Teora de pequeas muestras

En muestras de tamao > 30, o llamadas grandes muestras, las distribuciones de muestreo de muchos estadsticos son aproximadamente normales, siendo la aproximacin tanto mejor cuando N es mayor. Para muestras de tamao menor que 30, denominadas pequeas muestras, esta aproximacin no es buena y empeora al decrecer N. El nombre de pequeas muestras quiz no le hace justicia al significado real de este tpico y habra que llamarlo tambin teora exacta del muestreo, porque sus resultados son vlidos tanto para grandes como para pequeas muestras. Revisaremos dos distribuciones de importancia: Distribucin de Student y distribucin Chi-cuadrado

Teora de pequeas muestras

Distribucin t de Student:
Como sealamos en los fundamentos de distribucin muestral cuanto mayor es el tamao de la muestra, menor es el error de muestreo. Pero al revs (en particular n < 30), los errores de muestreo se acentan. Se recordar que la distribucin muestral es ms estrecha que la distribucin de puntuaciones brutas. As tambin, muestras con tamaos o n ms grande conformarn distribuciones ms estrechas y apuntadas an. Con pocas observaciones, la distribucin tiende a aplanarse, esto se evidencia con tamaos de muestra < 120 y es completa cuando el tamao de muestra es < 30. El error de muestreo se acenta adems por el denominado ERROR DE ESTIMACIN

Teora de pequeas muestras

Distribucin t de Student:
Calcular el error de muestreo usando una estadstico de la muestra (y ms encima de una muestra ya que usualmente no tomamos ms que una) agrega ms error a ste. Con ms error, la distribucin se aplana y por ello, para calcular probabilidades no es posible usar la Curva de distribucin Normal n > 120 Curva de dist. t, n = 20 Curva de dist. t, n = 10

Teora de pequeas muestras

Distribucin t de Student:
Ser necesario utilizar una nueva distribucin, denominada DISTRIBUCIN t DE STUDENT. Que es una distribucin aproximadamente Normal. Se usa con muestras pequeas o bien, cuando estimamos el error muestral. Como se vio en la figura anterior, a medida que la muestra cambia de tamao, la forma de la distribucin tambin cambia. La forma de la curva depende ahora de un ajuste llamado GRADOS DE LIBERTAD (gl). Para una DISTRIBUCIN MUESTRAL DE MEDIAS, (hay distribuciones de otros estadsticos, aqu simplemente hablamos de la ms usada), los grados de libertad se calculan como n 1, donde n es el tamao de la muestra. Debido al aplanamiento progresivo de la curva, a medida que el tamao de la muestra cambia, se requeriran tantas tablas de probabilidad de distribucin t como tamaos de muestra en la prctica se usa slo una.

Teora de pequeas muestras

Distribucin t de Student:
La principal diferencia de la nueva tabla es que se dispone de forma diferente su informacin:
(a) en la fila superior se disponen slo regiones crticas, tradicionalmente 0,05, 0,01 y 0,001 (que son las proporciones del cuerpo de la tabla de distribucin Z y que se corresponden con puntuaciones Z crticas). La columna de la extrema izquierda proporciona los grados de libertad ya calculados. El cuerpo de la tabla contiene puntuaciones t crticas, aunque en una curva de puntuaciones t, stas son usadas de la misma manera que las puntuaciones Z

Las puntuaciones t, sin embargo, se calculan del mismo modo que las puntuaciones Z, usando la misma frmula, pero buscando sus resultados en la nueva tabla.

X X tx = SX

Teora de pequeas muestras

Distribucin t de Student:
NOTAS IMPORTANTES:
Note que para tamaos de muestra (n n - 1) mayores a 120 o 200, las puntuaciones t coinciden con las puntuaciones Z, lo que es lgico debido a que la forma de la distribucin que era aproximadamente normal llega a ser normal con n > 120. Pero subiendo por las columnas de puntuaciones t, stas son mayores que los valores Z necesarios para alcanzar las proporciones de las regiones crticas. Esto se debe a que con muestras pequeas hay mayor error y los valores t estarn ms alejados de la media en una distribucin aproximadamente Normal.

n > 120 Curva de dist. t, n = 20

Z = 1,64

t = 1,725

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre una media.
Sirve para tomar decisiones acerca del verdadero valor poblacional que corresponde al parmetro media. Se trabaja slo con una muestra aleatoria. Se tiene solo un parmetro. Como se tiene una muestra pequea, se usa el estadstico t y la tabla de distribuciones t. Para contrastar la hiptesis Ho de que una poblacin normal tiene medida usamos el estadstico t que es similar al Z con una modificacin leve:

y t= n1 S

o bien,

y t= S n 1

Ntese que su distribucin es una t de Student con N -1 gl

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.
En vez de tomar slo una muestra y contrastar el valor de una estadstico con respecto a una parmetro de la poblacin, se quiere establecer si dos muestras independientes provienen de la misma poblacin (y por tanto los estadsticos calculados en ellas seran iguales). Usualmente se toman dos muestras n1 y n2 que provienen de poblaciones normales. Estas muestras tienen medias respectivamente

y 1 ; y 2 y desviaciones tpicas S1 y S2,

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.
Necesitamos adems, del cumplimiento de un nuevo supuesto, la llamada homocedasticidad u homogeneidad de varianzas. Es decir, tenemos que asumir que las varianzas poblacionales son iguales (21 = 22 = 2), es decir slo sera necesario estimar una vez 2. No obstante como tenemos S21 y S22 de dos muestras, debemos usar la informacion de ambas para estimar nuestra varianza poblacional. > ESTA ES LA OPORTUNIDAD DE USAR DOS MUESTRAS EN VEZ DE UNA SOLA PARA ESTIMAR UN PARMETRO.

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.
Para suponer que hay presencia de homocedasticidad debo tener: Tamaos muestrales grandes. Tamaos iguales o aproximadamente iguales en ambas muestras Distribucin normal de la variable en la muestra, aunque las 2 condiciones previas permiten que violaciones de este supuesto no sean tan graves NO SE PUEDE APLICAR EL SUPUESTO CON TAMAOS MUY DESIGUALES

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.
Para contrastar la H0 de que las muestras provienen de la misma poblacin (o sea las medias son iguales), se aplica:

t=

y1 y 2 1 1 n1 n 2

donde

2 2 n 1S 1 n 2S 2

n1 n 22

Ntese que su distribucin es una t de Student con N1 + N2 - 2 gl

Teora de pequeas muestras

Ejercicios
Hallar los valores de t para los que el rea de la cola derecha de la distribucin t es 0,05 si el nmero de grados de libertad es: (a) 16, (b) 27, (c) 200 Una mquina produca normalmente argollas de 0,05 cms. Para determinar si sigue en buen estado, se toma una muestra de 10 argollas, que dan un espesor medio de 0,053 cms., con desviacin tpica de 0,003 cms. Contrastar la hiptesis de que la mquina sigue funcionando bien, con nivel de significacin (a) 0,05 y (b) 0,01 Con el fin de probar un fertilizante, se tomaron al azar 24 parcelas agrarias en una misma rea, la mitad se trat con el nuevo fertilizante y la otra mitad no. La produccin media de trigo en las parcelas sin fertilizante fue de 4,8 toneladas con desviacin tpica de 0,40 toneladas; para la parcela con fertilizante sta fue de 5,1 toneladas con desviacin tpica 0,36 toneladas Hubo mejora a causa del fertilizante? Asuma un nivel de significacin del 1% y un nivel de significacin del 5%

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.

Y qu pasa si las varianzas (desviaciones tpicas) de ambas poblaciones no son iguales?

Esto significa que se incumple el supuesto de homogeneidad de varianzas Se requiere usar el estadstico:

t'=

y 1 y 2

S S n1 n 2

2 1

2 2

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.
Lo malo del estadstico anterior es que no se distribuye exactamente como la t de Student con n1 + n2 2 grados de libertad Por eso debemos aproximarnos mediante el clculo de los grados de libertad, usando la siguiente ecuacin:

gl ' =

S2 1 n1

S2 2 n2

2
EL VALOR OBTENIDO SE REDONDEA AL ENTERO MS PRXIMO

S 2 / n 1 2 S 2 / n 22 1 2 n 11 n 2 1

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
Contraste de hiptesis sobre diferencia de medias.
La ecuacin anterior sin embargo, puede obviarse si: Se usa el gl' mnimo: esto es, el menor de n1 1 y n2 1 , y si se rechaza H0 tambin la rechazaremos usando la ecuacin de gl' Si no se rechaza H0,usar el gl' mximo: n1 + n2 2, si seguimos sin rechazarla, entonces tampoco lo haremos con gl' El nico caso donde deberemos calcular gl' es: Cuando mantengamos H0 usando gl mnimo y la rechazamos con gl' mximo

Teora de pequeas muestras

Aplicaciones importantes de la Distribucin t:
EJEMPLO: PRUEBA t' diferencia de medias bajo incumplimiento del supuesto de homogeneidad de varianzas.
Se lleva a cabo un experimento para ver si usar dibujos facilita o entorpece el aprendizaje de palabras en nios de 3 y 4 aos. Se toma una muestra de 80 nios, a 50 de ellos se les ensean palabras sin usar ilustraciones y con los otros 30 s se usan dibujos. Tras el entrenamiento se calcula la media de palabras aprendidas por nio y se tiene que la media y desviacin grupo 1 es: 19 y 16 y la media y desviacin grupo 2 es 30 y 21.Usando un nivel de significacin 0.05 qu podemos decir sobre la hiptesis de que ambas muestras proviene de la misma poblacin?