DISTRIBUCION “T-STUDENT”

SERGIO MAURICIO APARICIO HERNANDEZ

RICHARD CAMILO CANO CLARO

INSTITUTO UNIVERSITARIO DE LA PAZ “UNIPAZ”

CIENCIAS, SANTANDER
INGENIERIA INFORMATICA, NOCTURNO
BARRANCABERMEJA
2019
 DISTRIBUCION “T-STUDENT”

SERGIO MAURICIO APARICIO HERNANDEZ

RICHARD CAMILO CANO CLARO

DOCENTE
EDWIN DURAN NIETO

INSTITUTO UNIVERSITARIO DE LA PAZ “UNIPAZ”

CIENCIAS, SANTANDER
INGENIERIA INFORMATICA, NOCTURNO
BARRANCABERMEJA
2019
Contenido
INTRODUCCION .............................................................................................................................. 4
DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA ............................................................. 5
JUSTIFICACION .............................................................................................................................. 6
MARCO DE REFERENCIA ............................................................................................................ 7
ANTECEDENTES ........................................................................................................................ 7
BASES TEÓRICAS ......................................................................................................................... 8
A) LOS USOS PARA LOS CUALES ES IDÓNEA ESTA TRISTRIBUCIÓN. ....................... 8
B) CARACTERÍSTICAS DE LA DISTRIBUCIÓN T DE STUDENT ........................................ 8
C) GRAFOS DE LIBERTAD. ......................................................................................................... 9
D) CÓMO DIFERENCIARLA DE LAS OTRAS DISTRIBUCIONES. ...................................... 9
E) TEORÍA DE PEQUEÑAS MUESTRAS. ................................................................................ 10
F) DISTRIBUCIÓN DE PROBABILIDAD T-STUDENT ........................................................... 11
F.1) PROPIEDADES DE LAS DISTRIBUCIONES T. .............................................................. 13
G) CALCULO DE LA DISTRIBUCION T STUDENT ............................................................... 13
EJEMPLO.................................................................................................................................... 16
H) TABLA T DE STUDENT .......................................................................................................... 19
H.1) DIFERENCIA CON OTRAS TABLAS DE DISTRIBUCIÓN ....................................... 20
H.2) USO DE LA TABLA DE DISTRIBUCIÓN T .................................................................. 20
DEFINICIONES CONCEPTUALES ............................................................................................ 23
IMPORTANCIA DEL ESTUDIO DE LA DISTRIBUCIÓN T. ................................................... 24
CONCLUCION ................................................................................................................................ 25
FUENTES BIBLIOGRAFICAS ..................................................................................................... 26
WEBGRAFIA .................................................................................................................................. 26
 INTRODUCCION

La distribución t de Student se utiliza cuando nos encontramos con Ia dificultad de

no conocer Ia desviación típica poblacional y nuestra muestra es menor de 30. Es
similar a Ia curva normal, pero Ia distribución t tiene mayor área a los extremos y
menos en el centro.
Esta fue descubierta por un especialista en estadística de una empresa irlandesa,
este señor cuyo nombre era William S. Gossel hizo inferencias acerca de Ia media
cuando Ia desviación poblacional fuese desconocida: y ya que a los empleados de
dicha entidad no les era permitido publicar el trabajo de investigación bajo sus
propios nombres, Gosset adoptó el seudónimo de “Student”.
Sus funciones se basan en establecer un intervalo de confianza, utilizando un nivel
de confianza y los grados de libertad, obteniendo valores de una tabla dada con
respecto a estas variables y aplicarla en Ia formula.
De gran utilidad, reduce tiempo, costo y esfuerzos. Se utiliza para probar hipótesis
y también para saber si dos muestras provienen de Ia misma población.
 DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA

En los estudios sobre la probabilidad y distribución de una muestra anteriores se

manejó el uso de la distribución z, la cual se podía utilizar siempre y cuando los
tamaños de las muestras fueran mayores o iguales a 30 ó en muestras más
pequeñas si la distribución o las distribuciones de donde proviene la muestra o las
muestras son normales.
Cuando las muestras son pequeñas y cuando la distribución de donde proviene la
muestra tenga un comportamiento normal. Esta es una condición para utilizar las
tres distribuciones que se manejarán en esta unidad; t de student, ji-cuadrada y
Fisher.
A la teoría de pequeñas muestras también se le llama teoría exacta del muestreo,
ya que también la podemos utilizar con muestras aleatorias de tamaño grande.
 JUSTIFICACION

Al hacer una investigación tenemos que efectuar una serie de operaciones con
respecto a nuestra población y muestra, pero en el caso que nuestra población sea
pequeña por consiguiente nuestra muestra también lo será, es ahí donde la
distribución t se usa de manera extensa, en problemas que tienen que ver con
inferencia acerca de la media de la población o en problemas que implican muestras
comparativas (es decir, en casos donde se trata de determinar si las medias de dos
muestras son significativamente diferentes).
 MARCO DE REFERENCIA

ANTECEDENTES

La distribución t de student fue

descubierta por William S. Gosset
en 1908. Gosset era un estadístico
empleado por la compañía de
cerveza Guinness Irlandesa que
desaprobaba la publicación de
investigaciones de sus empleados.
Para evadir esta prohibición,
publico su trabajo en secreto bajo
el nombre de “Student”. En
consecuencia, la distribución de T
normalmente se llama distribución
de t de Student o simplemente t. Lo
interesante del caso es que su trabajo estaba enfocado al control de calidad de la
cerveza. En el pasado otros investigadores de la compañía Guinness habían
publicado artículos en los que se divulgaban secretos o información confidencial
sobre el proceso de la cerveza y por eso se obligó a Gosset a aceptar la cláusula.
 BASES TEÓRICAS

En muchas ocasiones no se conoce 𝜎 y el número de observaciones en Ia

muestra es menor de 30. En estos casos. Se puede utilizar Ia desviación
estándar de Ia muestra S como una estimación de 𝜎, pero no es posible usar Ia
distribución Z como estadístico de prueba. El estadístico de prueba adecuado
es Ia distribución t. A veces es necesario hacer análisis de muestras pequeñas
por razones de tiempo y reducción de costos, para ello fue descubierta Ia
distribución t por Wlliam Gosset, un especialista en estadística, que Ia publicó
en 1908 con el seudónimo de Distribución t Student.

A) LOS USOS PARA LOS CUALES ES IDÓNEA ESTA TRISTRIBUCIÓN.

1. Para determinar el intervalo de confianza dentro del cual se puede estimar

Ia media de una población a partir de muestras pequeña (n < 30).
2. Para probar hipótesis cuando una investigación se basa en muestreo
pequeño.
3. Para probar si dos muestras provienen de una misma población.

B) CARACTERÍSTICAS DE LA DISTRIBUCIÓN T DE STUDENT

En muchas ocasiones no se conoce σ y el número de observaciones en la

muestra n < 30. En estos casos, se puede utilizar la desviación estándar de
la muestra s como una estimación de σ, pero no es posible usar la
distribución Z como estadístico de prueba. El estadístico de prueba
adecuado es la distribución t. Sus aplicaciones en la inferencia estadística
son para estimar y probar una media y una diferencia de medias
(independiente y pareada).
C) GRAFOS DE LIBERTAD.

Existe una distribución t distinta para cada uno de los posibles grados de
libertad. ¿Qué son los grados de libertad? Podemos definirlos como el
número de valores que podemos elegir libremente.

D) CÓMO DIFERENCIARLA DE LAS OTRAS DISTRIBUCIONES.

La distribución de T es similar a la distribución de Z, pues ambas son

simétricas alrededor de una media de cero. Ambas tienen distribuciones de
campana, pero la distribución t es más variable debido a que tienen
fluctuaciones en 2 cantidades.

La distribución de T difiere de la de Z en que la varianza de T depende del

tamaño de la muestra n y siempre es mayor a 1, únicamente cuando n
tiende a ∞ las dos distribuciones serán iguales.
E) TEORÍA DE PEQUEÑAS MUESTRAS.

En probabilidad y estadística, Ia distribución-t o distribución t de Student es una

distribución de probabilidad que surge del problema de estimar Ia media de una
población normalmente distribuida cuando el tamaño de Ia muestra es pequeño. A
Ia teoría de pequeñas muestras también se le llama teoría exacta del muestreo, ya
que también Ia podemos utilizar con muestras aleatorias de tamaño grande.
Veremos un nuevo concepto necesario para poder entender la distribución t
Student. Este concepto es “grados de libertad”.
Para definir grados de libertad se hará referencia a Ia varianza maestral:
F) DISTRIBUCIÓN DE PROBABILIDAD T-STUDENT

Una variable aleatoria se distribuye según el modelo de probabilidad t o T de Student

con k grados de libertad, donde k es un entero positivo, si su función de densidad
es Ia siguiente:

La gráfica de esta función de densidad es simétrica, respecto del eje de ordenadas,

con independencia del valor de k, y de forma algo semejante a Ia de una distribución
normal:
Su valor medio y varianza son:
La siguiente figura presenta Ia gráfica de varias distribuciones t. La apariencia
general de Ia distribución t es similar a Ia de Ia distribución normal estándar: ambas
son simétricas y unimodales, y el valor máximo de Ia ordenada se alcanza en Ia
media µ = O. Sin embargo, Ia distribución t tiene colas más amplias que Ia normal;
esto es, Ia probabilidad de las colas es mayor que en Ia distribución normal. A
medida que el número de grados de libertad tiende a infinito, Ia forma límite de Ia
distribución t es Ia distribución normal estándar.

F.1) PROPIEDADES DE LAS DISTRIBUCIONES T.

1. Cada curva t tiene forma de campana con centro en 0.
2. Cada curva t, está más dispersa que Ia curva normal estándar.
3. A medida que k aumenta, Ia dispersión de Ia curva t correspondiente
disminuye.
4. A medida que k-> ∞, la secuencia de curvas t se aproxima a Ia curva normal
estándar.

G) CALCULO DE LA DISTRIBUCION T STUDENT

Prueba de Hipótesis para Medias t de Student (Muestras Menores a 30)

La Prueba de Hipótesis para medias usando Distribución t de Student se usa cuando
se cumplen las siguientes dos condiciones:
 Es posible calcular las medias y la desviación estándar a partir de la muestra.
 El tamaño de la muestra es menor a 30.

El procedimiento obedece a los 5 pasos esenciales:

PASO 1:
Plantear Hipótesis Nula (Ho) e Hipótesis Alternativa (Hi).
 La Hipótesis alternativa plantea matemáticamente lo que queremos
demostrar.
 La Hipótesis nula plantea exactamente lo contrario.
PASO 2:
Determinar Nivel de Significancia. (Rango de aceptación de hipótesis alternativa).

Se considera:
 0.05 para proyectos de investigación.
 para aseguramiento de calidad.
 0.10 para encuestas de mercadotecnia y políticas.

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 (P) por
medio de la fórmula:
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 HIPÓTESIS ALTERNATIVA
 Si la probabilidad de error (P) es menor que el nivel de significancia:
SE ACEPTA HIPÓTESIS ALTERNATIVA

EJEMPLO

Se aplica una prueba de autoestima a 25 personas quienes obtienen una calificación

promedio de 62.1 con una desviación estándar de 5.83 Se sabe que el valor correcto
de la prueba debe ser mayor a 60. ¿Existe suficiente evidencia para comprobar que
no hay problemas de autoestima en el grupo seleccionado?
Considera un nivel de significancia de 0.05

PASO 1:
Hipótesis Alternativa (Hi):
Lo que se quiere comprobar

El grupo no tiene problemas de autoestima. Valor de autoestima mayor a 60.

Hipótesis Nula (Ho):
Lo contrario a la Hipótesis Alternativa

El grupo tiene problemas de autoestima. Valor de autoestima menor a 60.

PASO 2:
Determinar nivel de significancia:

PASO 3:
Evidencia Muestral

PASO 4:
Aplicando la Distribución de Probabilidad Calculando t*:

Buscando en la tabla de Distribución de t de Student, encuentras el valor del área:

PASÓ 5:
Resultados:

Por lo tanto: Se acepta Hipótesis Alternativa

Existe suficiente evidencia para demostrar que el grupo no tiene problemas

de autoestima
H) TABLA T DE STUDENT
H.1) DIFERENCIA CON OTRAS TABLAS DE DISTRIBUCIÓN

La tabla de distribución t es más compacta que z y muestra las áreas y valores de t

para unos cuantos porcentajes exclusivamente (10%,5%,2% y 1%)
Una segunda diferencia de la tabla es que no se centra en la probabilidad de que el
parámetro de la población que está siendo estimado caiga dentro del intervalo de
confianza. Por el contrario, mide la probabilidad de que ese parámetro no caiga
dentro del intervalo de confianza.
Una tercera diferencia en el empleo de la tabla consiste en que hemos de especificar
los grados de libertad con que estamos trabajando

H.2) USO DE LA TABLA DE DISTRIBUCIÓN T

Los grados de libertad de una t de Student se indicarán como v.

 De manera análoga a la definición utilizada para la Normal, si X es una tv,α
de Student con v grados de libertad, entonces:
 El valor tv,α se busca en las tablas de la t de Student.
La tabla que utilizamos recoge los valores de distintos cuantiles para distintos
grados de libertad.
EJEMPLO: con 5 grados de libertad, el cuantil 0.95 es 2.015

EJERCICIO: Se desea obtener un intervalo de confianza al 99% para el tiempo

medio requerido para realizar un trabajo. Una muestra aleatoria de 16 mediciones
produce una media y una desviación estándar de 13 y 5.6 minutos respectivamente.

Encontrando t
 t= Una confianza del 99% con (n-1) grados de libertad.
 GL=16-1=15

DATOS:
n= 16  X=13 minutos ∂=13±2.947(5.6/√16)

S= 5.6 minutos ∂=13±4.12

t=2.947 ∂1=17.12 minutos

∂2=8.88 minutos

Tiempo medio requerido para realizar el trabajo será entre 8.88 y 17.12 minutos con
una certeza del 99%.
 DEFINICIONES CONCEPTUALES

 Población: “Conjunto de elementos en los que se observa alguna

característica común”.

 Observaciones: “Valores que toma la característica observada en cada

elemento de la población”.

 Parámetro: “Característica numérica que describe una variable observada en

la población”.

 Muestra: “Conjunto de unidades representativas de una población”

 Estadístico: “Función de los valores de la muestra”

 La inferencia estadística está basada en el estudio de las muestras.

 La muestra debe ser representativa de la población para extraer

conclusiones validas sobre esta población.

 Grados de libertad: Podemos definirlos como el número de valores que

podemos elegir libremente.
 IMPORTANCIA DEL ESTUDIO DE LA DISTRIBUCIÓN T.

Si al aplicar muestreo no es posible extraer muestras mayores a 30 elementos, la

utilización de la distribución normal presenta grandes riesgos estadísticos. Para ello,
la teoría de pequeñas muestras presenta como alternativa a la distribución t-
student, en el entendido de que conforme el tamaño de la muestra tienda a 30
elementos, la distribución t-student tiende a la distribución normal. Por ello es
importante el estudiar la distribución T de student ya que toda inferencia estadística
que se desee realizar con muestras pequeñas tiene más validez si se hace con la
distribución t-student.
 CONCLUCION

 Es una distribución de probabilidad que se usa cuando el tamaño de la

muestra es menor de 30 datos, no se conoce la desviación estándar de la
población y cuando la población de la que se extrae la muestra es normal.

 Sus aplicaciones en la inferencia estadística son para estimar y probar una

media y una diferencia de medias (independiente y pareada).

 Es una distribución continua, tiene forma acampanada.

 FUENTES BIBLIOGRAFICAS

 DEVORE, J. L., "Probabilidad y Estadística para Ingeniería y Ciencias".

Grupo Editorial International Thon Editores.
 FREUND, J. F., MILLER, I., MILLER, M. "Estadística Matemática con
Aplicaciones". Grupo Editorial Prentice Hall.
 McCLAVE, S., "Probabilidad y Estadística para Ingeniería". Grupo Editorial
Iberoamericana.
 MENDELHALL, W., WACKERLY, D., ACHEAFFER, R. "Estadistica
Matemática con Aplicaciones". Segunda Edición. Grupo Editorial
Iberoamericana. México. 1994.
 MILLER, I., FREUND, J. E., JOHNSON, R. A. "Probabilidad y Estadística
para Ingenieros". Quinta Edición. Prentice Hall Hispanoamericana. México.
1997.
 MONTGOMERY, D. C., RUNGER, G. C. "Probabilidad y Estadística Aplicada
a la Ingeniería". Primera Edición. McGraw Hill. México. 1996.

WEBGRAFIA

 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]