Académique Documents
Professionnel Documents
Culture Documents
Recuerde:
VARIABLES DISCRETAS (DISTRIBUCIONES) *Definir siempre la VA e identificar su distribución y sus parámetros.
Parámetros g x (x) E(X) Var(X) F.G.M
𝑘 𝑘
DISTRIBUCIÓN UNIFORME 𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 1 1 1
� 𝑥𝑖 �(𝑥𝑖 − 𝜇)2
DISCRETA 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑖𝑠𝑡𝑖𝑛𝑡𝑜𝑠 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
(Probabilidades idénticas) 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑡𝑜𝑚𝑎𝑟 𝑋 𝑥 = 𝑥1 , 𝑥2 , …
𝑎 𝑁−𝑎
𝑁 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 � �� �
𝑘 𝑛−𝑘 𝑁−𝑛 𝑘 𝑘
𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑁 � � 𝑛 ∗ �1 − �
HIPERGEOMÉTRICA 𝑛 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 � � 𝑛𝑘 𝑁−1 𝑁 𝑁
𝑛
(Sin reemplazo) 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑎: 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑁
𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝐷𝑜𝑛𝑑𝑒: 𝑘 = é𝑥𝑖𝑡𝑜𝑠
é𝑥𝑖𝑡𝑜𝑠 𝑐𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑎 𝑑𝑒𝑠𝑒𝑎𝑑𝑎
BERNOULLI 𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑝 𝑥 (1 − 𝑝)1−𝑥
𝑝 𝑝(1 − 𝑝)
(Éxito o fracaso) 𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑥 = 0,1 (1 − 𝑝) + 𝑝𝑒 𝑡
𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑛
� � 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
BINOMIAL 𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑥 𝑛𝑝
𝑥 = 0,1,2, … , 𝑛 𝑛𝑝(1 − 𝑝) 𝑛
(# éxitos en n ensayos) 𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 �(1 − 𝑝) + 𝑝𝑒 𝑡 �
𝑒𝑛𝑠𝑎𝑦𝑜𝑠 0≤x≤n
GEOMÉTRICA
𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 (1 − 𝑝)𝑥−1 𝑝 1 1−𝑝 𝑝𝑒 𝑡
(# ensayos hasta el primer
𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑥 = 1,2, … 𝑝 𝑝2 1 − (1 − 𝑝)𝑒 𝑡
éxito)
BINOMIAL NEGATIVA 𝑝 = 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑥−1 𝑘 𝑘
� � (1 − 𝑝)𝑥−𝑘 𝑝𝑘 𝑘(1 − 𝑝) 𝑝𝑒 𝑡
(# ensayos hasta el k-ésimo 𝑑𝑒 é𝑥𝑖𝑡𝑜 𝑘−1 � �
𝑥≥𝑘 𝑝 𝑝2 1 − (1 − 𝑝)𝑒 𝑡
éxito) 𝑘 − é𝑠𝑖𝑚𝑜 é𝑥𝑖𝑡𝑜
# 𝑑𝑒 𝑎𝑟𝑟𝑖𝑏𝑜𝑠 (𝜆𝑡)𝑥 −𝜆𝑡
POISSON 𝜆= 𝑒
(# llegadas en un intervalo de 𝑢𝑛𝑑. 𝑡𝑖𝑒𝑚𝑝𝑜 𝑥! 𝑠
𝑥 = 0,1, … 𝑒 𝜆(𝑒 −1)
𝑡 = 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝜆𝑡 𝜆𝑡
tiempo ∆𝑡) 𝑝𝑎𝑟𝑎 𝑡 = 1
𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝜆, 𝑡 > 0
VARIABLES CONTINUAS (DISTRIBUCIONES)
Parámetros f x (x) E(X) Var(X)
1
DISTRIBUCIÓN 𝑎 = 𝑚í𝑛𝑖𝑚𝑜 𝑎≤𝑥≤𝑏 𝑎+𝑏 (𝑏 − 𝑎)2
�𝑏 − 𝑎
UNIFORME CONTINUA 𝑏 = 𝑚á𝑥𝑖𝑚𝑜 2 12
0 𝑑𝑙𝑐
𝜇 = 𝑀𝑒𝑑𝑖𝑎 1 −
1
(𝑥−𝜇)2 𝜇 𝜎2
𝑒 2𝜎2
DISTRIBUCIÓN NORMAL 𝜎 2 = 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 √2𝜋𝜎
𝑋 −𝜇 𝑥−𝜇 𝑥−𝜇
Recuerde: 𝑃(𝑋𝑁 ≤ 𝑥) = 𝑃 � 𝑁𝜎 ≤ 𝜎 � = 𝑃 �𝑍 ≤ 𝜎 �
# 𝑑𝑒 𝑎𝑟𝑟𝑖𝑏𝑜𝑠 −𝜆𝑥 1 1
𝜆= �𝜆𝑒 𝑥, 𝜆 > 0
𝑢𝑛𝑑. 𝑡𝑖𝑒𝑚𝑝𝑜 0 𝑑𝑙𝑐 𝜆 𝜆2
DISTRIBUCIÓN
EXPONENCIAL
(Tiempo entre 2 arribos Recuerde:
consecutivos) 𝜆
𝜓𝑋𝐸 (𝑠; 𝜆) = 𝜆−𝑠 𝑃(𝑇 > 𝑡 + 𝑠|𝑇 > 𝑡) = 𝑒 −𝜆𝑠 𝑃(𝑇 > 𝑡 + 𝑠) = 1 − 𝑃(𝑇 ≤ 𝑡 + 𝑠) = 𝑒 −𝜆(𝑡+𝑠)
𝐹𝑋 (𝑥) = 𝑃(𝑋𝐸 ≤ 𝑥) = 1 − 𝑒 −𝜆𝑥
2(𝑥 − 𝑎)
⎧ 𝑎≤𝑥<𝑚
DISTRIBUCIÓN
𝑎 = 𝑚í𝑛𝑖𝑚𝑜 ⎪(𝑚 − 𝑎)(𝑏 − 𝑎) 𝑎+𝑏+𝑐 𝑎2 + 𝑏2 + 𝑐 2 − 𝑎𝑏 − 𝑎𝑐 − 𝑏𝑐
𝑏 = 𝑚𝑜𝑑𝑎 2(𝑏 − 𝑥)
TRIANGULAR ⎨ 𝑚≤𝑥<𝑏 3 18
𝑐 = 𝑚á𝑥𝑖𝑚𝑜
⎪(𝑏 − 𝑚)(𝑏 − 𝑎)
⎩ 0 𝑑. 𝑙. 𝑐
VARIABLES ALEATORIAS CONJUNTAS Probabilidades Condicionales
Discretas
� � 𝑔𝑋𝑌 (𝑥, 𝑦) = 1 𝑃(𝑋 ≤ 𝑎|𝑌 = 𝑏) = � 𝑓𝑋|𝑌 (𝑥, 𝑌 = 𝑏)𝑑𝑥
𝑅(𝑋) 𝑅(𝑌) 𝑅(𝑋≤𝑎|𝑦=𝑏)
𝑥 𝑦
𝑋1 ~𝐺𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑎(𝑝)
Valor Esperado Condicional
𝑋2 ~𝐺𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑎(𝑝)
𝐸(𝑋|𝑌 = 𝑏) = � 𝑥𝑓𝑋|𝑌 (𝑥, 𝑌 = 𝑏) 𝑊 = 𝑋1 + 𝑋2 ~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑎(2, 𝑝)
𝑅(𝑋|𝑌)
𝑚
ESTIMACIÓN DE UNA DIFERENCIA DE MEDIAS POBLACIONALES µ 1 -µ 2
(𝑂𝑖 − 𝐸𝑖 )2 (𝑥𝑖 − 𝑛𝑝𝑖 )2 2 Distr. Tamaño Intervalo de Confianza
𝑌(𝑚−1) = =� ~𝜒(𝑚−1) Var. Pob.
𝐸𝑖 𝑛𝑝𝑖 Pob. Muestr. (1-α)%
𝑖=1
1 1
Desconoci 𝑋�1 − 𝑋�2 ± 𝑡 𝑆� +𝑛
�1− ;(𝑛1 +𝑛2 −2)� 𝑐 𝑛1
𝛼
𝑥𝑖 = 𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑎, -das e Pequeños
2 2
Normales
𝜎12 𝜎22
Conocidas 𝑋�1 − 𝑋�2 ± 𝑧�1−𝛼� � +
Cualquiera
Grandes
𝑛1 𝑛2
Ambos
Media muestral 2
∑𝑖=𝑛
𝑖=1 𝑥𝑖
𝑋� = Desconoci 𝑆12 𝑆22
𝑛 das 𝑋�1 − 𝑋�2 ± 𝑧�1−𝛼� � +
Varianza muestral 2 𝑛1 𝑛2
1
𝑖=𝑛 ESTIMACIÓN DE UNA DIFERENCIA DE PROPORCIONES POBLACIONALES
𝑆2 = �(𝑥𝑖 − 𝑥̅ )2 p 1 -p 2
𝑛−1
𝑖=1
Var. Tamaño
Distr. Pob. Intervalo de Confianza (1-α)%
Pob. Muestr.
DISTRIBUCIONES 𝑝̂1 − 𝑝̂ 2
Desco
Distribución 𝝌𝟐 : 𝑿𝟐𝟏 + 𝑿𝟐𝟐 + ⋯ + 𝑿𝟐𝒏 → 𝝌𝟐(𝒏) Bernoulli nocida Grandes 𝑝̂1 (1 − 𝑝̂1 ) 𝑝̂ 2 (1 − 𝑝̂ 2 )
± 𝑧�1−𝛼� � +
Donde X i es N(0,1) y X i es independiente de X j. s 2 𝑛1 𝑛2
ESTIMACIÓN DE UN COCIENTE DE VARIANZAS POBLACIONALES σ 1 2/σ 2 2
𝑿
Distribución 𝒕: → 𝒕(𝒏) Var.
�
𝒀 Distr. Pob. Intervalo de Confianza (1-α)%
𝒏 Pob.
Donde X es N(0,1) y Y es 𝑥 2 (𝑛) , siendo X y Y independientes. Cualqui
2
𝑆1 𝑠12
𝑿� Normales � 2𝐹 𝛼 ; 2𝐹 𝛼 �
Distribución 𝑭: 𝒏𝟏
→ 𝑭(𝒏𝟏,𝒏𝟐) era 𝑆2 � 2 ;(𝑛2 −1);(𝑛1 −1)� 𝑠2 �1− 2 ;(𝑛2 −1);(𝑛1 −1)�
𝒀�
𝒏𝟐
Donde X y Y son Vas independientes con distribuciones 𝜒 2 (𝑛1) y 𝜒 2 (𝑛2)
respectivamente.
𝟏
Si 𝑿 → 𝑭(𝒏𝟏.𝒏𝟐) 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝒀 = 𝑿 → 𝑭(𝒏𝟐.𝒏𝟏)
PRUEBA DE HIPÓTESIS PARA LA MEDIA POBLACIONAL
Estadístico de Región Crítica, Estadístico de Región Crítica, Rechazar Ho
Hipótesis Nula Hipótesis Alternas Supuestos Supuestos
prueba Rechazar Ho cuando: prueba cuando:
𝐻1 : 𝜇 ≠ 𝜇𝑜 n Grande 𝑧 < −𝑧1−𝛼 ó 𝑧 > 𝑧1−𝛼 𝑡 < −𝑡�1−𝛼; 𝑛−1� ó 𝑡 > 𝑡�1−𝛼;𝑛−1�
2
𝑋� − 𝜇𝑜 2 2 Normalidad 𝑋� − 𝜇𝑜 2 2
𝐻𝑜 : 𝜇 = 𝜇𝑜 𝐻1 : 𝜇 > 𝜇𝑜 𝜎 Conocido ó 𝑧= 𝑧 > 𝑧1−𝛼 𝑡= 𝑡 > 𝑡(1−𝛼; 𝑛−1)
𝜎 ⁄√ 𝑛 𝜎 2 desconocido 𝑠⁄√𝑛
𝐻1 : 𝜇 < 𝜇𝑜 normalidad 𝑜
𝑧 < −𝑧1−𝛼 𝑡 < −𝑡(1−𝛼; 𝑛−1)
PRUEBA DE HIPÓTESIS PARA LA DIFERENCIA DE MEDIAS POBLACIONALES
Hipótesis Nula Hipótesis Alternas Supuestos Estadístico de prueba Región Critica, Rechazar Ho cuando:
1) 𝑛𝑋 , 𝑛𝑌 grandes, independencia,
𝐻1 : 𝜇𝑋 − 𝜇𝑌 ≠ 𝛿𝑜 𝑋� − 𝑌� − 𝛿𝑜 𝑧 < −𝑧�1−𝛼� ó 𝑧 > 𝑧�1−𝛼�
𝜎𝑋2 𝑦 𝜎𝑌2 conocidos. 𝑧= 2 2
𝐻𝑜 : 𝜇𝑋 − 𝜇𝑌 = 𝛿𝑜 o 𝜎2 𝜎2
𝐻1 : 𝜇𝑋 − 𝜇𝑌 > 𝛿𝑜 � 𝑋+ 𝑌 𝑧 > 𝑧(1−𝛼)
2) Normalidad, independencia, 𝑛𝑋 𝑛𝑌
𝐻1 : 𝜇𝑋 − 𝜇𝑌 < 𝛿𝑜 𝜎𝑋2 𝑦 𝜎𝑌2 conocidos. 𝑧 < −𝑧(1−𝛼)
𝐻1 : 𝜇𝑋 − 𝜇𝑌 ≠ 𝛿𝑜 𝑋� − 𝑌� − 𝛿𝑜 𝑡 < −𝑡�1−𝛼; 𝑛 ó 𝑡 > 𝑡�1−𝛼; 𝑛
𝑡= 2 𝑋 +𝑛𝑌 −2� 2 𝑋 +𝑛𝑌 −2�
P-VALUE
ERROR TIPO I 𝑝 − 𝑣𝑎𝑙𝑢𝑒
𝛼 = 𝑃(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 |𝐻0 𝑒𝑠 𝑉𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 𝑎 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑝𝑟𝑢𝑒𝑏𝑎
ERROR TIPO II
𝛽 = 𝑃(𝑁𝑜 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 |𝐻0 𝑒𝑠 𝐹𝑎𝑙𝑠𝑎)
POTENCIA
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 = 1 − 𝛽 = 𝑃(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 |𝐻0 𝑒𝑠 𝐹𝑎𝑙𝑠𝑎)
REGRESIÓN LINEAL
REGRESIÓN LINEAL SIMPLE
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝑒
𝑆𝑢𝑝𝑢𝑒𝑠𝑡𝑜𝑠:
𝐸(𝑒𝑖 ) = 0; 𝑉𝑎𝑟(𝑒𝑖 ) = 𝜎 2 ; 𝐶𝑜𝑣�𝑒𝑖 , 𝑒𝑗 � = 0 ∀ 𝑖 ≠ 𝑗; 𝑒𝑖 ~𝑁(0, 𝜎 2 )
Estimación de parámetros
𝑒𝑖 = 𝑦𝑖 − 𝑦�𝚤
�
𝐻𝑎𝑙𝑙𝑎𝑟 𝛽0 𝑦 𝛽 �1 𝑐𝑜𝑛 𝑆𝐶𝐸 = � 𝑒�𝚤 2
∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦�) 𝑆𝑋𝑌
�0 = 𝑦� − 𝛽
𝛽 �1 𝑥̅ �1 =
𝛽 =
∑(𝑥𝑖 − 𝑥̅ )2 𝑆𝑋𝑋
𝐻𝑜 : 𝛽𝑗 = 0 𝐻𝑜 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0
𝐻𝑎 : 𝛽𝑗 ≠ 0 𝐻𝑎 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝛽𝑗 ≠ 0
𝑆𝐶𝑅
𝛽�𝚤 𝑞 𝑀𝐶𝑅
𝑡(𝑔𝑙 𝑒𝑟𝑟𝑜𝑟) = 𝐹(𝑞;𝑛−𝑞−1) → =
𝑑𝑒𝑠�𝛽�𝚤 � 𝑆𝐶𝐸 ⁄𝑛 − 𝑞 − 1 𝑀𝐶𝐸
Intervalo de Confianza
𝐼𝐶(1−𝛼) (𝛽𝑖 ) = 𝛽̂ ± 𝑡�1−𝛼,𝑛−𝑞−1� 𝑑. 𝑒�𝛽̂ �
2