Las pruebas de significacin estadstica sirven para comparar variables
entre distintas muestras. Si la distribucin de la muestra es normal se
aplican los llamados tests paramtricos. Si la distribucin no puede asumirse normal se aplican las pruebas no paramtricas. Hay que tener siempre en cuenta que los tests paramtricos son ms potentes y dan ms informacin que los no paramtricos, por lo que, si pueden usarse, se prefieren. El uso indiscriminado de muestras de distribucin fuera de la normalidad conlleva el peligro de obtener conclusiones errneas. En general, con pocos datos, es preferible, si no es difcil ni conlleva un alto coste de tiempo y dinero, realizar ms determinaciones para poder aplicar pruebas paramtricas al lograr una distribucin normal. El teorema del lmite nos dice que si el tamao de la muestra es suficiente, la distribucin siempre tiende a ser normal, lo que juega a nuestro favor. Tambin hay que tener presente que la mayora de las veces no hay suficiente tiempo y dinero para realizar un nmero elevado de pruebas para calcular la variancia de la poblacin (Ec. 1.1), por lo que se recurre a la variancia de la muestra (Ec. 1.2) 2 = ((xi-)2)/N (Ec. 1.1) s2 = [(xi-x)2]/n-1 (Ec. 1.2) xi: valor puntual o media de un conjunto pequeo de datos (muestra). : media de un conjunto infinito de datos (poblacin) o valor aceptado como verdadero. x: media de un conjunto finito de datos de la muestra. Es muy importante tener en cuenta que en las pruebas de significacin estadstica siempre se plantea la hiptesis nula "H0" (no hay diferencias significativas entre los estadsticos de las muestras comparadas), y la hiptesis alternativa "H1" (hay diferencias significativas). Se obtiene mucha mayor informacin cuando se puede rechazar la hiptesis nula, lo que quiere decir que los estadsticos de las muestras que se comparan son diferentes entre s con una probabilidad mayor del 95%. Si no se puede rechazar la hiptesis nula (p > 0,05) se pierde mucha informacin porque no se puede decir que sean iguales, ni que sean diferentes porque la probabilidad es menor del 95%.
Con esta prueba se pretende averiguar si dos muestras que tienen
medias iguales, provienen de la misma poblacin. Hiptesis nula "H0" 1 = 2; Hiptesis alternativa "H1" 1 2 La prueba permite comparar la media con su valor verdadero o bien las medias de dos poblaciones. Se basa en los lmites de confianza "LC"
para el promedio x de n mediciones repetidas (Ec. 2.1). A partir de dicha
ecuacin tenemos: = x t(s/n) (Ec. 2.1) x - = t s/n (Ec. 2.2) s/n: error estndar "EE" o desviacin estndar "DE" de la distribucin muestral de medias. Como las medias son n veces ms probables que los resultados aislados, la DE de las medias es n veces menor que la DE de resultados aislados, siendo n el nmero de determinaciones con las que se calcula la media. t: "t de student" (tabla 2). Es un parmetro tabulado que depende de los grados de libertad de la muestra (n-1) "gl" y del intervalo de confianza que se quiera (generalmente 95%).
Si x - obtenida en la muestra a comparar es menor que la calculada
para un cierto nivel de probabilidad, no se rechaza la hiptesis nula de que x y sean iguales; es decir, sus diferencias son debidas a errores aleatorios y no existe un error sistemtico significativo. Para comparar 2 medias experimentales el proceso es semejante. Se ha de tener en cuenta si los datos de las 2 muestras estn apareados o no (figura 1):
La prueba t-Student se utiliza para contrastar hiptesis sobre medias en
poblaciones con distribucin normal. Tambin proporciona resultados aproximados para los contrastes de medias en muestras suficientemente grandes cuando estas poblaciones no se distribuyen normalmente (aunque en este ltimo caso es preferible realizar una prueba no paramtrica). Existen dos versiones de la prueba t-Student: una que supone que las varianzas poblacionales son iguales y otra versin que no asume esto ltimo.
La distribucin t de Student se utiliza cuando nos encontramos con Ia dificultad
de no conocer Ia desviacin tpica poblacional y nuestra muestra es menor de 30. Es similar a Ia curva normal, pero Ia distribucin t tiene mayor rea a los extremos y menos en el centro. 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 hiptesis y tambin para saber si dos muestras provienen de Ia misma poblacin.
En muchas ocasiones no se conoce y el nmero de observaciones en Ia
muestra es menor de 30. En estos casos. Se puede utilizar Ia desviacin estndar de Ia muestra S como una estimacin de , pero no es posible usar Ia distribucin Z como estadstico de prueba. El estadstico de prueba adecuado es Ia distribucin t. A veces es necesario hacer anlisis de muestras pequeas por razones de tiempo y reduccin de costos, para ello fue descubierta Ia distribucin t por Wlliam Gosset, un especialista en estadstica, que la public en 1908 con el seudnimo de Distribucin t Student. LOS USOS PARA LOS CUALES ES IDONEA ESTA DISTRIBUCION 1. Para determinar el intervalo de confianza dentro del cual se puede estimar Ia media de una poblacin a partir de muestras pequea (n < 30). 2. Para probar hiptesis cuando una investigacin se basa en muestreo pequeo. 3. Para probar si dos muestras provienen de una misma poblacin. CARACTERES DE LA DISTRIBUCION En muchas ocasiones no se conoce y el nmero de observaciones en la muestra n < 30. En estos casos, se puede utilizar la desviacin estndar de la muestra s como una estimacin de , pero no es posible usar la distribucin Z como estadstico de prueba. El estadstico de prueba adecuado es la distribucin t. Sus aplicaciones en la inferencia estadstica son para estimar y probar una media y una diferencia de medias (independiente y pareada). GRADOS DE LIBERTAD Existe una distribucin t distinta para cada uno de los posibles grados de libertad. Qu son los grados de libertad? Podemos definirlos como el nmero de valores que podemos elegir libremente. COMO DIFERENCIARLAS DE OTRAS PRUEBAS La distribucin de T es similar a la distribucin de Z, pues ambas son simtricas alrededor de una media de cero. Ambas tiene distribuciones de campana pero la distribucin t es ms variable debido a que tienen fluctuaciones en 2 cantidades. La distribucin de T difiere de la de Z en que la varianza de T depende del tamao de la muestra n y siempre es mayor a 1, nicamente cuando n tiende a las dos distribuciones sern iguales. TEORIA DE LAS PEQUEAS MUESTRAS En probabilidad y estadstica, Ia distribucin-t o distribucin t de Student es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. A Ia teora de pequeas muestras tambin se le llama teora exacta del muestreo, ya que tambin Ia podemos utilizar con muestras aleatorias de tamao grande.
IMPORTANCIA DEL ESTUDIO
1. Si al aplicar muestreo no es posible extraer muestras mayores a 30 elementos, la utilizacin de la distribucin normal presenta grandes riesgos estadsticos. Para ello, la teora de pequeas muestras presenta como alternativa a la distribucin t- student, en el entendido de que conforme el tamao de la muestra tienda a 30 elementos, la distribucin t-student tiende a la distribucin normal. Por ello es importante el estudiar la distribucin T de student ya que toda inferencia estadstica que se desee realizar con muestras pequeas tiene ms validez si se hace con la distribucin tstudent. 2. Es una distribucin de probabilidad que se usa cuando el tamao de la muestra es menor de 30 datos, no se conoce la desviacin estndar de la poblacin y cuando la poblacin de la que se extrae la muestra es normal. 3. Sus aplicaciones en la inferencia estadstica son para estimar y probar una media y una diferencia de medias (independiente y pareada).