INTRODUCCION
la distribución t de student se utiliza cuando nos encontramos
con la dificultad de no conocer la desviación típica poblacional
y muestra es <30. Es similar ala curva normal, pero la
distribución t tiene mayor área a los extremos y menor en el
centro. esta fue descubierta por un especialista en estadística
de una empresa irlandesa, este señor cuyo nombre era William
s. iso diferencias acerca de la medida cuando la desviación
poblacional fue desconocida: y ya que a los empleados de
dicha entidad no les era permitido publicado 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 dada con respecto a
estas variables y aplicarla en la formula.
De gran utilidad, reduce tiempo, costo esfuerzo. Se utiliza para
probar hipotesis y también para saber si dos muestras
provienen de la misma población.
}
PRUEBA DE T DE STUDENT
En estadística, una prueba t de student, prueba t-student, es
cualquier prueba en la que el estadístico utilizado tiene una
distribución t de student si la hipotesis nula es cierta. Se aplica
cuando la población estudiada sigue una distribución normal
pero el tamaño muestral es demasiado pequeño como para
que el estadístico en el que esta basado la inferencia este
normalmente distribuido, utilizándose una estimación de la
desviación típica en lugar del valor real. Es utilizado en análisis
discriminante.
(HECTOR, 2014)
CALCULOS:
Las expresiones explicitas que pueden ser utilizados para
obtener varias pruebas t se da a continuación. En cada caso,
se muestra la formula para una prueba estadístico que o bien
siga exactamente o aproxime a una distribución de t de student
bajo la hipótesis nula. Además, se dan los apropiados grados
de libertad en cada caso. Cada una de estas estadísticas se
pueden utilizar para llevar acabo ya sea una prueba de una
cola o prueba de dos colas.
Una ves determinada un valor t es posible encontrar un valor p
asociado utilizando para ello una tabla de valores de
distribución t de student. Si el valor p calculado es menor al
limite elegido por significancia estadístico (usualmente a nivel
de significancia 0.10, 0.5 o 0.1 ) entonces la hipotesis nula se
rechaza en favor de la hipotesis alterna.
(MENDELHALL.W, 1994)
CARATERISTICAS DE T DE STUDENT
En muchas ocasiones no se conoce σ y el numero 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. su aplicación es la inferencia estadística son para
estimas y aprobar una media y una diferencia de medias
(independientes y pareada).
GRADOS DE LIBERTAD
Existe una distribución t distinta para cada uno de los posibles
grados de libertad.
¿Qué son los grados de libertad?
Podemos definirlo como el numero de valores que podemos
elegir libremente.
(FREUND, 1997)
NORMALIDAD
Para comprobar la hipotesis de la normalidad de un grupo
de datos se puede realizar por medio de gráficos
(histograma)
También por medio de pruebas estadísticos como la
prueba de shapiro-wilks
EJEMPLO:
0.1 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*:
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
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.
NSV
Niñas 21 21.775 4.225 17.852
Niños 35 20.850 3.798 14.428
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.
vc = ((n1-1 )v1 + (n2-1)v2)/(n1 + n2 - 2)
Niñas: p = 0.071, hay normalidad.
Niños: p = 0.0008 no hay normalidad.
Paso 2: en este caso se hace la prueba t-test aun
sabiendo que una de las muestras (los niños) no tiene
normalidad.
20 × 17.852 + 34 × 14.428
21 + 35 - 2 =
357.040 + 490.552
54 =
= 847.592
54
=15.696
(iii) Error estándar de las diferencias de las medias
= (15.696) ((56)/(735))
= (15.696) (0.076)
= 1.196
= 1.094
Paso 5: el valor de la t-test será:
t = (diferencia de las medias)/(ESM)
n1 + n 2
(n1) (n2) ESM = (vc)
0.925
1.094
t=
t = 0.846
Paso 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.
BIBLIOGRAFÍA
1. By Student. The probable error of a mean. Biometrika. 1908;
6: 1-25.
2. Fagerland MW. t-tests, non-parametric tests, and large
studies-a paradox of statistical practice? BMC Med Res
Methodol.
2012; 12: 78-85.
3. Dawson-Saunders B, Trapp Robert G. Bioestadística
Médica.
México, Editorial Manual Moderno, 1993.
4. Wayne W. Daniel. Bioestadística base para el análisis de las
ciencias de la salud. 4ª ed. México, Limusa Wiley. 2002.
5. Zar Jerrold H. Biostatistical analysis. Prentice Hall. Inc. Fifth
edition. New York, USA, Prentice Hall, 2010.
6. Satterthwaite FE. An approximate distribution of estimates
of variance components. Biometrics Bul. 1946; 2: 110-114.
7. Welch BL. Generalization of “student’s” problem when
several different population variances are involved. Biometrika.
1947; 34: 28-35.
Dirección para correspondencia
Dr. Reinaldo Alberto Sánchez Turcios
Tepic Núm. 113-610,
Col. Roma Sur,
Del. Cuauhtémoc, México, D.F. 06760
E
