Leyes de distribución Muestras aleatorias Estadı́sticos de prueba
Formulario de Estadı́stica (E (Xi ) = µ, V ar(Xi ) = σ 2 )
Última revisión: 2 de febrero de 2022 •Bernoulli: X ∼ B(p) •Comparación de medias
f (x) = px (1 − p)1−x , x ∈ {0, 1} •Media muestral (X ∼ N (µX , σX ), Y ∼ N (µY , σY ))
X = n1
P
Combinatoria E(X) = p, V ar(X) = p(1 − p) X,E X =µ σ conocida:
iσ2
•Principio básico V ar X = n r X−Y
2 2
∼ N (0, 1)
n−tupla: (w1 , w2 , . . . , wn ). •Binomial: X
∼ B(p, n)
σ
m
X
σ
+ nY
Cada wi puede tomar Ni valores distintos f (x) = nx px (1 − p)n−x , x = 0, 1, . . . , n •Varianza muestral σ desconocida (σX = σY ):
2
E(X) = np, V ar(X) = np(1 − p) S 2 = n−1
1
Xi − X , E S 2 = σ 2 T = √ X−Y
P
Nº de n-tuplas distintas: N1 N2 . . . Nn . 1 1
∼ t (m + n − 2)
S m
+n
(m−1)S 2 +(n−1)S 2
•Combinaciones •Geométrica Estimación puntual S2 = X
m+n−2
Y
Cm,n = m
=
Vm,n
= m! f (x) = p(1 − p)x−1 , x = 1, 2, . . . •Función deQverosimilitud σ desconocida (σX 6= σY ):
n Pn n!(m−n)!
E(X) = 1/p, V ar(X) = (1 − p)/p2 L(θ|x) = f (xi |θ), r X−Y
2 2
∼ t (n∗ )
S S
X Y
+ n
Probabilidad elemental m !2
•Axiomas P •Uniforme discreta •Máxima verosimilitud
2
SX SY
+ n
2
m
f (x) = 1/n, x ∈ {1, . . . , n} n∗ =
P (∪Ai ) = P (Ai ) (Ai Aj = ∅) 2 Elegir θb ∈ Θ t.q. L θ|x
b = máx L(θ|x) S2
!2
S2
!2
E(X) = n+12
, V ar(X) = n 12−1 θ∈Θ 1
m−1
X
m
1
+ n−1 Y
n
P (Ω) = 1
•Poisson •Momento de orden i de la VA X Modelo Lineal
•Distribución equiprobable
x
f (x) = λx! e−λ , x = 0, 1, 2, . . . mi = E X i •EstimaciónPpor mı́nimos cuadrados
P (A) = card(A) ó P (A) = med(A) E(X) = λ, V ar(X) = λ s2 = n−2
1
(yi − ybi )2
card(Ω) med(Ω) •Momento muestral de orden i 1
= n−2
P
(yi − y)2 − b21 (xi − x)2
P
Ai = n1 n i
P
•Normal: X ∼ N (µ, σ) j=1 (Xj ) 1
(yi − y)2 − b1 (xi − x)(yi − y)
P P
Probabilidad condicional = n−2
(x−µ)2
•Probabilidad condicional de A dado B
2
−
f (X) = σ√12π e 2σ2 , x ∈ R V ar (B1 ) = P(xσ−x)2
•Método de los momentos iP 2
P (A|B) = PP(AB)
(B) E(X) = µ, V ar(X) = σ 2
xi
V ar (B0 ) = n P(x −x) σ2
θ = h(m1 , m2 , ..., mk ) ⇒ i
2
2
Tθ = h(A1 , A2 , ..., Ak ) V ar (B0 + B1 x) = σ 2 n1 + P(x−x)
•Probabilidad
P total •Uniforme: (x −x)2
X 1∼ U (a, b)
i
P (B) = P (B|Ai )P (Ai ) si x ∈ [a, b] Intervalos de confianza
b−a
(Ai Aj = ∅, ∪Ai = Ω) f (x) =
0 si x 6∈ [a, b] •Variable pivote para µ (X ∼ N (µ, σ)) •Coeficiente
P
de correlación lineal
E(X) = 21 (a + b), V ar(X) = 1
(b − a) 2
σ conocida: r = √P (xi −x)(y
2P
i −y)
2
(xi −x) (yi −ȳ)
•Fórmula de Bayes 12
X−µ
√ ∼ N (0, 1)
P (B|Aj )P (Aj )
P (Aj |B) = P P (B|A •Exponencial
σ/ n Modelización
i )P (Ai ) σ desconocida: •longitud de las clases del histograma
(Ai Aj = ∅, ∪Ai = Ω) λe−λx
si x ≥ 0 X−µ
√ ∼ t(n − 1)
f (x) =
0 si x < 0 S/ n h ≈ n3.5s
1/3
•Sucesos independientes E(X) = λ1 , V ar(X) = λ12
P (A1 A2 ...An ) = P (A1 )P (A2 )...P (An ) •Variable pivote para σ (X ∼ N (µ, σ)) •Cuantil empı́rico
(n−1)S 2
•Lognormal: X ∼ LN (µ, σ) σ2
∼ χ2 (n − 1) np + 0.5 = k + r
Variables aleatorias Si X ∼ LN (µ, σ), U = ln(X) ∼ N (µ, σ) Q(p)
b = x(k) + r x(k+1) − x(k)
•Cambio de variable (Y = r(X)) 1 ln x−µ 2 •Variable pivote para θ (X cualquiera)
1
f (x) = √ e− 2 ( σ ) , x > 0
r (y) fX r−1 (y)
d −1 xσ 2π √Tn −θ → N (0, 1) si n → ∞ •lı́mites para los valores atı́picos
fY (y) = dy 2 1/(nTI )
µ+ σ2
E(X) = e , 2 `i = q1 − 1.5 (q3 − q1 ), `s = q3 + 1.5 (q3 − q1 )
2
•Caso particular: r esuna función lineal V ar(X) = e2µ+σ eσ − 1 •Variable pivote para µ (X cualquiera)
1
fY (y) = |a| fX y−b
a
X−µ
√ → N (0, 1) si n → ∞
S/ n
•Ji-cuadrado X ∼ χ2 (k)
Si Ui ∼ N (0, 1), i = 1, 2, ..., k,
(independientes)
X = ki=1 Ui2 ∼ χ2 (k)
P
E(X) = k, V ar(X) = 2k