TABLAS Y FÓRMULAS ESTADÍSTICAS

Datos sin agrupar Datos agrupados

Promedio aritmético de muestras

k

x
n
x f i i
i x i 1

x i 1 k

n f
i 1
i

Promedio ponderado Mediana

n 
n

xw i i
  F i 1 
x i 1
n M e  Li  2 *c
w i  f i 
i 1  
Mediana para n impar Moda
M e  X  n1   d1 
M o  Li   *c
 
 2 
 d1  d2 
d1  fi  fi 1
d 2  fi  fi 1
Mediana para n par Percentiles
X n  X n  m.n 
 

 1  100  Fi 1 
Me  2 2  Pm  Li   *c
2  f i 
 
Percentiles
Pm  X  m 
100  n 1
 
Media geométrica Media armónica

xg  n x1 , x2 , xn xa  n
n
1

i 1 xi
 MEDIDAS DE VARIABILIDAD
Datos sin agrupar Datos agrupados
Variancia de una muestra
1 n 1 n
sx    xi  x    xi  x  . f i
2
sx 
2 2 2

n  1 i 1 n  1 i 1
  n  
2   n  
2

  xi     xi fi  
1  n 2  i 1  
xi f i   i 1  
1  k 2
sx 
2
 xi  n 
n  1  i 1
sx 
2
 
n  1 i 1 n 
   
   

Variancia de la población
N k
1
  xi   
1
 x2   x2   x  
2 2
i . fi
N i 1 N i 1

  N  
2
  k  
2

  xi 
1  N 2  i 1  
   xi fi  
 x  .  xi   x  .  xi fi   i 1  
2 2 1  k 2
N  i 1 N  
N i 1 N 
   
   
Coeficiente de variación de una Coeficiente de variación de una
población. muestra.
x sx
CVx  *100 CVx  *100
 x
Desviación media
n k

 x x  x  x .fi i
i D.M .  i 1

D.M .  i 1 k

n f
i 1
i

Medida de variabilidad para Variancia para variables

muestras pareadas. dicotómicas.
1  n 2
sd2  .  di di  X1i  X 2i  2  PQ s 2  pq
ˆˆ
n  1  i 1 
 ÍNDICE DE PRECIOS
Relativo simple de precios. Agregado simple de precios.
k
p p
I  n .100 I i 1
n
.100
po k

p
i 1
o

Promedio de los relativos simples de precios.

k
 pn 
 
i 1  p0

I  .100
k
Índice de precios ponderados
Laspeyres Paasche

I PL 
 pq n 0
.100 I PP 
p q n n
.100
p q o 0 p q o n

Índices de cantidades ponderados

Laspeyres Paasche

IQL 
 pq o n
.100 IQP 
 pq n n
.100
p q o o p q n o

Índice de precio de Fischer

  pn qo   pn qn 
 
  p q   p q 
I PF .100
 o o  n o 
 MUESTREO ALEATORIO SIMPLE

Población finita Población infinita

Variancia del promedio
N  n sx2 sx2
s 2
. s  2

N 1 n
x x
n
N  n  x2  x2
x
2
. x
2
N 1 n n
Variancia de una proporción
N  n pq
ˆˆ ˆˆ
pq
s 2pˆ  . s 2pˆ 
N 1 n n
N  n PQ PQ
 p2ˆ  .  p̂2 
N 1 n n
Tamaño de muestra para la estimación de un promedio y una
proporción poblacional
 Z /2 
2

2
n 1
n
  Z 
n donde 1  d  n 
n /2
1 1 
N  d 
2
 Z /2 PQ 
2
n
n1  Z PQ 
n1 donde n1    n    /2 
1  d   d
N  
Intervalos de confianza para el promedio cuando la variancia de la
población es conocida
N n x 
Li  x  Z /2 * * Li  x  Z /2 * x
N 1 n n
Intervalos de confianza para el promedio cuando la variancia de la
población es desconocida y n≤30
N  n sx s
Li  x  t /2( n 1) gl * * Li  x  t /2( n 1) gl * x
N 1 n n
Intervalos de confianza para una proporción si np>5 y nq>5
N n ˆˆ
pq ˆˆ
pq
Li  pˆ  Z /2 * * Li  pˆ  Z /2 *
N 1 n n
 ESTADÍSTICO PARA PRUEBAS DE HIPOTESIS

Promedios Proporciones

Para un promedio: variancia conocida. Para una proporción.

x  pˆ  P
zc  Zc 
 PQ
n n
Para un promedio: variancia Diferencia de proporciones.
desconocida. pˆ1  pˆ 2
x  Zc 
tc  pˆ1qˆ1 pˆ 2 qˆ2
s 
n n1 n2
Otra alternativa de cálculo:
Diferencia de dos promedios: variancia x1 x2

conocida. n1 n2
Zc 
x1  x2 1 1
Zc  p(1  p)   
 12  22  n1 n2 

n1 n2
x1  x2
p
n1  n2
Diferencia de dos promedios: variancia desconocida.
x1  x2 n1n2 (n1  n2  2)
tc  *k k
donde
(n1  1) S12  (n2  1) S 22 n1  n2

Estadístico de prueba de independen- Estadístico de prueba para muestras

cia y de homogeneidad Ji-Cuadrada. pareadas.

 Oij  Eij 
2
r c
x 2   d
i 1 j 1 Eij tc 
Sd / n
Ni N j
Eij 
N
 ANÁLISIS DE REGRESIÓN LINEAL SIMPLE
Constante de regresión. Coeficiente regresión lineal.
n n n
n xi yi  n xi  yi
a  y  bx b i 1
n
 
i 1
n
i 1

n xi2    xi 
i 1  i 1 
Intervalos de confianza para el Intervalos de confianza para una
promedio de y dado un x0 observación de y dado un x0

1  x0  x  1 x  x
2 2

Li  yˆ  t /2( n 2) gl * Se  Li  yˆ  t /2( n 2) gl * Se 1   0

n SCx n SCx

Error estándar de estimación Suma de cuadrados de x

2
n n n
 n 
y  a  yi  b xi yi   xi 
2
i
SCx   xi2   i 1 
n
Se  i 1 i 1 i 1

n2 i 1 n
Inferencia sobre la constante y coeficiente de regresión
Intervalos de confianza Estadístico de prueba de hipótesis
1  x0  x 
2 a
tc 
a  t( n 2) gl Se   1 x 2
n SCx Se 
n SCx
Se
b  t( n  2) gl tc 
b
SCx Se / SCx

ANÁLISIS DE CORRELACIÓN LINEAL SIMPLE

Coeficiente de correlación lineal.
n n n
n xi yi   xi  yi
r i 1 i 1 i 1

 n 2  n 2   n 2  n 2 
 n xi    xi   *  n yi    yi  
 i 1  i 1    i 1  i 1  
Estadístico para prueba de hipótesis Coeficiente de correlación parcial.
sobre el coeficiente de correlación. r12  r13r23
r p r12.3 
tc 
1 r2 1  r 1  r 
2
13
2
23
n2
 MUESTREO ALEATORIO ESTRATIFICADO
Afijación de la muestra Afijación de la muestra óptima o
proporcional Neyman
Nh  
nh  n.  N 
nh  n.  L h h 
L

N h  N 
 h h 
h 1  h 1 
Promedio aritmético estratificado Proporción estratificado
L L
1
yst  N yh  Wh xh 1 L L
pˆ st  N pˆ h   Wh pˆ h
h
N h 1 h 1 h
Nh N h 1 h 1
Wh 
N
Variancia del promedio estratificado Variancia de la proporción estratificada
1 1
Var ( yst )   W .Var ( yh ) h
2
Var ( pˆ st )  Wh2 .Var ( pˆ h )
Y 1 Y 1

Tamaño de la muestra para la Tamaño de la muestra para

estimación de la media de la población proporciones

Wh2 S h2 Proporcional:
 W n 0
n W p q
n0 donde n0 
h h h

n h
1 V
1 Wh2 S h2
V  N
N Wh
Óptimo supuesto:
n0
1 W S 1 2 2 n
V
N
 Wh

N

h
Wh Sh2 h
1
1
NV
W p qh h h

 Wh ph qh 
2

n0 
V
 MUESTREO POR CONGLOMERADOS
Estimación del promedio Estimación de una proporción
A A

y i a i

y i 1
A
pˆ  i 1
A

m i m
i 1
i
i 1

MODELOS DE CRECIMIENTO
Modelo aritmético Modelo geométrico
Nt  N0 (1  rt ) Nt  N 0 (1  r )t
1/ t
N 
1 N  N0 r   t  1
r . t  N0 
t N0
Modelo exponencial

Nt  N 0ert 1 N 
r  1n  t 
t  N0 
DISTRIBUCIÓN DE PROBABILIDADES
Distribución binomial Distribución de Poisson
x 
 n  x n x
f ( x)    p q
 e
x=0,1,…,n f ( x)  x=0,1,…
 x x!
Distribución hipergeométrica Distribución geométrica
 D  N  D  x 1
 
nx 
 f ( x)  q p x=1,2,…
f ( x)   
x
x=0,1,2,…, min(n,D)
N
 
n
TEOREMA DE BAYES
P( A) P( D / A)
P ( A / D) 
P( A) P( D / A)  P( B) P( D / A)
TÉCNICAS DE CONTEO
Permutaciones Combinaciones
n! n!
n Pr  nCr 
(n  x)! r !(n  x)!
 ANÁLISIS DE VARIANCIA A UNA VÍA: DISEÑO
COMPLETAMENTE ALEATORIZADO
Media total Suma de cuadrados total
r c r c
 x
i 1 j 1
ij SCT   ( xij  x )2
x i 1 j 1
n
Suma de cuadrados de los tratamientos Suma del cuadrado de error
c r c
SCTR   rj ( x j  x ) 2
SCE   ( xij  x j )2
j 1 i 1 j 1

Prueba para diferencias entre pares de medias

Diseños balanceados Diseños no balanceados

Criterio de Tukey Diferencia mínima significativa

CME
T  q ,c,nc
R 1 1
DMS J , K     (CME ) F ,c 1,n c
Diferencia mínima significativa r r 
 j k
2(CME ) F ,1,n c
DMS 
r

ANÁLISIS DE VARIANCIA A DOS VÍAS: DISEÑO

ALEATORIZADO EN BLOQUES
Suma de cuadrados de bloques. Suma de cuadrados del error.
r
SCBL   ci ( x  x ) 2 SCE  SCT  SCTR  SCBL
i 1
 PRUEBAS NO PARAMÉTRICAS
Prueba U de Mann-Whitney Media y desviación estándar de la
distribución muestral para la prueba U de
n1 (n1  1) Mann-Whitney.
U1  n1n2    R1 n1n2
2 u 
2
n (n  1) n1n2 (n1  n2  1)
U 2  n1n2  2 2   R2 u 
2 12
Valor Z para normalizar la prueba U de Prueba de independencia Chi-Cuadrada
Mann-Whitney.

 Oi  Ei 
2
rc
U i  u 2
X obs 
Z Ei
u i 1

Coeficiente de correlación de Spearman Desviación normal para la prueba de

rangos de Spearman

6 di2
rs  1  Z  rs n  1
n(n 2  1)
Prueba de Kruskal-Wallis

12  Ri2 
K    3(n  1)
n(n  1)  ni 
Valor crítico para la prueba de Kruskal-Wallis

 n(n  1)   1 1 
Ck   ,k 1 
2
   
 12   ni n j 