y estos son:
Ini − A − D − G − Fin y Ini − A − E − G − Fin .
Luego, eliminando los nodos ficticios, las dos rutas críticas pedidas son:
A−D−G y A−E−G.
3. La duración total mínima para llevar a cabo el proyecto es de 9 horas.
4. La actividad E forma parte de una de las rutas críticas y por lo tanto el tiempo que puede
demorarse es 0 (su holgura es 0). Sin embargo, la actividad F no forma parte de la ruta crítica
y tiene H = 2, por lo tanto puede demorarse hasta 2 horas sin retrasar la duración total del
proyecto.

En algunas ocasiones no se sabe el “tiempo exacto” que se tarda en realizar una tarea o actividad.
En estos casos se suele tener, en su lugar, un “tiempo optimista”, un “tiempo más probable” y un
“tiempo pesimista”. A partir de esta información, se puede calcular lo que se conoce como “tiempo
esperado” de una actividad como
“tiempo optimista” + 4.“tiempo más probable” + “tiempo pesimista”
“tiempo esperado” = .
6
Luego, el Método de la Ruta Crítica se calcula como siempre pero con los tiempos de las actividades
dados por los “tiempos esperados”.
8.2.1 Ejercicios
1. El departamento de investigación y desarrollo de una empresa planea competir por un gran
proyecto para un nuevo sistema de comunicación. Para la realización de este proyecto, planea
las actividades, sus tiempos de duración (en semanas) y las actividades predecesoras dadas
por la siguiente tabla:
Actividad Predecesor Tiempo (Semanas)

A – 3
B A 2
C A 4
D A 4
E B 6
F C,D 6
G D,F 2
H D 3
I E,G,H 3
(a) Realizar un grafo (o un diagrama de redes).
(b) ¿Cuántos nodos iniciales y finales identifica? ¿Es necesario agregarle al grafo algún
nodo ficticio para aplicarle el Método de la Ruta Crítica?
(c) Hallar todas las rutas críticas.
(d) ¿Cuál es el tiempo de duración total del proyecto?
2. A continuación se presenta un resumen de las actividades que requiere un proyecto para

completarse. El tiempo de duración de cada actividad se encuentra medido en semanas.
Actividad Predecesor Duración (Semanas)
A – 6
B – 8
C A,B 12
D C 4
E C 6
F D,E 15
G E 12
H F,G 8
(a) Realizar un diagrama de redes para poder aplicar el Método de la Ruta Crítica. ¿Es
necesario agregarle algún nodo ficticio? ¿Cuál?
(b) Aplicar el CPM.
(c) Calcular la duración total del proyecto y determinar la ruta crítica.
(d) Indicar cuántas semanas de holgura tiene cada actividad.
3. Las siguientes actividades son parte de un proyecto, con los tiempos de duración medidos en
horas.
Actividad Predecesor Duración (Horas)
A – 4
B A 2
C A 3
D A 1
E B,C 5
(a) Elaborar un diagrama de redes que permita aplicar el CPM.
(b) Aplicar el CPM.
(c) ¿Cuál es la duración total (mínima) del proyecto?
(d) Obtener todas las rutas críticas.
(e) ¿Cuántas semanas de holgura tiene la actividad D?
4. Juan está desarrollando un programa de capacitación de liderazgo para ejecutivos y ha

enlistado la serie de actividades que debe terminar antes de que el programa de capacitación
pueda llevarse a cabo. Las actividades, sus actividades predecesoras y los tiempos (en días)
se dan en la siguiente tabla:
Actividad Predecesor Tiempo (Días)

A – 2
B – 5
C – 1
D B 10
E A,D 3
F C 6
G E,F 8
(a) Elaborar un diagrama de redes para este problema.

(b) En caso de que nada se retrase, ¿en cuántos días podría arrancar con la capacitación de
liderazgo para ejecutivos?
(c) ¿Qué actividades no deben atrasarse para poder comenzar la capacitación de liderazgo
cuánto antes?
5. El proyecto de Ana consta de las actividades dadas en la siguiente tabla, junto con sus
predecesores y la duración de cada actividad medido en días.
Actividad Predecesor Duración (Días)

A – 3
B A 4
C A 6
D B 6
E B 4
F C 4
G D 6
H E,F 8
(a) Construir un diagrama de redes asociado a este proyecto y aplicar el CPM.

(b) ¿Cuánto tiempo le tomará a Ana terminar este proyecto?
(c) ¿Cuáles son las actividades ubicadas en la ruta crítica?
(d) ¿Cuántos días puede atrasarse la actividad E sin que esto cambie la duración total del
proyecto? ¿Y la actividad F?
6. Una firma de contadores públicos requiere las siguientes actividades para realizar una
auditoría:
Actividad Predecesor Tiempo (Días)
A – 3
B A 2
C – 5
D B,C 2
E A 4
F B,C 6
G E,D 5
(a) Realizar un diagrama de redes y aplicarle el CPM.

(b) ¿Cuánto tiempo (mínimo) les lleva realizar la auditoría?

(c) ¿Cuántas rutas críticas hay? ¿Cuáles son?
7. Preparación de una torta. María invitó a sus amigas a tomar el té y juntas decidieron hacer
una torta de manzanas. Una vez comprados los ingredientes, para preparar la torta se deben
llevar a acabo las siguientes actividades detalladas en la receta (indicando entre paréntesis la
duración estimada de cada actividad en minutos):
A. Precalentar el horno. (15 mins)
B. Enmantecar y enharinar la asadera. (5 mins)
C. Pelar y cortar las manzanas. (10 mins)
D. Disponer las manzanas en la asadera. (5 mins)
E. En un bowl, tamizar azúcar y harina. (5 mins)
F. Agregar manteca a la preparación que se encuentra en el bowl. (5 mins)
G. Agregar a la preparación huevos y mezclar. (10 mins)
H. Disponer la preparación sobre las manzanas. (5 mins)
I. Hornear. (20 mins)
En base a la información anterior,
(a) realizar una planificación de tareas. Para ello, crear una tabla con columnas “Actividad”,
“Predecesor” y “Duración (Minutos)”.
(b) construir un diagrama de redes apropiado.
(c) ¿cuánto se tarda en preparar la torta?
(d) ¿qué actividades no deben retrasarse si se quiere que la torta esté lista cuanto antes?
9. Anexo
9.1 Arimética básica
9.1.1 Suma y resta
Las primeras dos operaciones que uno puede hacer con números reales es sumarlos o restarlos.
Ejemplo 9.1 Algunos ejemplos son:
• 3+4 = 7
• 3 − 4 = −1
• −2 − 3 = −5

El único cuidado que hay que tener es cuando la suma o resta está seguida de un número con su
signo dado que las combinaciones ++, +−, −+ o −− no existen. Por ejemplo, 3 + +2, 4 − −2,
−5 + −2 o −6 − +9 no existen. Si el cálculo que se quiere hacer es “al número 3 sumarle 3”,
entonces la cuenta es 3 + 3. Si al número 4 se le quiere restar el número negativo −2, lo correcto es
usar paréntesis para separar los signos de la siguiente manera: 4 − (−2), y su resultado es 6. Si
al número −6 se le quiere restar el número positivo 9, entonces lo correcto es hacer −6 − 9, y su
resultado es −15. Si lo que se quiere es enfatizar el signo + que le correspondería al número 9, lo
correcto es usar paréntesis y hacer −6 − (+9), que obviamente es −15.
Una relación importante que hay entre la suma y la resta y que podría servirnos en algunos
cálculos es que restar un número positivo es exactamente igual que sumar un número negativo.
Por ejemplo, si quiero “al 3 restarle 2”esto sería hacer 3 − 2, que es lo mismo que “al 3 sumarle el
número negativo −2”, o sea, 3 − 2 = 3 + (−2). Otro ejemplo sería −1 − 8 = −1 + (−8).
252 Capítulo 9. Anexo
Propiedad asociativa de la suma

La propiedad asociativa de la suma dice que el modo de agrupar los sumandos no varía el resultado.
En general, matemáticamente, esto se escribe como
(a + b) + c = a + (b + c)
donde a, b y c son números reales. Por ejemplo,
(−3 + 2) + 4 = −3 + (2 + 4)
¿Quiénes son a, b y c en este caso? a = −3, b = 2 y c = 4. Haciendo las cuentas tenemos que
(−3 + 2) + 4 = (−1) + 4 = −1 + 4 = 3
−3 + (2 + 4) = −3 + 6 = 3
que, efectivamente, son iguales.
9.1.2 Multiplicación y división

Notación: el signo de multiplicación puede escribirse de varias maneras: “×”, “. ”o bien “” (es
decir, sin nada). El símbolo × no se usa cuando se hacen cuentas más avanzadas dado que puede
confundirse con la letra x (que se usa, por ejemplo, al resolver ecuaciones). En este libro podrían
aparecer las tres maneras de escribirse las multiplicaciones de manera indistinta. El símbolo “.”se
puede usar siempre sin problemas. En algunas ocasiones, cuando se multiplican números entre
paréntesis o números positivos con cuentas entre paréntesis, el símbolo de multiplicación puede
obviarse. Por ejemplo, 3.(2 − 5) = 3(2 − 5) y (2 − 1).(4 + 3) = (2 − 1)(4 + 3).
Notación: El signo de división puede escribirse como “:”, “/” o como fracción poniendo un
4
número debajo de otro como fracción. Por ejemplo, 4 : 2, 4/2 y representan la misma cuenta.
2
Importante: en matemática nunca se puede escribir una mutiplicación o una división seguido
de un signo − o de un signo +. Para escribir dicha multiplicación o división es necesario poner
un paréntesis (o llave o corchete) que separe la multiplicación del signo. Por ejemplo, escribir
3. − 1 o 4 : +2 es incorrecto. Lo correcto sería escribir 3.(−1) y 4 : (+2). Para la división, no se
puede poner un signo + o − a continuación del símbolo de división “:”o “/”. Por ejemplo, 3 : +4
o −4/ − 2 están mal escritos, lo correcto sería escribir 3 : (+4) o −4/(−2). Sí se puede cuando lo
4 −5
que se tiene es una fracción. Por ejemplo, o sí son correctos.
−2 −3
Ejercicio 9.1 Determinar si las siguientes expresiones son correctas (C) o incorrectas (I):
(a) 3 : −2 (b) 4/3

(c) −4 : +3 (d) − 4/(−2)
7 −5
(e) (f)
3 −10
(g) (−3)/ − 2 (h) (−2) : (+4)
Una relación importante que hay entre la multiplicación y la división que podría ayudarnos
mucho en algunos cálculos es que la división por un número es equivalente a la multiplicación por
1 1
su inverso. Por ejemplo, hacer 3 : 4 es igual que multiplicar 3 por , o sea, 3. . Otro ejemplo sería
4 4
1
−5/8 = −5. .
8
Ejemplo 9.2 Reescribir las siguientes divisiones como multiplicaciones.

(a) −3/4 (b) 7/9
(c) −3 : 5 (d) 0.5/2
(e) −3.9 : 10 (f) 0.1/4

Propiedad asociativa de la multiplicación

La forma matemática de expresar esta propiedad es la siguiente: si a, b y c son números reales,
entonces
(a.b).c = a.(b.c) .
Por ejemplo,
(2.3).4 = 2.(3.4)
¿Quiénes son a, b y c en este caso? a = 2, b = 3 y c = 4. Haciendo las cuentas tenemos que
(2.3).4 = 6.4 = 24
2.(3.4) = 2.12 = 24
que, efectivamente, son iguales.
9.1.3 Los paréntesis

Los paréntesis, llaves y corchetes son la herramienta matemática que nos permite separar números
o cálculos del resto de los elementos que componen la fórmula o cuenta. Nos sugieren, de alguna
manera, el orden en el que se deberían realizar los cálculos. Por ejemplo, si tenemos
(5 − 4) + 3
esto nos indicaría que primero debemos realizar la operación 5 − 4 que es igual a 1 y, a ese resultado,
sumarle 3, es decir,
(5 − 4) + 3 = 1 + 3 = 4
Los paréntesis (o llaves o corchetes) pueden “sobrar”pero nunca faltar. En el caso de que falten,
las cuentas no podrían realizarse o no serían las que queremos realizar. Por ejemplo,
{[(3 + 2) + 1] + 9} − 1 = 3 + 2 + 1 + 9 − 1 = 14
es un ejemplo en el que todos los paréntesis, corchetes y llaves están de más. Sin embargo, toda
la expresión de arriba es matemáticamente correcta. Observemos además que, en este caso, no
hay ninguna multiplicación. Cuando hay multiplicaciones hay que tener un mayor cuidado con los
paréntesis (cuando lo que se encuentra adentro de un paréntesis es un número negativo o hay más
de un número). Por ejemplo,
(3.(4 − 1) − 2) + 1 = 3.(4 − 1) − 2 + 1 = 8
Sin embargo, si sacábamos el paréntesis que quedó, nos daba
3.4 − 1 + 2 − 1 = 12
y, por lo tanto, hubiésemos estado cometiendo un error.
¿Qué ocurre con los números decimales y las multiplicaciones? Un comentario que podría
hacerse es que una cuenta como la anterior (la cuenta 3.4 − 1 + 2 − 1) podría estar indicando que
el 3.4 es el número decimal 3, 4 y no la multiplicación del 3 con el 4 (que es a lo que se refería
en realidad). Y es cierto. Sin embargo, el contexto es el que determinará a qué se refiere 3.4
exactamente.
Ejercicio 9.2 Eliminar todos los paréntesis, corchetes o llaves que están “de más”, es decir, que
su eliminación no modifica el ejercicio original. Hacemos el primero a modo de ejemplo.
(a) {1} + [2 − 3(3 − 4) + 1] − 5 = 1 + 2 − 3(3 − 4) + 1 − 5 (b) {[2 + (3 − 1)] − 1}

(c) [(2)] − 1 + 3 . [(5)] (d) {3 + [(+1) − 4]}
(e) [−1] + {3} − 2(3 − 1) (f) {2[(−1) + 4]}
(g) {2 + (1)} + [3 + (+7)] (h) ([9 + 3]) + (1 + 4)
9.1.4 Signos
En matemática, cualquier número real que sea distinto de 0 puede ser: positivo (o sea, mayor a 0) o
negativo (menor a 0). Por ejemplo: 1.2, π y 20100 son números positivos, mientras que −0.3, −π
y −2012 son números negativos.
Los números reales se pueden representar en la recta numérica como puntos. Por ejemplo, los
números 0.3, −1.5 y 3.4 se verían de la siguiente manera:
Cuando se multiplican o dividen dos números (donde ninguno es 0) el signo del número
resultante puede ser positivo o negativo según la famosa regla de los signos:
• “Más por más es más”, es decir, si los dos números son positivos, el resultado es un número
positivo. Por ejemplo: 3 × 5 = 15, 63/9 = 7.
• “Menos por menos es más”, es decir, si los dos números son negativos, el resultado es un
número positivo. Por ejemplo: −1.(−1) = 1, (−3, 5).(−2, 8) = 9, 8 y (−9) : (−3) = 3.
• “Menos por más es menos” y “Más por menos es menos”, es decir, si uno de los números es
positivo y el otro es negativo, el resultado es un número negativo. Por ejemplo −3 × 9 = −27,
2, 5 . (−1, 4) = −3, 5 y 8 : (−2) = −4.
Ejercicio 9.3 Realizar los siguientes cálculos:
1. 4.(−1) 2. (−3) × (−5)

3. (−6) : 3 4. 6/(−3)
5. 10 . 0, 5 6. 10 : (−0, 5)
7. 4.9 × (−3) 8. −15 : (−3)
9.1.5 Separación en términos

Cuando un cálculo involucra multiplicaciones (o divisiones) o paréntesis (o corchetes o llaves), es
necesario separar en términos para poder alcanzar el resultado correcto. En general, la separación
en términos es un procedimiento que se realiza de “afuera”para “adentro” y que lo que separa en
términos son las sumas o restas. Por ejemplo, si tenemos que realizar el cálculo
(3 − 2) − (5 − 8) + 4
la separación en términos se realiza de la siguiente manera:
(3 − 2) − (5 − 8) + |{z}
4
| {z } | {z }
Luego, habría que realizar dos cálculos antes de proseguir. Deberíamos resolver: 3 − 2 y 5 − 8.
Como 3 − 2 = 1 y 5 − 8 = −3 reemplazamos en cada término según corresponda de la siguiente
manera
(1) − (−3) + 4
¿Qué hacemos ahora con los paréntesis? Los eliminamos teniendo cuidado con los signos, de la
siguiente manera:
1+3+4
¿Hace falta volver a separar en términos? No, porque ya no hay más paréntesis ni multiplicaciones.
El resultado es 8.
Otro ejemplo con multiplicaciones sería:
3(4 − 1) − 2(7 − 3) − 5(8 − 10)
Luego, si separamos en términos tenemos
3(4 − 1) − 2(7 − 3) − 5(8 − 10)

| {z } | {z } | {z }
¿Cómo resolvemos cada uno de los términos? Una manera simple consiste en realizar primero los
cálculo entre paréntesis y luego la multiplicación. Por ejemplo,
3(4 − 1) = 3.(3) = 3.3 = 9
2(7 − 3) = 2.(4) = 2.4 = 8
5(8 − 10) = 5.(−2) = −10
Finalmente, reemplazando en el cálculo original
(9) − (8) − (−10) = 9 − 8 + 10 = 11
Observación: cuando separamos en términos, si los signos de + y − quedan afuera del cálculo,
el resultado que se obtiene al resolver el término debe ponerse entre paréntesis, tal como se hizo en
el ejemplo anterior.
1. 2 − 3(5 − 1) + 7 2. − 1 − 2(4 − 7) − 3
3. 2(3 − 1) − 4(5 − 4) 4. − 7(1 − 2) + 3 − 2(4 − 6)
9.1.6 Propiedad distributiva

La propiedad distributiva es una propiedad que relaciona una multiplicación con sumas y restas. En
términos matemáticos, la propiedad se escribiría de la siguiente manera:
a.(b + c) = a.b + a.c
con a, b y c números reales. Sin embargo, como seguramente esto no es del todo claro, veámoslo
con algunos ejemplos. Supongamos que queremos aplicar la propiedad sobre el siguiente cálculo
2(3 − 4)
En primer lugar observemos que, en este caso, conocemos la respuesta. Como el término que está
entre paréntesis es 3 − 4 y esto es igual a −1, el resultado se consigue multiplicando el número
2 por el número −1 y, por lo tanto, la respuesta es −2. Sin embargo, nos obligaremos a usar la
propiedad distributiva para llegar al resultado (y mostrar cómo se usa la propiedad).
Cuando aplicamos la propiedad distributiva, el número que está multiplicando al término entre
paréntesis se distribuye sobre cada término que se encuentra dentro del paréntesis y que esté
sumando o restando. Es decir, en el ejemplo esto sería
2(3 − 4) = 2.3 − 2.4
Por último, como esto es lo mismo que 6 − 8 = −2, obtenemos el resultado final del cálculo.
Observemos algo importante. El número que estaba multiplicando era un número positivo (era
el número 2), sin embargo ¿qué hubiese ocurrido si el número era negativo? En ese caso, el signo
negativo del número que se encuentra afuera del paréntesis hubiese modificado los signos de todos
los términos que se obtenían tras distribuir. Veamos un nuevo ejemplo. Supongamos que queremos
aplicar la propiedad en la siguente cuenta
−3(−4 + 8)
En este caso, el número que se encuentra afuera multiplicando el paréntesis es el número −3.
Cuando aplicamos la propiedad, el −3 va a multiplicar al número −4 por un lado y va a multiplicar
al +8 por el otro. De esta manera, usando la regla de que “menos por menos es más” y que “menos
por más es menos”, tenemos que
−3(−4 + 8) = +3.4 − 3.8
Para ver bien esto es conveniente ir mirando el signo del término que vamos a obtener antes de
escribir la multiplicación. Luego, terminamos de realizar el cálculo resolviendo la cuenta que
obtuvimos. De esta manera,
−3(−4 + 8) = +3.4 − 3.8 = 12 − 24 = −12
Si bien los dos ejemplos anteriores tenían adentro del paréntesis solamente dos números, la
misma propiedad vale con más números. Por ejemplo, si queremos aplicar la propiedad distributiva
en
3(2 − 1 + 4 − 8)
tenemos que
3(2 − 1 − 4 + 8) = 3.2 − 3.1 − 3.4 + 3.8 = 6 − 3 − 12 + 24 = 15
Pregunta: ¿La propiedad distributiva vale sólo cuando la multiplicación se encuentra a la

izquierda del paréntesis? La respuesta es no. La misma propiedad vale si lo que se está multiplicando
está a la derecha. En términos matemáticos esto sería
(b + c).a = b.a + c.a
y con un ejemplo
(3 − 2 + 1).(−3) = −3.3 + 2.3 − 1.3 = −9 + 6 − 3 = −6
Otra cuenta podríamos tener que resolver es la siguiente
−(3 − 5 + 7)
9.2 Fracciones 257
En este caso, nos interesa sacar el paréntesis y, para ello, hay que tener cuidado con el signo − que
se encuentra adelante. El signo − seguido de un paréntesis funciona igual que tener el número −1
multiplicando. Es decir,
−(3 − 5 + 7) = −1(3 − 5 + 7)
Entonces, si aplicamos la propiedad distributiva
−(3 − 5 + 7) = −1(3 − 5 + 7) = −1.3 + 1.5 − 1.7 = −3 + 5 − 7
Observemos que lo que nos quedó es la cuenta original pero todos los números que se encontraban
adentro del paréntesis tienen los signos cambiados:
−(3 − 5 + 7) = −3 + 5 − 7
Luego, hacemos el cálculo y obtenemos que
−(3 − 5 + 7) = −3 + 5 − 7 = −5
Observación: Si se tienen 2 manzanas y 3 peras, ¿cuántas manperas hay? ¿Cuántas pezanas?
Efectivamente, no se pueden mezclar. Si las manzanas son x y las peras son y entonces 2x + 3y =...
¡a lo mismo porque no se juntan! Sí lo hacen si son la misma “fruta”, por ejemplo 2x + 3x = 5x o
bien 4x − 5x = −x o bien x + 3x − 2y + 7 − 8 = 4x − 2y − 1.
Ejercicio 9.5 1. Realizar los siguientes cálculos de dos maneras diferentes:

• separando en términos y resolviendo primero los paréntesis
(a) 2(5 − 3)
(b) 3(2 − 4) − 2(1 − 9) + (5 + 7) − 6(4 − 2)
(c) 2(2 − x) + 3(5 − 2x) − (y − 1) + 5(3 − 3y)
(d) 4(x − 1) − 3(x − y) + 2(2x − 3y)

9.2 Fracciones
Una fracción es la expresión de una cantidad dividida otra cantidad. A la cantidad que se encuentra
debajo de la línea horizontal se la llama denominador, mientras que a la que se encuentra sobre la
línea horizontal se la llama numerador.
Las fracciones serán números positivos si las dos cantidades que se dividen tienen el mismo
2
signo. Por ejemplo, si dividimos por 3 el número 2, se tiene . Si dividimos el número −15 por el
3
−15
número −7, se tiene . Sin embargo, por la regla de los signos, esto es lo mismo que la fracción
−7
15
.
7
De manera similar, la fracción será un número negativo si las dos cantidades que se dividen
−5
tienen signos opuestos. Por ejemplo, si dividimos el número −5 por el número 4, se tiene . Si
4
5
dividimos el número 5 por el número −4, se tiene . En ambos casos, las dos fracciones son
−4
5
iguales a la fracción − .
4
Por cierto... ¿Se puede dividir por 0? La respuesta es no. Nunca. Lo que sí se puede hacer es
dividir al 0 por un número que, justamente, no sea 0. En todos los casos, el número resultante va a
0 0
ser 0. Por ejemplo, 0/4 = = 0 o bien 0/(−1.3) = = 0. Sin embargo, las expresiones 3/0
4 −1.3
o 0/0 son incorrectas.
9.2.1 Suma y resta

Hay varias maneras para sumar fracciones. En este libro sólo explicaremos una de estas maneras.
Comencemos viendo cómo sumar dos fracciones. Por ejemplo, supongamos que queremos sumar
2 4
+
3 7
Lo primero que debemos hacer es hallar lo que se llama un denominador común. El denominador
común es un número que se puede dividir (y dar un número entero) por los denominadores de
las dos fracciones involucradas. Una manera rápida y sencilla de hallar un denominador común
consiste en multiplicar los denominadores de las dos fracciones involucradas. En este ejemplo, un
denominador común es 3.7 = 21. Usaremos este denominador.
Una vez que hallamos un denominador común, comenzamos a armar la fracción resultante de
la siguiente manera
2 4 ............
+ =
3 7 21
Observemos que la línea horizontal que escribí es bien larga. La razón de esto es que voy a tener
que escribir cálculos en el numerador de esa fracción.
Para obtener el numerador el procedimiento es el siguiente:
1. Al numerador de la fracción resultante le agrego el signo que tiene la primera de las fracciones.
En nuestro ejemplo
2 4 +..........
+ =
3 7 21
2. Divido el denominador común por el denominador de la primera fracción. En este caso sería:
21/3 = 7.
3. A ese resultado lo multiplico por el numerador de la fracción. Luego, en nuestro caso nos
queda 7.2 = 14. El resultado de esa operación lo agregamos al numerador de la fracción
respuesta de la siguiente manera
2 4 +14.......
+ =
3 7 21
Observemos que el signo del número es el signo que pusimos en el paso 1.
4. Luego, agregamos el signo de la cuenta (suma o resta) que deseamos hacer. En nuestro caso
estamos con un suma y por lo tanto ponemos un signo + de la siguiente manera:
2 4 +14 + ....
+ =
3 7 21
5. Repetimos los pasos 2 y 3. Es decir, calculamos 21/7 = 3. Luego, multiplicamos el resultado
por el numerador de la fracción, es decir, 3.4 = 12 y a este resultado lo agregamos al
numerador de la fracción resultante de la siguiente manera:
2 4 +14 + 12
+ =
3 7 21
6. Realizamos el cálculo final, sumando lo que haya quedado en el numerador. En nuestro caso,
2 4 26
+ =
3 7 21
Si tenemos más fracciones el procedimiento se repite hasta recorrer todas las fracciones
involucradas. Por ejemplo, realicemos el siguiente cálculo:
1 5 5
− + −
3 3 2
9.2 Fracciones 259
Lo primero que debemos hacer es hallar un denominador común. Nuevamente, un denominador

común posible es el que se obtiene de multiplicar los tres denominadores comunes de las fracciones,
es decir, 3.3.2 = 18. Sin embargo, cuando alguno de los denominadores está repetido, no hace falta
repetirlo todas las veces que aparezca, con una sola vez alcanza. Es decir, otro denominador común
que podríamos usar es el que se consigue multiplicando 3 por 2, es decir, 6. En esta oportunidad
usaremos el 6 como denominador común. Siguiendo con los pasos indicados anteriormente, lo que
debemos hacer es
1 5 5 ..............
− + − =
3 3 2 6
Luego, ponemos el signo de la primera fracción
1 5 5 −............
− + − =
3 3 2 6
Ahora, hacemos el cálculo de dividir el denominador común por el denominador de la primera
fracción, es decir, 6/3 = 2 y a ese número lo multiplicamos por el numerador de esa fracción, es
decir, 2.1 = 2. A este resultado lo ponemos en el numerador de la fracción resultante de la siguiente
manera
1 5 5 −2..........
− + − =
3 3 2 6
5
Ahora agregamos el signo del siguiente cálculo que queremos realizar, que es sumar la fracción
3
1 5 5 −2 + ........
− + − =
3 3 2 6
Repetimos el procedimiento: dividimos 6 por 3 que da 2 y lo multiplicamos por 5 (el numerador),
dando un total de 10. Luego, lo agregamos en el cálculo de la siguiente manera
1 5 5 −2 + 10......
− + − =
3 3 2 6
Por último, agregamos el signo para el último cálculo
1 5 5 −2 + 10 − ....
− + − =
3 3 2 6
y realizamos el mismo procedimiento: dividimos el denominador comṕor 2. Al resultado (que es 3)
lo multiplicamos por el numerador de la fracción que es 5, dando como resultado el número 15. Lo
agregamos en la fracción
1 5 5 −2 + 10 − 15
− + − =
3 3 2 6
y calculamos la cuenta que falta que es: −2 + 10 − 15 = −7. Luego, esto dice que
1 5 5 7
− + − =−
3 3 2 6
con lo cual damos por finalizado el cálculo.
¿Y cómo hacemos para sumar una fracción con un número entero? Bueno, hacemos lo mismo,
pero escribimos el número entero como la fracción que tiene a ese número en el numerador y al 1
en el denominador. Por ejemplo, si queremos hacer
2
2+
3
2
debemos escribir al 2 como y entonces
1
2 2 2
2+ = +
3 1 3
y procedemos de la misma manera que antes. Tomamos al 3 × 1, es decir, al 3, como denominador
común, entonces ya sabemos que
2 2 .....
+ =
1 3 3
Luego, agregamos el signo de la primera fracción (que es el signo +) y dividimos el denominador
común (3) por el denominador de la primera fracción, es decir, hacemos 3/1 = 3 y luego lo
mutiplicamos por el numerador que es 2, obteniendo 6 de resultado. Luego, colocamos ese
resultado junto con su signo en el numerador de la fracción resultante de la siguiente manera
2 2 +6...
+ =
1 3 3
Luego, repetimos el procedimiento con la siguiente fracción: agregamos el signo de la fracción
(que también es +), dividimos 3 por el denominador de la fracción (3) y al resultado (que es un 1)
lo multiplicamos por el numerador que es 2 obteniendo un 2. Luego, completamos el numerador de
la fracción resultante con esta información de la siguiente manera
2 2 +6 + 2
+ =
1 3 3
y hacemos un último cálculo (la cuenta del numerador) para hallar la fracción resultante
2 2 +6 + 2 8
+ = =
1 3 3 3

2 1 3 2
1. + 2. − +
3 5 5 5
1 2 1 2 4
3. 1+ − − 4. − +2−
2 3 3 3 7
1 1 1 5 10 3
5. − + 6. − −
2 3 5 2 3 2
2 7
7. −2 + 8. 2+ −1
9 2

9.2.2 Multiplicación y división

La multiplicación de fracciones es una operación muy sencilla. Cuando tenemos que multiplicar dos
fracciones, la fracción resultante se obtiene multiplicando numerador con numerador y ubicando el
resultado en el numerador de la fracción resultante, y denominador con denominador, ubicando el
resultado en el denominador de la fracción resultante. Por ejemplo
2 5 10
. =
3 7 21
pues 2.5 = 10 y 3.7 = 21.
Cuando lo que se quiere es dividir fracciones, hay tres maneras diferentes de pensarlo:
9.2 Fracciones 261
1. Usando el producto cruzado. Supongamos que queremos hacer la siguiente división

2 5
:
3 7
Usando la técnica del producto cruzado, lo que se debe hacer es multiplicar el numerador de
la primera fracción por el denominador de la segunda fracción y ubicar el resultado en el
numerador de la fracción resultante.
2 .. 14
& % =
.. × 7 ..
Además, para obtener el denominador de la fracción resultante lo que se debe hacer es agarrar
el denominador de la primera fracción, multiplicarle el numerador de la segunda fracción y
poner el resultado en el denominador de la fracción resultante. Es decir,
.. 5 ..
% × &
3 .. = 15
Uniendo el numerador y el denominador de la fracción resultante tenemos que
2 5 14
: =
3 7 15
2. Convirtiendo la división en una multiplicación. Para hacer esto, la fracción que está divi-
diendo se reescribe multiplicando la fracción “dada vuelta”, es decir, se intercambian el
numerador y el denominador y la operación se cambia por una multiplicación. De esta
manera, convertimos un problema de división en un problema de multiplicación que ya
sabemos resolver. Para el caso del ejemplo, la fracción que habría que dar vuelta por ser la
5 7
que está dividiendo es que pasa a ser . De esta manera, el cálculo se realiza sencillamente
7 5
de la siguiente manera
2 5 2 7 14
: = . =
3 7 3 5 15
3. Si no lo tenemos como : entonces podríamos tener una barra dividiendo las fracciones de la
siguiente manera:
2
3
5
7
En este caso, la estrategia es “multiplicar los números de afuera dividido multiplicar los
números de adentro”. Luego
. 23 . 2.7 14
5
= =
7
3.5 15

11 3 3 2
1. . 2. :
2 13 4 7
1 3 7 2
3. . − 4. − :
2 2 8 3

7 9 1 5
5. − × 6. : −
5 2 3 4
1 4 2 5
7. . 8. − :
2 3 5 2
9.2.3 Simplificación
La simplificación de fracciones se hace cuando el numerador y el denominador poseen factores en
común, es decir, son ambos divisibles por un mismo número. Veamos un ejemplo: supongamos
que queremos simplificar la siguiente fracción
42
30
Nos preguntamos: ¿Hay algún número por el que podamos dividir 42 y 30 y que su resultado sea
entero? La respuesta es sí. Un número por el que ambos se pueden dividir por ser pares es el
número 2. Si dividimos 42 y 30 por el número 2 obtenemos 21 y 15 respectivamente. Luego, la
42 21
fracción y la fracción son fracciones equivalentes, es decir, representan el mismo número.
30 15
Luego, obtuvimos la siguiente simplificación
42 21
=
30 15
Pregunta: ¿Listo o podemos seguir dividiendo el numerador y el denominador? La respuesta es que
podemos seguir dividiendo, en esta oportunidad por el número 3. Si a 21 y a 15 los dividimos por
el número 3 obtenemos 7 y 5 respectivamente. Luego, tenemos que
42 21 7
= =
30 15 5
42 7
En otras palabras, simplificamos la fracción en . Es decir, la fracción quedó simplificada en
30 5
7
5
9.2.4 Ejercicios
1. Simplificar las siguientes fracciones:
14 30 21 126
(a) (b) (c) (d)
10 45 42 315
42 45 225 154
(e) (f) (g) (h)
70 105 375 28
2. Calcular:
1 1 2 2 3 5
(a) + (b) − (c) − +
3 2 5 3 4 2
9 7 3 4 5 7 1 3
(d) − − (e) − − (f) − − +
5 10 2 3 6 3 4 2
• separando en términos y resolviendo primero los paréntesis
1 6
(a) .
3 5
15 14
(b)
21 10
9.2 Fracciones 263

3 1 1
(c) − −2
2 2 3
1 2 3 1 3 1
(d) − − + − − +1
3 9 2
2 2 2
1 5 1
(e) 2− +
2 3 3
1
(f) 2 −x +x+3
2
2 5 2 1 3 1
(g) + x − x−1 − x
3 2 3 3 2 18
9.3 Tabla Normal 265
9.3 Tabla Normal
Función de distribución acumulada de una variable normal estandar.
Zp .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
Bibliografía
Bianco, A. y Martínez, E. (2004) Apunte: Probabilidades y Estadística. Cs. de la Com-

putación. Disponible en http://cms.dm.uba.ar/academico/materias/1ercuat2015/
probabilidades_y_estadistica_C/PyEC.pdf
Ferragina, R. y Rey Lorenzo, G (1999). Mirada al infinito. Editorial UPR - Un Problema

Resuelto.
Kelley, J. (2009). Critical Path Planning and Scheduling: Mathematical Basis. Operations
Research, 9, 3, 296-320.
Kelmansky, D. (2009). Estadística para todos. Ministerio de Educación, Instituto Nacional
de Educación Tecnológica, República Argentina.
Novelli, A. (2004). Elementos de matemática. Edición de la UNLu, Tercera edición.
Orellana, L. (2011). Apunte: Regresión Lineal Simple. Disponible en http://www.dm.uba.

ar/materias/estadistica_Q/2011/1/clase%20regresion%20simple.pdf
Pedraza, J. C. (2010). Ciclo Básico Común - Matemática teórica. Centro de Copiado La

Copia S.R.L.
Puddu, S. (2015) Apunte: Combinatoria. Disponible en http://cms.dm.uba.ar/academico/

materias/2docuat2015/algebra_I/Combinatoria-Puddu.pdf
Santiago, J. (2009). Critical Path Method, Stanford. https://web.stanford.edu/class/
cee320/CEE320B/CPM.pdf
Índice
Camino, 210 Estadística descriptiva, 167

Camino crítico, 212 Eventos, 94
Camino simple, 211 Experimento, 93
Categorías, 191
Ciclo, 211 Factor común, 20
Coeficiente de correlación, 204 Factorial, 78
Coeficiente de determinación, 204 Fracciones, 257
Combinación, 85 Función de densidad, 135
Conjuntos numéricos, 9 Función de distribución acumulada, 112
Covariable, 197 Función de probabilidad, 94
Cuartiles, 173 Función de probabilidad puntual, 109
Función escalonada, 114
Desvío estándar, 126 Funciones, 46
Desvío estándar muestral, 175 Funciones cuadráticas, 59
Diagrama de dispersión, 197 Funciones lineales, 53
Diagrama de redes, 213–215 Funciones partidas, 68
Diagrama de Venn, 97
Gráfico circular, 192
Distancia intercuartil, 176
Gráfico de barras, 192
Distribución binomial, 129
Gráfico de sectores, 192
Distribución normal, 144
Gráfico de torta, 192
Distribución normal estándar, 145
Grafo dirigido, 209
Distribución uniforme, 139
Grafo no dirigido, 209
Divisor, 14
Grafos, 209
Ecuaciones, 22
Inecuaciones, 32
Ensayos Bernoulli, 129
Intervalos, 26
Espacio muestral, 93
Espacio muestral equiprobable, 94 Leyes de De Morgan, 100
Esperanza de una variable aleatoria discreta,
123 Método de la Ruta Crítica, 214
270 ÍNDICE
Media α−podada, 170 Variable aleatoria continua, 134

Media muestral, 168 Variable explicativa, 197
Mediana muestral, 169 Variable respuesta, 197
Medidas de centralidad, 168 Variables cualitativas, 191
Medidas de dispersión, 174 Variables cuantitativas, 168
Medidas de posición, 168 Variación, 81
Medidas de posición central, 168 Varianza de una variable aleatoria discreta, 125
Medidas de posición no centrales, 171 Varianza muestral, 175
Modelo de regresión lineal, 198
Muestra, 167
Nodo final, 211

Nodo inicial, 211
Observación, 168
Ordenada al origen, 53
Partición, 68
Pendiente, 53
Percentiles, 171
Permutación, 78
Población, 167
Potenciación, 10
Predicción, 206
Predicción directa, 206
Predicción inversa, 207
Primer cuartil, 173
Primos, 15
Probabilidades, 93
Productorias, 18
Promedio, 168
Puntos en el plano, 45
Radicación, 11
Rango de una variable aleatoria, 107
Rango muestral, 174
Recta de mínimos cuadrados, 201
Regla del producto, 75
Residuos, 199
Ruta crítica, 212
Sucesos, 94
Sumatorias, 16
Tercer cuartil, 173
Unidad de análisis, 168
Vértice, 59
Valor absoluto, 25
Variable, 168
Variable aleatoria, 107

FTC PrimeraEdicion

Cargado por

Información del documento

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

FTC PrimeraEdicion

Cargado por

Copyright:

Formatos disponibles

Fundamentos de Técnicas Cuantitativas

Archivo Digital: descarga y online

1. Matemática. 2. Probabilidades. 3. Estadísticas. I. Título.

5 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

6 Estadística descriptiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

7 Regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

8 Elementos de planificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

1.1 Conjuntos numéricos

1.2 Potenciación y radicación

En el caso de potenciaciones, el uso de paréntesis es necesario para poder diferenciar dos

El término de la izquierda es equivalente a hacer (−1).(−1) = 1. Por el contrario, el término de la

Definición 1.2 — Radicación. Es un caso particular de la potenciación en la que el exponente

Por último, una propiedad que suele ser interés es la siguiente:

1.2.2 Propiedades de la potenciación y la radicación

(5 − 7x3 )(5 − 7x3 ) = 25 − 35x3 − 35x3 + 49x3 x3

25 − 35x3 − 35x3 + 49x3 x3 = 25 − 70x3 + 49x6 .

(a) (2 + a)2 (d) (−2m + 3)3

(a) (3c − 2b) (3c + 2b) (b) (8 + 4x) (8 − 4x)

Recordemos a qué se llama número primo.

(a) 5 (b) 6 (c) 45

Ahora podremos definir el concepto de factorizar un número natural.

(a) 6 (b) 8 (c) 45

(a) 10 (c) 30 (e) 105

(b) 21 (d) 20 (f) 330

1.4 Sumatorias y productorias

es decir, el resultado sería 10.

c) sumemos desde el tercero al quinto elemento:

Entonces la respuesta es 54.

En general, lo que estamos haciendo es

Ejemplo 1.9 Calcular la siguiente suma

En algunos casos podría no tenerse la expresión genérica, si es que existe alguna.

Solución: ¿Cuál es el término y3 ? y3 = 3, 1. ¿Y el y8 ? y8 = −5. Resolvamos ahora los items.

2. Expresar como sumatoria las siguientes expresiones:

4. Considerando la siguiente tabla:

(a) Calcular el promedio de los datos, es decir,

(b) Calcular la medida de variabilidad de los datos dada por

6. Para la tabla del Ejercicio 3., calcular

1.5 Caso de factoreo: factor común

Si sacamos “factor común” a = 2 nos queda

(a) 2x + 2y (f) 2x2 − 18

(c) xy2 + x2 y2 (h) 9a2 b2 − 3ab2 + 27a3 b3

(d) 3x2 + 21x + 36 (i) 3 (x + 1) (x + 2) − 3 (x + 1)

(e) 4x − 16x2 (j) (ab − 1)(a + b) − (ab + 1)(a + b)

Luego, las soluciones son x ∈ {3}.

En definitiva, hay dos soluciones posibles y por lo tanto x ∈ {1; −2}.

¿Qué hacemos en el caso de tener una división?

Sabemos que las soluciones se consiguen haciendo x − 1 = 0 o x + 2 = 0 y por lo tanto,

1.6.1 Valor absoluto o Módulo

Solución: Hay dos maneras de conseguir |2x − 1| = 3:

Luego, debemos resolver dos pequeñas ecuaciones: 2x − 1 = 3 y 2x − 1 = −3.

2. Resolver las siguientes ecuaciones verificando el/los resultado/s obtenidos:

(a) (x − 3)(x + 1) = 0 x+4

3. Escribir como ecuación las siguientes expresiones y resolverlas.

(a) |x| = 7 (f) |2x + 3| = −1

(c) |x + 1| = 5 (h) |2(x − 1) + x| = 4

(e) | − 2x − 8| = 4 (j) | − 2(x + 1) + x(x − 2) − x2 | = 6

5. Escribir como ecuación las siguientes expresiones y resolverlas.

Observemos que tanto a como b pertenecen al intervalo.

Si a = −∞, entonces va paréntesis. Por ejemplo, (−∞; 9) y su representación gráfica es

¿Qué se puede hacer con los intervalos?

a) A = [−1; 3] y B = (0; 5). Representemos los dos intervalos en la recta real

b) A = (−∞; 4) y B = (−2; +∞). Representemos los dos intervalos en la recta real

En este caso, A ∩ B = (−2; 4).

En este caso, el único elemento en común es el punto 4 (que se encuentra en ambos