Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática.

Universidad de Jaén

DISTRIBUCIONES DE PROBABILIDAD

Distribución Función masa de probabilidad EX V ar(X)

n


B(n, p) p(x) = x px (1 − p)n−x , x = 0, . . . , n np np(1 − p)

x
P(λ) p(x) = e−λ λx! , x = 0, 1, 2, . . . λ λ

−k
(xk)(Nn−x ) nk nk(N −k)(N −n)
H(N, n, k) p(x) = N , x = 0, . . . , min{n, k} N N 2 (N −1)
(n)

x+k−1

k(1−p) k(1−p)
BN (k, p) p(x) = x pk (1 − p)x , x = 0, 1, . . . p p2

Distribución Función de distribución EX V ar(X)


 0
 x≤a
x−a a+b (b−a)2
U (a, b) F (x) = b−a a<x<b 2 12

1 x≥b


(
0 x≤0 1 1
Exp(λ) F (x) = λ λ2
1 − e−λx x>0

N (µ, σ) µ σ2

χ2 (n) n 2n

n
t(n) 0 n−2

m 2m2 (n+m−2)
F (n, m) m−2 n(m−2)2 (m−4)

Departamento de Estadı́stica e I.O. 1 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

INTERVALOS DE CONFIANZA AL NIVEL DE CONFIANZA 1 − α

1. Intervalos de confianza para una población normal

a) Intervalo de confianza para µ cuando σ 2 es conocida:

 
σ
x ∓ z1− 2 √
α
n

b) Intervalo de confianza para µ cuando σ 2 es desconocida:

 
sn−1
x ∓ tn−1;1− α2 √
n

donde sn−1 es la cuasidesviación tı́pica muestral.

c) Intervalo de confianza para σ 2 :
!
(n − 1)s2n−1 (n − 1)s2n−1
,
χ2n−1;1− α χ2n−1; α
2 2

2. Intervalos de confianza para dos poblaciones normales independientes

a) Intervalo de confianza para µx − µy cuando σx2 y σy2 son conocidas:

r !
σx2 σy2
x − y ∓ z1− α2 +
n m

b) Intervalo de confianza para µx − µy cuando σx2 y σy2 son desconocidas pero iguales (σx2 = σy2 ):
r !
1 1
x − y ∓ tn+m−2;1− α2 sp +
n m
r
(n − 1)s2n−1 + (m − 1)s2m−1
donde sp = .
n+m−2
c) Intervalo de confianza para µx − µy cuando σx2 y σy2 son desconocidas y distintas:
 s 
s2n−1 s2m−1
x − y ± t[ν];1− α + 
2
n m

donde [ν] denota la parte entera de

2
s2n−1 s2

+ m−1
n m
ν=  2 2  2 2
1 sn−1 1 sm−1
+
n−1 n m−1 m

σy2
d ) Intervalo de confianza para σx2

s2m−1 s2
 
1
2 , fn−1,m−1;1− α2 m−1
fm−1,n−1;1− α2 sn−1 s2n−1

Departamento de Estadı́stica e I.O. 2 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

3. Intervalos de confianza para dos poblaciones normales dependientes

a) Intervalo de confianza para µD = µx − µy :

 
sd
d ∓ tn−1;1− 2 √
α
n

con d y sd la media y la cuasidesviación muestrales de D = X − Y .

4. Intervalos de confianza aproximados para proporciones

a) Intervalo de confianza para una proporción p:

r !
pb(1 − pb)
pb ∓ z1− α2
n

b) Intervalo de confianza para la diferencia de dos proporciones px − py :

r !
pbx (1 − pbx ) pby (1 − pby )
pbx − pby ∓ z1− α2 +
n m

Departamento de Estadı́stica e I.O. 3 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

CONTRASTES DE HIPÓTESIS PARAMÉTRICOS AL NIVEL DE SIGNIFICACIÓN α

1. Contrastes para una población normal

a) Contrastes sobre µ cuando σ 2 es conocida:

Hipótesis nula Valor del estadı́stico de contraste

H0 : µ = µ0 zexp = x̄−µ
√σ
0
n

Hipótesis alternativa Región crı́tica o de rechazo

H1 : µ ̸= µ0 |zexp | > z1− α2
H1 : µ > µ0 zexp > z1−α
H1 : µ < µ0 zexp < zα

b) Contrastes sobre µ cuando σ 2 es desconocida:

Hipótesis nula Valor del estadı́stico de contraste

H0 : µ = µ0 texp = x̄−µ 0
sn−1
√
n

Hipótesis alternativa Región crı́tica o de rechazo

H1 : µ ̸= µ0 |texp | > tn−1;1− α2
H1 : µ > µ0 texp > tn−1;1−α
H1 : µ < µ0 texp < tn−1;α

c) Contrastes sobre σ 2 :

Hipótesis nula Valor del estadı́stico de contraste

2 (n−1)s2n−1
H0 : σ = σ02 χ2exp = σ02
Hipótesis alternativa Región crı́tica o de rechazo
H1 : σ 2 ̸= σ02 χ2exp < χ2n−1; α ó χ2exp > χ2n−1;1− α
2 2

H1 : σ 2 > σ02 χ2exp > χ2n−1;1−α

H1 : σ 2 < σ02 χ2exp < χ2n−1;α

2. Contrastes para dos poblaciones normales independientes

a) Contrastes sobre µx − µy cuando σx2 y σy2 son conocidas

Hipótesis nula Valor del estadı́stico de contraste

H0 : µx − µy = δ0 zexp = rx̄−ȳ−δ02
2
σx σy
n + m

Hipótesis alternativa Región crı́tica o de rechazo

H1 : µx − µy ̸= δ0 |zexp | > z1− α2
H1 : µx − µy > δ0 zexp > z1−α
H1 : µx − µy < δ0 zexp < zα

b) Contrastes sobre µx − µy cuando σx2 y σy2 son desconocidas, pero iguales

Hipótesis nula Valor del estadı́stico de contraste

H0 : µx − µy = δ0 texp = x̄−ȳ−δ
√ 1 01
sp n+m

Hipótesis alternativa Región crı́tica o de rechazo

H1 : µx − µy ̸= δ0 |texp | > tn+m−2;1− α2
H1 : µx − µy > δ0 texp > tn+m−2;1−α
H1 : µx − µy < δ0 texp < tn+m−2;α

Departamento de Estadı́stica e I.O. 4 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

c) Contrastes sobre µx − µy cuando σx2 y σy2 son desconocidas y distintas

Hipótesis nula Valor del estadı́stico de contraste

H0 : µx − µy = δ0 texp = r 2x̄−ȳ−δ02
s s
n−1 m−1
n + m

Hipótesis alternativa Región crı́tica o de rechazo

H1 : µx − µy ̸= δ0 |texp | > t[ν];1− α2
H1 : µx − µy > δ0 texp > t[ν];1−α
H1 : µx − µy < δ0 texp < t[ν];α

d ) Contrastes sobre σx2 y σy2

Hipótesis nula Valor del estadı́stico de contraste

s2n−1
H0 : σx2 = σy2 fexp = s2m−1
Hipótesis alternativa Región crı́tica o de rechazo
H1 : σx2 ̸= σy2 fexp < fn−1,m−1; α2 ó fexp > fn−1,m−1;1− α2
H1 : σx2 > σy2 fexp > fn−1,m−1;1−α
H1 : σx2 < σy2 fexp < fn−1,m−1;α

3. Contrastes para más de dos poblaciones normales independientes

a) Para las medias: Análisis de la varianza

H0 : µ1 = µ2 = ... = µk
H1 : µi ̸= µj para alguna pareja (i, j)

Fuentes de Grados de Sumas de Cuadrados Valor del estadı́stico

variación libertad cuadrados medios de contraste
Entre-grupos k−1 SCE CM E = SCEk−1 F CM E
exp = CM D
Intra-grupos n−k SCD CM D = SCDn−k
Total n−1 SCT
Región de rechazo Fexp > fk−1,n−k;1−α
k
X X ni
k X k
X
SCE = (xi − x)2 ni , SCD = (xij − xi )2 = (ni − 1)s2i,ni −1 ,
i=1 i=1 j=1 i=1
ni
k X
X
SCT = (xij − x)2 = SCE + SCD.
i=1 j=1

Otra forma de calcular las sumas de cuadrados:

 !2  !2 !2
ni k P ni ni
k P
i i
xij
P P P

k
xj  xj 
k X ni

j=1 i=1 j=1 i=1 j=1
X  X
SCE =  − , SCT =  (xij )2  − ,
 
 n i  n n
 i=1  i=1 j=1

SCD = SCT − SCE.

b) Comparaciones múltiples: Test de Scheffé

Valor del estadı́stico de contraste Región de rechazo

(xi −xj )2
Fij = ni +nj Fij > fk−1;n−k;1−α
CM D ni nj

Departamento de Estadı́stica e I.O. 5 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

c) Homocedasticidad: Test de Bartlett

Valor del estadı́stico de contraste Región de rechazo

 k

1 2 2
Bexp > χ2k−1;1−α
P
Bexp = c (n − k) ln s − (ni − 1) ln si,ni −1
i=1

donde
k
 k
 k
1 P 1 1 1
s2 = (ni − 1)s2i,ni −1 ,
P P
c=1+ − , n= ni .
n − k i=1 3(k − 1) i=1 ni − 1 n−k i=1

4. Contrastes para dos poblaciones normales dependientes

a) Contrastes sobre µD = µx − µy cuando σx2 y σy2 son desconocidas (D = X − Y ):

Hipótesis nula Valor del estadı́stico de contraste

¯ 0
H0 : µD = δ0 texp = d−δs
√d
n

Hipótesis alternativa Región crı́tica o de rechazo

H1 : µD ̸= δ0 |texp | > tn−1;1− α2
H1 : µD > δ0 texp > tn−1;1−α
H1 : µD < δ0 texp < tn−1;α

Departamento de Estadı́stica e I.O. 6 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

5. Contrastes de hipótesis aproximados sobre el parámetro λ de una Poisson

Hipótesis nula Valor del estadı́stico de contraste

H0 : λ = λ0 zexp = x−λ
√ x0
n

Hipótesis alternativa Región crı́tica o de rechazo

H1 : λ ̸= λ0 |zexp | > z1− α2
H1 : λ > λ0 zexp > z1−α
H1 : λ < λ0 zexp < zα

6. Contrastes de hipótesis aproximados para proporciones

a) Contrastes sobre una proporción p

Hipótesis nula Valor del estadı́stico de contraste

H0 : p = p0 zexp = q ppb−p 0
(1−p )
0 0
n

Hipótesis alternativa Región crı́tica o de rechazo

H1 : p ̸= p0 |zexp | > z1− α2
H1 : p > p0 zexp > z1−α
H1 : p < p0 zexp < zα

b) Contrastes sobre dos proporciones px y py

Hipótesis nula Valor del estadı́stico de contraste

b −b
p p −δ
H0 : px − py = δ0 zexp = q x y 10 1
p p0 ) ( n + m )
b0 (1−b

Hipótesis alternativa Región crı́tica o de rechazo

H1 : px − py ̸= δ0 |zexp | > z1− α2
H1 : px − py > δ0 zexp > z1−α
H1 : px − py < δ0 zexp < zα

nb
px + mb
py
con pb0 =
n+m

Departamento de Estadı́stica e I.O. 7 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS AL NIVEL DE

SIGNIFICACIÓN α

1. Test χ2 de Pearson

Valor del estadı́stico de contraste Región de rechazo

r (n − np )2
i i
χ2exp = χ2exp > χ2r−1;1−α
P
i=1 npi

2. Test de Kolmogorov-Smirnov

Valor del estadı́stico de contraste Región de rechazo

Dmax = max Di , Di = |S(xi ) − F (xi )| Dmax > Dn,α
i=1,...,n

3. Test de Rachas (cuando n+ o n− > 20)

Valor del estadı́stico de contraste Región de rechazo

 
2n+ n−
(R ± 0,5) − +1
n+ + n−
zexp = s |zexp | > z1− α2
2n+ n− (2n+ n− − n+ − n− )
(n+ + n− )2 (n+ + n− − 1)

considerando
2n+ n−
R + 0,5 si R < + 1, o bien
n+ + n−
2n+ n−
R − 0,5 si R > + 1.
n+ + n−

4. Test de homogeneidad o independencia de la χ2 :

Valor del estadı́stico de contraste Región de rechazo

r P s (n − E )2
ij ij
χ2exp = χ2exp > χ2(r−1)(s−1);1−α
P
i=1 j=1 Eij

ni· n·j
con Eij = .
n

Departamento de Estadı́stica e I.O. 8 Olmo Jiménez, M. J.

Formulario de Estadı́stica. 1º Grado en Ingenierı́a Informática. Universidad de Jaén

MODELO DE REGRESIÓN LINEAL SIMPLE

1. Estimaciones de los parámetros del modelo:

n
Sxy Sxy 1 X 2 n  2  n  2 
β̂0 = ȳ− x̄, β̂1 = , σ̂u2 = Sû2 = ûi = Sy − β̂12 Sx2 = Sy − β̂1 Sxy
Sx2 Sx2 n − 2 i=1 n−2 n−2
| {z }
SCE

2. Coeficiente de correlación lineal:

Sxy
r=
Sx Sy
3. Intervalos de confianza para los parámetros del modelo:
 
IC(βi ) = β̂i − tn−2,1−α/2 Sβ̂i , β̂i + tn−2,1−α/2 Sβ̂i , i = 0, 1
!
2 2
(n − 2)S (n − 2)S
IC(σu2 ) = û
, û
χ21−α/2,n−2 χ2α/2,n−2
s  s
2
Sû2

1 x̄
donde Sβ̂0 = Sû2 + 2
, Sβ̂1 = .
n nSx nSx2
4. Contrastes de hipótesis sobre los parámetros del modelo:

Hipótesis nula Valor del estadı́stico de contraste

β̂i −βi0
H0 : β i = βi0 texp = Sβ̂
i

Hipótesis alternativa Región crı́tica o de rechazo

H1 : βi ̸= βi0 |texp | > tn−2;1− α2
H1 : βi > βi0 texp > tn−2;1−α
H1 : βi < βi0 texp < tn−2;α

Hipótesis nula Valor del estadı́stico de contraste

(n−2)s2n−1
H0 : σu2 = σ02 χ2exp = σ02
Hipótesis alternativa Región crı́tica o de rechazo
H1 : σu2 ̸= σ02 χ2exp < χ2n−2; α ó χ2exp > χ2n−2;1− α
2 2

H1 : σu2 > σ02 χ2exp > χ2n−2;1−α

H1 : σu2 < σ02 χ2exp < χ2n−2;α

5. Análisis de la varianza:
Fuentes de variación Grados de libertad Suma de cuadrados Cuadrados medios Fexp
(FV) (GL) (SC) (CM)
SCR CM R
Regresión 1 SCR = nβ̂1 Sxy = nβ̂12 Sx2 CM R =
1 CM E
SCE
Error o residual n−2 SCE = SCT − SCR CM E = = Sû2
n−2
Total n−1 SCT = nSy2
Región de rechazo Fexp > f1,n−2;1−α

6. Predicción: s !
1 (x̄ − xp )2
IC(yp ) = ŷp ∓ tn−2,1−α/2 Sû 1 + +
n nSx2
s !
2
[ 1 (x̄ − x p )
IC(E(yp )) = E[y p ] ∓ tn−2,1−α/2 Sû +
n nSx2
ˆ p ) = β̂0 + β̂1 xp .
donde ŷp = E(y

Departamento de Estadı́stica e I.O. 9 Olmo Jiménez, M. J.