\ x ere N ° 7 7 " : \ ¥ \ Z Ee 7 PROBABILIDAD. | ¥ | | ESTADISTICA | PARA INGENIEROS | SEXTA EDICION \ X x AX in X nf \ \ van \ \ X \ iN 4 x \ \ ; \ Jf - /\ \ x \ / \ , {/ XN Watroce =» Myers = | MYERS ee H \ = a a 7) i a Hea, enRonald E. Walpole Roanoke College R Sharon L. Rad Probabilidad y estadistica para ingenieros SEXTA EDICION TRADUCCION: Ricardo Cruz Traduetor Profesional REVISION TECNICA: Juan Antonio Torre Marina Ingeniero Mecénico Electricista Universidad Andhuac jlombia * Costa Rica * Chile + EeuadorDatos de catalopaciva bibiogrifiea Autor: Walpole, Ronald E, ‘Titulo, ediciGn: Probabitidad y estadi ingenieros, 6a. ed PRENTICE-HALL HIS México, 1999 para "ANGAMERICANA, S.A. ISBN; 970-17-0264-6 ws: 152 EDICION EN ESPA’ EDITOR: PABLO EDUARDO ROIG VAZQUEZ JORGE BONILLA TALAVERA. OSCAR AVALOS SALCEDO Editor-in-chief, Jerome Grant Editorial assist Executive mi Assistant VP production/manufacturing, David W. Riccardi Manufacturing manager, Trudy Pisciot Manufacturing buyer, Afan Fischer Creative director, Paula Maylaka Ant director, Manieei Eile ‘Cover designer, Jayne Conte Marketing manager, Mefody Marcus Marketing assistant. Jennifer Pa ‘Compositor, Prepare ine/Emilcomp s.r WALPOLE: PROBABILIDAD ¥ ESTADISTICA PARA INGENTEROS, 6a. ed. ‘Tradducido de la sexta cdiciGn en inglés de la obra: Probability and Statistics for Engineers and Scientist, All rights reserved, Authorized translation from English language edition published by Prentice-Ffall. Inc ‘A Simon & Schuster Company. ‘Todos los derechos reservados. Traduecién autorizada de la edici6n en inglés publieada por Prentice-Hall, Inc. ‘A Simon & Schuster Company Al rights reserved. No part of this book may be reproduced or transmitted in any form or by any means, electronic or mechanical, including photocopying, recording Or by any information storage and retrieval system, without permicsion in writing from the publisher Prohibida la reproduccisn total o parcial desta obra, por cualquier medio-o método sin autorizacién por seit del editor, Derechos reservados © 1999 respeeto a la primera edicion en espanol publicada por: ‘PRENTICE-HALL HISPANOAMERICANA. S. A. ‘Allacomuleo Ntim. 500-5° Piso Col. Industrial Atoto ‘53519, Naucalpan de Judrez, Edo, de México ISBN 970-17-0264-6 Miembro de la Cimara Nacional de 1a Industria Editorial, Reg. Num. 1524, Original English Language Edition Published by Prentice-Hall, Ine, ‘A Simon é& Schuster Company. ‘Copyright © 1998Contenido Prefacio ix 1 Introduccidn a la estadistica y al andlisis de datos 1 aurwra 2 Probabilidad 9 Repaso 1 El papel de la probabilidad 2 Medidas de posicidn: media de una muestra 4 Medidas de variabilidad 5 Datos discretos ycontinuos 6 Modelado estadistico, inspeccion cientifica y diagnosticos graficos 7 Espacio muestral 10 Eventos 13 Conteo de puntos de la muestra 19 Probabilidad de un evento 27 Reglas aditivas 30 Probabilidad condicional 35 Reglas multiplicativas 38 Regla de Bayes 44 Ejercicios derepaso 49iv Conrenicto 3 Variables aleatorias y distribuciones de probabilidad 51 31 32 33 3.4 35 Concepto de variable aleatoria 51 Distribuciones discretas de probabilidad 63 Distribuciones continuas de probabilidad 58 Distribuciones empiricas 63 Distribuciones de probabilidad canjunta 69 Ejercicios de repaso 82 4 Esperanza matematica 84 44 42 43 44 Media de una variable aleatoria 84 Varianza y covarianza 92 Medias y varianzas de combina aleatorias 101 Teorema de Chebyshev 108 Ejercicios de repaso 112 nes lineales de variables 5 Algunas distribuciones de probabilidad discreta 114 54 52 53 54 55 5.6 Introduccion 114 Distribucién uniforme discreta 114 jomial y multinomial 116 Distribucién hipergeométrica 125 Distribuciones binomial negativa y geometrica 132 Distribucién de Poisson y proceso de Poisson 135 Ejercicios de repaso 141 6 Algunas distribuciones continuas de probabilidad 143 61 62 63 64 65 66 67 68 69 6.10 Distribucién de probabilidad continua 143, Distribucién normal 145 Areas bajo la curva normal 148 Aplicaciones de la distribucién normal 153, Aproximacién normal ala binomial 160 Distribuciones gamma y exponencial 166 Aplicaciones de las distribuciones exponencial y gamma 170 Distribucién ji da 172 Distribucién logaritmica normal 173 Distribucién de Weibull 174 Ejercicios de repaso 178 7 Funciones de variables aleatorias 180 qA 12 14 Introduccién 180 Transformaciones de variables 180 Momentos y funciones generadoras de momentos 189Contenido 8 Distribuciones fundamentales de muestreo y descripciones de datos 198 8.1 82 83 84 85 86 87 88 Muestreo aleatorio 198 Algunas estadisticas importantes 201 Presentaciones de datos y métodos gréficos 208 Distribuciones muestrales 215 Distribuciones muestrales de medias 217 Distribucién muestral de 5? 224 Distribucion ; 228 Distribucién F 232 Ejercicios de repaso 237 9 Problemas de estimacion de una y dos muestras 238 941 92 93 24 95 96 97 98 99 9.10 911 9.12 9.13 9.14, Introduccion 238 Inferencia estadistica 238 Métodos clasicos de estimacién 239 Una sola muestra: estimacién dela media 243 Error estandar de una estimacién puntual 248 Limites de tolerancia 249 Dos muestras: estimacién de la diferencia entre dos medias 253 ‘Observaciones pareadas 259 Una sola muestra: estimacion de una proporcién 264 Dos muestras: estimacion de la diferencia entre dos proporciones 268 Una sola muestra: estimacion de la varianza 271 Dos muestras: estimacién de la razén de dos varianzas 273 Métodos bayesianos de estimacién 275 Estimacién de probabilidad maxima 282 Ejercicios de repaso 287 10 Pruebas de hipotesis de una y dos muestras 290 Hipstesis estadisticas: conceptos generales 290 Prueba de una hipdtesis estadistica 292 Pruebas de una y dos colas 300 Uso de valores Ppara la toma de decisiones 302 Una sola muestra: pruebas con respecto a una sola media (varianza conocida} 306 Relacidn con la estimacién del intervalo de confianza 309 Una sola muestra: pruebas sobre una sola media (varianza desconocida) 310 Dos muestras: pruebas sobre dos medias 313 Eleccion del tamano de la muestra para probar medias 318 Métodos gréficos para comparar medias 323 Una muestra: prueba sobre una sola proporcién 330 Dos muestras: pruebas sobre dos proporciones 333 Pruebas referentes a varianzas de una y dos muestras 336vi Contenido 10.14 10.15 10.16 10.17 10.18 Prueba de la bandad de ajuste 340 Prueba de independencia (datos categéricos) 344 Prueba de homageneidad 347 Prueba para varias proporciones 348 Estudio de dos muestras 350 Ejercicios de repaso 355 11 Regresién lineal simple y correlacién 358 m4 112 113 114 115 11.6 Wd 18 19 11.10 Wat Introduccién a la regresién lineal 358 Regresién lineal simple 361 Propiedades de los estimadores de minimos cuadrados 265 Inferencias acerca de los coeficientes de regresion 367 Prediccién 371 Eleccion de un modelo de regresion 377 Procedimiento del analisis de varianza_377 Prueba para la linealidad de la regresién: datos con ‘observaciones repetidas 379 Graficas y transformaciones de datos 387 Estudio de regresién lineal simple 391 Correlacién 394 Ejercicios de repaso 400 12 Regresién lineal multiple 405 124 12.2 123 12.4 12.5 126 127 12.8 12.9 12.10 12 Experimentos de 13.1 13.2 13.3 Introduccién 405 Estimacién de los coeficientes 406 Modelo de regresién lineal con el uso de matrices 410 Propiedades de los estimadores de minimos cuadrados 418 Inferencias en la regresién lineal multiple 420 Eleecion de un modelo de ajuste a través de la prueba de hipétesis 427 Caso especial de ortagonalidad 431 Métodes secuenciales para la seleccién del modelo 435 Estudio de residuos y violacién de suposiciones 441 Validacion eruzada, C,, y otros criterios para la seleccién del Modelo 445 Ejercicios de repaso 456 un factor: general 461 Técnica del andlisis de varianza 461 La estrategia del diseno experimental 463 Andlisis de varianza unilateral: diseno completamente aleatorizado 463 Pruebas de fa igualdad de varias varianzas 470Contenido 13.5 Comparaciones de un sole grado de libertad 475 13.6 Comparaciones multiples 479 13.7 Comparacién de tratamientos con un control 483 13.8 Comparacién de un conjunto de tratamientos en bloques 488 33.9 Diseho de bloques completos aleatorizados 489 13.10 Métodos graficos y diagndsticos posteriores 498 13.11 Cuadrados latinas 499 13.12 Modelos de efectos aleatorios 506 13.13 Enfoque de regresién para el andlisis de varianza 511 13.14 Potencia de las pruebas de andlisis de varianza 514 13.15 Estudio de caso 519 Ejercicios de repaso 523 14 Experimentos factoriales 527 14.1 Introduccion 527 14.2 Interaccion y el experimento de dos factores 529 14.3 Andlisis de varianza de dos factores 530 14.4 Andlisis grafico en el problema de dos factores 637 14.5 Experimentos de tres factores 540 14.6 Modelos multifactoriales especificos 544 14.7 Experimentos factoriales modelo My Ill 549 14.8 Eleccién del tamano de la muestra 552 Ejercicios de repaso 555 15 Experimentos 2 factoriales y fracciones 559 15.1, Introduccién 999 15.2 Anidlisis de varianza 560 15.3 Experimento 2" factorial sin réplicas 564 15.4 Estudio de caso 565 15.5 Experimentos factoriales en bloques incompletos 571 15.6 Confusion parcial 877 15.7 Experimentos factoriales en un ajuste de regresién 579 15.8 Estudio de caso: experimento de purificacion de carbén 583 15.9 Experimentos factoriales fraccionados 588 15.10 Andlisis de experimentos factoriales fraccionados 591 15.11 Disenos de fracciones superiores y depurados 595 15.12 Construceién de disenos de resolucion Ill y IV con 8, 16 y 32 puntos de diseno 596 15.13. Otros disefios de resolucién III de dos niveles; disenos de Plackett-Burman 97 15.14 Disefio robusto de parametros de Taguchi 599 Ejercicios de repaso 607viii Contenido 16 Estadistica no paramétrica 609 16.1 16.2 16.3 16.4 16.5 16.6 16.7 16.8 Pruebas no paramétricas 609 Prueba de signo 610 Prueba de rango con signo 614 Prueba de la suma de rangos 620 Prueba de Kruskal Wallis 623 Pruebas de corridas 625 Limites de tolerancia 629 Coeficiente de correlacién de rango 630 Ejercicios de repaso 634 17 Control estadistico de calidad 635 17.1 17.2 17.3 17.4 17.5 17.6 Bibliografia 667 Introduccion 635 Naturaleza de los limites de control 637 Propdsitos de la grafica de control 637 Graficas de control para variables 638 Graficas de control para atributos 653 Graficas de control de cusum 660. Ejercicios de repaso 664 Apéndice: Tablas estadisticas 671 Respuesta a ejercicios con numero impar 723 Indice 737Prefacio La sexta edicién de Probabilidad y estadistica para ingenieros destaca la teoria esta- distica y pone un énfasis apropiado en el andlisis de datos, el cdlculo estadistico y la mejora de la calidad. Nuestro objetivo es presentar al estudiante los elementos de la probabilidad y las distribuciones de probabilidad, la inferencia estadistica, la re- gresiOn y correlaci6n lineal, el andlisis de varianza, el disefio de experimentos y el control estadistico de la calidad. Este equilibrio entre la teoria y la metodologfa ha encontrado histéricamente aceptacién por parte de los revisores y los usuarios del texto. La quinta edicion destacé la introduccién de impresos de software para real- zar los ejemplos e introdujo también los métodos graficos en el andlisis de datos. Ambos temas se refuerzan en la sexta edici6n, con impresos adicionales incluidos en el texto y también junto con casos de estudio dentro de los ejercicios. Otra ven- taja de este texto es la abundancia de ejercicios de la “vida real” que incluyen con- juntos de datos de estudios reales realizados por ingenieros y cientificos. Se amplian los ejercicios, en particular para las areas de pruebas de dos muestras y estimacion del intervalo de confianza, andlisis de varianza de uno y dos factores, y analisis de regresion. A peticién popular, se proporcionan las respuestas para los ejercicios im- pares. Un prerrequisito para el uso de este texto es un curso de caleulo diferencial e integral, con derivacion parcial e integracién multiple. Si el instructor intenta hacer un tratamiento completo de la regresién lineal multiple, seria util un curso de dlge- bra lineal y matrices.Profacio jos importantes en Ia sexta edi 1. El primer capitulo ha sido ampliado para proporcionar al lector una introduc: cién s6lida de las nociones de posicién y variabilidad. § cios a este capitulo. jan agregado ejerci- 2. En casi todos los capitulos aparecen nuevos ejercicios de la “vida real”. Se ha puesto Enfasis en los ejercicios de repaso, 3, Se introducen distribuciones uniformes continuas y logaritmica normal, y se in- cluyen aplicaciones y ejerci 4. Se hace ér la estim ios con el uso de la distribucién logaritmica normal. is apropiado en el uso de la distribucién 1 para adaptar pruel jaciGn que incluye dos medias con varianza no homogénea 5. Se or ¢ la seccién sobre teoria de la decisién y se hace mas énfasis en la esti- macion de la probabilidad ma utilizan mas ejemplos y ejercicios para reforzar el material del texto sobre probabilidad n ma. ma 6. Se abarca en forma més completa el uso del algebra matricial en el andilisis de parte de varianza de la regre: 7. El capitulo sobre exper modelos mezclados, nentos factoriales se complementa con la inclusién de 8. En los capitulos de r de esin miiltiple y anilisis de varianza aparecen ejercicios casas de estudio” y se incluyen muestras de impresos de computadora. 9. Los archivos de datos para este libro se pueden descargar del siguiente sitio ftp: {tp://waw.w.prenhall.com/pub/esm/statistics.027/walpole/probability_statisties Este texto esta disefiado para un curso de uno de dos semestres, Un curso de un semestre que contenga el tratamiento de probabilidad e inferencia estadi adapta con el material de los capitulos 1 al 10, Sin embargo, existe mucha flexibili: dad para el uso de estos capitulos. Después de la nueva introduccién, los capitulos 2, 3 y 4. cubren la probabilidad basica y las variables aleatorias. Los capitulos 5 y 6 tratan las distribuciones especificas, sus aplicaciones y las relaciones entre distribux ciones. El capitulo 5 trata las distribuciones discretas, ineluida la binomial y Ia hi- pergeométrica multinomial, binomial negativa, geométrica, uniforme y de Poisson. El capitulo 6 explica la normal (ineluye la aproximacién normal a la binomial), gam- ma, logarftmica normal, exponencial, ji cuadrada y otras distribuciones titiles. Es po- sible que, para un curso més tedrico, el instructor pueda elegir no utilizar la totalidad del material en estos dos capitulos. Por otro lado, un curso para ingenie- ros ciertamente se beneficiaria de la discusién de las areas de aplicacién de estas im- portantes distribuciones y del uso de los ejercicios, El capitulo 7 es un capitulo corto titulado Funciones de variables aleatorias y es el tema mds matemitico del libro. Se incluye el uso de funciones generadoras de momento y técnicas para calcular la dis- tribucién de funciones de variables aleatorias, El instructor que esté mas inclinado a enfatizar la estadistica matemitica puede preferir incluirlo, El capitulo 8 contiene tres importantes temas relacionados: muestreo aleatorio, descripcion de datos y distribuciones de muestreo fundamentals. Como se mencio- né al principio, se pone considerable atenciGn al despliegue de datos y a las grafi- cas, Ademés, se colocan las bases para el uso de percentiles y la graficacién de la jProtacio xi probabilidad normal en apli la distribucién de X y S ciones que aparecen en los capitulos siguientes. Se dis- + ¥ Se proporciona la motivacin para su uso en los dos capitulos siguientes. A este respecto, se introducen las distribuciones ry F, asi como !a motivacién para su uso en la estimacién de! intervalo y la prueba de hipétesi Los capitulos 9 y 10 contienen material sobre la estimacign de una y dos mue tras y la prueba de hip6tesis, respectivamente. Se incluyen nuevos ejercieios y ejem- plos, y se introduce al estudiante a conjuntos de datos de “la vida real”, Las ilustraciones incluyen el uso de comparaciones gréficas asi como la inferencia for- mal —impresos de computadora comentados forman parte de la ilustracién. El ca- pitulo 9 incluye también material sobre probabilidad maxima y estimacién de Bay Las pruebas teGricas normales que incluyen las distribuciones ¢, Fy vse dan en el capitulo 10, como pruebas que implican el uso de datos categ6ricos. Los capitulos ILy 12 se ocupan de la regresién lineal simple y la regresién multiple, respectiv: mente. Como en el pasado, se incluyen los criterios de seleccién del modelo de un solo ntimero, procedimientos paso a paso, diagndstico con gréficas de residuos y una discusi6n de transformaciones. El capitulo 13 es una presentacién del problema de un factor. Se introduce el anilisis de varianza para prueba de medias. Se incluyen los bloques, cuadrados lati« nos y el modelo de efectos aleatorios, Un extenso estudio de caso ilustra la unio de grficas estadisticas y la inferencia formal. El capitulo 14 contiene el experimen- to factorial general, con graficas ¢ impresos de computadora comentados y resalta- dos una vez mds. El capitulo 15 contiene el material mencionado con anterioridad sobre experimentos 2* factoriales y fraccionales, incluidos los bloques y la confusion Se resaltan os métodos modernos de mejora de la calidad por medio de ejemplos y casos de estudio, y se explican la metodologia de Taguchi asf como modelado de va- nza. El capitulo 16 se ocupa de los procedimientos no paramétricos, y el capitu- lo 17 esta dedicado al control estadistico de la calidad. Los capitulos 11a 17, a nuestro juicio, proporcionan material suficiente para un segundo semestre. Cada capitulo contiene suficiente flexibilidad y permite la omi- sién de secciones sin pérdida de continuidad, Queremos agradecer a los que contribuyeron con la preparacién de esta sexta edicin. Agradecemos a Linda Seawell, que mecanografié el manuscrito. De nuevo, muchas gracias al Centro de Consulta Estadistica del Instituto Politéenico de Virgi- nia: fuente de muchos de los conjuntos de datos de la “vida real” que se utilizan co: mo ejemplos y ejercicios. Estamos en deuda con aquellos colegas que revisaron la sexta edicién y propor- cionaron muchas sugerencias utiles para esta edicién. Ellos son Melinda McCann, Universidad Estatal de Oklahoma; Bill Beyer, Universidad de Akron; Michael Merscher, Universidad Tecnolégica Lawrence; y Kyuil Kim, Universidad de Illinois en Chicago, 3 ‘También estamos en deuda con el albacea literario del fallecido sir Ronald A. Fisher, F.R.S., Cambridge, y a Oliver & Boyd Ltd., Edimburgo, por su permiso pa- ra reimprimir una tabla de su libro Statistical Methods for Research Workers, al pro- fesor E. §. Pearson y a los administradores de Biometrika por el permiso para reimprimir de forma condensada las tablas 8 y 18 de Biomeiika Tables for Statisi- cians, vol I; a Oliver & Boyd Ltd., por el permiso para reproducir tablas de su libro cutexii Prefacio Design and Analysis of Industrial Experiments de O. L. Davies: a McGraw-Hill Book Company por el permiso para reproducir las tablas A-25d y A-25e de su libro Introduction to Statistical Analysis de W. J. Dixon y R. J. Massey, Jr; a C. Eisenhart, M. W. Hastay y W. A. Wallis por el permiso para reproducir dos tablas de su libro Techniques of Statistical Analysis. También deseamos expresar nuestro aprecio por el permiso para reproducir tablas de los Annals of Mathematical Statistics, del Bu- lletin of the Educational Research at Indiana University, de una publicacion de la American Cyanamid Company, de Biometrics, de Biometrika, vol 38, y de la Jour- nal of the American Statistical Association. REHM. SINEIntroducci6n a la estadistica y al andlisis de datos 1.1 Repaso eS Ena industria estadounidense se dedica una cantidad extraordinaria de atencién al mejoramiento de la calidad que comenz6 en los ochenta y continda en la presente década. Se ha dicho y escrito mucho del “milagro industrial” japonés que eomenzé en Ia segunda mitad del siglo xx. Fueron capaces de tener éxito donde nuestro pais (E.U.) y otras paises fallaron —a saber, en la creacién de una atmésfera que permi- te la manufactura de productos de alta calidad. Gran parte del éxito de los japone Ses se atribuye al uso de métodos estadisticos y al pensamiento estadistico entre el personal gerencial. El uso de métodos estadisticos en la manufactura, el desarrollo de productos alimenticios, software de computadoras, productos farmacéuticos y muchas otras reas implica el acopio de informacién © datos cientifices. Por supuesto que el aco- pio de datos no es algo nuevo, ya que se ha realizado por mas de mil afios. Los da- tos se han recabado, resumido, reportado y almacenado para su examen cuidadoso. Sin embargo, hay una diferencia profunda entre recabar informacién cientifica y la cestadistica inferencial. Es esta ultima la que ha recibido li atenci6n en las dé cadas recientes. La inferencia estadistica produjo ya un niimero enorme de herra- mientas analiticas que permiten al ingeniero al cientifico comprender mejor los sistemas que generan los cienci que llamamos estadistica inferencial, principalmente el uso de técnic: miten ir més alld de s6lo reportar datos sino, mas bien, nos permite obtener conclu siones (0 inferencias) sobre cl sistema cicntéfico, Los estadisticos hacen uso de leyes fundamentales de probabilidad e inferencia estadistica para sacar conclusiones sobre los sistemas cientificos. La informacién se colecta en forma de muestras, 0 1 jatos, Esto refleja la verdadera naturaleza de | que nos pel2 Capitula 1 tntroduccion a ta estadist 1.2 El papel de la probabilidad ay al andlisis de datos pitulo 2 se introduce el proceso de mues- todo el libro, agrupaciones de observa treo y la discusién contintia a lo largo de Las muestras se reuinen a partir de pablaciones, que son agrupaciones de todos dividuos o elementos individuales de un tipo particular. A veces una poblacién fico, Por ejemplo, un fabricante de tarjetas de computado- ar defectos. Un proceso de muestreo puede implicar la reco- s aleatoriamente en significa un sistema cien ede desear elim de informacién de 50 tarjetas de computadora proba el proceso. Aqui, la poblacién es todas las tarjetas de computadora produeidas por la empresa en un periodo especifico. En un experimento con medicamentos, se toma 1 uno se le administra un medicamento especifico. Se enfoca el interés en la obtencion de conclusio. los que sufren de hipertensién. Si se hace una mejora en el proceso de produccién de las tarjetas de computadora y se reine una segunda mues- tra de tarjetas, cualesquiera conclusiones que se obtengan respecto a la efectividad del cambio en el proceso se debe extender a toda la poblaciGn de tarjetas de computado- ra que se produzean ‘proceso mejorado”. A menudo, es muy importante el acopio de datos cientificos en forma sistemé- tica, cuando la planeacién ocupa un lugar importante genda. En ocasiones la planeacién esta, por necesidad, bastante limitada, Un ingeniero puede necesitar es- tudiar el efecto de las condiciones del proceso, temperatura, humedad, cantidad de ingrediente particuls sobre la produccién del articulo. El 0 ella pue- mover de manera sistematica estos factores a cualesquicra niveles que se sugie. ran de acuerdo con cualquier prescripcién o diseiio experimental que se desce. Sin embargo, un cientifico silvicultor que esta interesado en un estudio-de los factores que influyen en la densidad de la madera en cierta clase de drbal no necesariamen- te puede disenar un experimento. En este caso puede requerir un estudio observa. cional en el que los datos se acopian en el eampo pero no se pueden seleccionar de antemano los niveles de los factores. Ambos tipos de estudios se prestan a los mé- todos de la inferencia estadistiea. En el primero, la calidad de las inferencias depen- derd de Ja planeacién apropiada del experimento. En el iiltima, el cientifico est a merced de lo que pueda recopilar. Por ejemplo, resulta inadecuado si un agrénomo se interesa en estudiar el efecto de la Iuvia sobre la produccién de plantas y los da- tos se obtienen durante una sequia. Se debe comprender la importancia del pensamiento estadistico en los admi- nistradores y el uso de la inferencia estadistica por el personal cientifico. Los tigadores obtienen mucho de los datos cientificos, Los datos proporcionan una ‘comprensi6n del fenémeno cientifico. Los ingenieros de producto y procesos apren= den mii en sus esfuerzos fuera de linea para mejorar el proceso, También logran una comprensi6n valiosa al reunir datos de producci6n (monitoreo en linea) con una jase regular. Esto permite la determinacién de las modificaciones necesarias a fin de mantener el proceso en un nivel deseado de calidad, nla eteétera En este libro, los eapitulos 2 a 6 tratan de las nociones fundamentales de la proba lidad, Una obtencin esmerada de las bases de estos concepts permite al lector grar una mejor comprensi6n de la inferencia estadfstica, Sin algo de formalismo: probabilidad el estudiante no puede apreciar la verdadera interpretacién delSeccidn 1.2 El papel dela probabilidad 3 de datos mediante los métodos esta tudiar probabilidad antes de estudiar bilidad nos permiten cuantificar la isticos modernos, Es completamente natural es- rencia estadistica. Los elementos de proba- luerza o “confianza” en nuestras conclusiones. Ejemplo 11 Suponga que un ing produccién en el que se muestrea ero se encuentra con datos de un proceso de 100 articulos y se encuentra que 10 estan defec- tuosos. Es de esperarse que de vez en cuando habré articulos defectuosos. Sin em- bargo, se determina que, a largo plazo, la empresa sGlo puede tolerar 5% de articulos defectuosos en el proceso. Ahora bien, los elementos de probabilidad per- miten al ingeniero determ n-concluyente es la informacién muestral con respecto a la naturaleza del proceso. Suponga que averiguamos que si ef proceso es aceptable, es decir, si produce articutos con el 5% defectuosos, hay una probabi dad de 0.00001 de obtener 10 0 mas articulos defectuosos en una muestra aleatoria de 100 articulos del proceso, Esta pequefa probabilidad sugiere que el proceso, en realidad, tiene un porcentaje de articulos defectuosos en el largo plazo que excede un 3%, En otras palabras, bajo la condicién de un proceso aceptable, la informacion muestral que se obtuvo casi nunca ocurrirfa. Claramente, sin embargo, ocurrirfa con una probabilidad mucho mas alta sila tasa de articulos defectuosos del proceso ex- cediese 5% por un monte significative.» r qué De este ejemplo es evidente que los elementos de probabilidad ayudan en la tradue- cidn de informacion muestral en algo concluyente © no concluyente acerca del sis- tema cientifico. El ejemplo que sigue proporciona una segunda ilustracion, El valor 0.00001, que jugé un gran papel en nuestra conclusién, a menudo se denomina va- lor P. En los capitulos siguientes se trata detenidamente el concepto de valor-P. leza del estudio cientifico sefialard el papel estadistica Ejemplo 1.2 Con frecuencia la natu que juegan la probabilidad y el razonamicnto deductive en la inferenci El ejercicio 6 al final de la seccién 9.8 proporciona datos asociados con un estudio que se Ilev6 a cabo en el Instituto Polit 0 y Universidad Estatal de Virginia so- bre el desarrollo de una relacién entre las raices de los arboles y la accién de un hon go. Se transfirieron minerales de los hongos a los arboles y azticares de los érboles al hongo. Se plantaron dos muestras de 10 plantones de roble rojo nortefio en un in- vernadero, una que contenia plantones tratados con nitrégeno y una muestra de plantones sin tratamiento. Todas las demas condiciones ambientales se mantuvie- ron constantes. Todos los plantones contenfan el hongo Pisolithus tinctorus. En el capitulo 9 se proporcionan mas detalles. Los pesos de los tallos en gramos se regis- traron al finalizar 140 dias. Los datos son como sigue: nitrégeno Con nitrégeno 0.32 0.26 053 O43 0.28 oT 037 049, 0.47 O52 0.43 075 0.36 079 0.42 0.86 0.38 062 0.43 0.464 Capitulo 1 introduccién a ta estadistica y al andlisis de datos be ~ bot boat 4 25) 0) 36 40) aS co” ge” eo) eB yo. ye a0) ies Jura 1.1 Pesos de los tallas, Es conveniente graficar los datos como se muestra en la figura 1.1, Los valores: representan los datos “con nitrégeno” y los valores ~ representan los datos “sin ni- trégeno”. Ahora bien, el propésito de este experimento es determinar si el uso de nitrégeno tiene influencia en el crecimiento de general de los datos pucde sugerir al lector que, en promedio, el uso del jumenta el peso del tallo, Cuatro observaciones con nitrégeno son considerable- mente mas gr es sin nitrégeno. La mayor parte de las observaciones sin nitrégeno parecen estar por debajo del centro de los datos. La apariencia del conjunto de datos pareceria indicar que el nitrégeno es tivo, Pero, :cémo se puede cuantificar esto? {Como se puede resumir toda Ia evidencia visual aparente en un significado? Como en el ejemplo anterior, se pu den ul ps fundamentos de la probabilidad. Las conclusiones se pueden re: mir en una declaraciGn de probabilidad o valor P. El problema gira alrededor de “probabilidad de que datos como estos se puedan observar” dado que el nitrégeno no tiene efecto, en otras palabras, dado que ambas muestras se generaron a partir de la misma poblacién. Suponga que esta prababilidad es pequefia, digamos 0.03, ésta seria con certeza suficiente evidencia de que el uso del nitrégeno en rea ye (aparentemente aumenta) cl peso promedio del tallo, = as raices. Notese que la apariencia itrégeno uiera de las observacio ndes que cw: jizar Dimos dos ejemplos donde los elementos de probabilidad propor sumen que el cientifico o el ingeniero puede usar como evidencia sobre la cual fin- car una decisién. El puente entre los datos y la conclusién est4, por supuesto, basado en los fundamentos de la ncia estadistica, la teoria de la distribucién y las dis tribuciones de muestreos que se tratan ¢ ilustran en los capitulos 7 a 11, Es conve. niente en este punto pre medidas de posici6n y variabilidad de la muestra, Tanto el andlisis exploratorio o intuitivo de datos como [a inferencia esta~ distica formal dependen de estas medidas. 1.3. Medidas de posicion: media de una muestra Las medidas de posicién en un conjunto de datos estin disefladas para proporeionar | analista alguna medida cuantitativa de dénde esté el centro de los datos en una muestra, En el ejemplo 1,2 ciertamente parece como si el centro de la muestra con nitrégeno excediera al de la muestra sin nitrégeno, Una medida obvia y muy itil es Ja media de la muestra, La media es simplemente un promedio numérico. Suponga que las observaciones en una muestra son x, . La media de la muestra ¢ Hay otras medidas de tendencia central que se explican con detalle en eapitulos pos- teriores. Una medida importante es la mediana de la muestra, El proposito de _ mediana de Ja muestra es reflejar la tendencia central de la muestra de manera queSeccion 1.4 Medides de variabilidad 5 por los valores extremos. Dado que las observaciones en una mues- +¥,, acomodados en orden creciente de magnitud, la me a dela mena sin es impar, ype t Mayen Sis es par. Por ejemplo, supongamos que el conjunto de datos es el siguiente: 1.7, 2.2, 3.9, 3.11 y 147. La media y la mediana de la muestra son, respectivamente, 512, = 39. s evidente que la media est la obs ‘ influida de manera considerable por la presencia de k vacin extrema, 14.7, m que la mediana hace énfasis en el verdadero ‘centro” del conjunto de datos. En el caso del conjunto de datos de dos muestras del ejemplo 1.3, las dos medidas de tendencia central para las muestras individuales son X (sin nitrégeno) = 0.40 gramos, eas 0.37 + 042 x (sin nitrégeno) = =0, ¥ (con nitrégeno) = 0.57 gramos, 0.49 + 0.52 _ 2 0, ¥ (con nitrégeno) gramos. 1.4. Medidas de variabilidad La variabilidad de una muestra juega un papel importante en el anélisis de datos. La variabilidad de un proceso y de un producto es un hecho real en los sistemas cientifi. cos y de ingenierfa: el control o reduceién de idad de un proceso a menudo es una fuente de dificultades mayores. La variabilidad en valores de poblacién y da- ‘tos de una muestra es un hecho real. Una variabilidad grande entre las observaciones: de una muestra a menudo puede “limpiar™ cualesquiera efectos que el ingeniero pue- da tratar de detectar, Las medidas de posicién en una muestra no proporcionan un re= sumen apropiado de la naturaleza de un conjunto de datos. Es decir, enel ejemplo 1.2 no podemos concluir que el uso del nitrégeno realza el crecimiento sin tomar en ‘cuenta la variabilidad de la muestra. Por ejemplo, compare los dos conjuntos de datos de abajo. Cada uno contiene dos muestras y Ia diferencia en las medias es aproxima- damente la misma para las dos muestras: Conjunto de datosA: XX XX KX KX OX xXHOxx xd OH00000 vari 4 Xp Conjunto de datosB; x XXX xxXXX XXX 00000000000 ae XyCaputo 1 Introduccion a ta estadistica y al anétisis de datos El conjunto de datos B parece proporcionar un contraste mucho més claro entre las dos poblaciones de las que se tomaron las muestras. Este no es el caso con el con- junto de datos A. Si el propésito de tal experimento es detectar la diferencia entre las dos poblaciones, la tarea se lleva a cabo en el easo del conjunto de datos B. Sin embargo, en el conjunto de datos A la gran variabilidad dentro de las dos muestray crea dificultad. De hecho, no es claro que haya una diferencia entre las dos pobla ciones Asi como hay muchas medidas de tendencia central o de posicién hay muchas medidas de dispersi6n o variabilidad. Quid la n ple es el range de la muestra Xinsx ~ Xnin- Ell tango puede ser muy titil y se discute con amplitud en el capitulo 17 Sobre conrol esiadistice de calidad. La medida muestral de dispersion que se uti za mis a menudo es la desviacién estiindar de la muestra, Nuevamente denotemos ©OM-X),12,... +, 108 valores de la muestra; la desviacién estindar de la muestra es ‘ (= xP VS 1) & (4, = 8a — 1) se llama varianza de ka muestra. Debe quedar La eantidad » claro al lector que la desviacin estaindar de la muestra es, de hecho, una medida de abilidad. Una variabilidad grande en un conjunto de datos produce valores te- itivamente grandes de (x — x)° y por ello una varianza de la muestra grande, La cantidad n — 1 a menudo se denomina grados de libertad asociados con la varianza estimada. En este ejemplo simple los grados de libertad representan el ntimero de piezas de informacién independientes disponibles para calcular la variabilidad. Por ejemplo, suponga que deseamos calcular la varianza de la muestra y la desviacién ndar del conjunto de datos (5, 17, 6, 4). El promedio de la muestra es ¥ = 8, El calcul de la varianza imp (- 8) + (17 - 8) + (6 - 87° + (4 - 8? es 3) + (OY + (27 + (-4) Las cantidades dentro de los paréntesis suman cero. En general, 5) (x, — ¥) = 0. a Véase el ejercicio 4. Entonces el célculo de una varianza de la muestra no implica n desviaciones cuadradas independientes de la media x. De hecho, como el tiltimo va- lor de x ~ x esta determinado por los primeros 2 — 1 valores, decimos que estas son n ~ | “piezas de informacién” que producen 3”. Por ello hay n — 1 grados de liber- tad en lugar de # grados de libertad para calcular una varianza de la muestra. 1.5 Datos discretos y continuos inferencia estadistica a través del andlisis de estudios observacionales o de ex- dos se utiliza en muchas areas cientificas, Los datos reunidos pueden ser discretos o continuos, dependiendo del area de aplicacién. Por ejem- plo, un ingeniero quimico se puede interesar en un experimento que lo Meve 4 condiciones donde se maximice la produccién, Aqui, por supuesto, la produccién puede ser en porcentaje, o gramos/libra, medida en un continuo. Por otro lado, un loxicdlogo que realice un experimento de combinacién de farmacos puede encon-Seccién 1.6 Modelado estadistico, inspeccién cientifica y diagndsticos graficos 7 trar datos que son binarios por naturaleza (es decir, el paciente responde o no). Para estas dos situaciones distintas la teorfa de la probabilidad que nos permite extraer inferencias estadisticas es completamente diferente, En el capitulo 3 y pos- teriores se obtienen diferencias claras entre tuaciones discreta y continuas. 1.6 Modelado estadistico, inspeccion cientifica y diagnosticos graficos Muy a menudo el resultado final de un andlisis estadistico es la estimacién de los pa- metros de un modelo postulado. Esto es por completo natural para los cientificos y los ingenieros, pues con frecuencia tratan con el modelado, Un modelo estadistico no es determinista sino, mas bien, debe involucrar algunos aspectos probabilistas. Una forma modelo a menudo es la fundamentacin de las suposiciones que hace el analista. En nuestro ejemplo 1.2, el cientifico puede desear extraer algdn nivel de distineién entre la poblacién “con nitrégeno” y “sin nitrégeno” a través de la infor- macién de la muestra. El anilisis puede requerir cierto modelo para los datos, por ejemplo, que las dos muestras provengan de distribuciones normales © gausianas Vease el capitulo 6 para la discusin de una distribucién normal. A veces el modelo postulado puede tener una forma algo mas complicada. Con- sidere, por ejemplo, un fabricante de textiles que disefia un experimento donde las muesiras de tela se producen de modo que contengan diferentes porcentajes de al- godon, Considere los datos siguientes: Porcentaje del algodén Resistencia a la traccién 15 7.7.9, 8,10 20 19, 20, 21, 20, 22 5 21, 21, 17, 19, 20 30 8,7,8,9,10 Se fabrican cinco muestras de tela para cada uno de los cuatro porcentajes de algod6n. Ahora bien, en este caso tanto el modelo para el experimento como el tipo de andlisis que se utiliza deben tomar en cuenta el objetivo del experimento y los importantes insumos del cientifico textil. Algunas graficas simples pueden aclarar la distineién entre las muestras. Véase la figura 1.2; las medias de las mues- Resistencia a la traccion 2 15 20, 25 30 Figura 1.2 Gréfica de la resistencia a la traccién y los porcentajes de algodén.ica y al andilisis de datos tras y la variabilidad se describen bien en ica de datos. Un posible objetivo de este experimento cs simplemente la determinacién de cudles porcentajes de al- godén son en verdad distintos de los otros. En otras palabras, como en el caso de los datos con nitrégeno/sin nitrégeno, zpara cudles porcentajes de algodén hay distinetones claras entre las poblaciones 0, de manera mas especifica, entre las me- dias de las poblaciones? En este caso, quizé un modelo razonable es que cada muestra viene de una distribucién normal, Aqui el objetivo es muy semejante al de los datos con nitrégeno/sin nitrégeno, excepto que se involucran mas muestras, El formalismo del andlisis implica nociones de prueba de hipdtesis que se tratan pitulo 10, De paso, este formalismo quizé no es necesario a la luz de la fica de diagndstico. Pero, ,describe el objetivo real del experimento y por con- iente el enfoque apropiado del andlisis de datos? Es probable que el cientifi- co anticipe la existencia de una resistencia a ta traccion de la media de la poblacién maxima en el rango de concentracién de algod6n en el experimento. Aqui el and- de las datos debe girar alrededor de un tipo diferente de modelo, uno que postule un tipo de estructura que relacione la resistencia a la traccién de la media de la poblacion con la concentracién de algodén. En otras palabras, un modelo se puede escribir como Bic = Bo + BC + B donde y., . es la resistencia a la traccién de la media de la poblacin, que varia con la cantidad de algodén en el producto C, La implicacién de este modelo es que pa- ra un nivel fijo de algod6n, hay una poblacién de mediciones de resistencia a la trac- cién y la media de la poblacién es j.,,,. Este tipo de modelo, que se denomina modelo de regresién, se trata en los capitulos 11 y 12. La forma funcional la elige el cientifico. A veces el andlisis de datos puede sugerir que se cambie el modelo, En- tonces el analista de datos “considera” un modelo que se puede alterar después de que se haga algtin andlisis. El uso de un modelo empirico se acompafia por la teo- ria de estimacién, donde By, 8, y By se estiman de los datos. Ademiés, se puede usar entonces la inferencia estadistica para determinar lo adecuado del modelo. Aqui se hacen evidentes varios puntos de las dos ilustraciones de datos: 1) el tipo de modelo que se utiliza para describir los datos a menudo depende del ob- jetivo del experimento y (2) la estructura del modelo debe aprovecharse del insu- mo cientifico no estadistico. La seleccién de un modelo representa una suposicién fundamental sobre la que se basa la inferencia estadistica resultante. Se hard evir dente a lo largo del libro qué tan importantes pueden ser las graficas. A menudo, las gréficas pueden ilustrar informacién que permite que los resultados de la infe- rencia estadistica formal se comuniquen mejor al cientifico o al ingeniero. A veces, las graficas o el ani exploratorio de los datos puede ensefar al analista algo no recuperado del andlisis formal. Casi cualquier andlisis formal requiere suposi- ciones que se desarrollan a partir del modelo de datos. Las gréficas pueden resaltar bien la violacion de sup mes que de otra forma no se notarian, A Io largo del libro, las graficas se utilizan de manera extensa para complementar el aniilisis for mal de datos.Seccién 1.6 Modelado estadistico, inspeccion cientifica y diagndsticos graficos Ss Ejercicios C—_—_ 41. Un fabricante de componentes electrénicos se in- teresa en determinar el tiempo de vida de cierto tipo de bateria. La que sigue es una muestra, en horas de vida: 123, 116, 122, 110, 175, 126, 125, 111, 118, 117 (a) Encuentre la media y la mediana de la muestra. (b) ,Cual caracteristica en este conjunto de datos es la responsable de la diferencia sustancial entre las dos? 2. Un fabricante de neumaticos quiere determinar el diametro interior de cierto grado de neumatico Idealmente el didmetro seria 570 mm. Los datos son los siguientes: 572, 572, 573, 568, 569, 575, 565, 570 (a) Encuentre la media y la mediana de la muestra (b) Encuentre la varianza, desviacidn estandar y ran- go de la muestra. (c) Mediante el uso de las estadisticas calculadas en las partes (a) y (b), ,puede hacer comentarios sobre la calidad de los neumaticos? 3. Se conduce un estudio de los efectos de fumar sobre los patrones de sueno. La medicién que se ob- serva es el tiempo, en minutos, que toma quedar dor- mido. Se obtienen estos datos: Fumadores: 69.3, 56.0, 22.1, 47.6, 53.2, 48.1, 52.7, 34.4, 60.2, 43.8, 23.2, 13.8 No fumadores: 28.6, 25.1, 26.4, 34.9, 29.8, 28.4, 38.5, 30.2, 30.6, 31.8, 41.6, 21.1, 36.0, 37.9, 13.9 (a) Encuentre la media de la muestra para cada grupo. (b) Encuentre la desviacién estandar de la muestra para cada grupo. (c) Grafique los datos como en el caso de los conjun- tos de datos A y B de la seccién 1.4. (d) Comente qué clase de impacto parece tener el fu- mar sobre el tiempo que se requiere para quedar dor- mido. 4. Muestre que las n piezas de informacién en > (x; — ¥? no son independientes; es decir, mues- i=l tre que Soe 0 i=l 5. Dados cinco lanzamientos independientes de una moneda que tienen como resultado cinco caras. Re- sulta que si la moneda es legal, la probabilidad de este resultado es (1)° = 0.03125. ¢Produce esto evi- dencia sélida de que la moneda no es legal? Comen- te y utilice el concepto de valor P que se discutid en la seccidn 1.2.Probabilidad 2.1 Espacio muestral 10 En el estudio de la estadistica tratamos bésicamente con la presentacién e inter- pretacién de resultados fortuitos que ocurren en un estudio planeado o investi- gacién cientifica. Por ejemplo, podemos registrar el ntimero de accidentes que ocurren mensualmente en la interseccién de Driftwood Lane y Royal Oak Drive, con el deseo de justificar la instalacién de un seméforo; podemos clasificar los articulos que salen de una linea de montaje como “defectuosos” 0 “no defectuosos”; o nos podemos interesar en el volumen de gas que se libera en una teaccién quimica cuando se hace variar la concentracién de un Acido, Por ello, el estadistico a menudo trata con datos experimentales, contcos © mediciones representativos, 0 quiz con datos categéricos que se pueden clasificar de acuerdo con algtin criterio. Nos referiremos a cualqu tro de informacién, ya sea numérico 0 categérico, como una observacién. Asi, los nimeros 2, 0, 1 y 2, que representan él nimero de accidentes que ocurrieron en cada mes de enero a abril durante el ao pasado en la interseccién de Driftwood Lane y Royal Oak Drive, constituyen un conjunto de observaciones. De forma similar, los datos categéricos N, D, N. Ny D, que representan los articulos defeetuosos o no defectuosos cuando se inspeccionan cinco articulos, se registran como observaciones. disticos utilizan la palabra experimenter para describir cualquier proceso que genere un conjunto de datos. Un ejemplo simple de experimento estadistico es e! lanzamiento al aire de una moneda. En este experimento sdlo hay dos resultados posibles, cara o cruz. Otro experimento puede ser el lanzamiento de un misil y le observacidn de su velocidad en tiempos espectficos, Las opiniones de los votDefinicién 2.1 Seccin 2.1 Espacio muestral 11 con respecto a un nuevo impuesto sobre ventas tambi observaciones de un experimento. Estamos particularmente interesados en las obser vaciones que se oblienen por la repeticion del experimento varias veces, En la mayor Parte de Tos casos los resultados dependeran del azar y, por tanto, no se pueden pre- decir con certeza. Si un quimicer s varias veces bajo las mismas condi- ciones, obtendra diferentes medidas, que indican un elemento de probabilidad en el Procedimiento experimental. Incluso cuando se lanza al aire una moneda de forma Tepetida, no podemos tener la certeza de que un lanzamiento dado tendré como resultado una cara. Sin embargo, conocemos él conjunto completo de posibilidades a cada lanzamiento. n se pueden considerar como El conjunto de todos los resultados posibles de un experimento estadistico se llama espacio muestral y se representa con el simbolo 5. Cada resultado en un espacio mucstral se llama elemento o miembre del espa- cio muestral, o simplemente punto muestral. Si el espacio muestral tiene un numero inito de elementos, podemos listur los miembros separados por comas y encerrar- los en paréntesis. De esta forma el espacio muestral 5, de los resultados posibles cuando se lanza al aire una moneda, se puede escribir (4.7). aras” y “cruces donde H y T corresponden a respectivamente, Ejemplo 2.1 Considere el experimento de lanzar un dado. Si nos interesamos en e] nimero que muestra en la cara superior, el espacio muestral seria S, = 11,2,3.4,5,6) Si nos interesamos sélo en si el mimero es par o impar, el espacio muestral es sim- plemente = par, imparl. = El ejemplo 2.1 ilustra el hecho de que se puede usar mas de un espacio mues: tral para describir los resultados de un experimento, En este caso S, proporciona més informacién que S,. Si sabemos cual elemento en S, tiene lugar, podemos decit cual resultado ocurre en S,; no obstante, el conocimiento de lo que pasa en S; no es de ayuda en la determinacidn de cual elemento en S, ocurre. En general, se desea utilizar un espacio muestral que dé la mayor informacién acerca de los resultados del experimento, ‘ En algunos experimentos cs util listar los elementos del espacio muestral de jante un diagrama de drbol forma sistematica m Ejemplo 2.2. Un experimento consiste en lanzar una moneda y después lanzarla una segunda vez si sale cara. Si sale cruz en el primer lanzamiento, entonces se lanza un dado una ver. Para listar los elementos del espacio muestral que proporcione la mayor informacién, construimos el diagrama de drbol de la figura 2.1. Ahora bien, Jas diversas trayectorias a lo largo de las ramas del drbol dan los distintos puntos de Ja muestra. Al comenzar con la rama superior izquierda y movernos a la derecha a12 Capitulo. 2 Probabilidad Primer Segundo Punto de resultado resultado la muostra H HH ” ti HT 1 n 2 T2 3 73 r 4 Ta 5 1 6 76 Figura 2,1 Diagrama de arbol para el ejemplo 2.2. lol primera trayectoria, obtenemos el punto muestral HH, que indica la posibilidad de que ocurran caras en dos lanzamientos sucesivos de la moneda, Asimismo, el punto muestral 73 indica la posibilidad de que la moneda muestre una cruz seguida por un 3 en el lanzamiento del dado. Al seguir a lo largo de todas las trayectorias, vemos que el espacio muestral es S = (HH, HT, 71, T2, 13, T: 6). = cecionan tres art Ejemplo 2.3. Suponga que se ulos de forma aleatori proceso de fabricacién. Cada articulo se inspeeciona y clasifica como defectuoso, D, 0 sin defectos, N. Para listar los elementos del espacio muestral que proporcione la mayor informacién, construimos el diagrama de arbol de la figura 2.2. Ahora bien, las diversas trayectorias a lo largo de las ramas del drbol dan los distintos puntos muestrales. Al comenzar con la primera trayectoria, obtenemos el punto muestral DDB, que indica ta posibilidad de que los tres articulos inspeccionados sean defee- tuosos. Conforme continuamos a lo largo de las demas trayectorias, vemos que el espacio muestral es 5 = (DDD, DDN, DND, DNN, NDB, NDN, NND. NNN} Los espacios muestrales con un mimero grande o infinito de puntos muestrales se describen mejor mediante un enunciado o regla, Por ejemplo, si los resultados posibles de un experimento son el conjunto de ciudades en el mundo con una poblacién de més de un milln, nuestro espacio muestral se escribe 5 = {x| ves una ciudad con una poblacién de més de un millén}, que se lee “8 es el conjunto de todas las x tales que x es una ciudad con una poblacién de mas de un millén”. La barra vertical se lee “tal que”, De manera milar, si § es el conjunto de todos los puntos (x, y) sobre la frontera o el interior de un cfrculo de radio 2 con centro en el origen, escribimos {@y)|x? + y? <4),Seccién 2.2 Eventos 13 Segundo Tereer Punto articulo articulo articulo muestral D 000 D Noon iB E Dono N N DNN D0 Noo o N WON N D NNO nN N oNNW Figura 2.2 Diagrama de arbol para el ejemplo 2.3 Si describimos el espacio muestral mediante el método de la regla o listando los elementos dependera del problema especffico en cuestién. El método de la resla ene ventajas prdcticas, en particular para los muchos experimentos donde un lis. tado se vuelve una tarea tediosa, = 2.2 Eventos a eee Para cualquier experimento dado podemos estar interesados en la ocurrencia de ciertos eventos mis que en el resultado de un elemento especifico en el espacio muestral. Por ejemplo, podemos estar interesados en el evento A en el que el resul- tado cuando se lanza un dado sea divisible entre 3, Este ocurrird si el resultado es un elemento del subconjunto A = {3, 6) del espacio muestral S, del ejemplo 2.1. Como ilustracién adicional, nos podemos interesar en el evento B de que el nimero de defectuosos sea mayor que 1 en el ejemplo 2.3, Esto ocurrira si él resultado es un elemento del subconjunto 8 = (DDN, PND, NDP, DDD\ del espacio muestral 5. Para cada evento asignamos una coleccién de puntos muestrales, que consti- tuye un subconjunto del espacio muestral. Ese subconjunto representa la totalidad de los elementos para los que el evento es cierto.14 Capituio.2-Probabinidad Defini 2.2 | Un evento es un subconjunio de un espacio muestral Ejemplo 2.4 Dado el espacio muest cierto componente electré 1.5 = {t/t = 0), donde res la vida en aos de ico, entonces el evento A de que el componente falle antes de que finalice el quinto aito es el subconjunto A = ft|0 << 5). Es concebible que un evento pueda ser un subconjunto que ineluya todo el “spacio Muestral S$. o un subconjunto de S que se denomina conjunto vacio y se denota mediante el simbolo @, que no contiene elemento alguno, Por ejemplo, x hacemos que A sea el evento de detectar un organismo micraseépico a simple vista en un experimento biolégico, entonces A = @. Tambi B = (x|x es un factor par de 7}, entonces B debe ser el conjunto vacio, pues los tinicos factores posibles de 7 son las nuimeros nones 1 y 7. Considere un experimento donde se registran los habitos de fumar de los dos de una empresa industrial. Un posible espacio muestral podrfa clasificar individuo como no fumador, fumador ligero, fumador moderado o fumador empedernido. Sea el subconjunto de los fumadores un evento, Entonces la totalidad de los no fumadores corresponde a un evento diferente, también subconjunto de §, que se denomina complemento del conjunto de fumadores. aun Definicién 2.3 | El complemento de un evento A con respecto a 5'es el subconjunto de todos los elementos de $ que no estin en A. Denotamos el complemento de A mediante el simbolo A’, Ejemplo 2.5 Sea R el evento de que una carta roja se seleecione de una baraja ordinaria de 52 cartas, y sea $ toda la baraja, Entonces R’ es el evento de que la carta seleccionada de la baraja no sea una roja sino una negra, = Ejemplo 2.6 Considere el espacio muestral 5 = [libro, catalizador, itado, ingeniero, remache}. Sea A = (catalizador, remache, libro, cigarrillo}, Entonces Al = {precipitado, ingeniero). isideremos ahora ciertas operaciones con eventos que tendran como resul- tado la formacidn de nuevos eventos. Estos eventos nuevos serén subconjuntos del mismo espacio muestral como los eventos dads. Suponga que A y B son dos even- tos asociados con un experimento. En otras palabras, A y B son subconjuntos del mismo espacio muestral S. Por ejemplo, en el lanzamiento de un dado podemos hacer que A sea el evento de que ocurra un ntimero par y B el evento de que aparezea un numero mayor que 3. Entonces les subconjuntos A = (2,4, 6) ¥ B= (4 5,6) son subconjuntos del mismo espacio muestral = [1,2,3,4,5, 6),Definicién 2.4 Definicién 2.5 Definicion 2.6 | La uniém de dos eventos A y B, que se denota mediante el simbolo A U B, es Seccién 2.2 Eventos 15 Notese que A y B ocurririn ambos en un lanzamiento dado si el resultado es un ele- mento del subconjunto (4, 6), que e8 precisamente la interseccién de A y B. terseceién de dos eventos A y B, denotada mediante el simbolo AA B, es el evento que contiene a todos los elementos que son comunes a A y a B, Ejemplo 2.7 Sea P el evento de que una persona seleccionada al azar mientras cena en un restaurante de moda sea un contribuyente, y sea Q el evento de que la Persona tenga mas de 65 afios de edad. Entonces el evento PM Q es el conjunto de todos los contribuyentes en cl restaurante que tienen mas de 65 afios de edad. Ejemplo 2.8 Sean M = (a, ¢, i, 0, u} y N = (r,s, J; entonces se sigue que M0. N @_ Es decir, M y N no tienen elementos en comin y, por tanto, no pueden ocurrit ambos de forma simulténea = Para ciertos experimentos estadisticos no es nada extraio definir dos eventos, Ay B, que no pueden ocurrir de forma simultanea, Se dice entonces que los even- tos A y B son mutuamente excluyentes. Expresado de manera més formal, tenemos Ja definicién siguiente Dos eventos A y B son mutuamente excluyentes o disjuntos si A 1 B = @; es A y B no tienen elementos en comtn. decir, Ejemplo 2.9 Una compaiiia de televisién por cable ofrece programas en ocho diferentes canales, tres de los cuales estan afiliados con ABC, dos con NBC, y uno con CBS. Los otros dos son un canal educativo y el canal de deportes ESPN Suponga que una persona que se suscribe a este servicio enciende un televisor sin seleccionar de antemano el canal. Sea A el evento de que el programa pertenezca a la red NBC y B el evento de que pertenezea a la red CBS. Como un programa de televisién no puede pertenecer a mas de una red, los eventos A y B no tienen pro- gramas en comin. Por tanto, la interseccién AO B no contiene programa alguno y en consecuencia los eventos A y B son mutuamente excluyentes. = ‘A menudo nos interesamos en la ocurrencia de al menos uno de dos eventos aso- ciados con un experimento. Asi, en el experimento de lanzamiento de un dado, si A= (2,4,6) y B= (4,5,6), podemos interesarnos en que ocurra A 0 B, 0 que ocurran A y B. Tal evento, que el resultado es un elemento del subconjunto se llama la union de A y B, ocurrira (2.4.5, 6}. el evento que contiene todos los elementos que pertenecen a A oa Boa ambos.16 Capitulo 2 Probabitidad Ejemplo 2.10 Sea A = {a,b,c} y B = {b. c,d, ef; entonces: AUB=(a,b.ed,e) = P el evento de que un empleado seleccionado al azar de una ros, Sea Q el evento de que el empleado seleccionado to PU Qes el conjunto de todos los cosas. nplo 2.11 compaiia petrolera fume cig: ingiera bebidas alcohd ntonces el ev empleados que beben o fuman, o que he cas nam! Ejemplo 2.12 Si M = (x|3 den asignar seis maestros a cuatro seeciones de un Se introductorio de psicologia si ningiin maestro signa a mds de una secciGn, 22, Se sacan tres billetes de loteria para el suindo y tercer premios de un grupa de 40Seccion 2.4 Probabilidad de unevento 27 ceentré el iimero de puntos inuestralesen S para darlos 27. Un colegio participa en 12 juegos de tutbol du- tres premios si cada concursante slo ticne un billete. Fante una temporada. De cudntas formas puede ef 23. {De cudintas maneras se pueden plantar cinco ér- equipo terminar fa temporada con siete ganados, tres eentes en un circulo? perdidos y dos empates? ax formas se puede acomodar en un 28, Nueve personas se dirigen esquiar en tres autos ravana de ocho Tetas que proviene que llevan dos, De ei hacer —-MUEVe personas hasta el co pasajeros, respectivams 5 ¢5 posible tramsportar a las 25, ; Cudntas permutaciones distintas se pued palabra infirito? ae con las letras de 26. {De cudntas maneras se pueden colocar tres 10 os de ocho recién graduados bles, cuatro p }o largo de la linea divi para las vacantes de una empresa contable? soria de una propiedad si no se distinguc entre los Arboles del mismo tipo? nos y dos arce 2.4 Probabilidad de un evento —————— eee Quiza fue la sed insaciable del hombre por el juego la que condujo al desarrollo tem- Prano de la teorfa de la probabilidad. En un esfuerzo por aumentar sus g Pidieron a los matematicos que les proporcionaran las estrategias éptimas pa Tios juegos de azar. Algunos de los matemiiticos que proporcionaron estas estrate- gias fueron Pascal, Leibniz, Fermat y James Bernoulli. Como resultado de este primer desarrollo de la teoria de Ja probabilidad, Ia inferencia estadistica sus predicciones y generalizaciones, se nce mas alld de los juegos de azar para abarcar muchos otros ca ca, los negocios, la prediccin del clima y la investigacién ci predicciones y generalizaciones sean razonablemente preci prensién de la teoria basiea de la probabilidad. (Qué queremos decir cuando hacemos afirmaciones como “Ju: te ganara c! torneo de tenis”, o “tengo una oportunidad de cincuenta por ciento de obtener un numero par cuando se lanza un dado”, o “no tengo posibilidad d en la loteria esta noche”, o “Ia mayoria de nuestros graduados probablemente esta: r casados dentro de tres anos”? En cada caso expresamos un resultado del cual no. estamos seguros, pero debido a la infermacién del pasado 0 a partir de una com- prensién de la estructura del experimento, tenemos algun grado de confianza en la validez de la afirmacién. En el resto de este capitulo consideramos s6lo aquellos experimentos para los que el espacio muestfal contiene un mimero finito de elementos. La proba de la ocurrencia de un evento que resulta de tal experimento estadistico se evaltia por medio de un conjunto de ntimeros reales denominados pesos o probabil que van de 0a 1. Para todo punto en el espacio muestral asignamos wu dad tal que la suma de todas las probabilidades es 1. Si tenemos raz6n para cree! que es bastante probable que ocurra cierto punto muestral cuando se lleva a cabo el experim la probabilidad que se Ie asigne debe ser cercana a 1. Por otro lado, una probabilidad cercana a cero se asigna a un punto muestral que no es probable que ocurra. En muchos experimentos, como lanzar una moneda o un dado, todos Jos puntos muestrales tienen la misma oportunidad de ocurrencia y se les asignan probabilidades iguales. Para puntos fucra del espacio muestral, es decir, para even- tos simples que no es posible que ocurran, asignamos una probabilidad de cero. con todas, mpos asociados con los eventos aleatorios, como la ntifiea. Para que estas as, es esencial una com-28 Capitulo 2 Probabitidad mn 2.8 Para encontrar la probabilidad de un evento A, sumamos todas las probabili. dades que s a los puntos muestrales en A. Esta suma se denomina proba. b an P(A). La probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales en A, Por tanto, Q=P(A)<1, PO) = PS) =1 » 2Ost Ejemplo 2.22 Se lanza dos veces una moneda, {Cus es la probabilidad de que ocu- tra al menos una cara? SOLUCION El espacio muestral para este experimento es S = (HH, HT, TH, TT]. Sila moneda esta balanceada, cada uno de estos resultados tendra la misma proba: bilidad de ocurrencia, Por tanto, asignamos una probabilidad de w a cada uno de los untos muestrales. Entonces 42 = 1, 0 w = 1/4. Si A representa el evento de que ocurra al menos una cara, entonces oe Sail ay A=(HH,HT,TH) PA) S 5 itt Ejemplo 2.23 Se carga un dado de forma que sea dos veces més probable que sal- ga un numero par que uno non. Si £ es el evento de que ocurra un mimero menor que 4 en un solo lanzamiento del dado, encuentre P(E), SOLUCION El espacio muestral e: 6], Asignamos una probabilidad de wa ca- da niimero non y una probabilidad de 2w a cada nimero par. Como la suma de lag Probabilidades debe ser 1, tenemos 9w = Law = 1/9, Por ello se asignan probabi- lidades de 1/9 y 2/9 a cada mtimero non y par, respectivamente. Por tanto. 1 2p one ooh gurgca E 1,2,3) y P(e) Ejemplo2.24 En el ejemplo 2.23 sea A el evento de que salga un ndmero pary sea # el evento de que salga un numero divisible entre 3, Encuentre P(AUB) y P(AMB), SOLUCION: Para los eventos A= [2, 4,6} y B = (3, 6] tenemos AUB= (23,46) y ane = (6 Alasignar una probabilidad de 1/92 cada numero non y 2/9 aeada numero pa nemos greta whan ery BAM mi hg Sve ole tee a AgTeorema2.9 Vv os ‘Seecion 24 Probabilided de un evento 29 Si ¢1 espacio muestral para un experimento conticne N elementos, los cuales enen la misma probabilidad de ecurrencia, asignamos una probabilidad igual a 1/N arcada uno de tos NV’ puntos. La probabilidad de cualquier evento A que contenga m de estos N puntos muestrales es entonces la raz6n del numero de elementos en A al niimero de elementos en 5, Si un experimento puede tener como resultado cualqui erentes re- Sultades igualmente probables, y si cxactamente n de estos resultados corres. ponden al evento A, entonces Ia probabilidad del evento A es FAs _ Fiemplo 2.25 Un surtido de dulces contiene seis mentas, cuatro ehiclasos y tres chocolates. Si una persona hace una seleccién aleatoria de uno de los dulees, en. cuentre la probabilidad de sacar a) una menta o b) un chicloso o un chocolate SOLUCION M. Ty C representan los eventos de que la persona seleccione, respectivamente, una menta, un chicloso o un chocolate. El numero total de dulces es 13, los cuales tie- nen la misma probabilidad de ser seleccionados. (a) Como seis de los 13 dulces son mentas, la probabilidad del evento M, seleccio- nar una menta al azar, es 6 P(M) = 35: v (b) Como siete de los 13 dulces son chiclosos o chocolates, se sigue que 7 P(TUC) = B Ejemplo 2.26 En una mano de péquer que consiste en cinco cartas, encuentre la probabilidad de tener dos ases y tres sotas SOLUCION El ntimero de formas de tener dos ases de cuatro es G)- ery Bee nmero de formas de tener tres sotas de cuatro es. a 3 Mediante la regla de multiplicacién del teorema 2.1, hay n = (6)(4) = 24 manos con dos ases y tres sotas. E] nimero total de cinco manos de poquer de cinco cartas, las cuales son igualmente probables, es30° Capitulo.2 Probabilidad 598,960. er dos ases y tres solas en una ma. Por tanto, la probabilidad del evento € de obt no de poquer de cinco eartas es = =0.9 105 = 2,598,960, P(C) = Si los resultados de un experimento ne tienen igual probabilidad de ocurren- abilidades se deben asignar sobre la base de un conocimiento previo.g ncia experimental. Por ejemplo, si una moneda no esta ceada, pode- s probabilidades de caras y cruces al lanzar la mone do de veces y registrar los resultados. De acuerdo con la definiciGn de frecuencia relativa de la probabilidad, las probabilidades verdaderas serian las fracciones de fuces que ocurren a Largo plazo. Para encontrar un valor numérico que represente de manera adecuada la pro- bilidad de ganar cn el tenis, debemos depender de nuestro rendimiento pasado en 9 asi como también del de nuestro oponente y, hasta cierto punto, en nuestra: ja de ser capaces de ganar. De manera st ‘a encontrar la probabilidad de que un caballo gane una carrera, debemos Ik probabilidad que se base en las marcas anteriores de todas los caballos que participan en la carrera, asi como de récords de los jockeys que montan los caballos. La i duda también jue- ga una parte en la determinacién del monto de la apuesta que estemos dispuestos a r. El uso de la intuicién, las creencias personales y otra informacién indirecta pa- ar a prababilidades se denomina come la definicién subjetiva de probabilidad. En la ma je de las aplicaciones de probabilidad de este libro la interpre: de probabilidad es la que opera, Su fundamento es el experimento estadistico en lugar de la subjetividad, Se le considera més bien como frecuencia relativa limitante. Como resultado, muchas aplicaciones de probabilidad en la ciencia y la ingenieria se deben basar en experimentos que se puedan repetir. Nociones menos objetivas de probabilidad se encuentran cuando asignamos proba- bilidades que se basan en informaci6n y opiniones previas. Como ejemplo, “hay una buena oportunidad de que los Leones pierdan el super taz6n”. Cuando las opinio- nes y la informacién previa difieren de individuo a individuo, la probabilidad sub- jetiva se vuelve el recurso relevante. 2.5 Reglas aditivas ar la probabilida A menudo es mas facil calcul id de algtin evento a partir del conoci- miento de las probabilidades de otros eventos. Esto puede ser cierto si el evento cuestion se puede representar como la unién de otros dos eventos o como el plemento de algan evento. A continuacién se presentan varias leyes important que con frecuencia simplifican el calcul de probabilidades, La primera, que se nomina regia aditiva, se aplica a uniones de eventos,Saccidn 25 Reglas aditivas 34 eo 2.10 | Si A y B son cualesquiera dos eventos, entonces P(AUB) = P(A) + PCB) = P(A) PRUEBA Considere el diagrama de Venn de la figura 2.7. P(AUB) es Ia suma de las Probabilidades de los puntos muestrales en AU. Ahora bien P(A) + P(B) es la de todas las probabilidades en A mas la suma de todas las probabilidades en 5 veces las probabilidades en (AB). Como estas praba- ades se suman a P(A B), debemos restar esta probabilidad una vez para ob- uma de las probabilidades en AUB, que es P(AUB). s A AnB 8 Figura 2.7 Regla aditiva de probabilidad. Corolario 1 | Si A y & son mutuamente excluyentes, entonces “ P(AUB) = P(A) + P(B). El corolario | es un resultado inmediato del teorema 2.10, pues si A y B son mutua- mente excluyentes, A B = @ y entonees P(A 8) = P(@) = 0. En general, escri- bimos: es, entonces exeluy: Corolari Si Ay, A;, Ay,...,A,, son mutuamente P(A,UA,U--UA,) = P(A,) + P(A,) +--+ P(A,). Corolario 3 $i A), A;,..., A, es una particion de un espacio muestral S, entonces P(A,\UA,U-UA,) = P(A,) + P(A) + + PCA,), = P(S) Como se podria esperar, el teorema 2.10 se extiende de forma andloga.32 © Capitulo2 Probabitidad ‘Teorema 2.1 ] Para tres eventos A, By C, P(A UB UC) = P(A) + P(B) + P(C) = PLAN B) P(ANC) — P(BNC) + P(ANBNC), Ejemple 2.27 La probabilidad de que babilidad d es 1/4, ruebe matemétieas es 2/3, y la pro- jue apruebe inglés es 4/9, Si la probabilidad de aprobar ambos cursos es la probabilidad de que P. menos Uno de estos cursos? SOLUCION M es el evento por la regla de ad robar matematicas”, y F el evento “aprobar inglés”, entonces in tenemos. 9 45 36 P(MUE) = P(M) + P(E) — P(MME) ae Ejemplo 2.28 {Cuil es la probabilidad de obtener un total de siete u 11 cuandose lanza un par de dados? SOLUCION Sea A el evento de que ocurra siete y B el evento de que salga 11. Ahora bien, un total de siete ocurre para seis de los 36 puntos muestrales y un total de 11 ocurre s6- Jo para dos. Como todos los puntos muestrales son igualmente probables, tenemos P(A) = 1/6y P(B) = 1/18. Los eventos A y B son mutuamente excluyentes, pues un total de siete y 11 no pueden ocurrit en el mismo lanzamiento. Por tanto, inl en} UB) = P(B)==+ — = P(AUB) = P(A) + PB) = Et = 5 Este resultado también se podrfa obtener al contar el ntimero total de puntos para el evento AUB, 0 sea 8, y escribir WW _ Bipods FE or oa El teorema 2.10 y sus tres corolarios deben ayudar al lector a ganar una mayor comprensién de la probabilidad y su interpretacién. Los corolarios | y 2 sugieren el resultado muy intuitivo que trata con la probabilidad de ocurrencia de al menos uno de un ntimero de eventos, sin que puedan ocurrir dos de ellos simulténeamente. La probabilidad de que al menos ocurra uno es la suma de las probabilidades de ocu- rrencia de los eventos individuales. El tereer corolario simplemente establece que el valor mas alto de una probabilidad (uno) se asigna a todo el espacio muestral §. Ejemplo 2.29 Si las probabilidades de que una persona que compra un automévil _ nuevo elija el color verde, blanco, rojo 0 azul son, respectivamente, 0.09, 0.15, 0.21 ¥ 0.23, ;cual es Ia probabilidad de que un comprador dado adquiera un automévil nuevo que tenga uno de esos colores?SOLUCION Sean G,W,R ‘exeluyentes, la probabilidad e B los eventos de automdvil verde, blanco, rojo.o Seccién 2.5 egies aditivas 3B que un comprador seleecione, respectivamente un azul. Como estos cuatro eventos son mutuamente P(GUWURUB) = PCG) + POW) + PCR) + P(B) A menudo es mas dificil calcular calcular la probabilidad de que el evento no o: 0.09 + 0.15 + 0.21 + 0.23 = 0.68. it probabilidad de que ocurra un evento que ura. Si este es el caso para algdn evento A, simplemente encontramos primero P(A’) y después, con el uso del teo. rema 2.11, encontramos P(A) porsustraccién. Teorema 2.12 v Si A y A’ son eventos complementarios, entonces P(A) + P(A’) PRUEBA Como AU A’ = $y los conjuntos A y A’ son disjuntos, entonees 1 = P(S) = P(AUA’) = P(A) + PLAY) Ejemplo tres, cuatro, 30 Si las probabilidades de que un mecénico automotriz ICO, Seis, siete, ocho o mas autos en un dia de trabajo dado son 0.12, dé servicio a 0.19, 0.28, 0.24, 0.10, y 0.07, respectivamente, ;cusl es la probabilidad de que dé ser. vicio al menos a cinco autos el siguiente dia de trabajo? ‘SOLUCION Sea E el evento de que Como. menos cinco autos reciban servicio. Ahora bien, = 1 = P(E’), donde E” es el evento de que menos de cinco autos reciban se E) io, P(E) = 0.12 + 0.19 = 031 se sigue del teorema 2.12 que PC 1-031 = 069 « sada una de las ase ver: 1. Encuentre los errores er iones siguientes: (a) Las probabilidades de que un vendedor de auto- maviles venda 0, uno, dos, o tres autos en un dfa dado dé febrero son 0.19, 0.38, 0.39 y 0.15, respectivamente (6) La probabilidad de que lueva mafana es 0.40 la Probabilidad de que no Ilueva es 0.52. (€) Las probabilidades de que una impresora.cometa 0, luno, dos, tres, 0 cuatro errores al imprimir un documen- to son 0:19, 0.34, 0.25, 0.43 y 0.29, respectivamente. (@) Al sacar una carta de una baraja en un solo inten- {0 la probabilidad de seleccionar corazones es 1/4, la Probabilidad de seleccionar una carta negra es 1/2, y Ia probabilidad de seleecionar una carta negra de cora- ‘ones es 1/8, 2, Suponga que todos los elementos de 5 en el ejer- ccicto 8 de la pagina 18 tienen la misma probabilidad de ocurrencia, encuentre (a) Ia probabilidad del evento A; (b) 1a probabilidad del evento €; (c) la probabilidad det evento ‘0 C. 3. Una caja contiene 500 sobvres de los cuales 75 contienen $100 en efeetivo, 150 contienen $25 y 275 contienen $10, Se puede comprar un sobre en $25, ;Cudl es el espacio muestral para cantidades de dinero? -Asigne probabilidades: a los puntos muestrales y despues encuentre la probabili- dad de que e! primer sobre que s¢ compre contenga menos de $100,34 — Capitulo 2 Probabitidad 4. Suponga que en un grupo de tiltimo ano de facul- tad de 500 estudiantes se encuentra que 214fuman, 258 -consumen bebidas aleohélicas, 216 comen entre comi= das, 122 fuman y consumen bebidas aleohélicas, 83 co. ‘men entre comids y consumen bebidas aleohdlicas, 97 fuman y comen entre comidas y 52 tienen estos tres hi: bitos nosivos para la salud. Si se seleceion miembro de este grupo, ene que el estudiante (a) fume pero no consuma bebidas aleohélicas; (b) coma entre comidas ¥ consuma bebidas alcoholi cas pero no fume (©) ni fume ni coma entre comidas. 5. La probabilidad de que una industria norteame- ricana se ubique en Munich es 0.7, la probabilidad de que se ubique en Bruselas es 04 y la probabilidad de que se ubique en Munich o Bruselas o en ambas €5 0.8. ;Cuél es la probabilidad de que la industria se ubique (a) enambas ciudades? (b) en ninguna de estas ciudades? 6. De experiencias pasadas un agente de bolsa eree que con las condiciones econdmicas actuales un clien- te invertird en bonos libres de impuestes con una pro- babilidad de 0.6, invertira en fondos mutualistas con tuna probabilidad de 0.3 e invertira en ambos con una probabilidad de 0.15. Ahora, encuentre la probabilidad de que un cliente invierta (a) en bonos libres de impuestos o en fondos mutua- listas: (b) em ninguno de los instrumentos. 7. Sise elige al azar una letra del alfabeto inglés, en- cuentre la probabilidad de que La letra (@) sea una vocal excluyendo y (b) esté listada en alguin lugar antes de la letra j; (e) esté listada en algun lugar después de la letra g. 8. Un fabricante de automoviles esta preocupado por él posible retira de su sedan de cuatro puertas de mayor venta. Si hubiera un retiro, hay una probabili- dad de 0.25 de que haya un defecto en el sistema de frenos, de0.18 en la transmisiGn, de 0.17 en el sistema de combustible y 0.40 en alguna otra drea. fa) {Cuil es la probabilidad de que el defecto esté en los frenos o en el sistema de combustible sila probabi- lidad de defectos simultaneos en ambos sistemas es 0.2? (b) {Cuil ¢s la probabilidad de que no haya defectos #1. Jos frenos.o en el sistema de combustible’ cada articulo codificado en un catélogo comien- tires letras distintas seguidas por cuatro digitos distintos de cero, encuentre la probabilidad de sclec- sionar alestoriamente uno de estos articulos codifica- dos que tenga como primera letra una vacal y el éltie mo digito sea par. 10, Se lanza un par de dados, Encuentre la probabile dad de obtener (a) un total de ocho; (b) a lo mas un total de-einco. 11.) Se sacan dos cartas sucesivamente de una baraja sin remplazo, {Cual es la probabilidad de que ambas, cartas sean mayores que dos y menores que ocho? 12. Si se toman tres libros al azar de un librero que contiene cinco novelas, tres libros de poemas y un dice Gionario, ,cudl es la probabilidad de que (a) se seleccione el diccionario? (b)_se seleccionen dos novelas y un libro de poemas? 13. En una mano de poquer que consiste en cinco car- tas, encuentre la probabilidad de tener (a) tres ases: (b) cuatro.cartas de corazones y una de tréboles, 14, Enun juego de Yahtzee, donde se lanzan cinco dae dos de forma simultinea, encuentre la probabilidad de obtener cuatro del mismo tipo, 15. En unaclase de 100 estudiantes graduados de pre- paratoria, 54 estudiaron matemticas; 69, historia y 35 cursaron matemiticas ¢ historia, Si se selecciona al ar uno de estos estudiantes, encuentre la probabili- ad de que (a) el estudiante cursé matemiaticas 0 historia; (b) el estudiante ne Mev6 alguna de estas materias; (c) el estudiante cursé historia pero no matematicas. 16. La empresa Dom's Pizza Company utiliza pruebas, de sabor y el andlisis estadistico de los datos antes de. comercializar cualquier producto nuevo. Considere un estudio que ineluye tres tipos de pastas (delgada, delga- da con ajo y orégano, y delgada con trozos de queso). ‘También estudian tres salsas (estdindar, una nueva sal- sa con mis ajo y una nueva salsa ¢on albahaca fresca). (a) {Cudntas combinaciones de pasta y salsa se in- cluyen? (b) {Cual es la probabilidad de que un juez tenga una pasta delgada sencilla con salsa estandar en su prime> ra prueba de sabor? 17. De acuerdo con la Consumer Digest (julia/agosto de 1996), la ubieacion probable de las PC en una Recémara de adultos 0.03 Recdmara de nifios os (tra recémara od i Oficina o estudio 0.40) (Otros cuartos 028(a) {Cudl es la probabilidad de que Seccién 2.6 Probabilided condicional 35 PCesté en {(c) Suponga que se selecciona una familia al azar ene {re las familias con una PC; en queé habitacién espera- (b) {Cuil es la probabilidad de que no esté en unare- ia encontrar una PC? camara? 2.6 Probabilidad condicional Definicién 2.9 La probabilidad de que un evento B ocurr evento A sc llama probabilidad condi \ cuando se sabe que ya ocurrié algdn nal y se denota por P(B| A). El simbolo P(B|A) por lo general se lee “la probabilidad de que ocurra & dade que ocurrié A” ‘© simplemente “la probabilidad de B, dado A”, Considere el evento B de obtener un cuadrado perfecto cuando se lanza un da- do, El dado se construye de modo que los ntimeros pares tengan el doble de proba- bilidad de ocurrencia que los ntimeros nones, Con base en el espacio muestral § = {1, 2,3, 4, 5, 6}, con probabilidades asignadas de 1/9y 2/9 resps mente, a los ni- meros impares y pares, la probabilidad de que ocurra B es 1/3. Suponga ahora que se sabe que el lanzamiento del dado tiene como resultado un ntimera mayor que 3. Tenemos ahora un espacio muestral reducida A = {4,5, 6), que es un subeonjunto de 5. Para encontrar la probabilidad de que ocurra B, en relacién con el espacio A, debemos asignar primero nuevas probabilidades alos elementos de A proporciona- les a sus probabilidades originales de modo que su suma sea 1. Al asignar una pro- babilidad de w al ntimero non en A y una probabilidad de 2w a los dos nimeros Pares, tenemos Sw = 1 ow = 1/3. En relacién con el espacio A, encontramos que contiene sélo el eiemento 4. Si denotamos este evento con el simbolo B/A, escribimos B]A = (4), y de aqui 2 P(B|A) = 5 Este ejemplo ilustra que los eventos pueden tener probabilidades diferentes cuan- do se consideran en relaci6n con diferentes espacios muestrales. También podemos eseribir 2_ 2/9 _ Plans) a omar 9 mucstr lad condicional relativa.a un subespacio A de Sse pue- ades que se asignan a los elementos donde P(A.NB) y P(A) se encuentran a partir del esp: otras palabras, una probabili de calcular de forma directa de las probabi del espacio muestral original S. La probabilidad condicional de B, dado A, que se denota con P(B|.A), se d como pena) = GRD si P(A) >0. suponga que nuestro espacio muestral J es la po- judad que cumplen con los requisitos para ob: os de acterdo con su sexo y Como ilustracién adicion: blacién de adultos en una pequena tener un grado en la facultad, Debemos clasifiea situacién laboral:Capitulo 2 Probabilided Uno de estos individuos se sel a promover las ¥ jesaremos en los eve tajas de est os siguientes: vés del pais pa Nos int ¢ un hombre, E> cletcgido ticne empleo. Al utilizar el espacio muestral reducido £, encontramas que 460 23 FUMIE) = Goo = 30 Sea (A) el ntimero de elementos en cualquier conjunto A. Con el uso de esta notacién, podemos escribir n(EOM) _ n(EOM)/n(S) _ P(EQM) n(E) n(E)/n(S) P(E) P(M|E) = donde P(E M) y P(E) se encuentran a partir del espacio muestral original 5. Pa- ra verificar este resultado, note que pes O00 T12' Sau oes 400 _ 23 Ue) ccge gf AUN contra De aqui _ 23/45 _ 23 P(M|E) = 3/3 = 3° Comoantes. Ejemplo 2.31 La probabilidad de que un yuelo programado normalmente salga a tiempo es P(D) = 0.83; la probabilidad de que Hegue a tiempo es P(A) = 0.82; y la probabilidad de que salga y legue a tiempo es P(DMA) = 0.78. Encuentre la probabilidad de que un avin a) llegue a tiempo, dado que salié a tiempo y b) sa- lid a tiempo, dado que lege a tiempo. SOLUCION (a) La probabili de que un avién Hegue a tiempo, dado que salié a tiempo es. P(DOA) _ 0.78 PID) 083 (b) La probabilidad de que un avi6n saliera a tiempo, dado que Hleg6 a tiempo es PWDNA) _ P(A) P(A|D) = = 0.94, P(D|A) =Seccién 2.6 Probabilidad condicional 37 En el experimento de lanzamiento de un dado que se discutié en la pagina 35 notamos que P(B|A) = 2/5 mientras que P(B) = 1/3. Es decir, P(B\A) # P(B), lo que indica que B depende de A. Consideremos ahora un experimento en el que se sacan 2 cartas una después de la otra de una baraja ordinaria, con reemplazo, Los eventos se definen como A: la primera carta es un as, B: la segunda carta es uma espada. Como la primera carta se reemplaza, nuestro espacio muestral para la primera y se- gunda cartas consiste en 52 cartas, que contienen ctiatro ases y 13 espadas. De aqui 1301 1 PB ae 13 P@lA)= 5-5 y 7 Es decir, P(B|A P(B). Cuando esto es 110, se dice que los eventos A y B son La nocién de probabilidad condicional proporciona la capacidad de reevaluar la idea de probabilidad de un evento a la luz de la informaci6n adicional; es decir, cuando se sabe que ocurrié otro evento. La probabilidad P(A|B) es una “actualiza- cién” de P(A) basada en el conocimiento de que ocurrié el evento B. En el'ejemplo 2.31 es importante conocer la probabilidad de que los vuelos lleguen a tiempo. Se nos da la informacién de que el vuelo no salié a tiempo. Con esta informacién adi- cional, la probabilidad mas pertinente es P(A|D’), esto es, la probabilidad de que Hegue a tiempo, dado que no saliéa tiempo. En muchas situaciones las conelusio- nes que se obtienen de observar la probabilidad condicional mas importante cam- bian por completo la situacién, En este ejemplo el calculo de P(A|D') es P(AND') _ 0.82 — 0.78 = = 02. P(D') 0.17 ae P(A|D") = Como consecuencia, la probabilidad de una llegada a tiempo disminuye considera- blemente ante la presencia de la informacién adicional. Eventos independientes Aunque la probabilidad condicional tiene en cuent racin de la probabilidad de un evento a la luz de material adicional, también nos permite comprender mejor el muy importante concepto de independencia o, en cl contexto actual, el de even- tos independientes. En la ilustraeién del aeropuerto, P(D|A) difiere de P(D). Es- to sugiere que la ocurrencia de A influye en D y esto realmente se espera en este caso. Sin embargo, considere la situacién donde tenemos los eventos A y By P(A|B) = P(A). En otras palabras, la ocurrencia de B no tiene impacto en las probabilidades de ocu- rrencia de A. Aquila ocurrencia de A es independiente de la ocurrencia de B38 Capitulo? Probabilidad La importancia d so. Juega un pa tor “ancepto de independen pel vital en el mate las direas de con exce- Definicién 2.10 | Dos eventos A y B son independientes si y slo si P(B|A)= P(B) sy P(A|B) = P(A). De otra forma, A y B son dependientes, La condicién P(B|A) = P(B) in aque P(A|B) = P(A), y viceversa. Para los experimentos de extraccién de una carta, donde mostramos que P(BIA) = P(B) = 1/4, también podemos ver que P(A|B) = P(A) = 1/13 2.7_Reglas multiplicativas Al multiplicar la frmula de la definicién 2.9 por P(A), obtenemos la gla multiplicativa importante, que nos permite rran dos eventos, iguiente re- icular la probabilidad de que ecu- Teorema 2.13 | Si cn un experiment pueden ocurrir los eventos A y B, entonces P(ANB) = P(A)P(B|A). Asi la probabilidad de que ocurran A y B es igual a la probabilidad de que ocurra A multiplicada por la probabilidad de que ocurra B, dado que ocurre A. Como los eventos AB y BMA son equivalentes, se sigue del teorema 2,13 que también po- demos escribir P(ANB) = P(BOA) = P(B)P(A|B). En otras palabras, no importa cual evento se considera como A y cudl como B, Ejemplo 2.32 Suponga que tenemos una caja de fusibles que contiene 20 unida- des, de las cuales cinco estan defectuosas, Si se seleecionan dos fusibles al azar y se separan de la caja uno después del otro sin reemplazar el primero, gcudl es la pro- babilidad de que ambos fusibles estén defectuosos? SOLUCION Sean A el evento de que el primer fusible esté dlefectuosa y B el evento de que el Jefectuoso; entonces interpretamos A B como el evento de que 0c tra A, y entonces # ocurre después de que ocurre A, La probabilidad de separar p mero un fusible defectuoso es 1/4; entonces la probabilidad de separar un segundo fusible defectuoso de los restantes 4 es 4/19. Por ello raanayn (SbSeecién 2.7 Regles muhiplicativas 39 Ejemplo 2.33 Una bolsa contiene cuatro bolas blancas y tres hegras, y una segun- da bolsa conticne tres blancas y cinco negras. Se saca una bola de le primera bolsa y se coloca sin verla en la segunda, ;Cudil es la probabilidad de que ahora se saque una bola negra de la segunda bols SOLUCION Sean B,, B2, y W, respectivamente, la extraccién de una bola negra de la bolsa 1 una negra de fa bolsa 2 yuna blanca de la bolsa 1. Nos interesa la unién de loseven. Hann tamente excluyentes 8,2, y WB. Las diversas posibilidades y sus pro- babilidades se ilustran en la figura 28. Entonces P[(B,NB,) 0 (W,9B,)) "(2,1 By) + POW, By) = P(B,)P(B,|B,) + P(W,)P(B,|W,) “G6)-G@- * P18, 8) =(2)(8) =) PAB Wa) = (3 (4) (5) raw,n.ay =(4)(8) = Pw Wa) =(4)(4) Figura 2.8 Diagrama de drbol para el ejemplo 2.33. i i ible se reemplaza y los fusibles se reacomo- Si, em el ejemplo 2.32, el primer fusible se reemplaza y dan pa eeanstcis atch de que se extraiga el segundo, entonces la probabilidad de un fusible defectuoso en la segunda seleccidn aun es 1/4; es decir, P(B|A) = P (B) ¥ los eventos A y B son independientes. Cuando esto es cierto, podemos sustituir P(B) por P(B|A) en el teorema 2,13 para obtener la siguiente regia especial de mul- tiplicacién. »40 Capitulo 2 Probabilidad ‘Teorema 2.14 Teorema 2.15 Dos eventos A y B son idependientes si y silo si P(ACB) = PCA)PUB). abilidad de que acurran dos eventos independiente mos el producto de sus probabilidades indi iduales, a cit n carro de bomberos y un | probabilidad de que el carro de bomberos esté dis. site ¢s 0.98 y la probabilidad de que ta ambulancia esté disponible cuando se fe requiera ¢5 0.92. En el caso de que resulie un herido de un edificio en Hamas, tre Ja probabilidad de que la ambul yele de bomberos estén disponibles. SOLUGION Sean A y B los respectivos eventos de y la ambulancia. Entonces P(ANB) = P(A)P(BY = (0,98)(0,92) = 0.9016, Ejemplo 2.44 Una pequ mbulaneia disponibles para emerger ponible cuando se ne jue estén disponibles el carro de bomberos Ejemplo 2.35 Se | los. ;Cudl es la probabilidad de ob- tener totales de sie ‘SOLUCION n Aj, Ay, By, y B, los eventos independientes respeetivos de que ocurr te en la primera tirada siete en el segu wamicnto, wn Ll en el prix mero y un If encl se probabilidad de la union de los eventos mutuamente excluyentes Ay OB, y B, OAs. Por tanto, PU(A, OB.) UCB, 0A,)] = P(A B,) + P(A) P(A\)P(B,) + PCB PLA) (5)(ts)* (is) (6) 1 Bi Los teoremas 2.13 y 2.14 se p neralizar para cub de eventos, como se establece en el teorema siguiente, = ir cualquier mimero nun experimento, pueden ocurrir los eventos Ay, A,, Ay... Ay, entonces P(ANA,D AVN Ay) P(A,)P(Ag|A,) (AA, AQ) P(A A, NAO OAL) Silos eventos 4)-42. 4s). Ai son independientes, entonces P(A, NA, DAMM Ay) = PLA, )P(Ag PCA) P(Ag)Saccion 2.7 Reglas multiplicativas &4 Ejemplo 2.36 "Se sacan tres cartas una tras otra, sin reemplazo, de una baraja or- dinaria. Encuentre la probabilidad de que ocurra el evento A, O.A,NA,, donde A. esel evento de que la primera carta sea un as rojo, A, el evento de que la segunda carta sea un 10 0 una sota y A, el evento de que la tercera carta sea mayor que tres pero menor que siete, rt SOLUCION Primero definimos los eventos A\: la primera earta es un as rojo, unda carta es.un 10.0 una s 12 P(A,|A, NA. tia (A3]41 942) = 55 8 P(A,|A,) = a y de aqui, por el teorema 2.13, P(A\NANA,) = P(A))PCALIA, )P(Ag14,0.4;) = (2)(8)(2) 2 8 52/\51/\50, 5525 Ejemplo 2.37 Se carga una moneda de modo que Ia cara tenga una posibi ocurrir dos veces mayor que la cruz, Si se lanza tres veces la moneda, cual babilidad de obtener dos cruces y una cara? SOLUCION El espacio muestral para el experimento consiste en los ocho elementos, S= |MHH, HHT, HTH, THH, HTT, THT, TTH, TTT}. Sin embargo, con una moneda no balanceada ya no es posible asignar probabilida- des iguales a cada punto de la muestra. Para encontrar las probabilidades, consi rese primero el espacio muestral S, = {H, 7), que representa los resultados cuando se lanza una vez. la moneda. Si se asignan probabilidades de w y 2w para obtener una cruz y una cara, respectivamente, tenemos 3w = 1 0 w = 1/3. Por tanto P(H) = 2/3 y P(T) = 1/3, Sea ahora A el evento de obtener dos cruces y una cara en los tres lanzamientos de la moneda. Entonces, A = (TTH, THT, HTT), y como los resultados en cada uno de los tres lanzamientos son independientes, se sigue del teorema 2.15 que rm 1 (1\ (2 2 PCTHR) = P(A TON) = P(E (DPC) = GGG) = 37 ‘De manera similar, 2 2 ch PHD = pu) = 2 yporello PA)= 2424 2a 242 Capitulo 2 Probabilidad Ejercicios es 1. Si Res cl evento de que un convicto cometiera un robo a mano armada y D es el evento de que cl convieto promo xprese en palabras to qu (a) P(R|D); (b) P(D"|R): (c) P(R'|D"), 2. Una clase de fis tudiantes de pri timo ano y 10 gra- duados. Las ciones fit muestran que tres ‘estudiantes de primer ano, 10 del ultimo alte ¥ cinco m Aen cl curse, Si se eli 1 el consumo de dh robabilidades se indica por un estudiante 5 tino de los que of dad de que 1.0 ella se ar de esta clase y se encuentra que wieron A, ,cual es la probabili- iante de Gllime ato? 3. Una muestra de 200 adultos se elasifica ajo por sexo y su nivel de edue: Educa lombre Primari 3 Secundaria 28 Facultad 2 Si se escoge una persona al azar de este grupo, ‘cuentre la probabilidad de que (a) la persona sea hombre, dado que la persona ne educaci (b) la persona no tiene un grado universitario, dado que la persona es mujer. 4. En un experimento para estudiar la relaci6n de la hipertensi6n arterial y los habitos de fu Jos siguientes datos para 180 individuc ir, se retinen No Fumadares Fumadores fumadores moderados empederaidos Con hipertensién 21 36 30 Sinhipertensién 48 26 19 Si se selecciona uno de estos individuos al azar, en- cuentre la probabilidad de que la persona (@) sufre hipertensién, dado que Ia persona es un fu- mador empedernida; (b) sea un no furnador, dado-que | de hipertension 5. En cl dltimo afo de una elase de graduados d Preparatoria con 100 alumnos, 42 cursaron mater 68, psicologia; 54, historia; 22 matemdticas ¢ his- 25, matemAticas y psicolopfa, siete ‘ni matematicas ni psicologfa; 10, cursaron las tr ersona no sufre terias y och leecia lidad de (a) una no tom, n estudiamte on alguna de las tres, Si se se war, encuentre la probabi ona inscrita en psicologt cursa las tres teresa en la calidad de su suero. Tres diferentes d tamentos pracesan los lotes de suero y ti de rechazo de 0.10, 0.08 y 0,12, respe “iones de los tres departamentos son secuenci dependientes. 1 es la probabilidad de que un lote de suero la primera inspecein departamental pe- echazadlo por cl segundo departamento? es la probabilidad de que un lote de suero departamento? 7, En USA Today (5 de septiembre de 1996) se lis- taron como sigue los resultados de una encuesta so- bre el use de rapa para dormir mientras se wiaja jombre Mi 0.220 Ropa inte 0.024 0244 Camisén 0.002 0.180 0.182 0.160 O18, 0178 0.102 0.073, 0.175 Camiseta 0046 0.088, 0134 Otros 084 0.003 ops7 4 (a) {Cual es la probabilidad de que un viajero sea una mujer que ducrme desnuda? (b) ;Cual es la probabilidad de que un viajero sea hombre? (©) Suponga que el probabilidad de que un viajero sea mujer en pijama? (d) {Cual es la probabilida hombre si duerme 9.25, la probabilidad de que necesite un huevo filtro de aceite es 0.40 y Ia probabilidad de que te cambio de aceite y filtro es 0.14. se tiene que cambiar el aceite, cual es Ia pro- habilidad de © un nuevo filtro? e nuevo, ,oudl es la ambiar ef aceite?¢f9)La probabilidad de que un hombre eas “ci¢rto programa de televisin es 0.4 y la proba de que una mujer casada vea el programa es 0.5, La probabilidad de que un hombre vea el programa, da. do. que su esposa To hace, ¢s 0.7. E bilidad de que (a) un matrimonio vea el programa; (b) una esposa vea el programa dado que su esposo love: (e) al m program; 10. Para matrimonios que viven en cierto suburbio la probabilidad de que el esposo vote en un referé 21 yla probabilidad de que ambos voten ¢s 0.15, ;Cual es la probabilidad de que (a) al menos un miembro de un matrimonie (b) una esposa vote, dado que su esposo vota (6) un esposo vote, dado que su esposa no vote 11. La probabilidad de que un vehiculo que entra a Jas Cavernas Luray tenga placas de Canada es 0:12 la probabilidad de que sea una casa rodante es 0.28 y Ia probabilidad de que sea una casa rodante con placas de Canadé ¢s.0.09. ,Cuail es la probabilidad de que (2) una casa rodante que entra a las Cavernas Luray tenga placas de Canada? (b) un vehiculo con placas de Canada que entra a tas Cavernas Luray sea una casa rodante? (6) un vehiculo que entra a las Cavernas Luray no ten- ga placas de Canad o que no sea una casa rodante? 12. La probabilidad de que el jefe de familia esté en casa cuando un representante de MCI llame es 0.4. Dado que el jefe de familia esta en casa, la probabi: lidad de que ocurra un cambio de compafi‘a para tas Hamadas de larga distancia es 0.3. Encuentre la pro- babilidad de que el jefe de familia esté en casa y cambie a MCI para el servicio de llamadas de larga distancia, 13, La probabilidad de que un doctor diagnostique de manera correcta una enfermedad particular es 0.7. Da- do que el doctor hace un diagndstico incorrecto, la pro babilidad de que el paciente presente una demanda es 0.9. {Cusl es la probabilidad dle que el doctor haga un, diagndstico incorrecio y el paciente lo demande? 14. En 1970, 11% de los estadounidenses completa- Ton cuatro afios de profesional, de los cuales 43% ran mujeres. En 1990, 22% de los estadounidenses completaron cuatro aiios de profesional, de los cuales 53% fueron mujeres. (Time, 19 de enero de 1996.) 10s una persona de un matrimonio vea el vote Seccidn 2.7 Reglas mulipticativas 43 (a) Dado que una persona completo cuatro afios de profesional en 1970, ;cual es la probabilidad de que la persona sea mujer? (b) , Cul es la probabilidad de que una mujer termi- ne cuatro afios de profesional en 1990? (©) {Cul es la probabilidad de que en 1990 un hom. bre no haya terminado Ja carrera profesional? 15. Un agente de bienes rafees tiene ocho lave: Mmaestras para abrir varias casas nuevas. Sélo una Have maestra abriré cualquiera de las casas. $i 40% de estas casas por lo general se dejan abiertas, ,cudl es la probabilidad de que el agente pueda entrar en una casa especifica si selecciona tres laves maestras al azar antes de salir de la oficina? 16. Antes de Ia distribucién de cierto software esta distico se prueba la precisién de cada cuarto disco compacto (CD). El proceso de prueba gonsiste en correr cuatro programas independientes y verificar los resultados, La tasa de falla para los cuatro pro- gramas de prueba son O01, 0.03, 0.02 y 0.01, respec tivamente, (a) ;Cual es la probabilidad de que un CD que se pruebe falle cualquier prueba? (b} Dado que se prueba un CD, jcudl es la probabi lidad de que falle el programa dos o tres? (©) En una muestra de 100, gcudntos CD esperaria que se reehazaran? (@) Dado que un CD esti defectuoso, geal es Ia pro- babilidad de que se pruebe? 17,) Una ciudad tiene dos carros de bomberos que ‘operan de forma independiente, La probabilidad de que un carro especifico esté disponible cuando se le necesite es 0.96, (a) ,Cual esa probabilidad de que ninguno esté dis- ponible cuando se les necesite? (b) ,Cual es ta probabitidad de que un carro de bom- beros esté disponible cuando se le necesite? 18. La probabilidad de que Tom viva 20 aftos més es 0.7, y Ia probabilidad de que Nancy viva 20 afos més es (09. Si suponemos independencia para am- bos, ,cusl es la probabilidad de que ninguno viva 20 anos mis? 19, Un neceser contiene dos frascos de as tres fraseos de labletas para la tiroides, Un segundo bolso grande contiene tres frascos de aspirinas, dos frascos de tabletas para la tiroides y un frasco de tax bletas laxantes, Si se saca un frasco de tabletas al azar de cada equipaje, encuentre la probabilidad de que (a) ambos frascoscontengan tabletas para la tiroides; irina y44 Capitulo 2 Probanitidad (b) ningdin frasco contenga tabletas para la tiroides; (c) Jos dos frascos contengan tabletas diferentes, 20. Laps su dentista necesite rayos X es 0.6, que una persona que necesite una placa de también tenga una amalgama es 0.3, y la pr de que una persona que tenga una placa de rayos X y © 0.1. {Cuil es la probabilidad de que una persona 98 25 y 29, respectivamente, que visita a su dentista tenga una placa de rayos X ‘una amalgama y un diente extraido? 2.8 Regla de Bayes Regresemos a Ia ilustracién de la seceidn 2.6, donde un individuo se seleeciona al azar de los adultos de una pequefia ciudad para viajar por el pas y promover las Yentajas de esiablecer industrias nuevas en la ciudad. Suponga que ahora damos la informacion adicional de que 36 de los empleadas y 12 de los desempleados son miembros del Club Rotario, Deseamos encontrar la probabilidad del evento A de que el individuo seleccionade sea miembro del Club Rotario. Con referencia a la fi- Bura 2.9, podemos escribir A como la unidn de los dos eventos muluamente exclu. yentes ENA y ENA. De aqui A=(ENA)U(E'NA ¥ por el corolario 1 del teorema 2.10, y ademés el te: P(A) = PICEM A)U(E’NA)] iad de seleccionar aleatoria: 4 Titros de leche en buenas condiciones sueesi, bilidad de que una persona que visita a mente de un refrigerador que contiene 20 litres de probabilidad de es cinco estdin echados a perder, mediante e| formula del teorema 2.15 en la paging ma 2.13, podemos eseribir P(E A) + P(E NA) = P(E)P(A|E) + PUR PALE’) Los datos de la seceidn 2.6, junto con los datos adicionales dados arriba para el conjunto A, nos permiten calcular 600 2 368 aCe Pp 900 3 4 PE y= 00 = 30" aie I os FE) =>, PAE) = 300s asi Figure 2.9 Diagrama de Venn para los evontos A, Ey jSoccion 2.8 Reglede Bayes 45 £ PtAle) = 3/50 oe 2 EPA) as Px oh a E plaleyeras gPEDPIAIE Figura 2.10 Diograma de arbol para los datos de la pagina 44 By Figura 2.11 Particion del espacio muestral S. Si mostramos estas probabilidades por medio del diagrama de arbol de la figura 2.10, donde la primera rama da la probabilidad P(E)P(A| E) y la segunda rama da la probabilidad P(E")P(A|E"), se sigue que mca) ~(5)(50) + (3) as) = 3 Una generalizacién de la ilustracién precedente al caso donde el espacio mues- tral se parte en k subconjuntos la cubre el siguiente teorema, que algunas veces se denomina teorema de probabilidad total o regla de eliminacién, Teorema 2.16 | Si los eventos B,, Bs, tal que P(B,) # 0 para B, constituyen una particin del espacio muestral 1,2,....k, entonces para cualquier evento A de S, k k P(A) = & P(B,NA) = > PCB) (A|B,). a PRUEBA Considere el diagrama de Venn de la figura 2.11. $ A es la unin de los eventos mutuamente exeluyentes \e observa que el evento46 Capitulo 2 Probabilided B\NA, B,OA,..., B.A; es decir, A= (2, NA)U(B)NA)U UB, A). Con el uso del corolaria 2 del teorema 2.10 y ademas el teorema 2.13, tenemos P(A) = P[(B,NA)U(B, NADU Ua, NAY] = P(B,MA) + P(B MA) +--- + P(B,MA) i ‘ = SPB.) = > PB) PUB, a 1 Ejemplo 2.38 En cierta planta de montaje, tres maquinas, ,, By y Bs, montan 30%, 45% y 25% de los produetes, respectivamente. Se sabe de la experiencia pa- sada que 2%, 3% y 2% de los productos ensamblados por cada maquina, respecti- Yamente, tienen defectos. Ahora, suponga que se selecciona de forma aleatoria un Producto terminado. ,Cudl es la probabilidad de que esté defectuoso? SOLUCION Considere los eventos siguientes: A: el producto esti defeetuoso, 8): el producto esta ensamblado por la maquina B,, By! el producto est ensamblado por la maquina B,. B,: el producto-estd ensamblado por la maquina B, Al aplicar la regla de eliminacién, podemos escribir PCA) = P(B,)P(A|B,) + P(B:)P(A|B,) + P(B,)P(A|B,). Con referencia al diagrama de mas dan las probabilidades P(B,)P(A|B,) = (0.3) (0.02) = 0,006, P(B,)P(A|B,) = (0.45) (0.03) = 0.0135, P(B)P(A[B,) = (0.25)(0.02) = 0.008 bol de la figura 2.12, encontramos que las tres rax P(AIB,)= 0.02 A PIAIB,) 003A PLAIB,) = 0.02 ope Figura 2.12 Diagrama de érbol para el ejemplo 2.38Teorema 2.17 Seccién 28 Regia de Bayes 47 y de aqui P(A) = 0,006 + 0.0135 + 0.005 = 0.0245, En lugar de preguntar por P(A), por la regla de eliminacién, suponga que con- Sideramos ahora el problema de encontrar la probabilidad condicional P(B,|A) en el ejemplo 2.38. En otras palabras, suponga que se seleccioné un producto de for. ma aleatoria y es defectuoso, ,Cual es la probabilidad de que este producto fuera hecho por la m: B,? Preguntas de este tipo se pueden contestar mediante cl uso del teorema siguiente, que se lama regla de Bayes: (Regla de Bayes) Si los eventos B,, B,, ..,, B, constituyen una particion del espacio muestral 5 donde P(B,) # 0 para i = 1,2,.....k, entonces para cual- quier evento A en S tal que P(A) ¥ 0, P(B, P(B,)P(A|B, BE eee eee ee ret DP(BNA) > P(B)P(AIB,) PRUEBA Por la definicién de probabilidad condicional, P(B,AA) P(A) y con el uso del teorema 2.16 en el denominador, tenemos P(B,NA) ; : 3S Pena) m= P(B,\A) = P(B,|A) = Al aplicar el teorema 2.13 al numerador y al denominador, obtenemos la forma al- terna, B, P«B,|A) ED ) > P(B)P(A|B,) i= que completa la demostracién. j eferencia al ¢j 38, si se elige al azar un producto y se Be Ue oer orcs, qoial cx peobablitad ce qld bre eatarblodu fot la maquina B,? SOLUCION ‘Con el uso de la regla de Bayes para escribir P(B)PCA|B,) P(B,)P(A|B,) + P(B:)P(A| B,) + P(BS)P(A|B,) ¥y después sustituir las probabilidades calculadas en el ejemplo 2.38, tenemos P(BA) =48 Capitulo 2 Probabitidad P(B,|A) = En 0.005 0.005 _ 10 0,006 + 0.0135 + 0.005 0.0245 ~ 49 ista del hecho de que se selecciond un producto defectuose, este resulta. do sugiere que probablemente no fue hecho con la maquina By. « Ejercicios SS w 1. Encierta region del pais se sabe por experiencia del pasado que la probabilidad de seleccionar un adulto mayor de 40 aftos de edad con cancer es 0.05. Si la probabilidad de que un doctor diagnostique de forma correcta que una persona con cdncer tiene la enfermedad es 0.78 y la probabilidad de que diagnos- tique de forma incorrecta que una persona sin cdncer como si tuviera la enfermedad es 0,06, zcusil es la pro: babilidad de que a una persona se le diagnostique cancer? 2. La policfa planea reforzar los limites de velocidad mediante el uso de un sistema de radar en cuatro di- ferentes puntos dentro de la ciudad, Las trampas de radar en cada uno de los sitios Ly. Ly, Ly y Ly operan 40%, 30%, 20% y 30% del tiempo, y si una persona que maneja a gran velocidad cuando va a su trabajo tiene las probabilidades de 0.2.0.1, 0.5 y 0.2, respec vamente, de pasar por esos lugares, ;cudl es la prob: bilidad de que reciba una multa por conducir con exeeso de velocidad? 3. Refiérase al ejercicio 1, zcudl es la probabilidad de que una persona a la que se le diagnostica cdneer realmente tenga la enfermeda 4, Sienel ejercicio 2 la persona es multada porcon- ducir con exceso de velocidad en su camino al traba- Jo, cual es Ia probabilidad de que pase por el sistema de radar que se ubica en L? ~ 5. Suponga que los cuatro inspectores de una fabri ca de pelicula colocan la fecha de caducidad en cada Paquete de pelicula al final de la linea de montaje, John, que coloca la fecha de caducidad en 20% de los. Paquetes, no la pone una vez en cada 200 paquetes: ‘Tom, que la coloca en 60% de los paquetes, no la colo- a una ver en cada 100 paquetes; Jeff, quien la coloca en el 15% de los paquetes, no to hace una vee en cada 90 paquetes; y Pat, que fecha 5% de los paquetes, no Jo hace una ver en cada 200 paquetes, Si un consumi dor se queja de que su paquete de pel tra la fecha de caducidad, Zeudl es la probabilidad de que haya sido inspeceionado por John? 6. Una compaiia telefénica regional opera tres es- taciones relevadoras idénticas en diferentes siti Durante un periodo de un ao, el mimero de desper- fectos reportados por cada estacion y las causas se miuestran abajo Estaciones: AB Problemas con el suministro 2 aa de clectricidad Desperfecto de la computadora = 432 Fallas del equipo eléctrico. 5.48 Fallas ocasionadas por otros 7 a errores humans Suponga que se reporta una falla y que se encuentra que fue ocasionada por otros errores humanos, ,Cudl sla probabilidad de que provenga de la estacién C? 7. La contaminacién de los rios en Estados Unidos ¢s un problema de hace varios afios. Considere los ‘eventos siguientes: A = [El rio esté contaminado) B = [Una prueba en una muestra de agua detec« ta contaminacién.} € = [Se permite la pesca.) Suponga: P(A) = 0.3, P(B|A) = 0.75, P(B\A‘) = 0.20, P(C|ANB) = P(C|A'NB) = 0.15, P(C|ANB’) = 0.80, P(C|A'OB’) = 0.90. (a) Eneuentre P(AN BNC). (b) Ene P(BINC). (c) Eneuentre P(C), (d) Eneuentre la probabilidad de que el rie esté con- taminado, dado que se permite la pesca y que la pre ba de la muestra no detecte contaminacién.8 Una cadena de tiendas de pintura produce y ven de pintura de latex y semiesmaltada. Con base en las ventas de largo plazo, la probabilidad de que un clien- te compre litex es.0.75. De los que compran pintura de litex, 60% también compran rodillos, Pero 30% Seccién 28 Regia de Bayes 49 de los compradores de pintura semiesmaltada com- pran rodilles. Un comprador que se selecciona al azar compra un rodillo y una lata de pintura. gCudl es la probabilidad de que la pintura sea de latex? Ejercicios de repaso SSS Pe os ae 1. Un suero de la verdad tiene 1a propiedad de que 90% de los sospechosos culpables se juzgan de forma adecuada mientras que, por supuesto, 10% de los sos- pechosos culpables resultan err6neamente inocentes, Por otro Lado, a los sospechosos inocentes se les juzga de manera errénea 1% de las veces, Si l sospechoso se seleceiona de un grupo de sospechosos de los que s6lo 5% alguna vez han cometido un crimen, y el suero indica que ¢s culpable, ,cuél es la probabilidad de que sea inocente? 2. Una alergista afirma que 50% de los pacientes que examina son alérgicos a algin tipo de hierba. {Cuil es la probabilidad de que (a) exactamente tres de sus cuatro préximos pacien- tes scan alérgicos a hierbas? (b) ninguno de sus siguientes cuatro pacientes sean alérgicos a hierbas? 3. Mediante la comparacion de las regiones apro- piadas en un diagrama de Venn, verifique que (a) (ANB)U(ANB’) = a; (b) A’'U(B'UC) = (ANB ULA'UC). 4. Las probabilidades de que una estacién de servi- io bombee gasolina en 0, uno, dos, tres, cuatro, cin- co 0 mds autos durante cierto periodo de 30 minutos s0n 0.03, 0.18, 0.24, 0.28, 0.10 y 0.17, respectivamente. Encuentre la probabilidad de que en esie periodo de 30 minutos (a) mas de dos autos reciban gasolina: (b} a fo més cuatro autos reciban gasolina; {c) cuatro o més autos reciban gasolina 5. {Cudntas manos de bridge que contengan cuatro ©spadas, seis diamantes, una de bastos y dos corazo- nes son posibles? 6. Sila probabilidad de que una persona cometa un tror en su declaraciGn de impuestos es 0.1, encuen- tre la probabilidad de que (3) cuatro personas no relacionadas cometan cada luna un error, (b) el sefior Jones y la sefiora Clark cometan un error, y el seiior Roberts y la seftora Williams no co- metan errores. 7. Una empresa industrial grande usa tres hoteles locales para proporcionar hospedaje nocturno a sus clientes. Por experiencia pasada se sabe que a 20% de los clientes se les asignan habitaciones en el Ramada Inn, al 50% en el Sheraton y al 30% en el Lakeview Motor Lodge. Si hay una falla en la plomeria en 5% de las habitaciones del Ramada Inn, en 4% de las ha. bitaciones del Sheraton y en 8% de las habitaciones del Lakeview Motor Lodge, ccuil es la probabilidad de que (a) aunel en la plomeria? (b) a una person blemas de plomeria se le el Lakeview Motor Lodge’ habitacion con falas igne w abitacién que tiene pro- aya con una 8. De un grupo de cuatro hombres y cinco mujeres, gcudntos comités de tres miembros son posibles (a) sin restricciones? (b) con un hombre y dos mujeres? () con dos hombres y una mujer si cierto hombre debe estar en el comit 9. La probabilidad de que un paciente se recupere de una delicada operacion de corazon es 0.8, Cuil es la probabilidad de que (a) exactamente dos de los siguie que tienen esta operacién sobrevivan? (b) los siguientes tres pacientes que te racién sobrevivan? 10. En cierta prisién federal se sabe que 2/3 de los reclusos.son menores de 25 aitos de edad, También se sabe que 3/5 de los reos son hombres y que 5/8: son mujeres de 25 afos de edad o mayores. {Cul es la probabilidad de que un prisionero seleccionado al azar de esta prisién sea mujer y de al menos 25 aftos, de edad? esta ope50 Capitulo 2. Probabilidad 11. De cuatro manzanas rojas, cinco verdes y seis amarillas, ,cudntas selecciones de nueve manzanas son posibles si se deben seleccionar tres de cada color? 12. De una caja que contiene seis bolas negras y cua- tro verdes se extraen tres bolas sucesivamente, cada bola se reemplaza en la caja antes de que se extraiga la siguiente. ;Cual es la probabilidad de que (a) las tres sean del mismo color? (b) cada color esté representado? 13. Un cargamento de 12 televisores contiene tres defectuosos, ,De cuantas formas un hotel puede com- Prar cinco de estas unidades y recibir al menos dos defectuosas? 14. Se examinaron los planes de estudio de ingenie- ria eléctrica, quimica, industrial y mecdnica. Se en- cuentra que algunos estudiantes no cursan estadistica, algunos cursan un semestre y otros cursan dos semes- tres. Considere los eventos siguientes: A: Se cursa algo de estadistica B: Ingenieros eléctricos e industriales C: Ingenieros quimicos Utilice diagramas de Venn y sombree las areas que representan los eventos siguientes: (a) (ANB)’; (b) (AUB); (c) (ANC)UB. 15. Cierta agencia federal emplea a tres empresas consultoras (A, B y C) con probabilidades de 0.110, 0.35 y 0.25, respectivamente. De la experiencia pasa- da se sabe que las probabilidades de €XCesOS en COstos de las empresas son 0.05, 0.03 y 0.15, respectivamente, Suponga que la agencia experimenta un exceso en los costos, (a) {Cual es la probabilidad de que la empresa con- sultora implicada sea la compafiia C? (b) {Cual es la probabilidad de que sea la compafiia A? 16. Un fabricante estudia los efectos de la temperatu- ra de coccidn, tiempo de coccién y tipo de aceite para la coccién para hacer papas fritas. Se utilizan tres dife- rentes temperaturas, cuatro diferentes tiempos de coc- cion y tres diferentes aceites. (a) ,Cual es el namero total de combinaciones a es- tudiar? (b) {Cudntas combinaciones se uti zaran para cada tipo de aceite? (c) Discuta por qué las Permutaciones no son un pro- blema en este ejercicio, 17. Considere la situacién del ejercicio 16 y suponga que el fabricante puede probar sélo dos combinacio- nes en un dia. (a) ,Cual es la probabilidad de que se elija cualquier conjunto dado de dos corridas? (b) {Cual es la probabilidad de que se utilice la tem- peratura mas alta en cualquiera de estas dos combi- naciones?3 Variables aleatorias y distribuciones de probabilidad 3.1_Concepto de variable aleatoria Definicién 3.1 La estadistica se ocupa de realizar inferencias acerca de poblaciones y sus caracteris- ticas. Se llevan a cabo experimentos cuyos resultados se encuentran sujetos al azar. La Prueba de un niimero de componentes electrOnicos es un ejemplo de experimente tadistico, término que se utiliza para describir cualquier proceso mediante el cual se generan varias observaciones al azar. A menudo es importante asignar una deserip. cién numérica al resultado. Por ejemplo, el espacio muestral que da una descripcién detallada de cada posible resultado cuando se prueban tres componentes electrénicos se puede escribir como 5S = (NNN, NND, NDN, DNN, NDP. PND, DDN, DPD} defectuoso”. Naturalmente, estamos . De esta forma a cada punto stos valores donde N’ denota “no defectuoso” y D denota interesados en el nimero de defectuosos que ocurre €n el espacio muestral se le asignard un valor numérico de 0, 1,203 torias determinadas por ef resultado del experimen: son, por supuesto, cantidades al to. Se pueden ver como valores que toma la variable alearoria X, el ntimero de ar- ticulos defectuosas cuando se pruchan tres componentes clectrénicos Una variable aleatoria cs una funcién que asocia un mimero real con cada ele- mento del espacio muestra, 5152 Capitula 3. Variables alestorias y distribuciones de probebilidad Utilizaremas una letra maytiscula, digamos X, para denotar una variable aleatoria Y su correspondiente minuscula, x en este caso, para uno de sus valores. En el ejem plo anterior de prucba de componentes electrénicos, notamos que la variable alea- toria X toma el valor 2 para todos los elementos en el subeonjunto = (PDN, DND, NDD} al §. Es decir, cada valor posible de X representa un evento que ubconjunto del espacio muestral para el experimento dado. Ejemplo 3.1 Se sacan dos bolas de manera sucesiva sin reemplazo de una urna que contiene cuatro bolas rojas y tres negras. Los posibles resultados y los valores y de le a a ¥, donde ¥ es el nimero de bolas rojas, son yacio muestral RR 2 RB 1 BR 1 BB 0 Ejemplo 3.2 El empleado de un almacén regresa tres cascos de seguridad al azar a tres empleados de un taller sidertirgico que ya los habian probado. Si Smith, Jo- nes y Brown, en ese orden, reciben uno de los tres cascos, liste los puntos muestra- les para los posibles érdenes de regreso de los caseos y encuentre el valor m de Ia variable aleatoria M que representa el ntimero de asociaciones correctas, SOLUCION SiS, Jy B representan los cascos de Smith, Jones y Brown, respectivamente, enton- Ces los posibles arreglos en los que se pueden regresar los cascos y el ntimero de aso- ciaciones correetas son Espacio muestral SI 3 SBI 1 ISB 1 JBS 0 BSI o BIS 1 En cada uno de los dos ejemplos anteriores, el espacio muestral contiene un mii- mero finito de elementos. Por otro lado, cuando se lanza un dado hasta que ocurre un cinco, obtenemos un espacio muestral con una secuencia interminable de ele- mentos, = [F, NF, NNF, NNNF.’... | donde Fy N representan, respectivamente, Ia ocurrencia y no ocurrencia de un 5. Pero incluso en este experimento cl mimero de elementos puede ser igual a todos los niimeros enteros de modo que hay un primer elemento, un segundo, un tercero” ¥ asf sucesivamente, y en este sentido se pueden contar, =Definicién 3.2 Definicién 3.3 Seccién 3.2 Distribuciones discratas de probabilidad SB muimero finito de posibilidades o una serie como mimeros enteros existen, se llama es- Los resultados de algunos experimentos estadist contables. Tal es el caso, por ejemplo, cuando se lleva a cabo una investigaci6n pa- ra medir las distancias que recorre cierta 1 de automévil en una ruta de prue- ba preestablecida con cinco litros de Supengamos que la distancia es una Variable que se mide con algan grado de precisién, entonces elaramente tenemer aq huimero infinito de posibles distancias en el espacio muestral que nose pueden igua- lar a todos los ntimeros enteros, También, si se registrara el tiempo requerido para que tenga lugar una reaceién quimica, una ve: los posibles intervalos de tiem- Po que forman nuestro espacio muestral son infinitos en ntimero e incontables, Ve. nos ahora que no todos los espacios mucstrales necesitan ser discretos 08 No pueden ser ni finitos Si un espacio muestral contiene un némero infinito de posi mero de puntos en un segmento de aleatoria se Hama variable aleatoria discreta sise puede contar su con- junto de resultados posibles. Como los posibles valores de ¥ en el ejemplo 3.1 son 0.1 y 2 y los valores posibles de M en el ejemplo 3.2 son 0, 1 y 3, se sigue que ¥ y M son variables aleatorias discretas. Cuando una variable aleatoria puede tomar va- lores en una escala continua, se le denomina variable aleatoria continua. A menu do los posibles valores de una variable aleatoria continua son precisamente los mismos valores que contiene el espacio muestral continuo, Tal es el caso cuando Ia variable aleatoria representa la medicién de la distancia que cierta marea de auto- movil recorre en una pista de prueba con cinco litras de gasolina. En la mayor parte de los problemas practicos, las variables aleatorias continuas Tepresentan datos medidos, como son todos los posibles pesos, alturas, temperaturas, distancias o periodos de vida, mientras que las variables aleatorias discretas represen tan datos contados, como el mimero de articulos defectuosos en una muestra de k ar- ticulos 0 el ntimero de accidentes de carretera por aio en un estado dado. Nétese que las variables aleatorias Y y M de los ejemplos 3.1 y 3.2 representan datos contadas, ¥ el nimero de bolas rojas y M el numero de asignaciones correctas de los cascos. 3.2 Distribuciones discretas de probabilidad Una variable aleatoria discreta toma cada uno de sus valores con cierta probabil dad, En el caso de lanzar una moneda tres veces, la variable X que representa el ni- mero de caras, toma el valor 2 con probabilidad 3/8, pues tres de los ocho puntos muestrales igualmente probables tienen como resultado dos caras y una cruz, Si se suponen pesos iguales para los eventos simples del ejemplo 3.2, la probabilidad de que ningiin empleado obtenga de vuelta su casco correcto, es decir, la probabilidad de que M tome el valor cero, es 1/3, Las valores posibles m de M y sus probabilida- des son54 Copiuio 3 Variables ateatorias y disteibuciones de probabil m iP ae Fi=ny [| 5 2 a Note que los valores de a dades suman 1 Con frecuencia es cony riable aleatoria X mediante cién de los. valores nu agotan todos los casos posibles y por ello las pre representar tod Tal formul ncricos x que denotar os f(x) = PUK Conjunto de pa Hos (4, f(0)) se Il nde probabilidad de la variable aleator las probabilidades d neces: mte seria una fun nos con f(x), g(x), r(x), y asi es decir, f(3) = P(X = 3) nde probabilidad o distri. discreta X. Definicién 3.4 | El conjunto de pares ordenados (x, 7(c)) €s una funcién de probabilidad, fun- cién masa de probabilidad o distribueién de probabilidad de la variable aleaus, Fla discreta X'si, para cada resultado posible ., L f(x) =o. Py 3S fie) 3. P(X =x) = f(x), 3 Ejemplo 3.3 Un embarque de ocho microcomputadoras similares para una tienda Contiene tres que estin defectuosas. $i una escuela hace una compra al a de estas computadoras, encuentre la distribucién de probabilidad pa defectuosas. SOLUCION Sea X una variable aleatoria cuyos valores .t son los nmeros posibles de compu jadoras defectuosas que compra Ia escuela. Entonces x puede ser cualesquiera de los ndmeros 0, 1 y 2. Ahora bien, S(O) = P(X = 0) Ss {Q) = P(X = 1) 3) (5) f(2) = PUX = 0) = 2)() t) Entonces la distribucién de probabilidad de ¥ es»Seccidn 3.2 Distribuciones discretes de probabilidad 55. 2 Te) [ens Ejemplo 34 Si una agencia de autos vende $0% de su inventario de cierto vehicu- lo extranjero equipado con bolsas de aire, encuentre una f6rmula para la distribu- ci6n de probabilidad del ndmero de autos con bolsas de aire entre los siguientes cuatro vehiculos que venda la agencia, : SOLUCION ‘Como la probabilidad de vender un automévil con bolsas de aire es 05, los 2 < 16 puntos del espacio muestral tienen la misma probabilidad de ocurrencia. Por tanto, ef denominador para todas las probabilidades, y también para nuestra funciGn es 16, Para obtener el mimero de maneras de vender tres modelos con bolsas de aire, Recesitamos considerar el nimero de formas de dividir cuatro resultados en dos cel. das con tres modelos con bolsas de aire asignadas a una celda, y el modelo sin bol (4 sas de aire asignado a la otra. Esto se puede hacer de (3) = 4 formas. En general, elevento de vender x modelos con bolsas de aire y 4 — x modelos sin bolsas de aire puede ocurrir de (4) formas, donde x puede ser 0, 1 x, bucion de probabilidad f(x) = P(X = x) es ) x) 16 304. Entonces, la distri- FQ) = parax = 0,1,2,3,4. Hay muchos problemas donde deseamos c: Fla probabilidad de que el va- lor observado de una variable aleatoria X’sea menor o igual que algin nimero real x. Al escribir F(x) = P(X = x) para cualquier mimero real x, definimos a F(x) co- mo la distribucion acumulada de la variable aleatoria X. = Definicién 3.5. | La distribucién acumulada F (x) de una variable aleatoria discreta X con dist buci6n de probabilidad f(x) es FO=P(XS)= Sf para-a Dg TO YY) re il 16° F(2) = f(0) + f(t) + fQ) F(3) = f(O) + f(L) + f(2) + fB) = :, FA) = FO) + fC) + £2) + FB) + (4) = 1 0 parar <0 % parad =x <1 : : aral=x<2 Fay=l® P Oa ie iar § para3ax<4 1 parax > 4, Entonces, bee 3 F(2) = F(2) - F() = 1é 16 sia A menudo es util ver una distribuci6n de probabilidad en forma grdfica. Se pue- den graficar los puntos (x, f(x) del ejemplo 3.4 para obtener la figura 3.1. Al unir los Puntos al je x, ya sea con una linea punteada o con una sdlida, obtenemos lo que por lo general se denomina como graifiea de barras. La figura 3.1 permite ver de forma fa cil qué valores de X tienen més probabilidad de ocurrencia, y también indica en este caso una situacidn perfectamente simétrica. En lugar de graficar los puntos (x, f()), mas a menudo construimos rectangu- los, como en Ia figura 3.2, Aqui los rectéingulos se construyen de modo que sus ba- ses, de igual ancho, se centren en cada valor x y sus alturas sean iguales a las Probabilidades dadas por f(x). Las bases se construyen de forma tal que no dejen espacios entre los recténgulos, La figura 3.2 se llama histograma de probabilidad.Soccién 3.2 Distribuciones discretas de probabilidad ST roxy tx) 6/16 * eal 5/16 ie ota a it 46 ae ane 26 2N6 Wee * m6 bee Be easter en =i y Ca Beata a Oi ak ag? ee a en Figura 3.1 Grafica de barras. Figura 3.2 Histograma de probabilidad, Fim Como cada base en la figura 3.2 tiene ancho unitario P(X = x) es igual al area del rectangulo centrado en_x. Incluso si las bases no fueran de ancho unitario, podriamos ajus- tar las alturas de los rectangulos para que las dreas ain fueran iguales a las probabilida- des de X al tomar cualquiera de sus valores x. Este concepto de utilizar éreas para representar probabilidades es necesario para nuestra consideracién de la distribucin de Pprobabilidad de una variable aleatoria continua. La grafica de la distribucién acumulada del ejemplo 3.2, que aparece como una fu cién escalonada en Ia figura 3.3, se obtiene al graficar os puntos (x, F(x). Ciertas distribuciones de probabilidad se aplican a mas de un tribucién de probabilidad del ejemplo 3.4, por ejemplo, también se aplica a la variable aleatoria Y, donde Y es el mamero de caras cuando se lanza 4 veces una moneda, o a la variable aleatoria W, donde W es el ntimero de cartas rojas que resultan cuando se sacan 4 cartas sucesivamente al azar de una baraja con el reemplazo de cada carta y barajando antes de sacar la siguiente. En el capftulo 5 se consideraran distribuciones discretas espe- ciales que se pueden aplicar a muchas situaciones experimentales diferentes. ica, La dis-838 Capitulo 3 Variables aleatorios y distribuciones de probabilidad 3.3 _Distribuciones continuas de Probabilidad ble aleatoria continua tiene una probabilidad cero de tomar exaciamen- fe cualquiera de sus valores. En consecuencia, su distribucin de probabilidad no se puede dar en forma tabular, En un principio esto puede parecer sorprendente, pero se hace més plausible cuando consideramos un ejemplo particular. Conside. Temos una variable aleatoria cuyos valores son las alturas de toda la gente mayor de 21 afios de edad, Entre cualesquiera dos valores, digamos 163.5 y 164.5 cent metros, 0 incluso 163.99 y 164.01 centimetros, hay un nimero infinito de alturas, una de las cuales es 164 centimetros. La probabilidad de seleccionar una persona al azar que mida exactamente 164 centimetros de estatura junto infinitamente grande de estaturas tan cercanas a 164 centimetros que huma- namente no se pueda medir la diferencia es remota, por ello asignamos una probabilidad cero a tal evento. Este no es el caso, sin embargo, si nos referimos a !a probabilidad de seleecionar una persona que al menos mida 163 centimetros pe- TO no més de 165 centimetros de estatura, Tratamos ahora con un intervalo en Iu gar de un valor puntual de nuestra variable aleatoria. Trataremos el cdleulo de probabilidades para varios intervalos de variables aleatorias continuas como P(a < X ¢), etcétera. Notese que cuando es continua, ‘no sea una del con- Paa< b) = Pla < X

You might also like

• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  From Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Rating: 4 out of 5 stars

  4/5 (5810)
• The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  

  From Everand

  The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You Are

  Brené Brown

  Rating: 4 out of 5 stars

  4/5 (1092)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  From Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Rating: 4.5 out of 5 stars

  4.5/5 (843)
• • Magazines
  • Podcasts
  • Sheet music
• Principles: Life and Work

  

  From Everand

  Principles: Life and Work

  Ray Dalio

  Rating: 4 out of 5 stars

  4/5 (608)
• The Glass Castle: A Memoir

  

  From Everand

  The Glass Castle: A Memoir

  Jeannette Walls

  Rating: 4.5 out of 5 stars

  4.5/5 (1716)
• Grit: The Power of Passion and Perseverance

  

  From Everand

  Grit: The Power of Passion and Perseverance

  Angela Duckworth

  Rating: 4 out of 5 stars

  4/5 (590)
• Sing, Unburied, Sing: A Novel

  

  From Everand

  Sing, Unburied, Sing: A Novel

  Jesmyn Ward

  Rating: 4 out of 5 stars

  4/5 (1104)
• Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  

  From Everand

  Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space Race

  Margot Lee Shetterly

  Rating: 4 out of 5 stars

  4/5 (897)
• Shoe Dog: A Memoir by the Creator of Nike

  

  From Everand

  Shoe Dog: A Memoir by the Creator of Nike

  Phil Knight

  Rating: 4.5 out of 5 stars

  4.5/5 (540)
• The Perks of Being a Wallflower

  

  From Everand

  The Perks of Being a Wallflower

  Stephen Chbosky

  Rating: 4.5 out of 5 stars

  4.5/5 (2104)
• The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  

  From Everand

  The Hard Thing About Hard Things: Building a Business When There Are No Easy Answers

  Ben Horowitz

  Rating: 4.5 out of 5 stars

  4.5/5 (346)
• Bad Feminist: Essays

  

  From Everand

  Bad Feminist: Essays

  Roxane Gay

  Rating: 4 out of 5 stars

  4/5 (1018)
• Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  

  From Everand

  Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future

  Ashlee Vance

  Rating: 4.5 out of 5 stars

  4.5/5 (474)
• Her Body and Other Parties: Stories

  

  From Everand

  Her Body and Other Parties: Stories

  Carmen Maria Machado

  Rating: 4 out of 5 stars

  4/5 (822)
• The Outsider: A Novel

  

  From Everand

  The Outsider: A Novel

  Stephen King

  Rating: 4 out of 5 stars

  4/5 (1850)
• The Emperor of All Maladies: A Biography of Cancer

  

  From Everand

  The Emperor of All Maladies: A Biography of Cancer

  Siddhartha Mukherjee

  Rating: 4.5 out of 5 stars

  4.5/5 (271)
• The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  

  From Everand

  The Sympathizer: A Novel (Pulitzer Prize for Fiction)

  Viet Thanh Nguyen

  Rating: 4.5 out of 5 stars

  4.5/5 (122)
• Angela's Ashes: A Memoir

  

  From Everand

  Angela's Ashes: A Memoir

  Frank McCourt

  Rating: 4.5 out of 5 stars

  4.5/5 (441)
• Brooklyn: A Novel

  

  From Everand

  Brooklyn: A Novel

  Colm Toibin

  Rating: 3.5 out of 5 stars

  3.5/5 (1946)
• The Little Book of Hygge: Danish Secrets to Happy Living

  

  From Everand

  The Little Book of Hygge: Danish Secrets to Happy Living

  Meik Wiking

  Rating: 3.5 out of 5 stars

  3.5/5 (401)
• The World Is Flat 3.0: A Brief History of the Twenty-first Century

  

  From Everand

  The World Is Flat 3.0: A Brief History of the Twenty-first Century

  Thomas L. Friedman

  Rating: 3.5 out of 5 stars

  3.5/5 (2259)
• A Man Called Ove: A Novel

  

  From Everand

  A Man Called Ove: A Novel

  Fredrik Backman

  Rating: 4.5 out of 5 stars

  4.5/5 (4610)
• The Art of Racing in the Rain: A Novel

  

  From Everand

  The Art of Racing in the Rain: A Novel

  Garth Stein

  Rating: 4 out of 5 stars

  4/5 (4203)
• A Tree Grows in Brooklyn

  

  From Everand

  A Tree Grows in Brooklyn

  Betty Smith

  Rating: 4.5 out of 5 stars

  4.5/5 (1929)
• Steve Jobs

  

  From Everand

  Steve Jobs

  Walter Isaacson

  Rating: 4.5 out of 5 stars

  4.5/5 (806)
• The Yellow House: A Memoir (2019 National Book Award Winner)

  

  From Everand

  The Yellow House: A Memoir (2019 National Book Award Winner)

  Sarah M. Broom

  Rating: 4 out of 5 stars

  4/5 (98)
• Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  

  From Everand

  Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New America

  Gilbert King

  Rating: 4.5 out of 5 stars

  4.5/5 (266)
• The Woman in Cabin 10

  

  From Everand

  The Woman in Cabin 10

  Ruth Ware

  Rating: 3.5 out of 5 stars

  3.5/5 (2521)
• A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  

  From Everand

  A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True Story

  Dave Eggers

  Rating: 3.5 out of 5 stars

  3.5/5 (231)
• Yes Please

  

  From Everand

  Yes Please

  Amy Poehler

  Rating: 4 out of 5 stars

  4/5 (1898)
• Team of Rivals: The Political Genius of Abraham Lincoln

  

  From Everand

  Team of Rivals: The Political Genius of Abraham Lincoln

  Doris Kearns Goodwin

  Rating: 4.5 out of 5 stars

  4.5/5 (234)
• Fear: Trump in the White House

  

  From Everand

  Fear: Trump in the White House

  Bob Woodward

  Rating: 3.5 out of 5 stars

  3.5/5 (738)
• Wolf Hall: A Novel

  

  From Everand

  Wolf Hall: A Novel

  Hilary Mantel

  Rating: 4 out of 5 stars

  4/5 (3811)
• John Adams

  

  From Everand

  John Adams

  David McCullough

  Rating: 4.5 out of 5 stars

  4.5/5 (2409)
• On Fire: The (Burning) Case for a Green New Deal

  

  From Everand

  On Fire: The (Burning) Case for a Green New Deal

  Naomi Klein

  Rating: 4 out of 5 stars

  4/5 (74)
• The Light Between Oceans: A Novel

  

  From Everand

  The Light Between Oceans: A Novel

  M.L. Stedman

  Rating: 4.5 out of 5 stars

  4.5/5 (789)
• The Unwinding: An Inner History of the New America

  

  From Everand

  The Unwinding: An Inner History of the New America

  George Packer

  Rating: 4 out of 5 stars

  4/5 (45)
• Manhattan Beach: A Novel

  

  From Everand

  Manhattan Beach: A Novel

  Jennifer Egan

  Rating: 3.5 out of 5 stars

  3.5/5 (792)
• The Constant Gardener: A Novel

  

  From Everand

  The Constant Gardener: A Novel

  John le Carré

  Rating: 3.5 out of 5 stars

  3.5/5 (104)
• Rise of ISIS: A Threat We Can't Ignore

  

  From Everand

  Rise of ISIS: A Threat We Can't Ignore

  Jay Sekulow

  Rating: 3.5 out of 5 stars

  3.5/5 (137)
• Little Women

  

  From Everand

  Little Women

  Louisa May Alcott

  Rating: 4 out of 5 stars

  4/5 (104)