Documente Academic
Documente Profesional
Documente Cultură
ESTADÍSTICA DESCRIPTIVA
Elaborado por: Franchesca Barzola
Teléfono: 0991881756
Material de Apoyo 1er y 2do Parcial
Teoría
Estadístico de Orden
𝑋(#) , 𝑋(&) , … , 𝑋(()
Conjunto A: Intervalo cerrado de números reales que incluye todos los datos de la muestra
𝑨 = 𝑥 ∈ ℝ 𝑎# ≤ 𝑥 ≤ 𝑎?@#
Clase: Son intervalos de igual longitud que deben ser exhaustivos y mutuamente excluyentes en la muestra,
que:
a) Deben tener la misma longitud
b) Su unión debe ser igual al conjunto A
c) Su intersección debe ser el vacío
Tablas de frecuencia
. . . . . . .
. . . . . . .
. . . . . . .
k 𝑎? ,𝑎?@# 𝑎? + 𝑎?@# 𝑓? 𝑓? 𝑓# + 𝑓& + ⋯ + 𝑓? = 𝑛 𝑛
=1
2 𝑛 𝑛
𝑛 1
FB10
Cuantiles
Los Cuantiles son valores numéricos que dividen la muestra y no necesariamente pertenecen a ésta.
Primer Cuartil ( 𝑸𝟏 ) Valor de X tal que el 25% de las observaciones en la muestra ordenada toman valores
menores o iguales que 𝑄#
Segundo Cuartil (𝑸𝟐 ) Valor de X tal que el 50% de las observaciones en la muestra ordenada toman valores
menores o iguales que 𝑄&
Tercer Cuartil (𝑸𝟑 ) Valor de X tal que el 75% de las observaciones en la muestra ordenada toman valores
menores o iguales que 𝑄L
Así como se definieron tres Cuartiles, también es posible definir nueve Deciles y noventa y nueve Percentiles
de la Muestra.
Datos agrupados
?
𝑓H 𝑌H
𝑋=
𝑛
H[#
?
&
1
𝑆 = 𝑓H (𝑌H − 𝑥)&
𝑛−1
H[#
FB10
Diagrama de caja
𝑅𝐼 = 𝑄L − 𝑄#
(
Media aritmética 𝑥H 𝑥# + 𝑥& + ⋯ + 𝑥(
𝑋= =
𝑛 𝑛
H[#
Media geométrica 𝑀𝐺 = l
𝑥# ∙ 𝑥& ∙ … ∙ 𝑥(
( (
Varianza 1 1
&
𝑆 = &
(𝑥H − 𝑥) = 𝑥H& − 𝑛 𝑥 &
𝑛−1 𝑛−1
H[# H[#
Desviación Estándar (
(𝑥H − 𝑥)&
𝑆=
𝑛−1
H[#
Coeficiente de 𝑆
𝐶𝑉 =
Variación 𝑥
( (
Covarianza 1 1
𝑆Fn = (𝑥H − 𝑥) (𝑦H − 𝑦) = 𝑥H 𝑦H − 𝑛 𝑥 𝑦
𝑛−1 𝑛−1
H[# H[#
Coeficiente de 𝑆Fn
Correlación 𝑟F,n =
𝑆F 𝑆n
Dado el vector triviado 𝑋 p = 𝑥# 𝑥& 𝑥L , la matriz de varianzas y covarianzas asociada tiene la forma:
Regla multiplicativa
𝑘: 𝑇𝑎𝑟𝑒𝑎𝑠
𝑛H : # 𝑑𝑒 𝐹𝑜𝑟𝑚𝑎𝑠 𝑑𝑒 𝑒𝑗𝑒𝑐𝑢𝑡𝑎𝑟 𝑙𝑎 𝑡𝑎𝑟𝑒𝑎 𝑖
?
𝑛H = 𝑛# ∙ 𝑛& ∙ 𝑛L ∙ ⋯ ∙ 𝑛?
H[#
Combinaciones
No importa el orden
𝑛 𝑛!
𝑘 ≤ 𝑛 ; =
𝑘 𝑘! 𝑛 − 𝑘 !
Propiedades:
( (
• ?
= (G?
( (
• ~
= (
=1
( (
• #
= (G#
=𝑛
Permutaciones
Importa el orden, Para recordar: “Permutación… Posición”
𝑛!
𝑃?( =
𝑛−𝑘 !
Espacio muestral de un experimento
Se denomina así al par (Ω, 𝜑), donde:
a) Ω , es el conjunto de todos los resultados posibles del experimento
b) 𝜑 , es el conjunto potencia de Ω
Función de Probabilidades
Una función P, tal que 𝑃: 𝜑 → 0,1 es una función de probabilidades, si y solamente si:
a) 𝑃 Ω = 1
b) 0 ≤ 𝑃 𝐸 ≤ 1, ∀𝐸 ∈ 𝜑
c) 𝑃 𝐸# ∪ 𝐸& = 𝑃 𝐸# + 𝑃 𝐸& , 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑞𝑢𝑒 𝐸# ∩ 𝐸& ≠ ∅
Probabilidad
La probabilidad de que un evento “E” ocurra, se obtiene del cociente entre el número de elementos del
evento E y el número de elementos de todos los posibles resultados del experimento.
𝑁(𝐸)
𝑃 𝐸 =
𝑁(Ω)
Probabilidad condicional.
Dado un experimento estadístico, consideremos dos eventos uno 𝐸# , y otro 𝐸& , tales que el primero ha
ocurrido mientras que el segundo, 𝐸& , está por ocurrir. La probabilidad de que ocurra 𝐸& dado que ha
ocurrido 𝐸# se la denota y define como:
𝑃(𝐸# ∩ 𝐸& )
𝑃 𝐸& 𝐸# = , 𝑠𝑖𝑒𝑚𝑝𝑟𝑒 𝑞𝑢𝑒 𝐸# ≠ ∅
𝑃(E# )
FB10
𝑃 𝐸& 𝐸# = 𝑃 𝐸&
𝑃 𝐸# 𝐸& = 𝑃 𝐸#
Exhaustivo: La unión de todos los eventos es el conjunto de todos los resultados posibles del
experimento, es decir:
?
𝐸H = Ω
H[#
𝐴 = 𝐴 ∩ 𝐸# ∪ 𝐴 ∩ 𝐸& ∪ … ∪ 𝐴 ∩ 𝐸? = 𝐸H
H[#
𝑃 𝐴 = 𝑃 𝐴 ∩ 𝐸# + 𝑃 𝐴 ∩ 𝐸& + ⋯ + 𝑃 𝐴 ∩ 𝐸? = 𝑃(𝐴 ∩ 𝐸H )
H[#
Por definición de Probabilidad condicional:
𝑃 𝐴 ∩ 𝐸H = 𝑃 𝐴 𝐸H 𝑃(𝐸H )
Por lo que:
?
𝑃 𝐴 = 𝑃 𝐴 𝐸H 𝑃(𝐸H )
H[#
1
Particionado, significa que los k eventos son Exhaustivos y Mutuamente Excluyentes.
FB10
Teorema de Bayes
Sea (Ω, 𝜑) el espacio muestral de un experimento estadístico, sean 𝐸# , 𝐸& , … , 𝐸? , k eventos exhaustivos
y mutuamente excluyentes en dicho espacio muestral, y además sea A un evento cualquiera que resulta
en el experimento, entonces:
𝑃 𝐴 𝐸• 𝑃(𝐸• )
𝑃 𝐸• 𝐴 = ?
H[# 𝑃 𝐴 𝐸H 𝑃(𝐸H )
Demostración:
𝑃 𝐴 𝐸• 𝑃(𝐸• )
𝑃 𝐸• 𝐴 =
𝑃(𝐴)
Por Regla de Probabilidad Total:
?
𝑃 𝐴 = 𝑃 𝐴 𝐸H 𝑃(𝐸H )
H[#
𝑃 𝐴 𝐸• 𝑃(𝐸• )
⇒ 𝑃 𝐸• 𝐴 = ?
H[# 𝑃 𝐴 𝐸H 𝑃(𝐸H )
Generadora de 𝑀F 𝑡 = 𝐸 𝑒 Fp = 𝑒 Fp 𝑃(𝑋 = 𝑥)
momentos
F∈”
Media 𝜇 = 𝐸 𝑥 = 𝑥 𝑃(𝑋 = 𝑥)
F∈”
• Para la variable continua x asociamos una función 𝑓(𝑥) , a la que se denomina función de
densidad.
• El soporte de una variable aleatoria continua x con densidad 𝑓 𝑥 es un subconjunto S en ℝ,
tal que: 𝑆 = 𝑥 ∈ ℝ /𝑓 𝑥 > 0
1. 𝑓(𝑥) ≥ 0
Ÿ
2. GŸ
𝑓 𝑥 𝑑𝑥 = 1
¢
3. 𝑃 𝑎≤𝑥≤𝑏 =𝑃 𝑎<𝑥<𝑏 = B
𝑓 𝑥 𝑑𝑥
𝒙
Distribución
Acumulada 𝑭 𝒙 =𝑷 𝑿≤𝒙 = 𝒇 𝒕 𝒅𝒕
GŸ
Ÿ
Valor Esperado
𝐸 𝑢 𝑥 = 𝑢 𝑥 𝑓 𝑥 𝑑𝑥
GŸ
Ÿ
Generadora de
Fp
momentos 𝑀F 𝑡 = 𝐸 𝑒 = 𝑒 Fp 𝑓 𝑥 𝑑𝑥
GŸ
Ÿ
Media
𝜇=𝐸 𝑥 = 𝑥 𝑓 𝑥 𝑑𝑥
GŸ
Ÿ
Varianza
& &
𝜎 =𝐸 𝑥−𝑢 = 𝑥 − 𝑢 & 𝑓 𝑥 𝑑𝑥
GŸ
FB10
Normal 1 # FGµ t
Parámetro Parámetro ¶t p t
𝑓 𝑥 = 𝑒 G& ¶
conocido conocido 𝑀F 𝑡 = 𝑒 µp@ &
𝑿~𝑵(𝝁, 𝝈𝟐 ) σ 2𝜋
∀ 𝑥 𝜖 ℝ
pt
1 # 2 𝜇=0 & 𝑀» 𝑡 = 𝑒 &
Normal Estándar 𝑓 𝑥 = 𝑒 G & 𝑧 𝜎 =1
𝒁~𝑵(𝟎, 𝟏) 2𝜋
1 F G¯
¯G# G® 𝜇 = 𝛼𝛽 𝜎 & = 𝛼𝛽 & 𝑀F 𝑡 = 1 − 𝛽𝑡
𝑓 𝑥 = 𝑥 𝑒
Gamma Γ α β¾
1
𝑿~𝑮(𝜶, 𝜷) ∀ 𝑡 <
𝛽
∀ 𝑥 > 0, 𝛼 > 0, 𝛽>0
1 G®F
𝑓 𝑥 = 𝑒 𝜇=𝛽 𝜎 & = 𝛽& 𝑀F 𝑡 = 1 − 𝛽𝑡 G#
Exponencial β
𝑿~𝑮(𝟏, 𝜷) 1
∀ 𝑥 > 0, 𝛽>0 ∀ 𝑡 <
𝛽
1 F
G
𝑓 𝑥 = À
𝑥(G# 𝑒 ® 𝜇 = 𝑛𝛽 𝜎 & = 𝑛𝛽 & 𝑀F 𝑡 = 1 − 𝛽𝑡 G(
Erlang Γ n β
𝑿~𝑮(𝒏, 𝜷) 1
∀ 𝑥 > 0 ∀ 𝑡 <
𝛽
1 ( F (
Ji-Cuadrado 𝑓 𝑥 = 𝑥 & G# 𝑒G& 𝑀F 𝑡 = 1 − 2𝑡 G
&
𝒏 n À& 𝜇=𝑛 𝜎 & = 2𝑛
𝑿~𝑮 ,𝟐 Γ 2
𝟐 2 1
∀ 𝑡 <
2
∀ 𝑥 > 0
Beta Γ 𝛼 + 𝛽 ¯G#
𝑓 𝑥 = 𝑥 1−𝑥 ®G#
𝜇=
𝛼
𝜎& =
𝛼𝛽
𝑀F 𝑡 = 𝐸[𝑒 Fp ]
𝑿~𝑩 𝜶, 𝜷 Γ α Γ 𝛽 𝛼+𝛽 𝛼+𝛽 & 𝛼+𝛽+1
0≤x≤1
FB10
5. Distribuciones conjuntas
𝑿, 𝒀 𝑫𝒊𝒔𝒄𝒓𝒆𝒕𝒂𝒔 𝑿, 𝒀 𝑪𝒐𝒏𝒕𝒊𝒏𝒖𝒂𝒔
Ÿ Ÿ
Propiedad de 𝑃 𝑋 = 𝑥, 𝑌 = 𝑦 = 1
Distribución de 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1
ÏDÐB F ÏDÐB n
Probabilidades GŸ GŸ
Ÿ Ÿ
Valor Esperado 𝐸 𝑢(𝑥, 𝑦) = 𝑢(𝑥, 𝑦)𝑃 𝑥, 𝑦
𝐸 𝑢(𝑥, 𝑦) = 𝑢(𝑥, 𝑦)𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦
F ∈ ” n ∈ ”
GŸ GŸ
Ÿ
Marginal de X 𝑃# 𝑋 = 𝑥 = 𝑃 𝑥, 𝑦
𝑓# 𝑥 = 𝑓(𝑥, 𝑦) 𝑑𝑦
n ∈ ”
GŸ
Ÿ
Marginal de Y 𝑃& 𝑌 = 𝑦 = 𝑃 𝑥, 𝑦
𝑓& 𝑦 = 𝑓(𝑥, 𝑦) 𝑑𝑥
F ∈ ”
GŸ
• Para x, y Discretas:
X y Y son independientes ⇔ 𝑃 𝑋 = 𝑥, 𝑌 = 𝑦 = 𝑃# 𝑋 = 𝑥 𝑃& 𝑌 = 𝑦
• Para x, y Continuas:
X y Y son independientes ⇔ 𝑓 𝑥, 𝑦 = 𝑓# 𝑥 𝑓& (𝑦)
• Para el valor esperado:
Si x, y son independientes entonces 𝐸 𝑢# 𝑥 𝑢& (𝑥)) = 𝐸 𝑢# 𝑥 ] 𝐸[𝑢& (𝑥)
• Para correlaciones:
Si x, y son independientes entonces 𝑐𝑜𝑣 𝑥, 𝑦 = 0
FB10
Media Si 𝑢 𝑥, 𝑦 = 𝑥 → 𝐸 𝑢 𝑥, 𝑦 = 𝐸 𝑥 = 𝜇F
Si 𝑢 𝑥, 𝑦 = 𝑦 → 𝐸 𝑢 𝑥, 𝑦 = 𝐸 𝑦 = 𝜇n
&
Varianza Si 𝑢 𝑥, 𝑦 = 𝑥 − 𝜇F → 𝐸 𝑢 𝑥, 𝑦 = 𝜎F&
&
Si 𝑢 𝑥, 𝑦 = 𝑦 − 𝜇n → 𝐸 𝑢 𝑥, 𝑦 = 𝜎n&
Propiedades:
• 𝑐𝑜𝑣 𝑥, 𝑥 = 𝜎F&
• 𝑐𝑜𝑣 𝑥, 𝑦 = 𝑐𝑜𝑣 𝑦, 𝑥
• 𝑐𝑜𝑣 𝑎𝑥, 𝑏𝑦 = 𝑎𝑏 𝑐𝑜𝑣 𝑥, 𝑦
• 𝑐𝑜𝑣 𝑥, 𝑎 = 0
𝜎Fn
𝜌Fn =
Coeficiente de 𝜎F 𝜎n
correlación
−1 < 𝜌Fn < 1
Combinación lineal
𝑛 𝑚
𝐷𝑎𝑑𝑜 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑈 = 𝑎𝑖 𝑥𝑖 𝑦 𝑉 = 𝑏𝑗 𝑦𝑗
𝑖=1 𝑗=1
( Ø
Media: 𝜇Ô = 𝑎 H 𝜇 FÕ 𝜇Ö = 𝑏‹ 𝜇n×
H[# ‹[#
( Ø
( Ø
6. Distribuciones muestrales
“Sea 𝑥# , 𝑥& , … , 𝑥( una sucesión de variables aleatorias que son independientes e idénticamente
distribuidas, y 𝐸 𝑥H = 𝜇 y 𝑣𝑎𝑟 𝑥H = 𝜎 & existen y son finitas, se define la media muestral
( FÕ F G µ
como 𝑥 = H[# ( y 𝑧( = , bajo estas condiciones, se dice que 𝑧( converge en distribución
¶/ (
Es decir, La distribución de la media de una variable aleatoria cualquiera (Normal, Beta, Gamma,
Exponencial, etc.) converge a una variable normal estándar mediante la siguiente
F G µ
estandarización: 𝑧( =
¶/ (
Para aproximar una variable aleatoria Binomial (Discreta) a una variable aleatoria Normal (Continua),
debe cumplir las siguientes condiciones:
a) 𝑛 ≥ 30
b) 𝑛𝑝 ≥ 5 (Media de v.a. Binomial)
c) 𝑛 1 − 𝑝 ≥ 5 (Varianza de v.a. Binomial)
𝑃 𝑥 ≤ 𝑎 ≅ 𝑃(𝑦 ≤ 𝑎 + 0.5)
𝑃 𝑥 ≥ 𝑎 ≅ 𝑃(𝑦 ≥ 𝑎 − 0.5)