Student: A Statistical Biography of William Sealy
Gosset
1st Nicolas Cruz
Universidad Politécnica Salesiana
Ciencias de la Computación
Quito, Ecuador
megahackpet67@gmail.com
I. I NTRODUCCION
Un resumen breve sobre la vida de William Sealy Gosset,
en el cual se conocerá sus aportes a la estadı́stica en su vida
ası́ como sus conocimientos y sus aportes a la estadı́stica en
la actualidad.
II. O RIGEN
Su familia de origen Francés su padre el coronel de los
ingenieros Reales, en 1875 se caso con Agnes Sealy Vidal
mujer con la cual tuvo 5 hijos siendo el mayor William Sealy
Gosset, nacido el 13 de junio de 1876 en Canterbury. William
fue lo suficientemente brillante como para ganar becas para
su educación llegando a ser becario de Winchester College
en 1889 a 1895 donde acabo siendo profesor.En 1935, Gosset
se mudó a Londres para hacerse cargo del segundo Museo
Guinness de los Récords.
III. E STUDIOS
Fue un hombre que se especializo en desarrollar métodos
estadı́sticos, dispuesto a ayudar con el análisis de datos se
baso en estudiar teorı́a de errores de observación de Airy y el
método de mı́nimos cuadrados de Merriman, ası́ como también
estudio quı́mica y matemática en New College de Oxford,
después de años un estadı́stico comenta Murió de un infarto
en Londres a la edad de 61 años..
IV. A PORTES
En 1899 tras graduarse, se incorporo a la compañı́a cerve-
cera Guiness en la cual trabajo en el departamento de fer-
mentación, dentro de la empresa William empezó a constatar la
necesidad de crear un método para el tratamiento de muestras
llegando a desarrollar su gran descubrimiento acudiendo a su
compañero Karl Pearson y usando la ”Teorı́a de errores de
observaciones” y el ”Método de mı́nimo cuadrados”. Luego
de crear un seudónimo ya que la empresa prohibı́a a sus em-
pleados publicar artı́culos William lo denomino ”STUDENT”,
dando paso a una gran aportación al campo de la estadı́stica. El
interés de Gosset en el mejoramiento de la cebada sugiere que
los diseños experimentales deberı́an apuntar no solo a mejorar
los rendimientos promedio, sino también a mejorar los cultivos
cuyos rendimientos no se ven afectados por los cambios
de suelo y clima (es decir, ”fuertes”) me llevó a especular.
Gosset llamó a su innovación ”un diseño equilibrado”. Esto
se debe a que el tratamiento y el control se asignan de manera
equilibrada a las condiciones de crecimiento estratificadas,
como las diferencias en la fertilidad del suelo.8 El principio
equilibrado de Gossett fue desafiado por Ronald Fischer, quien
preferı́a un diseño más simple.
V. C OLEGAS
Mantuvo una extensa correspondencia con K. Pearson, E.
Pearson y finalmente con Ronald A. Fisher, el cual confirmo
la importancia del método desarrollado por Gosset el cual
afirmo que este método solo se usa para muestras pequeñas.
Pearson lo ayuda en la parte matemática de los primeros
trabajos de Gossett, pero aún no comprende su significado.
Gosset experimentó con muestras pequeñas (especialmente
Pearson), en lugar de la gran cantidad de muestras que tenı́a
en ese momento. Gosset era amigo de Pearson y Fisher, un
logro notable, ya que cada uno tenı́a un ego desmesurado
y menospreciaba al otro. Es un hombre humilde, una vez
interrumpió a un fan con el comentario: ”Fisher se enterará
de todos modos”.
VI. T-S TUDENT
A. T-Student
La distribución T de Student ahora se conoce como la
distribución utilizada. Estimar la media de la población normal
cuando el tamaño de la muestra es pequeño. La prueba t
de Student se basa en dos supuestos. A.- para distribución
normal. B.- para muestras independientes. Puede comparar N
30 muestras o encontrar la diferencia en las medias de las
muestras. El análisis matemático y estadı́stico de las pruebas
a menudo se minimiza utilizando pruebas no paramétricas
cuando N ¿ 30 y la prueba tiene suficiente poder estadı́stico.
B. Conceptos
Antes de estudiar el concepto de distribución Student-T,
analicemos primero los grados de libertad. El grado de libertad
es la cantidad de información Dado por un conjunto de
muestras de observaciones utilizadas para estimar el valor de
un parámetro desconocido o para estimar la variabilidad de la
prueba. estar determinado Depende del número de parámetros
del modelo y del número de observaciones. Por un lado,
es claro que la cantidad aumenta a medida que aumenta el Gráfica Dispersión
número de observaciones. Esto se refleja en el aumento de 120
los grados de libertad. Por otro lado, agregar parámetros al Aceleración
modelo ”desperdicia” esa información. Esto reduce el número 100
de grados de libertad. Estos se calculan utilizando la fórmula
80

Aceleracion
(n − r) (1) 60

40
donde n es el tamaño de la muestra y r es el tamaño de la
muestra. Número de parámetros a estimar.
20

0
0 20 40 60 80 100
Tiempo
C. Desviación Estándar
R EFERENCES
Según Gosset la desviación estándar o también conocida [1] Pearson, Egon Sharpe. Student: a statistical biography of William Sealy
Gosset. Oxford University Press on Demand, 1990.
como desviación tı́pica, se puede expresar en las siguientes
ecuaciones dependiendo el caso de uso siendo una muestra o
una población:

Tipo Varianza Desviación Estándar

XN
(xi − µ)2
√ 2
Población σ 2 = i=1 N σ= σ
n 1/2
X
(xi − x)2
i=1 √
Muestra s= n
s= s

VII. G R ÁFICAMENTE

Gracias a los aportes de William Seally Gosset el análisis

de la desviación estándar facilita el análisis y comparación
variables en diferentes escalas pero correlacionadas estadı́stica
y fundamentalmente con un factor común. Esto se puede ex-
plicar en el gráfico de dispersión con los datos dado trazamos
nuestra gráfica de regresión lineal, la cual nos permitirá
predecir futuros resultados positivos o negativos según el tipo
de gráfica. En este ejemplo nos guiamos con la aceleración
por tiempo que existe en una vı́a al azar, prediciendo lin-
ealmente la velocidad con la que irán los autos de acuerdo
al tiempo en que se tardan en trasladarse. recogiendo cada
uno de estos datos podemos establecer nuestra ecuación de
regresión lineal que nos permitirá predecir adecuadamente de
acuerdo al valor independiente que queramos calcular a futuro.