Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Complemento 2 (Probabilidad)
Complemento 2 (Probabilidad)
COMPLEMENTO 2 ricardo.ariasgonzalez@upv.es
Combinatoria
Probabilidad
Estadística
Procesos estocásticos
Combinatoria sin repetición Distinguibles
Permutaciones de 𝑁 elementos: 𝑃! = 𝑁! = 𝑁 𝑁 − 1 𝑁 − 2 ⋯ 1
# formas en que 𝑁 elementos distintos se pueden ordenar. 𝑁! : Factorial
Ej. (1): ¿cuántos números se pueden construir moviendo los dígitos de este número “175”? 3! = 6
𝐻 𝛼
multinomial: 𝑛+, 𝑛,, ⋯ , 𝑛- 𝑁
Con *
−𝑁 𝛼+ ln 𝛼+ + 𝛼, ln 𝛼, + ⋯ + 𝛼- ln 𝛼- @ 𝛼" = 1
"()
El que estos desarrollos sean lineales
en N es clave en física estadística. 𝛼
Sucesos aleatorios
Consideraciones
1. Existencia de un experimento 2. # éxitos
𝜈=
repetible bajo las mismas condiciones # éxperimentos
𝜈⟹ 𝑃 𝐴 : Probabilidad del suceso A
Ejemplo: lanzo una moneda dos veces Probabilidad de que salga una cara:
)
𝐴: sale cara en la 1ª tirada 𝑃 𝐴 = 𝑃 𝐵 = +
,
1 1 1 3
𝐵: sale cara en la 2ª tirada ) )
𝑃 𝐴𝑦𝐵 = +I+= , ,
) ⇒𝑃 𝐴∘𝐵 = + − =
2 2 4 4
Variables aleatorias
Es el resultado de un experimento.
Puede tomar valores continuos o discretos. 𝑋 𝑥
Discretos: los valores de 𝑋 están dentro de Continuo: se suele suponer como
un conjunto numerable, posiblemente infinito dominio la recta real, ℝ
Ω = 𝑥+, 𝑥,, … , 𝑥- , …
Normalización: @ 𝑃0 𝑥* = 1
𝑃0 𝐴 = M 𝑑𝑥𝜌0 𝑥 ∈ 0,1 M 𝑑𝑥𝜌 𝑥 = 1 𝜌+ 𝑥 ≥ 0
-! ∈/ $ ℝ
Notación: se suele prescindir del subíndice 𝑋, 𝑌, … en las distribuciones y densidades de probabilidad.
Distribuciones y densidades de probabilidad
Sean 𝑋[ , … , 𝑋\ variables aleatorias continuas.
Se denomina densidad de probabilidad conjunta 𝜌 𝑥! , … , 𝑥"
𝑃 𝐴 ≡ Prob 𝑥+, … , 𝑥" ∈ 𝐴 = K 𝑑𝑥+ ⋯ 𝑑𝑥" 𝜌 𝑥+, … , 𝑥"
F⊆ℝ$
1 1, 𝑥 ∈ 𝐴 1
1
𝜌L 𝑥 = 𝒳 O,P 𝑥 con 𝒳F 𝑥 = Y < 𝑑𝑥𝜌+ 𝑥 = < 𝑑𝑥 = 1
𝐿 0, 𝑥 ∉ 𝐴 ℝ # 𝐿
1
Introducimos también 𝑌 ∈ 𝐴 = 0, 𝐿 𝜌M 𝑦 = 𝒳 O,P 𝑥
𝐿
Por último 𝑍 = max 𝑋, 𝑌 …¿probabilidad de encontrar 𝑍 en el intervalo 𝑧, 𝑧 + ∆𝑧 ?
0 ∆𝑧 𝑌
𝑋 𝑌
𝑧 𝑧+ 𝐿 1 de estas 3 𝑋 𝑋, 𝑌
posibilidades:
0 𝐿0 𝐿 0 𝐿
Prob 𝑍 ∈ 𝑧, 𝑧 + ∆𝑧 = Prob 𝑌 < 𝑧, 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 o 𝑋 < 𝑧, 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 o 𝑋, 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 =
Prob 𝑌 < 𝑧, 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 + Prob 𝑋 < 𝑧, 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 + Prob 𝑋, 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 =
Prob 𝑌 < 𝑧 I Prob 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 + Prob 𝑋 < 𝑧 I Prob 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 +
Prob 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 I Prob 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 =
Ejemplos
Prob 𝑌 < 𝑧 ( Prob 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 + Prob 𝑋 < 𝑧 ( Prob 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 + Prob 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 ( Prob 𝑌 ∈ 𝑧, 𝑧 + ∆𝑧 =
2
𝑧
+ donde Prob 𝑋 < 𝑧 = < 𝑑𝑥𝜌+ 𝑥 =
𝑧 ∆𝑧 𝑧 ∆𝑧 ∆𝑧 ∆𝑧 ∆𝑧 ∆𝑧 # 𝐿
+ + = 2𝑧 + + hemos 2/∆2
𝐿 𝐿 𝐿 𝐿 𝐿 𝐿 𝐿 𝐿 ∆𝑧
usado que Prob 𝑋 ∈ 𝑧, 𝑧 + ∆𝑧 =< 𝑑𝑥𝜌+ 𝑥 =
2 𝐿
𝜌N
La densidad de probabilidad es el límite:
,
2`
1 ∆𝑧 ∆𝑧 2𝑧 𝐿
𝜌N 𝑧 = lim 2𝑧 , + = ,
∆U→O ∆𝑧 𝐿 𝐿 𝐿
𝑧
𝐿
1 WJ∆W
Forma de construir la distribución de 𝜌L 𝑥 = lim K 𝑑𝑥′𝜌L 𝑥′ =
∆W→O ∆𝑥 W
probabilidad, desde intervalos finitos 1
𝑥, 𝑥 + ∆𝑥 a infinitesimales 𝑥, 𝑥 + 𝑑𝑥 lim Prob 𝑋 ∈ 𝑥, 𝑥 + ∆𝑥
∆W→O ∆𝑥
Delta de Dirac
∞, 𝑥 = 𝑥O centrada 4
𝛿 𝑥 − 𝑥) = Y 0, 𝑥 ≠ 𝑥
O
en 𝑥6 < 𝛿 𝑥 − 𝑥# 𝑑𝑥 = 1 𝑥6 = 0
3
𝛿 𝑥
Y
𝑓 𝑥O , 𝑎 < 𝑥O < 𝑏
K 𝛿 𝑥 − 𝑥O 𝑓 𝑥 𝑑𝑥 = Y
X 0, 𝑎 > 𝑥O o 𝑏 < 𝑥O
No debe interpretarse como una función pues se llega a contradicción con
𝑥
la definición de la misma. Una distribución tiene su propia definición en matemáticas.
38
Se suele suponer que 𝑎 → −∞ y b→ +∞, de manera que ∫78 𝛿 𝑥 − 𝑥6 𝑓 𝑥 𝑑𝑥 = 𝑓 𝑥6
𝜃 𝑥
𝑑 W
𝛿 𝑥 − 𝑥O = 𝜃 𝑥 − 𝑥O
?
𝜃 𝑥 − 𝑥O = K 𝛿 𝑥′ − 𝑥O 𝑑𝑥′
𝑑𝑥 1[
𝑥
Valores medios
Variable Variable
aleatoria 𝑋 = E 𝑥𝑃J 𝑥 𝑋 = F 𝑑𝑥𝜌J 𝑥 𝑥 aleatoria
discreta k∈l ℝ continua
También conocido como valor esperado de la variable aleatoria 𝑋
Propiedades
Demostración. Usando 𝑃 𝑥 = # 𝑃 𝑥, 𝑦
1. Linealidad 𝛼𝑋 + 𝛽𝑌 = 𝛼 𝑋 + 𝛽 𝑌 la probabilidad marginal:
+ +,8
"7∈6
2𝑧 9
2𝑧 + 2
Ej. (2): 𝑍 = max 𝑋, 𝑌 𝜌N 𝑧 = , 𝒳 O,P 𝑍 𝑍 = M 𝑑𝑧 + = 𝐿
𝐿 3
𝐿 6
P
, 3
Ej. (3): 𝜌_ 𝑢 = P
𝒳 !⁄",P 𝑢 𝑈 = K 𝑑𝑢2𝑢 = 𝐿
+` ?? 4
,
Dispersión
Si pintamos una gráfica 𝑋 nube de puntos Desviación de la variable
con los resultados de medir 𝑋− 𝑋 aleatoria 𝑋 respecto a su
𝑋
una variable aleatoria: media, 𝑋
% !&%
𝜎$ ≡ 𝑋 − 𝑋 Desviación típica --> calcular el
valor medio de la desviación
Lema: 𝜎!* = 𝑋 * − 𝑋 *
Demo: 𝜎0+ = 𝑋 − 𝑋 + = 𝑋+ + 𝑋 + − 2𝑋 𝑋 = 𝑋+ + 𝑋 + − 2 𝑋 𝑋 = 𝑋+ − 𝑋 +
9" 9
* * Ej. (1): 𝑋+ = # , 𝜎0 = )+
Como siempre 𝜎L, ≥0 ⟹ 𝑋 ≥ 𝑋 9" 9
Ej. (2): +
𝑍 = , 𝜎5 =
+ ):
Otras cantidades estadísticas
Correlación 𝐶 𝑋, 𝑌 ≡ 𝑋− 𝑋 𝑌− 𝑌 = 𝑋𝑌 − 𝑋 𝑌
Mide la dependencia estadística de dos variables aleatorias
𝐶 𝑋, 𝑌 = 0 𝑋 e 𝑌 son variables aleatorias estadísticamente independientes
En general, 𝜌M 𝑦 = 𝛿 𝑓 𝑋 − 𝑦 = K 𝑑𝑥𝜌L 𝑥 𝛿 𝑓 𝑋 − 𝑦
g%
Demo: < 𝑑𝑦𝜌8 𝑦 = < 𝑑𝑦 < 𝑑𝑥𝜌+ 𝑥 𝛿 𝑓 𝑋 − 𝑦 = < 𝑑𝑥𝜌+ 𝑥 𝒳9 𝑓 𝑥 =< 𝑑𝑥𝜌+ 𝑥
9 9 6! 6! : #$ 9
Funciones de variables aleatorias
En general 𝑓 𝑋 ≠ 𝑓 𝑋 . Solo se da la igualdad sin 𝑓 es una función lineal.
= M 𝑑𝑥) 𝜌+ 𝑥) , 𝑦 − 𝑥)
ℝ
Si 𝑋+ y 𝑋, son
estadísticamente independientes
⟹ 𝜌< 𝑦 = M 𝑑𝑥) 𝜌0$ 𝑥) 𝜌0" 𝑦 − 𝑥) Convolución
ℝ
Función característica
Es la transformada de Fourier de
la distribución de probabilidad de
𝐺J 𝑘 ≡ 𝑒 tKJ = F 𝑑𝑥𝜌J 𝑥 𝑒 tKk
una variable aleatoria l/
𝐺L : ℝ ⟶ ℂ
Propiedades
1. 𝐺hL 𝑘 = 𝐺L 𝜆𝑘 2. Si 𝑋 e 𝑌 son independientes: 𝐺LJM 𝑘 = 𝐺L 𝑘 𝐺M 𝑘
Demo: 𝐺03< 𝑘 = 𝑒 "* 03< = 𝑒 "*0 𝑒 "*< = 𝑒 "*0 𝑒 "*<
3. "
1 𝜕 1 𝜕 1 𝜕 "*0 1
𝑋" = z 𝐺L 𝑘 Demo: 𝐺0 𝑘 = 𝑒 = 𝑖𝑋𝑒 "*0 = 𝑋𝑒 "*0
𝑖 𝜕𝑘 𝑖 𝜕𝑘 𝑖 𝜕𝑘 𝑖
-iO 1 𝜕
⟹ s 𝐺0 𝑘 = 𝑋
1 𝜕 4 𝑖 𝜕𝑘
Igualmente: 𝐺0 𝑘 = 𝑋 4 𝑒 "*0 *(6
𝑖 𝜕𝑘 cuando lo evalúo en k=0 me aparece X^n
Distribuciones y densidades notables
𝑁 \ uv\
Distribución binomial 𝑝\ = Prob 𝑋 = 𝑛 = 𝑝 1−𝑝
𝑛
𝑋, ΩL = 1,2, … , 𝑁 𝑝: parámetro que cumple 0 ≤ 𝑝 ≤ 1
1 kvx 0 𝜇= 𝑋
v
Distribución de Gauss 𝜌 𝑥 = 𝑒 yz 0
LÍMITE BINOMIAL
𝜎 2𝜋 𝜎= 𝑋, − 𝑋 ,