Estadístico t explicado: fórmula, interpretación y ejemplos

El estadístico t indica si una diferencia observada es relevante o probablemente se debe al azar.

Las diferencias aparecen en casi cualquier conjunto de datos. La gran pregunta es si el resultado refleja un efecto real. El estadístico t responde comparando el tamaño de la diferencia con la incertidumbre de los datos.

Por eso se usa ampliamente en contrastes de hipótesis y regresión. Te ayuda a juzgar si un resultado es estadísticamente significativo y merece atención.

En esta guía aprenderás qué significa el estadístico t, cómo se calcula, cómo interpretarlo y cómo aplicarlo en escenarios de prueba habituales.

¿Qué es el estadístico t en estadística?

El estadístico t mide cuán lejos está un resultado de un valor de referencia tras ajustar por la variabilidad de los datos.

En pocas palabras, es la diferencia escalada por la incertidumbre. Así conviertes una brecha en bruto en un valor estandarizado que puedes evaluar.

Imagina una clase con una media de 78 frente a un valor de referencia de 75. La diferencia es de 3 puntos. Ese número por sí solo dice poco. Si las notas están muy agrupadas, la brecha puede ser significativa. Si varían mucho, esa misma brecha podría no importar.

El estadístico t combina ambas piezas en un único valor. Muestra si la diferencia observada es grande en relación con la variación de los datos.

Esto es clave porque la misma diferencia puede llevar a conclusiones distintas según lo estables que sean los datos. El estadístico t pone el resultado en contexto para que puedas juzgar su relevancia.

Lo verás en escenarios comunes:

• El t de una muestra comprueba si la media muestral difiere de un valor conocido
• El t de dos muestras compara las medias de dos grupos
• El t pareado compara el mismo grupo antes y después de un cambio
• El análisis de regresión contrasta si un coeficiente difiere de cero

En todos estos casos, la lógica es la misma: medir la distancia a un punto de referencia, ajustar por variabilidad y evaluar si el resultado es relevante.

Fórmula del estadístico t y cómo se calcula

El estadístico t sigue una estructura sencilla. Compara lo observado con lo esperado y escala esa diferencia por la incertidumbre.

En esta fórmula:

• La estimate es tu resultado muestral

• El hypothesized value es el valor frente al que contrastas

• standard error mide cuánto puede variar tu estimación por azar

Así, el estadístico t te dice a cuántos errores estándar está tu resultado del valor que contrastas.

t de una muestra

Úsalo cuando comparas una media muestral con un valor conocido.

Aquí: 

• x es la media muestral

• μ0 es el valor hipotetizado

• s es la desviación estándar muestral

• n es el tamaño muestral

El denominador s/n​ es el error estándar de la media.

t de dos muestras (muestras independientes)

Esta prueba compara las medias de dos grupos distintos. La estructura se mantiene:

• Numerador: diferencia entre las dos medias muestrales
• Denominador: error estándar de esa diferencia

Pero hay un matiz: al calcular el error estándar debes decidir cómo tratar la variabilidad de ambos grupos.

Hay dos enfoques comunes.

1. Varianzas desiguales

Úsalo cuando los grupos tienen distinta dispersión, algo habitual en datos reales:

• Cada grupo mantiene su propia varianza
• Ambas varianzas se combinan para calcular el error estándar

2. Varianzas iguales 

Úsalo cuando ambos grupos muestran una variabilidad similar:

• Las varianzas se combinan en una única estimación agrupada
• El cálculo se simplifica

t de coeficiente de regresión

En regresión, cada coeficiente tiene su propio estadístico t.

• Numerador: coeficiente estimado
• Denominador: error estándar de ese coeficiente

Esto muestra si un predictor guarda una relación significativa con la variable de salida.

Un ejemplo numérico rápido

Considera un caso de una muestra:

• Media muestral = 78
• Valor hipotetizado = 75
• Desviación estándar muestral = 10
• Tamaño muestral = 25

Paso 1: calcula el error estándar

Paso 2: calcula la diferencia

Diferencia = 78 − 75 = 3

Paso 3: calcula el estadístico t

t = 3/2 = 1,5

La media muestral está a 1,5 errores estándar por encima del valor de referencia. Este valor se usa en el siguiente paso para evaluar la significación estadística.

La distribución t y los grados de libertad

El estadístico t solo es útil al compararlo con una distribución de referencia: la distribución t.

Muestra cómo son los valores t cuando no hay efecto real. Una vez calculas un t, compruebas dónde cae en esta distribución. Los valores alejados del centro son menos probables por azar. Los cercanos al centro son más consistentes con la variación aleatoria.

Qué significan los grados de libertad

Los grados de libertad controlan la forma de la distribución t. Reflejan cuánta información fiable aportan tus datos: más datos dan estimaciones más estables y menos datos aumentan la incertidumbre.

Algunas fórmulas comunes son:

• t de una muestra: grados de libertad = n − 1
• t de dos muestras: grados de libertad = n₁ + n₂ − 2
• Regresión: grados de libertad = n − k − 1, donde k es el número de predictores

Cómo afecta el tamaño muestral a la distribución

Con muestras pequeñas es más difícil estimar la variabilidad. Esto hace más probables los valores t extremos, por lo que la distribución t es más ancha.

Esto implica dos consecuencias:

• Se requieren valores t más grandes para mostrar significación
• Cuesta más clasificar los resultados como relevantes

A medida que aumenta el tamaño muestral, las estimaciones se estabilizan. La distribución t se estrecha y se aproxima a la normal. Con muestras grandes, la diferencia entre ambas es mínima.

Cómo interpretar el estadístico t

Un estadístico t mayor implica evidencias más sólidas contra la hipótesis nula. Un t pequeño sugiere que el resultado puede deberse al azar.

Esa es la idea central. Ahora vamos a lo práctico.

Qué te indica el tamaño de t

Fíjate en cuán lejos está el valor de 0.

• t cercano a 0 > poca o ninguna diferencia
• t más grande > diferencia más marcada
• t muy grande > evidencias sólidas contra la nula

El signo solo indica la dirección.

• positivo > por encima del valor esperado
• negativo > por debajo del valor esperado

Para interpretar, importa más la magnitud que el signo.

Cómo obtener el p-valor

Tras calcular el estadístico t, compáralo con la distribución t. Así obtienes el p-valor, que indica cuán probable es tu resultado bajo la hipótesis nula.

• p-valor pequeño > resultado poco probable bajo la nula, evidencias más fuertes contra ella
• p-valor grande > resultado probable bajo la nula, evidencias débiles

El estadístico t da la distancia. El p-valor muestra cuán inusual es esa distancia.

Pruebas de una cola vs. de dos colas

La elección depende de tu hipótesis:

• La prueba bilateral busca cualquier diferencia, al alza o a la baja
• La prueba unilateral busca una diferencia en una dirección específica

Las pruebas bilaterales son más comunes. Las unilaterales se usan solo si la dirección se define antes del análisis.

Significación estadística vs. relevancia práctica

Un resultado puede ser estadísticamente significativo y aun así no ser útil. Esto ocurre a menudo con conjuntos de datos grandes.

• Con muestras grandes, incluso diferencias pequeñas pueden resultar significativas
• Con muestras pequeñas, diferencias relevantes pueden no parecer significativas

Así que no te quedes solo con el p-valor. Mira el tamaño del efecto y valora si importa para tomar decisiones reales.

El estadístico t en los contrastes de hipótesis

El estadístico t se usa para comprobar si un resultado difiere de forma relevante de un valor de referencia, a menudo cero. Ese valor representa ausencia de efecto o de diferencia. 

Responde a una sola pregunta: si el resultado observado es lo bastante grande como para tratarlo como real y no como variación aleatoria.

Contrastar una media poblacional

Úsalo al comparar una media muestral con un valor conocido o asumido.

Supón que el tiempo medio en una página se espera que sea de 5 minutos y tu muestra muestra 6. El estadístico t evalúa si esa brecha de 1 minuto es relevante.

• un t pequeño sugiere que la diferencia se debe al azar
• un t grande sugiere que la diferencia es real

Esto sienta las bases para rechazar o no rechazar la hipótesis nula.

Comparar dos medias

Úsalo para comparar dos grupos independientes.

Por ejemplo, tasas de conversión de dos landing pages:

• Grupo A: diseño antiguo
• Grupo B: diseño nuevo

Una media más alta en un grupo no basta. El estadístico t comprueba si la brecha entre las dos medias es estadísticamente significativa.

Un valor absoluto de t mayor implica evidencias más fuertes de que la diferencia es real. 

Pruebas con muestras emparejadas

Úsalo cuando el mismo grupo se mide dos veces.

Supón que mides la interacción de usuarios antes y después de una actualización. Cada observación está emparejada. Trabajas con las diferencias dentro de cada par en lugar de comparar grupos separados.

El estadístico t contrasta si el cambio medio entre pares difiere de cero. Así ves si el cambio tuvo un efecto relevante.

Contrastar coeficientes de regresión

En regresión, cada coeficiente tiene su propio t. Cada coeficiente representa la relación entre un predictor y el resultado.

Por ejemplo, un coeficiente puede representar el efecto de la frecuencia de emails en las conversiones. El estadístico t comprueba si ese coeficiente difiere de cero.

• valor cercano a cero implica poco o ningún efecto
• valor lejos de cero implica un efecto probablemente relevante

Esto ayuda a identificar qué variables aportan al modelo.

Tabla del estadístico t

Una tabla t te ayuda a decidir si tu resultado es estadísticamente significativo. Proporciona valores críticos según:

• grados de libertad
• nivel de significación elegido (por ejemplo, 0,05) 

Cómo usar la tabla t

Sigue estos pasos:

1. Calcula tu estadístico t
2. Obtén tus grados de libertad
3. Elige tu nivel de significación
4. Busca el valor crítico en la tabla

Ahora compara tu resultado con el valor crítico:

• Si tu valor t es mayor que el de la tabla, es estadísticamente significativo
• Si es menor, no es estadísticamente significativo

Así es como leer esta tabla. 

Supón que:

• Tu estadístico t = 2,3
• Grados de libertad = 10
• Nivel de significación = 0,05

De la tabla:

• Valor crítico = 2,23

Ahora compara:

• Tu t = 2,3
• Valor en tabla = 2,23

Como 2,3 es mayor que 2,23, el resultado es estadísticamente significativo.

Estadístico t vs. estadístico z: ¿cuál es la diferencia?

La diferencia clave es sencilla:

• Usa el estadístico t cuando la desviación estándar poblacional es desconocida
• Usa el estadístico z cuando es conocida

Más información sobre la diferencia entre estadísticos t y z en nuestra guía. 

Cuándo usar el estadístico t

Úsalo cuando trabajes con datos muestrales y no conozcas la desviación estándar poblacional.

Es lo habitual. Estimas la variabilidad con la desviación estándar muestral, lo que introduce incertidumbre. El estadístico t ajusta por esa incertidumbre, por eso es adecuado para conjuntos de datos más pequeños.

Por ejemplo, recoges datos de 25 usuarios para estimar el tiempo medio de sesión. Como la variabilidad poblacional real es desconocida, usas el estadístico t.

Cuándo usar el estadístico z

Úsalo cuando la desviación estándar poblacional es conocida.

Es menos común, pero puede aplicarse en entornos controlados o con datos históricos estables. También se usa con muestras muy grandes, donde la desviación estándar muestral se aproxima a la poblacional.

Si una empresa tiene datos a largo plazo y conoce exactamente la desviación estándar de una métrica, puede usar el estadístico z para contrastar.

Por qué importa el tamaño muestral

El tamaño muestral afecta a cuánta incertidumbre hay en tus estimaciones.

• muestras pequeñas: más incertidumbre, por eso el estadístico t es más apropiado
• muestras grandes: menos incertidumbre, el estadístico z se vuelve razonable

La distribución t tiene esto en cuenta ensanchándose para muestras pequeñas, lo que conduce a resultados más conservadores.

Cómo t y z se vuelven similares

A medida que aumenta el tamaño muestral, la diferencia entre ambos métodos se hace mínima. Con datos grandes, los dos enfoques producen resultados casi idénticos. Por eso el estadístico z se usa a menudo como aproximación en análisis a gran escala.

Estadístico t vs. t test: ¿cuál es la diferencia?

El estadístico t es un valor; el t test es el proceso completo de decisión. Veamos ambos:

¿Qué es el estadístico t?

Ya lo hemos visto, pero lo repito: el estadístico t se calcula a partir de tus datos muestrales. Muestra cuán lejos está tu resultado del valor bajo la hipótesis nula, normalmente cero.

Te da el tamaño de la diferencia en relación con la variabilidad de los datos. Por sí solo, no te dice si el resultado es significativo.

¿Qué es el t test?

El t test es una forma concreta de realizar un contraste de hipótesis.

Incluye:

• definir las hipótesis nula y alternativa
• calcular el estadístico t (anterior)
• encontrar el p-valor o el valor crítico
• tomar una decisión en función del resultado

Este proceso determina si la diferencia observada es estadísticamente significativa.

Cómo trabajan juntos

El estadístico t es un paso dentro del t test.

Primero calculas el valor t. Luego lo usas para obtener un p-valor o compararlo con un valor crítico. Ese paso final te permite decidir si rechazas la hipótesis nula.

Errores comunes al usar el estadístico t

La mayoría de errores vienen de la interpretación, no del cálculo. El estadístico t es fácil de computar pero fácil de malinterpretar si ignoras detalles clave.

Juzgar el valor t sin contexto

Un valor t grande por sí solo dice poco. Su significado depende del tamaño muestral y la variabilidad.

Qué hacer:

• interpreta el valor t junto al p-valor
• ten en cuenta el tamaño muestral
• revisa cuánta variación hay en los datos

Ignorar supuestos clave

El estadístico t depende de algunas condiciones. Si no se cumplen, los resultados pueden ser poco fiables. Los supuestos principales son:

• datos aproximadamente normales, sobre todo con muestras pequeñas
• observaciones independientes

Qué hacer:

• comprueba la distribución de los datos
• usa gráficos o estadísticas resumidas para detectar problemas
• emplea métodos alternativos si se violan los supuestos

Confundir pruebas unilaterales y bilaterales

Elegir mal la prueba cambia la conclusión. La unilateral comprueba una dirección y la bilateral, ambas direcciones.

Qué hacer:

• decide el tipo de prueba antes del análisis
• usa pruebas bilaterales por defecto salvo que se requiera una dirección específica

Hacer múltiples t-tests en lugar de ANOVA

Comparar más de dos grupos con múltiples t aumenta el riesgo de falsos positivos.

Qué hacer: usa ANOVA para tres o más grupos. Después, completa con pruebas post hoc si es necesario

Depender solo de los p-valores

Un p-valor pequeño muestra significación estadística, no importancia práctica. Asegúrate de revisar el tamaño del efecto y valorar si el resultado importa en decisiones reales.

Conclusión

Las diferencias aparecen en todos los conjuntos de datos. El reto es saber si reflejan un efecto real o variación aleatoria. El estadístico t aborda esto escalando la diferencia según la incertidumbre.

Sin el estadístico t, solo ves diferencias. Con él, puedes evaluar si esas diferencias merecen la pena.