Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Cuaderno resumen PROBABILIDADES ① Definiciones importantes - Exp determinista : ocurre con certeza - Exp aleatorio : no ocurre con certeza Chay azar) - Espacio muestral : posibles resultados de exp aleatorio 5-{ } - Evento del espacio muestra : subconjunto de S , A =:{ } - Operaciones : • AC : todo lo que no está en A • A UB : -todo lo que está en A o en B • AAB : todo lo que está en A y en B ↳ si AAB = , A y B son disjuntos - Muestra , parte de la población Coletodos que la representa - Variable: Característica que puede cambiar en poblaciones a- Estadística inferencial : Información que saco una vez estudiada la población - Probabilidad : pregunta sobre la población dada = Estudio enumerativa : Interés en un conjunto finito y no cambiante - Estudio analítico : con el finde mejorar algo Ldatos obtenidos de un proceso existente) - Variable discreta : Conjunto finito [no hay números entremedio) - Variable continua : conjunto infinito (00 Nomenos entre uno y otro] ② Cosas importantes - Gráfica de tallo y hoja ↳ Primer lo primeros) dígitos son el tallo , después la hoja Eji 4,5J 6,3J 7,8 4 % ⑨ - Da información de distribución de datos. - Gráfica de puntos ↳ Recta numérica y los puntos indican el valor dado EÜ : . . . : : : . . i . . . i . . . | l l l ' Da información sobre extremos , brechas - Histogramas rnrr Unimodal simétrico bimodal positivamente asimétrico negativamente asimétrico -N° de clases= UN° observaciones ④ Anchos de clase iguales ② Anchos de clase distintos Altura rectángulo Altura rectángulo 11 11 Frecuencia relativa frecuencia relativa de dase ancho de clase ③ Comandos en R . A- comentario + suma - resta * multiplicación / división V. % resto * * potencia 1.1% aociente entero T pi Xetn X. 10h Xe-n X. 10 " print Lyn) n cifras significativas de × roundLyn) redondea × a n cifras decimales LR trabaja solo con 16) Hoorlx) redondea hacia abajo (al entero) Ceilinglx) redondea hacia arriba lalentero) trvnclxl trunca Calentura) Sqrtlx) raiz cuadrada de × togcx) lnlx) loglnix ) hogxn expcx) E abslx) absoluto función = defino algo mean (función) promedio median ( función) mediana sortl función) orden ascendente tengthlfuncion) contar largo Histograma histrfuncien) ela histograma histl función , freq -_ False) da freqrelat. Tallo- hoja Stem (función) la entrega Conjuntos . [ (numeras) conjunto formato numérico CL "palabras") Conjunto formato alfabético CLX :D conjunto de Xan Probabilidad - Forma de cuantificar Incertidumbre de un experimento aleatorio • OEIP(A) El • IP(5)= 1 • IPCAIUAZU . . . An) con Ai - An disjuntos = IPLA ,) + IPCA2)+ . . . + PCAN) o IP (Ac) = 1- IPCA) • IP / 1=0 • Principio de inclusión - exclusión Sumo probabilidades de intersecciones impares IP(Ain Az A Az) Resto probabilidades de intersecciones pares IPLAIAAZ) PLANAS ) PLAZAAs) Sumo probabilidades individuales IPCA , ) IPCA2) IPCA3) • Si todos los elementos del espacio muestras tienen la misma probabilidad de ocurrir → elementos equiprobables y su probabilidad es µ¥ • Leyes de Morgan : - LAUBJE A' n B ' - (AnB)< = ACUBC - LAMAzn . . . MAN)% AY UAZCU . . . UANC - (AIUAZU . . . UAN)' = Aín Azcn . . . n An' Métodos de conteo 12.3) - Estrategias para determinar el número de elementos en un espacio muestral cuando un conteo es inviable . • Principio aditivo Supongo que → 1ra actividad la puedo hacer de nn formas diferentes → : → K-ésima actividad la puedo hacer de nk formas diferentes. Si las actividades NO se pueden hacer simultáneamente , hay lnnt . . . tnk ) formas de hacer las actividades • principio multiplicativo Supongo que un proceso se descompone de K etapas. → 1ra etapa tiene ni resultados diferentes → : → K-ésima etapa tiene nr resultados diferentes. El proceso puede completarse de mi . nz . . . . . nk Formas diferentes . • Permutación lineal si tengo n objetos diferentes , el número de formas diferentes de elegir K de ellos para ordenarlos en fila es PK , n = * 0 ! = 1 (AK) ! • Permutación lineal con objetos repetidos . Si tengo n objetos y n, es la cantidad del objeto 1 y asi hasta nk, el número de formas diferentes de ordenarlos en fila es nini! . nz! . . . . . nk! • Combinaciones de objetos no ordenados si tengo un conjunto de n objetos diferentes , el número de formas diferentes de elegir un grupo de tamaño K es : Ckin = ( ? ) --NK! (n-K) ! con K En En R : CK , n : Cheese (n , K) n ! i factorial ( n ) Probabilidades condicionales 12.4) - Probabilidad de un evento dada la previa ocurrencia del otro - ES una versión actualizada del evento que estamos viendo Teniendo los eventos A y 13 ELALBI-IPYYp.BR# , si IPCB) > 0 Probabilidad de A dado que ocurrió B Interpretaciones • PCAIB) > p (A) → B tiene influencia positiva sobre A • PCAIB) < PCA) → B tiene influencia negativa sobre A • PCAI B) = PCA) → B no influye en A • Regla del producto sirve cuando un suceso ocurre en etapas PLAA B) = IPLA /B) . IP (B) o PLAN B) =P (B /A) • IPIA) → P (Aznar ) = PLAZIAI) - PLAI) → PCA 3nA2hAM= PLASIEAZNA ,} ) - PLAZMAI) = PLASI TAMMY) - PLANA ,) - PLA ,) → PLAGAAz AAZAAN = PCAAI 14AMAZAAII) - PCASAAZAAD = PCACIKASNAZAAI }) . PLAZI TANIA , }) - PLANA ,) . PCA,) Ley de probabilidad total - Teniendo A1 , . . . , An una partición de S ( 5- Anu . . - VAN con Ari . . . , Andiguntos acapares ) [Air Aj =D] - Teniendo B ES entonces : PIB) = PCBNS) = PCB ACA, UA 2.U . . . UAN) por f-AIUAZ . . - UAN =P ( ( BAAIIULBA Az) U . . . (Bran)) por prop. distributiva = PCBAA ,) t PCBAAZ) t. . . TPCBMAN) por AirAj = PLBIA,) . PCAI) t . . . + PLBIAN) . Plan) por ley del producto 8tú * • Teorema de Bayes . Siendo Ai . , . . . , An , B ES donde AI , . . . , An son una partición de S : ley → productoPCAIIB) Plant = PCBIAI) . PCAI) PLB) PCBIAI) . PLANT . . . t PCBIAN) - PCAN)yiey • prob . total : PLANIB) = Planilla = PCBIAN) . plan) PCB) PCBIAI) . PCANT . . . t PCBIAN) - PCAN) Observaciones : ① PLAD + PLA2) + . . . + P(An)=\ → distribución apriori de A, . . , An ② PCA, /B) + PCAZ/B) t . . . + PLAN /B) = 1 → distribución aposteriori de Ai , . . . , An↳ Porque B es mi nuevo espacio muestral . ① ② µ ti # Independencia entre eventos 12.51 Eventos A y B Son independientes si PCA/ B) =PLA) Regla multiplicación A y B son independientes si y solo si PLAA B) = PCAI . PCBS Independencia de 2 o más eventos P (Ain Aj)= PLAN . PCAJ) , para todo par P (AirAj AAK) = PCAI) . PCAJ) . PCAK) para toda terna PCA¡ AAJAAKAAI) = PCAI) - PCAJ) P (AK) - PLAN para toda cuaderna B : PCAINAJAArnAir . . . A An) = PCAI) . PCAJ )P(AK) -PCAD - . . . - P (An) Y también son independientes AC y B A y BC AC y BC Variables aleatorias 13.1) siendo S el espacio muestral asociado a un experimento, una variable aleatoria es cualquier registro de un experimento aleatorio ✗ :S→ IR g → ✗Cs) El recorrido son los posibles valores que toma la variable aleatoria . Clasificacion Discreta : Si el recorrido es finito o infinito numerable Continua : Si el recorrido es Infinito no numerable Variable aleatoria de Bernoulli Unicos valores posibles son 0 y 1 Función de masa de probabilidad = función de distribución IP : IR → [O , too ) tal que : P (✗= ×) > O si ✗ C- Reccx)→ va a pasar el suceso P ( ✗= ×) = O Si ✗ ¢ Reccx) → no va a pasar el suceso [ P (✗ = ×) =L → la suma de las probabilidades es 1 ✗ c- Reclx) Función de distribución acumulada 13.2) FX ( x ) = PCXE × ) → sumar las probabilidades bajo el observado Cej : OE ✗ <3 sumo prob de O hasta 3 fin incluir la prob de 3) Puede ser creciente o constante. Recorrido se escribe entre { , , , } Posibles valores es sin { } Conjunto de posibles valores { , , , , } * PLX -- × ) = P ( ✗ & ×) - PCX < × ) L & & probabilidad menor o igual menor al valor puntual al valor llo considera) (no lo considera) Valores esperados ( 3. 3) El×) = [ × . Pci-x) XERECCX) Lacuna cada valor del recorrido de la variable aleatoria y se multiplica por su respectiva probabilistas Cuando tengo una función hlx ) : E- (hlx) ) =[hlxl.PL/kx)XERecCx) Varianza : Desviación estándar : Varlx) = E ( ( × - ECX) ) ' ) = + ✓varianza • Se conserva la unidad de medida Propiedades del valor esperado : siendo a yb dos constantes y hlx) es función de X . ① Elax +b) = a. ECX) tb ② Varla ✗ + b) = 92 . Var (x) ③ d.est la✗ +b) = tal - d.est (x) ④ Var ( X) = ECXZ) - (ELN) 2 ⑤ Ela -hcx) 1-b) = a . Elhlx)) +b ⑥ Var la h (x) + b) = a? Varlhcx)) Distribución de probabilidad binomial 3.4 Condiciones para que tenga distribución binomial → Secuencia de n ensayos Bernoulli ( 2 resultados posibles) → cada ensayo ofrece i Éxito o Fracaso → Los ensayos son independientes entre si → En cada ensayo las probabilidades son " p " y " L- P " PLX = × ) = ( q ) . p " . ( n - p) "- × 1 1 d número de formas probabilidad probabilidad de elegir × en los n ensayos 9W Salga × que no salga × Se dice que ✗ ~ Binomial (n ¡ p ) Propiedades ① ECX) = n . p ② Var (x) .- ECX') -(E (x)) ' = npln- p) ③ d.es/-Lx)--Vnpln-pT En R : ① PLX= ×) = dbinom ( × , size , prob) ✗ → de qué quiero facar la probabilidad ↳ función masa size→ Á de experimentos Prob→ probabilidad de Exito ② f-✗ (4) = PCIKX) = pbinomlq , size, Prob) q→ donde evalúo la distr acumulada ↳ función dist. acumulada size→ n ' de experimentos prob → probabilidad de Exito ③ FXLXO) =p o = qbinomlp , size , prob) p=po → probabilidad acumulada ↳mínimo valor para obtener size→ ni de experimentos esa probabilidad acumulada prob → probabilidad de Exito Distribución hipergeométrica 3.5 Condiciones → Población de N objetos distinguibles entre si numerados de La N → De los N objetos , hay M que tienen la característica de Interese MEN → Se extraen n objetos , con n EN ein reemplazo → cada subconjunto de n objetos tiene la misma probabilidad de aparecer ✗ : n ' de objetos en la muestra que satisface la característica de Interes → formas de elegir ✗ objetos sobre M lsatisfacen) P (✗ = × ) = ( Mx ) . ( N - M )n - × (Nn ) ↳ formas de elegir los objetos que no satisfacen & formas de extraer los n elementos de la población Rec (x) = { a , . . . . , b-I , b } con a. = máx 40 ; n - (N -M) } b-- min { n ; M } ✗ ~ Hipergeométrica LN ; M ; n ) d d la población elementos tamaño de la que tienen muestra la característica Propiedades • ELYI = n.MN-varlxt-NN-q-n.MN . / 1- My) En R : PLX × ) = dhyper LX , m , n , K) Función masa L L L b que busco elementos N-M n ' elementos con la & en la característica elementos muestra sin la característica Fxlx) =P (Xex) = phyperlq , mm , E) Función acumulada L L L Y donde elementos N-M n ' elementos evalúo con la & en la la característica elementos nuestra función sin la característica Fxlxo) -- Po = qhyper (Pim , n , K) Mínimo valor para obtener L y b esa pnob acumuladalevantate elementos n -m n' elementos probabilidad con la µ en la característica elementos muestraacumulo sin la característica Distribución binomial negativa • Número ilimitado de ensayos Bernoulli , y en cada ensayo se observa "Exito " o " fracaso " • P(E)=p , P (F) = 1 - p y no varía entre ensayos • Resultados son independientes entre si • Ud para hasta obtener el r- ésimo Exito , con r dado L " hasta obtener 4 X : n° de fracasos que preceden al pésimo Exito caras " ¿ Función de masa de probabilidad de X ? Rec (X) = { 0,1 , 2 , . . . . } ✗ =D significa que los r ensayos fueron todos éxito ✗=L Significa que se ejecutaron rr 1 ensayos , y entre los primeros r ensayos hay 1 fracaso Observar ✗= y significa → se ejecutaron xtr ensayos - TE ✗ fracasos y lr - 1) Exitos P /×- ×) = [ + r - 1) . pr . ( 1- p) " para todo ✗ c- {0,12 . . . }r-1 & tu & Exitos fracasosni de formas de elegir donde pongo letras E ✗ ~ Bin Neg Cr ; p) & ↳ rideexitos probabilidad que necesito de éxito para parar • ELX ) = 111¥ P • Varley) - r.G-pp2.de G) = prlpt-zpl-Enpi.PH/-- × ) → dnbinom (× , size , Prob) Función de masa L L ↳ ti de fracasos n.de Exitos probabilidad que preceden al que necesito de que salga resimo éxito para parar un éxito. Fxlx) - PLXEX) → pnbinom Cq , Size , pnob) Función dist acumulada & L & ↳ Prob. Observada dónde enano rideexitos probabilidad ladist acumulada que necesito de que salga Cuando tengo a la para parar un éxito. mas ✗ fracasos . Mínimo valor ✗ • tal que Fxlxotpo → qnbinom lp , size , prob) & L ↳ Cuanta n.de Exitos probabilidad Prob quiero que necesito de que salga acumular para parar un éxito. Distribución geométrica (cuando r = 1) X : n° de fracasos que preceden al primer éxito RECLX ) = {0,1 , 2,3 , . . . } ✗~ Bin Neg Ir=L ¡ p ) = Geométrica • PCX= × ) = (1-p) " . p , para todo ✗ C-{0,112,3 , . . . } L de hay ✗ último fracasos Intento es Exito • EN -4¥ • Varlx ) = 1pts • de 1×1 = VET En R PLX -- × ) → dgeam (× , pnob ) L t n ' fracasos probabilidad que preceden de Exito al primer éxito Fxlx ) =P (Xex) → pgeomcq , pnob) donde K L evalúo pvobexibo dist . awm Minino valor ✗ o tal que Fxlxo) = po tgeomcp , probl la & cuanto probabilidad quiero de éxito . acumular lpo) Videos ① Introducción Integrar : operación inversa a derivar • Ej. 3×2 → Gx a kfimbolizaf6x.cl#--3x+C ^ deriva Integro 1.1 de una constante • ftdx → no va acompañado de variable = ZSDX = 2- ✗ + C • Sfax - = ?fdx = } ✗ + c 1-2 de ✗ elevado a n fxnax.mx?!-+cEjigx3dx--Xq4-tCEj:fx-'dX=lnxtc I. 3 ✗ elevado a n f 3×-301 ✗ = [ 3×-34--35×-41=1×2-2-1- C = -2¥, +C 2 definidas b jjj ' ' ' " "" Y A- = ffcxldxNI a la " b TFC : Integrar es inverso a derivar 2.1 Area bajo la curva Ej : [1,4 ] de y = XH b a "" """ = %, _% , = § (✗+ 1)dxI i =/¥ " ) - - (4-+4)-(-2+1) I = 12-1,5 = 10,5 2.2 Area bajo la curva 3 • SH - 1) dx = [¥ - ×] / , } = [2,7--3]-[13-1] I 6+2-3 = 6,67 • y +211=1/2+2 y = ✗2-2×+2 3 { 1×2-2×+2) = [ ÍS - 2.¥ + 2x] µ = -1¥ -9+6 ] - [0-3-7+0] = 6 Funciones de densidad de probabilidad 41 Sea ✗ una variable aleatoria continua , la distribución de probabilidad es : b IP (a EXE b) = { fcxldx a Condiciones : 1. f-(x) 70 Con todas las × 2. [ • f-Cindy = 1 → suma de probabilidades tiene que ser 1 -00 Variable aleatoria continua con distribución uniforme F (x ; A ; B) = {Ía OKXEBO en otro caso IPCAEXE b) = IP la <✗ < b) = IPCAE ✗ <b) = IPCACXE b) Distribución uniforme Una variable aleatoria continua tiene distribución uniforme en el Intervalo [A , B] si la función de densidad de probabilidad de ✗ es f- LX ; A , B) = {Ja AE ✗ < B O en otro caso En Mi Función densidad → dunifcx , min , mail L L b donde limite evalúo la límite función Interior Superior Función distribución acumulada → puniflq , minimax ) L L L donde evalúo límite límite ladistawm Interior Superior Mínimo valor xp tal que Fxlxp ) =p → quniflp , min , Max) L L L Cuanta límite límite probabilidad interior superior acumulo Ejemplo : YNUniforme 1-5 ¡ no) 10 • [¥ dy = puniflq -10 , min = -5 , max = 10) = 1 -5 4 • S o ¥ Ay = punif ( 9=4, min = -5 , Max-10J - puniflq -9min =-5 , Max -10) = 0,2667 • 40,3 = quniflp = 0,3 , min = -5 , max - to ) = -0,5 Función de distribución acumulada y valores esperados 4.2 Distribución acumulada : Fxlx ) = IPCXEX ) = f × f- (4)Ay -00 Relación entre Fxlx) y fxlx ) Fx ( x) = d- Fx(x) - F ' CX) Ox Percentil ( 100 . p> * percentil de × se cumple que el valor rylpl tal que Fx ( y (p)) =p ejemplo . p =;] - YEI →incógnita → incógnita entonces el primer decil ( o . 1) = (m (o, 1)5- Cinco , 1)Y 2 16 Saco la incógnita con 2- ← CCO . 1 , O , - 1/2 , O , ^/16 ) ↳ coeficientes polyrootlz) , y me sirve el valor que esté en el recorrido Esperanza y varianza El valor esperado de ✗ ELX) = f " ✗ . f-✗ (x) d ✗ -00 fea h ( x) una función de X Elhcx ) ) = { • hlx) . fx (x) dx -00 Si hlx) = ( ×- E (A)2 entonces Elhlx)) = Var (X ) = fan → ( ✗ - ECX))? fxlx) d ✗ - ECX 2) - (E(×))? Distribución normal 4.3 → ✗ es una variable aleatoria con distribución normal con parámetros µ .yo si la función de densidad es : fxlxt-j-zn.es/PS-tz.(x-oM-Y } con × c- IR donde F- 3,14 E- (X)= M , con MGIR Varlx) = 02 , con o > 0 Natacion ✗ ~ N (µ ¡ •2) entonces & " ""a- mediana i i o i i l ÉI ' i I l l l ' iii.I I I I valores de✗ heno constante -M= 1 - U = 2 I. con µ constante 0=100 - o - 25 - o= 16 a Si XNNLNL ; oí ) entonces Fxlxl- IPLX < × ) En R : Fvnoioñdist acumulada→ pmormcq , mean -U , Sd -o) k & de donde media desviación evaluó tus LRI Ejemplo : Yn N (m: -2, o 2=4) FXL-3) = p Norm C-3 , -2, 2) = 0,309 Ejemplo : XNNLM -- 1 ; 02-9 ) XD . 6=9Norm C 0.6 , 1 , 3) = 1,76 i. Fx (1,761--0,6 Si HUNLM ; 04 , entonces 7-Y-Y ~ N lo ; 1) te dice que 2- tiene distribución normal estándar Llamando lo 12-1 = IPL 2-< z ) , para todo 2- E IR → cuanta probabilidad acumulo hasta z Notar que IPLX4)= IP (2- <¥) En R OILZ) = pnormlq , o, 1) donde 9=7 ejemplo IOL - 1) = pnorm C- 1,0 , 1) = 0,159 Distribución exponencial 4.4 ✗~ Exponencial ( X) con X > O , si su función de densidad es fxlx) = X . e- ×? para todo × > O, mientras que fxlxt O , para todo XEO Si ✗ ~ Exponencial.CH , con × > 0 , entonces Fx ( x) = O si XEO , mientras que Fxlxta f × × . e-✗tdt= 1- e-✗× O para todo × > o • E (x) = ^ / × • Var (x) = 11×2 En R f- ✗ (x) : deXp (× , rate) con ✗ = X , rate -_× Fxcx) : pexp lq , rate) con q = × , rate- A ( loop» percentil = qexp ( p , rate) con p- p , rate =✗ Integración en R Definir una función : g ← function (x) { retorno )→ aquí escribo lo } que hace la función Integración Integral ← integrarte l f- = función Lower = limite interior cuando quiero escribir 00 Upper= límite superior pongo " Inf " ) lfemplo , f-(x) = × . e- +4200 función ← function (x) { relvrn ( ✗ * exp (- ✗ ^ 21200 ) ) } Integral ← inkqratel f- = función , Lower = O , Upper Inf )
Compartir