Sei sulla pagina 1di 6

# Distribucin t de Student

Distribucin t de Student

## Student densite best.JPG

T distributionCDF.png

## Funcin de distribucin de probabilidad

Dominio {\displaystyle x\in (-\infty ;+\infty )\!} {\displaystyle x\in (-\infty ;+\infty )\!}

## Funcin 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}\!}

## Funcin de distribucin (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
funcin hipergeomtrica

Media {\displaystyle 0} {\displaystyle 0} para {\displaystyle \nu >1} {\displaystyle \nu >1},
indefinida para otros valores

## 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 simetra {\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}

Entropa

## {\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}}}

## [editar datos en Wikidata]

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.

ndice [ocultar]

1 Caracterizacin

4 Historia

## 5 Distribucin t de Student no estandarizada

6 Referencias

7 Enlaces externos

Caracterizacin[editar]

## La distribucin t de Student es la distribucin 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 segn una normal tpica (de media nula y varianza 1).

V es una variable aleatoria que sigue una distribucin con {\displaystyle \nu \ }

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 distribucin
t de Student no central con parmetro de no-centralidad {\displaystyle \mu } \mu.

## Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas normalmente,

con media y varianza 2. Sea

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

{{\overline {X}}_{n}-\mu }{\sigma /{\sqrt {n}}}}}

## sigue una distribucin normal de media 0 y varianza 1.

Sin embargo, dado que la desviacin estndar no siempre es conocida de antemano, Gosset

## {\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 funcin 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}}

## El parmetro {\displaystyle \nu \ } {\displaystyle \nu \ } representa el nmero de grados de

libertad. La distribucin depende de {\displaystyle \nu \ } {\displaystyle \nu \ }, pero no de
{\displaystyle \mu } \mu o {\displaystyle \sigma } \sigma, lo cual es muy importante en la
prctica.

## 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: {\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 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:

{\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[editar]

La distribucin de Student fue descrita en 1908 por William Sealy Gosset. Gosset trabajaba en
una fbrica de cerveza, Guinness, que prohiba a sus empleados la publicacin de artculos
cientficos debido a una difusin previa de secretos industriales. De ah que Gosset publicase sus
resultados bajo el seudnimo de Student.1

## La distribucin t puede generalizarse a 3 parmetros, introduciendo un parmero locacional

{\displaystyle \mu } \mu y otro de escala {\displaystyle \sigma } \sigma. El resultado es una

{\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}}}}

## Equivalentemente, puede escribirse en trminos de {\displaystyle \sigma ^{2}} \sigma^2

(correspondiente a la varianza en vez de a la desviacin estndar):

{\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 versin de la distribucin t son:2

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