Prueba de hipótesis en R: Prueba t de Student y prueba de Wilcoxon
Resumen
Las pruebas estadísticas son fundamentales en la investigación científica porque proporcionan un marco riguroso y objetivo para analizar y comparar datos. Dentro de estas pruebas estadísticas, la Prueba t de Student y la prueba de Wilcoxon son comúnmente utilizadas. Sin embargo, entre estas dos pruebas existen diferencias significativas, principalmente relacionadas con los tipos de datos en los que se aplican. La elección entre la prueba t de Student y la prueba de Wilcoxon puede constituir un problema en algunas ocasiones, cuya solución depende de las características de los datos. En esta dirección, el objetivo de la presente investigación es demostrar cómo se aplican la prueba t de Student y la prueba de Wilcoxon empleando el software R, mediante la ilustración de ejemplos prácticos. Para ello se emplearon varios métodos tales como el análisis-síntesis, inducción-deducción y la sistematización teórica, los cuales permitieron realizar un estudio procedimental de la prueba t de Student y la prueba de Wilcoxon. A partir de lo enunciado, la investigación ofrece una guía práctica para aplicar la prueba t de Student y la prueba de Wilcoxon utilizando el software R. En ese sentido, se proporciona una explicación detallada de cómo realizar ambas pruebas en R, incluyendo las funciones y las interpretaciones de los datos. El principal resultado de la investigación consiste en ejemplos prácticos y concretos que ayudan a los lectores a comprender mejor cómo aplicar estas pruebas estadísticas en los procesos de investigación científica.
Descargas
Citas
De la Lama, P., de la Lama, M., de la Lama, A. (2022). Los instrumentos de la investigación científica. Horizonte de la Ciencia, 12(22). https://www.redalyc.org/journal/5709/570969250014/570969250014.pdf
De Winter, J. (2019). Using the Student's t-test with extremely small sample sizes. Practical Assessment, Research, and Evaluation, 18. https://doi.org/10.7275/e4r6-dj05
Flores, C. y Flores, K. (2021). Pruebas para comprobar la normalidad de datos en procesos productivos: Anderson-Darling, Ryan-Joiner, Shapiro-Wilk y Kolmogórov-Smirnov. Societas, 23(2), 83–106. https://matriculapre.up.ac.pa/index.php/societas/article/view/2302
López, R., Cabrera, E. y Palmero, D. (2020). Pertinencia de métodos estadísticos empleados para medir el clima organizacional en el ámbito pedagógico. MediSur, 18(5), 780-788. http://scielo.sld.cu/scielo.php?pid=S1727-897X2020000500780&script=sci_arttext
Machado, W. y Rodríguez, M. (2019). Criterios para la selección y aplicación de herramientas estadísticas en la investigación educativa. Delectus, 2(1). http://portal.amelica.org/ameli/journal/390/3902682005/html/
Prabhaker, M., Uttam, C., Priyadarshni, M., and Gaurav, P. (2019). Application of Student's t-test. Analysis of Variance and Covariance, 22(4), 407-411. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6813708/
Ramírez, A. y Polack, A. (2020). Estadística inferencial. Elección de una prueba estadística no paramétrica en investigación científica. Horizonte de la Ciencia, 10(19), 191–208. https://doi.org/10.26490/uncp.horizonteciencia.2020.19.597
Rode, J. B., y Ringel, M. M. (2019). Statistical Software Output in the Classroom: A Comparison of R and SPSS. Teaching of Psychology, 46(4), 319-327. https://doi.org/10.1177/0098628319872605