11. FUNCIONES DE DISTRIBUCIN ESPECIALES DISTRIBUCIN CHI2 CUADRADO DE PEARSON Si (X1,X2,...

,Xn) son n variables aleatorias normales independientes de media 0 y varianza 1, la variable definida como n 2 2 Yn = X1 + + Xn = i=1 X i2 se dice que tiene una distribucin densidad es
f ($) = 1 $ ( n 2 ) % 2 e $ % 2 n 2 n 2

!" con n #rados de libertad. Su funcin de

$ >0

1 ( & ) = X & e $ d$ la funcin #amma de 'uler, con &(0. )a funcin de siendo 0 distribucin viene dada por

F( x ) = P( X x ) = f ( x )dx
0

)a media de esta distribucin es '(X)*n y su varianza +(X)*2n. 'sta distribucin es b,sica en un determinado n-mero de pruebas no param.tricas. Si consideramos una variable aleatoria /01(0,1), la variable aleatoria X*/2 se distribuye se#-n una ley de probabilidad distribucin !" con un #rado de libertad Si tenemos n variable aleatoria independientes /i01(0,1), la suma de sus cuadrados respectivos es una distribucin !" con n #rados de libertad, / i 1(0,1) / i2 2 n
i =1 n

)a media y varianza de esta variable son respectivamente, '(X)*n y +(X)*2n Ejemplo, 'l espesor de un semiconductor se controla mediante la variacin est,ndar no mayor a *0.20 mm. &ara mantener controlado el proceso se toman muestras aleatoriamente de tama3o de 20 unidades, y se considera que el sistema est, fuera de control cuando la probabilidad de que 2 tome valor mayor o i#ual al valor de la muestra observado es que es 0.01. 4ue se puede concluir si s*0.56mm7

Solucin. '$iste fuera de control si (n 1)s 2 % 2 con n*20 y *0.20, e$cede

2 0 .01,18 = 92.181

(n 1)s 2 18 ; 0.56 2 = = 9:.26 2 0.20 2 &or tanto, el sistema est, fuera de control

'ntonces,

)a funcin de distribucin !" tienen importantes variaciones de acuerdo con los #rados de libertad y del tama3o muestral (menor tama3o muestral y mayor tama3o muestral respectivamente),

'n consecuencia, si tenemos X1,..,Xn, variable aleatoria independientes, donde cada X i 1(i , i ) , se tiene
X i i i =1 i
n

2 n

)a distribucin <i muestra su importancia cuando queremos determinar la variabilidad (sin si#no) de cantidades que se distribuyen en torno a un valor central si#uiendo un mecanismo normal. Teorema (Co !ra"). Sean X1,=,Xn con distribucin 1(,), la variable aleatoria independiente, entonces
X=

X
i =1

1 , n

Xi X 2 y n 1 i =1
n

)a funcin <i>cuadrado es i#ual a la funcin normal elevada al cuadrado. 'sto es, el producto de dos distribuciones de ?auss es una distribucin de <i>cuadrado. Si de una poblacin normal, o apro$imadamente normal, se e$traen muestras aleatorias e independientes, y se le calcula el estad@#rafo A2 usando el valor muestral de la varianza y el poblacional conB ( n 1)s 2 2 = 2 'sta funcin matem,tica est, caracterizada por el valor del n-mero de #rados de libertad C*n>1 (donde n es el tama3o muestral). Dl i#ual que la t>Student, el valor total del ,rea baEo la curva es i#ual a la unidad, pero la diferencia principal es que esta no es sim.trica respecto al ori#en, sino que se e$tiende desde 0 <asta F G porque no puede ser ne#ativa.

D medida que los #rados de libertad aumentan, la curva cambia de forma y sus valores se <an tabulado en el ane$o de tablas estad@sticas, donde se muestran los valores del ,rea baEo la curva, para los principales valores de A2, a la derec<a de .ste. H sea, se muestra la zona de rec<azo para diferentes niveles de si#nificacin y de #rados de libertad, lo cuales var@an entre 1 y 100. I,s all,, conviene usar directamente la funcin de ?auss. &ara cada #rado de libertad <ay una tabla de valores que pueden obtenerse variando el nivel de si#nificacin, parecida a la de ?auss. 'l problema de calcular los valores cr@ticos, para un nivel de confianza dado, se resuelve de dos manerasB usando computadoras para resolver los c,lculos, y la otra m,s com-n, usando tablas resumidas, en forma an,lo#a a la vista para el modelo de t>Student. )a distribucin de A2 se usa principalmente para analizar dispersiones. Se compara la dispersin muestral

e$presada a trav.s de sus cuadrados medios contra la dispersin poblacional cuantificada a trav.s de la varianza (J2). '$isten otros criterios, como el de K<onLs, que usa un error relativo admisible m,$imo, y se calcula como un cuarto del ran#o de los valores normales de referencia, dividido por el valor medio de dic<o intervalo (referido a la ma#nitud cl@nica en cuestin y e$presado en porcentaEes). Kambi.n se emplea a este modelo para realizar la llamada prueba de c<i>cuadrado en las comparaciones de frecuencias observadas contra las frecuencias esperadas, con datos de recuento. I,s adelante se desarrolla meEor este tema, lo mismo que su so para testear la independencia de dos o m,s factores en una Kabla de ontin#encia. 'n la industria farmac.utica se la usa para analizar la dispersin de los componentes de los productos terminados. Kodo remedio fabricado debe cumplir estrictas normas de calidad, #eneralmente referidas al contenido en peso de sus principales componentes. Se usan dos l@mitesB el superior e inferior, dentro de los cuales se los debe mantener controlados. 'ste ran#o de valores define la dispersin m,$ima admisible y lo ideal es que la dispersin de los productos terminados sea bastante inferior a dic<o ran#o. 'se control de la dispersin es muy similar al e$plicado m,s arriba, para los bioqu@micos. Ejemplo. Mn bioqu@mico sospec<a que su micro>centr@fu#a no mantiene constante su velocidad mientras trabaEa, lo cual le da una variabilidad indeseada en sus determinaciones. &ara controlarla, consi#ue un tacmetro re#ulado y mide cada minuto la velocidad durante 10 minutos. )os resultados fueronB una velocidad promedio en las 10 mediciones de 9085 rpm con una desviacin de 100,6 rpm. Kestear para un error relativo m,$imo del 2N o menos, si la centr@fu#a es estable.

)a desviacin est,ndar es ma$*2N;9085*22 rpm, lue#o, !0B ma$O22 rpm !1B ma$P22 rpm

2 =

(n 1)s 2 (10 1) ; 100.6 2 = = 29.2 2 22 2

Qe la Kabla de valores cr@ticos sur#eB A20,88R8*21,222 y A20,881R8*2:,5::. &or lo tanto, el bioqu@mico <a encontrado una muy fuerte evidencia que la velocidad del equipo oscila en forma indeseada, tal como sospec<aba. S deber, aEustarlo si desea disminuir la variabilidad de sus mediciones. )os resultados fueron muy si#nificativos A2 * 29,2 Ejemplo. Mn farmac.utico Tefe del Qpto. ontrol de alidad en una industria alimenticia, descubre que en su proceso de produccin el contenido de ciclamato en su l@nea de mermeladas diet.ticas var@a en forma indeseada. Sospec<ando que se trata de una falla en el dosificador, decide tomar 10 muestras se#uidas del mismo. 'ncuentra un promedio de 20 #ramos con una desviacin de 5 #ramos. Si en su protocolo de fabricacin la variacin m,$ima permitida es del 9N, determinar si el dosificador debe ser corre#ido. 'l desviacin est,ndar aceptable esB m,$ * 9N de 20 # * 2 #. )ue#oB !0Bm,$ OU2 #.B el dosificador funciona correctamente !1Bm,$ ( 2 #.B el dosificador debe ser cambiado
2 = ( n 1)s 2 (10 1) ; 5 2 = = 12 2 22

Qe la Kabla de valores cr@ticos sur#eB 20,8VR8*12,8. &or lo tanto, el farmac.utico no <a encontrado evidencia que respalde sus sospec<as. Sin embar#o, el valor <allado es muy cercano al cr@tico, por lo que le convendr@a <acer m,s pruebas. 'n estad@stica, la distribucin <i>cuadrado, tambi.n denominada <i>cuadrado de &earson, es una distribucin de probabilidad continua con un par,metro L que representa los #rados de libertad de la variable aleatoriaB 2 2 X = /1 + /2 2 + + /L donde /i son variables de distribucin normal, 1(0,1) o de media cero y varianza uno. Se suele usar la denominada prueba <i>cuadrado como test de independencia y como test de bondad de aEuste. )a funcin de densidad <i>cuadrado es
f L ($) = (1 % 2) L % 2 L % 21 $ % 2 $ e (L % 2) $ 0

W es la funcin #amma. )a funcin de distribucin es

XL ( $ ) =

(L % 2, $ % 2) (L % 2)

donde Y(L,z) es la funcin #amma incompleta. 'l valor esperado y la varianza de una variable aleatoria X con distribucin cuadrada son 'ZX[ * L +ZX[ * 2L <i>

)a distribucin <i>cuadrado tiene muc<as aplicaciones en inferencia estad@stica, por eEemplo en el test <i>cuadrado y en la estimacin de varianzas. Kambi.n est, involucrada en el problema de estimar la media de una poblacin normalmente distribuida y en el problema de estimar la pendiente de una recta de re#resin lineal, a trav.s de su papel en la distribucin t>Student, y participa en todos los problemas de an,lisis de varianza, por su papel en la distribucin X>Snedecor, que es la distribucin del cociente de dos variables aleatorias de distribucin <i>cuadrado e independientes. Rela #$" o" o%ra& '#&%r#() #o"e&. )a <i cuadrado es una distribucin binomial inversa cuyo coeficiente de variabilidad es 10.1, esta tiene un intervalo de confianza de 2.9 #rados en la escala de desviaciones est,ndar. &osee una distribucin de &oisson elevada la cual asciende a V2.V m 'q en los tres primeros cuartiles de la recta. &ara *+2 la distribucin es una distribucin e$ponencial. )a prueba de <i>cuadrado es una prueba no param.trica que mide la discrepancia entre una distribucin observada y otra terica (bondad de aEuste), indicando en qu. medida las diferencias e$istentes entre ambas, de <aberlas, se deben al azar. Kambi.n se utiliza para probar la independencia de dos muestras entre s@, mediante la presentacin de los datos en tablas de contin#encia. )a frmula que da el estad@stico es la si#uienteB

=
2

( +alor Hbservado +alor Ke\rico)

+alor Kerico

)os #rados de libertad nos vienen dados porB #l* (r>1)(L>1). Qonde r es el n-mero de filas y L el de columnas.

riterio de decisinB Se acepta !0 cuando < ,n 1 . 'n caso contrario se rec<aza. Qonde representa el valor proporcionado por las tablas, se#-n el nivel de si#nificacin ele#ido. uanto m,s se apro$ima a cero el valor de <i>cuadrado, m,s aEustadas est,n ambas distribuciones.
2 2

CORRECCIN DE YATES )a correccin de Sates se aplica a la prueba <i>cuadrado cuando la frecuencia de las observaciones en al#una de las celdas es menor de 10. )a <i>cuadrado corre#idaB

=
2

( +alor Hbservado +alor Ke\rico 0.V)

+alor Kerico

'n #eneral, se aplica la correccin de Sates o tambi.n correccin por continuidad cuando apro$imamos una variable discreta a una distribucin continua. )a correccin consiste en a3adir y substraer 0,V a la variable en cuestin. &or eEemplo, obtener 9 caras al lanzar una moneda es una medida discreta (nominal) que se aEusta a la distribucin binomial. Iientras que si la apro$im,ramos a la distribucin normal, su valor oscilar, entre 2,V y 9,V. DISTRIBUCIN F SNEDECOR O F,FISHER Si M y + son dos variables aleatorias independientes que tienen distribucin <i uadrada con n1 y n2 #rados de libertad, respectivamente, entonces, la variable aleatoria M n1 X= tiene funcin de distribucin X>Snedecor + n2

< (f ) =

( (n 1 + n 2 ) % 2)( n 1 % n 2 ) ( n 1 % 2) ( n 2 % 2 )

n1 % 2

(1 + n 1f % n 2 ) ( n + n ) % 2
1 2

f ( n1 2 ) % 2

4ue es la llamada funcin de distribucin X>Snedecor o X>Xis<er con n1 y n2 #rados de libertad

Ejemplo, Mn valor de f con 2 y 10 #rados de libertad para un ,rea de 0.8V a la derec<a es, f0.8V,2,10*1%(f0.0V,10,2)*1%6.02*0.262 Si de dos poblaciones normales, o apro$imadamente normales, se e$traen dos muestras aleatorias e independientes, y a cada una se le calcula su respectiva 2 2 s 2 (con X(1, esto es, siempre se varianza, el cociente de ambos valores X = s1 coloca el m,s #rande como numerador) tendr, una distribucin de Xis<er, cuyos valores cr@ticos fueron obtenidos por ]. Snedecor en una tabla que se caracteriza por tener dos #rados de libertadB el correspondiente al numerador C1*n1>1 y el del denominador C2*n2>1. &ro#ramas de computacin permiten calcular los valores cr@ticos respectivos

'n las Kablas se presenta una <oEa para cada nivel de confianza, se eli#en los m,s apropiados comoB 8VN R 8:,VN R 88N R 88,VN y 88,8N. omo siempre, el ,rea total baEo la curva es la unidad y se e$tiende desde 0 a F G. )a forma es muy parecida a la <i>cuadrado. se muestran tres casos, con diferentes #rados de libertad, y se marca el valor de X*2,V con una ,l@nea punteada vertical. 'l principal uso de esta funcin es el Dn,lisis de +arianza, que se ver, m,s adelante, y es para cuando se necesita comparar m,s de dos medias mu.strales a la vez. 'n estos casos la idea es detectar si el efecto de uno o m,s tratamientos afecta a las muestras testeadas. 'n cambio, cuando se tiene el caso de dos muestras, la idea es testear si <ay <omocedasticidad en las dos poblaciones en estudio. Mna vez verificado este supuesto, se puede avanzar m,s verificando si <ay diferencia entre las medias mu.strales, y as@ verificar si ambas muestras tienen i#ual media y varianza, porque eso si#nifica que en realidad provienen de la misma poblacin normal. 'so probar@a que no <ay efecto de un tratamiento si se lo compara con un placebo, o que dos t.cnicas de laboratorio son equivalentes.

Si el e$perimento no verifica esto, entonces se deber, ele#ir el caso que presente menor varianza, para tener menor variabilidad en las mediciones. 'n ?en.tica se puede verificar si una #eneracin de cr@as es m,s variable en un car,cter que la de sus padres. 'n Sistem,tica se puede testear si dos poblaciones locales tienen la misma variabilidad. 'n ^ioqu@mica y Xarmacia el uso m,s frecuente es comparar el error casual de mediciones de laboratorio, al introducir al#-n efecto o cambiar el m.todo de medicin. 'n el caso de testear si dos t.cnicas de laboratorio tienen i#ual dispersin, o bien, para ele#ir aquella con mayor precisin, conviene pensar el problema como la incidencia de un factor en estudio en lu#ar de dos t.cnicas totalmente diferentes entre s@. &or eEemplo, se trata de una misma pr,ctica, pero se usan dos espectrofotmetros diferentes, y se trata de determinar si la modificacin de la varianza se debe al uso de un aparato diferente. 'l factor ac, ser@aB tipo de espectros. Kambi.n se puede estudiar la incidencia del factor <umano, realizando las mismas mediciones a dos personas diferentes. Qe esa forma se puede ima#inar que las dos muestras provienen de diferentes poblaciones, o que el efecto del factor analizado no es despreciable cuando se rec<aza la <iptesis nula. 'n la fi#ura se muestra el caso de dos poblaciones. 'n el caso (a) ambas poblaciones tienen la misma media, pero por efecto del error casual sus varianzas son diferentes. Si esta diferencia es si#nificativa, resulta evidenciada por el Iodelo de Xis<er que permite la comparacin de ambas.

'n el caso (b) <ay un error sistem,tico que desplaza la media, pero sus varianzas permanecen i#uales. 's lo mismo que sumar una constante a todos los valoresR ocurre un desplazamiento <acia la derec<a. t>Student se usa para detectar esto cuando se <ace el test de comparacin de dos medias independientes. omo se ver, m,s adelante, se puede construir todo un ba#aEe de m.todos para efectuar un ontrol de alidad interno en un laboratorio de medicin cl@nica. &or a<ora, basta decir que se puede controlar la e$actitud con los modelos de t>Student y la precisin con los de <i>cuadrado y Xis<er. on esto se pueden comenzar a controlar y calibrar los sistemas de medicin. )as limitaciones de todo esto son dosB la primera es que se puede estudiar el efecto del factor analizado en solo dos muestras y no en m,s de dos. )a se#unda es que si la
8

calidad se entiende como e$actitud y precisin, solo se pueden emplear estos modelos para ma#nitudes de tipo cuantitativas como las de la 4u@mica l@nica, pero no en ma#nitudes cualitativas como las usuales en Iicrobiolo#@a, ^acteriolo#@a, Iicolo#@a, etc. 'n ma#nitudes cuantitativas, por calidad se entiende precisin y e$actitud, en lu#ar de la capacidad de una prueba cl@nica para dia#nosticar. Sin embar#o, a pesar de estas limitaciones si#ue siendo una <erramienta sencilla y poderosa de control. &ara poder aplicar este modelo se deben tener en cuenta los requisitos si#uientesB > )as muestras fueron e$tra@das de una poblacin normal o apro$imadamente normal. > )a seleccin de las muestras se <izo en forma aleatoria. > )as muestras son independientes entre s@. Ejemplo, 'l Eefe de un laboratorio se encuentra con una t.cnica de medicin fuera del control estad@stico. &ara investi#ar las causas decide investi#ar si el factor <umano tiene incidencia, y toma una muestra de suero cualquiera la divide en 20 al@cuotas. )ue#o eli#e 10 de ellas al azar y se las entre#a al laboratorista 1 para que <a#a las determinacionesR las restantes las encomienda al laboratorista 2 para que las mida. )os resultados obtenidos sonB s12*2,6 es la varianza obtenida por el laborista, 1 y s22*0,5 para el otro. Qecidir si <ay diferencia en dispersin entre ambos.

2 = 2 !0B 1 2 2 2 !1B 1 2 'l estad@#rafo es 2 1 2.6 X= 2 = = 9.0 2 0.5

omo se trata de un ensayo de dos colas, para un nivel del 8VN de confianza, se busca en las tablas paraB C1*C2*n1>1*8 #rados de libertad, mientras que _ * 0,02V para el l@mite inferior y _ * 0,8:V para el superior. 'stos valores son X0,8:VR(8,8) * 6,09. )ue#o, para calcular el valor no tabulado _ * 0,02V se aprovec<a una propiedad que tiene la funcin X usando la inversaB X0,02VR(8,8) *1%X0,8:VR (8,8) *1%6,09 * 0,265 omo el valor <allado X*9 cae dentro de la zona de aceptacin, no <ay evidencia si#nificativa
10

como para decir que el factor <umano tiene incidencia en la dispersin de las mediciones. )a distribucin X de Snedecor aparece en los contrastes asociados a comparaciones entre las varianzas de dos poblaciones normales. Si (X1,X2,...,Xm) y (/1,/2,...,/n) son mFn variables aleatorias normales independientes de media *0 y varianza 2, la variable 1 n 2 i=1 X i m Yn = 1 n 2 Zi n i=1 tiene una distribucin Xm,n>Snedecor de m y n #rados de libertad. Su funcin de densidad es

+ nm m (m+ 2)% 2 n ( m 2 ) % m $ f ( $) = $ 1 + m n n 2 2
1 ( & ) = X & e $ d$ la funcin #amma de 'uler con &(0. con $ ( 0, siendo 0 Xinalmente, la funcin de distribucin viene dada por

m%2

X( $ ) = & ( X $ ) = f ( t )dt
0

y sus momentos por la media y la varianza son

' (X) = n n 2 y +(X ) = 2 n 2 ( m + n 2) m ( n 2) 2 ( n 6)
11

Qefini.ndole de otra manera, sean independientes, entonces,

X= mX Xn ,m n S

X 2 n

y S 2 aleatorias m variables

si#ue una distribucin de probabilidad X>Snedecor, con (n,m) #rados de libertad. Hbs.rvese que Xn,m`Xm,n

's claro que la distribucin X>Snedecor no es sim.trica, pues slo tienen densidad de probabilidad distinta de cero, y adem,s DISTRIBUCIN %,STUDENT Si (X,X1,X2,...,Xn) son nF1 variables aleatorias normales independientes de media 0 y varianza 2, la variable X Sn = 1 n 2 Xi n i =1 tiene una distribucin t>Student con n #rados de libertad. Su funcin de densidad es
n +1 n +1 1 $2 2 2 1 + f ($) = n n n 2 $>0

X Xn,m entonces X 1 Xm,n

12

1 ( & ) = X & e $ d$ la funcin #amma de 'uler con &(0. )a media de la siendo 0 distribucin t>Student es '(X)*0 y su varianza +(X)*n%(n>2), la cual no e$iste para #rados de libertad menores que 2.

'sta distribucin aparece en al#unos contrastes del an,lisis normal. )a distribucin t>Student se construye como un cociente entre una normal /01(0,1) y la ra@z de una <i 2 n independientes. Qe modo preciso, llamamos distribucin t> Student con n #rados de libertad, tn a la de una variable aleatoria K, X / K= tn K= tn 2 1 2 y adem,s, n 1 n Xi i n n i =1 i

&ara calcular
n +1 $2 2 &(K t ) = f ( t )dt = 1 + n n n 2
t t

( n +1) % 2

d$

Sea un estad@#rafo t calculado para la media con la relacin

t=

( $ )
n

19

0,375

n=120 n=2 n=11

0,125

-3,50

+3,50

Ejemplo, 'n 12 recorridos de prueba de una <ora cada uno, el consumo de #asolina de un motor es de 12.6 #al, con una desviacin est,ndar de 2.1 #al. Qemuestre que la afirmacin que el consumo promedio de #asolina de este motor es 12.0 #al%<ora Solucin, Sustituyendo n*12, *12.0, $ *12.6 y s*2.1 en la formula de t>Student, se tiene
t= $ n s = 12.6 12.0 2.1 12 = 5.95

&ara el cual en las tablas, para *VN y 1V #l es insi#nificante, y por tanto se puede concluir que el consumo de 12 #al%< es real Ejemplo, 'ncuentre los valores de la funcin paraB a. 16 #l, *8:.VNat0.8:V*>t2.VN*>2.16V b. &(>t0.02VbKbt0.0V)*0.82V Si de una poblacin normal, o apro$imadamente normal, se e$traen muestras aleatorias e independientes y a cada una se le calcula dic<o estad@#rafo usando los valores mu.strales de la media y el desviacin est,ndar, entonces se obtiene una distribucin muestral t. 'sta funcin matem,tica tiene un par,metro que la define en forma un@vocaB el n-mero de #rados de libertad C*n>1 (donde n es el tama3o muestral). 'l concepto matem,tico de C est, relacionado con la cantidad de observaciones independientes que se <a#an y se calcula con el tama3o muestral n, menos la cantidad L de par,metros poblacionales que deban ser estimados a trav.s de ellas. H seaB C*n.L. Si se observa la ecuacin superior, se ve que el -nico par,metro poblacional que fi#ura es c, por lo tanto L*1 y as@ resulta C*n.1. uando el tama3o muestral es mayor que 90 la distribucin de t>Student se apro$ima muc<o a la de ?auss, en el l@mite ambas son i#uales. 's decir que la funcin t>Student tiende asintticamente a la funcin de ?auss. &ara cada #rado de libertad <ay una tabla de valores que pueden obtenerse variando el
16

nivel de si#nificacin, parecida a la de ?auss. )a distribucin de t>Student, al i#ual que la de ?auss, es sim.trica respecto al ori#en de coordenadas y se e$tiende desde d G <asta F G. &ero a diferencia de la normal, puede adoptar diferentes formas dependiendo del n-mero de #rados de libertad. &or eEemplo, la que tiene un solo #rado de libertad (n*2 y C*1), se desv@a marcadamente de la normal, como se puede ver en la fi#ura anterior. )ue#o, a medida que los #rados van aumentando, se acerca cada vez m,s, <asta i#ualarla en el infinito. )os intervalos de confianza para esta distribucin se arman en forma an,lo#a a la vista para el caso de ?auss. on la -nica diferencia en cmo se calcula el valor cr@tico t_RC en lu#ar de z_.
(e t , ; e )

)a teor@a de decisiones se usa en forma an,lo#a, empleando los intervalos de confianza visto m,s arriba. &ero para poder aplicar este modelo se deben tener en cuenta los requisitos si#uientesB > )as muestras fueron e$tra@das de una poblacin normal o apro$imadamente normal. > )a seleccin de las muestras se <izo en forma aleatoria. > )as muestras son independientes entre s@. Si al#uno de ellos no se cumple, las conclusiones que se obten#an no son v,lidas. )os supuestos se pueden resumir as@B para poder usar t>Student, se deben tener muestras normales, aleatorias e independientes. 1otar que el error est,ndar de estimacin es Je. > %,S%)'e"% para me'#a& m)e&%rale&. 'n este caso e *.$ lue#oB ce*c y Je2*s2%n . &or lo tanto el valor de comparacin se calcula,
t=

( $ )
s n

Ejemplo. Se desea saber si un instrumento de medicin cualquiera est, calibrado, desde el punto de vista de la e$actitud. &ara ello se consi#ue un valor patrn y se lo mide 10 veces (por eEemploB una pesa patrn para una balanza, un suero control para un m.todo cl@nico, etc.). Suponiendo que el resultado de estas mediciones arroEa una media de V2,8 y una desviacin de 9, usando un patrn de valor V0, se debe determinar si el instrumento est, calibrado y la estimacin de su error sistem,tico, si es que se prueba su e$istencia (no se usan unidades para #eneralizar este eEemplo). !o B U* V0 el instrumento est, calibrado en e$actitud !1 B U`UV0 no est, calibrado. !ay un error sistem,tico

1V

Se trata de un ensayo de dos colas donde <ay * U 10d1*8 #rados de libertad. Qe la Kabla t>Student se obtienen los valores cr@ticos para el 8VN de t 0,0V;U8=U2,222, para el 88N de t 0,01;U8 =U9,2V y para un nivel del 88,8N es t0,001;U8 =U6,:51. )o que permite establecer las zonas de aceptacin y rec<azoB
t=

( V2.8 V0.0 )
9 10

=9

QibuEando las zonas con los valores cr@ticos, el valor de t cae en la de rec<azo para el 8VN y no alcanza para las otras. )a conclusin es que se <a probado la e$istencia de un error sistem,tico con una confianza del 8VN. Ejemplo. Se midi colesterol total a 11 pacientes varones adultos esco#idos al azar los resultados obtenidos arroEan una media de 29V m#%dl y un desviacin est,ndar de 9V m#%dl. 'nsayar la <iptesis de que se mantienen por debaEo del valor l@mite de referencia de 220 m#%dl

. !oB O220 m#%dl !1B P220 ,#%dl 'l valor t>Student para una sola cola es,

12

t=

( 29V 220)
9V 11

= 1.62

+alor no si#nificativo pues t0.0V,10*1.51, entonces cae dentro del intervalo del 8VN &ara el caso de una cola, el valor de tablas para el 8VN debe ser el que est, en la Kabla t>Student para el 80N en dos colas. )a idea es que el 10N en dos colas si#nifica el VN en cada una, por la simetr@a de la curva de t>Student. )ue#o, para * U 10, el l@mite para el 8VN ser, t * 1,512 en una cola y t * 2,225 para dos colas. )a conclusin es que no puede rec<azar la <iptesis nula, por lo que debe considerarse un colesterol total admisible desde el punto de vista cl@nico, por estar por debaEo del l@mite de referencia. , %,S%)'e"% para propor #o"e&. 'n este caso e*& y cp*c*e lue#o con se puede obtener el valor del estad@#rafo de comparacin con la relacin,
t=

( & ) (1 )

Ejemplo. Mn anal#.sico de plaza, afirma en su propa#anda que alivia el dolor en el 80N de los casos antes de la primera <ora lue#o de su in#esta. &ara validar esa informacin, se <ace un e$perimento en 20 individuos con cefalea. Se observa que fue efectivo en 1V de ellos.

!oB P0.8 !1B O0.8 'l valor t>Student para una sola cola es, siendo & el porcentaEe de .$itos &*1V%20*0.:V y la media de *0.80 con desviacin = 0.8 ; 0.1 % 20 = 0.02: ( 0.:V 0.80) = 2.26 t= 0.02:

1:

+alor es si#nificativo pues t0.888,18*>9.V:8 o t0.88,18*>2.V98 o t0.8V,18*>1.:28, entonces cae fuera del intervalo del 8VN. Qe todas formas la evidencia no alcanza para rec<azar la <iptesis a los niveles del 88N y 88,8N. Se la rec<aza al nivel de 8VN -nicamente. Si bien no es tan terminante, se puede afirmar que la aseveracin es falsa con un 8VN de confianza. , %,S%)'e"% para 'o& m)e&%ra& #"'epe"'#e"%e&. 'l modelo de t>Student tambi.n se puede usar cuando se desean comparar dos muestras entre s@, para detectar si <ay diferencia si#nificativa entre ellas, debido a al#-n factor analizado. 'n primer lu#ar se analizar, el caso de dos muestras independientes comoB aplicar dos tipos de remedios a dos #rupos de pacientes esco#idos al azar, o las mediciones repetidas de una misma ma#nitud, etc. 'l otro caso, cuando las muestras no son independientes sino apareadas, se ver, en el pr$imo tema. Mna vez m,s, los supuestos para poder aplicar este modelo se resumen enB para poder comparar con t>Student, las dos muestras deben ser normales, aleatorias e independientes.

Se sacan muestras aleatorias e independientes, de dos poblaciones normales. )a idea es averi#uar si ambas muestras provienen de la misma poblacin o de poblaciones diferentes. on eso se puede ver si el efecto de los ftratamientosg aplicados a las muestras es apreciable, en cuyo caso las muestras parecer,n provenir de diferentes poblaciones. Se usa en los casos donde se compara el efecto de una dro#a aplicada a un #rupo de pacientes, contra otro #rupo al cual se le suministra un placebo. Kambi.n para comparar dos t.cnicas cl@nicas y detectar si <ay diferencias, por eEemploB dos marcas comerciales de plaza, dos instrumentos de medicin, dos individuos, dos t.cnicas diferentes (la nueva contra la vieEa), dos protocolos, etc. on estas comparaciones se pueden realizar muc<os controles internos en el laboratorio para <acer calibraciones, medir eficacia, etc. !ay una limitacinB solo se pueden comparar dos muestras entre s@ a la vez y nada m,s. &ara el caso de tener m,s de dos muestras, se recurre a los modelos de Dnova. , Compara #$" 'e me'#a&. &ara estos casos, el valor de t>Student para validaciones de medias se calcula conB ( $ $ 2 ) ( 1 2 ) t= 1 2 s1 s2 + 2 n1 n 2 'l cual se contrasta con t_RC donde C*n1Fn2>2 #rados de libertad. !ay casos particulares cuandoB las muestras son de i#ual tama3o y%o las muestras son <omoced,sticas (tienen i#ual varianza). 'n ambos casos se simplifican las frmulas de c,lculo.

15

Ejemplo. Se aplica un medicamento a 1V pacientes que padecen cierta enfermedad, esco#idos al azar, y un placebo a 20 pacientes. 'n el primer #rupo, la desaparicin del estado febril se observa a las 18 <oras de tratamiento en promedio (con una desviacin de 2 <.). 'n el #rupo control, la meEor@a se observa en promedio las 2V <oras con un desviacin de 9 <oras. Qecidir si el medicamento modifica el tiempo de curacin.

!oB 1*2 !1B 1`2 'l valor t>Student para dos colas para 99 #l, siendo
t=

( 2V 18) 0 = :.02
8 6 + 20 1V

+alor cae fuera del intervalo, como el valor <allado de t es muc<o m,s #rande que el valor cr@tico de tablas para 99 #rados de libertadB t _RC*t0,888R99*9,66 (ensayo de dos colas y un 88,8N de confianza), por tanto se obtuvieron resultados altamente si#nificativos como para rec<azar la <iptesis nula. Se tiene una prueba cient@fica del efecto del medicamento. Ejemplo. Se desea verificar si <ay diferencia en las mediciones a trav.s de dos m.todos cl@nicos diferentes. Se toma una muestra de suero lo suficientemente #rande como para obtener 10 al@cuotas. Se distribuyen al azar V al@cuotas para cada m.todo. 'fectuadas las mediciones, con el primero se tuvo una media de 5V m#%dl con un desviacin de 5 m#%dl. Iientras que con el se#undo se tuvo una media de 59 m#%dl con un desviacin de 2 m#%dl.

18

!oB 1*2 !1B 1`2 'l valor t>Student para dos colas para 99 #l, siendo ( 5V 59) 0 = 0.66 t= 26 92 + V V &or tanto, no se puede rec<azar !0, pues <ay diferencia entre ambos m.todos > Compara #$" 'e propor #o"e&. &ara estos casos, el valor de t>Student para validaciones de proporciones se calcula la misma frmula, pero reemplazando los valores esperados con 1 (1 1 ) 2 (1 2 ) 2 1 2 = (1 2 ) 1 + 2 = n1 n2 'ntonces, el valor de comparacin del modelo t>Student para este caso es, (p1 p 2 ) (1 2 ) t= 1 (1 1 ) 2 (1 2 ) + n1 n2 ontrastando con el valor de tablas dado por t_RCR con C* n1Fn2>2 #rados de libertad. Ejemplo. Se esco#en al azar dos #rupos formados por 20 individuos cada uno, entre los que padecen cierta aler#ia. Se administra una dro#a curativa al primer #rupo y se observa una meEor@a en 1V de los casos. Dl se#undo #rupo se le administra un placebo y meEoran 19 de ellos. 'nsayar la <iptesis que la dro#a sirve para curar ese tipo de aler#ia. Se emplean las <iptesis si#uientesB !0 B c1>2 * 0 las diferencias observadas se deben al azar !1B c1>2 ` 0 la dro#a produce efecto.

20

Si se supone que ambas muestras fueron e$tra@das de la misma poblacin, y por lo tanto no <ay diferencias entre las muestras observadas (! 0) c1>2 * 0, eso si#nifica que el porcentaEe de curados en dic<a poblacin ser, e*e 1*e2 y <abr, que estimarlo con los datos mu.strales, calculando la proporcin ponderada conB p*( total de curados en las muestras % total muestral ) * (1VF19) % 60 * 0,: 'ntonces, sacando factor com-n en la frmula de la varianza, esta resultaB 2(e) * e (1.e) Z2 / n[ *(0,: . 0,9) (2%20) * 0,021 S es (e) * 0,16VR de los datos del problema sur#en &1 *1V%20 * 0,:V y &2 * 19%20 * 0, 2V t * ( 0,:V d 0,2V ) % (0,021)1%2* 0,28 b t0,8V R 95*2,02. c1>2 * 0 cae dentro de 8VN. Mn resultado no si#nificativo. )as diferencias observadas no se deben a la dro#a sino al azar. , Te&% 'e e-)#.ale" #a (#ol$/# a. !ay ocasiones donde la !o no busca establecer si <ay o no diferencia entre dos muestras, como las del eEemplo anterior, sino que se trata de establecer si un m.todo cl@nico o tratamiento nuevo es lo suficientemente bueno como para reemplaza al que se ven@a usando <asta entonces, el m.todo vieEo. )as ventaEas de este nuevo m.todo pueden serB un costo menor, m,s r,pido, menos da3ino o peli#roso para el paciente, etc. )a cuestin b,sica aqu@ es ver si, en promedio, la diferencia entre ambos es menor que un cierto valor l@mite para la ma#nitud estudiada. 's decir que tal diferencia no implique una inferioridad del nuevo m.todo, desde un punto de vista cl@nico. &ara estos casos la !oB )a diferencia entre ambos promedios es mayor o i#ual al valor aceptable y la alternativa es !1 B 'sta diferencia de medias es menor al valor cr@ticoR en cuyo caso ambos m.todos pueden ser considerados cl@nicamente equivalentes. )a idea es que, si se rec<aza la ! o se puede usar el m.todo nuevo en lu#ar del vieEo y aprovec<ar las ventaEas que este posee. &ero la decisin se basa m,s en consideraciones m.dicas que estad@sticas. 'ntonces, si se trata de ma#nitudes continuas, se puede usar el test de t>Student para comparar la diferencia de las dos medias contra el valor cr@tico h o m,$imo aceptable desde el punto de vista cl@nico. 'l planteo se <ace as@B !o B c+ d c1 * . ( h. Qonde c+ es el valor poblacional que se obtiene con el m.todo vieEo y c1 con el m.todo nuevo, . es la diferencia real entre ambos m.todos y h es la diferencia m,$ima admisible entre ambos m.todos. Qe esta manera, cuando !o pueda rec<azarse se tendr, evidencia suficiente como para efectuar el reemplazo, esto es cuando !1 B c+ d c1 * . b h.

21

Se trata de un ensayo de una sola cola. &ero cuando se trate de ver si en valor absoluto la diferencia entre ambos m.todos no supere a un cierto valor h, porque aqu@ no interesa tanto que sea menor, sino que tambi.n interesa que no sea mayor (dependiendo de la ma#nitud cl@nica analizada)R entonces la !o ser, B c +dc1*h y el ensayo ser, de dos colas. Dn,lo#o al visto en el punto anterior. &ara ilustrar este procedimiento se usar, un eEemplo tomado de la obra de Drmita#e Ejemplo. Sea el @ndice card@aco " (respuesta cardiaca normalizada para la superficie del cuerpo) el cual se mide con un procedimiento invasivo como es el colocar un cat.ter en el corazn del paciente llamado Kermo>dilucin (el m.todo vieEo) y la unidad de medicin son litros por minuto tomado por m2 de superficie del cuerpo <umano. Se <a propuesto una nueva manera de medir esa ma#nitud con una t.cnica no invasiva, llamada el m.todo de la ^ioimpedancia, en la cual se le adosa un instrumento al cuerpo de paciente en forma e$terna, y mide en forma el.ctrica el valor del " usando una escala adecuada (el m.todo nuevo). 'l criterio cl@nico de aceptacin esB el nuevo m.todo se considerar, equivalente al vieEo cuando, en promedio, el valor obtenido difiera en un 20N respecto al promedio aceptado de 2,:V l % min. % m2 para el m.todo del cat.ter. 'sto si#nifica que el 20N de tal valor es h * 0,VV. )ue#o el planteo se <ace as@B !o B .c+ d c1 . * ... ( h * 0,VV o lo que es lo mismo (c+ d c1 ) * h * 0,VV !1 B .c+ d c1 . * ... b h * 0,VV cuyo equivalente es (c+ d c1 ) * h ` 0,VV

Se toma una muestra de 1*82 individuos a los cuales se le aplica el m.todo nuevo, los valores encontrados fueron un promedio de 2,25 l % min. % m2, y un desviacin est,ndar de 0,22 l % min. % m2 lue#o ser,,

t=

( $ ) = 2.25 2.:V = 2.262

n 0.22 82

22

omo se observa t*>2.262 es mayor que t0.88,8V*>2.22, lo que indica que <ay evidencia si#nificativa como para rec<azar a !0 )a conclusin final es que se puede usar el m.todo nuevo en lu#ar del vieEo, con una #ran ventaEa para el paciente, pues a<ora ya no tendr, que ser cateterizado para efectuarle su medicin del @ndice card@aco. D este procedimiento estad@stico aparecido en los -ltimos a3os en Iedicina se lo conoce tambi.n con el nombre de test de equivalencias m.dicas o biol#icas. > %,S%)'e"% para 'o& m)e&%ra& aparea'a&. 'l modelo de t>Student se puede usar para el caso especial de muestras apareadas, esto es, cuando se le efect-an dos tratamientos a la misma muestraR por eEemplo, del tipo antes d despu.s donde al mismo individuo se lo mide dos veces para ver el efecto del tratamiento realizado, o el caso de m.todo nuevo contra el m.todo vieEo, donde al mismo #rupo de pacientes se le <acen dos mediciones a cada uno, la del m.todo de rutina <abitual y una e$tra con el nuevo m.todo a probar para decidirse entre ambos. )a idea b,sica es como si#ueB se sacan n muestras aleatorias e independientes de una poblacin normal. D cada muestra se le aplican dos tratamientos D y ^ diferentes y lo que interesa detectar es si producen al#-n efecto apreciable. 'ste caso es muy diferente al anterior si bien las muestras son independientes entre s@, los tratamientos no lo son, porque a un mismo individuo se le aplican ambos tratamientos. 'ntonces, la misma persona aparecer, dos veces en los resultadosB uno en el #rupo D y el otro en el #rupo ^. 'l truco para resolver este problema de la independencia es trabaEar con la diferencia de los resultados de cada par de mediciones efectuadasB d*$D>$^. )ue#o se tendr,n n diferencias d1Rd2Rd9...dn, que son independientes entre s@, puesto que cada valor di corresponde a un solo individuo. )ue#o, se le aplica el modelo t>Student para una sola muestra, ensayando la <iptesis de que no <ay diferencias entre ambos #rupos. H sea, efectuando
t= d H n

)as <iptesis "nicial y alterna implica un efecto diferente para cada #rupo, ! 0Bcd*0 !1Bcd`0. Si se prueba que el valor esperado del promedio de las diferencias es diferente de cero, entonces el tratamiento aplicado produce un efecto demostrable. &ara aclarar estas ideas se presenta el si#uiente casoB Ejemplo. Se esco#en V pacientes al azar, del #rupo que concurre diariamente al )aboratorio de Dn,lisis l@nicos a efectuarse una determinacin de Mremia. )as muestras e$tra@das se miden con el procedimiento <abitual y adem,s con una nueva

29

t.cnica cl@nica que se desea probar. +er si <ay diferencia entre ambas t.cnicas. )os resultados e$presados en #%l fueronB &aciente +ieEa 1ueva Qiferencia 1 0.95 0.99 0.0V 2 0.V6 0.6V 0.08 9 0.22 0.1V 0.0: 6 0.11 0.08 0.02 V 0.29 0.22 0.01

&romedio y desviacin est,ndar, respectivamenteB 0.065 y 0.099 on los valores de las diferencias se calculan
t= 0.065 0.099 V = 9.2V
d = 0.065 y = 0.099 ,

lue#o

4ue obviamente es mayor que t0.8V,6*2.::2, entonces H cae por fuera del intervalo, y entonces se tienen evidencia si#nificativa de que <ay diferencia entre ambas t.cnicas TABLAS 'n el Dne$o de incluyen las tablas de las funciones 1ormal, <i uadrado, t>Student y X>Snedecor

26