Cálculo de Probabilidades: Tablas y Árboles

El cálculo de probabilidades es una herramienta fundamental en diversos campos, desde la estadística hasta la toma de decisiones empresariales. Para abordar problemas de probabilidad de manera organizada y eficiente, se utilizan métodos visuales como las tablas de contingencia y los árboles de decisión. Estas herramientas no solo facilitan la comprensión de los datos, sino que también agilizan el cálculo de probabilidades de eventos simples, compuestos, marginales y condicionales. En este artículo, exploraremos en detalle cómo funcionan y cuándo aplicar cada uno de estos enfoques.

Cálculo de Probabilidades: Tablas de Contingencia Explicadas

Una tabla de contingencia es una clasificación cruzada de datos que organiza la información de un experimento aleatorio, facilitando la asignación de probabilidades a cada evento. Se compone de filas y columnas, donde cada una representa categorías de eventos que son mutuamente excluyentes y colectivamente exhaustivos dentro de su clasificación. Por ejemplo, en un experimento sobre botellas de gaseosa, las categorías podrían ser "capacidad del envase" (500 ml, 1000 ml, 1500 ml) y "defectos" (menos de 2, 2 o más).

¿Para qué sirven y cómo armar una tabla de contingencia?

Las tablas de contingencia sirven para:

• Visualizar el espacio muestral: Permiten obtener información clara y detallada para determinar probabilidades usando el enfoque clásico.
• Organizar datos: Hacen que los datos sean más comprensibles.

Para armar la tabla, se parte de un conjunto de datos del experimento. Los datos pueden ser eventos simples (en los márgenes) o compuestos (en el cuerpo de la tabla). Los valores en negrita suelen ser datos directos, mientras que los demás se calculan por sumas y restas para equilibrar los totales. Es crucial que la tabla esté balanceada y que los eventos marginales y conjuntos sumen correctamente.

Ejemplo 1: Botellas de Gaseosa

Supongamos un experimento con 1200 botellas. Definimos:

• A: {botella de 500 ml}
• B: {botella de 1000 ml}
• C: {botella de 1500 ml}
• D: {envase con menos de 2 defectos}
• E: {envase con 2 o más defectos}

Con datos como "400 son de 500 ml", "200 de 1500 ml tienen menos de 2 defectos", "260 tienen 2 o más defectos", "350 de 500 ml tienen menos de 2 defectos", y "80 de 500 ml tienen 2 o más defectos", se puede construir una tabla como esta (representativa del texto original):

(Nota: Los datos y cálculos en la tabla son ejemplos y pueden no coincidir exactamente con los números del texto original en sus totales intermedios, pero ilustran la estructura. Los datos proporcionados en el texto para el ejemplo 1 son:

• 400 son de 500 ml.
• 200 de las botellas de 1500 ml tienen menos de dos defectos.
• las botellas que tienen 2 o más defectos son 260.
• 350 de las botellas de 500 ml, tienen menos de 2 defectos.
• 80 de las botellas de 500 ml, tienen 2 o más defectos. )

Con esta tabla, se pueden calcular diversas probabilidades:

1. P(C) (que una botella sea de 1500 ml): 280/1200 = 0.2333 (probabilidad marginal).
2. P(E) (que una botella tenga 2 defectos o más): 260/1200 = 0.2167 (probabilidad marginal).
3. P(B ∩ D) (que sea de 1000 ml y tenga menos de 2 defectos): 130/1200 = 0.1083 (probabilidad conjunta).
4. P(E ∪ A) (que tenga 2 defectos o más, o sea de 500 ml): Se aplica la regla de la adición para eventos no mutuamente excluyentes: P(E) + P(A) - P(E ∩ A) = (260/1200) + (400/1200) - (50/1200) = 610/1200 = 0.5083.
5. P(C | E) (que sea de 1500 ml, sabiendo que tiene 2 defectos o más): 80/260 = 0.3077 (probabilidad condicional).

Caso Fundación Antares: Aplicación de Tablas de Contingencia

Este caso implica analizar datos de egresados universitarios para otorgar becas. Se define:

• A: {egresado de Administración-Dirección}
• N: {egresado de universidad pública}
• P: {egresado de universidad privada}

Tabla de contingencia para el caso Fundación Antares:

Cálculos de probabilidades:

1. P(A): 760/16475 = 0.0461
2. P(N): 9738/16475 = 0.5911
3. P(N | A): 221/760 = 0.2908
4. P(A' ∪ P): P(A') + P(P) - P(A' ∩ P) = (15715/16475) + (6737/16475) - (6198/16475) = 16254/16475 = 0.9866
5. P(A ∩ P): 539/16475 = 0.0327

Independencia de Eventos A y P

Para probar si los eventos A (egresado de Administración) y P (egresado de universidad privada) son independientes, se verifica si P(A|P) = P(A). Si son iguales, son independientes; de lo contrario, son dependientes.

• P(A|P) = 539/6737 = 0.08
• P(A) = 0.0461

Como P(A|P) ≠ P(A), los eventos A y P no son independientes; son estadísticamente dependientes.

Árboles de Decisión para el Análisis de Probabilidades

Un árbol de decisión es un diagrama con ramas y subramas que ofrece una alternativa gráfica para analizar probabilidades, especialmente útil en experimentos de pasos múltiples. Permite organizar y presentar los datos de manera visual, facilitando el razonamiento para el cálculo de probabilidades.

Construcción y utilidad de un árbol de decisión

Los árboles de decisión son idóneos para:

• Experimentos de pasos múltiples: Como tirar una moneda varias veces o extracciones sin reposición.
• Visualizar dependencias: Muestran claramente cómo la probabilidad de un evento en un paso afecta a los siguientes.
• Calcular probabilidades condicionales y conjuntas: Estas se escriben directamente sobre las ramas.

En un árbol, los eventos de un mismo nivel son mutuamente excluyentes y colectivamente exhaustivos. La suma de las probabilidades de las ramas de un mismo nivel o subrama debe ser 1. Las probabilidades en el primer nivel suelen ser marginales, mientras que en los niveles subsiguientes pueden ser condicionales, especialmente en eventos dependientes.

Árbol de decisión para eventos independientes: Ejemplo de la Moneda

Cuando los eventos son independientes, el resultado de un paso no afecta al siguiente. El ejemplo clásico es el de tirar una moneda varias veces.

Ejemplo 3: Tirar una moneda 3 veces

• Eventos independientes: lo que sale en la primera tirada no condiciona la segunda ni la tercera.
• Niveles: El árbol tendrá 3 niveles, uno por cada tirada.
• Puntos muestrales: $2^n$ = $2^3$ = 8 posibles resultados (CCC, CCX, CXC, CXX, XCC, XCX, XXC, XXX).

Cálculo de probabilidades:

1. P(CCC) (que salga cara las 3 veces): $(1/2) imes (1/2) imes (1/2) = 1/8$
2. P(primera tirada sea cara): Son 4 de 8 resultados (CCC, CCX, CXC, CXX) = $4/8 = 1/2$. Esto es la suma de las probabilidades conjuntas de esos 4 puntos muestrales: $1/8 + 1/8 + 1/8 + 1/8 = 4/8 = 1/2$.
3. P(cruz las dos primeras tiradas): P(XXC) + P(XXX) = $1/8 + 1/8 = 2/8 = 1/4$.
4. P(al menos una vez salga cara): Es más fácil calcularlo como $1 - P(XXX) = 1 - 1/8 = 7/8$.
5. P(XXX) (que salga cruz las 3 veces): $1/8$.

Árbol de decisión para eventos dependientes: Extracción sin Reposición

En eventos dependientes, el resultado de un paso sí afecta a los siguientes, como extraer elementos sin reposición.

Ejemplo 4: Monedas Falsas

Un comerciante tiene 10 monedas, 4 falsas (F) y 6 buenas (B). Extrae 2 monedas sucesivamente sin reposición. El árbol de decisión mostrará cómo las probabilidades cambian en la segunda extracción.

• Primer paso: P(F) = 4/10, P(B) = 6/10
• Segundo paso (condicional):
• Si la primera fue F, P(F|F) = 3/9, P(B|F) = 6/9.
• Si la primera fue B, P(F|B) = 4/9, P(B|B) = 5/9.

P(al menos una moneda falsa en dos extracciones):

Se puede calcular como $1 - P(BB) = 1 - P(B ext{ y } B) = 1 - (6/10 imes 5/9) = 1 - 30/90 = 1 - 1/3 = 2/3$.

O sumando las probabilidades conjuntas de los puntos muestrales con al menos una falsa: P(FB) + P(BF) + P(FF): $(4/10 imes 6/9) + (6/10 imes 4/9) + (4/10 imes 3/9) = 24/90 + 24/90 + 12/90 = 60/90 = 2/3$.

Probabilidades Marginales bajo Dependencia Estadística y Teorema de la Probabilidad Total

La probabilidad marginal de un evento es su probabilidad de ocurrencia, a menudo un evento simple. Puede ser complicada de calcular si no es un dato directo y el evento depende o se relaciona con otros. Se puede expresar como la suma de las probabilidades conjuntas en las que figura el evento buscado.

Teorema de la Probabilidad Total: Si un suceso E puede ocurrir por alguna de las causas A1, A2,..., An (que son mutuamente excluyentes y colectivamente exhaustivas), la probabilidad de que ocurra E es la suma de las probabilidades de todas las intersecciones de E con cada causa:

$P(E) = P(E ext{ y } A_1) + P(E ext{ y } A_2) + ext{...} + P(E ext{ y } A_n)$

O, usando probabilidades condicionales:

$P(E) = P(A_1) imes P(E | A_1) + P(A_2) imes P(E | A_2) + ext{...} + P(A_n) imes P(E | A_n)$

Este teorema es crucial para calcular una probabilidad marginal cuando los datos iniciales son probabilidades condicionales y simples, y se visualiza muy bien en un árbol de decisión donde se suman las probabilidades conjuntas de las ramas que conducen al evento E.

Teorema de Bayes: Revisando Probabilidades con Nueva Información

El Teorema de Bayes es un procedimiento formal que permite revisar las probabilidades de un evento (una "causa") basándose en nueva información (un "efecto"). Es fundamental para la toma de decisiones al permitir calcular la probabilidad de una causa dado un efecto, es decir, invertir la probabilidad condicional.

La fórmula general del Teorema de Bayes es:

$P(A_i | B) = rac{P(A_i) imes P(B | A_i)}{P(B)}$

Donde $P(B)$ se calcula con el Teorema de la Probabilidad Total: $P(B) = ext{Σ} P(A_j) imes P(B | A_j)$.

En resumen, si tienes probabilidades a priori ($P(A_i)$) y probabilidades condicionales ($P(B | A_i)$), el Teorema de Bayes te permite calcular la probabilidad de la causa dado el efecto ($P(A_i | B)$).

Elementos clave para usar el Teorema de Bayes:

• Contar con datos a priori (probabilidades simples, excluyentes y exhaustivas).
• Contar con probabilidades condicionales o conjuntas como datos.
• Querer calcular una probabilidad condicional que es inversa a la probabilidad condicional dada como dato ($P(A|B)$ cuando se tiene $P(B|A)$).
• Desear conocer la probabilidad de una "causa" ante nueva información.

Distinción entre Eventos Mutuamente Excluyentes e Independientes

Es fundamental no confundir la noción de eventos mutuamente excluyentes con la de eventos independientes.

• Mutuamente Excluyentes: Dos eventos son mutuamente excluyentes si la ocurrencia de uno impide la ocurrencia del otro. No pueden ocurrir simultáneamente. Si A y B son mutuamente excluyentes, $P(A ext{ y } B) = 0$.
• Independientes: Dos eventos son independientes si la ocurrencia de uno no afecta la probabilidad de ocurrencia del otro. Si A y B son independientes, $P(A ext{ y } B) = P(A) imes P(B)$, o $P(A|B) = P(A)$, y $P(B|A) = P(B)$.

Advertencia: Dos eventos cuyas probabilidades no son cero no pueden ser mutuamente excluyentes e independientes a la vez. Si uno de los eventos mutuamente excluyentes ocurre, la probabilidad del otro se reduce a cero, lo cual los hace dependientes.

Preguntas Frecuentes (FAQ) sobre Tablas y Árboles de Probabilidad

¿Cuál es la diferencia principal entre una tabla de contingencia y un árbol de decisión?

La principal diferencia radica en su aplicación y representación. Las tablas de contingencia son ideales para problemas basados en frecuencias relativas y organizar datos de dos variables categóricas, mostrando las probabilidades marginales y conjuntas de forma directa. Los árboles de decisión, por otro lado, son más útiles para experimentos de pasos múltiples, visualizando secuencias de eventos y cómo las probabilidades condicionales evolucionan con cada paso, especialmente en casos de dependencia estadística. Ambos buscan simplificar el cálculo de probabilidades.

¿Cuándo debo usar un árbol de decisión en lugar de una tabla de contingencia?

Debes usar un árbol de decisión preferentemente en experimentos de pasos múltiples, donde el resultado de un evento afecta la probabilidad de los eventos subsiguientes (eventos dependientes). También son muy útiles cuando se tienen datos en forma de probabilidades condicionales o si el problema implica una secuencia temporal de eventos. Las tablas de contingencia son mejores para clasificar datos de dos características simultáneamente y para calcular probabilidades marginales y conjuntas de forma estática.

¿Cómo se identifica la independencia estadística usando estas herramientas?

En una tabla de contingencia, se verifica la independencia estadística comparando probabilidades condicionales con marginales. Por ejemplo, $P(A|B) = P(A)$. Si esta igualdad se cumple para todos los eventos, son independientes. En un árbol de decisión, si los eventos son independientes, las probabilidades en las ramas subsiguientes no cambian, independientemente del resultado del paso anterior. Por ejemplo, si al lanzar una moneda, $P(Cara ext{ en 2da tirada } | Cara ext{ en 1ra tirada }) = P(Cara ext{ en 2da tirada })$.

¿Qué son eventos mutuamente excluyentes y colectivamente exhaustivos?

Los eventos mutuamente excluyentes son aquellos que no pueden ocurrir al mismo tiempo (su intersección es vacía). Por ejemplo, al lanzar un dado, sacar un 2 y sacar un 4 son mutuamente excluyentes. Los eventos colectivamente exhaustivos son aquellos cuya unión cubre todo el espacio muestral; es decir, al menos uno de ellos debe ocurrir. Por ejemplo, al lanzar un dado, sacar un número par o sacar un número impar son eventos colectivamente exhaustivos. Estas propiedades son fundamentales para la construcción correcta tanto de tablas de contingencia como de árboles de decisión.

¿Qué es el Teorema de Bayes y para qué sirve en el cálculo de probabilidades?

El Teorema de Bayes es una fórmula que permite actualizar o revisar la probabilidad de un evento basándose en nueva información. Es decir, nos ayuda a calcular la probabilidad de una "causa" dado que ya observamos un "efecto". Por ejemplo, si sabemos que una persona tiene una enfermedad (efecto), Bayes nos permite calcular la probabilidad de que esa persona haya estado expuesta a un factor de riesgo específico (causa). Es crucial en el análisis de riesgos, diagnósticos y en cualquier situación donde se deba ajustar una creencia inicial con evidencia reciente.