1. DISTRIBUCIONES MUESTRALES.

Las distribuciones “t” de Student, Chi cuadrado y F, se derivan de la distribución Normal y

están relacionadas con la teoría del muestreo pequeño n< 30. Son muy importantes pues
son la base de metodologías inferenciales, tales como Intervalos de Confianza y Pruebas de
Hipótesis.

Las variables “t”, chi cuadrado y F surgen de transformaciones de variables aleatorias en las
que están involucrados estadísticos muestrales, tales como la media y la variancia. En la
práctica, por lo tanto, no podemos decir por Ej. que el peso, la altura, etc., se distribuyen
según t”, X2 y F

1.1 DISTRIBUCIÓN CHI CUADRADO

Una variable Chi cuadrado se define como la suma de n variables normales estandarizadas
elevadas al cuadrado.

En realidad, la distribución 2 es una familia completa de distribuciones. Hay una distribución

diferente para cada valor de los grados de libertad. A medida que aumentan los grados de
libertad la curva se va haciendo más simétrica y su cola derecha se va extendiendo. Para g.l
> 30 la distribución se aproxima a la normal y se pueden utilizar los valores de Z
correspondientes. Si n =  , la distribución ji cuadrada y la distribución normal son idénticas.

Esta distribución desempeña un papel importante cuando se desea hacer una inferencia con
respecto a la varianza (D2) poblacional basada en una muestra aleatoria tomada de una
población normal. También tiene aplicaciones en las pruebas de independencia, bondad de
ajuste y proporciones las cuales vamos a ver más adelante.

1.1.1 CARACTERÍSTICAS DE LA DISTRIBUCIÓN

❖ Todos los valores son positivos.
❖ Es una curva sesgada hacia la derecha.
❖ La media de la distribución son sus grados de libertad

0 2

1.2 DISTRIBUCION t DE STUDENT

En muchas ocasiones no se conoce  y el número de observaciones en la muestra es menor
de 30. En estos casos, se puede utilizar la desviación estándar de la muestra s como una
estimación de , pero no es posible usar la distribución Z como estadístico de prueba. El
estadístico de prueba adecuado es la distribución t. Sus aplicaciones en la inferencia
estadística son para estimar y probar una media y una diferencia de medias (independiente
y pareada).

1.2.1 CARACTERÍSTICAS DE LA DISTRIBUCIÓN T DE STUDENT

1. Es simétrica, con media de 0, y variancia mayor que 1.
2. Es más achatada que la normal y adopta diferentes formas, según el número de
grados de libertad.
3. La variable t se extiende desde -a +.
4. A medida que aumenta los (n -1) grados de libertad la distribución “t” se aproxima en
su forma a una distribución normal.
5. El parámetro de la distribución es (n-1) grados de libertad, originando una
distribución diferente para cada tamaño de muestra
 t
Formalmente una variable T con distribución t de Student o simplemente distribución t se
define de la forma siguiente
Sea Z una variable aleatoria normal estándar y sea 2 una variable Chi cuadrada con
grados de libertad, entonces:

1.3 DISTRIBUCION F DE FISHER -SNEDECOR

Recibió este nombre en honor a Sir Ronald Fisher, uno de los fundadores de la estadística
moderna. Esta distribución de probabilidad se usa como estadística prueba en varias
situaciones. Se emplea para probar si dos muestras provienen de poblaciones que poseen
varianzas iguales. Esta prueba es útil para determinar si una población normal tiene una
mayor variación que la otra y también se aplica cuando se trata de comparar
simultáneamente varias medias poblacionales. La comparación simultánea de varias medias
poblacionales se conoce como análisis de varianza (ANOVA). En ambas situaciones, las
poblaciones deben ser normales y los datos tener al menos la escala de intervalos.

1.3.1 CARACTERÍSTICAS DE LA DISTRIBUCIÓN F

1. Existe una "familia" de distribuciones F. Un miembro específico de la familia se
determina por dos parámetros: los grados de libertad en el numerador y en el
denominador. Existe una distribución F para la combinación de 29 grados de libertad
en el numerador y 28 grados en el denominador. Existe otra distribución F para 19
grados en el numerador y 6 en el denominador.
2. La distribución F es una distribución continua.
3. F no puede ser negativa
4. La distribución F tiene un sesgo positivo
5. A medida que aumentan los valores, la curva se aproxima al eje x, pero nunca lo
toca
S12
La distribución F esta relacionada con el cociente de varianzas
S 22 . En donde
S12 y S2 son las varianzas muestrales tienen una distribución  2 con grados de
libertad  (n - 1).
Entonces podemos decir que: