x − Md

Coeficiente de simetría de Pearson → Ap = Variable aleatoria

s
Coeficiente de asimetría
(x i − x )
k 3
∑ ni
AF = i=1
Coeficiente de Fisher → ∑( x − µ )
3 ∞
nS3 pi
∫ (x − µ)
3
i f ( x) dx
γ3 =
i
γ3 = i −∞

σ σ 3

(x i )
k 3
4
∑ −x ni
(v. discreta) (v. continua)
Coeficiente de curtosis → A4 = i =1
−3
nS4 Coeficiente de curtosis
n
1
Covarianza → Cov (x , y ) = s xy = ∑ xi yi − x y
∑( x − µ )
4
∞
∫ (x − µ)
n i=1 i pi 4
f ( x) dx
γ4 = −3 γ4
i
i
= −∞
−3
σ 4
σ 4

Recta de mínimos cuadrados → y = β
x + α
(v. discreta) (v. continua)

Cov ( x , y ) α
= y − β
x
β
=
s x2

Cov (x , y )
Coeficiente de correlación lineal de Pearson → r =
sx sy

Intervalos de confianza

 x ± z 0.025σ / n 
Si X es normal y σ conocida  

Si X no es normal y σ conocida
 x ± z 0.025σ / n 
Muestras grandes (n ≥ 30)  

Si X es normal y σ desconocida  x ± t n −1,0.025S / n 

 

Si X no es normal y σ desconocida
 x ± z 0.025S / n 
Muestras grandes (n ≥ 100)  