Sei sulla pagina 1di 6

Distribucin t de Student

Distribucin t de Student

Student densite best.JPG

Funcin de densidad de probabilidad

T distributionCDF.png

Funcin de distribucin de probabilidad

Parmetros {\displaystyle \nu >0\!} {\displaystyle \nu >0\!} grados de libertad (real)

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

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 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}}}

{\displaystyle \psi } \psi : funcin digamma,

{\displaystyle B} B: funcin beta

Funcin generadora de momentos (mgf) (No definida)

[editar datos en Wikidata]

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad


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

2 Aparicin y especificaciones de la distribucin t de Student

3 Intervalos de confianza derivados de la distribucin t de Student

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

Aparicin y especificaciones de la distribucin t de Student[editar]

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


con media y varianza 2. 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 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,

{\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}}

donde {\displaystyle \nu \ } {\displaystyle \nu \ } es igual a n 1.

La distribucin de T se llama ahora la distribucin-t de Student.

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.

Intervalos de confianza derivados de la distribucin t de Student[editar]

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

Distribucin t de Student no estandarizada[editar]

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
distribucin 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}}}}

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

{\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}}}