Seccién 4.3 Regresién y prediccién = 165 Pantalla 4.3 Se puede usar MINITAB para determinar la ecuacién de regresiOn para los datos de la marca mundial. La pantalla 4.3, muestra la informacion de las 6rdenes y las respuestas. MTB > READ C1 c2 DATA > 1 4,023 DATA > 10 3.990 DATA > 10 3.967 DATA > 13 3.953 DATA > 14 3.908 DATA > 18 3.907 : DATA > 20 3.902 ie DATA > 213.893 5 a DATA > 22 3.855 ‘ DATA > 23 3.852 3 DATA > 31 3.833 ‘ DATA > 31 3.823 ae : DATA > 37 3.788 : Sy DATA > 413.772 ae DATA > END es 14, ROWS READ MTB > NAME C1 ‘CODYEAR’ MTB > NAME C2 'CODETIME’ MPB > REGRESSION C2 1 C1 THE REGRESSION EQUATION IS CODETIME = 4.03 ~ 0.00655. CODEYEAR la relacién entre rym Tanto el coeficiente de correlacién r como la pendiente de regresién m utilizan las cantidades SSxy y SSx; en consecuencia, es posible obtener uno en términos del otro. Usando un poco de Algebra elemental, se puede demostrat la validez de la relaci6n siguiente, ‘Relacién entrerym Sr y (4.11) r= donde s, es la desviacién estandar muestral de x y s, es la desviacién esténdar muestral de y. Como s, y 5, son mayores que cero, el coeficiente de correlacién r concuetda en signo con la pendiente de ta recta de regresi6n; por lo tanto, la formula (4.11) ofrece otra explicacién de por qué la correlacién ¢s positiva si los puntos del diagrama de dispersién se acumulan de abajo a Ja izquierda a arriba a la derecha, y negativa si los puntos se acumulan de arriba a la izquierda y de abajo a la derecha, Si despejamos m de la férmula (4.11), tenemos: =5t may166 = Andlsis descriptivos de datos bvariados 5 : Sir=1,entonces m =e como se ilustra en el diagrama. y Recta de regresion, ‘APLICAGION 4.8... | Se puede usar un programa computacional para realizar un andlisis de 7 = regresién que proporcione valores para b, m y r. Considere el ritmo cardiaco maximo y las edades que se registraron para diez individuos en un programa intensivo de ejercicios. Los datos son: Edad 1020 2025 30_ 404550 Ritmo [210 200 195 195 190 180 185 180 170 165 ardiaco La respuesta aqui ilustrada contiene el anélisis de regresién apropiado; advierta que se usa una notacién diferente: m representa la pendiente de la recta de regresiGn, n el nimero de pares de datos, B es la interseccién con el eje-y, R representa el coeficiente de correlaci6n y S.D. significa la desviacién estindar poblacional, El concepto de grados de libertad se estudiaré poste- riormente en el texto. Los paquetes de programacién proporcionan con frecuencia més respuestas de las que se necesitan en una cierta etapa y usan notaciones distintas fe CORRELATION AND LINEAR REGRESION VARIABLEX: AGE VARIABLE Y: HEART RATE MEAN OF X=30° > MEAN OF ¥: 187 = SD.OFX=11.61895 .< -__S.D. OF Y: 13.07670 £ NUMBER OF PAIRS (N) = 10 CORRELATION COEFFICIENT ®- 091 DEGREES OF FREEDOM (DF) = ‘SLOPE (M) OF REGRESSION 11 INE = 1.09259. Y INTERCEPT (B) FOR THE LINE = 219.778 Las respuestas computacionales de los programas comerciales con frecuencia no contienen alguna informacién deseada; pero muchas veces, 1a informaci6n faltante puede calcularse de la proporcionada en Ja respuesta.Seccin 43 Regresién y prediccién « 167 Por ejemplo, de la respuesta anterior podemos determinar la ecuacién de regresi6n y la suma de cuadrados de los errores, SSE, {Qué ritmo cardiaco méximo deberfa predecirse para una edad de 28 afios? | | | | Soluci6n: La ccuacién de tegtesiGu es’) = 219,778 ~ 1.09259x. Para la edad de 28 afios, deberfamos esperar una pulsacién maxima de: 3 = 219.778 - 1.09259(28) = 189.185 Para encontrar SSE, usaremos la f6rmula (4.10); primero necesitamos encontrar $S,, SS, y S8,,. Como la varianza poblacional est definida por o° = SSIN y.la varianza muestral esta definida por s’ = SS/(n—1), para determinar el valor de SS dado o, multiplicamos 0? por N. Esto es, s? = NAn~ 1)o” y SS = No*. En consecuencia, SS, = Noi = 10(11.61895)' = 1350 SS, = No; = 10(13.07670) = 1710 Como la pendiente de la recta de regresiGn esta definida por: P se SS, podemos despejar SS,, de esta ecuaciGn para obtener: SSy = mSS, (-1.09259)(1350) -1474.9965 Por Jo tanto, 1a suma de cuadrados de los errores es: SSE = SS, - mSS, = 1710 ~ (-1.09259)(-1474,9965) = 98.4336 = [GRUPO DE FERTICIOS 4 Habilidades basicas 1. Para cada una de las ecuaciones siguientes, encuentre la pendiente y la interseccién de la recta con el ele y, y dibuje la grafica. a)y=2x-3 byaxe2 ) e+ 3y=6 Qy=2 2. Para cada una de las ecuaciones siguientes, encuentre la pendiente y la intercepcisn de la recta con el eje y yy dibuje la grafica: ays-2r43 byysar—4 2 y= (23)x 3, Encuentre la ecuacién de regresién y SSE para los datos del ejescicio 1 del grupo de ejercicios 4.2. Los datos se repiten aquf por conveniencia. x[152489 y[372674 4, Para el ejercicio 2 del grupo de ejercicios 4.2, encuentre la ecuacién de regresién y SSE. Los datos se repiten aqut: Bia 8 1 Seo. yi8 714745 5. Parael eyereicio 7 del grupo de ejercicios 4.2, encuen- tre Ia ecuacién de regresién y SSE. Los datos se repiten aqui: 014-526 yl24t2 704168» Andiss descriptivos de datos bvarados 6. Los datos del ejercicio 8 del grupo de ejercicios 4.2 se dan en la tabla. Encuentre la ecuaci6n de regresién y SSE. O74 sd y]2 6-160 -4 4 7. Los datos del ejercicio 10 del grupo de ejercicios 4.2 se reproducen aquf. Encuentre la ecuacién de regresiGn y SSE, x|77 81 94 50 72 63 88 95 y| 82 47 85 66 65 72 89 95 8. Los valores de los estadisticos siguientes se obtuvie- ron al analizar nueve pares de datos bivariados: = 0.049 ‘Encuentre la ecuacién de regresion y= b + mx y SSE. 9. Los valores siguientes se obtuvieron de nueve pares de datos bivariados: ¥= 7.2167, S<= 2.60702, J=112722, r= 0.622 5,5 5.24589, n=9 Encuentre la ecuacién de regresién } = b + mx y SSE. Mas aplicaciones 10.Considere los datos bivariados: x3 647 TL ~Tyy' =y—Y (recuerde que x" y y’ son las. desviaciones de los valores). a) Determine la ecuacién de regresi6n $* = b) Defina 9° six’ 11.Considere los datos bivariados: 5.41 8 6 —F (recuerde que x’ y y’ son las desviaciones de los valores). 4) Determine la ecuaciGn de regresion 5° = b + mx’. b) Calcule $” six’ = LL 12.B] clima parece tener efecto en la ofensiva en el beisbol. Los datos adjuntos indican la relacién entre temperatura y ofensiva desde 1987 hasta 1989.” (Esta aplicacién se describi6 en el motivador 4.) ‘Temperatura Porcentaje Carreras Jonrones debateo por juego por juego 0-59" 248 8.0 40 60" 69° 0.253 85 1.65 10°19" 0.259 86 1.69 80°89" 0.263 91 1.85 90° y més 0.263 9 1.83 Use las marcas de clase para las temperaturas 60°-89° para determinar la ecuaci6n de regresién que puede usarse para predecir las carreras por juego para una temperatura dada. 13, Refiérase al ejercicio 12. Use las marcas de clase para Jas temperaturas 60°-89° para determinar la ecuacién de regresién que puede usarse para predecir cuadran- gulares por juego para una temperatura dada. 14,La tabla adjunta enlista las marcas olimpicas de nata- ci6n, en segundos, en los 400 metros de estilo libre para mujeres desde 1924. Afio Tiempo Afio Tiempo 1924 362.20 1964 283.3 1928 3428 1968 271.8 1932 3285 1972 259.04 1936 3264 1976 249.89 1948 3178 1980 248.76 1952 3121 1984 247.10 1956 294.6 1988 243.85 1960 290.6 Encuentre la ecuacién de regresi6n y dsela para pre~ decir la marca mundial en 1962. (Sugerencia: codifi- que los afios usando x= afio ~ 1923.) 15.Las marcas olimpicas de nataci6n, en segundos, en los, 400 metros de estilo libre para hombres desde 1924 son: Aiio. Tiempo Aito Tiempo 1924 304.02 1964 252.2 1928 3016 1968 2490 1932 2884 1972 240.27 1936 2845 1976 231.93 1948 281.0 1980 231.31 1952 270.7 1984 231.23 1956 2673 1988 226.95 1960 __ 258.3Encuentre la ecuacién de regresi6n y isela para pre- decir el tiempo de los hombres para 1992. (Sugeren- cia: codifique los afios usando x= aio - 1923.) 16,Se realiz6 un estudio para probar la efectividad de un ‘nuevo férmaco para reducir el rtmo cardiaco en pa- cientes adultos que padecen del coraz6n, donde parti- ciparon mil enfermos; en la tabla adjunta se muestra la reduccién promedio del ritmo cardiaco, medido en pulsaciones por minuto, para cada una de diez dosis, ‘en miligramos, del férmaco. 50 75 100 125 150 175 200 225 250 275 85 1 Ml 13 12 18 18 16 19 Dosis (2) Reduccisn| promedio del ritmo cardiaco a) Determine la ecuacién de regresién para predecir Ja reducci6n promedio del ritmo cardiaco dada una dosis fija del farmaco. >) Use la ecuacién para predecir a reduccién pro- ‘medio del ritmo cardiaco de un paciente que toma 300 mg del medicamento. Un paso més alla 17-Use las ecuaciones de regresién encontradas en los ejercicios 14 y 15, para calcular el afio en el cual el tiempo predicho para las mujeres serd igual al anun- ciado para los hombres en 1a competencia de 400 ‘metros estilo libre. Analice sus resultados. 18.Paralos datos enel ejercicio 10, encuentre los puntajes, 2, & pata x, y los puntajes z, z, para y. Determine entonces la ecuaci6n de regresién 2, = b + mz, y encuentre 19, Refigrase a la pantalla adjunta, 4) Encuentre la ecuacién de la recta de regresi6n, Secclén 4.2. Regresiény prediccién 169 b) Encuentre $SE, 20, Demuestre la formula (4.11). 21.Compruebe que SSE = $$, ~m' SS,. 22.Una medida de la forma en que los puntos de un iagrama de dispersi6n se distribuyen alrededor de la recta de regresiGnesel error estindar de estimacién 5» 10 cual esté definido por s, = \SSE/(n— 9). En- cuentre , para los datos del ejercicio 10. 23,Demuestre que Z()-$) =0, donde $= b+ ma. 24.Compruebe que (F, J) es un punto de la recta de regresin. 25. Verifique que la ecuaci6n de regresién puede escribir- se como S24 m(x—N, 26. Para los datos de la marca de Ja milla de la aplicacién 4.4, encuentre la ecuacién de regresién para predecit afios, dados los tiempos para la marca; use esa ecua- cin para predecir el afo en el cual la marca mundial para el recorrido de la milla sera de 3:40. {En qué afio (1999 © el afio obtenido aqui) dirfa usted que dicha ‘marca sera de 3:40?170 Andliss descriptvos de datos bivariados RESUMEN DEL CAPITULO eae, =] En este capitulo se introdujeron los conceptos de ecuaciones lineales, regresién lineal y correlacién lineal; para determinar si existe una relacién lineal entre dos variables, a menudo se usa un diagrama de dispersi6n; vimos que la fuerza de la relacién lineal puede medirse por el coeficiente de correlacién ry la covarianza muestral syy; los valores del coeficiente de correlacién r pueden caer en cualquier lugar del intervalo entre -1 y 1, inclusive; si los puntos del diagrama de dispersién caen todos en una recta, el REVISION DEL CAPITULO. valor de res 1 0-1, dependiendo de que la recta tenga pendiente positiva o negativa; un valor de r= 0 indica Ja falta de una relacién lineal y un valor de r cercano a1 0-1 no necesariamente implica una relacién de causalidad. Aprendimos también cémo determinar la ecuacién de regresién usando el método de minimos cuadrados; la suma de los cuadrados de los errores, SSE, se minimiza cuando se usa el método de los minimos cuadrados para calcular la ecuaci6n de re- gresi¢n. cov(x, y), covarianza central Spe coVarianza muestral 1, coeficiente de correlacién ‘SS.y suma de productos cruzados ‘m, pendiente 6, intercepei6n con Covarianza muestral: cov(x, y) = Sxy _ 20-9 0-9) : an Coeficiente de correlacién de Pearson: Lng, n=l Ecuacién de una linea recta: y = b + mx ‘Suma de cuadrados de los errores: SSE=EQ-3F an r (42) m TERMINOS IMPORTANTES = “ Los términos det capitulo se han mezelado para proporcionar una mejor practica de revisi6n; ¢ uno con sus propias palabras; después verifique sus respuesta contra las dadas en el capitulo. error esténdar de estimacion método de los minimos cuadrados ‘nea recta” recta de regresi6n ‘eculaci6n lineal ‘suma de pioductos cfuzados codificacién ecuacién de regresién suma de cuadrados de los errores andlisis de regresién diagrama de dispersion covarianza muestral variable dependiente variable independiente centroide : pendiente ‘dependencia lineal andlisis de correlacién datos bivariados intercepeisn con el eje y linea de mejor ajuste cocficiente de comrelacién de correlaciém espuria 3 Pearson : = SIMBOLOS IMPORTANTES = Sp desviaci6n estindar de x Sy, desviaci6n estandar de y- ™_ HECHOS Y FORMULAS IMPORTANTES. = lefina cada $, valor predicho de y ¢), ertor de prediccién SSE, sumia de cuadrados de los errores elejey : Suma de productos cruzados: $8y = By - FPO) ay Férmula para calcular el coeficiente de correlacién muestral:, SSq YSS.SS, Ecuacién de regresi6n: } = b + mx 46 Error de prediccién: winds [rrr eeGercicios de repaso = 171 Gril para calcula a summa de Tos) ‘Cuadrados de los errore SSE = 55, ~ mSSq ‘Relaci6n entre ry m: ([BIERCICIOS DE REPASO. 4. Enun intento de determinar la relaci6n entre el monto gastado en una campatiay el nimero de votos recibi- dos durante una elecci6n, se rezabaron los datos si- sguientes: Montogastadoen | 3 4 2 5 1 miles de délares: x Votos recibidos | 14 12 5 (enmiles): y a) Dibuje un diagrama de dispersién. b) Calcule el valor de sy ©) Determine el valor de r. 4) Encuentre la ecuaci6n de regresién de SSE. ©) Prediga el ntimero de votos recibidos sise gastaran 3,500 délares en la campafa 1) {Custos votos més pueden esperarse por cada 1,000 délares adicionales gastados? 8) Dibuje una gratfica de la recta de regresién en el diagrama de dispersi6n. 2, Para estudiar la relaci6n entre el nimero de veces que los estudiantes faltan a clases y sus calificaciones al final del curso, un instructor del grupo 209 de mate- éticas obtavo los datos mostrados aqut: Néimero de faltas Calificacién 1233445620 98 98 88 81 83 76 71 71 85 98 ) Dibuje un diagrama de dispersion. ) Calcule el valor de 5. ‘) Determine el valor de r. 4) Encuentre la ecuacién de regresién y SSE. ©) Prediga la calificacién final si un estudiante ha faltado a tres clases. {En cusnto se supone que se afectard la calificacién final por cada falta adicional? 8) Dibuje una grfica de la recta de regresi6n en el iagrama de dispersién. 43, Estudiantes que presentan examen de admisién (x), imero de inscritos por primera vez (y), en los pasa- dos siete afios en una universidad. Resuelva los inci- 808 con estos datos: 3300 4100 5600 5200 5900 5500 5100 y | 3000 3500 4200 4800 5000 5100 4700 a) Dibuje un diagrama de dispersién. b) Calcule el valor de sy, ©) Determine el valor de r. 4) Encuentre la ecuacién de regresién y SSE. ©) Localice § si x= 5000. (Cudntas inscripciones més pueden esperarse por cada 1000 solicitudes adicionales? 8) Dibuje una gréfica de la recta de regresi6n en el diagrama de dispersi6n. 4, Un biomédico estuclé el efecto de dosis diferentes (x) de un nuevo férmaco en el ritmo cardiaco (y) de los seres humanos. Los resultados para cinco individuos se indican en la tabla siguiente: Dosis (2) 253 354 45 Descensoenel | 8 11 9 16 19 ritmo cardiaco (y) a) Calcule el Valor de re interprete el resultado. ) Encuentre la ecuacién de regresi6n, ©) Encuentre SSE. 4) Determine § six = 3.75. €) Por cada unidad de incremento en la dosis, ,cusl es el descenso predicho en el ritmo cardiaco? Dibuje una grafica de la recta de regresién en el diagrama de dispersién.172. Andlisis descriptivos de datos bivariados 5, En un andlisis de regresin se determiné la informa- cién siguiente: $= 25.187x— 878.8583 $= 278.5247 52293956 F=515 F= 418.3 n=10. a) Encuentre el valor de r. ) Encuentre SSE. ©) Six=45, determine j. 4) {En cudnto cambiaré } por cada unidad de in- cremento en x? 6. Los datos adjuntos representan las ventas anuales de armas, enbillones de délares, de Estados Unidos alas naciones del Tercer Mundo. Aso [1976 1977 1978 1979 1980 1981 1982_1983 Ventas) 82 98 101 92 64 68 79 97 a) Encuentre la ecuacin de regresi6n para predecir Jas ventas ) Use Ia ecuacién encontrada de la parte a, para. estimar las ventas de Estados Unidos alas naciones del Tercer Mundo para el aiio de 1984. (Sugeren- cia: codifique el aiio usando: x = afio - 1975.) 7. Nueve peces dorados fueron aclimatados a una tem- peratura del agua de 3° C; Iuego fueron sometidos a un incremento gradual de la temperatura del agua para averiguar si el metabolismo esté relacionado con la temperatura; el metabolismo se midi6 contando los parpadeos por minuto. Los datos resultantes se enlis- tan en la tabla adjunta, Niimero promedio de ‘Temperatura °C parpadeos por minuto 50 33.0 15 44.8 100 54.0 12.5 525 15.0 70.2 115 99.8 20.0 1105 22.5 117.0 25.0 129.1 a) Dibuje un diagrama de dispersién. b) Calculer. 6) Encuentre la ecuacién de regresion. 4) Determine SSE. ©) Sila temperatura fuera 0° C, {cuéntos parpadeos por minuto deberfan esperarse? Los datos siguientes son para los ejercicios de revisién 8y9. Distancia al Altura DAP. a bol més cercano (enpies) (en pulgadas) (en pies) t 39 ae 195 n 92 40 69 93 5.0 7 95 105 B 95 90 B 97 8.0 79 98 150 81 104 125 65 107 18.0 60. 17 8. Un guardabosques quiere saber la correlaci6n entre la altura total y el didmetro a la altura de su pecho DAP, de una muestra de élamos temblones. Con los datos, de la tabla determine: a) el valor de r, b) la ecuacién de regresién, ©) SSE. Un guardabosques quiere conocer la correlacién entre el tamafio, medido como el diémetro a la altura de su pecho, y la distancia al érboF més cercano en una muestra de élamos temblones. Refiérase a los datos de lauabla a) Dibuje un diagrama de dispersién. b) Calcule el valor de r. ©) Encuentre la ecuacién de regresiGn para predecir DAP a partir de la distancia al érbol més cercano. 4) Encuentre SSE. 40.Para determinar si estén relacionados el flujo del trénsito, medido en el ntimero de vehfculos por hora, y el contenido de plomo en la vegetacién que crece cerca de las carreteras, se realiz6 un estudio en seis localidades, y se obtuvieron los siguientes datos: Nimero de vehiculos | 103 216 294 402 416 573 Contenido de plomo | 46 74 26.1 372248 387 Encuentre la ecuaciOn de regresién y dsela para predecir cl contenido de plomo de la vegetacién que experiments tun flujo de trdnsito de 300 vehfculos por hora. og F‘encuentre | sion para el-4rea ) dibuje un diagrama de dispersion; ‘ estime el precio de venta de una casa cuyo impuesto fue de 2,500 délares el ano pasado;174 © Analisis descriptivos de datos bivariados La tabla adjunta lista los resultados del estudio" Lugar. Estado “Esperanza Enfer- Estilo .Disponi-. Tiempo. Morta- i devida_medad _devida._bilidad perdido lidad 1 Utah 3 ree Te 38 10 1 2, Dakota del Norte 5 4 6 10 18 a4 3. Idaho 10 2 2 2B 10 1 4. Minnesota 2 5 18 3 Me 6 5. Hawail 1 16 35 2 eA 1 6. Vermont 7 6 42 3 37 16 7. Nebraska 6 7 3 7 37 2 8 ~ Colorado 9 9 29 20 Z 5 9. Wyoming 26 3 26 37 9 10 10. Montana 25 7 18 16 B 18 11. Washington " n 22 16 10 B 12. Oregon 14 14 15, 5 18 24 13." Nuevo México. ©‘ 22 412 1 AR oe es OB 14. Wisconsin PECANS Ral ee creeia gine ay 14 15, Dakota del Sur 14 10' > z Bas 16. °..lowa 3 19 Sash 30) % 45 a4 17. Maine 19 7 25 2 AE 28 18. California. 49. 26 31 28 4 7. 19... Massachusefis. 13 3 38 Hod a7 a 20. Alaska 246 a 47 40 3 3 2 Indiana 26 18 18 33 31 31 22... Avizona 21 25 37 28 5 16 | 23. Oklahoma 31 20 12 a 18 32 24. New Hampshire* 14 15 49 n 37 9 25. Kansast 7 35 5 21 31 19 } 26. Texast 31 26 29 45 5 u ; 27. Pennsylvaniat 34 24 24 2 50 39 j 28. Connecticut u 36 38 1 7 20 } "29. Kentucky 41 22 14 25 37 36 I 30. New Jersey 22 28 38 19 18 28 | 31. Missouri 26 31 3 33 45 32 32. Ohio 35 30 26 25 37 30 | 33. Virginia 36 29 38 31 18 7 I 34. Arkansas 29 32 7 35. 37 44 | 35. West Virginia 43 34 9 28 45 a7 | 36. Ilinois 37 37 31 24 3 36 37, Nueva York 29 42 36 7 B 38 38. Louisiana* 50 33 28 47 1B 40 39. Tennessee* 39 4 10 35 37 40 40, Rhode Island. 18 43 45 9 45 26 41. Carolina del Norte 42 40 2. 43 7 40 42. Alabama 45 39 10 46 31 48 43, Maryland 37 49 44 14 18 34 44, Florida 22 46 48. 15 31 45 *Estos estados se unieronLugar Estado, Esperanza. Enfer- de vida medad Estilo. Disponi- de vida. bilidad 45. Georgia 46 MS 46. Carolina del Sur 49 45 47, Nevada 44 38 48, Michigan 31 50 49. Mississippi 48 44 50, Delaware 40 48 3 18 50 S42 Calcule el coeficiente de correlacién de Pear- son para los rangos de: a) Salud y estilo de vida'en un estado. by Salud y esperanza de vida en un estado. ©) Estilo de vida y tiempo perdido. 4) Disponibilidad y tiempo perdido. ©) Enfermedad y estilo de vda. 4. Recabe informacién de 25 conductores con licen- cia de manejo en el estado donde s¢ localiza su universidad: fecha de naciriento, codificada de 11a 366, y los cltimos tres digitos del ndmero de su licencia de manejo. cir los tres limos digtos de fecha de ee =_EXAMEN DE CONOCIMIENTOS DEL CAPITULO’ wo 1, El ntimero de sentadillas $ que un nitio normal y saludable debe ser capaz de reilizar, con base en su edad x, esté dado por $= 1.4r-0.9, donde 4s x 17. a) {Cudntas sentadillas debe esperarse que haga un hifio de diez afios de edad? b) Cuando la edad aumenta, jcrece 0 decrece el nic ‘mero de sentacillas? ©) (Cudntas sentadillas més debe esperarse que haga un niffo por cada afio de edad? 4) En este caso, gdebe tener lainterceccién con el eje y una interpretaci6n con sentido? Explique. 2. Unestudiode larelacién entre laestatura, en pulgadas, ¥ el peso, en libras, de los universitatios hombres produjo los datos dados aqut. Estatura(x)| 64 72 7368 _66_67 Peso(y) [165 158 173 125 125. 139 Determine lo siguiente: a) Ss, b) ss, OSSy 4) la pendiente, m, ©) lainterceccién con el ejey. b, {la ecuacién de regresién, 2) el coeficiente de correlacién de Pearson, h) SSE, i) } cuando x = 65, Jel error e para el hombre en la muestra cuya esta- tura es x=71 pulgadas. Existe una fuerte correlacién positiva entre los sala- rios de los maestros y el consumo anual de cerveza en Estados Unidos. a) {Significa esto que el aumento en el consumo de cerveza ha sido causa del incremento alos salarios de los maestros? {0 que mientras més bebe un maestro mas pago conseguira? Explique }) {Qué factor(es) adicional(es) pueden causar que los salarios de los maestros y el consumo de cer- veza se incrementen simulténeamente?176 = Andlisis descriptvos de datos bivariados 4. Como $= b+mx y b=Y—me, tenemos $= (im) Localice la covarianza muestral para los datos parea- +mx. Por tanto, $ ~J= m(x—X). Con la ecuacién de dos: regresién escrita en esta forma, demuestre que el ee centroide (f, ¥) esté en la recta de regresi6n, Sa Euan Sunn aa yli as 21 25 28 5. Encuentre SSE para los datos bivariados siguientes Gy):UNIDAD DOS Probabilidad basica Introducci6n a la probabilidad elemental Distribuciones discretas Distribuciones continuasIntroducci6n a la probabilidad elemental : aa : EES — DESCRIPCION OBJETIVOS DEL CAPITULO 5.1 Experimentos y eventos En este capitulo estudiaremos: 5.2 Concepto de probabil > Experimentos. dad > Espacios muestrales 5.3 Conteo > Eventos. 5.4 Cémo encontrar proba- > Qué es un evento compuesto y cémo formar eventos compuestos bilidades usando el teorema Eventos complementarios fundamental del conteo >» mo usar dlagrarnas de Venn para representar eventos 5.5 Algunas reglas de proba- >» Eventos mutuamente excluyentes. bilidad > Probabilidad. 5.6 Eventos independientes > Los métodos de asignar probabilidades. 5.7 Variables aleatorias > Qué son las posibilidades matematicas y cémo calcularlas. EEE] > Teorema fundamental del conteo. > Cémo usar el teorema fundamental del conteo para encontrar probabilidades Qué son las permutaciones y cémo usarlas para contar. Qué son las combinaciones y cémo usarlas para contar. Algunas reglas fundamentals de probabilidad. Eventos independientes. Variables aleatorias Cémo encontrar la media y la varianza de una variable aleatoria. JVVVVVY180 + Capitulo 5 ntroduccién aa probabilidad elemental Panorama del capitulo | La alta probabilidad de que los resultados positivos sean falsos, se ve como aceptable debido a la baja probabilidad de que sea falso un resultado negative Si la prueba de ELISA se aplica a 10,000 muestras de sangre de una poblacién de alto riesgo, cuya probabilidad de tener la enfermedad es 5/1000, entonces debemos esperar obtener 50 muestras contaminadas; de éstas, 0.98 X 50 = 49 darén una prueba positiva; si las quitamos de Jas 10,000 muestras esperarfamos que 9,950 de ellas no estén conta- minadas, y de éstas 0.07 X 9950 = 696.5 dardn una prueba positi- | va falsa, si usamos la prueba de ELISA. El ntimero de falsas negativas | es0.02 x 50 = 1. El alto niimero de positivas falsas, 696.5; en este caso falsas, 1, asociado con la prueba de ELISA. La probabilidad de que una persona tenga SIDA dado que su sangre dé una prueba positiva es condicional, un tema que se estudiar en la seccién 5.5. Idealmente, se necesita una prueba con un alto valor predictivo para resolver positivo 0 negativo; es decir, si la prueba es positiva entonces es altamente probable que la persona tenga SIDA. Después de estudiar los capftulos siguientes, deberd quedar razonable- mente claro por qué es imposible desarrollar una prueba de SIDA con un valor predictivo del 100 por cient. deberia considerarse aceptable debido al bajo numero de negativas El propésito de este capitulo es desarrollar las ideas bsicas que se necesita- én para una adecuada comprensién de la estadistica inferencial. La estadfs- tica inferencial es un cuerpo de conocimientos que trata los métodos para caracterizar una poblaci6n usando informacién calculada de muestras extrai- das de la misma, Estos métodos siempre conllevan cierto grado de incerti- dumbre. Por ejemplo, podemos hacer las preguntas siguientes: 1 {Cudl es la posibitidad de que cierre la AJAX Company? 2. ¢Cual es el peso promedio de los bebés de un mes de nacidos? 3, Es mejor la marca A que la marca B? Todos los dfas enfrentamos tomas de decisiones y planteamientos proba- bilisticos. Los planteamientos que contienen las palabras posibilidad, plausibi- lidad, oportunidad, parecido, esperado, posible, incierto y probabilidad, se tefieren todos al mismo tema: la incertidumbre. A diario, hacemos u oimos planteamientos como los siguientes: {Cuil es la probabilidad de que tengamos un examen hoy? Las oportunidades de lo golpee un poste del alumbrado son de | en 2 millones. El trabajo se terminaria plausiblemente a tiempo. Las posibilidades de que llueva hoy son del 50 por ciento. Si se arroja una moneda, hay una posibilidad de 50-50 para que salga cara.SECCION 5.1 Experimentos Secin 5.1 Experimentosy eventos» 181 6. {Cuil es la probabilidad de que el nuevo método propuesto lleve a mejores resultados? 7. Tengo confianza en que puedo aprobar este curso. Contamos con un buen concepto intuitivo de la probabilidad; partiendo de esta base, exploraremos algunas de las propiedades no tan obvias de la teoria de la probabilidad para ayudarnos a desarrollar una mejor comprensién de la estadfstica inferencial. La probabilidad nos ofrece el fundamento para desarrollar la ciencia de la estadistica inferencial; mediante la teorfa de la probabilidad, podemos deducir la posibilidad de que aparezcan ciertas ‘muestras con propiedades especfficas. Tal informacién nos permitira obtener inferencias sobre una poblacién. Comenzamos nuestro estudio con una exposicién sobre los experimentos. Experimentos y eventos Un experimentoes cualquier proceso planeado que da lugar a observaciones oarecoleccién de datos; un ejemplo muy simple de un experimento es arrojar un dado y observar el nimero de la cara que queda hacia arriba cuando se detiene; para este experimento habria seis posibles resultados registrados, 1 2, 3,4, 5 0 6. También, el resultado de este experimento puede registrarse como un ntimero par o impar, por eso es importante definir con cuidado la forma del registro, pues la misma situaci6n basica produciria datos que pueden registrarse desde varios puntos de vista. Como otro ejemplo de un experimento, digamos que probamos una muestra de un producto terminado, seleccionada de una Ifnea de ensamble para determinar si el producto es defectuoso 0 no; este experimento tiene dos resultados: el producto es defectuoso 0 no, pero en cualquiera de estas dos situaciones podemos repetir el experimento muchas veces. Para nuestros fines, estaremos interesados principalmente en experimentos que pueden repetirse 0 que se acepte que pueden repetirse. Experimentos como observar si llovera mafiana o determi- nar quién ganaré la serie mundial el afio préximo no son repetibles y no los consideraremos en esta seccién, sino que estaremos interesados con frecuencia enlos resultados obtenidos de repetir un experimento un cierto mimero de veces. Todos los experimentos tienen resultados y la mayor parte de ellos son inciertos y dependen del azar; los resultados de un experimento forman un conjunto llamado espacio muestral. Un espacio muestral de un experimento es la coleccién de todos los resultados posibles. El experimento més simple referente a incertidumbre es uno que tiene dos resultados y un espacio muestral tinico, como vemos en el ejemplo 5.1. Sin182+ Capitulo 5 introduccién ala probabilidad elemental EJEMPLO 5.1 EJEMPLO 5.2 EJEMPLO 5.3 ‘embargo, un experimento puede tener més de un espacio muestral; es decir, se puede usar més de un espacio muestral para describir los resultados de un experimento. En general, es deseable elegir un espacio muestral que propor- cione la méxima informacién referente al experimento. Considere los ejem. plos 5.2 y 5.3 y la aplicaci6n 5.1 Observar el sexo del siguiente bebé que nazca en el Memorial Hospital es un experimento con dos resultados; un espacio muestral para este experimento consiste en el conjunto S = {H, M), donde H representa a un hombre, M representa a una ‘mujer y las aves se usan para indicar coleccién o conjunto. Si observamos los nacimientos de los siguientes dos bebés nacidos en el Memorial Hospital, entonces un espacio muestral para el experimento podria ser el conjunto S, = (HH, HM, MH, MM), donde, por ejemplo, MH indica que el primer bebé en nacer fue una mujer y el segundo fue un hombre. Otro espacio muestral para este experimento puede consist en el niimero de posibles nacimientos de hombres: S;= (0, 1,2}; note que estos dos espacios muestrales proporcionan informacién diferente Del resultado de sélo un hombre en Ss, no podemos determina si fue el primero el segundo en nacer; para este experimento referente al mismo tema, hemos regis- trado los datos en dos formas distintas. Para el experimento de arrojar un dado, S, = (1, 2, 3,4, 5,6) es un espacio muestra! yeel conjunto S:= (niimero par, ntimero impar} también lo es. Saber que el resultado de un lanzamiento de un dado es par, no posibilita determinar si fue 2, 4 06. Liste un espacio muestral para cada uno de los siguientes experimentos ) Lanzar una moneda de diez centavos y otra de veinte en ese orden, y obser- vvar cémo caen, ) Lanzar una moneda de un peso, una de cinco centavos y otra de diez centa- vos, en ese orden. y observar cémo caen. ©) Seleccionar a una estudiante universitaria al azar y preguntarle cuéntos aiios tiene ) Lanzar primero una moneda, de un lado y abservar cémo cae. ©) Lanzar una moneda hasta que salga dguila Solucién: a) S= (SA, AS, AA, SS}. El resultado SA significa que la moneda de diez centavos muestra el “sol” y lade veinte el “éguila”. b) S= [SSS, SSA, SAS, SAA, ASS, AAS, ASA, AAA). El resultado SAS sig- nifica que el peso muestra el “sol”, la moneda de cinco centavos el éguila y la moneda de diez, el “sol”. ©) S= (10,11, 12, 13, ., 98, 99, 100). @) S={S1, $2, $3, $4, $5, $6, Al, A2, A3, Ad, AS, A6) ©) S={S, AS, AAS, AAAS, AAAAS, etc.). El resultado AAAS significa que salié “sol” en el cuarto lanzamiento,Eventos EJEMPLO 5.4 EJEMPLO 5.5 FIGURA 5.1 Diagrama de Venn que representa el espacio muestral y un evento Sect 5.1 Experimentosy eventos» 183 Para un cierto experimento, podemos estar interesados en determinar la probabilidad de que ocurra una coleccién de resultados, en lugar de la probabilidad de que se dé uno solo. Por ejemplo, cuando se lanzan tres ‘monedas a la vez, podemos estar interesados en los resultados que indiquen que al menos han salido dos “soles”; esta coleccién de resultados, (SSA, SAS, ASS, SSS) se llama un evento. {Un evento es cualquier subcolecci6n (0 subconjunto) de un espacio muestra Suponga que el experimento es lanzar primero un peso y luego una moneda de diez centavos; un espacio muestral para este experimento podria ser S = (SS, SA. AS, ‘AA). Algunos eventos posibles son: E,= (SS) Es=(SS,AA} Ey= (SA) Es= (SA, AS) Ey=(AS} Fa=(AA} Hay 16 eventos posibles. El conjunto vacfo y el espacio muestral S también son eventos; el evento E, puede deseribirse como la obtencién de un éguilaen el peso y tun Aguila en la moneda de diez centavos, y el evento Es puede describirse como la ‘obtencién de dos “soles” o dos “Aguilas”. Un evento simple es un evento que contiene s6lo un resultado. El evento E; = ($S} del ejemplo 5.4 es un evento simple, mientras que el E; no lo es Recuerde que un evento es siempre una coleccién de resultados del universo de todos los resultados identificados como el espacio muestral. Para Tepresentat gréficamente espacios muestrales y relaciones entre eventos se puede usar un diagrama de Venn; se acostumbra que un recténgulo denote el espacio muestral y que los eventos se representen como circulos dentro. del recténgulo, como se indica en la figura 5.1.184 + Capitule.5 imtcoducci6n a la pobabilidad elemental [[APLICACION 5.2 ‘APLICACION 5.3 ‘Suponga que un experimento consiste en examinar tres fusibles; cada fusible puede ser defectuoso (D) 0 no defectuoso (N), los ocho resultados posibles son (NDD, NDN, NND, NDD, DND, DNN, DDN, DDD}. Anote los resultados que conforman cada uno de los eventos siguientes: I primer fusible estd defectuoso. primer fusible y el dltimo estén defectuosos fodos los fusibles son buenos. 1 menos un fusible esté defectuoso. lo mas un fusible esta defectuoso. Soluci6n: a) E.= (DNN, DND, DDN, DDD} DDD, DND} ob ) 4) Note que al menos uno significa uno o més. E:= (NDD, NDN, NND, DNN, DND. DDN, DDD} @) Note que a lo més uno significa uno 0 menos. Es = {NDN, NND, NNN, DNN). = Considere el experimento de tirar un dado rojo y uno negro, y observar cémo caen; un espacio muestral de 36 resultados posibles es como sigue, donde la primera entrada es el resultado del dado rojo y la segunda el del dado negro. (a. G2) 0.3) 04) G5) 0.6) 20 @2 23) G4) @5) (2,6) BY) 62 B3) G4 65) BO 4D 42) 43) 44) 4S 46) 6D 62 63) G4) 65 6.6) 0 62) 6,3) 6,4) (6.5) (6,6)} El espacio muestral S se puede representar por el siguiente diagrama: c. ce a Dado a negro 2 Dado rojoSeccién 5.1 Experimentosy eventos + 185 Dé una descripcidn para los eventos: a) (0.0.2, 0,8, 0.4 0.6.0.6, D) b) (1), (2,2 3, 3). 4 4), (5,5), (6, 6)) ©) (8,4). (4, 3), 5, 2.02, 5), (6, 1), (1, 6) 4) (6,6), (6, 5)) ® {C.D} 8 (44) Solucién: a) El dado negro muestra el 1 'b) Los dos dados coinciden. ©) La suma de los dados es igual a 7. 4) La suma de los dados es igual a 11 ©) Ambos dados muestran 1 (a.un par de unos se le Lama “ojo de serpiente”). ) Ambos dados muestran un 4 (a un par de cuatros se le conoce como “fur- 6n). APLICACION 5.4 || Para el experimento de lanzar los dados en la aplicacién 5.3, liste los resultados de los eventos siguientes: a) La sumaes par. b) Lasumaes divisible entre 5. ©) La suma es un niimero primo, (Un niimero primo es un niimero mayor que 1, divisible s6lo entre 1 y él mismo.) ) El ndmero del dado negro es dos unidades mayor que el nimero del dado rojo. ©) Lasuma es impar. ) Lasuma noes divisible exactamente entre 5. Solucié a) Los pares siguientes tienen una sunita que es par: (0 0,3) 0,5) @2) 24) 2.6) BD G3) GS 42 44 46 GV 63) GS) 62) 64) 66) b) Estos pares tienen una suma divisible entre 5: {1.4. 4D, 62. 23, 65. 64), 4.6) ©) Y éstos, una suma que es un niimero primo: {0.2. QD. (4. 4D. (L0, 6D, (2.5) (5.2) BA, 43. 6.6 (65), (23), 3.2)186 + Capitulo 5 tntroduccién a la probabilidad elemental 4d) Los pares siguientes tienen un nimero en el dacio negro que es dos unidades mayor que el del dado rojo: 10,3, 24. GD, 4,6} €) Estos pares tienen una suma que es impar: {,2) (1,4) (1,6) (21) (2,3) (2,5) B2 B4 BH G1 43) 5) G62 64) 6O 6D 6,3) 6,5) 4) Y éstos, una suma que no es divisible entre 5: (AD) 02 3 45) G6 ed 22) 24 25 26 BD 3.3) 34 G35) G6 42 3) 44) 45) 61) 6.2) 6,3) 64) (5,6) 1) 62) 63) (65) 66) = Evento (no 6) Si Bes un evento contenido en un espacio muestral S, entonces el evento no E, denotado por , es el que contiene todos los resultados en $ que noestén contenidos en E. Enel diagrama de Venn de la figura 5.2, E es el érea sombreada dentro de S y fuera de E. FIGURA 5.2 Diagrama de Venn del evento “no E” EJEMPLO 5.6 Considere el experimento de lanzar un dado, Si E es el evento de obtener un 4 0 un 6, entonces el evento E contiene los resultados 1, 2, 3 y 5; esto es, si B= (4, 6), entonces B= (1, 2, 3, 5} Suponga que E es un evento de algiin experimento; como un evento E ocurre 0 no ocurre, un espacio muestral para el experimento es 5 = {E, E); en consecuencia, cualquier experimento tiene un espacio muestral con sélo dos resultados, E y E: Considere la aplicacién 5.5,Secciém 5.1 Esperimentos y eventos» 187 Para cada uno de los siguientes experimentos, liste un espacio muestral con s6lo dos resultados. ) Lanzar una moneda cinco veces y observar el niimero de caras. ) Lanzar una moneda de diez centavos seguida de otra. ©) Girar la aguja y observar dénde se detiene, (Entra esquema, al margen.) Solucién: Para cada experimento anotamos dos de los espacios muestrales posibles con sélo dos resultados. Hay otros espacios muestrales que el estudiante puede obtener. a) Sy = {obtener 5 caras, no obtener 5 caras} S:= {obtener 2 caras, no obtener 2.caras} ) Si = {la suma es par, la suma es impar} S;= {obtener dos veces 3, no obtener dos veces 3}, ©) Si = {se detiene en 1, no se detiene en.1) S:= (se detiene en 2, no se detiene en 2) om Eventos compuestos Como Jos eventos son conjuntos, los operadores de unién y de interseccién pueden usarse para formar eventos compuestos; si E y F son eventos, entonces (EU F) y (E0 F) son ejemplos de eventos compuestos. (Eu Pes elevento de que ocurran E, 0 F, 0 ambos. (EOP) es elovente de que tanto E come F ocurran al mismo tiempo. Se puede usar diagramas de Venn para ilustrar eventos compuestos; en los de la figura 5.3, los eventos compuestos (A U B) y (A > B) estén repre- sentados por las regiones sombreadas. FIGURA 5.3 Diagrama de Venn de eventos compuestos Eipico muesa Blevento AUB188 + Caphtulo 5 tntroduccién a a probabilidad elemental ee ° os 1 Eno Epucde o E« ccuriré no curr caring La probabilidad satisface las siguientes propiedades: 1. PED 20 2. PENS 1 3.2 PEI donde ZP(Ei) es la suma de las probabilidades para todos los resultados [eventos simples) en el espacio muestra La probabilidad de un evento A se define como la suma de las probabilidades para los resultados contenidos en A. La aplicacién 5.10 muestra cémo asignat probabilidades a eventos una vez que se conocen las de los resultados en él espacio muestral. i i[APLICACION 5.10 Cémo asignar probabilidades a eventos Métodos objetivos EJEMPLO 5.7 ‘Seccién 5.2 Concepto de probabilidad = 193 Suponga que se lanza un dado una vez y la probabilidad de cualquier cara de quedar hacia arriba es 1/6; si E es el evento de sacar un ntimero par y F el de uno impar, encuentre: a) PE), b) PR). ©) PEUP). d) PEP. Solucién: El espacio muestral es S = {1, 2, 3,4, 5, 6), el evento Ees {2,4, 6} y el evento F = (1, 3, 5}. Por tanto, tenemos: a) P(E) = P(2) +P) + P(6) = V6 + 1/6 + U6 = 3/6 = 1/2 b) POF) = PU) + PQ) + PGS) = U6 + 116 + 1/6 = 3/6 = 1/2 0) PEUR=PS)= @) PEA F)=0, puesto queENF=Oy P@)=0. Las tres propiedades que satisfacen las probabilidades no nos dicen como asignarlas a Jos resultados en un espacio muestral; lo que hacen es normar ciertas asignaciones que no son consistentes con nuestras nociones intuitivas. Hay dos métodos generales para asignar probabilidades a eventos: el método objetivo y el étodo subjetivo. El método objetivo implica asignar probabilidades ‘a eventos con base en el conteo o en la experimentacién repetida; el método subjetivo, por otro lado, nos permite asignar probabilidades con fundamento en la intuicién o en la creencia personal; cuando se utiliza el método subjetivo, dos conocedores pueden no concordar en sus asignaciones Se lanza una moneda, Ios resultados serdn cara (C) y éguila (A). {Qué niimero P(C) le asignarfamos aC y cul P(A) Ie asignarfamos a A? Suponga que le asignamos 0.7, a Cy 03 A; es ésta una asignaciGn vélida de probabilidades” La respuesta es sf con base en las propiedades anteriores porque: a) ambos ntimeros son mayores que cero; b) ambos nimeros son menores que 1, y ¢) lasumma de 0.7 y 0.3 es 1; pero estas, asignaciones van en contra de nuestra intuicin si sabemos que la moneda es legal y ‘muchos de nosotros convendrfamos en que lo correcto seria 0.5 paraC y 0.5 para A. Si lanzamos una moneda un gran niimero N de veces y encontramos la frecuencia f para el suceso de una cara, esperariamos que la frecuencia relativa f/N para la ccurrencia de una cara sea cercana a 0.5. La tabla 5.1 contiene el niimero de caras obtenidas en cada caso. Como C y A son los tinicos resultados del experimento, no cuenta que la moneda caiga sobre el canto; entonces P(A) debe ser 0.5 pues asf 05+05=1.194. Capitulo 5 ntroduccién a la probabilidad elemental TABIA 5.1 Frecuencia y frecuencia relativa de caras en el lanzamiento FIGURA 5.7, Valores limites de IN cuando N se vuelve grande Nem, lanzamientos Nim. “soles” Frecuencia rlativa N f JIN 0.000 0.500 0.333 0.250 0.600 0.500 0571 0.375 0.67 0.400 ipHor waar seers 100 st 0.510 1000 447 0.447 10000 S047 0.505 El valor limite dela frecuencia relativa f/N de la obtencién de un “sol” cuando una ‘moneda legal se lanza N veces, se aproximaré a 0.5 cuando N sea grande, como lo ilustra la figura 5.7, ‘Como 0.7 no es igual al valor limite de ta frecuencia relativa del suceso de un “sol”, que es 0.5, no recomendarfannos asignar 0.7 como probabilidad del resultado C. Con el valor 0.5 asignado a C, {qué probabilidad P(A) debe asignérsele a A? ‘Como consecuencia de la tercera propiedad, sabemos que: PO) +P(A)=1 05+ P(A)=1 Por tanto, P(A) =0.5 debe ser la probabilidad asignada ala obtencién de un “éguila”, £ £ 050 ” 0569 . st ots . 55 0316 . oo oss . 20, 0.486 | 105 ag Mi a7 190 0508 * 254 0516 . 335, n 0510 : 35 0495 4 356 0.505 = 700 30 369 oso : 1065 0.508 b 1290 0.499 1546 0494 4 1835 0503 } 2150 0303 2520 050 ero de veces que una moneda es lanzadaProbabilidad empirica EJEMPLO 5.8 be A EJEMPLO 5.9 - MINITAB, puede simular el lanzamiento de una moneda tantas Seccién 5.2 Concepto de probabilidad » 195 Si un experimento es repetible pocemos asignar probabilidades a los resul- tados de acuerdo con los limites de las frecuencias relativas, en forma anéloga como lo hicimos antes para la moneda; el nico problema de hacer esto es que no siempre se conocen Jos valores limite de las frecuencias relativas; para usar este método, necesitamos tener disponibles muchos datos repetiti- ‘os y atin entonces sélo se pueden encontrar aproximaciones de los limites de las frecuencias relativas. Cuando la probabilidad se basa en nuestra experiencia y se desconocen los valores exactos de los limites de las frecuencias relativas, deben usarse aproximaciones a estos valores limite; al hacerlo, al método objetivo de asignaci6n de probabilidades se le lama empfrico. Segdn el método de probabilidad empirica, si E es un evento, P(E) es aproximadamente igual a fIN, donde f es el mimero de resultados favorables y N el de repeticiones del experimento. En este caso, tenemos: ak Pe Consideremos el experimento de bailar una pirinola que puede detenerse de dos maneras 4C6mo podemos determinar la probabilidad de que la pirinola se detenga hacia arriba? Podrfamos preguntarle a alguien, pero, alguien sabria la respuesta? Quizé nadie; podemos bailar la pirinola diez veces y anotar el mimero de veces que queda hacia arriba. Esa frecuencia relativa podria servir como una estimacién de la probabilidad deseada; més atin, para tener una estimacién mejor, podrfamos bailar Ja pirinola 100, 1000 veces o més y anotar la frecuencia de que apunte hacia arriba, de esta manera obtendrfamos una buena aproximacién de la probabilidad de que la pirinola apunte hacia arriba. Segiin cambia nuestra experiencia, cambia la frecuencia relativa. Por ejemplo, si lanza- ‘mos una moneda seis veces y obienemos tes cara, estimarfamos que la posibilidad de obtener una cara es 3/6 = 0.5; sila moneda fuera lanzada una vez més y mostrara una cara, entonces la posibilidad estimada de obtener tna cara serfa 4/7 = 0.5714, 0 si fuese cruz la posibilidad estimada de obtener cara serfa 3/7 = 0.4286; este cambio en Ja frecuencia relativa refleja el cambio de nuestro conocimiento. Como lo sefialamos antes, cuando la repeticién aumenta, la frecuencia relativa cambia muy poco y el valor limite al que se aproxima se le denomina probabilidad, isted tiene acceso a un programa de computadora como, veces como quiera; a esto se le lama simulacién por computadora, Las primeras dos lineas en la pantalla 5.1 usan MINITAB para hacer que la computadora simule un proceso aleatorio de 150 lanzamientos de una moneda legal, y exhiba los resultados en una columna etiquetada con C1; entonces los196 + Captulo 5 ntroduccién a la probabilidad elemental Pantalla 5.1 resultados de los lanzamientos simulados se imprimen, seguidos de un recuento de todos ellos, Los resultados de los primeros 15 lanzamientos se muestran en la primera columna de unos y ceros; cada 1 representa un “sol” y cada 0 un “Aguila”; si usamos solo los primeros 15 lanzamientos de la moneda para estimar la probabilidad de obtener un “sol” en un solo lanzamiento, la P(sol) estimada seria 7/15 = 0.467. Si leemos de la cuenta dada al final de | la pantalla, vemos que la simulacién produjo 69 soles y 81 “Aguilas” basados en 150 lanzamientos, P(sol) = 69/150 = 0.46. Otra simulaci6n produciria, en general, resultados diferentes. MTB> RANDOM 150 Cl: SUBC> BERNOULLI P = 05, MTB> PRINT CL a 1 o 1 1 0 1 1 1 1 ° MTB>TALLY Cl; SUBC> ALL, CL COUNT CUMCNT PERCENT cUMECT 0 81 8154.00 54.00 1 6 150 46.00 100.00 N=150 MTB> ‘Una compaiifa de seguros quiere estimar la probabilidad de que le ocurra un accidente a un coche de Ia policfa en una cierta ciudad durante un periodo de un mes; el tiltimo mes, 7 de 20 coches de la policfa tuvieron accidentes. a) {Cul serfa la estimacién dada por usted de Ia probabilidad deseada? ) {Cudl es la probabilidad de que un coche de Ia policfa no participe en un accidente? Solucién: a) 7120=0.24 >) 0651-035. =Poe Seccién 5.2 Concepto de probabilidad = 197 ‘APLICACION 5.12. | Las calificaciones del SAT en mateméticas de los estudiantes de una gran universidad se muestran en la tabla siguiente de frecuencias agrupadas. Tabla 5.2 Tabla de ‘recuencias relativas agrupada para la aplicacién 5.12 APLICACION 5.13 T 200-299 300-399 400-499 500-599 600-699 700-799 fi 3,600 11,900 12,000 5,500 1,500 500 Si se elige a un estudiante al azar, jcusl es la probabilidad de que la calificacién del estudiante en matemdticas en el SAT a) exceda de 399? ) sea.alo més 599? ©) esté entre 600 y 699, inclusive? 4) noesté entre 400 y 499, inclusive? €) sea menor o igual que 6997 Solucién: Primero construimos una tabla de frecuencias relativas agrupa- das, tabla 5.2. Los célculos se aproximaron hasta la tercera fra decimal; recuerde que la frecuencia relativa de una clase se encuentra dividiendo la frecuencia f de la clase entre el nimero total de medidas N. SAT 200-299 300-399 400-499 500-599 600-699 700-799 a) PISAT > 399) ©) P(600< SAT < 699) = 0.043. f 3,600 11,900 12,000 5,500 1,500 500, 35,000 Rel F 0.103 0.340 0.343 0.157 0.043 0.014 343 +0.157 + 0.043 +0.014 = 0.557 b) PISAT < 599) = 0.103 + 0.340 + 0.343 +0.157 = 0.943, ) P(SAT < 400 0 SAT > 499) = 1 ~ 0.343 = 0.657 (pues la suma de las frecuencias relativas es 1). ©) PSAT s 699) esl). om = 0.014 = 0.986 (pues la suma de las frecuencias relativas En una pequefia ciudad, se clasifics a cada persona de acuerdo con su religin y su afiliacién a una partido politico. Los resultados se resumen en Ia siguiente tabla:198 + Capitulo 5 tntroduccié ala probabilidad elemental TABIA 5. Totales por columna y | renglén para la aplicacién 5.13 u Probabilidad clasica Partido politico Religin __Demécrata__Republicano Independiente Protestante 10,000 8,000 2,000 Judio 5,500 6,000 500 Catélico 8,500 9,500 1,500 Si se escoge al azar a una persona de la ciudad, ;cual es la probabilidad de que la persona sea 4) republicana? b) cat6tica? ©) protestante y republicana? @) catdlicae independiente? Soluci6n: Primero encontramos el total de cada renglén y columna, como se indica en la tabla 5.3. Partido politico Religién __Demécrata__Republicano Independiente Total Protestante 10,000 8,000 2,000 20,000 Judio 5,500 6,000 500 12,000 Cat6lico 8,500 9,500 1,500 19,500 Total 24,00 23,500 4,000 51,500 a) Hay 23,500 republicanos del total de 51,500 personas. Por lo canto, P(R) = 23,500/51,500 = 0.456. 'b) Hay 19,500 catdlicos de ese total. Par tanto, P(C) = 19,500/51,500 = 0.379, ©) Hay 8,000 personas del mismo total que son protestantes y republicanos. Por tanto, P(P y R) = 8,000/51,500 = 0.155. 4) Hay 1,500 personas de las 51,500 que son catélicos e indeps tanto, P(C el) = 1,500/51,500= 0.029, lentes, Por Si en un experimento todos los resultados tienen la misma probabilidad de ocurtir, se dice que son resultados igualmente posibles. Si un experimento tiene m resultados que creemos igual mente posibles, podemos esignar a cada uno en el espacio muestral S, un valor de probabilidad de 1/n; ésta es una consecuencia de la propiedad 3 de la probabilidad, que establece que la suma de las probabilidades para un espacio muestral debe ser 1; entonces si Ees un evento que contiene f resultados de un espacio muestral ccnstituido por n resultados igualmente posibles, la probabilidad de que ocurra E es simple- mente fin. En consecuencia, tenemos el hecho bésico siguiente: Si Ses un espacio muestral de tesultados igualmente posibles y E es un evento, entonces: peat 6»)EJEMPLO 5.10 APLICACION 5.15 ‘Seccién 5.2 Concepto de probabilidad = 199 donde f es el nimero de resultados en Ey n es el niimero de resultados en S. Se acostumbra llamar resultados favorables a los resultados contenidos en E, El método objetivo de asignacién de probabilidades usando espacios muestrales de resultados igualmente posibles, se denomina método proba- bilistico clasico. Suponga que se lanzan juntos una vez, un peso y una moneda de diez centavos; pueden caer de cuatro maneras. Un espacio muestral para este experimento es $= (SS, AS, SA, AA). La primera letra de cada par corresponde al resultado del peso y la segunda corresponde al resultado de Ia moneda de diez centavos. Los resultados posibles pueden visualizarse como sigue: 2* moneda Soak Primera S SSSA moneda A AS AA Resultados posibles Los cuatro resultados tienen ta misma posibilidad de ocurrir si ambas monedas se lanzan de modo que el resultado de una no influya en, ni sea influenciado por el resultado de la otra; en consecuencia, asignamos un valor de 1/4 a la probabilidad de cada uno de los cuatro resultados. Si E es el evento (AS, SA), entonces tenemos los dos métodos siguientes de asignar un valor a la probabilidad de E. 1. Sumar las probabilidades de los resultados contenidos en B. Por tanto, P@)= 14+ 14 =05. 2. Usar la f6rmula (5.1). El ntimero de resultados favorables es f = 2, el nime- ro de resultados en E'y el mimero de resultados igualmente posibles en S es n= 4, En consecuencia, 21 p@-£-3-4 ‘Considere el experimento previo de lanzar un peso y una moneda de diez centavos. ‘Cuando se lanzan dos monedas, poclemos registrar la aparicién de 0, 1 02“‘soles”; asi, elespaciomuestral es S = {OS, 1S, 2S }. Como hay tres resultadosen S podemos estar tentados a concluir que P(1S) = 1/3, pero por el argumento anterior, P(1S) = P({SA, AS}) = 1/2. Resuelva esta contradiccién aparente. Solucién: Los tres resultados en S no tienen la misma posibilidad de ocurrir. El resultado 1S tiene el doble de posibilidades de ocurrir que 0S 02S; por tanto, la férmula (5.1) no es vélida para calcular P(1S) y tenemos PUS)=1/2. = Para el experimento de lanzar dos dados en la aplicacién 5.3, encuentre la probabilidad de que: a) Ambos muestren un niimero par.200 + Capitulo 5 introduccién ata probabilidad elemental ) Los niimeros tengan una suma igual a7. ©) Los ntimeros tengan una suma igual a7 u 11 4) Ambos muestren un ntimero primo (un némero primo es un ndmero cuyos tinicos divisores son 1 y él mismo) ©) El dado rojo muestre un 2. ) Los niimeros mostrados tengan una suma igual a 13. Solucién: Un espacio muestral es como sigue: {,1) 4,2) G,3) (4) 5) (1,6) 2) 22) 23 24) 2D 26 BD 62 BI) G4 BI BO 4) 42D 43 G4) G&S 4 G1) 6.2) 63) 65) 66 6,6) 61) 6,2) (6,3) (6,4) (6,5) (6,6)} Hay 36 resultados igualmente probables en S. 18) Representemos por Eel evento de que ambos dados muestren un niimero par; un resultado favorable es aquel en que ambos dados muestran un niimero par: (2,2), (2, 4), (2, 6)s (4, 2)s (4, 4), (4, 6), (6, 2s (6, 4) ¥ (6, 6); hay nueve resultados favorables, en consecuencia: eee eal PE) =A b) Llamemos £; al evento de que la suma de los dos ntimeros mostrados sea 7; el conjunto de resultados favorables es Es = {(3, 4), (4, 3), (5, 2). 2, 5) (6, 1), (1, 6)}. Por tanto, PCE) £ 36° 6 ©) Sefialemos por B; que la suma de los ntimeros mostrados sea 7 u 11. El ‘conjunto de resultados favorables es Es = {(1, 6), (2, 5), (3, 4), (4.3) (5.2) (6.1), 5,6) y (6, 3)). De este modo: ee ae ME) = 369 4) Ex seré el evento de que ambos dados muestren un ntimero primo, Como E.= (0, 1401,2404,39.0,5),2 0,22) 02,34 02,5), D4G,2,G,3,8,5)5, D15.2),6,3.0.9) ny = L186 PED == 35 ©) Elevento F, resultade que el dado rojo muestre un 2. Elconjunto de resultados favorables es: Es = ((2, 1), (2, 2), (2, 3), (2,4), (2, 5), (2, 6)}. Entoaces, PUES) = £ ip rrr epee cer erenceSeccién 5.2 Concepto de probabilided » 201 ) Representemos por Bel evento de que la suma de los niimeros mostrados sea | 13. Como una suma de 13 es imposible, Es= . Ast, PE) =0 © El experimento de los dados de la aplicacién 5.15 puede simularse usando MINITAB; se lanzan dos dados 1000 veces; los resultados del primer dado se guardan en C1 y los del segundo en C2; la suma de cada par se guarda én C3 y los resultados se pueden ver a lo largo de la pantalla 5.2 junto con las 6rdenes. Pantalla 5.2 2 MTB> RANDOM 1000 C1 C2; SUBC> INTEGER 16. | MTBoRSUM C1 C23 ‘MTB> TALLY C3; | ‘SUBC> PERCENT. © | Note que la probabilidad de que se muestren nimeros cuya suma sea 7 es aproximadamente 0.169 y la probabilidad de que la suma de los nmeros mostrados sea 7 u 11 es 0.169 + 0.054 = 0.223, aproximadamente. Estos dos resultados se comparan favorablemente con los que vimos en la aplicacién 5.15. | |_APLICACION 5.16 | — ;Cudl es la probabilidad de adivinar comrectamente todas las respuestas de un examen tipo verdadero/falso, que consta de cuatro preguntas? Solucién: Denotemos verdadero por V y falso por F. Como sélo uno de estos resultados representa un acierto, f = 1. Un espacio muestral de resultados igualmente probables consta de 16 respuestas:202 = Capltulo 5 imroduccién a la probabilidad elemental Método subjetivo Histogramas de probabilidad VVVVsVFFVsFEVFFVFV VVFV EFF) OFFFV-FVVF VVVF VFVV FEVVFVEF VVFF 0 VFVF FFFF FVVV VVVV corresponde a responder correctamente todas las preguntas y consta de s6lo un resultado de los 16 listados. Usando la férmula (5.1), tenemos: POW )=Z= En muchas situaciones tenemos poca o ninguna informacién sobre los resultados de un experimento, no tendremos datos disponibles de frecuencia sila situacién no ha ocurrido antes. Un médico que trata aun paciente de una enfermedad rara, debe elaborar un diagndstico baséndose en su experiencia con el paciente y en el registro médico completo del enfermo; 1un candidato que aspira a un puesto piblico por primera vez, estimard sus posibilidades de triunfo apoyado en su intuicién y en los comentarios que escuche. Cuando se asigna probabilidad a eventos con base en la intuicién y consideraciones personales, el método de asignacién se lama subjetivo; desde luego, cuando se usa ese método las asignaciones dependerdn de la forma individual de hacerlos y pueden variar ampliamente de un individuo a otro. Para los datos exhibidos en una tabla de frecuencias agrupadas, se puede construir un tipo especial de histograma de frecuencias relativas, y usatlo para estimar la probabilidad de que una medida caiga en una clase particular. Si en lugar de que la i-ésima barra de un histograma de frecuencias relativas tenga una altura de f,/N, como se hizo en la secci6n 2.3, permitimos que sea: he wN donde f, es la frecuencia asociada con la i-ésima clase, w el ancho de clase y Nel nimero total de medidas, entonces el érea de la barra aproxima la probabilidad de que una medida caiga en esa clase particular. Ademés, el 4rea total del histograma es entonces igual a 1, la sumna de las prcbabilidades; por esta raz6n lo llamamos histograma de probabilidad. Advierta que ¢l rea de un histograma de frecuencias relativas, como el construido en la seccién 2.3, tiene un érea igual aw, el ancho de clase. Construya un histograma de probabilidad para los datos adjuntos de lt aplicacién 5.12. | | | i i !| TABIAS.A | Valores para el histograma de probabilidad para la aplicaci6n 5.17 FIGURA 5. probabilidad para la aplicacién 5.17 W Oportunidades matematicas Seccién 5.2 Concepta de probabitided » 203 SAT. f 200-299 3,600 300-399 11,900 400-499 12,000 500-599 5,500 600-699 1,500 700-799 500 Solucién: La tabla 5.4 contiene las fronteras de clase, Ias alturas de las barras y sus reas. Frontera 199,5-299.5 299.5-399.5 399.5-499.5 499,5-599.5 59.5-699.5 699.5-799.5 h 0.00103 0.00340 0.00343, 0.00157 0.00043 0.00014 Area de la barra 0.103 0.340 0.343 0.157 0.043 0.014 1.000 Las alturas h se encontraron dividiendo las frecuencias relativas entre w = 100, dando la medida h = f (wi). Por ejemplo, la frecuencia relativa de la primera clase en la tabla 5.4 es fN =3,600/35,000 = 0.103. $i dividimos 0.103 entre w= 100, obtendremos (0.103)/(100) = 0.00103. La gréfica del histograma de probabilidad se muestra en la figura 5.8; la suma de las reas de las dos barras ‘ms alas representan la probabilidad P(299.5 < x< 499.5) = 0.683. © h 0.004} 0.003 0.002} oor st Si aly 4. a ea x 1995 299.5 3995 499.5 5995 6995 7995 SAT math score En el caso de apuestas, como carreras de caballos y pronésticos deportivos, a menudo se determina la posibilidad del suceso de un evento usando probabilidad subjetiva, y se establece comtinmente en términos de oportu- nidades. Si E es un evento, las oportunidades a favor de E, denotadas por Ops(B), se definen asi:204 + Capitulo 5 introduccin ale probabilided elemental EJEMPLO 5.11 EJEMPLO 5.12 Oportunidades a favor de E om PB Las oportunidades en contra de E, Ops (B), se definen: Oportunidades en contra de E PE) Ops = Fe” Ops) Si Bes el evento de que un caballo favorito gane la carrera y P(E) = 1/3, sntonces las oportunidades a favor de ganar, Ops(B), son: Este resultado se escribe frecuentemente como 1:2, Las oportunidades se pueden convertir en probabilidades. Como regla general tenemos: Si Ops(E) = a:b, entonces PHS Si las oportunidades en favor de que los Piratas de Pittsburgh ganen el juego de beisbol son de 2:3, entonces su probabilidad de ganar es: Si las oportunidades son de 3:2 en contra de que el caballo favorito gane la carrera, {cudl es la probabilidad de que a) pierda la carrera? b) gane? Soluci6n: Sca E el evento de que el caballo gane la carrera; entonces, E es elevento de que la pierda. | | } |oportunidades: APLICACION 5.19. | | LJ Seccién 5.2 Concepto de probabilidad + 205 a) PE)=32+3)= 45 b) Como P(E) + PE) 1, PE) = 1 -PE), es decir, También podemos obtener el mismo resultado usando la regla de las Durante la guerra de Vietnam en 1967, aproximadamente 15 millones de hombres eran elegibles para el reclutamiento militar en cualquier mes; si cada mes se alistaron 20,000 hombres, ,cudles eran las oportunidades en contra de que Juan Pérez, fuera reclutado en abril de ese aio? Soluci6n: Sea EF el evento de que Juan fuese reclutado. Entonces, 20,0001 ye 749 = 75,000,000 ~750 ¥ = 7750 Por tanto, las oportunidades en contra de que Juan fuera llamado eran: nH MY op) = 2B 79401 PE) Vaso GRUPO DE EJERCICIOS 5.2” Habilidades basicas 1. Asigne una de las probabilidades siguientes a una de las afirmaciones dadas: © 001 03 099 1 a) Blevento es imposible. Nunca podré ocurrir. b) Bl evento es seguro. ©) El evento es muy poco probable, pero ocurtiré alguna vez si hay gran nimero de ensayos. 4) Son ids las veces que ocurte el evento de las que no. 2. {Cues de los ntimeros siguientes no pueden ser la probabilidad de algin evento? 07 = d)05—g) 28 b-1 20 hy 0.999. ©) 1.02 pl 5) 0.67 3. Cada una de as siguientes situaciones, exprésela usan- do un valor de probabilidad en forma decimal. a) Hay una posibilidad de 30-70 de conseguir fondos para nuestro proyecto. ) Las oportunidades en contra de encontrar petréleo son de 100 a1 4, Exprese cada una de las siguientes situaciones con un valor de probabilidad en forma decimal, a) Hay un 75% de posibilidad de que se necesite cirugfa para corregir el problema. ) Las oportunidades de que los Gigantes ganen el juego de mafiana son de 5 a 3. Més aplicaciones 5. Un meteorélogo predice lluvia con una probabilidad de 70 %,206 + 10. L 12, 13. Capitulo 5 ntroduccién a la probabilidad elemental ) {Cues son las oportunidades a favor de que llueva? ) Bin contra de ella? Un meteorélogo predice que las oportunidades de que lueva son de 7 a 13, 4) {Cul es la probabilidad de que llueva? b) LY de que no Mueva? Una bolsa contiene tres canicas rojas, dos blancas y cinco azules; se elige una canica al azar. ,Cudl es la probabilidad de que la canica resulte: a) 10ja? b) blanca? o ©) azul? Una caja contiene tres canicas azules, cuatro amarillas ¥ dos verdes; si se elige una canica al azar, jcudl es la probabilidad de sacar: a) azul? b) amarilla? ©) verde? Refigrase al experimento del ejercicio 7, Liste dos espacios muestraes, uno que contenga resultados igualmente probables y otro que no; enumere en cada caso las probabilidades asociadas con los resultados, Del ejerccio 8, ubique dos espacios muestrales para el experimento, unocon resultados igualmente probables y otro sin ellos. Cuales son las probabilidades asocia- das con los resultados en cada caso? |. Las oportunidades en contra de que nos repartan una tercia en un juego de poker de cinco cartas son de 49:1 {Cul es la probabilidad de que nos toque una tercia’? Las oportunidades de que un alumno de sexto grado ‘ontinie y se grade de la preparatoria, son de tres a uno. Cul es la probabilidad para un alumno de sexto srado de que no se grade de Ia preparatoria?” Una ruleta estadounidense contiene compastimentos rnumerados del 1 al 36 més 0 y 00; de los 38 compar- timentos 0 y 00 estén pintados de verde, 18 compart- mentos de rojo y 18 son negros; se lanza un balin en direccién contraria al movimiento de la rueda y se puesta a cual seré el ndimero en el que se detendt el balin Suponga que la ruleta es legal 8) {Cudles laprobabilidad de queel resultado seanegro? ) {Cuéles son las oportunidades en contra de un resultado rojo? ¢) {Cual es la probabilidad de un resultado rojo? 4) {Cuéles son las oportunidades a favor de un resul- tado rojo? 14, 15, 16. ©) (Qué probabilidad existe de queel resaltado sea un niimero impar? Conteste con base en la informaciGn del ejercicio 13, a) {Cuiles laprobabilidad de unresultadoroo negro? b) {Cual lade un 0? ©) {Culles son las oportunidades a favor de un resul- tado verde? d) {Cuéntas son las oportunidades en contra de un resultado verde? ©) {Qué probabildad hay de que el bain sefale un nmero par? Para estimar el nimero de libros requeridos por curso para una universidad pequefia, el consejode estudian- tes considers una muestra de 100 cursos y obtuvo los resultados siguientes: Nim. de libros Nim. de requeridos (x) cursos (f) 0 5 1 48 2 21 3 12 4 9 s 3 6 2 Use probabilidades empfricas para encontrar: a) el valor de la probabilidad para cada x. b) EPG). ©) P(ces al menos 5). d) Pires 2.04) ‘Se pregunté el nombre del reftesco favorito de cada persona en una muestra de cuarenta, Las respuestas fueron: Refresco___Nuim. de preferencias Pepsi-Cola 14 Coca-Cola, 2 Sprite 8 Seven-Up 3 Dr. Pepper 2 Nebi Orange L Mediante probabilidades empiricas, ,cudl es la proba- bilidad de que el refresco favorito de una persona sea: a) Pepsi-Cola? ) Coca-Cola? ©) Dr. Pepper?10. 18, 19. 4) Mr. Pibb? @) Pepsi-Cola 0 Coca-Cola? Los maestros de una universidad se clasificaron de acuerdo con el sexo y rango académico. Los resultados se muestran en la tabla siguiente: Rago Sexo Instructor Profesor Profesor Profesor ‘Asistente socindo Hombre 300 400 700 300 ‘Mujer 350450 300 200 Si de esta universidad se elige a un maestro al azar, joual es ia probabilidad de que sea: a) hombre? ) mujer? ©) profesor? ¢) profesor hombre? €) profesor asistente mujer? Unestudio sobre los empleados de una gran organiza- cin proporcions la estadistica siguiente segtin el sexo y el estado civil: Batado vil sexo Casado Soltero Divoreiado Viudo Hombre 25% 11% 10% 3% Mujer 30% 8% 7% 6% Suponga que se elige a un empleado al azar. {Cudl es Ja probabilidad de que resulte: a) casado? b) mujery divorciada? ©) vindo? ) hombre? ) casado 0 soltero? Los salarios anuales promedio, en miles de délares, para trabajadores de los 50 estados estadounidenses que cuertan con seguro de desempleo son:” 28.7 180 171 160 15.2 197 179 169 159 15.0 197 178 168 159° 148 193 173 168 155 147 118 173 167 155 146 188 172 165 155 146 187 172 165 155 141 181 172 164 154 14.1 11 171 161 152 139 181 171 161 15.2 132 ‘Seccin 5.2 Concepto de probabilidad © 207 Construya un histograma de probabilidad con ocho barras. Un paso més allé 20. Las huellas digitales se clasifican en ocho tipos gené- ricos y poscen miltiples caracterfstcas; una de ellas es el ntimero de estrfas, dtl en el trabajo de investigacién criminalistica. La tabla de frecuencias agrupadas ad- junta muestra el ntimero de estrias para huellas digita- les de 800 hombres. 0-19 10 20-39 12 40-59 24 60-79 40 80-99 B 100-119 100 120-139 90 140-159 12 160-179 124 180-199 95 200-219 or 220-239 36 240-259 10 260-279 280-299 3 00 4) Suponga que hay huellas en la escena de un crimen y se determina que el nimero de estrias es al menos 220; si un sospechoso tiene un niimero de estrfas de 241, ;qué se puede concluir? ;Por qué? b) {Cudl es la probabilidad de que un hombre tenga «un niimero de estrfas de al menos 200? ©) {Qué probabilidad existe de que un hombre tenga al menos 120 estrias y no mas de 199? 21. Tire un par de dados 100 veces y registre la suma de Jos niimeros que hayan quedado-hacia arriba en cada tirada, {Cudl es la frecuencia relativa de una suma de 87 (Por I6gica matemstica, en un gran nimero de tiradas la frecuencia relativa aproximara la probabili- dad de una suma de 8 a 0.14 silos dads son legales.) 22, Se lanzan dos dados y se registra el nimero mayor de los dos que quedan hacia arriba; si (1,2, 3, 4, 5, 6} es un espacio muestral para el experimento, encuentre Ia probabilidad para cada uno de los seis resultados. Son igualmente probables los resultados? {Por qué sf 0 por qué no?208 + Capitulo 5 tntroduccién ala probabilidad elemental 23. Si un paquete de 52 cartas se baraja bien, zcudl serfa, segiin usted, la probabilidad de queentre las tres cartas de arriba haya un rey 0 una reina, ode que esas figuras estén juntas entre las 49 cartas restantes? Ponga a prueba su predicci6n simulando el experimento 20 veces. 24. {Puede un experimento tener dos espacios muestrales de resultados igualmente probables? Explique su res- puesta, 4) Si un jugador estd en primera base sin “outs” gen, ccudntos casos anota carrera? ») Para la situaci6n anterior encuentre laprobabilidad de que se anote al menos una carrera, ©) Si un jugador esté en primera base sin “outs” y se realiza un toque de sacrificiocomo la formanormal de hacer avanzar al jugador en primera, ,es ésta la ‘mejor situacién que puede tenerse, en cuanto al ngimero de carreras anotadas? 4) Sivun jugador estéen segunda base sin“outs”, ;qué 25, Para decidir cuéndo “tocar” en un juego de beisbol, un probabilidad tiene de anotar al menos una carrera? | director técnico estudia los datos adjuntos obtenidos de varios cientos de juegos de beisbol.” ©) Si un jugador esté en segunda base con un “out”, den cuntos casos no se anotaré una camreraenesa ‘Senge Nin Ce } Basey Nam, __noseanotspromediode Nam. d —_26, Cuando dos personas se sientan en una mesa cuadrada steed tect eee coe ela ea cas 0 We Laden Panaaeo. 0.604 813 1728 se sienten en lados contiguos en lugar de ccupar asien- Segunda 1 0.610 671 657 tos opuestos; si dos personas eligen asientos al azar en Segunda 0 0381 1.194 294 ‘una mesa asf, determine la probabilidad de que ocupen asientos contiguos en la mesa, SECCION 5.3 Conteo. Si un experimento contiene un gran niimero de resultados, puede ser dificil contarlos en un evento; para tales experimentos o problemas dificiles de cuenta, necesitamos utilizar técnicas especiales de conteo. Los ejemplos 5.13 y 5.14 ilustran problemas de este tipo; ambos requieren un tratamiento sistemstico y cuidadoso para poder enlistar los resultados apropiadamente. EJEMPLO 5.13 Suponga que se lanzan tres dados y nos piden determinar el némero de formas en que pueden caer, Como veremos después, un espacio muestral contiene 216 resultados igualmente probables. EJEMPLO 5.14 Considere el experimento de ir con un distribuidor de coches nuevos a comprar un modelo nuevo; una vez af, usted encuentra que puede escoger entre cuatro modelos, ‘cada uno con 15 opciones de potencia, con opein de cinco colores exteriores y ocho interiores {Cuntas elecciones distintas puede usted hacer? La respuestaes 2 400;en este caso, los resultados pueden no ser igualmente probables, a menos que usted escoja aleatoriamente. Las técnicas especiales de conteo que estudiaremos, que pueden usarse para contar en problemas similares a los de los ejemplos 5.13 y 514, son:el teorema fundamental del conteo, el conteo de permutaciones y el conteo de combinaciones. Estudiaremos primero el teorema fundamental del conteo.Teorema fundamental del conteo APLICACION 5.20 APLICACION 5.21 Seccién 5.3 Conteo + 209 El teorema fundamental del conteo (TFC) se establece como sigue: ‘Si un evento puede ocurrir de m formas y si después que ha sucedido puede seguir un segundo evento que puede ser de cualquiera de n formas, entonces los dos eventos pueden ocurrir simulténeamente en el orden establecido de (im) () formas. (Esta regla se puede extender a cualquier cantidad de eventos.) Como los tres dados del ejemplo 5.13 no estén relacionados en forma alguna cuando se lanzan y como cada uno puede caer de seis formas distintas, el niimero total de formas en que pueden caer, uno después del otro, es (©(6)(6) = 216 por el TFC. Para el ejemplo 5.15 pueden ocurrir cuatro eventos, uno después del otro. Son los siguientes: B = Escoger uno de los cuatro modelos. p= Elegir una de las 15 opciones de potencia. Ey = Preferir uno de los cinco colores exteriores, Eq = Seleccionar uno de los ocho colores interiores. El primer evento puede ocurrir de cuatro formas, el segundo de 15, el tercero de cinco y el cuarto de ocho. Por tanto, como consecuencia del TFC, los cuatro eventos uno seguido del otro, pueden ocurrir en (4)(15)(5)(8) = 2400 maneras distintas. Note que éste es un ejemplo muy simplificado porque, en realidad, algunas opciones estan relacionadas por los mismos fabricantes y distribuidores de cochos. Veamos una aplicacién simple. Hay tres caminos de laciudad A ala ciudad B y dos caminos desde la ciudad B hasta la ciudad C. ,De cuntas formas distintas puede viajar una persona desde A hasta C pasando por B? Solucién: Considere el diagrama, llamado un diagrama de arbol. Hay dos decisiones que deben tomarse: a) Desde A, ge6mo ira B? b) Desde B, c6mo ir aC? La primera decisi6n puede hacerse de tres maneras y después de hacerla, realizar la segunda en dos formas. De acuerdo con el TFC, el total de formas para ir desde A hasta C es (3)(2) = 6. Esto puede concluirse también contando las ramas del diagrama que van desde A hastaC. Hay cinco libros diferentes que un maestro quiere ordenar en su escritorio de izquierda a derecha. {Cudntos arreglos son posibles? Solucién: Esta circunstancia puede verse de dos maneras; como un proble- ‘ma de colocacién o como un problema de seleccién.210 + Capitulo 5 sntroduecién ata probabilidad elemental APLICACION 5.22 Un problema de colocacién Los cinco eventos son: 1 = Colocar el primer libro en uno de los cinco espacios. En seguida, colocar el segundo libro en uno de los cuatro espacios restantes, Después de los dos primeros libros, el tercero iré en uno de los tres espacios ‘que sobran, Es = Delos dos espacios atin vacfos, uno ser para el cuarto libro. Es= El ltimo libro va en el tinico lugar disponible. By puede hacerse de cinco formas, E2 de cuatro, Ede tres, Es de dos maneras y Bs s6lo de una. Por tanto, por el teorema fundamental de conteo, el mimero total de arreglos posibles es (5)(4)(3)(2)(1) = 120 Un problema de seleccién Los cinco eventos son: Ej = Seleccionar un libro para el primer lugar puede hacerse de cinco maneras, a= Después de llenar el primer espacio, se elige el segundo libro de entre los. ‘cuatro restantes E3= Llenados los dos primeros espacios, elegimos el tercer libro de lo restantes. Esto puede hacerse de tres formas Eq= Luego de ocupar tres espacios, se selecciona el cuarto libro de entre los que quedan. Esto puede hacerse de dos formas. Es = Colocar el quinto libro en el sitimo espacio. Esto puede hacerse de una forma, Por el TFC, el nsimero total de selecciones es (5)(4(3)(2)(1) = 120. i {De cudntas formas pueden clegirse tres articulos de un grupo de siete y acomodarlos en un estante de izquierda a derecha? Soluci6r Hay tres eventos. E, = Escoger un artfculo de entre los siete para el primer espacio, Esto puede hacerse de siete formas. = Seleccionar de entre los seis articulos restantes para ocupar el segundo espacio, Esto puede hacerse de seis maneras, Ey = Decidir de entre los cinco articulos restantes para el tercer espacio. Sélo de 1c0 maneras es posible hacerlo. B Mediante el TFC, vernos que el ntimero total de formas es (7)(6)(5) = 210. ‘Si examinamos las aplicaciones anteriores, notamos que hay dos pregun- tas que deben plantearse cuando resolvemos cualquier problema de conteo: 1. gCudintos eventos hay? 2. «De cudntas formas pueden ocurrir? i | || | FIGURA 5.9 Diagrama de Arbol para la aplicacién 5.23 Permutaciones Seccién 5:2 Conteo « 211 Después de encontrar la respuesta a estas preguntas usamos el TFC para resolver el problema. Hay cinco candidatos para presidente de un club y dos candidatos para vicepresidente; use un diagrama de érbol para determinar el ntimero de ‘maneras en que pueden cubrirse los dos puestos. Soluci6n: Hay dos eventos de interés: elegir un presidente y elegir un vicepresidente. El presidente se puede elegir de cinco maneras y el vicepre- sidente de dos; como consecuencia del TFC, los dos puestos pueden cubrirse de (5)(2) = 10 formas distintas. Se puede construir un diagrama de érbol para ilustrar las 10 posibilidades. Representemos con Ai, Az, A3, At y As los candidatos para presidente, y con B; y Bp los candidatos a vicepresidente. ‘Asf tenemos el diagrama de érbol en la figura 5.9. Vicepresidete 7 10m Un arreglo ordenado de n objetos se llama permutacién, Hay seis permuta- ciones de tres letras, A, B y C. Son: ABC ACB BAC BCA CAB CBA Podemos usar el TFC para determinar el némero de permutaciones de n objetos, denotadas por P%. Para hacerlo, imaginamos que los n objetos se colocan en n cajas dispuestas en fila: la primera caja se puede Hlenar den formas, la segunda de (n ~ 1) formas, la tercera caja se puede llenar de (n ~ 2) formas y asf sucesivamente hasta la tiltima caja. Por tanto, el ntimero de permutaciones de n objetos es igual a: Ph=n(n— Ii 2)(n-3).. (0) (5.2)212 + Capitulo 5 ntroduccin ala probabilidad elemental EJEMPLO 5.15 EJEMPLO 5.16 La expresién del lado derecho de la ecuacién 5,2, se Hama n factorial y se denota por n! Por definicién, 0! = 1. En consecuencia, 3! = @)(2)(1) = 6 y 5! = (5)(4)(3)(2)(1) = 120. [Néimero de permutaciones den objetos tomados de m a la vez Prent 63) El nimero de permutaciones de cinco objetos es Phen! Piss! = (SYAVBN2KI) = 120 Suponga que deseamos determinar el niimero de permutaciones de cinco objetos tomados tres ala vez; esto se escribe P 3, Podemos pensar este problenra como el de colocar cinco objetos distintos en tres cajas; la primera caja puede llenarse de cinco rmaneras. Después de hacer esto, la segunda caja puede llenarse de cuatro formas, luego la tercera se lena de tres maneras. Como consecuencia del TFC, el ntimero de permutaciones de cinco objetos distintos tomados tres ala vez es (5)(4\(3) = 60. Por tanto, P} = 60. Para desarrollar una formula de eélculo del valor de P%, hagames las cuatro observaciones siguientes relativas a P's, 1, De los cinco objetos, tes deben colocarse o permutarse y (S~ colocarse 2, Elnimero de permutaciones de los objetos que deben colocarse es (5)(4)()= 60, y el de aquellos objetos que no deben colocarse es 2! = 2, Po: cada una de Jas 60 permutaciones de los objetos que debemos colocer, tenemos dos que no deben reacomodarse. 3. Por el TFC, el nimero total de colocaciones de cinco objetos distintos es (5)(4)(3\(2)(1) = 5! Por tanto, por la observaci6n 2 tenemos S!= 60°2 = 120 oP}-(5 ~ 3)! = 5! Si dividimos ambos lados de la ecuacién entre (5 — 3), tenemos la siguiente relaci6n: P= 54(5 —3)! Las observaciones del ejemplo 5.16 sugieren la siguiente formula general para calcular P *, el niimero de permutaciones de n objetos distintos de ren r(nzr): ‘Niimero de permutaciones de m objetos tomados der enr 64)_APLICACION 5.24 Combinaciones Seccién 5.3 Conteo » 213 La férmula (5.4) se denomina regla de permutaciones. Suponga que diez estudiantes estn disponibles para tres tareas distintas en el campus. {De cudintas formas pueden cubrirse los trabajos? Soluci6n: Necesitamos determinar cudntas formas hay de asignar las tres tareas entre diez estudiantes, 0 el nimero de acomodos de diez objetos tomados de tres en tres. Porla regia 5.4, el nimero de permutaciones de diez objetos tomados de tres en tres ser 10! * 00-3)! Jo! _ o918)(71) TI 7H =(10)(9)(8)=720 Cuando tratamos con permutaciones de objetos, el orden de seleccién 0 de colocacién es importante; hay ocasiones en que nos interesa considerar colecciones de objetos donde el orden no es importante; cuando ocurre esto, la selecci6n se llama combinacién. En otras palabras, una selecci6n de r objetos de una colecciGn de n objetos distintos, sin importar el orden en que los r objetos son seleccionados, se llama combinacién, y el nimero de combinaciones de n objetos tomados de r en r se denota por (") El r sfmbolo (") se llama también un coeficiente binomial. Por ejemplo, supon- ‘gamos que en un experimento se requiere seleccionar a un comité de tres. mujeres de un grupo de ocho; aqui no importa el orden de seleccién de una combinacién. El nimero de combinaciones (0 selecciones) de ocho mujeres tomando tres a un tiempo se denota por @) El niimero de combinaciones de n objetos tomados de ren r est relacio- nado con el nimero de permutaciones de n objetos tomados de r en r, cada combinacién de r objetos puede arreglarse de r! maneras distintas. Si aplicamos el TFC, el nimero total de permutaciones de n objetos distintos tomados de ren r, es igual al productos de r, y el niimero de combinaciones de n objetos distintos tomados de ren r. Es decir, pt -»(") \ En consecuencia, el nimero de combinaciones de n objetos distintos tomados de r en r esté dado por (5.5)214 + Capitulo 5 atroduccidn ala probablidad elemental EJEMPLO 5.17 EI nimero de maneras de clegt a tres mujeres de un grupo de ocho es: b)-5 8) PE _ 6) _ (3) ial aa ieeioreetieeet Podemos expresar la formula (5.5) mediante la formula (5.4); ast: 6.6) | SAPLICACION 5.25 Soluci6n: Si usamos la férmula (5.6), tenemos a (") eo IS yee (3) ~ a6 = 4)! ~ (549 42! - 08) _ 1, porelincisoc). =Seccién $.3Conteo » 215 Se puede demostrar en general que el ntimero de combinaciones de n objetos tomados de ren r, es igual al némero de combinaciones de n objetos tomados den — ren n—r. Esto es, ()- (2 r} 7 \n=r Si utilizamos este hecho, a menudo podremos simplificar célculos relativos a coeficientes binomiales. EJEMPLO 5.18 10 2 (1?) - ( 8) = 1OYI8!) = (10)9)(81/C2181 = 45. Para obtener 45, ‘multiplicamos los dos factores més grandes de 10!, 10 y 9, y dividimos su producto entre 2! = (2)(1) = 2. Note que tanto el numerador como el denomi- nador de ( #) = (10)(9)(2)(1) tienen el mismo mimero de factores, ue es 2. » (1°) = ("?) = 104/(3!71) = (10)(9)(8)(7)/G!7!) = 120. Para obtener 120, ‘multiplicamos los tres factores mas grandes de 10!, 10,9 y 8, y dividimos su producto entre 3!= (3)(2)(1)=6. Observe muevamente que tanto el numerador como el denominador de (3) = (109)(8)/(3)(2)(1) tienen tres factores. Se realiza un estudio para determinar la opinién de los profesores de una universidad respecto al aborto; si se elige una muestra de cuatro profesores de un total de 45, ;cusntas muestras distintas pueden seleccionarse? Solucién: Como en una muestra el orden no es importante, nos interesa determinar el ntimero de combinaciones de 45 profesores tomados de cuatro en cuatro, Por la férmula (5.6), tenemos: (2) - aaa —— ai — (45)(44)(43)(42)(4 1) 414 ~ (45)(44)(43)(42) __ 3,575,880 _ 45 oe 4 24 Tridngulo de Pascal Los coeficientes binomiales se pueden obtener de un arreglo triangular de niimeros Ilamado tridngulo de Pascal. El arreglo siguiente es un tridngulo parcial de siete renglones:216 + Capitulo 5 introduccién a la probabilidad elemental xresultados nensayos |0_1 2 3 4 5 6 0 {tl 1 fia 2 fi21 3 f13 3 1 4 [14 6 41 s |i 5 0 1 51 6 |) 6 is 15 61 Es facil construir el triéngulo; la primera columna (x= 0) tiene s6lo unos. Para obtener un niimero de cualquier rengl6n, exceptuando los dela primera columna, basta sumar el niimero que se encuentra arriba del que nos interesa, mis el que se encuentra arriba del que esté a la izquierda. EJEMPLO 5.19 Para determinar (6) _ vamos al renglén correspondiente an=6~ 1 =Sy sumamos 5 y 10. Por tanto, (3) =15.Para encontrar ($) sumanos 5 y 1. proceso de F), la probabilidad de (En F); para hacerlo, necesitamos la notacién de probabilidad condicional. A la probabilidad de que ocurra el evento E cuando sabemos que ya ha ocurridoel evento F, se le Hama probabilidad condicional y se escribe como P(EIF). P(E\F) significa la probabilidad de que ocurra el evento E dada la222 + Capitulo 5 imroduccién a a probabilidad elemental c ‘APLICACION 5.34 condicién de que el evento F ya haya sucedido; o simplemente, la probabi- lidad de £ dado F. Las aplicaciones 5.33 a 5.35 ejemplifican la probabilidad condicional mediante la seleccién de problemas tipicos; en estas aplicacio- nes, seleccién con remplazo significa que el primer objeto se devuelve antes de elegir un segundo objeto; andlogamente, selecci6n sin remplazo quiere decir que el primer objeto no se devuelve antes de elegir el segundo. Observe enparticular, que las aplicaciones 5.33 y 5.34 ensefian que el tipo demuestreo tiene un efecto en los resultados. Dos pelotas se sacan sin remplazo de una bolsa que contiene tres pelotas blancas y dos negras. Encuentre la probabilidad de que: 1) La segunda pelota sea negra dado que la primera pelota es blanca. ) La segunda pelota sea negra dado que la primera pelota es negra. Solucién: a) Sila primera pelota elegida es blanca, quedan cuatro en la bolsa y de ellas dos son negras. Por tanto, ‘Vea el diagrama siguiente: mf by Sila primera pelota elegida es negra, quedan cuatro en la bolsa y de ellas una es negra. En consecuencia, ‘Veal diagrama: ‘Suponga que las pelotas de la aplicacién 5.33 se sacan con remplazo; dos pelotas se sacan con remplazo de una bolsa que contiene tres blancas y dos negras, Encuentre la probabilidad de que: 4) La segunda pelota sea negra dado que la primera es blanca. ') La segunda pelota sea negra dado que la primera es negra,| APLICACION 5.35 TABIA 5.5 Seccién 5.5 Algunas reglas de probabilidad = 223 Solucién: 4) Como la pelota blanca se regresa a la bolsa antes de sacar la segunda, no tiene efecto en la seleccién de la pelota siguiente. Como hay cinco pelotas en la bolsa y dos de ellas son negras, la probabilidad de seleccionar una negra es de 45, b) Como la pelota negra se devuelve a la bolsa antes de elegir la siguiente, no tiene efecto en la seleccién de la siguiente, Como en la parte a, la probabilidad de seleccionar una pelota negra es de 2/5. ll En una universidad se realiza un estudio para determinar qué relaci6n existe, en caso de haberla, entre la habilidad matemética y el interés por las mateméticas. Se determina la habilidad y el interés de 150 estudiantes, con los resultados de la tabla siguiente: Interés Habilidad Escaso Promedio ‘Mucho Escasa 40 8 2 Promedio 15 7 18 Mucha 3 10 25 Si se escoge al azar uno de los participantes en el estudio, jcudl es Ia probabilidad 4) de elegir a una persona que tenga escaso interés en las matematicas? b) de seleccionar a una persona con habilidad promedio? ©) de que la persona tenga mucha habilidad para las mateméticas dado que ‘manifieste mucho interés por esa disciplina? @) de que Ia persona tenga mucho interés en las mateméticas dado que posea una habilidad promedio? Soluci6n: Primero determinamos el renglén y la columna de los totales, como vernos en la tabla 5.5. Renglones y columnas de los totales para la aplicacion 5.35 Interés Habilidad _ Escaso Medio Escasa 40 8 Promedio 15 7 Mucha 3 10 Total 35 35 150 a) Como hay 60 participants con escaso interés de un total de 150, la probabi- lidad es de 60/150 = 2/5.224 «Capitulo 5 tntroduccén ala probaiided elemental b) Como hay 50 interesados con habilidad promedio de un total de 150, la probabilidad es de 50/150 = 1/3. ©) Delos 55 participantes con mucho interés, 25 tienen gran habilided. Por tanto, la probabilidad es 25/55 = 5/11 ) Como 50 participantes tienen habilidad promedio y de ellos 18 tienen mucho interés, la probabilidad es de 18/50=9/25. Note que las partes c) y d) se refieren a probabilidad condicional. Para c), sabemos que la persona escogida tiene mucho interés en las matemdticas, hay 55 estudiantes con mucho interés en las mateméticas; de ellos, 25 tienen gran habilidad, denotemos por MH tener mucha habilidad, por MI mucho | interés y por HP habilidad promedio. Entonces: | P(MHIMD = Esta probabilidad se puede escribir com restan POM _ 2% *As0 Bos 35-11 También, para la parte d de la aplicacién 5.35 encontramos P(MIEP) Estos resultados sugieren la f6rmula siguiente para calcular F(EIF). Férmula para la probabilidad condicional ran = "een 610) Pme0 Aadvierta que la condicién F en EI F tiene el efecto de reducir el tamaiio del espacio muestral. En la aplicacién 5.35, parte c), el tamafio del espacio muestral es 150 y, después de que se estipula la condicién MI, ese tamailo del espacio muestral se reduce a s6lo aquellos con mucho interés; es decit, a55FIGURA 5.11 Diagrama de Venn para ilustar la probabilidad condicional Probabilidad de E y F, PEND Secciém 5.5 Algunas reglas de probabilidad = 225 La probabilidad condicional P(E | F) puede ilustrarse usando un diagrama de Venn en el que las probabilidades se interpretan como areas (véase la figura 5.11). Si estipulamos la condicién F, estamos restringidos a los resultados en ella; por eso los elementos en F comprenden el espacio muestral reducido, Entonces, estamos interesados en los resultados de E que también estan contenidos en F, que son precisamente los resultados en Ey en F, La probabilidad de E dado F se obtiene entonces dividiendo el area de (Ec Pentre el drea de F. Ast, Area(EQF) ‘Area F a 6.1) PCEIR) ‘La probabilidad de E 9 F esté dada por la formula: (6.12) Esta formula (5.12) se obtuyo multiplicando ambos lados de Ta férmula(5.10) por P(F). La regla (5.12) suele llamarse regla del producto y se ilustraen la aplicacién 5.36. Note que (E 7 F) es légicamente equivalente a (F ME); por eso tenemos: = P(E) PFE) Un punto crucial que debe recordarse al usar la regla del producto para calcular P(E © F) es la colocacién del simbolo del evento que ocupa la posicién “*” en la siguiente expresiOn: PEE F) = PC) PCI) 6.13) Por ejemplo, si * se remplaza por £, entonces la expresién (5.13) toma la forma PEF) = PE) PIE) Si * se remplaza por F, la expresi6n (5.13) adopta la forma PEF) = P(A PIER) Si dos pelotas se sacan sin remplazo de una bolsa que contiene tres rojas, dos negras y una blanca, {cul es la probabilidad de obtener dos pelotas rojas?226 Capitulo §tntroduccin ala probabilidad elemental ‘APLICACION 5.37 APLICACION 5.38 Solucién: Sea R, el evento de sacar una pelota roja en la primera oportuni dad y denotemos por Rp al evento de sacar una pelota roja en la segunda oportunidad. Mediante la regla (5.12) tenemos: POR: AR:) = PR)P(R: IR) Localice la probabilidad de sacar dos pelotas rojas en la aplicaci6n 5.36 si se sacan con remplazo, Soluci6n: Mediante Ja regla (5.12) concluimos: PRIOR) = PR) PRs Ri) Note que en este caso PORAR:) = PR) Remftase a la aplicacién 5.35. ) Encuentre la probabilidad de elegira una persona con mucha habilidad y gran interés en mateméticas. ») Localice la probabilidad de elegir a una persona con escaso interés y gran habilidad en mateméticas Solucié1 4) Mediante la regla del producto, tenemos: b) Mediante ta regla del producto: P(EL MH) = P(ME) P(EIMH) = (ails) ~ \iso) zo sod “i507 30m Para calcular probabilidades asociadas con eventos compuestos, deberan tenerse en mente las dos siguientes observaciones: 1. Para caleular P(E U F), asociamos U con la regla de la sua, 2. Para caleular P(E © F), asociamos 7 con la regla del producto.Seccién 5.5 Algunas reglas de probabilided « 227 [icxupo be geRCIcIOs Habilidades basicas 1, Sean P(E) =04, P(F 1B) =03,y PEI F) = 04. a) Encuentre lo siguiente: i. PEF) i, PR) iii, PEUR) ') ,Son eventos mutuamente excluyentes E y F? 2. Sean P(B)= 0.5, P(F)= 0.4 y EU F)=08. a ii PIB) ii PEL b) {Son eventos mutuamente excluyentes E y F? 3. Suponga que S = (1, 2, 3, 4, 5, 6) es un espacio ‘muestral para un experimento; la tabla adjunta enlista las probabilidades asociadas con cada elemento del espacio muestra x [eG Pa) | Ol 03 Ol 02 Ol 02 Sean E = {1, 2,5) y F= (1, 6}; encuentre las proba- bilidades siguientes: are PRA EUR) DPECF) e)PEIF) ) PE gQPECE) by) PENA i) PIE) 4. Sea S = (1, 2, 3, 4, 5}, un espacio muestral para un experimento; en seguida adjuntamos las probabilida- des asociadas con cada elemento del espacio muestral. Se Poy 02 02 01s 03) 02 SeaE= (1,2) y F= 2,3}, calcule las probabilidades: aPE) PR) EUP) OPENK )PEIR 1) PC) QPENE) w) PENA i) PIB) Més aplicaciones 5, Si se lanza un dado legal, qué probabilidad existe de haber sacado: a) Un 2, si se sabe que el nimero mostrado es impar. ) Un 4, si se sabe que el ntimero mostrado es par. ©) Un pa, si sabemos que el niimero mostrado es 6. 10. iv 12, 13, iu Si se saca una pelota de una bolsa que contiene tres pelotas rojas, dos blancas y cinco negras, encuentre la probabilidad de que: a) sea roja b) no sea roja ©) sea toja o negra 4) ni sea roja ni blanca Se sacan dos pelotas sin remplazo de una bolsa que contiene dos pelotas bancas y dos negras; calcule la probabilidad de que: a) La segunda pelota sea blanca dado que la primera fue blanca, ») Lasegunda pelota sea blanca sila primera fue negra. ©) Ambas pelotas sean blancas. 4) La primera pelota sea blanca y la segunda negra. €) Una pelota sea blanca y la otra negra, Si se sacan dos cartas sin remplazo de un paquete de 52, qué probabilidad hay de que: a) La segunda carta sea un coraz6n si la primera fue b) Ambas cartas sean corazones. ©) La segunda carta sea negra cuando la primera fue ‘una espada, 4) La segunda carta sea figura dado que la primera fue una sota. ©) La primera carta sea una sota y la segunda una figura. Resuelvacl ejercicio 7 sila primera pelota se remplaza antes de sacar la segunda. Resuelva el ejercicio 8 cuando la primera carta se remplaza antes de sacar Ia segunda, De una jarra con cuatro canicas negras y seis blancas, se sacan dos canicas sin remplazo, Encuentre la pro- babilidad de que: a) ambas sean blancas }) las dos sean negras ©) la segunda sea blanca dado que la primera es negra 4) difieran en color Resuelva el ejercicio 11 si la primera canica se rem- plaza antes de sacar la segunda Suponga que en un hospital un estudio indica que el 35% de los pacientes admitidos tienen alta la presin sanguinea, el 53% molestias cardiacas y un 25% sufren los dos padecimientos. ,Cual es la probabilidad de que un paciente elegido al azar tenga:228 « 14, 1s. 16. 17, Capitulo §tntroduccién ala probabilidad elemental 8) presién sanguinea alta, molestias cardiaces o ambas? b) presién sanguinea alta dado que tiene molestias ccardiaces? ©) molestias cardiacas dado que tiene presién sanguinea alta? 4) ni molestias cardiacas ni presién sanguinea alta? La probabilidad de que una persona nade es 0.45 y la de que una persona cave es 0.58; sila probabilidad de que una persona nade sabiendo que también caza es 0.21, encuentre la probabilidad de que: a) cace y nade ) cace si también nada ©) cace y no nade ) caceo nade La tabla adjunta muestra las frecuencias relativas para el daltonismo en hombres y mujeres, donde H representa hombres, M mujeres, D daltonico y D no dalténico. HOM 0.042 0.007 0.485 0.466 oo Si se escoge a una persona al azar, use la tabla para determinar las probabilidades siguientes: a) PH) ©) PID) WPHID) HAH AD) PMID) — g) ADIH) @ PO) Un banco ha observado que la mayor parte de los clientes solicitan a los empleados de las ventanillas cambiar un cheque 0 hacer un depésito. La tabla ‘muestra las operaciones realizadas por el empleado A enun dia, Cambiar No cambiar cheque cheque Depositar 50 20 Nodepositar| 30 10 Representemos por Ccambiar un cheque y porD hacer un depésito. Se escoge al azar a un cliente del emplea- do A. Exprese cada una de las probabilidades siguien- tes en palabras y encuentre su valor. a) PO ©) P(CID) b) PD) 0 PCID) PCD) 2) PD ID) @) CUD) En un estudio de actitudes sobre una legislacién para el control estricto de armas de fuego efectuado con 800 estadounidenses adultos, se obtuvo: Posicién ‘Afavor Encontra Ha disparado un arnd 75 200 Nunca ha disparado | unarma | as 100 Siclige al azar uno de los 800 adultos, use frecuencias relativas para aproximar probabilidades y determine a) P(a favor) ) Pha disparado un arma de fuego y esté en contra) ‘) P(en contra | nunca ha disparado un arma) 4) P(ha disparado un arma y esté a favor) ©) P(ha disparado un arma) Un paso més alld 18, Sea P(E) = 0.2 y PCF) = 0.3. Responda si puede ser cierto en cada una de las preguntas siguientes; cuando sea apropiado, dé un ejemplo, 2) .PEUF)=05? b) (EU F) = 0.77 ©) P(E F) = 0.47 @) PENA =022 ©) PENF) =0.37 A EP(ENF) A? @ PENA =047 19, Durante una clase, un maestro de historia afirm6 que la probabilidad de que tanto Israel como Siria manden representantes a una conferencia de paz 2s 0.8; des- pués, en la misma clase, afirmé que la probabilidad de ue Siria mande a un representante es 0.5. Cree usted ambas afirmaciones? Expligue 20. Si P(E) = 0.2, P(F) = 0.3 y PE | F) = 0.5, ordene los eventos siguientes de acuerdo con una probabilidad creciente: E, FE, (EN P), (EU), (EU By Fah. 21. Dé argumentos convincentes para estos dos hechos ¢ ilustre cada uno utilizando un ejemplo. 8) Si P@)) {Son eventos mutuamente excluyentes E y F? ;Por que? 3. Si los eventos Ey F son eventos mutuamente exclu- yentes con P(E) = 0.2 y P(F) = 0.5, encuentre: 4, a) REP). b) P(EIF). Si los eventos E y F son eventos mutuamente exclu- yentes con P(E) =0.3 y P(F) = 0.4, encuentre: a) EUR). b) PEL). Si Ey F son eventos tales que P(E) = 0.4, P(F) = 0.3, y P(E | F) = 04, json eventos independientes E y F? Explique.232 + Capitulo 5 Introducciin a la probabildad elemental 6. Si Ey F son eventos tales que P(E) = 03, P(F) = 02 y PCEIA) = 0.3, json eventos independientes Ey F. Explique. Més aplicaciones 7. Si dos cartas se sacan con remplazo de un paquete de 52, encuentre la probabilidad de que: a) la segunda carta sea un corazén, dado que la primera es un corazén; by) ambas cartas sean corazones; 6) la segunda sea negra, sila primera fue una espada; 4) la segunda sea una figura, cuando la primera es una ota; ¢) la primera carta sea un basto o la segunda un as. 8. Dos canicas se sacan con remplazo de una vasija con cuatro canicas negras y seis blancas. Encuentre las probabilidades: a) ambas resultan blancas; ») las dos son negras; 6) la segundaes blanca, dado que la primera fue negra; @) la primera es negra y Ia segunda blanca; ©) una sale negra y la otra blanca, 9. La tabla adjunta muestra las frecuencias para el dal- tonismo, donde D representa el evento de que una perso- na sea dalt6nica, D el evento de cuando no lo sea, H significa que una persona sea hombre y HT que sea mujer. jee: A D | oo 0.007 DB | oass 0.466 {Son eventos independientes D y H? 10, Si tres monedas se lanzan juntas encuentre a) P(SSS). b) P(ASA) (nota: ASA significa obtener un “éguila” para la primera moneda, un “so!” para la segunda y un “éguila” para la tercera, ©) Plexactamente un “so!”) 4) P(@l menos un “sol” €) Pal menos dos “soles"). 11, Los principiantes de una pequefia universidad se cla- sifican de acuerdo con su promedio (GPA) en el ba- chillerato y la calificaci6n en el SAT en matematicas. Los resultados se resumen en la tabla siguiente: GPA en el bachillerato Calificacién en el SAT Bajo Medio Alto Baja 503050 Media 2 30 «20 Alta 30 4030 Se elige a un estudiante al azar. Si E es el evento de que el estudiante tenga un GPA medio en el bachille- ratoy Fes que tenga una alificacién bajaen matemticas enel SAT, ;soneventos independientes Ey F? Explique, 12. Los trabajadores de una planta industrial pequeiia se clasifican de acuerdo con su religién y sexo; los resul- tados estén en la tabla; si E es el evento de que una persona sea hombre y F de que sea judfo, json eventos independientes B y F? Sexo Religion _[ Hombre Mujer Protestante | 30 20 Catélico 45 30 Judio 45 30 Otros 7 8 Un paso més alld 13, Suponga que se lanza una moneda una vez. Sean E=@ yF=(S} a) {Son eventos independientes E y F? Explique ) Son esos eventos mutuamente excluyentes? {Por qué? 14, Se lanzan dos monedas. Representemos por Eel even- to de obtener un “sot” en la primera monsda y por F eldeobtenerdos “soles” o dos dguilas, Demuestre que a) Ey F son eventos independientes. b) Ey F no son eventos mutuamente exclayentes. 15. Suponga que una moneda se lanza dos veces. Sean Ex (SS}y F=(AA}. a) (Son eventos mutuamente excluyences Ey F? Explique. b) Son eventos independientes? {Por qué? 16. Suponga que dos dados se lanzan una vez y sean E=((1,2,)2 DhyF=((1,2,G.4)} a) {Son eventos independientes Ey F? Explique. ’b) Son eventos mutuamente excluyentes Ey F? Expli- gue. 17. Si Ey F son eventos mutuamente excluyentes, cul esel valor de P(E| F)? 18, Suponga que E'y F son eventos para los cuales P(E) >0 y P(F) > 0. Si E y F son eventos independientes, pueden ser eventos mutuamente excluyentes? 19. Un cierto proceso de fabricacién produce un 5% de partes defectuosas; el veinte por ciento de todas las artes se producen en la méquina A; hay un 10% deprobabilidades de que una parte sea defectuosa dado aque fue producida por la maquina A. 1) {Cul es la probabilidad de que una pieza que se pruebe resulte defectuosa y la haya producido la ‘méquina A? by Cuiles la probabilidad de que una parte provenga de la maquina A dado que es defectuosa? 20. Suponga que un espacio muestral es igual al evento (BE, UE: B))y que E,, Ee y Es no tienen resultados comune’ (los tres eventos se Haman mutuamente ex- cluyentes y exhaustivos). Demuestre que para cual- quier otro evento B, P(B) = S[P(BIB) PED] Este resultado se Hama ta ley de probabilidad total. (Sugerencia: véase la aplicacién 5.42.) 21. Enel estacionamiento de un gran aeropuerto, 60-de los, coches estén fabricados en Estados Unidos y el 10% de ellos son coches deportivos; 20% estén fabricados cen Jap6n y de 6s0s un 10% son deportivos; finalmente,, 20% son europeos y de ellos 20% son deportives. Si se elige un coche al azar, ;cudl es la probabilidad de que restite un modelo deportivo? 22, Sean Ey, E; y Ey eventos mutuamente excluyentes y cexhaustivos, y supongaque A es un evento tal que P(A) > 0. Entonces, para cualquier evento E(k = 1,203), demuesite que: ‘Seccién 5.7 Variables aleatorias = 233 Pees| A) P(A|Es) PEs) ‘ 2 [PLE PED) Este resultado se conoce como el teorema de Bayes. (Sugerencia: use a ley de probabilidad total del ejer- cicio 20.) 23. Tres cajas contienen pelotas rojas, blancas y azules. La caja 1 tiene siete pelotas rojas, una blanca y cinco azules; la caja 2 tres pelotas rojas, cuatro blancas y dos azules; y la 3 contiene una pelota roja, seis pelotas blancas y dos azules; se toma unacaja al azary se saca de ella una pelota aleatoriamente, Dado que la pelota 6 roja, ,cudl es la probabilidad de que provenga de la caja 3? 24, Suponga que participa en un espectéculo de concurso y se le da a elegir entre tres puertas. Tras una de ellas hay un coche y tras las otras hay cabras; usted elige la puerta niimero 1 y el conductor del especticulo, cono- cedor de lo que hay tras las res puertas, abre la ntiiero 3, que tiene una cabra; entonces él pregunta si quiere usted abrir la puerta nimero 2. 4) (Debe usted cambiar la eleecién? ) {Cudl es la probabilidad de ganar el coche si lo hace? ©) {Cual es la probabitidad de ganar el coche sino lo hace? SECCION 5.7 Variables aleatorias Es conveniente para el trabajo futuro, saber relacionar los resultados de un experimento con ntimeros reales; ya que cuando os resultados de un expe- rimento se pueden asociar con ndmeros reales, son mas faciles de analizar. Desgraciadamente, no todos los experimentos dan como resultado ntimeros reales. Suponga que esta usted trabajando para un fabricante de microcom- putadoras en el departamento de control de calidad, donde se le ha asignado la tarea de revisar cuatro computadoras elegidas al azar del timo lote producido y clasificarlas como defectuosa (D) 0 no defectuosa (N). Los resultados de su labor son el siguiente espacio muestral de datos cualitativos: DNDN DDND NDND NNDN DNND DDDN NDDN NNND DNDD DDNN NDDD NNDD DNNN DDDD NDNN NNNN234 Capitulo s ntroduccién a la prob Variable aleatoria EJEMPLO 5.20 Estos resultados no son nimeros reales, pero si cada uno se asocia con ef nimero de microcomputadoras defectuosas, podemos asociar un tinico ng. mero real a cada resultado. Por ejemplo, al resultado DNDN se le puede asignar el mimero 2, igual que al DNND, al NDNN se le da el ntimero I y al resultado NNNN se le puede asociar el mimero 0; al hecho de asociar los resultados de un espacio muestral de un experimento con ntimercs reales Sinicos se le llama variable aleatoria. La variable aleatoria en el ejemplo de control de calidad es el némero de microcomputadoras defectuosas en ¢] paquete de cuatro y tiene los cinco valores posibles: 0, 1, 2,3 y 4. Una variable aleatoria es una regla, o fucién, que asigna un tnico niimero real a cada resultado de un espacio muestral en un experimento. Los siguientes son otros ejemplos de variables aleatorias: ejemplos de variables aleatorias. Considere los siguientes experimentos y las correspondientes variables aleatorias Experimento Variable aleatoria T. Lanzar cinco monedas ‘Niimero de “soles” obtenidos. 2. Observar a los clientes Niimero de clientes. de un barco durante una hora. 3. Comprar 12 computadoras. Cantidad de computadoras defectuosas 4, Pesar a una persona. Peso en libras. 5. Golpear una pelota de Distancia recomrida. gol, 6. Revisar diez impuestos a mpuestos con error. Jas ganancias. 7. Revisar diez tasas de Niimero de errores en la impuestos. linea 33. 8. Observar cl trabajo de un empleado Tiempo utilizado por el empleato durante en trabajo ocho horas. improductivo. 9. Ecuestar a diez personas de sobre _Proporcién en favor A. la oportunidad de que sea elegido el candidato A. 10, Dar la pastilla A a 50 Naimero de curaciones. personas con dolor de cabeza, Los valores de una variable aleatoria suelen identificarse con ella; en general, esto no causa confusién y tiene sus ventajas. Para el experimento I propuesto anteriormente, si denotamos por X el ntimero de soles obienidos al lanzar cinco monedas, los valores posibles de la variables aleatoria son 0, 1, 2, 3,4 y 5; representamos lo anterior por X = {0, 1, 2,3, 4, 5}. Sise escribe con propiedad, esto es incorrecto porque X es la regla, funci6n, y (0, 1, 2,3.4 5} el conjunto de sus valores. A To largo de esta secci6n, las letras mayiisculas como X, Yy Zdenotarén variables aleatorias y las letras mintisculas como %, yy zsus valores, elementos de la imagen.Distribuciones de probabilidad EJEMPLO 5.21 TABIA 5.6 Distribucién de probabilidad del ejemplo ke Funciones de probabilidad] Seccién 5.7 Variables aleatorias © 235 Sies posible contar los valores de una variable aleatoria, ésta se denomina variable aleatoria discreta; si los valores no se pueden contar, a la variable sele llama variable aleatoria continua, Los experimentos 4, 5 y 8 de lalista anterior presentan variables aleatorias continuas, mientras que las restantes son discretas, El mimero de unidades vendidas, de computadoras defectuosas y cualquier otra variable que cuente, son variables discretas; cualquier variable aleatoria que mida, como el peso, la temperatura y la distancia, es una variable continua; el experimento 8 se refiere a una variable continua porque el niimero de horas de trabajo improductivo puede ser cualquier valor nel intervalo de tiempo 0-8. Es posible asociar probabilidades a los valores de una variables aleatoria discreta. Si X es una variable aleatoria discreta y estamos interesados en determinar la probabilidad de los resultados asociados con k, un valor de la variable aleatoria X, escribimos P(X = 4); cuando no hay posibilidad de confusi6n escribimos P(X = k) como P(k). La variable aleatoria X representa el ntimero de “soles” obtenidos al lanzar dos ‘monedas; los valores posibles son 0, 1 y 2. Entonces P(X =0) = P(0) = P(AA) = P(1) = PSA, AS) = =PQ)=PSS)=4 Una tabla de distribucién de probabilidad o tabla de probabilidades para una variable aleatoria discreta es una tabla de dos columnas; una columna representa los valores de la variable aleatoria y la otra las probabilidades asociadas, La tabla 5.6 deja ver Ia distribucién de probabilidad para el ejemplo 5.21. x PQ) 0 v4 1 2 2 v4 een Note que la suma de la columna de probabilidades siempre debe ser 1 ‘A veces es conveniente expresar la relacién entre los valores de una variable aleatoria, y sus probabilidades asociadas, en términos de una regla; esa regla se lama funcién de probabilidad o funcién de distribucién de probabilidad. Considere la aplicacién 5.43.236 «Capitulo s mtroduccién a la probabilidad elemental ] APLICACION 5.43 Gréficas de probabilidad EJEMPLO 5.22 FIGURA 5.12 Grafica de la funci6n de probabilidad para una variable aleatoria discreta ‘Suponga que cinco pelotas del mismo tamaiio se numeran del 1 al S y se colocan en una bolsa; un experimento pide seleccionar una pelota al azar, Denotemos por la variable aleatoria X el valor de la pelota seleccionada, 4) Construya una tabla de probabilidad para X. by Encuentre la funcién de probabilidad para X'y llémela g. Solucién: Las cinco pelotas tienen la misma probabilidad de ser clegidss La siguiente es la tabla de probabilidad para la variable aleatoria discreta X, a PU) 15 us us us us T 2 3 4 5 ») La funcién que relaciona los valores de x con las probabilidades es g, def rida por g(x) = 1/5; x= 1, 2,3, 4, 5. Para cualquier valor de x no contenida en el conjunto {1, 2, 3,4, 5}, g(x) se define como cero, m Se puede construir gréficas para funciones de probabilidad. Cuando la variable aleatoria es discreta, la gréfica de la funcién de probabilidad puede construirse usando segmentos de rectas verticales. Los valores de la variable aleatoria se localizan en el eje horizontal y las probabilidades en el eje vertical; en cada valor se construye un segmento de recta vertical de altura igual ala probabilidad de la variable aleatoria (véase el ejemplo 5.22). Adviesta que la suma de las longitudes de los segmentos verticales debe ser igual a1 Por otro lado, para representar probabilidades de variables aleatorias conii- nuas usamos dreas en vez de rectas verticales, como en el ejemplo 5.23, ‘Suponga que la tabla siguiente corresponde a una variable aleatoria discreta X. x PQ) T oz 2 03 3 o4 4 on La gréfica de la funcién de probabilidad correspondiente se muestraen la figura 5.12. Note que la suma de las longitudes de los segmentos verticales es 1. Pe o4 03 02 04EJEMPLO 5.23 FIGURA 5.13 Grafica de la funcién de probabilidad para una variable aleatoria continua EJEMPLO 5.24 FIGURA 5.14 P(0.25 < X< 0.5) Seccién 5.7 Variables aleatoris, © 237 ‘Suponga que los valores de la variable aleatoria X son todos n\imeros reales entre 0 y Ly que la funcién de probabilidad de X es f, definida por: | ie siQ=x=1 0 para cualquier otro x ‘Una geéfica de la funcién de probabilidad f se ve ena figura 5.13;¢1 éreade laregién acotada por la recta f(x) = 2x, el eje x y las rectas x= Oy x= 1. La regiGn es un triéngulo rectingulo cuya rea se encuentra como sigue: A= (+) easexatusy - (FJwa =1 £0) L_ ‘Como las probabilidades de variables aleatorias continuas se asocian con reas, se pueden encontrar s6lo para intervalos como a <.x

También podría gustarte

• Probabilidad Condicional y Teorema de Bayes

  

  Documento28 páginas

  Probabilidad Condicional y Teorema de Bayes

  Marcela Patricia Orozco Bornacelli

  100% (1)
• Clase 1

  

  Documento20 páginas

  Clase 1

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Inferenciaestimacinest 1

  

  Documento59 páginas

  Inferenciaestimacinest 1

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• • Revistas
  • Podcasts
  • Partituras
• Estimación e Intervalos - C

  

  Documento24 páginas

  Estimación e Intervalos - C

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Dif c4

  

  Documento13 páginas

  Dif c4

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Operaciones Con Funciones y Funciónes Inversas

  

  Documento19 páginas

  Operaciones Con Funciones y Funciónes Inversas

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Funciones Exponenciales y Logaritmicas

  

  Documento16 páginas

  Funciones Exponenciales y Logaritmicas

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Descriptiva - Unidad I

  

  Documento26 páginas

  Descriptiva - Unidad I

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Diferencial C1

  

  Documento24 páginas

  Diferencial C1

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones
• Dif C3

  

  Documento23 páginas

  Dif C3

  Marcela Patricia Orozco Bornacelli

  Aún no hay calificaciones