Formulario de probabilidad Diagramas de Venn-Euler:

Sirven para representar el espacio

Datos no agrupados muestral y sus eventos.
Media:
ϰ=
∑i
n
Mediana:
Par Impar
m m m m
χ = , +1 + +1
2 2 2 2
χ=
2
Varianza, Desviación Estándar
2 2 OPERACIONES EN EL ÁLGEBRA
S2 =
∑ (X 1−ϰ ) γ 2=
∑ ( X 1− χ ) DE EVENTOS
n−1 N Sea S espacio muestral; A y B
2 2 eventos de S.
S=
√ ∑ ( X 1−ϰ )
n−1
❑
γ =
√ ∑ ( X 1− χ )
N  Unión (A unión B): Es el evento
formado por los elementos que
Coeficiente de variación pertenecen al evento A, al evento
S B o a ambos
Cv= (100)
ϰ
Datos Agrupados
# L L f μci fi* μci−ϰ )2 μci−ϰ)2
( μci−ϰfi∗(
I S i μci
Media:
ϰ=
∑ fi∗μci
∑ fi  Intersección (A intersección B): Es
Mediana: el evento formado por sólo los
elementos
m que pertenecen ambos eventos
−F
2
χ =Lmd +( )(a)
fmd
F=frecuencia anterior
Fmd= frecuencia de la clase
 Diferencia entre eventos (A menos
Moda: B): Es el evento formado por los
fc−fa elementos del evento A, que no
μ0=Lmd +( )(a)
fc−fa+ fc−fs pertenecen al evento B.
Variación de datos
2 2
2
S=
∑ (μci−ϰ) 2
γ =
∑ ( μci−ϰ)
n−1 N
2 2  Complemento (A Complemento):
S=
√ ∑ ( μci−ϰ)
n−1
❑
γ =
√ ∑ ( μci−ϰ )
N
Es el evento formado
por los elementos del
 espacio muestral que no están en Sea A evento de S entonces:
el evento A. P ( A c )=1−P( A)
COROLARIO
Si A,B y C eventos cualesquiera de S
entonces:
P ¿)=
Leyes de algebra de eventos P( A¿¿ ❑)+ P ( B )+ P ( C )−P ( A ∩ B ) −P ( A ∩C )−P ( B ∩C ) + P
A ∪ A= A , A ∩ A= A TEOREMA
( A ∪ B ) ∪C= A ∪ ( B∪C ) Sea A Y B eventos de S, tal que
A ∪ B=B ∪ A A ⊂ B entonces P( A)≤ P (B)
A ∪ B=B ∪ A , A ∩ B=B ∩ A
A ∪ ( B ∩C )=(A ∪B)∩( A ∪ C)
A ∩ ( B∪C )=(A ∩B)∪( A ∩C ) Principios de conteo

Principio de la multiplicación: Si hay m

EVENTO VACIO ∅ formas de hacer una cosa, y n formas de
hacer otra, existirán m x n formas de hacer
A ∪ ∅= A , A ∩∅=∅ ambas
A ∪ S=S , A ∩ S= A
A ∪ A c =S , A ∩ AC =∅ Permutación: Es un arreglo o disposición de r
( A c )c = A , S c =∅ , ∅ c =S objetos seleccionados de un solo grupo de n
LEYES DE D´MORGAN objetos posibles.
( A ∪ B)c = A c ∩ Bc El orden del arreglo es importante en las
( A ∩ B)c =A c ∪ Bc permutaciones.
AXIOMAS DE PROBABILIDAD
AXIOMA 1.-La probabilidad de un
evento A cualquiera en un espacio
muestral S.
Satisface la condición 0 ≤ P (A )≤ 1.
AXIOMA 2.-La probabilidad del espacio
muestral S es P(S)=1.
Combinación: Es un arreglo o disposición de r
AXIOMA 3-Si A1 y A 2 eventos
objetos elegidos de un grupo de n objetos sin
mutuamente excluyentes entonces P ¿)=
importar el orden:
P( A¿¿ 1)+ P( A2 )¿ .
GENERALIZACIÓN AXIOMA 3
S: A1 , A 2 , A 3 , A 4 , … .. An son mutuamente
excluyentes entonces P ¿)=
P( A¿¿ 1)+ P ( A 2 ) + P ( A 3 ) +…+ P( A n)¿

TEOREMA
PROBABILIDAD CONDICIONAL
P ( ∅ )=0
Definición: Si A y B son dos eventos
cualesquiera de un espacio muestral S, tales
que P(B)≠0, la probabilidad condicional del
evento A dado que ya ocurrió el evento B
esta dada por:

Observación: La probabilidad P(A|B) es una

actualización de P(A) basado en el
conocimiento de que ya ocurrió el evento B.
Bajo esta condición en un espacio muestral
discreto S, cuando se da la probabilidad Ley de Probabilidad Total
condicional se observa que el espacio
muestral se “reduce” a sólo los resultados Dado un conjunto de eventos A1, A2, , … ,An
de B con los de A. una partición del evento A, con A Ì S, la
probabilidad del evento A se expresa como:
Regla de Multiplicación
𝑷 𝑨 = 𝑷 𝑨𝟏 ∙ 𝑷 𝑨 𝑨𝟏 + 𝑷 𝑨𝟐 ∙ 𝑷 𝑨 𝑨𝟐 + ⋯ + 𝑷
Teorema: Si A y B son dos eventos en un 𝑨𝒏 ∙ 𝑷 𝑨 𝑨𝒏
espacio muestral S, entonces

Eventos Independientes

Definición:

Dos eventos A y B son eventos

independientes si y sólo si

Teorema: A y B son eventos independientes

si y sólo si

P(A∩B) = P(A)·P(B)

Particiones de eventos

Dado A un evento de un espacio muestral S y

A1, A2,…, An sub eventos de A, los cuales
forman una familia A ={ A1, A2,…, An } de
eventos, se dice que A forma una partición Variable aleatoria
de eventos de A, si los sub eventos dados
cumplen con:
  Una variable aleatoria es un valor
numérico determinado por el
resultado de un experimento.
También, se considera como una función que
asocia a cada elemento del espacio muestral
con un número entero o real, según el tipo
de variable aleatoria.
 Notación: Se utilizan las últimas
letras del alfabeto, en mayúsculas X,
Y, Z, T.
Definiéndose como X: los valores numéricos
resultantes del experimento.
 Ejemplos de variable aleatoria
discreta:
 X: Número de estudiantes en
una clase; X=1,2,…,30.
 Y: Número de niños en una
familia; Y=0,1,2,3
Distribuciones de probabilidad
Una distribución de probabilidad es una
descripción de cada uno de los valores de la
variable aleatoria y la correspondiente
probabilidad, obtenida de
los resultados del experimento.
Tipos de distribuciones de probabilidad
Una distribución de probabilidad
discreta puede asumir sólo
valores claramente separados
(números naturales o enteros).
Una distribución de probabilidad continua
puede asumir un número infinito de valores
dentro de un rango determinado (números
reales).
Características de una distribución de
probabilidad discreta

 Z: Número de autos que

entran en un autolavado por
hora; Z=20, 21, 22, …..

 Ejemplos de variable aleatoria

continua:

 X: Distancia que recorre cada

estudiante para llegar a su
clase, desde su casa, en
kilómetros. X = 2.5, 10.34,
68.345, …

 T: Tiempo que le toma a un

teléfono celular enlazarse
con otro aparato, en
segundos; T = 1.23, 0.56,
10.07,…

 Y: Tiempo invertido en una

llamada telefónica, en
minutos; Y = 8.0, 100.5,
216.97,...
 Media de una distribución de Función de distribución acumulada de
probabilidad discreta probabilidad.

modelos de distribuciones.
La media:

 Registra la ubicación central de los datos. Distribución de probabilidad binomial.

 Es el valor promedio a La distribución binomial tiene las siguientes

características:
plazo de la variable aleatoria.

 También se le conoce como su valor esperado E(x), en una

distribución de probabilidad.
 Es un promedio ponderado.

 El resultado de cada prueba de un

experimento se clasifica en una de
dos categorías mutuamente
excluyentes, a saber: éxito o fracaso.

 La variable aleatoria cuenta el

número de éxitos en una cantidad
fija de pruebas (n).

Varianza de una distribución discreta de  La probabilidad de un éxito (p)

probabilidad permanece igual en todos las
pruebas. Lo mismo sucede con la
probabilidad de un fracaso.

Las pruebas son independientes.

Distribución de Probabilidad
Hipergeométrica
La distribución hipergeométrica
tiene las siguientes características:
 Hay sólo dos resultados posibles.
 La probabilidad de un éxito no es la
misma en cada
prueba.
 La variable aleatoria resulta de
contar el número de éxitos (x) en un
número fijo de pruebas (n).
 Se indica el tamaño de la población
(N) y el número
total de éxitos en la población (r).
Distribución de probabilidad de Poisson
La distribución de Poisson tiene como
características:
 La variable aleatoria describe la
cantidad de éxitos que ocurren en
un experimento en un intervalo
determinado.
 Sólo se utiliza el parámetro λ, que
representa el promedio de éxitos en
un intervalo determinado.
 No se conoce el número máximo de
éxitos que se pueden obtener.
 La media en esta distribución es λ.
 La varianza de una distribución
Poisson es también λ.
 Puede utilizarse una distribución de
Poisson para aproximar una
distribución Binomial, si; n es
bastante grande (n≥50) y p pequeño
(cercano a cero), es decir si np<5.
Donde n es el número de pruebas y
p es la probabilidad de éxito.
VARIABLES ALEATORIAS CONJUNTAS
DISCRETAS Y CONTINUAS
Distribución de Probabilidad Geométrica
La distribución geométrica tiene como
características:
 Hay sólo dos resultados posibles,
éxito y fracaso.
  Las pruebas son
independientes con una
probabilidad de éxito (p) constante.

 La variable aleatoria cuenta

el número de pruebas hasta
encontrar el primer éxito.

 El número de pruebas no es fijo.

VARIABLES ALEATORIAS CONJUNTAS

DISCRETAS Y CONTINUAS