Conceptos básicos de probabilidad

Imagínate que tienes una bolsa con bolas numeradas y no sabes cuál vas a sacar. Eso es un experimento aleatorio: uno donde no puedes predecir el resultado. El espacio muestral es simplemente todos los resultados posibles (en este caso, todos los números de las bolas).

Un suceso es cualquier resultado que te interese. Por ejemplo, si quieres sacar un número par, ese es tu suceso. El conjunto de todos los sucesos posibles forma el espacio de sucesos.

Existen varios tipos de sucesos importantes. Un suceso elemental tiene solo un resultado posible (como sacar exactamente el número 3). El suceso seguro siempre pasa (como sacar un número del 1 al 6 con un dado normal). El suceso imposible nunca puede ocurrir (como sacar un 7 con ese mismo dado). Y el suceso contrario es lo opuesto a lo que buscas.

💡 Tip clave: Piensa en los sucesos como preguntas que le haces al experimento. "¿Saldrá par?" es un suceso.

Operaciones con sucesos

Los sucesos se pueden combinar como si fueran piezas de un puzzle matemático. La unión (A∪B) ocurre cuando se da A, B, o ambos. Es como decir "esto O esto otro". Por ejemplo, sacar una carta de oros O una figura.

La intersección (A∩B) pasa cuando se dan A y B al mismo tiempo. Es el "Y" matemático. Siguiendo el ejemplo anterior, sería sacar una carta que sea de oros Y que sea figura.

La diferencia $A-B$ es cuando ocurre A pero no B. Si A es "sacar oros" y B es "sacar figura", entonces A-B sería "sacar oros que no sean figuras".

Dos sucesos son incompatibles cuando no pueden ocurrir a la vez (como sacar una carta de oros y de copas simultáneamente). Si pueden darse juntos, son compatibles.

💡 Recuerda: La unión es "O", la intersección es "Y", y la diferencia es "pero no".

La regla de Laplace y cálculo de probabilidades

Cuando todos los resultados tienen la misma posibilidad de ocurrir, tienes un espacio muestral equiprobable. Es como tener un dado perfecto donde cada cara tiene exactas las mismas opciones de salir.

La regla de Laplace es tu herramienta más poderosa aquí: P(A) = casos favorables / casos posibles. Si quieres dos caras al lanzar dos monedas, solo hay 1 caso favorable (C,C) entre 4 posibles, así que P = 1/4.

Para aplicarla correctamente, lista todos los resultados posibles del experimento. Después cuenta cuántos de esos resultados te interesan. Divide el segundo número entre el primero, ¡y ya tienes tu probabilidad!

Con tres monedas, el espacio muestral tiene 8 elementos. Si buscas exactamente dos caras, hay 3 formas de conseguirlo: (CCX), (CXC), (XCC). Por tanto, P = 3/8.

💡 Truco: Cuando lances varias monedas o dados, cuenta sistemáticamente para no perderte ningún resultado.

Propiedades matemáticas de la probabilidad

La definición axiomática establece tres reglas fundamentales que toda probabilidad debe cumplir. Primera: nunca es negativa, P(A) ≥ 0. Segunda: la probabilidad del suceso seguro es 1, P(E) = 1. Tercera: si dos sucesos no pueden ocurrir juntos, P(A∪B) = P(A) + P(B).

De estas reglas salen consecuencias muy útiles. La probabilidad del suceso contrario es P(Ā) = 1 - P(A). Es decir, si algo tiene 0,3 de probabilidad, su contrario tiene 0,7.

Para sucesos compatibles (que sí pueden ocurrir juntos), la fórmula es P(A∪B) = P(A) + P(B) - P(A∩B). Tienes que restar la intersección porque si no, la estarías contando dos veces.

Estas fórmulas te permiten calcular probabilidades complejas a partir de otras más simples. Por ejemplo, si sabes P(A) y P(A∩B), puedes encontrar fácilmente P(A∪B).

💡 Consejo: Si te dan probabilidades de intersección, seguramente necesitarás usar la fórmula completa de la unión.

Probabilidad condicionada

La probabilidad condicionada responde a "¿qué probabilidad hay de A si ya sé que ha ocurrido B?" Se escribe P$A/B$ y se calcula como P(A∩B)/P(B).

Imagínate una clase donde sabes que alguien ha aprobado. ¿Qué probabilidad hay de que sea de la clase C? Estás limitando tu análisis solo a los que aprobaron, cambiando el "universo" de posibilidades.

La fórmula clave es P(A∩B) = P(A) × P$B/A$. Esto significa que la probabilidad de que ocurran A y B es la probabilidad de A multiplicada por la probabilidad de B sabiendo que ya ocurrió A.

Esta herramienta es especialmente útil en extracciones sin reemplazamiento. Si tienes 15 bolas azules y 10 rojas, y sacas una azul primero, para la segunda extracción ya solo quedan 14 azules entre 24 bolas totales.

💡 Piénsalo así: La probabilidad condicionada reduce tu "mundo" a solo los casos donde ya sabes que algo ha pasado.

Sucesos independientes

Dos sucesos son independientes cuando uno no afecta al otro. Matemáticamente, P(A∩B) = P(A) × P(B). Es como lanzar dos dados: el resultado del primero no cambia las probabilidades del segundo.

La diferencia clave está en si hay reemplazamiento o no. Si devuelves la carta al mazo después de extraerla, los sucesos son independientes. Si no la devuelves, son dependientes porque cambian las probabilidades para la siguiente extracción.

Con reemplazamiento: P(dos figuras) = 12/40 × 12/40. Sin reemplazamiento: P(dos figuras) = 12/40 × 11/39. Nota cómo en el segundo caso, después de sacar una figura quedan menos figuras y menos cartas totales.

Para múltiples extracciones dependientes, multiplicas las probabilidades condicionadas: P(A₁∩A₂∩A₃) = P(A₁) × P$A₂/A₁$ × P$A₃/A₁∩A₂$.

💡 Regla práctica: Si lo que haces en el primer intento cambia las condiciones del segundo, los sucesos son dependientes.

Teorema de la probabilidad total

El teorema de la probabilidad total te ayuda cuando tienes varias "rutas" para llegar al mismo resultado. Si tienes sucesos A₁, A₂, ..., Aₙ que cubren todas las posibilidades, entonces P(B) = P(A₁) × P$B/A₁$ + P(A₂) × P$B/A₂$ + ... + P(Aₙ) × P$B/Aₙ$.

Imagínate que tienes dos bolsas con bolas de colores diferentes. Para calcular la probabilidad de sacar una bola negra, sumas las probabilidades de sacarla de cada bolsa, ponderadas por la probabilidad de elegir esa bolsa.

Los diagramas de árbol y las tablas de contingencia son herramientas visuales perfectas para estos problemas. El árbol te muestra todas las rutas posibles, mientras que la tabla organiza la información de forma clara.

Estos métodos son intercambiables: puedes construir una tabla a partir de un árbol y viceversa, usando siempre la definición P$B/A$ = P(A∩B)/P(A).

💡 Estrategia: Dibuja un árbol cuando el problema tenga etapas secuenciales, y usa tablas cuando tengas clasificaciones cruzadas.

Variables aleatorias y distribuciones

Una variable aleatoria asigna números a los resultados de un experimento. Puede ser discreta (valores separados como 1, 2, 3) o continua (cualquier valor en un intervalo).

Las variables discretas suelen venir de conteos: número de caras al lanzar monedas, número de aprobados en un examen. Las continuas vienen de medidas: altura, peso, tiempo.

Para variables discretas, la función de probabilidad asigna una probabilidad a cada valor posible. Debe cumplir que todas las probabilidades sumen 1 y que cada una esté entre 0 y 1.

La media de una variable aleatoria discreta es μ = Σ(xᵢ × pᵢ), y la varianza es σ² = Σ(xᵢ² × pᵢ) - μ². Para variables continuas usamos funciones de densidad donde el área bajo la curva representa probabilidades.

💡 Diferencia clave: En discretas sumas probabilidades puntuales; en continuas calculas áreas bajo curvas.

Distribución binomial

La distribución de Bernoulli es la más simple: solo hay éxito (valor 1) o fracaso (valor 0), con probabilidades p y $1-p$ respectivamente.

La distribución binomial cuenta éxitos en n intentos independientes de Bernoulli. Se nota Bin(n,p) y su fórmula es P$X=k$ = C(n,k) × p^k × $1-p$^$n-k$.

Para usar la binomial necesitas: intentos independientes, solo dos resultados posibles por intento, y probabilidad constante de éxito. La media es μ = np y la varianza σ² = np$1-p$.

Por ejemplo, si lanzas 10 monedas $n=10$ buscando caras $p=0.5$, la probabilidad de exactamente 6 caras es C(10,6) × 0.5^6 × 0.5^4. Es perfecta para modelar situaciones de "sí/no" repetidas.

💡 Aplicaciones comunes: Exámenes de verdadero/falso, control de calidad en fábricas, encuestas de opinión.

Distribución normal

La distribución normal N(μ,σ) es la famosa "campana de Gauss". Su función de densidad es simétrica respecto a la media μ, y la desviación típica σ controla qué tan "ancha" es la campana.

Sus propiedades clave incluyen: dominio en toda la recta real, simetría respecto a x = μ, máximo en la media, y puntos de inflexión en μ ± σ. El área total bajo la curva siempre es 1.

Esta distribución aparece constantemente en la naturaleza: alturas, pesos, puntuaciones de exámenes, errores de medición. Es tan común que se le llama "normal" precisamente por eso.

La normal es fundamental porque muchas variables que parecen diferentes (suma de muchos pequeños efectos aleatorios) terminan siguiendo esta distribución. Además, es la base para muchas técnicas estadísticas avanzadas.

💡 Regla práctica: Si tu variable resulta de sumar muchos pequeños factores aleatorios, probablemente siga una distribución normal.