1. Resume las principales fórmulas estadísticas para la media, varianza, distribución normal, chi cuadrado, t de Student y F de Snedecor.
2. Explica cómo calcular intervalos de confianza para la media basados en t de Student cuando las muestras son pequeñas y para la diferencia de medias cuando los tamaños de muestra son pequeños.
3. Indica que los intervalos de confianza para la varianza y la razón de varianzas se basan en la distribución chi cuadrado de Snedecor.
0 calificaciones0% encontró este documento útil (0 votos)
10 vistas2 páginas
1. Resume las principales fórmulas estadísticas para la media, varianza, distribución normal, chi cuadrado, t de Student y F de Snedecor.
2. Explica cómo calcular intervalos de confianza para la media basados en t de Student cuando las muestras son pequeñas y para la diferencia de medias cuando los tamaños de muestra son pequeños.
3. Indica que los intervalos de confianza para la varianza y la razón de varianzas se basan en la distribución chi cuadrado de Snedecor.
1. Resume las principales fórmulas estadísticas para la media, varianza, distribución normal, chi cuadrado, t de Student y F de Snedecor.
2. Explica cómo calcular intervalos de confianza para la media basados en t de Student cuando las muestras son pequeñas y para la diferencia de medias cuando los tamaños de muestra son pequeños.
3. Indica que los intervalos de confianza para la varianza y la razón de varianzas se basan en la distribución chi cuadrado de Snedecor.
1. Resume las principales fórmulas estadísticas para la media, varianza, distribución normal, chi cuadrado, t de Student y F de Snedecor.
2. Explica cómo calcular intervalos de confianza para la media basados en t de Student cuando las muestras son pequeñas y para la diferencia de medias cuando los tamaños de muestra son pequeños.
3. Indica que los intervalos de confianza para la varianza y la razón de varianzas se basan en la distribución chi cuadrado de Snedecor.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 2
Departamento de Matemáticas – Universidad de los Andes1
Fórmulas para el Parcial 1– Probabilidad y Estadı́stica 2 – Sección 03
R∞ 1. E(Y ) = −∞ yf (y) dy (si Y es continua) y Var(Y ) = E(Y 2 ) − [E(Y )]2 2. Si Y1 , . . . , Yn es una muestra aleatoria de tamaño n de una distribución normal con media µ y varianza σ 2 entonces: σ2
(a) Y ∼ Normal µY = µ; σY = 2 n Yi − µ (b) Zi = ∼ Normal(0, 1) σ (c) Zi2 ∼ χ2 (1) Pn 2 2 (d) i=1 Zi ∼ χ (n) (n − 1)S 2 (e) ∼ χ2 (n − 1) σ2 Z 3. Si Z ∼ Normal(0, 1) y W ∼ χ2 (ν) entonces si Z y W son independientes se dice que T = q ∼ t(ν) W ν
W1 ν1 4. Si W1 ∼ χ2 (ν1 ), W2 ∼ χ2 (ν2 ) y si W1 y W2 son independientes se dice que F = W2 ∼ F (ν1 ; ν2 ) ν2
5. (Teorema del lı́mite central) Si Y1 , . . . , Yn es una muestra
aleatoria de tamaño n, suficientemente 2
σ grande, con media µ y varianza σ 2 entonces Y ∼ Normal µY = µ; σY2 = n 6. (Aproximación normal de la binomial) Si Y ∼ Binomial(n, p) y n es suficientemente grande, en- tonces Y tiene aproximadamente la misma distribución que W ∼ Normal µW = np; σW 2 = np(1 − p)
siempre y cuando se use la corrección de continuidad: P (Y = y) ≈ P (y − 0.5 ≤ W ≤ y + 0.5).
7. Si θb es un estimador puntual de un parámetro θ. (a) Si E(θ) b = θ entonces θb es un estimador insesgado. b 6= θ entonces θb es un estimador sesgado. (b) Si E(θ) (c) El sesgo de un estimador puntual θb es
B(θ) b −θ b = E(θ)
(d) El error cuadrático medio de un estimador puntual θb es
MSE(θ) b = Var(θ) b 2 b + [B(θ)]
8. (Muestra suficientemente grande) Si θ es alguno de los parámetros µ, µ1 − µ2 , p o p1 − p2 (tabla
8.1) entonces la estimación puntual de θ está dada por
θb ± 2σθb
9. (Muestra suficientemente grande) Si θ es alguno de los parámetros µ, µ1 − µ2 , p o p1 − p2 (tabla
8.1) entonces el intervalo de confianza (1 − α) bilateral para θ está dado por
θb ± z α2 · σθb 1 El juramento del uniandino dice: “Juro solemnemente abstenerme de copiar o de incurrir en actos que pueden conducir a la trampa o al fraude en las pruebas académicas, o en cualquier otro acto que perjudique la integridad de mis compañeros o de la misma Universidad” 10. (Muestra suficientemente grande) Si θ es alguno de los parámetros µ, µ1 − µ2 , p o p1 − p2 (tabla 8.1) entonces el lı́mite de confianza (1 − α) inferior para θ está dado por
θb − zα · σθb
y el lı́mite de confianza (1 − α) superior para θ está dado por
θb + zα · σθb
11. El intervalo de confianza para µ, si el tamaño n de la muestra es pequeño, está dado por S Y ± t α2 · √ n
donde los valores de tα se calculan con base en n − 1 grados de libertad.
12. El intervalo de confianza para µ1 − µ2 , si los tamaños n1 y n2 de las muestras son pequeños, está dado por r 1 1 (Y1 − Y2 ) ± t α2 · Sp + n1 n2 donde los valores de tα se calculan con base en n1 + n2 − 2 grados de libertad y s (n1 − 1)S12 + (n2 − 1)S22 Sp = n 1 + n2 − 2
13. Un intervalo de confianza 1 − α para σ 2 es
(n − 1)S 2 2 (n − 1)S 2 ≤ σ ≤ χ2α χ21− α 2 2
donde los valores de χ2α se calculan con base en n − 1 grados de libertad.
σ22 14. Un intervalo de confianza 1−α para con base en muestras de tamaños n1 y n2 (respectivamente) σ12 es S22 1 σ22 S22 · ≤ ≤ · F α2 (n1 − 1; n2 − 1) S12 F α2 (n2 − 1; n1 − 1) σ12 S12
15. Si Y1 , . . . , Yn es una muestra aleatoria
R y de una población con función de densidad f (y) y función de distribución acumulada F (y) = −∞ f (t)dt entonces la función de densidad del máximo Y(n) está dada por f(n) (y) = n · [F (y)]n−1 · f (y) y la función de densidad del mı́nimo Y(1) está dada por
