Professional Documents
Culture Documents
PROBABILIDAD
Para leer
Lee: Capı́tulo 1
8
La ley de la probabilidad total
k
X
P (A) = P (A|Bi)P (Bi)
i=1
9
Definir D = defectuosa. Luego
4
X
P (D) = P (D|Ai)P (Ai)
i=1
= ,01 × ,35 + ,03 × ,20 + ,025 × ,24 +
+,02 × ,21
= ,0197
10
Ejemplo 2 ¡IMPORTANTE!
Z
P (x) = P (x|y)f (y) dy
Z ∞ x
y −y
= e β exp(−βy) dy
0 x!
β ∞ x
Z
= y exp(−(β + 1)y) dy
x! Z0
β ∞ (x+1)−1
= y exp(−(β + 1)y) dy
x! 0
11
¿Cómo se resuelve la integral?
p
P (x) = (1 − p)(x+1)
1−p
= p(1 − p)x para x = 0, 1, 2, . . .
que es una distribución geométrica con parámetro
p.
12
Ejemplo 3 Si X|θ ∼ E(θ) y θ ∼ G(α, β), luego
β α α−1 −βθ
Z ∞
f (x) = θe −θx θ e dθ
0 Γ(α)
βα
Z ∞
= θαe−(β+x)θ dθ
Γ(α) 0
βα
Z ∞
= θ(α+1)−1e−(β+x)θ dθ
Γ(α) 0
y el integrando es el núcleo de otra distribución
gamma, G(α + 1, β + x). Entonces
β α Γ(α + 1)
f (x) =
Γ(α) (β + x)α+1
αβ α
=
(β + x)α+1
donde se ha utilizado una propiedad de la fun-
ción gamma.
Γ(α + 1) = αΓ(α).
13
Observación 4 No es una distribución estándar,
pero si se define Z = X + β, se puede ver que
Z tiene una distribución Pareto.
fZ (z) = fX (z − β)
= αβ αz −α−1 para Z > β
Z ∼ PA(β, α)
14
El teorema de Bayes
P (D|A1)P (A1)
P (A1|D) =
P (D)
,01 × ,35
=
,0197
≈ ,1777
15
Ejemplo 5 3 prisioneros, Andrés, Bartolo y Car-
los han solicitado para la libertad condicional.
Se sabe que el gobernador va a poner en lib-
ertad uno de los tres pero el no puede decir
quien hasta el final del mes. El gobernador dice
a Andrés que puede informarle del nombre de
un solicitante sin exı́to dadas las condiciones.
¿Tiene razón?
Se tiene:
17
Entonces, usando el teorema de Bayes,
P (b|A)P (A)
P (A|b) =
P (b)
P (b|A)P (A)
=
P (b|A)P (A) + P (b|B)P (B) + P (b|C)P (C)
1/2 × 1/3
=
1/2 × 1/3 + 0 × 1/3 + 1 × 1/3
= 1/3
18
Observación 5 Se puede aplicar el teorema a
variables discretas y continuas. En el caso de
X continua se tiene
f (y|x)f (x)
f (x|y) =
f (y)
f (y|x)f (x)
= R
f (y|x)f (x) dx
Teorema 3 ¡IMPORTANTE!
Para dos variables X e Y , se tiene
E[X] = E[E[X|Y ]]
21
Ejemplo 8 Volviendo al Ejemplo 2, supong-
amos que queremos calcular la media y vari-
anza de X (y que no sabemos nada de la dis-
tribución geométrica).
E[X] = E[E[X|Y ]]
= E[Y ] porque X|Y ∼ P(Y )
1
= la media de la exponencial
β
V [X] = E[V [X|Y ]] + V [E[X|Y ]]
= E[Y ] + V [Y ]
porque media = varianza = Y
1 1
= + 2
β β
β+1
=
β2
22
Observación 7 Sustituyendo p = β/(1 + β),
se tienen los resultados usuales;
1−p
E[X] =
p
!2
1−p 1−p
V [X] = +
p p
1−p
=
p2
E[X] = E[E[X|θ]]
= E[1/θ]
1 β α α−1 −βθ
Z ∞
= θ e dθ
0 θ Γ(α)
βα
Z ∞
= θ(α−1)−1e−βθ dθ
Γ(α) 0
El integrando es el núcleo de una distribución
gamma; G(α − 1, β). Entonces:
23
β α Γ(α − 1)
E[X] =
Γ(α) β α−1
β
=
α−1
E[X] = E[Z] − β
αβ
= −β para α > 1
α−1
β
=
α−1
24