FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
DISTRIBUCIÓN DE FRECUENCIA V.D MEDIA GEOMÉTRICA D.A
∑ 𝐿𝑜𝑔(𝑌 )𝑛
𝑌 𝑛 ℎ 𝑁 𝐻 𝐺(𝑌) = 𝐴𝑛𝑡𝑖𝑙𝑜𝑔
𝑛
𝒀𝟏 𝒏𝟏 𝒉𝟏 𝑵𝟏 𝑯𝟏
MEDIA ARMÓNICA D.O
𝒀𝟐 𝒏𝟐 𝒉𝟐 𝑵𝟐 𝑯𝟐
⋮ ⋮ ⋮ ⋮ ⋮ 𝑛
𝒀𝒎 𝒏𝒎 𝒉𝒎 𝑵𝒎 𝑯𝒎 𝐻(𝑋) =
∑(1/𝑋 )
DISTRIBUCIÓN DE FRECUENCIA V.C
𝑌 𝑌 𝑌 𝑛 ℎ 𝑁 𝐻 MEDIA ARMÓNICA D.A
𝒀𝟎 𝒀𝟏 𝒀𝟏 𝒏𝟏 𝒉𝟏 𝑵𝟏 𝑯𝟏 𝑛
𝐻(𝑋) =
𝒀𝟏 𝒀𝟐 𝒀𝟐 𝒏𝟐 𝒉𝟐 𝑵𝟐 𝑯𝟐 ∑(𝑛 /𝑌 )
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝒀𝒎 𝟏 𝒀𝒎 𝒀𝒎 𝒏𝒎 𝒉𝒎 𝑵𝒎 𝑯𝒎 MEDIANA D.O
1. Ordenar serie
)
𝑚 = 1 + 3.3𝐿𝑜𝑔(𝑛) (
2. Serie: (a) par → 𝑀𝑒(𝑥) =
𝑋 á −𝑋 í (b) impar → 𝑀𝑒(𝑥) = 𝑋( )
𝐶=
𝑚 MEDIANA D.A.V.D
1. Calcular
𝑋 á − (𝑋 í − 𝑈𝑚í𝑛)
𝐶= 2. Hallar 𝑁 >
𝑚
3. Comparar 𝑁 :
𝐶 =𝑌 −𝑌 𝑛 𝑌 +𝑌
(𝑎)𝑁 = → 𝑀𝑒(𝑌) =
𝑌 + 𝑌 2 2
𝑛
𝑌 = (𝑏)𝑁 < → 𝑀𝑒(𝑌) = 𝑌
2 2
MEDIA ARITMÉTICA D.O MEDIANA D.A.V.C
∑𝑋 1.
𝑋=
𝑛 2. 𝑁 >
𝑋 + 𝑋 + ⋯+ 𝑋 𝑐𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁 :
𝑋=
𝑛 𝑛
(𝑎) 𝑁 < → 𝑀𝑒(𝑌)
2
MEDIA ARITMÉTICA D.A 𝑛
𝐶
∑𝑌𝑛
= 𝑌 + 2 − 𝑁
𝑌= 𝑛
𝑛
𝑌 𝑛 + 𝑌 𝑛 + ⋯+ 𝑌 𝑛 𝑛
𝑌= (𝑏) 𝑁 = → 𝑀𝑒(𝑌) = 𝑌
𝑛 2
PROPIEDADES DE LA MEDIA ARITMÉTICA MODA D.O
El valor que más se repite
Propiedades
𝑆𝑒𝑎𝑛 𝑘, 𝑘 𝑦 𝑘 ∈ 𝑅 MODA D.A.V.D
𝑆𝑒𝑎𝑛 𝑋, 𝑋 𝑦 𝑋 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑛 > 𝑛 → 𝑀𝑑(𝑌) = 𝑌
1. 𝑋 ï ≤ 𝑀(𝑋) ≤ 𝑋 ä
2. 𝑀(𝑘) = 𝑘 MODA D.A.V.C
3. 𝑀(𝑘𝑋) = 𝑘𝑀(𝑋) 𝑛 >𝑛
4. 𝑀(𝑘 𝑋 ± 𝑘 ) = 𝑘 𝑀(𝑋) ± 𝑘 𝐶 (𝑛 − 𝑛 )
5. 𝑀(𝑋 ± 𝑘) = 𝑀(𝑋) ± 𝑘 𝑀𝑑(𝑌) = 𝑌 +
2𝑛 − 𝑛 −𝑛
6. 𝑀(𝑋 ± 𝑋 ) = 𝑀(𝑋 ) ± 𝑀(𝑋 )
FRACTILAS D.A.V.D
⋯
7. x = 1.
⋯
2. 𝑁 >
MEDIA GEOMÉTRICA D.O 3. 𝐶𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁 ∶
𝑡𝑛
∑ 𝐿𝑜𝑔(𝑋 ) (𝑎)𝑁 < → 𝐹 =𝑌
𝐺(𝑋) = 𝐴𝑛𝑡𝑖𝑙𝑜𝑔 𝑠
𝑛
PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ
FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
𝑡𝑛 𝑌 +𝑌 PROBABILIDAD
(𝑏)𝑁 = →𝐹 = 𝑛
𝑠 2 𝑃(𝐴) =
𝑛
PROPIEDADES
FRACTILAS D.A.V.C 1. 𝑃(𝐴) ≥ 0 0 ≤ 𝑃(𝐴) ≤ 1
1. 2. 𝑃(𝐴) ≤ 1
3. 𝑃(Ω) = 1
2. 𝑁 > 4. 𝐴 𝑦 𝐵 𝑑𝑖𝑠𝑦𝑢𝑛𝑡𝑜𝑠 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)
3. 𝐶𝑜𝑚𝑝𝑎𝑟𝑎𝑟 𝑁 : 5. 𝐴 𝑦 𝐵 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜𝑠 𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) −
𝑡𝑛 𝑃(𝐴 ∩ 𝐵)
(𝑎) 𝑁 = →𝐹 =𝑌 ( ∩ )
𝑠 6. 𝑃 𝐴 𝐵 = ( ) ; 𝑃(𝐵) ≠ 0
𝑡𝑛
𝐶
(𝑏) 𝑁 <
𝑡𝑛
→𝐹 =𝑌 + 𝑠 −𝑁 7. 𝐴 𝑦 𝐵 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑃(𝐴 ∩ 𝐵) =
𝑠 𝑛 𝑃(𝐴)𝑃(𝐵)
𝑃 𝐴 𝐵 = 𝑃(𝐴)
8. 𝑃(𝐴 ∩ 𝐵) = 𝑃 𝐴 𝐵 𝑃(𝐵) = 𝑃 𝐵 𝐴 𝑃(𝐴)
VARIANZA D.O
9. 𝑃(𝐴 ) = 1 − 𝑃(𝐴)
∑(𝑥 − 𝑥̅ )
𝑉(𝑋) =
𝑛 10. TEOREMA DE LA PROBABILIDAD TOTAL
(𝑥 − 𝑥̅ ) + (𝑥 − 𝑥̅ ) + ⋯ + (𝑥 − 𝑥̅ )
= P(B) = ∑ 𝑃 𝐵 𝐴 𝑃(𝐴 )
𝑛
VARIANZA D.A 11. TEOREMA DE BAYES
∑ 𝑛 (𝑦 − 𝑦) 𝑃 𝐵 𝐴 𝑃(𝐴 )
𝑉(𝑌) = 𝐴
𝑛 𝑃 𝐵 =
(𝑦 − 𝑦) 𝑛 + (𝑦 − 𝑦) 𝑛 + ⋯ + (𝑌𝑚 − 𝑦) 𝑛 ∑ 𝑃 𝐵 𝐴 𝑃(𝐴 )
=
𝑛
ANÁLISIS COMBINATORIO
DESVIACIÓN ESTANDAR D.O
𝑆 = 𝛿 = 𝑉(𝑥) = 𝑉(𝑦) COMBINATORIA PERMUTACIÓN
𝑛
𝑛𝐶𝑟 =
DESVIACIÓN MODAL 𝑟
! !
∑/𝑦 − 𝑀𝑑(𝑦)/ ∗ 𝑛 𝑛𝐶𝑟 = ( )! !
𝑛𝑃𝑟 = ( )!
𝐷𝑀𝑑(𝑌) =
𝑛
/𝑦 − 𝑀𝑑(𝑦)/𝑛 +/𝑦 − 𝑀𝑑(𝑦)/𝑛 + ⋯ +/𝑌𝑚 − 𝑀𝑑(𝑦)/𝑛
=
𝑛 FUNCIÓN DE PROBABILIDAD V.D. Y
FUNCIÓN DE DISTRIBUCIÓN V.D.
DESVIACIÓN MEDIANA 𝑓(𝑥) = 𝑃(𝑋 = 𝑥)
∑/𝑦 − 𝑀𝑒(𝑦)/∗ 𝑛 …
𝐷𝑀𝑒(𝑌) = 𝑿 𝒙𝟏 𝒙𝟐 𝒙𝒏
𝑛 𝐏(𝐗𝐢 = 𝐱𝐢 ) 𝐏(𝐗 = 𝐱𝟏 ) 𝐏(𝐗 = 𝐱𝟐 ) … 𝐏(𝐗 = 𝐱𝐧 )
/𝑦 − 𝑀𝑒/𝑛 +/𝑦 − 𝑀𝑒/𝑛 + ⋯ +/𝑦 − 𝑀𝑒/𝑛
= 𝐏(𝐗𝐢 ≤ 𝐱𝐢 ) 𝐏(𝐗 ≤ 𝐱𝟏 ) 𝐏(𝐗 ≤ 𝐱𝟐 ) … 𝐏(𝐗 ≤ 𝐱𝐧 )
𝑛
COEFICIENTE DE VARIACIÓN
PROPIEDADES
𝑉(𝑥) 𝑉(𝑌) 1. 𝑃(𝑋 = 𝑥 ) ≥ 0 ; 0 ≤ 𝑃(𝑋 = 𝑥 ) ≤ 1
𝐶. 𝑉. (𝑋) = × 100 = × 100
/𝑀(𝑥)/ 𝑀(𝑌) 2. 𝑃(𝑋 = 𝑥 ) ≤ 1
3. ∑ 𝑃(𝑋 = 𝑥 ) = 1
COEFICIENTE DE VARIACIÓN MEDIANO
𝐷𝑀𝑒(𝑋) VALOR ESPERADO O ESPERANZA
𝐶𝑉𝑀𝑒(𝑋) = × 100
/𝑀𝑒(𝑥)/ 𝐸(𝑋) = 𝑥 𝑃(𝑋 = 𝑥 ) + ⋯ + 𝑥 𝑃(𝑋 = 𝑥 )
COEFICIENTE DE VARIACIÓN MODAL Propiedades del Valor Esperado
𝐷𝑀𝑑(𝑋) 𝑆𝑒𝑎𝑛 𝑘, 𝑘 𝑦 𝑘 ∈ 𝑅
𝐶𝑉𝑀𝑑(𝑋) = × 100 𝑆𝑒𝑎𝑛 𝑋, 𝑋 𝑦 𝑋 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠
/𝑀𝑑(𝑥)/
1. 𝑋 í ≤ 𝐸(𝑋) ≤ 𝑋 á
RANGO 2. 𝐸(𝑘) = 𝑘
𝑅(𝑋) = 𝑋 á − 𝑋 í 𝐷. 𝑂 3. 𝐸(𝑋 ± 𝑘) = 𝐸(𝑋) ± 𝑘
𝑅(𝑌) = 𝑌 − 𝑌 𝐷. 𝐴. 𝑉. 𝐶 4. 𝐸(𝑘𝑋) = 𝑘𝐸(𝑋)
𝑅(𝑌) = 𝑌 − 𝑌 𝐷. 𝐴. 𝑉. 𝐷 5. 𝐸(𝑘 𝑋 ± 𝑘 ) = 𝑘 𝐸(𝑋) ± 𝑘
6. 𝐸(𝑋 ± 𝑋 ) = 𝐸(𝑋 ) ± 𝐸(𝑋 )
PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ
FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
VARIANZA DE UNA VARIABLE ALEATORIA
DISCRETA VARIANZA V.A.C.
1. 𝑉(𝑋) = 𝐸(𝑋 ) − (𝐸(𝑋))
á á
2. 𝑉(𝑋) = ∑ 𝑥 𝑃(𝑋 = 𝑥 ) − 𝐸(𝑋) 𝑉(𝑋) = 𝑥 𝑓(𝑥)𝑑𝑥 − 𝑥𝑓(𝑥)𝑑𝑥
= 𝑥 𝑃(𝑋 = 𝑥 ) + ⋯ + 𝑥 𝑃(𝑋 = 𝑥 ) − (𝐸(𝑋)) í í
PROPIEDADES
𝑆𝑒𝑎𝑛 𝑘, 𝑘 𝑦 𝑘 ∈ 𝑅 MEDIANA DE UNA V.A.C.
𝑆𝑒𝑎𝑛 𝑋, 𝑋 𝑦 𝑋 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 Independientes
á
1. 𝑉(𝑋) ≥ 0 ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 = 0.5
í
2. 𝑉(𝑘) = 0
3. 𝑉(𝑘𝑋) = 𝑘 𝑉(𝑋) FÓRMULAS PARA MANEJO DE
4. 𝑉(𝑘 𝑋 ± 𝑘 ) = 𝑘 𝑉(𝑋) DISTRIBUCIÓN NORMAL
5. 𝑉(𝑋 ± 𝑘) = 𝑉(𝑋)
6. 𝑉(𝑋 ± 𝑋 ) = 𝑉(𝑋 ) + 𝑉(𝑋 ) 𝐏(𝐙 ≤ − 𝐙𝐨) = 𝟏 − 𝐏(𝐙 ≤ 𝐙𝐨)
FUNCION DE DISTRIBUCIÓN 𝐏(𝐙 ≥ 𝐙𝐨) = 𝟏 − 𝐏(𝐙 ≤ 𝐙𝐨)
𝐹 (𝑎) = 𝑃(𝑋 ≤ 𝑎)
1. 𝐹 (𝑋 í ) = 0 𝐏(𝐙𝐨 ≤ 𝐙 ≤ 𝐙𝟏 ) = 𝐏(𝐙 ≤ 𝐙𝟏 ) − 𝐏(𝐙 ≤ 𝐙𝟎 )
2. 𝐹 (𝑋 á ) = 1
3. P(𝑎 < 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹 (𝑎)
PROCESO DE TIFICACIÓN O
ESTANDARIZACIÓN
𝑋 −µ
𝑍=
DISTRIBUCIÓN HIPERGEOMÉTRICA 𝜎
DISTRIBUCIÓN EN EL MUESTREO
𝑃(𝑋 = 𝑥) = 𝑵
𝒏
MEDIA
𝑋~𝑁(𝜇; 𝜎 )
DISTRIBUCIÓN HIPERGEOMÉTRICA 𝜎 𝑁−𝑛
𝑉(𝑥̅ ) = 𝜎 ̅ = ∗
MULTIVARADA 𝑛 𝑁−1
….
𝑃(𝑋𝑖 = 𝑥 ) = PROPORCIÓN
𝑵
𝒏
𝑃~𝑁(𝜋; 𝜎 )
𝜋(1 − 𝜋) 𝑁 − 𝑛
𝑉(𝑃) = 𝜎 = ∗
DISTRUBUCIÓN BINOMIAL PARÁMETROS 𝑛 𝑁−1
𝑀𝑒𝑑𝑖𝑎 => 𝜇 = 𝑛𝑝 𝑃−𝜋
𝑍=
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 => 𝜎 = 𝑛𝑝𝑞 𝜎
𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑡𝑖𝑝𝑖𝑐𝑎 => 𝜎 = 𝑛𝑝𝑞
𝑞 =1−𝑝 DIFERENCIA DE MEDIAS
𝑥 − 𝑥 ~𝑁(𝜇 − 𝜇 ; 𝜎 )
VARIABLE ALEATORIA CONTINUA: 𝜎 𝑁 −𝑛 𝜎 𝑁 −𝑛
𝜎 = ∗ + ∗
𝑛 𝑁 −1 𝑛 𝑁 −1
FUNCIÓN DE DENSIDAD
DIFERENCIA DE PROPORCIONES
𝑓(𝑥) = 𝑓(𝑥) 𝑋 í <𝑋 ≤ 𝑋 á
𝑃 − 𝑃 ~𝑁(𝜋 − 𝜋 ; 𝜎 )
𝑜 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1. 𝑓(𝑥) ≥ 0 𝜋 (1 − 𝜋 ) 𝑁 −𝑛 𝜋 (1 − 𝜋 )
𝜎 = ∗ +
2. 𝑓(𝑥) ≤ 1 𝑛 𝑁 −1 𝑛
á 𝑁 −𝑛
3. ∫ 𝑓(𝑥)𝑑𝑥 = 1 ∗
ï 𝑁 −1
ESPERANZA DE UNA VARIABLE CONTINUA
ESTIMACIÓN PUNTUAL
á MEDIA: 𝜇̂ = 𝑥̅ → 𝜎 ̅ → 𝜎 ̅
𝐸(𝑋) = 𝑥𝑓(𝑥)𝑑𝑥 PROPORCIÓN: 𝜋=𝑝→𝜎 →𝜎
í
DIF. MEDIA: 𝜇 −𝜇 =𝑥 −𝑥 →𝜎
DIF. PROPORCIONES: 𝜋 − 𝜋 = 𝑝 − 𝑝 →
𝜎
PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ
FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
𝐈. 𝐂. p − p − kσ ≤π −π
ESTIMACIÓN POR INTERVALOS ≤. p − p + k𝜎
ESTIMACIÓN DE LA MEDIA
ESTIMACIÓN PARA LA VARIANZA
𝟐
𝒔𝒊 𝒏 ≥ 𝟏𝟎𝟎 𝒚/𝒐 𝝈 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂 𝑛𝑆
𝑥̅ − 𝜇 ~𝑋( )
~𝑁(0,1) 𝜎
𝜎̅ 𝑘 /𝑝(𝑥 ( ) ≤ 𝑘 ) = 𝛼/2
𝑰. 𝑪. 𝑥̅ − 𝑘𝜎 ≤ 𝜇 ≤ 𝑥̅ + 𝑘𝜎 𝑘 /𝑝(𝑥 ( ) ≤ 𝑘 ) = 1 − 𝛼/2
𝑘/𝑝(𝑧 ≤ 𝑘) = 1 − 𝛼/2
𝑛𝑆 𝑛𝑆
𝟐
𝒔𝒊 𝒏 < 𝟏𝟎𝟎 𝒚 𝝈 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒐 𝑰. 𝑪. ≤𝜎 ≤
𝑘 𝑘
̅
~𝑡( ) ESTIMACIÓN POR INTERVALOS PARA LA
𝑰. 𝑪. 𝑥̅ − 𝑘𝜎 ̅ ≤ 𝜇 ≤. 𝑥̅ + 𝑘𝜎 DESVIACIÓN ESTANDAR
̅
𝑘/𝑝 𝑡( ) ≤ 𝑘 = 1 − 𝛼/2
𝑛𝑆 𝑛𝑆
𝑰. 𝑪 ≤𝜎≤
𝑘 𝑘
𝑘 /𝑝(𝑥 ( ) ≤ 𝑘 ) = 𝛼/2
ESTIMACIÓN DIF. DE MEDIAS
𝒔𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎 𝒚/𝒐 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 𝑘 /𝑝(𝑥 ( ) ≤ 𝑘 ) = 1 − 𝛼/2
𝑥 − 𝑥 − (𝜇 − 𝜇 )
~𝑁(0,1)
𝜎
DISTRIBUCIÓN FISHER
𝑋~𝐹(𝑣 ; 𝑣 )
𝑰. 𝑪. 𝑥 − 𝑥 − 𝑘𝜎 ≤𝜇 −𝜇 𝑋 ~𝑋 (𝑣 )
≤ 𝑥 − 𝑥 + 𝑘𝜎 𝑋 ~𝑋 (𝑣 )
𝑘/𝑝(𝑧 ≤ 𝑘) = 1 − 𝛼/2
𝑋= ~𝐹(𝑣 ; 𝑣 )
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 𝒚 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔
𝑥 − 𝑥 − (𝜇 − 𝜇 ) ESTIMACIÓN COCIENTE DE VARIAZAS
~𝑡( )
𝜎
≤ ≤ 𝑆 >𝑆
𝑰. 𝑪. 𝑥 − 𝑥 − 𝑘𝜎 ≤𝜇 −𝜇
≤ 𝑥 − 𝑥 + 𝑘𝜎 k ∗ /p(F( , ; ) ≤ k ∗ ) = 1 − α/2
k = 1/ k ∗
ESTIMACIÓN PARA LA PROPORCIÓN
𝒔𝒊 𝒏 ≥ 𝟏𝟎𝟎 k /p(F( ; ) ≤ k ) = 1 − α/2
𝑃−𝜋
~𝑁(0,1) PRUEBA DE HIPÓTESIS
𝜎
𝑰. 𝑪. 𝑝 − 𝑘𝜎 ≤ 𝜋 ≤ 𝑝 + 𝑘𝜎 𝐻 :𝜃 = 𝜃
𝐻 :𝜃 ≠ 𝜃
𝒔𝒊 𝒏 < 𝟏𝟎𝟎
𝑃−𝜋 ESTADÍSTICAS DE TRABAJO
~𝑡( )
𝜎
𝑰. 𝑪. 𝑝 − 𝑘𝜎 ≤ 𝜋 ≤ 𝑝 + 𝑘𝜎 -Para Media
𝑺𝒊 𝒏 ≥ 𝟏𝟎𝟎 𝒚/𝒐 𝝈𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
𝑥̅ − 𝜇
ESTIMACIÓN DIF. DE PROPORCIONES 𝐸. 𝑇 = ~𝑁(0,1)
𝒔𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎 𝜎̅
𝑝 − 𝑝 − (𝜋 − 𝜋 ) 𝑺𝒊 𝒏 < 𝟏𝟎𝟎 𝒚 𝝈𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
~𝑁(0,1) 𝑥̅ − 𝜇
𝜎 𝐸. 𝑇 = ~𝑡( )
𝜎̅
𝑰. 𝑪. 𝑝 − 𝑝 − 𝑘𝜎 ≤𝜋 −𝜋 -Para proporción
≤ 𝑝 − 𝑝 + 𝑘𝜎 𝑺𝒊 𝒏 < 𝟏𝟎𝟎
𝑃−𝜋
𝑘/𝑝(𝑧 ≤ 𝑘) = 1 − 𝛼/2 𝐸. 𝑇 = ~𝑡( )
𝜎
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 𝑺𝒊 𝒏 ≥ 𝟏𝟎𝟎
𝑝 − 𝑝 − (𝜋 − 𝜋 ) 𝑃−𝜋
~𝑡( 𝐸. 𝑇 = ~𝑁(0,1)
) 𝜎
𝜎
PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ
FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
-PARA DIFERENCIA DE MEDIAS 𝑆 𝑛 + ⋯+ 𝑛 𝑆
𝑀(𝒔𝟐 ) =
𝑛 + ⋯+ 𝑛
𝒔𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 𝒀 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔
𝑥 − 𝑥 − (𝜇 − 𝜇 ) (𝑥 − 𝑥 ) 𝑛 + ⋯ + (𝑥 − 𝑥 ) 𝑛
𝐸. 𝑇 = ~𝑡( ) 𝑉(𝒙) =
𝜎 𝑛 + ⋯+ 𝑛
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎 𝒚 / 𝒐 𝝈𝟐𝟏 𝒚 𝝈𝟐𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 𝑽 (𝑋) = 𝑺𝟐𝑻 = 𝑀(𝑠 ) + 𝑉(𝑥̅ )
𝑥 − 𝑥 − (𝜇 − 𝜇 )
𝐸. 𝑇 = ~𝑁(0,1)
𝜎 ANÁLISIS DE VARIANZA A UNA VIA
PARA DIFERENCIA DE PROPORCIONES Suma
Grados Cuadra
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 ≥ 𝟏𝟎𝟎 Fuente de de
de dos
𝑝 − 𝑝 − (𝜋 − 𝜋 ) Variación cuadra F
libertad medios
𝐸. 𝑇 = ~𝑁(0,1) dos
𝜎
Entre 𝐶𝑀𝑡 CMt
𝑆𝐶𝑡
grupos 𝑘−1 𝑆𝐶𝑡 /CME
= 𝑛𝑣(𝑥̅ ) =
muestras, 𝑘−1
𝑺𝒊 𝒏𝟏 + 𝒏𝟐 < 𝟏𝟎𝟎 estratos
𝑝 − 𝑝 − (𝜋 − 𝜋 )
𝐸. 𝑇 = ~~𝑡( Dentro de
) 𝐶𝑀𝐸
𝜎 grupos 𝑆𝐶𝐸 𝑆𝐶𝐸
𝑛−𝑘
muestras, = 𝑛𝑀(𝑠 ) =
estratos 𝑛−𝑘
PARA VARIANZA 𝝈𝟐
TOTAL 𝑛−1 𝑛𝑉 (𝑥)
𝑛𝑆
𝐸. 𝑇 = ~𝑋 ( )
𝜎 𝐶𝑀𝑇
𝐸. 𝑇 = ~𝐹
𝐶𝑀𝐸 ( ; )
ESTADÍSTICA DE TRABAJO PARA 𝑃𝐶/𝑃(𝐹( ; ) ≤ 𝑃𝐶) = 1 − 𝛼
COCIENTE DE VARIANZAS
TABLA DE CONTINGENCIA O JI CUADRADO
𝞭 𝜎
𝑆 >𝑆
𝞭 𝑘 𝜎 Bj
Ai 𝑩𝟏 𝑩𝟐 ⋯ 𝑩𝒘 𝒏𝒊.
𝑨𝟏 𝒏𝟏𝟏 𝒏𝟐𝟏 ⋯ 𝒏𝟏𝒘 𝒏𝟏.
K ∗ /P(F( ; ) ≤ K ∗ ) = 1 − 𝞭/2
𝑨𝟐 𝒏𝟐𝟏 𝒏𝟐𝟐 ⋯ 𝒏𝟐𝒘 𝒏𝟐.
k = 1/ k ∗ ⋯ ⋯ ⋯ ⋯ ⋯ ⋯
K /P(F( ; ) ≤ K ) = 1 − Α/2 𝑨𝒎 𝒏𝒎𝟏 𝒏𝟏𝒎 ⋯ 𝒏𝒎𝒘 𝒏𝒎.
𝒏.𝒋 𝒏.𝟏. 𝒏.𝟐 ⋯ 𝒏.𝒘 𝒏
ANÁLISIS DE VARIANZA A UNA VIA
𝐻 : 𝜇 = 𝜇 = ⋯..= 𝜇 𝑬. 𝑻~𝑿𝟐(𝒎 𝟏)(𝒘 𝟏)
𝐻 : 𝜇 ≠𝜇
𝟐
𝒏𝒊𝒋 − 𝒏𝒊𝒋
G 𝑬𝑻 = 𝑿𝟐 = ~ 𝝌𝟐(𝒎 𝟏)(𝒘 𝟏)
𝒏𝒊𝒋
r Gr 𝒊𝒋
Gr Gru
u up
up po Donde 𝒏𝒊𝒋 = (𝒏𝒊. ∗ 𝒏.𝒋 ) /n
p o
o1 k
o …
REGRESIÓN:
2
𝐱 𝟏𝟏 𝐱 𝟐𝟏 ⋯ 𝐱 𝐤𝟏 𝑀𝑒𝑑𝑖𝑎 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑎 𝑀(𝑥𝑦) = ∑ 𝑥𝑦/n
𝐱 𝟏𝟐 𝐱 𝟐𝟐 ⋯ 𝐱 𝐤𝟐
⋯ ⋯ ⋯ ⋯ COVARIANZA 𝑆 𝑜 cov(x;y)
𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑋 𝑦 𝑌:
𝐱 𝟏𝐧𝟏 𝐱 𝟐𝐧𝟐 ⋯ 𝐱 𝐤𝐧𝐤
Tamaño 𝐧𝟏 𝐧𝟐 ⋯ 𝐧𝐤 𝑐𝑜𝑣(𝑥; 𝑦) = 𝑀(𝑥𝑦) − 𝑀(𝑥)𝑀(𝑦) = 𝑆
Promedios 𝐱𝟏 𝐱𝟐 ⋯ 𝐱𝐤
Varianzas 𝐒𝟏𝟐 𝐒𝟐𝟐 ⋯ 𝐒𝐤𝟐 REGRESIÓN SIMPLE
𝑥 𝑛 + ⋯+ 𝑥 𝑛 MODELO LINEAL 𝑌 =𝛽 +𝛽 X
𝒙𝑻 =
𝑛 + ⋯+ 𝑛
PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ
FÓRMULAS PROBABILIDAD Y ESTADÍSTICA
𝛽 = 𝑀(𝑌) − 𝛽 𝑀(𝑋) 𝛽 = 𝑆 /𝑆
MODELO EXPONENCIAL 𝑦=𝐴∗𝐵
A= antilog (𝛽 ) B= antilog (𝛽 )
MODELO POTENCIAL 𝑦=𝐶∗𝑋
C = antilog (𝛽 ) D=𝛽
Coeficiente de Correlación Regresión Lineal:
𝑟 = S𝑥𝑦/𝑆 𝑆
Coeficiente de Determinación Regresión Lineal:
( )
𝑅 = ( )
PROFESORES: JACINTO LONDOÑO ORTIZ Y BELÉN SEFAIR LÓPEZ
ANÁLISIS DE VARIANZA PARA LA REGRESIÓN SIMPLE
MODELO: 𝑌 = 𝛽 + 𝛽 𝑋 HIPÓTESIS: 𝑯𝒐: 𝛽 =0
Fuente de Grados de Suma de Cuadrado F
Variación Libertad Cuadrados Medio
Regresión 1 SCRegresión CMR=SCRegresión/1 CME/ CME
SCR = nV(y)
Error n-2 SCError CME =SCError/(n-2= σ
SCE=n(V(Y) − V(y))
Total n-1 SCTotal
SCT= nV(Y)
MODELO DE REGRESIÓN MÚLTIPLE
MODELO: 𝑌 = 𝛽 + 𝛽 𝑋 + 𝛽 𝑋 +… + 𝛽 𝑋 HIPÓTESIS: 𝑯𝒐: 𝛽 = 𝛽 = ⋯ = 𝛽 = 0
ANÁLISIS DE VARIANZA PARA REGRESION MÚLTIPLE
Fuente de Grados Suma de Cuadrado F
Variación de Cuadrados Medio
Libertad
CMRegre
Regresión K SCRegresión CMR=SCRegresión/k sión /
SCR = n𝑉(𝑦) CMError
Error n-k-1 SCError 𝐶𝑀𝐸 =SCError/(n-K-1)= 𝜎
SCE=n(𝑉(𝑌) − 𝑉(𝑦))
Total n-1 SCTotal
SCT= nV(Y)
INFERENCIA SOBRE INTERCEPTO INFERENCIA SOBRE PENDIENTE
REGRESIÓN SIMPLE REGRESIÓN SIMPLE
𝛽 −𝛽
𝑡= ~𝑡( )
𝑉 𝛽 𝛽 −𝛽
𝑡= ~𝑡( )
1 𝑥̅ 𝑉 𝛽
𝑉 𝛽 =𝜎 +
𝑛 (∑ 𝑥) 𝜎
∑ 𝑥 − 𝑉 𝛽 =
𝑛 (∑ 𝑥)
∑ 𝑥 − 𝑛
IC 𝛽 ± t , 𝑉 𝛽 𝐼𝐶 𝛽 ±t , 𝑉 𝛽
Docentes: LONDOÑO ORTÍZ JACINTO Y SEFAIR LÓPEZ BELÉN
TAMAÑO DE MUESTRA PARA LA MEDIA TAMAÑO DE MUESTRA PARA LA
𝑺𝒊 𝑵 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂 PROPORCIÓN
𝑺𝒊 𝑵 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
∝/ ∗
𝑛= 𝑁𝑍 ∝/ ∗ 𝜋 ∗ (1 − 𝜋 ∗ )
∝/ ( )
𝑛=
𝑍 ∝/ 𝜋 ∗ (1 − 𝜋 ∗ ) + (𝑁 − 1)𝑒
𝑺𝒊 𝑵 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
𝑺𝒊 𝑵 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂
𝑍 ∝/ ∗ 𝜎
𝑛=
𝑒 𝑍 ∝/ ∗ 𝜋 ∗ (1 − 𝜋 ∗ )
𝑛=
∗ 𝑒
𝜎 = (𝜎 ) Varianza premuestral.
𝜎 = 𝜎 por historia o antecedente
𝜎 = (Rango / 4 ) si se conoce el rango
𝜋 ∗ = 0.5 si se desea máximo tamaño muestral
𝜋 ∗ = 𝑝∗ = 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑝𝑟𝑒𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
𝜋 ∗ = 𝜋 por historia o por antecedentes
ANÁLISIS DE VARIANZA A DOS VÍAS
GRADOS ET= F F
FUENTE DE SUMA DE CUADRADOS
DE calculada tabulada
VARIACION CUADRADOS MEDIOS
LIBERTAD
Entre 𝑆𝐶𝑓 𝐶𝑀𝑓 𝐹( );( )( )
𝑆𝐶𝑓 𝐹 =
tratamientos o 𝑓−1 𝐶𝑀𝑓 = 𝐶𝑀𝐸
= 𝑛𝑣(𝑥 ) 𝑓−1
filas
Entre bloques o 𝑆𝐶𝑐 𝑆𝐶𝑐 𝐶𝑀𝑐 𝐹( ); ( )( )
𝑐−1 𝐶𝑀𝑐 = 𝐹 =
columnas = 𝑛𝑣(𝑥 ) 𝑐−1 𝐶𝑀𝐸
Dentro de 𝑆𝐶𝐸
𝐶𝑀𝐸
grupos (𝑓 − 1)(𝑐 − 1) = SCT − (𝑆𝐶𝑓 𝑆𝐶𝐸
muestras, + 𝑆𝐶𝑐) =
estratos (𝑓 − 1)(𝑐 − 1)
TOTAL 𝑛−1 SCT= 𝑛𝑉 (𝑥)
Docentes: LONDOÑO ORTÍZ JACINTO Y SEFAIR LÓPEZ BELÉN
