FACULTAD DE INGENIERIA QUÍMICA

C.P. INGENIERIA QUÍMICA AMBIENTAL

La distribución T de Student

CÁTEDRA: ESTADISTICA

CATEDRÁTICO: HENRY OCHOA LEON

INTEGRANTES: ANDRADE VALERO, Sandra

CATAÑO
MINAYA CRUZ, Isabel

2018-I
 ÍNDICE
I. INTRODUCCION ........................................................................................ 3

II. OBJETIVOS ................................................................................................ 4

III. MARCO TEÓRICO ..................................................................................... 5

3.1 ASPECTOS GENERALES ....................................................................... 5

3.2 DISTRIBUCIÓN T DE STUDENT ............................................................. 5

3.3 DEFINICIONES CONCEPTUALES ........................................................ 17

IV. CONCLUSIONES ..................................................................................... 18

V. BIBLIOGRAFIA ......................................................................................... 19

2
 DISTRIBUCION “T” DE
STUDENT

I. INTRODUCCION
La distribución t de Student se utiliza cuando nos encontramos con la dificultad
de no conocer la desviación típica poblacional y nuestra muestra es menor de 30.
Es similar a la curva normal, pero la 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 la media cuando la 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 la formula.

De gran utilidad, reduce tiempo, costo y esfuerzos. Se utiliza para probar

hipótesis y también para saber si dos muestras provienen de la misma población

3
 II. OBJETIVOS

 Analizar las características y aplicación de la Distribución “T” de student.

4
 III. MARCO TEÓRICO

3.1 ASPECTOS GENERALES

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.

3.2 DISTRIBUCIÓN T DE STUDENT

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.

 LOS USOS PARA LOS CUALES ES IDONEO ESTA DISTRIBUCION

 Para determinar el intervalo de confianza dentro del cual se puede estimar Ia

media de una población a partir de muestras pequeña (n < 30).
 Para probar hipótesis cuando una investigación se basa en muestreo
pequeño.
 Para probar si dos muestras provienen de una misma población.
5
 CARACTERISTICAS DE LA DISTRIBUCION 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
Sus aplicaciones en la inferencia estadística son para estimar y probar una
media y una diferencia de medias (independiente y pareada).

 ¿COMO 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.

 TEORIA 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”.

6
 Para definir grados de libertad se hará referencia a Ia varianza maestral:

 DISTRIBUCION DE PROBABILIDAD T DE 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.

7
Su valor medio y varianza son:

8
 PROPIEDADES DE LA DISTRIBUCION

 Cada curva t tiene forma de campana con centro en 0.

 Cada curva t, está más dispersa que Ia curva normal estándar.
 A medida que k aumenta, Ia dispersión de Ia curva t correspondiente disminuye.
 A medida que k-> ∞, la secuencia de curvas t se aproxima a Ia curva normal
estándar

 CALCULO DE LA DISTRIBUCION T DE STUDENT

PRUEBA DE HIOTESIS 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 la media 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 política
.
9
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.

10
 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*:

11
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

12
 TABLA T DE STUDENT

13
14
 DIFERENCIA CON OTRAS TABLAS DE DISTRIBUCION
 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.

 USO DE LA TABLA DE DISTRIBUCION

 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.

15
 EJEMPLO: con 5 grados de libertad, el cuantil 0.95 es 2.015

EJEMPLO: si tenemos 12 grados de libertad, el cuantil 0.975 será 2.1788

16
3.3 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.

17
 IV. CONCLUSIONES

 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.

18
 V. BIBLIOGRAFIA

 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.

19
20
21