UNIVERSIDAD AUTÓ NOMA DE SINALOA

UNIDAD ACADÉ MICA FACULTAD DE PSICOLOGÍA

LICENCIATURA EN PSICOLOGÍA MODALIDAD VIRTUAL G7

ALUMNO: Gerardo Serrano Romero.

 
MATERIA: Estadistica descriptiva. 

ACTIVIDAD: Actividad 2 S3

 Reporte de lectura d la distribucion normal, T de

student y F de Fisher.
 FACILITADOR: Lic. Marco Antonio Gomez Rodriguez.

11 de julio de 2021.
 Reporte de lectura sobre la Distribución normal, T de Student, Chi 2 y F de
Fisher.

Distribución normal

Una distribución normal de media μ y desviación típica σ se designa por N(μ, σ).

Su gráfica es la campana de Gauss:

El área del recinto determinado por la función y el eje de abscisas es igual a la

unidad:

Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la

izquierda y otra igual a 0.5 a la derecha.

La probabilidad equivale al área encerrada bajo la curva. La importancia de la

distribución normal se debe principalmente a que hay muchas variables asociadas

a fenómenos naturales que siguen el modelo de la normal.

Como, por ejemplo: Caracteres morfológicos de individuos (personas, animales,

plantas) de una especie como tallas, pesos, envergaduras, diámetros, perímetros

o caracteres fisiológicos a efecto de una misma dosis de un fármaco, o de una

misma cantidad de abono. Así como caracteres sociológicos consumo de cierto

producto por un mismo grupo de individuos, puntuaciones de examen. También

pueden ser caracteres psicológicos como cociente intelectual, grado de

adaptación a un medio. Así como Errores cometidos al medir ciertas magnitudes o

Valores estadísticos maestrales, por ejemplo: la media, entre Otras distribuciones.

Distribución JI-cuadrado

Es una de las distribuciones más empleadas en todos los campos. Su uso más

común es cuando se quiere probar si unas mediciones que se hayan efectuado

siguen una distribución esperada, por ejemplo, la normal o cualquier otra. Otro de

sus usos es en intervalos de confianza y pruebas de hipótesis para las varianzas o

desviaciones estándar.

Propiedades de JI Cuadrada: La media eses igual al número de grados de libertad

(que es igual al tamaño de las muestras menos 1): μ = ν = n – 1, la varianza es

igual a dos veces el número de grados de libertad (por lo tanto, la desviación

estándar es la raíz cuadrada de 2 2ν): σ2 = 2 * ν,

Cuando los grados de libertad son mayores o iguales que 2, el máximo valor de

valor de Y ocurre cuando χ 2 = ν – 2, Conforme los grados de libertad (tamaño de

la muestra) aumenta, la distribución JI cuadrada se aproxima a la distribución

normal.

T de student

La prueba t-Student se utiliza para contrastar hipótesis sobre medias en

poblaciones con distribución normal. También proporciona resultados aproximados

para los contrastes de medias en muestras suficientemente grandes cuando estas

poblaciones no se distribuyen normalmente (aunque en este último caso es

preferible realizar una prueba no paramétrica).

Existen dos versiones de la prueba t-Student: una que supone que las varianzas

poblacionales son iguales y otra versión que no asume esto último. Para decidir si

se puede suponer o no la igualdad de varianza en las dos poblaciones, se debe

realizar previamente la prueba F-Snedecor de comparación de dos varianzas.

La prueba t-Student fue desarrollada en 1899 por el químico inglés William Sealey

Gosset (1876-1937), mientras trabajaba en técnicas de control de calidad para las

destilerías Guiness en Dublín. Debido a que, en la destilería, su puesto de trabajo

no era inicialmente de estadístico y su dedicación debía estar exclusivamente

encaminada a mejorar los costes de producción, publicó sus hallazgos

anónimamente firmando sus artículos con el nombre de "Student".

En el caso de que se estén estudiando dos variables donde una de ellas es

cuantitativa normal considerada como variable respuesta Rta y la otra variable es

dicotómica considerada como variable explicativa Exp, se pueden aplicar técnicas

de estimación por IC para diferencia de medias, la prueba t Student para

contrastar las diferencias de medias, técnicas de estimación por IC para el

cociente de varianzas y la prueba F-Snedecor para igualdad de varianzas.

Los IC para diferencia de medias y la prueba t-Student para diferencia de medias

tienen expresiones distintas dependiendo si se puede asumir o no la igualdad de

varianzas poblaciones (para esto último está la prueba F-Snedecor de igualdad de

varianzas). La igualdad de varianzas se conoce como homocedasticidad y la no

igualdad de varianzas como heterocedasticidad.

F de Fisher

En teoría de probabilidad y estadística, la distribución F, también conocida como

distribución de Fisher-Snedecor (nombrada por Ronald Fisher y George

Snedecor), es una distribución de probabilidad continua, aparece frecuentemente

como la distribución nula de una prueba estadística, especialmente en el análisis

de varianza.

La distribución F de Fisher es una distribución que depende de dos parámetros.

Es una distribución que aparece, con frecuencia, como distribución de un

estadístico de test, en muchos contrastes de hipótesis bajo las suposiciones de

normalidad.
CONCLUSIONES

Nuestro conocimiento de las poblaciones se basa en la información contenida en

muestras extraídas de estas poblaciones.

La distribución muestral es la distribución de probabilidad de las estadísticas

muestrales calculadas a partir de todas las muestras posibles de tamaño n

seleccionadas al azar de una población determinada. Cuando la población se

considera infinita, debemos considerar la distribución muestral como una

distribución muestral teórica, porque es importante extraer todas las muestras

aleatorias posibles de una población infinita.

REFERENCIA

-Wayne, D. (1988). Estadística con Aplicaciones en las Ciencias Sociales y a la

Educación. México: McGraw-Hill: México.

- Pagano, R. (2006). Estadística para las ciencias del comportamiento 7ma.

Edición. México: Ed. International Thompson.