Fundamentos de Probabilidad y Modelos de Distribución Aleatoria

Conceptos Básicos de la Probabilidad

La aleatoriedad refleja la imposibilidad de predecir con absoluta certeza un resultado futuro. Sin embargo, existe una forma de describir el comportamiento global de una población en estudio gracias a la distribución de probabilidad, la cual asigna probabilidades a los diferentes valores y describe el comportamiento separado de la variable. Por su parte, la variable aleatoria cuantifica los resultados posibles de un experimento aleatorio.

Un experimento aleatorio se define como cualquier ensayo o prueba que puede repetirse en numerosas ocasiones bajo condiciones homogéneas, presentando en cada prueba un resultado bien definido pero imposible de predecir de antemano. El término se utiliza para enfatizar la intervención del azar, a diferencia de los experimentos determinísticos, donde cada repetición genera exactamente el mismo resultado.

Espacio Muestral y Sucesos

Cada uno de los resultados posibles de un experimento aleatorio se denomina punto muestral o suceso elemental. El conjunto formado por la totalidad de estos resultados posibles constituye el espacio muestral del experimento. Asimismo, cualquier subconjunto formado por uno o más resultados posibles se conoce como suceso o evento aleatorio. Para definir gráficamente los espacios muestrales suele emplearse el diagrama de árbol.

Sucesos Mutuamente Excluyentes

Aquellos sucesos aleatorios que no comparten puntos muestrales en común se denominan sucesos mutuamente excluyentes. No pueden ocurrir de forma simultánea, por lo que la presencia de uno excluye de manera automática la ocurrencia del otro.

Probabilidad y Enfoques de Cálculo

La probabilidad mide la posibilidad de que ocurra un evento específico, representándose como una proporción o fracción cuyo valor se sitúa siempre entre 0 y 1. Un evento imposible posee una probabilidad de 0, mientras que un suceso seguro cuenta con una probabilidad de 1.

Enfoque Clásico o a Priori

Se obtiene mediante un procedimiento deductivo sin necesidad de realizar el experimento físicamente. Se fundamenta en el conocimiento previo y en la lógica. Su expresión matemática es:

P(A) = n / N

Enfoque Empírico o a Posteriori

Se basa en datos observados y se interpreta como la frecuencia relativa de ocurrencia de un suceso cuando el número de observaciones es considerablemente grande. Surge para resolver las limitaciones del enfoque clásico fuera de los juegos de azar, donde resulta complejo determinar con exactitud cuándo los resultados son verdaderamente equiprobables.

Probabilidad Subjetiva

A diferencia de las dos anteriores, esta se fundamenta en una combinación de la experiencia personal de un individuo, su criterio particular y el análisis detallado de una situación específica. En términos generales, refleja las corazonadas y los presentimientos que varían de una persona a otra.

Probabilidad de Dos o Más Sucesos Aleatorios

Regla de la Suma

Para referirse a la unión de dos sucesos se emplea la notación (A o B) o (A ∪ B). La unión contiene todos los puntos muestrales que pertenecen a A, a B o a ambos.

La intersección de dos sucesos, denotada como (A y B) o mediante su respectivo operador, agrupa los puntos que pertenecen de forma simultánea a ambos conjuntos.

• Si los sucesos son mutuamente excluyentes: P(A ∩ B) = 0
• Si pueden presentarse simultáneamente: P(A ∪ B) = P(A) + P(B) - P(AB)
• Si no pueden presentarse simultáneamente: P(A ∪ B) = P(A) + P(B)

Para tres sucesos:

P(A ∪ B ∪ C) = P(A) + P(B) + P(C) - P(AB) - P(AC) - P(BC) + P(ABC)

Si A es un suceso aleatorio y Ā representa su evento contrario, ambos son mutuamente excluyentes, cumpliéndose que:

P(A) + P(Ā) = 1 (por lo que P(A) = 1 - P(Ā))

Probabilidad Condicional

Supóngase un suceso A con probabilidad P(A). Si al obtener nueva información se observa que ha ocurrido un evento relacionado B, es posible utilizar este dato para calcular una nueva probabilidad denominada probabilidad condicional, la cual se denota como P(A/B) (la probabilidad de que ocurra A dado que B ya ha sucedido).

P(A/B) = P(A ∩ B) / P(B), siempre que P(B) ≠ 0

Regla de la Multiplicación

Permite calcular la probabilidad conjunta de la intersección de dos sucesos. Los eventos compuestos pueden ser independientes (si la aparición de uno no afecta la del otro) o dependientes (si la ocurrencia de uno altera la probabilidad del otro).

• Si son dependientes: P(AB) = P(A/B) × P(B) = P(B/A) × P(A)
• Si son independientes: P(A/B) = P(A) y P(B/A) = P(B), por lo que P(AB) = P(A) × P(B)

Teorema de Bayes

Permite calcular probabilidades condicionales con el objetivo fundamental de determinar la probabilidad de una causa específica al observar un efecto determinado.

P(Ai/B) = P(Ai ∩ B) / P(B) = [P(Ai) × P(B/Ai)] / ∑ [P(Ai) × P(B/Ai)]

Unidad 6

Modelos y Distribuciones de Probabilidad

Un modelo constituye una representación simplificada del comportamiento de ciertos fenómenos aleatorios mediante una expresión matemática. En el contexto de las variables aleatorias, esta expresión se conoce como distribución de probabilidad.

Distribución de probabilidad, variable aleatoria discreta y función de probabilidad p(x).

Dentro de las distribuciones discretas destacan:

• Distribución binomial puntual
• Distribución binomial
• Distribución hipergeométrica
• Distribución de Poisson

Variables aleatorias continuas y función de densidad de probabilidad f(x).

Asimismo, entre las distribuciones continuas más relevantes se encuentran:

• Distribución normal
• Distribución ji-cuadrado
• Distribución F de Snedecor
• Distribución t de Student

Definición de Variable Aleatoria

Una variable aleatoria se define formalmente al asignar un valor numérico a cada suceso elemental proveniente de un experimento aleatorio.

• Variable aleatoria discreta: Aquella cuyos valores posibles pertenecen a un conjunto finito o infinito numerable. Su distribución de probabilidad enumera cada valor posible junto con su respectiva probabilidad.

Medidas Estadísticas para Variables Discretas

• Esperanza o promedio: E(X) = μ = ∑ [xi × P(xi)]
• Variancia o dispersión: V(X) = σ² = E(X²) - [E(X)]²
• Desviación estándar: σ = √σ²

Distribución de Bernoulli o Binomial Puntual (n = 1)

Modela el resultado de un experimento aleatorio en una repetición aislada que arroja uno de dos resultados mutuamente excluyentes (éxito o fracaso):

P(A) = p y P(Ā) = 1 - p = q (donde p + q = 1)

• Esperanza: E(X) = p
• Variancia: V(X) = p × q
• Desviación: σ(X) = √(p × q)

Distribución Binomial

Se aplica cuando se realizan "n" repeticiones independientes bajo un esquema dicotómico, donde la probabilidad de éxito "p" permanece constante en cada prueba. La probabilidad de obtener "x" éxitos está dada por:

P(X = x) = (n sobre x) × pˣ × (1 - p)ⁿ⁻ˣ

• Esperanza: E(X) = n × p
• Variancia: V(X) = n × p × q
• Desviación estándar: σ(X) = √V(X)

Características de la Distribución Binomial

• Si p = q = 0.5, la distribución es simétrica.
• Si p < 0.5, presenta asimetría positiva (a la derecha).
• Si p > 0.5, presenta asimetría negativa (a la izquierda).

Distribución límite: Cuando "n" tiende al infinito y "p" se aproxima a 0.5, la distribución binomial converge hacia una distribución normal (cuando n > 30).

Distribución Hipergeométrica

Modela procesos de "n" repeticiones realizadas sin reemplazo, donde se contabilizan "x" éxitos provenientes de una población finita con características determinadas.

Distribución de Poisson

Describe la ocurrencia de sucesos discretos a lo largo de un intervalo continuo, bajo el supuesto de que la tasa de ocurrencia es constante y los eventos ocurren de manera independiente.

P(X = x) = (e⁻ᶫ × λˣ) / x!

Donde λ representa la esperanza del número de éxitos por unidad de medida y e es la constante matemática aproximada a 2.71828.

Variable Aleatoria Continua

Los valores que adopta una variable continua se representan mediante intervalos en el eje real, abarcando un conjunto infinito no numerable. Su representación gráfica se realiza a través de un histograma acompañado de su respectivo polígono de frecuencia relativa.

La función de densidad f(x) cumple con las siguientes condiciones:

• f(x) ≥ 0
• El área total bajo la curva es igual a 1: ∫ f(x) dx = 1

Distribución Normal

Es una de las herramientas más importantes de la estadística debido a que se aproxima de manera excelente a numerosas distribuciones de frecuencia empíricas y sirve como aproximación de otros modelos cuando los parámetros alcanzan valores elevados.

Su función de densidad es simétrica respecto a la media, con forma de campana y completamente determinada por su promedio (μ) y su desviación estándar (σ).

Propiedades de la Distribución Normal

• El intervalo [μ - σ, μ + σ] contiene aproximadamente el 68% de las observaciones.
• El intervalo [μ - 2σ, μ + 2σ] contiene aproximadamente el 95% de las observaciones.
• El intervalo [μ - 3σ, μ + 3σ] contiene aproximadamente el 99% de las observaciones.

Distribución Normal Estándar

Cuando una variable normal posee una media μ = 0 y una desviación estándar σ = 1, se denomina distribución normal estándar N(0, 1). Para su cálculo se realiza la estandarización mediante la variable Z:

Z = (X - μ) / σ

Los valores equivalentes se consultan directamente en las tablas estadísticas correspondientes.