Resúmen

17 de octubre de 2018

1. Conteo
Sean un conjunto de tamaño n donde se toman k elementos:

1.1. Permutaciones
Es un arreglo de todo o parte de un conjunto de objetos. Importa el orden.
n!
Sin repetición: Vkn = Pn,k =
(n − r)!
Con repetición: nk
 
n n!
Con clases: =
n1 , n2 , . . . , nk n1 !n2 ! . . . nk !

1.2. Combinaciones
Es una colección de todo o parte de un conjunto de objetos. No importa el
orden.
 
n n!
Sin repetición: Cn,k = =
k (n − k)!k!
 
n+k+1 (n + k + 1)!
Con repetición: Cn+k+1,k = =
k (n − k)!k!

2. Probabilidad
Es una medida de incertidumbre o ausencia de certeza.

2.1. Función probabilística

P : Partes (Ω) 7→ [0, 1]
Ω: Espacio muestral. Conjunto de posibles resultados en un experimento
no determinístico.

1
2.2. Axiomas probabilísticos
∀E ⊆ Ω : P (E) ≥ 0
P (Ω) = 1
∀A, B ⊆ Ω : A ∩ B = ∅ ⇒ P (A ∪ B) = P (A) + P (B)

2.3. Propiedades probabilísticas

P (∅) = 0
∀E ⊆ Ω : P (E c ) = 1 − P (E)

∀A, B ⊆ Ω : P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

∀A, B ⊆ Ω : A ⊆ B ⇒ P (A) ≤ P (B)

2.4. Probabilidad condicional

La probabilidad condicional del evento A dado B se denota:

P (A ∩ B)
∀A, B ⊆ Ω : P (A|B) = , con P (B) > 0
P (B)

2.5. Independencia
∀A, B ⊆ Ω : A y B son independientes si y sólo si P (A ∩ B) = P (A)P (B).
Esto es equivalente a que P (A|B) = P (A) ∧ P (B|A) = P (B).

2.6. Ley de probabilidades totales

Sea B1 , B2 , . . . , Bn ⊆ Ω eventos disjuntos que forman una partición de Ω
con P (Bi ) > 0 para i = 1, . . . , n entonces:

n
X
∀A ⊆ Ω : P (A) = P (A|Bi )P (Bi )
i=1

2.7. Teorema de Bayes

Sea B1 , B2 , . . . , Bn ⊆ Ω eventos disjuntos que forman una partición de Ω
con P (Bi ) > 0 para i = 1, . . . , n entonces:

P (A|Bj )P (Bj )
∀A ⊆ Ω : P (Bj |A) = Pn
i=1 P (A|Bi )P (Bi )

2
3. Medidas descriptivas
Se emplean para caracterizar la distribución de probabilidad de una variable
aleatoria X.

3.1. Esperanza, valor esperado o media

Es una medida de tendencia central definida por el momento de orden 1 de
la variable aleatoria X
X
Caso discreto: µ = E(X) = xp(x)
x∈RX
Z ∞
Caso continuo: µ = E(X) = xf (x)dx
−∞

3.2. Varianza
Es una medida de dispersión definida por el momento centrado de orden 2
de la variable aleatoria X
X
Caso discreto: σ 2 = VAR(X) = (x − µ)2 p(x)
x∈RX
Z ∞
Caso continuo: σ 2 = VAR(X) = (x − µ)2 f (x)dx
−∞

3.3. Desviación estándar

Otra medida de dispersión que posee las mismas unidades de medida que la
variable aleatoria X

p √
σ= VAR(X) = σ 2

3.4. Propiedades y relaciones de E(X) y VAR(X)

E(X) = µ ≥ 0
E(X − µ) = 0
∀a, b ∈ R : E(aX + b) = aµ + b

VAR(X) = σ 2 ≥ 0
σ 2 = VAR(X) = E(X 2 ) − µ2 = E(X 2 ) − E(X)2
∀a, b ∈ R : VAR(aX + b) = a2 σ 2

3
4. Variables aleatórias con nombre propio
Cualquier función X : Ω 7→ R que asigna un valor real a cada resultado de
un experimento no determinístico.

4.1. Distribución Bernoulli

X ∼ Bernoulli(p), 0 ≤ p ≤ 1
RX = {0, 1}


1 − p,
 si x = 0
p(X = x) = p, si x = 1

0, en otro caso


0,
 si x < 0
F (X ≤ x) = 1 − p, si 0 ≤ x < 1

1, si x ≥ 1


µ = E(X) = p σ 2 = VAR(X) = p(1 − p)

4.2. Distribución binomial

X = “cantidad de éxitos en n ensayos Bernoulli”

X ∼ Binomial(n, p), n ∈ Z+ , 0 ≤ p ≤ 1
RX = {0, 1, . . . , n}

 
 n px (1 − p)n−x , si x = 0, 1, . . . , n
p(X = x) = x
0, en otro caso


µ = E(X) = np σ 2 = VAR(X) = np(1 − p)

4.3. Distribución geométrica

4.3.1. Primer caso
X = “cantidad de ensayos Bernoulli hasta que ocurre el primer éxito”

4
 X ∼ Geom(p), 0 ≤ p ≤ 1
RX = {1, 2, . . . }

(
p(1 − p)x−1 , si x = 1, 2, . . .
p(X = x) =
0, en otro caso
(
0, si x < 1
F (X ≤ x) =
1 − (1 − p)[x] , si x ≥ 1

1 1−p
µ = E(X) = σ 2 = VAR(X) =
p p2

4.3.2. Segundo caso

X = “cantidad de ensayos Bernoulli antes de que ocurra el primer éxito”

X ∼ Geom(p), 0 ≤ p ≤ 1
RX = {0, 1, . . . }

(
p(1 − p)x , si x = 0, 1, . . .
p(X = x) =
0, en otro caso
(
0, si x < 0
F (X ≤ x) = [x]+1
1 − (1 − p) , si x ≥ 0

1−p 1−p
µ = E(X) = σ 2 = VAR(X) =
p p2

4.4. Distribución binomial negativa

4.4.1. Primer caso
X = “cantidad de ensayos Bernoulli hasta el k-ésimo éxito”

X ∼ BinomialNeg(k, p), k ∈ Z+ , 0 ≤ p ≤ 1
RX = {k, k + 1, . . . }

5
  
 x − 1 pk (1 − p)x−k , si x = k, k + 1, . . .
p(X = x) = k−1
0, en otro caso


k k(1 − p)
µ = E(X) = σ 2 = VAR(X) =
p p2

4.4.2. Segundo caso

X = “cantidad fallos hasta el k-ésimo éxito en una serie de ensayos Bernoulli”

X ∼ BinomialNeg(k, p), k ∈ Z+ , 0 ≤ p ≤ 1
RX = {0, 1, . . . }

 
 x + k − 1 pk (1 − p)x , si x = 0, 1, . . .
p(X = x) = x
0, en otro caso


k(1 − p) k(1 − p)
µ = E(X) = σ 2 = VAR(X) =
p p2

5. Proceso Poisson
Suponiendo la ocurrencia de eventos aleatorios independientes espaciados en
el tiempo entre sí de manera tal que el tiempo de eventos consecutivos es una
variable aleatoria Y ∼ Exp(λ), donde λ = “tasa unitaria de ocurrencias”.

5.1. Distribución Poisson

W = “número de ocurrencias de un evento en un período de tiempo [0, t]”

W ∼ Poisson(λt), λ, t ∈ R+
RW = {0, 1, . . . }

 −λt
 e (λt)ω
, si ω = 0, 1, . . .
p(W = ω) = ω!
0, en otro caso

µ = E(W ) = λt σ 2 = VAR(W ) = λt

6
5.2. Distribución exponencial
Y = “tiempo entre ocurrencias consecutivas de eventos”

Y ∼ Exp(λ), λ ∈ R+
RY = R+

(
0, si y < 0
F (Y ≤ y) = −λy
1−e , si y ≥ 0

1 1
µ = E(Y ) = σ 2 = VAR(Y ) =
λ λ2

5.3. Distribución gamma

X = “tiempo que debe transcurrir para que se den k ocurrencias de eventos”

X ∼ Gamma(k, λ), λ ∈ R+ , k = 1, 2, . . .
R X = R+


0,
 si x < 0
k−1 i
F (X ≤ x) = −λx
X (λx)
1 − e

i!
, si x ≥ 0
i=0

k k
µ = E(X) = σ 2 = VAR(X) =
λ λ2

6. Variables aleatorias conjuntas

Sea un espacio muestral Ω, el vector de n funciones (X1 , X2 , . . . , Xn ) tales
que Xi = Ω 7→ R con i = 1, . . . , n se denominan variables aleatorias conjuntas
n-dimensionales.

6.1. Variables aleatorias bidimensionales

Es un caso particular cuando n = 2.

7
6.1.1. Función de densidad de probabilidad conjunta
Caso discreto: pXY : R2 7→ R+

X X
∀(x, y) ∈ R2 : pXY (x, y) ≥ 0 ∧ pXY (x, y) = 1
x∈RX y∈RY

Caso continuo: fXY : R2 7→ R+

Z ∞ Z ∞
2
∀(x, y) ∈ R : fXY (x, y) ≥ 0 ∧ fXY (x, y)dxdy = 1
−∞ −∞

6.2. Función de distribución acumulada conjunta

FXY : R2 7→ R+ tal que ∀(x, y) ∈ R2 : FXY (x, y) = P (X ≤ x ∧ Y ≤ y)
X X
Caso discreto: ∀(x, y) ∈ R2 : FXY = pXY (xi , yi )
yi ≤y xi ≤x
Z x Z y
Caso continuo: ∀(x, y) ∈ R2 : FXY = fXY (s, t)dsdt
−∞ −∞

6.3. Función de densidad de probabilidad marginal

X
Caso discreto: pX : R 7→ R+ ∴ ∀x ∈ R : pX (x) ≥ 0 ∧ pX (x) = 1
x∈RX

X
∀x ∈ R : pX (x) = pXY (X = x, y) = pXY (x, yi )
yi ∈RY

Z ∞
Caso continuo: fX : R 7→ R+ ∴ ∀x ∈ R : fX (x) ≥ 0 ∧ fX (x)dx = 1
−∞

Z y
∀x ∈ R : fX (x) = fXY (X = x, y) = fXY (x, s)ds
−∞