Probabilidades

y estadstica
serie/ciencias para la educacin tecnolgica
5

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Especialista de contenido:
Juan Foncuberta
Asesor cientfico:
Luis Santal
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
serie/ciencias para la educacin tecnolgica
1. Anlisis matemtico. Sus aplicaciones
2. Fsica. Ondas electromagnticas
3. Fsica. El campo magntico
4. Fsica. Interacciones a distancia
5. Probabilidades y estadstica
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
ndice
La serie Ciencias para la Educacin Tecnolgica 9
Mdulo 1:
1. La probabilidad es una medida 14
La definicin histrica de probabilidad 14
Otra forma de calcular la probabilidad 15
Laplace 16
Elementos de la definicin axiomtica 17
2. Clculo combinatorio 20
Permutaciones 21
Combinaciones 22
Nmeros combinatorios 23
3. Sucesos excluyentes y no excluyentes 26
Probabilidades geomtricas 28
El nmero 30
Inecuaciones 30
4. Sucesos dependientes e independientes 31
Probabilidad condicional 31
El teorema de Bayes 34
Sucesos independientes 36
Utilidad de los diagramas de rbol 39
Un poco de historia 40
5. Estadstica 43
Valor medio 43
La varianza y la desviacin 43
Variacin y desvo 44
Trabajo estadstico 45
Histogramas 46
Los Bernoulli 47
Clave de respuestas 49
Mdulo 2:
6. Frmula de Bernoulli 56
Pruebas repetidas 56
Variables aleatorias 59
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
7. Funciones de distribucin 61
Limitaciones 62
Valor medio para la distribucin binomial 63
Varianza en la distribucin binomial 64
8. Distribucin de Poisson 67
El nmero e 67
Serie de Maclaurin 67
Distribucin de Poisson 68
Varianza en la distribucin de Poisson 71
Nmeros aleatorios 73
Clculo de integrales mediante nmeros aleatorios 74
9. Funciones de distribucin 79
Funciones de distribucin discretas y continuas 79
Esperanza matemtica y varianza para distribuciones continuas 82
Teorema de Tchbyccheff 84
Teorema de Bernoulli 86
La distribucin de Poisson y el flujo de sucesos 88
Una experiencia de Rutherford y Geiger 89
Clave de respuestas 92
Mdulo 3:
10. La distribucin normal 102
Aproximacin de Poisson 103
Poisson y el flujo estacionario de sucesos 104
Aproximacin de la binomial mediante la normal 105
La funcin normal 106
Aproximacin de la binomial mediante la normal 107
11. Distribuciones en dos dimensiones 112
Distribuciones para dos variables: Covarianza 112
Correlacin de variables 112
Recta de regresin 113
12. Muestras 117
Estimadores 118
Estimador de la varianza de la poblacin 118
Estimacin por intervalos empleando la distribucin normal 119
Clave de respuestas 122
Modelo de trabajo en clase 124
Vicisitudes de la enseanza de la Estadstica 124
Apndice 1. Comparacin de medias muestrales 125
Apndice 2. Muestras pequeas y la distribucin de Student 127
Apndice 3. Matrices de probabilidad 128
Apndice 4. Tabla de rea bajo la funcin normal 130
Apndice 5. Funcin de Student 131
Bibliografa 132
9
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La serie Ciencias para la educacin tecnolgica
Con el ttulo Ciencias para la Educacin Tecnolgica, estamos planteando desde
el CeNET una serie de publicaciones que convergen en el objetivo de:
Acompaar a nuestros colegas docentes en la adquisicin de contenidos cientficos
que les permitan una mejor definicin, encuadre y resolucin de los problemas tecno-
lgicos que se ensean en la escuela.
Porque, en Educacin Tecnolgica las ciencias bsicas ocupan una posicin impor-
tante aunque subalterna e instrumental (...) La tecnologa es un modo de ver el fen-
meno de la artificialidad, y de analizar sistmicamente los objetos tecnolgicos des-
de su finalidad y no desde los fundamentos cientficos en que se basa su funciona-
miento. (Ministerio de Cultura y Educacin de la Nacin. Consejo Federal de Cultura
y Educacin. Contenidos Bsicos Comunes para la Formacin Docente de Grado.
Tercer Ciclo de la Educacin General Bsica y Educacin Polimodal. Contenidos
Bsicos Comunes del Campo de la Formacin de Orientacin de la Formacin Do-
cente de Educacin Tecnolgica. Buenos Aires.)
1
Probabilidades y estadstica, el material que us-
ted tiene en sus manos, es una versin digital de
la publicacin del mismo nombre que, en 1996,
elabor el Programa de Perfeccionamiento Do-
cente Prociencia-CONICET
2
, del Ministerio de Cul-
tura y Educacin de la Nacin Argentina, al que
desde el CeNET nos proponemos continuar dis-
tribuyendo
3
.
1
Puede usted encontrar la versin completa en el sitio web del Ministerio de Educacin, Ciencia y
Tecnologa; especficamente, en la pgina:
- http://www.me.gov.ar/curriform/servicios/publica/publica/fordoc/index.html
2
El CONICET es el Consejo Nacional de Investigaciones Cientficas y Tcnicas, de la Secretara de
Ciencia, Tecnologa e Innovacin Productiva Ministerio de Educacin, Ciencia y Tecnologa.
3
La versin de este libro en soporte papel corresponde al ISBN 950-687-019-5, desarrollado con la
coordinacin de Mirta Grines de Hanfling, y con la participacin del equipo docente, tcnico y
administrativo del Programa Prociencia.
11
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
MDULO 1
13
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En este mdulo se abordan las nociones bsicas de probabilidad y sus relaciones
con otros temas de matemtica.
En su desarrollo, se comparan diferentes definiciones de probabilidad y se ubican
histricamente diversos temas.
Se trata, tambin, el clculo de la cantidad de sucesos favorables o posibles median-
te la combinatoria, y la aplicacin de algunas frmulas elementales de probabilida-
des; asimismo, se distingue entre sucesos dependientes e independientes.
Buscamos, finalmente, relacionar los temas dados con los temas de matemtica de
la escuela media.
Recordando a Roberto J. Payr
Por aquellos aos, en Pago Chico, solamente haba dos profesores de Matemti-
ca: Don Joaqun Requejo y Don Hermenegildo Gmez. Mucho nos gustara pre-
sentar una edicin por decirlo as, bilinge donde se reflejaron los particulares
enfoques de tan preclaros profesores al encarar un mismo tema. La providencial
tacaera de los editores nos ha llevado a elegir la presentacin de las clases de
don Joaqun, aunque aqu y all deslicemos alguna opinin de don Hermenegildo,
que bien merece ser recordado.
Pues bien, don Joaqun llegaba a su clase y comentaba con sus alumnos que la
noche anterior haba jugado a los dados en el Club del Progreso, y les preguntaba:
Si tiramos un dado, quin creis que tiene ms chance de ganar: El que
apuesta a que salga el as o el que lo hace por que salga par? Aclaro que
los dos juegan un peso fuerte cada uno y, si aciertan, ganan un peso.
Enseguida, contestaba un muchacho:
El que apuesta a par tiene ms chance.
Muy bien. Pero, como yo os doy matemtica, quiero ensearos a medir esa
chance.
(Aqu, observar el lector, que el lenguaje de Joaqun se pone un tanto pesado con
tanto os; de manera que trataremos de abreviar y traducir.)
14
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

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

= =
De esta manera, la probabilidad de que salga el 4 es
6
1
) 4 ( P =
La probabilidad de que salga un nmero par es
2
1
6
3
) par ( P = =
Actividad 1.1.
En el caso ideal, proponemos indicar, con relacin a un mazo de cartas
espaolas:
1. La probabilidad de que sea un oro.
2. La probabilidad de que sea un siete.
3. La probabilidad de que no sea una copa.
4. La probabilidad de que sea un as o un siete.
5. La probabilidad de que sea un oro o un siete.
6. La probabilidad de que sea oro, copa, espada o basto.
7. La probabilidad de que sea un quince.
Estos ejemplos les permitirn observar algunas propiedades.
15
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

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

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Y eso, qu tiene que ver con 1/6?
El maestro no contest; pero, un alumno se apresur a decir:
Todos los resultados se parecen a 1/6 = 0,166...
Sera cosa buena echar el dado 2000 veces.
Ya intent su propia definicin?
Cuando se repite un experimento n veces y aparece el suceso A s veces, el nmero
n
s
se llama frecuencia relativa de A.
La razn
n
s
tiende a estabilizarse, cuando el nmero de veces n se agranda.
Quiere decir que
n
s
se aproxima a un lmite. La teora prueba que ese lmite es la
probabilidad del suceso A.
Laplace
Los prrafos de la biografa de Laplace que aparecen a continuacin han sido extra-
dos del trabajo de Luis Santal: Laplace (Centro Editor de Amrica Latina.)
(...) Laplace (1749-1827) no fue un gran creador de teoras ni un crtico de los
fundamentos. Fue un extraordinario continuador, hasta lmites insospechados,
de las teoras iniciadas por otros, sea la mecnica de Newton o las probabili-
dades de Bernoulti y De Moivre; pero, no se detiene a analizar con demasiado
cuidado los fundamentos. Las bases de las que parte son, a veces, endebles,
pues las toma tal como las encuentra en sus predecesores, pero con su inmen-
sa capacidad e insuperable inventiva para artificios de clculo, saca de las
teoras el mximo provecho. Fue un virtuoso del anlisis matemtico.
En la teora de las probabilidades, por ejemplo, pueden criticarse a Laplace
tanto la definicin misma de probabilidad como el haber continuado con ideas
ambiguas (la esperanza moral de Daniel Bernoulli, por ejemplo).
(...) La definicin de probabilidad adoptada por Laplace es la clsica: Frac-
cin cuyo numerador es el nmero de casos favorables y cuyo denominador
es el nmero de todos los casos posibles, definicin que el mismo Laplace se
apresura en contemplar con la condicin de que sean igualmente posibles los
diversos casos. Pero, qu quiere decir igualmente posibles? Evidentemente,
la definicin no resiste un examen lgico riguroso, pero es difcil iniciarse en la
teora de las probabilidades sin tener esta definicin an sabindola incorrec-
ta como punto de partida y faro de referencia. Por otra parte, la definicin
conjuntista de Kolmogoroff (1933), actualmente la ms aceptada con algunas
variantes de un autor a otro, no es ms que la abstraccin y axiomatizacin
de tal definicin intuitiva.
En los casos de dados, mo-
nedas, juegos ideales, pode-
mos hallar la probabilidad.
Pero, en muchos problemas
prcticos, slo podemos esti-
mar probabilidades recu-
rriendo a la estadstica. Por
ejemplo: Cul es la probabi-
lidad de accidentes en ruta?
Cul es la probabilidad de
que un medicamento produz-
ca efectos secundarios?
17
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Las teoras matemticas nunca se han construido, al comienzo, sobre bases
firmes e inmutables. A las altas cumbres se sube nicamente con equipaje
ligero y saltando peligrosamente sobre inciertos puntos de apoyo; de aqu
que haga falta mucha habilidad e ingenio. Ms tarde, ya plantada la bandera
en la elevada cresta, vendrn las legiones de pacientes trabajadores para relle-
nar huecos y apuntalar columnas; no faltar alguno que critique al iniciador por
haberse apoyado en cimientos movedizos e inseguros, y que no perciba que,
sin tal audacia, su laboriosa tarea de relleno carecera de sentido, pues todo
fundamento supone el conocimiento previo de lo que se desea fundamentar:
Laplace, efectivamente, no edific la teora de probabilidades sobre bases
firmes; pero, los mtodos que cre y los resultados a que lleg siguen siendo
vlidos y tiles, despus de todas las ulteriores fundamentaciones.
Elementos de la definicin axiomtica
Lo que sigue es para usted y slo para algn alumno que le plantee la inquietud.
En el ejercicio anterior, sealamos el defecto de la definicin clsica. Para corregir ese
defecto, habr que proponer una definicin axiomtica. Al realizar un experimento, existe
un conjunto de resultados. El conjunto de todos estos sucesos elementales se llama
espacio muestral. En un dado comn, el espacio muestral es E = (1, 2, 3, 4, 5, 6).
Nos interesa. por ejemplo, la probabilidad de que salga cuatro:
P(4)
Pero, el espacio muestral no basta.
Tambin podemos jugar a que salga impar:
P(impar) = P({1,3,5})
{1,3,5} es un subconjunto del espacio muestral E.
O bien podemos jugar a que salga mayor de dos:
E } 4 {
E } 5 , 3 , 1 {
E } 6 , 5 , 4 , 3 {
}) 5 , 4 , 3 ({ P ) 2 que mayor ( P

=
La inventiva de los apostadores no tiene lmite. En realidad, en el caso de una tirada
del dado, tiene lmite, porque los sucesos son todos los subconjuntos de E.
Cuntos son? Se podrn traducir algunos de ellos al lenguaje verbal e indicar su
probabilidad, de acuerdo con la definicin clsica.
La probabilidad es un nmero que asignamos a cada subconjunto de E. Es deseable
que, conocidas las probabilidades de los resultados o sucesos elementales, poda-
mos deducir las probabilidades de cualquier suceso.
18
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

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

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Damos una parte de la respuesta en la tabla:
{1} {2} {3} {4} {1,2} {1,3} {2,3,4} ...
1/3 1/3 1/6 1/6 2/3 1/2 2/3 ...
Por qu decimos una funcin y no la funcin?
Actividad 1.6.
Un alumno distrado, al completar la tabla anterior, calcul as:
No puede ser!
Por qu no puede ser?
Cul es el error del razonamiento del alumno?
3
4
3
2
3
2
}) 4 , 3 , 2 { P }) 2 , 1 ({ P }) 4 , 3 , 2 , 1 ({ P
} 4 , 3 , 2 { } 2 , 1 { } 4 , 3 , 2 , 1 {
: }) 4 , 3 , 2 , 1 ({ P
=
+
+ =
=
20
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
2. Clculo combinatorio
Historia de un alumno difcil
Timoteo Ladrillo, ingenioso inventor de trampas para pjaros, haba faltado, de
modo que cuando volvi a clase, don Joaqun haba dado vuelta la pgina y
propona a los alumnos este problema:
Hay cinco candidatos para formar listas de presidente, secretario y tesorero
del Club del Progreso. Cuntas listas pueden formarse si nadie puede ocu-
par ms de un cargo?
Cmo se llaman los candidatos?
No necesitas saberlo; pero, ya te lo puedes imaginar: Siempre son los mismos.
Los muchachos se fueron agrupando, discutiendo entre s, proponiendo ideas;
algunos trabajaban silenciosamente, otros hacan bastante ruido. Haba quienes se
interesaban poco. Pasaron muchos minutos con el problema. Don Hermenegildo
reprochaba a su colega esta prdida de tiempo.
Uno de los alumnos dio como respuesta: 60, mostrando una larga lista: ABC, ABD
... BCA... y aclarando que haban intervenido varios en el trabajo.
Otro de los alumnos propuso la siguiente explicacin:
Debemos llenar 3 cargos o casillas, con nombres. Para la primera casilla,
disponemos de 5 personas; para la segunda casilla nos quedan 4; y, por fin,
tenemos 3 para la tercera casilla. Multiplicamos 5.4.3 = 60 y ya est.
P S T
Por qu se multiplica? Es lo nico que no entiendo dijo Ladrillo.
Como haba varios alumnos que no entendan, Joaqun les ense a construir un
diagrama de rbol:
B D
C
E
C D
B
E
D C
B
E
E C
B
D
A
21
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La primera rama corresponde a A presidente, B secretario, C tesorero. La ltima
rama corresponde a A presidente, E secretario, D tesorero.
Este diagrama nos dice que con A de presidente hay 12 listas posibles.
Qu ttulo ponemos en el cuaderno?
Pongamos Variaciones. Pero, lo importante no es el nombre sino resolver
problemas.
Y, qu son variaciones?
Si debemos colocar m objetos en n casillas y debe distinguirse el orden, cada uno de
los agrupamientos posibles se llama variacin o arreglo.
El nmero de variaciones de m objetos en n casillas ser:
)] 1 n ( m )...[ 2 m )( 1 m ( m V
n . m
=
Esta frmula habla: Cuando vamos a llenar la primera casilla, tenemos m objetos
disponibles; para la segunda nos quedan (m-1)... Al llegar a la ltima nos hemos
gastado (n-1) objetos. Para la ltima casilla nos quedan para elegir m -(n-1).
Permutaciones
Si se trata de colocar m objetos en m casillas, sin repeticin, es obvio que el nmero
de posibilidades ser:
1 . 2 . 3 )... 3 m )( 2 m )( 1 m ( m V
m . m
=
Al producto de los m primeros nmeros naturales lo llamamos factorial de m y lo
simbolizamos as: m!
Adems, como si hay m objetos y m casillas, lo nico que podemos hacer es permu-
tar, decimos que se trata de permutaciones y escribimos:
P
m
= m!
De cuntas maneras pueden disponerse en fila los seores A, B y C?
ABC ACB BAC BCA CAB CBA P
3
= 3! = 3.2.1 = 6
Las calculadoras de bolsillo suelen tener una tecla dedicada a n!
22
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Combinaciones
Don Joaqun propuso el siguiente problema: Tenemos 5 jugadores de pato. Cun-
tos equipos distintos de tres jugadores podemos formar?
5.4.3 = 60 salt el negro Liborio.
No por mucho madrugar...
Como de costumbre, en la clase de don Joaqun, la mayora se puso a trabajar
hasta que alguno dijo:
Don Joaqun, el equipo JKL es el mismo que el LJK? S... Entonces ya lo
tengo. Quedan 10: JKL, JKM, JKN, JLN, JMN, KLM, KLN, KMN, LMN.
Por qu dices quedan 10?
Digo que, de todas las variaciones, quedan 10 porque no importa el orden
(un cambio de orden no me da otro equipo).
Cuando se tienen m objetos diferentes para llenar n casillas sin que interese el
orden, cada agrupamiento se llama combinacin. Cmo harais para calcu-
lar las combinaciones de 5 objetos en 3 casillas sin escribir JKL,...etc?
El domingo siguiente, don Hermenegildo no poda creer lo que afirmaba don Joa-
qun: Un alumno haba descubierto la frmula. Despus de un rato, haba encontra-
do que:
3
3 , 5
3 , 5
P
V
C =
La frmula general es:
n
n , m
n , m
P
V
C =
Don Joaqun exclam entusiasmado: Esta frmula habla. Si tienes las variaciones
y debes calcular las combinaciones, como no te interesa el orden, debes dividir
por las permutaciones del nmero de casillas.
En la mayora de las aplicaciones, el orden no interesa; por ejemplo, al elegir enfer-
mos para un tratamiento, al elegir alumnos para un control, al elegir personas para
una encuesta.
Las frmulas slo deben ser una gua. Cualquiera puede inventar sus
propias frmulas para resolver los problemas. Hay que leer bien los
enunciados. El camino del infierno del conocimiento est empedrado
de memoristas. (Don Joaqun Requejo, pedagogo pagochiquense)
Actividad 2.1.
1. De cuntas maneras pueden repartirse 3 premios diferentes entre 10
personas que, a lo sumo, pueden recibir un premio cada una?
2. Cuntos nmeros de cuatro dgitos distintos pueden escribirse con
las cifras de 1 a 9?
3. Cuntos nmeros de cuatro dgitos pueden escribirse con las cifras
de 1 a 9?
23
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
4. Disponemos de los dgitos 1, 2 ,3, 4, 5, 6, 7, 8. De cuntas maneras
podemos alinearlos de a cuatro, si deben alternarse nmeros par
impares, empezando por pares?
5. Disponemos de los mismos dgitos del problema anterior. De cun-
tas maneras podemos alinearlos a todos, si deben alternarse pares e
impares, o viceversa?
6. Tenemos tres libros distintos de qumica y cuatro libros distintos de
biologa. Se pide determinar: a) De cuntas maneras podemos ali-
nearlos en un estante? b) De cuntas maneras podemos alinearlos,
si deben estar agrupados por materias?
7. Al Bab deba elegir 5 hombres (todos igualmente valientes) para
una misin peligrosa. Cuntas eran las elecciones posibles?
8. a) De cuntas maneras se pueden permutar las letras de la palabra
combinar?
b) De cuntas maneras se pueden permutar las letras de la palabra
caminar?
c) De cuntas maneras se pueden permutar las letras de la palabra
anan?
Nmeros combinatorios
Cuando escribimos

n
m
entenderemos que se trata del nmero de combinaciones
de m objetos en n casillas. siendo
. m n
Sabemos que:
Si multiplicamos numerador y denominador por (m-n)!, obtenemos:
Pero, entonces, los nmeros combinatorios y son iguales.
Por ejemplo:
Esta propiedad tiene un significado muy claro: Cada vez que elegimos 42 personas
entre 47, elegimos no elegir 5 personas entre 47 (Ideal como destrabalengua).
Admitimos, por definicin, que 0! = 1 y que 1! = 1
! n
) 1 n m )...( 2 m )( 1 m ( m
P
V
C
n
m
n
n . m
n . m
+
= = =

)! n m ( ! n
! m
C
n . m

n
m

n m
m

5
47
42
47
24

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Actividad 2.2.
Calcule

1
m
y
0
m
En cuanto don Joaqun consider que los alumnos saban el ABC de la combinatoria,
les propuso diversos problemas, pidindoles que, para calcular la probabilidad del
suceso considerado, emplearan la frmula:
posibles casos N
favorables casos N
obabilidad Pr

=
Entre 10 personas (entre las cuales estn Timoteo y Liborio) hay que elegir 5 perso-
nas al azar. Cul es la probabilidad de que, en la eleccin hecha, figuren simult-
neamente Timoteo y Liborio?
El nmero total de casos es C
10,5
. El nmero de casos en que figuran T y L se obtiene
as: Colocamos obligatoriamente a T y L, quedndonos 8 personas para 3 lugares.
Por lo tanto: 9
2
5
10
3
8
P =

=
Actividad 2.3.
En una oficina trabajan 12 hombres y 8 mujeres. Hay que elegir 5 personas
al azar, entre esas 20. Cul es la probabilidad de que, en el grupo elegido,
figuren exactamente 3 mujeres?
En la caja N 1 hay 3 bolitas verdes y 2 blancas; en la N 2 hay 4 verdes y 1 blanca;
en la N 3 hay 2 verdes y 2 blancas. Se saca una bolita de cada caja. Cul es la
probabilidad de que, al finalizar la operacin tengamos 2 blancas y 1 verde?
El resultado dos blancas y una verde, puede obtenerse extrayendo, por ejemplo,
blanca de la caja N1, blanca de la N2 y verde de la N3.
En consecuencia, hay tres sucesos favorables: BBV, BVB, VBB.
La probabilidad de BBV es
25 / 1
4 . 5 . 5
2 . 1 . 2
=
No nos parece conveniente en-
sear estas frmulas del tipo
)! n m ( ! n
! m
C
n . m

=
en un cur-
so elemental. Pueden perturbar
la solucin de problemas. En
general tendremos:
n 2 2 n 1 n n n
b ... b a
2
n
b a a ) b a ( +

+ + = +

(desarrollo de Newton)
Este resul tado puede
interpretarse as: Si pusira-
mos, en una caja, 10 nom-
bres entre los cuales estu-
vieran T y L, y extrajsemos
5 papelitos repitiendo esta
operacin muchas veces,
en alrededor de 2/9 de las
veces apareceran en el gru-
po T y L juntos.
25
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La probabilidad de BVB es
25 / 4
4 . 5 . 5
2 . 4 . 2
=
La probabilidad de VBB es
50 / 3
4 . 5 . 5
2 . 1 . 3
=
La probabilidad de obtener dos blancas y una verde al finalizar la operacin es
50
13
50
3
25
4
25
1
= + +
26
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
3. Sucesos excluyentes y no excluyentes
En la primera seccin se ha resuelto, con relacin a un mazo de cartas espaolas:
P (as o siete) y P (oro o siete)
No pudimos resolverlos de la misma manera: En el primer caso, se trataba de suce-
sos excluyentes y, en el segundo, de sucesos no excluyentes.
Hasta ahora hemos empleado una frmula para calcular P(A o B), cuando A y B se
excluyen.
Para el caso de que A y B no sean excluyentes, podemos escribir:
) A B ( A B A =
Recordemos que
Como A y B-A son excluyentes:
) 1 ( ) A B ( P ) A ( P ) B A ( P + =
) B A ( ) A B ( B
) A B ( A B A
=
=
Debemos tratar que aparezca P(B) y eliminar
) 2 ( ) B A ( P ) A B ( P ) B ( P
) B A ( ) A B ( B
+ =
=
A la igualdad (1) le restamos la (2) y obtenemos, despus de operar:
) A B ( P ) B ( P ) A ( P ) B A ( P + = =
Por ejemplo, sean A={1,2,3], B={3,4,5,6} sucesos que corresponden a la tirada de
un dado.
Justifique el resultado obtenido en 1.1. tem 5:
A B
27
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Esta frmula es tambin vlida para el caso particular de A y B excluyentes. Por qu?
De 10 personas (entre las que estn A y B), debemos elegir una comisin de 4. Si
la eleccin se realiza al azar, cul es la probabilidad de que, en la comisin
elegida, est al menos uno de los nombrados?
Llamemos A al suceso est A y B al suceso est B.
4 , 0
4
10
:
3
9
) B ( P 4 , 0
4
10
:
3
9
) A ( P =

= =

=
Los sucesos A y B no son excluyentes o incompatibles porque hay comisiones don-
de estn A y B. En cuntas comisiones estn A y B? En

2
8
comisiones. Por qu?
Luego:
133 , 0
4
10
:
2
8
) B A ( P =

=
(probabilidad de que estn A y B)
Por lo tanto:
667 , 0 133 , 0 4 , 0 4 , 0 ) B A ( P ) B ( P ) A ( P ) B A ( P = + = + = =
El problema puede resolverse directamente, de la siguiente manera: En cuntas
comisiones no estarn ni A ni B? En comisiones. Por qu?
Entonces, la posibilidad de que no estn ni A ni B es:
Por lo tanto, la probabilidad de que estn al menos A o B es 1 - 0,333 = 0,667.
Es conveniente alentar la presentacin de distintas soluciones para un mismo proble-
ma. Hacemos notar que es ms fcil hallar la probabilidad de que no estn A ni B que
calcular los casos en que estn A o B.
Si p es la probabilidad de un suceso A, la probabilidad del suceso contrario es 1 - p = q
Por ejemplo:
p = 1/6 es la probabilidad de que salga el seis en el dado.
1-p = q = 1-1/6 = 5/6 es la probabilidad de que no salga el seis.

4
8
333 , 0
4
10
:
4
8
=

28

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Un da de lluvia
El agua lavaba las ventanas de la vieja escuela. No llegaban a cinco los alumnos
presentes. Don Joaqun les propuso este problema:
Si ponemos en una caja las letras de la palabra vbora y sacamos sucesiva-
mente cuatro letras sin reponer, cul es la probabilidad de que salga la
palabra rabo?
No tardaron mucho en contestar: 360 / 1 V / 1
4 , 6
=
Y, cul es la probabilidad de que salgan las letras que palabra rabo?
360 / 24 V / P V / V
4 , 6 4 4 , 6 4 , 4
= =
Liborio no estuvo de acuerdo. Su respuesta fue: 0. Don Joaqun se acerc al ban-
co y vio escrita la palabra vvora.
Pero, ni corto ni perezoso, propuso el siguiente problema: Cuntas permutaciones
diferentes se pueden hacer con las letras de la palabra caminata?
Si las letras fuesen distintas, sera muy fcil 8! = 43320 -dijo un muchacho-.
Pero, deben ser muchas menos porque...
Despus de muchas deliberaciones y pruebas entre los presentes, hallaron que las
permutaciones de caminata son:
6720
6
40320
! 3
! 8
= =
Actividad 3.1.
1. De cuntas maneras se pueden permutar una bandera roja, una azul,
una blanca, una amarilla, una verde y una celeste?
2. De cuntas maneras se pueden permutar tres banderas rojas exac-
tamente iguales, una azul, una blanca y una amarilla?
3. De cuntas maneras se pueden permutar dos banderas rojas exac-
tamente iguales, dos azules exactamente iguales, una blanca y una
amarilla?
Probabilidades geomtricas
En algunas situaciones, los casos favorables y los posibles son infinitos. No se puede
hablar, entonces, de
posibles casos de N
favorables casos de N

La siguiente historia nos muestra cmo se las arreglan los matemticos.

29
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Da de cuadreras en Pago Chico
El pueblo estaba alborotado porque era domingo y haba cuadreras. Don Joaqun
encontr a su alumno Timoteo rodeado de gente. Frunci la nariz y se acerc;
observ que haba colocado, en el suelo, un cartn en el cual haba dibujado con
ms prolijidad que de costumbre un cuadriculado. Propona que tirasen una mo-
neda de 1 centavo sobre el cuadriculado. Si no
cortaba a ninguna lnea, les daba 2 centavos; de
lo contrario, se quedaba con el centavo. El maes-
tro calcul que Timoteo haca una buena ganan-
cia. Para eso servan sus enseanzas! Pero, ya
tendra que rendir cuentas; por lo pronto, al da
siguiente le comunic que deba calcular la pro-
babilidad de ganancia de un jugador en ese ta-
blero, so pena de recibir algunos azotes (aclara-
mos que, para ese entonces, no se haban aboli-
do en Pago Chico los castigos corporales).
Con gran temor, trat el muchacho de responder a la pregunta; pero, fue compren-
diendo que de nada le serviran permutaciones, combinaciones y dems yerbas.
El negro Lborio acudi en su ayuda y, al da siguiente, respondi:
Un apostador tiene probabilidad 0,35 de ganar.
Cmo lo calcularon?
Tiramos 100 veces la moneda...
Yo... que me haba hecho la ilusin de que recordabais un poco de geometra...
Esta observacin molest a los muchachos que, luego de la clase, se reunieron a
deliberar. Un tercero, de los que nunca faltan, sugiri:
Para que una recta toque a una circunferencia, el centro debe encontrarse a
una distancia menor o igual que la longitud del radio.
Vemos que cada cuadrado tiene 5 cm. Como la moneda tiene 1 cm de radio,
si el centro cae dentro del cuadrado sombreado, gana el jugador. En conse-
cuencia, la probabilidad de ganancia del jugador es:
Al final result que la geometra sirve para algo
Don Joaqun, que oa satisfecho estas reflexiones, casi se desmaya al or el final y
agreg:
No es un juego equitativo, si el premio es igual a la apuesta.
Actividad 3.2.
1. Si en el interior de un segmento se selecciona un punto al azar, cul
es la probabilidad de que dicho punto est ms cerca del punto
medio del segmento que de sus extremos?
2. Si una lnea telefnica entre dos puntos A y B distantes 2 km, se corta
en un punto desconocido, cul es la probabilidad de que el lugar
afectado no se halle a ms de 450 m de A?
36 , 0 25 / 9
grande cuadrado del rea
chico cuadrado del rea
P = = =
30

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
El nmero
Los alumnos trabajan con desde la escuela primaria; se puede aprovechar la proba-
bilidad geomtrica para hacer una aproximacin experimental del nmero .
Proponga a los alumnos que construyan un cuadrado de 10 cm de lado y un crculo
inscripto en el mismo. Si se dejan caer porotos o lentejas sobre el dibujo, puede
esperarse aproximadamente la siguiente proporcin:
cuadrado del rea
crculo del rea
cuadrado el en lentejas de N
crculo del dentro lentejas de N
=

La razn aproximada ser:

4 100
25 .

=

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

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
4. Sucesos dependientes e independientes
Probabilidad condicional
Suponemos que una persona que no vemos, nos dice:
Tengo un mazo de 40 cartas espaolas. Voy a extraer una al azar. Cul es la
probabilidad de que sea el as de espadas?
1/40 contestaramos-.
Si, luego, la persona nos pregunta:
Ya he sacado la carta y result ser espadas. Cul es la probabilidad de que
sea el as?
1/10.
Un ejemplo como el que acabamos de dar, muestra que la asignacin de probabili-
dades vara segn la informacin.
Llamaremos probabilidad condicional del suceso B con respecto a A (o probabilidad
de que se d B, habindose dado A) al nmero:
Si pensamos en frecuencias relativas, resulta:
A de elementos de N
B A de elementos de N
) A / B ( P

=
Dividiendo numerador y denominador por el nmero de elementos de E, resulta:
) A ( P
) A B ( P
) A / B ( P

=
Por qu?
Esta frmula cumple las condiciones de probabilidad? Veamos:
P(A/A)= 1 Lo verific?
Adems, debe verificarse que si =
j i
A A
Entonces:
) B / A ( P ) B / A ( P ) B / A A ( P
j i j i
+ =
) 1 (
) A ( P
) A B ( P
) A / B ( P

=
32
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Trate de probarlos.
Veamos, por fin, si la definicin funciona en el ejemplo anterior.
Sea A: Sale espadas. B: Sale as.
40 / 1 ) B A ( P 4 / 1 ) A ( P = =
Por qu?
Luego:
10 / 1
4 / 1
40 / 1
) A ( P
) A B ( P
) A / B ( P = =

=
que es la respuesta que dimos al comenzar el captulo.
Quiere decir que, si tenemos la informacin de que sali espadas, la probabilidad
de as de espadas es 1/10.
En la caja N 1 hay dos bolitas blancas y 8 verdes. En la caja N 2 hay 4 blancas y
6 verdes. Una persona elige al azar (por ejemplo, tirando una moneda) una de las
cajas y extrae de ella una bolita que resulta ser blanca. Nos comunica el resultado
preguntndonos de qu caja sali la bolita. Qu probabilidad de acertar tene-
mos, si decimos pertenece a la primera caja?
Verde V
Blanca B
5 , 0 ) A ( P
2 N Caja A
5 , 0 ) A ( P
1 N Caja A
2
2
1
1
=
=
=
=
=
=
Sabemos que sali blanca, de manera que hay que determinar:

1
Como verificacin, calculemos:
3 / 2
20 / 6
20 / 4
) B ( P
) B A ( P
) B / A ( P
2
2
= =

=
1
Para calcular la probabilidad de blanca hemos tenido en cuenta que hay 6 blancas sobre un total
de 20; para calcular ) B A ( P
1
consideramos que sobre 20 bolitas haba slo 2 que fuesen, al
mismo tiempo, de la primera caja y blanca.
3 / 1
20 / 6
20 / 2
) B ( P
) B A ( P
) B / A ( P
1
1
= =

=
33
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Obsrvese que, una vez que sabemos que sali blanca, o proviene de la N 1 o de la
N 2, no hay ms casos; por eso:
1 ) B / A ( P ) B / A ( P
2 1
= +
En una bolsa hay 3 papeles rojos y 7 azules. Cul es la probabilidad de que al
extraer dos papeles uno tras otro al azar sin reposicin
2
, el primero sea rojo y el
segundo azul?
Recuerde! Intente resolverlo usted, antes de leer nuestra propuesta. Si no se anima,
le damos un empujoncito.
Llamemos R
1
al suceso rojo en primer lugar y A
2
al suceso azul en segundo lugar.
Tenemos que calcular ). (
2 1
A R P
Ya lo hizo? Quizs, haya despejado en la frmula:
) (
) (
) / (
1
2 1
1 2
R P
A R P
R A P

=
y haya obtenido:
) / ( ). ( ) (
1 2 1 2 1
R A P R P A R P =
La probabilidad de rojo en primer lugar es 3/10. La probabilidad ) / (
1 2
R A P es 7/9
pues, habiendo salido el rojo, quedan 9 papeles de los cuales 7 son azules. En
consecuencia, la respuesta ser 3/10 . 3/10 . 7/9 = 7/30.
Si nos pidiesen la probabilidad de sacar un papel rojo y uno azul, sin especificar el
lugar, tendramos:
3/10 . 7/9 + 7/10 . 3/9 = 14/30
rojo-azul azul-rojo
La misma bolsa del problema anterior (como en las obras de teatro). Si extraemos
un papel, lo reponemos y luego extraemos otro, cul es la probabilidad del par
rojo-azul? Cul es la probabilidad de obtener un papel azul y otro rojo, si extrae-
mos dos papeles juntos?
0,3 . (0,7) = 0,21
3/10 . 7/9 + 7/10 . 3/9 = 7/15
2
Sin reposicin: Despus de cada extraccin, el papel no se repone en la bolsa.
34

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
El teorema de Bayes
Tres mquinas producen, respectivamente 40%, 35% y 25% del total de artculos
en una fbrica, con porcentajes de defectos de produccin de 3%, 4% y 5%, cada
una. Cul es la probabilidad de que, si se selecciona un artculo al azar, ste sea
defectuoso? Si el artculo seleccionado result defectuoso, cul es la probabili-
dad de que haya sido producido por la primera mquina?
Examinemos las caractersticas del problema.
Hay un suceso A: Un artculo seleccionado al azar resulta defectuoso.
Este suceso puede darse solamente acompaado del suceso B
1
, B
2
... B
n
:
Producido por la primera mquina o la segunda o la tercera.
Estas alternativas son excluyentes: El artculo fue producido por una de las
mquinas. A se da con B
1
o (excluyente) con B
2
o...
Adems, B
1
... B
n
completan el espacio: 40% + 35% + 25% = 100%.
Para resolver problemas con estas caractersticas, nos ser til la definicin de proba-
bilidad condicional.
Hagamos el planteo general y, por cuestiones de simplicidad, trabajemos con dos
sucesos B
1
y B
2
.
Podemos escribir, entonces:
) ( ) ( ) ( ) (
) ( ) (
1 B A B A A P
B A B A A
2 1
2 1
+ =
=
Por qu?
Como
) ( ) ( ). / (
) (
) / (
) / (
i i i
i
i
i
B A P B P B A P resulta
B P
B A P
B A P = =
Sustituimos en (1) y obtenemos:
) ( ). / ( ) ( ). / ( ) (
2 2 1 1
B P B A P B P B A P A P + =
Por otra parte:
) (
) (
) / (
A P
B A P
A B P
1
1

=
Si hacemos las sustituciones adecuadas:
) ( ). / ( ) ( ). / (
) ( ). / (
) / (
2 2 1 1
1 1
1
B P B A P B P B A P
B P B A P
A B P
+
=
que es la frmula de Bayes.
Anlogamente, se calcula ) / ( A B P
2
.
35
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La frmula puede generalizarse si A est acompaado de B
1
, B
2
... B
n
. Tendremos,
entonces:
[ ]

=

n
1
h h i i i
B P B A P B P B A P A B P ) ( ). / ( : ) ( ). / ( ) / (
En la caja N 1 hay 2 bolitas blancas y 8 azules. En la caja N 2 hay 6 blancas y 4
azules. En otra parte, se tienen dos papeles con la inscripcin Caja N 1 y un papel
con la inscripcin Caja N 2. Una persona extrae un papel; luego, de la caja cuyo
nmero indica el papel, extrae una bolita. Nos informa que la bolita es blanca. Cul
es la probabilidad de acertar si apostamos a que la bolita sali de la caja N 1?
Examine las caractersticas del problema. Cul es ahora el suceso que, en general,
llamamos A? Cules son los que hemos llamado B
1
y B
2
?
Llamamos C
1
: Extraer un papel que indica Caja 1.
Llamamos C
2
: Extraer un papel que indica Caja 2.
3
1
C P
3
2
C P
2 1
= = ) ( ) (
B: Extraer una bolita blanca.
A: Extraer una bolita azul.
10
6
C B P
10
2
C B P
2 1
= = ) / ( ) / (
Tenemos que calcular ) / ( B C P
1
:
5 2
3 1 10 6 3 2 10 2
3 2 10 2
B C P
1
/
/ . / / . /
/ . /
) / ( =
+
=
Como prueba, hagamos:
5 3
3 1 10 6 3 2 10 2
3 1 10 6
B C P
2
/
/ . / / . /
/ . /
) / ( =
+
=
Obsrvese que, una vez que sabemos que sali blanca, la bolita debe ser de la Caja
N1 o de la Caja N2 (no hay otra alternativa; por lo tanto, la suma de probabilidades
debe dar 1).
Pedimos calcular P (C
1
/A) y P (C
2
/A).
Actividad 4.1.
Resuelva el problema de las mquinas.
36
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Sucesos independientes
Voy a comprar un nmero para esa rifa. Elijo el 025, en una rifa de 1000
nmeros.
No! No elijas se! Es justo el que sali en la jugada anterior. Tens poca
probabilidad de que salga de nuevo.
Hay dos puntos de vista para enfrentar la decisin de jugar o no al nmero que ya
sali.
El que haya salido o no el 025, no influye para su probabilidad de salir en el
nuevo sorteo: se trata de sucesos independientes.
P (025) = 0,001
La persona que piensa que es ms difcil, se coloca al principio de la cadena,
cuando todava no sali 025 por primera vez y, entonces, tiene:
P(025 y 025) =(0,001)
2
Diremos que A es independiente de B, si y slo si:
P(B/A) = P(B)
Presentemos otro ejemplo, ms evidente, de sucesos independientes:
Si preguntamos a nuestros alumnos:
Al tirar un buen dado, cul es la posibilidad de que salga as?
1/6 -contestaron.
Ahora, tiro una moneda y sale cara. Despus tiro el dado. Cul es la proba-
bilidad de que salga as?
Qu tiene que ver? protestaron algunos, indignados sigue siendo 1/6.
Quiere decir que P(B/A) = P(B), lo que es razonable porque A no influye sobre B.
) / ( ) ( cara as P
6
1
as P = =
La independencia de sucesos es simtrica; quiere decir que si A es independiente de
B, entonces B es independiente de A. Podr, el lector, probarlo? Si los sucesos son
independientes, se verifica que:
) ( ). ( ) ( B P A P B A P =
Por qu?
Esta frmula slo puede emplearse si los sucesos son independientes.
37
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La caja N1 contiene 5 bolitas verdes y 4 rojas. La caja N2 contiene 4 verdes, 2
rojas y 6 negras. Sacamos una bolita de la caja N1 y, luego, una de la N2. Cul
es la probabilidad de que la primera sea verde y la segunda roja?
A: Sacar verde de la primera caja.
B: Sacar roja de la segunda caja. A y B son independientes. Por lo tanto:
54 5 12 2 9 5 B P A P B A P / ) / )( / ( ) ( ). ( ) ( = = =
Actividad 4.2.
1. Con los mismos datos del problema anterior, si usted extrae una bo-
lita de la caja N 2 y, luego, otra de la caja N 1, cul es la posibili-
dad de obtener el par ordenado verde-roja?
2. De la caja N 1 (5 verdes, 4 rojas) extraemos una bolita x. La repone-
mos. Luego, extraemos otra bolita. Cul es la probabilidad del par
ordenado verde-roja?
Sea: A: Verde en la primera extraccin.
B: Roja en la segunda extraccin.
La reposicin de la primera bolita hace que A y B sean independientes.
Encomendamos el clculo al lector.
3. De la caja N 1 extraemos una bolita que no reponemos; de la misma
caja extraemos una segunda bolita. Cul es la posibilidad del par
ordenado verde-roja?
Aqu, los sucesos no son independientes. La solucin es: (5/9)(4/8) =
5/18
4. En la misma situacin del ltimo problema, cul es la probabilidad
del par roja-verde?
Conocidas las frmulas de probabilidad compuesta, muchos problemas de la prime-
ra parte pueden encararse sin emplear el clculo combinatorio.
Si disponemos de 4 hombres y 5 mujeres para elegir una comisin de 3, cul es
la probabilidad de que la comisin est formada slo por mujeres?
Deben llenarse 3 lugares; la probabilidad de mujer en primer lugar es 5/9; la proba-
bilidad de mujer en segundo lugar es 4/8; en tercer lugar, es 3/7.
La respuesta ser:

=
3
9
3
5
7
3
8
4
9
5
. .
Con referencia al problema anterior, cul es la probabilidad de que sean elegidos
2 hombres y 1 mujer?
38
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a

=
+ + =
3
9
1
3
2
4
p
7
3
8
4
9
5
7
3
8
5
9
4
7
5
8
3
9
4
p . . . . . .
Hemos observado, en la prctica, que muchos alumnos prefieren esta forma y la usan
con mayor xito que las frmulas combinatorias.
La independencia suele presentar problemas formidables en las investigaciones. El
investigador puede creer que est trabajando con sucesos independientes, cuando
entre ellos existe una relacin oculta. (Por ejemplo: Sabemos que la probabilidad de
un producto defectuoso, para cierta mquina, es de 0,05. Nos preguntamos cul es
la probabilidad de 2 defectuosos en una muestra de 10. Si la aparicin del defectuo-
so no influye sobre la del otro, los sucesos son independientes; pero, puede suceder
que un defectuoso perjudicara a la mquina de modo que aumentara la probabilidad
de un nuevo defectuoso, en cuyo caso los sucesos no seran independientes.)
Una parte importante de la estadstica trata de descubrir dependencias ms o menos
escondidas: Ser independiente la condicin fumador y la de enfermo de pulmn?
Las dificultades para el aprendizaje, son independientes del grupo social?
Apuntes didcticos de Don Joaqun
Es deber del docente no dedicar sus esfuerzos a que los alumnos resuelvan con
absoluta seguridad algunos problemas como si preparsemos animalitos de circo.
Nuestro deber, dira yo, es ms bien plantearles interrogantes, llevndolos poco a
poco a transitar laberintos ms complicados e interesantes. El placer est en el
riesgo y la aventura, no en la seguridad. Un problema resuelto ya no es un proble-
ma. Pero, entindase bien, el problema debe tambin estar al alcance de los alum-
nos: Si esta condicin no se da, si es inalcanzable, tampoco es un problema.
A veces, bastar cambiar la redaccin, el modo de preguntar, para acostumbrarlos
a un esfuerzo que bien vale la pena.
Tambin, a los futuros docentes pagochiquenses que han de sucederme a m (y
tambin al bueno de don Hermenegildo a quien no puedo convencer), les pido
que alienten la solucin de un mismo problema por distintos caminos. Por favor,
no nos atravesemos en medio; no seamos un obstculo para que los ideales de
civilizacin y progreso cultural aniden en Pago Chico.
Suponga usted que A, B y C llegan a resultados coincidentes por el mismo cami-
no. Es posible que sean correctos; pero, debemos revisarlos. Si A, B y C llegan a
resultados iguales por caminos distintos, la posibilidad de acierto es mayor que en
el primer caso. De todos modos, encomendaremos a algunos alumnos la revisin
de mtodos y clculos. Y el maestro? El maestro no debe intervenir demasiado,
sino poco y bien. Puede que A, B y C lleguen a resultados distintos. Seguramente,
no todos los resultados son correctos; pero, puede que todos estn mal. Aprove-
chad esto para dar abundante trabajo a los tribunales inferiores: Aprendern mu-
cho. Aspiro a que, al fin, la Justicia resplandezca.
1
1
A pesar de su estilo barroco, no dejamos de coincidir con las observaciones de don Joaqun
(Aunque, ya conoce el lector nuestra debilidad por l).
39

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Hagamos los problemas dados, de otra forma...
La caja N 1: 5 verdes y 4 rojas; la caja N 2: 4 verdes, 2 rojas y 6 negras. Sacamos
una bolita de la primera caja y, luego, una de la segunda. Cul es la probabilidad
de que se d el par ordenado (verde, roja)?
Calculemos el nmero total de casos: 108 (cada bolita de la primera caja con cada
bolita de la segunda; se trata del cardinal de un producto cartesiano).
Calculemos el nmero de casos favorables: 10 (cada verde de la primera caja con
cada roja de la segunda).
En consecuencia, P (verde, roja) = 10/108.
Coteje el lector con el resultado que ya hemos hallado.
De la caja N 1 extraemos una bolita que no reponemos; de la misma caja, extrae-
mos una segunda bolita. Cul es la probabilidad del par ordenado (verde, roja)?
El nmero total de casos es 72 (cada una de las nueve bolitas de la caja puede formar
par con cada una de las ocho que restan, despus de sacar la primera bolita).
El nmero de casos favorables es 20 (cada una de las 5 verdes de la caja N 1 puede
formar par con cada una de las 4 rojas).
P (verde. roja) = 20/72 = 5/18 (vase el resultado que obtuvimos anteriormente).
Utilidad de los diagramas de rbol
Tenemos una caja N1 con 7 bolitas verdes y 3 blancas; una caja N2 con 4 verdes
y 6 blancas. Extraemos al azar dos bolitas de la caja N1 y las colocamos en la N2.
Luego, de esta ltima caja, sacamos una bolita. Cul es la probabilidad de que
esta bolita sea verde?
Parece difcil porque no hicimos ninguno similar. Por qu no cierra el mdulo e
intenta hacerlo?
Qu puede suceder?

12
4
verde 2
9
2
10
3
blanca blanca
12
5
verde 2
9
7
10
3
verde blanca
12
5
verde 2
9
3
10
7
blanca verde
12
6
verde 2
9
6
10
7
verde verde
) ( .
) ( .
) ( .
) ( .
40

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Las ramas corresponden a sucesos excluyentes; por lo tanto, la probabilidad de
verde en la caja N 2 se obtiene sumando las probabilidades de cada rama del rbol:
12
5
9
2
10
3
12
5
9
7
10
3
12
5
9
3
10
7
12
6
9
6
10
7
. . . . . . . . + + +
Todos entendemos que si de la primera caja sacamos una bolita y, luego, otra sin
reposicin, la probabilidad del suceso verde-verde es (7/10).(6.9). En cambio, cuan-
do extraemos dos bolitas juntas dudamos (por qu no hacer (7/10). (6/9)?). Lo que
caracteriza a la reposicin es que una misma bolita puede extraerse dos veces. Al
extraer las dos juntas, equivale a extraer sin reposicin.
Un poco de historia
Timoteo protesta
Don Joaqun, permtame... Segn usted, la probabilidad de extraer dos ases
de un mazo de 40 cartas al sacar dos cartas, es:
sin reponer o juntas (4/40) . (3/39) = 0,00769
con reposicin (4/40) . (4/40) = 0,01
Has entendido bien.
Lo que no veo es la necesidad de tanta exactitud; los resultados son parecidos.
Los muchachos creyeron que don Joaqun fulminara al atrevido; pero, el maestro
aprovech para contarles una historia...
En el siglo XVII, muy lejos de este pago, en Francia, un caballero, muy jugador el
mozo, observ que las personas que apostaban a obtener un doble seis por lo
menos al tirar 24 veces dos dados, en una larga serie de juegos, tenan prdidas. En
cambio, los que apostaban a obtener por lo menos un seis en 4 tiradas, a la larga
obtenan ganancias.
El caballero razonaba: Al tirar un dado, el nmero de resultados posibles es 6; al tirar
dos dados, ese nmero es 36. Por lo tanto, 4 tiros es a 24 como 6 es a 36 y la
probabilidad debe ser la misma.Pero, sus registros estadsticos decan lo contrario.
No pudiendo resolver el problema, se lo propuso a Pascal (1623-1662), quien lo
resolvi as:
P(al menos un seis en 4 tiros) = 1 -(5/6)
4
= 1 - 0,48225 = 0,51775
(5/6) . (5/6) . (5/6) . (5/6) es la probabilidad de que en 4 tiros no salga el seis
P (al menos doble seis en 24 tiros) = 1 - (35/36)
24
= 1 - 0,50859 = 0,49141
He aqu la razn de lo observado por el caballero: Cuando la probabilidad en un
juego es mayor que 0,5, el juego nos es favorable. En caso contrario, desfavorable.
Aunque los resultados son aproximadamente iguales, uno conduce a la fortuna y otro a la
ruina. De ah que el clculo de probabilidades debe hacerse con la mayor fineza posible.
De paso, observamos que debemos ser prudentes en el uso de la regla de tres.
41
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Mi hermano naci en Clermont, el 19 de junio de 1623. As, desde su infancia, cuan-
do no se le daban buenas razones, l las buscaba por s mismo y, cuando se ocupa-
ba de algo, no lo abandonaba hasta quedar satisfecho (...) Su genio para la geome-
tra fue evidente a los doce aos (...) Mi padre le dio, para sus horas de recreo, los
Elementos de Euclides (...) Participaba en las reuniones semanales que se hacan en
Pars, donde las personas presentaban sus descubrimientos (...) Mi padre estaba muy
contento con los progresos de mi hermano pero no advirti que poda perjudicar su
salud, que comenz a alterarse a los 18 aos. A los 23 aos, habiendo observado las
experiencias de Torricelli, realiz sus ltimos trabajos en las ciencias exactas y natura-
les (...) Desde entonces, su espritu se dedic a los pensamientos e instituciones
religiosas que tanto influyeron en su poca (...) Falleci en 1662. (Vida de Pascal por
su hermana).
Actividad 4.3.
1. Se mezclan 4 billetes falsos y 6 autnticos. Se elige al azar un billete.
Cul es la probabilidad de que sea falso? Se mezclan 4 billetes
falsos y 6 autnticos. Si se eligen dos billetes, cul es la probabili-
dad de que uno sea falso y el otro bueno?
2. De un mazo de 52 cartas (entre ellas 4 ases), se sacan cartas una tras
otra. Cul es la probabilidad de que el primer as aparezca en la
undcima extraccin?
3. En una reunin de 30 personas, cul es la probabilidad de que al
menos dos de ellas cumplan aos el mismo da?
4. Consideremos que la probabilidad de nacimiento de un varn es
0,51 y la de una nia es de 0,49. En un conjunto de familias de dos
hijos: a) Cul es la probabilidad de que una familia elegida al azar
tenga dos varones?b) Al menos un varn?e) Dos hijos varones si
sabemos que ya tiene un varn?
5. Un alumno se ha equivocado en 2 de 5 problemas. Las soluciones
estn en hojas separadas y el profesor las corrige eligindolas al
azar. Cul es la probabilidad de que la ltima hoja revisada corres-
ponda a una solucin incorrecta?
El caso de la laguna
Don Joaqun y don Hermenegildo, a pesar de sus profundas diferencias en materia
de metodologa, eran buenos amigos y en sus ratos libres mantenan largas char-
las sobre problemas matemticos, polticos y sociales. En eso estaban un da, en
la confitera de Crmine, cuando un tipo en la mesa de al lado dijo:
Cuntos peces habr en la laguna?
A los pocos das decidieron hacer un paseo conjunto con sus dos cursos, aunque
don Hermenegildo refunfuaba diciendo que no haba que meter a los alumnos en
estas cosas.
Con gran entusiasmo y cuidado marcaron 400 peces, y los devolvieron vivitos y
coleando a la laguna. Al da siguiente, regresaron, sacaron 200 peces entre los
cuales contaron 23 marcados. Devolvieron la mayora al agua y se quedaron con
algunos para frer y chuparse los dedos.
42
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Mientras el fuego haca su trabajo, don Joaqun pregunt:
Cuntos peces haba en la laguna?
Uno de los muchachos comenz a hacer clculos, empleando una ramita sobre el
cuaderno de la tierra. Por fin, dijo:
Yo s cuntos peces hay.
Qu vas a saber vos?
Hay 3.478.
Efectivamente dijo Joaqun. Conviene que agregues: aproximadamente.
Y cmo lo hiciste?
Pens: Llamemos x al nmero tal de peces de la laguna. Si saco todos, hay
400 marcados. Entonces, me sirve la regla del tres:
200 23
X 400
Regla de tres, corrigi don Hermenegildo.
Yo ya s por qu hay que decir aproximadamente dijo otro.
Porque si, en vez de 23 hubisemos sacado 25, el clculo cambiaba un poco;
pero, siempre anda alrededor de esa cifra.
43
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
5. Estadstica
Valor medio
Suponemos que en una evaluacin se han obtenido las notas siguientes: 6; 8; 5; 5;
5; 4; 2; 8; 4; 1; 2; 2; 6; 6; 7 Cmo calculamos el promedio?
Para calcular el promedio, sumamos y dividimos por 15.
Tambin podramos proceder as:
15
0 10 0 9 2 8 1 7 3 6 3 5 2 4 0 3 3 2 1 1 ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( + + + + + + + + +
O bien: 1 (1/15) + 2 (3/15) + ...+ 10 (0/15)
Obsrvese que 1/15, 3/15, ... son las frecuencias relativas de cada nota.
La varianza y la desviacin
El Sr. J., gobernante de un remoto pas, se jactaba de que el salario medio era de
3000 dlares. El Seor Modulador, de visita por esos lugares observ las extraas
costumbres de sus habitantes: vestan muy mal, coman peor, se guarecan donde
podan y padecan graves enfermedades. Como el seor Modulador es sumamen-
te ingenuo, crey que en ese pas al ahorro, ms que una virtud era una obsesin;
pero, por ms que pregunt, nadie supo sacarlo de su perplejidad. Hasta que
cierto da encontr a un colega Modulador de aquellas regiones que le aclar el
misterio: Suceda que entre un milln de habitantes, la renta se distribua as:
X
Seor J.
Allegados a J.
Resto
Renta
1.800.000.000
1.000.120.000
199.880.000
n
1
999
999.000
Desde entonces, el Sr. Modulador desconfa mucho del valor medio.
No tiene la misma situacin una nacin con salario medio 1000 con valores mximo y
mnimo 1300 y 800, que otra nacin con el mismo valor medio pero con valores
extremos 50 y 10000. En el primer caso, diremos que los valores estn menos disper-
sos que en el segundo.
Debemos estudiar una medida para la desviacin o dispersin de los datos.
44
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Variacin y desvo
Consideramos las notas de tres cursos que, para simplificar supondremos de 3
alumnos cada uno:
Para los tres cursos el valor medio es 6.
La varianza se calcula haciendo el promedio de los cuadrados de los desvos respec-
to del valor medio.As, para el curso A, tendremos:
Para B:
3
8
3
6 4 6 8 6 6
B V
2 2 2
=
+ +
=
) ( ) ( ) (
) (
Para C:
3
56
3
4 36 16
3
6 8 6 0 6 10
C V
2 2 2
=
+ +
=
+ +
=
) ( ) ( ) (
) (
Se llama desvo estndar tpico a la raz cuadrada positiva de la varianza.
32 4 C
63 1 B
0 A
, ) (
, ) (
) (
=
=
=
Las calculadoras de bolsillo suelen tener una parte dedicada a clculos estadsticos.
En general, debemos comenzar por colocar a la calculadora en posicin, para que
pueda ocuparse de cuestiones de estadstica. Esto se logra, en algunas calculado-
ras, mediante una palanquita; en otras apretando INV y luego MODE. En el visor suele
aparecer SD. A continuacin se ingresan los datos. Ejemplo: Para ingresar 3,5,8 se
pulsan las teclas: 3, M+, 5, M+, 8, M+. Si, ahora, pulsamos n aparece un 3 en el visor
(n es el nmero de datos); si apretamos X aparece 5,333 (valor medio); pulsando
aparece 2,054 (desviacin).
A
6-6-6
B
6-8-4
C
10-0-8
45
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Trabajo estadstico
Un profesor de Educacin Fsica registra los tiempos de carrera (400 metros) de
diferentes alumnos, con estos registros en segundos. Cmo hallar el valor medio?
48 67.3 57.1 61,5 56 55.1 61.2 57.8 55.4 58 58.5 51.2
55.7 60.1 53 50.5 60.4 54.2 61.8 49.2 54 59 59 53.9
67.8 64.2 54.5 57.7 61.5 54 61.9 66 55 64.8 58.1 60.7
60.9 56.2 61.6 61.8 58.2 54.1 52.4 55.8 60.3 61.4 67.3 57.4
51.4 57.9 57 57.7 64.8 67.1 65 64.3 52.4 53.4 58 58.3
56.1 66.1 65 59.4 58.2 50.1 59.6 56 51.6 53 65.1 59.8
55 63.6 51.2 61.5 51.7 60.8 58.4 54.1 62.8 57.5 52.1 61.8
58.1 55.8 67 56.9 50.4 66.5 59.7 65.8 52.1 59.5 47.1 56.2
56.8 54.5 53.8 67.2 52.4 52.8 63.5 58.5 53.9 61.8 63.5 50.3
61.8 62.4 52 61.9 61.7 57.6 56 57.5 61.4 56 49.2 53.9
64.7 61.3 56.9 63.5 52.8 63.5 50.9 60.8 55.8 58.1 64.2 57.6
62 55.9 62.8 60.4 53.8 64.6 54.6 61.4 59.2 60.1 55 58.2
59 64.8 66 61.6 53.8 63.2 54.7 55 56 57.8 60.6 59.2
55.1 62.8 53.7 59.8 57.1 58.6 52.7 58.9 55.8 56.5 56.2 56.1
Tantos nmeros nos marean; por esta razn, los agrupamos en:
Tiempo
(segundos)
47-50
50-53
53-56
56-59
59-62
62-65
65-68
N alumnos
(frecuencia)
4
20
35
40
37
20
12
168
Para hallar el valor medio , asignaremos a cada alumno el valor central del intervalo.
As, a los 4 alumnos del primer intervalo les asignaremos 48,5 (en lugar de los valores
registrados 48; 49,2; 47,1 y 49,2).
Tendremos, as:
96 57 X
168
12 5 66 20 5 63 37 5 60 40 5 57 35 5 54 20 5 51 4 5 48
X
,
. , . , . , . , . , . , . ,
=
+ + + + + +
=
En relacin con este agrupamiento en clases, resulta evidente que se pierde parte de
la informacin recogida. A mayor amplitud de los intervalos, ms informacin perde-
mos. Tambin se presentan problemas en los extremos.
A qu intervalo asignan el valor 53? Una solucin puede ser adjudicar cada unidad
que pertenece a un extremo de clase, por mitades, a las clases contiguas. (En nuestro
agrupamiento no hemos empleado este criterio, para simplificar los clculos). A pe-
sar de estos inconvenientes, los agrupamientos son necesarios porque tienen la ven-
taja de presentar, de modo ms claro para el anlisis, el material reunido. La pericia
de los entendidos permite hallar un compromiso aceptable entre claridad y precisin.
Si el lugar X sobre la tabla agrupada, lo hubisemos calculado segn la lista com-
pleta de datos, el resultado hubiera sido . , , 60 4 con 20 58 m = =
El smbolo E (x) = m se reserva para las distribuciones tericas o para el valor medio
de la poblacin. Lo mismo sucede con el desvo
.
X
46
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

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

=

Histogramas
Podemos hacer una representacin grfica de nuestros datos agrupados:
X

54 57 X , =
47
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Tambin podemos representar las frecuencias relativas:
Clase 1: 4/168 = 0,024
Clase 2: 20/168 = 0,12
Clase 3: 35/168 = 0,21
Clase 4: 40/168 = 0,24
Clase 5: 37/168 = 0,22
Clase 6: 20/168 = 0,12
Clase 7: 12/168 = 0,07
Las frecuencias relativas pueden traducirse a porcentaje, multiplicando por 100.
Actividad 5.1.
1. Se ha tomado una muestra de cinco tabletas de chocolate,
obtenindose los siguientes pesos: 18,5 gramos; 19,8; 20,4; 20,1 y
19,7. Hallar el valor medio .
1 n
s desviacin la y X

2. Se ha tomado una muestra de 6 lmparas para registrar su duracin.
Se obtuvieron estos resultados: 1000 horas; 1150; 1220; 1400; 1250;
1320. Averige .
1 n
s y X

Dibuje un ngulo en el pizarrn y proponga que los alumnos estimen su medida en
grados, a ojo. El curso har una estadstica de las distintas respuestas. Se pueden hacer
histogramas. Calcular .
1 n
s y X

Por fin, medir el ngulo y comentar los resultados.
Los Bernoulli
Al comenzar el siglo XVI, Flandes era el centro del comercio y la banca; y, en particu-
lar, el puerto de Amberes que haba despojado a Brujas del predominio financiero.
All vivan los Bemoulli que, en razn de las persecuciones polticas y religiosas, pasa-
ron a Suiza donde la familia desarroll una importante actividad cientfica y, en parti-
cular, matemtica.
A continuacin transcribimos una pgina de Jacobo Bemoulli (1654-1705):
"En virtud de la semejanza de las caras del dado y de la distribucin uniforme del
peso, no hay razn para preferir una de las caras, como sucedera si el peso no
estuviese distribuido igualmente o si las caras tuviesen distinta forma. De la misma
manera, si conocemos el nmero de bolillas blancas y el de bolillas negras de una
caja, podemos calcular probabilidades. Pero, yo pregunto a Usted, quin de los
mortales puede conocer, por ejemplo, el nmero de enfermedades que invaden las
innumerables partes del cuerpo humano a cualquier edad y pueden causar su muer-
te? Quin puede afirmar qu enfermedad puede matar ms fcilmente a un hombre
(la plaga o la hidropesa, la hidropesa o la fiebre) para predecir la vida o la muerte?
48
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Quin puede registrar los innumerables cambios de la atmsfera para predecir lo
que suceder dentro de un mes? Quin conoce suficientemente la admirable estruc-
tura de nuestra mente o nuestro cuerpo, para predecir un ganador en juegos que
dependen de la agudeza del ingenio o de la agilidad del cuerpo? Puesto que tales
cosas dependen del ingenio o de causas ocultas en virtud de la gran variedad de
combinaciones que escapan a nuestros esfuerzos de clculo, sera decididamente
insano intentar un conocimiento de este modo.
Sin embargo, hay otra manera de obtener lo que queremos. Lo que es imposible a
priori puede encontrarse, al menos, a posteriori; es decir, registrando los resultados
de observaciones realizadas muchas veces. Porque, puede suponerse que un hecho
puede ocurrir, en el futuro, tantas veces como haya aparecido en el pasado, bajo
condiciones similares. Por ejemplo, si en el pasado, 300 hombres de la misma edad
y estado general que tiene Tito en este momento fueron investigados y se encontr
que (en el trmino de 10 aos) 200 murieron, podemos pensar que Tito tiene una
probabilidad de 2/3 de pagar, en la prxima dcada, su deuda con la vida. De la
misma manera, se pueden llevar registros sobre el tiempo (bueno, lluvioso, etc.) o
sobre una larga serie de juegos entre dos personas.
Esta manera de determinar razones entre el nmero de casos favorables y el nmero
total de casos no es nueva. Aunque prcticamente todos la conocemos, la demostra-
cin sobre bases cientficas no es de ninguna manera fcil. Todava queda por ver
algo que quiz nadie ha pensado y es determinar si al nmero de observaciones
aumenta la probabilidad de obtener una razn (f:n) genuina o si, por el contrario,
llega un punto en que no es posible mejorar el resultado.
Si al aumentar el nmero de observaciones no puedo mejorar la apreciacin, confie-
so que nuestra tarea es intil. Si sucede lo contrario, sern muchas las aplicaciones y
podremos aplicar la teora con la misma confianza que en los juegos de azar. Por
ejemplo, si en lugar de una caja con bolillas extraemos aire del cuerpo humano que
contiene causas de varias enfermedades como una caja contiene bolillas podremos,
por observaciones repetidas, determinar cundo una enfermedad puede darse con
mayor probabilidad que otra. Con este problema he luchado durante 20 aos.
1
Jacobo Bernoulli jams hubiera tenido xito con uno de esos profesores que dicen:
Al primero que termina le pongo una buena nota.
Miren que tardar 20 aos... Deba ser medio tonto.
1
Uspensky, J. V. Introduction to Mathematical Probability. Mc. Graw-Hill.
49
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Clave de respuestas
1.1.
1. p(oro) =
4
1
40
10
=
2. p (siete) =
10
1
10
4
=
3. p (no copa) =
4
3
10
30
=
4. p (as o siete) =
5
1
10
2
=
5. p (oro o siete) =
40
13
6. 1
7. 0; pues esta carta no existe en el mazo.
1.2. p (A o B) = p (A) + p (B), slo cuando A y B no pueden darse simultneamente;
es decir, cuando A y B son sucesos excluyentes.
p (as o siete) = p (as) + p (siete) =
5
1
10
1
10
1
= +
pues, una carta no puede ser, a la vez, as y siete.
En cambio, en 1.1. no es p (as o siete) = p (oro) + p (siete), pues oro y siete no se
excluyen: una carta puede ser el siete de oro.
1.3. A y B son sucesos excluyentes;
= B A
1.4.
. ) (
6
1
5 P =
Una manera de obtenerla, por el axioma 3, es:
{ } ( ) { } ( ) { } ( )
{ } ( ) 5 P
6
2
6
3
5 P 5 3 2 P 5 3 2 P
+ =
+ = , , , ,
Datos en el diagrama

{ } ( )
6
3
par P
6
1
5 P
=
=
) (
1.5. Podra no ser nica, una funcin que cumpliera con la tabla dada y con los tres
axiomas de probabilidad.
1.6. Est mal aplicado el axioma 3, pues { } { } 4 3 2 y 2 1 , , , no son conjuntos disjuntos.
50

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
2.1.
1. 10.9.8 = 720
2. 9.8.7.6 = 3024
3. 9.9.9.9 = 6521
4. 4 3 3 2. Comenzando con impar, hay 4 elecciones posibles en primera casilla y 3 en
tercera casilla; para la segunda casilla tenemos tres pares y, para la cuarta, dos pares.
Empezando con par, tenemos:
3 (4) (2) (3) En total: 4.3.3.2 + 3.4.2.3 = 144
5. Hay que empezar, forzosamente, por impar:
4 (3) (3) (2) (3) (1) (1) = 144
6. a) 5040
b) 4! 3! 2! = 288
7.
658008
5
40
=

8. a) 8! = 40320
b)
20160
2
8
=
!
!
c)
2.2. a) 1
b) m
2.3. 2)
3.1.
1. 6!
2. 6! / 3! = 120
3. 6! / 2! 2! = 180
3.2.
1. punto medio de
AB
punto medio de
AO
punto medio de
OB
Todos los puntos de RSestn ms cerca de 0, que de A o B.
10
3 2
8
=
! . !
!
51
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
2
1
AB long
RS long
P = =
.
.
2.
,
2000
450
suponiendo que los tramos de la lnea son homogneos.
4.1. Llamando D al suceso Seleccionado un artculo al azar, resulta defectuoso, ser:
) / ( ). ( ) / ( ). ( ) / ( ). ( ) (
3 3 2 2 1 1
M D P M P M D P M P M D P M P D P + + =
(Siendo M
i
el artculo que sale de la mquina i)
385
120
10000
385
100
40
100
3
10000
385
M P M D P
D M P
10000
385
100
5
100
25
100
4
100
35
100
3
100
40
D P
1 1
1
= = =
= + + =
.
) ( ). / (
) / (
. . . ) (
4.2.
1. C: Sacar verde de la caja N2
D: Sacar roja de la caja N1

27
4
9
4
12
4
D P C P D C P = = = . ) ( ). ( ) (
, pues C y D son independientes.
2.
81
20
9
4
9
5
B A P = = . ) (
3. Resuelto en el texto.
4. P (roja o verde) =
18
5
8
5
9
4
= .
4.3.
1.
100
48
bueno uno y falso uno P
10
4
falso P
=
=
) (
) (
2. P (as recin en la 11 extraccin) =
42
4
43
39
50
46
51
47
52
48
. ... . .
3. 1-P (ninguna cumple en el mismo da) =
365
336
365
363
365
364
365
365
1 ... . .
52

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
4. a) 0,51
2
b) 0,51
c) 0,51
2
5.
10
4
5.1.
1. 19,85; 0,90
2. 1223; 138,9
53

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
MDULO 2
55
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En este mdulo se tratan los siguientes temas:
Pruebas repetidas.
Distribucin binomial.
Aproximacin de Poisson.
Desigualdades de Tchbyccheff y Bernoulli.
Empleo de nmeros aleatorios
El tratamiento es circular, procurando repasar las nociones del primer mdulo y am-
plindolas.
As como prcticamente todo el contenido del primer mdulo puede volcarse al aula
en la enseanza media, este segundo mdulo apunta a profundizar temas segura-
mente vistos pero, acaso, olvidados.
El profesor que tiene una visin amplia de la asignatura sabe a dnde debe apuntar
sus objetivos. Es, adems, probable que los temas tratados aparezcan en los conte-
nidos definitivos de las polimodales.
Si algunos temas nos resultan difciles, leamos con detenimiento y sentido crtico: Es
una aptitud que debemos desarrollar en los alumnos. La tarea formativa no debe
consistir en una fbrica de robots calculadores; en esto no podremos nunca sustituir
a Casin, Apple, lBM, Macintosh...
56

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
6. Frmula de Bernoulli
Pruebas repetidas
Pensemos en un experimento aleatorio que puede repetirse, en las mismas condi-
ciones, n veces. Suponemos, adems, que el resultado de cada experimento no
depende de los dems. Por ejemplo, podemos tirar un dado cinco veces y regis-
trar, en cada tirada, si sale o no sale el cuatro. Para facilitar nuestros registros,
escribiremos 1 si sale el cuatro y cero en caso contrario.
Nosotros obtuvimos la secuencia: 00010.
Podramos preguntarnos qu probabilidad tiene nuestra secuencia, antes iniciar
las tiradas. Por qu no cierra el mdulo y lo piensa?
La probabilidad de que:
en la primera tirada, no salga el 4 es 5/6;
en la segunda no salga es 5/6;
no salga en la tercera es 5/6;
aparezca el 4 en la cuarta tirada es 1/6;
no salga en la quinta es 5/6.
Como un resultado no influye sobre el otro, multiplicamos:
( ) ( ) ( ) ( ) ( ) 080 0
6
5
6
1
6
5
6
5
6
5
, =
Puede obtener el mismo resultado como cociente entre el nmero de casos favora-
bles y el nmero total de casos?
Actividad 6.1.
Con relacin al prrafo anterior, calcular la probabilidad de las secuencias:
a. 00000
b. 11111
c. 00101
d. 01001
(1= Sale cuatro 0 = No sale cuatro).
Actividad 6.2.
Calcular la probabilidad de que, al tirar 5 veces el dado, aparezca:
a. Exactamente una vez el cuatro.
b. Exactamente dos veces el cuatro.
57
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En el problema anterior hemos calculado la probabilidad de una secuencia determi-
nada. Planteamos ahora el siguiente problema:
Si tiramos cinco veces el dado, cul es la probabilidad de obtener exactamente un
cuatro? El problema es distinto al pedir una secuencia determinada, por qu?
Hemos visto que la probabilidad de obtener la secuencia 00010 es decir, de obtener
un cuatro en la cuarta tirada y no sacar cuatro en las restantes es (1/6) (5/6)
4
.
La probabilidad de obtener exactamente un cuatro (no importa en qu tirada) ser
5 (1/6) (5/6)
4
, porque el cuatro puede salir en la primera tirada, en la segunda...
Y, cul ser la probabilidad de obtener exactamente dos cuatros en cinco tiros?
Sabemos que la probabilidad de una secuencia cualquiera con dos cuatros (por
ejemplo, 01001) es (1/6)
2
(5/6)
3
.
Hay muchas secuencias que tienen esa misma probabilidad (11000, 01100, 10001...).
Debemos averiguar cuntas secuencias con exactamente dos cuatros hay. Razone-
mos as: Tenemos 5 lugares y debemos elegir dos lugares para ubicar los cuatros.
Es lo mismo que elegir dos lugares entre cinco; el nmero ser
.

2
5
Por lo tanto, la probabilidad de obtener exactamente dos cuatros al tirar 5 veces el
dado ser
.
3 2
6
5
6
1
10

Vale la pena escribir las secuencias que contienen exactamente dos cuatros en 5
tiradas: 11000; 01100; 00110; 10100; 01010; 00101; 10010; 01001; 00011; 10001.Cada
una de ellas tiene probabilidad (1/6)
2
(5/6)
3
.
Nos resultar fcil ahora calcular las probabilidades de obtener: Ningn cuatro;
exactamente un cuatro:
) . ( , , ) / ( ) (
, ) / ( ) / ( ) (
, ) / ( ) / ( ) (
, ) / ( ) / ( ) (
, ) / ( ) / ( ) (
, ) / ( ) (
1 aprox 99998 0 Suma 00013 0 6 1 5 P
00321 0 6 5 6 1
4
5
4 P
03215 0 6 5 6 1
3
5
3 P
16075 0 6 5 6 1
2
5
2 P
40187 0 6 5 6 1 5 1 P
40187 0 6 5 0 P
5
5
4
5
2 3
5
3 2
5
4
5
5
5
= = =
=

=
=

=
=

=
= =
= =
58

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Si tiramos n veces un dado ideal, podremos escribir la siguiente frmula:
h n h
n
6 5 6 1 h P

= ) / ( ) / ( ) (
P
n
(h) significa Probabilidad de que en n tiradas salga exactamente h veces una deter-
minada cara del dado.
En general, si repetimos n veces un experimento aleatorio, de modo tal cada repeti-
cin el suceso A tenga probabilidad constante p, tendremos:
h n h
n
q p
h
n
h P

= ) (
donde q = 1 p
Actividad 6.3.
Tiramos un dado 10 veces. Cul es la probabilidad de obtener exactamen-
te 4 ases?
Actividad 6.4.
En una caja hay tres bolitas blancas, 2 verdes y 5 azules. Extraemos una
bolita al azar y la volvemos a la caja. Hacemos esto 6 veces. Cul es la
probabilidad de sacar exactamente 4 veces blanca?
Actividad 6.5.
Tiramos una moneda 8 veces. Cul es la probabilidad de obtener 3, 4 o
5 caras?
Actividad 6.6.
Tiramos 5 veces una moneda. Cul es la probabilidad de obtener 0, 1, 2,
3, 4, 5 caras?
Si tiramos n veces el dado y nos interesa el suceso Sale as, este suceso puede
aparecer 0 vez, 1 vez.... (n-1) veces. No hay otra alternativa; en consecuencia, la suma
de las probabilidades debe dar 1. Es fcil probarlo. La probabilidad de sacar el as es
1/6 y la contraria es 5/6. Podemos escribir:
n 2 2 n 1 n n n
6 5 6 5 6 1
2
n
6 5 6 1
1
n
6 1 6 5 6 1 ) / ( ... ) / ( ) / ( ) / ( ) / ( ) / ( ) / / ( + +

+ = +

Por qu la suma de todos estos trminos debe dar 1? En general, si p es la proba-
bilidad de un suceso A, en n pruebas repetidas independientes, tendremos:
1 q p
h
n
q p
h h n
n
0 h
n
=

= +

=

) (
59
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La frmula de probabilidad en n pruebas repetidas independientes con probabilidad
constante se denomina frmula de Bernoulli.
Variables aleatorias
Tiramos un dado y observamos si sale o no sale seis. Si sale seis, anotamos 1; si
no sale, registramos 0. Podemos definir la funcin:
Una funcin que, a cada resultado de un experimento aleatorio le asigna nmero real,
es una variable aleatoria. Simbolizaremos las variables aleatorias con X, Y etc. Claro
est que si salir seis nos proporciona una ganancia de $1 y no salir seis una
prdida de $ 0,25 podramos considerar la funcin:
Consideremos, nuevamente, el caso del dado que tiramos 5 veces para observar
cuntas veces sale el cuatro. El espacio muestral, es decir el conjunto de todos los
resultados posibles, est formado por las 5-uplas (35124; 41665...). Pero, como a
nosotros nos interesa solamente el nmero de cuatros, nuestra variable aleatoria X
slo puede tomar los valores 0,1,2,3,4,5, segn el esquema:
35124
1
41665
42446 3, etc.
Podemos definir una funcin que a cada valor de la variable aleatoria le asigne su
probabilidad. En el caso del dado que se tira 5 veces para ver cuntas veces sale el
cuatro tendremos, de acuerdo con los clculos anteriores:
6
1
5
3
2
4
1
0
6
1
5
3
2
4
+1
- 0,25
60
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
P
5
(0) = 0,40187
P
5
(1) = 0,40187
P
5
(2) = 0,16075
P
5
(3) = 0,3215
P
5
(4) = 0,00321
P
5
(5) = 0,00013
Hagamos la grfica:
A esta funcin la llamamos funcin de densidad de probabilidad o funcin proba-
bilidad f (x). En smbolos, f (x) = P (X = x).
Por ejemplo, f (5) es igual a probabilidad de que la variable aleatoria tome el valor 5.
El grfico nos dice que, al tirar 5 veces el dado, es poco probable obtener 3, 4 5
cuatros.
Consideremos el siguiente problema:
En una caja hay 3 bolitas blancas, 2 verdes y 3 azules. Extraemos una bolita al azar
y no la reponemos. Hacemos esto 6 veces. Cul es la probabilidad de sacar
exactamente 3 blancas?
En este caso, no podemos emplear la frmula binomial porque la probabilidad de
blanca no es constante (no hay reposicin).
61
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
7. Funciones de distribucin
Continuamos con el ejemplo que estamos trabajando, para preguntamos:
Cul es la probabilidad de que, al tirar 5 veces un dado, el nmero de cuatros
sea 0,1, 2 o 3 ? Esto equivale a preguntarse: Cul es la probabilidad de que la
variable cumpla la condicin
? 3 X 0
La respuesta es 0,40187 + 0,40187 + 0,16075 + 0,03215.
Podemos, entonces, definir una funcin acumulando las probabilidades. En nuestro
ejemplo, tendremos la siguiente tabla:
X F(x)
0 0,40187
1 0,80374
2 0,96449
3 0,99664
4 0,99985
5 1,00000
Es posible extraer esta funcin para cualquier x real. As, por ejemplo, la probabilidad
de que, al realizar el experimento, la variable aleatoria X (nmero de veces que sale 4)
tome un valor menor que cero es, evidentemente, cero. La probabilidad de que X
tome un valor menor o igual que 8 es 1.
Esta funcin de probabilidad acumulada se llama funcin de
distribucin de la variable aleatoria X. Hagamos la representacin grfica:
No hay que pasar este grfico sin examinarlo con cuidado. Observe, por ejemplo,
que usted no puede sacar menos 2 (-2) veces el cuatro; en consecuencia, la probabi-
lidad es cero y esto sucede desde (-infinito) hasta casi, casi el cero. Pero, usted
puede sacar cero veces el cuatro. De ah el salto que se observa en X = 0. Las
probabilidades de etc., son iguales a la probabilidad de X = 0.
En el punto X = 1, la grfica pega un salto porque se ha acumulado la probabilidad
de 1 a la probabilidad de 0.
Para X = 5 se produce el ltimo salto. Piense que
. ) ( 1 6 X P =
En efecto, al tirar 5
veces un dado, el nmero de cuatros que obtenemos es siempre menor o igual que 6.
) ( ) ( x X P x F =
37 1 X 26 1 X , ,
. ) ( 1 6 X P =
62
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Antes de seguir adelante, tmese un recreo:
Tire 5 veces el dado y repita 100 veces (o tire 100 veces 5 dados). Anote el nmero
de cuatros. Espere un rato; ya le dar mis resultados.
La prueba consiste en tirar una moneda 6 veces y contar el nmero de caras.
Nuestra variable aleatoria X = nmero de caras, puede tomar los valores 0, 1, 2, 3,
4, 5, 6. Pedimos:
a) Completar la tabla con error menor que 0,001.
b) Representar f (x).
c) Representar F (x).
Hay algo que me cuesta comprender. En estas funciones de las que usted habla
hay dos equis, una grande y una chica. Me parece que no se trata de funcio-
nes de dos variables, porque puede representarlas sin dificultad en el papel.
La variable independiente es la x minscula. La X es la variable aleatoria que
sirve como intermediaria para dar valores a la funcin. As, por ejemplo, si tiro 6
veces la moneda para observar el nmero de caras, tendr: f(1) = P (X=1) =
0,094, es decir f(1) ser la probabilidad de que el nmero de caras sea igual a
1. Si entendi, podr decirme cul es el valor de f(7).
Evidentemente, 0; porque, si tiro 6 veces la moneda no pueden salir 7 caras.
Ahora, explqueme el significado de F(x).
Lea bien ) ( ) ( 3 X P x F = . Quiere decir que F(3) es la probabilidad de que el
nmero de caras sea menor o igual a 3.
Est claro! Para hallar F(3), debo sumar las probabilidades de 0, 1, 2, 3 caras.
Cul ser, entonces, F(10)?
F(10) = 1; pues, , ) ( 1 10 X P = ya que si tiro 6 veces la moneda, el nmero de
caras ser ciertamente menor o igual que 10.
Limitaciones
Se ve que estoy algo viejo porque el trabajo del recreo me dej algo preocupa-
do. Mir la tabla que obtuve al tirar 5 dados para observar el suceso 4. Repet
el experimento 100 veces.
X 0 1 2 3 4 5 6
F (x) 0,016 0,094 0,234 0,312 0,234 0,094 0,016
F (x) 0,016 0,110 0,344 0,656 0,890 0,984 1,000
X = Nmero de 4 0 1 2 3 4 5
frecuencia 40 38 15 3 0 0
Hay resultados que parecen encajar y otros no. Un compaero me pas otra
tabla:
63

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Si no entend mal, de acuerdo con los clculos tericos, deberamos haber ob-
tenido: 40, 40, 16, 3...
No olvide usted que hemos hecho los clculos tericos pensando en monedas o
dados ideales.
Ah! Ya veo; yo us un dado de carne y hueso. Mejor dicho, de hueso...
O de cuerno; algo lejos del dado de Platn...
Pero, entonces, no veo para qu pueden servirnos los razonamientos y frmulas
que buen trabajo nos han dado. Aunque, por otra parte, no hay gran discrepan-
cia entre el comportamiento de mi dado y el de Platn.
Por ah anda la cosa...
Mejor, djeme decir lo que pienso...; pero, no se ra. El dado ideal es un mode-
lo, como el pndulo ideal. Aunque slo existe en nuestra mente, permite antici-
par aproximadamente el comportamiento de los pobres dados mortales...
Siempre que esos dados no se alejen demasiado del dado ideal.
Pero, si la discrepancia fuese grande, qu hacer? Adems, cul ser la dis-
crepancia tolerable?
Lo felicito por sus explicaciones. En cuanto a su ltima pregunta: 1) Si la discre-
pancia fuese grande, repetiramos, de ser posible, la experiencia; en caso de
observar nuevamente discrepancias grandes, habra que pensar que el modelo
no sirve para describir el comportamiento de nuestro dado. Si usted se diese
una vuelta por Neptuno y observase que la suma de los ngulos de un tringulo
material es 120 y para otro tringulo de 118, tendra que abandonar el modelo
de Euclides. 2) En cuanto a la discrepancia tolerable, ya tendremos tiempo de
tratarla, ms adelante.
Valor medio para la distribucin binomial
Recordamos cmo se calcula el valor medio para la tabla:
X = Nmero de 4 0 1 2 3 4 5
frecuencia 40 38 15 3 0 0
x
5
6
7
f
10
25
15
(1)
X puede interpretarse como el puntaje obtenido en una prueba; f como frecuencia o
nmero de alumnos con ese puntaje. El valor medio ser:
) ( ,
. . .
) ( A 1 6
50
15 7 25 6 10 5
m x E =
+ +
= =
Si en lugar de frecuencias se dan probabilidades (tabla 2), obtendremos el valor
medio mediante el clculo:
x
0
1
2
f
0,3
0,5
0,2
(2)
64

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
E(x) = 0(0,03) + 1(0,5) + 2(0,02) = 0,9 (B)
La tabla (2) podra interpretarse as: Con referencia a un equipo de ftbol, la probabi-
lidad de ganar es 0,2; la probabilidad de perder es 0,3.
Cada vez que se da una tabla, es conveniente hallar posibles interpretaciones para la
misma.
Obsrvese que (A) y (B) son equivalentes porque (A) podra escribirse:
m = 5(0,2) + 6(0,5) + 7(0,3) = 6,1
Calculemos, ahora, el valor medio para un solo experimento, en el cual observamos
un suceso de probabilidad p.
E(x) = 1p + Oq = p
Para n experimentos independientes, el valor medio ser:
E(x) = np
Si tiramos 180 veces un dado para observar la aparicin del as. Cul ser el
valor medio o esperado?
El valor medio o esperado ser np = 180 (1/6) = 30
Esto significa que, en 180 tiradas del dado, esperamos que el nmero de ases no se
aparte demasiado de 30.
Varianza en la distribucin binomial
Recordemos que para calcular la varianza correspondiente a la tabla 1, procedemos
as:
49 0
50
15 1 6 7 25 1 6 6 10 1 6 5
x V
2 2 2
,
. ) , ( . ) , ( . ) , (
) ( =
+ +
=
O bien:
49 0 3 0 1 6 7 25 0 1 6 6 2 0 1 6 5 x V
2 2 2
, , . ) , ( , . ) , ( , . ) , ( ) ( = + + =
1
0
P
q
(3)
65
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Para la tabla (3) obtendremos:
pq ) p q ( pq q p p q ) x ( V
q ) p 0 ( p ) p 1 ( ) x ( V
2 2
2 2
= + = + =
+ =
Para n pruebas independientes, la varianza ser:
V(x)= npq
Y, en consecuencia:
npq desvo=
Si n = 180 tiradas de un dado para observar as. Cul ser la varianza?
( ) ( )
( ) 5
6
30
desvo
36
900
6
5
6
1
180 x V
= =
= = ) (
Aunque sin pretender una gran precisin, podemos intentar una respuesta a cules
sern las discrepancias admisibles. En 180 tiradas del dado, si el nmero de ases se
encuentra a distancia mayor de 2 desvos del valor medio, pondramos al dado bajo
sospecha. Si se encuentra el resultado a distancia mayor de 3 desvos, la sospecha
sobre la honestidad del dado sera vehemente.
Obtener 41 ases sera sospechoso.
Actividad 7.1.
Se tiene un dado con forma de tetraedro con 3 caras azules y una blanca. Lo
tiramos cinco veces. La variable aleatoria considerada es X = n de azules.
a) Calcular las probabilidades para x = 0, 1, 2, 3, 4, 5.
b) Representar la funcin de probabilidad.
c) Representar la funcin de distribucin.
Actividad 7.2.
Calcular el valor medio, la varianza y el desvo correspondientes al proble-
ma anterior.
(un solo experimento)
66
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Actividad 7.3.
La probabilidad de encontrar un producto defectuoso de cierta marca es
0,05. Cul es la probabilidad de que, al recibir 10 productos de esa mar-
ca, aparezcan:
a) ningn producto defectuoso;
b) ms de un defectuoso.
Actividad 7.4.
Si dos equipos A y B son tericamente equivalentes, cul es la probabili-
dad de que, en una serie de 8 partidos, A gane todos o A gane 7?
Actividad 7.5.
En una caja hay 3 bolitas rojas y 7 azules. Se extrae una bolita y, si resulta
azul, se repone y se agrega otra azul; si sale roja se repone y se agrega otra
roja. Cul es la probabilidad de obtener azul al realizar la tercera extraccin?
67
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
8. Distribucin de Poisson
El nmero e
La experiencia nos dice que pocos recuerdan el caso
n
n
n
1
1
lim

+

y, seducidos por
esa muchacha casquivana (a veces tan certera, a veces tan equivocada) que llama-
mos intuicin, contestan 1.1.1... no puede dar otra cosa que 1.
No es el momento de hacer un tratado de anlisis; pero, la calculadora nos dir que:
70 2
100
1
1 59 2
10
1
1
100 10
, , =

+ =

+
Slo queramos recordar que:
e
n
1
1
n
n
lim
=

+

Y tambin esperamos que usted recuerde las variantes:
1
1
n
n
n
n
n
e
n
1
1
n
1
1
lim lim

+ =

O bien:
k
k
k
n
n
n
n
e
k
n
1
1
n
k
1
lim lim

+ =

Es bueno saber que, si la base tiende a 1 y el exponente tiende a infinito, en el asunto
est metido el nmero e.
No olvide, sin embargo que, si la base tiende a 1 pero el exponente es una constante,
el lmite es 1.
1
n
1
1
k
n
lim
=

+

Serie de Maclaurin
Recordemos tambin el desarrollo en serie de Maclaurin de la funcin
...
! !
+ + + + =
3
x
2
x
x 1 e
3 2
x
68
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En consecuencia:
...
! !
+ + =

3
x
2
x
x 1 e
3 2
x
Distribucin de Poisson
Hasta aqu, hemos resuelto problemas sobre pruebas independientes, empleando la
frmula binomial. Sin embargo, la aplicacin de esta frmula resulta complicada cuan-
do el nmero de pruebas es grande.
Se realizan 1000 pruebas independientes y registramos si aparece o no el suceso A
(p = 0,3) para conocer la probabilidad de que el nmero de veces que se da A est
entre 270 y 420.
Deberamos calcular:
580 420 729 271 730 270
7 0 3 0
420
1000
7 0 3 0
271
1000
7 0 3 0
270
1000
, , ... , , , ,

+ +

Trabajo que hubiera amedrentado al mismo Hrcules. Para enfrentar estos laberintos,
se han abierto distintas vas. Veamos una de ellas...
Sabemos que:
[ ]
h n h
h n h h n h
h n h
q p
h
1 h n 1 n n
h n P
q p
h 1 2 3 1 h n h n
1 2 3 1 n n
q p
h h n
n
h n P
q p
h
n
h n P

+
=


=

=
!
) )...( (
) , (
! . . )... )( (
. . )... (
! )! (
!
) , (
) , (
Dividiendo cada factor por n y compensando:
h
n
h
h n h
p 1
n
np
1 np
h
n
1 h
1
n
2
1
n
1
1
h n P
p 1 np
h
n
1 h
1
n
2
1
n
1
1
h n P

=
) ( ) (
!
...
) , (
) ( ) (
!
...
) , (
69
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Si tomamos lmite para n tendiendo a infinito y llamamos al lmite de np cuando n
tiende a infinito y p tiende a cero, tendremos:

= e
h
h n P
h
!
) , (
En el desarrollo anterior hemos supuesto que cuando n tiende a infinito y p tiende a
cero, el producto np tiende a una constante . Esta suposicin implica restricciones
en el empleo de la frmula. En un problema particular, n puede ser grande pero no
infinito y p no tiende a cero porque p es constante.
De todos modos si n es grande y p pequeo, la aproximacin de Poisson es muy
buena.
En una caja hay 500 bolitas (495 rojas y 5 azules). Cul es la probabilidad de que,
si hacemos 2000 extracciones al azar con reposicin, obtengamos exactamente 3
azules?
La frmula de Bernoulli indica que:
1813 0 99 0 01 0
3
200
p
197 3
, , . , =

=
Aplicando la frmula de Poisson:
1804 0 e
3
2
e
3
P
2 01 0 200 np
2
3 3
3
,
! !
, .
= =

=
= = =

Representacin de la funcin de probabilidad de Poisson
para =2
Un dodecaedro tiene 11 caras blancas y una cara verde. Cul es la probabilidad
de que, al tirarlo 10 veces, salgan exactamente dos verdes?
Frmula de Poisson
70
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Por la binomial:
15579 0
12
11
12
1
2
10
P
8 2
2
, =

=
Empleando Poisson:
( )
1509 0 e
2
6
5
P
6
5
2
1
10
6 5
2
2
,
!
.
/
= =
= =

Observamos que Poisson da una buena aproximacin, aunque ni n es grande ni p

muy pequea.
Ser la funcin de Poisson una autntica funcin de probabilidad?
Esta funcin tiene como dominio el conjunto 0, 1, 2... Quiere decir que la variable
aleatoria puede tomar infinitos valores. La suma de probabilidades debe dar 1.
Tenemos la serie:
1 e e
3 2
1 e
e
3
e
2
e e
3 2
3 2
= =

+ + =
= +

+ +


...
! !
...
! !
Ahora, hallaremos el valor medio de esta variable aleatoria X, segn Poisson. Nos
ayudar la tabla:
Podemos calcular:
np e e
3 2
1 e
e
3
e
2
2 e 1 e 0 X E
3 2
3 2
= = =

+ =
= +

+ + =


...
! !
...
! !
) (
Vemos que el valor medio coincide con el valor esperado de la binomial que es la
madre de Poisson.
X 0 1 2 3 ...
p ...

e

e

e
2
2
!

e
3
3
!
71

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Varianza en la distribucin de Poisson
Dada la tabla:
Calculemos la varianza.
4 0 9 2 4 2 0 9 2 3 3 0 9 2 2 1 0 9 2 1 X V 2
9 2 4 0 4 2 0 3 3 0 2 1 0 1 X E 1
2 2 2 2
, ) , ( , ) , ( , ) , ( , ) , ( ) ( )
, ) , ( ) , ( ) , ( ) , ( ) ( )
+ + + =
= + + + =
Tambin podramos haber hecho:
Para la distribucin de Poisson, tendremos:
El ltimo parntesis es igual a
Entonces:
En consecuencia, la varianza en la distribucin de Poisson es .
En la distribucin de Poisson, el valor medio y la varianza son iguales a = np.
X 1 2 3 4
p 0,1 0,3 0,2 0,4
X
2
1 4 9 16
p 0,1 0,3 0,2 0,4

+ + + + =

+ + =


... ) (
...
! !
) (
3 2 2
3 2
2 2
3
2
2
3
2 1 e X E
3
9
2
4 1 0 e X E
. ) (

+ e 1
= + = =
+ =
2 2 2
2
1 m X E X V
1 X E
) ( ) ( ) (
) ( ) (
2 2 2 2 2
2 2 2 2 2
m X E m m 2 X E X V
m X mE 2 X E m mX 2 X E m X E X V
= + =
+ = + = =
) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
09 1 9 2 5 9 m X E X V
5 9 40 0 16 2 0 9 3 0 4 1 0 1 X E
2 2 2
2
, , , ) ( ) (
, ) , ( ) , ( ) , ( ) , ( ) (
= = =
= + + + =
72
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Durante un ao de 365 das, se han registrado las llegadas de buques al puerto de
Buenos aires, obtenindose la tabla:
La tabla nos dice que hubo 7 das en los cuales llegaron dos buques; hubo 56 de
7 buques por da, 26 das de 10 buques, etc.
Vamos a construir un modelo de Poisson con esos datos.
Como no tenemos el valor de lo estimamos, calculando el valor medio de la tabla.
03 7 X
1 3 7 7 2 1 1 15 2 1 1 0 X
,
) ... ( / ) , ... , , (
=
+ + + + + + + + + =
Construiremos la tabla de frecuencias esperadas, segn el modelo de Poisson, to-
mando = 7,03.

= e
X
X
P
!
Modelo
Poisson
X
Frecuencias
esperadas
P x 365
0
1
2
3
4
5
6
7
8
0,0008
0,0062
0,0218
0,0512
0,0900
0,1266
0,1484
0,1490
0,1309
0,323
2,271
7,981
18,703
32,871
46,217
54,150
54,383
47,789

= e
X
X
P
!
Modelo
Poisson
X
Frecuencias
esperadas
P x 365
9
10
11
12
13
14
15
16
17
0,1023
0,0719
0,0459
0,0269
0,0146
0,0073
0,0034
0,0015
0,0006
0,9993
37,328
26,242
16,771
9,825
5,313
2,668
1,250
0,549
0,227
364,858
Observemos que las tablas de frecuencias esperadas y observadas concuerdan bas-
tante (la nica diferencia algo pronunciada se da para X = 6). El modelo de Poisson
parece ser adecuado. Se trata de una tabla con n bastante grande y p pequea; en
efecto:
= np 7,03 = 365 p p = 0,02
Un estudio como el anterior tiene consecuencias prcticas; puede emplearse para
disear servicios y analizar costos de operacin.
X= N de buques
por da
N de das
0
1
2
3
4
5
6
7
1
2
7
18
32
44
61
56
X= N de buques
por da
N de das
8
9
10
11
12
13
14
15
45
34
28
15
11
7
3
1
73
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Supongamos que las autoridades estiman que, debido a fluctuaciones del comer-
cio, se espera un incremento del 15% en la llegada de buques. Parece razonable
afirmar que el proceso seguir aproximadamente el modelo de Poisson. Si el ao
anterior llegaron 2567 buques, esperamos 2952 para el prximo ao. Si usted
calcula, obtendr = 8,09. Cul es el porcentaje de aumento de ?
Como nos han informado que el puerto tiene dificultades para operar encima de 12
llegadas diarias, nos interesan los valores superiores a 12.
24 , 24
86 , 0 365 . 0023 , 0 0023 , 0 P
80 , 1 365 . 0049 , 0 0049 , 0 P
56 , 3 365 . 098 , 0 0098 , 0 e
! 15
09 , 8
P
60 , 6 365 . 018 , 0 018 , 0 e
! 14
09 , 8
P
42 , 11 365 . 031 , 0 031 , 0
! 13
09 , 8
P
17
16
09 , 8
15
15
09 , 8
14
14
13
13
= =
= =
= = =
= = =
= = =

Quiere decir que, en alrededor de 24 das, tendremos dificultades operativas. El ao

anterior se presentaron solamente 9 das difciles. Es interesante observar que un incre-
mento de las llegadas del 15% produjo un crecimiento de los inconvenientes del 167%.
Seor Modulador, tanto le decimos a los alumnos que no respondan 6,5 bote-
llas o 3,4 obreros y ahora me sale con 6,60 buques a puerto.
En la Estadstica esto es necesario. No olvide que estamos trabajando con un
modelo. Lo que usted ensea a sus alumnos es otra cosa: Ellos no pueden
responder: para transportar 300 toneladas de trigo necesito 21,4 camiones.
Este tema me result muy interesante pero... es evidente que, sin el conocimien-
to de la nocin de lmite y el nmero e, no podramos encararlo.
Paso a paso, podramos arreglrnoslas con una tabla de nmeros aleatorios.
Nmeros aleatorios
Si colocamos en un bolillero diez bolillas numeradas de 0 al 9 y las extraemos con
reposicin, anotando los nmeros obtenidos, tendremos una sucesin de nmeros
aleatorios:
8, 4, 2, 0, 8, 0, 6, 0, 5, 2, 5, 7...
Pero este procedimiento es poco prctico. Podramos idear una frmula que permi-
tiese generar nmeros aleatorios; por ejemplo, partir de las cifras de
5
que da una
calculadora y extraer las sucesivas races cuadradas:
2236068 14953488 12228445 1105823 ....
Vemos que aparecen demasiados unos. Adems, en pocos pasos llegaremos a
1,00000... por qu?
74
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Por qu nos importa que aparezcan muchos unos? En una tabla de nmeros aleatorios,
a la larga, debe aparecer aproximadamente cada dgito el mismo nmero de veces.
Uno de los primeros algoritmos sugeridos para obtener nmeros aleatorios fue el
siguiente: Tomar un nmero de cuatro cifras, elevarlo al cuadrado y quedarse con las
cuatro cifras interiores. Luego, repetir la operacin. Partiendo del nmero semilla
8237 obtenemos:
8237 8481 9273 9885 7132 8654 8917 5128 2693 7793
7308 4068 5486 0961 9235 2852 1339 7929 8690 5161
6359 4368 0794 6304 7404
Esta tabla tiene apenas 100 nmeros; de todos modos la sometemos a prueba:
Dgito 0 1 2 3 4 5 6 7 8 9
Frecuencia 7 8 9 12 9 8 10 10 14 13
El resultado es relativamente bueno; pero, la prueba no es suficientemente larga:
Debe tener dgitos en cantidades aproximadamente iguales.
Advertimos que el mtodo depende de la eleccin del nmero semilla; hay nmeros
sencillos que rpidamente conducen a una repeticin de los nmeros. Las calculado-
ras de bolsillo permiten obtener nmeros aleatorios para lo cual emplean frmulas
complicadas. Se entiende que los nmeros obtenidos mediante frmulas son nme-
ros seudoaleatorios, en el sentido de que quien dispusiese de la frmula podra anti-
cipar los resultados.
Clculo de integrales mediante nmeros aleatorios
Vamos a calcular el rea de la regin encerrada por la grfica
2
x
2
e x f

= ) (
con el eje
x en el intervalo [0,1].
X
2
x
2
e x f

= ) (
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,9987
0,9950
0,9888
0,9801
0,9692
0,9560
0,9406
0,9231
0,9037
0,8825
X
2
x
2
e x f

= ) (
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
0,95
1
0,8596
0,8352
0,8096
0,7827
0,7548
0,7261
0,6968
0,6670
0,6368
0,6065
75
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Qu hicimos? Analizamos si nuestros tiros pegaron en la zona punteada. Las cru-
ces indican impactos.
El rea estimada es
85 0
20
17
, =
El resultado mejorara si, en lugar de 20 tiros (subintervalos de longitud 0,05), hubi-
semos hecho 100 tiros (subintervalos de longitud 0,01). Esto puede hacerse fcil-
mente con el auxilio de una computadora.
El nmero aleatorio de Champernowne
1
En la dcada del 30, Champernowne propuso el siguiente nmero aleatorio 0 1 2 3 4
5 6 7 8 9 10 11 12 13 14 15 16 17 18... Como vemos, basta escribir la sucesin de
nmeros naturales; esta sucesin, si bien al principio se desva de un comportamien-
to normal (hay nmeros que aparecen con mayor frecuencia), luego, si se consideran
muchas cifras, registra un comportamiento aleatorio muy bueno.
Los nmeros aleatorios como los que se obtienen mediante un programa o el nme-
ro aleatorio que acabamos de ver son aleatorios en sentido amplio; no podran ser
empleados en un juego, porque alguien podra descubrir la forma de generarlos, y
para l seran previsibles y no aleatorios.
Integremos contenidos a travs de estos problemas:
En una caja hay 19 bolitas blancas y una azul. Se hacen 10 extracciones con
reposicin. Cul es la probabilidad de obtener, exactamente, 2 azules?
a. Emplear la frmula binomial,
b. Aplicar la distribucin de Poisson.
Cmo vamos a calcular el integral? Tirando al blanco, a lo loco, sin hacer puntera
pero con la suficiente para no salirnos de la zona 1 x 1. Para tirar, empleamos una
tabla de nmeros aleatorios o una tecla RAN.
Tenemos a:
5295
5443
4073
1750
1526
3806
1971
8951
1024
4729
x
x
x
x
x
x
x
x
x
x
0969
6088
1373
5124
4071
3728
3354
6991
8340
9362
x
x
x
x
x
x
x
No
No
No
1
Investigacin y Ciencia; enero 1980.
76
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a

0758 0 e
2
5 0
e
2
P 5 0
20
1
10 np b
0746 0
20
19
20
1
2
10
a
5 0
2 2
2
8 2
,
!
,
!
. . .
, .
,
= =

= = = =
=

Se observa que, aunque n=10 no es muy grande, la aproximacin es buena (La
probabilidad de azul es pequea).
Si tiramos un dado 12 veces, cul es la probabilidad de obtener, exactamente,
tres ases?
a. Emplear la frmula binomial,
b. Aplicar la distribucin de Poisson.
1804 0 e
3
2
P 2
6
1
12 np b
1974 0
6
5
6
1
3
12
a
2
3
3
9 3
, . .
, .
= = = = =
=

En este caso, los resultados difieren bastante; no es aconsejable emplear la distribu-

cin de Poisson cuando p es grande.
Un peridico se imprime en forma automtica. La probabilidad de que una palabra
aparezca con defectos de impresin es 0,0001. Cada edicin tiene 30000 pala-
bras. Cul es la probabilidad de que en una edicin aparezcan ms de cuatro
palabras con defectos de impresin?
185 0 815 0 1 4 X P
815 0
24
81
6
27
2
9
3 1 e P P P P P
3 10 30000 np
3
4 3 2 1 0
4
, , ) (
,
.
= = >
=

+ + + + = + + + +
= = =

El 2% de las piezas producidas por una fbrica es defectuoso. Si examinamos una

muestra de 150 piezas, cul es la probabilidad de que:
a. Ninguna pieza sea defectuosa?
b. 2 sean defectuosas?
c. Ms de 3 sean defectuosas?
77
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
3526 0 4482 0 1494 0 0498 0 1 3 X P
2241 0 e
3
3
P
2241 0 e
2
3
P
1494 0 e 3 P
0498 0 e P
3 150 02 0 np
3
3
3
3
2
2
3
1
3
0
, ) , , , ( ) (
,
!
,
,
,
) ( ,
= + + = >
= =
= =
= =
= =
= = =

No nos cansaremos de repetir que una buena estrategia de enseanza implica no

cerrar captulos y abandonarlos: Ya pas el clculo combinatorio, ya pas la nocin de
independencia de sucesos...
Por estas razones, proponemos resolver:
Actividad 8.1.
Entre 10 abogados y 7 ingenieros debemos elegir una comisin de 4 abo-
gados y 3 ingenieros. Cuntas son las elecciones posibles?
Actividad 8.2.
Entre los 10 abogados del problema anterior hay 6 cuyos apellidos co-
mienzan en vocal; y, de los 8 ingenieros, hay 5 cuyos apellidos comienzan
en vocal. Cul es la probabilidad de que la comisin de 4 abogados y 3
ingenieros est formada slo por personas cuyos apellidos comienzan en
vocal, si la eleccin es al azar?
Actividad 8.3.
Entre 8 libros, hay 3 repetidos. Cul es la probabilidad de que, si elegimos
de entre los 8, cuatro al azar; no haya repetidos?
Actividad 8.4.
En una compaa estn vacantes los cargos de gerente general, gerente de
exportacin y gerente de comercializacin. De entre 20 personas cul es
el nmero de elecciones posibles, si una persona no puede detentar ms
de un cargo?
78

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Actividad 8.5.
En una caja ponemos 2 bolitas verdes y 4 amarillas. Extraemos una bolita y,
luego, la reponemos. Hacemos lo mismo tres veces. Sea X = nmero de
amarillas, la variable aleatoria. Representar la funcin de probabilidad y la
funcin de distribucin.
Actividad 8.6.
Un tenista A ha vencido 9 veces a B en 10 partidos. Cul es la probabili-
dad de que esto haya sucedido por pura casualidad?
79
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
9. Funciones de distribucin
Funciones de distribucin discretas y continuas
Hasta ahora hemos considerado variables aleatorias que toman un nmero finito de
valores. Por ejemplo, si tiramos 5 veces una moneda el nmero x de caras puede ser
0, 1, 2, 3, 4, 5. La funcin de probabilidad es discreta y la funcin de distribucin
presenta saltos, segn hemos visto:
Consideremos un experimento algo distinto. Tiramos una moneda hasta que salga
cara. Anotamos, entonces, el nmero de tirada que corresponde a la salida de la
primera cara. En este caso, la variable x puede tomar los valores 1,2,3,4... Aunque
sea muy improbable, la primera cara podra salir en la tirada n 20 o en la n 1000...
Por ejemplo, la probabilidad de que salga la primera cara en el quinto tiro es:
32
1
2
1
5
=

Aunque, en este caso, el dominio de la funcin de probabilidad es infinito, la funcin

es discreta porque no puede tomar valores intermedios como
. , , etc
3
2
2
1
80
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Nos gustara comprobar que la suma de probabilidades es 1. Tenemos
... + + + +
16
1
8
1
4
1
2
1
Se acuerda de las series geomtricas? La suma parcial ensima corresponde a la suma
de n trminos de una progresin geomtrica.
q 1
q 1
a S
n
1 n

=
En este caso:
2
1
1
2
1
1
2
1
S
n
n

=
Para tener la suma de la serie, calculamos:
1
5 0
5 0 1
2
1
S
n
n
=

=
,
,
Por lo tanto, la suma de probabilidades es 1.
En las funciones de distribuciones discretas se produce un salto cada vez que se
acumula una probabilidad. Estas funciones son siempre continuas a la derecha y
discontinuas a la izquierda, en todo punto en el cual la probabilidad es distinta de cero.
Existen funciones de probabilidad continuas; por ejemplo, el porcentaje de CO
2
pre-
sente en la atmsfera puede considerarse como una variable aleatoria que puede
tomar todos los valores reales dentro de un cierto intervalo.
Consideramos la funcin de probabilidad
) (
. ) (
2
x 1
1 1
x f
+
=
definida en todo
el eje real.
En relacin con estas funciones de probabilidad continuas, se presentan varios
interrogantes interesantes:
Cmo saber si la suma de las probabilidades es 1?
Recordemos la definicin de funcin de distribucin: ) ( ) ( x X P x F =
81
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En nuestro ejemplo, F (2) es la probabilidad de que la variable aleatoria X tome
cualquier valor comprendido entre ; 2 y en este caso continuo, la suma es aho-
ra una integral:
85 0
2
1
107 1
1
arctg
1
2 arctg
1
x arctg
1
dx
x 1
1 1
dx x f 2 F
2
2
2 2
, , . ) (
) ( ) (
|
=

=
=

=
+
= =



La calculadora debe colocarse en RADIANES. El lector puede comprobar que f (x)
cumple la condicin

= 1 x f ) (
En las funciones de probabilidad continuas, la probabilidad de x = a es igual a cero.
Por esta razn, las preguntas ms frecuentes son del tipo: Cul es la probabilidad de
que x est comprendida entre 1 y 2,8?
Seor Modulador, pongo a prueba mis conocimientos. He entendido que, en el
caso continuo, f (x) debe ser la derivada de F (x).
Parece cierto.
No entiendo cmo la probabilidad de una funcin de un punto dado sea igual a
cero.
Compare los grficos de una funcin discreta y una continua.
.................................................................................................................
En el caso discreto, observo que cada vez que aparece un punto con cierta
probabilidad, la funcin de distribucin pega un salto. Si, en el caso continuo,
un punto tuviese probabilidad distinta de cero, la funcin de distribucin saltara
y... no habra continuidad.
Me asombra que, con mis pobres explicaciones, haya comprendido tanto.
No se admire, lo que no comprendo es cmo, si sumo probabilidades iguales a
cero puedo llegar al ansiado 1.
Estimado, obispo Berkeley, el problema que presenta es el de la integral, o el
del Aquiles y la tortuga, el problema del lmite.
.................................................................................................................
Debo repasar mi anlisis; pero, quiero preguntar: Cmo definimos la funcin
de distribucin en el caso continuo?
Si f (x) es la funcin de probabilidad de una variable aleatoria X, su funcin de distri-
bucin es:
dt t f x X P x F
x

= = ) ( ) ( ) (
82


C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Esperanza matemtica y varianza para distribuciones continuas
Para funciones continuas, definimos:

=
= =
dx x f m x x D
dx x f x x E dx x xf x E
2 2
2 2
) ( ) ( ) (
) ( ) ( ) ( ) (
La duracin, en horas, de las lmparas fabricadas por una empresa es una variable
aleatoria cuya funcin de densidad de probabilidad es
3000 1000 Si .
x
1500
) x ( f
2
=
,
siendo f(x) = 0 para x no perteneciente a ese intervalo, calcular la probabilidad de que:
a. una lmpara tomada al azar tenga una duracin comprendida entre 1200 y
1400 horas;
b. una lmpara tomada al azar dure no menos de 2000 horas.
c. Calcular la duracin media.
18 0 25 1 07 1
x
1500
dx
x
1500
1400 X 1200 P a
1400
1200
1400
1200
2
, , , ) ( . = + = = =

25 0 75 0 5 0
x
1500
dx
x
1500
2000 P b
3000
2000
3000
2000
2
, , , ) ( . = + = = =

1648 dx
x
1500
dx
x
1500
x dx x xf X E c
3000
1000
2
3000
1000
= = =

+

. ) ( ) ( .
83
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Con relacin al problema anterior... Seguramente, lo tom de la propaganda de
las lmparas Penunbrillo. Mire el folleto. No es hermoso? Aqu dice: No se
engae, seor; nosotros lo engaamos mejor.
Cosas de la propaganda, usted sabe... El caso es que, he comprado... la seo-
rita que haca la propaganda por TV de las Penumbrillo era tan... Dnde
estbamos?
Me deca que haba comprado...
5 lmparas de esa marca y duraron menos de 1 300 horas cada una.
Vaya a saber cmo registr la duracin.
De eso se encarg el abuelo que es inventor y muy minucioso; por ese lado,
estoy seguro. Bueno, habr tenido mala suerte. Hablemos de otra cosa.
No; ahora que la cosa se est poniendo interesante...
Y, qu podemos hacer?
Vamos a medir su mala suerte.
Mire que es gracioso, seor Modulador.
Manos a la obra... Calcule la probabilidad de que la lmpara dure menos de
1300 horas, segn las afirmaciones de la empresa.

35 , 0 5 , 1 15 , 1
x
1500
dx
x
1500
1300
1000
1300
1000
2
= + =

=
. Cre que era menos; entonces,
no es difcil que una lmpara dure menos de 1300 horas. No pensemos ms.
Pero, usted me dijo que esto haba sucedido con 5 lmparas. Puede calcular la
probabilidad de lo que le pas a usted con su adquisicin? Si no puede hacer-
lo, la verdad que no s para qu hace el curso.
No me agravie porque, a quin deberamos echarle la culpa? Pero, bien que
s responder. Si, para una lmpara la probabilidad de menos de 1300 horas de
vida es 0,35; para 5 lmparas (es evidente que la duracin de una no influye
sobre la otra) es 0,35
5
= 0,00525
Su mala suerte parece increble; porque, la probabilidad de que cinco lmparas
hayan estado por debajo de 1300 horas es muy baja. Ms bien, habra que
pensar que las afirmaciones de la publicidad de Penumbrillo son falsas.
Para empezar, les escribir una carta no muy cordial. Pero, ahora, me gustara
calcular la varianza en el problema de las lmparas.
283500
x
1648
x In 3296 x 1500 dx
x
1648
x
3296
1 1500
dx
x
1500
1648 x dx x f m x X V
3000
1000
2 3000
1000
2
2
3000
1000
2
2
3000
1000
2
=

+ =
= = =

) ( ) ( ) ( ) (
El desvo es
. 532 283500 = =
84
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Teorema de Tchbyccheff
Sea X una variable aleatoria con valor medio m y desviacin .
Entonces:
(k es un nmero positivo arbitrario.)
Leamos con cuidado. Sabemos que k | m X | implica:
Entonces + > < > k m X k m X implica k m X | |
El teorema se refiere a la probabilidad de que la variable aleatoria X tome valores en
la zona oscura, alejados del valor medio.
Si X tiene una distribucin continua, podemos escribir:
dx x f m x
2 2
) ( ) (

=
Como slo nos interesa la zona oscura:
dx x f m X dx x f m x
k m
2
k m
2 2
) ( ) ( ) ( ) (


+


+ >
Adems, en esa zona se verifica que
2 2 2
k ) m X ( a e equivalent k | m X | >
En consecuencia:

+ >


+


dx x f dx x f k
k m
k m
2 2 2
) ( ) (
2
k
1
k m X P ) | (| >
) : ( + k X x k m decir es k m X k
85

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

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

=
Empleando la hiptesis : , | | resulta k m x >
1 dx x f pero x f k dx x f k
2 2 2 2 2 2
= > >

) ( ) ( ) (
por ser f(x) una funcin de probabilidad.
) ( 1 k si absurdo k
2 2 2
> >
Dnde est el error?
86

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Teorema de Bernoulli
Si efectuamos n pruebas repetidas independientes, en las cuales la probabilidad p de
un suceso A es constante, podemos tomar como variable aleatoria X la frecuencia
relativa f/n (Por ejemplo, si tiramos una moneda y salen 40 caras, la frecuencia relativa
es 40/87).
Recordemos que E (f) = np y que, por lo tanto,
p
n
f
E =

Por otra parte, la varianza V (f) = npq

Se puede probar que
n
pq
n f V = ) / (
La desigualdad de Tchebyccheff afirma que
2
k / 1 ) k | m x (| P <
En particular, para X = f/n, tenemos:
2
k
1
n
pq
k p
n
f
P <

>
Si hacemos
: tendremos ,
n
pq
k <
2 2
n 4
1
n
pq
p
n
f
P

<

>
fcil probar que . / 4 1 pq
En el idioma habitual, el teorema dice que:
La probabilidad de que la frecuencia relativa difiera considerablemente de la probabi-
lidad es muy pequea, cuando el nmero n de pruebas es grande.
Este resultado responde al problema que tanto preocup a nuestro colaborador
Bernoulli y del que hablamos en el primer mdulo.
A Jacobo Bernoulli la prueba le result ms difcil, porque no dispona de la desigual-
dad de Tchebyccheff. Y, cmo no se le ocurri a Bernoulli la desigualdad? Es muy
fcil comentar el partido despus de jugado. Hacemos ver esto a nuestros alumnos?
Les hacemos comprender que los problemas son interesantes y que el premio est
en la bsqueda? Que todos podemos intentar resolverlos...
La prueba de Bernoulli fue publicada en 1713, despus de su muerte, en su obra Ars
Conjectandi.
87

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Actividad 9.1.
1. Encuentre ejemplos de sucesos excluyentes o incompatibles. Busque
contraejemplos.
2. Es siempre verdadera la igualdad Puede dar un contraejemplo?
3. Cmo explicara la probabilidad condicional e independencia de sucesos?
4. Tiramos una moneda cinco veces:
a. Cul es la probabilidad de obtener 3 caras y 2 cruces?
b. Cul es la probabilidad de obtener al menos una cara?
c. Cul es la probabilidad de obtener 3 caras y 2 cruces, si sabemos
que sali cruz en el primer tiro?
Actividad 9.2.
De entre cuatro chinos y seis nigerianos, debemos elegir una comisin de 3
personas. Cul es la probabilidad de que la comisin est formada por dos
chinos y un nigeriano? Resolver el problema de dos maneras diferentes.
Vamos a tirar una moneda con certificado de buena conducta. Si, al llegar al quinto
tiro o antes, obtenemos tres caras, ganamos. Ya hemos hecho un tiro y ha salido
cara. Cul es la probabilidad de que ganemos?
En el diagrama, los nmeros indican cuntas caras tenemos:
La probabilidad de llegar a 3 (Gano!) es:
16
11
8
1
16
1
16
1
16
1
8
1
4
1
= + + + + +
Haga el mismo problema empleando la frmula binomial
88


C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La distribucin de Poisson y el flujo de sucesos
Consideremos un conmutador telefnico al que pueden llegar o no llamadas en un
instante dado. A partir de un cierto instante inicial, comenzamos a contar las llama-
das. Nos interesara obtener una funcin que nos diera la probabilidad de un nme-
ro k de llamadas en funcin del tiempo.
Como hacemos siempre, haremos ciertas simplificaciones para poder abordar el pro-
blema.
Supondremos que la probabilidad de una llamada exactamente en el lapso t es
igual a (t) donde es constante. (sta es una simplificacin porque podra ser
variable). Por otra parte, como t se supone pequeo, la probabilidad de ms de una
llamada puede despreciarse. Designaremos con P
0
(t) a la funcin que da la probabi-
lidad de que no haya llamadas al llegarse a un instante t (a partir del inicial).
Por lo tanto, P
0
(t + t) es la probabilidad de que no haya llamadas hasta el instante
(t + t). Podemos escribir:
) ( ) )( ( ) ( 1 t 1 t P t t P
0 0
= +
Para que no haya llamadas hasta el instante t + t, no deben haberse producido
llamadas hasta el instante t y tampoco debe haber llamadas entre t y t + t. Debe-
mos multiplicar las probabilidades de estos sucesos como hicimos en (1), porque
suponemos que esos sucesos son independientes.
A partir de (1), podemos escribir:
Si hacemos que t tienda a cero, en el primer miembro tenemos la derivada:
Nos ha nacido una ecuacin diferencial como sucede en los cursos de Fsica o de
Qumica. Obsrvese la diferencia con lo que suele suceder en muchos cursos de
matemtica: Resuelva, efecte, realice, calcule...
Integramos:
) (
) ( ) (
t P
t
t P t t P
0
0 0
=

+
89
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Tenemos que determinar la constante C. Sabemos que P
0
(0)= 1 porque la probabili-
dad de 0 llamadas para t = 0 debe ser 1. Esto se cumple si C = 0. Por lo tanto:
t
0
e t P

= ) ( .
Obsrvese que esta frmula es muy aceptable porque, como todas las frmulas ha-
bla, y nos dice que, a medida que pasa el tiempo, la probabilidad de que no haya
llamadas tiende a cero.
Tratemos de determinar P
1
(t)
) ( ) ( ) )( ( ) ( t t P t 1 t P t t P
0 1 1
+ = +
Qu nos dice esta desigualdad? Puede suceder que hasta t haya una llamada y no
haya llamadas entre t t y t + ; pero, tambin puede darse el caso de que hasta t
no haya llamadas y aparezca una entre . t t y t +
Tomando lmite para
t
tendiendo a cero, nos queda:
Donde sustituimos
La ecuacin es del tipo:
La solucin de (*) es (Pruebe si es solucin, sustituyendo). Un
anlisis anlogo lleva a los siguientes resultados:
Una experiencia de Rutherford y Geiger
En muchas cuestiones de la Fsica se dan excelentes condiciones para la aplicacin
del clculo de probabilidades, porque el nmero de partculas es muy grande.
Rutherford y Geiger observaron el nmero de partculas alfa desprendido de una
sustancia radioactiva en intervalos de 7,5 segundos. Hicieron 2608 observaciones
independientes y obtuvieron la tabla:
+ =

+
) ( ) (
) ( ) (
t P t P
t
t P t t P
0 1
1 1
(*)
) (
) (
t
1
1
e t P
dt
t dP

= +
t
0
e t P

= ) (
) ( ) ( x Q x yP
dx
dy
= +
t
1
e t t P

= ) ( ) (
t
3
3
t
2
2
e
3
t
t P e
2
t
t P


=

=
!
) (
) (
!
) (
) (
t
n
n
e
n
t
t P

=
!
) (
) (
90

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La tabla nos dice que, por ejemplo, hubo 525 perodos donde se observ la emisin
de 3 partculas alfa.
Pedimos al lector, como ejercicio, que:
1. Obtenga el valor medio (de la tabla) para estimar .
2. Emplee ese para calcular las frecuencias esperadas, segn el modelo de
Poisson.
Observar un buen acuerdo entre las frecuencias esperadas y las observadas.
Haremos una parte:
87 3 X , = partculas cada 7,5 segundos.
Para calcular las frecuencias esperadas, empleamos:
t
h
h
e
h
t
P

=
!
) (
Por ejemplo:
1509 0 e
5
87 3
P
87 3
5
5
,
!
) , (
,
= =

La frecuencia esperada es 0,1509 x 2608 = 393,54
20 29 esperada Frecuencia 0112 0 e
9
87 3
P
87 3
9
9
, ,
!
) , (
,
= = =

N de perodos
observados
X = N de partculas
emitidas
57
203
383
525
532
408
273
139
45
27
10
4
2
0
1
2
3
4
5
6
7
8
9
10
11
12
91

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Actividad 9.3.
Dada la funcin:
0 2 si 0
2 x 0 si
8
x 3
0 x si 0
) x ( f
2

<
<
=
Probar que cumple la condicin de las funciones de probabilidad:

= 1 dx x f ) (
Calcular E(x) y Var(x)
Actividad 9.4.
Aplicar el teorema de Tchebyccheff para estimar la probabilidad de que, al
tirar 120 veces un dado, el nmero de ases est entre 11 y 29.
Actividad 9.5.
La probabilidad de efectos nocivos al aplicar una vacuna es de 5 en 10000.
Cul es la probabilidad de que en una muestra de 2000 individuos haya
ms de dos infectados?
Actividad 9.6.
En un cierto lugar caen estrellas fugaces a razn de 6 por hora. Cul es la
probabilidad de observar exactamente 3 estrellas fugaces en un cuarto de hora?
92

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Clave de respuestas
6.1.
( )
( )
( ) ( )
3 2
5
5
6
5
6
1
c
6
1
b
6
5
a
.
.
.
6.2.
( ) ( )
( ) ( )
3 2
4
6
5
6
1
2
5
b
6
5
6
1
1
5
a

.
.
6.3.
( ) ( )
6 4
6
5
6
1
4
10

6.4.
6 4
7 0 3 0
4
6
, ,

6.5.
8 8 8
5 0
5
8
5 0
4
8
5 0
3
8
, , ,

6.6.
5 5 5 5 5 5
5 0
5
5
5 0
4
5
5 0
3
5
5 0
2
5
5 0
1
5
5 0
0
5
, ; , ; , ; , ; , ; ,

7.1.
a.
23730 0 5 X P 39551 0 4 X P 26367 0 3 X P
08789 0 2 X P 01465 0 1 X P 00098 0 0 X P
, ) ( , ) ( , ) (
, ) ( , ) ( , ) (
= = = = = =
= = = = = =
93

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
b.
7.2.
9682 0 npq
9375 0 25 0 75 0 5 npq x V
75 3 75 0 5 np x E
,
, ) , )( , ( ) (
, , . ) (
= =
= = =
= = =
7.3.
0862 0 3151 0 5987 0 1 05 0 95 0
1
10
95 0 1 b
5987 0 95 0 a
9 10
10
, ) , , ( , , , .
, , .
= + =

+
=
7.4.
03515 0 03125 0 0039 0 5 0 5 0
7
8
5 0
8
8
a
7 8
, , , , , , . = + =

1 X F 5 X Si
7627 0 X F 5 x 4 Si
36719 0 X F 4 x 3 Si
10352 0 X F 3 x 2 Si
01563 0 X F 2 x 1 Si
00098 0 X F 1 x 0 Si
0 X F 0 x Si
=
= <
= <
= <
= <
= <
= < <
) (
, ) (
, ) (
, ) (
, ) (
, ) (
) (
94
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
7.5.
7 0
12
7
11
4
10
3
12
8
11
7
10
3
12
8
11
3
10
7
12
9
11
8
10
7
, . . . . . . . . = + + +
(Probabilidad de azul en tercera extraccin)
8.1.

3
7
4
10
8.2.

3
7
4
10
3
5
4
6
/
8.3.

4
8
4
6
3 /
8.4. V
20,3
= 20 . 19 . 18
95

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
8.5.
( )
( )( )
( ) ( )
( )
2963 0 3 f
6
4
3 f
4444 0 2 f
6
2
6
4
3 2 f
2222 0 1 f
6
2
6
4
3 1 f
0370 0 0 f
6
2
0 f
3
2
2
3
, ) (
) (
, ) (
) (
, ) (
) (
, ) (
) (
=
=
=
=
=
=
=
=
3 x Si 1 ) x ( F
3 x 2 Si 7036 , 0 ) x ( F
2 x 1 Si 2592 , 0 ) x ( F
1 x 0 Si 0370 , 0 ) x ( F
0 x Si 0 ) x ( F
=
< =
< =
< =
< =
8.6.
0098 0 5 0 5 0
9
10
9
, , , =

9.1.
4.
3 1
5
2 3
5 0 5 0
1
4
c
5 0 1 0 P 1 b
5 0 5 0
3
5
a
, , .
, ) ( .
, , .

96
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
9.2.
3 0 3
8
6
9
3
10
4
3 0
3
10
1
6
2
4
N CH CH
, . . .
, /
=

Se multiplica por 3 porque N puede salir primera, segunda, tercera.

9.3.
[ ] 15 0 6 12 4 6
8
3
3
x 25 2
4
x 3
5
x
8
3
dx x 25 2 x 3 x
8
3
dx x 25 2 x 3 x
8
3
dx
8
x 3
5 1 x X Var
5 1
32
48
32
x 3
dx
8
x 3
x x E
2
0
3 4 5
2
0
2 3 4
2
0
2 2
2
0
2
2
2
0
4
2
0
2
, ,
,
) , ( ) , (
) , (
, . ) (
= + =

+ =
= + = + =
= =
= = = =

9.4.
84 11 08 4 2 20
4
1
16 8 20 x P 16 28 08 4 2 20
08 4 6 5 6 1 120 DESV
k
1
k m x P 20 m
2
, ) , (
) , | (| , ) , (
, ) / ).( / .(
) | (|
=
< > = +
= =
< =
El teorema de Tchebyccheff estima que la probabilidad
24 X 11
es, aproxima-
damente .
9.5.
97
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
La probabilidad de ms de 2 es 0,08.
9.6.
En hora, el valor medio es 1,5.
06 0 e
3
1
hora 4 1 en 3 P
1
3
,
!
) / ( = =

99

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
MDULO 3
101

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En este mdulo se introduce la aproximacin normal de la distribucin binomial. Se
trata, tambin, la correlacin entre dos variables, y una introduccin a la teora y
prctica con muestras.
Algunas de estas cuestiones quizs no pueden llevarse al aula (salvo, el caso de
estudios especializados); pero, es bueno que el profesor tenga un panorama de las
posibilidades que ofrecen estos temas.
Como en los mdulos anteriores, se insiste en la revisin de temas hasta que queden
incorporados de un modo natural y, tambin, en las diferentes maneras de encarar un
mismo problema.
102
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
10. La distribucin normal
Recordamos la distribucin binomial referida a pruebas repetidas con probabilidad
constante.
En una caja hay 4 bolitas verdes y 1 blanca. Si se hacen tres extracciones con
reposicin:
a. Cul es la probabilidad de obtener exactamente tres verdes?
b. Por lo menos una verde?
=

3 0
0 3
2 0 8 0
0
3
1 b
512 0 2 0 8 0
3
3
a
, , .
, , , .
Al repasar, no se trata dc hacer muchos ejercicios del mismo tipo. Mejor es hacer
muchas preguntas sobre un problema. Por ejemplo:
Cul es la probabilidad de 2 verdes y 1 blanca?
= =

2 0 64 0 3 2 0 8 0
2
3
1 2
, . , . , ,
De dnde proviene este clculo? La probabilidad de la secuencia VVB es 0,8 (0,8)
(0,2). Por qu multiplicamos por 3? Porque hay 3 lugares para B.
No podramos emplear la distribucin binomial si no hubiese reposicin en cada
extraccin; porque, en tal caso, la probabilidad no sera constante. Si no hubiese
reposicin, las respuestas seran:
0 verde 0 P b
4 0
3
2
4
3
5
4
a
=
=
) ( .
, . . .
Sin embargo, si la poblacin fuese grande y el nmero de extracciones relativamente
pequeo, podramos emplear la distribucin binomial.
Si en una caja hay 4000 bolitas verdes y 1000 blancas.
a. Cul es la probabilidad de, exactamente, 3 verdes en 3 extracciones con
reposicin?
b. Y, sin reposicin?
103
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
5119 0
4998
3998
4999
3999
5000
4000
b
512 0 2 0 8 0
3
3
a
0 3
, . . .
, , , .
=
=

Resultados prcticamente iguales.

Aproximacin de Poisson
Hemos visto que, si la probabilidad es pequea y n grande, la distribucin binomial
puede aproximarse mediante la frmula de Poisson.
) (
!
) , ( np e
h
h n P
h
=

=

(n es el nmero de intentos; h el nmero de xitos; entendemos por xito la apari-
cin del suceso investigado).
Si la probabilidad de padecer la enfermedad A en una comunidad es 0;01 (1%),
cul es la probabilidad de que al examinar una muestra de 200 individuos no
aparezcan enfermos?
= 200 (0,01) = 2 (Si en cada 100 personas hay, en promedio, un enfermo, es
razonable que, en 200, el valor esperado sea 2.)
14 0 e
0
2
0 200 P
2
0
,
!
) ; ( = =

Si la probabilidad es pequea, aunque n sea pequeo, Poisson da resultados razona-
blemente aproximados.
Actividad 10.1
Si p = 0,1 n = 5, calcule el lector las probabilidades para X = 0, 1, 2, 3, 4, 5
xitos, empleando:
a. la binomial,
b. Poisson.
Si hacemos los diagramas correspondientes, obtendremos:
104

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Podemos observar que, para probabilidades pequeas, las distribuciones binomial y
la de Poisson son asimtricas.
Poisson y el flujo estacionario de sucesos
Si interviene el tiempo, empleamos la frmula:
t
t
e
! h
) t (
) t ( P

=
( es el promedio aritmtico o valor medio).
Se sabe que, a la guardia del hospital de un pequeo pueblo, llega un promedio
5 personas por hora.
a. Cul es la probabilidad de que, en media hora, lleguen cuatro personas?
b. Cul es la probabilidad de que, en una hora, lleguen exactamente cinco
personas?
175 , 0 e
! 5
5
) hora 1 ( P
034 , 0 e
! 4
) 5 , 0 . 5 (
) horas 5 , 0 ( P
5
5
5 , 2
25 , 0
= =
= =

Realicemos una revisin de anlisis:

En la figura 1, representamos la funcin v (t) = 10 (t) que podemos interpretar
como la velocidad de un cuerpo que cae libremente.
En la figura 2, representamos las reas acumuladas bajo la recta de la figura 1.
105
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En la figura 1: rea 01A = 5; rea 02B = 20; rea 03C = 45
En la figura 2: rea 01A = 1F; rea 02B = 2G
Recordamos que las reas bajo la recta v(t) = 10 t pueden calcularse por integracin:
... 20 t 5 t 10 5 t 5 tdt 10
2
0
2
0
2
1
0
1
0
2
= = = =

Podemos, entonces, definir la funcin de la figura 2, escribiendo

=
1
0
xdx 10 t F ) (
(Si
damos a t los valores l; 2; 3... obtenemos 5, 20, 45...)
Aproximacin de la binomial mediante la normal
Si consideramos 1000 lanzamientos, no tiene mucho sentido calcular la probabilidad
de exactamente 500 caras; esa probabilidad es muy pequea y no arriesgaramos
dinero para ganar slo en el caso de obtener exactamente 500 caras en 1000 tiros.
Cuando el nmero de pruebas es grande, las preguntas interesantes son del tipo:
Cul es la probabilidad de que, en 1000 tiros, el nmero de casos est comprendido
entre 480 y 510? El clculo mediante la binomial sera formidable:

+ +

510
1000
481
1000
480
1000
5 0
1000
... ,
Puede demostrarse que la distribucin normal es una buena aproximacin cuando n
es grande.
A continuacin, introducimos la funcin normal.
Sabemos que
! !
!
520 480
1000
480
1000
=

106
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
El estudio de la funcin normal tiene su base en la frmula de Stirling que permite
aproximar factoriales:
n
e
n
n 2 n

= !
Por ejemplo:
n
10
20
30
n!
3628800
2,4329 / 18
2,65252 / 32
Stirling
3598695,6
2,42278 / 18
2,64517 / 32
Al aumentar n, disminuye el error relativo.
La funcin normal
Representemos la funcin normal de densidad:
2
x
2
e
2
1
y

=
Esta funcin, segn vemos, tiene gran importancia en la teora de probabilidades y en
la estadstica.
Podramos representar la funcin de reas acumuladas bajo esta curva, para lo cual
deberamos calcular la integral de esta funcin para distintos lmites. Pero, segn
hemos visto en el mdulo 2, estas integrales slo pueden calcularse mediante mto-
dos aproximados. Puede el lector volver a repasar esas pginas y recordar que:
34 , 0 dx e 399 , 0
1
0
2
x
2
=

En el apndice 4, damos una tabla de la funcin normal. Slo consideramos valores
no negativos de x porque, para valores negativos, tendremos en cuenta la simetra de
la curva. Empleando los valores de esta tabla, dibujamos la funcin de distribucin (o
de acumulacin):
x
0
1
-1
2
-2
y
0,40
0,24
0,24
0,05
0,05
107
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Aproximacin de la binomial mediante la normal
En la figura hemos superpuesto a la distribucin binomial para N = 6 y P = 0,5 (6
tiradas de una moneda), la curva normal:
Funcin de distribucin normal
El acuerdo no es bueno porque n es pequeo. Imaginemos los sucesivos grficos de
la binomial para n = 10, 20... tiradas de una moneda.
La demostracin matemtica obliga a que las longitudes de los intervalos disminu-
yan, de modo tal que los rectngulos son cada vez ms flaquitos. En el lmite, si n
tiende a infinito, obtenemos la curva normal.
.
Pero... observamos en el grfico que las escalas no coinciden (si se tratase de 18 tiros
de una moneda, el 0 de la normal coincidir con el 9 de la binomial).
Es necesario, entonces, para resolver problemas de distribucin binomial mediante la
normal, correr el origen. Por otra parte, habr que tener en cuenta la desviacin.
Recordamos que, para la distribucin binomial, el desvo es igual a npq (en el
caso de n = 6 p = 0,5 desvo 1,22; en cambio, para n = 18 p = 0,5 desvo 2,12).
Para aplicar la distribucin normal, es necesario hacer el cambio de variable:

=
m X
Z
Obsrvese que, cuando x coincide con el valor medio, resulta Z = 0.
108

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
A este cambio se lo denomina normalizacin de la variable.
Aunque n es muy pequeo, vamos a calcular la probabilidad de que, en 6 tiros de
la moneda, el nmero de caras est entre ), 4 X 2 ( 4 y 2 empleando la aproxi-
macin normal.
Comenzaremos por normalizar la variable X. Adems, haremos la llamada correccin
por continuidad, extendiendo el intervalo 0;5 a ambos lados (no olvidemos que he-
mos pasado de la funcin binomial, que es discreta, a la funcin normal, que es
continua).
Quiere decir que en lugar de 2 escribiremos 1,5; y 4,5 en lugar de 4. Resultar:
23 1
22 1
3 5 4
Z 23 1
22 1
3 5 1
Z
2 1
,
,
,
,
,
,
=

= =

=
En la tabla, encontramos para Z = 1,23 el rea 0,3907 (rea a partir de Z = 0 hasta Z
= 1,23). Entonces, la probabilidad es:
7814 0 2 39 0 23 1 Z 23 1 P 4 X 2 P , . , ) , , ( ) ( = = =
Si empleamos la frmula binomial, tendremos:
78125 0 5 0
4
6
3
6
2
6
6
, , =

La aproximacin es muy buena a pesar de que n es pequea, lo que es explicable por

la simetra que implica p = 0,5.
Veamos otro caso:
Un suceso tiene probabilidad constante p = 0,9. Cul es la probabilidad de que,
en 10 tiros, obtengamos entre 8 y 9 xitos?
109
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En la tabla, para 0,53 tenemos p = 0,20; y, para 1,58, p = 0,44.
Entonces 64 0 53 0 Z 58 1 p , ) , , ( = < <
Si aplicamos el clculo binomial:
58 0 1 0 9 0
9
10
1 0 9 0
8
10
9 2 8
, , , , , =

La aproximacin no es buena.
En un colegio con una poblacin de 2000 alumnos, el promedio de calificaciones
en historia es 6,20, con un desvo = 1,32. Si suponemos normal la distribucin de
notas, cul es la probabilidad de que, elegido un alumno al azar, su nota est
entre 5,90 y 7,50? (Las calificaciones de los alumnos se aproximan al centsimo).
Calculamos los Z correspondientes:
98 0
32 1
20 6 50 7
Z 23 0
32 1
20 6 90 5
Z
2 1
,
,
, ,
,
,
, ,
=

= =

=
En este caso 95 0 npq 9 9 0 10 np , ) , ( = = = =
53 0
95 0
9 5 9
Z 58 1
95 0
9 5 7
Z
2 1
,
,
,
,
,
,
=

= =

=
En la tabla obtenemos los valores de probabilidad correspondientes:
0,0910 y 0,3365
Por lo tanto, la probabilidad pedida es: 0,4275
110
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Con relacin al problema anterior: Cuntos alumnos, aproximadamente, estarn
comprendidos entre 5,90 y 7,50?
0,4275 x 2000 = 855
Con relacin al problema anterior: Cul es la nota mnima para que un alumno
pertenezca al 10 % de rendimiento superior?
En la tabla hallamos, para la probabilidad 0,4, el valor Z = 1,29
Podemos escribir:
X 90 7
32 1
20 6 X
29 1
=

=
,
,
,
,
Actividad 10.2.
1. a) De cuntas maneras diferentes pueden alinearse las letras a, b, c, d, e, f?
b) De cuntas maneras diferentes pueden alinearse las letras a, b, a, d, e, f?
c) De cuntas maneras diferentes pueden alinearse las letras a, a, c, d, e, a?
2. En tarjetas figuran los nombres de 9 personas; el nombre de una de ellas
figura en dos tarjetas, de modo que hay 10 tarjetas. Hay que elegir al
azar tres personas distintas. Si aparecen nombres repetidos, se anula la
eleccin. Cul es la probabilidad de anulacin?
3. Hay un grupo formado por 6 chicos y 6 chicas. Este grupo de 12 perso-
nas se vuelve a dividir al azar. Cul es la probabilidad de que la parti-
cin est formada por varones, por un lado, y mujeres, por el otro?
4. Se tira un dado 2880 veces para observar la aparicin de ases. Cul es la
probabilidad de que el nmero de ases est comprendido entre 470 y 490?
5. Se hace girar una ruleta de cinco letras AAABB. Cul es la probabilidad
de que, en 1000 giros, el nmero de A obtenidos est entre 580 y 630?
6. La probabilidad de que una persona padezca cierta enfermedad es 0,001.
Cul es la probabilidad de que, en un grupo de 2000 personas, haya
exactamente cuatro que padezcan la enfermedad? Cul es la probabi-
lidad de que, en un grupo de 1000 personas, exactamente una tenga la
enfermedad?
111
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
6 varones y 6 mujeres forman un solo grupo. Este grupo se subdivide en dos
grupos de seis. Si la subdivisin se hace al azar, cul es la probabilidad de que
cada grupo est formado por tres personas de cada sexo?
Hay doce personas; en cuanto se eligen 6 para formar un grupo, el otro grupo
queda determinado automticamente. Entonces, el nmero de casos posibles es

6
12
. Los casos en los cuales cada grupo est formado por 3 mujeres y 3 hombres
son

3
6
3
6
433 0
924
400
6
12
3
6
3
6
p , = =

=
Tambin podemos pensarlo de la siguiente manera: Formemos el primer grupo con 3
hombres y 3 mujeres; el otro grupo queda formado automticamente.
Razonemos as: La probabilidad de que un hombre sea elegido al azar para formar el
primer grupo es
12
6
Consecuentemente:

M M M H H H
7
4
8
5
9
6
10
4
11
5
12
6
. . . . .
A este resultado hay que multiplicarlo por

3
6
que es el nmero de lugares que los
hombres pueden ocupar en la secuencia.
En consecuencia p = 0,433
Pueden repetirse los clculos para 8 varones y 8 mujeres, p = 0,38. Cul es la
tendencia, a medida que aumenta el nmero?
Puede intentarse, formando el primer y segundo grupo, eligiendo alternativamente
los miembros de los mismos, hasta cumplir las exigencias.
112

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

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

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Con relacin a la tabla:
E(x) = 3,33 E(y) = 11,67
V(x) = 1,56 V(y) = 6,22
09 3 56 5 22 0 5 3 y x ianza Co
67 11 15 33 3 5 67 11 11 33 3 3 67 11 9 33 3 2 m y m x E 3
2 1
, , , , ) , ( var
) , )( , ( ) , )( , ( ) , )( , ( ) )( (
= + + =
+ + =
Vamos a dividir la covarianza por el producto de los desvos:
1 mente aproximada
11 3
09 3
22 6 56 1
09 3
,
,
, ,
,
=
Al nmero covarianza (x,y)/(desvo x, desvo y), se lo llama coeficiente de correla-
cin lineal de las variables x e y. En este ejemplo, las variables estn completamente
correlacionadas por la frmula y = 2x + 5. En este caso, si se eliminaran los errores
de redondeo, el coeficiente sera uno.
Se puede probar que el coeficiente de correlacin r toma valores en el intervalo |-1,1|.
Actividad 11.1
Calcular el coeficiente de correlacin lineal para la tabla:
Recta de regresin
Representamos los puntos correspondientes a la tabla:
X 1 2 3 4 5 6
Y 4 2 3 2 1 3
X
2
3
5
Y
9
11
15
X 2 10 18 26
Y 8 6 3 1
114

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Como los puntos no estn alineados, la correlacin no es completa. Se presenta el
problema de encontrar una recta que aproxima lo mejor posible a esa nube de puntos.
Supongamos que la recta r es la solucin. La ecuacin de r tendr la forma y = ax + b.
Nuestro trabajo consiste en determinar a y b. Se podran enunciar distintos criterios para
determinar esa recta. Por mltiples razones, generalmente, se adopta el siguiente: Hay
que hacer mnima la suma de los cuadrados de las diferencias entre los valores de las
ordenadas de la tabla y de la recta. Es decir, hay que hacer mnimo el valor de la funcin:
[ ] [ ] [ ]
2 2 2
3 b 6 a 2 b 2 a 4 b 1 a f + + + + + + = ) . ( ... ) . ( ) . (
Se trata de una funcin de dos variables. Hechos los clculos de rutina, resulta:
43 b 30 a 96 b 6 ab 42 a 91 f
2 2
+ + + =
Para hallar el mnimo se calculan las derivadas parciales y se resuelve el sistema:
4 , 3 b 257 , 0 a Solucin
30 b 12 a 42
96 b 42 a 182
= =

= +
= +
La recta que mejor aproxima los datos segn este criterio de mnimos cuadrados es:
Y = -0,257 x + 3,4
X 1 2 3 4 5 6
Y 4 2 3 2 1 3
y
)
3,14 2,89 2,63 2,37 2,12 1,86
A partir de la recta de regresin, podemos hacer algn trabajo; por ejemplo, compa-
rar las estimadas por la recta con las Y de los datos.
Podemos calcular el error de la estimacin, hallando:
115

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Las lneas de puntos estn a la distancia 0,85 de la recta. Cuando el nmero de datos
es suficientemente grande, se espera que alrededor del 68% de ellos caiga dentro de
la banda de paralelas.
En este ejemplo, como los datos son apenas seis, conviene emplear s corregida,
dividiendo por (n-2); es decir:
05 1 09 1 s , , = =
La recta de regresin puede emplearse para predecir pares que no figuran en la tabla.
Sin embargo, no sera prudente calcular y para x = 20.
Por ejemplo, para x = 2,6, predecimos:
y = -0,257(2,6) + 3,4 = 2,73
Muchas calculadoras de bolsillo permiten calcular rpidamente los coeficientes de
las rectas de regresin (Hay que fijarse si ofrecen LR lnear regresin).
Ms all de los clculos, es necesario conocer, aproximadamente, cmo funciona
este tema.
Supongamos que se hacen mediciones en un laboratorio para estudiar la dilata-
cin lineal del acero. Se obtendrn valores finales de la medida de una varilla de
longitud inicial l
0
para distintos incrementos de temperatura. Se tendr una nube de
puntos que sugieren una relacin lineal. Por qu los puntos no estn totalmente
alineados?
Porque, por ms cuidadoso que sea el trabajo experimental, se deslizan errores
aleatorios.
La recta de regresin ser, aproximadamente,
) ( t 1 1 1
0 0
+ =
ste es el modelo terico de dilatacin lineal, siendo el coeficiente de dilatacin
del acero.
Podemos asimilar X t Y 1 = = ) (
Si se experimenta, para estudiar los metros recorridos en la cada libre al variar el
tiempo t, la nube de puntos no sugerir alineacin sino una parbola. Siguiendo las
mismas pautas, puede obtenerse una parbola de regresin.
La recta de regresin puede obtenerse empleando la frmula:
n correlaci de e coeficient siendo
m n m y
1
1
2
2
=

, .
Se puede obtener otra recta de regresin, intercambiando el papel de las variables (X
dependiente, Y independiente)
116
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En un grupo de 10 alumnos, se comparan los notas obtenidas en el examen de
ingreso en matemtica con la nota final del curso de primer ao:
X 5 8 4 7 4 6 8 7 6 7
Y 6 6 6 8 5 5 9 7 9 6
X = Nota de ingreso
Y = Nota final
Hallar la recta de regresin Y = a X + b
02 4 x 44 0 Y
42 1 y desv 37 1 x desv
7 6 Y 1 6 X
43 0 n correlaci de e coeficient
, ,
, ) .( , ) .(
, ,
,
+ =
= =
= =
=
Actividad 11.2.
La siguiente tabla relaciona el nmero de aos que el paciente ha fumado
con el dao sufrido en los pulmones segn evaluacin mdica (de 0 a 100)
1
.
N
1
2
3
4
5
6
7
8
9
10
Aos X
25
36
22
15
48
39
42
31
28
33
Dao Y
55
60
50
30
75
70
70
55
30
35
Se pide:
a. Hallar el coeficiente de correlacin.
b. Determinar la recta de regresin de Y sobre X.
c. Calcular el error de estimacin, mediante:
2 n
y y suma
s
2

=
) (
)
Siendo el valor estimado por la ecuacin de la recta.
d. Representar.
1
Figura en el texto Introduccin a la Probabilidad y la Estadstica, de W. Mendenhall. Grupo Editorial
Iberamrica.
117

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
12. Muestras
Muchas veces, el investigador se encuentra en esta posicin: Est trabajando con
una gran poblacin (seres humanos o peces o automviles...) y desea conocer algu-
nos valores (promedios, desviaciones, tendencias...) sin que sea posible o econmi-
co obtener los registros de toda la poblacin.
Entonces, apela al estudio de muestras. Puede suceder que tenga libertad para elegir
el tamao de la muestra; pero, a veces, tiene que conformarse con datos escasos
(una enfermedad rara, piedra preciosa...).
Supongamos que una poblacin est formada por: 100 valores iguales a 1; 200 igua-
les 2; etc. segn la tabla siguiente (1):
X 1 2 3 4 5 6 7 8 9 10
Y 100 200 50 15,0 150 150 50 50 50 50
Nosotros no tenemos acceso a esta tabla; pero, tomaremos una muestra para esti-
mar el valor medio. Vamos a suponer que la poblacin est numerada correlativa-
mente segn esos valores. Por ejemplo: el primer nmero tres es N 301.
Vamos a elegir N = 10 como tamao muestral; por lo tanto, buscamos 10 nmeros
aleatorios:
202 009 138 969 936 905 830 076 407 838
3 1 2 10 9 9 8 1 4 7
4 5 X , =
Tomemos otra muestra:
170 419 014 439 290 912 673 955 264 326
2 4 1 4 2 9 6 10 2 3
3 4 X , =
El que pueda tener acceso a toda la informacin es decir, a la tabla (1), obtendr el
promedio m = 4,6
El valor X que se obtiene para cada muestra es aleatorio. El investigador est apos-
tando a acertar cerca del valor verdadero.
118

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En nuestro ejemplo, la primera muestra tuvo ms suerte.
Si publicamos un trabajo y afirmamos: Estimamos que el valor medio de la pobla-
cin es 4,3, sera conveniente dar una idea del error posible. Resulta razonable pen-
sar que el error depende del tamao de la muestra.
Estimadores
Se puede probar que el valor medio muestral cumple la propiedad siguiente:
m X E = ) (
Esto quiere decir que: Si en nuestro ejemplo, armramos todas las muestras posibles
e hiciramos el promedio de los valores medios muestrales, obtendramos m.
Tambin se puede probar que:
n X Desvo X Desvo / ) ( ) ( =
Esto significa que, si calculsemos todos los valores medios muestrales, el desvo de
X sera igual al desvo de la poblacin (dividido por n; siendo n el tamao de la
muestra).
Esta propiedad es importante porque confirma la idea intuitiva de que cuanto mayor
sea el tamao de la muestra, mejor ser la estimacin de X .
Por ejemplo, si formsemos una sola muestra con los veinte valores obtenidos, ten-
dramos:
85 4 2 3 4 4 5 X , : ) , , ( = + =
que est ms cerca del verdadero valor.
Estimador de la varianza de la poblacin
Acabamos de ver que el desvo de la media muestral es:
n n X desvo / / ) ( =
Pero, cmo podemos calcular ese desvo si no conocemos

(desvo de la pobla-
cin) y slo tenemos una muestra?
Podemos estimar calculando el desvo muestral s.
Repasamos, para la primera muestra:
119

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Anlogamente, para la segunda muestra: 2,93
Se puede probar que:
2 2
n
1 n
s E

= ) (
(1)
lo que quiere decir que, si considersemos todas las muestras de tamao 10 de la pobla-
cin y calculsemos el promedio de las ), (
2 2
s E s = sera aplicable la frmula (1).
Si se dispone de s
2
ser, entonces, conveniente estimar
2
mediante:
2 2
s
1 n
n
=

Y el desvo mediante:
s
1 n
n

=
Es evidente que, cuando el tamao de la muestra es grande, s tiende a

Para n pequeo, las calculadoras tienen un registro

n-1
que aplica (1). En el caso de
nuestras muestras, tendremos: s = 3,57 y s = 3,09, respectivamente, como estimadores
de .
Cuando un estimador no requiere correccin como, en el caso de , decimos que
es insesgado. En cambio, s es un estimador sesgado de .
Estimacin por intervalos empleando la distribucin normal
Para conocer el valor medio de colesterol en una poblacin de 10000 habitantes,
se tom una muestra de 100 habitantes, obtenindose un valor medio
siendo s = 50. Se pide estimar el valor medio de toda la poblacin, usando un
intervalo de confianza del 95%.
X
200 X =
120
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
El rea bajo la curva es 1; o, expresada en porcentaje, es 100%.
Para lograr 95%, suprimimos las dos colitas, porque la estimacin 200 X = podra
fallar por exceso o por defecto.
En la tabla encontramos que, para el rea 0,475, corresponde Z = 1,96
Sabemos que
) (
) (
1
X desvo
m x
Z

=
(X corresponde a la variable muestral valor medio)
Pero, no disponemos de m sino de X y no disponemos del desvo de la poblacin
sino del desvo s de la muestra. Usaremos s sin correccin, porque el tamao de la
muestra no es pequeo. Como estamos tratando el valor medio, el desvo de este
valor est dado por
. / n s
Sustituyendo en (1), tendremos:
X 2 190
X 8 209
X 5 96 1 200
100 50
200 X
96 1
=
=
=

=
,
,
) ( ,
/
,
Quiere decir que, con una probabilidad 0,95, el verdadero valor medio poblacional
est en el intervalo [190,2; 209,8].
El significado del resultado es el siguiente: Si, por ejemplo, tomamos 1000 muestras
de tamao 100, en el 95% aproximadamente de los casos, el valor medio estar en
ese intervalo.
El problema anterior da idea de las dificultades que se presentan al estudiar muestras:
El investigador debe arreglrselas con lo que tiene y procurar la mayor precisin
posible o, lo que es ms claro, sealar el posible margen de error. Pese a las dificul-
tades, los logros tericos y prcticos de la probabilidad y estadstica son formida-
bles (remitimos, por ejemplo, nuevamente, al ejemplo que hemos dado sobre emi-
sin de partculas ).
Las computadoras permiten, por simulacin, confirmar, aproximadamente, los resul-
tados.
En una muestra de 300 peces extrados de una laguna, se obtuvieron los siguientes
valores referidos a la longitud: . , , cm 8 s cm 3 26 X = =
Estimar, con una confianza del 90%, el valor medio de la poblacin.
Estimamos la varianza de la poblacin empleando s. Por lo tanto, el desvo de la
variable valor medio ser
121
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
El valor Z correspondiente a P = 0,45 es Z = 1,65 (tabla de la normal)
Por lo tanto:
X 06 27
46 0
3 26 X
65 1 =

= ,
,
,
,
En consecuencia, con el intervalo de confianza [ ] 06 27 54 25 es 90 , ; , %
Actividad 12.1.
1. Se alinean aleatoriamente los smbolos ABAACDE. Cul es la pro-
babilidad de que las A figuren en los extremos y en la casilla media?
2. Determinar el coeficiente de correlacin y la recta de regresin co-
rrespondiente a la tabla:
X 0,5 1,2 1,9 2,5 3,3
Y 0,9 1,18 1,46 1,74 2,02
3. Se ha observado el aumento de peso de 36 pollos sometidos a una
di eta durante ci erto per odo de ti empo, obteni ndose
. , ; , kg 4 0 s kg 5 0 X = = Obtener un intervalo de confianza del
90% para el valor medio.
4. El promedio de llegadas de automviles a una estacin de servicio
es 8 por hora. Cul es la probabilidad de que, en una hora, haya
que atender ms de 8 automviles?
5. Calcular el rea bajo la curva [ ], , int 1 0 ervalo el en x y = em-
pleando nmeros aleatorios.
6. Al tirar un dado repetidas veces, cul es la probabilidad de que el
primer as recin aparezca en la dcima tirada?
122

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Clave de respuestas
10.1.
X 0 1 2 3 4 5
P 0,60 0,30 0.076 0,013 0,0016 0,00016 Poisson
0,59 0,33 0,086 0,008 0,0004 10
-5
Binomial
10.2.
1. a) 6!
b) 6! / 2!
c) 6! / 3!
2.

3
10
1
8
/
3. Analizado en el texto.
4.
40 0 490 X 470 P
2 0 525 0 525 0
20
480 5 490
Z
525 0
20
480 5 469
Z 20 480 m
2
1
, ) (
, ) , ( ,
,
,
,
= < <
= =

=
=

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

11.1. r = -0,997
123
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
11.2.
2 10
54 35 50 40 60 58 44 55
s
x 309 1 238 11 y 7738 0 r
2 2 2 2
2

+ + + +
=
+ = =
) ( ... ) ( ) ( ) (
, , ,
Se han redondeado los clculos al entero.
S = 11,1
12.1.
1.
029 0
2
1
3
2
4
2
5
3
6
4
7
3
o 029 0
840
24
P P
P
3 7
4
, . . . . . ,
:
= = =
2.
r = 1
y = 0,4 x + 0,7 (los puntos estn alineados)
3.
[ ] 6 1 6 0 es ervalo El
X 6 1 5 0 X 1 1
36 4 0
5 0 X
65 1
, ; , int
, , ,
: ,
,
,

= =

=
4.
[ ]
42 0 8 x P
58 0 416 416 364 273 67 170 3 85 32 8 1 e 8 x P
8
, ) (
, , , ) (
= >
= + + + + + + + + =

5.
03 0
6
1
6
5
9
, =

(Nueve veces no sale el as; en la dcima debe salir)

124

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Modelo de trabajo en clase
Presentar a la clase el siguiente problema
1
:
Se tiran dos dados con forma de dodecaedro. Cada dado tiene 7 caras rojas y 5
blancas. Se pregunta: Cul es la probabilidad mayor:
2 rojas;
una roja y una blanca;
2 blancas?
1. Hacer una estadstica de las respuestas. Analizar con los alumnos por qu eligie-
ron la respuesta.
A continuacin dar la respuesta correcta:
P (2 rojas) = 49/144
P (1 roja y 1 blanca) = 70/144
2. El problema se puede simular mediante nmeros al azar. Que los alumnos propon-
gan la simulacin (Puede hacerse con una calculadora que genere nmeros al
azar; por ejemplo: hasta 0,417 se toma como blanca y el resto como roja).
3. Considerar el mismo problema con tres tetraedros, cada uno con 3 caras rojas y 1
blanca, y calcular las probabilidades de los resultados: 3 rojas y 2 rojas y 1 blanca.
Vicisitudes de la enseanza de la Estadstica
La sociedad Estadstica de Londres fue fundada en 1834. No manifest inters por la
enseanza. Recin en 1870 se cre el Comit de Estadstica en las Escuelas, siguiendo
las indicaciones del Congreso Internacional de Estadstica de La Haya que resolvi:
La enseanza de la Estadstica debe introducirse en las escuelas, en todos los gra-
dos que siguen a la enseanza elemental hasta la universidad.
Es curiosa la historia del Comit: Tuvo su primera reunin el 14 de Julio de 1870 y su
ltima reunin ocho das despus. Literalmente, desapareci (No hemos visto esto
muchas veces?).
Entre tanto
2
:
En Hungra, la probabilidad se enseaba ya en 1849; pero, tambin desapare-
ci, en poco tiempo, de los programas.
En Francia se introdujo en 1868; pero, como parte de los programas de geografa.
En Japn se estableci una ctedra de Estadstica en 1882.
1
Estas actividades han sido sugeridas por la lectura de un artculo de Mike Fletcher, de Oxford,
parecido en la revista Teaching in Statistics de Verano. 1994. Universidad de Sheffield, Inglaterra
2
Fuente: Teaching in Statistics. Universidad de Sheffield, Inglaterra.
125

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Apndice 1. Comparacin de medidas muestrales
Muchas veces se presenta el problema de analizar si la diferencia entre dos grupos es
significativa.
Supongamos que el promedio en matemtica de cien alumnos de la escuela A es
, , , 24 3 s con 20 5 X
2
= = siendo los valores para cien alumnos de la escuela
. , , : 41 4 s con 50 5 Y B
2
= = Elegimos como nivel de significacin 0,1.
Consideramos una nueva variable ) ( Y X que es la diferencia entre las medias.
Cul ser la varianza para esa diferencia?
100 41 4 es ianza la Y Para
100 24 3 es ianza la X Para
: , var
: , var
Porque:
n X VAR y
n
2
x
/ ) ( =

=
Para calcular la varianza estimada de la diferencia, se suman las varianzas (Piense el
lector que si se restaran las varianzas, podran presentarse el caso en que se obtuviera
cero). Tambin recomendamos ver el ejemplo que figura abajo.
Dicho esto, es fcil repetir los clculos habituales. Suponemos que no hay diferencia
significativa y, por lo tanto, el valor medio de la diferencia es cero (hiptesis nula).
Tendremos, entonces:
) , ( ,
,
,
, ,
, ,
4 0 P tabla la En 08 1
28 0
30 0
100
41 4
100
24 3
0 20 5 50 5
= = =
+

Si este valor hubiese superado 1,65, podramos afirmar que la diferencia es significa-
tiva al nivel 0,1. Por lo tanto, en este caso, la diferencia entre A y B no es significativa.
A continuacin damos un ejemplo de que:
Varianza (X - Y) = Varianza X + Varianza de Y
126
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
5 8 2
5 X =
V = 6
Y
4 6 8
6 Y =
V = 2,67
A partir esta tabla, podemos formar la poblacin de todas las diferencias (X - Y): 1: -1;
-3; 4; 2; 0; -2, -4, -6.
Si calculamos la varianza de estas diferencias, obtendremos 8,67 que es la suma de
las varianzas 6 y 2,67.
Con relacin al ejemplo anterior, un psicopedagogo afirma: Al nivel 0,1 no se advier-
ten diferencias en los promedios de matemtica de A y B.
Qu quiere decir al nivel 0,1? Significa que corre un riesgo de equivocarse porque,
para la misma poblacin, si tomase todas las muestras posibles, hubiese encontrado
un 10% que presentara diferencias significativas.
127
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Apndice 2. Muestras pequeas y la distribucin
de Student
Si las muestras son pequeas (suelen considerarse como tales las de tamao menor
que 30), en lugar de la funcin normal debe emplearse la distribucin t de Student,
que tiene en cuenta el tamao.
Para , 30 n las distribuciones de Student y la normal convergen hacia los mismos
valores.
El ndice de contaminacin se mide en partes por milln, siendo el tolerable, segn
la Organizacin Mundial de la Salud, de 9 p.p.m.
En la ciudad de Buenos Aires, se han tomado los siguientes registros, durante una
semana:
11,8; 10,6; 9,3; 8,4; 10,7; 7,4; 6,6
Averiguamos si la diferencia entre el valor medio de la muestra y el tolerable es
significativo al nivel 0,1.
Calculamos
Procedemos de la misma manera que para calcular Z; pero, empleamos la tabla de la
distancia de Student.
En la tabla de Student, debe tenerse en cuenta el nmero de grados de libertad, que
es igual a (n-1).
Para t
0,1
, encontramos 1,44 y n - 1 = 7 - 1 = 6
Como nuestro valor 1,27 < 1,44, diremos que el valor medio de la muestra no es
significativamente diferente del valor de tolerancia.
) ( , , corregida 9 1 26 9 X
1 n
= =

27 1
7
9 1
9 26 9
t ,
,
,
=

=
128
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Apndice 3. Matrices de probabilidad
Consideremos un punto que sale de A y se mueve segn estas reglas:
Si est en A, tiene probabilidad 0,2 de permanecer en A y 0,8 de pasar a B.
Si est en B, pasa a A con probabilidad 0,4 o a C (p = 0,3) o queda en B (p = 0,3).
Si est en C, tiene p = 0,6 de permanecer y p = 0,4 de pasar a B.
Estas reglas se pueden resumir en la matriz:

6 0 3 0 0
4 0 3 0 8 0
0 4 0 2 0
C B A
C
B
A
Pasa
Est
, ,
, , ,
, ,
Los sucesivos pasos se hacen de manera aleatoria (empleando papeles marcados,
ruletas, etc.).
Si se parte de A, cul es la probabilidad de estar en A o en B, despus de los
pasos?
El producto de matrices permite dar la respuesta:

48 0 27 0 24 0
36 0 53 0 40 0
16 0 20 0 36 0
6 0 3 0 0
4 0 3 0 8 0
0 4 0 2 0
6 0 3 0 0
4 0 3 0 8 0
0 4 0 2 0
, , ,
, , ,
, , ,
, ,
, , ,
, ,
, ,
, , ,
, ,
Obsrvese que la suma de cada columna da siempre 1. Vemoslo de otra manera.
A B C
A B C
A
A
B
C
A
B
C
0,2
0,2
129

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
En dos pasos se est en A, con probabilidad = 0,2 . 0,2 + 0,8 . 0,4 = 0,36.
En dos pasos se est en B, con probabilidad = 0,2 . (0,8) + 0,8 . (0,3) = 0,40
130

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Apndice 4. Tabla de rea bajo la funcin normal
Z
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0
0
0,0398
0,0793
0,1179
0,1554
0,1915
0,2258
0,258
0,2881
0,3159
0,3413
0,3463
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,495
0,4965
0,4974
0,4981
0,4987
0,499
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
1
0,004
0,0438
0,832
0,1217
0,1591
0,195
0,2291
0,2612
0,291
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,492
0,494
0,4955
0,4966
0,4975
0,4982
0,4987
0,4991
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,5000
2
0,008
0,0478
0,871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,483
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987
0,4991
0,4994
0,4995
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
3
0,12
0,0517
0,910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,437
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988
0,4991
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
4
0,016
0,0557
0,0948
0,131
0,17
0,2054
0,2389
0,2704
0,2996
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
5
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,496
0,497
0,4978
0,4984
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
6
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,377
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,475
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989
0,4992
0,4994
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
7
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,334
0,3577
0,379
0,398
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,485
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989
0,4992
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
8
0,0319
0,0714
0,1103
0,148
0,1844
0,219
0,2518
0,2823
0,3106
0,3365
0,3599
0,381
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,498
0,4986
0,499
0,4993
0,4995
0,4996
0,4997
0,4998
0,4999
0,4999
0,4999
0,5000
9
0,0359
0,0754
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,383
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,489
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,499
0,4993
0,4995
0,4997
0,4998
0,4998
0,4999
0,4999
0,4999
0,5000
131

C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Apndice 5. Funcin de Student
g.1.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
inf.
g.1.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
inf.
t
.100
3,078
1,886
1,638
1,533
1,467
1,44
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,33
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,282
t
.050
6,314
2,92
2,353
2,132
2,015
1,943
1,895
1,86
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,74
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,645
t
.025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,16
2,145
2,131
2,12
2,11
2,101
2,093
2,086
2,08
2,074
2,069
2,064
2,06
2,056
2,052
2,048
2,045
1,96
t
.010
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,65
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,5
2,492
2,485
2,479
2,473
2,467
2,462
2,326
t
.005
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,25
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,576
132
C
i
e
n
c
i
a
s

p
a
r
a

l
a

e
d
u
c
a
c
i

n

t
e
c
n
o
l

g
i
c
a
Bibliografa
Cramer H. Elementos de la teora de probabilidades. Aguilar.
Cochran W. Experimental Designs. J. Wiley and Sons.
Feller W. Introduccin a la teora de probabilidades y aplicaciones.
Mendenhall W. Introduccin a la probabilidad y la estadstica. Grupo Editorial
Iberoamrica.
Moroney M. Hechos y estadsticas. Eudeba.
Santal L. Probabilidades e inferencia estadstica. OEA.
Revista
Teaching Statistics. Universidad de Sheffield, Inglaterra