FORMULARIO ESTADÍSTICA

Estadística descriptiva

k k S x  S x2
 ni xi  ni mi
N

x i 1
k
  f i xi x i 1
k
  f i mi 1 N  x 2
i S x2 
1 N
 ( xi  x )2
N  1 i1
N i 1 N i 1
S   ( xi  x ) 
2
x
2 i 1
 ( x )2 Desviación
N i1 N
Media aritmética Media aritmética de Varianza muestral típica
datos tabulados datos agrupados Varianza poblacional muestral y
poblacional

Probabilidad
P( A  B)
P( A / B) 
P( B)
Probabilidad condicionada

Variables aleatorias discretas

F ( x)   P( X  x)  1 E ( X )   xP ( X  x) Var ( X )  E[( X  E( X ))2 ]  E[ X 2 ]  ( E[ X ])2
x x

Variables aleatorias continuas

  
F ( x)   f ( x)dx  1 E( X )   xf ( x)dx Var ( X )  E[( X  E ( X )) ]   ( x  E( X ) )
2 2
f ( x)dx
  

Modelos de Probabilidad
Nombre F. de probabilidad Media Varianza
Bernoulli B(1,p) P( X  1)  p; P( X  0)  1  p E( X )  p Var ( X )  p(1  p)

n Var ( X )  np(1  p)

Binomial B(n,p) P( X  k )    p k (1  p) nk , k  0 E ( X )  np
k 
1 1 p
Geométrica geom(p) P( X  k )  (1  p)k 1 p, k  1 E( X )  Var ( X ) 
p p2

k E( X )   Var ( X )  
Poisson Pois(λ) P( X  k )  exp( ), k  0
k!
1 ab (b  a)2
f ( x)  ; a xb E( X )  Var ( X ) 
ba 2 12
xa
Uniforme U(a,b) F ( x)  ;a  x  b
ba

f ( x)   e   x ; x  0 1 1
Exponencial Exp(λ) E( X )  Var ( X ) 
F ( x)  1  e  x
 2
1  1 
exp   2 ( x   )2  E( X )  
2
Normal N(µ,σ ) f ( x)  Var ( X )   2
 2  2 
1  1  (x  )
Normal estándar
f ( z)  exp   z 2  ; z  E(Z )  0 Var (Z )  1
N(0,1)  2  2  

1
 Contraste de Hipótesis una población.

Estadísticos Intervalo de confianza

Población Región de rechazo (p-valor<α)
Contrastes de contraste IC(1-α)

(1)- H0 : μ = µ0   
x  0 (1a) z  z /2 (1b) t  tn1; /2    x  z /2 
H1:µ≠µ0  n
(a) z
(2)- H0 : μ =µ0 / n (2a) z   z (2b) t  tn1;
N (  , 2 ) H1:µ<µ0
(3)- H0 : μ= µ0 x  0  s 
(b) t (3a) z  z (3b) t  tn1;    x  tn1; /2
H1:µ>µ0 
s/ n  n

1)- H0 : p = p0
H1:p≠p0 (1) z  z /2  pˆ (1  pˆ 
B(n,p) pˆ  p0 p   pˆ  z /2 
(2)- H0 : p=p0 z
con H1:p<p0 p0 (1  p0 ) / n (2) z   z  n 
n  (3)- H0 : p = p0 n
H1:p>p0 (3) z  z

Contraste de dos Poblaciones

Estadísticos
Dos Poblaciones x1,x2 Región de rechazo (p-valor<α)
de contraste
Contrastes
Diferencia de medias, (1)- H0 : μ1 = µ2 ;
( x1  x2 )
varianzas poblacionales H1:µ1≠µ2 a) Z  (1a) z  z /2
conocidas (2)- H0 : μ1 = µ2 ;  12  22
 (2a) z   z
H1:µ1<µ2
E(x1)= 1 ;V ar( x1 )  1 n1 n2
2
(3)- H0 : μ1 = µ2; (3a) z  z
E(x2)= 2 ;V ar( x2 )   2
2
H1:µ1>µ2
(1)- H0 : μd = 0 ;
H1:µd≠0 (1) t  tn1; /2
Datos aparejados d
(2)- H0 : μd= 0 ; t
d =x1 – x2 (2) t  tn1;
H1:µd<0 sˆd / n
(3)- H0 : μd = 0; (3) t  tn1;
H1:µd>0

(1)- H0 : μ1 = µ2 ;
H1:µ1≠µ2
Diferencia de medias, ( x1  x2 ) (1) t  tn1n 22; /2
t
varianzas poblacionales (2)- H0 : μ1= µ2 ; SˆT
1 1

desconocidas pero iguales H1:µ1<µ2 n1 n2
(2) t  tn1n 22;
E(x1)= 1 ;V ar( x1 )  
2

(3)- H0 : μ1 = µ2; ˆ (n1  1) s12  (n2  1) s22

S 
2
E(x2)= 2 ;V ar( x2 )  
2
n1  n2  2 (3) t  tn1 n 22;
T
H1:µ1>µ2

(1)- H0 : p1 = p2 ( pˆ1  pˆ 2 ) (1) z  z /2

Z ;
H1:p1≠p2 1 1
Diferencia de proporciones
(2)- H0 : p1=p2 p (1  p )    (2) z   z
x1  B(n1, p1 )  n1 n2 
H1:p1<p2
(3)- H0 : p1= p2 n pˆ  n pˆ (3) z  z
x2  B(n2, p2 ) pˆ  1 1 2 2
n1  n2
H1:p1>p2 Siempreque n1, n2  

2
 Estimadores dos poblaciones

Intervalo de confianza
Dos Poblaciones x1,; x2 Parámetro
IC(1-α)
Diferencia de medias, varianzas
poblacionales conocidas  12  22
( x1  x2 )  Z /2 
E ( x1 )  1 ;V ar( x1 )  12 1  2 n1 n2
E ( x2 )  2 ;V ar( x2 )   2
2
Diferencia de medias,varianzas
poblacionales desconocidas iguales
E ( x1 )  1 ;V ar( x1 )   2 1  2 ( x1  x2 )  tn1n2 2; /2  S x1x2
E ( x2 )  2 ;V ar( x2 )   2
pˆ1 (1  pˆ1 ) pˆ 2 (1  pˆ 2 )
Diferencia de proporciones ( pˆ1  pˆ 2 )  Z /2 
p1-p2 n1 n2
x1  B(n1, p1 ) x2  B(n2, p2 )
; n1 , n2  

Regresión lineal

Estimación mínimo cuadrática recta de regresión Correlación

S S xy SCR SCE
yˆ  ˆ0  ˆ1 x ˆ1  xy2 ; ˆ0  y  ˆ1 x  r ; R2   1
Sx SxS y SCT SCT
ei  yi  yˆi n n n
SCR   ( yˆi  y )2 ; SCT   ( yi  y ) 2 ; SCE   ei2
Covarianza muestral:
i 1 i 1 i 1
n

 ( x  x )( y  y )
i i
S xy  i 1
n 1
varianza de los estimadores:
varianza muestral de las observaciones xi : s2
S 2ˆ  1 n
n ; s2   ( yi  yˆi )2
(x  x ) n  2 i1
n 1

(x  x ) 2 2
i i
S x2  i 1 i 1
n 1

Intervalo de confianza para la pendiente IC(1-α)

 ˆ  t
1  /2,n2 ˆ1S ; ˆ1  t /2,n2 Sˆ
1

Estadístico Región de rechazo (p-valor<α)

ˆ1
Contraste de hipótesis sobre la pendiente t  t  tn2; /2
S ˆ
1