Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ESTADÍSTICA DESCRIPTIVA Datos no agrupados Medidas de tendencia central �̅� = 1 𝑛 ∑ 𝑋𝑖 𝑛 𝑖=1 �̃� = { 𝑋 ( 𝑛+1 2 ) ; 𝑠𝑖 𝑛 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟 𝑋 ( 𝑛 2 ) + 𝑋 ( 𝑛 2 +1) 2 ; 𝑠𝑖 𝑛 𝑒𝑠 𝑝𝑎𝑟 Medidas de dispersión 𝑅𝑎𝑛𝑔𝑜: 𝑋𝑚á𝑥 − 𝑋𝑚í𝑛 𝑆2 = 1 𝑛 ∑(𝑥𝑖 − �̅�) 2 = ( 1 𝑛 ∑ 𝑋𝑖 2 𝑛 𝑖=1 ) − �̅�2 𝑛 𝑖=1 𝑆 = √𝑆2 𝐶𝑉 = 𝑆 �̅� Medidas de forma ∝3= 1 𝑛 ∑ (𝑥𝑖 − �̅�) 3𝑛 𝑖=1 𝑆3 ∝4= 1 𝑛 ∑ (𝑥𝑖 − �̅�) 4𝑛 𝑖=1 𝑆4 Datos agrupados Medidas de tendencia central �̅� = 1 𝑛 ∑ 𝑓𝑖𝑥𝑖 𝑚 𝑖=1 �̃� = 𝐿𝑖 𝑖𝑛𝑓 + [ 𝑛 2 − 𝐹𝑖−1 𝑓𝑖 ] 𝑐𝑖 𝑑𝑜𝑛𝑑𝑒 𝑀𝑜 = 𝐿𝑀𝑜 𝑖𝑛𝑓 + [ 𝑎 𝑎 + 𝑏 ] 𝑐𝑀𝑜 𝑑𝑜𝑛𝑑𝑒 𝑎 = 𝑓𝑀𝑜 − 𝑓𝑀𝑜−1; 𝑏 = 𝑓𝑀𝑜 − 𝑓𝑀𝑜+1 Medidas de dispersión Rango: 𝑆2 = 1 𝑛 ∑ 𝑓𝑖(𝑥𝑖 − �̅�) 2 = 1 𝑛 ∑ 𝑓𝑖(𝑋𝑖 2) 𝑚 𝑖=1 − �̅�2 𝑚 𝑖=1 𝑆 = √𝑆2 𝐶𝑉 = 𝑆 �̅� Fractiles o cuantiles 𝐹𝑟𝑎𝑐𝑡𝑖𝑙 = 𝐿𝑖𝑛𝑓 + [ 𝑛𝑎 − 𝐹𝑖−1 𝑓𝑖 ] 𝑐𝑖 DISTRIBUCIONES DE MUESTREO Parámetro para estimar: µ �̅� = 1 𝑛 ∑ 𝑋𝑖 𝑛 𝑖=1 ; 𝜇�̅� = 𝜇 Parámetro para estimar: µx - µy �̅� = �̅� 𝜇�̅�−�̅� = 𝜇�̅� − 𝜇�̅� 𝜎�̅�−�̅� 2 = 𝜎𝑋 2 𝑛𝑋 + 𝜎𝑌 2 𝑛𝑌 𝐶𝑜𝑛 𝑟𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑜 𝜎�̅� 2 = 𝜎2 𝑛 𝜎2 𝐶𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝑍 = �̅� − 𝜇 𝜎/√𝑛 𝜎2 𝐷𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝑇 = �̅� − 𝜇 𝑠/√𝑛 𝑍~𝑁(0,1) Normal estándar 𝑇~𝑡𝑣 T-Student con v=(n-1) g.l 𝑆𝑖𝑛 𝑟𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑜 𝜎�̅� 2 = 𝜎2 𝑛 [ 𝑁 − 𝑛 𝑁 − 1 ] 𝜎2 𝐶𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝑍 = �̅� − 𝜇 𝜎 √𝑛 [ 𝑁 − 𝑛 𝑁 − 1] 1/2 𝜎2 𝐷𝑒𝑠𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝑇 = �̅� − 𝜇 𝑠 √𝑛 [ 𝑁 − 𝑛 𝑁 − 1] 1/2 𝑍~𝑁(0,1) Normal estándar 𝑇~𝑡𝑣 T-Student con v=(n-1) g.l 𝑐𝑖 = 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑎 𝐿𝑖 𝑖𝑛𝑓 = 𝐿í𝑚. 𝑖𝑛𝑓. 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎𝑛𝑎 𝑓𝑀𝑜 = 𝐹𝑟𝑒𝑛𝑐. 𝑎𝑏𝑠. 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑜𝑑𝑎 𝐿𝑀𝑜 𝑖𝑛𝑓 = 𝐿í𝑚. 𝑖𝑛𝑓. 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑜𝑑𝑎 𝑐𝑀𝑜 = 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑑𝑒 𝑙𝑎 𝑐𝑙𝑎𝑠𝑒 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑙𝑎 𝑚𝑜𝑑𝑎 Lím. Sup. de la última clase Lím. Inf. de la primera clase _ Parámetro para estimar: 𝝈𝟐 𝑆2 = 1 𝑛 ∑ 𝑓𝑖(𝑥𝑖 − �̅�) 2 𝑚 𝑖=1 𝜇𝑠2 = 𝜎 2 𝜎𝑠2 2 = 2𝜎4 𝑛 − 1 𝑌 = (𝑛 − 1)𝑆2 𝜎2 , 𝑑𝑜𝑛𝑑𝑒 𝑣𝑎𝑟(𝑌) = 2(𝑁 − 1) 𝑌~𝑋𝑣 2 𝐽𝑖 − 𝐶𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑐𝑜𝑛 𝑣 = 𝑛 − 1 𝑔. 𝑙. Parámetro para estimar: 𝝈𝑿 𝟐 𝝈𝒀 𝟐 𝐸𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑜: 𝑆𝑋 2 𝑆𝑌 2 𝜇𝑆𝑋 2 𝑆𝑌 2 = 𝐸 { 𝑆𝑋 2 𝑆𝑌 2} ; 𝜎𝑆𝑋 2 𝑆𝑌 2 2 = 𝑉𝑎𝑟 { 𝑆𝑋 2 𝑆𝑌 2} ; 𝐹 = 𝑆𝑋 2 𝑆𝑌 2 𝜎𝑋 2 𝜎𝑌 2 𝐹~𝑓1−𝑎,𝑣1,𝑣2 𝑐𝑜𝑛 𝑣1 = 𝑛𝑋 − 1 𝑣2 = 𝑛𝑌 − 1 𝑓1−𝑎,𝑣1,𝑣2 = 1 𝑓𝑎,𝑣2,𝑣1 Parámetro para estimar: p �̂� = 1 𝑛 ∑ 𝑥𝑖 𝑛 𝑖=1 𝜇𝑝 = 𝑝 Parámetro para estimar: 𝒑𝟏 − 𝒑𝟐 𝐸𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑜: �̂�1 − �̂�2 𝜇𝑝1−𝑝2 𝐶𝑜𝑛 𝑟𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑜: 𝜎𝑝1−𝑝2 2 = 𝑝1𝑞1 𝑛1 + 𝑝2𝑞2 𝑛2 𝑍 = �̂�1 − �̂�2 − (𝑝1 − 𝑝2) √ 𝑝1𝑞1 𝑛1 + 𝑝2𝑞2 𝑛2 𝑍~𝑁(0,1) 𝑁𝑜𝑟𝑚𝑎𝑙 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 MODELOS PROBABILISTICOS Binomial 𝐷𝑖𝑠𝑡. ( 𝑛 𝑥 ) 𝑝𝑥𝑞𝑛−𝑥 𝑅𝑎𝑛𝑔𝑜 𝑥 = 0,1, … , 𝑛 𝑀𝑒𝑑𝑖𝑎 𝑛𝑝 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑛𝑝𝑞 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 (𝑞 + 𝑝𝑒𝜃) 𝑛 Geométrica 𝐷𝑖𝑠𝑡. 𝑝𝑞𝑥−1 𝑅𝑎𝑛𝑔𝑜 𝑥 = 1,2, … 𝑀𝑒𝑑𝑖𝑎 1 𝑝 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑞 𝑝2 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 𝑝𝑒𝜃 1 − 𝑝𝑒𝜃 De Pascal 𝐷𝑖𝑠𝑡. ( 𝑥 − 1 𝑟 − 1 ) 𝑝𝑟𝑞𝑥−𝑟 𝑅𝑎𝑛𝑔𝑜 𝑥 = 𝑟, 𝑟 + 1, … Varianzas conocidas e iguales 𝑍 = �̅� − �̅� − (𝜇𝑋 − 𝜇𝑌) 𝜎√ 1 𝑛𝑋 + 1 𝑛𝑌 Varianzas conocidas y diferentes 𝑍 = �̅� − �̅� − (𝜇𝑋 − 𝜇𝑌) √ 𝜎𝑋 2 𝑛𝑋 + 𝜎𝑌 2 𝑛𝑌 𝑍~𝑁(0,1) Normal estándar 𝑍~𝑁(0,1) Normal estándar Varianzas desconocidas pero iguales 𝑇 = �̅� − �̅� − (𝜇𝑋 − 𝜇𝑌) 𝑆𝑝√ 1 𝑛𝑋 + 1 𝑛𝑌 𝑆𝑝 2 = (𝑛𝑋 − 1)𝑆𝑋 2 + (𝑛𝑌 − 1)𝑆𝑌 2 𝑛𝑋 + 𝑛𝑌 − 2 𝑇~𝑡𝑣 T-Student con v=(n-1) g.l Con reemplazo 𝜎𝑝 2 = 𝑝𝑞 𝑛 Sin reemplazo 𝜎𝑝 2 = 𝑝𝑞 𝑛 [ 𝑁 − 𝑛 𝑁 − 1 ] 𝑍 = �̂� − 𝑝 √ 𝑝𝑞 𝑛 𝑍 = �̂� − 𝑝 √ 𝑝𝑞 𝑛 [ 𝑁 − 𝑛 𝑁 − 1] 𝑍~𝑁(0,1) Normal estándar 𝑍~𝑁(0,1) Normal estándar 𝑀𝑒𝑑𝑖𝑎 𝑟 𝑝 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑟𝑞 𝑝2 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 ( 𝑝𝑒𝜃 1 − 𝑝𝑒𝜃 ) 𝑟 Hipergeométrica 𝐷𝑖𝑠𝑡. (𝑟 𝑥 )(𝑁−𝑟 𝑛−𝑥 ) (𝑁 𝑛 ) 𝑅𝑎𝑛𝑔𝑜 𝑥 = 0,1, … , 𝑛 𝑐𝑜𝑛: 𝑥 ≤ 𝑟, 𝑛 − 𝑥 ≤ 𝑁 𝑀𝑒𝑑𝑖𝑎 𝑛𝑟 𝑁 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑛𝑟(𝑁 − 𝑟)(𝑁 − 𝑛) 𝑁2(𝑁 − 1) Poisson 𝐷𝑖𝑠𝑡. (𝜆𝑡)𝑥𝑒𝜆𝑡 𝑥! 𝑅𝑎𝑛𝑔𝑜 𝑥 = 0,1,2, … 𝑀𝑒𝑑𝑖𝑎 𝜆𝑡 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝜆𝑡 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 𝑒𝜆𝑡(𝑒 𝜃−1) Uniforme 𝐷𝑖𝑠𝑡. 1 𝑏 − 𝑎 𝑅𝑎𝑛𝑔𝑜 𝑎 ≤ 𝑥 ≤ 𝑏 𝑀𝑒𝑑𝑖𝑎 𝑎 + 𝑏 2 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 (𝑏 − 𝑎)2 12 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 𝑒𝑏𝜃 − 𝑒𝑎𝜃 (𝑏 − 𝑎)𝜃 Exponencial 𝐷𝑖𝑠𝑡. 𝜆𝑒−𝜆𝑥 𝑅𝑎𝑛𝑔𝑜 𝑥 ≥ 0 𝑀𝑒𝑑𝑖𝑎 1 𝜆 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 1 𝜆2 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 1 𝜆 − 𝜃 Normal 𝐷𝑖𝑠𝑡. 1 √2𝜋𝜎 𝑒− 1 2 ( 𝑥−𝜇 𝜎 ) 2 𝑅𝑎𝑛𝑔𝑜 − ∞ < 𝑥 < ∞ 𝑀𝑒𝑑𝑖𝑎 𝜇 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝜎2 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 𝑒𝜇𝜃+ 1 2 𝜎2𝜃2 Ji-Cuadrada 𝐷𝑖𝑠𝑡. 𝑋 𝑣 2 −1 2 𝑣 2𝛤 ( 𝑣 2) ∙ 𝑒− 𝑥 2 𝑅𝑎𝑛𝑔𝑜 𝑥 > 0 𝑀𝑒𝑑𝑖𝑎 𝑣 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 2𝑣 𝑀𝑜𝑚𝑒𝑛𝑡𝑜𝑠 (1 − 2𝜃)− 𝑣 2 T de Student 𝐷𝑖𝑠𝑡. 𝛤 ( 𝑣 + 1 2 ) √𝜋𝑣𝛤 ( 𝑣 2) ∙ 1 ( 𝑡2 2 + 1 ) 𝑣+1 2 𝑅𝑎𝑛𝑔𝑜 − ∞ < 𝑡 < ∞ 𝑀𝑒𝑑𝑖𝑎 0 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑣 𝑣 − 2 ; 𝑣 > 2 F de Fisher 𝐷𝑖𝑠𝑡. 𝛤 ( 𝑣1 + 𝑣2 2 ) 𝑣1 𝑣1 2 𝑣2 𝑣1 2 𝛤 ( 𝑣1 2 ) 𝛤 ( 𝑣2 2 ) ∙ 𝑓 ( 𝑣1−2 2 )(𝑣2 + 𝑣1𝑓) − 𝑣1+2 2 𝑅𝑎𝑛𝑔𝑜 0 < 𝑓 < ∞ 𝑀𝑒𝑑𝑖𝑎 𝑣2 (𝑣2 − 2) ; 𝑣2 > 2 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 2𝑣2 2(𝑣1 + 𝑣2 − 2) 𝑣1(𝑣2 − 2)2(𝑣2 − 4) ; 𝑣2 > 2 Erlang 𝐷𝑖𝑠𝑡. 𝜆(𝜆𝑡)𝑟−1𝑒−𝜆𝑥 (𝑟 − 1)! 𝑅𝑎𝑛𝑔𝑜 𝑡 > 0 𝑀𝑒𝑑𝑖𝑎 𝑟 𝜆 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑟 𝜆2 PRUEBA DE HIPOTESIS 𝑷𝒂𝒓𝒂 𝝈𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂 𝐻𝑜: 𝜇 = 𝜇0 𝐻1: 𝜇 ≠ 𝜇0, 𝐻1: 𝜇 > 𝜇0, 𝐻1: 𝜇 < 𝜇0 𝑍 = �̅� − 𝜇0 𝜎/𝑛 𝑑 = |𝜇 − 𝜇0| 𝜎 𝐶𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜 𝑍0 > 𝑍𝑎 2 𝑍0 > 𝑍𝑎 𝑍0 > −𝑍𝑎 𝑷𝒂𝒓𝒂 𝝈𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂 𝐻𝑜: 𝜇 = 𝜇0 𝐻1: 𝜇 ≠ 𝜇0, 𝐻1: 𝜇 > 𝜇0, 𝐻1: 𝜇 < 𝜇0 𝑍 = �̅� − 𝜇0 𝑆/𝑛 𝑑 = |𝜇 − 𝜇0| 𝜎 𝐶𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜 |𝑡0| > 𝑡𝑎 2 ,𝑛−1 𝑡0 > 𝑡𝑎,𝑛−1 𝑡0 > −𝑡𝑎,𝑛−1 𝑷𝒂𝒓𝒂 𝝈𝟏 𝟐 𝒚 𝝈𝟐 𝟐 𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 𝐻𝑜: 𝜇1 = 𝜇2 𝐻1: 𝜇1 ≠ 𝜇2, 𝐻1: 𝜇1 > 𝜇2, 𝐻1: 𝜇1 < 𝜇2 𝑍 = �̅�1 − �̅�2 √ 𝜎1 2 𝑛1 − 𝜎2 2 𝑛2 𝑑 = |𝜇1 − 𝜇2 | √𝜎1 2 + 𝜎2 2 𝐶𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜 𝑍0 > 𝑍𝑎 2 𝑍0 > 𝑍𝑎 𝑍0 > −𝑍𝑎 𝑷𝒂𝒓𝒂 𝝈𝟏 𝟐 = 𝝈𝟐 𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 𝐻𝑜:𝜇1 = 𝜇2 𝐻1: 𝜇1 ≠ 𝜇2, 𝐻1: 𝜇1 > 𝜇2, 𝐻1: 𝜇1 < 𝜇2 𝑍 = �̅�1 − �̅�2 𝑆𝑝√ 1 𝑛1 − 1 𝑛2 𝑑 = |𝜇1 − 𝜇2 | 2𝜎 𝐶𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜 |𝑡0| > 𝑡𝑎 2 ,𝑛1+ 𝑛2−2 𝑡0 > 𝑡𝑎,𝑛1+ 𝑛2−2 𝑡0 > −𝑡𝑎,𝑛1+ 𝑛2−2 𝑷𝒂𝒓𝒂 𝝈𝟏 𝟐 ≠ 𝝈𝟐 𝟐 𝒅𝒆𝒔𝒄𝒐𝒏𝒐𝒄𝒊𝒅𝒂𝒔 𝐻𝑜: 𝜇1 = 𝜇2 𝐻1: 𝜇1 ≠ 𝜇2, 𝐻1: 𝜇1 > 𝜇2, 𝐻1: 𝜇1 < 𝜇2 𝑡0 = �̅�1 − �̅�2 √ 𝑆1 2 𝑛1 − 𝑆2 2 𝑛2 = ( 𝑆1 2 𝑛1 − 𝑆2 2 𝑛2 ) 2 (𝑆1 2/𝑛1)2 𝑛1+1 + (𝑆2 2/𝑛2)2 𝑛2+1 𝐶𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜 |𝑡0| > 𝑡𝑎 2 ,𝑣 𝑡0 > 𝑡𝑎,𝑣 𝑡0 > −𝑡𝑎,𝑣 𝑷𝒂𝒓𝒂 𝝈𝟐 = 𝝈𝟎 𝟐 𝐻𝑜: 𝜎 2 = 𝜎0 2 𝑋0 2 = (𝑛 − 1)𝑆2 𝜎0 2 𝜆 = 𝜎/𝜎0 𝑷𝒂𝒓𝒂 𝝈𝟏 𝟐 = 𝝈𝟐 𝟐 𝐻𝑜: 𝜎1 2 = 𝜎2 2 𝐹0 = 𝑆1 2 𝑆2 2 𝜆 = 𝜎/𝜎0 𝑆𝑖 𝐻1: 𝜎 2 ≠ 𝜎0 2 ∴ 𝑋0 2 > 𝑋𝑎 2 ,𝑛−1 2 𝑜 𝑋0 2 > 𝑋1−𝑎 2 ,𝑛−1 2 𝑆𝑖 𝐻1: 𝜎 2 > 𝜎0 2 ∴ 𝑋0 2 > 𝑋𝑎,𝑛−1 2 𝑆𝑖 𝐻1: 𝜎 2 < 𝜎0 2 ∴ 𝑋0 2 > 𝑋1−𝑎,𝑛−1 2 𝑆𝑖 𝐻1: 𝜎1 2 ≠ 𝜎2 2 ∴ 𝐹0 > 𝐹𝑎 2 ,𝑛1−1,𝑛1−1 𝑜 𝐹0 > 𝐹1−𝑎 2 ,𝑛1−1,𝑛1−1 𝑆𝑖 𝐻1: 𝜎1 2 > 𝜎2 2 ∴ 𝐹0 > 𝐹𝑎,𝑛1−1,𝑛1−2
Compartir