Anda di halaman 1dari 25

GRADO EN INGENIER

IA AMBIENTAL

Introducci
on
ESTAD
ISTICA

TEMA 4

PROBABILIDAD

Sonia Hern
andez Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC)
Departamento de Estadstica e Investigaci
on Operativa (URJC)

Limitaciones de la estadstica descriptiva De la muestra a la poblaci


on

En los temas anteriores hemos analizado diferentes instrumentos para Una muestra se obtiene mediante la elecci on al azar de algunos de
describir un conjunto de observaciones. Tales herramientas permiten los elementos de la poblaci on. Por ello un problema fundamental en
extraer la informaci
on mas relevante contenida en los datos. estadstica es el de c
omo tratar la incertidumbre derivada del hecho
de que en estos estudios intervenga el azar.
Cuando se dispone de los valores correspondientes a todos los elemen-
tos de la poblaci
on que se quiere analizar, un an alisis descriptivo es La inferencia estadstica se ocupa de los m
etodos para inferir propie-
suciente para sacar conclusiones sobre la variable que nos interesa. dades sobre toda la poblaci on a partir de una muestra, es decir, de
las t
ecnicas para sacar obtener informacion sobre el todo mirando a
El problema es que, en la mayor parte de parte de los estudios cient-
una parte.
cos, resulta imposible recoger datos de la variable de inter
es para to-
dos los individuos de la poblaci
on. Por ejemplo, no puede medirse el Esto supone llevar a cabo un aprendizaje inductivo, de lo particular
nivel de mercurio de todos los atunes del Mediterr aneo, ni la huella a lo general. Para ello hay que calcular la probabilidad de obtener
ecol
ogica de cada individuo del planeta. una muestra como la que se ha recogido bajo la hip
otesis cuya validez
queremos contrastar.
En tales ocasiones, los estudios tienen que basarse un subconjunto de
elementos de la poblacion, es decir, en una muestra.

Y, describir una muestra NO es equivalente a describir la poblaci


on.
1
Un ejemplo familiar: sondeos electorales Qu
e es la probabilidad?

Supongamos que se ha extrado una muestra de 100 votantes para La probabilidad es la disciplina cientca que estudia los fen
omenos
obtener informaci on sobre la intenci
on de voto en las elecciones que se que est
an sujetos a alg
un grado de incertidumbre, es decir, aquellos
realizar
an el pr
oximo mes en cierta regi on, y que, de las 100 personas experimentos en los que interviene el azar.
encuestadas, 62 han declarado que votar an a favor del candidato K.
Su objetivo es determinar la plausibilidad de los distintos resul-
Se puede concluir que la mayora de los votantes del censo est
an a tados de un experimento cuando no es posible predecir antelacion
favor de ese candidato, o expresado de otra forma, que K obtendra la cu
al de ellos va a ocurrir.
mayora absoluta en las pr
oximas elecciones regionales?
El azar esta muy presente en nuestras vidas, y el lenguaje cotidiano
O, por el contrario, es posible que, por casualidad, la muestra conten- incluye expresiones como poco probable, muy verosimil o bastante
ga una proporcion mayor de votantes a favor de K que la proporci on incierto, que responden a tales preguntas de una forma cualitativa.
de votantes que le apoyan sobre el total de la poblaci on, y que, en
Sin embargo, este tipo de respuestas resultan insucientes para resol-
realidad, este candidato no cuente con una mayora absoluta?
ver los problemas que aqu se nos plantean.
Para responder a estas cuestiones, tenemos que calcular la probabili-
Ser
a necesario que cuantiquemos tales juicios, es decir, necesitare-
dad de que 62 personas de una muestra de 100 voten a favor de un
mos expresarnos en terminos de probabilidades.
candidato cuando, en realidad,
este no cuenta con la mayora absoluta
de votantes en la poblaci
on.

Esquema

Sucesos aleatorios

Frecuencia relativa y probabilidad

Propiedades de la probabilidad

La regla de Laplace Sucesos aleatorios


Probabilidad condicionada

Regla de la multiplicaci
on

Independencia de sucesos

Teorema de la probabilidad total

Teorema de Bayes

Combinatoria Sonia Hern andez Alonso


Estadstica-Ingeniera Ambiental (URJC) 2
Experimentos aleatorios y espacio muestral Ejemplo: espacios muestrales

Los experimentos o fen


omenos cuyo resultado depende del azar reci- Vamos a analizar cu al es el espacio muestral de cada uno de los
ben el nombre de experimentos aleatorios o fenomenos aleatorios. siguientes experimentos aleatorios:

Algunos ejemplos de este tipo de experimentos son el resultado del Lanzamiento de una moneda:
lanzamiento de una moneda o de un dado, el sexo del futur@ descen-
= {C, X }
diente de una mujer embarazada, el tipo de cambio diario de un ndice
de precios en bolsa, o el orden de llegada a la meta en una carrera. Lanzamiento de una moneda dos veces consecutivas:
Para un experimento aleatorio, aunque todos sus posibles resultados = {CC, CX , X C, X X }
sean conocidos antes de realizarlo, no es posible predecir cu
al de ellos
es el que se va a obtener.
Lanzamiento de una moneda tres veces consecutivas:

= {CCC, CCX , CX C, CX X , X CC, X CX , X X C, X X X }


El primer paso para estudiar un experimento aleatorio es registrar
todos los resultados que pueden aparecer. Lanzamiento simult
aneo de dos monedas iguales:

Se llama espacio muestral al conjunto de resultados posibles de un = {CC, CX , X X }


experimento.
Lanzamiento de una moneda hasta obtener una cara:
Denotaremos el espacio muestral mediante la letra .
= {C, X C, X X C, X X X C, X X X X C, . . . . . . . . .}

Sucesos aleatorios Ejemplo: sucesos aleatorios

Un suceso aleatorio o evento aleatorio es cualquier subconjunto Para el experimento aleatorio consistente en lanzar un dado se tiene:
del espacio muestral , es decir, cualquiera de las cosas que puede
espacio muestral: = {1, 2, 3, 4, 5, 6}
suceder (o no suceder) al realizar un experimento aleatorio.

Los sucesos aleatorios se denotan con letras may usculas, y pueden sucesos elementales: {1}, {2}, {3}, {4}, {5}, {6}
contener uno o varios de los resultados posibles del experimento.

A los sucesos que tienen un s


olo elemento se les da el nombre de suceso imposible:
sucesos elementales.
suceso seguro: = {1, 2, 3, 4, 5, 6}
El suceso seguro es el suceso que siempre ocurre, es decir, el espacio
muestral, .

{1, 2} (sale un n
umero menor que 3)




El suceso imposible es aquel que nunca se verica como resultado
{2, 4, 6} (sale un n
umero par)
del experimento, esto es, el conjunto vaco (sin elementos), . otros sucesos aleatorios:

{1, 3, 5} = {2, 3, 4}c (sale un n

umero impar)




El suceso no ocurre A est
a formado por los resultados que no perte- etc
necen a A, y recibe el nombre de suceso complementario o suceso
contrario de A. Se denota por Ac o por A . 3
Operaciones con sucesos aleatorios Ejemplo: operaciones con sucesos aleatorios

Cuando se consideran dos o m as sucesos, puede ser importante estu- Para el experimento consistente en el lanzamiento de un dado, consi-
diar la posibilidad de que ocurra al menos uno de ellos, o bien de que deremos los sucesos
sucedan ambos a la vez.
A = {1, 2, 3}
on de los sucesos A, B, que se denota por A B es el suceso
La uni
A o B es decir, el evento que se verica cuando ocurre al menos B = {3, 4}
uno de los dos sucesos:
La uni
on y la intersecci
on de estos sucesos son, respectivamente:
A B = {resultados que est
an en A o est
an en B}
A B = A o B = {1, 2, 3, 4}
on de los sucesos A, B, que se denota por A B es
La intersecci
el suceso A y B es decir, el evento que se verica cuando ocurren
A B = A y B = {3}
ambos sucesos al mismo tiempo:

A B = {resultados que est


an en A y est
an en B}

Sucesos incompatibles

Se dice que los sucesos A y B son incompatibles o disjuntos si no


pueden ocurrir ambos a la vez, es decir, si el suceso A B es el suceso
imposible:
AB =

Por ejemplo, en el lanzamiento de un dado, los sucesos Frecuencia relativa y probabilidad


T = {1, 2} = sale un n
umero menor que 3
C = {5, 6} = sale un n
umero mayor que 4
son eventos incompatibles, ya que no tienen ning
un elemento en
comun,
T C = ,
y por tanto no pueden suceder ambos a la vez.

Sonia Hern andez Alonso


Estadstica-Ingeniera Ambiental (URJC) 4
Lmite de las frecuencias relativas Gr
aco: lmite de las frecuencias relativas

Cuando se repite un experimento aleatorio, se observa que, a medida Lanzamiento de una moneda

que aumenta el numero de repeticiones, las frecuencias relativas con

1.0
las que un suceso A ocurre,

0.8
umero de ocurrencias de A en n repeticiones
n

frecuencia relativa de cara


fn(A) = ,
n

0.6
tienden a estabilizarse alrededor de una cantidad.

0.4
Este valor lmite puede interpretarse como la probabilidad de que
ocurra el suceso A:

0.2
P (A) = lm fn(A)
n

0.0
0 500 1000 1500

nmero de tiradas de la moneda

Gr
aco: lmite de las frecuencias relativas Gr
aco: lmite de las frecuencias relativas

Lanzamiento de una moneda Lanzamiento de una moneda


1.0

1.0
0.8

0.8
frecuencia relativa de cara

frecuencia relativa de cara


0.6

0.6
0.4

0.4
0.2

0.2
0.0

0.0

0 500 1000 1500 0 500 1000 1500

nmero de tiradas de la moneda nmero de tiradas de la moneda

5
Gr
aco: lmite de las frecuencias relativas Gr
aco: lmite de las frecuencias relativas

Lanzamiento de dos monedas Lanzamiento de un dado

1.0

1.0
0.8

0.8
frecuencia relativa del resultado 4
frecuencia relativa de dos caras

0.6

0.6
0.4

0.4
0.2

0.2
0.0

0.0
0 500 1000 1500 0 500 1000 1500

nmero de tiradas de las dos monedas nmero de tiradas del dado

Gr
aco: lmite de las frecuencias relativas Propiedades de las frecuencias relativas

Sorteo de la ONCE
Observemos que las frecuencias relativas verican:

La frecuencia relativa siempre toma valores comprendidos entre 0


1.0

y 1 (que corresponde a porcentajes entre el 0 % y el 100 %):


0 f (A) 1.
frecuencia relativa de terminaciones en 3

0.8

La frecuencia relativa del suceso seguro es 1 (es decir, el 100 %):


f () = 1.
0.6

La frecuencia relativa del suceso complementario de A es


0.4

f (Ac) = 1 f (A).
Si A y B son sucesos incompatibles, entonces
0.2

f (A B) = f (A) + f (B)
Para cualquier par de sucesos A y B, se verica
0.0

0 500 1000 1500 f (A B) = f (A) + f (B) f (A B).


nmero de sorteos
La probabilidad, como lmite de las frecuencias relativas, conser-
var
a estas propiedades. 6
Propiedades de la probabilidad

La probabilidad, como lmite de las frecuencias relativas, hereda sus


propiedades. Se cumple que:

1. La probabilidad de cualquier suceso es siempre un n


umero entre
cero y uno:

Propiedades de la probabilidad 0 P (A) 1 para todo suceso A

2. La probabilidad del suceso seguro es 1:

P () = 1

3. Si A y B son sucesos incompatibles, entonces la probabilidad de su


uni
on es la suma de las probabilidades de los dos sucesos, es decir,

si A B = P (A B) = P (A) + P (B)
Expresado de otra forma: si dos sucesos no pueden ocurrir a la vez,
entonces la probabilidad de que suceda alguno de ellos (A o B) es
Sonia Hern andez Alonso la suma de las probabilidades de que ocurra cada uno de ellos.
Estadstica-Ingeniera Ambiental (URJC)

Otras propiedades de la probabilidad Ejemplos: propiedades de la probabilidad

Otras propiedades de las frecuencias relativas que la probabilidad con- Dado el espacio muestral = {a, b, c}, se sabe que P ({a, b}) = 0.7 y
serva son las siguientes: P ({b, c}) = 0.6. Calcular las probabilidades de cada uno de los sucesos
elementales.
La probabilidad del complementario de cualquier suceso es
on: P ({a}) = 0.4, P ({b}) = 0.3, P ({c}) = 0.3
Soluci
P (Ac) = 1 P (A)
Supongamos que A y B son sucesos disjuntos con P (A) = 0.3 y
Es decir, la probabilidad de que no ocurra A es 1 menos la proba-
P (B) = 0.5. Calcular P (Ac B c).
bilidad de que ocurra A.
Esta propiedad facilita el calculo de muchas probabilidades. Por Soluci
on: 0.2
ejemplo la probabilidad de alguno (o al menos uno) casi siem- En cierta universidad, el 65 % de los alumnos habla ingl es, el 30 %
pre es m
as f
acil calcularla como habla franc
es y el 10 % habla ambos idiomas. Cual es la probabilidad
P (alguno) = 1 P (ninguno) de que un estudiante elegido al azar hable alguno de estos idiomas?

Cuando los sucesos A y B no son incompatibles, la probabilidad de Soluci


on: 0.85
que ocurra al menos uno de ellos (A o B), viene dada por

P (A B) = P (A) + P (B) P (A B)
7
Espacios equiprobables

En muchas ocasiones, por razones de simetra fsica o l


ogica, todos los
resultados posibles de un experimento tienen las mismas posibilidades
de ocurrir.

Por ejemplo en el sorteo de la ONCE todos los numeros tienen la mis-


ma probabilidad de obtener el premio; o al lanzar un dado equilibrado,
La regla de Laplace todos los valores de 1 a 6 tienen la misma probabilidad de aparecer.

Se dice por ello que estos espacios muestrales son equiprobables.

En tales casos puede calcularse la probabilidad de cualquier suceso


aleatorio A utilizando la llamada la regla de Laplace:
cardinal de A
P (A) = ,
cardinal de

o, expresado de otro modo,


umero de casos favorables a A
n
P (A) =
Sonia Hern andez Alonso n
umero de casos posibles
Estadstica-Ingeniera Ambiental (URJC)

Ejemplo: aplicaci
on de la regla de Laplace C
omo contar los casos?

Se tiran dos dados, uno blanco y otro negro y se quieren calcular Muchas veces el recuento de los casos posibles y los favorables es m
as
probabilidades relativas a este experimento. complicado que en los ejemplos anteriores.

Como el espacio muestral, Supongamos, por ejemplo, que en lugar de lanzar dos dados lanzamos
cinco dados, y queremos calcular la probabilidad de que la suma de las
= {(1, 1), (1, 2), . . . , (1, 6), (2, 1), . . . , (2, 6), . . . . . . , (6, 1), . . . , (6, 6)},
puntuaciones este entre 10 y 12. Esta propabilidad puede calcularse
es equiprobable, podemos calcular la probabilidad de cualquier suceso usando la regla de Laplace, pero contar los casos directamente es
utilizando la regla de Laplace. inabordable.
As, por ejemplo, En estas ocasiones conviene hacer uso de la combinatoria para contar
6 1 el n
umero de casos posibles y el de los casos favorables.
P (sacar un 4 en el dado negro) = =
36 6
15 5
P (sacar mas puntuaci
on en dado blanco que en negro) = =
36 12
4 1
P (la suma de las puntuaciones es 2, 3
o 12) = =
36 9
9 1
P (la mayor puntuaci
on de los dos dados es 5) = =
36 4 8
Ejemplo: coincidencia de cumplea
nos Soluci
on: coincidencia de cumplea
nos

Vamos a calcular la probabilidad de que en un grupo de 30 personas P (alguna coincidencia)


haya alguna coincidencia de cumpleanos, es decir, alg
un da en el que
por lo menos dos de las personas del grupo celebren su cumplea nos. = 1 P (ninguna coincidencia)
Supondremos que para cada persona, es igual de probable haber na-
cido en cualquiera de los 365 das del a
no. no combinaciones de fechas para 30 cumples sin coincidencias
=1
no combinaciones de fechas para 30 cumples

365 364 336


=1
36530

= 0.7063

As pues, con 30 personas, la probabilidad de que haya alguna coinci-


dencia en los cumplea nos es del 70.63 %.

El gr
aco de la p
agina siguiente representa la probabilidad de que haya
alguna coincidencia en funcion del numero de personas del grupo.

Gr
aco: coincidencia de cumplea
nos Limitaciones de la regla de Laplace
coincidencia de cumpleaos
Observese que la regla de Laplace no puede aplicarse para calcular
1.0

probabilidades en cualquier experimento aleatorio, ya que muchas


veces los resultados posibles tienen distinta probabilidad de ocurrir, es
decir, en muchos casos los espacios muestrales no son equiprobables.
probabilidad de alguna coincidencia

0.8

Por ejemplo el espacio muestral del experimento consistente en lanzar


0.6

simult
aneamente dos monedas iguales,

= {CC, CX , X X } ,
0.4

consta de tres elementos. Sin embargo estos tres sucesos elementales


no son igualmente probables, ya que
0.2

1
P (CC) = P (X X ) = ,
4
0.0

mientras que
1
0 10 20 30 40 50 60 P (X C) = .
2
nmero de personas

9
Actualizando la informaci
on disponible

En muchas ocasiones, cuando se est a calculando la probabilidad de


un suceso, aparece nueva informaci on que cambia o actualiza las
posibilidades de que ocurra dicho evento.

Supongamos por ejemplo que se lanza un dado equilibrado y se puede


apostar a pares o nones. Nuestra intenci
on inicial es apostar por los
Probabilidad condicionada n
umeros impares. Usando la regla de Laplace tenemos que
3
P (impar) = = 0.5 = P (par),
6
por lo que la apuesta que tenemos en mente es razonable.

Supongamos que alguien nos dice que el resultado del lanza-


miento ha sido un n umero mayor que dos. Preferiramos cambiar
nuestra apuesta antes de ver el resultado?

Y si se nos informa de que el resultado obtenido ha sido un


n
umero mayor que tres?
Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC)

Denici
on de probabilidad condicionada Ejemplo: probabilidad condicionada

El conocimiento de que ha ocurrido cierto suceso B puede modi- Se lanza un dado equilibrado y se puede apostar a pares o nones.
car la probabilidad de que se verique otro suceso A, ya que por lo
general, la ocurrencia de B cambiara el n
umero de casos posibles del 1. Cu
al es la probabilidad de el resultado del lanzamiento sea un
experimento, y tambi umero de casos favorables al suceso A.
en el n n
umero impar?
2. Si se sabe que el resultado del lanzamiento ha sido un n
umero
La idea de probabilidad condicionada permite incorporar esta infor-
mayor que dos, cual es la probabilidad de que sea un n
umero
maci
on relevante para el c
alculo de la probabilidad de un suceso.
impar?
Se dene la probabilidad condicionada del suceso A sabiendo que 3. Si se sabe que el resultado del lanzamiento ha sido un n umero
ha ocurrido B como mayor que tres, cual es la probabilidad de que se trate de un
P (A B) n
umero impar?
P (A|B) =
P (B)

on tiene sentido siempre que P (B) > 0.


Esta denici

10
Soluci
on: probabilidad condicionada Soluci
on: probabilidad condicionada (continuaci
on)

1. El espacio muestral es 2. Si se nos informa de que el resultado obtenido ha sido un n ume-


= {1, 2, 3, 4, 5, 6} ro mayor que dos, se nos est a diciendo que ahora el conjunto de
resultados posibles se ha reducido a
y el suceso de inter
es
I = {1, 3, 5} D = {3, 4, 5, 6}

Si el dado no esta trucado, todos los n


umeros tienen la misma proba- De estos resultados posibles, los favorables al suceso de que salga un
bilidad de salir. Por tanto puede aplicarse la regla de Laplace: n
umero impar son los impares mayores que dos, es decir, 3 y 5, o lo
que es lo mismo, los del conjunto

umero de casos favorables a I


n I D = {3, 5}
P (I) =
n
umero de casos posibles Aplicando la regla de Laplace a esta nueva situaci
on, se obtiene que

cardinal de I
=
cardinal de no casos favorables a I cardinal(I D) 2
P (I|D) = o = = = 0.5
n casos posibles cardinal(D) 4
3
=
6 Por tanto, la informaci
on de que el resultado obtenido ha sido un
n
umero mayor que dos no modica la probabilidad de obtener un
= 0.5 resultado impar.

Soluci
on: probabilidad condicionada (continuaci
on) Soluci
on: probabilidad condicionada (continuaci
on)

2. (continuaci
on) 3. Si se nos informa de que el resultado obtenido ha sido un n ume-
ro mayor que tres, se nos est a diciendo que ahora el conjunto de
N
otese que esta misma probabilidad puede calcularse con la denici
on
resultados posibles se ha reducido a
de la probabilidad condicionada, ya que,
T = {4, 5, 6}

4 De estos resultados posibles, los favorables al suceso de que salga un


P (D) = ,
6 n
umero impar son los impares mayores que tres, es decir, 5:

2 I T = {5}
P (I D) = ,
6 Aplicando la regla de Laplace a esta nueva situaci
on, se obtiene
y por tanto
no casos favorables a I cardinal(I T ) 1
P (I D) 2/6 2 P (I|T ) = o = = = 0.3333
P (I|D) = = = = 0.5 n casos posibles cardinal(T ) 3
P (D) 4/6 4
Por tanto, la informaci
on de que el resultado obtenido ha sido un
n
umero mayor que tres disminuye sensiblemente la probabilidad
de obtener un resultado impar.

11
Soluci
on: probabilidad condicionada (continuaci
on)

3. (continuaci
on)

Esta probabilidad se puede calcular tambi


en siguiendo la denici
on de
la probabilidad condicionada. Teniendo en cuenta que

3 Regla de la multiplicaci
on
P (T ) = ,
6

1
P (I T ) = ,
6
se concluye que
P (I T ) 1/6 1
P (I|T ) = = = = 0.3333
P (T ) 3/6 3
Luego, si se nos permite cambiar nuestra apuesta tras recibir esta
informaci
on, optaremos por apostar a los n
umeros pares.

Sonia Hern andez Alonso


Estadstica-Ingeniera Ambiental (URJC)

Regla de la multiplicaci
on Ejemplo: mujer y desempleada

La denici
on de probabilidad condicionada implica que En cierto pas, el 40 % la poblaci
on est
a formada por mujeres. Se sabe
P (A B) que el 15 % de los hombres y el 28 % de las mujeres est a en paro.
P (A|B) = P (A B) = P (B) P (A|B)
P (B) Un estudio requiere contactar con una mujer que est
e desempleada.
y tambi
en que
Si se selecciona al azar a cualquier persona dentro de la poblaci
on,
P (A B)
P (B|A) = P (A B) = P (A) P (B|A). cual es la probabilidad de que dicha persona cumpla los requisitos
P (A)
del estudio?
Por tanto,

P (A B) = P (A) P (B|A) = P (B) P (A|B)

Es decir, la probabilidad de que ocurran dos sucesos a la vez puede


calcularse como la probabilidad de que ocurra uno cualquiera de ellos
multiplicada por la probabilidad de que ocurra el otro suceso sabiendo
que ha ocurrido el primero.

Nos referiremos a este resultado como regla de la multiplicaci


on.

12
Soluci
on: mujer y desempleada Extensi
on de la regla de la multiplicaci
on

Consideremos los sucesos La regla de la multiplicaci


on se puede extender a tres o m
as su-
cesos de :
D= la persona seleccionada est
a desempleada
M = la persona seleccionada es una mujer P (A B C) = P (A) P (B|A) P (C|A, B),

Queremos calcular P (M D), o lo que es lo mismo, P (M y D). P (A B C D) = P (A) P (B|A) P (C|A, B) P (D|A, B, C),

El enunciado nos indica que etc.

P (M ) = 0.4 Esto facilita el c


alculo de probabilidades de eventos en experimentos
P (D|M ) = 0.28 que van sucediendo secuencialmente, como es el caso de los ejemplos
que siguen.
Aplicando la regla de la multiplicaci
on se obtiene que la probabilidad
de que la persona seleccionada sea una mujer desempleada es

P (M D) = P (M )P (D|M ) = 0.4 0.28 = 0.112

Ejemplo: extracci
on de tres cartas de la baraja Soluci
on: extracci
on de tres cartas de la baraja

La baraja espa nola consta de 40 cartas divididas en 4 palos. Se van a Podemos calcular todas estas probabilidades de manera secuencial,
seleccionar al azar tres cartas de una baraja de este tipo. Las cartas bas
andonos en la regla de la multiplicaci
on:
se eligir
an sin reemplazamiento, es decir, cuando se saca una carta se
10 9 8
queda fuera de la baraja. 1. P (tres copas) = = 0.0121
40 39 38
1. Cu
al es la probabilidad de que las tres cartas sean copas? 4 3 4
2. P (as, as, rey) = = 0.0008
2. Cual es la probabilidad de que las dos primeras cartas sean ases 40 39 38
y la tercera sea un rey? 4 3 4
3. P (dos ases y un rey) = 3 = 0.0024
3. Cual es la probabilidad de que se obtengan dos ases y un rey en 40 39 38
cualquier orden? 36 35 34
4. P (ning
un caballo) = = 0.7227
4. Cu
al es la probabilidad de no obtener ning
un caballo? 40 39 38

5. Cu
al es la probabilidad de obtener alguna espada? 30 29 28
5. P (alguna espada) = 1 P (ninguna espada) = 1 =
40 39 38
6. Cual es la probabilidad de que obtener una sota, un caballo y un
= 1 0.4109 = 0.5891
rey en cualquier orden?
4 4 4
6. P (una sota, un caballo y un rey) = 6 = 0.0065
40 39 38 13
Ejemplo: probabilidad de aprobar una oposici
on Soluci
on: probabilidad de aprobar una oposici
on

El temario de un examen de oposici


on consta de 80 temas que est
an La probabilidad de aprobar es la complementaria de la probabilidad
numerados. de suspender.

En el examen, cada opositor saca cuatro bolas de una bolsa que Esta ultima es f
acil de calcular, ya que, aplicando la regla de la mul-
contiene 80 bolas numeradas con cada uno de los temas. tiplicaci
on se obtiene que
60 59 58 57
El opositor elige el tema que desee (uno s
olo) de entre esos cuatro y P (suspender) = = 0.3083
80 79 78 77
lo expone ante el tribunal.
Por tanto
Una opositora acude al examen habiendo estudiado s olo 20 de estos
temas. Cu
al es la probabilidad de que apruebe la oposici
on? P (aprobar) = 1 P (suspender) = 1 0.3083 = 0.6917

Es decir, preparando la cuarta parte de los 80 temas, la opositora


tiene una probabilidad de aprobar de casi el 70 %.

Qu
e son los sucesos independientes?

De forma intuitiva, dos sucesos aleatorios son independientes cuando


la aparici
on de uno de ellos no modica la probabilidad de que ocurra
el otro.

Supongamos por ejemplo que al lanzar dos veces una moneda equili-
brada consideramos los sucesos
Independencia de sucesos
A= en el primer lanzamiento sale cara
B= en el segundo lanzamiento sale cruz

En este caso, el saber que ha salido una cara en el primer lanzamiento


no afecta a lo que ocurra en el segundo lanzamiento, por lo que la
probabilidad de que ocurra B sabiendo que ha ocurrido A es la misma
que la probabilidad de que ocurra A sin tener ninguna informaci on:

P (B|A) = P (B) = 0.5

Diremos por ello que A y B son sucesos independientes.


Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC) 14
Denici
on de independencia de sucesos Ejemplo: sucesos independientes

Formalmente se dice que los sucesos aleatorios A y B son estoc


asti- Se lanza un dado equilibrado y se consideran los sucesos
camente independientes si se verica
D= el resultado del lanzamiento es un n
umero mayor que dos
P (A B) = P (A)P (B)
I= el resultado del lanzamiento es un n
umero impar
Puede demostrarse que la condici
on de independencia es equivalente
Los sucesos D e I son independientes, ya que,
a que se verique
3 1
P (B|A) = P (B) P (I) = = ,
6 2
y tambi
en a que se cumpla
2 1
P (I|D) = = ,
P (A|B) = P (A) 4 2

y por consiguiente
P (I) = P (I|D)

Ejemplo: sucesos independientes (continuaci


on) Ejemplo: independencia de sucesos

Otra manera de vericar que estos dos sucesos son independientes es Supongamos que la probabilidad de que cada descendiente de una una
observar que pareja sea ni
no es igual a la de que sea ni
na. Sean los sucesos:
4 2
P (D) = = , A= como mucho hay un hijo var
on,
6 3
B= hay descendientes de ambos sexos.
3 1
P (I) = = ,
6 2 Supongamos que una pareja tiene dos hijos. Son independientes
los sucesos A y B?
2 1
P (D I) = = , Soluci
on: No
6 3
y en consecuencia
Responder a la misma pregunta para una pareja con tres descen-
P (D I) = P (D) P (I) dientes.

ya que Soluci
on: S
1 2 1
=
3 3 2

15
Independencia de m
as de dos sucesos Probabilidades sobre sucesos independientes

Cuando se tienen tres sucesos, A1, A2 y A3, diremos que son inde- Calcular probabilidades sobre sucesos que son independientes es f
acil,
pendientes si verican ya que basta con multiplicar las probabilidades individuales de cada
evento.
P (A1 A2) = P (A1)P (A2),
Por ejemplo, si se lanza un dado equilibrado 5 veces, y queremos
P (A1 A3) = P (A1)P (A3), calcular la probabilidad de que en el segundo lanzamiento salga un 3,
y en el resto de las tiradas un n
umero distinto,
esta vendr
a dada por
P (A2 A3) = P (A2)P (A3),
5 1 5 5 5 54
P (A1 A2 A3) = P (A1)P (A2)P (A3). P (3c, 3, 3c, 3c, 3c) = = 5 = 0.0804
6 6 6 6 6 6

La denici
on de independencia se puede generalizar a cualquier n
u- Supongamos ahora que lo que queremos es calcular la probabilidad
mero de sucesos. A1, A2, . . . , An son independientes si: de que en total salgan un 3 y cuatro n
umeros que no sean 3s, sin
que nos importe en qu
e orden sea.
P (Ai Aj ) = P (Ai)P (Aj ) i, j = i
P (Ai Aj Ak ) = P (Ai)P (Aj )P (Ak ) i, j = i, k = i, j C
omo podramos calcular esa probabilidad?
...
n
 n

P( Ai ) = P (Ai)
i=1 i=1

Probabilidad de un 3 en total Calculando la probabilidad de un 3 en total

La pregunta es ahora: si se lanza un dado equilibrado cinco veces, Calculemos las probabilidades de estos cinco sumandos:
cu
al es la probabilidad de que en total salgan un 3 y cuatro n
umeros 1 5 5 5 5 54
que no sean 3s en cualquier orden? P (3, 3c, 3c, 3c, 3c) = = 5 = 0.0804
6 6 6 6 6 6
5 1 5 5 5 54
Esta probabilidad es la suma de las probabilidades de todos los o
rdenes P (3c, 3, 3c, 3c, 3c) = = 5 = 0.0804
6 6 6 6 6 6
posibles, es decir,
5 5 1 5 5 54
P (3c, 3c, 3, 3c, 3c) = = 5 = 0.0804
P (un 3 y cuatro 3cs) 6 6 6 6 6 6
5 5 5 1 5 54
P (3c, 3c, 3c, 3, 3c) = = 5 = 0.0804
6 6 6 6 6 6
= P (3, 3c, 3c, 3c, 3c) + P (3c, 3, 3c, 3c, 3c) + P (3c, 3c, 3, 3c, 3c)
5 5 5 5 1 54
P (3c, 3c, 3c, 3c, 3) = = 5 = 0.0804
6 6 6 6 6 6
+ P (3c, 3c, 3c, 3, 3c) + P (3c, 3c, 3c, 3c, 3)
Como puede observarse, todos los sumandos son iguales.
Ahora s
olo falta calcular la probabilidad de cada uno de los cinco
Luego la probabilidad de obtener un 3 en total es
sumandos.
P (un 3 y cuatro 3cs) = 5 0.0804 = 0.402

16
Probabilidad de dos 4s en total Calculando la probabilidad de dos 4s en total

Analicemos ahora cual es la probabilidad de que en total salgan dos De nuevo vemos que, cualquiera que sea el orden del reparto de 4s y
4s y tres n
umeros que no sean 4s en cualquier orden. 4cs, hay la misma la probabilidad de obtener esa secuencia.

Esta probabilidad es la suma de las probabilidades de todos los o


rdenes Luego la probabilidad de obtener dos 4s en total vendr
a dada por
posibles, es decir,
P (dos 4s y tres 4cs) = 0.0161 + 0.0161 + 0.0161 + . . . . . .
P (dos 4s y tres 4cs) = P (4, 4, 4c, 4c, 4c) + P (4c, 4, 4c, 4, 4c) + . . . . . .
Pero... cu
antos sumandos hay?
Calculemos las probabilidades de algunos de estos sumandos:
La combinatoria nos ayuda a contar en este tipo de situaciones.
1 1 5 5 5 53
P (4, 4, 4c, 4c, 4c) = = 5 = 0.0161
6 6 6 6 6 6
c c c 5 1 5 1 5 53
P (4 , 4, 4 , 4, 4 ) = = 5 = 0.0161
6 6 6 6 6 6
c c c 5 5 5 1 1 53
P (4 , 4 , 4 , 4, 4) = = 5 = 0.0161
6 6 6 6 6 6
...

Experimentos en aleatorios en dos etapas

El teorema de la probabilidad total permite calcular la probabilidad


de un suceso en situaciones en las cuales es sencillo calcular las pro-
babilidades de dicho suceso condicionadas a la ocurrencia de otros
eventos.

Este resultado se corresponde con experimentos que se realizan en


Teorema de la probabilidad total dos etapas:

En la primera etapa pueden ocurrir n posibles sucesos,

A1 , A 2 , . . . , An ,
que constituyen una partici
on de . Las las probabilidades a
priori,
P (A1), P (A2), . . . , P (An)
deben ser conocidas.
En la segunda etapa las probabilidades de los resultados posibles
Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC) dependen de lo que haya ocurrido en la primera etapa. 17
Ejemplo: teorema de la probabilidad total Soluci
on al ejemplo

En cierto pas, el 40 % la poblaci


on activa de est
a formada por mu- Consideremos los sucesos
jeres. Se sabe que el 15 % de los hombres y el 28 % de las mujeres
D= la persona seleccionada est
a desempleada
est
a en paro.
M = la persona seleccionada es una mujer
Si se selecciona al azar a una persona de la poblaci
on activa, cu
al es
H= la persona seleccionada es un hombre= M c
la probabilidad de que dicha persona este desempleada?
El enunciado nos indica que

P (M ) = 0.4

P (D|M ) = 0.28

P (D|H) = 0.15

Soluci
on al ejemplo Particiones de

Puesto que H = M c, se tiene que M H = y M H = . En el ejemplo anterior se conocen las probabilidades del suceso de
inter
es (D) condicionadas a dos sucesos disjuntos cuya union es el
Por consiguiente
total (M y H). En otros casos puede ocurrir que sean tres o m
as los
P (D) = P (D ) sucesos disjuntos a considerar.

En general consideraremos las probabilidades del evento de inter es


(por ser M H = ) = P (D (M H)) condicionadas a k sucesos incompatibles, A1, A2, . . . , Ak , cuya
uni
on sea el espacio muestral , es decir, que veriquen:
= P ((D M ) (D H))
A1 A2 . . . Ak = , (los sucesos son un sistema exhaustivo)

(por ser M y H sucesos disjuntos) = P (D M ) + P (D H) Ai Aj = para i = j, (los sucesos son mutuamente excluyentes).

on)
(aplicando la regla de la multiplicaci = P (M )P (D|M ) + P (H)P (D|H) Los sistemas exhaustivos de sucesos mutuamente excluyentes reciben
tambien el nombre de particiones del espacio muestral .
= 0.4 0.28 + 0.6 0.15

= 0.202. 18
Teorema de la probabilidad total Ejemplo: teorema de la probabilidad total

Sea A1, A1, . . . , Ak una partici


on de . En un zoologico hay seis jaulas con simios: tres jaulas grandes, dos
jaulas medianas y una peque na.
Para cualquier suceso aleatorio B se verica
Las jaulas grandes tienen todas el mismo n
umero de orangutanes
k

P (B) = P (Ai)P (B|Ai) y de gorilas.
i=1 En cada una de las jaulas medianas hay el doble de orangutanes
= P (A1)P (B|A1) + P (A2)P (B|A2) + . . . + P (Ak )P (B|Ak ) que de gorilas.
En la jaula peque
na s
olo hay orangutanes.

Una persona ajena al zoo debe elegir a uno de los simios para un anun-
cio de televisi
on. Como no tiene ning un conocimiento sobre simios,
elige al azar una de las seis jaulas y dentro de ella escoge, tambi
en de
manera aleatoria, uno de los simios.

Hallar la probabilidad de el animal elegido para el anuncio sea un


orangutan.

Soluci
on al ejemplo (teorema probabilidad total) Soluci
on al ejemplo (continuaci
on)

Tambi
en se nos dice que
Sean los sucesos,
1
P (O|G) = ,
G = la jaula seleccionada es grande, 2
M = la jaula seleccionada es mediana, 2
P (O|M ) = ,
P = la jaula seleccionada es peque
na, 3
y
P (O|P ) = 1.
O = el simio seleccionado para el anuncio es un orangut
an.

Aplicando el Teorema de la Probabilidad Total obtenemos que


Tenemos que calcular P (O). El enunciado nos indica que
3 P (O) = P (G)P (O|G) + P (M )P (O|M ) + P (P )P (O|P )
P (G) = ,
6
3 1 2 2 1
2 = + + 1
P (M ) = , 6 2 6 3 6
6
1
P (P ) = . 23
6 =
36
19
= 0.6389.
Otro ejemplo (teorema de la probabilidad total)

Se dispone de dos urnas: la urna U1 con 30 bolas negras y 30 rojas y


la urna U2 con 3 bolas negras y 1 roja.

Se tira una moneda equilibrada. En caso de que salga cara se ele-


a una bola de la primera urna (U1), y si sale cruz de la segunda
gir
(U2).
Teorema de Bayes
Cu
al es la probabilidad de que la bola seleccionada sea negra?

Soluci
on:
5
P (bola negra) = = 0.625
8

Sonia Hern andez Alonso


Estadstica-Ingeniera Ambiental (URJC)

Dos probabilidades condicionadas C


omo calculamos esta probabilidad?

Dados dos sucesos A y B con probabilidad no nula podemos considerar Consideremos los sucesos
dos probabilidades condicionadas: P (A|B) y P (B|A).
F = la persona seleccionada fuma
En muchas ocasiones una de estas dos probabilidades condicionadas
T = la persona seleccionada es un trabajador jo
es mucho m
as f
acil de calcular que la otra.
V = la persona seleccionada es un trabajador eventual = T c
Ejemplo: La plantilla de una empresa est
a formada por 60 trabaja-
dores jos y 50 eventuales. Nos piden calcular la probabilidad condicionada P (V |F ). Esta proba-
bilidad no se puede computar de manera trivial. Sin embargo, las
Se sabe que, en esta plantilla, 3 de cada 5 trabajadores jos fuman, probabilidades condicionadas P (F |V ) y P (F |T ) son mucho mas sen-
mientras que para los trabajadores eventuales la proporci
on de fuma- cillas.
dores es de 3 de cada 10.
En situaciones como esta, el teorema de Bayes es una herramienta
Se elige una persona de este grupo para entrevistarla y acude a la
muy util, ya que permite calcular una probabilidad condicionada a
entrevista fumando.
partir de las probabilidades condicionadas en sentido contrario.
Cu
al es la probabilidad de que se trate de un trabajador eventual?

20
Soluci
on al ejemplo Soluci
on al ejemplo (continuaci
on)

Las probabilidades a priori de que el trabajador seleccionado sea jo Usando las probabilidades que conocemos se obtiene que
o eventual se pueden calcular f
acilmente:
60 6
P (T ) = = P (V F )
110 11 P (V |F ) =
P (F )
5 P (V )P (F |V )
P (V ) = on)
(regla multiplicaci =
11 P (F )
Tambi
en son sencillas de calcular las probabilidades condicionadas P (V )P (F |V )
(teorema probabilidad total) =
P (T )P (F |T ) + P (V )P (F |V )
5 3
3 11 10
P (F |T ) = = 6 3 5 3
5 11 5 + 11 10

3 = 0.294.
P (F |V ) =
10
Por tanto la probabilidad de que la persona seleccionada sea un tra-
an calcular P (V |F ).
Estas probabilidades nos permitir bajador eventual sabiendo que fuma es 0.294.

Soluci
on al ejemplo (continuaci
on) Teorema de Bayes

Observese que, si no existiese la informaci


on de que la persona elegida Sea A1, A1, . . . , Ak una partici
on de , y sea B cualquier suceso
es fumadora, la probabilidad de que fuese un trabajador eventual sera aleatorio con P (B) > 0.
5
P (V ) = = 0.455 > 0.294 = P (V |F ) Entonces
11
P (Ai)P (B|Ai)
P (Ai|B) =
Es decir, en este caso, el hecho de saber que se trata de una P (A1)P (B|A1) + P (A2)P (B|A2) + . . . + P (Ak )P (B|Ak )
persona fumadora disminuye la probabilidad de que sea de un
trabajador eventual, ya que en este grupo la proporci on de fumado- Es decir,
res es m
as alta entre las trabajadores jos que entre los trabajadores
eventuales.
P (Ai)P (B|Ai)
P (Ai|B) =
En este ejemplo 0.455 es la probabilidad a priori de seleccionar a k


P (Aj )P B|Aj
un trabajador eventual, y 0.294 es la probabilidad a posteriori, es- j=1
to es,despu
es de conocer la informaci
on adicional de que la persona
seleccionada fuma.

21
Demostraci
on del teorema de Bayes Probabilidades a priori y a posteriori

En el teorema de Bayes,
P (Ai B)
P (Ai|B) =
P (B)
P (Ai)P (B|Ai)
P (Ai|B) = ,
k


P (Ai)P (B|Ai) P (Aj )P B|Aj


on)
(regla de la multiplicaci = j=1
P (B)
las probabilidades P (Aj ) reciben el nombre de probabilidades a
P (Ai)P (B|Ai) priori,
(teorema de la probabilidad total) = .
k

las probabilidades P (Aj |B) reciben el nombre de probabilidades a
P (Aj )P B|Aj
posteriori
j=1
las probabilidades P (B|Aj ) reciben el nombre de verosimilitudes

Ejemplo: teorema de Bayes Soluci


on al ejemplo (teorema de Bayes)

En un zoologico hay seis jaulas con simios: tres jaulas grandes, dos Sean los sucesos,
jaulas medianas y una peque na.
G = la jaula seleccionada es grande,
Las jaulas grandes tienen todas el mismo n
umero de orangutanes
M = la jaula seleccionada es mediana,
y de gorilas.
P = la jaula seleccionada es peque
na,
En cada una de las jaulas medianas hay el doble de orangutanes y
que de gorilas.
O = el simio seleccionado para el anuncio es un orangut
an.
En la jaula peque
na s
olo hay orangutanes.
Tenemos que calcular P (P |O). El enunciado nos indica que
Una persona ajena al zoo debe elegir a uno de los simios para un anun-
3
cio de televisi
on. Como no tiene ning un conocimiento sobre simios, P (G) = ,
6
elige al azar una de las seis jaulas y dentro de ella escoge, tambi
en de
manera aleatoria, uno de los simios. 2
P (M ) = ,
6
Posteriormente se comprueba que el simio seleccionado es un oran-
1
gut
an. P (P ) = .
6
Hallar la probabilidad de que dicho orangut
an proceda de la jaula
pequena. 22
Soluci
on al ejemplo (continuaci
on) Ejemplo (teorema de Bayes)

Tambi
en se nos dice que
Un sobre contiene dos tarjetas: una con sus dos caras blancas y la
1 2 otra con una cara blanca y otra negra.
P (O|G) = , P (O|M ) = , P (O|P ) = 1.
2 3
Se elige sin mirar una de las tarjetas del sobre y se coloca sobre una
Usando el teorema de Bayes obtenemos que
mesa. La cara que queda visible resulta ser blanca.
P (P O)
P (P |O) = Cu
al es la probabilidad de que la otra cara sea negra?
P (O)
P (P )P (O|P )
= Soluci
on:
P (G)P (O|G) + P (M )P (O|M ) + P (P )P (O|P )
1 1
1 P (la otra cara de la tarjeta es negra) =
= 6 3
3 1 2 2 1
+ + 1
6 2 6 3 6

6
=
23

= 0.2609.

Reparto de k bolas distintas en n urnas

Supongamos que se tienen k bolas distintas (por ejemplo de diferentes


colores) que han de repartirse en n urnas, y que en cada una de las
urnas no se puede meter m as que una bola.

umero de formas distintas de repartir k bolas en las n urnas es


El n

Combinatoria n (n 1) (n 2) . . . (n k + 1)

Ejemplo: En un grupo hay 10 personas que desean sentarse y que


tienen que competir por un sitio en un banco con s olo 4 asientos dis-
ponibles. Cu
al es el n
umero de formas distintas en que estos asientos
pueden ser ocupados?

on: 10 9 8 7 = 5040 maneras distintas.


Soluci

Sonia Hern andez Alonso


Estadstica-Ingeniera Ambiental (URJC) 23
Factoriales Denici
on de 0!

on anterior con n = k, es decir, con tantas


Consideremos la situaci La denicion de factorial implica que para cualquier n
umero natural
bolas como urnas. El n
umero de maneras de repartirlas es n se verica

n (n 1) (n 2) . . . . . . 2 1 = n! n! = n (n 1)!

umero n! se llama factorial de n, e indica el n


El n umero de maneras Para que esta formula tenga sentido cuando n = 1 existe el convenio
de reordenar n elementos diferentes, o, lo que es lo mismo, el de denir el factorial de 0 como
umero de permutaciones posibles de n elementos distintos.
n
0! = 1
Ejemplo: Cu
antas las diferentes se pueden formar con 5 personas?
De este modo se conserva la propiedad anterior:
Soluci
on: 5! = 120 las diferentes.
1! = 1 0!

N
umeros combinatorios Propiedades de los n
umeros combinatorios

Supongamos ahora que las k bolas a repartir son todas iguales o Ejemplo: En un edicio en el que viven 25 personas adultas hay
indistinguibles, y que cada urna tiene capacidad s
olo para una bola. que formar una comision interna de 3 personas. Cu
antas comisiones
diferentes se pueden formar?
Las formas posibles de repartir las k bolas en las n urnas son en este
Soluci
on:
caso 25

25!
n (n 1) (n 2) . . . (n k + 1) = = 2300 comisiones diferentes
= 3 3! 22!
k k!
que tambi
en puede expresarse como Los n
umeros combinatorios verican las siguientes propiedades:
n
n!
= m

k k! (n k)! m

=
a ma
n

umero combinatorio n sobre k.


es el n
k m
m

Este n
umero indica la cantidad de formas distintas de escoger un = =1
0 m
grupo de k elementos de entre un total de n.
m
m

= =m
1 m1 24
Probabilidad dos 4s en total

Ahora que hemos aprendido a contar mejor, podemos responder a una


pregunta que tenamos pendiente:

Si se lanza un dado equilibrado 5 veces, cu


al es la probabilidad de que
en total salgan dos 4s y tres numeros que no sean 4s en cualquier
orden?
Una cuesti
on pendiente...
Hemos visto que esta probabilidad es la suma de las probabilidades de
todos los o
rdenes posibles, es decir,

P (dos 4s y tres 4cs) = P (4, 4, 4c, 4c, 4c) + P (4c, 4, 4c, 4, 4c) + . . . . . .

Tambi
en hemos comprobado que
1 1 5 5 5 53
P (4, 4, 4c, 4c, 4c) = = 5 = 0.0161
6 6 6 6 6 6
c c c 5 1 5 1 5 53
P (4 , 4, 4 , 4, 4 ) = = 5 = 0.0161
6 6 6 6 6 6
Sonia Hern andez Alonso
Estadstica-Ingeniera Ambiental (URJC) ...

Soluci
on: probabilidad dos 4s en total Bibliografa

Es decir, cualquiera que sea el orden del reparto de 4s y 4cs, hay la Ross, S.M. (2007) Introducci
on a la Estadstica. Reverte
misma la probabilidad de obtener esa secuencia.
Captulo 4.
Por tanto
Pe
na, D. (2001) Fundamentos de Estadstica. Alianza Editorial
P (dos 4s y tres 4cs) = 0.0161 + 0.0161 + 0.0161 + . . . . . .
Captulo 4 (secciones 4.1, 4.2, y 4.3)
Solo falta saber cu
antos sumandos hay. De cuantas formas pueden Montgomery, D.C. et al (2011). Engineering Statistics. Wiley
elegirse dos lanzamientos para los 4s de un total de cinco tiradas?
Captulo 3.
La respuesta es de
5
Grima, P. (2010) La certeza absoluta y otras cciones. Los secretos
5!
= = 10 maneras diferentes de la estadstica. RBA
2 2! 3!
Captulo 2.
Luego en total hay 10 sumandos, y la probabilidad que buscamos es
Cesar P
erez L
opez (2003) Estadstica: Problemas resueltos y aplica-
P (dos 4s y tres 4cs) = 10 0.0161 = 0.1610
ciones. Pearson Educaci
on

Captulo 3. 25