EXPERIMENTO

Es el proceso mediante el cual se obtiene una observacin. Es un procedimiento mediante el cual se trata de comprobar (confirmar o verificar) una o varias hiptesis relacionadas con un determinado fenmeno, mediante la manipulacin de las variables que presumiblemente son su causa.

ESPACIO MUESTRAL
Un espacio muestral, denotado por , asociado con un experimento aleatorio es un conjunto de puntos tales que: 1-. Cada elemento de denota resultado del experimento, y un

2-. Cualquier ejecucin del experimento da lugar a un resultado que corresponde exactamente a un elemento de .

Los elementos del espacio muestral son llamados puntos muestrales. De acuerdo a la naturaleza de los elementos que conforman un espacio muestral, este se puede clasificar en: Discreto: Se dice que un espacio muestral es discreto si al enumerar sus elementos, estos nmeros pueden ponerse en una correspondencia uno a uno con el conjunto de los enteros positivos o cuando contiene un nmero contable de elementos. Contnuo: Se dice que un espacio muestral es continuo si sus resultados consisten de todos los puntos de un intervalo de nmeros reales, o todos los puntos de un plano, o en general algn rectngulo en el espacio dimensional

Los espacios muestrales considerados en los ejemplo 9, 10 y 13 son todos discretos. El del ejemplo 11 es continuo Ejemplo Lanzamiento de monedas. 1. Una moneda es lanzada una vez. Entonces .donde denota el resultado cara y denota sello. 2. Si la misma moneda es lanzada dos veces, entonces . 3. Ahora si contamos el nmero de caras en el resultado del caso (a) y (b), entonces y como los respectivos espacios muestrales.

EVENTO
Es un subconjunto de un espacio muestral, es decir, un conjunto de posibles resultados que se pueden dar en un experimento aleatorio. Formalmente, sea un espacio muestral, entonces un evento es un subconjunto , donde son una serie de posibles resultados. Se dice que un evento A ocurre, si el resultado del experimento aleatorio es un elemento de A. Un evento se denomina cierto si ocurre siempre, siendo igual al espacio muestral. Por lo tanto su probabilidad es 1. Un evento se denomina imposible si no puede ocurrir. Por lo tanto, su probabilidad es 0.

Dos eventos se denominan complementarios cuando su unin da el espacio muestral y su interseccin es vaca. La suma de las probabilidades de dos eventos complementarios es igual a 1. Ejemplo: 1. Si se tiran dos dados, cul es la probabilidad de que la suma de las puntuaciones sea mayor que 8? Los casos favorables son los siguientes: (3,6), (6,3), (4,5), (5,4), (5,5), (4,6), (6,4), (5,6), (6,5) y (6,6). Por lo tanto, los casos favorables son 10 y los casos totales son 36, entonces,

PROBABILIDAD CLASICA
Nmero de resultados favorables a la presentacin de un evento dividido entre el nmero total de resultados posibles. Asignacin de probabilidad "a priori", sin necesidad de realizar el experimento. La probabilidad clsica se aplica a hechos que van a ser siempre los mismos y no variantes. Asigna una probabilidad a un suceso antes de que este ocurra, basndose en el principio de simetra (casos favorables entre casos totales). Ejemplo: Si se extrae una carta de un paquete de 52 cartas de las cuales 26 son negras (13 espadas A, 2, 3, , 10, J, Q, K; 13 son

trboles); y 26 son rojas (13 corazones y 13 diamantes), la probabilidad de que la carta sea un as es porque el evento de "extraer un as" consta de 4 de los 52 resultados igualmente probables.

TEOREMA DE PROBABILIDAD
Hay algunos resultados importantes del clculo de probabilidades que son conocidos bajo los nombres de teorema de la probabilidad compuesta, teorema de la probabilidad total y teorema de Bayes. Veamos cuales son estos teoremas, pero previamente vamos a enunciar a modo de recopilacin, una serie de resultados elementales cuya demostracin se deja como ejercicio para el lector (algunos ya han sido demostrados anteriormente):

Laplace, eminente matemtico francs de la ltima mitad del siglo XVIII y principios del XIX, describa la teora de la probabilidad como el sentido comn reducido al clculo. Veamos como la siguiente ancdota justifica esta descripcin. Dos estudiantes de Instituto intentan ponerse de acuerdo en como pasar una tarde. Acuerdan que tomarn su decisin lanzando una moneda. Si sale cara irn al cine, si sale cruz saldrn a tomar una coca-cola y si la moneda cae de canto, estudiarn. La historia no es tan trivial como pueda parecer, con ella podemos aprender mucho. El sentido comn, basando su juicio en la experiencia, nos indica que los estudiantes quieren saltarse la necesidad

de estudiar. En otras palabras sabemos intuitivamente que la moneda no caer de canto, que lo har sobre la cara o sobre la cruz. Ms an, si la moneda es legal, tenemos la certeza moral de que las posibilidades de que salga cara o cruz son las mismas. Pues bien la teora de la probabilidad se basa en la asuncin que hacemos de cuestiones tales como estas : Cul es la probabilidad de que una moneda caiga sobre el borde? Cul es la probabilidad de que salga cara? Cul es la probabilidad de que salga cruz? Para poder tratar estas cuestiones desde un punto de vista matemtico, es necesario asignar valores numricos a cada una de las probabilidades involucradas.

Supongamos por el momento que denotamos por p el valor numrico de la probabilidad de que al lanzar una moneda, salga cara. Puesto que es igualmente posible que al lanzar la moneda, salga cruz, la probabilidad de que salga cruz tambin debe tener asignado el valor p. Como tenemos la certeza de que saldr cara o cruz sigue que 2p debe ser el valor asignado al suceso seguro, el que ocurrir siempre que lancemos una moneda al aire. Podemos elegir cualquier valor que nos plazca para el suceso seguro. Es costumbre elegir el valor 1. Esto es: asumimos que 2p=1. Entonces la probabilidad de que la moneda muestre cara es : 1/2 ; la probabilidad de que muestre cruz es : 1/2; y la probabilidad de que salga cara o cruz es:

Si analizamos detalladamente el ejemplo, podemos apreciar: Un experimento aleatorio, lanzar una moneda al aire Unos resultados puntuales, sale cara o sale cruz y no podemos tener la certeza de antemano de que sea cara o sea cruz. Unas asignaciones de probabilidad a cada uno de los resultados, que se basan en el sentido comn y en nuestra experiencia previa. Vamos a definir de manera ms precisa cada uno de los elementos que intervienen: Observacin: Un resultado concreto de un experimento es un elemento del espacio muestral asociado al experimento, conceptualmente

suceso y resultado son dos cosas distintas. Los resultados de un experimento aleatorio se suelen representar con letras minsculas, los sucesos con letras maysculas.

En el ejemplo anterior, el suceso A ocurre siempre que el resultado del experimento sea el elemento 2, el elemento 4 o el elemento 6. La confusin entre suceso y resultado se debe a que cuando el suceso es : " que al

lanzar un dado salga 2" y el resultado :"sale un dos al lanzar el dado", slo ocurre el suceso cuando el resultado es 2. Suceso : "Sale un dos" es el subconjunto {2} del espacio muestral Resultado : "Sale un dos" es el elemento 2 del espacio muestral

El Teorema de la probabilidad total nos permite calcular la probabilidad de un suceso a partir de probabilidades condicionadas: Ejemplo: supongamos que si llueve la probabilidad de que ocurra un accidentes es x% y si hace buen tiempo dicha probabilidad es y%. Este teorema nos permite deducir cul es la probabilidad de que ocurra un accidente si conocemos la

probabilidad de que llueva y la probabilidad de que haga buen tiempo. La frmula probabilidad es: para calcular esta

Es decir, la probabilidad de que ocurra el suceso B (en nuestro ejemplo, que ocurra un accidente) es igual a la suma de multiplicar cada una de las probabilidades condicionadas de este suceso con los diferentes sucesos A (probabilidad de un accidente cuando llueve y cuando hace buen tiempo) por la probabilidad de cada suceso A. Para que este teorema se pueda aplicar hace falta cumplir un requisito: Los sucesos A tienen que formar un sistema completo, es decir, que

contemplen todas las posibilidades (la suma de sus probabilidades debe ser el 100%). Ejemplo: al tirar una moneda, el suceso "salir cara" y el suceso "salir cruz" forman un sistema completo, no hay ms alternativas: la suma de sus probabilidades es el 100% Ejemplo: al tirar un dado, que salga el 1, el 2, el 3, o el 4 no forman un sistema completo, ya que no contempla todas las opciones (podra salir el 5 o el 6). En este caso no se podra aplicar el teorema de la probabilidad total.

El Teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el Teorema de la probabilidad total:

Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad de que llueva o de que haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente). Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del suceso A (estaba lloviendo o haca buen tiempo?). La frmula del Teorema de Bayes es:

Tratar de explicar estar frmula con palabras es un galimatas, as que vamos a intentar explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio, recordar que este teorema

tambin exige que el suceso A forme un sistema completo. Ejercicio 1: El parte meteorolgico ha anunciado tres posibilidades para el fin de semana: a) Que llueva: probabilidad del 50%. b) Que nieve: probabilidad del 30% c) Que haya niebla: probabilidad del 20%. Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente: a) Si llueve: probabilidad de accidente del 10%. b) Si nieva: probabilidad de accidente del 20%

c) Si hay niebla: probabilidad de accidente del 5%. Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no sabemos qu tiempo hizo (nev, llovo o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades: Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se denominan "probabilidades a priori" (lluvia con el 60%, nieve con el 30% y niebla con el 10%). Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se denominan "probabilidades a posteriori".

Vamos a aplicar la frmula:

a) Probabilidad lloviendo:

de

que

estuviera

La probabilidad de que efectivamente estuviera lloviendo el da del accidente (probabilidad a posteriori) es del 71,4%. b) Probabilidad nevando: de que estuviera

La probabilidad de que estuviera nevando es del 21,4%. c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%. Ejemplo: Sean tres equipos de futbol, a, b y c que se presentan a un torneo de verano, slo uno ganar el torneo. El espacio muestral es el conjunto de tres elementos, E={a,b,c}, donde cada elemento corresponde al triunfo de cada uno de los equipos. Suponemos que a y b tienen las mismas posibilidades de ganar y c tiene solamente la mitad de las posibilidades de ganar que a. Debemos asignar probabilidades de modo que :

Sea el suceso A, "gana el trofeo el equipo a" ; el suceso B, "gana el trofeo el equipo b" y el suceso C, "gana el trofeo el equipo c". En el lenguaje de la teora de conjuntos:

En este ltimo caso se puede apreciar como un suceso se puede describir en trminos de otros sucesos utilizando las construcciones standard de la teora de conjuntos. Las representaciones grficas de las construcciones de la teora de conjuntos se llaman diagramas de Venn. En ocasiones es muy conveniente para resolver un problema de probabilidad hacer la representacin grfica del espacio

muestral y de los sucesos (subconjuntos del espacio muestral) que intervienen en el problema.

PROBABILIDAD CONDICIONAL
Esta definicin clsica de probabilidad fue una de las primeras que se dieron (1900) y se atribuye a Laplace; tambin se conoce con el nombre de probabilidad a priori pues, para calcularla, es necesario conocer, antes de realizar el experimento aleatorio, el espacio muestral y el nmero de resultados o sucesos elementales que entran a formar parte del suceso La aplicacin de la definicin clsica de probabilidad puede presentar dificultades de aplicacin cuando el espacio muestral

es infinito o cuando los posibles resultados de un experimento no son equiprobables. Ej: En un proceso de fabricacin de piezas puede haber algunas defectuosas y si queremos determinar la probabilidad de que una pieza sea defectuosa no podemos utilizar la definicin clsica pues necesitaramos conocer previamente el resultado del proceso de fabricacin Para resolver estos casos, se hace una extensin de la definicin de probabilidad, de manera que se pueda aplicar con menos restricciones, llegando as a la definicin frecuentista de probabilidad 3. Definicin Probabilidad Frecuentista de la

La definicin frecuentista consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso. Sea un experimento aleatorio cuyo espacio muestral es E Sea A cualquier suceso perteneciente a E Si repetimos n veces el experimento en las mismas Condiciones, la frecuencia relativa del suceso A ser: Cuando el nmero n de repeticiones se hace muy grande la frecuencia relativa converge hacia un valor que llamaremos probabilidad del suceso A. Es imposible llegar a este lmite, ya que no podemos repetir el experimento un nmero infinito de veces, pero si podemos repetirlo muchas veces y observar como

las frecuencias estabilizarse

relativas

tienden

Esta definicin frecuentista de la probabilidad se llama tambin probabilidad a posteriori ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar un gran nmero de veces el experimento aleatorio correspondiente. Algunos autores las llaman probabilidades tericas

4. Definicin Probabilidad

Subjetiva

de

la

Tanto la definicin clsica como la frecuentista se basan en las repeticiones del experimento aleatorio; pero existen muchos experimentos que no se pueden repetir bajo las mismas condiciones y por

tanto no puede aplicarse la interpretacin objetiva de la probabilidad En esos casos es necesario acudir a un punto de vista alternativo, que no dependa de las repeticiones, sino que considere la probabilidad como un concepto subjetivo que exprese el grado de creencia o confianza individual sobre la posibilidad de que el suceso ocurra Se trata por tanto de un juicio personal o individual y es posible por tanto que, diferentes observadores tengan distintos grados de creencia sobre los posibles resultados, igualmente vlidos 5. Definicin Probabilidad Axiomtica de la

La definicin axiomtica de la probabilidad es quizs la ms simple de todas las definiciones y la menos

controvertida ya que est basada en un conjunto de axiomas que establecen los requisitos mnimos para dar una definicin de probabilidad. La ventaja de esta definicin es que permite un desarrollo riguroso y matemtico de la probabilidad. Fue introducida por A. N. Kolmogorov y aceptada por estadsticos y matemticos en general. As el suceso : "Seat Toledo de color rojo" lo representamos por : T R y la probabilidad de este suceso, sigue de la tabla : Rojo Azul Totales SeatPanda 2 SeatToledo 7 Totales 9 8 3 11 10 10 20

P( T R ) = 7/20 La probabilidad de que el coche sea un Seat Toledo es : Rojo Azul Totales SeatPanda 2 SeatToledo 7 Totales 9 8 3 11 10 10 20

P(T)=10/20 = 1/2 Qu ocurre si, una vez que el concursante ha elegido puerta, el presentador, le da la pista de que el coche que hay tras la puerta es rojo?. Tendremos que cambiar la probabilidad al suceso T y al suceso P. A la probabilidad del suceso T cuando se sabe que ha ocurrido R, le llamamos probabilidad condicionada de

T, sabiendo que ha ocurrido R y escribimos: P(T/R) Para asignar las nuevas probabilidades hemos de ser consecuentes con las propiedades que debe cumplir toda asignacin de probabilidades. El nuevo espacio muestral es el sealado en rojo en la tabla siguiente. Por tanto asignamos as las probabilidades: Rojo Azul Totales SeatPanda 2 SeatToledo 7 Totales 9 8 3 11 10 10 20

P(T/R) = 7/9 ; P(P/R) = 2/9

De la tabla anterior, siguen fcilmente las siguientes relaciones :

Consideremos ahora el siguiente experimento : Dos urnas, A y B ,la urna A, contiene 3 bolas verdes y 2 bolas rojas, la urna B contiene 2 bolas verdes y 3 bolas rojas. Se realiza el experimento en dos tiempos, primero se selecciona urna por un procedimiento aleatorio y posteriormente de la urna elegida se extrae una bola. Para representar, de forma muy adecuada, este tipo de experimentos, se realiza un esquema, llamado: rbol de probabilidades

Cada flecha del diagrama se denomina rama del rbol; a cada rama, asignamos la probabilidad que le corresponde. Un recorrido, desde el comienzo del experimento hasta el final, se llama un camino. Si sabemos que ha ocurrido el suceso A, tenemos que volver a asignar probabilidades a los distintos caminos; todos los caminos que comienzan por el suceso B, tendrn probabilidad 0 y los que empiezan por el suceso A :

Hay que aceptar por tanto las mismas relaciones entre probabilidades a las que habamos llegado en el experimento anterior :

TEOREMA DE BAYES
La interpretacin ms aceptada del teorema de Bayes, es que su estructura permite el calculo de probabilidades despus de haber sido realizado un

experimento (probabilidades aposteriori), basndose en el conocimiento de la ocurrencia de ciertos eventos que dependan del evento estudiado, o sea, se parte de probabilidades conocidas antes de efectuar el experimento (probabilidades apriori), las cuales son afectadas por las probabilidades propias del experimento (las que aparecen durante la ocurrencia del evento). Continuando nuestro anlisis sobre el teorema de Bayes, la probabilidad condicional de Ai dado B, para cualquier i, es:

Aplicando en el numerador la Regla de Multiplicacin P(AiB) = P(Ai) P(B|Ai) y en el denominador el Teorema de Probabilidad Total P(B) = P(A1) P(B | A1) + P(A2) P(B | A2) + . . . + P(An) P(B | An), obtenemos la ecuacin que representa al: Teorema de Bayes

Ejemplo 3. 11. Referente al problema de la fbrica que produce dos tipos de reguladores A y B visto anteriormente en la aparte corresponde al Teorema de Probabilidad Total, cabe hacer el siguiente anlisis: si se selecciona un regulador al azar de la produccin de la fbrica y se ve que funciona bien Cul es la probabilidad de que sea del tipo B?

Solucin

En este caso el estudio se restringe a los reguladores que funcionan bien, por lo que ese evento acta como espacio muestral reducido, o sea como evento condicin. Por lo tanto, el planteamiento de la pregunta es P(B | F).

Los datos que se tienen son :

P(A) = 0.75 P(F | A) = 0.95 P(B) = 0.25 P(F | B) = 0.98

De acuerdo al Teorema de Bayes:

Podemos observar que el denominador corresponde al resultado obtenido al aplicar el Teorema de Probabilidad Total, lo cual debe ser as, ya que la probabilidad condicional establece que . De esta forma podemos ver que la Probabilidad

Total es el denominador de la frmula del Teorema de Bayes. Tambin podemos observar que aplicando los conceptos de la Regla de Multiplicacin y del Teorema de Probabilidad Total llegamos al planteamiento del teorema de Bayes, Veamos:

Ejemplo 3. 12. Una fbrica que produce material para la construccin tiene 3 mquinas, a las que se les denomina A, B y C. La mquina A produce tabique, la B adoqun y la C losetas. La mquina A produce el 50% de la produccin total de

la fbrica, la B el 30% y la C el 20%. Los porcentajes de artculos defectuosos producidos por las mquinas son, respectivamente, 3%, 4% y 5%. Si se selecciona un artculo al azar y se observa que es defectuoso, encontrar la probabilidad de que sea un tabique.

Solucin

Definamos el evento D como sea un artculo defectuoso. De acuerdo a esto tenemos que:

P(A) = 0.5 P(B) = 0.3 P(C) = 0.2

P(D | A) = 0.03 P(D | B) = 0.04 P(D | C) = 0.05

Si el artculo del que deseamos calcular la probabilidad es un tabique, significa que es producido por la mquina A. Tambin observamos que en la solucin solamente participan los artculos defectuosos, ya que se pone por condicin esta caracterstica. Por lo tanto:

Ejemplo 3. 13. A un congreso asisten 100 personas, de las cuales 65 son hombres y 35 son mujeres. Se sabe que el 10% de los hombres y el 6% de las mujeres son especialistas en computacin. Si se selecciona al azar a un especialista en computacin Cul es la probabilidad de que sea mujer?

Solucin Definamos los eventos:

H: Sea un hombre M: Sea una mujer E: La persona computacin sea especialista en

Tenemos que:

Por lo tanto:

Ejemplo Se dispone de tres cajas con bombillas. La primera contiene 10 bombillas, de las cuales hay cuatro fundidas; en la segunda

hay seis bombillas, estando una de ellas fundida, y la tercera caja hay tres bombillas fundidas de un total de ocho. Cul es la probabilidad de que al tomar una bombilla al azar de una cualquiera de las cajas, est fundida?

Si sabemos que ha salido una bola roja, los caminos posibles en el rbol de probabilidades, quedan reducidos a dos, los sealados en rojo en la imagen anterior; tenemos que reasignar probabilidades, todos los caminos que terminan en bola verde, debern tener probabilidad 0. Cmo asignamos probabilidades a los caminos que conducen a bola roja?

En resumen podemos siguiente resultado:

enunciar

el

El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando se posee nueva informacin. Desarrollado por el reverendo Thomas Bayes en el siglo XVII, el teorema de Bayes es una extensin de lo que ha aprendido hasta ahora acerca de la probabilidad condicional.

Comnmente se inicia un anlisis de probabilidades con una asignacin inicial, probabilidad a priori. Cuando se tiene alguna informacin adicional se procede a calcular las probabilidades revisadas o a posteriori. El teorema de Bayes permite calcular las probabilidades a posteriori y es:

Ejemplos ilustrativos 1) Una compaa de transporte pblico tiene tres lneas en una ciudad, de forma que el 45% de los autobuses cubre el servicio de la lnea 1, el 25% cubre la lnea 2 y el 30% cubre el servicio de la lnea 3. Se sabe que la probabilidad de

que, diariamente, un autobs se avere es del 2%, 3% y 1% respectivamente, para cada lnea. a) Calcular la probabilidad de que, en un da, un autobs sufra una avera b) Calcular la probabilidad de que, en un da, un autobs no sufra una avera c) De qu lnea de transporte es ms probable que un autobs sufra una avera? Solucin:

a) Calcular la probabilidad de que, en un da, un autobs sufra una avera Empleando la frmula de probabilidad total se obtiene:

b) Calcular la probabilidad de que, en un da, un autobs no sufra una avera Empleando la frmula de probabilidad total se obtiene:

c) De qu lnea de transporte es ms probable que un autobs sufra una avera? Se debe calcular las tres probabilidades a posteriori empleando el Teorema de Bayes

La probabilidad de que sea de la lnea 1, sabiendo que sufre una avera es:

La probabilidad de que sea de la lnea 2, sabiendo que sufre una avera es:

La probabilidad de que sea de la lnea 3, sabiendo que sufre una avera es:

Entonces, sabiendo que el autobs sufre una avera, lo ms probable es que sea de la lnea 1, ya que esta probabilidad , es la mayor. Los clculos en Excel se muestran en la siguiente figura:

2) Una empresa dedicada a la comercializacin de televisores est considerando comercializar un nuevo televisor. En el pasado el 90% de los televisores que comercializ tuvieron xito y el 10% no fueron exitosos. Se sabe que la probabilidad que habra recibido un reporte favorable de investigacin fue del 85% y 35%, respectivamente.

Solucin: a) Escribir la simbologa del problema A1 = Televisores exitosos A2 = Televisores no exitosos B1 = Reporte favorable de investigacin B2 = Reporte investigacin desfavorable de

La solucin del problema en Excel se muestra en la siguiente figura:

3) La probabilidad de que una persona tenga una determinada enfermedad es de 0,02. Existen pruebas de diagnstico mdico disponibles para determinar si una persona tiene realmente la enfermedad. Si la enfermedad realmente est presente, la probabilidad de que la prueba de diagnstico indique la presencia de la enfermedad es de 0,95.

Solucin: La solucin del problema en Excel se muestra en la siguiente figura:

4) Una fbrica de sacos tiene 3 mquinas independientes que producen el mismo tipo de sacos. La mquina 1 produce el 15% de los sacos con un 1% de sacos defectuosos. La mquina 2 produce el 45% de los sacos con un 3% de sacos defectuosos. La mquina 3 produce el 40% de los sacos con un 2% de sacos defectuosos.

Solucin: La solucin del problema en Excel se muestra en la siguiente figura:

5) El primer ao de bachillerato de un colegio est integrado por 35 estudiantes en la especialidad de fsico matemtico, 47 en qumico bilogo, 40 en sociales y 38 en bachillerato general. Se sabe que la probabilidad de que un estudiante pierda el ao es del 5% 4%, 3% y 4%, respectivamente. De qu especialidad es ms probable que sea el estudiante, si se sabe que un estudiante ha perdido el ao?

Solucin: La solucin del problema en Excel se muestra en la siguiente figura: