Distribucin t de Student

En la generalidad de los casos, no disponemos de la desviacin standard de la poblacin, sino de una estimacin calculada a partir de una muestra extrada de la misma y por lo tanto no podemos calcular Z. En estos casos calculamos el estadstico T:

con

donde S es la desviacin standardmuestral, calculada con n-1 grados de libertad. Ntese que utilizamos S, la Desviacin Standard de una Muestra, en lugar de Q, la Desviacin Standard de la Poblacin. El estadstico T tiene una distribucin que se denomina distribucin T de Student, que est tabulada para 1, 2, 3, ... etc. grados de libertad de la muestra con la cual se calcul la desviacin standard. La distribucin T tiene en cuenta la incertidumbre en la estimacin de la desviacin standard de la poblacin, porque en realidad la tabla de T contiene las distribuciones de probabilidades para distintos grados de libertad. La distribucin T es mas ancha que la distribucin normal tipificada Para un nmero de grados de libertad pequeo. Cuando los grados de libertad tienden a infinito, la distribucin T tiende a coincidir con la distribucin normal standard. Es decir, en la medida que aumentemos el nmero de observaciones de la muestra, la desviacin standard calculada estar mas prxima a la desviacin standard de la poblacin y entonces la distribucin T correspondiente se acerca a la distribucin normal standard. El uso de la distribucin T presupone que la poblacin con que estamos trabajando tiene una distribucin normal. Distribucin de Promedios Muestrales Para comprender que significa distribucin de promedios muestrales, vamos a suponer que realizamos un experimento con bombos como los usados en la lotera. Colocamos un nmero muy grande de bolas blancas en un bombo blanco, en cada una de las cuales figura un dato X. Este bombo representa la poblacin

de observaciones X, y tiene media m y varianza s2. Supongamos que a continuacin hacemos los siguiente: 1) Tomamos una muestra de n=10 bolas blancas. 2) Calculamos la media y la anotamos en una bola azul. 3) Colocamos la bola azul en un segundo bombo de color azul. 4) Devolvemos las bolas blancas a su bombo y le damos vueltas. 5)Repetimos toda la operacin muchas veces hasta que el bombo azul est lleno de bolas azules. Entonces, los nmeros del bombo azul forman una poblacin de promedios muestrales. Esta es una poblacin derivada de la anterior, y tiene la misma media o promedio que la distribucin original, pero su varianza es un ensimo de la varianza de la distribucin original:

En el caso del bombo azul, si denominamos tenemos:

a la varianza y Qm a la media,

La distribucin de medias muestrales est situada en el mismo lugar (alrededor de la misma media) que la distribucin original, pero es mucho mas estrecha, porque su varianza es la dcima parte de la varianza original. La distribucin original de observaciones representada por el bombo blanco se denomina comnmente distribucin madre o base. Al construir la poblacin de promedios muestrales, realizbamos extracciones de 10 bolas blancas despus de dar vueltas al bombo. Es decir, que estbamos realizando un muestreo aleatorio de la poblacin madre, porque cada una de las bolas blancas tena la misma posibilidad de ser elegida para integrar la muestra. Aunque la poblacin original no sea de distribucin normal, si el muestreo es aleatorio, la poblacin de promedios muestrales se aproximar a la normalidad, es decir, ser casi de distribucin normal. Este efecto se debe a un teorema de estadstica matemtica denominado Teorema Central del Lmite. En resumen, si se cumple la hiptesis de muestreo aleatorio, tenemos:

En general, en los problemas que se presentan habitualmente, existe una poblacin de observaciones cualesquiera, de la cual tomamos una muestra aleatoria, por medio de la cual intentamos conocer todo lo que sea posible acerca de la poblacin de la cual fue extrada. El promedio de la muestra de n elementos pertenece a la distribucin de promedios muestrales de la poblacin original. Es decir, que el promedio de la muestra que obtuvimos es uno de los muchos promedios muestrales que se distribuyen alrededor de m con desviacin standard. Por lo tanto, si la muestra es mas grande (n mayor), estaremos en una distribucin de promedios con desviacin standardmas pequea, por lo cual, el promedio de la muestra estar mas cerca del promedio del universo. Es por esto que es razonable pensar que el promedio de la muestra es una estimacin del promedio del universo. Historia La prueba t-Student fue desarrollada en 1899 por el qumico ingls William SealeyGosset (1876-1937), mientras trabajaba en tcnicas de control de calidad para las destileras Guiness en Dubln . Debido a que en la destilera, su puesto de trabajo no era inicialmente de estadstico y su dedicacin deba estar exclusivamente encaminada a mejorar los costes de produccin, public sus hallazgos annimamente firmando sus artculos con el nombre de "Student". La distribucin t de Student es la distribucin de probabilidad del cociente:

donde Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin chi-cuadrado con grados de libertad Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de no-centralidad .

Intervalos de confianza derivados de la distribucin t de Student El procedimiento para el clculo del intervalo de confianza basado en la t de Student consiste en estimar la desviacin tpica de los datos S y calcular el error estndar de la media= S/(raz cuadrada de n), siendo entonces el intervalo de confianza para la media = x media +- t (alfa/2) multiplicado por (S/(raz cuadradada de n)). Es este resultado el que se utiliza en el test de Student: puesto que la diferencia de las medias de muestras de dos distribuciones normales se distribuye tambin normalmente, la distribucin t puede usarse para examinar si esa diferencia puede razonablemente suponerse igual a cero. para efectos prcticos el valor esperado y la varianza son : E(t(n))= 0 y Var (t(n-1)) = n/(n-2) para > 3

Caracterizacin
La distribucin t de Student es la distribucin de probabilidad del cociente

donde
y y y

Z tiene una distribucin normal de media nula y varianza 1 V tiene una distribucin chi-cuadrado con grados de libertad Z y V son independientes

Si es una constante no nula, el cociente es una variable aleatoria que sigue la distribucin t de Student no central con parmetro de no-centralidad .

Aparicin y especificaciones de la distribucin t de Student

Supongamos que X1,..., Xn son variables aleatoriasindependientes distribuidas normalmente, con media y varianza 2. Sea

la media muestral. Entonces

sigue una distribucin normal de media 0 y varianza 1. Sin embargo, dado que la desviacin estndar no siempre es conocida de antemano, Gosset estudi un cociente relacionado,

donde

es la varianza muestral y demostr que la funcin de densidad de T es

donde es igual a n

1.

La distribucin de T se llama ahora la distribucin-t de Student. El parmetro representa el nmero de grados de libertad. La distribucin depende de , pero no de o , lo cual es muy importante en la prctica.

Intervalos de confianza derivados de la distribucin t de Student

El procedimiento para el clculo del intervalo de confianza basado en la t de Student consiste en estimar la desviacin tpica de los datos S y calcular el error estndar de la media , siendo entonces el intervalo de confianza para la media = . Es este resultado el que se utiliza en el test de Student: puesto que la diferencia de las medias de muestras de dos distribuciones normales se distribuye tambin normalmente, la distribucin t puede usarse para examinar si esa diferencia puede razonablemente suponerse igual a cero. para efectos prcticos el valor esperado y la varianza son: E(t(n))= 0 y Var (t(n-1)) = n/(n-2) para n > 3

Bibliografa:
y y y Emn enciclopedia temtica del conocimiento Enciclopedia Euro Mxico Consultor temtico practico

Pginas de internet:
y y y Wikipedia http://jacroman.blogspot.com/2009/12/distribucion-t-student.html http://www.matematicasypoesia.com.es/Estadist/ManualCPE04p2.htm

Teora del Muestreo. Teora del Muestro. La teora del muestreo es el estudio de las relaciones existente entre una poblacin y muestras extradas de la misma. Tiene gran inters en muchos aspectos de la estadstica. Por ejemplo permite estimar cantidades desconocidas de la poblacin (tales como la media poblacional, la varianza, etc.), frecuentemente llamada parmetros poblacionales o brevemente parmetros, a partir del conocimiento, de las correspondientes cantidades mustrales (tales como la media muestral, la varianza , etc.), a ,menudo llamadas estadsticos mustrales o brevemente estadsticos. La teora de muestreo es tambin til para determinar si la diferencias que se puedan observar entre dos muestras son debidas a la aleatoriedad de las mismas o si por el contrario son solamente significativas. Tales preguntas surgen por ejemplo, al ensayar un nuevo suero para el tratamiento de una enfermedad, o al decir si un proceso de produccin es mejor que otro. Estas decisiones envuelven a los llamados ensayos e hiptesis de significacin, que son de gran importancia en la teora de la decisin. En general, un estudio de inferencias, realizados sobre una poblacin mediante muestras extradas de la misma, junto con las indicaciones de la exactitud de tales inferencias aplicadas a la teora de la probabilidad, se le conoce como inferencia estadstica. Muestras al Azar Nmeros aleatorias. Para que las conclusiones de la teora del muestreo e inferencia estadstica sean validas, las muestras deben de elegirse de forma que sean representativas de la poblacin. Un estudio sobre mtodos de muestreo y los problemas que tales mtodos implican, se conoce como diseo de experimentos. El proceso mediante el cual se extrae de una poblacin una muestra representativa de la misma se conoce como muestro al azar, de acuerdo con ello cada miembro de la poblacin tiene la posibilidad de ser incluido en la muestra. Una tcnica para obtener una muestra al azar es asignar nmeros a cada miembro de la poblacin , escritos estos nmeros en pequeos papeles, se introducen en una urna y despus se extraen los nmeros de la urna, teniendo cuidado de mezclarlos bien antes de cada extraccin. Esto puede ser sustituido por el empleo de una tabla de nmeros aleatorios, construida especialmente para tales propsitos. Muestreo con y sin reemplazamiento. Si se extrae un nmero de una urna, se puede volver o no el nmero a la urna antes de una segunda extraccin. En el primer caso un mismo nmero puede salir varias veces, mientras que en el segundo un numero determinado puede salir solamente una vez. En el muestro,

en el que cada miembro de la poblacin puede elegirse mas de una vez, se le llama muestro con remplazamiento mientras que si cada miembro no puede ser elegido ms de una vez se tiene el muestreo sin remplazaminento. Las poblaciones pueden ser finitas o infinitas. Si, por ejemplo, se extraen sucesivamente 10 bolas sin remplazamiento de una urna que contiene 100 , se est tomando muestras de una poblacin finita, mientras que si se lanza al aire una moneda 50 veces, anotndose el nmero de caras, se est muestreando en una poblacin infinita. Una poblacin finita, en la que se realiza un muestro con remplazamiento, puede tericamente se considerada como infinita, puesto que puede extraerse de cualquier nmero de muestras, sin agotar la poblacin. En muchos casos prcticos, el muestreo de una poblacin finita que es muy grande, puede considerarse como una poblacin infinita.