ndice General
Pg. N
1. Introduccin: Anlisis Combinatorio, tcnicas de conteo .......................................................................................... 03 2. Permutaciones: simples y circulares ............................................................................... ........... 10 3. Introduccin a la Probabilidad: espacios muestrales ........................................................................................ .. 1 !. "e#inicin de probabilidad en espacios muestrales #initos .......................................................................................... 22 $. Practica Cali#icada %& 01 .......................................................................................... 2
'. A(iomas de probabilidad: propiedades ..................................................................................... .... 2) . Probabilidad condicional: *eorema de la multiplicacin .................................................................................. ..... 33 ). *eorema de la Probabilidad total: *eorema de +ayes ....................................................................................... !3
,. -ariables Aleatorias "iscretas ....................................................................................... $3 10. .(amen de la I /nidad 0ormati1a ....................................................................................... $, 11. -ariables Aleatorias Continuas ........................................................................................ . '0 12. "esi2ualdad de *c3e1ic3e1 ....................................................................................... . ' 13. "istribucin +inomial ....................................................................................... 0 1!. "istribucin de Poisson ....................................................................................... 1$. practica cali#icada %& 02 ....................................................................................... )1 1'. "istribucin %ormal ...................................................................................... )2 1 . *eorema central del 4imite ..................................................................................... ))
SESION 01 INTRODUCCIN
.l trmino Estadstica tiene di1ersos si2ni#icados, dependiendo del modo en 5ue se emplee6 as7 pues, para un pol7tico, estar relacionado con al28n tipo de rcord nacional o re2ional6 un cient7#ico lo relacionar con al2una tcnica ms o menos so#isticada de prueba de 3iptesis6 para un matemtico, este trmino estar relacionado con al2una #rmula empleada para estimar al28n parmetro de una 1ariable aleatoria. *odos estos si2ni#icados se a2rupan para #ormar esta ciencia, rama de las matemticas, la cual se #undamenta bsicamente en la teor7a de probabilidades. Antes de tratar de discutir este tema, ser con1eniente re1isar al2unas de#iniciones: Steel y Torrie dicen 5ue la estad7stica 9es la ciencia, pura y aplicada, 5ue se encar2a de crear, desarrollar y aplicar tcnicas, de tal manera 5ue la incertidumbre de las in#erencias inducti1as pueda ser e1aluada9. Segn Lewis, 9ciencia y tcnica 5ue se ocupa de reunir, anali:ar y resumir datos y de estimar la probabilidad de la in#erencia 5ue se 3a2a con dic3os datos9. Toro, de#ine a la estad7stica como 9ciencia 5ue tiene por ob;eto a2rupar metdicamente todos los 3ec3os 5ue se presten a una 1aluacin numrica9.
Toro , de#ine a la bioestad7stica como 9parte de la biolo27a 5ue aplica a los seres 1i1ientes los mtodos estad7sticos y el clculo de probabilidades9. La Estadstica, particularmente desde el punto de 1ista aplicado al mtodo cient7#ico, es una ciencia ;o1en pudindose estudiar desde dos aspectos: el descripti1o y el in#erencial: La Estadstica Descriptiva. se ocupa de la representacin ob;eti1a de la in#ormacin <datos= colectada6 para esto se re5uiere al menos de un m7nimo de conocimientos tericos, as7 como de bastante 3abilidad para comunicar en #orma clara un mensa;e deseado, 3aciendo uso de #i2uras, 2r#icas, tablas, dibu;os, etc. La Estadstica Inferencial. trata de lo concerniente a la
obtencin de deducciones de una parte al todo, desarrollando para esto las tcnicas de muestreo, las tcnicas de estimacin y las tcnicas de prueba de 3iptesis. Para lle2ar a la parte aplicada, y principalmente para conocer las bases sobre las 5ue descansa esto, se necesita tener al menos un concepto somero acerca de mediciones, l2ebra de con;untos, probabilidades, 1ariables, #unciones, densidades, distribuciones y de l7mites de con#ian:a en la estimacin de parmetros o constantes poblacionales. 4os ob;eti1os 5ue e(pone >?enter para un curso de este estilo, parecen muy apropiados para #inali:ar este cap7tulo de introduccin: Introducir a los estudiantes en el len2ua;e y #iloso#7a de la estad7stica. relacionarlos con los tipos de problemas 5ue pueden ser conducidos a soluciones estad7sticas. Presentar su#iciente tcnica estad7stica para 5ue los estudiantes puedan traba;ar al2unos tipos estndar de problemas.
@abilitar a los estudiantes para 5ue puedan leer y comprender los resultados sumari:ados de e(perimentos estad7sticos lle1ados a cabo por otros in1esti2adores. puede ser 5ue al2unos nunca ten2an 5ue lle1ar a cabo un e(perimento por s7 mismos, pero puede ser 5ue ten2an 5ue leer acerca del traba;o de otros en 9Aournals9.
E em!"o #:
Para el con;unto Da, b, cE e(isten las si2uientes permutaciones: Folucin: Abc, acb, bca, bac, cab, cba B ' P3 B 3C B '
E em!"o $:
.n una asamblea de accionistas, 3ay ' personas 5ue 3an solicitado 3acer uso de la palabra G.n cuntas rdenes di#erentes pueden 3ablar, si es 5ue no se 3a establecido un orden de prioridadesH Folucin:
8
P' B 'C B 20 #ormas distintas
E em!"o %:
.n un proceso de manu#actura 3ay seis operaciones distintas, 5ue se indican con A, +, C, ", . y 0. .n 2eneral no e(iste una secuencia #i;a para las operaciones, con la sal1edad de 5ue A debe e#ectuarse al principio y 0 al #inal. GCuntas secuencias di#erentes pueden ocurrirH Folucin: A & C ' E ( P! B !C B 2! #ormas di#erentes Cuando se toman parte de los elementos del con;unto se tiene: Pn,r B
n! ( n r )!
E em!"o ):
Fi : n B $ P$,3 B y rB3
5! 5! 120 = = = 60 (5 3)! 2! 2
E em!"o *:
@ay candidatos para desempeIar 3 tareas, si todos los candidatos son i2ualmente e#icientes, G"e cuntas maneras se puede e#ectuar la asi2nacinH Folucin:
9
7! 7! 7.6.5.4! = = = 210 (7 3)! 4! 4!
,3
E em!"o +:
"e cuntas maneras 3 #resadoras, ! tornos, ! taladros y 2 cepillos pueden ordenarse en #ila en un taller, de modo 5ue el mismo tipo de m5uina 5ueden ;untas. 30 P3 B 3C !* P! B !C !* P! B !C 2C P2 B 2C
Com,inaciones :
/na combinacin de J n K elementos tomados de J r K en J r K es un subcon;unto no ordenado de JrK elementos con r L n. 2 combinaciones #ormadas por r elementos son distintas, si di#ieren al menos en un elemento.
E em!"o #:
Fea el con;unto Da, b, cE de cuntas maneras podemos seleccionar: a= b= un elemento dos elementos
10
c= tres elementos
10
Folucin: a= b= c= .(isten 3 #ormas de seleccionar un elementos: a6 b6 c. .(isten 3 #ormas de seleccionar dos elementos: ab, ac, bc .(iste 1 #orma de seleccionar 3 elementos: abc
Notacin: nCr6
n r
n! r!( n r )!
E em!"o : Fi n B 10
10 C7 =
rB
E em!"o $:
.l con2reso an2lome(icano de administracin p8blica, debe ele2ir el #uturo comit e;ecuti1o 5ue re2ir a esa institucin durante el pr(imo aIo. 4a comisin directi1a se #orma con ' inte2rantes y este aIo 3an sido propuestos representantes me(icanos y ! in2leses para ser electos. Fe
11
11
pide determinar de cuntas maneras se puede inte2rar la comisin en los si2uientes casos: a= b= Fi en la comisin debe 3aber ! me(icanos y 2 in2leses. Fi en la comisin debe 3aber como m7nimo 2 in2leses y 2
me(icanos. Folucin:
7 C4 =
a=
7! = 35 4!.3!
4! =6 2!.2!
7 C4
Con;untamente :
4 C2
B 3$ ( ' B 210
b= 1= 2= 3=
B ' ( 3$ B 210
210 M 1!0 M 21 B 3 1
E em!"o %:
.n los laboratorios J.4NOK 3ay 3 pla:as 1acantes de un total de 33 solicitudes de empleo, slo 1! se 3an considerado aceptables, en bases
12
12
en las entre1istas practicadas por el departamento de personal. G"e cuntas maneras pueden asi2narse las 3 pla:asH a= Fi todos los empleos son de la misma cate2or7a
b=
para las ciudades de Puebla y *la(cala y otro de a2ente 1isitador para las ciudades de *ampico y Cd. Padero. Folucin: a=
14 C3 = 364
b=
14 P 3
13
13
posibilidad de 1ariar el orden de entre2a de material a cada 3ospital, entonces de cuantas #ormas distintas se entre2a el material. !. Cuntos ob;etos distintos deben e(istir para 5ue el n8mero de combinacin 5ue se puede #ormar , tomndolos de 2 en 2 sea i2ual a ' 1eces el n8mero de ob;etos $. Calcular :
SESION 02
COM&INACIONES
An."isis Com,inatorio Princi!io (undamenta" de" Conteo:
14
14
Fupon2a 5ue una persona tiene 2 #ormas de ir de una ciudad A a otra ciudad +6 y una 1e: lle2ada a +, tiene 3 maneras de lle2ar a otra ciudad C, G"e cuntas maneras podr reali:ar el 1ia;e de A a C pasando por +H
Fi empe: a pie, podr tomar lue2o a1in, carro o trasatlntico, y si empe: en bicicleta, tambin podr tomar a1in, carro o trasatlntico. 4a persona tu1o ' #ormas di#erentes de reali:ar el 1ia;e 5ue son: <iniciales= pa, pc, pt, ba, bc, bt. <2 ( 3 B '= Fe puede representar en un dia2rama de rbol
Por lo 5ue el principio #undamental del anlisis combinatorio, puede e(presarse as7: Fi una primera decisin, operacin o accin puede e#ectuarse de a #ormas di#erentes, una se2unda accin puede e#ectuarse de b #ormas di#erentes, una tercera accin puede e#ectuarse de c #ormas di#erentes y as7
15
15
sucesi1amente 3asta la ensima accin 5ue puede e#ectuarse de : #ormas di#erentes, entonces el n8mero total de #ormas di#erentes 5ue pueden e#ectuarse estas n acciones es i2ual con: a ( b ( c ( ... ( : .ste principio tambin se llama principio del anlisis combinatorio principio multiplicati1o.
E em!"o %:
4a a2encia de Publicidad PIPFA, 3a obtenido la e(clusi1idad respecto a una l7nea de pol1os para preparar postres. A estos e#ectos la a2encia 3a decidido or2ani:ar un concurso nacional destinado a adi1inar el nombre #uturo de esa l7nea de productos. 4as condiciones son: a= b= c= 4os nombres 5ue se propon2an deben ser de ! letras. %in2una letra debe repetirse. 4a primera y tercera letras deben ser consonantes.
16
d= e=
16
4a se2unda y cuarta letras deben ser 1ocales. Fi una persona propone 2 1eces el mismo nombre 5ueda
descali#icada. GCuntos nombres debe proponer una persona para estar se2uro 5ue participa en el sorteo p8blicoH Considerar $/ "etras de" a"0a,eto Folucin: 23 ( $ ( 22 ( ! B 10,120 nombres di#erentes GPor 5u esos n8merosH Por5ue 3ay 2) letras del al#abeto, 23 consonantes y $ 1ocales, pero se disminuy de 23 a 22 en la primera y tercera ci#ra por5ue una de las condiciones es 5ue las letras no se repitan. As7 como $ y ! en la se2unda y cuarta ci#ras, 5ue son las 1ocales.
Notacin (actoria"
.n al2unos problemas de matemticas se nos presentan multiplicaciones de n8meros naturales sucesi1os tal como: ! ( 3 ( 2 ( 1 B 2! 6 3(2(1B' 6 2 ( 1 B 2. Para abre1iar estas e(presiones, se usa una notacin especial llamada notacin #actorial y nos denota las multiplicaciones sucesi1as de n 3asta l y se de#ine como: ! ( 3 ( 2 ( 1 B !C 3 ( 2 ( 1 B 3C Fe lee: Jcuatro #actorialK o o J#actorial de cuatroK Fe lee: Jtres #actorialK J#actorial de tresK
En t1rminos 2enera"es:
n<nQ1=<nQ2=...( 2 ( 1 B nC Fe lee Jn #actorialK o J#actorial de nK
17
17
Propiedades: a= para n natural nC B n<nQ1=C E em!"o: C B b= 1= 2= 3= 0C B 1 $C B $ ( ! ( 3 ( 2 ( 1 B 120 !C 3C B <2!=<'= B 1!! E em!"os: ( 'C B ( ' ( $ ( !C
!=
E em!"o:
"eterminar $0C por Ftirlin2:
18
18
19
19
SESION 03
Calcula el n8mero de sub2rupos de 1, 2, 3, etc. elementos 5ue se pueden establecer con los 9n9 elementos de una muestra. Cada sub2rupo se di#erencia del resto en los elementos 5ue lo componen o en el orden de dic3os elementos <es lo 5ue le di#erencia de las combinaciones=. Por e em!"o, calcular las posibles 1ariaciones de 2 elementos 5ue se pueden establecer con los n8meros 1, 2 y 3. A3ora tendr7amos ' posibles pare;as: <1,2=, <1,3=, <2,1=, <2,3=, <3,1= y <3,3=. .n este caso los sub2rupos <1,2= y <2,1= se consideran distintos.
SESION 04 INTRO'UCCI4N A LA PRO&A&ILI'A'
A5ar - 'esconocimiento6
.l a:ar est relacionado con el desconocimiento. /n e;emplo nos puede ayudar6 piense en un proceso industrial 5ue produce 2randes cantidades de un art7culo determinado. %o todos los art7culos producidos son idnticos, cada art7culo puede cali#icarse como RRbuenoSS o RRde#ectuosoSS. Fi
20
20
de toda la produccin se esco2e un art7culo RRa cie2asSS, ese art7culo puede resultar bueno o de#ectuoso. .sta es una situacin a:arosa <o aleatoria= y la parte esencial de este a:ar es 5ue no sabemos si el art7culo seleccionado es de#ectuoso. Claro 5ue con e(periencia en el proceso es posible cuanti#icar de una manera numrica 5u tan #actible es 5ue el art7culo sea de#ectuoso o no.
A5ar e incertidum,re6
@ay otro concepto asociado al a:ar y es el de incertidumbre. -eamos un e;emplo. Tespecto a una in1ersin, podemos estar contemplando in1ertir una cantidad de dinero. .l retorno sobre la in1ersin puede ser #i;o, como en el caso de una cuenta en un banco con inters #i;o6 pero pensemos en una empresa. .l ne2ocio puede resultar desde un 2ran (ito 3asta un #racaso, es decir, la 2anancia no es #i;a, sino 5ue depende del (ito a obtener. Fi no podemos e1aluar 5u tan #actible es cada monto posible de la 2anancia, tenemos una situacin de incertidumbre. Por el contrario, si podemos tener una idea de 5u tan probables son los di#erentes resultados y entonces tendremos una situacin de ries2o. .sta 8ltima es la 5ue llamamos aleatoria o a:arosa.
21
21
ESPACIO MUESTRAL6
.l espacio muestral es el con;unto de todos los posibles resultados de un e(perimento o situacin aleatoria. Fi en una ca;a 3ay 10 man:anas y 2 estn ec3adas a perder <Ual menos en este momentoC=, al e(traer tres man:anas y 1er cuantas son buenas podemos obtener 1, 2 o 3 buenas <U0 buenas es imposibleC=. "e modo 5ue en este e;emplo el espacio muestral es: D 1, 2, 3 E. Fi un ;ue2o consiste en tirar todos los 1olados 5ue 3a2an #alta 3asta obtener tres 2uilas se2uidas o 3asta 5ue sean 1$ 1olados, si nos #i;amos en el n8mero de 1olados re5ueridos, el espacio muestral es: D 3, !, $, . . . , 1$ E. Pero si nos #i;ramos en el n8mero de soles 5ue resultan, entonces el espacio muestral es: D 0, 1, 2, . . . , 1$ E. .s claro 5ue para determinar el espacio muestral en un e(perimento aleatorio es necesario entender per#ectamente: Vu se 1a a 3acer. Vu se 1a a obser1ar o contar.
SUCESOS O E3ENTOS6
Cuando se tiene un espacio muestral llamamos, #ormalmente e1ento a cual5uier subcon;unto del espacio muestral.
22
22
"ecimos 5ue un e1ento se reali:a, cuando el resultado del e(perimento aleatorio es un elemento del e1ento. 4as dos de#iniciones anteriores son muy abstractas. -eamos un par de e;emplos. .n el caso de contar cuantos 1olados 3acen #alta para conse2uir tres 2uilas se2uidas o tirar 1$ 1olados6 el espacio muestral son los n8meros: 3, !, $, . . . , 1$. /n e1ento podr7a ser D 3, $, , . . . , 1$E. .ste e1ento corresponde a 5ue el n8mero de tiros necesario sea n n. Fi al 3acer los 1olados los resultados #ueran: AAFAAFFFAAA <a5u7 nos detenemos por5ue 3an ca7do ya, tres 2uilas se2uidas=, el e1ento si se reali: por5ue el n8mero necesario #ue 11 y es n n . FFFAAA <a5u7 paramos por5ue ya 3ay tres 2uilas=, el e1ento no se reali:. Podemos pensar 5ue cada e(perimento al a:ar es un ;ue2o y 5ue un e1ento es una lista de los resultados 5ue 3acen 5ue WO 2ane. Otro e;emplo ms. Al comprar llantas para mi auto, puede ser 5ue mani#iesten un de#ecto de #abricacin dentro del per7odo de 2arant7a total y 5ue el #abricante deba reponerlas. *ambin puede pasar 5ue el de#ecto se mani#ieste en el per7odo de 2arant7a parcial y 5ue el #abricante boni#i5ue slo un porcenta;e o 5ue el de#ecto se mani#ieste despus de 1encido el per7odo de 2arant7a en cuyo caso el #abricante no pa2a nada. *ambin puede pasar 5ue las llantas no ten2an de#ecto de #abricacin aparente y 5ue no 3aya 2arant7a 5ue reclamar. Como se puede considerar 5ue las
23
23
llantas 5ue me 1endieron se esco2ieron al a:ar de entre toda la produccin, tenemos un e(perimento aleatorio. .l espacio muestral en este e(perimento es: F B D *, P1, P2, P3, %, ON E. Con la si2uiente notacin *: pa2o total, P1 pa2o del $0X, P2: pa2o del 30X, P3: pa2o del 10X, %: nada de pa2o, ON: llantas sin de#ecto. .l e1ento D ON E slo se reali:a cuando las llantas no tienen de#ecto. .n este 8ltimo e;emplo se tiene un e1ento simple por5ue consta de un solo punto del espacio muestral. Fer compuesto cuando tiene 1arios puntos del espacio muestral. Fe llama e1ento imposible al 5ue no puede ocurrir6 ste e1ento corresponde al con;unto 1ac7o. Otro e1ento e(tremo es el espacio muestral mismo 5ue, puesto 5ue siempre ocurre, se llama e1ento se2uro. Problemas Propuestos: 1. .n una ca;a 3ay ) #ocos de los cuales 3 estn #undidos. Fe 1an a sacar los #ocos de uno en uno, 3asta encontrar los tres #undidos. Fi nos #i;amos en el n8mero de #ocos 5ue se 5uedan en la ca;a Gcul es el espacio muestralH 2. .n el e(perimento de los 1olados mencionado arriba. Fi nos #i;amos en el n8mero de soles 5ue salieron, describa en sus propias palabras, cul es el e1ento D 0, 1, 2 E. Fi los resultados #ueron AAFAAFAAA GPor 5u se detu1o el e(perimentoH GFe reali: el e1entoH 3. A8ntese con un compaIero de este curso y entre los dos discutan y encuentren un e;emplo de un e(perimento aleatorio relacionado con las personas 5ue estn en la biblioteca despus de las 10 de
24
24
la noc3e. .(pli5uen cul es el espacio muestral. .(pli5uen 5u in#ormacin necesitar7an para asi2nar probabilidades. !. Con su mismo compaIero, encuentren un e;emplo de un e(perimento aleatorio re#erente a las inscripciones. "etallen el espacio muestral. Propon2an un e1ento. "en un e;emplo de un resultado 5ue impli5ue 5ue el e1ento no se reali: y otro resultado donde el e1ento s7 se 3aya reali:ado.
25 SESION 05
25
PRACTICA CALI(ICA'A
SESION 06 PRO&A&ILI'A'
Aparte del espacio muestral, en cada e(perimento aleatorio 3ay una asi2nacin primaria de probabilidades. +asados en la e(periencia o en ra:onamientos de simetr7a, a cada elemento del espacio muestral le asi2namos una e1aluacin de 5u tan #actible es. .sta e1aluacin se re#le;a en un porcenta;e <n8mero entre 0 y 1=. .ntre ms #actible sea el resultado, mayor es el porcenta;e 5ue se le asi2na. 4os casos e(tremos son: /n e1ento 5ue no puede suceder, tiene probabilidad cero. Puc3as 1eces estos e1entos con probabilidad cero son imposibles por al2una contradiccin l2ica en su de#inicin. Por e;emplo: RR5ue la suma de dos dados sea n n y los dos dados ten2an el mismo n8meroSS. .n el otro e(tremo 3ay e1entos 5ue siempre suceden y estos tienen probabilidad uno. Por e;emplo: RR5ue el n8mero de 2uilas en dos 1olados sea menor o i2ual a .)SS, aun5ue el e1ento pueda resultar e(traIo en su de#inicin, siempre sucede y tiene probabilidad i2ual a 1.
26
26
4a asi2nacin toma la #orma matemtica de una #uncin y se llama #uncin de probabilidad. .l dominio de esta #uncin es el espacio muestral y su codominio es el inter1alo real Y 0, 1 Z. .sta #uncin nos da las probabilidades de los e1entos simples. Para un e1ento compuesto, simplemente sumamos las probabilidades de los elementos 5ue lo componen.
E7EMPLOS6
4a probabilidad es un concepto muy 1ie;o en las matemticas. Actualmente lo aplicamos en prcticamente todos los campos de la acti1idad 3umana. 4a 1ariedad de situaciones en 5ue se aplica 1a desde la produccin 3asta la planeacin a lar2o pla:o de las empresas. Aun5ue esta es la 1isin moderna, y la ra:n de 5ue estemos estudiando probabilidad en este curso, los or72enes del concepto son muy 3umildes, comen: aplicndose a los ;ue2os de a:ar. Pensemos en un dado per#ectamente balanceado de modo 5ue nin2uno de los seis lados es #a1orecido. .l espacio muestral es D 1, 2, 3, !, $, ' E. 4a #uncin de probabilidad le asi2na a cada uno de los elementos del espacio muestral el 1alor de 1 [ '. .sta asi2nacin la 3acemos por5ue el dado est balanceado. "ecimos 5ue la probabilidad de un e1ento es el n8mero de resultados #a1orables al e1ento entre el n8mero de resultados posibles.
27
27
Por e;emplo, la probabilidad de 5ue el resultado sea mayor 5ue ! es 2 [ ', por5ue 3ay 2 resultados #a1orables entre los ' resultados posibles. 0ormalmente, el e1ento es A B D $, ' E y PYAZ B 2['. 4a probabilidad 5ue resulta de esta manera, tiene una interpretacin emp7rica6 si 3acemos una serie lar2a de lan:amientos del dado, y obser1amos la #recuencia de resultados #a1orables al e1ento A, esta #recuencia tiende a ser 2['. Otro e;emplo: una urna con $0 papelitos numerados de los cuales se esco2e uno para 5ue ten2a un premio. .l espacio muestral es D 1, 2, 3, . . . , $0 E. 4a asi2nacin de probabilidades es de 1 [ $0 para cada resultado. Fi yo compr los n8meros 1, 1! y 1)6 el e1ento de 5ue yo 2ane es D 1, 1!, 1) E y la probabilidad de 5ue 2ane es 3 [ $0.
28
28
Al de#inir los sucesos 3ablamos de las di#erentes relaciones 5ue pueden 2uardar dos sucesos entre s7, as7 como de las posibles relaciones 5ue se pueden establecer entre los mismos. -amos a 1er a3ora cmo se re#le;a esto en el clculo de probabilidades. a8 Un suceso !uede estar contenido en otro: entonces, la probabilidad del primer suceso ser menor 5ue la del suceso 5ue lo contiene. E em!"o: lan:amos un dado y anali:amos dos sucesos: a= 5ue sal2a el n8mero ', y b= 5ue sal2a un n8mero par. "i;imos 5ue el suceso a= est contenido en el suceso b=. P<A= B 1[' B 0,1'' P<+= B 3 [ ' B 0,$0 Por lo tanto, podemos 1er 5ue la probabilidad del suceso contenido, suceso a=, es menor 5ue la probabilidad del suceso 5ue lo contiene, suceso b=. ,8 'os sucesos !ueden ser i2ua"es: en este caso, las probabilidades de ambos sucesos son las mismas. E em!"o: lan:amos un dado al aire y anali:amos dos sucesos: a= 5ue sal2a n8mero par, y b= 5ue sal2a m8ltiplo de 2. 4as soluciones coinciden en ambos casos. P<A= B 3 [ ' B 0,$0 P<+= B 3 [ ' B 0,$0
29
29
c8 Interseccin de sucesos: es a5uel suceso compuesto por los elementos comunes de los dos o ms sucesos 5ue se intersectan. 4a probabilidad ser i2ual a la probabilidad de los elemntos comunes. E em!"o: lan:amos un dado al aire y anali:amos dos sucesos: a= 5ue sal2a n8mero par, y b= 5ue sea mayor 5ue 3. 4a interseccin de estos dos sucesos tiene dos elementos: el ! y el '. Fu probabilidad ser por tanto: P<A += B 2 [ ' B 0,33
d8 Unin de dos o m.s sucesos: la probabilidad de la unin de dos sucesos es i2ual a la suma de las probabilidades indi1iduales de los dos sucesos 5ue se unen, menos la probabilidad del suceso interseccin
30
30
E em!"o: lan:amos un dado al aire y anali:amos dos sucesos: a= 5ue sal2a n8mero par, y b= 5ue el resultado sea mayor 5ue 3. .l suceso unin estar7a #ormado por los si2uientes resultados: el 2, el !, el $ y el '. P<A= B 3 [ ' B 0,$0 P<+= B 3 [ ' B 0,$0 P <A += B 2 [ ' B 0,33 Por lo tanto, P <A u += B <0,$0 M 0,$0= Q 0,33 B 0,''' e8 Sucesos incom!ati,"es: la probabilidad de la unin de dos sucesos incompatibles ser i2ual a la suma de las probabilidades de cada uno de los sucesos <ya 5ue su interseccin es el con;unto 1acio y por lo tanto no 3ay 5ue restarle nada=. E em!"o: lan:amos un dado al aire y anali:amos dos sucesos: a= 5ue sal2a un n8mero menor 5ue 3, y b= 5ue sal2a el n8mero '. 4a probabilidad del suceso unin de estos dos sucesos ser i2ual a: P<A= B 2 [ ' B 0,333 P<+= B 1 [ ' B 0,1'' Por lo tanto,
31
31
P<A u += B 0,33 M 0,1'' B 0,$0 08 Sucesos com!"ementarios: la probabilidad de un suceso complementario a un suceso <A= es i2ual a 1 Q P<A= E em!"o: lan:amos un dado al aire. el suceso <A= es 5ue sal2a un n8mero par, lue2o su complementario, suceso <+=, es 5ue sal2a un n8mero impar. 4a probabilidad del suceso <A= es i2ual a : P<A= B 3 [ ' B 0,$0 4ue2o, la probabilidad del suceso <+= es i2ual a: P<+= B 1 Q P<A= B 1 Q 0,$0 B 0,$0 Fe puede comprobar aplicando la re2la de 9casos #a1orables [ casos posibles9: P<+= B 3 [ ' B 0,$0
g) Un !n "# $%&#$'$ &'()*#(#n+,- '$: la pr !a!ili"a" "e la #$i%$ "e " & &#'e& & ' mpleme$(ari & e& ig#al a 1.
E em!"o: se2uimos con el e;emplo anterior: a= 5ue sal2a un n8mero par, y b= 5ue sal2a un n8mero impar. 4a probabilidad del suceso unin de estos dos sucesos ser i2ual a: P<A= B 3 [ ' B 0,$0 P<+= B 3 [ ' B 0,$0 Por lo tanto,
32
32
33 SESION 0.
33
4a deduccin de estas leyes a partir de los tres a(iomas es un e;ercicio de in2enio matemtico al 5ue 1aldr7a la pena asomarse, pero en el 5ue no tenemos intencin de meternos de lleno. Wa 5ue desde el punto de 1ista de este curso, lo interesante es aplicarlas.
34
34
Tespecto a la tercera de la re2las, note bien 5ue la resta de con;untos se de#ine as7: RRA Q +SS es la coleccin de elementos de A 5ue no estn en +. "e tal suerte 5ue P<A Q += debe contemplar slo a elementos de A y por eso es 5ue a P<A= no le restamos P<+= sino solamente P<A y +=. Otro comentario lo merece la 8ltima re2la: P<A += B P<A= M P<+= Q P<A y +=. .s preciso restar P<A y += ya 5ue as7 no lo 3iciramos, se estar7a tomando en cuenta dos 1eces a los elementos comunes a A y a +.
Pro,"emas Pro!uestos
Reso":er "os si2uientes e ercicios
1. In1enten un ;ue2o con dos dados. Como e;emplos, o o tirar dos dados y el resultado no es la suma de los dados sino la multiplicacin. tirar dos dados y el resultado es 1000 si la suma de los dos es par y $000 si la suma es n n. .scriban el espacio muestral y, teniendo en cuenta 5ue las 3' pare;as de posibles resultados con dos dados: D <1,1=, <1,2=, <1,3=, . . . E son i2ualmente probables, encuentren la #uncin de probabilidad para el ;ue2o 5ue in1entaron.
35
35
.l clculo de la probabilidad de un e1ento se simpli#ica partindolo en e1entos ms sencillos y uniendo los peda:os de acuerdo a la llamada ley de la adicin para probabilidades. /n e;emplo nos puede ser1ir. Fe 1an a tirar dos dados y yo 2ano si la suma de los dados da siete o aun5ue la suma no sea siete, si uno, al menos, de los dados cae en uno. 4os resultados de tirar los dados son 3': F B D <1,1=,<1,2=,<1,3=, . . . ,<','= E. Adems, por la simetr7a interna de los dados, cada uno de estos 3' resultados es i2ualmente probable. .sto establece la #uncin de probabilidad. Pasemos al problema de calcular la probabilidad de 2anar. /na manera e5ui1ocada de resol1er el problema es as7. Wo 2ano si el primer dado cae uno o el se2undo dado cae uno o la suma de los dos es siete.
36
36
Como las respecti1as probabilidades son: 1 [ ', 1 [ ' y 1 [ '. 4a probabilidad de 5ue 2ane es la suma de estas tres, 1 [ 2. 4o 5ue tiene mal este ra:onamiento es 5ue los e1entos en 5ue 3emos partido el resultado de 5ue yo 2ane no son a;enos, y en estas circunstancias no se 1ale sumar las probabilidades y ya. Para responder correctamente 3ay 5ue partir el resultado de 5ue yo 2ane en ms peda:os: 5ue el primer dado cai2a uno y el otro no o 5ue el se2undo cai2a uno y el primero no o 5ue los dos cai2an uno o 5ue la suma sea siete pero no 3aya nin28n uno.
4as respecti1as probabilidades son: $ [ 3', $ [ 3', 1 [ 3' y ! [ 3'. Para una probabilidad total de 2anar de: 1$ [ 3'6 esto es menor 5ue 1 [ 2 5ue es la 5ue 3ab7amos calculado mal. 07;ese 5ue para resol1er el problema lo partimos en peda:os ms pe5ueIos, los peda:os son a;enos. la probabilidad #ue la suma de esos peda:os.
Pro,"emas !ro!uestos:
Resue":a estos e ercicios6
1. Fe 1an a tirar $ monedas y el resultado 1a a ser el n8mero de 2uilas menos el n8mero de soles. .scriban el espacio muestral e5uiprobable para este e(perimento. <"ebe tener 32 resultados=.
37
37
2. Fi2uiendo con el e;ercicio anterior, me 1an a dar una cantidad de pesos i2ual a la resta: Yn8mero de 2uilasZ P.%OF Yn8mero de solesZ. Fi sale ne2ati1o 5uiere decir 5ue Uyo pa2oC GCul es la probabilidad de 5ue 2ane ms de dos pesosH 3. Fi un dado se construye de modo 5ue un 1 o un 2 ocurran dos 1eces ms #recuentemente 5ue un $, mismo 5ue se presenta tres 1eces ms se2uido 5ue un 3 o un ! o un '. GCul es la probabilidad de 5ue el n8mero 5ue se obtiene sea parH GCul la de 5ue sea un cuadrado per#ectoH GCul la de 5ue sea mayor 5ue !H !. GCmo 3ar7an /ds. para construir un dado como el 5ue se propone en el e;ercicio anteriorH
38 SESION 10
38
SESION 11
PRO&A&ILI'A' CON'ICIONAL
Consideremos la si2uiente situacin. Fe tienen tres urnas similares6 por #uera son idnticas. Fe sabe 5ue en la urna 1 3ay 3 bolas blancas y 1, a:ules, en la urna 2 3ay 20 bolas blancas y 2 a:ules, en la urna 3 3ay 11 bolas blancas y 11 a:ules.
Fe 1a a sacar una bola de una de las urnas. Puede ser a:ul o blanca. GCul es la probabilidad de 5ue sea blancaH @ay cuatro posibles soluciones: 1. 4a probabilidad de una blanca es 3 [ 22. .sto es por5ue si se esco2e la urna 1, 3ay 3 de 22 bolas 5ue son blancas. .sta respuesta nos de;a pensando en 5ue es muy arbitrario decir 5ue la urna esco2ida es la 1. Fi la urna esco2ida #uese la 1 esta ser7a la respuesta correcta. 2. "e manera similar, podemos pensar 5ue la urna esco2ida es la 2 y entonces la probabilidad de una bola blanca es 20 [ 22. 3. Claro 5ue, tambin, la urna esco2ida puede ser la 3 y entonces la probabilidad de blanca es 11 [ 22.
39
39
!. Como no se sabe cual es la urna esco2ida y las tres urnas tienen el mismo n8mero de bolas, la probabilidad se calcula como si #uese una 2ran urna con '' bolas de las cuales 3 M 20 M 11 son blancas y, as7, la probabilidad es 3! [ '' GCul es la respuesta correctaH o G3abr otra 5ue sea la respuesta correctaH /na cosa es clara6 si podemos suponer 5ue la urna esco2ida es la 1, la respuesta correcta es la primera. 4o mismo se puede decir de la se2unda y la tercera. 4a cuarta es un po5uito ms atre1ida y 5ui: sea correcta. Por lo pronto 1amos a darle un nombre a las tres primeras: les llamamos probabilidad condicional. A la primera la llamamos RRprobabilidad condicional de blanca dado 5ue la urna es la 1SS. A la se2unda, la llamamos de manera similar condicional de blanca dado 5ue la urna es la 2. A la tercera se le da un nombre anlo2o YGCul nombreHZ.
Ps adelante en el curso, 1eremos lo 5ue se llama #rmula de la probabilidad total y entonces, 1eremos 5ue la cuarta respuesta dar7a la RRprobabilidad no condicionalSS. Por el momento ampliemos nuestras ideas sobre probabilidad condicional con un poco de matemticas. 0ormalmente, de#inimos en clase la probabilidad condicional de la si2uiente manera: P< A \ + = B YP< A y + =Z [ YP< + =Z
40
40
.l s7mbolo P< A \ + = lo leemos como probabilidad de A dado +. 4o interpretamos como la probabilidad de 5ue, sabiendo 5ue ya sucedi +, adems suceda A. .n el e;emplo de las urnas A ser7a el e1ento RRla bola es blancaSS6 + ser7a la urna correspondiente.
Como lo 5ue est aba;o en el 5uebrado es la probabilidad de lo dado, la #rmula no es simtrica en A y +. Fi los intercambiamos, da otro n8mero. .sto se 1e en el e;emplo ya 5ue no es lo mismo 5ue nos in#ormen cual es el n8mero de la urna esco2ida a 5ue nos di2an 5ue la bola #ue blanca y nos pre2unten cul es la urna.
.sta #rmula no tiene sentido matemtico si P<+= B 0. .n tal caso decimos 5ue la probabilidad condicional no est de#inida. Claro 5ue eso est bien por5ue no puede 3aber sucedido al2o 5ue es imposible.
07;ese 5ue esta #rmula se usar cuando 3aya una manera #cil de calcular las probabilidades no condicionales y la condicional sea di#7cil. .so no #ue el caso con el color de la bola y las urnas. Para e;empli#icar el tipo de situacin en 5ue nos sir1e la #rmula descrita, considere este problema. Fe tiran dos dados y se sabe 5ue el primero no tiene el n8mero $. GCul es la probabilidad de 5ue la suma de los dados sea )H Para resol1er, llamemos + el e1ento: RRel primer dado no es $SS. A el e1ento: RRla suma de los dados es )SS.
41
P<+= B 30 [ 3'.
41
Por5ue de las 3' pare;as posibles, ' tienen $ en el primer dado. P<A y += B ! [ 3'.
Por5ue slo se obtiene ), con las pare;as <2,'=, <3,$=, <!,!= y <',2= Y4a pare;a <$,3= s7 suma oc3o pero tiene un $ en el primer dadoZ. y, usando la #rmula, P<A\+= B ! [ 30. *ambin 3ubiramos podido calcular sin la #rmula, pero esa cuenta re5uiere ms in2enio. .n este e;emplo es #cil calcular las probabilidades no condicionales. @ay muc3os problemas, como en el de las urnas, en 5ue lo contrario es lo cierto: es #cil calcular la condicional y la podemos usar para calcular la con;unta. Fi despe;amos a P<A y +=, tendremos una #rmula para calcular la probabilidad con;unta cuando sea #cil calcular la condicional. .n clase 3acemos un e;emplo simple de clculo de probabilidad condicional con una tabla de dos clasi#icaciones cru:adas. .n ese e;emplo se 1en tres cosas: 1. 4a probabilidad condicional nos permite medir la in#ormacin. .n los e;emplos 1imos como cambia la probabilidad de A, antes de conocer nada: P<A= y despus de conocer la ocurrencia de el e1ento +: P<A \ +=. 2. .n un e(tremo est el cambio enorme 5ue corresponde a 5ue A y + sean e(cluyentes <a;enos=. .n este caso la probabilidad podr7a lle2ar incluso a ser cero.
3. .n el otro e(tremo estn los e1entos en los 5ue sucede 5ue P<A \
+= B P<A=. .sto 5uiere decir 5ue la in#ormacin de 5ue + ocurri no
42
42
cambia la probabilidad de A y decimos 5ue A y + son independientes. .sta 8ltima caracter7stica, la independencia, ;ue2a un papel muy importante en la probabilidad y merece una atencin ms detallada. Por el momento debemos establecer una de#inicin: A y + son e1entos independientes si y slo si P<A y += B P<A= P<+= .n #orma e5ui1alente decimos: A y + son e1entos independientes si y slo si P<A \ += B P<A= 4a e5ui1alencia se si2ue de una sustitucin al2ebraica muy sencilla. 4a consecuencia de 5ue esta sea una de#inicin es 5ue: para comprobar la independencia de dos e1entos es preciso 3acer 1er 5ue P<A y += B P<A=P<+=. .s importante remarcar la di#erencia de concepto entre e1entos independientes y e1entos e(cluyentes o a;enos. .n nuestro e;emplo se 1e claramente 5ue ambos conceptos son antitticos. .l 3ec3o de 5ue dos e1entos se e(cluyan casi implica 5ue no son independientes. 4a e(cepcin se da en el caso de2enerado de 5ue al2uno de ellos <o los dos=, sea imposible. .n el 3abla cotidiana, a 1eces, se con#unden estos conceptos. %ote 5ue si A es imposible6 P<A= B 0. Adems RRA y +SS tambin es imposible y se tiene P<A y += B P<A=P<+= ya 5ue ambos lados de la i2ualdad 1alen cero . Pero ste es el 8nico caso en 5ue dos e1entos son a;enos e independientes a la 1e:6 en trminos 2eomtricos la idea de independencia se aseme;a a la perpendicularidad y la de RRa;enosSS al paralelismo.
43
43
44
o o
44
Para poder usar esta i2ualdad se necesita saber, de otras #uentes, 5ue A y + son independientes. .sta i2ualdad no es ms 5ue la 1ersin de la de arriba cuando P<+ \ A= B P<+=.
.stas i2ualdades son muy 8tiles cuando el e(perimento aleatorio se 1a a lle1ar a cabo en etapas temporales. Por e;emplo, supon2a 5ue una empresa recibe materia prima empa5uetada en sobres de 3002. 5ue 1ienen en ca;as de $0 sobres cada una6 supon2a, adems 5ue cada sobre puede ser: bueno o de#iciente. Para re1isar una ca;a, se 1an a tomar, al a:ar, 3 sobres. si ms de 2 sobres son de#icientes se rec3a:ar la ca;a completa. si nin28n sobre es de#iciente, se aceptar la ca;a completa. si 3ay 1 o 2 sobres de#icientes, se tomarn otros 3 sobres y si el total de de#icientes de los ' sobres re1isados, se pasa de 2, se rec3a:ar la ca;a completa <en caso de ser 2 o menos, se acepta la ca;a=. /na #uente secreta nos in#orma 5ue una ca;a espec7#ica tiene 10 sobres de#icientes. GCul es la probabilidad de 5ue esa ca;a sea aceptadaH .l problema es comple;o, trate /d. de resol1erlo, la respuesta in1olucra pensar en etapas, de acuerdo a los di#erentes resultados de la primera etapa. .l problema lo resol1emos en el saln.
45
por e;emplo: P<A y + y C= B P<+= P<C \ += P<A \ + y C=
45
Para el caso de e1entos independientes la i2ualdad se simpli#ica en su escritura: P<A y + y C= B P<A= P<+= P<C= 4a 2enerali:acin de las #rmulas anteriores a ms de tres e1entos es inmediata. %o ol1ide 5ue para aplicar cual5uiera de estas #rmulas es preciso conocer, pre1iamente los 1alores de las probabilidades in1olucradas. /n e;emplo de uso de estas #rmulas es el si2uiente: Fi una pistola est car2ada con 1$ cartuc3os, de los cuales 2 son in8tiles y no #uncionarn, GVu probabilidad 3ay de 5ue el primer cartuc3o #uncione y los dos si2uientes noH .n este e;emplo, por la especi#icacin del e1ento, podemos calcular las probabilidades condicionales por separado y eso nos lle1a aplicar la primera de las #rmulas 1istas arriba. 4a solucin la damos en el pi:arrn.
46
46
Fi A y + son independientes, tambin lo son las tres si2uientes pares: AS y + 6 A y +S 6 AS y +S <estamos usando el apstro#e ; para denotar complemento= 2. Cuando se tienen tres e1entos, se puede presentar una situacin muy curiosa. Puede pasar 5ue o o o A y + sean independientes y A y C sean independientes y + y C tambin sean independientes.
Pero A< & - C NO sean inde!endientes6 .sta situacin curiosa se describe diciendo 5ue no basta 5ue 1arios e1entos sean independientes a pares, para 5ue sean independientes. .l e;emplo clsico es el de un e(perimento aleatorio con cuatro posibles resultados i2ualmente probables: 1, 2, 3 y ! . o o o o o o o Fi el resultado es 1, A 2ana y nadie ms. Fi el resultado es 2, + 2ana y nadie ms. Fi el resultado es 3, C 2ana y nadie ms, pero Fi el resultado es !, los tres A, + y C 2anan. P<A y += B P<A= P<+= P<A y C= B P<A= P<C= P<+ y C= B P<+= P<C=
47
47
3. /na nota #inal de un estilo menos matemtico. 4a palabra independencia se utili:a en otros conte(tos para denotar un sinn8mero de conceptos di#erentes. 4os e;emplos ms comunes son en pol7tica, en 3istoria, en derec3o. .n la ciencia se 3abla de 1ariables independientes y el si2ni#icado es di#erente 5ue el 5ue usamos a5u7. A8n en otras ramas de la matemtica se usa la palabra independencia para denotar a otros conceptos. Cuando 5ueremos distin2uir la de#inicin tcnica 5ue usamos en la probabilidad de otras nociones le ponemos un apellido a la independencia y decimos independencia estocstica. .s con1eniente recordar 5ue cuando e(iste duda si dos e1entos son independientes o n, la 8nica #orma de :an;ar la cuestin es 1iendo si P<A y += es i2ual o di#erente al resultado de multiplicar P<A= P<+=. %aturalmente 5ue si la independencia de dos e1entos est en duda, el clculo de P<A y += no se puede 3acer simplemente multiplicando P<A= P<+= sino 5ue se debe ;usti#icar de al2una otra manera.
48
48
SESION 12
-eamos un problema 5ue nos lle1ar a una re2la interesante de clculo de probabilidades 5ue se llama: e" teorema de &a-es. .n una etapa de la produccin de un art7culo se aplica soldadura y para eso se usan tres di#erentes robots. 4a probabilidad de 5ue la soldadura sea de#ectuosa 1ar7a para cada uno de los tres, as7 como la proporcin de art7culos 5ue cada uno procesa, de acuerdo a la si2uiente tabla. robot prob. "e#ect. A 0.002 + 0.00$ C 0.001 *enemos un par de pre2untas: m5uinas Fi tomo un art7culo al a:ar y resulta con de#ectos en la soldadura, cul es la probabilidad de 5ue 3aya sido soldado por el robot C. <I= 4a primera pre2unta nos 1a a lle1ar a lo 5ue se conoce con el nombre de #rmula de la probabilidad total. Vueremos conocer la proporcin 2lobal de de#ectos delos tres robots. "espus de re#le(ionar un momento se 1e 5ue si todas las soldaduras las pusiera el robot C, 3abr7a pocos de#ectos, ser7an 0.001 o 0.1X. .n cambio, si todas las pone el +, User7a un desastreC, tendr7amos cinco 1eces ms: 0.00$ o 0.$X. "e modo 5ue en nuestra respuesta debemos tener en cuenta las di#erentes proporciones de lo ma5uinado en cada robot. prop. Proces. 1)X !2X !0X
49
49
%uestra idea es empe:ar por descomponer el e1ento RRde#ectuosoSS en RR1iene del robot A y es de#ectuosoSS o RR1iene del robot + y es de#ectuosoSS o RR1iene del robot C y es de#ectuosoSS. .n s7mbolos tendremos P<d= B P<A y d= M P<+ y d= M P<C y d= P<d= B P<A= P< d\A= M P<+= P< d\+= M P<C= P< d\C= Antes de ponerle n8meros y resol1er nuestro problema #i;monos en la #rmula obtenida. 1. @ay tres e1entos A, + y C 5ue o o son a;enos y cubren todo el espacio muestral.
2. Conocemos las probabilidades de cada uno de ellos. 3. Adems, conocemos las probabilidades condicionales de otro e1ento dado cada uno de ellos. 4a #rmula de arriba se llama #rmula de la probabilidad total. 4lenando con nuestros n8meros, tenemos 5ue P<d= B <0.1)=<0.002= M <0.!2=<0.00$= M <0.!0=<0.001= o sea 5ue P<d= B 0.002)' casi 3 pie:as por cada mil. .s bueno comparar este resultado con los porcenta;es de soldaduras de#ectuosas de cada robot por separado. Podemos 1er 5ue el resultado se encuentra entre todas ellas y se encuentra relati1amente cerca de los porcenta;es de los robots ms utili:ados <el + y el C=. .sto es muy ra:onable. <II= 4a se2unda pre2unta es, a la 1e: ms simple y ms complicada. %os 1a a lle1ar a lo 5ue se conoce con el nombre de teorema de +ayes.
50
50
4a probabilidad 5ue buscamos es una condicional pero al re1s de las 5ue tenemos. +uscamos P< C \ d= para calcularla usamos la de#inicin de probabilidad condicional: P< C \ d= B YP<C y d=Z [ YP< d =Z .l numerador <lo de arriba= lo calculamos con P< C y d = B P<C= P<d\C= y el denominador lo calculamos con la #rmula de probabilidad total P<d= B P<A= P< d\A= M P<+= P< d\+= M P<C= P< d\C= ;untando las dos tenemos la #rmula de +ayes: P< C\d= B YP<C= P<d\C=Z [ YP<A= P< d\A= M P<+= P< d\+= M P<C= P< d\C=Z Aplicndola a nuestro caso tenemos P<C\d= B Y<0.!0=<0.001=Z[Y<0.1)=<0.002= M <0.!2=<0.00$= M <0.!0=<0.001=Z o sea P<C\d= B Y0.000!Z[Y0.002)'Z B 0.13,, casi 1!X. O sea 5ue si tomamos una pie:a al a:ar, la probabilidad de 5ue 3aya sido soldada por el robot C es alta, !0X. Pero, como ese robot produce slo 1 de cada mil soldaduras de#ectuosas, al saber 5ue la pie:a seleccionada es de#ectuosa, la probabilidad de 5ue pro1en2a del robot C disminuye a
51
51
solamente 1!X. .sto 5uiere decir 5ue, en este caso el saber 5ue la soldadura es de#ectuosa, nos pro1ee con una 2ran cantidad de in#ormacin. Fi anali:ramos, usando de nue1o la #rmula de +ayes las probabilidades de los robots A y +, tendr7amos P<+\d= B 0. 3!3 y P<A\d= B 0.12$, Comparadas con las probabilidades de cada m5uina sin saber 5ue la pie:a es de#ectuosa 1emos un 2ran incremento en la probabilidad de +. Fi, por el contrario la pie:a no 3ubiese tenido de#ectos de soldadura, el mismo teorema de +ayes nos dar7a <3a2a /d. las cuentas y U#7;ese 5ue no me 3aya e5ui1ocado yoC=: P<A\no d= B 0.1)02 P<+\no d= B 0.!1,1 y P<C\no d= B 0.!00 4as probabilidades no son idnticas a las probabilidades no condicionales, pero la di#erencia es muy pe5ueIa. Para apreciar me;or el cambio, pon2amos en una sola tabla las probabilidades iniciales y las condicionales obtenidas ba;o el conocimiento de la soldadura de la pie:a. Tobot P<= P< \d= P< \no d= A 0.1) 0.12$, 0.1)02 + 0.!2 0. 3!3 0.!1,1 C 0.!0 0.13,, 0.!00 .s tan 2rande el (ito de los tres robots en el soldado correcto 5ue el saber 5ue la pie:a no tiene de#ectos, prcticamente no altera las probabilidades de produccin en uno u otro. Por el contrario, el robot C es tan bueno, comparado con el + 5ue, al saber 5ue la pie:a es de#ectuosa, las probabilidades cambian dramticamente.
52
52
.n este e;emplo el clculo de probabilidades condicionales nos cuanti#ica al2o 5ue el sentido com8n nos dice de otra #orma. %ote 5ue la #rmula de +ayes nos sir1i para pasar de las probabilidades no condicionales a las condicionales.
53
53
bolsas son i2ualmente posibles, y el 3ec3o de 5ue la primer moneda e(tra7da sea de oro, nos indica 5ue no se trata de la se2unda bolsa. Concluimos 5ue las dos bolsas restantes tienen i2ual probabilidad y, por tanto, la probabilidad de 5ue la otra moneda sea de oro es 1[2. Fi /d. piensa de acuerdo a este ra:onamiento <UerrneoC=, es muy di#7cil 5ue encuentre en 5u se e5ui1oca. 4o 5ue est mal es 5ue lo 5ue a1eri2uamos, al saber 5ue la moneda e(tra7da es de oro, es al2o ms 5ue el rec3a:o de la se2unda bolsa. Fi slo nos di;eran 5ue la bolsa esco2ida al a:ar no #ue la se2unda, sin in#ormarnos del metal de la moneda sacada, toda17a tendr7amos incertidumbre respecto a la primer moneda6 toda17a podr7amos apostar a si sta es de oro o de plata. Al decirnos 5ue la moneda #ue de oro, estamos aprendiendo al2o ms, y eso ec3a por tierra el ar2umento de RRi2ual probabilidad para las dos bolsas restantesSS. 4o interesante del problema es 5ue, si nos 3ubieran dic3o 5ue la moneda sacada #ue de plata, aplicando la #rmula de +ayes, lle2amos a la conclusin de 5ue la probabilidad de 5ue la otra moneda sea tambin de plata es 2[3 YU@a2a /d. las cuentasCZ. .s decir, si 1amos a apostar al metal de la otra moneda, nos con1iene apostar por el metal de la primera. .ste e;emplo nos lle1a a re#le(ionar sobre el uso adecuado de la in#ormacin contenida en RRlo dadoSS en el clculo de la probabilidad condicional.
Pro,"emas Pro!uestos :
54
54
#6 /na mu;er portadora de 3emo#ilia clsica da a lu: tres 3i;os. a= GCual es la probabilidad de 5ue de los tres 3i;os, nin2uno est a#ectado por la en#ermedadH b= GCual es la probabilidad de 5ue e(actamente dos de los tres niIos est a#ectadoH $6 .l '0X de los indi1iduos de una poblacin estn 1acunados contra una cierta en#ermedad. "urante una epidemia se sabe 5ue el 20X la 3a contra7do y 5ue 2 de cada 100 indi1iduos estn 1acunados y son en#ermos. Calcular el porcenta;e de 1acunados 5ue en#erma y el de 1acunados entre los 5ue estn en#ermos.. %6 4a proporcin de alco3licos 5ue e(iste en la poblacin de Pla2a es, apro(imadamente, un 10X6 no obstante, en las ba;as 5ue dan los mdicos de la Fe2uridad Focial di#7cilmente se encuentra el dia2nstico de alco3olismo. Aparecen sin embar2o dia2nosticados de 3epatopat7as, lumbal2ias, etc., 5ue pueden 3acer sospec3ar alco3olismo subyacente. Fe reali: un estudio 5ue puso de mani#iesto 5ue el )$X de los indi1iduos alco3licos y el X de los no alco3licos su#r7an tales patolo27as. Fe desea saber cul es la probabilidad de 5ue un indi1iduo con esas patolo27as sea realmente alco3lico. )6 "os tratamientos A y + curan una determinada en#ermedad en el 20X y 30X de los casos, respecti1amente. Fuponiendo 5ue ambos act8an de modo independiente, cul de las dos si2uientes estrate2ias utili:ar7a para curar a un indi1iduo con tal en#ermedad: a= Aplicar ambos tratamientos a la 1e:.
55
55
b= Aplicar primero el tratamiento + y, si no surte e#ecto, aplicar el A. *6 Fe eli2en al a:ar 3 deportistas de un e5uipo de 10 inte2rantes para reali:ar un control antidopa;e6 Fe sabe 5ue 2 de los ;u2adores del e5uipo 3an tomado sustancias pro3ibidas. GCul es la probabilidad de ele2ir para el anlisis a al2uno de los in#ractoresH +6 .stamos interesados en saber cul de dos anlisis A y + es me;or para el dia2nstico de una determinada en#ermedad, de la cual sabemos 5ue la presentan un 10X de indi1iduos de la poblacin. .l porcenta;e de resultados #alsos positi1os del anlisis A es del 1$X y el de + es del 22X. .l porcenta;e de #alsos ne2ati1os de A es del X y de + es del 3X. GCul es la probabilidad de acertar en el dia2nstico con cada mtodoH >6 Con ob;eto de dia2nosticar la colelitiasis se usan los ultrasonidos. *al tcnica tiene una sensibilidad del ,1X y una especi#icidad del ,)X. .n la poblacin 5ue nos ocupa la probabilidad de colelitiasis es del 20X. a= Fi a un indi1iduo de tal poblacin se le aplican los ultrasonidos y dan positi1os, Gcul es la probabilidad de 5ue su#ra la colelitiasisH b= Fi el resultado #uese ne2ati1o, Gcul es la probabilidad de 5ue no ten2a la en#ermedadH /6 .ntre los estudiantes de una 0acultad de 0iloso#7a y 4etras se dan las si2uientes proporciones: el !0X son 3ombres. .l 0X de los 1arones #uman, mientras 5ue entre las mu;eres slo #uman el 20X. .sco2ido un estudiante al a:ar, calc8lese la probabilidad de 5ue #ume. ?6 4os estudios epidemiol2icos indican 5ue el 20X de los ancianos su#ren un deterioro neuropsicol2ico. Fabemos 5ue la tomo2ra#7a a(ial
56
56
computeri:ada <*AC= es capa: de detectar este trastorno en el )0X de los 5ue lo su#ren, pero 5ue tambin da un 3X de #alsos positi1os entre personas sanas. Fi tomamos un anciano al a:ar y da positi1o en el *AC, Gcul es la probabilidad de 5ue est realmente en#ermoH #@6 Fabemos 5ue tiene estudios superiores el 1$X de la poblacin espaIola, estudios medios el !0X, estudios primarios el 3$X y no tiene estudios el 10X. 4os desempleados no se distribuyen proporcionalmente entre esas cate2or7as, dado 5ue de entre los de estudios superiores estn sin traba;o el 10X, entre los de estudios medios el 3$X, entre los de estudios primarios el 1)X, y entre los 5ue no tienen estudios el 3 X. Obten2a las probabilidades de 5ue e(tra7do uno al a:ar, ste sea: a= *itulado superior, sabiendo 5ue est parado. b= /n su;eto sin estudios 5ue est en paro. c= /n su;eto con estudios primarios o 5ue est traba;ando. ##6 /na en#ermedad puede estar producida por tres 1irus A, +, y C. .n el laboratorio 3ay 3 tubos de ensayo con el 1irus A, 2 tubos con el 1irus + y $ tubos con el 1irus C. 4a probabilidad de 5ue el 1irus A produ:ca la en#ermedad es de 1[3, 5ue la produ:ca + es de 2[3 y 5ue la produ:ca el 1irus C es de 1[ . Fe inocula un 1irus a un animal y contrae la en#ermedad. GCul es la probabilidad de 5ue el 1irus 5ue se inocule sea el CH #$6 .l 0X de los estudiantes aprueba una asi2natura A y un '0X aprueba otra asi2natura +. Fabemos, adems, 5ue un 3$X del total aprueba ambas. .le2ido un estudiante al a:ar, calcular las probabilidades de las si2uientes situaciones: a= @aya aprobado la asi2natura +, sabiendo 5ue 3a aprobado la A.
57
57
b= @aya aprobado la asi2natura +, sabiendo 5ue no 3a aprobado la A. c= %o 3aya aprobado la asi2natura +, sabiendo 5ue 3a aprobado la A. d= %o 3aya aprobado la asi2natura +, sabiendo 5ue no 3a aprobado la A. #%6 4a cuarta parte de los conductores de coc3e son mu;eres. 4a probabilidad de 5ue una mu;er su#ra un accidente en un aIo es de $[10.000, y para los 3ombres es de 1[10.000. Calc8lese la probabilidad de 5ue si acaece un accidente, el accidentado sea 3ombre. #)6 .n un campus uni1ersitario e(isten 3 carreras sanitarias. Fe sabe 5ue el $0X cursan estudios de .n#ermer7a, el 30X Pedicina y el 20X -eterinaria. 4os 5ue #inali:aron sus estudios son el 20, 10 y $X respecti1amente. .le2ido un estudiante al a:ar, 3llese la probabilidad de 5ue 3aya acabado la carrera.
58 SESION #%
58
3ARIA&LE ALEATORIA
0recuentemente el resultado de un e(perimento aleatorio se denota con un n8mero: el resultado de lan:ar un dado, el n8mero de unidades de#ectuosas entre 10 unidades
seleccionadas, el tiempo 5ue 3ay 5ue esperar para 5ue se presente una #alla en un circuito, el n8mero de estaciones de una red de computadoras 5ue re5uieren la atencin del ser1idor de la red en un momento dado, el n8mero de personas en una comunidad 5ue re5uieren atencin mdica en un d7a especi#icado, el peso sumado de las personas 5ue estn en un ele1ador en un momento determinado del d7a, la cantidad en dinero de lo transportado en un camin antes de 5ue su#ra una descompostura, etc. A un n8mero tal, le llamamos 1ariable aleatoria. Pon2a atencin al 3ec3o de 5ue una 1ariable aleatoria no es una 1ariable en el sentido usual. 4as 1ariables 5ue estamos acostumbrados a mane;ar son, por e;emplo: el peso de un co3ete 5ue 1a 5uemando el combustible 5ue lo impulsa, la distancia del piso a un ob;eto 5ue cae 3acia l, la concentracin de una solucin dentro de un tan5ue con#orme pasa el tiempo, etc. .n los e;emplos anteriores el 1alor de la 1ariable puede cambiar con el tiempo, pero es
59
59
predecible a partir de las leyes de la mecnica, la 5u7mica, la 3idrulica o al2una otra ciencia. Con una 1ariable aleatoria la situacin es enteramente di#erente. .l 1alor de una 1ariable aleatoria no se puede conocer con e(actitud de antemano a la reali:acin del e(perimento. GVu otros e;emplos de 1ariables aleatorias se le ocurren adems de los mencionados arribaH Al contestar esta pre2unta ten2a en cuenta 5ue el a:ar debe ;u2ar al28n papel en la medicin de la 1ariable y 5ue su 1alor no debe ser predecible. /na 1ariable aleatoria presenta dos caracter7sticas importantes:
60
60
Fi tomamos como 1ariable aleatoria el resultado <suma= de lan:ar dos dados, desde el punto de 1ista de la probabilidad, el n8mero resultante nos interesa antes de 5ue realicemos el e(perimento. Conocido el resultado, ya no es interesante <al menos, no para la probabilidad=. 4a ima2en de esta 1ariable aleatoria es F B D 2, 3, !, $, ', , ), ,, 10, 11, 12 E. 4lamando ] al resultado del e(perimento, podemos contemplar el e1ento de 5ue ] sea i2ual a (, donde ( es cual5uier elemento de F. Claro 5ue nos resultar muy interesante saber cosas como P<] B (= para los di#erentes 1alores de ( en F6 por e;emplo, P<] B '= B $[3' Yesto se lee: RRla probabilidad de 5ue ] sea i2ual a seis es un se(toSSZ. GPuede /d. mostrar 5ue P<] B )= B $[3' H Fi2uiendo con el e;emplo de los dos dados, el lan:ar dados para 1er 5ue n8mero cae no es muy apasionante 5ue di2amos, acompaIemos los dados con un tablero de oca o de serpientes y escaleras o de turista o de bac^ 2amn o al28n otro ;ue2o interesante. Wa puestos a ;u2ar turista o monopolio, es natural 5ue nos interesen otro tipo de e1entos. Podr7amos estar interesados en saber si el resultado es menor 5ue ): P<] _ )= B 21[3' GPuede /d. 1er por 5uH6 5ue el resultado sea desde ! 3asta menos 5ue ,: P<3 _ ] _ ,= B 23[3' GPor 5uH6 tambin podemos estar interesados en 5ue ] sea distinta de P<] distinto de = B 1 Q P<] B = B 1 Q 1[' B $['. %aturalmente esta notacin se e(tiende de manera natural a todo tipo de inter1alos y desi2ualdades. Te2resando a donde estbamos, :
61
61
A la #uncin: #<(= B P<] B (= se le llama #uncin de probabilidad de ]. .sta #uncin es una #uncin ordinaria de las 5ue estudiamos en los cursos de matemticas6 no tiene nada de aleatorio. "ic3o de otra #orma, una 1e: determinados los 1alores de las probabilidades, la #uncin de probabilidad es una #uncin com8n y corriente, tiene su dominio, su codominio, su 2r#ica, puede ser inyecti1a, etc. @ay al2unos 3ec3os importantes respecto a esta #uncin: 1. Para una 1ariable aleatoria discreta los 1alores posibles son los 8nicos para los cuales esta probabilidad es di#erente de cero. "ic3o de otra #orma, no nos 3ace daIo ampliar el dominio de la #uncin de probabilidad a todos los reales, pero 1a a 1aler cero casi siempre e(cepto en un con;unto discreto de puntos. 2. .l 1alor de la #uncin de probabilidad depende esencialmente de la 1ariable aleatoria a la 5ue nos re#erimos, cuando no sea claro a cul 1ariable nos re#erimos, es con1eniente poner el s7mbolo de la 1ariable como sub7ndice para la #uncin: #]<(=. .sta costumbre puede causar estra2os en la comprensin de los no1atos, est /d. pre1enido. GVu 5uerr decir #W<`=H 3. 4a 2r#ica de una #uncin como sta se presenta en el pi:arrn. Te2resando al e;emplo de los dados, cambiemos el turista por otro ;ue2o. .n este ;ue2o /d. 2ana si el resultado es par y pierde si es n n6 la cantidad 5ue pierde o 2ana ser el doble del resultado. A5u7, su 2anancia <positi1a si /d. 2ana, ne2ati1a si pierde= es una 1ariable aleatoria W, su ima2en es F B DQ22, Q1), Q1!, Q10, Q', !, ), 12, 1', 20, 2!E aPuede /d. terminar la tabla de la #uncin de probabilidad de WH:
62
62
W Q22 Q1) Q1! Q10 Q' ! ) 12 1' 20 2! #<y= /na 1e: 5ue 3aya llenado la tabla anterior, calcule la probabilidad de 5ue 2ane /d. ms de ) pesos6 la probabilidad de 5ue pierda ms de 10 pesos6 la probabilidad de 5ue su 2anancia est entre Q10 y M1' inclusi1e6 la probabilidad de 5ue su 2anancia o prdida e(ceda a , pesos. /na #uncin de probabilidad de una 1ariable aleatoria discreta, para ser correcta, debe satis#acer dos propiedades #<(= debe ser siempre mayor o i2ual a 0 la suma de #<(= para todos los 1alores de ( debe dar 1 .
(uncin de 'istri,ucin6
Cuando la ima2en de una 1ariable aleatoria es un inter1alo real decimos, se28n 3ab7amos 5uedado, 5ue la 1ariable es continua. 4a matemtica 5ue utili:amos para las 1ariables continuas es di#erente a la de las discretas Por eso empe:amos nuestro estudio con las discretas. A8n no acabamos con las 1ariables discretas, toda17a nos #altan por discutir temas muy importantes. Pero antes, 3ablaremos de una nocin 5ue es com8n a las discretas y a las continuas. /na #uncin muy 8til en el clculo de probabilidades de una 1. a. es la #uncin de distribucin. .sta #uncin se de#ine de i2ual #orma para continuas 0 <(= B P<] _B (= -ea bien la de#inicin anterior y aprndasela de memoria. Co;a una 3o;a de papel en blanco y escr7bala. y discretas:
63
63
Para no con#undirnos con la notacin, suele escribirse tambin as7: 0 <t= B P<] _B t= 4a #uncin de distribucin tiene las si2uientes propiedades:
64
64
usarla para calcular P< ] aB 1.0=, P< 0. _ ] _ 1.0=, P<] _ 0. =, P< ] a 1.0 ] _B 0.! =.
.n el pi:arrn 3acemos e;emplos de cmo es la #orma matemtica de una #uncin de distribucin y de su 2r#ica.
65
65
aleatoria, la #uncin de densidad de ]. 4as 1ariables aleatorias discretas tienen la #uncin de probabilidad, las continuas tienen #uncin de densidad. .sta #uncin de densidad tiene las si2uientes caracter7sticas: #<(= aB 0 la inte2ral de #<(= 1ale 1
4a inte2ral a la 5ue nos re#erimos es la inte2ral de#inida sobre toda la ima2en de la 1ariable aleatoria. %ote 5ue estas caracter7sticas son el anlo2o continuo de las de la #uncin de probabilidad de una 1. a. discreta. .s decir la probabilidad nunca es ne2ati1a y la suma de todas las probabilidades es uno.
Por este moti1o, es #recuente utili:ar el nombre de densidad tanto para esta #uncin como para la #uncin de probabilidad de una 1. a. discreta. Adems, como en el caso discreto, la #uncin de densidad est li2ada a la 1. a. ] de modo 5ue cuando sea necesario aclarar a cul densidad nos re#erimos podemos usar la notacin #]<(=, ponindole el sub7ndice ] a la #.
66
P< 2.2 _ ] _B $ =, P< ] a ) =, P< ] _B 1$ =, P< ] _ 2 ] a 3=
66
Considere un par de e;emplos 5ue le ser1irn para apreciar las implicaciones de lo anterior. Como primer e;emplo tome el si2uiente. Fea ] una 1. a. continua cuya densidad es: #<(= B a ( para ( en Y 3, Z
a es una constante necesaria para 5ue la inte2ral de #<(= de#inida de 3 a , sea i2ual a uno. Puestre 5ue a B 1[20 B 0.0$, adems muestre 5ue P< 3 _ ] _B $ = B 0.!0 Otro #<(=B o o o 0.02$( para ( en <3, = ^ (2 si ( est en Y ,10= 0 en cual5uier otra parte e;emplo ms es el si2uiente. 4a densidad es:
67
67
/na #uncin muy 8til en el clculo de probabilidades de una 1. a. continua es la #uncin de distribucin. .sta #uncin se de#ine de i2ual #orma para continuas y discretas: 0 <(= B P<] _B (= Para no con#undir la notacin, suele escribirse tambin as7: 0 <t= B P<] _B t= .n el caso de una 1.a. continua la deri1ada de la distribucin es la densidad: #<(= B 0 S<(= .n los dos e;emplos anteriores calcule las #unciones de distribucin correspondientes. 4a #uncin de distribucin tiene las si2uientes propiedades:
68
68
.n el pi:arrn 3acemos e;emplos de cmo es la #orma matemtica de una #uncin de distribucin y de su 2r#ica.
3a"ores Es!erados6
@ay un par de cantidades importantes asociadas con cada 1ariable aleatoria: el 1alor esperado, esperan:a matemtica o simplemente esperan:a o media. la 1arian:a y su ra7: cuadrada, la des1iacin estndar.
Ambas cantidades se de#inen en base a un operador 5ue llamamos el operador esperan:a. Patemticamente la esperan:a se de#ine as7, para una 1.a. discreta .< 2<]= = B suma D 2<i= #<i= E
donde 2<i= es cual5uier #uncin y #<i= es la #uncin de probabilidad de la 1.a.6 #<i= B P<] B i=. Por e;emplo, Fi la #uncin 2 es 2<t=B$2t, .<$2]= B sumaD$2i #<i=E B $2 sumaDi #<i=E B $2 .<]= Fi la #uncin 2 es 2<t=B <tQ!=2, su esperan:a es .<
2
Y]
Q Q
!Z2
B M
sumaDYiQ!Z2#<i=E sumaD1'#<i=E B
sumaDi #<i=E
sumaD)i#<i=E
69
W si 2 es 2<t=B t[ 2) .< ][ 2)= B sumaDi[ 2) #<i=E B
69
B <1[ 2)= .<]= B .<]=[ 2) /tili:ando el operador esperan:a, de#inimos para cual5uier 1.a. discreta ] :
Pro!iedades Aritm1ticas6
4as de#iniciones matemticas de 1alor esperado y 1arian:a, nos dicen cmo calcular estas cantidades. Como operaciones matemticas, tienen al2unas propiedades 5ue 1ale la pena resaltar, por5ue a 1eces simpli#ican al2unas cuentas .<c= B c la esperan:a de una constante es la misma constante una constante multiplicando se puede sacar la esperan:a de una suma es
4as anteriores propiedades son muy parecidas a las de la inte2ral. A3ora tenemos al2unas propiedades de la 1arian:a.
70
70
1ar<]= B .<]2= Q Y.<]=Z2 esta propiedad es muy 8til para calcular, y podemos tomarla como de#inicin de la 1arian:a. 1ar<a]= B a21ar<]= una constante multiplicando se saca de la 1arian:a ele1ndola al cuadrado. 1ar< c = B 0 la 1arian:a de una constante es cero. 4a 1arian:a de una suma en 2eneral no es i2ual a la suma de las 1arian:as. Fe28n 1eremos despus, la i2ualdad se cumple slo cuando las 1ariables son independientes.
Como un e;emplo de estas propiedades, 1eamos la ra:n de la #rmula 1ar<]= B .<]2= Q Y.<]=Z2. "e acuerdo a la de#inicin 1ar<]= B B B .Y]2 .< .< ]= ]=
2 2
.<Y]Q.<]=Z2= B B B
B .< ]2= Q .<]=2 3aciendo las operaciones y, ;untando los dos e(tremos, se tiene: 1ar<]= B .<]2= Q Y.<]=Z2
71
71
Fi conocemos la distribucin de probabilidad de una 1ariable aleatoria ] < la #uncin de densidad en el caso continuo, la #uncin de probabilidad en el caso discreto = 3emos 1isto 5ue podemos determinar b y c 2 <media y 1arian:a= , si e(isten. Pero lo reciproco no es cierto es decir, conociendo la media <b= y la 1arian:a <c 2=no podemos determinar la distribucin de probabilidad de probabilidad del tipo: PYI]QuI d ^c Z, este resultado se conoce con el nombre de la desi2ualdad de tc3ebys3e1. ]. Fin embar2o se puede dar una cota superior <o in#erior= para
1 )2
5ue ] tome al28n 1alor #uera del
1 )2
f B ^ c se tiene : PYI]QuI d f Z L
2 2
72
b= Puesto 5ue D I]Q b I d ^c E y D
72
1 )2
Indica 5ue la probabilidad de 5ue ] tome 1alores dentro del inter1alo _ b e ^ c , b M ^ c aes por lo menos 1 Q
1 )2
E em!"o de A!"icacin:
Fea ] una 1ariable aleatoria con media 33 y 1arian:a 1' . @allar una cota in#erior para : P Y 23 _ ] _ !3 Z So"ucin: P Y 23 _ ] _ !3 Z B P Y 23 Q 33 _ ] Q 33 _ !3 Q 33 Z B P Y Q 10 _ ] e 33 _ 10 Z B P Y I]Q b I _ 10 Z Obser1e 5ue: 10 B ^c y c B ! , entonces ^ B $[2 . 1 (5 * 2) 2
21 25
73 Pro,"emas !ro!uestos:
73
1. Fea ] una 1ariable aleatoria con media b B2 y 1arian:a c2 B 1. use la desi2ualdad de tc3ebys3e1 para 3allar una cota in#erior para : a8 P Y I]Q 2 I _ ! Z b= P Y Q 3 _ ] _ Z
Y I]Q 10 I d 3 Z
Y I]Q 10 I _ 3 Z
P Y $ _ ] _ 1$ Z
')
5ue: P
3. Con los datos del problema anterior determine el 1alor de JcK tal
Y I]Q 10 I d c Z L 0.0!
'ISTRI&UCI4N &INOMIAL
74
74
Fe tiene un n8mero #i;o de pruebas n. Con las si2uientes caracter7sticas: Cada prueba tiene slo dos posibles resultados: 2enricamente los llamamos (ito y #racaso. 4os denotamos con 1 <(ito= y 0 <#racaso=. .l resultado de cada prueba es independiente del resultado de las dems pruebas. 4a probabilidad de (ito no cambia de una prueba a otra. %os interesa slo el n8mero total de (itos ] y no el orden en 5ue 3ayan ocurrido. Cuando se cumplen las condiciones anteriores ] tiene la distribucin binomial con parmetros n y p, donde n es el n8mero de intentos y p la probabilidad de obtener un (ito. 4os 1alores posibles son desde cero 3asta ene: D 0, 1, 2, ... , n E. 4a #uncin de probabilidad es: #<^= B P<]B^= B nC^ p^5<nQ^=, para ^ en D0,1,2,...,nE donde me 3e 1isto obli2ado por la tipo2ra#7a, a usar el s7mbolo poco usual nC^ para denotar las combinaciones de ^ ob;etos tomados de un total de n:
n
C^ B YnCZ [ Y^C<nQ^=CZ
adems, la letra 5 representa la probabilidad de #racaso 5 B 1Qp. 4a media de la binomial es: .<]= B np y la 1arian:a: 1ar<]= B np5. G"nde se aplica el modelo binomialH: 1. G.n una #amilia de tres 3i;os, cul es la probabilidad de 5ue a lo ms 2 sean niIasH 4a probabilidad de niIa es 0.$6 el se(o de cada 3i;o es independiente del de los dems6 nB3 y pB0.$.
75
P<] B B 0.) $ _B 0.12$ 2= B M P<]B0= M
75
P<]B2=
o bien. P<] _B 2= B 1 Q P<]B3= B 1 Q 0.12$ B 0.) $ 2. Fe e(traen ! canicas CO% T..PP4AgO de una urna 5ue tiene $ blancas y 3 ne2ras. GCul es la probabilidad de 5ue sal2an menos de 2 blancasH Como la eleccin se 3ace con reempla:o, se cumplen los re5uisitos de un e(perimento binomial. ] es el n8mero de canicas blancas, n B ! y p B $[) B 0.'2$. 4a probabilidad 5ue necesitamos es P<] _ 2= y sta es i2ual a: P<] B B 0.1$1' _ 2= 0.3 $
!
P<]B0= M
76
76
descubra este 1alorZ. Claro 5ue tambin tenemos la posibilidad de calcular P<] _B 2= y restarla de uno. P<] B _B <.,=10 2= M B P<]B0= <10=<.1=<.,=, M P<]B1= M M P<]B2= <!$=<.1=2<.,=)
B 0.,2,)
'istri,ucin de &ernou""i6
.ste modelo se llama as7 en 3onor del probabilista de este apellido. A la binomial cuando n B 1 se le llama +ernoulli. .s a5uel modelo 5ue si2ue un e(perimento 5ue se reali:a una sola 1e: y 5ue puede tener dos so"uciones: acierto o #racaso: Cuando es acierto Cuando es E em!"o:
Probabilidad de salir cara al lan:ar una moneda al aire <sale cara o no sale=6 probabilidad de ser admitido en una uni1ersidad <o te admiten o no te admiten=6 probabilidad de acertar una 5uiniela <o aciertas o no aciertas=
Al 3aber 8nicamente dos soluciones se trata de
com!"ementarios:
A la probabilidad de (ito se le denomina
77
!GF=# -eamos los e
77
em!"os anteriores :
E em!"o #:
5uiniela:
Probabilidad de acertar: p B 0,00001 Probabilidad de no acertar: 5 B 0,,,,,, p M 5 B 0,00001 M 0,,,,,, B 1
'istri,ucin Bi!er2eom1trica
Fe tiene un 2rupo de % ob;etos de los cuales ^ son (itos y el resto,<%Q^=, son #racasos. Fe seleccionan n de los %, FI% T..PP4AgO. 4a 1.a. ] 5ue
78
78
nos interesa es el n8mero total de (itos entre los n seleccionados y no el orden en 5ue salieron. .n estas condiciones la 1.a. ] tiene la distribucin 3iper2eomtrica. Fu ima2en es D0,1,...,nE. 4a #uncin de probabilidad est dada por: P<]B(= B Y ^C ( <%Q^=C<nQ(= Z [ Y %Cn Z6 para ( en D 0,1,...,n E 4a media es: .<]= B n^[% y la 1arian:a: 1ar<]= B Y%QnZ[Y%Q1Z n <1Q^[%= ^[% G"nde se aplicaH 1. .n situaciones de muestreo sin reempla:o en 5ue la muestra es un porcenta;e considerable de la poblacin. Como e;emplo, de un lote de !0 art7culos se seleccionan al a:ar ! para probarlos y si #allan la prueba ms de 2 se rec3a:a el lote completo. GCul es la probabilidad de rec3a:ar un lote 5ue ten2a ) de#ectuososH "ado 5ue el muestreo se 3ace sin reempla:o y la #raccin de muestreo es 2rande <10X= tenemos una 1.a. 3iper2eomtrica. 4os parmetros son: %B!0, ^B), nB!, ] es el n8mero de de#ectuosos en la muestra y 5ueremos la probabilidad P<] a 2= B P<]B3= M P<]B!= B 1 ,2[,13,0 M 0[,13,0 B 0.020! sta es la probabilidad de rec3a:ar un lote con 2$X de de#ectuosos y es muy ba;a. Para me;orar el proceso de seleccin, los in2enieros deciden rec3a:ar el lote cuando 3aya 2 o ms de#ectuosos. GCul es la probabilidad de rec3a:ar un lote 5ue ten2a ) de#ectuososH 4os parmetros permanecen i2uales lo 5ue cambia es la probabilidad, a3ora es P<] aB 2= B P<]B2= M P<]a2= B 0.1$20 M 0.020! B 0.1 2! Con esta nue1a pol7tica de rec3a:ar el lote cuando sean 2 o ms, Gcul es la probabilidad de rec3a:ar un lote con ' de#ectuososH
79
79
4os parmetros son, a3ora, %B!0, ^B', nB! y 5ueremos la probabilidad: P<] B 1 B 0.0,, 2. .n el saln de tercer aIo de una escuela 3ay 3$ alumnos, de los cuales 10 son niIas y 2$ niIos. Fe nombra un comit de alumnos 5ue represente al saln. 4a seleccin se 3ace al a:ar. GVu probabilidad 3ay de 5ue en el comit 3aya mayor7a de niIasH .n esta situacin se cumplen las 3iptesis de una 3iper2eomtrica. 4os parmetros son: %B3$, ^B10, nB , ] es el n8mero de niIas en el comit. 4a probabilidad pedida es: P<] a 3= B P<]B!= M P<]B$= M P<]B'= M P<]B = B 0.0)3, a Q 10= B Y!'3 '[ 1 Q ,13,0 YP<]B0= M M P<]B1=Z ,13,0Z 3$,0![
Pro,"emas Pro!uestos:
1. 4a probabilidad 5ue en cierto establecimiento industrial el consumo de ener27a elctrica sea normal en 2! 3oras es i2ual a h. "eterminar la distribucin de probabilidad del n8mero de d7as de consumo normal de ener27a elctrica en un lapso de ' d7as6 represente en un dia2rama esta distribucin . determine adems cul es la probabilidad 5ue 3aya ! d7as de consumo normalH 2. Fe lan:a un dado ! 1eces cul es la probabilidad 5ue la suma , apare:ca e(actamente 2 1eces.
80
3.
80
/na m5uina produce cierto tipo de pie:as , de las cuales un promedio de $X son de#ectuosas . .n una muestra aleatoria de cinco pie:as . Gcul es la probabilidad de obtener : a= .(actamente una pie:a de#ectuosa. b= Por lo menos una pie:a de#ectuosa.
!.
4a probabilidad de #allar durante el 1uelo para cada uno de los ' motores de un a1in es 0.000$ . Fuponiendo 5ue los ' motores traba;an independientes, determine la probabilidad 5ue en un 1uelo determinado : a= no ocurra nin2una #alla de motor. b= %o ocurra ms de una #alla. c= Ocurra e(actamente 2 #allas.
$.
Fupon2a 5ue los motores de un a1in de cierta marca 5ue operan independientemente , tienen una probabilidad de #alla de 0.1 . supon2a 5ue un a1in e#ect8a un 1uelo e(itoso , si al menos la mitad de sus motores operan normalmente , determine cul a1in , una con ! motores y otro con ' motores , tiene mayor probabilidad de e#ectuar un 1uelo e(itoso.
'.
Fupon2a 5ue la m5uina A produce el doble de art7culos 5ue la m5uina + . Fe sabe 5ue el 'X de los art7culos 5ue produce la m5uina A son de#ectuosos mientras 5ue el 3X de los art7culos 5ue produce la m5uina + son de#ectuosos . Fupon2a 5ue se ;unta la produccin diaria de estas m5uinas y se toma una muestra aleatoria de 10 art7culos. Cul es la probabilidad de obtener 3 art7culos de#ectuosos.
81
.
81
/n e(amen consta de 20 pre2untas , cada una tiene $ respuestas, de las cuales slo una es correcta . /n estudiante 5ue desconoce el curso responde el e(amen al a:ar. a= Cul es la probabilidad 5ue acierte mas de 10 respuestas correctasH b= Cul es la probabilidad 5ue acierte mas de 1$ respuestas correctasH
).
Fe sabe 5ue la probabilidad de 5ue 2ermine una sola semilla de cierta clase es 0., . un a2ricultor 5uiere 1ender culti1os de esta planta, para lo cul ase1era 5ue cada uno contiene 100 plantas . Fi siembra 110 semillas en cada culti1o < 5ue se suponen 2erminarn en #orma independientes = Gcuntas plantas se puede esperar 5ue conten2a un culti1o promedioH
82
82
Cuando se trata de super#icies, los e;emplos son: el n8mero de ratas en un terreno, el n8mero de errores de mecano2ra#7a por p2ina, el n8mero de de#ectos por cent7metro cuadrado. Para 5ue una 1.a. sea de Poisson, se re5uiere 5ue se satis#a2an 3 3iptesis <5ue suelen llamarse tambin postulados del proceso de Poisson=. .n los problemas 5ue resol1emos en este curso, el 3ec3o de 5ue el modelo a utili:ar sea el de Poisson, #orma parte del enunciado del problema. 4a 1.a. de Poisson tiene un solo parmetro 5ue es mu B lambda.t 6donde t es la lon2itud del inter1alo o la super#icie de la re2in y lambda es la tasa de ocurrencia de e1entos por unidad de medida. 4a ima2en de la 1.a. de Poisson es D0, 1, 2, . . . E es decir todos los enteros no ne2ati1os. 4a #uncin de probabilidad esta dada por: P<] B ^= B e(p<Qmu=Ymu<^= [ ^CZ6 ^ B 0, 1, 2, . . . 4a media es .<]= B mu y la 1arian:a es 1ar<]= B mu. G"nde de aplica la 1.a. de PoissonH 1. Fi el promedio de llamadas por d7a 3bil <de oc3o 3oras= 5ue se reciben en un banco es ,'. GCul es la probabilidad de 5ue en una 3ora se reciban e(actamente 1!H A5u7, mu B 12 y P<] B 1!= B e<Q12=Y12<1!= [ 1!CZ B 0.0,0$ .n la misma situacin GCul es la probabilidad de tener ms de 1' llamadas en una 3oraH A3ora 5ueremos: P<] a 1'= B 1 Q P<] _B 1'=
83
83
esta 8ltima probabilidad la leemos en la tabla de Poisson y tenemos: P<] a 1'= B 1 Q 0.),) B 0.1013
.n estas condiciones: P<] B ^= apro(imadamente es e(p<Qmu=Ymu<^= [ ^CZ donde mu B np .;emplo. .n una cierta comunidad la probabilidad de 5ue una persona in#ectada por neumon7a muera es 0.002. GCul es la probabilidad de 5ue mueran a lo ms $ de las si2uientes 2000 personas in#ectadasH A5u7 se dan las condiciones para la apro(imacin: nB 2000 y p B 0.002 de modo 5ue mu B ! y la probabilidad pedida se obtiene de la tabla como P<] aB $= apro(imadamente es 0. )$1 3. /n mecan2ra#o comete, en promedio, 2 errores por p2ina. GCul es la probabilidad de 5ue ten2a ms de 20 errores en un documento de usando la tabla es P<] a 20= B 1 Q P<] _B 20= B 0.0! , p2inasH A5u7 mu B 1! 5ue es el n8mero esperado de errores en el documento. 4a probabilidad buscada,
84
84
07;ese 5ue a3ora no tenemos #i;o el n8mero de pruebas, sino 5ue 1amos a reali:ar las pruebas 3asta obtener el primer (ito. 4a 1ariable aleatoria 5ue 1amos a obser1ar es el n8mero total de pruebas reali:adas. Por e;emplo, si tiramos 1olados 3asta 5ue sal2a la primera 2uila, el n8mero total de 1olados necesarios ser la 1ariable aleatoria. .sta 1. a. tiene como posibles 1alores D1, 2, 3, . . . E. 4a #uncin de probabilidad es: P<] B ^= B 5<^Q1=p6 para ^ en D1,2,3, . . . E 4a media y la 1arian:a son: .<]= B 1 [ p y 1ar<]= B <1Qp= [ p 2. G"nde se aplica el modelo 2eomtricoH 1. .n un canal de comunicacin, un modem puede e5ui1ocar un carcter en1iado con una probabilidad pB0.001. GVu probabilidad 3ay de 5ue transmita 300 caracteres sin errorH Fe aplica el modelo 2eomtrico. 4a probabilidad 5ue buscamos es P<] a 300=. Para calcular esta probabilidad 3ay 5ue encontrar el
85
85
1alor de la serie suma desde 301 a in#inito D5<^Q1=pE . .sta serie da 5300 B <0.,,=300 B 0.0!,. .n el mismo problema GCul es el promedio de caracteres sin errorH 4a repuesta es .<]= B 1 [ 0.001 B 1,000 2. .n un proceso de manu#actura se sabe 5ue, en promedio, una de cada cien pie:as es de#ectuosa. GCul es la probabilidad de 5ue la 5uinta pie:a seleccionada al a:ar sea la primera de#ectuosaH A5u7 aplicamos el modelo 2eomtrico con pB0.01. 4a probabilidad 5ue re5uerimos es P<] B $=. "e acuerdo a la #rmula sta es: <0.,,=!<0.01=B0.00,' 4a &inomia" Ne2ati:a es el modelo 5ue aplicamos cuando, en la misma situacin 5ue la 2eomtrica, nos interesa el n8mero de intentos necesarios para obtener el ^Qsimo (ito. 4a ima2en de esta 1ariable aleatoria es: D^, ^M1, ^M2, . . . E 4a #uncin de probabilidades es: P<] B m= B
<mQ1=
C<^Q1=p<^=5<mQ^=
_+
para m en D ^, ^M1, ^M2, . . . E G"nde se aplicaH 1. /na persona se entretiene lan:ando al aire dos monedas, las reco2e y las 1uel1e a lan:ar, siempre lan:ando las dos. GCul es la probabilidad de 5ue las dos monedas cai2an 2uilas ambas por tercera ocasin, en el se(to lan:amiento. .ste es un problema binomial ne2ati1o <Utambin parece un problema de ociososC= donde (ito es 5ue las dos monedas cai2an ambas 2uilas. 4a probabilidad de 5ue suceda esto, en un solo
86
86
intento es p B 0.2$. Fi ] es el n8mero de intento en 5ue ambas sean 2uilas por tercera 1e:, ] es binomial ne2ati1a con ^B3. 4a probabilidad 5ue se nos pide es P<] B '= usando la #rmula, tenemos:
$
87
87
88
88
uni#orme en el inter1alo <0, 1= y la multiplico por 1$ y al resultado le sumo 36 en #rmula: ] B / i 1$ M 3. %ote 5ue como el 1alor ms pe5ueIo para / es el 0, el 1alor ms pe5ueIo para ] ser 3. .n el otro e(tremo, para / B 1, ] ser 1). YGCmo 3ace un n8mero uni#orme entre Q1$ y !$HZ. Con la uni#orme en el <0, 1= tambin es posible tener n8meros uni#ormes discretos. Por e;emplo, si 5uiero un n8mero 5ue 1al2a 1 2 3 con i2ual probabilidad, tomo un uni#orme en el inter1alo <0, 1=6 Fi me toca / menor 5ue 1[ 3, entonces toca el 1 Fi / sale entre 1[ 3 y 2[ 3, entonces toca el 2 Fi / es mayor 5ue 2[ 3, entonces toca el 3.
.s claro 5ue con este mecanismo los tres 1alores: 1, 2 y 3 tienen la misma probabilidad. YGCmo 3acemos un n8mero 5ue 1al2a 1, 2, 3, . . . , 3! con la misma probabilidad a partir de un uni#orme en el <0, 1=HZ 4as tcnicas de simulacin por computadora utili:an muc3o los n8meros uni#ormes en el inter1alo <0, 1= como elementos bsicos para construir modelos de colas en los bancos, procesos industriales, #uncionamiento de redes de computadoras, procesos de espera, tr#ico en andenes de #errocarril, mo1imiento de mercanc7as en aduanas, etc.
89 LA 'ISTRI&UCION NORMAL6
La Norma" Est.ndar
89
.l modelo normal estndar es el de una 1ariable aleatoria continua cuya ima2en son todos los n8meros reales. 4a densidad de la normal estndar es: #<:= B <2j=Q1[2e(p<Q:2 [ 2= .sta #uncin no tiene una inte2ral elemental de modo 5ue se re5uiere una tabla especial para conocer los 1alores de la probabilidad de una 1ariable normal. 4a tabla da probabilidades para 0<t= B P<g _ t=
4a 1ariable aleatoria normal estndar tiene propiedades importantes: 4a probabilidad est concentrada cerca de cero. Fe puede 1er, usando la tabla, 5ue la probabilidad de un inter1alo cercano a cero es mayor 5ue la de un inter1alo del mismo anc3o pero ale;ado de cero. .n el saln 3acemos 1arios e;ercicios de clculo de probabilidades 5ue nos con1encen de este 3ec3o. 4a probabilidad est simtricamente distribuida alrededor del cero. @aciendo cuentas con la misma tabla se 1e 5ue la 0<a= M 0<Qa= B 1, para cual5uier 1alor de a. .sto nos lle1a a concluir la simetr7a de la distribucin. Para al2unos clculos de probabilidad de una normal es con1eniente considerar el e;e real partido en cuatro peda:os, 1. antes de Qa,
90
2. entre Qa y 0, 3. entre 0 y a, !. despus de a.
90
4as probabilidades de <1= y <!= son i2uales6 las de <2= y <!= son i2uales6 las de <1= y <2= sumadas dan 0.$6 las de <3= y <!= suman 0.$. /se la tabla para calcular: P<g _ 1.!$=, P<g a Q0.,2=, P<Q0.$3 _ g _ 1.23=. .n la tarea tiene /d. muc3os e;ercicios ms de clculo de di#erentes probabilidades en el modelo normal. .sta 1ariable aleatoria, debido a la #orma de la densidad, tiene un 1alor central <el cero= 5ue RRatraeSS los 1alores. 4a unidad de medida de esta 1ariable es el uno.
Usos de "a norma"6 La norma" no est.ndar .n los casos en 5ue este modelo se usa, 2eneralmente: el 1alor central o promedio 1ale mu <distinto de cero= la unidad de medida o des1iacin estndar es si2ma <distinta de uno=. Para calcular en este caso no estndar, es preciso 3acer una trans#ormacin 5ue se llama estandari:acin. .sta estandari:acin es un codi#icacin de los 1alores. 4a #rmula para estandari:ar es: g B <] Q mu= [ si2ma 4a #orma de usar esta codi#icacin la e;empli#icamos en el pi:arrn y tiene /d. abundantes e;ercicios en la tarea.
91
91
.n esta parte del curso calcularemos probabilidades suponiendo 5ue el promedio y la des1iacin estndar nos son dados. .n un problema real, estos 1alores se tendrn 5ue obtener mediante obser1aciones a tra1s del proceso de estimacin. Mode"os re"acionados con "a norma" 4os distribuciones relacionadas con la normal re#eridas en el ob;eti1o $.2 del temario: t, ;i cuadrada y 0, sern 1istas posteriormente cuando ten2amos necesidad de usarlas. Por el momento es muy importante 5ue 3a2a /d. abundantes e;ercicios con la normal. E em!"o: Fea ] una 1ariable aleatoria %<$, != . a= b= GCul es la probabilidad de 5ue ] tome 1alores entre ! y H G Cul es la probabilidad de 5ue ] tome 1alores mayores 5ue 10.H
So"ucin: a= PY ! _ ] _ ZBPY
X 4 5 _ 2
7 5 Z 2
1 * 2) PY Q1[2 _ g _ 1 Z B (1) (
10 5 Z 2
92
92
Pro,"emas Pro!uestos.
1.
2.
Fea ] una 1ariable aleatoria con %< b, 2$ = Calcular: PY k ] e b k a 3 Z Fi ] es una 1ariable aleatoria con %< '$0, '2$ =. @allar la constante Jc a 0K tal 5ue: PY k ] e '$0 k _ c Z B 0.,$!!
3.
.n una distribucin normal se tienen los si2uientes datos: PI 9 J )* K = @6%# PI 9 L +) K = @6@/ .l @allar la media y la des1iacin estndar de la distribucin.
!.
consumo en 1olumen de a2ua para esa pe5ueIa ciudad tiene una distribucin normal con media 20000 litros y una des1iacin de 1000 litros < se entiende el consumo cada 2 d7as = . Fe trata de 3allar la capacidad de su tan5ue de a2ua para 5ue sea de solo 0.01 , la probabilidad 5ue en un periodo de dos d7as el a2ua no sea su#iciente para toda la demanda. $. Fi la duracin de los periodos de duracin de los postes tele#nicos de madera es tal 5ue el ,.$1X tienen un periodo de duracin 5ue e(ceden los , aIos, determine la des1iacin estndar de los periodos de duracin periodos es normal. si se sabe 5ue la distribucin de dic3os
SESION #>
93
93
.ste teorema es muy importante por5ue permite calcular probabilidades acerca de dnde se encuentra el 1alor del promedio muestral. .s slo cuestin de usar la tabla normal teniendo cuidado al estandari:ar de usar la des1iacin estndar adecuada 5ue es la de la poblacin di1idida por la ra7: cuadrada del n8mero de elementos de la muestra. .n el saln 3acemos en #orma detallada, e;emplos de estos clculos
94
94
.n este applet, 1emos nue1amente tiradas de dados. Fea 9 el numero 5ue muestra un dado al ser tirado. .l 1alor medio de los 1alores posibles de 9 es 3.$, y la 1arian:a es 3$[12 . Fi Sn es el la suma de n dados tirados, entonces si n es RR2randeSS, la 1ariable aleatoria
Puede ser apro(imada por una normal, lue2o Sn puede considerarse una normal de media 3.$in y 1arian:a 3$n[12. 4a cur1a ro;a es el 2ra#ico de la #uncin de densidad de una normal con esos parmetros.
Pro,"emas !ro!uestos:
1. /n e(amen de tipo test contiene 100 pre2untas, cada una con dos posibles respuestas <1erdaderaQ#alsa=, de las 5ue slo una es cierta. @acer uso de la apro(imacin normal para: a. Calcular la probabilidad de 5ue un alumno consi2a acertar !0 pre2untas sorteando al a:ar las 100 respuestas. b. Calcular la probabilidad de 5ue un alumno consi2a acertar 0 pre2untas cuando sabe la respuesta de 2$ pre2untas y sortea las respuestas de las otras $. c. "eterminar el n8mero de pre2untas 5ue un alumno debe acertar para 5ue el pro#esor ase2ure 5ue con una probabilidad de 0., el alumno no 3a sorteado todas las respuestas.
95
2.
95
.n cierta poblacin de animales, el 30X de los indi1iduos tienen menos de un aIo de edad. /tili:a el *eorema Central del 47mite para calcular la probabilidad de 5ue en una muestra de !0 animales 3aya 10 de menos de un aIo
3.
4a 1ariable aleatoria Wn es i2ual a la suma de los puntos 5ue salen al reali:ar n lan:amientos independientes de un dado e5uilibrado. /tili:ando el teorema central del l7mite, esco2er n de modo 5ue
!.
Fea GCul es la probabilidad de 5ue 0.01H $. /n ;u2ador 1a a ;u2ar a cara o cru: !00 partidas, en cada una de las cuales, y con idntica probabilidad, puede 2anar o perder una se di#erencie de la proporcin p
96
96
peseta. GCul es la m7nima cantidad 5ue debe lle1ar para 5ue, supuesto 5ue los pa2os o cobros se 3acen al #inal de la serie, ten2a una probabilidad de 0.,$ de 3acer #rente a sus posibles prdidasH '. Fe toman 30 n8meros reales ele2idos al a:ar entre 10 y 206 cada uno de ellos sir1e para #ormar un paralelep7pedo de dimensin 30. Calcular el 1alor de a para 5ue P<Volumen _ a=B0.,$ . Fupon2amos 5ue e(traemos una muestra aleatoria simple de una poblacin 5ue se distribuye se28n una UY0,2Z. .ncontrar apro(imadamente la probabilidad de 5ue la media muestral es encuentre entre 0.) y 1.1, si el tamaIo de la muestra es !).
).
Fea
1ariables
aleatorias
independientes
idnticamente distribuidas con media $ y 1arian:a 22$. a. /tili:ar la desi2ualdad de *c3ebic3e1 para calcular la probabilidad de 5ue la media muestral no di#iera de la media poblacional en ms de ' unidades. b. /tili:ar el *eorema Central de 47mite para calcular la misma probabilidad. ,. /n indi1iduo posee tres monedas idnticas e(ternamente, pero en las 5ue las probabilidades de obtener cara son di#erentes e i2uales a 0.), 0.' y 0.!. 4as tres monedas son lan:adas simultneamente
97
97
100 1eces.GCul es la probabilidad de obtener ms de 1 $ caras en los 100 lan:amientosH 10. .n un cierto ;ue2o la probabilidad de 2anar es 1)[3 . Fupon2amos 5ue en cada ;ue2o se puede 2anar 1 pts. o perder 1 pts.GCuntas 1eces 3ay 5ue ;u2ar para 2anar al menos 1000 pts. con probabilidad 0.$H 4as 2anancias diarias de un ;u2ador <en dlares= se distribuyen uni#ormemente en el inter1alo <Q!0,$0=. GCul es la probabilidad de 5ue el ;u2ador 2ane ms de $00 dlares en '0 d7asH
98
98
99
99
robustas a la normalidad, es decir, relati1amente insensible al tipo de distribucin, debido al teorema del limite central <la distribucin de medias es apro(imadamente normal para cual5uier distribucin siempre y cuando el tamaIo de muestra sea 2rande=. Por otra parte, los datos pueden trans#ormarse para cumplir con esta suposicin.
100
100
3omo2neas puede 3aber problemas en la deteccin de di#erencias entre medias. .n este caso con1iene reali:ar una trans#ormacin para 3acer las 1arian:as 3omo2neas o bien 3acer el anlisis con sub2rupos. Otra alternati1a es emplear mtodos no paramtricos.
101
101
seria 5ue s7 e(iste e#ecto del pla2uicida. .l rec3a:o de @o si2ni#ica la 9aceptacin9 de la 3iptesis alternati1a. 4a decisin sobre el rec3a:o o no de la 3iptesis nula siempre conlle1a un ries2o de error pues la decisin se basa en una muestra 5ue no contiene todos los elementos de la poblacin. Cuando no se rec3a:a @o no 5uiere decir 5ue se acepta @o. .s decir, la e1idencia no si2ni#ica 5ue la ase1eracin es cierta6 simplemente es 5ue los datos se con#orman, 3asta ese momento, con @o. Feleccionar y determinar el 1alor de la estad7stica de prueba. 4a estad7stica de prueba es la 1ariable 5ue se calcula con base a cierto modelo probabil7stico. 4a estad7stica de prueba es una 1ariable aleatoria 5ue tiene cierta distribucin conocida cuando @o es cierta. 4a idea es determinar 5ue tan probable es 5ue el 1alor de la estad7stica de prueba calculada ocurra cuando @o es cierta. Fi esta probabilidad es ba;a, se rec3a:a @o, con una probabilidad de e5ui1ocarse tambin ba;a. "eterminar el ries2o de e5ui1ocarse cuando se rec3a:a la 3iptesis nula <.rror tipo I=. .ste ries2o 2eneralmente se establece a priori y 1alores entre 0.10 y 0.001 son 2eneralmente usados. .n una seccin posterior se discute el empleo de los 1alores de P <Pvales= asociados a la estad7stica de prueba y empleados para tomar una decisin sobre @o. "eterminar un 1alor cr7tico de la estad7stica de prueba acuerdo al modelo probabil7stico 5ue 2enera dic3a estad7stica y la
102
102
probabilidad de cometer error tipo I. .ste 1alor permite decidir sobre la aceptacin o el rec3a:o de @o. Alternati1amente se puede calcular el 1alor de P. .stablecer un criterio de decisin: Por e;emplo, rec3a:ar @o si y solo si el 1alor calculado de la estad7stica de prueba es mayor o i2ual 5ue el 1alor cr7tico. Comparar el 1alor calculado contra el 1alor cr7tico y tomar una decisin. .sta es la parte #inal de una prueba de 3iptesis, sin embar2o, en toda in1esti2acin, este proceso es c7clico <Platt, 1,'!=.
Alternati1amente, el 1alor de la estad7stica de prueba puede emplearse para calcular la probabilidad de obtener dic3o 1alor cuando la 3iptesis nula es cierta. Fi esta probabilidad es reducida, se tienen dos opciones <Pnde:, 1, 3=: a= 4a 3iptesis nula es #alsa, o b= 4a 3iptesis nula es cierta pero se obtu1o una muestra 9rara9 o poco probable. .n este situacin se recDa5ar. la 3iptesis nula y 5ueda la incertidumbre <ba;a= de cometer un error tipo I. 'istri,uciones de Re0erencia 4a mayor7a de las pruebas estad7sticas 3acen uso de una distribucin de re#erencia. /na distribucin de re#erencia es un modelo probabil7stico de la estad7stica de prueba 5ue ocurre cuando @o es cierta, es decir, cuyo<s= parmetro<s= corresponden a los establecidos en la 3iptesis nula. Con
103
103
esta distribucin de re#erencia podemos calcular las probabilidades de obtener el 1alor obser1ado de dic3a estad7stica. Por e;emplo, supon2a 5ue e(aminamos una muestra de la cual obtu1imos una media muestral B). Podemos suponer 5ue este 1alor pro1ino de una distribucin %<$,2=, es decir, de una distribucin de medias distribuidas normalmente, Pedia l %<$, 2=. .n este caso, estamos suponiendo 5ue la media poblacional n _B $, i.e., @o: n _B $, contra @a: n a $. Adems, tambin suponemos 5ue la 1arian:a de las medias es 2. 4a 0i2ura 1 ilustra la distribucin probabil7stica %<$,2=.
0i2. 1. "istribucin normal %<$, 2=. .n la 0i2. 1 obser1amos 5ue el 1alor de nuestra media muestral <)= se encuentra en el e(tremo de la distribucin. .n e#ecto, la probabilidad de
104
104
obtener 1alores aB ) cuando @o n _B$ y 1arian:a B 2 son ba;as. Al calcular la probabilidad e(acta obtenemos el si2uiente 1alor: P<W media aB )=B 0.0' Obser1amos 5ue el 1alor de la media muestral <mayores o i2uales a )= ocurre con una probabilidad muy ba;a. .s decir, si @o #uese cierta, la probabilidad de obtener un 1alor de ) o mayor es 0.0' . Ciertamente, otros 1alores de n a $ podr7an 2enerar muestras con W media B ) con una mayor probabilidad. Cuando las probabilidades de ocurrencia de la estad7stica de prueba son ba;as <di2amos _ 0.0$= entonces podemos tomar la decisin de rec3a:ar @o, corriendo el ries2o de cometer un error i2ual a la probabilidad de obtener 1alores i2uales o mayores de dic3a estad7stica. .n este caso, podemos rec3a:ar @o con un ries2o de error e5ui1alente a P<Wmedia aB )= B 0.0' . .l 1alor de P<Wmedia aB )= corresponde al P-value. .(isten al2unas pruebas 5ue 3acen uso de una distribucin de re#erencia, en particular, las !rue,as de a"eatori5acin y !rue,as ,asadas en EeH!erimentos !re:iosE permiten probar 3iptesis sin necesidad de contar con una distribucin de re#erencia .
/na poblacin
105
105
1. Fe inspecciona una muestra de pul2ones de cierta re2in y se mide la lon2itud de corn7culo. Por datos obtenidos en otra re2in, se sabe 5ue la lon2itud promedio del corn7culo es de 0.10 mm. 4a 3iptesis nula se e(presa como: @o : muB 0.10, la 3iptesis alternati1a: @a: mu _a 0.10 mm. .n otras palabras, se prueba si la muestra pro1iene de una poblacin con media 0.1 mm, la 3iptesis alternati1a es 5ue la media es distinta. 2. Fe inspecciona una muestra de plantas de #r7;ol, se cuenta el n8mero de picudos del e;ote por 1aina. Fe desea saber 5ue tipo de distribucin probabil7stica representa los conteos de insectos. 'os !o,"aciones 1. Fe reali:a el si2uiente e(perimento. Fe pretende probar si cierto tipo de trampa captura adultos de 9sali1a:os9 i2ualmente del lado norte y del lado sur. A5ui la 3iptesis es mu1 B mu2, contra @a: mu1 _a mu2. mu1 es la media poblacional <n8mero de insectos capturados= en el lado sur, y mu2 es la media poblacional en el lado norte. 2. Fe postula 5ue e(iste una relacin lineal entre el numero de c3inc3es del sor2o y el rendimiento del sor2o. .l modelo estad7stico mas simple es 5ue el rendimiento <W= es una #uncin lineal del n8mero de c3inc3es <]=: Wi B +0 M +1] M ei. Fi este modelo es cierto, entonces +1 _a 0, de otra manera no e(iste relacin entre ] y W y el modelo se colapsa a: Wi B +0 M ei.
106
106
+0 representa la media 2eneral y +1 la pendiente de una recta. 4a 3iptesis 5ue se desea probar es: @o: +1 B 0 1s +1 _a 0. 3arias !o,"aciones CL $ !o,"aciones= 1. Fe e1al8an cuatro 3erbicidas A, +, C, ". 4os 3erbicidas A y + son preemer2entes y C, " postQemer2entes. 4os 3erbicidas A y C contienen el mismo in2rediente acti1o y la misma #ormulacin pero son 3ec3os por dos compaI7as distintas y tienen costo distinto. .l 3erbicida + es una me:cla del in2rediente acti1o del 3erbicida A y otro componente. 4o mismo ocurre con el 3erbicida ". .s decir, el 3erbicida " es una #ormulacin del 3erbicida C <in2rediente acti1o= con otro in2rediente acti1o. Adems de estos 3erbicidas se tiene un tratamiento testi2o <no 3ay control de male:as= y otro tratamiento 5ue consiste en control manual <mac3ete=. 4os 3erbicidas A y + son producidos por la compaI7a A2ro5u7micosQ1, los 3erbicidas C y " son producidos por la compaI7a A2ro5u7micosQ2. Fe #ormulan las si2uientes 3iptesis: a= .(iste di#erencia en los tratamientos 5u7micos con respecto al testi2o <no control= H b= .(iste di#erencia entre los 3erbicidas preemer2entes con respecto a los postemer2entesH Obser1e 5ue estas 3iptesis son propuestas antes del
e(perimento
107
107
2. Fe diseIa un e(perimento para determinar la e#ecti1idad de dos depredadores: Hippodamia y Coccinella. Fe e1al8an ambos depredadores tanto en estado lar1al como adultos. Fe prueban las si2uientes 3iptesis: .(isten di#erencias en el consumo entre Hippodamia y CoccinellaH .(isten di#erencias en el consumo de pul2ones entre lar1as y adultos de ambos depredadoresH 4a di#erencia en el consumo entre lar1as y adultos es el mismo para las dos especiesH 3. Fe prueban 1arias 1ariedades de #ri;ol con respecto al ata5ue de Zabrotes. .l ob;eti1o es determinar si e(isten 1ariedades resistentes al ata5ue de este insecto, e1aluado mediante el e#ecto de dic3as 1ariedades sobre las tasas de desarrollo. /na 3iptesis de interes ser7a: Cual es la 1ariedad mas resistente con respecto al testi2o
PRO&LEMAS PROPUESTOS:
1. /n contador cree 5ue los problemas de #lu;o de e#ecti1o de
una empresa son resultado directo del lento proceso de cobro de las cuentas por cobrar. "ice 5ue al menos el 0X de las actuales cuentas por cobrar tienen ms de dos meses. /na muestra de 120
108
cuentas por cobrar indica 5ue 3ay
108
4os resultados si2uientes son para dos muestras independientes tomadas de dos poblaciones
109
109
B 10! F1 B ).! a. !.
B 10' F2 B .' GCul es su conclusin de la prueba de 3iptesis con GCul es el 1alor pH a= : B b= Q1.$36 no rec3a:ar 0.12'0 @o B 0.0$H
T.FP/.F*A:
0
si2uientes de corresponden con a a dos B muestras 0.0$H
resultados prueba
$. 4os si2uientes estad7sticos corresponden al e;ercicio anterior, en el 5ue con dos muestras independientes de 1ia;eros se cali#icaron los aeropuertos de Piami y 4os on2eles.
110
Aeropuerto *amaIo de muestra $0 $0
110
la
G.s la media de la poblacin de cali#icaciones del aeropuerto de 4os on2eles mayor 5ue la del de PiamiH Apoye su conclusin con una prueba estad7stica 5ue emplee un ni1el de si2ni#icancia de T.FP/.F*A: 0.)!, no rec3a:ar B0.0$ @o
'. .l estudio de las tiendas >reyston "epartment Ftore de la seccin 10.1 produ;o los si2uientes datos acerca de las edades de los clientes, con dos muestras aleatorias independientes tomadas en dos lu2ares de la ciudad. *ienda del centro n1 B 3' B !0 aIos F1 B , aIos *ienda suburbana n2 B !, B 3$ aIos F2 B 10 aIos 0.
Para a B 0.0$, pruebe @ o: 1 Q 2 B 0 contra la alternati1a @a: 1 Q 2 poblaciones . de los clientes en las dos tiendasH
111
111
mu;eres en la Prueba de Aptitud .scolar <PA.=. .l estudio identi#ic una muestra aleatoria de $'2 alumnos mu;eres y )$2 alumnos 3ombres 5ue alcan:aron la misma alta cali#icacin en la parte de matemticas. .sto es, se consider 5ue los alumnos, mu;eres y 3ombres, ten7an aptitudes seme;antes y altas en matemticas. 4as cali#icaciones de e(presin oral del PA., para las dos muestras, se resumen en la tabla si2uiente.
Alumnos mu;eres
Alumnos 3ombres
B $! B $2$ F1 B )3 F2 B ) .sos datos, Grespaldan la conclusin 5ue, dada una poblacin de alumnos mu;eres y una de alumnos 3ombres con aptitudes matemticas altas, los alumnos mu;eres tienen una aptitud bastante mayor de e(presin oralH @a2a la prueba con ni1el de si2ni#icancia de conclusinH T.FP/.F*A: : B !.,,6 rec3a:ar @o B 0.02. GCul es su