Desarrollo tarea MathType

Alumno: Lopez Minaya Claudio Francisco

Código: 2123120341
DNI: 72127091

Datos sin agrupar Datos agrupados

Promedio aritmético de muestras
n k

x i
x f i i

x i 1 x i 1
k
n f
i 1
i

Promedio ponderado Mediana

n
n 
 xi wi 
M e  Li   2
 F i 1 
x i 1 *c
n
 f 
w
i

i  
i 1
Mediana para n impar Moda
M e  X  n1  M o  Li  
 d1 
*c
 
 2  
 1 2
d d
d1  f i  f i 1
d 2  fi  f i 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 geométrico Media aritmética
xg  n x1  x2  ...  xn xa 
n
n
1

i 1 xi

Índice de precios
Relativo simple de Agregado simple de
precios precios
 k
p
I  n 100 p n
p0 I i 1
k
100
p
i 1
0

Promedio de los relativos simples de precios

k
 pn 
  
i 1  p0 
I 100
k
Índices de precios ponderados
Laspeyres Paasche
I PL 
 pq n o
100 I PP 
p q n n
100
p q o o p q o n

Índices de cantidades ponderados

Laspeyres Paasche
I QL 
 pq o n
100 I QP 
 pq n n
100
p q o o p q n o

Indice de precio de Fischer

  pn q0   pn qn 
  100
  p q   p q 
I PF
 0 0  0 n 
 Población finita Población infinita
Variancia del promedio
2 N  n sx2 2 s 2
s   s  x
x N 1 n
x n
2 N  n  X2
   2  2

x N 1 n   x

x n
Variancia de una proporción
N  n pq
ˆˆ ˆˆ
pq
s 2pˆ   s 2pˆ 
N 1 n n
N  n PQ PQ
 p2ˆ   s 2p̂ 
N 1 n n
Tamaño de muestra para la estimación de un promedio y una
proporción poblacional

Z    Z 2 
2 2
n
n  1 donde n1    2  n1   
n
1 1  d   d 
N
2 2
n1  Z 2 PQ   Z 2 PQ 
n
n1 donde n1   

n1  



1  d   d 
N
Intervalos de confianza para el promedio cuando la variancia de la
población es conocida
N  n x x
Li  x  Z 2 * * Li  x  Z 2 *
N 1 n n
Intervalos de confianza para el promedio cuando la variancia de la
población es desconocida y n ≤30

N  n sx sx
Li  x  t 2 n 1 gl *
Li  x  t 2 n1 gl * *
N 1 n n
Intervalos de confianza para una proporción si np˃5 y nq˃5
N n ˆˆ
pq ˆˆ
pq
L1  pˆ  Z 2 * * L1  pˆ  Z 2 *
N 1 n n
Promedios Proporciones
Un promedio: variancia Para una proporción
conocida pˆ  P
Zc 
x PQ
Zc 
 n
n
Un promedio: variancia Diferencia de proporciones
desconocida pˆ1  pˆ 2
Zc 
x pˆ1qˆ1 pˆ 2 qˆ2
tc  
s n1 n2
n
Diferencia de dos promedios: Otra alternativa de cálculo:
variancia conocida x1 x2
x1  x 2 
Zc  n1 n2
Zc 
 12  22 1 1
 p 1  p    
n1 n2
 n1 n2 
x x
p 1 2
n1  n2
Diferencia de dos promedios: variancia desconocida
x1  x2 n1n2 (n1  n2  2)
tc  *k donde k 
 n1  1 S12   n2  1 S22 n1  n2
Estadístico de prueba de Estadístico de prueba para
independencia de homogeneidad muestras pareadas
Ji-Cuadrada
O  Eij 
d
tc 
2
n n
X 2  
ij

i 1 i 1 Eij Sd n
Ni N j
Eij 
N
 Análisis de regresión lineal simple
Constante de regresión Coeficiente regresión lineal
a  y  bx
n n n
n xi yi   xi . yi
b i 1 i 1 i 1
2
 n  n
n xi    xi 
2

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

 
2
1 x0  x
  Li  yˆ  t 2 n 2 gl * Se 1  
2
1 xo  x n SCx
Li  yˆ  t 2 n 2 gl * Se

n SCx
Error estándar de estimación Suma de cuadrados de x
2
n n n
 n 
y 2
i  a  yi  b xi yi  i X
SCx   X i   i 1 
n
Se  i 1 i 1 i 1 2

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

n SCx Se 
n SCx
Se
b  t n2 gl b
SCx tc 
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 r1,2,3 
tc 
1 r2 1  r 1  r 
2
13
2
23

n2
 Muestreo aleatorio estratificado
Afijación de la muestra proporcional Afijación de la muestra optima o Neyman
Nh  
nh  n   N 
L
nh  n   L h h 
N
h 1
h
 N
 h h
 h 1



Promedio aritmético estratificado Proporción estratificada
L L
1
y st   Nh yh  
N h1 i 1
Wh xh 1 L L
pˆ st   N h pˆ h  Wh pˆ h
N h1 h 1
Nh
Wh 
N
Variancia del promedio estratificada Variancia de la proporción estratificada
l l
Var  yst   Wh2 Var  yh  Var  pˆ st   Wh2 Var  pˆ h 
y 1 y 1
Tamaño de la muestra para la estimación de Tamaño de la muestra para proporciones
la media de la población Proporcional:
Wh2 sh2
 w n
n0
n 
 Wh ph qh
n donde 0
n h 1 0 V
1 Wh2 sh2 N
V  Optimo supuesto:
N wh n0
2 2 n
1 W s 1
  Wh sh2
1
V
n wh N
h h
1
NV
W p q h h h

  
2
W h ph qh
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 1
i m
i 1
i

Modelos de crecimiento
Modelo aritmético Modelo geométrico
Nt  N0 1  rt  Nt  N0 1  r 
t

1 N  N0 N 
1t
r  t r   t  1
t N0  N0 
Modelo exponencial
1  Nt 
Nt  N0ert r  ln  
t  N0 
Distribuciones de probabilidades
Distribución binomial Distribución de Poisson
n
f  x     p x q n x x  0,1,..., n  x e x  0,1,...
f  x 
 x x!
Distribución hipergeométrica
 D  N  D 
 


x  n  x  x  0,1, 2,..., min(n, D) f  x   q x 1 p x  1, 2,...
f  x 
N
 
n
TEOREMA DE BAYES
P  A P  D A
P  A D 
P  A P  D A   P  B  D A 

TECNICAS DE CONTEO
Permutaciones Combinaciones
n! n!
n Pr  nCr 
 n  x ! r ! n  r  !
 Análisis de variancia a una vía: Diseño completamente
aleatorio
Media total Suma de cuadrados total:
r c

 x
r c
ij SCT   ( xij  x)2
i 1 j 1
x i 1 j 1
n
Suma de cuadrados de los tratamientos r c
SCE   ( xij  x j )
 
c 2
SCTR   rj x j  x
j 1 i 1 j 1

Prueba para diferencias entre pares de media

Diseños balanceados Diseños no balanceados
Criterio de Tukey Diferencia mínima significativa

T  qa ,c ,n c
CME 1 1
R DMS J , K     (CME ) Fa ,1,n c
Diferencia mínima significativa  rj rk 
2(CME ) Fa ,1,nc
DMS 
r
Analisis de varianza a dos vías: diseño aleatorio en bloques
Suma de cuadrados de bloques:
r
SCE  SCT  SCTR  SCBL
SCBL   ci ( xi  x)2
i 1
 Pruebas no paramétricas
Prueba U de Mann-Whitney Media y desviación estándar de la
n (n  1) distribución muestral para la preba U de
U1  n1n2  1 1   R1 Mann-Whitney
2
n1n2
n (n  1)
U 2  n1n2  2 2   R2
u 
2 2
n n (n  n  1)
u  1 2 1 2
12
Valor Z para normalizar la prueba U Prueba de independencia Chi-
de Mann- Whitney Cuadrada
U i  u rc
(Oi  Ei )2
Z  2

u obs
i 1 Ei
Coeficiente de correlación de Spearman Desviación normal para la prueba de rangos
6 di2 de Spearman
rs  1  Z  rs n  1
n(n2  1)
Prueba de Kruskal-Wallis
12  Ri2 
K     3(n  1)
n(n  1)  ni 
Valor critico para la prueba de Krskal-Wallis
 n(n  1)   1 1 
Ck   2
a , k 1  12   n  n 
 i j 
