Matemática 05 1

Probabilidad

Un Experimento es el proceso de obtener observaciones de un fenómeno aleatorio.
Un fenómeno es Aleatorio cuando no se puede predecir de forma exacta lo que se va a observar.

El Espacio Muestral es el Conjunto de todos los resultados posibles para el Experimento

Un Suceso es cualquier Subconjunto del Espacio Muestral.

Para expresar que sirve que pase uno u otro se usa la Unión, y si deben pasar los dos a la vez, la Intersección.
Si quiero la no ocurrencia trabajo con el Complemento.

El Suceso que es un Conjunto Vacío, equivale a un suceso imposible, se obtiene a partir de condiciones que no cumple ningún elemento del Espacio Muestral.

El Suceso seguro es el Suceso que contiene a todo el Espacio Muestral.

Dos Sucesos son Disjuntos si su Intersección da el Conjunto Vacío.

Enfoque Frecuentista de la Probabilidad

El Enfoque Frecuentista de la Probabilidad se basa en la repetición de Experimentos Idénticos.
y definir la Probabilidad como la frecuencia relativa con la que ocurre el evento:
Pasted image 20240429114335.webp
Pero requeriría de infinitos Experimentos, lo que obviamente no es realizable.

Enfoque clásico

El Enfoque Clásico de la Probabilidad se aplica en Experimentos con Espacio Muestral finito, donde cada elemento además, es equiprobable.

Para calcular las Probabilidades usaremos los Cardinales:
Pasted image 20240429114048.webp

Para poder sacar los Cardinales de los experimentos surgen técnicas de conteo:

Técnicas de Conteo

Regla del Producto

La Regla del Producto se usa con procesos de varios pasos encadenados:
Pasted image 20240429115140.webp

Regla de la Suma

La Regla de la Suma la utilizamos cuando tenemos resultados no encadenados e incompatibles.
Pasted image 20240429115335.webp

Arreglos

Los Arreglos son la herramienta de conteo que utilizaremos para contar extracciones sin reposición, y dónde a,b es distinto de b,a.
Pasted image 20240429134417.webp

Combinaciones

Las Combinaciones son como los Arreglos, pero sin que a,b sea distinto a b,a.
Para hacer eso, simplemente hay que diviidor el Arreglos entre k Factorial.
Pasted image 20240429134829.webp

Conteo con repetidos:

Se da cuando si importa el orden, pero cambiar iguales no afecta:
Pasted image 20240429135132.webp
siendo r la cantidad de repetidos.

Espacios de Medida

Si tenemos un Espacio Muestral Infinito, es dificil trabajar con probabilidad.
Pero se analizó que en ciertos espacios con Sigma Álgebra, que cumplen ciertas propiedades, nos lo facilitan.
En ellos la Probabilidad es una medida como el Contenido de Jordan creo.

Pasted image 20240429140055.webp

Pasted image 20240429140203.webp
Pasted image 20240429140326.webp
Por lo que veremos en Variables aleatorias continuas, y las Integrales.

Probabilidad Condicional

La Probabilidad Condicional es analizar la Probabilidad, pero tomando como Espacio Muestral un suceso que ya se que pasó.
Pasted image 20240429140645.webp
Pasted image 20240429140912.webp
Pasted image 20240429144139.webp
Pasted image 20240429144204.webp200

El Teorema de Bayes es como la probabilidad al revés, dice por ejempo, Yo saqué verde, entonces quiero saber de cuál viene.

Además Genera la Probabilidad Bayesiana, que se basa crear una Información a priori, y luego a base de observaciones y Experimentos actualizarla y volver a observar.

Independencia de Sucesos

Dos Sucesos son Sucesos Independientes cuando la ocurrencia de uno, no afecta la probabilidad de que ocurra el otro.
Pasted image 20240429144823.webp

Pasted image 20240429144850.webp
Pasted image 20240429144900.webp
Pasted image 20240429144938.webp

Si n Sucesos son Sucesos Independientes, entonces también lo son 2 a 2, pero el recíproco no es cierto.

Variables Aleatorias

Hay veces que en vez de interesarnos cada resultado posible, nos interesan resultados numéricos generados por el Experimento.
Estas cantidades reciben el nombre de Variables aleatorias. Por ejemplo si a cara,cara,cara le asigno 3.
Pasamos de un Espacio Muestral a los Reales.
Pasted image 20240429145840.webp
Las Variables son Aleatorias porque no es posible determinarlas sin hacer el experimento. Pero una vez hecho es invariable.
Pasted image 20240429145945.webp

Función de Distribución

Llamamos Función de Distribución, a la Función que acumula las probabilidades hasta el punto x que le damos.
Pasted image 20240429150352.webp
(Toda Función que cumpla eso es Función de Distribución, aunque no esté asociada a Probabilidad).

Pasted image 20240429153029.webp

Podemos clasificar las Función de Distribución en cuatro grandes tipos:

Si es escalonada con cantidad numerable de saltos, entonces es Discreta.

Si es Función continua en todo los Reales, y derivable salvo en una cantidad finita de puntos, es Absolutamente Continua.

La Mixta es la mezcla de las 2, discontinua en un número finito de puntos.

La Continua es como la Absolutamente Continua pero no derivable en un número no numerable de valores.

La Discreta y la Absolutamente Continua tienen Función de Densidad, que ya se verá más adelante.

Función de densidad

En las Discretas la Función de Densidad es la Función que le asigna a cada punto su valor de Probabilidad individual.
Pasted image 20240429154156.webp

Si queremos sacarla desde una Función de Distribución Discreta, es el salto que hay entre cada escalón.
Pasted image 20240429154557.webp

Por lo tanto, si queremos construir la de distribución a partir de la de densidad, hay que sumar todos los puntos hasta donde queramos:
Pasted image 20240429154454.webp

En Absolutamente Continua:
Pasted image 20240429154716.webp
La Función de Densidad es la Derivada de la de Distribución.

En la Función de Densidad de una Absolutamente Continua podemos cambiar un punto individual como queramos, ya que al integrarlo no va a afectar para nada, pero se busca que sea continua por comunidad.
Por ello también cualquier suceso de un solo elemento tiene probabilidad nula.
Pasted image 20240429155109.webp
Pasted image 20240429155144.webp

Las Mixtas no tienen estrictamente una Función de Densidad, pero se puede hacer una especie de mezcla para visualizarla.

Vectores Aleatorios

Los Vectores Aleatorios los utilizamos cuando queremos analizar más de un aspecto cuantitativo simultáneamente.

Esto es un experimento en el cual se obtienen varias Variables aleatorias simultáneamente.

Por lo que naturalmente surge la idea de ordenarlas en Vectores.
Pasted image 20240429174212.webp

Ahora las Función de Distribución acumulan en Intervalos rectangulares construidos usando el Producto Cartesiano.

Pasted image 20240429174404.webp
Pasted image 20240429174452.webp
La propiedad 5 es interesante, ya que nos va a permitir calcular la Función de Distribución de cada variable por separado, lo que llamaremos Marginal.

También clasificaremos estas funciones en Absolutamente Continua, Discretas etc..

Discretos:

Pasted image 20240429175054.webp
Pasted image 20240429175225.webp
En los Discreta también se pueden obtener las Función de Densidad Marginales.
Pasted image 20240429175335.webp

Absolutamente Continuas

También es una generalización de las Variables aleatorias Absolutamente Continuas:
Pasted image 20240429175626.webp
Pasted image 20240429175637.webp
Pasted image 20240429175718.webp

Si quiero la Marginal de x, fijo un x y derivo en y:
Pasted image 20240429182254.webp
Debo dividir en las zonas que corresponda.

Independencia de Variables Aleatorias:

Es la generalización de la idea de Sucesos Independientes. Pasted image 20240429182537.webp

En las continuas no puedo elegir un punto en particular, así que elijo una región no nula.

Pasted image 20240429182751.webp

Parámetros Poblacionales y muestrales

Los Parámetros Poblacionales son cantidades que describen Experimentos o Poblaciónes individuales, y nos permiten compararlas.

Los Parámetros Poblacionales más utilizados son los de Posición y Dispersión.

Los Parámetros Muestrales son la aproximación hecha con datos obtenidos de una muestra, a los Parámetros Poblacionales.

Poblacionales

Moda

La Moda se interpreta como el o los puntos con mayor Probabilidad.
Si es Discreta es el punto con más valor en la Función de Densidad
Si es Absolutamente Continua, son todos los puntos donde tenga un Máximo relativo.
Si es Mixta, la Moda la aporta la parte discreta.

Cuantiles

Los Cuantiles calculan el mínimo punto en el que se llega a cierta Probabilidad:
Pasted image 20240429184225.webp

Mediana

La Mediana es el Cuantil 0.5

Esperanza

La Esperanza es el valor que se espera tome el Promedio al tomar datos de una muestra.
Pasted image 20240429184546.webp

Es como una especie de centro de masa:
Pasted image 20240429184733.webp
Pasted image 20240429184817.webp
Pasted image 20240429184913.webp

Momentos de orden k

Los Momento de Orden k son como definir una nueva función x a la k, y calcularle la esperanza:
Pasted image 20240429191944.webp
El que más uso tiene es el de orden 2

Esperanza con Vectores Aleatorios

Cuando estamos con Vectores Aleatorios la Esperanza se calcula usando una función g, que generalmente va a ser x*y
Pasted image 20240429192224.webp
Pasted image 20240429192240.webp

Esperanza de las marginales

En este caso usamos solo la variable en la que queremos la marginal como g.
Pasted image 20240429192501.webp

Varianza

La Varianza es el Momento de Orden k de orden 2, pero además centrado.
Pasted image 20240429192553.webp
Sin embargo una forma más fácil de calculara es:
Pasted image 20240429192637.webp
La Varianza NO ES LINEAL, aunque como son distancias, no se modifica por la suma:
Pasted image 20240429192733.webp

Desviación Estándar

La Desviación Estándar es la Raíz Cuadrada de la Varianza.
Pasted image 20240429192949.webp
Se interpreta como un Promedio de las distancias de los valores del recorrido con la Esperanza.

Teorema de Chebichev

El Teorema de Chebichev nos permite acotar la Probabilidad de que una variable aleatoria se desvíe de su Esperanza más que un cierto épsilon:
Pasted image 20240429193513.webp

Sin embargo, suele dar una cota elevada de más.

Ley débil de los grandes números

La Ley débil de los grandes números nos dice que cuantas más observaciones tengamos del mismo experimento al momento de promediarlas, más precisa va a ser nuestra estimación con el que sería el promedio 100% preciso.

Pasted image 20240429193920.webp

Covarianza

La Covarianza analiza como varían en conjunto:
Pasted image 20240429200738.webp
Pasted image 20240429200810.webp
La Covarianza puede ser interpretada como un Producto Interno.

Pasted image 20240429201029.webp

Pasted image 20240429201048.webp

Lo malo de la Covarianza es que no tiene en cuenta las escalas, y es relativa a la varianza de cada variable.

Por eso surge:

Coeficiente de correlación lineal

El Coeficiente de correlación Lineal se obtiene al relativizar la Covarianza a la escala de cada variable:
Pasted image 20240429201254.webp
En este si es 1 o -1 es exactamente una recta, si es 0 pueden ser Sucesos Independientes o tener una Dependencia que no es lineal:
Pasted image 20240429201408.webp
Pasted image 20240429201506.webp
Pasted image 20240429201520.webp

Parámetros muestrales:

Una Muestra está formada por n valores, obtenidos se la misma Población, son valores numéricos que provienen del mundo no de variables aleatorias.

Función de Distribución Empírica

La Función de Distribución Empírica es la aproximación a la Función de Densidad :
Pasted image 20240429201958.webp
Para calcularla es bueno ordenar los valores en forma creciente antes.
Pasted image 20240429202139.webp

Moda Muestral

La Moda Muestral son los valores que más re repiten en la muestra.

Cuantil muestral

El Cuantil muestral es exactamente igual al Cuantil pero este es en la Función de Distribución Empírica

Mediana Muestral

Hay varias formas de definir la Mediana Muestral, pero vamos usar la del Cuantil muestral 0.5.

Media Muestral

La Media muestral es el Promedio, y es la Aproximación a la Esperanza.
Pasted image 20240429204311.webp

Varianza muestral

La Varianza Muestral y por lo tanto el Desvío Muestral, se calculan dividiendo con n-1
Pasted image 20240429204541.webp

Covarianza muestral

Para la Covarianza Muestral se hace lo mismo que con la Varianza Muestral de dividir entre n-1.
Pasted image 20240429205237.webp

Distribuciones especiales

Las distribuciones especiales son como Función de Distribución genéricas, que se adaptan a cierto tipo de Experimento , y permiten trabajar con Probabilidad de forma más rápida y sin tener que analizar cada resultado puntual.
Cada una tiene ciertos parámetros para ajustarse al experimento concreto.
Las más comunes son las Discreta y Absolutamente Continua.

Discretas:

Bernoulli

La Distribución de Bernoulli es un poco la base de las demás, y se usa para modelar Experimentos donde los resultados posibles son solo éxito o fracaso.
Se usa el 1 para representar el éxito y el 0 para el fracaso:
El parámetro a regular es p, que es la probabilidad de que ocurra el éxito.
Pasted image 20240430085250.webp

Binomial

La Distribución Binomial se obtiene al repetir n ensayos con Distribución de Bernoulli, y la misma Probabilidad p.
Y la X es la cantidad de éxitos entre las observaciones.
Pasted image 20240430085620.webp
Pasted image 20240430085724.webp
Pasted image 20240430085825.webp

Si quiero hacer una suma de Distribución Binomiales solo tengo que hacer una con la suma de las n (Solo si son Independientes):
Pasted image 20240430085942.webp

Hipergeométrica

La Distribución Hipergeométrica se utiliza para modelar un muestreo Sin Reposición:
Pasted image 20240430090245.webp
El recorrido se debe ajustar según el Experimento, ya que a veces, si saco más muestras de los fracasos que tengo, no puedo empezar con 0 éxitos.
X nuevamente es cantidad de éxitos observados al sacar n.
Si K y N son mucho mayores a la n, podemos aproximarla a una Distribución Binomial:
Pasted image 20240430090739.webp

Poisson

La Distribución de Poisson es útil para el conteo en unidades de tiempo o área, vol, etc, de un evento raro.
Su parámetro es la Intensidad del fenómeno, y representa el Promedio de observaciones por unidad de observación.
Pasted image 20240430091159.webp
Pasted image 20240430091302.webp

Geométrica

La Distribución Geométrica modela ensayos con Distribución de Bernoulli hasta que ocurre el primer éxito, por lo que x es el lugar donde ocurrió el 1ero.
Pasted image 20240430093908.webp
Tiene "Perdida de memoria" lo que quiere decir que tirar de 0, o tirar desde cualquier punto tiene la misma probabilidad.
Pasted image 20240430094030.webp

Binomial Negativa

La Distribución Binomial Negativa es como una expansión de la Distribución Geométrica, ya que modela realización de ensayos con Distribución de Bernoulli hasta r éxitos.