UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

FACULTAD DE CIENCIAS AGRARIAS – SATIPO

EAP ING. EN IND. ALIMENTARIAS TROPICAL
CATEDRA: CONROL DE CALIDAD DE ALIMENTOS

DISTRIBUCION NORMAL
ESTANDARIZADA(Z) Y
DISTRIBUCION DE “t” DE
STUDENT

Docente: Ing. Edith Angela VILA VILLEGAS

Satipo
 INTRODUCCION
En estadística importan varias distribuciones de
probabilidades ya que representan modelos matemáticos
que asocian los valores de las variables aleatorias que se
caracterizan por una formula que determina el tipo de
distribución.

La distribución normal estándar (z) es usada para

determinar la probabilidad de ocurrencia de una variable
que tiene una distribución normal cualquiera para ell es
necesario hacer una transformación del intervalo de
análisis mediante un proceso de estandarización a partir
de la distribución normal.

La distribución de t Student es una variable aleatoria

normal con respecto a la distribución normal
estandarizada y la distribución de chi-cuadrado, las que
tienen una distribución t de student o simplemente tienen
una distribución t.
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
Variable
(Caracteristica)
Mide
Poblacion
Observa
Como es aleatoria
la caracteristica es
aleatoria

Variable aleatorias Discretas

Variables aleatorias Continuas
 Presentan: Una
Distribución de
Variable Discretas probabilidad que
Variables Continuas se caracteriza
por una Formula

Que Determina

Propios
de Cada
Tipo de Distribucion
espacio
muestral Conjunto de Parametros
 Principales modelos de
distribución de probabilidad
Distribucion de Variables discretas:
binomial,binomial negativa,poisson,
geometrica, hipergeometrica.

Distribucion de Variables continuas:

normal, gamma, exponencial, pareto,
chi cuadrado, t de Student, laplace,
beta, cauchy y F de Snedecor.
 DISTRIBUCION NORMAL (O GAUSSIANA)

Es el modelo de distribución más utilizado en la

práctica, ya que multitud de fenómenos se comportan
según una distribución normal.
Esta distribución es frecuentemente utilizada en las
aplicaciones estadísticas. Su propio nombre indica su
extendida utilización, justificada por la frecuencia o
normalidad con la que ciertos fenómenos tienden a
parecerse en su comportamiento a esta distribución.
Muchas variables aleatorias continuas presentan una
función de densidad cuya gráfica tiene forma de
campana de Gauss en torno a un valor central que
coincide con el valor medio de la distribución
la importancia de la distribución normal se debe a que hay muchas
variables asociadas a fenómenos naturales que siguen el modelo de
la normal :Caracteres morfológicos de individuos (personas, Anima
les, plantas,...) de una especie, p.ejm. tallas, pesos,diámetros.
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de
un fármaco, o de una misma cantidad de abono (etc)
Empleando cálculos bastante laboriosos, puede
demostrarse que el modelo de la función de densidad
que corresponde a tales distribuciones viene dado por la
fórmula:
La distribución normal queda definida por dos Parametros
su media y su desviación típica y la representamos así:

FUNCIÓN DE DISTRIBUCIÓN
• Puede tomar cualquier valor (-α , + α)
• Son más probables los valores cercanos a uno central que
llamamos media µ
• Conforme nos separamos de ese valor µ, la probabilidad
va decreciendo de igual forma a derecha e izquierda (es
simétrica).
• Conforme nos separamos de ese valor µ , la probabilidad
va decreciendo de forma más o menos rápida dependiendo
de un parámetro σ, que es la desviación típica.
Cuando la media de la distribución es 0 y la varianza es 1,
se denomina "normal tipificada", y su ventaja reside en
Que hay tablas, o rutinas de cálculo que permiten obtener
esos mismos valores, donde se recoge la probabilidad
acumulada para cada punto de la curva de esta distribución.
DISTRIBUCION NORMAL STANDARIZADA (Z)
Es una Distribución Normal teórica que utiliza un
sistema numérico común. Cuando se estudia la
variable de peso de los niños al nacer, o el grueso de
tornillos, o el número de frutos dañados en un árbol,
aun cuando las distribuciones de datos muestren la
misma forma, las unidades métricas son variables,
por tanto, para poderlas comparar con una
distribución patrón es necesario referirlas en la misma
unidad de medida.
Esta unidad de medida es la desviación estándar, de esta manera, sean
pesos de bebes, grueso de tornillos o frutos de árboles, transformados
a una unidad estándar, estaremos hablando en la misma escala.
Debe quedar claro que las comparaciones únicamente son posibles en
poblaciones similares, niños con niños, tornillos con tornillos etc. La
unidad estándar se obtiene mediante:

TIPIFICACIÓN O NORMALIZACION
 Por tanto su función de densidad es

y su función de distribución es

siendo la representación gráfica

de esta función:

A la variable Z se la denomina
variable tipificada de X, y a la
curva de su función de densidad
curva normal tipificada.
CARACTERÍSTICA DE LA DISTRIBUCIÓN NORMAL
TIPIFICADA (REDUCIDA, ESTANDAR)
No depende de ningún parámetro
Su media es 0, su varianza es 1 y su desviación típica es 1.
La curva f(x) es simétrica respecto del eje OY
Tiene un máximo en este eje
Tiene dos puntos de inflexión en z =1 y z = -1
La distribución normal tipificada tiene la ventaja, como
ya hemos indicado, de que las probabilidades para cada
valor de la curva se encuentran recogidas en una tabla

USO DE LA TABLA DE LA DISTRIBUCIÓN NORMAL

TIPIFICADA
• Hay muchos tipos de tablas de la distribución normal
La que se explica aquí representa las áreas para los
diferentes valores de z desde 0 hasta +∞
• Los valores negativos de z NO están tabulados ya que la
distribución es simétrica
TABLA DE LA DISTRIBUCIÓN NORMAL
TIPIFICADA
 ¿Cómo se lee esta tabla?
La columna de la izquierda indica el valor cuya
probabilidad acumulada queremos conocer. La primera
fila nos indica el segundo decimal del valor que estamos
consultando
Ejemplo: Queremos conocer la probabilidad acumulada
en el valor 2,75.Entonces buscamos en la columna de la
izquierda el valor 2,7 y en la primera fila el valor 0,05. La
casilla en la que se interseccionan es su probabilidad
acumulada (0,99702, es decir 99.7%).
Veamos otros ejemplos:
- Probabilidad acumulada en el valor 0,67: la respuesta es
0,7486
- Probabilidad acumulada en el valor 1,35: la respuesta es
0,9115
- Probabilidad acumulada en el valor 2,19: la respuesta es
0,98574
MANEJO DE TABLAS. CASOS MÁS FRECUENTES
 DISTRIBUCION “t” DE STUDENT
La distribución -Student se construye como un cociente entre
una normal y la raíz de una Χ2 independientes. De modo
preciso, llamamos distribución t-Student con n grados de
libertad, tn a la de una v.a. T,

T= Z tn
1 Χ2 n
n
Donde Z N(O,1), Χ2 n Χ2 n este tipo de distribuciones
aparece cuando tenemos n+1 v.a independientes .

X N(µ, σ2)
X N(µi, σ2 i) i = 1,………….ni
y nos interesa la distribución de

La función de densidad de es

Figura: La función de
densidad de una t de
Student
 CARACTERÍSTICA DE LA DISTRIBUCIÓN “t”
DE STUDENT
La distribución de Student tiene propiedades parecidas a
Es de media cero, y simétrica con respecto a la misma.
Es algo más dispersa que la normal, pero la varianza decrece hasta
1 cuando el número de grados de libertad aumenta;

Figura: Comparación
entre las funciones de
t 1 densidad de y

Para un número alto de grados de libertad se puede aproximar la

distribución de Student por la normal, es decir,
 Figura: Cuando aumentan
los grados de libertad, la
distribución de Student se
aproxima a la distribución
normal tipificada.

Para calcular

En lugar de considerar una primitiva de esa función y

determinar la integral definida, buscaremos el resultado
aproximado en una tabla de la distribución tnn (vease la tabla)
CONSIDERACIONES DE LA DISTRIBUCIÓN t DE STUDENT

- Al igual que la distribución Z, es una distribución continua

- La distribución t tiene una media de cero, es simétrica
respecto de la media y se extiende de -  a +  la varianza

de t   2 para v > 2. Cuando los grados de libertad son
suficientemente grandes la varianza de la distribución t
tiende a forma acampanada y simétrica
- No hay una distribución t, sino una "familia" de
distribuciones t. todas con la misma media cero, pero con
su respectiva desviación estándar diferente de acuerdo con
el tamaño de la muestra n. Existe una distribución t para
una muestra de 20, otra para una muestra de 22, y así
sucesivamente.
 La distribución t es más ancha y más plana en
el centro que la distribución normal estándar
como resultado de ello se tiene una mayor
variabilidad en las medias de muestra
calculadas a partir de muestras más pequeñas.
Sin embargo, a medida que aumenta el tamaño
de la muestra, la distribución t se aproxima a la
distribución normal estándar.
α

t
Formalmente una variable T con distribución t de Student o
simplemente distribución t se define de la forma siguiente:
Sea Z una variable aleatoria normal estándar y sea X2 una
variable Chi cuadrada con n grados de libertad, entonces:
X  
Z 

n
t
X  Donde:
s
2
n
2 S ( n 1)
 
X
X  2

Al sustituir: n
 n ( X  )
t
S 2 (n  1) n  n ( X  )
S s
2
( n 1)   s

con v = n-1 grados de

Por lo tanto
libertad
 TABLA DE LA DISTRIBUCIÓN t STUDENT
En esta tabla de t las áreas se acumulan desde menos infinito
hasta un valor de t.
En la 1a columna, se encuentran los grados de libertad, en el
cabezal las áreas y en el cuerpo de la tabla los valores de t.
 El número de grados de libertad (n) es en general igual
al tamaño de la muestra (n) menos el número de
parámetros estimados previamente.
Como para estimar la varianza (y la desviación típica) es
necesario calcular antes la media, el número de grados
de libertad es en este caso n-1
La distribución de t presenta una forma parecida a la
normal, con media 0 y desviación típica siendo n los
grados de libertad
Estimación y verificación de hipótesis relativas a medias Se procede
igual que con σ conocida, sustituyendo la distribución normal por la
de t
Verificación de Ho: = k
Para una muestra de
tamaño n, con y

y (desviación
Estimación de µ típica centrada )
Ejemplo 1 : ¿Cuál es el valor de t , para 4 grados de
libertad, tal que deja un 95% central?
t = 2.78
Ejemplo 2 : El gerente de una fábrica de cierto tipo de
alimentos asegura que el peso promedio del producto
que elabora es de 165.285 g. Un inspector toma una
muestra de 16 paquetes del producto y pesarlos. Los
resultados fueron los siguientes: 165 158,153, 162, 171,
175, 173, 169, 166, 170, 164, 177, 148, 167, 152, 149.
Encuentre la probabilidad de < 163.6875.
1. Establecer datos
n =16
 = 165.285 gr.
P(< 163.6875) = ?
s = 9.24
2. Aplicar la fórmula para estandarizar los valores de
x  
t 
s
n
3. Elaborar gráfica del problema

163.6875 165.285
4. Encontrar el valor de t
t = (163.6875-165.285)/(9.24/ 16 )= -.691
5. Encontrar la probabilidad del valor de t
utilizando la tabla g.l = 15
P ( t < -.691 )= .250
6. Conclusión: La probabilidad de que la media sea menor
de 163.6875 es de .250
IMPORTANCIA DE LA PRUEBA DE “ t ”
“La prueba más universal para la comparación de dos
tratamientos”
Es una prueba estadística para evaluar si dos grupos
difieren entre si de manera significativa respecto a sus
medias.
En los análisis estadísticos bajo asunciones pre-
establecidas (hipótesis) de las respuestas dadas (jueces) se
puede realizar mediante la aproximación de distribución de
“t”.
La distribución de “t” es una prueba parametrica mas usada,
En la mayoría de casos reales o prácticos es frecuente que
el tamaño de la muestra sea limitado por el costo y por el
tiempo por el cual se requiere de procedimientos un poco
diferentes a los utilizados para muestras grandes o mayores
que treinta observaciones que por lo general se asocian con
la distribución normal.
Los procedimientos de estimación y prueba de hipótesis
para muestras pequeñas son tratados preferencialmente
por la distribución denominada "T de student", la otra
característica que permite utilizar una distribución "T" es
que la desviación estándar de tipo poblacional se
desconoce y se debe utilizar una desviación estándar de
tipo muestral; ésta también es una razón para utilizar la "T
de Student".
La comparación se realiza sobre una variable. Si hay
diferentes variables, se efectuaran varias pruebas de ” t ”
(una por cada variable). Aunque la razón que motiva
laceración de grupos puede ser una variable independiente,
por ejemplo: Un experimento con dos grupos, uno al cual
se le aplica el estimulo experimental y esotro grupo de
control.