Folleto de Estadsticas

Teora del 1er Parcial

2012

Poblacin objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algn tipo de investigacin o medida. Unidades de investigacin: Son los elementos de la poblacin objetivo a los que se les efectan las medidas bajo anlisis Muestra: Es un subconjunto de n observaciones efectuadas a de una poblacin objetivo de tamao N. Observacin: Es cada uno de los valores incluidos en la muestra Muestreo: Operativo para realizar una investigacin a una muestra. Censo: Operativo para realizar una investigacin a una poblacin objetivo. Parmetros: Son medidas que se calculan a partir de los elementos de la poblacin.(Constantes) Estimadores: Son medidas que se calculan a partir de los elementos de la muestra.(variables) Marca de clase: Es el punto medio de la clase Frecuencia: numero de observaciones que se clasifican en la clase. Frecuencia relativa: Se la obtiene dividiendo la frecuencia entre el nmero de elementos de la poblacin o muestra. Moda: es el o los valores que tienen mayor frecuencia. Mediana: Es el valor central de un conjunto de observaciones ordenado de forma ascendente. Percentiles: Son los valores que dividen un conjunto de datos ordenados en forma ascendente en 100 partes iguales. Covarianza: Es una medida de relacin lineal entre 2 caractersticas cuantitativas. Experimento: Es un conjunto de acciones que con procedimientos claramente establecidos se efecta algn tipo de observacin o medida, para que un experimento sea estadstico debe cumplir las siguientes. Condiciones: 1. Se conocen cuales son todos los resultados posibles de su ejecucin 2. Cualquier realizacin del experimento conduce a un resultado que no es conocido previo a tal ejecucin pero se sabe es uno de los posibles. 3. El experimento puede ser repetido bajo idnticas condiciones.

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Espacio muestral: Se denomina espacio muestral al par ( , ) donde es el conjunto de todos los resultados posibles del experimento y es el conjunto potencia de , es decir el conjunto de todos los posibles subconjuntos de denominado espacio de eventos. Evento: Todo subconjunto de se denomina evento.

Funcin de probabilidades: Supongamos que un experimento estadstico tiene espacio muestral ( , ) una funcin P cuyo dominio es y cuyo conjunto de llegada es [0,1] es una funcin de probabilidades P: [0,1] si y solo si: 1. P( )=1 y P( )=0 2. A 0 P(A) 1 3. = P(A)+P(B) si y solo si A y B son mutuamente excluyentes. A B= Ley del complemento: Sea A un evento definido sobre el espacio muestral ( , ) y complemento entonces la probabilidad de =1-P(A). Ley aditiva de probabilidad: Sean A y B son eventos definidos sobre ( , ) entonces: P(AUB)=P(a)+P(b)-P(A B) Probabilidad condicional: Sean A y B 2 eventos definidos en ( , ) la probabilidad de que ocurra el evento A dado que ya ocurri B es: P (A\B) = ; P (B) su

Independencia de eventos: Sean A y B eventos en ( , ) A y B son independientes si y solo si P (A B)=P(A)P(B) Teorema de Bayes: Sean E1, E2,Ek eventos definidos sobre ( , ) tales que son exhaustivos y mutuamente excluyentes y Sea A un evento cualquiera definido en ( , ) entonces: P (Ei\A)= donde P(A)= y cuyo conjunto de llegada son los reales, es

Variable aleatoria: Una funcin X cuyo dominio es definida como una variable aleatoria.

Soporte de una variable aleatoria: El soporte S de una variable aleatoria es el conjunto de valores reales que ocurren con probabilidad distinta de cero.

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Funcin de distribucin de probabilidades: Con cada variable aleatoria X discreta asociamos una funcin P(X=x) denominada funcin de distribucin de probabilidades de X que va desde R[0,1] y debe cumplir lo siguiente: 1. P(X=x)=f(x) 2. 3. =

Distribucin acumulada: La distribucin acumulada de X es una funcin de variable real F: R[0,1] t es definida como F(x)=P(X x) para todo x est o no en el soporte S de la variable aleatoria. Valores esperados: Sea X una variable aleatoria discreta con distribucin de probabilidades P(x)=x y sea g(x) una funcin en trminos de la variable aleatoria X el valor esperado de g(x) se define como:

1. E[c]=c 2. E[c g(x)]=c E[g(x)] 3. E[g1(x)+g2(x)]=E[g1(x)]+E(g2(x))

Media y varianza de una variable aleatoria: Sea X una variable aleatoria con distribucin de probabilidades de X la media se define como y la varianza y al resolverla Funcin generadora de momentos: Sea X una variable aleatoria discreta con distribucin de probabilidades de X, la funcin generadora de momentos de X de existir se define como:

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Experimento binomial: Un experimento es binomial si y solo si lo constituyen n repeticiones Bernoulli que cumplen las siguientes condiciones: 1) 2) 3) 4) La probabilidad de que en una repeticin cualquiera ocurra suceso es P y falla 1-P La probabilidad de suceso se mantiene constante durante todo el experimento Cada repeticin es independiente de la otra El numero n de repeticiones es fijado previo al inicio del experimento

Distribucin binomial: Una variable aleatoria X discreta tiene distribucin binomial si representa el numero de sucesos que ocurren en un experimento binomial.

Distribucin binomial negativa: Se tiene una sucesin independiente de repeticiones Bernoulli todas ellas con probabilidad de suceso p. Si r es un numero entero previamente determinado, diremos que X es una variable aleatoria binomial negativa si y solo si X representa el nmero de repeticiones requeridas para que r-simo suceso ocurra.

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Distribucin hipergeomtrica: Se tiene una poblacin objetivo constituida por N entes, entre estos N entes hay a que tienen una caracterstica de inters. Se toma una muestra aleatoria de tamao n de la poblacin objetivo y diremos que X es una variable aleatoria hipergeomtrica si representa el nmero de elementos con la caracterstica de inters en la muestra.

Distribucin Poisson: Sea X una variable aleatoria discreta X tiene distribucin Poisson con parmetro si representa el nmero de sucesos que ocurren en una unidad de tiempo, espacio, volumen o cualquier otra dimensin. Donde es el promedio de ocurrencia de dicho suceso.

Variable aleatoria continua: Sea X una variable aleatoria continua con ella se asocia una funcin denominada funcin de densidad de X, la misma que cumple con: 1) 2) 3) 4) Distribucin acumulada: Sea X una variable aleatoria continua con funcin de densidad distribucin acumulada de X se define como: , la

1) 2) 3)
Autor:

es continua y creciente
Edicin y Mejora: Leonardo Hernndez Mendoza Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Valor esperado: Sea X una variable aleatoria continua con funcin de densidad esperado de X se define como:

, el valor

Funcin Gamma: La funcin Gamma de un

positivo se define como:

Distribucin uniforme: Una variable aleatoria continua tiene distribucin uniforme si su densidad es:

Distribucin Gamma: Una variable aleatoria continua tiene distribucin Gamma con parmetros si su densidad es:

Si Si Si

, es una distribucin exponencial. , es una distribucin Erlang , es una distribucin Ji-Cuadrado con n grados de libertad.

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Distribucin Normal: Una variable aleatoria continua tiene distribucin Normal con parmetros si su densidad es:

Si

entonces es una distribucin normal estndar si

Distribucin Beta: Una variable aleatoria continua tiene distribucin Beta con parmetros su densidad es:

Distribucin Conjunta: Sean X y Y 2 variables aleatorias discretas con ellas se asocia una funcin denominada distribucin de probabilidades conjunta entre X y Y, la misma que cumple con: 1) 2) Distribuciones marginales: Sean X y Y 2 variables aleatorias discretas con distribucin de probabilidades conjunta la distribucin marginal de X y Y se define como:

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo

Valores esperados: Sean X y Y 2 variables aleatorias discretas con distribucin de probabilidades conjunta el valor esperado de se define como:

Independencia de variables aleatorias: Sean X y Y 2 variables aleatorias discretas con distribucin de probabilidades conjunta y sean y sus respectivas distribuciones marginales, X y Y son variables aleatorias independientes si y solo si:

Adems si son independientes se cumple que:

Covarianza: La covarianza entre 2 variables aleatorias X y Y se define como:

Si X y Y son independientes

Coeficiente de correlacin:

Autor: Leonardo Hernndez Mendoza

Edicin y Mejora: Kevin Lucas Marcillo Jefferson Cunalata Soledispa Jonathan Vela Fajardo