Análisis probabilístico
Consideraremos a los fenómenos determinísticos como aquellos en los cuáles es
posible saber con total certeza el resultado de una observación. Por ejemplo, ver qué
pasa con un libro si lo sostengo y lo suelto: éste siempre caerá.
Por otro lado, consideraremos que un fenómeno es aleatorio si no podemos tener
total certeza del resultado de una observación. Por ejemplo, determinar el número
que saldrá en la primera posición de la lotería nacional. Y, como veremos, estos
últimos fenómenos se caracterizan por generarse en los que se conocen como
experimentos aleatorios.
Experimentos aleatorios: Los experimentos aleatorios (E) son fenómenos que admiten
dos o más resultados, y no tenemos elementos de juicio suficientes para saber cuál
obtendremos, por más que lo repitamos bajo las mismas condiciones.
Partiendo de esta definición, podemos concluir en que un experimento puede
considerarse aleatorio si se cumplen tres condiciones:
•Debe tener dos o más resultados posibles.
• No tendremos información de antemano para poder saber qué resultado se
obtendrá.
• Repetirlo bajo mismas condiciones no nos garantiza conocer el resultado que se
obtendrá.
Espacio muestral: Se conoce como espacio muestral (U) al conjunto de todos los
posibles resultados asociados a un determinado experimento aleatorio.
Es así cómo, si seguimos con el ejemplo de lanzar un dado de seis caras, el espacio
muestral quedará definido como: U: {1 - 2 - 3 - 4 - 5 - 6}
Veremos también que, en la lectura estadística, se acostumbra a denominar con la
letra N (en mayúscula) al tamaño del espacio muestral. En este caso, al tener seis
resultados posibles, diremos que N = 6. Si el experimento aleatorio fuera, por ejemplo,
averiguar el signo zodiacal de una persona, el espacio muestral sería de tamaño 12 (N
= 12)
Suceso: Llamaremos suceso (S) a todo subconjunto del espacio muestral
Y así, tal cual la definición dice, a todo subconjunto que podamos formar de un espacio
muestral lo consideraremos suceso. Paralelamente, identificamos su tamaño con la
letra K (en mayúscula).
1
Entendemos por probabilidad a un número real entre 0 y 1, que se utiliza para
cuantificar la incertidumbre. Así el valor 0 representa el caso donde hay certeza de que
no ocurrirá un determinado suceso, mientras que 1 indica la certeza de ocurrencia de
un determinado suceso.
Calcularemos la probabilidad de ocurrencia de algún suceso, correspondiente a un
espacio muestral, generado dentro de un experimento aleatorio. Según la teoría de
probabilidad existen por lo menos tres maneras de obtener valores de probabilidad,
conociendo a cada una de estas como definiciones o modelos de probabilidad. Entre
las diferentes maneras se destacan:
Definición clásica: Es aplicable a espacios muestrales finitos (es decir, con un número
limitado de resultados posibles), y dice que “para obtener un valor de probabilidad se
puede hacer el cociente entre los resultados favorables a un determinado suceso y los
resultados posibles”
imaginemos que lanzamos un dado de seis caras arriba de una mesa y nos interesa
conocer la probabilidad de obtener un número primo. Planteando el espacio muestral,
y el suceso que nos interesa obtener, nos encontramos con el siguiente escenario:
La probabilidad de obtener un número primo es de 0,6667” Como vemos, calcular
probabilidades con este modelo es sencillo. No obstante, una limitante que tiene es el
hecho de que cada elemento del espacio muestral (resultados) deberán tener la misma
probabilidad de ocurrencia.
2
Definición frecuencial: Es aplicable a espacios muestrales “infinitos”, e indica que “el
verdadero valor de probabilidad se obtiene a medida que se va incrementando el
número total de observaciones indefinidamente”
¿Qué significa esto? Que en este modelo de probabilidad no nos va a importar el
tamaño del espacio muestral (N), sino la cantidad de repeticiones que podamos hacer
del experimento. Consideremos el experimento de tirar una moneda y que sólo nos
sea posible obtener dos resultados posibles
Considerar que la probabilidad de que salga cara cada vez que tiro una moneda va a
ser igual a 1. Si quisiera saber cuál es la probabilidad de que salga cara, lo lógico sería
tirar muchas veces la moneda (un número tan grande que tienda al infinito) y si la
moneda no estuviera adulterada, aproximadamente la mitad de las veces saldrá cara y
la otra mitad cruz.
Supongamos que a un entrenador le interesa conocer quién es la integrante de su
equipo con mayor probabilidad de gol al patear un penal, y que, basándose en lo que
pudo observar en una semana de entrenamiento, obtiene los siguientes resultados.
Si el entrenador calcula las probabilidades por cociente empleando la definición clásica
(como en la tabla), y decide a partir de esos valores, llegaría a la conclusión de que
Patricia es la mejor pateadora de penales y la mandaría a patear en los partidos
oficiales
En los experimentos aleatorios donde necesitamos de muchas observaciones para
sacar conclusiones, es más adecuado utilizar un modelo frecuencial.
3
Definición subjetiva: El modelo subjetivo es uno de los más nuevos, y profundos,
dentro del análisis probabilístico. Aplicable a eventos únicos e irrepetibles, explica que
“el valor de probabilidad está asociado al buen saber y entender de la persona
observadora”.
Como mencionamos, la definición subjetiva entra en juego cuando los experimentos
son únicos e irrepetibles. Por ejemplo, Ricardo es una persona fanática del cine, y le
dijo a sus [Link] Susana la probabilidad de que le guste la película es 0,50. La
verdad es que no tiene idea de que se trata, quienes actúan o quien la dirige. Cómo
nunca ha escuchado nada sobre este film, para ella es igualmente probable que le
guste o no.
Finalmente, Patricia ama las películas de culto y según lo que pudo averiguar, esta
película que están por ver es un músical, ¡su género favorito! Por lo que considera que
la probabilidad de que le vaya a gustar la película es 0,90.
Para empezar, podemos ver que determinar la probabilidad de que una película le
vaya a gustar a una persona proviene de un experimento único e irrepetible. Por otro
lado, como podemos ver en el ejemplo, todas las personas tienen un valor de
probabilidad válido, porque en función de su buen saber y entender asignaron dicho
valor. ¿Quién tiene razón? ¡Las tres personas! Cada una, desde su subjetividad, desde
su entender, pudo definir un valor de probabilidad, y eso es válido
Tipos de probabilidad.
Probabilidad marginal: Una probabilidad marginal mide la probabilidad de ocurrencia
de un único suceso, y se nota P(Si ).
Es fundamental tener en cuenta que nos interesará conocer la probabilidad de que se
produzca uno, y solo uno, de los posibles sucesos asociados a un experimento
aleatorio. Algunos ejemplos podrían ser:
Hay una probabilidad de 0,20 de que el precio suba en menos de 15 días”
Suceso: S: El precio suba en menos de 15 días Probabilidad: P(S) = 0,20
4
Probabilidad conjunta: Una probabilidad conjunta mide la probabilidad de ocurrencia
de dos (ó más) sucesos a la vez, se nota P(Si . Sj ), y se lee “la probabilidad conjunta de
Si y Sj ”.
Este tipo de probabilidad responde a situaciones más complejas, en las cuales no nos
interesa que ocurra únicamente un suceso, sino que se produzcan varios
Ejemplo: dos tipos de sucesos marginales: Personas con trabajos gastronómicos (y su
complemento: personas que no tiene trabajos gastronómicos) Tener un elemento de
trabajo amarillo (y su complemento: no tener un elemento de trabajo amarillo)
Entonces, un ejemplo de probabilidad conjunta sería poder identificar aquellas
personas con trabajos gastronómicos y que usan algún elemento de trabajo amarillo
Esa área punteada mostraría la intersección de las personas que tienen trabajos
gastronómicos y tienen elementos amarillos: Hay 4 personas que usan elementos
amarillos y 3 que se dedican a trabajos gastronómicos, pero solo 2 se dedican al
trabajo gastronómico y usan un elemento amarillo.
• “La probabilidad de aprobar el primer parcial y promocionar la materia es del 0,35”
Sucesos: A: Aprobar el primer parcial Probabilidad: P(A.P) = 0,35 Sucesos:
P: Promocionar la materia Si prestamos atención a los ejemplos anteriores, en todos
hay algo en común: hacen uso de la palabra clave “y” para indicar la producción
conjunta de dos sucesos.
Probabilidad Condicional: Una probabilidad condicional mide la probabilidad de
ocurrencia de un suceso (Si ), sabiendo que se produjo otro (Sj ), se nota P(Si / Sj ), y se
lee “la probabilidad de Si tal que Sj ”.
Antes de seguir, hay una aclaración que es fundamental hacer, y es que el orden de los
sucesos no es indistinto.
Veámoslo con un ejemplo:
La probabilidad de que la planta esté muriendo (M), sabiendo que la regué (R)
La probabilidad de que riegue la planta (R), sabiendo que está muriendo (M)
La primera P(M/R), podría hacer mención a la idea de que la planta se está muriendo
como consecuencia de nuestro (exceso de) riego.
Mientras que la segunda P(R/M), puede referirse a la posibilidad de que nuestra
intención de regar sea una consecuencia de ver a la planta morir (como si pudiéramos
“resucitarla” con un poco de agua).
5
Entonces, entendiendo que P(M/R) ≠ P(R/M), habrá que diferenciar de manera
genérica el rol que cumple cada suceso según el lado de la condición que ocupen:
Ejemplo
“La probabilidad de promocionar, sabiendo que aprobé el primer parcial, es de 0,85”
Sucesos: A: Aprobar el primer parcial Probabilidad: P(P/A) = 0,85
Sucesos: P: Promocionar la materia Notemos como siempre hay un un condicionado
cuya probabilidad de ocurrencia depende del hecho de que el condicionante se
“produjo”.
Clasificación que se hace de los sucesos:
Sucesos complemento: El suceso complemento (o complementario) es aquel que
niega la ocurrencia de un suceso en particular.
Suceso: L: Está lloviendo Suceso complemento: L: No está lloviendo
Pero si no está lloviendo, ¿qué está pasando? A priori no lo sabemos, porque hablar de
complemento no implica hablar de su antagónico (soleado, por ejemplo).
Por ello el complemento no necesariamente es el antónimo (opuesto) del suceso, sino
que simplemente su negación. En el ejemplo anterior, “no está lloviendo” no equivale
a estar soleado, sino cualquier estado meteorológico ajeno al estar lloviendo: soleado,
nevando, nublado.
La suma de las probabilidades de un suceso, y su complemento, siempre dará 1”: P(Si )
+ P(Si ) = 1
Esto se produce, hablando en terminología estadística, porque la suma de ambas
posibilidades (alternativas) constituye la totalidad del espacio muestral. Y, como bien
sabemos, solo será posible obtener resultados dentro del espacio muestral.
Sucesos compatibles: Dos sucesos son considerados compatibles si se pueden
presentar de manera conjunta.
Sucesos incompatibles: Dos sucesos son considerados incompatibles si no se pueden
presentar de manera conjunta.
6
Básicamente, cuando dos o más sucesos se pueden presentar a la vez, vamos a
considerar que son compatibles, en cambio si no se pueden dar de manera conjunta
son incompatibles o también denominado: mutuamente excluyentes
