DATOS NO AGRUPADOS DATOS AGRUPADOS PROBABILIDADES

P(E)= ;
Media = Media = ; k:#clases fi= frecuencia 0
2 P(Ω)=1 =1
Varianza S2 = Varianza S = Probabilidad condicional
Cuantiles i.a=(n+1)(%C) P(A/B)= =
Cuantiles = +
Probabilidad total
Diagrama de cajas Se la analiza donde se encuentre la mayor frecuencia f. P(A)=
Li=Limite inferior del intervalo A=Amplitud Teorema de Bayes
Moda = + (A) ; ∆S= ; ∆a= P( |A)=

Matriz.Varian.Cova. Variables Aleatorias Discretas

COVARIANZA VALOR ESPERADO Función generadora de
[ ]= ; E(g(x))= momentos (depende solo de t)
=
Sxy=Syx E(a)=a E(ag(x))=aE(g(x)) (t)=E(etx)=
Siendo a una constante
Coeficiente de correlación Matriz.Coef.Corre.Lin. Media =E(x)= M’x(t=0)=E(x)
lineal Varianza σ²=V(x)=E[(x- )²] M’’x(t=0)=E(x²)
[ ]=
= ; -1 σ²=E(x²)-[E(x)]² , V(a)=0 (t=0)=E( )
V(ax)=a²V(x) =1

VARIABLES ALEATORIAS DISCRETAS

Uniforme x↝U(1,N) Binomial x↝b(x;n,p) Geométrica Binomial Negativa x↝bn(x;r,p)
f(x)= ; f(x)= x↝g(x;1,p) f(x)= , Sx={r, r+1, r+2,…}
Sx={1,2,…N} f(x)=p ,
Sx={0,1,2,3….n} = σ²= Mx(t)=
Sx={1,2,3,…n}
=E(x)= =np σ²=np(1-p)
n = σ²= Hasta que ocurra el r-ésimo éxito.
σ²= Mx(t)=[ p+(1-p)]
X:#de repeticiones , para que el r-ésimo
Se fija n Mx(t)= p
Misma probabilidad suceso ocurra
X:#de sucesos ocurrido X:#de repeticiones
para cada elemento
de Sx hasta que ocurra el 1er
éxito
Hipergeómetrica x↝h(x;a,N,n) Poisson x↝p(x;λ) Bernoulli Multinomial
f(x)= , x↝ber(p) Sx={1,2…}
f(x)= , Sx={0,1,2…k} , k=min{n;a} Éxito= p
Sx={0,1,2…} f( )=
Fracaso= 1-p
= σ²= N: # eleme. Pob. Obje =σ²=λ 0,1,2…n
=p
Mx(t)= σ²=p(1-p) =n
n:# eleme. Muestra a:# elem. Carac. Interés
x: # elem.q cumplen con las características Conteo en un tiempo X: 1 , 0

VARIABLES ALEATORIAS CONTINUAS

Uniforme x↝U(α,β) Normal x↝N( ,σ²) Normal Estándar x↝N(0,1) Estandarización
f(x)= , Sx={xєR/α<x<β} = f(x)= Sx={xєR} Z=
f(x)= Sx={xєR}
P3 P(x P3)=0.03
σ²= Mx(t)= Mx(t)= P(x<C)=%C
Mx(t)=
Gamma x↝G(α,β) Beta x↝B(α,β) Weiball x↝W(α,β)
f(x)= , Sx={xεR/x>0} f(x)=
f(x)= ,x>0
Γ(α)=(α-1)! =αβ σ²=αβ² Sx={xєR/x>0} , =
=βΓ(1+1/α)
Mx(t)= , t< σ²= σ²=β²{Γ(1+2/α)-
[Γ(1+1/α)]²}
 VARIABLES ALEATORIAS CONJUNTAS
2 V.A.Discretas Marginales Valores Esperados Cov(x,y)=E(xy)-E(x)E(y)
f(x,y)=P(X=x,Y=y)=fxy = E(g(x))= Cov(x,a)=0 Cov(x,x)=Var(x)
0 f(x,y) 1 = Cov(x,y)=Cov(y,x)
1 Cov(ax,by)=abCov(x,y)
Cov(x+a,y+b)= cov(x,y)
E(g(x))= 3VariablesDiscretas Cov(ax,y)=Cov(x,ay)=aCov(x,y)
f(x/y)= ,condicio. = Cov(ax+by)=a²var(x)+b²var(y)-2abcov(x,y)
Cov(ax+by,cz)=acCov(x,z)+bcCov(y,z)

Error Tipo I (α) : P(Rechazar Ho ; Ho es verdadera) VALOR P= P(Dist.Muestral <,> Estadist.de prueba)
Error Tipo II (β) : P(No rechazar Ho ; H1 es verdadero)
Potencia de la prueba (1-β)= 1 – P(β)= P(Rechazar Ho ; H1 es verdadero)
Nivel de confianza: 1-α= P(No rechazar Ho ; H1 es verdadero)
PRUEBAS PAREADAS Estimador insesgado: E( )=Ѳ
Estimador eficiente: Var( )<Var( )
= | = | = |E.P: ZóT= ↝ Estimador consistente: =0
Sesgo de un estimador: B= E( )-Ѳ

TABLAS DE CONTINGENCIA
Ho: variable 1 es independiente de la variable 2
Vs
H1: ¬Ho (negación de Ho)
:Observaciones dadas
=( = ,
=número de filas
=número de columnas
Estadístico de Prueba Región de Rechazo
χ²> , v=(f-1)(c-1) g.l
χ²=
Si no hay α, utilizamos el
v=(f-1)(c-1) grados de libertad valor p.
Si puedo unir a mi criterio
las filas o columnas que desee. Determinar si los datos de
5 : Valor que se espera en la nuestra muestra son
celda independientes.

BONDAD DE AJUSTE
Por Ji-Cuadrado (Discretas) *Cuando hay datos agrupados
X:variable aleatoria poblacional Determina si los datos de la
f(x):Densidad o Distribución especificada o supuesta para x χ²= , v=(f-1) g.lib. muestra dada se ajustan a la
Ho: f(x)=fo(x) vs H1: ¬Ho (negación de Ho) = distribución especificada o
propuesta
●XєSx, misma probabilidad (uniforme discreta) ●Datos pertenecientes al tiempo ●Datos pert. Peso, edad (normal)
●Conteo en un tiempo o espacio ( Poisson) de espera (Exponencial) ●Tiempo de vida útil (weiball)
Por Kolmogorov – Smirnov (Continuas) *Datos no agrup.
Sn(x): Distribución empírica (1/n para cada elemento)- Región de rechazo
Utiliza la muestra Estadístico de Prueba
D>Dn , n:tamaño de la muestra.
Fo(x)=P(x xo) Acumulada, utiliza la población D=max|Sn(x)-Fo(x)|
Si no hay α utilizamos el valor p.

REGRESIÓN LINEAL SIMPLE

Modelo de R.L.S Estimado Tabla ANOVA ●SCE=
Fuentes de Grados de Suma de Cuadrados medios Estadístico de ●SCR=
variación libertad cuadrados prueba
SCR SCR/1 ●SCT=SCR+SCE
Modelo matricial de β estimados REGRESIÓN 1 F*=
●Error estimado→ = -
ERROR n-2 SCE S²=SCE/(n-2) ●Potencia de la prueba r²
= TOTAL n-1 SCT
r²= , 0 r² 1
 Estadístico de prueba Región de Rechazo Intervalo de Confianza
H0: =0 1) t < -tα/2 v t > tα
Vs σ² desconocida→estimador S²
2) t < -tα
1) H1: ≠b0 T= , v=(n-2)g.li. , =S² - < < +
2) H1: < b0 3) t > tα
3) H1: > b0
H0: =0
Vs σ² desconocida→estimador S² 1) t < -tα/2 v t > tα
1) H1: ≠0 T= , v=(n-2)g.li. , = 2) t < -tα - < < +
2) H1: <0 3) t > tα
3) H1: >0
Ho: ε↝N(0,σ²)
= max|Sn( )-Fo( )|
Vs
Kolmogorov-Smirnov
H1: ¬Ho