Formulario Estadistica

Página 1 de 17
Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

23006 – Jaén. www.cedavinci.com – cedavinci@cedavinci.com
(FORMULARIO ESTADÍSTICA - UNIVERSIDAD

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES
ESTADÍSTICA DESCRIPTIVA UNIDIMENSIONAL

xi ≡ Valores de la variable estadística.
ni ≡ Frecuencia absoluta del valor xi correspondiente
(número de veces que se repite).
TABLA DE FRECUENCIAS
xi ni Ni fi Fi Ni ≡ Frecuencia absoluta acumulada del valor xi. Es
decir, Suma de todos los valores anteriores de Ni,
TABLA DE i
más su ni, o también Ni = ∑nj .
FRECUENCIAS: j=1
ni n
DISTRIBUCIÓN
DISCRETA
fi ≡ Frecuencia relativa ( N ), donde N = ∑n
i=1
i
siendo
n el número de valores de la tabla.

TABLAS DE FRECUENCIAS
Fi ≡ Frecuencia relativa acumulada ( Fi = Ni ).

N
Significa que el valor xi deja por debajo de él un

100·Fi % de la distribución.
ci ≡ Intervalo de valores de la variable estadística.

Conocido como “clase”.
a+b
xi ≡ Marca de clase. Es decir, 2 .
TABLA DE FRECUENCIAS ni ≡ Frecuencia absoluta del intervalo ci

correspondiente (número de valores dentro del rango
ci xi ni Ni fi Fi
[a, b ) ).
[a, b )
TABLA DE Ni ≡ Frecuencia absoluta acumulada del valor xi. Es
FRECUENCIAS: decir, Suma de todos los valores anteriores de Ni,
i
más su ni, o también Ni = ∑nj .
DISTRIBUCIÓN j=1
CONTÍNUA
ni n
fi ≡ Frecuencia relativa ( N ), donde N = ∑n ,
i=1
i
siendo n el número de intervalos de la tabla.

N
Fi ≡ Frecuencia relativa acumulada ( Ni ). Significa
que el valor b (límite superior del intervalo) deja por
debajo de él un 100·Fi % de la distribución.
Formulario de Estadística, v. 1
Página 2 de 17


n x ≡ Media aritmética de la variable estadística.
MEDIA ∑n ·x
i =1
i i Las demás variables tienen el mismo
ARITMÉTICA x= significado que en las tablas de frecuencias
N anteriores.
- Si se suma una constante a todos los valores de la
PROPIEDAD DE variable, su media aumenta en dicha constante.
LA MEDIA Si Y = a · X + b entonces Y = a· X + b - Si se multiplican todos los valores de la variable
ARITMÉTICA por una constante, la media queda multiplicada por
dicha constante.
MODA: Mo ≡ El valor de la variable xi que más se repite (ni

MEDIDAS DE CENTRALIZACIÓN
DISTRIBUCIÓN Mo mayor).
DISCRETA
Mo ≡ Moda. (El valor debe estar comprendido entre

los límites del intervalo escogido por tener mayor
n hi).
1º.- Se calcula la columna de hi: hi = i
ai ai ≡ Anchura del intervalo elegido.
MODA: hi = Valor de h para el intervalo elegido.
DISTRIBUCIÓN 2º .- Se elige el intervalo de mayor hi, y se
hi-1 = Valor de h para el intervalo anterior al elegido.
CONTÍNUA ó aplica la fórmula:
(En caso de ser elegido el primer intervalo, este valor
AGRUPADA hi − hi −1 será 0)
Mo = Li −1 + ai · hi+1 = Valor de h para el intervalo posterior al
(hi − hi −1 ) + (hi − hi +1 )
elegido. (En caso de ser elegido el último intervalo,
este valor será 0).
Li-1 = Límite inferior del intervalo escogido.
En caso de variable no agrupada
(frecuencias ni = 1), una vez ordenados los
datos de menor a mayor, la mediana es el n ≡ Número de valores de la tabla.
MEDIANA: valor central si n es impar, y la media de
DISTRIBUCIÓN los dos valores centrales si n es par.
DISCRETA
En caso de variable agrupada, se corresponde con el percentil 50, P50, por lo que la vamos a
calcular con el percentil (α = 50).
MEDIANA:
Se corresponde con el percentil 50, P50, por lo que la vamos a calcular con el percentil (α = 50).
DISTRIBUCIÓN
CONTÍNUA
Primer Cuartil, Q1: se corresponde con el valor de la xi que deja por debajo un 25 % de la
CUARTILES:
distribución. Es igual que el percentil 25, P25. Lo calculamos con la fórmula de los Percentiles.
DISTRIBUCIONES Segundo Cuartil, Q2: se corresponde con el valor de la xi que deja por debajo un 50 % de la
DISCRETAS Y distribución. Es igual que el percentil 50, P50 e igual que la Mediana, Me. Lo calculamos con la
fórmula de los Percentiles.
Página 3 de 17


CONTÍNUAS Tercer Cuartil, Q3: se corresponde con el valor de la xi que deja por debajo un 75 % de la
distribución. Es igual que el percentil 75, P25. Lo calculamos con la fórmula de los Percentiles.
1º.- Se calcula la columna de Fi.
2º.- Se busca en la columna anterior el
Pα ≡ Valor de la variable xi que deja por debajo, como
α
valor de , y surgen dos casos posibles: mínimo un α % de la distribución estadística.
100
MEDIDAS DE POSICIÓN
PERCENTIL α, (Pα) 2.1.- Si el valor anterior está Fi ≡ Frecuencia relativa acumulada

exactamente en la columna Fi, entonces n
DISTRIBUCIÓN Pα es la media entre ese valor de xi y el ( Fi = Ni
N ).donde N = ∑n , siendo n el número de
i
DISCRETA siguiente. i=1
valores de la tabla.
2.2.- Si el valor no está en la
columna Fi, entonces Pα es el valor de xi α ≡ Valor entre 0 y 100.
α
cuya Fi está justamente encima de .
100
1º.- Se calculan las columnas de Fi y fi.
2º.- Se escoge el intervalo en que Fi esté ai ≡ Anchura del intervalo elegido.
PERCENTIL α, (Pα) justamente por encima del valor α Li-1 ≡ Límite inferior del intervalo escogido.
. En
100
DISTRIBUCIÓN este intervalo, se aplica la fórmula: Fi-1 ≡ Frecuencia relativa acumulada del intervalo
CONTÍNUA anterior al escogido.
α
− Fi−1
Pα = Li−1 + ai · 100 fi ≡ Frecuencia relativa del intervalo seleccionado.
fi
R ≡ Diferencia entre el último valor (xn) y el primero
RECORRIDO R = xn − x1
MEDIDAS DE DISPERSIÓN ABSOLUTAS
(x1) de la variable xi.

RI ≡ Diferencia entre el Tercer Cuartil , Q3, y el
RECORRIDO
INTERCUARTÍLICO
RI = Q3 − Q1 Primer Cuartil, Q1.
- Si h = x , entonces ν h ≡ ν x , y se llama
Desviación Absoluta Media respecto de la Media
n Aritmética.
DESVIACIÓN
ABSOLUTA ∑n · x − h
i i
- Si h = Mo, entonces ν h ≡ ν Mo , y se llama
MEDIA νh = i =1
Desviación Absoluta Media respecto de la Moda.
N
- Si h = Me, entonces ν h ≡ ν Me , y se llama
Desviación Absoluta Media respecto de la Mediana.
Página 4 de 17

n n
MEDIDAS DE DISPERSIÓN ABSOLUTAS
∑ n · (x − x ) ∑ n · x
2 2
2
VARIANZA (σ ) i i i i
σ2 = = − (x )
i =1 i =1 2
(Mejor la última forma)
N N
DESVIACIÓN
TÍPICA (σ) σ = σ2
- Si a los valores de una variable se les suma una
Si Y = a · X + b entonces misma constante, la varianza no cambia.
- Si a los valores de una variable se les multiplica
PROPIEDAD DE σ 2Y = a 2 ·σ 2 X por la misma constante positiva, la varianza queda
LA VARIANZA Y multiplicada por el cuadrado de esa constante.
LA DESVIACIÓN - Si a los valores de una variable se les suma una
TÍPICA misma constante, la desviación típica no cambia.
Si Y = a · X + b entonces σ Y = a·σ X - Si a los valores de una variable se les multiplica
por la misma constante positiva, la desviación típica
queda multiplicada por esa constante.
COEFICIENTE DE xn Ca ≡ Cociente entre el último valor (xn) y el primero
Ca =
APERTURA x1 (x1) de la variable xi.
MEDIDAS DE DISPERSIÓN
RECORIDO R xn − x1 Indica el número de veces que el recorrido contiene

RR = = a la media.
RELATIVO x x
RELATIVAS
RECORRIDO Q3 − Q1
RSI = Q1 ≡ Primer Cuartil de la distribución.
SEMIINTER-
Q3 + Q1 Q3 ≡ Tercer Cuartil de la distribución.
CUARTÍLICO
COEFICIENTE DE σ σ ≡ Desviación típica.
VARIACIÓN DE CV ( x) = x ≡ Media aritmética de la variable estadística.
PEARSON x
COEFICIENTE DE x − Mo - Si Gp > 0, Asimétrica sesgada hacia la derecha.
MEDIDAS DE FORMA
ASIMETRÍA DE Gp = - Si Gp < 0, Asimétrica sesgada hacia la izquierda.

PEARSON σ - Si Gp = 0, Distribución Simétrica.
- Si γ 1 ( x ) > 0, Asimétrica sesgada hacia la
n
COEFICIENTE DE
∑ n · (x − x)
3 derecha.
ASIMETRÍA DE 1 i i
- Si γ 1 ( x ) < 0, Asimétrica sesgada hacia la
FISHER γ 1 ( x) = · i =1
σ 3
N izquierda.
- Si γ 1 ( x ) = 0, Distribución Simétrica.
Página 5 de 17


 n
4 
COEFICIENTE DE  ∑ ni · ( xi − x )  - Si γ 2 ( x) = 0, Distribución similar a la Normal.
1
KURTOSIS O γ 2 ( x) =  4 · i =1 −3 - Si γ 2 ( x) > 0, Distribución apuntada.
σ N 
APLASTAMIENTO   - Si γ 2 ( x) < 0, Distribución aplastada.
 
ESTADÍSTICA DESCRIPTIVA BIDIMENSIONAL

x1, x2, …, xm ≡ Valores de la variable X. (m valores de X)
y1 y2 yi yn
y1, y2, …, yn ≡ Valores de la variable Y. (n valores de Y)
x1 n11 n12 n1i n1n
x2 n21 n22 n2i n2n nki ≡ Número de veces que se repite el par de
TABLA DE valores de X eY, (xk, yi). Por ejemplo, si n21 = 7,
FRECUENCIAS DE significa que el par de valores (x2, y1) se repite 7
DOBLE ENTRADA xk nk1 nk2 nki nkn veces.
- Por otro lado, recordar que estos valores de X e Y
xm nm1 nm2 nmi nmn pueden ser marcas de clase de intervalos, si la
distribución está agrupada por intervalos.
xi ni
x1 n11+n12+ … + n1i+ … + n1n nk ≡ Es el número de veces que se repite la variable
x2 n21+n22+ … + n2i+ … + n2n
DISTRIBUCIÓN xk. Es decir, en la tabla de doble entrada, la suma de
MARGINAL DE X
DISTRIBUCIONES MARGINALES
xk nk1+nk2+ … + nki+ … + nkn las frecuencias de la FILA correspondiente a xk.
xm nm1+nm2+ … + nmi+ … + nmn
yi ni
y1 n11+n21+ … + nk1+ … + nm1 ni ≡ Es el número de veces que se repite la variable
y2 n12+n22+ … + nk2+ … + nm2 yi. Es decir, en la tabla de doble entrada, la suma de
DISTRIBUCIÓN
MARGINAL DE Y las frecuencias de la COLUMNA correspondiente a
yi n1i+n2i+ … + nki+ … + nmi
yi.
yn n1n+n2n+ … + nkn+ … + nmn
DISTRIBUCIONES
Son las distribuciones marginales de X ó Y, pero escogiendo un rango inferior de
CONDICIONADAS
la variable; es decir, restringiendo los valores de la variable X ó Y.
DE X ó Y
Página 6 de 17


m n
m n Siendo N = ∑∑nij
MEDIAS ∑ ni · x i ∑ ni · yi i=1 j=1
MARGINALES x= i =1
y= i =1 ni ≡ Son los valores de frecuencias
MEDIDAS DE DISPESIÓN
N N extraídos de la correspondiente
distribución marginal.
- Si σ XY > 0, la relación entre las dos variables es

m n
∑∑ n · x · y ij i j
v
DIRECTA (Cuando X aumenta, Y aumenta).
- Si σ XY < 0, la relación entre las dos variables es
− (x · y )
i =1 j =1
σ XY = INVERSA (Cuando X aumenta, Y disminuye).
COVARIANZA N
- Si σ XY = 0, las variables son INCORRELADAS.
m m
∑ ni · (xi − x ) ∑n ·x
2 2 n n
∑ ni · ( yi − x ) ∑n · y
i i 2 2
VARIANZAS
σ X2 = − (x )
2
i =1
= i =1 i i
σ Y2 = − (y)
i =1 2
MARGINALES N N = i =1
N N
r ≡ Valor situado en el intervalo [− 1, 1] .
σ XY - Si r es un valor próximo a 1 ó -1, entonces existe

COEFICIENTE DE
r= dependencia lineal fuerte entre las dos variables,
siendo ésta directa e inversa, respectivamente.
σ X ·σ Y
AJUSTE DE REGRESIÓN LINEAL
CORRELACIÓN
- Si r es un valor próximo a 0, entonces la
dependencia lineal es débil, siendo ésta nula si el
valor es 0.
σ XY σ XY  σ 
RECTA DE
Y−y= · ( X − x ) ⇒ Y = ·X +  y − XY2 · x 
REGRESIÓN DE Y
SOBRE X σX2
σX2
 σX 
σ XY σ XY  σ XY 
RECTA DE
X −x = · (Y − y ) ⇒ X = · Y + 
 x − · y 
REGRESIÓN DE X
SOBRE Y σ Y2 σ Y2  σ Y
2

n ni ≡ Frecuencia del valor yi en la distribución
VARIANZA
RESIDUAL DE Y ∑ ni · ( yi − y ( xi )) 2
marginal de Y (hay n valores de Y)
SOBRE X σ rY2 = i =1 y ( xi ) ≡ Valor calculado de Y, a partir de la recta de

N regresión de Y sobre X, sustituyendo X = xi.
Página 7 de 17

CÁLCULO DE PROBABILIDADES
ESPACIO
Ω es el conjunto de todos los posibles resultados de un experimento Aleatorio.
MUESTRAL (Ω)
SUCESO Los posibles resultados de un experimento aleatorio que no se pueden descomponer en otros más
ELEMENTAL sencillos; estos resultados son excluyentes entre sí.
Se le llama a todo subconjunto del espacio muestral o, lo que es lo mismo, a la unión de cualquier
número de Sucesos Elementales. Existen dos sucesos especiales:
- Suceso Imposible: aquel que nunca ocurre. Se representa por el conjunto vacío, Ø.
DEFINICIONES Y ÁLGEBRA DE SUCESOS
SUCESO P (∅ ) = 0
- Suceso Seguro: aquel que ocurre siempre. Es el espacio muestral, es decir, Ω.
P (Ω ) = 1
Se dice que el Suceso A está contenido en el Suceso B, y se designa por A ⊂ B si todo suceso
SUCESOS elemental de A lo es también necesariamente de B; es decir, siempre que se verifica A también lo
hace el suceso B.
CONTENIDOS
P ( A) ≤ P ( B )
Dado el Suceso A del espacio de Sucesos Ω, se define el suceso Complementario o Contrario de
SUCESOS A, Ac, A’ ó A , como el formado por todos aquellos sucesos elementales que no sean de A; o sea,
COMPLEMENTARIOS aquel suceso que ocurre cuando no ocurre A.
O CONTRARIOS
P ( A ) = 1 − P ( A)
SUCESO Dados dos sucesos A y B, se define el suceso Diferencia A − B como el formado por los sucesos
elementales que están en A, pero no en B. Por lo tanto, el suceso que ocurre cuando se verifica A y
DIFERENCIA
no se verifica B.
Dados dos sucesos A y B, se define el suceso Unión, A ∪ B como el suceso formado por todos
SUCESO UNIÓN los sucesos elementales de A ó B; es decir, el suceso que ocurre cuando se verifica A ó se
verifica B.
SUCESO Dados dos sucesos A y B, se define el suceso intersección , A ∩ B como el suceso formado por
los sucesos elementales que están en A y en B simultáneamente; es decir, el suceso que ocurre
INTERSECCIÓN
cuando se verifica A y se verifica B.
SUCESOS Dos sucesos A y B se dicen Incompatibles cuando A ∩ B = ∅ . Lo que significa que al

INCOMPATIBLES verificarse uno de ellos, no se puede verificar el otro simultáneamente.
ÁLGEBRA DE A ∩ B = (A ∪ B)
SUCESOS: LEYES
DE MORGAN A ∪ B = (A ∩ B)
Página 8 de 17

SUMA TOTAL DE Si Ω = A1 ∪ A2 ∪ ... ∪ Ak , entonces P ( A1 ) + P ( A2 ) + ... + P ( Ak ) = 1

PROBABILIDAD
RELACIÓN P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
ENTRE UNIÓN E y, en particular, SÓLO si los sucesos son INCOMPATIBLES ( A ∩ B = ∅ ⇒ P ( A ∩ B ) = 0 ):
INTERSECCIÓN
P ( A ∪ B ) = P ( A) + P ( B )
n º de casos favorables
REGLA DE P ( A) =
LAPLACE n º de casos posibles
P ( B / A) :
CÁLCULO DE PROBABILIDADES
Se define la probabilidad del suceso B condicionada a que se dé antes el suceso A,

PROBABILIDAD
P ( B ∩ A)
CONDICIONADA P ( B / A) =
P ( A)
Como consecuencia de la definición anterior, despejando la probabilidad de la intersección se tiene
TEOREMA DEL P ( B ∩ A) = P ( A) · P( B / A)
PRODUCTO o también es válida:
P ( B ∩ A) = P ( B ) · P( A / B )
Se dice que dos sucesos A y B son INDEPENDIENTES, si se cumple que
P ( A / B ) = P ( A)
por lo que la fórmula anterior del Teorema del Producto se quedaría reducida a
P ( B ∩ A) = P ( B ) · P( A)
SUCESOS Para comprobar si dos sucesos son Independientes se calculan las 3 probabilidades anteriores, cada
INDEPENDIENTES una por separado, y se comprueba si se cumple la igualdad anterior: En caso negativo, no son
independientes.
Nota: No confundir Sucesos INDEPENDIENTES en los que se cumple la relación

anterior, con sucesos INCOMPATIBLES, en los que se cumplía esta otra relación:
P ( A ∪ B ) = P ( A) + P ( B )
Si nos preguntan por el valor de la probabilidad de que ocurra un Suceso Ai (de un conjunto de
posibles sucesos A1, A2, … Ak) habiéndose dado anteriormente el suceso B, pero realmente ha
ocurrido antes el Suceso Ai que el B, entonces nos preguntan por probabilidad a Posteriori, y se
TEOREMA DE calcula con la fórmula:
BAYES ó P ( B / Ai ) · P ( Ai ) P ( B / Ai ) · P ( Ai )
PROBABILIDAD A P ( Ai / B ) = = k
Ptotal ( B )
POSTERIORI ∑ P( B / A ) · P( A )
j =1
j j
Página 9 de 17


Notas:
- Abajo se tendrá una suma de términos, de los cuáles el correspondiente al caso Ai estará
también arriba, con lo que uno de los términos de la suma de abajo debe estar arriba.
- Un ejemplo de aplicación de esta fórmula sería: Supongamos que tenemos 2 urnas (1 Y
TEOREMA DE 2) con bolas blancas (BL)y negras (N). 1º se elige la urna y luego se saca la bola; pero si nos dicen
que ya conocemos que la bola es blanca, y ¿cuál es la probabilidad de provenga de la urna 2?, nos
BAYES ó están preguntando por una probabilidad en orden contrario al que han sucedido los hechos, por lo
PROBABILIDAD A que se aplica esta fórmula de Probabilidad a Posteriori o Teorema de Bayes. La aplicación de la
POSTERIORI fórmula a este caso concreto nos daría la siguiente expresión:
P ( BL / 2) · P (2) P ( BL / 2) · P ( 2)
P ( 2 / BL) = =
Ptotal ( BL) P ( BL / 1) · P (1) + P ( BL / 2) · P (2)
VARIABLES ALEATORIAS (DISCRETAS Y CONTINUAS)
FUNCIÓN DE ni
PROBABILIDAD
f ( xi ) = P ( X = xi ) = (Se utiliza la regla de Laplace)
n
CONDICIÓN Para que una función sea una función de Probabilidad, debe que cumplirse que la suma de todos
los valores posibles de la función dé 1:
PARA QUE SEA
VARIABLES ALEATORIAS DISCRETAS
FUNCIÓN DE
PROBABILIDAD
∑ f ( x ) = 1,
i
i ∀i
i
FUNCIÓN DE
F ( xi ) = P ( X ≤ xi ) = ∑ P ( x j )
DISTRIBUCIÓN
j =1
Puesto que los valores de la mayoría de las distribuciones se obtienen de tablas, y en éstas sólo
aparecen los valores de F(xi), es importante saber calcular cualquier probabilidad con operaciones
que involucren la función de distribución. A continuación se enumeran estas operaciones:
P ( X ≤ a ) = F (a ) Ejemplo: P ( X ≤ 4) = F ( 4)
P ( X = a ) = P ( X ≤ a ) − P ( X ≤ a − 1) = F ( a ) − F ( a − 1)
Ejemplo:
PROPIEDADES Y P ( X = 7 ) = P ( X ≤ 7 ) − P ( X ≤ 6) = F ( 7 ) − F (6)
CÁLCULO DE
PROBABILIDADES
P ( X < a ) = P ( X ≤ a − 1) = F (a − 1)
Ejemplo:
P ( X < 7 ) = P ( X ≤ 6) = F ( 6)
P ( X ≥ a ) = 1 − P ( X ≤ a − 1) = 1 − F ( a − 1)
Ejemplo:
P ( X ≥ 5) = 1 − P ( X ≤ 4) = 1 − F (4)
Página 10 de 17

P ( X > a ) = P ( X ≥ a + 1) = 1 − P ( X ≤ a ) = 1 − F (a )
Ejemplo:
P ( X > 5) = P ( X ≥ 6) = 1 − P ( X ≤ 5) = 1 − F (5)
P (a ≤ X ≤ b) = P ( X ≤ b) − P ( X ≤ a − 1) = F (b) − F (a − 1)
VARIABLES ALEATORIAS DISCRETAS
Ejemplo:
P (3 ≤ X ≤ 7) = P ( X ≤ 7) − P( X ≤ 2) = F (7) − F (2)
P (a < X < b) = P ( X ≤ b − 1) − P ( X ≤ a ) = F (b − 1) − F (a )
Ejemplo:
PROPIEDADES Y P(3 < X < 7) = P( X ≤ 6) − P( X ≤ 3) = F (6) − F (3)
CÁLCULO DE
PROBABILIDADES P (a ≤ X < b) = P ( X ≤ b − 1) − P ( X ≤ a − 1) = F (b − 1) − F (a − 1)
Ejemplo:
P ( 3 ≤ X < 7 ) = P ( X ≤ 6) − P ( X ≤ 2 ) = F ( 6) − F ( 2 )
P ( a < X ≤ b ) = P ( X ≤ b ) − P ( X ≤ a ) = F (b ) − F ( a )
Ejemplo:
P(3 < X ≤ 7) = P( X ≤ 7) − P ( X ≤ 3) = F (7) − F (3)
ESPERANZA E ( X ) = ∑ xi · f ( xi )
MATEMÁTICA i
σ 2 ( X ) = ∑ xi2 · f ( xi ) − [ E ( X ) ]
2
VARIANZA
i
Es una función tal que debe cumplir estas dos condiciones necesariamente:
VARIABLES ALEATORIAS CONTINUAS
# f ( x) ≥ 0 ∀x donde esté definida

FUNCIÓN DE
PROBABILIDAD +∞
# ∫ f ( x) dx = 1
x=−∞
(Condición que se utiliza para hallar la Constante K de la función)
x
FUNCIÓN DE
DISTRIBUCIÓN F ( x) = P( X ≤ x) = ∫ f (t ) dt
t = −∞
Puesto que los valores de la mayoría de las distribuciones se obtienen de tablas, y en éstas sólo
aparecen los valores de F(xi), es importante saber calcular cualquier probabilidad con operaciones
que involucren la función de distribución. A continuación se enumeran estas operaciones:
Página 11 de 17


b
PROPIEDADES Y
CÁLCULO DE
P ( a ≤ X ≤ b) = ∫ f (t ) dt = F (b) − F (a)
t =a
PROBABILIDADES
a
P( X = a) = ∫ f (t ) dt = 0
t=a
De esta propiedad se deduce que en Distribuciones Continuas, a diferencia de en Distribuciones

Discretas, no hay que preocuparse de los signos “=” que aparecen con “<” ó “>”.
P ( X ≤ a) = P ( X < a) = F (a) Ejemplo: P ( X ≤ 4) = P ( X < 4) = F ( 4)

VARIABLES ALEATORIAS CONTINUAS
P( X ≥ a) = P( X > a) = 1 − P( X ≤ a) = 1 − F (a)
Ejemplo:
P ( X ≥ 4) = P ( X > 4 ) = 1 − P ( X ≤ 4 ) = 1 − F ( 4)
P(a ≤ X ≤ b) = P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = F (b) − F (a)
Ejemplo:
P(2 ≤ X ≤ 6) = P(2 < X < 6) = P(2 ≤ X < 6) = P(2 < X ≤ 6) = F (6) − F (2)
+∞
ESPERANZA
MATEMÁTICA E( X ) = ∫ x · f ( x) dx
x=−∞
+∞
σ (X ) = ∫ x · f ( x) dx − [E ( X )]
2 2
VARIANZA
x=−∞
ALGUNAS DISTRIBUCIONES IMPORTANTES

1
P( X = k ) = con k = 0, 1, 2, …
n Un experimento sigue una distribución uniforme
DISTRIBUCIÓN n +1 discreta si presenta n resultados distintos, todos ellos
UNIFORME E( X ) = equiprobables y tal que la probabilidad de cada
DISCRETA 2
resultado es 1 n .
n · (n + 1) · ( 2n + 1)
σ2 =
6
Página 12 de 17

P ( X = éxito ) = p Consideremos un experimento cualquiera con dos

únicos resultados A y A ; es decir éxito o fracaso,
P ( X = fracaso ) = q = 1 − p cada uno de ellos con probabilidades
DISTRIBUCIÓN E( X ) = p P ( A) = p y P( A ) = q = 1 − p
DE BERNOUILLI Entonces, se dice que este tipo de experimentos
sigue una distribución de BERNOUILLI, ya que sólo
σ 2 = p·q presenta 2 posibilidades: Éxito o Fracaso. A este tipo
de distribuciones también se las conoce como
Dicotómicas.
n
f ( x) ≡ P( X = k ) =   · p k ·q n−k Un experimento sigue la Distribución Binomial si:
k 
tomando k valores entre 0 y n.
1º- Cada prueba del experimento es de Bernouilli.
2º- Al realizar n veces el experimento, el resultado
DISTRIBUCIONES DISCRETAS
de la siguiente experiencia no depende de lo que ha

ocurrido anteriormente (CON REEMPLAZAMIENTO).
DISTRIBUCIÓN E( X ) = n · p - P(X = k) es la probabilidad de obtener k éxitos en
BINOMIAL n extracciones (siempre se realizan n extracciones).
B ( n, p ) - p≡ Probabilidad de éxito, que es constante ya que

el experimento es con reemplazamiento.
-q = 1 – p, es la probabilidad de Fracaso.
σ 2 = n· p ·q - Recordar que los valores se obtienen de la tabla, en
la que sólo se encuentra la F(xi), por lo que habrá
que utilizar las propiedades de las distribuciones
discretas.
e − λ ·λk
La distribución de Poisson se aplica en situaciones
f ( x) ≡ P( X = k ) = en que se tiene una distribución Binomial con p
k! pequeño y n muy grande, pero el producto de n·p se
mantiene constante.
DISTRIBUCIÓN
DE POISSON E( X ) = λ - Se suele utilizar con distribuciones en las que el
experimento dependen del tiempo: Número de
llamadas telefónicas recibidas en 10 minutos,
P (λ ) Número de radiaciones radiactivas por segundo, …
- La función de probabilidad f(x) no se utiliza para
calcular la probabilidad, ya que se utilizan las tablas
σ =λ2
para calcular F(xi), por lo que tendremos que
utilizar las propiedades de las distribuciones
discretas.
Página 13 de 17

La distribución de Poisson P (λ ) se considera una buena aproximación a la distribución Binomial

APROXIMACIÓN B (n, p ) , en caso de que n·p< 5 y p < 0.1 ó n>100 y p<0.05 (en general, para n ≥ 25 , no existen
DE UNA valores para la distribución Binomial en la tabla, por lo que se utiliza la aproximación a la
BINOMIAL POR distribución de Poisson). En el caso de que se pueda hacer la aproximación, se cumple que:
UNA POISSON
B ( n, p ) ~ P (λ ) siendo λ = n·p
Consideremos una urna que contiene N piezas de las
cuales k son defectuosas. Se toman n piezas, una a
k   N − k  una y SIN REEMPLAZAMIENTO. Entonces, si
  ·   llamamos x al número de piezas defectuosas (éxitos)
 x   n − x  obtenidas en las n extracciones, esta variable sigue
f ( x) ≡ P ( X = x) =
N la distribución H ( N , n, k ) .
 
n P(X = x) ≡ probabilidad de obtener x éxitos en una
DISTRIBUCIÓN muestra de n elementos obtenidos de entre una
DISTRIBUCIONES DISCRETAS
HIPERGEOMETRICA población de N elementos, en la que hay k posibles

H ( N , n, k ) éxitos.
n·k - La esperanza matemática y la varianza se reducen a
E( X ) =
N la de la distribución Binomial si N es muy grande; es
decir: E ( X ) = n · p y σ 2 = n · p · q .

N −n k N −k
σ = 2
·n· · calcular la probabilidad, ya que se utilizan las tablas
N −1 N N para calcular F(xi), por lo que tendremos que
utilizar las propiedades de las distribuciones
discretas.
- Cuando tenemos un experimento dicotómico (éxito

f ( x) ≡ P ( X = x) = q x · p o fracaso, p ó q) y nos preguntamos por la
donde probabilidad de que se dé el primer éxito habiendo
DISTRIBUCIÓN ocurrido antes x fracasos, el tipo de distribución a
P(X = x) es la probabilidad de obtener un utilizar es la Geométrica o de Pascal.
GEOMÉTRICA éxito después de x fracasos.
- En este caso, la probabilidad si se calcula con f(x)
Ge(p) (CON REEMPLAZAMIENTO) ya que no existen tablas para esta distribución.
q q - Veremos a Continuación que esta distribución es

E( X ) = σ2 = un caso particular de la Distribución Binomial
p p2 Negativa, para n = 1.
- Al igual que la Binomial, si tenemos un
DISTRIBUCIÓN  n + k − 1 n k
BINOMIAL f ( x ) ≡ P ( X = k ) =   · p · q experimento dicotómico (éxito o fracaso, p ó q) y
 k  consideramos como variable aleatoria X, el “número
NEGATIVA donde de fallos antes de producirse el éxito n-ésimo”,
BN ( n, p ) P(X = k) en la distribución BN (n, p) es
entonces la variable X sigue una distribución
Binomial Negativa.
Página 14 de 17


la probabilidad de obtener n éxitos después
- En este caso, la probabilidad si se calcula con f(x)
de k fracasos. (CON REEMPLAZAMIENTO) ya que no existen tablas para esta distribución.
DISTRIBUCIÓN a a!
BINOMIAL - Recordar que   =
n ·q  b  b! · (a − b )!
n ·q σ2 = 2  
NEGATIVA E( X ) =
p p - Si tomamos n = 1, es decir, X es el número de
BN ( n, p )
fallos antes del primer éxito, esta distribución se
reduce a la distribución geométrica.
 1
 si a ≤ x ≤ b
f ( x) ≡  b − a
 0 resto Se dice que una variable aleatoria sigue una
DISTIBUCIÓN  0 si x < a distribución uniforme si la función densidad es

UNIFORME x−a constante en el intervalo en el que se encuentran
F ( x) =  si a ≤ x ≤ b
CONTINUA b − a todos los valores de la variable. (La probabilidad se
 0 si x > b
distribuye uniformemente).
a+b
σ2 =
(b − a ) 2
E( X ) =
DISTRIBUCIONES CONTINUAS
2 12
- Se utiliza como modelo para representar tiempo de
funcionamiento o de espera. También puede
f ( x) ≡ λ · e − λ x con x, λ > 0 expresar el tiempo que transcurre entre sucesos que
DISTRIBUCIÓN se contabilizan mediante la distribución de Poisson. -
EXPONENCIAL 1 1 - Por ejemplo, tiempo de espera en la parada de
E( X ) = σ2 = autobús, tiempo transcurrido entre dos llamadas
λ λ2 telefónicas, número de vehículos que llegan a un
semáforo, …
- Una de las distribuciones más importantes es la
distribución Normal, puesto que son muchos los
2
−1  X − µ  fenómenos naturales y sociales que se ajustan a ella.
1  
2  σ 
f ( x) ≡ ·e - Aunque existen fenómenos que no se ajustan a una
σ · 2π distribución normal, ciertas funciones de las
DISTRIBUCIÓN muestras, ( x , …) sí siguen esta distribución.
NORMAL
N ( µ , σ ) ≡ Distribución Normal, con media de la
N (µ ,σ ) población µ y desviación típica de la población σ .

calcular la probabilidad, ya que se utilizan las tablas
para calcular F(xi), por lo que tendremos que
utilizar para ello, las propiedades de las
distribuciones continuas. Aunque antes de buscar en
las tablas hay que transformar la variable x en z, con
el proceso que se explica a continuación:
Página 15 de 17


- Debido a que sería necesaria una tabla para cada
par de valores de la distribución normal, se utiliza un
x ∈ N ( µ , σ ) → z ∈ N (0,1) par de valores µ y σ especiales que son µ = 0 y
DISTRIBUCIONES CONTINUAS
σ = 1.
tal que
- Al proceso de transformación de una distribución
x−µ cualquiera N ( µ , σ ) en N (0,1) , necesario para
DISTRIBUCIÓN z= buscar en la tabla se le lama TIPIFICAR.
NORMAL σ - Ejemplo: Sea una distribuciónN (50,8) en la que
queremos calcular la probabilidad P ( x > 48) . En
N (0,1) primer lugar habrá que transformar la variable x en
variable z, tipificando:
µ=0 σ =1 
P ( x > 48) = P z >
48 − 50 
 = P ( z > −0.25)
 8 
probabilidad que para dejarla en función de F(xi)
hay que utilizar las propiedades de las variables
aleatorias continuas:
P ( z > −0.25) = 1 − p ( z < −0.25) = 1 − F ( −0.25)
PROPIEDADES DE LA N(0,1)
Página 16 de 17

El Teorema Central del Límite nos asegura que la suma de variables aleatorias
TEOREMA CENTRAL independientes con idéntico modelo de probabilidad, ya sean discretas o
DEL LÍMITE continuas, converge a una distribución N (0,1) a medida que aumenta el tamaño
de la muestra o número de veces que se repite el experimento, n. Por ejemplo:
Suma de Puntuaciones de 10 dados:
Tirados 100 veces Tirados 1000 veces Tirados 10000 veces

TEOREMA CENTRAL DEL LÍMITE: Evolución cuando n → ∞.
- Cuando la n es suficientemente grande para que se
APROXIMACIÓN DE (
B ( n, p ) ~ N n · p , n · p · q ) cumpla la condición de aproximación, la distribución
Binomial se puede aproximar por la normal, según el
UNA DISTRIBUCIÓN Teorema Central del Límite.
BINOMIAL A UNA si se cumple que - Hay que tener en cuenta las CORRECCIONES
NORMAL POR CONTINUIDAD, que se enumeran
n· p ≥ 5 y n·q ≥ 5 posteriormente, ya que estamos aproximando una
distribución discreta por una continua.
Página 17 de 17

- Cuando la n es suficientemente grande para que se

cumpla la condición de aproximación, la distribución
APROXIMACIÓN DE
UNA DISTRIBUCIÓN
P (λ ) ~ N ( λ , λ ) de Poissonl se puede aproximar por la normal, según
el Teorema Central del Límite.
DE POISSON A UNA si se cumple que - Hay que tener en cuenta las CORRECCIONES
NORMAL POR CONTINUIDAD, que se enumeran
λ → ∞ , y en la práctica λ > 10 posteriormente, ya que estamos aproximando una
distribución discreta por una continua.
CORRECCIONES POR CONTINUIDAD

Formulario Estadistica

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Formulario Estadistica

Uploaded by

Copyright:

Available Formats

Página 1 de 17

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

(FORMULARIO ESTADÍSTICA - UNIVERSIDAD

ESTADÍSTICA DESCRIPTIVA UNIDIMENSIONAL

n el número de valores de la tabla.

Fi ≡ Frecuencia relativa acumulada ( Fi = Ni ).

Significa que el valor xi deja por debajo de él un

ci ≡ Intervalo de valores de la variable estadística.

TABLA DE FRECUENCIAS ni ≡ Frecuencia absoluta del intervalo ci

siendo n el número de intervalos de la tabla.

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

MODA: Mo ≡ El valor de la variable xi que más se repite (ni

Mo ≡ Moda. (El valor debe estar comprendido entre

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

PERCENTIL α, (Pα) 2.1.- Si el valor anterior está Fi ≡ Frecuencia relativa acumulada

(x1) de la variable xi.

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

RECORIDO R xn − x1 Indica el número de veces que el recorrido contiene

ASIMETRÍA DE Gp = - Si Gp < 0, Asimétrica sesgada hacia la izquierda.

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

ESTADÍSTICA DESCRIPTIVA BIDIMENSIONAL

xk nk1+nk2+ … + nki+ … + nkn las frecuencias de la FILA correspondiente a xk.

xm nm1+nm2+ … + nmi+ … + nmn

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

- Si σ XY > 0, la relación entre las dos variables es

σ XY - Si r es un valor próximo a 1 ó -1, entonces existe

SOBRE X σ rY2 = i =1 y ( xi ) ≡ Valor calculado de Y, a partir de la recta de

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

SUCESOS Dos sucesos A y B se dicen Incompatibles cuando A ∩ B = ∅ . Lo que significa que al

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

SUMA TOTAL DE Si Ω = A1 ∪ A2 ∪ ... ∪ Ak , entonces P ( A1 ) + P ( A2 ) + ... + P ( Ak ) = 1

Se define la probabilidad del suceso B condicionada a que se dé antes el suceso A,

Nota: No confundir Sucesos INDEPENDIENTES en los que se cumple la relación

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

# f ( x) ≥ 0 ∀x donde esté definida

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

De esta propiedad se deduce que en Distribuciones Continuas, a diferencia de en Distribuciones

P ( X ≤ a) = P ( X < a) = F (a) Ejemplo: P ( X ≤ 4) = P ( X < 4) = F ( 4)

ALGUNAS DISTRIBUCIONES IMPORTANTES

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

P ( X = éxito ) = p Consideremos un experimento cualquiera con dos

de la siguiente experiencia no depende de lo que ha

B ( n, p ) - p≡ Probabilidad de éxito, que es constante ya que

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888

MAGNITUD EXPRESIÓN O FÓRMULA SIGNIFICADO DE VARIABLES

La distribución de Poisson P (λ ) se considera una buena aproximación a la distribución Binomial

HIPERGEOMETRICA población de N elementos, en la que hay k posibles

- La función de probabilidad f(x) no se utiliza para

- Cuando tenemos un experimento dicotómico (éxito

q q - Veremos a Continuación que esta distribución es

Avda. Andalucía, 84 – Bajo Teléfono y Fax: 953 085 888