Las tablas de contingencia y árboles de decisión son herramientas visuales fundamentales en el ámbito de la probabilidad y la estadística. Permiten organizar y representar datos de experimentos aleatorios, facilitando el cálculo de diversas probabilidades y la toma de decisiones informadas. Este artículo explora su definición, utilidad, construcción y aplicación, especialmente para estudiantes que buscan comprender mejor estos conceptos.

¿Qué son las Tablas de Contingencia? Análisis y Ejemplos

Una tabla de contingencia es una clasificación cruzada de datos que facilita la asignación de probabilidades a diferentes eventos. Se compone de filas y columnas, donde cada una representa categorías de eventos que son mutuamente excluyentes y colectivamente exhaustivos. Su principal utilidad es visualizar el espacio muestral de manera clara y detallada para determinar probabilidades utilizando el enfoque clásico.

Construcción de una Tabla de Contingencia: Ejemplo Práctico

Para entender cómo armar una tabla de contingencia, consideremos el Ejemplo 1 de las botellas de gaseosa. Supongamos un experimento con 1.200 botellas clasificadas por volumen (500 ml, 1.000 ml, 1.500 ml) y por defectos (menos de 2 defectos, 2 defectos o más). Los datos iniciales son:

400 botellas son de 500 ml.
200 botellas de 1.500 ml tienen menos de 2 defectos.
260 botellas tienen 2 o más defectos.
350 botellas de 500 ml tienen menos de 2 defectos.
80 botellas de 500 ml tienen 2 o más defectos.

Definiendo los eventos:

A = {botella de 500 ml}
B = {botella de 1.000 ml}
C = {botella de 1.500 ml}
D = {envase con menos de 2 defectos}
E = {envase con 2 o más defectos}

Con estos datos, la tabla se completa mediante sumas y restas, asegurando que los totales de filas y columnas coincidan con el total general del experimento (1.200 botellas). Los eventos en el cuerpo de la tabla son eventos conjuntos (ej. A ∩ D), mientras que los márgenes muestran eventos marginales o simples (ej. A, E).

Cálculo de Probabilidades con Tablas de Contingencia

Una vez construida la tabla, calcular probabilidades se vuelve intuitivo. Veamos algunas del Ejemplo 1:

Probabilidad marginal: Que una botella tomada al azar sea de 1.500 ml.

P(C) = 280 / 1.200 = 0,2333

Probabilidad marginal: Que una botella tomada al azar tenga 2 defectos o más.

P(E) = 260 / 1.200 = 0,2167

Probabilidad conjunta: Que una botella tomada al azar sea de 1.000 ml y tenga menos de 2 defectos.

P(B ∩ D) = 130 / 1.200 = 0,1083

Probabilidad de unión (no mutuamente excluyentes): Que una botella tenga 2 defectos o más, o sea de 500 ml.

P(E ∪ A) = P(E) + P(A) - P(E ∩ A) = (260/1.200) + (400/1.200) - (50/1.200) = 0,5083

Probabilidad condicional: Si se sabe que tiene 2 defectos o más, que sea de 1.500 ml.

P(C / E) = 80 / 260 = 0,3077 (Se considera solo el universo del evento E).

Árboles de Decisión: Representación Gráfica de Probabilidades

Los árboles de decisión son otra forma gráfica de organizar y presentar datos, especialmente útiles en experimentos de pasos múltiples. Son diagramas con ramas y subramas que muestran las secuencias de eventos y sus probabilidades.

Construcción de un Árbol de Decisión

Cada nivel del árbol representa un paso del experimento.
Sobre cada rama se escriben las probabilidades de los eventos.
En el primer nivel, se colocan las probabilidades de eventos marginales.
En niveles subsiguientes, se escriben las probabilidades condicionales.
Las probabilidades conjuntas se obtienen multiplicando las probabilidades a lo largo de las ramas que conducen a un resultado final.

Árbol de Decisión en Casos de Independencia Estadística (Experimentos de Pasos Múltiples)

El ejemplo clásico de independencia es el lanzamiento de una moneda varias veces. Si se tira una moneda 3 veces (Ejemplo 3):

Los eventos son independientes: lo que ocurre en una tirada no afecta a la siguiente.
Cada nivel del árbol es una tirada (3 niveles).
Los puntos muestrales que forman el espacio muestral son 2^n, donde n es el número de tiradas. Para 3 tiradas, 2^3 = 8 resultados posibles (CCC, CCX, CXC, CXX, XCC, XCX, XXC, XXX).

Cálculo de probabilidades:

Que salga cara las 3 veces: P(C ∩ C ∩ C) = (1/2) * (1/2) * (1/2) = 1/8.
Que salga cara la primera tirada: P(1ra Cara) = P(CCC) + P(CCX) + P(CXC) + P(CXX) = 4/8 = 1/2.
Que salga cruz las dos primeras tiradas: P(XXC) + P(XXX) = 1/8 + 1/8 = 2/8 = 1/4.
Que por lo menos una vez salga cara: 1 - P(XXX) = 1 - 1/8 = 7/8.
Que salga cruz las 3 veces: P(XXX) = 1/8.

Árbol de Decisión en Casos de Dependencia Estadística

Cuando los eventos son dependientes, la ocurrencia de uno afecta la probabilidad del otro. El ejemplo típico es la extracción de elementos sin reposición.

Ejemplo 4: Monedas Falsas. Si un comerciante tiene 10 monedas (4 falsas, 6 buenas) y extrae 2 sin reponer:

La probabilidad de la segunda extracción depende de la primera.
Las probabilidades condicionales se calculan teniendo en cuenta los elementos restantes.
P(Falsa 1ra) = 4/10
P(Falsa 2da / Falsa 1ra) = 3/9 (quedan 3 falsas de 9 monedas)
P(Buena 2da / Falsa 1ra) = 6/9 (quedan 6 buenas de 9 monedas)
Para calcular la probabilidad de "por lo menos una falsa": 1 - P(BB) = 1 - P(Buena 1ra) * P(Buena 2da / Buena 1ra) = 1 - (6/10)*(5/9) = 1 - 30/90 = 1 - 1/3 = 2/3. O sumando las probabilidades conjuntas: P(FB) + P(BF) + P(FF) = 2/15 + 4/15 + 4/15 = 10/15 = 2/3.

Probabilidad Marginal bajo Dependencia Estadística y Teorema de la Probabilidad Total

La probabilidad marginal de un evento, aunque sea simple, a menudo se calcula como la suma de las probabilidades de todos los eventos conjuntos en los que aparece. El Teorema de la Probabilidad Total formaliza esta idea:

Si A₁, A₂,..., Aₙ son eventos mutuamente excluyentes y colectivamente exhaustivos, y B es cualquier otro evento, entonces:

P(B) = P(B ∩ A₁) + P(B ∩ A₂) +... + P(B ∩ Aₙ)

O, usando la probabilidad condicional:

P(B) = P(A₁)P(B/A₁) + P(A₂)P(B/A₂) +... + P(Aₙ)P(B/Aₙ)

Este teorema es crucial para calcular la probabilidad de un evento cuando conocemos sus probabilidades condicionales dadas diferentes "causas" o "condiciones" previas. Por ejemplo, en el caso de la aerolínea Good Fly, se usa para determinar la probabilidad de que un pasajero no haya tomado su vuelo original (evento marginal O) sumando las probabilidades conjuntas de no haberlo tomado por cada destino (Córdoba, Mendoza, Bariloche).

Teorema de Bayes: Revisando Probabilidades con Nueva Información

El Teorema de Bayes es una extensión del concepto de probabilidad condicional que permite actualizar la probabilidad de una "causa" dado que se ha observado un "efecto". Es decir, permite calcular una probabilidad condicional inversa a la que se tiene como dato.

La fórmula general para dos eventos es:

P(A/B) = [P(B/A) * P(A)] / P(B)

Cuando se tienen múltiples eventos mutuamente excluyentes y colectivamente exhaustivos (A₁, A₂,..., Aₙ) y un evento B, la fórmula de Bayes se convierte en:

P(Aᵢ/B) = [P(B/Aᵢ) * P(Aᵢ)] / [P(A₁)P(B/A₁) + P(A₂)P(B/A₂) +... + P(Aₙ)P(B/Aₙ)]

Este teorema es invaluable para la toma de decisiones, ya que permite revisar probabilidades basadas en nueva información, transformando las probabilidades "a priori" en "a posteriori". Por ejemplo, en el caso de la aerolínea Good Fly, si sabemos que un pasajero no pudo tomar su vuelo original (B), Bayes nos permite calcular la probabilidad de que su destino fuera Córdoba (Aᵢ).

Tipos de Eventos y Conceptos Básicos en Probabilidad

Para trabajar con tablas y árboles, es esencial dominar la terminología probabilística:

Experimento Aleatorio: Actividad con resultados impredecibles (ej. tirar un dado).
Espacio Muestral (S): Conjunto de todos los resultados posibles (ej. S = {1, 2, 3, 4, 5, 6} para un dado).
Punto Muestral: Cada resultado individual del espacio muestral (ej. {4}).
Evento: Cualquier subconjunto del espacio muestral (ej. E₁ = {que salga un número par}).

Clasificación de Eventos:

Simples: Un único punto muestral (ej. {que salga un cinco}).
Compuestos: Unión de eventos más simples (ej. {que salga un cinco o un dos}).
Imposibles: Subconjunto vacío (ej. {que salga un ocho en un dado}).
Seguros: El espacio muestral completo (ej. S={1,2,3,4,5,6}).
Probables: Aquellos que no son imposibles ni seguros.
Complementarios: Dos eventos cuya unión da el espacio muestral y son mutuamente excluyentes (A y A').
Mutuamente Excluyentes: La ocurrencia de uno impide la del otro (su intersección es vacía).
No Mutuamente Excluyentes: Pueden ocurrir simultáneamente (tienen intersección).
Colectivamente Exhaustivos: La unión de todos ellos abarca todo el espacio muestral.

Axiomas Básicos de la Probabilidad:

0 ≤ P(A) ≤ 1: La probabilidad de cualquier evento A está entre 0 y 1.
P(S) = 1: La probabilidad del espacio muestral es 1.
P(A) + P(A') = 1: La suma de las probabilidades de eventos complementarios es 1.

Enfoques de Probabilidad:

Clásico (a priori): Basado en la equiprobabilidad de resultados (número de casos favorables / número de casos posibles).
Frecuencia Relativa (empírica o a posteriori): Basado en la observación y repetición de experimentos (frecuencia observada / número total de ensayos).
Subjetivo: Asignado por una persona con experiencia y conocimiento del tema, cuando no es posible la experimentación.

Reglas de Adición y Multiplicación para Probabilidades

Estas reglas son esenciales para calcular la probabilidad de eventos compuestos.

Regla de la Adición:

Para eventos mutuamente excluyentes: P(A ∪ B) = P(A) + P(B).
Para eventos no mutuamente excluyentes: P(A ∪ B) = P(A) + P(B) - P(A ∩ B).

Regla de la Multiplicación:

Para eventos independientes: P(A ∩ B) = P(A) * P(B).
Para eventos dependientes (probabilidad conjunta): P(A ∩ B) = P(A) * P(B/A) = P(B) * P(A/B).

Preguntas Frecuentes sobre Tablas de Contingencia y Árboles de Decisión

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

La tabla de contingencia es ideal para clasificar y resumir datos de dos o más variables categóricas, facilitando el cálculo de probabilidades marginales y conjuntas. El árbol de decisión es más adecuado para representar secuencias de eventos en experimentos de pasos múltiples, visualizando probabilidades condicionales y el flujo de decisiones.

¿Cuándo debo usar un árbol de decisión y cuándo una tabla de contingencia?

Utiliza una tabla de contingencia cuando tengas datos categóricos que quieres clasificar y comparar cruzadamente, especialmente para problemas con enfoques objetivos de frecuencias relativas. Prefiere un árbol de decisión para experimentos de pasos múltiples, donde la secuencia y dependencia de los eventos son clave, o cuando se aplican teoremas como el de Bayes y el de la Probabilidad Total.

¿Cómo se relaciona el Teorema de Bayes con los árboles de decisión?

Los árboles de decisión son una excelente herramienta visual para aplicar el Teorema de Bayes. Permiten desglosar las probabilidades condicionales "a priori" en las ramas del primer nivel y las probabilidades condicionales "inversas" o "a posteriori" en los niveles subsiguientes, lo que simplifica la comprensión y el cálculo de la probabilidad de una causa dado un efecto observado.

Tablas de Contingencia y Árboles de Decisión