11. FUNCIONES DE DISTRIBUCIÓN ESPECIALES DISTRIBUCIÓN CHI2 CUADRADO DE PEARSON Si (X1,X2,...

,Xn) son n variables aleatorias normales independientes de media 0 y varianza 1, la variable definida como n 2 2 Yn = X1 +  + Xn = ∑i=1 X i2 se dice que tiene una distribución densidad es
f ($) = 1 $ ( n −2 ) % 2 e − $ % 2 n Γ  2 n 2

!" con n #rados de libertad. Su función de

$ >0

1 − ( & ) =∫ X & − e $ d$ la función #amma de 'uler, con &(0. )a función de siendo Γ 0 distribución viene dada por

F( x ) = P( X ≤ x ) = ∫ f ( x )dx
0

x

)a media de esta distribución es '(X)*n y su varianza +(X)*2n. 'sta distribución es b,sica en un determinado n-mero de pruebas no param.tricas. Si consideramos una variable aleatoria /01(0,1), la variable aleatoria X*/2 se distribuye se#-n una ley de probabilidad distribución !" con un #rado de libertad Si tenemos n variable aleatoria independientes /i01(0,1), la suma de sus cuadrados respectivos es una distribución !" con n #rados de libertad, / i ≈ 1(0,1) → ∑ / i2 ≈ χ 2 n
i =1 n

)a media y varianza de esta variable son respectivamente, '(X)*n y +(X)*2n Ejemplo, 'l espesor de un semiconductor se controla mediante la variación est,ndar no mayor a σ*0.20 mm. &ara mantener controlado el proceso se toman muestras aleatoriamente de tama3o de 20 unidades, y se considera que el sistema est, fuera de control cuando la probabilidad de que σ2 tome valor mayor o i#ual al valor de la muestra observado es que es 0.01. 4ue se puede concluir si s*0.56mm7

1

Solución. '$iste fuera de control si (n −1)s 2 % σ2 con n*20 y σ*0.20, e$cede
2 χ0 .01,18 = 92.181

(n − 1)s 2 18 ; 0.56 2 = = 9:.26 σ2 0.20 2 &or tanto, el sistema est, fuera de control

'ntonces,

)a función de distribución !" tienen importantes variaciones de acuerdo con los #rados de libertad y del tama3o muestral (menor tama3o muestral y mayor tama3o muestral respectivamente),

'n consecuencia, si tenemos X1,..,Xn, variable aleatoria independientes, donde cada X i ≈ 1(µi , σi ) , se tiene
 X i − µi  ∑  σ i =1  i
n

 2   ≈ χn 

2

)a distribución <i muestra su importancia cuando queremos determinar la variabilidad (sin si#no) de cantidades que se distribuyen en torno a un valor central si#uiendo un mecanismo normal. Teorema (Co !ra"). Sean X1,=,Xn con distribución 1(µ,σ), la variable aleatoria independiente, entonces
X=

∑X
i =1

n

i

n

 σ  ≈ 1 µ,  n 

 Xi − X  2 y ∑  σ   ≈ χ n −1 i =1  
n

2

2

el valor total del . para los principales valores de A2. se e$traen muestras aleatorias e independientes. a la derec<a de . sino que se e$tiende desde 0 <asta F G porque no puede ser ne#ativa.s all.trica respecto al ori#en. y la otra m. donde se muestran los valores del .. la curva cambia de forma y sus valores se <an tabulado en el ane$o de tablas estad@sticas. I. &ara cada #rado de libertad <ay una tabla de valores que pueden obtenerse variando el nivel de si#nificación.s com-n. 'sto es.tica est. H sea. Se compara la dispersión muestral 9 . el producto de dos distribuciones de ?auss es una distribución de <i>cuadrado. se muestra la zona de rec<azo para diferentes niveles de si#nificación y de #rados de libertad. D medida que los #rados de libertad aumentan. se resuelve de dos manerasB usando computadoras para resolver los c. en forma an. usando tablas resumidas. )a distribución de A2 se usa principalmente para analizar dispersiones. caracterizada por el valor del n-mero de #rados de libertad C*n>1 (donde n es el tama3o muestral). Dl i#ual que la t>Student.rea baEo la curva. y se le calcula el estad@#rafo A2 usando el valor muestral de la varianza y el poblacional conB ( n − 1)s 2 χ2 = σ2 'sta función matem. parecida a la de ?auss. 'l problema de calcular los valores cr@ticos.lo#a a la vista para el modelo de t>Student. para un nivel de confianza dado. Si de una población normal. lo cuales var@an entre 1 y 100.)a función <i>cuadrado es i#ual a la función normal elevada al cuadrado.ste. conviene usar directamente la función de ?auss. o apro$imadamente normal. pero la diferencia principal es que esta no es sim.rea baEo la curva es i#ual a la unidad.lculos.

9085*22 rpm. lo cual le da una variabilidad indeseada en sus determinaciones. como el de K<onLs. I.s factores en una Kabla de ontin#encia.$imo. con datos de recuento.6 rpm.s adelante se desarrolla meEor este tema. 'se control de la dispersión es muy similar al e$plicado m. Se usan dos l@mitesB el superior e inferior. )a desviación est.n se emplea a este modelo para realizar la llamada prueba de c<i>cuadrado en las comparaciones de frecuencias observadas contra las frecuencias esperadas. lo mismo que su so para testear la independencia de dos o m. 'ste ran#o de valores define la dispersión m. que usa un error relativo admisible m. dentro de los cuales se los debe mantener controlados. para los bioqu@micos.ndar es σma$*2N. Kodo remedio fabricado debe cumplir estrictas normas de calidad.$imo del 2N o menos. consi#ue un tacómetro re#ulado y mide cada minuto la velocidad durante 10 minutos. dividido por el valor medio de dic<o intervalo (referido a la ma#nitud cl@nica en cuestión y e$presado en porcentaEes).s arriba.s de la varianza (J2). Kestear para un error relativo m. si la centr@fu#a es estable. '$isten otros criterios. 'n la industria farmac. Ejemplo.s de sus cuadrados medios contra la dispersión poblacional cuantificada a trav. &ara controlarla. Mn bioqu@mico sospec<a que su micro>centr@fu#a no mantiene constante su velocidad mientras trabaEa. #eneralmente referidas al contenido en peso de sus principales componentes. lue#o. Kambi. )os resultados fueronB una velocidad promedio en las 10 mediciones de 9085 rpm con una desviación de 100.$ima admisible y lo ideal es que la dispersión de los productos terminados sea bastante inferior a dic<o ran#o. !0B σma$O22 rpm !1B σma$P22 rpm 6 .utica se la usa para analizar la dispersión de los componentes de los productos terminados. y se calcula como un cuarto del ran#o de los valores normales de referencia.e$presada a trav.

$ * 9N de 20 # * 2 #.8. por lo que le convendr@a <acer m. descubre que en su proceso de producción el contenido de ciclamato en su l@nea de mermeladas diet. )os resultados fueron muy si#nificativos A2 * 29. Se suele usar la denominada prueba <i>cuadrado como test de independencia y como test de bondad de aEuste. 'ncuentra un promedio de 20 #ramos con una desviación de 5 #ramos. 'l desviación est. 'n estad@stica.8VR8*12. el bioqu@mico <a encontrado una muy fuerte evidencia que la velocidad del equipo oscila en forma indeseada. Sospec<ando que se trata de una falla en el dosificador.χ2 = (n − 1)s 2 (10 − 1) . ontrol de alidad en una industria alimenticia.n denominada <i>cuadrado de &earson.2 σ2 22 2 Qe la Kabla de valores cr@ticos sur#eB A20.5::.$ OU2 #. )a función de distribución es V .881R8*2:.s pruebas.B el dosificador funciona correctamente !1Bσm. &or lo tanto.ticas var@a en forma indeseada.B el dosificador debe ser cambiado χ2 = ( n − 1)s 2 (10 − 1) . el farmac.metro L que representa los #rados de libertad de la variable aleatoriaB 2 2 X = /1 + /2 2 +  + /L donde /i son variables de distribución normal.222 y A20. Si en su protocolo de fabricación la variación m. decide tomar 10 muestras se#uidas del mismo.1) o de media cero y varianza uno. aEustarlo si desea disminuir la variabilidad de sus mediciones.$ima permitida es del 9N.utico no <a encontrado evidencia que respalde sus sospec<as.2 Ejemplo. tambi. determinar si el dosificador debe ser corre#ido. es una distribución de probabilidad continua con un par. 5 2 = = 12 σ2 22 Qe la Kabla de valores cr@ticos sur#eB χ20. la distribución <i>cuadrado.88R8*21.utico Tefe del Qpto. Mn farmac.ndar aceptable esB σm. el valor <allado es muy cercano al cr@tico.$ ( 2 #.6 2 = = 29. tal como sospec<aba. &or lo tanto. S deber. 100. )a función de densidad <i>cuadrado es f L ($) = (1 % 2) L % 2 L % 2−1 −$ % 2 $ e Γ(L % 2) $ ≥0 W es la función #amma. 1(0. Sin embar#o. )ue#oB !0Bσm.

n se utiliza para probar la independencia de dos muestras entre s@. $ % 2) Γ(L % 2) donde Y(L. y participa en todos los problemas de an. medida las diferencias e$istentes entre ambas. involucrada en el problema de estimar la media de una población normalmente distribuida y en el problema de estimar la pendiente de una recta de re#resión lineal. Kambi. que es la distribución del cociente de dos variables aleatorias de distribución <i>cuadrado e independientes.n est.trica que mide la discrepancia entre una distribución observada y otra teórica (bondad de aEuste). Qonde r es el n-mero de filas y L el de columnas. Kambi. 2 . )a fórmula que da el estad@stico es la si#uienteB χ =∑ 2 ( +alor Hbservado − +alor Ke\rico) +alor Keórico 2 )os #rados de libertad nos vienen dados porB #l* (r>1)(L>1). &ara *+2 la distribución es una distribución e$ponencial. mediante la presentación de los datos en tablas de contin#encia. 'l valor esperado y la varianza de una variable aleatoria X con distribución cuadrada son 'ZX[ * L +ZX[ * 2L <i> )a distribución <i>cuadrado tiene muc<as aplicaciones en inferencia estad@stica.V m 'q en los tres primeros cuartiles de la recta. se deben al azar. &osee una distribución de &oisson elevada la cual asciende a V2.1. por su papel en la distribución X>Snedecor. indicando en qu. )a <i cuadrado es una distribución binomial inversa cuyo coeficiente de variabilidad es 10.s de su papel en la distribución t>Student. Rela #$" o" o%ra& '#&%r#() #o"e&.9 #rados en la escala de desviaciones est.lisis de varianza. esta tiene un intervalo de confianza de 2.XL ( $ ) = γ(L % 2. de <aberlas.z) es la función #amma incompleta. por eEemplo en el test <i>cuadrado y en la estimación de varianzas. )a prueba de <i>cuadrado es una prueba no param. a trav.ndar.

Qonde α representa el valor proporcionado por las tablas.riterio de decisiónB Se acepta !0 cuando χ < χα. 2 2 CORRECCIÓN DE YATES )a corrección de Sates se aplica a la prueba <i>cuadrado cuando la frecuencia de las observaciones en al#una de las celdas es menor de 10. se aplica la corrección de Sates o tambi. entonces.FISHER Si M y + son dos variables aleatorias independientes que tienen distribución <i uadrada con n1 y n2 #rados de libertad. m.s se apro$ima a cero el valor de <i>cuadrado. &or eEemplo.s aEustadas est. uanto m.n ambas distribuciones. DISTRIBUCIÓN F SNEDECOR O F. )a <i>cuadrado corre#idaB χ =∑ 2 ( +alor Hbservado− +alor Ke\rico − 0.n −1 .V) +alor Keórico 2 'n #eneral.n corrección por continuidad cuando apro$imamos una variable discreta a una distribución continua.V y 9. la variable aleatoria M n1 X= tiene función de distribución X>Snedecor + n2 < (f ) = Γ ( (n 1 + n 2 ) % 2)( n 1 % n 2 ) Γ ( n 1 % 2) Γ ( n 2 % 2 ) n1 % 2 (1 + n 1f % n 2 ) ( n + n ) % 2 1 2 f ( n1 − 2 ) % 2 4ue es la llamada función de distribución X>Snedecor o X>Xis<er con n1 y n2 #rados de libertad : . su valor oscilar. se#-n el nivel de si#nificación ele#ido. Iientras que si la apro$im.ramos a la distribución normal. entre 2. 'n caso contrario se rec<aza.V a la variable en cuestión. )a corrección consiste en a3adir y substraer 0. respectivamente.V. obtener 9 caras al lanzar una moneda es una medida discreta (nominal) que se aEusta a la distribución binomial.

Mn valor de f con 2 y 10 #rados de libertad para un . una distribución de Xis<er.s #rande como numerador) tendr. f0.cnicas de laboratorio son equivalentes.s verificando si <ay diferencia entre las medias mu.10*1%(f0.lisis de +arianza. con diferentes #rados de libertad. y es para cuando se necesita comparar m.l@nea punteada vertical. cuyos valores cr@ticos fueron obtenidos por ]. 'n cambio.s adelante.8N.VN y 88. el cociente de ambos valores X = s1 coloca el m. y as@ verificar si ambas muestras tienen i#ual media y varianza.strales. se puede avanzar m.rea de 0. esto es. omo siempre. el . )a forma es muy parecida a la <i>cuadrado. o apro$imadamente normales.8V. o que dos t. siempre se varianza. 'l principal uso de esta función es el Dn. y se marca el valor de X*2. porque eso si#nifica que en realidad provienen de la misma población normal. la idea es testear si <ay <omocedasticidad en las dos poblaciones en estudio. se muestran tres casos.10.2.strales a la vez.Ejemplo. 5 . &ro#ramas de computación permiten calcular los valores cr@ticos respectivos 'n las Kablas se presenta una <oEa para cada nivel de confianza.02*0. y a cada una se le calcula su respectiva 2 2 s 2 (con X(1.VN R 88N R 88.2)*1%6.s apropiados comoB 8VN R 8:.262 Si de dos poblaciones normales. Snedecor en una tabla que se caracteriza por tener dos #rados de libertadB el correspondiente al numerador C1*n1>1 y el del denominador C2*n2>1.s tratamientos afecta a las muestras testeadas. se e$traen dos muestras aleatorias e independientes. 'n estos casos la idea es detectar si el efecto de uno o m. cuando se tiene el caso de dos muestras.s de dos medias mu.V con una . se eli#en los m. 'so probar@a que no <ay efecto de un tratamiento si se lo compara con un placebo. que se ver.0V. Mna vez verificado este supuesto. m.8V a la derec<a es.rea total baEo la curva es la unidad y se e$tiende desde 0 a F G.

todo de medición. resulta evidenciada por el Iodelo de Xis<er que permite la comparación de ambas. on esto se pueden comenzar a controlar y calibrar los sistemas de medición.Si el e$perimento no verifica esto. 'n Sistem. realizando las mismas mediciones a dos personas diferentes. o bien. 's lo mismo que sumar una constante a todos los valoresR ocurre un desplazamiento <acia la derec<a.cter que la de sus padres.ctica. se puede construir todo un ba#aEe de m. 'n el caso (a) ambas poblaciones tienen la misma media. m. pero por efecto del error casual sus varianzas son diferentes.cnicas totalmente diferentes entre s@. ser@aB tipo de espectros. conviene pensar el problema como la incidencia de un factor en estudio en lu#ar de dos t.cnicas de laboratorio tienen i#ual dispersión.s de dos. para tener menor variabilidad en las mediciones. )as limitaciones de todo esto son dosB la primera es que se puede estudiar el efecto del factor analizado en solo dos muestras y no en m. y se trata de determinar si la modificación de la varianza se debe al uso de un aparato diferente. )a se#unda es que si la 8 . 'n ^ioqu@mica y Xarmacia el uso m.s adelante. 'n la fi#ura se muestra el caso de dos poblaciones.n se puede estudiar la incidencia del factor <umano. o que el efecto del factor analizado no es despreciable cuando se rec<aza la <ipótesis nula. se trata de una misma pr.todos para efectuar un ontrol de alidad interno en un laboratorio de medición cl@nica. para ele#ir aquella con mayor precisión. basta decir que se puede controlar la e$actitud con los modelos de t>Student y la precisión con los de <i>cuadrado y Xis<er.s variable en un car.s frecuente es comparar el error casual de mediciones de laboratorio. ele#ir el caso que presente menor varianza. 'l factor ac. Kambi. Qe esa forma se puede ima#inar que las dos muestras provienen de diferentes poblaciones.tica se puede testear si dos poblaciones locales tienen la misma variabilidad. al introducir al#-n efecto o cambiar el m.tico que desplaza la media. t>Student se usa para detectar esto cuando se <ace el test de comparación de dos medias independientes. entonces se deber.tica se puede verificar si una #eneración de cr@as es m. &or a<ora. 'n ?en. &or eEemplo. Si esta diferencia es si#nificativa. omo se ver. 'n el caso (b) <ay un error sistem. pero sus varianzas permanecen i#uales. pero se usan dos espectrofotómetros diferentes. 'n el caso de testear si dos t.

cnica de medición fuera del control estad@stico. a pesar de estas limitaciones si#ue siendo una <erramienta sencilla y poderosa de control.5 para el otro. )os resultados obtenidos sonB s12*2.6 X= 2 = = 9. &ara investi#ar las causas decide investi#ar si el factor <umano tiene incidencia. mientras que _ * 0.8:V para el superior. para un nivel del 8VN de confianza. pero no en ma#nitudes cualitativas como las usuales en Iicrobiolo#@a. )ue#o eli#e 10 de ellas al azar y se las entre#a al laboratorista 1 para que <a#a las determinacionesR las restantes las encomienda al laboratorista 2 para que las mida. > )as muestras son independientes entre s@. no <ay evidencia si#nificativa 10 .02V se aprovec<a una propiedad que tiene la función X usando la inversaB X0. 'l Eefe de un laboratorio se encuentra con una t.02V para el l@mite inferior y _ * 0.6 es la varianza obtenida por el laborista. &ara poder aplicar este modelo se deben tener en cuenta los requisitos si#uientesB > )as muestras fueron e$tra@das de una población normal o apro$imadamente normal. 2 = σ2 !0B σ1 2 2 ≠ σ2 !1B σ1 2 'l estad@#rafo es 2 σ1 2.8) *1%X0. Ejemplo.8) * 6.5 omo se trata de un ensayo de dos colas.calidad se entiende como e$actitud y precisión.02VR(8. etc.0 σ 2 0. para calcular el valor no tabulado _ * 0.8:VR (8. 1 y s22*0. por calidad se entiende precisión y e$actitud. )ue#o. y toma una muestra de suero cualquiera la divide en 20 al@cuotas.265 omo el valor <allado X*9 cae dentro de la zona de aceptación.8:VR(8.8) *1%6. ^acteriolo#@a.09 * 0.09. 'n ma#nitudes cuantitativas. > )a selección de las muestras se <izo en forma aleatoria. en lu#ar de la capacidad de una prueba cl@nica para dia#nosticar. 'stos valores son X0. se busca en las tablas paraB C1*C2*n1>1*8 #rados de libertad. Sin embar#o. Qecidir si <ay diferencia en dispersión entre ambos. solo se pueden emplear estos modelos para ma#nitudes de tipo cuantitativas como las de la 4u@mica l@nica. Iicolo#@a.

.X2... la función de distribución viene dada por ∞ m%2 X( $ ) = & ( X ≤ $ ) = ∫ f ( t )dt 0 $ y sus momentos por la media y la varianza son ' (X) = n n −2 y +(X ) = 2 n 2 ( m + n − 2) m ( n − 2) 2 ( n − 6) 11 . con $ ( 0. Su función de densidad es  + nm m Γ    (m+− 2)% 2   n  ( m− 2 ) %  m $   f ( $) = $  1 +   m  n  n  Γ  Γ    2   2 1 − ( & ) =∫ X & − e $ d$ la función #amma de 'uler con &(0.como para decir que el factor <umano tiene incidencia en la dispersión de las mediciones.Xm) y (/1.n>Snedecor de m y n #rados de libertad.. Si (X1.. )a distribución X de Snedecor aparece en los contrastes asociados a comparaciones entre las varianzas de dos poblaciones normales./n) son mFn variables aleatorias normales independientes de media µ*0 y varianza σ2.. siendo Γ 0 Xinalmente.. la variable 1 n 2 ∑i=1 X i m Yn = 1 n 2 ∑ Zi n i=1 tiene una distribución Xm./2..

.n 's claro que la distribución X>Snedecor no es sim.m) #rados de libertad.m n S X ≈ χ2 n y S ≈ χ2 aleatorias m variables si#ue una distribución de probabilidad X>Snedecor.Qefini.ndole de otra manera. Hbs.rvese que Xn.STUDENT Si (X.m`Xm. sean independientes. Su función de densidad es  n +1 n +1 Γ  1 $2  2 2   1 +  f ($) = n  n  nπ   Γ  2 $>0 X ≈ Xn. X= mX ≈ Xn . con (n. la variable X Sn = 1 n 2 ∑ Xi n i =1 tiene una distribución t>Student con n #rados de libertad.s DISTRIBUCIÓN %.n 12 .X1.X2.Xn) son nF1 variables aleatorias normales independientes de media 0 y varianza σ2. entonces... y adem.trica.. pues sólo tienen densidad de probabilidad distinta de cero.m entonces X − 1 ≈ Xm.

1) y la ra@z de una <i χ2 n independientes. )a media de la siendo Γ 0 distribución t>Student es '(X)*0 y su varianza +(X)*n%(n>2). )a distribución t>Student se construye como un cociente entre una normal /01(0. tn a la de una variable aleatoria K. Qe modo preciso.s. ∞ 'sta distribución aparece en al#unos contrastes del an. llamamos distribución t> Student con n #rados de libertad.1 − ( & ) =∫ X & − e $ d$ la función #amma de 'uler con &(0.lisis normal. la cual no e$iste para #rados de libertad menores que 2. X −µ / σ K= ≈ tn K= ≈ tn 2 1 2 y adem. χn 1 n  Xi − µi  n ∑ σ   n i =1  i   &ara calcular  n +1  Γ  $2  2    &(K ≤ t ) = ∫ f ( t )dt = ∫ 1 +  −∞ −∞ n n  Γ  nπ  2 t t     −( n +1) % 2 d$ Sea un estad@#rafo t calculado para la media con la relación t= ( $ − µ) σ n 19 .

VNat0.6 #al.0 2.tica tiene un par.82V Si de una población normal.strales de la media y el desviación est.tico de C est.8:V*>t2. Qemuestre que la afirmación que el consumo promedio de #asolina de este motor es 12. 'ncuentre los valores de la función paraB a.0. se tiene t= $ −µ n s = 12. Sustituyendo n*12. menos la cantidad L de par.metro que la define en forma un@vocaB el n-mero de #rados de libertad C*n>1 (donde n es el tama3o muestral).16V b.ndar.metros poblacionales que deban ser estimados a trav.6 y s*2. $ *12.125 -3. relacionado con la cantidad de observaciones independientes que se <a#an y se calcula con el tama3o muestral n.02VbKbt0. 'l concepto matem.375 n=120 n=2 n=11 0.0V)*0. 16 #l. Si se observa la ecuación superior. para α*VN y 1V #l es insi#nificante. en el l@mite ambas son i#uales. con una desviación est.metro poblacional que fi#ura es c. y por tanto se puede concluir que el consumo de 12 #al%< es real Ejemplo. por lo tanto L*1 y as@ resulta C*n.6 −12. H seaB C*n. α*8:.1 12 = 5.1 #al.50 Ejemplo. 'sta función matem. o apro$imadamente normal. &(>t0.1 en la formula de t>Student. &ara cada #rado de libertad <ay una tabla de valores que pueden obtenerse variando el 16 . 'n 12 recorridos de prueba de una <ora cada uno.1.L. uando el tama3o muestral es mayor que 90 la distribución de t>Student se apro$ima muc<o a la de ?auss.ndar de 2.0. µ*12. entonces se obtiene una distribución muestral t.0 #al%<ora Solución. 's decir que la función t>Student tiende asintóticamente a la función de ?auss. se ve que el -nico par.50 0 +3.s de ellas.VN*>2. el consumo de #asolina de un motor es de 12.95 &ara el cual en las tablas. se e$traen muestras aleatorias e independientes y a cada una se le calcula dic<o estad@#rafo usando los valores mu.

lo#a. calibrado en e$actitud !1 B µU`UV0 no est. µ ∈ (µe ± t α. )os intervalos de confianza para esta distribución se arman en forma an.$ lue#oB ce*c y Je2*s2%n .ν . aleatorias e independientes. Se desea saber si un instrumento de medición cualquiera est. como se puede ver en la fi#ura anterior. calibrado. )a distribución de t>Student. se debe determinar si el instrumento est. !o B µU* V0 el instrumento est. desde el punto de vista de la e$actitud. <asta i#ualarla en el infinito. Suponiendo que el resultado de estas mediciones arroEa una media de V2.tico. &or lo tanto el valor de comparación se calcula.ndar de estimación es Je. se desv@a marcadamente de la normal. 1otar que el error est.8 y una desviación de 9. !ay un error sistem. se deben tener muestras normales. calibrado. &ero para poder aplicar este modelo se deben tener en cuenta los requisitos si#uientesB > )as muestras fueron e$tra@das de una población normal o apro$imadamente normal.). al i#ual que la de ?auss. se acerca cada vez m.lo#a a la vista para el caso de ?auss.s. calibrado y la estimación de su error sistem. > )a selección de las muestras se <izo en forma aleatoria. σe ) )a teor@a de decisiones se usa en forma an. &ara ello se consi#ue un valor patrón y se lo mide 10 veces (por eEemploB una pesa patrón para una balanza. si es que se prueba su e$istencia (no se usan unidades para #eneralizar este eEemplo).s arriba. a medida que los #rados van aumentando. puede adoptar diferentes formas dependiendo del n-mero de #rados de libertad. > %.todo cl@nico. es sim. 'n este caso e *.nivel de si#nificación. &ero a diferencia de la normal. las conclusiones que se obten#an no son v. )os supuestos se pueden resumir as@B para poder usar t>Student.trica respecto al ori#en de coordenadas y se e$tiende desde d G <asta F G. on la -nica diferencia en cómo se calcula el valor cr@tico t_RC en lu#ar de z_.S%)'e"% para me'#a& m)e&%rale&. parecida a la de ?auss. usando un patrón de valor V0. un suero control para un m. )ue#o. > )as muestras son independientes entre s@. la que tiene un solo #rado de libertad (n*2 y C*1).tico 1V . t= ( $ − µ) s n Ejemplo. etc.lidas. &or eEemplo. empleando los intervalos de confianza visto m. Si al#uno de ellos no se cumple.

Qe la Kabla t>Student se obtienen los valores cr@ticos para el 8VN de t 0.001. !oB µO220 m#%dl !1B µP220 .tico con una confianza del 8VN. el valor de t cae en la de rec<azo para el 8VN y no alcanza para las otras.0 ) 9 10 =9 QibuEando las zonas con los valores cr@ticos.#%dl 'l valor t>Student para una sola cola es.ndar de 9V m#%dl. Se midió colesterol total a 11 pacientes varones adultos esco#idos al azar los resultados obtenidos arroEan una media de 29V m#%dl y un desviación est.8N es t0. 'nsayar la <ipótesis de que se mantienen por debaEo del valor l@mite de referencia de 220 m#%dl . )o que permite establecer las zonas de aceptación y rec<azoB t= ( V2. Ejemplo.8 − V0.Se trata de un ensayo de dos colas donde <ay ν* U 10d1*8 #rados de libertad. )a conclusión es que se <a probado la e$istencia de un error sistem. 12 .U8 =U9.:51.01.U8 =U6. para el 88N de t 0.222.U8=U2.0V.2V y para un nivel del 88.

Se observa que fue efectivo en 1V de ellos. el valor de tablas para el 8VN debe ser el que est. )ue#o.t= ( 29V − 220) 9V 11 = 1. %.80 con desviación σ = 0. 0.1 % 20 = 0. por la simetr@a de la curva de t>Student. )a conclusión es que no puede rec<azar la <ipótesis nula. Mn anal#. 'n este caso e*& y cp*c*e lue#o con se puede obtener el valor del estad@#rafo de comparación con la relación. .8 . t= ( & − π) π(1 − π) n Ejemplo.225 para dos colas.S%)'e"% para propor #o"e&.$itos &*1V%20*0.:V y la media de µ*0. entonces µ cae dentro del intervalo del 8VN &ara el caso de una cola. por estar por debaEo del l@mite de referencia.80) = −2.8 'l valor t>Student para una sola cola es. &ara validar esa información.02: 1: .02: ( 0. el l@mite para el 8VN ser.0V. para ν* U 10.51.26 t= 0. t * 1.:V − 0. afirma en su propa#anda que alivia el dolor en el 80N de los casos antes de la primera <ora lue#o de su in#esta. en la Kabla t>Student para el 80N en dos colas.62 +alor no si#nificativo pues t0. )a idea es que el 10N en dos colas si#nifica el VN en cada una. !oB µP0. siendo & el porcentaEe de .sico de plaza.8 !1B µO0. por lo que debe considerarse un colesterol total admisible desde el punto de vista cl@nico.10*1. se <ace un e$perimento en 20 individuos con cefalea.512 en una cola y t * 2.

%.s.888. 'l otro caso. se puede afirmar que la aseveración es falsa con un 8VN de confianza. debido a al#-n factor analizado. Si bien no es tan terminante. entonces µ cae fuera del intervalo del 8VN. medir eficacia. dos individuos.:28. .n para comparar dos t. Kambi. el caso de dos muestras independientes comoB aplicar dos tipos de remedios a dos #rupos de pacientes esco#idos al azar. etc. !ay casos particulares cuandoB las muestras son de i#ual tama3o y%o las muestras son <omoced.18*>1. contra otro #rupo al cual se le suministra un placebo. Se usa en los casos donde se compara el efecto de una dro#a aplicada a un #rupo de pacientes.18*>2. aleatorias e independientes. etc. los supuestos para poder aplicar este modelo se resumen enB para poder comparar con t>Student.s de dos muestras. dos protocolos.+alor es si#nificativo pues t0. 'n primer lu#ar se analizar.88. 'l modelo de t>Student tambi. o las mediciones repetidas de una misma ma#nitud.S%)'e"% para 'o& m)e&%ra& #"'epe"'#e"%e&. Mna vez m. Se la rec<aza al nivel de 8VN -nicamente. de dos poblaciones normales.V:8 o t0. 'n ambos casos se simplifican las fórmulas de c. las dos muestras deben ser normales.sticas (tienen i#ual varianza).n se puede usar cuando se desean comparar dos muestras entre s@. &ara estos casos.V98 o t0.cnicas cl@nicas y detectar si <ay diferencias. etc. el valor de t>Student para validaciones de medias se calcula conB ( $ − $ 2 ) − ( µ1 − µ 2 ) t= 1 2 s1 s2 + 2 n1 n 2 'l cual se contrasta con t_RC donde C*n1Fn2>2 #rados de libertad.lculo.8N. on estas comparaciones se pueden realizar muc<os controles internos en el laboratorio para <acer calibraciones. on eso se puede ver si el efecto de los ftratamientosg aplicados a las muestras es apreciable. Compara #$" 'e me'#a&. por eEemploB dos marcas comerciales de plaza. 15 . en cuyo caso las muestras parecer.s. Qe todas formas la evidencia no alcanza para rec<azar la <ipótesis a los niveles del 88N y 88. )a idea es averi#uar si ambas muestras provienen de la misma población o de poblaciones diferentes. en el pró$imo tema. Se sacan muestras aleatorias e independientes. !ay una limitaciónB solo se pueden comparar dos muestras entre s@ a la vez y nada m. . se ver.8V.cnicas diferentes (la nueva contra la vieEa). dos t. para detectar si <ay diferencia si#nificativa entre ellas. dos instrumentos de medición.18*>9. se recurre a los modelos de Dnova.n provenir de diferentes poblaciones. &ara el caso de tener m. cuando las muestras no son independientes sino apareadas.

66 (ensayo de dos colas y un 88.).Ejemplo. por tanto se obtuvieron resultados altamente si#nificativos como para rec<azar la <ipótesis nula. Se distribuyen al azar V al@cuotas para cada m.8N de confianza).02 8 6 + 20 1V +alor cae fuera del intervalo. Se aplica un medicamento a 1V pacientes que padecen cierta enfermedad. la desaparición del estado febril se observa a las 18 <oras de tratamiento en promedio (con una desviación de 2 <. la meEor@a se observa en promedio las 2V <oras con un desviación de 9 <oras. Iientras que con el se#undo se tuvo una media de 59 m#%dl con un desviación de 2 m#%dl. con el primero se tuvo una media de 5V m#%dl con un desviación de 5 m#%dl. como el valor <allado de t es muc<o m. Se toma una muestra de suero lo suficientemente #rande como para obtener 10 al@cuotas.todos cl@nicos diferentes. 'n el primer #rupo. Se desea verificar si <ay diferencia en las mediciones a trav. Se tiene una prueba cient@fica del efecto del medicamento. Qecidir si el medicamento modifica el tiempo de curación. 18 . 'n el #rupo control.s de dos m.s #rande que el valor cr@tico de tablas para 99 #rados de libertadB t _RC*t0. y un placebo a 20 pacientes. siendo t= ( 2V − 18) − 0 = :. esco#idos al azar.todo. Ejemplo.888R99*9. !oB µ1*µ2 !1B µ1`µ2 'l valor t>Student para dos colas para 99 #l. 'fectuadas las mediciones.

Se administra una dro#a curativa al primer #rupo y se observa una meEor@a en 1V de los casos. Dl se#undo #rupo se le administra un placebo y meEoran 19 de ellos. 'nsayar la <ipótesis que la dro#a sirve para curar ese tipo de aler#ia. 20 . el valor de comparación del modelo t>Student para este caso es. &ara estos casos. Ejemplo. no se puede rec<azar !0. Se emplean las <ipótesis si#uientesB !0 B c1>2 * 0 las diferencias observadas se deben al azar !1B c1>2 ` 0 la dro#a produce efecto. el valor de t>Student para validaciones de proporciones se calcula la misma fórmula. Se esco#en al azar dos #rupos formados por 20 individuos cada uno.66 t= 26 92 + V V &or tanto. entre los que padecen cierta aler#ia. siendo ( 5V − 59) − 0 = 0.!oB µ1*µ2 !1B µ1`µ2 'l valor t>Student para dos colas para 99 #l. pero reemplazando los valores esperados con π1 (1 − π1 ) π 2 (1 − π 2 ) 2 µ 1− 2 = (π1 − π 2 ) σ1 + −2 = n1 n2 'ntonces. pues <ay diferencia entre ambos m. (p1 − p 2 ) − (π1 − π 2 ) t= π1 (1 − π1 ) π 2 (1 − π 2 ) + n1 n2 ontrastando con el valor de tablas dado por t_RCR con C* n1Fn2>2 #rados de libertad.todos > Compara #$" 'e propor #o"e&.

)as diferencias observadas no se deben a la dro#a sino al azar. como las del eEemplo anterior. m. 'l planteo se <ace as@B !o B c+ d c1 * . etc.e) Z2 / n[ *(0. si se trata de ma#nitudes continuas.02. e*e 1*e2 y <abr. .todo nuevo en lu#ar del vieEo y aprovec<ar las ventaEas que este posee.dicas que estad@sticas.todo pueden serB un costo menor.s r.:V d 0.8V R 95*2. si se rec<aza la ! o se puede usar el m. menos da3ino o peli#roso para el paciente.sica aqu@ es ver si. que estimarlo con los datos mu. &ara estos casos la !oB )a diferencia entre ambos promedios es mayor o i#ual al valor aceptable y la alternativa es !1 B 'sta diferencia de medias es menor al valor cr@ticoR en cuyo caso ambos m.todos pueden ser considerados cl@nicamente equivalentes. evidencia suficiente como para efectuar el reemplazo.Si se supone que ambas muestras fueron e$tra@das de la misma población.strales.todo vieEo y c1 con el m.9) (2%20) * 0. 2V t * ( 0.2V ) % (0.s en consideraciones m. c1>2 * 0 cae dentro de 8VN. Qe esta manera. Mn resultado no si#nificativo. 21 .: 'ntonces. esta resultaB σ2(e) * e (1. &ero la decisión se basa m. b h. 's decir que tal diferencia no implique una inferioridad del nuevo m. )a idea es que.28 b t0. eso si#nifica que el porcentaEe de curados en dic<a población ser.todos y h es la diferencia m.$imo aceptable desde el punto de vista cl@nico. sino que se trata de establecer si un m. cuando !o pueda rec<azarse se tendr.todo vieEo. )a cuestión b.:V y &2 * 19%20 * 0. y por lo tanto no <ay diferencias entre las muestras observadas (! 0) c1>2 * 0.todo nuevo.todo cl@nico o tratamiento nuevo es lo suficientemente bueno como para reemplaza al que se ven@a usando <asta entonces. !ay ocasiones donde la !o no busca establecer si <ay o no diferencia entre dos muestras. en promedio. 'ntonces. el m.: .021 S es σ(e) * 0.ale" #a (#ol$/# a. . Te&% 'e e-)#. desde un punto de vista cl@nico. se puede usar el test de t>Student para comparar la diferencia de las dos medias contra el valor cr@tico h o m.021)1%2* 0.todos. la diferencia entre ambos es menor que un cierto valor l@mite para la ma#nitud estudiada. es la diferencia real entre ambos m. )as ventaEas de este nuevo m. esto es cuando !1 B c+ d c1 * . calculando la proporción ponderada conB p*( total de curados en las muestras % total muestral ) * (1VF19) % 60 * 0.$ima admisible entre ambos m. Qonde c+ es el valor poblacional que se obtiene con el m.todo.pido. 0. sacando factor com-n en la fórmula de la varianza.16VR de los datos del problema sur#en &1 *1V%20 * 0. ( h.

y un desviación est..n interesa que no sea mayor (dependiendo de la ma#nitud cl@nica analizada)R entonces la !o ser. Sea el @ndice card@aco " (respuesta cardiaca normalizada para la superficie del cuerpo) el cual se mide con un procedimiento invasivo como es el colocar un cat.todo nuevo. 'sto si#nifica que el 20N de tal valor es h * 0. el valor obtenido difiera en un 20N respecto al promedio aceptado de 2.ter. % m2 para el m. en promedio.lo#o al visto en el punto anterior.c+ d c1 .VV cuyo equivalente es (c+ d c1 ) * h ` 0. * . * . Se <a propuesto una nueva manera de medir esa ma#nitud con una t. % m2 lue#o ser.ndar de 0.:V l % min.todo nuevo).Se trata de un ensayo de una sola cola. )ue#o el planteo se <ace as@B !o B . t= ( $ − µ ) = 2.VV !1 B . de dos colas. porque aqu@ no interesa tanto que sea menor. los valores encontrados fueron un promedio de 2. &ero cuando se trate de ver si en valor absoluto la diferencia entre ambos m. y mide en forma el.22 l % min.todo se considerar.262 σ n 0. &ara ilustrar este procedimiento se usar.c+ d c1 .22 82 22 .VV Se toma una muestra de 1*82 individuos a los cuales se le aplica el m.todos no supere a un cierto valor h.25 l % min. en la cual se le adosa un instrumento al cuerpo de paciente en forma e$terna.ctrica el valor del " usando una escala adecuada (el m.. ( h * 0. B c +dc1*h y el ensayo ser..todo de la ^ioimpedancia.todo vieEo) y la unidad de medición son litros por minuto tomado por m2 de superficie del cuerpo <umano.VV o lo que es lo mismo (c+ d c1 ) * h * 0. % m2..:V = −2. equivalente al vieEo cuando. b h * 0. sino que tambi.VV. un eEemplo tomado de la obra de Drmita#e Ejemplo. llamada el m.cnica no invasiva..todo del cat.ter en el corazón del paciente llamado Kermo>dilución (el m. 'l criterio cl@nico de aceptación esB el nuevo m. Dn.25 − 2.

. )as muestras e$tra@das se miden con el procedimiento <abitual y adem. )ue#o se tendr. esto es. entonces el tratamiento aplicado produce un efecto demostrable.lisis l@nicos a efectuarse una determinación de Mremia. Se esco#en V pacientes al azar.s con una nueva 29 . 'l truco para resolver este problema de la independencia es trabaEar con la diferencia de los resultados de cada par de mediciones efectuadasB d*$D>$^. con una #ran ventaEa para el paciente. del tipo antes d despu. o el caso de m. la del m. que ser cateterizado para efectuarle su medición del @ndice card@aco. > %. ensayando la <ipótesis de que no <ay diferencias entre ambos #rupos. D este procedimiento estad@stico aparecido en los -ltimos a3os en Iedicina se lo conoce tambi.8V*>2.S%)'e"% para 'o& m)e&%ra& aparea'a&.s donde al mismo individuo se lo mide dos veces para ver el efecto del tratamiento realizado.todo nuevo contra el m. dos veces en los resultadosB uno en el #rupo D y el otro en el #rupo ^.omo se observa t*>2. pues a<ora ya no tendr.dicas o bioló#icas. se le aplica el modelo t>Student para una sola muestra. )a idea b. efectuando t= d −H σ n )as <ipótesis "nicial y alterna implica un efecto diferente para cada #rupo. lo que indica que <ay evidencia si#nificativa como para rec<azar a !0 )a conclusión final es que se puede usar el m.88. 'l modelo de t>Student se puede usar para el caso especial de muestras apareadas. &ara aclarar estas ideas se presenta el si#uiente casoB Ejemplo. Si se prueba que el valor esperado del promedio de las diferencias es diferente de cero.n n diferencias d1Rd2Rd9. cuando se le efect-an dos tratamientos a la misma muestraR por eEemplo. puesto que cada valor di corresponde a un solo individuo. 'ste caso es muy diferente al anterior si bien las muestras son independientes entre s@. H sea. los tratamientos no lo son. donde al mismo #rupo de pacientes se le <acen dos mediciones a cada uno.22. D cada muestra se le aplican dos tratamientos D y ^ diferentes y lo que interesa detectar es si producen al#-n efecto apreciable.todo nuevo en lu#ar del vieEo. la misma persona aparecer.n con el nombre de test de equivalencias m. ! 0Bcd*0 !1Bcd`0. que son independientes entre s@.todo vieEo.sica es como si#ueB se sacan n muestras aleatorias e independientes de una población normal. del #rupo que concurre diariamente al )aboratorio de Dn.. )ue#o.todo a probar para decidirse entre ambos.dn. 'ntonces.262 es mayor que t0. porque a un mismo individuo se le aplican ambos tratamientos.todo de rutina <abitual y una e$tra con el nuevo m.

t.6V 0.V6 0.0: 6 0. t>Student y X>Snedecor 26 . <i uadrado.065 y σ = 0.1V 0.11 0.8V.065 y 0.22 0.08 0.2V d = 0.01 &romedio y desviación est.099 V = 9. +er si <ay diferencia entre ambas t.02 V 0. )os resultados e$presados en #%l fueronB &aciente +ieEa 1ueva Qiferencia 1 0.cnica cl@nica que se desea probar.0V 2 0.cnicas. y entonces se tienen evidencia si#nificativa de que <ay diferencia entre ambas t.08 9 0.6*2. lue#o 4ue obviamente es mayor que t0.cnicas TABLAS 'n el Dne$o de incluyen las tablas de las funciones 1ormal.::2.99 0.22 0. respectivamenteB 0.099 on los valores de las diferencias se calculan t= 0.95 0.065 0. entonces H cae por fuera del intervalo.ndar.099 .29 0.

Sign up to vote on this title
UsefulNot useful