I.

INTRODUCCIÓN

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.

II. OBJETIVO

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

III. MARCO TEORICO

3.1. Antecedentes de la investigación

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. Bases teóricas

 Distribución t-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.

 Usos para los cuales es idónea esta distribución

 - 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.

3.3. 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).

3.4. 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.

3.5. Como diferenciarlas 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

3.6. Teorías 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:

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑆=
𝑛−1
Esta fórmula está basada en n-1 grados de libertad. Esta terminología resulta del hech0 de
que si bien s2 está basada en n cantidades x1-ẋ, x2- ẋ…xn- ẋ, estas suman cero, así que
especificar los valores de cualquier n-1 de las cantidades determina el valor restante.

Por ejemplo, si n=4 y x1-ẋ=8; x2- ẋ=-6 y x4- ẋ=-4, entonces automáticamente tenemos x3-
ẋ=2, así que solo tres de las cuatro medidas de xi- ẋ están libremente determinadas, la
otra debe tomar el valor que haga esta suma cero; es por esto que solo tenemos 3
grados de libertad.
Grados de libertad=número de mediciones -1

Distribución de probabilidad t-studen

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:

Si K>3
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.

Propiedades de la distribución t

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 distribución t- studen

Prueba de hipótesis para medias t de studen (muestra menor de 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 de alternativa)

Se considera

 0.05 para proyectos de investigación

 0.01 para aseguramiento de calidad
 0.10 para encuestas de mercadotecnia y políticas

Paso 3

Evidencia muestral. Se calcula la mediana 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
formula

Ẋ−µ
𝑡 ∗=
𝑆𝑥
√𝑛

Grados de libertad = df= n-1

Sabiendo que

Ẋ= mediana

µ= valor a analizar

sx= desviación estándar

n= tamaño de muestra

paso5

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 LA HIPÓTESIS ALTERNATIVA
 Si la probabilidad de error (P) es menor que el nivel de significancia:
SE ACEPTA LA HIPÓTESIS ALTERNATIVA

Ejemplo

Se aplica una prueba de autoestima a 25 personas quienes obtiene una calificación promedio de
62.1 con una desviación estándar de 5.83 se debe que el valor correcto de la prueba debe ser
mayor a 60. ¿Existe suficiente evidencia para comprobar que no hay problemas de autoestimas en
el grupo seleccionado?

Considerar un nivel significancia de 0.05

Paso 1:

Hipótesis de 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 de alternativa

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

Paso 2

Determinar nivel de significancia: α=0.05

Paso 3

Evidencia muestral

Ẋ=62.1 y sx= 5.83

Paso 4

Aplicando la distribución de probabilidad

Calculando t*

Ẋ−µ
𝑡 ∗=
𝑆𝑥
√𝑛
62.1 − 60 2.1
𝑡 ∗= =
5.83 1.166
√25

𝑡 ∗= 1.8
df= n-1=25-1=24

Buscando en la tabla de distribución de t de student, encuentras el valor del área

Paso 5

Resultados

P=0.042 y α= 0.05 siendo p<α

Por lo tanto: se acepta la hipótesis alternativa

Existe una evidencia para demostrar que el grupo no tiene problemas de autoestima

IV.