Intervalo de Confianza para la Diferencia Entre Dos Medias Independientes (Datos Brutos)

statistical-calculators.site

acerca de statistical-calculators.site

Pega tus dos muestras de datos brutos a continuación — no necesitas calcular la media ni la desviación estándar tú mismo. ¿Prefieres introducir las estadísticas resumidas directamente? Usa la versión de datos resumidos.

Muestra 1

Muestra 2

Parámetros


Se realizará automáticamente una prueba F para la igualdad de varianzas. Su resultado puede ayudarte a decidir.

Cómo Usar Esta Calculadora

Usa esta calculadora para encontrar el intervalo de confianza (IC) para la diferencia entre dos medias poblacionales independientes ($\mu_1 - \mu_2$) directamente a partir de datos brutos. Sigue estos cuatro pasos sencillos:

  1. Pega tus Datos Brutos: Pega los valores brutos de la Muestra 1 y la Muestra 2 en los dos cuadros de texto. Los valores pueden separarse por comas, espacios o saltos de línea — la calculadora calculará automáticamente el tamaño de la muestra, la media y la desviación estándar.
  2. Define el Nivel de Significancia: Introduce tu nivel de significancia deseado ($\alpha$). Para un intervalo de confianza del 95%, el valor estándar es 0.05.
  3. Selecciona el Supuesto sobre las Varianzas: Elige "Asumir Varianzas Iguales" para usar el procedimiento t agrupado, o "No Asumir Varianzas Iguales" para usar el procedimiento t de Welch. El resultado de la prueba F que se muestra tras calcular puede ayudarte a decidir.
  4. Obtén los Resultados: Haz clic en Calcular. La herramienta muestra el resultado de la prueba F, el valor crítico t, el Margen de Error y los Límites Inferior y Superior finales del intervalo de confianza.

Nota de Interpretación: Si el intervalo de confianza contiene el cero, no hay diferencia estadísticamente significativa entre las dos medias poblacionales al nivel de confianza elegido.

Fundamento Teórico: Intervalos de Confianza para Dos Muestras Independientes

Cuando comparamos las medias de dos poblaciones independientes (por ejemplo, al comparar la efectividad de un nuevo medicamento frente a un placebo, o el rendimiento académico de estudiantes con dos métodos de enseñanza diferentes), a menudo queremos estimar la diferencia entre sus medias poblacionales, \(\mu_1 - \mu_2\). Un intervalo de confianza proporciona un rango de valores plausibles para esta diferencia.

De los Datos Brutos a las Estadísticas Resumidas

Dados los datos brutos de cada muestra, la calculadora primero calcula la media muestral y la desviación estándar muestral de cada grupo:

\( \bar{x} = \frac{\sum x_i}{n}, \qquad s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} \)

Estas estadísticas resumidas se utilizan después exactamente igual que en un cálculo de intervalo de confianza a partir de datos resumidos.

Comprobación de la Igualdad de Varianzas (Prueba F)

Una consideración importante es si se puede asumir que las varianzas de las dos poblaciones (\(\sigma_1^2\) y \(\sigma_2^2\)) son iguales. Este supuesto afecta a la fórmula utilizada para el intervalo de confianza. Una prueba F se usa comúnmente para comprobar este supuesto.

El estadístico F se calcula como el cociente de las varianzas muestrales, colocando la varianza mayor en el numerador para simplificar el cálculo del valor p:

\( F = \frac{\max(s_1^2, s_2^2)}{\min(s_1^2, s_2^2)} \)

Si el valor p de la prueba F es menor que el nivel de significancia elegido (por ejemplo, \(\alpha = 0.05\)), rechazamos \(H_0\) y concluimos que las varianzas probablemente son diferentes.

Caso 1: Varianzas Poblacionales Asumidas Iguales (Intervalo t Agrupado)

Si asumimos \(\sigma_1^2 = \sigma_2^2\), calculamos una estimación agrupada de la varianza común, \(s_p^2\):

\( s_p^2 = \frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1+n_2-2} \)

El intervalo de confianza utiliza \(gl = n_1+n_2-2\) grados de libertad:

\( IC = (\bar{x}_1 - \bar{x}_2) \pm t_{\alpha/2, gl} \cdot s_p\sqrt{\frac{1}{n_1} + \frac{1}{n_2}} \)

Caso 2: Varianzas Poblacionales No Asumidas Iguales (Intervalo t de Welch)

Si no podemos asumir \(\sigma_1^2 = \sigma_2^2\), el intervalo t de Welch es más apropiado. Los grados de libertad se aproximan mediante la ecuación de Welch-Satterthwaite:

\( gl \approx \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{\left(\frac{s_1^2}{n_1}\right)^2}{n_1-1} + \frac{\left(\frac{s_2^2}{n_2}\right)^2}{n_2-1}} \)

El método de Welch es generalmente robusto y se recomienda cuando hay dudas sobre la igualdad de varianzas.

Interpretación del Intervalo de Confianza

Un intervalo de confianza del \( (1-\alpha) \times 100\% \) para \(\mu_1 - \mu_2\) se interpreta así: "Tenemos una confianza del \( (1-\alpha) \times 100\% \) de que la verdadera diferencia entre las medias poblacionales se encuentra entre el límite inferior y el límite superior del intervalo." Si el intervalo contiene el cero, no hay evidencia suficiente para concluir una diferencia significativa; si no lo contiene, la diferencia es estadísticamente significativa a ese nivel de confianza.

Ejemplo Resuelto

Usando los datos predeterminados de arriba: la Muestra 1 tiene n=10, media ≈ 23.98, sd ≈ 1.42; la Muestra 2 tiene n=10, media ≈ 20.16, sd ≈ 0.86. Asumiendo varianzas iguales, el error estándar agrupado resulta ser de aproximadamente 0.524, lo que da un IC del 95% para la diferencia de aproximadamente [2.62, 5.02]. Dado que este intervalo es completamente positivo y no contiene el cero, hay evidencia estadísticamente significativa de que la media de la Muestra 1 es mayor que la de la Muestra 2.

Cómo Hacer Esto en R

muestra1 <- c(23.1, 25.4, 22.8, 24.0, 26.1, 21.9, 24.7, 25.9, 23.5, 22.4)
muestra2 <- c(20.5, 19.8, 21.2, 20.0, 18.9, 21.6, 19.4, 20.8, 19.1, 20.3)

# Intervalo t de Welch (por defecto)
t.test(muestra1, muestra2, conf.level = 0.95)

# Intervalo t agrupado (si se asumen varianzas iguales)
t.test(muestra1, muestra2, var.equal = TRUE, conf.level = 0.95)

Cómo Hacer Esto en Python

from scipy import stats
import numpy as np

muestra1 = [23.1, 25.4, 22.8, 24.0, 26.1, 21.9, 24.7, 25.9, 23.5, 22.4]
muestra2 = [20.5, 19.8, 21.2, 20.0, 18.9, 21.6, 19.4, 20.8, 19.1, 20.3]

resultado = stats.ttest_ind(muestra1, muestra2, equal_var=False)  # Welch
ic = resultado.confidence_interval(confidence_level=0.95)
print(ic.low, ic.high)

Cómo Hacer Esto en SPSS

Analizar → Comparar medias → Prueba T para muestras independientes. Mueve tu variable de resultado a "Variables de prueba" y tu variable de grupo a "Variable de agrupación". SPSS ejecuta automáticamente la prueba de Levene para la igualdad de varianzas junto con los intervalos de confianza de las pruebas t agrupada y de Welch, uno al lado del otro.

Cómo Hacer Esto en JASP

Pruebas T → Prueba T para Muestras Independientes. Mueve tu variable de resultado al cuadro de Variable Dependiente y tu variable de grupo al cuadro de Variable de Agrupación. En Comprobación de Supuestos, activa Igualdad de varianzas (Levene), y en Estadísticos activa Intervalo de Confianza.

Supuestos para los Procedimientos t de Dos Muestras

  1. Independencia de las Muestras: Las dos muestras deben ser independientes entre sí.
  2. Muestreo Aleatorio: Los datos de cada muestra deben provenir de un muestreo aleatorio de sus respectivas poblaciones.
  3. Normalidad: Ambas poblaciones deben estar aproximadamente distribuidas de forma normal, O ambos tamaños muestrales deben ser suficientemente grandes (por ejemplo, \(n_1 \ge 30\) y \(n_2 \ge 30\)) para que se aplique el Teorema Central del Límite. Los procedimientos t son razonablemente robustos frente a violaciones de la normalidad, especialmente con tamaños muestrales grandes.