La teoría de la probabilidad es la parte de las matemáticas que se encarga del estudio de los
fenómenos o experimentos aleatorios. Por experimento aleatorio entenderemos todo aquel
experimento que cuando se le repite bajo las mismas condiciones iniciales, el resultado que se
obtiene no siempre es el mismo.
Propiedades elementales: A ∪ ∅ = A, A ∩ Ω = A, A ∩ ∅ = ∅, A ∪ A c = Ω, A ∪ Ω = Ω, A ∩ A c =
∅. Las operaciones unión e intersección son asociativas, esto es, satisfacen las siguientes
igualdades:
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
Suponga que se tiene la misma situación que antes, una urna con n objetos y de los cuales se
deben extraer, uno a uno, k objetos. Suponga esta vez que el muestreo es sin reemplazo, es decir,
una vez seleccionado un objeto este ya no se reincorpora a la urna. El total de arreglos distintos
que se pueden obtener de este modo es el número: n(n − 1)(n − 2)· · ·(n − k + 1). Primeramente
debemos observar que hay k factores en la expresión anterior. El primer factor es n y ello es debido
a que tenemos cualesquiera de los n objetos para ser colocado en primera posición, para la
segunda posición tenemos ahora n − 1 objetos, para la tercera n − 2 objetos, etc. Este
razonamiento termina al escoger el k-ésimo objeto para cual tenemos ´únicamente n − k + 1
posibilidades. Nuevamente por el principio multiplicativo, la respuesta es el producto indicado. La
expresión encontrada puede escribirse como sigue:
La pregunta básica acerca del total de formas en que podemos poner en orden lineal (uno detrás
de otro y por lo tanto no hay repetición) n objetos distintos tiene como respuesta el factorial de n,
denotado por n! y definido como sigue:
A este número también se le conoce como las permutaciones de n objetos, y se usa la notación
P(n) = n!. Adicionalmente y por conveniencia se define 0! = 1. Observe que las permutaciones de n
objetos es un caso particular de la situación mencionada en la sección anterior sobre ordenaciones
sin repetición pero ahora cuando la muestra es exhaustiva, es decir, cuando se extraen los n
objetos de la urna.
Para obtener arreglos en donde el orden no importa, debemos entonces dividir por k! La fórmula a
la que hemos llegado se llama combinaciones de n en k, que denotaremos como sigue:
Finalmente consideremos el caso de hacer k extracciones de una urna de n objetos con las
condiciones de que cada objeto extraído es regresado a la urna (y entonces puede ser elegido
nuevamente), y en donde el orden de la muestra no es relevante.
Distribuciones de probabilidad
Estas distribuciones son modelos particulares para asignar probabilidades a subconjuntos de
números reales. Empezaremos con las distribuciones de tipo discreto y continuaremos después
con las de tipo continuo. Es importante señalar que ´esta es solamente una lista parcial de algunas
distribuciones de probabilidad de mayor uso.
Distribución binomial:
Supongamos ahora que
tenemos una serie de n
ensayos independientes
Bernoulli en donde la probabilidad de éxito en cualesquiera de estos ensayos es p. Si denotamos
por E el resultado éxito y por F el resultado fracaso, entonces el espacio muestral consiste de todas
las posibles sucesiones de longitud n de caracteres E y F. Usando el principio multiplicativo, es fácil
ver que el conjunto Ω tiene 2n elementos. Si ahora definimos la variable aleatoria X como aquella
que cuenta el número de éxitos en cada una de estas sucesiones, esto es, X(EE · · · EE) = n, X(FE · · ·
EE) = n − 1, . . ., X(FF · · · FF) = 0, entonces tenemos que X puede tomar los valores 0, 1, 2, . . ., n con
las probabilidades que aparecen abajo. Decimos entonces que X tiene una distribución binomial
con parámetros n y p, y escribimos X ∼ bin(n, p).
Distribución binomial
negativa: Si en una
sucesión infinita de
ensayos Bernoulli la
variable aleatoria X cuenta el número de fracasos antes de obtener el r-ésimo éxito, entonces
decimos que X tiene una distribución binomial negativa con parámetros r y p, y escribimos X ∼ bin
neg(r, p). En este caso tenemos que X puede tomar los valores 0, 1, 2, . . . con probabilidades.
Distribución hipergeométrica:
Supongamos que tenemos un
conjunto de N objetos de los cuales K
son de una primera clase y N − K son
de una segunda clase. Supongamos
que de este conjunto tomamos una muestra aleatoria de tamaño n, la muestra es sin reemplazo y
el orden de los objetos seleccionados no importa. El espacio muestral de este experimento
consiste de todas las posibles muestras de tamaño n que se pueden obtener del conjunto mayor
de tamaño N. La cardinalidad del espacio muestral es ( Nn ) . Si para cada muestra definimos la
Distribución uniforme continua: Decimos que una variable aleatoria X tiene una distribución
uniforme continua en el intervalo (a, b), y escribimos X ∼ unif(a, b), cuando su función de densidad
es:
Distribución exponencial: Decimos que una variable aleatoria continua X tiene una distribución
exponencial con parámetro λ > 0, y escribimos X ∼ exp(λ), cuando su función de densidad es:
Distribución gama: La variable aleatoria continua X tiene una distribución gama con parámetros n
> 0 y λ > 0, y escribimos X ∼ gama(n, λ), si su función de densidad es:
En la expresión anterior aparece el termino Γ(n). Esta es la función gama que se define como la
siguiente integral:
para cualquier número real n tal que esta integral sea convergente. Esta función no es el tipo de
funciones a las que estamos acostumbrados en los cursos de matemáticas en donde regularmente
se conoce la expresión exacta de una cierta función y se utiliza esta expresión para evaluarla. En
este caso, para evaluar la función gama es necesario substituir el valor de n en el integrando y
efectuar la integral infinita. Afortunadamente no evaluaremos esta integral para cualquier valor de
n, sólo para algunos pocos valores, principalmente enteros, y nos ayudaremos de las siguientes
propiedades:
Distribución beta: Decimos que la variable aleatoria continua X tiene una distribución beta con
parámetros a > 0 y b > 0, y escribimos X ∼ beta(a, b), cuando su función de densidad es:
El término B(a, b) se conoce como la función beta, y de allí adquiere su nombre esta distribución.
La función beta se define como sigue:
para números reales a > 0 y b > 0. Esta función está relacionada con la función gama a través de la
identidad: