ESTADSTICA ROBUSTA

Notas
Indice
1. OBJETIVOS.....................................................................................................................1
2. INTRODUCCIN .............................................................................................................1
2.1. La teora de la probabilidad ........................................................................................................................ 2
2.2. Inferencia estadstica moderna .................................................................................................................. 2
2.3. Inferencia estadstica robusta..................................................................................................................... 3

3. NDICES DESCRIPTIVOS RESISTENTES.....................................................................4

3.1. Media recortada.......................................................................................................................................... 4
3.2. Media winsorizada ...................................................................................................................................... 5
3.3. Suma de desviaciones cuadrticas winsorizada........................................................................................ 5
3.4. Varianza winsorizada ................................................................................................................................. 5
3.5. Varianza recortada ..................................................................................................................................... 5
3.6. Intervalo de confianza de la media recortada ............................................................................................ 6

4. COMPARACIN ROBUSTA DE DOS MEDIAS ..............................................................6

4.1. Prueba de conformidad .............................................................................................................................. 7
4.2. Diseo de grupos independientes .............................................................................................................. 8
4.3. Diseo de medidas repetidas ................................................................................................................... 14
4.4. Correlacin ............................................................................................................................................... 16

5. ANLISIS ROBUSTO DE LA VARIANZA UNIFACTORIAL: DISEO DE GRUPOS

INDEPENDIENTES ...........................................................................................................21
5.1. Pruebas bajo homocedasticidad de varianzas......................................................................................... 22
5.2. Pruebas bajo heterocedasticidad de varianzas........................................................................................ 25

6. BIBLIOGRAFA..............................................................................................................29

1. Objetivos

Conocer el concepto de estadstica robusta, el campo de aplicacin y los principales ndices descriptivos
resistentes;

Comprender la inferencia estadstica robusta, con el estudio de los ejemplos en procedimientos ms

frecuentes como la comparacin de medias, correlacin o anlisis de varianza.

2. Introduccin
La perspectiva del anlisis exploratorio de datos (1, 2) ha centrado su atencin en la utilizacin de ndices
resistentes frente a la utilizacin de ndices clsicos a la hora de describir una variable cuantitativa en el
caso en que sta tenga una distribucin asimtrica, o bien presente valores alejados. Los ndices
descriptivos clsicos por excelencia, la media aritmtica y la desviacin estndar, cambian sustancialmente
su valor ante la presencia de datos anmalos, lo que los convierte en ndices poco resistentes. En cambio,
los ndices descriptivos resistentes se caracterizan por ser insensibles a conductas errneas o alejadas,
localizadas en los datos. Los ndices resistentes o robustos ponen su atencin en el cuerpo principal de los
datos y muy poca en los valores anmalos o alejados.
Esta preocupacin se ha trasladado recientemente al campo de la prueba de hiptesis, debido a que
muchos ndices de contraste se basan para su desarrollo en ndices poco resistentes como la media y la
desviacin estndar de las distribuciones.

La metrologa es la ciencia de las medidas, consideradas conjuntamente con la determinacin de sus

incertidumbres, y constituye junto con la normalizacin, la acreditacin y la certificacin, los cimientos de
todo plan de aseguramiento de la calidad de una medida.
En la actualidad, la inferencia estadstica clsica, desarrollada en el primer tercio del siglo XX, da respuesta
suficiente para tratar de forma adecuada la problemtica suscitada. Tomar el valor de una medida
(poblacin), pasa por realizar unas concretas determinaciones (muestra) y a partir de sus resultados, dar el
resultado final de la medida y su incertidumbre. La incertidumbre es un parmetro asociado al resultado de
una medicin que caracteriza la dispersin de los valores que pueden atribuirse a la medicin. De esta
forma, la muestra y las tcnicas de muestreo se convierten en el fundamento de la inferencia estadstica
clsica.
La estadstica tiene muchos significados, siendo una tcnica que debe establecer una gua para determinar
situaciones de incertidumbre. La informacin y la incertidumbre participan de forma decisiva. Es, por lo
tanto, la estadstica una ligazn entre pasado y futuro, de especial trascendencia en la mayor parte de los
procesos.
Todo procedimiento estadstico que emplea informacin para obtener conocimiento, est en el mbito de la
inferencia y cuando hay que determinar acciones, se aborda la denominada decisin estadstica.

2.1. La teora de la probabilidad

En el primer tercio del siglo XX irrumpen con fuerza en el mbito cientfico-matemtico dos corrientes que
tratan de configurar un marco propio: la teora de la probabilidad. Crear una axiomtica propia y establecer
las bases para difundir una nueva estadstica, ocup un amplio perodo de tiempo donde cientficos de gran
renombre fueron plasmando sus teoras.

Preparacin de la base y las estructuras necesarias para establecer una nueva axiomtica (Cantor,
Hilbert, Borel, ...);

Inicio y consolidacin de la axiomtica de la teora de la probabilidad (Lebesgue, Kolmogorov, Feller, ...);

Desarrollo de la inferencia estadstica clsica y su aplicacin (Markov, Pearson, Gosset, Snedecor, Von
Mises, Fisher, ...).
Los tres bloques fueron desarrollndose a la vez, consiguiendo en tan solo cincuenta aos desgajar unos
contenidos que han formado una estructura propia en el mbito de las ciencias matemticas.

2.2. Inferencia estadstica moderna

Fundamentalmente la inferencia estadstica moderna sigue dos sentidos que, aunque convergentes, tienen
enfoque diferenciado:

Teora bayesiana: admite conocimientos a priori, as como observaciones nuevas. Las a priori son
modificadas por las verosimilitudes;

Teora de la decisin: punto de partida en los trabajos de Wald (3).

Pretende establecer una teora, unas reglas de accin en situacin de incertidumbre o riesgo. El valor de

cualquier decisin es medido por su prdida.

2.3. Inferencia estadstica robusta

La inferencia estadstica clsica establece mecanismos de actuacin ampliamente desarrollados como la

estimacin genrica y los contrastes de hiptesis. Ambos constituyen una parte esencial del trabajo habitual
en la estadstica actual. En ellos impera el dogma de la normalidad, quedando invalidadas las
observaciones discordantes con esta norma.
En una etapa de transicin se intentan establecer mecanismos basados en incluir los datos anmalos y
disear funciones de distribucin mixtas que modelen ambos comportamientos.
Los mtodos robustos complementan a los mtodos estadsticos clsicos y configuran una teora ms
afinada en aspectos tan interesantes como la estimacin y el contraste.
El trmino robusto fue establecido por Box (4), tratando de forzar hacia una modelizacin ms completa que
la establecida. Trabajos posteriores fueron reforzando la teora, destacando:

Quenouille (1956) (5), con tcnicas que permiten reducir el sesgo y establecer nuevos entornos para la
estimacin;

Anscombe (1960) (6), estimulando la investigacin terica y experimental en datos extremos;

Huber (1964) (7), diseando los procedimientos estadsticos robustos;

Hampel (1968) (8), introduciendo el uso de curvas de influencia para analizar la sensibilidad de los
estimadores;

Jaeckel (1971) (9) y Berger (1976) (10), sobre aspectos de admisibilidad de los estimadores.
Se dice que una prueba estadstica es robusta si se pueden violar sus supuestos sin que ello repercuta
substancialmente en las conclusiones. Es decir, es la habilidad de una prueba estadstica especfica para
suministrar una estimacin exacta de la probabilidad de los errores tipo I y II, aun cuando sus suposiciones
sean violadas. Algunas pruebas de hiptesis son ms robustas a desviaciones de ciertos supuestos
subyacentes que otras.
El tipo y magnitud de la desviacin de los datos de las asunciones requeridas por un test son a menudo
importantes en la eleccin apropiada del test estadstico que hay que aplicar. Las pruebas de hiptesis son
usadas en muchas situaciones en las que las asunciones subyacentes son violadas. Por lo tanto la robustez
es una propiedad deseable.
Las hiptesis con las que se trabaja en los tests no paramtricos son menos detalladas y menos numerosas
que los tests paramtricos y los tests no paramtricos son menos sensibles a su violacin. Por eso los tests
no paramtricos son ms robustos que los paramtricos. Adems estas violaciones son ms fciles de ver
en los tests no paramtricos. Para tamaos muestrales menores de 10, las violaciones en las hiptesis de
los tests paramtricos son ms graves, por lo que los tests no paramtricos son los ms apropiados.

3. ndices descriptivos resistentes

En este apartado se exponen una serie de ndices descriptivos cuyo clculo ser necesario para la
realizacin de las pruebas robustas. Para ello, se utilizar un sencillo ejemplo numrico compuesto por el
siguiente conjunto de datos:

{9,12,13,15,19, 21, 24, 26,32,34,80}

El valor de los ndices descriptivos clsicos ms comunes son los siguientes:

x
s2
s
EE x

285
= 25,9091
11
3868,9091
=
= 386.8909
10
= 19, 6695
19, 6695
=
= 5.9305
11
=

A partir de estos valores, se pueden obtener los lmites del intervalo de confianza del 95 % de la media:

25,9091 t (10, 0, 05 ) 5,9305 (12, 6959 39,1222 )

Sin embargo, se puede observar en el conjunto de los datos la existencia de una observacin alejada (el
valor 80) mediante el siguiente grfico de caja:

Con el objeto de analizar el efecto que tiene el valor alejado sobre los ndices descriptivos clsicos, se
obtendrn los siguientes ndices resistentes:

Media recortada;

Media winsorizada;

Suma de desviaciones cuadrticas winsorizada;

Varianza winsorizada;

Varianza recortada;

Intervalo de confianza de la media recortada.

3.1. Media recortada

La media recortada permite eliminar un determinado nmero o proporcin de observaciones a cada lado de
la distribucin. Con este ndice se puede obtener una medida de localizacin resistente tras el recorte de los
posibles valores anmalos presentes en la distribucin.
En una muestra formada por n observaciones, ordenadas de manera ascendente, la media recortada la
constituyen una proporcin p de casos en cada extremo de la distribucin. Se calcula mediante la siguiente
expresin:
ng

T ( p) =

i = g +1

xi

n 2g

donde: g expresa el nmero de observaciones que deben ser eliminadas de cada extremo de la

distribucin y viene dado por g = p n 1.

Por tanto, siempre se eliminar un nmero entero de observaciones.
Tomando los datos del ejemplo propuesto, recurdese que exista un valor alejado, el valor 80. Por tanto,
para poder estudiar el efecto de este valor se obtiene la media recortada eliminando una observacin a
cada lado:

12 + 13 + 15 + 19 + 2124 + 26 + 32 + 34
196
=
= 21, 7777
11 2 (1)
9

T ( p) =

3.2. Media winsorizada

Para calcular la media winsorizada, en lugar de eliminar un nmero entero de observaciones de cada
extremo, se sustituyen por el ltimo valor, en cada extremo, que forma parte del anlisis.
La media winsorizada W ( p ) con una proporcin p de casos sustituidos en cada extremo viene dada por:

W ( p) =

( g + 1) x g +1 + x g + 2

+ + + x n g 1 + ( g + 1) x n g
n

Tomando los datos del ejemplo numrico propuesto, la media winsorizada sustituyendo una observacin a
cada lado se obtiene mediante:

W ( p) =

2 12 + 13 + 15 + 19 + 21 + 24 + 26 + 32 + 2 34
242
=
= 22
11
11

3.3. Suma de desviaciones cuadrticas winsorizada

La suma de desviaciones cuadrticas winsorizada, SDC (W ) , representa la distancia cuadrtica de las
observaciones respecto a su media una vez winsorizada la muestra, y se obtiene por medio de:

SDC (W ) = ( g + 1) ( x g +1 W ( p ) ) + ( x g + 2 W ( p ) ) + + + ( x n g 1 W ( p ) ) + ( g + 1) ( x n g W ( p ) )
2

Tomando los datos del ejemplo numrico propuesto, la SDC (W ) se obtiene mediante:

SDC (W ) = (1 + 1)(12 22 ) + (13 22 ) + + ( 32 22 ) + (1 + 1)( 34 22 ) = 748

2

3.4. Varianza winsorizada

2

La varianza winsorizada s W se obtiene como una varianza muestral habitual, tras haber winsorizado la
muestra:

s W2 =

SDC (W )
n 1

Tomando los datos del ejemplo numrico propuesto, la varianza winsorizada es igual a:

s W2 =

748
= 74,8
10

3.5. Varianza recortada

El valor de la varianza winsorizada nos permite obtener la varianza estimada de una media recortada

T ( p ) , la cual viene dada por:

El smbolo

[ ] significa la parte entera del valor resultante del producto

5

pn .

s T2 =

s W2
n (1 2 p )

Tomando los datos del ejemplo numrico propuesto, la varianza recortada es igual a:

s 2T =

74,8
11 (1 2 0, 0909 )

= 10,1575

3.6. Intervalo de confianza de la media recortada

Una vez obtenida la media recortada muestral ser conveniente, desde el punto de vista inferencial,
proporcionar una estimacin por intervalo del valor poblacional. Esto se consigue proporcionando el
intervalo de confianza que, en general, suele ser del 95 %.
Para ello, en primer lugar, se requiere conocer el valor del error estndar de la distribucin muestral de
medias recortadas, que depender de la proporcin p de observaciones recortadas.
El error estndar de una media recortada es:

EE (T ) = s T
El intervalo de confianza 1 , se obtiene por medio de:

t T t , EE (T )
donde: = n 2 g 1 son los grados de libertad (es decir, el nmero de observaciones que quedan
despus de recortar una proporcin p , h = n 2 g 1 ) de la distribucin t de
Student.
Aplicado al ejemplo numrico, se tiene que el intervalo de confianza de la media recortada:

EE (T ) =

10,1575 = 3,1870

T 21, 7777 t 8,0,05 3,1870 T (14, 4284 29,1269 )

Calculados los ndices descriptivos por la va clsica y por la va robusta, se puede analizar el efecto que
tiene la presencia del valor alejado. En el grfico se muestra el intervalo de confianza de la media obtenido
por ambas vas.

Tras el recorte de ambos extremos, la localizacin de la distribucin medida a travs de la media se

desplaza de un valor 25,9091 a un valor T ( p ) = 21, 7777 . El grado de dispersin medido a travs del
error estndar de la media se reduce de EE () = 5,9305 a EE (T ) = 3,187 . Como consecuencia, el
intervalo de confianza de la media obtenido por la va robusta mejora considerablemente en precisin

] [

respecto al obtenido por la va clsica, pasando de 12, 69 39,12 a 14, 42 29,12 .

Los resultados obtenidos a partir de este conjunto de datos, indican que para este caso sera ms adecuado
la utilizacin de la va robusta.

4. Comparacin robusta de dos medias

A continuacin se describe la comparacin robusta de dos medias en tres situaciones diferentes: prueba de
conformidad, diseo de grupos independientes y diseo de medidas repetidas.

4.1. Prueba de conformidad

Las pruebas de conformidad permiten averiguar si la poblacin origen de una determinada muestra
presenta un parmetro cuyo valor sea igual al del mismo parmetro de un determinado modelo terico.
Asimismo, esta prueba permite averiguar si una determinada muestra puede proceder o no de una
determinada poblacin caracterizada por un determinado parmetro.
Las hiptesis estadsticas planteadas en una prueba de conformidad son:

H 0 : = t
H1 : t
A partir del valor de la media recortada T ( p ) y la SDC (W ) , Tukey y McLaughlin (11) propusieron la
siguiente prueba de comparacin robusta en el caso de una muestra:

t =

T ( p)
SDC (W )
h ( h 1)

donde: h = n 2 g es el nmero de observaciones que quedan despus de eliminar g observaciones de

cada extremo de la distribucin.
Para estudiar la significacin del valor t obtenido se compara con la distribucin t de Student para h 1
grados de libertad.
Ejemplo 1
A partir del siguiente conjunto de observaciones:

{10,12,13,15,18, 21, 25, 27 ,30,32, 67}

se quiere saber si la muestra utilizada puede provenir de una poblacin caracterizada por una media
= 25 , en la variable estudiada.
A partir de estos datos se encuentra que la media es 24,5455 y la desviacin estndar es 15,9459. As
pues, la prueba de conformidad mediante el ndice t de Student-Fisher es:

t =

24,5455 25
= 0, 095
15,9459
11

El grfico de caja nos muestra la presencia de una observacin alejada: el valor 67:

Para obtener la comparacin robusta se debe fijar, en primer lugar, el nmero g de observaciones que sern
recortadas y winsorizadas. Como se tiene un nico valor alejado, se realizar el clculo eliminando una
observacin de cada extremo de la distribucin. As pues, h = n 2 g = 9 .
La media recortada y la media winsorizada son:

12 + 13 + 15 + 18 + 21 + 25 + 27 + 30 + 32
193
=
= 21, 4444
9
9
1
237
W =
= 21,5454
( 2 12 + 13 + 15 + 18 + 21 + 25 + 27 + 30 + 2 32 ) =
11
11
T =

Se obtiene el valor de la SDC (W ) mediante:

SDC (W )= (1 + 1)(12 21,5454 ) + (13 21,5454 ) + + ( 30 21,5454 ) + (1 + 1)( 32 21,5454 ) =

2

= 642, 7272
Y la prueba de conformidad robusta vendr dada por:

t =

21, 4444 25
= 1,19
642, 7272
98

Este valor, situado en la distribucin t con h 1 = 8 grados de libertad, tiene un nivel de significacin
superior al 5 %, por lo que se mantendr la hiptesis nula segn la cual los datos pueden provenir de una
poblacin que presente una media de valor = 25 .
Comparando los resultados obtenidos por ambas vas, se puede observar que a pesar de que ambas
pruebas concluyen a favor de la hiptesis nula ( t = 0, 095 , p = 0,92 por va clsica; t = 1,19 , p = 0, 26
por va robusta), la prueba robusta presenta un ndice t sensiblemente mayor respecto al ndice t de la
prueba clsica.
Ejemplo 2
A partir del siguiente conjunto de observaciones se quiere saber si la muestra utilizada puede provenir de
una poblacin caracterizada por una media = 25 , en la variable estudiada:

{1,8,9,10,12,13,15,18, 21, 25, 27 ,30,32,59}

teniendo que cuenta que el valor 59 es un valor alejado:

Solucin:
A diferencia del ejemplo anterior, en este segundo ejemplo, la utilizacin de una va u otra, implica una
conclusin estadstica diferente. De esta forma, teniendo en cuenta el valor alejado, por la va clsica
seguimos manteniendo la hiptesis nula ( t = 1,30 , p = 0, 21 ), mientras que a travs del recorte del valor
alejado, por la va robusta rechazamos la hiptesis nula en favor de la hiptesis alternativa
( t = 2,32 , p = 0, 04 ).
Este tipo de casos ilustra la importancia de utilizar la va robusta ante la presencia de valores alejados.

4.2. Diseo de grupos independientes

En un diseo de grupos independientes cada sujeto experimental se somete a una sola condicin
experimental, de tal manera que los sujetos que forman la muestra se dividen de manera mutuamente
exclusiva y exhaustiva en las distintas condiciones experimentales.

4.2.1. Comparacin de medias

En este diseo se pretende evaluar si el valor que toma la variable cuantitativa respuesta depende del grupo
experimental al que se pertenezca. Es decir, si condiciones experimentales distintas producen respuestas
distintas en los sujetos.

H 0 : 1 = 2
H 1 : 1 2
Las hiptesis estadsticas planteadas se definen como:

H 0 : 1 2 = 0
H 1 : 1 2 0
La hiptesis nula de igualdad de dos medias, as como la alternativa, pueden reescribirse en trminos de
diferencia entre medias, quedando de la siguiente forma:

La hiptesis nula establece que el valor terico de la diferencia de medias poblacionales es cero, frente a la
alternativa que establece que esta diferencia poblacional es distinta de cero.
La prueba de hiptesis que permite verificar cul de estas dos hiptesis es ms verosmil, a la luz de los
datos, se basa en la variable diferencia de medias observadas, d = x1 x 2 .
A partir del resultado se establecer si este valor puede ser considerado estadsticamente nulo o bien la
probabilidad de que sea nulo es tan pequea que ser ms aconsejable considerar la hiptesis de que no lo
sea. En este modelo de hiptesis nula se basa la conclusin estadstica que dice "existen diferencias
significativas entre las medias poblacionales".
Se situar el valor de la diferencia observada en su distribucin de referencia, la distribucin muestral de
diferencia de dos medias, y se calcular la probabilidad de haber obtenido este valor, o superior, bajo el
supuesto de que la hiptesis nula es cierta.
Sean dos muestras de tamaos m y n en las que se estudia una determinada caracterstica cuantitativa.
2

El clculo de sm , p , la varianza de la media recortada de la primera muestra viene dado por:

s
2

donde: s W ( m , p )

2
m, p

s W2 ( m , p )
m (1 2 p )

es la varianza muestral de la primera muestra cuando sta ha sido winsorizada 2 p

simtricamente; y

T ( m , p ) es la media recortada de la primera muestra, de tamao m , es decir, la media de las

m p observaciones que quedan despus de que [ m p ] observaciones hayan sido

eliminadas de cada extremo de la distribucin.
2

El clculo de sn , p , la varianza de la media recortada de la segunda muestra viene dado por:

s 2n , p =

s W2 ( n , p )
n (1 2 p )

donde: s W ( n , p )

es la varianza muestral de la segunda muestra cuando sta ha sido winsorizada 2 p

simtricamente; y

T ( n , p ) es la media recortada de la segunda muestra, de tamao n , es decir, la media de las

n p observaciones que quedan despus de que

[n p]

observaciones hayan sido

eliminadas de cada extremo de la distribucin.

A partir del valor de la diferencia entre las dos medias y la varianza de dicha diferencia:

d = T (m , p) T (n , p)
s 2d = s 2m , p + s 2n , p
se obtiene el ndice (12):

T (m, n, p) =

d
sd

Recurdese que en la comparacin de dos medias en diseo de grupos independientes deben cumplirse
una serie de supuestos, entre ellos, la homogeneidad o igualdad de varianzas en las poblaciones orgenes
de los grupos. De esta forma, el ndice obtenido puede situarse en la distribucin t de Student, cuyos
grados de libertad dependern del cumplimiento de este supuesto. Por tanto, se plantean dos posibles
situaciones:
Varianzas iguales
Cuando las varianzas poblacionales son iguales, el ndice t puede situarse en la distribucin t con

(1 2 p )( m + n ) 2

grados de libertad.

Varianzas desiguales
Para obtener el valor crtico en la distribucin t de Student, cuando las varianzas son diferentes, hay que
hacer una modificacin de la aproximacin de Welch (13, 14):
Sean:

m p = m 2 [ p m]
n p = n 2 [ p n]
Se denomina A p a la varianza de la media recortada T ( m , p ) y B p a la varianza de la media recortada

T (n , p) .
Los grados de libertad apropiados, para la distribucin t , vienen dados por:

g .l. p =

(A

+ Bp )

A2p
m p 1

B 2p
n p 1

Cuando se obtiene una diferencia significativa entre las dos medias recortadas es conveniente obtener el
intervalo de confianza para conocer entre qu valores se mover la diferencia poblacional. Este intervalo
viene dado por:

1 (T ) 2 (T ) (T1 T 2 ) t ( , ) s d

Ejemplo numrico
Con la intencin de analizar el denominado sesgo del experimentador, que supone la influencia que puede
tener el propio investigador en la recogida de informacin, se utiliz un nmero de sujetos que actuaban
como experimentadores en una experiencia que consista en que los sujetos resolviesen problemas
aritmticos. A todos ellos se les dijo que a los sujetos que participaran en la experiencia se les dara cafena
antes de la experiencia, pero a la mitad de los experimentadores (grupo 1) se les comunic que se
esperaba que la cafena aumentara el rendimiento de los sujetos, mientras que a la otra mitad (grupo 2) se
10

les comunic que se esperaba que la cafena disminuyera el rendimiento. Cada experimentador actuaba
con un participante. A continuacin, se proporciona el nmero de problemas aritmticos que los sujetos
participantes resolvieron correctamente en el tiempo prefijado.

grupo 1: {21, 23, 25, 25, 28, 29,30,32,32,34,36, 64}

grupo 2:

{ 4, 22, 24, 25, 25, 26, 27 , 28,30,30,31,33}

El valor del ndice t de Student-Fisher de comparacin de dos medias en grupos independientes, teniendo
en cuenta que se cumple el supuesto de igualdad de varianzas poblacionales, es igual a:

t =

31,5833 25, 4167

= 1,591
90,1741 90,1741
+
12
12

Sin embargo, el siguiente grfico de caja muestra que el valor 64 perteneciente al grupo 1 y el valor 4
perteneciente al grupo 2, son valores alejados:

Con los datos de este ejemplo se va a ejemplificar el proceso de clculo de la prueba t robusta,.
(a) En primer lugar, se obtienen las medias recortadas con una observacin por extremo:

294
= 29, 4
10
268
T2 =
= 26,8
10
W1 = 29, 4166
T1 =

s W2 1 = 22, 265
s T21 =

22, 265
= 2, 672
8,33

(b) En segundo lugar, se calculan las varianzas de las medias recortadas, a partir de la varianza
winsorizada con una observacin por extremo:

W 2 = 26, 75
s W2 2 = 10, 75
s T2 2 =

10, 75
= 1, 29
8,33

(c) A partir de los datos anteriores se obtiene el valor de la media y de la varianza de la variable diferencia:

11

d = 29, 4 26,8 = 2, 6
sd2 = 2, 672 + 1, 29 = 3,962
sd = 1,99
(d) Se obtiene el valor del ndice t :

T =

2, 6
= 1, 29
1,99

(e) Para el estudio de la significacin se deber distinguir si las varianzas poblacionales son iguales o
diferentes.

Si las varianzas poblacionales son iguales, el ndice t se sita en la distribucin t de Student con

1
1 2 12 (12 + 12 ) 2 = 18 grados de libertad.

Si las varianzas son diferentes, el ndice t se sita en la distribucin t de Student con los grados de
libertad obtenidos por medio de:

( 3,962 )
2
2
( 2, 672 ) + (1, 29 )
2

g.l. =

= 16

En cualquiera de los dos casos el valor del ndice t obtenido no es significativo.

En el ejemplo propuesto se debera utilizar la distribucin de Student con 18 grados de libertad, t 18 ,
como distribucin de referencia ya que la prueba para la homogeneidad de varianzas de Levene permite
concluir que hay igualdad de varianzas poblacionales.
(f) Por ltimo, a pesar de no ser necesario, ya que el ndice t no es significativo, se obtendr el intervalo
de confianza de la diferencia poblacional de las dos medias recortadas, a fin de ilustrar todo el proceso:

1 (T ) 2 (T ) ( 29, 4 26,8 ) t (18, 0, 05 ) 1,99 1 (T ) 2 (T ) ( 1,5809 6, 7809 )

4.2.2. Medida del tamao del efecto
Al evaluar la hiptesis de igualdad de dos medias y rechazarla a favor de la hiptesis alternativa, se hace
uso del valor del grado de significacin p a efectos de tomar la decisin estadstica. Sin embargo, el valor
de p no es adecuado para medir en cunto difieren ambas medias. A continuacin, se va a describir la
forma de medir lo que se denomina tamao del efecto (effect size) mediante la utilizacin de una medida de

( )

dispersin robusta, el biweight midvariance b .

Para calcular el valor de b se procede de la siguiente manera:
(a) Considrese el primer grupo como el grupo control y el segundo grupo como el grupo experimental. A
continuacin, se ordenan las n observaciones del primer grupo, y se realiza el siguiente clculo:

Ui =
donde: Me

Mda
i

x i Me
9 Mda

es la mediana muestral; y
es la mediana de las desviaciones absolutas; y
es un subndice que toma los valores i = 1, 2, , n .

Recurdese que el Mda se obtiene como la mediana de las desviaciones absolutas de los valores de
la distribucin con respecto a su mediana, esto es:

Mda = Me de x i Me

12

(b) A continuacin, se obtiene el valor de a i que indica si la observacin est cerca o lejos de la mediana.
El valor del coeficiente a i es dicotmico:

si 1 U i 1 , entonces a i = 1 ;

en cualquier otro caso, a i = 0 .

2

(c) El clculo de s b se realiza (15) por medio de la siguiente expresin:

n
sb2 =

a (x
i =1

Me )

(1 U )

2 4
i

2
2
a i (1 U i ) (1 5U i )
i =1

(d) As pues, una vez obtenido este valor se puede utilizar esta medida de dispersin como una medida
resistente en la obtencin de un ndice del tamao del efecto:

Me1 Me 2
sb1

donde: el numerador expresa la diferencia entre las medianas muestrales; y

el denominador es el valor del ndice biweight midvariance para el primer grupo (grupo control).
Siguiendo con el ejemplo numrico utilizado en la prueba robusta de comparacin de dos medias, sobre la
influencia que puede tener el propio investigador en la recogida de informacin, se proceder a calcular el
tamao del efecto mediante la medida biweight midvariance:
(a) En primer lugar, se calcula el valor de la Me y el Mda del primer grupo considerado como grupo
control:

Me = 29,5
Mda = 4,5
(b) Con estos valores se obtiene un valor U i para cada sujeto del primer grupo. Este clculo permitir
2

hallar el valor biweight midvariance, s b1 . En la siguiente tabla se exponen los diferentes clculos
2

necesarios para obtener el valor s b1 :

grupo 1

Ui

ai

21
23
25
25
28
29
30
32
32
34
36
64

-0,2099
-0,1605
-0,1111
-0,1111
-0,0370
-0,0123
0,0123
0,0617
0,0617
0,1111
0,1605
0,8519

1
1
1
1
1
1
1
1
1
1
1
1

ai ( x i Me ) (1 U i2 )
2

60,3367
38,0622
19,2684
19,2684
2,2377
0,2498
0,2498
6,1553
6,1553
19,2684
38,0622
6,7429
216,0571

As, el valor s b1 viene dado por:

13

ai (1 U i2 )(1 5U i2 )
0,7454
0,8488
0,9267
0,9267
0,9918
0,9991
0,9991
0,9772
0,9772
0,9267
0,8488
-0,7211
9,4463

s 2b1 =

12 216, 0571

( 9, 4463)

= 29, 0553 s 2b1 = 5,3903

(c) Por ltimo, teniendo en cuenta que la mediana del segundo grupo es 26,5, se obtendr el ndice del
tamao del efecto:

=
(d) El valor obtenido en este ejemplo

29,5 26,5
= 0,5565
5,3903
= 0,5565 ) , corresponde a un tamao de efecto considerado

como medio, segn los valores proporcionados por Cohen (16).

4.3. Diseo de medidas repetidas

El diseo de medidas repetidas ms simple es el denominado pretest-posttest, donde cada sujeto es
evaluado antes y despus de un determinado tratamiento o de una determinada intervencin. Su anlisis se
realiza por medio de la prueba t de medidas repetidas.
En el diseo de medidas repetidas se realiza el mximo bloqueo, ya que se utiliza el bloqueo sobre cada
sujeto. As pues, lo que se consigue es que la variabilidad entre los sujetos, debida a diferencias
individuales, sea extrada completamente de la variabilidad de error.
Por otra parte, el diseo de medidas repetidas requiere menos sujetos para obtener las mismas respuestas
que el diseo completamente aleatorizado.
Este diseo presenta dos principales desventajas:

Se debe contrapesar el orden con el que los sujetos pasan las condiciones experimentales;

Hay que controlar los posibles efectos secundarios de un tratamiento, de manera que ste no pueda
afectar al siguiente tratamiento aplicado.
Junto al diseo de medidas repetidas, el diseo de datos apareados utiliza las mismas pruebas de hiptesis,
si bien existen diferencias conceptuales entre ellos.
As, mientras en el diseo de medidas repetidas es el mismo sujeto el que pasa por las diferentes
condiciones experimentales, en el diseo de datos apareados son sujetos diferentes. La tcnica a utilizar
para obtener estas parejas de sujetos puede ser la tcnica de apareamiento en la que los sujetos son
apareados en funcin de la similitud que tienen en una o ms variables de inters, tales como cociente
intelectual, edad, etc., o bien, son pares asociados de forma natural, tales como hermanos gemelos, padres
con hijos, marido con mujer, etc.
4.3.1. Comparacin de medias
La primera pregunta que nos podemos formular es si la eficacia de ambos tratamientos es la misma. Es
decir, si los resultados producidos por un tratamiento son, en promedio, los mismos que los producidos por
el otro tratamiento.

Las hiptesis estadsticas son:

H 0 : X = Y
H1 : X Y
14

Puesto que cada sujeto ha pasado por ambos tratamientos, podemos generar una variable diferencia
d = x X x Y entre los resultados que cada sujeto ha proporcionado bajo cada tratamiento.
Las hiptesis estadsticas pueden ser rescritas en trminos de esta nueva variable diferencia:

H0 : d = 0
H1 : d 0
Sea T ( p ) la media recortada de la variable diferencia entre las dos medidas repetidas, es decir, la media
de las n p observaciones que quedan despus de que

[n p]

observaciones hayan sido eliminadas de

cada extremo de la distribucin.

2

Sea s T ( p ) la varianza de la media recortada de la variable diferencia. Su clculo viene dado por:

s
2

donde: s W ( p )

2
T ( p)

s W2 ( p )
n (1 2 p )

es la varianza muestral de la variable diferencia cuando la muestra ha sido winsorizada

[ 2 p ] simtricamente.

La prueba de comparacin robusta se realiza a partir de la media recortada y de su error estndar, para lo
cual se obtiene el siguiente ndice:

T =

T ( p)
sT ( p)

El ndice obtenido se distribuye segn la distribucin t de Student, cuyos grados de libertad vienen dados
por n (1 2 p ) 1 .
Ejemplo
Se quiere estudiar la influencia de un shock negativo en el rendimiento matemtico. Para ello se present a
15 sujetos una serie de problemas matemticos, en condiciones normales (SIN), y en una situacin en la
que cada problema presentado iba acompaado de una pequea descarga elctrica (CON). A continuacin,
se presenta el nmero de problemas resueltos por cada sujeto en cada situacin (resultados ficticios):

SIN

CON

d = SIN-CON

20
4
3
5
2
4
2
2
4
4
3
0
5
3
1

6
2
0
3
3
2
3
1
1
3
6
2
2
4
0

14
2
3
2
-1
2
-1
1
3
1
-3
-2
3
-1
1

El valor del ndice t de StudentFisher de comparacin de dos medias en medidas repetidas es igual a:

15

t =

1, 6000
3,9243
15

= 1,58

El diagrama de cajas muestra la presencia de un valor alejado (14) en la variable diferencia:

Teniendo en cuenta la presencia de un valor alejado, vamos a realizar la comparacin robusta, eliminando
una observacin de cada extremo de la distribucin. Por tanto, el valor de p viene dado por p = 1

15

Los valores necesarios para obtener la prueba de comparacin robusta son los siguientes:
En primer lugar, el valor de la media recortada y la media winsorizada:

13
= 1
13
14
W ( p) =
= 0,9333
15
T ( p) =

A continuacin, el valor de la varianza winsorizada y la varianza de la media recortada sera:

s 2T ( p ) =
s 2T ( p ) =

48,9333
= 3, 4952
14
3, 4952

(1 2 0, 0666 )

15

= 0,3101

A partir del valor de la varianza de la media recortada podemos calcular el error estndar de la media
recortada:

sT ( p) =

0,3101 = 0,5568

Con el valor de la media recortada de la variable diferencia y su error estndar se obtiene el valor del ndice:

1
= 1, 7956
0,5569
Este ndice se debe situar en la distribucin t de Student-Fisher con 12 grados de libertad. En esta
distribucin, t 12,0,05 = 2,179 , por lo que el valor hallado tiene un grado de significacin superior al 5 %.
T =

En este caso se puede observar que los ndices estadsticos obtenidos por la va clsica ( t = 1,58 ,

p = 0,13 ) y por la va robusta ( T = 1, 79 , p = 0, 09 ) no son significativos.

4.4. Correlacin
La segunda pregunta que nos podemos formular en este tipo de diseo es el grado de asociacin que hay
entre las respuestas que cada sujeto ha dado en ambas condiciones experimentales. Esta pregunta tiene su
respuesta en el coeficiente de correlacin lineal de Pearson. Sin embargo, este valor depende en gran

16

medida de la existencia de valores influyentes en el conjunto de datos. A continuacin, se describirn dos

ndices de correlacin robusta (15).
4.4.1. Porcentage bend correlation
Se va a describir la forma de calcular el valor de pb que proporciona una medida robusta de la asociacin
lineal entre dos variables aleatorias, de manera que su valor no es sensible a ligeros cambios en las
distribuciones. Por otra parte, esta medida permite controlar el error al probar la hiptesis de
independencia entre dos variables.
Sea una muestra de n pares de observaciones:

{( x , y ) , ( x
1

, y2 ) , , ( xn , yn )

(a) Para las n observaciones de la variable X , se obtiene su mediana muestral Me X ;

(b) Se selecciona un valor para de manera que: 0 0,5 . En principio un valor til es 0,1, si bien
parece que en general puede ser mas til el valor 0,2, aunque falta investigacin para esta
recomendacin. Si el valor de es 0,5, la potencia del test para estudiar independencia puede ser
sustancialmente inferior al test basado sobre r , cuando la muestra es normal bivariante;
y se obtiene el valor de m = (1 ) n siendo los
corchetes la funcin parte entera (es decir, se toma la parte entera del valor obtenido);

(c) Se calculan los n valores: W i = x i Me X

(d) Se ordenan los n valores W i de forma ascendente: W(1) , W( 2 ) , , W( n ) ;

(e) Se calcula:

sX =
X =

n i 2

i = i 1 +1

x (i )

w X ( i 2 i1 ) + s X
n i1 i 2

donde: w x = W ( m ) ;

m
i1

simboliza el valor que ocupa una determinada posicin;

es el nmero de valores x i tales que:

x i Me X

< 1

wX

i2

es el nmero de valores x i tales que:

xi M X
wX
y

Ui =

> 1

xi X
wX

Por otra parte, se repiten todos los clculos para la variable Y y finalmente se obtiene la transformacin:

Vi =
Sea la funcin:

Yi Y
wX

( X ) = max ( 1, min (1, X ) )

17

La correlacin p b buscada entre las variables X e Y se estima mediante la expresin:

r pb =

donde:

A B
A B
i

2
i

2
i

Ai = (U i )
B i = (V i )

Siguiendo con el ejemplo numrico utilizado en la prueba robusta de comparacin de dos medias sobre la
influencia de un shock negativo en el rendimiento matemtico, se tiene que el valor del coeficiente de
correlacin lineal de Pearson es igual a r = 0,5479

( p = 0, 02 ) .

En el siguiente grfico de la nube de puntos que representa la relacin entre las puntuaciones

obtenidas en las dos condiciones experimentales del estudio, se puede observar la presencia de dos puntos
apartados del resto (el caso 1 con valores SIN = 20 y CON = 6; el caso 11 con valores SIN = 3 y CON = 6):
La comparacin entre el valor del ndice de correlacin clsico de Pearson y el valor de los ndices de
correlacin robustos, dir si estos valores alejados constituyen puntos influyentes, es decir, si estos valores
determinan mayoritariamente el valor del coeficiente de correlacin clsico. En este sentido, es muy
importante la determinacin de la existencia de puntos influyentes en una relacin ya que stos pueden
enmascarar la verdadera relacin existente y proporcionar valores errneos en el coeficiente de correlacin.
A continuacin, se proceder a calcular el ndice de correlacin robusto p b .
(a) En primer lugar, se obtiene el valor de la mediana de la variable X (SIN) y la variable Y (CON):

Me X = 3
Me Y = 2
(b) Se selecciona para el valor 0,2, y se obtiene el valor m =

( (1 0, 2 )15) = 12

(c) A partir del clculo de

W i X = x i Me X
W iY = x i Me Y
se observa como los valores que ocupan la posicin m en las variables X e Y son:

W(m) = w X = 2
W ( m ) = wY = 2
(d) Para la variable X se calcula la expresin

x i MeX
wX
que permite obtener:
18

i1 = 1
i2 = 1
(e) Por su parte, para la variable Y la expresin

y i MeY
wY
permite obtener:

i1 = 0
i2 = 2
(f) Se tiene que:

s X = 42 X =

2 (1 1) + 42
= 3, 2307
15 1 1

(g) Se calculan los valores U i y V i para las variables X e Y , respectivamente. La aplicacin de la

funcin sobre estos valores nos proporciona los valores Ai y B i .
En la siguiente tabla se muestra el desarrollo de los clculos necesarios para obtener los valores Ai y B i :

SIN (X)
20
4
3
5
2
4
2
2
4
4
3
0
5
3
1

CON (Y)
6
2
0
3
3
2
3
1
1
3
6
2
2
4
0

WiX
17
1
0
2
1
1
1
1
1
1
0
3
2
0
2

x i MeX

Ui

Ai

8,38
0,38
-0,11
0,88
-0,61
0,38
-0,61
-0,61
0,38
0,38
-0,11
-1,61
0,88
-0,11
-1,11

1,00
0,38
-0,11
0,88
-0,61
0,38
-0,61
-0,61
0,38
0,38
-0,11
-1,00
0,88
-0,11
-1,00

wX
8,5
0,5
0,0
1,0
-0,5
0,5
-0,5
-0,5
0,5
0,5
0,0
-1,5
1,0
0,0
-1,0

WiY
4
0
2
1
1
0
1
1
1
1
4
0
0
2
2

y i MeY
wY
2,0
0,0
-1,0
0,5
0,5
0,0
0,5
-0,5
-0,5
0,5
2,0
0,0
0,0
1,0
-1,0

A partir de la tabla anterior, los valores necesarios para obtener la correlacin p b son:

A = 6,3323
B = 6,1449
A B = 1,9660
2
i
2
i

Finalmente, la correlacin p b entre las variables X e Y es:

r pb =

1,9660
= 0,3151
6,3323 6,1449

19

Vi

Bi

1,84
-0,15
-1,15
0,34
0,34
-0,15
0,34
-0,65
-0,65
0,34
1,84
-0,15
-0,15
0,84
-1,15

1,00
-0,15
-1,00
0,34
0,34
-0,15
0,34
-0,65
-0,65
0,34
1,00
-0,15
-0,15
0,84
-1,00

Prueba de independencia
El valor terico de la correlacin robusta p b se mueve entre 1 y +1, de manera que cuando las dos
variables X e Y son independientes se tiene que pb = 0 .
Para probar la hiptesis nula de independencia H 0 : pb = 0 se transforma este valor a un valor t
mediante la expresin:

n2
2
1 r pb

t = r pb

Si el valor de t supera el percentil 1 de la distribucin t de Student t n 2 , se rechazar la hiptesis de

independencia.
Siguiendo con el ejemplo numrico anterior, la prueba de independencia aplicada al valor rp b proporciona el
siguiente ndice t :

t = 0,3151

15 2
1 ( 0,3151)

= 1,1970

Este ndice se debe situar en la distribucin t de StudentFisher con n 2 = 13 grados de libertad. En esta
distribucin, t 13,0,05 = 2,160 , por lo que el valor hallado tiene un grado de significacin superior al 5 %.
4.4.2. Correlacin winsorizada
La correlacin winsorizada es otra medida robusta de la correlacin entre dos variables aleatorias.
El valor terico de la correlacin robusta W se mueve entre 1 y +1, de manera que cuando las dos
variables X e Y son independientes se tiene que W = 0 .
El clculo de la correlacin winsorizada se realiza winsorizando los valores de las variables X e Y una
proporcin p , y obteniendo la correlacin de Pearson de los nuevos valores, segn la expresin:

( X W ( p ) ) (Y W ( p ) )
( X W ( p ) ) (Y W ( p ) )
W

rW =

Siguiendo con el ejemplo numrico anterior, se proceder a calcular el valor de la correlacin winsorizada
W , winsorizando un caso a cada lado de la distribucin.
En primer lugar, se obtiene el valor de la media winsorizada de las variables X e Y :

48
= 3, 2
15
38
WY ( p ) =
= 2,5333
15
WX ( p) =

A continuacin, se calcula los diferentes elementos que componen el ndice de correlacin winsorizada W .
El desarrollo de los clculos se muestran en la siguiente tabla:

SIN (X)

CON (Y)

20
4
3
5
2
4

6
2
0
3
3
2

XW YW (XW-WX|p) (YW-WY|p)
5
4
3
5
2
4

6
2
0
3
3
2

3,24
0,64
0,04
3,24
1,44
0,64
20

12,02
0,28
6,42
0,22
0,22
0,28

(XW-WX|p)(YW-WY|p)
6,24
-0,43
0,51
0,84
-0,56
-0,43

2
2
4
4
3
0
5
3
1

3
1
1
3
6
2
2
4
0

2
2
4
4
3
1
5
3
1

3
1
1
3
6
2
2
4
0

1,44
1,44
0,64
0,64
0,04
4,84
3,24
0,04
4,84
26,40

-0,56
1,84
-1,23
0,37
-0,69
1,17
-0,96
-0,29
5,57
11,40

0,22
2,35
2,35
0,22
12,02
0,28
0,28
2,15
6,42
45,73

A partir de los valores obtenidos en la tabla, se podr calcular el ndice de correlacin winsorizada:

rW =

11, 40
= 0,3280
26, 40 45, 73

Prueba de independencia
Para probar la hiptesis nula de independencia H 0 : W = 0 , se obtiene:

t = rW
Si el valor de t supera el percentil 1

n2
1 rW2

de la distribucin t de Student t h 2 , se rechazar la hiptesis de

independencia. El valor de h es el tamao de muestra efectivo, es decir, el nmero de pares de

observaciones no winsorizadas, dado por h = n 2 g , siendo g = p n .

Siguiendo con el ejemplo numrico anterior, la prueba de independencia aplicada al valor rw proporciona el
siguiente ndice t :

t = 0,3280

15 2
1 ( 0,3280 )

= 1, 2518

Este ndice se debe situar en la distribucin t de StudentFisher con h 2 = 11 grados de libertad. En esta
distribucin, t 11,0,05 = 2, 201 , por lo que el valor hallado tiene un grado de significacin superior al 5 %.
Para finalizar, se proceder a comentar las diferencias halladas por la va clsica y por la va robusta. Puede
observarse que el coeficiente de correlacin clsico, r = 0,5479 , es significativo

( p = 0, 02 ) . Sin embargo,

los coeficientes de correlacin robustos, r pb = 0,3151 y rW = 0,3280 , presentan valores ms bajos,

indicando las correspondientes pruebas de independencia que estos dos coeficientes no son significativos.
Las diferencias obtenidas por las dos vas, se pueden explicar debido a la presencia del caso 1 (con valores
en ambas variables: SIN = 20 y CON = 6) citado anteriormente. Este caso constituye en punto influyente ya
que tras su eliminacin, el coeficiente de correlacin clsico pasa de un valor r = 0,5479
valor r = 0,1650

( p = 0, 02 ) a un

( p = 0,57 ) .

5. Anlisis robusto de la varianza unifactorial: diseo de grupos independientes

En este apartado, se describir el anlisis robusto de la varianza unifactorial en un diseo de grupos
independientes.

Pruebas bajo homocedasticidad de varianzas;

Pruebas bajo heterocedasticidad de varianzas;

El estadstico recortado de Welch;

El estadstico recortado de Brown-Forsythe.

21

El anlisis de la varianza (ANOVA) permite estudiar relaciones entre una variable dependiente (cuantitativa)
y una o ms variables independientes, denominadas factores, tratadas como cualitativas.
En este texto se tratar el caso de la relacin entre una variable dependiente cuantitativa y un factor, de ah
el calificativo de unifactorial. Por otra parte, se debe puntualizar que el modelo que se tratar corresponde al
denominado modelo de efectos fijos, o modelo tipo I, en el que las condiciones experimentales utilizadas
son aquellas sobre las cuales se quiere obtener y extrapolar la informacin. Este tipo de modelo es el ms
frecuente en el campo de las ciencias sociales y del comportamiento. Frente a este modelo se encuentra el
modelo de efectos aleatorios, o modelo de tipo II, en el que las condiciones experimentales utilizadas en la
experiencia constituyen tan slo una muestra de todas las posibles y el experimentador desea obtener
informacin sobre cualquiera de las posibles condiciones experimentales, no tan slo de las utilizadas.
La hiptesis estadstica del ANOVA unifactorial de efectos fijos establece que las medias de las poblaciones
orgenes de los distintos grupos experimentales, son iguales.
Mientras que la hiptesis alternativa indica que en el conjunto de las medias hay alguna diferencia:

H 0 : 1 = 2 = = k
H 1 : 1 2 k
As pues, la tcnica del ANOVA, a pesar de su nombre, permite contrastar igualdad de medias, y constituye
la generalizacin de la tcnica de comparacin de dos medias, vista anteriormente.
En los siguientes apartados, se proceder a desarrollar el ANOVA robusto en el diseo de grupos
independientes. Recurdese que el modelo del ANOVA en este tipo de diseo, al igual que en el caso de la
comparacin de dos medias, exige el cumplimiento de una serie de supuestos, entre ellos, la homogeneidad
o igualdad de varianzas en las poblaciones orgenes de los grupos. En este sentido, se han desarrollado
pruebas especficas para el caso en que este supuesto no sea satisfecho, como la prueba de Welch (17) y
la prueba de Brown-Forsythe (18, 19). Por tanto, se distinguir entre pruebas bajo homocedasticidad
(igualdad) de varianzas y pruebas bajo heterocedasticidad (desigualdad) de varianzas.

5.1. Pruebas bajo homocedasticidad de varianzas

El ANOVA con una proporcin p de datos recortados, en cada extremo de la distribucin, se obtiene por
medio de:
k

F ( p) =

h i ( Ti ( p ) T ( p ) )

i =1

k 1
SDC i (W )

i =1

donde: k

H k

es el nmero de grupos;

ni

es el tamao del grupo i ;

hi = n i (1 2 p )

es el tamao efectivo de cada grupo despus de haber recortado una

proporcin p ;

N = ni

es el tamao total de muestra;

i =1
n

H = hi

es el tamao efectivo total de muestra;

i =1

H = N (1 2 p ) ;
Ti ( p )

es la media recortada, con proporcin p , del grupo i ;

n

T ( p) =

h T ( p)
i =1

es la media recortada global; y

22

SDC (W i )

es la suma de desviaciones cuadrticas winsorizada, con proporcin p , del

grupo i ;

La significacin de F ( p ) se realiza en la distribucin F de Snedecor con

( k 1) , ( H k )

grados de

libertad.
Ejemplo numrico
La tabla siguiente

grupo

1
2
3

10

12

11

13

14

12

13

15

12

25

13

15

17

18

16

18

19

14

16

14

18

20

20

21

18

19

22

21

22

40

proporciona las respuestas obtenidas en tres grupos, formados cada uno de ellos por 10 sujetos, a los que
se les aplicaron tres condiciones experimentales diferentes. Se trata de averiguar si la respuesta de los
individuos depende de la condicin experimental.
En el grfico se puede observar la presencia de un valor alejado en el grupo 1 (el valor 25) y de un valor
alejado en el grupo 3 (el valor 40).

Los ndices descriptivos de los tres grupos son los siguientes:

El ANOVA que permite estudiar la relacin entre la variable respuesta y la condicin experimental utilizada,
proporciona los resultados expresados en la siguiente tabla. As pues, F = 8,91
la hiptesis de relacin entre la respuesta y la condicin experimental.

23

( p = 0, 0011) , se acepta

Si bien la prueba de Levene permite mantener la hiptesis de igualdad de varianzas poblacionales, la tabla
anterior proporciona tambin, a efectos didcticos, los resultados de las pruebas de Welch y de BrownForsythe.
Ambas pruebas dan soporte a la aceptacin de la hiptesis alternativa.
La pregunta que ahora cabe formularse tiene que ver con el hecho de averiguar si los valores alejados que
aparecen en los grupos 1 y 3 han afectado a los resultados obtenidos y en qu medida lo han hecho.
El primer paso que hay que realizar para proceder a los diferentes clculos que permiten obtener los datos
relevantes para realizar el anlisis robusto, consiste en ordenar las observaciones, tal como aparecen en la
tabla siguiente.

grupo

1
2
3

10

11

12

12

12

13

13

14

15

25

13

14

14

15

16

16

17

18

18

19

18

18

19

20

20

21

21

22

22

40

A continuacin, se procede a realizar el ANOVA cuando los datos se han recortado un 10 %. As pues, al
ser todos los grupos del mismo tamao, en cada grupo se recortan p n = ( 0,10 )10 = 1 observacin de cada
extremo de la distribucin.
Los datos que definen las dimensiones del problema vienen dados por:

hi = n i (1 2 p ) = 8
H = N (1 2 p ) = 24
Las medias recortadas, un 10%, de cada grupo vienen dadas por:

11 + 12 + 12 + 12 + 13 + 13 + 14 + 15
102
=
= 12, 75
8
8
14 + 14 + 15 + 16 + 16 + 17 + 18 + 18
128
=
= 16
T2 =
8
8
18 + 19 + 20 + 20 + 21 + 21 + 22 + 22
163
=
= 20,375
T3 =
8
8
T1 =

La siguiente tabla permite leer los valores de las medias recortadas en cada grupo as como los valores de
las desviaciones estndar robustos.

La media recortada general vale:

T ( p) =

8 (12, 75 + 16 + 20,375 )
= 16,375
24

Las medias winsorizadas, un 10 %, de cada grupo vienen dadas por:

11 + 11 + 12 + 12 + 12 + 13 + 13 + 14 + 15 + 15
128
=
= 12,8
10
10
14 + 14 + 14 + 15 + 16 + 16 + 17 + 18 + 18 + 18
160
=
= 16
W2 =
10
10
18 + 18 + 19 + 20 + 20 + 21 + 21 + 22 + 22 + 22
203
=
= 20,375
W3 =
10
10
W1 =

La suma de desviaciones cuadrticas de cada grupo vienen dadas por:

24

SDC (W1 ) = 19, 6

SDC (W 2 ) = 26, 0
SDC (W 3 ) = 22,1

( ) viene dada por:

As pues, se obtiene que la suma total de los trminos SDC W i

3

SDC (W )
i

i =1

= 67, 7

El numerador de la prueba del anlisis de la varianza con un 10 % de observaciones recortadas, se obtiene

por medio de:
3

h (T T ( p ) )
i =1

= 8 (12, 75 16,375 ) + 8 (16 16,375 ) + 8 ( 20,375 16,375 ) = 234, 25

2

El valor de la prueba es:

F ( p) =

234, 25
67, 7

2 = 36,33124

21

Este valor se debe situar en la distribucin F de Snedecor con 2 y 21 grados de libertad.

A efectos comparativos, presentamos a continuacin una tabla en la que se proporcionan las medias y
desviaciones estndar antes (bloque superior) y despus (bloque inferior) de recortar el 10 %.

media
desviacin tpica
n
media
desviacin tpica
n

grupo 1

grupo 2

grupo 3

13,7
4,21
10
12,75
3,40
8

16,00
2,00
10
16,00
2,11
8

22,10
6,45
10
20,37
4,73
8

De la tabla se desprende que el recorte de los casos extremos determina que las observaciones sean ms
homogneas, menos variables, que el solapamiento entre las distribuciones muestrales de medias sea
menor y, por tanto, posibilita que las medias de estos grupos sean ahora ms diferentes de lo que eran en
un principio.
Como consecuencia de todo ello, se tiene que tras el recorte de los casos extremos se pasa de un ndice
F = 8,91 por la va clsica a un ndice F = 36,33 por la va robusta.

5.2. Pruebas bajo heterocedasticidad de varianzas

Cuando se hallan diferencias entre las varianzas poblacionales se puede optar por utilizar las pruebas del
ANOVA bajo la hiptesis de heterocedasticidad. A continuacin, se proporciona la versin robusta de la
prueba de Welch (17) y la prueba de BrownForsythe (18, 19).
5.2.1. El estadstico recortado de Welch
El estadstico recortado de Welch, con proporcin p , viene dado por:

25

WS ( p ) =

donde: w i =

hi

w i (Ti ( p ) T ( p ) )

k 1

i =1

1 i
k
2 ( k 2)
w

1+ 2

k 1 i =1 h i 1

es el factor de ponderacin;

sW2 i

sW2 i

es la varianza winsorizada, con proporcin p , del grupo i , y que viene

dada por sW i =
2

SDC (W i )
hi 1

W = wi

;y

i =1

T ( p) =

w T ( p)
i =1

es la media recortada global.

W
Los grados de libertad f del denominador se obtienen por medio de:
3
1
= 2

f
k 1

wi

k
w

hi 1
i =1

La significacin del valor de Ws ( p ) se realiza en la distribucin F de Snedecor con ( k 1) , f grados de

libertad.
Se procede a obtener el valor de la prueba recortada de Welch, utilizando los mismos datos que en el
ejemplo anterior.
2

(a) Las varianzas winsorizadas s W i de cada grupo se obtienen a partir de las sumas de desviaciones

( )

cuadrticas SDC W i :

19, 6
= 2,8
7
26
=
= 3, 7142
7
22,1
=
= 3,1571
7

s 2 (W1 ) =
s 2 (W 2 )
s 2 (W 3 )

(b) En segundo lugar, se obtienen los valores w i de la prueba:

26

56
19, 6
56
w2 =
26
56
w3 =
22,1
w1 =

(c) La suma total W vale:

W =

w
i =1

= 7,5449

(d) La media recortada global viene dada, en funcin de los valores de las medias recortadas de cada
grupo, por:

56
56
56
19, 6 12, 75 16 22,1 20,375
26

T ( p) =
+
+
= 16, 2386
7,545
7,545
7,545
(e) La siguiente tabla permite obtener los datos necesarios para aplicar la prueba de Welch:

wi
1 w

hi 1

grupo
1
2
3
total

wi (Ti T ( p ) )

0,0551
0,0729
0,0630

34,7724
0,1226
43,3550

0,1910

78,2501

(f) El numerador de la prueba de Welch viene dado por:

78, 2501
= 39,125
2
El denominador de la prueba de Welch viene dado por:

1+

2
0,1910 = 1, 0477
8

(g) Por tanto, la prueba de Welch vale:

WS ( p ) =

39,1250
= 37,3411
1, 0477

(h) Los grados de libertad vienen dados por 2 y f . El valor de f viene dado por:

1
3
= 0,1910
f
8
f = 13,954
5.2.2. El estadstico recortado de Brown-Forsythe
El estadstico recortado de Brown-Forsythe viene dado por:

27

h (T ( p ) T ( p ) )

BF ( p ) =

i =1

hi

i =1

1 H s (W )
2

Los grados de libertad f del denominador se obtienen por medio de:

1
=
f

h
i =1

2i
i

hi 2

1 s (W i )
H
i = k
hi 2

1 s (W i )
H
i =1
La significacin de BF ( p ) se estudia en la distribucin F de Snedecor con ( k 1) , f grados de libertad.
Para obtener el valor de la prueba de Brown-Forsythe recortada un 10 %, utilizando los mismos datos que
en el ejemplo anterior:

19, 6
7
26
=
7
22,1
=
7

s 2 (W1 ) =
s 2 (W 2 )
s 2 (W 3 )
2

Las varianzas winsorizadas s W i de cada grupo se obtienen a partir de las sumas de desviaciones

( )

cuadrticas SDC W i . El numerador de la prueba de Brown-Forsythe es el mismo que se obtiene para

realizar el anlisis de la varianza robusto, el cual se obtiene por medio de:
3

h (T T ( p ) )
i =1

= 8 (12, 75 16,375 ) + 8 (16 16,375 ) + 8 ( 20,375 16,375 ) = 234, 25

2

El denominador de la prueba de Brown-Forsythe vale:

3

hi

i =1

1 H ( s (W ) )
2

= 6, 4476

Por lo que el valor de la prueba es:

BF ( p ) =

234, 25
= 36,3312
6, 4476

Los grados de libertad f del denominador se obtienen por medio de:

1 = 0, 2895
2 = 0,3840
3 = 0,3264
As pues,

28

1
0,3378
=
f
7
f = 20, 7178
A modo de conclusin, se muestran todos los resultados obtenidos en el ejemplo propuesto:

F
Welch
BF
F (0,10)
WS (0,10)
BF (0,10)

grados de libertad

significacin

2 , 27
2 , 15
2 , 18
2 , 21
2 , 14
2 , 21

8,91
5,69
8,91
36,33
37,34
36,33

p = 0,0011
p = 0,0145
p = 0,0020
p < 0,0001
p < 0,0001
p < 0,0001

As pues, se puede comprobar que al efectuar los anlisis robustos, recortando un 10 % la distribucin, los
valores de F han aumentado considerablemente, en todos los casos, haciendo que la diferencia entre los
grupos sea estadsticamente superior a lo que era antes de realizar el recorte del 10 %.
Es decir, al recortar las distribuciones se ha eliminado la influencia que las observaciones extremas tenan
sobre la media, sobre todo en los grupos 1 y 3, y asimismo sobre la variabilidad de las observaciones en
cada grupo.

6. Bibliografa
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.

Tukey JW. Exploratory data analysis. Reading: Addison-Wesley; 1977.

Palmer A. Anlisis de datos: etapa exploratoria. Madrid: Pirmide; 1999.
Wald A. Statistical Decision Functions. New York: John Wiley; 1950.
Box GEP. Normality and Tests on Variances. Biometrika 1953;40:318-335.
Quenouille MH. Notes on bias in estimation. Biometrika 1956;43(3/4):353-360.
Anscombe FJ, Guttman I. Rejection of outliers. Technometrics 1960;2(2):123-147.
Huber PJ. Robust estimation of a location parameter. Ann Math Stat 1964;35(1):73-101.
Hampel F. The influence curve and its role in robust estimation. J Am Statist Assoc 1974;69:383393.
Jaeckel LA. Some flexible estimates of location. Ann Math Stat 1971;42(5):1540-1552.
Berger J. Admissible minimax estimation of a multivariate normal mean under arbitrary quadratic loss.
Ann Statist 1976;4:223-226.
Tukey JW, McLaughlin DH. Less vulnerable confidence and significance procedures for location based
on a single sample: trimming/ winsorization 1. Sankhya A 1963;25:331-352.
Staudte RG, Sheather SJ. Robust estimation and testing. New York: Wiley; 1990.
Welch BL. The significance of the difference between two means when the population variances are
unequal. Biometrika 1938;29:350-362.
Yuen KK. The two-sample trimmed t for unequal population variances. Biometrika 1974;61:165-170.
Wilcox RR. Statistics for the social sciences. London: Academic Press; 1996.
Cohen J. Statistical power analysis for the behavioural sciences. 2 ed. Hillsdale: Lawrence Erlbaum;
1988.
Welch BL. The generalization of Student's problem when several different population variances are
involved. Biometrika 1947;34:28-35.
Brown MB, Forsythe AB. The small sample behavior of some statistics which test the equality of several
means. Technometrics 1974;16:129-132.
Brown MB, Forsythe AB. Robust tests for the equality of variances. J Am Stat Assoc 1974;69:364-367.

29

Otras referencias
1.
2.
3.
4.
5.

Yez de Diego I. Teora de muestras. Madrid: UNED; 1991.

Infante Macas R. Teora de la decisin. Madrid: UNED; 1992.
Castillo Ron E. Introduccin a la estadstica aplicada. Santander: Ed. autor; 1993.
Feller W. Introduccin a la teora de probabilidades y sus aplicaciones. Mxico: Limusa; 1996.
Garca Prez A. Inferencia estadstica robusta. In: Primer curso sobre mtodos de la teora de la
probabilidad y la inferencia estadstica. Avila: UNED; 1997.

30