Una distribución de frecuencias de N datos que toma m valores distintos ordenados, xi ,

con frecuencia absoluta ni . Denotarenos Ni las frecuencias absolutas acumuladas.

Si la distribución se proporciona agrupada en m clases, cada una con frecuencia absoluta
ni , las denotaremos (Li−1 , Li ]. La amplitud de cada intervalo será ci = Li − Li−1 , su marca
de clase su punto medio, xi = (Li−1 + Li )/2, y su densidad de frecuencia di = ni /ci .
Medidas de posición
m
1 X
Media Aritmética x= xi n i
N i=1
q
Media Geométrica G= N
xn1 1 · · · xnmm
N
Media Armónica H=Xm
ni
i=1 xi
N
Mediana (M e) valor que ocupa el lugar
2
N
− Ni−1
Si M e ∈ (Li−1 , Li ] M e = Li−1 + 2 ci
ni
Moda (M o) valores con máxima frecuencia absoluta
di+1
Si M o ∈ (Li−1 , Li ] M o = Li−1 + ci
di−1 + di+1
Ci = Qi/4 , Pr = Qr/100
rN
− Ni−1
Qr/k valor que ocupa el lugar rN/k Qr/k = Li−1 + k ci
ni
Medidas de dispersión
Recorrido Re = xm − x1

Recorrido intercuartı́lico RI = C3 − C1
n
X ni
Desviación media respecto a la media aritmética Dx = |xi − x|
i=1 N
n
X ni
Desviación media respecto a la mediana DM e = |xi − M e|
i=1 N
n
ni
S 2 = (xi − x)2
X
Varianza
N
√i=1
Desviación tı́pica ó estándar S= S 2
xm
Coeficiente de apertura A=
x1
Re
Recorrido relativo Rr =
x
 Medidas de dispersión
RI
Recorrido semi–intercuartı́lico RS =
C3 + C1
S
Coeficiente de variación de Pearson V =
x
DM e
Índice de dispersión respecto a la mediana VM e =
Me
Momentos potenciales
m
ni
xri
X
Momento de orden r respecto al origen ar =
i=1 N
m
ni
(xi − x)r
X
Momento de orden r respecto a la media mr =
i=1 N
m1 = 0 m2 = a2 − a21
m3 = a3 − 3a2 a1 + 2a31 m4 = a4 − 4a3 a1 + 6a2 a21 − 3a41
Asimetrı́a y curtosis
m3
Índice de asimetrı́a de Fisher g1 =
S3
x − Mo
Coeficiente de asimetrı́a de Pearson Ap =
S
C3 + C1 − 2M e
Coeficiente de asimetrı́a de Bowley AB =
C3 − C1
m4
Coeficiente de apuntamiento o curtosis g2 = 4 − 3
S
Medidas de concentración
k
X
Totales acumulados uk = xi ni
i=1
Ni
Frecuencias acumuladas relativas en % pi = 100
N
ui
Total acumulado relativo en % qi = 100
un
Curva de concentración o de Lorenz (pi , qi ), i = 1, . . . , m
m−1
X
(pi − qi )
i=1
Coeficiente de Gini IG = m−1
X
pi
i=1
m
xi X 1
Entropı́a. Si pi = X
m Hm (x) = pi log
i=1 pi
xi
i=1
Hm (x)
Redundancia relativa Tr = 1 −
log(m)
 Distribuciones bidimensionales
N datos (xi , yj ) con frecuencias absolutas nij , i = 1, . . . , h, j = 1, . . . , k.
k
X
Frecuencia marginal de xi ni• = nij
j=1
Xh
Frecuencia marginal de yj n•j = nij
i=1
nij ni• n•j
Condición de independencia estadı́stica = ·
N N N
h X
k
nij
xri yjs
X
Momentos respecto al origen ars =
i=1 j=1 N
h X k
nij
(xi − x)r (yj − y)s
X
Momentos respecto a las medias mrs =
i=1 j=1 N
m20 = Sx2 = a20 − a210 m02 = Sy2 = a02 − a201

Covarianza Sxy = m11 = a11 − a10 a01

Sxy
Coeficiente de regresión (de y sobre x)
Sx2
nij
(yj − yj∗ )2
XX
2
Varianza residual Sry =
N
vi j
S2
u
t1 − ry
u
Coeficiente de correlación de Pearson R=
Sy2
Sxy
Recta de regresión de y sobre x y−y = (x − x)
Sx2
Sxy
Coeficiente de correlación lineal r=
Sx · Sy
nij
(yj∗ − y)2
XX
Varianza debida a la regresión SR2 =
i j N
 Probabilidad y variables aleatorias
P (A ∩ B)
Probabilidad condicionada P (A|B) =
P (B)
Si A y B son independientes entonces P (A ∩ B) = P (A) · P (B) ó P (A|B) = P (A)
Teorema de la probabilidad compuesta
Ai sucesos con P (A1 ∩ A2 ∩ . . . ∩ An ) > 0 entonces
P (A1 ∩ A2 ∩ . . . ∩ An ) = P (A1 ) · P (A2 |A1 ) · P (A3 |A1 ∩ A2 ) · · · P (An |A1 ∩ A2 ∩ . . . ∩ An−1 )
Teorema de la probabilidad total
Ai sucesos con P (Ai ) > 0, Ai ∩ Aj = ∅ ∀i 6= j, A1 ∪ A2 ∪ . . . ∪ An = E,
entonces para cualquier B:
n
X
P (B) = P (Ai ) · P (B|Ai )
i=1

Teorema de la Bayes
Ai sucesos con P (Ai ) > 0, Ai ∩ Aj = ∅ ∀i 6= j, A1 ∪ A2 ∪ . . . ∪ An = E
entonces para cualquier B:
P (Ai ) · P (B|Ai )
P (Ai |B) = X
n
P (Ai ) · P (B|Ai )
i=1

Función de distribución
Discretas Continuas
X Z x
F (x) = P (X ≤ x) = P (X = xi ) F (x) = P (X ≤ x) = f (t)dt
xi ≤x −∞
Función de probabilidad P (x) Función de densidad f (x) = F 0 (x)
Valor esperado
X Z ∞
E[X] = xi · P (X = xi ) E[X] = xf (x)dx
i −∞

Varianza Var(X) = E[(X − E[X])2 ] = E[X 2 ] − E[X]2

Distribuciones discretas
Binomial B(n, p) Poisson, P(λ)
n experimentos con probabilidad λ número medio de resultados en un
de éxito p y fracaso q = 1 − p. intervalo dado.
n! λx
P (X = r éxitos en n intentos) = pr q n−r P (X = x) = e−λ
r!(n − r)! x!
E[X] = np, Var(X) = npq E[X] = λ, Var(X) = λ
√
B(n, p) ∼ N (np, npq) si np ≥ 5 y nq ≥ 5 B(n, p) ∼ P(λ = np) si n > 20 y p ≤ 0, 05

Distribuciones continuas
Normal N (µ, σ) Exponencial a
E[X] = µ, Var(X) = σ 2
E[X] = a1 , Var(X) = 1
a2