Class Summary
¿Estás cometiendo el error crítico de afirmar que tu tratamiento funciona solo porque el promedio es mayor? 🛑 En ciencia, un promedio sin rigor es solo una anécdota. En esta clase completa, aprenderás a dominar la Prueba t de Student para muestras independientes, yendo más allá del simple cálculo para entender la lógica inferencial que validará tu investigación. Soy Luisa, y hoy abordaremos la estadística con el rigor que tu tesis merece. Aprenderás a validar los tres pilares fundamentales antes de cualquier cálculo: independencia, normalidad (con Shapiro-Wilk) y homocedasticidad (con Levene/Welch). Desarrollaremos un caso práctico real comparando métodos de enseñanza para interpretar no solo el p-valor, sino también el impacto transformador del tamaño del efecto (d de Cohen). No busques p-hackear tus datos, busca entenderlos. ⏱️ ÍNDICE: 00:00 El error fatal de los investigadores 01:06 Los 3 pilares antes de usar la fórmula (Supuestos) 02:02 Caso de Estudio 02:49 Definiendo Hipótesis Nula y Alternativa (H0 vs Ha) 03:41 Prueba de Normalidad de Shapiro-Wilk (Paso a paso) 04:57 Homocedasticidad: Prueba de Levene y Corrección de Welch 06:16 Cálculo del Estadístico t y Varianza Combinada 07:23 Grados de Libertad y búsqueda en la Tabla t de Student 09:05 Regla de Decisión Final: ¿Rechazamos H0? 10:03 d de Cohen: Por qué el p-valor no es suficiente 11:31 Interpretación del "Efecto Masivo" (99% de éxito) 12:14 Conclusión 📢 📌 Recursos adicionales: 🔗 Explora más contenido educativo 👉 https://www.facebook.com/share/g/19nDcr1J4a/ 🔗 Sitio Web 👉 asesoriaeducacional.com 🎓 Únete a la comunidad y accede a contenido exclusivo 👉 Hazte miembro aquí https://www.youtube.com/channel/UCC47ELuNUCJx5HhjoHypv0Q/join 📌 No olvides suscribirte para más contenido sobre metodología de investigación y análisis de datos. ¡Dale like y comparte con otros investigadores! #AsesoriaProfeLuisa #EstadísticaParaTesis #PruebaTStudent #InvestigaciónCientífica
Class Transcript
### Marcas de Tiempo - `[00:00]` Muchos investigadores cometen el error crítico de afirmar que un tratamiento es efectivo simplemente porque el promedio de su muestra es mayor al del control. En ciencia, un promedio sin una prueba de significancia es solo una anécdota, no un dato. Hoy vamos a desglosar la prueba de Ted Studing para muestras independientes. Al finalizar este video, dominarás no solo el cálculo, sino la lógica - `[00:27]` inferencial necesaria para determinar si una diferencia observada es estadísticamente significativa o producto del azar. Soy Luisa y hoy abordaremos la estadística desde el rigor que tu investigación merece. Primero estableceremos los supuestos de normalidad y homoedacistidad. Segundo, desarrollaremos un caso práctico de comparación de dos métodos de enseñanza y tercero, interpretaremos el valor y el tamaño del efecto para dar - `[01:01]` una conclusión científica sólida. Antes de aplicar la fórmula, debemos validar si los datos son aptos para una prueba paramétrica. La prueba T de Student no es universal, requiere el cumplimiento de tres pilares fundamentales. Primero, independencia de las observaciones. Los sujetos de un grupo no deben influir en el otro grupo. Segundo, normalidad. La variable dependiente debe seguir una - `[01:29]` distribución normal en ambos grupos. Esto lo validaremos con pruebas como chapiro will o colmogoro esno. Tercero, homosedasticidad o igualdad de varianzas. Si las varianzas difieren significativamente, deberemos aplicar la corrección de Welche. Para que esta clase sea efectiva, trabajaremos con un caso de estudio real. Supongamos que estamos evaluando el impacto de un nuevo software de simulación en el rendimiento - `[01:59]` académico de estudiantes de ingeniería. El escenario. Tenemos dos grupos independientes de 10 estudiantes cada uno, es decir, n1 es ig. El grupo A de control utilizó métodos de estudio tradicionales, mientras que el grupo B experimental utilizó el software de simulación. La variable dependiente es la calificación en un examen estandarizado sobre 20 puntos. Observen los datos. A simple vista, el grupo B parece tener un - `[02:34]` mejor desempeño, pero como científicos no podemos concluir nada sin verificar la dispersión y la probabilidad de que esta diferencia sea aleatoria. Primero definamos nuestras hipótesis. La hipótesis nula, o sea, HO, significa que no hay diferencia significativa. Y la hipótesis alternativa HA, existe una diferencia significativa. Estableceremos un nivel de confianza del 95%, es decir, alfa es igual a 0.05. - `[03:11]` Antes de proceder al cálculo de t, es imperativo validar los tres supuestos fundamentales. Omitir este paso invalida cualquier resultado posterior. Primero, vamos a validar la independencia de las observaciones. Garantizamos que los estudiantes del grupo A no tuvieron contacto con el software ni con los estudiantes del grupo B durante el periodo de estudio. Cada dato es una unidad de información - `[03:37]` aislada. Segundo, veamos la normalidad. Debemos verificar si los datos de ambos grupos provienen de una población con distribución normal. Dado que nuestra muestra es pequeña, o sea, n es menor que 50, la prueba de elección es Chapiro Will. El supuesto de normalidad es crítico. La prueba de Chapiro Will evalúa que también se ajustan nuestros datos a una distribución normal mediante - `[04:05]` el estadístico W, donde Xi son los datos ordenados y A sub i son coeficientes tabulados. Para aplicar esta prueba, primero debemos ordenar los datos. Después calculamos las diferencias extremas. Como tercer paso, aplicamos los coeficientes, luego elevamos al cuadrado y por último dividimos por la suma de cuadrados que calculamos antes. Un valor W cercano a 1 indica normalidad. Al contrastar 0.917 - `[04:42]` con la tabla de valores críticos para n = 10, el valor p es mayor que 0.05. Por tanto, el grupo A es normal. El mismo proceso se aplica para el grupo B. Veamos ahora la homoedasticidad, o sea, la igualdad de varianzas. El primer paso, debemos calcular las medias y las varianzas muestrales. Repasemos los datos de nuestros grupos de 10 - `[05:10]` estudiantes y calculemos su variabilidad. La fórmula de la varianza muestral la estamos viendo en pantalla y aplicamos el mismo procedimiento al grupo B. Ahora validemos si las varianzas son iguales con la prueba del event. La lógica es simple. Calculamos la desviación absoluta de cada dato respecto a su media y realizamos un análisis de varianza sobre esas dos - `[05:34]` desviaciones. La prueba T estándar asume que las varianzas de ambos grupos son iguales. Para esto usamos la prueba del ev. Si el valor P del even fuera menor a 0.05, 05 tendríamos varianzas desiguales y deberíamos usar la T de Welche. Si realizamos una prueba T sobre estas nuevas variables ZA y ZB y el resultado no es significativo, o sea, P mayor que - `[06:03]` 0.05, significa que las desviaciones no son diferentes entre sí. En nuestro caso, P es igual a 0.58, 8. Confirmando la homoedasticidad. Con los supuestos validados, procedemos al cálculo final. Como las varianzas son homogéneas, usamos la varianza combinada. En la pantalla podemos ver el cálculo de la varianza combinada. Y finalmente calculamos el estadístico T. El estadístico T se define como el - `[06:34]` cociente entre la diferencia de las medias y el error estándar de la diferencia. Observemos la fórmula. El numerador representa la señal, o sea, la diferencia que queremos probar. Y el denominador representa el ruido, es decir, la variabilidad de los datos. Si la señal es suficientemente mayor que el ruido, nuestro valor t se alejará de cero, entrando en la región de rechazo - `[07:02]` de h0, o sea, de la hipótesis nula. Ya tenemos nuestro estadístico calculado, o sea, t es igual a 5.38. Pero, ¿contra qué lo comparamos? Necesitamos un valor de referencia llamado valor crítico. Para hallarlo requerimos dos parámetros: el nivel de significancia alfa y los grados de libertad GL. Vamos a calcular los grados de libertad. Los grados de libertad - `[07:32]` representan el número de valores en el cálculo final de una estadística que son libres de variar en una prueba T para muestras independientes con varianzas iguales. ¿Por qué restamos el dos? Porque al calcular la desviación de cada grupo estamos gastando un grado de libertad para cada media muestral que hemos estimado. Por lo tanto, nuestro modelo tiene 18 gr de libertad. Vamos - `[07:59]` ahora a la determinación del valor crítico. Escríbeme en los comentarios cuál de estas técnicas es la que usarás para estudiar o en tu investigación o tu tesis. Ahora debemos consultar la tabla de distribución T student. Para ello definimos dos criterios. Primero, el nivel de significancia alfa. Usaremos el estándar científico de 0.05, 05, o sea, un 5% de riesgo de error. Y segundo, el - `[08:26]` tipo de prueba. Como nuestra hipótesis alternativa es bilateral, es decir, miu a es diferente de mi b, usamos una prueba de dos colas. Esto significa que repartimos el error en los dos extremos de la campana, 0.025 025 en cada lado. Al cruzar la fila 18 con las columnas de 0.05 en la tabla, obtenemos nuestro valor crítico, que es 2.101. - `[08:59]` Este es el muro que separa la zona de aceptación de la zona de rechazo. Veamos ahora la regla de decisión final. La regla es matemática y estricta. Si la t calculada es mayor que la t crítica, se rechaza la hipótesis nula H sub O. Y si la T calculada es menor o igual que la T crítica, no se rechaza la hipótesis - `[09:27]` nula. Como nuestro valor calculado es 5.386, es significativamente mayor que el umbral de 2.101. cae profundamente en la región de rechazo. La probabilidad de que esta diferencia de tres puntos entre grupos se deba al azar es menor al 0.01%, o sea, P es menor que 0.001. Podemos afirmar con total rigor científico que el software de simulación - `[10:01]` funciona. Un error común en investigadores es celebrar un p valor menor a 0.05 y detenerse ahí. Sin embargo, la significancia estadística puede ser engañosa, especialmente con muestras muy grandes. Por eso debemos calcular la D de Coen, que mide la magnitud de la diferencia en términos de desviaciones estándar. Si el p valor nos dice que la diferencia existe, el tamaño del efecto nos dice si - `[10:34]` esa diferencia es importante en la práctica. La fórmula del tamaño del efecto es la que estamos viendo en pantalla, donde s sub p es la desviación estándar combinada, la raíz cuadrada de la varianza combinada que calculamos en la sección anterior. Vamos a aplicarlo a nuestros datos. Recuperemos nuestros valores anteriores para realizar el cálculo. Primero calculamos la desviación estándar - `[11:03]` combinada y sustituimos en la fórmula nuestros datos. Luego hacemos la interpretación de la magnitud. Jacob Cohen estableció umbrales para interpretar este valor. 0.20 es un efecto pequeño. La diferencia es real, pero difícil de notar. 0.50 es un efecto medio y 0.80 es un efecto grande. Nuestro resultado es 2.40. Esto es lo que en estadística llamamos - `[11:37]` un efecto masivo. Significa que la media del grupo que usó el software está a más de dos desviaciones estándar por encima del grupo de control. Para que lo visualicen mejor, un D de 2.40 implica que el 99% de los estudiantes del grupo experimental obtuvieron mejores notas que el estudiante promedio del grupo de control. Aquí es donde el investigador - `[12:04]` puede decir con total seguridad que su intervención no es solo estadísticamente significativa, sino que tiene un impacto transformador. La prueba TED Student es la piedra angular del análisis comparativo. Sin embargo, recuerda que su validez depende enteramente del cumplimiento de sus supuestos y de una interpretación ética de los resultados. No busques pejackear tus datos. Busca entender el fenómeno - `[12:33]` que los números intentan explicar. Si este nivel de detalle técnico te ha sido útil, házmelo saber en los comentarios. ¿Tienes dudas sobre cómo interpretar la prueba T en tu propia tesis? Escríbela abajo y la analizaremos. ### Texto Completo Continuo Muchos investigadores cometen el error crítico de afirmar que un tratamiento es efectivo simplemente porque el promedio de su muestra es mayor al del control. En ciencia, un promedio sin una prueba de significancia es solo una anécdota, no un dato. Hoy vamos a desglosar la prueba de Ted Studing para muestras independientes. Al finalizar este video, dominarás no solo el cálculo, sino la lógica inferencial necesaria para determinar si una diferencia observada es estadísticamente significativa o producto del azar. Soy Luisa y hoy abordaremos la estadística desde el rigor que tu investigación merece. Primero estableceremos los supuestos de normalidad y homoedacistidad. Segundo, desarrollaremos un caso práctico de comparación de dos métodos de enseñanza y tercero, interpretaremos el valor y el tamaño del efecto para dar una conclusión científica sólida. Antes de aplicar la fórmula, debemos validar si los datos son aptos para una prueba paramétrica. La prueba T de Student no es universal, requiere el cumplimiento de tres pilares fundamentales. Primero, independencia de las observaciones. Los sujetos de un grupo no deben influir en el otro grupo. Segundo, normalidad. La variable dependiente debe seguir una distribución normal en ambos grupos. Esto lo validaremos con pruebas como chapiro will o colmogoro esno. Tercero, homosedasticidad o igualdad de varianzas. Si las varianzas difieren significativamente, deberemos aplicar la corrección de Welche. Para que esta clase sea efectiva, trabajaremos con un caso de estudio real. Supongamos que estamos evaluando el impacto de un nuevo software de simulación en el rendimiento académico de estudiantes de ingeniería. El escenario. Tenemos dos grupos independientes de 10 estudiantes cada uno, es decir, n1 es ig. El grupo A de control utilizó métodos de estudio tradicionales, mientras que el grupo B experimental utilizó el software de simulación. La variable dependiente es la calificación en un examen estandarizado sobre 20 puntos. Observen los datos. A simple vista, el grupo B parece tener un mejor desempeño, pero como científicos no podemos concluir nada sin verificar la dispersión y la probabilidad de que esta diferencia sea aleatoria. Primero definamos nuestras hipótesis. La hipótesis nula, o sea, HO, significa que no hay diferencia significativa. Y la hipótesis alternativa HA, existe una diferencia significativa. Estableceremos un nivel de confianza del 95%, es decir, alfa es igual a 0.05. Antes de proceder al cálculo de t, es imperativo validar los tres supuestos fundamentales. Omitir este paso invalida cualquier resultado posterior. Primero, vamos a validar la independencia de las observaciones. Garantizamos que los estudiantes del grupo A no tuvieron contacto con el software ni con los estudiantes del grupo B durante el periodo de estudio. Cada dato es una unidad de información aislada. Segundo, veamos la normalidad. Debemos verificar si los datos de ambos grupos provienen de una población con distribución normal. Dado que nuestra muestra es pequeña, o sea, n es menor que 50, la prueba de elección es Chapiro Will. El supuesto de normalidad es crítico. La prueba de Chapiro Will evalúa que también se ajustan nuestros datos a una distribución normal mediante el estadístico W, donde Xi son los datos ordenados y A sub i son coeficientes tabulados. Para aplicar esta prueba, primero debemos ordenar los datos. Después calculamos las diferencias extremas. Como tercer paso, aplicamos los coeficientes, luego elevamos al cuadrado y por último dividimos por la suma de cuadrados que calculamos antes. Un valor W cercano a 1 indica normalidad. Al contrastar 0.917 con la tabla de valores críticos para n = 10, el valor p es mayor que 0.05. Por tanto, el grupo A es normal. El mismo proceso se aplica para el grupo B. Veamos ahora la homoedasticidad, o sea, la igualdad de varianzas. El primer paso, debemos calcular las medias y las varianzas muestrales. Repasemos los datos de nuestros grupos de 10 estudiantes y calculemos su variabilidad. La fórmula de la varianza muestral la estamos viendo en pantalla y aplicamos el mismo procedimiento al grupo B. Ahora validemos si las varianzas son iguales con la prueba del event. La lógica es simple. Calculamos la desviación absoluta de cada dato respecto a su media y realizamos un análisis de varianza sobre esas dos desviaciones. La prueba T estándar asume que las varianzas de ambos grupos son iguales. Para esto usamos la prueba del ev. Si el valor P del even fuera menor a 0.05, 05 tendríamos varianzas desiguales y deberíamos usar la T de Welche. Si realizamos una prueba T sobre estas nuevas variables ZA y ZB y el resultado no es significativo, o sea, P mayor que 0.05, significa que las desviaciones no son diferentes entre sí. En nuestro caso, P es igual a 0.58, 8. Confirmando la homoedasticidad. Con los supuestos validados, procedemos al cálculo final. Como las varianzas son homogéneas, usamos la varianza combinada. En la pantalla podemos ver el cálculo de la varianza combinada. Y finalmente calculamos el estadístico T. El estadístico T se define como el cociente entre la diferencia de las medias y el error estándar de la diferencia. Observemos la fórmula. El numerador representa la señal, o sea, la diferencia que queremos probar. Y el denominador representa el ruido, es decir, la variabilidad de los datos. Si la señal es suficientemente mayor que el ruido, nuestro valor t se alejará de cero, entrando en la región de rechazo de h0, o sea, de la hipótesis nula. Ya tenemos nuestro estadístico calculado, o sea, t es igual a 5.38. Pero, ¿contra qué lo comparamos? Necesitamos un valor de referencia llamado valor crítico. Para hallarlo requerimos dos parámetros: el nivel de significancia alfa y los grados de libertad GL. Vamos a calcular los grados de libertad. Los grados de libertad representan el número de valores en el cálculo final de una estadística que son libres de variar en una prueba T para muestras independientes con varianzas iguales. ¿Por qué restamos el dos? Porque al calcular la desviación de cada grupo estamos gastando un grado de libertad para cada media muestral que hemos estimado. Por lo tanto, nuestro modelo tiene 18 gr de libertad. Vamos ahora a la determinación del valor crítico. Escríbeme en los comentarios cuál de estas técnicas es la que usarás para estudiar o en tu investigación o tu tesis. Ahora debemos consultar la tabla de distribución T student. Para ello definimos dos criterios. Primero, el nivel de significancia alfa. Usaremos el estándar científico de 0.05, 05, o sea, un 5% de riesgo de error. Y segundo, el tipo de prueba. Como nuestra hipótesis alternativa es bilateral, es decir, miu a es diferente de mi b, usamos una prueba de dos colas. Esto significa que repartimos el error en los dos extremos de la campana, 0.025 025 en cada lado. Al cruzar la fila 18 con las columnas de 0.05 en la tabla, obtenemos nuestro valor crítico, que es 2.101. Este es el muro que separa la zona de aceptación de la zona de rechazo. Veamos ahora la regla de decisión final. La regla es matemática y estricta. Si la t calculada es mayor que la t crítica, se rechaza la hipótesis nula H sub O. Y si la T calculada es menor o igual que la T crítica, no se rechaza la hipótesis nula. Como nuestro valor calculado es 5.386, es significativamente mayor que el umbral de 2.101. cae profundamente en la región de rechazo. La probabilidad de que esta diferencia de tres puntos entre grupos se deba al azar es menor al 0.01%, o sea, P es menor que 0.001. Podemos afirmar con total rigor científico que el software de simulación funciona. Un error común en investigadores es celebrar un p valor menor a 0.05 y detenerse ahí. Sin embargo, la significancia estadística puede ser engañosa, especialmente con muestras muy grandes. Por eso debemos calcular la D de Coen, que mide la magnitud de la diferencia en términos de desviaciones estándar. Si el p valor nos dice que la diferencia existe, el tamaño del efecto nos dice si esa diferencia es importante en la práctica. La fórmula del tamaño del efecto es la que estamos viendo en pantalla, donde s sub p es la desviación estándar combinada, la raíz cuadrada de la varianza combinada que calculamos en la sección anterior. Vamos a aplicarlo a nuestros datos. Recuperemos nuestros valores anteriores para realizar el cálculo. Primero calculamos la desviación estándar combinada y sustituimos en la fórmula nuestros datos. Luego hacemos la interpretación de la magnitud. Jacob Cohen estableció umbrales para interpretar este valor. 0.20 es un efecto pequeño. La diferencia es real, pero difícil de notar. 0.50 es un efecto medio y 0.80 es un efecto grande. Nuestro resultado es 2.40. Esto es lo que en estadística llamamos un efecto masivo. Significa que la media del grupo que usó el software está a más de dos desviaciones estándar por encima del grupo de control. Para que lo visualicen mejor, un D de 2.40 implica que el 99% de los estudiantes del grupo experimental obtuvieron mejores notas que el estudiante promedio del grupo de control. Aquí es donde el investigador puede decir con total seguridad que su intervención no es solo estadísticamente significativa, sino que tiene un impacto transformador. La prueba TED Student es la piedra angular del análisis comparativo. Sin embargo, recuerda que su validez depende enteramente del cumplimiento de sus supuestos y de una interpretación ética de los resultados. No busques pejackear tus datos. Busca entender el fenómeno que los números intentan explicar. Si este nivel de detalle técnico te ha sido útil, házmelo saber en los comentarios. ¿Tienes dudas sobre cómo interpretar la prueba T en tu propia tesis? Escríbela abajo y la analizaremos. ---