Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Teorema 2.3 - Permutaciones de n objetos distintos

n!
Teorema 2.4 - Permutaciones de n objetos distintos tomados de r a la vez
n

Pr

n!
( n r )!

Teorema 2.5 - Permutaciones de n objetos distintos arreglados en un crculo es

( n 1)!

Teorema 2.6 - Permutaciones distintas de n cosas de las que n1 son de una clase, n2 de
una segunda clase.... nk de una k-esima clase
n!
n1! n 2 ! n3 !....n k !

Teorema 2.8 Combinaciones de n objetos distintos tomados de r a la vez

n!
n

r!(n r )!
r
Definicin 2.8 - La Probabilidad de un evento A es la suma de los pesos de todos los
puntos muestrales en A.
0 P ( A) 1,

P( ) 0

P(S) 1

Teorema 2.9 - Si un puede tener como resultado cualquiera de N diferentes resultados

igualmente probables, y su exactamente n de estos resultados corresponden al evento A,
entonces la probabilidad del evento A es:
n
P ( A) .
N
Teorema 2.10 - Si A y B son 2 eventos cualesquiera, entonces

P ( A B) P ( A) P ( B ) P ( A B )

Corolario 1 - Si A y B son mutuamente excluyentes

P ( A B) P ( A) P ( B )

Corolario 3 - Si A1, A2,.... , An es una particin de un espacio muestral S

P ( A1 A2 ...... An) P ( A1) P ( A2) ...... P ( An)

P(S )
1

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Teorema 2.11 - Para tres eventos A, B y C

P( A B C ) P ( A) P ( B ) P (C ) P ( A B ) P( A C ) P( A B C )

Teorema 2.12 - Si A y A son eventos complementarios

P ( A) P ( A) 1

Definicin 2.9 - La Probabilidad condicional de B, dado A, que se denota con P(B|A)

P ( B | A)

P( A B)
P ( A)

P(A) 0

si

Definicin 2.10 - Dos eventos A y B son independientes si y solo si

P ( B | A) P ( B )

P ( A | B ) P ( A)

De otra forma, A y B son dependientes.

Teorema 2.13 - Si en un experimento pueden ocurrir los eventos A y B
P ( A B ) P ( A) P ( B | A)

Teorema 2.14 - Dos eventos A y B son independientes si y solo si

P ( A B ) P ( A) P ( B )

Teorema 2.15 - Si, en un experimentos pueden ocurrir los eventos A1, A2, A3,..... Ak,
entonces

P ( A1 A2 A3 ....... Ak ) P ( A1) P ( A2 | A1) P ( A3 | A1 A2)....P ( Ak | A1 A2 ..... A( k 1))

Si los eventos A1, A2, A3......... Ak son independientes

P ( A1 A2 A3 ....... Ak ) P ( A1) P ( A2) P ( A3)....P ( Ak )

Teorema 2.16 Si los eventos B1, B2.......Bk constituyen una particin del espacio
muestral S tal que P(Bi) 0 para i=1,2,3,....,k, entonces para cualquier evento A de S,
k

i 1

i 1

P ( A) P ( Bi A) P ( Bi )( A | Bi )

Teorema 2.17 - REGLA DE BAYNES: Si los eventos B1, B2, ......B k constituyen una
particin del espacio muestral S donde P(Bi) 0 para i=1,2,3,...,k, entonces para
cualquier evento A en S tal que P(A) 0.
P ( Br ) P ( A | Br )
P( Br A)
P( Br | A) k
k
para r 1,2,3,........, k
P( Bi A) P( Bi ) P( A | Bi )
i 1

i 1

Definicin 3.1 - Una Variable Aleatoria es una funcin que asocia un nmero real con
cada elemento del espacio muestral.
2

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Definicin 3.2 - Si un espacio muestra contiene un nmero finito de posibilidades o una

serie interminable don tantos elementos como nmeros enteros existen, se llama Espacio
Muestral Discreto.
Definicin 3.3 - Si un espacio muestra contiene un numero infinito de posibilidades igual
al nmero de puntos en un segmento de lnea se llama Espacio Maestral Continuo.
Definicin 3.4 - El conjunto de pares ordenados (x, f(x)) es una Funcin de
Probabilidad, Funcin Masa de Probabilidad o Distribucin de Probabilidad de la
variable aleatoria discreta X si, para cada resultado posible x,
1.

f ( x) 0

2.

f ( x) 1

3.

P ( X x) f ( x)

Definicin 3.5 - La Distribucin Acumulada F(x) de una variable aleatoria discreta X

con distribucin de probabilidad f(x) es
F ( x) P( X x) f (t )

para

- x

tx

Definicin 3.6 - La funcin f(x) es una Funcin de Densidad de Probabilidad para la

variable aleatoria continua X, definida en el conjunto de nmeros reales R, si
1.

f ( x ) 0, para toda x R

2.

f ( x ) dx 1

3.

P(a X b) f ( x)dx
a

Definicin 3.7 - La Distribucin Acumulada F(x) de una variable aleatoria continua X

con funcin de densidad f(x) es
x

F ( x) P ( X x )

f (t )dt

para - x

Definicin 4.1
Sea X una variable aleatoria con distribucin de probabilidad f(x). La media o valor
esperado de X es.
Si X es discreta
Si
es( xcontinua
X
E
) xf ( x )
x

E ( x)

xf ( x)dx

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Teorema 4.1
Sea X una variable aleatoria con distribucin de probabilidad f(x). La media o valor
esperado de la variable aleatoria g(X) es:
Si X es discreta:

E[ g ( X

g ( xes
) continua:
Si X

g ( x)

g ( x) f ( x)

E g ( X )

g ( x) f ( x).dx

Definicin 4.2 Sean X y Y variable aleatorias con distribucin de probabilidad

conjunta f(x,y). La media o valor esperado de la variable aleatoria g(X,Y) es:
Si X e Y son discretas

g ( X ,Y )

E g ( X , Y )
x

g ( x, y ) f ( x, y )
y

Si X y Y son continuas

g ( X ,Y )

E g ( X , Y )

g ( x, y ) f ( x, y )dxdy

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Definicin 4.3 Sea X una variable aleatoria con distribucin de probabilidad f(x) y
media .
La varianza de X es
Si x es discreta
2
2
2
E ( x ) ( x ) f ( x)

x
Si x es continua. La raz cuadrada positiva de la varianza se llama desviacin estndar.

2
2

E ( X ) ( x ) f ( x)dx

Teorema 4.2 La varianza de una variable aleatoria X es

2

E( X )

Teorema 4.3 Sea x una variable aleatoria con distribucin de probabilidad f(x). La
varianza de la variable aleatoria g(x) es
Si X es discreta

g ( x ) e{ g ( X )
2

} g ( x)
2

g ( x)

Si X es continua

2
g ( x)

e{ g ( X )

} g ( x)

g ( x)

g ( x)

g ( x)

f ( x)

f ( x ) dx

Definicin 4.4 Sean X y Y variables aleatorias con distribucin de probabilidad

conjunta f(x,y). La covarianza de X y Y es
Si X y Y son discretas

XY

E ( X )(Y
x

Si X y Y son continuas

XY

E ( X )(Y
x

( x )( y ) f ( x, y)
x

(x

)( y ) f ( x, y ) dxdy
Y

Teorema 4.4 La covarianza de dos variables aleatorias X y Y con medias

respectivamente, est dada por:

xy

E ( XY )

Definicin 4.5 Sean X y Y variables aleatorias con covarianza

estndar

xy

y desviaciones

, respectivamente. El coeficiente de correlacin X y Y es

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

XY

xy

Teorema 4.5 - Si a y b son constantes, entonces

E ( aX b) aE ( X ) b

Teorema 4.6 El valor esperado de la suma o diferencia de dos o ms funciones de una

variable aleatoria X es la suma o diferencia de los valores esperados de las funciones. Es
decir
E g ( X ) h( X ) E g ( x) E h( x) Teorema 4.7 El valor esperado de la suma o diferencia de dos o ms funciones de las
variables aleatorias X y Y es la suma o diferencia de los valores esperados de las
funciones. Es decir,
E g ( X , Y ) h ( X , Y ) E g ( X , Y ) E h( X , Y )

Teorema 4.8 Sean X y Y dos variables aleatorias independientes. Entonces

E ( XY ) E ( X ) E (Y )

Teorema 4.9 Si a y b son constantes, entonces:

aX b

a
2

Teorema 4.10 Si X y Y son variables aleatorias con distribucin de probabilidad

conjunta f(x,y), entonces

2
aX bY

b
2

2
y

2ab XY

Teorema 4.11 Teorema de Chebyshev: La probabilidad de que cualquier variable

aleatoria X tome un valor dentro de k desviaciones estndar de la media es al menos

1 1

es decir:

P( k X k ) 1

Distribucin uniforme discreta Si la variable aleatoria X toma los valores

x , x ,..., x
1

, con idnticas probabilidades, entonces la distribucin uniforme

discreta est dada por:

1
f ( x; k ) ,
x x1 , x2 ,..., xk .
k

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Teorema 5.1
La media y la varianza de la distribucin uniforme discreta f(x;k) son.
Procesok de Bernoulli

x
i 1

( x )
k

k

i 1

k
Debe tener las siguientes propiedades:
1. El experimento consiste en n pruebas que se repiten.
2. Cada prueba produce un resultado que se puede clasificar como xito o fracaso
3. La probabilidad de un xito, que se denota con p, permanece constante en cada
prueba
4. Las pruebas que se repiten son independientes
Distribucin binomial: Un experimento de bernoulli puede tener como resultado un
xito con probabilidad p y un fracaso con probabilidad q =1-p. Entonces la distribucin
de probabilidad de la variable aleatoria binomial X, el nmero de xitos en n pruebas
independientes, es

b( x; n, p ) nx

pq

n x

x 0,1,2,....., n

Teorema 5.2
La media y la varianza de la distribucin binomial b (x;n,P) son:

np
2 npq

Distribucin multinomial: Si una prueba dada puede conducir a los k resultados

E ,E
1

,..., E k con probabilidades

probabilidad de las variables aleatorias

ocurrencias para

E ,E
1

f ( x1 , x2 ,....., xk ;

,..., E k

p,p
1

,.....,

p,p
1

,....,

x , x ,..., x
1

p
k

, entonces la distribucin de

, que representan el nmero de

en n pruebas independientes es:

,n

x x
n

,.....,

x p
k

x1

x2
2

,.....,

px
k

con
k

x
i 1

p
i 1

Experimento hipergeomtrico Es el que posee las siguientes propiedades

1. Se selecciona sin reemplazo una muestra aleatoria de tamao n de N artculos
2. k de los N artculos se pueden clasificar como xitos y N k se clasifican como
fracasos

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Distribucin hipergeomtrica: La distribucin de probabilidad de la variable aleatoria
hipergeomtrica X el nmero de xitos en una muestra aleatoria de tamao n que se
selecciona de N artculos de los que k se denominan xito y N k fracaso, es

,

N k
n x
N
n

k
x

h( x; N , n, k )

x 0,1,2,....., n.

Teorema 5.3 La media y la varianza de la distribucin hipergeomtrica h(x;N,n,k) son

nk
N n
k
k
2

, n, 1 .

N
N 1
N
N
Distribucin hipergeomtrica multivariada: Si N artculos se pueden dividir en las k
celdas

A , A ,..., A
1

a , a ,..., a

con

elementos, respectivamente,

entonces la distribucin de probabilidad de las variables aleatorias

X ,X
1

de

,..., X k , que representan el nmero de elementos que se seleccionan

A , A ,..., A
1

en una muestra aleatoria de tamao n, es

a a ..... a

x
, N , n) x x
1

f ( x1 , x2 ,...., xk ; a1 , a 2 ,....., a k

N
n

Con

x
i 1

Distribucin binomial negativa: Si pruebas independientes repetidas pueden tener

como resultado un xito con probabilidad p y un fracaso con probabilidad q = 1 p,
entonces la distribucin de probabilidad de la variables aleatoria X, el nmero de la
prueba en la que ocurre el k-simo xito es

b * ( x; k , p ) kx 11

pq

xk

x k , k 1, k 2,.....

Distribucin Geomtrica: Si prueba sin dependientes repetidas pueden tener como

resultado un xito con probabilidad p y un fracaso con probabilidad q=1-p, entonces la
distribucin de probabilidad de la variable aleatoria X, el nmero de la prueba en el que
ocurre el primer xito es

g ( x; p ) p q

x 1

x 1,2,3....

Teorema 5.4 La media y la varianza de una variable aleatoria que sigue la distribucin
geomtrica son

1
,
p

1 p

Distribucin de Poisson La distribucin de probabilidad de la variable aleatoria de

Poisson X, que representa el nmero de resultados que ocurren en un intervalo dado o
regin especfica que se denota con t, es
t

p ( x; t )

(t )

x!

x 0,1,2,.....,

a
i 1

Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

Donde es el nmero promedio de resultados por unidad de tiempo o regin y e =
2,71828.....
Teorema 5.5 La media y la varianza de la distribucin de Poisson p(x; t) tienen el
valor t
Teorema 5.6 Sea X una variable aleatoria binomial con distribucin de probabilidad
b(x;n,p). Cuando n , p 0, y np permanece constante,
b( x; n, p )

p ( x; )