Escolar Documentos
Profissional Documentos
Cultura Documentos
Historia
Las distribuciones t de Student fueron descubiertas por William S. Gosset
(1876-1937) en 1908 cuando trabajaba para la compaa de cervezas Guinness
en Dubln (Irlanda). No pudo publicar sus descubrimientos usando su propio
nombre porque Guinness haba prohibido a sus empleados que publicaran
informacin confidencial. Gosset firm sus publicaciones usando el nombre de
"Student". Gosset tena buena relacin con Karl Pearson que haba sido su
maestro. Necesitaba una distribucin que pudiera usar cuando el tamao de la
muestra fuera pequeo y la varianza desconocida y tena que ser estimada a
partir de los datos. Las distribuciones t se usan para tener en cuenta la
incertidumbre aadida que resulta por esta estimacin. Fisher comprendi la
importancia de los trabajos de Gosset para muestras pequeas.
Distribucin normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de
variable continua que con ms frecuencia aparece aproximada en fenmenos
reales.
La grfica de su funcin de densidad tiene una forma acampanada y es
simtrica respecto de un determinado parmetro estadstico. Esta curva se
conoce como campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos
que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la
enorme cantidad de variables incontrolables que en ellos intervienen, el uso
del modelo normal puede justificarse asumiendo que cada observacin se
obtiene como la suma de unas pocas causas independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo
experimental, de ah que al uso de la estadstica en psicologa y sociologa sea
conocido como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y
antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el
modelo de la normal son:
1. caracteres morfolgicos de individuos como la estatura;
2. caracteres fisiolgicos como el efecto de un frmaco;
Historia
La distribucin normal fue presentada por primera vez por Abraham de Moivre
en un artculo del ao 1733, que fue reimpreso en la segunda edicin de su The
Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de la
distribucin binomial para grandes valores de n. Su resultado fue ampliado por
Laplace en su libro Teora analtica de las probabilidades (1812), y en la
actualidad se llama Teorema de De Moivre-Laplace.
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo de mnimos cuadrados fue introducido por Legendre en
1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific
rigurosamente en 1809 asumiendo una distribucin normal de los errores. El
nombre de Gauss se ha asociado a esta distribucin porque la us con
profusin cuando analizaba datos astronmicos y algunos autores le atribuyen
un descubrimiento independiente del de De Moivre. Esta atribucin del nombre
de la distribucin a una persona distinta de su primer descubridor es un claro
ejemplo de la ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell
surface" (superficie campana) por primera vez en 1872 para una distribucin
normal bivariante de componentes independientes. El nombre de "distribucin
normal" fue otorgado independientemente por Charles S. Peirce, Francis Galton
y Wilhelm Lexis hacia 1875. A pesar de esta terminologa, otras distribuciones
de probabilidad podran ser ms apropiadas en determinados contextos.
Distribucin Ji Cuadrado
En estadstica, la distribucin de Pearson, llamada tambin ji cuadrada o chi
cuadrado () es una distribucin de probabilidad continua con un parmetro k
que representa los grados de libertad de la variable aleatoria.
En realidad la distribucin ji-cuadrada es la distribucin muestral de s 2. O sea
que si se extraen todas las muestras posibles de una poblacin normal y a
cada muestra se le calcula su varianza, se obtendr la distribucin muestral de
varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita
conocer el estadstico X2. Si se elige una muestra de tamao n de una
poblacin normal con varianza
, el estadstico:
Error tipo I y II
En un estudio de investigacin, el error de tipo I tambin denominado error de
tipo alfa () o falso positivo, es el error que se comete cuando el investigador
no acepta la hiptesis nula (
) siendo esta verdadera en la poblacin. Es
equivalente a encontrar un resultado falso positivo, porque el investigador
llega a la conclusin de que existe una diferencia entre las hiptesis cuando en
realidad no existe. Se relaciona con el nivel de significancia estadstica.
La hiptesis de la que se parte
aqu es el supuesto de que la situacin
experimental presentara un estado normal. Si no se advierte este estado
normal, aunque en realidad existe, se trata de un error estadstico tipo I.
Algunos ejemplos para el error tipo I seran:
Introduccin
Conclusin
NOMBRE:
Patricia Beltre
MATRICULA:
14-0182
PROFESOR:
Antonio Mesa
MATERIA:
Inferencia Estadstica
SECCION:
MAT-337-02
PRACTICA:
Distribuciones
FECHA DE ENTREGA:
22 de septiembre del ao 2015