You are on page 1of 14

PROBABILIDAD

Cul es el concepto de probabilidad?


La probabilidad es un mtodo mediante el cual se obtiene la frecuencia de un suceso determinado
mediante la realizacin de un experimento aleatorio, del que se conocen todos los resultados
posibles, bajo condiciones suficientemente estables.

Qu se entiende por experimento aleatorio, espacio muestral y suceso aleatorio? Ejemplo.
experimento aleatorio: En Teora de la probabilidad un experimento aleatorio es aquel que bajo
el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, es
decir, no se puede predecir o reproducir el resultado exacto de cada experiencia particular. (Ej:
Lanzamiento de un dado).
espacio muestral: En la teora de probabilidades, el espacio muestral o espacio de
muestreo (denotado E, S, o U) consiste en el conjunto de todos los posibles resultados
individuales de un experimento aleatorio.
Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el
conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento o suceso es cualquier
subconjunto del espacio muestral, llamndose a los sucesos que contengan un nico
elemento sucesos elementales. En el ejemplo, el suceso "sacar cara en el primer lanzamiento", o
{(cara, cara), (cara, cruz)}, estara formado por los sucesos elementales {(cara, cara)} y {(cara,
cruz)}.

suceso aleatorio: Llamamos Suceso de un experimento aleatorio (o simplemente Suceso
Aleatorio) a cada uno de los subconjuntos del Espacio Muestral E. El Conjunto de todos los sucesos
de un experimento aleatorio se denomina Espacio de Sucesos y se representa por la letra S.

Distintos tipos de sucesos: Excluyente, exhaustivo, independientes.
Suceso Excluyente: Los eventos mutuamente excluyentes son aquellos en los que si un evento
sucede significa que el otro no puede ocurrir.
Tipos de sucesos

Exhaustivo: se dice que dos o ms sucesos son exhaustivos si se consideran todos los posibles
resultados.
Simblicamente: p (A o B o...) = 1
No exhaustivos: se dice que dos o ms sucesos son exhaustivos si no cubren todos los posibles
resultados.
Mutuamente excluyentes: sucesos que no pueden ocurrir en forma simultnea:
P(A y B) = 0 y p(A o B) = p(A) + p (B)
Ejemplo: hombres, mujeres
No mutuamente excluyentes: sucesos que pueden ocurrir en forma simultnea:
P (A o B) = p (A) + p (B) ? p (A y B)
Ejemplo: hombres, ojos cafs
Independientes: Sucesos cuya probabilidad no se ve afectada por la ocurrencia o no ocurrencia del
otro :
P ( AI B ) = P ( A ); P ( BIA ) = P (B) Y P (A Y B) = P(A) P(B)
Ejemplo: sexo y color de ojos
Dependientes: sucesos cuya probabilidad cambia dependiendo de la ocurrencia o no ocurrencia
del otro:
P ( AI B ) difiere de p (A); P ( BIA ) difiere de P(B);
Y P (A Y B)= P ( A ) P ( BIA )= P (B) P ( AI B )
Ejemplo: raza y color de ojos


Condiciones para que dos sucesos sean independientes.

Dos sucesos son independientes si y slo si p(A B) = p(A) p(B).
Si dos sucesos son independientes
y del mismo modo p(B|A) = p(B).
Esta propiedad coincide ms con la idea intuitiva de independencia y algunos textos la dan como
definicin. Hay que notar, sin embargo, que ambas definiciones no son estrictamente
equivalentes.
Ejemplo 7:
Para un hijo de una mujer portadora de Duchenne, el sexo y la enfermedad son independientes?
Segn vimos en el Ejemplo 3 el espacio muestral es W = {xX, xY, XX, XY}
Definimos los sucesos A = {varn} = {xY, XY}; B = {enfermo} = {xY}
A B = {xY}
por lo tanto p(A) = 0,5; p(B) = 0,25; p(A B) = 0,25 p(A) p(B) NO son independientes.

Clculo de probabilidad segn la definicin clsica.
La probabilidad es la caracterstica de un evento, que hace que existan razones para creer que ste
se realizar.
La probabilidad p de que suceda un evento S de un total de n casos posibles igualmente probables
es igual a la razn entre el nmero de ocurrencias h de dicho evento (casos favorables) y el
nmero total de casos posibles n.

La probabilidad es un nmero (valor) que varia entre 0 y 1. Cuando el evento es imposible se
dice que su probabilidad es 0, si el evento es cierto y siempre tiene que ocurrir su probabilidad
es 1.
La probabilidad de no ocurrencia de un evento est dada por q, donde:

Sabemos que p es la probabilidad de que ocurra un evento y q es la probabilidad de que
no ocurra, entonces p + q = 1
Simblicamente el espacio de resultados, que normalmente se denota por , es el
espacio que consiste en todos los resultados que son posibles. Los resultados, que se
denota por , etctera, son elementos del espacio .

Diferentes tipos de probabilidad: Marginal, Total, Conjunta, Condicional.
Probabilidad marginal: Probabilidad marginal de un evento es la probabilidad simple de ese
evento, pero expresada como una suma de probabilidades conjuntas.
Probabilidad total: Sean A1, A2,, An un conjunto completo de sucesos incompatibles entre s. Sea
B el suceso del cual se conocen las probabilidades condicionadas P(B/Ai), entonces, la probabilidad
de ocurrencia de B se conoce como probabilidad total (completa) y su valor se determina
mediante la expresin:
P(B) = P(A1)*P(B/A1) + P(A2)*P(B/A2) + + P(An)*P(B/An)
Es importante destacar que la probabilidad total puede entenderse como la suma de las
probabilidades compuestas P(Ai B).
Probabilidad conjunta: Dada la experiencia aleatoria con espacio muestral y dos eventos A y B,
se define un nuevo evento llamado conjuncin de A y B, que se denota AB, de la siguiente
manera: AB ocurre siempre que ocurra A y ocurra B, es decir, que ocurran ambos
simultneamente.
La probabilidad de AB, que simboliza P(A B), se le llama probabilidad conjunta de A y B.
Probabilidad condicional: La probabilidad de que un evento ocurra cuando se sabe que ya
ocurrio un evento se llama probabilidad condicional y se denota por que por lo
general se lee como probabilidad de que "ocurra B dado que ocurri A". Esta probabilidad se
define como:

La probabilidad condicional es una funcin de probabilidad, definida como





Cmo se calculan de acuerdo al tipo de suceso excluyente o independiente?
Sucesos

Llamamos sucesos a los posibles resultados de una accin que depende del azar.

Distinguimos 3 tipos de sucesos:
Suceso posible: Es un resultado que se puede dar. Por ejemplo, el 5 es un suceso posible cuando
lanzamos un dado.
Suceso imposible: Es un resultado que no se puede dar. Por ejemplo, el 7 es un suceso imposible
cuando lanzamos un dado (el dado no tiene el nmero 7).
Suceso seguro: Es un resultado que siempre se va a dar.

Por ejemplo, "nmero menor de 7" es un suceso seguro cuando lanzamos un dado (cualquier
nmero que salga al lanzar el dado ser menor que 7).
ara calcular probabilidades se utiliza la siguiente frmula:

Probabilidad = Casos favorables / Casos posibles

El resultado se multiplica por 100 para expresarlo en porcentaje.

Veamos algunos ejemplos:

a) Calcular la probabilidad de que salga "cara" al lanzar una moneda:
Casos favorables: 1 (que salga "cara")
Casos posibles: 2 (puede salir "cara" o "cruz")
Probabilidad = (1 / 2 ) * 100 = 50 %

b) Calcular la probabilidad de que salga "3" al lanzar un dado:
Casos favorables: 1 (que salga "3")
Casos posibles: 6 (puede salir "1, 2, 3, 4, 5 o 6")
Probabilidad = (1 / 6 ) * 100 = 16,6 %

c) Calcular la probabilidad de que salga "un nmero entre 1 y 4 " al lanzar un dado:
Casos favorables: 4 (sera vlido cualquiera de los siguientes resultados "1, 2, 3, o 4")
Casos posibles: 6 (puede salir "1, 2, 3, 4, 5 o 6")
Probabilidad = (4 / 6 ) * 100 = 66,6 %

d) Calcular la probabilidad de que salga el nmero 76 al sacar una bolita de una bolsa con 100
bolitas numeradas del 1 al 100:
Casos favorables: 1 (sacar el nmero 76)
Casos posibles: 100 (hay 100 nmeros en la bolsa)
Probabilidad = (1 / 100 ) * 100 = 1 %

e) Calcular la probabilidad de que salga "un nmero entre 1 y 98" al sacar una bolita de una bolsa
con 100 bolitas numeradas del 1 al 100:
Casos favorables: 98 (valdra cualquier nmero entre 1 y 98)
Casos posibles: 100 (hay 100 nmeros en la bolsa)
Probabilidad = (98 / 100 ) * 100 = 98 %

Regla de la Suma para determinar probabilidades totales.
La regla de la adicin o regla de la suma 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.
P(A o B) = P(A) U P(B) = P(A) + P(B) si A y B son mutuamente excluyente. P(A o B) = P(A) + P(B)
P(A y B) si A y B son no excluyentes.
Siendo: P(A) = probabilidad de ocurrencia del evento A. P(B) = probabilidad de ocurrencia del
evento B. P(A y B) = probabilidad de ocurrencia simultnea de los eventos A y B.

Regla del producto para determinar probabilidades conjuntas.
La regla de la multiplicacin establece que la probabilidad de ocurrencia de dos o ms eventos
estadsticamente independientes es igual al producto de sus probabilidades individuales.
P(A y B) = P(A B) = P(A)P(B) si A y B son independientes. P(A y B) = P(A B) = P(A)P(B|A) si A y B son
dependientes

Qu es una tabla de doble entrada o contingencia y cul es su utilizacin.
Tablas de doble entrada: Tambin llamadas tablas de contingencias, son aquellas tablas de datos
referentes a dos variables, formada, en las cabeceras de las filas, por las categoras o valores de
una variable y en las de las columnas por los de la otra, y en las casillas de la tabla, por las
frecuencias o numero de elementos que renen a la vez las dos categoras o valores de las dos
variables que se cruzan en cada casilla. Para la tabulacin de un material agrupado de
observaciones simultaneas de dos variables aleatorias necesitaremos una tabla descrita como
anteriormente lo describimos, las reglas para agrupar son las mismas que en el caso de una sola
variable.
Este tipo de tablas brindan informacin estadstica de dos eventos relacionados entre s, es til en
casos en los cuales los experimentos son dependientes de otro experimento, mas adelante
aparecen ms aplicaciones del anlisis estadstico bivariable.
Uso :
Presentacin de la informacin en un formato multidimensional de filas y columnas, donde cada
elemento est asociado a otro. Por ejemplo, un tipo de prestacin podra estar asociado a un
centro de vacaciones en particular.

















VARIABLES ALEATORIAS
Qu es la variable aleatoria y cmo se genera.
Es una variable estadstica cuyos valores se obtienen de mediciones en algn tipo de experimento
aleatorio. Formalmente, una variable aleatoria es una funcin, que asigna eventos (p.e., los
posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc.) a nmeros reales (p.e., su suma).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un
experimento an no realizado, o los posibles valores de una cantidad cuyo valor actualmente
existente es incierto (p.e., como resultado de medicin incompleta o imprecisa). Intuitivamente,
una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo pero puede tomar
diferentes valores; una distribucin de probabilidad se usa para describir la probabilidad de que se
den los diferentes valores.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios
como valores lgicos, funciones... El trmino elemento aleatorio se utiliza para englobar todo ese
tipo de conceptos relacionados. Un concepto relacionado es el de proceso estocstico, un
conjunto de variables aleatorias ordenadas (habitualmente por orden o tiempo).

Una variable aleatoria (v.a.) X es una funcin real definida en el espacio muestral, , asociado a un
experimento aleatorio.
1

2



La definicin formal anterior involucra conceptos matemticos sofisticados procedentes de
la teora de la medida, concretamente la nocin de espacio de probabilidad.
3

4

Dado un espacio de probabilidad y un espacio medible ,
una aplicacin es una variable aleatoria si es una aplicacin -medible.
En la mayora de los de ), quedando pues la definicin de esta manera:
Dado un espacio de probabilidad una variable aleatoria real es
cualquier funcin -medible donde es la-lgebra boreliana.


Variable Aleatoria Discreta (VAD) Qu es una funcin de probabilidad?
Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto discreto. La
variable del ejemplo anterior es discreta. Sus probabilidades se recogen en la funcin de
cuanta (vanse las distribuciones de variable discreta).

Especificar las condiciones que debe cumplir una funcin para ser funcin de probabilidad. Cul
es su representacin grfica?
Para hacer una definicin rigurosa de la probabilidad, necesitamos precisar ciertas leyes o axiomas
que deba cumplir una funcin de probabilidad. Intuitivamente estos axiomas deberan implicar,
entre otras, las siguientes cuestiones, que nos parecen lgicas en trminos de lo que se puede
esperar de una funcin de probabilidad:
La probabilidad slo puede tomar valores comprendidos entre 0 y 1(no puede haber
sucesos cuya probabilidad de ocurrir sea del ni del ;
La probabilidad del suceso seguro es 1, es decir, el ;
La probabilidad del suceso imposible debe ser 0.
La probabilidad de la interseccin de dos sucesos debe ser menor o igual que la
probabilidad de cada uno de los sucesos por separado, es decir,



La probabilidad de la unin de sucesos debe ser mayor que la de cada uno de los sucesos
por separado:


Ms an, si los sucesos son disjuntos (incompatibles) debe ocurrir que


La probabilidad del suceso contrario de A, debe valer . Esto en
realidad puede deducirse del siguiente razonamiento:



Concepto de Valor Medio Esperado o Esperanza Matemtica. Clculo de la Variancia.
La esperanza matemtica (o simplemente esperanza) o valor esperado de una v.a. es la suma del
producto de la probabilidad de cada suceso por el valor de dicho suceso.
Si todos los sucesos son de igual probabilidad la esperanza es la media aritmtica.
Para una variable aleatoria discreta con valores posibles y sus probabilidades
representadas por la funcin de probabilidad la esperanza se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos los
valores y la funcin de densidad :

o
La esperanza tambin se suele simbolizar con
El concepto de esperanza se asocia comnmente en los juegos de azar al de beneficio
medio o beneficio esperado a largo plazo.

La varianza es una medida de dispersin de una variable aleatoria respecto a
su esperanza . Se define como la esperanzade la transformacin :

o bien

Distribucin de Probabilidad Binomial Proceso Bernoulli. Condiciones del experimento
aleatorio para aplicar esta distribucin.
En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que mide el
nmero de xitos en una secuencia de nensayos de Bernoulli independientes entre s, con una
probabilidad fija pde ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se
denomina xito y tiene una probabilidad de ocurrenciap y al otro, fracaso, con una
probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de
forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos.
Para n = 1, la binomial se convierte, de hecho, en unadistribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p,
se escribe:

La distribucin binomial es la base del test binomial de significacin estadstica.

Distribucin de probabilidad binomial. Cul es la funcin de probabilidad? Representacin
grfica. Parmetros de la distribucin. Calculo de la Esperanza Matemtica y Variancia.
Variable Aleatoria Continua (VAC) Funcin de Densidad de Probabilidad- concepto.
Variable aleatoria continua: una v.a. es continua si su recorrido no es un conjunto numerable.
Intuitivamente esto significa que el conjunto de posibles valores de la variable abarca todo un
intervalo de nmeros reales. Por ejemplo, la variable que asigna laestatura a una persona
extrada de una determinada poblacin es una variable continua ya que, tericamente, todo
valor entre, pongamos por caso, 0 y 2,50 m, es posible.
6
(vanse las distribuciones de variable
continua)
Funcin de densidad de una v.a. continua[editar editar cdigo]
Artculo principal: Funcin de densidad de probabilidad.
La funcin de densidad de probabilidad (FDP) o, simplemente, funcin de densidad,
representada comnmente como f(x), se utiliza con el propsito de conocer cmo se
distribuyen las probabilidades de un suceso o evento, en relacin al resultado del suceso.
La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la funcin
de distribucin de probabilidad F(x), o de manera inversa, la funcin de distribucin es
la integral de la funcin de densidad:

La funcin de densidad de una v.a. determina la concentracin de probabilidad alrededor
de los valores de una variable aleatoria continua.









Distribucin de la probabilidad normal Caractersticas de la funcin. Parmetros de la
distribucin.
En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin
gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms
frecuencia aparece aproximada en fenmenos
reales.
La grfica de su funcin de densidad tiene una
forma acampanada y es simtrica respecto de un
determinado parmetro estadstico. Esta curva se
conoce como campana de Gauss y es el grfico de
una funcin gaussiana.

La distribucin normal tambin es importante por
su relacin con la estimacin por mnimos
cuadrados, uno de los mtodos de estimacin ms
simples y antiguos.
Algunos ejemplos de variables asociadas a
fenmenos naturales que siguen el modelo de la
normal son:
caracteres morfolgicos de individuos como
la estatura;
caracteres fisiolgicos como el efecto de
un frmaco;
caracteres sociolgicos como el consumo de
cierto producto por un mismo grupo de
individuos;
caracteres psicolgicos como el cociente
intelectual;
nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por ejemplo,
la distribucin muestral de las medias muestrales es aproximadamente normal, cuando la
distribucin de la poblacin de la cual se extrae la muestra no es normal.
1
Adems, la distribucin
normal maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual
la convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en
trminos de media muestral y varianza. La distribucin normal es la ms extendida en estadstica y
muchos tests estadsticos estn basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones de
probabilidad continuas y discretas.

Distribucin de la Probabilidad Normal Estandarizacin, normalizacin o tipificacin de una
variable.
A la hora de resumir variables, se suele calcular alguna medida de tendencia (como la media), otra
de dispersin (como la desviacin tpica) y una ms relacionada con la forma de la distribucin. De
todas las formas que puede tomar una distribucin, nos centraremos en la normal.
La distribucin normal es una curva de gran inters, se utiliza como histograma ideal con el que
comparar los histogramas de nuestros datos.
Al tipo de variable que tiene un nmero infinito de alternativas de respuesta se le llama continua
(edad, altura,peso...). es con estas variables, de naturaleza terica, con las que tiene sentido
pensar una distribucin normal, igual de terica.
Propiedades de la distribucin normal:

. Simtrica: se puede dividir en dos mitades iguales, simtricas.

. Conocidas la media y la desviacin tpica de una distribucin normal, podemos calcular la
proporcin de casos existente en cualquier intervalo de la distribucin.

Clculo de la proporcin de casos (reas de la curva) en una distribucin normal.

De todas las posibles distribuciones normales existentes trabajamos con la distribucin normal
tipificada - estandarizada, con la variable Z, con media 0 y desviacin tpica 1.
* Otras distribuciones
La distribucin normal, no es la ms normal de las distribuciones. En la prctica, raro es encontrar
distribuciones normales. Se utiliza como referencia para hablar de otro tipo de distribucines.
Distribuciones simtricas - asimtricas
Cuando una distribucin no se puede partir en dos mitades iguales, es asimtrica. Si la mayora de
los individuos se sitan en torno a los valores inferiores de la variables, mientras que unos pocos
se decantan por el extremo superior de la distribucin, tendremos asimetra positiva. En caso
contrario, ser negativa. En la positiva, la media ser superior a la mediana. En la negativa, a la
inversa. Para saber si una distribucin es simtrica o asimtrica (y de que tipo de asimetra se
trata) hay que calcular el coeficiente de simetra.

Distribucin de Probabilidad Normal Calculo de Probabilidad mediante manejo de la tabla
Casos Directo e inverso.
- Uso de la tabla normal
Para calcular un rea de la curva, la proporcin de casos o la probabilidad de obtener un caso en
un intervalo determinado, que todo es lo mismo, tendramos que entrar en un problema de
integrales. Para evitarlo, existe una tabla que muestra la proporcin de casos existentes en
cualquier intervalo de la distribucin.
En los mrgenes de la tabla se incluyen los valores de Z; en la vertical las unidades y el primer
decimal y en las horizontales el segundo decimal; en el centro de la tabla se muestra la proporcin
de casos o lo que es lo mismo, la probabilidad de obtener un caso o el rea de la curva para un
valor Z < Zi.
Clculo de los intervalos correspondientes a reas o proporciones de casos en una curva normal.
La operacin contraria es calcular el intervalo en el que est comprendida una determinada
proporcin de casos y se hace calculando el valor del percentil o calculando el valor de los
intervalos centrales.