2

 ( x i  x ) ni
Varianza =
s2  i
n
ESTADÍSTICA DESCRIPTIVA
 xi 2 ni
x n i
 x2
Media aritmética i i     n
x i
n   x i  x  n i  =  n s 2
2

Mediana Cuasi­varianza
s *2  i n 1
N i 1  n / 2  N i ­ Si n/2 < Ni  n 1
Me=xi  x i  Me ni
Desviación media respecto a la mediana D  i
Me
­ Si n/2= Ni n
Recorrido Intercuartílico RQ = C3- C1
Me=(xi+xi+1)/ 2
s
Moda   Coeficiente de Variación de Pearson      CV  x  
Mo=xi     tal que     ni es máximo
3
 ( x i  x ) ni
Coeficiente de asimetría  de Fisher  
g1  i
ns 3
Percentil de orden p Coeficiente de apuntamiento  de Fisher
Pp=xi          tal que Ni­1<  pn    Ni
100
 x ir ni
 xi  x  4 ni
Momento de orden r respecto al origen g2  i 3
ns 4
i
ar 
n
Momento de orden r,s respecto al origen
Momento de orden r respecto a la media 
  x ir y sj nij
 ( xi  x ) r ni
a rs 
i j
i
mr  n
n
Momento de orden r,s respecto a la media
  (xi  x ) r ( y j  y ) s nij
i j
m rs 
n
 Covarianza  n ,, nk

n!
 Permutaciones con repetición Pn 1
n1! n k !
  ( x i  x )( y j  y )nij   x i y j nij
i j i j
s xy    xy
n n Teorema de la probabilidad total:
s xy
Coeficiente de correlación lineal rxy  Si el espacio muestral lo podemos dividir en n sucesos A i, disjuntos
sx sy
dos a dos,
n
p( B)   p( B A j ) p( A j )
j 1
Recta de regresión
Recta de regresión de Y sobre X  y=a+bx  con Teorema de Bayes:
s xy
b a  y  bx Si el espacio muestral lo podemos dividir en n sucesos A i, disjuntos
s x2
dos a dos, de los que conocemos su probabilidad y la probabilidad
 ( yi  yi* ) 2  ( yi  a  bx i ) 2 condicionada p ( B Ai ) , entonces
Varianza residual s e2  i
 i
p ( B Ai ) p ( Ai )
n n p ( Ai B )  n
 p( B A j ) p( A j )
2
s
Coeficiente de determinación     R  1 
2 e

s 2 j 1
y

Desigualdad de Tchebychev
Si X es una v.a. con media  y varianza  2 , entonces para todo k,
PROBABILIDAD constante positiva se verifica:

Fórmulas de combinatoria 1
P ( X    k )  1
k2
m! m(m  1)(m  n  1)
 Combinaciones C m, n  
n!(m  n)! n!
m! DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
 Variaciones Vm,n   m( m  1)  ( m  n  1)
( m  n)!
Variaciones con repetición Vm , n  m
n
 Distribución binomial (o Bernoulli con n=1)
 Permutaciones Pn  n!
  n  x
  p (1  p ) n  x x  0,1,2,....., n
f ( x)   x  E ( X )  np Var ( X )  np (1  p )
Distribución exponencial
 0 en otro caso

 e  x
 x0 1 1
Distribución binomial negativa (o geométrica con r=1) f ( x)   E( X )  Var ( X ) 

0 en otro caso  2
 x  1 p r (1  p ) x  r x  r , r  1, r  2,.....
f ( x)   r  1 E( X )  r / p Var ( X )  r (1  p) / p 2
 0 en otro caso
Distribución hipergeométrica
  n a  n  n a 
  x  k  x 
 x  max(0, n a  k  n),..., min(n a , k ). n  k na n
f ( x)   n E ( X )  kna / n Var ( X )  k (1  a )
 k  n 1 n n
 
 0 en otro caso

Distribución de Poisson

 e   x
 x  0,1,2,.....
f ( x)   x! E ( X )  Var ( X )  

0 en otro caso

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Distribución uniforme
 1
 a xb
f ( x) =  b - a

0 en otro caso
ba (b-a)2
E( X )  ; Var(X)=
2 12
 Distribución normal
1 ( x   ) 2
1
e2 
2
f ( x)  x  R
2 2
E( X )   Var ( X )   2

Distribución Gamma

 x  1e  x / 
 x0
f ( x )     ( ) E ( X )   Var ( X )   2
 0 en otro caso

siendo ( )  0 x  1e  x dx
Propiedades de la función gamma:
( )  (  1)(  1)
si n es un entero positivo  ( n)  ( n  1)!)

Distribución normal bivariante

1
1

( x  μ)'  -1 (x -  ) 
f ( x)  1/ 2
e 2
x  R 2
2 

Teorema central del límite

Si X 1 , X 2 ,........, X n son independientes con idéntica distribución y
2 n
E ( X i )   Var ( X i )   2
 X  N ( , ) ( o equivalentemente X i  N (n , n 2 ) )
n  n i 1 n 