Folleto de Estadísticas

Teoría del 1er Parcial

2012
Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún
tipo de investigación o medida.

Unidades de investigación: Son los elementos de la población objetivo a los que se les efectúan las
medidas bajo análisis

Muestra: Es un subconjunto de n observaciones efectuadas a de una población objetivo de

tamaño N.

Observación: Es cada uno de los valores incluidos en la muestra

Muestreo: Operativo para realizar una investigación a una muestra.

Censo: Operativo para realizar una investigación a una población objetivo.

Parámetros: Son medidas que se calculan a partir de los elementos de la población.(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 número de elementos de la

población 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 relación lineal entre 2 características cuantitativas.

Experimento: Es un conjunto de acciones que con procedimientos claramente establecidos se

efectúa algún tipo de observación o medida, para que un experimento sea estadístico debe
cumplir las siguientes. Condiciones:

1. Se conocen cuales son todos los resultados posibles de su ejecución

2. Cualquier realización del experimento conduce a un resultado que no es conocido previo a
tal ejecución pero se sabe es uno de los posibles.
3. El experimento puede ser repetido bajo idénticas condiciones.

Autor: Edición y Mejora:

Leonardo Hernández Mendoza 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.

Función de probabilidades: Supongamos que un experimento estadístico tiene espacio muestral

( , ) una función P cuyo dominio es y cuyo conjunto de llegada es [0,1] es una función 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 su

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 ocurrió B es:

P (A\B) = ; P (B)

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)=

Variable aleatoria: Una función X cuyo dominio es y cuyo conjunto de llegada son los reales, 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: Edición y Mejora:

Leonardo Hernández Mendoza Kevin Lucas Marcillo
Jefferson Cunalata Soledispa
Jonathan Vela Fajardo
Función de distribución de probabilidades: Con cada variable aleatoria X discreta asociamos una
función P(X=x) denominada función de distribución de probabilidades de X que va desde R[0,1]
y debe cumplir lo siguiente:

1. P(X=x)=f(x)
2.
3. =

Distribución acumulada: La distribución acumulada de X es una función de variable real

F: R[0,1] t es definida como F(x)=P(X x) para todo x esté o no en el soporte S de la variable
aleatoria.

Valores esperados: Sea X una variable aleatoria discreta con distribución de probabilidades P(x)=x
y sea g(x) una función en términos 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 distribución de
probabilidades de X la media se define como y la varianza y al
resolverla

Función generadora de momentos: Sea X una variable aleatoria discreta con distribución de
probabilidades de X, la función generadora de momentos de X de existir se define como:

Autor: Edición y Mejora:

Leonardo Hernández Mendoza 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) La probabilidad de que en una repetición cualquiera ocurra suceso es P y falla 1-P

2) La probabilidad de suceso se mantiene constante durante todo el experimento
3) Cada repetición es independiente de la otra
4) El numero n de repeticiones es fijado previo al inicio del experimento

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

Distribución binomial negativa: Se tiene una sucesión 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 número de
repeticiones requeridas para que r-ésimo suceso ocurra.

Autor: Edición y Mejora:

Leonardo Hernández Mendoza Kevin Lucas Marcillo
Jefferson Cunalata Soledispa
Jonathan Vela Fajardo
Distribución hipergeométrica: Se tiene una población objetivo constituida por N entes, entre
estos N entes hay a que tienen una característica de interés. Se toma una muestra aleatoria de
tamaño n de la población objetivo y diremos que X es una variable aleatoria hipergeométrica si
representa el número de elementos con la característica de interés en la muestra.

Distribución Poisson: Sea X una variable aleatoria discreta X tiene distribución Poisson con
parámetro si representa el número de sucesos que ocurren en una unidad de tiempo, espacio,
volumen o cualquier otra dimensión. Donde es el promedio de ocurrencia de dicho suceso.

Variable aleatoria continua: Sea X una variable aleatoria continua con ella se asocia una función
denominada función de densidad de X, la misma que cumple con:

1)
2)
3)
4)

Distribución acumulada: Sea X una variable aleatoria continua con función de densidad , la
distribución acumulada de X se define como:

1)
2)
3) es continua y creciente

Autor: Edición y Mejora:

Leonardo Hernández Mendoza Kevin Lucas Marcillo
Jefferson Cunalata Soledispa
Jonathan Vela Fajardo
Valor esperado: Sea X una variable aleatoria continua con función de densidad , el valor
esperado de X se define como:

Función Gamma: La función Gamma de un positivo se define como:

Distribución uniforme: Una variable aleatoria continua tiene distribución uniforme si su densidad
es:

Distribución Gamma: Una variable aleatoria continua tiene distribución Gamma con parámetros
si su densidad es:

 Si , es una distribución exponencial.

 Si , es una distribución Erlang
 Si , es una distribución Ji-Cuadrado con n grados de libertad.

Autor: Edición y Mejora:

Leonardo Hernández Mendoza Kevin Lucas Marcillo
Jefferson Cunalata Soledispa
Jonathan Vela Fajardo
Distribución Normal: Una variable aleatoria continua tiene distribución Normal con parámetros
si su densidad es:

 Si entonces es una distribución normal estándar

Distribución Beta: Una variable aleatoria continua tiene distribución Beta con parámetros si
su densidad es:

Distribución Conjunta: Sean X y Y 2 variables aleatorias discretas con ellas se asocia una función
denominada distribución 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 distribución de

probabilidades conjunta la distribución marginal de X y Y se define como:

Autor: Edición y Mejora:

Leonardo Hernández Mendoza Kevin Lucas Marcillo
Jefferson Cunalata Soledispa
Jonathan Vela Fajardo
Valores esperados: Sean X y Y 2 variables aleatorias discretas con distribución de probabilidades
conjunta el valor esperado de se define como:

Independencia de variables aleatorias: Sean X y Y 2 variables aleatorias discretas con

distribución de probabilidades conjunta y sean y sus
respectivas distribuciones marginales, X y Y son variables aleatorias independientes si y solo si:

Además 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 correlación:

Autor: Edición y Mejora:

Leonardo Hernández Mendoza Kevin Lucas Marcillo
Jefferson Cunalata Soledispa
Jonathan Vela Fajardo