Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AXIOMAS DE LA PROBABILIDAD
Los axiomas son verdades tan evidentes que se admiten sin demostración. La probabilidad está
basada en los axiomas de Probabilidad desarrollados en 1933 por el matemático ruso
Kolmogórov.
Si un evento tiene probabilidad cero, en el axioma uno, no significa que sea un evento imposible.
Para tener el evento vacío (o imposible) una probabilidad de cero es condición necesaria, pero
no suficiente.
Sea 𝑿 una variable aleatoria con distribución de probabilidad 𝒇𝑿 (𝑿). El valor esperado de 𝑿,
𝑬[𝑿] es:
⎧ 𝒙𝒇𝑿 (𝑿) ; 𝑿 𝒅𝒊𝒔𝒄𝒓𝒆𝒕𝒂
⎪
∀𝒙
𝑬[𝑿] =
⎨
⎪ 𝒙𝒇𝑿 (𝑿)𝒅𝒙 ; 𝑿 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒂
⎩
𝑬[𝒌] = 𝒌
2. El valor esperado de una variable aleatoria por una constante, es la constante por el
valor esperado de la variable aleatoria
𝑬[𝒂𝑿] = 𝒂𝑬[𝑿]
𝑬[𝒂𝑿 + 𝒃] = 𝒂𝑬[𝑿] + 𝒃
El primer momento con respecto al origen 𝒎𝟏 es l a media 𝒙, mientras que el segundo momento
con respecto a la media 𝒎𝟐 es la varianza 𝒔𝟐𝒏 .
CARACTERÍSTICAS DE LA VARIANZA
𝑽𝒂𝒓[𝑿] = 𝑬 𝑿𝟐 − (𝑬[𝑿])𝟐 = 𝑬 𝑿𝟐 − 𝝁𝟐
𝑽𝒂𝒓[𝒂𝑿] = 𝒂𝟐 𝑽𝒂𝒓[𝑿]
PROPIEDADES DE LA COVARIANZA
𝑪𝒐𝒗[𝑿, 𝒀] = 𝟎
𝑪𝒐𝒗(𝑼, 𝑽) = 𝒂𝟏 𝒂𝟐 𝑪𝒐𝒗(𝑿, 𝒀)
DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS:
Definición: Sea 𝑿 una variable aleatoria, que toma los valores 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒌 , con igual
probabilidad
𝟏
𝒇𝑿 (𝒙; 𝒌) = , 𝒙 = 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒌
𝒌
𝒌
𝟏
𝝁𝑿 = 𝑬[𝑿] = 𝒙𝒊
𝒌
𝒊 𝟏
𝒌
𝟏
𝝈𝟐𝑿 = 𝑽𝒂𝒓[𝑿] = (𝒙𝒊 − 𝝁𝑿 )𝟐
𝒌
𝒊 𝟏
DISTRIBUCIÓN DE BERNOULLI
Definición: Sea 𝑿 la variable aleatoria que representa el número de éxitos que se obtienen al
realizar un ensayo de Bernoulli, entonces 𝑿 tiene una distribución de Bernoulli con parámetro
𝒑.
𝟏−𝒑 ; 𝒙 = 𝟎
𝒇𝑿 (𝒙; 𝒑) = 𝒑 ; 𝒙=𝟏
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Se denota: 𝑿~𝑩𝒆𝒓𝒏𝒐𝒖𝒍𝒍𝒊(𝒑)
𝝁𝑿 = 𝑬[𝑿] = 𝒑
𝝈𝟐𝑿 = 𝑽𝒂𝒓[𝑿] = 𝒑𝒒
DISTRIBUCIÓN BINOMIAL
Definición: Sea X la variable aleatoria que representa el número de éxitos que se observan al
realizar un proceso de Bernoulli, entonces X recibe el nombre de variable aleatoria binomial,
con distribución
𝒏 𝒙
𝒑 (𝟏 − 𝒑)𝒏 𝒙 ; 𝒙 = 𝟎, 𝟏, … , 𝒏
𝒇𝑿 (𝒙; 𝒏, 𝒑) = 𝒙
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Se denota 𝑿~𝑩𝒊𝒏𝒐𝒎𝒊𝒂𝒍(𝒏, 𝒑)
Teorema: Sea X una variable aleatoria con distribución binomial y parámetros n y p, entonces.
𝝁𝑿 = 𝑬[𝑿] = 𝒏𝒑
DISTRIBUCIÓN GEOMÉTRICA
Definición: Sea X la variable aleatoria que representa el número de ensayos Bernoulli que se
requieren para observar por primera vez un éxito, entonces X tiene una distribución
geométrica con parámetro 𝒑.
𝒑(𝟏 − 𝒑)𝒙 𝟏 ; 𝒙 = 𝟏, 𝟐, … , 𝒏
𝒇𝑿 (𝒙) =
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Se denota:
𝑿~𝑮𝒆𝒐𝒎é𝒕𝒓𝒊𝒄𝒂(𝒑)
Teorema: Sea 𝑿 la variable aleatoria con distribución geométrica con parámetro 𝒑 entonces
𝟏
𝝁𝑿 = 𝑬[𝑿] =
𝒑
𝟏−𝒑
𝝈𝟐𝑿 = 𝑽𝒂𝒓[𝑿] =
𝒑𝟐
Definición: Sea 𝑿 una variable aleatoria que representa el número de ensayos de Bernoulli que
se requieren para observar el r-ésimo éxito, si en cada uno de los ensayos se tiene una
probabilidad de éxito 𝒑, entonces 𝑿 tiene una distribución de Pascal con parámetros 𝒓 y 𝒑.
Teorema: Sea 𝑿 una variable aleatoria con distribución de Pascal con parámetros 𝒓 y 𝒑,
entonces
𝒓
𝝁𝑿 = 𝑬[𝑿] =
𝒑
𝒓(𝟏 − 𝒑)
𝝈𝟐𝑿 = 𝑽𝒂𝒓[𝑿] =
𝒑𝟐
DISTRIBUCIÓN DE POISSON
Definición: Sea 𝑿 una variable aleatoria con distribución de Poisson, con parámetro 𝝀,
entonces
𝝀𝒙 𝒆 𝝀
𝒇𝑿 (𝒙) = ; 𝒙 = 𝟎, 𝟏, …
𝒙!
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Se denota 𝑿~𝑷𝒐𝒊𝒔𝒔𝒐𝒏(𝝀).
Teorema: Sea 𝑿 una variable aleatoria con distribución de Poisson y parámetro 𝝀, entonces
𝝁𝑿 = 𝑬[𝑿] = 𝝀
𝝈𝟐𝑿 = 𝑽𝒂𝒓[𝑿] = 𝝀
CONTINUAS:
𝟏
𝒇𝑿 (𝒙) = ;𝒂 ≤ 𝒙 ≤ 𝒃
𝒃−𝒂
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
𝒂+𝒃
𝝁𝑿 =
𝟐
(𝒃 − 𝒂)𝟐
𝝈𝟐𝑿 =
𝟏𝟐
Definición: Sea 𝑻 la variable aleatoria que representa el intervalo (generalmente tiempo), que
transcurre entre dos ocurrencias sucesivas de un evento, entonces 𝑻 tiene una distribución
exponencial con parámetro 𝝀 y función de densidad
𝒇𝑻 (𝒕) = 𝝀𝒆 𝝀𝒕 ; 𝒕 > 𝟎
𝟎 ; 𝒆𝒏 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Teorema: Sea 𝑻 una variable aleatoria con distribución exponencial y parámetro 𝝀, entonces
𝟏
𝝁𝑻 = 𝑬[𝑻] =
𝝀
𝟏
𝝈𝟐𝑻 = 𝑽𝒂𝒓[𝑻] =
𝝀𝟐
DISTRIBUCIÓN NORMAL
Definición: Sea 𝑿 una variable aleatoria continua. Se dice que 𝑿 tiene una distribución normal,
con parámetros media 𝝁 y varianza 𝝈𝟐 en todos los reales cuando su función de densidad es:
𝟏 (𝒙 𝝁)𝟐
𝒇(𝒙) = 𝒆 𝟐𝝈𝟐 ; −∞ < 𝒙 < ∞
𝝈√𝟐𝝅
𝑬(𝑿) = 𝝁
𝑽(𝑿) = 𝝈𝟐
𝒀 = 𝑿𝟏 + 𝑿𝟐 + ⋯ + 𝑿𝒏 = 𝑿𝒊
𝒊 𝟏
𝟏 (𝒙 𝝁)𝟐
𝒇(𝒙) = 𝒆 𝟐𝝈𝟐
𝝈√𝟐𝝅
Fuente: Apuntes de ALBS/NMG. Fundamentos de Estadística. M.C. Amanda Pineda Norman 6
no se puede resolver con funciones elementales, sino por métodos numéricos (algoritmos).
Para resolver este problema se usa la estandarización de la variable normal, que es cambiar la
variable aleatoria
𝑿−𝝁
𝒁=
𝝈
𝒁~𝑵(𝟎, 𝟏)
DISTRIBUCIÓN JI CUADRADA
A 𝝂 se le conoce como los 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑 (𝑔. 𝑙. ) , y está relacionada con el tamaño de la
muestra. Se denota por 𝝌𝟐 (ji cuadrada).
Teorema: Si 𝚾 𝟐 es una variable aleatoria que tiene una distribución Ji cuadrada con 𝝂 grados de
libertad, 𝚾 𝟐 ~ 𝝌𝟐𝝂 , entonces
𝑬 𝚾𝟐 = 𝝂
𝑽𝒂𝒓 𝚾 𝟐 = 𝟐𝝂
Tiene una distribución t de Student con 𝝂 grados de libertad y está definida por
𝝂+𝟏 𝝂 𝟏
𝜞 𝟐 𝒕𝟐 𝟐
𝒇𝑻 (𝒕) = 𝝂 𝟏 + ; −∞ < 𝒕 < ∞ ; 𝝂 > 𝟎
𝜞 𝟐 √𝝅𝝂 𝝂
Teorema: Si 𝑻 es una variable aleatoria que tiene distribución t de Student con 𝝂 grados de
libertad, entonces
𝑬[𝑻] = 𝟎
𝝂
𝑽𝒂𝒓[𝑻] = ; 𝝂>𝟐
𝝂−𝟐
DISTRIBUCIÓN F
𝑿~𝝌𝟐𝝂𝟏 ; 𝒀~𝝌𝟐𝝂𝟐
𝝂𝟐
𝑬[𝑭] = ; 𝝂𝟐 > 𝟐
𝝂𝟐 − 𝟐
𝟐𝝂𝟐𝟐 (𝝂𝟏 + 𝝂𝟐 − 𝟐)
𝑽𝒂𝒓[𝑭] = ; 𝝂𝟐 > 𝟒
𝝂𝟏 (𝝂𝟐 − 𝟐)𝟐 (𝝂𝟐 − 𝟒)
La gráfica es: