FORMULARIO ESTADÍSTICA

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico.

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico.

Estadística Descriptiva

√ √
n n

∑ f i ( x i−x ) ∑ f i ( x i−x )2
n
x i∗f i 2
n+1
x=∑ Q 1=
i=1 n s= i=1 i=1 4
( n−1 ) ( n−1 )
3 ( n+1 )
Q 3=
4

k ( n−1 )
Qk =Li + parte decimal de la posición encontrada(Li−L s) Percentil k ésimo= +1
100

s
x
CV(X)=( )*100

Regresión

también la correlación de Pearson se puede calcular así

cov ( X ,Y ) σ
σ XY =E ( XY ) −E ( X ) E (Y ) ρ XY = = XY
√V ( X ) V ( Y ) σ X σ Y
Probabilidades

P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B)
P ( A ∩ B )=P ( A|B ) P ( B )=P(B ∩ A )=P ( B| A ) P( A)

Teorema de Bayes

P( A ¿ B i)⋅ P(Bi)
P ( B i / A )=
P( A)
k
Teorema de la probabilidad total P ( A )=∑ P( A ¿ Bi )⋅ P( Bi )
i=1

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 2

 DISTRIBUCIONES

Discretas Continuas

Función de Masa de probabilidad Definición:

f ( x i ) =P ( X=x i ) Para una variable aleatoria X ,una función de

densidad de probabilidad es una función tal
Puesto que f ( x i ) se define como una que:
probabilidad,
1. f ( x ) ≥0
f ( xi ) ≥ 0 ∞

2. ∫ f ( x ) dx=1
n −∞

∑ f ( x i )=1 b
i=1
3. P ( a ≤ X ≤ b )=∫ f ( x ) dx
a
Siempre se deben cumplir ambas
restricciones

Función de distribución acumulada Definición:

F ( x )=P ( X ≤ x ) =∑ f ( x i) La función de distribución acumulada de una

x i ≤x
variable aleatoria continua X es
Media de una v.a.d x
F ( x )=P ( X ≤ x ) =∫ f ( t ) dt
μ= E [ X ] =∑ xf ( x ) −∞
x

Para −∞ < x <∞

Varianza de una v.a.d.
La media o valor esperado de X es:
σ =V ( X )=∑ ( x−μ ) f ( x )
2 2

x ∞
μ= E ( X )= ∫ xf ( x ) dx
¿ ∑ x f ( x ) −μ
2 2
−∞
x
La varianza de X es:
∞ ∞
σ =V ( X )= ∫ ( x−μ ) f ( x ) dx =∫ x f ( x ) dx−μ
2 2 2 2

−∞ −∞

Discreta Uniforme Continua Uniforme

1 1
f ( xi )= f ( x )= , a ≤ x ≤b
n b−a

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 3

 b+ a b+a
μ= E( X)=
2 2

2 ( b−a+1 )2−1 ( b−a )2

σ = V ( X)=
12 12

Binomial Normal

()
2
− ( x− μ)
f ( x )= n p x ( 1− p ) , x=0,1 , … , n
n− x
1 2σ
2

x f ( x )= e para−∞ < x <∞

√2 π σ
Tiene distribución normal con parámetros
μ y σ.
μ= E ( X )=np y σ 2=V ( X )=np ( 1−p )
Distribución Normal Estándar

Si X es una variable aleatoria normal con

E ( X ) =μ y V ( X )=σ 2, entonces la variable
aleatoria.

X−μ
Z=
σ

Es una variable aleatoria normal con media

E ( Z ) =0 y V ( Z )=1.

Es decir, Z es una variable aleatoria normal

estándar.

Si se usa una muestra, la fórmula queda:

X−x
Z=
s
√n
Geométrica Aproximación Binomial a Normal

f ( x )=( 1−p )
x−1
p • En casos cuando el n es grande es
complicado calcular las probabilidades
La media mediante la distribución binomial.
Si X es una variable aleatoria binomial,
∞
1
μ= E ( X )=∑ k ( 1−p ) entonces
k−1
p=
k=1 p
X −np
La varianza Z=
√np ( 1−p )

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 4

 ( 1− p ) Es aproximadamente una variable aleatoria
σ 2=V ( X )= 2
p normal estándar. La aproximación es buena
para

np> 5 y n ( 1− p ) >5

Binomial Negativa Exponencial

( )
−λx
f ( x )= x−1 ( 1−p ) pr
x−r f ( x )= λ e , para x ≥ 0
r−1

{
−λx
F ( x )= 1−e si 0< x
Para x=r , r +1 , r +2 ,… 0 en otro caso
r
μ= E ( X )=
p Si la variable aleatoria X tiene distribución
exponencial con parámetro λ , entonces
2 r ( 1− p )
σ =V ( X )= 2
p 1 1
E ( X ) = y V ( X )= 2
λ λ

Propiedad de falta de memoria

Para una variable aleatoria exponencial X

P ( X <t 1+ t 2|X > t 1 ) =P ( X <t 2)

Hipergeométrica Erlang

( )( )
r r −1 λx
K N−K λ x e
f ( x )=
x n−x ( r−1 ) !
f ( x )=
( Nn ) μ=
r 2 r
yσ = 2
λ λ
μ= E ( X )=np y

σ 2=V ( X )=np (1−p ) N−n(

N −1 )
Dónde p=K /N

Poisson Gamma

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 5

 −λ x
( ) e λ
f x=
x!
λ r x r e− λx
f ( x )= , para r >0
Media Γ (r )

μ= E ( X )=λ Tiene distribución gamma con parámetros λ y

r
Varianza

σ 2=V ( X )=λ

Weibull

Definición:

La variable aleatoria X con función de densidad

de probabilidad

()
β−1
β x − ( x /δ )
β

f ( x )= e , x> 0
δ δ

Tiene una distribución Weibull con parámetros

de escala δ >0 y parámetro de forma β >0

( δx )
β
−
F ( x )=1−e

Si X tiene distribución Weibull con parámetros

β y δ , entonce,

la media y la varianza de x son:

μ=δΓ 1+ ( 1β ) y
[ ( )]
2
2
σ =δ Γ 1+
2
( ) 1
β
2
−δ Γ 1+
1
β

Combinación de variables aleatorias

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 6

Intervalos de confianza

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 7

 ( ) ( )
2 2
σ Zασ S Zα
IC :[ X ± Z α ] 2 IC :[ X ±t α ] 2
2 √n
n= 2 √n
n= p(1− p)
E E

IC :[ p ± Z α
2 √ p(1− p)
n
]

Dócimas de hipótesis

x −μ x−μ p−P x 1−x 2

Z= t= Z= Z=
σ S
√ √
2 2
p (1− p) σ1 σ2
+
√n √n n n1 n2

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 8

 √
2
Zα S N −n z 2 x−μ x−μ
n=( ) n=π ( 1−π )( ) Z= t=
E N −1 E σ /√n s/√n
p−π
Z=

√ π (1−π )
n

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 9

 d́
t=
Sd/ √ n

x± z
σ
√n
x±t
s
√n
p±z
√p(1−p)
n
n=(
Zα s 2
E
)

(x1 −x2 ) r

√
t= t (n +n −2) t= t (n−2 ) g .l .

√ √
N −n

√
2 2 1 2

N −1
( n 1−1 ) s +(n2−1)s
1 2 1 1 1−r
2

+
n1 +n2 −2 n 1 n2 n−2

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 10

Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 11
Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 12
Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico.
Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico.
Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 15
Compilado por Prof. María Verónica Cárdenas Huentelicán. Estadístico. 16