Resumen

Espacio muestral y eventos

 Se llama espacio muestral al conjunto de todos los resultados posibles de un proceso
experimental u observacional. Será denotado con la letra griega omega (Ω).

 Se llama punto muestral o evento elemental a cada uno de los elementos del conjunto
Ω y será denotado genéricamente como ω.

 Dado un espacio muestral Ω, se llama evento a cualquier subconjunto de Ω.

 Se dice que dos eventos A y B de un espacio muestral Ω son mutuamente excluyentes

si no contienen elementos en común, o sea si la intersección de A y B es el conjunto
vacío (A∩B=∅).

 Si A y B son dos eventos de Ω, la unión de estos eventos conforma un nuevo conjunto,

que contiene a los puntos muestrales de A y/o de B. La unión de A y B se denota por
A∪B.

 Si A y B son dos eventos de Ω, la intersección de estos eventos conforma un nuevo

conjunto, que contiene a los puntos muestrales que pertenecen a A y a B
simultáneamente, forman la intersección y se denota la intersección de A y B por A ∩
B.

Definiciones de probabilidad
Definiciones de probabilidad

 Sea Ω un espacio muestral. La función P(.) que asigna a cada evento de Ω un número
real en el intervalo [0,1], se llama medida de probabilidad si satisface los siguientes
axiomas:
I. P(Ω) =1

II. P(A) ≥ 0, donde A representa un evento cualquiera de Ω

III. Si A1, A2, ... es una secuencia de eventos mutuamente excluyentes entonces:

𝑃(𝑈 , 𝐴 ) = ∑ 𝑃(𝐴 )
Probabilidad condicional

Para dos eventos A y B que pertenecen al mismo espacio muestral la probabilidad condicional
se define como:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)

donde P(A|B) denota la probabilidad condicional de ocurrencia del evento A dado que ha
ocurrido B.

Independencia de Eventos

Dados A y B eventos que pertenecen al mismo espacio muestral, se dice que son
independientes si P(A∩B) = P(A).P(B)

Probabilidad: Concepto Frecuencial

Si A es un evento y nA es el número de veces que A ocurre en N repeticiones independientes

del experimento, la probabilidad del evento A, se define P(A) = lim
→

Probabilidad: Concepto Clásico

Cuando Ω es finito (el número de puntos muestrales es finito) se puede dar otra definición de
probabilidad, que es la que se desarrolló originariamente estudiando los juegos de azar.

Dado el evento A en Ω,

Número de puntos muestrales favorables

P(A) =
Número total de puntos muestrales

Variables aleatorias
Concepto de Variable Aleatoria

Cómo podemos comprobar la frase se compone básicamente de dos conceptos:

función matemática y experimento aleatorio. De manera que por aquí es por

dónde debemos empezar. Es decir, por entender primero qué es una función

matemática y, más tarde, por definir qué entendemos por experimento aleatorio.

 Función matemática: Dicho de manera sencilla, es una ecuación que

asigna valores a una variable (variable dependiente) en función de otras

variables (variables independientes).

  Experimento aleatorio: Es un fenómeno de la vida real cuyos resultados

se deben completamente al azar. Es decir, bajo las mismas condiciones

iniciales arroja resultados diferentes.

En otras palabras, es una ecuación que describe o intenta describir los resultados

(con un número) de un evento cuyos resultados se deben al azar.

Si el conjunto contenido en ℜ es no numerable, la variable aleatoria será llamada

variable aleatoria continua. Si B es un conjunto numerable la variable será llamada

variable aleatoria discreta.

Función de Distribución Acumulada

Función de Distribución Acumulada

La función de distribución acumulada, o simplemente función de distribución, de

una variable aleatoria X, denotada por F(.), es una función F:ℜ→[0,1] tal que:

F(x) = P([X ≤ x]) ∀ x ∈ ℜ.

Función de Densidad
Función de densidad de una v.a. discreta

La función de densidad de una variable aleatoria discreta, denotada por f(.), es una

función f:ℜ→[0,1] tal que:

𝑓(𝑥) 𝑃(𝑋 = 𝑥)𝑠𝑖 𝑥 ∈ 𝐶

0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

donde C = { x1, x2, x3, ... } es el conjunto de valores que puede tomar la variable

aleatoria discreta.

Función de densidad de una v.a. continua

La función de densidad de una variable aleatoria continua es una función f(.) ≥ 0 tal

que:
𝑃(𝑥 ≤ 𝑋 ≤ 𝑥 ) = ∫ 𝑓(𝑦)𝑑𝑦 ∀𝑥 , 𝑥 ∈ℜ

Esperanza de una variable aleatoria (Valor esperado)

La esperanza matemática de una variable aleatoria es, desde un punto de vista
intuitivo, un promedio de los valores asumidos por la variable, donde cada valor es
“ponderado” por su probabilidad de ocurrencia.

Esperanza de una v.a. discreta

La esperanza de una variable aleatoria discreta X, con función de densidad f(.),es:

𝐸(𝑥) = 𝜇 = 𝑥 × 𝑓(𝑥 )
∈

donde C = { x1, x2, x3, ... } es el conjunto de valores que puede tomar la variable
aleatoria.

Esperanza de una v.a. continua

La esperanza de una variable aleatoria continua X, con función de densidad f(.), es

𝐸(𝑥) = 𝜇 = 𝑥 × 𝑓(𝑥 )𝑑𝑥

Esta integral no siempre existe y en ese caso, se dirá que la variable no tiene
esperanza.

Propiedades de la esperanza

Sean X1 y X2 v.a. con esperanzas definidas, a y b constantes; entonces se cumplen

las siguientes propiedades:

a) E(aX1 ) = a E(X1)
b) E(aX1 + bX2) = a E(X1) + b E(X2)

Varianza de una Variable Aleatoria

Varianza de una v.a. discreta

La varianza de una variable aleatoria discreta X se define como:

𝑉𝑎𝑟(𝑥) = (𝑥 − 𝜇) × 𝑓(𝑥 )
∈∁

donde μ = E(X), f(.) la función de densidad y C = {x1,x2,...} el conjunto de valores

posibles.

Varianza de una v.a. continua

La varianza de una variable aleatoria continua X, denotada por V(X) ó σ2, es:
 𝑉𝑎𝑟(𝑥) = (𝑥 − 𝜇) × 𝑓(𝑥) 𝑑𝑥

donde μ = E(X) ) y f(.) la función de densidad.

Cabe señalar que esta integral no siempre existe, en este caso se dirá que la v.a.
no tiene varianza.

Propiedades de la Varianza

Sean X1 y X2 variables aleatorias, a y b constantes. Entonces, se cumple que:

a) Si X1 = a, entonces V(X) = 0
b) V(aX) = a2V(X)
c) Var (X1 + a) = Var (X1)
d) Var (aX1 ± bX2) = a2Var (X1) + b2Var(X2) ± 2ab Cov(X1, X2)