CONCEPTOS.

Distribuciones t de Student.
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). 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. Si el tamao de la muestra es n entonces decimos
que la distribucin t tiene n-1 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. En la imagen podemos ver varios ejemplos de funciones
de distribucin acumulada.

En Probabilidades en Distribuciones t-Student puedes ver una comparacin ms

precisa entre las distribuciones t-Student y la normal estndar.

ANOVA.
Un anlisis de varianza (ANOVA) prueba la hiptesis de que las medias de dos o ms
poblaciones son iguales. Los ANOVA evalan la importancia de uno o ms factores al
comparar las medias de la variable de respuesta en los diferentes niveles de los
factores. La hiptesis nula establece que todas las medias de la poblacin (medias de
los niveles de los factores) son iguales mientras que la hiptesis alternativa establece
que al menos una es diferente.

Para ejecutar un ANOVA, debe tener una variable de respuesta continua y al menos
un factor categrico con dos o ms niveles. Los anlisis ANOVA requieren datos de
poblaciones que sigan una distribucin aproximadamente normal con varianzas
iguales entre los niveles de factores. Sin embargo, los procedimientos de ANOVA
funcionan bastante bien incluso cuando se viola el supuesto de normalidad, a menos
que una o ms de las distribuciones sean muy asimtricas o si las varianzas son
bastante diferentes. Las transformaciones del conjunto de datos original pueden
corregir estas violaciones.

Por ejemplo, usted disea un experimento para evaluar la durabilidad de cuatro

productos de alfombra experimentales. Usted coloca una muestra de cada tipo de
alfombra en diez hogares y mide la durabilidad despus de 60 das. Debido a que
est examinando un factor (tipo de alfombra), usted utiliza un ANOVA de un solo
factor.