FORMULARIO ESTADÍSTICA

Error muestral (diferencia entre el parámetro desconocido y el estadístico utilizado).

Tipo de errores muestrales por azar y el de sesgo muestral (que es el más serio)
 Pocos datos: hasta 15 datos
 Datos no agrupados tenemos de 15 hasta 30 datos (hasta 40 datos)
 Datos agrupados cuando tratamos con más de 40 datos
DATOS AGRUPADOS (Intervalo, límites de intervalo, ancho del intervalo)

Paso 1: 2k ≥ n Paso 2:
n=número de datos Rango=Valor máximo−Valor mínimo
k =número de intervalos que buscamos
Paso 4:
Medidas descriptivas, se clasifican en:
Pasocomo
3: representativo de todos los datos: Intervalo=¿
Valor que se puede tomar
Media rango Ejemplo 1=¿
Ancho delintervalo=
Para datos pequeños (hasta 15) No . de intervalos
datos no agrupados datos agrupados

Paso 5: MarcaPaso 6: Tabla de frecuencias

de clase
Frecuencia Frecuencia Frecuencia
Lsuperior+ Linferior
Marca de
Mediana
X MC = Variable
clase
Frecuencia Absoluta Frecuencia Relativa
%h %H
Acumulad
2
(NOmbre)
(Xmc)
Absoluta (f) Acumulada Relativa (h) Acumulad a
Para datos pequeños (hasta 15) y datos no agrupados Datos agrupados
(F) a (H) Invertida
Primero se deben ordenar los datos
Medidas de
Si es impar es el valor central
tendencia
Si es par es la media de los valores centrales
central

Moda Media geométrica

Datos agrupados

Cuantifican la separación, la dispersión, la variabilidad de los valores de la distribución respecto al valor central
Rango Rango=Valor máximo−Valor mínimo
Varianza
Para datos pequeños (hasta 15) datos no agrupados datos agrupados
Población

Medidas de
dispersión Muestra

Desviación estándar

Medidas que dividen a una distribución ordenada en partes iguales, para calcular se debe ordenar los datos de menor a
mayor. Se utiliza en datos (n>100)
Cuartiles: cuando se divide al grupo en 4 partes Deciles: cuando se divide al grupo en 10 partes

Medidas de
posición
Percentiles: cuando se divide al grupo en 100 partes

Fi=FRECUENCIA ACUMULADA

Medidas de Indicadores estadísticos que permiten identificar si una distribución de frecuencia presenta uniformidad.
forma

Medidas de sesgo (medida de asimetría) Curtosis, indica la cantidad de datos que hay cercanos a la
Si los datos se distribuyen de forma uniforme, alrededor del punto media. A mayor grado de curtosis, más escarpada (o apuntada)
central será la forma de la curva.
 Probabilidades y Técnicas de Conteo

No. de resultados en donde se presenta el evento

P ( A )=
Probabilidad No . resultados posibles
clásica
Casos favorables
P ( A )=
Casos posibles
que tan frecuentemente ha sucedido en el pasado para poder predecir la probabilidad de que nuevamente suceda en el
Probabilidad de futuro.
frecuencia relativa No. de veces que el suceso ha ocurrido antes
P ( A )=
(o empírica) No .total de observaciones

Probabilidad Probabilidad asignada a un evento por parte de un individuo en función de la evidencia que tenga disponible. NO HA
subjetiva OCURRIDO ANTES. no se cuenta con datos históricos para « PREDECIR » el suceso)
Algebra De Conjuntos
Algebra de
Unión (A A∪B), Intersección (A∩B) Complemento 𝐴 y Diferencia (A A−B)
conjuntos
Conjuntos
Disconjuntos O sí (A∩B = ∅ es decir, la intersección de estos conjuntos es vacía, la ocurrencia de uno
Mutuamente implica la no ocurrencia del otro.
Excluyentes
Reglas de la probabilidad
A o B 𝐴∪𝐵 es decir la probabilidad de que el evento A ocurra o que el Evento B ocurra (o de que
ambos ocurran). Si A y B no son mutuamente excluyentes (es decir si los dos pueden ocurrir al
Regla de la suma mismo tiempo.
P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B)
Si dos eventos A y B son mutuamente excluyentes ((es decir que no pueden ocurrir
simultáneamente). EVENTOS INDEPENDIENTES.
P ( A ∪ B ) =P ( A )+ P ( B )
Regla Especial de La regla de la suma da lugar a tres formas equivalentes
la Suma 𝑃𝐴+𝑃𝐴′=1
𝑃𝐴=1−𝑃𝐴′
𝑃𝐴′=1−𝑃(𝐴)
Conocer la probabilidad conjunta A y B (A A∩B), es decir que ocurra A y B al mismo tiempo, si son sucesos
independientes:
Regla de la P ( A ∩ B )=P ( A )∗P ( B )
multiplicación Si son sucesos dependientes:
P ( A ∩ B )=P ( A )∗P ( B ∖ A )
𝑃(𝐵∖𝐴) Implica una probabilidad condicional.
Probabilidad de que el evento A ocurra dado que (o con la condición de que) el evento B ya haya ocurrido.
𝑃𝐴∖𝐵 «se lee la probabilidad de A dado B»
Probabilidad Formula
condicional P( A ∩ B) P( A ∩ B)
P ( A ∖ B )= P ( B ∖ A )=
P (B) P( A)
Regla especial tres
P( AyByC )=P( A) P(B) P(C)
eventos
Probabilidad Permite calcular la probabilidad de un evento en función de probabilidades condicionadas
Completa P ( B )=∑ P ( Ai )∗P ( B ∖ Ai )
P ( Ai )∗P ( B ∖ Ai )
Teorema de Bayes P ( Ai ∖ B )=
P ( A 1 )∗P ( B ∖ A 1 ) + P ( A 2 )∗P ( B ∖ A 2 )
 A1 y A2 son eventos mutuamente excluyentes y colectivamente exhaustivos.
El denominador es P(B) cuando es sencilla la operación y nunca deberá ser 0.
TÉCNICAS DE CONTEO
Principio aditivo: utiliza la suma para encontrar el número total de resultados
En función de su
complejidad Principio multiplicativo: hay m formas de hacer una cosa y n formas de hacer otra cosa entonces habrá
m x n formas de hacer ambas cosas en conjunto.
Permutaciones: importa el orden. Permutaciones con repetición: cuando existen
n! objetos iguales
nPr=
( n−r ) ! n!
Prep=
Permutaciones n=total de objetos n1 ! n2 ! … nk !
Combinaciones r=objetos seleccionados n=total de objetos
Combinaciones: No importa el orden. r=objetos iguales
n!
nCr=
( n−r ) ! r !

DISTRIBUCIONES DE PROBABILIDAD
Distribuciones de probabilidad de variable discreta
Variables aleatorias μ= E ( x )=∑ ( xi ) P( xi)
discretas xi=resultados individuales
VALOR ESPERADO Pi= probabilidad de ocurrencia
Varianza σ 2=VAR=∑ [ ( xi−μ )2 P( xi) ]
Desviación estándar σ =√ σ 2
Debe haber ÚNICAMENTE dos resultados posibles (éxito fracaso). Presenta eventos constantes, se puede
repetir muchas veces, la probabilidad de éxito en un intento es independiente de los obtenido en cualquier
otro intento.
n=número total de casos
Distribución Binomial: x= probabilidad buscada . n!
Px= π x (1−π )n−x
π= probabilidad de éxito ( n−x ) ! x !
1−π =probabilidad de fracaso
Cuando la población es pequeña o la muestra contiene una gran proporción de la población. La
probabilidad de éxito no es constante
Distribución N=Tamaño de la población rCx∗( N −r ) C ( n−x )
r =es el número de la población señalado como exito Px=
Hipergeométrica .N C n
x=número que indica éxito de la muestra
x=número
# de veces que sucede un hecho determinado en un intervalo de tiempo que
o espacio . indica éxito de la muestra

μ x e−μ ( μ t ) x e− μ t
Px= o Px=
Distribución de Poisson x! x!

μ=Valor esperado o número medio de ocurrencia llamadoλ

x=valor sobre el cualbuscamos la probabilidad
e=número 2,71828
Distribuciones de probabilidad de variable continua. - son definidas en un intervalo.
Cualquier resultado posible tiene igual oportunidad de ocurrir. Tiene forma rectangular. Definida por valores
mínimos y máximos.
1
Px= , si a ≤ x ≤ b y 0 en otro lugar
b−a
Distribución Desviación estándar
uniforme Media
( a+ b )2
μ=
a+ b
2
σ=
12 √
Px=a ≤ x ≤ b=altura∗rango delintervalo
Una variable aleatoria exponencial será siempre positiva, TIENE UN SESGO POSITIVO. Describe situaciones de
tiempo.
Distribución P ( x ) =λe−λx P ( tiempo de llegada< x ) =1−e− λx λ= párametro de ritmo
exponencial:
1
La media y la desviación estándar son iguales a:
λ
 Forma de campana. 2

Px=
1 −
e 2σ
[ ( x−μ )
2 ]
σ √2 π
Distribución
Normal: x=es el valor de cualquier observación y medición
x−μ μ=es la media de ladistribución
z=
σ σ =es la desviación estándar de la distribución
Tablas de distribución normal z

Distribuciones muestrales
La distribución muestral de x́ es la distribución de probabilidad de todos los valores de la media muestral x́
La media muestral es la semisuma de los valores de cada pareja formada.

Distribución Valor esperado Desviación estándar

Media de media muestrales Población finita Población infinita
Muestral de la
∑ x́ i N −n σ σ
media x́
n
∑ x́ i
σ x́ =
√ ( )
N−1 √ n
σ x́ =
√n
μ
n x−μ
Teorema del z=
Se aplica una muestra de 30 o más. Para normalizar a la variable se usa la fórmula: σ
límite central
√n

(Intervalos de Confianza y Prueba de Hipótesis)

Rango o recorrido dentro del cual se podría encontrar el parámetro y el nivel de confianza de que el intervalo contenga el parámetro.

Intervalo de confianza para la media poblacional μ Estimación por intervalos

x́ ± margen de error Estimación puntual ± margen de error
x́=¿ es la media muestral
margen de error = definido por el error muestral

∝ σ
M argende error=z
2 √n
∝ ∝
Intervalos de z =valor de z que proporciona un areade en la colade distribucion normal
2 2
Confianza
∝=α se llama nivel de significancia y su valor es 1nivel de confianza al cual se trabaja .
Intervalo de confianza de la media poblacional
∝ σ
IC=x́ ± z
2 √n

IC=Intervalos de confianza
n=tamaño de la muestra
σ =desviación estándar muestral .
x́=media
Distribución t Se ∝ cuando no se conoce la desviación estándar o si la muestra es menor o igual a 30
utiliza
z x́−μ=se encuentra en la tabla
de Student t= 2 Intervalo de confianza distribución t
s n=tamaño de la muestra
∝ s s=desviación estándar muestral .
IC=x́ ±t ( n−1 )
√n 2 √ n x́=media
∝
t =valor de la distribución t de Student
 ṕ ±margen de error
IC proporción ∝ ṕ ( 1− ṕ )
poblacional IC=la
p=es ṕ ±proporción
z
2 √
n muestral

El tamaño de la muestra
Para la media poblacional ∝ Para proporciones En caso de no conocer ṕ
z = depende del nivel de confianza
∝ 2 2 2 asume el valor de 0,5
z ( )
2
σ
σ =¿ es la desviación estándar poblacional ∝ 2 (
n=
( x́−μ )2 x́−μ=error tolerable E
n=
( )
z
2
ṕ 1− ṕ )

Prueba de hipótesis E2
PASO 1 PASO 3 PASO 4 PASO 5
Definir hipótesis nula Identifica estadístico de Se formula la regla de toma de Se formula la regla de toma de decisiones
Ho. y alternativa Ha. prueba: decisiones.
Muestra Zcrítico: punto de división entre la
PASO 2 Grande Pequeña
región en que se rechaza la hipótesis
Niveles de nula y aquella en la que se acepta.
significancia ∝

Pruebas de hipótesis respecto a la proporción poblacional

ṕ− p o Los valores de z α y z α / 2 (valores
z=
po (1−p o ) críticos)

√ n
ṕ es la proporción muestral
UNILATERAL
ES:
BILATERALES
:
po es la proporcional poblacional
n es el número de muestras totales.
Muestras pequeñas los valores de t estan en la tabla. T student

FORMA GENERAL DE LA ECUACIÓN DE REGRESIÓN LINEAL

Ecuación para una línea recta Pendiente de la recta de regresión de mejor
ajuste
Y̌ =a+bX ∑ xy−n x́ ý
b=
∑ x 2−n x́ 2
Ordenada Y de la recta de regresión de mejor Al coeficiente de determinación
ajuste
a= ý−b x́

Coeficiente de correlación

coeficiente de deteminacion=r 2=c oeficiente de correlación elevado al cuadrado