Formulario de Probabilidad

Parte 1: Fundamentos de Probabilidad y Conteo

Axiomas de Kolmogorov
Sea S el espacio muestral y A un evento cualquiera:

1. P (A) ≥ 0 para todo evento A.

2. P (S) = 1.

3. Si A1 , A2 , A3 , . . . es una secuencia de eventos mutuamente excluyentes (Ai ∩ Aj = ∅ para i ̸= j),

entonces:
∞ ∞
!
= P (Ai )
[ X
P Ai
i=1 i=1

Probabilidad Condicional e Independencia

• Probabilidad del Complemento: P (Ac ) = 1 − P (A)

• Regla de la Adición: P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

• Probabilidad Condicional: La probabilidad de A dado que ocurrió B es:

P (A ∩ B)
P (A|B) = , para P (B) > 0
P (B)

• Regla de la Multiplicación: P (A ∩ B) = P (B)P (A|B) = P (A)P (B|A)

• Independencia de Eventos: A y B son independientes si y solo si:

P (A ∩ B) = P (A)P (B)

Teorema de Bayes y Ley de Probabilidad Total

Sea {A1 , A2 , . . . , An } una partición del espacio muestral S, tal que P (Ai ) > 0 para todo i. Para
cualquier evento B con P (B) > 0:

• Ley de Probabilidad Total:

n
P (B) = P (B|Ai )P (Ai )
X

i=1

• Teorema de Bayes:

P (B|Ak )P (Ak ) P (B|Ak )P (Ak )

P (Ak |B) = = Pn
P (B) i=1 P (B|Ai )P (Ai )
Análisis Combinatorio (Técnicas de Conteo)
Sean n el número total de elementos disponibles y k el número de elementos que se seleccionan:

• Permutación (El orden SÍ importa):

– Sin repetición: Pkn = n!

(n−k)!

– Con repetición: Pn,k

′ = nk

– Con elementos repetidos (n1 , n2 , . . . , nr donde ni = n): n!

P
n1 !n2 !...nr !

• Combinación (El orden NO importa):

– Sin repetición: Ckn = n

k = n!
k!(n−k)!
(n+k−1)!
– Con repetición: CRkn = n+k−1

k = k!(n−1)!

2
Parte 2: Variables Aleatorias Discretas
Fórmulas Generales
• Función de Masa de Probabilidad (PMF): p(x) = P (X = x)

• Función de Distribución Acumulada (CDF): F (x) = P (X ≤ x) =

P
t≤x p(t)

• Esperanza Matemática: E[X] = · p(x)

P
xx

• Varianza: V (X) = E[X 2 ] − (E[X])2 , donde E[X 2 ] = 2 · p(x)

P
xx

• Función Generadora de Momentos (FGM): MX (t) = E[etX ] = tx · p(x)

P
xe

Distribución PMF y Parámetros Media Varianza FGM

Binomial n
k n−k
k p q , k = 0, . . . , n (0 ≤ p ≤ 1, q = 1 − p) np npq (q + pet )n

(Nn−k )(k)
−r r
 N −n 
Hipergeométrica , k = 0, . . . , n (r ≥ n) r r
1− r



n n
(Nn ) N N N N −1

e−λ λk t −1)
Poisson k! , k = 0, 1, . . . (λ > 0) λ λ eλ(e

q q p
Geométrica q k p, k = 0, 1, . . . (0 ≤ p ≤ 1, q = 1 − p) p p2 1−qet

 r
rq rq p
Binomial Negativa r+k−1
k r
r−1 q p , k = 0, 1, . . . (0 ≤ p ≤ 1, q = 1 − p) p p2 1−qet

n2 −1 et (1−ent )
Uniforme Discreta 1
n, k = 1, . . . , n n+1
2 12 n(1−et ) (t ̸= 0)

3
Parte 3: Variables Aleatorias Continuas
Fórmulas Generales
Rb
• Función de Densidad de Probabilidad (PDF): f (x) tal que P (a ≤ X ≤ b) = a f (x) dx
Rx
• Función de Distribución Acumulada (CDF): F (x) = P (X ≤ x) = −∞ f (t) dt
R∞
• Esperanza Matemática: E[X] = −∞ x · f (x) dx
R∞
• Varianza: V (X) = E[X 2 ] − (E[X])2 , donde E[X 2 ] = −∞ x
2 · f (x) dx
R∞
• Función Generadora de Momentos (FGM): MX (t) = E[etX ] = −∞ e
tx · f (x) dx

Distribución PDF y Parámetros Media Varianza FGM

(b−a)2 ebt −eat

Uniforme 1
b−a , a≤x≤b a+b
2 12 (b−a)t (t ̸= 0)

 
Exponencial λe−λx , x ≥ 0 (λ > 0) 1
λ
1
λ2
λ
λ−t (t < λ)

α
β α α−1 −βx

β
Gamma Γ(α) x e , x≥0 (α, β > 0) α
β
α
β2 β−t (t < β)

(x−µ)2 σ 2 t2
Normal √ 1 e− 2σ 2 , −∞ < x < ∞ (σ > 0) µ σ2 eµt+ 2
2πσ

e− 2 ( ) , x>0
1 ln x−µ 2 σ2 2 2
Lognormal 1
√
σx 2π
σ (σ > 0) eµ+ 2 e2µ+σ (eσ − 1)

 α+1
αβ 2 αβ 2
 
β αβ
Pareto α
β x , x≥β>0 (α > 2) α−1 α−2 − α−1

Γ(1+ α )
1
    2 
α
Weibull αβxα−1 e−βx , x ≥ 0 (α, β > 0) β 1/α
1
β 2/α
Γ 1+ 2
α −Γ 1+ 1
α

Γ(α+β) α−1 αβ
Beta Γ(α)Γ(β) x (1 − x)β−1 , 0 < x < 1 (α, β > 0) α
α+β (α+β)2 (α+β+1)

4
Parte 4: Variables Aleatorias Multivariadas (Bivariadas)
Funciones de Probabilidad Conjunta y Marginales
• Conjunta Discreta (PMF): p(x, y) = P (X = x, Y = y)

• Conjunta Continua (PDF): f (x, y) tal que P ((X, Y ) ∈ A) = A f (x, y) dx dy

RR

• Marginal Discreta:
pX (x) = pY (y) =
X X
p(x, y) p(x, y)
y x

• Marginal Continua:
Z ∞ Z ∞
fX (x) = f (x, y) dy fY (y) = f (x, y) dx
−∞ −∞

Esperanzas y Varianzas Marginales

Para obtener los estadísticos individuales a partir del entorno bivariado, se integra o suma utilizando
exclusivamente la función marginal correspondiente:

• Media Marginal de X (E[X] o µX ):

Z ∞
E[X] = x · pX (x) (Discreta) E[X] = x · fX (x) dx (Continua)
X

x −∞

• Media Marginal de Y (E[Y ] o µY ):

Z ∞
E[Y ] = y · pY (y) (Discreta) E[Y ] = y · fY (y) dy (Continua)
X

y −∞

• Segundo Momento Marginal: Necesario para calcular la varianza individual.

Z ∞
E[X ] = x · pX (x) o x2 · fX (x) dx
X
2 2
x −∞

• Varianza Marginal (V (X) y V (Y )): Se aplica la definición clásica sobre sus momentos:

V (X) = E[X 2 ] − (E[X])2 V (Y ) = E[Y 2 ] − (E[Y ])2

Probabilidad Condicional e Independencia

p(x,y)
• Condicional Discreta: pX|Y (x|y) = pY (y) , para pY (y) > 0
f (x,y)
• Condicional Continua: fX|Y (x|y) = fY (y) , para fY (y) > 0

• Independencia: X e Y son independientes si y solo si:

p(x, y) = pX (x)pY (y) (Discretas) o f (x, y) = fX (x)fY (y) (Continuas)

Propiedades Conjuntas: Covarianza y Correlación

• Esperanza del producto E[XY ]:
Z ∞ Z ∞
E[XY ] = (Discreta) E[XY ] = xy · f (x, y) dx dy (Continua)
XX
xy · p(x, y)
x y −∞ −∞

5
• Covarianza: Mide la dependencia lineal entre las variables.

Cov(X, Y ) = E[XY ] − E[X]E[Y ]

Propiedad clave: Si X e Y son independientes =⇒ Cov(X, Y ) = 0.

• Coeficiente de Correlación (ρ):

Cov(X, Y )
ρX,Y = (−1 ≤ ρX,Y ≤ 1)
σX σY

• Varianza de una Combinación Lineal:

V (aX + bY ) = a2 V (X) + b2 V (Y ) + 2abCov(X, Y )

Si son independientes: V (aX + bY ) = a2 V (X) + b2 V (Y ).