Documentos de Académico
Documentos de Profesional
Documentos de Cultura
File D2de154b2a 1061 Unidad V y VI
File D2de154b2a 1061 Unidad V y VI
3.0 Introducción.
n n!
P r = (n − r)! permutaciones de n objetos tomando r cada
vez.
Pn = n! permutaciones totales.
n!
Pn1 n2 ... nk = permutaciones objetos idénticos.
n1! n2! n3!...nk!
⎛ n = k ni ⎞
⎜ ∑ ⎟
⎝ i =1 ⎠
n n!
C r = r! (n − r)!
El enfoque clásico de probabilidad asume que todos los posibles resultados del
espacio muestral son igualmente probables y mutuamente excluyentes. (Probabilidad a
priori).
n(A)
P(A) =
n( Ω )
i) P(A) ∈ IR , 0 ≤ P(A) ≤ 1
ii) P(Ω) = 1
iii) Si tenemos dos sucesos A y B, con la condición de que ambos sean sucesos
mutuamente excluyentes, entonces:
Diagrama de Venn:
A B
P(A ∩ B)
• P(A/B) = , P(B) > 0
P(B)
• P(A ∩ B) = P(A/B) P(B)
• P(A ∩ B) = P(B/A) P(A)
• P(A ∪ B/C) = P(A/C) + P(B/C) - P(A ∩ B/C)
• P(A ∩ B ∩ C) = P(A) P(B/A) P(C/A ∩ B)
k
• P(A) = ∑ P(A/Bi)P(Bi) , Bi es una partición.
i =1
P(A/B)P(B)
• P(B/A) = k
, Bi es una partición.
∑ P(A/Bi)P(Bi)
i =1
Una variable aleatoria discreta puede identificarse ya que sólo puede asumir
valores observados en puntos aislados a lo largo de una escala, de este modo los
valores se expresan en números enteros. Una variable discreta corresponde a datos
que se generan por un proceso de conteo. Para este tipo de variables es posible listar
cada uno de los valores numéricos de la variable en una tabla con las correspondientes
probabilidades.
Para facilitar los estudios y análisis en diversas áreas del conocimiento se han
desarrollado modelos matemáticos para representar algunos fenómenos discretos y
continuos que ocurren en las ciencias sociales y naturales, en la investigación médica y
en los negocios, y prácticamente en todas las áreas del conocimiento.
El valor esperado de una variable aleatoria discreta puede ser considerado como
el promedio ponderado de todos los resultados posibles, siendo las ponderaciones la
probabilidad asociada a cada uno de los resultados posibles. Este valor esperado
puede expresarse de la siguiente manera:
n
µ = E(X) = ∑ xipxi
i=1
n
σ2 = V(X) = ∑ ( xi − µ ) px
2
i
i=1
i =1
x
i) P(X ≤ x) = ∑ P(X = xi)
Rec X
a) Distribución Binomial:
donde: q = 1 – p
E(X) = np
V(X) = npq
b) Distribución Hipergeométrica:
Este tipo de distribución la podemos definir como sigue: tenemos una población
de tamaño N de entre los cuáles A elementos poseen una determinada característica y
el resto no la posee. Se toma una muestra de tamaño n y se cuenta el número de
elementos que poseen la característica en la muestra.
Cx·N − ACn − x
A
P(X = x) =
NCn
A
E(X) = n •
N
A N- A N-n
V(X) = n • • •
N N N -1
c) Distribución Poisson:
λx e−λ
P(X = x) =
x!
E(X) = λ
V(X) = λ
Si X ~ B(n,p) → E(X) = np
Si Y ~ P(λ) → E(Y) = λ
1
E(X) =
p
q
V(X) = 2
p
r
E(X) =
p
rq
V(X) = 2
p
Dada las dificultades de tipo matemáticas que significa el cálculo de los valores
esperados, varianza y desviación estándar, cuyos conocimientos escapan al alcance de
este curso, no estudiaremos la forma de calcular estas expresiones, sino que solamente
serán mencionadas para la distribución, siendo su interpretación y significado los
mismos que se estudiaron para el caso de variables aleatorias discretas.
a) Distribución Normal.
⎡ x −µ )
2⎤
(
1 −⎢
⎢
⎥
⎥
f(x) = e⎣ 2 σ2
⎦
2 πσ
donde:
1
Teorema del Límite Central será estudiado en adelante en este curso.
Eduardo Díaz Saavedra. 10 Estadística Aplicada
UNIVERSIDAD TÉC. FEDERICO STA. MARÍA-SEDE VIÑA DEL MAR PROGRAMAS DE INGENIERÍA
e: constante matemática aproximada por 2,71828.
π: constante matemática aproximada por 3,14159.
µ: media de la población.
σ: desviación estándar de la población.
x: es cualquier valor de la variable aleatoria continua.
E(X) = µ
2
V(X) = σ
x -µ
Z= ~ N(0,1)
σ
d) Distribución Uniforme:
1
f(x) =
b-a
x-a
F(X) =
b- a
Notación: X ~ U[a,b]
a+b
E(X) =
2
V(X) =
(b-a) 2
12
1 −( x )
f(x) = e a
a
F(X) = 1− e−( a )
x
Notación: X ~ E(α)
E(X) = α
2
V(X) = α