Medidas de tendencia central a partir de datos No agrupados

Media Poblacional: Posición de la mediana Varianza poblacional y Varianza Muestral

∑𝑁 𝑖=1 𝑥𝑖 desviación estándar ∑(𝑥−𝑥̅ )2 ∑𝑥 2 −
(∑𝑥)2
𝜇= 𝑛+1 2
𝑠 = 2
𝑠 = 𝑛
𝑁 Mediana= 2 𝑛−1 𝑛−1
Dónde: ∑(𝑥 − 𝜇)2
• N: Es el número de 𝜎2 =
Moda: 𝑁 Dónde
individuos en la población. Dónde • 𝑠 2 : Varianza muestral
• X: Representa cualquier Valor de las observaciones • 𝜎 2 : Es la varianza • 𝑥: Valor de cada una de las observaciones
valor particular que aparece con más poblacional de la muestra
frecuencia • 𝑥: Valor de una • 𝑥̅ : Media muestral
Media Muestral: observación de la • 𝑛: Número de observaciones en la muestra
∑𝑛𝑖=1 𝑥𝑖 población
𝑥̅ =
𝑛 • 𝜇: Media aritmética 2
Dónde: ∑𝑥 2 − (∑𝑥)
de la población √ 𝑛
• 𝑥̅ : Representa la media • 𝑁: número de 𝑠=
𝑛−1
muestral observaciones de la Dónde
• 𝑛: Número de individuos en población • s: Desviación estándar
la muestra
Desviación Estándar
∑(𝑥 − 𝜇)2
𝜎=√
𝑁

Medidas de tendencia central a partir de datos Agrupados

Media Mediana
𝑛 𝐷𝑎
∑𝑓𝑥 2
−𝑐𝑓
𝑥̅ = Mediana=𝐿 + ( )(𝑖)
𝑛 𝑓
Dónde: Dónde:
• 𝑥̅ : Es la media aritmética • L: límite inferior de la clase
• 𝑥: Valor medio o punto que contiene a la mediana
medio de clase • n: Frecuencia de clase
• 𝑓: Frecuencia de cada clase • cf: Número de frecuencia
acumuladas en la clase que
preceden a la clase que
contiene la mediana
• i: Amplitud de la clase
donde está la mediana
Moda: Varianza y Desviación Estándar
Moda=𝐿 + ( )(𝑖)
𝐷𝑏+𝐷𝑎
Dónde 2 (∑𝑓𝑥)2
√∑𝑓𝑥 − 𝑛
• L: límite inferior de la 𝑠=
𝑛−1
clase que contiene a
Dónde
la moda
• s: Desviación estándar muestral
• Da: La diferencia
• x: Punto medio de clase
entre la frecuencia de
• f: Frecuencia de clase
la clase modal y la
clase que la antecede • n: Número de observaciones en la muestra
• Db: La diferencia
entre la frecuencia de
Creado por RGCG
 la clase modal y la
clase que le sigue
• I: Amplitud
Técnicas de conteo
Permutaciones Permutación en un arreglo circular Combinaciones
(𝑛 − 1)!
𝑛! 𝑛!
𝑛𝑝𝑟 =
Permutación con elementos 𝑛𝐶𝑘 =
(𝑛 − 𝑟)! (𝑛 − 𝑘)! 𝑘!
repetidos
Dónde 𝑛!
• p: Permutación 𝑛1 ! 𝑛2 ! … 𝑛𝑘 !
• n: Número de objetos
• r: Número de objetos que se
usaran a la vez

3(𝜇−𝑀𝑒𝑑𝑖𝑎𝑛𝑎) 𝑥̅ −𝑀𝑜𝑑𝑎
Coeficiente de Sesgo: 𝑆𝑘 = 𝑆𝑘 =
𝜎 𝑆
Distribuciones de Probabilidad de Variables Aleatorias Discretas
Probabilidad total: Teorema de Bayes: Valor esperado de v.a.d:
𝑛
𝜇 = 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥)
𝑝(𝐴) = ∑ 𝑃(𝐴|𝐵𝑖 )𝑃(𝐵𝑖 ) 𝑃(𝐴|𝐵𝑗 )𝑃(𝐵𝑗 ) 𝑥
𝑖=1 𝑃(𝐵𝑗 |𝐴) = 𝑛
∑𝑖=1 𝑃(𝐴|𝐵𝑖 )𝑃(𝐵𝑖 ) Varianza de v.a.d:
𝜎 2 = 𝑉(𝑋) = 𝐸[(𝑥 − 𝜇)2 = ∑(𝑥 − 𝜇)2 𝑓(𝑥)
𝑥
𝜎 2 = 𝑉(𝑋) = 𝐸[(𝑥 − 𝜇)2 = 𝐸(𝑋 2 ) − 𝜇2

Momentos alrededor del origen Función generadora de momentos Distribución Discreta Uniforme
𝜇𝑟′ = 𝐸(𝑋 𝑟) 𝑟
= ∑ 𝑥 𝑓(𝑥) 𝑚(𝑡) = 𝐸(𝑒 𝑡𝑥 ) 𝑡𝑥
= ∑ 𝑒 𝑓(𝑥)
1
𝑓(𝑋) = {𝑛 𝑥 = 𝑥1 , 𝑥2 , . . . , 𝑥𝑛
𝑥 𝑥
Momentos alrededor de la media Obtención de momentos alrededor del origen
𝑑𝑟 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑥
𝜇𝑟 = 𝐸[(𝑋 − 𝜇)𝑟 ] = ∑(𝑥 − 𝜇)𝑟 𝑓(𝑥) ′
𝑚𝑟 = 𝑟 𝜇(𝑡)|𝑡=0
𝑑𝑡 1
𝑥 Media: 𝜇 = 𝐸(𝑋) = 𝑛 ∑𝑛𝑖=1 𝑥𝑖
Coeficientes
1
Varianza 𝜎 2 = 𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2
Creado por RGCG
 𝜎 𝜇3
Variación: Asimetría: 3
𝜇 (𝜇2 )2
𝜇4
Curtosis:
(𝜇2 )2

Equivalencia entre momentos

𝜇2 = 𝐸[(𝑋 − 𝜇)2 ] = 𝐸(𝑋 2 ) − 𝜇2 = 𝜇2′ − 𝜇 2
𝜇3 = 𝐸[(𝑋 − 𝜇)3 ] = 𝜇3′ − 3𝜇𝜇2′ + 2𝜇 3
𝜇4 = 𝐸[(𝑋 − 𝜇)4 ] = 𝜇4′ − 4𝜇𝜇3′ + 6𝜇 2 𝜇2′ − 3𝜇 4
Distribución de Poisson Distribución de Bernoulli Distribución Binomial

𝑒 −𝜆 𝜆𝑥 𝑥 (1
− 𝑝)1−𝑥 𝑠𝑖 𝑥 = 0,1 𝑛
𝑓(𝑋) = 𝑥 = 0,1,2, ⋯ 𝑓(𝑋) = {𝑝 𝑓(𝑋) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛
𝑥! 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 𝑥
Media 𝐸(𝑋) = 𝑛𝑝
Media 𝐸(𝑋) = 𝜆
Media 𝐸(𝑋) = 𝑝 Varianza 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝)
Varianza V(𝑋) = 𝜆
𝑒𝑡𝜆 Varianza 𝑉(𝑋) = 𝑝(1 − 𝑝) f.g.m 𝑚(𝑡) = (𝑞 + 𝑒 𝑡 𝑝)𝑛
f.g.m 𝑚(𝑡) = 𝑒 −𝜆 𝑒 coeficientes:
f.g.m 𝑚(𝑡) = 𝐸(𝑒 𝑡𝑥 ) = 1 − 𝑝 + 𝑝𝑒 𝑡
coeficientes: 𝑞−𝑝 1−6𝑝𝑞
1 Asimetría: Curtosis:
− −1 √𝑛𝑝𝑞 𝑛𝑝𝑞
Asimetría: 𝜆 2 Curtosis: 3 + 𝜆

Distribución Geométrica Distribución Binomial Negativa Distribución Hipergeométrica

𝑓(𝑋) = 𝑝(1 − 𝑝)𝑥−1 , 𝑥−1 𝑘 (𝑘𝑥)(𝑁−𝑘 )

𝑓(𝑋) = ( ) 𝑝 (1 − 𝑝) 𝑥−𝑘 , 𝑓(𝑋) = 𝑛−𝑥
, 𝑥 = 0,1,2, … , 𝑛
𝑥 = 1,2,3, … 𝑘−1
𝑥 = 𝑘, 𝑘 + 1, 𝑘 + 2, … (𝑁𝑛)
1 N: Cantidad de elementos del conjunto del que se toma la
Media 𝐸(𝑋) = 𝑝 𝑘
Media 𝐸(𝑋) = 𝑝 muestra.
1 1
Varianza V(𝑋) = 𝑝 (𝑝 − 1) k: Cantidad de elementos existentes que se consideran “Éxitos”.
𝑘 1
Varianza V(𝑋) = 𝑝 (𝑝 − 1) n: Tamaño de la muestra.
𝑝 X: v.a.d (Cantidad de resultados considerados “éxitos” de la
𝑚(𝑡) = 1−(1−𝑝)𝑒 𝑡 para |t|<-ln(1-p) muestra).
𝑝 𝑘
f.g.m: 𝑚(𝑡) = (1−(1−𝑝)𝑒 𝑡 ) para |t|<-ln(1-p) x= 0,1,2,…,n
Coeficientes:
1+𝑞 𝑝2 +6𝑞 Coeficientes: 𝑘
Asimetría: Curtosis: Media 𝐸(𝑋) = 𝑛 𝑁
√𝑞 𝑞

Creado por RGCG

 2−𝑝 6 𝑝2 𝑛𝑘 𝑘 𝑁−𝑛
Asimetría: curtosis: + Varianza V(𝑋) = (1 − 𝑁)( 𝑁−1 )
√𝑘(1−𝑝) 𝑘 𝑘(1−𝑝) 𝑁

Coeficientes:

(𝑁−2𝑘)(𝑁−1)1/2 (𝑁−2𝑛)
Asimetría: 1
[𝑛𝑘(𝑁−𝑘)(𝑁−𝑛)]2 (𝑁−2)

Curtosis:

𝑁2 (𝑁−1) 𝑁(𝑁+1)−6𝑁(𝑁−𝑛) 3𝑛(𝑁−𝑛)(𝑁+6)

[𝑛(𝑁−2)(𝑁−3)(𝑁−𝑛)] [ + − 6]
𝑘(𝑁−𝑘) 𝑁2

Teorema de Chebyshev Propiedades de probabilidad Regla aditiva de la probabilidad para dos eventos
1 • 𝑃(∅) = 0 • 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
𝑃(𝜇 − 𝑘𝜎 < 𝑥 < 𝜇 + 𝑘𝜎) ≥ 1 − 2 , 𝑘 ∈ ℝ 𝑘 ≥ 1
𝑘 • 𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴) Leyes de D’morgan
• 𝑠𝑖 𝐴 ⊂ 𝐵 ⟹ 𝑃(𝐴) ≤ 𝑃(𝐵) • (𝐴 ∩ 𝐵)𝑐 = 𝐴𝑐 ∪ 𝐵𝑐
• ∅ ≤ 𝑃(𝐴) ≤ 1 • (𝐴 ∪ 𝐵)𝑐 = 𝐴𝑐 ∩ 𝐵𝑐
• 𝑃(𝐴 − 𝐵) = 𝑃(𝐴) − 𝑃(𝐴 ∩ 𝐵)

Creado por RGCG