FÓRMULAS PROBABILIDAD Y ESTADÍSTICA

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

MEDIA GEOMÉTRICA D.O (𝑥1 − 𝑥̅ )2 + (𝑥2 − 𝑥̅ )2 + ⋯ + (𝑥𝑛 − 𝑥̅ )2

=
𝑛
∑ 𝐿𝑜𝑔(𝑋𝑖 )
𝐺(𝑋) = 𝐴𝑛𝑡𝑖𝑙𝑜𝑔 ( )
𝑛 VARIANZA D.A
∑ 𝑛𝑗 (𝑦𝑖 − 𝑦̅)2
𝑉(𝑌) =
MEDIA GEOMETRICA D.A 𝑛
∑ 𝐿𝑜𝑔(𝑌𝐽 )𝑛𝐽 (𝑦1 − 𝑦̅)2 𝑛1 + (𝑦2 − 𝑦̅)2 𝑛2 + ⋯ + (𝑌𝑚 − 𝑦̅)2 𝑛𝑚
𝐺(𝑌) = 𝐴𝑛𝑡𝑖𝑙𝑜𝑔 ( ) =
𝑛 𝑛

DESVIACION ESTANDAR D.O

MEDIANA D.O 𝑆 = 𝛿 = √𝑉(𝑥)
1. Ordenar serie
𝑋𝑛⁄ +𝑋𝑛⁄ +1 DESVIACIÓN MODAL
2. Serie: (a) par → 𝑀𝑒(𝑥) = 2 2
2 ∑/𝑦𝑗 − 𝑀𝑑(𝑦)/ ∗ 𝑛𝑗
(b) impar → 𝑀𝑒(𝑥) = 𝑋(𝑛+1)⁄ 𝐷𝑀𝑑(𝑌) =
2 𝑛

MEDIANA D.A.V.D /𝑦1 − 𝑀𝑑(𝑦)/𝑛1 +/𝑦2 − 𝑀𝑑(𝑦)/𝑛2 + ⋯ +/𝑌𝑚 − 𝑀𝑑(𝑦)/𝑛𝑚

𝑛 =
1. 𝑛
2
𝑛
2. 𝑁𝑘 >
2

PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ

 FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
DESVIACIÓN MEDIANA
∑/𝑦𝑖 − 𝑀𝑒(𝑦)/∗ 𝑛𝑚 VALOR ESPERADO O ESPERANZA
𝐷𝑀𝑒(𝑌) = 𝐸(𝑋) = 𝑥1 𝑃(𝑋 = 𝑥1 ) + ⋯ + 𝑥𝑛 𝑃(𝑋 = 𝑥𝑛 )
𝑛
/𝑦1 − 𝑀𝑒/𝑛1 +/𝑦2 − 𝑀𝑒/𝑛2 + ⋯ +/𝑦𝑚 − 𝑀𝑒/𝑛𝑚 Propiedades
= 𝑆𝑒𝑎𝑛 𝑘, 𝑘1 𝑦 𝑘2 ∈ 𝑅
𝑛
𝑆𝑒𝑎𝑛 𝑋, 𝑋1 𝑦 𝑋2 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠
DESVIACION ESTANDAR D.A 1. 𝑋𝑚í𝑛 ≤ 𝐸(𝑋) ≤ 𝑋𝑚á𝑥
𝑆 = 𝛿 = √𝑉(𝑦) 2. 2. 𝐸(𝑘) = 𝑘
3. 𝐸(𝑘𝑋) = 𝑘𝐸(𝑋)
4. 𝐸(𝑘1 𝑋 ± 𝑘2 ) = 𝑘1 𝐸(𝑋) ± 𝑘2
COEFICIENTE DE VARIACION 5. 𝐸(𝑋 ± 𝑘) = 𝐸(𝑋) ± 𝑘
√𝑉(𝑥) √𝑉(𝑌) 6. 𝐸(𝑋1 ± 𝑋2 ) = 𝐸(𝑋1 ) ± 𝐸(𝑋2 )
𝐶. 𝑉. (𝑋) = × 100 = × 100
/𝑀(𝑥)/ 𝑀(𝑌) VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA
1. 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2
COEFICIENTE DE VARIACION MEDIANO 2
𝐷𝑀𝑒(𝑋) 2. 𝑉(𝑋) = ∑ 𝑥𝑖2 𝑃(𝑋 = 𝑥𝑖 ) − (𝐸(𝑋))
𝐶𝑉𝑀𝑒(𝑋) = × 100 = 𝑥12 𝑃(𝑋 = 𝑥1 ) + ⋯ + 𝑥𝑛2 𝑃(𝑋 = 𝑥𝑛 ) − (𝐸(𝑋))2
/𝑀𝑒(𝑥)/
PROPIEDADES
COEFICIENTE DE VARIACION MODAL 𝑆𝑒𝑎𝑛 𝑘, 𝑘1 𝑦 𝑘2 ∈ 𝑅
𝐷𝑀𝑑(𝑋) 𝑆𝑒𝑎𝑛 𝑋, 𝑋1 𝑦 𝑋2 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 independientes
𝐶𝑉𝑀𝑑(𝑋) = × 100 1. 𝑉(𝑋) ≥ 0
/𝑀𝑑(𝑥)/
2. 𝑉(𝑘) = 0
RANGO 3. 𝑉(𝑘𝑋) = 𝑘 2 𝑉(𝑋)
𝑅(𝑋) = 𝑋𝑚á𝑥 − 𝑋𝑚í𝑛 𝐷. 𝑂 4. 𝑉(𝑘1 𝑋 ± 𝑘2 ) = 𝑘12 𝑉(𝑋)
5. 𝑉(𝑋 ± 𝑘) = 𝑉(𝑋)
𝑅(𝑌) = 𝑌𝑚′ − 𝑌0′ 𝐷. 𝐴. 𝑉. 𝐶
6. 𝑉(𝑋1 ± 𝑋2 ) = 𝑉(𝑋1 ) + 𝑉(𝑋2 )
𝑅(𝑌) = 𝑌𝑘 − 𝑌1 𝐷. 𝐴. 𝑉. 𝐷
FUNCION DE DISTRIBUCION
PROBABILIDAD 𝐹𝑋 (𝑘) = 𝑃(𝑋 ≤ 𝑘)
𝑛𝐴
𝑃(𝐴) = 1. 𝐹𝑋 (𝑋𝑚í𝑛 ) = 0
𝑛𝛺 2. 𝐹𝑋 (𝑋𝑚á𝑥 ) = 1
PROPIEDADES
3. P(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹𝑋 (𝑏) − 𝐹𝑋 (𝑎)
1. 𝑃(𝐴) ≥ 0 0 ≤ 𝑃(𝐴) ≤ 1
2. 𝑃(𝐴) ≤ 1 4. DISTRIBUCION HIPERGEOMETRICA
3. 𝑃(Ω) = 1 5.
4. 𝐴 𝑦 𝐵 𝑑𝑖𝑠𝑦𝑢𝑛𝑡𝑜𝑠 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
(K 𝑁−𝑘
𝑥 )(𝑛−𝑥 )
5. 𝐴 𝑦 𝐵 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜𝑠 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) 6. 𝑃(𝑋 = 𝑥) =
𝑃(𝐴∩𝐵) (𝑵
𝒏)
6. 𝑃(𝐴⁄𝐵) = ; 𝑃(𝐵) ≠ 0
𝑃(𝐵)
7. 𝐴 𝑦 𝐵 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) VARIABLE ALEATORIA CONTINUA:
𝑃(𝐴⁄𝐵) = 𝑃(𝐴)
8. 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴⁄𝐵)𝑃(𝐵) = 𝑃(𝐵⁄𝐴)𝑃(𝐴) FUNCIÓN DE PROBABILIDAD O DENSIDAD
9. 𝑃(𝐴𝐶 ) = 1 − 𝑃(𝐴) 𝑋𝑚á𝑥
∫ 𝑓(𝑥)𝑑𝑥 𝑋𝑚í𝑛 ≤ 𝑥 ≤ 𝑋𝑚á𝑥
TEOREMA DE LA PROBABILIDAD TOTAL 𝑓(𝑥) = { 𝑋
𝑚í𝑛
𝑜 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
P(B) = ∑ 𝑃 (𝐵⁄𝐴 ) 𝑃(𝐴𝑖 )
𝑖 1. 𝑓(𝑥) ≥ 0
2. 𝑓(𝑥) ≤ 1
𝑋
10. TEOREMA DE BAYES 3. ∫𝑋 𝑚á𝑥 𝑓(𝑥)𝑑𝑥 = 1
𝑚ï𝑛

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

PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ

 FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
𝑥̅ − 𝜇
~𝑡(𝑛−1)
DISTRIBUCION HIPERGEOMETRICA 𝜎
̂𝑥̅
𝑰. 𝑪. 𝑥̅ − 𝑘𝜎
̂𝑥̅ ≤ 𝜇 ≤. 𝑥̅ + 𝑘𝜎
̂𝑥̅
(K𝑥) (𝑛−𝑥
𝑁−𝑘
) 𝑘/𝑝(𝑡(𝑛−1) ≤ 𝑘) = 1 − 𝛼/2
𝑃(𝑋 = 𝑥) =
(𝑵𝒏)
ESTIMACION PARA LA VARIANZA
𝑛𝑆 2
~𝑋(𝑛−1)
DISTRIBUCION HIPERGEOMETRICA MULTIVARADA 𝜎2
𝑘1 /𝑝(𝑥 2 (𝑛−1) ≤ 𝑘1 ) = 𝛼/2
(𝑎𝑋1 ) (𝑎𝑋2 ) … . (𝑎𝑋𝑛 ) 𝑘2 /𝑝(𝑥 2 (𝑛−1) ≤ 𝑘2 ) = 1 − 𝛼/2
𝑃(𝑋𝑖 = 𝑥𝑖 ) = 1 2 𝑛

(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

ESTIMACION PUNTUAL 𝐈. 𝐂. p1 − p2 − kσ̂ ̂

P1 −P2 ≤ π1 − π2 ≤. p1 − p2 + k𝜎𝑃1 −𝑃2
 MEDIA: 𝜇̂ = 𝑥̅ → 𝜎𝑥̅ → 𝜎
̂𝑥̅ DISTRIBUCION FISHER
 PROPORCION: 𝜋̂ = 𝑝 → 𝜎𝑝 → 𝜎 ̂𝑝 𝑋~𝐹(𝑣1 ; 𝑣2 )
 DIF. MEDIA: 𝜇1̂ − 𝜇2 = ̅̅̅
𝑥1 − ̅̅̅
𝑥2 → 𝜎̅̅̅ 𝑋1 ~𝑋 2 (𝑣1 )
𝑥1̅−𝑥
̅̅̅2̅
𝑋2 ~𝑋 2 (𝑣2 )
 DIF. PROPORCION: 𝜋1̂ − 𝜋2 = 𝑝1 − 𝑝2 → 𝜎𝑝1−𝑝2
𝑋1⁄
ESTIMACION POR INTERVALOS DE LA MEDIA 𝑣1
𝑋=
 𝒔𝒊 𝒏 ≥ 𝟏𝟎𝟎 𝒚 𝝈𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂 𝑋2⁄
𝑥̅ − 𝜇 𝑣2
~𝑁(0,1)
𝜎𝑥̅
ESTIMACION COCIENTE DE VARIAZAS
𝑰. 𝑪. 𝑥̅ − 𝑘𝜎𝑥 ≤ 𝜇 ≤. 𝑥̅ + 𝑘𝜎𝑥
𝑆12 𝜎12 𝑆12
𝑘/𝑝(𝑧 ≤ 𝑘) = 1 − 𝛼/2 ≤ ≤
𝑆22 𝑘2 𝜎22 𝑆22 𝑘1
 𝒔𝒊 𝒏 < 𝟏𝟎𝟎 𝒚 𝝈𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒐
𝑆12 > 𝑆22

PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ

 FÓRMULAS PROBABILIDAD Y ESTADÍSTICA

PRUEBA DE HIPOTESIS ANALISIS DE VARIANZA A UNA VIA

𝐻0 : 𝜃 = 𝜃̂
𝐻1 : 𝜃 ≠ 𝜃̂
FUENTE GRADOS F
SUMA DE CUADRADOS
ESTADÍSTICA DE TRABAJO DE DE
CUADRADOS MEDIOS
- Para Media VARIACION LIBERTAD
 𝑺𝒊 𝒏 ≥ 𝟏𝟎𝟎 𝒚 𝝈𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂 Entre CMt
𝐶𝑀𝑇
𝑥̅ − 𝜇 grupos 𝑆𝐶𝑇 𝑆𝐶𝑇 /CME
𝐸. 𝑇 = ~𝑁(0,1) 𝑘−1
𝜎𝑥̅ muestras, = 𝑛𝑣(𝑥̅ ) =
estratos 𝑘−1
 𝑺𝒊 𝒏 < 𝟏𝟎𝟎 𝒚 𝝈𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
𝑥̅ − 𝜇 Dentro de
𝐸. 𝑇 = ~𝑡(𝑛−1) 𝐶𝑀𝐸
𝜎
̂𝑥̅ grupos 𝑆𝐶𝐸 𝑆𝐶𝐸
𝑛−𝑘
-Para proporción muestras, = 𝑛𝑀(𝑠 2 ) =
estratos 𝑛−𝑘
 𝑺𝒊 𝒏 < 𝟏𝟎𝟎
𝑃−𝜋 TOTAL 𝑛−1 𝑛𝑉𝑇 (𝑥)
𝐸. 𝑇 = ~𝑡(𝑛−1)
𝜎𝑃 𝐶𝑀𝑇
 𝑺𝒊 𝒏 ≥ 𝟏𝟎𝟎 𝐸. 𝑇 = ~𝐹
𝑃−𝜋 𝐶𝑀𝐸 (𝑘−1;𝑛−𝑘)
𝐸. 𝑇 = ~𝑁(0,1)
𝜎𝑃 𝑃𝐶/𝑃(𝐹(𝑘−1;𝑛−𝑘) ≤ 𝑃𝐶) = 1 − 𝛼

 Para diferencia de medias TABLA DE CONTINGENCIA O ji CUADRADO

 𝒔𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 𝒚 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 Ai Bj 𝐵1 𝐵2 ⋯ 𝐵𝑤 𝑛𝑖.

𝑥1 − ̅̅̅
̅̅̅ 𝑥2 − (𝜇1 − 𝜇2 )
𝐸. 𝑇 = ~𝑡(𝑛1+𝑛2−2) 𝐴1 𝑛11 𝑛21 ⋯ 𝑛1𝑤 𝑛1.
𝜎̂̅̅̅
𝑥1̅−𝑥
̅̅̅2̅
𝐴2 𝑛21 𝑛22 ⋯ 𝑛2𝑤 𝑛2.
 𝑺𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎 𝒚 / 𝒐 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 ⋯ ⋯ ⋯ ⋯ ⋯ ⋯
𝑥1 − ̅̅̅
̅̅̅ 𝑥2 − (𝜇1 − 𝜇2 ) 𝐴𝑚 𝑛𝑚1 𝑛1𝑚 ⋯ 𝑛𝑚𝑤 𝑛𝑚.
𝐸. 𝑇 = ~𝑁(0,1)
𝜎̅̅̅
𝑥1̅−𝑥
̅̅̅2̅
𝑛.𝑗 𝑛.1. 𝑛.2 ⋯ 𝑛.𝑤 𝑛

 Para diferencia de proporciones (𝒏𝒊𝒋 − 𝒏̂𝒊𝒋 )

𝟐

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

ANALISIS DE VARIANZA A UNA VIA REGRESION.

̂0 + 𝛽
 LINEAL SIMPLE -------- 𝑌̂ = 𝛽 ̂1 X
𝐻0 : 𝜇1 = 𝜇2 = ⋯ . . = 𝜇𝐾
̂ ̂
𝛽0 = 𝑀(𝑌) − 𝛽1 𝑀(𝑋)
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗
𝑥11 𝑥21 ⋯ 𝑥𝑘1 𝛽̂ 2
1 = 𝑆𝑋𝑌 /𝑆𝑥)

𝑥12 𝑥22 ⋯ 𝑥𝑘2

 EXPONENCIAL ------ 𝑦̂ = 𝐴 ∗ 𝐵 𝑥
⋯ ⋯ ⋯ ⋯ ̂0 )
A= antilog(𝛽 ̂1 )
B= antilog(𝛽
𝑥1𝑛1 𝑥2𝑛2 ⋯ 𝑥𝑘𝑛𝑘
Tamaño 𝑛1 𝑛2 ⋯ 𝑛𝑘  POTENCIAL -------𝑦̂ = 𝐶 ∗ 𝑋 𝐷
̂0 )
C = antilog (𝛽 D=𝛽̂1
Promedios 𝑥1
̅̅̅ 𝑥2
̅̅̅ ⋯ 𝑥𝑘
̅̅̅
Varianzas 𝑆12 𝑆22
⋯ 𝑆𝑘2  COVARIANZA
̅̅̅𝑛
𝑥 1 1 + ⋯ + ̅̅̅𝑛
𝑥𝑘 𝑘
̅̅̅
𝒙𝑻 =  𝑀𝑒𝑑𝑖𝑎 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑎 𝑀(𝑥𝑦) = ∑ 𝑥𝑦/n
𝑛1 + ⋯ + 𝑛𝑘
𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋 𝑦 𝑌:
𝑐𝑜𝑣(𝑥; 𝑦) = 𝑀(𝑥𝑦) − 𝑀(𝑥)𝑀(𝑦) = 𝑆𝑋𝑌
𝑆12 𝑛1 + ⋯ + 𝑛𝑘 𝑆𝑘2
𝑀(𝒔𝟐 ) =
𝑛1 + ⋯ + 𝑛𝑘

(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)

PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ

 ANÁLISIS DE VARIANZA PARA REGRESION

Fuente de Grados de Suma de Cuadrado F

Variación Libertad Cuadrados Medio

Regresión K SCRegresión CMR=SCRegresión/k CMRegre

SCR = n 𝑉(𝑦̂) sión/
CMError
Error n-k-1 SCError 𝐶𝑀𝐸 =SCError/(n-K-1)= 𝜎̂ 2
SCE=n(𝑉(𝑌) − 𝑉(𝑦̂))

Total n-1 SCTotal

SCT= nv(Y)

INFERENCIA SOBRE INTERCEPTO 𝐼𝐶 𝛽̂1 ± t α⁄2,𝑛−2 √𝑉(𝛽̂1 )

𝛽̂0 − 𝛽0
𝑡= ~𝑡(𝑛−2) PRUEBA CHI-CUADRADO PARA INDEPENDENCIA
√𝑉(𝛽̂0 )
2
2 2
(𝑛𝑖𝑗 − 𝑛̂𝑖𝑗 ) 2
1 𝑥̅ 𝑋 = ∑∑ ~ 𝜒(𝑚−1)(𝑤−1)
𝑉(𝛽̂0 ) = 𝜎̂ 2 ( + ) 𝑛̂𝑖𝑗
𝑛 (∑𝑛𝑖=1 𝑥𝑖 )2 𝑖𝑗
∑𝑛𝑖=1 𝑥𝑖2 −
𝑛

IC 𝛽̂0 ± t α⁄2,𝑛−2 √𝑉(𝛽̂0 ) TAMAÑO DE MUESTRA

 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

Análisis de varianza a dos vías

FUENTE ET= F calculada F

GRADOS DE SUMA DE CUADRADOS
DE
LIBERTAD CUADRADOS MEDIOS
VARIACION
Entre 𝑆𝐶𝑓
𝐶𝑀𝑓 𝑭(𝒇−𝟏;(𝒇−𝟏)(𝑪−𝟏)
𝑆𝐶𝑓 𝐹𝑓 =
tratamientos 𝑓−1 𝐶𝑀𝑓 = 𝐶𝑀𝐸
= 𝑛𝑣(𝑥̅𝑓 ) 𝑓−1
o filas
Entre 𝑆𝐶𝑐
𝐶𝑀𝑐 𝑭(𝒄−𝟏;(𝒇−𝟏)(𝑪−𝟏)
𝑆𝐶𝑐 𝐹𝑐 =
bloques o 𝑐−1 𝐶𝑀𝑐 = 𝐶𝑀𝐸
= 𝑛𝑣(𝑥̅𝑐 ) 𝑐−1
columnas
Dentro de
𝑆𝐶𝐸
grupos (𝑓 − 1)(𝑐 − 1)
= SCT − (𝑆𝐶𝑓 + 𝑆𝐶𝑐)
𝑆𝐶𝐸
muestras, 𝐶𝑀𝐸 =
𝑛−𝑘
estratos

TOTAL 𝑛−1 SCT= 𝑛𝑉𝑇 (𝑥)

Docentes: LONDOÑO ORTÍZ JACINTO Y SEFAIR LÓPEZ BELÉN