Distribucin t de student

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin

de probabilidad que surge del problema de estimar la media de una poblacin
normalmente distribuida cuando el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias muestrales y para la
construccin del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y
sta debe ser estimada a partir de los datos de una muestra.
Si el tamao de la muestra es n entonces decimos que la distribucin t tiene n1 grados de libertad. Hay una distribucin t diferente para cada tamao de la
muestra. Estas distribuciones son una familia de distribuciones de probabilidad
continuas. Las curvas de densidad son simtricas y con forma de campana
como la distribucin normal estndar. Sus medias son 0 y sus varianzas son
mayores que 1 (tienen colas ms pesadas). Las colas de las distribuciones t
disminuyen ms lentamente que las colas de la distribucin normal. Si los
grados de libertad son mayores ms prxima a 1 es la varianza y la funcin de
densidad es ms parecida a la densidad normal.
Cuando n es mayor que 30, la diferencia entre la normal y la distribucin t de
Student no suele ser muy importante.

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;

3. caracteres sociolgicos como el consumo de cierto producto por un

mismo grupo de individuos;
4. caracteres psicolgicos como el cociente intelectual;
5. nivel de ruido en telecomunicaciones;
6. errores cometidos al medir ciertas magnitudes;
La distribucin normal tambin aparece en muchas reas de la propia
estadstica. Por ejemplo, la distribucin muestral de las medias muestrales es
aproximadamente normal, cuando la distribucin de la poblacin de la cual se
extrae la muestra no es normal.1 Adems, la distribucin normal maximiza la
entropa entre todas las distribuciones con media y varianza conocidas, lo cual
la convierte en la eleccin natural de la distribucin subyacente a una lista de
datos resumidos en trminos de media muestral y varianza. La distribucin
normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una "normalidad" ms o menos justificada de la variable aleatoria
bajo estudio.
En probabilidad, la distribucin normal aparece como el lmite de varias
distribuciones de probabilidades continuas y discretas.

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:

tiene una distribucin muestral que es una distribucin ji-cuadrada con

gl=n-1 grados de libertad y se denota X2 (X es la minscula de la letra griega
ji). El estadstico ji-cuadrada esta dado por:

donde n es el tamao de la muestra, s 2 la varianza muestral y

la varianza
de la poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada
tambin se puede dar con la siguiente expresin:

Propiedades de las distribuciones ji-cuadrada

1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribucin X2 depende del gl=n-1. En consecuencia,
hay un nmero infinito de distribuciones X2.
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se
extienden a la derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X 2 es n-1 y la varianza es 2(n1).
6. El valor modal de una distribucin X2 se da en el valor (n-3).

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:

Se considera que el paciente est enfermo, a pesar de que en realidad

est sano; hiptesis nula: El paciente est sano.

Se declara culpable al acusado, a pesar de que en realidad es inocente;

hiptesis nula: El acusado es inocente.

No se permite el ingreso de una persona, a pesar de que tiene derecho a

ingresar; hiptesis nula: La persona tiene derecho a ingresar.

En un estudio de investigacin, el error de tipo II, tambin llamado error de tipo

beta () ( es la probabilidad de que exista este error) o falso negativo, se
comete cuando el investigador no rechaza la hiptesis nula siendo esta falsa en
la poblacin. Es equivalente a la probabilidad de un resultado falso negativo, ya
que el investigador llega a la conclusin de que ha sido incapaz de encontrar
una diferencia que existe en la realidad.
Se acepta en un estudio que el valor del error beta est entre el 5 y el 20%.
El poder o potencia del estudio representa la probabilidad de observar en
la muestra una determinada diferencia o efecto, si existe en la poblacin. Es el
complementario del error de tipo II (1-).

Introduccin

La inferencia estadstica es, realmente, la parte ms interesante y con mayor

cantidad de aplicaciones en problemas concretos. De qu se ocupa? El
planteo, a grandes rasgos, es ms o menos el siguiente: el investigador se
encuentra estudiando una gran poblacin (personas, o tornillos, o palomas, o
automviles, o lo que sea) y quiere disponer de algunos valores (promedios,
desvos, tendencias, forma de la distribucin, etctera) que sean vlidos en
forma general, para toda la poblacin en estudio. Sin embargo, le resulta
imposible acceder a toda la informacin, medir la variable analizada en todos y
cada uno de los integrantes de la poblacin.

Qu hace?. Apela al estudio de muestras, que son subconjuntos de la

poblacin original, con menos elementos, pero que intentan representarla del
modo ms fiel posible. En algn sentido puede decirse que una muestra
seleccionada honestamente es un modelo reducido a escala de la poblacin.
Por supuesto, al tomar la muestra siempre se producen errores y se pierden
detalles, pero es mucho ms lo que se gana respecto a la informacin que ella
puede proporcionar.
Existen numerosas tcnicas para seleccionar muestras. Este paso es de
importancia vital en un estudio estadstico, porque las conclusiones que se
obtienen dependen muy esencialmente de la/s muestra/s analizada/s. Las
tcnicas que proporcionan las mejores muestras son las aleatorias, en las que
cualquier integrante de la poblacin tiene la misma probabilidad de ser elegido.
La cantidad de elementos que integran la muestra (el tamao de la muestra)
depende de mltiples factores, como el dinero y el tiempo disponibles para el
estudio, la importancia del tema analizado, la confiabilidad que se espera de
los resultados, las caractersticas propias del fenmeno analizado, etctera.

Conclusin

La estadstica es la ciencia que trata de la recoleccin, clasificacin y

presentacin de los hechos sujetos a una apreciacin numrica como base a la
explicacin, descripcin y comparacin de los fenmenos. La estadstica tiene
una suma de importancia.

Estadstica descriptiva es aquella parte de la ciencia estadstica que tiene por

objeto describir y analizar un determinado colectivo sin pretender sacar
conclusiones de tipo ms general. La Estadstica Inductiva, es aquella parte de
la ciencia estadstica que, basndose en los resultados obtenidos del anlisis
de una muestra de la poblacin, infiere, induce o estima las leyes de
comportamiento de la poblacin a la cual pertenece la muestra.
La Muestra Se llama muestra a una parte de la poblacin a estudiar que sirve
para representarla, esta es una coleccin de algunos elementos de la
poblacin, pero no de todos.

UNIVERSIDAD NACIONAL PEDRO HENRIQUEZ UREA

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