Experimento aleatorio

En teora de la probabilidad un experimento aleatorio es aquel que bajo el mismo conjunto

aparente de condiciones iniciales, puede presentar resultados diferentes, es decir, no se
puede predecir o reproducir el resultado exacto de cada experiencia particular. (Ej:
Lanzamiento de un dado).
Este tipo de fenmeno es opuesto al fenmeno determinista, en el que conocer todos los
factores de un experimento nos hace predecir exactamente el resultado del mismo. Por
ejemplo, conociendo la altura desde la que se arroja un mvil es posible saber exactamente el
tiempo que tardar en llegar al suelo en condiciones de vaco.

Propiedades[editar]
Es toda aquella situacin que debe llevarse a cabo para saber cual es el resultado. Un
experimento se dice aleatorio si verifica las siguientes condiciones:

Si los resultados se pueden contar se le llama experimento aleatorio numerable; y si

no se pueden contar, se le llama experimento aleatorio no numerable.

Si es posible conocer previamente todos los posibles resultados (el espacio muestral,
constituido por diferentes sucesos) o por lo menos nombrar al ltimo resultado se le llama
experimento aleatorio finito; y si no se puede nombrar al ltimo resultado, se le llama
experimento aleatorio infinito.

Es imposible predecir el resultado exacto del mismo antes de realizarlo.

A cada realizacin de un experimento se le llama experiencia o prueba (ver Evento

estadstico).

Vase tambin: Proceso estocastico

Controversia[editar]
Existe cierta controversia sobre si los fenmenos aleatorios existen realmente o simplemente
surgen del desconocimiento de los factores que desencadenan el mismo o de lasleyes
fsicas que lo rigen. Por ejemplo, si en el lanzamiento de un dado conociramos exactamente
la fuerza, altura al suelo y ngulo del lanzamiento, las dimensiones exactas del dado y las
propiedades del suelo, se podra mediante complejos clculos conocer el resultado final. Es
por esto que algunas veces se define un fenmeno aleatorio como aquel en el que pequeos
cambios en sus factores producen grandes diferencias en su resultado.
Esto no quiere decir necesariamente que exista un completo determinismo cientfico, sino que
en ocasiones el azar es consecuencia de la ignorancia de un suceso o de la incapacidad para
procesar toda la informacin que se tiene.
Algunas propuestas realizadas desde la fsica, como la interpretacin de Copenhague de
la mecnica cuntica sostienen que a nivel atmico existen los fenmenos aleatorios
genuinos, aunque otras interpretaciones como la de David Bohm atribuyen la aleatoriadad

aparente de los fenmenos cunticos a la ignorancia de ciertas condiciones (las teoras

cunticas deterministas reciben el nombre de teoras de variables ocultas).
Recientemente ha aparecido la propuesta de que algunos sistemas fsicos, en concreto los
sistemas macroscpicos caticos podran ser genuinamente no-computables aunque
deterministas, eso implica que an siendo deterministas no es posible calcular con seguridad
su evolucin futura, mostrando un comportamiento aparentemente aleatorio

ESPACIO MUESTRAL
En la teora de probabilidades, el espacio muestral o espacio de muestreo (denotado E, S,
o U) consiste en el conjunto de todos los posibles resultados individuales de unexperimento
aleatorio.
Por ejemplo, si el experimento consiste en lanzar dos monedas, el espacio de muestreo es el
conjunto {(cara, cara), (cara, cruz), (cruz, cara) y (cruz, cruz)}. Un evento o suceso es
cualquier subconjunto del espacio muestral con estructura de -lgebra,1 llamndose a los
sucesos que contengan un nico elemento sucesos elementales. En el ejemplo, el suceso
"sacar cara en el primer lanzamiento", o {(cara, cara), (cara, cruz)}, estara formado por los
sucesos elementales {(cara, cara)} y {(cara, cruz)}.
Para algunos tipos de experimento puede haber dos o ms espacios de muestreo posibles.
Por ejemplo, cuando se toma una carta de un mazo normal de 52 cartas, una posibilidad del
espacio de muestreo podra ser el nmero (del as al rey), mientras que otra posibilidad sera el
palo (diamantes, trboles, corazones y picas). Una descripcin completa de los resultados, sin
embargo, especificara ambos valores, nmero y palo, y se podra construir un espacio de
muestreo que describiese cada carta individual como el producto cartesiano de los dos
espacios de muestreo descritos.
Los espacios de muestreo aparecen de forma natural en una aproximacin elemental a
la probabilidad, pero son tambin importantes en espacios de probabilidad. Un espacio de
probabilidad (, F, P) incorpora un espacio de muestreo de resultados, , pero define un
conjunto de sucesos de inters, la -lgebra F, por la cul se define la medida de
probabilidad P.

Tipos de espacio muestral[editar]

Podemos diferenciar entre dos tipos de espacios muestrales: discretos y continuos.

Discretos[editar]
Son aquellos espacios donde el nmero de sucesos elementales es finito o infinito numerable.

Espacio probabilstico discreto[editar]

Es aquel cuyo espacio muestral es discreto. Podemos diferenciar varios tipos de espacio
probabilstico discreto:
Espacio probabilstico discreto equiprobable[editar]

Su espacio muestral es finito de tamao n.

La probabilidad de cualquier suceso elemental E es

, de aqu se deduce que para todo suceso A la probabilidad

es
Espacio probabilstico finito[editar]

Su espacio muestral es discreto finito.

Hay al menos 2 sucesos elementales que cumplen.

Procesos estocsticos finitos y diagramas de rbol[editar]

Un proceso estocstico es una sucesin finita de experimentos aleatorios, cada uno de ellos
con un n finito de resultados posibles. Se representan con diagrama de rbol.
Por ejemplo, imaginemos que se lanza una moneda y un dado de seis caras. La probabilidad
de obtener un resultado particular corresponde a la multiplicacin de sus probabilidades. Es
decir, la probabilidad de obtener cara y un tres ser:

Ahora bien, la probabilidad de un suceso cualquiera es la suma de las probabilidades de los

distintos resultados aislados posibles. As, la probabilidad de sacar siempre un resultado impar
en los dados, independientemente del resultado de la moneda, ser:

Espacio probabilstico infinito contable[editar]

Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo:

La probabilidad de que salga cara en la primera tirada ---->

La probabilidad de que salga nuevamente cara en la segunda tirada ---->

La probabilidad de que salga nuevamente cara en la tercera tirada

---->

Continuos[editar]
Son aquellos espacios donde el nmero de sucesos elementales es infinito incontable.
Espacio probabilstico continuo[editar]

Espacio muestral infinito no numerable. -No es posible observar puntos concretos del
espacio.

Tiene sentido hablar de intervalos observados. - No es posible asignar probabilidad a

un punto concreto, se asigna a intervalos.

Por tanto la funcin P est definida sobre intervalos ----->

-Habitualmente cuando trabajamos con magnitudes fsicas.

Particiones[editar]
Es posible definir particiones sobre el espacio muestral. Formalmente hablando, una particin
sobre se define como un conjunto numerable:
tal que:
1.
2.

3.
Ejemplos[editar]
Por ejemplo, en el caso del experimento aleatorio "lanzar un dado", el espacio muestral
del experimento sera: ={1,2,3,4,5,6}. Por otro lado, si cambiamos ligeramente la
experiencia pensando en el nmero resultante de la suma de 2 dados, entonces tenemos
2 posibles espacios muestrales para modelar nuestra realidad:

={(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(2,1),(2,2),...(6,6)} = {1,2,3,4,5,6}x{1,2,3,4,5,6}

'={2,3,4,...,12}

La eleccin del espacio muestral es un factor determinante para realizar el clculo de la

probabilidad de un suceso.

Eventos mutuamente excluyentes

Los eventos mutuamente excluyentes son aquellos en los que si un evento sucede
significa que el otro no puede ocurrir. Si bien suelen usarse en teoras cientficas, tambin
son parte de las leyes y los negocios. Como resultado, entender los eventos mutuamente
excluyentes puede ser importante para una variedad de disciplinas.
Frmula
La frmula matemtica para determinar la probabilidad de los eventos mutuamente
excluyentes es P(A U B) = P(A) + P(B). Dicho en voz alta, la frmula es "Si A y B son
evento mutuamente excluyentes, entonces la probabilidad de que A o B suceda es
equivalente a la probabilidad del evento A ms la probabilidad del evento B".

Sacar una carta de corazones y una carta de espadas. Son eventos

mutuamente excluyentes, las cartas o son de corazones o son de espadas.

Sacar una carta numerada y una carta de letras. Son eventos mutuamente
excluyentes, las cartas o son numeradas o son cartas con letra.

Sacar una carta de trboles roja. Son eventos mutuamente excluyentes

pues las cartas de trboles son exclusivamente negras.
No es posible encontrar una sola carta que haga posible que los eventos sucedan
a la vez.
PRINCIPIO DE LA SUMA:
Supongamos que un suceso E1 puede ocurrir de m maneras y el segundo suceso E 2 puede
ocurrir de n maneras, y supongamos que ambos sucesos no pueden ocurrir
simultneamente. Entonces E1 o E2 puede ocurrir de (m + n) maneras.

Este principio se puede extender a tres o ms sucesos.

Recordando el lema de teora de conjuntos que dice. Supnganos que A y B son
conjuntos distintos. Entonces n(A B) = n(A) + n(B), este tambin es principio de las suma.
PRINCIPIO DE LA MULTIPLICACIN:
Supongamos que un suceso E1 puede ocurrir de m maneras y el segundo suceso E 2 puede
ocurrir de n maneras, (sucesos independientes). Entonces las combinaciones de E 1 y de E2
pueden ocurrir de (m) (n) maneras.
Este principio se puede extender a tres o ms sucesos.
Recordando el teorema de teora de conjuntos. Supnganos que A y B son conjuntos finitos.
Entonces n(A B) = n(A) n(B), este tambin es principio de la multiplicacin.
EJEMPLO 1
En la Universidad de Sonora te ofrecen tres cursos diferentes de matemticas, cuatro diferentes
de fsica y dos diferentes de administracin.
Determina:
a) Cuntas opciones puedes escoger uno de los cursos?
b) De cuntas maneras distintas puedes escoger un curso de cada materia?
Solucin:
a) n = 3 + 4 + 2 = 9 (son 9 maneras)
b) n = (3)(4)(2) = 24 (son 24 maneras)

probabilidad condicional
Dado dos (2) eventos A y B, la probabilidad condicional se denota como la probabilidad de A dado
B, P(A/B), /B significa que ya ocurrio B y es una medida de la probabilidad de ocurrencia de A dado
que el evento B ocurrio previamente .

formula P(A/B)= P(AB)P(B)

regla multiplicativa
P(AB)= P(A). P(B/A)
P(ABC)=P(C/AB). P(AB)
EJEMPLO:
una caja con metras:
5 metras blancas.
3 metras negras.
2 metras rojas. se extrae una a una 3 metras sin reemplazo

 hallar la probabilidad de obtener 2 metras roja ? R=rojo

P(1R)= 210
P(2R/1R)= P(1R2R)P(1R)
P(1R2R)= P(1R). P(2R/1R)
= 210 x 19 = 2/90
Probabilidad de que la segunda metras sea roja ? P(2R)=?
P(2R)=[ (1B2R)U( 1N2R )U(1R2R) ]
P(2R)= P(1B2R)+ P(1N2R)+ P(1R2R)
P(2R)= P(1B). P(2R/1B) + P(1N). P(2R/1N)+ P(1R). P(2R/1R)
P(2R)= (5/10 . 2/10) + ( 3/10 . 2/10) + ( 2/10 . 1/9)
P(2R)= 10/90 + 6/90 + 2/90
P(2R)= 18/90 => SE SIMPLIFICA => 9/45
Sucesos independientes
LossucesosAyBsonindependientessicualquieradelassiguientescondicionesequivalentessonvlidas:
P(AB)=P(A)P(B)
P(A|B)=P(A)
P(B|A)=P(B)

B no tiene ningn efecto en A

A no tiene ningn efecto en B

Intuitivamente,dossucesossonindependientessielacontecimientodeunonotieneningnefectoenla
probabilidaddelotro.
SilosdossucesosAyBnosonindependientes,entoncesdecimosqueestndependientes.

Ejemplos
1.Sihayaunaprobabilidaddel10%dequeJpitersealinearconMarte,yunaprobabilidaddel50%dequesu
tiradadeunamonedasaldrguilas,entoncesqueslaprobabilidaddequeJpitersealinearconMarteysu
tiradadelamonedasaldrguilas(suponiendoqueJpiternotenganingnefectoenelresultadodesutirada)?
Aqu,
J:JpitersealinearconMarte
A:Sutiradasaldrguilas
PuesJpiternotieneningnefectoensutiradadelamoneda,tomamosestessucesoscomoindependientes,yas
laprobabilidaddequeambossucesosocurrirnes
P(JA)=P(J)P(A)=(.10)(.50)=.05.

Teorema de Bayes
En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas
Bayes en 17631 que expresa la probabilidad condicional de un evento aleatorio Adado 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, el teorema 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.
Sea
un conjunto de sucesos mutuamente excluyentes y
exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero (0). Sea B un
suceso cualquiera del que se conocen las probabilidades condicionales
la probabilidad

. Entonces,

viene dada por la expresin:

donde:

son las probabilidades a priori.

es la probabilidad de

son las probabilidades a posteriori.

en la hiptesis

Frmula de Bayes[editar]
Con base en la definicin de Probabilidad condicionada, obtenemos la Frmula de Bayes,
tambin conocida como la Regla de Bayes:

Aplicaciones[editar]
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin
embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los
seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos

repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos
bayesianos permiten probabilidades subjetivas. El teorema puede servir entonces para indicar
cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin
adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas
estimaciones basadas en el conocimiento subjetivo a priori y el hecho de permitir revisar esas
estimaciones en funcin de la evidencia emprica es lo que est abriendo nuevas formas de
hacer conocimiento. Una aplicacin de esto son los clasificadores bayesianos que son
frecuentemente usados en implementaciones de filtros de correo basura o spam, que se
adaptan con el uso.

Como observacin, se tiene

y su demostracin resulta trivial.