You are on page 1of 7

Prueba t de Student

En estadística, una prueba t de Student, prueba t- asunción se deja de lado suelen ser llamados a ve-
Student, o Test-T es cualquier prueba en la que el ces como Prueba t de Welch. Estas pruebas suelen
estadístico utilizado tiene una distribución t de Student ser comúnmente nombradas como pruebas t desapa-
si la hipótesis nula es cierta. Se aplica cuando la pobla- readas o de muestras independientes, debido a que
ción estudiada sigue una distribución normal pero el ta- tienen su aplicación más típica cuando las unidades
maño muestral es demasiado pequeño como para que el estadísticas que definen a ambas muestras que están
estadístico en el que está basada la inferencia esté nor- siendo comparadas no se superponen.[5]
malmente distribuido, utilizándose una estimación de la
desviación típica en lugar del valor real. Es utilizado en • El test de hipótesis nula por el cual se demuestra
análisis discriminante. que la diferencia entre dos respuestas medidas en las
mismas unidades estadísticas es cero. Por ejemplo,
supóngase que se mide el tamaño del tumor de un
1 Historia paciente con cáncer. Si el tratamiento resulta efecti-
vo, lo esperable sería que el tumor de muchos pa-
El estadístico t fue introducido por William Sealy Gos- cientes disminuyera de tamaño luego de seguir el
set en 1908, un químico que trabajaba para la cerve- tratamiento. Esto con frecuencia es referido como
cería Guinness de Dublín. Student era su seudónimo de prueba t de mediciones apareadas o repetidas.[5][6]
escritor.[1][2][3] Gosset había sido contratado gracias a la
política de Claude Guiness de reclutar a los mejores gra- • El test para comprobar si la pendiente de una
duados de Oxford y Cambridge, y con el objetivo de apli- regresión lineal difiere estadísticamente de cero.
car los nuevos avances en bioquímica y estadística al pro-
ceso industrial de Guiness.[2] Gosset desarrolló el test t
como una forma sencilla de monitorizar la calidad de la 3 Estadísticos T y Z
famosa cerveza stout. Publicó su test en la revista inglesa
Biometrika en el año 1908, pero fue forzado a utilizar un La mayor parte de las pruebas estadísticas t tienen la for-
seudónimo por su empleador, para mantener en secreto ma T = Zs , donde Z y s son funciones de los datos estu-
los procesos industriales que se estaban utilizando en la diados. Típicamente, Z se diseña de forma tal que resulte
producción. Aunque de hecho, la identidad de Gosset era sensible a la hipótesis alternativa (p.ej. que su magnitud
conocida por varios de sus compañeros estadísticos.[4] tienda a ser mayor cuando la hipótesis alternativa es ver-
dadera), mientras que s es un parámetro de escala que
permite que la distribución de T pueda ser determinada.
2 Usos Por ejemplo, en una prueba t de muestra única, Z = X̄
σ ,

n

donde X̄ es la media muestral de los datos, n es el tamaño


Entre los usos más frecuentes de las pruebas t se encuen-
muestral, y σ es la desviación estándar de la población de
tran:
datos; s en una prueba de muestra única es σ̂/σ , donde
σ̂ es la desviación estándar muestral.
• El test de locación de muestra única por el cual se
comprueba si la media de una población distribui- Las asunciones subyacentes en una prueba t son:
da normalmente tiene un valor especificado en una
hipótesis nula. • Que Z sigue una distribución normal bajo la
hipótesis nula.
• El test de locación para dos muestras, por el cual se • ps2 sigue una distribución χ2 con p grados de liber-
comprueba si las medias de dos poblaciones distri- tad bajo la hipótesis nula, y donde p es una constante
buidas en forma normal son iguales. Todos estos test positiva.
son usualmente llamados test t de Student, a pesar de
que estrictamente hablando, tal nombre sólo debe- • Z y s son estadísticamente independientes.
ría ser utilizado si las varianzas de las dos poblacio-
nes estudiadas pueden ser asumidas como iguales; En una prueba t específica, estas condiciones son con-
la forma de los ensayos que se utilizan cuando esta secuencias de la población que está siendo estudiada, y

1
2 5 CÁLCULOS

de la forma en que los datos han sido muestreados. Por tras aleatorias, independientes e idénticamente distribui-
ejemplo, en la prueba t de comparación de medias de dos das a partir de las dos poblaciones a ser comparadas. Por
muestras independientes, deberíamos realizar las siguien- ejemplo, supóngase que estamos evaluando el efecto de
tes asunciones: un tratamiento médico, y reclutamos a 100 sujetos pa-
ra el estudio. Luego elegimos aleatoriamente 50 sujetos
• Cada una de las dos poblaciones que están sien- para el grupo en tratamiento y 50 sujetos para el grupo
do comparadas sigue una distribución normal. Es- de control. En este caso, obtenemos dos muestras inde-
to puede ser demostrado utilizando una prueba de pendientes y podríamos utilizar la forma desapareada de
normalidad, tales como una prueba Shapiro-Wilk la prueba t. La elección aleatoria no es esencial en este
o Kolmogórov-Smirnov, o puede ser determinado caso, si contactamos a 100 personas por teléfono y ob-
gráficamente por medio de un gráfico de cuantiles tenemos la edad y género de cada una, y luego se utiliza
normales Q-Q plot. una prueba t bimuestral para ver en que forma la media
de edades difiere por género, esto también sería una prue-
ba t de muestras independientes, a pesar de que los datos
• Si se está utilizando la definición original de Student
son observacionales.
sobre su prueba t, las dos poblaciones a ser compa-
radas deben poseer las mismas varianzas, (esto se
puede comprobar utilizando una prueba F de igual-
dad de varianzas, una prueba de Levene, una prueba 4.2 Apareada
de Bartlett, o una prueba de Brown-Forsythe, o es-
timarla gráficamente por medio de un gráfico Q-Q Las pruebas t de muestras dependientes o apareadas, con-
plot). Si los tamaños muestrales de los dos grupos sisten típicamente en una muestra de pares de valores con
comparados son iguales, la prueba original de Stu- similares unidades estadísticas, o un grupo de unidades
dent es altamente resistente a la presencia de varian- que han sido evaluadas en dos ocasiones diferentes (una
zas desiguales.[7] la Prueba de Welch es insensible a prueba t de mediciones repetitivas). Un ejemplo típico
la igualdad de las varianzas, independientemente de de prueba t para mediciones repetitivas sería por ejem-
si los tamaños de muestra son similares. plo que los sujetos sean evaluados antes y después de un
tratamiento.
• Los datos usados para llevar a cabo la prueba deben Una prueba 't basada en la coincidencia de pares mues-
ser muestreados independientemente para cada una trales se obtiene de una muestra desapareada que luego es
de las dos poblaciones que se comparan. Esto en ge- utilizada para formar una muestra apareada, utilizando
neral no es posible determinarlo a partir de los datos, para ello variables adicionales que fueron medidas con-
pero si se conoce que los datos han sido muestrea- juntamente con la variable de interés.[8]
dos de manera dependiente (por ejemplo si fueron La valoración de la coincidencia se lleva a cabo mediante
muestreados por grupos), entonces la prueba t clási- la identificación de pares de valores que consisten en una
ca que aquí se analiza, puede conducir a resultados observación de cada una de las dos muestras, donde las
erróneos. observaciones del par son similares en términos de otras
variables medidas. Este enfoque se utiliza a menudo en
los estudios observacionales para reducir o eliminar los
4 Pruebas t para dos muestras apa- efectos de los factores de confusión.
readas y desapareadas
Las pruebas-t de dos muestras para probar la diferencia 5 Cálculos
en las medias pueden ser desapareadas o en parejas. Las
pruebas t pareadas son una forma de bloqueo estadístico, Las expresiones explícitas que pueden ser utilizadas para
y poseen un mayor poder estadístico que las pruebas no obtener varias pruebas t se dan a continuación. En cada
apareadas cuando las unidades apareadas son similares caso, se muestra la fórmula para una prueba estadística
con respecto a los “factores de ruido” que son indepen- que o bien siga exactamente o aproxime a una distribución
dientes de la pertenencia a los dos grupos que se com- t de Student bajo la hipótesis nula. Además, se dan los
paran [cita requerida] . En un contexto diferente, las pruebas-t apropiados grados de libertad en cada caso. Cada una de
apareadas pueden utilizarse para reducir los efectos de los estas estadísticas se pueden utilizar para llevar a cabo ya
factores de confusión en un estudio observacional. sea un prueba de una cola o prueba de dos colas.
Una vez que se ha determinado un valor t, es posible en-
4.1 Desapareada contrar un valor p asociado utilizando para ello una tabla
de valores de distribución t de Student. Si el valor p ca-
Las pruebas t desapareadas o de muestras independien- lulado es menor al límite elegido por significancia esta-
tes, se utilizan cuando se obtienen dos grupos de mues- dística (usualmente a niveles de significancia 0,10; 0,05
5.3 Prueba t para dos muestras independientes 3

o 0,01), entonces la hipótesis nula se rechaza en favor de 5.3.1 Iguales tamaños muestrales, iguales varian-
la hipótesis alternativa. zas

Esta prueba se utiliza solamente cuando:


5.1 Prueba t para muestra única
• los dos tamaños muestrales (esto es, el número, n,
En esta prueba se evalúa la hipótesis nula de que la media de participantes en cada grupo) son iguales;
de la población estudiada es igual a un valor especificado
μ0 , se hace uso del estadístico: • se puede asumir que las dos distribuciones poseen la
t= x−µ
√0 , misma varianza.
s/ n

donde x es la media muestral, s es la desviación estándar


muestral y n es el tamaño de la muestra. Los grados de Las violaciones a estos presupuestos se discuten más aba-
libertad utilizados en esta prueba se corresponden al valor jo.
n − 1. El estadístico t a probar si las medias son diferentes se
puede calcular como sigue:
X̄1 −X̄√2 2
t=
5.2 Pendiente de una regresión lineal SX1 X2 · n

Donde []
Supóngase que se está ajustando el modelo: √
1 2 2 )
SX1 X2 = 2 (SX1 + SX
Yi = α + βxi + εi , 2

donde xi, i = 1, ..., n son conocidos, α y β son descono- Aquí SX1 X2 es la desviación estándar combinada, 1 =
cidos, y εi es el error aleatorio en los residuales que se grupo uno, 2 = grupo 2. El denominador de t es el error
encuentra normalmente distribuido, con un valor espera- estándar de la diferencia entre las dos medias.
do 0 y una varianza desconocida σ2 , e Yi, i = 1, ..., n son Por prueba de significancia, los grados de libertad de esta
las observaciones. prueba se obtienen como 2n − 2 donde n es el número de
Se desea probar la hipótesis nula de que la pendiente β participantes en cada grupo.
es igual a algún valor especificado β0 (a menudo toma el
valor 0, en cuyo caso la hipótesis es que x e y no están
relacionados). 5.3.2 Diferentes tamaños muestrales, iguales va-
rianzas
sea
b, βb = mínimos cuadrados de estimadores,
α Esta prueba se puede utilizar únicamente si se puede asu-
SEαb , SEβb = mínimos cuadrados de estimadores los de estándarmir queerror.
las dos distribuciones poseen la misma varianza.
(Cuando este presupuesto se viola, mirar más abajo). El
Luego estadístico t si las medias son diferentes puede ser calcu-
b 0
β−β lado como sigue:
tvalor = SE b
β
−X̄2
X̄1√
t=
tiene una distribución t con n − 2 grados de libertad si la SX1 X2 · n1 + n1
1 2
hipótesis nula es verdadera. El error estándar de la pen-
Donde
diente:
√ 1 ∑n
(Y −b y )2 √
SEβb = n−2 √∑n i=1 i 2i (n1 −1)SX
2 +(n −1)S 2
2 X2
(x i −x) S X1 X2 = 1
.
i=1 n1 +n2 −2
puede ser reescrito en términos de los residuales:
εbi = Yi − ybi = Yi − (b b i ) = residuales = estimados
α + βx Nótese que las fórmulas de arriba, son generalizaciones
errores,
del caso que se da cuando ambas muestras poseen igual
∑n
SSE = εb = residuales los de cuadrados los de suma.
2 tamaño (sustituyendo n por n1 y n2 ).
i
i=1 SX1 X2 es un estimador de la desviación estándar común
Luego tvalor se encuentra dado por: de ambas muestras: esto se define así para que su cuadra-
√ do sea un estimador sin sesgo de la varianza común sea
b
tvalor = √ (β−β∑
0 ) n−2
. o no la media iguales. En esta fórmula, n = número de
SSE/ ni=1 (x i −x) 2

participantes, 1 = grupo uno, 2 = grupo dos. n − 1 es el


número de grados de libertad para cada grupo, y el tama-
5.3 Prueba t para dos muestras indepen- ño muestral total menos dos (esto es, n1 + n2 − 2) es el
dientes número de grados de libertad utilizados para la prueba de
significancia.
4 6 EJEMPLOS DESARROLLADOS

5.3.3 Diferentes tamaños muestrales, diferentes va- A1 = {30, 02; 29, 99; 30, 11; 29, 97; 30, 01; 29.99}
rianzas y sea A2 denotando un segundo grupo obtenido de ma-
nera similar:
Esta prueba es también conocida como prueba t de Welch
y es utilizada únicamente cuando se puede asumir que las A2 = {29, 89; 29, 93; 29, 72; 29, 98; 30, 02; 29, 98}
dos varianzas poblacionales son diferentes (los tamaños Estos podrían ser, por ejemplo, los pesos de tornillos ele-
muestrales pueden o no ser iguales) y por lo tanto de- gidos de un montón.
ben ser estimadas por separado. El estadístico t a probar
cuando las medias poblacionales son distintas puede ser Vamos a llevar a cabo la prueba de hipótesis contando
calculado como sigue: como hipótesis nula de que la media de las poblaciones
de las cuales hemos tomado las muestras son iguales.
t = sX 1 −X 2
X 1 −X 2 La diferencia entre las dos medias de muestras, cada uno
donde denotado por X i , la cual aparece en el numerador en
√ 2 2 todos los enfoques de dos muestras discutidas anterior-
s s
sX 1 −X 2 = n11 + n22 . mente, es
Aquí s2 es el estimador sin sesgo de la varianza de las dos X 1 − X 2 = 0, 095.
muestras, n = número de participantes, 1 = grupo uno,
La desviaciones estándar muestrales para las dos mues-
2 = grupo dos. Nótese que en este caso, sX 1 −X 2 2 no es
tras son aproximadamente 0,05 y 0,11 respectivamente.
la varianza combinada. Para su utilización en pruebas de
Para muestras tan pequeñas, una prueba de igualdad entre
significancia, la distribución de este estadístico es apro-
las varianzas de las dos poblaciones no es muy poderoso.
ximadamente igual a una distribución t ordinaria con los
Pero ya que los tamaños muestrales son iguales, las dos
grados de libertad calculados según:
formas de las dos pruebas t se pueden desarrollar en for-
(s21 /n1 +s22 /n2 )2 ma similar en este ejemplo.
g.l. = (s21 /n1 )2 /(n1 −1)+(s22 /n2 )2 /(n2 −1)
.
Esta ecuación es llamada la ecuación Welch–
Satterthwaite. Nótese que la verdadera distribución 6.1 Varianzas desiguales
de este estadístico de hecho depende (ligeramente) de
dos varianzas desconocidas. Si se decide continuar con el enfoque para varianzas de-
siguales (discutido anteriormente), los resultados son
√ 2
s22
5.4 Prueba t dependiente para muestras s1
n1 + n2 ≈ 0, 0485
apareadas y

Esta prueba se utiliza cuando las muestras son dependien- gl ≈ 7, 03


tes; esto es, cuando se trata de una única muestra que ha El resultado de la prueba estadística es aproximadamente
sido evaluada dos veces (muestras repetidas) o cuando las 1,959. El valor p para la prueba de dos colas da un valor
dos muestras han sido emparejadas o apareadas. Este es aproximado de 0,091 y el valor p para la prueba de una
un ejemplo de un test de diferencia apareada. cola es aproximadamente 0,045.
X D −µ
√ 0.
t= sD / n

Para esta ecuación, la diferencia D entre todos los pares 6.2 Varianzas iguales
tiene que ser calculada. Los pares se han formado ya sea
con resultados de una persona antes y después de la eva- Si se sigue el enfoque para varianzas iguales (discutido
luación o entre pares de personas emparejadas en grupos anteriormente), los resultados son
de significancia (por ejemplo, tomados de la misma fami- SX1 X2 ≈ 0, 084
lia o grupo de edad: véase la tabla). La media (XD) y la
desviación estándar (sD) de tales diferencias se han utili- y
zado en la ecuación. La constante μ0 es diferente de cero gl = 10
si se desea probar si la media de las diferencias es sig-
Ya que el tamaño de las muestras es igual (ambas tie-
nificativamente diferente de μ0 . Los grados de libertad
utilizados son n − 1. nen 6 elementos), el resultado de la prueba estadística es
nuevamente un valor que se aproxima a 1.959. Debido a
que los grados de libertad son diferentes de la prueba pa-
ra varianzas desiguales, los valores P difieren ligeramente
6 Ejemplos desarrollados de los obtenidos un poco más arriba. Aquí el valor p pa-
ra la prueba de dos colas es aproximadamente 0,078, y
Sea A1 denotando un grupo obtenido tomando 6 muestras el valor p para una cola es aproximadamente 0,039. Así,
aleatorias a partir de un grupo mayor: si hubiera una buena razón para creer que las varianzas
5

poblacionales son iguales, los resultados serían algo más 8 Pruebas multivariadas
sugerentes de una diferencia en los pesos medios de las
dos poblaciones de tornillos. Una generalización del estadístico t de Student llamada
estadístico t cuadrado de Hotelling, permite la compro-
bación de hipótesis en múltiples (y a menudo correlacio-
nadas) mediciones de la misma muestra. Por ejemplo, un
7 Alternativas a la prueba t para investigador puede presentar un número de sujetos a un
problemas de locación test de múltiples escalas de personalidad (p.ej el de cinco
grandes rasgos de personalidad). Debido a que las medi-
das de este tipo suelen estar muy correlacionadas, no es
La prueba t provee un mecanismo exacto para evaluar la aconsejable llevar a cabo varias pruebas univariadas, ya
igualdad entre las medias de dos poblaciones que tengan que esto supondría descuidar la covarianza entre las me-
varianzas iguales, aunque el valor exacto de las mismas didas e inflar la probabilidad de rechazar falsamente al
sea desconocido. El test de Welch es una prueba aproxi- menos una hipótesis (error de tipo I). En este caso una
madamente exacta para el caso en que los datos poseen única prueba múltiple es preferible para llevar a cabo las
una distribución normal, pero las varianzas son diferen- pruebas de hipótesis. El estadístico t de Hosteling sigue
tes. Para muestras moderadamente grandes y pruebas de una distribución T 2 , sin embargo en la práctica, esta dis-
una cola, el estadístico t es moderadamente robusto a las tribución se utiliza muy raramente, y en cambio se suele
violaciones de la asunción de normalidad.[9] convertir en una distribución de tipo F.
Para ser exactos tanto las pruebas t como las z requiere
que las medias de las muestras sigan una distribución nor- 2
mal, y la prueba t adicionalmente requiere que la varianza 8.1 Prueba T monomuestral
de las muestras siga una distribución Chi-cuadrado (χ2 ), y
que la media muestral y la varianza muestral sean estadís- Para una prueba multivariable de única muestra, la hipó-
ticamente independientes. La normalidad de los valores tesis es que el vector medio ( µ ) es igual a un vector ( µ0
individuales de los datos no es un requisito para que estas ) dado. La prueba estadística se define como:
condiciones se cumplan. Por el teorema del límite cen- T 2 = n(x − µ0 )′ S−1 (x − µ0 )
tral, las medias muestrales de muestras moderadamen-
Donde n es el tamaño muestral, x es el vector de columnas
te grandes también aproximan una distribución normal,
medio y S una matriz de covarianza muestral m × m .
incluso si los datos individuales no están normalmente
distribuidos. Para datos no normales, la distribución de
la varianza muestral puede desviarse sustancialmente de 8.2 Prueba T 2 bimuestral
una distribución χ2 . Sin embargo, si el tamaño muestral
es grande, el teorema de Slutsky indica que la distribución Para un test multivariable de dos muestras, la hipótesis es
de las varianzas muestrales ejerce un efecto muy peque- que los vectores medios ( µ , µ ) de las dos muestras
1 2
ño en la distribución de la prueba estadística. Si los datos son iguales. La prueba estadística se define como:
son substancialmente no normales, y el tamaño muestral −1

es pequeño, la prueba t puede entregar resultados equivo- T = n1 +n2 (x1 − x2 ) Spooled (x1 − x2 ).
2 n1 n2

cados.
Cuando la asunción de normalidad no se sostiene, una al-
ternativa no paramétrica a la prueba t puede ofrecer un
9 Implementaciones
mejor poder estadístico. Por ejemplo, para dos muestras
independientes cuando la distribución de datos es asimé- La mayoría de los programas tipo hoja de cálculo y pa-
trica (esto es, que la distribución está sesgada) o la dis- quetes estadísticos de lenguajes de programación, tales
tribución tiene colas muy grandes, entonces el test de su- como QtiPlot, OpenOffice.org Calc, LibreOffice Calc,
ma de posiciones (ranks) de Wilcoxon (conocido también LISREL, Microsoft Excel, SAS, SPSS, Stata, DAP, gretl,
como prueba U de Mann-Whitney) puede tener de tres R, Python (), PSPP, Infostat y Minitab, y PRISMA6 in-
a cuatro veces mayor poder estadístico que una prueba cluyen implementaciones del test t de Student.
t.[9][10][11]
La contraparte no paramétrica a la prueba t de muestras
apareadas es la prueba Wilcoxon de suma de posiciones 10 Lecturas adicionales
con signo para muestras pareadas. Para una discusión so-
bre cuando hacer una elección entre las alternativas t y no • Boneau, C. Alan (1960). «The effects of violations
paramétricos, consulte a Sawilowsky.[12] of assumptions underlying the t test». Psychological
Bulletin 57 (1): 49-64. doi:10.1037/h0041412.
El análisis de varianza “one-way” generaliza la prueba t
de dos muestras para casos donde los datos pertenecen a • Edgell, Stephen E., & Noon, Sheila M (1984). «Ef-
más que dos grupos. fect of violation of normality on the t test of the co-
6 12 ENLACES EXTERNOS

rrelation coefficient». Psychological Bulletin 95 (3): • Press, William H.; Saul A. Teukolsky, William T.
576-583. doi:10.1037/0033-2909.95.3.576. Vetterling, Brian P. Flannery (1992). Numerical
Recipes in C: The Art of Scientific Computing.
Cambridge University Press. pp. p. 616. ISBN 0-521-
11 Referencias 43108-5.

[1] Richard Mankiewicz, The Story of Mathematics (Prince-


ton University Press), p.158. 12 Enlaces externos
[2] O'Connor, John J.; Robertson, Edmund F., «Prueba t de
Student» (en inglés), MacTutor History of Mathematics ar- • Wikiversidad alberga proyectos de aprendizaje
chive, Universidad de Saint Andrews, http://www-history. sobre Prueba t de Student.Wikiversidad
mcs.st-andrews.ac.uk/Biographies/Gosset.html.
• Un artículo conceptual sobre el test t de Student
[3] Fisher Box, Joan (1987). «Guinness, Gosset, Fisher,
and Small Samples». Statistical Science 2 (1): 45-52. • Tabla de distribuciones t de Student
doi:10.1214/ss/1177013437. JSTOR 2245613.

[4] Raju TN (2005). «William Sealy Gosset and William A.


12.1 Calculadores en línea
Silverman: two “students” of science». Pediatrics 116 (3):
732-5. doi:10.1542/peds.2005-1134. PMID 16140715.
• Realizar un test-T online: test-T
[5] Fadem, Barbara (2008). High-Yield Behavioral Scien-
ce (High-Yield Series). Hagerstwon, MD: Lippincott Wi- • Online T-Test Calculator
lliams & Wilkins. ISBN 0-7817-8258-9.
• 2 Sample T-Test Calculator
[6] Zimmerman, Donald W. (1997). «A Note on Interpre-
tation of the Paired-Samples t Test». Journal of Educa- • GraphPad’s Paired/Unpaired/Welch T-Test Calcu-
tional and Behavioral Statistics 22 (3): 349-360. JSTOR lator
1165289.

[7] Markowski, Carol A; Markowski, Edward P. (1990).


«Conditions for the Effectiveness of a Preliminary Test
of Variance». The American Statistician 44 (4): 322-326.
doi:10.2307/2684360. JSTOR 2684360.

[8] David, HA; Gunnink, Jason L (1997). «The Paired t Test


Under Artificial Pairing». The American Statistician 51
(1): 9-12. doi:10.2307/2684684. JSTOR 2684684.

[9] Sawilowsky S., Blair R. C. (1992). «A more realistic


look at the robustness and type II error properties of
the t test to departures from population normality». Psy-
chological Bulletin 111 (2): 353-360. doi:10.1037/0033-
2909.111.2.352.

[10] Blair, R. C.; Higgins, J.J. (1980). «A comparison of


the power of Wilcoxon’s rank-sum statistic to that of
Student’s t statistic under various nonnormal distribu-
tions.». Journal of Educational Statistics 5 (4): 309-334.
doi:10.2307/1164905. JSTOR 1164905.

[11] Fay, MP; Proschan, MA (2010). «Wilcoxon-Mann-


Whitney or t-test? On assumptions for hypothesis tests
and multiple interpretations of decision rules». Statistics
Surveys 4: 1-39. doi:10.1214/09-SS051. PMC 2857732.
PMID 20414472.

[12] Sawilowsky S (2005). «Misconceptions leading to choo-


sing the t test over the Wilcoxon Mann-Whitney U test for
shift in location parameter». Journal of Modern Applied
Statistical Methods 4 (2): 598-600.

• O'Mahony, Michael (1986). Sensory Evaluation of


Food: Statistical Methods and Procedures. CRC
Press. p. 487. ISBN 0-824-77337-3.
7

13 Origen del texto y las imágenes, colaboradores y licencias


13.1 Texto
• Prueba t de Student Fuente: https://es.wikipedia.org/wiki/Prueba_t_de_Student?oldid=94560344 Colaboradores: Sabbut, LP, CEM-bot,
Davius, Resped, Biolitos, Loveless, Bigsus-bot, BOTarate, Manwë, Alberto2087, J3D3, Aleatorio, Juan Mayordomo, Luckas-bot, MystBot,
DiegoFb, ArthurBot, Xqbot, Botarel, Marsal20, PatruBOT, Humbefa, EmausBot, ChessBOT, MerlIwBot, KLBot2, Invadibot, Acratta,
MahdiBot, Addbot, Jarould y Anónimos: 29

13.2 Imágenes
• Archivo:Wikiversity-logo-Snorky.svg Fuente: https://upload.wikimedia.org/wikipedia/commons/1/1b/Wikiversity-logo-en.svg Licen-
cia: CC BY-SA 3.0 Colaboradores: Trabajo propio Artista original: Snorky

13.3 Licencia del contenido


• Creative Commons Attribution-Share Alike 3.0