You are on page 1of 14

Elaborado por: MSc.

Gilma Sabina Lizama Gaitán1

UNIDAD II: APRENDAMOS DE LA INCERTIDUMBRE

Objetivo

Que las y los estudiantes utilicen la teoría de la probabilidad mediante el uso


adecuado de las reglas de conteo y del cálculo de probabilidades como base
para la toma de decisiones en situaciones de incertidumbre relacionadas con
problemas de los ámbitos: económico, social y empresarial.

Contenido
2.4. Diagrama de Árbol y Probabilidades ............................................................................... 2

2.5. Probabilidad Conjunta ........................................................................................................ 4

2.6. Probabilidad Condicionada ............................................................................................... 5

2.7. Leyes para cálculo de probabilidades: Aditiva y Multiplicativa .................................... 8

2.8. Teorema de Bayes ........................................................................................................... 11

Referencias ............................................................................................................................... 14

1Economista, docente del Departamento de Matemática y Estadística de la Facultad de Ciencias Económicas,


Universidad de El Salvador.

1
2.4. Diagrama de Árbol y Probabilidades
Tal como se mencionó anteriormente, el diagrama de árbol es una forma gráfica
útil para representar resultados de un experimento aleatorio, llevado a cabo en
etapas sucesivas.

Por ejemplo: Considere una encuesta a consumidores relacionada con la


cantidad relativa de visitas que hacen a una tienda reconocida (con frecuencia,
en ocasiones o nunca) y con el hecho de que la tienda se ubique en un lugar
conveniente (sí y no). Adaptado de (Lind, Marchal, & Wathen, 2012, pág. 165).

Tabla 1: Número de visitas, según conveniencia de ubicación de la tienda


Visitas Lugar Conveniente Total
Sí No
Con Frecuencia 60 20 80
En Ocasiones 25 35 60
Nunca 5 50 55
Total 90 105 195

A partir de estos datos, elaborar el respectivo diagrama de árbol y las


probabilidades. Interpretar resultados.

Definamos eventos, Sea:


CF = Con Frecuencia
OC = En ocasiones
NU = Nunca
S = Sí
N = No

2
Figura 1: Diagrama de Árbol Número de visitas, según conveniencia de ubicación de la tienda

Importante, para fines de interpretación, reconocer los tipos de eventos. Los tres
primeros eventos, en la raíz del árbol (con frecuencia, en ocasiones y nunca) son
eventos mutuamente excluyentes; es decir, no pueden ocurrir dos más de éstos
de manera simultánea. La sumatoria de las tres probabilidades para estos tres
eventos debe ser la unidad. Los siguientes dos eventos de la segunda etapa del
experimento (Sí y no) son eventos condicionados; es decir por ejemplo: el hecho
de opinar que el lugar sí es conveniente dado que lo visita con frecuencia, o el
hecho de opinar que el lugar no es conveniente dado que lo visita con frecuencia;
opinar que el lugar sí e conveniente dado que lo visita en ocasiones, etc.

Cálculo e interpretación de probabilidades, a partir del diagrama de árbol, si se


selecciona a un consumidor de manera aleatoria:

a) ¿Cuál es la probabilidad de que visite esta tienda con frecuencia? R/


80/195 = 0.4103
b) ¿Cuál es la probabilidad de que visite esta tienda en ocasiones? R/ 60/195
= 0.3077
c) ¿Cuál es la probabilidad de que nunca visite esta tienda? R/ 55/195 =
0.2820
d) ¿Cuál es la probabilidad de que opine que el lugar está ubicado en un
lugar conveniente, dado que lo visita en ocasiones? R/ 25/60 = 0.4167
e) ¿Cuál es la probabilidad de que opine que el lugar no está ubicado en un
lugar conveniente, dado que nunca lo visita? R/ 50/55 = 0.9091

3
2.5. Probabilidad Conjunta

Se llama probabilidad conjunta a la probabilidad que mide la posibilidad de que


dos o más eventos sucedan simultáneamente. (Lind, Marchal, & Wathen, 2012,
pág. 156)

Figura 2: Diagrama de Venn para eventos que no son excluyentes

Esto significa que ocurra el evento A y el evento B. En notación de conjuntos:


𝑃(𝐴 ∩ 𝐵).

Importante hacer notar que para calcular este tipo de probabilidades es


necesario considerar los tipos de eventos; es decir, si son eventos
independientes o eventos condicionados.

Dos eventos A y B son independientes si uno de ellos ocurre y esto no tiene


ninguna influencia sobre la ocurrencia o no ocurrencia del otro evento.

Para calcular la probabilidad conjunta, cuando los eventos son independientes,


basta con multiplicar ambas probabilidades simples; es decir:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵)

Ejemplo: Una encuesta que llevó a cabo la American Automobile Association


(AAA) reveló que el año pasado 60% de sus miembros hicieron reservaciones
en líneas aéreas. Dos de ellos fueron seleccionados al azar, ¿cuál es la
probabilidad de que ambos hicieran reservaciones el año pasado? (Lind,
Marchal, & Wathen, 2012, pág. 159).

4
Sea el evento A = Uno de ellos realizó reservación el año pasado; B= el otro de
ellos realizó reservaciones el año pasado.

Dada la probabilidad frecuentista:

𝑃(𝐴) = 0.60
𝑃(𝐵) = 0.60

Ambos eventos se consideran independientes, por lo tanto:

𝑃(𝐴 ∩ 𝐵)0.60 ∗ 0.60 = 0.36

2.6. Probabilidad Condicionada

Al contrario, cuando dos eventos A y B son condicionados, la ocurrencia de uno


de ellos afecta la ocurrencia o no ocurrencia del otro.

En este caso, la probabilidad conjunta se calcula:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵|𝐴)

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐵) ∗ 𝑃(𝐴|𝐵)

𝑃(𝐵|𝐴), se lee probabilidad de que ocurra el evento B dado que ya ocurrió el


evento A.

𝑃(𝐴|𝐵), se lee probabilidad de que ocurra el evento A dado que ya ocurrió el


evento B.

Ejemplo: De los datos del ejemplo anterior, dada la tabla 1, ¿Cuál es la


probabilidad que visite la tienda con frecuencia y que opine que el lugar de
ubicación no es conveniente?

Sea A = visita la tienda con frecuencia y B = Opina que el lugar de ubicación no


es conveniente.

80 20 1,600
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) ∗ 𝑃(𝐵|𝐴) = ∗ = = 0.1026
195 80 15,600

5
20
Lo anterior, también es equivalente a: 𝑃(𝐴 ∩ 𝐵) = = 0.1026
195

Las tablas de contingencia son útiles para identificar eventos simples, conjuntos
y condicionados.

Por otra parte, también se puede deducir la fórmula para cálculo de


probabilidades condicionadas, de la siguiente manera:

Para dos eventos A y B:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵|𝐴) =
𝑃(𝐴)

Aplica para eventos condicionados, en notación de conjuntos:

Figura 3: Diagrama de Venn para eventos que son condicionados

Ejemplo: Suponga que la fuerza policiaca consta de 1,200 agentes, 960


hombre y 240 mujeres. De éstos, en los dos últimos años, fueron promovidos
340, como se muestra en la siguiente tabla: (Anderson, Sweeney, & Williams,
2008, págs. 164-166)

Tabla 2: Número de agentes promovidos y no promovidos


Hombre Mujer Total
Promovido 288 36 324
No Promovido 672 204 876
Total 960 240 1,200

6
Dada la anterior tabla de datos, se puede elaborar una tabla de probabilidades
conjuntas y marginales, las cuales servirán de base para calcular probabilidades
condicionadas, así:

Tabla 3: Probabilidades conjuntas y marginales (simples) para agentes promovidos y no


promovidos

Hombre Mujer Total


Promovido 0.24 0.03 0.27
No Promovido 0.56 0.17 0.73
Total 0.80 0.20 1.00

Probabilidades Probabilidades
conjuntas Marginales o Simples

a) ¿Cuál es la probabilidad de que un agente sea promovido dado que es


hombre?
b) ¿Cuál es la probabilidad de que un agente sea promovido dado que
mujer?

Solución:

Sea los eventos: A= Sea promovido; H= sea hombre y M= sea mujer.


𝑃(𝐴∩𝐻) 0.24
a) 𝑃(𝐴|𝐻) = = 0.80 = 0.30
𝑃(𝐻)

𝑃(𝐴∩𝑀) 0.03
b) 𝑃(𝐴|𝑀) = = 0.20 = 0.15
𝑃(𝑀)

Para continuar analizando, a partir de probabilidades, ¿tiene que ver el hecho


que sea mujer con el hecho de tener mejor posibilidad de ser promovidas?

Hay una manera de saber si dos eventos son estadísticamente independientes


o no lo son.

7
Dos eventos A y B son independientes si se cumple lo siguiente:

𝑷(𝑨|𝑩) = 𝑷(𝑨)

𝑷(𝑩|𝑨) = 𝑷(𝑩)

En el caso del ejemplo anterior, ¿son estadísticamente independientes los


eventos A= sea promovido y M=sea mujer?

Ya habíamos calculado la probabilidad de que sea promovido dado que es mujer,


𝑃(𝐴|𝑀) = 0.15, ahora nos resta calcular la probabilidad de que sea promovido,
o sea: 𝑃(𝐴) = 0.27

Entonces: 𝑃(𝐴|𝑀) ≠ 𝑃(𝐴); 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟: 0.15 ≠ 0.27

Por lo tanto estos eventos no son estadísticamente independientes. En otras


palabras, son eventos dependientes o condicionados.

2.7. Leyes para cálculo de probabilidades: Aditiva y Multiplicativa


Estas reglas o “leyes” para cálculo de probabilidades, tiene que ver con lo que
se quiere calcular y los tipos de eventos con que está tratando.

La regla de la adición, se aplica de dos maneras: para eventos mutuamente


excluyentes y para eventos que no son mutuamente excluyentes (también
llamados solapados).

La regla aditiva se emplea para calcular la probabilidad de que ocurra el evento


A o el evento B ó ambos; en notación de conjunto: 𝑃(𝐴 ∪ 𝐵).

Cuando los eventos son mutuamente excluyentes: 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)

Eventos mutuamente excluyentes:

8
Figura 4: Diagrama de Venn para eventos que son mutuamente excluyentes

Ejemplo: Una máquina automática llena bolsas de plástico con una combinación
de frijoles, brócoli y otras verduras. La mayoría de bolsas contiene peso correcto,
aunque, como consecuencia de la variación del tamaño del frijol y de otras
verduras, un paquete podría pesar más o menos. Una revisión de 4,000
paquetes que se llenaron el mes pasado arrojó los siguientes datos: (Lind,
Marchal, & Wathen, 2012, pág. 153)

Tabla 4: Número de paquetes según peso

Evento Número de Paquetes Probabilidad


A: Menos peso 100 0.025
B: Peso satisfactorio 3,600 0.900
C: Más peso 300 0.075
Total 4,000 1.000

¿Cuál es la probabilidad de que un paquete en particular tenga menos peso o


tenga más peso? R/ 𝑃(𝐴 ∪ 𝐶) = 0.025 + 0.075 = 0.10

Eventos que no son mutuamente excluyentes: 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩


𝐵)

9
Figura 5: Diagrama de Venn para eventos que no son mutuamente excluyentes

Ejemplo: Suponga que el Ministerio de Turismo de El Salvador seleccionó un


muestra de 400 turistas extranjeros que visitaron, durante la anterior semana
santa, la playa el “Tunco” y el “Cerro verde”. La encuesta reveló de 260 visitaron
la playa el “Tunco” y 190 visitaron el “Cerro verde”. Además, hubo 60 de las 400
personas que visitaron ambos lugares. ¿Cuál es la probabilidad de que una
persona seleccionada haya visitado playa el Tunco o Cerro Verde?

Sea:

A= Visitaron playa el Tunco

B= Visitaron Cerro Verde

A y B = Visitaron ambos lugares

260
𝑃(𝐴) = = 0.65
400
190
𝑃(𝐵) = = 0.475
400
60
𝑃(𝐴 ∩ 𝐵) = = 0.15
400
Figura 6: Representación de probabilidades para eventos que son mutuamente excluyentes

10
Entonces:

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = 0.65 + 0.475 − 0.15 = 0.975

2.8. Teorema de Bayes


En el siglo XIII, el reverendo Thomas Bayes, un ministro presbiteriano inglés,
planteó esta pregunta: ¿Dios realmente existe? Dado su interés en las
matemáticas, intentó crear una fórmula para llegar a la probabilidad de que Dios
existiera sobre la base de la evidencia de que disponía en la Tierra. Más tarde,
Pierre-Simon Laplace perfeccionó el trabajo de Bayes y le dio el nombre de
Teorema de Bayes. (Lind, Marchal, & Wathen, 2012, pág. 167).

El análisis suele iniciarse con una estimación de probabilidades iniciales o


previas, de los eventos que nos interesan. Después de fuentes, como una
muestra, se obtienen más información sobre estos eventos. Dada esta nueva
información, se revisan los valores de las probabilidades, mediante el cálculo de
probabilidades posteriores. El teorema de Bayes es el que se utiliza para calcular
estas nuevas probabilidades, ya revisadas.

Figura 7: Proceso de Cálculo de probabilidades actualizadas a partir de aplicación de Teorema


de Bayes

(Anderson, Sweeney, & Williams, 2008, pág. 171)

Teorema de Bayes, caso de dos eventos:

𝑷(𝑨𝟏 )𝑷(𝑩|𝑨𝟏 )
𝑷(𝑨𝟏 |𝑩) =
𝑷(𝑨𝟏 )𝑷(𝑩|𝑨𝟏 ) + 𝑷(𝑨𝟐 )𝑷(𝑩|𝑨𝟐 )

𝑷(𝑨𝟐 )𝑷(𝑩|𝑨𝟐 )
𝑷(𝑨𝟐 |𝑩) =
𝑷(𝑨𝟏 )𝑷(𝑩|𝑨𝟏 ) + 𝑷(𝑨𝟐 )𝑷(𝑩|𝑨𝟐 )

11
Sin embargo, este teorema es aplicado a numerosos eventos, la fórmula general
es:

Teorema de Bayes, caso de 𝑖 eventos:

𝑷(𝑨𝒊 )𝑷(𝑩|𝑨𝒊 )
𝑷(𝑨𝒊 |𝑩) =
𝑷(𝑨𝟏 )𝑷(𝑩|𝑨𝟏 ) + 𝑷(𝑨𝟐 )𝑷(𝑩|𝑨𝟐 ) + ⋯ + 𝑷(𝑨𝒏 )𝑷(𝑩|𝑨𝒏 )

Ejemplo: Un fabricante de reproductores d DVD compra un microchip en


particular, denominado LS-24, a tres proveedores: Hall Electronics, Schuller
Sales y Crawford Components. Treinta por ciento de los chips LS-24 se le
compra a Hall Electronics; 20% a Schuller Sales y el restante 50% a Crawford
Components. El fabricante cuenta con amplios historiales sobre los tres
proveedores y sabe que 3% de los chips de Hall Electronics tiene defectos, 5%
de los de Schuller Sales también y 4% de los de Crawford Components son
defectuosos.

Cuando los chips se reciben, se les coloca directamente en un depósito y no se


inspeccionan ni se identifican con el nombre del proveedor. Un trabajador
selecciona un chip para instalarlo en un reproductor de DVD y lo encuentra
defectuoso, ¿Cuál es la probabilidad de que lo haya fabricado Schuller Sales?
Tomado de (Lind, Marchal, & Wathen, 2012, pág. 168)

Para responder a la pregunta, primero se debe definir los eventos e identificar


las probabilidades de ocurrencia para cada evento. Se recomienda utilizar el
diagrama de árbol para representar los resultados posibles, de la siguiente
manera:

𝐴1 = 𝑒𝑙 𝑐ℎ𝑖𝑝 𝑠𝑒 𝑙𝑜 𝑐𝑜𝑚𝑝𝑟ó 𝑎 𝐻𝑎𝑙𝑙 𝐸𝑙𝑒𝑐𝑡𝑟𝑜𝑛𝑖𝑐𝑠


𝐴2 = 𝑒𝑙 𝑐ℎ𝑖𝑝 𝑠𝑒 𝑙𝑜 𝑐𝑜𝑚𝑝𝑟ó 𝑎 𝑆𝑐ℎ𝑢𝑙𝑙𝑒𝑟 𝑆𝑎𝑙𝑒𝑠
𝐴3 = 𝑒𝑙 𝑐ℎ𝑖𝑝 𝑠𝑒 𝑙𝑜 𝑐𝑜𝑚𝑝𝑟ó 𝑎 𝐶𝑟𝑎𝑤𝑓𝑜𝑟𝑑 𝐶𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑠
𝐵 = 𝑒𝑙 𝑐ℎ𝑖𝑝 𝑒𝑠𝑡á 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜
𝐵´ = 𝑒𝑙 𝑐ℎ𝑖𝑝 𝑛𝑜 𝑒𝑠𝑡á 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜

12
Figura 8: Diagrama de árbol con probabilidades para el caso de un fabricante de reproductores
de DVD que compra un microchip, denominado LS-24, a tres proveedores.

𝑃(𝐴2 )𝑃(𝐵|𝐴2 )
𝑃(𝐴2 |𝐵) =
𝑃(𝐴1 )𝑃(𝐵|𝐴1 ) + 𝑃(𝐴2 )𝑃(𝐵|𝐴2 ) + 𝑃(𝐴3 )𝑃(𝐵|𝐴3 )
0.01 0.01
𝑃(𝐴2 |𝐵) = = = 0.2564
0.009 + 0.01 + 0.02 0.039

Existe una probabilidad de 25.64% de que el fabricante sea Schuller Sales dado
que el chip resultó estar defectuoso.

A partir de los resultados identificados en el diagrama podemos responder más


preguntas relacionada, por ejemplo la probabilidad simple de que un chip
seleccionado al azar resulte estar defectuoso, o sea la probabilidad del evento
B.

𝑃(𝐵) = 𝑃(𝐴1 ∩ 𝐵) + 𝑃(𝐴2 ∩ 𝐵) + 𝑃(𝐴3 ∩ 𝐵)


𝑃(𝐵) = 0.009 + 0.01 + 0.02 = 0.039

Existe una probabilidad de 3.9% de que un chip seleccionado aleatoriamente se


encuentre defectuoso.

13
A manera de continuar… un trabajador selecciona un chip para instalarlo en un
reproductor de DVD y lo encuentra que no está defectuoso, ¿Cuál es la
probabilidad de que lo haya fabricado Hall Electronics?

𝑃(𝐴1 )𝑃(𝐵´|𝐴2 )
𝑃(𝐴1 |𝐵´) =
𝑃(𝐴1 )𝑃(𝐵´|𝐴1 ) + 𝑃(𝐴2 )𝑃(𝐵´|𝐴2 ) + 𝑃(𝐴3 )𝑃(𝐵´|𝐴3 )

0.291 0.291
𝑃(𝐴1 |𝐵´) = = = 0.3028
0.291 + 0.19 + 0.48 0.961

Existe una probabilidad de 30.28% de que el chip haya sido fabricado por Hall
Electronics dado que no está defectuoso.

Referencias
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para
Administración y Economía (10a ed.). México D.F.: CENCAGE Learning.

Lind, D., Marchal, W., & Wathen, S. (2012). Estadística Aplicada a los Negocios
y la Economía (15a ed.). México: Mc Graw Hill.

14