Test de Student

Profesor
Juan Barile Sanhueza
TEST DE STUDENT

. Corresponde a un estadistico clásico que compara

medias y proporciones y que no requiere del
supuesto de un muestreo grande, siendo válido
para pequeñas como para grandes muestras.

. Esto amplía el campo de aplicación del modelo de

Gauss, sin embargo, se pierde un poco de precisión
pues, como se verá, el intervalo de confianza se
hace más grande para un mismo caso. Estos
modelos se prefieren al de Gauss porque sus
ventajas valen la pena, al precio de perder un poco
de precisión.
La distribución tiene las siguientes características

) µ=0
) σ2 > 1
) Simétrica
) El valor de t varía entre más y menos ∞
) La distribución toma diferentes formas en relación
a los grados de libertad
) Cuando los grado de libertad tienden a ∞, la
distribución t es igual a la normal.
Supuestos del t-test

1) Las muestras deben provenir de una población

normal o aproximadamente normal.

2) La selección de las muestras se debe realizar en

forma aleatoria.

3) Las muestras deben ser independientes entre sí.

Si alguno de estos supuestos no se cumple, las

conclusiones que se obtengan no son válidas.
La distribución de Student
Si de una población normal, o aproximadamente normal, se
extraen muestras aleatorias e independientes y a cada una
se le calcula dicho estadígrafo usando los valores
muestrales de la media y el desvío estándar, entonces se
obtiene una distribución muestral t que viene dada por la
fórmula de Student.
Algunas pildoritas
¾ El test en, fue obtenido por R. A. Fisher y la bautizó
Student en honor a W. S. Gosset, quien usaba ese
seudónimo para publicar sus trabajos en la revista
Biometrika y quien primero inicio el estudio de esta
distribución.
¾ Cuando el tamaño muestral es mayor que 30 la
distribución de Student se aproxima mucho a la de
Gauss, en el límite ambas son iguales. Es decir que la
función Student tiende asintóticamente a la función de
Gauss.
¾ La distribución de Student, al igual que la de Gauss, es
simétrica respecto al origen de coordenadas y se
extiende desde – ∞ hasta + ∞.
¾ A diferencia de la normal, la distribución de Stdente
puede adoptar diferentes formas dependiendo del
número de grados de libertad. Por ejemplo, la que tiene
un solo grado de libertad (n=2 y υ=1), se desvía
marcadamente de la normal. Luego, a medida que los
grados van aumentando, se acerca cada vez más, hasta
igualarla en el infinito.
¾ Los valores críticos de la Tabla Student, para una
confianza del 95 % y dos colas, para 1, 5, 10, 30 y ∞
grados de libertad son 12,71; 2,57; 2,23; 2,04 y 1,96
respectivamente. Estos valores críticos se denotan con
sus dos parámetros así: tα ; υ = t 0,05 ; ∞ = 1,96 = zα.
¾ Para el cálculo de intervalos de confianza esta
distribución es más exacta que la de Gaus
¾ Generalmente, este modelo se aplica al caso de la
media, proporciones y sus diferencias o sumas.

¾ Para una estimación con 30 o más grados de libertad,

se pueden usar tanto el modelo de Gauss, como el de
Student. El intervalo es casi igual, salvo que en este
último el valor crítico es mayor. Por eso, se dice que el
modelo Student tiene menor precisión que el de Gauss.
Student para medias muestrales (x − µ
t=
Ejemplo DS / n
Se desea saber si un equipo está calibrado, desde el punto de
vista de la exactitud. Para ello se consigue un valor patrón y
se lo mide 10 veces (ejemplo: un equipo, una droga, etc.).
Suponiendo que el resultado de estas mediciones arroja una
media de 52,9 y un a SD 3, usando un patrón de valor 50.
Ho : µ = 50 el instrumento está calibrado en exactitud
H1 : µ ≠ 50 no está calibrado. Hay un error sistemático
Se trata de un ensayo de dos colas donde hay ν=10–1=9
grados de libertad. De la Tabla t-test se obtienen los valores
críticos al 95% de t 0,05; 9 = 2,262, al 99% de t 0,01; 9 = 3,25 y
para un nivel del 99,9% es t 0,001; 9 = 4,781.
Student para proporciones (P − µ )
t=
Ejemplo µ ∗ (1 − µ ) / n

Un analgésico afirma que alivia el dolor en el 90% de los

casos antes de la primera hora luego de su ingesta. Para
validar esta información, se hace un experimento en 20
individuos. Se observa que fue efectivo en 15 de ellos.
H0 : µ ≥ 0,9 La afirmación es correcta
H1 : µ < 0,9 La afirmación es falsa
Es un ensayo de una sola cola (a izquierda)
El porcentaje de éxitos es: P = 15 / 20 = 0,75.

De tabla: t 0,999; 19 = −3,579 t 0,99; 19 = −2,539 y t 0,95; 19 = -1,729

Student para 2 muestras independientes
Se usa habitualmente cuando se desea comparar dos
muestras entre sí, para detectar si hay diferencia
significativa entre ellas, debido a algún factor analizado.
Los supuestos para poder aplicar el modelo, es que, las
muestras deben ser normales, aleatorias e
independientes.
La idea es averiguar si ambas muestras provienen de la
misma población o de poblaciones diferentes. Con eso se
puede ver si el efecto de los “tratamientos” aplicados a las
muestras es significativo estadisticamente.
La limitante es que se puede comparar sólo 2 muestras
entre si simultaneamente.
Caso a. Comparación de medias
Para estos casos, el valor de Student para validaciones de
medias se calcula con:

ts =
(Y − Y ) − (µ − µ )
1 2 1 2

1
n
( s +s )
2
1
2
2

La ecuación supone varianzas homocedasticas y tamaños

muestrales iguales
) La hipotesis nula siempre a probar será: las dos medias
no se diferencian entre si.
) La hipotesis alterna depenmderá del planteamiento de lo
que se desea probar o de la interrogante a responder
Ejemplo
En el estudio acerca de los efectos de una hormona sobre
el peso de chanchitos, se realizó un experimento en donde
se asignaron 10 chanchitos al azar al tratamiento con
hormona mientras los otros 10 recibieron placebo.
Los chanchitos fueron mantenidos en chiqueros
individuales. Al cabo de un mes, se encontró que la
ganancia en peso (diferencia entre peso inicial y final) de
chanchitos bajo hormona fue, en promedio de 25.2 kg con
una desviación estándar de 4.5 kg. Mientras que la
ganancia en peso promedio bajo el placebo fue de 19.8 kg
con una desviación estándar de 5.1kg.
H0 : µ1 = µ 2 : el medicamento es inocuo
H1 : µ1 ≠ µ 2 : el medicamento produce efecto
Es un ensayo de dos colas donde los valores críticos se
buscan en la Tabla interpolando entre 30 y 40 grados de
libertad.
(19.8 − 252
. ) 54.
ts = = = 2.51
1 2.15
(26.01 + 20.25)
10

El valor calculado se compara con el valor de t-Student de

tabla al 5% de significancia y con 2(10-1) grados de
libertad, este valor es t0.05 [18] = 2,1

Puesto que el valor observado es mayor que el t de la tabla

al 5% y 18 grados de libertad, rechazamos la hipótesis nula
de no efectos de la hormona. La probabilidad exacta
asociada a nuestro valor observado (t=2.51) es p = 0.0218.
En el caso que los tamaños muestrales sean distintos se
emplea la siguiente formula

(Y − Y ) − (µ − µ )
1 2 1 2
ts =
⎡ (n − 1)s + (n − 1)s ⎤⎛ n
1
2
1 2
2
2 + n2 ⎞
⎢ ⎥ ⎜ 1
⎟
⎢⎣ n1 + n2 − 2 ⎥⎦⎝ n1n2 ⎠
Caso b. Comparación de porcentajes

Basado en el transformación arcoseno de las

probabilidades

ar cos eno P1 − ar cos eno P2

t − test =
⎛1 1⎞
820,8⎜⎜ + ⎟⎟
⎝ n1 n2 ⎠
Ejemplo
En dos localidades se estudio un grupo de peces que poseían
deformación en la aleta
En localidad A de 300 individuos 168 la poseían
En la localidad B de 200 individuos 96 la poseían
¿Difieren las poblaciones?

localidad N total Con Probab arcoseno

deform deform
A 300 168 0,56 48,45
B 200 96 0,48 43,85

48,45 − 43,85 Comparado con el

t − test = = 1,908 valor de tabla= 1,96
⎛ 1 1 ⎞
820,8⎜ + ⎟ al 5% de confianza
⎝ 300 200 ⎠ las diferencias no
son significativas
Student para muestras dependientes (pareadas,
homologos)

El modelo de Student se puede usar para el caso especial

de muestras pareadas, esto es por ejemplo cuando:

a)Se le efectúan dos tratamientos a la misma muestra;

por ejemplo, del tipo antes–después donde al mismo
individuo se lo mide dos veces para ver el efecto del
tratamiento realizado,
b)el caso de método nuevo contra el método viejo, donde
al mismo grupo se le hacen dos mediciones a cada
uno, la del método de rutina habitual y otro con el
nuevo método a probar.
c) Comparar diferencias de partes homologas
En este caso si bien las muestras son independientes entre
sí, los tratamientos no lo son, porque a un mismo individuo
se le aplican ambos tratamientos.
Entonces, el mismo individuo aparecerá dos veces en los
resultados: uno en el grupo A y el otro en el grupo B.
El truco para resolver este problema de la independencia es
trabajar con la diferencia de los resultados de cada par de
mediciones efectuadas: d = xA-xB. Luego se tendrán n
diferencias d1; d2; d3...dn, que son independientes entre sí,
puesto que cada valor di corresponde a un solo individuo.
Luego, se le aplica el modelo Student para una sola
muestra, ensayando la hipótesis de que no hay diferencias
entre ambos grupos.
Efectuando la hipótesis: H0 : µd = 0 resultará:

D − ( µ1 − µ2 )
ts =
SD

La hipótesis alternativa implica un efecto diferente para cada

grupo H1 : µd ≠ 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.
Ejemplo
Se escogen 5 sujetos al azar de un grupo para una
determinación de una droga. Las muestras extraídas se miden
con el procedimiento habitual y además con una nueva
técnica que se desea probar.
¿Hay hay diferencia entre ambas técnicas?. Los resultados
expresados en g/l fueron:
En donde D barra es el promedio de las diferencias entre los
pares de replicas. Es decir, primero se calcula la diferencia
de cada par y se genera un nuevo set de datos que contiene
solamente estas diferencias. Luego la prueba de t se aplica
sobre estas diferencias y no sobre los estadísticos
descriptores de las variables originales.
 Distribución t de Student
1-α 0,200 0,100 0,050 0,025 0,010 0,005 0,001 0,0005 Una cola
1-α 0,900 0,500 0,400 0,200 0,100 0,050 0,020 0,010 0,002 0,001 Dos colas
ν ν
1 0,158 1,000 1,376 3,078 6,314 12,706 31,821 63,657 318,289 636,619 1
2 0,142 0,816 1,061 1,886 2,920 4,303 6,965 9,925 22,328 31,598 2
3 0,137 0,765 0,978 1,638 2,353 3,182 4,541 5,841 10,214 12,924 3
4 0,134 0,741 0,941 1,533 2,132 2,776 3,747 4,604 7,173 8,610 4
5 0,132 0,727 0,920 1,476 2,015 2,571 3,365 4,032 5,894 6,869 5
6 0,131 0,718 0,906 1,440 1,943 2,447 3,143 3,707 5,208 5,959 6
7 0,130 0,711 0,896 1,415 1,895 2,365 2,998 3,499 4,785 5,408 7
8 0,130 0,706 0,889 1,397 1,860 2,306 2,896 3,355 4,501 5,041 8
9 0,129 0,703 0,883 1,383 1,833 2,262 2,821 3,250 4,297 4,781 9
10 0,129 0,700 0,879 1,372 1,812 2,228 2,764 3,169 4,144 4,587 10
11 0,129 0,697 0,876 1,363 1,796 2,201 2,718 3,106 4,025 4,437 11
12 0,128 0,695 0,873 1,356 1,782 2,179 2,681 3,055 3,930 4,318 12
13 0,128 0,694 0,870 1,350 1,771 2,160 2,650 3,012 3,852 4,221 13
14 0,128 0,692 0,868 1,345 1,761 2,145 2,624 2,977 3,787 4,140 14
15 0,128 0,691 0,866 1,341 1,753 2,131 2,602 2,947 3,733 4,073 15
16 0,128 0,690 0,865 1,337 1,746 2,120 2,583 2,921 3,686 4,015 16
17 0,128 0,698 0,863 1,333 1,740 2,110 2,567 2,898 3,646 3,965 17
18 0,127 0,688 0,862 1,330 1,734 2,101 2,552 2,878 3,610 3,922 18
19 0,127 0,688 0,861 1,328 1,729 2,093 2,539 2,861 3,579 3,883 19
20 0,127 0,687 0,860 1,325 1,725 2,086 2,528 2,845 3,552 3,850 20
21 0,127 0,686 0,859 1,323 1,721 2,080 2,518 2,831 3,527 3,819 21
22 0,127 0,686 0,858 1,321 1,717 2,074 2,508 2,819 3,505 3,792 22
23 0,127 0,685 0,858 1,319 1,714 2,069 2,500 2,807 3,485 3,767 23
24 0,127 0,685 0,857 1,318 1,711 2,064 2,492 2,797 3,467 3,745 24
25 0,127 0,684 0,856 1,316 1,708 2,060 2,485 2,787 3,450 3,725 25
26 0,127 0,684 0,856 1,315 1,706 2,056 2,479 2,779 3,435 3,707 26
27 0,127 0,684 0,855 1,314 1,703 2,052 2,473 2,771 3,421 3,690 27
28 0,127 0,683 0,855 1,313 1,701 2,048 2,467 2,763 3,408 3,674 28
29 0,127 0,683 0,854 1,311 1,699 2,045 2,462 2,756 3,396 3,659 29
30 0,127 0,683 0,854 1,310 1,697 2,042 2,457 2,750 3,385 3,646 30
40 0,126 0,681 0,851 1,303 1,684 2,021 2,423 2,704 3,307 3,551 40
60 0,126 0,679 0,848 1,296 1,671 2,000 2,390 2,660 3,232 3,460 60
120 0,126 0,677 0,845 1,289 1,658 1,980 2,358 2,617 3,160 3,373 120
∞ 0,126 0,674 0,842 1,282 1,645 1,960 2,326 2,576 3,090 3,291 ∞