Formulario Primer Parcial Métodos Estadísticos

 ( xi  x ) r ni
  mr  i

ESTADÍSTICA DESCRIPTIVA n

x n
Media aritmética i i    
x i Varianza
n
2
Mediana  ( x i  x ) ni  xi 2 ni
2 i =
N i 1  n / 2  N i ­ Si n/2 < Ni  s  i
 x2
n n
Me=xi Cuasi­varianza
­ Si n/2= Ni
  x i  x  ni
2
n
Me=(xi+xi+1)/ 2  =  s2
s *2  i
n 1
Moda   n 1
Mo=xi     tal que     ni es máximo  x i  Me n i
Desviación media respecto a la mediana DMe  i
n
Recorrido Intercuartílico RQ = C3- C1
Percentil de orden p s
Coeficiente de Variación de Pearson      CV  x  

Pp=xi          tal que Ni­1<  pn    Ni 3
100  ( x i  x ) ni
Coeficiente de asimetría  de Fisher  
g1  i
Momento de orden r respecto al origen ns 3
Coeficiente de apuntamiento  de Fisher
 x ir ni

 xi  x  4 ni
i
ar  g2  i 3
n
ns 4

Momento de orden r respecto a la media
 Momento de orden r,s respecto al origen
m! m( m  1)( m  n  1)
  x ir y sj nij  Combinaciones C m, n  
i j n!( m  n)! n!
a rs 
n m!
 Variaciones Vm,n   m( m  1)  ( m  n  1)
Momento de orden r,s respecto a la media ( m  n)!

  (xi Variaciones con repetición Vm , n  m

n
 x ) r ( y j  y ) s nij 
m rs 
i j
 Permutaciones Pn  n!
n n!
n1 ,, nk
Covarianza   Permutaciones con repetición Pn 
n1! n k !
  ( x i  x )( y j  y )nij   x i y j nij
i j i j
s xy    xy Teorema de la probabilidad total:
n n
s xy Si el espacio muestral lo podemos dividir en n sucesos A i, disjuntos
Coeficiente de correlación lineal rxy 
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
n n p ( B Ai ) p ( Ai )
2
p ( Ai B )  n
s
Coeficiente de determinación     R  1 
2

s
e
2  p( B A j ) p( A j )
y j 1

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

DISTRIBUCIONES DISCRETAS DE PROBABILIDAD DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Distribución uniforme
Distribución binomial (o Bernoulli con n=1)  1
 a xb
 n  x f ( x) =  b - a
  p (1  p ) n  x x  0,1,2,....., n 
0 en otro caso
f ( x)   x  E ( X )  np Var ( X )  np (1  p )
 0 en otro caso ba (b-a)2
 E( X )  ; Var(X)=
2 12
Distribución binomial negativa (o geométrica con r=1)
 x  1 p r (1  p) x  r x  r , r  1, r  2,.....
f ( x)   r  1
Distribución exponencial
E( X )  r / p Var ( X )  r (1  p) / p 2
 0 en otro caso  e  x
 x0 1 1
f ( x)   E( X )  Var ( X ) 
Distribución hipergeométrica 
0 en otro caso  2
  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
 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 