Anar al contingut

Distribució t de Student

De L'Enciclopèdia, la wikipedia en valencià
Distribució t de Student

En provabilitat i estadística, la distribució t (de Student) és una distribució de provabilitat que sorgix del problema d'estimar la mija d'una població normalment distribuïda quan el tamany de la mostra és chicotet i la desviació estàndar poblacional és desconeguda.

Va ser desenrollada per William Sealy Gosset baix el seudònim «Student».

Apareix de manera natural en realisar la prova t de Student per a la determinació de les diferències entre dos varianza mostrals i per a la construcció del interval de confiança per a la diferència entre les parts de dos poblacions quan es desconeix la desviació típica d'una població i esta deu ser estimada a partir de les senyes d'una mostra.

Història i etimologia

L'estadístic William Sealy Gosset, conegut com «Student»

La distribució de Student va ser descrita en l'any 1908 per William Sealy Gosset.

En estadística, la distribució t va ser derivada per primera volta com distribució posterior en 1876 per Helmert[1][2][3] i Lüroth.[4][5][6] La distribució t també va aparéixer en una forma més general com a distribució Pearson Tipo IV en l'artícul de Karl Pearson de 1895.[7]


En la lliteratura en llengua anglesa, la distribució pren el seu nom de l'artícul de William Sealy Gosset de 1908 en Biometrika baix el seudònim de «Student».[8] Una versió de l'orige del seudònim és que el empleador de Gosset preferia que el personal utilisara seudònim en publicar artículs científics en lloc del seu nom real, o prohibia totalment la publicació d'artículs,[9] per lo que va utilisar el nom de «Estudiant» per a ocultar la seua identitat. Una atra versió és que Guinness no volia que els seus competidors saberen que utilisaven la prova t per a determinar la calitat de la matèria primera.[10][11]

Gosset va treballar en la fàbrica de cervesa Guinness en Dublín, Irlanda, i es va interessar pels problemes de les mostres menudes, per eixemple, les propietats químiques de l'ordi, a on el tamany de les mostres podia ser de només 3. L'artícul de Gosset es referix a la distribució com la «distribució de freqüències de les desviacions típiques de mostres extretes d'una població normal». Es va fer molt coneguda gràcies al treball de Ronald Fisher, que va cridar a la distribució Distribució de Student i va representar el valor de la prova en la lletra t.[12][13]

Distribució t de Student a partir d'una mostra aleatòria

Siga X1,…,Xn variables aleatòries independents distribuïdes N(μ,σ2), açò és, X1,…,Xn és una mostra aleatòria de tamany n provinent d'una població en distribució normal en mija μ i varianza σ2.

Sean

X‾=1n∑i=1nXi

la mija mostral i

S2=1n−1∑i=1n(Xi−X‾)2

la varianza mostral. Llavors, la variable aleatòria

X‾−μσ/n

seguix una distribució normal estàndar (és dir, una distribució normal en mija 0 i varianza 1) i la variable aleatòria

X‾−μS/n

a on σ ha segut substituït per S, té una distribució t de student en n−1 graus de llibertat.

Definició

Notació

Sean X una variable aleatòria contínua i v>0, si X té una distribució t en v graus de llibertat llavors escriurem X∼tv o X∼t(v).

Funció de densitat

La distribució t-student té com funció de densitat

fX(x)=Γ(v+12)vπΓ(v2)(1+x2v)−v+12


per a x∈ℝ, a on v denota els graus de llibertat i Γ és la funció gamma.

L'expressió anterior també sol escriure's com

fX(x)=1vB⁡(12,v2)(1+x2v)−v+12

a on B és la funció beta.

En particular, per a valors sancers de v es té que

per a v>1 parell

Γ(v+12)vπΓ(v2)=(v−1)(v−3)⋯5⋅32v(v−2)(v−4)⋯4⋅2

per a v>1 impar

Γ(v+12)vπΓ(v2)=(v−1)(v−3)⋯4⋅2πv(v−2)(v−4)⋯5⋅3

Funció de distribució

La funció de distribució pot ser escrita en térmens de I, la funció beta incompleta.

Per a x>0

FX(x)=∫−∞xf(u)du=1−12Ix(t)(v2,12)

a on

x(t)=vt2+v

Una fòrmula alternativa, vàlida per a x2<v és

∫−∞xf(u)du=12+xΓ(v+12)πvΓ(v2)2F1(12,v+12;32;−x2v)

a on 2F1 és un cas particular de la funció hipergeométrica.

Casos particulars

Certs valors de v donen una forma especial a la funció de densitat i de distribució.

  • v=1
Funció de densitat:
fX(x)=1π(1+x2)
Funció de distribució:
FX(x)=12+1πarctan⁡(x)
Vore Distribució de Cauchy.
  • v=2
Funció de densitat:
fX(x)=122(1+x22)32
Funció de distribució:
FX(x)=12+x221+x22
  • v=3
Funció de densitat:
fX(x)=2π3(1+x23)2
Funció de distribució:
FX(x)=12+1π[x3(1+x23)+arctan⁡(x3)]
  • v=∞
Funció de densitat:
fX(x)=12πe−x22
Vore Distribució normal.
Funció de distribució:
FX(x)=12[1+erf⁡(x2)]
Vore Funció error.

Propietats

Si X és una variable aleatòria tal que X∼tv llavors X satisfà algunes propietats.

Media

La mija de X per a valors v>1 és

E⁡[X]=0

Varianza

La varianza de X per a valors v>2 és

Var⁡(X)=vv−2

Curtosis

La curtosis de X per a valors v>4 és

6v−4

Caracterisació

La distribució t de Student en v graus de llibertat pot definir-se com la distribució de la variable aleatòria T definida per:

T:=ZXv∼tv

a on

Per a una constant μ no nula, el cocient

(Z+μ)vX

és una variable aleatòria que seguix la distribució no central t de Student en paràmetro de no-centralidad μ.

Intervals de confiança per a mostres de la distribució normal

Interval per a la mija quan σ² és desconeguda

Siguen X1,…,Xn una mostra aleatòria provinent d'una població en distribució N(μ,σ2) a on μ i σ són desconeguts.

Es té que

X‾−μσ/n∼N(0,1)

i

(n−1)S2σ2∼χn−12

són independents llavors el cocient

X‾−μσ/n(n−1)S2σ2n−1∼tn−1

açò és

X‾−μS/n∼tn−1

Siga tn−1,1−α/2∈ℝ tal que

P⁡[Y≤tn−1,1−α/2]=1−α2

sent Y∼tn−1 llavors

P⁡[−tn−1,1−α/2≤X‾−μS/n≤tn−1,1−α/2]=1−αP⁡[−tn−1,1−α/2Sn≤X‾−μ≤tn−1,1−α/2Sn]=1−αP⁡[−X‾−tn−1,1−α/2Sn≤−μ≤−X‾+tn−1,1−α/2Sn]=1−αP⁡[X‾−tn−1,1−α/2Sn≤μ≤X‾+tn−1,1−α/2Sn]=1−α

per lo tant un interval de (1−α)100% de confiança per a μ quan σ2 és desconeguda és

(X‾−tn−1,1−α/2Sn,X‾+tn−1,1−α/2Sn)

Distribució t de Student generalisada

En térmens del paràmetro d'escala σ̂

La distribució t de Student pot generalisar-se a 3 paràmetros, introduint un parámero locacional μ^ i un paràmetro d'escala σ^ per mig de la relació

X=μ^+σ^T

o

T=X−μ^σ^

açò significa que x−μ^σ^ té la distribució clàssica t de Student en v graus de llibertat.


La resultant distribució t de Student no estandardisada té per funció de densitat:[14]

p(x|ν,μ^,σ^)=Γ(ν+12)Γ(ν2)πνσ^(1+1ν(x−μ^σ^)2)−ν+12

a on σ^ no correspon a la desviació estàndar, açò és, no és la desviació estàndar de la distribució escalada t, simplement és paràmetro d'escala de la distribució.

La distribució pot ser escrita en térmens de σ^2, el quadrat del paràmetro d'escala:

p(x|ν,μ^,σ^2)=Γ(ν+12)Γ(ν2)πνσ^2(1+1ν(x−μ^)2σ^2)−ν+12

Atres propietats d'esta versió de la distribució són:[14]

E⁡[X]=μ^para ν>1,Var⁡(X)=σ^2νν−2para ν>2,Moda⁡(X)=μ^.

En térmens del paràmetro invers d'escala λ

Una parametrisació alterna està en térmens del paràmetro invers d'escala λ definit per mig de la relació λ=1σ^2. La funció de densitat està donada per:[14]

p(x|ν,μ^,λ)=Γ(ν+12)Γ(ν2)(λπv)12(1+λ(x−μ^)2v)−ν+12

Atres propietats d'esta versió de la distribució són:[14]

E⁡[X]=μ^para ν>1,Var⁡(X)=1λνν−2para ν>2,Moda⁡(X)=μ^.

Distribucions relacionades

  • Si X∼tv llavors X2∼F1,v a on F1,v denota la distribució F en 1 i v graus de llibertat.

Vore també

Referències

  1. ↑ Helmert FR(1875).«Über die Berechnung dones wahrscheinlichen Fehlers aus einer endlichen Anzahl wahrer Beobachtungsfehler».Z. Math. U. Physik.20: 300-3.
  2. ↑ Helmert FR(1876).«Über die Wahrscheinlichkeit der Potenzsummen der Beobachtungsfehler und uber einige damit in Zusammenhang stehende Fragen».Z. Math. Phys..21: 192-218.
  3. ↑ Helmert FR(1876).«Die Genauigkeit der Formel von Peters zur Berechnung dones wahrscheinlichen Beobachtungsfehlers directer Beobachtungen gleicher Genauigkeit».Astron. Nachr..88(8–9): 113–132.(en de)
  4. ↑ Lüroth J(1876).«Vergleichung von zwei Werten dones wahrscheinlichen Fehlers».Astron. Nachr..87(14): 209–20.
  5. ↑ Pfanzagl J, Sheynin O(1996).«Estudis d'història de la provabilitat i l'estadística. XLIV. Un precursor de la distribució t.».Biometrika.83(4): 891-898.
  6. ↑ Sheynin O(1995).«El treball de Helmert en la teoria d'errors».Arch. Hist. Exact Sci..49(1): 73-104.doi:10.1007/BF00374700.
  7. ↑ Pearson, K.(1895-01-01).«Contribucions a la teoria matemàtica de l'evolució. II. Skew Variation in Homogeneous Material».Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences.186: 343-414 (374).ISSN 1364-503X.doi:10.1098/rsta.1895.0010.
  8. ↑ "Student" [William Sealy Gosset](1908).«L'error provable d'una mija».Biometrika.6(1): 1-25.doi:10.1093/biomet/6.1.1.
  9. ↑ Walpole, Roland; Myers, Raymond; Ye, Keying(2002).«Probability and Statistics for Engineers and Scientists».Pearson Education.
  10. ↑ Wendl MC(2016).«La fama del seudònim».Science.351(6280): 1406.doi:10.1126/science.351.6280.1406.
  11. ↑ Mortimer RG (2005). Matemàtiques per a la química física, 3rd edició, Burlington, MA: Elsevier, pp. 326. OCLC 156200058. ISBN 9780080492889.
  12. ↑ Fisher RA(1925).«Aplicacions de la distribució 'de Student'».Metron.5: 90-104.
  13. ↑ Walpole RE, Myers R, Myers S, Ye K (2006). Probability & Statistics for Engineers & Scientists, 7th edició, New Delhi: Pearson, pp. 237. OCLC 818811849. ISBN 9788177584042.
  14. ↑ 14,0 14,1 14,2 14,3 Jackman, Simon (2009). Bayesian Analysis for the Social Sciences, Wiley.

Enllaços externs


Referències