Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Un enfonque desde
competencias
c Marzo 2015
Copyright
Versin Beta, Marzo 2015
Introduccin
Conceptos Bsicos
Tcnicas para contar
Probabilidad
Ejemplos integradores
Ejercicios propuestos
1. Probabilidad
Competencias:
Indicadores de la competencia comunicar efectivamente el conocimiento estadstico.
C1. Usa notacin correcta para representar permutaciones, combinaciones, eventos, el espacio muestral, probabilidades conjuntas, probabilidades condicionales, probabilidades
marginales y frecuencias relativas.
C2. Presenta argumentos estadsticos para el uso de alguna tcnica de conteo, principio aditivo,
principio multiplicativo, teoremas de probabilidad o tipos de probabilidad.
C3. Interpreta en el contexto del problema los resultados cuya solucin responda a conteos o
probabilidad condicional, marginal o conjunta.
C4. Explica los grficos para ilustrar estimaciones de probabilidad con el enfoque frecuentista
y para relacionar los resultados empricos con resultados tericos en el contexto del
problema.
Indicadores de la competencia resolver problemas correctamente que requieran conocimiento
estadstico para su solucin.
R1. Resuelve problemas en contexto que requieren el uso de esperanza, varianza, desviacin
estndar, covarianza y coeficiente de correlacin lineal.
R2. Valida la respuesta de un problema donde se aplica conceptos como esperanza, varianza,
desviacin estndar, covarianza y coeficiente de correlacin lineal teniendo en cuenta el
dominio el rango de valores esperados de estos.
Indicador de la competencia manejar herramientas computacionales para el manejo del conocimiento estadstico.
Cp1. Maneja el paquete de software R para realizar estimaciones de probabilidad en un experimento aleatorio simulado.
Captulo 1. Probabilidad
3
Descriptores por niveles para cada indicador de la competencia resolver problemas correctamente
que requieran conocimiento estadstico para su solucin.
Descriptores por niveles para cada indicador de la competencia manejar herramientas computacionales para el manejo del conocimiento estadstico.
Captulo 1. Probabilidad
1.1
Introduccin
El clculo de las probabilidades ayuda a entender el por qu en muchas ocasiones la intuicin
nos engaa y nos lleva a soluciones errneas
Puedes apostar en una fiesta de amigos que dos del grupo cumplen el mismo da?
La intuicin puede decir que en un grupo de 50 amigos es improbable encontrar dos amigos que
cumplan el mismo da, pero no, en efecto, si ests en una fiesta y el nmero de amigos crece a
ms de 23, la probabilidad que 2 cumplan el mismo da aumenta considerablemente a tu favor.
Si a la fiesta de amigos han llegado 23, la probabilidad que 2 cumplan el mismo da es de 0.5
y al aumentar los invitados a 50, la probabilidad es superior a 0.9, osea es altamente probable
que dos de tus amigos cumplan el mismo da. Puedes apostarlo en la prxima fiesta y con alta
probabilidad quedars como el rey de los adivinos, gracias a las probabilidades. Para que Lisa
Simpson gane la apuesta en la fiesta tendr que esperar ms invitados. Observa en el grfico de
arriba que cuando a la fiesta de los Simpson lleguen 55 invitados, Lisa con su apuesta quedar
como la joven ms lista de la fiesta (ver Figura 1.1).
1.0
0.8
0.7
0.5
0.3
0.2
0.0
15
25
35
45
55
65
75
85
Figura 1.1: Fiesta de la familia Simpson y grfico que relaciona probabilidad de que dos personas
de la fiesta cumplan aos un mismo da vs nmero de personas en la fiesta
Las probabilidades en sus inicios se aplicaron a juegos de azar, sobre todo en el siglo XVIII por
la popularidad de los juegos. Entre los primeros interesados en comprender las probabilidades
se encuentran Christian Huygens, Blaise Pascal y Pierre Fermat, junto con el jugador Cardano.
Luego en siglos XV y XVI, Bernoulli, De Moivre, Gauss escribieron varios tratados de probabilidad, sin embargo solamente hasta 1930 Andri Kolmogorov defini la probabilidad de forma
axiomtica, razn por la que la probabilidad se considera parte de las matemticas.
La probabilidad adems de permitir mejorar las apuestas en los juegos de azar y realizar apuestas
de cumpleaos como la de Lisa, tambin responde a mltiples situaciones, que aplican a disciplinas muy diversas que permiten el desarrollo de la ciencia, las predicciones climticas, los
avances en educacin, avances en medicina, el desarrollo de la industria, entre tantas otras.
Este captulo introduce tres enfoques de probabilidad, el enfoque clsico, frecuentista y axiomtico. Adems se trabajan algunos teoremas importantes de probabilidad como el teorema de Bayes.
Inicialmente se abordan tcnicas para contar que sern de utilidad en clculos de probabilidades
con el enfoque clsico. Para abordar el enfoque frecuentista de la probabilidad se utilizarn
conceptos estudiados en el captulo anterior, por ejemplo, frecuencia relativa, frecuencia absoluta,
grficos de dispersin y la nocin de porcentaje.
Los clculos en algunas tcnicas de conteo remitirn el uso del paquete de software R y se har
mayor nfasis con el software en las estimaciones de probabilidades con el enfoque frecuentista.
Para introducir los aspectos fundamentales del contenido de este captulo se presentarn ejemplos
bsicos con el que se pretenden el desarrollo de las competencias: comunicar efectivamente el
conocimiento estadstico, resolver problemas correctamente que requieran conocimiento estadstico para su solucin y manejar herramientas computacionales para el manejo del conocimiento
estadstico.
Despus de presentar de manera formal la totalidad de los contenidos, se desarrollan ejemplos
integradores donde se estudian situaciones de mayor complejidad que requieren niveles ms
altos de las competencias antes mencionadas.
En este captulo la competencia comunicar efectivamente el conocimiento estadstico y la competencia resolver problemas correctamente que requieran conocimiento estadstico para su solucin
se trabajan simultneamente en igual grado. Mientras que la competencia manejar herramientas
computacionales para el manejo del conocimiento estadstico se trabaja en menor grado que las
anteriores y siempre acompaada de la competencia comunicar efectivamente el conocimiento
estadstico.
Al finalizar el captulo se despliegan treinta y siete ejercicios introductorios para que el estudiante afiance sus competencias en la medida que se apropia de los contenidos fundamentales
del captulo. Estos ejercicios fueron seleccionados de la tesis doctoral de la Doctora Carmen
Batanero y fueron construidos con fines especiales para detectar problemas en el aprendizaje de
la probabilidad. Seguidamente se encuentran ejercicios integradores de temticas que permiten
el desarrollo de las competencias declaradas en el presente captulo.
1.2
Conceptos Bsicos
La ciencia y la ingeniera avanzan a travs de la construccin de modelos que explican grupos de
fenmenos. Para modelar un fenmeno se usa la experimentacin, que consiste en tomar datos
reales y contrastarlos con los datos que predice el modelo. Si lo predicho es muy diferente de lo
real el modelo se rechaza o se mejora.
Si las observaciones de un fenmeno bajo las mismas condiciones siempre permiten encontrar
un resultado fijo se dice que el fenmeno es determinstico. Es usual encontrar este tipo de
ejemplos en los cursos bsicos de fsica mecnica cuando a partir de ciertos valores conocidos
de variables se puede predecir con exactitud los valores por ejemplo de altura, trayectoria y otros.
Esta exactitud en parte se debe a la idealizacin del fenmeno, pues no se considera que los
valores conocidos de las variables puedan cambiar durante la observacin del fenmeno o que
pueden verse afectado por otras variables.
En un fenmeno aleatorio los resultados bajo las mismas condiciones pueden cambiar, por
ejemplo el nmero de llamadas que recibe un conmutador en un minuto, el nmero de artculos
defectuosos en un lote. Un ejemplo muy comn en juegos de azar, es por ejemplo el lanzamiento
de una moneda, donde, si se pudiera lanzar una moneda balanceada mil veces al aire se esperara
que en aproximadamente el cincuenta por ciento de los lanzamientos la cara superior de la
Captulo 1. Probabilidad
moneda fuese sello, sin embargo no se puede asegurar que en el lanzamiento nmero trescientos
la cara superior sea sello, aun si veinte resultados anteriores al resultado nmero trescientos
los resultados fuesen sellos, (ver Figura 1.2) o si se hubiese encontrado en una secuencia de
cincuenta lanzamientos de la forma cara, sello, cara, sello,. . . y justo el resultado doscientos
noventa y nueve fuese cara.(ver Figura 1.3)
Figura 1.2: Secuencia de lanzamiento de una moneda balanceada. Se visualizan los resultados de
la cara superior de la moneda de los lanzamientos 294 hasta 299.
Figura 1.3: Secuencia de los lanzamientos 294 hasta 299 de una moneda balanceada.
La nocin de probabilidad surge como una medida para cuantificar la posibilidad de obtener un
resultado al observar un fenmeno aleatorio. En el caso de lanzamiento de la moneda se puede
cuantificar la posibilidad de obtener cara y sello. Asociado a un fenmeno aleatorio aparecen
conceptos como experimento aleatorio, espacio muestral, eventos y otros que se estudian en este
captulo. Seguidamente se presenta en el contexto de una empresa de confeccin de diferentes
tipos de cuadernos algunos de estos conceptos.
La empresa TP Troquelados Pacfico confecciona cuadernos corporativos ideales para plasmar la
identidad de una empresa o institucin. Segn los requerimientos de la empresa que solicita el
servicio, TP ofrece diseo, calidad y otras caractersticas como tipo de tapa, nmero de hojas
y anillados. Para el envo de los ejemplares TP almacena en cajas cuadernos que cumplan las
mismas caractersticas de diseo y de calidad. Suponga que de un lote con muchas cajas de
cuadernos se seleccionan tres al azar, sin regresar al lote la caja seleccionada, y se clasifican
conforme si cumplen (c) o no (n) los requerimientos especificados por la empresa que pide el
servicio de TP. Adems suponga que la seleccin de tres cajas sin reemplazamiento se repite
bajo las mismas condiciones y no siempre se obtiene el mismo resultado, a este proceso se le
conoce como un experimento aleatorio E. En la Figura 1.4 se ilustran dos posibles resultados
del experimento. En el primero, las tres cajas cumplen con los requerimientos, resultado que se
puede expresar como ccc, en el segundo, la primera y la tercera cumplen (c) y la segunda no
cumple (n) y se representa el resultado como cnc. El conjunto de todos los resultados posibles
del experimento se le llama espacio muestral. En este caso el espacio muestral S del experimento
E es el siguiente:
S = {cnc, cnn, ccc, ccn, ncc, ncn, nnc, nnn}
Puede ocurrir que el inters de TP sea conocer cuando entre las 3 cajas hay una sola que cumpla
los requerimientos, por tanto el evento es A = {cnn, ncn, nnc}, o que hayan solo dos que cumplan,
entonces el evento es B = {cnc, ccn, ncc}, o que las tres cumplan, as C = {ccc}, o que ninguna
cumpla, luego D = {nnn}.
Los cuatro conjuntos A, B, C y D son eventos del espacio muestral S. El conjunto A tiene 3
elementos por tanto el cardinal de A es 3, n(A) = 3, asi tambin n(B) = 3, n(C) = n(D) = 1 y
n(S) = 8. Estos eventos no tienen elementos comunes entre si por tanto eventos mutuamente
excluyentes. Adems al unir los cuatro eventos el resultado es el espacio muestral S por ello son
eventos colectivamente exhaustivos.
En las secciones 1.2.1 hasta la 1.2.5 se presentan formalmente los conceptos estadsticos anteriormente abordados.
1.2.1
Experimento aleatorio
Un experimento aleatorio es un proceso controlado para el cual no se tiene un resultado previsible
cada vez que se repite bajo las mismas condiciones. En la mayora de los casos los resultados
dependen del azar por tanto no se pueden predecir con certeza. El experimento aleatorio se
denota con la letra E.
1.2.2
Espacio muestral
El conjunto de los posibles resultados de un experimento aleatorio recibe el nombre de espacio
muestral y se denota con la letra S. A cada resultado de un espacio muestral se le llama elemento
del espacio muestral y el nmero de elementos de este se le representa con n(S).
1.2.3
Evento
Un evento es un subconjunto de un espacio muestral S. Un evento de S se denota con una letra
mayscula, por ejemplo A, B, C.
1.2.4
Captulo 1. Probabilidad
8
A1 A2 . . . Ak = S se dice que son colectivamente exhaustivos.
1.2.5
Cardinal de un conjunto
Para el ejemplo de la empresa TP el cardinal o el nmero de elementos de S es n(S) = 8 porque
ocho son los resultados posibles del experimento E, para el evento A = {cnn, ncn, nnc}, n(A) = 3
y para el evento C = {ccc} se tiene n(C) = 1. Los eventos A y C, son subconjuntos de S como
tambin lo es el conjunto vaco y el mismo espacio muestral, lo cual se puede denotar como
S, S S.
En el siguiente ejemplo se ilustra la informacin de un problema con diagramas de Venn
que permiten ilustrar la relacin entre el espacio muestral y los eventos que lo conforman, como
tambin la relacin entre eventos. En los diagramas de Venn los rectngulos representan el
espacio muestral y los eventos se representan por crculos, rectngulos o cualquier otra divisin
que d cuenta de los eventos del espacio muestral. En la siguiente situacin los eventos en el
diagrama de Venn se ilustran con crculos.
Se supone que la empresa TP selecciona al azar 49 cuadernos para un envo, cada cuaderno se
puede clasificar en cuanto a tipo de tapa y tipo de papel. El tipo de tapa puede ser de cartn (A)
plstica (A0 ) y el tipo de papel puede ser obtenido mediante procedimientos qumicos (B) o
mecnicos (B0 ), lo que hace su textura diferente. La informacin de la muestra se resume en la
Tabla 1.1.
Tabla 1.1: Clasificacin de cuadernos de acuerdo con el tipo de tapa y papel.
Tipo de tapa
Cartn (A) Plstica (A0 )
Tipo de Qumicos (B)
40
4
papel
Mecnicas (B0 )
2
3
De la muestra obtenida se pueden hacer cuestionamientos como: Cuntos cuadernos cumplen
las siguientes caractersticas: (1) tener tapa de cartn y papel obtenido mediante procedimientos
qumicos, (2) tener tapa de plstico, (3) tener tapa de cartn o papel de procesos qumicos?
Para responder las preguntas se deben determinar respectivamente n(A B), n(A0 ) y n(A B),
donde A es el conjunto de cuadernos con tapa de cartn y B el conjunto de cuadernos con papel
de procedimientos qumicos.
El cardinal de A B, n(A B) = 40, el evento est formado por cuarenta cuadernos que cumplen
ambas condiciones, tapa de cartn y papel de procedimientos qumicos. En los diagramas de
Venn de la Figura 1.5 se ilustra lo anteriormente mencionado.
El cardinal del evento A0 , n(Ac ) = n(A0 ) = 7, puesto que el evento A0 corresponde al conjunto de
cuadernos que no tienen tapa de cartn.
Solamente 2 cuadernos tienen 1 tapa de cartn y no tienen papel de proceso qumico y solamente
4 cuadernos tienen papel de procedimientos qumicos y no tienen papel de cartn. Adems
40 cuadernos tienen tanto tapa de cartn como papel de procedimientos qumicos. Por tanto
n(A B) = 40 + 4 + 2 = 46. En la Figura 1.5 se aprecia lo anteriormente descrito de cada uno
de los sumandos que determinan n(A B).
Algunas propiedades de operaciones de conjuntos que pueden facilitar los clculos en problemas
ms complejos, stas se encuentran en el Anexo 1.
9
S
B
40
3
S
B
40
Figura 1.5: En el primer diagrama de Venn se aprecia con el rayado a n(A B) y en el segundo a
S
n(A B)
Tambin se puede obtener n(A B) con la expresin n(A B) = n(A) + n(B) n(A B), por
tanto n(A B) = 42 + 44 40 = 46
1.3
Captulo 1. Probabilidad
10
Si la primera cumple (c), la segunda no cumple (n), entonces en el tercer paso, la tercera caja
puede cumplir (c) o no cumplir (n) con los requerimientos. Un posible resultado sera: la primera
caja cumple (c), la segunda no cumple (n) y la tercera caja cumple (c). El resultado cnc est
sombreado en el diagrama de rbol de Figura 1.6. Los resultados posibles del experimento
aleatorio E corresponden a cada una de las ramas del rbol.
Cada rama del rbol corresponde a un elemento del espacio muestral S, S = {cnc, cnn, ccc, ccn,
ncc, ncn, nnc, nnn}. Los pocos elementos que conforman S en este ejemplo hace posible realizar
el diagrama y determinar n(S) eficientemente.
Primera
Selecci
on
Tercera
Segunda Selecci
on
Selecci
on
n
n
c
c
c
n
c
c
n
c
n
n
1.3.1
Diagrama de rbol
11
Principios
Multiplicativo
Aditivo
P1
Procedimientos
P1
P2
..
.
Pk
Formas
1
2.
..
n1
1
2.
..
n2
1
2.
..
nk
n1 maneras
P2
n2 maneras
Objetivo
P3
..
.
Pk
nk maneras
Objetivo
N
umero de maneras para cumplir
el objetivo: n1 + n2 + + nk
N
umero de maneras para cumplir
el objetivo: n1 n2 nk
Principio de adicin
Definicin 1.3.1 Suponga que para cumplir un objetivo existen k procedimientos,
P1 , P2 , . . . , Pk . El procedimiento Pi se puede hacer de ni maneras para i = 1, . . . , k. Los procedimientos son excluyentes y con cualquiera de ellos se puede obtener el objetivo, por
Captulo 1. Probabilidad
12
tanto, el nmero de maneras para obtener el objetivo con algn procedimiento est dado por
n1 + n2 + + nk .
Si un estudiante tiene dos formas de ir de su casa a la universidad: en transporte pblico o en
particular. En transporte pblico existen 3 alternativas, taxi, buseta o mo. En transporte particular,
tiene dos alternativas, utilizar el carro de la familia o llegar en el carro de un compaero de clase.
Adems, si no puede usar 2 tipos de transporte en su trayecto casa-universidad, solo tiene dos
alternativas y con cada una de ellas cumple su objetivo, llegar de la casa a la universidad. Por
cada tipo de transporte (alternativa) tiene 3 y 2 maneras diferentes de hacerlo. Por tanto n1 = 3,
n2 = 2, asi n1 + n2 = 5. Lo que significa que el estudiante puede llegar de la casa a la universidad
de 5 formas diferentes (ver Figura 1.8)
Procedimientos
Formas
P1
P
ublico
Taxi
Buseta
Mio
2
3
n1 = 3
P2
Particular
Familia
Compa
nero
Objetivo: Ir de la casa a la U
n2 = 2
n1 + n2 = 5
Figura 1.8: Ilustracin de aplicacin de principio aditivo para ejemplo de transporte entre la casa
y la U.
1.3.3
Principio de multiplicacin
1, . . . , k, donde el procedimiento Pi se puede hacer de ni maneras. Adems todos los procedimientos deben realizarse y cualquiera de las maneras de un procedimiento puede ser seguidas
por cualquier manera de otro procedimiento, para cumplir el objetivo aplicando P1 seguido
de P2 y as sucesivamente hasta aplicar Pk todo el proceso se puede realizar de n1 n2 nk
maneras.
En la ebanistera Martnez la fabricacin de una silla requiere tres procedimientos, eleccin
de madera, del diseo y del color. La eleccin de la madera puede realizarse de dos formas
diferentes (cedro o pino), la del diseo por tres estilos diferentes (clsico, contemporneo y
minimalista) y el color tiene 4 posibilidades (cerezo, cedro, bano y natural).
13
Procedimientos
P1 : Madera
Cedro
n1 = 2
Pino
P2 : Dise
no
Contemporaneo
Cl
asico
n2 = 3
Minimalista
P3 : Color
Cerezo
Cedro
Ebano
Natural
n3 = 4
Importa el orden de
sus elementos
(permutacin)
Elementos en el
arreglo
(a) No se
repiten
(b) Se repiten
Algunos son
indistinguibles
(1) No se
repiten
(2) Se repiten
Tabla 1.2: Clasificacin de arreglos de acuerdo con los elementos a ordenar y elementos resultantes en el arreglo.
Captulo 1. Probabilidad
14
En la Figura 1.10 se presentan las frmulas para contar de acuerdo con las clasificaciones de
la Tabla 1.2. Inicialmente se trabajan las frmulas para cuando en el arreglo importa el orden
(permutaciones) y luego cuando no importa el orden (combinaciones)
Arreglo con todos los elementos n = r
nP n = n!
Arreglo sin
repeticion
de elementos
nP r =
n elementos diferentes a ordenar
Arreglo con
repeticion
de elementos
Permutaci
on
(Importa el orden)
Algunos elementos
a ordenar son
iguales
n P Rr
n!
n1 !n2 ! . . . nk !
nCr =
n!
(n r)!
= nr
Arreglo de tama
no n,
(n1 +n2 + +nk = n)
n!
(n r)! r!
(Arreglo de tama
no r,
n elementos diferentes,
n > r)
Combinatoria
(No importa
el orden)
n+r1
nCRr =
r
Permutacin
15
Es todo arreglo en donde el cambio de posicin de uno de sus elementos se considera un nuevo
arreglo.
En la Figura 1.11 se observa una fila de cuatro personas para ser atendidas por un cajero, el
arreglo hombre adulto, anciano, mujer, joven es diferente al arreglo anciano, joven,mujer, hombre
adulto. Cada nuevo orden de las personas determina un arreglo diferente. El orden en que aparece
cada uno en la fila marca diferencia para el turno.
Existen varias formas de contar las permutaciones. La frmula que se use depende de las
caractersticas de los elementos a ordenar o del tamao del arreglo o de si se pueden repetir
elementos en el arreglo resultante.
(1) Arreglo a partir de elementos diferentes
(a) Arreglo sin repeticin de elementos:
(I) Tamao del arreglo es igual a nmero de elementos a ordenar.
Cinco personas que participan en una dinmica de grupo se sientan en sillas ubicadas en una linea recta, como se muestra en la Figura 1.12 donde se visualizan
dos posibles formas de sentar a las 5 personas
Figura 1.12: Ejemplo de dos arreglos de tamao cinco al ubicar personas en una linea recta.
Un arreglo en este caso corresponde a una posible forma de ubicar a las 5
personas en una linea recta. Los dos arreglos presentados en la Figura 1.12 son
diferentes puesto que no es lo mismo estar sentado al extremo o en el centro de
una fila. Si la chica A ocupa el lugar de la chica D, el arreglo cambia. Entonces
cada cambio de puesto ofrece un nuevo arreglo a considerar, por tanto es es un
ejemplo para contar permutaciones.
Cada arreglo est formado por elementos que corresponden en este caso a
personas, claramente nicas e irrepetibles. Son 5 elementos para formar arreglos
de de tamao 5. Adems no es posible que la chica A ocupe el primer y cuarto
lugar a la vez, una misma persona no puede ocupar dos espacios diferentes al
mismo tiempo.
De acuerdo con todo lo anterior, este es un caso de permutacin donde los
elementos dados para formar el arreglo son diferentes, no se pueden repetir
los elementos en el arreglo y el tamao del arreglo coincide con el nmero de
elementos totales. As el nmero de arreglos se determina con 5 P5 = 5! = 120,
esto significa que existen 120 formas diferentes de sentar 5 personas en 5 sillas.
Ntese que la primera persona tiene 5 alternativas para sentarse, pues hay 5 sillas
Captulo 1. Probabilidad
16
Figura 1.14: Un arreglo posible con presidente (A), secretaria (B) y tesorero (C).
Si B =la mujer de la fila 1, A =la mujer de la izquierda de la fila 2 , C =la
mujer de derecha de la fila dos, un arreglo posible de presidente, secretario
y tesorero es el que se presenta en la Figura 1.14 el arreglo ABC. Donde el
primer elemento corresponde al presidente, el segundo al secretario y el tercero
al tesorero.
Los elementos dados para formar los arreglos son las 5 personas, nicas e
irrepetibles. El arreglo ABC es diferente al BAC, pues en el primer arreglo A
es el presidente, mientras que en el segundo lo es B. No es posible el arreglo
AAA, pues un mismo sujeto no puede ocupar los tres cargos. Adems el tamao
17
= P(n, r) =
n!
(n r)!
,n>r
= nr
Captulo 1. Probabilidad
18
autor. Adems son completamente nuevos y no se distinguen entre ellos por uso. Tres de
ellos son azules, cinco son rojos y 7 son verdes.
Teorema 1.3.4 Si se tienen n elementos entre los que n1 son de una clase, n2 de una
1.3.5
n!
n1 !n2 ! nk !
Combinacin
Es todo arreglo de elementos en donde no interesa el lugar o posicin que ocupa cada uno de los
elementos que lo constituyen.
Marge, Homero, Bart, Lisa y Maggie estuvieron en una fiesta. Si se cambia el orden, Homero,
Marge, Lisa, Maggie, Bart estuvieron en una fiesta, la informacin no cambia, porque no importa
el orden como se nombren las personas. Este es un ejemplo de combinacin, pues no importa el
orden en que las personas que se listen.
19
45C6
45!
= 8, 145, 060
(45 6)!6!
Cada vez que se repite el juego hay 8, 145, 060 resultados posibles para ganarlo
igual a:
n
n!
=
nCr =
(n r)!r!
r
,n>r
Captulo 1. Probabilidad
20
7+31
9
=
= 84
7CR3 =
3
3
Se pueden vender 84 helados diferentes en el negocio.
Teorema 1.3.6 El nmero de grupos formados por r elementos tomados de n donde no
1.4
Probabilidad
La confiabilidad es el rea de la estadstica que estudia las fallas que presentan distintos componentes a lo largo del tiempo. La teora estadstica en esta rea tambin se aplica a problemas de
salud, mecnicos, industriales, de educacin y otros.
En el rea de contabilidad, la estadstica permite realizar estudios de planeacin de mantenimiento de maquinarias donde el inters puede estar centrado en un momento dado en conocer con
cierto grado de certeza si una mquina funcionar despus de cierto tiempo establecido. En este
sentido es necesario el clculo de una cantidad que indique el grado de certeza con el que la
mquina funcionar despus de un tiempo t, es decir determinar la probabilidad de funcionar
despus del tiempo t.
Existen diferentes maneras de calcular o estimar la probabilidad. El primero el enfoque clsico
procedente de los juegos de azar, el que quiz condujo al desarrollo de la teora de probabilidad,
ste se emplea cuando los espacios muestrales son finitos y sus resultados tienen igual probabilidad de ocurrencia. El segundo, el enfoque frecuentista que se basa en la frecuencia relativa
de ocurrencia de un evento a partir de un gran nmero replicas del experimento y por ltimo el
enfoque axiomtico de probabilidad.
La definicin clsica tiene limitaciones pues se debe cumplir que S sea finito, y adems cada
uno de sus elementos sea igualmente probable. Existen situaciones prcticas que no son de este
tipo y tal definicin no se puede aplicar. En el enfoque frecuentista se obtienen datos empricos
en un intento por estimar las probabilidades en este caso es importante tener en cuenta que la
probabilidad obtenida de esta manera es nicamente una estimacin del valor real, que cuanto
mayor sea el nmero de replicas, tanto mejor ser la estimacin de la probabilidad, la probabilidad es vlida solamente para condiciones idnticas en las que se obtuvieron los datos, la validez
para usar esta definicin depende de que las condiciones en que se realiz el experimento sean
repetidas idnticamente.
A continuacin se presenta la formalidad de los tres enfoques mencionados y se ilustra cada uno
de ellos.
1.4.1
1.4 Probabilidad
21
expresada como fm (A), cuando m se hace muy grande se aproxima a la probabilidad del evento
A, dada como P(A) fm (A)
Se considera la siguiente situacin donde el experimento aleatorio E que consiste en lanzar una
moneda balanceada al aire y revisar el resultado de la cara superior de la moneda y sea el evento
A = {cara}. En una simulacin con el paquete de software R para valores de m de 5, 10, 100 y
1, 000 los valores correspondientes de fm (A) fueron 0.8, 0.54, 0.527, 0.501. Es decir al lanzar 5
veces la moneda balanceada, en el 80 % de los casos cay cara, mientras que cuando se lanz la
moneda 1,000 veces, el 50 % de los resultados fueron cara. En la Figura 1.19 visualmente se nota
como el valor de la frecuencia relativa de A, fm (A), se aproxima a 0.5 cuando m toma valores
mayores.
fm (A)
0.8
0.6
0.4
0.2
0.0
0
100
200
300
400
500
m
600
700
800
900
1000
Figura 1.19: Frecuencia relativa de ocurrencia de cara cuando se lanza una moneda balanceada
al aire m veces, para valores de m de 5, 10, 100 y 1, 000. Se traza la lnea en lugar de puntos para
que se note mejor la tendencia de las frecuencias relativas cuando m aumenta.
Captulo 1. Probabilidad
22
El grfico de la Figura 1.19 se obtiene con el cdigo: plot(data) aplicado a los cdigos
anteriores.
fm (A)
En la medida que m aumenta fm (A) ofrece mejores aproximaciones de P(A). En la Figura 1.20
se aprecia que al repetir 3 veces mltiples replicas del experimento E para valores de m de 5, 10,
20, 30, 40, 50, 60, 70, 80, 90, 100, 150, 200, 300, 400, 500, 600, 700, 800, 900 y 1, 000, de igual
manera que en la Figura 1.19, en la medida que m aumenta, la frecuencia relativa de ocurrencia
de cara se aproxima a 0.5.
1.0
0.8
0.6
0.4
0.2
0.0
fm (A)
fm (A)
1.0
0.8
0.6
0.4
0.2
0.0
800
900
1000
700
800
900
1000
700
800
900
1000
0
1.0
0.8
0.6
0.4
0.2
0.0
100
300
400
500
600
700
200
300
400
500
600
500
600
200
100
100
200
300
400
Figura 1.20: Frecuencias relativas de aparicin de cara para diferentes valores de m. Se traza
una lnea continua en lugar de puntos para mostrar la tendencia de fm (A) cuando m aumenta.
Los valores de fm (A) para cada valor de m se obtuvieron con los siguientes cdigos:
m<-c(5,10,20,30,40,50,60,70,80,90,100,150,200,300,400,500,600,
700,800,900,1000)
n<-length(m)
replicas<-3
Resultados<-matrix(0,length(m),replicas)
for(r in 1:replicas){
fm<-c()
for (j in 1:n){
aux2<-c()
for(i in 1:m[j]){
aux1<-sample(c(1,0),1)
aux2<-c(aux2,aux1)
aux3<-sum(aux2)/m[j]
}
fm<-c(fm,aux3)
}
Resultados[,r]<-fm
}
Resultados
data<-cbind(m,Resultados)
Los grficos de la Figura 1.20 se determinan con los cdigos siguientes.
1.4 Probabilidad
23
aux<-data.frame(data[,1],data[,2])
plot(aux)
aux<-data.frame(data[,1],data[,3])
plot(aux)
aux<-data.frame(data[,1],data[,4])
plot(aux)
1.4.2
n
N
Se supone que en una urna que contiene igual cantidad de bolas blancas que negras, se extraen
sucesivamente con reemplazo tres bolas. Los siguientes elementos de S son igualmente probables
porque el muestreo es con reemplazamiento y, hay igual nmero de bolas blancas y negras en la
urna.
(b, b, b), (b, b, n), (b, n, b), (n, b, b),
S=
(b, n, n), (n, b, n), (n, n, b), (n, n, n)
N = n(S) = 23 = 8
Si el evento de inters es A = igual color en las tres bolas, se tiene que
A = {(b, b, b) , (n, n, n)}
n = n(A) = 2
La probabilidad de extraer con reemplazamiento tres bolas del mismo color de un grupo de igual
2
1
nmero de bolas blancas y negras es P(A) = n(A)
n(S) = 8 = 4 = 0.25.
Por tanto, aproximadamente el 25 % de las veces que se seleccionen al azar y con reemplazamiento tres bolas de una urna con igual nmero de bolas blancas y negras se obtendr solamente
bolas blancas o solamente negras.
1.4.3
1.4.4
Captulo 1. Probabilidad
24
Teorema 1.4.2 Sea A un evento de S, entonces:
P(A) + P(A0 ) = 1
P(B) = P(B Ai )
i=1
A2
B
A3
A4
P (B) = P (B A1 ) + P (B A2 ) + P (B A3 ) + P (B A4 )
1.4 Probabilidad
25
A partir de las probabilidades conjuntas y marginales de una misma fila o columna de la Tabla
1.3 se pueden plantear igualdades que cumplen con las condiciones y planteamiento del teorema
de la probabilidad total.
B
B0
Total
A
P(A B)
P(A B0 )
P(A)
A0
P(A0 B)
P(A0 B0 )
P(A0 )
Total
P(B)
P(B0 )
1
Tabla 1.3: Tabla de doble entrada para relacionar el teorema de la probabilidad total, probabilidades marginales y conjuntas.
Si se considera la fila 1 de la Tabla 1.3, al sumar las probabilidades conjuntas e igualarla a
la probabilidad marginal se obtiene la expresin 1.1 que corresponde a un caso particular del
teorema de la probabilidad total. As mismo se deducen las igualdades 1.2, 1.3 y 1.4. La Tabla 1.4
relaciona la terminologa usada en la Tabla 1.3, en ella se especifican probabilidades marginales
y conjuntas.
P(B) = P(A B) + P(A0 B)
(1.1)
(1.2)
(1.3)
(1.4)
Eventos de S
Total
Eventos de S
Probabilidades conjuntas
Probabilidades marginales
Total
Probabilidades marginales
1
Tabla 1.4: Tabla de doble entrada para relacionar el teorema de la probabilidad total, probabilidades marginales y conjuntas. Las probabilidades de las celdas internas de la tabla suelen llamarse
probabilidades conjuntas, las probabilidades de las celdas del total se les llaman probabilidades
simples o marginales.
En cierta ciudad solamente dos peridicos A y B tienen circulacin diariamente. Adems el
cincuenta por ciento de los habitantes leen el peridico A, el treinta por ciento leen el peridico
B y el veinte por ciento leen ambos peridicos. Si se definen los eventos A =Habitante que lee
peridico A y B =Habitante que lee peridico B, se tienen las siguientes probabilidades
P(B) = 0.3, P(A) = 0.5 y P(A B) = 0.2
Captulo 1. Probabilidad
26
La Figura 1.22 ilustra la situacin del ejemplo,
S
A
0.3
0.2
0.1
AB
0.4
Figura 1.23: Ilustracin del teorema de la probabilidad total para ejemplo de los peridicos. ??
Entonces
P(A) = P(A B) + P(A B0 )
Luego,
P(A B0 ) = P(A) P(A B) = 0.5 0.2 = 0.3
1.4 Probabilidad
27
1.4.6
Probabilidad condicional
Los empleados de la empresa TECNA se han clasificado segn su gnero y nivel salarial en la Tabla 1.5. El nivel salarial se clasifica en dos categoras G o L, donde G = Gana al menos $8,000,000,
L = Gana menos de $8,000,000, El gnero se clasifica en M o H, donde M = Es mujer y
H = Es hombre.
M
H
Total
L
210
105
315
G
80
305
385
Total
290
410
700
Tabla 1.5: Clasificacin de los empleados de TECNA segn ingreso salarial y gnero donde M = Es mujer, H = Es hombre, G = Gana al menos $8,000,000, L =
Gana menos de $8,000,000
En la empresa, el porcentaje de los hombres que ganan ocho o ms millones de pesos es
(305/410)(100) % = (0.7439)(100) % = 74.39 %. De acuerdo con el enfoque frecuentista de
la probabilidad se puede aproximar la frecuencia relativa de un evento con la probabilidad del
evento para un nmero grande de replicas del experimento. Considerando 700 un nmero grande
de replicas, entonces, en el grupo de los hombres, el valor aproximado de la probabilidad de
ganar ocho o ms millones es 0.7439. Puesto que el clculo no se hace respecto al total 700, si no
a 410 se le llama probabilidad de G condicionada a H. sta probabilidad se le llama probabilidad
condicional y se denota P(G|H). Luego P(G|H) = 0.7439. De manera similar se calcula el
Captulo 1. Probabilidad
28
porcentaje de los que ganan menos de ocho millones en el grupo de las mujeres, esto es 72.41 %.
Por tanto P(L|M) = 0.7241
Definicin 1.4.1 Si A y B son eventos del espacio muestral S tales que P(B) > 0. La proba-
P(A B)
P(B)
Regla multiplicativa
Teorema 1.4.6 Sean A1 , A2 , . . . , Ak eventos de S, entonces
Aplicando este resultado al Teorema 1.3.4, el teorema de la probabilidad total queda como
n
Uso del rbol para resolver problemas que usen probabilidad condicional
|A)
P (B 0
|A)
B0
0
|A )
P (B 0
|A 0)
B0
P (B
)
(A
(A 0
)
P (B
0
1.4 Probabilidad
29
|A)
P (B A)
P (B 0
|A)
B0
P (B 0 A)
|A
P (B
P (B A0 )
P (B 0
|A 0)
B0
P (B 0 A0 )
P (B
)
(A
(A 0
)
0)
A0
P (B)
P (B 0 )
Figura 1.25: rbol que ilustra el Teorema 1.3.4 para el caso particular de dos eventos
El ejemplo estudiado anteriormente de la empresa TECNA se puede resolver la regla multiplicativa como se muestra a continuacin.
Puesto que se conoce que el empleado seleccionado al azar es hombre, el cardinal del espacio
muestral se reduce de 700 a 410. Entre el grupo de 410 hombres existen 305 con sueldos
superiores o iguales a $8, 000, 000 por tanto P(G|H) se calcula como se presenta a continuacin
P(G|H) =
n(G H) 305
=
= 0.7439
n(H)
410
M
P (M ) = 0.4143
Captulo 1. Probabilidad
30
0.5857
0.4143
M
G|M
0.7439
0.2759
G|H
L|M
L|H
S
Figura 1.27: Comparacin de P(G|H) con P(H) y comparacin de P(L|M) con P(M).
En la Figura 1.27 como extensin de la Figura 1.26 se ilustran las probabilidades condicionales. En esta nueva figura est contenido P(G|H) = 0.7439 en el rectngulo de P(H), donde
P(H) = 0.5857, lo que parece ilgico, puesto que 0.7439 > 0.5857, pero se debe tener en cuenta
que 0.7439 est dado respecto al rectngulo de H, que en este caso es el rectngulo referencia,
pues el espacio muestral cambi de S a H. Por otro lado, P(G H) = 0.4357 y P(G|H) = 0.7439.
Al realizar cuentas inversas para determinar el nmero de empleados los valores coinciden, pues
son valores relativos respecto al espacio muestral y la informacin conocida.
A partir de P(G H) = 0.4357 el nmero de empleados que ganan al menos $8, 000, 000 y
son hombres es (0.4357)(700) 304.99 305. El nmero de empleados que ganan menos de
$8, 000, 000 en el grupo de los hombres es (0.7439)(410) 304.99 305.
Un aspecto interesante para analizar es el caso de probabilidades condicionales para situaciones
sincrnicas como la siguiente (ver Figura 1.28): considera que una bola se suelta en E. Si sale
por R, Cul es la probabilidad que haya salido por el canal I?
Figura 1.28: Rutas de entrada y salida de la bola para ejemplo tomado del artculo sesgos en el
razonamiento sobre la probabilidad condicional e implicaciones para la enseanza de Carmen
Batanero y otros.
El resultado correcto es 0.66, se debe tener en cuenta que si la bola pasa por II puede caer por R
o B, y si pasa por I, solo puede caer por R. Es importante claridad al respecto, la respuesta no es
ni 0.5 ni 0.33.
1.4 Probabilidad
1.4.8
31
Eventos independientes
Dos eventos son independientes cuando la aparicin / no aparicin de uno de ellos no proporciona informacin sobre la ocurrencia del otro. Por ejemplo al lanzar una moneda balanceada, la
probabilidad de obtener cara es 0.5 y la de obtener sello tambin es 0.5. Si al lanzar la moneda
el resultado es sello, en un segundo lanzamiento la probabilidad de obtener sello sigue siendo
la misma, 0.5. Y la de obtener cara tampoco cambia. En consecuencia, el resultado de cada
lanzamiento de una moneda balanceada es un evento estadsticamente independiente de los
resultados de otros lanzamientos de la moneda.
Definicin 1.4.2 Dos eventos E y F de un espacio muestral S son independientes si y slo si
P(E F) = P(E)P(F)
Al considerar una familia cuya probabilidad de tener una hija o tener un hijo es la misma, la
probabilidad de tener dos hijos, donde el primero sea el hijo y el segundo la hija es 1/4.ste
clculo se puede realizar a partir del enfoque clsico de probabilidad o teniendo en cuenta que el
sexo entre hijos es independiente entre si.
Sea H = Ser hombre00 y M = Ser mujer00 , luego el espacio muestral del experimento es
S = {HH, MM, HM, MH}, y el evento relacionado a la probabilidad de que el primero sea
hombre y el segundo mujer es A = {HM} entonces la probabilidad de que el primero sea hombre
y el segundo hijo sea mujer es P(HM) = 1/4 = 0.25.
Por otro lado, si se define el evento H1 = {HH, HM} y M2 = {HM, MM}, entonces P(H1 ) =
1
P(M2 ) = y P(H1 M2 ) = P({HM}) = 1/4 por independencia de los eventos H1 y M2 .
2
Existe una tendencia a confundir eventos mutuamente excluyentes con independientes, para
diferenciarlo se sugiere pensar en lo siguiente: Si se extrae una carta al azar de una baraja
americana: Sea A el evento Se extrae trbol y B el evento se extrae una reina Los sucesos A
y B son independientes? Antes de responder se debe tener en cuenta que el hecho que haya la
reina de trboles no permite afirmar que los eventos sean independientes. Es decir, los eventos
independientes no se identifican cuando los eventos son mutuamente excluyentes.
Otra confusin usual es pensar que en P(A|B), A es consecuencia de B. Se sugiere analizar lo
siguiente para evitar confusiones. Si P(A|B) = 1, B no tiene que ser causa de A, tampoco el hecho
que haya dependencia entre A y B quiere decir que un evento se causa del otro. Por ejemplo, se
conoce que las que los lugares con mayor esperanza de vida tiene una menor tasa de natalidad,
lo anterior no implica que una menor tasa de natalidad sea la causa de mayor esperanza de vida.
La existencia de una relacin condicional indica que una relacin causal es posible, pero tal
hecho no es seguro. En este ejemplo, puede ser que las variables estn dependiendo del nivel de
renta de un pas, el cual es mayor si el porcentaje de mujeres que trabajan es mayor. La mayor
dedicacin al trabajo de mujeres hace que estas tengan menor nmero de hijos, disminuyendo
as la tasa de natalidad. Se debe tener especial cuidado en no sacar conclusiones de causa-efecto.
Captulo 1. Probabilidad
32
1.4.9
Teorema de Bayes
El Teorema de Bayes permite calcular las probabilidades finales, a partir del conocimiento de las
probabilidades iniciales y de los datos obtenidos experimentalmente (Rivadulla, 1991: Bolstad,
2004) y de acuerdo con Serrano en 2003 se puede entender de manera simple como sigue:
Se tiene un evento B (los datos) y se desea saber si ha sido provocado por una de las causas A1 ,
A2 , . . . An (una serie de hiptesis cientficas rivales, las que pueden ser la causa de B). Adems
se conocen las probabilidades P(A1 ), P(A2 ), . . . P(An ), es decir la probabilidad inicial de cada
una de las hiptesis rivales, as como las probabilidades P(B|A1 ), P(B|A2 ), . . . , P(B|An ).
Entonces, la probabilidad P(Ar |B) (probabilidad final de que la hiptesis Ar sea verdadera, una
vez que sean obtenido los datos B) se determina con la siguiente expresin
P (Ar |B ) =
P (B |Ar ) P (Ar )
r = 1, . . ., n
P (B |Ai ) P (Ai )
i=1
donde P(Ai ) 6= 0 para i = 1, . . . , n, entonces, para cualquier evento B en S tal que P(B) 6= 0,
P(Ar |B) =
=
P(Ar B)
n
i=1 P(Ai B)
P(Ar )P(B|Ar )
n
i=1 P(Ai )P(B Ai )
para r = 1, 2, . . . , n
Las probabilidades P(Ai ) se denominan probabilidades iniciales, P(Ai |B) probabilidades finales,
las que se calculan apartir de la informacin P(B|Ai ) llamadas verosimilitudes. Se puede observar
que el denominador de la frmula es el Teorema de la probabilidad total.
Para entender mejor los conceptos anteriores se consideran el ejemplo de las pruebas clnicas
de narcolepsia, la narcolepsia es un trastorno del sueo cuyo sntoma principal es la aparicin
recurrente e irresistible de ataques de sueo reparador. Las personas con este trastorno no
descansan bien, se vuelven irritables y no rinden igual que antes en sus trabajos.
En una gran cantidad, una de cada 1,000 personas sufren la narcolepsia, el test de narcolepsia es
positivo en 99 de cada 100 personas enfermas y tambin en 2 de cada 100 personas sanas. Es
1
decir, la probabilidad de sufrir narcolepsia, P(N) = 1,000
corresponde a la probabilidad inicial,
la probabilidad de que el test sea positivo si se tiene narcolepsia, P(+|N) = 99/100 corresponde
a la verosimilitud y la probabilidad de sufrir narcolepsia si el test ha dado positivo, P(N|+)
corresponde a la probabilidad final. Esta probabilidad se calcula con el Teorema de Bayes y
para ello se utiliza la informacin de la Tabla 1.6 cuyos valores se calculan para una muestra de
100,000 personas muestreadas.
Sufren narcolepsia
No sufren
narcolepsia
Total
33
Test +
99
Test 1
Total
100
1,998
9,7902
99,900
2,097
97,903
100,000
Tabla 1.6: Probabilidades de tener narcolepsia de acuerdo con el test para una muestra de 100, 000
personas.
99
= 0.0472
99 + 1.998
Lo anterior significa que las personas que tienen la enfermedad en la gran ciudad son pocas.
P(N|+) es pequeo, pero esto no hace al evento imposible. Si aumenta la muestra pueden
aparecer ms falsos positivos.
Entonces P(N|+) =
1.5
Ejemplos integradores
Los siguientes ejemplos integran las temticas: tcnicas para contar, definicin de probabilidad
con el enfoque clsico, probabilidad condicional, regla multiplicativa, teorema de la probabilidad
total y teorema de Bayes, con el objetivo de contribuir al desarrollo de las competencias comunicar efectivamente el conocimiento estadstico y resolver problemas que requieran aplicacin de
la estadstica.
Captulo 1. Probabilidad
34
0.0165
0.97
D0
0.5335
0.01
0.003
0.99
D0
0.297
5
0.02
0.00375
0.97
5
D0
0.14625
0.
55
B1
0.3
B2
15
0.
B3
Figura 1.29: Diagrama de rbol para calcular P(D) y P(D0 ) del Ejemplo 1.1
.
Para determinar el porcentaje de mdulos de memoria RAM del proveedor B1 entre los mdulos defectuosos se debe calcular la probabilidad final P(B1 |D). Con teorema de Bayes, entonces
P(B1 |D) =
P(B1 D) (0.55)(0.03)
=
= 0.7097
P(D)
0.02325
35
A B0 C
A0 B 0 C
Captulo 1. Probabilidad
36
(2) A B C
(3) A0 B C
(4) A0 B0 C
donde
C = (A B0 C) (A B C) (A0 B C) (A0 B0 C)
S
A
(1)
(2)
(3)
(4)
Figura 1.31: Ilustracin de C en diagramas de Venn donde C = (1) (2) (3) (4).
Por teorema de la probabilidad total
P(C) = P(A B0 C) + P(A B C) + P(A0 B C) + P(A0 B0 C)
Cada sumando que determina P(C) se calcula usando regla multiplicativa
P(A B0 C) = P C|(A B0 ) P(B0 |A)P(A) = 0.06, P(B0 |A) = 0.25 porque P(B|A) = 0.75
= 0.06
Similarmente
P(A0 B C) = P C|(A0 B) P(B|A0 )P(A0 ) = 0.504,
= 0.504
P(A0 B0 C) = P C|(A0 B0 ) P(A0 )P(B0 |A0 ) = 0.504,
37
Por consiguiente
P(C) = 0.06 + 0.045 + 0.021 + 0.504 = 0.63
De la respuesta calculada se dice que aproximadamente en el 63 % de los ros se permite la pesca.
Por ltimo, por regla multiplicativa
P(A B0 C)
0.06
P A|(B0 C) =
=
= 0.1064
0
P(B C)
0.564
De acuerdo con lo obtenido aproximadamente el 10.6 % de los ros que permiten la pesca y la
prueba no detecta la contaminacin, estn contaminados.
Ejemplo 1.3 La empresa DEMIN fabrica pantalones. La empresa posee tres mquinas para su
0.97
D0
0.04
0.96
D0
0.05
0.95
D0
P(B) = 0.3,
P(C) = 0.25,
0.0135
0.
45
0.3
0.012
0.038
25
0.
0.0125
Figura 1.32: Diagrama de rbol que ilustra la informacin y resultados del Ejemplo 1.3
Captulo 1. Probabilidad
38
P(B|D) =
Ejemplo 1.4 Miguel tiene que ir todos los das de la ciudad A a la C para llegar a su trabajo
y debe regresar a su casa al final del da a la ciudad A. Para ir de A a C, l puede pasar por la
ciudad B o alternadamente viajar por los caminos C8 y C9 . Cada una de los caminos de viaje
entre las dos ciudades tiene doble sentido ver Figura 1.33. En los ltimos diez aos, cada da, l
ha decidido viajar entre las ciudades escogiendo la ruta de ida y regreso al azar, por ejemplo,
ruta de ida, C4C7 y ruta de regreso C9 . Este ao tambin escoger la ruta de ida y regreso al azar.
Miguel trabajar este ao los 365 das del ao.
39
C8
C1
C2
A
C3
C5
C6
C7
C4
C9
Figura 1.33: Ilustracin de carreteras entre las ciudades A, B y C. Las carreteras son de doble
sentido C1 hasta C8
a) En el pueblo B vive la madre de Miguel. l le hace una visita corta cuando de ida al trabajo
el azar lo determina. Cuntos das de este ao se espera que Miguel vea a su madre de
ida al trabajo?
b) Cuntos das de este ao Miguel se regresar por una ruta diferente a la de ida sin repetir
rutas de da a da si la escogencia de la ruta tanto de ida como de regreso es aleatoria?,
cul es la probabilidad de ir y regresar sin repetir las rutas de ida? En un mismo da, si se
va por la ruta C1C5 , no puede regresar por la ruta C5C1 , pero si podr regresar por ejemplo
por la ruta C5C3 .
Solucin:
a) Sea B=caminos para ir de A a C pasando por B. Se debe determinar P(B) con la frmula
P(B) = n(B)
n(S)
Donde n(B)= nmero de rutas para ir de A a C pasando por B cuando se va de A a C
(solamente de ida) y n(S)= nmero de rutas totales para ir de A a C (solamente de ida)
Para llegar de A a C pasando por B se deben seguir dos procedimientos, ir de A a B y luego
de B a C, por tanto por principio multiplicativo n(B) = (4)(3) = 12. Adems para llegar de
A a C se puede hacer usando el camino C8 o el camino C9 o pasando por B. Con cualquiera
de las 3 alternativas se llega de A a C, luego por principio aditivo, n(S) = 1 + 1 + 12 = 14.
12
As, P(B) = n(B)
n(S) = 14 = 0.857. De acuerdo con esto, aproximadamente el 85.7 % de las
veces cuando Miguel va para el trabajo se espera que llegue donde su madre.
En relacin a los das que Miguel ver a su madre, ya Miguel trabajar este ao 365 das,
por tanto (365)(0.857) = 312.8 ' 313 es aproximadamente el nmero de das que Miguel
ver a su madre.
b) Sean E = Rutas para ir y regresar entre A y C sin repetir ruta de regreso, donde n(E)=
Nmero de rutas para ir y regresar de A a C sin repetir la ruta, n(S)= Nmero de rutas para
ir y regresar de A a C.
Para salir y regresar de A se deben seguir dos procedimientos, ir de A a C e ir de C a A,
entonces el nmero de rutas para salir y regresar a A se determina con principio multiplicativo. Para ir de A a C tiene 14 rutas posibles, de regreso no puede usar una, la que us, por
consiguiente solamente puede usar 13, as n(E) = (14)(13) = 182.
Con justificacin similar a la anterior se vlida n(S) = (14)(14) = 196. Entonces, P(E) se
Captulo 1. Probabilidad
40
calcula como sigue
P(E) =
n(E) 182
=
= 0.9285
n(S)
196
1.6
Ejercicios propuestos
Los siguientes ejercicios pretenden el desarrollo de las competencia resolver correctamente problemas que requieran la estadstica.
2.1 Imagina que tienes una muestra de 100,000 personas elegidas al azar. Imagina que 10
de cada 1,000 est deprimida. Supn que una prueba de depresin da positivo en 99 de
cada 100 personas enfermas y tambin en 2 de cada 100 personas sanas. Si D significa
depresin y + significa prueba positiva, entonces calcula las siguientes probabilidades.
a) P(D)
41
b) P(+/D)
a) P(/D)
b) P(D +)
2.2 En un centro de preescolar el 20 % de los nios son hijos de inmigrantes y el 10 % de las
nias. En el centro hay un 50 % de las nias. Utiliza la tabla siguiente para calcular la
probabilidad de que si cogemos al azar un alumno inmigrante, sea varn.
Sucesos
Suma
Probabilidades Iniciales
Verosimilitudes
Producto
Probabilidades finales
2.3 En un centro mdico se han observado a 250 personas para estudiar si el hbito de fumar
tiene relacin con los trastornos bronquiales. Obtenindose los siguientes resultados:
Fuma
No Fuma
Total
Padece Trastornos
No padece trastornos
Total
Ms de 55 aos
Total
No Fuma
Total
Padece Trastornos
No padece trastornos
Total
Captulo 1. Probabilidad
42
Ms de 55 aos
Total
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
2.21
2.22
2.23
2.24
43
hombres y 25 de cada 100 mujeres fuman. Si cogemos 200 personas al azar. Cuntas de
ellas fumarn?
Al azar se seleccionan dos de cuatro cartas numeradas 1,2,3 y 4, una despus de otra.
Los nmeros de las cartas se suman y si la suma es par, se gana un premio. Qu es mas
probable, obtener el premio o no?
Una fbrica dispone de dos mquinas M1 y M2 que fabrican bolas. La mquina M1 fabrica
el 40 % de las bolas y la M2 el 60 %. El 5 % de las bolas fabricadas por M1 y el 1 % de las
fabricadas por M2 son defectuosas. Tomamos una bola al azar que resulta ser defectuosa.
Cul es la probabilidad de que haya sido fabricada por M1?
Se sabe que 100 de cada 10,000 personas est enferma. De cada 100 personas enfermas, el
test ser positivo en 80 de ellas. De cada 9,900 personas sanas el test saldr positivo en
950 de ellas. El test resulta positivo en 103 personas. Cuntas de estas personas estn
realmente enfermas?
El valor de la probabilidad P(D/S) es aproximadamente igual al de la probabilidad
P(S/D):
a) En todos los casos
b) Slo si P(S) es igual a P(D)
c) Nunca puede ser igual
Imagina que tienes una muestra de 100,000 personas elegidas al azar. Imagina que de 5
de cada 1,000 est deprimida. Supn que una prueba de depresin da positivo en 99 de
cada 100 personas enfermas y tambin en 3 de cada 100 personas sanas. Si D significa
depresin y + significa prueba positiva, entonces:
a) P(D) = 0.005 : P(D/+) = 0.99 : P(S/+) = 0.03
b) P(D) = 0.0005 : P(+/D) = 0.99 : P(/D) = 0.01
c) P(D) = 0.005 : P(D/+) = 0.99 : P(/D) = 0.01
d) P(D) = 0.005 : P(+/D) = 0.99 : P(/D) = 0.01
En una facultad 10 de cada 100 personas estudia el ltimo ao comparte un piso con otros
compaeros y tambin 30 de cada cien estudiantes de los cursos anteriores. C es el suceso
compartir piso y U el suceso estar en el ltimo ao. Cogemos al azar un estudiantes y
resulta ser de ltimo ao, la probabilidad de que comparta un piso es:
a) Una probabilidad inicial P(C)
b) Una probabilidad final P(C/U)
c) Una verosimilitud P(U/C)
d) Una probabilidad conjunta P(U C)
Qu quiere decir la expresin la probabilidad condicional de A dado B es 1/4?
a) En la cuarta parte de los experimentos obtenemos A y B simultneamente.
b) A ocurre la cuarta parte de las veces en que ocurre B
c) B ocurre la cuarta parte de las veces en que ocurre A
d) A o B ocurren la cuarta parte de las veces
Sea A el suceso Pedro instala una alarma antirrobo en su casa. Sea B el suceso La casa
de Pedro es robada antes de fin de ao. Sea A y B las negaciones de A y B respectivamente.
Cul de las siguientes afirmaciones es correcta?
= P(A)
a) P(A/B) + P(A/B)
b) P(A B) > P(A)
c) P(A/B) = P(A)P(B)
d) P(A/B) = P(A B)/P(A)
Sea A el suceso Pedro instala una alarma antirrobo en su casa. Sea B el suceso La casa de
Pedro es robada antes de fin de ao. Sean A y B las negaciones de A y B respectivamente.
Cul de las siguientes afirmaciones es incorrecta?
44
2.25
2.26
2.27
2.28
2.29
2.30
2.31
2.32
Captulo 1. Probabilidad
a) P(A/B) 1
= P(A)
b) P(A/B) + P(A/B)
c) P(A/A) = 1
d) P(A/B) = P(A B)/P(A)
Cul es el espacio muestral de una probabilidad condicionada P(A/B)?
a) El mismo que el de la probabilidad simple
b) El suceso condicionante
c) El suceso condicionado
d) La interseccin de los dos sucesos
En cul de las siguientes predicciones tendrs mayor seguridad o confianza?
a) Una persona adicta a la herona tambin fuma marihuana
b) Una persona que fuma marihuana es tambin adicta a la herona
c Los dos sucesos son iguales de probables
Supn que Carlos Ferrero alcanza la final de Roland Garros en 2004. Cul de los
siguientes sucesos consideras ms probable?
a) Carlos Ferrero pierde el primer set
b) Carlos Ferrero pierde el primer set pero ganan el partido
c) Los dos sucesos son iguales de probables
Cul de los siguientes sucesos consideras ms probable?
a) Aznar mandar ms tropas a Irak y aumentar el presupuesto de becas
b) Aznar aumentar el presupuesto de becas
c) Los dos sucesos son igual de probables
Se extrae una carta al azar de una baraja americana: sea A el suceso se extrae un trbol y
B el suceso se extrae una reina Los sucesos A y B son independientes?
a) Si, en todos los casos.
b) No son independientes porque en la baraja hay una reina de trboles.
c) Slo si sacamos primero una carta para ver si es reina y se vuelve a colocar en la
baraja y luego sacamos una segunda carta y para mirar si es trbol.
d) No, porque P(reina de trbol)= P(reina) P(trbol)
Qu quiere decir el trmino mutuamente excluyentes cundo se usa en referencia a la
probabilidad?
a) La ocurrencia de un suceso no afecta la ocurrencia del otro suceso
b) La probabilidad de la interseccin es el producto de las probabilidades simples
c) Si un suceso ocurre, el otro no puede ocurrir
d) A y B son correctas
Una urna contiene dos bolas blancas y dos bolas negras. Extraemos a ciegas dos bolas de
la urna, una detrs de otra, sin reemplazamiento. Cul de probabilidad de extraer una
bola negra en segundo lugar, habiendo extrado una bola negra en primer lugar? P(N2 /N1 ).
a) 1/3
b) 1/2
c) 1/6
d) 1/4
La probabilidad de que mujer de 40 aos tenga una mamografa positiva es el 10.3 %.
La probabilidad de que una mujer de 40 aos tenga cncer de pecho y una mamografra
positiva es de 0.8 %. Una mujer de 40 aos se realiza una mamografa y resulta positiva.
Cul es la probabilidad de que realmente tenga cncer?
0, 8
a)
= 0.0776
10.3
b) (10.3 ) (0.8)=8.24
c) 0.8 %
45
2.33 103 de cada 1,000 mujeres de 40 aos tienen una mamografa positiva. 8 de cada 1,000
mujeres de 40 aos tienen cncer de pecho y obtiene una mamografa positiva. En una
muestra representativa de mujeres de 40 aos que se realizan una mamografa y resulta
positiva. Cuntas de ellas esperar que realmente tengan cncer?
a) 7.7 de cada 100
b) 8.24 de cada 100
c) 0.8 de cada 100
2.34 Una urna contiene dos bolas blancas y dos bolas negras. Extraemos a ciegas dos bolas de
la urna, una detrs de otra, sin reemplazamiento. Cul es la probabilidad de extraer una
bola negra en primer lugar, sabiendo que hemos extrado una bola negra en segundo lugar?
a) 1/3
b) No se puede calcular
c) 1/6
d) 1/2
2.35 Una caja tiene cuatro focos, de los cuales dos son defectuosos. Se sacan dos al azar, uno
tras otro sin reemplazamiento. Si el segundo foco es defectuoso, qu es lo ms probable?
a) que el primero sea defectuoso
b) que el primero no sea defectuoso
c) los dos sucesos son iguales de probables
d) No se puede saber
2.36 En una urna hay tres tarjetas: una es azul por ambos lados, otra es roja por ambos lados y la
ltima es por un lado azul y por otro roja. Seleccionamos una tarjeta al azar y la ponemos
sobre la mesa tal y como la sacamos de la urna. La cara que vemos es roja, cul es la
probabilidad de que la otra cara sea roja tambin?
a) 2/3
b) 1/2
c) 3/4
d) (1/3) (1/2)
2.37 Un taxi se vio implicado en un accidente nocturno con choque y huida posterior. Hay
dos compaas de taxis en la ciudad, la verde y la azul. El 85 % de los taxis de la ciudad
son verde y el 15 % azul. Un testigo identific el taxi como azul. El tribunal comprob la
fiabilidad del testigo bajo las mismas circunstancias que haba la noche del accidente y
lleg a la conclusin de que el testigo identificaba correctamente cada uno de los colores
en el 80 % de las ocasiones y fallaba en el 20 %. Cul es la probabilidad de que el taxi
implicado en el accidente fuera en efecto azul?
a) 80 %
b) 48 %
c) 15 %
d) (15/100)(80/100)
Los siguientes ejercicios pretenden el desarrollo de las competencia resolver correctamente problemas que requieran la estadstica y comunicar efectivamente
conocimiento estadstico.
2.38 En la Universidad Catlica de Colombia se present en el auditorio principal con capacidad
para novecientas personas la conferencia titulada Cmo hacer investigacin en Colombia.
Hubo cupo lleno y adicionalmente se sentaron cien personas en los escalones de los pasillos.
Los convocados a la conferencia fueron los estudiantes de los programas de ingeniera
industrial, civil y electrnica de esta Universidad. Entre los asistentes se encuestaron al
Captulo 1. Probabilidad
46
IE
IC
II
Figura 1.34: Clasificacin de la muestra por carrera y sexo. IC es ingeniera civil, IE es ingeniera
electrnica, II es ingeniera industrial, M es mujer y H es hombre.
El prximo mes en esta misma Universidad se llevar a cabo la I Jornada de Investigacin
Orientada a Problemas de Ingeniera. Los organizadores del evento por experiencia con
las facultades de ingeniera suponen que el gnero, la carrera o el nmero de titulaciones
determinan las preferencias de la conferencia, es decir, entre el grupo estudiantes hombres
de ingeniera de una sola titulacin, las preferencias son diferentes en cada una de las tres
carreras de ingeniera, similarmente ocurre entre las mujeres de una sola titulacin. Las
preferencias de los estudiantes de dos o ms titulaciones de ingeniera no se ven afectadas
por el gnero, pero los estudiantes de dos y tres titulaciones no coinciden en preferencias.
Por ejemplo, los estudiantes con doble titulacin de ingeniera industrial y electrnica
tienen diferente preferencia a los que tienen como doble titulacin ingeniera industrial y
civil. En nmero de asistentes a la Jornada de investigacin se supone aproximado a los
que se presentaron a la conferencia.
47
Captulo 1. Probabilidad
48
C6
C1
C7
C2
C8
C3
C9
C4
C5
C10
49
b) En su segundo viaje Juan Pablo se traslado por tierra tanto de ida como de regreso
entre A y D. Durante su estada pudo ir y regresar entre las dos ciudades con todas
las rutas posibles durante sus das de trabajo, sin repetir rutas ya utilizadas. Si un da
viaja por la ruta C1C7C9C2 (C1C7 de ida y C9C2 de regreso), otro da podra utilizar
de ida la ruta C1C7 , pero no usar de regreso la ruta C9C2 , en su lugar podra usar, por
ejemplo, la ruta C9C3 . Cuntos das estuvo en la regin?
c) En su tercer viaje conoci a un habitante de la regin en el vuelo en el que llegaba a la
regin, quien le inform que en los pueblos vecinos a la ciudad B venden las mejores
tortas en esa epoca del ao en un negocio de cadena llamada Delicias. Durante
doscientos das desde el primero de Julio programan la venta de tortas especiales en
cada pueblo, fecha que coincide con el primer da laboral de la tercera estada de
Juan Pablo. En cada pueblo se ofrece la misma torta especial durante el perido de
tiempo mencionado y en ningn otro pueblo venden la misma torta.
i) Juan Pablo decidi comprar dos tortas especiales diariamente, una en la maana
y otra en la tarde sin repetir el tipo de torta especial. Cuntas parejas diferentes
de tortas puede comprar?
ii) De cuntas maneras puede viajar Juan Pablo de tal manera que pueda comprar
cuatro tortas diferentes en un da? Cules deben ser las restricciones de viaje
de ida y regreso entre A y D, si Juan Pablo consume cuatro tortas diferentes
diariamente y en el tiempo de estada en la regin no repite la compra de las
mismas cuatro tortas especiales?, cuntos das lo puede hacer?
iii) Qu porcentaje aproximado de los das Juan Pablo podra comprar una torta
especial en la maana de camino al trabajo si la ruta de viaje es aleatoria?
iv) Cuntos das aproximadamente de ciento cincuenta das laborales podra comprar al menos una torta especial si la ruta completa para ir y regresar de su
trabajo es seleccionada al azar?
v) Cuntos das aproximadamente de ciento cincuenta das laborales podra comprar tortas especiales tanto de ida como de regreso si la ruta completa para ir y
regresar de su trabajo es seleccionada al azar?
2.43 Diariamente llegan al Puerto de Buena Fortuna cuatro buques de Ecuador, seis buques de
Mxico y cinco buques de Chile. Cada buque de cada nacionalidad con el mismo calado.
La capitana considera que no se debe recibir buques de ms de dos nacionalidades, puesto
que el Puerto solamente tiene capacidad para atender diez buques y no se atienden menos
de diez buques. Los buques que no reciben en Buena Fortuna son atendidos en Mala
Fortuna que tiene capacidad para cinco buques. Siempre los buques escogen como primera
opcin a Buena Fortuna.
a) El Director del Puerto le ha solicitado a su sobrino que estudia ingeniera industrial
que determine el nmero de das que se atenderan los buques de forma diferente en
el Puerto Buena Fortuna.
b) El sobrino del Director not que algunas veces Mala Fortuna recibe buques de una
sola nacionalidad y consider que la proporcin de veces es pequea, ests de
acuerdo con eso?
2.44 Los ltimos meses algunos oficinistas de la empresa DEMIA se han quejado de dos de
las cinco empleadas del aseo de la empresa, ambas empleadas sindicalizadas y por tanto
dificil que se pueda cancelar su contrato laboral. Cada empleada es responsable del aseo
de un piso de las instalaciones de la empresa por da.La asignacin cambia por da y los
cinco pisos son atendidos.
a) El gerente de la empresa para mantener la armonia ha decidido rotar a las empleadas del aseo diariamente, cuntos das deben pasar para que se repita la misma
50
Captulo 1. Probabilidad
Tabla 1.8: Cantidad de personas con automviles por grupo de edad y gnero en la ciudad de
Cali.
Cantidad de personas con automviles en Cali
Hombre
Mujer
[18-25) 100,000
80,000
[25-45) 200,000
225,000
[45-60) 300,000
305,000
[60-80 ] 400,000
390,000
Con la modificacin del TLC, la venta de automviles se ha incrementado en Colom-
51
bia durante los ltimos aos. En Cali dos millones de personas tienen automvil. Las
aseguradoras en promedio gastan por accidente diez millones de pesos por asegurado.
a) Aproximadamente cuntos de los caleos con automviles con edades iguales o
superiores a cuarenta y cinco aos podran sufrir un accidente automovilstico?
b) Qu porcentaje aproximado de los accidentados son menores de veinticinco aos?,
cuntos aproximadamente?
c) Cul sera estimacin en gastos de las aseguradoras por los accidentes?
2.48 En poca de crisis econmicas las empresas en busca de minimizar los costos de personal
se ven obligadas a despedir parte de su planta de personal. Un estudio realizado por
la empresa de consultora Consultores de Empresas recogi informacin de doscientos
empleados de empresas que estuvieron o estn en crisis y que han despedido empleados
por ese motivo. Los encuestados en este estudio respondieron acerca de si recibieron otro
empleo dentro de la empresa, si encontraron un empleo en otra empresa en la misma rea,
si encontraron trabajo en una nueva rea o si llevan desempleados ms de un ao. Adems
se registr si eran empleados sindicalizados. La informacin se encuentra en la Tabla 1.9.
Tabla 1.9: Informacin de empleados entrevistados.
Estado laboral
Sigue en la misma compaa en la misma rea
Est en otra compaa misma rea
Est en la misma compaa en nueva rea
Est desempleado
Sindicalizado
80
26
8
4
No sindicalizado
30
20
22
10
a) Qu porcentaje aproximado de los que encontraron trabajo en una nueva rea eran
sindicalizados?
b) Si se seleccionan al azar cien de los entrevistados, qu porcentaje aproximado estan
sindicalizados?
c) Si se seleccionaran cien veces tres entrevistados de los doscientos, en cuntos de
estos grupos, uno de los entrevistados estaba sindicalizado?
d) El porcentaje aproximado de los que mantienen el empleo es mayor cuando se est
sindicalizado?
2.49 La empresa Consultora Industrial ofrece entre algunos servicios asesora jurdica, asesora
en marketing y asesoras contables a las compaas de la regin. De los diez mil servicios
prestados durante los ltimos cinco aos, el doce por ciento se prest el servicio de asesora
jurdica, el siete por ciento asesora en marketing, el cinco por ciento en asesoras contables.
Adems el trece por ciento se prest el servicio de asesora jurdica o al servicio de asesora
en marketing, el catorce por ciento en asesora jurdica o asesora contable, el diez por
ciento en asesoras en marketing o asesora contable. Finalmente se estableci que las
tres asesoras se prestaron el uno por ciento de las veces. Qu proporcin de las veces la
empresa Consultora Industrial prest servicios diferentes a los mencionados?
2.50 En Cartago hay dos servicios de ambulancias, cuando se presenta un accidente ambas
son notificadas y el noventa y seis por ciento de las veces cada uno de los servicios
tienen disponibilidad de una ambulancia. Como no hay comunicacin entre ellas, ambas
pretenden atender el siniestro que se presente. Habr disponibilidad en Cartago de
ambulancia todas las veces que se presente un accidente?
2.51 La Industria Vehaba S.A produce perfiles para ventanas. Para una ventana estndar se usan
perfiles de aluminio de ciento cincuenta centmetros de longitud. El sesenta por ciento de
los perfiles producidos cumplen con la longitud especificada, el treinta por ciento tienen
52
Captulo 1. Probabilidad
53
dormir?
c) Hay independencia entre el analfabetismo y el gnero?
Tabla 1.10: Informacin Cesnso Sectorial en Santiago de Cali 2005.
Sexo
Hombre
Mujer
Total
Habitantes
de la calle
1,427
200
1,627
Habitantes
en la calle
909
415
1,324
Total
2,336
615
2,951
Analfabetas
438
167
605
No analfabe- Total
tas
1,898 2,336
448
615
2,346 2,951
Captulo 1. Probabilidad
54
capacitacin?
2.58 Segn los registros meteorolgicos de los ltimos aos en el mes de Noviembre en
Lovaina, Blgica, llueve el cincuenta por ciento de las veces, cae nieve el treinta por ciento
de las veces, esta soleado un veinte por ciento de las veces. Segn los registros de las
aseguradoras de la ciudad en mencin el veinte por ciento de las veces que llueve ocurre
accidente, el diez por ciento de las veces que cae nieve ocurre un accidente, el cinco por
ciento de los das soleados ocurre un accidente. El quince de Noviembre el alcalde de
la ciudad viaj a Bruselas en donde permaneci por quince das y se le inform que el
diecisiete de Noviembre hubo un accidente grave que dej ms de veinte heridos, cul es
la probabilidad de que haya llovido?
2.59 De acuerdo con el registro de doscientos operaciones de corazn abierto en la Clnica Vida
se conoce que el ochenta por ciento de los pacientes se recuperaron satisfactoriamente el
mismo da de la operacin. En los prximos doscientos das ingresaran diariamente cinco
pacientes para operaciones de corazn abierto, qu porcentaje aproximado de esos das
se recuperan satisfactoriamente el sesenta por ciento de los pacientes que son operados
diariamente?
2.60
a)
b)
c)
2.61
a)
b)
c)
d)
2.62
55
56
Captulo 1. Probabilidad