ESCUELA SUPERIOR POLITECNICA DE

CHIMBORAZO
FACULTAD DE CIENCIAS PECUARIAS
AGROINDUSTRIAS

NOMBRE: Jannis Coralia Garzón P.

CURSO: Cuarto “A”
MATERIA: Estadística
ING: Manuel Almeida
PRUEBA T´STUDENT

En estadística, una prueba t de Student, prueba t de estudiante, o Test-T es cualquier prueba

en la que el estadístico utilizado tiene una distribución t de Student si la hipótesis 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 está basada
la inferencia esté normalmente distribuido, utilizándose una estimación de la desviación
típica en lugar del valor real. Es utilizado en análisis discriminante. [ CITATION IBM16 \l
12298 ]

El procedimiento Prueba T para muestras independientes compara las medias de dos grupos
de casos. Lo ideal es que para esta prueba los sujetos se asignen aleatoriamente a dos
grupos, de forma que cualquier diferencia en la respuesta sea debida al tratamiento (o falta
de tratamiento) y no a otros factores. Este caso no ocurre si se comparan los ingresos
medios para hombres y mujeres. El sexo de una persona no se asigna aleatoriamente. En
estas situaciones, debe asegurarse de que las diferencias en otros factores no enmascaren o
resalten una diferencia significativa entre las medias. Las diferencias de ingresos medios
pueden estar sometidas a la influencia de factores como los estudios (y no solamente el
sexo).[ CITATION IBM16 \l 12298 ]

Una vez que sabemos que estadístico de contraste vamos a empelar, el siguiente paso es la
elección de un nivel de error tipo I o alpha, en términos generales recomendaremos un 5%,
no obstante, este valor debe estar supeditado al contexto de cada investigación. La
disminución del error tipo I supone que es mas fácil aceptar la hipótesis nula, pero también
nos llevara a la aceptación de una hipótesis nula que en realidad es falsa (error tipo II).
[ CITATION Mon15 \l 12298 ]
 
Considerando adecuado un error alpha de 0,05 (5%), y dado que no se especifica un sentido
para el contraste, asumimos que se trata de un contraste bilateral. Por tanto los valores
críticos, es decir, la delimitación de la región de aceptación de la hipótesis nula y la región
critica (o de rechazo de la hipótesis nula) en una distribución t de Student bilateral con un
alpha de 0,05 y 150-2=148 grados de libertad esta comprendida entre los valores críticos
-1,976 y 1,976 (dado que la t de Student es una distribución simétrica). Estos valores tienen
una probabilidad asociada de 0,025 (0,05/2) y 0,975 (1-(0,05/2)) respectivamente. Estos
valores críticos han sido calculados mediante la función de
DISTR.T.INV(ALPHA;GRADOS LIBERTAD), Por tanto aceptaremos la hipótesis nula si
-1,976 < t < 1,976, es decir, los valores de t mayores de -1,976 y menores de 1,976
permitirán la aceptación de la hipótesis nula.[ CITATION IBM16 \l 12298 ]
 
Si no tenemos a mano un ordenador con Excel también podemos llegar a una aproximación
mediante una tabla de la distribución t de Student. Dado que nuestra tabla solo alcanza los
30 grados de libertad, usaremos la aproximación de tendencia al infinito dado que en
nuestro caso tenemos 148 grados de libertad, y puesto que nuestra tabla solo ofrece la mitad
derecha de la distribución, usaremos la columna de probabilidad 0,975 (1-(0,05/2)). Según
esta tabla 1,96 es el valor crítico correspondiente a la mitad derecha de la distribución, por
tanto, dado que la t de Student es simétrica, el valor correspondiente a la mitad izquierda
seria -1,96. Así la región de aceptación (según la tabla de la t de Student) estaría
comprendida entre los valores de t mayores de -1,96 y menores de 1,96. [ CITATION Mon15 \l
12298 ]
 
Cálculo del estadístico t de Student para dos muestras independientes.
 
Una vez que sabemos que las muestras se distribuyen normalmente y que las varianzas
poblacionales son estadísticamente iguales, podemos proceder al cálculo del estadístico t de
Student. Lo primero que necesitamos es conocer los valores de media y varianza insesgada
y el tamaño muestral de ambas muestras:[ CITATION Mon15 \l 12298 ]
 
  Univer A Univer B
31,213333
Media 32,76 3
85,671351 73,278198
Varianza poblac. 4 2
n 75 75
 

 
 

 
Decisión sobre el estadístico obtenido en función de la región donde se encuentra.

Dado que T = 1,07619 y que es mayor que -1,976 y menor que 1,976 se encuentra dentro
de la región de aceptación de la hipótesis nula, aceptamos la hipótesis nula . Por tanto, y
dado que la hipótesis nula establecía que la diferencia de medias era igual a 0, podemos
concluir que no existe evidencia en contra de que las medias de las dos muestras sean
iguales, o lo que es lo mismo, no se han encontrado diferencias estadísticamente
significativas.[ CITATION Jor17 \l 12298 ]

La conclusión es idéntica para el caso de la región de aceptación delimitada mediante los

datos de la tabla de la t de Student (1,96). Solo cabe añadir que el valor que nos da la tabla
es menos preciso que el que nos da Excel (1,976). Por tanto, siempre que sea posible
usaremos un programa informático (Excel u otro) en lugar de una tabla, dada la precisión
que nos ofrece.[ CITATION Jor17 \l 12298 ]
Cálculo del estadístico t de Student para dos muestras independientes

Para realizar un contraste t de Student para dos muestras independientes podemos usar las
herramientas de análisis de datos que este programa posee para tal efecto. En la versión de
Excel 2003, las herramientas de análisis de datos las puede encontrar en el menú
Herramientas à Análisis de datos*. Seleccione la prueba t suponiendo varianzas iguales, y
cumplimente los datos requeridos.[ CITATION Ben15 \l 12298 ]

Prueba t para dos muestras suponiendo varianzas iguales

En este caso la aceptación de la hipótesis nula estará en función de la probabilidad del

estadístico. Podemos ver como el estadístico t = 1,0624 no coincide exactamente con el
calculado de manera manual, esto se debe a que los programas estadísticos emplean
muchos mas decimales en los cálculos de los que se emplean cuando se usa una
calculadora. Además esta tabla de resultados también nos ofrece la probabilidad del
estadístico, es decir, el valor p o p-valor, que en el caso bilateral (dos colas) toma el valor
0,28977. Cuando este valor toma una probabilidad superior a 0,025 (0,05/2=0,025),
asumimos que el estadístico no esta debido al azar, por tanto, podemos aceptar la hipótesis
nula que afirma que las diferencias entre las medias es igual a cero. También nos ofrece el
valor critico de la mitad derecha de la distribución, tanto para prueba unilateral (una cola),
como bilateral (dos colas). Podemos ver como este valor coincide con el calculado
mediante la función DISTR.T.INV(ALPHA;GRADOS LIBERTAD) también de Excel. El
valor de la mitad izquierda de la distribución es el mismo pero en negativo, es decir, -1,976
puesto que la distribución t de Student es simétrica.[ CITATION Ben15 \l 12298 ]

Pruebas t para dos muestras apareadas y desapareadas

Las pruebas-t de dos muestras para probar la diferencia en las medias pueden ser
desapareadas o en parejas. Las pruebas t pareadas son una forma de bloqueo estadístico, y
poseen un mayor poder estadístico que las pruebas no apareadas cuando las unidades
apareadas son similares con respecto a los "factores de ruido" que son independientes de la
pertenencia a los dos grupos que se comparan. En un contexto diferente, las pruebas-
tapareadas pueden utilizarse para reducir los efectos de los factores de confusión en un
estudio observacional.[ CITATION IBM16 \l 12298 ]
Desapareada
Las pruebas t desapareadas o de muestras independientes, se utilizan cuando se obtienen
dos grupos de muestras aleatorias, independientes e idénticamente distribuidas a partir de
las dos poblaciones a ser comparadas. Por ejemplo, supóngase que estamos evaluando el
efecto de un tratamiento médico, y reclutamos a 100 sujetos para el estudio. Luego
elegimos aleatoriamente 50 sujetos para el grupo en tratamiento y 50 sujetos para el grupo
de control. En este caso, obtenemos dos muestras independientes y podríamos utilizar la
forma desapareada de la prueba t. La elección aleatoria no es esencial en este caso, si
contactamos a 100 personas por teléfono y obtenemos la edad y género de cada una, y
luego se utiliza una prueba t bimuestral para ver en que forma la media de edades difiere
por género, esto también sería una prueba t de muestras independientes, a pesar de que los
datos son observacionales.[ CITATION Ben15 \l 12298 ]
Apareada
Las pruebas t de muestras dependientes o apareadas, consisten típicamente en una muestra
de pares de valores con similares unidades estadísticas, o un grupo de unidades que han
sido evaluadas en dos ocasiones diferentes (una prueba t de mediciones repetitivas). Un
ejemplo típico de prueba t para mediciones repetitivas sería por ejemplo que los sujetos
sean evaluados antes y después de un tratamiento.
Una prueba 't basada en la coincidencia de pares muestrales se obtiene de una muestra
desapareada que luego es utilizada para formar una muestra apareada, utilizando para ello
variables adicionales que fueron medidas conjuntamente con la variable de interés.
[ CITATION Mon15 \l 12298 ]

La valoración de la coincidencia se lleva a cabo mediante la identificación de pares de

valores que consisten en una observación de cada una de las dos muestras, donde las
observaciones del par son similares en términos de otras variables medidas. Este enfoque se
utiliza a menudo en los estudios observacionales para reducir o eliminar los efectos de los
factores de confusión.[ CITATION IBM16 \l 12298 ]

Cálculos
Las expresiones explícitas que pueden ser utilizadas para obtener varias pruebas t se dan a
continuación. En cada caso, se muestra la fórmula para una prueba estadística que o bien
siga exactamente o aproxime a una distribución 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 a cabo ya sea una prueba de una cola o prueba de dos colas.
Una vez que se ha determinado un valor t, es posible encontrar un valor o asociado
utilizando para ello una tabla de valores de distribución t de Student. Si el valor p calulado
es menor al límite elegido por significancia estadística (usualmente a niveles de
significancia 0,10; 0,05 o 0,01), entonces la hipótesis nula se rechaza en favor de la
hipótesis alternativa.[ CITATION Jor17 \l 12298 ]

Prueba t para muestra única

En esta prueba se evalúa la hipótesis nula de que la media de la población estudiada es
igual a un valor especificado μ0, se hace uso del estadístico:[ CITATION Mon15 \l 12298 ]
donde   es la media muestral, s es la desviación estándar muestral y n es el tamaño de la
muestra. Los grados de libertad utilizados en esta prueba se corresponden al valor n − 1.

Pendiente de una regresión lineal

Supóngase que se está ajustando el modelo:

donde xi, i = 1, ..., n son conocidos, α y β son desconocidos, y εi es el error aleatorio en los

residuales que se encuentra normalmente distribuido, con un valor esperado 0 y una
varianza desconocida σ2, e Yi, i = 1, ..., n son las observaciones.
Se desea probar la hipótesis nula de que la pendiente β es igual a algún valor
especificado β0 (a menudo toma el valor 0, en cuyo caso la hipótesis es que x e y no están
relacionados).[ CITATION Jor17 \l 12298 ]
sea

Luego

tiene una distribución t con n − 2 grados de libertad si la hipótesis nula es verdadera. El

error estándar de la pendiente:

puede ser reescrito en términos de los residuales:

Luego   se encuentra dado por:

 
Prueba t dependiente para muestras apareadas
Esta prueba se utiliza cuando las muestras son dependientes; esto es, cuando se trata de una
única muestra que ha sido evaluada dos veces (muestras repetidas) o cuando las dos
muestras han sido emparejadas o apareadas. Este es un ejemplo de un test de diferencia
apareada.[ CITATION IBM16 \l 12298 ]

Bibliografía

Aguirre, M. (27 de Febrero de 2015). blogspot. Recuperado el 27 de Abril de 2019, de

http://pruebatstudentf.blogspot.com/

Estevez, B. (02 de Marzo de 2015). Conoxionismo . Obtenido de

http://www.conexionismo.com/leer_articulo.php?
ref=prueba_t_de_student_para_la_comparacion_de_dos_muestras_independientes-
j960497l

IBM. (22 de Agosto de 2016). IBM. Recuperado el 27 de Abril de 2019, de

https://www.ibm.com/support/knowledgecenter/es/SSLVMB_25.0.0/spss/base/idh_
ttin.html

Ortiz, J. (08 de Julio de 2017). ResearchGate. Recuperado el 27 de Abril de 2019, de

file:///C:/Users/Usuario/Downloads/SeNecesitalapruebadeStudentparadosmuestras.i
ndependientes.pdf