FORMULARIO MATEMATICAS IV Ing.

Miguel Enrique Raya Ayala

xóµ =
∑ fx DM =
∑ f x−x
n n
Donde: Varianza:
x = Dato ó marca de clase.
∑ f (x − x )
2

f = Frecuencia de cada x. s óσ =
2 2

n = Número de datos n
Mediana Aproximada: Desviación estándar:
 n+1  s = s2 óσ = σ 2
 −T  REGRESION LINEAL
Med = Lm +  2 ∆
Recta de ajuste:
 fm 
  y=A+Bx
 
Donde:
Donde:
Lm =Límite inferior de la clase mediana. A=
∑ xy ∑ x − ∑ x 2 ∑ y
T = Total de las frecuencias de los intervalos (∑ x )2 − n∑ x 2
anteriores a la clase mediana.
n∑ xy − ∑ x∑ y
n = Número de datos. B=
n∑ x 2 − (∑ x )
2
fm = Frecuencia de la clase mediana.
Δ = Ancho de la clase mediana. Coeficiente de correlación:
n∑ xy − ∑ x∑ y
Moda Aproximada:
 a  r=
Mod = L mod +  ∆
n∑ x 2 − (∑ x ) n∑ y 2 − (∑ y )
2 2
a+b
Donde: PROBABILIDAD
Lmod =Límite inferior de la clase modal.
P ( A) =
Eventos favorables
a = Valor absoluto de la diferencia en frecuencia Eventos Posibles
entre la clase modal y la clase anterior.
COMBINACIONES
b = Valor absoluto de la diferencia en frecuencia
n  n n!
entre la clase modal y la clase siguiente. C   = nCr =   =
Δ = Ancho de la clase modal. r  r  r!(n − r )!
PROBABILIDAD AXIOMATICA PERMUTACIONES
1. 0≤P(A)≤1  n n!
P  = n Pr =
2. P(S)=1
r (n − r )!
3. P(AUB)=P(A)+P(B) - P(A∩B)
4. P(Φ)=0 Elementos similares:
C
5. P(A )=1-P(A)  n  n!
C P  = n Pr =
6. P(A∩B )=P(A) - P(A∩B)
C C
 n1 , n 2 ,..., n r  n1 ! n 2 !...n r !
7. P(AUB )=P(B ) + P(A∩B) PROBABILIDAD CONDICIONAL
8. P(AC∩BC)=P(AUB)C P( A ∩ B )
9. P(ACUBC)=P(A∩B)C PA =
B
( ) P (B )
10. P(A-B)= P(A∩BC)
EVENTOS INDEPENDIENTES
B
( )
P A = Probabilidad de A dado que ya ocurrió B.
P(A∩B)=P(A)P(B)
REGLA DE BAYES
P(B1 )P A 
 B1 
P 1  =
B
 A 
P(B1 )P A  + P(B2 )P A  + P(B3 )P A  + ... + P(Bn )P A 
 B1   B2   B3   Bn 
 FORMULARIO MATEMATICAS IV Ing. Miguel Enrique Raya Ayala
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
Binomial: Multinomial:
x n-x
P(x)=nCxp q
P( x1 , x2 ,..., xK ) =
n! x x x
μ=E(x)=np σ2=npq p1 1 p2 2 ... p K K
x1! x2 !...xK !
Donde:
n = Número de observaciones. μ=E(xi)=npi
x = Número de éxitos. n = x1 + x2 + ... + xK
p = Probabilidad de éxito.
q = 1-p=Probabilidad de fracaso.
p1 + p2 + ... + p K = 1
Geométrica: Pascal:
P(x)= qx-1p P(x)=x-1Cx-r prqx-r
μ=E(x)=1/p σ2=q/p2 μ=E(x)=r/p σ2=rq/p2
Donde: Donde:
x = Observación en la que aparece el primer éxito. x = Número de intentos para conseguir los primeros
p = Probabilidad de éxito. “r” éxitos..
q = Probabilidad de fracaso. p = Probabilidad de éxito.
q = Probabilidad de fracaso.
Hipergeométrica: Poisson:
P(x ) = r CxN −r Cn− x e − λt (λt )
x
P(x ) =
N Cn x!
E (x ) = µ =
nr µ = σ = λt
2

N Donde:
nr  r  N − n  x = Número de éxitos
σ 2 = 1 −   e = Base de los logaritmos naturales ≈2.7182.
N  N  N − 1  λ =Razón media por unidad.
Donde: t =Número de unidades
x = Número de éxitos Valor esperado o esperanza matemática:
µ = E (x ) = ∑ x ⋅ p(x )
N = Tamaño de la población.
n = Tamaño de la muestra.
r =Total de elementos de la característica de x
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
Valor esperado o esperanza matemática: Varianza:
∞
µ = E (x ) = ∫ xf (x )dx
σ 2 = E x 2 − [E (x )]2 ( )
−∞
Uniforme: Exponencial:
 1 αe −αx x >0

f (x ) =  b − a
a≤ x≤b f (x ) = 
 0  0 Cualquier otro valor
Cualquier otro valor
E (x ) = µ =
1 1
b+a (b − a ) 2 σ2 = 2
E (x ) = µ = σ2 = α α
2 12 Función de distribución acumulativa
Función de distribución acumulativa 1 − e −αx x >0
 0 si x < a F (x ) = 
x −a  0 Cualquier otro valor
F (x ) =  si a ≤ x < b Normal:
b − a x−µ
 1 si x ≥ b z=
σ
ESTIMACIÓN DE LA MEDIA
Error Estándar: Intervalo de confianza:
σ σ σ
E = zα 2 x − zα 2 < µ < x + zα 2
n n n
FORMULARIO MATEMATICAS IV Ing. Miguel Enrique Raya Ayala