REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMENTAL

“RAFAEL MARÍA BARALT”

PROGRAMA INGENIERÍA

MANTENIMIENTO MECÁNICO

TEORÍA DE LA PROBABILIDAD
Informe de investigación

Autora: Nicole Matos CI: 2955740

Tutora: Ing. Karina Eurresta

Cátedra: Estadística I

San Pedro, Agosto del 2024

 ESQUEMA

Introducción

 Principios: Principio de multiplicación, Principio de adición,

Permutaciones, Combinaciones.
 Conceptos de: Espacio muestral, Experimentos determinísticos y
aleatorios, Sucesos, Frecuencia relativa.
 Formulación axomática de la probabilidad.
 Concepto de: Probabilidad condicional y total, Teorema de Bayes e
independencia.

Conclusión
 INTRODUCCIÓN

El Cálculo de Probabilidades es la ciencia que permite analizar de manera

adecuada los fenómenos que presentan incertidumbre, llamados fenómenos
aleatorios y que son el objeto de estudio de este tema.

Ejemplo 1: Lanzamiento de un dado, número de veces que hay que lanzar

una moneda para obtener cara o tiempo hasta que se imprime un trabajo

La axiomática de Kolmogorov nos permite definir una medida de la

posibilidad de ocurrencia de un determinado suceso asociado a un fenómeno
aleatorio, medida a la que llamaremos probabilidad del suceso.

Los fenómenos aleatorios se estudian mediante experimentos, llamados,

experimentos aleatorios.

La probabilidad condicional es fundamental en las aplicaciones de la

Estadística, porque permite incorporar cambios en nuestro grado de creencia
sobre los sucesos aleatorios a medida que adquirimos nueva información. Es
también un concepto teórico básico requerido en la construcción del espacio
muestral producto. Por ello, su correcta comprensión y el razonamiento sobre
la misma son requisitos en el estudio de la inferencia estadística, tanto
clásica como bayesiana, así como en el estudio de la asociación entre
variables, la regresión y los modelos lineales. En el terreno profesional e
incluso en la vida cotidiana, la toma de decisiones acertadas en situaciones
de incertidumbre se basa en gran medida en el razonamiento condicional.

Sin embargo, la Psicología del razonamiento, así como algunas

investigaciones recientes en didáctica de la probabilidad muestran la
existencia de intuiciones incorrectas, sesgos de razonamiento y errores de
comprensión y aplicación de este concepto. Algunos de ellos están bastante
extendidos y una enseñanza formal de la probabilidad es insuficiente para
superarlos. Es necesario que el sujeto se haga consciente de estas
dificultades y aprenda a afrontar los problemas condicionales con unas
herramientas adecuadas.

Algunas situaciones de probabilidad implican múltiples eventos. Cuando

uno de los eventos afecta a otros, se llaman eventos dependientes. Por
ejemplo, cuando objetos son escogidos de una lista o grupo y no son
devueltos, la primera elección reduce las opciones para futuras elecciones.

Existen dos maneras de ordenar o combinar resultados de eventos

dependientes. Las permutaciones son agrupaciones en las que importa el
orden de los objetos. Las combinaciones son agrupaciones en las que el
contenido importa pero el orden no.
 PRINCIPIOS: PRINCIPIO DE MULTIPLICACIÓN,
PRINCIPIO DE ADICIÓN, PERMUTACIONES,
COMBINACIONES.

PRINCIPIO DE MULTIPLICACIÓN

La multiplicación se puede entender como otra forma de sumar pero

abreviada. Es decir, la operación en la cual se suma un número por sí
mismo, tantas veces como lo señala la otra cantidad.

El signo que se utiliza en la multiplicación es x, de esta manera expresar

3×4 es igual a calcular 3+3+3+3.

Para que los alumnos aprendan más fácilmente este proceso se enseñan
las tablas multiplicar desde primaria.

En este sentido, el principio de la multiplicación se basa en:

«Si una tarea se realiza en n etapas, y si la primera etapa tiene k1

maneras de realizarse, la segunda tiene k2 maneras y así sucesivamente.
Entonces el número de formas de realizar la tarea es k1 x k2 hasta obtener
kn»

Ejemplo: Una mujer tiene 4 pantalones, 3 camisas y 5 pares de zapatos ¿De

cuántas formas diferentes se puede vestir?

Solución: 4 x 3 x 5 = 60 formas diferentes.

PRINCIPIO DE ADICIÓN

La suma o adición consiste en agregar en convertir en una única cifra dos

o más números del mismo signo.
 Para realizar esta operación artimética se utiliza el signo + entre
cantidades y al final el signo = para indicar el resultado.

De esta manera, el principio de la suma indica:

«Si una primera operación puede realizarse de M maneras y una segunda

operación puede realizarse de N maneras, entonces la operación se puede
efectuar de m+n formas diferentes».

Ejemplo: Un vestido de moda se vende en 6 tiendas de ropa del centro y en

5 tiendas del este ¿de cuántas formas puede adquirir la prenda?

Solución: 6 + 5 = De 11 formas diferentes.

PERMUTACIONES

Como la muestra y el tamaño del evento es lo que usamos para encontrar

probabilidades, es útil saber exactamente cuántas combinaciones o
permutaciones son posibles. Esta es una forma de pensar en ello, usando el
Principio Fundamental de Conteo, que dice que el número de resultados en
un espacio muestral es el producto del número de resultados para cada
elemento.

Empecemos con las permutaciones, cuando el orden importa.

Supongamos que tenemos n objetos de donde escoger (n canicas en la
bolsa, o n invitados en una fiesta, por ejemplo).

 La primera sacada tiene una opción de n objetos

 Para cada uno de esos n objetos, existen n − 1 opciones para la
segunda sacada. Usando el Principio Fundamental de Conteo, es
significa que hay n • (n − 1) resultados para escoger dos cosas.
  Ahora, para esos n • (n − 1) resultados, se puede tener una tercera
opción de los n − 2 objetos que restan. Usando de nuevo el Principio
Fundamental de Conteo, hay n • (n − 1) • (n − 2) resultados posibles
para 3 sacadas.

¿Ves a dónde va esto? Nota que el último factor resta uno menos que el
número total de objetos elegidos. Para encontrar el número de opciones para
sacar el k-ésimo objeto, multiplica los resultados anteriores por n − (k − 1).
Otra forma de escribir n − (k − 1) es n − k + 1.

COMBINACIONES

Para las combinaciones, el orden no importa. ¿Cómo cambia esto el

número de resultados? El número de permutaciones que se vuelven la
misma cuando el orden ya no importa es el número de maneras distintas de
arreglar objetos en un grupo.

Piensa en un grupo de 3 letras. ABC. En una permutación, ABC y CAB

son resultados distintos, pero en una combinación, estos resultados son el
mismo. ¿Cuántas maneras diferentes hay de ordenar las letras A, B, y C? Es
decir, ¿cuántas permutaciones hay para este grupo en particular?

ABC ACB

BAC BCA

CAB CBA
 Existen 6 maneras de ordenar estas letras. Lo que estamos haciendo es
encontrando el número de permutaciones de 3 objetos cuando elegimos los
3 (n = 3 y k = 3). Entonces, usando la fórmula proporcionada arriba, existen 3
• 2 • 1 = 6 resultados. Que son los mismos que los resultados de la lista.

En el ejemplo de las canicas, teníamos 2 objetos en cada grupo, entonces

para cada par de canicas, había 2 • 1, o 2, maneras de ordenarlas. Sólo
necesitábamos una para cada par, por lo que el número de combinaciones
ere el número de permutaciones dividido entre 2. En el ejemplo de las letras,
como existen 6 maneras de ordenar 3 objetos, cuando encontramos las
combinaciones de tres sólo necesitábamos una representativa para esas 6
formas. Podemos dividir el número de permutaciones entre 6 y obtener el
número de combinaciones.

Esto es válido en general: Para encontrar el número de combinaciones de

k objetos tomados de n objetos, dividir el número de permutaciones de
escoger k de n objetos entre el número de permutaciones para escoger k de
k objetos.
 CONCEPTOS DE: ESPACIO MUESTRAL,
EXPERIMENTOS DETERMINÍSTICOS Y ALEATORIOS,
SUCESOS, FRECUENCIA RELATIVA.

ESPACIO MUESTRAL

El espacio muestral está formado por todos los posibles resultados de un

experimento aleatorio. Incluye cada uno de los sucesos elementales.

El espacio muestral es una parte fundamental del espacio probabilístico.

Está compuesto por todos los elementos de la muestra. A diferencia del
espacio muestral, el espacio probabilístico abarca todos los elementos
posibles, incluso aquellos que no aparecen en la muestra.

Este concepto es clave en la estadística y la probabilidad, ya que permite

entender y analizar los posibles resultados de cualquier experimento
aleatorio. Por ejemplo, en un lanzamiento de una moneda, el espacio
muestral se limita a dos resultados: cara o cruz.

Símbolo del espacio muestral

El espacio muestral se denota con la letra griega Ω (Omega). Está

compuesto por todos los sucesos elementales y/o compuestos de la muestra
y, por tanto, coincide con el suceso seguro. Es decir, aquel suceso que
siempre va a ocurrir.

Un ejemplo de espacio muestral en el lanzamiento de una moneda sería:

Ω = {C, X}

Dónde C es cara y X es cruz. Esto es, los posibles resultados son cara o
cruz.
Ejemplo de espacio muestral

Supongamos el caso de un dado con 6 caras. Enumeradas del 1 al 6

¿Cuál sería el espacio muestral del experimento lanzar un dado una sola
vez?

Ω = {1, 2, 3, 4, 5, 6}

¿Y si el experimento consiste en lanzar el dado dos veces? Diferenciamos

entre un dado rojo y un dado verde.

Ω = {1 y 1, 1 y 2, 1 y 3, 1 y 4, 1 y 5, 1 y 6, 2 y 1, 2 y 2, 2 y 3 … 6 y 6}

Es decir, que en el dado rojo salga un 1 y que en el dado verde salga un

1, sería el primer suceso elemental. El segundo suceso elemental consistiría
en que en el dado rojo salga un 1 y en el verde un 2. Así hasta un total de 36
sucesos elementales.

Diferencia entre espacio muestral y espacio probabilístico

Confundir espacio muestral y espacio probabilístico es algo habitual.

Suele creerse que son sinónimos. Sin embargo, no es así. El espacio
probabilístico es un concepto mucho más amplio y está formado, además de
otros conceptos, por el espacio muestral.

En otras palabras, el espacio muestral es una parte del espacio

probabilístico.

EXPERIMENTOS DETERMINÍSTICOS Y ALEATORIOS

El Cálculo de Probabilidades es una herramienta matemática que se

plantea definir alguna medida teórica de la facilidad con la que ocurre algún
hecho, en concreto, algún resultado de un experimento aleatorio.
 Un "experimento" es una operación que provoca un fenómeno que acaba
produciendo un resultado. Este resultado puede ser conocido con certeza o
no. Por ejemplo, son experimentos:

- Lanzar un dado.
- Estirar un cable hasta su ruptura.
- Medir altura de un individuo.
- Contabilizar el número de accidentes laborales.
- etc.

Un experimento puede considerarse de tres tipos: Determinista, Casual

o Aleatorio.

Los experimentos deterministas producen resultados conocidos y

predecibles, siempre que las condiciones del experimento sean controlables
(que podamos repetirlo en las mismas condiciones). Por ejemplo:

- H + H + O produce agua
- Dejar un objeto en el aire conduce a que se caiga (Ley de la
gravedad)

Nuestro interés se encuentra en los experimentos aleatorios, que se

caracterizan porque:

- Pueden repetirse indefinidamente en las mismas (en la práctica,

análogas) condiciones.
- Se conoce el conjunto de resultados posibles pero no es predecible de
antemano el resultado particular que obtendremos.
- Presentan un comportamiento estable a largo plazo, esto es, si se
repite muchas veces se apreciarán proporciones estables entre sus
resultados (Ley de la Regularidad estadística).
 Cuando en un experimento se cumplen las dos primeras condiciones,
pero no la tercera, se denomina experimento casual.

Los resultados de un experimento aleatorio les agrupamos en un conjunto

que llamaremos espacio muestral, que se designa con el símbolo Ω. Esto
es, escribimos

Ω={Ф1, Ф2,…, Фn,…}

Para indicar que los resultados del experimento aleatorio son Ф1, Ф2,…,Фn,….

SUCESOS

Un suceso es cualquier subconjunto del espacio muestral. Por ejemplo,

“sacar cara” en el lanzamiento de una moneda, “sacar el número 5” o “sacar
un número primo” en el lanzamiento de un dado son sucesos.

Llamaremos suceso compuesto o simplemente suceso, a cualquier

subconjunto del espacio muestral E. Los sucesos se denotan con letras
mayúsculas: A, B, C,,… Los elementos con minúsculas: a,b,..

Un conjunto o suceso A se caracteriza mediante la propiedad que

cumplen todos sus elementos o dando todos sus elementos, entre llaves.

Llamaremos suceso seguro al que se verifica siempre (notación: E).

Llamaremos suceso imposible al que no se verifica nunca (Ø).

Ejemplo: Experimento aleatorio: lanzar un dado.

Espacio muestral: E = {1, 2, 3, 4, 5, 6}.

Suceso A: obtener un 5 o A = {5}. A es un suceso elemental.

Suceso B: obtener un número par o B = {2, 4, 6}. B es un suceso

compuesto.
Suceso C: obtener un número mayor que 6 o C = Ø. C es un suceso
imposible.

Suceso D: obtener par o impar o D = E. D es un suceso seguro

FRECUENCIA RELATIVA

La frecuencia relativa es una medida estadística que se calcula como el

cociente de la frecuencia absoluta de algún valor de la población/muestra (fi)
entre el total de valores que componen la población/muestra (N).

Para entender la frecuencia relativa, primero necesitamos saber qué es la

frecuencia absoluta.

La frecuencia absoluta cuenta cuántas veces aparece un valor en un

conjunto de datos. Una vez ya se sabe dicho dato, podemos calcular la
frecuencia relativa.

A diferencia de la frecuencia absoluta, la frecuencia relativa nos muestra

la proporción o el porcentaje que representa cada valor dentro del total de
datos. Se calcula dividiendo la frecuencia absoluta entre el número total de
observaciones en el conjunto de datos.

La frecuencia relativa se representa con las letras hi y su fórmula de

cálculo es la siguiente:

fi
hi:
N

hi = Frecuencia relativa de la observación i-ésima

fi = Frecuencia absoluta de la observación i-ésima

N = Número total de observaciones de la muestra

 De la fórmula de cálculo se desprenden dos conclusiones:

 La primera es que la frecuencia relativa va a estar acotada entre 0 y 1,

debido a que la frecuencia de los valores de la muestra, siempre va a
ser menor al tamaño de la muestra.
 La segunda es que la suma de todas las muestras va a ser 1 si se
mide en tanto por 1, o 100 si se mide en tanto por ciento.

Por consiguiente la frecuencia relativa nos informa acerca de la

proporción o el peso que tiene algún valor u observación en la muestra. Esto
la hace de especial utilidad, dado que a diferencia de la frecuencia absoluta,
la frecuencia relativa nos va a permitir hacer comparaciones entre muestras
de tamaños distintos. Esta se puede expresar como un valor decimal, como
fracción o como porcentaje.

Ejemplo de frecuencia relativa (hi) para una variable discreta

Supongamos que las notas de 20 alumnos de primer curso de economía son

las siguientes:

1,2,8,5,8,3,8,5,6,10,5,7,9,4,10,2,7,6,5,10.

Por tanto tenemos:

Xi = Variable aleatoria estadística, nota del examen de primer curso de

economía.

N = 20

fi = Frecuencia absoluta (número de veces que se repite el suceso, en este

caso la nota del examen).

Xi fi hi
1 1 5%
2 2 10%
 3 1 5%
4 1 5%
5 4 20%
6 2 10%
7 2 10%
8 3 15%
9 1 5%
10 3 15%
∑ 20 100%

Como resultado vemos que la frecuencia relativa nos da un resultado más

visual al relativizar la variable y nos permite juzgar si 4 personas de 20 es
mucho o poco. Hay que tener en cuenta, que para una muestra de un
tamaño tan pequeño, la anterior afirmación puede parecer obvia, pero para
muestras de tamaños muy grandes, esto podría no ser tan obvio.

Ejemplo de frecuencia relativa (hi) para una variable continua

Supongamos que la altura de 15 personas que se presentan a las

oposiciones del cuerpo de policía nacional son las siguientes:

1,82, 1,97, 1,86, 2,01, 2,05, 1,75, 1,84, 1,78, 1,91, 2,03, 1,81, 1,75, 1,77,
1,95, 1,73.

Para elaborar la tabla de frecuencias, los valores se ordenan de menor a

mayor, pero en este caso dado que la variable es continua y podría tomar
cualquier valor de un espacio continuo infinitesimal, hay que agrupar las
variables por intervalos.

Por tanto tenemos:

Xi = Variable aleatoria estadística, altura de los opositores al cuerpo de

policía nacional.
N = 15

fi = Frecuencia absoluta (número de veces que se repite el suceso en este

caso, las alturas que se encuentran dentro de un determinado intervalo).

hi = Frecuencia relativa (proporción que representa el valor i-ésimo en la

muestra).

Xi fi hi
[1,70 , 1,80) 5 33%
[1,80 , 1,90) 4 27%
[1,90 , 2,00) 3 20%
[2,00 , 2,10) 3 20%
∑ 15 100%

FORMULACIÓN AXOMÁTICA DE LA PROBABILIDAD

Sea E el espacio muestral asociado a un experimento aleatorio y sea Ω

una ϭ-álgebra de sucesos de E (subconjunto de S con buenas propiedades).
Diremos que la aplicación P: Ω -> ℝ es una PROBABILIDAD si verifica los
siguientes axiomas:

(Axioma 1) ∀ A ∈ Ω, P (A) > 0

(Axioma 2) P (E) = 1

(Axioma 3) Si {Ai}i∈I ∈ Ω, son sucesos incompatibles dos a dos, es decir,

Ai ∩ Aj = Ø ∀ i ≠ j, entonces

P (¿ i∈ I Ai) = ∑ P (Ai),
i ∈I

Donde I puede ser un conjunto de sucesos finito o infinito numerable.

La función probabilidad asigna a cada suceso A un número entre 0 y 1:

 Si P(A) es cercana a 0, indica posibilidad pequeña de que ocurra el

suceso A. Si P(A) = 0, es imposible que ocurra A. En este caso A = Ø.
 Si P(A) es cercana a 1, indica posibilidad alta de que ocurra el suceso
A. Si P(A) = 1, A ocurre con total seguridad. En este caso, A = E.

PROPIEDADES CONSECUENCIA DE LOS AXIOMAS

Propiedad 1 Si A ∈ Ω, entonces 0 < P (A) < 1

Propiedad 2 P (Ᾱ) = 1 - P (A) (también se escribe P(A) = 1 P(Ᾱ))

Propiedad 3 P (Ø) = 0

Propiedad 4 Si A es un suceso cualquiera, siempre se verifica que

P (A) = P (A∩B)+P(A∩B)

Siendo B cualquier suceso

Propiedad 5 P (A - B) = P (A) – P (A∩B)

 Los axiomas de probabilidad son las condiciones mínimas que deben
verificarse para que una función definida sobre un conjunto de sucesos
determine consistentemente sus probabilidades. Fueron formulados por
Andréi Kolmogórov en 1933.

CONCEPTO DE: PROBABILIDAD CONDICIONAL Y

TOTAL, TEOREMA DE BAYES E INDEPENDENCIA.

PROBABILIDAD CONDICIONAL Y TOTAL

 La probabilidad condicional puede definirse con diversos grados de
formalización. Intuitivamente podemos decir que la probabilidad condicional
P(A/B) de un suceso A dado otro suceso B es simplemente la probabilidad
de que ocurra A sabiendo que B se ha verificado. Desde un punto de vista
más formal se define mediante la expresión.

P (A/B) = P (A∩B)/P(B), siempre que P(B) >0.

Un concepto relacionado es el de independencia. Matemáticamente puede

deducirse de la regla del producto de probabilidades, mediante la definición.
A y B son independientes si y sólo si P (A∩B) =P (A) x P(B),

Intuitivamente también se relaciona con el de probabilidad condicional, ya

que dos sucesos son independientes si la probabilidad de uno de ellos no
cambia al condicionarlo por el otro (definición intuitiva, “a priori” de
independencia, según Maury, 1986).

Estas definiciones no tienen dificultad de comprensión, desde el punto de

vista matemático, ya que no requieren cálculos complejos. Pero, desde un
punto de vista psicológico y didáctico son difíciles, especialmente al
aplicarlas en la resolución de problemas y toma de decisiones. Es
complicado, en muchos casos, saber si dos sucesos reales son o no
independientes; por ejemplo, demostrar la relación entre fumar y desarrollar
un cáncer ha supuesto muchos años de investigación. En lo que sigue
analizamos algunas de estas dificultades.

Maury (1986) analiza la comprensión intuitiva de 374 estudiantes del

curso preuniversitario y últimos cursos de Bachillerato, respecto a la
probabilidad condicional usando cuatro problemas similares al Problema 1
(contexto de bolas en urnas y ruletas; con y sin reemplazamiento). También
utiliza dos tipos de vocabulario (técnico y cotidiano) al plantear el problema 1.
 1. Problema 1. Se tiene una bolsa con 1 bola azul y 2 bolas rojas. Se
saca una bola al azar.
Sin reponerla otra vez en la bolsa se saca una segunda bola. ¿Cuál
suceso es más probable?
- Sacar dos bolas rojas.
- Sacar primero una bola roja y luego una azul.

Sólo la cuarta parte de los alumnos produce respuestas correctas,

mientras que los mismos alumnos obtienen un 60% de aciertos con
problemas de probabilidad simple. La autora supone que la dificultad no está
ligada, en sí, a la noción de independencia, sino que el hecho de que los dos
sucesos (azul /rojo) sean no equiprobables introduce un distractor que
aumenta la dificultad de las tareas. Esta suposición se confirma en otro
experimento (Maury, 1985; 1986) en la que plantea a 290 alumnos de entre
13 y 16 años el Problema 2.

2. Problema 2. Una persona lanza 3 veces la misma moneda,

obteniendo en este orden los resultados siguientes: cara, cruz, cruz.
Lanza la moneda una cuarta vez. ¿Piensas que en el cuarto resultado
es más probable la cara o la cruz?

Los resultados mejoran en este caso hasta el 70 % de éxitos, lo que para

Maury indica el reconocimiento intuitivo de la independencia por parte de los
alumnos. El problema es planteado en cuatro variantes, cambiando la forma
de la pregunta final y la autora observa un éxito mayor cuando en la pregunta
se listan todos los sucesos posibles del espacio muestral, que cuando no se
listan.

Totohasina (1992) propone a 67 alumnos del curso preuniversitario, que

habían estudiado la probabilidad, pero no la probabilidad condicional, la
siguiente pregunta:
 3. Problema 3. Una tienda almacena sus productos en cajas. Estas
cajas son de dos colores: rojo (25% de las cajas) o azul (75%). Las
cajas están envueltas por envoltorio de papel. Algunos de estos
envoltorios tienen la marca M en la parte inferior. Entre los envoltorios
que contienen una caja roja, el 45% tiene la marca M. Entre los
envoltorios que contienen una caja azul, el 60% tiene la marca M.
Tomamos una caja envuelta, la abrimos y vemos que es roja, ¿cuál es
la probabilidad de que el envoltorio tenga la marca M? Si el envoltorio
tiene la marca M, ¿cuál es la probabilidad de que la caja sea azul?

Aproximadamente el 60% de los alumnos dieron una respuesta correcta,

muchos de ellos apoyándose en representaciones usadas espontáneamente
para resolver el problema, como diagrama en árbol, representación mediante
tabla de doble entrada o representación rectangular. Entre las dificultades
encontradas por los alumnos en la resolución del problema, encuentra:

 Interpretación no probabilística del enunciado, haciendo uso sólo de

las frecuencias absolutas de casos, pero no de los porcentajes.
 No restringir el espacio muestral al calcular las probabilidades, lo que
implica una comprensión deficiente de la idea de condicionamiento.
 Confusión entre la probabilidad conjunta y la probabilidad condicional:
“tenemos un 25% de bolas rojas en el conjunto y de ellas el 45%
tienen la marca M; luego (25/100)x(45/100)= 11.25% de las bolas
rojas tienen la marca”.

Este tipo de dificultad no es exclusivo de estos alumnos, sino que algunos

estudios muestran la persistencia de esas ideas, y el olvido total de la regla
del producto o la definición de independencia estocástica, en sujetos que, en
algún momento, habían realizado un curso de probabilidad que incluía estos
conceptos. Por ejemplo, Sánchez (1996) pasa un cuestionario de
probabilidad a 88 profesores de Matemáticas que participaban en México en
un programa de actualización, que incluía el problema siguiente.

4. Problema 4. Se extrae una carta al azar de una baraja americana:

sea A el evento "se extrae un trébol" y B el evento "se extrae una
reina" ¿Los eventos A y B son independientes?

Sólo 44 profesores hicieron intentos sistemáticos por resolver el

problema; de éstos, 39 llegaron a una respuesta, pero sólo 4 lo hicieron
correctamente, utilizando la regla del producto. En las respuestas incorrectas
encuentra dos tipos de razonamiento:

a. Creer que eventos independientes son lo mismo que eventos

excluyentes: “No son independientes porque tenemos la reina de
tréboles”. Este es un error muy extendido, y ha sido descrito, entre
otros autores, por Kelly y Zwiers (1986). Los autores sugieren que
el error puede ser debido a la imprecisión del lenguaje ordinario, en
que “independiente” puede significar, a veces, separado. Por otro
lado, tanto en la definición formal de independencia como en la de
sucesos excluyentes interviene la operación de intersección.
Usualmente decimos que dos sucesos son independientes cuando
la aparición /no-aparición de uno de ellos no proporciona
información sobre la ocurrencia del otro. En el caso de sucesos
excluyentes la aparición de uno implica la no aparición del otro, por
tanto dos sucesos excluyentes son siempre dependientes.
b. Creer que sólo se puede aplicar la idea de independencia a
sucesiones de experiencias: “si extraemos una carta para verificar
el evento A y se vuelve a colocar en la baraja para verificar el
evento B entonces A y B son independientes. Si se extrae la carta
para verificar A y no se regresa, entonces A y B no son
independientes”.
 En las empresas de fabricación de coches, muchas veces ocurren fallos
en la producción. Por esto mismo, se hacen controles de calidad por cada
lote de producto. Pero, una misma empresa puede tener varias fábricas y
cada fábrica producir cantidades distintas de coches. Entonces, si de un lote
al azar de todas las fábricas se elige un coche, ¿cuál sería la probabilidad de
que el coche elegido tenga un fallo?

Este es un problema típico sobre el teorema de la probabilidad total.

Cuando tienes un suceso (que un coche tenga un fallo) que puede
producirse en distintas particiones (cada una de las fábricas), hay que tener
en cuenta la probabilidad de que el coche sea de una fábrica en concreto y la
probabilidad de obtener un coche con fallo.

El teorema de la probabilidad total nos da la probabilidad de un suceso

que puede darse en cualquiera de las particiones, que es la suma de la
probabilidad de tener esa partición multiplicada por la probabilidad de tener
ese suceso en esa partición en concreto.

Teorema de la probabilidad total fórmula

Una vez que tenemos los conceptos anteriores ya entendidos, podemos

pasar al teorema de la probabilidad total.

Se tienen los sucesos A1,A2,…,An, que forman una partición del espacio
muestral E; todos estos sucesos con probabilidad distinta de cero. Se tiene
B, que es un suceso cualquiera del espacio muestral; entonces, la
probabilidad de B es:

P (B) = P (A1) . P (B|A1) + P (A2) . P (B|A2) + … + P (An) . P (B|An)

Esta es la regla o teorema de la probabilidad total.

 Esto quiere decir que la probabilidad de un suceso que puede darse en
cualquiera de las particiones es la suma de la probabilidad de tener esa
partición, multiplicada por la probabilidad de tener ese suceso en esa
partición en concreto.

EJEMPLO

Una empresa de fabricación de coches tiene tres fábricas. La primera

fábrica produce un 40 del total de coches y la segunda fábrica produce otro
15 del total. Por cada lote de producción se hace un control de calidad en
todas las fábricas. En la primera fábrica, un 0,05 de los coches analizados
son defectuosos; en la segunda fábrica, esta cantidad asciende al 0,08;
mientras que en la tercera fábrica, baja al 0,04.

¿Cuál es la probabilidad de coger un coche al azar y que sea

defectuoso?

Solución:

Este problema se resuelve utilizando el teorema de la probabilidad total.

Podemos ver que la partición del espacio muestral son cada una de las
fábricas:

F1 = "Producido en la fábrica 1".

F2= "Producido en la fábrica 2".

F3= "Producido en la fábrica 3".

Como podemos observar, se trata de una partición, puesto que las

producciones de las tres fábricas forman la producción de toda la empresa.
Además, las producciones en las fábricas son incompatibles entre sí, porque
un mismo producto no puede producirse en dos fábricas distintas a la vez.
 Ahora, podemos asignar probabilidades para entender los datos que
tenemos y lo que nos piden:

Probabilidad de haberse producido en la fábrica 1: P (F1) = 0,4

Probabilidad de haberse producido en la fábrica 2: P (F2) = 0,15

Probabilidad de haberse producido en la fábrica 3: P (F3) = 0,45

Probabilidad de haberse producido en la fábrica 1 y ser defectuoso:

P (D|F1) = 0,05

Probabilidad de haberse producido en la fábrica 2 y ser defectuoso:

P (D|F2) = 0,08

Probabilidad de haberse producido en la fábrica 3 y ser defectuoso:

P (D|F3) = 0,04

Ahora, podemos calcular la probabilidad de escoger un coche de

cualquier fábrica y que sea defectuoso, usando la fórmula de la probabilidad
total:

P(D) = P(F1) . P(D|F1) + P(F2) . P (D|F2) + P(F3) . P(D|F3)

P(D) = 0,4 . 0,05 . + 0,15 . 0,08 + 0,45 . 0,04 = 0,05

Por tanto, la probabilidad de escoger un coche al azar y que sea

defectuoso es del 5%.

TEOREMA DE BAYES

En el universo empresarial, conocer las características esenciales del

Teorema de Bayes y su impacto en la teoría de probabilidad es invaluable,
así como su papel crucial en la investigación de mercados y su aplicación en
el lanzamiento de productos.

El Teorema de Bayes, formulado por el reverendo Thomas Bayes, es un

principio fundamental en la teoría de probabilidad. Se centra en la
actualización de probabilidades basadas en nueva información. El teorema
de Bayes es utilizado para calcular la probabilidad de un suceso, teniendo
información de antemano sobre ese suceso.

Dicho principio proporciona un marco para ajustar creencias previas a la

luz de evidencia adicional, lo que lo convierte en una herramienta invaluable
en el análisis estadístico.

Cuál es la importancia del Teorema de Bayes

El Teorema de Bayes desempeña un papel crucial en la teoría de

probabilidad al permitir la revisión de probabilidades a medida que se
recopilan más datos.

Bajo este contexto, en la investigación de mercados, esta capacidad de

actualización se traduce en la capacidad de adaptarse dinámicamente a
cambios en las preferencias del consumidor y en la identificación de patrones
emergentes, mejorando así la precisión de las predicciones.

Características y ejemplos clave del Teorema de Bayes

 Actualización de Probabilidades: La capacidad de ajustar las

probabilidades iniciales en función de nueva evidencia es la
característica central del Teorema de Bayes. Esto permite una toma
de decisiones más informada y precisa.
Este principio es útil al lanzar un nuevo producto al mercado.
Inicialmente, se tiene una probabilidad del 30% de que el producto
tenga éxito, basándose en investigaciones previas. Después de las
 primeras semanas de ventas y comentarios de los clientes, se ajusta
esa probabilidad al 50%, ya que la respuesta del mercado ha sido
positiva. Aquí, el Teorema de Bayes permite actualizar las
probabilidades iniciales a medida que obtienes nueva evidencia.
 Incorporación de la Incertidumbre: El Teorema de Bayes aborda la
incertidumbre al asignar probabilidades a hipótesis, reconociendo que
nuestras creencias siempre están sujetas a cambios con la llegada de
nueva información.
Se puede aplicar, por ejemplo, si se está realizando una encuesta
para prever el resultado de una elección política. Al inicio, se puede
tener cierta incertidumbre sobre la preferencia de los votantes. El
Teorema de Bayes permite asignar probabilidades iniciales a cada
candidato y ajustarlas a medida que recibes más respuestas de la
encuesta, reconociendo y gestionando la incertidumbre inherente al
proceso electoral.
 Flexibilidad en la evaluación de evidencia: Permite la evaluación de
múltiples fuentes de evidencia de manera coherente. Al combinar
información previa con nueva evidencia de manera sistemática, el
Teorema de Bayes ofrece un marco para actualizar creencias de
manera consistente y adaptarse a diferentes contextos.
Se puede usar en un escenario en donde, en un experimento
científico, se está recopilando datos de diferentes fuentes y métodos.
El Teorema de Bayes permite combinar esta información de manera
coherente, adaptándose a la naturaleza y confiabilidad de cada fuente
de evidencia. Se puede integrar resultados de experimentos de
laboratorio, estudios de campo y modelación teórica de una manera
sistemática.
 Aplicabilidad en diversos campos: Aunque se originó en la teoría
de probabilidad, el Teorema de Bayes ha demostrado su utilidad en
una variedad de campos, incluyendo la estadística, la inteligencia
 artificial, la investigación de mercados, la medicina y más. Su
versatilidad lo convierte en una herramienta valiosa en la modelación y
el análisis de datos en diversos escenarios.
En medicina, por ejemplo, el Teorema de Bayes se aplica en el
diagnóstico médico. Supongamos que un paciente realiza una prueba
médica y obtiene un resultado positivo para una enfermedad. El
Teorema de Bayes se utiliza para ajustar la probabilidad de que
realmente tenga la enfermedad, teniendo en cuenta factores como la
prevalencia de la enfermedad y la precisión de la prueba.
 Interpretación intuitiva: A pesar de su base matemática, el Teorema
de Bayes tiene una interpretación intuitiva. Permite a los usuarios
actualizar sus creencias de manera lógica y sistemática en función de
nueva información, lo que facilita su comprensión y aplicación
práctica.
En un contexto de negocios, se está evaluando la efectividad de dos
estrategias de marketing. Inicialmente, se tiene creencias sobre cuál
será más exitosa. A medida que se acumulan los datos de ventas, se
aplica el Teorema de Bayes para actualizar las creencias en función
de la evidencia real, lo que proporciona una interpretación intuitiva de
cómo las estrategias están funcionando y cómo se deberían ajustar
las expectativas.

Probabilidad condicional y teorema de bayes: algunas consideraciones

La probabilidad condicional es un concepto fundamental en teoría de

probabilidad que describe la probabilidad de que ocurra un evento A, dado
que otro evento B ha ocurrido. Se denota por P(A∣B) y se lee como "la
probabilidad de A dado B". La fórmula para la probabilidad condicional es:

P(A∣B)= P(A∩B)/P(B)
Dónde:

 P(A∣B) es la probabilidad condicional de A dado B.

 P(A∩B) es la probabilidad de que ambos eventos A y B ocurran.
 P(B) es la probabilidad de que ocurra el evento B.

Su relación con el Teorema de Bayes se basa en la probabilidad

condicional y proporciona una forma de actualizar probabilidades a medida
que se obtiene nueva evidencia. La relación entre la probabilidad condicional
y el Teorema de Bayes se expresa mediante la siguiente fórmula:

P(A∣B)= P(B∣A)⋅P(A)/P(B)

Dónde:

 P(A∣B) es la probabilidad condicional de A dado B.

 P(B∣A) es la probabilidad condicional de B dado A.
 P(A) y P(B) son las probabilidades marginales de A y B,
respectivamente.

En el contexto del Teorema de Bayes, este formula la probabilidad

condicional de la hipótesis (A) dado un conjunto de evidencia (B), utilizando
la probabilidad condicional inversa y las probabilidades marginales. Esta
fórmula es particularmente útil cuando queremos actualizar nuestras
creencias sobre la hipótesis A a la luz de nueva evidencia B.

Teorema de Bayes aplicado a investigación de mercados

Una empresa de productos electrónicos está interesada en lanzar un

nuevo dispositivo, como un teléfono inteligente, en el mercado. La empresa
tiene una idea general de que el 30% de la población objetivo estaría
interesada en este nuevo dispositivo, pero no está segura. La empresa
decide realizar una encuesta para recopilar datos y mejorar su comprensión.
Definimos los siguientes eventos:

A: El consumidor está interesado en el nuevo dispositivo (30% de la

población).

B: El consumidor responde positivamente en la encuesta (la encuesta indica

interés en el dispositivo).

¬B _: El consumidor responde negativamente en la encuesta (la encuesta

indica falta de interés en el dispositivo).

La empresa ha realizado pruebas previas y ha determinado las siguientes

probabilidades:

PAG ( B ∣ A ) =0,9(la probabilidad de que un consumidor esté interesado en

el dispositivo y responda positivamente en la encuesta)

P ( B ∣¬ A )= 0,2(la probabilidad de que un consumidor no esté interesado en

el dispositivo pero responda erróneamente positivamente en la encuesta)

Además, la empresa sabe que la probabilidad inicial de que un consumidor

esté interesado en el dispositivo es P ( A )=0.3.

La pregunta es: ¿Cuál es la probabilidad de que un consumidor esté

interesado en el dispositivo dado que ha respondido positivamente en la
encuesta?

Usaremos el teorema de Bayes para calcular PAG ( A ∣ B ):

P ( B| A ) P( A)
P(A|B)=
P(B)

Primero, calculamos

P ( B ):

P ( B )= PAG ( B ∣ A )⋅P ( A )+P ( B ∣¬ A )⋅P ( ¬ A )

Dado que

P ( ¬ A )=1−P ( A ), podemos calcular

P ( ¬ A )=1−0.3=0,7.

P ( B )=0,9⋅0.3+0,2⋅0,7

P ( B )=0,27+0,14=0,41

Ahora, sustituimos estos valores en la fórmula de Bayes:

PAG ( A ∣ B )= 0,9 ⋅ 0,3/0,41

PAG ( A ∣ B )≈0.6585

Por lo tanto, dada la respuesta positiva en la encuesta, hay

aproximadamente un 65.85% de probabilidad de que un consumidor esté
realmente interesado en el nuevo dispositivo. Esto proporciona a la empresa
información valiosa para afinar sus estrategias de marketing y desarrollo de
productos.

La aplicación del Teorema de Bayes ofrece beneficios significativos,

desde la mejora de la precisión en la toma de decisiones hasta la capacidad
de gestionar la incertidumbre de manera efectiva, lo que lo convierte en una
herramienta esencial en una variedad de contextos.

INDEPENDENCIA

Dos variables estadísticas son estadísticamente independientes cuando el

comportamiento estadístico de una de ellas no se ve afectado por los valores
que toma la otra; esto es cuando las relativas de las distribuciones
condicionadas no se ven afectadas por la condición, y coinciden en todos los
casos con las frecuencias relativas marginales.
 Esta definición puede hacerse más operativa, a través de la
caracterización siguiente: Dos variables son estadísticamente independientes
cuando para todos los pares de valores se cumple que la frecuencia relativa
conjunta es igual al producto de las frecuencias relativas marginales:

ni , j n i ,. n. , j
Para todo i,j : = .
N N N

Ejemplo:

Y
1 2 3 ni.
X
5 1 10 5 16
10 2 20 10 32
15 4 40 20 64

n.j 7 70 35 112

∀i,j
ni , j n i ,. n. , j
Comprobemos si se cumple: = .
N N N

1 16 7
Para el primer par 1,1 tendríamos = . que cumple
112 112 112

10 16 70
Para el segundo par 1,2 tendríamos = . que cumple
112 112 112

Lo comprobaríamos hasta el último……

20 64 35
Para el último par 3,3, tendríamos = . que cumple, por
112 112 112
tanto X e Y son estadísticamente INDEPENDIENTES
 CONCLUSIÓN

La probabilidad condicional es fundamental en las aplicaciones de la

Estadística, porque permite incorporar cambios en nuestro grado de creencia
sobre los sucesos aleatorios a medida que adquirimos nueva información. Es
también un concepto teórico básico requerido en la construcción del espacio
muestral producto.

Como uno de los resultados más útiles de la teoría de probabilidad, el

teorema de Bayes permite actualizar el conocimiento o recalcular la
probabilidad de un evento de interés cuando encontramos nueva evidencia
de su ocurrencia. La prueba médica (la evidencia) dio negativa.

El Teorema de Bayes es uno de los mecanismos matemáticos más

importantes en la actualidad. A grandes rasgos, nos permite medir nuestra
certidumbre con respecto a un suceso tomando en cuenta nuestro
conocimiento previo y la evidencia que tenemos a nuestra disposición. El
Teorema de Bayes permea en nuestra vida diaria, desde descubrimientos
científicos hasta coches autónomos, el Teorema de Bayes es el motor
conceptual que alimenta mucho de nuestro mundo moderno.

Comprender la naturaleza humana, social y física pasa por abstraer

complejas relaciones de las cuales la ciencia matemática nos ofrece
herramientas fundamentales. Las matemáticas ofrecen una perspectiva única
para resolver problemas críticos de nuestra vida. Nos provee de elementos
que posibilitan potenciar habilidades esenciales para la resolución de
problemas de cualquier tipo y en cualquier ámbito. Esta habilidad, sumadas a
otras, han facilitado grandes avances de la civilización.

Hoy día sería difícil concebir el progreso tecnológico, incluido los avances
sociales y de la humanidad sin la matemática. La tecnología actual con sus
algoritmos inteligentes que inciden moldeando aspectos de nuestra
cotidianeidad, ha sido posible por los avances propios de áreas de la
matemática (ejemplo la lógica matemática) en las cuales descansa la teoría
de la computación. Los algoritmos en sí mismos son secuencias de
operaciones matemáticas diseñadas para resolver problemas de manera
sistemática, paso a paso.