Distribuci�n t de Student

Ir a la navegaci�nIr a la b�squeda
Distribuci�n t de student
Student densite best.JPG
Funci�n de densidad de probabilidad
T distributionCDF.png
Funci�n de distribuci�n de probabilidad
Par�metros {\displaystyle \nu >0\!} {\displaystyle \nu >0\!} grados de libertad
(real)
Dominio {\displaystyle x\in (-\infty ;+\infty )\!} {\displaystyle x\in (-\infty
;+\infty )\!}
Funci�n de densidad (pdf) {\displaystyle {\frac {\Gamma ((\nu +1)/2)}{{\sqrt
{\nu \pi }}\,\Gamma (\nu /2)}}(1+x^{2}/\nu )^{-(\nu +1)/2}\!} {\displaystyle {\frac
{\Gamma ((\nu +1)/2)}{{\sqrt {\nu \pi }}\,\Gamma (\nu /2)}}(1+x^{2}/\nu )^{-(\nu
+1)/2}\!}
Funci�n de distribuci�n (cdf) {\displaystyle {\begin{matrix}{\frac {1}{2}}
+x\Gamma \left({\frac {\nu +1}{2}}\right)\cdot \\[0.5em]{\frac
{\,_{2}F_{1}\left({\frac {1}{2}},{\frac {\nu +1}{2}};{\frac {3}{2}};-{\frac {x^{2}}
{\nu }}\right)}{{\sqrt {\pi \nu }}\,\Gamma \left({\frac {\nu }
{2}}\right)}}\end{matrix}}} {\displaystyle {\begin{matrix}{\frac {1}{2}}+x\Gamma
\left({\frac {\nu +1}{2}}\right)\cdot \\[0.5em]{\frac {\,_{2}F_{1}\left({\frac {1}
{2}},{\frac {\nu +1}{2}};{\frac {3}{2}};-{\frac {x^{2}}{\nu }}\right)}{{\sqrt
{\pi \nu }}\,\Gamma \left({\frac {\nu }{2}}\right)}}\end{matrix}}} donde
{\displaystyle \,_{2}F_{1}} {\displaystyle \,_{2}F_{1}} es la funci�n
hipergeom�trica
Media {\displaystyle 0} {\displaystyle 0} para {\displaystyle \nu >1}
{\displaystyle \nu >1}, indefinida para otros valores
Mediana {\displaystyle 0} {\displaystyle 0}
Moda {\displaystyle 0} {\displaystyle 0}
Varianza {\displaystyle {\frac {\nu }{\nu -2}}\!} {\displaystyle {\frac {\nu }
{\nu -2}}\!} para {\displaystyle \nu >2} {\displaystyle \nu >2}, indefinida para
otros valores
Coeficiente de simetr�a {\displaystyle 0} {\displaystyle 0} para {\displaystyle \nu
>3} {\displaystyle \nu >3}
Curtosis {\displaystyle {\frac {6}{\nu -4}}\!} {\displaystyle {\frac {6}{\nu
-4}}\!} para {\displaystyle \nu >4} {\displaystyle \nu >4}
Entrop�a
{\displaystyle {\begin{matrix}{\frac {\nu +1}{2}}\left[\psi ({\frac {1+\nu }
{2}})-\psi ({\frac {\nu }{2}})\right]\\[0.5em]+\log {\left[{\sqrt {\nu }}B({\frac
{\nu }{2}},{\frac {1}{2}})\right]}\end{matrix}}} {\displaystyle {\begin{matrix}
{\frac {\nu +1}{2}}\left[\psi ({\frac {1+\nu }{2}})-\psi ({\frac {\nu }
{2}})\right]\\[0.5em]+\log {\left[{\sqrt {\nu }}B({\frac {\nu }{2}},{\frac {1}
{2}})\right]}\end{matrix}}}

{\displaystyle \psi } \psi : funci�n digamma,

{\displaystyle B} B: funci�n beta
Funci�n generadora de momentos (mgf) (No definida)
[editar datos en Wikidata]
En probabilidad y estad�stica, la distribuci�n t (de Student) es una distribuci�n
de probabilidad que surge del problema de estimar la media de una poblaci�n
normalmente distribuida cuando el tama�o de la muestra es peque�a.

Aparece de manera natural al realizar la prueba t de Student para la determinaci�n

de las diferencias entre dos varianzas muestrales y para la construcci�n del
intervalo de confianza para la diferencia entre las partes de dos poblaciones
cuando se desconoce la desviaci�n t�pica de una poblaci�n y esta debe ser estimada
a partir de los datos de una muestra.

Fue desarrollada por William Sealy Gosset, bajo el seud�nimo Student.

�ndice
1 Caracterizaci�n
2 Aparici�n y especificaciones de la distribuci�n t de Student
3 Intervalos de confianza derivados de la distribuci�n t de Student
4 Historia
5 Distribuci�n t de Student no estandarizada
6 Referencias
7 Enlaces externos
Caracterizaci�n
La distribuci�n t de Student es la distribuci�n de probabilidad del cociente

{\displaystyle T={\frac {Z}{\sqrt {V/\nu \ }}}=Z{\sqrt {\frac {\nu \ }{V}}}}

{\displaystyle T={\frac {Z}{\sqrt {V/\nu \ }}}=Z{\sqrt {\frac {\nu \ }{V}}}}
donde

Z es una variable aleatoria distribuida seg�n una normal t�pica (de media nula y
varianza 1).
V es una variable continua que sigue una distribuci�n ?� con {\displaystyle \nu \ }
{\displaystyle \nu \ } grados de libertad.
Z y V son independientes
Si � es una constante no nula, el cociente {\displaystyle {\frac {Z+\mu }{\sqrt
{V/\nu \ }}}} {\displaystyle {\frac {Z+\mu }{\sqrt {V/\nu \ }}}} es una variable
aleatoria que sigue la distribuci�n t de Student no central con par�metro de no-
centralidad {\displaystyle \mu } \mu.

Aparici�n y especificaciones de la distribuci�n t de Student

Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas
normalmente, con media � y varianza s2. Sea

{\displaystyle {\overline {X}}_{n}=(X_{1}+\cdots +X_{n})/n}

\overline{X}_n=(X_1+\cdots+X_n)/n
la media muestral. Entonces

{\displaystyle Z={\frac {{\overline {X}}_{n}-\mu }{\sigma /{\sqrt {n}}}}}

{\displaystyle Z={\frac {{\overline {X}}_{n}-\mu }{\sigma /{\sqrt {n}}}}}
sigue una distribuci�n normal de media 0 y varianza 1.

Sin embargo, dado que la desviaci�n est�ndar no siempre es conocida de antemano,

Gosset estudi� un cociente relacionado,

{\displaystyle T={\frac {{\overline {X}}_{n}-\mu }{S_{n}/{\sqrt {n}}}},}

{\displaystyle T={\frac {{\overline {X}}_{n}-\mu }{S_{n}/{\sqrt {n}}}},}

{\displaystyle S^{2}(x)={\frac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}

{\displaystyle S^{2}(x)={\frac {1}{n-1}}\sum _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}
es la cuasivarianza muestral y demostr� que la funci�n de densidad de T es

{\displaystyle f(t)={\frac {\Gamma ((\nu +1)/2)}{{\sqrt {\nu \pi \,}}\,\Gamma

(\nu /2)}}(1+t^{2}/\nu )^{-(\nu +1)/2}} {\displaystyle f(t)={\frac {\Gamma ((\nu
+1)/2)}{{\sqrt {\nu \pi \,}}\,\Gamma (\nu /2)}}(1+t^{2}/\nu )^{-(\nu +1)/2}}
donde {\displaystyle \nu \ } {\displaystyle \nu \ } es igual a n - 1.

La distribuci�n de T se llama ahora la distribuci�n-t de Student.

El par�metro {\displaystyle \nu \ } {\displaystyle \nu \ } representa el n�mero de

grados de libertad. La distribuci�n depende de {\displaystyle \nu \ }
{\displaystyle \nu \ }, pero no de {\displaystyle \mu } \mu o {\displaystyle \sigma
} \sigma, lo cual es muy importante en la pr�ctica.

Intervalos de confianza derivados de la distribuci�n t de Student

El procedimiento para el c�lculo del intervalo de confianza basado en la t de
Student consiste en estimar la desviaci�n t�pica de los datos S y calcular el error
est�ndar de la media: {\displaystyle {\overline {X}}={\frac {S}{\sqrt {n}}}}
{\displaystyle {\overline {X}}={\frac {S}{\sqrt {n}}}}, siendo entonces el
intervalo de confianza para la media: {\displaystyle {\overline {X}}=\pm
t_{\alpha /2,n-1}{\frac {S}{\sqrt {n}}}} {\displaystyle {\overline {X}}=\pm
t_{\alpha /2,n-1}{\frac {S}{\sqrt {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 tambi�n
normalmente, la distribuci�n t puede usarse para examinar si esa diferencia puede
razonablemente suponerse igual a cero.

Para efectos pr�cticos el valor esperado y la varianza son:

{\displaystyle E(t(n))=0} {\displaystyle E(t(n))=0} y {\displaystyle Var(t(n-1))=n/

(n-2)} {\displaystyle Var(t(n-1))=n/(n-2)} para {\displaystyle n>2} {\displaystyle
n>2}

Historia
La distribuci�n de Student fue descrita en el a�o 1908 por William Sealy Gosset.
Gosset trabajaba en una f�brica de cerveza, Guinness, que prohib�a a sus empleados
la publicaci�n de art�culos cient�ficos debido a una difusi�n previa de secretos
industriales. De ah� que Gosset publicase sus resultados bajo el seud�nimo de
Student.1?

Distribuci�n t de Student no estandarizada

La distribuci�n t puede generalizarse a 3 par�metros, introduciendo un par�mero
locacional {\displaystyle \mu } \mu y otro de escala {\displaystyle \sigma }
\sigma. El resultado es una distribuci�n t de Student no estandarizada cuya
densidad est� definida por:2?

{\displaystyle p(x|\nu ,\mu ,\sigma )={\frac {\Gamma ({\frac {\nu +1}{2}})}{\Gamma

({\frac {\nu }{2}}){\sqrt {\pi \nu }}\sigma }}\left(1+{\frac {1}{\nu }}\left({\frac
{x-\mu }{\sigma }}\right)^{2}\right)^{-{\frac {\nu +1}{2}}}} {\displaystyle p(x|\nu
,\mu ,\sigma )={\frac {\Gamma ({\frac {\nu +1}{2}})}{\Gamma ({\frac {\nu }{2}})
{\sqrt {\pi \nu }}\sigma }}\left(1+{\frac {1}{\nu }}\left({\frac {x-\mu }
{\sigma }}\right)^{2}\right)^{-{\frac {\nu +1}{2}}}}

{\displaystyle \sigma ^{2}}

\sigma^2 (correspondiente a la varianza en vez de a la desviaci�n est�ndar):

{\displaystyle p(x|\nu ,\mu ,\sigma ^{2})={\frac {\Gamma ({\frac {\nu +1}{2}})}
{\Gamma ({\frac {\nu }{2}}){\sqrt {\pi \nu \sigma ^{2}}}}}\left(1+{\frac {1}{\nu }}
{\frac {(x-\mu )^{2}}{\sigma ^{2}}}\right)^{-{\frac {\nu +1}{2}}}} {\displaystyle
p(x|\nu ,\mu ,\sigma ^{2})={\frac {\Gamma ({\frac {\nu +1}{2}})}{\Gamma ({\frac
{\nu }{2}}){\sqrt {\pi \nu \sigma ^{2}}}}}\left(1+{\frac {1}{\nu }}{\frac {(x-\mu )
^{2}}{\sigma ^{2}}}\right)^{-{\frac {\nu +1}{2}}}}
Otras propiedades de esta versi�n de la distribuci�n t son:2?

{\displaystyle {\begin{aligned}\operatorname {E} (X)&=\mu \quad \quad \quad

{\text{para }}\,\nu >1,\\{\text{Var}}(X)&=\sigma ^{2}{\frac {\nu }{\nu -2}}\,\quad
{\text{para }}\,\nu >2,\\{\text{Moda}}(X)&=\mu .\end{aligned}}} {\displaystyle
{\begin{aligned}\operatorname {E} (X)&=\mu \quad \quad \quad {\text{para }}\,\nu
>1,\\{\text{Var}}(X)&=\sigma ^{2}{\frac {\nu }{\nu -2}}\,\quad {\text{para }}\,\nu
>2,\\{\text{Moda}}(X)&=\mu .\end{aligned}}}