ESTADISTICA

Clase Magistral 8
Profesor Manuel Ricardo Contento
Distribucion t-Student, Ji-Cuadrado y F

Muestras Aleatorias y Distribuciones de

Muestreo.
 Distribución t-Student
Propuesta por William Gosset (1876-1937)
Parámetro: grados de libertad (v1, v entero)
Notación: T ~ tv
Características: simétrica con respecto a cero,
acampanada, asintótica al eje X.
Promedio: E(Tv)=0, v>1.
Varianza: V(Tv) = v / (v-2), v > 2.
Gráfico de una distribución T
Impacto de v
 Convergencia de T a Z
Tv v 
Z
En la practica esta aproximación se evidencia si v30.
Tabla t-Student
La tabla provee valores críticos.
Dada una probabilidad  y
grados de libertad , la tabla
proporciona el valor de t tal que:

Este valor de t se denota,

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

Cálculo de t en Valor Acumulado Cálculo de t en punto crítico

> qt(0.95,15) > qt(0.05,15,lower.tail=F)
[1] 1.75305 [1] 1.75305
 Cuantiles usando tabla y R
Hallar t tal que P(T22 < t)=0.99

t = t0.01;22 =2.508

Cálculo de t en Valor Acumulado Cálculo de t en punto crítico

> qt(0.99,22) > qt(0.01,22,lower.tail=F)
[1] 2.508325 [1] 2.508325
 Cuantiles usando tabla y R
Hallar t1 y t2 tal que P(t1 < T19 < t2)=0.95

t1 = t0.975;19 = -t0.025;19 =-2.093 t2 = t0.025;19 = 2.093

Calculo de t1 en punto crítico Calculo de t2 en punto crítico

> qt(0.975,19,lower.tail=F) > qt(0.025,19,lower.tail=F)
[1] -2.093024 [1] 2.093024
 Cuantiles usando tabla y R
Hallar t1 y t2 tal que P(t1 <T43 < t2)=0.93

t1 = t0.965;43 No están en la tabla t2 = t0.035;43

Calculo de t1 en punto crítico Calculo de t2 en punto crítico

> qt(0.965,43,lower.tail=F) > qt(0.035,43,lower.tail=F)
[1] -1.858168 [1] 1.858168
 Probabilidades usando tabla y R
Hallar P(T25 > 2.060).

P(T25 > 2.060) = 0.025

t0.025;25 = 2.060

> 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:

Este valor de ² se denota,

¡Atención! No hay simetría

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

Valores de  disponibles en la tabla

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

 Hallar ² tal que P(²8 < ² )= 0.95

 ² = ²0.05 ; 8 =15.5073

En punto crítico. Con valor acumulado.

> qchisq(0.05,8,lower.tail=F) > qchisq(0.95,8)
[1] 15.50731 [1] 15.50731
 Ejercicios
 Hallar ² tal que P(²18 < ² )= 0.005
 ² = ²0.995;18 = 6.26481
> qchisq(0.995,18,lower.tail=F)
[1] 6.264805
 Hallar ² tal que P(²30 > ² )= 0.975
 ² = ²0.975;30 =16.7908
> qchisq(0.975,30,lower.tail=F)
[1] 16.79077
 Hallar 1² y 2² tal que P(1² <²23 < 2² )= 0.90
1² = ²0.95;23 = 13.0905 2² = ²0.05;23 = 35.1725
> qchisq(0.95,23,lower.tail=F)
[1] 13.09051
> qchisq(0.05,23,lower.tail=F)
[1] 35.17246
 Ejercicios
 Hallar P(²10 > 2.55821)
 P(²10 > 2.55821)=0.99
 2.55821 = ²0.99;10
> pchisq(2.55821,10,lower.tail=F)
[1] 0.99
 Hallar P(²7 < 14.0671 )
 P(²7 < 14.0671)=0.95
 14.0671 = ²0.05;7
> pchisq(14.0671,7)
[1] 0.9499993
 Hallar P(²33 < 6.55 )
> pchisq(6.55,33)
[1] 1.717213e-07
 Ejercicios
 Hallar P(²15 > 39.26)
> pchisq(39.26,15,lower.tail=F)
[1] 0.0005859512
 Hallar P(25.41<²35 < 45.68)
P(25.41<²35 < 45.68)= P(²35 < 45.68) - P(²35 < 25.41)
> pchisq(45.68,35)
[1] 0.8932006
> pchisq(25.41,35)
[1] 0.1170399
> pchisq(45.68,35)-pchisq(25.41,35)
[1] 0.7761607
 Distribución F
Propuesta por Ronald Fisher (1890-1962)
Parámetros:
– g. l. del numerador (1 =1,2,3,…)
– g. l. del denominador ( 2 1,  2  Z +)
Notación: F ~ F  1 ,  2
Características: asimétrica, F > 0
Promedio: E(X)=  2 /  2-2,  2>2
Varianza: V(X) = 2  22( 1+  2-2)/  1( 2-2)2( 2-4) ,  2>4
Distribución F. Cambio en gl denominador
Distribución F. Cambio en gl numerador
Gl numerador
Tabla distribución F Gl denominador

Valor de  = 0.1, 0.05, 0.025, 0.01, 0.005 f 0.1;15,5

 Ejercicios
Hallar f tal que P(F12,8 > f )=0.025
f= f0.025;12,8= 4.20
> qf(0.025,12,8,lower.tail=F)
[1] 4.199667
Hallar f tal que P(F30,60 < f )=0.9
f= f0.1;30,60= 1.48
> qf(0.1,30,60,lower.tail=F)
[1] 1.475539
Hallar f tal que P(F17,48 > f )=0.03
f= f0.03;17,48 (No esta en la tabla. Usar R)
> qf(0.03,17,48,lower.tail=F)
[1] 2.008417
 Ejercicios
Hallar f tal que P(F20,12 > f )=0.975
f= f0.975;20,12 (No aparece en la tabla =0.975)
Aproximación .

> 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  n1  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

Sea T una estadística, la distribución de T

es la f.d.p. que se obtendría de un numero
infinito de muestras aleatorias
independientes, cada una de tamaño n,
provenientes de la población (variable) de
interés.
Distribución de muestreo
X~f(x)
T1

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