Formulas de Maquinas Termicas

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 9

FÓRMULAS MUESTREO EN POBLACIONES FINITAS

Muestreo Aleatorio Simple

Muestro por variables

Inferencia sobre µ Inferencia sobre 

Muestro por Atributos

Inferencia Exacta

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


Inferencia Aproximada

2
 z1− /2 pˆ (1 − pˆ )  Nn
n =   n=
 ER / N  N + n

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


FÓRMULAS MUESTREO EN POBLACIONES FINITAS
Muestreo Estratificado

X − k
Si2 N i − ni
k
Z= X= P X D̂ ( X ) =  Pi
2 2
ˆ (X )
D i =1
i i
i =1 ni N i − 1

pˆ − p ˆ 2 ( pˆ ) =  P 2 pˆ i (1 − pˆ i ) N i − ni
k k
Z= pˆ =  Pi pˆ i D
ˆ ( pˆ )
D i =1 i =1
i
ni − 1 N i − 1

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


HOJAS DE FÓRMULAS – MODELOS DE REGRESIÓN LINEAL 1

1. Regresión

1.1. Suma de Cuadrados


n n
SCx    X i  X    X i2  n. X 2
2

i 1 i 1
n n
SCy   Yi  Y    Yi 2  n.Y 2
2

i 1 i 1
n n
SCxy    X i  X Yi  Y    X i .Yi  n. X .Y
i 1 i 1

n
SCTotal  T   Yi  Y   SCy
2

i 1

    e  Y
n n n n n
SCResidual  Q   Yi  Yˆi  b0 . Yi  b1. X i .Yi  Q
2
2 2
i i
i 1 i 1 i 1 i 1 i 1

 
n
SCRegresion  H   Yˆi  Y
2

i 1

SCTotal  SCResidual  SCRegresion

1.2. Regresión Lineal Simple

Yi   0  1. X i   i
Yˆi  b0  b1. X i

1.2.1. Estimación de los parámetros y coeficientes

SCxy  X i .Yi  n. X .Y
b1  
SCx  X i 2  n.X 2
b0  Y  b1. X

SCResidual
R2  1 
SCTotal

R
SCxy

 X .Y  n.X .Y i i

SCxx SCyy   X  n.X   Y  n.Y 


i
2 2
i
2 2

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


HOJAS DE FÓRMULAS – MODELOS DE REGRESIÓN LINEAL 2

ˆ e2  Se2  S 2 
Q

 Yi 2  b0 .Yi  b1. X i .Yi
n2 n2

1.2.2. Inferencia sobre los parámetros

b1  1 S2 S2
tn  2  con Dˆ 2  b1   Sb21  
Dˆ (b1 ) SCxx  X i 2  n. X 2

b0   0 1 X2  2
tn  2  Dˆ 2  b0   Sb20   
 n  X 2  n. X 2 
con S
Dˆ (b0 )  i 

1.2.3. Inferencia sobre E  y x0   0  1 x0

 b  b X     0  1. X 0  1  X0  X   2
2

tn  2  0 1 0 2
 
Dˆ Yˆo     .S
 
Dˆ Yˆo  n  X i 2  n. X 2 
 

  
P  b0  b1 X 0   t ;1 /2 .Dˆ Yˆo  E  y x0    b0  b1 X 0   t ;1 /2 .Dˆ Yˆo    1  

1.2.4. Inferencia sobre y x0  0  1 x0   i

 b  b X    0  1. X 0   i  1  X0  X   2
2

tn  2  0 1 0 ˆ 2 ˆ
 
D Yo     .S
 n  X i 2  n. X 2 
 
Dˆ 2 Yˆo  S 2  

    
P  b0  b1 X 0   t ;1 /2 . Dˆ 2 Yˆo  S 2  y x0   b0  b1 X 0   t ;1 /2 . Dˆ 2 Yˆo  S 2  1  

1.3. Regresión con intercepto conocido

Z i = Yi - 0 = 1 .X i + ei
Modelo:
Zˆ = b .X
i 1 i

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


HOJAS DE FÓRMULAS – MODELOS DE REGRESIÓN LINEAL 3

b1 
 X .Z i i

X
2
i

  X .Z 
2
Q
Q    Z  b .X    Z 
2
S 
2 2 i i

n 1 X
i 1 i i 2
i

R  1
Q

 X .Z i i

 Zi 2  X . Z i
2
i
2

Dˆ 2 (b1 ) 
S2
 X i2
 
Dˆ 2 Zˆ0  S 2 .
X 02
 Xi2

1.4. Regresión Múltiple

Yi   0  1. X 1i   2 . X 2i  ...   k . X ki   i
Yˆi  b0  b1. X 1i  b2 . X 2i  ...  bk . X ki

1.4.1. Notación Matricial

b0 
 Y1  1 X 11 X 21 X k1  b 
Y  1 X X 22 X k 2   1
Y   2 X   12
b  b2 
  1   
     
Yn  1 X 1n X 2n X kn 
bk 

n x1 n x (k  1) (k  1) x 1

 n X X X    Yt 

1t 2t kt
  
  X 1t X  X .X  X .X   X 1t .Yt 
2
1t 1t 2t 1t kt 

XX    X 2t  X .X X 2
 X .X  XY    X 2t .Yt 

1t 2t 2t 2t kt
  
   
 X  
  kt X 1t . X kt X 2t . X kt  X kt 
2
  X kt .Yt 

(k  1) x (k  1) (k  1) x 1

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


HOJAS DE FÓRMULAS – MODELOS DE REGRESIÓN LINEAL 4

1.4.2. Estimación de los parámetros y coeficientes

b0 
b 
 1
b  b2  =  XX  XY
1

 
 
bk 

Q SCREGRESION Q Q
S2  R2   1  1
nP SCTOTAL  Yi  Y 
2
 yi 2

 n 1  Q  n 1 
2
RAdjustado  1  .  1  1  R 2  .  
 n  P   yi nP
2

1.4.3. Inferencia sobre los parámetros

bj   j
tn  P  con Dˆ 2  b1   S 2 .Cii
Dˆ (b )
j

Cii elementos ubicado diagonal de  X '.X  1

1.4.4. Inferencia sobre E Y X 10 , X 20 ,...  0  1. X 0   2 . X 20  ....


(Intervalos de Confianza)

 b0  b1. X 10  b2 . X 20  ....  E Yo X0 


tn  P 
Dˆ  yˆ o 

  
Dˆ 2 Yˆo  x0 .  XX  x'0 .S 2
1

  
P yˆ  x0   t n P;1 /2 .Dˆ Yˆo  E Yo x0   yˆ  x0   t n P;1 /2 .Dˆ Yˆo    1  

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


HOJAS DE FÓRMULAS – MODELOS DE REGRESIÓN LINEAL 5

1.4.5. Inferencia sobre y x10 , x20 ,...  0  1.x0  2 .x20  ....   i


(Intervalos de Predicción)

tn  P 
 b0  b1.x10  b2 .x20  ....  yo x0

 
Dˆ 2 Yˆo  S 2

     
P yˆ  x0   t n  P;1 /2 . Dˆ 2 Yˆo  S 2  yo x0  yˆ  x0   t n  P;1 /2 . Dˆ 2 Yˆo  S 2  1  

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA


HOJAS DE FÓRMULAS – MUESTREO EN POBLACIONES FINITAS – ESTIMADOR POR COCIENTE 1

MUESTREO EN POBLACIONES FINITAS

Muestreo por cociente

ˆ x   x D X Y  n
tn 1  D  ˆ x   1
D  ˆ x  n N

D 2  X Y   S x2  b2 S y2  2 b Cov( X , Y ) Cov( X , Y ) 
 X Y  nXY
i i
b
X
n 1 Y

b Sy
Si r   El estimador por cociente es mejor que el clásico
2 Sx

91.30 ESTADÍSTICA APLICADA II, INGENIERÍA, UBA

También podría gustarte