Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Calcular:
a) La P de encontrar las tres desgastadas.
6. La muestra se seleccionó sobre Población Escolarizada de la Ciudad Autónoma de Buenos Aires entre
primer y tercer año de Educación Media en instituciones públicas y privadas. Se encuestaron un total de
2200 alumnos con edades entre 13 y 15 años y con igual distribución por género. Como resultado de la
encuesta se observó que el 62% de las mujeres fuma o alguna fumó mientras que el 58 % de los
varones fuma o fumó.
A- Elaborar una tabla de doble entrada que refleje la información observada en frecuencias absolutas y
relativas en la muestra.
B-Diferenciar entre los siguientes porcentajes (%) dadas en la muestra:
% de fumadores en el total de alumnos
% de fumadores varones en el total de alumnos
% de fumadores mujeres en el total de alumnos
% de fumadores en el total de hombres
% de fumadores en el total de mujeres
% de mujeres entre los fumadores.
% de varones entre los fumadores.
C- Elaborar un diagrama de árbol que represente los datos aportados por la tabla de frecuencias relativas.
7. Se tienen latas de aluminio de las que se saben que un 96% son sanas, un 3% tiene defecto por
abolladura y un 2% por rotura. Calcular:
a. La P de algún defecto
b. ¿Qué % de las latas con defectos tienen rotura?
c. ¿Qué % de las latas con defectos tienen abolladura?
d. ¿Qué significa el 25% complemento del resultado anterior?
e. Si tuviera 1000 millones de latas cuántas tendría en cada una de las clasificaciones
f. ¿son independiente los defectos por rotura y abolladura?
g. ¿son disjuntos los defectos por rotura y abolladura?
RESOLUCIONES
De un mazo de barajas españolas se extraen 3 cartas. Calcular la probabilidad de sacar tres cartas de
espadas sucesivamente (piense: ¿es necesario indicar que sea sucesivamente?).
Definiremos:
E1: sacar espada en la primera extracción
E2: sacar espada en la segunda extracción
E3: sacar espada en la tercera extracción
2
Probabilidad y Estadística – Unidad I: Probabilidad
9
P( E2 )
39
Con un razonamiento equivalente:
8
P( E3 / E1 E2 )
38
La probabilidad buscada es:
10 9 8
P( E3 E2 E1 )
40 39 38
pero podíamos haber desarrollado
¿Podemos hablar de una P(E3) siendo {E3} un suceso posterior en el tiempo a E1?, o ¿P(E2/ E3) por la misma
razón? Por supuesto que sí: la probabilidad es un problema de información; puedo no saber lo que ocurrió antes
en el tiempo y evaluar lo que sé del suceso posterior, luego P(E1) = 10/40.
Observe, por otra parte, que no interesa saber que las extracciones son sucesivas: interesan los resultados
del espacio muestral y la información sobre ellos y no la forma en que se obtienen.
Piense que puede hablar de P de que Marco Polo haya visto al emperador de China un día 6 de septiembre,
o de la P de que mi tío se esté afeitando en este momento o de la P de que el hombre pise el planeta Júpiter en el
año 2020.
En los modelos estadísticos no interviene el tiempo que es una variable de la naturaleza, así el antes y el
después temporal no interesan. En cambio, podrá interesar el ordenamiento o secuencia en la que se producen
los resultados y este ordenamiento podrá o no representar el tiempo en el modelo.
Cuando interese el ordenamiento, estaremos en un capítulo de la estadística denominado “procesos
aleatorios”, y su desarrollo escapa al objetivo de este libro, aunque es útil entender este concepto.
Recuerde una aclaración anterior, el 16% de piezas defectuosas, en un modelo estadístico y salvo
aclaración en contrario, no implica que de 1000 piezas tengo exactamente 160 sino que es la probabilidad de que
3
Probabilidad y Estadística – Unidad I: Probabilidad
cualquiera de las 1000 piezas sea defectuosa; por lo que (teóricamente al menos) puedo llegar a tener desde
ninguna hasta las 1000 defectuosas.
¿Cómo escribo el 20%, el 10% y el 16% calculados anteriormente? En todo modelo habrá un solo gran
espacio muestral, y a falta de indicación en contrario, la probabilidad estará referida a ese espacio.
P(D) = 0,16 es el porcentaje de defectuosas en el total de la producción.
P(D M1) = 0,20 0,60 = 0,12 es el porcentaje de piezas defectuosas producidas por M1 referidas al total.
P(D M2) = 0,10 0,40 = 0,04 es el porcentaje de piezas defectuosas de M2 referidas al total.
Y escribiremos
P(D/ M1) = 0,20 -> probabilidad de defectuosas dentro de las producidas por M1.
P(D/ M2) = 0,10 -> probabilidad de defectuosas dentro de las producidas por M2.
P(M1/ D) -> probabilidad de piezas producidas por M1 en el total de defectuosas.
P(M2/ D) -> probabilidad de piezas producidas por M2 en el total de defectuosas.
Estas probabilidades serán llamadas condicionales y observe que es un término relativo a la definición del
espacio muestral general. Si consideramos el universo como el de todas las piezas, tanto de M1 como de M2, y
queremos expresar el porcentaje de defectuosas sobre el total de M1, se escribiría P(D / M1).
En cambio, si nuestro modelo se hubiera circunscripto en las piezas de la máquina 1 sería redundante
escribirlo así y simplemente escribiríamos P(D), puesto que en este caso P(D / M1) = P(D).
Posiblemente hubiese sido más claro usar como nomenclatura PM 1 ( D ) , o sea, poniendo el espacio como
subíndice, pero ya es de uso generalizado la expresión P(D/ M1).
Desde el punto de vista de la información, nótese que “condicionar” es “saber”. Tener la información que la
pieza es de M1 hace que la “apuesta” sea con P de 0,20; mientras que si no tuviésemos tal información la P sería
de 0,16. Al saber que la pieza es de M2 la “apuesta” será con P de 0,10. Aquí se ve nuevamente que la P depende
de la información que uno posea.
Ordenando
P(D) = P(D E) = P(D M1) + P(D M2) = P(D/ M1) P(M1) + P(D/ M2) P(M2)=
P(D M1) = 0,20 0,60 = 0,12 es el probabilidad de piezas defectuosas y de M1 (referidas al total).
P(D M2) = 0,10 0,40 = 0,04 es el probabilidad de piezas defectuosas y de M2 (referidas al total).
b. ¿Cuál es el porcentaje de las piezas provenientes de la primera máquina entre las defectuosas?
Equivale a pensar, si la pieza es defectuosa que probabilidad hay que sea de la primera máquina
Se aplica la fórmula de Bayes
se lee: la P de que provenga de M1 siendo una pieza defectuosa es 0,8 que equivale a que el 80% de las
son de M1 y el entonces el 20% de la M2
4
Probabilidad y Estadística – Unidad I: Probabilidad
Nótese que P(M1/ D) + P(M2/ D) = P(M1 M2/ D) = 1 puesto que siempre {M1 M2} = E en cualquier
subespacio.
Observe que nunca (salvo condiciones numéricas particulares) podrá aparecer en alguna fórmula de un
modelo una suma o diferencia de probabilidades de diferente condicionamiento, dado que son P que pertenecen a
espacios muestrales distintos.
En un equipo existen tres elementos A, B y C que luego de un cierto periodo pueden encontrarse
desgastados. La P de que esto ocurra para cada uno de ellos es 0,47; 0,45 y 0,40 respectivamente.
A B
Calculamos ahora:
a) La P de encontrar las tres desgastadas.
d) La P de encontrar A y C pero no B.
e) La P de encontrar solamente B y C.
f) La P de encontrar C solamente.
5
Probabilidad y Estadística – Unidad I: Probabilidad
g) La P de encontrar alguna desgastada (o sea, una o más de una o por lo menos una).
P( A B C ) P( A) P( B) P(C ) P( A B) P( A C ) P( B C ) P( A B C )
0,47 0,45 0,40 0,22 0,15 0.18 0,10 0,87
P( A B C ) 1 P( A B C ) 1 0,87 0,13
P[( A B C ) ( A B C ) ( A B C )]
P( A B C ) P( B) P( A B) P( A B C ) P( A B C )
0,20 0,45 0,22 0,08 0,17 0,52
j) la P de encontrar A y B sabiendo C:
P[( A B) C ] 0,10
P( A B / C ) 0,25
P(C ) 0,40
¿Son independientes los sucesos “Pedro juega al tenis” y “es un día de lluvia”?
Supongamos los siguientes sucesos y probabilidades como dato:
L L L
L L
T T T T T
Situación 1 2 3 4 5
disyunción dependencia independencia dependencia inclusión
P( L T )
Datos: 0 0,12 0,18 0,24 0,30
P( L T )
P( L / T ) 0 0,40 0,60 0,80 1,00
P ( L)
P( L T )
P( L / T ) 0 0,20 0,30 0,40 0,50
P(T )
6
Probabilidad y Estadística – Unidad I: Probabilidad
Tenemos que la P de que un día se juegue al tenis (0,6) pasa a ser nula.
Tenemos que la P de que sea un día de lluvia también se anula al saber que se juega al tenis.
En este caso hay una gran dependencia entre los sucesos, tal es así que llegamos a la certeza con esa
información (si juego al tenis, seguro es un día de sol).
b) Situación 2: hay una intersección relativamente pequeña.
P(T/ L) = 0,40 de que juegue al tenis si llueve
P(L/ T) = 0,20 de que sea un día de lluvia si juego
En este caso también hay un cambio en las probabilidades, aunque no como en el caso anterior.
c) Situación 3: Independencia porque se cumple lo siguiente
P(T/ L) = 0,60 = P(T)
P(L/ T) = 0,30 = P(L)
Este caso es equivalente al 2, salvo en la medida de las P condicionales que se hacen mayores a las no
condicionadas (es como si a uno le gustara más jugar si hay lluvia). En este caso hay dependencia.
e) Situación 5: hay inclusión de un suceso en otro.
P(T/ L) = 1,00 de que juegue al tenis si llueve (certeza 100%)
P(L/ T) = 0,50 de que sea un día de lluvia si juego
Este es el otro caso extremo en el que estaría mostrando una compulsiva necesidad de jugar en días de
lluvia, o sea, sabiendo que llueve seguro que juego al tenis. Hay dependencia y fuerte.
B. ¿En cuáles de las situaciones anteriores son independientes los sucesos T y L? Justificar.
Situación 3: (es la que más nos interesa discutir) es la situación de independencia.
P(T/ L) = 0,60 = P(T)
P(L/ T) = 0,30 = P(L)
Significa que la información (condicionamiento) al saber que llueve no modifica la P(T). Tampoco se
modifica P(L) al saber que no se juega al tenis.
O sea, la información NO MODIFICA la probabilidad.
La definición de independencia puede darse como:
Preguntémonos ahora: puedo entender que cambie la P de jugar al tenis si llueve, ya que depende de una
decisión mía. Pero, ¿por qué será que cambia la P de lluvia sabiendo que juego al tenis en los casos de NO
independencia? ¿Es que San Pedro, que según dicen hace llover, se apiada de mí sabiendo que juego al tenis y
cambia la situación meteorológica? ¿Es que hay algún fenómeno de la física o la meteorología que relacione mi
juego de tenis con la lluvia?
Nada de eso, la estadística no se ocupa de las relaciones causa - efecto. Podrá haberlas o no, de eso
se ocupan las ciencias de la naturaleza, en este caso la meteorología, la física o aún la psicología. A la estadística
no le interesa el porqué.
Pero la estadística es lógica, es coherencia: decimos que de alguna forma las probabilidades miden la
información que tiene el formulador del modelo. Por ejemplo, en la situación 2 el jugador tiene menos probabilidad
7
Probabilidad y Estadística – Unidad I: Probabilidad
de jugar si llueve P(T/L) que en un día cualquiera P(T). De alguna forma el saber que se está jugando implica
saber que debe ser menos probable que sea en un día de lluvia; simplemente eso es lo que se refleja en el cálculo
y en las diferencias entre las P y no en una explicación de causa.
La estadística puede ayudar a orientar una ciencia que estudia la naturaleza hacia una explicación causal
pero no a justificarla. En la no comprensión de este concepto se han elaborado muchas “mentiras estadísticas”,
como sería en este caso afirmar que soy capaz de “hacer llover” con sólo jugar al tenis, porque “sabiendo que
juego” aumenta la P de lluvia en el ejemplo de la situación 5 ( P(L/T) = 0,60 frente a P(L) = 0,30 ).
5. Si jugamos a “color” 3 veces consecutivas al mismo color en la ruleta ¿cuál es la probabilidad de ganar 2
de esas 3 veces?
6. En la encuesta Mundial sobre tabaquismo en jóvenes de argentinos 2012, la muestra se seleccionó sobre
Población Escolarizada de la Ciudad Autónoma de Buenos Aires entre primer y tercer año de Educación
Media en instituciones públicas y privadas. Se encuestaron un total de 2200 alumnos con edades entre 13 y
15 años y con igual distribución por género. Como resultado de la encuesta se observó que el 62% de las
mujeres fuma o alguna fumó mientras que el 58 % de los varones fuma o fumó.
A- Elaborar una tabla de doble entrada que refleje la información observada en frecuencias
absolutas y relativas en la muestra.
Fuma o fumó alguna vez: 0.6*2200
Mujeres que fuma o fumó: 0.62*2200/2
Varones que fuma o fumó: 0.57*2200/2
Frecuencias Absolutas(TABLA I):
8
Probabilidad y Estadística – Unidad I: Probabilidad
n
2- o
% de fumadores varones en el total de alumnos
frF= 0.29= 638 / 2200
F %frFV= 29%
V V
F
9
Probabilidad y Estadística – Unidad I: Probabilidad
Notar que los tres primeros % se refieren al mismo total (2200). En este caso
M
5- % de fumadores en el total de mujeres
frF/M = 0.62 = 682 / 1100
V %frF/M = 62%
F Los % 4 y 5 con cualquiera de los anteriores se refieren a distintos totales, equivalente en la
M
probabilidad a diferentes espacios muestrales.
7- %Fde
M varones entre los fumadores.
o
F F
frV/F = 0.4833 = 638 / 1320
V
%frV/F = 48,33%
FSi
M
se considera a la muestra como la población de análisis, es decir como el espacio muestral, los % se
interpretan ocomo probabilidades de ese espacio. Utilizando la tabla II entonces se pueden resignificar las
probabilidades
F condicionales.
10
M
Probabilidad y Estadística – Unidad I: Probabilidad
La probabilidad de que un jóven que haya fumado sea varón en la muestra considerada
es la probabilidad condicional de varon restringida al grupo fumador
F
V
P(V/F) = P(FH) = . P(F/V) * P(V) =. 0.29*0.5 . = 0,483
P(F) P(F/V)*P(V) + P(F/M)*P(M) 0.29*0.5 + 0.31*0.5
FM
Es cierto que en este ejemplo parece rebuscada la fórmula aplicada, pero lo relevante es la interpretación de los
o
términos involucrados.
F
Como conclusión es importante diferenciar el suceso o evento considerado y el espacio muestral de
referencia. La fórmula es útil si se conoce P(F/V) y se solicita P(H/F)
P(F) = P(F/V)*P(V) + P(F/M)*P(M)
C- Elaborar un diagrama de árbol que represente los datos aportados por la tabla de frecuencias
relativas.
Se tienen latas de aluminio de las que se saben que un 96% son sanas, un 3% tiene defecto por abolladura
y un 2% por rotura.
A: la lata tiene defecto por abolladura.
R: la lata tiene defecto por rotura A
R
S: la lata es sana
D: Las latas tienen algún defecto
S
Identificar las siguientes probabilidades
11
Probabilidad y Estadística – Unidad I: Probabilidad
12