Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase Magistral 8
Profesor Manuel Ricardo Contento
Distribucion t-Student, Ji-Cuadrado y F
Por simetría,
Limitación.
Solo se dispone de algunos
valores para (0.1, 0.05, 0.025,
0.01 y 0.005)
Se anuncia puntos críticos para
grados de libertad de 1 a 29.
: equivale a cuantiles de la
distribución normal
Cuantiles usando tabla y R
Hallar t tal que P(T15 > t)=0.05
t = t0.05;15 =1.753
t = t0.01;22 =2.508
> pt(2.06,25)
[1] 0.9750238
> 1-pt(2.06,25)
[1] 0.02497625
De manera directa
> pt(2.06,25,lower.tail=F)
[1] 0.02497625
Probabilidades usando tabla y R
Hallar P(T13 < 1.771).
• t0.05;13 = 1.771 P(T13 > 1.771)=0.05
• P(T13 < 1.771) = 0.95
> pt(1.771,13)
[1] 0.9500057
Ejemplos usando R
Hallar P(-1.315 <T26< 1.315)
> pt(1.315,26)
[1] 0.9000047
> pt(-1.315,26)
[1] 0.09999534
> pt(1.315,26)-pt(-1.315,26)
[1] 0.8000093
P(-1.315 <T26< 1.315)= P(T26<1.315) - P(T26<-1.315) 0.8
Hallar P(-1.315 <T52< 1.315)
> pt(1.315,52)-pt(-1.315,52)
[1] 0.8057204
P(-1.315 <T52< 1.315)= P(T52<1.315) - P(T52<-1.315) = 0.8057204
Distribución ji-cuadrado
Propuesta por Karl Pearson (1857-1936)
Parámetro: grados de libertad ( 1, entero)
Notación: X ~ 2
Características: asimétrica, X> 0
Promedio: E(X)=
Varianza: V(X) = 2
Distribución ji-cuadrado y g.l.
Tabla Ji cuadrado
La tabla provee valores críticos.
Dada una probabilidad y
grados de libertad , la tabla
proporciona el valor de ² tal
que:
Limitación.
Solo se dispone de algunos
valores para .
Se anuncia puntos críticos para
grados de libertad de 1 a 30 y
para 40,50,60,70,80,90 y 100
Tabla Ji cuadrado
Primera Página.
0.995, 0.990, 0.975, 0.950 y 0.900
Valores de ² a izquierda (pequeños)
Segunda Página.
0.100, 0.050, 0.025, 0.010 y 0.005
Valores de ² a derecha (grandes)
Ejercicios
> qf(0.975,20,12,lower.tail=F)
[1] 0.3737157
Hallar f tal que P(F10,20 < f )=0.05
f= f0.95;10,20
> qf(0.95,10,20,lower.tail=F)
[1] 0.3604881
Ejercicios
Hallar f 1 y f 2 tal que P( f 1 < F24,10 < f 2 )=0.95
f 2 = f0.025;24,10 = 3.37 f 1 = f0.975;24,10 (usar aproximación)
> qf(0.025,24,10,lower.tail=F)
[1] 3.365369
> qf(0.975,24,10,lower.tail=F)
[1] 0.3788467
Entonces P(0.3788467 < F24,10 < 3.365369 )=0.95
Ejercicios
Hallar P(F5,8 > 8.30 )
P(F5,8 > 8.30 )=0.005 8.30 = f0.005;5,8
> pf(8.30,5,8,lower.tail=F)
[1] 0.005003433
Hallar P(F14,31 < 3.693 )
> pf(3.963,14,31)
[1] 0.999316
P(F14,31 < 3.693 )=0.999316 3.693 = f0.000684;14,31
P(0.953< F8,21 < 2.264 )
> pf(2.264,8,21)-pf(0.953,8,21)
[1] 0.4326679
P(0.953< F8,21 < 2.264 )=0.4326679
Muestras Aleatorias y
Distribuciones de Muestreo
Muestra Aleatoria
Sea X una característica de interés y f(x) su
función de densidad de probabilidad (f.d.p.). Un
conjunto de n variables aleatorias X1 , X2 ,..., Xn
independientes e idénticamente distribuidas
(i.i.d.) se denomina una muestra aleatoria.
Muestra Aleatoria
f(x)
f(x)
x
Parámetro
Característica numérica que define parcial
o totalmente la f.d.p. de una variable
aleatoria.
Ejemplo.
– X~B(n ; p) parámetros: n y p.
– X~P() parámetro:
– X~N( ; ²) parámetros: y ²
Estadística (Estadígrafo)
Cualquier función de las variables aleatorias
que conforman una muestra aleatoria, de tal
forma que al realizar la observación no
contiene valores desconocidos.
T=f(X1, X2,..., Xn)
Ejemplo:
T=X1+ X2+..., +Xn
Algunas estadísticas importantes
X1 X 2 X 2
T X
n R X ( n ) X (1)
X n1 n impar n
Me X n X n
2
i
( X X ) 2
2
1 S
2 i 1
2
n par n 1
2
Distribución de muestreo de una
estadística
T2
f(t)
T3
T4
T5
Distribución de X
Sea X ~ N(; ² ) y X1, X2,..., Xn una muestra
aleatoria, con promedio E(Xi)= y varianza
V(Xi)= ², i=1,2,..,n, entonces la distribución
del promedio muestral es también normal con
promedio y varianza ²/n.
X ~N ;
n
2
Z X
~ N (0 ; 1)
n
Ejemplo
Sea X una variable normal con =10 y =3. ¿Cuál es la distribución de muestreo
del promedio al seleccionar muestras aleatorias de tamaño 25?
Aplicando Teorema. tiene distribución normal
Evidencia empírica.
– Simulación muestra tamaño 25 de normal. rnorm(25,10,3)
– Se tomaron k=100 de muestras de tamaño 25