Teoría de las Probabilidades: Estadística Inferencial

En la actividad diaria nos encontramos con ciertos tipos de fenómenos que se pueden reproducir un gran
número de veces, en condiciones similares dando lugar a un conjunto de dos o más posibles resultados. Es decir,
los resultados observados son diferentes, aunque las condiciones iniciales en las que se produce la experiencia
sean las mismas. Por ejemplo, al seleccionar al azar un lote de un producto fabricado por una industria unos
resultaran buenos y otros de mala calidad. Estos fenómenos, denominados aleatorios, se ven afectados por la
incertidumbre. En el lenguaje habitual, frases como "probablemente...", "es poco probable que...", "hay
muchas posibilidades de que..." hacen referencia a esta incertidumbre.

El objeto de la teoría de probabilidades es proporcionar un modelo matemático adecuado, aplicable a la descripción e

interpretación de los fenómenos aleatorios. Se ocupa de asignar un cierto número a cada posible resultado que
pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y saber si un suceso es más
probable que otro. Por otra parte, cuando aplicamos las técnicas estadísticas a la recogida, análisis e
interpretación de los datos, la teoría de la probabilidad proporciona una base para evaluar la fiabilidad de las
conclusiones alcanzadas y las inferencias realizadas.

Fenómeno: Es la ocurrencia de un hecho o suceso. Los fenómenos pueden ser de dos tipos: Determinísticos y No
determinísticos (Aleatorios o al azar).

1) Determinísticos: Es aquel cuyo resultado se puede predecir de antemano con absoluta certeza, o sea, se
obtiene siempre el mismo resultado bajo las mismas condiciones iniciales. No hay incertidumbre respecto a la
forma del resultado y los datos utilizados son completamente conocidos y determinados. Estos se relacionan
con la causalidad que implica conocimiento y control de los factores que determinan el comportamiento del
fenómeno.

2) No determinísticos (Aleatorios o al azar): Son aquellos que no se puede predecir el resultado, se considera
como la característica de un suceso imprevisible. Es decir, bajo el mismo conjunto de condiciones iniciales
puede presentar resultados diferentes. Existe incertidumbre respecto al resultado de los datos. Son causa del
azar, con la imposibilidad de controlarlos debido al desconocimiento de las causas.

Experimento: Es cualquier proceso que proporciona datos, numéricos o no numéricos. Es un fenómeno

observable perfectamente definido.

Experimento Aleatorio: Conjunto de pruebas realizadas bajo las mismas condiciones y cuyos resultados son
impredecibles.

Características de los experimentos aleatorios (no determinístico).

a) Todos los resultados del experimento son conocidos con anterioridad a su realización.
b) No se puede predecir el resultado del experimento.
c) El experimento puede repetirse en condiciones idénticas, sin cambiar esencialmente las condiciones.
d) Aunque en general no podemos especificar cual será el resultado particular, podemos describir el conjunto
de todos los resultados posibles del experimento.

Espacio muestral: Es el conjunto de todos los resultados posibles de un experimento aleatorio. Ejemplos al
lanzar una moneda: S= {C, E} y un dado: S= {1, 2, 3, 4, 5,6}.
Suceso elemental. Son cada uno de los resultados posibles de un experimento aleatorio; luego un suceso
elemental consta de un solo elemento del espacio muestral.

Suceso o evento: Es uno o más de los resultados posibles de hacer algo, es decir uno de los resultados
posibles de realizar un experimento aleatorio. Es un subconjunto del espacio muestral.

Evento seguro: Es aquel que tiene todos los posibles resultados o cuando estamos seguros de que el evento si
ocurrirá.

Evento imposible: Es aquel que no tiene un posible resultado.

Origen de la Probabilidad: La afición al juego fue lo que impulso el desarrollo de la probabilidad. En un esfuerzo
por aumentar sus ganancias les pidieron a los matemáticos del siglo XVI Pacioli, Cardano y Tartaglia que les
proporcionaran las estrategias óptimas para varios juegos de azar. En 1654 Antoine Gombaud, un jugador compulsivo,
pidió a Blaise Pascal que le resolviese el problema del reparto de apuestas cuando se suspendía la partida antes de
terminar el juego. La solución consistió en darse cuenta de que el reparto de las apuestas debe hacerse en función de la
probabilidad de ganar que tuviese cada jugador en el momento de interrumpirse el juego. Había nacido la probabilidad.
Como resultado de este primer desarrollo de la teoría de la probabilidad, se extiende junto con la estadística a muchos
campos tales como: la política, los negocios, la predicción del clima y la investigación científica

Regularidad estadística: Cuando estudiamos un gran número de veces un fenómeno en condiciones constantes (o
casi) las proporciones en las que ocurren los posibles resultados son muy estables (casi no cambian). Es decir, los
resultados de un cierto experimento aleatorio, tienden a estabilizarse en cierto número, cuando el experimento se realiza
muchas veces. Es la propiedad de los fenómenos aleatorios que consiste en que al aumentar el número de repeticiones
de un experimento en condiciones constantes la frecuencia relativa de ocurrencia para cada evento tiende a un valor fijo.

La Probabilidad: Es una medida numérica de la posibilidad de que ocurra un evento. También podemos decir
que es la teoría matemática que estudia los fenómenos que se producen de forma aleatorios, o sea, se
considera una parte de la matemática que trata de manejar con números la incertidumbre. La probabilidad se
mide por un número entre cero y uno: 0 ≤ p ≤ 1, indica las pos ibilidades que tie ne de verifica rse
cuando se realiza un expe rime nto aleatorio.
El valor más pequeño que puede tener la probabilidad de ocurrencia de un evento es igual a 0, el cual indica
que el evento es imposible, y el valor mayor es 1, que indica que el evento ciertamente ocurrirá. La
probabilidad se expresa en: decimales, fracciones o porcentajes.

La importancia de la probabilidad: radica en que, mediante este recurso matemático, es posible ajustar
de la manera más exacta posible los imponderables debidos al azar en los más variados campos tanto de la
ciencia como de la vida cotidiana.

Utilizar la estadística para la toma de decisiones y para llegar a ciertas conclusiones, implica manejar algunas
funciones medibles fundamentales para el análisis estadístico, particularmente las que se refieren a la
probabilidad. En efecto, cualquier enfoque analítico de los problemas estadísticos supone la evaluación de la
medida en que es posible que ocurran ciertos eventos o fenómenos

Existen diversas definiciones que se han hecho a la Probabilidad, pero todas ellas quedan englobadas a partir de
tres enfoques o escuelas de pensamiento diferente que la interpretan desde un punto de vista subjetivo la
primera y las dos últimas objetivo
SUBJETIVO o personalista: Probabilidad basada en las creencias personales de quien hace la estimación
de probabilidad. Es decir, se basa en toda la evidencia que tiene disponible, en la intuición, opiniones, y otra
información indirecta obtenida. Debido a que el valor de la probabilidad es un juicio personal, al enfoque
subjetivo se le denomina también enfoque personalista.
Según el enfoque subjetivo la probabilidad es una medida del grado de certidumbre que tiene una persona
respecto a la ocurrencia de un evento. Este punto de vista no es tan arbitrario como a primera vista parece, no
quiere decir que se escoja sin ton ni son un número entre 0 y 1 y digamos que se trata de la probabilidad de
un evento.

El enfoque subjetivo es un modo de entender que la probabilidad de eventos donde no hay resultados
igualmente probables ni un numero grande de repeticiones con las mismas características.
En el pronóstico del tiempo, por ejemplo, muchos individuos como nosotros realizamos una predicción
personal de cómo serán las condiciones climáticas para el día, basadas más en nuestra experiencia personal
pero que muchas veces sustentamos en experiencia de eventos pasados.

Ejemplo: Un dirigente del Partido político dice que la probabilidad de que su agrupación ganara las elecciones del
cabildo en la Ciudad de Monte Plata el próximo año es del 90%. Esto significa que partiendo de su conocimiento de la
situación y juzgando las evidencias que rodean una campaña y los candidatos que se tienen, siente cuatro veces más
probable que gane su partido a que pierda.

Enfoque de frecuencia relativa o emperico: Se determina la probabilidad con base en la proporción de

veces que ocurre un resultado favorable en un determinado numero de observaciones o experimentos.
Debido que para determinar los valores de probabilidad se requiere de la observación y de la recopilación de
datos, a este enfoque se le llama también enfoque empírico. Este enfoque no asigna probabilidades a priori a
los posibles resultados del experimento.

Este enfoque se considera a posteriori, ya que el resultado se obtiene después de realizar el experimento un
cierto número de veces. Para determinar la probabilidad frecuencial, se repite el experimento aleatorio un
número determinado de veces, se registran los datos y se divide el número de veces que se obtiene el
resultado que nos interesa, entre el número de veces que se realizó el experimento.
Ejemplo: En la siguiente tabla se presentan los resultados obtenidos de una encuesta realizada
a empleados de una industria de la zona industrial herrera en la cuidad de Santo Domingo. Se
aplicó a mil (1000) empleados seleccionados al azar

Probabilidad experimental: Es la probabilidad basada en los datos recogidos en los experimentos

realizados.

Enfoque clásico o aprioris: La probabilidad de un evento se basa en el conocimiento del proceso

involucrado, cuando existe igual probabilidad para todos los posibles resultados del proceso. Es la razón entre
número de casos o eventos favorables, y el número total de casos o eventos posible.

Este enfoque: Es una estrategia mediante la cual se intenta estimar la frecuencia con la que se obtiene un
cierto resultado en el marco de una experiencia en la que se conocen todos los resultados posibles. Este
enfoque permite determinar valores de probabilidad antes de ser observado el experimento por lo que se le
denomina enfoque a priori.

En eeste enfoque todos los resultados de un experimento son igualmente viables, es decir, tienen
teóricamente las mismas posibilidades de ocurrir.
El enfoque subjetivo se diferencia de los otros dos enfoques, debido a que tanto el enfoque clásico como el
de frecuencia relativa producen valores de probabilidad objetivos.

Ejemplo:
 Existe una probabilidad de 50% si lanzamos un dado salga un numero par

La probabilidad teórica: Es una probabilidad calculada basada en los resultados posibles cuando todos
tienen la misma probabilidad de ocurrir.

La regla de la adición o suma en probabilidad:

Eventos mutuamente excluyentes: Dos o más eventos son mutuamente excluyentes o disjuntos, si no pueden
ocurrir simultáneamente, es decir, la ocurrencia de un evento impide automáticamente la ocurrencia del otro
evento (o eventos), en otras palabras, dos eventos no se pueden presentar juntos cuando se realiza un
experimento.
Eventos no mutuamente excluyentes: Dos o más eventos son no mutuamente excluyentes, o conjuntos, cuando
es posible que ocurran ambos. Esto no indica que necesariamente deban ocurrir estos eventos en forma
simultánea.

Esta regla establece que la probabilidad de ocurrencia de cualquier evento en particular es igual a la suma de
las probabilidades individuales, si es que los eventos son mutuamente excluyentes, es decir, que dos no
pueden ocurrir al mismo tiempo. Se representa de esta forma P(A o B) o probabilidad de la unión de los
eventos P(A u B)
Ejemplo 1: Una empresa se especializa en proporcionar evaluaciones a tiendas de ropa para dama en
centros comerciales. Clasifica como buenas, regulares o malas las evaluaciones hechas a los diferentes lotes
de ropas. Registros de evaluaciones anteriores indican que en el 60% de los casos son buenas, en 30% son
regulares y en 10% son malas. Si se selecciona uno de esos lotes de forma aleatoria. ¿Cuál es la
probabilidad de que sea calificado como bueno o regular el lote seleccionado?
Usando la regla de la suma para eventos mutuamente excluyentes, tenemos el siguiente
resultados: P (B o R) = P(B) + P (R) = 0.60 + 0.30 = 0.90, 90%

Ejemplo 2: El 50% de los pacientes hombres atendidos en un hospital tienen ansiedad, mientras que el
40% de las Mujeres tienen estrés y el 35% de los pacientes tienen ambos trastornos. Se elige un paciente al
azar. Encuentre la probabilidad: De que tenga al menos uno de los trastornos

Eventos: H: Paciente hombre ansiedad,

M: Paciente mujer estres
P (H ∩ M) = ambos eventos

Regla de la suma para eventos no mutuamente excluyentes

Probabilidad condicional:
Eventos Independientes: Se dice que dos o más sucesos aleatorios son independientes entre sí
cuando la probabilidad de cada uno de ellos no está influida porque el otro suceso ocurra o no, es decir,
cuando ambos sucesos no están relacionados. El resultado de un evento no tiene que ver con el resultado
de otro(s) evento(s).

Eventos dependientes: Dos o más eventos serán dependientes cuando la probabilidad de ocurriencia o
no ocurrencia de uno de ellos afecte la probabilidad de ocurrencia del otro. Cuando se presenta ese caso,
empleamos entonces, el concepto de probabilidad condicional para determinad la probabilidad del evento
relacionado.

Probabilidad condicional: Hasta el momento hemos visto el concepto de probabilidad partiendo de que
la única información que tenemos sobre el experimento es el espacio muestral.
La probabilidad condicionada va ligado siempre a sucesos compuestos o probabilidad conjunta P(A y B), en el
sentido de que la ocurrencia o no de uno de ellos influya o no en la ocurrencia o no del otro (Eventos
independientes o dependientes).
La probabilidad condicional surge cuando se quiere obtener la probabilidad de ocurrencia de un determinado
evento A, y se tiene conocimiento que ya ocurrió otro evento B relacionado con el primero. Se calcula la
probabilidad conjunta de ambos eventos P(A∩B) y el resultado se divide entre la probabilidad de ocurrencia
del evento conocido (B)

Formula probabilidad condicional

Ejemplo: La probabilidad de que un turista haya visitado Punta Cana (evento A) es 0.70, que haya visitado
Puerto Plata (evento B) es 0.60 y la probabilidad de que haya visitado ambos polos turísticos es de 0.50. ¿Cuál
es la probabilidad de un turista visite Puerto Plata (B), Sabiendo que ya visitó Punta Cana?.

Sabiendo que el turista visito Punta Cana, existe una probabilidad de 71.4% de que visite también Puerto Plata

Regla de la multiplicación de probabilidades: Establece que la probabilidad de ocurrencia de ambos

eventos es igual al producto de sus probabilidades individuales.
 Ejemplo 1: Regla de multiplicación para eventos independientes
P (A y B) ó P (A ∩ B)

Ejemplo 2: La probabilidad de que un hombre casado vea el juego de beisbol es 0.40, la probabilidad de
que una mujer casada vea el juego de beisbol es de 0.50 y la probabilidad de que un hombre vea el juego de
beisbol, dado que su esposa lo haga tambien es de 0.70. Encuentre la probabilidad de que:
1) De el matrimonio vea el juego de beisbol, es decir, que el hombre y la mujer vean el juego. La probabilidad
de la intersección, regla de la multiplicación para eventos dependientes:
Sean los eventos: H, igual el hombre vea el juego, M, igual la mujer vea el juego
P (H) = 0.40 P (M) =0.50 P (H/M) = 0.70
 Existe una probabilidad de 35% de tanto el hombre Como la mujer vean la finales de beisbol

2) De que la esposa vea el juego de beisbol dado que su esposo lo vea

, Si el esposo vez el juego de beisbol, existe una probabilidad de

87.5% de que la esposa lo vea tambien
Teorema de probabilidad total: Sea A1, A2,…. An un sistema completo de eventos tales que la
probabilidad de cada uno de ellos es distinta de cero, y sea B un evento cualquiera del que se conocen las
probabilidades condicionales P(B/Ai), entonces, la probabilidad del evento B, llamada probabilidad total. Es
decir, nos permite calcular la probabilidad de un suceso a partir de probabilidades condicionadas.
Ejemplo: Una compañía de transporte público tiene tres líneas en una ciudad, de forma que el 45% de los
autobuses cubre el servicio de la línea 1, el 25% cubre la línea 2 y el 30% cubre el servicio de la línea 3. Se sabe
que la probabilidad de que, diariamente, un autobús se averíe es del 2%, 3% y 1% respectivamente, para cada
línea.
a) Calcular la probabilidad de que, en un día, un autobús sufra una avería
b) Calcular la probabilidad de que, en un día, un autobús no sufra una avería

1) Calcular la probabilidad de que, en un día, un autobús sufra una avería

Empleando la fórmula de probabilidad total se obtiene:

2) Calcular la probabilidad de que, en un día, un autobús no sufra una avería

Empleando la fórmula de probabilidad total se obtiene:
 Teorema de Thomas Bayes: Se utiliza para revisar probabilidades previamente calculadas cuando se posee
nueva información. Desarrollado por el reverendo Thomas Bayes en el siglo XVII, el teorema es una extensión
de lo que ha aprendido hasta ahora acerca de la probabilidad condicional. Comúnmente se inicia
un análisis de probabilidades con una asignación inicial, probabilidad a priori. Cuando se tiene alguna
información adicional se procede a calcular las probabilidades revisadas o a posteriori.
3) ¿De qué línea de transporte es más probable que un autobús sufra una avería?

Se debe calcular las tres probabilidades a posteriori empleando el Teorema de Bayes:

1) La probabilidad de que sea de la línea 1, sabiendo que sufre una avería es:

46.15%
2) La probabilidad de que sea de la línea 2, sabiendo que sufre una avería es:

38.46%
3) La probabilidad de que sea de la línea 3, sabiendo que sufre una avería es:

15.38%
4) Sabiendo que el autobús sufre una avería, lo más probable es que sea de la línea 1, ya que esta probabilidad.

46.15%

Teoremas de la probabilidad Total y Bayes

Teorema de la probabilidad total: Nos permite calcular la probabilidad de un suceso a partir de
probabilidades condicionadas.
Ejemplo: Supongamos que si llueve la probabilidad de que ocurra un accidente es x% y si hace buen tiempo
dicha probabilidad es y%. Este teorema nos permite deducir cuál es la probabilidad de que ocurra un accidente
si conocemos la probabilidad de que llueva y la probabilidad de que haga buen tiempo.
 Es decir, la probabilidad de que ocurra el suceso B (en nuestro ejemplo, que ocurra un accidente) es igual a la
suma de multiplicar cada una de las probabilidades condicionadas de este suceso con los diferentes sucesos A
(probabilidad de un accidente cuando llueve y cuando hace buen tiempo) por la probabilidad de cada suceso A.

Teorema de Bayes: Viene a seguir el proceso inverso al que hemos visto en el Teorema de la probabilidad total. El
teorema se calcula a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades del
suceso A (¿estaba lloviendo o hacía buen tiempo?). Este teorema permite realizar estimaciones basadas en un
conocimiento subjetivo a priori, que puede ser modificado con nueva información adicional. De alguna forma,
sistematiza una práctica casi inconsciente: la intuición humana. Parte de una situación en la que es posible conocer las
probabilidades de que ocurran una serie de sucesos Ai. se utiliza para revisar probabilidades previamente calculadas
cuando se posee nueva información. ...

. Tratar de explicar estar fórmula con palabras es un TANTO COMPLICADO,

así que vamos a intentar explicarla con un ejemplo. De todos modos, antes de entrar en el ejercicio,
recordar que este teorema también exige que el suceso A forme un sistema completo.

Ejercicio 1º: El parte meteorológico ha anunciado tres posibilidades para el fin de semana:
a) Que llueva: probabilidad del 50%
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%
Según estos posibles estados meteorológicos, la posibilidad de que ocurra un accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.
b) Si nieva: probabilidad de accidente del 10%
c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no estábamos en la ciudad no sabemos qué tiempo
hizo (nevó, llovió o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades: Las
probabilidades que manejamos antes de conocer que ha ocurrido un accidente se denominan "probabilidades a
priori" (lluvia con el 50%, nieve con el 30% y niebla con el 20%). Una vez que incorporamos la información de que ha
ocurrido un accidente, las probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B), que se
denominan "probabilidades a posteriori".

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el día del accidente (probabilidad a posteriori)
es del 71,4%.

b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:
La probabilidad de que hubiera niebla es del 7,1%.
BIBLIOGRAFIA

1) Estadística para Administradores y Economía. Anderson Sweneyesta. Cengage Learning,

2) Estadística para Administradores. Richard Levin. Editora Pearson Prentice

3) ESTADISTICA Elemental. 11ª. Edicion. Johnson, Kuby Cengage Learning.

4) Probabilidad y Estadística. Para Ingeniería y Ciencia. Jay L. Devore. Octava Edicion.

5) www.aulafacil.com/.../estadísticas/estadísticas/introducción-a-la-estadística- descriptiva

6) www.monografias.com/estadística-descriptiva.../conceptos-básicos-estadistica-
descriptiva-e-inferencial.shtml

7) http://www.monografias.com/trabajos96/conceptos-basicos-estadistica-descriptiva-e-
inferencial/conceptos-basicos-estadistica-descriptiva-e-inferencial.shtml#ixzz3lG1pXJkb.