Probabilidad y Estadística · Guía completa de la materia
FIUBA · Probabilidad y Estadística (CB003, la PyE B; sirve también para PyE A, Probabilidad CB004 e Industriales) · La teoría de cada guía de ejercicios de la cátedra con procedimientos, ejemplos y preguntas explicadas, la hoja para el examen que todo cita, y los ejercicios de la guía de PyE B resueltos uno por uno
1 Cómo se aprueba PyE y cómo usar esta guía
Las reglas pueden cambiar de un cuatrimestre y de un curso a otro. Lo que sigue sale de la página de la cátedra (1C2026) y de los exámenes de 2025.
Qué materia es
Probabilidad y Estadística, código CB003 (plan 2023), antes PyE B (61.09 y 81.04). Esta guía sigue la de PyE B: doce guías, 1 a 8 de probabilidad y 9 a 12 de estadística, con 321 ejercicios (1.1 a 12.13).
PyE A (61.06, 81.03) rinde el mismo parcial y un integrador casi igual; Probabilidad (CB004, 81.16) e Industriales, el mismo parcial y un integrador sólo de probabilidad, sin la regla del 4 o el 5.
Cómo se aprueba
Hay un parcial, recuperatorios y un integrador. En el parcial entran todos los temas de probabilidad (guías 1 a 8, secciones 3 a 15). En el integrador entra todo el programa (guías 1 a 12, las 19 secciones): la estadística (guías 9 a 12, secciones 16 a 19) sólo se evalúa ahí.
Parcial (2025)
Integrador PyE B (2025)
Ejercicios
5
5
Duración
4 horas
4 horas
Para aprobar
al menos 3 ejercicios correctamente resueltos y justificados
al menos 3 resueltos y justificados, y al menos uno es el 4 o el 5 (estadística)
Justificar
Decir qué modelo usás, qué hipótesis se cumplen y qué fórmula aplicás en cada paso. Por eso las resoluciones de esta guía citan el renglón de la hoja que usan.
La regla del 4 o el 5
En el integrador de PyE B no alcanzan tres ejercicios cualesquiera: con el 1, el 2 y el 3 bien y nada más, no aprobás. Las secciones 16 a 19 no se pueden dejar para el final.
Qué se puede llevar. La cátedra dice que en 1C2026 los parciales y finales se rinden con libros y apuntes; los encabezados de 2025 no lo mencionan. Confirmalo en tu curso: la sección 2 es una hoja para imprimir y llevar.
Lo que las fuentes no dicen: quién corrige los integradores, si hace falta el parcial aprobado para el integrador, la nota final y la promoción. Los parciales los corrigen los docentes de tu curso. Preguntalo en tu curso.
Las fechas
La cátedra publica el calendario cada cuatrimestre. En el primer cuatrimestre de 2026 (todos de 9:00 a 13:00):
Instancia
Fecha
Primer parcial
sábado 23 de mayo
Primer recuperatorio
sábado 13 de junio
Segundo recuperatorio
jueves 2 de julio
Parcial diferido
miércoles 8 de julio, sólo con certificado
Integrador
2, 10 (revisar si es no laborable por puente) y 16 de julio, 6 y 13 de agosto
El segundo recuperatorio y la primera fecha del integrador coinciden en día y hora: hay que elegir una.
Qué tomaron en 2025
En los dos parciales (24/05 y 14/06) y los tres integradores (10/07, 17/07, 07/08) de PyE B:
Ej.
Tema
Sección
1
Probabilidad condicional o Bayes, en los cinco exámenes
4 (y 3)
2
Esperanza condicional, o esperanza y varianza de combinaciones de variables
12 (y 11), 7 y 8
3
Parciales: uniforme en una región del plano, distribución de W = |Y − X| o similar, con gráfico. Integradores: energía almacenada con capacidad máxima (mixta), o compras de seguidores con aproximación normal
10 (y 6), 9 (y 5), 15
4
Parciales: procesos de Poisson. Integradores: estimador bayesiano o de máxima verosimilitud
14, 19, 16
5
Parciales: aportes de seguidores con aproximación normal. Integradores: test de menor β, o IC para el desvío de una normal o para λ de un Poisson
15, 17, 18
Lo que se repite
La energía con capacidad máxima está en los tres integradores; la aproximación normal con seguidores, en los dos parciales y en dos integradores. Son cinco exámenes de un año: no sirven para dejar temas afuera.
Cómo usar esta guía
La sección 2 es la hoja para el examen: fórmulas de las doce guías en renglones numerados (H1.x a H12.x), tabla de distribuciones (D.x) y tablas de normal, t y chi cuadrado (T.x). "H4.7" es el renglón 7 del bloque de la guía 4; "4.7" es el ejercicio.
Marcas de la guía de la cátedra, que cada ejercicio resuelto indica:
Marca
Qué dice la guía
Cómo se trata acá
Importante
"Se recomienda fuertemente resolverlos", sean o no difíciles (97)
Primera tanda de cada sección
Complementario
Rótulo "Ejercicios Complementarios" al final de cada guía (72)
Para cuando el resto salga
Muy difícil
"Muy difíciles" o "sólo para audaces" (11)
Para el final
Requiere simulación
Piden simular con computadora (8)
Con código de R
Simulación. La cátedra usa R, y las resoluciones traen el código en un bloque aparte.
Orden de estudio
Ubicá los bloques de la sección 2 sin memorizarlos, y seguí las secciones en orden: cada una usa las anteriores.
En cada sección: teoría, preguntas, ejercicios importantes por tu cuenta y recién después la resolución; al final los complementarios y los muy difíciles.
Con las secciones 3 a 15 hechas, ya podés rendir el parcial: antes probá los ejercicios de 2025 con la hoja a mano.
Para el integrador sumá las secciones 16 a 19, sin dejarlas para la última semana.
2 La hoja para el examen: fórmulas, distribuciones y tablas
Las fórmulas de las doce guías en renglones numerados, la tabla de distribuciones y las tablas de la normal, la t y la chi cuadrado. Está segunda porque toda la guía la usa: cada resolución cita el renglón que usa (H4.7 es el renglón 7 del bloque de la guía 4; D.8, la exponencial; T.1, la normal). Resolvé con la hoja al lado y marcá lo que no encontraste solo.
¿La podés llevar al examen?
La cátedra dice que en el primer cuatrimestre de 2026 se rinde con libros y apuntes; confirmalo en tu curso.
Notación de la cátedra: G(p) cuenta ensayos (1, 2, …), E(λ) tiene intensidad λ (media 1/λ), en N(μ, σ²) el segundo número es la varianza, y los cuantiles dejan la probabilidad a la izquierda: z0.975 = 1.960. Escribí las condiciones (independientes, partición, n grande) antes de usar cada fórmula.
El PDF trae lo que se consulta, en 2 carillas más una de tablas. Los renglones marcados “de memoria” son definiciones y reglas básicas que hay que saber, y los marcados “sólo en la web” son de uso raro: ninguno está en el PDF.
H1 · Espacios de probabilidad, conteo, condicional e independencia (guía 1)
Renglón
Fórmula
H1.1 Axiomas de memoria
P(Ω) = 1; P(A) ≥ 0; aditiva para disjuntos
H1.2 Consecuencias de memoria
P(Ac) = 1 − P(A); P(∅) = 0; A ⊂ B ⇒ P(A) ≤ P(B)
H1.3 Unión
P(A ∪ B) = P(A) + P(B) − P(A ∩ B); P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C)
H1.4 De Morgan y “al menos uno” de memoria
(A ∪ B)c = Ac ∩ Bc; (A ∩ B)c = Ac ∪ Bc; P(al menos uno) = 1 − P(ninguno)
H1.5 Laplace de memoria
equiprobables: P(A) = #A#Ω
H1.6 Espacio discreto de memoria
P(A) = ∑ω∈A p(ω), con p(ω) ≥ 0 y ∑ p(ω) = 1
H1.7 Probabilidad geométrica
punto al azar en Λ (largo, área o volumen |Λ|): P(A) = |A ∩ Λ||Λ|
con orden y con reposición nk; con orden sin reposición n!(n − k)!; sin orden sin reposición C(n, k) = n!k! (n − k)!; sin orden con reposición C(n + k − 1, k)
componentes independientes, funcionan con pi: serie ∏ pi; paralelo 1 − ∏ (1 − pi)
H1.20 Ensayos independientes de memoria
P(al menos un éxito en n ensayos) = 1 − (1 − p)n
H1.21 Series
|r| < 1: ∑n=0∞ rn = 11 − r; ∑n=1∞ n rn−1 = 1(1 − r)2; ∑n=0∞xnn! = ex
H1.22 Simulación sólo en la web
discreta: tramos de largo pi en (0, 1] y se mira dónde cae U ∼ U(0, 1); P(A) ≈ frecuencia relativa, error típico √(p(1 − p)/m); Monte Carlo: ∫ab f ≈ (b − a) M · aciertosn
H2 · Variables y vectores aleatorios (guía 2)
Renglón
Fórmula
H2.1 Función de distribución de memoria
FX(x) = P(X ≤ x): no decreciente, continua a derecha, límites 0 y 1
H2.2 Probabilidades con F de memoria
P(a < X ≤ b) = F(b) − F(a); P(X = a) = F(a) − F(a−) (el salto)
H2.3 Discreta de memoria
pX(x) = P(X = x), ∑ pX = 1; FX(x) = ∑t ≤ x pX(t)
H2.4 Continua de memoria
fX ≥ 0, ∫ fX = 1; FX(x) = ∫−∞x fX; P(X = a) = 0
H2.5 Mixta
P(X ∈ B) = (saltos en B) + ∫B F′(x) dx
H2.6 Cuantil
xa con FX(xa) = a; en general P(X < x) ≤ a ≤ P(X ≤ x); mediana x0.5
H2.7 Falta de memoria
T ∼ E(λ): P(T > s + t | T > s) = e−λt; N ∼ G(p): P(N > m + n | N > m) = (1 − p)n
H2.8 Intensidad de fallas
λ(t) = fT(t)1 − FT(t); FT(t) = 1 − exp(−∫0t λ(s) ds); λ constante ⇔ T ∼ E(λ); dado T > t0, T − t0 tiene intensidad λ(t + t0)
H2.9 Simulación por la inversa
U ∼ U(0, 1): X = F−1(U) = mín{x : F(x) ≥ U} tiene distribución F; FX continua ⇒ FX(X) ∼ U(0, 1)
H2.10 Condicionar a un evento (truncar)
fX | X∈A(x) = fX(x) 1{x ∈ A}P(X ∈ A)
H2.11 Datos: empírica e histograma sólo en la web
F̂n(x) = cantidad de datos ≤ xn; histograma: altura = frecuencia relativaancho del intervalo
H2.12 Vector aleatorio de memoria
FX,Y(x, y) = P(X ≤ x, Y ≤ y); P((X, Y) ∈ A) = ∬A fX,Y
H2.13 Marginales de memoria
pX(x) = ∑y pX,Y(x, y); fX(x) = ∫ fX,Y(x, y) dy
H2.14 Independencia de variables de memoria
FX,Y = FX FY ⇔ pX,Y = pX pY (o fX,Y = fX fY); soporte no rectangular ⇒ no independientes
pares independientes: C = 1n ∑ (Xi − X̄)(Yi − Ȳ) tiene E[C] = n − 1n cov(X, Y); con 1n − 1 es insesgada
H4 · Funciones de variables y vectores aleatorios (guía 4)
Renglón
Fórmula
H4.1 Eventos equivalentes
Y = g(X): FY(y) = P(X ∈ {x : g(x) ≤ y}), tramo a tramo; si Y es continua, se deriva
H4.2 g monótona
estrictamente monótona y derivable: fY(y) = fX(g−1(y)) |(g−1)′(y)|, soporte g(soporte de X)
H4.3 g no monótona
fY(y) = ∑x : g(x) = yfX(x)|g′(x)|
H4.4 Y discreta de memoria
pY(y) = ∑x : g(x) = y pX(x)
H4.5 Cambio lineal
Y = aX + b: fY(y) = 1|a| fX(y − ba); X ∼ N(μ, σ2) ⇒ aX + b ∼ N(aμ + b, a2σ2); lineal de uniforme es uniforme
H4.6 Recortes (dan variables mixtas)
Y = mín(X, c): P(Y = c) = P(X ≥ c), FY(y) = FX(y) para y < c; W = máx(X − c, 0): P(W = 0) = P(X ≤ c), FW(w) = FX(c + w) para w ≥ 0
H4.7 Jacobiano
(U, V) = g(X, Y) biyectiva: fU,V(u, v) = fX,Y(x(u, v), y(u, v)) |J|, J = det ∂(x, y)∂(u, v); soporte = imagen del viejo; si g no es inyectiva, se parte el soporte y se suman las regiones
H4.8 Suma (convolución)
independientes: fX+Y(z) = ∫ fX(x) fY(z − x) dx; discretas pX+Y(z) = ∑x pX(x) pY(z − x); en general FX+Y(z) = ∬x+y≤z fX,Y(x, y) dx dy
S = X1 + ⋯ + XN, Xi iguales e independientes de N: E[S] = E[N] E[X]; var(S) = E[N] var(X) + var(N) E[X]2
H5.12 Condicionar a una función del par sólo en la web
W = h(X, Y): se completa a (X, W), fX,W con H4.7 y fX|W=w(x) = fX,W(x, w)fW(w); W = X + Y: fX,W(x, w) = fX,Y(x, w − x)
H6 · Proceso de Bernoulli (guía 6)
Renglón
Fórmula
H6.1 Proceso de Bernoulli
ensayos independientes, éxito p: éxitos en n ensayos ∼ B(n, p); ensayos hasta el primero ∼ G(p), hasta el k-ésimo ∼ Pas(k, p); moda de B(n, p): ⌊(n + 1)p⌋
entre arribos: E(λ) independientes; k-ésimo arribo Sk ∼ Γ(k, λ); P(Sk > t) = P(N(t) < k) = ∑n=0k−1 e−λt(λt)nn!
H7.3 Falta de memoria
desde un instante fijo, o uno decidido con lo ocurrido antes (un arribo), lo que sigue es otro Poisson de intensidad λ, independiente del pasado
H7.4 Condicional
dado N(t) = n, los arribos son n uniformes independientes en (0, t), ordenadas; N(s) | N(t) = n ∼ B(n, s/t); dado Sk = s, los k − 1 anteriores son uniformes independientes en (0, s), ordenadas
H7.5 Adelgazamiento
arribo de tipo 1 con probabilidad p, independiente: tipo 1 y tipo 2 son Poisson independientes de intensidades λp y λ(1 − p)
H7.6 Superposición
Poisson independientes de intensidades λ1 y λ2: juntos, intensidad λ1 + λ2; cada arribo es del primero con probabilidad λ1λ1 + λ2
H7.7 Proceso compuesto
S(t) = ∑i=1N(t) Yi, Yi iguales e independientes del proceso: E[S(t)] = λt E[Y]; var(S(t)) = λt E[Y2]
H8 · Normal y teorema central del límite (guía 8)
Renglón
Fórmula
H8.1 Estandarizar de memoria
X ∼ N(μ, σ2) ⇒ Z = X − μσ ∼ N(0, 1) y P(X ≤ x) = Φ(x − μσ); Φ(−z) = 1 − Φ(z); P(|Z| ≤ z) = 2Φ(z) − 1
Zi ∼ N(0, 1) independientes: ∑ Zi2 ∼ χ2k = Γ(k/2, 1/2); Z ∼ N(0, 1), W ∼ χ2k independientes: Z√(W/k) ∼ tk
H9.11 Más EMV
G(p): p̂ = 1/X̄; B(m, p), m conocido: p̂ = X̄/m; multinomial: p̂i = xi/n; fθ(x) = θ x−(θ+1) en x > 1: θ̂ = n∑ ln Xi; soporte con θ (3θ3 x−4 en x ≥ θ): θ̂ = mín Xi; θ con pocos valores: se compara L en cada uno
H9.12 Cuentas útiles sólo en la web
T ∼ Γ(n, λ): E[1/T] = λn − 1 (n > 1); muestra normal: var(S2) = 2σ4n − 1; H(N, d, n) con x defectuosos: EMV de d = ⌊x(N + 1)/n⌋
H0: θ = θ0 contra H1: θ = θ1: el test de menor β con nivel α rechaza si L(θ1; x)L(θ0; x) > k; discreto: se agregan resultados por cociente decreciente mientras Pθ0(región) ≤ α, y se elige la región de nivel ≤ α con mayor Pθ1 (menor β)
H10.3 Hipótesis unilaterales
si el cociente L(θ1; x)L(θ0; x) crece con T(x) para todo θ1 > θ0, “rechazar si T > c” es el más potente de nivel α para H1: θ > θ0
H10.4 p-valor de memoria
probabilidad, bajo H0, de un resultado tan o más a favor de H1 que el observado; rechaza si p-valor ≤ α
H10.5 Media de una normal
σ conocido: Z = X̄ − μ0σ/√n ∼ N(0, 1); σ desconocido: T = X̄ − μ0S/√n ∼ tn−1; se rechaza si: H1: μ > μ0, Z > z1−α; μ < μ0, Z < zα; μ ≠ μ0, |Z| > z1−α/2 (con tn−1 si σ es desconocido)
2λ ∑ Xi ∼ χ22n: λ ∈ [ χ22n, α/22 ∑ Xi , χ22n, 1−α/22 ∑ Xi ]; para la media 1/λ se invierten
H11.6 Uniforme U(0, θ)
X(n)/θ tiene F(t) = tn en [0, 1]: θ ∈ [ X(n) , X(n)/α1/n ] tiene nivel 1 − α
H11.7 Poisson
μ ∈ X̄ ± z1−α/2 √(X̄/n) (asintótico)
H11.8 Asintótico general
θ̂ ± z1−α/2√(n I(θ̂))
H11.9 Cotas de confianza
un extremo, con α en lugar de α/2 y 1 − α en lugar de 1 − α/2. Media: inferior X̄ − tn−1, 1−αS√n, superior X̄ + tn−1, 1−αS√n; λ exponencial: inferior χ22n, α2 ∑ Xi, superior χ22n, 1−α2 ∑ Xi; σ2: inferior (n − 1) S2χ2n−1, 1−α, superior (n − 1) S2χ2n−1, α
H11.10 Tamaño de muestra
longitud a lo sumo L, media con σ conocido: n ≥ (2 z1−α/2 σL)2; proporción (p(1 − p) ≤ 1/4): n ≥ (z1−α/2L)2
H11.11 Intensidad de un proceso de Poisson
N arribos en tiempo t: λ̂ = N/t y λ ∈ Nt ± z1−α/2√Nt (asintótico)
H11.12 Mínimo de exponenciales y máximo de una potencia sólo en la web
E(λ): 2nλ X(1) ∼ χ22; F(x) = (x/θ)k en (0, θ): X(n)/θ tiene F(t) = tkn y θ ∈ [X(n), X(n)/α1/(kn)] tiene nivel 1 − α
Ver las tablas de la normal, la t y la chi cuadradoT.1 a T.3. También están en la carilla 3 del PDF.
T.1 · Normal estándar: Φ(z) = P(Z ≤ z)
Fila: entero y primer decimal de z; columna: segundo decimal. Φ(1.96) está en la fila 1.9, columna 0.06: 0.97500.
z
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.50000
0.50399
0.50798
0.51197
0.51595
0.51994
0.52392
0.52790
0.53188
0.53586
0.1
0.53983
0.54380
0.54776
0.55172
0.55567
0.55962
0.56356
0.56749
0.57142
0.57535
0.2
0.57926
0.58317
0.58706
0.59095
0.59483
0.59871
0.60257
0.60642
0.61026
0.61409
0.3
0.61791
0.62172
0.62552
0.62930
0.63307
0.63683
0.64058
0.64431
0.64803
0.65173
0.4
0.65542
0.65910
0.66276
0.66640
0.67003
0.67364
0.67724
0.68082
0.68439
0.68793
0.5
0.69146
0.69497
0.69847
0.70194
0.70540
0.70884
0.71226
0.71566
0.71904
0.72240
0.6
0.72575
0.72907
0.73237
0.73565
0.73891
0.74215
0.74537
0.74857
0.75175
0.75490
0.7
0.75804
0.76115
0.76424
0.76730
0.77035
0.77337
0.77637
0.77935
0.78230
0.78524
0.8
0.78814
0.79103
0.79389
0.79673
0.79955
0.80234
0.80511
0.80785
0.81057
0.81327
0.9
0.81594
0.81859
0.82121
0.82381
0.82639
0.82894
0.83147
0.83398
0.83646
0.83891
1.0
0.84134
0.84375
0.84614
0.84849
0.85083
0.85314
0.85543
0.85769
0.85993
0.86214
1.1
0.86433
0.86650
0.86864
0.87076
0.87286
0.87493
0.87698
0.87900
0.88100
0.88298
1.2
0.88493
0.88686
0.88877
0.89065
0.89251
0.89435
0.89617
0.89796
0.89973
0.90147
1.3
0.90320
0.90490
0.90658
0.90824
0.90988
0.91149
0.91309
0.91466
0.91621
0.91774
1.4
0.91924
0.92073
0.92220
0.92364
0.92507
0.92647
0.92785
0.92922
0.93056
0.93189
1.5
0.93319
0.93448
0.93574
0.93699
0.93822
0.93943
0.94062
0.94179
0.94295
0.94408
1.6
0.94520
0.94630
0.94738
0.94845
0.94950
0.95053
0.95154
0.95254
0.95352
0.95449
1.7
0.95543
0.95637
0.95728
0.95818
0.95907
0.95994
0.96080
0.96164
0.96246
0.96327
1.8
0.96407
0.96485
0.96562
0.96638
0.96712
0.96784
0.96856
0.96926
0.96995
0.97062
1.9
0.97128
0.97193
0.97257
0.97320
0.97381
0.97441
0.97500
0.97558
0.97615
0.97670
2.0
0.97725
0.97778
0.97831
0.97882
0.97932
0.97982
0.98030
0.98077
0.98124
0.98169
2.1
0.98214
0.98257
0.98300
0.98341
0.98382
0.98422
0.98461
0.98500
0.98537
0.98574
2.2
0.98610
0.98645
0.98679
0.98713
0.98745
0.98778
0.98809
0.98840
0.98870
0.98899
2.3
0.98928
0.98956
0.98983
0.99010
0.99036
0.99061
0.99086
0.99111
0.99134
0.99158
2.4
0.99180
0.99202
0.99224
0.99245
0.99266
0.99286
0.99305
0.99324
0.99343
0.99361
2.5
0.99379
0.99396
0.99413
0.99430
0.99446
0.99461
0.99477
0.99492
0.99506
0.99520
2.6
0.99534
0.99547
0.99560
0.99573
0.99585
0.99598
0.99609
0.99621
0.99632
0.99643
2.7
0.99653
0.99664
0.99674
0.99683
0.99693
0.99702
0.99711
0.99720
0.99728
0.99736
2.8
0.99744
0.99752
0.99760
0.99767
0.99774
0.99781
0.99788
0.99795
0.99801
0.99807
2.9
0.99813
0.99819
0.99825
0.99831
0.99836
0.99841
0.99846
0.99851
0.99856
0.99861
3.0
0.99865
0.99869
0.99874
0.99878
0.99882
0.99886
0.99889
0.99893
0.99896
0.99900
3.1
0.99903
0.99906
0.99910
0.99913
0.99916
0.99918
0.99921
0.99924
0.99926
0.99929
3.2
0.99931
0.99934
0.99936
0.99938
0.99940
0.99942
0.99944
0.99946
0.99948
0.99950
3.3
0.99952
0.99953
0.99955
0.99957
0.99958
0.99960
0.99961
0.99962
0.99964
0.99965
3.4
0.99966
0.99968
0.99969
0.99970
0.99971
0.99972
0.99973
0.99974
0.99975
0.99976
T.2 · Cuantiles de la t de Student: P(T ≤ tν, a) = a
Fila: ν (n − 1 en una muestra normal); columna: a. La fila ∞ es la normal estándar. Si tu ν no está, usá la fila más cercana con menos grados de libertad (el intervalo sale algo más ancho).
ν
0.75
0.8
0.85
0.9
0.95
0.975
0.99
0.995
1
1.000
1.376
1.963
3.078
6.314
12.706
31.821
63.657
2
0.816
1.061
1.386
1.886
2.920
4.303
6.965
9.925
3
0.765
0.978
1.250
1.638
2.353
3.182
4.541
5.841
4
0.741
0.941
1.190
1.533
2.132
2.776
3.747
4.604
5
0.727
0.920
1.156
1.476
2.015
2.571
3.365
4.032
6
0.718
0.906
1.134
1.440
1.943
2.447
3.143
3.707
7
0.711
0.896
1.119
1.415
1.895
2.365
2.998
3.499
8
0.706
0.889
1.108
1.397
1.860
2.306
2.896
3.355
9
0.703
0.883
1.100
1.383
1.833
2.262
2.821
3.250
10
0.700
0.879
1.093
1.372
1.812
2.228
2.764
3.169
11
0.697
0.876
1.088
1.363
1.796
2.201
2.718
3.106
12
0.695
0.873
1.083
1.356
1.782
2.179
2.681
3.055
13
0.694
0.870
1.079
1.350
1.771
2.160
2.650
3.012
14
0.692
0.868
1.076
1.345
1.761
2.145
2.624
2.977
15
0.691
0.866
1.074
1.341
1.753
2.131
2.602
2.947
16
0.690
0.865
1.071
1.337
1.746
2.120
2.583
2.921
17
0.689
0.863
1.069
1.333
1.740
2.110
2.567
2.898
18
0.688
0.862
1.067
1.330
1.734
2.101
2.552
2.878
19
0.688
0.861
1.066
1.328
1.729
2.093
2.539
2.861
20
0.687
0.860
1.064
1.325
1.725
2.086
2.528
2.845
21
0.686
0.859
1.063
1.323
1.721
2.080
2.518
2.831
22
0.686
0.858
1.061
1.321
1.717
2.074
2.508
2.819
23
0.685
0.858
1.060
1.319
1.714
2.069
2.500
2.807
24
0.685
0.857
1.059
1.318
1.711
2.064
2.492
2.797
25
0.684
0.856
1.058
1.316
1.708
2.060
2.485
2.787
26
0.684
0.856
1.058
1.315
1.706
2.056
2.479
2.779
27
0.684
0.855
1.057
1.314
1.703
2.052
2.473
2.771
28
0.683
0.855
1.056
1.313
1.701
2.048
2.467
2.763
29
0.683
0.854
1.055
1.311
1.699
2.045
2.462
2.756
30
0.683
0.854
1.055
1.310
1.697
2.042
2.457
2.750
31
0.682
0.853
1.054
1.309
1.696
2.040
2.453
2.744
32
0.682
0.853
1.054
1.309
1.694
2.037
2.449
2.738
33
0.682
0.853
1.053
1.308
1.692
2.035
2.445
2.733
34
0.682
0.852
1.052
1.307
1.691
2.032
2.441
2.728
35
0.682
0.852
1.052
1.306
1.690
2.030
2.438
2.724
36
0.681
0.852
1.052
1.306
1.688
2.028
2.434
2.719
37
0.681
0.851
1.051
1.305
1.687
2.026
2.431
2.715
38
0.681
0.851
1.051
1.304
1.686
2.024
2.429
2.712
39
0.681
0.851
1.050
1.304
1.685
2.023
2.426
2.708
40
0.681
0.851
1.050
1.303
1.684
2.021
2.423
2.704
50
0.679
0.849
1.047
1.299
1.676
2.009
2.403
2.678
60
0.679
0.848
1.045
1.296
1.671
2.000
2.390
2.660
70
0.678
0.847
1.044
1.294
1.667
1.994
2.381
2.648
80
0.678
0.846
1.043
1.292
1.664
1.990
2.374
2.639
90
0.677
0.846
1.042
1.291
1.662
1.987
2.368
2.632
120
0.677
0.845
1.041
1.289
1.658
1.980
2.358
2.617
∞
0.674
0.842
1.036
1.282
1.645
1.960
2.326
2.576
T.3 · Cuantiles de la chi cuadrado: P(X ≤ χ²ν, a) = a
Intervalo de la varianza de nivel 1 − α: columnas α/2 y 1 − α/2.
ν
0.005
0.01
0.025
0.05
0.1
0.9
0.95
0.975
0.99
0.995
1
0.000
0.000
0.001
0.004
0.016
2.706
3.841
5.024
6.635
7.879
2
0.010
0.020
0.051
0.103
0.211
4.605
5.991
7.378
9.210
10.597
3
0.072
0.115
0.216
0.352
0.584
6.251
7.815
9.348
11.345
12.838
4
0.207
0.297
0.484
0.711
1.064
7.779
9.488
11.143
13.277
14.860
5
0.412
0.554
0.831
1.145
1.610
9.236
11.070
12.833
15.086
16.750
6
0.676
0.872
1.237
1.635
2.204
10.645
12.592
14.449
16.812
18.548
7
0.989
1.239
1.690
2.167
2.833
12.017
14.067
16.013
18.475
20.278
8
1.344
1.646
2.180
2.733
3.490
13.362
15.507
17.535
20.090
21.955
9
1.735
2.088
2.700
3.325
4.168
14.684
16.919
19.023
21.666
23.589
10
2.156
2.558
3.247
3.940
4.865
15.987
18.307
20.483
23.209
25.188
11
2.603
3.053
3.816
4.575
5.578
17.275
19.675
21.920
24.725
26.757
12
3.074
3.571
4.404
5.226
6.304
18.549
21.026
23.337
26.217
28.300
13
3.565
4.107
5.009
5.892
7.042
19.812
22.362
24.736
27.688
29.819
14
4.075
4.660
5.629
6.571
7.790
21.064
23.685
26.119
29.141
31.319
15
4.601
5.229
6.262
7.261
8.547
22.307
24.996
27.488
30.578
32.801
16
5.142
5.812
6.908
7.962
9.312
23.542
26.296
28.845
32.000
34.267
17
5.697
6.408
7.564
8.672
10.085
24.769
27.587
30.191
33.409
35.718
18
6.265
7.015
8.231
9.390
10.865
25.989
28.869
31.526
34.805
37.156
19
6.844
7.633
8.907
10.117
11.651
27.204
30.144
32.852
36.191
38.582
20
7.434
8.260
9.591
10.851
12.443
28.412
31.410
34.170
37.566
39.997
21
8.034
8.897
10.283
11.591
13.240
29.615
32.671
35.479
38.932
41.401
22
8.643
9.542
10.982
12.338
14.041
30.813
33.924
36.781
40.289
42.796
23
9.260
10.196
11.689
13.091
14.848
32.007
35.172
38.076
41.638
44.181
24
9.886
10.856
12.401
13.848
15.659
33.196
36.415
39.364
42.980
45.559
25
10.520
11.524
13.120
14.611
16.473
34.382
37.652
40.646
44.314
46.928
26
11.160
12.198
13.844
15.379
17.292
35.563
38.885
41.923
45.642
48.290
27
11.808
12.879
14.573
16.151
18.114
36.741
40.113
43.195
46.963
49.645
28
12.461
13.565
15.308
16.928
18.939
37.916
41.337
44.461
48.278
50.993
29
13.121
14.256
16.047
17.708
19.768
39.087
42.557
45.722
49.588
52.336
30
13.787
14.953
16.791
18.493
20.599
40.256
43.773
46.979
50.892
53.672
31
14.458
15.655
17.539
19.281
21.434
41.422
44.985
48.232
52.191
55.003
32
15.134
16.362
18.291
20.072
22.271
42.585
46.194
49.480
53.486
56.328
33
15.815
17.074
19.047
20.867
23.110
43.745
47.400
50.725
54.776
57.648
34
16.501
17.789
19.806
21.664
23.952
44.903
48.602
51.966
56.061
58.964
35
17.192
18.509
20.569
22.465
24.797
46.059
49.802
53.203
57.342
60.275
36
17.887
19.233
21.336
23.269
25.643
47.212
50.998
54.437
58.619
61.581
37
18.586
19.960
22.106
24.075
26.492
48.363
52.192
55.668
59.893
62.883
38
19.289
20.691
22.878
24.884
27.343
49.513
53.384
56.896
61.162
64.181
39
19.996
21.426
23.654
25.695
28.196
50.660
54.572
58.120
62.428
65.476
40
20.707
22.164
24.433
26.509
29.051
51.805
55.758
59.342
63.691
66.766
50
27.991
29.707
32.357
34.764
37.689
63.167
67.505
71.420
76.154
79.490
60
35.534
37.485
40.482
43.188
46.459
74.397
79.082
83.298
88.379
91.952
70
43.275
45.442
48.758
51.739
55.329
85.527
90.531
95.023
100.425
104.215
80
51.172
53.540
57.153
60.391
64.278
96.578
101.879
106.629
112.329
116.321
90
59.196
61.754
65.647
69.126
73.291
107.565
113.145
118.136
124.116
128.299
100
67.328
70.065
74.222
77.929
82.358
118.498
124.342
129.561
135.807
140.169
Trampas al usar la hoja
N(μ, σ²) lleva la varianza. Con N(10, 4) el desvío es 2: estandarizás con (x − 10)/2.
La G(p) de la cátedra cuenta ensayos, no fracasos. Su media es 1/p.
Las tablas dejan la probabilidad a la izquierda. Para un intervalo de nivel 0.95 va la columna 0.975 (en la t, con ν = n − 1). Φ sólo está para z ≥ 0: Φ(−z) = 1 − Φ(z) (H8.1).
Entra en el parcial. Hoja: bloque H1 (H1.1 a H1.13, H1.17, H1.22).
1. Modelar un experimento: espacio muestral y eventos
El espacio muestral Ω es el conjunto de resultados posibles; cada ω ∈ Ω es un resultado. Un evento es un subconjunto A ⊂ Ω: "ocurre A" si el ω que salió está en A.
Lo primero es elegir Ω: tiene que describir lo que produce el experimento, con resultados de probabilidad conocida. La suma de dos dados se calcula sobre el resultado, no es el resultado: Ω son los 36 pares (i, j).
Resultados que no pesan lo mismo
Con Ω′ = {2, …, 12} en partes iguales saldría P(suma = 7) = 1/11. Es falso: el 7 sale de 6 pares y el 2 de uno, así que P(7) = 1/6 y P(2) = 1/36. Igual con "0, 1 o 2 caras" (P(1 cara) = 1/2, no 1/3) y con pares sin orden. Modelá siempre con resultados ordenados y distinguidos (dado 1, dado 2) y contá después.
En palabras
Como conjunto
ocurre A o B (o los dos)
A ∪ B
ocurren A y B
A ∩ B
no ocurre A
Ac = Ω − A
A pero no B; "solo A"
A − B = A ∩ Bc
ni A ni B
(A ∪ B)c = Ac ∩ Bc
al menos uno / ninguno de A, B, C
A ∪ B ∪ C / (A ∪ B ∪ C)c
exactamente uno de A, B
(A − B) ∪ (B − A)
si ocurre A, ocurre B
A ⊂ B
A y B no pueden ocurrir juntos
A ∩ B = ∅ (disjuntos)
De Morgan (H1.4): (A ∪ B)c = Ac ∩ Bc y (A ∩ B)c = Ac ∪ Bc, también con más eventos. Una partición de Ω son eventos disjuntos de a pares cuya unión es Ω.
Traducir frases
Dado: A = "par" = {2, 4, 6}, B = "más de 3" = {4, 5, 6}. → Par pero no mayor que 3: A − B = {2}. → Ni par ni mayor que 3: (A ∪ B)c = {1, 3}.
2. El álgebra de eventos
Las probabilidades se definen sólo para los eventos de una familia 𝒜 que sea un álgebra: (a) Ω ∈ 𝒜; (b) A ∈ 𝒜 ⇒ Ac ∈ 𝒜; (c) A, B ∈ 𝒜 ⇒ A ∪ B ∈ 𝒜. Con Ω infinito se pide también para uniones numerables (σ-álgebra). De ahí salen ∅ ∈ 𝒜 y que las intersecciones y las diferencias están en 𝒜.
Si no se aclara, 𝒜 = partes de Ω, 2Ω: con #Ω = m hay 2m eventos; para m = 6 son 26 = 64, no 62.
Menor álgebra que contiene a E1, …, Ek. Sus átomos son los eventos no vacíos F1 ∩ ⋯ ∩ Fk con cada Fi igual a Ei o Eic: forman una partición de Ω, y todo evento del álgebra es una unión de átomos.
Partí Ω en átomos: van juntos los resultados que están en exactamente los mismos Ei (los que no están en ninguno son el "resto").
Con m átomos hay 2m eventos: ∅, cada átomo, cada unión de átomos, Ω.
Si te dan probabilidades de átomos, la de cada evento es la suma de las de sus átomos (H1.1); lo que falta para 1 es el último átomo.
Dos conjuntos que se pisan
Ω = {1, …, 6}, E1 = {1, 2, 3}, E2 = {3, 4}. Átomos: E1 ∩ E2 = {3}, E1 − E2 = {1, 2}, E2 − E1 = {4} y el resto {5, 6}. Son 4, así que hay 24 = 16 eventos. Con P({3}) = 0.1, P({1, 2}) = 0.3 y P({4}) = 0.2: P({5, 6}) = 0.4 y P(E1 ∪ E2) = 0.6.
Con un álgebra chica hay eventos sin probabilidad
Si 𝒜 = {∅, {1, 2, 3}, {4, 5, 6}, Ω}, P({1}) no está definido (no es cero). "Las probabilidades de todos los eventos" son las de los 2m elementos del álgebra, con ∅ y Ω incluidos.
Sólo se suma cuando los eventos son disjuntos; la versión numerable permite sumar series. De los axiomas salen (H1.2 y H1.3):
Complemento: P(Ac) = 1 − P(A); P(∅) = 0.
Diferencia y monotonía: P(A − B) = P(A) − P(A ∩ B); si A ⊂ B, P(A) ≤ P(B).
Unión de dos:P(A ∪ B) = P(A) + P(B) − P(A ∩ B). Entonces P(A ∪ B) ≤ P(A) + P(B).
Unión de tres: P(A ∪ B ∪ C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(B ∩ C) + P(A ∩ B ∩ C).
Al menos uno:P(al menos uno) = 1 − P(ninguno) (De Morgan, H1.4). Es el atajo más usado.
Probabilidad cero no es imposible
P(A) = 0 no significa A = ∅, ni P(A) = 1 significa A = Ω. Hay eventos posibles de probabilidad 0 (un punto de [0, 1], sección 9). Sólo vale A = ∅ ⇒ P(A) = 0.
Datos de conteos (Venn). Se elige un elemento al azar del grupo: P(A) = #A/#Ω (H1.5). Completá el diagrama de adentro hacia afuera:
La triple intersección; luego cada intersección de a dos menos la triple; luego cada conjunto menos lo ya anotado adentro de él.
Fuera de la unión: total menos la suma de las regiones (o inclusión y exclusión, H1.3).
Cada pregunta es una suma de regiones; dividí por el total.
Se completa de adentro hacia afuera: el centro, los pares, los conjuntos solos y, al final, lo que queda fuera.
Tres idiomas en un grupo de 150
80 hablan inglés (A), 50 francés (B), 40 italiano (C); 20 hablan A y B, 15 A y C, 12 B y C, 6 los tres. → Pares sin la triple: 14, 9 y 6. → Un solo idioma: 80 − 14 − 9 − 6 = 51, 24 y 19. → Alguno: 51 + 24 + 19 + 14 + 9 + 6 + 6 = 129 (con H1.3: 80 + 50 + 40 − 20 − 15 − 12 + 6), y 21 ninguno. → P(A ∪ B) = 11/15 ≈ 0.7333; P(exactamente uno) = 94/150 ≈ 0.6267; P(ninguno) = 0.14.
Datos de probabilidades y complemento
P(A) = 0.5, P(B) = 0.4, P(A ∪ B) = 0.7 ⇒ P(A ∩ B) = 0.2 (H1.3), P(A − B) = 0.5 − 0.2 = 0.3 (H1.2) y P(ninguno) = 1 − 0.7 = 0.3. Con 3 dados, P(al menos un 6) = 1 − 53/63 = 91/216 ≈ 0.4213 (H1.4): contar los casos sin ningún 6 es inmediato. Con 4 dados, 1 − (5/6)4 = 671/1296 ≈ 0.5177 > 1/2: es más probable que salga algún 6 que ninguno.
4. Espacios discretos
Un espacio es discreto si Ω es finito o numerable. Alcanza con un peso por resultado, p(ω) (H1.6), y P(A) es la suma de los pesos de A:
p{(\omega)}\ge0
\sum_{\omega\in\Omega}p{(\omega)}=1
P{(A)}=\sum_{\omega\in A}p{(\omega)}
Sólo hay que verificar que los pesos sean no negativos y sumen exactamente 1. Para hallar una constante c:
Planteá ∑ p(ω) = 1 con c adentro y calculá la suma (a mano si es finita, con una serie si es infinita).
Despejá c y verificá que sea positivo. Para un evento A, sumá p(ω) sobre A.
Series: ∑k≥0 rk = 1/(1 − r) con |r| < 1; parcial ∑k=0n rk = (1 − rn+1)/(1 − r); cola ∑k≥m rk = rm/(1 − r); ∑n≥0 an/n! = ea, con (ea + e−a)/2 sobre n pares y (ea − e−a)/2 sobre impares.
Hasta que ocurre algo. Ω = {1, 2, 3, …}, con ∞ agregado si el experimento puede no terminar. Si el éxito de cada intento tiene probabilidad r y los intentos no se influyen, N = cantidad de intentos tiene p(n) = (1 − r)n−1 r, P(N > n) = (1 − r)n, y "n par" es una geométrica de razón (1 − r)².
Si los pesos no suman 1, lo que falta es la probabilidad de que el experimento no termine nunca: se agrega el resultado ∞ con p(∞) = 1 − ∑ p(n).
Moneda cargada y pesos que no suman 1
Cara con r = 0.3, se tira hasta la primera cara: p(n) = 0.7n−1 · 0.3. → N par: 0.3 · 0.7 ∑j≥0 0.49j = 0.21/0.51 = 7/17 ≈ 0.4118. → N > 3: 0.73 = 0.343. → Si a "termina en la ronda k" se le asigna 1/(2 · 3k−1), la suma es (1/2) · 1/(1 − 1/3) = 3/4 y P(no termina nunca) = 1/4.
Un juego por turnos con tres jugadores
Ana, Beto y Caro: el que gana sigue contra el que esperaba y el primero que gana dos partidos seguidos termina. Empiezan Ana y Beto. Los ganadores siguen el ciclo A, C, B, A, … (si empieza A) o B, C, A, B, … (si empieza B) y el juego termina cuando una letra repite a la anterior: AA, ACC, … Hay dos juegos de cada duración k ≥ 2 y dos sucesiones infinitas (ACBACB…, BCABCA…) que no terminan: Ω las incluye como "infinito". → Con peso 1/(5 · 2k−1) por juego de duración k, los finitos suman 2/5 y P(no termina) = 3/5. Si P(Ana gana el primer partido) = 3/10, los juegos que arrancan con A pesan 3/10 y los finitos de ese grupo 1/5: ACBACB… pesa 1/10 y BCABCA… pesa 1/2. → Gana la letra del lugar k − 1 del ciclo; con arranque A, k ≡ 2, 0, 1 (módulo 3) son series de razón 1/8 que suman 4/35, 2/35, 1/35 (con B se rota). P(Ana) = 4/35 + 1/35 = 1/7, P(Beto) = 1/7, P(Caro) = 4/35.
Hallar eventos con una propiedad. Con Ω finito: si todos los pesos son positivos, un evento tiene probabilidad 0 sólo si es vacío; un resultado de peso 0 puede estar o no en el evento sin cambiar nada (aparecen más soluciones). Después se buscan los subconjuntos cuya suma de pesos dé el valor pedido.
Eventos con una suma de pesos dada
Ω = {1, …, 5}, p = (0.15, 0.25, 0.30, 0.10, 0.20), A = {2, 3}, P(A) = 0.55. → B ⊃ A con P(B) = 0.75: hay que sumar 0.20 con resultados de {1, 4, 5}: sólo {5}, B = {2, 3, 5}. → C con P(A ∩ C) = 0 y P(C) = 0.25: C ⊂ {1, 4, 5} y el único que suma 0.25 es {1, 4}.
Entropía. H = −∑ pi ln pi (0 · ln 0 = 0) es máxima, H = ln n, sólo si pi = 1/n. Se usa ln x ≤ x − 1 (igualdad sólo en x = 1): con k = cantidad de pi positivos, H − ln n = ∑ pi ln(1/(n pi)) ≤ ∑ pi (1/(n pi) − 1) = k/n − 1 ≤ 0, y la igualdad exige k = n y n pi = 1.
5. Espacios finitos equiprobables: la fórmula de Laplace
Si Ω es finito y todos los resultados pesan igual, cada uno pesa 1/#Ω y (H1.5):
P{(A)}=\frac{\#A}{\#\Omega}
(casos favorables sobre casos posibles)
Sólo sirve con resultados equiprobables. Con varias etapas, Ω es el producto de las etapas (tiras (resultado 1, resultado 2, …)).
Escribí Ω como producto y calculá #Ω (sección 6).
Traducí el evento a una condición sobre las tiras y contá los favorables.
Dividí. Con "al menos", "ninguno" o "no", pensá en el complemento (H1.4).
Dos dados
Ω son los 36 pares. → El máximo vale 4: el primero es 4 y el segundo ≤ 4, o al revés, sin contar dos veces el (4, 4): 4 + 4 − 1 = 7, P = 7/36 ≈ 0.1944. → Suma 7 o máximo 4: 6 pares con suma 7, 2 en la intersección ((3, 4) y (4, 3)), P = (7 + 6 − 2)/36 = 11/36 (H1.3).
6. Técnicas de conteo
Principio de multiplicación: un procedimiento de k etapas, la etapa i de ni formas sin importar las anteriores, se hace de n1 n2 ⋯ nk formas. Principio de adición: si se parte en casos disjuntos, se suman los conteos.
Elegir k de n objetos distintos tiene cuatro versiones según haya o no orden y reposición (H1.9):
Con reposición
Sin reposición
Con orden (secuencias)
nk
n!/(n − k)! = n (n − 1) ⋯ (n − k + 1)
Sin orden (grupos)
C(n + k − 1, k)
C(n, k) = n!/(k! (n − k)!)
Sin orden y sin reposición se divide por k!, los órdenes de cada grupo. El último casillero sale de las estrellas y barras (sección 7).
Permutaciones de n objetos distintos: n! (H1.10). Con repetidos (k1 de un tipo, …, kr de otro, suman n) hay n!/(k1! ⋯ kr!) ordenamientos distinguibles (anagramas).
¿Es una secuencia (posiciones, cargos, "primero…, después…") o un grupo (comité, mano de cartas)? ¿Un objeto puede salir más de una vez?
Elegí la casilla. Con letras repetidas en una palabra, es el caso de permutaciones con repetidos.
Para una probabilidad, contá numerador y denominador con el mismo criterio (los dos con orden o los dos sin orden).
Sin orden y con reposición no es equiprobable
Los C(n + k − 1, k) grupos se cuentan bien pero no pesan lo mismo si se extrae al azar: con dos dados {3, 3} sale de un par y {3, 5} de dos. Para probabilidades con reposición contá secuencias (nk).
Las cuatro formas y anagramas
Elegir 2 letras entre a, b, c: con orden y reposición 32 = 9; con orden y sin reposición 3 · 2 = 6; sin orden y sin reposición C(3, 2) = 3; sin orden y con reposición C(4, 2) = 6 (aa, ab, ac, bb, bc, cc). Comité de 3 entre 10: C(10, 3) = 120; con cargos distintos, 10 · 9 · 8 = 720. Anagramas de ABRACADABRA: 11!/(5! 2! 2!) = 83 160.
Una urna con y sin reposición
8 bolas numeradas, se sacan 4. Con reposición (Ω = 84 = 4096): las cuatro distintas, 8 · 7 · 6 · 5/4096 = 105/256; las cuatro pares, 44/84 = 1/16; salen 2, 4, 6 y 8 en cualquier orden, 4!/4096 = 3/512 (no es "todas pares"). Sin reposición (Ω = 1680): las cuatro pares, 4!/1680 = 1/70.
Una cadena de elecciones al azar
Un mensaje lo sabe 1 de 20 personas. 6 veces, quien lo sabe se lo cuenta a otra elegida al azar entre las otras 19: Ω son las 196 secuencias. → Nunca vuelve a la original: 19 opciones en el primer paso y 18 en cada uno de los otros 5, 19 · 185/196 = (18/19)5 ≈ 0.7631. → Nadie lo recibe dos veces: en el paso j quedan 19 − (j − 1) opciones, 19 · 18 ⋯ 14/196 ≈ 0.4152. Las opciones de cada paso dependen de lo anterior, pero se multiplica igual.
7. Bolas en urnas
Se reparten k bolas en n urnas y se pregunta por la configuración (cuántas bolas hay en cada urna). Hay dos modelos (H1.11):
Bolas distinguibles: cada bola elige urna, Ω son las nk secuencias, equiprobables si cada una elige al azar.
Bolas indistinguibles con configuraciones equiprobables, sólo si el enunciado lo dice: hay C(n + k − 1, k) configuraciones.
Estrellas y barras: una configuración es una fila de k círculos y n − 1 barras, y se elige dónde van los círculos entre los k + n − 1 lugares. Si ninguna urna puede quedar vacía, se pone una bola en cada una y se reparten las k − n restantes: C(k − 1, n − 1).
Cada configuración es una palabra de 11 lugares con 7 círculos y 4 barras: C(11, 7) = 330.
Distinguibles e indistinguibles dan probabilidades distintas
Con 2 bolas y 2 urnas, si cada bola elige urna: (2, 0) vale 1/4, (1, 1) vale 1/2 y (0, 2) vale 1/4. Si las 3 configuraciones son equiprobables, cada una vale 1/3. "Cada pirata elige al azar" pide el primero; "indistinguibles y equiprobables" pide el segundo.
Distinguibles: #Ω = nk. Para "exactamente (k1, …, kn) bolas" los favorables son k!/(k1! ⋯ kn!) (H1.10); para "la urna 1 tiene exactamente j", C(k, j)(n − 1)k−j.
Equiprobables: #Ω = C(n + k − 1, k). Para "la urna 1 tiene exactamente j", se fijan j bolas ahí y las otras k − j se reparten en n − 1 urnas: C(k − j + n − 2, n − 2). Para "al menos j", se fijan j y se reparte el resto libre.
Para "en algún puerto exactamente a y en otro exactamente b", enumerá los patrones de cantidades y sumá cada orden de las urnas.
Ocho personas, tres pisos
Cada una elige piso al azar: Ω = 38 = 6561. → 2, 3 y 3 en los pisos 1, 2 y 3: 8!/(2! 3! 3!) = 560, P ≈ 0.0853. → Exactamente 2 en el piso 1: C(8, 2) · 26 = 1792, P ≈ 0.2731. → Se usan los tres pisos: con Ei = "el piso i queda vacío", P(Ei) = 28/38, P(Ei ∩ Ej) = 1/38, triple 0; P(alguno vacío) = (768 − 3)/6561 y P(ninguno vacío) = 5796/6561 = 644/729 ≈ 0.8834.
Dos condiciones a la vez
Fijá lo que pide la primera condición y repartí el resto por casos. → Distinguibles, 9 personas entre 3 destinos (39 = 19 683): exactamente 4 en A y 3 o más en B son C(9, 4) [C(5, 3) + C(5, 4) + C(5, 5)] = 126 · 16 = 2016 secuencias, P ≈ 0.1024. En algún destino 5 y en otro 3 es el patrón (5, 3, 1) en sus 3! órdenes, cada uno de 9!/(5! 3! 1!) = 504: P = 3024/19 683 ≈ 0.1536. Si el patrón repite una cantidad, como (4, 4, 1), los órdenes son 3 y no 3!. → Indistinguibles, 5 gatos en 4 cajas (C(8, 5) = 56 configuraciones): la caja 1 con exactamente 2 deja 3 gatos en 3 cajas, C(5, 3) = 10 y P = 10/56; con 3 o más, se fijan 3 y los otros 2 van libres en las 4 cajas, C(5, 2) = 10 y P = 10/56.
8. Extracción sin reposición: la hipergeométrica
Una caja tiene N objetos, d marcados (defectuosos, rojos…); se sacan n sin reposición y sin orden. Los C(N, n) grupos son equiprobables y (H1.12):
Vale para x entre máx(0, n − (N − d)) y mín(n, d); fuera de ese rango es 0.
Identificá N, d y n. Escribí el evento en x: "ninguno" es x = 0, "al menos uno" es 1 − P(x = 0), "a lo sumo 2" es x = 0, 1, 2.
Aplicá H1.12 y sumá. Si piden cómo cambia con un parámetro, estudiá el cociente de términos consecutivos.
Control de calidad
N = 30, d = 4, n = 6. → Ninguna defectuosa: C(26, 6)/C(30, 6) = 506/1305 ≈ 0.3877. → Exactamente una: 4 · C(26, 5)/C(30, 6) = 4048/9135 ≈ 0.4431. → Al menos una: ≈ 0.6123. Si un lote de 20 con k defectuosas se acepta cuando 4 al azar no tienen ninguna defectuosa, p(k) = C(20 − k, 4)/C(20, 4) decrece con k (p(k + 1)/p(k) = (16 − k)/(20 − k) < 1): con k ≥ 4 el máximo es p(4) ≈ 0.3756.
9. Probabilidad geométrica: puntos al azar
Un número al azar en [0, 1] tiene P([a, b]) = b − a. Entonces P({a}) = 0 para cada punto (da igual si los extremos están) y la unión de intervalos disjuntos suma los largos. En general, un punto al azar en una región Λ de medida |Λ| positiva y finita (largo, área o volumen) tiene (H1.7):
P{(A)}=\frac{|A\cap\Lambda|}{|\Lambda|}
Si A se sale de Λ, sólo cuenta A ∩ Λ (el área del triángulo entero sin recortar puede dar más de 1).
Dibujá Λ y el evento A ∩ Λ; marcá vértices y cortes de curvas. Calculá |Λ|.
Calculá |A ∩ Λ| con geometría o con ∫ (largo de la sección) dy; dividí. Si es complicado, partí en regiones o usá el complemento.
Probabilidad = área sombreada sobre área del rectángulo (H1.7): 4/8 = 1/2 y (16/3)/8 = 2/3.
Un punto en un rectángulo
Λ = [0, 4] × [0, 2], |Λ| = 8. → A = {x + y ≤ 3}: |A| = ∫02 (3 − y) dy = 4, P = 1/2. → B = {y ≤ √x}: |B| = ∫04 √x dx = 16/3, P = 2/3. → Dos números X, Y al azar en [0, 1], P(|X − Y| < 1/4): el complemento son dos triángulos de catetos 3/4, P = 1 − 2 · (1/2)(3/4)2 = 7/16.
Cifras decimales. Fijar las primeras k cifras de x ∈ [0, 1] es un intervalo de largo 10−k (0.314… es [0.314, 0.315)). Que el 5 no aparezca entre las primeras n deja 9 opciones por lugar: probabilidad 0.9n. Que no aparezca nunca tiene probabilidad menor o igual que 0.9n para todo n, o sea 0 (H1.8, continuidad): posible (0.1111…) pero de probabilidad 0. Algún 5 entre las 3 primeras: 1 − 0.93 = 0.271.
Pesos distintos por zona. Si en cada zona la masa por unidad de área es constante h, un evento tiene P = ∑ (área del trozo en la zona) · (h de la zona).
Dibujá las zonas con su h y comprobá que ∑ h · área = 1.
Cortá el evento por las fronteras, calculá el área de cada trozo y sumá trozo por peso.
Un cuadrado con cuatro pesos
Ω = [0, 4]², cuadrantes de 2 × 2 (área 4) con h = 4/32 abajo a la izquierda, 1/32 abajo a la derecha, 3/32 arriba a la izquierda y 0 arriba a la derecha: 4 · 8/32 = 1. → P(x + y ≤ 3): los trozos miden 3.5, 0.5, 0.5 y 0, P = (3.5 · 4 + 0.5 · 1 + 0.5 · 3)/32 = 1/2.
10. Continuidad: límites de eventos
Para infinitos pasos ("nunca sale 6") se pasa al límite, siempre que los eventos vayan en un solo sentido (H1.8):
Definí los An y mostrá que son monótonos (An+1 ⊂ An o al revés): es lo que se justifica en el examen.
Calculá P(An) y su límite. La intersección es "pasa para todo n"; la unión, "pasa para algún n".
Una moneda que nunca sale cara
Con r = 0.3 sea Bn = {N > n} = "los primeros n tiros son ceca", P(Bn) = 0.7n. → Monótono: Bn+1 ⊂ Bn. → Límite: P(⋂ Bn) = lím 0.7n = 0: "nunca sale cara" es posible pero tiene probabilidad 0.
El paso al límite exige monotonía
Sin eventos monótonos la igualdad puede fallar. Y "el límite de las probabilidades es 0" no significa que el evento sea vacío.
11. Simulación de experimentos aleatorios
La frecuencia relativa de un evento en muchas repeticiones se acerca a su probabilidad: p̂ = (veces que ocurrió A)/(simulaciones). La herramienta es U al azar en (0, 1) (en R, runif). Recetas en H1.22.
Experimento discreto. Con pesos p1, …, pn, los acumulados son a0 = 0, ai = p1 + ⋯ + pi, y el resultado es ωi si U cae en Ii = (ai−1, ai]. Funciona porque P(U ∈ Ii) = pi (H1.7). Con n equiprobables, ⌈n U⌉.
Armá la tabla de acumulados (el último da 1) y buscá el primer ai con U ≤ ai.
Para estimar P(A), repetí m veces el experimento completo (todos sus pasos) con números nuevos y contá cuántas veces ocurrió A. Estimación: p̂ = cantidad/m.
Un dado cargado
p = (0.1, 0.2, 0.3, 0.2, 0.1, 0.1): acumulados 0.1, 0.3, 0.6, 0.8, 0.9, 1. Con U = 0.35, 0.85, 0.05, 0.97 salen 3, 5, 1, 6.
Error. El error típico de p̂ es del orden de √(p (1 − p)/m): con m = 10 000 y p cerca de 0.4, unos 0.005. 20 simulaciones no alcanzan para comparar probabilidades próximas (error típico mayor que 0.1); 10 000 sí, si difieren en más de 0.02.
Estimar y comparar con el valor exacto
P(al menos un 6 con 3 dados) = 91/216 ≈ 0.4213. Se repite m = 10 000 veces "tirar 3 dados" y se cuenta en cuántas hubo un 6: lo esperable es 0.42 ± 0.005.
n = 10000
tiros = matrix(sample(1:6, 3 * n, replace = TRUE), ncol = 3) # cada fila: 3 dados
mean(apply(tiros == 6, 1, any)) # frecuencia relativa
Monte Carlo. Sea f ≥ 0 continua en [a, b] con máximo M. Un punto (X, Y) al azar en [a, b] × [0, M] cae bajo la curva con probabilidad (H1.7):
La fracción de puntos llenos estima 2/π; el área es esa fracción por π · 1.
Estimar el área bajo un seno
f(x) = sen x en [0, π]: M = 1, área del rectángulo π, integral exacta 2, P(Y ≤ sen X) = 2/π ≈ 0.6366. Con n = 10 000 puntos y k bajo la curva, la integral se estima como π · k/n, con error típico de unos 0.015.
12. Lo mínimo de condicional e independencia
La probabilidad condicional es P(A | B) = P(A ∩ B)/P(B), con P(B) > 0 (H1.13), y P( · | B) es una probabilidad en sí misma. C y D son independientes si P(C ∩ D) = P(C) P(D) (H1.17). "Dado B, ¿son independientes?" pregunta si P(C ∩ D | B) = P(C | B) P(D | B). Con puntos al azar en una región, P( · | B) son áreas relativas a |B|.
Calculá |B|, |C ∩ B|, |D ∩ B| y |C ∩ D ∩ B|; dividí cada una por |B|.
Son independientes si y sólo si el último cociente es exactamente el producto de los otros dos.
Independientes antes, dependientes dado otro evento
En el cuadrado unitario, C = {x ≤ 1/2} y D = {y ≤ 1/2} son independientes (1/4 = 1/2 · 1/2). Dado E = {x + y ≤ 1} (área 1/2): P(C | E) = P(D | E) = (3/8)/(1/2) = 3/4; pero C ∩ D ⊂ E y P(C ∩ D | E) = (1/4)/(1/2) = 1/2 ≠ 9/16.
Entra en el parcial. Hoja: bloque H1 (H1.13 a H1.20) y el renglón D.2 (binomial).
1. Probabilidad condicional
La probabilidad de A sabiendo que ocurrió B (H1.13):
P{(A\mid B)}=\frac{P{(A\cap B)}}{P{(B)}}
con P{(B)}>0
Si B ocurrió, B pasa a ser el nuevo universo: de A sólo sobrevive A ∩ B, y se divide por P(B) para que el universo valga 1. Si P(B) = 0 no está definida.
Al saber que ocurrió B, el universo se achica a B. De A cuenta sólo A ∩ B, medido contra B.
Con resultados equiprobables, P(A | B) = #(A ∩ B) / #B, y sólo en ese caso. Fijado B, A ↦ P(A | B) es una probabilidad: valen para ella todos los renglones H1.1 a H1.4, siempre sobre el evento de la izquierda de la barra.
El complemento va a la izquierda, no a la derecha
P(A | B) + P(A | Bc) no suma 1 en general. Lo que suma 1 es P(A | B) + P(Ac | B). Y P(A | B) ≠ P(B | A): son P(A ∩ B)/P(B) y P(A ∩ B)/P(A).
"Dado que", "sabiendo que", "entre los que" piden P( · | lo que sabés). "Que sea A y B" es la intersección; "que sea A si ya es B" es la condicional. Si la información llega en etapas: P(A | B ∩ C) = P(A ∩ B | C) / P(B | C).
Dos dados, sabiendo que salieron distintos
¿Probabilidad de que sumen 8?
Hay 30 pares con resultados distintos (B).
Suman 8 los pares (2, 6), (6, 2), (3, 5), (5, 3): son 4, porque (4, 4) quedó afuera.
P(suma 8 | distintos) = 4/30 = 2/15 ≈ 0.1333, contra 5/36 ≈ 0.1389 sin la información.
Calcula la probabilidad de una secuencia: se multiplica lo que pasa en cada etapa dado lo ya ocurrido. Un árbol es lo mismo dibujado: sobre cada rama va la condicional de ese paso, las ramas de un nodo suman 1 y cada hoja (una intersección) vale el producto de su camino. Primero va el evento que condiciona.
Árbol del test de la sección 3 (E enfermo, S sano, + positivo). Cada hoja es una intersección. Las dos hojas con + (en color) suman P(+) = 0.117.
Tres oros seguidos, sin reposición
Mazo español de 40 cartas (10 por palo), se reparten 3. Con Oi = "la carta i es de oro":
P(O1 ∩ O2 ∩ O3) = (10/40)(9/39)(8/38) = 3/247 ≈ 0.01215, igual que C(10, 3)/C(40, 3) (H1.12).
3. Probabilidad total y Bayes
Una partición B1, …, Bn son eventos disjuntos de a pares cuya unión es Ω. Entonces (H1.15):
Los B no se pisan y llenan Ω; A es la unión de los trozos A ∩ Bi.
La primera igualdad es aditividad, la segunda es el producto. Al usarla hay que decir que los Bi son partición; los de probabilidad 0 se descartan. La partición mínima es B y Bc.
Urnas encadenadas (se saca de a; si sale roja, de b; si no, de c): se parte según la primera bola, P(B2) = P(B2 | R1) P(R1) + P(B2 | B1) P(B1), y "alguna roja" es 1 − P(B1 ∩ B2). Si se multiplican las cantidades de cada urna por una constante, las proporciones y por lo tanto todas las condicionales no cambian: los resultados son los mismos.
Bayes hace el camino inverso: se observó el efecto A y se pregunta por la causa Bj (H1.16):
P(Bj) es la a priori, P(A | Bj) la verosimilitud y P(Bj | A) la a posteriori. El denominador es P(A), igual para todas las causas, así que se calculan los numeradores y se dividen por su suma.
Tres máquinas
M1, M2, M3 producen el 50 %, 30 % y 20 % de las piezas y fallan con probabilidad 0.01, 0.02 y 0.05. Se toma una pieza al azar.
Partición: la pieza viene de una sola máquina. P(D) = 0.01 · 0.5 + 0.02 · 0.3 + 0.05 · 0.2 = 0.005 + 0.006 + 0.010 = 0.021.
Suman 1. M3 produce el 20 % y aporta casi la mitad de los defectos.
Pruebas de diagnóstico
Sensibilidad = P(+ | enfermo), especificidad = P(− | sano), prevalencia = a priori de estar enfermo. Lo que importa es P(enfermo | +), que no es la sensibilidad: si la condición es rara, casi todos los positivos son sanos con falso positivo.
Un test bueno con una condición rara
Prevalencia 0.02, el test da + al 95 % de los enfermos (E) y − al 90 % de los sanos (S).
P(+) = 0.02 · 0.95 + 0.98 · 0.10 = 0.117 (H1.15).
P(E | +) = 0.019/0.117 = 19/117 ≈ 0.1624 (H1.16).
En 1000 personas: 19 positivos enfermos contra 98 positivos sanos.
Varias observaciones
La posterior de una vuelta es la a priori de la siguiente, y se multiplican verosimilitudes sólo si las observaciones son independientes dada la causa (sección 8). Con dos positivos independientes dado el estado: P(E | ++) = 0.02 · 0.95² / (0.02 · 0.95² + 0.98 · 0.10²) = 0.01805/0.02785 ≈ 0.6481.
Despejar un dato de Bayes
Un detector marca el 80 % de las piezas defectuosas y el 3 % de las piezas es defectuosa. ¿Qué f = P(marca | buena) da P(defectuosa | marca) = 0.5? Se plantea Bayes con la incógnita: 0.5 = 0.03 · 0.8 / (0.03 · 0.8 + 0.97 f). Queda 0.024 + 0.97 f = 0.048, de donde f = 12/485 ≈ 0.0247.
4. Independencia de dos eventos
Se define por la intersección (H1.17):
A y B independientes
\iff P{(A\cap B)}=P{(A)}\,P{(B)}
Con P(B) > 0 equivale a P(A | B) = P(A). Si A y B son independientes, también lo son los pares con complementos (A y Bc, Ac y B, Ac y Bc): probada una combinación, están las cuatro.
Disjuntos no es independientes. Disjuntos con probabilidad positiva: P(A ∩ B) = 0 ≠ P(A) P(B). Son muy dependientes.
Inclusión tampoco. Si A ⊂ B, P(A) > 0 y P(B) < 1, entonces P(A | B) = P(A)/P(B) > P(A).
Depende de P. En Ω = {1, 2, 3, 4}, A = {1, 2}, B = {1, 3}: son independientes si los puntos son equiprobables, y con probabilidades (0.4, 0.1, 0.1, 0.4) no (0.4 ≠ 0.25).
Un evento de probabilidad 0 o 1 es independiente de cualquier otro, y de sí mismo sólo si su probabilidad es 0 o 1.
Dos dados: suma 7 y suma 8
B = "el primer dado es 3", C = "la suma es 7", D = "la suma es 8".
P(B) = 1/6, P(C) = 1/6, P(B ∩ C) = P({(3, 4)}) = 1/36 = (1/6)(1/6): independientes. Para cada primer dado hay un único segundo que da 7.
P(D) = 5/36 y P(B ∩ D) = 1/36 ≠ 5/216: dependientes. Con primer dado 1 la suma 8 es imposible.
5. Independencia de varios eventos
Los eventos son independientes si toda subfamilia cumple que la probabilidad de la intersección es el producto (H1.18). Con tres son 4 ecuaciones: las tres de a pares y la triple. Con n eventos son 2n − n − 1. Para probar hay que verificarlas todas; para refutar alcanza con una que falle.
De a pares sí, los tres juntos no
Ω = {1, 2, 3, 4} equiprobable, A = {1, 2}, B = {1, 3}, C = {1, 4}. Cada par se corta en {1}: 1/4 = (1/2)(1/2). Pero P(A ∩ B ∩ C) = 1/4 ≠ 1/8. Al revés también ocurre: la triple puede factorizar y fallar los pares.
Agrupación. Si A1, …, An son independientes, los eventos armados con grupos disjuntos de ellos son independientes entre sí: con A, B, C, D independientes, (A ∩ B) y (C ∪ D) lo son, y también (A ∪ Bc) y (C ∩ D). Si un evento aparece en dos grupos, no: (A ∩ B) y (A ∩ C) en general son dependientes. Casi todos los ejercicios se resuelven así: se identifican los bloques independientes (tiradas, componentes, dígitos distintos) y se multiplica.
Dígitos de un número al azar en (0, 1). Si X es uniforme en (0, 1) y X = 0.d1d2…, los dígitos son independientes y cada uno vale 0, …, 9 con probabilidad 1/10 (H1.7: "los primeros k dígitos son d1, …, dk" es un intervalo de largo 10−k). Un evento de cola, como "el 1 aparece alguna vez después del décimo dígito", usa dígitos que ningún otro evento mira, así que entra en la agrupación; su probabilidad es 1, porque no aparecer en m dígitos vale 0.9m → 0 (H1.8).
Eventos sobre los dígitos
A "el 1.º dígito es 4", B "el 2.º es 0 o 1", C "el 3.º es impar y el 4.º mayor que 6": dígitos distintos, así que son independientes. P(A) = 1/10, P(B) = 1/5, P(C) = (1/2)(3/10) = 3/20 y P(A ∩ B ∩ C) = 3/1000.
E "el 1.º dígito es 1" y F "X < 0.15" miran el mismo dígito, hay que calcular: P(E) = 1/10, P(F) = 0.15, P(E ∩ F) = P([0.1, 0.15)) = 0.05 ≠ 0.015. Dependientes.
Permutaciones al azar
Se ordenan al azar a, b, c, d (24 órdenes equiprobables). P(a antes de b) = P(c antes de d) = 1/2 por simetría y P(ambos) = 1/4: independientes. "a inmediatamente antes de b" (se pega como bloque) vale 3!/4! = 1/4, y lo mismo "c inmediatamente antes de d"; pero ambos a la vez valen 2!/4! = 1/12 ≠ 1/16: dependientes, porque dos bloques ocupan lugares.
6. Sistemas de componentes
Componentes independientes, pi la probabilidad de que funcione el i (H1.19):
Conexión
Funciona si…
Probabilidad
En serie
funcionan todos
∏ pi
En paralelo
funciona alguno
1 − ∏ (1 − pi)
En paralelo se pasa por el complemento (fallan todos, De Morgan). En un diagrama mixto se reduce por bloques: cada grupo en paralelo se reemplaza por un componente equivalente. Si un componente aparece en dos lugares los bloques no son independientes: se condiciona a que funcione o falle.
El bloque (B, C) falla sólo si fallan B y C (0.2 · 0.3) y funciona con 0.94. Sistema: 0.95 · 0.94 · 0.90 = 0.8037.
Red de caminos con información de falla
De A a B hay 3 caminos y de B a C hay 2, bloqueados con probabilidad 0.3 y 0.4, independientes. F "hay camino de A a B", E "hay camino de B a C". Hay camino de A a C cuando ocurren F y E.
¿Camino de B a C sabiendo que no hay de A a C? E ∩ (F ∩ E)c = E ∩ Fc, así que P(E | (F ∩ E)c) = P(E ∩ Fc) / (1 − P(F ∩ E)) = (0.84 · 0.027)/(1 − 0.973 · 0.84) = 567/4567 ≈ 0.1242.
7. Ensayos independientes y binomial
Con n ensayos independientes de éxito p, "al menos un éxito" va por el complemento (H1.20), y "exactamente k" es la binomial (D.2): cada secuencia vale pk (1 − p)n−k y hay C(n, k) secuencias.
P{(\text{al menos un éxito})}=1-{(1-p)}^n
P{(X=k)}=C{(n,k)}\,p^k{(1-p)}^{n-k}
con X\sim B{(n,p)}
Hace falta independencia y la misma p en cada ensayo. "Al menos k" o "a lo sumo k": suma de términos o complemento.
Diseñar un parámetro
Tamaño. ¿Cuántos intentos de éxito 0.05 hacen falta para 0.90 de chance de lograr uno? 1 − 0.95n ≥ 0.90 ⟺ n ≥ ln 0.1/ln 0.95 ≈ 44.9, o sea n = 45 (con 44 queda en 0.895).
Criterio. Examen de 6 preguntas con 4 opciones, X ∼ B(6, 0.25) al azar: P(X ≥ 3) = 0.1694, P(X ≥ 4) = 0.0376. Para que apruebe a lo sumo el 5 % hace falta k = 4.
Gráfico. Para graficar en función de p, se escribe la fórmula con p como variable, se evalúan varios puntos y se traza; la de aceptar un lote se llama curva característica del plan.
Si piden desde qué p la probabilidad P(X ≥ k) supera un valor, no hay forma cerrada: es creciente en p, así que se evalúa para varios p hasta cruzar el valor y se informa ese p aproximado. En el examen de arriba (k = 4), P(X ≥ 4) = 0.9440 con p = 0.84 y 0.9527 con p = 0.85, así que desde p ≈ 0.847 supera 0.95.
En un plan de muestreo (20 piezas, se acepta con a lo sumo 1 defectuosa) la probabilidad de aceptar es (1 − p)20 + 20 p (1 − p)19: 0.9831 con p = 0.01, 0.7358 con 0.05 y 0.3917 con 0.10. Es decreciente en p, así que cada error tiene su peor caso en el borde del estándar.
8. Independencia condicional
A y B son independientes dado C (P(C) > 0) si P(A ∩ B | C) = P(A | C) P(B | C): independencia de siempre, bajo la probabilidad P( · | C). Es la situación de la "etapa oculta" (moneda o urna elegida al azar y después varios tiros). Ninguna de las dos independencias implica la otra:
Situación
Independientes dado C
Independientes sin condicionar
Dos tiros de una moneda elegida al azar entre dos distintas (C = qué moneda)
Sí
No
Dos monedas equilibradas, C = "salió exactamente una cara"
No
Sí
Dos monedas equilibradas, B = "al menos una ceca": P(A1 | B) = P(A2 | B) = 1/3 pero P(A1 ∩ A2 | B) = 0 ≠ 1/9 (las dos caras no entran en B): no independientes dado B, aunque sí sin condicionar.
Dos monedas distintas, dos tiros
Moneda a con P(cara) = 0.9, moneda b con 0.2, se elige una con probabilidad 1/2 y se tira dos veces. Ai = "cara en el tiro i", C = "se eligió a".
Dado C son independientes: P(A1 ∩ A2 | C) = 0.9² = 0.81.
Sin condicionar (H1.15): P(A1) = 0.55 y P(A1 ∩ A2) = (0.81 + 0.04)/2 = 0.425 ≠ 0.55² = 0.3025: no independientes. Una cara vuelve más probable la moneda sesgada.
9. Qué información te dan
Frases parecidas condicionan en eventos distintos. Ante la duda, escribí el espacio de lo oculto, marcá lo compatible con lo que se sabe y repartí la probabilidad con sus pesos reales.
"Uno de ellos" contra "al menos uno"
Dos dados equilibrados. (i) Se elige un dado al azar y muestra 6: ¿el otro también? P(elegido muestra 6) = 1/6 y P(ambos 6) = 1/36, así que (1/36)/(1/6) = 1/6: el otro dado queda libre. (ii) Se avisa que hay al menos un 6: (1/36)/(11/36) = 1/11, porque quedan 11 pares y sólo (6, 6) tiene dos seises.
Condicionar con secuencias: el juego de los tres jugadores
Juan, Pedro y María: el que gana sigue, el que pierde cede su lugar, y toma la cerveza el primero que gana dos partidos seguidos. Jugando Juan contra Pedro de arranque, las iniciales de los ganadores recorren J, M, P, J, M, P… (o P, M, J, …) y el juego termina cuando una letra repite la anterior. Para cada k ≥ 2 hay dos juegos que duran k partidos (uno que arranca con J y otro con P), cada uno con probabilidad 1/(3 · 2k−1). Por ejemplo, duración 5: JMPJJ y PMJPP; duración 6: JMPJMM y PMJPMM.
Condicionar en la duración. B = "duró 5" = {JMPJJ, PMJPP}, P(B) = 1/24. P(Juan toma la cerveza | B) = (1/48)/(1/24) = 1/2. Con duración 6 los dos juegos terminan en M, así que María gana con probabilidad 1: la duración fija quién gana según k − 1 módulo 3.
Condicionar en el ganador. "Gana Juan" es la unión de los juegos que terminan en J: los que arrancan con J y duran k = 2, 5, 8, … y los que arrancan con P y duran k = 4, 7, 10, … Series geométricas de razón 1/8 dan 4/21 y 1/21, o sea 5/21. Si C = "arranca con P", P(C | Juan gana) = (1/21)/(5/21) = 1/5.
Quién gana la partida n. Es la n-ésima letra del juego: se suman las probabilidades de los juegos que tienen esa letra en el lugar n. Los de duración k > n tienen la letra n del ciclo (serie geométrica en k); el de duración k = n repite la letra n − 1 del ciclo; los de k < n no tienen partida n. Si el ciclo no da la letra pedida en el lugar n, sólo cuentan los dos juegos con k = n cuya letra n − 1 sí es la pedida. Para otro jugador vale el mismo método (o la simetría J ↔ P).
Los juegos que terminan suman 2/3 y no 1, pero para una condicional no importa: se divide por la probabilidad de lo que se sabe.
10. Condicionar en el primer paso
Si tras una etapa el problema queda igual, se plantea una ecuación para la incógnita condicionando en el primer paso (H1.15); la incógnita aparece de ambos lados.
Quién saca primero un 6
A y B tiran un dado alternando, empieza A. Sea x la probabilidad de que gane A. Con 6 en el primer tiro (1/6) gana; si no (5/6), el juego sigue con B en el lugar de A, que gana con x, y A gana con 1 − x. Entonces x = 1/6 + (5/6)(1 − x), de donde x = 6/11 ≈ 0.5455.
La ruina del jugador
Dos jugadores suman N monedas; en cada ronda Juan gana una con probabilidad p y la pierde con q = 1 − p. Sea pn la probabilidad de que Juan sea el primero en quedarse sin monedas si empieza con n. Condicionando en la primera ronda:
p_n=p\cdot p_{n+1}+q\cdot p_{n-1}
con p_0=1 y p_N=0
Si p = q = 1/2, las diferencias pn+1 − pn son todas iguales, pn es una recta y
p_n=\frac{N-n}{N}
(juego justo)
es la fracción del total que tiene el otro. Para p ≠ 1/2, con r = q/p, pn = (rn − rN)/(1 − rN) (diferencias en progresión geométrica de razón r).
Aplicaciones
Justo. N = 8, Juan empieza con 3: p3 = 5/8 = 0.625.
Sesgado. p = 0.6, N = 5, Juan con 2, r = 2/3: p2 = (r² − r⁵)/(1 − r⁵) ≈ 0.3602.
Caminante. Un caminante parte de la altura 1300 y se mueve una cuadra (100 números) a cada lado con igual probabilidad hasta llegar a la 1000 o a la 2400. Se toma la 1000 como posición 0: N = (2400 − 1000)/100 = 14 y n = (1300 − 1000)/100 = 3. Llega a la 1000 antes con (N − n)/N = 11/14, y a la 2400 antes con n/N = 3/14 ≈ 0.2143. Se elige qué extremo es el 0, se cuentan cuadras hasta el otro extremo (N) y hasta el inicio (n), y se cuida que el evento pedido sea el del extremo correcto.
Cuándo se condiciona en el primer paso
Cuando tras una etapa el problema queda igual (o con otros datos): incógnita = ∑ P(primer resultado) · (incógnita dado ese resultado). Escribí también las condiciones de borde.
11. Cómo se resuelve cada tipo de ejercicio
Total y Bayes. Nombrá los eventos y escribí los datos como P(Bi) y P(A | Bi); verificá la partición; P(A) por H1.15 (es el denominador); P(Bj | A) por H1.16; controlá que las posteriores sumen 1. Si falta un dato, escribí Bayes con la incógnita y despejá.
Independencia. Calculá P(A), P(B), P(A ∩ B) y compará con el producto. Con tres o más, todas las ecuaciones (H1.18). Si hay ensayos distintos, usá la agrupación.
Ensayos y diseño. Definí éxito, p y n. "Al menos uno": complemento (H1.20); "exactamente k": D.2. Para elegir n, k o p, planteá la desigualdad (logaritmo para n, raíz n-ésima para p) y redondeá en el sentido que corresponde.
Sistemas. Dibujá, marcá serie y paralelo y reducí de adentro hacia afuera (H1.19). Con información sobre el sistema, usá H1.13 con numerador y denominador por separado.
Etapa oculta. Definí el evento oculto; las probabilidades dado él (acá hay independencia); total para lo no condicionado y Bayes para "qué había".
Recurrencias. Definí pn, condicioná en la primera ronda con los valores de borde y resolvé con diferencias constantes (justo) o geométricas (r = q/p).
12. Resumen para la hoja
El enunciado dice…
Se escribe
Renglón
"dado que", "sabiendo que"
P(A | B) = P(A ∩ B)/P(B)
H1.13
secuencia, extracciones sin reposición
producto de condicionales
H1.14
probabilidad por escenarios
∑ P(A | Bi) P(Bi)
H1.15
"¿probabilidad de que haya sido…?"
Bayes
H1.16
"independientes"
P(A ∩ B) = P(A) P(B)
H1.17, H1.18
serie o paralelo
∏ pi; 1 − ∏ (1 − pi)
H1.19
"al menos un éxito en n"
1 − (1 − p)n
H1.20
"exactamente k éxitos en n"
C(n, k) pk (1 − p)n−k
D.2
Trampas de esta sección
Dar vuelta la condicional. Un test con 95 % de aciertos no da 95 % de estar enfermo con un positivo.
Olvidar la tasa base. La a priori pesa tanto como la verosimilitud.
Total sin partición. Si no cubren Ω falta probabilidad; si se pisan, se cuenta dos veces.
Decir "independientes" por intuición. Hay que mostrar P(A ∩ B) = P(A) P(B); con tres eventos, las cuatro ecuaciones.
Disjuntos no es independientes, ni A ⊂ B (salvo P(A) = 0 o P(B) = 1).
Repetir un ensayo en dos "bloques independientes". Dos eventos que usan el mismo ensayo son dependientes.
Multiplicar sin independencia (o sin independencia condicional, en las observaciones de una etapa oculta).
Confundir "se extrae y es roja" con "se sabe que hay una roja".
Redondear mal un diseño. Si n ≥ 44.9, se necesitan 45; si p ≤ 2.56 · 10−4, no se puede subir a 3 · 10−4.
5 Variables aleatorias: distribución, densidad y modelos
Entra en el parcial. Hoja: H2.1 a H2.11; tabla de distribuciones D.1 a D.16; tabla normal T.1.
Qué es una variable aleatoria
Una variable aleatoria es una función X : Ω → ℝ tal que, para todo real x, {X ≤ x} = {ω : X(ω) ≤ x} es un evento (está en 𝒜). Si 𝒜 son todas las partes de Ω, toda función lo es. La indicadora 1{ω ∈ A} lo es si y sólo si A ∈ 𝒜. La distribución de X es la regla que da P(X ∈ B); se describe con F, p o f.
Listá los valores que toma X. {X ≤ x} sólo cambia al pasar por ellos: alcanza mirar un x antes del menor (da ∅) y cada valor.
Escribí cada {X ≤ x} como subconjunto de Ω.
Si todos están en 𝒜, es variable aleatoria. Si alguno no, no lo es: basta mostrarlo.
Con un álgebra chica
Ω = {1, 2, 3, 4}, 𝒜 = {∅, {1, 2}, {3, 4}, Ω}. → X(ω) = ω: {X ≤ 1} = {1} ∉ 𝒜, no lo es. → X(ω) = 1{ω ≤ 2}: {X ≤ x} es ∅, {3, 4} o Ω, todos en 𝒜: sí lo es. → X(ω) = 1{ω impar}: {X ≤ 0} = {2, 4} ∉ 𝒜: no. Regla práctica: X es variable aleatoria cuando es constante en cada bloque que 𝒜 no puede partir.
El nombre no alcanza
"Sea X el resultado" no hace de X una variable aleatoria. Con un álgebra chica, chequeá los conjuntos {X ≤ x}.
La función de distribución (H2.1 y H2.2)
FX(x) = P(X ≤ x) existe siempre y determina toda la distribución. La supervivencia es S(x) = P(X > x) = 1 − F(x). Toda F es:
no decreciente, con límites 0 en −∞ y 1 en +∞;
continua a derecha. A izquierda no: el salto F(a) − F(a−) es la masa puntual P(X = a).
Toda función con esas tres propiedades es la F de alguna variable (así se resuelve "mostrar que existe una variable con esta F").
Probabilidad
Con F
P(a < X ≤ b)
F(b) − F(a)
P(X = a)
F(a) − F(a−), el salto
P(X < a)
F(a−)
P(a ≤ X ≤ b)
F(b) − F(a−)
P(a < X < b)
F(b−) − F(a)
Extremos con saltos
Incluir el extremo derecho es F(b), excluirlo es F(b−); incluir el izquierdo es F(a−), excluirlo es F(a).
Los dos saltos (en 0 y en 3) son los átomos, de masa 1/4 cada uno. Entre el 0 y el 2, F crece sin saltos: ahí X tiene densidad 1/4. El punto lleno es el valor que toma F; el vacío, el que no toma.
Para leer una F dibujada: los saltos son masas puntuales (punto lleno = F(a), vacío = F(a−)); los tramos que crecen son parte con densidad; los planos no tienen probabilidad. En una condicional escribí A ∩ B como un solo conjunto; {|X| = 2} = {X = −2} ∪ {X = 2}: se suman los dos átomos.
Leer F con saltos y un tramo creciente
F = 0 si x < 0, 1/4 + x/4 si 0 ≤ x ≤ 2, 3/4 si 2 < x < 3, 1 si x ≥ 3. → Átomos: P(X = 0) = P(X = 3) = 1/4; P(X = 1) = 0. → Intervalos: P(0 < X ≤ 1) = F(1) − F(0) = 1/4. P(0 ≤ X ≤ 1) = F(1) − F(0−) = 1/2. P(0 < X < 3) = F(3−) − F(0) = 1/2. → Condicional: P(X ≤ 1 | X < 2) = (1/2)/(3/4) = 2/3.
"≤" y "<" no son lo mismo si hay salto
Con átomos, P(0 < X ≤ 1) = 1/4 pero P(0 ≤ X ≤ 1) = 1/2. Antes de restar, mirá si F salta en un extremo.
Variables discretas (H2.3)
X es discreta si su probabilidad está en un conjunto finito o numerable de átomos. Su función de probabilidad pX(x) = P(X = x) cumple p ≥ 0 y ∑ p = 1 (H2.3); P(X ∈ B) = ∑x∈B p(x), y F es una escalera con saltos de altura p(x).
Para hallar pX: definí X y su soporte, calculá P(X = x) (conteo, independencia o un modelo de la tabla D) y verificá que suma 1. Si piden graficar: barras (p) o escalera (F).
Modelo
Qué cuenta
Soporte y pX(x)
Ber(p) (D.1)
un ensayo: 1 si hay éxito
{0, 1}; px(1 − p)1−x
B(n, p) (D.2)
éxitos en n ensayos independientes
{0, …, n}; C(n, x) px (1 − p)n−x
G(p) (D.3)
ensayos hasta el primer éxito
{1, 2, …}; (1 − p)x−1 p
Pas(k, p) (D.4)
ensayos hasta el k-ésimo éxito (binomial negativa)
{k, k + 1, …}; C(x − 1, k − 1) (1 − p)x−k pk
Poi(μ) (D.5)
arribos en un intervalo, promedio μ = λt
{0, 1, …}; e−μ μx/x!
H(N, d, n) (D.6)
marcados en n extracciones sin reposición de N con d marcados
máx(0, n + d − N) ≤ x ≤ mín(n, d); C(d, x) C(N − d, n − x)/C(N, n)
En la geométrica, P(N > n) = (1 − p)n. En la Pascal, el ensayo x es éxito y entre los x − 1 anteriores hubo k − 1. La Poisson aproxima a B(n, p) si n es grande, p chico y μ = np.
Con y sin reposición
Urna con 4 azules y 6 rojas; se sacan 3 y X cuenta las azules. → Con reposición: X ∼ B(3, 0.4), P(X = 0) = 0.63 = 0.216. → Sin reposición: X ∼ H(10, 4, 3), soporte 0 a 3, P(X = x) = C(4, x) C(6, 3 − x)/120 = 1/6, 1/2, 3/10, 1/30. Sin reponer, los extremos son menos probables.
Ensayos hasta el k-ésimo éxito: el reinicio
Nk ∼ Pas(k, p) es la suma de k tiempos entre éxitos G1 + ⋯ + Gk, independientes y G(p): después de cada éxito el proceso se reinicia. Consecuencias:
P(N2 = m | N1 = j) = (1 − p)m−j−1 p para m > j.
P(Nk > m) = P(B(m, p) ≤ k − 1): en m ensayos hubo menos de k éxitos. Para k = 2: (1 − p)m + m p (1 − p)m−1.
P(N1 par) = ∑k≥1 (1 − p)2k−1 p = (1 − p)/(2 − p), serie geométrica de razón (1 − p)2.
N ∼ Poi(2): P(N > 3) = 1 − P(N ≤ 3) = 1 − e−2(1 + 2 + 2 + 4/3) ≈ 0.1429. Se pasa por el complemento porque la suma es infinita. Impar: ∑k impar μk/k! = (eμ − e−μ)/2, así que P(N impar) = (1 − e−2μ)/2 y P(N par) = (1 + e−2μ)/2.
Qué cuenta cada geométrica
La G(p) de la cátedra cuenta ensayos y arranca en 1; R y muchos libros cuentan fracasos desde 0. Igual con Pascal. Usá la definición de la tabla D.
Variables continuas (H2.4)
X es continua (con densidad) si existe fX ≥ 0 con ∫ f = 1 tal que (H2.4):
P{(a\le X\le b)}=\int_a^b f_X{(x)}\,dx
F_X{(x)}=\int_{-\infty}^{x}f_X{(t)}\,dt
f_X=F_X'
donde existe
P(X = a) = 0 para todo a: los extremos no importan. Probabilidad 0 no es imposible.
f no es una probabilidad: puede valer más de 1 (U(0, 1/2) tiene f = 2); lo que no pasa de 1 es el área total.
f no es única (cambiarla en un punto no altera nada). Se escribe siempre con su indicadora: f(x) = 2x 1{0 ≤ x ≤ 1}.
Constante c: ∫ f = 1 sobre el soporte, y verificá f ≥ 0.
F: integrá por tramos; 0 a la izquierda del soporte, 1 a la derecha; en cada tramo se acumula lo anterior.
P(X ∈ B): integrá f sobre B o restá valores de F.
f desde F: derivá en cada tramo.
Constante, F y probabilidades
f(x) = c x² 1{0 < x < 3}. → Constante: ∫03 c x² dx = 9c = 1, c = 1/9. → F: 0 si x ≤ 0; x³/27 si 0 < x < 3; 1 si x ≥ 3. → Probabilidad: P(1 < X ≤ 2) = 8/27 − 1/27 = 7/27. → Mediana: x³/27 = 1/2, x ≈ 2.381.
Modelo
Cómo se reconoce
Densidad y supervivencia
U(a, b) (D.7)
punto al azar; probabilidad ∝ longitud
f = 1/(b − a) en (a, b)
E(λ) (D.8)
tiempo hasta el primer arribo, intensidad λ; sin memoria
f = λ e−λx; P(X > x) = e−λx, x ≥ 0
Γ(ν, λ) (D.9)
tiempo hasta el ν-ésimo arribo (ν entero): suma de ν exponenciales E(λ)
f = λν xν−1 e−λx/Γ(ν), x ≥ 0
N(μ, σ²) (D.10)
muchos efectos chicos; simétrica en μ; 2º parámetro = varianza
f = e−(x−μ)²/(2σ²)/(σ√(2π))
Wei(c, α) (D.14)
duraciones
P(X > x) = e−(x/α)c, x ≥ 0
Ray(σ) (D.15)
Weibull con c = 2, α = σ√2
P(X > x) = e−x²/(2σ²)
Par(m, α) (D.16)
cola pesada, X ≥ m
P(X > x) = (m/x)α
χ²k (D.11), tν (D.12), β(a, b) (D.13)
χ²k = Γ(k/2, 1/2); β vive en (0, 1)
en la tabla D
Γ(ν + 1) = νΓ(ν), Γ(n) = (n − 1)! y Γ(1/2) = √π: con x = u²/2, ∫0∞ x−1/2 e−x dx = √2 ∫0∞ e−u²/2 du = √2 · √(2π)/2. Gamma y Poisson (H7.2): para ν entero, Tν > t equivale a "menos de ν arribos en (0, t]", que son Poi(λt), así que P(Tν > t) = ∑j=0ν−1 e−λt (λt)j/j!, sin integrar.
Uniforme y exponencial
→ Vara: se quiebra una vara de longitud 1 en X ∼ U(0, 1). "El producto de las piezas supera 3/16": x(1 − x) > 3/16 ⇔ 1/4 < X < 3/4, de probabilidad 1/2. → Micro cada 8 minutos: T ∼ E(1/8), P(T > 10) = e−1.25 ≈ 0.2865. → Tercer micro con λ = 1/2: Γ(3, 1/2), P(T3 > 4) = e−2(1 + 2 + 2) = 5e−2 ≈ 0.6767.
La normal y la tabla T.1
Φ(z) = P(Z ≤ z), Z ∼ N(0, 1), no tiene fórmula elemental: se lee en T.1 (z de 0.00 a 3.49). Gauss: con I = ∫ e−x²/2 dx, I² = ∫02π∫0∞ e−r²/2 r dr dθ = 2π. Así Φ es no decreciente, continua y con límites 0 y 1: tiene las tres propiedades de una F, y existe una Z con esa F.
Estandarizá (H8.1): X ∼ N(μ, σ²) ⇒ Z = (X − μ)/σ ∼ N(0, 1) y P(X ≤ x) = Φ((x − μ)/σ).
P(Z > z) = 1 − Φ(z); P(a < Z < b) = Φ(b) − Φ(a).
z negativo: Φ(−z) = 1 − Φ(z), porque la tabla no los trae.
P(|Z| < c) = 2Φ(c) − 1.
Invertir: se busca a en el cuerpo de la tabla y se toma el z más cercano. Más allá de 3.49, un programa (R: pnorm, qnorm).
Normal con la tabla
X ∼ N(50, 16), σ = 4. → Cola: P(X > 58) = 1 − Φ(2) = 0.0228. → Entre valores: P(46 < X < 55) = Φ(1.25) − Φ(−1) = 0.8944 − (1 − 0.8413) = 0.7357. → Hacia atrás: el x que X supera con probabilidad 0.05 es 50 + 4 · 1.645 = 56.58.
Parámetros de la cátedra
En N(μ, σ²) el segundo parámetro es la varianza: N(50, 16) tiene σ = 4. En E(λ), λ es la intensidad: con media 8 minutos, λ = 1/8, no 8; y la unidad de λ tiene que coincidir con la de t.
Variables mixtas (H2.5) y funciones de una variable
Una variable mixta tiene átomos y un tramo con densidad. Para todo B (H2.5):
P{(X\in B)} = (suma de las masas de los átomos en B) + \int_B F'{(x)}\,dx
Masas más integral total dan 1. Aparecen al recortar una continua (mín(T, c), máx(0, X)): lo que se corta se amontona en un átomo.
F de Y = g(X). (1) Identificá los valores de Y y dónde es constante con probabilidad positiva (átomos). (2) Escribí {Y ≤ y} como evento de X, por casos según y, y calculalo con FX. (3) Escribí FY con todos los tramos y verificá que es no decreciente, continua a derecha y llega a 1. (4) Derivá donde haya densidad.
Un tiempo cortado en un tope
T ∼ E(3), Y = mín(T, 0.5). → Evento: si y < 0, {Y ≤ y} = ∅; si 0 ≤ y < 0.5, {T ≤ y}; si y ≥ 0.5, Ω. → F: FY = 0 si y < 0; 1 − e−3y si 0 ≤ y < 0.5; 1 si y ≥ 0.5. → Átomo: P(Y = 0.5) = e−1.5 ≈ 0.2231. Y es mixta: densidad 3e−3y en (0, 0.5) y ese átomo.
Variable
F(x) en términos de FX
−X
1 − FX((−x)−)
|X|
FX(x) − FX((−x)−) si x ≥ 0; 0 si x < 0
X+ = máx(0, X)
0 si x < 0; FX(x) si x ≥ 0 (átomo en 0 de masa FX(0))
X− = −mín(0, X)
0 si x < 0; 1 − FX((−x)−) si x ≥ 0 (átomo en 0 de masa P(X ≥ 0))
Con FX continua, los límites por izquierda desaparecen. Para Y = X², no monótona: {X² ≤ y} = {−√y ≤ X ≤ √y}, así que FY(y) = FX(√y) − FX((−√y)−) si y > 0 y 0 si y ≤ 0.
Con un átomo, y el cuadrado de una normal
→ |X|: X con átomo 1/4 en −1 y densidad 3/8 en (−1, 1). Para 0 ≤ x < 1, F|X|(x) = F(x) − F(−x) = 3x/4; en x = 1 salta a 1: P(|X| = 1) = 1/4. → Z²: F(y) = 2Φ(√y) − 1 y f(y) = y−1/2 e−y/2/√(2π), la Γ(1/2, 1/2) = χ²1.
Cuantiles (H2.6)
x es un cuantil de nivel a si (H2.6):
P{(X<x)}\le a\le P{(X\le x)}
o sea
F{(x^{-})}\le a\le F{(x)}
Siempre existe, pero no es necesariamente único. La mediana es el 0.5-cuantil; los cuartiles, los de nivel 0.25, 0.5 y 0.75.
Una horizontal a la altura a que cae en un salto da un solo cuantil (el del salto). Si cae en un tramo creciente, uno solo. Si coincide con un tramo plano, el cuantil es todo el segmento (marcado sobre el eje).
a en un tramo creciente y continuo: uno solo, la solución de F(x) = a.
a dentro de la altura de un salto: uno solo, el x del salto.
a a la altura de un tramo plano: infinitos, todo el segmento.
Con F continua y creciente, despejá F(x) = a y, si salen dos soluciones, elegí la que cae en el soporte. Con saltos o tramos planos, aplicá la definición tramo por tramo y dará todos.
Modelo
Cuantil de nivel a
U(a₀, b₀)
a₀ + a (b₀ − a₀)
E(λ)
−ln(1 − a)/λ; mediana ln 2/λ
Wei(c, α)
α (−ln(1 − a))1/c
Par(m, α)
m (1 − a)−1/α
N(μ, σ²)
μ + σ za
Normal estándar (H8.3): zα = −z1−α; P(Z < a) = α da a = zα; P(Z > b) = α da b = z1−α; P(|Z| < c) = 1 − α da c = z1−α/2. Para recordar: z0.9 ≈ 1.28, z0.95 ≈ 1.645, z0.975 = 1.96, z0.995 ≈ 2.576.
Cuantiles con salto y con tramo plano
La F del ejemplo "Leer F con saltos y un tramo creciente". → a = 1/8: 0 = F(0−) ≤ 1/8 ≤ F(0) = 1/4, cuantil 0. → a = 1/2: 1/4 + x/4 = 1/2, x = 1. → a = 3/4: F(x−) ≤ 3/4 ≤ F(x) vale para todo x de [2, 3]: son todos cuantiles. → a = 0.9: cae en el salto del 3, cuantil 3.
Un solo cuantil donde hay muchos
Con tramo plano, dar un solo valor es incompleto: el cuantil es el segmento entero.
Falta de memoria (H2.7)
T no tiene memoria si P(T > s + t | T > s) = P(T > t) para todo s, t ≥ 0 (H2.7). Sólo la cumplen dos modelos:
T ∼ E(λ): e−λ(s+t)/e−λs = e−λt.
N ∼ G(p): (1 − p)m+n/(1 − p)m = (1 − p)n.
Sin memoria: sólo E(λ) y G(p)
Son las únicas. Gamma con ν > 1, Pascal con k > 1, Weibull con c ≠ 1, uniforme y Pareto no la tienen.
P(T > s + t | T > s) = S(s + t)/S(s), porque {T > s + t} ⊂ {T > s}.
Calculá S con el modelo (tabla D, H2.4, o Poisson para la Gamma).
Compará con P(T > t): un solo par que difiera alcanza para decir que no hay falta de memoria.
Si T es el tiempo hasta una falla, con densidad f y S = 1 − F, la intensidad de fallas es (H2.8):
\lambda{(t)}=\frac{f_T{(t)}}{1-F_T{(t)}}
para t\ge0
Para h chico, P(t < T ≤ t + h | T > t) ≈ λ(t) h: el riesgo de fallar ahora habiendo sobrevivido hasta t. Como S′ = −λS, con Λ(t) = ∫0t λ:
S{(t)}=e^{-\Lambda{(t)}}
F{(t)}=1-e^{-\Lambda{(t)}}
f{(t)}=\lambda{(t)}\,S{(t)}
P{(T>t\mid T>s)}=e^{-{(\Lambda(t)-\Lambda(s))}}
(t>s)
λ constante λ0: T ∼ E(λ0), la única con intensidad constante.
Weibull: λ(t) = (c/α)(t/α)c−1 da Λ = (t/α)c y T ∼ Wei(c, α); c = 1 es exponencial y c = 2 Rayleigh.
Lo que falta de una pieza que ya duró t₀ tiene intensidad λ(t + t₀).
c < 1: la intensidad baja con el tiempo (fallas tempranas). c = 1: constante, que es la exponencial. c > 1: sube (desgaste). Con c = 2 es una recta que sale del origen.
La forma de λ clasifica la falla: decrece (c < 1) son fallas tempranas, los que sobreviven son más robustos (defecto de soldadura); constante (c = 1) son casuales, sin memoria (un rayo); crece (c > 1) es desgaste (filamento que se afina).
Pasos: dada λ, calculá Λ y usá S = e−Λ. Dada F o f, calculá S = 1 − F y λ = f/S. Para P(T > t | T > s), usá e−(Λ(t) − Λ(s)).
Tres intensidades
→ λ(t) = 2t: Λ = t², S = e−t². P(T > 3 | T > 1) = e−8, mucho menor que P(T > 2) = e−4: desgaste. → λ(t) = 1/(1 + t): Λ = ln(1 + t), S = 1/(1 + t). P(T > 3 | T > 1) = (1/4)/(1/2) = 1/2 > P(T > 2) = 1/3: fallas tempranas. → Desde F = 1 − (1 + t)e−t: S = (1 + t)e−t, f = t e−t, λ = t/(1 + t).
Simulación por la inversa (H2.9) y transformaciones
La inversa generalizada de F es
F^{-1}{(u)}=\min\{x:F{(x)}\ge u\}
con u\in{(0,1)}
Es el primer x donde F alcanza u; coincide con la inversa usual si F es continua y creciente. Vale F−1(u) ≤ x ⇔ u ≤ F(x); por eso, si U ∼ U(0, 1) y X = F−1(U) (H2.9):
P{(X\le x)}=P{(U\le F(x))}=F{(x)}
Recíprocamente, si FX es continua, FX(X) ∼ U(0, 1). Con X discreta falla: F(X) toma pocos valores.
Simular por la inversa: se sortea u en (0, 1), se la lleva horizontal hasta chocar con F y se baja al eje x. Cuando u cae en la altura de un salto, el x es el del salto; por eso los átomos se obtienen con probabilidad igual a la altura del salto.
Cómo hallar h con h(U) ∼ F:
F continua y creciente: despejá x de u = F(x). Se puede usar u o 1 − u.
Discreta con átomos x₁ < x₂ < ⋯: h(u) = xi si F(xi−1) < u ≤ F(xi).
Mixta: despejá en los tramos crecientes; en las alturas que cubre un salto, h es el x del salto.
Desde otra X: pasá a la uniforme con U = FX(X) (FX continua) y aplicá h: Y = FY−1(FX(X)) tiene distribución FY.
Tres inversas
→ Exponencial: u = 1 − e−λx da X = −ln(1 − U)/λ. → Discreta 1, 2, 3 con 0.5, 0.3, 0.2 (F = 0.5, 0.8, 1): h(u) = 1 si u ≤ 0.5, 2 si 0.5 < u ≤ 0.8, 3 si u > 0.8; u = 0.62 da 2. → Mixta de la F de arriba: h(u) = 0 si u ≤ 1/4; 4u − 1 si 1/4 < u ≤ 3/4; 3 si u > 3/4. Con u = 0.1, 0.6, 0.9 salen 0, 1.4, 3.
De una variable a otra
X ∼ E(2) y se quiere Y = mín(T, 0.5) con T ∼ E(3). U = 1 − e−2X ∼ U(0, 1). La inversa de FY es −ln(1 − u)/3 para u ≤ 1 − e−1.5 y 0.5 después; como −ln(1 − U) = 2X, queda Y = 2X/3 si X ≤ 0.75 e Y = 0.5 si no. Si te dan instantes de emisión, los tiempos entre emisiones son las diferencias, en las unidades de λ; después U = 1 − e−λT ∼ U(0, 1).
Transformaciones monótonas. Si G es continua y creciente, FG(X)(t) = FX(G−1(t)); si es decreciente y X continua, 1 − FX(G−1(t)).
set.seed(1)
u = runif(1000) # uniformes en (0, 1)
x = -log(1-u) / 2 # inversa de la exponencial de intensidad 2
plot(ecdf(x)) # distribución empírica
curve(1-exp(-2*x), add = TRUE) # la teórica, encima
hist(x, freq = FALSE) # histograma de densidad
u = runif(10000) # F mixta por tramos
x = ifelse(u <= 1/4, 0, ifelse(u <= 3/4, 4*u-1, 3))
F(X) uniforme sólo si F es continua
Para simular usá la inversa de la F que querés, no la de la variable que tenés. F(X) ∼ U(0, 1) exige F continua.
Condicionar a un evento: truncar (H2.10)
Dado {X ∈ A} con P(X ∈ A) > 0, la variable truncada es P(X ∈ B | X ∈ A) = P(X ∈ B ∩ A)/P(X ∈ A). Se corta y se reescala (H2.10):
Identificá A. Si piden lo descartado, A es el complemento (puede ser unión de dos colas: se suman sus probabilidades); control: f = f|AP(A) + f|AcP(Ac). Convertí unidades si hace falta ("menor que 30 cm" con X en decímetros es {X < 3}).
Calculá P(X ∈ A) integrando f sobre A.
Escribí la densidad con su indicadora, dividida por ese número, y comprobá que integra 1.
Truncar una densidad y una discreta
→ Continua: f(x) = (3x²/8) 1{0 < x < 2}, A = {X > 1}: P(A) = 7/8 y fX|X>1 = (3x²/7) 1{1 < x < 2}, que integra 1. → Discreta: p = (0.1, 0.2, 0.3, 0.4) en {1, 2, 3, 4}, A = {X ≥ 2}: P(A) = 0.9 y pX|X≥2 = (2/9, 1/3, 4/9).
Truncar sin reescalar
Cortar sin dividir por P(X ∈ A) deja una "densidad" que no integra 1.
Eventos con dígitos. "El primer dígito de X ∈ (0, 1) es d" equivale a X ∈ [d/10, (d + 1)/10); "los dos primeros son a y b", a X ∈ [(10a + b)/100, (10a + b + 1)/100). Un evento sobre dígitos es una unión de intervalos: se suman las diferencias de F.
Dígitos de una variable con densidad
f = 3x² en (0, 1), F = x³. Suma de los dos primeros dígitos igual a 4; ¿cuál es la probabilidad de que el primero sea 1? → Pares: (0, 4), (1, 3), (2, 2), (3, 1), (4, 0): cinco intervalos [0.04, 0.05), [0.13, 0.14), …, [0.40, 0.41). → P(A): suma de F(b) − F(a) = 0.010025. → Parte pedida: sólo el par (1, 3): 0.002744 − 0.002197 = 0.000547. → Condicional: 0.000547/0.010025 ≈ 0.0546.
Datos: función de distribución empírica e histograma (H2.11)
Con datos x₁, …, xn, la empírica es (H2.11):
\hat{F}_n{(x)}=\frac{\text{cantidad de datos }\le x}{n}
Es una escalera que sube 1/n en cada dato (más si hay repetidos). Estima probabilidades: P(X > a) ≈ (datos mayores que a)/n.
El histograma de densidad usa intervalos (no necesariamente de igual ancho) y, en cada uno:
\text{altura}_j=\frac{{(\text{cantidad de datos en }I_j)}/n}{\text{ancho de }I_j}
El área de cada barra es su frecuencia relativa y el total es 1. Hay que fijar la convención de extremos (R usa (a, b]). Para P(X > a) se suman las barras a la derecha y la fracción de la barra que contiene a a (densidad constante dentro de cada clase).
Quince datos
2.1, 3.4, 3.4, 4.0, 4.8, 5.1, 5.5, 6.2, 6.9, 7.7, 8.3, 9.5, 10.2, 12.6, 14.1. → Empírica: sube a 1/15 en 2.1 y salta 2/15 en 3.4; P(X > 7) ≈ 6/15 = 0.4. → Histograma con (0, 4], (4, 6], (6, 9], (9, 15]: 4, 3, 4, 4 datos y alturas (4/15)/4, (3/15)/2, (4/15)/3, (4/15)/6. → P(X > 7) con él: (2/3)(4/15) + 4/15 = 20/45 ≈ 0.4444, distinto del 0.4 por el supuesto de densidad uniforme en la clase.
Altura no es frecuencia
La altura es frecuencia relativa sobre ancho; con anchos distintos importa el área.
Dígitos de un número al azar y recurrencias por primer paso
Dígitos de una uniforme. Si U ∼ U(0, 1] = 0.D₁D₂…, el evento {D₁ = a₁, …, Dn = an} es un intervalo de longitud 10−n, de probabilidad 10−n. Sumando sobre los otros dígitos, P(Di = a) = 1/10 y la conjunta es el producto: los dígitos son uniformes en {0, …, 9} e independientes. Sólo para la uniforme.
Recurrencia por primer paso. Para repetir hasta un patrón, se condiciona en cómo arranca el experimento: tras romperse el patrón, el proceso se reinicia. Con N la cantidad de ensayos hasta el primer par de éxitos consecutivos, pn = P(N = n), la partición A₁ = fracaso, A₂ = éxito y fracaso, A₃ = dos éxitos da, por probabilidades totales: dado A₁ se perdió 1 ensayo y se reinicia, P(N = n + 2 | A₁) = pn+1; dado A₂ se perdieron 2, P(N = n + 2 | A₂) = pn; dado A₃, N = 2.
p_{n+2}={(1-p)}\,p_{n+1}+p{(1-p)}\,p_n
con p_1=0 y p_2=p^2
Es una ecuación en diferencias lineal de segundo orden. Para resolverla:
Reemplazá pn por rn: la ecuación característica es r² − (1 − p) r − p(1 − p) = 0.
Dos raíces reales distintas: pn = A r₁n + B r₂n. Raíz doble: (A + B n) rn.
Con las dos condiciones iniciales armá un sistema para A y B, y comprobá con los primeros términos.
Fibonacci corrido. Si la recurrencia es an+2 = an+1 + an (con p = 1/2 sale de an = 2npn): se calculan a mano los dos primeros valores y se busca ese par en F₁ = F₂ = 1, F₃ = 2, F₄ = 3, F₅ = 5, …
Sin dos caras seguidas, con p = 1/3
qn = probabilidad de que n lanzamientos no tengan dos caras seguidas. → Recurrencia: si el primero es cruz (2/3), queda n − 1; si es cara (1/3), sigue cruz (2/3) y queda n − 2: qn = (2/3) qn−1 + (2/9) qn−2, con q₀ = q₁ = 1. → Característica: r² − (2/3) r − 2/9 = 0, r₁ = (1 + √3)/3, r₂ = (1 − √3)/3. → Iniciales: A + B = 1 y A r₁ + B r₂ = 1 dan A = (3 + 2√3)/6, B = (3 − 2√3)/6. → Relación con N: P(N > n) = qn y P(N = n) = qn−1 − qn.
6 Vectores aleatorios: conjunta, marginales e independencia
Entra en el parcial (ejercicios 2.21 a 2.26 y 2.32 a 2.37). Hoja: H2.12 a H2.15, H2.10, H1.13, D.5, D.17 y D.18. Casi todo ejercicio se decide dibujando el soporte y el evento.
El vector aleatorio y su función de distribución conjunta
Un vector aleatorio (X, Y) son dos variables definidas sobre el mismo experimento. Las distribuciones de X y de Y por separado no alcanzan para eventos como {X < Y} o {X + Y ≤ 1}: hace falta la distribución conjunta, que se describe con la función de distribución conjunta (H2.12):
F_{X,Y}{(x,y)}=P{(X\le x,\,Y\le y)}
Es la probabilidad del cuadrante al suroeste de (x, y).
Izquierda: F(x, y) es la probabilidad del cuadrante sombreado. Derecha: el rectángulo se arma con las cuatro esquinas y sus signos.
No decrece en cada variable y es continua a derecha.
F → 0 si x → −∞ o y → −∞, y F → 1 si las dos tienden a +∞.
Los rectángulos no tienen probabilidad negativa: para a < b y c < d,
Monótona y con límites no alcanza para ser F conjunta
La condición del rectángulo no se deduce de las otras. F(x, y) = 1{x + y ≥ 0} crece, es continua a derecha y tiene los límites correctos, pero P(−1 < X ≤ 1, −1 < Y ≤ 1) = 1 − 1 − 1 + 0 = −1. Si te dan una F conjunta, comprobá que el rectángulo dé siempre ≥ 0.
Dejar que y → +∞ no restringe a Y, así que las marginales salen de la conjunta:
F_X{(x)}=\lim_{y\to\infty}F_{X,Y}{(x,y)}
F_Y{(y)}=\lim_{x\to\infty}F_{X,Y}{(x,y)}
Vectores discretos: la tabla de probabilidades
La función de probabilidad conjunta es p(x, y) = P(X = x, Y = y), con p ≥ 0 y suma 1 (H2.12); P((X, Y) ∈ A) es la suma de las celdas de A. Se arma una tabla de doble entrada y las marginales (H2.13) se obtienen sumando: pX(x) = ∑y p(x, y) (la fila) y pY(y) = ∑x p(x, y) (la columna). Un par imposible se marca con un 0 explícito: ese cero decide la independencia.
Una urna sin reposición
Una urna tiene 3 bolas rojas, 2 negras y 2 blancas; se sacan 3. Sean X las rojas e Y las negras. Hay C(7, 3) = 35 casos equiprobables (H1.12), y p(x, y) = C(3, x) C(2, y) C(2, 3 − x − y)/35. En treinta y cincoavos:
x \ y
0
1
2
pX(x)
0
0
2/35
2/35
4/35
1
3/35
12/35
3/35
18/35
2
6/35
6/35
0
12/35
3
1/35
0
0
1/35
pY(y)
10/35
20/35
5/35
1
Por el complemento, X + Y = 3 es "ninguna blanca": 3/35 + 6/35 + 1/35 = 10/35, y P(X + Y ≤ 2) = 5/7. No son independientes: p(0, 0) = 0 pero pX(0) pY(0) > 0. Con reposición la conjunta es multinomial (H6.6, D.17), p(x, y) = 3!/(x! y! (3 − x − y)!) (3/7)x (2/7)y (2/7)3−x−y, y tampoco hay independencia: una cantidad fija de extracciones liga a los conteos.
Mínimo y máximo de dos dados de tres caras
Nueve pares equiprobables; X es el mínimo e Y el máximo. (1, 1), (2, 2) y (3, 3) tienen un par; los otros tres valores, dos pares.
x \ y
1
2
3
pX(x)
1
1/9
2/9
2/9
5/9
2
0
1/9
2/9
3/9
3
0
0
1/9
1/9
pY(y)
1/9
3/9
5/9
1
P(X < Y) son las celdas sobre la diagonal: 6/9 = 2/3. Como p(2, 1) = 0 y pX(2) pY(1) = (3/9)(1/9) > 0, no son independientes.
Vectores continuos: densidad conjunta
(X, Y) es continuo si existe una densidad conjunta f ≥ 0 tal que (H2.12 y H2.4):
P{((X,Y)\in A)}=\iint_A f_{X,Y}{(x,y)}\,dx\,dy
con
\iint_{\R^2}f_{X,Y}=1
La probabilidad es el volumen bajo la superficie z = f sobre A.
Un punto, una recta o una curva tienen probabilidad 0, así que da igual < que ≤.
f no es una probabilidad: puede valer más que 1.
El soporte es donde f > 0 y se escribe con una indicadora: f = 6x 1{0 < x < y < 1} vale 0 fuera del triángulo. Sin ella, "6x" sería otra función.
Que cada coordenada sea continua no alcanza para tener densidad: si Y = X, el vector cae sobre una recta de área 0.
Discreto
Continuo
P((X, Y) ∈ A)
suma de las celdas de A
integral doble de f sobre A
Marginal de X
pX(x) = ∑y p(x, y)
fX(x) = ∫ f(x, y) dy
Independientes si
p = pX pY en todas las celdas
f = fX fY casi en todo punto
Calcular P((X, Y) ∈ A): la región primero
Dibujá el soporte y el evento; sombreá A ∩ soporte (sólo cuenta esa parte).
Elegí el orden de integración que no obligue a partir la región.
Cortá con una recta: para x fijo, el tramo de la vertical dentro de la región da los límites de y (pueden depender de x); los de x son constantes. Si el borde cambia de curva, se parte la integral.
Integrá (H2.12), o calculá 1 − P(complemento) si es más cómodo, y chequeá que dé entre 0 y 1.
El evento es la parte del soporte bajo y = 2x (sombreada). El pedazo gris es el complemento.
Una densidad sobre un triángulo, y un evento que lo parte
f(x, y) = 6x 1{0 < x < y < 1} es densidad: ∫01 ∫0y 6x dx dy = ∫01 3y² dy = 1. Se pide P(Y ≤ 2X).
Soporte: triángulo de vértices (0, 0), (0, 1), (1, 1). El evento es la parte bajo y = 2x, que llega a y = 1 en x = 1/2.
Integrando primero en x, para y fijo x va de y/2 a y, sin partir nada: ∫01 ∫y/2y 6x dx dy = ∫01 (9/4) y² dy = 3/4.
Por el complemento: P(Y > 2X) = ∫01/2 ∫2x1 6x dy dx = [3x² − 4x³]01/2 = 1/4, y 1 − 1/4 = 3/4.
Hallar la constante. Se despeja k de ∬ f = 1 integrando sobre el soporte, y se verifica k > 0.
Hallar k
f(x, y) = k x 1{0 < x < 2, 0 < y < 2 − x}. 1 = ∫02 ∫02−x k x dy dx = k ∫02 x(2 − x) dx = k · 4/3, entonces k = 3/4.
La función de distribución conjunta de un vector continuo
La fórmula cambia según la zona del plano donde esté (x, y). Se divide el plano prolongando los lados del soporte y en cada zona se integra f sobre la intersección del cuadrante suroeste con el soporte. F vale 0 abajo y a la izquierda, y 1 arriba y a la derecha.
F conjunta de f(x, y) = x + y en el cuadrado unidad
f integra 1: 1/2 + 1/2. En el centro, F = ∫0x ∫0y (s + t) dt ds = xy(x + y)/2. Si x > 1, el cuadrante cubre todo el ancho y F = F(1, y) = FY(y); si y > 1, F = FX(x). Control: ∂²F/∂x∂y = x + y.
Una fórmula distinta en cada zona. Las franjas son las marginales: F(1, y) = FY(y) y F(x, 1) = FX(x).
Marginales
Se integra (o suma) sobre todos los valores de la otra variable (H2.13):
f_X{(x)}=\int f_{X,Y}{(x,y)}\,dy
f_Y{(y)}=\int f_{X,Y}{(x,y)}\,dx
(discreto: \sum en lugar de \int)
Para la marginal de X se corta el soporte con una vertical (y de x a 1); para la de Y, con una horizontal (x de 0 a y).
Trazá una vertical por un x genérico y marcá dónde entra y dónde sale del soporte: son los límites de y.
Integrá en y, y escribí el rango de x donde hay corte; fuera vale 0.
Repetí con horizontales para Y. Cada marginal tiene que integrar 1.
Las marginales del triángulo
f = 6x 1{0 < x < y < 1}. La vertical por x entra en y = x y sale en y = 1: fX(x) = ∫x1 6x dy = 6x(1 − x), 0 < x < 1. La horizontal por y va de x = 0 a x = y: fY(y) = ∫0y 6x dx = 3y², 0 < y < 1. Ambas integran 1. X e Y no son independientes: el soporte es un triángulo.
Marginales con exponencial cuadrática
f(x, y) = (1/2π) exp(−(x² − 2xy + 2y²)/2) en todo el plano. Se completa el cuadrado en la variable que se integra.
Marginal de Y: x² − 2xy + 2y² = (x − y)² + y², así que f = (1/√2π) e−(x−y)²/2 · (1/√2π) e−y²/2. El primer factor es una N(y, 1) en x e integra 1: Y ∼ N(0, 1).
Marginal de X: 2y² − 2xy + x² = 2(y − x/2)² + x²/2, y ∫ e−(y−x/2)² dy = √π, de modo que fX(x) = (1/(2√π)) e−x²/4: X ∼ N(0, 2).
Se usa ∫ e−a(t−m)² dt = √(π/a) (una N(m, 1/(2a)) sin normalizar). No son independientes: f(0, 0) = 1/(2π) ≈ 0.159, pero fX(0) fY(0) ≈ 0.1125. El término −2xy mezcla las variables (normal bivariada, D.18, con ρ ≠ 0).
La conjunta manda
La conjunta (F, p o f) da las marginales, la probabilidad de cualquier evento del par y la independencia. Las marginales solas no dan la conjunta: X, Y ∼ Ber(1/2) independientes (cuatro celdas de 1/4) y la tabla con p(0, 0) = p(1, 1) = 1/2 (es Y = X) tienen las mismas marginales.
Errores en las marginales
Integrar en todo ℝ en vez de en el corte del soporte, o dejar una variable de más (fX no depende de y).
Olvidar que la marginal vale 0 fuera de su rango.
Si el borde cambia de fórmula (un valor absoluto, una curva), hay tramos; y hay que despejar la curva (y = x² da x = √y, no ±). Con |y| < x < c la horizontal por y entra en x = |y|: fY tiene una fórmula para y > 0 (x desde y) y otra para y < 0 (x desde −y), y fX integra y de −x a x.
Independencia de dos variables
X e Y son independientes si P(X ∈ A, Y ∈ B) = P(X ∈ A) P(Y ∈ B) para todo A y B (H2.14), o sea FX,Y(x, y) = FX(x) FY(y). En la práctica:
Discretas: p(x, y) = pX(x) pY(y) en todas las celdas, incluidas las de 0.
Continuas: f(x, y) = fX(x) fY(y) casi en todo punto.
Si son independientes, la conjunta es el producto de las marginales: "X e Y independientes" es una forma de dar la conjunta. Si g y h son funciones, g(X) y h(Y) también lo son.
Cómo se decide
Mirá el soporte. Si no es un producto de intervalos A × B, no son independientes: hay un punto cuyas coordenadas son posibles pero que cae fuera del soporte, donde la conjunta vale 0 y el producto no (figura).
Si el soporte es un producto, se compara la conjunta con el producto de las marginales, o se factoriza.
Discretas: una celda con p ≠ pX pY (por ejemplo un 0 con marginales positivas) refuta; para probar hay que revisar todas.
Sólo el rectángulo es un producto A × B. En los otros tres el punto marcado tiene abscisa y ordenada posibles, pero está fuera del soporte.
Criterio de factorización
Si f(x, y) = c · g(x) h(y), con g y h incluyendo cada una su indicadora, entonces X e Y son independientes, fX ∝ g y fY ∝ h. Las marginales son g y h divididas por su integral.
Las indicadoras también se factorizan
1{0 < x < 1, 0 < y < 1} se separa en una parte de x y una de y; 1{x < y}, 1{x + y < 1} o 1{x² + y² < 4} no. No declares independencia al ver "e−x e−y" sin mirar la indicadora.
Parece un producto y no lo es
f(x, y) = 2e−(x+y) 1{0 < x < y}. La parte exponencial es un producto, pero el soporte {0 < x < y} no: no son independientes. Las marginales lo confirman: fX = 2e−2x y fY = 2e−y(1 − e−y); su producto no se anula en x > y, donde f vale 0. Con 1{x > 0, y > 0} y f = e−(x+y) sí habría independencia: es el producto de dos E(1).
Soporte cuadrado, pero dependientes
f = x + y en el cuadrado unidad: fX = x + 1/2 y fY = y + 1/2. El producto (x + 1/2)(y + 1/2) difiere de x + y en (x − 1/2)(y − 1/2), que sólo es 0 sobre dos rectas: no son independientes. En un punto: F(1/2, 1/2) = 1/8, pero FX(1/2) FY(1/2) = 9/64. El soporte rectangular es necesario, no suficiente.
Varias variables. X1, …, Xn son conjuntamente independientes si p (o f) es el producto de las n marginales. Independientes de a pares no alcanza (H1.18).
Si A1 y A2 son independientes, Xi = 1{Ai} lo son, y al revés. Demostración. Con pi = P(Ai): P(X1 = 1, X2 = 1) = P(A1 ∩ A2) = p1 p2. Los complementos de independientes son independientes (H1.17), así que las otras tres celdas valen p1(1 − p2), (1 − p1) p2 y (1 − p1)(1 − p2): las cuatro son producto. La vuelta es el caso x1 = x2 = 1.
Uniforme en una región
Un punto al azar en una región Λ de área |Λ| tiene densidad constante (H2.15):
La probabilidad es una razón de áreas (H1.7): se dibuja Λ y el evento y se mide la parte común (triángulo b h/2, trapecio (B + b) h/2, círculo π r², sector θ r²/2).
Sobre un rectángulo (a, b) × (c, d), X ∼ U(a, b) e Y ∼ U(c, d) son independientes, y al revés: dos uniformes independientes dan un punto uniforme en el rectángulo.
Sobre cualquier otra región, las marginales no son uniformes ni independientes.
Uniforme en un disco
(X, Y) uniforme en el disco de radio 2: f = 1/(4π) dentro. P(X² + Y² ≤ 1) = π/(4π) = 1/4. El evento Y > |X| es un sector de 90°, otro 1/4. La marginal es fX(x) = √(4 − x²)/(2π), −2 < x < 2, que no es uniforme. No son independientes: (1.5, 1.5) tiene coordenadas posibles pero 1.5² + 1.5² > 4.
Dos uniformes independientes y un encuentro
Ana llega en A ∼ U(0, 30) y Beto en B ∼ U(10, 40), independientes. Ana espera 10 minutos y Beto 5. (A, B) es uniforme en el rectángulo (0, 30) × (10, 40), de área 900. Hay dos casos: llega primero Ana y B − A ≤ 10, o llega primero Beto y A − B ≤ 5. La región es la banda entre b = a − 5 y b = a + 10. Su área: ∫015 a da + 15 · 15 = 112.5 + 225 = 337.5, y P = 337.5/900 = 3/8.
Soporte: el rectángulo. Encuentro: la banda entre b = a − 5 y b = a + 10.
Una varilla quebrada en dos puntos
X, Y independientes U(0, 1) son los quiebres. Con X < Y las piezas miden X, Y − X y 1 − Y. Forman un triángulo si cada una mide menos de 1/2: X < 1/2, Y > 1/2, Y − X < 1/2, el triángulo de vértices (0, 1/2), (1/2, 1/2), (1/2, 1), de área 1/8. El caso Y < X es el espejo: P = 2 · 1/8 = 1/4.
Condicionar a un evento del vector
Si se sabe que ocurrió un evento B del par con P(B) > 0, se usa P(A | B) = P(A ∩ B)/P(B) (H1.13), con integrales o, en una uniforme, áreas. La densidad de Y dado B es la de Y truncada (H2.10):
Condicionar a un evento no es condicionar a un valor exacto X = x (probabilidad 0, sección 11).
Salir tarde y perder el tren
Una persona sale S ∼ U(0, 10) minutos después de las 7:30 y tarda V ∼ U(5, 15) hasta la estación, independiente. (S, V) es uniforme en (0, 10) × (5, 15), de área 100. El tren sale a los 18 minutos. Se sabe que S > 4. ¿Probabilidad de llegar a tiempo, S + V ≤ 18?
El evento que se sabe es el rectángulo (4, 10) × (5, 15), de área 60.
La parte común con S + V ≤ 18 es el trapecio de vértices (4, 5), (10, 5), (10, 8), (4, 14): cortes de 9 y 3 y ancho 6, área (9 + 3) · 6/2 = 36.
P = 36/60 = 3/5.
Cómo se resuelve cada tipo de ejercicio
Tabla conjunta discreta (2.21, 2.35, 2.37): tabla con sus ceros (conteo H1.12, multinomial H6.6), suma 1, marginales sumando (H2.13), eventos como suma de celdas (H2.12), independencia celda a celda (H2.14). Con indicadoras de "salió el color i" en n extracciones con reposición, P(X1 = 0) = (1 − p1)n y P(X1 = 0, X2 = 0) = (1 − p1 − p2)n, y el resto de la tabla sale por resta. N = X1 + X2 + X3 cuenta cuántos de los tres colores salieron; en la tabla de (X1, N) hay ceros (N = 0 fuerza X1 = 0) y un cero con marginales positivas rompe la independencia.
Densidad conjunta (2.22 a 2.24, 2.36): soporte con indicadora, constante con ∬ f = 1, marginales cortando con rectas o completando cuadrados, independencia por soporte y factorización.
Evento en una región (2.22a, 2.23a, 2.26, 2.32, 2.33): desigualdades entre las variables (dos casos si los roles difieren), región sobre el soporte, razón de áreas (H2.15) o integral doble; con "se sabe que…", se divide por P(B).
Independientes dadas por su distribución (2.25, 2.34): la conjunta es el producto (D.5 en el 2.25); una condicional es la celda pedida sobre la suma de las celdas del evento que se sabe (H1.13); en el 2.25, X | X + Y = n es binomial (H4.12) y X + Y es Poisson (H4.9); el 2.34 se demuestra con las cuatro celdas.
Las trampas de este tema
Integrar sin dibujar, u olvidar la indicadora (al hallar k, las marginales o al factorizar).
Soporte rectangular no es independencia: f = x + y en el cuadrado es dependiente. Lo que sí vale: soporte que no es producto ⇒ no independientes.
Densidad no es probabilidad: f puede ser mayor que 1.
Un cero en la tabla no es un detalle: con marginales positivas, rompe la independencia.
Con una cantidad fija de extracciones, los conteos de cada color no son independientes.
Marginales iguales no significan conjuntas iguales.
Qué tenés que saber hacer sí o sí
Armar la tabla conjunta con sus ceros y sacar marginales y eventos (H2.12, H2.13).
Plantear la integral doble sobre el soporte con los límites correctos, y hallar k y las dos marginales (H2.12, H2.13).
Decidir la independencia por soporte, factorización o producto de marginales (H2.14).
Resolver con la uniforme en una región como razón de áreas (H2.15).
Condicionar a un evento del par (H1.13, H2.10) y escribir la F conjunta por zonas con la fórmula del rectángulo.
Entra en el parcial. Hoja: H3.1 a H3.5 y H3.15, H2.10 (truncar), H1.21 (series) y la tabla D.1 a D.16.
La esperanza
E[X] es el promedio de los valores de X pesados por su probabilidad: el centro de masa de la distribución y el promedio de los resultados a la larga. No tiene por qué ser un valor que X tome (el dado tiene E[X] = 3.5) y es un número, no una variable aleatoria.
discreta:
E[X]=\sum x\,p_X{(x)}
continua:
E[X]=\int_{-\infty}^{\infty}x\,f_X{(x)}\,dx
(H3.1)
En la continua se integra sólo donde la densidad no vale 0 (donde la indicadora vale 1).
Una ruleta
Paga X pesos: −3 con probabilidad 0.2, 0 con 0.3, 2 con 0.4 y 6 con 0.1.
E[X] = (−3)(0.2) + 0 + 2(0.4) + 6(0.1) = 0.8: a la larga gana 0.8 por jugada, aunque en ninguna gane justo eso.
Reconociéndola → es β(4, 2) (D.13) y E[X] = a/(a + b) = 4/6 = 2/3. Reconocer la distribución ahorra la cuenta y sirve de control (para una gamma, se compara con D.9: λν xν−1 e−λx/Γ(ν)).
Variable mixta
Una mixta tiene saltos en F (masa puntual: el salto en a vale F(a) − F(a−) = P(X = a)) y tramos que crecen, donde se deriva (H2.5). La esperanza suma las dos partes:
E[X]=\sum a\cdot{(\text{salto en }a)}+\int x\,F'{(x)}\,dx
E[g{(X)}]=\sum g{(a)}\cdot{(\text{salto en }a)}+\int g{(x)}\,F'{(x)}\,dx
F′ sola no integra 1: integra 1 menos la suma de los saltos.
Leer una mixta
F(x) = 0 si x < 0; x²/8 si 0 ≤ x < 2; 3/4 si 2 ≤ x < 3; 3/4 + (x − 3)/4 si 3 ≤ x < 4; 1 si x ≥ 4.
1. Saltos → en 2: F(2−) = 1/2 y F(2) = 3/4, así que P(X = 2) = 1/4.
2. Tramos → F′ = x/4 en (0, 2) (masa 1/2) y F′ = 1/4 en (3, 4) (masa 1/4). Total 1/2 + 1/4 + 1/4 = 1.
El área entre F y la altura 1 es E[X] (H3.3, se explica más abajo): 5/3 de 0 a 2, 1/4 de 2 a 3 y 1/8 de 3 a 4, total 49/24, igual que la cuenta anterior.
Cuando la esperanza no existe
Hace falta que converja con valor absoluto: ∑ |x| pX(x) < ∞ o ∫ |x| fX(x) dx < ∞ (H3.1). Puede fallar de dos maneras:
Diverge. Si P(X = n) = 1/(n(n + 1)), n ≥ 1 (suman 1 por telescopía), entonces ∑ n p(n) = ∑ 1/(n + 1) diverge y E[X] = ∞.
Dos colas pesadas. La Cauchy f(x) = 1/(π(1 + x²)) es simétrica, pero ∫ |x| f(x) dx = ∞.
"Es simétrica, así que E[X] = 0"
La simetría da el centro sólo si la esperanza existe. Antes, verificá que la integral de |x| f(x) converja.
Esperanza de una función de X o de un vector
Para E[g(X)] no hace falta hallar la distribución de g(X) (H3.2):
Se pesa g(x) con la distribución original, sobre su soporte, siempre que converja con |g|. Con un vector se dibuja la región y se elige el orden de integración con límites sencillos. Con X, Y independientes la densidad conjunta es el producto (constante en un rectángulo). Para X sen(XY), X e Y ∼ U(0, π): integrando primero en y, ∫0π x sen(xy) dy = 1 − cos(πx), y E = (1/π²) ∫0π (1 − cos πx) dx = (1/π²)(π − sen(π²)/π) = (π² − sen(π²))/π³ ≈ 0.3322 (el ∫0π cos(πx) dx = sen(π²)/π no da 0).
E[g(X)] no es g(E[X])
Sólo coinciden si g(x) = ax + b. Si L es U(1, 3), E[L] = 2 pero E[L²] = ∫13 x²/2 dx = 13/3 ≈ 4.333, no 2² = 4. Tampoco E[√X] = √E[X] ni E[1/X] = 1/E[X].
Potencia con una normal
I es N(2, 0.25) amperes y P = 10 I². Por H3.2, E[P] = 10 E[I²], y E[I²] = var(I) + E[I]² = 0.25 + 4 = 4.25 (H3.5). Entonces E[P] = 42.5 W.
Una raíz, con la función gamma
T exponencial de media 8. Se usa Γ(ν) = ∫0∞ tν−1 e−t dt, con Γ(ν + 1) = νΓ(ν), Γ(n) = (n − 1)! y Γ(1/2) = √π, y ∫0∞ xa−1 e−λx dx = Γ(a)/λa:
E[√T] = (1/8) Γ(3/2)/(1/8)3/2 = Γ(3/2) √8 = (√π/2) √8 ≈ 2.507, menos que √E[T] ≈ 2.828.
Un recorte
T es exponencial con λ = 1/2 y se observa hasta los 3: Y = mín(T, 3), una mixta con P(Y = 3) = e−1.5. Por H3.2:
E[XY] ≠ E[X]E[Y] = 2/9: no son independientes (el soporte no es un rectángulo, H2.14).
Se fija y y x corre de 0 hasta la diagonal x = y; después se integra en y. Los límites salen del dibujo.
Triángulo cualquiera: el baricentro
Uniforme sobre el triángulo de vértices (0, 0), (4, 1), (1, 5). Una transformación lineal invertible de una uniforme es uniforme (H4.7), y en el triángulo estándar E[U] = E[V] = 1/3. Como (X, Y) = (4U + V, U + 5V), por linealidad E[X] = 4/3 + 1/3 = 5/3 y E[Y] = 1/3 + 5/3 = 2: el promedio de los vértices.
Una variable con una álgebra chica
Ω = {1, …, 6}, con átomos {1, 2, 3}, {4, 5}, {6} de probabilidades 0.5, 0.3, 0.2. X es variable aleatoria sólo si es constante en cada átomo. Con a = −2 y b = 3 en los dos primeros, E[X] = 0.5(−2) + 0.3(3) + 0.2c = 0 da c = 0.5. Condicionar descarta átomos: E[X | X > −1] = (3 · 0.3 + 0.5 · 0.2)/0.5 = 2. No es única: X = 0, −2, 3 en los tres átomos también da E[X] = 0.
Propiedades de la esperanza
E[c]=c
E[aX+bY+c]=a\,E[X]+b\,E[Y]+c
X\le Y\Rightarrow E[X]\le E[Y]
E[1\{A\}]=P{(A)}
(H3.4)
Linealidad, sin hipótesis sobre X e Y (sale de H3.2 con g = ax + by).
Indicadora. 1{A} es Bernoulli(P(A)), así que una probabilidad es una esperanza.
Producto. E[XY] = E[X] E[Y] sólo si X e Y son independientes.
E[XY] = E[X]E[Y] no es siempre
Con X ∼ Ber(1/2) e Y = X: E[XY] = 1/2 y E[X]E[Y] = 1/4. Y si vale la igualdad, eso no prueba independencia. Tampoco E[X/Y] = E[X]/E[Y].
Contar con indicadoras
Si N = 1{A1} + ⋯ + 1{An}, entonces E[N] = P(A1) + ⋯ + P(An) aunque los eventos dependan entre sí.
Extracción sin reposición
De 10 piezas, 4 defectuosas, se sacan 3. Por simetría cada extraída es defectuosa con probabilidad 4/10, así que E[X] = 3 · 4/10 = 1.2 (es nd/N, D.6). Igual, si 5 personas reciben al azar un sombrero cada una, E[coincidencias] = 5 · 1/5 = 1.
La esperanza con la función de distribución
X\ge0:
E[X]=\int_0^{\infty}{(1-F_X(x))}\,dx
X\in\{0,1,2,\ldots\}:
E[X]=\sum_{n\ge0}P{(X>n)}
(H3.3)
Sale de X = ∫0∞ 1{X > x} dx. Es lo que conviene cuando se conoce F o la cola P(X > x) y no la densidad (mínimos, máximos, tiempos de vida, mixtas).
T1 ∼ E(1/2) y T2 ∼ E(1/3) independientes; T = mín(T1, T2). P(T > t) = e−t/2 e−t/3 = e−5t/6 (H4.10), así que E[T] = ∫0∞ e−5t/6 dt = 6/5.
La esperanza condicionada a un evento
Con P(A) > 0, la distribución recortada a A y reescalada (H2.10) da (H3.15):
E[X\mid A]=\frac{E[X\,1\{A\}]}{P{(A)}}
E[g{(X)}\mid A]=\frac{E[g{(X)}\,1\{A\}]}{P{(A)}}
(H3.15)
Se suma o integra sólo sobre A y se divide por P(A). El resultado cae siempre entre el menor y el mayor valor de A (no necesariamente en A: con A = {−2, 2} da 0). Condicionar en {X = a} con X continua es otro tema (sección 12).
Procedimiento
Escribí A y calculá P(A).
Calculá el numerador E[X 1{A}], con cuidado en un salto del borde: X < 2 no es X ≤ 2.
Dividí por P(A) y controlá que caiga entre el menor y el mayor valor de A.
Una Poisson truncada
X ∼ Poi(3), E[X | X ≤ 2]: P(X ≤ 2) = e−3(1 + 3 + 9/2) = 8.5e−3, y el numerador es e−3(0 + 3 + 9). Entonces E[X | X ≤ 2] = 12/8.5 = 24/17 ≈ 1.412.
Una exponencial, y la mixta de antes
T exponencial de media 4. Por la falta de memoria (H2.7), T − 2 dado T > 2 es otra vez exponencial de media 4: E[T | T > 2] = 2 + 4 = 6, sin integrar. Para T ≤ 2: ∫0c xλe−λx dx = 1/λ − (c + 1/λ)e−λc, que con λ = 1/4 y c = 2 es 4 − 6e−0.5, y P(T ≤ 2) = 1 − e−0.5: E[T | T ≤ 2] ≈ 0.917.
Con la mixta de 49/24 y A = {X < 2}: E[X 1{A}] = 2/3 y P(A) = 1/2, así que E[X | X < 2] = 4/3. Con A = {X ≤ 2} entra el salto: (2/3 + 1/2)/(3/4) = 14/9.
Condicionar a una cola no deja la media en 0
E[Z | Z > 0] no es 0 por simetría: la mitad que queda está toda a la derecha. Vale φ(0)/(1 − Φ(0)) = 0.3989/0.5 ≈ 0.798. En general, E[X | X > a] > a.
Normal condicionada a una cola
Como φ′(z) = −zφ(z), ∫z₀∞ zφ(z) dz = φ(z0), y entonces, con z0 = (x0 − μ)/σ:
Como esa media es mayor que z0, queda la cota 1 − Φ(z0) < φ(z0)/z0 para z0 > 0. Con z0 = 3: φ(3)/3 ≈ 0.00148 contra 1 − Φ(3) ≈ 0.00135, buena lejos del centro.
Cota → Z1, Z2 ∼ N(0, 1), no necesariamente independientes: P(máx > 4) ≤ 2(1 − Φ(4)) < 2φ(4)/4 = e−8/(2√(2π)) ≈ 6.69 · 10−5 (la unión no pide independencia, H1.3).
Esperanza total y condicionar al primer paso
Con una partición A1, …, Ak de probabilidades positivas:
E[X]=\sum_i E[X\mid A_i]\,P{(A_i)}
Con la mixta y {X < 2}, {X = 2}, {X > 2}: (4/3)(1/2) + 2(1/4) + (7/2)(1/4) = 49/24.
Si un experimento se repite hasta que pasa algo y tras cada etapa el problema vuelve a empezar, se condiciona en lo que pasa primero:
Definí los estados (lo que de lo ocurrido sirve para lo que falta).
es es la esperanza de lo que falta desde s; en el estado final, 0.
Escribí es = 1 + ∑ (probabilidad de ir a t) · et. El 1 cuenta la tirada hecha.
Resolvé el sistema y respondé con el estado inicial.
Cada flecha lleva su probabilidad. e0 y e1 son las esperanzas de lo que falta desde cada estado.
Esperar dos caras seguidas
Cara con p = 1/3, q = 2/3. e0 = "sin cara previa", e1 = "la última fue cara":
e0 = 1 + p e1 + q e0 y e1 = 1 + q e0. De la primera, e0 = 3 + e1; en la segunda, e0 = 4 + (2/3)e0. Entonces E[N] = e0 = 12. En general sale (1 + p)/p², o sea 6 con moneda equilibrada.
Cara-cara no es cara-ceca
Con moneda equilibrada, cara y después cara lleva 6 tiradas en promedio, pero cara y después ceca sólo 4: se espera la primera cara (2) y después la primera ceca (2). Cambia la transición desde "la última fue cara".
El desvío σ tiene la unidad de X y es el que se interpreta. La segunda forma sale de desarrollar el cuadrado y es la que se usa: E[X²] con H3.2 (g = x²) y se resta el cuadrado de la media.
var(X) ≥ 0, y var(X) = 0 ⇔ X es constante. Por eso E[X²] ≥ E[X]².
Cambio lineal: var(aX + b) = a² var(X) y σaX+b = |a| σX. La constante traslada y no cambia la dispersión.
Estandarizar: Z = (X − E[X])/σX tiene esperanza 0 y varianza 1.
Error cuadrático medio: E[(X − c)²] = var(X) + (E[X] − c)², así que la mejor constante para predecir X es c = E[X] y el error mínimo es var(X).
var(aX + b) = a² var(X)
Con var(X) = 4 e Y = 3 − 2X: var(Y) = (−2)² · 4 = 16. No es −8 (nunca es negativa) ni 16 + 3 (la constante no suma).
Con la ruleta
E[X²] = 9(0.2) + 4(0.4) + 36(0.1) = 7, así que var(X) = 7 − 0.8² = 6.36 y σ ≈ 2.52 pesos.
Una uniforme y varios cálculos
U ∼ U(0, 1): E[U²] = 1/3 y var(U) = 1/3 − 1/4 = 1/12. Como X = a + (b − a)U, var(X) = (b − a)²/12 (D.7). Para X ∼ U(2, 6): E[X] = 4, var(X) = 4/3 y E[X²] = 4/3 + 16 = 52/3.
Cambio lineal → Y = 3(X − 1): E[Y] = 9 y var(Y) = 9 · 4/3 = 12.
No lineal → E[2X² + 1] = 2(52/3) + 1 = 107/3.
Mejor constante → c = E[X] = 4, con error var(X) = 4/3.
Estandarizar → a = 1/σ = √3/2 y b = −a E[X] = −2√3.
Momentos factoriales
Para Poisson y geométrica es más fácil E[X(X − 1)], porque cancela dos factores del factorial; después E[X²] = E[X(X − 1)] + E[X].
Poisson y exponencial
Poisson → E[X(X − 1)] = μ² ∑x≥2 e−μ μx−2/(x − 2)! = μ². Entonces E[X²] = μ² + μ y var(X) = μ (D.5). Para Poi(2), E[X²] = 6.
Exponencial → E[T²] = λΓ(3)/λ³ = 2/λ² y var(T) = 1/λ²: el desvío es igual a la media.
Acotada, con la media fijada
X ∈ {0, 1, 2} con E[X] = 1.2. De p0 + p1 + p2 = 1 y p1 + 2p2 = 1.2: p1 = 1.2 − 2p2 y p0 = p2 − 0.2, con 0.2 ≤ p2 ≤ 0.6. Luego var(X) = 1.2 + 2p2 − 1.44 = 2p2 − 0.24 crece con p2: mínima 0.16 en (0, 0.8, 0.2) y máxima 0.96 en (0.4, 0, 0.6).
Valores equiprobables
Para x1, …, xn con probabilidad 1/n cada uno: E[X] = (x1 + ⋯ + xn)/n = x̄ y var(X) = (1/n) ∑ (xi − x̄)² = (1/n) ∑ xi² − x̄². Para 2, 4, 4, 6, 9 con probabilidad 1/5 cada lugar: E[X] = x̄ = 5, E[X²] = 30.6 y var(X) = 5.6.
Dividir por n o por n − 1
La varianza de la variable que elige un valor al azar divide por n (5.6). La varianza muestral s² de datos (H3.13) divide por n − 1 (28/4 = 7): es un estimador de σ² (sección 16).
Una mixta
Para la mixta de 49/24: E[X²] = ∫02 x² (x/4) dx + 4(1/4) + ∫34 x²/4 dx = 1 + 1 + 37/12 = 61/12, y var(X) = 61/12 − (49/24)² ≈ 0.915. El salto entra como un término con su valor al cuadrado.
Distribución
E[X]
var(X)
De dónde sale
Ber(p) (D.1)
p
p(1 − p)
X² = X
B(n, p) (D.2)
np
np(1 − p)
suma de n Bernoulli (la varianza, con independencia)
G(p) (D.3)
1/p
(1 − p)/p²
series de H1.21 y E[N(N − 1)]
Pas(k, p) (D.4)
k/p
k(1 − p)/p²
suma de k geométricas independientes
Poi(μ) (D.5)
μ
μ
E[X(X − 1)] = μ²
U(a, b) (D.7)
(a + b)/2
(b − a)²/12
cambio lineal de U(0, 1)
E(λ) (D.8)
1/λ
1/λ²
Γ(2) = 1, Γ(3) = 2
Γ(ν, λ) (D.9)
ν/λ
ν/λ²
E[Xk] = Γ(ν + k)/(Γ(ν) λk)
N(μ, σ²) (D.10)
μ
σ²
estandarizar: E[Z²] = 1
Momentos
El momento de orden k es E[Xk] (H3.2 con g = xk) y el central es E[(X − E[X])k]: la esperanza es el primer momento y la varianza el segundo central. E[Xk] existe si E[|X|k] < ∞, y si existe el de orden k existen los menores; la vuelta es falsa (puede haber media sin varianza). Por eso D.12 pide ν > 1 para la media de la t y ν > 2 para la varianza, y D.16 pide α > 1 y α > 2 en la Pareto.
Una Pareto: media finita, varianza infinita
X ∼ Par(1, α), densidad α x−α−1 en x ≥ 1: E[Xk] = α/(α − k) si k < α, e infinito si k ≥ α.
8 Covarianza, recta de regresión, Chebyshev y ley de los grandes números
Entra en el parcial. Hoja: H3.6 a H3.19, y D.17 y D.18 (multinomial y normal bivariada). Se da por sabida la sección 7: esperanza (H3.1 a H3.4) y var(X) = E[X2] − E[X]2 (H3.5).
Covarianza
Mide cómo se mueven juntas dos variables: el promedio del producto de sus desvíos (H3.6).
Si X e Y son independientes, E[XY] = E[X] E[Y] (H3.4) y cov = 0. La vuelta es falsa: cov = 0 sólo dice que no hay tendencia lineal.
Covarianza 0 y dependencia total
X toma −1, 0 y 1 con probabilidad 1/3 e Y = X2. E[X] = 0 y E[XY] = E[X3] = 0, así que cov = 0. Pero P(X = 0, Y = 0) = 1/3 ≠ P(X = 0) P(Y = 0) = 1/9. Con X ∼ U(−1, 1) pasa lo mismo, por simetría.
La vuelta sí vale en dos casos:
Dos Bernoulli. Si cov(X1, X2) = 0, E[X1X2] = P(X1 = 1, X2 = 1) = p1p2, y las otras tres celdas salen restando de las marginales, por ejemplo P(X1 = 1, X2 = 0) = p1 − p1p2 = p1(1 − p2). Las cuatro celdas se factorizan.
Normal bivariada (D.18): ρ = 0 implica independencia, pero exige que el vector sea normal; dos normales cualesquiera pueden no serlo.
Eventos que no pueden darse juntos. Con Y1 = X1(1 − X2) = 1{X1 = 1, X2 = 0} e Y2 = X2(1 − X1): E[X1X2] = p1p2 + cov; E[Y1] = p1 − E[X1X2] y E[Y2] = p2 − E[X1X2]; son Bernoulli, var(Yk) = E[Yk](1 − E[Yk]). Y1Y2 = 0, así que cov(Y1, Y2) = −E[Y1]E[Y2] y ρ = cov/√(var · var).
Independencia y covarianza
Independientes ⇒ cov = 0. Para probar que no son independientes alcanza una celda que no se factoriza, o un soporte que no es un rectángulo.
Cómo leer la covarianza
cov > 0: tienden a moverse en el mismo sentido. cov < 0: en sentido contrario. cov = 0: sin tendencia lineal. Cambia con las unidades, por eso para comparar se usa la correlación.
Los cuadrantes se arman alrededor de (E[X], E[Y]), no del origen. Cada punto aporta el producto de sus dos desvíos: positivo en los sombreados, negativo en los otros.
Para dar el signo sin hacer cuentas:
Ubicá el centro (E[X], E[Y]); una simetría respecto de x = a da E[X] = a, y respecto de y = b da E[Y] = b.
Más masa en los cuadrantes de arriba a la derecha y de abajo a la izquierda da cov > 0; en los otros dos, cov < 0.
Si la distribución es un espejo respecto de x = μX (o de y = μY), cov = 0: reflejar cambia el signo de X − μX y nada más.
Si Y es función creciente (decreciente) de X y no es constante, cov > 0 (cov < 0).
Dos regiones, dos signos
Uniforme en el rombo |x| + |y| < 1: simétrico respecto de los dos ejes, así que cov = 0. Pero no son independientes: P(X > 1/2, Y > 1/2) = 0 ≠ (1/8)(1/8), porque esa zona queda fuera del rombo (H2.14).
Uniforme en el paralelogramo de vértices (0, 0), (2, 0), (3, 1), (1, 1): está inclinado hacia la derecha, hay más masa en los cuadrantes I y III y cov > 0.
Los cuadrantes se arman en las medias
Una nube toda en el primer cuadrante puede tener cov < 0: los puntos (1, 3), (2, 2), (3, 1) están en x, y > 0 y bajan en fila.
Correlación
Número sin unidades (H3.8), definido si σX > 0 y σY > 0:
Por qué |ρ| ≤ 1. 0 ≤ var(Y − tX) = var(Y) − 2t cov + t2 var(X) para todo t, así que el discriminante es ≤ 0: cov2 ≤ var(X) var(Y) (H3.18). La igualdad exige Y − tX constante: |ρ| = 1 ⇔ Y = aX + b, con el signo de a igual al de ρ.
Cuanto más se pegan los puntos a una recta, más cerca de 1 en valor absoluto está ρ. La parábola de la derecha tiene ρ = 0 y sin embargo Y queda determinada por X.
Mide qué tan lineal es la relación. No es la pendiente.
ρ(aX + b, cY + d) = ρ(X, Y) si a y c tienen el mismo signo, y −ρ(X, Y) si tienen signos opuestos.
ρ = 0 no es independencia, salvo en los dos casos de arriba.
Cómo se calcula: escribí la conjunta con su soporte (indicadora si es continua); calculá E[X], E[Y], E[XY]; cov = E[XY] − E[X] E[Y]; si piden ρ, calculá también var(X) y var(Y) y dividí.
Uniforme en un triángulo
(X, Y) uniforme en el triángulo de vértices (0, 0), (1, 0), (1, 2). El área es 1, así que f = 1{0 < x < 1, 0 < y < 2x} (H2.15). Integrando primero en y, de 0 a 2x:
E[X] = ∫ x · 2x dx = 2/3; E[Y] = ∫ (2x)2/2 dx = 2/3; E[XY] = ∫ x (2x)2/2 dx = 1/2, así que cov = 1/2 − 4/9 = 1/18.
E[X2] = 1/2 y E[Y2] = 2/3, entonces var(X) = 1/18, var(Y) = 2/9 y ρ = (1/18)/√((1/18)(2/9)) = 1/2.
Punto de equilibrio. Pesos mi en posiciones xi: el apoyo está en la esperanza de la posición, con pi = mi/∑ mj, o sea ∑ mixi/∑ mi. Un peso en el centro del tablón entra como un peso más, en su posición.
Contar con indicadoras
Si X cuenta algo, escribila como X = I1 + ⋯ + In, con Ik = 1{ocurre el evento k}:
E[X] = ∑ P(evento k), sin necesidad de independencia.
var(Ik) = P(k)(1 − P(k)), porque es Bernoulli.
cov(Ii, Ij) = P(i y j) − P(i) P(j).
var(X) = ∑ var(Ik) + 2 ∑i<j cov(Ii, Ij).
Caras que aparecen al tirar tres dados
D = cantidad de caras entre {1, 2, 3} que salen alguna vez, D = I1 + I2 + I3.
P(Ik = 1) = 1 − (5/6)3 = 91/216, así que E[D] = 91/72.
P(Ii = Ij = 1) = 1 − 2(5/6)3 + (4/6)3 = 5/36 (complemento: no sale i o no sale j, restando lo contado doble: ninguna de las dos, (4/6)3), y cov = 5/36 − (91/216)2 = −1801/46656.
var(D) = 3 · (91/216)(125/216) + 6 · (−1801/46656) = 2591/5184. Las Ik son dependientes: 3 var(I1) daría mal.
En la multinomial (D.17), con I = 1{en el ensayo m salió i}: cov(Xi, Xj) = −n pipj para i ≠ j, porque ensayos distintos son independientes (cov 0) y en el mismo ensayo Im(i)Im(j) = 0: cada uno de los n ensayos aporta 0 − pipj.
Dos conteos distintos (por ejemplo N = ∑ Ik, urnas ocupadas, y X1 = ∑ Jm, bolas en la urna 1): cov(N, X1) = ∑k∑m cov(Ik, Jm). Hay dos tipos de término: k = 1, donde I1Jm = Jm, y k ≠ 1, donde E[IkJm] = P(Jm = 1) − P(Jm = 1, urna k vacía). Atajo: si X1 + ⋯ + Xr es constante, cov(N, esa suma) = 0 y por simetría cada cov(N, Xi) = 0. Aun así N y X1no son independientes: una celda como P(N = 1, X1 = 0) ≠ P(N = 1) P(X1 = 0).
La recta de regresión
La recta ŷ = a x + b que minimiza el error cuadrático medio E[(Y − aX − b)2] es la recta de regresión de Y sobre X (H3.9). Exige var(X) > 0.
De dónde sale. Para a fijo, el mejor b es E[Y − aX] (H3.16): la recta pasa por (E[X], E[Y]). Con ese b, el error var(Y) − 2a cov + a2 var(X) es mínimo si a = cov/var(X), y vale var(Y)(1 − ρ2).
La recta de regresión hace mínima la suma de los cuadrados de los segmentos verticales y pasa por (E[X], E[Y]).
La pendiente es ρ σY/σX, no ρ: coinciden sólo si σX = σY.
ρ2 es la fracción de var(Y) que explica la recta. Si |ρ| = 1 el error es 0; si ρ = 0 la recta es ŷ = E[Y] y el error es var(Y).
La de X sobre Y es otra recta, con pendiente cov/var(Y): no se obtiene despejando.
Es la mejor recta; la mejor función es E[Y | X = x] (sección 12, H5.10), que coincide si es lineal (normal bivariada, D.18).
Cómo se halla: E[X], E[Y], var(X), cov(X, Y); pendiente cov/var(X) con var(X) > 0; ŷ = E[Y] + pendiente (x − E[X]). "Y dada X" lleva X en el eje horizontal y var(X) abajo.
Recta con el triángulo
Del triángulo anterior: pendiente = (1/18)/(1/18) = 1 y ŷ(x) = 2/3 + (x − 2/3) = x. Error mínimo: (2/9)(1 − 1/4) = 1/6. La de X sobre Y tiene pendiente (1/18)/(2/9) = 1/4.
Mínimo y máximo de dos dados
W = menor y L = mayor. Truco: W L = X1X2 y W + L = X1 + X2, así que E[WL] = (7/2)2 = 49/4 y E[W] + E[L] = 7.
Con P(W = k) = (13 − 2k)/36: E[W] = 91/36, E[L] = 161/36, E[W2] = 301/36, var(W) = 301/36 − (91/36)2 = 2555/1296; L tiene la distribución de 7 − W, misma varianza. cov = 49/4 − (91/36)(161/36) = 1225/1296.
Pendiente 1225/2555 = 35/73 y ℓ̂(w) = 238/73 + (35/73) w. En w = 6 predice 6.137: un valor que el dado no puede dar. La recta es la mejor lineal, no respeta el rango.
Mínimo y máximo de dos uniformes
X1, X2 ∼ U(0, 1): el cuadrado y su reflejo respecto de la diagonal caen en el mismo punto, así que (W, L) es uniforme en {0 < w < l < 1}, f = 2 (H2.15). Integrando primero en w: E[W] = ∫ l2 dl = 1/3, E[W2] = 1/6, var(W) = 1/18. W L = X1X2 da E[WL] = 1/4, cov = 1/4 − (1/3)(2/3) = 1/36, pendiente 1/2 y ℓ̂(w) = 1/2 + w/2. Esperanza dado un evento (H3.15): E[X | A] = E[X 1{A}]/P(A). Con A = {L > 2/5}: P(L ≤ 2/5) = (2/5)2 y E[W 1{L ≤ 2/5}] = ∫02/5 l2 dl = 8/375, así que E[W | L > 2/5] = (1/3 − 8/375)/(21/25) = 13/35. Con U(0, 2) se escala todo por 2.
Recta de regresión
Hacen falta E[X], E[Y], var(X) y cov(X, Y). Pendiente cov/var(X), pasa por las medias, error mínimo var(Y)(1 − ρ2).
Normal bivariada: leer la densidad
Si la densidad es k exp(−(a u2 + b u v + c v2)), con u = x − μ1 y v = y − μ2, comparando con D.18:
a=\frac{1}{2{(1-\rho^2)}\sigma_1^2}
c=\frac{1}{2{(1-\rho^2)}\sigma_2^2}
\rho=\frac{-b}{2\sqrt{ac}}
El signo de ρ es el contrario al de b. Si hay términos lineales, las medias están donde se anulan las derivadas parciales del polinomio. En la normal bivariada la esperanza condicional es la recta de regresión: X2 | X1 = x tiene media μ2 + ρ (σ2/σ1)(x − μ1).
Recta desde la densidad
f = (1/(π√3)) exp(−(2/3)[(x − 1)2 + (x − 1)(y − 2) + (y − 2)2]). Centro (1, 2); a = b = c = 2/3, entonces ρ = −(2/3)/(2 · 2/3) = −1/2 y σ12 = 1/(2 · (3/4) · (2/3)) = 1 = σ22. Recta: ŷ(x) = 2 + (−1/2)(x − 1) = 2.5 − x/2.
El término cruzado no es la covarianza
b = −ρ/((1 − ρ2) σ1σ2), no cov ni ρ. Un + delante de u v dentro del exponente negativo indica ρ < 0.
Desigualdad de Markov
Con sólo la media de una variable no negativa (H3.10):
X\ge0 y a>0:
P{(X\ge a)}\le\frac{E[X]}{a}
Como X ≥ 0, a · 1{X ≥ a} ≤ X. Tomando esperanza: a P(X ≥ a) ≤ E[X].
X ≥ 0 es indispensable. Con X = ±2 de probabilidad 1/2, E[X] = 0 y P(X ≥ 2) = 1/2 > 0.
Sólo sirve si a > E[X]; si no, la cota es ≥ 1. Con a = k E[X] la cota es 1/k.
Ejemplo: X ≥ 0 de media 8 da P(X ≥ 40) ≤ 8/40 = 0.2.
Desigualdad de Chebyshev
Con media y varianza, para cualquier distribución (H3.11):
Es Markov aplicado a (X − μ)2 con a = ε2. Con ε = kσ la cota es 1/k2.
Chebyshev acota el área de las dos colas sombreadas por var(X)/ε², sin saber más de la forma de la densidad.
Identificá μ y σ2.
Reescribí el evento como |X − μ| < ε o |X − μ| ≥ ε: el intervalo tiene que estar centrado en μ.
Si no lo está, usá el mayor intervalo centrado que quepa adentro: un evento más chico tiene menor probabilidad, y la cota inferior vale también para el original. Para una cola, P(X − μ ≥ k) ≤ P(|X − μ| ≥ k).
Aplicá H3.11: ≤ para "alejarse", ≥ para "quedarse cerca".
Centrado y no centrado
X con media 20 y varianza 9. P(14 < X < 26) = P(|X − 20| < 6) ≥ 1 − 9/36 = 0.75.
P(15 < X < 26): no está centrado (distancias 5 y 6). El mayor centrado adentro es (15, 25), ε = 5: P ≥ P(|X − 20| < 5) ≥ 1 − 9/25 = 0.64.
Chebyshev es una cota, no la probabilidad
Escribir P(|X − μ| ≥ ε) = var(X)/ε2 es un error: casi siempre la probabilidad es bastante menor (con X ∼ N(20, 9), P(|X − 20| < 6) ≈ 0.9545). Si conocés la distribución, calculá. Si la cota da más de 1, es cierta pero no dice nada.
Markov y Chebyshev
Markov: X ≥ 0 con media chica rara vez es grande (E[X]/a). Chebyshev: varianza chica, rara vez lejos de la media (var(X)/ε2). Valen sin conocer la distribución, y por eso son flojas.
Media muestral y ley de los grandes números
X1, …, Xn independientes, con media μ y varianza σ2; la media muestral es X̄ = (X1 + ⋯ + Xn)/n (H3.12):
E[\bar{X}]=\mu
\operatorname{var}{(\bar{X})}=\frac{\sigma^2}{n}
\text{desvío de }\bar{X}=\frac{\sigma}{\sqrt{n}}
La media sale por linealidad (sin independencia). La varianza, de H3.7 con ai = 1/n y covarianzas nulas: n σ2/n2. Para reducir el desvío a la mitad hay que cuadruplicar n.
Ley (débil) de los grandes números. Para todo ε > 0, P(|X̄ − μ| ≥ ε) ≤ σ2/(n ε2) → 0 cuando n → ∞ (Chebyshev sobre X̄).
Necesita independencia (o covarianzas casi nulas) y varianza finita. Si X1 = X2 = ⋯ = X, X̄ = X no se acerca a nada.
Con Xi = 1{A ocurre en la repetición i}, X̄ es la frecuencia relativa de A y tiende a P(A); su error típico es √(p(1 − p)/n).
Los grandes números no "compensan"
Cada tiro sigue siendo independiente de los anteriores: el promedio se acerca a μ porque los primeros tiros se diluyen. Y la ley habla de X̄, no de la suma: Sn = nX̄ tiene desvío σ√n, que crece.
Cuántos datos hacen falta
Para que P(|X̄ − μ| < ε) ≥ γ, Chebyshev sobre X̄ pide 1 − σ2/(n ε2) ≥ γ (H3.17):
n\ge\frac{\sigma^2}{\varepsilon^2{(1-\gamma)}}
Para un σ máximo con n dado: σ2 ≤ n ε2 (1 − γ).
Para una proporción p desconocida, σ2 = p(1 − p) ≤ 1/4: n ≥ 1/(4 ε2 (1 − γ)).
Si las Xi son normales, X̄ ∼ N(μ, σ2/n) (H4.9, H4.5) y la cuenta exacta con la tabla pide menos datos. Aclará cuál usás.
Chebyshev y exacto
σ = 2 y P(|X̄ − μ| < 0.5) ≥ 0.95. Chebyshev: n ≥ 4/(0.25 · 0.05) = 320. Si son normales: 0.5 √n/2 ≥ z0.975 = 1.96, n ≥ (1.96 · 2/0.5)2 ≈ 61.5, o sea 62.
Simular para verificar
Se repite m veces el experimento completo, se calcula lo pedido en cada repetición y se cuenta la fracción en que se cumple el evento.
Frecuencia relativa de una Bernoulli
B ∼ Ber(0.3), B̄ el promedio de n = 50 réplicas, se estima P(|B̄ − 0.3| < 0.1):
m = 10000; n = 50
B = matrix(rbinom(m * n, 1, 0.3), nrow = m) # cada fila: una muestra
Bbar = rowMeans(B)
mean(abs(Bbar-0.3) < 0.1) # estimación
Exacto: S ∼ B(50, 0.3) y 11 ≤ S ≤ 19, ≈ 0.8363. Chebyshev: ≥ 0.58.
Bordes y geométrica en R
Por redondeo, abs(10/50 − 0.3) da 0.09999999999999998 < 0.1 y el borde S = 10 se cuenta de más (sale cerca de 0.875). Comparar con enteros (S > 10 & S < 20) o con un margen. Además rgeom cuenta fracasos (0, 1, …): la G(p) de la cátedra es rgeom(m * n, p) + 1.
La suma estandarizada es Sn* = (Sn − nμ)/(σ√n), con media 0 y varianza 1. Con Xi ∼ E(1) y n = 10:
S = rowSums(matrix(rexp(m * n, 1), nrow = m))
Sest = (S-n*mu) / (sigma*sqrt(n))
plot(ecdf(Sest)); curve(pnorm(x), add = TRUE)
Para otra distribución cambia el generador (runif, rexp, rgeom + 1, rbinom(m, n, p) para la suma de Bernoulli) y μ, σ2 salen de la tabla D. Con p muy chico (0.001, n = 30) la suma vale casi siempre 0 y la empírica es un escalón. La empírica (ecdf) se parece a la de N(0, 1) cada vez más al crecer n (teorema central del límite, sección 15); las distribuciones muy asimétricas necesitan n mayor.
Sale de xi − c = (xi − x̄) + (x̄ − c): el término cruzado se anula porque ∑ (xi − x̄) = 0. Por eso ∑ (xi − c)2 es mínima en c = x̄.
Lectura geométrica. Con x = (x1, …, xn) y e = (1, …, 1) en ℝn, x̄ e es la proyección de x sobre la recta de e y (x − x̄ e) · e = ∑ (xi − x̄) = 0. Entonces x − c e = (x − x̄ e) + (x̄ − c) e es Pitágoras. En física es el teorema de Steiner: Ieje paralelo = Icentro de masa + M d2. Con productos escalares (x − x̄ e) · (y − ȳ e) sale la misma identidad con productos.
Diez datos
4.2, 3.8, 5.1, 4.6, 3.9, 4.4, 5.0, 4.1, 4.7, 4.2: n = 10, ∑ xi = 44.0, ∑ xi2 = 195.36. Entonces x̄ = 4.4, ∑ (xi − x̄)2 = 195.36 − 10 · 4.42 = 1.76 y s2 = 1.76/9 ≈ 0.1956, s ≈ 0.4422.
Por qué se divide por n − 1
Con X1, …, Xn independientes de media μ y varianza σ2, sea W2 = (1/n) ∑ (Xi − μ)2 y T2 = (1/n) ∑ (Xi − X̄)2:
E[W2] = σ2, porque cada sumando tiene esperanza σ2.
La identidad con c = μ da T2 = W2 − (X̄ − μ)2.
E[T2] = σ2 − var(X̄) = σ2 − σ2/n = (n − 1)σ2/n.
S2 = n/(n − 1) · T2, entonces E[S2] = σ2 (H3.14): S2 es insesgada.
Los desvíos respecto de X̄ son un poco más chicos que respecto de μ, y n − 1 lo corrige. Sólo con μ conocida se divide por n.
Covarianza muestral. Con pares independientes y c = cov(X, Y), sea A = (1/n) ∑ (Xi − E[X])(Yi − E[Y]), con E[A] = c (cada sumando), y B = (1/n) ∑ (Xi − X̄)(Yi − Ȳ). La identidad de H3.16 con productos da B = A − (X̄ − E[X])(Ȳ − E[Y]), y como cov(X̄, Ȳ) = c/n, E[B] = c − c/n = (n − 1)c/n. Por eso también se divide por n − 1 (H3.19).
No hay una sola "varianza" de los datos
Dividir por n o por n − 1 son dos definiciones. La de la hoja y la de S2 es n − 1 (H3.13). La varianza del modelo (σ2) no sale de los datos: se compara con s2.
Datos contra un modelo
Calculá x̄ y s2 de los datos, y la media y la varianza del modelo (H3.1, H3.5 o la tabla D).
Comparalos: x̄ tiene desvío σ/√n alrededor de μ. Una diferencia de menos de dos o tres σ/√n es esperable.
Armá un histograma de densidad (H2.11): intervalos de igual ancho y altura (frecuencia relativa)/(ancho), y superponé la densidad del modelo.
Ejemplo: el modelo f(x) = 2x en (0, 1) da E[X] = 2/3 y var(X) = 1/18. Con 40 datos, x̄ ≈ 0.6483 y s2 ≈ 0.0534; el desvío de x̄ es √((1/18)/40) ≈ 0.037 y la diferencia es 0.018: no hay evidencia en contra del modelo (no se prueba que sea correcto, sólo que es compatible).
Se conoce la distribución de X y se busca la de Y = g(X): ¿cuál es la distribución de Y? Entra en el parcial. Se usa el bloque H4 de la hoja (H4.1 a H4.6), más H3.2 y H3.3.
1. Eventos equivalentes
La preimagen de B es g−1(B) = {x : g(x) ∈ B}. No es la función inversa: existe aunque g no sea inyectiva (con g(x) = x², la preimagen de {4} es {−2, 2}). Como Y ∈ B ocurre exactamente cuando X ∈ g−1(B), tienen la misma probabilidad. Con B = (−∞, y] sale el método que sirve para todo (H4.1):
F_Y{(y)}=P{(g(X)\le y)}=P{(X\in\{x:g(x)\le y\})}
Se escribe ese conjunto para cada tramo de y y se calcula su probabilidad con la distribución de X (sumando pX o integrando fX). Si Y es continua, se deriva FY. No pide que g sea derivable ni monótona: H4.2 a H4.5 son atajos de este método, y ante la duda se vuelve a él.
{Y ≤ y} es {X ∈ [−√y, √y]}: se baja la altura y hasta la curva y se mira qué tramo del eje x queda por debajo.
X
g
Y y cómo se calcula
discreta
cualquiera
discreta: pY(y) = ∑ pX(x) sobre los x con g(x) = y (H4.4)
continua
derivable, sin tramos constantes
continua: H4.2 o H4.3, o F y derivar
continua
sólo valores sueltos (parte entera, signo)
discreta: P(Y = y) = P(X ∈ g−1({y})) (H4.1)
continua
constante en un tramo de probabilidad positiva (tope, umbral)
mixta: FY por tramos, con saltos (H4.6)
Dónde aparecen los saltos
Si g es constante en un conjunto A y P(X ∈ A) > 0, Y tiene una masa puntual de tamaño P(X ∈ A) en ese valor.
2. X discreta
Y toma sólo los valores g(x), y cada uno suma las probabilidades de todos los x que van a parar ahí (H4.4):
p_Y{(y)}=\sum_{x:\,g{(x)}=y}p_X{(x)}
Se arma una tabla (x, pX(x), g(x)), se agrupan las filas de igual imagen y se suman. Se verifica que pY suma 1.
Una parábola pliega los valores
X toma 0, 1, 2, 3, 4 con pX(x) = (x + 1)/15. Y = X² − 4X + 5 = (X − 2)² + 1. → Imágenes: x = 0, 1, 2, 3, 4 dan y = 5, 2, 1, 2, 5. → y = 1: sólo x = 2, pY(1) = 3/15 = 1/5. → y = 2: x = 1 y 3, 2/15 + 4/15 = 2/5. → y = 5: x = 0 y 4, 1/15 + 5/15 = 2/5. → Suman 1.
En Y = aX + b con a ≠ 0, g es inyectiva: pY(y) = pX((y − b)/a). Los valores se mueven y las alturas se conservan.
En discreta no se divide por |a|
El factor 1/|a| es de la densidad (H4.5). Si Y = 2X + 1, pY(y) = pX((y − 1)/2) sin ningún 1/2 delante.
Si X toma infinitos valores (Poisson, geométrica), la suma es una serie: geométrica o la de eμ. Con un tope, el valor del tope recibe el complemento: X ∼ Poi(1) e Y = mín(X, 2) dan P(Y = 2) = P(X ≥ 2) = 1 − 2e−1 ≈ 0.2642.
Resto de una geométrica
X ∼ G(0.3), pX(k) = 0.3 · 0.7k−1, e Y es el resto de dividir X por 3. → Y = 1 (X = 1, 4, 7, …): pY(1) = ∑k≥0 0.3 · 0.73k = 0.3/(1 − 0.7³) = 100/219 ≈ 0.4566. → Y = 2 (X = 2, 5, …): 0.3 · 0.7/0.657 = 70/219 ≈ 0.3196. → Y = 0 (X = 3, 6, …): 0.3 · 0.7²/0.657 = 49/219 ≈ 0.2237. → Suman 1.
Pares e impares de una Poisson
Con eμ = ∑ μk/k!, los términos pares suman (eμ + e−μ)/2. Entonces P(X par) = e−μ(eμ + e−μ)/2 = (1 + e−2μ)/2 y P(X impar) = (1 − e−2μ)/2. Sirve cuando g depende sólo de la paridad de X (|sen(πx/2)| vale 1 en impares y 0 en pares).
3. X continua y g monótona
Si g es estrictamente monótona y derivable en el soporte de X (donde fX > 0), con g′ ≠ 0, vale {g(X) ≤ y} = {X ≤ g−1(y)} (creciente) o {X ≥ g−1(y)} (decreciente). Al derivar queda el renglón H4.2:
f_Y{(y)}=\frac{f_X{(x)}}{|g'{(x)}|}
evaluada en x=g^{-1}{(y)}, con soporte g{(\text{soporte de }X)}
Es lo mismo que fX(g−1(y)) · |(g−1)′(y)|. |g′| mide cuánto estira g: donde estira, la densidad baja.
Los errores de H4.2
(1) No dividir por |g′| (la densidad no integra 1). (2) Olvidar el valor absoluto cuando g decrece. (3) Olvidar el soporte de Y, que es g(soporte de X): hay que reescribir la indicadora en y. (4) Aplicarla a una g que no es monótona (x², |x|, sen): ahí se suman ramas o se usa F.
Una función decreciente: Y = 1/X
X ∼ U(1, 3), fX = (1/2) 1{1 < x < 3}. Y = 1/X decrece y su imagen es (1/3, 1). → Por F: {1/X ≤ y} = {X ≥ 1/y}, así que FY(y) = 1 − FX(1/y) = 3/2 − 1/(2y) para 1/3 ≤ y ≤ 1 (0 antes y 1 después). → Derivando: fY(y) = 1/(2y²) para 1/3 < y < 1. → Con la fórmula: |g′(x)| = 1/x² = y² en x = 1/y, y (1/2)/y² da lo mismo. → Control: ∫1/31 1/(2y²) dy = (1/2)(3 − 1) = 1.
Si el soporte de X es (c, d), el de Y es (ac + b, ad + b) con a > 0 y (ad + b, ac + b) con a < 0.
X
aX + b
N(μ, σ²)
N(aμ + b, a²σ²): la varianza se multiplica por a², no por a, y el signo de a no la cambia
U(c, d)
uniforme sobre el intervalo imagen
E(λ), a > 0, b = 0
aX ∼ E(λ/a)
Γ(ν, λ), a > 0, b = 0
aX ∼ Γ(ν, λ/a)
La estandarización Z = (X − μ)/σ es lineal, con a = 1/σ y b = −μ/σ.
De grados Celsius a Fahrenheit
X ∼ N(20, 4) en °C e Y = 1.8X + 32. → Por H4.5: Y ∼ N(1.8 · 20 + 32, 1.8² · 4) = N(68, 12.96), de desvío 3.6. → Probabilidad: P(Y > 75.2) = P(Z > (75.2 − 68)/3.6) = P(Z > 2) = 1 − Φ(2) = 0.0228 (de la tabla).
FX(X) es uniforme
Si FX es continua y estrictamente creciente, FX(X) ∼ U(0, 1), porque {FX(X) ≤ u} = {X ≤ FX−1(u)}. Recíprocamente, si U ∼ U(0, 1), F−1(U) tiene distribución F (base de la simulación). Para E(λ), F−1(u) = −ln(1 − u)/λ y, como 1 − U también es U(0, 1), −ln(U)/λ ∼ E(λ): {−ln U ≤ y} = {U ≥ e−y}.
4. X continua y g no monótona
Un mismo y puede venir de varios x. Hay dos caminos:
Por F (H4.1): para cada tramo de y se despeja {x : g(x) ≤ y} (unión de intervalos), se lo intersecta con el soporte, se calcula su probabilidad y se deriva. Es el más seguro y da F.
Sumando preimágenes (H4.3), con g′ ≠ 0 en cada raíz:
La suma corre sólo sobre las raíces dentro del soporte de X: una raíz donde fX = 0 aporta cero.
Cuántas ramas y en qué tramo
Lo difícil es contar. Para cada tramo de y, resolvé g(x) = y y fijate qué raíces caen en el soporte. Los extremos de los tramos son las imágenes de los extremos del soporte y de los puntos donde g′ cambia de signo (g(x) = x + 1/x baja hasta x = 1 y sube después: g no es monótona). Con x + 1/x = y, queda x² − yx + 1 = 0, de raíces (y ± √(y² − 4))/2, y |g′| = |x² − 1|/x² = √(y² − 4)/x en cada raíz. Con trigonométricas, las raíces son arcsen y y π − arcsen y, con |g′| = |cos x| = √(1 − y²); la densidad puede tender a infinito en un extremo y aun así integrar 1.
Una parábola sobre un soporte cortado
X ∼ U(−1, 2), fX = 1/3, Y = X². La imagen es [0, 4). {X² ≤ y} = [−√y, √y] ∩ (−1, 2). → 0 ≤ y < 1: el intervalo está entero en el soporte, FY(y) = 2√y/3. → 1 ≤ y < 4: −√y ≤ −1 queda fuera, el conjunto es (−1, √y] y FY(y) = (√y + 1)/3. → y ≥ 4: FY = 1. → Derivando: fY(y) = 1/(3√y) en (0, 1) (dos preimágenes) y 1/(6√y) en (1, 4) (una). → Controles: F es continua en y = 1 (2/3 por los dos lados) y ∫ fY = 2/3 + 1/3 = 1. La densidad salta en y = 1 y F no: es normal.
A la altura y₁ las dos raíces caen en el soporte (puntos llenos). A la altura y₂ la raíz negativa está fuera del soporte (punto vacío): sólo cuenta una rama. Por eso F cambia de fórmula en y = 1.
Una función periódica: esperar el colectivo
X ∼ U(3, 27) minutos, fX = 1/24, y pasan colectivos en los minutos 10, 20 y 30. La espera es W = g(X), con g(x) = 10 − x si x ≤ 10, 20 − x si 10 < x ≤ 20 y 30 − x si 20 < x < 27 (g′ = −1 en cada tramo). → Raíces: 10 − w, 20 − w y 30 − w; para cada w se cuentan las que caen en (3, 27). → 0 < w < 3: 10 − w y 20 − w (30 − w > 27 no): 2. → 3 < w < 7: las tres. → 7 < w < 10: 10 − w < 3 no cuenta: 2. → Resultado: fW = 2/24 en (0, 3), 3/24 en (3, 7), 2/24 en (7, 10). Integra (6 + 12 + 6)/24 = 1.
Para w = 5 hay tres valores de x con g(x) = 5, uno por cada tramo de la sierra. Con g′ = −1 en todos, la densidad de W en ese punto es la suma de tres veces fX.
5. X continua e Y discreta
Cuando g toma valores sueltos (parte entera, techo, signo, escalones), no hay densidad que buscar: P(Y = y) = P(X ∈ {x : g(x) = y}) es la integral de fX sobre el conjunto (casi siempre un intervalo), o FX(b) − FX(a) (H4.1). Se verifica que las probabilidades sumen 1.
Estacionamiento: se cobra por hora o fracción
X ∼ E(0.5) horas e Y = ⌈X⌉ (el menor entero ≥ X). {Y = k} = {k − 1 < X ≤ k}. → Función de probabilidad: pY(k) = FX(k) − FX(k − 1) = e−0.5(k−1) − e−0.5k = (1 − e−0.5)(e−0.5)k−1, k = 1, 2, …. → Y ∼ G(1 − e−0.5) = G(0.3935). → Cola: P(Y ≥ 4) = P(X > 3) = e−1.5 ≈ 0.2231.
Con un pulso cada h unidades, Y = ⌈X/h⌉ y {Y = k} = {h(k − 1) < X ≤ hk}: si X ∼ E(λ), Y ∼ G(1 − e−λh). El último intervalo puede ser más corto: con X ∼ U(0, 10) e Y = ⌊X/3⌋, pY(0) = pY(1) = pY(2) = 3/10 y pY(3) = 1/10.
Se integra, no se evalúa
P(Y = k) no es fX(k): es el área de fX sobre los x que dan k. Y ⌈X⌉ y ⌊X⌋ difieren en 1, lo que corre toda la función de probabilidad.
6. Recortes: variables mixtas
Una variable mixta tiene masa puntual en algunos valores y reparte el resto de manera continua: F tiene saltos y tramos continuos, y no hay una densidad que sirva para todo. De F se lee P(Y = y0) = F(y0) − F(y0−) (el salto) y P(a < Y ≤ b) = F(b) − F(a). F es continua por derecha: en un salto toma el valor de arriba (punto lleno arriba, vacío abajo). E[Y] (H3.1) es la suma sobre los átomos más la integral de la parte continua.
Recortes habituales (H4.6):
Tope superior, Y = mín(X, c): FY(y) = FX(y) si y < c y 1 si y ≥ c. Salto en c de P(X ≥ c).
Exceso sobre una capacidad, W = máx(X − c, 0): FW(w) = FX(c + w) si w ≥ 0 y 0 si w < 0. Salto en 0 de FX(c).
Tope doble, Y = mín(máx(X, a), b) con a < b: átomos en a (P(X ≤ a)) y en b (P(X ≥ b)); entre ambos FY = FX.
Limitador: si en el tramo central Y = g(X) con g creciente, entre los átomos FY(y) = FX(g−1(y)); cada átomo es la probabilidad de X en el tramo constante.
Cómo se arma F de un recorte
Escribí {Y ≤ y} en cada tramo de y, empezando por lo que Y no puede tomar (F = 0 bajo el mínimo y 1 desde el máximo), y recién después reemplazá por FX. Chequeá que los saltos sean las masas puntuales y que F sea creciente y llegue a 1.
La energía que no entra en la batería
X ∼ U(0, 10) MWh y la batería almacena hasta 7. La energía desperdiciada es W = máx(X − 7, 0). → Masa en 0: P(W = 0) = P(X ≤ 7) = 0.7. → w < 0: FW = 0. → w ≥ 0: {W ≤ w} = {X ≤ 7 + w}, de probabilidad (7 + w)/10 si w ≤ 3 y 1 después. → Resultado: FW(w) = 0 si w < 0; (7 + w)/10 si 0 ≤ w < 3; 1 si w ≥ 3. Salta a 0.7 en w = 0 y sube en recta hasta 1 en w = 3. → Control: E[W] = ∫03 (1 − FW(w)) dw = ∫03 (3 − w)/10 dw = 0.45 (H3.3), igual a ∫710 (x − 7)/10 dx (H3.2).
F no tiene densidad en w = 0: ahí hay un salto de altura P(W = 0) = 0.7 (punto lleno en 0.7, vacío en 0). Entre 0 y 3 sube en recta; desde 3 vale 1.
Con X ∼ E(λ) y capacidad c: FW(w) = 1 − e−λ(c+w) para w ≥ 0, con un salto en 0 de 1 − e−λc.
Derivar una mixta
Derivar F en los tramos continuos da sólo la densidad de la parte continua, que integra menos de 1 (0.3 en la batería): el resto está en los saltos. No escribas fW(w) = 1/10 como si fuera la densidad de W, y recordá que FW(0) = 0.7, no 0.
7. Esperanza de g(X)
Si sólo se pide E[g(X)], no hace falta la distribución de Y: H3.2, E[g(X)] = ∑ g(x) pX(x) o ∫ g(x) fX(x) dx. Con X ∼ U(−1, 2) e Y = X²: E[Y] = ∫−12 x²/3 dx = 1. En general E[g(X)] ≠ g(E[X]) salvo que g sea lineal (acá g(E[X]) = (1/2)² = 1/4).
Cómo se resuelve cada tipo
X discreta: tabla de x, pX(x) y g(x) → agrupar imágenes iguales y sumar (H4.4) → verificar que suma 1. Si pide graficar, palitos de altura pY.
X continua, densidad de Y: soporte de X y estudio de g (dónde crece, decrece, g′ = 0, valores en los extremos) → si es monótona, H4.2; si no, F por tramos o suma de ramas (H4.3); si es periódica o definida por tramos, contar las raíces dentro del soporte para cada valor → escribir fY con todos sus tramos e indicadoras y comprobar que integra 1. Si pide graficar: fY por tramos con sus valores en los extremos, marcando saltos de la densidad y asíntotas.
X continua, Y discreta: valores de Y → conjunto de x de cada valor (un intervalo; ojo con el último) → integrar fX o restar FX (H4.1) → verificar que suma 1.
Recorte: g por tramos y valores que toma Y → masas puntuales (H4.6) → FY por tramos → controlar saltos, crecimiento y llegada a 1 → graficar con el punto lleno en el valor de F en cada salto.
10 Funciones de vectores: jacobiano, suma, mínimo y máximo
Entra en el parcial. Hoja: H4.7 a H4.13 (más H4.1), tabla de distribuciones (D.5, D.8, D.9, D.10, D.13, D.15) y, para marginales e independencia, la sección 6.
Eventos equivalentes con dos variables
Si (U, V) = g(X, Y), el evento "(U, V) cae en S" es el evento "(X, Y) cae en g−1(S)" (la preimagen, un conjunto del plano). Para una sola función W = g(X, Y) (H4.1), sin pedir independencia ni que g sea biyectiva:
Vector discreto (H4.4): pU,V(u, v) suma las probabilidades de todos los (x, y) con g(x, y) = (u, v). Se listan las celdas no vacías, se calcula la imagen de cada una, se agrupan las que coinciden y se controla que el total sea 1.
Mínimo, máximo y suma desde una tabla
x \ y
0
1
2
0
0.1
0.2
0.1
1
0.1
0.2
0.1
2
0
0.1
0.1
(mín, máx): (0, 1) viene de (0, 1) y (1, 0), así que vale 0.2 + 0.1 = 0.3; (1, 2) vale 0.1 + 0.1 = 0.2; los de la diagonal tienen una sola preimagen: (0, 0), (1, 1), (2, 2) valen 0.1, 0.2, 0.1; y (0, 2) vale 0.1. Total 1. Suma: S = 2 agrupa (0, 2), (1, 1), (2, 0): 0.1 + 0.2 + 0 = 0.3.
Vector continuo. Se dibuja el soporte y la región {g ≤ w}, y se calcula la probabilidad de la intersección. Cada forma distinta de la intersección es un tramo de FW: se recorre w creciente anotando dónde la región toca un vértice o cambia de forma. En cada tramo la integral es un área por la densidad si ésta es constante. Se verifica que FW sea continua, 0 antes y 1 después, y si W es continua se deriva.
Para 1 < z < 2 la recta x + y = z deja afuera una esquina del cuadrado. Se calcula el área de la esquina, (2 − z)²/2, y se resta de 1.
Suma de dos uniformes
X, Y independientes U(0, 1), Z = X + Y. Si 0 ≤ z ≤ 1, {x + y ≤ z} es un triángulo de catetos z: FZ(z) = z²/2. Si 1 < z ≤ 2, queda afuera una esquina de catetos 2 − z: FZ(z) = 1 − (2 − z)²/2. Entonces fZ = z en (0, 1) y 2 − z en (1, 2) (triangular), y P(Z ≤ 1.4) = 0.82.
Si W vale una fórmula en una región y otra en otra región (o es una indicadora, que es Bernoulli con p = P((X, Y) ∈ A)), FW suma P(regióni y fórmulai ≤ w). Para condicionar a una región A se recorta la densidad a A y se divide por P(A).
Una sola variable detrás. Si X = g(U) e Y = h(U), el vector vive sobre una curva de área cero: no existe densidad conjunta (aunque X e Y tengan densidad) y no sirve la convolución. La suma S = g(U) + h(U) se trata como función de la sola U, con eventos equivalentes.
El teorema del jacobiano
Sea (X, Y) continuo con soporte G y g : G → G′ biyectiva con derivadas parciales continuas, inversa (x(u, v), y(u, v)). Entonces (U, V) = g(X, Y) tiene densidad (H4.7)
J es el determinante de la inversa (variables viejas en función de las nuevas), y |J| = 1/|Jg|: se puede derivar g e invertir el número. No hace falta independencia.
Si g no es biyectiva, se parte el soporte en trozos donde sí lo es y se suman las contribuciones (apartado de las ramas).
Si se pide una sola función, se agrega una auxiliar (apartado siguiente).
Sin la indicadora del soporte nuevo, la "densidad" no integra 1: es el error más común.
Escribí fX,Y con su indicadora y despejá x e y en función de u y v.
Calculá |J| de la inversa.
Reemplazá x(u, v) e y(u, v) en las desigualdades del soporte y dibujá la región en (u, v).
Escribí fU,V con la indicadora nueva y hallá las marginales integrando con los límites que da la región.
Independencia: la conjunta tiene que factorizar y la región ser un rectángulo. Con una sola condición no alcanza.
Control: integra 1.
Lineal. Si (U, V)t = A (X, Y)t + B, fU,V(u, v) = fX,Y(A−1((u, v)t − B)) / |det A|. Con A ortogonal, |det A| = 1: normales estándar independientes siguen siéndolo.
Cuadrado de densidad 1 a la izquierda; rombo de densidad 1/2 a la derecha (área 2). El soporte nuevo no es un rectángulo: por eso U y V no son independientes.
Suma y diferencia de dos uniformes
X, Y independientes U(0, 1), U = X + Y, V = X − Y.
Inversa: x = (u + v)/2, y = (u − v)/2, así que |J| = 1/2.
Soporte: 0 < u + v < 2 y 0 < u − v < 2, o sea |v| < mín(u, 2 − u): el rombo de la figura.
Marginales: fU = u en (0, 1) y 2 − u en (1, 2); fV = 1 − |v| en (−1, 1).
U y V no son independientes (el soporte no es un rectángulo): P(U < 0.5, V > 0.6) = 0, pero P(U < 0.5) P(V > 0.6) = 0.125 · 0.08. Aun así cov(U, V) = var(X) − var(Y) = 0.
Correlación cero no es independencia
Para concluir independencia se mira el soporte (rectángulo) y la factorización, no la covarianza (sección 8).
Un cambio no lineal: tamaño y fracción
X, Y independientes E(2), U = X + Y, V = X/(X + Y). Inversa: x = uv, y = u(1 − v), |J| = u. Soporte: u > 0, 0 < v < 1. Con x + y = u:
Factoriza con soporte rectangular: U ∼ Γ(2, 2), V ∼ U(0, 1), independientes.
Si el soporte es un paralelogramo con lados sobre rectas x + y = cte y x − y = cte, conviene pasar a (u, v) = (x + y, x − y): se vuelve un rectángulo, la densidad queda constante y U y V resultan uniformes independientes.
Cuando g no es biyectiva: se suman las ramas
Si g es inyectiva en cada trozo Gi del soporte (H4.7), con inversa hi en cada uno:
Casos típicos: (mín, máx), con ramas (x, y) y (y, x); y (x² + y², y/x), con ramas (x, y) y (−x, −y). Si te olvidás de una rama, la "densidad" integra 1/2. Por ejemplo, con Z1, Z2 independientes N(0, 1), U = Z1² + Z2², V = Z2/Z1: cada rama tiene |J| = 1/(2(1 + v²)), así que fU,V = 2 · (1/(2π)) e−u/2 /(2(1 + v²)) = (1/2) e−u/2 · 1/(π(1 + v²)). Entonces U ∼ E(1/2), V es Cauchy e independientes.
Una sola función: variable auxiliar, productos y cocientes
Para la densidad de W = g(X, Y) se agrega una auxiliar V (casi siempre V = X o V = Y), se halla fW,V con el jacobiano y se integra V: fW(w) = ∫ fW,V(w, v) dv. Los límites salen del soporte nuevo.
Producto: área de un rectángulo de lados aleatorios
X ∼ U(0, 1), Y ∼ U(0, 3) independientes, A = XY, auxiliar V = X.
Inversa: x = v, y = u/v, |J| = 1/v.
Soporte: 0 < v < 1 y 0 < u < 3v. Como fX,Y = 1/3, fA,V = (1/(3v)) · 1{0 < v < 1, 0 < u < 3v}.
Para u fijo, v va de u/3 a 1: fA(u) = ∫u/31 1/(3v) dv = (1/3) ln(3/u) en (0, 3).
Cociente de dos exponenciales
X ∼ E(2), Y ∼ E(3) independientes, W = Y/X, auxiliar U = X: x = u, y = wu, |J| = u, fU,W = 6u e−(2+3w)u. Entonces fW(w) = ∫0∞ 6u e−(2+3w)u du = 6/(2 + 3w)². Por eventos equivalentes, P(W > w) = P(Y > wX) = 2/(2 + 3w).
Productos de uniformes (H4.9). Como −ln U ∼ E(1), el producto φn = U1 ⋯ Un cumple −ln φn ∼ Γ(n, 1). Leyendo la gamma como el n-ésimo arribo de un proceso de Poisson, para 0 < x ≤ 1:
φn1/n ≤ e−1 equivale a −ln φn ≥ n, de probabilidad e−n ∑k=0n−1 nk/k! = P(Poi(n) ≤ n − 1). Para n grande, la gamma tiene media y varianza n y el teorema central del límite (sección 15) da el límite 1/2.
Más de dos variables. El teorema vale igual con determinante n × n. Si la transformación es lineal triangular con unos en la diagonal, |J| = 1: con Tk independientes E(λ) y Sk = T1 + ⋯ + Tk, la conjunta es λn e−λ sn · 1{0 < s1 < ⋯ < sn}.
Coordenadas polares
Con x = r cos θ, y = r sen θ (H4.11), |J| = r y r > 0, 0 < θ < 2π:
Conviene si la densidad depende de x² + y² o la región es un disco, un sector o un anillo: se vuelve un rectángulo en (r, θ). Si el disco está centrado en (a, b), se usa x = a + r cos θ, y = b + r sen θ (|J| = r igual). Con densidad constante en un disco de radio √c que cabe en el soporte, FR(r) = r²/c para r < √c.
En polares el disco es un rectángulo y el sector es una franja: los límites de integración quedan constantes, y el factor r del jacobiano ajusta el área.
Punto al azar en un disco
(X, Y) uniforme en el disco de radio 2: fX,Y = 1/(4π). En polares fR,Θ = r/(4π) = (r/2) · (1/(2π)): R tiene densidad r/2 en (0, 2), Θ ∼ U(0, 2π), independientes. FR(r) = r²/4 (cociente de áreas), así que P(R ≤ 1) = 1/4. La distancia al centro no es uniforme: hay más área lejos del centro.
Normal estándar bivariada
Si Z1, Z2 son N(0, 1) independientes, fR,Θ = r e−r²/2 · (1/(2π)): R ∼ Ray(1) (D.15), Θ ∼ U(0, 2π), independientes, y R² = Z1² + Z2² ∼ E(1/2) (H4.11). Entonces P(Z1² + Z2² ≤ 3) = 1 − e−3/2; un sector de ángulo α tiene probabilidad α/(2π) (P(Z2 > |Z1|) = 1/4) y se multiplica por el del radio.
Al revés. Con U1, U2 independientes U(0, 1), R = √(−2 ln U1) cumple P(R > r) = P(U1 < e−r²/2) = e−r²/2, o sea R ∼ Ray(1), y Θ = 2πU2 ∼ U(0, 2π), independientes. Leyendo la factorización de arriba al revés, (R cos Θ, R sen Θ) son dos N(0, 1) independientes.
Polares y regiones cortadas
Un cuadrado no es un rectángulo en polares. Con (X, Y) uniforme en (0, 1)², FR(r) = πr²/4 vale sólo para r ≤ 1; para 1 < r < √2 el círculo se sale del cuadrado y hay que restar los pedazos de afuera (H4.1). Con un cuadrado de lado a y a < r ≤ a√2, cada pedazo es la mitad de un segmento circular, de área (r² arccos(a/r) − a√(r² − a²))/2, y son dos: FR(r) = [πr²/4 − r² arccos(a/r) + a√(r² − a²)]/a². Comprobá siempre qué rango de r cabe en el soporte.
Sale de {X + Y = z} = ∪ {X = x, Y = z − x} y de FZ(z) = ∫ fX(x) FY(z − x) dx, derivando. Sin independencia, el integrando es fX,Y(x, z − x). En el caso continuo el integrando vale cero salvo que x y z − x estén en sus soportes, y esos límites dependen de z:
Escribí fX(x) · fY(z − x) con sus indicadoras: 1{a < x < b} · 1{c < z − x < d}.
Despejá x ∈ (máx(a, z − d), mín(b, z − c)).
Los z donde cambia cuál extremo manda separan los tramos; fuera de donde el intervalo es no vacío, fZ = 0.
Integrá en cada tramo y controlá que integre 1.
Caso U(0, 1) + U(0, 2) del ejemplo siguiente: tres tramos porque los límites de la convolución cambian en z = 1 y z = 2. El área sombreada es P(Z > 2) = 1/4.
Uniformes de largos distintos
X ∼ U(0, 1), Y ∼ U(0, 2) independientes: el integrando es 1/2 con x ∈ (máx(0, z − 2), mín(1, z)). Si 0 < z < 1, f = z/2; si 1 ≤ z ≤ 2, f = 1/2; si 2 < z < 3, f = (3 − z)/2. Es el trapecio de la figura, y P(Z > 2) = 1/4.
Dos exponenciales de intensidades distintas
X ∼ E(1), Y ∼ E(3): para z > 0, fZ(z) = ∫0z e−x 3e−3(z−x) dx = (3/2)(e−z − e−3z). La suma de dos exponenciales no es exponencial: su densidad vale 0 en z = 0. Con λ1 = λ2 = λ la misma cuenta da λ² z e−λz, la Γ(2, λ).
Sin hacer la cuenta
La esperanza de una suma es la suma de esperanzas siempre (H3.4), y la varianza es la suma de varianzas si son independientes (H3.7). La convolución hace falta sólo para la distribución o una probabilidad de la suma.
Sumas que conviene saber
H4.9, siempre con independencia y el parámetro que no se suma igual:
Suma (independientes)
Resultado
Condición
B(n, p) + B(m, p)
B(n + m, p)
mismo p
Poi(μ1) + Poi(μ2)
Poi(μ1 + μ2)
ninguna
k variables E(λ)
Γ(k, λ)
mismo λ
Γ(ν1, λ) + Γ(ν2, λ)
Γ(ν1 + ν2, λ)
mismo λ
N(μ1, σ1²) + N(μ2, σ2²)
N(μ1 + μ2, σ1² + σ2²)
ninguna
k variables G(p)
Pas(k, p)
mismo p
Para normales independientes, aX + bY ∼ N(aμ1 + bμ2, a²σ1² + b²σ2²): se suman las varianzas, no los desvíos, y en una resta también.
Diferencia de normales
X ∼ N(3, 4), Y ∼ N(1, 5) independientes: D = X − Y ∼ N(2, 9) y P(X > Y) = 1 − Φ((0 − 2)/3) = Φ(2/3) ≈ 0.7475 (T.1: Φ(0.67) ≈ 0.7486).
Cuando la suma no tiene la forma esperada
B(1, 0.5) + B(1, 0.2) no es binomial (p distintos). Sin independencia no vale nada: X + X = 2X no es Poisson (varianza 4μ, media 2μ), y con X ∼ N(0, 1), Y = −X, X + Y = 0. Γ con λ distintos no suma como gamma. Para muchas variables independientes se aproxima por una normal (sección 15).
Poisson dada la suma
Si X ∼ Poi(μ1) e Y ∼ Poi(μ2) son independientes, dado el total n = X + Y el reparto es binomial (H4.12):
Sale de P(X = x | X + Y = n) = P(X = x) P(Y = n − x)/P(X + Y = n), con la suma Poi(μ1 + μ2): se simplifican las exponenciales y queda la binomial. Se usa así: "cuántas en total" es Poi(μ1 + μ2), y "dada la suma" es esa binomial (D.2).
Cartas y paquetes
L ∼ Poi(1.5), M ∼ Poi(4.5): L + M ∼ Poi(6). Dado L + M = 8, L ∼ B(8, 0.25). P(L ≥ 3 | L + M = 8) = 1 − (0.1001 + 0.2670 + 0.3115) ≈ 0.3215.
Sin la condición, no es binomial
X sola es Poisson. El n de la binomial es la suma observada, y p = μ1/(μ1 + μ2) vale 1/2 sólo con medias iguales.
Mínimo y máximo de variables independientes
El máximo es ≤ t si todas son ≤ t, y el mínimo es > t si todas son > t: intersecciones que la independencia factoriza (H4.10). No hace falta que sean idénticas:
P{(\max\le t)}=\prod F_{X_i}{(t)}
P{(\min>t)}=\prod{(1-F_{X_i}(t))}
Los otros dos eventos son uniones: se calculan por complemento. Con n variables iid: Fmáx = Fn, fmáx = n Fn−1 f; Fmín = 1 − (1 − F)n, fmín = n (1 − F)n−1 f. Valen para discretas, continuas y mixtas.
Circuitos. En serie el sistema dura el mínimo; en paralelo, el máximo. Un circuito mixto se resuelve de adentro hacia afuera. Con ri = P(Xi > t): serie ∏ ri; paralelo 1 − ∏ (1 − ri). Con k iid E(λ), el mínimo es E(kλ) (exponencial) y el máximo no es exponencial.
Paralelo: sigue andando mientras dure alguno, o sea el máximo. Serie: se corta cuando falla uno, o sea el mínimo. Un circuito mixto se arma de adentro hacia afuera.
Cinco componentes
Cada uno dura E(0.02), independientes; el circuito es [A, B en paralelo] en serie con [C, D, E en paralelo]. Con t = 30: q = 1 − e−0.6 ≈ 0.4512, y P(dura > 30) = (1 − q²)(1 − q³) ≈ 0.7233.
Mínimo y máximo juntos y el k-ésimo menor
Con X1, X2 independientes de densidad f, (U, V) = (mín, máx) no es inyectiva (dobla el cuadrado por la diagonal): se suman las dos ramas, cada una con |J| = 1 (H4.13):
f_{U,V}{(u,v)}=2f{(u)}f{(v)}\cdot1\{u<v\}
Con densidades distintas: [f1(u) f2(v) + f1(v) f2(u)] 1{u < v}. Las marginales son fU = 2f(1 − F) y fV = 2fF.
Mínimo y máximo nunca son independientes
El soporte {u < v} es un triángulo, no un rectángulo. Lo que sí puede ser independiente del mínimo es la diferencia W = V − U (exponenciales, apartado "Exponenciales en competencia").
Dos puntos al azar en un segmento
X1, X2 independientes U(0, 3): fU,V = 2/9 en {0 < u < v < 3}. La distancia W = |X1 − X2| supera 1 en dos esquinas, triángulos de catetos 2: P(W > 1) = 4/9.
El k-ésimo menor de n (iid continuas, X(1) = mín, X(n) = máx; H4.13):
Una observación cae en x, k − 1 debajo y n − k arriba. También, X(k) ≤ x equivale a "al menos k observaciones son ≤ x" (una binomial). Para uniformes, X(k) ∼ β(k, n − k + 1) (D.13). Ejemplo: n = 5, k = 2 da 20x(1 − x)³ y P(X(2) > 0.5) = (1 + 5)/2⁵ = 0.1875.
Exponenciales en competencia
X1 ∼ E(λ1) y X2 ∼ E(λ2) independientes; U = mín, V = máx, W = V − U y J = quién llegó primero (1 o 2). Se cumple (H4.10):
(a) U ∼ E(λ1 + λ2).
(b) P(J = 1) = λ1/(λ1 + λ2): gana con más probabilidad el de mayor intensidad.
(c) U y J son independientes.
(d) Dado J = 1, W ∼ E(λ2); dado J = 2, W ∼ E(λ1): fW es la mezcla P(J = 1) λ2 e−λ2w + P(J = 2) λ1 e−λ1w.
(e) U y W son independientes.
Prueba de (a) a (c): P(J = 1, U > u) = ∫u∞ λ1 e−(λ1+λ2)x dx = λ1/(λ1 + λ2) · e−(λ1+λ2)u, producto de P(J = 1) y P(U > u). Para (d) y (e), el cambio (u, v) ↦ (u, w) tiene |J| = 1 y soporte rectangular, y la conjunta factoriza.
Cuando termina el primero (instante U), al otro todavía le falta W. Por la falta de memoria, ese resto es una exponencial nueva con la intensidad del que sigue vivo, y no depende de cuándo ocurrió U.
Por qué: la falta de memoria. P(X > s + t | X > s) = P(X > t). Cuando termina el primero, al otro le falta una exponencial nueva con su propia intensidad, que no depende de cuándo ocurrió U. Con n exponenciales: mín ∼ E(∑λ), el primero es Xj con probabilidad λj/∑λ, y el resto arranca de nuevo.
Pasá todas las intensidades a la misma unidad de tiempo.
El primer arribo o falla es E(∑λ). Quién gana: λj/∑λ.
Para eventos que mezclan cuándo y quién, la probabilidad conjunta es el producto (U y J independientes).
Para lo que pasa después del primero, usá la falta de memoria.
Dos líneas telefónicas
La línea A recibe 3 llamadas por hora y la B 6 (exponenciales independientes). No se atiende durante los primeros 10 minutos (1/6 de hora). U ∼ E(9): P(la primera queda sin atender) = 1 − e−9/6 ≈ 0.7769. P(es de A) = 3/9 = 1/3. Por la independencia, P(sin atender y de A) = (1/3)(0.7769) ≈ 0.2590 y P(es de A | fue atendida) = 1/3.
Las trampas de este tema
Olvidar el soporte nuevo y su indicadora.
Usar el jacobiano de g en vez del de la inversa: el factor es 1/|Jg|.
No sumar las ramas cuando g no es inyectiva: (mín, máx), x² + y², y/x.
Concluir independencia sólo por factorizar o sólo por cov = 0; mínimo y máximo nunca son independientes.
Convolución con los mismos límites para todo z: cambian por tramos.
Sumar sin independencia o con parámetros distintos; sumar desvíos en vez de varianzas.
Confundir P(máx ≤ t) (producto de F) con P(mín > t) (producto de supervivencias).
Creer que gana el de menor intensidad, o mezclar unidades.
11 Distribuciones condicionales, mezclas y Bayes con variables
Entra en el parcial. Pregunta central: ¿qué se sabe de Y cuando se observó X = x? Hoja: H5.1 a H5.5, más H2.13, H2.14 y D.18. Se supone sabido lo de las secciones 4 y 6. De los ejercicios 5.10 y 5.11 acá va la distribución condicional; la esperanza condicional y la regresión están en la sección 12. El par auxiliar con jacobiano usa la sección 10.
En la tabla de la conjunta es la fila de x dividida por su suma; pX|Y=y es la columna de y dividida por la suya. Para cada x suma 1. Sirve para tres cosas: calcular P(Y ∈ B | X = x) = ∑y∈B pY|X=x(y); reconstruir la conjunta, pX,Y = pX pY|X=x; y decidir independencia: X e Y son independientes si y sólo si todas las filas renormalizadas son iguales a la marginal de Y (H2.14).
Una urna con tres colores
Urna con 5 blancas, 2 negras y 3 azules; se sacan 3 sin reposición. X = blancas, Y = negras. Con X = 1 las celdas son p(1, 0) = 15/120, p(1, 1) = 30/120 y p(1, 2) = 5/120, y pX(1) = 50/120.
Dividir la fila por su suma: pY|X=1 = (3/10, 3/5, 1/10).
Atajo: dado X = x, las x blancas ya salieron y las 3 − x restantes salen entre las 5 no blancas, así que Y | X = x ∼ H(5, 2, 3 − x) (D.6). Con x = 1, H(5, 2, 2) da los mismos números.
Las filas son distintas (con X = 3, Y = 0 es seguro): X e Y son dependientes.
Si X es una función de ω en un espacio finito equiprobable, los {X = x} son bloques: dado X = x, ω es uniforme sobre su bloque, y Y | X = x es la distribución de Y recorriendo el bloque. Dibujá los bloques primero.
La condicional, caso continuo
Con X continua, P(X = x) = 0 y el cociente es 0/0. Se condiciona a una franja {x − h < X < x + h}, se simplifica h y se hace h → 0 (H5.2):
f_{Y|X=x}{(y)}=\frac{f_{X,Y}{(x,y)}}{f_X{(x)}}
para los x con f_X{(x)}>0
Para cada x es una densidad en y, que puede valer más que 1. Se usa como cualquiera: P(Y ∈ B | X = x) = ∫B fY|X=x(y) dy. La conjunta con x fijo es el corte vertical de la densidad; la condicional es ese corte reescalado para que integre 1. Por eso el soporte de Y | X = x es el corte del soporte, lo que no depende de y se cancela, y un corte de conjunta constante da una condicional uniforme.
Dibujá el soporte y una vertical por un x genérico: sus puntos de entrada y salida son los límites de y.
Integrá sobre ese corte para la marginal fX(x) (H2.13).
Dividí, escribiendo la indicadora completa, y comprobá que integra 1.
Para una probabilidad dado X = x0, reemplazá x por x0 e integrá sobre la parte del evento que cae en el corte.
Una densidad sobre un triángulo, en las dos direcciones
fX,Y(x, y) = 8xy 1{0 < x < y < 1}.
Marginales: fX(x) = ∫x1 8xy dy = 4x(1 − x²) y fY(y) = ∫0y 8xy dx = 4y³, en (0, 1).
Condicionales: fY|X=x(y) = 2y/(1 − x²) para x < y < 1, y fX|Y=y(x) = 2x/y² para 0 < x < y.
P(Y > 0.9 | X = 0.5) = ∫0.91 (2y/0.75) dy = 0.19/0.75 = 19/75 ≈ 0.2533.
Como el corte cambia con x, la condicional no es la marginal: son dependientes.
Dado X = 0.5, Y vive en el corte (de 0.5 a 1); la zona sombreada es P(Y > 0.9 | X = 0.5).
Probabilidad de una expresión con las dos variables dado X = x0: X pasa a valer x0 y el evento queda sólo en Y. En el triángulo, P(XY > 0.3 | X = 0.5) = P(Y > 0.6 | X = 0.5) = (1 − 0.36)/0.75 = 64/75 ≈ 0.8533.
Independencia con condicionales: X e Y son independientes si fY|X=x = fY para todo x, es decir, si la condicional no depende de x ni en la fórmula ni en el soporte. Un rectángulo lo cumple; un soporte que no es rectángulo, no.
Reconocer la condicional sin integrar
Mirá la conjunta como función de y con x fijo: lo que no tiene y es constante; si lo que queda en y es el núcleo de una distribución conocida, esa es la condicional, y el resto es fX(x).
Exponenciales y gammas
fX,Y(x, y) = x² e−x(1 + y), x > 0, y > 0 = [x e−x] · [x e−xy].
El segundo corchete es una E(x): Y | X = x ∼ E(x), y X ∼ Γ(2, 1) (D.9). Entonces P(Y > 1 | X = 2) = e−2 ≈ 0.1353.
En x la conjunta es el núcleo de una gamma: X | Y = y ∼ Γ(3, 1 + y). Entonces P(X > 1 | Y = 1) = P(Γ(3, 2) > 1) = P(menos de 3 arribos en (0, 1] con intensidad 2) = 5e−2 ≈ 0.6767 (H7.2).
Otras formas frecuentes: yk−1 e−xy es el núcleo de una Γ(k, x), con constante xk/Γ(k); (3/(2x + 2)) e−3x e−y/(2x+2) = [3e−3x] · [e−y/(2x+2)/(2x + 2)] da X ∼ E(3) e Y | X = x ∼ E(1/(2x + 2)), y si la constante viene escrita distinto (3/(2(x + 1))) se la reacomoda hasta que el segundo corchete sea la densidad de la exponencial; y 4e−2x 1{0 < y < x} es constante en y, así que Y | X = x ∼ U(0, x), mientras que X | Y = y es y + E(2), una exponencial desplazada.
La normal bivariada
Si (X, Y) ∼ N2(μ1, μ2, σ1², σ2², ρ), la tabla (D.18) da Y | X = x ∼ N(μ2 + ρ (σ2/σ1)(x − μ1), (1 − ρ²) σ2²): la media es lineal en x y la varianza no depende de x. Si la densidad es una exponencial con un polinomio de grado 2, se reconoce completando el cuadrado en y. Por ejemplo, si f(x, y) ∝ e−(x² − xy + y²)/2, como x² − xy + y² = (y − x/2)² + 3x²/4, da Y | X = x ∼ N(x/2, 1) y X ∼ N(0, 4/3).
Condicional continua: corte y reescala
Dado X = x, Y tiene la forma del corte vertical de la conjunta por x, reescalada para integrar 1: conjunta sobre marginal (H5.2), con el soporte del corte. La condicional dado Y = y usa el corte horizontal.
Armar la conjunta: primero X y, dado X = x, Y
Si el enunciado da una marginal de X y una condicional de Y dado X = x, la conjunta es su producto (H5.3, regla del producto H1.14), con cualquier mezcla de tipos:
Escribí la indicadora conjunta completa (por ejemplo 1{0 < y < x < 1}), porque el soporte de Y puede depender de x. La marginal de Y se obtiene integrando sobre el corte horizontal (H5.4) y la condicional al revés es fX|Y=y = fX,Y/fY.
Un punto al azar y luego otro más chico
X ∼ U(0, 1) y, dado X = x, Y ∼ U(0, x).
Conjunta: fX,Y(x, y) = (1/x) 1{0 < y < x < 1}.
Marginal: fY(y) = ∫y1 (1/x) dx = −ln y, en (0, 1). Entonces P(Y > 1/2) = (1 − ln 2)/2 ≈ 0.1534.
Al revés: fX|Y=y(x) = 1/(x ln(1/y)) para y < x < 1. Entonces P(X > 0.8 | Y = 0.5) = ln 1.25/ln 2 ≈ 0.3219.
El par (X, X + Z), con Z independiente de X: dado X = x, la suma es x + Z, y la conjunta de (X, Y = X + Z) es fX(x) fZ(y − x) (H5.3, H4.5). Como el soporte no es un rectángulo, X y X + Z no son independientes. Con X, Z ∼ U(0, 1), la conjunta es uniforme sobre un paralelogramo y X | Y = y es uniforme sobre el corte: P(X > 0.6 | Y = 1.2) = 0.4/0.8 = 0.5, con corte (0.2, 1).
Dos exponenciales iguales: dado el total, el primero es uniforme
Si T1, T2 ∼ E(λ) son independientes y S = T1 + T2, la conjunta de (T1, S) es λ² e−λs 1{0 < t < s}, constante en t: T1 | S = s ∼ U(0, s), y S ∼ Γ(2, λ) (H4.9).
El caso discreto: un árbol
Piezas defectuosas y detectadas
Se fabrican 5 piezas, cada una defectuosa con probabilidad 0.3, independientes. La prueba detecta cada defectuosa con probabilidad 0.6 y no marca las buenas. X = defectuosas, Y = detectadas.
Conjunta: X ∼ B(5, 0.3) y Y | X = x ∼ B(x, 0.6), para 0 ≤ y ≤ x ≤ 5.
Marginal: cada pieza es "defectuosa y detectada" con probabilidad 0.3 · 0.6 = 0.18, independiente de las otras, así que Y ∼ B(5, 0.18) (H6.4).
Al revés: cada pieza es detectada (0.18), defectuosa no detectada (0.12) o buena (0.70). Dado Y = y, las otras 5 − y piezas son defectuosas con probabilidad 0.12/(0.12 + 0.70) = 6/41. Entonces X | Y = y ∼ y + B(5 − y, 6/41) y P(X = 3 | Y = 2) = 3 (6/41)(35/41)² ≈ 0.3199.
Mezclas
Una mezcla X = XM se obtiene en dos etapas: una variable discreta M, independiente de las Xm, elige m con probabilidad πm, y se observa Xm; es decir, X | M = m ∼ Xm. Por probabilidad total (H1.15, renglón H5.4):
P{(X\in B)}=\sum_m\pi_m P{(X_m\in B)}
F_X=\sum_m\pi_m F_{X_m}
f_X=\sum_m\pi_m f_{X_m}
La densidad (o función de probabilidad) es el promedio ponderado de las de los componentes, si son todos continuos o todos discretos. Si hay componentes de distinto tipo, la variable es mixta (H2.5): no hay densidad y se usa F o P(X ∈ B).
Una mezcla de dos exponenciales
El 60 % de las lámparas es del tipo A, con vida E(1), y el 40 % del tipo B, con vida E(1/3). Entonces fT(t) = 0.6 e−t + (0.4/3) e−t/3 y P(T > 2) = 0.6 e−2 + 0.4 e−2/3 = 0.0812 + 0.2054 = 0.2866. La mezcla no es exponencial: su intensidad de fallas baja con el tiempo (de 0.733 en t = 0 a 1/3), porque las que sobreviven son cada vez más del tipo B.
La mezcla es la suma de los componentes ya ponderados (punteados). El área sombreada es P(T > 2) = 0.2866.
Un componente discreto: variable mixta
Con probabilidad 0.3 no hay siniestro (costo 0) y con 0.7 hay uno de costo E(1/2). No hay densidad; FY(y) = 0.3 + 0.7 (1 − e−y/2) para y ≥ 0 tiene un salto de 0.3 en 0, y P(Y > 2) = 0.7 e−1 ≈ 0.2575.
Cuando elige una variable continua
Si el que elige es una X continua, la suma se vuelve integral (H5.4): fY(y) = ∫ fY|X=x(y) fX(x) dx, y si Y es discreta, pY(y) = ∫ pY|X=x(y) fX(x) dx. Con tipos mezclados siempre vale P(Y ∈ B) = ∑ P(M = m) P(Y ∈ B | M = m), o la integral de P(Y ∈ B | X = x) fX(x). Con X ∼ U(a, b) e Y | X = x ∼ N(x, 1): fY(y) = ∫ab φ(y − x) fX dx, y con u = y − x es una diferencia de Φ (H8.1). Al revés, fX|Y=y(x) = φ(y − x) fX(x) / fY(y) sobre (a, b), y P(X > c | Y = y) = (Φ(y − c) − Φ(y − b)) / (Φ(y − a) − Φ(y − b)).
Poisson con intensidad exponencial
X ∼ E(1) y, dado X = x, Y ∼ Poi(x). Entonces pY(k) = (1/k!) ∫0∞ xk e−2x dx = (1/2)k+1: Y + 1 ∼ G(1/2) (D.3).
Mezcla no es suma ni promedio de variables
Mezclar una E(1) y una E(1/3) no da una exponencial intermedia, y la suma o el promedio de variables es otra cosa (convolución, H4.8). Antes de usar H5.4 preguntate si hay un azar que elige entre distribuciones. Y si hay un componente discreto, no hay densidad.
Bayes con variables
M discreta e Y continua: evento contra valor
Se infiere M (a priori πm) y se observa Y con densidad fm dentro de cada componente. Según el dato, la fórmula cambia:
Lo que se sabe
Fórmula de P(M = m | dato)
Un evento {Y ∈ B} de probabilidad positiva (por ejemplo Y > 2)
πm P(Ym ∈ B) / ∑k πk P(Yk ∈ B) (H1.16)
Un valor {Y = y} (Y vale exactamente 2)
πm fm(y) / ∑k πk fk(y) (H5.5)
La segunda sale de condicionar a la franja {y < Y < y + h} y simplificar h; el denominador es fY(y). Pasos: (1) escribí a prioris y densidades; (2) decidí si el dato es evento o valor; (3) calculá los pesos πm × (probabilidad o densidad); (4) dividí por la suma y comprobá que dan 1.
Las lámparas: durar más de 2 y quemarse en 2
(a) Más de 2 años (evento): pesos 0.6 e−2 = 0.0812 y 0.4 e−2/3 = 0.2054, y P(A | T > 2) = 0.0812/0.2866 = 0.2834.
(b) Exactamente a los 2 años (valor): fA(2) = e−2 = 0.1353 y fB(2) = (1/3) e−2/3 = 0.1711; pesos 0.0812 y 0.0685, y P(A | T = 2) = 0.0812/0.1497 = 0.5426.
Evento contra valor
P(M = m | Y > t) usa probabilidades (H1.16) y P(M = m | Y = t) usa densidades (H5.5): dan números distintos. Además, el peso es πm fm(y), no fm(y) sola, y hay que normalizar.
Una señal más ruido
Se envía S con valores si y probabilidades πi, y se observa X = S + N con N ∼ N(0, σ²) independiente de S. Entonces X | S = s ∼ N(s, σ²) (H4.5) y, al recibir x (H5.5):
Con dos símbolos ±1 y P(S = +1) = p, se simplifica a P(S = +1 | X = x) = 1/(1 + ((1 − p)/p) e−2x/σ²), que vale 1/2 en x* = (σ²/2) ln((1 − p)/p).
Dos símbolos con a priori desigual
p = 0.4, σ² = 0.5, se recibe x = 0.3. Pesos: 0.4 · φσ(−0.7) = 0.1383 y 0.6 · φσ(1.3) = 0.0625. Entonces P(S = +1 | X = 0.3) = 0.1383/0.2008 = 0.6888, igual que 1/(1 + 1.5 e−1.2). El empate está en x* = 0.25 ln 1.5 ≈ 0.101 y no en 0, porque +1 es menos probable de entrada.
En x = 0.3 la ponderada de +1 (0.1383) supera a la de −1 (0.0625). La a posteriori cruza 1/2 en x = 0.10.
Al revés: se infiere una continua y se observa una discreta
Si Y es discreta, {Y = y} tiene probabilidad positiva y vale Bayes con una densidad para X (H5.5): fX|Y=y(x) = pY|X=x(y) fX(x) / pY(y), con pY(y) = ∫ pY|X=x(y) fX(x) dx. La a posteriori es la a priori por la probabilidad del dato, normalizada.
La moneda de probabilidad desconocida
X ∼ U(0, 1) es la probabilidad de cara; en 3 tiros salen 2 caras, así que pY|X=x(2) = 3x²(1 − x).
pY(2) = ∫01 3x²(1 − x) dx = 1/4.
fX|Y=2(x) = 12 x²(1 − x), una β(3, 2) (D.13).
P(X > 1/2 | Y = 2) = 11/16 = 0.6875, contra 0.5 antes del dato.
Condicionar al valor de una función del par
Condicionar a "la suma vale s" o a "|X − Y| = w" es condicionar a una curva del plano (para |X − Y| = w, dos semirrectas). Hay dos caminos:
Par auxiliar. Se completa W con V (por lo general una coordenada), se halla fV,W por cambio de variables (H4.7, H5.12) y se divide por fW. Con la suma, fX,S(x, s) = fX,Y(x, s − x), y el jacobiano vale 1.
Por casos, como una mezcla. Una variable discreta J indica cuál de los casos ocurrió (por ejemplo quién llegó primero); se halla P(J = j) y la densidad de W en cada caso, y se aplica H5.5.
Condicionar a la suma: una exponencial truncada
X ∼ E(2) e Y ∼ E(1) independientes, con X + Y = s. Entonces fX,S(x, s) = 2e−s e−x para 0 < x < s, fS(s) = 2e−s(1 − e−s) y fX|S=s(x) = e−x/(1 − e−s). Con s = 1: P(X < 0.5 | X + Y = 1) = 0.3935/0.6321 ≈ 0.6225. No es uniforme porque las intensidades son distintas.
Quién fue primero, sabiendo cuánto esperó el otro
Dos fusibles independientes: A ∼ E(1/2) y B ∼ E(1/6), en horas. El segundo se quemó exactamente 3 horas después del primero. ¿Probabilidad de que el primero fuera el A?
Casos: P(A primero) = (1/2)/(1/2 + 1/6) = 3/4 y P(B primero) = 1/4 (mínimo de exponenciales, H4.10).
Por falta de memoria (H2.7), si A fue primero la espera es E(1/6), con f(3) = (1/6) e−1/2; si B fue primero, es E(1/2), con f(3) = (1/2) e−3/2.
12 Esperanza condicional, regresión y suma aleatoria
Entra en el parcial (guía 5). Hoja: H5.6 a H5.11, y de apoyo H3.9, H3.15, H3.16 y H5.12 (con H4.7). Las condicionales y las mezclas están en la sección 11; la recta de regresión, en la sección 8.
E[Y | X = x]: el promedio de Y cuando X ya se conoce
Es la esperanza usual calculada con la condicional de Y dado X = x (H5.6):
Está definida sólo para los x con pX(x) > 0 (o fX(x) > 0).
Con la misma cuenta, E[g(Y) | X = x] = ∑ g(y) pY|X=x(y) o ∫ g(y) fY|X=x(y) dy; así sale E[Y2 | X = x].
Si Y es mixta, se suman los saltos de la condicional y se agrega la integral de su parte continua (H3.1).
Desde una tabla
La conjunta de (X, Y) es
y = 0
y = 1
y = 2
pX(x)
x = 0
0.10
0.05
0.05
0.20
x = 1
0.10
0.20
0.10
0.40
x = 2
0.05
0.15
0.20
0.40
1. Se normaliza cada fila por su total pX(x). Dado X = 0, Y = 0, 1, 2 tiene probabilidades 1/2, 1/4, 1/4. 2. Se promedia la fila: φ(0) = 0 · 1/2 + 1 · 1/4 + 2 · 1/4 = 3/4. Igual, φ(1) = 0.40/0.40 = 1 y φ(2) = 0.55/0.40 = 11/8.
Desde una densidad: el triángulo
(X, Y) uniforme sobre {0 < y < x < 1}, o sea fX,Y = 2 allí. 1. Marginal: fX(x) = ∫0x 2 dy = 2x. 2. Condicional (H5.2): fY|X=x(y) = 2/(2x) = 1/x en (0, x), o sea Y | X = x ∼ U(0, x). 3. φ(x) = x/2 y var(Y | X = x) = x2/12 (D.7).
Para cada x, la recta pasa por el centro del tramo vertical donde vive Y: ese centro es E[Y | X = x].
La función de regresión y la variable aleatoria E[Y | X]
La función de regresión φ(x) = E[Y | X = x] es una función ordinaria. Evaluada en la variable X da una variable aleatoria, E[Y | X] = φ(X) (H5.6); igual var(Y | X) = ψ(X), con ψ(x) = var(Y | X = x). Una función se grafica en el eje de x; una variable aleatoria tiene distribución.
Objeto
Qué es
En el triángulo
E[Y], var(Y)
números
1/3 y 1/18
E[Y | X = x], var(Y | X = x)
funciones de x
x/2 y x2/12
E[Y | X], var(Y | X)
variables aleatorias
X/2 y X2/12
Distribución de E[Y | X]. Sus valores son los φ(x), cada uno con el peso de su x (si dos x dan el mismo φ, se suman). Si X es continua y φ monótona, se usa el cambio de variable (H4.2); si φ es constante por tramos, E[Y | X] es discreta aunque X no lo sea. En la tabla vale 3/4, 1 y 11/8 con probabilidades 0.2, 0.4 y 0.4. En el triángulo, E[Y | X] = X/2 con fX = 2x tiene densidad 8t en (0, 1/2) (H4.2). Una probabilidad como P(1 < E[Y | X] < 2) se traduce a una condición sobre X y se calcula con fX.
Una región con dos rectángulos
(X, Y) uniforme sobre R1 = (0, 2) × (0, 1) (área 2) y R2 = (2, 3) × (1, 4) (área 3); la densidad es 1/5. 1. Marginal: fX = 1/5 si 0 < x < 2 y 3/5 si 2 < x < 3; P(X < 2) = 2/5. 2. Condicional: Y | X = x ∼ U(0, 1) si x < 2 y U(1, 4) si x > 2. 3. φ(x) = 1/2 y ψ(x) = 1/12 en el primer tramo; φ(x) = 5/2 y ψ(x) = 3/4 en el segundo. 4. E[Y | X] vale 1/2 con probabilidad 2/5 y 5/2 con probabilidad 3/5. Por ejemplo, P(var(Y | X) < 1/2) = P(X < 2) = 2/5.
Dado X, la variable Y es uniforme sobre el tramo vertical de la región, y E[Y | X] es el centro de ese tramo: sólo toma dos valores.
Uniforme sobre una región: Y | X = x es uniforme sobre el corte vertical y E[Y | X] es su centro. Si el corte cambia con x no hay independencia (rombo |x| + |y| < 1: E[Y | X] = 0 pero var(Y | X) = (1 − |X|)2/3); en un cuadrado de lados paralelos a los ejes sí.
E[Y | X] no contiene a Y
E[Y | X] depende sólo de X: no se escribe "E[Y | X] = y". Y φ se grafica en el eje de X.
Propiedades y sus hipótesis
Basta que E[|Y|] sea finita (H5.8, H5.7):
Linealidad: E[aY + bZ | X] = a E[Y | X] + b E[Z | X].
Lo que depende de X sale como constante: E[g(X) Y | X] = g(X) E[Y | X]; en particular E[g(X) | X] = g(X). Si Y = g(X), E[Y | X] = g(X) y var(Y | X) = 0 (por ejemplo Y = n − X si X cuenta pares e Y impares en n tiradas; cov(X, Y) = −var(X)).
Independencia: si X e Y son independientes, E[Y | X] = E[Y].
Contraejemplo: X ∼ N(0, 1), W = ±1 con probabilidad 1/2 independiente de X, Y = XW. Entonces E[Y | X] = X E[W] = 0 y cov = 0, pero |Y| = |X| y var(Y | X) = X2 cambia con x. Para afirmar independencia hay que ver que la condicional entera no cambia con x.
Covarianza a partir de la regresión
X ∼ N(1, 4) y E[Y | X] = 3X2 + 1. Se pide cov(X, Y). 1. E[Y] = 3 E[X2] + 1 = 3(4 + 1) + 1 = 16. 2. E[XY] = 3 E[X3] + E[X], con E[X3] = μ3 + 3μσ2 = 13: E[XY] = 40. 3. cov(X, Y) = 40 − 1 · 16 = 24. Con X ∼ N(0, σ2) daría 0 (E[X3] = 0) aunque Y dependa de X: no hay tendencia lineal.
Condicionar en la muestra (5.33). Todo vale condicionando en un vector. Si x = (x1, …, xn) es fijo y T toma cada xi con probabilidad 1/n, entonces E[T] = x̄ y var(T) = (1/n) ∑ (xi − x̄)2. Con una muestra X1, …, Xn de media μ y varianza σ2, E[T | muestra] = X̄ y var(T | muestra) = (1/n) ∑ (Xi − X̄)2; sus esperanzas son μ y (n − 1)σ2/n (H3.14). Otro uso: por simetría, E[X1 | X1 + ⋯ + Xn = s] = s/n si las Xi son iid.
Esperanza total y probabilidad total
E[Y]=E[E[Y\mid X]]=\sum_x E[Y\mid X=x]\,p_X{(x)}
o
\int E[Y\mid X=x]\,f_X{(x)}\,dx
(H5.7)
Vale para E[g(Y)], y con g = 1{Y ∈ B} queda P(A) = E[P(A | X)]. Los pesos son la marginal de X, y hay que tener E[Y | X = x] para todos los x del soporte.
Poisson de parámetro aleatorio
X ∼ E(1/2) (media 2) y Y | X = x ∼ Poi(x). Se piden P(Y = 0) y E[Y]. 1. P(Y = 0 | X = x) = e−x, así que P(Y = 0) = ∫0∞ e−x (1/2) e−x/2 dx = 1/3. 2. E[Y | X] = X (D.5), entonces E[Y] = E[X] = 2.
Condicionar en el primer paso
Si tras un primer paso X el proceso termina o recomienza de cero, lo que falta es una copia independiente del original y la esperanza total da una ecuación para la incógnita:
Definí la incógnita T y el primer paso X, con sus probabilidades.
Para cada valor de X: E[T | X = x] es lo que dura el paso, más 0 si termina o más E[T] si recomienza.
E[T] = ∑ E[T | X = x] P(X = x) (H5.7); despejá E[T] (supone que es finita).
Laberinto con tres sendas
La senda 1 (probabilidad 0.5) vuelve al inicio en 6 min; la 2 (0.3), en 10 min; la 3 (0.2) sale en 4 min. T es el tiempo hasta salir. 1. E[T | senda 1] = 6 + E[T], E[T | senda 2] = 10 + E[T], E[T | senda 3] = 4. 2. E[T] = 0.5(6 + E[T]) + 0.3(10 + E[T]) + 0.2 · 4 = 6.8 + 0.8 E[T]. 3. E[T] = 6.8/0.2 = 34 minutos. La varianza sale igual con E[T2], usando E[(a + T′)2] = a2 + 2a E[T] + E[T2].
Condicionar en el primer paso: en las dos ramas que vuelven, el problema recomienza y T′ tiene la misma distribución que T.
Con memoria. Si lo que se puede hacer depende del último paso, se define un estado por cada caso y una ecuación por estado. Con tres sendas (la 1 vuelve en 2 h, la 2 en 5 h, la 3 sale en 1 h), eligiendo al volver con igual probabilidad entre las dos que no usó la última vez, mi es lo que falta tras volver por la senda i: m1 = (5 + m2)/2 + 1/2 y m2 = (2 + m1)/2 + 1/2, de donde m1 = 5 y m2 = 4. Desde el inicio (tres sendas equiprobables), E[T] = (1/3)[(2 + m1) + (5 + m2) + 1] = 17/3 horas.
Primer paso continuo. Se calcula φ(x) = E[T | X1 = x] por tramos y se integra con fX; la varianza sale por Pitágoras. Con bolsas de peso U(2, 5) que se agregan hasta pasar 4 kilos, W el total: si X1 > 4 (probabilidad 1/3) termina y W = X1; si X1 ≤ 4 hace falta exactamente una más (cada bolsa pesa al menos 2: con dos ya pasa de 4), φ(x) = x + 3.5. Entonces E[W] = ∫24 (x + 3.5)/3 dx + ∫45 x/3 dx = 13/3 + 3/2 = 35/6. Para la varianza: var(W | X1) vale 0 si X1 > 4 y var(X) si X1 ≤ 4, y se aplica Pitágoras (E[var] más var(E[W | X1]) = E[φ(X1)2] − E[W]2).
Rachas. Sea Xm la cantidad de ensayos hasta m éxitos seguidos (probabilidad p). Con K la cantidad de ensayos hasta el primer fracaso, K ∼ G(1 − p) y P(K > j) = pj. Entonces Xm = mín(K, m) + 1{K ≤ m} X′m, con X′m una copia independiente de Xm (la espera que recomienza tras el primer fracaso), así que E[Xm | K] = mín(K, m) + 1{K ≤ m} E[Xm]. Tomando esperanza, con E[mín(K, m)] = (1 − pm)/(1 − p) (H3.3) y P(K ≤ m) = 1 − pm, E[Xm] = (1 − pm)/(1 − p) + (1 − pm) E[Xm]; despejando:
E[X_m]=\frac{1-p^m}{{(1-p)}\,p^m}
Con p = 1/2 da 2m+1 − 2 (6 para dos caras seguidas, 14 para tres). Crece exponencialmente con m. Una secuencia de 200 bits justos tiene casi siempre rachas largas: P(alguna racha de 5 o más bits iguales, de 0 o de 1) = 0.9993, ≥ 8: 0.5419, ≥ 9: 0.3183, ≥ 10: 0.1724. Se mira la racha más larga de la secuencia y se la compara con esto: 9 es normal, 4 es muy poco creíble como azar (P ≈ 0.0007).
Las descartadas no son varillas típicas
Varillas U(10, 20) hasta una de al menos 18 cm: N ∼ G(0.2), E[N] = 5. Las N − 1 descartadas son todas menores que 18, así que su media no es 15 sino E[X | X < 18] = 14 (H3.15). La última es U(18, 20), de media 19. Las descartadas suman 4 · 14 = 56 (o 75 − 19), no 4 · 15 = 60. Lo seguro es condicionar en la primera: E[T] = 15 + 0.8 E[T], de donde E[T] = 75.
var(Y) = E[var(Y | X)] + var(E[Y | X]): la varianza dentro de cada x más la varianza entre los centros E[Y | X].
Se deduce de E[var(Y | X)] = E[Y2] − E[φ(X)2] y var(φ(X)) = E[φ(X)2] − E[Y]2: al sumar se cancela E[φ(X)2]. E[var(Y | X)] es lo que X no explica.
Las longitudes al cuadrado cumplen Pitágoras: var(Y) = var(E[Y | X]) + E[var(Y | X)]. Los números son los del ejemplo de las dos regiones rectangulares.
Dos máquinas
Una pieza viene de la máquina 1 (probabilidad 0.6, medida N(10, 4)) o de la 2 (0.4, N(14, 9)). 1. Dentro: E[var(Y | X)] = 0.6 · 4 + 0.4 · 9 = 6. 2. Entre: E[Y | X] vale 10 o 14, y var(E[Y | X]) = 0.6 · 0.4 · (14 − 10)2 = 3.84. 3. var(Y) = 6 + 3.84 = 9.84.
Con X continua, y el triángulo
X ∼ U(1, 3) y Y | X = x exponencial de media x: E[Y | X] = X y var(Y | X) = X2 (D.8). Entonces E[var(Y | X)] = E[X2] = 1/3 + 4 = 13/3, var(E[Y | X]) = var(X) = 1/3 y var(Y) = 14/3. En el triángulo, E[X2]/12 + var(X/2) = 1/24 + 1/72 = 1/18 = var(Y). En las dos regiones rectangulares: E[var(Y | X)] = (2/5)(1/12) + (3/5)(3/4) = 29/60, var(E[Y | X]) = (2/5)(3/5)(2)2 = 24/25, var(Y) = 433/300, y X explica ≈ 66.5 %.
El mejor predictor y su comparación con la recta
Para aproximar Y con h(X) minimizando E[(Y − h(X))2], el mínimo se alcanza en h(X) = E[Y | X], con error E[var(Y | X)] = var(Y) − var(E[Y | X]) (H5.10). Se ve condicionando en X = x y usando H3.16: E[(Y − c)2 | X = x] = var(Y | X = x) + (φ(x) − c)2, mínimo con c = φ(x).
La recta de regresión (H3.9) es el mejor predictor entre las funciones a + bX:
E[Y | X]
Recta
Qué hace falta
la condicional de Y dado X
medias, varianzas y cov(X, Y)
Error cuadrático medio
E[var(Y | X)]
var(Y)(1 − ρ2)
Cuándo coinciden
cuando φ es lineal (normal bivariada, o E[Y | X] = a + bX)
Una parábola con ruido
X ∼ U(0, 1), Y = X2 + ε con ε independiente, media 0 y varianza 0.1: E[Y | X] = X2 y su error es 0.1. 1. cov(X, Y) = E[X3] − E[X] E[X2] = 1/4 − 1/6 = 1/12, así que la pendiente es (1/12)/(1/12) = 1 y la recta es Ŷ = X − 1/6. 2. Con var(Y) = 4/45 + 0.1 = 17/90, el error de la recta es 17/90 − 1/12 = 19/180 ≈ 0.106. 3. Con X ∼ U(−1, 1): cov = E[X3] = 0, la recta es la constante 1/3 y su error es var(Y) = 17/90 ≈ 0.189: no ve la parábola.
Mejor predictor o mejor recta
E[Y | X] es el mejor entre todas las funciones de X; entre las lineales, el mejor es la recta. Con cov(X, Y) = 0 la recta es horizontal aunque E[Y | X] dependa de X.
E[Y | X] es lineal y coincide con la recta; la varianza condicional no depende de x y es el error mínimo. La pendiente es ρσ2/σ1, no ρ.
Leer los parámetros de la densidad. Con el exponente −(a u2 + b u v + c v2), u = x − μ1, v = y − μ2: a/c = σ22/σ12, b2/(4ac) = ρ2 (el signo de ρ es el contrario al de b) y var(Y | X = x) = 1/(2c). La media condicional es el vértice de la parábola en v: E[Y | X = x] = μ2 − (b/(2c))(x − μ1).
Leer la regresión de una densidad
fX,Y = k exp(−(2/27)(x − 2)2 − (1/9)(x − 2)(y + 1) − (1/6)(y + 1)2). 1. Centro: μ1 = 2, μ2 = −1. Coeficientes: a = 2/27, b = 1/9, c = 1/6. 2. a/c = 4/9, o sea σ1 = (3/2)σ2. b2/(4ac) = 1/4, así que ρ = −1/2 (b > 0). Con 1/(2c) = 3 = (3/4)σ22: σ2 = 2 y σ1 = 3. 3. E[Y | X] = −1 − (X − 2)/3 = −(X + 1)/3 (también −1 − (b/(2c))(x − 2) con b/(2c) = 1/3) y var(Y | X) = 3, que es el error de la recta.
Condicionar en un evento de probabilidad cero
Con variables continuas "dado X = x" tiene probabilidad 0, y la condicional es el límite de condicionar en una franja angosta (sección 11). Por eso un mismo evento descrito de dos maneras da resultados distintos: {X = Y}, {X − Y = 0} y {X/Y = 1} son el mismo evento, pero no el mismo condicionamiento (5.25 a 5.27). El enunciado tiene que decir con qué variable se condiciona.
Para condicionar en {U = u0}, con U = g(X, Y), se completa a (X, U) con el jacobiano (H4.7), se divide por fU(u0) y se calcula con la condicional (H5.12).
Dos maneras de decir X = Y
X, Y independientes U(0, 1). ¿Cuánto vale P(X < 1/2 | X = Y)? Con D = X − Y: en D = 0, X | D = 0 es U(0, 1), y P = 1/2. Con R = X/Y: Y = X/R, jacobiano x/r2, fX,R(x, r) = x/r2 para 0 < x < mín(1, r). En r = 1 es x en (0, 1) y fR(1) = ∫ x dx = 1/2, de modo que X | R = 1 tiene densidad x/(1/2) = 2x y P = ∫01/2 2x dx = 1/4.
El evento {X = Y} se puede describir como límite de la banda o de la cuña: las dos se achican hacia la diagonal, pero (cuando ε tiende a 0) reparten el peso distinto a lo largo de ella: la cuña se ensancha al alejarse del origen y pesa más lejos de él; la banda pesa parejo.
Si se conoce Y = y, es un número, y lo que sea función de X e Y es una función de X: Z = XY dado Y = y es yX, con fZ|Y=y(z) = (1/y) fX|Y=y(z/y) para y > 0 (H4.5).
Suma aleatoria de variables
S = X1 + ⋯ + XN (S = 0 si N = 0), con las Xiindependientes entre sí, de igual distribución (media μ, varianza σ2) e independientes de N (H5.11):
Dado N, E[S | N] = μN y var(S | N) = σ2N; la media sale de la esperanza total y la varianza de Pitágoras. Con N ∼ Poi(ν), var(S) = ν E[X2] (H7.7). Con N constante vuelve la suma común.
Clientes de una tienda
N ∼ Poi(10) clientes por día, cada uno gasta media 50 y varianza 400. 1. E[S] = 10 · 50 = 500. 2. var(S) = 10 · 400 + 10 · 502 = 29 000: casi todo viene de la cantidad de clientes.
Cuándo no vale la fórmula
N tiene que ser independiente de los Xi. Si N se corta mirando los valores (hasta superar un peso, hasta una varilla larga), dado N = n los sumandos ya no tienen la distribución original, y no valen ni E[S | N] = μN ni la fórmula: se usa el primer paso. Tampoco es S = N · X (un mismo valor repetido).
La detección: E[X | Y] cuando Y sale de X
Hay n elementos, cada uno fallado con probabilidad φ, así que X ∼ B(n, φ). Y es la cantidad de fallados detectados, con Y | X = x ∼ B(x, δ). Para E[X | Y] se clasifica cada elemento en tres clases (fallado y detectado, fallado y no detectado, sano), como en la sección 11. Con q la probabilidad de que un no detectado esté fallado:
q=\frac{\varphi{(1-\delta)}}{1-\varphi\delta}
X-Y\mid Y=y\sim B{(n-y,q)}
E[X\mid Y]=Y+{(n-Y)}\,q
Con n = 5, φ = 0.2 y δ = 0.75, q = 1/17 y E[X | Y = 0] = 5/17: aun sin detecciones se esperan fallados escondidos.
Errores de siempre
Los pesos de la esperanza total son los de X (la marginal), no los de la condicional.
Pitágoras tiene dos términos; var(Y | X) es una variable aleatoria, no un número.
Primer paso: lo que sigue tiene que ser una copia independiente del original; con memoria hacen falta estados.
En la normal bivariada, en el otro sentido se intercambian los índices.
13 Proceso de Bernoulli: binomial, geométrica, Pascal, multinomial e hipergeométrica
Entra en el parcial (guía 6). Hoja: bloque H6 (H6.1 a H6.7) y filas D.1 a D.6 y D.17. La aproximación normal es de la sección 15 y el proceso de Poisson, de la 14.
El proceso de Bernoulli
Un ensayo de Bernoulli tiene dos resultados, éxito (el que decidís contar, no necesariamente "bueno") y fracaso; Xi vale 1 si el ensayo i es éxito y 0 si no. Un proceso de Bernoulli de parámetro p cumple:
cada ensayo tiene dos resultados;
la probabilidad de éxito es la misma p en todos;
los ensayos son independientes (H1.18).
Las Xi son Ber(p) independientes: E[Xi] = p, var(Xi) = p(1 − p) (D.1). De un mismo proceso salen todas las variables de la sección (H6.1):
Pregunta
Variable
Valores
Fila
¿Cuántos éxitos en n ensayos?
X ∼ B(n, p)
0, …, n
D.2
¿En qué ensayo llega el primer éxito?
T ∼ G(p)
1, 2, …
D.3
¿En qué ensayo llega el k-ésimo?
Sk ∼ Pas(k, p)
k, k + 1, …
D.4
k resultados posibles: ¿cuántas veces sale cada uno?
M(n, p1, …, pk)
enteros ≥ 0 con suma n
D.17
Extracción sin reposición: ¿cuántos marcados salen?
X ∼ H(N, d, n)
máx(0, n + d − N), …, mín(n, d)
D.6
Cada tramo termina en un éxito y cuenta ese éxito; cada uno es una geométrica nueva.
Lo primero de todo ejercicio
Definí con una frase qué es "ensayo" y qué es "éxito", y verificá que p es constante y que hay independencia.
Dónde se rompe
(1) Sin reposición: la probabilidad cambia entre extracciones y no hay independencia, es hipergeométrica. (2) p variable (un tirador que mejora, una máquina que se desgasta): no hay modelo de Bernoulli.
Binomial: cuántos éxitos en n ensayos
Cada sucesión con x éxitos y n − x fracasos tiene probabilidad px(1 − p)n−x (H1.18) y hay C(n, x) sucesiones (H1.9):
P{(X=x)}=C{(n,x)}\,p^x{(1-p)}^{n-x}
con x=0,\ldots,n (H6.1 y D.2)
Con X = X1 + ⋯ + Xn (indicadoras, H3.4 y H3.7):
E[X]=np
\operatorname{var}{(X)}=np{(1-p)}
Moda. P(X = x)/P(X = x − 1) = ((n − x + 1)/x) · p/(1 − p) ≥ 1 ⇔ x ≤ (n + 1)p. La moda es ⌊(n + 1)p⌋ (H6.1); si (n + 1)p es entero hay dos modas, (n + 1)p − 1 y (n + 1)p.
Moda no es media
La moda no es np, que puede no ser entero. Con B(19, 0.3): (n + 1)p = 6, modas 5 y 6.
Simetría: n − X ∼ B(n, 1 − p) (contar fracasos).
Suma: X1 ∼ B(n1, p) y X2 ∼ B(n2, p) independientes ⇒ X1 + X2 ∼ B(n1 + n2, p). Con p distinto no es binomial.
Al menos uno: P(X ≥ 1) = 1 − (1 − p)n (H1.20).
Cómo se resuelve. (1) Definí ensayo, éxito, n y p, y escribí X ∼ B(n, p) justificando independencia y p constante. (2) Traducí: "al menos k" es X ≥ k, "a lo sumo k" es X ≤ k, "menos de k" es X ≤ k − 1, "más de k" es X ≥ k + 1; si hay muchos casos, complemento (H1.2). (3) Calculá con D.2. (4) Si piden "cuántos grupos de varios cumplen", la probabilidad del primer paso es la p de una binomial dentro de otra.
Una binomial dentro de otra
Una caja de 10 tornillos se rechaza si tiene 2 o más defectuosos; cada tornillo es defectuoso con probabilidad 0.03. Se revisan 5 cajas independientes: ¿P(exactamente 1 rechazada)?
Y ∼ B(10, 0.03) cuenta defectuosos por caja: P(rechazo) = P(Y ≥ 2) = 1 − 0.9710 − 10 · 0.03 · 0.979 = 0.0345.
Comparar alternativas según p. Escribí cada probabilidad como polinomio en p, restá y factorizá. Por ejemplo, "al menos 2 de 4" contra "al menos 3 de 6": PA − PB = 2p2(1 − p)3(3 − 5p), positivo si y sólo si p < 3/5; A es mejor si p < 0.6, B si p > 0.6.
Frecuencia relativa. X/n tiene E[X/n] = p y var(X/n) = p(1 − p)/n ≤ 1/(4n) (H3.4, H3.5), porque p(1 − p) ≤ 1/4. Con Chebyshev (H3.11) se obtiene un n que alcanza sin conocer p: para que la frecuencia de caras de una moneda difiera de 0.5 en menos de 0.05 con probabilidad ≥ 0.9, hace falta 0.25/(n · 0.052) ≤ 0.1, o sea n ≥ 1000 (una cota; la normal, sección 15, da menos). Si p es conocido, se usa p(1 − p) en vez de 1/4 (H3.17 con σ2 = p(1 − p)); la normal (H8.7) da un n menor.
Geométrica: ensayos hasta el primer éxito
T cuenta ensayos hasta el primer éxito, incluido ese: T ∼ G(p), valores 1, 2, … Hay x − 1 fracasos y un éxito:
P{(T=x)}={(1-p)}^{x-1}p
(D.3);
P{(T>n)}={(1-p)}^n
P{(T\le n)}=1-{(1-p)}^n
(H6.2)
E[T] = ∑n≥0 P(T > n) = 1/p (H3.3); la varianza sale de condicionar en el primer ensayo (T = 1 o T = 1 + T′):
E[T]=\frac{1}{p}
\operatorname{var}{(T)}=\frac{1-p}{p^2}
(D.3)
Ensayos o fracasos
Muchos libros y dgeom de R cuentan los fracasos antes del primer éxito (0, 1, 2, …): es T − 1, de media (1 − p)/p. Acá la media es 1/p. En R, P(T = x) es dgeom(x-1, p).
Falta de memoria (H2.7): P(T > n + m | T > n) = (1 − p)n+m/(1 − p)n = P(T > m). Si no hubo éxito en los primeros n ensayos, el proceso empieza de nuevo y lo que falta, T − n, es otra G(p); así, E[T | T > n] = n + 1/p. No vale para tiempos acotados: si T es el número que sale al tirar un dado una sola vez (uniforme en 1..6), P(T > 2 | T > 1) = 4/5 y P(T > 1) = 5/6, que son distintos.
Si en las primeras 5 no salió: P(T > 8 | T > 5) = P(T > 3) = (5/6)3 ≈ 0.5787, y se esperan 5 + 6 = 11 tiradas.
Cuántos ensayos hacen falta. "Ocurre después del k" es T > k; "en el k" es (1 − p)k−1p. Para que la probabilidad de al menos un éxito en n ensayos sea ≥ γ: 1 − (1 − p)n ≥ γ ⇔ n ≥ ln(1 − γ)/ln(1 − p), y se toma el entero siguiente.
Pascal: ensayos hasta el k-ésimo éxito
Sk ∼ Pas(k, p) (binomial negativa con la convención de ensayos), valores k, k + 1, … El ensayo x es éxito y en los x − 1 anteriores hay exactamente k − 1:
P{(S_k=x)}=C{(x-1,k-1)}\,p^k{(1-p)}^{x-k}
con x=k,\ k+1,\ldots (D.4)
E[S_k]=\frac{k}{p}
\operatorname{var}{(S_k)}=\frac{k{(1-p)}}{p^2}
(\operatorname{Pas}{(1,p)}=G{(p)})
El tercer éxito en el ensayo 7
p = 0.4: P(S3 = 7) = C(6, 2) · 0.43 · 0.64 = 0.1244; E[S3] = 7.5 y var = 3 · 0.6/0.16 = 11.25.
Binomial no es Pascal
En la binomial n está fijo y lo aleatorio es la cantidad de éxitos; en Pascal k está fijo y lo aleatorio es n. No sirve C(x, k): el último ensayo tiene que ser el éxito, por eso C(x − 1, k − 1) y el p final.
Colas de Pascal: dualidad con la binomial
Con B(n, p) los éxitos en los primeros n ensayos del mismo proceso (H6.2):
P{(S_k\le n)}=P{(B(n,p)\ge k)}
P{(S_k>n)}=P{(B(n,p)\le k-1)}
El tercer éxito llega a más tardar en el ensayo 10 exactamente cuando hay por lo menos 3 éxitos en los primeros 10.
Una cola de Pascal
Con p = 0.25, el segundo éxito tarda más de 6 ensayos: S2 > 6 ⇔ B(6, 0.25) ≤ 1, P = 0.756 + 6 · 0.25 · 0.755 = 0.5339 (dos términos en vez de cinco).
Entre éxitos: el proceso que se reinicia
Ti = Si − Si−1 son los ensayos entre éxitos consecutivos (H6.3):
T_1,T_2,\ldots independientes, todas G{(p)},S_k=T_1+\cdots+T_k
Después de cada éxito empieza un proceso nuevo, sin memoria. De ahí E[Sk] = k/p y var(Sk) = k(1 − p)/p2 (H3.4, H3.7), y Pas(a, p) + Pas(b, p) independientes ∼ Pas(a + b, p) (mismo p).
Etapas
"Una vez que pasó X, ¿cuánto falta para Y?": se descompone en geométricas independientes. Con etapas de parámetros pi distintos, las medias suman 1/pi y las varianzas (1 − pi)/pi2.
Un pedido de tres piezas buenas
Piezas buenas con probabilidad 0.8: S3 ∼ Pas(3, 0.8), E = 3.75, var = 3 · 0.2/0.64 = 0.9375. Hecha la primera buena, faltan en promedio 2/0.8 = 2.5 piezas.
El coleccionista
Colección de m figuritas. Con i distintas, la compra trae una nueva con probabilidad (m − i)/m: esa etapa es G((m − i)/m), independiente de las otras. Con N las compras totales, equiprobables:
Con m = 6: 1 + 1.2 + 1.5 + 2 + 3 + 6 = 14.7 compras; la varianza suma 0 + 0.24 + 0.75 + 2 + 6 + 30 = 38.99 (desvío ≈ 6.24). Lectura: la última etapa, G(1/m), domina (30 de 38.99): completar tarda mucho más de lo que sugieren las primeras figuritas. No equiprobables: la etapa depende de cuáles tenés. Se puede condicionar en el primer paso (una ecuación por conjunto, H1.15) o usar inclusión y exclusión sobre el máximo de los tiempos de primera aparición, donde pA es la suma de las probabilidades de los colores de A:
Con tres colores de probabilidades 0.5, 0.3 y 0.2: 2 + 3.3333 + 5 − 1.25 − 1.4286 − 2 + 1 = 6.6548.
Clasificar éxitos y carreras entre resultados
Si cada éxito se marca con probabilidad q, independiente de lo demás, un ensayo es éxito marcado con probabilidad pq (H6.4):
los éxitos marcados forman un proceso de Bernoulli de parámetro pq
Un ensayo es éxito marcado sólo por la rama de arriba: p · q.
El tiempo hasta el primer marcado es G(pq) y los marcados en n ensayos son B(n, pq). Lo mismo al filtrar o combinar dos condiciones independientes.
Defectos graves
Pieza defectuosa con probabilidad 0.2 y grave con 0.25 entre las defectuosas: graves ∼ Bernoulli(0.05), primera grave G(0.05) con media 20, y P(ninguna grave en 10) = 0.9510 ≈ 0.5987.
Marcados y no marcados no son independientes
Cada ensayo es una cosa o la otra: si en 2 ensayos ambos fueron marcados, no hay ningún no marcado. La independencia que se ve en Poisson (sección 14) no es propiedad del proceso de Bernoulli.
Carreras. Si A y B son resultados disjuntos de cada ensayo y se repite hasta que ocurra uno de ellos:
P{(A\text{ antes que }B)}=\frac{p_A}{p_A+p_B}
Es la probabilidad de A condicionada a "A o B". Los ensayos hasta el primero de ellos son G(pA + pB), independiente de cuál fue. Ejemplo: A gana la ronda con 1/6, B con 1/4: P(gana A) = (1/6)/(1/6 + 1/4) = 2/5, y el juego dura G(5/12), media 2.4 rondas.
Dado el número de éxitos
Si en n ensayos hubo exactamente k éxitos, las C(n, k) ubicaciones valen todas pk(1 − p)n−k, así que (H6.5):
P{(\text{ubicación concreta}\mid k\text{ éxitos en }n)}=\frac{1}{C{(n,k)}}
equiprobables y sin depender de p
Con 2 éxitos en 4 ensayos, las C(4, 2) = 6 ubicaciones son equiprobables, sea cual sea p.
La cantidad de éxitos entre los primeros m ensayos es hipergeométrica H(n, k, m).
Dado Sk = n, los otros k − 1 éxitos están equiprobables entre los n − 1 ensayos anteriores.
Dado S2 = b, el primer éxito es uniforme en {1, …, b − 1}: P(S1 = a, S2 = b) = P(T1 = a)P(T2 = b − a) = p2(1 − p)b−2 (1 ≤ a < b, H5.1) y la marginal de S2 tiene b − 1 términos iguales.
Ubicar éxitos en una tanda
12 ensayos, 4 éxitos. (a) Los dos primeros ensayos son éxitos: C(10, 2)/C(12, 4) = 45/495 = 1/11. (b) Al menos 2 éxitos en los primeros 5: H(12, 4, 5), P(0) = 7/99, P(1) = 35/99, así que P(≥ 2) = 57/99 ≈ 0.5758. (c) En otro proceso, si S2 = 9, P(primer éxito en los ensayos 1 a 3) = 3/8, sea cual sea p.
Antes del primer éxito: contar y condicionar
Si el proceso se repite hasta el primer resultado de cierto tipo y se cuenta M, lo que pasó antes, hay dos herramientas.
(1) Ignorar lo irrelevante. Los ensayos que no son ni lo contado ni el final se descartan y los restantes tienen probabilidades condicionadas. Dado hasta el primer 6, M = cantidad de 1: cada 1 o 6 es 1 con probabilidad 1/2, así que M ∼ G(1/2) − 1, P(M = m) = (1/2)m+1, E[M] = 1.
(2) Condicionar al tiempo. Si el primer éxito fue en N = n, los n − 1 anteriores son fracasos, cada uno de tipo c con probabilidad pc/(1 − p):
M\mid N=n\sim B{\Bigl(n-1,\frac{p_c}{1-p}\Bigr)}
E[M\mid N=n]=a{(n-1)}
con
a=\frac{p_c}{1-p}
E[M] = E[E[M | N]] = (1/p − 1)a (H5.7); si la pieza final también cuenta, se suma 1. Como E[M | N = n] es lineal, es la recta de regresión M̂ = a(N − 1) (H5.6 y H3.9), de pendiente a = cov(M, N)/var(N), con var(N) = (1 − p)/p2; la varianza sale de H5.9: var(M) = (E[N] − 1)a(1 − a) + a2var(N).
Piezas leves antes de la primera grave
Pieza con defecto grave 0.1, leve 0.3, sin defecto 0.6. N = pieza de la primera grave, M = leves anteriores.
N ∼ G(0.1): E[N] = 10, var(N) = 90. Dado N = n, cada anterior es leve con 0.3/0.9 = 1/3: M | N = n ∼ B(n − 1, 1/3), a = 1/3.
Recta: M̂ = (N − 1)/3; para N = 25 predice 8. Covarianza: a · var(N) = 30. E[M] = 9/3 = 3.
Cada ensayo da uno de k resultados con probabilidades p1, …, pk (suman 1). El vector de conteos es M(n, p1, …, pk) (H6.6, D.17); cada sucesión tiene probabilidad p1x1 ⋯ pkxk y hay n!/(x1! ⋯ xk!) (H1.10):
Marginales: Xi ∼ B(n, pi), E = npi, var = npi(1 − pi).
Covarianza: cov(Xi, Xj) = −npipj (H6.6). Con indicadoras, sólo el mismo ensayo aporta: IaJa = 0, así que cov = −pipj por ensayo. Es negativa porque los ensayos se reparten. Control: Xi + Xj ∼ B(n, pi + pj).
Agrupar: juntar categorías da otra multinomial con probabilidades sumadas ("exactamente x de A, y de B y el resto de otro tipo").
Condicionar: dado X1 = x1, los n − x1 restantes se reparten con probabilidades renormalizadas pj/(1 − p1); por ejemplo X3 | X1 = x1 ∼ B(n − x1, p3/(1 − p1)).
Las Xi no son independientes
Suman n. Cada una es binomial, pero la conjunta no es el producto.
Un dado en tres tipos
9 tiradas: bajo (1 o 2) 1/3, medio (3 a 5) 1/2, alto (6) 1/6; X ∼ M(9, 1/3, 1/2, 1/6).
Con 2 altos, quedan 7 tiradas y cada una es baja con (1/3)/(5/6) = 2/5: Xb | Xa = 2 ∼ B(7, 0.4), P(Xb = 3) = 35 · 0.43 · 0.64 = 0.2903.
Eventos no excluyentes. Primero armá las categorías que se excluyen y cubren todo: con dos características independientes de probabilidades r y a, son ambas ra, sólo la primera r(1 − a), sólo la segunda (1 − r)a, ninguna (1 − r)(1 − a). Si no son independientes, salen de la regla del producto: ambas P(A)P(B|A), sólo A P(A)(1 − P(B|A)), sólo B (1 − P(A))P(B|no A), ninguna (1 − P(A))(1 − P(B|no A)). Con ellas va la multinomial; para "a lo sumo 1 con las dos" o "menos de 4 con algún defecto" se agrupa y queda una binomial.
Dos defectos en 6 piezas
Rotura 0.1 y abolladura 0.3, independientes: ambas 0.03, sólo rotura 0.07, sólo abolladura 0.27, ninguna 0.63. (a) 1 con ambas, 2 sólo rotas, 1 sólo abollada, 2 sin defectos: 180 · 0.03 · 0.072 · 0.27 · 0.632 ≈ 0.002836. (b) Menos de 4 con algún defecto: B(6, 0.37), P(X ≤ 3) = 0.8596.
Hipergeométrica
Lote de N con d marcados, n extraídos sin reposición, X = marcados extraídos (H1.12):
El factor (N − n)/(N − 1) es la corrección por población finita: vale 1 con n = 1 y 0 con n = N. Con reposición sería B(n, d/N): misma esperanza, varianza mayor.
Mismo p = d/N = 0.4: sin reposición la distribución es más angosta, por el factor (N − n)/(N − 1) = 14/19.
Parámetro desconocido. Escribí la probabilidad observada como función del parámetro y compará. Urna con k rojas y 4 negras, 3 sacadas, salen 2 rojas y 1 negra: Pk = C(k, 2)C(4, 1)/C(k + 4, 3) es máxima en k = 7 y k = 8 (28/55), que empatan.
Aproximación por la binomial (H6.7): si n es chico frente a N, H(N, d, n) ≈ B(n, d/N). Con N = 2000, d = 300, n = 10: P(X = 2) exacto 0.27664, con B(10, 0.15) 0.27590.
Aproximación de Poisson de la binomial
Con n grande y p chica, B(n, p) ≈ Poisson de media μ = np (H6.7): con p = μ/n, C(n, x)px(1 − p)n−x → e−μμx/x! cuando n → ∞. Sirve para eventos raros con muchas oportunidades; si p está cerca de 1, se aproximan los fracasos n − X ∼ B(n, 1 − p).
Una binomial grande
200 componentes, falla cada uno con 0.01: X ∼ B(200, 0.01), μ = 2. P(X ≥ 3) = 1 − e−2(1 + 2 + 2) = 0.3233 (exacto 0.32332).
Poisson o normal
Poisson si p es chica y np moderado; normal (sección 15) si np y n(1 − p) son grandes. A la hipergeométrica primero se la pasa a binomial y, si hace falta, después se aproxima.
Control de calidad: muestra y planes de muestreo
Detectar un problema. Se examinan n piezas y se detiene el proceso si alguna es defectuosa: detiene con probabilidad 1 − (1 − p)n (H1.20). Con el p inaceptable es la probabilidad de detección; con el p aceptable, una detención innecesaria. Para detección ≥ γ con p1: n ≥ ln(1 − γ)/ln(1 − p1).
Tamaño mínimo de muestra
Detectar con probabilidad ≥ 0.95 un proceso con 3 % de defectuosos: n ≥ ln 0.05/ln 0.97 = 98.35, o sea n = 99 (con 98, 0.9495). Con ese n y 1 % de defectuosos, la detención innecesaria es 1 − 0.9999 = 0.6303.
Plan (n, c). Se extrae una muestra de n y se acepta el lote si hay c o menos defectuosas. Con lote grande, X ≈ B(n, p) con p = d/N (H6.7). La curva característica es
Riesgo del comprador (lote malo aceptado): β = L(p1).
En p₀ conviene la curva alta y en p₁ baja; el plan de n = 100 y c = 3 discrimina mejor en los dos extremos.
Subir c con n fijo sube L en todo p: baja el riesgo del proveedor y sube el del comprador. Subir n con c fijo baja L: protege al comprador y perjudica al proveedor. Subiendo los dos no hay regla: hay que evaluar L(p0) y L(p1) de cada plan.
Dos planes
Bueno: p0 = 0.01; malo: p1 = 0.08. Plan A (n = 40, c = 1): L(0.01) = 0.9393, L(0.08) = 0.1594. Plan B (n = 100, c = 3): L(0.01) = 0.9816, L(0.08) = 0.0367. Entonces αA = 0.0607, βA = 0.1594, αB = 0.0184, βB = 0.0367: B protege más a los dos, a costa de inspeccionar más.
Cuando el número de ensayos es aleatorio
(a) Si T ∼ E(λ) se observa cada h unidades (desde t = 0), las observaciones mientras no terminó son N = ⌊T/h⌋ + 1 y P(N > m) = P(T ≥ mh) = (e−λh)m, o sea N ∼ G(1 − e−λh). (b) Con N independiente de las Xi (media μ): E[X1 + ⋯ + XN | N ∈ A] = μ E[N | N ∈ A] (H3.15 y H5.11); si N ∼ G(p), E[N | N ≥ 2] = 1 + 1/p. Con N ∼ G(1/4) y μ = 3: 3 · (1 + 4) = 15.
Qué renglón de la hoja usar
Situación
Renglón
Éxitos en n ensayos, moda; hasta el primer y el k-ésimo éxito
H6.1, D.2 a D.4
Cola de la geométrica; Pascal ≤ n como binomial ≥ k
14 Proceso de Poisson: arribos, adelgazamiento y superposición
Entra en el parcial (guía 7, ejercicios 7.1 a 7.26). Hoja: bloque H7 (H7.1 a H7.7); además H2.7, H4.9, H4.10, H4.12, H5.11 y las filas D.5, D.8 y D.9.
El proceso y la notación
Un proceso de Poisson modela arribos que ocurren al azar en el tiempo (o en una distancia): llamadas, colectivos, fallas en un alambre. N(a, b] es la cantidad de arribos en (a, b], N(t) = N(0, t], Sk el instante del k-ésimo arribo y Tk = Sk − Sk−1 el tiempo entre dos arribos (S0 = 0). Es "de intensidad λ" (arribos por unidad de tiempo, constante) cuando (H7.1):
Conteos Poisson: N(a, b] ∼ Poi(λ(b − a)).
Incrementos independientes: los conteos en intervalos que no se superponen son independientes.
Sk es el instante del k-ésimo arribo; Tk = Sk − Sk−1 es el tiempo entre arribos; N(a, b] cuenta los arribos que caen en el intervalo sombreado (en este dibujo, 3).
Las dos unidades tienen que coincidir
Si λ = 12 por hora y el intervalo es de 5 minutos, el parámetro es 12 · (1/12) = 1, no 12 · 5. Se pasa todo a una unidad antes de calcular.
Conteos en intervalos
Se usa p(x) = e−μ μx/x! con μ = λ · largo (D.5). Con varios intervalos: si son disjuntos, se multiplican las probabilidades (H7.1); si se superponen, se parten en tramos disjuntos y se suman las combinaciones posibles.
Intervalos que se superponen
Con λ = 1.5, P(N(0, 2] = 1, N(1, 3] = 1). Sean a = N(0, 1], b = N(1, 2], c = N(2, 3], independientes, cada una Poi(1.5).
Se pide a + b = 1 y b + c = 1: (a, b, c) = (1, 0, 1) o (0, 1, 0).
Multiplicar P(N(0, 2] = 1) por P(N(1, 3] = 1) daría 0.02231: supone independencia donde no la hay.
Para la covarianza de dos conteos, los tramos A ∖ B, A ∩ B y B ∖ A son independientes, y sólo N(A ∩ B) es común (H3.6):
\begin{aligned}&\operatorname{cov}{(N(A),N(B))}\\[3pt] =\ &\operatorname{var}{(N(A\cap B))}\\[3pt] =\ &\lambda\cdot{(\text{largo de }A\cap B)}\end{aligned}
Tiempos entre arribos y tiempo del k-ésimo arribo
Puente entre contar y esperar: el k-ésimo arribo ocurre después de t si y sólo si hasta t hubo menos de k arribos.
\{S_k>t\}=\{N{(t)}<k\}
N(t) sube 1 en cada arribo (punto lleno arriba, vacío abajo: N es continua por derecha). En el instante t marcado hay N(t) = 2, o sea que todavía no llegó el tercer arribo: {N(t) < 3} = {S₃ > t}.
Con k = 1: P(T1 > t) = e−λt, o sea T1 ∼ E(λ) (D.8). Con k cualquiera (H7.2):
Así no hace falta integrar. Sk ∼ Γ(k, λ) (D.9), con E[Sk] = k/λ y var(Sk) = k/λ². Los Tk son independientes y todos E(λ), y Sk es su suma (H4.9); los Sk entre sí no son independientes.
Hipótesis de la fórmula con sumas
Vale con k entero y la misma λ. La suma de gammas independientes es gamma sólo con igual λ: Γ(k1, λ) + Γ(k2, λ) ∼ Γ(k1 + k2, λ) (H4.9). Y la cola es N(t) < k, es decir a lo sumo k − 1.
El "tiempo" puede ser otra magnitud
Todo vale si en lugar del tiempo se mide una distancia o un peso, con λ por metro o por kilo. Una falla cada 20 m es λ = 0.05 por metro; una exponencial de media m tiene λ = 1/m. Al revés: las sumas parciales de variables E(λ) iid (bolsas de media 3 kg: λ = 1/3 por kilo) son los arribos de un proceso de Poisson en el eje del peso. El primer valor que pasa un umbral u es el primer arribo después de u, y por falta de memoria (H7.3) el exceso sobre u es E(λ).
Espera del tercer llamado, y suma de esperas
Con λ = 4 por hora: P(S3 > 1) = P(N(1) < 3) = e−4(1 + 4 + 8) = 13e−4 ≈ 0.2381; E[S3] = 3/4 de hora y var(S3) = 3/16.
Si un guardia espera cada día hasta el 3er arribo con λ = 2 por hora, dos días independientes suman Γ(6, 2) y P(total > t) = P(Poi(2t) ≤ 5). Entonces P(total > 4 | total > 3) = P(total > 4)/P(total > 3) (H1.13) = 0.1912/0.4457 ≈ 0.4291. Con k grande (por ejemplo Γ(48, 5)) la suma de Poisson no se hace a mano: se aproxima Γ(k, λ) ≈ N(k/λ, k/λ²) (H8.5, sección 15).
La falta de memoria y el proceso visto desde un instante
La exponencial no tiene memoria (H2.7): P(T > s + t | T > s) = P(T > t). Para el proceso (H7.3): desde cualquier instante fijo t0, lo que sigue es un proceso de Poisson de intensidad λ, independiente de lo anterior. En particular la espera W hasta el próximo arribo es E(λ): P(W > w) = e−λw. Vale también si t0 es aleatorio e independiente del proceso (se condiciona a t0 y se promedia con H1.15) y si t0 es un arribo.
Desde un instante fijo t₀ se empieza a mirar con un reloj en cero: lo que se ve hacia adelante es un proceso de Poisson de intensidad λ, independiente de lo que pasó antes. La espera hasta el próximo arribo es W ∼ E(λ).
Colectivos: llegada fija o al azar
Con λ = 6 por hora, llegar a las 8:00 y esperar más de 15 minutos: P(W > 1/4) = e−1.5 ≈ 0.2231. Si se llega en un instante U uniforme entre 8:00 y 9:00, independiente del proceso, P(W > 1/4 | U = u) = e−1.5 para cada u, y el promedio es el mismo.
Sólo hacia adelante
No vale si el instante se elige mirando el futuro del proceso. Hacia atrás, el tiempo A desde el último arribo hasta t0 es una exponencial cortada en t0: P(A > u) = e−λu para u < t0. El intervalo que contiene a t0 es A + W, de media (2 − e−λt0)/λ, casi el doble de 1/λ.
Condicional dado la cantidad de arribos: uniformes ordenadas
Renglón H7.4: dado N(t) = n, los n arribos de (0, t] se comportan como n puntos independientes y uniformes en (0, t), ordenados. Por eso, para 0 < s < t:
P(Sj ≤ s | N(t) = n) = P(B(n, s/t) ≥ j); para el primero, 1 − (1 − s/t)n.
E[Sj | N(t) = n] = j · t/(n + 1) (H4.13).
En tramos disjuntos que cubren (0, t], los conteos son multinomiales con probabilidades proporcionales a los largos (H4.12, H6.6).
Lo que pasa fuera de (0, t] es independiente de N(t) y sigue siendo Poisson.
Dado Sk = s, los k − 1 arribos anteriores son k − 1 uniformes en (0, s), ordenadas: N(u) | Sk = s ∼ B(k − 1, u/s) (H7.4).
Dado N(t) = 4, los cuatro arribos son como cuatro puntos puestos al azar en (0, t) y luego ordenados (H7.4). Cuántos caen en (0, s] es una binomial B(4, s/t).
Con una condición adentro y otra afuera: λ = 4, N(1) = 2, P(S1 > 0.4 y S3 > 1.5) = (0.6)² · P(N(1, 1.5] = 0) = 0.36e−2 ≈ 0.04872.
El tiempo total que esperan los pasajeros
Llegan personas con λ = 6 por minuto y el tren sale en t = 10. Cada una espera t − Si, y T = ∑ (t − Si). Dado N(t) = n, los t − Si son uniformes en (0, t) (el orden no importa), así que T es un proceso compuesto (H7.7) con Y ∼ U(0, t): E[Y] = t/2, E[Y²] = t²/3. E[T] = λt · t/2 = 300 y var(T) = λt · t²/3 = 2000.
Adelgazamiento: clasificar los arribos
Cada arribo de un proceso de intensidad λ es de tipo 1 con probabilidad p y de tipo 2 con 1 − p, con una moneda independiente para cada arribo. Renglón H7.5: los de tipo 1 forman un proceso de Poisson de intensidad λp, los de tipo 2 uno de intensidad λ(1 − p), y los dos procesos son independientes. Con r tipos, intensidades λpi.
Cada arribo se clasifica con una moneda independiente (tipo 1 con probabilidad p). Los arribos de cada tipo forman un proceso de Poisson, y los dos procesos son independientes (H7.5).
Por qué: dado N(t) = a + b, el tipo 1 es B(a + b, p), y
La clasificación debe ser independiente de los tiempos y de los demás arribos, con p constante. Y la independencia entre N1(t) y N2(t) es sin condicionar al total: dado N(t) = n, N1 ∼ B(n, p) y N2 = n − N1, totalmente dependientes (H4.12).
Llamadas urgentes y no urgentes
Llegan 12 llamadas por hora y cada una es urgente con probabilidad 0.25: urgentes de intensidad 3 y no urgentes de intensidad 9, independientes. P(ninguna urgente en 30 minutos) = e−1.5 ≈ 0.2231. P(2 urgentes y 3 no urgentes en una hora) = P(Poi(3) = 2) P(Poi(9) = 3) ≈ 0.003359. Sabiendo que hubo 5 en total, las urgentes son B(5, 0.25): P(2) = C(5, 2) 0.25² 0.75³ ≈ 0.2637.
Un alambre con fallas detectadas y no detectadas
Fallas con intensidad 0.05 por metro; cada una se detecta con probabilidad 0.8 y se corta en la primera detectada. Detectadas: intensidad 0.04; no detectadas: 0.01, independientes.
El largo del rollo es L ∼ E(0.04): E[L] = 25.
Las no detectadas son independientes de L: media 0.01 · E[L] = 0.25.
Fallas por rollo: 1 + 0.25 = 1.25.
Con tope (se corta a los 40 m si no hubo detección), L = mín(E, 40) no es exponencial: E[L] = ∫040 P(E > x) dx = (1 − e−1.6)/0.04 ≈ 19.95 (H3.3), detectadas por rollo 1 − e−1.6 ≈ 0.7981 y no detectadas 0.01 · 19.95 ≈ 0.1995.
Si recién corta en la primera detectada después de a metros (o en b si no detecta nada en (a, b]): en (0, a] cuentan todas las fallas (media 0.05a); desde a, por falta de memoria, L − a = mín(E, b − a) con E ∼ E(0.04), y las no detectadas son 0.01 por metro. Se suman los tres tramos.
Cuando no es adelgazamiento independiente
Si el criterio para "quedarse" con un arribo depende de los otros (uno de cada dos, un tiempo muerto), el resultado no es Poisson y no vale H7.5. Se resuelve con conteos independientes en tramos disjuntos y falta de memoria.
Tic, tac: una de cada dos señales
Con λ = 3 por segundo, un contador registra la 2ª, la 4ª, la 6ª… Sabiendo que registró una en (0, 1], ¿cuál es la probabilidad de que no registre ninguna en (1, 2]? Eso es N(1) ∈ {2, 3} con pesos iguales. Si N(1) = 2, no hay registrada si N(1, 2] ≤ 1: 4e−3. Si N(1) = 3, hace falta N(1, 2] = 0: e−3. Total (H1.15): (1/2)(4e−3) + (1/2)e−3 = 2.5e−3 ≈ 0.1245. Tratarlo como adelgazamiento daría e−1.5, incorrecto.
Con tiempo muerto de 5 minutos y λ = 6 por hora: la primera siempre se registra y cada registrada abre 5 minutos sin registrar, así que las 4 primeras se registran si cada una llega pasados 5 minutos de la anterior, o sea T2, T3, T4 > 1/12 de hora: (e−6/12)3 = e−1.5.
Superposición y competencia entre procesos
Dos procesos de Poisson independientes de intensidades λ1 y λ2 juntos forman un proceso de Poisson de intensidad λ1 + λ2 (H7.6, H4.9). Además cada arribo del total es del proceso 1 con probabilidad λ1/(λ1 + λ2), independientemente de los demás y de cuándo ocurren: es el adelgazamiento al revés.
Al juntar dos procesos de Poisson independientes se obtiene uno de intensidad λ₁ + λ₂ (H7.6). Cada arribo del total viene del proceso 1 con probabilidad λ₁/(λ₁ + λ₂), sin importar lo que pasó antes.
La base es la carrera entre exponenciales. Si X1 ∼ E(λ1) y X2 ∼ E(λ2) son independientes (H4.10):
Con r exponenciales, el mínimo es E(∑ λi) y gana la j con λj/∑ λi. Tras cada carrera, por la falta de memoria, el perdedor "empieza de nuevo": se pueden encadenar. Por ejemplo, para X1, X2, X3 iid exponenciales, P(X1 > X2 + X3) = 1/2 · 1/2 = 1/4.
Si el enunciado da la media m, la intensidad es 1/m. Con sólo dos competidores, "X1 termina último" es lo mismo que "X2 termina primero": P = λ2/(λ1 + λ2).
Los orígenes de los arribos sucesivos son ensayos independientes con p = λ1/(λ1 + λ2):
los k primeros son del proceso 1 con probabilidad pk; de los primeros n, la cantidad del proceso 1 es B(n, p);
la cantidad de arribos hasta el primero del proceso 1 es G(p), y hasta el k-ésimo, Pas(k, p) (H6.1);
las del proceso 2 antes del k-ésimo del 1 valen m con probabilidad C(m + k − 1, m) pk (1 − p)m;
el tiempo hasta el primer arribo del total es E(λ1 + λ2), sea de quien sea.
Dos líneas que se juntan
λ1 = 2 y λ2 = 3 por minuto, λ = 5. P(el primero es del 1) = 0.4. P(ninguno en 30 s) = e−2.5 ≈ 0.0821. P(exactamente 2 de los 4 primeros son del 1) = C(4, 2) 0.4² 0.6² = 0.3456.
Fila impaciente
El que opera demora E(μ) y cada persona de la fila se va con E(1). La que está en la posición j (j − 1 delante) avanza si gana cualquiera de los otros relojes, con probabilidad (μ + j − 1)/(μ + j); si gana el suyo, se va. Tras cada evento los demás empiezan de nuevo. P(la m-ésima opere) = ∏j=1m (μ + j − 1)/(μ + j) = μ/(μ + m) (telescópico).
Mujeres antes del cuarto hombre
Entran 8 hombres y 2 mujeres por hora (independientes). Cada arribo es hombre con p = 0.8, así que las mujeres antes del 4º hombre valen m con probabilidad C(m + 3, m) 0.8⁴ 0.2m. Para m = 3: C(6, 3) · 0.4096 · 0.008 = 0.065536.
Condición sobre un proceso, pregunta sobre los dos
A con λA = 30 y B con λB = 48 por hora, independientes. Se sabe que A tuvo 3 arribos en (0, 4 min]. ¿P(entre los dos al menos 2 en (1, 2] min)?
Dada la condición, A en (1, 2] es B(3, 1/4) (H7.4). B no se ve afectado y es Poi(0.8).
H7.4 vale sólo para el proceso del que se sabe la cantidad, no para el total de los dos.
Tiempo hasta que ocurre un patrón de tipos
Cuando se espera una combinación de orígenes, (1) los orígenes son ensayos independientes (H7.6), (2) independientes de los tiempos, y (3) los tiempos entre arribos son E(λ). El tiempo T es una suma de N tiempos, con N independiente de ellos (H5.11, sección 12):
Piezas de A con λA = 1 y de B con λB = 3 por minuto, embaladas de a pares en orden (1ª y 2ª, 3ª y 4ª…). T es el tiempo hasta el primer par con una pieza de cada máquina.
λ = 4 y p = 1/4. Un par es mixto con q = 2 · (1/4)(3/4) = 3/8; los pares hasta el primero mixto son K ∼ G(3/8), con E[K] = 8/3 y var(K) = 40/9.
Si cada arribo trae una cantidad Yi (un costo, una carga), el total es S(t) = ∑i=1N(t) Yi (S(t) = 0 si N(t) = 0), con las Yiiid e independientes del proceso (H7.7). Por la suma aleatoria (H5.11) con E[N] = var(N) = λt:
E[S{(t)}]=\lambda t\,E[Y]
\operatorname{var}{(S(t))}=\lambda t\,E[Y^2]
E[Y²], no var(Y)
La varianza usa el momento de segundo orden E[Y²] = var(Y) + E[Y]² (H3.5). La fórmula vale sólo si las Y no dependen del proceso ni de N(t).
Si Y vale 1 con probabilidad p y 0 si no, S(t) son los arribos de tipo 1: Poi(λpt), con media y varianza λpt. Si Y = c es constante, S = cN(t).
Cantidades discretas
Llegan familias con λ = 100 por día, de 2, 3 o 4 integrantes con probabilidades 0.2, 0.5 y 0.3. En 5 días λt = 500. E[Y] = 3.1 y E[Y²] = 0.8 + 4.5 + 4.8 = 10.1. E[S] = 1550 y var(S) = 500 · 10.1 = 5050 (con var(Y) = 0.49 daría 245, incorrecto).
Del costo a la cantidad de pacientes
Pacientes con λ = 1 por hora durante 6 horas; graves con probabilidad 0.25 (costo 6), no graves cuestan 2. Graves Poi(1.5) y no graves Poi(4.5), independientes. Dado costo total 6: o 1 grave y 0 no graves (N = 1), peso 1.5e−6, o 0 graves y 3 no graves (N = 3), peso e−6 · 4.5³/6 = 15.1875e−6. Normalizando (H1.13): P(N = 1) = 8/89 ≈ 0.0899 y P(N = 3) = 81/89.
Dos etapas que se mezclan
M ∼ Poi(μ) fallas de tejido; X | M = 0 ∼ Poi(a) y X | M ≥ 1 ∼ Poi(b) fallas de teñido. M + X no es Poisson (X depende de M): por probabilidad total (H1.15), P(M + X = k) = e−μ P(Poi(a) = k) + ∑j≥1 P(M = j) P(Poi(b) = k − j).
Un contador que funciona por ratos
λ = 0.5 vehículos por segundo; el contador funciona sesiones Ti ∼ U(2, 4) segundos, y la cantidad de sesiones por minuto es uniforme en {1, 2, 3}, independientes. En una hora N = N1 + ⋯ + N60 (un Nj uniforme en {1, 2, 3} por minuto, independientes): E[N] = 60 · 2 = 120 y var(N) = 60 · 2/3 = 40 (H3.7).
para todo x\in\R,E[X]=\mu,\operatorname{var}{(X)}=\sigma^2
El segundo parámetro es la varianza: si el enunciado da el desvío, se eleva al cuadrado. La campana es simétrica respecto de μ (media, mediana y moda coinciden), con máximo 1/(σ√(2π)) en μ y puntos de inflexión en μ ± σ. Su soporte es todo ℝ.
La normal estándar es Z ∼ N(0, 1), con φ(z) = e−z²/2/√(2π) y Φ(z) = P(Z ≤ z). Φ no tiene primitiva elemental: se lee de T.1.
Transformación lineal
Si X ∼ N(μ, σ²) y a ≠ 0, entonces aX + b ∼ N(aμ + b, a²σ²) (H4.5, H8.2).
Intervalo alrededor de μ
Probabilidad (de T.1)
μ ± σ
2Φ(1) − 1 = 0.6827
μ ± 2σ
2Φ(2) − 1 = 0.9545
μ ± 3σ
2Φ(3) − 1 = 0.9973
¿Sirve una normal para algo que no puede ser negativo?
Como fX > 0 en todo ℝ, P(X < 0) = Φ(−μ/σ) > 0 siempre. Con N(30, 100): Φ(−3) = 0.00135, despreciable. Con N(30, 400): Φ(−1.5) = 0.0668, casi 7 %: el modelo es malo. Alcanza con μ/σ ≥ 3.
Estandarizar y usar la tabla T.1
Si X ∼ N(μ, σ²), entonces Z = (X − μ)/σ ∼ N(0, 1) (transformación lineal). De ahí (H8.1):
X es continua: < y ≤ dan lo mismo. Por la simetría de la campana (H8.1):
\Phi{(-z)}=1-\Phi{(z)}
P{(|Z|\le z)}=2\Phi{(z)}-1
P{(|X-\mu|\le c)}=2\Phi{(c/\sigma)}-1
Las dos colas valen lo mismo, Φ(−z) = 1 − Φ(z); el centro es 1 menos las dos colas, 2Φ(z) − 1.
Leer T.1. La fila da el entero y el primer decimal de z, la columna el segundo: Φ(1.96) = 0.97500 (fila 1.9, columna 0.06). Sólo hay z ≥ 0. Con más de dos decimales se redondea (o se interpola, y se dice). Para z > 3.49 se toma Φ ≈ 1 y se aclara.
Procedimiento: probabilidad con una normal
Escribir X ∼ N(μ, σ²) con la varianza.
Reescribir el evento como P(X ≤ x), P(X > x) o P(a < X < b).
Estandarizar cada extremo, z = (x − μ)/σ, dividiendo por el desvío.
Leer Φ(z), con Φ(−z) = 1 − Φ(z), combinar e interpretar con su unidad.
Probabilidades de un peso normal
X ∼ N(250, 36), σ = 6 g. P(X ≤ 262): z = 2 → Φ(2) = 0.9772. P(241 < X < 256): z1 = −1.5, z2 = 1 → Φ(1) − Φ(−1.5) = 0.84134 − (1 − 0.93319) = 0.7745. P(|X − 250| < 9): 2Φ(9/6) − 1 = 2 · 0.93319 − 1 = 0.8664.
Si se revisan 20 cajas independientes, P(alguna pese menos de 240 g) = 1 − (1 − P(X < 240))20 (H1.20): la normal da una caja y el "alguno" se arma con la independencia.
Errores clásicos con la tabla
Dividir por σ² en vez de σ. Leer Φ de un negativo directo de la tabla (es 1 − Φ(|z|)). Quedarse con Φ(c/σ) en P(|X − μ| < c), olvidando el 2Φ − 1. Para P(X > x), dejar Φ(z) en lugar de 1 − Φ(z).
Cuantiles: usar la tabla al revés
El cuantil zα cumple Φ(zα) = α (H8.3). Por simetría zα = −z1−α. Los más usados:
α
0.90
0.95
0.975
0.99
0.995
zα
1.282
1.645
1.960
2.326
2.576
Para otro α se busca α dentro de T.1 (el valor más cercano, o se interpola, y se dice). El cuantil de X ∼ N(μ, σ²) es xα = μ + σ zα. El intervalo central de probabilidad 1 − α es (μ − z1−α/2σ, μ + z1−α/2σ), con 1.96 para 0.95. Si piden a y b con P(a < X < b) = 0.95 sin más datos, hay infinitos pares: se toma el simétrico alrededor de μ, que es el más corto.
Procedimiento: hallar un valor o un parámetro desde una probabilidad
Pasar la condición a P(X ≤ x) = a (a = 1 − la probabilidad pedida si dice "superior").
Estandarizar: (x − μ)/σ = za, leído de T.1 o H8.3.
Despejar x = μ + σ za. Con μ o σ incógnitas queda una ecuación lineal; con dos condiciones, un sistema de dos ecuaciones.
Una desigualdad ("al menos", "a lo sumo") se conserva al pasar a z, porque Φ es creciente: la incógnita queda acotada (varianza máxima, valor mínimo).
Un valor y dos parámetros
(a) Con X ∼ N(250, 36), el peso que se supera el 5 % de las veces: P(X ≤ x) = 0.95 → z0.95 = 1.645 → x = 250 + 6 · 1.645 = 259.87 g. (b) En una población normal el 10 % pesa menos de 30 kg y el 5 % más de 50 kg. (30 − μ)/σ = z0.10 = −1.282 y (50 − μ)/σ = z0.95 = 1.645, es decir μ − 1.282σ = 30 y μ + 1.645σ = 50. Restando: 2.927σ = 20 → σ = 6.833 y μ = 38.76.
La media sale de la linealidad (H3.4); las varianzas se suman por la independencia (H3.7) y cada una entra multiplicada por el cuadrado del coeficiente, así que una resta también suma varianzas. La constante b va a la media, nunca a la varianza. Si no son independientes pero (X, Y) es normal bivariado (D.18), sigue siendo normal, con el término 2ab cov(X, Y) en la varianza.
Promedio. Si Xi ∼ N(μ, σ²) independientes, X̄ ∼ N(μ, σ²/n), exacta para cualquier n (H3.12): no hace falta el teorema central del límite.
2X no es X1 + X2
Con X ∼ N(5, 1): 2X ∼ N(10, 4) (var(2X) = 2² var(X)), mientras que X1 + X2 independientes ∼ N(10, 2).
Procedimiento: probabilidad de una combinación lineal
Pasar el evento a la forma Y > c o Y < c, con todas las variables de un lado.
Escribir Y = ∑ ai Xi + b e indicar que las Xi son normales independientes.
Calcular E[Y] y var(Y) (H8.2).
Estandarizar Y y leer T.1.
Diferencia de dos normales independientes
X ∼ N(10, 4) e Y ∼ N(7, 9) independientes; P(X − Y > 5). X − Y ∼ N(10 − 7, 4 + 9) = N(3, 13) (la varianza no es 4 − 9). z = (5 − 3)/√13 = 0.55 → P = 1 − Φ(0.55) = 1 − 0.70884 = 0.2912.
El teorema central del límite
Sean X1, X2, … independientes, de igual distribución, con media μ y varianza σ² finitas (σ² > 0), y Sn = X1 + ⋯ + Xn. Entonces
Sn ≈ N(nμ, nσ²) y X̄ ≈ N(μ, σ²/n). La media y la varianza ya eran esas (H3.4, H3.7); el teorema agrega la forma de campana, sean cuales sean los sumandos.
La suma estandarizada de uniformes, con n = 1 un rectángulo y con n = 2 un triángulo, con n = 4 ya casi no se distingue de la normal estándar.
Es un resultado límite: no da el error con un n concreto. Con sumandos simétricos bastan pocos; con muy asimétricos (exponencial, Bernoulli con p chica) hace falta bastante más.
Si los sumandos ya son normales, la suma es normal exacta (H8.2) y no se aproxima nada.
Si son enteros, Sn es discreta: se corrige por continuidad (más abajo).
Hipótesis
Si falla
Independencia
Con Xi = X para todo i, Sn = nX no es una campana y var(Sn) = n²σ², no nσ².
Igual distribución
El enunciado de la hoja la pide: hay que identificar cuál es el sumando que se repite.
Media y varianza finitas
La Cauchy no tiene media: el promedio de n Cauchy sigue siendo Cauchy. Una Pareto con α ≤ 2 tiene varianza infinita (D.16). Si el sumando es eT con T ∼ E(λ), E[esT] = λ/(λ − s) sólo existe si s < λ; la varianza de eT pide E[e2T] (s = 2), que existe sólo si λ > 2: con λ ≤ 2 no hay varianza.
Procedimiento: un problema con el teorema central del límite
Sumando: definir la variable que se repite, Yi (o g(Xi) si se suma un costo, una ganancia, un peso), y la suma S o el promedio.
Hipótesis: independientes, de igual distribución, varianza finita, n grande (H8.4).
Un sumando: media y varianza de la tabla D; si no, E[Y] = ∫ g f (H3.2) y var(Y) = E[Y²] − E[Y]² (H3.5). En una mezcla, E[Y] = ∑ P(tipo) E[Y | tipo] y lo mismo con E[Y²] (H5.4, H5.9); en un producto Y = PQ de independientes, E[Y] = E[P]E[Q] y var(Y) = E[P²]E[Q²] − (E[P]E[Q])², con E[P²] = var(P) + E[P]²; para Y = P(a + bF), E[(a + bF)²] = b² var(F) + (a + bE[F])². Si los sumandos son sólo los de un tipo (p. ej. diámetro > 4 con X ∼ U(3, 5)), la distribución es la condicional (H2.10), U(4, 5), y con ella se calculan E[g(X)] y E[g(X)²].
Suma: E[S] = nμ, var(S) = nσ². Una constante global (la caja vacía) va a la media; un costo por unidad va dentro del sumando.
Tabla: P(S > s) ≈ 1 − Φ((s − nμ)/(σ√n)), con corrección por continuidad si S es entera (H8.6).
Pedidos inversos (n, μ, o el valor que se supera con probabilidad dada): se plantea la misma igualdad con za (H8.3) y se despeja. "Se supera con γ %" es P(S > s) = γ/100 y pide z1−γ/100: 0.8 % es 0.008 y da z ≈ 2.41 (sobre la media); 80 % es 0.8 y da z = −0.84 (bajo la media). Con n, se redondea hacia arriba y se prueba con los enteros vecinos.
Si cada pasajero espera hasta que sale el tren (ciclo de T min), dado el número de llegadas los instantes son uniformes (H7.4): la espera es Y ∼ U(0, T), E[Y] = T/2, E[Y²] = T²/3. Un ciclo da W con E[W] = λT E[Y], var(W) = λT E[Y²] (H7.7); los ciclos son iid (H7.1) y el teorema se aplica a los ciclos, no a los pasajeros. Cuidado con convertir horas a minutos.
Suma de sumandos iguales
50 piezas independientes, de longitud con media 12 cm y desvío 0.5 cm (distribución desconocida). P(longitud total > 603 cm).
1. Independientes, iguales, varianza finita, n = 50.
2. E[S] = 600; var(S) = 50 · 0.25 = 12.5, desvío 3.5355.
3. z = (603 − 600)/3.5355 = 0.85 → P ≈ 1 − Φ(0.85) = 1 − 0.80234 = 0.1977.
Sumando no lineal: hace falta E[g(X)²]
El lado X de una chapa cuadrada es U(1, 3) dm; pesa su área X² (1 g por dm²). Para 100 chapas independientes, P(peso total > 450 g).
1. E[X²] = ∫13 x² · 12 dx = 13/3; E[X⁴] = ∫13 x⁴ · 12 dx = 24.2; var(X²) = 24.2 − (13/3)² = 5.4222.
2. Suma de 100: media 433.33, varianza 542.22, desvío 23.286.
3. z = (450 − 433.33)/23.286 = 0.72 → P ≈ 1 − Φ(0.72) = 0.2358.
Cuántos sumandos: resistencia normal contra carga que es suma
Un puente soporta W ∼ N(900, 50²) t. Cada camión pesa en promedio 12 t con desvío 1.5 t, independiente de los demás y de W. ¿Cuántos camiones hacen que la probabilidad de daño supere 0.1?
1. Hay daño si D = W − Sn < 0, con Sn ≈ N(12n, 2.25n): D ≈ N(900 − 12n, 2500 + 2.25n) (H8.2).
2. Φ((12n − 900)/√(2500 + 2.25n)) > 0.1 ⇔ (12n − 900)/√(2500 + 2.25n) > z0.10 = −1.282.
3. n = 69: −72/51.53 = −1.40 (no alcanza, Φ(−1.40) = 0.0808). n = 70: −60/51.55 = −1.16 (Φ(−1.16) = 0.1230). Hacen falta n = 70.
El teorema no se aplica a ciegas
La varianza de la suma es nσ², el desvío es σ√n; el promedio tiene desvío σ/√n. No vale con sumandos dependientes ni con la misma variable repetida. Con sumandos ya normales es exacto y se justifica con H8.2. Hay que comprobar que la varianza sea finita.
Aproximaciones de la binomial, la Poisson y la gamma
Varias distribuciones son sumas de variables independientes iguales, así que el teorema las aproxima (H8.5):
Distribución
Es una suma de…
Aproximación normal
B(n, p)
n Ber(p)
N(np, np(1 − p))
Poi(μ)
n Poi(μ/n) (H4.9)
N(μ, μ), mejor con μ grande
Γ(k, λ), k entero
k E(λ) (H4.9)
N(k/λ, k/λ²), k grande
Pas(k, p)
k G(p) (H6.3)
N(k/p, k(1 − p)/p²), k grande
La binomial se parece a una campana cuando es casi simétrica, es decir cuando np y n(1 − p) no son chicos (la hoja no da un número). Con p chica y n grande conviene la Poisson (H6.7), y después la normal si μ = np es grande.
Binomial pegada a 0
En B(30, 0.02), np = 0.6: la distribución es muy asimétrica y la campana, simétrica, no la copia (además reparte masa en k < 0). Ahí no se usa la normal.
Corrección por continuidad
Un entero k ocupa en la normal el tramo (k − 0.5, k + 0.5); para incluir toda la barra del k hay que cortar en k + 0.5 (H8.6).
La barra del 3 va de 2.5 a 3.5: para P(X ≤ 3) se corta en 3.5, no en 3.
Regla: primero escribir el evento con ≤ y ≥ entre enteros (P(X < 10) = P(X ≤ 9); P(X > 10) = P(X ≥ 11)); después sumar 0.5 al extremo derecho y restar 0.5 al izquierdo. Con m = E[X] y s = σX:
Evento (X entera)
Se aproxima por
X ≤ k
Φ((k + 0.5 − m)/s)
X < k
Φ((k − 0.5 − m)/s)
X ≥ k
1 − Φ((k − 0.5 − m)/s)
X > k
1 − Φ((k + 0.5 − m)/s)
a ≤ X ≤ b
Φ((b + 0.5 − m)/s) − Φ((a − 0.5 − m)/s)
X = k
Φ((k + 0.5 − m)/s) − Φ((k − 0.5 − m)/s)
Se usa siempre que se aproxima una variable entera (binomial, Poisson, Pascal, un conteo) y no con una suma de continuas. Pesa cuando s es chico. La versión simple de P(X = k) es la densidad: P(X = k) ≈ (1/s) φ((k − m)/s). Con p chica el problema es la asimetría, que la corrección no arregla.
Binomial: ≤, = y entre dos valores
X ∼ B(100, 0.3): m = 30, var = 21, s = 4.583. P(X ≤ 25) ≈ Φ((25.5 − 30)/4.583) = Φ(−0.98) = 1 − 0.83646 = 0.1635 (sin corrección: 0.1379). P(X = 30) ≈ Φ(0.11) − Φ(−0.11) = 2 · 0.54380 − 1 = 0.0876. P(26 ≤ X ≤ 35) ≈ Φ(1.20) − Φ(−0.98) = 0.88493 − 0.16354 = 0.7214.
Con una Poisson el desvío es √μ: para Poi(100), P(X ≤ 90) ≈ Φ((90.5 − 100)/10) = Φ(−0.95) = 0.1711.
Con el proceso de Poisson
Arribos: N(t) ∼ Poi(λt) (H7.1), así que N(t) ≈ N(λt, λt) con λt grande.
Tiempo del k-ésimo arribo: Sk ∼ Γ(k, λ) ≈ N(k/λ, k/λ²) (H7.2). Como Sk ≤ t ⇔ N(t) ≥ k, el mismo problema se aproxima por la gamma o por la Poisson con corrección; dan valores cercanos, no idénticos.
Dado el total: si N(t) = n, entonces N(s) | N(t) = n ∼ B(n, s/t) (H7.4); λ ya no interviene y el conteo parcial es binomial, no Poisson.
Dado el total de un período
En 2 horas entraron 960 clientes. ¿P(en los primeros 30 min hayan entrado más de 270)?
1. N(0.5) | N(2) = 960 ∼ B(960, 1/4): media 240, varianza 960 · (1/4)(3/4) = 180, desvío 13.416.
2. P(X > 270) = P(X ≥ 271) ≈ 1 − Φ((270.5 − 240)/13.416) = 1 − Φ(2.27) = 0.0116.
Tamaño de muestra
Para que X̄ quede a menos de ε de μ con probabilidad aproximada 1 − α (σ² conocida), como X̄ ≈ N(μ, σ²/n) (H8.7):
Para una proporción p (σ² = p(1 − p) ≤ 1/4) alcanza n ≥ (z1−α/2/(2ε))²; si se sabe que p ≤ p0 ≤ 1/2, se usa p0(1 − p0) en lugar de 1/4. El n se redondea hacia arriba. Chebyshev (H3.17) da un n garantizado pero mucho mayor.
Media y proporción
Media: σ = 8, ε = 2, probabilidad 0.99: z0.995 = 2.576 → n ≥ (2.576 · 8/2)² = 106.2 → n = 107 (Chebyshev pide 1600). Proporción: error menor que 0.03 con probabilidad 0.95, p desconocida: n ≥ (1.96/(2 · 0.03))² = 1067.1 → n = 1068; si p ≤ 0.2: n ≥ 1.96² · 0.2 · 0.8/0.03² = 682.95 → n = 683. Inversa: 9 sobres normales, error menor que 3 g con probabilidad 0.95. X̄ es exacta N(μ, σ²/9): 2Φ(3 · 3/σ) − 1 ≥ 0.95 → 9/σ ≥ 1.96 → σ ≤ 4.59 g.
Sobreventa (overbooking)
Se venden n reservas para C lugares y cada reservado se presenta, independiente, con probabilidad q. Las presentaciones son X ∼ B(n, q) y sobran clientes si X ≥ C + 1. Se busca el n máximo con P(X ≥ C + 1) ≤ γ.
Despejar n: con u = √n queda una cuadrática en u, o se prueban enteros cerca de nq ≈ C.
Redondear hacia abajo (es un máximo) y verificar con los vecinos.
Avión con reservas de más
180 asientos; cada reservado no se presenta con probabilidad 0.08; se pide P(se presenten más de 180) ≤ 0.02.
1. X ∼ B(n, 0.92): media 0.92n, varianza 0.0736n.
2. (180.5 − 0.92n)/√(0.0736n) ≥ z0.98 ≈ 2.054 (Φ(2.05) = 0.97982, Φ(2.06) = 0.98030).
3. 0.92u² + 2.054 · 0.2713 u − 180.5 ≤ 0 → u ≤ 13.71 → n ≤ 187.9 → n = 187. Control: n = 187 da z = 2.28 (cumple); n = 188 da z = 2.03 (no).
Decidir con ruido normal: el umbral c
Un receptor mide Y = S + R, con señal S ∈ {a, b} (a < b), P(S = b) = p, y ruido R ∼ N(0, σ²) independiente. Declara "hay señal" si Y > c. Hay dos errores; por probabilidad total (H1.15), con Y | S = s ∼ N(s, σ²):
Los límites están a ±3Cp desvíos de la media: a mayor Cp, menos defectuosos. Si σ no se conoce se estima con S (H3.13) y el Cp resultante es una estimación.
Cp
Límites a
No conformes
2/3
±2σ
2(1 − 0.97725) = 0.0455 (4.55 %)
1
±3σ
2(1 − 0.99865) = 0.0027 (0.27 %)
4/3
±4σ
fuera de la tabla (menor que 0.05 %)
Estimar Cp y el porcentaje de defectuosos
LIE = 4.90 mm, LSE = 5.10 mm; con 12 piezas, S = 0.04559. Ĉp = 0.20/(6 · 0.04559) = 0.731; 3Ĉp = 2.19 → 2(1 − Φ(2.19)) = 2(1 − 0.98574) = 0.0285 (2.9 %). Inversa: para 0.5 % de no conformes, Φ(3Cp) = 0.9975 → 3Cp ≈ 2.807 (Φ(2.80) = 0.99744, Φ(2.81) = 0.99752) → Cp ≈ 0.936.
Límites con el teorema central del límite
Para calcular un límite se reconoce una probabilidad: (1) identificar una suma Sn de iid cuyo cálculo exacto sea la expresión (una serie e−n∑ nk/k! es P(S ≤ ·) con S ∼ Poi(n), suma de n Poi(1), H4.9); (2) estandarizar el punto de corte; (3) si el argumento tiende a una constante z, el límite es Φ(z). Redondear el corte a un entero no cambia el límite.
Un límite binomial
límn→∞ ∑k ≤ n/2 + √n C(n, k)/2n = P(Sn ≤ n/2 + √n) con Sn ∼ B(n, 1/2), media n/2 y desvío √n/2. Estandarizado: (n/2 + √n − n/2)/(√n/2) = 2 para todo n, así que el límite es Φ(2) = 0.9772. Si el corte fuera n/2, sería Φ(0) = 1/2. Igual, e−n∑k ≤ n+√n nk/k! → Φ(1) = 0.8413.
16 Estadísticos, suficiencia y máxima verosimilitud
Es la guía 9 (9.1 a 9.15) y no entra en el parcial, sólo en el integrador. Hoja: bloque H9 (H9.1 a H9.12) y tablas T.1 a T.3. Se infiere un parámetro θ desconocido a partir de una muestra.
Muestra, estadístico y estimador
Una muestra aleatoria de tamaño n son n variables X1, …, Xnindependientes con la misma distribución fθ (H9.1). Los números medidos x1, …, xn son su realización. Un estadístico es una función T(X1, …, Xn) que no depende de θ: se puede calcular con los datos. Un estimador θ̂ es un estadístico que se usa para aproximar θ; el número que da con una realización es la estimación. El estimador es una variable aleatoria (tiene esperanza y varianza); la estimación es un número.
¿Es un estadístico?
X̄ − μ no lo es si μ es desconocida; S² sí. El criterio es si, dados los datos, se puede hacer la cuenta.
Los que siempre aparecen: X̄ con E[X̄] = μ y var(X̄) = σ²/n (H3.12); S² = (1/(n − 1)) ∑ (Xi − X̄)² con E[S²] = σ² (H3.14); el mínimo X(1) y el máximo X(n), con P(máx ≤ t) = ∏ FXi(t) y P(mín > t) = ∏ P(Xi > t) (H4.10), que se derivan para obtener la densidad.
Sesgo, error cuadrático medio y consistencia
El sesgo es b(θ) = Eθ[θ̂] − θ (insesgado si vale 0 para todo θ). El error cuadrático medio es ECM = Eθ[(θ̂ − θ)²] (H9.2):
Por eso un estimador insesgado no es necesariamente el mejor: uno con algo de sesgo y mucha menos varianza puede tener menor ECM.
El sesgado se aleja poco de su centro, pero el centro no es θ; el insesgado está en θ y se dispersa mucho. El ECM junta las dos cosas.
El estimador es consistente si θ̂n → θ en probabilidad. Alcanza con que ECM(θ̂n) → 0 (Markov sobre (θ̂ − θ)², H3.10), es decir, que la varianza y el sesgo tiendan a 0.
Un estimador sesgado que gana
fθ(x) = 2x/θ² en (0, θ), n = 5, con E[X] = 2θ/3 y var(X) = θ²/18.
T1 = (3/2) X̄ es insesgado y var(T1) = (9/4)(θ²/18)/5 = θ²/40 = 0.0250 θ² = ECM.
T2 = X(5) tiene densidad 2n t2n−1/θ2n en (0, θ) (H4.10). Entonces E[T2] = 2nθ/(2n + 1) = 10θ/11 (sesgo −θ/11) y var(T2) = nθ²/((n + 1)(2n + 1)²) = 5θ²/726.
ECM(T2) = 5θ²/726 + θ²/121 = θ²/66 = 0.0152 θ² < 0.0250 θ². Gana el sesgado. Además ECM = θ²/((n + 1)(2n + 1)) → 0: es consistente.
Estadísticos suficientes
T es suficiente para θ si, dado T = t, la muestra ya no informa sobre θ: la distribución de (X1, …, Xn) condicionada a T = t no depende de θ. Por definición se calcula P(X = x | T = t) = P(X = x)/P(T = t) y se ve que θ se cancela.
Por definición
X1, X2 ∼ Poi(μ), T = X1 + X2 ∼ Poi(2μ) (H4.9). Si x1 + x2 = t: [e−2μ μt/(x1! x2!)] / [e−2μ (2μ)t/t!] = C(t, x1) (1/2)t. No aparece μ: T es suficiente. Con n variables, T ∼ Poi(nμ) y (X1, …, Xn) | T = t es multinomial(t; 1/n, …, 1/n), sin μ.
Más práctico es el criterio de factorización (H9.3), con L(θ; x) = ∏ fθ(xi) la densidad conjunta:
T es suficiente para \theta
\iff L{(\theta;x)}=g{(T(x),\theta)}\cdot h{(x)}
con g que depende de los datos sólo por T(x) y h sin θ. Las indicadoras del soporte forman parte de L: se reparten entre g y h según tengan θ o no.
Hallar o probar un suficiente. (1) Escribir L con las indicadoras. (2) Juntar potencias y exponenciales (∏ axi = a∑ xi; 1{xi > θ para todo i} = 1{mín xi > θ}). (3) Lo que mezcla θ con los datos es g(T, θ); lo que sólo tiene datos es h. (4) Nombrar T y citar H9.3. (5) Para ver que no es suficiente, buscar dos muestras con el mismo T cuyo cociente de probabilidades dependa de θ.
Geométrica y uniformes
G(p): L = pn (1 − p)∑ xi − n · 1, así que ∑ Xi es suficiente. U(0, θ): L = θ−n 1{máx xi ≤ θ}, alcanza X(n). U(θ, θ + 1): L = 1{θ < mín xi} · 1{máx xi < θ + 1}, y el suficiente es el par (X(1), X(n)): un parámetro, pero dos números.
Propiedades
El suficiente no es único: cualquier g(T) con g biyectiva también lo es. Suficiente no es lo mismo que buen estimador.
Que parezca un resumen no alcanza
En Ber(p) con n = 3, T = X1 + 2X2 + X3 no es suficiente: (0, 1, 0) y (1, 0, 1) dan T = 2 con probabilidades p(1 − p)² y p²(1 − p), y P(X = (0, 1, 0) | T = 2) = p(1 − p)²/[p(1 − p)² + p²(1 − p)] = 1 − p depende de p.
y el soporte no depende de θ (la indicadora va en h). Entonces L = c(θ)n [∏ h(xi)] exp(a(θ) ∑ t(xi)) y T = ∑ t(Xi) es suficiente. Con varios parámetros, exp(a1(θ) t1(x) + a2(θ) t2(x)) y el suficiente es el vector (∑ t1(Xi), ∑ t2(Xi)).
Mostrar que es exponencial. (1) Escribir la densidad con su soporte y comprobar que no depende de θ (si depende, como en U(0, θ), no es exponencial). (2) Pasar lo que mezcla x y θ a exp(…): xa = ea ln x, px = ex ln p. (3) Identificar a(θ), t(x), h(x), c(θ).
(∑ Xi, ∑ Xi²) y (X̄, S²) son equivalentes: ∑ (Xi − X̄)² = ∑ Xi² − n X̄², de un par sale el otro.
Multinomial: P(x) = n!x1! … xk! pkn exp(∑i<k xi ln pipk), porque pkxk = pkn − x1 − … − xk−1. Es exponencial a k − 1 parámetros, con T = (X1, …, Xk−1).
Qué no es exponencial
Toda densidad con θ dentro de la indicadora (U(0, θ), e−(x − θ) en x > θ, la Pareto con m = θ): su suficiencia se estudia con la factorización.
Máxima verosimilitud
Con los datos fijos, la verosimilitud L(θ) = ∏ fθ(xi) (o ∏ pθ(xi)) es una función de θ. El EMV (H9.5) es el θ̂ que la maximiza: el parámetro bajo el cual los datos eran lo más esperable. No es una probabilidad de θ.
Con 3 éxitos en 10 ensayos, L(p) = p³(1 − p)⁷ alcanza el máximo en p = 3/10.
EMV en un caso regular (soporte sin θ, L derivable). (1) Escribir L(θ). (2) Tomar ln L (el producto pasa a suma). (3) Derivar en θ, igualar a 0 y despejar. (4) Verificar que es máximo (derivada segunda negativa, o ln L → −∞ en los bordes). (5) Escribirlo con variables (estimador) o con números (estimación).
Exponencial
E(λ), datos 2.1, 0.7, 1.3, 3.4, 0.5 (n = 5, suma 8.0). ln L = n ln λ − λ ∑ xi; la derivada n/λ − ∑ xi = 0 da λ̂ = n/∑ xi = 1/x̄ = 0.625 (H9.7), y la derivada segunda −n/λ² es negativa. Por invarianza (H9.6), P(X > 2) se estima con e−2λ̂ = e−1.25 = 0.2865.
Normal con dos parámetros
ln L = −(n/2) ln(2πσ²) − ∑ (xi − μ)²/(2σ²). ∂/∂μ = 0 da μ̂ = x̄; con μ = x̄, derivar en σ² da σ̂² = (1/n) ∑ (xi − x̄)² (H9.7).
Cuando el soporte depende de θ: no se deriva
Si θ está en la indicadora, L vale 0 para los θ incompatibles con los datos y el máximo está en el borde, sin derivada nula (H9.5). Se mira la forma de L: si decrece en θ, se toma el θ más chico posible; si crece, el más grande. Para U(0, θ): L = θ−n si θ ≥ máx xi, y 0 si no; entonces θ̂ = X(n) (H9.7).
Con muestra 3.1, 7.4, 5.2, 6.8: L(θ) = θ⁻⁴ sólo si θ ≥ 7.4, y 0 antes. El máximo está en el borde.
Un extremo hacia el otro lado
fθ(x) = 2θ²/x³ en x ≥ θ: L = 2n θ2n/∏ xi³ · 1{θ ≤ mín xi} crece con θ, así que θ̂ = X(1) (como el caso 3θ³x−4 de H9.11).
Cuando θ toma pocos valores o es entero
Sin derivada: se calcula L en cada valor permitido y se elige el mayor (H9.11).
Tres valores posibles
X ∼ Poi(μ), μ ∈ {1, 2, 4}, se observó x = 3: L(1) = 0.0613, L(2) = 0.1804, L(4) = 0.1954. Entonces μ̂ = 4, aunque el máximo "libre" sea μ = 3, que no está permitido.
Si es un entero grande (marcados en una población), se usa el cociente de verosimilitudes consecutivas. Con H(N, d, n) y x marcados en la muestra:
ln L = n ln 2 + ∑ ln xi − 2n ln θ − ∑ xi²/θ²; derivando, −2n/θ + 2∑ xi²/θ³ = 0, o sea θ̂ = √(∑ Xi²/n).
Datos 1.2, 0.8, 1.5, 0.6: ∑ xi² = 4.69, θ̂² = 1.1725, θ̂ = 1.083. P(X > 1) se estima con e−1/θ̂² = 0.4262.
f es exponencial con t(x) = x²: ∑ Xi² es suficiente. Simulación: u = 1 − e−x²/θ² ⇒ x = θ √(−ln(1 − u)).
Multinomial, invarianza y datos agrupados
Si se observan x1, …, xk de k resultados (suma n), ln L = ∑ xi ln pi con ∑ pi = 1. Derivando con pk = 1 − p1 − … − pk−1 sale xi/pi = xk/pk, y entonces p̂i = xi/n (H9.11).
Invarianza (H9.6): el EMV de g(θ) es g(θ̂), aunque g no sea derivable. Se estima una probabilidad, una media o un cuantil reemplazando θ por θ̂, sin re-maximizar. En una tabla de frecuencias, ∑ xi = ∑ valor × frecuencia y n = suma de frecuencias.
Datos en una tabla
G(p), intentos 1, 2, 3, 4 con frecuencias 18, 10, 5, 2 (n = 35). ∑ xi = 18 + 20 + 15 + 8 = 61, p̂ = n/∑ xi = 35/61 = 0.5738 (H9.11). P(más de 2 intentos) = (1 − p)² se estima con 0.1817.
Modelo
EMV
¿Insesgado?
Ber(p), B(m, p) con m conocido
p̂ = X̄, p̂ = X̄/m
sí
Poi(μ)
μ̂ = X̄
sí
E(λ), G(p)
λ̂ = 1/X̄, p̂ = 1/X̄
no, E[1/X̄] > 1/E[X̄]
N(μ, σ²)
μ̂ = X̄, σ̂² = (1/n) ∑ (Xi − X̄)²
μ̂ sí; σ̂² no
U(0, θ)
θ̂ = X(n)
no, sesgo −θ/(n + 1)
Propiedades del EMV
La información de Fisher (H9.8) es I(θ) = Eθ[(∂ ln fθ(X)/∂θ)²] = −Eθ[∂² ln fθ(X)/∂θ²]: mide qué tan agudo es el pico de ln L. Si la familia es regular (soporte sin θ, θ en un intervalo abierto, 0 < I(θ) < ∞), el EMV es consistente y para n grande
Normalidad asintótica
θ̂ ≈ N(θ, 1/(n I(θ))). No vale si el soporte depende de θ: el máximo de una U(0, θ) no se aproxima por una normal.
Información de una exponencial
ln f = ln λ − λx, derivada segunda −1/λ², entonces I(λ) = 1/λ². Con n = 100 y λ = 2: λ̂ ≈ N(2, 4/100), desvío 0.2, y P(1.8 < λ̂ < 2.2) ≈ 2Φ(1) − 1 = 0.6826 (T.1).
Para E[θ̂] y var(θ̂) exactos hay que conseguir la distribución del EMV: (a) si es máximo o mínimo, H4.10 y se deriva (para f = 2θ²/x³ en x ≥ θ, P(X(1) > t) = (θ/t)2n: es Par(θ, 2n), y E y var se leen en D.16; para U(0, θ), X(n) tiene densidad n tn−1/θn, E = nθ/(n + 1), var = nθ²/((n + 1)²(n + 2))); (b) si es n/T con T una suma de exponenciales, T ∼ Γ(n, ·) (H4.9). Con eso, ECM = var + sesgo² y, si tiende a 0, es consistente.
Una suma de logaritmos
fθ(x) = θ xθ−1 en (0, 1), datos 0.8, 0.5, 0.9, 0.6.
ln L = n ln θ + (θ − 1) ∑ ln xi, n/θ + ∑ ln xi = 0, así que θ̂ = n/T con T = −∑ ln Xi. Con ∑ ln xi = −1.5325: θ̂ = 4/1.5325 = 2.610.
Cada −ln Xi ∼ E(θ), porque P(−ln X > y) = P(X < e−y) = e−θy; entonces T ∼ Γ(n, θ).
Para T gamma, E[1/T] = θ/(n − 1) (n > 1, H9.12) y E[1/T²] = θ²/((n − 1)(n − 2)) (n > 2; no está en la hoja: sale de ∫ t−2 θn tn−1 e−θt/Γ(n) dt = θ²Γ(n − 2)/Γ(n)). Entonces E[θ̂] = nθ/(n − 1) (sesgo θ/(n − 1) → 0) y var(θ̂) = n²θ²/((n − 1)²(n − 2)) → 0: consistente.
Muestras normales, χ² y t
Si X1, …, Xn ∼ N(μ, σ²) independientes, las distribuciones salen exactas (H9.9, H9.10) y son la base de las secciones 17 y 18:
X̄ ∼ N(μ, σ²/n);
(n − 1) S²/σ² ∼ χ²n−1, y de ahí var(S²) = 2σ⁴/(n − 1) (H9.12);
X̄ y S² son independientes (sólo en la normal);
(X̄ − μ)/(S/√n) ∼ tn−1.
La χ²k (D.11) es la suma de k normales estándar al cuadrado: Γ(k/2, 1/2), con E = k y var = 2k. La tk (D.12) es Z/√(W/k), con Z ∼ N(0, 1) y W ∼ χ²k independientes; tiene colas más pesadas que la normal y se le parece cuando k es grande.
T.2 y T.3 dan cuantiles con probabilidad a la izquierda: P(X ≤ χ²(ν, a)) = a. Para cola derecha 0.05 se busca a = 0.95. La t es simétrica (t(ν, 1−a) = −t(ν, a)); la χ² no.
Un cuantil de S²
n = 16, σ² = 9, P(S² > c) = 0.05. Como 15 S²/9 ∼ χ²15: 15c/9 = χ²(15, 0.95) = 24.996 (T.3), c = 24.996 · 9/15 = 14.998.
Es la guía 10 (ejercicios 10.1 a 10.22) y no entra en el parcial: es material del integrador. Hoja: H10.1 a H10.12; críticos en T.1 (normal), T.2 (t) y T.3 (χ²).
Qué es un test de hipótesis
Con una muestra X1, …, Xn de fθ (θ desconocido, en un conjunto Θ), se plantean dos hipótesis que parten Θ: H0 (nula, θ ∈ Θ0) y H1 (alternativa, el resto). Un test es una regla que dice "se rechaza" o "no se rechaza H0"; se la describe con su región de rechazo, casi siempre "un estadístico T es demasiado grande, demasiado chico o demasiado lejos de θ0".
Simple: fija un solo valor (θ = θ0); compuesta: varios (θ ≤ θ0, θ ≠ θ0). Con H1: θ > θ0 (unilateral derecha) se rechaza si θ̂ es demasiado grande; con θ < θ0 (izquierda), si es demasiado chico; con θ ≠ θ0 (bilateral), si está lejos de θ0 hacia cualquier lado.
Las decisiones no son simétricas: rechazar H0 es evidencia a favor de H1; no rechazar sólo dice que los datos no alcanzan para descartarla, y no prueba que sea cierta.
Cómo elegir H0 y H1
Lo que se quiere probar, asegurar o confirmar va en H1: rechazar es la única decisión con el error controlado (lo fija α).
La igualdad va siempre en H0 (θ = θ0, θ ≤ θ0 o θ ≥ θ0); H1 lleva >, < o ≠.
Si se pide refutar, rechazar o dudar de una afirmación, esa afirmación es H0 ("dudar" es bilateral: p = 0.05 contra p ≠ 0.05).
Si el enunciado nombra la consecuencia más grave, el error que la implica debe ser el de tipo I, que se controla con un α chico.
El mismo problema admite dos planteos según quién debe demostrar: "la espera media es menor que 30" en H1 (la dirección certifica que cumple) o "mayor que 30" en H1 (el ente de control detecta incumplimiento). Los errores se redactan en palabras del caso: tipo I = rechazar H0 siendo cierta.
El enunciado dice
H0
H1
"¿se puede asegurar que la media supera 50?"
μ = 50 (o μ ≤ 50)
μ > 50
"¿se puede refutar que λ ≤ 0.002?"
λ ≤ 0.002 (borde λ = 0.002)
λ > 0.002
Conclusión en palabras
Se rechaza: "hay evidencia, al nivel α, de que la media supera 50". No se rechaza: "no hay evidencia suficiente para afirmar que supera 50". Nunca "se acepta H0" ni "se demostró que la media es 50".
Errores, nivel y potencia
H0 es cierta
H1 es cierta
Se rechaza H0
error de tipo I, probabilidad α
correcta, probabilidad π(θ)
No se rechaza H0
correcta
error de tipo II, probabilidad β(θ) = 1 − π(θ)
Nivel α (H10.1): probabilidad de rechazar con H0 cierta; si H0 es compuesta, el máximo sobre sus θ. Se elige antes de mirar los datos (0.10, 0.05, 0.01). Es asintótico si la probabilidad de rechazar tiende a α al crecer n.
β(θ): no rechazar siendo cierto un θ de H1. Hay uno por cada valor de la alternativa, no "el" β del test.
Potencia π(θ) = Pθ(rechazar H0): a lo sumo α si θ ∈ H0; 1 − β(θ) si θ ∈ H1.
Un mismo corte c da las dos áreas: si c se corre a la derecha, α baja y β sube; solo aumentando n bajan los dos.
Qué NO es el nivel
α = P(rechazar | H0 cierta). No es P(H0 cierta | rechazo), que no se calcula porque θ no es aleatorio.
Función de potencia
Para calcular π(θ): se escribe la región de rechazo y se calcula su probabilidad con el θ genérico. Un buen test tiene π chica en H0 y cercana a 1 en H1. En un unilateral derecho π crece con θ: el máximo sobre H0 está en el borde θ0 y alcanza con imponer α allí. En un bilateral, π tiene su mínimo en θ0.
Potencia con datos discretos
X ∼ B(5, p) (D.2); H0: p = 0.5 contra p ≠ 0.5, rechazando si X ∈ {0, 5}. 1. Potencia: π(p) = (1 − p)5 + p5. 2. Nivel: α = π(0.5) = 0.0625. 3. Tipo II: β(0.1) = 0.4095; la máxima es β(0.3) = 1 − 0.1705 = 0.8295, en los valores de H1 más cercanos a H0.
Sin reposición de una población finita la cantidad de éxitos es H(N, d, n) (H1.12, D.6), no binomial: mismo método, otros α y π.
Cómo se construye un test
Hipótesis en función de θ (si el enunciado habla de otra cosa, se traduce a θ).
Estadístico T, un estimador de θ o una función suya, cuya distribución bajo el valor frontera θ0 sea conocida (un pivote, sección 16).
Forma de la región según H1: T grande si θ > θ0, chico si θ < θ0, ambos lados si ≠.
Valor crítico: Pθ0(rechazar) = α (α/2 por cola en el bilateral).
Calcular T con los datos, comparar y concluir en el lenguaje del problema.
La región está del lado de H₁ y tiene área α bajo la curva de H₀ (α = 0.05). Críticos: z1−α, zα = −z1−α y ±z1−α/2, o sea 1.645 y 1.96 (H8.3).
Con población no normal y n grande, el TCL (H8.4) da el mismo test con nivel asintótico.
Test Z: cuerdas de escalada
Carga de rotura normal con σ = 4 kN; el fabricante dice que la media supera 100. Con n = 16, x̄ = 102.3. ¿Evidencia al 5 %? 1. Hipótesis: H0: μ = 100 contra H1: μ > 100. 2. Estadístico: σ/√n = 1 → z = 2.30. 3. Región (H10.5): Z > z0.95 = 1.645, o sea X̄ > 101.645. 4. Decisión: 2.30 > 1.645, se rechaza: hay evidencia de que la media supera los 100 kN.
σ desconocido: test t
Se reemplaza σ por S (H9.9). Con muestra normal,
T=\frac{\bar{X}-\mu_0}{S/\sqrt{n}}\sim t_{n-1}
Las regiones son las de la tabla con T y los cuantiles tn−1, 1−α (o 1−α/2) de T.2; del lado izquierdo, tν, α = −tν, 1−α. Con n grande sirve la fila ∞ (normal).
Test t
Antes 5.2 ms; ahora n = 8 mediciones normales con x̄ = 4.775 y ∑ (xi − x̄)² = 1.675. ¿Bajó, al 5 %? H0: μ = 5.2 contra H1: μ < 5.2. S = √(1.675/7) = 0.4892 → t = (4.775 − 5.2)/(0.4892/√8) = −2.457 < −t7, 0.95 = −1.895 (T.2): se rechaza.
(con μ conocida: ∑ (Xi − μ)²/σ0² ∼ χ²n). Un σ² grande da un χ²obs grande.
H1
Se rechaza H0 si
σ² > σ0²
χ²obs > χ²n−1, 1−α
σ² < σ0²
χ²obs < χ²n−1, α
σ² ≠ σ0²
χ²obs < χ²n−1, α/2 o > χ²n−1, 1−α/2
Varianza: tres cuidados
(1) σ ≤ 25 se traduce a σ² ≤ 625. (2) Mismas unidades en S y σ0. (3) Este test depende fuertemente de la normalidad: el TCL no lo rescata. La χ² no es simétrica: los dos críticos del bilateral son distintos.
Si el enunciado da sumas (n, ∑ xi, ∑ xi²): x̄ = ∑ xi/n y S² = (∑ xi² − n x̄²)/(n − 1). Con una tabla de frecuencias: n = ∑ fx, ∑ xi = ∑ x fx, ∑ xi² = ∑ x² fx. Si ν no tiene fila en la tabla, el crítico queda entre los de las filas vecinas: si el valor observado decide con las dos, ya está; si no, se interpola linealmente.
Varianza desde sumas, con ν fuera de la tabla
Diámetro normal; n = 45, ∑ xi = 900, ∑ xi² = 18027.3. Se creía σ = 1 mm. ¿Bajó la dispersión, al 5 %? 1. Hipótesis: H0: σ² = 1 contra H1: σ² < 1. 2. Datos: x̄ = 20; S² = (18027.3 − 45 · 400)/44 = 0.6205 → χ²obs = 44 · 0.6205 = 27.30. 3. Región (H10.6): χ²obs < χ²44, 0.05. T.3 trae χ²40, 0.05 = 26.509 y χ²50, 0.05 = 34.764: interpolando, χ²44, 0.05 ≈ 26.509 + 0.4 · (34.764 − 26.509) = 29.81. 4. Decisión: 27.30 < 29.81, se rechaza: la dispersión bajó.
Proporciones
Renglón H10.7. Xi ∼ Ber(p), p̂ = X̄. Bajo H0 (p = p0), ∑ Xi ∼ B(n, p0) y para n grande
Regiones del test Z; en el denominador va p0, no p̂. Si np0 o n(1 − p0) son chicos conviene el test exacto: se mira la cola de B(n, p0) (D.2).
Proporción: test exacto
n = 15 piezas, 7 defectuosas; H0: p = 0.2 contra H1: p > 0.2, al 5 %. Bajo H0, X ∼ B(15, 0.2). P(X ≥ 6) = 0.0611 > 0.05 no sirve; P(X ≥ 7) = 0.0181 sirve: la región es {X ≥ 7} (el nivel real queda por debajo de α). X = 7 está adentro: se rechaza, p-valor 0.0181; la normal daría ≈ 0.005, porque np0 = 3 es chico.
Traducir una condición a p
Urna con n verdes; se agregan 6 azules. p = 6/(n + 6) es decreciente en n: n ≤ 14 ⇔ p ≥ 6/20 = 0.30. Para refutar n ≤ 14: H0: p = 0.30 contra H1: p < 0.30 (el sentido se invierte).
Poisson y exponencial
Renglón H10.8. Poisson: si Xi ∼ Poi(μ), ∑ Xi ∼ Poi(nμ) ≈ N(nμ, nμ) y, bajo H0: μ = μ0,
En un proceso de Poisson de intensidad λ observado un tiempo t (sección 14), el total N ∼ Poi(λt): es un solo dato, con μ = λt.
Poisson
Una guardia recibía 2 llamados por semana; en n = 60 semanas hay ∑ xi = 97. ¿Bajó el promedio, al 5 % asintótico?
H0: μ = 2 contra H1: μ < 2. Bajo H0, ∑ Xi ∼ Poi(120) → z = (97 − 120)/√120 = −2.10 < −1.645: se rechaza.
Exponencial: si Xi ∼ E(λ), 2λ ∑ Xi ∼ χ²2n (equivale a ∑ Xi ∼ Γ(n, λ)). Bajo H0: λ = λ0, W = 2λ0 ∑ Xi ∼ χ²2n. Ojo al sentido: λ grande son tiempos cortos, así que λ > λ0 se rechaza con ∑ Xichica.
Regiones: λ > λ0 si W < χ²2n, α; λ < λ0 si W > χ²2n, 1−α; λ ≠ λ0 si W < χ²2n, α/2 o W > χ²2n, 1−α/2.
Exponencial: vida de componentes
Debería durar 100 h de media (λ ≤ 0.01). Con n = 5: 12, 25, 31, 40 y 62 h (∑ xi = 170). ¿Se refuta al 5 % que λ ≤ 0.01? 1. Hipótesis: H0: λ = 0.01 contra H1: λ > 0.01. 2. Estadístico: W = 2 · 0.01 · 170 = 3.4 ∼ χ²10. 3. Región: W < χ²10, 0.05 = 3.940 (T.3). Como 3.4 < 3.940, se rechaza.
Datos sólo por encima de un umbral. Si el enunciado dice que "todas superaron" una cantidad t0, el dato es un conteo: cada elemento supera t0 con probabilidad q = e−λt0, y Y = cuántos lo superan ∼ B(n, q). Ejemplo: 10 lámparas, todas superan 20 h; ¿la media supera 50 h? H0: λ = 1/50 contra H1: λ < 1/50. Bajo H0, q = e−0.4; Y grande favorece a H1: p-valor = P(Y = 10) = e−4 = 0.0183.
Potencia y tamaño de muestra
Renglón H10.11. En el test Z de H1: μ > μ0 se rechaza con X̄ > c = μ0 + z1−α σ/√n. Con X̄ ∼ N(μ, σ²/n):
(hacia arriba). n crece con σ² y con 1/(μ1 − μ0)²: una diferencia a la mitad cuesta cuatro veces más muestra. En el bilateral va z1−α/2 (aproximado); las proporciones (H10.11): n ≥ ((z1−α√(p0q0) + z1−β√(p1q1))/(p1 − p0))², q = 1 − p; si la potencia se pide para todo p > p1, se impone en p1 porque π crece con p.
Las cuerdas: β y tamaño de muestra
Test de las cuerdas (σ = 4, n = 16, c = 101.645); el verdadero μ es 101.5. 1. Tipo II: β = Φ((101.645 − 101.5)/1) = Φ(0.145) ≈ 0.5576 (T.1) → π = 0.4424. 2. n para π(101.5) = 0.90: n ≥ ((1.645 + 1.282) · 4/1.5)² = 7.805² = 60.9 → n = 61.
p-valor
El p-valor (H10.4) es la probabilidad, bajo H0 (en el valor frontera), de un resultado tan o más a favor de H1 que el observado: el área de la cola desde el valor observado hacia el lado de H1. Regla: se rechaza al nivel α si y sólo si p-valor ≤ α. Con estadístico normal (H10.12):
H1
p-valor
θ > θ0
1 − Φ(zobs)
θ < θ0
Φ(zobs)
θ ≠ θ0
2(1 − Φ(|zobs|))
Con T.2 y T.3 el p-valor sólo se acota: si el observado queda entre dos cuantiles consecutivos, el p-valor queda entre las dos colas.
Cuerdas: p = 1 − Φ(2.30) = 0.0107: se rechaza al 5 % y no al 1 %. Con z = 1.90 bilateral: p = 2(1 − 0.97128) = 0.0574, no se rechaza al 5 %.
Lo que el p-valor no dice
No es la probabilidad de que H0 sea cierta ni de equivocarse, y un p-valor alto no prueba H0. En el bilateral, no te olvides del 2: es el error más repetido.
Uniformes y tests basados en el máximo
Si el soporte depende del parámetro, como en U(0, θ), el estimador natural es el máximo M, con FM(m) = (m/θ)n en [0, θ] (sección 10). H1: θ > θ0 se rechaza con M grande, y θ < θ0 con M chico. La potencia se calcula con esa FM, cuidando el soporte: si c > θ, M nunca supera c y π = 0. H1: θ < θ0 se rechaza si M < c con (c/θ0)n = α, y el p-valor es (mobs/θ0)n. Con extremo inferior conocido, U(a, a + θ), se usa M − a, y la media es a + θ/2. FM = (m/θ)n vale sólo para la uniforme.
Uniforme: región, potencia y n
Xi ∼ U(0, θ); H0: θ ≤ 3 contra H1: θ > 3, α = 0.05, se rechaza si M > c. 1. Nivel (en θ = 3): 1 − (c/3)n = 0.05 → c = 3 · 0.951/n; con n = 8, c = 2.9808. 2. Potencia: π(θ) = 0 si θ ≤ c y 1 − (c/θ)n si θ > c. 3. n para π(3.3) = 0.90: 0.95/1.1n = 0.10 → 1.1n = 9.5 → n = ln 9.5/ln 1.1 = 23.6 → n = 24.
Densidad no uniforme, n = 1
fθ(x) = (2x/θ²) 1{0 ≤ x ≤ θ}, E[X] = 2θ/3. Probar que la media supera 2 con α = 0.10. 1. Traducción: 2θ/3 > 2 ⇔ θ > 3; H0: θ ≤ 3. 2. Región: X > c con F(x) = x²/θ²: 1 − c²/9 = 0.10 → c = 3√0.9 = 2.846. 3. Potencia: π(θ) = 0 si θ ≤ c y 1 − c²/θ² si θ > c.
El lema de Neyman y Pearson
Renglón H10.2. Para decidir entre dos hipótesis simples (θ = θ0 contra θ = θ1), entre todos los tests de nivel α el de mayor potencia rechaza cuando el cociente de verosimilitudes es grande:
rechazar si
\frac{L{(\theta_1;x)}}{L{(\theta_0;x)}}>k
con k tal que el nivel sea \alpha
Si el cociente crece con un estadístico T para todo θ1 > θ0, "rechazar si T > c" es el más potente para toda la alternativa θ > θ0 (H10.3); así el test Z es óptimo para normales con σ conocido.
Datos discretos
Calculá p1(x)/p0(x) para cada x y ordenalos de mayor a menor.
Agregá resultados en ese orden mientras P0(región) ≤ α; si uno no entra, probá con el siguiente.
La mejor región es la de mayor P1(región); su β es 1 − P1(región). Si piden todos los tests de nivel α: son todas las regiones con P0(región) ≤ α.
Neyman y Pearson discreto
α = 0.06.
x
0
1
2
3
4
5
p0(x)
0.01
0.04
0.01
0.04
0.40
0.50
p1(x)
0.05
0.08
0.015
0.07
0.385
0.40
p1/p0
5
2
1.5
1.75
0.9625
0.8
1. Orden por cociente: x = 0, 1, 3, 2, 4, 5. 2. Región: {0} da 0.01; {0, 1}, 0.05; agregar x = 3 daría 0.09 > 0.06, no entra; agregar x = 2 da 0.06, sí. La región es {0, 1, 2}, con P1 = 0.145 y β = 0.855.
Datos continuos
Se reescribe el cociente hasta un estadístico con distribución conocida bajo H0 y se fija k con el nivel; β se calcula bajo H1.
Cociente con muestra continua
n = 3; H0: f0(x) = 1{0 < x < 1} contra H1: f1(x) = 3x² 1{0 < x < 1}; nivel 0.05. 1. Cociente: 3n ∏ xi², creciente en ∏ xi: se rechaza si W = −2 ∑ ln Xi es chico. 2. Bajo H0: −2 ln X ∼ χ²2 → W ∼ χ²6; región W < χ²6, 0.05 = 1.635. 3. Tipo II: bajo H1, X³ ∼ U(0, 1) y W ∼ Γ(3, 3/2), así que β = P(Poi(1.5 · 1.635) ≤ 2) = e−2.453(1 + 2.453 + 2.453²/2) = 0.556.
Test asintótico con la información de Fisher
Renglón H10.9. Para el EMV θ̂ (H9.8), con n grande θ̂ ≈ N(θ, 1/(nI(θ))), y bajo H0: θ = θ0
con las regiones del test Z. Sirve sin pivote exacto.
Exponencial con el EMV
E(λ), n = 64, x̄ = 0.8; ¿λ difiere de 1, al 5 % asintótico? λ̂ = 1/x̄ = 1.25 (H9.7); I(λ) = 1/λ² (H9.8) → desvío de λ̂ bajo H0: √(1/64) = 0.125 → z = 0.25/0.125 = 2.00 > 1.96: se rechaza.
Tests e intervalos de confianza
Renglón H10.10: se rechaza H0: θ = θ0 (contra ≠) al nivel α si y sólo si θ0no está en el intervalo de confianza de nivel 1 − α (sección 18). En los unilaterales, la cota de confianza (H11.9) hace lo mismo.
Las trampas de los tests
(1) La afirmación a probar en H0, o la igualdad en H1. (2) Concluir "se acepta H0". (3) Cuantil equivocado: unilateral z1−α (1.645), bilateral z1−α/2 (1.96). (4) Rechazar del lado equivocado: en θ < θ0 la región es T chico. (5) Proporción: p̂ en vez de p0 en el denominador. (6) Con σ desconocido, z en vez de t; los grados de libertad son n − 1. (7) Dividir por σ² o por σ en vez de σ/√n. (8) Varianza: confundir σ con σ². (9) Bilateral: olvidar duplicar la cola. (10) Exponencial: λ grande es ∑ Xi chica. (11) Uniforme: X̄ en vez del máximo. (12) Calcular β con el θ de H0, o creer que hay un solo β.
Qué tenés que saber hacer
Plantear H0 y H1 y los errores I y II; la región para media, varianza, proporción, Poisson, exponencial y uniforme; calcular p-valor, β, potencia y n; armar el test más potente entre dos hipótesis simples; concluir en palabras del problema.
Si vale la igualdad es exacto; si sólo vale ≥ (datos discretos), conservador; si la probabilidad tiende a 1 − α cuando n crece, de nivel asintótico. θ es constante: lo aleatorio son los extremos.
Cada fila es el IC de otra muestra (n = 9, σ = 1 conocido). La recta punteada es el μ verdadero, fijo. En 1 de las 20 filas el intervalo no lo contiene (resaltado): con nivel 0.95 se espera 1 de cada 20.
Qué significa "nivel 0.95"
El procedimiento acierta el 95 % de las veces: repetido muchas veces, alrededor del 95 % de los intervalos contiene a θ. Ya calculado, [a, b] son dos números fijos y θ está o no está adentro. Se dice "con confianza 0.95", no "la probabilidad de que μ esté en [21.27, 21.59] es 0.95".
Subir el nivel agranda el intervalo; achicarlo sin perder nivel exige más muestra. Para 0.90, 0.95 y 0.99, z1−α/2 vale 1.645, 1.960 y 2.576 (T.1).
2. El método del pivote
Un pivote (H11.1) es una función Q(X, θ) de la muestra y del parámetro cuya distribución es conocida y no depende de θ.
Elegir el pivote de la tabla de abajo.
Leer los cuantiles qα/2 y q1−α/2 en las tablas.
Plantear P(qα/2 ≤ Q ≤ q1−α/2) = 1 − α y despejar θ. Si Q es decreciente en θ, las desigualdades se dan vuelta: el cuantil grande da el extremo inferior.
Reemplazar y escribir el intervalo con unidades, nivel e interpretación.
Q decrece con θ: la horizontal del cuantil grande corta en el extremo inferior a, la del chico en el superior b.
Situación
Pivote Q
Distribución
Renglón
Media de normal, σ conocido
√n (X̄ − μ)/σ
N(0, 1)
H11.2
Media de normal, σ desconocido
√n (X̄ − μ)/S
tn−1
H11.2
Varianza de normal
(n − 1) S²/σ²
χ²n−1
H11.3
Intensidad de una exponencial
2λ ∑ Xi
χ²2n
H11.5
Uniforme U(0, θ)
X(n)/θ
F(t) = tn
H11.6
Mínimo de n exponenciales E(λ)
2nλ X(1)
χ²2
H11.12
F(x) = (x/θ)k en (0, θ)
X(n)/θ
F(t) = tkn
H11.12
Proporción, Poisson, caso general (n grande)
(θ̂ − θ)/(error estándar)
≈ N(0, 1)
H11.4, H11.7, H11.8
3. Media de una normal
X̄ ∼ N(μ, σ²/n) (H9.9). Con σ conocido el pivote √n (X̄ − μ)/σ ∼ N(0, 1) da X̄ ± z1−α/2 σ/√n (H11.2), de longitud L = 2 z1−α/2 σ/√n. Con σ desconocido se estima con S y el pivote es tn−1: X̄ ± tn−1, 1−α/2 S/√n. La t tiene colas más pesadas, y tν, 0.975 baja de 2.571 (ν = 5) a 2.086 (ν = 20) y a 1.960 (ν = ∞).
Tiempos de respuesta, σ desconocido
Ocho tiempos (ms), población normal: 12.1, 11.4, 13.0, 12.6, 11.9, 12.3, 11.7, 12.8. IC de nivel 0.95 para la media. 1. Pivote → √n (X̄ − μ)/S ∼ t7. 2. Datos → x̄ = 12.225, S = 0.5548, S/√8 = 0.1962. 3. Cuantil → t7, 0.975 = 2.365 (T.2). 4. Intervalo (H11.2) → 12.225 ± 2.365 · 0.1962 = [11.761, 12.689] ms.
z o t
Si σ se estimó con S, va tn−1. Con z = 1.96 el ejemplo daría ± 0.384 en vez de ± 0.464: un intervalo que no llega al nivel 0.95.
4. Varianza de una normal
(n − 1) S²/σ² ∼ χ²n−1 (H9.9) es decreciente en σ². La chi cuadrado no es simétrica: se leen los dos cuantiles en T.3 y el grande da el extremo inferior (H11.3):
Para σ se toma la raíz de los extremos. Si μ es conocida, ∑ (Xi − μ)²/σ² ∼ χ²n (H10.6). Este intervalo exige normalidad; el de la media tolera datos no normales con n grande.
Variabilidad de los tiempos
Con n = 8 y S² = 0.30786, IC de nivel 0.90 para σ² y σ. Cuantiles (T.3, ν = 7) → χ²7, 0.05 = 2.167 y χ²7, 0.95 = 14.067. Numerador → 7 · 0.30786 = 2.155. σ² (H11.3) → [2.155/14.067, 2.155/2.167] = [0.1532, 0.9945] ms². σ → [0.391, 0.997] ms.
5. Cotas: intervalos de un solo lado
"Al menos", "a lo sumo" o "cota" piden un solo lado: todo el α va en una cola (H11.9) y se usa q1−α o qα en lugar de q1−α/2 o qα/2. No se memoriza: según el lado se plantea P(Q ≥ qα) = 1 − α o P(Q ≤ q1−α) = 1 − α y se despeja. Para la media, X̄ − tn−1, 1−α S/√n es cota inferior y X̄ + tn−1, 1−α S/√n superior. Para σ²: (n − 1) S²/χ²n−1, 1−α es cota inferior y (n − 1) S²/χ²n−1, α superior.
Cota e intervalo
La cota inferior de nivel 1 − α es el extremo inferior del IC de nivel 1 − 2α: usan el mismo cuantil.
Cota inferior para la resistencia media
Seis piezas, población normal (kN): 41.2, 39.8, 42.5, 40.6, 41.9, 40.2. Cota inferior de nivel 0.95. Pivote → t5, decreciente en μ: P(Q ≤ t5, 0.95) = 0.95 ⇔ μ ≥ X̄ − t5, 0.95 S/√n. Datos → x̄ = 41.0333, S/√6 = 0.4216. Cuantil → t5, 0.95 = 2.015 (T.2). Cota → 41.0333 − 2.015 · 0.4216 = 40.18 kN: con confianza 0.95, la media es al menos 40.18.
6. Exponencial y proceso de Poisson
∑ Xi ∼ Γ(n, λ) (H4.9), así que 2λ ∑ Xi ∼ χ²2n (D.11), pivote creciente en λ (H11.5):
Para la media 1/λ se invierten los extremos. T.3 tiene ν = 1 a 40 y luego 50, 60, …, 100: entre dos filas se interpola; con ν > 100 vale la aproximación normal (H8.5), λ ∈ (n ± z1−α/2 √n)/∑ Xi.
Proceso de Poisson. Observado hasta el k-ésimo arribo, en el instante Sk ∼ Γ(k, λ) (H7.2), es el mismo caso con n = k: 2λ Sk ∼ χ²2k, exacto. Si los arribos vienen como horas del reloj, Sk es la hora del k-ésimo menos la hora en que se empezó a mirar. El mínimo de n variables E(λ) es E(nλ) (H4.10), así que 2nλ · mín ∼ χ²2 (H11.12).
Vida de componentes
Ocho componentes E(λ) suman 412 h. IC de nivel 0.95 para λ y la media. Pivote → 2λ ∑ Ti ∼ χ²16. Cuantiles (T.3) → 6.908 y 28.845. λ (H11.5) → [6.908/824, 28.845/824] = [0.00838, 0.03501] por hora. Media → [824/28.845, 824/6.908] = [28.57, 119.3] h.
Mínimo de una muestra exponencial
Seis baterías E(λ) se prueban a la vez y la primera falla a las 15 h. Cota inferior de nivel 0.90 para λ. Pivote (H4.10, H11.12) → M ∼ E(6λ), Q = 12λM ∼ χ²2, creciente en λ. Plantear → P(Q ≥ χ²2, 0.10) = 0.90 ⇔ λ ≥ χ²2, 0.10/(12 M). Cota → 0.2107/(12 · 15) = 0.001171 por hora.
7. Pivotes a medida: el máximo de una uniforme
En U(0, θ) el soporte depende de θ: no sirven la normal asintótica ni la verosimilitud (H9.5). Con el máximo M = X(n), P(M ≤ m) = (m/θ)n, así que Q = M/θ tiene F(t) = tn en [0, 1]: pivote decreciente en θ, de cuantiles γ1/n. Como Q ≤ 1 no hay cola derecha: todo el α va a la izquierda y, al despejar, se obtiene el renglón H11.6:
IC para θ de U(0, θ)
θ ∈ [X(n), X(n)/α1/n]. Repartir α/2 y α/2 también vale, pero queda más largo.
Variantes (H11.12): si F(x) = (x/θ)k en (0, θ), M/θ tiene F(t) = tkn y θ ∈ [M, M/α1/(kn)]. Una densidad k xk−1/θk en (0, θ) (por ejemplo 2x/θ², k = 2) integra a F(x) = (x/θ)k. Si X ∼ U(a, a + θ) con a conocido, el pivote es (M − a)/θ, con F(t) = tn: θ ∈ [M − a, (M − a)/α1/n], y el extremo superior es la cota superior de nivel 1 − α.
Máximo de una uniforme
n = 5 observaciones de U(0, θ), máximo 7.8, nivel 0.90. Pivote → M/θ, F(t) = t5. Cuantil → 0.101/5 = 0.6310. Intervalo (H11.6) → [7.8, 7.8/0.6310] = [7.8, 12.36].
8. Intervalos asintóticos
Para n grande θ̂ ≈ N(θ, 1/(n I(θ))) (H9.8). Poniendo θ̂ en la varianza, el intervalo es θ̂ ± z1−α/2/√(n I(θ̂)) (H11.8), de nivel asintótico. Una cota usa z1−α.
Modelo
Intervalo
Renglón
Ber(p), p̂ = X̄
p̂ ± z1−α/2 √(p̂(1 − p̂)/n)
H11.4
Poi(μ)
X̄ ± z1−α/2 √(X̄/n)
H11.7
Proceso de Poisson, N arribos en un tiempo t
N/t ± z1−α/2 √N/t
H11.11
E(λ), λ̂ = 1/X̄
λ̂ ± z1−α/2 λ̂/√n
H11.8
Defectuosos: intervalo y afirmación
Un proveedor asegura que a lo sumo el 2 % es defectuoso. En 1000 piezas hay 40 defectuosas. (a) IC de nivel asintótico 0.90. (b) ¿Es creíble la afirmación? Estimador → p̂ = 0.04, error estándar √(0.04 · 0.96/1000) = 0.006197. (a) z0.95 = 1.645 → 0.04 ± 0.0102 = [0.0298, 0.0502] (H11.4). (b) La cota inferior de nivel 0.95 es 0.0298 > 0.02: los datos son incompatibles con p ≤ 0.02.
Funciones del parámetro. Si se tiene el IC de r y p = g(r) con g monótona, se aplica g a los extremos (intercambiados si es decreciente); el nivel se conserva. Si r = c · p + b (es decir, g tiene pendiente 1/c), la longitud del IC de p es la del IC de r dividida por c, y para acotarla con p(1 − p) ≤ 1/4 se pide n ≥ (z1−α/2/(c L))².
Canal con ruido
Se emite 1 con probabilidad 0.3 y 0 con 0.7. El receptor lee bien un 1 con probabilidad p (desconocida) y un 0 con 0.8. De 2000 bits registra 600 unos. IC de nivel asintótico 0.95 para p. Relación → r = P(recibir 1) = 0.3 p + 0.7 · (1 − 0.8) = 0.3 p + 0.14 (probabilidad total), o sea p = (r − 0.14)/0.3. IC de r (H11.4) → 0.3 ± 1.96 √(0.3 · 0.7/2000) = [0.2799, 0.3201]. Para p → [0.466, 0.600].
Cuándo no vale lo asintótico, y qué se fijó
Con n o N chicos el nivel real queda muy por debajo del pedido; con p̂ = 0 o 1 el intervalo es un punto. Además, observar un tiempo fijo (asintótico, H11.11) y observar hasta el k-ésimo arribo (chi cuadrado exacta) son pivotes distintos: con 5 emisiones en 20 s dan [0.031, 0.469] y [0.081, 0.512], aunque la estimación puntual sea la misma, 0.25.
9. Tamaño de muestra
Con σ conocido L = 2 z1−α/2 σ/√n no depende de la muestra. Para L a lo sumo dado (H11.10)
redondeado hacia arriba. Si piden un error ε, L = 2ε y n ≥ (z1−α/2 σ/ε)² (H8.7). Para una proporción, p(1 − p) ≤ 1/4 acota L ≤ z1−α/2/√n, y alcanza n ≥ (z1−α/2/L)². Cuadruplicar n divide L por 2; pasar de 0.95 a 0.99 la multiplica por 1.31. Con σ desconocido la longitud 2tS/√n es aleatoria y no se puede garantizar.
Cuánta muestra
(a) σ = 2.5, nivel 0.95, L ≤ 1: n ≥ (2 · 1.96 · 2.5/1)² = 96.04 → n = 97. (b) Encuesta con margen ± 3 puntos (L = 0.06), nivel asintótico 0.95: n ≥ (1.96/0.06)² = 1067.1 → n = 1068.
10. Intervalos y tests
Mismo pivote, dos lecturas (H10.10): se rechaza H0: θ = θ0 al nivel α si y sólo si θ0 no está en el IC de nivel 1 − α. En un test unilateral con H1: θ > θ0 se rechaza si y sólo si θ0 es menor que la cota inferior de nivel 1 − α. En los asintóticos puede fallar por poco: el test de una proporción usa p0 en el error estándar (H10.7) y el intervalo usa p̂ (H11.4).
Un intervalo, dos tests
Sensor con σ = 0.2 y n = 6, x̄ = 21.4333, IC de nivel 0.95 = [21.273, 21.593]. Bilateral: H0: μ = 21.2. Como 21.2 ∉ [21.273, 21.593], se rechaza. Unilateral: H0: μ ≤ 21.25. La cota inferior de nivel 0.95 es 21.4333 − 1.645 · 0.08165 = 21.299 > 21.25: se rechaza.
Las trampas de este tema
(1) Leer el nivel como probabilidad sobre θ ya calculado. (2) Mezclar cuantiles: el IC usa 1 − α/2 y la cota 1 − α. (3) En un pivote decreciente (media, σ², θ de U(0, θ)) olvidar que se invierten los extremos; para la media 1/λ de una exponencial, olvidar invertir los de λ. (4) Grados de libertad: n − 1 para la media con S y para σ², pero 2n (no n) para la exponencial. (5) Usar S² en vez de (n − 1) S² en la varianza, o dar el IC de σ² cuando piden σ. (6) En U(0, θ), poner el extremo inferior por debajo del máximo observado. (7) Redondear el n mínimo hacia abajo, o usar L cuando el enunciado da el error ε. (8) La cota inferior de nivel 0.95 es el extremo del IC de nivel 0.90, no del de 0.95.
Entra sólo en el integrador (guía 12 de ejercicios). Hoja: H12.1 a H12.9, H5.2, D.5, D.8, D.9, D.10, D.11, D.13, D.16, T.1 y T.3. Se da por sabido Bayes con variables (sección 11), la verosimilitud (16) y los intervalos (18).
El modelo y la a posteriori
En el enfoque bayesiano el parámetro θ es una variable aleatoria con una distribución a priori π(θ) (función de probabilidad si es discreto, densidad si es continuo) que resume lo que se sabe antes de ver datos. Dado θ, las observaciones X1, …, Xn son independientes con densidad f(x | θ). Son independientes dado θ, no entre sí.
La verosimilitud es L(θ; x) = ∏ f(xi | θ), como función de θ con los datos fijos. La a posteriori es la condicional de θ dado los datos:
(H12.1; si \theta es discreto, suma en lugar de integral)
El denominador no depende de θ, sólo normaliza: se trabaja con "∝" y la constante se recupera al final.
Descartá todo factor que no dependa de θ (C(n, k), xi!, 1/√(2π)). Los datos suelen entrar por un resumen: los éxitos k, la suma s, x̄, el máximo.
Los soportes mandan. Si π(θ) = 0 o L(θ; x) = 0 en un valor, la a posteriori también: ningún dato resucita un valor que la a priori descartó. Si la verosimilitud trae una indicadora que depende de θ, la a posteriori vive donde valen todas a la vez.
L no es una densidad en θ: no tiene por qué integrar 1.
Caso discreto: una tabla
Si el dato es continuo, la verosimilitud es su densidad evaluada en el dato (D.10); si se extrae sin reposición, es la hipergeométrica (sección 13).
Una moneda con tres sesgos posibles
P(cara) = p ∈ {1/4, 1/2, 3/4} con a priori 1/4, 1/2 y 1/4. En 4 tiros salen 3 caras. Hallar la a posteriori, la moda, la media y P(cara en el próximo tiro).
L(p) ∝ p³(1 − p), que vale 3/256, 16/256 y 27/256.
p
a priori
L(p) · 256
producto · 1024
a posteriori
1/4
1/4
3
3
3/62 ≈ 0.048
1/2
1/2
16
32
32/62 ≈ 0.516
3/4
1/4
27
27
27/62 ≈ 0.435
suma
1
62
1
Moda: p = 1/2. Media: (1/4 · 3 + 1/2 · 32 + 3/4 · 27)/62 = 37/62 ≈ 0.597, que no tiene por qué ser un valor posible. Predicción (H12.8): P(cara siguiente) = ∑ p π(p | x) = 37/62.
Reconocer el núcleo
Por H5.2, si el producto L · π es el núcleo (la densidad sin constantes) de una densidad conocida, es esa densidad:
Si la a posteriori es ∝
en el soporte
entonces es
renglón
θa−1 (1 − θ)b−1
0 < θ < 1
β(a, b)
D.13
θν−1 e−cθ
θ > 0
Γ(ν, c), c es la intensidad
D.9
exp(−(θ − m)²/(2τ²))
θ ∈ ℝ
N(m, τ²)
D.10
θ−(α+1)
θ ≥ m
Par(m, α)
D.16
El soporte forma parte del núcleo. Para la normal se completan cuadrados: lo que multiplica a θ² es la precisión 1/τ² y el coeficiente de θ es m/τ².
Familias conjugadas
Una familia de a priori es conjugada si la a posteriori sigue en la familia (al multiplicar núcleos se suman exponentes).
Datos
A priori
A posteriori
Media a posteriori
Hoja
k éxitos en n ensayos de Bernoulli
p ∼ β(a, b)
β(a + k, b + n − k)
(a + k)/(a + b + n)
H12.3
n datos Poi(μ) con suma s
μ ∼ Γ(ν, c)
Γ(ν + s, c + n)
(ν + s)/(c + n)
H12.4
n datos E(θ) con suma s
θ ∼ Γ(ν, c)
Γ(ν + n, c + s)
(ν + n)/(c + s)
H12.5
n datos N(μ, σ²), σ² conocida, media x̄
μ ∼ N(m, τ²)
N(mn, τn²)
mn
H12.6
n datos U(0, θ), máximo x(n)
θ ∼ Par(m, α)
Par(máx(m, x(n)), α + n)
α' m' /(α' − 1)
H12.7
Beta y Bernoulli. a cuenta éxitos y b fracasos, como si la a priori fuera la memoria de a + b ensayos; β(1, 1) = U(0, 1). Sólo importan los éxitos y fracasos observados (primer éxito en el ensayo 3: k = 1 y 2 fracasos).
Gamma y Poisson. Se suman a ν los eventos observados (s) y a c los períodos (n). Con una tabla de frecuencias, n = ∑ f y s = ∑ x · f (no la cantidad de filas). Γ(ν, c) tiene media ν/c y varianza ν/c² (D.9): con media M y varianza V, c = M/V y ν = M · c. Una exponencial de media 1/λ es Γ(1, λ).
Gamma y exponencial. Es el "al revés": ν cuenta eventos y c cuenta tiempo. En la exponencial cada dato es un evento (n a ν) y el tiempo es la suma s. Si cada dato es Γ(k, θ) con k conocido, la a posteriori es Γ(ν + nk, c + s) (segunda parte de H12.5); la exponencial es k = 1.
Pareto. La verosimilitud θ−n 1{θ ≥ x(n)} trae una indicadora: el soporte arranca en el mayor dato si éste supera a m; si no, sólo cambia α. La media existe sólo si α' > 1. Con datos U(c, c + θ) se resta c a cada dato.
Normal y normal. Como ∑(xi − μ)² = ∑(xi − x̄)² + n(x̄ − μ)², la verosimilitud es ∝ exp(−n(x̄ − μ)²/(2σ²)); completando cuadrados (H12.6):
Las precisiones (inversas de varianzas) se suman, y mn es el promedio de m y x̄ ponderado por ellas. N(μ, σ²) tiene como segundo parámetro la varianza: si dan el desvío, elevalo al cuadrado. Si n → ∞, γn → 0, mn → x̄ y τn² → 0: la a priori se diluye.
Tasa de clics (beta)
p tiene a priori β(2, 2) y en 10 visitas hubo 7 clics. Hallar la a posteriori, la media, la moda, un intervalo de credibilidad de nivel 0.95 y P(clic en la próxima visita).
La a posteriori (trazo grueso) queda entre la a priori y la verosimilitud, y es más angosta que las dos. La vertical marca su media, 9/14.
Llamadas por hora (gamma y Poisson)
Las llamadas por hora son Poi(μ) y μ tiene a priori gamma de media 1 y varianza 1/2. En 22 horas hubo 0 llamadas en 9 horas, 1 en 9, 2 en 3 y 3 en 1. Hallar la a posteriori, un intervalo de nivel 0.95 y P(ninguna llamada la próxima hora).
1. A priori: c = 1/(1/2) = 2 y ν = 1 · 2 = 2, o sea Γ(2, 2).
2. Datos: n = 9 + 9 + 3 + 1 = 22 y s = 0 · 9 + 1 · 9 + 2 · 3 + 3 · 1 = 18.
3. A posteriori (H12.4): Γ(2 + 18, 2 + 22) = Γ(20, 24), de media 5/6 y moda 19/24.
4. Intervalo: si μ ∼ Γ(ν, c), entonces 2cμ ∼ χ²2ν (D.11). Con 2ν = 40 y 2c = 48, T.3 da χ²40, 0.025 = 24.43 y χ²40, 0.975 = 59.34: [24.43/48, 59.34/48] = [0.509, 1.236].
5. Predicción: P(0 llamadas | x) = (24/25)20 ≈ 0.442. Es mayor que e−5/6 ≈ 0.435, que sale de reemplazar μ por su media.
Resistencia de una pieza (normal y normal)
La resistencia es N(μ, 25) y μ tiene a priori N(50, 16). Con n = 9, x̄ = 54. Hallar la a posteriori, el intervalo de credibilidad de nivel 0.95 y el intervalo predictivo para una pieza nueva.
Tareas de duración entre 2 y 2 + θ (uniforme y Pareto)
El tiempo de una tarea es U(2, 2 + θ) con θ ∼ Par(3, 4). Se observan 4.1, 6.9, 5.2 y 3.3. Hallar la a posteriori y estimar el tiempo medio.
1. Se traslada: yi = xi − 2 = 2.1, 4.9, 3.2, 1.3, que son U(0, θ), con máximo 4.9 > 3.
2. A posteriori (H12.7): Par(4.9, 4 + 4) = Par(4.9, 8), con E[θ | x] = 8 · 4.9/7 = 5.6.
3. Tiempo medio 2 + θ/2, lineal en θ: 2 + 5.6/2 = 4.8 minutos.
Estimadores bayesianos
Un estimador bayesiano resume la a posteriori en un número: el a que minimiza la pérdida esperada E[ℓ(θ, a) | x], según la pérdida ℓ elegida (H12.2).
Pérdida
Estimador
Cuándo se pide
cuadrática (θ − a)²
media a posteriori E[θ | x]
"estimador esperanza a posteriori"; también "estimador bayesiano" sin más
absoluta |θ − a|
mediana a posteriori
cuando lo aclara el enunciado
0 o 1
moda a posteriori (MAP)
"estimador máximo a posteriori"
Con la pérdida 0-1 y θ discreto, la pérdida esperada es 1 − π(a | x) y se minimiza con el valor más probable. Con θ continuo se toma el máximo de la densidad a posteriori.
Media: la de la distribución reconocida (D.9, D.10, D.13, D.16); en discreto, ∑ θ π(θ | x).
Moda: Γ(ν, c): (ν − 1)/c; β(a, b) con a, b > 1: (a − 1)/(a + b − 2); normal: mn. En una densidad decreciente (Pareto, ∝ θ−2) el máximo está en el extremo izquierdo del soporte, sin derivar. Con a priori uniforme, el MAP coincide con el de máxima verosimilitud.
Mediana: el m con P(θ ≤ m | x) = 1/2.
Función de θ: el estimador de g(θ) es E[g(θ) | x], que no es g(E[θ | x]) salvo que g sea lineal. Con Γ(ν, c), E[1/θ] = c/(ν − 1) si ν > 1, distinto de 1/E[θ] = c/ν (con Γ(6, 25): 5 contra 4.17).
Cómo pesan la a priori y los datos. La media a posteriori es un promedio ponderado de la media a priori y la estimación de los datos. Con beta: E[p | x] = [(a + b)/(a + b + n)] · [a/(a + b)] + [n/(a + b + n)] · [k/n]. Queda siempre entre la media a priori y k/n; la a priori vale como a + b observaciones previas. Con n grande, var(p | x) = (a + k)(b + n − k)/[(a + b + n)²(a + b + n + 1)] se comporta como (k/n)(1 − k/n)/n, igual que la de un estimador clásico: la a priori se diluye.
Cuántos datos hacen falta
Con β(2, 2), ¿cuántos éxitos seguidos para que la media a posteriori sea al menos 0.9? (2 + n)/(4 + n) ≥ 0.9 da n ≥ 16. "Parece equilibrada" se lee β(ν, ν). Con n − 1 caras y 1 ceca, P(cara siguiente) = (ν + n − 1)/(2ν + n); "r a 1 a favor de cara" es probabilidad r/(r + 1): se iguala y se despeja n.
Intervalo de credibilidad
Es un [a, b] con P(a ≤ θ ≤ b | x) = 1 − α calculado con la a posteriori (H12.9), con α/2 en cada cola: los cuantiles α/2 y 1 − α/2. Los ejercicios y los apuntes lo llaman "intervalo de confianza" (bayesiano): si hay a priori, se resuelve así. No se usan las fórmulas de la sección 18. Acá θ es aleatorio: "θ está en [a, b] con probabilidad 0.95 dado lo observado" se dice literalmente.
Normal: mn ± z1−α/2 τn (T.1), con τn y no σ/√n.
Gamma: [χ²2ν, α/2/(2c), χ²2ν, 1−α/2/(2c)] si 2ν está en T.3; si no, en R qgamma(c(0.025, 0.975), shape = ν, rate = c), o la aproximación normal m ± z √ν/c. Beta: qbeta.
La distribución predictiva
Para una observación nueva se promedia el modelo con los pesos de la a posteriori (H12.8), nunca con una estimación de θ:
Exponencial con gamma: P(Xnuevo > t | x) = (c'/(c' + t))ν'.
Normal con normal: Xnuevo = μ + ε con μ | x ∼ N(mn, τn²) y ε ∼ N(0, σ²) independientes, así que Xnuevo | x ∼ N(mn, τn² + σ²) (H12.9). El intervalo predictivo mn ± z √(τn² + σ²) es más ancho que el de credibilidad y no se achica a cero cuando n → ∞.
Cuando la a posteriori no es de una familia conocida
Se calcula la constante (integral o suma) y después medias y probabilidades como integrales contra esa densidad. La indicadora de la verosimilitud recorta el soporte: si impone θ ≥ xi, el recorte es por abajo (θ ≥ x(n)); si impone θ ≤ xi, por arriba. Ej.: f(x | θ) = θ x−2 1{x ≥ θ} da L ∝ θn 1{θ ≤ mín xi}; con θ ∼ U(1, 2) la a posteriori es ∝ θn en (1, mín(2, mín xi)). Predicción: P(X > t | θ) = θ/t si t ≥ θ, y 1 si t < θ.
U(0, θ) con a priori uniforme acotada
X | θ ∼ U(0, θ) y θ ∼ U(2, 6). Se observan 3.4 y 1.9. Hallar la a posteriori, la media, el MAP y P(Xnuevo > 4 | x).
1. π(θ | x) ∝ θ−2 1{3.4 ≤ θ < 6}.
2. Constante: ∫3.46 θ−2 dθ = 1/3.4 − 1/6 = 13/102, así que π(θ | x) = (102/13) θ−2.
3. Media: (102/13) ln(6/3.4) ≈ 4.456. Moda: la densidad decrece, así que el MAP es el borde, 3.4.
4. Predicción: P(Xnuevo > 4 | θ) = 1 − 4/θ si θ > 4 y 0 si no, de modo que P = (102/13) ∫46 (1 − 4/θ) θ−2 dθ = 17/156 ≈ 0.109.
El dato mayor (3.4) es una cota: la a posteriori se corta ahí y a la derecha decrece como 1/θ².
Observación indirecta. Si lo observado pasa por un mecanismo con error, su probabilidad es una función de p y el producto con la a priori no es un núcleo beta: se desarrolla como polinomio y se integran término a término la constante y los momentos que se pidan (∫ p · producto, ∫ p² · producto) con ∫01 pj dp = 1/(j + 1).
Detector que a veces falla
Una fracción p de piezas es defectuosa, con a priori β(2, 2). El detector acusa una defectuosa con probabilidad 0.8 y nunca acusa una sana. De 4 piezas, 2 dieron positivo. Hallar E[p | x] y P(la próxima da positivo).
1. P(positivo) = 0.8p, de modo que L ∝ p²(1 − 0.8p)².
2. Producto con p(1 − p): p³ − 2.6p⁴ + 2.24p⁵ − 0.64p⁶. Constante: 1/4 − 2.6/5 + 2.24/6 − 0.64/7 = 1/84.
3. Media: (1/5 − 2.6/6 + 2.24/7 − 0.64/8)/(1/84) = (1/150)/(1/84) = 0.56.
4. P(positivo | x) = 0.8 · 0.56 = 0.448.
5. Dos positivos seguidos: 0.8² · E[p² | x], con E[p² | x] = ∫ p² · producto/(1/84) = 26/75 ≈ 0.347, así que la probabilidad es 0.64 · 26/75 ≈ 0.222.
Procedimientos
A posteriori: definí θ y su a priori con el soporte (media M y varianza V de una gamma: c = M/V, ν = M · c); verosimilitud sin constantes (tabla de frecuencias: n = ∑ f, s = ∑ x · f); multiplicá por la a priori (H12.1); reconocé el núcleo (H5.2) o usá H12.3 a H12.7; concluí "θ | x ∼ …" con números.
Estimar (H12.2), predecir (H12.8: promediar con la a posteriori, vigilando dónde la indicadora corta la integral) y dar un intervalo (H12.9) como en los apartados anteriores.
Pedidos "al revés" (hallar n, comparar dos a priori): escribí la media a posteriori en función de n y resolvé la desigualdad.
Trampas de la estimación bayesiana
Olvidar la indicadora: en U(0, θ) la Pareto arranca en máx(m, x(n)), y en una predicción la integral arranca donde empieza la condición.
Invertir ν y c: Poisson suma s a ν y n a c; exponencial suma n a ν y s a c. La media es ν/c y la moda (ν − 1)/c.
Poner el desvío donde va la varianza, usar σ/√n en vez de τn, u olvidar sumar σ² a τn² en la predictiva.
Predecir o estimar g(θ) con θ̂ en lugar de promediar con la a posteriori (la vida media no es 1/E[θ | x]).
Asignar a priori probabilidad 0 a un valor posible: los datos nunca lo recuperan.
Qué tenés que saber hacer sí o sí
Armar π(θ | x) ∝ L π (H12.1), dar la a posteriori de los cinco casos conjugados (H12.3 a H12.7) o reconocer el núcleo (H5.2); elegir media, mediana o moda según la pérdida (H12.2); calcular la predictiva (H12.8, normal con τn² + σ²) y el intervalo (H12.9); manejar el soporte con indicadoras.