Documentos de Académico
Documentos de Profesional
Documentos de Cultura
𝑛
DISTRIBUCIÓN DE FRECUENCIA V.D 3. 𝑐𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁𝑘−1 :
2
𝒀𝒋 𝒏𝒋 𝒉𝒋 𝑵𝒋 𝑯𝒋 𝑛 𝑌𝑘−1 + 𝑌𝑘
𝒀𝟏 𝒏𝟏 𝒉𝟏 𝑵𝟏 𝑯𝟏 (𝑎)𝑁𝑘−1 = → 𝑀𝑒(𝑌) =
2 2
𝒀𝟐 𝒏𝟐 𝒉𝟐 𝑵𝟐 𝑯𝟐 𝑛
(𝑏)𝑁𝑘−1 < → 𝑀𝑒(𝑌) = 𝑌𝑘
⋮ ⋮ ⋮ ⋮ ⋮ 2
𝒀𝒎 𝒏𝒎 𝒉𝒎 𝑵𝒎 𝑯𝒎
MEDIANA D.A.V.C
𝑛
DISTRIBUCIÓN DE FRECUENCIA V.C 1.
2
′ 𝑛
𝑌𝑗−1 𝑌𝑗′ 𝑌𝑗 𝑛𝑗 ℎ𝑗 𝑁𝑗 𝐻𝑗 2. 𝑁𝑘 >
2
′ ′ 𝑛
𝑌0 𝑌1 𝑌1 𝑛1 ℎ1 𝑁1 𝐻1 𝑐𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁𝑘−1 :
2
𝑌1′ 𝑌2′ 𝑌2 𝑛2 ℎ2 𝑁2 𝐻2 𝑛
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 𝑛 𝐶𝑘 ( − 𝑁𝑘−1 )
(𝑎) 𝑁𝑘−1 ′
< → 𝑀𝑒(𝑌) = 𝑌𝑘−1 + 2
′
𝑌𝑚=1 𝑌𝑚′ 𝑌𝑚 𝑛𝑚 ℎ𝑚 𝑁𝑚 𝐻𝑚 2 𝑛𝑘
𝑚 = 1 + 3.3𝐿𝑜𝑔(𝑛) 𝑛 ′
(𝑏) 𝑁𝑘−1 = → 𝑀𝑒(𝑌) = 𝑌𝑘−1
2
𝑋𝑚á𝑥 − 𝑋𝑚í𝑛
𝐶=
𝑚 MODA D.O
El valor que más se repite
𝐶𝑘 = 𝑌𝑘′ − 𝑌𝑘−1
′
MODA D.A.V.D
𝑛𝑘 > 𝑛𝑗 → 𝑀𝑑(𝑌) = 𝑌𝑘
𝑌𝑗′ − 𝑌𝑗−1
′
𝑌𝑗 =
2 MODA D.A.V.C
𝑛𝑘 > 𝑛𝑗
′
𝐶𝑘 (𝑛𝑘 − 𝑛𝑘−1 )
MEDIA ARITMÉTICA D.O 𝑀𝑑(𝑌) = 𝑌𝑘−1 +
∑ 𝑋𝑖 2𝑛𝑘 − 𝑛𝑘−1 − 𝑛𝑘+1
𝑋̅ =
𝑛 FRACTILAS D.A.V.D
𝑡𝑛
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 1.
𝑠
𝑋̅ = 𝑡𝑛
𝑛 2. 𝑁𝑘 >
𝑠
𝑡𝑛
MEDIA ARITMÉTICA D.A 3. 𝐶𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁𝑘−1 ∶
𝑠
∑ 𝑌𝑗 𝑛𝑗 𝑡𝑛
𝑌̅ = (𝑎)𝑁𝑘−1 < → 𝐹𝑡 = 𝑌𝑘
𝑛 𝑠
𝑌1 𝑛1 + 𝑌2 𝑛2 + ⋯ + 𝑌𝑚 𝑛𝑚 𝑡𝑛 𝑌𝑘 + 𝑌𝑘−1
𝑌̅ = (𝑏)𝑁𝑘−1 = → 𝐹𝑡 =
𝑛 𝑠 2
FRACTILAS D.A.V.C
𝑡𝑛
PROPIEDADES DE LA MEDIA ARITMÉTICA 1.
𝑠
𝑡𝑛
2. 𝑁𝑘 >
Propiedades 𝑠
𝑡𝑛
𝑆𝑒𝑎𝑛 𝑘, 𝑘1 𝑦 𝑘2 ∈ 𝑅 3. 𝐶𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁𝑘−1 :
𝑠
𝑆𝑒𝑎𝑛 𝑋, 𝑋1 𝑦 𝑋2 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑡𝑛 ′
(𝑎) 𝑁𝑘−1 = → 𝐹𝑡 = 𝑌𝑘−1
1. 𝑋mïn ≤ 𝑀(𝑋) ≤ 𝑋mäx 𝑠
2. 𝑀(𝑘) = 𝑘 𝑡𝑛
𝑡𝑛 𝐶𝑘 ( − 𝑁𝑘−1 )
3. 𝑀(𝑘𝑋) = 𝑘𝑀(𝑋) (𝑏) 𝑁𝑘−1 < ′
→ 𝐹𝑡 = 𝑌𝑘−1 + 𝑠
4. 𝑀(𝑘1 𝑋 ± 𝑘2 ) = 𝑘1 𝑀(𝑋) ± 𝑘2 𝑠 𝑛𝑘
5. 𝑀(𝑋 ± 𝑘) = 𝑀(𝑋) ± 𝑘
6. 𝑀(𝑋1 ± 𝑋2 ) = 𝑀(𝑋1 ) ± 𝑀(𝑋2 )
VARIANZA D.O
̅̅̅
𝑥1̅𝑛1 +⋯+𝑥
̅̅̅̅𝑛 ∑(𝑥𝑖 − 𝑥̅ )2
7. ̅̅̅
𝒙𝑻 = 𝐾 𝑘
𝑉(𝑋) =
𝑛1 +⋯+𝑛𝑘 𝑛
𝑃 (𝐵⁄𝐴 ) 𝑃(𝐴𝐽 )
𝐴𝑗 𝐽
𝑃 ( ⁄𝐵 ) =
∑ 𝑃 (𝐵⁄𝐴 ) 𝑃(𝐴𝑖 ) ESPERANZA DE UNA VARIABLE CONTINUA
𝑖
𝑥𝑚á𝑥
𝐸(𝑋) = ∫ 𝑥𝑓(𝑥)𝑑𝑥
ANALISIS COMBINATORIO 𝑋𝑚í𝑛
COMBINATORIA
𝑛 VARIANZA
𝑛𝐶𝑟 = ( )
𝑟
𝑛! 𝑋𝑚á𝑥 𝑋𝑚á𝑥 2
𝑛𝐶𝑟 =
(𝑛 − 𝑟)! 𝑟! 𝑉(𝑋) = ∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 − [∫ 𝑥𝑓(𝑥)𝑑𝑥 ]
PERMUTACION 𝑋𝑚í𝑛 𝑋𝑚í𝑛
𝑛!
𝑛𝑃𝑟 = MEDIANA DE UNA VARIABLE ALEATORIA CONTINÚA
(𝑛 − 𝑟)!
𝑀𝑒 𝑋
FUNCION DE PROBABILIDAD V.D. Y DE DISTRIBUCIÓN ∫𝑋 𝑓(𝑥)𝑑𝑥 = ∫𝑀𝑒𝑚á𝑥 𝑓(𝑥)𝑑𝑥 = 0.5
𝑚í𝑛
𝑓(𝑥) = 𝑃(𝑋 = 𝑥)
FÓRMULAS PARA MANEJO DE DISTRIBUCIÓN NORMAL
𝑥 𝑥1 𝑥2 ………. 𝑥𝑛
𝑃(𝑋𝑖 = 𝑥𝑖 ) 𝑃(𝑋 = 𝑥1 ) 𝑃(𝑋 = 𝑥2 ) 𝑃(𝑋 = 𝑥𝑛 ) 𝐏(𝐙 ≤ − 𝐙𝐨) = 𝟏 − 𝐏(𝐙 ≤ 𝐙𝐨)
𝑃(𝑋𝑖 ≤ 𝑥𝑖 ) 𝑃(𝑋 ≤ 𝑥1 ) 𝑃(𝑋 ≤ 𝑥2 ) 𝑃(𝑋 ≤ 𝑥𝑛 )
𝐏(𝐙 ≥ 𝐙𝐨) = 𝟏 − 𝐏(𝐙 ≤ 𝐙𝐨)
PROPIEDADES
1. 𝑃(𝑋 = 𝑥𝑖 ) ≥ 0 ; 0 ≤ 𝑃(𝑋 = 𝑥𝑖 ) ≤ 1 𝐏(𝐙𝐨 ≤ 𝐙 ≤ 𝐙𝟏 ) = 𝐏(𝐙 ≤ 𝐙𝟏 ) − 𝐏(𝐙 ≤ 𝐙𝟎 )
2. 𝑃(𝑋 = 𝑥𝑖 ) ≤ 1
3. ∑𝑛𝑖=1 𝑃(𝑋 = 𝑥𝑖 ) = 1
(𝑵𝒏)
𝑛𝑆 2 𝑛𝑆 2
𝑰. 𝑪. ≤ 𝜎2 ≤
DISTRUBUCION BINOMIAL PARAMETROS 𝑘2 𝑘1
𝑀𝑒𝑑𝑖𝑎 => 𝜇 = 𝑛𝑝
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 => 𝜎 2 = 𝑛𝑝𝑞 ESTIMACION DIF. DE MEDIAS
𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑡𝑖𝑝𝑖𝑐𝑎 => 𝜎 = √𝑛𝑝𝑞 𝒔𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎 𝒚 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔
𝑥1 − ̅̅̅
̅̅̅ 𝑥2 − (𝜇1 − 𝜇2 )
𝑞 =1−𝑝 ~𝑁(0,1)
𝜎̅̅̅
𝑥1̅−𝑥
̅̅̅2̅
PROCESO DE TIFICACION O ESTANDARIZACION
𝑋 −µ 𝑰. 𝑪. ̅̅̅
𝑥1 − ̅̅̅
𝑥2 − 𝑘𝜎̅̅̅ ̅̅̅2̅ ≤ 𝜇1 − 𝜇2 ≤ ̅̅̅
𝑥1̅−𝑥 𝑥1 − ̅̅̅
𝑥2 + 𝑘𝜎̅̅̅
𝑥1̅−𝑥
̅̅̅2̅
𝑍=
𝜎 𝑘/𝑝(𝑧 ≤ 𝑘) = 1 − 𝛼/2
DESVIACION ESTANDAR
𝑆 = 𝜎 = √𝑉(𝑋) 𝑺𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 𝒚 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔
VARIANZA 𝑥1 − ̅̅̅
̅̅̅ 𝑥2 − (𝜇1 − 𝜇2 )
~𝑡(𝑛1+𝑛2−2)
∑(𝑋𝑖 − 𝑋̅)2 𝜎̂̅̅̅
𝑥1̅−𝑥
̅̅̅2̅
𝑉(𝑋) =
𝑛
𝑰. 𝑪. ̅̅̅
𝑥1 − ̅̅̅
𝑥2 − 𝑘𝜎̂
̅̅̅ ̅̅̅2̅ ≤ 𝜇1 − 𝜇2 ≤. 𝑥̅ + 𝑘𝜎̂
𝑥1̅−𝑥 ̅̅̅
𝑥1̅−𝑥
̅̅̅2̅
MEDIA
∑ 𝑋𝑖 ESTIMACION DESVIACION ESTANDAR
𝑋̅ =
𝑛
𝑛𝑆 2 𝑛𝑆 2
𝑰. 𝑪√. ≤𝜎≤√
𝑘2 𝑘1
DISTRIBUCION EN EL MUESTREO
MEDIA
𝑋̅~𝑁(𝜇; 𝜎𝑥̅2 ) ESTIMACION PARA LA PROPORCION
𝜎2 𝑁 − 𝑛 𝒔𝒊 𝒏 ≥ 𝟏𝟎𝟎
𝑉(𝑥̅ ) = 𝜎𝑥̅2 = ∗
𝑛 𝑁−1 𝑃−𝜋
~𝑁(0,1)
𝜎̂𝑃
PROPORCION 𝑰. 𝑪. 𝑝 − 𝑘𝜎
̂𝑃 ≤ 𝜋 ≤ 𝑝 + 𝑘𝜎
̂𝑃
𝑃~𝑁(𝜋; 𝜎𝑃2 )
𝜋(1 − 𝜋) 𝑁 − 𝑛 𝒔𝒊 𝒏 < 𝟏𝟎𝟎
𝑉(𝑃) = 𝜎𝑃2 = ∗
𝑛 𝑁−1 𝑃−𝜋
𝑃−𝜋 ~𝑡(𝑛−1)
𝑍= 𝜎̂𝑃
𝜎𝑃 𝑰. 𝑪. 𝑝 − 𝑘𝜎
̂𝑃 ≤ 𝜋 ≤ 𝑝 + 𝑘𝜎
̂𝑃
DIFERENCIAS DE MEDIAS ESTIMACION DIF. DE PROPORCIONES
̅̅̅2̅ )
2
𝑥1 − ̅̅̅~𝑁(𝜇
̅̅̅ 𝑥2 1 − 𝜇2 ; 𝜎̅̅̅
𝑥1̅−𝑥 𝒔𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎
𝑝1 − 𝑝2 − (𝜋1 − 𝜋2 )
𝜎12 𝑁1 −𝑛1 𝜎22 𝑁2 −𝑛2 ~𝑁(0,1)
2
𝜎̅̅̅ ̅̅̅2̅ =
𝑥1̅−𝑥 ∗ + ∗ 𝜎̂ 𝑃1 −𝑃2
𝑛1 𝑁1 − 1 𝑛2 𝑁2 − 1
𝑰. 𝑪. 𝑝1 − 𝑝2 − 𝑘𝜎̂ ̂
𝑃1 −𝑃2 ≤ 𝜋1 − 𝜋2 ≤ 𝑝1 − 𝑝2 + 𝑘𝜎𝑃1 −𝑃2
DIFERENCIAS DE PROPORCIONES 𝑘/𝑝(𝑧 ≤ 𝑘) = 1 − 𝛼/2
𝑃1 − 𝑃2 ~𝑁(𝜋1 − 𝜋2 ; 𝜎𝑃21−𝑃2 )
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎
𝜋1 (1 − 𝜋1 ) 𝑁1 −𝑛1 𝜋2 (1 − 𝜋2 ) 𝑁2 −𝑛2 𝑝1 − 𝑝2 − (𝜋1 − 𝜋2 )
𝜎𝑃21−𝑃2 = ∗ + ∗ ~𝑡(𝑛1+𝑛2−2)
𝑛1 𝑁1 − 1 𝑛2 𝑁2 − 1 𝜎̂ 𝑃1 −𝑃2
𝑬. 𝑻 =
̂𝒊𝒋
𝒏
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎
𝑝1 − 𝑝2 − (𝜋1 − 𝜋2 ) 𝑬. 𝑻~𝑿𝟐(𝒎−𝟏)(𝒘−𝟏)
𝐸. 𝑇 = ~𝑁(0,1)
𝜎̂ 𝑃1 −𝑃2 𝟐
(𝒏𝒊𝒋 − 𝒏̂ 𝒊𝒋 )
𝟐
𝑿 = ∑∑ ~ 𝝌𝟐(𝒎−𝟏)(𝒘−𝟏)
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 ̂ 𝒊𝒋
𝒏
𝒊𝒋
𝑝1 − 𝑝2 − (𝜋1 − 𝜋2 )
𝐸. 𝑇 = ~~𝑡(𝑛1+𝑛2−2)
𝜎̂ 𝑃1 −𝑃2
𝒑𝒂𝒓𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝝈𝟐
Donde 𝒏
̂ 𝒊𝒋 = (𝒏
̂ 𝒊. ∗ 𝒏
̂ .𝒋 ) /n
𝑛𝑆 2
𝐸. 𝑇 = 2 ~𝑋 2 (𝑛−1)
𝜎
(𝑥 𝑥𝑇 2 𝑛1 + ⋯ + (𝑥
̅̅̅1 − ̅̅̅) 𝑥 𝑇 2 𝑛𝑘
̅̅̅𝑘 − ̅̅̅) Para el modelo lineal
̅) =
𝑉(𝒙
𝑛1 + ⋯ + 𝑛𝑘
̂1 = S𝑥𝑦/𝑆𝒙𝟐 ;
𝛽 ̂0 = 𝑀(𝑌) − 𝛽
𝛽 ̂1 M(X)
𝑺𝟐𝑻 = 𝑀(𝑠 2 ) + 𝑉(𝑥̅ )
𝑟 = S𝑥𝑦/𝑆𝑋 𝑆𝑌
𝑅2 = 𝑉(𝑦̂) / 𝑉(𝑦)
𝑺𝒊 𝑵 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
𝑁𝑍 2 ∝/2 ∗ 𝜎 2
𝑛=
INFERENCIA SOBRE PENDIENTE 𝑍 2 ∝/2 𝜎 2 + (𝑁 − 1)𝑒 2
𝛽̂1 − 𝛽1 𝑺𝒊 𝑵 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
𝑡= ~𝑡(𝑛−2)
√𝑉(𝛽̂1 )
𝜎̂ 2 𝑍 2 ∝/2 ∗ 𝜎 2
𝑉(𝛽̂1 ) = 𝑛=
(∑𝑛 𝑥 )2 𝑒2
∑𝑛𝑖=1 𝑥𝑖2 − 𝑖=1 𝑖
𝑛