Una prueba t es uno de los procedimientos estadísticos más utilizados para determinar si los medios de dos grupos son significativamente diferentes entre sí. Si está analizando resultados experimentales, comparando puntuaciones pre- y post-intervención, o evaluando los datos de prueba A/B, la prueba t proporciona un método sencillo para tomar decisiones basadas en datos. Esta guía explica la lógica detrás de la prueba t, camina a través de los resultados prácticos, interpretar un proceso de un consejo.

¿Qué es un T-Test?

Un test de t es una prueba de hipótesis paramétrica que evalúa si la diferencia entre dos medios de grupo es probable que refleje un efecto real o simplemente variación de muestreo aleatorio. Fue desarrollada por William Sealy Gosset (escritura bajo el seudónimo "Estudio") para el control de calidad en la elaboración. La prueba es particularmente valiosa cuando los tamaños de muestra son pequeños y la desviación estándar de población es desconocida, dos limitaciones comunes en la investigación del mundo real.

La prueba produce un t-estadística, que mide el tamaño de la diferencia relativa a la variabilidad de los datos. Un valor t absoluto más grande indica una diferencia mayor entre los grupos, pero si esa diferencia es estadísticamente significativa depende del tamaño de la muestra (de acuerdo de libertad) y el nivel de significación elegido (típicamente α = 0,05).

Tipos de T-Tests

Elegir el tipo correcto de t-test es crítico para los resultados válidos. Las tres variantes principales son:

Muestras independientes T-Test (Two‐Sample T-Test)

Se utiliza al comparar dos grupos separados y no relacionados. Por ejemplo, comparar los puntajes de prueba de los estudiantes enseñados con dos métodos diferentes, o medir los tiempos de reacción de un grupo de control frente a un grupo de tratamiento.

Muestras emparejadas T-Test (Dependent T-Test)

Utilizados cuando los datos son naturalmente emparejados, como mediciones anteriores y posteriores sobre los mismos temas, o pares emparejados (por ejemplo, gemelos, comparaciones izquierda-derecha).Este test explica la correlación entre las observaciones emparejadas y normalmente tiene más poder estadístico que la versión independiente.

T-Test de un solo ejemplo

Compara la media de un solo grupo contra una población conocida. Por ejemplo, probar si la altura media de una muestra difiere del promedio nacional. Mientras que este artículo se centra en comparar dos medios, el test t-sample sigue una lógica similar.

Para todo tipo, también hay un Welch t‐test (versión de diferencias desiguales) que no asume diferencias de población iguales. Muchos estadísticos recomiendan utilizar el test t-test de Welch por defecto porque es robusto a las violaciones de la suposición de la igualdad de variación.

Sumas de un T-Test

La validez de los resultados de t‐test depende de varias suposiciones:

  • La independencia: Las observaciones dentro y entre grupos deben ser independientes. Para las pruebas emparejadas, los pares son independientes.
  • Normalidad: Los datos de cada grupo (o las diferencias en las pruebas emparejadas) deben ser distribuidos normalmente. La prueba t es bastante robusta a moderada des desviaciones de la normalidad, especialmente con tamaños de muestra por encima de 30.
  • Homogeneidad de la varianza (para muestras independientes): Las diferencias de las dos poblaciones son iguales. Si se viola esta suposición, utilice la prueba t-test de Welch o una alternativa no paramétrica como la prueba Mann‐Whitney U.

Siempre revise estas suposiciones antes de interpretar la prueba. Use histogramas, diagramas Q-Q, o pruebas formales como Shapiro‐Wilk (normalidad) y la prueba de Levene (igualdad de las diferencias).

Guía paso a paso para realizar un T-Test

Los siguientes pasos se aplican a una prueba t de muestras independientes. El proceso para una prueba t pareado es similar pero utiliza diferencias entre observaciones pares.

Paso 1: Indique las hipótesis

La hipótesis nula (H0) indica que no hay diferencia entre la población significa: μ1 = μ2. La hipótesis alternativa (H1) indica que hay una diferencia (de dos colas) o un efecto direccional (de cola única). La mayoría de la investigación utiliza una prueba de dos colas porque detecta diferencias en cualquier dirección.

  • Dos porta: H1: μ1 √2
  • De cola única (grieta): H1: μ1 μ2
  • De cola única (menos): H1: μ1 < μ₂

Paso 2: Recoger y preparar los datos

Asegurar que los datos cumplan con las suposiciones. Es esencial el muestreo aleatorio y el diseño experimental adecuado. Cada observación debe pertenecer a exactamente uno de los dos grupos para una prueba independiente. Para una prueba combinada, registre el identificador de pares y las dos medidas para cada sujeto.

Paso 3: Calcular estadísticas descriptivas

Computa el tamaño de la muestra (n), media (M), y desviación estándar (s) para cada grupo. Estos son necesarios para la t‐formula.

Ejemplo: Grupo A (n1 = 10, M1 = 15.2, s1 = 3.1); Grupo B (n2 = 10, M2 = 12.8, s2 = 2.9).

Paso 4: Computar el Error Estándar de la Diferencia

El error estándar (SE) mide la variabilidad de la diferencia entre los dos medios de muestra. Para las diferencias iguales (conjunto):

SE = sp × √(1/n1 + 1/n2)

Donde sp es la desviación estándar de la piscina:

sp = √[(n1 −1)s12 + (n2 −1)s22) / (n1 + n2 − 2)]

Si utilizamos la prueba de Welch, no se agrupen; use la fórmula de varianzas separadas:

SE = √(s12/n1 + s22/n2)

Paso 5: Calcular la T-Estadística

Para la prueba t independiente:

t = (M1 - M2) / SE

Utilizando el ejemplo: M1 - M2 = 15.2 − 12.8 = 2.4. Suma agrupada SE = 1,34 (calculada de s1 = 3.1, n1 = 10, s2 = 2,9, n2 = 10). Luego t = 2.4 / 1,34 ♥ ♥ 1.79.

Paso 6: Determinar los grados de libertad

Para la t‐test alberca: df = n1 + n2 − 2. En el ejemplo, df = 10 + 10 − 2 = 18.

Para la t‐test de Welch, utilice la ecuación de Welch‐Satterthwaite para aproximar df, que es generalmente menor que n1 + n2 − 2.

Paso 7: Encuentre el valor crítico o el valor P‐

Compare el valor t calculado al valor t crítico de una tabla de distribución t en su α elegido (por ejemplo, 0.05) y df. Para una prueba de dos colas con df = 18 y α = 0.05, el t crítico es aproximadamente 2.101. Alternativamente, computa el valor p‐valor mediante software o una calculadora en línea. El valor p- extremo es la probabilidad de observar un t-or

Paso 8: Dibujar una conclusión

Si el t calculado supera el valor crítico (o si p < α), reject H₀ and conclude there is a statistically significant difference between the group means. If not, fail to reject H₀ — the evidence is insufficient to claim a difference.

En el ejemplo, t ♥ 1.79 es menos de 2.101, por lo que no rechazamos H0. La diferencia de 2.4 puntos no es estadísticamente significativa en el nivel 0.05.

Ejemplo de cálculo manual (completa)

Supongamos que usted tiene dos grupos de plantas cultivadas bajo diferentes condiciones de luz. Grupo 1 (n1 = 12, M1 = 25,4 cm, s1 = 4.2 cm) y Grupo 2 (n2 = 10, M2 = 22,1 cm, s2 = 3,8 cm). Realizar una prueba t-test independiente en α = 0,05.

  1. Hipótesis: H0: μ1 = μ2, H1: μ1 ® μ2.
  2. Desviación estándar de piscina:
    sp = √[(11)(4.22) + (9)(3.82)) / (12+10−2)] = √[(11×17.64 + 9×14.44) / 20] = √[(194.04 + 129.96) / 20] = √(324 / 20) = √16.2 ♥ 4.025.
  3. Error estándar: SE = 4.025 × √(1/12 + 1/10) = 4.025 × √(0.08333 + 0.1) = 4.025 × √0.18333 = 4.025 × 0.4282 ♥ ♥ 1.723.
  4. T-estadística: t = (25.4 - 22.1) / 1.723 = 3.3 / 1.723 ♥ ♥ 1.915.
  5. Grados de libertad: df = 12 + 10 - 2 = 20.
  6. Valor crítico: Para α = 0,05 (dos colas), df = 20, crítico t = 2.086.
  7. Conclusión: 1.915 < 2.086, so fail to reject H₀. The difference in mean height is not statistically significant.

Si hubieras utilizado el test de Welch, el df sería ligeramente inferior, pero la conclusión sería probablemente la misma. Siempre reporte la estadística de prueba, grados de libertad y valor p-valor: t(20) = 1,92, p = 0,069 (por ejemplo).

Utilizando el software estadístico

El cálculo manual es excelente para el aprendizaje, pero el análisis real del mundo se hace generalmente con el software. Aquí es cómo realizar una prueba t en las herramientas comunes:

Microsoft Excel

Usar el T.TEST función: . Para muestras independientes, tipo = 2 (igual varianzas) o 3 (variedades iguales). Para emparejados, tipo = 1. La función devuelve el valor p. Alternativamente, utilice el “t-Test de Data Analysis Toolpak: Dos muestras que asumen variaciones iguales” o “t-Test: emparejado dos muestras para medios”.

R

Para un test de t independiente: . El valor predeterminado es el test de Welch (var.equal = FALSE). Para una prueba pareada: .

Python (SciPy)

Importar . Prueba independiente: . Pared: ].

SPSS

Ir a Analyze → Comparar Medios → Prueba de T de muestras independientes (o prueba T de muestreos pareados). Elige la variable de agrupación y la variable de prueba. La salida incluye la prueba de Levene para la igualdad de diferencias y los resultados de t-test de Welch y de piscina.

Para ejemplos más detallados, vea el Estadísticas Cómo guiar o el NIST/SEMATECH e-Handbook of Statistical Methods.

Resultados de interpretación Más allá del valor P‐

Un valor p-e importante le dice que la diferencia observada es poco probable que sea debido a la oportunidad, pero no mide el tamaño o la importancia práctica del efecto.

  • Tamaño del efecto: Cohen's d = (M1 − M2) / sp. Un valor de 0.2 se considera pequeño, 0,5 medio y 0,8 de gran tamaño. En el ejemplo de planta, d = 3.3 / 4.025 Ω 0,82, que es un efecto grande aunque el examen no fue estadísticamente significativo (debido al tamaño de muestra pequeño).
  • Intervalo de confianza para la diferencia: Proporciona una gama de valores plausibles para la verdadera diferencia media. Un IC del 95% que no incluye cero indica una diferencia significativa en α = 0.05.
  • Análisis de potencia: Considere si su tamaño de muestra era adecuado para detectar un efecto significativo. Un análisis de potencia post-hoc puede ayudar, pero es mejor realizar un análisis de potencia a priori cuando se planea el estudio.

Errores comunes y cómo evitarlos

Error 1: Usar un T-Test independiente para Datos Parados

Los datos emparejados (por ejemplo, antes de lo sucesivo) están correlacionados. Tratarlos como independientes infla la variabilidad y reduce el poder. Utilice siempre una prueba t-test pareado para las observaciones emparejadas.

Error 2: ignorando las acumulaciones

Si no se verifica la normalidad o las diferencias iguales pueden llevar a conclusiones inválidas. Si se violan las suposiciones, considere la t‐test de Welch, una alternativa no paramétrica (Mann‐Whitney U para datos independientes, Wilcoxon firmado-rank para emparejado), o utilice transformaciones.

Error 3: Realizar múltiples T‐Tests sin corrección

Al comparar más de dos grupos, use ANOVA en lugar de ejecutar varias pruebas t-sápidas. Múltiples comparaciones inflan la tasa de error de la familia. Si se necesitan pruebas de seguimiento, aplique una corrección como Bonferroni o Tukey.

Error 4: Confundir significación estadística y práctica

Un valor p-p muy pequeño no siempre significa que el efecto es significativo, especialmente con muestras grandes. Siempre examina el tamaño del efecto y el contexto.

Error 5: Usar un examen de un solo golpe sin una justificación fuerte

Las pruebas de cola única son apropiadas cuando usted tiene una hipótesis direccional clara y están preparadas para ignorar los efectos en la dirección opuesta. La mayoría de los campos predeterminados a pruebas de dos colas para ser conservador.

Conclusión

El t‐test sigue siendo una piedra angular de estadísticas comparativas porque es simple, bien entendido, y eficaz para las comparaciones de muestras pequeñas. Al indicar cuidadosamente hipótesis, comprobar hipótesis, seleccionar la variante correcta de prueba, e interpretar tanto los valores de p y los tamaños de los efectos, puede sacar conclusiones confiables de sus datos. Practicar con conjuntos de datos reales y utilizar software para verificar cálculos manuales. Con estas habilidades se equipará a muchas preguntas para responder.

Para más lectura, el Artículo de Wikipedia sobre la prueba t del estudiante ofrece un tratamiento matemático minucioso, y Explicación de la inversionopedia proporciona una perspectiva financiera-analítica.