-
Notifications
You must be signed in to change notification settings - Fork 0
/
APUNTES-NO-PARAMETRICA.Rmd
863 lines (667 loc) · 27.2 KB
/
APUNTES-NO-PARAMETRICA.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
---
title: "Apuntes - Estadística No Paramétrica"
author: "Víctor E. Acaro B."
date: "Abril, 18 del 2024"
output:
bookdown::gitbook:
number_sections: true
config:
download: ["pdf", "epub"]
---
# Probabilidad
## Espacio muestral
**Definición** Sea *E* un experimento no determinístico, entonces $\Omega$ es el conjunto de todos los posibles resultados de *E*.
**Ejemplos:**
1. Experimento: lanzar una moneda
\[
\Omega = \{cara, sello\}
\]
2. Experimento: lanzar un dado
\[
\Omega = \{1,2,3,4,5,6\}
\]
3. Experimento: una rifa
\[
\Omega = \{\textit{númeroos de los boletos vendidos}\}
\]
## Conjunto Potencia o Partes de $\Omega$
\[
\mathscr{P}(\Omega)=2^{\Omega}=\{A\mid A\subseteq \Omega\}
\]
**Ejemplos:**
1. Experimento: lanzar una moneda
\[
\mathscr{P}(\Omega)=2^{\Omega}=\{ \emptyset,\{cara\},\{sello\},\{cara, sello\} \}
\]
\[
Cardinalidad \,\, \mathscr(\mathscr{P}(\Omega))=4
\]
2. Experimento: lanzar un dado
\[
\mathscr{P}(\Omega)=2^{\Omega}=\{ \emptyset,\{1\},\{2\},\{3\}, .... ,\Omega,\emptyset \}
\]
\[
Cardinalidad \,\, \mathscr(\mathscr{P}(\Omega))=64
\]
## Sigma Álgebra
**Definición** Sea $\Omega$ un conjunto fundamental de resultados de un experimento no determinístico específico, entonces,
\[
\mathscr{P}(\Omega) \textit{es una} \,\, sigma - álgebra
\]
que verifica las siguientes propiedades:
1. $\Omega \in \mathscr{P}(\Omega)$
2. $\forall \in \mathscr{P}(\Omega) \Rightarrow A^{c} \in \mathscr{P}(\Omega)$
3. $\forall A_1,A_2, \ldots , A_n \in \mathscr{P}(\Omega) \Rightarrow
\bigcup A_i \in \mathscr{P}(\Omega)$
**Ejemplo:**
Sea $\mathscr{F}=\{ \Omega, \emptyset \}$ una familia de conjuntos. Probar que esta familia $\mathscr{F}$ es una $\textit{sigma-álgebra}$.
1. Se conoce que $\Omega \in \mathscr{F}$, por tanto, se cumple la primera propiedad.
2. $\Omega \in \mathscr{F} \Rightarrow \Omega^{c}= \emptyset \in \mathscr{F}$ y $\emptyset \in \mathscr{F} \Rightarrow \emptyset^{c} = \Omega \in \mathscr{F}$, por tanto, se cumple la segunda propiedad.
3. $\Omega \cup \emptyset = \Omega \in \mathscr{F}$
## Evento
**Definición** Sea $\Omega$ un conjunto fundamental de resultados de un experimento no determinístico determinado y $\mathscr{P}(\Omega)$ un $\textit{sigma-álgebra}$, entonces,
\[
\forall A \in \mathscr{P}(\Omega)
\]
es un Evento.
### Preguntas
| Pregunta | Respuesta |
|----------------|----------------|
| ¿Qué es un $\textit{sigma-álgebra}$? | Familia de subconjuntos de $\Omega$ |
|¿Qué se verifica al tratarse de un $\textit{sigma-álgebra}$? |Se verifica las operaciones de conjuntos. |
|¿Qué es un Evento? |Cualquier subconjunto de $\Omega$, es un Evento. Es decir, todo subconjunto del conjunto fundamental de resultados, es un Evento |
## Álgebra de Eventos
1. $\forall A,B \in \mathscr{P}(\Omega)$, es decir, $A \cup B = \{ x \mid x \in A \vee x \in B\}$
2. $\forall A,B \in \mathscr{P}(\Omega)$, es decir, $A \cap B = \{ x \mid x \in A \wedge x \in B\}$
3. $\forall A,B \in \mathscr{P}(\Omega)$, es decir, $A - B = \{ x \mid x \in A \wedge x \notin B\}$
4. $\forall A \in \mathscr{P}(\Omega)$, es decir, $A^{c} = \{ x \mid x \notin A \wedge x \in \Omega\}$
5. $\forall A,B \in \mathscr{P}(\Omega)$, es decir, $A \triangle B = (A-B) \cup (B-A) \equiv A \triangle B = (A \cup B) - (A \cap B)$
6. $\forall A \in \mathscr{P}(\Omega)$, es decir, $(A \cup B)=A^c \cap B^c$
## Espacio Medible
**Definición** Sea $\Omega$ un conjunto fundamental de resultados de un experimento no terminístico y $\mathscr{P}(\Omega)$, entonces, la dupla
\[
(\Omega, \mathscr{P}(\Omega))
\]
es un Espacio Medible. Donde: $\Omega$ es el Conjunto fundamental de resultados y $\mathscr{P}(\Omega) \,\, \textit{sigma-álgebra}$
## Función de Probabilidad
**Definición** Sea $(\Omega, \mathscr{P}(\Omega))$ un espacio medible, etnonces, la función definida por
\[
\mathbf{P}: \mathscr{P}(\Omega) \rightarrow [0,1]
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, A \mapsto \mathbf{P}(A)
\]
## Propiedades que cumple la Función de Probabilidad - Axiomas de Kolmogorov
1. $\mathscr{P}(\Omega)=1$, es decir, $\Omega$ evento seguro
2. $\mathscr{P}(\emptyset)=0$, es decir, $\emptyset$ evento imposible
3. $\mathscr{P}(A^c)=1-\mathscr{P}(A)$
4. $\forall A,B \in \mathscr{P}(\Omega)$
\[
\mathbf{P}(A \cup B)=\mathbf{P}(A)+\mathbf{P}(B)
\]
si y solo si, $A$ y $B$ son independientes,
\[
\mathbf{P}(A \cup B)=\mathbf{P}(A)+\mathbf{P}(B)-\mathbf{P}(A \cap B)
\]
si y solo si, $A$ y $B$ no son independientes, o dependientes.
**Ejercicio:**
Sea $A,B \in \mathscr{P}(\Omega)$ donde $A = \emptyset$ y $B \neq \emptyset$. Calcular la probabilidad de $A \cap B$.
Tenemos:
\[
A \cap B = \emptyset \cap B = \emptyset
\]
finalmente,
\[
\mathbf{P}(A \cap B) = \mathbf{P}(\emptyset) = 0
\]
## Espacio de Probabilidad
**Definición** Sea $(\Omega, \mathscr{P}(\Omega))$ un espacio medible y $\mathbf{P}$ la función de probabilidad definida en este espacio, entonces, la tripleta
\[
(\Omega, \mathscr{P}(\Omega), \mathbf{P})
\]
se le llama, Espacio de Probabilidad.
**Ejemplo:**
- Experimento: lanzar una moneda
\[
\Omega = \{cara, sello \}
\]
\[
\mathscr{P}(\Omega) = \{\Omega, \emptyset, \{cara\}, \{sello\} \}
\]
siendo,
\[
(\Omega, \mathscr{P}(\Omega), \mathbf{P})
\]
un espacio de probabilidad,
\[
\mathbf{P}: \mathscr{P}(\Omega) \rightarrow [0,1]
\]
por Axiomas de Kolmogorov,
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, \Omega \mapsto \mathbf{P}(\Omega) = 1
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, \emptyset \mapsto \mathbf{P}(\emptyset) = 0
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, \{cara\} \mapsto \mathbf{P}(\{cara\}) = \frac{1}{2}
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, \{sello\} \mapsto \mathbf{P}(\{sello\}) = \frac{1}{2}
\]
## Teorema de Equiprobabilidad
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un espacio de probabilidad donde $\Omega = \{x_1,x_2, \dotsc , x_n\}$ y $\mathbf{P}(\{x_1\})=\mathbf{P}(\{x_2\})= \dotsc =\mathbf{P}(\{x_n\})$, entonces,$\forall i = \overline{i,n} \mid \mathbf{P}(\{x_i\}) = \frac{1}{n}$.
$\underline{Demostración:}$
tenemos, $\Omega = \{x_1,x_2, \dotsc , x_n\}, \mathscr{C}(\Omega) = n$ y $\mathscr{P}(\Omega) = \mathscr{P}(\{x_1,x_2, \dotsc , x_n\})$
mediante,
\[
\mathscr{P}(\Omega) = \mathscr{P}(\{x_1,x_2, \dotsc , x_n\}) \equiv 1 = \mathscr{P}(\{x_1\}\cup\{x_2\}\cup \dotsc \cup \{x_n\})
\]
como, $\{x_1,x_2, \dotsc , x_n\}$ son independientes entre sí,
\[
\mathscr{P}(\Omega) = \mathscr{P}(\{x_1,x_2, \dotsc , x_n\}) \equiv 1 = \mathscr{P}(\{x_1\} + \mathscr{P}(\{x_2\} + \dotsc + \mathscr{P}(\{x_n\}
\]
\[
\mathscr{P}(\Omega) = \mathscr{P}(\{x_1,x_2, \dotsc , x_n\}) \equiv \forall i = \overline{i,n} 1 : n \mathscr{P}(\{x_n\}
\]
\[
\mathscr{P}(\Omega) = \mathscr{P}(\{x_1,x_2, \dotsc , x_n\}) \equiv \mathscr{P}(\{x_i\})=\frac{1}{n}
\]
## Proposición
Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un Espacio de Probabilidad, entonces,
\[
\forall A \in \mathscr{P}(\Omega) \mid A=\{x_1,x_2, \ldots, x_k\} \,\textit{y}\,\, \Omega=\{x_1,x_2, \ldots, x_n\}
\]
donde, $k \leq n$, se tiene que
\[
\mathbf{P}(A)=\frac{\mathscr{C}(A)}{\mathscr{C}(\Omega)}=\frac{k}{n}
\]
**Ejercicio:**
Ejemplo: lanzar dos monedas. Calcular, la probabilidad de tener al menos una cara.
$\underline{Tenemos:}$
\[
\Omega=\{(cara, cara)(sello, sello)(cara, sello)(sello, cara)\}
\]
\[
\mathscr{P}(\Omega)=\{\Omega, \emptyset, \{(cara, cara)(sello, cara)\},\{(cara, cara)\}, \ldots\}
\]
\[
\mathscr{C}(\Omega)=2^4=16
\]
$\underline{Ahora}$
\[
A=\{\textit{Obtener al menos una cara}\}
\]
\[
A=\{(cara, cara)(cara, sello)\}
\]
\[
\mathscr{C}(A)=2^2=4
\]
$\underline{Finalmente,}$
\[
\mathbf{P}(A)=\frac{\mathscr{C}(A)}{\mathscr{C}(\Omega)}=\frac{2}{4}=\frac{1}{2}
\]
## Probabilidad Condicional
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un Espacio de Probabilidad, entonces,
\[
\forall A,B \in \mathscr{P}(\Omega): \mathbf{P}(A\mid B)=\frac{\mathbf{P}(A\cap B)}{\mathbf{P}(B)}
\]
donde $\mathbf{P}(B)\neq 0$
\[
\,\, \mathbf{P}(B\mid A)=\frac{\mathbf{P}(A\cap B)}{\mathbf{P}(A)}
\]
donde $\mathbf{P}(A)\neq 0$
*Al tener Probabilidad Condicionada, nos podemos preguntar:* **¿Cuál es la Probabilidad de que exista algo de A en B?**
**Ejercicio:**
Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un Espacio de Probabilidad, entonces. Si $A = \emptyset, B\neq \emptyset$. Calcular la probabilidad conjunta de $\mathbf{P}(A\mid B)$ y $\mathbf{P}(B\mid A)$.
\[
\mathbf{P}(A\mid B)=\frac{\mathbf{P}(A\cap B)}{\mathbf{P}(B)}=\frac{\mathbf{P}(\emptyset)}{\mathbf{P}(B)}=0
\]
\[
\mathbf{P}(B\mid A)=\frac{\mathbf{P}(A\cap B)}{\mathbf{P}(A)}=\frac{\mathbf{P}(\emptyset)}{\mathbf{P}(\emptyset)}=\frac{0}{0}= \textbf{Ind.}
\]
## Independiencia de Eventos
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un Espacio de Probabilidad. Donde, si $\mathbf{P}(A\cap B)=\mathbf{P}(A)\cdot \mathbf{P}(B)$, entonces, $A$ y $B$ son eventos independientes.
## Probabilidad Total
<div style="text-align:center;">
![<small>Teorema Probabilidad Total</small>](probabilidad_total.jpg)
</div>
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$, tal que, $\Omega = \bigcup A_i \,\,$; $\,\forall A_i,A_j: A_i \cap A_j=\emptyset\,\, y\,\, i \neq j$. Probemos, $\mathbf{P}(B)$.
$\underline{Tomemos:}$
\[
\mathbf{P}(B)=\mathbf{P}((B\cap A_1)\cup(B\cap A_2)\cup \cdots \cup (B\cap A_n))
\]
como, sabemos que los eventos $\forall A_i \mid i:\overline{i,n}$ son independientes,
\[
\mathbf{P}(B)=\mathbf{P}(B\cap A_1)+\mathbf{P}(B\cap A_2)+ \cdots + \mathbf{P}(B\cap A_n)
\]
tengamos en cuenta lo siguiente,
\[
\mathbf{P}(B\mid A_1)=\frac{\mathbf{P}(B\cap A_1)}{\mathbf{P}(A_1)}
\]
\[
\mathbf{P}(B\mid A_2)=\frac{\mathbf{P}(B\cap A_2)}{\mathbf{P}(A_2)}
\]
\[
\vdots
\]
\[
\mathbf{P}(B\mid A_n)=\frac{\mathbf{P}(B\cap A_n)}{\mathbf{P}(A_n)}
\]
por tanto,
\[
\mathbf{P}(B)=\mathbf{P}(B\mid A_1)\cdot \mathbf{P}(A_1)+\mathbf{P}(B\mid A_2) \cdot \mathbf{P}(A_2)+ \cdots +\mathbf{P}(B\mid A_n)\cdot \mathbf{P} (A_n)
\]
Finalmente,
\[
\mathbf{P}(B)=\sum_{i=1}^{n}{\mathbf{P}(B\mid A_i) \cdot \mathbf{P}(A_i)}
\]
**Ejemplo:**
Experimento, al azar un estudiante de séptimo semestre paralelo 1. Calcular la Probabilidad de que es estudiante viva en el Sur de la ciudad. Sabemos que, estudiantes hombres son 7 y mujeres 8. Además, sabemos que el númeroo de hombres que vive en el Sur es de 3 y el númeroo de muejeres que vive en el Sur es 2. Consideremos el Evento $B=\{\textit{Estudiante que vive en el Sur de la ciudad}\}$.
$\underline{Tenemos:}$
\[
\mathbf{P}=\sum_{i=1}^{2}{\mathbf{P}(B \mid A_i)\cdot \mathbf{P}(A_i)}
\]
es decir,
\[
\mathbf{P}=\mathbf{P}(B \mid H)\cdot \mathbf{P}(H)+\mathbf{P}(B \mid M)\cdot \mathbf{P}(M)
\]
recordemos que, $\mathbf{P}(B \mid H)$ es la probabilidad del Evento B dado que sea hombre, sino también, la probabilidad de que exista una persona que viva en el Sur y este debe ser hombre.
\[
\mathbf{P}=\frac{3}{7}\cdot \frac{7}{15}+\frac{2}{8}\cdot \frac{8}{15}
\]
\[
\mathbf{P}=\frac{1}{3}
\]
por tanto, hay $\frac{1}{3}$ de probabilidad, que al seleccionar de forma aleatoria un estudiante este viva en el Sur y sea hombre.
### Teorema de Bayes
Usemos la gráfica anterior.
<div style="text-align:center;">
![<small>Teorema Probabilidad Total</small>](probabilidad_total.jpg)
</div>
Ahora, para conocer a Bayes. Se nos pide hallar $\mathbf{P}(A_j\mid B)$ donde $i \neq j$. Y recordemos que los Eventos son independientes.
$\underline{\textit{Samemos que:}}$
\[
\mathbf{P}(A_j\mid B)=\frac{\mathbf{P}(A_{j}\,\cap B)}{\mathbf{P}(B)}
\]
y de Probabilidad Total, tenemos
\[
\mathbf{P}(A_j\mid B)=\frac{\mathbf{P}(A_{j}\cap B)}{\sum_{i=1}^{n}{\mathbf{P}(B \mid A_i)\cdot \mathbf{P}(A_i)}}
\]
finalmente, junto a $\mathbf{P}(B\mid A_j)=\frac{\mathbf{P}(A_{j}\,\cap B)}{\mathbf{P}(A_j)}$
\[
\mathbf{P}(A_j\mid B)=\frac{\mathbf{P}(B\mid A_j)\cdot \mathbf{P}(A_j) }{\sum_{i=1}^{n}{\mathbf{P}(B \mid A_i)\cdot \mathbf{P}(A_i)}}
\]
**Experimento:** Calcular la probabilidad de que al azar se obtenga a una estudiante que viva en el Sur de la ciudad. Recordemos el ejercicio anterior, $B=\{\textit{Estudiante que vive en el Sur de la ciudad}\}$.
\[
\mathbf{P}(M\mid B)=\frac{\mathbf{P}(M\,\cap B)}{\mathbf{P}(B)}
\]
\[
\mathbf{P}(M\mid B)=\frac{\mathbf{P}(M\mid B)\cdot \mathbf{P}(M)}{\mathbf{P}(B)}
\]
\[
\mathbf{P}(M\mid B)=\frac{\frac{2}{8}\cdot\frac{8}{15}}{\frac{1}{3}}
\]
\[
\mathbf{P}(M\mid B)=\frac{2}{5}
\]
## Variables Aleatorias
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un Espacio de Probabilidad, entonces, la función definida por:
\[
X: \Omega \rightarrow \mathbb{R}_x \subseteq \mathbb{R}
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, \omega \mapsto X(\omega)
\]
es una Variable Aleatoria.
**Ejemplo** \
Experimento: lanzar dos monedas \
$\underline{Tenemos:}$ \
\[
\Omega=\{(cara, cara)(sello, sello)(cara, sello)(sello, cara)\}
\]
\[
X: \textit{Mide el númeroo de caras}
\]
recordemos que $X$, tiene una naturaleza, es lo que indica su variable: edad, peso, etc.
\[
X: \Omega \rightarrow \mathbb{R}_x \subseteq \mathbb{R}
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, (cara, cara) \mapsto X((cara, cara)) = 2
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, (cara, sello) \mapsto X((cara, sello)) = 1
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, (sello, cara) \mapsto X((sello, cara)) = 1
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, (sello, sello) \mapsto X((sello, sello)) = 0
\]
## Ley de Probabilidades de una Variable Aleatoria
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un Espacio de Probabilidad y $X$ una Variable Aleatoria definida en este espacio, entonces, la función definida por
\[
f: \mathbb{R}_x \rightarrow [0, 1]
\]
\[
\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\, x \mapsto f(x)
\]
se le conoce como la Ley de Probabilidad de la Variable Aleatoria $X$.
### Tipos de Variables Aleatorias
**Variable Aleatoria Discreta:** Si $\mathbb{R}_x$ es un conjunto finito o infinito NUMERABLE. \
**Variable Aleatoria Continua:** Si $\mathbb{R}_x$ es un conjunto finito o infinito NO NUMERABLE.
## Propiedades de las Variables Aleatorias
Si $X$ es una *Variable Aleatoria Discreta*,
+ $\sum_{i=1}^{n}{f(x_i)=1}$
+ $0\leq f(x_i) \leq 1$
Si $X$ es una *Variable Aleatoria Continua*,
+ $\int_{- \infty}^{\infty}{f(x)\, dx=1}$
+ $0\leq f(x) \leq 1$
$\underline{\textit{Caso Discreto}}$ \
**Ejemplo** \
Experimento: lanzar dos monedas \
$\underline{Tenemos:}$ \
\[
\Omega=\{(cara, cara)(sello, sello)(cara, sello)(sello, cara)\}
\]
\[
X: \textit{Mide el número de caras}
\]
| $\Omega$ | $X$ | Ley de Probabilidades |
|----------------|----------------|----------------|
| $(cara, cara)$| 2 |$\mathbf{P}(X=0)=\frac{1}{4}$ |
| $(sello, cara)$| 1 |$\mathbf{P}(X=1)=\frac{1}{4}$ |
| $(cara, sello)$| 1 |$\mathbf{P}(X=1)=\frac{1}{4}$ |
| $(sello, sello)$| 0 |$\mathbf{P}(X=2)=\frac{1}{4}$ |
```{r Gráfica - Ley de Probabilidades}
# Generando los valores
x <- c(0, 1, 2)
y <- c(1/4,1/2,1/4)
# Generando la gráfica
plot(x, y, main = " Representación Ley de Probabilidades",
xlab = "Valores - Conjunto Fundamental de Resultados dado X",
ylab = "Probabilidad",
type = "b", col = "black")
abline(h = 0.5, lty = 3, col = "blue")
```
$\underline{\textit{Caso Continuo}}$ \
**Ejemplo** \
Sea $X$ una Variable Aleatoria Continua con la Ley de Probabilidad definida por,
\[
f(x)= \begin{cases}
\frac{1}{b-a} & \text{si } x \in [a, b] \\
0 & \text{caso contrario }
\end{cases}
\]
Probar que $f(x)$ es una Ley de Probabilidades. Para ello, basta con probar sus características.
$\textit{Probemos entonces}$
\[
\int_{-\infty}^{\infty}f(x) dx = 1
\]
por tanto,
\[
\int_{-\infty}^{\infty}f(x) dx = \int_{-\infty}^{a}f(x) dx+\int_{a}^{b}f(x) dx+\int_{b}^{\infty}f(x) dx
\]
conocemos, por su definición que $\int_{-\infty}^{a}f(x) dx$ y $\int_{b}^{\infty}f(x) dx$ son cero, entonces,
\[
\int_{-\infty}^{\infty}f(x) dx = \int_{a}^{b} \frac{1}{b-a} dx
\]
\[
\int_{-\infty}^{\infty}f(x) dx = \frac{1}{b-a} \cdot x \bigg|_{a}^{b}
\]
\[
\int_{-\infty}^{\infty}f(x) dx = \frac{b-a}{b-a}
\]
\[
\int_{-\infty}^{\infty}f(x) dx = 1
\]
## Varianza de la Variable Aleatoria X
**Definición** Sea $(\Omega, \mathscr{P}(\Omega), \mathbf{P})$ un espacio de probabilidad, entonces, la varianza de una variable aleatoria $X$, está dada por
\[
V(X)=E(X-E(X))^2
\]
### Propiedades de la Varianza Aleatoria de X
Sea $X, Y$ variables aleatorias y $k \in \mathbb{R}$ una constante,
1. $V(k\cdot X)=k^2\cdot V(X)$
2. $V(X+Y)=V(X)+V(Y)+cov(X,Y)$, si $X, Y$ son dependientes
$V(X+Y)=V(X)+V(Y)$, si $X, Y$ son independientes
3. $V(X)=E(X^2)-E^2(X)$
$\textit{Caso Discreto}$ \
**Ejemplo** \
Experimento: lanzar dos monedas \
$\underline{Tenemos:}$
\[
\Omega=\{(cara, cara)(sello, sello)(cara, sello)(sello, cara)\}
\]
$X:$ indica el número de caras
| $\Omega$ | $X$| $f(x)$|$F(x)$|$E(X)$|$E(X^2)$|
|----------------|----------------|----------------|----------------|----------------|----------------|
| $(sello, sello)$|0| $\frac{1}{4}$|$\frac{1}{4}$|$0$|$0^2 \cdot \frac{1}{4}$|
| $(cara, sello), (sello, cara)$|1| $\frac{1}{4}$|$\frac{3}{4}$|$\frac{2}{4}$|$1^2\cdot \frac{2}{4}$|
| $(cara, cara)$|2| $\frac{1}{4}$|$1$|$\frac{2}{4}$|$2^2\cdot \frac{1}{4}$|
luego,
\[
V(X)=E(X^2)-E^2(X)
\]
\[
V(X)=\frac{3}{2}-1=\frac{1}{2}
\]
$\textit{Caso Continuo}$ \
Sea una Variable Aleatoria Continua una función densidad,
\[
f(x)= \begin{cases}
\frac{1}{b-a} & \text{si } x \in [a, b] \\
0 & \text{caso contrario }
\end{cases}
\]
Calcular la $V(X)$. \
Por ejercicios anteriores, sabemos que $E(X)=\frac{b+a}{2}\,\,\, (1)$ \
luego,
\[
E(X^2)=\int_{-\infty}^{\infty}{x^2f(x)dx}=\int_{a}^{b}{x^2\cdot \left(\frac{1}{b-a}\right)dx}
\]
\[
E(X^2)=\frac{1}{3(b-a)}x^3 \bigg|_a^b=\frac{b^2+ab+a^2}{3}
\]
de lo anterior y junto con $(1)$
\[
E(X)=\frac{b^2+ab+a^2}{3}-\left(\frac{b+a}{2} \right)^2
\]
finalmente,
\[
E(X)=\frac{(b-a)^2}{12}
\]
## Principales Distribuciones de Probabilidad con Variable Aleatoria Discreta
### Distribución de Bernoulli
\[
X \sim \textit{Bernoulli}(\mathcal{p})
\]
cuando:
+ $X:$ indica el éxito
+ $\mathcal{p}=\mathbf{P}(éxito)$
+ $1-\mathcal{p}= \mathbf{P}(fracaso)=\mathcal{q}$
| $\Omega$ | $X$| $f(x)$|$F(x)$|$E(X)$|$E(X^2)$|
|----------------|----------------|----------------|----------------|----------------|----------------|
| Fracaso|0| $\mathbf{P}(X=0)=\mathcal{q}$|$\mathcal{q}$|$0 \cdot \mathcal{q}$|$0^2 \cdot \mathcal{q}$|
| Éxito|1| $\mathbf{P}(X=1)=\mathcal{p}$|$\mathcal{p}+ \mathcal{q}$|$1 \cdot \mathcal{p}$|$1^2 \cdot \mathcal{p}$|
$E(X)=\mathcal{p}$ \
$V(X)=\mathcal{p}\cdot \mathcal{q}$
**Ejemplo** \
Experimento: calcular la probabilidad de que al seleccionar a un estudiante, este estudiante sea mujer. \
$\underline{\textit{Sabemos}}$ la probabilidad de las mujeres es $\frac{10}{15}$. Para obtener tal proporción, se pidió a un grupo de personas $(total=15)$ se enumeren y posteriormente, se clasificó en mujeres $(10)$ y hombres $(5)$.
| | $X$|$\mathbf{P}(X=x) = f(x)$ |
|----------------|----------------|----------------|
|Mujeres |1 | $p=\frac{10}{15}$ |
|Hombres | 0 | $q=\frac{5}{15}$|
### Distribución Binomial
\[X \sim \mathbf{B}(n, p) \]
Donde:
+ $X:$ indica el número de éxitos al realizar n-veces el experimento.
+ $p:$ probabilidad de éxito (debe determinarse).
$\textit{Demostración:}$ partamos, que Binomial se deduce de Bernoulli, entonces realizaremos n-veces el experimento con sus respectivos éxitos $E$ y fracasos $F$,
\[\mathbf{P}(E\cdot E\cdot F \ldots F\cdot F\cdot E) = \mathbf{P}(E) \cdot \mathbf{P}(E) \ldots \mathbf{P}(F) \cdot \mathbf{P}(E)\]
\[\mathbf{P}(X=k) = p\cdot p \ldots q \cdot q = p^k \cdot q^{n-k} \]
finalmente,
\[\mathbf{P}(X=k)= \binom{n}{k}\, p^k \cdot q^{n-k} = f(k)\]
Siguiendo el cálculo de la Esperanza Matemérica y Varianza, obtenemos: \
$E(X)= n \cdot p$ \
$V(X)=n\cdot p \cdot q$
**Ejercicio** \
Considere lo siguiente: \
la proporción de mujeres en una aula de clases es $\frac{10}{15}$ y la variable aleatoria sigue una distribución de probabilidad $X \sim \mathbf{B}(n,p)$. En base a los datos proporcionados. ¿Cuál es la probabilidad de tener en los cinco estudiantes seleccionados dos de los seleecionados sean mujeres?. \
Recordemos, que la variable aleatoria $X \sim \mathbf{B}(n,p)$, entonces \
$\mathbf{P}(X=x)= \binom{n}{x} \, p^{x} \cdot q^{n-k}$ \
$\mathbf{P}(X=2)= \binom{5}{2} \, \left( \frac{10}{15} \rigth)^{x} \cdot \left( 1- \frac{10}{15} \right)^{n-k}$ \
$\mathbf{P}(X=2)= \left(0,16 \right)$ \
Calculemos el valor más probable de obtener (Esperanza Matemática), \
$\mathbf{B}(X)= n \cdot p = 5 \cdot \frac{10}{15} = 3,33$
```{r Ejemplo_Binomial, warning=FALSE, message=FALSE}
# Cálculo de probabilidad, con función de R
# Datos
n <- 5
p <- 10/15
x <- 2
cat( "El valor de la probabilidad es: ",dbinom(x, n, p))
cat("La Esperanza Matemática es:", n*p)
# Gráfica de Distribución Binomial Densidad
plot(1:n, dbinom(x, 1:n, p), main = "Distribución Binomial Densidad",
xlab = "Valores de x", ylab = "Valores de f(x)",
type = "b", col = "red")
abline(v = n*p, lty = 3, col = "blue")
# Gráfica de Distribución Binomial Acumulada
plot(1:n, pbinom(x, 1:n, p), main = "Distribución Binomial Acumulada",
xlab = "Valores de x", ylab = "Valores de F(x)",
type = "b", col = "red")
abline(h = 1, lty = 3, col = "blue")
```
### Distribución Geométrica
\[X \sim \mathbf{G}(p) \]
Donde:
+ $X:$ indica el número de veces que hay que realizar el experiemnto, hasta obtener el primer éxito.
+ $p:$ probabilidad de éxito.
La expresión matemática de la Distribución Geométrica,
\[\mathbf{P}(X=x)= q^{x-1} p\]
La Esperanza Matemática y su Varianza, son: \
$E(X)= \frac{1}{p}$ \
$V(X)= \frac{1-p}{p^2}$
**Ejercicio** \
Considere lo siguiente: \
la proporción de mujeres en una aula de clases es $\frac{10}{17}$ y la variable aleatoria sigue una distribución de probabilidad $X \sim \mathbf{G}(p)$. En base a los datos proporcionados. ¿Cuál es la probabilidad de que al tercer intento de escoger un estudiante, sea mujer?. \
$\underline{Tenemos:}$ \
```{r Geométrica, message=FALSE, error=FALSE, warning=FALSE}
# Probabilidad de mujeres 10/17
# Usaremos la función por defecto en R
dgeom(x = 3-1, prob = 10/17)
# Al usar la función en R para esta distribución. Tener en cuenta su ecuación,
# ya que la función considere 'x' y no 'x-1' como mencionan los textos.
# Grafiquemos
# Función Densidad
x = seq(1,3)
plot(x, y = dgeom(x-1, prob = 10/17),
main = "Distribución Función Densidad - Geométrica",
xlab = "Eje x",
ylab = " ",
type = "b")
abline(v = 1/(10/17), col = "red")
# Función Acumulada
plot(x, pgeom(x-1, prob = 10/17),
main = "Distribución Función Acumulada - Geométrica",
xlab = "Eje x",
ylab = " ",
type = "b")
abline(h = 1, col = "red")
```
Dada una proporción del $58,82 \%$, se espera que al tercer intento de seleccionar a un alumno y que esta sea mujer es del $0,0997$ o $9,97 \%$.
### Distribución Poisson
\[X \sim \mathbf{P}(\lambda) \]
Donde:
+ $X:$ indica el número de éxitos al realizar un número indeterminado de veces el experimento de Bernoulli.
+ $\lambda :$ indica el número de eventos que se dan en una unidad de tiempo geográfica.
La expresión matemática de la Distribución Geométrica,
\[\mathbf{P}(X=x)= \frac{\lambda^x}{x!} \cdot e^{-\lambda} \]
La Esperanza Matemática y su Varianza, son: \
$E(X)= \lambda$ \
$V(X)= \lambda$
**Ejercicio** \
Se determina que el número de clientes que pueden ser atendidos por una ventanilla de una banco, es de $3 \frac{clientes}{minutos}$. Calcular, la probabilidad de que la ventanilla, según lo determinado atienda a $2 \frac{clientes}{minutos}$. \
```{r Poisson, message=FALSE, error=FALSE, warning=FALSE}
dpois(x = 2, lambda = 3)
# Grafiquemos
# Función Densidad
x <- 0:10 # Valores de x para los que se calculará la densidad de Poisson
lambda <- 3 # Parámetro lambda de la distribución de Poisson
# Calcula la densidad de Poisson para cada valor de x
densidad <- dpois(x, lambda)
# Grafica la función de densidad de Poisson
plot(x, densidad, type = "b", main = "Función de Densidad de Poisson", xlab = "x", ylab = "Densidad")
abline(v = lambda, col = "red")
# Función Acumulada
# Calcula la función de distribución acumulada de Poisson para cada valor de x
acumulada <- ppois(x, lambda)
# Grafica la función de distribución acumulada de Poisson
plot(x, acumulada, type = "b", main = "Función de Distribución Acumulada de Poisson", xlab = "x", ylab = "Probabilidad Acumulada")
abline(h=1, col = "red")
```
Del resultado, tenemos que el $22,40 \%$ la ventanilla a evaluar esté atendiendo a $2 \frac{clientes}{minutos}$.
### Distribución Hipergeométrica
\[X \sim \mathbf{HG}(N,K,n) \]
Donde:
+ $X:$ indica el número de elementos de la categoría o grupo de interés (a) seleccionados de entre los (n) escogidos.
+ $N: N = a + b$
La expresión matemática de la Distribución Hipergeométrica,
\[\mathbf{P}(X=x)= \frac{\binom{a}{x} \binom{n}{n-x}}{\binom{N}{n}}\]
La Esperanza Matemática y su Varianza, son: \
$E(X)= \frac{n \cdot a}{N}$ \
$V(X)= \frac{n \cdot a}{N} \cdot \frac{N-a}{N} \cdot \frac{N-n}{N-1}$
**Ejercicio** \
Calcular la probabilidad de tener 2 hombres de entre los 5 seleccionados. Teniendo en cuenta que $n=5$, el total de hombres es $7$ y de mujeres $10$.
```{r HiperGeométrica}
# Parámetros
n_hombres <- 7
n_mujeres <- 10
total_personas <- n_hombres + n_mujeres
n_seleccionados <- 5
x <- 2 # Número de hombres que queremos en la muestra
# Cálculo de la probabilidad hipergeométrica
probabilidad <- dhyper(x, n_hombres, n_mujeres, n_seleccionados)
probabilidad
```
La probabilidad de obtener $2$ hombres de un grupo de $5$ personas seleccionadas, es del $40,72 \%$.
```{r}
# Gráficas para Dist. Hipergeométrica
# Valores posibles de x (número de hombres en la muestra)
x_vals <- 0:n_seleccionados
# Función de densidad
densidad <- dhyper(x_vals, n_hombres, n_mujeres, n_seleccionados)
# Graficar la función de densidad
plot(x_vals, densidad, type = "h", main = "Función de Densidad Hipergeométrica",
xlab = "Número de hombres en la muestra", ylab = "Densidad",
lwd = 2, col = "blue")
points(x_vals, densidad, pch = 16, col = "blue")
# Función de distribución acumulada
acumulada <- phyper(x_vals, n_hombres, n_mujeres, n_seleccionados)
# Graficar la función de distribución acumulada
plot(x_vals, acumulada, type = "s", main = "Función de Distribución Acumulada Hipergeométrica",
xlab = "Número de hombres en la muestra", ylab = "Probabilidad Acumulada",
lwd = 2, col = "blue")
points(x_vals, acumulada, pch = 16, col = "blue")
```
## Principales Distribuciones de Probabilidad con Variable Aleatoria Continua
# Métodos de Estimación de Parámetros
Respondemos a la pregunta la variable aleatoria $X$, ¿cuáles son los parámetros dada una distribución de probabilidades?. Por ejemplo, conocemos que $X \sim N(\mu, \delta)$, nuestro trabajo consistirá encontrar a qué equivalen esos parámetros. \
Se lo hará mediante el muestreo, es decir,
$\textit{Estimar } \rightarrow \hat{\theta} = f(x_1,x_2, \dotsc, x_n)$
## Estimador o Estadístico
# Ecuacionario
## Distribución de Bernoulli
\[
X \sim \textit{Bernoulli}(\mathcal{p})
\]
cuando:
+ $X:$ indica el éxito
+ $\mathcal{p}=\mathbf{P}(éxito)$
+ $1-\mathcal{p}= \mathbf{P}(fracaso)=\mathcal{q}$
\[E(X)=\mathcal{p}\]
\[V(X)=\mathcal{p}\cdot \mathcal{q}\]