Formulario Estadı́stica de Relaciones Laborales

(N/2 − Ni−1 )
• Mediana (caso continuo): M e = ei−1 + ai .
(Ni − Ni−1 )
(hi − hi−1 )
• Moda (caso continuo): M o = ei−1 + (ei − ei−1 ).
(hi − hi+1 ) + (hi − hi−1 )
k k
X 1 X
• Media (caso continuo): x̄ = fi xi = ni xi .
i=1
N i=1
α
(N − Ni−1 )
100
• Percentil: Pα = ei−1 + ai .
(Ni − Ni−1 )
(x − ei−1 )(Ni − Ni−1 )
• Percentil inverso: y −1 = Ni−1 + .
ai
k k
X X ni x2 i
• Varianza: V ar(x) = σ 2 = fi (xi − x̄)2 = − x̄2 .
i=1 i=1
N
s
k
P √
• Desviación tı́pica: σ = fi (xi − x̄)2 = σ2 .
i=1

σ
• Coeficiente de variación: C.V. = |x̄| .

k
P ni h
• Momento de orden h respecto al origen: ah = N xi .
i=1

k
ni
− x̄)h .
P
• Momento centrado de orden h: mh = N (xi
i=1

k−1
X k−1
X
(Fi − qi ) qi i
i=1 i=1 Ti X
• Índice de Gini: Ig = k−1
=1− k−1
donde qi = yTi = nj xj .
X X T j=1
Fi Fi
i=1 i=1

• Independencia: X e Y son independientes =⇒ fi/j = fi• ∀ i. Es decir, X e Y son independientes si y

n n
solamente si nij = i•N •j .
p X
X q
• Covarianza: fij xi yj − x̄ȳ.
i=1 j=1

X (tij − nij )2 ni• n•j

• Estadı́stico de la χ2 : χ2 = con tij = .
i,j
tij N

• Recta de Y sobre X (Y /X): Y = a + bX:

Cov(XY )
b= a = ȳ − bx̄.
V ar(X)

• Recta de X sobre Y (X/Y ): X = a0 + b0 Y :

Cov(XY )
b0 = a0 = x̄ − b0 ȳ.
V ar(Y )

Cov(XY )
• Coeficiente de correlación lineal de Pearson: r = √ √ con − 1 < r < 1.
V ar(X) V ar(y)

fij (ŷi −ȳ)2

P
VE V (Y )−V R VR
• Coeficiente de determinación: R2 = = P ij 2 = = 1− R2 ∈ [0, 1]. En el
V (Y ) ij ij (yj −ȳ)
f V (Y ) V (Y )
caso lineal R2 = r2 .
xt
• Índice elemental de la magnitud X en el periodo t respecto del 0: It/0 (x) = x0 .

• Propiedad circular de los ı́ndices: Sea t0 un instante dado, t el periodo corriente y 0 el periodo base, se
I
verifica que: It/t0 = I t/0
0
⇔ It/0 = It/t0 It0 /0 .
t /0

P
• Índice de Laspeyres de Precios: L1/0 (P ) = P pi1 qi0 .
pi0 qi0
 P
• Índice de Laspeyres de Cantidades: L1/0 (Q) = P pi0 qi1 .
pi0 qi0
P
• Índice de Paasche de Precios: P1/0 (P ) = P pi1 qi1 .
pi0 qi1
P
• Índice de Paasche de Cantidades: P1/0 (Q) = P ppi1 qi1
i1 qi0
.

• Probabilidad:
– Leyes de Morgan: A ∪ B = Ā ∩ B̄ y A ∩ B = Ā ∪ B̄
– Si A ∈ A, entonces P (A) = 1 − P (Ā)
– La probabilidad del conjunto vacı́o es 0, P (∅) = 0.
– Sean A y B ∈ A, entonces P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
– Regla de Laplace: P (A) = casos favorables .
casos posibles
– Dado un suceso B con probabilidad no nula, se llama probabilidad de A condicionado a B a la
probabilidad de que ocurra A sabiendo que ha ocurrido B, y se calcula como: P (A/B) = P P(A∩B)
(B) .
Pn
– Teorema de la probabilidad total: en las condiciones del teorema se verifica que P (B) = i=1 P (B/Ai )P (Ai ).
– Teorema de Bayes: en las condiciones del teorema se verifica que P (Ai /B) = PnP (Ai )P (B/Ai ) .
j=1 P (Aj )P (B/Aj )

• Variable Aleatoria:
P∞
– Esperanza matemática: E[X] = xi pi
i=1
h
2 i
– Varianza V ar(X) = E X − E[X] = E[X 2 ] − E[X]2

• Distribuciones:
– Distribución de Bernoilli: X Bernoilli(p); P [exito] = p y P [f racaso] = q = 1 − p
 
n n!
– Distribución binomial: X B(n, p), P [X = x] = px (1 − p)x = x!(n−x)! px (1 − p)n−x x =
x
0, 1, . . . , n. Propiedades: µ = E[X] = np; σ 2 = V ar[X] = npq
x k
e−λ λk! . Propiedades µ = E[X] = λ;
P
– Distribución de Poisson: X P (λ), P [X ≤ x] =
k=1
σ 2 = V ar[X] = λ.
h i
√1 x−µ 2
exp − 12


– Normal: X N (µ, σ) si y solamente si su función de densidad es: f (x/µ, σ) = 2πσ σ .
X−µ
A la variable Z = σ , la cuál es Z N (0, 1) se le denomina Normal tipificada.
• Aproximaciones:
1. Aproximación de una distribución Binomial mediante una distribución de Poisson: sea X
B(n, p) verificando que np < 5 o que n > 50 y p < 0.1; se puede realizar la siguiente aproximación
B(n, p) ' P (λ = np).
2. Aproximación de una distribución Binomial mediante una distribución Normal: sea X B(n, p)
cuando np > 5 y p >
0.1 o np > 5 y n < 50; se puede realizar la siguiente aproximación
√
B(n, p) ' N np; npq . En este caso para calcular probabilidades puntuales hay que realizar
una corrección por continuidad.
• Estadı́sticos de contraste:
1. Sea X una v.a. proveniente de una población normal de media µ y varianza σ 2 , es decir, X
N (µ, σ), en donde tomamos una muestra aleatoria simple x1 , . . . , xn ;
 
(a) x̄ N µ; √σn
x̄ − µ
(b) T = √ tn−1
s/ n
(n − 1)s2 nσ̂ 2
(c) = χ2n−1
σ2 σ2
n (x − µ)2
i
χ2n
P
(d)
i=1 σ2
2. Sea X proveniente de una población binomial, X B(n, p), con p desconocido, y sea un muestreo
aleatorio simple x1 , . . . , xn , tal que la proporción p̂ de la muestra será p̂ = nx con x el numero de
éxitos en la muestra, de tal manera que:
 r 
x pq
p̂ = N p;
n n