http://aprendeconalf.

es

Formulas de Estadística
Estadística Descriptiva Estadísticos de forma
∑
(x i − x̄ )3
Frecuencias Coeficiente de asimetría g 1 =
ns 3
∑
(x i − x̄ )4
Tamaño muestral n número de individuos en la mues- Coeficiente de apuntamiento g 2 = −3
tra. ns 4

Frecuencia Absolulta n i (nº de x i en la muestra)

Frecuencia Relativa fi = n i /n Transformaciones lineales
∑i
Frec. Absoluta Acumulada N i = k =0 n i
Transformación lineal y = a + bx
Frec. Relativa Acumulada Fi = N i /n
ȳ = a + b x̄
s y = bs x

Estadísticos de tendencia central Tipificación z =

x − x̄
∑ sx
xi
Media x̄ =
n
Mediana me El valor con frec. rel. acumulada Fme =
0.5.
Regresión y correlación
Moda mo El valor más frecuente.

Regresión lineal
Estadísticos de posición ∑
xi yj
Covarianza s x y = − x̄ ȳ
n
Cuartiles Q 1 , Q 2 , Q 3 dividen la distribución en 4
Rectas de regresión :
partes iguales. Sus frec. rel. acumuladas son FQ 1 =
0.25, F Q 2 = 0.5 and FQ 3 = 0.75. sx y
y on x : y = ȳ + (x − x̄ )
Percentiles P 1 , P2 , · · · , P 99 dividen la distribución en s x2
100 partes iguales. sx y
x on y : x = x̄ + (y − ȳ )
Su frec. rel. acumulada es FPi = i /100. s 2y
Interpolación Coeficientes de regresión
F
sx y sx y
(y on x ) b y x = (x on y ) b x y =
s x2 s 2y
Fi
Coeficiente de determinación
i s x2y
100 r2 = 0 ≤ r2 ≤ 1
s x2 s 2y

Coeficiente de correlación
α sx y
Fi −1
r = . −1 ≤ r ≤ 1
sx s y

l i −1 Pi li X

i
100 − Fi −1 Regresión no lineal
Pi = l i + (l i − l i −1 )
F i − F i −1
Modelo exponencial y = e a +bx
Aplicar el logaritmo a la variable dependiente y calcu-
lar la recta de regresión log y = a + bx .
Estadísticos de dispersión Modelo logarítmico y = a + b log x
Aplicar el logaritmo a la variable independiente y cal-
Rango intercuartílico I Q R = Q 3 − Q 1 cular la recta de regresión y = a + b log x .
∑ ∑ 2
(x i − x̄ )2 xi Modelo potencial y = ax b
Varianza s 2 = = − x̄ 2 Aplicar el logaritmo a ambas variables y calcular la
n n
√ recta de regresión log y = a + b log x .
Desviación típica s = + s 2
s
Coeficiente de variación cv =
| x̄ |

1
 http://aprendeconalf.es

Probabilidad Probabilidad básica

Unión P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Operaciones de sucesos
Intersección P (A ∩ B) = P (A)P (B |A)
Unión Diferencia P (A − B) = P (A) − P (A ∩ B)
Contrario P (A) = 1 − P (A)
Ω
A B

Probabilidad condicionada
P (A ∩ B)
Probabilidad condicionada P (A |B) =
P (B)
A∪B
Sucesos independientes P (A |B) = P (A).
Teorema de la probabilidad total
Intersección
∑
n
Ω P (B) = P (Ai )P (B |Ai )
A B i =1

Teorema de Bayes
A∩B P (Ai )P (B |Ai )
P (Ai |B) = ∑n
i =1 P (Ai )P (B |Ai )

Riesgos
Contrario

Ω E E
Tratamiento a b
Control c d

A A Prevalencia Proporción de individuos con el suceso E :

P (E )
a
Tasa de incidencia o riesgo absoluto R (E ) =
a +b
a
Odds O (E ) =
b
Diferencia
a/(a + b)
Riesgo relativo R R (E ) =
Ω c/(c + d )
A B a/b a ·d
Odds ratio O R (E ) = =
c/d b ·c
A−B

Test diagnósticos
Enfermo E Sano E
Test + VP FP
Test − FN VN
Álgebra de sucesos
VP
Idempotencia A ∪ A = A, A∩A =A Sensibilidad P (+|E ) =
VP +FN
Conmutativa A ∪ B = B ∪ A, A∩B =B ∩A VN
Especificidad P (−|E ) =
Asociativa (A ∪ B) ∪ C = A ∪ (B ∪ C ), (A ∩ B) ∩ C = F P +V N
A ∩ (B ∩ C ) Valor predictivo positivo (VPP) P (E |+) =
VP
VP +FP
Distributiva (A ∪ B) ∩ C = (A ∩ C ) ∪ (B ∩ C ), (A ∩
B) ∪ C = (A ∪ C ) ∩ (B ∪ C ) VN
Valor predictivo negativo (VPN) P (E |−) =
F N +V N
Elemento neutro A ∪ ∅ = A, A∩Ω=A
P (+ |E )
Elemento absorvente A ∪ Ω = Ω, A ∩ ∅ = ∅. Razón de verosimilitud positiva (RV+)
P (+ |E )
Elemento simétrico complementario A ∪ A = Ω, A∩
P (− |E )
A=∅ Razón de verosimilitud negativa (RV-)
P (− |E )
Doble contrario A = A
Leyes de Morgan A ∪ B = A ∩ B, A∩B =A∪B

2
 http://aprendeconalf.es

Variables Aleatorias
Discretas
Función de probabilidad Binomial B(n, p)
( )
n x n!
f (x ) = p (1 − p)n−x = p x (1 − p)n−x
x x !(n − x )!

Función de probabilidad Poisson P (λ)

λx
f (x ) = e −λ
x!
Ley de los casos raros B(n, p) ≈ P (np) para n ≥ 30 y
p ≤ 0.1.

Continuas
Normal N (µ, σ)
(x −µ ) 2
1 −
f (x ) = √ e 2σ 2
σ 2π
Normal Estándar N (0, 1)
Chi-cuadrado χ 2 (n)
X = Z 12 + · · · + Z n2 ,
donde Z i ∼ N (0, 1).
T de Student T (n)
Z
T = √ ,
X /n

donde Z ∼ N (0, 1) y X ∼ χ 2 (n).

F de Fisher F (n, m)
X /m
F = ,
Y /n
donde X ∼ χ 2 (m) y Y ∼ χ 2 (n).