UNIVERSIDAD LAICA ELOY ALFARO

DE MANABÍ

FACULTAD DE INGENIERÍA INDUSTRIAL

ESTADISTICA INFERENCIAL

DOCENTE:
Ing. Lindsay Rangel
ESTUDIANTE:
Saltos Alonzo Pamela
NIVEL:
Cuarto Semestre
PARALELO:
“B”
FECHA:
31/10/2018
2do PERIODO 2018
DISTRIBUCIÓN FISHER
La distribución F es una distribución continua de muestreo de la relación de dos
variables aleatorias independientes con distribuciones de chi-cuadrada, cada
una dividida entre sus grados de libertad.
Esta razón F fue creada por Ronald Fisher (1890-1962), matemático británico,
cuyas teorías estadísticas hicieron mucho más precisos los experimentos
científicos. Sus proyectos estadísticos, primero utilizados en biología,
rápidamente cobraron importancia y fueron aplicados a la experimentación
agrícola, médica e industrial. Fisher también contribuyó a clarificar las
funciones que desempeñan la mutación y la selección natural en la genética,
particularmente en la población humana.
El valor estadístico de prueba resultante se debe comparar con un valor tabular
de F, que indicará el valor máximo del valor estadístico de prueba que ocurría
si H0 fuera verdadera, a un nivel de significación seleccionado. Antes de
proceder a efectuar este cálculo, se debe considerar las características de la
distribución F
Características:
1. F tiene valores no negativos; es igual a cero o positiva.
2. F es asimétrica: está sesgada a la derecha.
3. Existen muchas distribuciones F, de manera semejante a las
distribuciones t.
4. Existe una distribución para cada par de grados de libertad gl1 (grados
de libertad del numerador) y gl2 (grados de libertad del denominador).

Para determinar un valor crítico en la tabla F, localizamos la tabla correcta para

alfa(0,01 o 0,05) e interceptamos el renglón identificado por grados de libertad
del numerador con la columna identificada por grados de libertad del
denominador.
 N1: N de datos de la muestra 1.
 N2: N de datos de la muestra 2.
 S12: Varianza muestral del grupo 1.
  S22: Varianza muestral del grupo 2.
 ∂12: Varianza del grupo 1.
 ∂22: Varianza del grupo 2.

DISTRIBUCIÓN JI-CUADRADO
En realidad la distribución ji-cuadrada es la distribución muestral de s2. O sea
que si se extraen todas las muestras posibles de una población normal y a
cada muestra se le calcula su varianza, se obtendrá la distribución muestral de
varianzas.
Para estimar la varianza poblacional o la desviación estándar, se necesita
conocer el estadístico X2. Si se elige una muestra de tamaño n de una
población normal con varianza ∂2, el estadístico:

Tiene una distribución muestral que es una distribución ji-cuadrada con gl=n-
1 grados de libertad y se denota X2 (X es la minúscula de la letra griega ji). El
estadístico ji-cuadrada está dado por:

Donde n es el tamaño de la muestra, s2 la varianza muestral y ∂2 la varianza

de la población de donde se extrajo la muestra. El estadístico ji-cuadrada
también se puede dar con la siguiente expresión:

Propiedades de las distribuciones ji-cuadrada

1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribución X2 depende del gl=n-1. En consecuencia,
hay un número infinito de distribuciones X2.
 3. El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X2 no son simétricas. Tienen colas estrechas que se
extienden a la derecha; esto es, están sesgadas a la derecha.

1. Cuando n>2, la media de una distribución X2 es n-1 y la varianza es 2(n-

1).
2. El valor modal de una distribución X2 se da en el valor (n-3).
Uso de tabla ji-cuadrado:
La tabla de ji-cuadrado tiene en la primera columna los grados de libertad y en
la primera fila la probabilidad asociada a valores mayores a un determinado
valor del estadístico.
Los grados de libertad dependen del número de celdas que tiene la tabla de
asociación donde están los datos del problema y su fórmula de cálculo es muy
sencilla:
Grados de libertad (gl)= (nº de filas–1) x (nº de columnas–1)

DISTRIBUCIÓN T DE STUDENT
La distribución T es más ancha que la distribución normal tipificada Para un
número de grados de libertad pequeño. Cuando los grados de libertad tienden
a infinito, la distribución T tiende a coincidir con la distribución normal estándar.
Es decir, en la medida que aumentemos el número de observaciones de la
muestra, la desviación estándar calculada estará más próxima a la desviación
estándar de la población y entonces la distribución T correspondiente se acerca
a la distribución normal estándar. El uso de la distribución T presupone que la
población con que estamos trabajando tiene una distribución normal.
La t de Student, inicialmente se diseñó para examinar las diferencias entre dos
muestras independientes y pequeñas que tengan distribución normal y
homogeneidad en sus varianzas (en el artículo original, el autor no define qué
es una muestra grande y/o pequeña). Gosset hace hincapié en la normalidad
de las dos muestras como crucial en el desarrollo de la prueba.
Propiedades de las distribuciones t
1. Cada curva t tiene forma de campana con centro en 0.
2. Cada curva t, está más dispersa que la curva normal estándar z.
 3. A medida que aumenta, la dispersión de la curva t correspondiente
disminuye.
4. A medida que , la secuencia de curvas t se aproxima a la curva normal
estándar, por lo que la curva z recibe a veces el nombre de curva t con
gl = ∞
La distribución de la variable aleatoria t está dada por:

µ= media de la población
x= media de la distribución de los datos.
n= tamaño de la muestra.
s= error estándar de la muestra.
Es importante resaltar que al ser una distribución simétrica al tener información
sobre un valor positivo, se obtiene el dato para el mismo valor con signo
negativo.
Un hecho de relevancia significativa, es que se utiliza para calcular
probabilidades con respecto al promedio, en estos casos, el divisor al
estandarizar los valores se divide sobre S/ Ö n, término que se conoce como el
error estándar de la media y mide la variabilidad de la media entre muestra y
muestra. A mayor tamaño de muestra, menor es el error estándar de la media.
Por último, se puede afirmar, la distribución t es útil para realizar inferencias
acerca de la media poblacional cuando no se conoce s y la población es
normal, independiente del n, no obstante, aun cuando la distribución sea un
tanto sesgada, la t sigue siendo apropiada, esto se conoce como una
distribución robusta, es decir, a cambios moderados de los supuestos, el
modelo sigue siendo válido. Como en el caso de la distribución normal, ésta
distribución también usa valores tabulados, tal como se aprecian en la tabla
precedente, teniendo en cuenta, que a medida que los gl aumenten los valores
tienden a ser igual a los encontrados en la tabla Z.