Interpretar los resultados clave para t pareada

Complete los siguientes pasos para interpretar una prueba t pareada. La salida clave incluye la media de la diferencia, el intervalo de confianza, el valor p y varias gráficas.

Paso 1: Determinar un intervalo de confianza para la diferencia media de la población

Primero, considere la diferencia en las medias y luego examine el intervalo de confianza. La diferencia en las medias es el promedio de las diferencias entre las observaciones pareadas en la muestra.

La diferencia en las medias es una estimación de la diferencia en las medias de las poblaciones. Puesto que la diferencia en las medias se basa en los datos de una muestra y no en toda la población, es improbable que la diferencia en las medias de las muestras sea igual a la diferencia en las medias de las poblaciones. Para estimar mejor la diferencia en las medias de las poblaciones, utilice el intervalo de confianza de la diferencia.

El intervalo de confianza proporciona un rango de valores probables para la diferencia en las medias de las observaciones pareadas de la población. Por ejemplo, un nivel de confianza de 95% indica que si usted toma 100 muestras aleatorias de la población, podría esperar que aproximadamente 95 de las muestras produzcan intervalos que contengan la diferencia en las medias de las poblaciones. El intervalo de confianza ayuda a evaluar la significancia práctica de los resultados. Utilice su conocimiento especializado para determinar si el intervalo de confianza incluye valores que tienen significancia práctica para su situación. Si el intervalo es demasiado amplio para ser útil, considere aumentar el tamaño de la muestra. Para obtener más información, vaya a Maneras de obtener un intervalo de confianza más preciso.

Estimación de la diferencia pareada Error estándar IC de 95% de la para la Media Desv.Est. media diferencia_µ 2.200 3.254 0.728(0.677, 3.723) diferencia_µ: media de (Antes - Después)
Resultados clave: Diferencia media, IC de 95% para la diferencia media

En estos resultados, la estimación de la diferencia en las medias de las poblaciones para el ritmo cardíaco es 2.2. Usted puede estar 95% seguro de que la diferencia en las medias de las poblaciones está entre 0.677 y 3.723.

Paso 2: Determinar si los resultados de la prueba son estadísticamente significativos

Para determinar si la diferencia entre las medias de las poblaciones es estadísticamente significativa, compare el valor p con el nivel de significancia. Por lo general, un nivel de significancia (denotado como α o alfa) de 0.05 funciona adecuadamente. Un nivel de significancia de 0.05 indica un riesgo de 5% de concluir que existe una diferencia cuando no hay una diferencia real.
Valor p ≤ α: La diferencia entre las medias es estadísticamente significativa (Rechazar H0)
Si el valor p es menor que o igual al nivel de significancia, la decisión es rechazar la hipótesis nula. Usted puede concluir que la diferencia entre las medias de las poblaciones no es igual a la diferencia hipotética. Si no especificó una diferencia hipotética, Minitab prueba si no hay diferencia entre las medias (Diferencia hipotetizada = 0) Utilice su conocimiento especializado para determinar si la diferencia es significativa desde el punto de vista práctico. Para obtener más información, vaya a Significancia estadística y práctica.
Valor p > α: La diferencia entre las medias no es estadísticamente significativa (No puede rechazar H0)
Si el valor p es mayor que el nivel de significancia, la decisión es que no se puede rechazar la hipótesis nula. Usted no tiene suficiente evidencia para concluir que la diferencia en las medias entre las observaciones pareadas es estadísticamente significativa. Debe asegurarse de que su prueba tenga suficiente potencia para detectar una diferencia que es significativa desde el punto de vista práctico. Para obtener más información, vaya a Potencia y tamaño de la muestra para t pareada.

Valor T Valor p 3.02 0.007

Resultado clave: Valor p

En estos resultados, la hipótesis nula indica que la diferencia media en las frecuencias cardíacas en reposo de los pacientes antes y después de un programa de correr es 0. Puesto que el valor p es 0.007, que es menor que el nivel de significancia de 0.05, la decisión es rechazar la hipótesis nula y concluir que hay una diferencia en las frecuencias cardíacas de los pacientes antes y después de un programa de correr.

Paso 3: Verificar si hay problemas en los datos

Los problemas con los datos, como la asimetría y los valores atípicos, pueden afectar negativamente los resultados. Utilice gráficas para buscar asimetría y para identificar posibles valores atípicos.

Examine la dispersión de los datos para determinar si los datos parecen ser asimétricos.

Cuando los datos son asimétricos, la mayoría de los datos se ubican en la parte superior o inferior de la gráfica. Con frecuencia, es fácil detectar la asimetría con un histograma o una gráfica de caja.

Asimétrico hacia la derecha
Asimétrico hacia la izquierda

El histograma con datos asimétricos hacia la derecha muestra tiempos de espera. La mayoría de los tiempos de espera son relativamente cortos y solo unos pocos son largos. El histograma con datos asimétricos hacia la izquierda muestra datos de tiempo de falla. Unos pocos elementos fallan inmediatamente y muchos otros fallan posteriormente.

Los datos que son marcadamente asimétricos pueden afectar la validez del valor p si la muestra es pequeña (menos de 20 valores). Si los datos son marcadamente asimétricos y usted tiene una muestra pequeña, considere aumentar el tamaño de la muestra.

En este histograma, los datos no parecen ser muy asimétricos.

Identificar valores atípicos

Los valores atípicos, que son valores de datos que están muy distantes de otros valores de datos, pueden afectar considerablemente los resultados de un análisis. Con frecuencia, es fácil identificar los valores atípicos en una gráfica de caja.

En una gráfica de caja, los asteriscos (*) denotan valores atípicos.

Trate de identificar la causa de cualquier valor atípico. Corrija cualquier error de entrada de datos o de medición. Considere eliminar los valores de datos asociados con eventos anormales y únicos (también conocidos como causas especiales). Luego, repita el análisis. Para obtener más información, vaya a Identificar valores atípicos.

En esta gráfica de caja no hay valores atípicos.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política