DISTRIBUCION “t” DE STUDENT

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 William Gosset, un especialista en estadística, que Ia publicó en 1908
con el seudónimo de Distribución t Student.

A. USOS PARA LOS CUALES ES IDONEA 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.

B. CARACTERISTICAS DE LA DISTRIBUCION DE “t” 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. GRADOS 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. COMO DIFERENCIARLA DE OTRAS DISTRIBUCIONES

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

de una media de cero. Ambas tiene 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. 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”.

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

 F. 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:

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.

G. PROPIEDADES DE LAS DISTRIBUCIONES “t” STUDENT

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

H. CACULO DE LA DISTRIBUCION “t” STUDENT

 PRUEBA DE HIPOTESIS PARA MEDIAS DE “t” 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 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 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

CONCLUSION
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.
DISTRIBUCION NORMAL
DEFINICIÓN DE VARIABLE ALEATORIA CONTINUA
Una variable aleatoria continua es aquella que puede asumir un número infinito de valores
dentro de un determinado rango.

Por ejemplo, el peso de una persona podría ser 80.5, 80.52, 80.525,... dependiendo de la
precisión de la báscula. ‰

DEFINICIÓN DE DISTRIBUCIÓN DE PROBABILIDAD NORMAL:

La Normal es la distribución de probabilidad más importante. Multitud de variables
aleatorias continuas siguen una distribución normal o aproximadamente normal. Una de
sus características más importantes es que casi cualquier distribución de probabilidad,
tanto discreta como continua, se puede aproximar por una normal bajo ciertas
condiciones.

La distribución de probabilidad normal y la curva normal que la representa, tienen las

siguientes características:

La curva normal tiene forma de campana y un solo pico en el centro de la

distribución. De esta manera, la media aritmética, la mediana y la moda de la
Distribución Normal son iguales y se localizan en el pico. Así, la mitad del área bajo
la curva se encuentra a la derecha de este punto central y la otra mitad está a la
izquierda de dicho punto.

La distribución de probabilidad normal es simétrica alrededor de su media.

La curva normal desciende suavemente en ambas direcciones a partir del valor

central. Es asintótica, lo que quiere decir que la curva se acerca cada vez más al eje
X pero jamás llega a tocarlo. Es decir, las “colas” de la curva se extienden de
manera indefinida en ambas direcciones
 .

Para indicar que una variable aleatoria (v.a.) sigue una distribución normal de media µ y
desviación estándar σ usaremos la expresión: X ∼ N(µ,σ).

‰DEFINICIÓN DE FUNCIÓN DE DENSIDAD DE PROBABILIDAD:

La probabilidad de que una variable aleatoria (v.a.) X tome un valor determinado entre dos

números reales a y b coincide con el área encerrada por la función

(función de densidad de probabilidad) entre los puntos a y b, es decir :

Como hemos comentado anteriormente, observar que:

La distribución normal es simétrica respecto de su media µ .

El área total encerrada por f(x) vale 1, i.e.: ∫ +∞ −∞ f (x)dx = P(−∞ < X < +∞) = 1 .

Al ser X v.a. continua, P(X=a) = ∫ a a f (x)dx = 0 , ∀ a∈R ⇒ P(X≤a) = P(X<a)

LA DISTRIBUCIÓN NORMAL ESTÁNDAR:

Se observó que no existe una sola distribución de probabilidad normal, sino una “familia”
de ellas. Como sabemos, cada una de las distribuciones puede tener una media (µ) o una
desviación estándar distinta (σ). Por tanto, el número de distribuciones normales es
ilimitado y sería imposible proporcionar una tabla de probabilidades para cada
combinación de µ y σ.

Para resolver este problema, se utiliza un solo “miembro” de la familia de distribuciones

normales, aquella cuya media es 0 y desviación estándar 1 que es la que se conoce como
distribución estándar normal, de forma que todas las distribuciones normales pueden
convertirse a la estándar, restando la media de cada observación y dividiendo por la
desviación estándar.

Primero, convertiremos la distribución real en una distribución normal estándar utilizando

un valor llamado Z, o estadístico Z que será la distancia entre un valor seleccionado,
designado X, y la media µ, dividida por la desviación estándar σ.

Formalmente, si X ∼ N(µ,σ) , entonces la v.a. σ − µ = X Z se distribuye según una normal de

media 0 y desviación estándar 1, i.e.: Z ∼ N(0,1) , que es la distribución llamada normal
estándar o tipificada. De esta manera, un valor Z mide la distancia entre un valor
especificado de X y la media aritmética, en las unidades de la desviación estándar. Al
determinar el valor Z utilizando la expresión anterior, es posible encontrar el área de
probabilidad bajo cualquier curva normal haciendo referencia a la distribución normal
estándar en las tablas correspondientes. Así pues, para averiguar el área anterior
utilizaremos la tabla que encontraremos al final de este apartado.
 Dicha tabla nos proporciona la probabilidad de que la v.a. normal estándar Z tome un
valor situado a la izquierda de un número c, i.e.: P(Z<c). En otras palabras, esta tabla nos
da el valor del área encerrada por f(x) entre -∞ y c.