Estadística II

Cra. Mariana V. Gonzalez

UNIDAD Nº1 – DISTRIBUCIONES

DERIVADAS DE LA NORMAL

1
 Introducción
Trabajaremos con tres distribuciones deducidas a partir de una
variable normal, por lo que estos modelos son aplicables sólo a
muestras extraídas de poblaciones normales.

- Desempeñan un papel muy

• Distribución Chi- cuadrado
• Distribución F de Snedecor
• Distribución t de Student
importante en la inferencia estadística.
-Tienen asociados parámetros que se
conocen como grados de libertad (gl) .
-Matemáticamente, los gl son la
cantidad de observaciones linealmente
independientes que existen en una
suma de cuadrados.

2
Mariana Gonzalez, FCE, UNC
 Introducción

Estadístico
toda función que depende de un
estimador y un parámetro.

Una forma práctica de determinar los gl asociados a un

estadístico es como el número de observaciones
disponibles (n) menos el número de estimadores
calculados a partir de los datos.

3
Mariana Gonzalez– FCE, UNC
 Distribución Chi- Cuadrado
Teorema: Sea una muestra aleatoria de tamaño n
extraída de una población normal:
X ∼ N (µ ,σ 2 )

X 1 , X 2 , .... X n E(X i ) = µ V (X i ) = σ 2

Si se estandarizan las n variables, se distribuyen

normal e independientemente con media cero y
varianza 1:

Z ∼ N (0,1)
Z 1 , Z 2 , ....Z n E(Z i ) = 0 V (Z i ) = 1
4
Mariana Gonzalez– FCE, UNC
 Distribución Chi- Cuadrado
Si se suman los cuadrados de las variables
estandarizadas se obtiene una distribución Chi-cuadrado
con n grados de libertad.
n
(X i − µ)2 n
χ =
2
∑ = ∑ Z i2
i =1 σ2 i =1

El único parámetro de esta distribución son sus grados

de libertad. Su esperanza es igual a los grados de
libertad y su varianza el doble de ese valor.
E (χ 2 ) = n V ( χ 2 ) = 2.n
Se simboliza:
X ∼ χ2 n
5
Mariana Gonzalez– FCE, UNC
 Distribución Chi- Cuadrado

Características

Por tratarse de una suma de cuadrados, sólo asume valores

positivos.
Hay una distribución Chi-cuadrado para cada valor de los gl.
La gráfica de la función de densidad presenta asimetría derecha.
Es muy asimétrica cuando los gl. son pocos.
En la tabla correspondiente a esta distribución, podemos encontrar
valores de χα tales que P( χ > χα ) = α .
2 2 2

6
Mariana Gonzalez– FCE, UNC
 Distribución en el muestreo de
S2
Generalmente la media poblacional µ no se conoce y
para estandarizar trabajamos con la media de la
muestra x , por lo que se pierde un gl, resultando una
Chi-Cuadrado con n-1 gl.

Teorema: Sea una muestra aleatoria de tamaño n

extraída de una población normal:
X ∼ N (µ ,σ 2 )

X 1 , X 2 , .... X n E(X i ) = µ V (X i ) = σ 2

7
Mariana Gonzalez– FCE, UNC
 Distribución en el muestreo de
S2
Entonces: n
( X i − X )2
∑ i =1 σ2
tiene distribución Chi-Cuadrado con n-1 gl.
La expresión más frecuente para esta variables es:

n
( X i − X )2 ( n − 1) S 2
χ n2−1= ∑ =
i =1 σ 2
σ2

8
Mariana Gonzalez– FCE, UNC
 Distribución F de Snedecor
Definición: La distribución F de Snedecor se define
como el cociente de dos variables Chi- Cuadrado
estadísticamente independientes, divididas por sus
respectivos grados de libertad.
Sean:
U ∼ χ m2 y V ∼ χ n2

la varible F con m grados de libertad en el numerador y

n en el denominador se obtiene haciendo:
U
Fm , n = m
V
n
9
Mariana Gonzalez– FCE, UNC
 Distribución F de Snedecor

Características

Su campo de variación es entre 0 e infinito.

Es asimétrica y muy parecida a la Chi- Cuadrado.
Cuando se incrementan los gl se vuelve cada vez más simétrica.
En la tabla correspondiente a esta distribución, podemos encontrar
valores de Fα tales que P(F > Fα ) = α.

10
Mariana Gonzalez– FCE, UNC
 Aplicaciones de la F de Snedecor
Toda vez que se necesite comparar dos sumas de cuadrados
independientes se deberá construir un estadístico F.
Supongamos que hemos definido dos variables Chi-Cuadrado:
( n1 − 1) S 1 2 ( n 2 − 1) S 2 2
U = y V =
σ1 2
σ 22
A partir de ellas armamos un estadístico F efectuando el cociente
de las mismas divididas por sus gl.
( n1 − 1) S 1 2
σ 12
n1 − 1 S 12 σ 22
F = = 2. 2
( n 2 − 1) S 2 2
S2 σ1
σ 22
n2 − 1
11
Mariana Gonzalez– FCE, UNC
 Distribución t de Student
Definición: una variable t de Student se define como
el cociente entre una variable Y con distribución Normal
(0,1) y la raíz cuadrada de una variable U con
distribución Chi-Cuadrado, dividida por sus gl, siendo Y
y U estadísticamente independientes.
Sean:
Y ∼ N (0,1) y U ∼ χ n2

la varible t con n grados de libertad se obtiene

haciendo:
Y
tn =
U
n
12
Mariana Gonzalez– FCE, UNC
 Distribución t de Student

Características

Varía entre -∞ y +∞.

Es simétrica con respecto a cero, siendo 0 la esperanza de la
variable t.
Presenta mayor dispersión que la distribución normal, por lo cual
su representación gráfica tiene forma de campana más achatada.
A medida que aumentan los gl, la distribución t se aproxima a la
normal.
En la tabla correspondiente a esta distribución, podemos encontrar
valores de tα tales que P(t > tα ) = α .

13
Mariana Gonzalez– FCE, UNC
 Aplicaciones de la t de Student
La media y la varianza provenientes de una misma población son
estadísticos independientes. Además, sabemos que:

x−µ ( n − 1) S 2
z= ∼ N (0,1) y χ n2−1=
σ / n σ2
Podemos escribir entonces:

x−µ
σ / n x−µ
t= = ∼ t n −1
( n − 1) S 2
S/ n
σ 2 ( n − 1)

14
Mariana Gonzalez– FCE, UNC