Contenido

1. INTRODUCCION..............................................................................................................................4
2. OBJETIVOS......................................................................................................................................5
3. HISTORIA DE LA DISTRIBUCION T DE STUDENT..............................................................................5
4. BASES TEORICAS.............................................................................................................................6
4.1 LOS USOS PARA LOS CUALES ES IDONEA ESTA DISTRIBUCION.................................................6
4.2 CARATACTERISTICAS DE LA DISTRIBUCION T DE STUDENT......................................................6
5. TEORIA DE PEQUEÑAS MUESTRAS.................................................................................................7
TABLA DE DISTRIBUCION T - STUDENT...............................................................................................8

DISTRIBUCION T - STUDENT Pá gina 1

DISTRIBUCION T - STUDENT Pá gina 2
 9
PASOS PARA RESOLVER PROBLEMAS...............................................................................................10
Paso 1...........................................................................................................................................10

DISTRIBUCION T - STUDENT Pá gina 3

DISTRIBUCION T - STUDENT Pá gina 4
1. INTRODUCCION
La distribución t de Student se utiliza cuando nos encontramos con la dificultad de no conocer la
desviación típica poblacional y 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 adopto 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 dad con respecto a estas variables y
aplicarlas en la formula.

De gran utilidad, costo, y esfuerzos. Se utiliza para probar hipótesis y también para saber si dos
muestras provienen de la misma población.

DISTRIBUCION T - STUDENT Pá gina 5

2. OBJETIVOS
Analizar las características y aplicaciones de la Distribucion T de student

3. HISTORIA DE LA DISTRIBUCION T DE STUDENT

Las distribuciones t de Student fueron descubiertas por
William S. Gosset (1876-1937) en 1908 cuando
trabajaba para la compañía de cervezas Guinness en
Dublín (Irlanda). No pudo publicar sus descubrimientos
usando su propio nombre porque Guinness había
prohibido a sus empleados que publicaran información
confidencial. Gosset firmó sus publicaciones usando el
nombre de "Student". Gosset tenía buena relación con
Karl Pearson que había sido su maestro. Necesitaba una
distribución que pudiera usar cuando el tamaño de la
muestra fuera pequeño y la varianza desconocida y
tenía que ser estimada a partir de los datos. Las
distribuciones t se usan para tener en cuenta la
incertidumbre añadida que resulta por esta estimación.
Fisher comprendió la importancia de los trabajos de
Gosset para muestras pequeñas.

Si el tamaño de la muestra es n entonces decimos que la distribución t tiene n-1 grados de

libertad. Hay una distribución t diferente para cada tamaño de la muestra. Estas distribuciones son
una familia de distribuciones de probabilidad continuas. Las curvas de densidad son simétricas y
con forma de campana como la distribución normal estándar. Sus medias son 0 y sus varianzas son
mayores que 1 (tienen colas más pesadas). Las colas de las distribuciones t disminuyen más
lentamente que las colas de la distribución normal. Si los grados de libertad son mayores más
próxima a 1 es la varianza y la función de densidad es más parecida a la densidad normal.

DISTRIBUCION T - STUDENT Pá gina 6

Cuando n es mayor que 30, la diferencia entre la normal y la distribución t de Student no suele ser
muy importante. En la imagen podemos ver varios ejemplos de funciones de distribución
acumulada.

En probabilidades en distribuciones t-Student puedes ver una comparación más precisa entre las
distribuciones t-Student y la normal estándar.

4. BASES TEORICAS
En muchas ocasiones no se conoce σ y el número de observaciones en la muestra es menor
de 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 como estadístico de prueba. El
estadístico de prueba adecuado es la distribución t. a veces es necesario hacer análisis
de muestras pequeñas por razones de tiempo y reducción de costos, para ello fue
descubierta la distribución t de William Gosset, un especialista en estadística, que la
publico en 1908 con el seudónimo de Distribución t Student.

4.1 LOS USOS PARA LOS CUALES ES IDONEA ESTA DISTRIBUCION

a.- Para determinar el intervalo de confianza dentro del cual se puede estimar la medida de una
población a partir de muestras pequeña (n 30)

b.- para probar hipótesis cuando una investigación se basa en muestreo pequeño

c.- Para probar si dos muestras provienen de una misma población.

4.2 CARATACTERISTICAS 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 t. sus aplicaciones en la inferencia
estadística son para estimar y probar una media y una diferencia de medidas
(independiente y pariada).

DISTRIBUCION T - STUDENT Pá gina 7

5. TEORIA DE PEQUEÑAS MUESTRAS
En las unidades 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 muestran o las muestras son normales. En
esta unidad se podrán utilizar muestras pequeñas siempre 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, X2 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. En esta unidad se verá un nuevo
concepto necesario para poder utilizar a las tres distribuciones mencionadas. Este concepto es
"grados de libertad". Para definir grados de libertad se hará referencia a la varianza muestra

6. METODOLOGÍA DE LA T-STUDENT

1. Probar que cada una de las muestras tiene una distribución normal;

 2. Obtener para cada una de las muestras: a) el tamaño de las muestras (n1 y n2), b)
sus respectivas medias (m1 y m2), c) sus varianzas (v1 y v2).

3. Probar que las varianzas sean homogéneas;

4. En caso de homogeneidad en esas varianzas: a) establecer la diferencia entre las

medias: m1-m2, b) calcular la varianza común de las dos muestras.

vc = ((n1-1)v1 + (n2-1)v2)/(n1 + n2 - 2)

Es decir, la varianza común (vc) es igual a un promedio pesado de las varianzas de las
dos muestras en donde los pesos para ese promedio son iguales al tamaño, menos uno
(n-1) para cada una de las muestras, c) con esa varianza común, se calcula el error
estándar de la diferencia de las medias ESM= √ ((vc) (n1 + n2)/(n1n2)); 5. Finalmente,
la t-Student es igual al cociente de la diferencia de medias entre el ESM anterior; 6. De
acuerdo con nuestra hipótesis nula y alterna se debe demostrar que existe diferencia
entre las medias de las muestras, se consulta una tabla de t-Student con grado de
libertad igual a n1 + n2-2 y se calcula el valor de P.5

DISTRIBUCION T - STUDENT Pá gina 8

DISTRIBUCION T - STUDENT Pá gina 9
DISTRIBUCION T - STUDENT Pá gina 10
7. TABLA DE DISTRIBUCION T - STUDENT

DISTRIBUCION T - STUDENT Pá gina 11

DISTRIBUCION T - STUDENT Pá gina 12
DISTRIBUCION T - STUDENT Pá gina 13
7. PASOS PARA RESOLVER PROBLEMAS

Si pudiera expresar en un cierto número de pasos para resolver un problema de t de

student tendría que declarar los siguientes:

Paso 1. Plantear las hipótesis nulas (H0) y la hipótesis alternativa (H1). La hipótesis
alternativa plantea matemáticamente lo que queremos demostrar, en tanto que la
hipótesis nula plantea exactamente lo contrario.

Paso 2. Determinar el nivel de significancia (rango de aceptación de la hipótesis

alternativa), a

Se considera un nivel alfa de: 0.05 para proyectos de investigación; 0.01 para
aseguramiento de la calidad; y 0.10 para estudios o encuestas de mercadotecnia.

Paso 3. Evidencia muestra, se calcula la media y la desviación estándar a partir de la

muestra.

Pasó 4. Se aplica la distribución T de Student para calcular la probabilidad de error por

medio de la fórmula general presentada al principio y se contrasta con el valor T obtenido
de la tabla correspondiente.

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 la
hipótesis alternativa. Si la probabilidad de error (p) es menor que  el nivel de significancia
se acepta la hipótesis alternativa.

Por supuesto que al final lo que tenemos que contrastar es el valor de T que hayamos
obtenido en el problema contra el valor T crítico que obtenemos de la tabla de T de
Student.

Ejemplo

De un universo de 44,000 niños, a los que se les registró el peso, talla e índice de
masa corporal, se tomó una muestra de 56 adolescentes (21 niñas y 35 niños), del
subgrupo de niñas y niños de 14 años de edad, para comparar las medias tomando
exclusivamente el índice de masa corporal (IMC).

IMC en niñas y niños de 14 años de edad

Paso 1: prueba de normalidad de cada una de las muestras.

DISTRIBUCION T - STUDENT Pá gina 14

 

Paso 2: en este caso se hace la prueba t-test aun sabiendo que una de las muestras
(los niños) no tiene normalidad.

Paso 3: prueba para la homogeneidad de varianzas; se pueden considerar que son

homogéneas debido a que la p = 0.570.

Paso 4: (i) diferencia de medias = 0.025, (ii) vc a las muestras.

(iii) Error estándar de las diferencias de las medias

DISTRIBUCION T - STUDENT Pá gina 15

 

Paso 5: el valor de la t-test será:

Pasó 6: hipótesis:

Ho: el IMC es igual en niños y niñas.

H1: El IMC es diferente entre los niños y las niñas.

Los grados de libertad, para consultar la tabla de t-Student son 21 + 35-2 = 54,
consultando el valor de p es 0.401.

Por lo tanto, no existe diferencia entre el IMC entre los niños y niñas de 14 años. 

CONCLUSIONES

1. Es necesario mencionar que la distribución t-test es similar a la distribución de

Gauss cuando las muestras > 30.

2. El poder estadístico tiene mayor magnitud cuando las condiciones que se necesitan
lo cumplen ambas muestras, independientemente del tamaño.

3. La prueba original demostró que existe una curva que describe el comportamiento
de la diferencia de medias y permite calcular el área bajo la curva que representa la
probabilidad de la diferencia entre ellas.

---------------

La t-Student es una prueba poderosa, en la que aunque una de las muestras no tenga
distribución normal pero la otra sí y la razón de la varianza más grande a la más
pequeña sea < 2, esta prueba resulta adecuada al comparar dos medias.

‡‡
 En este caso se debe utilizar una modificación a la t-Student dada por Satterthwaite
y Welch.

DISTRIBUCION T - STUDENT Pá gina 16