Académique Documents
Professionnel Documents
Culture Documents
Funcin de
probabilidad p
Discretas
Uniforme de valores
{x1 , x 2 ,...xn }
equiprobables
Binomial
-n n de pruebas
-p probab.de xito,
q=1-p
Poisson
-parmetro l
Continuas
Uniforme en
[a,b]
Normal de
parmetros m, s
p ( X = xi ) =
Esperanza
Varianza
(Media)
n +1
n2 1
2
12
si xi=i/n si xi=i/n
1
n
n
p ( X = k ) = p k q nk
k
p( X = k) = e
np
unidpdf(x,n)
unidcdf(x,n)
unidinv(x,n)
npq
binopdf(x,n,p)
binocdf(x,n,p)
binoinv(x,n,p)
poisspdf(x, l)
poisscdf(x, l)
poissinv(x, l)
k!
Matlab
Funcin de
Esperanza
Varianza
densidad f
(Media)
2
1
x [ a, b ]
a+b
(b a )
f ( x) = b a
2
12
resto
0
1
e
f ( x) =
2
1 x
Matlab
unifpdf(x,a,b)
unifcdf(x,a,b)
unifinv(x,a,b)
normpdf(x, m,s)
normcdf(x, m,s)
norminv(x, m,s)
s2
Definiciones.
La funcin de distribucin (probabilidad acumulada), la esperanza y la varianza se
definen para v.a. discretas y contnuas como:
x
F( x) = p ( X x) =
p( x )
xi x
F( x) = p ( X x) =
E ( X ) = xi p( xi )
E( X ) =
xi
t f (t )dt
Var ( X ) =
Var ( X ) = ( x i E( X ) ) p ( xi )
2
( t E( X ) )
f (t )dt
xi
= x i 2 p ( xi ) E 2 ( X )
xi
f (t )dt
t f (t )dt E ( X )
2
B(n, p )
P ( np )
n
B(n, p )
N np, npq
n
P( )
N ,
E (k ) = k
E ( X1 + X 2 ) = E ( X1 ) + E ( X 2 )
E ( kX ) = kE ( X )
Varianza
o
Var ( k ) = 0
Var ( kX ) = k 2 Var ( X )
( independientes )
B(n , p) = B ( n , p )
La suma de v.a.de Poisson es una v.a.de Poisson: P( ) = P ( )
La suma de v.a.normales es una v.a. normal: N( , ) = N ( ,
chi2cdf(x,n), chi2inv(x,n) )
12
12
n2 , siendo
2
1
E( n2 ) = n
Var( n2 ) = 2n
tcdf(x,n),
Si X es N(0,1) e Y es una
E(t ) = 0
n
n2
Fisher-Snedecor
Var(t ) =
n
n2
2
m
, independientes, entonces
, , independientes, entonces
es
n2
X es una t
n
Y n
fcdf(x,m,n), finv(x,m,n) )
2
n
Var( Fm,n ) =
tinv(x,n) )
Si X e Y son v.a.
E( Fm , n ) =
2
n
X
i
X
Y
m es una Fm,n
n
2n (m + n 2)
2
m ( n 2) ( n 4)
2
2
i
DISTRIBUCIONES DE MUESTREO
Media muestral
Si { X 1 , X 2 , X 3 ,... X n } son v.a. I.I.D.1 con media y varianza 2 entonces la media
muestral X =
n
El error standard es
n
Teorema Central del Lmite: Para cualquier tipo de distribucin de la Xi la media
X
es N(0,1)
muestral tiende a ser normal. Es decir:
n
Si se desconoce la varianza y se estima su valor mediante la cuasivarianza
X
es t(n-1)
muestral sc2, entonces:
sc
n 1
2
Proporciones
Si { X 1 , X 2 , X 3 ,... X n } son v.a. I.I.D. de tipo B(1,p) entonces la proporcin de xitos
pq
Diferencia de medias
Si X 1 , X 2 ,... X nx , Y1 , Y2 ,...Yny son v.a.independientes con medias x, y, y varianzas x2,
y2 entonces la diferencia entre las medias muestrales X Y (de tamaos nx, ny) tiene
una distribucin normal de media x y y varianza
x2
nx
y2
ny
( n +n 2 ) s es una n + n 2
( X Y ) ( ) es una distribucin t(n +n -2)
Como
2
c
se
tiene
que
la
v.a.
1
1
+
sc
n x n y
la v.a.
( X Y ) (
y )
scx2 scy2
+
nx n y
scx2 scy2
+
nx n y
que es t(v) siendo v =
( s 2 n )2 ( s 2 n )2
cx x + cy y
nx 1 n y 1
Varianza muestral
Si { X 1 , X 2 , X 3 ,... X n } son v.a. I.I.D.1 con media y varianza 2 entonces la
2
c
cuasivarianza muestral s
( X
=
Cociente de varianzas
Si X 1 , X 2 ,... X nx , Y1 , Y2 ,...Yny
X)
n 1
}
scx2
scy2
verifica que (n 1)
sc2
es una
n21
x2
F(nx 1, n y 1)
y2