Unidad II: ProbabilidadIMPORTANCIA DEL ESTUDIO DE LA PROBABILIDAD. ores éPor qué es importante es- ror tudiar la teoria de las pro- eee | tb ilidades? Peta ee as ee ee eon ee ee Pe esac eens Las probabilidades son una herramienta fundamental ce a OES ice | | en el desarrollo de un individuo. Son una forma de Se ee aca Rarc entender el mundo, de ampliar nuestra forma de Ces pensar y por lo tanto de cambiar nuestra realidad in- En la actualidad, la teoria de las probabilidades mediata. Permiten esclarecer el conocimiento me- ee ee diante la evaluacién de informacién del tipo probabi- fener ett cer tes et listica. Las probabilidades son el traductor con el que como la Stet Eey | disponemos de este mundo incierto y complejo. Pee emer tacién de la exactitud en las mediciones entre Mas que adquirir conocimientos, las probabilidades Se eRe ‘amplian nuestra forma de ver y entender el mundo, particular para las distntas diseiplinas de la in- ya que desarrollan nuestro pensamiento estadistico genieria y nos ayudan en la toma de decisiones informadas. Winds: 64 kph Pressure: 1005mbPROBABILIDAD in experimento es cualquier accién, proceso bien Ui de medir determinadas caracteristicas 0 variables, o cualquier cadena de circunstancias que generan una observacién o medida, En este curso nos cen- ‘raremos en los experimentos aleatorios: aquellos que pue- den producir resultados diferentes, aunque se repitan siem- pre de la misma manera. mentos Aleatorios | Considere las mediciones del didimetro de una pieza metilica realizadas por 12 inspectores de calidad usando dos instru ‘mentos diferentes: un micrometro y un Vernier. De inmediato notamos como las medidas va- fan para_am- bos instrumen- tos y entre los Aistintos, pectores. 0.130 oust 0130 ous oust oss oss oss asi 0.130 os 0150 oust ass 9 pas: 0 oust n oust 2 ast GA qué pueden atribuirse estas, diferencias en las-medidas? EL enfoque de las 6M trata de explicar el origen de estas varia cciones. Por ejemplo, podriamos atribuir las variaciones a las ‘Mediciones (se han usado dos instrumentos diferentes), alos ‘Métodos (puede ser que la técnica usada por cada inspector difiera), Medio ambiente (cambios en la temperatura am- biente podrian dilatar la pieza) y ala Mano de obra (puede ser que no todos los inspectores tengan las mismas habilida- des). De manera que, a pesar de que los 12 inspectores han efectuado las mediciones bajo las mismas condiciones, por ejemplo, usando los mismos instrumentos, realizando las ‘medidas en el mismo lugar, a la misma temperatura y hume- dad; Jas variaciones en las mediciones se harén presentes siempre. Experimentos de este tipo se dice que tienen un componente aleatorio. En algunos casos estas variaciones son despreciables comparadas con los objetivos del experi- ‘mento y pueden ignorarse, Sin embargo, en ocasiones pue~ den hacer que las conclusiones del experimento no sean ob- vias. Nuestro objetivo es entender, cuantificar y modelar estos fe= ‘nomenos aleatorios que nos encontraremos en muchas reas de ingenieria. El objetivo de la teoria de la probabilidad es facilitar una estructura matemética para un mejor entendi- miento o explicacién de las distintas probabilidades asocia~ das a cada uno de los resultados posibles del experimento. Estas estructuras matematicas por lo general consisten en ‘modelos probabilisticos. Modelos Probabilisticos. Un modelo probabilistico es una descripcién cuantitativa de una situacién, de un fenémeno o de un experimento cuyo erto, y que se construye con el propésito de estudiar los posibles resultados del experimento y predecir ‘su comportamiento futuro cuando se repite bajo las mismas condiciones dadas inicialmente. resultado es i La puesta en marcha de un modelo probabilistico requiere de dos pasos: en primer lugar, necesitamos deseribir el con- junto de posibles resultados del expetimento o fendmeno de interés. Esto los hacemos especificando el espacio mues- tral, El segundo paso para hacer funcional nuestro modelo, consiste en describir nuestras creencias acerca de Ia proba- bilidad de ocurrencia de los diferentes resultados posibles del expetimento aleatorio, Estudiemos en primer lugar los espacios muestrales. Toe eee etre Rer ree ence eoee Pec eg os Perey sultados posibles de ese ex- Los siguientes ejemplos ilustran el concepto de espacio ‘muestral Ejemplo 1: Un ingeniero encargado del mantenimiento de una determinada méquina nota que las fallas de ésta se pue~ den clasificar como fallas de tipo eléctrico, originadas den= tro de la maquina, fallas de origen mecénico por el fallo de algin ‘componente de la mé- quina y fallas debido al operador. Cuando la maquina esté funcio-nando existe incertidumbre acerca de cual seré el origen de Ja proxima falla, Entonces podemos conceptualizar el pro- bblema como un experimento aleatorio con el siguiente espa~ cio muestral 5 = {electrico, mecénico, operario} Como el espacio muestral esta formado por estos tres resul- tados, decimos que el espacio muestral es finite (podemos escribir y contar todos los posibles resultados del experi- mento aleatorio) Ejemplo 2; Cierta compaiiia vende chips para teléfonos méviles en cajas de 500 unidades. Cada chip puede ser cla- Sificado como defectuoso o no de- fectuoso. Cuando un distribui- dor adquiere una de estas cajas existe incertidumbre acerea del niimero de chips defectuosos en ella. El espacio muestral es 5 =(0,1,2,3,-+,499,500}, de ‘modo que, como en el ejemplo 1, el espacio muestral es fi- nit, Ejemplo 3: El control de errores en un software de compu- tadora resulta de mucha importancia, Consideremos el né- mero de errores separados en uma parte aislada del cédigo, Cuando el software es utili- zado, existe incertidumbre so- bre el nlimeto de errores que generard esta parte del eédigo. El espacio muestral es S = {0,1,2,"}. En este caso no podemos listar todos los resultados posibles del experimento, solo tenemos uma ma~ nera de mostrar Ia progresién de valores, pero estos pueden crecer hasta el infinito. Decimos entonces que el espacio ‘muestral es infinito contable. Nota en a arctica esti un limite superior par el posible nimero de erores evando se corr el programa, sn embargo, conceptusimente el espacio muestra puede consderarse como el conunto de todos os enteros. Eventos y Algebra de Eventos. Otro concepto importante, muy ligado al concepto de espa- cio muestra, es el de Evento. Definiremos un evento como un subconjunto bien definido del espacio muestral cuyos elementos comparten alguna caracteristica comin. Bien de- finido significa que existe alguna regla de definicién por m dio de la cual podemos decidir si un elemento pertenece 0 no al evento. Representacién de Espacios Mues- trales y Eventos. Podemos representar un espacio muestral y los eventos aso- ciados a él haciendo uso de los diagramas de Venn El espacio muestral, denotado con la letra S, lo representa rremos con un recténgulo y el conjunto de posibles resultados del experimento por medio de °° ° m Rr Ss puntos muestrales, como en la . ° figura de la izquierda . oe .? ° Algunos puntos muestrales © 5 go | tendein ciertas caracteristicas de interés para el experimenta- dor. Al agruparlos, formaremos eventos que denotaremos gee oe con letras del inicio del alfa- beto, Fin la figura de la derecha se muestran los eventos A y B. Estos eventos estén formados ppor algunos de los elementos del espacio muestral, en este caso los que tienen la caract Cuando un experimento aleatorio es realizado, si el resul- tado experimental u observ: de interés, es decir que tiene la caracteri teresa, entonces decimos que el evento ha ocurrido. jin esta contenido en el evento jea que nos in- Los elementos de un espacio muestral deben cumplir ciertas propiedades: * Los elementos deben ser mutuamente excluyentes. Si al realizar el experimento observamos que el resultado E; ha ocurrido, entonces no es posible que otro resultado haya ocurrido al mismo tiempo. Al final del experi- mento sélo puede haber ocurrido un solo resultado del espacio muestra * Los elementos deben ser colectivamente exhaustivos. Esto significa que juntos, forman el espacio muestral.Ejemplo 4: Un ingeniero de control de calidad en una em- presa manufacturera inspecciona tres piezas directamente de Ja linea de produccién y las clasifica como éxito (E) si la pieza es defectuosa, y fracaso (F) si la pieza no es defec~ ‘tuosa. a) Especifique el espacio muestral adecuado para este ex- perimento, 'b) {Que resultados estén contenidos en el evento A: el se- gundo éxito ocurre en la tercera inspeccién? ©) {Qué resultados estan contenidos en el evento B: ocurre exactamente un éxito. 4d) {Qué resultados estén contenidos en el evento C: ocurre al menos un fracaso? ©) {Qué resultados estén contenidos en el evento D: ocu- ‘ren a lo sumo dos éxitos? Solucién. a) El espacio muestral lo podemos construir a partir de un diagrama de arbol como el que se muestra a continua cién, Pina eas La interpretacién del diagrama es la si- guiente: la primera ins- peceién puede resultar en una pieza defectuosa © no defectuosa (pri- mera genetacién de ra- mas) Si resulta ser de- fectuosa (rama supe- rior), 1a segunda pieza inspeccionada puede set defectuosa 0 no de- fectuosa (segunda ge- neracién de ramas). De igual manera sucede en Ja rama inferior. A con- ‘tinuacién, agregamos la tercera generacién de ramas, donde también Ja pieza inspeccionada puede ser defectuosa 0 no defectuosa, El espacio muestral queda descrito por el diagrama de bol ‘© podemos listar los elementos encerrdndolos entre llaves: S = (GEE, EEF, EFE, BFF, FEE, FEF, FFE, FFF} b) Ahora buscamos, en los 8 posibles resultados, los que tengan la caracteristica buscada: que el segundo éxito cocurra en la tercera inspeccién. Entonces A= (EFE, FEE). ©) Eneste caso, debemos tomar en cuenta slo aquellos re- sultados que contengan exactamente una E. entonces B= (EFF, FEF, FFE) 4d) Al menos un fracaso significa que pueden haber 1, 2.0 tres fracasos. Entonces C= (EEF, EFE, FEE, EFF, FEF, FFE, FFF) ) Alo sumo dos éxitos significa que podemos tener 0, 1 0 2 éxitos. Entonces D = (FFF, EFF, FEF, FFE, EEF, EFE, FEE) Ejemplo 5: A PepsiCo no le resulta facil romper los ha- bitos de los consumidores. ‘Aunque la gente dice que quiere consumir alimen- tos ms saludables, a menudo lo que desea son chips. Por MIKE ESTERL lunes, 12.60 aisemare de 2016 1840 EDT. Fane: The Wall Steet Journal Fn este articulo se describe como PepsiCo y otras transna- cionales han tratado de aumentar la oferta de productos s ludables durante afios, pero los consumidores no han dejado de lado su pasién por lo dulce y lo salado. En el articulo se presenta el siguiente grafico Un glgante de os sacks 1a) Describa el espacio muestral para las diferentes catego- tias de snacks consideradas en el estudio. b)_ Liste los elementos del evento A: snacks cuyas ganan- cias son menores a los US$4,000 millones de délares. Solucién: De la grafica podemos notar que a) $= {Lay’s, Doritos, Cheetos, Pringles, Ruffles} b) A= (Cheetos, Pringles, Ruffles)Algebra de Eventos. Podemos generar nuevos eventos a partir de la combinacién de eventos existentes. Como los eventos son conjuntos, po- deos utilizar el Algebra de conjuntos para generar nuevos eventos. Unién de dos even- tos AyB Complemento de un evento A El complemento de un evento A respecto a S es el conjunto de resulta dos en el espacio mues- tral que no estin conte- nidos en el evento A Denotaremos este con- junto por 4° By ay |S eT 4 La unién de dos eventos A y B es el conjunto for- mado por todos los resul- tados que pertenecen al evento 4 oal Bo aambos. La unién se denota por AUB. Ao =(x/x€Syx€A) AUB =(x/x€ Aoxe BY Interseceién de dos eventos Ay B Diferencia de dos eventos A y B Es el evento formado por todos los resultados {que esti contenidos en Jos dos eventos. La in- terseccién se denota por ANB. S La diferencia entre dos eventos Ay B es el evento denotado por A~B tal que contiene todos los re- sultados de A que no per- tenecen a B. AG ANB =(x/xeAyxeB) AWB={/x€ Ayx€B) Eventos Mutuamente Excluyentes. Dos eventos son mutuamente excluyentes si su interseccién es el conjunto vacto, el cual denotaremos por @. En las si guientes figuras se muestra, ala izquierda, un par de eventos, E, y Ez mutuamente excluyentes y, ala derecha, un conjunto de varios eventos que son, entre: ‘ya que ninguno de los posibles pares de eventos tiene resul- , mutuamente exeluyentes, tados en comin. B S Ez, E, 0B, Particién de un Espacio Muestral. Una coleccién de eventos forma una particién de un espacio muestral si Tos eventos de Ia coleccién son rmatuamente ex- cluyentes y st unidn es el espacio muestral, es decir, si se cumple que: E,NE;=Oparai#jy Fy U Ey UU By Ss , Como en la siguiente figura, By 5, Algunos resultados importantes. 1 st=0 2 oF 3. (49) 4, Ava =s 5. AnAS=0 6 AUA=A 7. AMA=A 8 AUO=A 9. ANS=A 10. AUB=BUA ILANB=BNA 12, (AUB)UC=AU(@@UC) 13. (AN B)NC=AN(BAC) 14. AU (BNC) = (AUB) Nuc) 15. An uc) = (AnB)u(Anc) 16. (AUB) = Ae BE 17. (Any = A UBS 18. A-B=AnBe 19, (A~B)UB=AUB 20. (4-8) NB=0 21. A= (BNC) = (A~B)U(A~C) 22. A~ (BUC) =(A~B)N(A-C) 23. A= (BUC) = (A= B)N(A=C)Diagramas de Venn para dos y tres eventos. Cuando trabajamos con dos y tres eventos, puede resultar de ‘mucha ayuda tener en cuenta el significado de las distintas regiones que se forman. Dos eventos: AN B® los que tienen la ca racterstca A pero no la 8 ANB: los que tienen ambas A B BAS: los que tienen la racteristca B pero no Ia A AP MBE: los que no tienen ninguna de las dos earacteris- anne Tres eventos: AN BE OC Ios que silo tionen la caracteristica A ANB ACEslos que tienen la caracteristice Ay B, pero no he, Baan tionen la caracteristica B AN CNBE:los que tienen la caractristice A y C, pero no 1B. ANB AC: los que tienen las tees caraceristcas los que slo an Benc BCMA‘: Ios que tienen la caracterstca B y C, pero no la A. CAE NBE os que so tienen la caracterstca C AP 0B P\C% los que no tienen ninguna de Iss tes caractristicas Las siguientes relaciones serdn de utilidad para determinar el mimero de elementos en las regiones. 1. (4 UB) = n(A) +n(B) — n(n By 2, n(AUB) =n(A)+n(B) = AyB son mutua- ‘mente excluyentes. n(A — B) = n(A) — n(n B) n(AU BUC) = n(A) + n(B) + n(C)— nn B)—n(ANC) -n(BAC)+n(An Bac) 5. n(A° UBS) = n(A.0 BY’ = n(S) = n(A 0B) 6. n(A° MB) = n(A UB)’ = n(S) —n(AUB) Ejemplo 6: Después de una fuerte tormenta en cierta ciu- dad, el 50% de los residentes carecen de electricidad, 47% carecen de agua y 38% estaban si servicios de telefonia, Sin embargo, e1 20% de los residentes contaban con los tres ser= vicios, 10% no disponia de los tres servicios, 12% estaban sin electricidad y agua, pero aiin con telefonia y el 4% estaba sin electricidad y telefonia, pero atin con agua, Un residente de esta ciudad es seleccionado al azar y se registra si el resi- dente estaba sin los servicios de agua, electricidad o telef nia, Represente los siguientes eventos en notacién de con- juntos y encuentre los porcentajes de residentes de la ciudad representados en cada evento, 1. El residente seleccionado no disponia de electricidad, pero si de agua y telefonia, 2. Elresidente seleccionado no contaba con uno de los ser- vicios, pero si con los otros dos. El residente seleccionado no contaba con exactamente dos de los servicios. 4, Bl residente seleccionado no contaba con al menos uno de los servicios. Solucién: En problemas de este tipo resultan de mucha utilidad los dia ‘gramas de Venn, Iniciamos definiendo los eventos de interés A: el residente seleccionado no dispone de electricidad. B: el residente seleccionado no dispone de agua. Cz el residente seleccionado no dispone de servicios de tele- fonia, Estos tres eventos representados en un diagrama de Venn lucen de la siguiente manera: (se ha agregado una numera- cidn para cada una de las regiones para facilitar la deserip- cidn, pero no es necesario hacerlo) Entonces, procedemos a Menar la regién (1) que representa el donde el residente selee- cionado no dispone de nninguno de los tres ser- Vieios considerados. Se- gin la informacién dada este porcentaje es del 10%. evento ‘A continuacién, procedemos a completar la region @) que representa el evento donde el residente no dispone de electricidad ni agua, pero si de telefonta, Este porcentaje corresponde al 12%.EL 4% que estaba sin clectricidad y telefonia, pero ain con agua, esti representado en la re- aan > gion @. 0.08 Elevento A se puede es- | ctibir como A @u@v@v®. Esto signifiea que Ta suma de estas regiones debe tota- lizar el 50%, de manera que la regién (8) debe llenarse con 50-12-10 ~ 4 = 24%, 0.20 Los que cuentan con los tres servicios, el 20%, estan repre- sentados en la regién ©) Para completar el diagrama, notemos que n(B UC) 100 ~ 20 ~ 24 = 56%, Con este resultado, podemos usar Ja ecuacién n(B UC) = n(B) + n(C) —n(B NC) para en contrar n(B NC) = n(B) + n(C)—n(B UC). Entonces: n(B 0 C) = 47 + 38 — 56 = 29%, Este porcentaje corres- ponde a las regiones @ y @), por lo que debemos completar el diagrama de manera que n(B 9 C) = 29% por lo que la regin ® debe comple- tarse con 19%. A 3 Finalmente, la region © se completa teniendo en mente que n(B) = 47% por lo que debe comple- tarse con 47-12 10-19 = 6% y la re- gién @ con 38-4- 10-19 = 5%. Ahora, con el diagrama completo, es mas fécil contestar a Jas preguntas planteadas a) El residente seleccionado no disponia de electricidad, pero si de agua y telefonia. En notacién de conjuntos: A. BS n C* (regién @) que representa el 24% de residentes. b)_ Elresidente seleccionado no contaba con uno de los ser- vicios, peto si con los otros dos. ® pnd NklayeienKelmogérow (1908-1997) fun mates reo ue 0 pro rotosimportanes an lo campos de seria de la probtda y dela opaog En notacién de conjuntos: (A BS 9 C*) U (BANAT A C2) U (CHAE NBS) (regiones ©, © yD) que repre- sentan un 24 + 6 +5 = 35% de los residentes. ©) Bl residente seleccionado no contaba con exactamente dos de los servicios. En notacién de conjuntos: (AN BAC) U(ANCA BYU (BNCNAY Regiones @, @ y ®) represe tando un porcentaje del 12 + 4 + 19 = 35% de los re- sidentes. 4) El residente seleccionado no contaba con al menos uno de los servicios. En notacién de conjuntos: A UB UC (regiones D, ®, ®,®, ©, ©y D) que representan al 80% de los residentes. Axiomas de Probabilidad. El segundo paso para hacer funcional nuestro modelo pro babilistico consiste en describir nuestras creencias acerca de la probabilidad de ocurrenci esultados po- sibles del experimento aleatorio. de los diferente: En 1933, Kolmogorov? propuso en Foundations of the Calculus of Probabilities tres axiomas, muy intuitivos y sen- cillos, que proporcionan Ia base matemitica que sustenta la teoria de probabilidad, Ademds, implican una serie de pro- piedades muy titles para el célculo de probabilidades. Suponga que un experimento aleatorio tiene asociado un es- pacio muestral S, Una probabilidad es una fumeién que asigna un niimero P(A) a cada evento A de manera que se cumplan los siguientes axiomas: 1. P(a)E0 POS) 3. Si Ay,A2,-~ es un conjunto de eventos mutuamente © cluyentes, entonces, #((Ja) =Serao Para el caso de dos y tres eventos tenemos: P(A; U Ag) = P(Ay) + P(A) P(A, U Ap U Ag) = P(Ay) + P(A) + P(A) Estos tres axiomas implican algunas propiedades bisicas de Ia teoria de probabilidades que mostramos a continuacién:Considere un evento A y su complemento A® A [ En este caso AU A® = Sy AN A® = G, es decir que ambos eventos son mutuamente excluyentes, Entonces, a partir del axioma 2 P(s)=1 P(AUA®) = 1; sustituyendo AU AS = 5 P(A) + P(A®) = 1; por el axioma 3 Esta es la primera propiedad que generalmente escribimos de la siguiente manera P(ay=1-PA) Otro resultado importante se obtiene a partir de @: P(S) = 1 = P(S%); pero S¢ = 9 . Entonces 1=1-P@) +P@)=0@ A partir de este resultado obtenemos dos consecuencias im= portantes: como P(A*) > 0, (por el axioma 1), el lado dere- cho de la siguient ¢ que ser menor o igual que uacién tie P(A) =1-P(A) $1 no hegativo Esto, junto con el axioma 1, nos lleva al siguiente resultado que no debemos de olvidar cuando calculemos probabilida- des: osP()si1 @ En el caso de que los eventos no sean mutuamente exclu- ryentes, se obtienen las siguientes relaciones: s A B AnB mero ds 1749-Par, Sd arzo de 1827) ue un aatsname, Heo y mst De la figura notamos que AUB =AU (BN A°) Entonces P(AUB) = P(A) + PBA) “™ ya que las regiones son mutuamente excluyentes. Del diagrama también podemos notar que B se puede es- cribir como B = (4B) U (BN A‘) estas dos regiones también son mutuamente excluyen- tes y por tanto P(B) = P(ANB) + P(B NA‘). De esta ecuacién pode- mos escribir P(B A A°) = P(B) ~ P(ANB) Si sustituimos (B) en (A) obtenemos (B) P(AUB) = P(A) + P(B) — P(ANB) para el caso de tres eventos @) toma la forma P(AUBUC) = P(A) + P(B) + P(C) - P(ANB) - P(ANC)-P(B AC) + PAN BNC) Los axiomas solo son un conjunto de propiedades que la fun- cin probabilidad debe de cumplir. La asignacién de probae bilidades a un evento usualmente esté basada en la evidencia empirica 0 en un cuidadoso andlisis del experimento. Lo que deseamos es expresar, a través de un niimero, qué tan facti- ble es que un evento en particular ocurra, Esta factibitidad o probabilidad es cuantificada asignando un nimero del inter- valo [0,1] de manera que, si el nimero resulta cereano a cero, entonces es poco factible 0 poco probable que el evento ocurra, Si por el contrario el miimero asignado es cercano a tno, entonces decimos que es muy factible o muy probable que el evento ocurra, En los extremos, cero indica un evento ‘que no puede ocurtir (evento imposible) y uno indica un evento que ocurrird con certeza (evento seguro). La asignacién se hace basados en algunas suposiciones ra- zonables del modelo en estudio. En 1825 Laplace? propuso tun modelo en el que todos los resultados, tienen 1a misma probabilidad de ocurrir (conocido como enfoque clasico 0 Laplaciano), Por ejemplo, suponga que un inspector de cali- dad dispone de un lote de 100 baterias para celular, de las cuales sel si aceplar 0 re ble asumir que cada bateria en el lote tiene la misma proba~ bilidad de ser seleccionada ya que no existe ninguna razén jonard una al azar para inspeccionarla y decidir azar el lote. Al azar significa que es razona-para suponer lo contrario, es decir, la ausencia de conoci= miento sobre cl estado del modelo equivale a afirmar que todos los resultados son equiprobables, ‘Como la suma de las probabilidades debe ser uno, por el se~ gundo axioma, un modelo razonable seria asignar a cada ba- teria una probabilidad de 0.01 de ser seleccionada, Concep- tualmente podemos imaginar nuestro modelo como un con- junto de 100 puntos muestrales (que representan las baterfas) ‘cada uno con una probabilidad de 0.01 como en la siguiente figura. —~ : nvesultados eee ee ee ewe Entonces, en el supuesto que todos los N resultados del es- pacio muestral tengan la misma probabilidad de ocurtir, cada uno tendré una probabilidad dada por 1 PED =F Suponga ahora que nos interesan las baterfas que tienen ale ‘iin tipo de defecto, Definimos entonces el evento A: la ba- teria es defectuosa. Después de inspeccionar el lote com- pleto, el inspector tendré el nimero total de defectuosas y no defectuosas. Si en total encuentra que de las N baterias n son defectuosas (de manera que hay n puntos muestrales dentro del recténgulo sombreado de la figura) entonees, la probabi- lidad de seleceionar una bateria al azar y que ésta sea defec- ‘tuosa est dada por la suma de las probabilidades de los n puntos muestrales que forman el evento 4, de manera que podemos escribir A=E,UE,U.UEy donde E;indica que la i-tsima bateria es defectuosa. Como zo pueden ocurrir simulténeamente dos resultados, podemos escribir P(A) = P(By + P(Ea) + + PEn) raya prentanG) <3 Lo que nos lleva al siguiente resultado CPI ee ete Considere un experimento aleatorio que puede resultar en cualquiera de N resultad Pee posibles Ey, eee ee Mey po PCC CR a rece) Seer Pree ee Cree CN (a) 7 Ejemplo 7: Si el dltimo digito de una balanza digital puede ser cualquier digito entre 0 y 9 con la misma probabi- lidad, a) {Cual es la probabilidad que el dltimo digito sea un 0? 'b) {Cual es la probabilidad que el ultimo digito sea mayor © igual que 4? ©) {Cual es la probabilidad que el dkimo digito sea impar? Solucién El espacio muestral es $= (0,1,2,3,4,5,6,7,8,9}. Con N = 10 y sabiendo que cualquier digito tiene la misma pro- babilidad de ocurtr, asignamos una probabilidad de a cada uno de los diez puntos muestrales. Entonces, 8) Sea el evento A: el tiltimo digito es un 0 El evento contiene un solo elemento A = {0} Por tanto P(A) = = b). Sea el evento Bel tltimo digito es mayor o igual que 4. Entonces B = {4,5,6,7,8, 9} 10 que nos lleva a coneluir que P(B) == =2 ©) Sea el evento Cel iltimo digito es impar. Entonces C = ws {1,3,5,7,9} por lo que P(C) = 5 =4 2 El enfoque clisico no siempre es factible de aplicar a un ex- perimento aleatorio, En caso de no poder suponer que todos los resultados son igualmente probables, debemos hacer un cestimado basado en resultados experimentales repetidos, en simulaciones 0 en datos histéricos.Interpretando Probabili dades. éCémo podemos interpretar la probabilidad de que un evento ocurra? Por ejemplo, équé significa que la probabilidad de que el dltimo digito sea un 0 sea de 4? Imagine que usamos muchas, mu- chas veces la balanza bajo las mismas condicio nes. A la larga, aproximadamente el 10% de las veces, el itimo digito seria un cero. En otras pa- labras, la probabilidad del evento es la proporcién de veces que esperariamos obtener un cero sire- petimos muchas veces el experimento. En resumen, una probabilidad siempre nos da una idea de lo que sucederia con nuestro experimento 2 largo plazo. Ejemplo 8: Una tienda de libros vende dos tipos de libros de ficcién y de no ficeién en varios formatos: pasta dura, pasta blanda, digital y audio book. Suponga que el gerente de la tienda esta interesado en observar el tipo y formato del préximo libro que adquiere determinado cliente a) {Cuil es el espacio muestral para este experimento? b) {Considera que es razonable suponer que los resultados de este experimento son igualmente probables? ©) Apartirde los registros de la tienda de los iltimos 5 afios, se elabora Ia siguiente tabla (conocida como tabla de contingencia) Pasa Dura Pasta Binds Digital Auch Fission 0.15 as 0.10 0.10 Noficcién |__ 0.08 0.08 0.02 0.06 {Cuél es la probabilidad de que la siguiente compra he- cha por un cliente seleccionado al azar sea de un libro en formato impreso? @) Caleule de dos maneras diferentes la probabilidad de que la siguiente compra hecha por un cliente sele nado al azar sea de un libro que no sea en formato im- preso. 2) Caleute 1a probabilidad de que Ia siguiente compra he- cha por un cliente seleceionado al azar sea de: i) un libro de ficcién y ii) un libro de ficcién y en formato digital Solucién: a) En este caso el espacio muestral consta de 8 eventos simples y se han listado, por facilidad, haciendo uso de las letras en negrita indicadas en la tabla. [FD, FB, FDi, FA, ND, NB, NDi, NA} 'b) No podemos suponer que los 8 resultados son igua mente factibles de ocurrr. Por ejemplo, un libro de pasta, dura es considerablemente mas caro que uno de pasta blanda. El comprador promedio preferiré uno de pasta blanda y no es razonable pensar que todos los resultados tengan la misma probabilidad de ocurrir, ;Puede el lec- tor pensar en otras razones? ©) Sea el evento I: el libro comprado esté en formato im- preso. En una tabla de contingencia los eventos se idei tifican en filas o en columnas. Por ejemplo, si el libro es comprado en formato impreso, éste pudo ser en pasta dura o blanda, que son dos eventos, D y B, que identifi- camos en columnas como se indica a continuacién Fiecioa No fi Entonces J = DU B,y por ser mutuamente excluyentes P(D) = PD UB) = P(D) + PCB) P(I) = 0.15 + 0.08 + 0.45 + 0.04 = 4) Alternativa 1: el evento donde el libro no es en formato impreso esté representado por /°, por lo que podemos usar el resultado del literal ¢) y P(I®) = 1 — PUD) P(I®) =1-0.72 = 0.28 Alternativa 2: de la tabla podemos ver que, si el libro no ¢s impreso, entonces tiene que ser digital o de audio. Por lo que podemos sumar las colummas correspondien- tes a estas categoriasPasta Dura Pasta Blanda | Digital Fiesin 015 0.45 0.10 Novficcién | 0.08 0.04 02 DOA PCS) = PiU A) P(I®) = P(Di) + P(A) = 0.10 + 0.02 + 0.10 + 0.06 PU) = 0.28 ©) 4) En este caso el evento Fel libro comprado es de fie- cién lo leemos en la fila indicada, Pasta Banda Digital Adio F 0.08 0.02 0.06 P(F) = 0.15 + 0.45 + 0.10 + 0,10 = 0.80 ii) Se pide P(F 9 Dé) que leemos en la celda donde am- bos eventos se eruzan. Pasta Dura Pasta Bands Digital Audio Ficcion O15 045 Loasy 0.10 Noficcién | 0.08 0.08 020.06 P(F n Di) = 0.10 Técnicas de Conteo. En ingenieria nos resultarén de mucha ayuda las téenicas de conte cuando necesitemos conocer el niimero de elementos en el espacio muestral o en algin evento en particular sin hacer la lista completa de resultados. Regla del producto. La técnica de conteo mas simple se basa en el supuesto que una operacién puede ser descrita como una secuencia de k pasos donde, ‘+ Elnémero de maneras de completar el primer paso esmy + El namero de maneras de completar el segundo ;paso es ny para cada manera de completar 7, y + El ntimero de maneras de completar el tercer paso 8 ng, para cada manera de completar ng y ast su- cesivamente. El mimero de formas de completar la operacién es Thy X My XX thy Ejemplo 9: Un ingeniero que distribuye y da manteni- miento a plantas eléctricas puede tomar tres rutas desde su. planta hasta la empresa A, cuatro desde la empresa A a la empresa B y tres de la empresa B a la empresa C. Si cuando hhace una visita téenica debe manejar de la planta a la em- presa A, Iuego de A a B y finalmente de B a C en ese orden, {Cudntas rutas son posibles desde la planta a la empresa C? Solucién: Sean ‘iy = mfimero de rutas de la planta a la empresa A = 3 ‘nq = miimero de rutas de la empresa A ala B=4 ‘ng = néimero de rutas de la empresa B ala C= 3 Entonces, el nimero total de rutas para completar el reco- rrido desde la planta hasta C es ny Xz X My =3X4X3 = 36 Permutaciones y Combinaciones. Las permutaciones y combinaciones nos proporcionan un método algebraico rapido de conteo. ‘Una permutacién es un arreglo de todos o de una parte de tun conjunto de items. El nimero de permutaciones es el ni ‘mero de arreglos diferentes en los que pueden colocarse los items, de manera que si el orden de los items es alterado te- hemos una permutacién diferente, Suponga que tenemos n ftems diferentes que serén colocados en arreglos de tamafo con 0 Py 2Ejemplo 14: Los siguientes datos han sido tomados del articulo «Characteristics of Buyers of Hybrid Honda Civie IMA: Decision,Process, Vehicle, Ownership and Willingnes-to-pay» (Institute for Enviromental Deci- sions, November 2006) Donde, cada comprador de un Honda Civic, fue Clasificado de acuerdo a su género y si compré o no un modelo hibrido. Preferenc Hibrido No Hibrido Hombres 77 7 Mujeres 34 3 Suponga que uno de estos compradores es s azar. Calcule las siguientes probabilidades: a) P(Hombre) b) P(Hibrido) ©) P(Hibrido\Hombre) d) P(Hibrido\Mujer) ©) P(Mujer\Hibrido) Solu De la tabla encontramos que N = 311 2) P(Mujer) = 2282 = 22 0.3762 = 0.3569 b) PCHibrido) ©) Enel caso de las probabilidades condicionales, recorde- mos que consideraremos sélo los resultados del evento condicionante, es decir que el espacio muestral se ha re- ducido a los Hombres para este literal P(Hibrido\Hombre) = 2 = 0.3969 4) P(Hibrido\Mujer) = * = 0.2906 ae ©) P(Mujer\Hibrido) = t= 0.3063 Nota adicional: P(Mujer) y P(Mujer\Hibrido) son las proba- bilidades del mismo evento: que la persona seleccionada sea mu jer; pero calculadas con piezas de informacién diferentes. La pri- ‘mera considera todo el espacio muestra (las 311 personas del es- tudio) mientras que la segunda s6lo toma en cuenta las que han comprado un auto hibrido (111). Un error muy comin es pensar que se trata de eventos diferentes (evidentemente los valores nu- éricos silo son), Regla de la multiplicacién. A menudo nos interesa calcular la probabilidad de la inter- seccién de dos eventos, La ecuacién de la probabilidad con- dicional puede ser reescrita de la siguiente manera: P(ANB) = P(A\B)P(B) La cual se conoce como la regla de la multiplicacién para probabilidades. Podemos usar esta ecuacién para calcular la probabitidad de la interseccin de dos eventos y construir un modelo multietapa de un experimento aleatorio, donde se puede intuir una situacién condicionante entre los eventos involucrados. La ecuacién puede generalizarse a tres o més eventos P(ANB NC) = P(A)P(B\A)P(C\A NB) Ejemplo 15: Suponga que un lote de 500 chips contiene 9 que son defectuosos. Una muestra aleatoria de tamaiio 3 es tomada del lote sin reemplazo. Sean los eventos 4, By C los eventos donde el primero, el segundo y el tercer chip se- leccionado, respectivamente es defectuoso, Cada chip ins- peccionado es marcado como defectuoso (1) 0 no defectuoso (0). a) Construya un diagrama de érbol que represente el espa- cio muestral asociado al experimento. b) Calcule: P(A), P(B\A), P(B\A) y P(C\An B) ©) Caleule P(AN B)y P(AN BAC) Solucién: a) En el muestreo sin reemplazo cada unidad muestreada disminuye en uno la cantidad de chips en el lote. El érbol es el siguiente: Cc 8 B & cy aN ay ee ‘ mU % $91 % oy Be Ro ay te Be — 2 B A. 7 ce 3 - % Bmb) Las probabilidades buscadas las encontramos directa mente del diagrama de drbol Pa) =, PO\A) = PO\A) = 3 8 9 PC\ANB Ahora aplicamos la regla del producto P(ANB) = PCAPB\A) = 2S = P(AN BNC) = P(A)P(B\A)P(C\AN B) Pungo) an Por lo general la aplicacién de esta regla se faclita si construimos un diagrama como el del ejemplo. Regla de la Probabilidad Total Muchas veces un evento puede suceder bajo diferentes es- cenarios. La regla de la probabilidad total nos permite re- construir la probabilidad de un evento a partir de las proba- bilidades individuales de estos escenarios. Suponga que el evento B puede ocurtir bajo los escenatios Ay,~-, As. De la figura resulta claro que B= (A, MB) U (Ay NB) U-~ U (Ag 1B) entonces P(B) = P(A, 9B) + P(g NB) + + PCAs BY Utilizando la regla del producto tenemos: PCB) = POB\AL)PCA,) + PCB\ALIP(AL) + + PCB AS)PCAS) En general, esta ecuacién tiene la forma Probabilt- Probabili- Probabili- dad que el dad de ocu- dad del es- evento wrirbajo | ¥ sourra cada esce- nario Ejemplo 16; Una compaiia produce componentes para ‘maquinas, con una tasa de 5% de defectuosos, que pasan por tun proceso de inspeccién automatizado. Sin embargo, el proceso no es completamente confiable, de manera que, si ‘un componente es defectuoso, existe una probabilidad de 4% de que el componente no sea rechazado. Y si un compo- nente no es defectuoso, existe una probabilidad de 7% de ‘que sea rechazado. ;Qué fraccién de todos los componentes son rechazados? Solucién: Sean los eventos el componente es defectuoso. el componente no es defectuoso. el componente es rechazado. el componente no es rechazado, RROD Con a informacién brindada podemos construir un dia ‘grama de drbol como el siguiente: oe F 8 ° < os D A ool 8 é << 2 A 095 Nota importante: en un diagrams de érbol las ramas a partir dela segunda generacién son probabilidades condicionales. Por ¢} plo, en la rama superior tenemos las probabilidedes 0.05 y 0.96. la primera corresponde a P(D) y la segunda a P(R\D) que es una probabilidad condicional (imagine que para llegar a R primero tione que pasar por D y por lo tanto D es el evento condicionante) Nos interesa calcular P(R), y este evento puede ocurrir de dos maneras (as rutas sefialadas en el diagrama)Esta misma situacién la podemos representar en un diae grama de Venn de la siguiente manera: R es la unién de las regiones mutuamente excluyentes R=(DnR)UGNR) P(R) = P(DAR) + P(G OR) P(R) = P(R\D)P(D) + PCR\G)P(G) P(R) = 0.96 x 0.05 + 0.07 x 0.95 = 0.0480 + 0.0665 P(R) = 0.1145 A la larga, la fraccién de componentes rechazados serd cer cana al 11.45% Nota: P(D MR) = P(R\D)P(D) = 0.96 x 0.05 = 0.0480 no es mas que el producto de las probabilidades que nos en- contramos por la rama superior. De igual manera por la rama inferior P(G AR) = P(R\G)P(G) = 0.07 x 0.95 = 0.0665 Teorema de Bayes. Una situacién adicional de interés es eémo usar las probabi- lidades P(A,) y P(B\A,) pata calcular probabilidades P(A;\B), las probabilidades revisadas de los eventos A; condicionadas por el evento B. Las probabilidades P(A,),P(A2),-,P(Ay) pueden ser conceptualizadas como las probabilidades a priori de los eventos Ay,-+, Ag. Sin embargo, rrencia del evento B provee alguna informacién adicional que nos permite actualizar estas probabilidades a priori en tun conjunto de probabilidades a las que llamaremos proba- bilidades a posteriori’ P(4q\B),--", P(A\B) las cuales son observacién de la ocu- 4 Data pore a pot) Ato rib uno dato romano, es eb aoe las probabilidades de los eventos A,,~-, Ay condicionadas por el evento B. A partir de la ley de la probabilidad total las probabilidades 4 posteriori pueden ser calculadas como P(A: NB) P(B) PCAA\B) oe ‘que se conoce como teorema de Bayes® Ejemplo 17: Con Ia informacién del ejemplo 16, su- pponga que tenemos la informacién de que el componente ha sido rechazado i) ;Cual es la probabilidad de que en realidad no sea defectuoso? ii) ;Qué fraccién de los componentes no rechazados son en realidad defectuosos? Solucién: i) En este caso, el evento condicionante es R (sabemos que el componente ha sido rechazado) y se pide P(G\R) P(G)P(R\G) _ 0.95 x 0.07 PGR) = Fay as = 05808 one 8 . D 09! °07—~ oo 25 6 ii) Se pide 299 —~ A _ P)P(A\D) P(D)P(A\D) PO\A =~ pay) = PDVPCA\D) + P@)PAD) 0.05 x 0.04 P(D\A) = = 0,0023 0.05 x 0.04 + 0.95 x 0.93 A a larga, el 0.23% de los componentes no rechazados son en realidad defectuosos. ie cancer ale sane ee de ef ine a oarIndependencia. En la probabilidad condicional hemos aprendido que el co- nocimiento sobre la ocurrencia de un evento puede alterar rmuestras creencias sobre la ocurrencia de otro evento, Sin embargo, también es posible que la probabilidad de un evento no se vea afectada por la ocurrencia de otro evento, Dos eventos A y B son independientes si se cumple cual- quiera de las siguientes propiedades P(A\B) = P(AY P(B\A) = P(B) Si A y B no son independientes, se dice que son eventos de- pendientes. La independenci ciones siguientes: de los eventos A y B implica las tres rel P(AS\B) = PCA) P(A\B®) = P(A) PCAS\BS) = P(A) Lo anterior significa si A y B son independientes, nada de lo que podamos aprender de B cambiar nuestra cre Ja probabilidad de ocurrencia de A 0 A° cia sobre ‘Sin embargo, la relacién mas importante cuando estudiamos independencia es la siguiente: A partir de Ia formula de la probabilidad condicional P(ANB) P(B) Podemos despejar P(A NB) = P(A\B)P(B) Si los eventos son independientes P(A\B) = P(A) Lo que al final nos lleva al resultado P(An B) = PCADPCB) P(A\B) Esta ecuacién es usada por lo general cuando la independen- cia de los eventos se puede asumir” de las condiciones del problema y nos interesa calcular la interseccién de los even- tos. La expresién puede generalizarse para un conjunto de eventos independientes Ky, Hz," de la siguiente ma- P(E, 0 Ez 0 0 Ey) = PCE;)P(E2) ~ P(Bq) reconaoe que, pata secs practas, ks resus obtensos ne den cho de Ejemplo 18; Una compaiia de seguros atiende emergen- cias viales y de asistencia médica. El gerente asegura que el 85% de las llamadas entrantes son por accidentes viales. Asumiendo que llamadas sucesivas son independientes una de la otra a) Caleule la probabilidad que dos llamadas sucesivas sean ambas para asistencia vial b) Calcule ta probabilidad de que, en dos lamadas su vas, la primera sea para asistencia vial y la otra no. ©) Caleule la probabilidad que exactamente una de las dos siguientes llamadas sea para asistencia vial 4) {Cree que es razonable suponer que llamadas su son independientes? Explique Solucién: Sean los eventos + la primera Hamada es para asistencia vial. : Ja segunda llamada es para asistencia vial. a) Se pide P(E, 9 Ez) = P(E,)P(E2) = 0.85 x 0.85, P(E 0 E) = 0.7225 b) Se pide P(E, n £§) = 0.85 x 0.15 = 0.1275 ©) Se pide P(E, 9 E§) + PES NE) P(E, 9 B§) + PCES N Ep) = 0.85 x 0.15 + 0,15 x 0.85 P(E; MES) + P(ES Ey) = 0.2550 4) No es razonable suponer independencia, Piense en un aceidente vial, donde se ven involucrados varios vehicu- los, Es de esperar que llamadas sucesivas estén relacio- nadas (solicitando ambos servicios por ejemplo) Ejemplo 19: Un lote de 10,000 chips usados para una calculadora grifica consta de 2,500 chips de la marca Ay 7,500 de la marca B. Los chips se mezclan perfectamente y se seleccionan 3 sin reemplazo. Sean los eventos E,: Bl primer chip seleccionado es de la marca A. E,: El segundo chip seleccionado es de la marca A. | tercer chip seleccionado es de la marca A. Para efectos précticos ,Se puede asumir independencia entre los tres eventos? Si es ast ,bajo qué condiciones? Solucién: 0.2499 y 16Notamos que las probabilidades son levemente diferentes, pero al redondcar a tres decimales ambas son 0.250, Con- cluimos que, para efectos précticos, la ocurrencia 0 no ocu- rrencia de E, 0 Ey no tiene efecto en la probabilidad que ‘ocurra y los tres eventos se pueden considerar independien- tes si redondeamos a tres cifras, En situaciones practicas, podemos asumir independencia para el céleulo de probabilidades si el tamafio de muestra n no es mayor que el 5% de N, el tamaiio del lote. Independencia y Causali- dad. Se puede condicionar un evento por otro que apa- rece antes 0 después de él y este condiciona- miento puede cambiar la probabilidad inicial del suceso. Siun suceso A es la causa estricta de un suceso B entonces B depende de A, pero el contrario no siempre se cumple. Un suceso B puede ser de- pendiente de otro suceso A sin que uno sea la causa del otro. Por ejemplo, se sabe que el céncer de pulmén depende del habito de fumar, pero fumar, en si mismo, no es siempre la causa del cancer. A458 _, g 5 B depende de AELPAIS PROBABILIDAD El Aleph SI og La independencia (estadistica) no tiene memoria Te presentamos un par de ejemplos de la conocida como “falacia del jugador” para ayudarte a no caer en ella. MIGUEL ANGEL MORALES T Mientras piensas tu respuesta, yel razonamiento que te ha lle. vado hasta ella, voy a contarte una historia. Remontémonos algo mas de 100 afios, concretamente al 18 de agosto de 1913, y situémonos nada menos que en el casino de Montecarlo. En luna de sus ruletas se produce una situacién cuando menos cu- riosa: en una cierta jugada La bola cae en negro, en la siguiente vuelve a caer en negro, y lo mismo en la siguiente, y en la pos- terior..jjy asi hasta 26 veces!! En 26 tiradas consecutivas la bola “eligié” un nimero correspondiente al color negro para asentarse. Si hubleses estado alli, por qué color habrias apostado en la siguiente tirada? Bstadisticamente hablando, ambas situaciones pueden con- siderarse andlogas en el sentido de que, en cada tirada, te nemos dos posibles resultados con exactamente la misma probabilidad (para simplificar el asunto, y para que quede ‘mas clara la idea que quiero transmitir con este articulo, va- ‘mos a eliminar la posibilidad de que la bola caiga en el cero, que en la ruleta no es ni rojo ni negro). ‘Vamos con la pregunta de Ia moneda. Quizas pienses que lo ‘mejor seria elegir cruz para la siguiente tirada, o puede que creas que lo mejor es elegir cara, En realidad, sila moneda no esta trucada, ambas opciones tienen Ia misma probabili dad de salir, independientemente deo que haya salido en las tiradas anteriores. Y la clave es el concepto que acabamos de utilizar: Independencia, Cada tirada es independiente las anteriores, por lo que no esté influida por lo que haya sax lido antes. Vamos, que la moneda no recuerda lo que salié en anteriores tiradas, Pero han salido muchas caras seguidas, lo mas probable es que en la siguiente salga cruz, no? Pues no. Cierto es que “a la larga’, las frecuencias de cara y cruz tenderén a igualarse, pero, repito, “a la larga’, después de muchisimas tiradas. En principio, y siempre suponiendo que la moneda no esta tru- cada, en cada tirada es igual de probable que salga cara o que salga cruz, sin que los resultados obtenidos en tiradas anterio- res tengan ninguna influencia sobre lo vaya.a salir después. Lo habitual es que mucha gente, ante este sencillo juego, tienda a decir que es més probable que salga eruz porque, al ser 50-50, el némero de caras y cruces acabard siendo igual (0, al menos, muy parecido), Esto, que se conoce como la falacia del jugador, tampoco es cierto, Una cosa es que la frecuenc tienda a igualarse y otra es que el niimero de caras y cruces también lo haga. Para ver que esto no tiene por qué ser asi, echad un ojo al si- uiente caso, Imaginad que hemos tirado la moneda 1000 ve- ces, y hemos obtenido 578 carasy 422 cruces. Tendrfamos en- tonces una frecuencia de 578/1000=0'578 para cara y una fre- cuencia de 422/1000=0'422 para cruces, y la diferencia entre el niimero de caras y cruces seria 578-422-156. Seguimos ti- rando, llegamos a las 10000 tiradas y supongamos que obte- nemos 5311 caras y 4689 cruces, En este caso, las frecuencias de ambas se van jgualando y se acercan mas que antes al “es- perado" 0'5 (concretamente, 0'5311 para cara y 0'4689 para cruz), pero la diferencia entre el niimero de caras y eruces, que ahora es 5311-4689-622, ha crecido sensiblemente. Por tanto, que las frecuencias tiendan a ser iguales ni ni mucho menos, que el niimero de apariciones de cada uno de los dos posibles resultados tienda también a ser igualSi no estén trucadas, ni Ia moneda ni Ia ruleta recuerdan lo que salié en otras jugadas, eada tirada es independiente de las, anteriores. Y lo mismo pasa con el ejemplo del casino de Montecarlo, Par- tiendo de que la ruleta no esta trucada (y quitando la influen- cia del 0), el rojo y el negro tienen la misma probabilidad de salir (hay 18 nimeros rojos y 18 niimeros negros), y la ruleta no recuerda lo que salié en tiradas anteriores, pot lo que no hay ninguna razén para pensar que en una tirada concreta es mas probable que salga un color porque en las anteriores salié lotro. Cuando comenz6 a salir negro tantas veces seguidas, la gente comenzé a pensar que el rojo debia salir ya para comenzar a igualar” el niimero de rojos y negros, con lo que las apuestas al rojo comenzaron a crecer, Pero eso no ocurrié en 26 tiradas consecutivas. Conclusién? El casino gané un montén de pasta enese rato, Como deciamos antes, la clave de todo esto es la independen- cia estadistica, En ambos casos, cada tirada (de moneda o de ruleta) es independiente de la anterior o anteriores, no est Influida por ellas, por lo que, por decirlo de alguna manera, en cada tirada partimos desde cero. Y hay muchos otras casos en los que esto ocurre, y por ello, en ciertas situaciones, no debe- ‘mos dejarnos llevar por las apariencias o por las intuiciones. Debemos analizar ciertas cosas con una buena perspectiva es: tadistica, porque si no es asi posiblemente acabemos engatia- dos y, si hablamos de juegos de azar, sin blanca. Y, para finalizar, un pequefio apunte, Volvamos a, por ejemplo, el caso de la ruleta, Después de tantas tiradas saliendo negro, no seria descabellado pensar que la ruleta esté trucada de al- guna forma para que salga més el negro que el rojo, por lo que, pensando mal, tendria mas sentido volver a apostar al ne- {gro que apostar al rojo, Pero todos sabemos que en los juegos de azar ese tipo de cosas, esos trucajes, no ocurren, zverdad? Seguro quea algunos de vosotros se os ocurren otros ejemplos parecidos a los dos que he comentada en el articulo, Hablad- nos sobre ellos en los comentarios, os lo agradeceremos mu- cho. Tomado de: httpsi//elpais.com/el pais/2017/10/25/el_aleph/1508945454_828925.html