Folleto de Estadsticas

Teora del 1er Parcial

2012

Poblacin objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algn
tipo de investigacin o medida.
Unidades de investigacin: Son los elementos de la poblacin objetivo a los que se les efectan las
medidas bajo anlisis
Muestra: Es un subconjunto de n observaciones efectuadas a de una poblacin objetivo de
tamao N.
Observacin: Es cada uno de los valores incluidos en la muestra
Muestreo: Operativo para realizar una investigacin a una muestra.
Censo: Operativo para realizar una investigacin a una poblacin objetivo.
Parmetros: Son medidas que se calculan a partir de los elementos de la poblacin.(Constantes)
Estimadores: Son medidas que se calculan a partir de los elementos de la muestra.(variables)
Marca de clase: Es el punto medio de la clase
Frecuencia: numero de observaciones que se clasifican en la clase.
Frecuencia relativa: Se la obtiene dividiendo la frecuencia entre el nmero de elementos de la
poblacin o muestra.
Moda: es el o los valores que tienen mayor frecuencia.
Mediana: Es el valor central de un conjunto de observaciones ordenado de forma ascendente.
Percentiles: Son los valores que dividen un conjunto de datos ordenados en forma ascendente en
100 partes iguales.
Covarianza: Es una medida de relacin lineal entre 2 caractersticas cuantitativas.
Experimento: Es un conjunto de acciones que con procedimientos claramente establecidos se
efecta algn tipo de observacin o medida, para que un experimento sea estadstico debe
cumplir las siguientes. Condiciones:
1. Se conocen cuales son todos los resultados posibles de su ejecucin
2. Cualquier realizacin del experimento conduce a un resultado que no es conocido previo a
tal ejecucin pero se sabe es uno de los posibles.
3. El experimento puede ser repetido bajo idnticas condiciones.

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Espacio muestral: Se denomina espacio muestral al par ( , ) donde es el conjunto de todos los
resultados posibles del experimento y es el conjunto potencia de , es decir el conjunto de
todos los posibles subconjuntos de denominado espacio de eventos.
Evento: Todo subconjunto de

se denomina evento.

Funcin de probabilidades: Supongamos que un experimento estadstico tiene espacio muestral

( , ) una funcin P cuyo dominio es y cuyo conjunto de llegada es [0,1] es una funcin de
probabilidades P: [0,1] si y solo si:
1. P( )=1 y P( )=0
2.
A
0 P(A) 1
3.
= P(A)+P(B) si y solo si A y B son mutuamente excluyentes. A B=
Ley del complemento: Sea A un evento definido sobre el espacio muestral ( , ) y
complemento entonces la probabilidad de =1-P(A).

su

Ley aditiva de probabilidad: Sean A y B son eventos definidos sobre ( , ) entonces:

P(AUB)=P(a)+P(b)-P(A B)
Probabilidad condicional: Sean A y B 2 eventos definidos en ( , ) la probabilidad de que ocurra el
evento A dado que ya ocurri B es:
P (A\B) =

; P (B)

Independencia de eventos: Sean A y B eventos en ( , ) A y B son independientes si y solo si

P (A B)=P(A)P(B)
Teorema de Bayes: Sean E1, E2,Ek eventos definidos sobre ( , ) tales que son exhaustivos y
mutuamente excluyentes y Sea A un evento cualquiera definido en ( , ) entonces:
P (Ei\A)=

donde P(A)=

Variable aleatoria: Una funcin X cuyo dominio es

definida como una variable aleatoria.

y cuyo conjunto de llegada son los reales, es

Soporte de una variable aleatoria: El soporte S de una variable aleatoria es el conjunto de valores
reales que ocurren con probabilidad distinta de cero.

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Funcin de distribucin de probabilidades: Con cada variable aleatoria X discreta asociamos una
funcin P(X=x) denominada funcin de distribucin de probabilidades de X que va desde R[0,1]
y debe cumplir lo siguiente:
1. P(X=x)=f(x)
2.
3.
=

Distribucin acumulada: La distribucin acumulada de X es una funcin de variable real

F: R[0,1] t es definida como F(x)=P(X x) para todo x est o no en el soporte S de la variable
aleatoria.
Valores esperados: Sea X una variable aleatoria discreta con distribucin de probabilidades P(x)=x
y sea g(x) una funcin en trminos de la variable aleatoria X el valor esperado de g(x) se define
como:

1. E[c]=c
2. E[c g(x)]=c E[g(x)]
3. E[g1(x)+g2(x)]=E[g1(x)]+E(g2(x))
Media y varianza de una variable aleatoria: Sea X una variable aleatoria con distribucin de
probabilidades de X la media se define como
y la varianza
y al
resolverla
Funcin generadora de momentos: Sea X una variable aleatoria discreta con distribucin de
probabilidades de X, la funcin generadora de momentos de X de existir se define como:

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Experimento binomial: Un experimento es binomial si y solo si lo constituyen n repeticiones

Bernoulli que cumplen las siguientes condiciones:
1)
2)
3)
4)

La probabilidad de que en una repeticin cualquiera ocurra suceso es P y falla 1-P

La probabilidad de suceso se mantiene constante durante todo el experimento
Cada repeticin es independiente de la otra
El numero n de repeticiones es fijado previo al inicio del experimento

Distribucin binomial: Una variable aleatoria X discreta tiene distribucin binomial si representa el
numero de sucesos que ocurren en un experimento binomial.

Distribucin binomial negativa: Se tiene una sucesin independiente de repeticiones Bernoulli

todas ellas con probabilidad de suceso p. Si r es un numero entero previamente determinado,
diremos que X es una variable aleatoria binomial negativa si y solo si X representa el nmero de
repeticiones requeridas para que r-simo suceso ocurra.

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Distribucin hipergeomtrica: Se tiene una poblacin objetivo constituida por N entes, entre
estos N entes hay a que tienen una caracterstica de inters. Se toma una muestra aleatoria de
tamao n de la poblacin objetivo y diremos que X es una variable aleatoria hipergeomtrica si
representa el nmero de elementos con la caracterstica de inters en la muestra.

Distribucin Poisson: Sea X una variable aleatoria discreta X tiene distribucin Poisson con
parmetro si representa el nmero de sucesos que ocurren en una unidad de tiempo, espacio,
volumen o cualquier otra dimensin. Donde es el promedio de ocurrencia de dicho suceso.

Variable aleatoria continua: Sea X una variable aleatoria continua con ella se asocia una funcin
denominada funcin de densidad de X, la misma que cumple con:
1)
2)
3)
4)
Distribucin acumulada: Sea X una variable aleatoria continua con funcin de densidad
distribucin acumulada de X se define como:

1)
2)
3)

, la

es continua y creciente

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Valor esperado: Sea X una variable aleatoria continua con funcin de densidad
esperado de X se define como:

Funcin Gamma: La funcin Gamma de un

, el valor

positivo se define como:

Distribucin uniforme: Una variable aleatoria continua tiene distribucin uniforme si su densidad
es:

Distribucin Gamma: Una variable aleatoria continua tiene distribucin Gamma con parmetros
si su densidad es:

Si
Si

Si

, es una distribucin exponencial.

, es una distribucin Erlang
, es una distribucin Ji-Cuadrado con n grados de libertad.

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Distribucin Normal: Una variable aleatoria continua tiene distribucin Normal con parmetros
si su densidad es:

Si

entonces es una distribucin normal estndar

Distribucin Beta: Una variable aleatoria continua tiene distribucin Beta con parmetros
su densidad es:

si

Distribucin Conjunta: Sean X y Y 2 variables aleatorias discretas con ellas se asocia una funcin
denominada distribucin de probabilidades conjunta entre X y Y, la
misma que cumple con:
1)
2)
Distribuciones marginales: Sean X y Y 2 variables aleatorias discretas con distribucin de
probabilidades conjunta
la distribucin marginal de X y Y se define como:

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo

Valores esperados: Sean X y Y 2 variables aleatorias discretas con distribucin de probabilidades

conjunta
el valor esperado de
se define como:

Independencia de variables aleatorias: Sean X y Y 2 variables aleatorias discretas con

distribucin de probabilidades conjunta
y sean
y
sus
respectivas distribuciones marginales, X y Y son variables aleatorias independientes si y solo si:

Adems si son independientes se cumple que:

Covarianza: La covarianza entre 2 variables aleatorias X y Y se define como:

Si X y Y son independientes

Coeficiente de correlacin:

Autor:

Edicin y Mejora:
Leonardo Hernndez Mendoza

Kevin Lucas Marcillo

Jefferson Cunalata Soledispa
Jonathan Vela Fajardo