💡 Probabilidad

💡 Probabilidad
✏ Introducción a la probabilidad
📎 Introducción
📎 Conceptos importantes
📎 Enfoques probabilísticos
✏ Reglas de adición de probabilidades
📎 Regla especial de la adición
📎 Regla general de la adición
📎 Regla del complemento
✏ Reglas de multiplicación de probabilidades
📎 Regla especial de la multiplicación
📎 Regla general de la multiplicación
✏ Tablas de contingencia
✏ Diagrama de árbol
✏ Introducción a la probabilidad
📎 Introducción
Probabilidad, azar o posibilidad, son términos equivalentes usados en muchas situaciones en
el contexto del tema de probabilidad, puede tomar valores entre y , donde representa un
evento particular el cual es seguro que no sucederá y es un evento que con seguridad sucederá.
La probabilidad se puede expresar en forma decimal, en forma de fracción o en forma
porcentual.

📎 Conceptos importantes
👀 Experimento:

Es un proceso que induce a la ocurrencia una y solo una de varias posibles observaciones,
por ejemplo:

Experimento: “Lanzar una moneda”.

👀 Resultado:

Es una ocurrencia particular de un evento, por ejemplo:

Experimento: “Lanzar una moneda”

Resultado: “cara” o “cruz”

👀 Evento:

Conjunto de uno o más resultados de un experimento. por ejemplo:

Experimento: “Lanzar una moneda”

Resultado: Obtener “cara” o “cruz”.
Evento: “Número de caras obtenidas en 10 lanzamientos”

👀 Evento simple :
 Evento simple es un resultado o un evento que no se puede descomponer en
componentes más simples.

👀 Espacio muestral:

Consiste en todos los posibles eventos simples que no se pueden descomponer más.

🔍 Mutuamente excluyentes:

Si se presenta un evento, entonces ninguno de los demás eventos puede ocurrir al

mismo tiempo.

🔍 Colectivamente exhaustivo:

Se refiere a que por lo menos uno de los eventos debe ocurrir cuando se lleva acabo el
experimento.

De forma general, si el conjunto de eventos es colectivamente exhaustivo y los eventos

son mutuamente excluyentes, la suma de las probabilidades es de .

📎 Enfoques probabilísticos
📏 Probabilidad clásica:

En este enfoque se supone de que los resultados de un experimento son igualmente

probables y se define mediante la relación:

Hay que fijarse que para este caso se conoce el conteo del número total de posibles
resultados que se puede estimar mediante técnicas de conteo.

Ejemplo:

Probabilidad de obtener un 2 en el lanzamiento de un dado:

En este caso el número de resultados favorables es 1 y el número total de

posibles resultados es 6, en definitiva, se conoce el total de posibles
observaciones.

📏 Probabilidad empírica:

Se basa en el número de veces que ocurre el evento como una proporción del número
de intentos conocidos.
Desde otro punto de vista es la frecuencia relativa de una tabla de frecuencias.
La probabilidad de un evento presenta una fracción de los sucesos en el pasado.
Finalmente se puede decir que mientras mayor sea la cantidad de observaciones, mejor
será la estimación de la probabilidad real.
Este enfoque se puede definir mediante la relación:

í
 Nótese que en este caso en el denominador no se conoce el total de posibles
observaciones.

Ejemplo:
Lanzar una moneda y esperar que en cada lanzamiento sea 50% y 50%, pero esto no
sucede, pero si se realizan 1000 o 10000 lanzamientos se vería que se el experimento
empírico se aproxima a la probabilidad teórica (ley de los grandes números).

Número de ensayos Número de caras Frecuencia relativa de las caras

1 0 0.00

10 3 0.30

50 26 0.52

100 52 0.52

500 236 0.472

1000 494 0.494

10000 5027 0.5027

La frecuencia relativa se puede graficar para observar la convergencia al valor declarado en

el enfoque de la probabilidad clásica:

Ejemplo:

El 1 de febrero del 2003 explotó el transbordador espacial Columbia. Este fue el segundo
desastre de 113 misiones espaciales de la NASA. Con esta información, cuál sería la
probabilidad de que una futura misión concluya exitosamente?
ú

El resultado sirve como una aproximación a la probabilidad de que la siguiente misión se

exitosa en un 98%.

📏 Probabilidad subjetiva:

Este enfoque se utiliza cuando no hay información con la cual sustentar la probabilidad,
entonces es posible aproximarla mediante criterios subjetivos basados en experiencias sobre
los temas de interés. La persona evalúa las posibilidades y asigna valores de acuerdo a hechos
previos que conoce.
  

✏ Reglas de adición de probabilidades

Las reglas de la adición permiten encontrar , que es la probabilidad de
que ocurra un evento u ocurra el evento (o que ambos ocurran) como el resultado de un
procedimiento.

📎 Regla especial de la adición

La regla estable que la probabilidad de que ocurra un u otro evento es igual a la suma de sus
probabilidades.

Los eventos deben ser mutuamente excluyentes, es decir ocurre uno a la vez y no pueden
ocurrir al mismo tiempo.

Ejemplo:

Una máquina automática llena bolsas de plástico con una combinación de frijoles, brócoli y
otras verduras. La mayoría de las bolsas contiene el peso correcto, aunque, como consecuencia
de la variación del tamaño del frijol y de otras verduras, un paquete podría pesar menos o más.
Una revisión de 4 000 paquetes que se llenaron el mes pasado arrojó los siguientes datos:

Probabilidad de que
Peso Evento Número de paquetes
ocurra el evento

Menos peso A 100 100/4000 = 0.025

Peso satisfactorio B 3600 3600/4000 = 0.90

Más peso C 300 300/4000 = 0.075

    4000 1

¿Cuál es la probabilidad de que un paquete en particular pese menos o pese más?

En conclusión la probabilidad de seleccionar un paquete al azar y que este paquete en

particular pese menos o que pese más es de un 10%.

Observe que los eventos son mutuamente excluyentes, lo que significa que un paquete de
verduras mixtas no puede pesar menos, tener el peso satisfactorio y pesar más al mismo tiempo.
 Los eventos son colectivamente exhaustivos, es decir, que un paquete seleccionado debe
pesar menos, tener un peso satisfactorio o pesar más.

📎 Regla general de la adición

Se aplica cuando los resultados no son mutuamente excluyentes, es decir cuando 2 eventos
y , suceden al mismo tiempo , entonces, se habla de una probabilidad conjunta
. Entonces la regla se define mediante la expresión:

Ejemplo:

Se sabe que en una bajara convencional hay:

52 cartas 🎴
4 palos con: 13 picas ♠ , 13 corazones ♥, 13 tréboles♣, 13 diamantes ♦

1 rey en cada palo, entonces son: 4 reyes 👑

J, Q y K, en cada palo., entonces son: 4J, 4Q, 4K

Entonces, ¿Cuál es la probabilidad de que una carta escogida al azar de una baraja
convencional sea rey o corazón?

Si se suma con ó , se estaría contando 2 veces una misma carta pues en

cada probabilidad, se puede decir que ocurren dos eventos al mismo tiempo, por lo tanto se debe
restar una vez ese evento.

ó ó ó

Por lo tanto, la probabilidad de seleccionar al azar una baraja del naipe sea rey o corazón es
de 30.77%.

📎 Regla del complemento

Se usa para determinar la probabilidad de que un suceso ocurra al restar 1 la probabilidad de
un evento que no ha sucedido.
 Ejemplo:

En el ejemplo de la funda de verduras mixtas se sabe de que la probabilidad de que pese

menos es de y la probabilidad de que pese más es de . Aplique la regla del
complemento para determinar que la probabilidad de que una bolsa de verduras tenga un peso
satisfactorio es de 0.90.

Por lo tanto, la probabilidad de seleccionar una funda al azar y que esta tenga el peso
satisfactorio es de un 90%.

✏ Reglas de multiplicación de probabilidades

Se utiliza para determinar la probabilidad de que dos eventos A y B , es decir: .

Note que, para la regla de la multiplicación expresa que el evento A ocurre en un

ensayo y el evento B ocurre en otro; para la regla de la suma, indica que los eventos A y B ocurren
ambos en el mismo ensayo.

Adicionalmente en la formulación se hace referencia a la “probabilidad condicionada”:

. Significa la probabilidad de que el evento ocurra B después de que el evento A ya ha
ocurrido.

Se debe tomar en cuenta que los eventos implicados pueden ser:

Independientes:

Dos eventos A y B son independientes si la ocurrencia del uno no afecta la

probabilidad de que ocurra el otro. , se le denomina “probabilidad
conjunta”.
Dependientes:

Si los eventos no son independientes se dice que son dependientes. Se

involucra la probabilidad condicionada . Se lee “La probabilidad de que
B ocurra cuando A ya ha ocurrido” o en otras palabras: “La probabilidad de B
dado A”.

📎 Regla especial de la multiplicación

Se requiere que los eventos A y B sean independientes. La probabilidad de que A y B ocurran
se determina multiplicando sus probabilidades:

Ejercicio:
 Una encuesta que llevó a cabo la “American Automobile Association”, reveló que el año
pasado el 60% de sus miembros hicieron reservaciones en líneas aéreas. Dos de sus miembros
fueron seleccionados al azar. ¿Cuál es la probabilidad de que ambos hicieran reservaciones el año
pasado?

La probabilidad de que el primer miembro seleccionado haya hecho una reservación el

año pasado es de 0.60, es decir .
La probabilidad de que el segundo miembro elegido haya hecho una reservación es
también .
Ya que el número de miembros es muy grande se supone que y son
independientes.
Entonces la probabilidad de que los dos hayan hecho una reservación es:

Todos los posibles resultados podrían representarse en la siguiente tabla:

, significa que el primer seleccionado hace la reserva

, significa que el segundo seleccionado no realiza la reserva

Resultados Probabilidad conjunta  

0.36

0.24

0.24

0.16

    1.00

Por lo tanto, si se selecciona dos miembros al azar, la probabilidad de que ambos hayan
realizado una reserva en el mismo año es del 36%.

📎 Regla general de la multiplicación

Se aplica cuando dos eventos no son independientes y se requiere determinar la
probabilidad de ocurrencia . Como los eventos son dependientes se involucra la
probabilidad condicionada . Por lo tanto , se determina mediante:

Ejemplo:

Un golfista tiene 12 camisas en su clóset. Suponga que 9 son blancas y las demás azules.
Como se viste de noche, simplemente toma una camisa y se la pone. Juega golf dos veces
seguidas y no las lava. ¿Cuál es la probabilidad de que las dos camisas elegidas sean blancas?

En la primera extracción del armario de una camisa se tiene una probabilidad de

seleccionar una camia blanca de
 En la segunda extracción del armario al siguiente día ya quedan 11 camisas, la
probabilidad de seleccionar una camisa blanca nuevamente es de:
Por lo tanto, la probabilidad buscada es:

Por lo tanto, la probabilidad de seleccionar 2 camisas y de que ambas sean de color

blanco es de un 55%.

✏ Tablas de contingencia
Las tablas de contingencia se utilizan para clasificar las observaciones de una muestra de
acuerdo con 2 o más características identificables.

A continuación se expone un ejemplo de una tabla de contingencia del caso de estudio en el

cuál se realizó una encuesta en salas de cine y se tomó en cuenta dos variables principalmente:

La edad del encuestado y

El número de películas vistas por mes.

Se trata de una tabulación cruzada que resume simultáneamente las 2 variables de interés,
así como la relación entre estas. El nivel de medición puede ser nominal u ordinal. Para este caso
el nivel de medición es ordinal en los “niveles” de cada variable.

Ya que en las tablas de contingencia en cada posición de la tabla se resumen las frecuencias
absolutas o relativas de ocurrencia común entre las dos variables, es posible determinar las
probabilidades desde algunas perspectivas.

Ejemplo:

Basados en el caso de los resultados de las encuestas aplicadas en las salas de cine y
expuestos en la tabla de doble entrada, determine la probabilidad de seleccionar un adulto de los
encuestados que vio:

1. 6 películas o más por mes,

2. o menos películas por mes,

3. o más películas por mes o tiene 60 años o más,

á á

4. 6 o más películas por mes dado que la persona tiene 60 años o más,

á á

5. 6 o más películas por mes y tiene 60 años o más,

á á

Solución:
 1.
2.
3.
4.
5.

Con la ayuda del software R se puede resolver el ejercicio de la siguiente forma:

1 # Se crean las filas que irán en la tabla

2 fila1 <- c(15, 50, 10)
3 fila2 <- c(25, 100, 75)
4 fila3 <- c(55, 60, 60)
5 fila4 <- c(5, 15, 30)
6 #Se unen las filas y se crea la tabl con as.table()
7 tabla1<-as.table(rbind(fila1,fila2,fila3,fila4))
8 dimnames(tabla1)=list(Peliculas_mes=c("A1","A2","A3","A4"),
9                     Edad=c("B1","B2","B3"))
10 # Se visualiza la tabla
11 tabla1

1             Edad
2 Peliculas_mes  B1  B2  B3
3           A1  15  50  10
4           A2  25 100  75
5           A3  55  60  60
6           A4   5  15  30

1 # Se añaden las fecuencias marginales a la tabla original

2 (tabla2<-addmargins(tabla1))
3 # Se estima la tabla de frecuencias relaticas respecto a total
4 (tabla.prop<-prop.table(tabla1))
5 # Se añaden las frecuencias relativas marginales a la tabla de proporciones
6 (tm<-addmargins(tabla.prop))

1             Edad
2 Peliculas_mes  B1  B2  B3 Sum
3          A1   15  50  10  75
4          A2   25 100  75 200
5          A3   55  60  60 175
6          A4    5  15  30  50
7          Sum 100 225 175 500
8             Edad
9 Peliculas_mes   B1   B2   B3
 10           A1 0.03 0.10 0.02
11           A2 0.05 0.20 0.15
12           A3 0.11 0.12 0.12
13           A4 0.01 0.03 0.06
14             Edad
15 Peliculas_mes   B1   B2   B3  Sum
16          A1  0.03 0.10 0.02 0.15
17          A2  0.05 0.20 0.15 0.40
18          A3  0.11 0.12 0.12 0.35
19          A4  0.01 0.03 0.06 0.10
20          Sum 0.20 0.45 0.35 1.00

A continuación se estiman las probabilidades accediendo a las filas y columnas de las tablas:

1 (P.A4=tm["A4","Sum"])
2 (P.A2oA1=tm["A2","Sum"]+tm["A1","Sum"])
3 (P.A4oB3=(tm["A4","Sum"]+tm["Sum","B3"])-tm["A4","B3"])
4 (P.A4_dado_B3=tabla2["A4","B3"]/tabla2["Sum","B3"])
5 (P.A4yB3=tm["A4","Sum"]*(tabla2["A4","B3"]/tabla2["A4","Sum"]))

1 [1] 0.1
2 [1] 0.55
3 [1] 0.39
4 [1] 0.1714286
5 [1] 0.06

✏ Diagrama de árbol
Es una gráfica de mucha utilidad para organizar y calcular probabilidades. En el gráfico las
ramas del árbol se etiquetan con las probabilidades.

Ejemplo:

Realice un diagrama de árbol del caso de estudio sobre el número de películas vistas según la
edad de los encuestados

La raíz del árbol puede empezar con la raíz con cualquiera de las dos variables, para el
presente ejemplo se tomó como raíz la variable “edad”.
 Se puede apreciar en el diagrama de árbol que todo empieza en la raíz “Edad” (tiene 3 niveles
en las columnas en la tabla o niveles de Edad), de izquierda a derecha, las primeras ramas se
etiquetan con el cálculo de la probabilidad de ocurrencia de cada columna , y
. A continuación a partir de los nodos intermedios , las siguientes ramas se
etiquetan con el cálculo del valor de las probabilidades condicionadas, por ejemplo:
, ya que primero se paso por para llegar a . Finalmente, las hojas
finales del árbol se calculan aplicando la regla general de la multiplicación para eventos
dependientes que involucran probabilidades condicionadas, por ejemplo una de las ramas y
hojas finales: . a suma de todos resultados
en los ramales finales (en las hojas) deben sumar 1 o alternativamente 100%.

Como una conclusión general se puede decir que la probabilidad más alta de ocurrencia se
da en el evento de ocurrencia , es que si se escoge al azar una
persona de los encuestados existe la probabilidad del 20% de que la persona tenga una edad de
entre 30 a 60 años y que vio una o dos películas en el mes.