Professional Documents
Culture Documents
ni n
DISTRIBUCIÓN
DISCRETA
fi ≡ Frecuencia relativa ( N ), donde N = ∑n
i=1
i
siendo
Formulario de Estadística, v. 1
Página 2 de 17
DISTRIBUCIÓN Mo mayor).
DISCRETA
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.
Formulario de Estadística, v. 1
Página 3 de 17
- 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.
Formulario de Estadística, v. 1
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
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
σ 3
N izquierda.
- Si γ 1 ( x ) = 0, Distribución Simétrica.
Formulario de Estadística, v. 1
Página 5 de 17
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
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
Formulario de Estadística, v. 1
Página 6 de 17
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.
∑∑ 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] .
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)
Formulario de Estadística, v. 1
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.
ÁLGEBRA DE A ∩ B = (A ∪ B)
SUCESOS: LEYES
DE MORGAN A ∪ B = (A ∩ B)
Formulario de Estadística, v. 1
Página 8 de 17
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
Formulario de Estadística, v. 1
Página 9 de 17
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)
Formulario de Estadística, v. 1
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) 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:
Formulario de Estadística, v. 1
Página 11 de 17
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=−∞
Formulario de Estadística, v. 1
Página 12 de 17
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
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.
Formulario de Estadística, v. 1
Página 13 de 17
Formulario de Estadística, v. 1
Página 14 de 17
1
si a ≤ x ≤ b
f ( x) ≡ b − a
0 resto Se dice que una variable aleatoria sigue una
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 .
Formulario de Estadística, v. 1
Página 15 de 17
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)
Formulario de Estadística, v. 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:
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.
Formulario de Estadística, v. 1
Página 17 de 17
Formulario de Estadística, v. 1