5 Probab Estad

Probabilidades y estadstica
serie/ciencias para la educacin tecnolgica
Ciencias para la educacin tecnolgica
Especialista de contenido: Juan Foncuberta Asesor cientfico: Luis Santal
serie/ciencias para la educacin tecnolgica
1. Anlisis matemtico. Sus aplicaciones 2. Fsica. Ondas electromagnticas 3. Fsica. El campo magntico 4. Fsica. Interacciones a distancia 5. Probabilidades y estadstica
ndice La serie Ciencias para la Educacin Tecnolgica Mdulo 1: 1. La probabilidad es una medida La definicin histrica de probabilidad Otra forma de calcular la probabilidad Laplace Elementos de la definicin axiomtica 2. Clculo combinatorio Permutaciones Combinaciones Nmeros combinatorios 3. Sucesos excluyentes y no excluyentes Probabilidades geomtricas El nmero Inecuaciones 4. Sucesos dependientes e independientes Probabilidad condicional El teorema de Bayes Sucesos independientes Utilidad de los diagramas de rbol Un poco de historia 5. Estadstica Valor medio La varianza y la desviacin Variacin y desvo Trabajo estadstico Histogramas Los Bernoulli Clave de respuestas Mdulo 2: 6. Frmula de Bernoulli Pruebas repetidas Variables aleatorias 9
14 14 15 16 17 20 21 22 23 26 28 30 30 31 31 34 36 39 40 43 43 43 44 45 46 47 49
56 56 59
7. Funciones de distribucin Limitaciones Valor medio para la distribucin binomial Varianza en la distribucin binomial 8. Distribucin de Poisson El nmero e Serie de Maclaurin Distribucin de Poisson Varianza en la distribucin de Poisson Nmeros aleatorios Clculo de integrales mediante nmeros aleatorios 9. Funciones de distribucin Funciones de distribucin discretas y continuas Esperanza matemtica y varianza para distribuciones continuas Teorema de Tchbyccheff Teorema de Bernoulli La distribucin de Poisson y el flujo de sucesos Una experiencia de Rutherford y Geiger Clave de respuestas Mdulo 3: 10. La distribucin normal Aproximacin de Poisson Poisson y el flujo estacionario de sucesos Aproximacin de la binomial mediante la normal La funcin normal Aproximacin de la binomial mediante la normal 11. Distribuciones en dos dimensiones Distribuciones para dos variables: Covarianza Correlacin de variables Recta de regresin 12. Muestras Estimadores Estimador de la varianza de la poblacin Estimacin por intervalos empleando la distribucin normal Clave de respuestas Modelo de trabajo en clase Vicisitudes de la enseanza de la Estadstica Apndice 1. Comparacin de medias muestrales Apndice 2. Muestras pequeas y la distribucin de Student Apndice 3. Matrices de probabilidad Apndice 4. Tabla de rea bajo la funcin normal Apndice 5. Funcin de Student Bibliografa
61 62 63 64 67 67 67 68 71 73 74 79 79 82 84 86 88 89 92
102 103 104 105 106 107 112 112 112 113 117 118 118 119 122 124 124 125 127 128 130 131 132
La serie Ciencias para la educacin tecnolgica

Con el ttulo Ciencias para la Educacin Tecnolgica, estamos planteando desde el CeNET una serie de publicaciones que convergen en el objetivo de:
Acompaar a nuestros colegas docentes en la adquisicin de contenidos cientficos que les permitan una mejor definicin, encuadre y resolucin de los problemas tecnolgicos que se ensean en la escuela.
Porque, en Educacin Tecnolgica las ciencias bsicas ocupan una posicin importante aunque subalterna e instrumental (...) La tecnologa es un modo de ver el fenmeno de la artificialidad, y de analizar sistmicamente los objetos tecnolgicos desde su finalidad y no desde los fundamentos cientficos en que se basa su funcionamiento. (Ministerio de Cultura y Educacin de la Nacin. Consejo Federal de Cultura y Educacin. Contenidos Bsicos Comunes para la Formacin Docente de Grado. Tercer Ciclo de la Educacin General Bsica y Educacin Polimodal. Contenidos Bsicos Comunes del Campo de la Formacin de Orientacin de la Formacin Docente de Educacin Tecnolgica. Buenos Aires.)1
Probabilidades y estadstica, el material que usted tiene en sus manos, es una versin digital de la publicacin del mismo nombre que, en 1996, elabor el Programa de Perfeccionamiento Docente Prociencia-CONICET2, del Ministerio de Cultura y Educacin de la Nacin Argentina, al que desde el CeNET nos proponemos continuar distribuyendo3.
Puede usted encontrar la versin completa en el sitio web del Ministerio de Educacin, Ciencia y Tecnologa; especficamente, en la pgina: - http://www.me.gov.ar/curriform/servicios/publica/publica/fordoc/index.html El CONICET es el Consejo Nacional de Investigaciones Cientficas y Tcnicas, de la Secretara de Ciencia, Tecnologa e Innovacin Productiva Ministerio de Educacin, Ciencia y Tecnologa. La versin de este libro en soporte papel corresponde al ISBN 950-687-019-5, desarrollado con la coordinacin de Mirta Grines de Hanfling, y con la participacin del equipo docente, tcnico y administrativo del Programa Prociencia.
11
MDULO 1
13
En su desarrollo, se comparan diferentes definiciones de probabilidad y se ubican histricamente diversos temas. Se trata, tambin, el clculo de la cantidad de sucesos favorables o posibles mediante la combinatoria, y la aplicacin de algunas frmulas elementales de probabilidades; asimismo, se distingue entre sucesos dependientes e independientes. Buscamos, finalmente, relacionar los temas dados con los temas de matemtica de la escuela media.
Recordando a Roberto J. Payr Por aquellos aos, en Pago Chico, solamente haba dos profesores de Matemtica: Don Joaqun Requejo y Don Hermenegildo Gmez. Mucho nos gustara presentar una edicin por decirlo as, bilinge donde se reflejaron los particulares enfoques de tan preclaros profesores al encarar un mismo tema. La providencial tacaera de los editores nos ha llevado a elegir la presentacin de las clases de don Joaqun, aunque aqu y all deslicemos alguna opinin de don Hermenegildo, que bien merece ser recordado. Pues bien, don Joaqun llegaba a su clase y comentaba con sus alumnos que la noche anterior haba jugado a los dados en el Club del Progreso, y les preguntaba: Si tiramos un dado, quin creis que tiene ms chance de ganar: El que apuesta a que salga el as o el que lo hace por que salga par? Aclaro que los dos juegan un peso fuerte cada uno y, si aciertan, ganan un peso. Enseguida, contestaba un muchacho: El que apuesta a par tiene ms chance. Muy bien. Pero, como yo os doy matemtica, quiero ensearos a medir esa chance. (Aqu, observar el lector, que el lenguaje de Joaqun se pone un tanto pesado con tanto os; de manera que trataremos de abreviar y traducir.)
En este mdulo se abordan las nociones bsicas de probabilidad y sus relaciones con otros temas de matemtica.
14
1. La probabilidad es una medida

La definicin histrica de probabilidad

Aunque vuesa merced los ve [estos naipes] astrosos y maltratados, usan de una maravillosa virtud con quien los entiende, que no alzar que no quede un as debajo... (Rinconete y Cortadillo. Miguel de Cervantes Saavedra.)
Histricamente, la teora de la probabilidad se inici con el estudio de los juegos de azar. No sabemos en qu medida se corresponde con la historia; pero, a los efectos didcticos, nos parece adecuado comenzar el estudio de las probabilidades con juegos de dados. Sabemos que, al arrojar un dado, el conjunto E de resultados posibles es: E = (1,2,3,4,5,6) Laplace, en su teora analtica de las probabilidades (1812), dio la siguiente definicin de probabilidad de un suceso:
Si al llevarse a cabo un experimento (por ejemplo: tirar un dado, hacer girar a ruleta...), sobre n casos igualmente posibles hay s casos favorables al suceso 1, diremos que:
probabilidad de A =
s n casos favorables a A = n n casos posibles

1 6
De esta manera, la probabilidad de que salga el 4 es P( 4) = La probabilidad de que salga un nmero par es P(par ) =
3 1 = 6 2
Actividad 1.1. En el caso ideal, proponemos indicar, con relacin a un mazo de cartas espaolas: 1. 2. 3. 4. 5. 6. 7. La probabilidad de que sea un oro. La probabilidad de que sea un siete. La probabilidad de que no sea una copa. La probabilidad de que sea un as o un siete. La probabilidad de que sea un oro o un siete. La probabilidad de que sea oro, copa, espada o basto. La probabilidad de que sea un quince.
Estos ejemplos les permitirn observar algunas propiedades.
15
Actividad 1.2. La probabilidad de que se d un suceso A o un suceso B se obtiene, a veces, sumando P(A) + P(B) y otras veces no. En qu casos se obtiene sumando?
Actividad 1.3. Se suele anotar P( A B) = P( A ) + P(B) slo si A y B...
Otra forma de calcular probabilidad
Historia de un alumno difcil El alumno Timoteo Ladrillo, ingenioso inventor de trampas para pjaros, haba agotado la paciencia de don Hermenegildo, que lo haba expulsado de su clase. Recal en el aula de don Joaqun, quien conoci su voz al or la pregunta: Qu quiere decir que, en un dado, la probabilidad de 4 es 1/6? El maestro, que se jactaba de su habilidad para tratar a estos tipos difciles, le respondi: Te vas a tu casa y echas el dado 240 veces; cuentas cuntas veces sale el 4 y maana me das el resultado. El bueno de Timoteo hizo como se le dijo y, al da siguiente, afirm que el 4 haba salido 44 veces, poniendo como testigo a Ramoncito Lpez. Ahora, divide 44 por 240. Ladrillo que, por obra de don Hermenegildo, era rpido para las cuentas, respondi: 0,18333. Y eso, qu tiene que ver con 1/6? Don Joaqun lo mir desafiante; pero, Timoteo sac un papel no muy limpio, diciendo: Mire, hice ms de lo que me pidi y escrib esta tabla: El 1 sali 38 veces; el 2, 42 veces; el 3, 40 veces; el 4 sali 44 veces; el 5, 39; y, el 6, 37 veces. Divide, hijo, como hicimos antes y obtendrs las frecuencias relativas. Nadie pudo adelantarse al ex-alumno de don Hermenegildo, que escribi:
1 0,1583 2 0,175 3 0,1666 4 0,1833 5 0,1625 6 0,1541
La probabilidad de un suceso es un nmero comprendido entre cero y uno. Se pueden buscar, para el mazo de cartas espaolas, sucesos con probabilidad cero.
16
Y eso, qu tiene que ver con 1/6?

El maestro no contest; pero, un alumno se apresur a decir: Todos los resultados se parecen a 1/6 = 0,166... Sera cosa buena echar el dado 2000 veces.
Ya intent su propia definicin? Cuando se repite un experimento n veces y aparece el suceso A s veces, el nmero
s se llama frecuencia relativa de A. n s La razn tiende a estabilizarse, cuando el nmero de veces n se agranda. n
Quiere decir que
En los casos de dados, monedas, juegos ideales, podemos hallar la probabilidad. Pero, en muchos problemas prcticos, slo podemos estimar probabilidades recurriendo a la estadstica. Por ejemplo: Cul es la probabi-
s se aproxima a un lmite. La teora prueba que ese lmite es la n
probabilidad del suceso A.
Laplace Los prrafos de la biografa de Laplace que aparecen a continuacin han sido extrados del trabajo de Luis Santal: Laplace (Centro Editor de Amrica Latina.) (...) Laplace (1749-1827) no fue un gran creador de teoras ni un crtico de los fundamentos. Fue un extraordinario continuador, hasta lmites insospechados, de las teoras iniciadas por otros, sea la mecnica de Newton o las probabilidades de Bernoulti y De Moivre; pero, no se detiene a analizar con demasiado cuidado los fundamentos. Las bases de las que parte son, a veces, endebles, pues las toma tal como las encuentra en sus predecesores, pero con su inmensa capacidad e insuperable inventiva para artificios de clculo, saca de las teoras el mximo provecho. Fue un virtuoso del anlisis matemtico. En la teora de las probabilidades, por ejemplo, pueden criticarse a Laplace tanto la definicin misma de probabilidad como el haber continuado con ideas ambiguas (la esperanza moral de Daniel Bernoulli, por ejemplo). (...) La definicin de probabilidad adoptada por Laplace es la clsica: Fraccin cuyo numerador es el nmero de casos favorables y cuyo denominador es el nmero de todos los casos posibles, definicin que el mismo Laplace se apresura en contemplar con la condicin de que sean igualmente posibles los diversos casos. Pero, qu quiere decir igualmente posibles? Evidentemente, la definicin no resiste un examen lgico riguroso, pero es difcil iniciarse en la teora de las probabilidades sin tener esta definicin an sabindola incorrecta como punto de partida y faro de referencia. Por otra parte, la definicin conjuntista de Kolmogoroff (1933), actualmente la ms aceptada con algunas variantes de un autor a otro, no es ms que la abstraccin y axiomatizacin de tal definicin intuitiva.
lidad de accidentes en ruta? Cul es la probabilidad de que un medicamento produzca efectos secundarios?
17
Elementos de la definicin axiomtica Lo que sigue es para usted y slo para algn alumno que le plantee la inquietud. En el ejercicio anterior, sealamos el defecto de la definicin clsica. Para corregir ese defecto, habr que proponer una definicin axiomtica. Al realizar un experimento, existe un conjunto de resultados. El conjunto de todos estos sucesos elementales se llama espacio muestral. En un dado comn, el espacio muestral es E = (1, 2, 3, 4, 5, 6). Nos interesa. por ejemplo, la probabilidad de que salga cuatro: P(4) Pero, el espacio muestral no basta. Tambin podemos jugar a que salga impar: P(impar) = P({1,3,5}) {1,3,5} es un subconjunto del espacio muestral E. O bien podemos jugar a que salga mayor de dos:
P (mayor que 2) = P({3,4,5}) {3,4,5,6} E {1,3,5} E { 4} E

La inventiva de los apostadores no tiene lmite. En realidad, en el caso de una tirada del dado, tiene lmite, porque los sucesos son todos los subconjuntos de E. Cuntos son? Se podrn traducir algunos de ellos al lenguaje verbal e indicar su probabilidad, de acuerdo con la definicin clsica. La probabilidad es un nmero que asignamos a cada subconjunto de E. Es deseable que, conocidas las probabilidades de los resultados o sucesos elementales, podamos deducir las probabilidades de cualquier suceso.
Las teoras matemticas nunca se han construido, al comienzo, sobre bases firmes e inmutables. A las altas cumbres se sube nicamente con equipaje ligero y saltando peligrosamente sobre inciertos puntos de apoyo; de aqu que haga falta mucha habilidad e ingenio. Ms tarde, ya plantada la bandera en la elevada cresta, vendrn las legiones de pacientes trabajadores para rellenar huecos y apuntalar columnas; no faltar alguno que critique al iniciador por haberse apoyado en cimientos movedizos e inseguros, y que no perciba que, sin tal audacia, su laboriosa tarea de relleno carecera de sentido, pues todo fundamento supone el conocimiento previo de lo que se desea fundamentar: Laplace, efectivamente, no edific la teora de probabilidades sobre bases firmes; pero, los mtodos que cre y los resultados a que lleg siguen siendo vlidos y tiles, despus de todas las ulteriores fundamentaciones.
18
Para ello, proponemos la siguiente definicin axiomtica:

P es una funcin de probabilidad definida en un espacio de sucesos (E) si: 1. La probabilidad de todo suceso es un nmero real mayor o igual que cero, y menor o igual que 1. 2. P(E)=1 3. Si A y B son subconjuntos de E tales que A B = 0 / , entonces
Estos axiomas nos parecen naturales... porque ya estbamos familiarizados con la nocin intuitiva. El mismo Santal nos dice: ...la definicin conjuntista no es ms que la abstraccin y axiomatizacin de la definicin intuitiva. No creemos necesario, en la enseanza media, considerar este enfoque. Sin embargo, los docentes debemos conocer algo ms que los alumnos.
Actividad 1.4. En el caso de un dado ideal, podemos hacer el siguiente diagrama de la funcin de probabilidad:
Este diagrama no est completo porque faltan otros subconjuntos como, por ejemplo, {1,3,4,5,6} o {2,4,6} con sus respectivas probabilidades: 5/6 o 3/6. Por qu deben ser stas sus respectivas probabilidades? Cul debe ser segn este diagrama- P(5)? Por qu? Y P (par)?
Actividad 1.5. Ahora, le proponemos que exprese una funcin de probabilidad para un extrao dado que tiene: dos unos, dos dos, un tres, un cuatro.
19
Damos una parte de la respuesta en la tabla:

{1} 1/3 {2} 1/3 {3} 1/6 {4} 1/6 {1,2} 2/3 {1,3} 1/2 {2,3,4} 2/3 ... ...
Por qu decimos una funcin y no la funcin?
Actividad 1.6. Un alumno distrado, al completar la tabla anterior, calcul as:
P({1,2,3,4}) : {1,2,3,4} = {1,2} {2,3,4} P({1,2,3,4}) = P({1,2}) + P {2,3,4}) 2 2 + 3 3 4 = 3

No puede ser! Por qu no puede ser? Cul es el error del razonamiento del alumno?
20
2. C lculo combinatorio
Historia de un alumno difcil Timoteo Ladrillo, ingenioso inventor de trampas para pjaros, haba faltado, de modo que cuando volvi a clase, don Joaqun haba dado vuelta la pgina y propona a los alumnos este problema: Hay cinco candidatos para formar listas de presidente, secretario y tesorero del Club del Progreso. Cuntas listas pueden formarse si nadie puede ocupar ms de un cargo? Cmo se llaman los candidatos? No necesitas saberlo; pero, ya te lo puedes imaginar: Siempre son los mismos. Los muchachos se fueron agrupando, discutiendo entre s, proponiendo ideas; algunos trabajaban silenciosamente, otros hacan bastante ruido. Haba quienes se interesaban poco. Pasaron muchos minutos con el problema. Don Hermenegildo reprochaba a su colega esta prdida de tiempo. Uno de los alumnos dio como respuesta: 60, mostrando una larga lista: ABC, ABD ... BCA... y aclarando que haban intervenido varios en el trabajo. Otro de los alumnos propuso la siguiente explicacin: Debemos llenar 3 cargos o casillas, con nombres. Para la primera casilla, disponemos de 5 personas; para la segunda casilla nos quedan 4; y, por fin, tenemos 3 para la tercera casilla. Multiplicamos 5.4.3 = 60 y ya est.
Por qu se multiplica? Es lo nico que no entiendo dijo Ladrillo. Como haba varios alumnos que no entendan, Joaqun les ense a construir un diagrama de rbol: C B D E B C A D D E B C E B E C D
21
Este diagrama nos dice que con A de presidente hay 12 listas posibles. Qu ttulo ponemos en el cuaderno? Pongamos Variaciones. Pero, lo importante no es el nombre sino resolver problemas. Y, qu son variaciones?
Si debemos colocar m objetos en n casillas y debe distinguirse el orden, cada uno de los agrupamientos posibles se llama variacin o arreglo. El nmero de variaciones de m objetos en n casillas ser:
Vm.n = m(m 1)(m 2)...[ m (n 1)]

Esta frmula habla: Cuando vamos a llenar la primera casilla, tenemos m objetos disponibles; para la segunda nos quedan (m-1)... Al llegar a la ltima nos hemos gastado (n-1) objetos. Para la ltima casilla nos quedan para elegir m -(n-1).
Permutaciones Si se trata de colocar m objetos en m casillas, sin repeticin, es obvio que el nmero de posibilidades ser:
Vm.m = m(m 1)(m 2)(m 3)...3.2.1

Al producto de los m primeros nmeros naturales lo llamamos factorial de m y lo simbolizamos as: m! Adems, como si hay m objetos y m casillas, lo nico que podemos hacer es permutar, decimos que se trata de permutaciones y escribimos: Pm = m!
De cuntas maneras pueden disponerse en fila los seores A, B y C?
ABC ACB BAC BCA CAB CBA P3 = 3! = 3.2.1 = 6 Las calculadoras de bolsillo suelen tener una tecla dedicada a n!
La primera rama corresponde a A presidente, B secretario, C tesorero. La ltima rama corresponde a A presidente, E secretario, D tesorero.
22
Combinaciones
Don Joaqun propuso el siguiente problema: Tenemos 5 jugadores de pato. Cuntos equipos distintos de tres jugadores podemos formar? 5.4.3 = 60 salt el negro Liborio. No por mucho madrugar... Como de costumbre, en la clase de don Joaqun, la mayora se puso a trabajar hasta que alguno dijo: Don Joaqun, el equipo JKL es el mismo que el LJK? S... Entonces ya lo tengo. Quedan 10: JKL, JKM, JKN, JLN, JMN, KLM, KLN, KMN, LMN. Por qu dices quedan 10? Digo que, de todas las variaciones, quedan 10 porque no importa el orden (un cambio de orden no me da otro equipo). Cuando se tienen m objetos diferentes para llenar n casillas sin que interese el orden, cada agrupamiento se llama combinacin. Cmo harais para calcular las combinaciones de 5 objetos en 3 casillas sin escribir JKL,...etc? El domingo siguiente, don Hermenegildo no poda creer lo que afirmaba don Joaqun: Un alumno haba descubierto la frmula. Despus de un rato, haba encontrado que:
C 5 ,3 =
La frmula general es:
V5,3 P3
C m,n =
Vm,n Pn
Don Joaqun exclam entusiasmado: Esta frmula habla. Si tienes las variaciones y debes calcular las combinaciones, como no te interesa el orden, debes dividir por las permutaciones del nmero de casillas.
En la mayora de las aplicaciones, el orden no interesa; por ejemplo, al elegir enfermos para un tratamiento, al elegir alumnos para un control, al elegir personas para una encuesta.
Las frmulas slo deben ser una gua. Cualquiera puede inventar sus propias frmulas para resolver los problemas. Hay que leer bien los enunciados. El camino del infierno del conocimiento est empedrado de memoristas. (Don Joaqun Requejo, pedagogo pagochiquense)
Actividad 2.1. 1. De cuntas maneras pueden repartirse 3 premios diferentes entre 10 personas que, a lo sumo, pueden recibir un premio cada una? 2. Cuntos nmeros de cuatro dgitos distintos pueden escribirse con las cifras de 1 a 9? 3. Cuntos nmeros de cuatro dgitos pueden escribirse con las cifras de 1 a 9?
23
4. Disponemos de los dgitos 1, 2 ,3, 4, 5, 6, 7, 8. De cuntas maneras podemos alinearlos de a cuatro, si deben alternarse nmeros par impares, empezando por pares? 5. Disponemos de los mismos dgitos del problema anterior. De cuntas maneras podemos alinearlos a todos, si deben alternarse pares e impares, o viceversa? 6. Tenemos tres libros distintos de qumica y cuatro libros distintos de biologa. Se pide determinar: a) De cuntas maneras podemos alinearlos en un estante? b) De cuntas maneras podemos alinearlos, si deben estar agrupados por materias? 7. Al Bab deba elegir 5 hombres (todos igualmente valientes) para una misin peligrosa. Cuntas eran las elecciones posibles? 8. a) De cuntas maneras se pueden permutar las letras de la palabra combinar? b) De cuntas maneras se pueden permutar las letras de la palabra caminar? c) De cuntas maneras se pueden permutar las letras de la palabra anan?
Nmeros combinatorios
m n entenderemos que se trata del nmero de combinaciones de m objetos en n casillas. siendo n m.

Cuando escribimos Sabemos que:
m Vm.n m(m 1)(m 2)...(m n + 1) n = C m.n = P = n! n

Si multiplicamos numerador y denominador por (m-n)!, obtenemos:
C m. n =
m! n! (m n)!
Pero, entonces, los nmeros combinatorios y m n son iguales. n
Por ejemplo:
47 47 42 = 5
Esta propiedad tiene un significado muy claro: Cada vez que elegimos 42 personas entre 47, elegimos no elegir 5 personas entre 47 (Ideal como destrabalengua). Admitimos, por definicin, que 0! = 1 y que 1! = 1
24
Actividad 2.2.
No nos parece conveniente ensear estas frmulas del tipo
m m y 1 Calcule 0
En cuanto don Joaqun consider que los alumnos saban el ABC de la combinatoria, les propuso diversos problemas, pidindoles que, para calcular la probabilidad del suceso considerado, emplearan la frmula:
C m.n =
m! en un curn! (m n)!
so elemental. Pueden perturbar la solucin de problemas. En general tendremos:

n n2 2 a b + ...b n (a + b) n = a n + a n 1 b + 2
Pr obabilidad =
N casos favorables N casos posibles
(desarrollo de Newton)
Entre 10 personas (entre las cuales estn Timoteo y Liborio) hay que elegir 5 personas al azar. Cul es la probabilidad de que, en la eleccin hecha, figuren simultneamente Timoteo y Liborio?
El nmero total de casos es C10,5. El nmero de casos en que figuran T y L se obtiene as: Colocamos obligatoriamente a T y L, quedndonos 8 personas para 3 lugares.
8 3 2 P= = Por lo tanto: 10 9 5
Este
resultado
puede
interpretarse as: Si pusiramos, en una caja, 10 nombres entre los cuales estuvieran T y L, y extrajsemos 5 papelitos repitiendo esta operacin muchas veces,
Actividad 2.3. En una oficina trabajan 12 hombres y 8 mujeres. Hay que elegir 5 personas al azar, entre esas 20. Cul es la probabilidad de que, en el grupo elegido, figuren exactamente 3 mujeres?
en alrededor de 2/9 de las veces apareceran en el grupo T y L juntos.
En la caja N 1 hay 3 bolitas verdes y 2 blancas; en la N 2 hay 4 verdes y 1 blanca; en la N 3 hay 2 verdes y 2 blancas. Se saca una bolita de cada caja. Cul es la probabilidad de que, al finalizar la operacin tengamos 2 blancas y 1 verde?
El resultado dos blancas y una verde, puede obtenerse extrayendo, por ejemplo, blanca de la caja N1, blanca de la N2 y verde de la N3. En consecuencia, hay tres sucesos favorables: BBV, BVB, VBB.
La probabilidad de BBV es
2.1.2 = 1/ 25 5.5.4
25
La probabilidad de BVB es
La probabilidad de VBB es
3.1.2 = 3 / 50 5.5.4
La probabilidad de obtener dos blancas y una verde al finalizar la operacin es
1 4 3 13 + + = 25 25 50 50
2.4.2 = 4 / 25 5.5.4
26
3. Sucesos excluyentes y no excluyentes

En la primera seccin se ha resuelto, con relacin a un mazo de cartas espaolas: P (as o siete) y P (oro o siete) No pudimos resolverlos de la misma manera: En el primer caso, se trataba de sucesos excluyentes y, en el segundo, de sucesos no excluyentes. Hasta ahora hemos empleado una frmula para calcular P(A o B), cuando A y B se excluyen. Para el caso de que A y B no sean excluyentes, podemos escribir:
A B = A (B A )
Recordemos que Como A y B-A son excluyentes:
P( A B) = P( A ) + P(B A )
(1)
A B
A B = A (B A ) B = (B A ) ( A B)
Debemos tratar que aparezca P(B) y eliminar
B = (B A ) ( A B) P(B) = P(B A ) + P( A B) ( 2)
A la igualdad (1) le restamos la (2) y obtenemos, despus de operar:
P = ( A B) = P( A ) + P(B) P(B A )
Por ejemplo, sean A={1,2,3], B={3,4,5,6} sucesos que corresponden a la tirada de un dado.
Justifique el resultado obtenido en 1.1. tem 5:
27
Esta frmula es tambin vlida para el caso particular de A y B excluyentes. Por qu?
De 10 personas (entre las que estn A y B), debemos elegir una comisin de 4. Si la eleccin se realiza al azar, cul es la probabilidad de que, en la comisin elegida, est al menos uno de los nombrados?
Llamemos A al suceso est A y B al suceso est B.
9 10 P( A ) = 3 : = 0,4 4
9 10 P(B) = 3 : = 0,4 4
Los sucesos A y B no son excluyentes o incompatibles porque hay comisiones donde estn A y B. En cuntas comisiones estn A y B? En Luego:
8 2 comisiones. Por qu?
8 10 P( A B) = 2 : = 0,133 (probabilidad de que estn A y B) 4

Por lo tanto:
P = ( A B) = P( A ) + P(B) P( A B) = 0,4 + 0,4 0,133 = 0,667

El problema puede resolverse directamente, de la siguiente manera: En cuntas comisiones no estarn ni A ni B? En comisiones. Por qu?
8 4
Entonces, la posibilidad de que no estn ni A ni B es:
8 10 4 : 4 = 0,333
Por lo tanto, la probabilidad de que estn al menos A o B es 1 - 0,333 = 0,667. Es conveniente alentar la presentacin de distintas soluciones para un mismo problema. Hacemos notar que es ms fcil hallar la probabilidad de que no estn A ni B que calcular los casos en que estn A o B.
Si p es la probabilidad de un suceso A, la probabilidad del suceso contrario es 1 - p = q
Por ejemplo: p = 1/6 es la probabilidad de que salga el seis en el dado. 1-p = q = 1-1/6 = 5/6 es la probabilidad de que no salga el seis.
28
Un da de lluvia El agua lavaba las ventanas de la vieja escuela. No llegaban a cinco los alumnos presentes. Don Joaqun les propuso este problema: Si ponemos en una caja las letras de la palabra vbora y sacamos sucesivamente cuatro letras sin reponer, cul es la probabilidad de que salga la palabra rabo? No tardaron mucho en contestar:
1 / V6,4 = 1 / 360
Y, cul es la probabilidad de que salgan las letras que palabra rabo?
V4 ,4 / V6,4 = P4 / V6,4 = 24 / 360

Liborio no estuvo de acuerdo. Su respuesta fue: 0. Don Joaqun se acerc al banco y vio escrita la palabra vvora. Pero, ni corto ni perezoso, propuso el siguiente problema: Cuntas permutaciones diferentes se pueden hacer con las letras de la palabra caminata? Si las letras fuesen distintas, sera muy fcil 8! = 43320 -dijo un muchacho-. Pero, deben ser muchas menos porque... Despus de muchas deliberaciones y pruebas entre los presentes, hallaron que las permutaciones de caminata son:
8! 40320 = = 6720 3! 6
Actividad 3.1. 1. De cuntas maneras se pueden permutar una bandera roja, una azul, una blanca, una amarilla, una verde y una celeste? 2. De cuntas maneras se pueden permutar tres banderas rojas exactamente iguales, una azul, una blanca y una amarilla? 3. De cuntas maneras se pueden permutar dos banderas rojas exactamente iguales, dos azules exactamente iguales, una blanca y una amarilla?
Probabilidades geomtricas En algunas situaciones, los casos favorables y los posibles son infinitos. No se puede hablar, entonces, de
N de casos favorables N de casos posibles

La siguiente historia nos muestra cmo se las arreglan los matemticos.
29
Da de cuadreras en Pago Chico El pueblo estaba alborotado porque era domingo y haba cuadreras. Don Joaqun encontr a su alumno Timoteo rodeado de gente. Frunci la nariz y se acerc; observ que haba colocado, en el suelo, un cartn en el cual haba dibujado con ms prolijidad que de costumbre un cuadriculado. Propona que tirasen una moneda de 1 centavo sobre el cuadriculado. Si no cortaba a ninguna lnea, les daba 2 centavos; de lo contrario, se quedaba con el centavo. El maestro calcul que Timoteo haca una buena ganancia. Para eso servan sus enseanzas! Pero, ya tendra que rendir cuentas; por lo pronto, al da siguiente le comunic que deba calcular la probabilidad de ganancia de un jugador en ese tablero, so pena de recibir algunos azotes (aclaramos que, para ese entonces, no se haban abolido en Pago Chico los castigos corporales). Con gran temor, trat el muchacho de responder a la pregunta; pero, fue comprendiendo que de nada le serviran permutaciones, combinaciones y dems yerbas. El negro Lborio acudi en su ayuda y, al da siguiente, respondi: Un apostador tiene probabilidad 0,35 de ganar. Cmo lo calcularon? Tiramos 100 veces la moneda... Yo... que me haba hecho la ilusin de que recordabais un poco de geometra...
Esta observacin molest a los muchachos que, luego de la clase, se reunieron a deliberar. Un tercero, de los que nunca faltan, sugiri: Para que una recta toque a una circunferencia, el centro debe encontrarse a una distancia menor o igual que la longitud del radio. Vemos que cada cuadrado tiene 5 cm. Como la moneda tiene 1 cm de radio, si el centro cae dentro del cuadrado sombreado, gana el jugador. En consecuencia, la probabilidad de ganancia del jugador es:
P=
rea del cuadrado chico rea del cuadrado grande
= 9 / 25 = 0,36
Al final result que la geometra sirve para algo Don Joaqun, que oa satisfecho estas reflexiones, casi se desmaya al or el final y agreg: No es un juego equitativo, si el premio es igual a la apuesta.
Actividad 3.2. 1. Si en el interior de un segmento se selecciona un punto al azar, cul es la probabilidad de que dicho punto est ms cerca del punto medio del segmento que de sus extremos? 2. Si una lnea telefnica entre dos puntos A y B distantes 2 km, se corta en un punto desconocido, cul es la probabilidad de que el lugar afectado no se halle a ms de 450 m de A?
30
El nmero Los alumnos trabajan con desde la escuela primaria; se puede aprovechar la probabilidad geomtrica para hacer una aproximacin experimental del nmero . Proponga a los alumnos que construyan un cuadrado de 10 cm de lado y un crculo inscripto en el mismo. Si se dejan caer porotos o lentejas sobre el dibujo, puede esperarse aproximadamente la siguiente proporcin:
N de lentejas dentro del crculo N de lentejas en el cuadrado

La razn aproximada ser:
rea del crculo rea del cuadrado
. 25 100
Inecuaciones Para este tema se pueden dar ejercicios de probabilidad geomtrica como el siguiente:
Para ir a la escuela tengo que tomar dos mnibus. La espera mxima para el primero es de 10 minutos y, para el segundo, de 8 minutos. Sabiendo que el tiempo de viaje efectivo es de 20 minutos, qu probabilidad tengo de llegar a la hora s salgo de casa 30 minutos antes?
Llamando x al tiempo de espera para el primer mnibus e y al tiempo de espera del segundo, tenemos las condiciones Los casos posibles son, por tanto, todos los puntos del rea del rectngulo de lados 10 y 8, o sea, 80. Los casos favorables corresponden a los puntos del rectngulo para los cuales es x + y 10, los cuales son los que constituyen el rea rayada en la figura:
(2 + 10) . 8 2
Por lo tanto, la probabilidad buscada es: p = 48/80 = 0,6
= 48
31
4. Sucesos dependientes e independientes

Probabilidad condicional Suponemos que una persona que no vemos, nos dice: Tengo un mazo de 40 cartas espaolas. Voy a extraer una al azar. Cul es la probabilidad de que sea el as de espadas? 1/40 contestaramos-. Si, luego, la persona nos pregunta: Ya he sacado la carta y result ser espadas. Cul es la probabilidad de que sea el as? 1/10. Un ejemplo como el que acabamos de dar, muestra que la asignacin de probabilidades vara segn la informacin.
Llamaremos probabilidad condicional del suceso B con respecto a A (o probabilidad de que se d B, habindose dado A) al nmero:
P(B / A ) =
P(B A ) P( A )
(1)
Si pensamos en frecuencias relativas, resulta:
P(B / A ) =
N de elementos de A B N de elementos de A
Dividiendo numerador y denominador por el nmero de elementos de E, resulta:
P(B / A ) =
Por qu?
P(B A ) P( A )
Esta frmula cumple las condiciones de probabilidad? Veamos: P(A/A)= 1 Lo verific? Adems, debe verificarse que si A i A j = Entonces:
P( A i A j / B) = P( A i / B) + P( A j / B)
32
Trate de probarlos.
Veamos, por fin, si la definicin funciona en el ejemplo anterior. Sea A: Sale espadas. B: Sale as.
P( A ) = 1 / 4
Por qu? Luego:
P( A B) = 1 / 40
P(B / A ) =
P(B A ) 1 / 40 = = 1 / 10 P( A ) 1/ 4
que es la respuesta que dimos al comenzar el captulo. Quiere decir que, si tenemos la informacin de que sali espadas, la probabilidad de as de espadas es 1/10.
En la caja N 1 hay dos bolitas blancas y 8 verdes. En la caja N 2 hay 4 blancas y 6 verdes. Una persona elige al azar (por ejemplo, tirando una moneda) una de las cajas y extrae de ella una bolita que resulta ser blanca. Nos comunica el resultado preguntndonos de qu caja sali la bolita. Qu probabilidad de acertar tenemos, si decimos pertenece a la primera caja?
A 1 = Caja N1 P( A 1 ) = 0,5 A 2 = Caja N2 P( A 2 ) = 0,5 B = Blanca V = Verde

Sabemos que sali blanca, de manera que hay que determinar:
P( A 1 / B) =
P( A 1 B) 2 / 20 = = 1/ 3 P(B) 6 / 20
Como verificacin, calculemos:
P( A 2 / B) =
P( A 2 B) 4 / 20 = = 2/3 P(B) 6 / 20
Para calcular la probabilidad de blanca hemos tenido en cuenta que hay 6 blancas sobre un total
de 20; para calcular
P( A 1 B) consideramos que sobre 20 bolitas haba slo 2 que fuesen, al
mismo tiempo, de la primera caja y blanca.
33
P( A 1 / B) + P( A 2 / B) = 1
En una bolsa hay 3 papeles rojos y 7 azules. Cul es la probabilidad de que al extraer dos papeles uno tras otro al azar sin reposicin2, el primero sea rojo y el segundo azul?
Recuerde! Intente resolverlo usted, antes de leer nuestra propuesta. Si no se anima, le damos un empujoncito. Llamemos R1 al suceso rojo en primer lugar y A2 al suceso azul en segundo lugar. Tenemos que calcular P( R 1 A 2 ). Ya lo hizo? Quizs, haya despejado en la frmula:
P( A 2 / R 1 ) =
y haya obtenido:
P( R 1 A 2 ) P( R 1 )
P(R 1 A 2 ) = P(R 1 ).P(A 2 / R 1 )

La probabilidad de rojo en primer lugar es 3/10. La probabilidad P( A 2 / R 1 ) es 7/9 pues, habiendo salido el rojo, quedan 9 papeles de los cuales 7 son azules. En consecuencia, la respuesta ser 3/10 . 3/10 . 7/9 = 7/30. Si nos pidiesen la probabilidad de sacar un papel rojo y uno azul, sin especificar el lugar, tendramos: 3/10 . 7/9 + 7/10 . 3/9 = 14/30 rojo-azul azul-rojo
La misma bolsa del problema anterior (como en las obras de teatro). Si extraemos un papel, lo reponemos y luego extraemos otro, cul es la probabilidad del par rojo-azul? Cul es la probabilidad de obtener un papel azul y otro rojo, si extraemos dos papeles juntos?
0,3 . (0,7) = 0,21 3/10 . 7/9 + 7/10 . 3/9 = 7/15
Sin reposicin: Despus de cada extraccin, el papel no se repone en la bolsa.
Obsrvese que, una vez que sabemos que sali blanca, o proviene de la N 1 o de la N 2, no hay ms casos; por eso:
34
El teorema de Bayes
Tres mquinas producen, respectivamente 40%, 35% y 25% del total de artculos en una fbrica, con porcentajes de defectos de produccin de 3%, 4% y 5%, cada una. Cul es la probabilidad de que, si se selecciona un artculo al azar, ste sea defectuoso? Si el artculo seleccionado result defectuoso, cul es la probabilidad de que haya sido producido por la primera mquina?
Examinemos las caractersticas del problema. Hay un suceso A: Un artculo seleccionado al azar resulta defectuoso. Este suceso puede darse solamente acompaado del suceso B1, B2 ... Bn: Producido por la primera mquina o la segunda o la tercera. Estas alternativas son excluyentes: El artculo fue producido por una de las mquinas. A se da con B1 o (excluyente) con B2 o... Adems, B1 ... Bn completan el espacio: 40% + 35% + 25% = 100%. Para resolver problemas con estas caractersticas, nos ser til la definicin de probabilidad condicional. Hagamos el planteo general y, por cuestiones de simplicidad, trabajemos con dos sucesos B1 y B2. Podemos escribir, entonces:
A = (A B1 ) (A B 2 ) P(A) = (A B1 ) + (A B2 )
Por qu? Como
(1)
P ( A / Bi ) =
P ( A / Bi ) resulta P(A / Bi ).P(Bi ) = P(A Bi ) P ( Bi )
Sustituimos en (1) y obtenemos:
P(A) = P(A / B1 ).P(B1 ) + P(A / B2 ).P(B 2 )

Por otra parte:
P(B1 / A) =
P(A B1 ) P( A )
Si hacemos las sustituciones adecuadas:
P(B1 / A) =
P(A / B1 ).P(B1 ) P(A / B1 ).P(B1 ) + P(A / B 2 ).P(B2 )
que es la frmula de Bayes. Anlogamente, se calcula P( B 2 / A) .
35
n P(Bi / A) = [P(A / Bi ).P(Bi )] : P(A / B h ).P(Bh ) 1
En la caja N 1 hay 2 bolitas blancas y 8 azules. En la caja N 2 hay 6 blancas y 4 azules. En otra parte, se tienen dos papeles con la inscripcin Caja N 1 y un papel con la inscripcin Caja N 2. Una persona extrae un papel; luego, de la caja cuyo nmero indica el papel, extrae una bolita. Nos informa que la bolita es blanca. Cul es la probabilidad de acertar si apostamos a que la bolita sali de la caja N 1?
Examine las caractersticas del problema. Cul es ahora el suceso que, en general, llamamos A? Cules son los que hemos llamado B1 y B2? Llamamos C1: Extraer un papel que indica Caja 1. Llamamos C2: Extraer un papel que indica Caja 2.
P(C1 ) =
B: Extraer una bolita blanca. A: Extraer una bolita azul.
2 3
P (C 2 ) =
1 3
P(B / C1 ) =
Tenemos que calcular P(C1
2 10
P( B / C 2 ) =
6 10
/ B) :
2 / 10 . 2 / 3 = 2/5 2 / 10 . 2 / 3 + 6 / 10 . 1 / 3
P(C1 / B) =
Como prueba, hagamos:
P(C 2 / B) =
6 / 10 . 1 / 3 = 3/5 2 / 10 . 2 / 3 + 6 / 10 . 1 / 3
Obsrvese que, una vez que sabemos que sali blanca, la bolita debe ser de la Caja N1 o de la Caja N2 (no hay otra alternativa; por lo tanto, la suma de probabilidades debe dar 1). Pedimos calcular P (C1/A) y P (C2/A).
Actividad 4.1. Resuelva el problema de las mquinas.
La frmula puede generalizarse si A est acompaado de B1, B2 ... Bn. Tendremos, entonces:
36
Sucesos independientes
Voy a comprar un nmero para esa rifa. Elijo el 025, en una rifa de 1000 nmeros. No! No elijas se! Es justo el que sali en la jugada anterior. Tens poca probabilidad de que salga de nuevo.
Hay dos puntos de vista para enfrentar la decisin de jugar o no al nmero que ya sali. El que haya salido o no el 025, no influye para su probabilidad de salir en el nuevo sorteo: se trata de sucesos independientes. P (025) = 0,001 La persona que piensa que es ms difcil, se coloca al principio de la cadena, cuando todava no sali 025 por primera vez y, entonces, tiene: P(025 y 025) =(0,001)2
Diremos que A es independiente de B, si y slo si: P(B/A) = P(B)
Presentemos otro ejemplo, ms evidente, de sucesos independientes:
Si preguntamos a nuestros alumnos: Al tirar un buen dado, cul es la posibilidad de que salga as? 1/6 -contestaron. Ahora, tiro una moneda y sale cara. Despus tiro el dado. Cul es la probabilidad de que salga as? Qu tiene que ver? protestaron algunos, indignados sigue siendo 1/6.
Quiere decir que P(B/A) = P(B), lo que es razonable porque A no influye sobre B.
P(as) =
1 = P(as / cara) 6
La independencia de sucesos es simtrica; quiere decir que si A es independiente de B, entonces B es independiente de A. Podr, el lector, probarlo? Si los sucesos son independientes, se verifica que:
P(A B) = P(A).P(B)
Por qu? Esta frmula slo puede emplearse si los sucesos son independientes.
37
A: Sacar verde de la primera caja. B: Sacar roja de la segunda caja. A y B son independientes. Por lo tanto:
P(A B) = P(A).P(B) = (5 / 9)(2 / 12) = 5 / 54

Actividad 4.2. 1. Con los mismos datos del problema anterior, si usted extrae una bolita de la caja N 2 y, luego, otra de la caja N 1, cul es la posibilidad de obtener el par ordenado verde-roja? 2. De la caja N 1 (5 verdes, 4 rojas) extraemos una bolita x. La reponemos. Luego, extraemos otra bolita. Cul es la probabilidad del par ordenado verde-roja? Sea: A: Verde en la primera extraccin. B: Roja en la segunda extraccin. La reposicin de la primera bolita hace que A y B sean independientes. Encomendamos el clculo al lector. 3. De la caja N 1 extraemos una bolita que no reponemos; de la misma caja extraemos una segunda bolita. Cul es la posibilidad del par ordenado verde-roja? Aqu, los sucesos no son independientes. La solucin es: (5/9)(4/8) = 5/18 4. En la misma situacin del ltimo problema, cul es la probabilidad del par roja-verde?
Conocidas las frmulas de probabilidad compuesta, muchos problemas de la primera parte pueden encararse sin emplear el clculo combinatorio.
Si disponemos de 4 hombres y 5 mujeres para elegir una comisin de 3, cul es la probabilidad de que la comisin est formada slo por mujeres?
Deben llenarse 3 lugares; la probabilidad de mujer en primer lugar es 5/9; la probabilidad de mujer en segundo lugar es 4/8; en tercer lugar, es 3/7. La respuesta ser:
5 3 5 4 3 . . = 9 8 7 9 3
Con referencia al problema anterior, cul es la probabilidad de que sean elegidos 2 hombres y 1 mujer?
La caja N1 contiene 5 bolitas verdes y 4 rojas. La caja N2 contiene 4 verdes, 2 rojas y 6 negras. Sacamos una bolita de la caja N1 y, luego, una de la N2. Cul es la probabilidad de que la primera sea verde y la segunda roja?
38
p=
4 3 5 4 5 3 5 4 3 . . + . . + . . 9 8 7 9 8 7 9 8 7 4 3 1 2 p= 9 3
Hemos observado, en la prctica, que muchos alumnos prefieren esta forma y la usan con mayor xito que las frmulas combinatorias. La independencia suele presentar problemas formidables en las investigaciones. El investigador puede creer que est trabajando con sucesos independientes, cuando entre ellos existe una relacin oculta. (Por ejemplo: Sabemos que la probabilidad de un producto defectuoso, para cierta mquina, es de 0,05. Nos preguntamos cul es la probabilidad de 2 defectuosos en una muestra de 10. Si la aparicin del defectuoso no influye sobre la del otro, los sucesos son independientes; pero, puede suceder que un defectuoso perjudicara a la mquina de modo que aumentara la probabilidad de un nuevo defectuoso, en cuyo caso los sucesos no seran independientes.) Una parte importante de la estadstica trata de descubrir dependencias ms o menos escondidas: Ser independiente la condicin fumador y la de enfermo de pulmn? Las dificultades para el aprendizaje, son independientes del grupo social? Apuntes didcticos de Don Joaqun Es deber del docente no dedicar sus esfuerzos a que los alumnos resuelvan con absoluta seguridad algunos problemas como si preparsemos animalitos de circo. Nuestro deber, dira yo, es ms bien plantearles interrogantes, llevndolos poco a poco a transitar laberintos ms complicados e interesantes. El placer est en el riesgo y la aventura, no en la seguridad. Un problema resuelto ya no es un problema. Pero, entindase bien, el problema debe tambin estar al alcance de los alumnos: Si esta condicin no se da, si es inalcanzable, tampoco es un problema. A veces, bastar cambiar la redaccin, el modo de preguntar, para acostumbrarlos a un esfuerzo que bien vale la pena. Tambin, a los futuros docentes pagochiquenses que han de sucederme a m (y tambin al bueno de don Hermenegildo a quien no puedo convencer), les pido que alienten la solucin de un mismo problema por distintos caminos. Por favor, no nos atravesemos en medio; no seamos un obstculo para que los ideales de civilizacin y progreso cultural aniden en Pago Chico. Suponga usted que A, B y C llegan a resultados coincidentes por el mismo camino. Es posible que sean correctos; pero, debemos revisarlos. Si A, B y C llegan a resultados iguales por caminos distintos, la posibilidad de acierto es mayor que en el primer caso. De todos modos, encomendaremos a algunos alumnos la revisin de mtodos y clculos. Y el maestro? El maestro no debe intervenir demasiado, sino poco y bien. Puede que A, B y C lleguen a resultados distintos. Seguramente, no todos los resultados son correctos; pero, puede que todos estn mal. Aprovechad esto para dar abundante trabajo a los tribunales inferiores: Aprendern mucho. Aspiro a que, al fin, la Justicia resplandezca.1
1
A pesar de su estilo barroco, no dejamos de coincidir con las observaciones de don Joaqun (Aunque, ya conoce el lector nuestra debilidad por l).
39
La caja N 1: 5 verdes y 4 rojas; la caja N 2: 4 verdes, 2 rojas y 6 negras. Sacamos una bolita de la primera caja y, luego, una de la segunda. Cul es la probabilidad de que se d el par ordenado (verde, roja)?
Calculemos el nmero total de casos: 108 (cada bolita de la primera caja con cada bolita de la segunda; se trata del cardinal de un producto cartesiano). Calculemos el nmero de casos favorables: 10 (cada verde de la primera caja con cada roja de la segunda). En consecuencia, P (verde, roja) = 10/108. Coteje el lector con el resultado que ya hemos hallado.
De la caja N 1 extraemos una bolita que no reponemos; de la misma caja, extraemos una segunda bolita. Cul es la probabilidad del par ordenado (verde, roja)?
El nmero total de casos es 72 (cada una de las nueve bolitas de la caja puede formar par con cada una de las ocho que restan, despus de sacar la primera bolita). El nmero de casos favorables es 20 (cada una de las 5 verdes de la caja N 1 puede formar par con cada una de las 4 rojas). P (verde. roja) = 20/72 = 5/18 (vase el resultado que obtuvimos anteriormente).
Utilidad de los diagramas de rbol Tenemos una caja N1 con 7 bolitas verdes y 3 blancas; una caja N2 con 4 verdes y 6 blancas. Extraemos al azar dos bolitas de la caja N1 y las colocamos en la N2. Luego, de esta ltima caja, sacamos una bolita. Cul es la probabilidad de que esta bolita sea verde? Parece difcil porque no hicimos ninguno similar. Por qu no cierra el mdulo e intenta hacerlo?
Qu puede suceder?
6 12 5 12 3 7 5 blanca verde . (2) verde 10 9 12 7 6 . (2) verde 10 9 7 3 verde blanca . (2) verde 10 9 verde verde 3 2 blanca blanca . (2) verde 10 9 4 12
Hagamos los problemas dados, de otra forma...
40
Las ramas corresponden a sucesos excluyentes; por lo tanto, la probabilidad de verde en la caja N 2 se obtiene sumando las probabilidades de cada rama del rbol:
7 6 6 7 3 5 3 7 5 3 2 5 . . + . . + . . + . . 10 9 12 10 9 12 10 9 12 10 9 12
Todos entendemos que si de la primera caja sacamos una bolita y, luego, otra sin reposicin, la probabilidad del suceso verde-verde es (7/10).(6.9). En cambio, cuando extraemos dos bolitas juntas dudamos (por qu no hacer (7/10). (6/9)?). Lo que caracteriza a la reposicin es que una misma bolita puede extraerse dos veces. Al extraer las dos juntas, equivale a extraer sin reposicin.
Un poco de historia
Timoteo protesta Don Joaqun, permtame... Segn usted, la probabilidad de extraer dos ases de un mazo de 40 cartas al sacar dos cartas, es: sin reponer o juntas (4/40) . (3/39) = 0,00769 con reposicin (4/40) . (4/40) = 0,01 Has entendido bien. Lo que no veo es la necesidad de tanta exactitud; los resultados son parecidos. Los muchachos creyeron que don Joaqun fulminara al atrevido; pero, el maestro aprovech para contarles una historia...
En el siglo XVII, muy lejos de este pago, en Francia, un caballero, muy jugador el mozo, observ que las personas que apostaban a obtener un doble seis por lo menos al tirar 24 veces dos dados, en una larga serie de juegos, tenan prdidas. En cambio, los que apostaban a obtener por lo menos un seis en 4 tiradas, a la larga obtenan ganancias. El caballero razonaba: Al tirar un dado, el nmero de resultados posibles es 6; al tirar dos dados, ese nmero es 36. Por lo tanto, 4 tiros es a 24 como 6 es a 36 y la probabilidad debe ser la misma.Pero, sus registros estadsticos decan lo contrario. No pudiendo resolver el problema, se lo propuso a Pascal (1623-1662), quien lo resolvi as: P(al menos un seis en 4 tiros) = 1 -(5/6)4 = 1 - 0,48225 = 0,51775 (5/6) . (5/6) . (5/6) . (5/6) es la probabilidad de que en 4 tiros no salga el seis P (al menos doble seis en 24 tiros) = 1 - (35/36)24 = 1 - 0,50859 = 0,49141 He aqu la razn de lo observado por el caballero: Cuando la probabilidad en un juego es mayor que 0,5, el juego nos es favorable. En caso contrario, desfavorable. Aunque los resultados son aproximadamente iguales, uno conduce a la fortuna y otro a la ruina. De ah que el clculo de probabilidades debe hacerse con la mayor fineza posible. De paso, observamos que debemos ser prudentes en el uso de la regla de tres.
41
Actividad 4.3. 1. Se mezclan 4 billetes falsos y 6 autnticos. Se elige al azar un billete. Cul es la probabilidad de que sea falso? Se mezclan 4 billetes falsos y 6 autnticos. Si se eligen dos billetes, cul es la probabilidad de que uno sea falso y el otro bueno? 2. De un mazo de 52 cartas (entre ellas 4 ases), se sacan cartas una tras otra. Cul es la probabilidad de que el primer as aparezca en la undcima extraccin? 3. En una reunin de 30 personas, cul es la probabilidad de que al menos dos de ellas cumplan aos el mismo da? 4. Consideremos que la probabilidad de nacimiento de un varn es 0,51 y la de una nia es de 0,49. En un conjunto de familias de dos hijos: a) Cul es la probabilidad de que una familia elegida al azar tenga dos varones?b) Al menos un varn?e) Dos hijos varones si sabemos que ya tiene un varn? 5. Un alumno se ha equivocado en 2 de 5 problemas. Las soluciones estn en hojas separadas y el profesor las corrige eligindolas al azar. Cul es la probabilidad de que la ltima hoja revisada corresponda a una solucin incorrecta?
El caso de la laguna Don Joaqun y don Hermenegildo, a pesar de sus profundas diferencias en materia de metodologa, eran buenos amigos y en sus ratos libres mantenan largas charlas sobre problemas matemticos, polticos y sociales. En eso estaban un da, en la confitera de Crmine, cuando un tipo en la mesa de al lado dijo: Cuntos peces habr en la laguna? A los pocos das decidieron hacer un paseo conjunto con sus dos cursos, aunque don Hermenegildo refunfuaba diciendo que no haba que meter a los alumnos en estas cosas. Con gran entusiasmo y cuidado marcaron 400 peces, y los devolvieron vivitos y coleando a la laguna. Al da siguiente, regresaron, sacaron 200 peces entre los cuales contaron 23 marcados. Devolvieron la mayora al agua y se quedaron con algunos para frer y chuparse los dedos.
Mi hermano naci en Clermont, el 19 de junio de 1623. As, desde su infancia, cuando no se le daban buenas razones, l las buscaba por s mismo y, cuando se ocupaba de algo, no lo abandonaba hasta quedar satisfecho (...) Su genio para la geometra fue evidente a los doce aos (...) Mi padre le dio, para sus horas de recreo, los Elementos de Euclides (...) Participaba en las reuniones semanales que se hacan en Pars, donde las personas presentaban sus descubrimientos (...) Mi padre estaba muy contento con los progresos de mi hermano pero no advirti que poda perjudicar su salud, que comenz a alterarse a los 18 aos. A los 23 aos, habiendo observado las experiencias de Torricelli, realiz sus ltimos trabajos en las ciencias exactas y naturales (...) Desde entonces, su espritu se dedic a los pensamientos e instituciones religiosas que tanto influyeron en su poca (...) Falleci en 1662. (Vida de Pascal por su hermana).
42
Mientras el fuego haca su trabajo, don Joaqun pregunt:

Cuntos peces haba en la laguna? Uno de los muchachos comenz a hacer clculos, empleando una ramita sobre el cuaderno de la tierra. Por fin, dijo: Yo s cuntos peces hay. Qu vas a saber vos? Hay 3.478. Efectivamente dijo Joaqun. Conviene que agregues: aproximadamente. Y cmo lo hiciste? Pens: Llamemos x al nmero tal de peces de la laguna. Si saco todos, hay 400 marcados. Entonces, me sirve la regla del tres: 200 23 X 400 Regla de tres, corrigi don Hermenegildo. Yo ya s por qu hay que decir aproximadamente dijo otro. Porque si, en vez de 23 hubisemos sacado 25, el clculo cambiaba un poco; pero, siempre anda alrededor de esa cifra.
43
5. Estadstica
Valor medio
Suponemos que en una evaluacin se han obtenido las notas siguientes: 6; 8; 5; 5; 5; 4; 2; 8; 4; 1; 2; 2; 6; 6; 7 Cmo calculamos el promedio?
Para calcular el promedio, sumamos y dividimos por 15. Tambin podramos proceder as:
1(1) + 2(3) + 3(0) + 4(2) + 5(3) + 6(3) + 7(1) + 8(2) + 9(0) + 10(0) 15
O bien: 1 (1/15) + 2 (3/15) + ...+ 10 (0/15) Obsrvese que 1/15, 3/15, ... son las frecuencias relativas de cada nota.
La varianza y la desviacin
El Sr. J., gobernante de un remoto pas, se jactaba de que el salario medio era de 3000 dlares. El Seor Modulador, de visita por esos lugares observ las extraas costumbres de sus habitantes: vestan muy mal, coman peor, se guarecan donde podan y padecan graves enfermedades. Como el seor Modulador es sumamente ingenuo, crey que en ese pas al ahorro, ms que una virtud era una obsesin; pero, por ms que pregunt, nadie supo sacarlo de su perplejidad. Hasta que cierto da encontr a un colega Modulador de aquellas regiones que le aclar el misterio: Suceda que entre un milln de habitantes, la renta se distribua as:
X Seor J. Allegados a J. Resto Renta 1.800.000.000 1.000.120.000 199.880.000 n 1 999 999.000
Desde entonces, el Sr. Modulador desconfa mucho del valor medio.
No tiene la misma situacin una nacin con salario medio 1000 con valores mximo y mnimo 1300 y 800, que otra nacin con el mismo valor medio pero con valores extremos 50 y 10000. En el primer caso, diremos que los valores estn menos dispersos que en el segundo. Debemos estudiar una medida para la desviacin o dispersin de los datos.
44
Variacin y desvo
Consideramos las notas de tres cursos que, para simplificar supondremos de 3 alumnos cada uno:
A 6-6-6 B 6-8-4 C 10-0-8
Para los tres cursos el valor medio es 6.
La varianza se calcula haciendo el promedio de los cuadrados de los desvos respecto del valor medio.As, para el curso A, tendremos:
Para B:
V(B) =
Para C:
(6 6) 2 + (8 6) 2 + (4 6) 2 8 = 3 3
V(C) =
(10 6) 2 + (0 6) 2 + (8 6) 2 16 + 36 + 4 56 = = 3 3 3
Se llama desvo estndar tpico a la raz cuadrada positiva de la varianza.
(A) = 0 (B) = 1,63 (C) = 4,32

Las calculadoras de bolsillo suelen tener una parte dedicada a clculos estadsticos. En general, debemos comenzar por colocar a la calculadora en posicin, para que pueda ocuparse de cuestiones de estadstica. Esto se logra, en algunas calculadoras, mediante una palanquita; en otras apretando INV y luego MODE. En el visor suele aparecer SD. A continuacin se ingresan los datos. Ejemplo: Para ingresar 3,5,8 se pulsan las teclas: 3, M+, 5, M+, 8, M+. Si, ahora, pulsamos n aparece un 3 en el visor (n es el nmero de datos); si apretamos X aparece 5,333 (valor medio); pulsando aparece 2,054 (desviacin).
45
Trabajo estadstico Un profesor de Educacin Fsica registra los tiempos de carrera (400 metros) de diferentes alumnos, con estos registros en segundos. Cmo hallar el valor medio?
48 55.7 67.8 60.9 51.4 56.1 55 58.1 56.8 61.8 64.7 62 59 55.1 67.3 60.1 64.2 56.2 57.9 66.1 63.6 55.8 54.5 62.4 61.3 55.9 64.8 62.8 57.1 53 54.5 61.6 57 65 51.2 67 53.8 52 56.9 62.8 66 53.7 61,5 50.5 57.7 61.8 57.7 59.4 61.5 56.9 67.2 61.9 63.5 60.4 61.6 59.8 56 60.4 61.5 58.2 64.8 58.2 51.7 50.4 52.4 61.7 52.8 53.8 53.8 57.1 55.1 54.2 54 54.1 67.1 50.1 60.8 66.5 52.8 57.6 63.5 64.6 63.2 58.6 61.2 61.8 61.9 52.4 65 59.6 58.4 59.7 63.5 56 50.9 54.6 54.7 52.7 57.8 49.2 66 55.8 64.3 56 54.1 65.8 58.5 57.5 60.8 61.4 55 58.9 55.4 54 55 60.3 52.4 51.6 62.8 52.1 53.9 61.4 55.8 59.2 56 55.8 58 59 64.8 61.4 53.4 53 57.5 59.5 61.8 56 58.1 60.1 57.8 56.5 58.5 59 58.1 67.3 58 65.1 52.1 47.1 63.5 49.2 64.2 55 60.6 56.2 51.2 53.9 60.7 57.4 58.3 59.8 61.8 56.2 50.3 53.9 57.6 58.2 59.2 56.1
Tantos nmeros nos marean; por esta razn, los agrupamos en:
Tiempo (segundos) 47-50 50-53 53-56 56-59 59-62 62-65 65-68 N alumnos (frecuencia) 4 20 35 40 37 20 12 168
Para hallar el valor medio X , asignaremos a cada alumno el valor central del intervalo. As, a los 4 alumnos del primer intervalo les asignaremos 48,5 (en lugar de los valores registrados 48; 49,2; 47,1 y 49,2). Tendremos, as:
X=
48,5.4 + 51,5.20 + 54,5.35 + 57,5.40 + 60,5.37 + 63,5.20 + 66,5.12 168 X = 57,96
En relacin con este agrupamiento en clases, resulta evidente que se pierde parte de la informacin recogida. A mayor amplitud de los intervalos, ms informacin perdemos. Tambin se presentan problemas en los extremos. A qu intervalo asignan el valor 53? Una solucin puede ser adjudicar cada unidad que pertenece a un extremo de clase, por mitades, a las clases contiguas. (En nuestro agrupamiento no hemos empleado este criterio, para simplificar los clculos). A pesar de estos inconvenientes, los agrupamientos son necesarios porque tienen la ventaja de presentar, de modo ms claro para el anlisis, el material reunido. La pericia de los entendidos permite hallar un compromiso aceptable entre claridad y precisin. Si el lugar X sobre la tabla agrupada, lo hubisemos calculado segn la lista completa de datos, el resultado hubiera sido m = 58,20 con = 4,60. El smbolo E (x) = m se reserva para las distribuciones tericas o para el valor medio de la poblacin. Lo mismo sucede con el desvo .
46
En cambio X y s se refieren a estimadores de m y , obtenidos a partir de muestras.

Cmo lograr una estimacin de parmetros a partir de muestras? La poblacin (formada por los tiempos de carrera) de nuestro ejemplo tiene un tamao n = 168 que no es demasiado grande. Sin embargo, en general, en la prctica, el nmero de datos suele ser mucho mayor (por ejemplo: los consumos de electricidad de todas las familias de Tucumn) en cuyo caso, por razones de costo y trabajo, es mejor estimar los parmetros m y a travs del estudio de muestras. Con relacin a nuestro cuadro, tomaremos una muestra de N = 10 valores, para lo cual los elegiremos al azar. Las calculadoras nos proveen nmeros al azar apretando INV RAN o SHIFT RAN. En este momento, voy a obtener 10 nmeros al azar con mi calculadora: 0,820 ; 0,586 ; 0,968 ; 0,467 ; 0,633 ; 0,706 ; 0,615 ; 0,881 ; 0,434 ; 0,457 Los nmeros al azar pertenecen al conjunto de nmeros racionales de tres cifras decimales situados entre 0 y 1. Para adaptarlos a nuestra poblacin, debemos multiplicarlos por 168 y redondear: 138; 98; 163; 78; 106; 119; 103; 148; 73; 77 Buscamos en la tabla los tiempos que corresponden a estos lugares y obtenemos los nmeros destacados en la tabla: 55; 51,7; 60,8 ; 54,5 ; 63,5 ; 61,8 ; 49,2; 64,6; 61,6; 52,7 La media muestral es: El desvo muestral es:
X = 57,54
S = 5,23 ( de la calculadora )
Si el tamao de la muestra es inferior a 30, es mejor emplear que nos da 55,1. Para pasar de se emplea la frmula:
n 1 = n
n n 1
Histogramas Podemos hacer una representacin grfica de nuestros datos agrupados:
47
Tambin podemos representar las frecuencias relativas:

Clase 1: 4/168 = 0,024 Clase 2: 20/168 = 0,12 Clase 3: 35/168 = 0,21 Clase 4: 40/168 = 0,24 Clase 5: 37/168 = 0,22 Clase 6: 20/168 = 0,12 Clase 7: 12/168 = 0,07
Las frecuencias relativas pueden traducirse a porcentaje, multiplicando por 100.
Actividad 5.1. 1. Se ha tomado una muestra de cinco tabletas de chocolate, obtenindose los siguientes pesos: 18,5 gramos; 19,8; 20,4; 20,1 y 19,7. Hallar el valor medio X y la desviacin s n 1. 2. Se ha tomado una muestra de 6 lmparas para registrar su duracin. Se obtuvieron estos resultados: 1000 horas; 1150; 1220; 1400; 1250; 1320. Averige X y s n 1.
Dibuje un ngulo en el pizarrn y proponga que los alumnos estimen su medida en grados, a ojo. El curso har una estadstica de las distintas respuestas. Se pueden hacer histogramas. Calcular X y s n 1. Por fin, medir el ngulo y comentar los resultados.
Los Bernoulli Al comenzar el siglo XVI, Flandes era el centro del comercio y la banca; y, en particular, el puerto de Amberes que haba despojado a Brujas del predominio financiero. All vivan los Bemoulli que, en razn de las persecuciones polticas y religiosas, pasaron a Suiza donde la familia desarroll una importante actividad cientfica y, en particular, matemtica. A continuacin transcribimos una pgina de Jacobo Bemoulli (1654-1705):
"En virtud de la semejanza de las caras del dado y de la distribucin uniforme del peso, no hay razn para preferir una de las caras, como sucedera si el peso no estuviese distribuido igualmente o si las caras tuviesen distinta forma. De la misma manera, si conocemos el nmero de bolillas blancas y el de bolillas negras de una caja, podemos calcular probabilidades. Pero, yo pregunto a Usted, quin de los mortales puede conocer, por ejemplo, el nmero de enfermedades que invaden las innumerables partes del cuerpo humano a cualquier edad y pueden causar su muerte? Quin puede afirmar qu enfermedad puede matar ms fcilmente a un hombre (la plaga o la hidropesa, la hidropesa o la fiebre) para predecir la vida o la muerte?
48
Quin puede registrar los innumerables cambios de la atmsfera para predecir lo que suceder dentro de un mes? Quin conoce suficientemente la admirable estructura de nuestra mente o nuestro cuerpo, para predecir un ganador en juegos que dependen de la agudeza del ingenio o de la agilidad del cuerpo? Puesto que tales cosas dependen del ingenio o de causas ocultas en virtud de la gran variedad de combinaciones que escapan a nuestros esfuerzos de clculo, sera decididamente insano intentar un conocimiento de este modo. Sin embargo, hay otra manera de obtener lo que queremos. Lo que es imposible a priori puede encontrarse, al menos, a posteriori; es decir, registrando los resultados de observaciones realizadas muchas veces. Porque, puede suponerse que un hecho puede ocurrir, en el futuro, tantas veces como haya aparecido en el pasado, bajo condiciones similares. Por ejemplo, si en el pasado, 300 hombres de la misma edad y estado general que tiene Tito en este momento fueron investigados y se encontr que (en el trmino de 10 aos) 200 murieron, podemos pensar que Tito tiene una probabilidad de 2/3 de pagar, en la prxima dcada, su deuda con la vida. De la misma manera, se pueden llevar registros sobre el tiempo (bueno, lluvioso, etc.) o sobre una larga serie de juegos entre dos personas. Esta manera de determinar razones entre el nmero de casos favorables y el nmero total de casos no es nueva. Aunque prcticamente todos la conocemos, la demostracin sobre bases cientficas no es de ninguna manera fcil. Todava queda por ver algo que quiz nadie ha pensado y es determinar si al nmero de observaciones aumenta la probabilidad de obtener una razn (f:n) genuina o si, por el contrario, llega un punto en que no es posible mejorar el resultado. Si al aumentar el nmero de observaciones no puedo mejorar la apreciacin, confieso que nuestra tarea es intil. Si sucede lo contrario, sern muchas las aplicaciones y podremos aplicar la teora con la misma confianza que en los juegos de azar. Por ejemplo, si en lugar de una caja con bolillas extraemos aire del cuerpo humano que contiene causas de varias enfermedades como una caja contiene bolillas podremos, por observaciones repetidas, determinar cundo una enfermedad puede darse con mayor probabilidad que otra. Con este problema he luchado durante 20 aos.1
Jacobo Bernoulli jams hubiera tenido xito con uno de esos profesores que dicen: Al primero que termina le pongo una buena nota. Miren que tardar 20 aos... Deba ser medio tonto.
Uspensky, J. V. Introduction to Mathematical Probability. Mc. Graw-Hill.
49
Clave de respuestas
1.1. 1. p(oro) =
10 1 = 40 4 4 1 = 10 10 30 3 = 10 4 2 1 = 10 5 13 40
2. p (siete) =
3. p (no copa) =
4. p (as o siete) =
5. p (oro o siete) = 6. 1
7. 0; pues esta carta no existe en el mazo. 1.2. p (A o B) = p (A) + p (B), slo cuando A y B no pueden darse simultneamente; es decir, cuando A y B son sucesos excluyentes. p (as o siete) = p (as) + p (siete) =
1 1 1 + = 10 10 5
pues, una carta no puede ser, a la vez, as y siete. En cambio, en 1.1. no es p (as o siete) = p (oro) + p (siete), pues oro y siete no se excluyen: una carta puede ser el siete de oro. 1.3. A y B son sucesos excluyentes; A B =
1.4. P(5) =
1 . Una manera de obtenerla, por el axioma 3, es: 6

P({2,3,5}) = P({2,3,5}) + P({5}) 3 2 = + P({5}) 6 6
Datos en el diagrama
P({5}) =
1 6 3 P(par) = 6
1.5. Podra no ser nica, una funcin que cumpliera con la tabla dada y con los tres axiomas de probabilidad. 1.6. Est mal aplicado el axioma 3, pues 1,2
{ }
y {2,3,4} no son conjuntos disjuntos.
50
2.1. 1. 10.9.8 = 720 2. 9.8.7.6 = 3024 3. 9.9.9.9 = 6521 4. 4 3 3 2. Comenzando con impar, hay 4 elecciones posibles en primera casilla y 3 en tercera casilla; para la segunda casilla tenemos tres pares y, para la cuarta, dos pares. Empezando con par, tenemos: 3 (4) (2) (3) En total: 4.3.3.2 + 3.4.2.3 = 144 5. Hay que empezar, forzosamente, por impar: 4 (3) (3) (2) (3) (1) (1) = 144 6. a) 5040 b) 4! 3! 2! = 288 7.
40 5 = 658008
8. a) 8! = 40320 b)
8! = 20160 2!
8! = 10 2! . 3!
c)
2.2. a) 1 b) m 2.3. 2)
3.1. 1. 6! 2. 6! / 3! = 120 3. 6! / 2! 2! = 180 3.2. 1. punto medio de AB punto medio de AO punto medio de OB Todos los puntos de
RS estn ms cerca de 0, que de A o B.
51
2.
450 , suponiendo que los tramos de la lnea son homogneos. 2000

4.1. Llamando D al suceso Seleccionado un artculo al azar, resulta defectuoso, ser:
P(D) = P(M1 ).P(D / M1 ) + P(M 2 ).P(D / M 2 ) + P(M 3 ).P(D / M 3 )

(Siendo Mi el artculo que sale de la mquina i)
40 3 35 4 25 5 385 . + . + . = 100 100 100 100 100 100 10000 3 40 . P(D / M1 ).P(M1 ) 100 100 120 = = P(M1 / D) = 385 385 385 10000 10000 P(D) =
4.2. 1. C: Sacar verde de la caja N2 D: Sacar roja de la caja N1
P(C D) = P(C).P(D) =
2. P( A B) =
4 4 4 . = , pues C y D son independientes. 12 9 27
5 4 20 . = 9 9 81
3. Resuelto en el texto. 4. P (roja o verde) =
4 5 5 . = 9 8 18
4.3.
P(falso) =
1.
4 10 48 100
P(uno falso y uno bueno) =
2. P (as recin en la 11 extraccin) =
48 47 46 39 4 . . ... . 52 51 50 43 42
365 364 363 336 . . ... 365 365 365 365
3. 1-P (ninguna cumple en el mismo da) = 1
P =
long.RS 1 = long.AB 2
52
4. a) 0,512 b) 0,51 c) 0,512
5.
4 10
5.1. 1. 19,85; 0,90 2. 1223; 138,9
53
MDULO 2
55
En este mdulo se tratan los siguientes temas: Pruebas repetidas. Distribucin binomial. Aproximacin de Poisson. Desigualdades de Tchbyccheff y Bernoulli. Empleo de nmeros aleatorios
El tratamiento es circular, procurando repasar las nociones del primer mdulo y amplindolas. As como prcticamente todo el contenido del primer mdulo puede volcarse al aula en la enseanza media, este segundo mdulo apunta a profundizar temas seguramente vistos pero, acaso, olvidados. El profesor que tiene una visin amplia de la asignatura sabe a dnde debe apuntar sus objetivos. Es, adems, probable que los temas tratados aparezcan en los contenidos definitivos de las polimodales. Si algunos temas nos resultan difciles, leamos con detenimiento y sentido crtico: Es una aptitud que debemos desarrollar en los alumnos. La tarea formativa no debe consistir en una fbrica de robots calculadores; en esto no podremos nunca sustituir a Casin, Apple, lBM, Macintosh...
56
6. Frmula de Bernoulli
Pruebas repetidas
Pensemos en un experimento aleatorio que puede repetirse, en las mismas condiciones, n veces. Suponemos, adems, que el resultado de cada experimento no depende de los dems. Por ejemplo, podemos tirar un dado cinco veces y registrar, en cada tirada, si sale o no sale el cuatro. Para facilitar nuestros registros, escribiremos 1 si sale el cuatro y cero en caso contrario. Nosotros obtuvimos la secuencia: 00010. Podramos preguntarnos qu probabilidad tiene nuestra secuencia, antes iniciar las tiradas. Por qu no cierra el mdulo y lo piensa?
La probabilidad de que: en la primera tirada, no salga el 4 es 5/6; en la segunda no salga es 5/6; no salga en la tercera es 5/6; aparezca el 4 en la cuarta tirada es 1/6; no salga en la quinta es 5/6.
Como un resultado no influye sobre el otro, multiplicamos:
(56 ) (56 ) (5 6 ) (16 ) (56 ) = 0,080

Puede obtener el mismo resultado como cociente entre el nmero de casos favorables y el nmero total de casos?
Actividad 6.1. Con relacin al prrafo anterior, calcular la probabilidad de las secuencias: a. 00000 b. 11111 c. 00101 d. 01001 (1= Sale cuatro 0 = No sale cuatro). Actividad 6.2. Calcular la probabilidad de que, al tirar 5 veces el dado, aparezca: a. Exactamente una vez el cuatro. b. Exactamente dos veces el cuatro.
57
Si tiramos cinco veces el dado, cul es la probabilidad de obtener exactamente un cuatro? El problema es distinto al pedir una secuencia determinada, por qu?
Hemos visto que la probabilidad de obtener la secuencia 00010 es decir, de obtener un cuatro en la cuarta tirada y no sacar cuatro en las restantes es (1/6) (5/6)4. La probabilidad de obtener exactamente un cuatro (no importa en qu tirada) ser 5 (1/6) (5/6) 4, porque el cuatro puede salir en la primera tirada, en la segunda...
Y, cul ser la probabilidad de obtener exactamente dos cuatros en cinco tiros?
Sabemos que la probabilidad de una secuencia cualquiera con dos cuatros (por ejemplo, 01001) es (1/6)2 (5/6)3. Hay muchas secuencias que tienen esa misma probabilidad (11000, 01100, 10001...). Debemos averiguar cuntas secuencias con exactamente dos cuatros hay. Razonemos as: Tenemos 5 lugares y debemos elegir dos lugares para ubicar los cuatros. Es lo mismo que elegir dos lugares entre cinco; el nmero ser
5 2 .
Por lo tanto, la probabilidad de obtener exactamente dos cuatros al tirar 5 veces el
1 5 dado ser 10 . 6 6
Vale la pena escribir las secuencias que contienen exactamente dos cuatros en 5 tiradas: 11000; 01100; 00110; 10100; 01010; 00101; 10010; 01001; 00011; 10001.Cada una de ellas tiene probabilidad (1/6)2 (5/6)3. Nos resultar fcil ahora calcular las probabilidades de obtener: Ningn cuatro; exactamente un cuatro:
P5 (0) = (5 / 6)5 P5 (1) = 5 (1 / 6) (5 / 6) 4
= 0,40187 = 0,40187
5 2 3 P5 (2) = 2 (1 / 6) (5 / 6) = 0,16075 5 3 2 P5 (3) = 3 (1 / 6) (5 / 6) = 0,03215 5 4 P5 (4) = 4 (1 / 6) (5 / 6) P5 (5) = (1 / 6)5 = 0,00321 = 0,00013 Suma = 0,99998 (aprox.1)
En el problema anterior hemos calculado la probabilidad de una secuencia determinada. Planteamos ahora el siguiente problema:
58
Si tiramos n veces un dado ideal, podremos escribir la siguiente frmula:
Pn (h ) = (1 / 6) h (5 / 6) n h
Pn(h) significa Probabilidad de que en n tiradas salga exactamente h veces una determinada cara del dado. En general, si repetimos n veces un experimento aleatorio, de modo tal cada repeticin el suceso A tenga probabilidad constante p, tendremos:
n h n h Pn (h ) = p q donde q = 1 p h
Actividad 6.3. Tiramos un dado 10 veces. Cul es la probabilidad de obtener exactamente 4 ases?
Actividad 6.4. En una caja hay tres bolitas blancas, 2 verdes y 5 azules. Extraemos una bolita al azar y la volvemos a la caja. Hacemos esto 6 veces. Cul es la probabilidad de sacar exactamente 4 veces blanca?
Actividad 6.5. Tiramos una moneda 8 veces. Cul es la probabilidad de obtener 3, 4 o 5 caras?
Actividad 6.6. Tiramos 5 veces una moneda. Cul es la probabilidad de obtener 0, 1, 2, 3, 4, 5 caras?
Si tiramos n veces el dado y nos interesa el suceso Sale as, este suceso puede aparecer 0 vez, 1 vez.... (n-1) veces. No hay otra alternativa; en consecuencia, la suma de las probabilidades debe dar 1. Es fcil probarlo. La probabilidad de sacar el as es 1/6 y la contraria es 5/6. Podemos escribir:
n n n 1 n2 2 n (1 / 6 + 5 / 6) n = (1 / 6) n + (1 / 6) (5 / 6) + ... + (5 / 6) 2 (1 / 6) (5 / 6) + 1
Por qu la suma de todos estos trminos debe dar 1? En general, si p es la probabilidad de un suceso A, en n pruebas repetidas independientes, tendremos:
n n n h h ( p + q) n = p q =1 h =0 h
59
Variables aleatorias Tiramos un dado y observamos si sale o no sale seis. Si sale seis, anotamos 1; si no sale, registramos 0. Podemos definir la funcin:
6 1 5 3 2 4 0 1
Una funcin que, a cada resultado de un experimento aleatorio le asigna nmero real, es una variable aleatoria. Simbolizaremos las variables aleatorias con X, Y etc. Claro est que si salir seis nos proporciona una ganancia de $1 y no salir seis una prdida de $ 0,25 podramos considerar la funcin:
6 1 5 3 2 4 - 0,25 +1
Consideremos, nuevamente, el caso del dado que tiramos 5 veces para observar cuntas veces sale el cuatro. El espacio muestral, es decir el conjunto de todos los resultados posibles, est formado por las 5-uplas (35124; 41665...). Pero, como a nosotros nos interesa solamente el nmero de cuatros, nuestra variable aleatoria X slo puede tomar los valores 0,1,2,3,4,5, segn el esquema: 35124 1 41665 42446 3, etc.
Podemos definir una funcin que a cada valor de la variable aleatoria le asigne su probabilidad. En el caso del dado que se tira 5 veces para ver cuntas veces sale el cuatro tendremos, de acuerdo con los clculos anteriores:
La frmula de probabilidad en n pruebas repetidas independientes con probabilidad constante se denomina frmula de Bernoulli.
60
P5 (0) = 0,40187 P5 (1) = 0,40187 P5 (2) = 0,16075 P5 (3) = 0,3215 P5 (4) = 0,00321 P5 (5) = 0,00013 Hagamos la grfica:
A esta funcin la llamamos funcin de densidad de probabilidad o funcin probabilidad f (x). En smbolos, f (x) = P (X = x). Por ejemplo, f (5) es igual a probabilidad de que la variable aleatoria tome el valor 5. El grfico nos dice que, al tirar 5 veces el dado, es poco probable obtener 3, 4 5 cuatros. Consideremos el siguiente problema:
En una caja hay 3 bolitas blancas, 2 verdes y 3 azules. Extraemos una bolita al azar y no la reponemos. Hacemos esto 6 veces. Cul es la probabilidad de sacar exactamente 3 blancas?
En este caso, no podemos emplear la frmula binomial porque la probabilidad de blanca no es constante (no hay reposicin).
61
7. Funciones de distribucin
Continuamos con el ejemplo que estamos trabajando, para preguntamos:
Cul es la probabilidad de que, al tirar 5 veces un dado, el nmero de cuatros sea 0,1, 2 o 3 ? Esto equivale a preguntarse: Cul es la probabilidad de que la variable cumpla la condicin 0 X 3 ?
La respuesta es 0,40187 + 0,40187 + 0,16075 + 0,03215. Podemos, entonces, definir una funcin acumulando las probabilidades. En nuestro ejemplo, tendremos la siguiente tabla: X 0 1 2 3 4 5 F(x) 0,40187 0,80374 0,96449 0,99664 0,99985 1,00000
P(X 6) = 1.
Es posible extraer esta funcin para cualquier x real. As, por ejemplo, la probabilidad de que, al realizar el experimento, la variable aleatoria X (nmero de veces que sale 4) tome un valor menor que cero es, evidentemente, cero. La probabilidad de que X tome un valor menor o igual que 8 es 1. Esta funcin F( x ) = P( X x ) de probabilidad acumulada se llama funcin de distribucin de la variable aleatoria X. Hagamos la representacin grfica:
No hay que pasar este grfico sin examinarlo con cuidado. Observe, por ejemplo, que usted no puede sacar menos 2 (-2) veces el cuatro; en consecuencia, la probabilidad es cero y esto sucede desde (-infinito) hasta casi, casi el cero. Pero, usted puede sacar cero veces el cuatro. De ah el salto que se observa en X = 0. Las probabilidades de X 1,26 X 1,37 etc., son iguales a la probabilidad de X = 0. En el punto X = 1, la grfica pega un salto porque se ha acumulado la probabilidad de 1 a la probabilidad de 0. Para X = 5 se produce el ltimo salto. Piense que P( X 6) = 1. En efecto, al tirar 5 veces un dado, el nmero de cuatros que obtenemos es siempre menor o igual que 6.
62
Antes de seguir adelante, tmese un recreo:

Tire 5 veces el dado y repita 100 veces (o tire 100 veces 5 dados). Anote el nmero de cuatros. Espere un rato; ya le dar mis resultados.
La prueba consiste en tirar una moneda 6 veces y contar el nmero de caras. Nuestra variable aleatoria X = nmero de caras, puede tomar los valores 0, 1, 2, 3, 4, 5, 6. Pedimos: a) Completar la tabla con error menor que 0,001. b) Representar f (x). c) Representar F (x).
X F (x) F (x)
0 0,016 0,016
1 0,094 0,110
2 0,234 0,344
3 0,312 0,656
4 0,234 0,890
5 0,094 0,984
6 0,016 1,000
Hay algo que me cuesta comprender. En estas funciones de las que usted habla hay dos equis, una grande y una chica. Me parece que no se trata de funciones de dos variables, porque puede representarlas sin dificultad en el papel. La variable independiente es la x minscula. La X es la variable aleatoria que sirve como intermediaria para dar valores a la funcin. As, por ejemplo, si tiro 6 veces la moneda para observar el nmero de caras, tendr: f(1) = P (X=1) = 0,094, es decir f(1) ser la probabilidad de que el nmero de caras sea igual a 1. Si entendi, podr decirme cul es el valor de f(7). Evidentemente, 0; porque, si tiro 6 veces la moneda no pueden salir 7 caras. Ahora, explqueme el significado de F(x). Lea bien F( x ) = P( X 3) . Quiere decir que F(3) es la probabilidad de que el nmero de caras sea menor o igual a 3. Est claro! Para hallar F(3), debo sumar las probabilidades de 0, 1, 2, 3 caras. Cul ser, entonces, F(10)? F(10) = 1; pues, P( X 10) = 1, ya que si tiro 6 veces la moneda, el nmero de caras ser ciertamente menor o igual que 10.
Limitaciones Se ve que estoy algo viejo porque el trabajo del recreo me dej algo preocupado. Mir la tabla que obtuve al tirar 5 dados para observar el suceso 4. Repet el experimento 100 veces.
X = Nmero de 4 frecuencia 0 40 1 38 2 15 3 3 4 0 5 0
Hay resultados que parecen encajar y otros no. Un compaero me pas otra tabla:
63
frecuencia
40
38
15
Si no entend mal, de acuerdo con los clculos tericos, deberamos haber obtenido: 40, 40, 16, 3... No olvide usted que hemos hecho los clculos tericos pensando en monedas o dados ideales. Ah! Ya veo; yo us un dado de carne y hueso. Mejor dicho, de hueso... O de cuerno; algo lejos del dado de Platn... Pero, entonces, no veo para qu pueden servirnos los razonamientos y frmulas que buen trabajo nos han dado. Aunque, por otra parte, no hay gran discrepancia entre el comportamiento de mi dado y el de Platn. Por ah anda la cosa... Mejor, djeme decir lo que pienso...; pero, no se ra. El dado ideal es un modelo, como el pndulo ideal. Aunque slo existe en nuestra mente, permite anticipar aproximadamente el comportamiento de los pobres dados mortales... Siempre que esos dados no se alejen demasiado del dado ideal. Pero, si la discrepancia fuese grande, qu hacer? Adems, cul ser la discrepancia tolerable? Lo felicito por sus explicaciones. En cuanto a su ltima pregunta: 1) Si la discrepancia fuese grande, repetiramos, de ser posible, la experiencia; en caso de observar nuevamente discrepancias grandes, habra que pensar que el modelo no sirve para describir el comportamiento de nuestro dado. Si usted se diese una vuelta por Neptuno y observase que la suma de los ngulos de un tringulo material es 120 y para otro tringulo de 118, tendra que abandonar el modelo de Euclides. 2) En cuanto a la discrepancia tolerable, ya tendremos tiempo de tratarla, ms adelante.
Valor medio para la distribucin binomial Recordamos cmo se calcula el valor medio para la tabla:
x 5 6 7 f 10 25 15
(1) X puede interpretarse como el puntaje obtenido en una prueba; f como frecuencia o nmero de alumnos con ese puntaje. El valor medio ser:
E( x ) = m =
5.10 + 6.25 + 7.15 = 6,1 50
( A)
Si en lugar de frecuencias se dan probabilidades (tabla 2), obtendremos el valor medio mediante el clculo:
x 0 1 2 f 0,3 0,5 0,2
(2)
X = Nmero de 4
64
E(x) = 0(0,03) + 1(0,5) + 2(0,02) = 0,9
(B)
La tabla (2) podra interpretarse as: Con referencia a un equipo de ftbol, la probabilidad de ganar es 0,2; la probabilidad de perder es 0,3. Cada vez que se da una tabla, es conveniente hallar posibles interpretaciones para la misma. Obsrvese que (A) y (B) son equivalentes porque (A) podra escribirse: m = 5(0,2) + 6(0,5) + 7(0,3) = 6,1 Calculemos, ahora, el valor medio para un solo experimento, en el cual observamos un suceso de probabilidad p. E(x) = 1p + Oq = p
1 0 P q
(3) Para n experimentos independientes, el valor medio ser: E(x) = np
Si tiramos 180 veces un dado para observar la aparicin del as. Cul ser el valor medio o esperado?
El valor medio o esperado ser np = 180 (1/6) = 30 Esto significa que, en 180 tiradas del dado, esperamos que el nmero de ases no se aparte demasiado de 30.
Varianza en la distribucin binomial Recordemos que para calcular la varianza correspondiente a la tabla 1, procedemos as:
V( x ) =
O bien:
(5 6,1) 2 .10 + (6 6,1) 2 .25 + (7 6,1) 2 .15 = 0,49 50
V( x ) = (5 6,1) 2 .0,2 + (6 6,1) 2 .0,25 + (7 6,1) 2 .0,3 = 0,49
65
Para la tabla (3) obtendremos:
V( x ) = (1 p) 2 p + (0 p) 2 q
(un solo experimento)
V( x ) = q 2 p + p 2 q = pq (q + p) = pq
Para n pruebas independientes, la varianza ser: V(x)= npq Y, en consecuencia:
desvo = npq
Si n = 180 tiradas de un dado para observar as. Cul ser la varianza?
( 6 ) (5 6 ) = 900 36 desvo = (30 ) = 5 6

V( x ) = 180 1
Aunque sin pretender una gran precisin, podemos intentar una respuesta a cules sern las discrepancias admisibles. En 180 tiradas del dado, si el nmero de ases se encuentra a distancia mayor de 2 desvos del valor medio, pondramos al dado bajo sospecha. Si se encuentra el resultado a distancia mayor de 3 desvos, la sospecha sobre la honestidad del dado sera vehemente.
Obtener 41 ases sera sospechoso.
Actividad 7.1. Se tiene un dado con forma de tetraedro con 3 caras azules y una blanca. Lo tiramos cinco veces. La variable aleatoria considerada es X = n de azules. a) Calcular las probabilidades para x = 0, 1, 2, 3, 4, 5. b) Representar la funcin de probabilidad. c) Representar la funcin de distribucin.
Actividad 7.2. Calcular el valor medio, la varianza y el desvo correspondientes al problema anterior.
66
Actividad 7.3. La probabilidad de encontrar un producto defectuoso de cierta marca es 0,05. Cul es la probabilidad de que, al recibir 10 productos de esa marca, aparezcan: a) ningn producto defectuoso; b) ms de un defectuoso.
Actividad 7.4. Si dos equipos A y B son tericamente equivalentes, cul es la probabilidad de que, en una serie de 8 partidos, A gane todos o A gane 7?
Actividad 7.5. En una caja hay 3 bolitas rojas y 7 azules. Se extrae una bolita y, si resulta azul, se repone y se agrega otra azul; si sale roja se repone y se agrega otra roja. Cul es la probabilidad de obtener azul al realizar la tercera extraccin?
67
8. Distribucin de Poisson
El nmero e
1 La experiencia nos dice que pocos recuerdan el caso lim 1 + y, seducidos por n n
esa muchacha casquivana (a veces tan certera, a veces tan equivocada) que llamamos intuicin, contestan 1.1.1... no puede dar otra cosa que 1. No es el momento de hacer un tratado de anlisis; pero, la calculadora nos dir que:
1 1 + = 2,59 10
Slo queramos recordar que:
10
1 1 + 100
100
= 2,70
lim 1 + n = e 1
n
Y tambin esperamos que usted recuerde las variantes:

n n n 1 1 1+ lim 1 n = lim n n n 1
= e 1
O bien:
k
n 1k k lim 1 n = lim 1 + n n n k n
= e k
Es bueno saber que, si la base tiende a 1 y el exponente tiende a infinito, en el asunto est metido el nmero e. No olvide, sin embargo que, si la base tiende a 1 pero el exponente es una constante, el lmite es 1.
lim 1 + n = 1 1
n k
Serie de Maclaurin Recordemos tambin el desarrollo en serie de Maclaurin de la funcin
x 2 x3 e = 1+ x + + + ... 2! 3!
x
68
En consecuencia:
x2 x3 = 1 x + + ... 2! 3!
Distribucin de Poisson Hasta aqu, hemos resuelto problemas sobre pruebas independientes, empleando la frmula binomial. Sin embargo, la aplicacin de esta frmula resulta complicada cuando el nmero de pruebas es grande.
Se realizan 1000 pruebas independientes y registramos si aparece o no el suceso A (p = 0,3) para conocer la probabilidad de que el nmero de veces que se da A est entre 270 y 420.
Deberamos calcular:
1000 1000 1000 270 730 271 729 420 580 0 , 3 0 , 7 0 , 3 0 , 7 ... + + + 0,3 0,7 420 271 270
Trabajo que hubiera amedrentado al mismo Hrcules. Para enfrentar estos laberintos, se han abierto distintas vas. Veamos una de ellas... Sabemos que:
n h nh P( n , h ) = h p q P( n , h ) = n (n 1)...3.2.1 n! p h q nh p h q nh = [(n h)(n h 1)...3.2.1] h! (n h )! h! n (n 1)...(n h + 1) h n h p q h!
P( n , h ) =
Dividiendo cada factor por n y compensando:
1 2 h 1 1 1 ...1 n n n P( n , h ) = (np) h (1 p) n h h! 1 2 h 1 1 1 ...1 n n n P( n , h ) = (np) h h!
np h 1 (1 p) n
69
P( n , h ) =
h e h!
Frmula de Poisson
En el desarrollo anterior hemos supuesto que cuando n tiende a infinito y p tiende a cero, el producto np tiende a una constante . Esta suposicin implica restricciones en el empleo de la frmula. En un problema particular, n puede ser grande pero no infinito y p no tiende a cero porque p es constante. De todos modos si n es grande y p pequeo, la aproximacin de Poisson es muy buena.
En una caja hay 500 bolitas (495 rojas y 5 azules). Cul es la probabilidad de que, si hacemos 2000 extracciones al azar con reposicin, obtengamos exactamente 3 azules?
La frmula de Bernoulli indica que:
200 3 197 p= 0,01 .0,99 = 0,1813 3

Aplicando la frmula de Poisson:
= np = 200 . 0,01 = 2 3 23 2 P3 = e = e = 0,1804 3! 3!
Representacin de la funcin de probabilidad de Poisson para =2
Un dodecaedro tiene 11 caras blancas y una cara verde. Cul es la probabilidad de que, al tirarlo 10 veces, salgan exactamente dos verdes?
Si tomamos lmite para n tendiendo a infinito y llamamos al lmite de np cuando n tiende a infinito y p tiende a cero, tendremos:
70
Por la binomial:
10 P2 = 2
1 12
11 = 0,15579 12
Empleando Poisson:
= 10.
P2
5 ) ( = 6 e
2
1 5 = 2 6
5 / 6
2!
= 0,1509
Observamos que Poisson da una buena aproximacin, aunque ni n es grande ni p muy pequea. Ser la funcin de Poisson una autntica funcin de probabilidad? Esta funcin tiene como dominio el conjunto 0, 1, 2... Quiere decir que la variable aleatoria puede tomar infinitos valores. La suma de probabilidades debe dar 1. Tenemos la serie:
e + e +
2 3 e + e + ... = 2! 3! 2 3 1 ... = e e = 1 = e + + + + 2! 3!
Ahora, hallaremos el valor medio de esta variable aleatoria X, segn Poisson. Nos ayudar la tabla:
X p 0 1 2 3 ... ...
e 2!
2
e 3!
3
Podemos calcular:
2 3 E(X) = 0e + 1e + 2 e + e + ... = 2! 3! 2 3 1 ... = e e = = np = e + + + 2! 3!

Vemos que el valor medio coincide con el valor esperado de la binomial que es la madre de Poisson.
71
Dada la tabla:
X p 1 0,1 2 0,3 3 0,2 4 0,4
Calculemos la varianza.
1) E(X) = 1(0,1) + 2(0,3) + 3(0,2) + 4(0,4) = 2,9 2) V(X) = (1 2,9) 2 0,1 + (2 2,9) 2 0,3 + (3 2,9) 2 0,2 + (4 2,9) 2 0,4
Tambin podramos haber hecho:
V(X) = E(X m) 2 = E(X 2 2mX + m 2 ) = E(X 2 ) 2mE(X) + m 2 V( X) = E( X 2 ) 2 m 2 + m 2 = E ( X 2 ) m 2
X2 p
1 0,1
4 0,3
9 0,2
16 0,4
E(X 2 ) = 1(0,1) + 4(0,3) + 9(0,2) + 16(0,40) = 9,5 V(X) = E(X 2 ) m 2 = 9,5 2,9 2 = 1,09
Para la distribucin de Poisson, tendremos:
2 2 3 + + + + ... E(X 2 ) = e 0 1 4 9 2! 3! 3 2 E(X 2 ) = e 1 + 2 + 2 + 3 + ... 2 3

El ltimo parntesis es igual a (1 + ) e . Entonces:
E(X 2 ) =(1 + ) V(X) = E(X 2 ) m 2 =(1 + ) 2 =

En consecuencia, la varianza en la distribucin de Poisson es .
En la distribucin de Poisson, el valor medio y la varianza son iguales a = np.
Varianza en la distribucin de Poisson
72
Durante un ao de 365 das, se han registrado las llegadas de buques al puerto de Buenos aires, obtenindose la tabla:
X= N de buques por da 0 1 2 3 4 5 6 7 N de das 1 2 7 18 32 44 61 56 X= N de buques por da 8 9 10 11 12 13 14 15 N de das 45 34 28 15 11 7 3 1
La tabla nos dice que hubo 7 das en los cuales llegaron dos buques; hubo 56 de 7 buques por da, 26 das de 10 buques, etc. Vamos a construir un modelo de Poisson con esos datos.
Como no tenemos el valor de lo estimamos, calculando el valor medio de la tabla.
X = (0,1 + 1,2 + ... + 15,1) / (1 + 2 + 7 + ... + 7 + 3 + 1) X = 7,03

Construiremos la tabla de frecuencias esperadas, segn el modelo de Poisson, tomando = 7,03.
X Frecuencias e X! esperadas
P x 365
P=
Modelo Poisson
P=
X Frecuencias e X! esperadas
P x 365
Modelo Poisson
0 1 2 3 4 5 6 7 8
0,0008 0,0062 0,0218 0,0512 0,0900 0,1266 0,1484 0,1490 0,1309
0,323 2,271 7,981 18,703 32,871 46,217 54,150 54,383 47,789
9 10 11 12 13 14 15 16 17
0,1023 0,0719 0,0459 0,0269 0,0146 0,0073 0,0034 0,0015 0,0006 0,9993
37,328 26,242 16,771 9,825 5,313 2,668 1,250 0,549 0,227 364,858
Observemos que las tablas de frecuencias esperadas y observadas concuerdan bastante (la nica diferencia algo pronunciada se da para X = 6). El modelo de Poisson parece ser adecuado. Se trata de una tabla con n bastante grande y p pequea; en efecto: = np 7,03 = 365 p p = 0,02
Un estudio como el anterior tiene consecuencias prcticas; puede emplearse para disear servicios y analizar costos de operacin.
73
Como nos han informado que el puerto tiene dificultades para operar encima de 12 llegadas diarias, nos interesan los valores superiores a 12.
P13 = P14 = P15 =
8,0913 = 0,031 13! 8,0914 8,09 e = 0,018 14! 8,0915 8,09 e = 0,0098 15!
0,031.365 = 11,42 0,018.365 = 6,60 0,098.365 = 3,56 0,0049.365 = 1,80 0,0023.365 = 0,86
P16 = 0,0049 P17 = 0,0023
24,24
Quiere decir que, en alrededor de 24 das, tendremos dificultades operativas. El ao anterior se presentaron solamente 9 das difciles. Es interesante observar que un incremento de las llegadas del 15% produjo un crecimiento de los inconvenientes del 167%. Seor Modulador, tanto le decimos a los alumnos que no respondan 6,5 botellas o 3,4 obreros y ahora me sale con 6,60 buques a puerto. En la Estadstica esto es necesario. No olvide que estamos trabajando con un modelo. Lo que usted ensea a sus alumnos es otra cosa: Ellos no pueden responder: para transportar 300 toneladas de trigo necesito 21,4 camiones. Este tema me result muy interesante pero... es evidente que, sin el conocimiento de la nocin de lmite y el nmero e, no podramos encararlo. Paso a paso, podramos arreglrnoslas con una tabla de nmeros aleatorios.
Nmeros aleatorios Si colocamos en un bolillero diez bolillas numeradas de 0 al 9 y las extraemos con reposicin, anotando los nmeros obtenidos, tendremos una sucesin de nmeros aleatorios: 8, 4, 2, 0, 8, 0, 6, 0, 5, 2, 5, 7... Pero este procedimiento es poco prctico. Podramos idear una frmula que permitiese generar nmeros aleatorios; por ejemplo, partir de las cifras de 5 que da una calculadora y extraer las sucesivas races cuadradas: 2236068 14953488 12228445 1105823 .... Vemos que aparecen demasiados unos. Adems, en pocos pasos llegaremos a 1,00000... por qu?
Supongamos que las autoridades estiman que, debido a fluctuaciones del comercio, se espera un incremento del 15% en la llegada de buques. Parece razonable afirmar que el proceso seguir aproximadamente el modelo de Poisson. Si el ao anterior llegaron 2567 buques, esperamos 2952 para el prximo ao. Si usted calcula, obtendr = 8,09. Cul es el porcentaje de aumento de ?
74
Por qu nos importa que aparezcan muchos unos? En una tabla de nmeros aleatorios, a la larga, debe aparecer aproximadamente cada dgito el mismo nmero de veces. Uno de los primeros algoritmos sugeridos para obtener nmeros aleatorios fue el siguiente: Tomar un nmero de cuatro cifras, elevarlo al cuadrado y quedarse con las cuatro cifras interiores. Luego, repetir la operacin. Partiendo del nmero semilla 8237 obtenemos: 8237 8481 9273 9885 7132 8654 8917 5128 2693 7793 7308 4068 5486 0961 9235 2852 1339 7929 8690 5161 6359 4368 0794 6304 7404 Esta tabla tiene apenas 100 nmeros; de todos modos la sometemos a prueba:
Dgito Frecuencia 0 7 1 8 2 9 3 12 4 9 5 8 6 10 7 10 8 14 9 13
El resultado es relativamente bueno; pero, la prueba no es suficientemente larga: Debe tener dgitos en cantidades aproximadamente iguales. Advertimos que el mtodo depende de la eleccin del nmero semilla; hay nmeros sencillos que rpidamente conducen a una repeticin de los nmeros. Las calculadoras de bolsillo permiten obtener nmeros aleatorios para lo cual emplean frmulas complicadas. Se entiende que los nmeros obtenidos mediante frmulas son nmeros seudoaleatorios, en el sentido de que quien dispusiese de la frmula podra anticipar los resultados.
Clculo de integrales mediante nmeros aleatorios

x2 2
Vamos a calcular el rea de la regin encerrada por la grfica f ( x ) = e x en el intervalo [0,1].

x2 2 x2 2
con el eje
X
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
f (x) = e
X
0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1
f (x) = e
0,9987 0,9950 0,9888 0,9801 0,9692 0,9560 0,9406 0,9231 0,9037 0,8825
0,8596 0,8352 0,8096 0,7827 0,7548 0,7261 0,6968 0,6670 0,6368 0,6065
75
Tenemos a: 5295 5443 4073 1750 1526 3806 1971 8951 1024 4729 x x x x x x x x x x 0969 6088 1373 5124 4071 3728 3354 6991 8340 9362 x x x x x x x No No No
Qu hicimos? Analizamos si nuestros tiros pegaron en la zona punteada. Las cruces indican impactos.
El rea estimada es
17 = 0,85 20
El resultado mejorara si, en lugar de 20 tiros (subintervalos de longitud 0,05), hubisemos hecho 100 tiros (subintervalos de longitud 0,01). Esto puede hacerse fcilmente con el auxilio de una computadora.
El nmero aleatorio de Champernowne1 En la dcada del 30, Champernowne propuso el siguiente nmero aleatorio 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18... Como vemos, basta escribir la sucesin de nmeros naturales; esta sucesin, si bien al principio se desva de un comportamiento normal (hay nmeros que aparecen con mayor frecuencia), luego, si se consideran muchas cifras, registra un comportamiento aleatorio muy bueno.
Los nmeros aleatorios como los que se obtienen mediante un programa o el nmero aleatorio que acabamos de ver son aleatorios en sentido amplio; no podran ser empleados en un juego, porque alguien podra descubrir la forma de generarlos, y para l seran previsibles y no aleatorios. Integremos contenidos a travs de estos problemas:
En una caja hay 19 bolitas blancas y una azul. Se hacen 10 extracciones con reposicin. Cul es la probabilidad de obtener, exactamente, 2 azules? a. Emplear la frmula binomial, b. Aplicar la distribucin de Poisson.
Investigacin y Ciencia; enero 1980.
Cmo vamos a calcular el integral? Tirando al blanco, a lo loco, sin hacer puntera pero con la suficiente para no salirnos de la zona 1 x 1. Para tirar, empleamos una tabla de nmeros aleatorios o una tecla RAN.
76
10 1 19 a. 2 = 0,0746 20 20
2 8
b. np = 10.
1 = 0.5 = 20
P2 =
2 0,52 0,5 e = e = 0,0758 2! 2!
Se observa que, aunque n=10 no es muy grande, la aproximacin es buena (La probabilidad de azul es pequea).
Si tiramos un dado 12 veces, cul es la probabilidad de obtener, exactamente, tres ases? a. Emplear la frmula binomial, b. Aplicar la distribucin de Poisson.
12 1 5 a. 3 = 0,1974 6 6
3 9
b. np = 12.
1 =2= 6
P3 =
23 2 e = 0,1804 3
En este caso, los resultados difieren bastante; no es aconsejable emplear la distribucin de Poisson cuando p es grande.
Un peridico se imprime en forma automtica. La probabilidad de que una palabra aparezca con defectos de impresin es 0,0001. Cada edicin tiene 30000 palabras. Cul es la probabilidad de que en una edicin aparezcan ms de cuatro palabras con defectos de impresin?
= np = 30000.104 = 3 9 27 81 + = 0,815 P0 + P1 + P2 + P3 + P4 = e 3 1 + 3 + + 2 6 24 P(X > 4) = 1 0,815 = 0,185
El 2% de las piezas producidas por una fbrica es defectuoso. Si examinamos una muestra de 150 piezas, cul es la probabilidad de que: a. Ninguna pieza sea defectuosa? b. 2 sean defectuosas? c. Ms de 3 sean defectuosas?
77
= np
= 0,02(150) = 3
P0 = e 3 = 0,0498 P1 = 3e 3 = 0,1494 32 3 e = 0,2241 2 33 P3 = e 3 = 0,2241 3! P(X > 3) = 1 (0,0498 + 0,1494 + 0,4482) = 0,3526 P2 =
No nos cansaremos de repetir que una buena estrategia de enseanza implica no cerrar captulos y abandonarlos: Ya pas el clculo combinatorio, ya pas la nocin de independencia de sucesos... Por estas razones, proponemos resolver:
Actividad 8.1. Entre 10 abogados y 7 ingenieros debemos elegir una comisin de 4 abogados y 3 ingenieros. Cuntas son las elecciones posibles?
Actividad 8.2. Entre los 10 abogados del problema anterior hay 6 cuyos apellidos comienzan en vocal; y, de los 8 ingenieros, hay 5 cuyos apellidos comienzan en vocal. Cul es la probabilidad de que la comisin de 4 abogados y 3 ingenieros est formada slo por personas cuyos apellidos comienzan en vocal, si la eleccin es al azar?
Actividad 8.3. Entre 8 libros, hay 3 repetidos. Cul es la probabilidad de que, si elegimos de entre los 8, cuatro al azar; no haya repetidos?
Actividad 8.4. En una compaa estn vacantes los cargos de gerente general, gerente de exportacin y gerente de comercializacin. De entre 20 personas cul es el nmero de elecciones posibles, si una persona no puede detentar ms de un cargo?
78
Actividad 8.5. En una caja ponemos 2 bolitas verdes y 4 amarillas. Extraemos una bolita y, luego, la reponemos. Hacemos lo mismo tres veces. Sea X = nmero de amarillas, la variable aleatoria. Representar la funcin de probabilidad y la funcin de distribucin.
Actividad 8.6. Un tenista A ha vencido 9 veces a B en 10 partidos. Cul es la probabilidad de que esto haya sucedido por pura casualidad?
79
9. Funciones de distribucin
Funciones de distribucin discretas y continuas Hasta ahora hemos considerado variables aleatorias que toman un nmero finito de valores. Por ejemplo, si tiramos 5 veces una moneda el nmero x de caras puede ser 0, 1, 2, 3, 4, 5. La funcin de probabilidad es discreta y la funcin de distribucin presenta saltos, segn hemos visto:
Consideremos un experimento algo distinto. Tiramos una moneda hasta que salga cara. Anotamos, entonces, el nmero de tirada que corresponde a la salida de la primera cara. En este caso, la variable x puede tomar los valores 1,2,3,4... Aunque sea muy improbable, la primera cara podra salir en la tirada n 20 o en la n 1000... Por ejemplo, la probabilidad de que salga la primera cara en el quinto tiro es:
1 1 = 32 2
Aunque, en este caso, el dominio de la funcin de probabilidad es infinito, la funcin es discreta porque no puede tomar valores intermedios como
1 2 , , etc. 2 3
80
1 1 1 1 + + + + ... 2 4 8 16 Se acuerda de las series geomtricas? La suma parcial ensima corresponde a la suma de n trminos de una progresin geomtrica.
Nos gustara comprobar que la suma de probabilidades es 1. Tenemos
1 qn Sn = a 1 1 q
En este caso:
1 1 1 2 Sn = 2 1 1 2
Para tener la suma de la serie, calculamos: Sn =
1 1 0,5n =1 2 0,5
Por lo tanto, la suma de probabilidades es 1. En las funciones de distribuciones discretas se produce un salto cada vez que se acumula una probabilidad. Estas funciones son siempre continuas a la derecha y discontinuas a la izquierda, en todo punto en el cual la probabilidad es distinta de cero. Existen funciones de probabilidad continuas; por ejemplo, el porcentaje de CO2 presente en la atmsfera puede considerarse como una variable aleatoria que puede tomar todos los valores reales dentro de un cierto intervalo.
. definida en todo Consideramos la funcin de probabilidad f ( x ) = (1 + x 2 ) el eje real.
En relacin con estas funciones de probabilidad continuas, se presentan varios interrogantes interesantes: Cmo saber si la suma de las probabilidades es 1? Recordemos la definicin de funcin de distribucin:
F( x) = P(X x)
81
F(2) = =
f ( x)dx =
2 1 1 1 dx = arctg x| = 2 1+ x
1 1 1 1 arctg 2 arctg () = . 1,107 = 0,85 2
La calculadora debe colocarse en RADIANES. El lector puede comprobar que f (x)
cumple la condicin
f (x) = 1
En las funciones de probabilidad continuas, la probabilidad de x = a es igual a cero. Por esta razn, las preguntas ms frecuentes son del tipo: Cul es la probabilidad de que x est comprendida entre 1 y 2,8? Seor Modulador, pongo a prueba mis conocimientos. He entendido que, en el caso continuo, f (x) debe ser la derivada de F (x). Parece cierto. No entiendo cmo la probabilidad de una funcin de un punto dado sea igual a cero. Compare los grficos de una funcin discreta y una continua. ................................................................................................................. En el caso discreto, observo que cada vez que aparece un punto con cierta probabilidad, la funcin de distribucin pega un salto. Si, en el caso continuo, un punto tuviese probabilidad distinta de cero, la funcin de distribucin saltara y... no habra continuidad. Me asombra que, con mis pobres explicaciones, haya comprendido tanto. No se admire, lo que no comprendo es cmo, si sumo probabilidades iguales a cero puedo llegar al ansiado 1. Estimado, obispo Berkeley, el problema que presenta es el de la integral, o el del Aquiles y la tortuga, el problema del lmite. ................................................................................................................. Debo repasar mi anlisis; pero, quiero preguntar: Cmo definimos la funcin de distribucin en el caso continuo?
Si f (x) es la funcin de probabilidad de una variable aleatoria X, su funcin de distribucin es:

x
F( x ) = P(X x ) =
f ( t) dt
En nuestro ejemplo, F (2) es la probabilidad de que la variable aleatoria X tome cualquier valor comprendido entre y 2; en este caso continuo, la suma es ahora una integral:
82
Esperanza matemtica y varianza para distribuciones continuas Para funciones continuas, definimos:
E( x ) =
xf ( x) dx
E( x ) 2 =
2
x f ( x) dx
2
D 2 (x) =
(x m) f (x) dx
La duracin, en horas, de las lmparas fabricadas por una empresa es una variable aleatoria cuya funcin de densidad de probabilidad es f ( x ) =
1500 . Si 1000 3000 , x2
siendo f(x) = 0 para x no perteneciente a ese intervalo, calcular la probabilidad de que: a. una lmpara tomada al azar tenga una duracin comprendida entre 1200 y 1400 horas; b. una lmpara tomada al azar dure no menos de 2000 horas. c. Calcular la duracin media.
1400
a. P(1200 X 1400) =
1500 1400 1500 = = 1,07 + 1,25 = 0,18 dx x2 x 1200 1200

3000 2000
3000
b. P( 2000) =
1500 1500 dx = 2 x x 2000

3000
= 0,5 + 0,75 = 0,25
c. E(X) =
xf ( x ) dx =
1000
x.
1500 1500 dx 1648 dx = 2 x x 1000
3000
83
Con relacin al problema anterior... Seguramente, lo tom de la propaganda de las lmparas Penunbrillo. Mire el folleto. No es hermoso? Aqu dice: No se engae, seor; nosotros lo engaamos mejor. Cosas de la propaganda, usted sabe... El caso es que, he comprado... la seorita que haca la propaganda por TV de las Penumbrillo era tan... Dnde estbamos? Me deca que haba comprado... 5 lmparas de esa marca y duraron menos de 1 300 horas cada una. Vaya a saber cmo registr la duracin. De eso se encarg el abuelo que es inventor y muy minucioso; por ese lado, estoy seguro. Bueno, habr tenido mala suerte. Hablemos de otra cosa. No; ahora que la cosa se est poniendo interesante... Y, qu podemos hacer? Vamos a medir su mala suerte. Mire que es gracioso, seor Modulador. Manos a la obra... Calcule la probabilidad de que la lmpara dure menos de 1300 horas, segn las afirmaciones de la empresa.
1300
1500 1500 dx = 2 x 1000 x
1300 1000
= 1,15 + 1,5 = 0,35 . Cre que era menos; entonces,
no es difcil que una lmpara dure menos de 1300 horas. No pensemos ms. Pero, usted me dijo que esto haba sucedido con 5 lmparas. Puede calcular la probabilidad de lo que le pas a usted con su adquisicin? Si no puede hacerlo, la verdad que no s para qu hace el curso. No me agravie porque, a quin deberamos echarle la culpa? Pero, bien que s responder. Si, para una lmpara la probabilidad de menos de 1300 horas de vida es 0,35; para 5 lmparas (es evidente que la duracin de una no influye sobre la otra) es 0,355 = 0,00525 Su mala suerte parece increble; porque, la probabilidad de que cinco lmparas hayan estado por debajo de 1300 horas es muy baja. Ms bien, habra que pensar que las afirmaciones de la publicidad de Penumbrillo son falsas. Para empezar, les escribir una carta no muy cordial. Pero, ahora, me gustara calcular la varianza en el problema de las lmparas.
3000
V( X) =
1000 3000
(x m) f (x)dx =
2
3000
( x 1648) 2
1000
1500 dx = x2
3000
3296 16482 16482 = 1500 + dx 1500 x 3296 In x 1 = x x x2 1000 1000 = 283500

El desvo es =
283500 = 532.
84
Teorema de Tchbyccheff
Sea X una variable aleatoria con valor medio m y desviacin . Entonces:
P(| X m |> k)
1 k2
(k es un nmero positivo arbitrario.) Leamos con cuidado. Sabemos que | X m | k implica:
k X m k (es decir : m k x X + k)
Entonces | X m |> k implica X < m k X > m + k
El teorema se refiere a la probabilidad de que la variable aleatoria X tome valores en la zona oscura, alejados del valor medio. Si X tiene una distribucin continua, podemos escribir:
2 =
(x m) f ( x)dx
2
Como slo nos interesa la zona oscura:

m k
2 >
2 (x m) f (x)dx +
m + k
(X m) f (x)dx
2
Adems, en esa zona se verifica que | X m |> k equivalente a ( X m) k

2 2
En consecuencia:
m k f ( x ) dx f ( x )dx 2 > k 2 2 + m + k
85
ble aleatoria pertenezca a la zona oscura. Por lo tanto:
1 > P(| X m |> k ) k2
En lenguaje simple, este teorema nos dice que es improbable que la variable aleatoria tome valores alejados del valor medio. Cuanto mayor sea k (ms lejos de m), menor es la probabilidad de que se d este resultado.
En una caja hay 3 bolitas blancas y 2 azules. Si se hacen 1000 extracciones con reposicin, qu afirma la desigualdad de Tchebyccheff acerca de la probabilidad de que el nmero de azules est comprendido entre 369 y 431?
Si X = n azules
E(X) = np = 1000.(0,4) = 400 369 = 400 2 431 = 400 + 2
= npq = 1000 (0,4) (0,6) = 15,5
La desigualdad de Tchebyccheff afirma que:
P(| X m |> 2 ) <
1 4
Entonces P(| X m | 2 )
3 4
Quiere decir que la probabilidad de que el nmero de azules est entre 369 y 431 es mayor que
3 . 4
En este ejemplo, la variable aleatoria es discreta. La desigualdad puede probarse, tambin, en este caso, empleando sumas en lugar de integrales. Volvemos a la demostracin anterior.
2 Escribamos =
( x m) f (x)dx
2
Empleando la hiptesis | x m |> k, resulta :

2 >
2 2 k f (x)dx
2 > k 22
f (x)
pero
f ( x )dx = 1
por ser f(x) una funcin de probabilidad.
2 > k 2 2 (absurdo si k > 1)

Dnde est el error?
Pero, el parntesis es, justamente, la probabilidad de que el valor que tome la varia-
86
Teorema de Bernoulli Si efectuamos n pruebas repetidas independientes, en las cuales la probabilidad p de un suceso A es constante, podemos tomar como variable aleatoria X la frecuencia relativa f/n (Por ejemplo, si tiramos una moneda y salen 40 caras, la frecuencia relativa es 40/87). Recordemos que E (f) = np y que, por lo tanto, E Por otra parte, la varianza V (f) = npq Se puede probar que V(f / n ) =
f =p n
pq n
La desigualdad de Tchebyccheff afirma que
P(| x m | k) < 1 / k 2
En particular, para X = f/n, tenemos:
f pq 1 < 2 > p k P n k n
Si hacemos
pq < , tendremos : n
pq f 1 P < n 2 4 n 2 n p >
fcil probar que pq 1 / 4.
En el idioma habitual, el teorema dice que:
La probabilidad de que la frecuencia relativa difiera considerablemente de la probabilidad es muy pequea, cuando el nmero n de pruebas es grande.
Este resultado responde al problema que tanto preocup a nuestro colaborador Bernoulli y del que hablamos en el primer mdulo. A Jacobo Bernoulli la prueba le result ms difcil, porque no dispona de la desigualdad de Tchebyccheff. Y, cmo no se le ocurri a Bernoulli la desigualdad? Es muy fcil comentar el partido despus de jugado. Hacemos ver esto a nuestros alumnos? Les hacemos comprender que los problemas son interesantes y que el premio est en la bsqueda? Que todos podemos intentar resolverlos... La prueba de Bernoulli fue publicada en 1713, despus de su muerte, en su obra Ars Conjectandi.
87
1. Encuentre ejemplos de sucesos excluyentes o incompatibles. Busque contraejemplos. 2. Es siempre verdadera la igualdad Puede dar un contraejemplo? 3. Cmo explicara la probabilidad condicional e independencia de sucesos? 4. Tiramos una moneda cinco veces: a. Cul es la probabilidad de obtener 3 caras y 2 cruces? b. Cul es la probabilidad de obtener al menos una cara? c. Cul es la probabilidad de obtener 3 caras y 2 cruces, si sabemos que sali cruz en el primer tiro?
Actividad 9.2. De entre cuatro chinos y seis nigerianos, debemos elegir una comisin de 3 personas. Cul es la probabilidad de que la comisin est formada por dos chinos y un nigeriano? Resolver el problema de dos maneras diferentes.
Vamos a tirar una moneda con certificado de buena conducta. Si, al llegar al quinto tiro o antes, obtenemos tres caras, ganamos. Ya hemos hecho un tiro y ha salido cara. Cul es la probabilidad de que ganemos?
En el diagrama, los nmeros indican cuntas caras tenemos:
La probabilidad de llegar a 3 (Gano!) es:
1 1 1 1 1 1 11 + + + + + = 4 8 16 16 16 8 16
Haga el mismo problema empleando la frmula binomial
Actividad 9.1.
88
La distribucin de Poisson y el flujo de sucesos
Consideremos un conmutador telefnico al que pueden llegar o no llamadas en un instante dado. A partir de un cierto instante inicial, comenzamos a contar las llamadas. Nos interesara obtener una funcin que nos diera la probabilidad de un nmero k de llamadas en funcin del tiempo.
Como hacemos siempre, haremos ciertas simplificaciones para poder abordar el problema. Supondremos que la probabilidad de una llamada exactamente en el lapso t es igual a (t) donde es constante. (sta es una simplificacin porque podra ser variable). Por otra parte, como t se supone pequeo, la probabilidad de ms de una llamada puede despreciarse. Designaremos con P0(t) a la funcin que da la probabilidad de que no haya llamadas al llegarse a un instante t (a partir del inicial). Por lo tanto, P0 (t + t) es la probabilidad de que no haya llamadas hasta el instante (t + t). Podemos escribir:
P0 ( t + t ) = P0 ( t )(1 t )
(1)
Para que no haya llamadas hasta el instante t + t, no deben haberse producido llamadas hasta el instante t y tampoco debe haber llamadas entre t y t + t. Debemos multiplicar las probabilidades de estos sucesos como hicimos en (1), porque suponemos que esos sucesos son independientes. A partir de (1), podemos escribir:
P0 ( t + t ) P0 ( t ) = P0 ( t ) t
Si hacemos que t tienda a cero, en el primer miembro tenemos la derivada:
Nos ha nacido una ecuacin diferencial como sucede en los cursos de Fsica o de Qumica. Obsrvese la diferencia con lo que suele suceder en muchos cursos de matemtica: Resuelva, efecte, realice, calcule...
Integramos:
89
Tenemos que determinar la constante C. Sabemos que P0(0)= 1 porque la probabilidad de 0 llamadas para t = 0 debe ser 1. Esto se cumple si C = 0. Por lo tanto:
P0 ( t ) = e t .
Obsrvese que esta frmula es muy aceptable porque, como todas las frmulas habla, y nos dice que, a medida que pasa el tiempo, la probabilidad de que no haya llamadas tiende a cero. Tratemos de determinar P1(t)
P1 ( t + t ) = P1 ( t )(1 t ) + P0 ( t )(t )
Qu nos dice esta desigualdad? Puede suceder que hasta t haya una llamada y no haya llamadas entre t y t + t ; pero, tambin puede darse el caso de que hasta t no haya llamadas y aparezca una entre t y t + t.
P1 ( t + t ) P1 ( t ) = P1 ( t ) + P0 ( t ) t
Tomando lmite para t tendiendo a cero, nos queda:
dP1 ( t ) + P1 ( t ) = e t dt
P0 ( t ) = e t
(*)
Donde sustituimos
dy + yP( x ) = Q( x ) La ecuacin es del tipo: dx

La solucin de (*) es (Pruebe si es solucin, sustituyendo). Un anlisis anlogo lleva a los siguientes resultados:
P1 ( t ) = (t )e t
( t ) 2 t P2 ( t ) = e 2!
Pn ( t ) =
( t ) 3 t P3 ( t ) = e 3!
( t ) n t e n!
Una experiencia de Rutherford y Geiger En muchas cuestiones de la Fsica se dan excelentes condiciones para la aplicacin del clculo de probabilidades, porque el nmero de partculas es muy grande. Rutherford y Geiger observaron el nmero de partculas alfa desprendido de una sustancia radioactiva en intervalos de 7,5 segundos. Hicieron 2608 observaciones independientes y obtuvieron la tabla:
90
X = N de partculas emitidas 0 1 2 3 4 5 6 7 8 9 10 11 12
N de perodos observados 57 203 383 525 532 408 273 139 45 27 10 4 2
La tabla nos dice que, por ejemplo, hubo 525 perodos donde se observ la emisin de 3 partculas alfa. Pedimos al lector, como ejercicio, que:
1. Obtenga el valor medio (de la tabla) para estimar . 2. Emplee ese para calcular las frecuencias esperadas, segn el modelo de Poisson. Observar un buen acuerdo entre las frecuencias esperadas y las observadas.
Haremos una parte:
X = 3,87 partculas cada 7,5 segundos.

Para calcular las frecuencias esperadas, empleamos:
Ph =
Por ejemplo:
( t ) h t e h!
P5 =
(3,87)5 3,87 e = 0,1509 5! (3,87)9 3,87 e = 0,0112 9! Frecuencia esperada = 29,20
La frecuencia esperada es 0,1509 x 2608 = 393,54
P9 =
91
0 si x < 0 f ( x) = 3x si 0 x < 2 8 0 si 2 0
2
Probar que cumple la condicin de las funciones de probabilidad:
f ( x) dx = 1
Calcular E(x) y Var(x)
Actividad 9.4. Aplicar el teorema de Tchebyccheff para estimar la probabilidad de que, al tirar 120 veces un dado, el nmero de ases est entre 11 y 29.
Actividad 9.5. La probabilidad de efectos nocivos al aplicar una vacuna es de 5 en 10000. Cul es la probabilidad de que en una muestra de 2000 individuos haya ms de dos infectados?
Actividad 9.6. En un cierto lugar caen estrellas fugaces a razn de 6 por hora. Cul es la probabilidad de observar exactamente 3 estrellas fugaces en un cuarto de hora?
Actividad 9.3. Dada la funcin:
92
Clave de respuestas
6.1.
a. 5
( 6) b. ( 1 ) 6 c. ( 1 ) (5 ) 6 6
5 5 2
6.2.
5 1 a. 1 6
( ) (5 6 )
2
5 1 b. 2 6
6.3.
( ) (5 6 )
4 6
10 1 4 6
6.4.
( ) (5 6 )
6 4 6 0,3 0,7 4
6.5.
8 8 8 8 8 8 3 0,5 + 4 0,5 + 5 0,5

6.6.
5 5 5 5 5 5 5 5 5 5 5 5 0 0,5 ; 1 0,5 ; 2 0,5 ; 3 0,5 ; 4 0,5 ; 5 0,5
7.1. a.
P(X = 0) = 0,00098 P(X = 1) = 0,01465 P(X = 2) = 0,08789 P(X = 3) = 0,26367 P(X = 4) = 0,39551 P(X = 5) = 0,23730
93
Si < x < 0 F(X) = 0 Si 0 x < 1 Si 1 x < 2 Si 2 x < 3 Si 3 x < 4 Si 4 x < 5 Si X 5 F(X) = 0,00098 F(X) = 0,01563 F(X) = 0,10352 F(X) = 0,36719 F(X) = 0,7627 F(X) = 1
7.2.
E( x ) = np = 5 . 0,75 = 3,75 V( x ) = npq = 5(0,75)(0,25) = 0,9375 = npq = 0,9682
7.3.
a. 0,9510 = 0,5987 10 9 = 1 (0,5987 + 0,3151) = 0,0862 b. 1 0,9510 + 0 , 95 0 , 05 1

7.4.
8 8 8 7 a. 0,5 0,5 = 0,0039 + 0,03125 = 0,03515 7 0,5 + 8
b.
94
7.5.
7 8 9 7 3 8 3 7 8 3 4 7 . . + . . + . . + . . = 0,7 10 11 12 10 11 12 10 11 12 10 11 12
(Probabilidad de azul en tercera extraccin)
8.1.
10 4
8.2.
7 3
6 4
8.3.
5 10 / 3 4
7 3
6 8 3 4 / 4
8.4. V20,3 = 20 . 19 . 18
95
f (0) = 2
( 6)
f (0) = 0,0370 f (1) = 3 4
( 6 )(2 6 )
2
f (1) = 0,2222 f (2) = 3 4
( 6 ) (2 6 )
3
f (2) = 0,4444 f (3) = 4
( 6)
f (3) = 0,2963
F( x) = 0 F( x) = 0,0370 F( x) = 0,2592 F( x) = 0,7036 F( x) = 1
Si x < 0 Si 0 x < 1 Si 1 x < 2 Si 2 x < 3 Si x 3
8.6. 9.1. 4.
10 0,59 0,5 = 0,0098 9
5 3 2 a. 0,5 0,5 3 b. 1 P(0) = 1 0,55 4 1 3 c. 1 0,5 0,5
8.5.
96
9.2.
4 2
6 10 1 / = 0,3 3
4 3 6 . . .3 = 0,3 10 9 8 CH CH N
Se multiplica por 3 porque N puede salir primera, segunda, tercera. 9.3.
E( x ) =
3x 2 3x 4 x. dx = 8 32
2 0
=
0
48 = 1,5 32
Var X =
3x dx = 8 3 2 3 2 = ( x 2 3x + 2,25) x 2dx = ( x 4 3x 3 + 2,25x 2 )dx = 8 0 8 0
( x 1,5) 2
3 x 5 3x 4 2,25x 3 3 = + = [6,4 12 + 6] = 0,15 8 5 4 3 0 8

9.4.
m = 20
1 k2 DESV = 120.(1 / 6).(5 / 6) = 4,08 P(| x m | k) < P(| x 20 |> 8,16) < 1 4
20 + 2(4,08) = 28,16 20 2(4,08) = 11,84
El teorema de Tchebyccheff estima que la probabilidad 11 damente . 9.5.
X 24 es, aproxima-
97
La probabilidad de ms de 2 es 0,08. 9.6. En hora, el valor medio es 1,5.

P(3 en 1 / 4 hora ) =
13 1 e = 0,06 3!
99
MDULO 3
101
Algunas de estas cuestiones quizs no pueden llevarse al aula (salvo, el caso de estudios especializados); pero, es bueno que el profesor tenga un panorama de las posibilidades que ofrecen estos temas. Como en los mdulos anteriores, se insiste en la revisin de temas hasta que queden incorporados de un modo natural y, tambin, en las diferentes maneras de encarar un mismo problema.
En este mdulo se introduce la aproximacin normal de la distribucin binomial. Se trata, tambin, la correlacin entre dos variables, y una introduccin a la teora y prctica con muestras.
102
10. La distribucin normal

Recordamos la distribucin binomial referida a pruebas repetidas con probabilidad constante.
En una caja hay 4 bolitas verdes y 1 blanca. Si se hacen tres extracciones con reposicin: a. Cul es la probabilidad de obtener exactamente tres verdes? b. Por lo menos una verde?
3 3 0 a. 0,8 0,2 = 0,512 3 3 0 3 b. 1 0,8 0,2 = 0

Al repasar, no se trata dc hacer muchos ejercicios del mismo tipo. Mejor es hacer muchas preguntas sobre un problema. Por ejemplo:
Cul es la probabilidad de 2 verdes y 1 blanca?
3 2 1 0,8 0,2 = 3 . 0,64 . 0,2 = 2

De dnde proviene este clculo? La probabilidad de la secuencia VVB es 0,8 (0,8) (0,2). Por qu multiplicamos por 3? Porque hay 3 lugares para B. No podramos emplear la distribucin binomial si no hubiese reposicin en cada extraccin; porque, en tal caso, la probabilidad no sera constante. Si no hubiese reposicin, las respuestas seran:
a.
4 3 2 . . = 0,4 5 4 3 b. P(0 verde) = 0
Sin embargo, si la poblacin fuese grande y el nmero de extracciones relativamente pequeo, podramos emplear la distribucin binomial.
Si en una caja hay 4000 bolitas verdes y 1000 blancas. a. Cul es la probabilidad de, exactamente, 3 verdes en 3 extracciones con reposicin? b. Y, sin reposicin?
103
b.
4000 3999 3998 . . = 0,5119 5000 4999 4998
Resultados prcticamente iguales.
Aproximacin de Poisson Hemos visto que, si la probabilidad es pequea y n grande, la distribucin binomial puede aproximarse mediante la frmula de Poisson.
P( n , h ) =
h e h!
( = np)
(n es el nmero de intentos; h el nmero de xitos; entendemos por xito la aparicin del suceso investigado).
Si la probabilidad de padecer la enfermedad A en una comunidad es 0;01 (1%), cul es la probabilidad de que al examinar una muestra de 200 individuos no aparezcan enfermos?
= 200 (0,01) = 2 (Si en cada 100 personas hay, en promedio, un enfermo, es razonable que, en 200, el valor esperado sea 2.)
P(200;0) =
20 2 e = 0,14 0!
Si la probabilidad es pequea, aunque n sea pequeo, Poisson da resultados razonablemente aproximados.
Actividad 10.1 Si p = 0,1 n = 5, calcule el lector las probabilidades para X = 0, 1, 2, 3, 4, 5 xitos, empleando: a. la binomial, b. Poisson.
Si hacemos los diagramas correspondientes, obtendremos:
3 3 0 a. 3 0,8 0,2 = 0,512
104
Podemos observar que, para probabilidades pequeas, las distribuciones binomial y la de Poisson son asimtricas.
Poisson y el flujo estacionario de sucesos Si interviene el tiempo, empleamos la frmula:
( t ) t t P( t ) = e h!
( es el promedio aritmtico o valor medio).
Se sabe que, a la guardia del hospital de un pequeo pueblo, llega un promedio 5 personas por hora. a. Cul es la probabilidad de que, en media hora, lleguen cuatro personas? b. Cul es la probabilidad de que, en una hora, lleguen exactamente cinco personas?
P(0,5 horas) = P(1 hora) =

5
(5 . 0,5) 0,25 4!
e 2,5 = 0,034
5 5 e = 0,175 5!
Realicemos una revisin de anlisis:
En la figura 1, representamos la funcin v (t) = 10 (t) que podemos interpretar como la velocidad de un cuerpo que cae libremente. En la figura 2, representamos las reas acumuladas bajo la recta de la figura 1.
105
En la figura 1: rea 01A = 5; rea 02B = 20; rea 03C = 45 En la figura 2: rea 01A = 1F; rea 02B = 2G
Recordamos que las reas bajo la recta v(t) = 10 t pueden calcularse por integracin:
1 2
10 tdt = 5t
0
1 0
=5
2 10 t = 5t = 20... 0 0
Podemos, entonces, definir la funcin de la figura 2, escribiendo F( t ) = 10 xdx (Si

0
damos a t los valores l; 2; 3... obtenemos 5, 20, 45...)
Aproximacin de la binomial mediante la normal Si consideramos 1000 lanzamientos, no tiene mucho sentido calcular la probabilidad de exactamente 500 caras; esa probabilidad es muy pequea y no arriesgaramos dinero para ganar slo en el caso de obtener exactamente 500 caras en 1000 tiros. Cuando el nmero de pruebas es grande, las preguntas interesantes son del tipo: Cul es la probabilidad de que, en 1000 tiros, el nmero de casos est comprendido entre 480 y 510? El clculo mediante la binomial sera formidable:
0,5
1000
1000 1000 1000 510 + ... + 481 + 480
Puede demostrarse que la distribucin normal es una buena aproximacin cuando n es grande. A continuacin, introducimos la funcin normal.
Sabemos que
1000 1000! = 480 480! 520!
106
El estudio de la funcin normal tiene su base en la frmula de Stirling que permite aproximar factoriales:
n n! = 2 n e
Por ejemplo:
n
10 20 30
n!
3628800 2,4329 / 18 2,65252 / 32
Stirling
3598695,6 2,42278 / 18 2,64517 / 32
Al aumentar n, disminuye el error relativo.
La funcin normal Representemos la funcin normal de densidad:
y=
1 2
x2 2
x 0 1 -1 2 -2
y 0,40 0,24 0,24 0,05 0,05
Esta funcin, segn vemos, tiene gran importancia en la teora de probabilidades y en la estadstica. Podramos representar la funcin de reas acumuladas bajo esta curva, para lo cual deberamos calcular la integral de esta funcin para distintos lmites. Pero, segn hemos visto en el mdulo 2, estas integrales slo pueden calcularse mediante mtodos aproximados. Puede el lector volver a repasar esas pginas y recordar que:
1 x2 2
0,399 e
0
dx = 0,34
En el apndice 4, damos una tabla de la funcin normal. Slo consideramos valores no negativos de x porque, para valores negativos, tendremos en cuenta la simetra de la curva. Empleando los valores de esta tabla, dibujamos la funcin de distribucin (o de acumulacin):
107
Funcin de distribucin normal
Aproximacin de la binomial mediante la normal En la figura hemos superpuesto a la distribucin binomial para N = 6 y P = 0,5 (6 tiradas de una moneda), la curva normal:
El acuerdo no es bueno porque n es pequeo. Imaginemos los sucesivos grficos de la binomial para n = 10, 20... tiradas de una moneda. La demostracin matemtica obliga a que las longitudes de los intervalos disminuyan, de modo tal que los rectngulos son cada vez ms flaquitos. En el lmite, si n tiende a infinito, obtenemos la curva normal. . Pero... observamos en el grfico que las escalas no coinciden (si se tratase de 18 tiros de una moneda, el 0 de la normal coincidir con el 9 de la binomial). Es necesario, entonces, para resolver problemas de distribucin binomial mediante la normal, correr el origen. Por otra parte, habr que tener en cuenta la desviacin. Recordamos que, para la distribucin binomial, el desvo es igual a
npq (en el
caso de n = 6 p = 0,5 desvo 1,22; en cambio, para n = 18 p = 0,5 desvo 2,12). Para aplicar la distribucin normal, es necesario hacer el cambio de variable:
Z=
Xm
Obsrvese que, cuando x coincide con el valor medio, resulta Z = 0.
108
A este cambio se lo denomina normalizacin de la variable.
Aunque n es muy pequeo, vamos a calcular la probabilidad de que, en 6 tiros de la moneda, el nmero de caras est entre 2 y 4 (2 X 4), empleando la aproximacin normal.
Comenzaremos por normalizar la variable X. Adems, haremos la llamada correccin por continuidad, extendiendo el intervalo 0;5 a ambos lados (no olvidemos que hemos pasado de la funcin binomial, que es discreta, a la funcin normal, que es continua). Quiere decir que en lugar de 2 escribiremos 1,5; y 4,5 en lugar de 4. Resultar:
Z1 =
1,5 3 = 1,23 1,22
Z2 =
4,5 3 = 1,23 1,22
En la tabla, encontramos para Z = 1,23 el rea 0,3907 (rea a partir de Z = 0 hasta Z = 1,23). Entonces, la probabilidad es:
P(2 X 4) = P(1,23 Z 1,23) = 0,39 . 2 = 0,7814

Si empleamos la frmula binomial, tendremos:
6 6 6 6 + + 0,5 = 0,78125 2 3 4
La aproximacin es muy buena a pesar de que n es pequea, lo que es explicable por la simetra que implica p = 0,5. Veamos otro caso:
Un suceso tiene probabilidad constante p = 0,9. Cul es la probabilidad de que, en 10 tiros, obtengamos entre 8 y 9 xitos?
109
Z1 =
7,5 9 = 1,58 0,95
Z2 =
9,5 9 = 0,53 0,95
En la tabla, para 0,53 tenemos p = 0,20; y, para 1,58, p = 0,44. Entonces
p(1,58 < Z < 0,53) = 0,64

10 10 8 2 9 0,9 0,1 + 8 0,9 0,1 = 0,58 9
Si aplicamos el clculo binomial:
La aproximacin no es buena.
En un colegio con una poblacin de 2000 alumnos, el promedio de calificaciones en historia es 6,20, con un desvo = 1,32. Si suponemos normal la distribucin de notas, cul es la probabilidad de que, elegido un alumno al azar, su nota est entre 5,90 y 7,50? (Las calificaciones de los alumnos se aproximan al centsimo).
Calculamos los Z correspondientes:
Z1 =
5,90 6,20 = 0,23 1,32
Z2 =
7,50 6,20 = 0,98 1,32
En la tabla obtenemos los valores de probabilidad correspondientes: 0,0910 y 0,3365 Por lo tanto, la probabilidad pedida es: 0,4275
En este caso
np = 10 (0,9) = 9
= npq = 0,95
110
Con relacin al problema anterior: Cuntos alumnos, aproximadamente, estarn comprendidos entre 5,90 y 7,50?
0,4275 x 2000 = 855
Con relacin al problema anterior: Cul es la nota mnima para que un alumno pertenezca al 10 % de rendimiento superior?
En la tabla hallamos, para la probabilidad 0,4, el valor Z = 1,29 Podemos escribir:
1,29 =
X 6,20 1,32 7,90 = X
Actividad 10.2. 1. a) De cuntas maneras diferentes pueden alinearse las letras a, b, c, d, e, f? b) De cuntas maneras diferentes pueden alinearse las letras a, b, a, d, e, f? c) De cuntas maneras diferentes pueden alinearse las letras a, a, c, d, e, a? 2. En tarjetas figuran los nombres de 9 personas; el nombre de una de ellas figura en dos tarjetas, de modo que hay 10 tarjetas. Hay que elegir al azar tres personas distintas. Si aparecen nombres repetidos, se anula la eleccin. Cul es la probabilidad de anulacin? 3. Hay un grupo formado por 6 chicos y 6 chicas. Este grupo de 12 personas se vuelve a dividir al azar. Cul es la probabilidad de que la particin est formada por varones, por un lado, y mujeres, por el otro? 4. Se tira un dado 2880 veces para observar la aparicin de ases. Cul es la probabilidad de que el nmero de ases est comprendido entre 470 y 490? 5. Se hace girar una ruleta de cinco letras AAABB. Cul es la probabilidad de que, en 1000 giros, el nmero de A obtenidos est entre 580 y 630? 6. La probabilidad de que una persona padezca cierta enfermedad es 0,001. Cul es la probabilidad de que, en un grupo de 2000 personas, haya exactamente cuatro que padezcan la enfermedad? Cul es la probabilidad de que, en un grupo de 1000 personas, exactamente una tenga la enfermedad?
111
Hay doce personas; en cuanto se eligen 6 para formar un grupo, el otro grupo queda determinado automticamente. Entonces, el nmero de casos posibles es
12 6 . Los casos en los cuales cada grupo est formado por 3 mujeres y 3 hombres
3 son 3 6 6
6 6 3 3 400 p= = = 0,433 924 12 6

Tambin podemos pensarlo de la siguiente manera: Formemos el primer grupo con 3 hombres y 3 mujeres; el otro grupo queda formado automticamente. Razonemos as: La probabilidad de que un hombre sea elegido al azar para formar el primer grupo es
6 12
Consecuentemente:
6 5 4 6 5 4 . . . . . 12 11 10 9 8 7 H H H M M M
A este resultado hay que multiplicarlo por hombres pueden ocupar en la secuencia. En consecuencia p = 0,433 Pueden repetirse los clculos para 8 varones y 8 mujeres, p = 0,38. Cul es la tendencia, a medida que aumenta el nmero? Puede intentarse, formando el primer y segundo grupo, eligiendo alternativamente los miembros de los mismos, hasta cumplir las exigencias.
6 3 que es el nmero de lugares que los
6 varones y 6 mujeres forman un solo grupo. Este grupo se subdivide en dos grupos de seis. Si la subdivisin se hace al azar, cul es la probabilidad de que cada grupo est formado por tres personas de cada sexo?
112
11. Distribuciones en dos dimensiones

Recordamos que hemos simbolizado a la esperanza matemtica o valor medio de la variable aleatoria X con E(X) o m. Si calculamos la esperanza matemtica de (X-m)2, tenemos la varianza, que simbolizamos con:
E(X m) 2 = Var( x ) = D 2 ( x )
Un ejemplo. Para los valores X = 5; 4; 6 tenemos: E (X) = 5; siendo los valores de X - m:0; -1; 1 y (X - m)2 = 0; 1; 1. Por tanto, E(X m) 2 = (0 + 1 + 1) : 3 = 0,667
Distribuciones para dos variables: Covarianza Un interesante problema puede presentarse en estadstica cuando, por ejemplo, tratamos de relacionar el consumo de gas con la temperatura ambiente. En este caso, tendremos dos variables: X = temperatura Y = consumo de gas. Damos un cuadro con pocos valores, como ilustracin. Para cada variable podemos hallar el valor medio y la varianza:
X Y
2 8
10 6
18 3
26 1
E(X) = 14 = m1 Var(X) = 80 E(Y) = 4,5 = m 2 Var(X) = 7,25
Pero, estos valores no relacionan X con Y. Calcularemos, ahora:
E( x m1 ).( y m 2 ) =
= [(2 4)(8 4,5) + (10 14)(6 4,5) + (18 14)(3 4,5) + (26 14)(1 4,5)] : 4 = = 24
Este valor se denomina covarianza de X e Y.
Correlacin de variables Consideremos la funcin y = 2x + 5 (Esta funcin puede interpretarse como el costo de produccin de x unidades, siendo 5 el costo fijo)
113
E(x) = 3,33 E(y) = 11,67 V(x) = 1,56 V(y) = 6,22
3E( x m1 )( y m 2 ) = (2 3,33)(9 11,67) + (3 3,33)(11 11,67) + (5 3,33)(15 11,67) Co var ianza ( x , y) = 3,5 + 0,22 + 5,56 = 3,09
Vamos a dividir la covarianza por el producto de los desvos:
3,09 3,09 = aproximadamente 1 1,56 6,22 3,11

Al nmero covarianza (x,y)/(desvo x, desvo y), se lo llama coeficiente de correlacin lineal de las variables x e y. En este ejemplo, las variables estn completamente correlacionadas por la frmula y = 2x + 5. En este caso, si se eliminaran los errores de redondeo, el coeficiente sera uno. Se puede probar que el coeficiente de correlacin r toma valores en el intervalo |-1,1|.
Actividad 11.1 Calcular el coeficiente de correlacin lineal para la tabla: X Y 2 8 10 6 18 3 26 1
Recta de regresin Representamos los puntos correspondientes a la tabla: X Y 1 4 2 2 3 3 4 2 5 1 6 3
X 2 3 5
Y 9 11 15
Con relacin a la tabla:
114
Como los puntos no estn alineados, la correlacin no es completa. Se presenta el problema de encontrar una recta que aproxima lo mejor posible a esa nube de puntos. Supongamos que la recta r es la solucin. La ecuacin de r tendr la forma y = ax + b. Nuestro trabajo consiste en determinar a y b. Se podran enunciar distintos criterios para determinar esa recta. Por mltiples razones, generalmente, se adopta el siguiente: Hay que hacer mnima la suma de los cuadrados de las diferencias entre los valores de las ordenadas de la tabla y de la recta. Es decir, hay que hacer mnimo el valor de la funcin:
f = [(a.1 + b) 4] + [(a.2 + b) 2] + ... + [(a.6 + b) 3]

2 2
Se trata de una funcin de dos variables. Hechos los clculos de rutina, resulta:
f = 91a 2 + 42ab + 6b 2 96a 30b + 43

Para hallar el mnimo se calculan las derivadas parciales y se resuelve el sistema:
182a + 42b = 96 42a + 12b = 30
Solucin a = 0,257b = 3,4
La recta que mejor aproxima los datos segn este criterio de mnimos cuadrados es: Y = -0,257 x + 3,4
X Y
1 4
2 2
3 3
4 2
5 1
6 3
) y
3,14 2,89 2,63 2,37 2,12 1,86
A partir de la recta de regresin, podemos hacer algn trabajo; por ejemplo, comparar las estimadas por la recta con las Y de los datos. Podemos calcular el error de la estimacin, hallando:
115
En este ejemplo, como los datos son apenas seis, conviene emplear s corregida, dividiendo por (n-2); es decir:
s = 1,09 = 1,05
La recta de regresin puede emplearse para predecir pares que no figuran en la tabla. Sin embargo, no sera prudente calcular y para x = 20. Por ejemplo, para x = 2,6, predecimos: y = -0,257(2,6) + 3,4 = 2,73 Muchas calculadoras de bolsillo permiten calcular rpidamente los coeficientes de las rectas de regresin (Hay que fijarse si ofrecen LR lnear regresin). Ms all de los clculos, es necesario conocer, aproximadamente, cmo funciona este tema.
Supongamos que se hacen mediciones en un laboratorio para estudiar la dilatacin lineal del acero. Se obtendrn valores finales de la medida de una varilla de longitud inicial l0 para distintos incrementos de temperatura. Se tendr una nube de puntos que sugieren una relacin lineal. Por qu los puntos no estn totalmente alineados?
Porque, por ms cuidadoso que sea el trabajo experimental, se deslizan errores aleatorios. La recta de regresin ser, aproximadamente, 1 = 10 + 10 ( t ) ste es el modelo terico de dilatacin lineal, siendo el coeficiente de dilatacin del acero. Podemos asimilar 1 = Y
( t ) = X
Si se experimenta, para estudiar los metros recorridos en la cada libre al variar el tiempo t, la nube de puntos no sugerir alineacin sino una parbola. Siguiendo las mismas pautas, puede obtenerse una parbola de regresin. La recta de regresin puede obtenerse empleando la frmula:
y m2 n m1 , siendo = coeficiente de correlacin = . 2 1

Se puede obtener otra recta de regresin, intercambiando el papel de las variables (X dependiente, Y independiente)
Las lneas de puntos estn a la distancia 0,85 de la recta. Cuando el nmero de datos es suficientemente grande, se espera que alrededor del 68% de ellos caiga dentro de la banda de paralelas.
116
En un grupo de 10 alumnos, se comparan los notas obtenidas en el examen de ingreso en matemtica con la nota final del curso de primer ao: X Y 5 6 8 6 4 6 7 8 4 5 6 5 8 9 7 7 6 9 7 6
X = Nota de ingreso Y = Nota final Hallar la recta de regresin Y = a X + b
coeficiente de correlacin = 0,43 X = 6,1 desv.(x ) = 1,37 Y = 6,7 desv.( y) = 1,42 Y = 0,44 x + 4,02
Actividad 11.2. La siguiente tabla relaciona el nmero de aos que el paciente ha fumado con el dao sufrido en los pulmones segn evaluacin mdica (de 0 a 100)1. N 1 2 3 4 5 6 7 8 9 10 Aos X 25 36 22 15 48 39 42 31 28 33 Dao Y 55 60 50 30 75 70 70 55 30 35
Se pide: a. Hallar el coeficiente de correlacin. b. Determinar la recta de regresin de Y sobre X. c. Calcular el error de estimacin, mediante:
s=
) )2 suma( y y n2
Siendo el valor estimado por la ecuacin de la recta. d. Representar.
Figura en el texto Introduccin a la Probabilidad y la Estadstica, de W. Mendenhall. Grupo Editorial Iberamrica.
117
Muchas veces, el investigador se encuentra en esta posicin: Est trabajando con una gran poblacin (seres humanos o peces o automviles...) y desea conocer algunos valores (promedios, desviaciones, tendencias...) sin que sea posible o econmico obtener los registros de toda la poblacin. Entonces, apela al estudio de muestras. Puede suceder que tenga libertad para elegir el tamao de la muestra; pero, a veces, tiene que conformarse con datos escasos (una enfermedad rara, piedra preciosa...). Supongamos que una poblacin est formada por: 100 valores iguales a 1; 200 iguales 2; etc. segn la tabla siguiente (1):
X Y
1 100
2 200
3 50
6 150
7 50
8 50
9 50
10 50
15,0 150
Nosotros no tenemos acceso a esta tabla; pero, tomaremos una muestra para estimar el valor medio. Vamos a suponer que la poblacin est numerada correlativamente segn esos valores. Por ejemplo: el primer nmero tres es N 301. Vamos a elegir N = 10 como tamao muestral; por lo tanto, buscamos 10 nmeros aleatorios: 202 3 009 1 138 2 969 10 936 9 905 9 830 8 076 1 407 4 838 7
X = 5,4
Tomemos otra muestra: 170 2 419 4 014 1 439 4 290 2 912 9 673 6 955 10 264 2 326 3
X = 4,3
El que pueda tener acceso a toda la informacin es decir, a la tabla (1), obtendr el promedio m = 4,6 El valor X que se obtiene para cada muestra es aleatorio. El investigador est apostando a acertar cerca del valor verdadero.
12. Muestras
118
En nuestro ejemplo, la primera muestra tuvo ms suerte. Si publicamos un trabajo y afirmamos: Estimamos que el valor medio de la poblacin es 4,3, sera conveniente dar una idea del error posible. Resulta razonable pensar que el error depende del tamao de la muestra.
Estimadores Se puede probar que el valor medio muestral cumple la propiedad siguiente:
E ( X) = m
Esto quiere decir que: Si en nuestro ejemplo, armramos todas las muestras posibles e hiciramos el promedio de los valores medios muestrales, obtendramos m. Tambin se puede probar que:
Desvo (X) = (Desvo X) / n

Esto significa que, si calculsemos todos los valores medios muestrales, el desvo de X sera igual al desvo de la poblacin (dividido por n ; siendo n el tamao de la muestra). Esta propiedad es importante porque confirma la idea intuitiva de que cuanto mayor sea el tamao de la muestra, mejor ser la estimacin de X . Por ejemplo, si formsemos una sola muestra con los veinte valores obtenidos, tendramos:
X = (5,4 + 4,3) : 2 = 4,85

que est ms cerca del verdadero valor.
Estimador de la varianza de la poblacin Acabamos de ver que el desvo de la media muestral es:
(desvo X) / n = / n
Pero, cmo podemos calcular ese desvo si no conocemos (desvo de la poblacin) y slo tenemos una muestra? Podemos estimar calculando el desvo muestral s. Repasamos, para la primera muestra:
119
Se puede probar que:
E(s 2 ) =
n 1 2 n
(1)
lo que quiere decir que, si considersemos todas las muestras de tamao 10 de la poblacin y calculsemos el promedio de las s 2 = E(s 2 ), sera aplicable la frmula (1). Si se dispone de s2 ser, entonces, conveniente estimar mediante:
2
n 2 s = 2 n 1
Y el desvo mediante:
n s n 1
Es evidente que, cuando el tamao de la muestra es grande, s tiende a Para n pequeo, las calculadoras tienen un registro n-1 que aplica (1). En el caso de nuestras muestras, tendremos: s = 3,57 y s = 3,09, respectivamente, como estimadores de . Cuando un estimador no requiere correccin como, en el caso de X , decimos que es insesgado. En cambio, s es un estimador sesgado de .
Estimacin por intervalos empleando la distribucin normal
Para conocer el valor medio de colesterol en una poblacin de 10000 habitantes, se tom una muestra de 100 habitantes, obtenindose un valor medio X = 200 siendo s = 50. Se pide estimar el valor medio de toda la poblacin, usando un intervalo de confianza del 95%.
Anlogamente, para la segunda muestra: 2,93
120
El rea bajo la curva es 1; o, expresada en porcentaje, es 100%.

Para lograr 95%, suprimimos las dos colitas, porque la estimacin X = 200 podra fallar por exceso o por defecto. En la tabla encontramos que, para el rea 0,475, corresponde Z = 1,96
Sabemos que
Z=
xm desvo (X)
(1)
(X corresponde a la variable muestral valor medio) Pero, no disponemos de m sino de X y no disponemos del desvo de la poblacin sino del desvo s de la muestra. Usaremos s sin correccin, porque el tamao de la muestra no es pequeo. Como estamos tratando el valor medio, el desvo de este valor est dado por s / n . Sustituyendo en (1), tendremos:
X 200 1,96 = 50 / 100
200 1,96(5) = X 209,8 = X 190,2 = X
Quiere decir que, con una probabilidad 0,95, el verdadero valor medio poblacional est en el intervalo [190,2; 209,8]. El significado del resultado es el siguiente: Si, por ejemplo, tomamos 1000 muestras de tamao 100, en el 95% aproximadamente de los casos, el valor medio estar en ese intervalo. El problema anterior da idea de las dificultades que se presentan al estudiar muestras: El investigador debe arreglrselas con lo que tiene y procurar la mayor precisin posible o, lo que es ms claro, sealar el posible margen de error. Pese a las dificultades, los logros tericos y prcticos de la probabilidad y estadstica son formidables (remitimos, por ejemplo, nuevamente, al ejemplo que hemos dado sobre emisin de partculas ). Las computadoras permiten, por simulacin, confirmar, aproximadamente, los resultados.
En una muestra de 300 peces extrados de una laguna, se obtuvieron los siguientes valores referidos a la longitud: X = 26,3 cm, s = 8 cm. Estimar, con una confianza del 90%, el valor medio de la poblacin.
Estimamos la varianza de la poblacin empleando s. Por lo tanto, el desvo de la variable valor medio ser
121
El valor Z correspondiente a P = 0,45 es Z = 1,65 (tabla de la normal) Por lo tanto:
1,65 =
X 26,3 0,46
27,06 = X
En consecuencia, con el intervalo de confianza 90% es 25,54 ; 27,06
Actividad 12.1. 1. Se alinean aleatoriamente los smbolos ABAACDE. Cul es la probabilidad de que las A figuren en los extremos y en la casilla media? 2. Determinar el coeficiente de correlacin y la recta de regresin correspondiente a la tabla: X Y 0,5 0,9 1,2 1,9 2,5 3,3
1,18 1,46 1,74 2,02
3. Se ha observado el aumento de peso de 36 pollos sometidos a una dieta durante cierto perodo de tiempo, obtenindose X = 0,5 kg ; s = 0,4 kg. Obtener un intervalo de confianza del 90% para el valor medio. 4. El promedio de llegadas de automviles a una estacin de servicio es 8 por hora. Cul es la probabilidad de que, en una hora, haya que atender ms de 8 automviles? 5. Calcular el rea bajo la curva y = x en el int ervalo 0,1 , empleando nmeros aleatorios. 6. Al tirar un dado repetidas veces, cul es la probabilidad de que el primer as recin aparezca en la dcima tirada?
[ ]
122
Clave de respuestas
10.1. X P 0 0,60 0,59 1 0,30 0,33 2 0.076 0,086 3 0,013 0,008 4 0,0004 10 5 Poisson Binomial
-5
0,0016 0,00016
10.2. 1. a) 6! b) 6! / 2! c) 6! / 3!
2.
10 8 3 / 1
3. Analizado en el texto. 4.
m = 480 Z2 =
= 20
Z1 =
469,5 480 = 0,525 20
490,5 480 = 0,525 20
(0,525) = 0,2
P(470 < X < 490) = 0,40

5. (580 600) : 15,49 = -1,29 (P = 0,4015) (630 600) : 15,49 = 1,94 (P = 0,4738) 0,4015 + 0,4738 = 0,8753 Si se hace la correccin por continuidad: (579,5 600) : 15,49 = -1,32 (P = 0,4066) (630,5 600) : 15,49 = 1,97 (P = 0,4756) 0,4066 + 0,4756 = 0,8822 6.
24 2 e = 0,09 4! 1 P(1000,1) = e 1 = 0,37 1 P(2000,4) =

11.1. r = -0,997
123
11.2.
r = 0,7738 s2 =
2
y = 11,238 + 1,309 x
(55 44) + (58 60) 2 + (40 50) 2 + ... + (35 54) 2 10 2
Se han redondeado los clculos al entero. S = 11,1 12.1. 1.
P4 24 = = 0,029 P7 : P3 840
3 4 3 2 2 1 . . . . . = 0,029 7 6 5 4 3 2
2. r=1 y = 0,4 x + 0,7 (los puntos estn alineados) 3.
1,65 =
X 0,5 1,1 = X 0,5 0,4 : 36 El int ervalo es [ 0,6 ; 1,6]
1,6 = X
4.
P( x 8) = e 8 [1 + 8 + 32 + 85,3 + 170,67 + 273 + 364 + 416 + 416] = 0,58 P( x > 8) = 0,42

5.
5 1 = 0,03 (Nueve veces no sale el as; en la dcima debe salir) 6 6
124
Modelo de trabajo en clase

Presentar a la clase el siguiente problema1:
Se tiran dos dados con forma de dodecaedro. Cada dado tiene 7 caras rojas y 5 blancas. Se pregunta: Cul es la probabilidad mayor: 2 rojas; una roja y una blanca; 2 blancas?
1. Hacer una estadstica de las respuestas. Analizar con los alumnos por qu eligieron la respuesta. A continuacin dar la respuesta correcta: P (2 rojas) = 49/144 P (1 roja y 1 blanca) = 70/144 2. El problema se puede simular mediante nmeros al azar. Que los alumnos propongan la simulacin (Puede hacerse con una calculadora que genere nmeros al azar; por ejemplo: hasta 0,417 se toma como blanca y el resto como roja). 3. Considerar el mismo problema con tres tetraedros, cada uno con 3 caras rojas y 1 blanca, y calcular las probabilidades de los resultados: 3 rojas y 2 rojas y 1 blanca.
Vicisitudes de la enseanza de la Estadstica La sociedad Estadstica de Londres fue fundada en 1834. No manifest inters por la enseanza. Recin en 1870 se cre el Comit de Estadstica en las Escuelas, siguiendo las indicaciones del Congreso Internacional de Estadstica de La Haya que resolvi: La enseanza de la Estadstica debe introducirse en las escuelas, en todos los grados que siguen a la enseanza elemental hasta la universidad. Es curiosa la historia del Comit: Tuvo su primera reunin el 14 de Julio de 1870 y su ltima reunin ocho das despus. Literalmente, desapareci (No hemos visto esto muchas veces?). Entre tanto2: En Hungra, la probabilidad se enseaba ya en 1849; pero, tambin desapareci, en poco tiempo, de los programas. En Francia se introdujo en 1868; pero, como parte de los programas de geografa. En Japn se estableci una ctedra de Estadstica en 1882.
Estas actividades han sido sugeridas por la lectura de un artculo de Mike Fletcher, de Oxford, parecido en la revista Teaching in Statistics de Verano. 1994. Universidad de Sheffield, Inglaterra Fuente: Teaching in Statistics. Universidad de Sheffield, Inglaterra.
125
Muchas veces se presenta el problema de analizar si la diferencia entre dos grupos es significativa.
Supongamos que el promedio en matemtica de cien alumnos de la escuela A es X = 5,20 con s 2 = 3,24, siendo los valores para cien alumnos de la escuela B : Y = 5,50 con s 2 = 4,41. Elegimos como nivel de significacin 0,1. Consideramos una nueva variable (X Y) que es la diferencia entre las medias. Cul ser la varianza para esa diferencia?
Para X la var ianza es 3,24 : 100 Para Y la var ianza es 4,41 : 100
Porque:
x =
VAR (X) = 2 / n
Para calcular la varianza estimada de la diferencia, se suman las varianzas (Piense el lector que si se restaran las varianzas, podran presentarse el caso en que se obtuviera cero). Tambin recomendamos ver el ejemplo que figura abajo. Dicho esto, es fcil repetir los clculos habituales. Suponemos que no hay diferencia significativa y, por lo tanto, el valor medio de la diferencia es cero (hiptesis nula). Tendremos, entonces:
5,50 5,20 0 0,30 = = 1,08 (En la tabla P = 0,4) 0,28 3,24 4,41 + 100 100
Si este valor hubiese superado 1,65, podramos afirmar que la diferencia es significativa al nivel 0,1. Por lo tanto, en este caso, la diferencia entre A y B no es significativa. A continuacin damos un ejemplo de que: Varianza (X - Y) = Varianza X + Varianza de Y
Apndice 1. Comparacin de medidas muestrales
126
8 6
2 8
X=5 Y=6
V=6 V = 2,67
A partir esta tabla, podemos formar la poblacin de todas las diferencias (X - Y): 1: -1; -3; 4; 2; 0; -2, -4, -6. Si calculamos la varianza de estas diferencias, obtendremos 8,67 que es la suma de las varianzas 6 y 2,67. Con relacin al ejemplo anterior, un psicopedagogo afirma: Al nivel 0,1 no se advierten diferencias en los promedios de matemtica de A y B. Qu quiere decir al nivel 0,1? Significa que corre un riesgo de equivocarse porque, para la misma poblacin, si tomase todas las muestras posibles, hubiese encontrado un 10% que presentara diferencias significativas.
127
Si las muestras son pequeas (suelen considerarse como tales las de tamao menor que 30), en lugar de la funcin normal debe emplearse la distribucin t de Student, que tiene en cuenta el tamao. Para n valores.
30, las distribuciones de Student y la normal convergen hacia los mismos
El ndice de contaminacin se mide en partes por milln, siendo el tolerable, segn la Organizacin Mundial de la Salud, de 9 p.p.m. En la ciudad de Buenos Aires, se han tomado los siguientes registros, durante una semana: 11,8; 10,6; 9,3; 8,4; 10,7; 7,4; 6,6 Averiguamos si la diferencia entre el valor medio de la muestra y el tolerable es significativo al nivel 0,1.
Calculamos
X = 9,26
n 1 = 1,9 (corregida )
Procedemos de la misma manera que para calcular Z; pero, empleamos la tabla de la distancia de Student.
t=
9,26 9 = 1,27 1,9 7
En la tabla de Student, debe tenerse en cuenta el nmero de grados de libertad, que es igual a (n-1). Para t0,1, encontramos 1,44 y n - 1 = 7 - 1 = 6 Como nuestro valor 1,27 < 1,44, diremos que el valor medio de la muestra no es significativamente diferente del valor de tolerancia.
Apndice 2. Muestras pequeas y la distribucin de Student
128
Apndice 3. Matrices de probabilidad

Consideremos un punto que sale de A y se mueve segn estas reglas: Si est en A, tiene probabilidad 0,2 de permanecer en A y 0,8 de pasar a B. Si est en B, pasa a A con probabilidad 0,4 o a C (p = 0,3) o queda en B (p = 0,3). Si est en C, tiene p = 0,6 de permanecer y p = 0,4 de pasar a B. Estas reglas se pueden resumir en la matriz:
Est A A 0,2 Pasa 0,8 B C 0 B C 0,4 0 0,3 0,4 0,3 0,6
Los sucesivos pasos se hacen de manera aleatoria (empleando papeles marcados, ruletas, etc.).
Si se parte de A, cul es la probabilidad de estar en A o en B, despus de los pasos?
El producto de matrices permite dar la respuesta:
0,2 0,4 0 0,2 0,4 0 0,36 0,20 0,16 0,8 0,3 0,4 0,8 0,3 0,4 = 0,40 0,53 0,36 0 0,3 0,6 0 0,3 0,6 0,24 0,27 0,48
Obsrvese que la suma de cada columna da siempre 1. Vemoslo de otra manera.
0,2 0,2 A A B C
A B C
129
En dos pasos se est en A, con probabilidad = 0,2 . 0,2 + 0,8 . 0,4 = 0,36. En dos pasos se est en B, con probabilidad = 0,2 . (0,8) + 0,8 . (0,3) = 0,40
130
Apndice 4. Tabla de rea bajo la funcin normal
Z 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9
8 0,0319 0,0714 0,1103 0,148 0,1844 0,219 0,2518 0,2823 0,3106 0,3365
9 0,0359 0,0754 0,1141 0,1517 0,1879 0,2224 0,2549 0,2852 0,3133 0,3389
0,12 0,016 0,0199 0,0239 0,0279 0 0,004 0,008 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0793 0,832 0,871 0,910 0,0948 0,0987 0,1026 0,1064 0,1179 0,1217 0,1255 0,1293 0,131 0,1368 0,1406 0,1443 0,1554 0,1591 0,1628 0,1664 0,17 0,1736 0,1772 0,1808 0,1915 0,195 0,1985 0,2019 0,2054 0,2258 0,2291 0,2324 0,2357 0,2389 0,258 0,2612 0,2642 0,2673 0,2704 0,2881 0,291 0,2939 0,2967 0,2996 0,3159 0,3186 0,3212 0,3238 0,3264 0,3413 0,3463 0,3849 0,4032 0,4192 0,4332 0,4452 0,4554 0,4641 0,4713 0,4772 0,4821 0,4861 0,4893 0,4918 0,4938 0,495 0,4965 0,4974 0,4981 0,4987 0,499 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000 0,3438 0,3665 0,3869 0,4049 0,4207 0,4345 0,4463 0,4564 0,4649 0,4719 0,4778 0,4826 0,4864 0,4896 0,492 0,494 0,4955 0,4966 0,4975 0,4982 0,4987 0,4991 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000 0,3461 0,3686 0,3888 0,4066 0,4222 0,4357 0,4474 0,4573 0,4656 0,4726 0,4783 0,483 0,4868 0,4898 0,4922 0,4941 0,4956 0,4967 0,4976 0,4982 0,4987 0,4991 0,4994 0,4995 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,3485 0,3708 0,3907 0,4082 0,4236 0,437 0,4484 0,4582 0,4664 0,4732 0,4788 0,4834 0,4871 0,4901 0,4925 0,4943 0,4957 0,4968 0,4977 0,4983 0,4988 0,4991 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,3508 0,3729 0,3925 0,4099 0,4251 0,4382 0,4495 0,4591 0,4671 0,4738 0,4793 0,4838 0,4875 0,4904 0,4927 0,2088 0,2422 0,2734 0,3023 0,3289 0,3531 0,3749 0,3944 0,4115 0,4265 0,4394 0,4505 0,4599 0,4678 0,4744 0,4798 0,4842 0,4878 0,4906 0,4929 0,2123 0,2454 0,2764 0,3051 0,3315 0,2157 0,2486 0,2794 0,3078 0,334
0,3554 0,3577 0,3599 0,3621 0,377 0,379 0,381 0,383 0,3962 0,398 0,3997 0,4015 0,4131 0,4147 0,4162 0,4177 0,4279 0,4292 0,4306 0,4319 0,4406 0,4515 0,4608 0,4686 0,475 0,4803 0,4846 0,4881 0,4909 0,4931 0,4418 0,4525 0,4616 0,4693 0,4756 0,4808 0,485 0,4884 0,4911 0,4932 0,4429 0,4535 0,4625 0,4699 0,4761 0,4812 0,4854 0,4887 0,4913 0,4934 0,4441 0,4545 0,4633 0,4706 0,4767 0,4817 0,4857 0,489 0,4916 0,4936 0,4952 0,4964 0,4974 0,4981 0,4986 0,499 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,4999 0,5000
0,4945 0,4946 0,4948 0,4949 0,4951 0,4959 0,496 0,4961 0,4962 0,4963 0,4969 0,497 0,4971 0,4972 0,4973 0,4977 0,4978 0,4979 0,4979 0,498 0,4984 0,4984 0,4985 0,4985 0,4986 0,4988 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,4989 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,4989 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,4989 0,4992 0,4995 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,499 0,4993 0,4995 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000
131
g.1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 inf.
t.100 3,078 1,886 1,638 1,533 1,467 1,44 1,415 1,397 1,383 1,372 1,363 1,356 1,350 1,345 1,341 1,337 1,333 1,33 1,328 1,325 1,323 1,321 1,319 1,318 1,316 1,315 1,314 1,313 1,311 1,282
t.050 6,314 2,92 2,353 2,132 2,015 1,943 1,895 1,86 1,833 1,812 1,796 1,782 1,771 1,761 1,753 1,746 1,74 1,734 1,729 1,725 1,721 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,645
t.025 12,706 4,303 3,182 2,776 2,571 2,447 2,365 2,306 2,262 2,228 2,201 2,179 2,16 2,145 2,131 2,12 2,11 2,101 2,093 2,086 2,08 2,074 2,069 2,064 2,06 2,056 2,052 2,048 2,045 1,96
t.010 31,821 6,965 4,541 3,747 3,365 3,143 2,998 2,896 2,821 2,764 2,718 2,681 2,65 2,624 2,602 2,583 2,567 2,552 2,539 2,528 2,518 2,508 2,5 2,492 2,485 2,479 2,473 2,467 2,462 2,326
t.005 63,657 9,925 5,841 4,604 4,032 3,707 3,499 3,355 3,25 3,169 3,106 3,055 3,012 2,977 2,947 2,921 2,898 2,878 2,861 2,845 2,831 2,819 2,807 2,797 2,787 2,779 2,771 2,763 2,756 2,576
g.1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 inf.
Apndice 5. Funcin de Student
132
Bibliografa
Cramer H. Elementos de la teora de probabilidades. Aguilar. Cochran W. Experimental Designs. J. Wiley and Sons. Feller W. Introduccin a la teora de probabilidades y aplicaciones. Mendenhall W. Introduccin a la probabilidad y la estadstica. Grupo Editorial Iberoamrica. Moroney M. Hechos y estadsticas. Eudeba. Santal L. Probabilidades e inferencia estadstica. OEA. Revista Teaching Statistics. Universidad de Sheffield, Inglaterra

5 Probab Estad

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

5 Probab Estad

Uploaded by

Copyright:

Available Formats

Probabilidades y estadstica

serie/ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

Especialista de contenido: Juan Foncuberta Asesor cientfico: Luis Santal

serie/ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

La serie Ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

1. La probabilidad es una medida

La definicin histrica de probabilidad

s n casos favorables a A = n n casos posibles

Estos ejemplos les permitirn observar algunas propiedades.

Actividad 1.3. Se suele anotar P( A B) = P( A ) + P(B) slo si A y B...

Otra forma de calcular probabilidad

Ciencias para la educacin tecnolgica

Y eso, qu tiene que ver con 1/6?

s se aproxima a un lmite. La teora prueba que ese lmite es la n

probabilidad del suceso A.

P (mayor que 2) = P({3,4,5}) {3,4,5,6} E {1,3,5} E { 4} E

Ciencias para la educacin tecnolgica

Para ello, proponemos la siguiente definicin axiomtica:

Damos una parte de la respuesta en la tabla:

Por qu decimos una funcin y no la funcin?

Actividad 1.6. Un alumno distrado, al completar la tabla anterior, calcul as:

P({1,2,3,4}) : {1,2,3,4} = {1,2} {2,3,4} P({1,2,3,4}) = P({1,2}) + P {2,3,4}) 2 2 + 3 3 4 = 3

Vm.n = m(m 1)(m 2)...[ m (n 1)]

Vm.m = m(m 1)(m 2)(m 3)...3.2.1

De cuntas maneras pueden disponerse en fila los seores A, B y C?

Ciencias para la educacin tecnolgica

m n entenderemos que se trata del nmero de combinaciones de m objetos en n casillas. siendo n m.

m Vm.n m(m 1)(m 2)...(m n + 1) n = C m.n = P = n! n

Pero, entonces, los nmeros combinatorios y m n son iguales. n

Ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

No nos parece conveniente ensear estas frmulas del tipo

so elemental. Pueden perturbar la solucin de problemas. En general tendremos:

N casos favorables N casos posibles

en alrededor de 2/9 de las veces apareceran en el grupo T y L juntos.

La probabilidad de obtener dos blancas y una verde al finalizar la operacin es

Ciencias para la educacin tecnolgica

3. Sucesos excluyentes y no excluyentes

Debemos tratar que aparezca P(B) y eliminar

A la igualdad (1) le restamos la (2) y obtenemos, despus de operar:

Justifique el resultado obtenido en 1.1. tem 5:

Llamemos A al suceso est A y B al suceso est B.

8 2 comisiones. Por qu?

8 10 P( A B) = 2 : = 0,133 (probabilidad de que estn A y B) 4

P = ( A B) = P( A ) + P(B) P( A B) = 0,4 + 0,4 0,133 = 0,667

Entonces, la posibilidad de que no estn ni A ni B es:

Si p es la probabilidad de un suceso A, la probabilidad del suceso contrario es 1 - p = q

Ciencias para la educacin tecnolgica

Y, cul es la probabilidad de que salgan las letras que palabra rabo?

V4 ,4 / V6,4 = P4 / V6,4 = 24 / 360

N de casos favorables N de casos posibles

rea del cuadrado chico rea del cuadrado grande

Ciencias para la educacin tecnolgica

Ciencias para la educacin tecnolgica

N de lentejas dentro del crculo N de lentejas en el cuadrado

rea del crculo rea del cuadrado

4. Sucesos dependientes e independientes

Si pensamos en frecuencias relativas, resulta: