Student'in T Dağılımı

Kısaca: Olasılık kuramı ve istatistik bilim dallarında t-dağılımı ya da Student'in t dağılımı genel olarak örneklem sayısı veya sayıları küçük ise ve anakütle normal dağılım gösterdiği varsayılırsa çıkartımsal istatistik uygulaması için çok kullanılan bir sürekli olasılık dağılımıdır. Çok popüler olarak tek bir anakütle ortalaması için güven aralığı veya hipotez sınaması ve iki anakütle ortalamasının arasındaki fark için güven aralığı veya hipotez sınamasında, yani çıkarımsal istatistik analizlerde, uyg ...devamı ☟

Student'in t dağılımı
Student'in T Dağılımı

Olasılık dağılımı |
isim    =Student`in ``t``|
tip    =yoğunluk|
pdf_image =|
cdf_image =|
parametreler =\nu > 0  serbestlik dereceleri (reel)|
destek  =x \in (-\infty; +\infty)\!|
OYF    =\frac)} \,\Gamma(\frac)} \left(1+\frac \right)^)}\!|
YDF    =\begin
  \frac + x \Gamma \left(\frac \right) \cdot\\[2]
  \frac,\frac;\frac;
     -\frac \right)}
  \,\Gamma (\frac)}
  \end
  >burada \,_2F_1 birhipergeometrik fonksiyon olur|
ortalama    =0\text\nu>1, diğer hallerde tanımlanmamış|
medyan   =0|
mod    =0|
varyans  =\frac\text\nu>2\!, diğer hallerde tanımlanmamış|
çarpıklık  =0\text\nu>3|
basıklık  =\frac\text\nu>4\! |
entropi  =\begin
    \frac\left[ 
      \psi(\frac) 
       - \psi(\frac)
    \right] \\[3]
+ \logB(\frac,\frac)\right]} \end |
mf    =()|
kf    =|


Olasılık kuramı ve istatistik bilim dallarında t-dağılımı ya da Student`in t dağılımı genel olarak örneklem sayısı veya sayıları küçük ise ve anakütle normal dağılım gösterdiği varsayılırsa sonuc verici istatistik uygulaması için çok kullanılan bir sürekli olasılık dağılımıdır. Çok popüler olarak tek bir anakütle ortalaması için kestirim aralıkları ve hipotez sınamaları ve iki anakütle ortalamasının arasındaki fark için kestirim aralıkları ve hipotez sınamalarında, yani sonuç verici istatistik analizlerde, uygulama görmektedir.

t-dağılımının ortaya çıkarılmasi ilk defa 1908de Dublinde Guinness Bira Fabrikasında çalışan William Sealy Gosset tarafından yayımlanan bir makale ile olmuştur. Çalıştığı firma yazıya adının koyulmasını kabul etmeyince, bu yayının yazarı Student (öğrenci) olarak verilmişti. Sonradan ``t``-sınamaları ve ilişkili teori R.A. Fisher tarafından geliştirilmiş ve bu dağılıma ``Student`in t dağılım`` adı popularize edilmiştir.

Sonuç verici istatiksel çalışmalarda normal dağılımın yerine küçük orneklem bulunan problemler için kullanılmakla (ve bu nedenle normal dağılımın bir özel hali olarak yanlış intiba vermekle) beraber ``Student`in t-dağılımı`` teorik bakımdan genelleştirilmiş hiperbolik dağılımının bir özel halidir.

Dağılım ile ilgili teoremler

Farzedelim ki ``X``1, ..., ``X````n`` istatistiksel olarak birbirlerinden bağımsız rassal değişkenlerdir ve beklenen değer μ ile dağılma σ değerleri ile normal dağılmaktadırlar.
\overline_n=(X_1+\cdots+X_n)/n


örneklem ortalaması ve

S_n^2=\frac\sum_^n\left(X_i-\overline_n\right)^2


örneklem varyansı olsun. Aşağıdaki ifadenin 0 ortalama ve 1 varyans ile normal dağıldığı bilinmektedir.

Z=\frac_n-\mu}{\sigma/\sqrt{n


Gosset buna ilişkili olan eksensel miktarı, yani

T=\frac_n-\mu}{S_n / \sqrt{n,


ifadesini incelemiştir. Bu ``Z`` den, kesin standart sapma ifadesi olan \scriptstyle \sigma yerine bir rassal değişken olan \scriptstyle S_n konulması suretiyle değişiklik gösterir. Teknik olarak :\scriptstyle(n-1)S_n^2/\sigma^2 Cochran`ın teoremine göre bir ki-kare dağılımı gösterir. Gosset yazısında ``T``nin şu olasılık yoğunluk fonksiyonu gösterdiğini isbat atmiştir:

f(t) = \frac)} \,\Gamma(\frac)} \left(1+\frac \right)^)}\!,


Burada ν ``n`` − 1 ifadesine eşittir ve Γ bir Gamma fonksiyonudur.

Bu ifade şöyle de yazılabilir:

f(t) = \frac\, B \left (\frac, \frac\right)} \left(1+\frac \right)^)}\!,


Burada ``B`` bir Beta fonksiyonudur.

Sonradan ``T`` dağılımı t-``dağılımı olarak anılmaya başlanmıştır. ν parametresi serbestlik derecesi olarak anılmaktadır. Dikkat edilirse t-dağılımı sadece ν parametresine dayanır ve (sonuç verici analiz için bilinmeyen anakütle değerleri olan) μ veya σ t-dağılımı için parametre değildirler. İşte bu gerçek (yani μ ve σ nin parametre olmaması) hem teorik bakımdan ve daha belirgin olarak pratik sonuç çıkartıcı istatistik analizi bakımından t-dağılımı istatistik bilimi için çok önemlidir.

t-dağılımının momentleri şunlardır:

E(T^k)=\begin
0 & \mbox,\quad 0

Bir diğer işlemle de 0 < ``k`` < &nu; terimi, ``k`` çift sayı ise, Gamma fonksiyonunun özellikleri kullanılarak daha basitleştirilebilinir:

E(T^k)=
\prod_^ \frac\nu^ \qquad k\mbox,\quad 0

Daha ileri teori

Gosset`in sonuçlarının daha da genelleştirilmesi mümkündür. R.V.Hogg ve A.T.Craig [4], Introduction to Mathematical Statistics, New York:Macmillan Kisimlar: 4.4 ve 4.8.

Z, standart normal dağılıma ve V ise, \nu serbestlik derecesi ile ki-kare dağılımına sahip olsun, Z ve V bağımsız ise, Cochran`in teoremine göre, şu orantı

\frac{\sqrt{V/\nu\


&nu; serbestlik derecesi olan bir ``t``-dağılımı olur.

Serbestlik derecesi &nu; olan bir ``t``-dağılımı için beklenen değer 0 dır ve varyans
``&nu;``/(``&nu;`` &minus; 2) eğer ``&nu;`` > 2.
Çarpıklık 0 olur ve basıklık eğer ``&nu;`` > 4 ise.
6/(``&nu;`` &minus; 4)
olur. Yığmalı dağılım fonksiyonu bir tamamlanmamış beta fonkiyonu olup

\int_^t f(u)\,du = I_x\left(\frac,\frac\right)


ifadesi ile verilir ve burada

x = \frac{t+\sqrt{t^2+\nu{2\sqrt{t^2+\nu.


olur.

``t``-dağılımı ile F-dağılımı ilişkisi şöyle açıklanabilir; ``&nu;`` serbestlik derecesi olan ``t`` için kare değeri serbestlik derecesi 1 ve ``&nu`` olan bir F-dağılımıdır.

``t`` dağılımının olasılık yoğunluk fonksiyonunu grafik şekli, ortalaması 0 ve varyansı 1 olan standart normal dağılımı grafik şekline benzerlik gösterir. Ancak t-dağılımı daha yaygındır ve biraz daha basıktır. Serbestlik derecesi büyüdükce, t-dağılımı standart normal dağılımına yaklaşım göstermektedir. Serbestlik derecesi 30 olduğu zaman t-dağılımı ve standart normal dağılım nerede ise aynı şekildedirler.

Aşağıdaki gösterimler ``&nu;`` serbestlik derecesi artış gösterirse ``t``-dağılımı yoğunluk fonksiyonunun nasıl değiştiğini gösterirler. Karşılaştırma sağlamak için normal dağılım mavi çizgi ile gösterilmiştir. ``t``-dağılımını gösteren kırmızı çizginin ``&nu;`` değeri artıkça normal dağılıma yakınlaşma gösterdigi açıkca gözlenebilmektedir. Eğer ``&nu;``=30 ``t``-dağılımı hemen hemen normal dağılım ile aynı olmaktadır.

+ Serbestlik dereceleri 1, 2, 3, 5, 10 ve 30 için ``t``-dağılımı yoğunluk fonksiyonu (kırmızı ve yeşil). Normal dağılımla (mavi) karşılaştırın.


Özel haller

Serbestlik derecesini ``&nu;`` için belli değerler özellikle basit olan bazı şekilleri verirler:

&nu; = 1



Dağılım fonksiyonu şu olur:

F(x) = \frac + \frac\arctan(x).


Yoğunluk fonksiyonu şudur:

f(x) = \frac\pi}(1+x^2)}.

Bakın Cauchy dağılımı

&nu; = 2



Dağılım fonksiyonu şu olur:

F(x) = \frac\left[5].


Yoğunluk fonksiyonu şudur:

f(x) = \frac{\left(2+x^2\right)^{3/2.


Student`in ``t``-dağılımı kullanarak kestirim aralığı bulunması

Bir sayı olan ``A`` öyle şekilde seçilsin ki

\Pr(-A < T < A)=0.9,\,


olsun. Burada ``T`` ``n``&nbsp;&minus;&nbsp;1 serbestlik derecesi bulunan bir ``t``-dağılımı göstersin. Bu ifade

\Pr(T < A) = 0.95,\,


ifadesi ile aynı olup ``A`` bu olasılık dağılımının ``95inci yüzdebirlik`` değeridir veya
A=t_.
Bu halde

\Pr \left (-A < _n - \mu \over S_n/\sqrt{n < A \right)=0.9,


olmaktadır ve bu da

\Pr\left(\overline_n - A_n + A{S_n \over \sqrt{n\right) = 0.9.


ifadesine aynen eşittir. Bunun için uç-noktaları

\overline_n\pm A\frac{\sqrt{n


olan açıklık &mu; için bir %90 güven aralığıdır.

Böylece eğer normal dağılım gösterdiğine epeyce emin olabilaceğimiz bir grup gözlem için ortalama değeri bulursak, ``t``-dağılımını kullanarak bulunan ortalama için güvenlik limitlerinin (belki bir sıfır hipotez için tahmin edilmiş değerin) yahut daha önce teorik olarak tahmin edilmiş bir değerin, bu limitlerin arasında bulunup bulunmadığı araştırılabilir.

Bu sonuc Student`in t-testlerinde kullanılmaktadır. İki normal dağılımdan alınan örneklemlerin ortalamalarının farkı da normal dağılım gösterdiği için, anakütle ortalamalarının arasındaki farkın sıfıra eşit olduğuna dair bir sonuç çıkarmanın makul olup olmadığını incelemede kullanılabilir.

Eğer veriler normal olarak dağılım gösterirlerse, ortalama için tek taraflı bir (1-a)-üst güvenlik limiti (UGL), şu verilen denklemi kullanarak hesaplanabilir.

\mathrm_ = \overline_n+\frac S_n}{\sqrt{n.


Ortaya çıkarılan UGL değeri, bir verilmiş güvenlik aralığı ve anakütle büyüklüğü için ortaya çıkacak en büyük ortalama değeri olacaktır. Diğer bir terimle, \overline_n değeri bir grup gözlemler için bir ortalama olursa, bu dağılımın ortalamasının \mathrm_ değerinden daha düşük olmasının olasılığı güvenlik oranına (yani 1-a ye) eşittir.

Uygun büyüklükteki örneklemler için t-dağılımlarının ilgili sıfır hipotezi için uygulanabileceği birkaç diğer istatistikler bulunmaktadır. Böylece ``t``-dagılımı, yalnizca tek ortalama ve iki ortalama arasındaki fark problemleri için uygulanan sonuç verici istatistik için bir özel teknik olmadığı açıktır. Örneğin Spearman`ın sıralama korelasyon katsayısı için sıfır hipotez bu katsayının 0 olabileceği ise, bu sıfır korelasyon için, eğer örneklem büyüklüğü 20 civarında ise, yaklaşık olarak bir t-dağılımı kullanılabilir.

Güçlü parametrik modelleme

``t``-dağılımı çok kere veri modeli kurmak için normal dağılıma bir alternatif olarak kullanılır. Çok kere pratik hayattan gelen gerçek veriler normal dağılımın kabul ettiğinden daha fazla ağırlıklı dağılım (``şişman-kuyruklu dağılım``) gösterir. Bu halde klasik çözum yolu bu alışılanın çok dışında olan değerleri (``dışlak değerleri``) teşhis edip bunların ağırlıklarını özel işlemlerle azaltmaya çaba göstermekle yapılmaktaydı. Ancak ``dışlak`` değerlerin teşhis edilmesi (özellikle yüksek boyut gösteren veriler arasında) hiç kolay olmamaktadır. Bu nedenle bu türlü verileri modellemek için doğasal seçim konusu olan ve güçlü istatistikler için bir parametrik yaklaşım sağlayan t-dağılımının alternatif olarak kullanılması tavsiye edilmektedir.

Lange ve işbirlikcileri (1989) Lange,K.L., J.M.G. Taylor, R.J.A. Little (1989) "Robust Statistical Modeling Using the t Distribution", Journal of the American Statistical Association Cilt.84 say.881-896 çesitli kullanım alanlarında ağır kuyruklu veriler için güçlü modelleme içinde t-dağılımının kullanılması sorunu ayrıntılı olarak incelemişlerdir. Gelman ve işbirlikçilerinin (2003) Gelman,A., J.B.Carlin, H.S.Stern, D.B.Rubin (2003), Bayesian Data Analysis (2nd Ed.) CRC/Chapman ve Hall yazısında bir Bayes tipi yaklaşım gösterilmektedir. Serbestlik derecesi parametresi dağılımının basıklığını kontrol etmek için kullanılmakta ve bu ölçek parametresi ile korelasyon bağlantısı göstermektedir. Olabilirlilik çok sayıda yerel maksimum değerleri gösterdigi için, çok kere serbestlik derecesini ufak olan değerlerde sabitleştirmek ve bu sabit değer verilmiş gibi diğer parametreler için kestirimde bulunmak gerekmektedir. Bazı araştırıcılar bunun için en uygun değerlerin 3 ile 9 arasında olduğunu beyan etmişlerdir. Venebale ve Ripley (2002) Venables,W.N. ve B.D.Ripley (2002) Modern Applied Statistics with S (4. Ed.), Springer ise 5 değerinin iyi bir seçim olacağını bildirmektedirler.

İlişkili dağılımlar

  • Eğer Y = X^2\! ve X \sim \mathrm(\nu)\! Student`in ``t``-dağılımı gösteriyorlarsa Y \sim \mathrm(\nu_1 = 1, \nu_2 = \nu) ifadesi bir ``F``-dağılımı gösterir.
  • X \sim \mathrm(\nu) iken Y = \lim_ X ise Y \sim \mathrm(0,1)\! bir normal dağılımı gösterir.


İçsel kaynaklar



Kaynak

  • Kaynak wiki
|url=http://en.wikipedia.org/w/index.php?title=Student`s_t-distribution|tarih=Mart 2008 |dil=İngilizce|madde=Student`s_t-distribution

Referenslar

  • cite journal
|author=Student href="/william_sealy_gosset" >William Sealy Gosset| |year=1908 |month=March |title=The probable error of a mean |journal=Biometrika |volume=6 |issue=1 |pages=1-25 |url=http://www.york.ac.uk/depts/maths/histstat/student.pdf

  • cite journal
|last=Fisher |first=R. A. |authorlink=Ronald Fisher |year=1925 |title=Applications of "Student`s" distribution |journal=Metron |volume=5 |pages=90-104 |url=http://digital.library.adelaide.edu.au/coll/special/fisher/43.pdf

  • cite journal
|last=Lange |first=K.L. |authorlink=J.M.G. Taylor, R.J.A. Little |year=1989 |title=Robust Statistical Modeling Using the t Distribution |journal=Journal of the American Statistical Association |volume=84 |pages=881-896 |url=

  • Kitap belirt
| son = Hogg
| ilk = R.V.
| yazarurl = 
| yardımcıyazarlar= A.T. Craig
| yıl = 1978
| başlık = Introduction to Mathematical Statistics
| yayımcı= Macmillan
| yer= New York
| id = 


  • Kitap belirt
| son = Press
| ilk = William H.
| yazarurl =http://www.nr.com/
| yardımcıyazarlar= Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery
| yıl = 1992
| başlık = Numerical Recipes in C: The Art of Scientific Computing
| yayımcı = Cambridge University Press
| id = 0-521-43108-5


  • Kitap belirt
| son = Venables
| ilk = W.N.
| yazarurl = 
| yardımcıyazarlar= B.D. Ripley
| yıl = 2002
| başlık = Modern Applied Statistics with S (Fourth Edition)
| yayımcı= Springer
| yer= 
| id = 


  • Kitap belirt
| son = Gelman
| ilk = Andrew
| yazarurl = http://www.stat.columbia.edu/~gelman/book/
| yardımcıyazarlar= John B. Carlin, Hal S. Stern, Donald B. Rubin
| yıl = 2003
| başlık = Bayesian Data Analysis (Second Edition)
| yayımcı= CRC/Chapman & Hall
| yer= 
| id = 1-584-88388-X


Dışsal bağlantılar

  • VassarStats Kullanıcı tarafından belirtilen serbestlik derecesi için yoğunluk grafiği, kritik değerler vb.


Olasılık Dağılımları|Student`in t dağılımı

Kaynaklar

Vikipedi

jackson - 7 ay önce
Dreaming of a [University of British Columbia Diploma](https://medium.com/@SterlingPhoenix/impact-of-a-college-diploma-from-the-university-of-british-columbia-dd962fb34ac9)? Trust us for high-quality fake diplomas designed to meet your needs. Our Fast Printing option guarantees prompt delivery without compromising quality. Contact us today for reliable service and personalized assistance!

Markson Boy - 7 ay önce
Dreaming of a University of British Columbia Diploma? Trust us for high-quality fake diplomas designed to meet your needs. Our Fast Printing option guarantees prompt delivery without compromising quality. Contact us today for reliable service and personalized assistance!

Görüş/mesaj gerekli.
Markdown kullanılabilir.

Cauchy dağılımı
3 yıl önce

dağılımdır. Standart Cauchy dağılımı 1 serbestlik derecesi bulunan Student'in t-dağılımı ile aynidir. Cauchy dağılımının ait olduğu konum-ölçek ailesi tipte...

Olasılık dağılımı
3 yıl önce

değişkenin yaklaşık olarak normal dağılım göstermesidir. IV. tip Pearson dağılımı (bakın Pearson dağılımları) Student'in t dağılımı: Gauss tipli anakütlerde bilinmeyen...

Normal Dağılım
3 yıl önce

çokludeğişirli normal dağılım için geçerli değildir.) Probit fonksiyonu Örneklem büyüklüğü Çarpık normal dağılım Student'in t dağılımı Tweedie dağılımları...

Normal Dağılım, Karl Friedrich Gauss, Rassal değişken, Yoğunluk fonksiyonu, Hipergeometrik dağılım, Pierre Simon Laplace, Abraham de Moivre
Pareto Dağılımı
3 yıl önce

kullanılmıştır. İktisat bilim dalı dışında bu dağılım Bradford dağılımı adı altında da bilinmektedir. Pareto dağılımı iktisat dışında, sosyal bilimler, fen,...

Ki-kare dağılımı
3 yıl önce

dallarında ki-kare dağılım (x2 dağılımı) özellikle çıkarımsal istatistik analizde çok geniş bir pratik kullanım alanı bulmuştur. Bu dağılım, gamma dağılımından...

Ki-kare dağılımı, Matematik, Taslak
Zeta dağılımı
6 yıl önce

tanımlanamaz.). Sonsuz değerde N için zeta dağılımı Zipf dağılımına eşit değerdedir. O zaman Zipf dağılımı ve zeta dağılım aynı anlamı verdikleri için birbiriyle...

Zeta dağılımı, Olasılık Dağılımları, Aralıklı olasılık dağılımı, Basıklık, Beklenen değer, Benford`un savı, Bernoulli dağılımı, Beta dağılımı, Binom dağılımı, Bozulmuş dağılım, Dirac delta fonksiyonu
Skellam dağılımı
3 yıl önce

kuramı ve istatistik bilim dallarında Skellam dağılımı bir ayrık olasılık dağılım tipidir. Skellam dağılımı iki tane (aralarında korelasyon bulunabilen...

Matris normal dağılım
6 yıl önce

içinde matris normal dağılımı tek değişebilirli normal dağılımının çok değişkenli olarak genelleştirilmesidir. Matris normal dağılım gösteren çoklu rassal...