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
)! (
!
r n
n
P
r n

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

)! 1 ( n
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
! !.... ! !
!
3 2 1 k
n n n n
n
Teorema 2.8 Combinaciones de n objetos distintos tomados de r a la vez
)! ( !
!
r n r
n
n
r

,
`

.
|
Definicin 2.8 - La Probabilidad de un evento A es la suma de los pesos de todos los
puntos muestrales en A.
1 P(S) y 0 ) P( , 1 ) ( 0 A P
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
n
A P
Teorema 2.10 - Si A y V son 2 eventos cualesquier, entonces
) ( ) ( ) ( B) ( B A P B P A P A P +
Corolario 1 - Si A y B son mutuamente excluyentes
) ( ) ( B) ( B P A P A P +
Corolario 3 - Si A1, A2, .... , An es una particin de un espacio muestral S
1
) (
) ( ...... ) 2 ( ) 1 ( An) ...... 2 1 (

+ + +
S P
An P A P A P A A P
1
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier
Teorema 2.11 - Para tres eventos A, B y C
) ( ) ( ) ( ) ( ) ( ) ( ) ( C B A P C A P B A P C P B P A P C B A P + +
Teorema 2.12 - Si A y A son eventos complementarios
1 ) ( ) ( + A P A P
Definicin 2.9 - La Probabilidad condicional de B, dado A, que se denota con P(B|A)
0 P(A) si
) (
) (
) | ( >

A P
B A P
A B P
Definicin 2.10 - Dos eventos A y B son independientes si y solo si
) ( ) | ( y ) ( ) | ( A P B A P B P A B P
De otra forma, A y B son dependientes.
Teorema 2.13 - Si en un experimento pueden ocurrir los eventos A y B
) | ( ) ( ) ( A B P A P B A P
Teorema 2.14 - Dos eventos A y B son idendependientes si y solo si
) ( ) ( ) ( B P A P B A P
Teorema 2.15 - Si, en un experimentos pueden ocurrir los eventos A1, A2, A3, ......
Ak, entonces
)) 1 ( ..... 2 1 | ( ).... 2 1 | 3 ( ) 1 | 2 ( ) 1 ( ) ....... 3 2 1 ( k A A A Ak P A A A P A A P A P Ak A A A P
Si los eventos A1, A2, A3......... Ak son independientes
) ( ).... 3 ( ) 2 ( ) 1 ( ) ....... 3 2 1 ( Ak P A P A P A P Ak A A A P
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,
) | )( ( ) ( ) (
1 1



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

k
i
i i
r r
k
i
i
r
r
B A P B P
B A P B P
A B P
A B P
A B P
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
Definicion 3.2 - Si un espacio muestra contiene un numero finito de posibilidades o una
serie interminable don tantos elementos como nmeros enteros existen, se llama
Espacio Muestral Discreto.
Definicion 3.3 - Si un espacio muestra contiene un numero infinito de posibilidades
igual al nmero de puntos en un segmento de linea se llama Espacio Mmuestral
Continuo.
Definicin 3.4 - El conjunto de pares ordenados (x, f(x)) es una Funcion de
Probabilidad, Funcion Masa de Probabilidad o Distribucin de Probabilidad de la
variable aleatoria discreta X si, para cada resultado posible x,
1. 0 ) ( x f
2.


x
x f 1 ) (
3. ) ( ) ( x f x X P
Definicion 3.5 - La Distribucin Acumulada F(x) de una variable aleatoria discreta X
con distribucin de probabilidad f(x) es

< <
x t
t f x X P x F x - para ) ( ) ( ) (
Definicion 3.6 - La funcion f(x) es una Funcion de Densidad de Probabilidad para la
variable aleatoria continua X, definida en el conjunto de numeros reales R, si
1. R x toda para , 0 ) ( x f
2.

+

1 ) ( dx x f
3.

< <
b
a
dx x f b X a P ) ( ) (
Definicion 3.7 - La Distribucin Acumulada F(x) de una variable aleatoria continua X
con funcion de densidad f(x) es

< <
x
dt t f x X P x F x - para ) ( ) ( ) (
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

x
x xf x E ) ( ) (
Si X es continua
3
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier

dx x xf x E ) ( ) (
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:
]

) ( ) ( ( [
) (
x f x g X g E
x g

Si X es continua :
[ ]

dx x f x g X g E
x g
). ( ) ( ) (
) (

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 Xy Y son discretas
[ ]


y x
Y X g
y x f y x g Y X g E ) , ( ) , ( ) , (
) , (

Si X y Y son continuas
[ ]

dxdy y x f y x g Y X g E
Y X g
) , ( ) , ( ) , (
) , (

4
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier
Definicion 4.3 Sea X una variable aleatoria con distribucin de probabilidad f8x) y
media

.
La varianza de X es
Si x es discreta
) ( ) ( ) (
2 2 2
x f x x E
x

]
]
]

Si x es continua . La raiz cuadrada positiva ed la varianza se llama desviacin estandar.

]
]
]

dx x f x X E ) ( ) ( ) (
2 2 2

Teorema 4.2 La varianza de una variable aleatoria X es

2
2 2
) ( X E
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
[ ] [ ] ) ( ) ( } ) ( {
2
) (
2
) (
2
) (
x f x g X g e
x
x g x g
x g

Si X es continua
[ ] [ ] dx x f x g X g e
x g x g
x g
) ( ) ( } ) ( {
2
) (
2
) (
2
) (

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
[ ]


y
Y x
x
Y x
XY
y x f y x Y X E ) , ( ) )( ( )( (

Si X y Y son continuas
[ ]

dxdy y x f y x Y X E
Y x Y x
XY
) , ( ) )( ( )( (

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

y x
y
, respectivamente, est dada por :

y x
xy
XY E ) (
5
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier
Definicin 4.5 Sean X y Y variables aleatorias con covarianza
xy

y desviaciones
estndar

x
y
Y

, respectivamente. El coeficiente de correlacin X y Y es

y x
xy
XY P

Teorema 4.5 - Si a y b son constantes, entonces
b X aE b aX E + + ) ( ) (
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
[ ] [ ] [ ] ) ( ) ( ) ( ) ( x h E x g E X h X g E t t -
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,
[ ] [ ] [ ] ) , ( ) , ( ) , ( ) , ( Y X h E Y X g E Y X h Y X g E t t
Teorema 4.8 Sean X y Y dos variables aleatorias independientes. Entonces
) ( ) ( ) ( Y E X E XY E
Teorema 4.9 Si a y b son constantes, entonces:

2 2 2 2 2
a a
x b aX

+
Teorema 4.10 Si X y Y son variables aleatorias con distribucin de probabilidad
conjunta f(x,y), entonces
XY y x bY aX
ab
b a
2
2 2 2 2 2
+ +
+
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
k
2
1
1
es decir:
k
k X k P
2
1
1 ) ( + < <
6
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier
Districin uniforme discreta Si la variable aleatoria X toma los valores
x x x
k
,..., ,
2 1
, con identicas probabilidades, entonces la distribucin uniforme
discreta est dada por:
. ,..., , ,
1
) ; (
2 1 x x x k
x
k
k x f
Teorema 5.1
La media y la varianza de la distribucin uniforme discreta f(x;k) son.
k
x
k
i
i

1
2
2
) (

k
x
i
k
i

Proceso de Bernoulli
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 distribucion
de probabilidad de la variable aleatoria binomial X, el nmero de xitos en n pruebas
independientes, es
( ) n x p n x b
q p
x n x
n
x
,....., 2 , 1 , 0 , ) , ; (

Teorema 5.2
La media y la varianza de la distribucin binomial b (x;n,P) son:
npq
2

np
Distribucin multinomial : Si una prueba dada puede conducir a los k resultados
E E E k
,..., ,
2 1
con probabilidades
p p p
k
,...., ,
2 1
, entonces la distribucin
de probabilidad de las variables aleatorias
x x x
k
,..., ,
2 1
, que representan el
nmero de ocurrencias para
E E E k
,..., ,
2 1
en n pruebas independientes es:
( )
p p p p p p
x x x
x
x x x
n f
k
k
k
x x
n
k
k
,....., , , ,....., , ; ,....., , (
2
2
1
1
,....., ,
2 1
2 1
2 1

con



k
i
i
k
i
i
p
x
n
1 1
1 y
Experimento hipergeomtrico Es el que posee las siguientes propiedades
7
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier
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
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
( )( )
( )
. ,....., 2 , 1 , 0 , ) , , ; ( n x k n N x h
N
n
k N
x n
k
x

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

son
. 1 , ,
1
y
2

,
`

.
|

N
k
N
k
n
N
n N
N
nk

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

celdas
a a A A A k k
,..., , con ,..., ,
2 1 2 1 a
elementos,
respectivamente, entonces la distribucin de probabilidad de las variables aleatorias
X X X k
,..., ,
2 1
, que representan el nmero de elementos que se
seleccionan de
A A A k
,..., ,
2 1
en una muestra aleatoria de tamao n, es
( )( ) ( )
( )



k
1 1
2 1 2 1
Y Con
.....
) , , ,....., , ; ,...., , (
2
2
1
1
i
i
k
i
i N
n
k k
N
a
x
a
x
a
x
n N f
a x a a a x x x
k
k
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
( ) ,..... 2 , 1 , , ) , ; ( *
1
1
+ +

k k k x p k x b
q p
k x k
x
k
Distribucin Geomtrica: Si prubasindependientes 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 prueb en el que
ocurre el primer xito es
.... 3 , 2 , 1 , ) ; (
1


x p p x g
q
x
Teorema 5.4 La media y la varianza de una variable aleatoria que sigue la
distribucin geomtrica son
.
1
,

1
2
2
p
p
p

8
Frmulas tiles de Probabilidad y Estadstica Walpole - Johnier - Johnier
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
., 0,1,2,.... x ,
!
) (
) ; (

x
t
t x p
x
t
e

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
np y p n , 0 ,
permanece constante,
) ; ( ) , ; ( x p p n x b
9