FORMULARIO DE PROBABILIDAD Y ESTADÍSTICA 1

ESTADÍSTICA PROBABILIDAD
CUALITATIVAS CUANTITATIVAS
CONJUNTOS
 f  n = f R=M–m
n = f X = x • f  n(AUB) = n(A)+n(B)–n (A∩B)
r X=
s =
2 
 ( f − x) 2  s= s 2
CV =
s n
 
n(A-B) = n(A) - n(A∩B)
 f • ( x − x) 2 n(A’) = n(U) – n(A)
(r − 1) X s2 =
(n − 1) n(AxB) = n(A) x n(B)
Mo es >f

 ( f − x) 3
a= 3
 
 ( f − x) 4
g= 4 −3
 s = s2
s
PROBABILIDAD SIMPLE
s (r − 1) s (r − 1) CV = n( E )
X P( E ) =
n( s )
n
CUANTITATIVAS AGRUPADOS PMp =   p
d  TÉCNICAS DE CONTEO
R
Para agrupar datos: c = K= n IQR = Q3 − Q1 Para eventos independientes:
K
IQR P(AUB) = P(A) + P(B)
Para datos ya agrupados: c = Li 2 − Li1 DQ = P(A∩B) = P(A) x P(B)
2

 f • ( x − x) 3  Permutación:
(l + l )
x= i s
1 a=
s 3 (n − 1)
Mo = Li r + ( )•c n Pr =
n!

1 = f − fant
2 1 +  2
g=

 f • ( x − x)
−3
4
 (n − r )!
s 4 (n − 1) Combinación:
 2 = f − fpos CUANTITATIVAS NO
n!
 PMp − Fa  AGRUPADOS nCr =
Mp = Li r +  •c r!(n − r )!
 f  Mo es >f
PROBABILIDAD CONDICIONAL TEOREMA DE BAYES VARIABLE ALEATORIA DISCRETA
P ( A  B ) n( A  B ) P ( B Ai ) • P( Ai ) E ( x) =  X =  [ xi • P ( xi )]
P( B ) = = P( Ai B) =
A P( A) n( A) [ P ( B Ai ) • P( Ai )] s 2 =  [ xi2 • P ( xi )] − (  x ) 2 s = s 2

VAR. ALEATORIAS DISCRETAS CONJUNTAS DISTRIBUCION BINOMIAL DISTRIBUCION DE POISSON

E( xy) = [ x i • y j • P( xi , y j )] b( x; N , p)= N C x ( p )q x ( N − x)
x • e −
P( x;  ) = E (x) =  s 2 = 
cov( xy) E ( x) = N • p q=1–p x!
Cov( xy) = E ( xy) − (  x •  y ) = s= s 2
sx • s y s2 = N • p • q
s = s2
DISTRIBUCION GEOMÉTRICA DISTRIBUCION HIPERGEOMÉTRICA APLICACIÓN EN CONTROL DE
1 C x [ ( N −m) C ( n− x ) ] CALIDAD
G( x, p) = p • q ( x−1) E ( x) = H ( N , m; n, x) =
m
m=N•p
p N Cn
1− p m 1
s2 = s = s2 s = s 2 E ( x) = n(
) Muestra n=
p2 N p
m N −m N −n m
s2 = n ( )( ) Regla de Decisión x  n( )
N N N −1 N
IPN – ESIME CULHUACAN Elaboró: M. en C. Beatriz Vargas Rosales
 FORMULARIO DE PROBABILIDAD Y ESTADÍSTICA 2
VARIABLE ALEATORIA CONTINUA Para f(x) si a<x<b DISTRIBUCION UNIFORME DISTRIBUCION
b b
x−a GAMMA
E ( x) =  =  [ x • f ( x)]dx Var ( x) =  [ x 2 • f ( x)]dx −  2 P(a, x) = Si a  x  b x
b−a P(0, x) =  ( ,  )

a a
d x  0 si x  a
S = var(x) P (c, d ) =  f ( x)dx F ( x) = P ( a, x ) =   = E (x) = 
 f (t )dt  1 si x  b
c −
s 2 =  2
P (c, d ) = F ( d ) − F (c ) a+b (b − a) 2
E( X ) = s2 =
2 12
( x −  ) P( z  n ) = 0.5 - Tabla(n)
DISTRIBUCION NORMAL ESTÁNDAR z= P( n1 < z < n2 )=Tabla(n2) –Tabla (n1)
s P( z  n ) = 0.5 + Tabla(n)

INFERENCIA ESTADISTICA Nota: v = n -1 y para comparar 2 muestras la v se toma de la menor n

TAMAÑO DE LA MUESTRA BONDAD DE AJUSTE Varianza con Dist. Xi2

z2 • p • q n0 ( f − fe )2 j =n
v( s 2 ) v( s 2 )
n0 =
E2
n=
1 + [(n0 − 1) / N ]
X J2 = o
fe
 x 2j  xi2 (v, )
j =1
IC = [
x2  x2 
, ]
i ( v ,1− ) i (v, )
2 2
Si se ajusta

INTERVALOS DE CONFIANZA “IC” IC ( - )  ˆ1  ˆ2 IC (+ )  ˆ1  ˆ2 IC ( -,+ )  ˆ1  ˆ2

Media con D.Normal Diferencia de Medias D. Normal Proporciones Diferencia de Proporciones qˆ = 1 − pˆ

s s12 s 22
  pˆ1 • (qˆ1 ) pˆ 2 • (qˆ2 )
IC = X  z 1− ( )  IC = ( pˆ1 − pˆ 2 )  z 1− +
( ) n IC = ( X 1 − X 2 )  z 1− + IC = p  z 1−
p(q) ( ) n1 n2
2 (
2
) n1 n2 ( ) n
2
2

REGRESION LINEAL SIMPLE

n [ xy] −  x •  y  y − m x n xy −  x •  y
y = mx + b m= b= r=
 
n  x 2 − ( x) 2 n    
(n  x − ( x) 2 )(n  y 2 − ( y ) 2 )
2

PRUEBA DE HIPOTESIS
TIPO HIPOTESIS REGLA DE DECISIÓN 0
Cola Derecha Ha:  > C Acepta H0 Si Calc ≤ 0 Normal Z0 = Z(Tabla) Tabla = (1- ) – 0.5
t-Student t0 = t ( v , 1 -  )
H0:  ≤ C Rechaza H0 Si Calc > 0 Ji-Cuadrada

Cola Izquierda Ha:  < C Acepta H0 Si Calc ≥ 0 Normal Z0 = - Z(Tabla) Tabla = (1- ) – 0.5
t-Student t0 = - t ( v ,1-  )
H0:  ≥ C Rechaza H0 Si Calc < 0 Ji-Cuadrada
2 Colas Ha:  ≠ C Acepta H0 Si Normal Z02 = Z(Tabla) Z01= - Z02
 ≤ Calc ≤ 02
t-Student
H0:  = C Rechaza H0 Si Ji-Cuadrada
Calc < 01 o Calc > 02

IPN – ESIME CULHUACAN Elaboró: M. en C. Beatriz Vargas Rosales