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).