Tera Paltario Estadstica Computacional

Estudiantes 2003 Valparaso,21 de noviembre de 2003

1. An lisis Exploratorio de Datos. a

N mero total de observaciones: u

L: Lmite inferior clase modal. aM : Amplitud clase modal.

n Frecuencia Relativa:

i 1

ni
ni n

1 : n M 2 : n M

n1 . n2 .

nM : Frecuencia Absoluta Clase Modal. n1 : Frecuencia Absoluta Clase Anterior a Clase Modal. mnxi n2 : Frecuencia Absoluta Clase Posterior a Clase Modal.

Rango: Amplitud (K = No de Clases): K

m xxi a

a Se al de Ruido: n

Frecuencia Modal:

i 1

n: Tama o Muestra. n ni : Frecuencia Absoluta Clase i. fi : Frecuencia relativa clase i. x: Media Aritm tica. e xi : Marca clase i.

Desviaci n Media: o

i 1

Cuartl i- simo: e

k:

de clases.

No

Qi

a Qi

ni 4


NQi n Qi

MD

f i xi

1.1. Para Datos Agrupados:

fM

nM n

Varianza Muestral: S2

fi

xi

Tasa de Variaci n: o

Me

ae

fM

fi

ni n

k 1

n 2

Ne ne

Cv

Mediana:

j : mn fk

05
1

S X

Mo

aM

Coeciente de Variaci n: o

Moda:

S2 log 2 X

fi

Ne 1

1:

Frecuencia Acumulada haste antes de la Clase Mediana.

xi : i- simo valor observado. e Promedio: X

i 1 k

f i xi
1 1 2

Percentil i- simo: e


1.3. Otros.

j : mn fk
k 1

Promedio:

OBS: X

Momento Centrado:

Moda: Es el valor que ocurre con mayor frecuencia. mk

Varianza Muestral:
n

Desviaci n Media: o

Percentil i- simo: Si los datos est n ordenados en forma e a ascendente, entonces:

 

n 1 i 100

in 1 100

   

 

Pi

in 1 100

n 1 i 100

x in 1 100 1 x

in 1 entero. 100 otherwise.

 

i n4 1

  

 

Qi

n 1 4

x in 1 4 1 x

entero. otherwise.

in41

2. An lisis Muestra Estraticada. a

n: N mero total de individuos. u nh : Cantidad de individuos del estrato h. ph : Peso del estrato h. nih : Cantidad de individuos de una submuestra de un estrato h. fih : Frecuencia relativa de una submuestra en el estrato h.

Cuartil i- simo: Si los datos est n ordenados de manera e a ascendente, entonces:

MD

1 n xi n i 1

2 2

0: Tiende a concentrarse alrededor de la media. 0: Distribuci n Normal. o 0: Tiende dispersarse (achatada).

i 1

Curtosis: 2 m4 S4 3

1 n


x2 i

i 1

S2

1 n

1 xi x
2

0: Tiende a la derecha (Valores altos). 0: Sim trica con respecto a la Media. e 0: Tiende a la izquierda (Valores bajos).

n 2

n 2

1 2

Me

n 1 2

si n es impar x
1

si n es par

Fisher (Sesgo): 1 m3 S3

IS

Mediana: Si los datos se ordenan en forma ascendente, entonces:

Indice de Simetra: Q1 Q3 2Q2 Q3 Q1

Mo

No tiene sentido.

1 n xi n i 1

m1

1 xi n i 1

m1

s2

1.2. Para Datos No Agrupados:

m2

Pi

a Pi

ni 100


NPi nPi

Momento no centrado: mk 1 n k x n i i 1

m2 1

i 4

Indice de Disperci n: o rangQ3 K rangQ1 1

h 1

h 1

Promedio Estrato h.
k

Coeciente de correlaci n: o

i 1

Varianza Estrato h.

i 1

h 1

i 1

fi j : Frecuencia relativa conjunta. ni j : Fracuencia absoluta de la clase conjunta.

Regla Multiplicativa: P Ai

Frecuencia Condicional:
j

xi x i

xi x

fj

Independencia Estadstica:


Covarianzas: 3

" !

EX

PX

fi j

fi

Varianza:

xi

xi

" !

EX

fi j fi


Esperanza:

xi P X

xi

F x

xi

f xi

fi

fi j fj


j


fi j

fi

5. Variables Aleatorias.
5.1. Discretas:
Funci n de Distribuci n: o o

PX

fi j

i 1

i 2

j 1

Frecuencias Marginal:

P A1

P Ai

i 1

P Bi A

3. Estadstica Bivariada.

P A B i P Bi PA

VT

Vintra

Vinter

Regla de Bayes:

PA

B i P Bi

Varianza Total:

 

Vinter

ph

Xh

Sea B1

Bn eventos mutuamente excluyentes, entonces:

P A

Varianza inter:

PA B

PA B PB

h 1

Vintra

phVh

Probabilidad Condicional:

Aj

Varianza intra:

 

h 1

i 1

A1

An

ph Xh

es una - algebra

Promedio Total.

Vh

fih Xi

Xh

4. Probabilidades.
A Ac A
n

Cov x y Sx Sy

Xh

fih Xi

fih

N.A.: 1 xi n

x yi


Ai

ph

nh n nih nh

fi

ph fih

Agrupados: Cov x y

x yi

nh

f i xi

5.2. Continuas:
b

7. V.A. Multivariadas.
a x


Esperanza:

Varianza:

xi x yi y

Vintra

6. Variables Aleatorias.
Funci n de Distribuci n: o o
xi x xi x


F x Esperanza:

xi

f xi

Sino

Varianza:

Varianza Muestral:

i 1

6.2. Continuas:
b

Covarianza:
a x

Varianza:

Domx

"

" !

VX

EX

f x dx

EXY

f XY

y dx

""

! !

""

! !

"

" !

EX

x f x dx

V X2

E V X2 X1

V E X2 X1

"

""

! !

Esperanza:

"

F x

PX

f t dt

E E X1 X2

E X1

cov x y


Pa

f x dx

1 n xi yi n i 0

" !

EX

PX

xi

xi

S2

fi

xi

" !

EX

xi

xi P X

fX

fY

f xy

XY

" !

 " !

"

PX

Cov X Y

6.1. Discretas:

Independencia Si X Y N 2

E XY

Vinter

X Y

Cov X Y x y

(Xh

X)

Ph 2 Ph 2

Coeciente de Correlaci n o

EX EY

Cov X Y


E X

x Y

E XY

E X

E Y

Claseh

Ph

Xh

Vh

Ph Xh PhXh

PhVh PhVh

"

Esperanza Discreta (integrar para continua entre Dispersi n o La Exactitud se mide analizando el sesgo de la EgX Y gxy pxy muestra Xa a xi x yi y La Presici se mide analizando la variabilidad on Vara X La Homogeneidad se mide analizando el coeciente Covarianza de Variaci n Xa o S
 

"

" !

" !

VX

EX

f x dx

PX

xY

F xy

" !

EX

x f x dx

F x

PX

f t dt

Esquema General

p xi

f X Y

fX x y fY y

Pa

f x dx

yi

i 1

3. Derivar y Despejar ( o L)

El estimador es consistente si:

n

Metodo de M axima Verosimilitud:

VT

nE

ln f X

 

"

mk

Estimador Eciente
1

"

E Xk

" !

VT

nE

ln f X

 

mk

1 n k X n i i 1

Estimador (Insesgado) de Varianza Mnima

1

" !

Metodo de Momentos (resolver sistema de ecuaciones)

lm V

" !

9. Estimacion Puntual

lm E

P X


3. Y1 AX1 B Y2CX2 entonces. . . AC Y1Y2 AC X1 X2

Para comprobar. . . k 1 1 k2

"

limn

Tn

0 para todo

""

! !

""

! !

"

2. V X2

E V X2 X1

V E X2 X1

limn

Tn

"

"

""

""

1. E E X1 X2 E E X2 X1

E X1 E X2

Estimador Consistente 1

" !

Sesgo T

ET

Propiedades E g X1 X2 )

funcion

de

Regresion

( X2

" !

" !

"

ECM T

ET

VT

" !

" !

"

"

3. V X

VX

VY

Error Cuadr tico Medio (ECM) a 2 ET

2

"

"

2. V Xi

V Xi

"

"

"

1. E Xi

E Xi



Propiedades Variables Independientes

" !

" !

"

8. V X

VX

VY

2 Cov X Y

" !

"

7. V X

VX

M todo de Bayes: e f x f x f f x f x E f x f x f Funci n de la muestra. o f x d Funci n a priori. o f x f f x Funci n a posteriori. o f x

" !

"

6. V X

2 V

! ! ! !

" !

5. V

" !

" !

4. E XY

EXEY

4. Segunda Derivada y comprobar 2 x 2 i 0

" !

" !

"

"

3. E X

EX

EY

" !

"

2. E X

E X

x i

" !

1. E



Propiedades Variables Dependientes

h 1 h2 y 1 y2


2. Funci n de log-Verosimilitud (si es necesario) o x ln L x

h1 y1 h2 y1

h1 y2 h2 y2

i 1

ln

f x i 1 2



Jacobiano

8. Transformaciones y

gx

1. Funci n de Verosimilitud o Lx

xi 1 2

! ! ! ! ! ! ! ! ! !

Eciencia Relativa

6. para cuociente de varianzas

Estimadores Sucientes

a 2 n y 1 nx 1

a 2 n x 1 ny 1

11. Contraste de Hip tesis o

H0 Hip tesis nula o H1 Hip tesis alternativa o Regla/Procedimiento Nivel de Signicaci n o Error tipo I Rechazar H0 (cuando es Verdadero)

10. Intervalos de Conanza (Normal)

1. Para con Varianza Conocida

2n 1

2 1

cuantil (chi-cuadrado)

1 X

2n 1

2 1

cov x y 2 Sx

IC

1 s2

n 1 s2 2 2 n 1

Yi

" !

5. para 2 con media desconocida

V i

" !

2k

T1

E i

0 2 Y

k cuantil (t-student)

S2 p

nx

2 1 Sx

nx

ny

2gl ny
2 1 Sy

IC

T1

2 kS p

1 nx

1 ny

12. Regresi n o
Hip tesis Estructural: o yi 0 1 x i i

4. para diferencia de medias Varianza Desconocida

si

Z1

cuantil (normal)

si

H1

PT X



IC

Z1

2 x nx

2 y ny

Funci n de potencia: o P RechazarH0 C

3. para diferencia de medias Varianza Conocida

H0

PT X

T1

cuantil (t-student)

Funci n de operaci n caracterstica (FOC): o o L P Aceptar H0 Cc

2n 1

IC

T1

"

S n

P Rechazar H0 H0 es verdadero.

P Error Tipo II

P0 T X

2. para con Varianza Desconocida

Cc

"

Z1

cuantil (normal)

P Aceptar H0 H0 es falso.

P Error Tipo I

P0 T X

IC

Z1

Error tipo II Aceptar H0 (cuando es Falso) C

 

" !

f1

p1 p 2 p: Prob. de Ocurrencia del evento A. : Diferencia de Presici n. o : 1-P[A] n: No de experiencias mnimas para lograr que la P A diera de P en un valor epsilon

LDGN:

Fb

 

f1



T X1 X2

Xn

contiene TODOS los elementos

Fa

IC

e f T2 T1


Fa

s2 s2 y y F 2 b s2 sx x

ECM T1 ECM T2

Propiedades:

i 0 Yi Yi Xi i 0


Coeciente de Correlaci n: o cov x y Sx Sy 1

Intervalo Conanza 1 :

2 Si no se conoce 2 , ocupar SR .

n 2

Intervalo Conanza 0 :

2 Si no se conoce 2 , ocupar SR .

n 2

2 Propiedades de SR :

Ajuste del Modelo

2 i 2 Sy

n 2

2 1

IC

2 SR

2 n 2 SR 2 n 2

"

2 V SR

"

2 E SR

2 24 n 2

100 %

IC

SR

1 n

X2 t 2 nSx 1

SR

1 n

0
X2 nS2 x

IC

SR Sx

1 t n1

1
2 nS2 x

"

V 0

"

E 0

"

V 1

"

E 1

1 n

2 SR

2 i n 2

! !

2 2 nSx 0 X2 2 nSx

Valor de la Estadstica de prueba bajo H0 X Y 0 z 2 2

Valor de la Estadstica de prueba bajo H0 X Y 0 t 2 2

Valor de la Estadstica de prueba bajo H0 Criterios de rechazo Rechazar H0 cuando 2

Valor de la Estadstica de prueba bajo H0 Criterios de rechazo Rechazar H0 cuando f

H1 : 2 x H1 : 2 x

2 y 2 y

Rechazar H0 cuando f Rechazar H0 cuando f

f1

n x 1 ny 1 1 f 1 nx 1 ny 1

   

f1

nx 1 n y 1

o cuando f

Hip tesis Alternativa o H1 : 2 2 x y

H0 :

2 x

2 y

S2 x S2 y 1 f 1 nx 1 n y 1 2

H1 : 2 2 0 H1 : 2 2 0 Para 2 2 con desconocidas. Hip tesis Nula o

Rechazar H0 cuando 2 Rechazar H0 cuando 2

2 n 1 2 n 1

n 1

Hip tesis Alternativa o H1 : 2 2 0

H0 :

2 0

n 1 S2 2 0

2 1

o cuando 2

2
2

n 1

  

Hip tesis Alternativa o H1 : x y 0 H1 : x y 0 H1 : x y 0 Para 2 con desconocida. Hip tesis Nula o

Criterios de rechazo Rechazar H0 cuando t Rechazar H0 cuando t Rechazar H0 cuando t

nx 1 S x ny 1 S y nx ny 2

1 nx

1 ny

t nx ny 2 o cuando t 2 t 1 n x ny 2 t n x ny 2

 

Hip tesis Alternativa o H1 : x y 0 H1 : x y 0 H1 : x y 0 Para 2 medias con 2 iguales y desconocidas. Hip tesis Nula o H0 : x y 0

Criterios de rechazo Rechazar H0 cuando z Rechazar H0 cuando z Rechazar H0 cuando z

x nx

y ny

z o cuando z 2 z1 z

z1

t1

Valor de la Estadstica de prueba bajo H0 X 0 t S n Criterios de rechazo Rechazar H0 cuando t t n 1 o cuando t 2 Rechazar H0 cuando t t1 n 1 Rechazar H0 cuando t t n 1

Para con 2 conocida. Hip tesis Nula o H0 : 0 Hip tesis Alternativa o H1 : 0 H1 : 0 H1 : 0 Para con 2 desconocida. Hip tesis Nula o H0 : 0 Hip tesis Alternativa o H1 : 0 H1 : 0 H1 : 0 Para 2 medias con 2 conocidas. Hip tesis Nula o H0 : x y 0

Valor de la Estadstica de prueba bajo H0 0 z X n Criterios de rechazo Rechazar H0 cuando z z o cuando z z1 2 Rechazar H0 cuando z z1 Rechazar H0 cuando z z

! !

t1

n 1

nx ny 2

13. Funciones Generadoras de Momentos

Distribuci n de X o Normal (, 2 ) Normal (0,1) Uniforme (a,b)

f(x)

Func. Gen. Momentos

1 2

E[x] b

V[x] 2 2 1 b 12

1 2 1 e 2x 2

Uniforme (0,1) Bernoulli(x) Binomial (n,p)

  

Beta(r s)


r s r s

xr

s 1

r r s

rs r s2 r s 1

Rayleigh()

x 22 e 2

2 2

x2

   

n m 2 n 2 m 2

n n 2 m

n m 2

F de Fisher n m


          

k zn 2 1 nz m

n m 2 nm 4

"

Weibull(x;,)

x 1 e x

x 0; otherwise

T de Students

1 v

v 2

v 1 2

v 1 2

2 1

 

Pareto

aba xa 1

Cauchy

1 1 1 x2

emt

t 2

Negativa (k,p)

pr q

pk 1 qet

Exponencial()

2t

x 2 1e 2 v 1v 22 2

Gamma(,)

1 x 1 e

1 1
1 t
v 2

Poisson ()

e e

 

k e k!

n x n pq x

pet

Np

Npq

v
1

2v
1 2

p q

p q2

ab

ab2 12 a

p1

px 1

1 x

et

1 t

1 2

1 12

b a

e t

1 2 t 2 2

e2t

1 2

ebt eat t b a

1 e 2

1 a 2

La funci n generadora de momentos se calcula: o

Si visualizamos que x

etx entonces tenemos que

A . LTEX,

"

E etx

Se tiene que E x

x f x dx

etx f x dx
D

10

"

E etx

rs


r s r s

xr

1!
1

dx

ax

1 a

"
!

s 1

dx