Escuela Politécnica Nacional / Formulario para Probabilidades y Estadística

Estadísticas descriptivas:
Varianza: 𝒏 Variable estandarizada:
𝟏 ̅)
(𝑿𝒊 − 𝑿
𝑺𝟐 = ̅ )𝟐
∑(𝑿𝒊 − 𝑿 𝒁=
(𝒏 − 𝟏) 𝑺
𝒊=𝟏
Desviación Covarianza:
𝒏
estándar: 𝑺 = √𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝟏
𝑪𝒐𝒗(𝑿, 𝒀) = ̅ )(𝒀𝒊 − 𝒀
∑(𝑿𝒊 − 𝑿 ̅)
(𝒏 − 𝟏)
𝒊=𝟏
Coeficiente de Coeficiente de
variación: 𝑺 correlación: 𝑪𝒐𝒗(𝑿, 𝒀)
𝑪𝑽 = 𝒓=
̅
𝑿 𝑺𝒙 𝑺𝒚

Análisis combinatorio: Probabilidades de eventos:

Conjunto tipo {a,b,c,d,e} Sin repetición Con repetición de elementos i) Disjuntos: P(AUB)=P(A)+P(B)
𝑛! (𝑛+𝑘−1)! ii) Cualquiera P(AUB)=P(A)+P(B) - P(A∩B)
Combinaciones: 𝐶𝑛,𝑘 = 𝐶𝑅𝑛,𝑘 =
𝑘!(𝑛−𝑘)! 𝑘!(𝑛−1)! P( A  B)
(No importe orden) iii) Condicional: P( A / B) 
𝑛! P( B)
Permutaciones 𝑃𝑛,𝑘 = 𝑉𝑛,𝑘 = 𝑃𝑅𝑛,𝑘 = 𝑉𝑅𝑛,𝑘 = 𝑛𝑘
(𝑛−𝑘)!
iv) Independientes: P( A  B)  P( A) P( B)
(Si importa orden)(Llamadas también Variaciones)
Permutaciones con conjunto base donde se repiten elementos, tipo {a,a,b,b,c,c,d,e,e,e} n
P( A)   P( A / Hi ) P( Hi )
Fórmula de la
𝑛!
Permutaciones: 𝑃𝑛𝑛1 𝑛2 𝑛3…𝑛𝑘 = donde ni son las veces que se probabilidad total
𝑛1!𝑛2!𝑛3!…𝑛𝑘!
repiten los elementos del conjunto base. y n1+n2+n3+…nk=n i 1

P( A / H i ) P( H i )
Función de distribución de probabilidad: F(x) = P(X ≤ x)
Bayes:
P( H i / A)  n

Función densidad f(x) para v.a. continua f(x) = F’(x),

 P( A / H
j 1
j ) P( H j )

+∞ 𝒃 𝒙
Propiedades: 𝒊) ∫−∞ 𝒇(𝒙)𝒅𝒙 = 𝟏 𝒊𝒊) 𝒇(𝒙) ≥ 𝟎 𝒊𝒊𝒊) 𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = ∫𝒂 𝒇(𝒙)𝒅𝒙 𝒊𝒗) 𝑭(𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒕

Esperanza matemática y varianza para v.a. discreta: Esperanza matemática y varianza para v.a. continua:
n  
  V ( X )  ( xi   ) pi
n
  E( X )   xi pi   E ( X )   x f ( x)dx   V ( X )   ( x  )
2 2 2 2
f ( x)dx
i 1 i 1  

Leyes de Función Esperanza Varianza Asimetría Curtosis

probabilidad matemática
Binomial 𝑛! 1 − 2𝑝 1 − 6𝑝𝑞
𝑃 (𝑋 = 𝑥 ) = 𝑝 𝑥 𝑞 𝑛−𝑥 𝐸(𝑋) = 𝑛𝑝 𝑉(𝑋) = 𝑛𝑝𝑞 3+
𝑥! (𝑛 − 𝑥 )! √𝑛𝑝𝑞 𝑛𝑝𝑞
Binomial (𝑘 − 1 + 𝑥 ) ! 𝑘 𝑥 2−𝑝
Negativa 𝑃 (𝑋 = 𝑥 ) = 𝑝 𝑞 𝑘𝑞 𝑘𝑞 (𝑝2 − 6𝑝 + 6)
(𝑘 − 1)! 𝑥! 𝐸(𝑋) = 𝑉(𝑋) = 3+
𝑝 𝑝2 √𝑘𝑞 𝑘𝑞

Geométrica 𝑞 𝑞 2−𝑝 (𝑝2 − 6𝑝 + 6)

𝑃 (𝑋 = 𝑥 ) = 𝑞 𝑥 𝑝 𝐸(𝑋) = 𝑉(𝑋) = 2 3+
𝑝 𝑝 √𝑞 𝑞
Poisson 𝑒 −𝜆 𝜆𝑥 1 1
𝑃 (𝑋 = 𝑥 ) = 𝐸(𝑋) = 𝜆 𝑉(𝑋) = 𝜆 3+
𝑥! √𝜆 𝜆
Hipergeométrica 𝑥 𝑛−𝑥
( )( ) 𝐸(𝑋) = 𝑛𝑝 𝑉(𝑋) (𝑁 − 2𝑘)(𝑁 − 2𝑛)√𝑁 − 1
𝑃 (𝑋 = 𝑥 ) = 𝑘 𝑁 𝑛
−𝑘
𝑠𝑖𝑒𝑛𝑑𝑜 𝑝 = 𝑘/𝑁 = 𝑛𝑝(1 − 𝑝)
(𝑁 − 𝑛)
(𝑛 − 2)√𝑛𝑘(𝑁 − 𝑘)(𝑁 − 𝑛)
( ) (𝑁 − 1)
𝑁
Uniforme
1
, 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏 (𝑎 + 𝑏) (𝑏 − 𝑎)2 9
𝑓(𝑥) = {(𝑏 − 𝑎) 𝐸(𝑋) = 𝑉(𝑋) = 0
2 12 5
0, 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑠𝑡𝑜
Exponencial
𝜃 𝑒𝑥𝑝(−𝜃𝑥), 𝑐𝑜𝑛 𝑥 > 0 1 1
𝑓(𝑥) = { 𝐸(𝑋) = 𝑉(𝑋) = 2 9
0, 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑠𝑡𝑜 𝜃 𝜃2
Normal
1 (𝑥 − 𝜇)2
𝑓(𝑥) = exp (− ) 𝐸(𝑋) = 𝜇 𝑉(𝑋) = 𝜎 2 0 3
√2𝜋 𝜎 2𝜎 2

Teorema Central del Límite: Sean X1, X2, …, Xn n variables aleatorias independientes con media µ y varianza σ2, (con cualquier distribución de probabilidad)
1
entonces, la variable promedio 𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑋𝑖 tiene media µ y desviación estándar 𝝈/√𝒏, y tiende a una ley normal de probabilidades conforme n tiende
(𝑋𝑖 −𝜇)√𝑛
al infinito. La variable estandarizada: 𝑍 = converge a una ley normal estándar o tipificada.
𝜎

𝑋−𝑛𝑝
Resultado: Siendo X variable aleatoria Binomial. La variable 𝑌= converge a la ley normal estandarizada.
√𝑛𝑝𝑞
Distribuciones de muestreo de las variables media, total y proporción:
Variable: Caso 1: conocida la varianza de la población Caso 2: se desconoce la varianza de la población. Se
estima la varianza a partir de una muestra
Considerando tamaño Población N infinita Considerando tamaño Población N infinita
población N (grande) población N (grande)

Media: ̅ = 𝑿𝟏+𝑿𝟐+⋯𝑿𝒏
𝑿 𝝈𝟐 (𝑵 − 𝒏) 𝝈𝟐 𝑺𝟐 (𝑵 − 𝒏) 𝑺𝟐
𝒏 ̅) =
𝑽(𝑿 ̅) =
𝑽(𝑿 ̂ (𝑿
𝑽 ̅) = ̂ (𝑿
𝑽 ̅) =
𝒏 (𝑵 − 𝟏) 𝒏 𝒏 𝑵 𝒏
̅) = 𝝁
𝑬(𝑿

Total: ̅
𝑻 = 𝒏𝑿 (𝑵 − 𝒏) 𝑽(𝑻) = 𝒏𝝈𝟐 (𝑵 − 𝒏) ̂ (𝑻) = 𝒏𝑺𝟐
𝑽
𝑽(𝑻) = 𝒏𝝈𝟐 ̂ (𝑻) = 𝒏𝑺𝟐
𝑽
(𝑵 − 𝟏) 𝑵
𝑬(𝑻) = 𝒏𝝁
̂
Proporción: 𝑷
𝒑𝒒 (𝑵 − 𝒏) 𝒑𝒒 ̂𝒒
𝒑 ̂ (𝑵 − 𝒏) ̂𝒒
𝒑 ̂
̂) =
𝑽(𝑷 ̂) =
𝑽(𝑷 ̂ (𝑷
𝑽 ̂) = ̂ (𝑷
̂) =
̂) = 𝒑
𝑬(𝑷 𝒏 (𝑵 − 𝟏) 𝒏 (𝒏 − 𝟏) 𝑵 𝑽
𝒏

Intervalos de confianza:
Conocida la
varianza ̅ − 𝒁𝟏−𝜶/𝟐 √𝑽(𝑿
𝑿 ̅) < 𝝁 < 𝑿
̅ + 𝒁𝟏−𝜶/𝟐 √𝑽(𝑿
̅)
poblacional 𝜎 2
Para la
Conocida solo la
media: 𝝁 varianza muestral ̅−𝒕 𝜶
𝑿 √̂( ̅ ) ̅ √̂( ̅ )
𝟏− ,𝒏−𝟏 𝑽 𝑿 < 𝝁 < 𝑿 + 𝒕𝟏− ,𝒏−𝟏 𝑽 𝑿
𝜶
𝑆2 𝟐 𝟐

Conocida la
Para la varianza ̂ − 𝒁𝟏−𝜶/𝟐 √𝑽(𝑷
𝑷 ̂) < 𝒑 < 𝑷
̂ + 𝒁𝟏−𝜶/𝟐 √𝑽(𝑷
̂)
proporción: p poblacional p
Conocida solo la
varianza muestral ̂ − 𝒁𝟏−𝜶/𝟐 √𝑽
̂ (𝑷
̂) < 𝒑 < 𝑷
̂ + 𝒁𝟏−𝜶/𝟐 √𝑽
̂ (𝑷
̂)
̂
𝒑 𝑷

Z1-α/2 = 1,64 al 90% confianza, Z1-α/2 = 1,96 al 95% confianza, Z1-α/2 = 2,58 al 99% confianza

Pruebas de hipótesis:
1. Prueba de hipótesis para 2. Prueba de hipótesis para una 3. Prueba de Bondad de Ajuste (Chi-Cuadrado): 4. Prueba de la VARIANZA
una media: proporción: (Chi-Cuadrado):
1
(Oi  ei ) 2
k
 
(x  o ) P  Po 
t 
 z 2n 2
2
(𝑛 − 1)𝑆 2
P0Q0 𝜒 =
n n i 1 ei 𝜎𝑜2