Se Necesita Una T Student Assumiendo Varianzas Iguales

Comunicaciones en Estadstica
Junio 2012, Vol. 4, No. 2

Se necesita la prueba t de Student para dos
muestras independientes asumiendo varianzas
iguales?
Is it actually needed the t-student test for two independent samples
when assuming the same variances?
Jorge Eduardo Ortiz
a
[email protected]
Edna Carolina Moreno
b
[email protected]
Resumen
En este trabajo se hace un examen del comportamiento de la proporcion de re-
chazos equivocados de la hip otesis nula (error tipo I) en condiciones plenas de
aplicabilidad de la distribuci on t de Student, es decir, con variables independientes
cuya distribuci on es normal tanto bajo el supuesto de homogeneidad de varianzas
como en las condiciones de heterocedasticidad.
Palabras clave: estadstica t, prueba t, monotona, estabilidad, prueba de Welch-
Satterwhaite.
Abstract
In this paper we review the behavior of the type I error rate of Students t-test
and Welch-Sattetthwaite test for comparing two means with independent samples
from normal populations under the assumption of homogeneity of variances and
under conditions of heteroscedasticity. The results, obtained by the Monte Carlo
method show the Welch-Satterthwaite well behaved in all cases.
Key words: t statistic, t-Test, Welch-Satterwhaite test, Heterocedasticity.
1. Introduccion
La prueba t para dos muestras independientes es uno de los procedimientos es-
tadsticos favorecidos por la atenci on de los investigadores, tanto en las aplicacio-
nes, como en el estudio de sus propiedades. A pesar de esto, la literatura dedicada
a
Docente. Facultad de Estadstica, Divisi on de Ciencias Administrativas, Econ omicas y Con-
tables, Universidad Santo Tom as, Bogot a
b
Docente. Facultad de Estadstica, Divisi on de Ciencias Administrativas, Econ omicas y Con-
tables, Universidad Santo Tom as, Bogot a.
139
140 Jorge Eduardo Ortiz & Edna Carolina Moreno
a la ense nanza de la estadstica b asica pareciera no tomar en cuenta los principales
resultados ya conrmados por diferentes autores. El prop osito de este trabajo es
hacer conciencia sobre los problemas que se generan con la aplicaci on de ciertos
procedimientos inapropiados, pero muy populares, y sobre los riesgos de utilizar
la prueba t asumiendo que las varianzas poblacionales son iguales. Esperamos que
los resultados obtenidos faciliten la decisi on sobre la ense nanza y el uso adecuado
de esta prueba.
Para unicar la notaci on del articulo, la hip otesis nula se presenta como H
0
:
=
X

Y
=
0
, donde
0
es un valor especicado por el investigador y X y
Y son variables aleatorias con distribuciones normales de las que se desconocen
las varianzas. Uno de los procedimientos estadisticos consiste en extraer muestras
aleatorias de cada poblaci on de manera independiente. Los tama nos de muestra
son n
1
y n
2
, los promedios y las varianzas muestrales son X, Y , S
2
X
y S
2
Y
, respecti-
vamente. S
2
p
=
_
(n
1
1)S
2
X
+(n
2
1)S
2
Y
_
/(n
1
+n
2
2) se conoce como la varianza
ponderada. Bajo el supuesto de igualdad de varianzas se utiliza la estadstica de
Student:
T =
X Y
0
S
p
_
1
n
1
+
1
n
2
(1)
cuya distribuci on bajo H
0
es T
n1+n22
(T de Student con n
1
+ n
2
2 grados de
libertad). La regla de decision depende de la hip otesis alternativa y puede revisarse
en cualquiera de los textos referenciados mas adelante.
1.1. La prueba de Welch-Satterthwaite
Si las varianzas no son iguales, la principal opci on disponible en los programas
estadsticos actuales es la prueba de Welch-Satterthwaite, basada en la estadstica:
T =
X Y (
X

Y
)
S
2
X
n
1
+
S
2
Y
n
2
(2)
La diferencia entre las varianzas diculta en gran medida el calculo de la funci on
de distribuci on de T. Sin embargo, ya Welch (1938), Welch (1947) y Satterthwaite
(1946) han ofrecido aproximaciones que se consideran satisfactorias para el uso
pr actico.
Satterthwaite (1946) dene un estimador complejo de varianza como una com-
binaci on lineal de cuadrados medios independientes. Welch (1938) ya haba de-
mostrado antes que la distribuci on de este tipo de estimadores puede aproximarse
con la distribuci on Ji-cuadrada. Especcamente, si MS
i
son cuadrados medios
independientes con r
i
grados de libertad, i = 1, 2, . . . , k, y si

V
s
=
k
i=1
a
i
MS
i
es
Comunicaciones en Estadstica, junio 2012, Vol. 4, No. 2
Se necesita la prueba t de Student para dos muestras independientes? 141
un estimador complejo de varianza basado en ellos, los grados de libertad de la
aproximaci on
2
son
r
s
=
_
k
i=1
a
i
E(MS
i
)
_
2
k
i=1
_
a
i
E(MS
i
)
_
2
r
i
(3)
Los E(MS
i
) son desconocidos pero Satterthwaite (1946) verica, para varios casos,
que se pueden reemplazar por los cuadrados medios sin generar mayores inconve-
nientes en la aproximaci on a la distribuci on
2
con grados de libertad dados por:
r
s
=
_
k
i=1
a
i
MS
i
_
2
k
i=1
_
a
i
MS
i
_
2
r
i
(4)
Para el caso de dos muestras independientes, la diferencia de medias,
X

Y
,
se estima con X Y . Su varianza,

2
X
n
1
+

2
Y
n
2
, se estima con
S
2
X
n
1
+
S
2
Y
n
2
. Este es
el estimador complejo de varianza con k = 2. Para la primera muestra, a
1
=
1
n
1
,
MS
1
= MS
X
=
1
n
1
1
n1
j=1
(X
i
X)
2
= S
2
X
, r
1
= n
1
1 y E(MS
X
) =
2
X
. Para
la segunda, a
2
=
1
n
2
, MS
2
= MS
Y
=
1
n
2
1
n2
j=1
(Y
i
Y )
2
= S
2
Y
, r
2
= n
2
1 y
E(MS
Y
) =
2
Y
. Entonces (4) queda:
r
s
=
_
S
2
X
n
1
+
S
2
Y
n
2
_
2
_
S
2
X
n
1
_
2
n
1
1
+
_
S
2
Y
n
2
_
2
n
2
1
(5)
y as:
T =
X Y (
X

Y
)
S
2
X
n
1
+
S
2
Y
n
2
T
rs
(6)
donde el smbolo se toma para indicar que la distribuci on es aproximada. Los
grados de libertad resultan ser aleatorios, pues son funci on de la muestra. Esta es
una de las diferencias esenciales con la prueba de Student construida para el caso
de varianzas iguales, donde los grados de libertad dependen exclusivamente de los
tama nos de las muestras.
Winer (1971, p.42) menciona tambien la siguiente aproximaci on de Satterthwaite
para los grados de libertad:
r
s
=
_
S
2
X
n
1
+
S
2
Y
n
2
_
2
_
S
2
X
n
1
_
2
n
1
+ 1
+
_
S
2
Y
n
2
_
2
n
2
+ 1
2 (7)
As, para comparar las medias de dos poblaciones con distribuciones normales con
muestras independientes, los investigadores encuentran diversas opciones, depen-
diendo de la posici on que asuman con respecto al supuesto de homogeneidad de
varianzas. Analizaremos las mas comunes.
2. Metodo
Se utiliz o el metodo de Monte Carlo que, en resumen, consiste en generar mu-
chas replicas de la situaci on cuyo comportamiento se quiere conocer, mediante
n umeros pseudoaleatorios.

Estos deben presentar las caractersticas exigidas por
las condiciones establecidas en la situaci on simulada. Para nuestro caso, se trata
de realizar pruebas de Student y de Welch-Satterthwaite (6) para dos muestras
independientes que provienen de distribuciones normales.
Para cada combinaci on de valores de n
1
, n
2
y
Y
, se generaron 100 000 replicas
de pruebas de H
0
:
X
=
Y
contra H
1
:
X
=
Y
, con un nivel de signicaci on
= 0.05. Para las muestras pseudoaleatorias se utiliz o la funci on rnorm() de R con
los argumentos n1 = n
1
, muX =
X
y sigmaX =
X
para la muestra X, y n2 = n
2
,
muY =
Y
, sigmaY =
Y
para la muestra Y , con tama nos n
1
, n
2
= 6, 8, . . . , 20 y
desviaciones estandar
X
= 1 y
Y
= 1, 1.25, 1.5, 1.75, 2, 3.
3. Los procedimientos mas comunes
Revisamos algunos de los textos y de los programas de an alisis estadstico mas
inuyentes en nuestro medio, tanto en la ense nanza de los metodos inferenciales a
nivel de pregrado como en la pr actica.
Es usual encontrar programas de an alisis estadstico que presentan los resultados
de dos pruebas de comparacion de medias: una asumiendo que las varianzas po-
blacionales son iguales (prueba de Student) y la otra asumiendo que no (prueba
de Welch-Satterthwaite).
Como ilustraci on, supongamos que la muestra x contiene los siguientes valores:
156, 124, 153, 148, 139, 135 y la muestra y: 148, 155, 162, 149, 147, 158, 162, 165,
142, 150. La siguiente es una presentaci on tpica de los resultados de las pruebas:
Tabla 1: Prueba t. Presentaci on tpica
Prueba de Levene Prueba t
F Sig. t gl Sig.
2.167 .163 Asumiendo varianzas iguales -2.298 14 .037
Sin asumir varianzas iguales -2.049 7.484 .077
3.1. Tomar el mnimo valor-p de las dos pruebas
Zimmerman & Zumbo (2009) advierten que con esta presentaci on, muchos inves-
tigadores se ven tentados a escoger la prueba cuyos resultados sean mas signica-
tivos. Para el ejemplo anterior, el investigador decidira rechazar H
0
al encontrar
que uno de los valores-p es inferior a = 0.05. Este procedimiento no solo es
incorrecto sino que, ademas, pone en evidencia un sesgo subjetivo en contra de H
0
por parte de quien lo utilice. Hacerlo lleva a preguntarse por que no se realizan
simult aneamente otras pruebas parametricas y no parametricas buscando alguna
que rechace H
0
. De todas maneras, hemos programado este procedimiento para
conocer los efectos de su uso.
En la gura 1 (p agina 152) se muestran las proporciones de rechazo incorrecto de
H
0
cuando las varianzas son iguales y para tama nos de muestra variando entre 6 y
50, como se indic o en la seccion 2. Los puntos resaltados en la gura corresponden
a las pruebas con muestras de tama nos iguales. En estos casos, numericamente
las proporciones de rechazo se mantienen cerca del nivel de signicaci on (5 %). En
los demas, se aprecia la tendencia creciente del riesgo de cometer el error tipo I
cuando los tama nos de las muestras son mas distanciados: pr acticamente todas
las proporciones encontradas son superiores al nivel de signicaci on, con lo que se
conrma que con esta regla de decision, efectivamente, el investigador se inclina a
rechazar la hip otesis nula en proporciones mayores a lo acordado con . Ya con
peque nas diferencias entre las desviaciones estandar poblacionales, el problema se
agrava, especialmente si la muestra de mayor tama no proviene de la poblaci on con
menor dispersion, como se ilustra en la gura 2 (p agina 153).
En otras simulaciones, que no presentamos aqu, se observa la tendencia a empeorar
el control de la probabilidad de cometer el error tipo I a medida que crecen las
diferencias entre las dispersiones poblacionales. El hecho de que la igualdad en
los tama nos de las muestras aten ue el problema numerico no justica el error
conceptual en el que se incurre al utilizar este procedimiento.
3.2. Aplicacion de una prueba preliminar de homogeneidad
de varianzas
Sawilowsky (2002) se nala que una estrategia com un, pero incorrecta, consiste en
aplicar una prueba de comparacion de varianzas antes de la prueba t para decidir
cu al utilizar seg un los resultados obtenidos. Sus referencias principales son los
manuales de programas estadsticos ampliamente reconocidos: SAS, SYSTAT y
SPSS.
No solo en los manuales se propone esta estrategia. Marques de S a (2007) sugiere
explcitamante que para decidir cu al caso tomar, de varianzas iguales o desiguales,
se aplica la prueba F o la de Levene. Eso es lo que hacen SPSS o STATISTICA.
Park (2009) presenta un diagrama de ujo donde incluye la prueba de homoge-
neidad de varianzas como un paso obligado para decidir cu al prueba utilizar para
comparar las medias.
En otros casos, los autores mencionan la prueba de comparacion de varianzas
como una forma de vericacion del supuesto de homocedasticidad. Que hacer si
no se encuentran evidencias en contra o a favor? Por lo general, los investigadores
terminan escogiendo una u otra prueba en funci on del resultado de la vericacion.
Esto equivale a aplicar una prueba condicionada por los resultados de la otra.
Intuitivamente el procedimiento parece justicado y, a diferencia del anterior, es
un metodo objetivo. Sin embargo, la condicionalidad de la prueba de compara-
ci on de medias con respecto a la de varianzas obliga a estudiar su ecacia y su
conveniencia. Como en este trabajo se supone que las distribuciones son norma-
les y que las muestras son independientes, la comparacion de varianzas se hace
con la prueba F y, seg un el resultado obtenido, se automatiza la aplicaci on de la
prueba de Student para dos muestras independientes con varianzas iguales o la
de Welch-Satterthwaite. Por razones que veremos mas adelante, para esta ultima
utilizaremos la aproximaci on dada en (5 y 6)
De manera similar a la de la seccion 3.1, se simularon pruebas t condicionadas por
los resultados de pruebas F de comparaci on de varianzas, en varias condiciones de
relaciones entre las desviaciones estandar.
Cuando las varianzas de las distribuciones de X y de Y son iguales, las proporciones
de rechazo de H
0
tienen un comportamiento aceptable en el sentido de permanecer
cerca del nivel de signicaci on. Para los tama nos de muestra considerados, las
proporciones mas alejadas son de 0.058 (gura 3, p agina 154). De nuevo, cuando
los tama nos de muestra son iguales, los resultados son mas estables alrededor de
.
Con las diferencias en las desviaciones estandar, los resultados muestran las de-
ciencias de este procedimiento: si de la poblaci on con menor varianza se tiene la
muestra mas grande, la proporcion de rechazos con error tipo I es mayor que y el
problema crece a medida que la razon entre la varianza mayor y la menor tambien
lo hace. La gura 4 (p agina 155) ilustra el comportamiento en el caso particular
de
Y
= 1.75
X
y la gura 5 (p agina 156) ilustra el caso de
Y
= 1.5
X
.
Por otra parte, si la muestra proveniente de la distribuci on con mayor varianza
es la de mayor tama no, entonces la proporcion de rechazos disminuye llegando a
ser menor que y en los casos mas extremos considerados se acerca a 0.035. Las
mejores condiciones se presentan cuando los tama nos de las muestras son iguales.
3.3. Aplicacion de la prueba t para varianzas iguales
El supuesto de igualdad de varianzas es muy difcil de respaldar en la pr actica,
en especial cuando se dispone de muestras de tama nos peque nos. En el ejemplo
de la seccion 3, a pesar de que no se rechaza la hip otesis de homocedasticidad, la
relacion entre las varianzas muestrales es de 2.167 (entre las desviaciones estandar
es de 1.47) y un intervalo de conanza admite la posibilidad de que alcance a 16,
es decir que una de las desviaciones estandar podra ser hasta cuatro veces la otra.
Aun as, la bibliografa es generosa en presentar la prueba de Student para dos
muestras independientes con varianzas iguales.
Canavos (1988) solo incluye la prueba t que utiliza la estimacion de la varianza
de la diferencia de promedios mediante el promedio de las varianzas muestrales
ponderadas por los grados de libertad. En las p aginas 339 y 340 menciona la
falta de robustez de la prueba cuando las varianzas poblacionales son diferentes,
destacando que el efecto no es importante cuando los tama nos de muestra son
iguales.
Newbold et al. (2008, pp. 334, 404) presentan la aproximaci on de Satterthwaite,
pero con un comentario que desmotiva su uso: [. . . ] la determinacion de los grados
de libertad [. . . ] es muy compleja [. . . ]; y luego dan un ejemplo donde su aplicaci on
no muestra mayores ventajas frente a la prueba t para el caso de varianzas iguales.
Se puede aplicar la prueba t para dos muestras independientes con varianzas igua-
les sin tener en consideracion la validez de este supuesto?; en otras palabras, la
prueba t para varianzas iguales es robusta si se viola el supuesto de homocedastici-
dad? Ya desde 1929, Behrens haba advertido sobre la poca robustez de la prueba t
en casos de heterocedasticidad y sobre la necesidad de encontrar un procedimiento
estadstico para comparar las medias de dos poblaciones con muestras indepen-
dientes sin depender de la condici on de varianzas poblacionales iguales. Kim &
Cohen (1995) presentan un resumen importante sobre este problema, conocido
como el problema de Behrens-Fisher.
No se incluyen los resultados obtenidos cuando las varianzas son iguales. Teorica-
mente, estas son las condiciones de funcionamiento optimo de la prueba de Stu-
dent y, obviamente, as se encuentra. Para ilustrar el comportamiento tpico de la
proporcion de rechazos de H
0
verdadera cuando las varianzas no son iguales, se
muestran los resultados de las simulaciones con
Y
= 1.5
X
.
Las tendencias generales son similares, pero mas extremas que las de la estrategia
de aplicar la prueba t o la de Welch-Satterthwaite seg un el resultado de la prueba
preliminar de homocedasticidad.
Si la muestra proveniente de la poblaci on con menor varianza es la de mayor
tama no, la tasa de error tipo I es mayor a la esperada con y esta diferencia se
incrementa a medida que los tama nos de muestra se alejan.
Si la muestra proveniente de la poblaci on con menor varianza es la de menor
tama no, la tasa de error tipo I es inferior a la esperada con y esta diferencia se
incrementa a medida que los tama nos de muestra se alejan.
Con mayores diferencias entre las desviaciones estandar los problemas se agravan,
pero la igualdad de tama nos muestra reduce considerablemente las diferencias
entre las tasas de error tipo I y el nivel de signicaci on.
4. Aplicacion de la prueba de Welch-Satterthwaite
Se acostumbra presentar la prueba de Welch-Satterthwaite como la prueba t para
varianzas desiguales. Las simulaciones permiten conocer el comportamiento de las
tasas de error tipo I tanto en condiciones de homocedasticidad como de heteroce-
dasticidad.
En la gura 6 (p agina 157) se aprecia que las proporciones de error tipo I son
cercanas al nivel de signicaci on ( = 0.05), encontrandose dentro del intervalo
(0.046, 0.058).
Se realizaron simulaciones para relaciones de desviaciones estandar diferentes y se
encontro que la cercana de las tasas de error tipo I y el nivel de signicaci on se
mantiene estable y dentro del mismo intervalo en todos los casos considerados. La
mayor ganancia esta en haberse liberado de una condici on de homogeneidad de
varianzas, por lo general, muy difcil de sustentar aun habiendola examinado con
una prueba preliminar.
En las tablas 2 a 7 (p aginas 147-148) se resumen algunos aspectos descriptivos
del comportamiento de las proporciones de error tipo I para relaciones entre las
desviaciones estandar indicadas en cada una. Se presenta el mnimo, los cuartiles,
el promedio, la mediana y la desviaci on cuadr atica media, denida como DCM =
_
j
(p
Rj
)
2
/n, donde p
Rj
son las proporciones simuladas de rechazo de H
0
con cada procedimiento. Esta medida indica que tan lejanos se encuentran los
valores simulados del nivel de signicaci on utilizado.
Los procedimientos se representan con Tvi para la prueba de Student asumiendo
igualdad de varianzas, Tv1 para la prueba de Welch-Satterthwaite con grados
de libertad dados por (5), Tv2 para la prueba de Satterthwaite con grados de
libertad dados por (7), Tcf para la prueba condicionada por los resultados de
la comparacion de varianzas con una prueba preliminar F y TMinV p para el
procedimiento que rechaza H
0
si alguno de los valores-p de la pruebas de Student
o de Welch-Satterthwhite es inferior o igual a .
Los resultados hablan por s solos.

Unicamente en el caso de varianzas iguales
(R = 1) la prueba de Student (Tvi) muestra una muy ligera ventaja sobre la
prueba de Welch-Satterthwaite (Tv1). En los demas casos, el valor de DCM crece
con las diferencias de desviaciones estandar con excepcion de las prueba de Welch
y Satterthwaite que se mantienen estables, con ventaja para la expresi on mas
conocida. A partir de R = 2 ya no se estudi o el procedimiento del mnimo valor-p
pues, desde el comienzo, los resultados mostraron su inconveniencia.
Tabla 2: Comportamiento de las tasas de error tipo I de procedimientos de com-
paraci on de medias con raz on de desviaciones est andar R = 1.
Tvi Tv1 Tv2 Tcf TMinVp
Min. 0.048050 0.046990 0.048260 0.047870 0.04837
1st Qu. 0.049650 0.049600 0.050210 0.049960 0.05289
Median 0.050080 0.050360 0.050980 0.050700 0.05760
Mean 0.050080 0.050600 0.051720 0.051050 0.05900
3rd Qu. 0.050530 0.051160 0.052320 0.051760 0.06338
Max. 0.051960 0.056360 0.059750 0.057090 0.07865
DCM 0.000697 0.001756 0.002962 0.001913 0.01156
paraci on de medias con raz on de desviaciones est andar R = 1.25.
Min. 0.02105 0.046700 0.048610 0.03397 0.04889
1st Qu. 0.03657 0.049570 0.050000 0.04132 0.05126
Median 0.05036 0.050190 0.050840 0.05025 0.05524
Mean 0.05270 0.050530 0.051610 0.05266 0.06272
3rd Qu. 0.06762 0.051000 0.052200 0.06126 0.06965
Max. 0.10070 0.055730 0.059310 0.09177 0.11600
DCM 0.01994 0.001738 0.002886 0.01400 0.02027
Min. 0.00810 0.047280 0.048330 0.02902 0.04828
1st Qu. 0.02890 0.049550 0.050090 0.04013 0.05036
Median 0.05105 0.050220 0.050740 0.05021 0.05400
Mean 0.05828 0.050460 0.051480 0.05450 0.06995
3rd Qu. 0.08279 0.051060 0.052060 0.06412 0.08307
Max. 0.14970 0.055890 0.059120 0.11200 0.15720
DCM 0.03673 0.001504 0.002602 0.01935 0.03412
Min. 0.00323 0.048020 0.048390 0.02836 0.04804
1st Qu. 0.02350 0.049600 0.050190 0.04306 0.05014
Median 0.05222 0.050270 0.050840 0.05049 0.05289
Mean 0.06463 0.050520 0.051450 0.05498 0.07767
3rd Qu. 0.09882 0.051230 0.052100 0.06251 0.09886
Max. 0.19920 0.054870 0.058410 0.11860 0.20340
DCM 0.05146 0.001468 0.002490 0.01925 0.04809
Tvi Tv1 Tv2 Tcf
Min. 0.00155 0.046970 0.048340 0.0294
1st Qu. 0.01979 0.049600 0.050080 0.0458
Median 0.05246 0.050290 0.050760 0.0502
Mean 0.07059 0.050450 0.051290 0.0543
3rd Qu. 0.10930 0.050950 0.051680 0.0574
Max. 0.24730 0.054620 0.057730 0.1112
DCM 0.06411 0.001338 0.002277 0.0167
Tvi Tv1 Tv2 Tcf
Min. 0.00011 0.048150 0.048520 0.037510
1st Qu. 0.01398 0.049580 0.049910 0.049270
Median 0.05448 0.050290 0.050620 0.050210
Mean 0.08728 0.050350 0.050920 0.051610
3rd Qu. 0.13720 0.050940 0.051510 0.051480
Max. 0.36480 0.054310 0.056960 0.074130
DCM 0.09702 0.001096 0.001736 0.006616
5. Conclusiones
1. La prueba de Student para dos muestras independientes con el supuesto de
varianzas iguales pierde su capacidad de permitirle al investigador controlar
la probabilidad de cometer el error tipo I cuando el supuesto no es v alido,
especialmente cuando las muestras son de tama nos diferentes.
2. Cuando la muestra de la poblaci on con menor dispersion es la de mayor
tama no, la proporcion de rechazos con error tipo I es mayor que el nivel de
signicaci on dado por el investigador.
3. Cuando la muestra de la poblaci on con mayor dispersion es la de mayor
tama no, la proporcion de rechazos con error tipo I tiende a ser menor que el
nivel de signicaci on dado por el investigador.
4. La prueba de Welch-Satterthwaite muestra en las simulaciones de Monte
Carlo que las proporciones de rechazo equivocado de H
0
son muy cercanas
del nivel de signicaci on establecido .
5. El calculo de los grados de libertad mencionado por Winer (1971) como la
aproximaci on de Satterthwaite es menos ecaz que el del Welch.
6. El uso de una prueba preliminar de homogeneidad de varianzas no estabiliza
satisfactoriamente la proporcion de rechazos equivocados de H
0
alrededor
del nivel de signicaci on dado.
6. Recomendaciones
1. Trabajar en la medida de lo posible con muestras de tama nos iguales.
2. Reducir en los cursos de estadstica los espacios y tiempos dedicados a la
prueba de Student para dos muestras independientes con el supuesto de
varianzas iguales y dedicarlo a la prueba de Welch-Satterthwaite.
3. Evitar el uso exagerado de supuestos que pueden traer confusi on. En la prue-
ba Z para una muestra puede justicarse el supuesto de varianza conocida
pues facilita introducir conceptos relacionados con la potencia de las prue-
bas. Pero, una vez logrado este prop osito, se pasa rapidamente a la prueba
t para ofrecer una herramienta de an alisis mas cercana de las condiciones
reales de aplicaci on.
4. En las pruebas para dos muestras independientes, esos conceptos ya se cono-
cen y se puede pasar a la prueba de Welch-Satterthwaite sin pasar por puntos
intermedios que nalmente impiden sacar provecho a un tiempo valioso de
los cursos para tratar otros temas.
Recibido: 8 de marzo de 2011
Aceptado: 1 de septiembre de 2011
Referencias
Brown, M. & Forsythe (1974), Robust Test for the Equality of Variances, Journal
of the American Statistical Association 69(346), 364367.
Canavos, G. (1988), Probabilidad y estadstica: aplicaciones y metodos, Mc-Graw
Hill, Mexico.
Conover, W., Johnson, M. E. & Johnson, M. (1981), A Comparative Study of Tests
for Homogeneity of Variances, With Applications to the Outer Continental
Shelf Bidding Data, Technometrics 23, 351361.
Dodge, Y. (1985), Analysis of Experiments with Missing Data, John Wiley & Sons,
New York.
Kim, S. H. & Cohen, A. S. (1995), On the Behrens-Fisher Problem: A Review.
Marques de S a, J. (2007), Applied Statistics using SPSS, Statistica, Matlab and R,
Springer Verlag, Berlin.
Milliken, G. & Johnson, D. (1984), Analysis of Messy Data, Vol. I of of Designed
Experiments, Van Nostrand Reinhold, New York.
Montilla, J., M. & Kromrey, J. (2010), Robustez de las pruebas T en comparacion
de medias, ante violaci on de supuestos de normalidad y homocedasticidad,
Revista Ciencia e Ingeniera 31(2), 101108.
Newbold, P., Carlson, W. & Thorne, B. (2008), Estadstica para administraci on y
economa, Pearson Educaci on S.A., Madrid.
Park, H. M. (2009), Comparing Group Means: T-tests and One-way ANOVA
Using Stata, SAS, R, and SPSS.
*http://www.indiana.edu/ statmath/stat/all/ttest
R Development Core Team (2007), R: A Language and Environment for Statistical
Computing, R Foundation for Statistical Computing, Vienna, Austria. ISBN
3-900051-07-0.
*http://www.R-project.org
Satterthwaite, F. E. (1946), An Approximate Distribution of Estimates of Varian-
ce Components, Biometrics Bulletin 2(6), 110114.
Sawilowsky, S. (2002), Fermat, Schubert, Einstein, and Behrens-Fisher: The Pro-
bable Dierence Between Two Means When
2
1
=
2
2
, Journal of Modern
Applied Statistical Methods 1(2).
Searle, S. R., Casella, G. & McCulloch, C. (1992), Variance Components, John
Wiley & Sons, New York.
Welch, B. L. (1938), The signicance of the dierence between two means when
the population variances are unequal, Biometrika 28(3/4), 350362.
Welch, B. L. (1947), The generalization of Students problem when several die-
rent population variances are involved, Biometrika 34(1/2), 2835.
Winer, B. J. (1971), Statistical Principles in Experimental Design, Mc-Graw Hill,
New York.
Zimmerman, D. W. & Zumbo, B. D. (2009), Hazards in choosing between pooled
and separate-variances t tests, Psicol ogica 30, 371390.
1
5
2
J
o
r
g
e
E
d
u
a
r
d
o
O
r
t
i
z
&
E
d
n
a
C
a
r
o
l
i
n
a
M
o
r
e
n
o
0 10 20 30 40 50
0.045
0.050
0.055
0.060
0.065
0.070
0.075
0.080
Ny
P
r
o
p
o
r
c
i
n

d
e

r
e
c
h
a
z
o
s

d
e

H
o
Nx=6
Nx=8
Nx=10
Nx=12
Nx=14
Nx=16
Nx=18
Nx=20
Nx=25
Nx=30
Nx=35
Nx=40
Nx=45
Nx=50
Prueba T con el mnimo valorp. R = 1
Figura 1: Proporciones de error tipo I cuando se rechaza H
0
con el mnimo valor-p de las pruebas de Student y de Welch-
Satterthwaite. Las varianzas poblacionales son iguales.
C
o
m
u
n
i
c
a
c
i
o
n
e
s
e
n
E
s
t
a
d
s
t
i
c
a
,
j
u
n
i
o
2
0
1
2
,
V
o
l
.
4
,
N
o
.
2
S
e
n
e
c
e
s
i
t
a
l
a
p
r
u
e
b
a
t
d
e
S
t
u
d
e
n
t
p
a
r
a
d
o
s
m
u
e
s
t
r
a
s
i
n
d
e
p
e
n
d
i
e
n
t
e
s
?
1
5
3
0 10 20 30 40 50
0.04
0.06
0.08
0.10
0.12
Ny
P
r
o
p
o
r
c
i
n

d
e

r
e
c
h
a
z
o
s

d
e

H
o
Nx=6
Nx=8
Nx=10
Nx=12
Nx=14
Nx=16
Nx=18
Nx=20
Nx=25
Nx=30
Nx=35 Nx=40
Nx=45
Nx=50
Prueba T con el mnimo valorp. R = 1.25
Figura 2: Proporciones de error tipo I cuando se rechaza H
0
con el mnimo valor-p de las pruebas de Student y de Welch-
Satterthwaite. La relaci on R = 1.25 indica que
Y
= 1.25
X
.
C
o
m
u
n
i
c
a
c
i
o
n
e
s
e
n
E
s
t
a
d
s
t
i
c
a
,
j
u
n
i
o
2
0
1
2
,
V
o
l
.
4
,
N
o
.
2
1
5
4
J
o
r
g
e
E
d
u
a
r
d
o
O
r
t
i
z
&
E
d
n
a
C
a
r
o
l
i
n
a
M
o
r
e
n
o
0 10 20 30 40 50
0.048
0.050
0.052
0.054
0.056
0.058
Ny
P
r
o
p
o
r
c
i
n

d
e

r
e
c
h
a
z
o
s

d
e

H
o
Nx=6
Nx=8
Nx=10
Nx=12
Nx=14
Nx=16
Nx=18
Nx=20
Nx=25
Nx=30
Nx=35
Nx=40
Nx=45
Nx=50
Prueba T condicionada. R = 1
Figura 3: Proporciones de error tipo I con pruebas combinadas de F para homocedasticidad y de Student o de Welch-Satterthwaite
seg un el resultado preliminar. Varianzas poblacionales iguales.
C
o
m
u
n
i
c
a
c
i
o
n
e
s
e
n
E
s
t
a
d
s
t
i
c
a
,
j
u
n
i
o
2
0
1
2
,
V
o
l
.
4
,
N
o
.
2
S
e
n
e
c
e
s
i
t
a
l
a
p
r
u
e
b
a
t
d
e
S
t
u
d
e
n
t
p
a
r
a
d
o
s
m
u
e
s
t
r
a
s
i
n
d
e
p
e
n
d
i
e
n
t
e
s
?
1
5
5
0 10 20 30 40 50
0.04
0.06
0.08
0.10
0.12
Ny
P
r
o
p
o
r
c
i
n

d
e

r
e
c
h
a
z
o
s

d
e

H
o
Nx=6 Nx=6
Nx=8
Nx=10
Nx=12
Nx=14
Nx=16
Nx=18
Nx=20
Nx=25
Nx=30 Nx=35
Nx=40
Nx=45
Nx=50
Prueba T condicionada. R = 1.75
seg un el resultado preliminar.
Y
= 1.75
X
.
C
o
m
u
n
i
c
a
c
i
o
n
e
s
e
n
E
s
t
a
d
s
t
i
c
a
,
j
u
n
i
o
2
0
1
2
,
V
o
l
.
4
,
N
o
.
2
1
5
6
J
o
r
g
e
E
d
u
a
r
d
o
O
r
t
i
z
&
E
d
n
a
C
a
r
o
l
i
n
a
M
o
r
e
n
o
0 10 20 30 40 50
0.05
0.10
0.15
Ny
P
r
o
p
o
r
c
i
n

d
e

r
e
c
h
a
z
o
s

d
e

H
o
Student (varianzas iguales). R = 1.5
seg un el resultado preliminar.
Y
= 1.5
X
.
C
o
m
u
n
i
c
a
c
i
o
n
e
s
e
n
E
s
t
a
d
s
t
i
c
a
,
j
u
n
i
o
2
0
1
2
,
V
o
l
.
4
,
N
o
.
2
S
e
n
e
c
e
s
i
t
a
l
a
p
r
u
e
b
a
t
d
e
S
t
u
d
e
n
t
p
a
r
a
d
o
s
m
u
e
s
t
r
a
s
i
n
d
e
p
e
n
d
i
e
n
t
e
s
?
1
5
7
0 10 20 30 40 50
0.046
0.048
0.050
0.052
0.054
0.056
0.058
Ny
P
r
o
p
o
r
c
i
n

d
e

r
e
c
h
a
z
o
s

d
e

H
o
Nx=6
Nx=8
Nx=10
Nx=12
Nx=14
Nx=16
Nx=18
Nx=20
Nx=25
Nx=30
Nx=35
Nx=40
Nx=45
Nx=50
Welch, forma 1. R = 1
Figura 6: Proporciones de error tipo I con la prueba de Welch-Satterthwaite. Varianzas iguales.
C
o
m
u
n
i
c
a
c
i
o
n
e
s
e
n
E
s
t
a
d
s
t
i
c
a
,
j
u
n
i
o
2
0
1
2
,
V
o
l
.
4
,
N
o
.
2

Se Necesita Una T Student Assumiendo Varianzas Iguales

Cargado por

Copyright:

Formatos disponibles

Se Necesita Una T Student Assumiendo Varianzas Iguales

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Se Necesita Una T Student Assumiendo Varianzas Iguales

Cargado por

Copyright:

Formatos disponibles

Comunicaciones en Estadstica

Junio 2012, Vol. 4, No. 2

También podría gustarte