_ _ Y=a+bX Var(y)=b2Var(x) b=Cov(x,y)/Var(x) Varianza residual VarRes=(Yi-a-bXi)2/n Covarianza _ _ _ _ Cov(x,y)= i j (xi-X) (yj-Y) nij/N= i j (xi-X) (yj-Y) fr(xi,yj) Recta

de regresion de Y sobre X: Determinar y=a+bx que minimice i(yi-a-bxi)2 F _ _ a=Y-bX b=Cov(x,y)/Var(x) Coeficiente de correlacin: R= (cov(x, y)/x*y Distribucion condicional Fr(Yi / x=xk)=fr(xk,yi)/fr(xk) Variables Aleatorias Funcion de distribucin: es una aplicacin de los reales en los reales. F(X0)= P(X<=X0) La esperanza: E(X)= (de i=1 hasta k) Xi*Pi La varianza: Var(X)= (de i=1 hasta k) Xi2*Pi-E(X) Funcion de densidad: Hace las labores de la funcion de probabilidad. f(X0)=P(X<=X0)= -X0 F(X)dX La variable aleatoria uniforme Funcion de distribucion: / 0 si x<=a F(X0)=P(X<=X0)={ (x-a)/(b-a) si a <=x<=b \ 1 si x=>b La esperanza: E(X)= - X*f(X)dX La varianza: Var(X)= - (X-E(X))2*f(X)dX Proceso de Bernoulli 1. A(aceptable) D(defectuosa) 2. La proporcin entre aceptable y defectuoso es cte. p=P (D) q=1-p=P(A) 3. Las observaciones son independientes entre s, es decir un proceso no es dependiente del anterior. P(A/B)=P(A) ya que A es independiente de B Distribucin de Bernuilli Sea un proceso de Bernuilli 1 si el resultado es D 0 si el resultado es A E(x)=1*p+0*(1-p)=p Var(x) = (1-p)2 *P[x=1]=p(1-p)=pq Funcin generatriz de momentos Sea X una variable aleatoria se define Funcin generatriz de momentos () como la esperanza de e elevado a tX (t)=E (etX) t pertenece a los reales (0) siempre es 1 (0)=E(X) (t)=d (t)/dt=d (E (etX))/dt= E (d (etX)/dt)=E(x etX) (0)= E(X etX)= E(X e0X)=E(X) (0)=E(X2) (t)= d (t)/d t=E (X2etX) (0)= E (X2e0X)=E(X2) Funcin generatriz de cumulantes Se define Funcin generatriz de cumulantes () como el logaritmo neperiano de la Funcin generatriz de momentos. (t)=Ln (t) (0) siempre es 1 (0)=E(X) (0)=(t)/(t) (0)=Var(X) (0)= (t) (t) ((t))2/((t))2 = (t)/ (t) - ((t)/(t))2 = E(X2) - [E(X)]2 = Var(X) Distribucin de Poisson La variable aleatoria X es el nmero de procesos observados en un intervalo de longitud fija. P[X=r]=(r n) prqn-r = (r/r!) * e- X B(n, p)E(X)=n*p= p=/n Var(X)=n*p*q E(X)= Var(X)= Teorema central del lmite Sea X1Xn variables aleatorias independientes cualesquiera tal que cada una tenga de esperanza(media) i y de varianza 2i Y=i=1Inf.Xi Cuando nInf. y las Xi son independientes: n>30 X=

Y>N(i , 2i) Relacin entre normal, Binomial y Poisson Relacin Binomial con normal XB(n, p) E(de una binomial)=np Var(de una binomial)=npq X=X1++XnXi Bernoulli N (np, npq) Esta aproximacin se puede hacer si npq>5 Relacin Poisson con normal XVA E(de una poisson)= Var(de una poisson)= N(, ) Esta aproximacin se puede hacer si >5 Para aproximar una Binomial a una Poisson =np Generacin de VA por Simulacin Montecarlo Distribucin uniforme en Intervalo (A,B) X n elegido al azar entre A y B f(x)= x si a<=x<=b 0 fuera del intervalo f(x) dx=abkdx=k[X]ba=k (b-a) =1k=1/b-a E=b2-a2/2(b-a) Var=(b-a)2/12 Inferencia Estadstica Distribucion muestral de un estadistico _ Var(X)=(Xi-X)2/n _ X=Xi/n Distribucion de la media muestral _ X = Xi/n _ E(X) = E (Xi/n) = E (Xi)/n = n / n = _ Var(X) = Var ((Xi)/n) = 1/n2 Var((Xi)) = n 2/n2 = 2/n _ Desv.Tip.(X)= /n Cuando n es grande _ XN(,/n)

Estimacion y estimadores Sea el parmetro que quiero estimar ^ Al estimador de lo llamo Error cuadrtico medio de un estimador Se define el error cuadrtico medio del estimador como el sesgo del estimador elevado al cuadrado mas la varianza del estimador. Estimador1=1/3X1+1/3X2+1/3X3 XN(, =1) Estimador2=1/4X1+1/2X2+1/4X3 Estimador3=1/8X1+3/8X2+1/2X3 E(Estimador1)= Var(Estimador1)=1/3 ECM(E1)=1/3 E(Estimador2)= Var(Estimador2)=3/8 ECM(E2)=3/8 E(Estimador3)= Var(Estimador3)=13/32 ECM(E3)=13/32 Inferencia con muestras grandes _ X=Xi/n media muestral _ E(X)= _ Var(X)=2/n N(, /n) Determinacion del tamao muestral Intervalo de confianza para con nivel (1-)*100% _ _ Determinar n para que pertenezca al intervalo (X-L;X+L) con nivel de confianza (1-) 100% n=Z2/2 2 / L2 Contraste de para muestras grandes _ _ X=Xi/n cuando N(, /n) z= X- /(/n) cuando N(0,1) _ (si no conozco 2) z0= X- 0/(Sn-1/n) Inferencia Poblacion Normal Sea X1,,Xn muestra pequea de esa VA normal _ X=Xi/nN(,2/n) Distribucion t de Student Variable aleatoria continua, simetrica. Inferencia sobre Sea X una variable aleatoria Normal de media y desviacin tpica 2/n. Intervalo de confianza con un nivel de confianza(1-) ME=(X-Z/2/Raiz(n); X+Z/2/Raiz(n)) Inferencia sobre 2 Sea XN(,2) Sea X1,,Xn una muestra aleatoria simple n<30 _ S2n=(Xi-X)2/n _ S2n-1=(Xi-X)2/n-1 Comparacin de poblacin Comparacin de 2 medias Usando muestras independientes X1 V. Aleatoria 1,12 Sea X11,X12,X13,,X1n una muestra de X1 X2 V. Aleatoria 2,22 Sea X21,X22,X23,,X2n una muestra de X2 _ _ _ _ X1N (1,(12/n1)) X2N (2, (22/n2)) X1-X2N (1- 2, ( (12/n1)-(22/n2))) Intervalo de Confianza para 1- 2 Nivel de confianza (1-)100% La probabilidad de que /2 sea <= 1- P(-/2<= X1-X2-( 1- 2)/Raz(12/n1+ 22/n2))=1- _ _ 1- 2 X1-X2 +- Z/2Raz(12/n1+ 22/n2)