La palabra estudiante entró en inglés alrededor de 1350–1400. Finalmente deriva del latín Studēre. El significado de este verbo es uno que creemos que resonará con muchos estudiantes reales: «tomar dolores». No, no estamos inventando esto: un estudiante, etimológicamente hablando, ¡puede entenderse como un «dolores»!
Sin embargo, en latín, Studēre tenía muchos otros sentidos, y con los que algunos estudiantes pueden tener más dificultades para relacionarse. Studēre también podría significar «desear, estar ansioso por, estar entusiasmado, ocupado, aplicarse para ser diligente, perseguir, estudiar». La idea subyacente del estudiante, entonces, se trata de luchar, para nuevos conocimientos y habilidades. Se trata de esa mezcla de trabajo duro y pasión. ¿No es eso inspirador?
No creemos que tenga que ser un estudiante de etimología para hacer la conexión entre el estudiante y el estudio. Al igual que el estudiante, el estudio verbal también proviene del latín Studēre. El estudio sustantivo, como en los científicos realizó un estudio de sueño o su habitación favorita de su casa es el estudio, también está relacionado con Studēre y se deriva más inmediatamente del sustantivo latín, que significa «celo, inclinación», entre otros sentidos.
Pero no todas las conexiones entre palabras son tan obvias. Considere al estudiante y las pinzas. ¿Habrías adivinado que este par de palabras poco probable compartiría una raíz común? Vamos a separar esto.
Las pinzas son pinzas o pisadoras pequeñas para arrancar nuestros pelos, extraer astillas, recoger objetos pequeños, etc. La palabra entró en inglés a mediados de los años 1600, basado en Tweeze, un sustantivo obsoleto que significa «caso de instrumentos quirúrgicos», que contenía lo que ahora llamamos pinzas.
Perdiendo su E inicial en el camino, Tweeze proviene de Etweese, que es una representación inglesa de la etui francesa, un tipo de caso pequeño utilizado para sostener agujas, instrumentos cosméticos y similares. Etui se remonta en última instancia al latín stūdiāre, «tratar con cuidado», relacionado con el mismo studēre. Así es como el estudiante está relacionado con, de todas las cosas, pinzas.
¿Qué es la t de Student y para qué sirve?
La distribución T del estudiante describe la desviación de una media de muestra de la media verdadera cuando las muestras se generan mediante un proceso normalmente distribuido. Es una distribución continua, ilimitada, simétrica y unimodal.
donde m es la media de la muestra, la media real, s la desviación estándar de la muestra yn el tamaño de la muestra, se distribuye de acuerdo con la distribución t del estudiante con n – 1 grados de libertad. El parámetro, «dof», es los grados de libertad. Las distribuciones T de los estudiantes tienen forma de campana, como una distribución normal, pero con colas más pesadas, especialmente para grados de libertad más pequeños. Cuando n = 1, se conoce como la distribución de Cauchy. Por razones de eficiencia, cuando se selecciona un método de muestreo de hypercube latino, se utiliza el método de psuedo-latin-hypercube para probar el estudiante-T, que muestras de la distribución T, pero no garantiza una propagación latina perfecta de las muestras.
¿Cuándo se usa la distribución t de Student?
La muestra de Aleatory se define como un conjunto de números aleatorios $ X_1, X_2, DOTS, X_N $ INDEPENDENTES y con la misma distribución $ F $.
En otras palabras, cada número aleatorio no es más que una muestra de amplitud $ n $ extraída de una población, a la que se asocia una densidad de probabilidad $ F $. Para cada muestra $ x_i $, por lo tanto, podemos calcular una fecha estadística, como el promedio o la varianza, que difiere de las estadísticas de los otros campeones. Por lo tanto, obtenemos una distribución de las estadísticas en sí.
Se llama muestra o distribución de muestreo de una fecha estadística, la distribución de los valores posibles que pueden tomar las estadísticas en sí, calculada por muestras aleatorias ($ x_1, x_2, dots, x_n $) del mismo tamaño ( $ n $) extraído de la misma población.
Dado que los diversos $ x_i $ se extraen al azar, también $ overline {x} $ es una variable aleatoria.
Propiedad de la distribución del promedio de la muestra
Proban fácilmente que la distribución del promedio de muestra de $ sobreline {x} $ disfruta de las siguientes propiedades:
- Si $ x_1, x_2, dots, x_n $ son muestras aleatorias e independientes de amplitud $ n $ extraída de una población con medios $ mu_x $ y varianza $ sigma_x^2 $, entonces, la distribución del promedio de muestras de $ Overline {x} $ tiene medios $$ mu _ { overline {x}} = e ( overline {x}) = mu_x $$
- En las mismas condiciones del punto anterior, la varianza de la distribución del promedio de muestra $ overline {x} $ tiene $$ sigma _ { overline {x}}}}^2 = var ( overline {x} ) = Fracc { sigma_x^2} {n} $$
¿Qué es la distribución t de Students?
La distribución T, también conocida como distribución en T del estudiante, es un tipo de distribución de probabilidad que es similar a la distribución normal con su forma de campana pero tiene colas más pesadas. Las distribuciones T tienen una mayor probabilidad de valores extremos que las distribuciones normales, de ahí las colas más gordas.
- La distribución T es una distribución de probabilidad continua de la puntuación Z cuando la desviación estándar estimada se usa en el denominador en lugar de la verdadera desviación estándar.
- La distribución T, como la distribución normal, es en forma de campana y simétrica, pero tiene colas más pesadas, lo que significa que tiende a producir valores que caen lejos de su media.
- Las pruebas t se utilizan en estadísticas para estimar la significación.
La pesadez de la cola está determinada por un parámetro de la distribución t llamada grados de libertad, con valores más pequeños que dan colas más pesadas, y con valores más altos que hacen que la distribución t se parezca a una distribución normal estándar con una media de 0 y una desviación estándar de 1. El La distribución T también se conoce como «distribución de T Student».
Cuando una muestra de N observaciones se toma de una población normalmente distribuida que tiene media de M y desviación estándar D, la media de la muestra, M y la desviación estándar de la muestra, D, diferirán de M y D debido a la aleatoriedad de la muestra.
¿Qué es la distribución t de Student?
La distribución del estudiante (a veces solo se llama TDistribución) está diseñada para su uso con pequeños conjuntos de datos para los cuales se desconoce la varianza. Esta distribución fue descrita por primera vez por W. S. Gosset, quien publicó su trabajo bajo el seudónimo «estudiante» porque su empleador, la cervecería Guinness, no le permitiría publicarlo bajo su propio nombre.
Gosset consideró la distribución de probabilidad de una variable aleatoria T, de la forma
Aquí los XJ son un conjunto de n variables aleatorias normales independientes de Gauss, cada una de las mismas variaciones desconocidas σ2. La cantidad μ es el valor (desconocido) de la media de X. Una característica importante de la elección de Gosset para T es que (como mostraremos en breve) su distribución de probabilidad fn (t) es independiente de la varianza del XJ.
El procedimiento para obtener la distribución de probabilidad de T depende del hecho de que Y y S son variables aleatorias independientes. Eso es así, pero la prueba está más allá del alcance de la discusión abreviada actual. Comenzamos señalando que S es una distribución gamma, con distribución de probabilidad G (n, σ; s), como se da en la ecuación. (23.85). A continuación, procedemos a la distribución de u = s/n, que denotamos h (u). Haciendo un cambio de variable de s a nu2, y observando que ds = (ds/du) du, encontramos
Esta es la distribución de probabilidad del denominador de T. Para obtener la distribución del numerador, observamos que Y es una distribución normal con la varianza σ2/N (ver Ec. (23.92)), y media cero. Por lo tanto, (ver Ec. (23.56)), tiene la distribución que denotamos R (y), de la forma
¿Qué significa el valor de t de Student?
Una prueba estudiantil, también conocida como prueba t de Student, es una herramienta para evaluar los promedios de una o dos poblaciones utilizando una prueba de hipótesis. Se puede utilizar una prueba de estudiante para evaluar si un solo grupo difiere de un valor conocido (prueba T a una muestra), si dos grupos difieren entre sí (prueba T a dos muestras independientes), o s ‘hay una diferencia significativa en Mediciones emparejadas (prueba de estudiante pareada o muestras dependientes).
En primer lugar, define la hipótesis de que probará y especificará un riesgo aceptable de sacar una conclusión errónea. Por ejemplo, cuando compara dos poblaciones, puede plantear la hipótesis de que sus promedios son los mismos, y usted decide una probabilidad aceptable de concluir que hay una diferencia cuando este no es el caso. Luego calcula una estadística de prueba de sus datos y lo compara con un valor teórico de una distribución T. Dependiendo del resultado, rechazas o no la hipótesis nula.
No debe utilizar la prueba del estudiante, sino un método de comparaciones múltiples, como el análisis de varianza (ANOVA), comparación por un par de Tukey-Kramer, la comparación de Dunnett con un control y el análisis de las medias (ANOM).
Aunque las pruebas de los estudiantes son relativamente robustas para las brechas en comparación con las hipótesis, las pruebas T aún implican que:
- Los datos son continuos.
¿Por qué se llama t de Student?
El centenario de la introducción de la prueba t de Student puede no ser un aniversario tan auspicioso como algunos, pero la distribución de los estudiantes en torno a la cual se basa la prueba t ha tenido un impacto en el diseño experimental y la teoría de muestreo en exceso de las intenciones modestas de su creador, William Sealy Gosset (Fig. 1). Para apreciar completamente el impacto de la prueba t de Student en el análisis bioestadístico moderno, debemos viajar durante un siglo para evaluar las tendencias estadísticas actuales del día.
Figura 1. William Sealy Gosset (1876–1937), en la foto de 1908.
Al inicio del análisis estadístico del siglo XX, estaba dominado por los conceptos de poblaciones y números de muestra muy grandes, cuyo principal defensor era Karl Pearson. El núcleo central de dicho análisis fue la distribución normal, que fue derivada por primera vez por De Moivre en 1733 (De Moivre, 1738) para predecir el resultado de los juegos de azar, y más tarde, en base a la aplicación de la distribución al análisis astronómico, expresado Como distribución de frecuencia de probabilidad (ecuación 1) por Gauss:
donde σ es la desviación estándar, y μ es la media. Una gran cantidad de parámetros/características en biología se describen con precisión mediante una distribución normal (Fig. 2), que tiene las siguientes características:
- Es simétrico sobre el centro, con este como el punto que contiene la frecuencia más alta;
¿Qué significa el t de Student?
Este artículo describe la prueba t de Student Independent, que se utiliza para comparar los medios de dos grupos independientes. Esta prueba también se conoce como prueba T de estudiantes, prueba t de Student y una prueba T de igual varianza. Por ejemplo, es posible que desee comparar los pesos promedio de los individuos agrupados por género: grupos masculinos y femeninos, que son dos grupos no relacionados/independientes.
La prueba t de muestras independientes viene en dos formas diferentes:
- La prueba t de Standard Student, que supone que la varianza de los dos grupos es igual.
- La prueba t de Welch, que es menos restrictiva en comparación con la prueba del estudiante original. Esta prueba se describe en un capítulo dedicado.
Tenga en cuenta que la prueba t de Welch se considera la más segura. Por lo general, los resultados de la prueba T del estudiante clásico y la prueba t de Welch son muy similares a menos que tanto los tamaños del grupo como las desviaciones estándar sean muy diferentes.
Una pregunta de investigación típica es: si la media del grupo A ( (m_a )) es igual a la media del grupo B ( (m_b ))?
- La prueba t de Standard Student, que supone que la varianza de los dos grupos es igual.
- La prueba t de Welch, que es menos restrictiva en comparación con la prueba del estudiante original. Esta prueba se describe en un capítulo dedicado.
La prueba t del estudiante clásico es más restrictiva. Se supone que los dos grupos tienen la misma varianza de la población. Si la varianza de los dos grupos es equivalente (homoscedasticidad), el valor de la prueba t, que compara las dos muestras (A y B), se puede calcular de la siguiente manera.
¿Cómo surge la t de Student?
En esta sección estudiaremos una distribución que tiene especial importancia en las estadísticas. En particular, esta distribución surgirá en el estudio de una versión estandarizada de la media de la muestra cuando la distribución subyacente es normal.
Suponga que (z ) tiene la distribución normal estándar, (v ) tiene la distribución de chi cuadrado con (n in (0, infty) ) grados de libertad, y que (z ) y (V ) son independientes. Variable aleatoria [t = frac {z} { sqrt {v / n}} ] tiene la distribución del estudiante (t ) con (n ) grados de libertad.
La distribución del estudiante (t ) está bien definida para cualquier (n gt 0 ), pero en la práctica, solo los valores enteros positivos de (n ) son de interés. Esta distribución fue estudiada por primera vez por William Gosset, quien publicó bajo el estudiante seudónimo.
La prueba de este teorema proporciona una buena forma de pensar en la distribución (t ): la distribución surge cuando la varianza de una distribución normal media se aleatoriza de cierta manera.
En el simulador de distribución especial, seleccione la distribución del estudiante (t ). Varíe (n ) y tenga en cuenta la forma de la función de densidad de probabilidad. Para valores seleccionados de (n ), ejecute la simulación 1000 veces y compare la función de densidad empírica con la función de densidad de probabilidad verdadera.
- (f ) es cóncavo hacia arriba, luego hacia abajo, luego hacia arriba nuevamente con puntos de inflexión en ( pm sqrt {n / (n + 1)} ).
- (f (t) a 0 ) as (t a infty ) y as (t to – infty ).
¿Qué es la distribución de Student y sus principales características?
MSLQ MSU COM se calificó para cada encuestado al obtener la media de los elementos que componen cada factor como se ha descrito en el uso del MSLQ original [12]. Para tener una idea de las características de los estudiantes de MSU com, se calcularon las medias de escala de los encuestados y las desviaciones estándar (Fig. 4). Los estudiantes obtuvieron puntajes en el extremo superior de la escala (más cerca de muy cierto de mí) en las escalas que miden el valor de la tarea, la autoeficacia para el aprendizaje y el rendimiento, el control de las creencias de aprendizaje, la orientación de objetivos extrínsecos y la autorregulación meta-cognitiva. Los estudiantes obtuvieron puntajes en el medio de la escala para la ansiedad de los exámenes y el pensamiento crítico. Esto indica que nuestros estudiantes pueden necesitar ayuda con el pensamiento crítico. Las sesiones de aprendizaje activo como la sesión de hiperamonemia deberían ayudarlos a practicar el uso del conocimiento previo para resolver problemas.
Para evaluar si la forma en que los estudiantes respondieron preguntas sobre la parte de las características del estudiante de la encuesta tuvieron alguna correlación sobre cómo respondieron las preguntas sobre la percepción de la porción de aprendizaje activo, calculamos los coeficientes de correlación de Pearson. El análisis del coeficiente se realizó para las ocho preguntas de aprendizaje activo con los siete factores del modelo MSLQ MSU COM. Además, realizamos el análisis para las ocho preguntas de aprendizaje activo con las preguntas características del estudiante que no co-variaron con otros elementos para comprender un factor. A pesar de que esos elementos no se agruparon en un factor, aún pueden proporcionar una idea como elementos de cuestionario individuales.
Las correlaciones de Pearson y los valores p se calcularon para evaluar las asociaciones entre los siete factores y ocho elementos de aprendizaje activo (Fig. 5 y Apéndice 5). La lista de las ocho preguntas sobre el aprendizaje activo se puede encontrar en la Tabla 2. Se supone que una fuerza de asociación moderada tiene un valor de coeficiente de Pearson entre 0.3 y 0.5, mientras que se supone que una pequeña resistencia de asociación tiene un valor entre 0.1 y 0.3 . Nos centramos en los resultados con fortalezas de asociación moderadamente positivas y encontramos que están presentes entre el valor de la tarea (factor 1) y las preguntas 1, 2, 3, 5 y 7, autoeficacia para el aprendizaje y el rendimiento (factor 2) y las preguntas 1 , 2 y 3, y el control de las creencias de aprendizaje (factor 3) y las preguntas 1 y 3. Esto significa que los estudiantes que calificaron en esas escalas características también calificaron altamente las preguntas de aprendizaje activo. También encontramos que algunas preguntas individuales de la parte de las características del estudiante de la encuesta tenían correlaciones de resistencia media con algunas de las preguntas sobre el aprendizaje activo. La pregunta 9 midió la orientación de objetivos intrínsecos y tenía una correlación de resistencia media con las ocho preguntas de aprendizaje activo. Pregunta 12 Valor de la tarea medido y tuvo una correlación media con las preguntas 1 y 3. Pregunta 30 Orientación de objetivos intrínsecos medidos y tuvo una correlación media con las preguntas 1, 3 y 5. Pregunta 32 Orientación de objetivos intrínsecos medidos y tuvo una correlación media con la pregunta 1 . Pregunta 56 Medió la regulación del esfuerzo y tuvo una correlación media con la pregunta 3. Todos los valores p para asociaciones que demostraron resistencia media estaban muy por debajo de un límite de <0.05, por lo tanto, demostraron significación. No se encontraron correlaciones negativas significativas.
¿Cuándo se aplica la distribución t Student?
La distribución T se usa cuando los datos se distribuyen aproximadamente normalmente, lo que significa que los datos siguen una forma de campana, pero se desconoce la varianza de la población. La varianza en una distribución en T se estima en función de los grados de libertad del conjunto de datos (número total de observaciones menos 1).
Aquellos que buscan una respuesta a la pregunta «¿Cuándo usan la distribución de Student T?» a menudo pregunta lo siguiente
preguntas:
Debe usar la tabla de distribución t cuando funcione los problemas cuando no se conoce la desviación estándar de la población (σ) y el tamaño de la muestra es pequeño (n <30)... si σ no se conoce, entonces el uso de distribución t es correcto. Si se conoce σ, entonces usar la distribución normal es correcto.
Debe usar la tabla de distribución T cuando funcione los problemas cuando no se conoce la desviación estándar de la población (σ) y el tamaño de la muestra es pequeño (n <30). Regla general correcta: si no se conoce σ, entonces usar T-Distribution es correcto. Si se conoce σ, entonces usar la distribución normal es correcto.
Sin embargo, la distribución t, también conocida como distribución de T Student, recibe su nombre de William Sealy Gosset, quien lo publicó por primera vez en inglés en 1908 en la revista científica Biometrika usando su «estudiante» de seudónimo porque su empleador prefirió el personal para usar los pistas al publicar al publicar al momento de publicar al publicar los pila documentos científicos en lugar de…
Artículos Relacionados:
