T-Student

Aplicaciones de la T de Student

Distribución t- de -Student

Antecedentes

• Propuesta por William Sealy Gosset (1908)

• Se emplea cuando se trabaja con muestras pequeñas

• Se utiliza para estimar el valor esperado de una distribución normal de población

¿ Cuándo se utiliza?• Para muestras pequeñas

• Para estimar el valor esperado de una distribución normal de población

• Estimación de la media cuando se desconoce la varianza

• Comparación entre dos poblaciones

• Contraste de hipótesis

¿Cuál es la distribución exacta del

estadístico ?s

conocida la de insesgadoestimador un es

den distribucó la de media la es

Supuestos de la inferencia para la media

• Los datos son una muestra (n) aleatoria

• Población con distribución normal N(μ,σ)

Características de Ẋ• La media muestral tiene una distribución

normal con media μ y desviación típica

• σ se estima a partir de la desviación típica muestral s

• La desviación típica de Ẋ se estima por

Error típico de la muestra

• Es la estimación de la desviación típica del estadístico a partir de los datos

• El error típico de la media muestral Ẋ es:

Propiedades

• La distribución t–Student es diferente para los distintos tamaños de la muestra

• Es generalmente en forma de campana

• Para n≥30 se comporta como la normal

• La media es cero

• La distribución es simétrica en torno a la media

Propiedades

• La varianza es igual a uno cuando t→∞

• La población es esencialmente normal

• Es una distribución continua

• Par n=1 no existe media (Distribución de Cauchy)

• Para n=2,3,... μ=0

• Para n=1 y 2 la distribución t no tiene varianza

• Varianza para n=2,3...

Grados de libertad

• Número de valores que se pueden variar después de imponer ciertas restricciones

• Número de valores que se pueden escoger libremente al calcular un estadístico

• Libertad de movimiento

Grados de libertad

Num. Variables=2Num. Restricciones=1

Grados de libertad =r= Num. Variables- Num. de restriccionesGrados de libertad=r=2-1r=1

-30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30

-14 -12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12 14

-3 -2 -1 0 1 2 3

(2) 12

(1) 124

1r=N-1

DefiniciónSe Z una variable aleatoria con N(0,1) y si U es una variable aleatoria que se distribuye en forma χ2(r), con la condición de que Z y U sean independientes.

Por lo tanto:

Se tiene una distribución T con rr grados de libertad

población la deestándar desviación la deestimador el es y

muestra la de media la es y lpoblaciona media la es donde

DefiniciónEstimador de la desviación estándar de la población:

normalón distribuci laen

a transformseón distribuci la ,y Si z ts

Es un estimador insesgado de μX

DefiniciónComo N aumenta, entonces la distribución t se aproxima cada vez más a la distribución normal

DefiniciónEntonces la distribución t se puede obtener mediante la transformación:

y t se define entonces como:

DefiniciónFunción de densidad de probabilidad:

r=25r=5r=1

DefiniciónDistribución acumulativa de probabilidad:

rIrItF

daregulariza BetaFunción

BetaFunción ,*

GammaFunción *

baBbazB

r=1r=25 r=5

Pruebas de significación: hipótesis“Pruebas de una cola o de dos colas”

• H0 regularmente afirma la ausencia de efectos

• Ha establece que un determinado parámetro difiere del valor que le otorga la hipótesis nula en una dirección concreta

Estadístico de contraste

• P este valor es la probabilidad calculada suponiendo que H0 sea cierta, de que el estadístico de contraste tome un valor al menos tan extremo como el valor observado

• Valores P pequeños indican la existencia de una fuerte evidencia en contra de H0

• Si el valor P es pequeño, o más pequeños que un valor concreto α, los datos son estadísticamente significativos a un nivel de significación α.

¿cuánto debe ser el valor de P?

• Nivel de significación más utilizado : 5% (α=.05)

Errores tipo I y tipo II

• Tipo I: Se presenta cuando se rechaza H0 cuando en realidad es cierta.

• Tipo II: Se da cuando no se rechaza H0 cuando en realidad Ha es cierta

Escenarios posibles :

Error tipo I Decisión correcta

Decisión correcta

Error tipo II

H0 es cierta Ha es cierta

Certeza sobre la población

Decisión basada

en la muestra

Rechazo H0

Aceptación H0

No rechazo h0

Ejemplo 1

Refrescos light: los fabricantes de refrescos prueban nuevas fórmulas para evitar la pérdida de dulzor de los refrescos light durante el almacenamiento. Uno de los catadores experimentados evalúan el dulzor de los refrescos antes y después del almacenamiento. He aquí las pérdidas de dulzor ( dulzor antes del almacenamiento menos dulzor después del almacenamiento) hallados por 10 catadores para una nueva fórmula del refresco.

Datosx Antes-

después

X1 2.0

X2 0.4

X3 0.7

X4 2.0

X5 -0.4

x6 2.2

X7 -1.3

X8 1.2

X9 1.1

x10 2.3

¿Estos datos constituyen una buena evidencia de que el refresco perdió dulzura durante el almacenamiento?

• Paso 1: Hipótesis Existen diferencias sobre la percepción de la pérdida de dulzura por parte de los catadores

Hipótesis: Pérdida media de dulzor μ

H0: μ=0

Ha: μ>0

• Paso 2: Estadístico de contraste:

3.21.12.13.13.24.00.27.04.00.21

1961.14306.1 s

6967.2101961.1

002.1 t

2XX i iX

2 0.96040.4 0.38440.7 0.1024

2 0.9604-0.4 2.01642.2 1.3924

-1.3 5.38241.2 0.03241.1 0.00642.3 1.6384

Ẋ= 1.02 S2= 1.43066667S= 1.19610479

2.69672.2622 2.814

• Paso 3: Valor P: t=2.6967 (Tabla)

2 2.05 2.1 2.15 2.2 2.25 2.3 2.35 2.4 2.45 2.5 2.55 2.6 2.65 2.7 2.75 2.8 2.85 2.9 2.95 3

t=2.69672.2622 2.8214

(t1,p1)

(t2,p2)

(t, p)

t=2.6967p=?

En tablas

t1=2.2622 p1=.025t2=2.8214 p2=.01

01334.02622.26967.2

8214.22622.2

01.025.025.

Conclusión del cambio de dulzor

• Como P=0.01334 ,existe evidencia bastante fuerte a favor de que se produce una pérdida de dulzor.

Ejemplo 2• La tasa actual de producir fusibles de 5 amp en

DFEletric, es 250 por hora. Se compro e instaló una máquina nueva que según el proveedor aumentará la tasa de producción. Una nuestra de 10 horas seleccionadas al azar el mes pasado indica que la producción media por hora en la nueva máquina es 256, con desviación estándar muestral de 6 por hora. Con 0.05 de nivel de significancia. ¿Puede DFElectric concluir que la nueva máquina es más rápida?

solución

• Paso 1:

H0:μ≤250

Ha:μ≥250

• Paso 2: H0 se rechaza si t>1.833

Solución

250256

• Paso 3:

H0 se rechaza y por lo tanto la nueva máquina es más rápida

Ejemplo 3: Comparación de dos media poblacionales

• Un estudio EPA reciente compara la economía de combustible en carretera de los automóviles nacionales e importados. Una nuestra de 15 autos nacionales reveló una media de 33.7 mpg con desviación estándar de 2.4 mpg. Una muestra de 12 autos importados indicó una media de 35.7 mpg con desviación estándar de 3.9 mpg.

• Para un nivel de significancia de 0.05, ¿puede EPA concluir que el consumo de las mpg para los autos importados es mayor?

• Paso1:

H0:μ2≤μ1

Ha:μ2>μ1

• Paso 2: H0 se rechaza si t<-1.708

• Paso 3:

snsnsp

95.247

31.16764.80

9.3114.214

9.31124.2115

8037.12197.1

2.24877.1

7.357.33

• Paso 4: H0 se rechaza. Entonces el consumo de mpg en los autos importados es más alto.

Ejemplo 4: Pruebas de hipótesis con observaciones por pares

• Una empresa de pruebas independientes estadísticas compara el precio diario de renta de un auto compacto en Eclipse Rent y Avis. Se obtiene una muestra aleatoria de 8 ciudades con la información dada. Con 0.05 de nivel de significancia, ¿puede la empresa concluir que existe una diferencia en los costos de la renta?

Ciudad Eclipse Rent ($) Avis ($)

Acapulco

Los Cabos

Cancún

Guadalajara

Monterrey

Puebla 410 390

Tijuana 460 500

Solución:

Paso 1: H0:μd=0H1:μd≠0

Paso 2: H0 se rechaza si: t<-2.365 y t>2.365

• Paso 3: Cálculo del estadístico t mediante la expresión:

as)(diferenci pares de número el Es

sdiferencia las deestándar Desviación

sdiferencia las de Promedio

Ciudad Eclipse Rent ($)

Avis ($) Diferencias

Acapulco

Los Cabos

Cancún

Guadalajara

Monterrey

Puebla 410 390 20

Tijuana 460 500 -40

Ciudad Eclipse Rent ($)Avis ($) Diferencias ($) (di-d)2

Acapulco 420 400 20 20 100Los Cabos 560 520 40 40 900D.F. 450 430 20 20 100Cancún 480 480 0 0 100Guadalajara 370 320 50 50 1600Monterrey 450 480 -30 -30 1600Puebla 410 390 20 20 100Tijuana 460 500 -40 -40 2500

μ= 10 ∑ 7000s= 31.6227766

8944.01803.1110

86227.3110

6227.3110007

700018

• Paso 4: H0 no se rechaza. No existe diferencia en los costos.

Referencias[1] Meyer PL. Probabilidad y aplicaciones estadísticas: Addison-Wesley Iberoamericana 1986.[2] Montgomery DC. Probabilidad y estadística aplicadas a la ingeniería. México: MzGraw-Hill Interamericana Editores 1996.[3] More DS. Estadística aplicada básica. 2 ed. España: Antoni Bosch editor 2004.[4] Technology M. WolframMathWorld. Student's t-Distribution 2009 [ciado Mayo 15 2009]; Disponoble en: http://mathworld.wolfram.com/Studentst-Distribution.html[5] University A. Statistical Probabilities and Distributions 2009 [citado Mayo 15 2009]; Disponible en: http://www.andrews.edu/~calkins/math/webtexts/prod12.htm[6] Whitmore GA. Problemas de estadística Método autododáctico. México: Compañía Editorial Continental S.A. 1970.[7] Walpole Ronad E., Myers Raymond H. Probabilidad y Estadística. México: McGraw-Hill. Junio 2005.

T-Student

Documents

Transcript of T-Student

distribucion de fisher, ji-cuadrado, T student

SIGNIFICACIÓN ESTADÍSTICA DE LA DIFERENCIA ENTRE 2 MEDIAS · TÉCNICAS ESTADÍSTICAS. para la significación de la diferencia entre 2 medias. T Student. para M.I. T Student. para

Seminario 10: Correlación y T de Student

Distribucion t student rec.

Estadistica t de student

(3) t de Student

Seminario Bioestadistica t Student DR. NELSON ROSERO

Distribución t de student

Variable T-Student

Estadística: T de student

Id1684distribucion t Student

Pruebas de significancia con muestras pequeñas t de student.

T de Student y ANOVA

Prueba t student

Cómo aplicar las pruebas paramétricas bivariadas t de Student y ...

Distribucion T de Student, Scrib

uso de la tabla t-student

2 Tarea Distribución t Student y Chi Cuadrado

T de student

La distribución normal y la distribución t de student