PROBABILIDAD Y ESTADÍSTICA – MEC122.

Formulario 2 MEC122 Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑏 , 𝑐 , 9. Combinaciones Totales.

tomados de 𝑘 en 𝑘 = 2 elementos 𝐶𝑇 = 2𝑛 − 1
Probabilidad y Estadística seleccionados del conjunto de 3. Pueden Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑏 , 𝑐 .
permutarse de: Pueden combinarse de:
3! 3! 1 × 2 × 3
Contenido: 𝑃
3 2 = = = = 6 forms 𝐶𝑇 = 2𝑛 − 1 = 23 − 1 = 7 maneras.
1. Probabilidades. (3 − 2)! 1! 1 𝑎 𝑏 𝑐
2. Variables Aleatorias. • 𝑎𝑏 𝑎𝑐 𝑎𝑏 𝑎𝑐 𝑏𝑐
3. Esperanza Matemática 𝑏𝑎 • 𝑏𝑐 𝑎𝑏𝑐 • •
4. Distribución Discreta 𝑐𝑎 𝑐𝑏 • En combinaciones “No interesa el orden”.
12p. por: J. Jaime Apaza M.
En permutación “Si interesa el orden”. Es decir 𝑎𝑏 = 𝑏𝑎.
Es decir 𝑎𝑏 ≠ 𝑏𝑎.
1. Probabilidades. 10. Desordenes.
5. Permutación Con Repetición. 1 1 1 1
(Variación Con Repetición) 𝐷𝑛 = 𝑛! (1 − + − + ⋯ + (−1)𝑛 )
1. Técnicas de Conteo (Combinatoria). 1! 2! 3! 𝑛!
𝑘
1.Principio de la Suma: 𝑛𝑃𝑅𝑘 = 𝑛 Ejemplo: 𝑛 = 4 ( 1 , 2 , 3 , 4 )
Si 2 decisiones no pueden ocurrir Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑏 , 𝑐 , 4123 2143 3142
simultáneamente donde la primera decisión se tomados de 𝑘 en 𝑘 = 2 elementos 4321 2341 3412
toma de "𝑚" maneras y la segunda de "𝑛" seleccionados del conjunto de 3. Pueden 4312 2413 3421
maneras, se puede tomar la decisión de "𝑚 + permutarse de:
𝑟 2
𝑛" manaras. 3𝑃2 = 3 = 9 maneras.
Ejemplo1: Una persona dispone para viajar de 𝑎𝑎 𝑎𝑏 𝑎𝑐 1. Probabilidad.
5 líneas aéreas y 6 líneas terrestres. ¿De 𝑏𝑎 𝑏𝑏 𝑏𝑐 La probabilidad es un instrumento
cuantas formas puede viajar? 𝑐𝑎 𝑐𝑏 𝑐𝑐 fundamental de la estadística.
Puede viajar de 5 + 6 = 11 formas. 6. Combinación Sin Repetición. La probabilidad mide la frecuencia con la que
2.Principio de la Multiplicación: Combinaciones adiós al orden!! aparece un resultado determinado cuando se
Si se tiene "𝑚" maneras de decidir una tarea 𝑛 𝑛! realiza un experimento.
𝑛 𝐶𝑘 = ( 𝑘 ) =
y a la vez cada uno de estas presenta "𝑛" (𝑛 − 𝑘)! ∙ 𝑘! Espacio Muestral.
maneras de decidir, entonces el número de Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑏 , 𝑐 , Conjunto de todos los resultados posibles. Se
maneras posibles será determinado por "𝑚 ∙ tomados de 𝑘 en 𝑘 = 2 elementos denota con la letra Ω ó S.
𝑛" manaras. seleccionados del conjunto de 3. Pueden Evento.
Ejemplo2: Una persona decide vestirse con combinarse de: Es cualquier sub conjunto del espacio
una camisa y un pantalón. 3 3! 3! muestral Ω.
Si existen 5 tipos de camisas y 3 tipos de 3𝐶2 = ( ) = = = 3 form
2 (3 − 2)! ∙ 2! 1! ∙ 2!
pantalón. ¿De cuantas formas se puede vestir? • 𝑎𝑏 𝑎𝑐 2. Probabilidad de un Evento.
Se tendrá 5 ∙ 3 = 15 formas de vestir. • • 𝑏𝑐 Todo
• • • Donde A es un evento.
2. Permutaciones de “ 𝒏 ” en “ 𝒏 ”. En combinaciones “No interesa el orden”.
(Permutación Sin Repetición) Es decir 𝑎𝑏 = 𝑏𝑎. N° de casos favorables
𝑃(𝐴) =
𝑃𝑛 = 𝑛𝑃𝑛 𝑃𝑛 = 𝑛! N° de casos posibles totales
𝑛! = 𝑛(𝑛 − 1)(𝑛 − 2) ∙ … ∙ 3 ∙ 2 ∙ 1 7. Combinación Con Repetición. Donde:
Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑏 , 𝑐 , 𝑛+𝑘−1 (𝑛 + 𝑘 − 1)! 𝑃(A) : Probabilidad del evento 𝐴.
𝑛𝐶𝑅𝑘 = ( )=
pueden permutarse de: 𝑘 (𝑛 − 1)! ∙ 𝑘!
𝑃3 = 3! = 3 × 2 × 1 = 6 maneras. Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑏 , 𝑐 , 3. Definición Axiomática de Probabilidad
𝑎𝑏𝑐 𝑏𝑎𝑐 𝑐𝑎𝑏 tomados de 𝑘 en 𝑘 = 2 elementos La probabilidad P es una función que asigna a
𝑎𝑐𝑏 𝑏𝑐𝑎 𝑐𝑏𝑎 seleccionados del conjunto de 3. Pueden cada evento A∈A un número real 𝑃(𝐴) tal
En permutación “Si interesa el orden”.
combinarse de: que cumple los 3 axiomas.
Es decir 𝑎 𝑏 𝑐 ≠ 𝑎 𝑐 𝑏. (3 + 2 − 1)!
3+2−1
3𝐶𝑅2 = ( )= 𝐴1: 0 ≤ 𝑃(𝐴) ≤ 1
3. Permutaciones Con Particiones. 2 (3 − 1)! ∙ 2!
𝑟
1 × 2 × 3 × 4 𝐴2: 𝑃(𝐴) = 1 el evento ha sido un éxito.
(Permutación con Elementos Repetidos) 3𝐶2 = = 6 maneras.
(Permutación de Elementos de 𝑛 Tipos) 1×2×1×2 𝐴3: 𝑃(𝐴) = 0 el evento es imposible.
𝑎𝑎 𝑎𝑏 𝑎𝑐
𝑛! • 𝑏𝑏 𝑏𝑐
𝑛 𝑃𝑅𝑛1 ,𝑛2 ,…,𝑛𝑘 =
𝑛1 ! × 𝑛2 ! × 𝑛3 ! × … .× 𝑛𝑘 ! • • 𝑐𝑐 4. Álgebra de Eventos.
8. Permutación Circular: Al ser conjuntos responde al álgebra de
Ejemplo: Los 𝑛 = 3 elementos 𝑎 , 𝑎 , 𝑏 , 𝑃𝐶 = (𝑛 − 1)! conjuntos. Sea Ω un espacio muestral
con 𝑛1 = 2 (𝑎 , 𝑎) y 𝑛2 = 1 (𝑏). Pueden Ejemplo: Los 𝑛 = 4 elementos 𝑎 , 𝑏 , 𝑐 , 𝑑 asociado a un experimento aleatorio 𝜺.
permutarse de: pueden permutarse de: Propiedades:
3! 1×2×3 𝑃𝐶 = (4 − 1)! = 3! = 6 maneras. 1. 𝑃( 𝐴 ) = 1 − 𝑃(𝐴) ó 𝑃(𝐴) = 1 − 𝑃( 𝐴 )
3𝑃2,1 = = = 3 maneras.
2! × 1! 1×2 2. 𝑃(𝐴∪𝐵) = 1 − 𝑃( 𝐴∪𝐵 ) = 1 − 𝑃( 𝐴∩𝐵 )
𝑎𝑎𝑏 𝑎𝑏𝑎 𝑏𝑎𝑎 𝑎 𝑎 𝑎
4. Permutación Sin Repetición. 𝑏 ⊗ 𝑐 𝑏 ⊗ 𝑑 𝑐 ⊗ 𝑑 3. Eventos Independientes.
(Variación Sin Repetición) 𝑑 𝑐 𝑏 𝑃(𝐴−𝐵) = 𝑃(𝐴∩𝐵 ) = 𝑃(𝐴) 𝑃( 𝐵 )
𝑛! = 𝑃(𝐴) [1 − 𝑃(𝐵) ] = 𝑃(𝐴) − 𝑃(𝐴) 𝑃(𝐵)
𝑛𝑃𝑘 = 𝑎 𝑎 𝑎
(𝑛 − 𝑘)! 𝑃(𝐴−𝐵) = 𝑃(𝐴) − 𝑃(𝐴∩𝐵)
𝑐 ⊗ 𝑏 𝑑 ⊗ 𝑐 𝑑 ⊗ 𝑑
𝑛𝑃𝑘 = Permutaciones de 𝑛 elementos, 4. Si A esta incluido en B → 𝑃(𝐴) ≤ 𝑃(𝐵)
𝑑 𝑏 𝑐
tomados de 𝑘 en 𝑘.
© Jabier Jaime Apaza Mamani, 26.05.18, cel: 73203246, pág. 5.

5. Si A y B son eventos cualesquiera:
𝑃(𝐴∪𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴∩𝐵)
𝑃(𝐴∪𝐵) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐴∩𝐵) − 8. Teorema de Bayes.
−𝑃(𝐴∩𝐶) −𝑃(𝐵∩𝐶) + 𝑃(𝐴∩𝐵∩𝐶)
6. 𝑃(𝐴𝛥𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 2𝑃(𝐴∩𝐵)
5. Eventos Mutuamente Excluyentes.
Ó incompatibles. Es cuando no sucede los dos
eventos al mismo tiempo, es decir:
𝑃(𝐴∩𝐵) = 0
Ejemplo1. No puede ser de día y noche al
mismo tiempo.
1) 𝑃(𝐴∪𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃⏟(𝐴∩𝐵)
0 𝑃(𝐴𝑖) ∙ 𝑃(𝐵/𝐴𝑖)
𝑃(𝐴∩𝐵) = 0
𝑃(𝐴∪𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
2) 𝑃(𝐴∪𝐵∪𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶)
3) 𝑃(𝐴∪𝐵∪𝐶∪…∪𝑍) = 𝑃(𝐴) + 𝑃(𝐵) + ⋯ + 𝑃(𝑍)
para cualquier número finito “k” de eventos
Mutuamente Excluyentes de Ω.
6. Probabilidad Condicionada.
Todo
Sean A y B dos eventos de un mismo espacio
muestral Ω. La probabilidad condicional de A
dado que B ha ocurrido, esta dado por:
𝑃(𝐴∩𝐵)
𝑃(𝐴/𝐵) =
𝑃(𝐵)
Donde:
𝑃(𝐴/𝐵) : Se lee:
Probabilidad de A “dado que ocurrió” B.
𝑃(𝐴∩𝐵) : Probabilidad de que ocurran A y B. 𝑃
PROBABILIDAD Y ESTADÍSTICA – MEC122.
𝑃(𝐴∪𝐵) = 1 − 𝑃( 𝐴∩𝐵 )
3. Eventos Independientes.
𝑃(𝐴∩𝐵) = 𝑃(𝐴) 𝑃(𝐵)
Si tenemos “n” sucesos: A1 , A2 , A3 , … , An
que forman una partición de Ω entonces para 𝑃(𝐴∩𝐵∩𝐶) = 𝑃(𝐴) 𝑃(𝐵) 𝑃(𝐶)
cualquier suceso B incluido en Ω se tiene: 𝑃(𝐴∩𝐵∩𝐶∩…∩𝑍) = 𝑃(𝐴) 𝑃(𝐵) 𝑃(𝐶) … 𝑃(𝑍)
𝑃(𝐴𝑖) ∙ 𝑃(𝐵/𝐴𝑖)
𝑃(𝐴𝑖/𝐵) = 𝑛
∑𝑖=1 𝑃(𝐴𝑖 ) ∙ 𝑃(𝐵/𝐴𝑖)
2 Variables Aleatorias.
Con 𝑖 = 1,2,3, … , 𝑛
(Introducción)
Donde:
1. Concepto.
𝑃(𝐴𝑖 /𝐵) : Probabilidad condicional de 𝐴𝑖 dado
que ocurrió B. Una variable aleatoria es una función que
𝑃(𝐴𝑖 ) : Probabilidad del evento 𝐴𝑖 asigna un número real a cada resultado del
𝑃(𝐵/𝐴𝑖 ) : Probabilidad condicional de B dado espacio muestral de un experimento aleatorio.
que ocurrió 𝐴𝑖
Ejemplo:
𝑃(𝐴𝑖 /𝐵) = Sea el experimento de lanzar 1 moneda 3
𝑃(𝐵)
veces. Si la
Ejemplo: variable aleatoria x es el número de caras
El parte meteorológico ha anunciado 3 que se obtiene.
posibilidades para el fin de semana. a) Hallar el dominio.
1. Que llueva: probabilidad del 50 % b) Hallar la imagen (rango ó recorrido).
Sol.
2. Que nieve: probabilidad del 30 %
Sea la v. a. x: número de caras que se obtiene.
3. Que hay niebla: probabilidad del 20 %
Según estos posibles estados meteorológicos, a) 𝑥(𝑐𝑐𝑐) = 3 caras.
la posibilidad de que ocurra un accidenta es la 𝑥(𝑐𝑐𝑠) = 𝑥(𝑐𝑠𝑐) = 𝑥(𝑠𝑐𝑐) = 2 caras.
siguiente: 𝑥(𝑐𝑠𝑠) = 𝑥(𝑠𝑐𝑠) = 𝑥(𝑠𝑠𝑐) = 1 cara.
1. Si llueve: probabilidad de accidente del 20 𝑥(𝑠𝑠𝑠) = 0 caras.
% 𝐷𝑥 = Ω
2. Si nieva: probabilidad de accidente del 10 Ω={𝑐𝑐𝑐, 𝑐𝑐𝑠, 𝑐𝑠𝑐, 𝑐𝑠𝑠, 𝑠𝑐𝑐, 𝑠𝑐𝑠, 𝑠𝑠𝑐, 𝑠𝑠𝑠}
% b) 𝑅𝑥 = {0,1,2,3}
3. Si hay niebla: probabilidad de accidente
del 5% NOTA. Las variables son discretas si el
número total de valores que pueden tomar es
Hallar la probabilidad de que estuviera
finito. En caso contrario son continuas.
lloviendo.
= 2. Variables Aleatorias Discretas.
(𝐴1 /𝐵)

Consideremos el diagrama de árbol: 𝑃(𝐴1) ∙ 𝑃(𝐵/𝐴1) 1. Función de Probabilidad:

= Sea x una v.a. discreta que toma los
P(A/B) A 𝑃(𝐴1) 𝑃(𝐵/𝐴1) + 𝑃(𝐴2) 𝑃(𝐵/𝐴2) + 𝑃(𝐴3) 𝑃(𝐵/𝐴3)

valores {x1,x2,…xn}.
B 0.50 ∙ 0.20 Se define la función de Probabilidad de
B A P(B) 𝑃(𝐴1/𝐵) =
P(A/B)
0.50 ∙ 0.20 + 0.30 ∙ 0.10 + 0.20 ∙ 0.05 x como:
A
 𝑃(𝐴1/𝐵) = 0.714 𝑝(𝑥) = 𝑃(𝑋 = 𝑥)
P(A/B) A
P(B) 𝑥𝑖 𝑥1 𝑥2 𝑥3 … 𝑥𝑛
B 9. Eventos Independientes.
𝑃(𝑥𝑖) 𝑃(𝑥1) 𝑃(𝑥2) 𝑃(𝑥3) … 𝑃(𝑥𝑛 )
P(A/B) A
Dos eventos A y B son independientes si la
ocurrencia de uno de ellos no afecta la Propiedades:
7. Probabilidad Total. probabilidad de ocurrencia del otro. a) 𝑃(𝑋 = 𝑥) > 0
Si: 𝑃(𝐴∩𝐵) = 𝑃(𝐵) 𝑃(𝐴/𝐵) 𝑃(𝐴/𝐵) = 𝑃(A) ó 𝑃(𝐵/𝐴) = 𝑃(B) b) ∑ 𝑃(𝑋 = 𝑥) = 1
Si: 𝐴 = (𝐴 ∩ 𝐵1 ) ∪ (𝐴 ∩ 𝐵2 ) ∪ (𝐴 ∩ 𝐵3 ) … Dos eventos A y B son independientes si: Media: 𝜇 = 𝐸 = ∑ 𝑥𝑃(𝑥)
𝑃(A∩𝐵) = 𝑃(A) ∙ 𝑃(𝐵) 2
𝑃(𝐴) = 𝑃(𝐴∩𝐵1) + 𝑃(𝐴∩𝐵2) + 𝑃(𝐴∩𝐵3) + ⋯ Varianza: 𝑉 = 𝐸(𝑥2) − [𝐸(𝑥) ]
En consecuencia:
𝑃(𝐴) = 𝑃(𝐵1) 𝑃(𝐴/𝐵1) + 𝑃(𝐵2) 𝑃(𝐴/𝐵2) + ⋯
𝑃(𝐴∩𝐵) 𝑃(A) ∙ 𝑃(𝐵) 2. Función de Distribución:
𝑃(𝐴/𝐵) = = = 𝑃(A)
𝑛 𝑃(𝐵) 𝑃(𝐵) (Acumulada).
𝑃(𝐴) = ∑ 𝑃(𝐵𝑖 ) ∙ 𝑃(𝐴/𝐵𝑖 ) Ejemplo1: lanzar un dado y una moneda, la Sea x una v.a. discreta que toma los
𝑖=1 una no depende de la otra. valores {x1,x2,…xn}.
Se define la Función de Distribucion de
Ejemplo1: 10. Circuitos (confiabilidad). x como:
𝑃(𝐴) = 𝑃(𝐵1) 𝑃(𝐴/𝐵1) + 𝑃(𝐵2) 𝑃(𝐴/𝐵2) + ⋯ Dos
1. 𝑃( 𝐴 ) = 1 − 𝑃(𝐴) ó 𝑃(𝐴) = 1 − 𝑃( 𝐴 ) 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∑ 𝑃(𝑋 = 𝑥𝑖 )
𝑃(𝐷) = 𝑃(𝐴) 𝑃(𝐷/𝐴) + 𝑃(𝐵) 𝑃(𝐷/𝐵) 𝑥𝑖 <𝑥
2. 𝑃(𝐴∪𝐵) = 1 − 𝑃( 𝐴∪𝐵 ) = 1 − 𝑃( 𝐴∩𝐵 )
© Jabier Jaime Apaza Mamani, 26.05.18, cel: 73203246, pág. 6.
 PROBABILIDAD Y ESTADÍSTICA – MEC122.

NOTA. Si: 𝐸[𝑥] = 0 = justo.

Sea la v.a. x: (+) x gana ; (-) x pierde. 4 Distribuciones Discretas.
3. Variables Aleatorias Continuas.
Discretas: 1. Distribución de Bernoulli.
1. Función de Probabilidad: 𝑛
1.Parámetro. Es un experimento que se realiza:
Sea x una v.a. continua que toma valores 𝐸[𝑥] = 𝜇 = ∑ 𝑥𝑖 ∙ 𝑃(𝑥𝑖)
de un conjunto no numerable(infinito) 𝑖=1 Exito → 1
𝜀: { Ω = {𝐸, 𝐹} = {1,0}
representado por un intervalo [a,b]. Continuas: Fracaso → 0
Se define la función de densidad de Cumple la condición de una función de
Probabilidad tal que: 𝐸[𝑥] = 𝜇 = ∫ 𝑥𝑖 𝑓(𝑥𝑖 ) 𝑑𝑥
𝑅𝑥 𝑖. 1 ≥ 𝑃(𝑥) ≥ 0
𝑏 probabilidad: {
𝑖𝑖. ∑ 𝑃(𝑥) = 1 = 𝑝 + 𝑞
𝑃(𝑎≤𝑥≤𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎 Propiedades de la Esperanza:
1. 𝐸[𝑘] = 𝑘 donde 𝑘 = constante 2.Función de Probabilidad.
Propiedades: 2. 𝐸[𝑘𝑥] = 𝑘𝐸[𝑥] 𝑝 𝑠𝑖 𝑥 = 1
a) 𝑓(𝑥) ≥ 0 (𝑥)
𝑃𝑥 = {𝑞 𝑠𝑖 𝑥 = 0
3. 𝐸[𝑥+𝑦] = 𝐸[𝑥] + 𝐸[𝑦]
b)
+∞
∫−∞ 𝑓(𝑥)𝑑𝑥 = 1 4. 𝐸[𝑥1+𝑥2 +𝑥3+⋯𝑥𝑛 ] = 𝐸[𝑥1] + 𝐸[𝑥2] +. . 𝐸[𝑥𝑛 ] 0 𝑒. 𝑜. 𝑐.
El modelo es: 𝑃(𝑥) = 𝑝 𝑥 𝑞1−𝑥
+∞
Variantes de la Esperanza Matemática:
Media: 𝜇 = 𝐸 = ∫−∞ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥 𝐸[𝑎+𝑏𝑥] = 𝑎 + 𝑏𝐸[𝑥] 3.Media. 𝝁 = 𝒑.
2
Varianza: 𝑉 = 𝐸(𝑥2) − [𝐸(𝑥) ] Donde:
𝑎 = parte fija (costo fijo). 𝐸(𝑥) = ∑ 𝑥𝑖 ∙ 𝑃(𝑥𝑖 )
2. Función de Distribución: 𝑏𝑥 = la parte variable.
(Acumulada) 𝐸(𝑥) = 1𝑝 + 0𝑞 = 𝑝 = 𝜇𝑥 𝐸(𝑥) = 𝜇𝑥 = 𝑝
Sea X una v.a. continua con función de 5. Varianza.
La varianza de x se define como: 4.Varianza. 𝑽(𝒙) = 𝛔𝟐 = 𝒑𝒒.
densidad f(x) la Funcion de Distrtribucion
2
de la v.a. X, se denota por F(x), se defini 𝑉(𝑥) = 𝐸(𝑥2) − [𝐸(𝑥) ] 𝑉(𝑥) = 𝐸(𝑥2) − [𝜇𝑥 ]2
por: 𝑉(𝑥) = 𝐸(𝑥2) − 𝜇 2 ; 𝑉(𝑥) = σ 2
𝑥
Donde: 𝐸(𝑥2) = ∑ 𝑥𝑖2 𝑃(𝑥𝑖 ) = 12 𝑝 + 02 𝑞 = 𝑝
𝐹(𝑥) = 𝑃(𝑋≤𝑥) = ∫ 𝑓(𝑢)𝑑𝑢 2
−∞ 𝐸(𝑥) = 𝜇𝑥 ; 𝐸(𝑥2) = ∑ 𝑥𝑖 𝑃(𝑥𝑖 )
𝑉(𝑥) = p − [p]2 = 𝑝(1 − 𝑝) = 𝑝 ∙ 𝑞
𝑥𝑖 𝑃(𝑥𝑖 ) 𝑥𝑖 ∙ 𝑃(𝑥𝑖 ) 𝑥𝑖2 ∙ 𝑃(𝑥𝑖 )
Propiedades:
a) 0 ≤ 𝐹(𝑥) ≤ 1 𝑉(𝑥) = 𝑝 ∙ 𝑞
6. Desviación Estándar.
b) 𝑃(𝑥=𝑎) = 𝐹(𝑎) − 𝐹(𝑎) 2. Distribución Binomial.
La desviación estándar de x se define como: 1. Parámetros.
c) 𝑃(𝑎≤𝑥≤𝑏) = 𝐹(𝑏) − 𝐹(𝑎) 𝜀 → 𝑛 veces (𝑛 pruebas Bernoulli)
𝜎𝑥 = √𝑉(𝑥)
Ω = {𝐸, 𝐹}
v.a. x: Nº de éxitos 𝑃({𝐸}) = P
7. Expresiones Bivariantes:
∴ x es una v.a. con parámetro “n” y “p”
3 Esperanza Matemática. Covarianza.
2. Función de Probabilidad.
Covarianza de “x” y de “y”
Luego tenemos la fun. de proba. Binomial:
4. Esperanza Matemática. 𝒄𝒐𝒗(𝒙,𝒚) = 𝑬(𝒙,𝒚) − 𝝁𝒙 𝝁𝒚 𝑛
Esperanza Matemática 𝐸(𝑥) es igual a la suma Donde: 𝑃(𝑋=𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
de cada v. a. multiplicada por su probabilidad 𝐸(𝑥,𝑦) = ∑ 𝑥𝑖 , 𝑦𝑗 ∙ ℎ(𝑥𝑖 ,𝑦𝑗 )
de ocurrencia. Donde: 𝑥 = 0,1,2,3, … , 𝑛
(Media ó Valor Esperado) 𝜇 𝑥 = 𝐸 (𝑥) ; 𝜇 𝑦 = 𝐸 (𝑦) 𝑛 = número de pruebas totales.
ℎ(𝑥𝑖 ,𝑦𝑗 ) es distribución conjunta h de “x” y de 𝑥 = número de éxitos deseados.
𝐸[𝑥] = 𝜇 𝑝 = probabilidad de éxito.
“y”
Se define por: 𝑞 = probabilidad de fracaso.
𝐸[𝑥] = 𝑥1 ∙ 𝑓(𝑥1) + 𝑥2 ∙ 𝑓(𝑥2) + ⋯ + 𝑥𝑛 ∙ 𝑓(𝑥𝑛 ) Correlación. 3. Media: 𝑬(𝒙) = 𝝁 = 𝒏𝒑
𝐸[𝑥] = 𝑥1 ∙ 𝑃(𝑥1) + 𝑥2 ∙ 𝑃(𝑥2) + ⋯ + 𝑥𝑛 ∙ 𝑃(𝑥𝑛 ) Correlación de “x” y de “y”
𝑐𝑜𝑣(𝑥,𝑦)
𝜌(𝑥,𝑦) = 𝜇𝑥 = 𝐸(𝑥) = ∑ 𝑥𝑖 ∙ 𝑃(𝑥𝑖)
𝑛 𝜎𝑥 𝜎𝑦
𝐸[𝑥] = ∑ 𝑥𝑖 ∙ 𝑃(𝑥𝑖 ) Donde: 𝑛
𝜇𝑥 = 𝐸(𝑥) = ∑ 𝑥𝑖 ∙ ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑖=1
𝜎𝑥 = √𝑉(𝑥) ; 𝜎𝑦 = √𝑉(𝑦) 𝑥
Donde: 𝐸(𝑥) = 𝜇 = 𝑛 ∙ 𝑝
𝐸(𝑥) : Esperanza Matemátca (Media ó Valor
Esperado) Distribuciones Conjuntas. 4. Varianza: 𝑽(𝒙) = 𝛔𝟐 = 𝒏𝒑𝒒
𝑥𝑖 : v. a. (variable aleatoria) ℎ (𝑥𝑖 ,𝑦𝑗 ) es distribución conjunta h de “x” y de
𝑃(𝑥𝑖 ) : Probabilidad de ocurrencia de 𝑥𝑖 “y” 𝑉(𝑥) = 𝐸(𝑥2 ) − [𝜇𝑥 ]2
Consideremos 𝑃(𝑋=𝑥) es una función de x/y 𝑦0 𝑦1 … 𝑦𝑛
𝑉(𝑥) = ∑ 𝑥𝑖2 𝑃(𝑥𝑖) − [𝜇𝑥 ]2
distribución de probabilidad. 𝑥0 ℎ(𝑥0,𝑦0 ) ℎ(𝑥0,𝑦1 )
𝑥1 ℎ(𝑥1,𝑦0 ) ℎ(𝑥1,𝑦1 ) 𝑛
𝑥𝑖 𝑥1 𝑥2 𝑥3 … 𝑥𝑛 𝑉(𝑥) = ∑ 𝑥𝑖2 ( ) 𝑝 𝑥 𝑞𝑛−𝑥 − [𝜇𝑥 ]2
… … … 𝑥
𝑃(𝑥𝑖 ) 𝑃(𝑥1) 𝑃(𝑥2) 𝑃(𝑥3) … 𝑃(𝑥𝑛 )
𝑥𝑛 … ℎ(𝑥𝑛 ,𝑦𝑛 ) 𝑉(𝑥) = 𝑛𝑝𝑞

© Jabier Jaime Apaza Mamani, 26.05.18, cel: 73203246, pág. 7.

 PROBABILIDAD Y ESTADÍSTICA – MEC122.
Ejemplo1: En un lote de 20 focos 4 tienen Demostración de: 𝐹(𝑥) = 𝑃(𝑋≤𝑥) = 1 − 𝑞 𝑥 Donde:
algún defecto, si se toma una muestra Partiendo de: 𝑃(𝑥=𝑘) = 𝑞𝑘−1 𝑝 𝜆 = promedio de pruebas por el tiempo.
aleatoria de 5 focos del lote con reemplazo. Acumulamos hasta un valor determinado 𝑥: 𝑥 = número de éxitos deseados.
a)¿Cuál es la probabilidad que uno de ellos 𝑥
sea defectuoso? Observaciones:
𝐹(𝑥) = 𝑃(𝑋≤𝑥) = ∑ 𝑞𝑘−1 𝑝 1. Cuando 𝜆 es dato, el cálculo es directo.
b) ¿Cuál es la probabilidad de que a lo más 𝑘=1
uno sea defectuoso? 2. Cuando 𝜆 no es dato, se la calcula con la
Por fórmulas telescópicas:
c)¿Cuál es la probabilidad de que al menos 4 𝑛 fórmula 𝜆 = 𝜇 = 𝑛𝑝
sean defectuosos? 3. Cuando 𝜆 cambia debe ajustarse con la
∑(𝑓(𝑘) − 𝑓(𝑘−1) ) = 𝑓(𝑛) − 𝑓(0)
Solución: regla de tres.
𝑘=1
5 𝑥
M.A. de 5 focos (n=5) 𝑃(𝑥) = ( ) 𝑝 𝑥 𝑞5−𝑥 7. Distribución Multinomial.
𝑥 ∑(𝑞𝑘−1 − 𝑞𝑘−2 ) = 𝑞 𝑥−1 − 𝑞 −1
4 Función de probabilidad:
𝑃(𝐷𝑒𝑓) = = 0.2 → 𝑝 = 0.2 → 𝑞 = 0.8 𝑘=1
20 𝑥 𝑛! 𝑥 𝑥 𝑥
5 𝑃(𝑥1,𝑥2,…,𝑥𝑘) = 𝑃 1 𝑃 2 … 𝑃𝑘 𝑘
a) 𝑃(𝑥=1) = ( ) (0.2)1 (0.8)5−1 𝑃(𝑥=1) = ∑(𝑞𝑘−1 − 𝑞𝑘−2 ) = 𝑞 𝑥−1 − 𝑞 −1 𝑛1 ! 𝑛2 ! … 𝑛𝑘 ! 1 2
1
0.4096 𝑘=1
𝑥
1 5 𝑡 5−𝑡 𝑞−1 1 La media de las variables aleatorias 𝑥𝑖 es:
b) 𝑃(𝑥≤1) = ∑𝑡=0 ( ) (0.2) (0.8) = 𝑃(0) + ∑ 𝑞𝑘−1 ( ) = (𝑞 𝑥 − 1) 𝐸(𝑥𝑖 ) = 𝑛𝑝𝑖
𝑡 𝑞 𝑞
𝑃(1) 𝑘=1
𝑥 La varianza de las variables aleatorias 𝑥𝑖 es:
𝑥
𝑞 −1
5 𝑉(𝑥𝑖 ) = 𝑛𝑝𝑖 (1 − 𝑝𝑖 )
𝑃(𝑥≤1) = ( ) (0.2)0 (0.8)5−0 ∑ 𝑞𝑘−1 = reemplazando en:
0 𝑞−1 Donde: i = 1, 2, 3, … , 𝑘
5 (0.2)1 (0.8)5−1 𝑘=1
+( ) 𝑥
8. Propiedades Distribución Acumulada.
1 𝑞𝑥 − 1
𝑃(𝑥≤1) = 0.7372 𝐹(𝑥) = 𝑃(𝑋≤𝑥) = 𝑝 ∑ 𝑞𝑘−1 = 𝑝 Casos:
𝑞−1
c) 𝑃(𝑥≥4) = 𝟏 − 𝑷(𝒙<𝟒) = 𝟏 − 𝑷(𝒙≤𝟑) 𝑘=1 1. 𝑃(𝑥 = 𝑎) → Fórmula directo.
𝐹(𝑥) = 𝑃(𝑋≤𝑥) = 1 − 𝑞 𝑥
𝑃(𝑥≥4) = 1 − [𝑃(0) + 𝑃(1) + 𝑃(2) + 𝑃(3) ]
5 2. 𝑃(𝑥 ≤ 𝑎) → Tablas (acumulada).
𝑃(𝑥≥4) = 1 − [0.7372 + ( ) (0.2)2 (0.8)5−2 5. Distribución Hipergeométrica.
2
5 1.Parámetro. 3. 𝑃(𝑥 < 𝑎) = 𝑃(𝑥 ≤ 𝑎 − 1)
+ ( ) (0.2)3 (0.8)5−3 ] 𝑁 = Población finita y conocida.
3
𝑃(𝑥≥4) = 0.0067 𝑛 = muestra seleccionada de N.
4. 𝑃(𝑥 > 𝑎) = 1 − 𝑃(𝑥 ≤ 𝑎)
𝑟 = elementos con cierta característica de N.
3. Distribución Binomial Negativa 𝑘 = elementos con cierta característica de 𝑛.
5. 𝑃(𝑥 ≥ 𝑎) = 1 − 𝑃(𝑥 ≤ 𝑎 − 1)
(Pascal). 2.Función de Probabilidad.
1.Parámetro. 𝑟 𝑁−𝑟
( )( ) 6. 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝑃(𝑥 ≤ 𝑏) − 𝑃(𝑥 ≤ 𝑎 − 1)
Cumple la condición de una función de 𝑘 𝑛−𝑘
𝑃(𝑥=𝑘) =
𝑖. 1 ≥ 𝑃(𝑥) ≥ 0 𝑁
probabilidad: { ( )
𝑖𝑖. 𝑟 = 1,2,3, … (𝑟 > 0) 𝑛 7. 𝑃(𝑥 = 𝑎) = 𝑃(𝑥 ≤ 𝑎) − 𝑃(𝑥 ≤ 𝑎 − 1)
𝒏𝒓
2.Función de Probabilidad. 3.Media. 𝝁 = 𝑬 = .
𝑵
𝒓 𝑵−𝒓 𝑵−𝒏 8. 𝑃(𝑥 < 𝑎) = 𝑃(0) + 𝑃(1) + ⋯ + 𝑃(𝑎 − 1)
𝑛 − 1 𝑘 𝑛−𝑘 4.Varianza. 𝑽(𝒙) = 𝑵 ( ) ( )( ).
𝑃(𝑥=𝑘) =( )𝑝 𝑞 𝑵 𝑵 𝑵−𝟏
𝑘−1
Un experimento hipergeométrico consiste en Nota: se puede usar también la aplicación para
𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, 𝑘 + 3, … , 𝑛 escoger al azar una muestra de tamaño “n” calcular las probabilidades directamente.
uno a uno sin restitución, de “n” elementos o
Si: 𝑥 = 𝑘 = 1 → Distribución Geométrica Ejemplo 1:
resultados posibles donde “r” de los cuales
3.Media. 𝝁 = 𝑬 = .
𝒓
pueden clasificarse como éxitos y los “N-r” Si se forman números binarios con 𝑛 dígitos,
𝒑 la probabilidad de tener un dígito incorrecto
𝒓𝒒 restantes como fracasos. Se llama variable
4.Varianza. 𝑽(𝒙) = 𝛔𝟐 = 𝟐. hipergeométrica a la variable aleatoria x es 0,002. Si los errores son independientes.
𝒑
definida en el espacio muestral Ω como el Nº a) Determinar la probabilidad de encontrar cero.
𝑟𝑞
𝑉(𝑥) = 2 de éxitos, luego la probabilidad de que ocurra b) Uno o más de un digito incorrecto en un
𝑝 “k” éxitos es: número binario de 25 dígitos.
c) Cuál es la probabilidad de que se obtenga por
4. Distribución Geométrica.
lo menos un número incorrecto si el
1.Parámetro. 6. Distribución de Poisson.
𝑥 = numero de ensayos hasta obtener éxito. computador genera 106 de esos números
1.Parámetro. binarios por segundo?
El número de ensayos no es fijo(no hay 𝑛) Cumple la condición de una función de SOLUCIÓN:
𝑝 = probabilidad de éxito.
probabilidad: 𝜆 = 𝜇 = 𝑛𝑝 ; 𝜆>0 Binomial:
2.Función de Probabilidad.
𝑛 − 1 𝑘 𝑛−𝑘 2.Función de Probabilidad. 𝑃(𝑒𝑟𝑟𝑜𝑟) = 0.002
𝑃(𝑥=𝑘) = ( )𝑝 𝑞 si: 𝑥 = 𝑘 = 1 𝑛 = 25 ; 𝑥 = 0 ;
𝑘−1
𝜆𝑥 𝑒 −𝜆 𝑝 = 0.002
𝑃(𝑥=𝑘) = 𝑞𝑘−1 𝑝 𝑃(𝑥) = 𝑥 = 1,2,3, … , 𝑛 𝑞 = 0.998
𝑥!
𝑛
a) 𝑃(𝑥) = ( ) (𝑝)𝑥 (𝑞)𝑛−𝑥
Función de Distribución: 𝐹(𝑥) = 1 − 𝑞 𝑥 3.Media. 𝝁 = 𝝀. 𝑥
25
𝑃(0) = ( ) (0.002)0 (0.998)25
𝟏 𝜇𝑥 = 𝜆 0
3.Media. 𝝁 = 𝑬 = . 𝑃(0) = 0.9512
𝒑 𝟐
𝒒 4.Varianza. 𝑽(𝒙) = 𝛔 = 𝝀. b) 𝑃(𝑥 ≥ 1) = 1 − 0.9512 = 0.0488
4.Varianza. 𝑽(𝒙) = 𝟐. 6
𝒑
𝑉(𝑥) = 𝜆 c) 𝑛 = 106 → 0.99810 = 0.

© Jabier Jaime Apaza Mamani, 26.05.18, cel: 73203246, pág. 8.