RESUMEN DE FÓRMULAS – EXAMEN FINAL
Teorema de Bayes Muestra de Orden
𝑃(𝐴 ∩ 𝐵) #𝑚(𝑟; 𝐴) = 𝑛𝑟
𝑃(𝐴|𝐵) =
𝑃(𝐵)
Permutaciones
𝑃(𝐴|𝐵)𝑃(𝐵) = 𝑃(𝐵|𝐴)𝑃(𝐴) = 𝑃(𝐴 ∩ 𝐵) 𝑛!
𝑃(𝑟; 𝑛) = ; 𝑟≤𝑛
Ley de Probabilidades Totales (𝑛 − 𝑟)!
Ω = {𝑁1 ∪ 𝑁2} → 𝑃(𝐴) = 𝑃(𝐴 ∩ 𝑁1) + 𝑃(𝐴 ∩ 𝑁2)
Combinaciones
Valor Esperado y Varianza 𝑛!
𝐶(𝑟; 𝑛) =
(𝑛 − 𝑟)! 𝑟!
𝐸[𝑋] = 𝜇 = ∑ 𝑥𝑖 𝑔𝑋 (𝑥𝑖 ) ó ∫ 𝑥𝑓𝑋 (𝑥) 𝑑𝑥 Particiones Ordenadas
𝑅(𝑋) 𝑅(𝑋) 𝑁 𝑁 − 𝑛1 𝑁 − 𝑛1 − 𝑛2 − ⋯ − 𝑛𝑟−1
#𝑃(𝑛1 , 𝑛2 , … , 𝑛𝑟 ; 𝐴) = ( ) ( )…( )
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋 2 ] − (𝐸[𝑋])2 𝑛1 𝑛2 𝑛𝑟
𝑁!
Regla de la Multiplicación #𝑃(𝑛1 , 𝑛2 , … , 𝑛𝑟 ; 𝐴) =
# 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 = 𝑛1 ∗ 𝑛2 ∗ … ∗ 𝑛𝑟 𝑛1 ! 𝑛2 ! … 𝑛𝑟 !
Resumen de Fórmulas – Parcial 3 Página 1 de 1
Distribuciones Marginales
Discretas
𝑔𝑋 (𝑥) = ∑ 𝑔𝑋𝑌 (𝑥, 𝑦)
Sesgo
𝑅(𝑌)
𝐸(𝜃̂) − 𝜃
Continuas
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋𝑌 (𝑥, 𝑦)𝑑𝑦 Mínima Varianza
𝑅(𝑌)
𝑉𝑎𝑟(𝜃̂1 ) < 𝑉𝑎𝑟(𝜃̂2 )
Distribución Condicional
Error Cuadrático Medio (ECM)
2
𝑓𝑋𝑌 (𝑥, 𝑦) 𝐸𝐶𝑀(𝜃̂) = 𝑉𝑎𝑟(𝜃̂) + [𝑆𝑒𝑠𝑔𝑜(𝜃̂)]
𝑓𝑋|𝑌 (𝑥, 𝑦) =
𝑓𝑌 (𝑦)
Consistencia
Valor Esperado Lim 𝐸(𝜃̂) = 𝜃 ; lim 𝑉𝑎𝑟(𝜃̂) = 0
𝑛→∞ 𝑛→∞
𝐸(𝑢(𝑋, 𝑌)) = ∫ ∫ 𝑢(𝑋, 𝑌)𝑓𝑋𝑌 (𝑋, 𝑌)𝑑𝑥 𝑑𝑦 Cota Rao-Cramer (CRC)
𝑅(𝑌) 𝑅(𝑋) 1 1
𝐶𝑅𝐶 = = 2
𝛿 2 𝛿
𝑛𝐸 ([ (ln 𝑓𝑋 (𝑥; 𝜃))] ) −𝑛𝐸 ([𝛿𝜃 2 (ln 𝑓𝑋 (𝑥; 𝜃))])
Varianza y Covarianza de una V.A. 𝛿𝜃
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌) Estimador de Máxima Verosimilitud
∞
𝑉𝑎𝑟(𝑋) = 𝐸[(𝑥 − 𝜇)2 ] = ∑ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥) = ∫ (𝑥 − 𝜇)2 𝑓𝑋 (𝑥)𝑑𝑥
𝑅(𝑋) −∞ 1) 𝐿(𝑥1 , … , 𝑥𝑛 ; 𝜃) = ∏𝑛𝑖=1 𝑓𝑋 (𝑥𝑖 )
2) 𝑙𝑛(𝐿 (𝑥1 , … , 𝑥𝑛 ; 𝜃))
𝛿
Valor Esperado Condicional 3) [𝑙𝑛(𝑙) (𝑥1 , … , 𝑥𝑛 )] = 0
𝛿𝜃
4) 𝑑𝑒𝑠𝑝𝑒𝑗𝑎𝑟 𝜃 = 𝜃̂
𝐸(𝑋|𝑌 = 𝑏) = ∑ 𝑥𝑓𝑋|𝑌 (𝑥, 𝑌 = 𝑏) Bondad de Ajuste
𝑅(𝑋 |𝑌 )
𝑚
𝐸(𝑋|𝑌 = 𝑏) = ∫ 𝑥𝑓𝑋|𝑌 (𝑥, 𝑌 = 𝑏)𝑑𝑥 (𝑂𝑖 − 𝐸𝑖 )2 (𝑥𝑖 − 𝑛𝑝𝑖 )2 2
𝑅(𝑋|𝑦=𝑏) 𝑌(𝑚−1) = =∑ ~𝜒(𝑚−1)
𝐸𝑖 𝑛𝑝𝑖
𝑖=1
Probabilidades Condicionales
𝑥𝑖 = 𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑎, 𝑛 =
# 𝑑𝑒 𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑇𝑜𝑡𝑎𝑙𝑒𝑠
𝑃(𝑋 ≤ 𝑎|𝑌 = 𝑏) = ∫ 𝑓𝑋|𝑌 (𝑥, 𝑌 = 𝑏)𝑑𝑥
𝑅(𝑋≤𝑎|𝑦=𝑏)
𝑚 = # 𝑑𝑒 𝐶𝑙𝑎𝑠𝑒𝑠
𝑃(𝑋 ≤ 𝑎 ∩ 𝑌 ≤ 𝑏)
𝑃(𝑋 ≤ 𝑎|𝑌 ≤ 𝑏) = 𝑆𝑖 𝑌𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝜒 2 (𝑚−1;(1−𝛼)) → 𝑟𝑒𝑐ℎ𝑎𝑧𝑜 𝐻𝑜
𝑃(𝑌 ≤ 𝑏)
Coeficiente de Correlación Distribuciones Muestrales
𝐶𝑜𝑣(𝑋, 𝑌) 𝝌𝟐 : 𝑿𝟐𝟏 + 𝑿𝟐𝟐 + ⋯ + 𝑿𝟐𝒏 → 𝝌𝟐(𝒏)
𝜌𝑋𝑌 = Donde Xi es N(0,1) y Xi es independiente de Xj.
𝜎𝑋 𝜎𝑌
𝑿
𝒕: 𝒀
→ 𝒕(𝒏)
√
Suma de VAs independientes 𝒏
Sean 𝑋1 𝑦 𝑋2 variables aleatorias independientes con Donde X es N(0,1) y Y es 𝑥 2 (𝑛) , siendo X y Y
función generadoras de momentos independientes.
𝜓𝑥1 (𝑡)𝑦 𝜓𝑥2 (𝑡),respectivamente, y sea 𝑊 = 𝑋1 + 𝑋2
𝑿⁄
Entonces: 𝑭: 𝒏𝟏
→ 𝑭(𝒏𝟏,𝒏𝟐)
𝒀⁄
𝜓𝑊 (𝑡) = 𝜓𝑥1 (𝑡) ∗ 𝜓𝑥2 (𝑡) 𝒏𝟐
Donde X y Y son Vas independientes con distribuciones
𝜒 2 (𝑛1) y 𝜒 2 (𝑛2) respectivamente.
𝟏
Si 𝑿 → 𝑭(𝜶;𝒏𝟏.𝒏𝟐) 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝒀 = → 𝑭(𝟏−𝜶;𝒏𝟐.𝒏𝟏)
𝑿
Resumen de Fórmulas – Parcial 3 Página 2 de 1
Intervalos de Confianza
MEDIA POBLACIONAL()
Distr. Intervalo de Confianza
Var. Pob. Tamaño Muestra
Pob. (1-α)%
𝜎
Normal Conocida Pequeño 𝑋̅ ± 𝑧(1−𝛼)
2 √𝑛
𝑆
Normal Desconocida Pequeño 𝑋̅ ± 𝑡(1−𝛼;𝑛−1)
2 √𝑛
𝜎
Cualquiera Conocida Grande 𝑋̅ ± 𝑧(1−𝛼)
2 √𝑛
𝑠
Cualquiera Desconocida Grande 𝑋̅ ± 𝑧 𝛼
(1− )
2 √𝑛
ESTIMACIÓN DE UNA PROPORCIÓN POBLACIONAL (p)
Distr. Intervalo de Confianza
Var. Pob. Tamaño Muestra
Pob. (1- α)%
Binomial, 𝑝̂ (1 − 𝑝̂ )
Bernoulli, 𝑝̂ ± 𝑧(1−𝛼) √
Desconocida Grande 2 𝑛
Binomial 𝑥
Negativa 𝑝̂ = , donde 𝑥 𝑒𝑠 # é𝑥𝑖𝑡𝑜𝑠
𝑛
ESTIMACIÓN DE UNA VARIANZA POBLACIONAL (σ2)
Distr. Intervalo de Confianza
Var. Pob.
Pob. (1- α)%
(𝑛 − 1)𝑆 2 (𝑛 − 1)𝑆 2
Normal Cualquiera ( ; )
𝜒 2 (1−𝛼;(𝑛−1)) 𝜒 2 (𝛼;(𝑛−1))
2 2
ESTIMACIÓN DE UNA DIFERENCIA DE MEDIAS POBLACIONALES 1-2
Distr. Tamaño Intervalo de Confianza
Var. Pob.
Pob. Muestra (1- α)%
1 1
𝑋̅1 − 𝑋̅2 ± 𝑡(1−𝛼;(𝑛 𝑆𝑐 √ +
1 +𝑛2 −2)) 𝑛1 𝑛2
Desconocidas 2
Pequeños
Normales
e iguales (𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22
𝑑𝑜𝑛𝑑𝑒 𝑆𝑐 = √
𝑛1 + 𝑛2 − 2
𝜎12 𝜎22
Conocidas Cualquiera 𝑋̅1 − 𝑋̅2 ± 𝑧(1−𝛼) √ +
2 𝑛1 𝑛2
𝜎12 𝜎22
Cualquiera Conocidas Grande 𝑋̅1 − 𝑋̅2 ± 𝑧(1−𝛼) √ +
2 𝑛1 𝑛2
ESTIMACIÓN DE UNA DIFERENCIA DE PROPORCIONES POBLACIONALES p1-p2
Distr. Tamaño
Var. Pob. Intervalo de Confianza (1- α)%
Pob. Muestra
𝑝̂1 (1 − 𝑝̂1 ) 𝑝̂2 (1 − 𝑝̂2 )
Bernoulli Desconocidas Grandes 𝑝̂1 − 𝑝̂2 ± 𝑧(1−𝛼) √ +
2 𝑛1 𝑛2
ESTIMACIÓN DE UN COCIENTE DE VARIANZAS POBLACIONALES σ12/ σ22
Distr.
Var. Pob. Intervalo de Confianza (1- α)%
Pob.
𝑆12 𝑠12
Normales Cualquiera ( 𝐹𝛼 ; 𝐹 𝛼 )
𝑆22 ( 2 ;(𝑛2−1);(𝑛1−1)) 𝑠22 (1−2 ;(𝑛2 −1);(𝑛1 −1))
Resumen de Fórmulas – Parcial 3 Página 3 de 1
Pruebas de Hipótesis
Prueba de Hipótesis para la Media Poblacional
Hipótesis Estadístico de Prueba Región Crítica
Hipótesis Nula Supuestos
Alterna (EP) de Rechazo
𝐻1 : 𝜇 < 𝜇0 𝐸𝑃 < −𝑧(1−𝛼)
𝑋 → 𝑁(𝜇, 𝜎02 ) 𝑋̅ − 𝜇0 𝐸𝑃 > 𝑧(1−𝛼)
𝐻1 : 𝜇 > 𝜇0
𝐻0: 𝜇 = 𝜇0 𝜎02 : 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 → 𝑁(0,1)
𝜎0 /√𝑛 𝐸𝑃 < −𝑧(1−𝛼/2)
𝐻1 : 𝜇 ≠ 𝜇0 𝑋1 , 𝑋2 , … , 𝑋𝑛
𝐸𝑃 > 𝑧(1−𝛼/2)
𝐻1 : 𝜇 < 𝜇0 𝐸𝑃 < −𝑡(1−𝛼);𝑛−1
𝑋 → 𝑁(𝜇, 𝜎 2 ) 𝑋̅ − 𝜇0 𝐸𝑃 > 𝑡(1−𝛼);𝑛−1
𝐻1 : 𝜇 > 𝜇0
𝐻0: 𝜇 = 𝜇0 𝜎 2 : 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 → 𝑡(𝑛−1)
𝑆/√𝑛 𝐸𝑃 < −𝑡(1−𝛼/2);𝑛−1
𝐻1 : 𝜇 ≠ 𝜇0 𝑋1 , 𝑋2 , … , 𝑋𝑛
𝐸𝑃 > 𝑡(1−𝛼/2);𝑛−1
Prueba de Hipótesis para la Diferencia de Medias Poblacionales
Hipótesis Estadístico de Prueba Región Crítica de
Hipótesis Nula Supuestos
Alterna (EP) Rechazo
𝐻1: 𝜇𝑋 − 𝜇𝑌 < 𝑎 𝑋 → 𝑁(𝜇𝑋 , 𝜎𝑋2 ) 𝐸𝑃 < −𝑧(1−𝛼)
𝐻1: 𝜇𝑋 − 𝜇𝑌 > 𝑎 𝑌 → 𝑁(𝜇𝑌 , 𝜎𝑌2 ) 𝐸𝑃 > 𝑧(1−𝛼)
𝜎𝑋2 , 𝜎𝑌2 : 𝑐𝑜𝑛𝑜𝑐 𝑋̅ − 𝑌̅ − (𝜇𝑋 − 𝜇𝑌 )
X y Y independientes → 𝑁(0,1)
𝐻0 : 𝜇𝑋 − 𝜇𝑌 = 𝑎 𝑋1 , 𝑋2 , … , 𝑋𝑛𝑋 𝜎2 𝜎2
√ 𝑋+ 𝑌 𝐸𝑃 < −𝑧(1−𝛼/2)
𝐻1: 𝜇𝑋 − 𝜇𝑌 ≠ 𝑎 𝑌1 , 𝑌2 , … , 𝑌𝑛𝑌 𝑛𝑋 𝑛𝑌
𝐸𝑃 > 𝑧(1−𝛼/2)
Si las poblaciones no se distribuyen
Normal el tamaño de muestra debe ser
grande, 𝑛𝑋 , 𝑛𝑌 ≥ 3 → TLC
𝐻1: 𝜇𝑋 − 𝜇𝑌 < 𝑎 𝐸𝑃 < −𝑡(1−𝛼; 𝑛𝑋 +𝑛𝑌 −2)
𝐻1: 𝜇𝑋 − 𝜇𝑌 > 𝑎 𝑋 → 𝑁(𝜇𝑋 , 𝜎 2 ) 𝑋̅ − 𝑌̅ − (𝜇𝑋 − 𝜇𝑌 ) 𝐸𝑃 > 𝑡(1−𝛼; 𝑛𝑋 +𝑛𝑌 −2)
→ 𝑡(𝑛𝑋 +𝑛𝑌 −2)
𝑌 → 𝑁(𝜇𝑌 , 𝜎 2 ) 1 1
X y Y independientes 𝑆𝑝√ +
𝐻0 : 𝜇𝑋 − 𝜇𝑌 = 𝑎 𝑛𝑋 𝑛𝑌
𝜎 2 : 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎𝑠 𝑒 𝑖𝑔𝑢𝑎𝑙𝑒𝑠 𝐸𝑃 < −𝑡(1−𝛼; 𝑛
2 𝑋 +𝑛𝑌 −2)
𝐻1: 𝜇𝑋 − 𝜇𝑌 ≠ 𝑎 𝑋1 , 𝑋2 , … , 𝑋𝑛𝑋 𝐸𝑃 > 𝑡(1−𝛼; 𝑛
𝑌1 , 𝑌2 , … , 𝑌𝑛𝑌 (𝑛𝑋 − 1)𝑆𝑋2+ (𝑛𝑌 − 1)𝑆𝑌2 2 𝑋 +𝑛𝑌 −2)
𝑆𝑝 = √
𝑛𝑋 + 𝑛𝑌 − 2
Prueba de Hipótesis para la Proporción
Hipótesis Estadístico de Prueba Región Crítica
Hipótesis Nula Supuestos
Alterna (EP) de Rechazo
𝐻1 : 𝑝 < 𝑝0 𝑋 → 𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 (𝑝) 𝐸𝑃 < −𝑧(1−𝛼)
𝐻1 : 𝑝 > 𝑝0 𝜎 2 : 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝑝̂−𝑝0 𝐸𝑃 > 𝑧(1−𝛼)
𝐻0 : 𝑝 = 𝑝0 𝑋1 , 𝑋2 , … , 𝑋𝑛
~𝑁(0,1)
𝑝0 (1−𝑝0 )
√ 𝐸𝑃 < −𝑧(1−𝛼/2)
𝐻1 : 𝑝 ≠ 𝑝0 𝑛 ≥ 30 𝑛
𝑝̂ = 𝑋̅ 𝐸𝑃 > 𝑧(1−𝛼/2)
Prueba de Hipótesis para la Diferencia de Proporciones
Hipótesis Estadístico de Prueba Región Crítica
Hipótesis Nula Supuestos
Alterna (EP) de Rechazo
𝐻1: 𝑝𝑥 − 𝑝𝑦 < 0 𝑋 → 𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 (𝑝𝑥 ) 𝐸𝑃 < −𝑧(1−𝛼)
𝐻1: 𝑝𝑥 − 𝑝𝑦 > 0 𝑌 → 𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 (𝑝𝑦 ) 𝑝̂𝑥 − 𝑝̂ 𝑦 − (𝑝𝑥 − 𝑝𝑦 ) 𝐸𝑃 > 𝑧(1−𝛼)
X y Y in’dependientes ~𝑁(0,1)
𝐻0 : 𝑝𝑥 − 𝑝𝑦 = 0 𝑋1 , 𝑋2 , … , 𝑋𝑛𝑋 1 1
√𝑝̂ 𝑞̂ (𝑛 + 𝑛 ) 𝐸𝑃 < −𝑧(1−𝛼/2)
𝐻1: 𝑝𝑥 − 𝑝𝑦 ≠ 0 𝑌1 , 𝑌2 , … , 𝑌𝑛𝑌 𝑥 𝑦
𝑛𝑋 , 𝑛𝑌 ≥ 30 𝐸𝑃 > 𝑧(1−𝛼/2)
𝑛𝑥 𝑝̂ 𝑥 + 𝑛𝑦 𝑝̂𝑦
𝑝̂𝑋 = 𝑋̅ y 𝑝 ̂𝑌 = 𝑌̅ 𝑝̂ = 𝑞̂ = 1 − 𝑝̂
𝑛𝑥 + 𝑛𝑦
Prueba de Hipótesis para la Varianza
Hipótesis Estadístico de Prueba Región Crítica de
Hipótesis Nula Supuestos
Alterna (EP) Rechazo
2
𝐻1: 𝜎 2 < 𝜎 2 0 𝐸𝑃 < 𝜒(𝛼; 𝑛−1)
𝐻1: 𝜎 2 > 𝜎 2 0 𝑋 → 𝑁(𝜇, 𝜎 2 ) (𝑛 − 1)𝑆 2 2
𝐸𝑃 > 𝜒(1−𝛼; 𝑛−1)
2
𝐻0 : 𝜎 2 = 𝜎 2 0 𝜎 2 : 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 → 𝜒(𝑛−1) 2
𝑋1 , 𝑋2 , … , 𝑋𝑛 𝜎20 𝐸𝑃 < 𝜒(𝛼/2; 𝑛−1)
𝐻1: 𝜎 2 ≠ 𝜎 2 0 2
𝐸𝑃 > 𝜒(1−𝛼/2; 𝑛−1)
Prueba de Hipótesis para las Varianzas de dos Poblaciones
Hipótesis Estadístico de Prueba Región Crítica de
Hipótesis Nula Supuestos
Alterna (EP) Rechazo
𝜎𝑋2
𝐻1 : 2 > 1 𝑋 → 𝑁(𝜇𝑋 , 𝜎𝑋2 ) 𝐸𝑃 > 𝐹(1−𝛼; 𝑛𝑋 −1; 𝑛𝑌 −1)
𝜎𝑌
𝑌 → 𝑁(𝜇𝑌 , 𝜎𝑌2 )
𝜎𝑋2 𝜎𝑋2 𝑆𝑋2
𝐻0 : 2 =1 𝐻1 : 2 < 1 𝜎𝑋2 𝑦 𝜎𝑌2 : 𝑑𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎𝑠 → 𝐹(𝑛𝑋 −1; 𝑛𝑌 −1) 𝐸𝑃 < 𝐹(𝛼; 𝑛𝑋 −1; 𝑛𝑌 −1)
𝜎𝑌 𝜎𝑌 X y Y independientes 𝑆𝑌2
𝜎𝑋2 X corresponde a la población que tiene 𝐸𝑃 < 𝐹(𝛼/2; 𝑛𝑋 −1; 𝑛𝑌 −1)
𝐻1 : 2 ≠ 1 la mayor varianza muestral.
𝜎𝑌 𝐸𝑃 > 𝐹(1−𝛼/2; 𝑛𝑋 −1; 𝑛𝑌 −1)
Resumen de Fórmulas – Examen Final Página 4 de 5
Regresión Lineal
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿 + 𝒆 𝒀 = 𝜷 𝟎 + 𝜷 𝟏 𝑿𝟏 + 𝜷 𝟐 𝑿𝟐 + ⋯ + 𝜷 𝒋 𝑿𝒋 + 𝒆
𝑆𝑢𝑝𝑢𝑒𝑠𝑡𝑜𝑠: Estimación de parámetros
𝐸(𝑒𝑖 ) = 0; 𝑉𝑎𝑟(𝑒𝑖 ) = 𝜎 2 ;
𝐶𝑜𝑣(𝑒𝑖 , 𝑒𝑗 ) = 0 ∀ 𝑖 ≠ 𝑗; 𝑒𝑖 ~𝑁(0, 𝜎 2 ) ̂0 + 𝛽
𝒆̂𝒊 = 𝑦𝑖 − (𝛽 ̂1 𝑥𝑖 + ⋯ + 𝛽̂𝑗 𝑥𝑖𝑗 )
Estimación de parámetros Prueba asociada
𝑒𝑖 = 𝑦𝑖 − 𝑦̂𝑖 𝑆𝐶𝑇 = 𝑆𝐶𝑅 + 𝑆𝐶𝐸
𝐻𝑎𝑙𝑙𝑎𝑟 𝛽 ̂1 𝑐𝑜𝑛 𝑆𝐶𝐸 = ∑ 𝑒̂𝑖 2
̂0 𝑦 𝛽 Recuerde:
𝑃𝑟𝑢𝑒𝑏𝑎 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑔𝑙𝑜𝑏𝑎𝑙 → 𝐹
̂0 = 𝑦̅ − 𝛽
𝛽 ̂1 𝑥̅ ̂1 = ∑(𝑥𝑖 −𝑥̅ )(𝑦𝑖2−𝑦̅)
𝛽 𝑃𝑟𝑢𝑒𝑏𝑎 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑎𝑙 → 𝑡
∑(𝑥 )
𝑖 −𝑥̅
𝛽̂𝑖
Propiedades de los estimadores 𝑡(𝑔𝑙 𝑒𝑟𝑟𝑜𝑟) =
(Centrados) 𝑑𝑒𝑠(𝛽̂𝑖 )
E(β̂1 ) = β1 𝑆𝐶𝑅
𝑞 𝑀𝐶𝑅
𝐹(𝑞;𝑛−𝑞−1) → =
𝜎2 𝑆𝐶𝐸 ⁄𝑛 − 𝑞 − 1 𝑀𝐶𝐸
𝑉𝑎𝑟(𝛽1 ) = 𝑑𝑜𝑛𝑑𝑒 𝑆𝑋𝑋 = ∑(𝑥𝑖 − 𝑥̅ )
𝑆𝑥𝑥
Intervalo de Confianza
Prueba asociada
𝐼𝐶(1−𝛼) (𝛽𝑖 ) = 𝛽̂ ± 𝑡(1−𝛼,𝑛−𝑞−1) 𝑑. 𝑒(𝛽̂ )
𝑆𝐶𝑇 = 𝑆𝐶𝑅 + 𝑆𝐶𝐸 2
∑(𝑦𝑖 − 𝑦̅)2 = ∑(𝑦̂𝑖 − 𝑦̅)2 + ∑(𝑦𝑖 − 𝑦̂)
𝑖
2
𝑆𝐶𝑅
𝐹(1;𝑛−2) →
𝑆𝐶𝐸 ⁄𝑛−2
𝑆𝐶𝑅 𝑆𝐶𝐸
𝑅2 = =1− 0 ≤ 𝑅2 ≤ 1
𝑆𝐶𝑇 𝑆𝐶𝑇
Resumen de Fórmulas – Examen Final Página 5 de 5
