Datos agrupados segn sus

Datos originales Xi

Datos agrupados por

ni ;

frecuencias

Ii

intervalos de clase

i=1,2,,k

Xi
(Marcas de Clase)
Media:

xi
x =

ni xi

; n= ni

i=1

i=1

ni xi

i=1

i=1

x =

x =
n

Mediana:

xi

Ordenar los datos

X n +1

X n +1
menor o viceversa
2

Me=

1
2

; n impar

n
2

; n impar

Me=

1
2

[X + X ]
n
2

; n par

n
+1
2

; n par

[X + X ]
n
+1
2

Me

de mayor a

Ni

n
N i1
2
Me=Li +Ci
ni

( )

N i1 Frecuencia

acumulada

Moda:

ni mayor

Mo
Frecuencia
ms Alta

Mo
=

Frecuencia
ms Alta

Mo
=

( x i x )2

n i ( x ix )

i=1

S =

S =

n1

S =

; n= ni

i=1

n1

i=1

S =

ni x
2
i

n1

( ni x i )
n

S= S2

;
S
;
S Y
FORMULARIO
DE ESTADISTICA

Coeficiente
CASOde
I Variacin:

S
CV = ; 0<CV <1
x

S =

; n= ni

i=1

n1

i=1

Desviacin estndar:

S= S2

x ( xi ) /n
n1

n i ( x ix )2

2
i

1
Lio; Lio+1
Mo=Lio +C io

1 + 2
io1

12=nioio n io+1

ni

ni

Varianza:

n
2

CASO II

S
CV = ; 0<CV <1
x

S 2=

ni x
2
i

( ni x i )

n1

S= S2
SCASO
CV = III; 0<CV <1
x

n
;

a . C L C U L O D E L O S C U AR TI L E S
C L C U L O D E L O S C U A RT I L E S PAR A D ATO S AG R U PAD O
Ubicamos el cuartil deseado en la tabla (frecuencias acumuladas) .
Mediante la frmula:

i.n
donde i 25,50, 75
100

Una vez ubicado aplicamos la siguiente formula :

i.n
N i 1
100
Qi Li Ci .
donde
ni

i 25, 50, 75

b . C L C U L O D E L O S D E C I L E S
Los deciles son los nueve valores que dividen la serie de datos en diez partes
iguales. Los deciles dan los valores correspondientes al 10%, al 20%... y al 90%
de los datos.
D5 coincide con la mediana.

C l cu l o de lo s d e cil e s:

Ubicamos el decil deseado en la tabla (frecuencias acumuladas) .

Mediante la frmula:

i.n
donde i 10, 20....,90
100

Una vez ubicado aplicamos la siguiente formula :

i.n
N i 1
100
Di Li Ci .
donde
ni

i 10, 20,....., 90

c. CLCULO DE LOS PERCENTILES

Los percentiles son los 99 valores que dividen la serie de datos en 100 partes
iguales. Los percentiles dan los valores correspondientes al 1%, al 2%... y al 99%
de los datos.
P50 coincide con la mediana.
Ubicamos el decil deseado en la tabla (frecuencias acumuladas) .
Mediante la frmula:

i.n
donde i 1, 2,....,99
100

Una vez ubicado aplicamos la siguiente formula :

i.n
N i 1
100
Pi Li Ci .
donde
ni

i 1, 2,....., 99

SESGO DE PEARSON

MEDIDA DE CURTOSIS

PROPIEDADES DE LA MEDIA
N/0
01
02

03

04

05

PROPIEDAD

REPRESENTACION

L A M E D I A D E U N A C O N S TAN T E E S L A m
L(
Ak ) = k
M I S M A C O N S TA N T E .
L A M E D I A D E L P R O D U C T O D E U N A C O N S TAN T E
P O R U N A VA R I A B L E , E S I G U A L A L P R O D U Cm
TO
(x . k) = k. m(x)
D E L A C O N S TA N T E P O R L A M E D I A D E L A
VA R I A B L E .
LA MEDIA DE LA SUMA DE DOS O MS
VA R I A B L E S E S I G U A L A L A S U M A D E L A S m ( x + y ) = m ( x ) + m ( y ) .
MEDIAS DE CADA UNA DE DICHAS
VA R I A B L E S
L A M E D I A D E U N A VA R I A B L E M A S U N A
m(x + k) = m(x) + k.
C O N S TA N T E , E S I G U A L A L A M E D I A D E L A
VA R I A B L E M A S L A C O N S TAN T E .
LA
SUMA
DE
LAS
DESVIACIONES
( x - x ) = 0
R E S P E C TO AL P R O M E D I O E S I G U A L A
CERO.

PROPIEDADES DE LA VARIANZA

Sean: a, b y c son constantes y X variable

N/O

01
02
03
04

PROPIEDAD

V(c) = 0
V(c.x) = c2 V(x)
V( c + x ) =V( c ) + V(x) = V( x ) =S 2
V(c.x + b) = V(c.x) + V(b) = c 2 v(x)

RELACION ENTRE MEDIA MODA Y MEDIANA

N/O
01
02
03
04

RELACION

SE CUMPLE:

SI LA DISTRIBUCIN ES SIMTRICA
SI LA DISTRIBUCIN ES ASIMTRICA,
DE COLA A LA DERECHA
SI LA DISTRIBUCIN ES ASIMTRICA,
DE COLA A LA IZQUIERDA
EN
DISTRIBUCIONES
UNIMODALES
ASIMTRICAS

X = MO = ME
MO ME X
X ME MO
X - MO = 3( X ME)

P RO B A B I L I D A D E S
SEAN
N/O
01
02
03
04
05
06
07
08

A Y B EVENTOS EN S:
NOTACION
A B
A B
A' (A)
A-B = A B'
(A B)' = A' B'
(A B)' = A' B'
S' =
= S

SIGNIFICADO
OCURRE SI Y SOLO SI OCURRE A OCURRE B.
OCURRE SI Y SOLO SI A OCURRE Y B OCURRE.
EVENTO QUE OCURRE SI A NO OCURRE
DIFERENCIA DE EVENTOS

UNION DE SUCESOS
Si A1, A2,An son eventos en S, (mutuamente excluyentes) Ai A=,ij
La probabilidad de la unin es:

P (A1 UA2 U.....U An) = P (Ai)

SI A Y B SON EVENTOS CUALESQUIERA (no mutuamente excluyentes) EN

S:

P (AUB) =P (A) + P (B) P (A B )

PROBABILIDAD CONDICIONAL

P( A / B )

P ( A B)
P( B)

, P( B) 0

La probabilidad condicional del evento A dado que el

evento B ha ocurrido se escribe P (A|B).

Una consecuencia de la definicin de probabilidad condicional es:

P (A B) = P (A)*P (B|A) = P (B A) = P (B)*P (A|B)

SUCESOS INDEPENDIENTES
Si los eventos A y B son independientes la probabilidad de que ambos sucedan es:
a. P (A/B) = P (A)
b. P (B/A) = P (B)
c. P (A B) = P (A) * P (B)
d. P (A B) = P (B A) = P (A)*P (B) = P (B)*P (A)
TEOREMA DE LA PROBABILIDAD TOTAL
P(B) = P(B A 1 ) + P(B A 2 ) + P( B A 3 ) + P( B A 4 )
P(B) = P(B|A 1 )P(A 1 ) + P(B|A 2 )P(A 2 ) + P(B|A 3 )P(A 3 ) + P(B|A 4 )P(A 4 )

P(Ai|B)

P(B Ai )
P(B)
TEOREMA DE BAYES

TIPOS DE VARIABLES
Variable aleatoria Discreta

Variable aleatoria Continua

P(X): FUNCIN DE PROBABILIDAD

DE CUANTA

f(X): FUNCIN DE DENSIDAD DE

PROBABILIDAD

CONDICIONES

CONDICIONES

1. P ( X ) 0

1. f ( X ) 0

2. P ( X i ) 1

2. f ( X )d ( X ) 1

3. P ( X x ) (0,1)

3. P ( a x b)

f ( X ) d ( X ) (0,1)

FUNCIN DE DISTRIBUCIN
ACUMULADA
F ( X ) P( X x)

P( X

FUNCIN DE DISTRIBUCIN
x

F ( X ) P ( X x)

f ( x) dx

ESPERANZA MATEMTICA O VALOR

ESPERADO.

ESPERANZA MATEMTICA O VALOR

ESPERADO

E ( X ) xi p ( xi )

E( X )

VARIANZA DE UNA V.A.D.x

xf ( x)d ( x)

VARIANZA DE UNA V.A.C.x

E ( X )2 P( X i )2 P ( X i ) 2

E ( X )2

(X )

XI

f ( x )dx 2

E ( X )2 E ( x 2 ) 2 2
PROPIEDAD PARA EL CLCULO DE LA VARIANZA: PARA
AMBOS CASOS DE VARIABLE ALEATORIA TIENE LA MISMA PROPIEDAD.

1 . VARIABLE ALEATORIA DISCRETA

a. DISTRIBUCIN DE BERNOULLI
Solo son posibles dos resultados: xito o fracaso. Podemos definir una
variable aleatoria discreta X tal que:
XITO (p)
1
FRACASO (q) 0

P(X=x)=px .q(1-x)

para X=0,1

MEDIA-ESPERANZA
E(X)==P
VARIANZA
VAR(X)=E(X2)-(E(X))2=p.q

P + q=1

b. DISTRIBUCIN BINOMIAL DE PROBABILIDAD

n
x
n x
p q
x

B ( n, p ) P ( X x )

x=0,1,2,3,n

x es la incgnita

E ( x ) np
0; x 0
Varianza ( 2 )

2
F
(
x
)

np (1 p )
P
(
x
)

2 npq

n x n x
P q , x 1, 2,3...n
x

DISTRIBUCIN DE POISSON

e t ( t ) x
; x 0 ,1, 2,... k, k n
X
!

p ( x, t ) P ( X x )

Donde:
: Es el nmero promedio de resultado por unidad de tiempo o regin.
t = tiempo en segundo, minutos, horas
e= 2.7182
La media

y varianza de la distribucin de Poisson tienen ambas el valor

c. TEOREMA DE APROXIMACIN ENTRE LA DISTRIBUCIN BINOMIAL Y

POISSON
Sea X variable aleatoria Binomial con distribucin de probabilidad (x,n,p)

n , p 0, np
Cuando:

permanece constante

.t

e x

, x 0,1,...,
x
!

( x, n, p ) p ( x, ) Poisson( x, t )

2. V A R I A B L E A L E A T O R I A C O N T I N U A .
a. DISTRIBUCIN UNIFORME
SE TOMAN TODOS LOS VALORES DE UN INTERVALO [a, b] DONDE b >a
DEFINIMOS: f(x) ES LA FUNCIN DE DENSIDAD DE PROBABILIDAD

P c x d

d c

ba

1
ba

f ( x)

0, otros

casos

FUNCIN DE DISTRIBUCIN ACUMULATIVA

;x a

xa
ba

F X

a x b

;x b
(EN EL TRAMO [a;b] )

F X

x a
ba

Media: (en el tramo [a;b])

b a
2

VARIANZA:

(b a ) 2

12

a xb

b. DISTRIBUCIN EXPONENCIAL

e x

f( x)

;x 0
; otros ' casos

SEA X UNA VARIABLE

ALEATORIA CONTINUA, SE DICE QUE X TIENE UNA DISTRIBUCIN
EXPONENCIAL CON PARMETRO SI LA FUNCIN DE DENSIDAD ESTA DADO
POR:

DONDE: ES EL PARMETRO REAL (CONSTANTE POSITIVA)

FUNCIN DE DISTRIBUCIN

F ( x) 1 e

(ACUMULATIVA)

MEDIA O ESPERANZA:
VARIANZA:

1
2

c . D I ST RI BUC I N NORM AL
DISTRIBUCIN NORMAL ESTNDAR

y 2 1

DISTRIBUCIN NORMAL CON:

( z)

USO DE TABLAS

LAS TABLAS NOS DAN LOS VALORES DE LA FUNCIN DE

DISTRIBUCINESTNDAR, ES DECIR:

ENTONCES, EN CASO DE TRABAJAR CON UNA FUNCIN DE DISTRIBUCIN NORMAL,

ESTE
LO
TRANSFORMAMOS
EN
UNA
FUNCIN
DE
DISTRIBUCIN
ESTNDAR
MEDIANTE LA SIGUIENTE TRANSFORMACIN:

X Z

d. APROXIMACION DE LA DISTRIBUCIN BINOMIAL A UNA DISTRIBUCION

NORMAL
B (n, p)
DONDE:
n: Numero de veces que se realizara el experimento aleatorio.
p: Probabilidad de xito.
q: Probabilidad de fracaso q=1-p
PARAMETROS:
Media: = n.p

n. p.q
Desviacin Tpica: =

n. p.q
Cuando n es grande y p es constante el comportamiento de una distribucin
binomial B(n,p) es aproximadamente igual a una distribucin Normal de media
= n.p y desviacin tpica =
SE CONSIDERA QUE LA APROXIMACIN ES BUENA SI SE CUMPLE QUE:

n. p.q
n.p 5 o n.q5
Luego tenemos:
B (n, p) SE TRANSFORMA EN N ( = n.p , =

Dado que por mucho que se parezca una Distribucin Binomial (Discreta) no es
igual a una Distribucin Normal (Continua), es necesario aplicar una correccin
(correccin de Yates) de la siguiente manera:

B I NO M I A L = N O R M A L

EJEMPLOS

P(x=k)=P(k-0.5<x<k+0.5)
P(xk)=P(xk+0.5)
P(x<k)=P(x<k-0.5)
P(x k)=P(xk-0.5)

P(x=2)=P(2-0.5<X<2+0.5)
P(x4)=P(X4+0.5)
P(x<4)=P(X<4-0.5)
P(x4)=P(X4-0.5)

P(x >k)=P(x>k+0.5)

P(x>4)=P(X>4+0.5)

TEOREMA DEL LIMITE CENTRAL(TLC):

SI

ES LA MEDIA DE UNA MUESTRA

ALEATORIA DE TAMAO n

QUE SE TOMA

DE UNA POBLACION DE MEDIA Y VARIANZA FINITA,ENTONCES LA FORMA DE LA

DISTRIBUCION SERA :

X Z

X
/ n

CONFORME n TIENDE A ENTONCES LA DISTRIBUCION ES

NORMAL
ESTANDAR N (Z, 0,1)
OBSERVACION:
a. SI n>30 (MUESTRA GRANDE) LA APROXIMACION NORMAL PARA LA
MEDIA MUESTRAL X, GENERALMENTE SERA BUENA SIN IMPORTAR LA
FORMA DE LA POBLACION.

b. SI n <30(MUESTRA PEQUEA)
LA APROXIMACION ES BUENA SOLO SI
LA POBLACION DIFIERE MUCHO DE LA POBLACION NORMAL.
c.
SI SE SABE QUE LA POBLACION
ES NORMAL LA DISTRIBUCION
MUESTRAL
DE
LA MEDIA X
SEGUIRA
EXACTAMENTE UNA
DISTRIBUCION NORMAL
SIN IMPORTAR
QUE TAN PEQUEA SEA LA
MUESTRA

INTERVALO DE CONFIANZA (IC) PARA LA MEDIA

CON VARIANZA CONOCIDA (n 30)

IC : X Z / 2 (

1.

)< < X Z / 2 (

ERROR (e) :

e X Z / 2 (
2.TAMAO

DE

Z ( )
n /2
e

)
n

MUESTRA(n ) :

3. LONGITUD DEL INTERVALO ( L)

L 2.Z / 2 ( )
n
4. ERROR
....e( X )

ESTANDAR

DE

INTERVALO DE CONFIANZA (IC) PARA LA MEDIA

CON VARIANZA DESCONOCIDA (n < 30)
PARA ESTE CASO SE EMPLEA LA T EN VEZ DE LA Z.
SE APROXIMA LA DESVIACION MUESTRAL S A LA DESVIACION POBLACIONAL

IC : X t / 2 (

)< < X t / 2 (

1.

ERROR (e) :

e X t / 2 (
2.TAMAO

)
n

DE

MUESTRA(n ) :

t / 2 ( )

3. LONGITUD
L 2.t / 2 (

DEL

4. ERROR ESTANDAR DE
e( X )

INTERVALO ( L )