Ensayo

Probabilidad
La probabilidad y la estadística ayudan a llevar la lógica a un mundo repleto de
aleatoriedad e incertidumbre.
https://www.edx.org/es/course/introduction-to-probability
Tirar los dados, encontrar un lugar para estacionar, ganar a las cartas; Estas son solo
algunas situaciones en las que es posible que desee encontrar las probabilidades de
que suceda un evento. Si desea saber cómo encontrar la probabilidad, primero debe
averiguar qué tipo de pregunta tiene. Por ejemplo, la forma en que encuentra las
probabilidades de que ocurra un evento es diferente de encontrar las probabilidades de
que los miembros del grupo elijan lo mismo.
Algunas probabilidades son fáciles de identificar, como encontrar probabilidades de
lanzar dados o elegir de una baraja de cartas.
https://www.statisticshowto.com/probability-and-statistics/probability-main-index/
La teoría de la probabilidad formal es una herramienta fundamental utilizada por
investigadores, proveedores de atención médica, compañías de seguros, corredores de
bolsa y muchos otros para tomar decisiones en contextos de incertidumbre.
La probabilidad proporciona información sobre la probabilidad de que suceda algo. Los
meteorólogos, por ejemplo, usan patrones climáticos para predecir la probabilidad de
lluvia. En epidemiología, la teoría de la probabilidad se utiliza para comprender la
relación entre las exposiciones y el riesgo de efectos sobre la salud.
https://www.iwh.on.ca/what-researchers-mean-by/probability
La probabilidad es un tipo de razón en la que comparamos cuántas veces puede ocurrir
un resultado en comparación con todos los resultados posibles.

https://www.mathplanet.com/education/pre-algebra/probability-and-statistic/probability-
of-events
Enfoques de probabilidad
Clásica
Esta es la perspectiva sobre la probabilidad que la mayoría de las personas encuentran
por primera vez en la educación formal (aunque pueden encontrar la perspectiva
subjetiva en la educación informal).
Por ejemplo, supongamos que consideramos lanzar un dado justo. Hay seis números
posibles que podrían surgir ("resultados") y, dado que el dado es justo, es igualmente
probable que ocurra cada uno. Entonces decimos que cada uno de estos resultados
tiene una probabilidad de 1/6. Dado que el evento "aparece un número impar" consta
exactamente de tres de estos resultados básicos, decimos que la probabilidad de
"impar" es 3/6, es decir, 1/2.
Esta perspectiva tiene la ventaja de que es conceptualmente simple para muchas
situaciones. Sin embargo, es limitado, ya que muchas situaciones no tienen un número
finito de resultados igualmente probables. Lanzar un dado ponderado es un ejemplo en
el que tenemos un número finito de resultados, pero no son igualmente probables.
Estudiar los ingresos de las personas a lo largo del tiempo sería una situación en la que
debemos considerar infinitos resultados posibles, ya que no hay forma de decir cuál
sería el máximo de ingresos posibles, especialmente si estamos interesados en el
futuro.
https://web.ma.utexas.edu/users/mks/statmistakes/probability.html
Este enfoque se remonta al campo donde la probabilidad se empleó por primera vez
sistemáticamente, que es el juego (lanzar monedas, lanzar dados, etc.). Los problemas
de juego se caracterizan por experimentos aleatorios que tienen n resultados posibles,
con la misma probabilidad de ocurrir. Significa que ninguno de ellos es más o menos
probable que ocurra que otros, por lo que se dice que están en una posición simétrica.

Empirica
Esta perspectiva define la probabilidad a través de un experimento mental.
Para hacernos una idea, supongamos que tenemos un dado que nos dicen que está
ponderado, pero no sabemos cómo está ponderado. Podríamos tener una idea
aproximada de la probabilidad de cada resultado lanzando el dado una gran cantidad
de veces y usando la proporción de veces que el dado da ese resultado para estimar la
probabilidad de ese resultado.
En otras palabras, imagina lanzar el dado 100 veces, 1000 veces, 10,000 veces, ....
Cada vez que esperamos obtener una aproximación cada vez mejor a la probabilidad
real del evento A. La forma matemática de describir esto es que la probabilidad
verdadera es el límite de las aproximaciones, ya que el número de lanzamientos "se
acerca al infinito" (que simplemente significa que el número de lanzamientos aumenta
cada vez más de forma indefinida). Ejemplo
Este punto de vista de la probabilidad generaliza el primer punto de vista: si de hecho
tenemos un dado justo, esperamos que el número que obtendremos de esta definición
sea el mismo que obtendremos de la primera definición (por ejemplo, P (obteniendo 1)
= 1 / 6; P (obteniendo un número impar) = 1/2). Además, esta segunda definición
también funciona para los casos en los que los resultados no son igualmente
probables, como el dado ponderado. También funciona en casos en los que no tiene
sentido hablar sobre la probabilidad de un resultado individual. Por ejemplo, podemos
considerar elegir al azar un número entero positivo (1, 2, 3, ...) y preguntar: "¿Cuál es la
probabilidad de que el número que elegimos sea impar?" Intuitivamente, la respuesta
debe ser 1/2, ya que todos los demás enteros (cuando se cuentan en orden) son
impares. Para aplicar esta definición, consideramos elegir al azar 100 enteros, luego
1000 enteros, luego 10,000 enteros, .... Cada vez que calculamos qué fracción de estos
números enteros elegidos son impares. La secuencia resultante de fracciones debería
dar cada vez mejores aproximaciones a 1/2.
Sin embargo, la perspectiva empírica tiene algunas desventajas. Primero, involucra un
experimento mental. En algunos casos, el experimento nunca se pudo realizar en la
práctica más de una vez. Considere, por ejemplo, la probabilidad de que el promedio
Dow Jones suba mañana. Solo hay uno hoy y uno mañana. Pasar de hoy a mañana no
es en absoluto como lanzar un dado. Solo podemos imaginar todas las posibilidades de
pasar del hoy al mañana (sea lo que sea que eso signifique). En realidad, no podemos
obtener una aproximación.
Una segunda desventaja de la perspectiva empírica es que deja abierta la cuestión de
qué tan grande debe ser n antes de obtener una buena aproximación. El ejemplo
vinculado anteriormente muestra que, a medida que aumenta n, es posible que
tengamos un bamboleo lejos del valor real, seguido de un bamboleo hacia él, por lo
que ni siquiera es un proceso constante.
La visión empírica de la probabilidad es la que se utiliza en la mayoría de los
procedimientos de inferencia estadística. Estos se llaman estadísticas frecuentistas. La
visión frecuentista es la que da credibilidad a las estimaciones estándar basadas en el
muestreo. Por ejemplo, si elegimos una muestra aleatoria lo suficientemente grande de
una población (por ejemplo, si elegimos al azar una muestra de 1000 estudiantes de la
población de los 50,000 estudiantes matriculados en la universidad), entonces el
promedio de alguna medida (por ejemplo, gastos universitarios) para la muestra es una
estimación razonable del promedio de la población.
https://web.ma.utexas.edu/users/mks/statmistakes/probability.html
Este enfoque se introdujo formalmente en el campo de las ciencias naturales, donde la
suposición de la posición simétrica fracasa mal. En cambio, la idea en la que se basa
este enfoque es que se pueden realizar varios experimentos en determinadas
condiciones consideradas equivalentes. Cada experimento puede conducir al éxito o al
fracaso. Por lo tanto, dados n experimentos aleatorios ejecutados en condiciones
equivalentes, definimos la frecuencia de "éxito" (que es un evento E) como:
https://medium.com/analytics-vidhya/probability-classical-frequentist-and-subjective-
approach-3ded266b8845
Subjetiva
La probabilidad subjetiva es la medida de la creencia de una persona individual de que
ocurrirá un evento. Con esta visión de la probabilidad, tiene mucho sentido
intuitivamente hablar sobre la probabilidad de que el promedio Dow Jones suba
mañana. Puede tomar de manera bastante racional su punto de vista subjetivo para
estar de acuerdo con los puntos de vista clásicos o empíricos cuando se apliquen, por
lo que la perspectiva subjetiva puede tomarse como una expansión de estos otros
puntos de vista.
Sin embargo, la probabilidad subjetiva también tiene sus desventajas. Primero, dado
que es subjetivo, la probabilidad de una persona (por ejemplo, que el Dow Jones suba
mañana) puede diferir de la de otra. Esto es perturbador para muchas personas. Aún
así, modela la realidad de que a menudo las personas difieren en sus juicios de
probabilidad.
El segundo inconveniente es que las probabilidades subjetivas deben obedecer ciertas
condiciones de "coherencia" (consistencia) para que sean factibles. Por ejemplo, si
cree que la probabilidad de que el Dow Jones suba mañana es del 60%, entonces,
para ser coherente, no puede creer que la probabilidad de que el Dow Jones baje
mañana también sea del 60%. Es fácil caer en probabilidades subjetivas que no son
coherentes.
La perspectiva subjetiva de la probabilidad encaja bien con las estadísticas bayesianas,
que son una alternativa a los métodos estadísticos frecuentistas más comunes. (Este
sitio web se centrará principalmente en las estadísticas frecuentistas).
https://web.ma.utexas.edu/users/mks/statmistakes/probability.html
Desarrollada por el probabilista B. de Finetti, esta es la definición más intuitiva de
probabilidad. De hecho, de acuerdo con ese enfoque, la probabilidad de un evento es
el grado de creencia que una persona atribuye a ese evento, en función de la
información disponible. Este razonamiento solo se sostiene bajo el supuesto de
racionalidad, que supone que las personas actúan de manera coherente.
https://medium.com/analytics-vidhya/probability-classical-frequentist-and-subjective-
approach-3ded266b8845

Axiomatica
Esta es una perspectiva unificadora. Se puede demostrar que las condiciones de
coherencia necesarias para la probabilidad subjetiva son válidas para las definiciones
clásica y empírica. La perspectiva axiomática codifica estas condiciones de coherencia,
por lo que se puede utilizar con cualquiera de las tres perspectivas anteriores.
La perspectiva axiomática dice que la probabilidad es cualquier función (la llamaremos
P) desde eventos hasta números que satisfacen las tres condiciones (axiomas) a
continuación. (Lo que constituye los eventos dependerá de la situación en la que se
utilice la probabilidad).
https://web.ma.utexas.edu/users/mks/statmistakes/probability.html

Evento
En probabilidad, el conjunto de resultados de un experimento se conoce como Evento.
Por ejemplo, digamos que realiza un experimento lanzando una moneda. El resultado
de este experimento es la moneda que cae "cara" o "cruz". Se puede decir que estos
son los eventos relacionados con el experimento. Entonces, cuando la moneda cae
cruz, se puede decir que ocurrió un evento.
https://www.toppr.com/guides/maths/probability/event-and-its-types/
En un experimento, la probabilidad de un evento es la probabilidad de que ocurra ese
evento.
La probabilidad es un valor entre (e incluyendo) cero y uno.
Si P (E) representa la probabilidad de un evento E, entonces:
P (E) = 0 si y solo si E es un evento imposible.
P (E) = 1 si y solo si E es un evento determinado.
0 ≤ P (E) ≤ 1.
Dados los dos eventos "A" y "B", P (A)> P (B) si y solo si el evento "A" es más probable
que ocurra el evento "B".
Una lista de todos los resultados de un experimento se denomina espacio muestral (S)
del experimento y n (S) representa el número de resultados en el espacio muestral.
https://www.learnalberta.ca/content/memg/Division03/Probability%20(of%20an
%20event)/index.html
Experimento
Un EXPERIMENTO es cualquier actividad con un resultado observable. Lanzar una
moneda, lanzar un dado o elegir una carta se consideran experimentos.
https://www.math.tamu.edu/~Janice.Epstein/141/review/WIR10_Prob_1.pdf
Un experimento de probabilidad es una prueba en la que realizamos una serie de
pruebas que nos permiten medir la probabilidad de que ocurra un evento en el futuro.
Los resultados de un experimento de probabilidad pueden revelar una verdad conocida
o llevarnos a descubrir algo sobre la probabilidad (o posibilidad) de que un evento
ocurra en el futuro.
Lanzar un dado, lanzar una moneda, girar una ruleta y sacar una carta de un mazo de
naipes son todos ejemplos de experimentos de probabilidad.
https://www.mathsteacher.com.au/year10/ch05_probability/01_long_run/prob.htm
Experimento aleatorio
Antes de lanzar un dado, no conoce el resultado. Este es un ejemplo de un
experimento aleatorio. En particular, un experimento aleatorio es un proceso mediante
el cual observamos algo incierto. Después del experimento, se conoce el resultado del
experimento aleatorio. Un resultado es el resultado de un experimento aleatorio. El
conjunto de todos los resultados posibles se denomina espacio muestral. Por tanto, en
el contexto de un experimento aleatorio, el espacio muestral es nuestro conjunto
universal. A continuación, se muestran algunos ejemplos de experimentos aleatorios y
sus espacios de muestra:
Experimento aleatorio: lanza una moneda; espacio muestral: S = {cara, cruz} o como lo
escribimos habitualmente, {H, T}.
Experimento aleatorio: tira un dado; espacio muestral: S = {1,2,3,4,5,6}.
Experimento aleatorio: observe la cantidad de iPhones vendidos por una tienda Apple
en Boston en 2015; espacio muestral: S = {0,1,2,3, ⋯}.
Experimento aleatorio: observe el número de goles en un partido de fútbol; espacio
muestral: S = {0,1,2,3, ⋯}.
Cuando repetimos un experimento aleatorio varias veces, llamamos ensayo a cada uno
de ellos. Por tanto, una prueba es una realización particular de un experimento
aleatorio. En el ejemplo de lanzar una moneda, cada intento resultará en cara o cruz.
Tenga en cuenta que el espacio muestral se define en función de cómo defina su
experimento aleatorio. Por ejemplo,
Lanzamos una moneda tres veces y observamos la secuencia de cara / cruz. El
espacio muestral aquí puede definirse como
S = {(H, H, H), (H, H, T), (H, T, H), (T, H, H), (H, T, T), (T, H, T) , (T, T, H), (T, T, T)}.

Nuestro objetivo es asignar probabilidad a ciertos eventos. Por ejemplo, suponga que
nos gustaría saber la probabilidad de que el resultado de lanzar un dado justo sea un
número par. En este caso, nuestro evento es el conjunto E = {2,4,6}. Si el resultado de
nuestro experimento aleatorio pertenece al conjunto E, decimos que el evento E ha
ocurrido. Por tanto, un evento es una colección de posibles resultados. En otras
palabras, un evento es un subconjunto del espacio muestral al que asignamos una
probabilidad. Aunque todavía no hemos discutido cómo encontrar la probabilidad de un
evento, es posible que pueda adivinar que la probabilidad de {2,4,6} es 50 por ciento,
que es lo mismo que 12 en la convención de la teoría de la probabilidad.
https://www.probabilitycourse.com/chapter1/1_3_1_random_experiments.php#:~:text=I
n%20particular%2C%20a%20random%20experiment,is%20called%20the%20sample
%20space.
Un experimento es aleatorio si, aunque se repite de la misma manera cada vez, puede
dar lugar a diferentes resultados:
El conjunto de todos los posibles resultados está completamente determinado antes de
llevarlo a cabo.
Antes de llevarlo a cabo, no podemos predecir su resultado.
Se puede repetir tantas veces como queramos siempre en las mismas condiciones
(dando lugar a diferentes resultados).
http://halweb.uc3m.es/esp/Personal/personas/icascos/eng/probability_notes/random-
experiments.html
Operaciones de eventos
Espacio Muestral
En el estudio de la probabilidad, un experimento es un proceso o investigación a partir
del cual se observan o registran resultados.
Un resultado es un posible resultado de un experimento.
Un espacio muestral es el conjunto de todos los resultados posibles del experimento.
Generalmente se denota con la letra S. El espacio muestral se puede escribir usando la
notación de conjuntos, {}.
Experimento 1: Lanzar una moneda
Los posibles resultados son cabeza o cola.
Espacio muestral, S = {cabeza, cola}
Experimento 2: Lanzar un dado
Los posibles resultados son los números 1, 2, 3, 4, 5 y 6
Espacio muestral, S = {1, 2, 3, 4, 5, 6}
Experimento 3: elegir una carta
En un experimento, se elige una carta de una pila de seis cartas, que deletrean la
palabra PASCAL.
Los posibles resultados son P, A 1, S, C, A 2 y L.
Espacio muestral, S = {P, A 1, S, C, A 2 L}. Hay 2 cartas con la letra "A"
Experimento 4: Coger 2 canicas, una a la vez, de una bolsa que contiene muchas
canicas azules y rojas.
Los posibles resultados son: (Azul, Azul), (Azul, Rojo), (Rojo, Azul) y (Rojo, Rojo).
Espacio muestral, S = {(B, B), (B, R), (R, B), (R, R)}.

https://www.onlinemathlearning.com/samples-in-probability.html
Asignación de Probabilidad
Cuando tenemos un experimento aleatorio, el primer paso es enumerar todos los
resultados posibles en el espacio muestral. El siguiente paso es asignar números,
llamados probabilidades, a los diferentes resultados que reflejan las probabilidades de
que estos resultados puedan ocurrir.
Para ilustrar diferentes asignaciones de probabilidades, suponga que mi hija va a una
heladería y planea pedir un cono de helado de un solo baño. Esta sala en particular
tiene cuatro sabores de helado diferentes. ¿Qué sabor pedirá mi hija?
Primero, anotamos el espacio muestral: los posibles sabores que mi hija puede pedir.
Debajo colocaremos probabilidades para estos cuatro posibles resultados que reflejan
mis creencias sobre lo que le gusta y lo que no le gusta.
¿Nuestras probabilidades pueden ser números? No exactamente. A continuación, se
muestran algunos hechos (o leyes) básicos sobre las probabilidades:
Cualquier probabilidad que asignemos debe estar entre 0 y 1
La suma de las probabilidades de todos los resultados debe ser igual a 1.
Podemos dar a un resultado una probabilidad de 0 si estamos seguros de que ese
resultado nunca ocurrirá.
Del mismo modo, si asignamos una probabilidad de 1 a un evento, ese evento debe
ocurrir todo el tiempo.
Con estos hechos en mente, consideramos algunas posibles asignaciones de
probabilidad para el sabor del helado que pedirá mi hija.
ESCENARIO 1: Supongamos que a mi hija le gusta que la sorprendan. Ha traído un
sombrero en el que ha colocado muchas tiras de papel: 10 tiras están etiquetadas
como "vainilla", 10 tiras están etiquetadas como "chocolate", 10 tiras son "mantequilla
de nuez" y 10 son "nuez de arce". Ella hace su elección de helado eligiendo un
deslizamiento al azar. En este caso, cada sabor tendría una probabilidad de 10/40 = ¼.
ESCENARIO 2: Consideremos un conjunto diferente de probabilidades basadas en
diferentes suposiciones sobre las preferencias gustativas de mi hija. Sé que a ella
realmente no le gustan los sabores "simples" como la vainilla o el chocolate, y le gustan
los helados con sabor a nueces. En este caso, asignaría a “Vainilla” y “Chocolate” a
cada uno una probabilidad de 0, y asignaría a los otros dos sabores probabilidades que
sumen uno. Aquí hay una posible asignación.
Otra posible asignación de probabilidades que es consistente con estos supuestos es
ESCENARIO 3: Consideremos una asignación de probabilidad alternativa desde el
punto de vista de una persona diferente. El trabajador de la heladería no tiene idea de
qué sabor va a pedir mi hija. Pero ha estado trabajando en la tienda todo el día y ha
llevado un registro de cuántos conos de cada tipo se han pedido: de 50 conos pedidos,
10 son de vainilla, 14 son de chocolate, 20 son mantequilla de nuez y 6 son de nuez de
arce. Si cree que mi hija tiene gustos similares a los de los clientes anteriores, sería
razonable aplicar el punto de vista de la frecuencia para asignar las probabilidades.
Cada una de las asignaciones de probabilidad anteriores utilizó un punto de vista
diferente de la probabilidad como se describe en el Tema P1. La primera tarea utilizó el
punto de vista clásico en el que cada una de las cuarenta hojas de papel tenía la
misma probabilidad de ser seleccionada. La segunda tarea fue una ilustración de la
visión subjetiva en la que mi tarea se basó en mi opinión sobre los sabores favoritos de
mi hija. La última asignación se basó en el punto de vista de la frecuencia donde las
probabilidades se estimaron a partir de las preferencias de sabor observadas de 50
clientes anteriores.
https://bgsu.instructure.com/courses/901773/pages/p2-sample-space-and-assigning-
probabilities
Axiomas de probabilidad
Los axiomas de probabilidad son reglas matemáticas que la probabilidad debe
satisfacer. Sean A y B eventos. Sea P (A) la probabilidad del evento A. Los axiomas de
probabilidad son estas tres condiciones en la función P:
La probabilidad de cada evento es al menos cero. (Para cada evento A, P (A) ≥ 0. No
existe una probabilidad negativa).
La probabilidad de todo el espacio de resultados es del 100%. (P (S) = 100%. La
probabilidad de que ocurra algo en el espacio de resultados es del 100%, porque el
espacio de resultados contiene todos los resultados posibles).
Si dos eventos son inconexos, la probabilidad de que ocurra cualquiera de los eventos
es la suma de las probabilidades de que ocurra cada uno. (Si AB = {}, P (A ∪ B) = P (A)
+ P (B).)
En lugar del axioma 3, a veces se usa el siguiente axioma:
3 ') Si {A1, A2, A3,…} es una partición del conjunto A, entonces P (A) = P (A1) + P (A2)
+ P (A3) +…
El axioma 3 'es más restrictivo que el axioma 3. Nota 17-1 ▾
Tanto el axioma 3 como el axioma 3 'son válidos para todas las funciones de
probabilidad utilizadas en este libro. Cualquier función P que asigna números a
subconjuntos del espacio de resultados S y satisface los axiomas de probabilidad se
llama distribución de probabilidad en S.
https://www.stat.berkeley.edu/~stark/SticiGui/Text/probabilityAxioms.htm