Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Resumen de fórmulas de probabilidad Fórmulas básicas de probabilidad (Capítulo 1) Definición de Laplace (Sección 1.2) resultadosdetotalcantidad Aenconenidosresultadosdecantidad AP =)( Definición empírica (Sección 1.2) n )A(fr )A(fr)A(P abs rel =≈ Axiomas y consecuencias (Sección 1.2) • P(A) ≥ 0 • P(E) = 1 • A ∩ B = ∅ <=> P(A ∪ B) = P(A) + P(B) • P(A) ≤ 1 • P(A) + P( A ) = 1 • P(∅) = 0 • A ⊂ B => P(A) ≤ P(B) Suma de probabilidades (Sección 1.2) • P(A ∪ B) = P(A) + P(B) - P(A ∩ B) • P(A ∪ B ∪ C) = P(A) + P(B) + P(C) - P(A ∩ B) - P(A ∩ C) - P(B ∩ C) + P(A ∩ B ∩ C) Probabilidad condicional (Sección 1.3) • )( )()/( )( )( )/( BP APABP BP BAP BAP = ∩= Multiplicación de probabilidades (Sección 1.3) • ( ) ( ) BA CPA BP)A(P)CBA(P ∩=∩∩ • ∏ = − == = n 1i 1i 1j ji n 1i i AAP)A(P II Independencia de sucesos (Sección 1.4) • A, B indep. <=> P(A/B) = P(A) <=> P(B/A) = P(B) <=> P(A ∩ B) = P(A) . P(B) • A, B indep. <=> A, BC indep. <=> AC, B indep. <=> AC, BC indep. Probabilidad total (Sección 1.5) • ∑∑ == =∩= n i ii n i i pPpAPpAPAP 11 )()./()()( Regla de Bayes (Sección 1.6) • ∑ = = n i ii ii i pPpAP pPpAP ApP 1 )()/( )()/( )/( Variables aleatorias unidimensionales (Capítulo 2) Funciones de densidad y distribución y probabilidades (Sección 2.3) • ∑ −∞= ==≤ 0 )()()( 00 x x XX xPxFxXP (X discreta) • ∫ ∞− ==<=≤ 0 )()()()( 000 x XX dxxfxFxXPxXP (X continua) • )()( xF dx d xf XX = Cambio de variables continuo (Sección 2.4) d x d y xf yf XY )( )( = Esperanza (Sección 2.5) • ∫ +∞ ∞− = dxxfxXE X )()( • ∫ +∞ ∞− = dxxfxxE X )()())(( ϕϕ • Para X discreta, reemplazar integrales por sumatorias y fX por PX. • ℜ∈+=+=+ baconbXaEbEaXEbaXE ,)()()()( Varianza (Sección 2.6) • ∫ ∞ ∞− −=−== dxxfxXEXEXVar XXX )()()))((()( 222 µσ • 222 )()( XEXE X −=σ • ℜ∈=+ baconabaX X ,)( 222 σσ Mezcla (Sección 2.9) • fXMEZCLA = P(A1) fX1(x) + P(A2) fX2(x) + ... + P(An) fXn(x) Variables aleatorias bidimensionales y n-dimensionales (Capítulo 3) Marginación (Sección 3.3) • ∑+∞ −∞= = y XYX )y,x(P)x(P para variables discretas • dyyxfxf XYX ∫ +∞ ∞− = ),()( para variables continuas Distribución condicional (Sección 3.4) • )( ),( ),( / yP yxP yxP Y XY YX = para variables discretas • )( ),( ),( / yf yxf yxf Y XY YX = para variables continuas Independencia de variables aleatorias (Sección 3.5) • X e Y indep. <=> fX/Y(x,y) = fX(x) <=> fY/X(x,y) = fY(y) <=> fXY(x,y) = fX(x) . fY(y) • Para variables discretas es análogo Esperanza condicional (Sección 3.6) • ∫ ∞ ∞− == dxyxfxYXE YXYX ),()/( // µ • Para variables discretas es análogo Cambio de variables (Sección 3.7 , 3.8) • ),( ),( ),( ),( yx vu yxf vuf X Y U V ∂ ∂ = • ∫ ∫ +∞ ∞− +∞ ∞− = dxdyyxfyxyxE XY ),(),()),(( ϕϕ • E(X + Y) = E(X) + E(Y) • ∑∑ == = n i ii n i ii XEaXaE 11 )( • XYYXbYaX abba σσσσ 222222 ++=+ • YXXYYXXY XYEdxdyyxfyxYX µµµµσ −=−−== ∫ ∫ +∞ ∞− +∞ ∞− )(),())((),cov( • YX XY σσ σρ = Máximos y mínimos (Sección 3.9) Hipótesis sobre las variables aleatorias X i: Y = max{X1, X2, ..., Xn} Y = min{X1, X2, ..., Xn} Las X i son independientes e idénticamente distribuidas [ ] )()()( 1 yfyFnyf X n XY −= [ ]n XY yFyF )()( = [ ] )()(1)( 1 yfyFnyf X n XY −−= [ ]n XY yFyF )(11)( −−= Las X i son independientes, y cada una tiene su propia distribución [ ] [ ] [ ])(...)( )()( 1 yFyF yFyF XX n i XiY = == ∏ = [ ] [ ] [ ])(1...)(11 )(11)( 1 1 yFyF yFyF XnX n i XiY −−−= =−−= ∏ = Las X i no son independientes ∫ ∫ ∫ ∞− ∞− ∞− = y y y nXXX Y dxdxdxf yF n 12... ...... )( 21 ∫ ∫ ∫ ∞ ∞ ∞ −= y y y nXXX Y dxdxdxf yF n 12... ...... 1)( 21 Distribuciones particulares (Capítulos 4 - 7) Nombre Cap. Función de probabilidad / densidad Esperanza Varianza Beta 7 ( ) ( ) ( ) ∀ <<− ΓΓ +Γ = −− xotro xxx ba ba xf ba X 0 10)1( )( 11 (***) ba a + )1()( 2 +++ baba ba Binomial 4 ∀ ≤≤− = − xotro nxpp x n xP xnx X 0 0)1.(. )( n.p n.p.(1-p) Chi-cuadrada 7 (*) ν 2ν Exponencial negativa 5 ≤ > = − 00 0 )( x xe xf x X λλ 1 / λ 1 / λ2 F 7 (*) (*) (*) Gamma (**) 5 ≤ > Γ= −− 00 0 )( )( )( 1 x x k ex xf xk X λλλ (***) k / λ k / λ2 Geométrica 4 ∀ ≥− = − xotro xpp xP x X 0 1)1.( )( 1 1 / p 1 / p2 Hipergeométrica 7 − − ⋅ = n N xn kN x k xP X )( -- -- Multinomial 7 ∏ = == k i i i x p nxXP ix 1 ! !)( -- -- Normal (ver aparte) 6 ℜ∈∀= −− x e xf x X σπ σ µ 2 )( 2 2 1 µ σ2 Pascal 4 ∀ ≥− − − = − xotro kxpp k x xP kxk X 0 )1.(. 1 1 )( k / p k / p2 Poisson 5 < ≥= − 00 0 !)( x x x e xP x X µµ µ µ t-Student 7 (*) 0 2−ν ν Uniforme 7 ∀ ≤≤ −= xotro bxa abxf X 0 1 )( 2 ba + 12 )( 2ab − (*) No resulta de utilidad (**) Para calcular probabilidades de la gamma se puede usar: • ∫ ∑ − = =−=ox k i X iYPdxxf 0 1 0 )(1)( • ∫ ∑∞+ − = == ox k i X iYPdxxf 1 0 )()( donde X:Gamma(λ,k) e Y:Poisson(µ) con µ = λ . x0 (***) ∫+∞ −−=Γ 0 1)( dxexk xk Para k natural, vale Γ(k) = (k-1)! Distribución normal (Sección 6.1) • Estandarización: X:N(µ;σ) ∧ σ µ−= XZ => Z:N(0,1) • Valores tabulados: −Φ= −==≤ σ µ σ µ xx FxFxXP ZX )()( • Fractiles tabulados: Dada Z:N(0;1), zα = z tal que Φ(z) = P(Z ≤ z) = α • Función lineal: X:N(µx ; σx) ∧ Y = aX+b => Y:N(a µx + b ; σx |a|) • Combinación lineal: Xi:N(µ i;σi) independientes ∧ ∑ = = n i ii XZ 1 α => == ∑∑ == n i iiz n i iizNZ 1 22 1 ;: σασµαµ Teorema central del límite (Sección 6.2) • n X Z σ µ−= tiene una distribución aproximadamente normal estándar • ∑ = = n i i XY 1 tiene una distribución aproximadamente );( σµ nnN
Compartir