Formulario de Estadística Aplicada (2010-2011)

Distribución Normal, X~N (  ,  )

Media Varianza

x 
x i
s 
2  (x i  x)2
1 
( x )2

n n 1 f ( x)  e 2 2
x  
 2
E( X )   Var ( X )   2
n n!
Combinaciones Cn ,m    
 m  m! ( n  m )! MUESTREO
Desigualdad de Tchebychev
Principales estadísticos
1
P(X  (  - k ,   k ))  P  X -   k   1  Media muestral : Varianza muestral : Proporción muestral :
k2
X 
X i
S2 
(X i  X )2
Pˆ 
X i
, X i ~ B( p)
MODELOS n n 1 n
Distribución Bernoulli, X~B(p)
DISTRIBUCIONES MUESTRALES (Exactas en poblaciones normales)
f (1)  p, f (0)  1 p, E( X )  p, Var( X )  p(1 p) X variable aleatoria poblacional, E ( X )   Var ( X )   2
( X 1 , X 2 ,........, X n ) muestra aleatoria simple de X.
Distribución Binomial, X~B(n,p)  Media muestral con varianza conocida
 n  x
  p (1  p) n  x x  0,1, 2, ..... , n E ( X )  np  
f ( x)   x  X 
    N(0,1)
 0 en otro caso Var ( X )  np(1  p)   
Distribución de Poisson, X~P(  )  
 n 
  x e  
 x  0, 1, 2,..... Media muestral con varianza desconocida
f ( x)   x! E ( X )  Var ( X )  
 
0 en otro caso  
X   t t-Student con n-1 grados de libertad
Distribución Uniforme, X~U(a,b)  S  n -1

 1 ba (b - a) 2  
axb  n 
f ( x) =  b - a E( X )  Var(X) =
0 en otro caso 2 12
Distribución Exponencial, X~Exp(  )  Proporción muestral
 p(1  p ) 
 x
Pˆ  N    p,   

 e x0 1 1  n 
f ( x)   E( X )  Var(X) =
 0 resto  2
 Diferencia de medias muestrales con varianzas conocidas Test Bondad Ajuste
X 11 , X 12 ,........, X 1,n1 es una m.a.s. de X 1 con E ( X 1 )  1 y Var( X 1 )   12 Test Ji-cuadrado
X 21 , X 22 ,........, X 2,n2 es una m.a.s. de X 2 con E ( X 2 )   2 y Var( X 2 )   2 (oi  ei ) 2
2 02    r
2

X 1  X 2  ( 1   2 ) ei
 N (0,1) r = k − 1−d.
 12  22 k-> número de clases.

n1 n2 d -> número de parámetros de la distribución estimados a partir de la
 Diferencia de medias muestrales con varianzas desconocidas muestra.
X 11 , X 12 ,........, X 1,n1 es una m.a.s. de X 1 con E ( X 1 )  1
Test de Kolmogorov
X 21 , X 22 ,........, X 2,n2 es una m.a.s. de X 2 con E ( X 2 )   2
Dn  max Fn ( xi )  Fo ( xi )
1 # ( x j  x)
X 1  X 2  ( 1   2 )
 t k (Aproximadamente) siendo Fn ( x )  n 
x j x n
S12 S 22
 Regresión
n1 n2
s xy
con k  inf( n1  1, n 2  1)  ( yˆ  y )  2
( x  x )  yˆ   0  1  x
sx
 Diferencia de medias muestrales con varianzas desconocidas pero
iguales
s xy 
(x i  x ) ( yi  y )
r 
2
s xy
2

X 11 , X 12 ,..., X 1,n1 es una m.a.s. de X 1 con E(X1 )  1 , Var(X1 )   2 n 1 s x2  s 2y

X 21 , X 22 ,...., X 2,n2 es m.a.s. de X 2 con E( X 2 )  2 , Var(X1 )   2
 2  x2   H : ˆ  0 ˆ0
X 1  X 2  ( 1   2 ) ˆ0  N   0 , 1  2    0 0 t0   tn 2
 tn  n  sx    H 1 : ˆ0  0 ˆ 2  x2 
 n2  2   1  2 
1 1 1

Sp  n  sx 
n1 n2 
  2   H : ˆ  0 ˆ1
2
( n1  1) S1  ( n2  1) S 2
2
ˆ1  N  1 ,  0 1 t0   tn 2
 n  s x2 
Sp    H 1 : ˆ1  0 ˆ 2
n1  n2  2
ns x2
 Diferencia de proporciones

1
Siendo: ˆ 2 
n2
 ( yi  ( ˆ0  ˆ1 xi )) 2