Distribución t de student

Media:
μ= E (T )=0; g> 1

Varianza:
2 g
σ =Var (T )= ; g>2
g−2
La distribución t es muy similar a la distribución normal ya que ambas son simétricas y
centradas alrededor de la media, pero la distribución t tiene mayor dispersión. La
varianza de la distribución se aproxima a 1 a medida que los grados de libertad
aumentan, por lo tanto, es también una aproximan a la distribución normal estándar.

Teorema
Sea:
Z una variable aleatoria con distribución normal N (0,1).
Y una Variable aleatoria con distribución Chi-Cuadrado con g grados de libertad.
Si Z y Y son independientes entonces la variable aleatoria T tiene una distribución t de
student con g grados de libertad.
Z
T=
√Y /g
Distribución Chi-Cuadrado
Función de densidad:

{
1
x g /2−1 e− x/ 2
f ( x) 2g / 2 Γ g
2()
0

Los grados de libertad son el número de variables aleatorias independientes que se

suman. También se puede concebir como un parámetro asociado con la distribución
de probabilidad o como el número de variables que pueden variar libremente.
Media:

μ= E ( X )=g
2

Varianza:

σ =Var ( X )=2 g
2 2
La distribución Chi-Cuadrado es una familia de distribuciones continuas positivamente
asimétricas. A medida que los grados de libertad aumentan se aproxima a una
distribución normal estándar.

Distribución F
Se utiliza para comparar las varianzas de dos variables aleatorias independientes.
U / gU
F=
V / gV

La distribución F depende de dos parámetros gU (grados de libertad en el numerador)

y gV (grados de libertad en el denominador)

La distribución F es una familia de distribuciones continuas positivamente asimétricas.

Media:
gV
μ= E ( F )= ; g >2
gV −2 V

Varianza:

2
2 gV ( gU + gV −2 )
σ =Var (T )= 2
; gV > 4
gU ( gV −2 ) ( g V −4 )

Distribución muestral
Es una variable aleatoria que depende solamente de la muestra observada.
La distribución de probabilidad de un estadístico se llama distribución muestral.
La desviación estándar de la distribución muestral de un estadístico, se llama error
estándar del estadístico.
N
xi
μ=∑
i=0 N
2
N
( xi −μ )
σ =∑
2

i=0 N

M
xi
μ x =∑
i=0 M
2
M
( x i−μ )
σ x =∑
2

i=0 M
 μ=μ x

σ2
=σ 2x
n

Para n suficientemente grande, por el teorema central del límite la variable aleatoria X
σ2
se distribuye aproximadamente por una normal con media μ y varianza .
n

( )
2
σ
X N μ,
n

Por lo tanto, la variable aleatoria X tiene aproximadamente una distribución normal

estándar N ( 0,1 ).
X−μ x X −μ
Z= =
σx σ
√n
Si la población es normal la distribución normal se cumple para cualquier tamaño de n .
Si la población no es normal la aproximación a la distribución normal se cumple para
n ≥ 30.

Cuando la población es finita de N elementos y el muestreo es realizado sin

reemplazamiento, las variables aleatorias X i no son independientes, entonces la
distribución de X obedece a una distribución de probabilidad hipergeométrica.
Para una muestra de tamaño n extraída sin reemplazamiento de una población de
tamaño N la variable aleatoria X tiene aproximadamente una distribución normal
estándar N ( 0,1 ).
X−μ x X −μ
Z= =

√
σx σ N −n
√ n N−1
Distribución muestral de la diferencia de medias de dos muestras independientes
Se utilizará esta distribución para comparar las medias de dos poblaciones con sus
respectivas muestras aleatorias independientes.
Sean:
μ1=Media de la población 1
2
σ 1=Varianza de la población 1
μ2=Media de la población 2
2
σ 2=Varianza de la población 2
Para la variable aleatoria de la diferencia se cumple:
μ X −X =E ( X 1−X 2 ) =E ( X 1 ) −E ( X 2 )=μ 1−μ2
1 2

μ X −X =μ1−μ 2
1 2

2 2 2
σ X − X =Var ( X 1−X 2) =Var ( X 1 ) +Var ( X 2 ) =σ X + σ X
1 2 1 2

2 2
2 σ1 σ1
σ X 1− X 2 = +
n1 n2

√
2 2
σ 1 σ1
σ X −X = +
1 2
n1 n 2

Entonces la aproximación a la distribución normal estándar N ( 0,1 ) es:

( X 1−X 2 )−μ X −X ( X 1−X 2 )−( μ1−μ 2 )

Z= 1 2
=

√
σ X −X
1 2 σ 21 σ 21
+
n 1 n2

La distribución es válida cuando:

 El muestro es con reemplazamiento de dos poblaciones finitas

 El muestro es con reemplazamiento o sin reemplazamiento de dos poblaciones
infinitas, discretas o continuas.
 El muestro es sin reemplazamiento de dos poblaciones finitas, cuyos tamaños
N 1 y N 2 son grandes con respecto a los tamaños n1 y n2 de la muestra.

Si las poblaciones son normales la distribución normal se cumple para cualquier

tamaño de las muestras n1 y n2 .

Si las poblaciones no son normales la aproximación a la distribución normal se cumple

para n1 ≥30 y n2 ≥ 30.

Distribución de la diferencia de dos medias muestrales con varianzas desconocidas

pero iguales
La distribución de la diferencia de las medias muestrales es:

( X 1−X 2 )−μ X −X ( X 1−X 2 )−( μ1−μ 2 )

Z= 1 2
=

√
σ X −X
1 2
2
σ1 σ 2
2

+
n1 n2

Como σ 21=σ 22

( X 1−X 2 )−( μ1−μ 2 )

Z=
σ
√ 1 1
+
n 1 n2
Por la propiedad aditiva de la distribución Chi-Cuadrado.
m
χ 2g= χ 21 + χ 22 +…+ χ 2m ; g=∑ gi
i=1

La variable aleatoria Y es la suma de las distribuciones Chi-Cuadrado de las varianzas

muestrales con g=n1 +n2−2 grados de libertad.
2 2
( n 1−1 ) S 1 ( n2−1 ) S2
Y= +
σ 21 σ 22

Como σ 21=σ 22
2 2
( n 1−1 ) S 1+ ( n2−1 ) S2
Y=
σ2
Como Z y Y son independientes entonces la variable aleatoria T tiene una distribución
t de student con g grados de libertad.
Z
T=
√Y /g
( X 1−X 2 ) −( μ1−μ2 )
σ
√ 1 1
+
n1 n 2

√
T=
2 2
( n1−1 ) S1 + ( n 2−1 ) S 2
2
σ
n1 +n 2−2

( X 1− X 2 )−( μ 1−μ2 )
T=

√
2 2
( n 1−1 ) S 1+ ( n2−1 ) S2 1 1
n1 +n2−2
+
(n n )
1 2

Distribución de una proporción

Sea X una variable aleatoria binomial
X
P=
n
Media

μ P=E ( Xn )= 1n E ( X )= 1n ( np )= p
Varianza

σ 2P =Var ( Xn )= n1 Var ( X )= n1 ( npq) = pqn

2 2
Distribución de probabilidad

p ( nx )=(nx) p q x n− x

Distribución de la diferencia de dos proporciones

Sean:
μ1=Media de la población 1
2
σ 1=Varianza de la población 1
μ2=Media de la población 2
2
σ 2=Varianza de la población 2

Para la variable aleatoria de la diferencia se cumple:

μ P −P =E ( P1−P2 )=E
1 2 ( ) ( )
X1
n1
−E
X2
n2
1
n1
1
= ( n1 p1 )− ( n2 p 2)
n2

μ P −P =p 1− p2
1 2

σ 2P − P =Var ( P1−P2 )=Var

1 2 ( ) ( )
X1
n1
X 1 1
+Var 2 = 2 ( n1 p1 q1 ) + 2 ( n2 p 2 q 2)
n2 n1 n2

2 p1 q1 p2 q2
σ P −P = +
1 2
n1 n2

σ P −P =
1 2
√ p1 q1 p2 q 2
n1
+
n2

Entonces la aproximación a la distribución normal estándar N ( 0,1 ) es:

( P 1−P2 )−μ P −P ( P1−P 2) −( p1− p2 )

Z= 1 2
=

√
σ P −P p 1 q1 p2 q2
+
1 2

n1 n2

Distribución de la varianza muestral

Sean:
X =Media muestral
2
S =Varianza muestral
La función de la varianza muestral tiene una distribución Chi-Cuadrado con n−1
grados de libertad ( χ n−1) .
2

Demostración:
Función de varianza muestral
2
n
( x i− X )
S =∑
2

i =1 n−1
2
( n−1 ) S 2 n ( xi −X )
=∑
σ2 i=1 σ2
Considerando:
n n
2
∑ ( xi −μ )2=∑ [ ( xi −X ) +( X −μ ) ]
i=1 i=1

n n

∑ ( xi −μ ) =∑ [ ( xi −X ) +2 ( x i−X ) ( X −μ ) +( X −μ )
2 2 2
]
i=1 i=1

Considerando las propiedades de la sumatoria:

n n n n n

∑ ( A i ± B i )= ∑ A i ± ∑ B i ∑ c Ai =c ∑ A i
i=1 i=1 i=1 i=1 i=1
n n

∑ ( Ai− A)=0 ∑ c=nc

i=1 i=1

n n n n

∑ ( xi −μ )2=∑ ( x i− X )2 + ∑ 2 ( x i−X ) ( X −μ ) +∑ ( X −μ )2
i=1 i=1 i=1 i=1

n n n

∑ ( xi −μ ) =∑ ( x i− X ) +2 ( X−μ ) ∑ ( x i− X ) +n ( X −μ )
2 2 2

i=1 i=1 i=1

n n

∑ ( xi −μ ) =∑ ( x i− X )2 +n ( X −μ )2
2

i=1 i=1

2 2
n
( x i−μ ) n
( x i− X ) n ( X −μ )2
∑ σ2
=∑
σ2
+
σ2
i=1 i=1

2
n
( x i−μ ) ( n−1 ) S2 ( X−μ )2
∑ σ
2
=
σ
2
+ 2
σ /n
i=1

Por la propiedad aditiva de la distribución Chi-Cuadrado.

m
χ = χ + χ +…+ χ ; g=∑ gi
2 2 2 2
g 1 2 m
i=1

2
( X−μ )2 n
( x i−μ )
Entonces si las variables aleatorias ∑ tienen una distribución Chi- y
i=1 σ2 σ 2 /n
cuadrado con n grados de libertad ( χ n ) y 1 grado de libertad ( χ 1) respectivamente la
2 2
 ( n−1 ) S 2
variable aleatoria 2 tiene una distribución Chi-Cuadrado con n−1 grados de
σ
libertad ( χ n−1) .
2

Distribución de la razón de dos varianzas muestrales

Sean U y V variables aleatorias con distribuciones Chi-Cuadrado con n1 −1 y n2 −1

grados de liberad respectivamente.
2
( n1−1 ) S 1
U= 2
σ1
2
( n 2−1 ) S 2
V=
σ 22

Como U y V son independientes entonces la variable aleatoria F tiene una distribución

F con n1 −1 y n2 −1 grados de liberad.

( )
2
( n1−1 ) S 1
σ 21
n1−1
F=

( )
2
( n2−1 ) S 2
σ 22
n2−1
2 2
S 1 /σ 1
F= 2 2
S 2 /σ 2