Espacio muestral de un experimento.

Es el conjunto de todos los posibles resultados de un experimento aleatorio y se suele

representar por . A los elementos de se les denomina sucesos elementales.
As por ejemplo, el espacio muestral asociado al experimento aleatorio consistente en el
lanzamiento de una moneda es = {Cara, Cruz}; el espacio muestral asociado al lanzamiento de
un dado es ={1, 2, 3, 4, 5, 6}, siendo Cara y Cruz los sucesos elementales asociados al primer
experimento aleatorio y 1, 2, 3, 4, 5 y 6 los seis sucesos elementales del segundo experimento
aleatorio.
A pesar de la interpretacin que tiene el espacio muestral, no es ms que un conjunto abstracto
de puntos (los sucesos elementales), por lo que el lenguaje, los conceptos y propiedades de la
teora de conjuntos constituyen un contexto natural en el que desarrollar el Clculo de
Probabilidades.
Sea A el conjunto de las partes de, es decir, el conjunto de todos los subconjuntos de . En
principio, cualquier elemento de A, es decir, cualquier subconjunto del espacio muestral
contendr una cierta incertidumbre, por lo que trataremos de asignarle un nmero entre 0 y 1
como medida de su incertidumbre. En Clculo de Probabilidades dichos subconjuntos reciben en
el nombre de sucesos, siendo la medida de la incertidumbre su probabilidad. La tripleta (,A,P)
recibe el nombre de espacio probabilstico.
Por tanto, asociado a todo experimento aleatorio existen tres conjuntos: El espacio muestral, la
clase de los sucesos, es decir, el conjunto de los elementos con incertidumbre asociados a nuestro
experimento aleatorio A, y una funcin real, P:A [0, l], la cual asignar a cada suceso (elemento
de A) un nmero entre cero y uno como medida de su incertidumbre.
Advertimos no obstante, que la eleccin del espacio muestral asociado a un experimento
aleatorio no tiene por qu ser nica, sino que depender de que sucesos elementales queramos
considerar como distintos y del problema de la asignacin de la probabilidad sobre esos sucesos
elementales.

Ejemplo de clculo del espacio muestral de un experimento.

1. Una bolsa contiene bolas blancas y negras. Se extraen sucesivamente tres bolas.

E = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n,

n,n)}

2. El suceso A = {extraer tres bolas del mismo color}.

A = {(b,b,b); (n, n,n)}

3. El suceso B = {extraer al menos una bola blanca}.

B= {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b)}

4. El suceso C = {extraer una sola bola negra}.

C = {(b,b,n); (b,n,b); (n,b,b)}

Calculo de la probabilidad de ocurrencia de un evento.

La probabilidad mide la mayor o menor posibilidad de que se d un determinado resultado
(suceso o evento) cuando se realiza un experimento aleatorio.
Para calcular la probabilidad de un evento se toma en cuenta todos los casos posibles de
ocurrencia del mismo; es decir, de cuntas formas puede ocurrir determinada situacin.
Los casos favorables de ocurrencia de un evento sern los que cumplan con la condicin que
estamos buscando.

La probabilidad toma valores entre 0 y 1 (o expresados en tanto por ciento, entre 0% y 100%):
El valor cero corresponde al suceso imposible; ejemplo: lanzamos un dado al aire y la
probabilidad de que salga el nmero 7 es cero.
El valor uno corresponde al suceso seguro, ejemplo: lanzamos un dado al aire y la
probabilidad de que salga cualquier nmero del 1 al 6 es igual a uno (100%).
El resto de sucesos tendr probabilidades entre cero y uno: que ser tanto mayor cuanto ms
probable sea que dicho suceso tenga lugar.

Mtodos para clculo de la probabilidad de ocurrencia de un evento.

Uno de los mtodos ms utilizados es aplicando la Regla de Laplace: define la probabilidad de
un suceso como el cociente entre casos favorables y casos posibles.

Ejemplos:
a) Probabilidad de que al lanzar un dado salga el nmero 2: el caso favorable (f) es tan slo
uno (que salga el dos), mientras que los casos posibles (n) son seis (puede salir cualquier nmero
del uno al seis).
Por lo tanto:

(o lo que es lo mismo, 16,6%)

b) Probabilidad de que al lanzar un dado salga un nmero par: en este caso los casos
favorables (f) son tres (que salga el dos, el cuatro o el seis), mientras que los casos posibles (n)
siguen siendo seis.
Por lo tanto:

(o lo que es lo mismo, 50%)

c) Probabilidad de que al lanzar un dado salga un nmero menor que 5: en este caso tenemos
cuatro casos favorables (f) (que salga el uno, el dos, el tres o el cuatro), frente a los seis casos
posibles.
Por lo tanto:

(o lo que es lo mismo, 66,6%)

d) Probabilidad de ganarse el premio mayor de una lotera en la que juegan 100.000
nmerosnos: tan slo un caso favorable (f), el nmero que jugamos, frente a los 100.000 casos
posibles (n).
Por lo tanto:

(o lo que es lo mismo, 0,001%)

Probabilidad marginal de un evento.

Probabilidad marginal es igual a la cantidad de formas en que un resultado especfico va a
suceder entre la cantidad total de posibles resultados.
Una manera, muy usada en la prctica, de denominar la probabilidad un evento simple de un
espacio muestral es como probabilidad simple o marginal, la cual hace referencia a la
probabilidad de un evento simple, y se denota con P(A), siendo A el evento simple en cuestin.
El nombre de probabilidad marginal se debe a que esta medida se puede obtener a partir de los
totales marginales de una tabla de contingencia.

Cantidad de formas en que un resultado especifico va a suceder

Probabilidad=
Cantidad total de posibles resultados
Ejemplo Probabilidad simple o marginal.
Hay 87 canicas en una bolsa y 68 son verdes. Si se escoge una, cul es la probabilidad de que
esta sea verde?
Solucin:
Divide la cantidad de formas de elegir una canica verde (68) por la cantidad total de canicas
(87)
68 87 = 0.781609
Redondea a la precisin deseada (es decir 0.781609 redondeado a centsimos es 0.78.

Probabilidad condicional aplicando la regla de Bayes.

La regla de Bayes, expresa que la probabilidad condicional de un evento
aleatorio A dado B en trminos de la distribucin de probabilidad condicional del
evento B dado A y la distribucin de probabilidad marginal de slo A.
En trminos ms generales y menos matemticos, la regla de Bayes es de enorme
relevancia puesto que vincula la probabilidad de A dado B con la probabilidad de B dado
A. Es decir, que sabiendo la probabilidad de tener un dolor de cabeza dado que se tiene
gripe, se podra saber (si se tiene algn dato ms), la probabilidad de tener gripe si se
tiene un dolor de cabeza. Muestra este sencillo ejemplo la alta relevancia del teorema en
cuestin para la ciencia en todas sus ramas, puesto que tiene vinculacin ntima con la
comprensin de la probabilidad de aspectos causales dados los efectos observados.

Funcin de probabilidad.
La Funcin de Probabilidad es la probabilidad de que la variable aleatoria tome un
valor particular:

Ejemplo
Podemos obtener las frecuencias relativas de las calificaciones de un curso y
disponerlas en una tabla:

Asignando un nmero a cada calificacin, y sustituyendo el smbolo de frecuencia

relativa por el de probabilidad:

Finalmente tenemos la distribucin de probabilidad de la variable "calificacin

acadmica en la asignatura X". La distribucin de probabilidad de una variable aleatoria
se define como el conjunto de valores de la variable acompaados de sus probabilidades.
Funcin de Distribucin
La Funcin de Distribucin es la probabilidad de que la variable tome valores iguales
o inferiores a x:

Si aadimos una nueva columna con las probabilidades acumuladas, tenemos la

funcin de distribucin de la v.a. Ejemplo:

Tanto la Funcin de Probabilidad como la de distribucin pueden ser representadas

grficamente con el diagrama de barras:

Funcin de probabilidad:

Funcin de distribucin:

Clculo del valor esperado.

Este termino se usa en la estadstica y resulta til para decidir si una accin ser beneficiosa o
perjudicial. Para calcular el valor esperado, tienes que comprender los resultados posibles de una
situacin y la probabilidad de que ocurran.
El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos de azar,
debido a que los jugadores deseaban saber cul era su esperanza de ganar o perder con un juego
determinado. Como a cada resultado particular del juego le corresponde una probabilidad
determinada, esto equivale a una funcin de probabilidad de una variable aleatoria y el conjunto
de todos los resultados posibles del juego estar representado por la distribucin de probabilidad
de la variable aleatoria. El valor esperado o esperanza es muy importante, ya que es uno de los
parmetros que describen una variable aleatoria.

Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el valor
esperado de la variable aleatoria X, el cual se representa por E(X), est definido por:

Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la
variable aleatoria por la probabilidad que le corresponde y despus se suman esos productos.
El valor esperado representa el valor promedio que se espera suceda, al repetir el experimento
en forma independiente una gran cantidad de veces. El valor esperado se interpreta fsicamente
como el centro de masa o centro de gravedad de la distribucin de probabilidad, por lo que es
igual a la media o promedio aritmtico, los cuales se representan con la letra
De acuerdo a lo anterior podemos escribir que:

Varianza de una variable aleatoria.

La varianza de una variable aleatoria es una caracterstica numrica que proporciona
una idea de la dispersin de la variable aleatoria respecto de su esperanza. Decimos que es
un parmetro de dispersin.

La definicin es la siguiente:

Es por tanto, el promedio terico de las desviaciones cuadrticas de los diferentes

valores que puede tomar la variable respecto de su valor medio terico o esperanza.

En el caso de las variables discretas, la expresin se convierte en:

Mientras que para las variables continuas tenemos:

En ambos casos existe una expresin equivalente alternativa y generalmente de clculo

ms fcil:

Una de las caractersticas de la varianza es que viene expresada en unidades

cuadrticas respecto de las unidades originales de la variable. Un parmetro de dispersin
derivado de la varianza y que tiene las mismas unidades de la variable aleatoria es la
desviacin tpica, que se define como la raz cuadrada de la varianza.

Calculo de la probabilidad de un evento que sigue una distribucin de poisson.

La Probabilidad de un evento de la distribucin de Poisson es

Donde
k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad
de que el evento suceda precisamente k veces).

es un parmetro positivo que representa el nmero de veces que se espera que

ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado
tiene lugar en promedio 4 veces por minuto y estamos interesados en la
probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos
un modelo de distribucin de Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de
Poisson son iguales a . Los momentos de orden superior son polinomios de Touchard en
cuyos coeficientes tienen una interpretacin combinatoria. De hecho, cuando el valor
esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el nsimo momento iguala al nmero de particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero es
igual a , el mayor de los enteros menores que (los smbolos representan la funcin parte
entera). Cuando es un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor esperado es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.

La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro

0 a otra de parmetro es

Clculo e interpretacin de la probabilidad de un evento que sigue una distribucin

normal.