Modelamiento de

fenómenos aleatorios
Probabilidad
 Algunas definiciones

Experimento:

• proceso mediante el cual obtenemos una observación

Espacio muestral (M):

• el conjunto de todos los resultados posibles de un experimento

Espacio muestral discreto:

• es el integrado por un número finito o infinito numerable de elementos

Espacio muestral continuo:

• es el integrado por cualquier segmento de la linea real

 Algunas definiciones
Evento:

• un evento es subconjunto del espacio muestral

Partición de un espacio muestral:

• sean A1, A2, …. , An, n eventos de un espacio muestral M. si Ai∩Aj=Ø para i≠j
y 𝑛𝑖=1 𝐴𝑖 = 𝑀, diremos que A1, A2, …. , An forman una partición de M.

Población:

• es el conjunto de resultados potenciales de un experimento si este se

repitiera en todas las unidades que se quiere investigar.

Muestra:

• es el conjunto de resultados que de hecho se colecta en una investigación

 Probabilidad

Mientras más frecuente es algo más probable es.

Si un experimento se lleva a cabo “infinitas veces” la frecuencia con la

que ocurre un evento dado tiende a estabilizarse.

La probabilidad de un evento A es P(A) y esto equivale a decir que es la

frecuencia relativa estabilizada, por lo tanto la frecuencia estadística
estabilizada es similar a la probabilidad.
 Probabilidad:
propiedades y leyes
• Propiedades del espacio muestral
– 0 ≤ 𝑃 𝐵 ≤ 1, para cualquier 𝐵 ⊂ 𝑀
– 𝑃 𝑀 =1
– Si A1, A2, …. , Ak son eventos mutuamente excluyentes en M,
𝑘 𝑘
entonces: 𝑃 𝑖=1 𝐴𝑖 = 𝑖=1 𝑃 𝐴𝑖

• Leyes probabilísticas
– Regla 1: 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵
– Regla 2: 𝑃 𝐴𝐶 = 1 − 𝑃 𝐴
 Probabilidad
condicional
• Es la probabilidad de que ocurra un evento dado que ocurra otro,
𝑃 𝐵 𝐴 .

• Es una probabilidad corregida por la información adicional:

𝐵 𝑃 𝐴∩𝐵
𝑃 𝐴 = 𝑃 𝐴

Es como tener una tabla de datos con dos • Los eventos A y B son
características: independientes si:
B D
𝑃 𝐵 𝐴 =𝑃 𝐵 o 𝑃 𝐴 𝐵 =𝑃 𝐴
A 𝑃 𝐴∩𝐵 𝑃 𝐴∩𝐷 =P A
• Sustituyendo si A y B son
C 𝑃 𝐵∩𝐶 𝑃 𝐷∩𝐶 =P C independientes:
=P B =P D 1 𝑃 𝐴∩𝐵 =𝑃 𝐴 ×𝑃 𝐵
 Teorema de Bayes
• Se trata de obtener una probabilidad a “posterior” con una probabilidad “a
priori” conocida (condicional).

• Sean A1, A2, …., AK, eventos que forman una partición de un espacio muestral
M. Sea B un evento en M. Suponga que 𝑃 𝐴1 , 𝑃 𝐴2 , …., 𝑃 𝐴𝐾 , 𝑃 𝐵 𝐴1 ,
𝑃 𝐵 𝐴2 , ….., 𝑃 𝐵 𝐴𝐾 son probabilidades conocida, entonces:

𝑃 𝐵 𝐴 × 𝑃 𝐴𝑖
𝐴 𝑖
𝑃 𝑖 𝐵 =
𝑛 𝐵
𝑖=1 𝑃 𝐴𝑖 × 𝑃 𝐴𝑖
• Recordemos que:
𝑛

𝑃 𝐵 = 𝑃 𝐵 𝐴 × 𝑃 𝐴𝑗 si 𝐴𝑗 ∩ 𝐴𝑖 = ∅
𝑗
𝑗=1