Tema 1
1.1 INTRODUCCIÓN
Probabilidad: medida de grado de incertidumbre de un sujeto (entre o y 1)
Estadística:
- Descriptiva: recogida, ordenación y análisis de la información disponible.
- Inferencia: Conjunto de herramientas para la toma de decisiones en
ambiente de
incertidumbre.
1.2 EXPERIMENTO DETERMINISTA Y ALEATORIO
Experimento: reproducción de un fenómeno para observar sus resultados.
E. Determinista: Al repetirlo bajo las mismas condiciones, se obtiene
siempre el mismo
resultado
E. Aleatorio: al repetirlo en condiciones semejantes (análogas) no se puede
predecir el
resultado.
1.3 PROBABILIDAD
La incertidumbre que se genera en un fenómeno aleatorio no tiene por qué
ser la
misma para todos los experimentos.
1.4 SUCESOS
Espacio muestral (E): conjunto de todos los sucesos conocidos
Suceso (S): Cada uno de los resultados posibles.
⁃ Elemental: los más simples, elementos de E.
⁃ Compuesto: Subconjunto. De los elementos de E
⁃ Imposible: Aquel q no es E.
⁃ Complementario: Aquel q sino se realiza uno se realiza otro (Par, Impar).
⁃ Cierto: E siempre se realiza.
1.5 OPERACIONES CON SUCESOS
Inclusión (A⊂ B): Siempre q se realiza A, se realiza B.
Igualdad (A=B): Siempre q se realiza A, se realiza B y viceversa
Unión (A∪ B): A o B.
Intersección (A ∩ B): A y B.
Incompatibles (A ∩ B =Æ ): Si A y B no pueden ser simultáneas, el conjunto
da vacío.
(Ej.: llueve y no llueve)
Propiedades de la unión e intersección
- Asociativa: A∪ (B∪C) = (A∪B) ∪C ; A∩ (B∩C) = (A∩B) ∩C
- Conmutativa: A∪B = B∪A ; A∩B = B∩A
- Distributiva: A∩ (B∪C) = (A∪B) ∩C ; A∪ (B∩C) = (A∩B) ∪C
1.6 CONCEPTO DE PROBABILIDAD
Probabilidad Clásica (Laplace): Se supone equiprobabilidad, es decir,
todos los resultados posibles son igual de probables (casos probables/casos
posibles).
Probabilidad Frecuentista (R. Von Mises): La incertidumbre se
encuentra en la
naturaleza y se refleja en el experimento.
Repetición del experimento n veces, de forma independiente.
Aumentando indefinidamente el número de veces que se repite el
experimento, la
probabilidad es el número al que tiende este cociente→La probabilidad es
una medida.
El problema de Von Mises es que no tiene en cuenta el futuro.
Probabilidad Subjetiva (Keynes): La probabilidad es el grado de creencia
personal q el
sujeto tiene de resultado de un fenómeno aleatorio relacionado con la
experiencia
personal acumulada, creencias personales, las diferentes alternativas y,
además, tiene
mucho q ganar o perder en el suceso. (*No importante)
1.7 AXIOMÁTICA DEL CÁLCULO DE PROBABILIDADES
Axioma: Un dogma (“verdad absoluta basada en la fe”) científico, es decir,
una verdad q
se da en la mente del científico. No se puede discutir, lo q se puede discutir
son los
teoremas q salen a raíz del axioma. Si existe un suceso perteneciente al
universo (Ω), el
universo es todo lo q ha ocurrido y todo lo q puede ocurrir.
Axiomática de Kolmogorov:
- Axioma I: Si un suceso pertenece al universo pertenece a cero, existe una
acción
humana y el universo es todo lo que ha ocurrido y todo lo que puede ocurrir.
- Axioma II: La probabilidad de E es 1
- Axioma III: Sean infinito sucesos incompatibles o disjuntos, entonces la
probabilidad de la unión de dichos sucesos es = a la suma infinita de sus
probabilidades.
*Espacio de probabilidad: espacio muestral, universo y función de
probabilidad (E,Ω,P).
Teoremas:
Teorema I: La probabilidad del suceso imposible es 0.
Teorema II: la probabilidad de la Unión de n sucesos disjuntos es igual
a la suma de sus probabilidades.
Teorema III: La probabilidad de la unión de n sucesos es igual a la
suma de sus probabilidades menos la probabilidad de sus
intersecciones.
Teorema IV: La probabilidad del sucesos contenedor es > q la
probabilidad del suceso contenido
Teorema V: La probabilidad del suceso es ≤ a la unidad
1.9 PROBABILIDAD CONDICIONAL
Independencia y probabilidad total:
- P(A) = åP(B)*P(A/B)
- P(A/B) = P(A∩B)/P(B)
- Si A y B son independientes →P(A∩B)/P(B)=P(A) →Independencia de
probabilidad.
En el teorema de Bayes y de la probabilidad total vamos a definir 3
conceptos:
⁃ Probabilidad A priori: Probabilidad de que ocurra un suceso en un primer
espacio muestral (E).
⁃ Verosimilitud: Probabilidad de la intersección del suceso del espacio
muestral (E) en el espacio muestral (A).
⁃ Probabilidad A posteriori: probabilidad de que ocurra el suceso si sabemos
que ha ocurrido (A)
TEMA 2
2.1 VARIABLE ALEATORIA
Variable aleatoria: aplicación del espacio muestral en el conjunto de
números reales q conserva la medida de probabilidad
2.2 FUNCIÓN DE CUANTÍA, DISTRIBUCIÓN Y DENSIDAD
La función de cuantía: la suma de los puntos es = a la unidad. Los puntos
son >0.
La función de distribución (alturas): mide la probabilidad acumulada
hasta un punto
de la variable aleatoria. F(x)=P (ξ ≤ x)
Propiedades:
1. F (-) = 0
2. F (+) = 1
3. F(b) – F(a) = P (a< ξ ≤ b) ® La probabilidad en el punto importa.
4. F(x) es no decreciente. No puede ser negativa.
5. F(x) es continua por la derecha, ya q si me acerco x la izquierda me
encuentro una discontinuidad (un salto). Mientras que x la derecha
me encuentro un punto
La función de densidad (áreas): La densidad de probabilidad es =
cociente masa de la
probabilidad/amplitud intervalos VA. (∆F(x)/ ∆x)
Propiedades:
⁃ f(x)>0
⁃ La suma de todas las probabilidades debe ser = 1
Diferencial = Intervalo infinitamente pequeño
2.3 VAD Y VAC
Variable Aleatoria Discreta (VAD): dados unos puntos cualesquiera de la
VA, entre ellos hay un número finito de puntos.
P (ξ = x) = (CF/CP) F(x)
= P (ξ ≤x)
Variable Aleatoria Continua (VAC): dados 2 puntos cualesquiera de la
variable aleatoria entre ellos encontramos un número infinito de puntos.
Pᵢ = P (ξ = xᵢ) = 0 → (CF/∞) = 0
2.4 ESPERANZA MATEMÁTICA
La esperanza matemática coincide con la media aritmética poblacional
(aquella q obtenemos cuando los experimentos aleatorios tienden a infinito.
Propiedades:
1. E(k) = k
2. E (ξ ± k) = E(ξ) ± k
3. E (k ξ) = kE(ξ) →Cambio de escala
4. E (ξ ± η) = E(ξ) ± E(η)
5. E (ξ * η) = E(ξ) * E(η) →ξ, η independiente
Generalización de la esperanza E(g(x)): Podemos calcular el valor
esperado de
cualquier función si conocemos el valor esperado de las variables aleatorias
independientes a través de las propiedades de la esperanza.
2.5 VARIANZA Y DESVIACIÓN TÍPICA
Varianza: momento central de segundo orden. Mide las variaciones
cuadráticas de la aleatoriedad respecto a la esperanza.
Desviación típica: traslada la varianza a unidades comparables con la
esperanza
Propiedades (varianza):
1. V(ξ) ≥ 0
2. V(k) = 0
3. V (ξ ± k) = V (ξ)
4. V(kξ) = k²V(ξ)
5. V (ξ ± η) = V(ξ) + V(η) ± 2Cov (ξ, η)
6. ξ, η →Independientes V (ξ ± η) = V(ξ) + V(η)
2.6 COEFICIENTE DE VARIACIÓN DE PEARSON
Permite establecer una medida dimensional de la dispersión relativa de
cada
variable aleatoria. Compara dispersiones relativas entre varias variables
aleatorias.
Además, mide el nivel de representatividad de la esperanza y el nivel de
dispersión.
2.7 VARIABLE TIPIFICADA
Podemos trasladar cualquier VA a una distribución equivalente de esperanza
cero y
desviación típica 1 mediante la siguiente transformación:
ξ*: Mide las desviaciones de ξ respecto de la esperanza tomando como
la desviación típica. Si 𝜉 ∗ > 0, por encima de la media. Si 𝜉 ∗ < 0, por
unidad de medida
debajo de la media.
2.8 TEOREMA DE CHEBYCHEFF
Nos permite calcular una cuota de probabilidad de que la variable aleatoria
se aleje de la esperanza, sin necesidad de conocer la distribución de
probabilidad asociada.
Acota la probabilidad de que una variable tome un valor dentro o fuera de
un intervalo Simétrico en torno a la media sin necesidad de conocer cómo
se distribuye la VA en términos de probabilidad. Solo necesitamos conocer la
varianza.
TEMA 3
3.1 MODELOS DE VAD
La media y la desviación estándar van a ser distintas, pero el
comportamiento aleatorio
será igual en los modelos.
Uniforme discreta: Tiene sentido la función de cuantía y distribución, pero
la de
densidad no, ya que no puedo derivar si la VA es discreta.
Ley Binomial (1, p): debe de ser un solo parámetro. Estamos estudiando
la probabilidad
de un suceso dicotómico en un único ensayo.
-P = Probabilidad de éxito
- x=Éxitos; -x=Fracasos
- Si x=1, 1-x =0
- 1-p = q →probabilidad de fracaso
- Varianza = p*q
Binomial (n, p): Número de éxitos (x) en n ensayos conociendo la
probabilidad de éxito
de uno de ellos (p).
- Número de combinaciones en el q aparecen x éxitos sin tener en cuenta el
orden
- Esperanza de binomial: 𝜇 = 𝑛𝑝
de apariencia.
- Varianza: 𝜎 1 = 𝑛𝑝𝑞
Ley Poisson ( λ ): Estudia el número de ocurrencias (veces q ocurre algo,
no éxitos) de un
suceso conocida una tasa media x periodo (𝜇) durante t periodos. Ej.: nº
accidentes en M 30.
Diferencia Poisson y Binomial: Poisson solo estudia lo q ocurre, en la
binomial se lo q
ocurre y lo q no.
La Poisson puede tomar infinitos valores, es discreta. Si cojo un número
depende de un único parámetro, su esperanza ( λ ), q se calcula como 𝜇*t.
cualquiera de la Poisson es finito (o tengo un accidente o no lo tengo). Esta
La esperanza y varianza coinciden ( λ )
Aditividad en la ley binomial y poisson
Aditividad: propiedad que permite la suma de variables aleatorias de tal
forma que la
función de probabilidad de la VA suma se distribuya de la misma forma, pero
con
parámetros distintos.
- B (n, p) es aditiva respecto al parámetro n. Las binomiales reales sumadas
deben
tener la misma probabilidad de éxito.
- Poisson (λ ) es aditiva respecto del parámetro λ . Como λ es el valor medio,
la
suma de esperanzas es el valor esperado de la VA suma.
3.2 MODELOS PARAMÉTRICOS CONTINUOS (VAC)
Distribución Normal Estándar N (0, 1)
Propiedades:
1. Valor esperado = 0
2. Varía entre - infinito e infinito
3. Cuanto más cerca estoy del valor esperado, más probable es el valor
4. A + de 4 desviaciones típicas tanto a derecha como a izquierda la
probabilidad de q algo pase en las colas es 0.
5. Si me alejo una desviación estándar, 0,68%; Si me alejo 2
desviaciones estándar,
0,95; Si me alejo 3; 0,997.
Propiedad aditiva: La esperanza de la diferencia es la diferencia de las
esperanzas. Y la
suma de las variantes es = a la varianza de diferencia.
Ley Uniforme U (a, b): La variable aleatoria estudia la ocurrencia de una
VAC
equiprobable a lo largo de un intervalo continuo (a, b).
Propiedades:
- Funciona tanto mejor como pequeño sea el intervalo. Cuanto + pequeña es
la
distancia entre a y b menor es la dispersión.
- No cumple la propiedad aditiva, es decir, la suma de uniformes no es una
uniforme.
3.3 DISTRIBUCIÓN DERIVADAS DE LA NORMAL
Distribución de Pearson: Es la suma de n normales ^2. Se utiliza en
contraste de
independencia estadística, de bondad de ajuste, distribución de la varianza
muestral, etc.
Distribución 𝒕 𝒏 de Student: Es una N (0, 1) dividida entre la raíz
cuadrada de una 𝑥4 1 .
No tiene propiedad aditiva. Se utiliza cuando la varianza poblacional es
Distribución 𝑭𝒎,𝒏 de Fisher-Snedecor: Es un cociente de x^2 divididas
desconocida.
cada una de ellas por sus grados de libertad. No tiene propiedad aditiva,
esperanza y varianza no hay que saberlas. Se usa en contraste de igualdad
de varianzas y distribución del cociente de
varianzas muestrales
3.4 CONVERGENCIA
Convergencia en probabilidad: cuando medida que n aumenta, también
aumenta probabilidad de que la VA ξ tome valores cercanos a
una constante c.
Convergencia en distribución: cuando a medida que n
aumenta, la función de
probabilidad de la variable aleatoria se aproxima cada vez más
a la de otra distribución
de probabilidad.
3.5 TEOREMA CENTRAL DEL LÍMITE (TCL)
Para poder aplicar el TCL necesito un conjunto de variables independientes
(no depend de otras variables) e idénticamente distribuidas
(misma función de probabilidad).
1. 𝜉7 𝑉𝐴𝐼𝐼𝐷
Es necesario:
2. n ≥ 30
3. E (𝜉7 ) y V (𝜉7 ) conocidas