13
Función de distribución (acumulada)
Dada una variable aleatoria discreta X se llama
función de distribución a la función F definida
como:
En nuestro ejemplo de los dos dados:
F(5) = P(X ? 5) = P(x = 2 o x = 3 o x = 4 o x = 5)
F(5) = 1/36 + 2/36 +3/36 + 4/36 = 10/36
14
x
1,0
0,5
0,028
2 3 4 5 6 7 8 9 10 11 12
F
Función de distribución de la variable aleatoria X
15
Ejemplo: Dibuja la función de probabilidad f(x) y la función de distribución F(x) de una variable discreta definida como:
X = Número en la cara de un dado.
X tiene como posibles valores x = 1, 2, 3, 4, 5, 6 cada uno con probabilidad 1/6
(Gp:) 0
(Gp:) 1
(Gp:) x
(Gp:) f(x)
(Gp:) 1
(Gp:) 0.5
(Gp:) 1
(Gp:) 0
(Gp:) F(x)
(Gp:) x
(Gp:) 6
(Gp:) 6
(Gp:) Función de probabilidad f(x)
(Gp:) Función de distribución F(x)
16
Algunos problemas de probabilidad están relacionados con la probabilidad P(a < X ? b) de que X asuma algún valor en un intervalo (a, b]. Observa que:
P(a < X ? b) = F(b) – F(a)
Para demostrarlo observa que, como los sucesos
X ? a y a < X ? b son mutuamente excluyentes, entonces:
F(b) = P(X ? b) = P(X ? a) + P(a < X ? b)
= F(a) + P(a < X ? b)
En el ejemplo de los dos dados, calcula la probabilidad de que los dos dados sumen al menos 4 pero no más de 8:
P(3 < X ? 8) = F(8) – F(3) = 26/36 – 3/36 = 23/36
17
Algunas propiedades de la función de distribución
F es monótona creciente.
F es continua por la derecha: la probabilidad de
que la variable aleatoria discreta X tome un valor
concreto es igual al salto de la función de distribución
en ese punto.
Monte Carlo
x
y
f(x)
Por método de Monte Carlo en general entendemos la simulación de los resultados de un experimento utilizando una computadora y un generador de números aleatorios. Se utiliza cuando un cálculo es difícil de realizar por otros métodos numéricos o algebraicos, o cuando somos demasiado vagos o ignorantes como para solucionarlo por métodos más elegantes.
Ejemplo clásico: área debajo de una curva. Dada un área A fácil de medir, que contiene una curva f(x) difícil de integrar, se puede calcular el área debajo de la curva mediante la generación de N pares de números aleatorios (x,y) que representan coordenadas. Se cuentan los puntos que caen por debajo de la curva y entonces:
Rectángulo de área A
19
Aleatoriedad
Deborah J. Bennett
Alianza Editorial, 2000.
20
Realicemos ahora el siguiente experimento aleatorio: girar la ruleta de la imagen y apuntar el número del sector que coincide con la flecha.
La variable aleatoria X de este experimento asocia cada sector a un número entero, como podemos observar en la imagen. Es una variable aleatoria discreta. Los resultados posibles son:
{0, 1, 2, 3, 4, 5, 6, 7}. Por simetría podemos establecer una función de probabilidad: la probabilidad de cada resultado es 1/8.
Método de Monte Carlo
21
Repitamos un experimento aleatorio semejante, pero ahora con esta nueva ruleta:
Ahora el espacio muestral está compuesto por 4 eventos. Establecemos una nueva variable aleatoria discreta X' que asocia cada sector (evento) a los números: {0, 1, 2, 3}.
Ahora teniendo en cuenta el tamaño relativo de los sectores podemos establecer una función de probabilidad, que asocia a cada uno de los valores de la variable aleatoria
{0, 1, 2, 3} las probabilidades {1/4, 1/2, 1/8, 1/8}, respectivamente (proporcionales al ángulo del sector).
22
La variable aleatoria X en el primer ejemplo de la ruleta está uniformemente distribuida, ya que todos los resultados tienen la misma probabilidad. Sin embargo, en el segundo ejemplo, la variable aleatoria X, no está uniformemente distribuida.
El problema crucial de la aplicación de los métodos de Monte Carlo es hallar los valores de una variable aleatoria (discreta o continua) con una distribución de probabilidad dada por la función p(x) a partir de los valores de una variable aleatoria uniformemente distribuida en el intervalo [0, 1], proporcionada por el ordenador.
23
¿Cómo simular con el ordenador la distribución de probabilidad de las ruletas?
24
Una vez visto un caso particular, el problema general puede formularse del siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2 , … xn} y sean {p0, p1, p2, … pn} sus respectivas probabilidades. Al sortear un número aleatorio g, uniformemente distribuido en el intervalo [0, 1), se obtiene el resultado xi, si se verifica la siguiente condición:
25
Esperanza matemática o media de una función de probabilidad discreta
X
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-.1
.0
.4
.4
.3
1.0
X P(X)
Siempre que no genere
ambigüedad pasaremos
de arrastrar la variable
aleatoria: en vez de poner
X = xi ponemos directamente xi.
26
Calcular la esperanza de la variable aleatoria X en
el ejemplo de los dos dados:
27
Sean a, b y c constantes. Demuestra que:
(3)
(1)
(Gp:) (2)
(Gp:) (1)
(2)
28
Supongamos que tenemos que hacer unos análisis clínicos
de sangre. Queremos detectar una enfermedad que
afecta a 1 de cada 1000 personas. Los pacientes acuden
en grupos de 50. ¿Qué nos sale económicamente más
a cuenta: analizar paciente a paciente o mezclar la sangre de
los 50 y analizar la mezcla?
Tomando la mezcla, en promedio tendremos que hacer
unos 21 análisis en vez de 50 por grupo.
29
A un juego de azar podemos asignarle una variable aleatoria X, cuyos valores son las ganancias correspondientes a los posibles resultados. La esperanza matemática de la variable aleatoria X representa el beneficio medio o ganancia media
que se obtiene en cada jugada cuando se juega un número elevado de veces.
Si la esperanza matemática es 0 se dice que el juego es justo.
Si es mayor que 0 se dice que el juego es favorable al jugador.
Si es menor que 0 se dice que perjudica al jugador y no es favorable.
Sea el juego que consiste en sacar una bola de una urna que contiene 7 bolas rojas y 3 bolas negras. Ganamos 50 euros si la bola extraída es roja y pagamos 150 euros en el caso de que sea negra. ¿Qué podemos esperar si jugamos muchas veces?
Juegos
30
Espacio muestral E = {R, N}. Consideramos las ganancias como positivas y las pérdidas negativas:
Variable aleatoria X Función de probabilidad
R
N
50
0,7
-150
0,3
Ganancia media
31
Una compañía de seguros domésticos tiene que determinar
el gasto medio por póliza suscrita, sabiendo que cada año
1 de cada 10.000 pólizas termina en una reclamación de
20 millones, 1 de cada 1.000 en 5 millones, 1 de cada 50 en
200.000 y el resto en 0.
32
33
Marc Kac, en Enigmas of Chance (1985), explica cómo aplicar el concepto de esperanza a la vida real:
"Una semana, apareció un anuncio del Imperial College of Science and Technology ofreciendo un puesto de profesor de Matemáticas con un salario de 150 libras anuales; ser ciudadano británico no era requisito necesario. El salario era tan escaso que supuse que ningún ciudadano británico respetable estaría interesado en ese trabajo. Fui a preguntar a Steinhaus si debía o no optar al puesto. Por entonces no sabía ni una palabra de inglés, pero estaba dispuesto a jurar que mis conocimientos eran los suficientes.
"Déjame pensar", me dijo Steinhaus. "Estimaría que la probabilidad de que consigas el trabajo es de una entre mil. Si multiplicas esto por ciento cincuenta libras, tienes tres chelines. Eso es mucho más de lo que cuesta enviar la carta, así que deberías hacerlo". Lo hice, pero el trabajo fue al final para un ciudadano británico (después de todo, sí que había alguno interesado)”.
34
Momento de orden k de una variable
aleatoria discreta
De forma más general podemos definir la esperanza
matemática o media no solo para una variable aleatoria X,
sino para cualquier función T(X) como:
Tomando como casos particulares a las funciones:
obtenemos los momentos de orden k centrados en el origen:
35
Y tomando como casos particulares a las funciones:
obtenemos los momentos de orden k centrados en
la media de X:
Observa que:
36
Varianza y desviación estándar o típica de una función de probabilidad discreta
Varianza
Desviación estándar
o típica
Ambas miden la “dispersión de los datos”. Observa que la desviación
típica lo hace con las mismas unidades que los propios datos.
37
Ejemplo
X
-1
0
1
2
3
P(X)
.1
.2
.4
.2
.1
-2
-1
0
1
2
4
1
0
1
4
.4
.2
.0
.2
.4
1.2
38
Calcula la varianza y desviación típica de la variable
aleatoria X en el ejemplo de los dos dados:
39
Algunas propiedades de la varianza
40
Usted tiene dos cosas que perder: la verdad y el bien, y dos cosas que comprometer: su razón y su voluntad, su conocimiento y su bienaventuranza; y su naturaleza posee dos cosas de las que debe huir: el error y la miseria. Su razón no está más dañada, eligiendo la una o la otra, puesto que es necesario elegir. He aquí un punto vacío. ¿Pero su bienaventuranza? Vamos a pesar la ganancia y la pérdida, eligiendo cruz (de cara o cruz) para el hecho de que Dios existe. Estimemos estos dos casos: si usted gana, usted gana todo; si usted pierde, usted no pierde nada. Apueste usted que Él existe, sin titubear.
Pensamientos, Blaise Pascal (1670)
La apuesta de Pascal
«Deberías vivir tu vida e intentar hacer del mundo un lugar mejor estando en él, tanto si crees en dios como si no. Si no hay dios, no habrás perdido nada y serás recordado al morir por todos los que dejaste atrás. Si existe un dios benevolente, te juzgará a ti y a tus méritos y no por el hecho de si has creído o no en él».
Michael Martin
La paradoja de Parrondo
(perder + perder = ganar)
Sea X(t), el capital en el instante t. Diremos que un juego es ganador (perdedor) si el promedio < X(t)> es una función monótona creciente (decreciente) de t. Y será un juego justo si < X(t)>
es constante.
Es fácil probar que el juego A es un juego perdedor si e positivo:
< X(t+1)>-< X(t)> = < X(t+1)-X(t)> =
(1/2 – e) – (1/2 + e) = -2e
44
La paradoja de San Petersburgo
«Se comienza con un “bote” de dos euros. Se lanza una moneda al aire: si sale cruz, yo doblo la cantidad que hay en el bote; si sale cara, usted se lleva el bote disponible en ese momento. Es decir, si la primera tirada es cara, usted gana 2 euros, si la primera tirada es cruz y la segunda cara, gana 4 euros, si la primera cara sale en la tercera tirada gana 8 euros, y si la primera cara sale en la tirada n-ésima gana 2n euros. Obviamente, lo que a usted más le conviene es que salga cara lo más tarde
posible. En cualquier caso, usted gana siempre algo de dinero, por lo que es justo que yo le cobre alguna cantidad o cuota para permitirle participar en el juego».
«La pregunta que se hizo Bernouilli, y que en cierto modo sigue sin resolverse, es: ¿cuál es la cuota de entrada que se debería cobrar para que el juego fuera justo?»
J. M. Parrondo
INVESTIGACIÓN Y CIENCIA, febrero, 2007
Daniel Bernoulli 1738
San Petersburgo.
45
La paradoja de San Petersburgo
Sea X la ganancia. Su valor esperado o ganancia media, es:
(La probabilidad de que salga cara por primera vez en la n-ésima tirada es: 1/2n )
¡El jugador debería pagar una cantidad infinita para que el juego fuera justo!
«En otras palabras, si yo le ofrezco entrar en el juego con una cuota de, digamos, un millón de euros, usted debería aceptar, porque la ganancia media en el juego, que es infinita, supera esa y cualquier otra cantidad. Sin embargo, nadie en su sano juicio aceptaría semejante trato. Esta es la paradoja de San Petersburgo: el sentido común nos dice que el valor medio de la ganancia no determina la cuota de entrada aceptable.
¿Cómo determinamos entonces dicha cuota?»
El problema fundamental del juego de San Petersburgo es que proporciona
premios muy cuantiosos con probabilidad extremadamente pequeña. Por ejemplo, si la primera cara aparece en la tirada décima, la ganancia es de 1024 euros, y esto ocurre con una probabilidad de 1 entre 1024. Las ganancias crecen exponencialmente mientras que las probabilidades decrecen también exponencialmente, siendo siempre el valor medio de cada posible premio igual a un euro.
Cruz 23 veces seguidas: más de 16
millones de ganancia (en un millón de
turnos, esto puede ocurrir
con una probabilidad
superior al 5 %).
La paradoja del vaticinio
(paradoja de William A. Newcomb 1969)
Vas a jugar contra el supercomputador HAL 9000, capaz de vaticinar la elección de su contrincante. HAL es un oráculo moderno. Te presenta dos cajas cerradas: la caja 1 que puede contener 0 o 1.000 euros y la caja 2 que puede contener 0 o 1.000.000 euros.
Piensa que HAL vaticina con total seguridad lo que vas a escoger:
Si HAL vaticina que optarás por las dos cajas, pondrá 1.000 euros en la caja 1 y nada en la caja 2.
Si HAL vaticina que optarás por la caja 2, pondrá 1.000 euros en la caja 1 y 1.000.000 de euros en la caja 2.
(c) Si HAL vaticina que elegirás las dos cajas, y sin embargo, optas por la caja 2, no ganas nada.
(d) Si HAL vaticina que optarás por la caja 2, y sin embargo, optas por las dos cajas, ganas las sumas contenidas en las cajas 1 y 2, es decir: 1.001.000 euros.
Matriz de pagos (Teoría de juegos):
HAL
Tú
¿Qué eliges: recibir el contenido de ambas cajas o sólo el de la caja 2?
La gente (incluidos los matemáticos y filósofos profesionales) suele dividirse en dos bandos:
Si optas por las dos cajas: HAL lo habrá vaticinado y habrá colocado 1.000 euros en la caja 1 y nada en la 2. Premio: 1.000 euros.
Pero si optas por la caja 2: HAL lo habrá vaticinado y habrá colocado 1.000 euros en la caja 1 y 1.000.000 de euros en la caja 2. Premio: 1.000.000 euros.
Es preferible tener la casi plena certeza de ganar 1.000.000 de euros que ganar 1.000 euros.
Los que optan por la caja 2:
Todo está ya listo: ¿Qué opción eliges?
HAL ya ha efectuado su vaticinio, de modo que el contenido de la caja 2 ya está determinado: así que la caja 2 contiene 1.000.000 euros o nada.
Si HAL puso 1.000.000 de euros en la caja 2, al optar por las dos cajas, ganaré 1.001.000 euros. Si HAL solo puso 1.000 euros en la caja 1, me conviene también optar por las dos, puesto que mejor 1.000 euros que nada.
Los que optan por las dos cajas:
 Página anterior | Volver al principio del trabajo | Página siguiente  |