INGENIERIA METALURGICA

"Año de la Consolidación del Mar de Grau"

FACULTAD DE INGENIERIA QUIMICA Y METALURGICA

ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA
METALURGICA
CURSO: METALURGIA PERUANA
TEMA: CUESTIONARIO
DOCENTE: ING. Muños vilela julio
CICLO: III M
INTEGRANTES: mercado gamboa bill clinton
Silva ayala walter ,yunior
Rivera arquiñigo ,pier mario
Sanchez pretel ,tavata estefani
HUACHO-PERÚ
2016

1
 INGENIERIA METALURGICA

I. INTRODUCCION:

Los sistemas de ecuaciones lineales simultáneas son de uso habitual en la práctica

econométrica. En la estimación de los parámetros de estos sistemas se supone
que el término de error sigue una distribución normal n-dimensional. Sin
embargo, en ocasiones parece más conveniente trabajar con distribuciones
multivariantes cuyas colas sean más pesadas que la normal, y que contengan a
ésta corno caso particular. Resulta bien conocida la sensibilidad de la eficiencia
asintótica de los estimadores deducidos bajo la hipótesis de normalidad. En este
sentido, Prucha y Kelejian (1984) proponen la estimación de ecuaciones
simultáneas con errores gobernados por la distribución t de Student n-
dimensional. Lange, Little y Taylor (1989} utilizan la distribución t como base para
la estimación robusta en una gran variedad de problemas, incluyendo modelos de
regresión lineal y no lineal. Por otro lado, esta distribución surge en estadística
bayesiana.

II. OBJETIVOS:

 Analizar las características y aplicaciones de la ley de la distribución T-

student.
 Es comprobar la hipótesis de si dos muestras de datos tienen la misma media.
Se puede realizar sobre muestras independientes o aparejadas.

2
 INGENIERIA METALURGICA

DISTRIBUCIÓN t DE STUDENT

III. FUNDAMENTO TEORICO:

En probabilidad y estadística, la distribución t (de Student) es una distribución

de probabilidad que surge del problema de estimar la media de una población
normalmente distribuida cuando el tamaño de la muestra es pequeño.
Aparece de manera natural al realizar la prueba t de Student para la
determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviación típica de una población y
ésta debe ser estimada a partir de los datos de una muestra.
Caracterización.

La distribución t de Student es la distribución de probabilidad del cociente

Donde:

 Z tiene una distribución normal de media nula y varianza 1.

 V tiene una distribución ji-cuadrado con grados de libertad.
 Z y V son independientes.

Si μ es una constante no nula, el cociente es una variable aleatoria que sigue la

distribución t de Student no central con parámetro de no-centralidad.

 APARICIÓN Y ESPECIFICACIONES DE LA DISTRIBUCIÓN T DE STUDENT

3
 INGENIERIA METALURGICA

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

normalmente, con media μ y varianza σ2. Sea

la media muestral. Entonces

sigue una distribución normal de media 0 y varianza 1.

Sin embargo, dado que la desviación estándar no siempre es conocida de
antemano, Gosset estudió un cociente relacionado,

Donde:

Es la varianza muestral y demostró que la función de densidad de T es

4
 INGENIERIA METALURGICA

Donde es igual an− 1.

La distribución de T se llama ahora la distribución-t de Student.
El parámetro representa el número de grados de libertad. La distribución
depende de , pero no de o , lo cual es muy importante en la
práctica. 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 , siendo entonces el intervalo de confianza para

la media =

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:
E (t(n))= 0 y Var (t(n-1)) = n/(n-2) para n > 3.

 DISTRIBUCIÓN T DE STUDENT NO ESTANDARIZADA

La distribución t puede generalizarse a 3 parámetros, introduciendo un

parámero locacional y otro de escala . El resultado es una distribución t de
Student No Estandarizada cuya densidad está definida por:

5
 INGENIERIA METALURGICA

Equivalentemente, puede escribirse en términos de (correspondiente a la

en vez de a la desviación estándar):

Otras propiedades de esta versión de la distribución t son:[2]

6
 INGENIERIA METALURGICA

• Ejemplo .una fábrica de focos afirma que su producto durara un promedio de 500
horas de trabajo .para conservar este promedio esta persona verifica 25 focos cada
mes .si el valor y calculado cae entre –t 0.05 y t 0.05 .él se encuentra satisfecha con
esta afirmación ¿Qué conclusión deberá el sacar de una muestra de 25 focos cuya

• duración fue?

520 521 511 513 510 µ=500h

513 522 500 521 495 n= 25

496 488 500 502 512 Nc=90%

510 510 475 505 521 X=505.36

506 503 487 493 500 S=12.07

7
 INGENIERIA METALURGICA

IV. CONCLUCIONES:

Una variable puede tomar una variable cualquiera durante un proceso dado.
Las variables aleatorias son funciones que asocian a cada elemento del
espaciomuestral [conjunto de los diferentes resultados de un experimento
estadístico] un número real, se clasifican en: Variable aleatoria discreta,
proporciona datos cuantitativos discretos, es el resultado de un proceso de
conteo (ejemplo el número de soles de n lanzamientos de una moneda) y
Variable aleatoria continúa, se encuentra dentro de un intervalo comprendido
entre 2 números x(estatura de un alumno de un grupo escolar).La distribución
de probabilidad, describe el comportamiento de fenómenos estadísticos es
decir, es un listado de las probabilidades de todos los resultados posibles que
podrían presentarse si se efectúa un experimento. En la distribución discreta,
las variables asumen un número limitado de valores, por ejemplo el número de
años de estudio y en la distribución continua, las variables en estudio pueden
asumir cualquier valor dentro de determinados límites, por ejemplo la estatura
de un estudiante. Son las probabilidades que se asocian a cada uno de los
valores que toma la variable aleatoria x. La distribución de probabilidad para
una variable aleatoria discreta, son las relaciones de los resultados y sus
probabilidades de las frecuencias observadas.
1.- La distribución de probabilidad Binomial o de Bernoulli.
2.- La distribución de probabilidad Hipergeométrica.

8
 INGENIERIA METALURGICA

3.- La distribución de probabilidad de Poisson.

V. BIBLIOGRAFIA:

ARNOLD, B. C., CASTILLO, E., y SARABIA, J. M . (1992): Conditiona/ly

specified distributions,
Lecture Notes in Statistics, vo1. 73, Springer-Verlag, Berlin.
(1994): «A conditional characterization of the multivariate normal distribution
», Statistics and Probability Letters, 19, 313-315.
BISCHOFF, W., y FIEGER, W. (1991): «Characterization of the multivariate
norma!
distribution by conditional normal distributions», Metrika, 38, 239-248.
CASTILLO, E., y GALAMBOS , J. (1989}: «Conditional distributions and
the bivariate
normal distribution», Metrika, 36, 209-214.
FANG, K. T. ; KoTZ, S., y NG, K. W. (1990) : Symmetric multivariate and
related
distributions, Monographs on Statistics and Applied Probabiiity, 36,
Chapman
and Hall, London.