ESTADÍSTICA I: FORMULARIO

ANALISIS DESCRIPTIVO DE DATOS UNIVARIANTES

MEDIDAS DE LOCALIZACIÓN:
 Media aritmética Media aritmética ponderada Media Geométrica
k
1 k k k
x   x i  ni
N i 1
xw   xi  wi
i 1
w
i 1
i G N  xin i

i 1
 Mediana
Encontrar el entero m para el cual Fm-1 < 50%  Fm (o Nm-1 < N/2  Nm )
 Distribuciones discretas:
 Si Fm > 50%: Me = xm
x m  x m1
 Si Fm = 50%: Me 
2
 Distribuciones agrupadas: Clase mediana (Lm-1, Lm]
Lm 1  Lm
 Si Fm > 50%: Me 
2
 Si Fm = 50%: Me = Lm
 Moda (datos agrupados)
Lm1  Lm
o Mo  con (Lm-1,Lm] el intervalo para el cual dm = Max{di}
2

 Cuantil-p
o Encontrar el entero m para el que Fm-1 < 100·p%  Fm (o Nm-1 < N·p  Nm)
 Distribuciones discretas
 Si Fm > 100·p%: Qp = xm
xm  xm 1
 Si Fm = 100·p%: Qp 
2
 Distribuciones agrupadas: Intervalo de clase (Lm-1, Lm]
Lm 1  Lm
 Si Fm > 100·p%: Qp 
2
 Si Fm = 100·p%: Qp = Lm

MEDIDAS DE DISPERSION:
Varianza Coeficiente de Variación Puntuaciones z
1 k
1 k
 S X x
S2 
N
 x
i 1
i  x   ni 
2

 xi2  ni   x 2
N  i 1 

CV  X
x
Z
S

MEDIDAS DE FORMA:
Coeficiente de Asimetría de Fisher Coeficiente de Curtosis de Fisher
1 k x x 1 k
CAF   zi3  ni con zi  i CK   zi4  ni  3
N i1 S N i 1

MEDIDAS DE DESIGUALDAD: Indice de Gini

k 1 k 1
Ni
p i  qi  q i
pi 
N
 100
IG  i 1
 1 i 1
u i
qi  i  100 ui   x j n j
k 1 k 1

p
i 1
i p
i 1
i uk j 1
 ANALISIS DE DATOS BIVARIANTES

INDEPENDENCIA: X e Y son estadísticamente independientes si y sólo si f ij  f i .  f. j

COVARIANZA
N
1
S XY 
N
x
i 1
i  yi  x y

S XY
o Coeficiente de correlación de Pearson: r
S X  SY

Modelo de Regresión Lineal: Y= a +bX

Coeficientes de mínimos cuadrados:

S XY
b a  y b x
S X2
Ecuación de la recta de regresión:

S XY
yy  x  x
S X2

 Descomposición de la varianza:

SY2  SeY2  S sY2

1
S rY2 
N
e i
2
i

1
  yˆ  y
2
S eY2  i
N i

 Coeficiente de Determinación (general):

S rY2 S eY2
R2  1  
SY2 SY2

 Coeficiente de determinación en regresión lineal:

2
S XY
r2 
S X2  SY2
Modelos de regresión no lineales:

Modelo de regresion hiperbólico:

b
Y a  Y  A  BX '
X
1
con X ' 
X
Aa y Bb

Modelo de regresion logarítmico:

Y  a  b ln X  Y  A  BX '
con X '  ln X
Aa y Bb

Modelo de regresion potencial:

Y  aX b  Y '  A  BX '
ln Y  ln a  b ln X
con X '  ln X ; Y '  ln Y
A  ln a y B  b

Modelo de regresion exponencial:

Y  ae bX  Y '  A  BX '
ln Y  ln a  bX
con X '  X ; Y '  ln Y
A  ln a y B  b
ALGUNAS FUNCIONES DE EXCEL

 CONTAR.SI(rango, criterio): Cuenta el número de celdas dentro de rango que coinciden con un
criterio.

 FRECUENCIA(matriz, grupos): Devuelve una distribución de frecuencias como matriz vertical

 PROMEDIO(número1; [número2]; ...): Devuelve la media de sus argumentos
 MEDIA.GEOM(número1; [número2]; ...): Devuelve la media geometrica
 MEDIANA(número1; [número2]; ...): Calcula la mediana
 MODA.UNO (número1;[número 2],...): Devuelve el valor más frecuente entre un conjunto de datos
 MODA.VARIOS(número1;[número 2],..): Devuelve una matriz columna con los valores más
frecuentes o repetitivos en la matriz o rango de datos.

 CUARTIL.EXC(matriz, cuartil): Devuelve el cuartil del conjunto de datos en función del percentile de
0..1, exclusivo

 PERCENTIL.EXC(matriz;k): Devuelve el k-ésimo percentil de un rango de datos, donde k está en el

rango de 0…1, exclusivo

 VAR.P(número1;[número 2];...): Calcula la varianza basada en los datos de la población completa

 DESVEST.P(número1;[número 2];...): Calcula la desviación estandar basada en la población
completa

 DESVPROM(número1;[número 2];...): Devuelve la desviación absoluta promedio de los datos

respecto de su media aritmética

 COEFICIENTE.ASIMETRIA(número1;[número 2];...): Devuelve el coeficiente de asimetria de

Fisher de la distribución de los datos.

 CURTOSIS (número1;[número 2];...): Devuelve el coeficiente de curtosis de los datos

 COVARIANZA.P(matriz1;matriz2): Devuelve la covarianza entre dos rangos de datos
 COEF.DE.CORREL(matriz1;matriz2): Devuelve el coeficiente de correlación lineal entre dos rangos
de datos

 ESTIMACIÓN. LINEAL(conocido_y, [conocido_x], [const], [stats]): Devuelve los parámetros

de un modelo de regresion lineal.

 ESTIMACIÓN.LOGARITMICA(conocido_y, [conocido_x], [constante], [estadística]):

Devuelve los parametros de un ajuste exponencial

 INTERSECCIÓN.EJE(conocido_y, conocido_x): Devuelve el origen de la recta de regression de

mínimos cuadrados ajustada

 PENDIENTE(conocido_y, conocido_x): Devuelve la pendiente de la recta de regresion

 COEFICIENTE.R2(conocido_y,conocido_x): Devuelve el cuadrado del momento producto de
Pearson

 PEARSON(matriz1, matriz2): Devuelve el momento producto o coeficiente r de correlación de

Pearson
 NÚMEROS ÍNDICE

Indices de Precios y Cantidades

Precios Cantidades
Laspeyres h h

 pit  qi 0 p i0  qit
L ( p) 
t
0
i 1
h
L (q ) 
t
0
i 1
h

p
i 1
i0  qi 0 p
i 1
i0  qi 0

Paasche h h

 pit  qit p it  qit

P ( p) 
0
t i 1
h
P (q) 
0
t i 1
h

p
i 1
i0  qit p
i 1
it  qi 0

Fischer F0t ( p )  Lt0 ( p )  P0t ( p ) F0t ( q )  Lt0 ( q )  P0t ( q )

Indices de Valor
h

V p it  qit
VI  t 
t
0
i 1
h
V0
p
i 1
i0  qi 0

Deflacción de Series
h
VN t
VRt ( 0 )    pi 0  qit
ID0t ( p ) i 1

Repercusión

  wi
h
Variación del
Vt t   I ( X )  I ( X )    i  I 0t  ( X i )  I 0t ( X i )
t
0
t
0 con  i  h
Índice i 1
w
j 1
j

Repercusion 
R it t   i  I 0t  ( X i )  I 0t ( X i ) 
 CALCULO DE PROBABILIDADES

Principios de Combinatoria
n n!
Combinaciones sin repetición Cnm    
 m  n  m ! m!
n!
Variaciones sin repetición Vnm 
n  m!
Variaciones con repetición VRnm  nm
Permutaciones sin repetición Pn  n!
n!
Permutaciones con repetición PRnn1 ,, nm 
n1! nm!

Probabilidad condicionada Teorema de la probabilidad total Regla de Bayes

p ( B | Ai )  p ( Ai )
p ( Ai | B )  n
p( A  B) n
p( A | B) 
p( B)
p( B)   p( B | Ai )  p( Ai )  p( B | A j )  p( A j )
j 1
i 1

VARIABLES ALEATORIAS DISCRETAS

DISTRIBUCIÓN BINOMIAL

 Distribución de probabilidad o función de cuantía

 n
pX  x    p x q nx para x  {0,1,..., n}
 x

 Valor esperado y Varianza

E X   np Var X   npq

DISTRIBUCIÓN HIPERGEOMETRICA

 Distribución de probabilidad o función de cuantía

 D  N  D 
  
 x  n  x 
pX  x  para x  max0, n  D-N ,..., minn, D
N
 
n

 Valor esperado y Varianza

D D D  N  n 
EX   n VarX   n 1   
N N N  N  1 
 ANALISIS ESTADISTICO DE DECISIONES ES

Reglas de decisión no probabilísticas

Maximin Max Min eij
i 1,...,m j 1,...,n

Maximax Max Max eij

i 1,...,m j 1,...,n

Hurwicz i 1,...,m i 1,...,m


Max H i  Max  Min eij  (1   ) Max eij
j 1,,n j 1,,n

rij  e *j  eij
Pesar (Minimax) Min Max rij con *
i 1,...,m j 1,...,n e j  Max eij , j  1,, n
i 1,, m

Reglas de decision probabilísticas

Criterio de Laplace (Principio 1 n
Max VE ( Ai )  Max  eij
de razón insuficiente) i 1,...,m i 1,...,m n
j 1
n
Maximización del valor
Max VE ( Ai )  Max  eij P( S j )
esperado i 1,...,m i 1,...,m
j 1

Minimización del pesar n rij  e *j  e ij

esperado
Min PE ( A i )  Min
i  1 ,..., m i  1 ,..., m
 j 1
rij P ( S j ) con
e *j  Max e ij , j  1,  , n
i  1 , , m

Eficiencia de la Información
Valor esperado con información muestral VECIM   VE ( A* | X k )  p ( X k )
k

Valor esperado sin información muestral VESIM  Max VE ( Ai )  Max  eij  p ( S j )

i i
j

Valor esperado de la información muestral VEIM  VECIM  VESIM

Valor esperado con información perfecta VECIP  VE ( Ai )  PE ( Ai )   {Max eij }  p ( S j )
i
j

Valor esperado de la información perfecta VEIP  VECIP  VESIM

Eficiencia de la información muestral EIM  VEIM / VEIP