Actividad 10

Tema 1. Teoría de la probabilidad

La probabilidad como concepto existe desde hace miles de años. Hay evidencias históricas, que
nos indican que la primera civilización (Sumeria) era capaz de construir dados de 4 caras
trabajando con huesos. Más tarde, primero en Egipto y luego en Grecia y Roma, los juegos de azar
se hicieron populares.

Sin embargo, y a pesar de todo, las primeras publicaciones que acuñaban o intuían el concepto de
probabilidad se escribieron a mediados del siglo XVI. Concretamente, fue Gerolamo Cardano quién
escribió en 1553 un tratado sobre el juego de dados. Aunque su obra no sería publicada hasta 110
años más tarde, en 1663.

La probabilidad es la creencia en la ocurrencia de un evento o suceso

Proporcionar al estudiante los elementos cuantitativos necesarios para la aplicación de

metodologías estadísticas a la investigación aplicada y para la toma de decisiones en la
organización.

Probabilidad. Es la creencia en la ocurrencia de un evento o suceso. P

La teoría de probabilidades 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

Conjunto de todos los posibles resultados de un experimento aleatorio

1.3 Definiciones de probabilidad

La probabilidad es simplemente qué tan posible es que ocurra un evento determinado.

Cuando no estamos seguros del resultado de un evento, podemos hablar de la probabilidad de

ciertos resultados: qué tan común es que ocurran. Al análisis de los eventos gobernados por la
probabilidad se le llama estadística
Consejos

La probabilidad de un evento solo puede ser un número entre 0 y 1 y también puede escribirse
como un porcentaje.

La probabilidad del evento suele escribirse como .

Si , el evento tiene una mayor probabilidad de ocurrir que el evento .

Si , los eventos y tienen la misma probabilidad de ocurrir

1.3.1 Definición clásica

La probabilidad clásica es una medida estadística que indica la probabilidad de que suceda un
evento. La probabilidad clásica es igual al número de casos favorables de dicho evento dividido
entre el número total de casos posibles.

La probabilidad clásica también se conoce como probabilidad teórica o probabilidad a priori.

La probabilidad clásica es un número entre 0 y 1. Cuanto más probable de que ocurra un evento,
mayor será la probabilidad clásica, por contra, cuanto menos probable sea de que suceda un
evento, menor será el valor de la probabilidad clásica.

A diferencia de otros tipos de probabilidades, no hace falta hacer ningún experimento para hallar
la probabilidad clásica de un evento, sino que se trata de un cálculo teórico. Más abajo
profundizaremos en este concepto.

Fórmula de la probabilidad clásica

La fórmula de la probabilidad clásica es el número de casos favorables de un evento partido por el

número total de casos del experimento
La diferencia entre la probabilidad clásica y la probabilidad frecuencial (o probabilidad empírica) es
que la probabilidad clásica se calcula sin realizar ningún experimento, es decir, se utiliza la lógica
para averiguar la probabilidad de ocurrencia de un evento, en cambio, en la probabilidad
frecuencial primero se hace un experimento y a partir de los resultados se calcula la probabilidad
de ocurrencia.}

La diferencia entre la probabilidad clásica y la probabilidad frecuencial (o probabilidad empírica) es

que la probabilidad clásica se calcula sin realizar ningún experimento, es decir, se utiliza la lógica
para averiguar la probabilidad de ocurrencia de un evento, en cambio, en la probabilidad
frecuencial primero se hace un experimento y a partir de los resultados se calcula la probabilidad
de ocurrencia.

1.3.2 Con base en la frecuencia relativa

Una forma sencilla de redondear las respuestas es llevar la respuesta final a un decimal más de los
que aparecen en los datos originales. Redondee solo la respuesta final. Si es posible, no redondee
los resultados intermedios. Si es necesario redondear los resultados intermedios, llévelos al menos
al doble de decimales que la respuesta final. Por ejemplo, el promedio de las tres puntuaciones de
un cuestionario que son cuatro, seis y nueve es 6,3, redondeada a la décima más cercana, porque
los datos son números enteros. La mayoría de las respuestas se redondearán de esta manera.

No es necesario reducir la mayoría de las fracciones en este curso. Especialmente en Temas de

probabilidad, el capítulo sobre la probabilidad, es más útil dejar las respuestas como fracciones no
reducidas.

La forma de medir un conjunto de datos se denomina nivel de medición. Los procedimientos

estadísticos correctos dependen de que el investigador esté familiarizado con los niveles de
medición. No todas las operaciones estadísticas se pueden usar con todos los conjuntos de datos.
Los datos se pueden clasificar en cuatro niveles de medición. Son (de menor a mayor nivel):

Nivel de escala nominal

Nivel de escala ordinal

Nivel de escala de intervalos

Nivel de escala de cociente

La inspección de los datos originales no permite responder fácilmente a cuestiones como cuál es la
actitud mayoritaria del grupo, y resulta bastante más difícil determinar la magnitud de la
diferencia de actitud entre hombres y mujeres.

Podemos hacernos mejor idea si disponemos en una tabla los valores de la variable acompañados
del número de veces (la frecuencia) que aparece cada valor:
 X: Símbolo genérico de la variable.

f: Frecuencia (también se simboliza como ni).

La distribución de frecuencias de los datos del ejemplo muestra que la actitud mayoritaria de los
individuos del grupo estudiado es indiferente.

La interpretación de los datos ha sido facilitada porque se ha reducido el número de números a

examinar (en vez de los 20 datos originales, la tabla contiene 5 valores de la variable y 5
frecuencias).

Generalmente las tablas incluyen varías columnas con las frecuencias relativas (son el número de
ocurrencias dividido por el total de datos, y se simbolizan "fr" o "pi"), frecuencias acumuladas (la
frecuencia acumulada es el total de frecuencias de los valores iguales o inferiores al de referencia,
y se simbolizan "fa" o "na". No obstante la frecuencia acumulada también es definida incluyendo
al valor de referencia), frecuencias acumuladas relativas (la frecuencia acumulada relativa es el
total de frecuencias relativas de los valores iguales o inferiores al de referencia, y se simbolizan
"fr" o "pa")

2.1.-Definición, Axiomas y Teoremas

DEFINICIÓN

La probabilidad indica el grado de certidumbre o certeza de un suceso o fenómeno estudiado, en la investigación

científica existen muchos fenómenos en los cuales es necesario determinar la probabilidad de que un evento(s)
ocurra(n) o dejen de ocurrir, para lo cual el estudio de este campo, es necesario, además tiene aplicaciones muy
importantes en investigación; dado que es base para la inferencia estadística que permite el estudio de muestras con
el objetivo de inferir o extrapolar características de estas a una población.

AXIOMAS

Un axioma es el elemento básico de un sistema de lógica formal y junto con las reglas de inferencia definen un sistema
deductivo.

La palabra viene del griego αξιοειν (axioein) que significa "valorar", que a su vez procede de αξιος (axios) que significa
"valuable" o "digno". Entre los antiguos filósofos griegos, un axioma era aquello que parecía ser verdadero sin ninguna
necesidad de prueba.
La lógica del axioma es partir de una premisa calificada verdadera por sí misma (el axioma) e inferir sobre esta otras
proposiciones por medio del método deductivo, obteniendo conclusiones coherentes con el axioma. Los axiomas han
de cumplir sólo un requisito: de ellos, y sólo de ellos, han de deducirse todas las demás proposiciones de la teoría
dada. Los axiomas de probabilidad son las condiciones mínimas que deben verificarse para que una función que
definimos sobre unos sucesos determine consistentemente valores de probabilidad sobre dichos sucesos.

Los axiomas de la formulación moderna de la teoría de la probabilidad constituyen una base para deducir a partir de
ellas un amplio número de resultados.

La letra P se utiliza para designar la probabilidad de un evento, siendo P(A) la probabilidad de ocurrencia de un
evento A en un experimento.

AXIOMA 1: Si A es un evento de S, entonces la probabilidad del evento A es:

Figura 2.1.1 Probabilidad De Evento A

Como no podemos obtener menos de cero éxitos ni más de n éxitos en n experimentos, la probabilidad de cualquier
evento A, se representa mediante un valor que puede variar de 0 a 1.

AXIOMA 2: Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es igual a la probabilidad de
obtener A más la probabilidad de obtener B.

Figura 2.1.2 Eventos Mutuamente Excluyentes

Excluirse mutuamente quiere decir que A y B no pueden ocurrir simultáneamente en el mismo experimento. Así, la
probabilidad de obtener águila o sol en la misma tirada de una moneda será:

Figura 2.1.3 Propiedades De La Exclusión

En general podemos decir que la suma de las probabilidades de todos los posibles eventos mutuamente excluyentes es
igual a 1:

Figura 2.1.4 Suma De Eventos Mutuamente Excluyentes

AXIOMA 3: Si A es un evento cualquiera de un experimento aleatorio y A’ es el complemento de A, entonces:

Figura 2.1.5 Propiedades Del Axioma 3

Es decir, la probabilidad de que el evento A no ocurra, es igual a 1 menos la probabilidad de que ocurra.

(Lipschutz S., 1971)

TEOREMAS

Suponiendo que P(A) y P(B) representan las probabilidades para los dos eventos A y B, entonces P(A U B) significa la
probabilidad de que ocurran A o B. Si representamos los eventos A y B en un Diagrama de Venn con:

Figura 2.1.6 Representación de Los Eventos A y B en un Diagrama de Venn

Entonces A y B son conjuntos disjuntos o mutuamente excluyentes, o sea que no pueden ocurrir en forma simultánea
Figura 2.1.7 Fórmula Para La Union De A y B

En cambio, si ambos eventos tienen puntos muestrales en común

1.4 Probabilidad condicional e independencia

La probabilidad condicional se simboliza P(BnA), que se lee probabilidad de B, dado A,

o la probabilidad de que ocurra B, condicionado a que haya ocurrido A.

Se dice que dos o más eventos son independientes entre sí cuando la probabilidad de
que ocurra uno no es influida por la ocurrencia de otro. Si A y B representan dos eventos
y si la ocurrencia de A no afecta a la ocurrencia de B, y la ocurrencia de B no afecta a la
ocurrencia de A, entonces se dice que A y B son Independientes.

En este caso, la probabilidad de que ocurran A y B es igual al producto de sus

respectivas probabilidades, y se expresa así:

En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Se extrae una

esfera, se observa su color y se regresa a la caja. Bajo estas condiciones,
¿Cuál es la probabilidad de que al extraer 3 esferas, éstas sean de color
rojo?

Figura 2.3.2 Ejemplo De

Probabilidad Condicional

Si dos eventos A y B no son independientes, es decir, si A y B son

dependientes, la probabilidad compuesta de A y B no es igual al producto
de sus probabilidades respectivas. Por lo cual, podemos decir, que para
eventos dependientes:

Figura 2.3.3 Probabilidad De Eventos

Dependientes

Es decir:

Figura 2.3.4 Probabilidad De

Eventos Dependientes

Figura 2.3.3 Probabilidad De Eventos Dependientes

 En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Si se extraen al
azar 3 esferas en forma consecutiva, sin reemplazo, ¿ Cuál es la
probabilidad de que las 3 sean de color rojo? Sea R1 el evento extraer una
esfera roja.

De la expresión

Despejamos P(B/A) y se obtiene la probabilidad condicional de

"B dado A".

En forma análoga, la probabilidad condicional de "A dado B", es :

1.5 Teorema de Bayes

El siguiente teorema denominado teorema probabilidad total o regla de eliminación permite hallar
la probabilidad de un evento A cuando el espacio muestral S sea dividido en varios eventos
B1,B2,B3,… hasta Bx.

Si los eventos B1, B2, B3….Bk constituyen una división muestral del espacio S de tal forma que
la probabilidad de Bi ≠ 0 para i=1,2,3, …, k, entonces, para cualquier evento A en S se tiene lo
siguiente.
P (A) = ∑k i=1 P (Bi) * P (A)(Bi) = ∑k i=1 P (A n Bi)

r=3

i= 1, 2, 3

Figura 2.4.1 Teorema de Probabilidad Total

Si en lugar de querer la probabilidad de A como lo menciona el Teorema de Probabilidad Total,

se desea la probabilidad condicional de P(Br|A), entonces se aplica el siguiente Teorema...

TEOREMA DE BAYES

Si los eventos B1, B2, B3….Bk constituyen una división muestral del espacio S donde P(Bi) ≠ 0 para
i=1,2,3, …, k, entonces, para cualquier evento A en S tal que la probabilidad de A sea diferente de
cero, se tiene lo siguiente.

Figura 2.4.2 Teorema de Bayes

EJEMPLO 1
En la sala de pediatría de un hospital, el 60% de los pacientes son niñas. De los niños el 35% son
menores de 24 meses. El 20% de las niñas tienen menos de 24 meses. Un pediatra que ingresa a la
sala selecciona un infante al azar.

a. Determine el valor de la probabilidad de que sea menor de 24 meses.

b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una niña.

SOLUCIÓN:

Se definen los sucesos:

Suceso H: seleccionar una niña.

Suceso V: seleccionar un niño.

Suceso M: infante menor de 24 meses.

En los ejercicios de probabilidad total y teorema de bayes, es importante identificar los sucesos
que forman la población y cuál es la característica que tienen en común dichos sucesos. Estos
serán los sucesos condicionados.

En este caso, la población es de los infantes. Y la característica en común es que sean menores de
24 meses. Por lo tanto, la probabilidad de seleccionar un infante menor de 24 meses es un
ejemplo de probabilidad total. Su probabilidad será: P(M) =P(H) * P(M|H) + P(V) * P(M|V) =(0.6*
0.2) + (0.4* 0.35) = 0.26 ó 26%

Para identificar cuando en un ejercicio se hace referencia al teorema de bayes, hay que partir de
reconocer que esta es una probabilidad condicionada y que la característica común de los sucesos
condicionantes ya ha ocurrido. Entonces, la probabilidad de que sea niña una infante menor de 24
meses será: P(H|M)=( P(H) * P(M|H) ) / ( P(H) * P(M|H) + P(V) * P(M|V)) = (0.6* 0.2) / ((0.6* 0.2
)+ (0.4*0.35)) = 0.12/ 0.26 = 0.46 ó 46%