APRENDER CONCEPTOS DE

ESTADSTICA | RPIDO Y FCIL

En este artculo vamos a aprender conceptos bsicos de estadstica, para que cualquier persona
pueda aprender desde el principio.
Veremos cosas como:
Qu es y para qu sirve la estadstica?
Cmo se hace una tabla de frecuencias?
Cmo se calcula la media, la moda, la mediana, la varianza?
Diferencia entre desviacin tpica y desviacin media.
Tablas de frecuencias y medidas con datos agrupados.
La idea es definir esos conceptos de forma clara y simple, para que puedas comprenderlos
perfectamente.

Qu es la estadstica?
Apuntar y ordenar datos.
Dicho de otra forma: recogida y ordenacin de la informacin obtenida en una observacin.

Para qu sirve la estadstica?

Para ver qu pasa.

O lo que es lo mismo: Para tener una visin descriptiva de un fenmeno de la realidad.
Por ejemplo:
Para saber cuntos accidentes de trfico se han producido en un pas en un ao.
Para saber qu porcentaje de partidos ha ganado un equipo.
Para saber cul es la velocidad media a la que corre un tigre.
Perfecto.

De dnde viene la estadstica?

Viene de cuando un poltico responsable tena que analizar qu pasaba en su pas. Estado, de ah
estad-stica. Es decir, analizar los datos econmicos y de poblacin del pas.
Digamos que ah tiene su origen, y que despus se transform en un set de herramientas y
conceptos que podra ser utilizado en cualquier estudio de observacin y descripcin de
fenmenos.

Y cmo funciona la estadstica?

Muy fcil.
Mirar.
Apuntar.
Ordenar.
Uno mira una carrera de coches y apunta los tiempos de cada conductor.
Despus hace un resumen y dice:
Pues los tres primeros han tardado la mitad que los tres ltimos.
El 67% de los conductores han quedado muy por detrs de todo el resto.

De todas las carreras que tengo apuntadas, el coche de Salamarkesa ha sido siempre el
primero en llegar.
Y todas las cosas que a uno se le ocurran.
Eso se llama describir.

Estadstica descriptiva
La estadstica descriptiva es la parte fundamental de la estadstica, y es la que se encarga de
mantener los datos recogidos bien agrupados, para luego describirlos.

Cmo se describen los datos?

Pues dando informacin acerca de ellos.

Por ejemplo:
Podemos hablar del valor medio.
Del valor ms repetido.
De cuntos valores diferentes hay.
Y de muchas cosas ms.
Por eso, la estadstica no es aburrida.
Simplemente hay que tomrsela con alegra.

Ejemplo de resumen estadstico

Vamos a imaginar que tengo una tienda que se dedica a vender bocadillos de carne con queso y
cerveza.
Estamos en una semana especial, porque el mircoles hay una fiesta de reggae justo al lado de la
tienda.
Entonces contratamos a Harry Potter, que tiene que tener una libreta y un lpiz, y apuntar todo lo
que pasa.

Recogida de datos

El lunes la gente sale de trabajar con hambre y algunos pasan por la tienda y se comen un
bocadillo.
Otros solo piden una cerveza.
Otros piden varios bocadillos.
Y bueno, las cosas de la vida
Harry Potter sigue apuntando todo a medida que pasan y pasan los das.
Llega el mircoles y hay mucha gente que viene a ver la fiesta reggae, porque hay un montn de
cantantes y buena gente.
Y la tienda est feliz porque ha vendido muchos bocadillos.
Llega el final de la semana y le decimos a Potter que nos entregue los datos.

Ordenacin de los datos

La libreta es super catica y con un montn de anotaciones.

Pero no pasa nada, para eso est la estadstica, para ordenar los datos.
Entonces yo que soy el dueo de la tienda, voy a interesarme por mis ventas.
He vendido un total de 650 bocadillos de carne con queso.
He vendido un total de 2870 cervezas.
Y veo que el mircoles es el da que ms he vendido.
Eso es un resumen estadstico.

Eso es estadstica pura.

Lo que pasa es que hay ms conceptos y ms cosas, pero no hay que tener miedo de aprenderlos.

Conceptos de estadstica
A ver.
Nos vamos al bosque, a coleccionar championes.
Queremos hacer un estudio estadstico de la altura de los championes.
CARCTER: propiedad que se analiza. [Altura]
DATO: valor del carcter analizado. [X centmetros]
INDIVIDUO: cada elemento al que le recogemos la informacin. [Champin]
POBLACIN: todo el conjunto de individuos. [Todos los championes]
MUESTRA: subconjunto de la poblacin. [Algunos championes]
Para qu sirve la muestra?: Porque si hubiese ocho millones de championes en
el bosque, quizs a mi no me interesara medirlos todos, sino algunos de
ellos, que sirvan como representantes. Cuando la poblacin es demasiado
grande, se realiza el estudio sobre una parte de ella. Y esa parte se llama
muestra.

Vale.
Y qu pasa con eso?
Pues que al obtener los datos sobre el carcter de los individuos de la muestra de una
poblacin, tendremos que ordenarlos descriptivamente.
Cmo se hace eso?
Pues exacto, con una tabla de frecuencias.

Tabla de frecuencias
Una tabla.
De frecuencias.
Tabla hace referencia a tabla.
Frecuencia hace referencia a repeticin.
Repeticin de qu?
De los datos obtenidos.
Recordamos que el dato es la medicin que se hace al carcter.
En mi caso championero el carcter es la altura del champin.
Y los datos son estos (medidos en centmetros):
10, 3, 2, 4, 7, 4, 7, 2, 4, 3, 7, 8, 6, 7, 8, 7, 9

Eso es un total de 17 datos.

He hecho una medicin en una muestra de 17 individuos, porque no tena ms ganas de
agacharme tanto y entonces pues no he podido medir el carcter a la poblacin completa de
championes.

Frecuencia absoluta
Cantidad de veces que se repite cada dato.
Representaremos la frecuencia absoluta con la letra ni.
Dato
2
3
4

ni
2
2
3

6
1
7
5
8
2
9
1
10
1
TOTAL
17
Eso ya va tomando forma estadstica.
Por supuesto que s.
Para empezar, ya tenemos una visin general de cules son los valores y cules se repiten ms y
cules menos.
Definiremos entonces un concepto nuevo.
MODA: el dato ms repetido.
En este caso, la moda es el dato de altura 7cm, porque se repite ms que ningn otro.
Lo llamamos moda porque haba que darle un nombre, pero no hay que comerse la cabeza.
Es que cuando ests en una oficina con tus compaeros los estadsticos y tengas que hablar de
muchas cosas, pues en vez de hablar de el dato ms repetido es el siete, pues dirs que la
moda es siete y punto.

Frecuencia relativa
Denotaremos la frecuencia relativa con una letra fi.
Relativa a qu?
Al total.
Llmalo porcentaje para gusto propio.
Cmo se calcula?
Pues como todos las cantidades relativas.
Con un cociente.
Dividiendo la cantidad (frecuencia absoluta) por el total de datos.
Es decir, la frecuencia absoluta del dato 4 es n=3.
Como el total de datos es 17.
Pues:

Lo tomamos como 0.17.

Es decir.
0.17 datos por cada uno, son el 4.
1.7 datos por cada diez, son el 4.
17 por cada cien, son el 4.
El dato 4 tiene una frecuencia relativa del 17%.
Bravo!.
Y los dems?
Dato
ni
2
2
2/17=0.12
3
2
2/17=0.12
4
3
3/17=0.17
6
1
1/17=0.06

fi

7
5
5/17=0.29
8
2
2/17=0.12
9
1
1/17=0.06
10
1
1/17=0.06
TOTAL
17
1 (100%)
Si antes tenamos una visin global del asunto, ahora la visin es incluso mejor.
Porque directamente podemos ver relativamente qu cantidad de veces se repite cada dato.
Hay otras frecuencias que se usan con otros objetivos.
Pero no son diferentes, son una consecuencia de las dos que ya hemos visto.
Siempre estamos hablando de la misma cosa.
De la frecuencia de los datos.

Frecuencia absoluta acumulada

La denotaremos como Ni.

Este concepto representa la suma de la cantidad de datos total hasta un dato especfico.
Qu?
Pues muy fcil.
Cuntos championes tienen altura 7 o inferior?
Pues los que tengan altura 2 3 4 6 7.
Es decir, la suma hasta los que tienen altura 7.
Para qu sirve la frecuencia absoluta acumulada?
Pues para eso mismo.
Para ver, en cada valor medido, cuntos datos hay por debajo.
Vamos a tabular la cosa.
Dato
ni
fi
Ni
2
2
0.12
2
3
2
0.12
4
4
3
0.17
7
6
1
0.06
8
7
5
0.29
13
8
2
0.12
15
9
1
0.06
16
10
1
0.06
17
TOTAL
17
1 (100%)
17
Si miramos el dato 6, vemos que hay 8 championes con altura 6 o inferior.
No tiene ms vuelta de hoja.
Es muy fcil.
Bien.
Si hemos visto hasta ahora:
Frecuencia absoluta.
Frecuencia relativa.
Frecuencia absoluta acumulada.
Qu vamos a ver ahora?

Frecuencia relativa acumulada

Para qu?
Pues para ver qu porcentaje de elementos se han acumulado hasta un cierto dato.
Cmo la denotamos?
Exacto, como Fi.
Vamos sumando las frecuencias relativas una a una.
Dato
ni
fi
Ni
Fi
2
2
0.12
2
0.12
3
2
0.12
4
0.24
4
3
0.17
7
0.41
6
1
0.06
8
0.47
7
5
0.29
13
0.76
8
2
0.12
15
0.88
9
1
0.06
16
0.94
10
1
0.06
17
1
TOTAL
17
1 (100%)
17
1 (100%)
Podemos preguntar ahora.
Qu porcentaje de championes tiene una altura igual o inferior a 4 centmetros?
Y mirar la tabla de frecuencias para decir.
Ah, pues el 41%.
Y en eso consiste bsicamente la estadstica descriptiva.
Aparte hay otras medidas establecidas, que por su inters inherente, son interesantes.

Medidas estadsticas
Mira.
Vamos a ver algunas que tengo ver yo, porque el lunes prximo tengo un examen y me las tengo
que aprender.
Pero el objetivo no es el examen.
Mi objetivo es escribir esto.
El tuyo es comprenderlo.
Para luego saber que existen estas medidas y tener una ligera sniff sniff idea the what they are all
about?
Vale bro?
Vale.
Pero antes de eso vamos a decir otra cosa.

Variables estadsticas

Hay datos que son nmeros y datos que no son nmeros.

Para ser ms cool los estadsticos los llaman variables cuantitativas y cualitativas.
Pero no hay que darle demasiadas vueltas.
Cuanti-tativas para hablar de nmeros.
Y cuali-tativas para hablar de colores, nombres y formas y cosas varias.
El caso de las alturas de los championes llevaba en l la variable altura de tipo cuantitativa.
Porque habla de cuant-os centmetros.
Si yo quiero mirar los nombres que existen en mi ciudad, la variable nombre sera una variable
cualitativa.

Tipitis
Luego los estadsticos son tan estadsticos que hasta subdividen cada tipo en otro tipo.
Las cualitativas pueden ser que si nominales o que si ordinales porque bla bla bla.
No hay que comerse la pasta con tanta sal.
Al dente.
No ms.
No te asustes por tantos tipos de tipos de tipos.
Mira con un ojo ms general.
Estamos hablando de estadstica.

Moda
Ya la hemos mencionado, pero no la hemos mencionado bien.
La moda es la que est de moda.
El dato ms repetido.
Y si hay dos datos distintos que son empatadamente los ms repetidos?
Pues los dos son la moda.
Y se llamarn elementos multimodales.

Mediana
Al obtener una distribucin de datos ordenada de menor a mayor, la mediana ser el valor del
medio.
Si los datos no son nmeros, no tiene sentido ordenarlos de menor a mayor, y no hay mediana.
Para un ejemplo de datos como este:
Sin ordenar: 3, 4, 2, 4, 5, 6, 7 | Ordenados: 2, 3, 4, 4, 5, 6, 7

La mediana es el 4, porque es el valor central.

Si hay dos datos en el centro?

Sin ordenar: 3, 4, 2, 4, 6, 9, 6, 7 | Ordenados: 2, 3, 4, 4, 6, 6, 7, 9

Calcularemos como mediana el valor medio de los dos valores centrales.

En este caso es 4+6/2=5.
Valor medio?
S, ya sabas lo que es.

Valor medio o media aritmtica

Tambin puedes llamarlo promedio.
Es el valor medio de todos los datos.
Se representa como x.
Se calcula sumando todos los datos obtenidos y dividiendo por el nmero total de datos.
Es como si cada dato fuese un buscador de trufas y cada uno ha encontrado un cierto nmero de
trufas.
Para saber cuntas trufas corresponden a cada uno en una sociedad buena y generosa mxima
habra que poner todas las trufas en un saco y repartirlas a partes iguales.
Partes iguales para cada uno, valor medio, media.
Cul es nuestra media de altura en el caso de los championes?
Bueno, pues la altura media, denotada con esa super x con un sombrerito encima, sera de unos
5.76 cm.

Desviacin media
Mide cmo de dispersos estn los datos que hemos coleccionado.
Cuando decimos dispersos decimos alejados entre ellos.
Por ejemplo, en el mapa del mundo, un grupo de personas est disperso si uno vive en Pekn,
otro en Miln y otro en Oslo.
Pues lo mismo pasa con los datos.
Si tenemos una coleccin de datos as:
Datos A: 3, 4, 3, 4, 4, 4, 3, 4, 4, 4, 3, 3

Observamos que los datos estn muy juntos.

En cambio, aqu estn muy dispersos:

Datos B: 2, 56, 8, 2, 19, 3, 42, 7, 3

Cmo se mide cmo de dispersos estn los datos?

Pues miraremos cunto se alejan del valor medio x.
Por eso calcularemos primero la media para ambas colecciones de datos.
Para Datos A:
Para Datos B:
Y cmo s cunto se alejan mis datos de la media?
Pues viendo la diferencia entre ellos.
Las tomaremos en valor absoluto (valor positivo) porque no nos interesa si se alejan hacia un
lado o hacia el otro.
Y porque luego realizaremos la media entre todas las diferencias, y si cogemos valores positivos
y negativos, nos va a salir una cosa que no representa desviacin media.
Bueno, desviacin media de Datos A:
Y la de Datos B:
Vemos que la desviacin media no es otra cosa que la media de todos los alejamientos netos
con respecto de la media.
Y eso est muy bien.
Pero en torno a este mismo concepto, giran otros conceptos parecidos.
Son bastante muy mucho enormemente similares, y eso puede llevar lugar a confusin.
Pero eso no significa que haya que confundirse.

Desviacin tpica
Qu?
Si ya hemos hablado de ella no?
No.
Nosotros hemos hablado ahora mismo de la desviacin media.
En la desviacin media se considera la diferencia con respecto a la media en valor absoluto.
Justo como acabamos de hacer.
La desviacin tpica es otra cosa.
Es la raz cuadrada de la varianza.
La varianza?

Varianza
La variacin de los datos.
Viene a ser lo mismo que la desviacin media, pero en vez de tomar el valor absoluto de la
diferencia, se toma esta diferencia elevada al cuadrado.
Ese cuadrado, aparte de quitar los valores negativos (igual que haca el valor absoluto), enfatiza
las desviaciones mayores, pues estas estn elevadas al cuadrado.
Vamos a verlo.
Varianza de Datos A:
Varianza de Datos B:
Date cuenta de que la varianza de Datos B es muchsimo ms grande, porque sus datos estaban
ms dispersos.
El cuadrado de las diferencias ha exagerado la situacin.
Por eso es que se define la desviacin tpica que hemos mencionado.

Desviacin tpica o estndar

Esta es la raz cuadrada de la varianza, y se define con dos motivos:

Para intentar deshacer la inflacin de los datos.
Y tambin para volver a las unidades originales, porque si los datos representaban litros,
la varianza est medida en litros al cuadrado.
En nuestro caso, desviacin tpica para Datos A:
Y desviacin tpica para Datos B:
Date cuenta de que la desviacin tpica () se parece ms a la desviacin media (Dx) cuando los
datos estn menos dispersos.
Perfecto.

Cuasivarianza
Este es otro concepto ms que se mete en el saco, pero no hay que tenerle miedo.
Es casi la varianza, y su valor es igual que la varianza, pero en vez de dividir por el nmero
total de datos, dividiremos por el nmero total de datos menos uno.
Servir para cuando estudiemos otro tipo de estadstica que se llama estadstica inferencial.
Pero de momento est bien con saber que existe, y ni siquiera eso es necesario.

Datos agrupados
Hay veces que nuestro estudio estadstico cuenta con muchsimos valores diferentes.
Por ejemplo, mi gato se escapa muchas veces.
Y a lo largo de estos ltimos das he anotado exactamente cunto tiempo se escapa, en minutos.
He obtenido estos resultados:
32, 45, 52, 34, 23, 43, 12, 7, 42, 37, 41, 28, 32,
16, 4, 29, 58, 46, 35, 27, 19, 8, 36, 42, 12, 21,
8, 19, 13, 32, 27, 48, 39, 41, 12, 14, 23

Y bueno, podra tranquilamente hacer una tabla de frecuencias y considerar una fila para cada
valor distinto.
Pero es que no tengo ganas de hacer tantas filas, hoy solo quiero hacer seis filas.
Pues para eso considerar agrupar mis datos en intervalos.
Qu quiere decir eso?
Pues que voy a crear 6 grupos, que en estadstica llamaremos clases, y meter ah los datos
correspondientes.
CLASES
ni
fi
Ni
Fi
[0, 10)
4
4/37=0.11
4
0.11
[10, 20)
8
8/37=0.22
12
0.33
[20, 30)
7
7/37=0.19
19
0.52
[30, 40)
8
8/37=0.22
27
0.74
[40, 50)
8
8/37=0.22
35
0.96
[50, 60)
2
2/37=0.04
37
1
TOTAL
37
1 (100%)
37
1
Ventajas principales:
No tener una tabla enorme.
Mantener agrupados los datos similares, de forma que puedo tener una visin ms global.
La desventaja principal es que estamos sacrificando precisin en nuestra informacin, porque
ahora podemos ver que mi gato se ha escapado 8 veces entre 30 y 40 minutos, pero ya no puedo
ver exactamente de cunto tiempo exacto ha sido cada una de estas 8 escapadas.
De todas formas, esto de los datos agrupados no es ningn mundo mgico.
Es una simpleza muy grande que se usa para representar informacin ordenada y accesible.
Obviamente, si yo he hecho el registro de los tiempos precisos y especficos, conservar mis
datos originales, si es que me interesan.
Donde s encontraremos un poco de dificultad, es en el clculo de las medidas de dispersin.
Pero antes de hablar de eso, tenemos que definir el concepto de marca de clase.
Qu es la marca de clase?
Es el representante de cada clase.
Y tomaremos como representate al valor medio de los extremos del intervalo de cada clase.
CLASES
Marca de clase (x)
ni
[0, 10)
(0+10)/2=5
4
[10, 20)
(10+20)/2=15
8
[20, 30)
(20+30)/2=25
7
[30, 40)
(30+40)/2=35
8
[40, 50)
(40+50)/2=45
8
[50, 60)
(50+60)/2=55
2

TOTAL
37
Para qu sirve la marca de clase?
Para poder trabajar con las clases.
La marca de clase es un nmero representativo de cada intervalo, que usamos en las operaciones
que deberan de hacerse con el intervalo.
As, si queremos calcular la media de minutos que se escap mi gato, utilizaramos las marca de
clase, y procederamos igual que con los datos sin agrupar.

Miramos la marca de clase y miramos cuntas veces se repite (frecuencia absoluta).

Es decir, que mi gato suele irse una media de media horita.
Hehe, qu gato tan listo tengo.

Calcular la moda en datos agrupados

Hoy mismo he hecho el examen de esto.
La verdad ms sincera es que llevaba la frmula apuntada en el bolsillo, por si me haca falta.
Aunque al final me he acordado de memoria, pero es una soberana tontera.
A las frmulas estropajosas hay que recurrir la menor cantidad de veces posibles.
Siempre que se pueda, es mejor aprender el concepto y su por qu.
Lo que pasa es que bueno, para exmenes y dems asuntos, y sobre todo con un clculo tan
irrelevante para mi vida como lo es la moda de unos datos agrupados, la verdad es que no iba a
perder mucho el tiempo.
Esta frmula sale de mirar la estructura de un histograma donde la altura es proporcional al la
frecuencia de los datos, y ni siquiera es un resultado preciso.
Es una aproximacin, que para el caso de clases que tienen la misma amplitud, es:
Donde:

Li-1 es el lmite inferior del intervalo de la clase en la que est la frecuencia absoluta ms
alta.
ni es la frecuencia absoluta de esa clase mencionada.
ni-1 es la frecuencia absoluta de la clase anterior a la mencionada.
ni+1 es la frecuencia absoluta de la clase posterior a la mencionada.
a es la amplitud del intervalo.
Perfecto.

INTRODUCCIN AL CLCULO DE LA PROBABILIDAD

Si lanzo una moneda, la probabilidad de que esta caiga sobre uno de los lados es del 50%.
Para que eso sea verdad, primero hay que definir un contexto en el que eso sea verdad.
Probabilidad y por qu no hay que asustarse

La probabilidad es un juguete matemtico.

Y la matemtica tambin es un juguete.
Hemos definido reglas y conceptos, y con ellos jugamos.

Quien dice que el Universo es matemtico, est diciendo en realidad, que se puede observar con
una perspectiva Matemtica.
Por supuesto que s.
Tambin podran buscarse metforas culinarias y decir que el Universo es una cocina.
Tambin podran buscarse metforas poticas y decir que el Universo es un Ser enamorado de s
mismo.
Para comprender la probabilidad solo hay que comprender los conceptos que la definen.
Qu es la certeza?

La certeza es la capacidad de tener control intelectual sobre un fenmeno.

Todo lo que sabemos que ha sucedido, est sucediendo o sabemos que podemos asumir sin lugar
a dudas, es Cierto.
Qu es la incertidumbre?

La incertidumbre es la incapacidad del Ser Humano de conocer cmo funciona el Universo en

todos sus mximos e nfimos detalles.
Todo lo que no sabemos con certeza es una incertidumbre.
No sabemos si vamos a hacer un nuevo amigo a lo largo del prximo da.
Podra pasar.
Y podra tambin no pasar.
Qu es el Azar?

El comportamiento humanamente incomprensible del desarrollo de la incertidumbre.

El azar es un concepto inventado por el Ser Humano para explicar cmo se mueven los
fenmenos inciertos.
El conjunto de todos los azares posibles, constituye la incertidumbre.
Hay ms certeza cuando el espacio de fenmenos que pueden suceder al azar es menor.

Qu es la probabilidad?

Un juguete para reducir un poco la incertidumbre.

Experimentar con el comportamiento humanamente incomprensible de los fenmenos para
intentar predecirlo.
La probabilidad se alimenta de lo conocido para especular sobre lo desconocido.
Conocer la probabilidad de un fenmeno, podra ayudarnos, por ejemplo, a saber si es buena idea
llevarnos el paraguas a un viaje o no.
Cmo funciona el clculo de la probabilidad?

Observando el comportamiento de la realidad, e interpretndolo matemticamente, se calcula una

proporcin que representa la seguridad o certeza que tenemos de que algo va a ocurrir.
Por ejemplo, la probabilidad sera algo como esto:
"He tirado un dado 1600 veces y ha salido un nmero par 800 veces. La
proporcin en la que ha salido un nmero par es de 800 veces por cada 1600
lanzamientos; es decir, 1 de cada 2 veces; es decir, en el 50% de los casos.
Entonces, deduzco que, si lanzo un dado 4 veces, van a aparecer 2 nmeros
pares".

La probabilidad de obtener un nmero par al lanzar un dado, es del 50%

Tengo que repetir un experimento 1600 veces para conocer su probabilidad?

No. Ah est la utilidad de la cuestin.

Puede parecer lgico pensar que si un dado tiene 3 nmeros pares y 3 nmeros impares, la
probabilidad de que salga un nmero par o impar al lanzarlo sea del 50%.
Pero no siempre es tan intuitivo.
La probabilidad cuenta con la lgica matemtica para sustituir a la experimentacin y ayudar a la
intuicin.

Ya has visto cmo funciona el asunto probabilstico con la Regla de Laplace

Pero eso no es todo.
El juego de probabilidades es ms de jugar con lo que se sabe que de calcular lo que no se sabe.

Por ejemplo

Yo tengo una empresa de patatas. Me envan 100 patatas de una granja rara. Yo
no tengo ganas de mirar todas las papas para ver si estn bien o no. Entonces
lo que hago es seleccionar 10 patatas al azar e inspeccionarlas. Si ninguna
patata est en malas condiciones, acepto el lote. En caso contrario, lo
rechazo. Si el lote contiene un 5% de patatas envenenadas, cul es la
probabilidad de que mi empresa acepte el lote?

Pues para eso existe un amplio abanico de artilugios palabrstico-matemticos.

A este juego, el de calcular una probabilidad de algo, se le llama analizar un experimento
aleatorio.

Experimento Aleatorio
Un experimento aleatorio consiste en tomar un fenmeno de la vida y aprender cul es la
probabilidad de lo que nos interese, conociendo ciertos datos.
Siempre que vamos a analizar la probabilidad de algo, hay que definir un experimento a
analizar.
Esto no es as porque sea as, sino porque as es una buena forma de hacerlo.
Pero antes de jugar hay que aprender cmo funciona el juego.
Tenemos que conocer los ingredientes de la ensalada.
Empezamos por saber qu es un suceso.

Suceso

Un suceso es un acontecimiento. Un algo que pasa.

Se ha cado un puente. Eso es un suceso.
Hoy llueve. Eso es un suceso.
Me ha mordido la mano un len muerde-manos. Eso es un suceso.
En probabilidad, un suceso es la prediccin de un posible resultado de un fenmeno
aleatorio.
Al tirar un dado va a salir el nmero cuatro. Eso es un suceso.
Al tirar un dado va a salir un nmero par. Eso es un suceso.
Al salir de casa va a atropellarme una jirafa loca. Eso es un suceso.
Se dice que se da un cierto suceso, cuando sucede lo que ese suceso predeca.
Se da el suceso ha salido nmero par cuando al lanzar un dado sale el dos, o el cuatro, o el
seis.

A las cosas por su nombre

Si a ese suceso Que al tirar un dado salga nmero par se le pone un nombre, por ejemplo
Pltano, podemos afirmar que:
Se da el suceso Pltano si al lanzar un dado sale el dos, el cuatro o el seis.
No se da el suceso Pltano si al lanzar un dado no sale ni el dos ni el cuatro ni el seis.
Guay.

Tipos de sucesos

Para poder hablar con propiedad se hace necesario clasificar los sucesos en:
Suceso elemental: suceso que no se puede descomponer en una combinacin de sucesos.
Suceso compuesto: suceso que es composicin de varios sucesos elementales.
Ejemplo: Al lanzar un dado.
El suceso Va a salir el 5 es un suceso elemental.

El suceso Va a salir un nmero impar es un suceso compuesto por varios sucesos elementales:
Va a salir el 1
Va a salir el 3
Va a salir el 5
Si se da cualquiera de los elementales, se est dando el suceso compuesto.
Todos los posibles resultados de un experimento aleatorio; es decir, todos los sucesos
elementales de un experiemento aleatorio, constituyen el espacio muestral.

Espacio muestral

El espacio muestral es el conjunto de todos los resultados posibles.

Por ejemplo:
Experimento aleatorio Paraguas: Analizar la lluvia en el da actual.
Est claro que solo podran pasar dos cosas.
Todos los sucesos elementales posibles son:
Suceso S: Hoy va a llover.
Suceso NO: Hoy no va a llover.
Y no hay ms sucesos que valgan.
Podras inventar otras palabras:
Hoy va a caer agua del cielo.
Hoy van a precipitar ciertas nubes en mi zona geogrfica.
Un ente sagrado va a mear agua desde lo ms alto.

Pero toda esa palabrera sigue siendo lo mismo.

En este experimento aletorio hay DOS resultados cannicos posibles.
DOS sucesos.
Los puedes llamar como quieras, pero siempre van a ser dos.
Pues bien, el espacio muestral del experimento aleatorio Paraguas es ese:
= {S, No}

Exacto, el Espacio muestral se representa con la letra Omega.

Entre corchetes, todos los sucesos posibles, por su nombre.
Todos los experimentos aleatorios tienen dos sucesos?
Nope.
Para el experimento aleatorio Lanzar un dado: Lanzar un dado y observar el nmero que sale.
Sucesos:
PATO: sale el 1
RANA: sale el 2
ROJO: sale el 3
LIMN: sale el 4
CINCO: sale el 5
CIELO: sale el 6
= {PATO, RANA, ROJO, LIMN, CINCO, CIELO}

Seis sucesos en el espacio muestral.

Por qu esos nombres tan extravagantes?
Para que el lector sepa que:
1.
siempre hay que nombrar los sucesos.

2.

puede nombrar cada suceso como le salga del rabo, mientras deje bien claro en qu
consiste el suceso.
Todo est bien mientras no d lugar a confusin, porque una cosa que da lugar a confusin es una
cosa confusa.
Y una cosa confusa no est bien a menos que la confusin sea el objetivo de la cosa.

LA PROBABILIDAD SIEMPRE ES UN
NMERO ENTRE CERO Y UNO
Sabemos Qu es la probabilidad y cmo calcularla con la regla de laplace.
Pero tambin hay que saber una cosa que es importante.
La probabilidad de algo siempre es un nmero entre cero y uno.

Por qu?

La probabilidad representa la cantidad de veces que debera pasar algo si realizamos un

experimento X veces.
La probabilidad de obtener cara al lanzar una moneda es:
30 veces por cada 60 lanzamientos.
50 veces por cada 100 lanzamientos.
7 veces por cada 14 lanzamientos.
Siempre es el mismo valor:
Al realizar 1 vez el experimento, cuntas veces debera pasar ese algo?

Pues entre cero y una vez

Porque la probabilidad de que se produzca una cosa imposible es cero.
No puede ser menos que cero porque un suceso no puede ser anti-posible. Puede ser imposible,
pero no menos.
No puedo lanzar una moneda y que me salga cara en -3 ocasiones.
Porque podemos tener una certeza de que algo va a pasar, pero no ms.
No puede ser mayor que la unidad porque podemos estar seguros al 100% de algo, pero no ms.
No puedo lanzar una moneda 12 veces y que me salga cara 431 veces.

No es un convenio
Nadie ha obligado a nadie a establecer la probabilidad entre cero y uno.
Ella misma, como idea, al adaptarse al mundo de la matemtica, ha encontrado su lugar como
valor entre la nada y la totalidad.

Probabilidades para todos!

La probabilidad total se distribuye.
La distribucin de probabilidad es el reparto de la probabilidad total entre todo el espacio
muestral.
En el caso del experimento aleatorio Paraguas.
La probabilidad de que llueva se reparte entre los dos sucesos: S va a llover o No va a llover.

La probabilidad de que pase cualquier cosa, es siempre 1.

Estoy seguro segursimo al 100% de que va a llover o no, una de las dos. Certeza.
Nota: Recuerda que la probabilidad siempre se representa entre cero y uno.

Y la probabilidad de cada suceso por separado cul es?

Segn la regla de Laplace habra sido del 0.5 (50%) para cada suceso.
Pero no.
En este caso un suceso tiene ms probabilidad que el otro.
Cuando esto pasa, se dice que son sucesos no equiprobables.
En la mayora de los casos reales tratamos con sucesos no equiprobables.
La distribucin de probabilidad es un concepto que viene a ayudarnos con esto.
Y es muy fcil.
Distribuir la probabilidad significa Repartir el uno.
Cogemos esa certeza, el cien por cien de seguridad, y lo repartimos entre todos los resultados
posibles, todos los sucesos, a lo largo de todo el espacio muestral.
En el caso de que nuestro experimento Paraguas lo estemos realizando en Londres en un da de
invierno, la distribucin de probabilidad podra ser algo as.
Probabilidad del suceso S va a llover: 0.75
Probabilidad del suceso NO va a llover: 0.25
Naturalmente la probabilidad del espacio muestral siempre tiene que sumar 1.
Pues est claro que siempre va a pasar algo.
Si la distribucin total no sumase 1 estaramos diciendo que existe una posibilidad que no hemos
contemplado en el espacio muestral.
Entonces nuestro espacio muestral est mal definido.

Variables aleatorias
Algo variable es algo que puede variar.
Algo que puede variar es algo que puede tomar diferentes valores.
Algo variable aleatorio es algo que puede tomar diferentes valores aleatoriamente.

Cuando no sepas su nombre, llmalo X

Pues bien.
Tenemos X, que puede tomar diferentes valores de forma aleatoria.
Y para qu coo diantres rayos y centellas quiero una variable aleatoria?
Para variablealeatoriear por ejemplo.
Nahh.
En el estudio de probabilidades, se usan las variables aleatorias para guardar en ellas valores que
vienen del resultado de un experimento aleatorio.
Para qu?
Para facilitar tanto los clculos como su comprensin.
Consideremos el experimento aleatorio Lanzamiento: Lanzar una moneda dos veces y
analizar el nmero de caras que salen.
TODOS los sucesos elementales son:
CC: En el primer lanzamiento saldr cara y en el segundo tambin.
CX: En el primer lanzamiento saldr cara y en el segundo cruz.
XC: En el primer lanzamiento saldr cruz y en el segundo cara.
XX: En el primer lanzamiento saldr cruz y en el segundo tambin.
= {CC, CX, XC, XX}

Ahora viene una seorita variable aleatoria X, y recoge todos los sucesos del espacio muestral.
A cada suceso, la variable aleatoria le asigna un valor.
Como en nuestro experimento hemos dicho que estamos interesados en el nmero de caras,
pues vamos a asignarle a la variable el nmero de caras que han salido en cada suceso.
Para el sucesso CC: 2 caras
Para el suceso CX: 1 cara
Para el suceso XC: 1 cara
Para el suceso XX: 1 cara
Exacto! La variable aleatoria es una funcin.
Una funcin es una mquina matemtica que coge una cosa y nos devuelve otra.
Ver mejor: Qu es una funcin?
Coge un nmero y nos devuelve otro.
Coge un valor y nos devuelve otro.
Nuestra variable aleatoria X, mira el resultado de nuestro experimento aleatorio y nos devuelve
el nmero de caras que han salido.
Una funcin muy inteligente, verdad?
La variable aleatoria nos ayuda a observar lo que verdaderamente nos interesa.
En este caso, el nmero de caras.
Para nuestro experimento aleatorio, la variable aleatoria es una funcin que se fija en los
resultados, pero en vez de decirnos el resultado, nos da directamente el nmero de caras: cero,
uno, o dos.
Mgico.

Pero para qu?

Para ahora poder decir:
Oye, si lanzo una moneda dos veces, cul es la probabilidad de que salga 1 cara?
Tendramos que mirar nuestra variable aleatoria, y decir.
Oye seorita X, cul es la probabilidad de que tomes el valor 1?

Y cmo se mira eso?

Bien.

Sabemos que un experimento aleatorio puede tener un montn de resultados posibles.

Cada resultado posible es un suceso elemental.
La suma de todos los sucesos elementales forman el espacio muestral.
La probabilidad entera se distribuye entre todos los elementos del espacio muestral.
Nos inventamos una variable que es una funcin que asigna valores a los sucesos.
Aqu estamos.
Ahora, nos inventamos una funcin que asigne valores de probabilidad a cada valor de la
variable aleatoria.
Es decir, nos inventamos una funcin que mire cada valor de nuestra variable aleatoria y diga:
Este valor tiene una probabilidad de suceder, de un 20%
Este otro valor tiene una probabilidad de suceder, de un 8%

Y cmo llamamos a esta funcin?

Pues s: Funcin de masa de la probabilidad.

La funcin que nos dice la masa la cantidad de probabilidad de un valor de una variable
aleatoria discreta.
Ein? Discreta?
S.
Hay variables aleatorias discretas y variables aleatorias continuas.
Las discretas tienen nmeros sueltos:
el 5
el 62.3
el cien
el mil

Las continuas tienen una cinta infinita de nmeros

del dos al siete pasando por pi
incluyendo el 4.1
y el 4.11
y el 4.7315263712
y el 5.732543547325423432
y los infinitos nmeros que hay entre medio.
Igual ahora solo estamos mirando variables aleatorias discretas.
No worries.
Vale.
Pero cmo? La variable aleatoria es una funcin y ahora hacemos una funcin de una funcin?
Exacto.
La variable aleatoria es una funcin que mira los resultados del experimento y les asigna un
valor que nos interese.
La funcin de masa de probabilidad es una funcin que mira todos esos valores, y nos dice su
probabilidad.
Acerca de las variables aleatorias:
Normalmente la variable aleatoria se representa con una letra en mayscula. Por ejemplo:
X.
T puedes usar el nombre que ms te guste.
Toma valores de cualquier tipo.
Normalmente se le asignan valores numricos, pero podra asignrsele cualquier valor.
Una palabra tambin?. Pues claro.
Acerca de la funcin de masa de probabilidad:
Esta funcin asigna un valor para cada valor que toma la variable aleatoria.
Este valor necesariamente est entre cero y uno, pues es una probabilidad.
La suma de todos los valores que toma la funcin de masa de probabilidad siempre es
exactamente 1. Obvio, pues estamos repartiendo la probabilidad total entre todos los valores de
la variable aleatoria. Al recoger y sumar todos los cachitos que hemos repartido, tenemos que
tener el total: uno.

Experimento aleatorio Paraguas

Nosotros tenamos un experimento aleatorio.

Definicin del Experimento aleatorio:

Nombre: Paraguas.
Objetivo: Analizar la probabilidad de lluvia en el da actual.
Definicin de sucesos elementales:
Suceso S: Va a llover a lo largo del da de hoy.
Suceso NO: No va a llover durante el da de hoy
Espacio muestral:
= {S, NO}
Definicin de nuestra variable aleatoria:
LL: LLuvia.
Recordamos que la variable aleatoria es una funcin que asigna valores a cada
elemento del espacio muestral.

LL(S) = Va a llover, coge el paraguas

LL(NO) = Deja el paraguas en tu puta casa
Hemos elegido valores palabrsticos.
Podran haberse puesto nmeros.
Pero una palabra vale ms que mil nmeros.
Definicin de nuestra funcin de masa de probabilidad:
Recordamos que la funcin de masa de la probabilidad es funcin de nuestra
variable aleatoria.

Funcin: f(LL)
Esta funcin, tomar dos valores. Uno para cada valor que toma la variable aleatoria.
A cada valor, le asigna una probabilidad.
f(Va a llover, coge el paraguas) = 0.7
f(Deja el paraguas en tu puta casa) = 0.3
Observamos que la suma de todos los valores es igual a 1.

Para qu sirve esto?

Pues para que ahora venga alguien y pregunte:

Oye, voy a salir hoy, me llevo el paraguas?.
Y t puedas decirle:
Mira todo lo que puede pasar en tu variable aleatoria y pregntale a la funcin de masa de
probabilidad, que ella conoce la cantidad de probabilidad que tiene cada posibilidad.
Entonces t miras tu variable aleatoria LL, y ves dos consejos:
Va a llover, coge el paraguas.
Deja el paraguas en tu puta casa.
Entonces, le preguntas a la funcin de masa de probabilidad.
Oye, seorita f(LL), cul es la probabilidad de Va a llover, coge el paraguas?.
Y ella te dice:
Pues f(Va a llover, coge el paraguas) = 0.7
Y t puedas saber que te conviene llevarte el paraguas, porque hay un 70% de probabilidad de
lluvia hoy.
Bsicamente.

Vaya tontera!

No era ms fcil decir directamente que hay un 30% de probabilidad de que no llueva y un 70%
de que s?
Para qu tanto enredo?
Pues en este caso s.
Pero este asunto funcional, se usa en casos donde la variable aleatoria puede tomar cien, mil,
treinta millones o incluso incontables valores.

Vale, pero dnde est calculada la probabilidad?

Cierto.
Hasta ahora no hemos calculado nada.
Solo hemos puesto variables y funciones y nos hemos inventado los valores.
Pues la cosa es que, como dijimos al principio, el mundo de probabilidad no es solo calcular una
probabilidad.
La probabilidad est en el aire.
Es una realidad intrnseca a cada fenmeno.
Basta con observar estadsticamente para saber la probabilidad de una cierta cosa.
Lo que de verdad es importante en el mundo de la probabilidad es saber jugar con las
probabilidades.
Qu?
Te dicen:
"Hay un semforo programado para permanecer en verde durante el 20% del
tiempo. Para un conductor que pasa a menudo por all, calcula la probabilidad
de que a la quinta vez que llegue est en verde, sabiendo que las cuatro veces
anteriores no lo estaba."

APRENDER PROBABILIDAD | CURSO

Curso gratis para aprender probabilidad paso a paso

El clculo de probabilidades es una interesante rama de las matemticas.
Su uso se extiende desde la sociologa a la psicologa y pasando por la economa. Naturalmente
no es un truco de magia para predecir el futuro, pero s que ayuda bastante a realizar predicciones
con un alto grado de confianza.
Si ests buscando la forma de aprender a calcular probabilidades, este es tu lugar.
En este curso online de probabilidad, se ensea:
Qu es la probabilidad?
Cmo se calcula la probabilidad?
Distribuciones de probabilidad
Ejercicios resueltos de probabilidad
Y bueno, todo lo que necesitas para aprender fcilmente y de forma entretenida.

ndice de contenidos
Aprender paso a paso
1.
2.
3.
4.
5.
6.

Curso previo: Repaso general y rpido de estadstica

Introduccin al Clculo de la Probabilidad
Calcular probabilidad con la Regla de Laplace
La probabilidad siempre est entre cero y uno
Ingredientes de un Experimento Aleatorio
Unin e Interseccin de sucesos

7.
8.
9.
10.

Regla de la multiplicacin de probabilidades

Probabilidad Condicionada
Teorema de Bayes
Distribuciones de probabilidad ms comunes

Ejercicios resueltos
Lista de ejercicios de probabilidad resueltos para que practiques. Se muestra la solucin paso a
paso.
1.
Ejercicio resuelto: Probabilidad en un dado trucado
2.
Ejercicio resuelto: Extraccin sin reemplazamiento
3.
Ejercicio resuelto: Practicar la distribucin binomial

Ya te han dicho la probabilidad de que el semforo est encendido.

El 20% del tiempo.
20 veces de cada 100 veces.
Pero lo que resulta ms difcil, es contestar a la pregunta, cierto?
Bien.
Pues ah es donde interviene realmente todo este asunto de distribuciones y dems inventos.

TEOREMA DE BAYES | EXPLICACIN

FCIL
Vamos a ver qu es y para qu sirve el Teorema de Bayes.
Despus de saber Qu es la Probabilidad Condicionada, vamos a jugar a dar vueltas.

Vueltaaaaas!
Conozco la probabilidad de que un coche tenga un accidente si s que tiene una rueda
pinchada.
Pero esa probabilidad no me importa.
Yo he tenido un accidente y quiero saber una cosa.
Tena mi coche la rueda pinchada?
Cul es la probabilidad de que mi coche tuviese la rueda pinchada si s que he tenido el
accidente?
Para ese estilo de vueltas, vino el tito Thomas Bayes haciendo una ensalada con lo que ya saba.
Expresin matemtica del Teorema de Bayes.

Qu bien.
Tengo que aprenderme frmulas frmulas frmulas de memoria como un aprende-frmulas
profesional.
No.
No porque para aprenderse las frmulas de memoria sin tener ni idea de lo que representan,
mejor nos vamos todos a pescar salmn y sale ms rentable la cagada.
Estamos en el mismo caso que en la probabilidad condicionada, que era el mismo caso que la
regla de la multiplicacin, y que es el mismo caso de siempre.
Lo que pasa es que estamos disfrazando la expresin en funcin de lo que nos interesa.

Si nos fijamos bien en el numerador de la super frmula superior, observamos que en realidad no
hemos hecho otra cosa que sustituir en l el valor que se tena para la regla de la multiplicacin,
que deca que:
Seguimos en la misma onda.
Con diferentes puntos de vista.

PROBABILIDAD CONDICIONADA |
EXPLICACIN SUPER FCIL
En este artculo vamos a ver qu es la probabilidad condicionada y para qu sirve.
Creme. Yo tambin me he hecho esa pregunta.
Se define la probabilidad condicionada como a la probabilidad de que pase una cosa, teniendo
por seguro que va a pasar o ya ha pasado otra.
Para que lo veas claro.
Cul es la probabilidad de que encuentres un tesoro que est escondido en una cueva que est
perdida en las montaas?
La que sea. Pero parte de esa probabilidad se pierde buscando la cueva.
Y ahora, si te doy un mapa con la posicin exacta de la cueva?
La probabilidad cambia completamente.
Hemos establecido la condicin de que vamos a encontrar la cueva.

Por tanto esta cosa que antes no sabamos es ahora una certeza.
Ahora la nica probabilidad en juego es la de encontrar el tesoro que est dentro de la cueva.

No cambia la probabilidad del experimento

Hay que tenerlo claro.

A la hora de tratar con una probabilidad condicionada, no cambia la probabilidad del
experiemento.
Cambia todo el experimento completo.
Y la probabilidad es otra, que puede y puede no tener el mismo valor que la anterior.
Antes tenamos un experimento.
Ahora tenemos otro.
En total tenemos dos experimentos diferentes.
Pero con una relacin entre ellos.
La probabilidad de darse un suceso A cuando sabemos que segursimo se da un suceso B se
puede calcular como el cociente entre la probabilidad de que se den ambos sucesos al mismo
tiempo y la probabilidad de que el suceso B se diese en primera instancia, cuando no sabamos
nada.

Y por qu esta relacin es as?

Para entender la relacin hay que tener una visin clara de lo que significa el concepto de
probabilidad.
La probabilidad no es un nmero en el aire.
Ni en el papel.

Ni en la pantalla.
Es un nmero en el aire el papel o la pantalla que siempre va asociado a un suceso.
Calculamos la probabilidad de que algo suceda.
La probabilidad de que no te caiga un rayo es la probabilidad de que suceda el suceso No te cae
un rayo.
La probilidad de que pase el suceso A es una comparacin en forma de cociente.
Una comparacin-cociente de qu cosas?
De las veces que algo pasa con respecto a todo lo que podra pasar.
Entonces, cuando decimos:
Estamos haciendo lo mismo, pero reduciendo los conjuntos de sucesos.
Estamos seguros de que pasa el suceso B.
Entonces todo lo que podra pasar est contenido en B ahora, y no ms.
Entonces, nuestro nuevo suceso aleatorio solo se encuentra en la interseccin del antiguo
A, con B.
Todo lo que pertenezca al suceso A pero no pertenezca al suceso B, es ahora imposible y
se queda fuera.
Tambin puedes fijarte en que es lo mismo que decamos en el artculo de la Regla de la
multiplicacin.
Esta sigue siendo la regla de la multiplicacin que ya dijimos: La probabilidad de una
interseccin de dos sucesos es el producto de la probabilidad del primero por la probabilidad
del segundo suceso condicionado al primero Recuerdas?
Solo hemos despejado lo que nos interesa.
Ok. Pero para qu toda esta ensalada?
Considera la probabilidad de que vaya a llover dentro de un minuto en el desierto del Sahara
(suceso A) conociendo perfecta y seguramente el hecho de que est lloviendo all ahora mismo
(suceso B).
La probabilidad de que llueva dentro de 1 minuto sabiendo que est lloviendo ahora es clara e
intuitivamente bastante cercana a 1.
Sin embargo, si despreciamos la condicin de lo que conocemos, aunque lo conozcamos, tanto la
probabilidad de A como la de B son clara e intuitivamente muy cercanas a cero.
Por tanto, esto no solo no es un concepto intil, sino todo lo contrario.

Buscando los restos del barco

Si vamos a buscar restos de un barco que se ha hundido en el siglo veinte, podramos ignorar
todas las condiciones y decir:
Pues la probabilidad de que est en un punto cualquiera del mar dividida entre todos los
posibles y prcticamente infinitos puntos en los que pudiera estar.
Es decir, una probabilidad basura. No sirve para nada.
Pero, podra considerarse la informacin histrica de los acontecimientos sucedidos en aquella
poca, y reducir ese infinito a un puado prctico y reducido de zonas en las que confiamos
altamente que pudiese estar, para as calcular una probabilidad ms realista de que est en una
de esas zonas.

Qu cartas tiene nuestro oponente?

Si queremos obtener la probabilidad de que el oponente tenga o no la carta que nos interesa,
podemos ignorar todas las cartas que han aparecido ya durante la partida, y calcular una
probabilidad que no nos ayuda en nada.
O podemos tambin condicionar la probabilidad a la certeza de que sabemos perfectamente
cules son las cartas que ya han salido, y que naturalmente no van a volver a salir.
As tendremos una probabilidad condicionada a los factores conocidos, mucho ms realista que
la probabilidad a secas.

Jugando con probabilidades

En los clculos reales, se usan probabilidades de eventos aislados y relevantes que ya
conocemos, para conocer otras probabilidades de otros eventos que se vean afectados
(condicionados) por tales eventos.
He ah la importancia de la relacin de la probabilidad condicionada.
Ya la viste?

UNIN E INTERSECCIN DE SUCESOS

Asumiendo que ya sabes qu es un suceso, ahora vamos a jugar con varios de estos.
Suponemos para ello un experimento aleatorio de ejemplo.
Experimento aleatorio: Analizar la edad de un individuo que pretende entrar en la
discoteca.
Bien, cualquiera puede llegar a la discoteca queriendo entrar.
Consideramos algunas posibles predicciones/sucesos:
PEQUEN: El individuo tiene menos de 17 aos.
DIECISIETE: El individuo tiene entre 17 y 18 aos.
DIECIOCHO: El individuo tiene entre 18 y 19 aos.
DIECINUEVE: El individuo tiene entre 19 y 20 aos.
VEINTE: El individuo tiene entre 20 y 21 aos.
VEINTIUNO: El individuo tiene entre 21 y 22 aos.
ADULTO: El individuo tiene ms de 22 aos.
TRAJE: El individuo viene vestido en traje.
BAADOR: El individuo viene vestido en baador.
Dnde est la gracia?
En que estos sucesos pueden jugar entre ellos en forma de unin e interseccin.

Qu es una unin de sucesos?

Pues eso. Una unin.
Representada con el smbolo:
Dos o ms sucesos se unen para generar un suceso compuesto por los anteriores.
Por ejemplo:
MENOR = PEQUEN DIECISIETE

Este suceso ahora contiene a los otros dos.

El suceso MENOR contiene a los individuos que sean:
O BIEN

PEQUEN: individuos que tengan 17 aos o menos.

O BIEN
DIECISIETE: los que tienen entre 17 y 18 aos.
Es decir, contiene a todos los individuos hasta 18 aos.
Cuando se da uno de los dos sucesos que lo componen, tambin se da el suceso padre que los
contiene.

Qu es una interseccin de sucesos?

Pues eso. Una interseccin.
Representada con el smbolo:
Solo nos quedamos con los elementos que cumplen ambos sucesos a la vez.
Por ejemplo:
ADULTOS ELEGANTES = ADULTO TRAJE

Ahora tenemos un nuevo suceso que contiene a los individuos que satisfacen el suceso:
ADULTO: mayor de 22 aos .
Y AL MISMO TIEMPO
TRAJE: va vestido de traje.
Quedan excludos todos los individuos mayores de 22 aos que no llevan traje.
Quedan excludos todos los individuos vestidos de traje que no sean mayores de 22 aos.

Interseccin de uniones
Por supuesto, ambos conceptos son cosas distintas.
Podemos jugar a hacer un remix con todos.
Yo voy a hacer una fiesta de gente guay.
As que defino mi nuevo suceso para englobar slo a la gente guay.
GENTE GUAY = (VEINTE VEINTIUNO) BAADOR

Ahora el suceso GENTE GUAY contiene a todos los individuos que tengan
(O BIEN 20 O BIEN 21 aos)
Y AL MISMO TIEMPO
Que vayan vestidos en baador.
El resto de la people se queda fuera porque no es gente guay.

La probabilidad del nuevo suceso es distinta

Obviamente.
Al tener un suceso con mayor o menor nmero de elementos, la probabilidad de satisfacer el
mismo es diferente.

Calcular probabilidad de la unin de sucesos

Est bastante claro que si el suceso resultante de la unin es la suma de varios sucesos, la
probabilidad de esa suma ser la suma de las probabilidades.
Pinsalo.
Para el lanzamiento de un dado.
Suceso PAR: Sacar un nmero par
Suceso IMPAR: Sacar un nmero impar.
Las probabilidades las conocemos, con la Regla de Laplace.
P(PAR) = 0.5

P(IMPAR) = 0.5
Suceso CUALQUIER NMERO = PAR IMPAR
P(CUALQUIER NMERO) = P(PAR) + P(IMPAR) = 0.5 + 0.5 = 1

Pero hay un problema, Watson.

S, cul?
Cuando los sucesos que hemos unido tienen elementos repetidos, ya no podemos sumar las
probabilidades.
Porque si sumamos probabilidades repetidas, nos estamos engaando a nosotros mismos.
Y eso es una tontera.
Suceso MAYOR QUE DOS = El nmero obtenido es mayor que dos
Suceso MENOR QUE CUATRO = Pues eso
Las probabilidades son:
P(MAYOR QUE DOS) = (Sale 3, o 4, o 5, o 6) = 4/6
P(MENOR QUE CUATRO) = (Sale 3, o 2, o 1) = 3/6
Considerando el suceso UNIN INTIL = MAYOR QUE DOS MENOR QUE CUATRO

P(UNIN INTIL) = P(MAYOR QUE DOS) + P(MENOR QUE CUATRO)

P(UNIN INTIL) = 4/6 + 3/6 = 7/6 > 1
Probabilidad mayor que 1?
Imposible: La probabilidad siempre est entre cero y uno.
El problema est en que hay elementos repetidos.
Al hacer la unin, el suceso resultante es:
Sale el 1
Sale el 2
Sale el 3
Sale el 3
Sale el 4
Sale el 5
Sale el 6
Exacto, el suceso elemental Sale el 3 estaba repetido en ambos sucesos.
Entonces, al sumar las probabilidades, estamos considerando su probabilidad dos veces.
Lo que hacemos, pues, es restar la probabilidad de los elementos repetidos.
Es decir, restar la probabilidad de la interseccin.
La interseccin de ambos sucesos es Sale el 3, que tiene probabilidad 1/6
As:
P(UNIN INTIL) = P(MAYOR QUE DOS) + P(MENOR QUE CUATRO)
P(INTERSECCIN)
P(UNIN INTIL) = 4/6 + 3/6 1/6 = 6/6 = 1
Fcil, no?

Calcular probabilidad de la interseccin de sucesos

Para esto, hacemos un truco de magia.
Pero antes hay que actualizar la lista de hechizos.
El hechizo interseccionador se llama Regla de la multiplicacin, y se puede aprender en el
siguiente captulo.

REGLA DE LA MULTIPLICACIN DE
PROBABILIDADES
En el clculo de probabilidades, a veces surge la necesidad de calcular la probabilidad de que
ocurran varias cosas.
Hablando en calidad suprema, eso quiere decir: Que se den varios sucesos simultneamente.
O lo que es lo mismo, calcular la probabilidad de una interseccin de sucesos.

Pongamos el ejemplo siguiente:

Tenemos cuatro preguntas.

Cada pregunta tiene 5 opciones para marcar.
Contestamos todas al azar.
Cul es la probabilidad de haberlas acertado todas?
No vamos a ser tan avariciosos.
Mejor empezamos por averiguar cul es la probabilidad de acertar una pregunta por separado.
Para ello usamos: La regla de Laplace.
Sabemos que los requisitos para que sea vlida la regla de Laplace, son dos:
1.
Conocer todos los posibles casos: Tenemos 5 opciones posibles. Ni ms ni menos.
2.
Ninguno de los casos tiene preferencia: Contestamos al azar, ninguna respuesta tiene
ms preferencia.
La probabilidad de acertar una de las preguntas al azar es de:

Casos favorables a acertar: 1 (solo hay 1 respuesta correcta)

Casos totales: 5 (hay 5 opciones para marcar)

Bien. Eso ya lo sabamos.
Pero cul es la probabilidad de acertarlas todas si contestamos todas al azar?

Regla de la Multiplicacin
Multiplicamos la probabilidad de acertar la primera, por la probabilidad de acertar la
segunda, por la probabilidad de acertar la tercera, por la probabilidad de acertar la cuarta.
La probabilidad de acertar las cuatro preguntas, contestando al azar, es del 0.16%

Por qu todo esto es as?

Imagina que la probabilidad es un bocadillo de jamn.
El bocadillo de jamn entero, es probabilidad 100%.
La probabilidad del 100% es la certeza.
Sabes algo. Sabes que ests vivo ahora. Tienes tu bocadillo de jamn entero.
Pero no sabes con seguridad si vas a estar vivo dentro de 5 minutos.
Algo le ha dado un bocado a tu bocadillo de Jamn: la incertidumbre del universo.
Se ha comido tu seguridad. Le ha dado un bocado a tu certeza.
Pero no se lo ha comido entero, solo le ha dado un bocadito.
Sabes que es MUY probable que ests vivo dentro de 5 minutos.

Cunto es MUY?
Pues muy mucho, por ejemplo un 98% por decir algo.
Pero no sabes si vas a estar vivo dentro de medio ao.
Eso ya es un bocado ms grande.
Ya se han comido un gran trozo de tu bocadillo de jamn.
De tu certeza.

Y qu coo carajo diantres tiene que ver esto con la regla

de la multiplicacin?

Bastante.
Ests sentado en una montaa, mirando las nubes, con tu bocadillo de Jamn.
Imagina que quieres entrar en una cueva, que est perdida en esa montaa.
La probabilidad de que encuentres la entrada es del 50% por ejemplo.
O la encuentras.
O no la encuentras.
Pero sea como sea, encontrars la puerta de entrada solo con medio bocadillo.
Con media certeza.
Ahora imagina que no solo tienes que entrar en la cueva, sino que adems tienes que
encontrar un tesoro que est dentro de esa cueva.
La probabilidad de que encuentres el tesoro, ya no cuenta con el 100% de tu bocadillo.
Solo con la mitad.
Porque para encontrar la puerta de entrada, la incertidumbre de la realidad ya se ha comido
medio bocadillo.
Ahora, toda la probabilidad de encontrar el tesoro, vuelve a empezar.
Pero empieza con lo que tienes ahora, que es la mitad de lo que tenas antes.
Ahora ests dentro. S.
Pero sigues no estando seguro de que encontrars el tesoro.
No hay certeza.
La certeza se la va comiendo la incertidumbre a medida que aumentan los azares posibles.
Por eso se multiplica.
Porque la probabilidad Siempre est entre el Cero y el Uno.
Se multiplica, porque multiplicar por nmeros que estn entre el cero y el uno, significa cortarle
un trozo a la cosa que se est multiplicando, significa empequeecerla, significa comerse el
bocadillo.
Si tuvieses que encontrar una moneda de oro dentro de una caja roja dentro de una cueva de
cualquiera de las montaas del planeta, llegaras con tu bocadillo, o no?
De la misma forma, acertar todas las preguntas al azar en un test que tiene cuatro preguntas con
cinco opciones cada una, es relativamente probable. Hay un 0.16% de probabilidad.
Acertar todas las preguntas en un test con mil preguntas de cuarenta y dos opciones cada una,
sigue siendo posible, aunque mucho menos probable.

Por qu?
Porque la serpiente de la regla de la multiplicacin se come tu bocadillo.
Pero ms que nada, que ya es algo.

Resumen: Multiplicar y punto?

No.
S.
Pero no.
La realidad siempre es ms compleja de lo que parece.

Sucesos independientes
Cuando hemos hecho el ejemplo con las preguntas del test, estbamos obviando que est claro
que acertar una pregunta no afecta en nada a acertar o no la pregunta siguiente.
Cuando un suceso A: acertar la primera pregunta no afecta a un suceso B: acertar la
segunda pregunta, se dice que ambos sucesos son independientes.
Cuando los sucesos son independientes, s, para calcular la probabilidad de la interseccin (que
se den ambos a la vez) se multiplican las probabilidades y basta.

Sucesos dependientes
Suponemos que el profesor es un cabrn de muy mal gusto.
Te dice: "Oye amigo. Si aciertas la primera pregunta, te digo la respuesta de
la segunda pregunta. Pero si fallas, te pego un tiro en la cabeza".

La probabilidad de acertar la segunda pregunta es ahora bien distinta que antes.

Antes, era cuestin de azar.
Ahora, es cuestin de un azar un poco distinto.
Si acertamos la primera, acertamos la segunda.
Y si no, pues con un tiro en la cabeza va a ser complicado.
Y qu cambia? Ya no se multiplican? Y qu pasa con el bocadillo de jamn? quin se lo
come ahora?
S se multiplica.
Bien!
Pero ya no multiplicamos la probabilidad de acertar una por la probabilidad de acertar la
otra
Ahora, multiplicamos la probabilidad de acertar una por la probabilidad de acertar la otra
condicionada a lo que haya pasado en la anterior
Probabilidad condicionada.
Qu es eso?
Pues otro asunto, que aparece en el siguiente captulo.