Formulario Probabilidad

CONCRIVA EDUCACIÓN AC
Fundamentos de Probabilidad
Algebra de Eventos
- Leyes de Idempotencia
𝐴∪𝐴 =𝐴 𝐴∩𝐴 =𝐴
- Leyes Asociativas
(𝐴 ∪ 𝐵) ∪ 𝐶 = 𝐴 ∪ (𝐵 ∪ 𝐶) (𝐴 ∩ 𝐵) ∩ 𝐶 = 𝐴 ∩ (𝐵 ∩ 𝐶)
- Leyes Conmutativas
𝐴∪𝐵 =𝐵∪𝐴 𝐴∩𝐵 =𝐵∩𝐴
- Leyes Distributivas
𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶) 𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶)
- Leyes de Identidad
𝐴∪∅ =𝐴 𝐴∪𝑆 =𝑆 𝐴∩∅ =∅ 𝐴∩𝑆 =𝐴
- Leyes de Complemento
𝐴 ∪ 𝐴𝐶 = 𝑆 (𝐴𝐶 )𝐶 = 𝐴 𝐴 ∩ 𝐴𝐶 = ∅ 𝑆𝐶 = ∅ ∅𝐶 = 𝑆
- Leyes de De Morgan
(𝐴 ∪ 𝐵)𝐶 = 𝐴𝐶 ∩ 𝐵𝐶 (𝐴 ∩ 𝐵)𝐶 = 𝐴𝐶 ∪ 𝐵𝐶
Axiomas de Kolmogórov
A 1. Para cualquier evento E, de una familia determinada se cumple que:

𝑃(𝐸) ≥ 0
A 2. Para un espacio muestral S, se cumple que:

𝑃(𝑆) = 1
A 3. Para una sucesión finita de eventos mutuamente excluyentes de una familia dada, se cumple que:
𝑛 𝑛
𝑃 (⋃ 𝐸𝑘 ) = 𝑃(𝐸1 ) + 𝑃(𝐸2 ) + 𝑃(𝐸3 ) + ⋯ + 𝑃(𝐸𝑛 ) = ∑ 𝑃(𝐸𝑘 )

𝑘=1 𝑘=1
Teoremas de probabilidad
T 1. 𝑃(∅) = 0
T 2. 𝑃(𝐸 𝐶 ) = 1 − 𝑃(𝐸)
T 3. 𝑃(𝐸) ∈ [0,1]
T 4. 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

T 5. Para 𝐴, 𝐵 ∈ 𝑆, tal que 𝐴 ⊂ 𝐵, se cumple que 𝑃(𝐴) ≤ 𝑃(𝐵)
T 6. 𝑃(𝐴 − 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵)
Principio de la Multiplicación
𝑛1 × 𝑛2 × 𝑛3 × … × 𝑛𝑘
Técnicas de conteo
1. 𝑛𝑘
2. 𝑛!
𝑛!
3. 𝐶𝑘𝑛 = 0≤𝑘≤𝑛
𝑘!(𝑛−𝑘)!
𝑛!
4. 𝑃𝐾𝑛 = (𝑛−𝑘)! 0 ≤ 𝑘 ≤ 𝑛
𝑛!
5. 𝑃𝑛𝑛1 ,𝑛2,𝑛3 ,… ,𝑛𝑘 = con 𝑛1 + 𝑛2 + 𝑛3 + ⋯ + 𝑛𝑘 = 𝑛
𝑛1 !×𝑛2 !×𝑛3 !×…×𝑛𝑘!
Principio de la Suma
𝑛1 + 𝑛2 + 𝑛3 + ⋯ + 𝑛𝑘
Probabilidad Condicional
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴 ∖ 𝐵) =
𝑃(𝐵)
Eventos Independientes
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) 𝑃(𝐵)
Probabilidad Total
𝑃(𝐴) = 𝑃(𝐴 ∖ 𝐼1 ) 𝑃(𝐼1 ) + 𝑃(𝐴 ∖ 𝐼2 ) 𝑃(𝐼2 ) + 𝑃(𝐴 ∖ 𝐼3 ) 𝑃(𝐼3 ) + ⋯ + 𝑃(𝐴 ∖ 𝐼𝑘 ) 𝑃(𝐼𝑘 )
Teorema de Bayes
𝑃(𝐴 ∖ 𝐼𝑘 ) 𝑃(𝐼𝑘 )
𝑃(𝐼𝑘 ∖ 𝐴) =
𝑃(𝐴 ∖ 𝐼1 ) 𝑃(𝐼1 ) + 𝑃(𝐴 ∖ 𝐼2 ) 𝑃(𝐼2 ) + 𝑃(𝐴 ∖ 𝐼3 ) 𝑃(𝐼3 ) + ⋯ + 𝑃(𝐴 ∖ 𝐼𝑘 ) 𝑃(𝐼𝑘 )
Variable Aleatoria Discreta

Distribución de Probabilidad
(𝑥𝑖 , 𝑃(𝑥𝑖) )
Función de distribución de Probabilidad (fdp)

𝑓(𝑥𝑖 ) = 𝑃(𝑥𝑖 ) con 𝑥𝑖 ∈ ℝ𝑥 , se debe cumplir que:
1. 𝑃(𝑥𝑖 ) ≥ 0, ∀𝑥𝑖 ∈ ℝ𝑥
2. ∑𝑖 𝑃(𝑥𝑖 ) = 1
Función de distribución Acumulada (fda)

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = ∑𝑘𝑖 𝑃(𝑥𝑖 ) , ∀𝑥𝑖 ∈ ℝ𝑥
Valor Esperado
𝐸(𝑋) = 𝜇 = ∑𝑖 𝑥𝑖 𝑃(𝑥𝑖 )
Varianza
𝑉(𝑋) = 𝜎 2 = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
Desviación Estándar
𝜎 = √𝑉(𝑋)
Distribuciones Discretas de Probabilidad

Distribución Binomial X  B (n, p, k)

𝑓(𝑥) = 𝑃(𝑋 = 𝑘) = 𝐶𝑘𝑛 𝑝 𝑘 𝑞 𝑛−𝑘

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = ∑𝑛𝑘=0 𝐶𝑘𝑛 𝑝 𝑘 𝑞 𝑛−𝑘
Valor Esperado
𝐸(𝑋) = 𝜇 = 𝑛𝑝
Varianza
𝑉(𝑋) = 𝜎 2 = 𝑛𝑝𝑞
𝜎 = √𝑉(𝑋)=√𝑛𝑝𝑞
Distribución Poisson X P (, k)

 k e− 
𝑓(𝑥) = 𝑃(𝑋 = 𝑘) =
k!

k
 k e− 
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = 
k =0 k!
Valor Esperado
𝐸(𝑋) = 𝜇 = t
Varianza
𝑉(𝑋) = 𝜎 2 = t
𝜎 = √𝜇 = √ t =
Distribución Hipergeométrica X H (n, N, m, k)

𝑚 𝑁−𝑚
( )( )
𝑘 𝑛−𝑘
𝑓(𝑥) = 𝑃(𝑋 = 𝑘) = 𝑁
( )
𝑛

𝑚 𝑁−𝑚
( )( )
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = ∑0 𝑘 𝑁𝑛−𝑘
𝑘
( )
𝑛
Valor Esperado
𝑚𝑛
𝐸(𝑋) = 𝜇 =
𝑁
Varianza
𝑁−𝑛 𝑁−𝑚
𝑉(𝑋) = 𝜎 2 = 𝜇 [ ][ ]
𝑁−1 𝑁
𝜎 = √𝑉(𝑋)
Distribución Geométrica X  G (p, k)

𝑓(𝑥) = 𝑃(𝑋 = 𝑘) = 𝑝𝑞 𝑘−1 con 𝑘 = 1,2,3, . ..

𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = 1 − 𝑞 𝑘 con 𝑘 = 1,2,3, . ..
Teorema:
𝑃(𝑋 ≥ 𝑘 + 1) = 𝑃(𝑋 > 𝑘) = 𝑞 𝑘 con 𝑘 = 1,2,3, …
Valor Esperado
1
𝐸(𝑋) = 𝜇 =
𝑝
Varianza
𝑞
𝑉(𝑋) = 𝜎 2 =
𝑝2
𝑞
𝜎 = √𝑉(𝑋) = √
𝑝2
Aproximación de Poisson a la Binomial

Condiciones: 𝑛→∞ y 𝑝→0 𝑋 ∼ 𝐵(𝑛, 𝑝, 𝑘) ≈ 𝑋 ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜇, 𝑘)

n−k  k e− 
𝑓(𝑥) = 𝑃(𝑋 = 𝑘) = C p q n
k
k

k!
k k
 k e− 
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) =  Ckn p k q n−k  
k =0 k =0 k!
Valor Esperado
𝐸(𝑋) = 𝜇 = np =  t
Varianza
𝑉(𝑋) = 𝜎 2 = npq
𝜎 = √𝑉(𝑋) = √𝑛𝑝𝑞
Variable Aleatoria Continua
Función de densidad de Probabilidad (fdp)
𝑓(𝑥) = 𝑃(𝑋) con 𝑥 ∈ ℝ, se debe cumplir que:
1. 𝑓(𝑥) ≥ 0, ∀𝑥 ∈ ℝ
∞
2. ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1

𝑘
𝐹(𝑋) = 𝑃(𝑋 ≤ 𝑘) = ∫−∞ 𝑓(𝑥) 𝑑𝑥
Valor Esperado
𝑘
𝐸(𝑋) = 𝜇 = ∫−∞ 𝑥 𝑓(𝑥) 𝑑𝑥
Varianza
𝑉(𝑋) = 𝜎 2 = 𝐸(𝑋 2 ) − [𝐸(𝑋)]2
𝜎 = √𝑉(𝑋)
Distribución Uniforme X  Uniforme( k )

1
𝑎≤𝑥≤𝑏
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = {𝑏−𝑎
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

𝑘
1 𝑘−𝑎
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = ∫ 𝑑𝑥 =
𝑎 𝑏−𝑎 𝑏−𝑎
Valor Esperado
𝑏 𝑥 𝑎+𝑏
𝐸(𝑋) = 𝜇 = ∫𝑎 𝑑𝑥 =
𝑏−𝑎 2
Varianza
𝑏 𝑥2 (𝑏−𝑎)2
𝑉(𝑋) = 𝜎 2 = ∫𝑎 𝑑𝑥 =
𝑏−𝑎 2
(𝑏−𝑎)2
𝜎 = √𝑉(𝑋) = √
2
Distribución Exponencial X  Exp ( λ, k )
−𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = {𝜆𝑒 𝑥≥0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

𝑘
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 1 − 𝑒 −𝜆𝑥
0
Valor Esperado
1
𝐸(𝑋) = 𝜇 =
𝜆
Varianza
1
𝑉(𝑋) = 𝜎 2 =
𝜆2
1
𝜎 = √𝑉(𝑋) = √
𝜆2
Distribución Normal X ~ N (μ, σ2)
(𝑥−𝜇) 2
1 −
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) =
𝜎 √2𝜋
𝑒 2𝜎2 para 𝑥 ∈ (−∞, ∞)

𝑘
1 (𝑥−𝜇)2
−
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = ∫ 𝑒 2𝜎2 𝑑𝑥
𝜎√2𝜋
−∞
Valor Esperado
(𝑥−𝜇) 2
𝑘 1 −
𝐸(𝑋) = 𝜇 = ∫−∞ 𝑥 ( 𝑒 2𝜎2 ) 𝑑𝑥
𝜎√2𝜋
Varianza
(𝑥−𝜇) 2
𝑘 1 −
𝑉(𝑋) = 𝜎2 = ∫−∞ 𝑥 2 (𝜎 2𝜋 𝑒 2𝜎2 ) 𝑑𝑥
√
𝜎 = √𝑉(𝑋)
Distribución Normal Estándar 𝐗 ~ 𝐍(𝛍 = 𝟎, 𝛔𝟐 = 𝟏)
𝑧 2
1
𝑓(𝑧) = 𝑃(𝑍 = 𝑧) = 𝑒− 2
√2𝜋

𝑧0
1 𝑧2
− 2
𝐹(𝑍) = 𝑃(𝑍 ≤ 𝑧0 ) = ∫ 𝑒 𝑑𝑧 = 𝛷(𝑧0 )
√2𝜋
−∞
Valor Esperado
𝐸(𝑋) = 𝜇 = 0
Varianza
𝑉(𝑋) = 𝜎 2 = 1
𝜎=1
Aproximación de la Normal a la Binomial

Condiciones: 𝑛 → ∞ y 𝑝 → 0.5 𝑋 ∼ 𝐵(𝑛, 𝑝, 𝑘) ≈ 𝑋 ∼ 𝑁(𝜇 = 𝑛𝑝, 𝜎 2 = 𝑛𝑝𝑞)
Función de distribución de Probabilidad (fda)

1
1 𝑘 + 2 − (𝑛𝑝)
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑘) = 𝑃(𝑋 < 𝑘 + 1) = 𝑃 (𝑋 ≤ 𝑘 + ) = 𝑃 (𝑍 ≤ )
2 √𝑛𝑝𝑞
Variable Discreta Variable Continua
Variable estandarizada
Teorema:
1 1
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 − 1 < 𝑋 < 𝑏 + 1) = 𝑃 (𝑎 − ≤𝑋≤𝑏+ )=
2 2
Variable Discreta Variable Continua
1 1
𝑎 − − (𝑛𝑝) 𝑘 + − (𝑛𝑝)
= 𝑃( 2 ≤𝑍≤ 2 )
√𝑛𝑝𝑞 √𝑛𝑝𝑞
Variable estandarizada
Valor Esperado
𝐸(𝑋) = 𝜇 = 𝑛𝑝
Varianza
𝑉(𝑋) = 𝜎 2 = npq
𝜎 = √𝑉(𝑋) = √𝑛𝑝𝑞

Formulario Probabilidad

Cargado por

Copyright:

Formatos disponibles

Formulario Probabilidad

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Formulario Probabilidad

Cargado por

Copyright:

Formatos disponibles

CONCRIVA EDUCACIÓN AC

A 1. Para cualquier evento E, de una familia determinada se cumple que:

A 2. Para un espacio muestral S, se cumple que:

𝑃 (⋃ 𝐸𝑘 ) = 𝑃(𝐸1 ) + 𝑃(𝐸2 ) + 𝑃(𝐸3 ) + ⋯ + 𝑃(𝐸𝑛 ) = ∑ 𝑃(𝐸𝑘 )

T 4. 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

T 5. Para 𝐴, 𝐵 ∈ 𝑆, tal que 𝐴 ⊂ 𝐵, se cumple que 𝑃(𝐴) ≤ 𝑃(𝐵)

T 6. 𝑃(𝐴 − 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵)

𝑃(𝐴) = 𝑃(𝐴 ∖ 𝐼1 ) 𝑃(𝐼1 ) + 𝑃(𝐴 ∖ 𝐼2 ) 𝑃(𝐼2 ) + 𝑃(𝐴 ∖ 𝐼3 ) 𝑃(𝐼3 ) + ⋯ + 𝑃(𝐴 ∖ 𝐼𝑘 ) 𝑃(𝐼𝑘 )

Variable Aleatoria Discreta

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribuciones Discretas de Probabilidad

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribución Poisson X P (, k)

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribución Hipergeométrica X H (n, N, m, k)

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribución Geométrica X  G (p, k)

Función de distribución Acumulada (fda)

Aproximación de Poisson a la Binomial

Función de distribución de Probabilidad (fdp)

Variable Aleatoria Continua

Función de densidad de Probabilidad (fdp)

𝑓(𝑥) = 𝑃(𝑋) con 𝑥 ∈ ℝ, se debe cumplir que:

Función de distribución Acumulada (fda)

Distribución Uniforme X  Uniforme( k )

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribución Exponencial X  Exp ( λ, k )

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribución Normal X ~ N (μ, σ2)

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Distribución Normal Estándar 𝐗 ~ 𝐍(𝛍 = 𝟎, 𝛔𝟐 = 𝟏)

Función de distribución de Probabilidad (fdp)

Función de distribución Acumulada (fda)

Aproximación de la Normal a la Binomial

Función de distribución de Probabilidad (fda)

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.