FORMULARIO- PROBABILIDAD Y ESTADÍSTICA

IAM31-B
SEGUNDO EXAMEN PARCIAL
n
DATOS NO X L=Lı́mite inferior de la clase
(xi − x̄)3
AGRUPADOS modal
As = i=1 nσ3 d1 =Frecuencia de la clase modal
Medidas de tendencia central Curtosis menos la anterior
Medida de Fisher d2 =Frecuencia de la clase modal
Media n
X menos la posterior
n (xi − x̄)4 i=Amplitud
X
xi i=1
α= nσ 4
i=1 Media geométrica
µ = x̄ = n
DATOS
P
f ·log(x)
Mediana log(G) = n
AGRUPADOS Cuartiles
med=valor central
n
Tabla de frecuencias 2 −c
Media geométrica Q1 = L + f ·i
n
2 −c
√ Frecuencia acumulada Q2 = L + f ·i
µG = G = n x1 · x2 · · · xn n
2 −c
Cuartiles Q3 = L + f ·i
i
X
Fi = fj = Fi−1 + fi L=Lı́mite inferior
Q1 = n+1
4 j=1
Q2 = 2(n+1)
4 Medidas de dispersión
Q3 = 3(n+1) Frecuencia relativa
4
fi
Rango
hi = n
Medidas de dispersión R = Ls − Li
Frecuencia relativa acumulada
Rango Ls = Lı́mite superior clase n
i
X Li =Lı́mite inferior clase 1
R=xn − x1 Hi = hj = Hi−1 + hi Desviación media
Varianza j=1
n
n
X
X Punto medio del intervalo |x − x̄|fi
(xi − x̄)2 i=1
x= Ls +Li σ=
s2 = σ 2 = i=1 n 2
n

Desviación estándar Varianza

Ls =Lı́mite superior
v Li =Lı́mite inferior n
2
u n
uX 
X
u (xi − x̄)2 |x − x̄|fi 
Medidas de tendencia central
t 
i=1 2
 i=1 
s=σ= n
σ =
 n


Coeficiente de variación Media  
n
CV= σµ X
fi · x Coeficiente de variación
i=1
x̄ =
Medidas de forma n
CV = σ
x̄
Mediana
Asimetrı́a
M ed = L +
n
2 −c
·i
GRÁFICAS Y
f
Coeficiente de Pearson FUNDAMENTOS
L=Lı́mite inferior de la clase me-
diana DE
As= 3(x̄−med)
σ c=Frecuencia acumulada antes PROBABILIDAD
Coeficiente de Yule de la clase mediana
f=Frecuencia de la clase mediana Gráfica de dispersión
i=Amplitud de la clase mediana
+Q3 −2Q2
As= Q1 Q3 −Q1
Coeficiente de Pearson para la
Moda correlación
Coeficiente de Fisher
d1 S(x,y)
M oda = L + d1 +d2 ·i r= S(x,x)·S(y,y)
   
n n
n

X
xi  
X
yi  Función de densidad Función de densidad (acumulada)
i=i i=i
→ F (xi ) = P (X ≤ xi )
X
S(x, y) = xi · y i −
n
i=1
!2 F(X)=P (X ≤ x)=0 para x < 0
n
X n = 1 − e−λx para x≥ 0
xi
X
n E[X]=µ = x i · Pi
E[X]= λ1
X i=1
2
S(x, x) = xi − i=1
i=1
n n
X
n
!2 Var[X]=θ2 = (xi − E[X])2 · Pi V[X]= λ12
X i=1
n
yi
X
2 i=1 Distribución binomial
S(y, y) = yi − Distribuciones continuas
n
i=1 X → Bin(n,p); donde p=éxito;
Probabilidad condicionada q=1-p=fracaso Tipificación de una variable X
P (A∩B)
P (B|A) = P (A) Función de probabilidad N(µ, σ) → N(0,1)
Z= x−µ
σ
P (B|A) =Probabilidad de B, n!
P(X=k)= k!·(n−k)! · pk · q (n−k)
dado que ya pasó A Teorema del lı́mite central (TLC)
P (A ∩ B) =Probabilidad de que E[X]=n ·p  
pase A y B Z(µ, σ) → T LC → N µ, √σn
P (A) =Probabilidad de que pase V[X]=n ·p · q con n > 30
A
Distribución Poisson
Teorema de Bayes
MUESTREO
X → P (λ); donde λ = no. medio
Cálculo de tamaño de muestras
P (Ai |B) = n P (Ai )·P (B|Ai ) de éxitos por unidad de tiempo
X
P (Ai ) · P (B|Ai ) Población conocida
Función de probabilidad
i=1 e−λ ·λK 2
→ P (X = k) = K!

Z0.5+ α ·N ·σ 2
n= 2 2
DISTRIBUCIONES   2
σ · Z0.5+ α +(N −1)·e2
E[X]=λ 2

DE Población desconocida
PROBABILIDAD V[X]=λ   2
Z0.5+ α ·σ
n= 2

Distribuciones discretas Distribución Exponencial e

Función de prob. y densidad Función de probabilidad N=tamaño de la población

→ P (X = x) = λ · e−λx para Z0.5+ α2 =Depende de la confianza
Función de probabilidad x>0 σ=desviación estándar
→ Pi = P (X = xi ) =0 en caso contrario e=error máximo permisible