TY STUDENT PARA MUESTRAS INDEPENDIENTES Todas las pruebas paramtricas, en las cuales se incluye la t de Student y la F de Fischer, se basan en supuestos

tericos para utilizarse. Dichos supuestos matemticos las hacen vlidas, pues al analizar las mediciones de las observaciones, se tienen procedimientos de gran potencia-eficiencia para evitar error del tipo I. En tales pruebas paramtricas se exige una serie de requisitos para aplicarlas como instrumento estadstico: a. b. c. Las observaciones deben ser independientes. Las observaciones se deben efectuar en universos poblacionales distribuidos normalmente. Las mediciones se deben elaborar en una escala de intervalo, entendiendo que una escala de intervalo exige que puedan efectuarse todas las operaciones aritmticas admisibles. Tambin se requiere que los intervalos entre las mediciones tengan la misma magnitud. Las varianzas de los grupos deben ser homogneas, de modo que cabe aclarar que en las mediciones realizadas en biomedicina, es poco probable encontrar varianzas iguales. Por ello, se utiliza la prueba ji cuadrada de Barlett para decidir si las diferencias observables en la magnitud de las varianzas son significativas o no.

d.

El modelo matemtico que en seguida se presenta, corresponde a dos muestras independientes. Donde: t = valor estadstico de la prueba t de Student. 1 = valor promedio del grupo 1. 2 = valor promedio del grupo 2. sp = desviacin estndar ponderada de ambos grupos. N1 = tamao de la muestra del grupo 1. N2 = tamao de la muestra del grupo 1.

Ecuacin para obtener la desviacin estndar ponderada: Donde: sp = desviacin estndar ponderada. SC = suma de cuadrados de cada grupo. N = tamao de la muestra 1 y 2. Pasos: 1. 2. 3. 4. 5. 6. 7. Determinar el promedio o media aritmtica de cada grupo de poblacin. Calcular las varianzas de cada grupo, a fin de demostrar la homogeneidad de varianzas mediante la 2 prueba de X de Bartlett. Calcular la suma de cuadrados de cada grupo: Suma de cuadrados (SC) = S(X - )2. Calcular la desviacin estndar ponderada (sp) de ambos grupos. Obtener la diferencia absoluta entre los grupos ( 1 - 2). Aplicar la frmula y obtener el valor estadstico de t. Calcular los grados de libertad (gl). gl = N1 + N2 -2

8. 9.

Obtener la probabilidad del valor t en la tabla. Decidir si se acepta o rechaza la hiptesis.

Ejemplo: Un investigador ha obtenido la talla de 20 nios de 5 aos de edad, de dos condiciones socioeconmicas contrastantes (alta y baja). Considera que ambos grupos de poblacin tienen estaturas diferentes. Eleccin de la prueba estadstica. Tenemos un modelo experimental con dos muestras independientes. Planteamiento de la hiptesis. y y Hiptesis alterna (Ha). Las tallas de nios de 5 aos de las dos muestras, de condiciones socioeconmicas contrastantes, son distintas. Hiptesis nula (Ho). Las diferencias observadas en las tallas de nios de las dos muestras de condicin socioeconmica similar se deben al azar.

Nivel de significacin. Para todo valor de probabilidad igual o menor que 0.05, se acepta Ha y se rechaza Ho. Zona de rechazo. Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Ha. Talla en cm de nios de condiciones socioeconmicas baja y alta.

Aplicacin de la prueba estadstica. Suma de cuadrados.

Desviacin estndar ponderada.

Ecuacin t.

gl = N1 + N2 -2 = 10 + 10 - 2 = 18

El valor de to se compara con los valores crticos de la tabla (tt) con 18 grados de libertad, y se obtiene que en el valor ms cercano al calculado, la probabilidad es de 0.001 (valor crtico de t: 3.92). Decisin. Como el valor de to (3.99) tiene una probabilidad de significancia menor que 0.001, tambin es menor que 0.05, propuesto como nivel de significancia, por lo cual se acepta Ha y se rechaza Ho. Interpretacin. Las diferencias en talla de ambos nios de condiciones socioeconmicas antagnicas (alta y baja) difieren notoriamente en el nivel de confianza de p menor que 0.001.

T STUDENT PARA MUESTRAS RELACIONADAS La Prueba T para muestras relacionadas compara las medias de dos variables de un solo grupo. Calcula las diferencias entre los valores de las dos variables y contrasta si la media difiere de cero. Es decir, este diseo se aplica cuando los datos estn apareados o emparejados (provienen de sujetos con variables medidas antes y despus del tratamiento o de pares de sujetos emparejados a partir de sus caractersticas similares en variables de control o que se desean controlar de modo especfico).

Para realizar un contraste de hiptesis de muestras relacionadas se requieren, al menos, dos variables, que representen valores para los dos miembros del par, por ejemplo medidas pre-test y post-test. Slo se pueden utilizar variables numricas.

En nuestro caso, puede resultar muy til la comparacin de las situaciones pretest y postest para cada variable en cada grupo de tratamiento. Veamos un ejemplo: Todas las pruebas paramtricas, en las cuales se incluye la t de Student y la F de Fischer, se basan en supuestos tericos para utilizarse. Dichos supuestos matemticos las hacen vlidas, pues al analizar las mediciones de las observaciones, se tienen procedimientos de gran potencia-eficiencia para evitar error del tipo I. En tales pruebas paramtricas se exige una serie de requisitos para aplicarlas como instrumento estadstico: 1. Las observaciones deben ser independientes. 2. Las observaciones se deben efectuar en universos poblacionales distribuidos normalmente. 3. Las mediciones se deben elaborar en una escala de intervalo, entendiendo que una escala de intervalo exige que puedan efectuarse todas las operaciones aritmticas admisibles. Tambin se requiere que los intervalos entre las mediciones tengan la misma magnitud. 4. Las varianzas de los grupos deben ser homogneas, de modo que cabe aclarar que en las mediciones realizadas en biomedicina, es poco probable encontrar varianzas iguales. Por ello, se utiliza la prueba ji cuadrada de Barlett para decidir si las diferencias observables en la magnitud de las varianzas son significativas o no.

El modelo matemtico que en seguida se presenta, corresponde a dos muestras independientes. Donde: t = valor estadstico de la prueba t de Student.
1 2

= valor promedio del grupo 1. = valor promedio del grupo 2.

sp = desviacin estndar ponderada de ambos grupos. N1 = tamao de la muestra del grupo 1. N2 = tamao de la muestra del grupo 1.

Ecuacin para obtener la desviacin estndar ponderada: Donde: sp = desviacin estndar ponderada. SC = suma de cuadrados de cada grupo. N = tamao de la muestra 1 y 2. Pasos: 1. Determinar el promedio o media aritmtica de cada grupo de poblacin. 2. Calcular las varianzas de cada grupo, a fin de demostrar la homogeneidad de varianzas mediante la prueba de X2 de Bartlett. 3. Calcular la suma de cuadrados de cada grupo: Suma de cuadrados (SC) = S(X 4. Calcular la desviacin estndar ponderada (sp) de ambos grupos. 5. Obtener la diferencia absoluta entre los grupos (
1

) 2.

2).

6. Aplicar la frmula y obtener el valor estadstico de t. 7. Calcular los grados de libertad (gl). gl = N1 + N2 -2 8. Obtener la probabilidad del valor t en la tabla. 9. Decidir si se acepta o rechaza la hiptesis.

Ejemplo: Un investigador ha obtenido la talla de 20 nios de 5 aos de edad, de dos condiciones socioeconmicas contrastantes (alta y baja). Considera que ambos grupos de poblacin tienen estaturas diferentes. Eleccin de la prueba estadstica. Tenemos un modelo experimental con dos muestras independientes. Planteamiento de la hiptesis.

Hiptesis alterna (Ha). Las tallas de nios de 5 aos de las dos muestras, de condiciones socioeconmicas contrastantes, son distintas.

Hiptesis nula (Ho). Las diferencias observadas en las tallas de nios de las dos muestras de condicin socioeconmica similar se deben al azar.

Nivel de significacin. Para todo valor de probabilidad igual o menor que 0.05, se acepta Ha y se rechaza Ho. Zona de rechazo. Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Ha.

ESTADSTICA DESCRIPTIVA E INFERENCIAL Estadstica Descriptiva se refiere a la recoleccin, presentacin, descripcin, anlisis e interpretacin de una coleccin de datos, esencialmente consiste en resumir stos con uno o dos elementos de informacin (medidas descriptivas) que caracterizan la totalidad de los mismos. La estadstica Descriptiva es el mtodo de obtener de un conjunto de datos conclusiones sobre si mismos y no sobrepasan el conocimiento proporcionado por stos. Puede utilizarse para resumir o describir cualquier conjunto ya sea que se trate de una poblacin o de una muestra, cuando en la etapa preliminar de la Inferencia Estadstica se conocen los elementos de una muestra. Estadstica Inferencial se refiere al proceso de lograr generalizaciones acerca de las propiedades del todo, poblacin, partiendo de lo especfico, muestra. las cuales llevan implcitos una serie de riesgos. Para que stas generalizaciones sean vlidas la muestra deben ser representativa de la poblacin y la calidad de la informacin debe ser controlada, adems puesto que las conclusiones as extradas estn sujetas a errores, se tendr que especificar el riesgo o probabilidad que con que se pueden cometer esos errores. La estadstica inferencial es el conjunto de tcnicas que se utiliza para obtener conclusiones que sobrepasan los lmites del conocimiento aportado por los datos, busca obtener informacin de un colectivo mediante un metdico procedimiento del manejo de datos de la muestra. En sus particularidades la Inferencia distingue la Estimacin y la Contrastacin de Hiptesis. Es estimacin cuando se usan las caractersticas de la muestra para hacer inferencias sobre las caractersticas de la poblacin. Es contrastacin de hiptesis cuando se usa la informacin de la muestra para responder a interrogantes sobre la poblacin. ANALISIS ESTADSTICO El anlisis estadstico es todo el proceso de organizacin, procesamiento, reduccin e interpretacin de datos para realizar inferencias. DATOS Y VARIABLES

Cuando se consideran los mtodos de organizacin, reduccin y anlisis de datos estadsticos, se hace necesario aclarar los siguientes conceptos. Variables: es toda caracterstica que vara de un elemento a otro de la poblacin. Datos: son medidas o valores de las caractersticas susceptibles de observar y contar, se originan por la observacin de una o ms variables de un grupo de elementos o unidades CLASIFICACIN DE VARIABLES Las variables pueden clasificarse en: categricas o cualitativas (atributos), no tienen ningn grado de comparacin numrica, ejemplo: sexo, estado civil; y numricas o cuantitativas, son caractersticas factibles de expresar por medio de nmeros, estas pueden ser Discretas, que solo pueden tomar ciertos valores aislados en un intervalo, y Continuas, que pueden tomar cualquier valor en un intervalo. REPRESENTACIN DE DATOS Los datos son colecciones de un nmero cualquiera de observaciones relacionadas entre si, para que sean tiles se deben organizar de manera que faciliten su anlisis, se puedan seleccionar tendencias, describir relaciones, determinar causas y efectos y permitan llegar a conclusiones lgicas y tomar decisiones bien fundamentadas; por esa razn es necesario conocer lo mtodos de Organizacin y Representacin, la finalidad de stos mtodos es permitir ver rpidamente todas las caractersticas posibles de los datos que se han recolectado. Representacin Tabular: Presenta las variable y las frecuencias con que los valores de stas se encuentran presentes en el estudio. Representacin Grfica : Se llaman grficas a las diferentes formas de expresar los datos utilizando los medios de representacin que proporciona la geometra. METODOS DE REPRESENTACIN DE DATOS CUANTITATIVOS Arreglo de Datos. Es una forma de presentar los datos en un arreglo ascendente o descendente. Ofrece las ventajas siguientes: describe los valores mnimos y mximos, en l se pueden dividir los datos fcilmente en secciones, permite darse cuenta de los valores que aparecen ms de una vez, se puede observar la distancia entre valores consecutivos. Diagrama de Puntos. Muestra la frecuencia con que aparece cada uno de los valores Diagrama de Tallo y Hoja. Es til para realizar una exploracin preliminar del conjunto, genera una imagen adecuada de ellos sin perder informacin. Distribucin de Frecuencias. Es una forma de sintetizar los datos y consiste en valerse de una tabla para clasificar los datos segn su magnitud, en ella se seala el nmero de veces que aparece cada uno de los valores. Cuando se dispone de un gran nmero de valores discretos o cuando las variables son continuas, tiene sentido formar una tabla que presente la distribucin de frecuencias de los datos agrupados en intervalos o clases, de igual tamao si es posible, sin embargo una tabla de este tipo supone una concentracin de datos que produce prdida de informacin.