Termiaduuuu 2

UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRION
LABORATORIO DE QUIMICA ORGANICA I Pgina 1

DISTRIBUCION T STUDENT

En probabilidad y estadstica , de Student t -distribucin (o simplemente el t -distribucin ) es
una familia de continuas distribuciones de probabilidad que surge al estimar la media de
una distribucin normal poblacin en situaciones donde el tamao de la muestra es pequeo
y la poblacin desviacin estndar es desconocida. Desempea un papel en una serie de
anlisis estadsticos utilizados, incluyendo el Student t -test para evaluar la significacin
estadstica de la diferencia entre dos muestras medios , la construccin de intervalos de
confianza para la diferencia entre dos medias de poblacin, y en forma lineal anlisis de
regresin . De Student t -distribucin tambin se plantea en el anlisis bayesiano de datos de
una familia normal.
Si tomamos k muestras de una distribucin normal con media desconocida fija y la varianza, y
si se calcula la media de la muestra ymuestra de varianza para estos k muestras, entonces
el t -distribucin (para k ) se puede definir como la distribucin de la ubicacin de los la media
verdadera, con relacin a la media de la muestra y se divide por la desviacin estndar de la
muestra, despus de multiplicar por el trmino normalizacin , donde n es el tamao de
la muestra. De esta manera el t -distribucin se puede utilizar para estimar la probabilidad de
que la media real se encuentra en cualquier intervalo dado.
El t -distribucin es simtrica y en forma de campana, como la distribucin normal , pero tiene
colas ms pesadas, lo que significa que es ms propenso a producir los valores que estn lejos
de su media. Esto hace que sea til para la comprensin del comportamiento estadstico de
ciertos tipos de proporciones de cantidades aleatorias, en el que la variacin en el
denominador se amplifica y se puede producir valores perifricos cuando el denominador de
la relacin cae cercana a cero. De Student t -distribucin es un caso especial de la distribucin
hiperblica generalizada .



HISTORIA Y ETIMOLOGIA DE LA DISTRIBUCION T STUDENT

En estadstica, la distribucin t se deriva en primer lugar como una distribucin a
posteriori en 1876 por Helmert y Lroth .
En la literatura en idioma Ingls que lleva el nombre de William SealyGosset papel 's 1908
en Biometrika bajo el seudnimo de "Student". Gosset trabaj en la fbrica de cerveza
Guinness en Dubln, Irlanda , y se interes por la problemas de muestras pequeas, por
ejemplo de las propiedades qumicas de la cebada en tamaos de muestra puede ser tan bajo
como el 3. Una de las versiones del origen del seudnimo es que el empleador de Gosset
prohibi a los miembros de su personal de publicacin de artculos cientficos, as que tuvo
que ocultar su identidad. Otra versin es que Guinness no quera que sus competidores para
saber que estaban usando el t -test para probar la calidad de la materia prima.

Papel de Gosset se refiere a la distribucin como la "distribucin de frecuencia de las
desviaciones estndar de muestras extradas de una poblacin normal". Se hizo conocido a
travs de la obra de Ronald A. Fisher , quien llam "la distribucin de Student", la distribucin
y se refiri al valor t .

FUNCIN DE DENSIDAD DE PROBABILIDAD

En la teora de la probabilidad, la funcin de densidad de probabilidad, funcin de densidad, o,
simplemente, densidad de una variable aleatoria continua describe la probabilidad relativa
segn la cual dicha variable aleatoria tomar determinado valor.
La probabilidad de que la variable aleatoria caiga en una regin especfica del espacio de
posibilidades estar dada por la integral de la densidad de esta variable entre uno y otro
lmite de dicha regin.
La funcin de densidad de probabilidad (FDP o PDF en ingls) es no-negativa a lo largo de
todo su dominio y su integral sobre todo el espacio es de valor unitario.
Una funcin de densidad de probabilidad caracteriza el comportamiento probable de una
poblacin en tanto especifica la posibilidad relativa de que una variable aleatoria continua X
tome un valor cercano a x.
Una variable aleatoria X tiene densidad f, siendo f una funcin no-negativa integrable de
Lebesgue, si:

Por lo tanto, si F es la funcin de distribucin acumulativa de X, entonces:

y (si f es continua en x)



Intuitivamente, puede considerarse f(x) dx como la probabilidad de X de caer en el intervalo
infinitesimal [x, x + dx].
Se define como el cociente entre la probabilidad de X de tomar un valor en el intervalo
[x, x + dx] y dx, siendo dx un infinitsimo.
La mayora de las funciones de densidad de probabilidad requieren uno o ms parmetros
para especificarlas totalmente.
Recprocamente respecto de la definicin ya desarrollada, pueden hacerse las siguientes
consideraciones.
La probabilidad de que una variable aleatoria continua X quede ubicada entre los valores a y b
est dada por el desenvolvimiento en el intervalo de la FDP; de los valores comprendidos en el
rango entre a y b.

La FDP es la derivada (cuando existe) de la funcin de distribucin:

As, si F es la funcin de distribucin acumulativa de X, entonces:

y (si f es continua en x)

Descripcin Intuitiva-Prctica
En situaciones prcticas, la FDP utilizada se elige entre un nmero relativamente pequeo de
FDP comunes, y la labor estadstica principal consiste en estimar sus parmetros.
Por lo tanto, a los efectos del registro, es necesario saber qu FDP se ha utilizado e indicarlo
en la documentacin de evaluacin de la incertidumbre.

La definicin formal de la funcin de densidad requiere de conceptos de la teora de la

medida.
Si una variable aleatoria X sigue una funcin de probabilidad X*P su densidad con respecto a
una medida de referencia es la derivada de RadonNikodym

Una variable aleatoria continua X con valores en un espacio de medida
(habitualmente Rn con conjuntos Borel como subconuntos mensurables), tiene como
distribucin de probabilidad, la medida XP en : la densidad de X con respecto a la
medida de referencia sobre es la derivada de RadonNikodym.

Siendo f/; toda funcin medible con la siguiente propiedad:

para todo conjunto medible .
Es decir, es una funcin con la propiedad de que...

...para cada conjunto medible A.
Funciones de Distribucin de Probabilidad

A diferencia de la probabilidad, una fdp puede tomar valores mayores que uno. Por ejemplo, la
distribucin uniforme continua en el intervalo [0, ] tiene una densidad de probabilidad
f(x) = 2 para 0 x y f(x) = 0 fuera de tal intervalo.
Hay que advertir que la funcin de densidad no es propiamente nica: dos funciones distintas
pueden representar la misma distribucin de probabilidad si slo difieren en un conjunto de
medida nulo.
Adems, puede haber distribuciones de probabilidad que carezcan de funcin de densidad.
Esto ocurre cuando, sin ser discretas, no le asignan probabilidad positiva a algunos puntos

indivisuales presentan conjuntos de medida nula.
Esto sucede con la distribucin de Cantor cuando se toma la de Lebesgue como medida de
referencia.
Cuando, como ocurre normalmente en las aplicaciones, X es una variable aleatoria real y es
la medida de Lebesgue, la funcin de densidad es una funcin tal que

De modo que si F es la funcin de distribucin de X, entonces

y

Intuitivamente, se puede pensar que (x) dx es la probabilidad de que X asuma valores en el
intervalo infinitesimal [x, x + dx].
Propiedades
De las propiedades de la funcin de densidad se siguen las siguientes propiedades de la fdp (a
veces visto como pdf del ingls):
para toda .
El rea total encerrada bajo la curva es igual a 1:

La probabilidad de que tome un valor en el intervalo es el rea bajo la curva de la
funcin de densidad en ese intervalo o lo que es lo mismo, la integral definida en dicho
intervalo. La grfica f(x) se conoce a veces como curva de densidad.

Algunas FDP estn declaradas en rangos de a , como la de la distribucin normal.

FUNCIN DE DISTRIBUCIN

En la Teora de la Probabilidad y en Estadsticas, una
funcin de distribucin acumulada (fda) describe la
probabilidad de que una variable aleatoria real X
sujeta a cierta ley de distribucin de probabilidad, se
site en la zona de valores menores o iguales a x.
Intuitivamente, asumiendo la funcin f como la ley de
distribucin de probabilidad, la fda sera la funcin
con la recta real como dominio, con imagen del rea
hasta aqu de la funcin f, siendo aqu el valor x para
la variable aleatoria real X.
La fda asocia a cada valor x, la probabilidad del
evento: "la variable X toma valores menores o iguales
a x".
Las Funciones de Distribucin Acumulativa se
emplean tambin para especificar la distribucin de
variables aleatorias multivariantes.
Para cada nmero real x, una fda est dada por la
siguiente definicin:
En lenguaje matemtico En Espaol

Una funcin de nombre "F"
le asigna a cada valor real
x, el de la probabilidad de
que una variable aleatoria
X asuma un valor inferior o
igual a x.
La probabilidad de que X se site en un intervalo ]a, b] (abierto en a y cerrado en b) es
F(b) F(a) si a b.


La fda de una probabilidad dfinida sobre el espacio borliano es la foncin que a
todo real le asocia

ACUMULADA Y DISTRIBUIDA
Es convencin usar una F mayscula para una fda, en contraste con la f minscula usada para
una Funcin de Densidad de Probabilidad y/o para una Funcin de Probabilidad.
La funcin distribucin puede obtenerse a partir de la funcin de probabilidad respectiva. La
fda en el caso de una variable aleatoria X discreta, puede establecerse como:

Para una variable aleatoria X contnua, fda surge como:

Debe observarse que una definicin del tipo "menor o igual", '' podra sustiturse por
estrictamente "menor" '<'. Esto producira una funcin diferente, pero cualquiera de las
funciones F puede deducirse a partir de la otra f.
Tambin se podra cambiar por una determinada por mayor (>) en lugar de "menor" '<' y
deducir las propiedades de esta nueva funcin.
Slo es preciso ajustar las formulaciones y definiciones a lo pretendido en cada caso.
En pases de lengua inglesa, una convencin es usar una desigualdad de este tipo en lugar de
una desigualdad estricta (<), por ejemplo.
Ejemplos
Como ejemplo, se supone que X est uniformemente distribuida en el intervalo
unitario [0, 1]. En ese caso una fda est dada por:
F(x) = 0, si x < 0;
F(x) = x, si 0 x 1;

F(x) = 1, si x > 1.
Para otro ejemplo, suponiendo que X toma slo los valores 0 y 1, con igual
probabilidad (X sigue una distribucin de Bernoulli con p = 1/2). Entonces una fda
est dada por
F(x) = 0, si x < 0;
F(x) = 1/2, si 0 x < 1;
F(x) = 1, si x 1.

Notacin
Cuando hay ms de una variable aleatoria y se vuelve necesrio explicitar una diferencia entre
las funciones, se representa una fda de la variable aleatoria X por .
Funcin de Distribucin Acumulada Inversa (Funcin Cuantil)
La funcin cuantil de una variable aleatoria (o de una ley de probabilidad) es la
inversa de su acumulada.
Si la FDA F es estrictamente creciente y continua, su inversa est definida
es el nico nmero real tal que .

Slo en tales casos queda as definida la funcin de distribucin inversa o funcin
cuantil. Pero una funcin de distribucin se mantiene constante en todo intervalo en
el cual la variable aleatoria no puede tomar valores. Es por esto que se introduce la
siguiente definicin. Lamentablemente, la distribucin carece, en general, de inversa.
Se puede definir, para , la inversa generalizada de la funcin distribucin:

Sea una variable aleatoria con valores en y su funcin de distribucin. Se
llama funcin cuantil de a la funcin de en , denotada por , que a

hace corresponder: .
La inversa de la pda se denomina funcin cuantil.
La inversa de la pda puede emplearse para trasladar resultados obtenidos para la
distribucin uniforme a otras distribuciones.

Propiedades tiles de la inversa de pda
1. es no-decreciente
2.
3.
4. si y slo si
5. Si tiene una distribucin entonces, est distribuida como
. Esto se emplea en para la generacin aleatoria de nmeros con el mtodo
de muestreo de transformada inversa.
6. Si es una coleccin de variables independentes aleatoriamente
distribuidas -definida en el mismo espacio muestral, entonces existen
variables aleatorias tales que est distribuida como y
como probabilidad 1 para todo .
Ejemplo 1: La mediana es .
Ejemplo 2: Sea . Se denominar al 95avo percentil.
Por convencin, podemos decidir que es el menor de los valores posibles de
y es el mayor; pueden ser eventualmente infinitos.
Propiedades
Si X es una variable aleatoria discreta, entonces se la obtiene de los valores x1, x2, ... con
probabilidad p1, p2 etc., y una fda de X ser discontnua en los puntos xi y constante entre
ellos.
Si una fda F de X es contnua, entonces X es una variable aleatoria contnua; si se dice de F que
es absolutamente contnua, entonces existe una funcin Integral de Lebesgue f(x) tal que


para todos los nmeros reales a y b. (La primera de las dos igualdades no sera correcta en
general si no se hubiera dicho que una distribucin es contnua.
La continuidad de la distribucin implica que P(X = a) = P(X = b) = 0, de modo que una
diferencia entre "<" y "" deja de ser importante en este contexto.) una funcin f es igual a la
derivada de F (casi en toda parte), y es llamada Funcin de densidad de probabilidad de la
distribucin de X.
Para cualquier funcin de distribucin , debe ser:

es no decreciente (creciente o constante):

es contnua a la derecha:

, con , y
Se cumplen las siguientes propiedades, que permitem tratar con los diferentes tipos de
desigualdades, y que se aplican a funciones de distribucin de variables aleatorias discretas:



En caso de las variables aleatorias contnuas, valen las siguientes propiedades:
es contnua en todos los puntos (en caso de las variables aleatorias discretas era slo
contnua a la derecha)

La Prueba de Kolmogrov-Smirnov est basada en funciones de distribucin acumulada y
puede ser usada para ver si dos distribuiciones empricas son diferentes o si una distribucin
emprica es diferente de una distribucin ideal.

Muy relacionada con la prueba de Kuiper, la cual es til si el domnio de la distribucin es
cclico como por ejemplo en das de la semana. Por ejemplo podemos usar el test de Kuiper
para ver si el nmero de tornados vara durante el ao o si las ventas de un producto oscilan
da a da o por da del mes.

Construccin de la distribucin t student
La distribucin t student se construye como la relacin entre dos variables entre una normal y
la raz de una gi cuadrado cada una independientes entre si . De modo preciso llamamos una
distribucin t student con n grados de libertad


tiende a una normal con media cero y desviacin tpica 1 en el caso que aumentan lo grados
de libertad para n mayor a 30 .


GRADOS DE LIBERTAD
Para definir grados de libertad se har referencia a la varianza maestral:

Esta frmula est basada en n-1 grados de libertad. Esta terminologa resulta del hecho de que
si bien s
2
est basada en n cantidades stas
suman cero,
as que especificar los valores de cualquier n-1 de las cantidades determina el valor restante.
INTERVALOS DE CONFIANZA

Concepto de Intervalo de Confianza.
En el contexto de estimar un parmetro poblacional, un intervalo de confianza es un rango de
valores (calculado en una muestra) en el cual se encuentra el verdadero valor del parmetro,
con una probabilidad determinada.

La probabilidad de que el verdadero valor del parmetro se encuentre en el intervalo
construido se denomina nivel de confianza, y se denota 1- . La probabilidad de equivocarnos
se llama nivel de significancia y se simboliza . Generalmente se construyen intervalos con
confianza 1- =95% (o significancia =5%). Menos frecuentes son los intervalos con
=10% o =1%.
Para construir un intervalo de confianza, se puede comprobar que la distribucin Normal
Estndar cumple 1:
P(-1.96 < z < 1.96) = 0.95
(lo anterior se puede comprobar con una tabla de probabilidades o un programa
computacional que calcule probabilidades normales).
Luego, si una variable X tiene distribucin N( , ), entonces el 95% de las veces se cumple:

Despejando en la ecuacin se tiene:

El resultado es un intervalo que incluye al el 95% de las veces. Es decir, es un intervalo de
confianza al 95% para la media cuando la variable X es normal y es conocido.
Intervalo de confianza para un promedio:
Generalmente, cuando se quiere construir un intervalo de confianza para la media poblacional
, la varianza poblacional es desconocida, por lo que el intervalo para construido al
final de II es muy poco prctico.

Si en el intervalo se reemplaza la desviacin estndar poblacional por la desviacin
estndar muestral s, el intervalo de confianza toma la forma:

La cual es una buena aproximacin para el intervalo de confianza de 95% para con
desconocido. Esta aproximacin es mejor en la medida que el tamao muestral sea grande.
Cuando el tamao muestral es pequeo, el intervalo de confianza requiere utilizar la
distribucin t de Student (con n-1 grados de libertad, siendo n el tamao de la muestra), en
vez de la distribucin normal (por ejemplo, para un intervalo de 95% de confianza, los lmites
del intervalo ya no sern construidos usando el valor 1,96).
Ejemplo:
Los siguientes datos son los puntajes obtenidos para 45 personas de una escala de depresin
(mayor puntaje significa mayor depresin).
2 5 6 8 8 9 9 10 11 11 11 13 13 14 14 14 14 14 14 15 15 16 16 16 16 16 16 16 16 17 17 18
18 18 19 19 19 19 19 19 19 19 20 20

Para construir un intervalo de confianza para el puntaje promedio poblacional, asumamos que
los datos tienen distribucin normal, con varianza poblacional desconocida. Como es
desconocido, lo estimamos por s =18,7. Luego, un intervalo de confianza aproximado es:

Luego, el intervalo de confianza para es (13,2 , 15,8). Es decir, el puntaje promedio
poblacional se encuentra entre 13,2 y 15,8 con una confianza 95%.
Uso de Intervalos de Confianza para verificar Hiptesis.
Los intervalos de confianza permiten verificar hiptesis planteadas respecto a parmetros
poblacionales.

Por ejemplo, supongamos que se plantea la hiptesis de que el promedio de peso de
nacimiento de cierta poblacin es igual a la media nacional de 3250 gramos.
Al tomar una muestra de 30 recin nacidos de la poblacin en estudio, se obtuvo:
= 2930
s= 450
n= 30
Al construir un intervalo de 95% de confianza para la media poblacional, se obtiene:

Luego, el peso de nacimiento vara entre 2769 y 3091 gramos, con una confianza de 95%.
Como el intervalo no incluye el valor =3250 gramos planteado en la hiptesis, entonces esta
es rechazada con confianza 95% (o un valor p menor a 0,5).

INTERPOLACIN LINEAL
Cuando el valor de x es de mayor precisin que los contenidos en la tabla, el mtodo de
calcular la probabilidad es empleando interpolacin lineal.



La expresin:

nos permite calcular la probabilidad para los valores no contenidos en la tabla. Esta expresin
siempre aade un cierto error, al sustituir la funcin y = f(x) por la recta que pasa por dos
puntos conocidos y = r(x), por eso es conveniente que los puntos x1 y x2 estn lo ms
prximos posible.
EJEMPLO
Calcular la probabilidad acumulada a la izquierda de 0,87 de una variable t Student de 10
grados de libertad:

el valor 0,87 no viene en la tabla, pero los valores 0,85 y 0,90 s:

segn la expresin:

sustituyendo los valores numricos, tenemos:

operando:

esto es:

dando como resultado:


que es la solucin al problema planteado:

LECTURA DE TABLA T STUDENT
La mayora de los libros de texto de estadstica lista t tablas de distribucin. Hoy en da, la
mejor manera a una crtica totalmente precisa t valor o una probabilidad acumulativa es la
funcin estadstica aplicado en hojas de clculo (Excel de Office, OpenOfficeCalc, etc), o una
pgina web interactiva de clculo. Las funciones de hoja de clculo relevantes son DISTR.T y
DISTR.T.INV, mientras que las pginas de clculo en lnea ahorran problemas como las
posiciones de los parmetros o los nombres de las funciones. Por ejemplo,
un Mediawiki pgina apoyado por Rextensin puede dar fcilmente el resultado interactivo de
valores crticos o la probabilidad acumulada, incluso para no central t -distribucin.
En la siguiente tabla se muestran algunos valores seleccionados para t -distribuciones con
grados de libertad para un intervalo de una cara o de dos caras regiones crticas. Para ver un
ejemplo de cmo leer esta tabla, toma la cuarta fila, que comienza con 4, lo que significa , el
nmero de grados de libertad, es 4 (y si se trata, como el anterior, con n valores con una suma
fija , n = 5).Tomar la quinta entrada, en la columna 95% de un solo lado (90% para las dos
caras ). El valor de entrada que es "2,132". A continuacin, la probabilidad de que T es menor
que 2,132 es 95% o Pr (- < T <2,132) = 0.95; o significar que Pr (-2,132 < T <2,132) = 0,9.
Esto se puede calcular por la simetra de la distribucin,
Pr ( T <-2.132) = 1 - Pr ( T > -2.132) = 1 - 0,95 = 0,05;
y entonces
Pr (-2,132 < T <2.132) = 1 - 2 (0,05) = 0,9.
Tenga en cuenta que la ltima fila tambin da puntos crticos: a t -distribucin con un nmero
infinito de grados de libertad es una distribucin normal.
La primera columna es el nmero de grados de libertad.


El nmero al principio de cada fila en la tabla anterior es que ha sido definido anteriormente
como n - 1. El porcentaje a lo largo de la parte superior es de 100% (1 - ). Los nmeros en el
cuerpo principal de la tabla son t , . Si una cantidad T se distribuye de la distribucin t de
Student con grados de libertad, entonces hay una probabilidad de 1 - que T ser menor
que t , . (Calculado como para una prueba de una cola o de un solo lado, en contraposicin a
una prueba de dos colas .)
Por ejemplo, dada una muestra con una varianza de la muestra 2 y la media de la muestra de
10, tomada de un conjunto de muestra de 11 (10 grados de libertad), utilizando la frmula


Podemos determinar que al 90% de confianza, tenemos una media real se encuentra por
debajo

(En otras palabras, en promedio, 90% de las veces en las que un umbral superior se calcula
por este mtodo, este umbral superior excede la media verdadera.) Y, todava en el 90% de
confianza, tenemos un cierto significa tumbado sobre

(En otras palabras, en promedio, 90% de las veces en las que un umbral inferior es calculado
por este mtodo, este umbral inferior se encuentra por debajo de la media verdadera.) As que
al 80% de confianza (calculado 1-2 (1-90 %) = 80%), tenemos una verdadera media situada
en el intervalo

Esto se expresa generalmente en notacin intervalo de, por ejemplo, para este caso, en el 80%
de confianza de la media real se encuentra dentro del intervalo [9.41490, 10.58510].
(En otras palabras, en promedio, 80% de las veces que los umbrales superior e inferior se
calculan por este mtodo, la media real es a la vez por debajo del umbral superior y por
encima del umbral inferior. Esto no es lo mismo que decir que no hay una probabilidad del
80% que la media real se sita entre un determinado par de umbrales superiores e inferiores
que se han calculado por este mtodo-vase intervalo de confianza y la falacia del fiscal ).


USOS
En la inferencia estadstica frequentist
De Student t -distribucin se presenta en una variedad de problemas de estimacin estadstica
cuando el objetivo es estimar un parmetro desconocido, tal como un valor medio, en un
entorno en el que los datos se observan con aditivos errores . Si (como en casi todo el trabajo
estadstica prctica) la poblacin desviacin estndar de estos errores es desconocida y tiene
que ser estimada a partir de los datos, el t -distribucin se utiliza a menudo para tener en
cuenta la incertidumbre adicional que resulta de esta estimacin. En la mayora de estos
problemas, si se conoce la desviacin estndar de los errores, una distribucin normal se
utiliza en lugar de la t -distribucin.
Los intervalos de confianza y pruebas de hiptesis son dos procedimientos estadsticos en los
que los cuantiles de la distribucin muestral de un estadstico en particular (por ejemplo,
lapuntuacin estndar se requieren). En cualquier situacin en la que esta estadstica es
una funcin lineal de los datos , dividido por la estimacin habitual de la desviacin estndar,
la cantidad resultante se puede cambiar de escala y centrado para seguir Estudiante de t -
distribucin. Los anlisis estadsticos relacionados con los medios, medios ponderados y los
coeficientes de regresin, llevan a las estadsticas que tienen esta forma.
Muy a menudo, los problemas del libro de texto tratar la desviacin estndar de la poblacin
como si se supiera y as evitar la necesidad de utilizar el Student t -distribucin. Estos
problemas son generalmente de dos tipos: (1) aquellos en los que el tamao de la muestra es
tan grande que se puede tratar una estimacin basada en datos de la varianza como si fuera
cierta, y (2) aquellos que ilustran el razonamiento matemtico, en el que el problema de la
estimacin de la desviacin estndar se ignora temporalmente porque ese no es el punto de
que el autor o el instructor est explicando a continuacin.

Prueba de hiptesis sobre la media de una distribucion normal, varianza desconocida
Una prueba t de Student, prueba t-Student, o Test-T es cualquier prueba en la que
el estadstico utilizado tiene una distribucin t de Student si la hiptesis nula es cierta. Se aplica
cuando la poblacin estudiada sigue una distribucin normal pero el tamao muestral es

demasiado pequeo como para que el estadstico en el que est basada la inferencia est
normalmente distribuido, utilizndose una estimacin de la desviacin tpica en lugar del valor
real. Es utilizado en anlisis discriminante.
Entre los usos ms frecuentes de las pruebas t se encuentran:
El test de locacin de muestra nica por el cual se comprueba si la media de una poblacin
distribuida normalmente tiene un valor especificado en una hiptesis nula.
El test de locacin para dos muestras, por el cual se comprueba si las medias de dos poblaciones
distribuidas en forma normal son iguales. Todos estos test son usualmente llamados test t de
Student, a pesar de que estrictamente hablando, tal nombre slo debera ser utilizado si
las varianzas de las dos poblaciones estudiadas pueden ser asumidas como iguales; la forma de los
ensayos que se utilizan cuando esta asuncin se deja de lado suelen ser llamados a veces
como Prueba t de Welch. Estas pruebas suelen ser comnmente nombradas como pruebas t-
desapareadas o de muestras independientes, debido a que tienen su aplicacin ms tpica cuando
las unidades estadsticas que definen a ambas muestras que estn siendo comparadas no se
superponen.
El test de hiptesis nula por el cual se demuestra que la diferencia entre dos respuestas medidas
en las mismas unidades estadsticas es cero. Por ejemplo, supngase que se mide el tamao del
tumor de un paciente con cncer. Si el tratamiento resulta efectivo, lo esperable seria que el
tumor de muchos pacientes disminuyera de tamao luego de seguir el tratamiento. Esto con
frecuencia es referido como prueba t de mediciones apareadas o repetidas.
El test para comprobar si la pendiente de una regresin lineal difiere estadsticamente de cero.
HIPOTESIS ESTADISTICA: es una afirmacin o conjetura que se hace sobre una o ms
caractersticas de la poblacin.
CONTRASTE DE HIPOTESIS: es un procedimiento estadstico mediante el cual se investiga la
aceptacin o rechazo de una afirmacin acerca de una o unas caractersticas de una poblacin
estadstica, partiendo de una muestra representativa.
ERRORES:
-ERROR TIPO I: es el error que se comete cuando se toma la decisin de rechazar la hiptesis nula
siendo verdadera.
-ERROS TIPO II: es el error que se comete cuando se toma la decisin de aceptar la hiptesis nula
siendo falsa.

ESTADIGRAFO DE CONTRASTE: es una variable aleatoria, que sigue una determinada distribucin
terica, y que nos va a permitir decidir si los valores muestrales difieren en gran medida de los
valores tericos.
REGIN CRTICA: es el conjunto de valores de estadgrafo de contraste que nos lleva a la decisin
de rechazar la hiptesis nula.
REGIN DE ACEPTACIN: es el conjunto de valores de estadgrafo de contraste que nos lleva a la
decisin de aceptar la hiptesis nula.
Pruebas t para dos muestras apareadas y desapareadas
Las pruebas-t de dos muestras para probar la diferencia en las medias pueden ser desapareadas o
en parejas. Las pruebas t pareadas son una forma de bloqueo estadstico, y poseen un mayor
poder estadstico que las pruebas no apareadas cuando las unidades apareadas son similares con
respecto a los "factores de ruido" que son independientes de la pertenencia a los dos grupos que
se comparan [cita requerida]. En un contexto diferente, las pruebas-t apareadas pueden utilizarse
para reducir los efectos de los factores de confusin en un estudio observacional.
Desapareada
Las pruebas t desapareadas o de muestras independientes, se utilizan cuando se obtienen dos
grupos de muestras aleatorias, independientes e idnticamente distribuidas a partir de las dos
poblaciones a ser comparadas. Por ejemplo, supngase que estamos evaluando el efecto de un
tratamiento mdico, y reclutamos a 100 sujetos para el estudio. Luego elegimos aleatoriamente
50 sujetos para el grupo en tratamiento y 50 sujetos para el grupo de control. En este caso,
obtenemos dos muestras independientes y podramos utilizar la forma desapareada de la
prueba t. La eleccin aleatoria no es esencial en este caso, si contactamos a 100 personas por
telfono y obtenemos la edad y gnero de cada una, y luego se utiliza una prueba t bimuestral
para ver en que forma la media de edades difiere por gnero, esto tambin sera una prueba t de
muestras independientes, a pesar de que los datos son observacionales.
Apareada
Las pruebas t de muestras dependientes o apareadas, consisten tpicamente en una muestra de
pares de valores con similares unidades estadsticas, o un grupo de unidades que han sido
evaluadas en dos ocasiones diferentes (una prueba t de mediciones repetitivas). Un ejemplo tpico
de prueba t para mediciones repetitivas sera por ejemplo que los sujetos sean evaluados antes y
despus de un tratamiento.
Una prueba 't basada en la coincidencia de pares muestrales se obtiene de una muestra
desapareada que luego es utilizada para formar una muestra apareada, utilizando para ello
variables adicionales que fueron medidas conjuntamente con la variable de inters.8

La valoracin de la coincidencia se lleva a cabo mediante la identificacin de pares de valores que
consisten en una observacin de cada una de las dos muestras, donde las observaciones del par
son similares en trminos de otras variables medidas. Este enfoque se utiliza a menudo en los
estudios observacionales para reducir o eliminar los efectos de los factores de confusin.
Prueba t para muestra nica
En esta prueba se evala la hiptesis nula de que la media de la poblacin estudiada es igual a un
valor especificado 0, se hace uso del estadstico:

Donde es la media muestral, s es la desviacin estndar muestral y n es el tamao de la
muestra. Los grados de libertad utilizados en esta prueba se corresponden al valor n 1.
Z-test T-test
H0: = 0 ( conocida) H0: = 0 ( desconocida)

Z-test (supuesta H0 cierta) T-test (supuesta H0 cierta)
Zexp ~ N(0, 1) Texp ~ t de Student con n 1 grados de libertad

EJERCICIOS DE PROBABILIDADEES DISTRIBUCION T STUDENT

1. Si n=15 calcule la probabilidad siguiente: P(t>0.258)
Solucin:
El primer paso es calcular los grados de libertad, trabajamos con la formula
Grados de libertad = n 1

Entonces seria : 15 -1 = 14
El valor que buscamos esta en la lnea 14 dentro de la tabla, el valor de probabilidad es 0.258,

una vez encontrado el valor en la columna superior vemos que el valor de insignificancia es
0.40

Respuesta : 0.40

2. Si n=16 calcule la siguiente probabilidad: P(-0-86<t<0)
Solucin

Entonces seria : 16-1 = 15
El valor que buscamos esta en la lnea 6 dentro de la tabla, el valor de probabilidad es -0.86
pero como el rea es de la izquierda es negativo lo consideraremos como positivo , luego
buscamos el valor de insignificancia el cual es 0.20 que se encuentra arriba en la columna de
la tabla

Respuesta : Para resolver el problema restamos el valor medio del universo total que es 1
entonces seria 0.5
0.5 0.20 = 0.30

3. Si n=12 calcule la siguiente probabilidad: P(-0.876<t<1.796)
Solucin

Entonces seria : 12-1 = 11
El valor que buscamos esta en la lnea 11 dentro de la tabla, en este caso buscaremos -0.876
pero lo tomaremos como positivo para poder ubicarla en la tabla y 1.796, luego ubicamos el
nivel de insignificancia que vienen a ser 0.20 y 0.05 respectivamente
Respuesta : Como nos piden un universo entre el intervalo de T que nosotros calculamos
hasta los limites del intervalo, entonces debemos restarle los valoes de insignificancia a
nuestro universo
entonces: 1 0.20 0.05 = 0.75


4

5



6
El Instituto Elctrico Edison publica cifras del nmero anual de Kilowatt-hora que gastan
varios aparatos electrodomsticos. Se afirma que una aspiradora gasta un promedio de 46
kilowatt-hora al ao. Si una muestra aleatoria de 12 hogares que se incluye en un estudio
planeado indica que las aspiradoras gastan un promedio de 42 kilowatt-hora al ao con una
desviacin estndar de11.9 kilowatt-hora, esto sugiere con un nivel de significancia de 0.05
que las aspiradoras gastan, en promedio, menos de 46 kilowatt-hora anualmente? Suponga
que la poblacin de kilowatt-hora es normal.
Solucin:
Datos:
= 46 kilowatt-hora
s= 11.9 kilowatt-hora
= 42 kilowatt-hora
n = 12
= 0.05
Ensayo de hiptesis
Ho; = 46 kilowatt-hora
H1; < 46 kilowatt-hora

Regla de decisin:
Si tR -1.796 No se rechaza Ho
Si tR < -1.796 Se rechaza Ho
Clculos:


Justificacin y decisin:
Como 1.16 > -1.796, por lo tanto no se rechaza Ho y se concluye con un nivel de
significancia del 0.05 que el nmero promedio de kilowwatt-hora que gastan al ao las
aspiradoras no es significativamente menor que 46.
Solucin utilizando otro mtodo:

Regla de decisin:
Si 39.83 No se Rechaza Ho
Si < 39.83 Se rechaza Ho
Como la = 42 y este valor no es menor que
39.83 por lo tanto no se rechaza Ho.
Se puede aprovechar este ejemplo para calcular el valor de P , como el valor de t calculada es
de 1.16, se busca en la tabla y se ve que el area a la izquierda de este valor es de 0.135 con 11
grados de libertad, por lo tanto no se rechaza Ho., ya que sera un valor alto para un nivel de
significancia.


7
Un artculo publicado en la revista MaterialsEngineering describe los resultados de pruebas
de resistencia a la adhesin de 22 especmenes de aleacin U-700. La carga para la que cada
especmen falla es la siguiente en MPa:
19.8 18.5 17.6 16.7 15.8
15.4 14.1 13.6 11.9 11.4
11.4 8.8 7.5 15.4 15.4
19.5 14.9 12.7 11.9 11.4
10.1 7.9
Sugieren los datos que la carga promedio de falla es mayor que 10Mpa? Supngase que la
carga donde se presenta la falla tiene una distribucin normal, y utilcese = 0.05. Calcule
el valor de P.
Solucin:
Datos:
= 10
s = 3.55
= 13.71
n = 22
= 0.05
Ensayo de hiptesis
Ho; = 10
H1; > 10


Regla de decisin:
Si tR 1.721 no se rechaza Ho.
Si tR> 1.721 se rechaza Ho.
Clculos:

Justificacin y decisin.
Como 4.90 >1.721 se rechaza Ho y se concluye con un nivel de significancia del 0.05 que la
carga de falla promedio es mayor que 10Mpa.
Existe otra manera de resolver este ejercicio, tomando la decisin en base al estadstico real,
en este caso la media de la muestra. De la frmula de la distribucin muestral de medias se
despeja la media de la muestra:

Regla de decisin:
Si 11.30 No se rechaza Ho
Si > 11.30 Se rechaza Ho
Como la media de la muestral es de 13.71 MPa y

es mayor al valor de la media muestral lmite de 11.30 por lo tanto se rechaza Ho y se llega a la
misma conclusin.
Para calcular el valor de P se va a la tabla y se busca en 21 grados de libertad el valor de t = 4.90.
Se obseva que el valor mayor de t que se encuentra en la tabla con 21 grados de libertad es de
3.819 el cual le corresponde un rea a la derecha de 0.0005, por lo que para el valor de 4.90
el valor de P es practicamente cero, y esto apoya la decisin de rechazar Ho.
8
La camaleon motors tiene que hacer pruebas de choque con sus coches para determinar el
coste medio de reparacin tras una colison a 20 kilometros por hora. Resulta muy caro asi que
deciden probar con solo 5 coches camaleones .
Los datps de los desperfectos en dlares son 150 400 720 500 y 930
Dnde podemos situar la media con una confianza del 95% ?
Media muestral = 540 s = 299 dolares

9
Se desea obtener un intervalo de confianza al 99% para el tiempo medio requerido para realizar
un trabajo.
Una muestra aleatoria de 16 mediciones produce una media y una desviacin estndar de 13 y 5.6
minutos respectivamente.
n= 16
X=13 minutos

S= 5.6 minutos
t=2.947
=132.947(5.6/16)
=134.12
1=17.12 minutos
2=8.88 minutos
10
Calcular la probabilidad acumulada a la izquierda de 0.93 de una variable t-student de 7
grados de libertad:
P(t7<0.93)
El valor 0.93 no viene en la tabla, pero tomamos los valores enteros cercanos 0.90 y 0.95 si:
P(t7<0.90) =0.801
P(t7<0.95)=0.813

Y = 0.801 +

Y =0.808

Termiaduuuu 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Termiaduuuu 2

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD NACIONAL JOSE FAUSTINO SANCHEZ CARRION

LABORATORIO DE QUIMICA ORGANICA I Pgina 1

Anda mungkin juga menyukai