1)La distribución t de Student o distribución t es un modelo teórico utilizado para
aproximar el momento de primer orden de una población normalmente distribuida cuando el
tamaño de la muestra es pequeño y se desconoce la desviación típica.
Es una distribución de probabilidad que estima el valor de la media de una muestra pequeña
extraída de una población que sigue una distribución normal y de la cual no conocemos su
desviación típica.
2)La distribución de chi-cuadrada es una distribución continua que se especifica por los
grados de libertad y el parámetro de no centralidad. La distribución es positivamente asimétrica,
pero la asimetría disminuye al aumentar los grados de libertad.
Para qué sirve el Chi Cuadrado
Este estadístico, sirve para poner a prueba las hipótesis relacionadas con las distribuciones de
frecuencias. En general, esta prueba tiene la capacidad de contrastar la observación de frecuencias
con las frecuencias esperadas según la hipótesis nula.
El uso de este estadístico puede probar la asociación entre dos variables al usar una situación
hipotética y los datos simulados. También se utiliza para evaluar que tan bueno es el resultado para
una distribución teórica, al pretender representar la distribución real de los datos de una
determinada muestra.
Esto se llama evaluar la bondad de un ajuste y para probarla es necesario ver la medida de cómo
se ajustan los datos que se observan dentro de una distribución teórica o esperada. En este caso,
se debe usar una segunda situación hipotética y datos simulados.
3)La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el valor de
una variable aleatoria continua a una situación ideal.
En otras palabras, la distribución normal adapta una variable aleatoria continua a una función que
depende de la media y la desviación típica. Es decir, la función y la variable aleatoria continua
tendrán la misma representación pero con ligeras diferencias.
Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia IQ y los
errores estándar son variables aleatorias continuas.
La distribución normal es la base de otras distribuciones como la distribución t de Student,
distribución ji-cuadrada, distribución F de Fisher y otras distribuciones.
5)Una hipótesis científica es una proposición aceptable que ha sido formulada a través de la
recolección de información y datos,aunque no esté confirmada, sirve para responder de forma
alternativa a un problema con base científica.
Una hipótesis se puede usar como una propuesta provisional que no se pretende demostrar
estrictamente, o puede ser una predicción que se debe verificar por el método científico.
Pasos de la hipótesis
reunir información, compararla, dar posibles explicaciones, escoger la explicación más probable y
formular una o más hipótesis.3 Después de hacer todos estos pasos (en la ciencia) se realiza una
experimentación, en la que se confirma la hipótesis o no. Si la hipótesis es confirmada, entonces lo
planteado como hipótesis es verdadero. En caso de que no sea confirmada, la hipótesis es falsa y
en caso de ser falsa hay que formular otra hipótesis con los datos reales que se han conseguido,
para tener los datos correctos y un resultado eficaz, lo que permite afirmar que una hipótesis tiene
mayor probabilidad de ser cierta si se apoya en conclusiones confirmadas como verdaderas (teoría
científica).
Hipotesis en distribucion T de Student
Si pudiera expresar en un cierto número de pasos para resolver un problema de t de student
tendría que declarar los siguientes:
Paso 1. Plantear las hipótesis nula (H0) y la hipótesis alternativa (H1). La hipótesis alternativa
plantea matemáticamente lo que queremos demostrar, en tanto que la hipótesis nula plantea
exactamente lo contrario.
Paso 2. Determinar el nivel de significancia (rango de aceptación de la hipótesis alternativa), a .
Se considera un nivel alfa de: 0.05 para proyectos de investigación; 0.01 para aseguramiento de la
calidad; y 0.10 para estudios o encuestas de mercadotecnia.
Paso 3. Evidencia muestral, se calcula la media y la desviación estándar a partir de la muestra.
Paso 4. Se aplica la distribución T de Student para calcular la probabilidad de error por medio de la
fórmula general presentada al principio y se contrasta con el valor T obtenido de la tabla
correspondiente.
Paso 5. En base a la evidencia disponible se acepta o se rechaza la hipótesis alternativa. Si la
probabilidad de error (p) es mayor que el nivel de significancia se rechaza la hipótesis alternativa.
Si la probabilidad de error (p) es menor que el nivel de significancia se acepta la hipótesis
alternativa.
Ejemplo
Ejemplos para la distribución exponencial es la distribución de la longitud de los intervalos de una
variable continua que transcurren entre dos sucesos, que se distribuyen según la distribución de
Poisson.
El tiempo transcurrido en un centro de llamadas hasta recibir la primera llamada del día se podría
modelar como una exponencial.
El intervalo de tiempo entre terremotos (de una determinada magnitud) sigue una distribución
exponencial.
Supongamos una máquina que produce hilo de alambre, la cantidad de metros de alambre hasta
encontrar una falla en el alambre se podría modelar como una exponencial.
En fiabilidad de sistemas, un dispositivo con tasa de fallo constante sigue una distribución
exponencial.
a distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado número de eventos
durante cierto período de tiempo. Concretamente, se especializa en la probabilidad de ocurrencia
de sucesos con probabilidades muy pequeñas, o sucesos «raros».
Fue propuesta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo (Investigación
sobre la probabilidad de los juicios en materias criminales y civiles).
Poisson
La distribución de Poisson es una distribución de probabilidad discreta que se aplica a las
ocurrencias de algún suceso durante un intervalo determinado. Nuestra variable aleatoria x
representará el número de ocurrencias de un suceso en un intervalo determinado, el cual podrá
ser tiempo, distancia, área, volumen o alguna otra unidad similar o derivada de éstas.
¿Cuándo se usa la Distribución de Poisson?
La distribución de Poisson es particularmente importante ya que tiene muchos casos de uso.
Podemos poner como ejemplos de uso: la disminución de una muestra radioactiva, la llegada de
pasajeros de un aeropuerto o estación de trenes o autobuses, los usuarios que se conectan a una
web determinada por hora (es un caso particularmente interesante que usa Googlee en sus
métricas predictivas de visitantes únicos a una web).
1. En primer lugar se debe plantear las hipótesis que someteremos a prueba
H0: “El uso de cinturón de seguridad es independiente del nivel socioeconómico”.
H1: “El uso de cinturón de seguridad depende del nivel socioeconómico”.
En esta prueba estadística siempre la hipótesis nula plantea que las variables analizadas son
independientes.
2. En segundo lugar, obtener (calcular) las frecuencias esperadas
Estas son las frecuencias que debieran darse si las variables fueran independientes, es decir, si
fuera cierta la hipótesis nula.
Las frecuencias esperadas se obtendrán de la distribución de frecuencias del total de los casos, 51
personas de un total de 94 usan el cinturón y 43 de 94 no lo usan. Esa misma proporción se
debería dar al interior de los tres grupos de nivel socioeconómico, de manera que el cálculo
responde al siguiente razonamiento: si de 94 personas 51 usan cinturón; de 21 personas, ¿cuántas
debieran usarlo?
La respuesta a esta pregunta se obtiene aplicando la “regla de tres” y es 11,4. Este procedimiento
debe repetirse con todas las frecuencias del interior de la tabla.
El detalle de los cálculos es el siguiente:
Nivel bajo: (21x51/94)=11,4-(21x43/94)=9,6
Nivel medio: (31x51/94)=16,8-(31x43/94)=14,2
Nivel alto: (42x51/94)=22,8-(42x43/94)=19,2
Estas son las frecuencias que debieran presentarse si la hipótesis nula fuera verdadera y, por
consiguiente, las variables fueran independientes.
Estos valores los anotamos en una tabla con las mismas celdas que la anterior; así tendremos una
tabla con los valores observados y una tabla con los valores esperados, que anotaremos en cursiva,
para identificarlos bien.
Uso de cinturón Nivel bajo Nivel medio Nivel alto TOTAL
SI 11,4 16,8 22,8 51
NO 9,6 14,2 19,2 43
TOTAL 21 31 42 94
Tabla II. Tabla de asociación, valores esperados.
3. En tercer lugar se debe calcular el estadístico de prueba
En este caso, el estadístico de prueba es Ji-cuadrado que, como dijimos al comienzo, compara las
frecuencias que entregan los datos de la muestra (frecuencias observadas) con las frecuencias
esperadas, y tiene la siguiente fórmula cálculo:
donde oi representa a cada frecuencia observada y ei representa a cada frecuencia esperada.
De este modo el valor del estadístico de prueba para este problema será:
Entonces Este es el valor de nuestro estadístico de prueba que ahora, siguiendo el procedimiento
de problemas anteriores (paso 4), debemos comparar con un valor de la tabla de probabilidades
para ji-cuadrado (x2). Esta tabla es muy parecida a la tabla t de student, pero tiene sólo valores
positivos porque ji-cuadrado sólo da resultados positivos. Véase gráfico 1, que muestra la forma de
la curva, con valores desde 0 hasta infinito.
la distribución exponencial estudia el tiempo entre cada una de estas llegadas. Si las llegadas son
de Poisson el tiempo entre estas llegadas es exponencial. Mientras que la distribución de Poisson
es discreta la distribución exponencial es continua porque el tiempo entre llegadas no tiene que
ser un número entero. Esta distribución se utiliza mucho para describir el tiempo entre eventos.
Más específicamente la variable aleatoria que representa al tiempo necesario para servir a la
llegada.
Ejemplos típicos de esta situación son el tiempo que un medico dedica a una exploración, el
tiempo de servir una medicina en una farmacia, o el tiempo de atender a una urgencia.
El uso de la distribución exponencial supone que los tiempos de servicio son aleatorios, es decir,
que un tiempo de servicio determinado no depende de otro servicio realizado anteriormente ni de
la posible cola que pueda estar formándose. Otra característica de este tipo de distribución es que
no tienen "edad" o en otras palabras, "memoria". Por ejemplo. Supongamos que el tiempo de
atención de un paciente en una sala quirúrgica sigue una distribución exponencial. Si el paciente ya
lleva 5 horas siendo operado, la probabilidad de que esté una hora más es la misma que si hubiera
estado 2 horas, o 10 horas o las que sea. Esto es debido a que la distribución exponencial supone
que los tiempos de servicio tienen una gran variabilidad. A lo mejor el próximo paciente operado
tarda 1 hora porque su cirugía era mucho más simple que la anterior.
Distribucion de proporciones
distribución de proporciones es la distribución de un promedio (media)
de los éxitos.
En estadística, se llama intervalo de confianza a un par o varios pares de números entre los cuales
se estima que estará cierto valor desconocido con un determinado nivel de confianza.
Formalmente, estos números determinan un intervalo, que se calcula a partir de datos de una
muestra, y el valor desconocido es un parámetro poblacional. El nivel de confianza representa el
porcentaje de intervalos que tomados de 100 muestras independientes distintas contienen en
realidad el valor desconocido. En estas circunstancias, α es el llamado error aleatorio o nivel de
significación, esto es, el número de intervalos sobre 100 que no contienen el valor1
Intervalos de confianza derivados de la distribución t de Student
El procedimiento para el cálculo del intervalo de confianza basado en la t de Student consiste en
estimar la desviación típica de los datos S y calcular el error estándar 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 también normalmente, la distribución t
puede usarse para examinar si esa diferencia puede razonablemente suponerse igual a cero.
Para efectos prácticos 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}