INSTITUTO TECNOLOGICO SUPERIOR DE

LAS CHOAPAS

TEMA:
1.4.5 DISTRIBUCIÓN T- STUDENT
1.4.6 DISTRIBUCIÓN MUESTRAL DE LA VARIANZA
1.4.7 DISTRIBUCIÓN MUESTRAL DE LA RELACIÓN DE VARIANZA

NOMBRE:
TANIA YARITZA TORRES REYES

No. DE CONTROL:
171A0253

CARRERA:
INGENIERIA INDUSTRIAL

ZARAGOZA, VERACRUZ A 07 DE SEPTIEMBRE DEL 2018

 INTRODUCCIÓN

La Probabilidad y la Estadística se han

vuelto requisito indispensable en la vida
cotidiana para interpretar una gran variedad
de datos y de información que día a día se
van produciendo en los procesos y
fenómenos del quehacer humano; de
manera que sea posible valorar riesgos y
dar mayor certidumbre al momento de tomar
una decisión o interpretar un resultado.
 1.4.5 DISTRIBUCIÓN T-STUDENT

Sea X una variable aleatoria que se distribuye como X→N (1,0) y sea “Y” otra
variable aleatoria que se distribuye como Y→X2n , tal que X e Y son
independientes, entonces podemos definir otra variable aleatoria.

Se dice que esta se distribuye como una t-Student con n grados de libertad y su
función de densidad viene dada por:
Esta distribución es muy utilizada, que se construye a partir de una normal y un chi-
cuadrado. Veamos una gráfica comparativa con una distribución normal y algunas de las
propiedades que verifica.

Propiedades:
• Es simétrica, esta centrada en el punto (0,0)
• MO = Me = 0
• E [T] = 0 si n>1
• V [T] = n/n-2 si n>2.
• Cuando el número de variables aleatorias es muy grande, es decir, cuando n ∞→ , la
variable se puede aproximar por una normal.
Ejemplo:

Un ingeniero químico afirma que el rendimiento medio de la población de cierto

proceso en lotes es 500 gramos por milímetro de materia prima. Para verificar esta
afirmación toma una muestra de 25 lotes cada mes. Si el valor de t calculado cae
entre –t0.05 y t0.05, queda satisfecho con su afirmación.
¿Qué conclusión extraería de una muestra que tiene una media de 518 gramos por
milímetro y una desviación estándar de 40 gramos? Suponga que la distribución de
rendimientos es aproximadamente normal.
Solución:
De la tabla encontramos que t0.05 para 24 grados de libertad es de 1.711. Por tanto, el
fabricante queda satisfecho con esta afirmación si una muestra de 25 lotes rinde un valor
t entre –1.711 y 1.711.
Se procede a calcular el valor de t:

Este es un valor muy por arriba de 1.711. Si se desea obtener la probabilidad de obtener
un valor de t con 24 grados de libertad igual o mayor a 2.25 se busca en la tabla y es
aproximadamente de 0.02. De aquí que es probable que el fabricante concluya que el
proceso produce un mejor producto del que piensa.
 1.4.6 DISTRIBUCIÓN MUESTRAL DE LA VARIANZA
En realidad la distribución ji-cuadrada es la distribución muestral de la varianza.
Sea X1, X2, X3....Xn variables aleatorias que se distribuyen como normales N(0,1), y se
define una nueva variable X = x12 + x22 + x32 +….+ xn2.
Entonces se dice que X se distribuye como una Chi-Cuadrado o Ji-cuadrado con n
grados de libertad, donde n es el número de variables aleatorias normales
independientes elevadas al cuadrado que se han sumado. Esta se representa como:
X → Xn2
y su función de densidad es de la forma:
Gráficamente, la variable aleatoria Chi-cuadrado se representa:

Propiedades:
• Es una función asimétrica
• E(x)= n
• V(x)=2n
• Sean dos variables aleatorias chi-cuadrado que se distribuyen X → Xn2 y X → Xm2 , se
define una nueva variable de la forma Y = X1 + X2 , entonces esta nueva variable se
distribuye como: Y→ Xn+m2
• Cuando el número de variables aleatorias es muy grande, es decir, cuando n → ∞ , la
variable se puede aproximar por una normal.
Ejemplo:
Suponga que los tiempos requeridos por un cierto autobús para alzancar uno de sus
destinos en una ciudad grande forman una distribución normal con una desviación
estándar σ=1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la
probabilidad de que la varianza muestral sea mayor que 2.

Solución:
Primero se encontrará el valor de ji-cuadrada correspondiente a s2=2 como sigue:
El valor de 32 se busca adentro de la tabla en el renglón de 16 grados de libertad y se
encuentra que a este valor le corresponde un área a la derecha de 0.01. En consecuencia, el
valor de la probabilidad es P(s2>2)
 1.4.7 DISTRIBUCIÓN MUESTRAL DE LA RELACIÓN DE VARIANZA

Pueden definirse como el estudio de determinadas características de una

población se efectúa a través de diversas muestras que pueden extraerse de ella.

El muestreo puede hacerse con o sin reposición, y la población de partida puede

ser infinita o finita. Una población finita en la que se efectúa muestreo con
reposición puede considerarse infinita teóricamente. También, a efectos prácticos,
una población muy grande puede considerarse como infinita. En todo nuestro
estudio vamos a limitarnos a una población de partida infinita o a muestreo con
reposición.
Población:
Es la totalidad de los elementos los cuales contienen las características de interés
Muestra:
Es un subconjunto de observaciones que se seleccionan de una población y que tienen
las características de interés.
Elemento:
Es la unidad por la cual se solicita información o que son medidas. El elemento depende
del objetivo que persiga el estudio
Unidad de muestreo:
Corresponde al elemento o los elementos disponibles en la población susceptibles de ser
seleccionados en alguna etapa del proceso de muestreo.
Unidades de enumeración:
También conocidos como conglomerados, se utilizan cuando no es factible
muestrear las unidades de enumeración directamente.
Conglomerado:
Es un conjunto de unidades que se encuentran físicamente cerca.
Población estadística:
Es un conjunto de mediciones sobre todos los elementos del universo resultando en
lo que se conoce como poblaciones multivariadas
Marco muestral:
Es un listado de todas las unidades de muestreo disponibles para su selección en
una etapa del muestreo.