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, 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 elproducto 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
Podemos diferenciar entre dos tipos de espacios muestrales: discretos y continuos.
Discretos
Son aquellos espacios donde el nmero de sucesos elementales es finito o infinito numerable.
Espacio probabilstico discreto
Es aquel cuyo espacio muestral es discreto.Podemos diferenciar varios tipos de espacio
probabilstico discreto:
Espacio Probabilistico Discreto Equiprobable
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 Probabilistico Finito
Su espacio muestral es discreto finito.
Hay al menos 2 sucesos elementales que cumplen.
Procesos Estocasticos Finitos Y Diagramas de rbol
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 Probabilistico Infinito Contable
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
Son aquellos espacios donde el nmero de sucesos elementales es infinito incontable.
Espacio probabilstico continuoEspacio 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
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
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.
Teorema de Bayes
En la teora de la probabilidad el teorema de Bayes es un resultado enunciado por Thomas Bayes en
1763
1
que expresa la probabilidad condicional de un evento aleatorio A dadoB 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 . Entonces, la
probabilidad viene dada por la expresin:

donde:
son las probabilidades a priori.
es la probabilidad de en la hiptesis .
son las probabilidades a posteriori.

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

Aplicaciones
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 losclasificadores 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.