Fundamentos de probabilidad · Definición

Espacio muestral

probabilidadfundamentos

Antes de asignar probabilidades hay que saber qué puede pasar: el espacio muestral es el punto de partida de toda la teoría.

Definición

Un espacio muestral \(\Omega\) es el conjunto de todos los resultados posibles \(\omega\) de un experimento aleatorio.

\[\Omega=\{\omega_1,\omega_2,\omega_3,\dots\}\]

Un experimento aleatorio es aquel cuyo resultado no se puede predecir con certeza, aunque se sepa de antemano qué resultados son posibles. Al conjunto de todos ellos lo llamamos \(\Omega\), y a cada elemento \(\omega\in\Omega\) un resultado. Los resultados deben ser exhaustivos (no falta ninguno) y mutuamente excluyentes (al realizar el experimento ocurre exactamente uno).

El espacio muestral depende de qué decidamos registrar. Al lanzar dos monedas, si anotamos la secuencia obtenemos \(\Omega=\{CC,CS,SC,SS\}\), con 4 elementos; si solo anotamos el número de caras, \(\Omega=\{0,1,2\}\). Ambas descripciones son válidas, pero conviene elegir la que permita responder lo que nos interesa sin perder información.

Según su tamaño, un espacio muestral puede ser finito (un dado), infinito numerable (el número de lanzamientos hasta obtener la primera cara: \(1,2,3,\dots\)) o infinito no numerable (un tiempo de espera, \([0,\infty)\)). Cuando se combinan experimentos, el conteo se multiplica: dos dados dan \(6\cdot 6=36\) pares ordenados.

Un error común es confundir el espacio muestral con un evento: \(\Omega\) contiene todos los resultados posibles, mientras que un evento, como «sale par», es solo una parte de él. En el siguiente concepto formalizamos esa idea.

Para pensar

Se lanzan dos dados y solo interesa si la suma es par. ¿Basta con \(\Omega=\{\text{par},\text{impar}\}\)?

Puede bastar para esa pregunta, pero oculta información y no permite calcular otras probabilidades; los 36 pares ordenados son una descripción más fina y más útil.

Ejercicios 10

Después de esto

Referencias

  • Joseph K. Blitzstein, Jessica Hwang, Introduction to Probability, 2nd edition, CRC Press, 2019. §1.2
  • Sheldon Ross, A First Course in Probability, 10th edition, Pearson, 2019. §2.2
  • Larry Wasserman, All of Statistics, 1st edition, Springer, 2004. §2.1