UNIVERSIDAD NACIONAL ABIERTA

CENTRO LOCAL METROPOLITANO

LICENCIATURA EN MATEMÁTICA
MENCIÓN PROBABILIDAD Y ESTADÍSTICA

U NA

ESTUDIO DE MÉTODOS NO PARAMÉTRICOS

Informe de pasantías presentado como requisito para optar al título de

Licenciado en Matemática Mención Probabilidad y Estadística

Autor: Frank Rodríguez

Tutor: MSc. América Vera

Caracas, Marzo de 2008

 LISTA DE ILUSTRACIONES

GRÁFICOS Pag.

Figura I.2.2.1. Distribución con tres niveles de significancia distintos en

donde se muestra la región de aceptación y rechazo 5

Figura I.3.1. Curvas de función de potencia de una prueba de dos colas

con nivel de significancia α = 0.05 con diferentes tamaños de muestras 7

Figura I.5.1. El área sombreada muestra la región de rechazo de una prueba

de dos colas 13

Figura I.5.2. El área sombreada muestra la región de rechazo de una prueba

de cola derecha o superior. 13

Figura I.5.3. El área sombreada muestra la región de rechazo de una prueba

de cola izquierda o inferior 13

Figura II.6.1. Región derechazo para la prueba de corridas (rachas) 34

Figura II.6.2. Distribución de n 1 elementos S en y 1 celdas 35

Gráfica III.7.1. Distribución muestral de R 74

Gráfica III.7.2. Distribución de probabilidad de R 74

Gráfica III.7.3. Muestra la brillantez en función del tiempo 77

TABLAS

Tabla I.1.1. Resumen de probabilidades según el tipo de error 4

Tabla I.4.4.1. Temperatura en centígrados y Fahrenheit 11

Tabla I.4.5.1. Resumen de los cuatro niveles de representación 12

Tabla II.2.1. Hipótesis alternativa y región de rechazo para la hipótesis

nula μ = μ 0 22
 iii

Tabla II.2.2.1. Hipótesis alternativa y región de rechazo para la hipótesis

nula μ X = μ Y 24

Tabla II.4.1. Hipótesis alternativa y región de rechazo para la hipótesis

nula μ A = μ B 29

Tabla III.1.1. Observaciones y diferencias de mediciones de la resistencia

a la compresión de probetas preparadas para el ensayo 44

Tabla III.1.2. Observaciones y diferencias de las cantidades de monóxido

de carbono (CO) emitidas contenidas en al aire 47

Tabla III.1.3. Observaciones y diferencias de las calificaciones del examen

con mediana 66 y 75 de los casos a) y b) respectivamente 49

Tabla III.2.1. Número de rechazos ocurridos antes y después de la aplicación

del nuevo saborizante en las compotas 51

Tabla III.2.2. Número de rechazos ocurridos antes y después de la aplicación

del saborizante indicando el signo de su diferencia 52

Tabla III.2.3. Número de piezas defectuosas producidas por máquina 53

Tabla III.2.4. Número de tuercas defectuosas por máquina y signo

de la diferencia 54

Tabla III.3.1. Medición de resistencia 56

Tabla III.4.1. Pesos en libras antes y después de aplicar la dieta a 16

personas 57

Tabla III.4.2. Pesos en libras antes y después de aplicarla dieta a 16

personas con los rangos asignados 59

Tabla III.4.3. Datos pareados y sus diferencias para el ejemplo III.4.2 61

Tabla III.5.1. Resistencia de cable según su aleación 62

Tabla III.5.2. Asignación de rango a las resistencias 62

 iv

Tabla III.5.3. Rangos asociados de la tabla III.5.2 63

Tabla III.5.4. Datos del papel tamaño carta con sus rangos y sus sumas

de rango 65

Tabla III.5.5. Asignaciones de rangos a las calificaciones 66

Tabla III.6.1. Calificaciones de examen final obtenida por tres grupos

con tres métodos distintos 67

Tabla III.6.2. Número de unidades producidas por las máquinas A, B, C,

D, E 68

Tabla III.6.3. Asignación de rango a los valores y su sumatoria 69

Tabla III.6.4. Datos del ejemplo III.6.3 70

Tabla III.7.1 Secuencia-corridas 73

Tabla III.7.2. Tabla (R,f) consecuencia de la tabla III.7.1 74

Tabla III.8.1. Estatura de 12 padres y sus hijos mayores 78

Tabla III.8.2. Los valores de la tabla III.8.1 sustituidos por sus rangos 79

Tabla III.8.3. Diferencia en rangos y su cuadrado 79

Tabla III.8.4. Compara nivel académico con el nivel profesional 10 años

después de graduados y la diferencia de rangos 80

Tabla III.8.5. Compara nivel académico con el nivel profesional 10 años

después de graduados y la diferencia de rangos 81

Tabla III.8.6. Horas de estudios por estudiante y las calificaciones

que obtuvieron en el examen de matemáticas 82

Tabla III.8.7. Indicación de rangos por variables y sus diferencias 83

Tabla III.9.1. Frecuencias acumulativas observadas y relativas 86

Tabla III.9.2. Frecuencias acumulativas observadas relativas, frecuencias

acumulativas relativas esperadas y desviaciones absolutas 87

 v

Tabla IV.1.Conversión de valores paramétricos a rangos no paramétricos 93

Tabla # 1. Distribución de Probabilidades Binomiales 98

Tabla # 2. Distribución normal estándar 103

Tabla # 3. Prueba de rangos con signos de Wilcoxon. Valores críticos de T 104

Tabla # 4. Prueba U de Mann-Whitney. Valores críticos de U 105

Tabla # 5. Valores de χ α2 ,υ 107

Tabla # 6. Rachas o corridas. Valores críticos de R 108

Tabla # 7. Valores críticos del coeficiente de correlación de rangos de Spearman110

Tabla # 8. Valores críticos de D para la prueba de bondad de ajuste

de Kolmogorov-Smirnov 111
 vi

RESUMEN

El objeto del siguiente trabajo de grado es hacer una descripción, mostrando

varias de las aplicaciones, de algunos de los métodos no paramétricos de más fácil uso
por su sencillez para el análisis y el cálculo, tales como: la prueba del signo, la prueba U
de Mann-Whitney, la prueba H de Kruskal- Wallis, la prueba de corridas o rachas, la
prueba del coeficiente de correlación de rangos de Spearman y la prueba de
Kolmogorov-Smirnov. Se hace una revisión de algunas de las escalas de medición
mostrando sus propiedades y aplicaciones, recopilando luego sus ecuaciones y después
de mostrar como se aplican estas técnicas, se hace una discusión donde se fija posición
acerca de las ventajas y desventajas de estos métodos y su comparación, en los casos
posibles, con los métodos paramétricos (que son los métodos tradicionalmente usados).
En ningún momento se pretendió hacer un estudio exhaustivo de estos métodos ni en su
fundamento teórico ni en lo referente a sus aplicaciones. Se recopiló un conjunto de
tablas, que se encuentra en los apéndices, y son solo las necesarias para manejar los
ejemplos aquí tratados. Sin embargo, existe un grupo más amplio de estas tablas en
algunos de los libros que se indican en la bibliografía. En el campo de aplicación de
estas técnicas, en algunos casos, se llega a usar la escala nominal o clasificatoria, muy
conveniente para las aplicaciones de Psicólogos, Sociólogos y aquellos que estudian las
preferencias de los consumidores, cosa que difícilmente pueda hacerse con los métodos
paramétricos.

Palabras claves: prueba, Mann-Whitney, Kruskal- Wallis, Spearman, Kolmogorov-

Smirnov, corridas o rachas, rango, no paramétrico.
 vii

ÍNDICE

Pág.

Introducción 1

CAPÍTULO I 2

Prueba estadística y prueba de hipótesis 2

I.1 Elementos de una prueba estadística 2

I.2 Nivel de significancia de una prueba 4

I.2.1 Selección 4

I.2.2 Interpretación 4

I.3 Función de potencia de una prueba de hipótesis 6

I.4 Escalas de medición 8

I.4.1 Introducción 8

I.4.2 Escala nominal o clasificatoria 8

I.4.3 Escala ordinal o de rango 9

I.4.4 Escala de intervalo 10

I.4.5 Escala de proporción 11

I.5 Teoría de decisión 12

CAPÍTULO II 14

Las pruebas y su teoría 14

II.1 Prueba del signo. Breve historia 14

II.1.1 Prueba del signo de una sola muestra 14

II.1.2 Prueba del signo para muestras en pares. Experimentos de pares

comparados 17

II.1.2.1 Caso de dos muestras 17

II.1.2.2 Modelo general de desplazamiento 18

 viii

II.1.2.3 Prueba de los signos para un experimento de pares comparados 18

II.2 Prueba de Wilcoxon 20

II.2.1 Prueba de rangos para una sola muestra. Intervalos con signos 20

II.2.2 Prueba de rangos con signos de Wilcoxon para un experimento

de pares comparados 23

II.3 Prueba de suma de rangos de Wilcoxon. Muestras aleatorias independientes 26

II.4 Prueba U de Mann-Whitney. Muestras aleatorias independientes 26

II.5 Prueba H de Kruskal- Wallis 32

II.6 Prueba de corridas (rachas) de una sola muestra 34

II.7 Coeficiente de correlación de rangos de Spearman 38

II.8 Prueba de Kolmogorov-Smirnov 41

CAPÍTULO III 43

Las pruebas y sus aplicaciones 43

III.1 Aplicaciones de la prueba del signo de una sola muestra 43

III.2 Aplicaciones de la prueba del signo para muestras de pares comparados 50

III.3 Aplicaciones para la prueba de rangos con signos de Wilcoxon para

un experimento de una sola muestra 55

III.4 Aplicaciones para la prueba de rangos con signos de Wilcoxon para

un experimento de pares comparados 57

III.5 Aplicaciones para la prueba U de Mann-Whitney 61

III.6 Aplicaciones de la prueba H de Kruskal- Wallis 67

III.7 Aplicaciones de la prueba de corridas (rachas) de una sola muestra 71

III.8 Aplicaciones del coeficiente de correlación de rangos de Spearman 78

III.9 Aplicaciones de la prueba de Kolmogorov-Smirnov 84

CAPÍTULO IV 89
 ix

Análisis, conclusiones y recomendaciones 89

IV.1 Pruebas estadísticas paramétricas y no paramétricas 89

IV.2 Ventajas de los métodos no paramétricos 92

IV.3 Desventajas de los métodos no paramétricos 93

IV.4 Recomendaciones 94

APÉNDICE A 95

Teorema central del límite 95

APÉNDICE B 98

Tabla # 1. Distribución de probabilidades binomiales 98

Tabla # 2. Distribución normal estándar 103

Tabla # 3 Valores críticos de T (Wilcoxon) 104

Tabla # 4 Valores críticos de U (Mann-Whitney) 105

Tabla # 5 Valores de χ α2 ,ν 107

Tabla # 6. Valores críticos de R (rachas o corridas) 108

Tabla # 7. Valores críticos del coeficiente de correlación de

rangos de Spearman 110

Tabla # 8. Valores críticos de D (Kolmogorov-Smirnov) 111

REFERENCIA BIBLIOGRÁFICA 112

 1

INTRODUCCIÓN

Cada vez es más frecuente el uso de métodos no paramétricos para el

análisis estadístico entre profesionales y estudiantes de diferentes áreas del

conocimiento, entre otras, las ciencias sociales, medicina, ingeniería y aquellas que

estudian las preferencias del consumidor. Esto ha motivado la elaboración del presente

trabajo. Las pruebas estadísticas no paramétricas forman, hoy día, un conjunto amplio

con muchos métodos de inferencia disponible, y debido a su importancia y lo poco

conocidas se presenta un estudio, introductorio, que describe los métodos de Pruebas:

de signo, Wilcoxon, U de Mann-Whitney, H de Kruskal-Wallis, de corridas, correlación

de rangos y de Kolmogorov-Smirnov mostrando, en forma clara, las aplicaciones en que

son de utilidad estos métodos.

En ningún momento se pretende abordar el tema bajo estudio de manera

exhaustiva, se hace una recopilación bibliográfica considerando el fundamento teórico y

aplicaciones de los métodos mencionados arriba, y presentamos una comparación con

los métodos clásicos, en donde es posible.

 2

CAPÍTULO I
PRUEBA ESTADÍSTICA Y PRUEBA DE HIPÓTESIS

I.1 ELEMENTOS DE UNA PRUEBA ESTADÍSTICA

En una prueba estadística todo se inicia con una suposición que hacemos de

un valor hipotético de la población, cosa que se puede determinar, por ejemplo, en

forma intuitiva o producto de la experiencia que tenemos sobre un parámetro de algún

evento, que en particular creemos que tiene una determinada población.

Uno de los objetivos de una prueba estadística es el de probar una hipótesis

relacionada con los valores de uno o más parámetros poblacionales. Una vez planteado

el problema, formulamos una hipótesis de investigación respecto a los parámetros que

queremos sustentar y después de seleccionar la hipótesis, se recogen los datos empíricos

que dan información directa acerca de la aceptabilidad de ésta, la cual es llamada

hipótesis nula y se denota mediante H 0 . Este término, hipótesis nula, surgió de las

primeras aplicaciones agrícolas y médicas de la estadística, teniendo como fin el probar

la efectividad de un nuevo fertilizante o una nueva medicina, la hipótesis que se probaba

era que no tuvo efecto, es decir, no hubo diferencia entre las muestras tratadas y no

tratadas.

Cuando nos referimos a un parámetro cualquiera de la población, por

ejemplo θ, el símbolo θ 0 se usará en los planteamientos de este tipo de problemas para

representar el valor hipotético del parámetro poblacional que corresponde a la hipótesis

nula.

La decisión acerca del significado de los datos, una vez procesado, puede

conducir a la confirmación, revisión o rechazo de la hipótesis y, con ella, la teoría que la

originó.

La hipótesis alternativa, que se denota por H 1 , es la hipótesis que se acepta

si se rechaza H 0 y que queremos comprobar con base en la información de la muestra.

 3

Por definición una hipótesis estadística es una afirmación o conjetura de la

distribución de una o más variables aleatorias. Y cuando específica por completo la

distribución, recibe el nombre de hipótesis simple; si no, se conoce como hipótesis

compuesta.

Las partes esenciales de una prueba estadística son el estadístico de prueba

y una región de rechazo asociada. El estadístico de prueba, como un estimador, es una

función de las mediciones de la muestra que sirve de fundamento para las tomas de

decisiones estadísticas. La región de rechazo, denotada por RR, especifica los valores

del estadístico de prueba para los que la hipótesis nula se rechaza a favor de la hipótesis

alternativa. Si en una muestra el valor calculado del estadístico de prueba está en la

región RR, rechazamos la hipótesis nula H 0 y aceptamos la hipótesis alternativa H 1 . Si

el valor del estadístico de prueba no cae en la región de rechazo RR, aceptamos H 0 1.

Un problema importante es encontrar una buena región de rechazo para una

prueba estadística y en cualquier región de rechazo fija se pueden cometer dos tipos de

errores al tomar una decisión. Podemos decidirnos a favor de H 1 cuando H 0 es

verdadera o lo que es lo mismo rechazar H 0 cuando es verdadera, este error se

denomina del tipo I con probabilidad α denominada nivel de significancia de la prueba,

o podemos decidirnos a favor de H 0 cuando H 1 es verdadera lo que equivale a rechazar

H 1 cuando es verdadera; este error se denomina del tipo II con probabilidad β . Así

estas probabilidades proporcionan una manera práctica de medir la bondad de una

prueba y podríamos resumirlas de la siguiente manera según se muestra en la

tabla # I.1.1

1
Aceptar es asegurar que la hipótesis Ho es verdadera 100% y esto no es así. En la mayoría de los textos
que tratan el tema se usa esta expresión como una abreviación que no es más que un abuso del lenguaje.
Todos aclaran, y así también lo hacemos aquí, que lo que se quiere decir es que no se tiene suficientes
elementos de juicio desde el punto de vista estadístico como para rechazarla; siendo ésta la forma más
adecuada o completa. En esta monografía se hace también de las dos formas y es bueno que se tenga
presente para no crear confusión.
 4

Probabilidad de rechazar la Tipo de error

hipótesis cuando es verdadera:
P(RHCEV) 1
P(RH 0 CEV) = α I

P(RH 1 CEV) = β II

Tabla # I.1.1. Resumen de probabilidades según el tipo de error.

I.2 NIVEL DE SIGNIFICANCIA DE UNA PRUEBA

I.2.1 SELECCIÓN

El cuestionar o no el valor calculado del estadístico de una muestra no es el

propósito de la prueba de hipótesis, sino hacer un juicio con respecto a la diferencia

entre el valor de ese estadístico de muestra y un parámetro hipotético de la población.

Una vez establecida la hipótesis nula y la alternativa, entonces, todo consiste en decidir

qué criterio utilizar para decidir si aceptar o rechazar la hipótesis nula.

I.2.2 INTERPRETACIÓN

No existe un nivel de significancia único universal para probar hipótesis. En

algunos casos, se utiliza un nivel de significancia de 5%. Algunos resultados de

investigaciones publicados a menudo prueban hipótesis al nivel de significancia de 1%.

Es posible probar una hipótesis a cualquier nivel de significancia. Pero es bueno

recordar que la elección del estándar mínimo para una probabilidad aceptable, o el nivel

de significancia, es también el riesgo que se asume al rechazar una hipótesis nula

cuando es cierta. Mientras más alto sea el nivel de significancia que se utilice para

probar una hipótesis, mayor será la probabilidad de rechazar una hipótesis nula cuando

sea cierta.

Al examinar este concepto, nos referimos a la figura # I.2.2.1 en la que se ha

ilustrado una prueba de hipótesis con H 0 : μ = μ 0 y H 1 : μ ≠ μ 0 a tres niveles de

1
Probabilidad de Rechazar la Hipótesis Cuando Es Verdadera se abrevia como P(RHCEV). Obsérvese
que las palabras que se inician con mayúscula son las únicas que se incluyen en el paréntesis.
 5

significancia diferentes: 0.01, 0.1, y 0.50. En ella se puede observar la distribución

muestral, la región de aceptación de la hipótesis nula (en blanco) y su región de rechazo

(sombreada).

Figura # I.2.2.1. Distribución con tres niveles de significancia distintos en

donde se muestra la región de aceptación y de rechazo.

También se ubica en ella la misma muestra x en cada una de las distribuciones en donde

puede verse que tanto en a) como en b) aceptaríamos la hipótesis nula de que la media

de población es igual al valor hipotético. Pero observe que en la parte c) de la misma

figura, rechazaríamos la misma hipótesis nula que con la condición anterior se aceptó,

pues nuestro nivel de significancia de 0.50 en esa parte es tan alto que raramente

aceptaríamos dicha hipótesis cuando no sea cierta, pero, al mismo tiempo la

rechazaríamos cuando es cierta.

 6

Observemos que cuando ampliamos RR para obtener una nueva región de

rechazo RR*; es decir, RR ⊂ RR*, la prueba con la región de rechazo RR* nos llevará a

rechazar H 0 con más frecuencia. Si α * y α denotan las probabilidades de los errores

tipo I (niveles de las pruebas) cuando utilizamos RR* y RR como regiones de rechazo,

respectivamente, entonces, como RR ⊂ RR*,

α * = P( el estadístico de la prueba está en RR* cuando H 0 es verdadera)

≥ P( el estadístico de la prueba está en RR cuando H 0 es verdadera) = α .

De la misma manera, si usamos la región de rechazo ampliada RR*, el

procedimiento de la prueba nos llevará a aceptar H 0 con menor frecuencia. Si β * y β

denotan las probabilidades de los errores tipo II para las pruebas con regiones de

rechazo RR* y RR, respectivamente, entonces

β * = P( el estadístico de la prueba no está en RR* cuando H 1 es verdadera)

≤ P( el estadístico de la prueba no está en RR cuando H 1 es verdadera) = β .

Estas relaciones permiten notar que si se modifica la región de rechazo para

incrementar α , β disminuye. De la misma manera, si el cambio en la región de

rechazo da como resultado que α disminuya, β se incrementa. Por lo tanto, α y β

están relacionados de manera inversa. Para poder reducir los valores de α o β

debemos obtener más información respecto a la verdadera naturaleza de la población

incrementando el tamaño de la muestra. En casi todas las muestras estadisticas, si α se

mantiene fijo con un valor suficientemente menor, β disminuye a medida que aumenta

el tamaño de la muestra.

I.3 FUNCIÓN DE POTENCIA DE UNA PRUEBA DE HIPÓTESIS

La bondad de una prueba de hipótesis se mide mediante las probabilidades

de cometer errores de tipo I y II, éstos están identificados con α y β , respectivamente,

 7

Figura # I.3.1. Curvas de función de potencia de una prueba de dos colas con nivel de
significancia α = 0.05 con diferentes tamaños de muestras.

donde α se elige con anterioridad, y determina la localización de la región de rechazo.

Un método que presenta una mayor utilidad para evaluar el desempeño de una prueba

recibe el nombre de función de potencia de una prueba de una hipótesis estadística H 0

contra una hipótesis alternativa H 1 y está dada por

⎧α (θ ) para valores de θ supuestos con H o

fp (θ ) = ⎨
⎩1 − β (θ ) para valores de θ supuestos con H 1

La figura # I.3.1 muestra las curvas típicas fp para la prueba de H 0 : θ = θ 0 (hipótesis

simple) frente a la hipótesis alternativa H 1 : θ ≠ θ 0 (hipótesis compuesta) a medida que

el tamaño de la muestra (n) se incrementa, de modo que la función potencia aumenta al

crecer el tamaño de n. Esto en algunos casos de la práctica no siempre es posible pues

el investigador puede estar estudiando un caso muy raro de enfermedad, por ejemplo, en

la que n solo se dispondrá en valores pequeños. En la figura se ilustra el incremento de

la potencia de una prueba de dos colas de la media que se produce con muestras de
 8

tamaño cada vez mayor, siendo n sucesivamente igual a 4, 10, 20, 50 y 100. Estas

muestras se tomaron de poblaciones normales con varianza σ 2 .

Es importante tener en cuenta que cuando los supuestos que constituyen el

modelo estadístico para una prueba no han sido en verdad satisfechos, o cuando la

medida carece de la fuerza requerida, es difícil, si no imposible, medir la potencia de la

prueba.

I.4 ESCALAS DE MEDICIÓN

I.4.1 INTRODUCCIÓN

Los investigadores principiantes y aún los más experimentados que usan la

estadística como herramienta, encuentran dificultades en muchos casos, para decidir

cual de las pruebas estadísticas es la más adecuada para analizar un conjunto de datos.

Las áreas en las que se aplica la estadística para el análisis de datos son muy amplias y

diversas, pues abarca desde las ciencias básicas, pasando por las ciencias médicas y las

tecnológicas, hasta llegar a las ciencias sociales y las que estudian las preferencias del

consumidor. La selección de la prueba estadística necesaria para el caso, depende de

varios factores, y uno de ellos es la escala con la que se están midiendo los datos que se

analizarán, pues no es igual procesar una variable que identifica el peso de un artículo

que la profesión del usuario de un producto. La medición es el proceso de asignar

números a objetos u observaciones. En seguida describiremos los cuatro métodos de

medición usados comúnmente: nominal, ordinal, de intervalo y de proporción.

I.4.2 ESCALA NOMINAL O CLASIFICATORIA

Es aquella escala en donde los números o símbolos se usan con el fin de

distinguir entre sí los grupos a que pertenecen varios objetos, personas o características

representando un nivel elemental de medición pues simplemente los clasifica. Cada uno

de estos grupos debe ser mutuamente excluyente y la única relación implicada es la de

 9

equivalencia ( = ) la cual es reflexiva (x = x ∀ x), simétrica (x = y ⇒ y = x ∀ x,y) y

transitiva (si x = y e y = z ⇒ x = z ∀ x,y,z) .

Ejemplos. Cuando un médico psiquiátrico examina a sus pacientes y los agrupa por

diagnóstico como esquizofrénico, paranoico, maníaco-depresivo o psiconeurótico se

vale de un símbolo para representar la clase de personas a que pertenece ese individuo;

por tanto se emplea la escala nominal.

Los números de los uniformes de los futbolistas y de los policías también

ejemplifican el empleo de números en escala nominal.

También la asignación de placas automovilísticas conforma otro ejemplo de

esta escala, pues en algunos países los números y letras de las placas indican el lugar

donde reside cada propietario del automóvil, y tenemos que cada subclase de la escala

nominal consta de un grupo de entidades: todos los propietarios que residen en el

mismo lugar. La asignación de los números debe ser tal que el mismo número (o letra)

se dé a todas las personas que residen en el mismo lugar y que diferentes números (o

letras) se den a personas que residen en lugares diferentes. Esto es, el número o la letra

de la placa debe indicar claramente a qué conjunto de las subclases que se excluyen

mutuamente pertenece el propietario. Observe que en éste ejemplo como en los

anteriores, la diferencia entre dos valores cualesquiera de una escala para una prueba

estadística no paramétrica carece de sentido y la frecuencia es un ejemplo de estadístico

utilizado en este tipo de escala.

I.4.3 ESCALA ORDINAL O DE RANGO

Se llama escala ordinal a toda escala nominal en la que se sostenga la

relación >, que significa mayor que, entre todos los pares de clases de modo que surja

un rango ordenado completo. Este orden cumple con las relaciones de equivalencia ( = )

y la de mayor que ( > ), es irreflexiva ( ∀ x, x no es > x), asimétrica ( ∀ x,y x > y ⇒ y no

es > x) y transitiva ( ∀ x,y,z x > y e y > z ⇒ x > y).

 10

Ejemplos. En el sistema educativo de un país podría medirse el nivel de conocimientos,

o grado de preparación, alcanzado por los estudiantes en las diferentes materias según

las notas por ellos obtenidas. En la escala del 1 al 20 cada una de las notas representa

una clase. La relación de equivalencia (=) se mantiene entre los miembros de la misma

clase y la relación mayor que (>), entre cualquier pareja de clases.

El sistema de grados en el ejército es también un ejemplo de una escala

ordinal. El sargento > el cabo > el soldado raso cumple con la relación mayor que, la

misma es irreflexiva: es decir el cabo no es mayor que el cabo; y es asimétrica: el cabo

es mayor que el soldado raso entonces el soldado raso no es mayor que el cabo y

transitiva: como el sargento es mayor que el cabo y éste a su vez mayor que el soldado

raso entonces el sargento es mayor que el soldado raso. Aquí también se mantiene la

relación de equivalencia (=) entre elementos de la misma clase, ya que es reflexiva,

simétrica y transitiva.

Como puede verse por medio de estos ejemplos la diferencia entre valores

en esta escala no representa información con valor aunque sí la posición que las

diferentes clases tienen en ella.

Existen varios estadísticos que usan este tipo de escala para pruebas

estadísticas no paramétricas, uno de ellos es el coeficiente de correlación de Spearman

que será tratado más adelante.

I.4.4 ESCALA DE INTERVALO

Se define así aquella escala en la que se especifica las relaciones de

equivalencia y de mayor que, junto con la proporción de dos intervalos cualesquiera. En

esta escala el punto cero y la unidad de medida son arbitrarios.

Ejemplo. Un ejemplo típico de medición de una variable en esta escala, es la

temperatura cuando se mide en grados Fahrenheit o en grados centígrados, pues éstas

como es ya conocido, no son escalas absolutas, sino relativas. Sabemos que la

 11

diferencia entre 30º C y 35º C es la misma que entre 45º C y 50º C y si se dice que un

líquido se encuentra a 0º C, no significa que no tiene temperatura.

En la tabla # I.4.4.1 que se muestra seguidamente se tabula la misma

temperatura en ambas escalas

Centígrados 0 10 30 100

Fahrenheit 32 50 86 212

Tabla # I.4.4.1. Temperatura en centígrados y Fahrenheit.

30 − 10
Calculamos ahora la proporción de la diferencia en cada escala: centígrados =2
10 − 0

86 − 50
y Fahrenheit = 2 . Las lecturas comparables en ambas escalas, como se ven
50 − 32

producto del cálculo, dan como resultado la misma proporción: 2. Esta escala es de tipo

cuantitativo y resulta apropiada para pruebas estadísticas paramétricas y no

paramétricas.

I.4.5 ESCALA DE PROPORCIÓN

Se llaman así a las escalas que además de tener todas las características de

una escala de intervalo tienen un punto cero real en su origen. En ella, la proporción de

un punto a otro cualquiera de la escala es independiente de la unidad de medida. Los

números que se asocian con esta escala son números con verdadero cero y cualquier

prueba estadística, ya sea paramétrica o no paramétrica, puede usarse.

Ejemplo. Medimos la masa o el peso en una escala de proporción. La escala en onzas y

libras tiene un verdadero punto cero. Lo mismo sucede con las escalas en gramos,

amperios y voltajes. La proporción entre dos pesos cualesquiera es independiente de la

unidad de medida. Por ejemplo, si determinamos los pesos de dos objetos diferentes no
 12

sólo en libras sino también en gramos, encontramos que la razón de los dos pesos en

libras es idéntica a la razón de los dos pesos en gramos.

La tabla # I.4.5.1 contiene un resumen sobre los cuatro métodos de

medición comentados anteriormente.

Escala Relaciones definidas. Pruebas estadísticas apropiadas.

Nominal 1- Equivalencia( = ) Pruebas estadísticas

no paramétricas
Ordinal o de rango 1- Equivalencia( = ) Pruebas estadísticas
2- Mayor que( > ) no paramétricas
Intervalo 1- Equivalencia( = ) Pruebas estadísticas
2- Mayor que ( > ) paramétricas y
3- Proporción conocida no paramétricas
de un intervalo a
cualquier otro.
Proporción 1- Equivalencia( = ) Pruebas estadísticas
2- Mayor que( > ) paramétricas y
3- Proporción conocida no paramétricas
de un intervalo a
cualquier otro.
4- Proporción conocida
de un valor de la
escala a cualquier
otro.
Tabla # I.4.5.1. Resumen de los cuatro niveles de representación.

I.5 TEORIA DE DECISIÓN

El razonamiento en que se apoya este proceso de decisión es muy simple. Se

trata de establecer un criterio para decidir si aceptar o rechazar la hipótesis nula. Si es

muy pequeña la probabilidad asociada con la ocurrencia conforme a la hipótesis nula de

un valor particular en la distribución muestral, decimos que dicha hipótesis es falsa.

Esto es, cuando la probabilidad asociada con un valor observado de una prueba

estadística es igual o menor que el valor previamente determinado de α , concluimos

que H 0 es falsa. El valor observado es llamado significativo. La hipótesis en prueba,

H 0 , se rechaza siempre que ocurra un resultado significativo. Por tanto, se llama valor

significativo a aquel cuya probabilidad asociada de ocurrencia de acuerdo con H 0 es

 13

igual o menor que α . Obsérvese que las figuras # I.5.1, # I.5.2., y # I.5.3 muestran las

diferentes regiones de rechazo o aceptación de la hipótesis nula de una prueba para el

caso de dos y una cola, siendo esta última de cola derecha o de cola izquierda según

corresponda.

Figura # I.5.1. El área sombreada muestra la región de rechazo de una prueba de dos
colas.

Figura # I.5.2. El área sombreada muestra la región de rechazo de una prueba de cola
derecha o superior.

Figura # I.5.3. El área sombreada muestra la región de rechazo de una prueba de cola
izquierda o inferior
 14

CAPÍTULO ІI
LAS PRUEBAS Y SU TEORÍA

II.1 PRUEBA DEL SIGNO. BREVE HISTORIA

Es una de las pruebas no paramétricas más simples y la más antigua de

todas, pues está reportada en la literatura desde 1710 por John Arbuthnott, quien hizo

uso de este procedimiento, por primera vez, para demostrar que la proporción de

varones nacidos en Londres en un determinado período de tiempo era

significativamente mayor que la proporción de mujeres. Se basa en los signos que

generan la diferencia de comparar los datos en una población con respecto a su media,

mediana o con respecto a otros datos tomados de la misma población, presentándose así

dos casos, el de una muestra sencilla (una sola muestra) y el de una muestra en pares.

II.1.1 PRUEBA DEL SIGNO DE UNA SOLA MUESTRA

Si cada vez que se vaya a realizar una experiencia aleatoria, fijamos nuestra

atención ante un suceso A, de probabilidad no nula P(A) = p, podemos definir

trivialmente una variable aleatoria Y , dicotómica, tomando valores en {0,1} , que recibe

el nombre de variable de Bernoulli de parámetro p, B(p):

Y = 1 si tiene lugar el evento A

Y = 0 si no tiene lugar el evento A

cuya función de densidad se puede expresar en la forma:

f ( y ) = P(Y = y ) = p y (1 − p )1− y , y = 0,1

Si realizamos n ensayos o repeticiones independientes, es decir, en idénticas

condiciones, y siempre centrados en el suceso A, la variable X que cuenta el número de

veces que ha tenido lugar el suceso A define el modelo binomial B (x,n,p) que tiene por

funciones de densidad y distribución la siguiente estructura:

⎛n⎞
f (x) = P (X= x ) = ⎜⎜ ⎟⎟ p x (1 − p ) n − x ; x = 0,1,...., n
⎝ x⎠
 15

t t
⎛n⎞
FX (t ) = P ( X ≤ t ) = ∑ f (k ) = ∑ ⎜⎜ ⎟⎟ p k (1 − p) n − k
k =0 k =0 ⎝ k ⎠

Cuando muestreamos una población simétrica continua en donde se hace

insostenible la suposición de que se muestrea una población normal, se puede aplicar la

prueba del signo de una sola muestra, en donde el suceso A aparece como resultado de

la diferencia de cada uno de los datos con la media y la probabilidad de obtener un valor

de la muestra que sea mayor que la media o que sea menor que la media son ambas ½.

Y si no se puede suponer que la población es simétrica, se usa la misma técnica pero

aplicada a la hipótesis nula μ~ = μ~0 , donde μ~ es la mediana de la población.

Para probar la hipótesis nula H 0 : μ = μ 0 contra una alternativa apropiada

sobre la base de una muestra aleatoria de tamaño n, se sustituye cada valor de la muestra

que exceda a μ 0 por un signo más y cada valor de la muestra menor que μ 0 con un

signo menos, y después se prueba la hipótesis nula de que el número de signos más es el

valor de una variable aleatoria que tiene una distribución binomial con los parámetros

n y p = 1/2. Por lo tanto, la alternativa bilateral H 1 : μ ≠ μ 0 se transforma en p ≠ 1 2 y

las alternativas unilaterales μ < μ 0 y μ > μ 0 se convierte en p < 1/2 y p > 1/2

respectivamente. Si un valor de la muestra es igual a μ 0 , simplemente se desecha.

Sea ( X 1 , X 2 ,....., X n ) n variables aleatorias reales contínuas e

independientes y además denotamos, para todo i = 1,2,…,n; ψ i = ψ ( X i - μ0 ) ,

con μ 0 conocido, donde

ψ ( xi ) = 1 si xi > 0

ψ ( xi ) = 0 si xi < 0

Entonces sea T(ψ 1 ,…,ψ n ) un estadístico basado sobre los ψ i . Los estadísticos

ψ 1 ,…,ψ n son independientes y siguen una distribución de Bernoulli. En efecto como

los X i son independientes, los ψ i lo son también. En particular si

 16

n
T( X 1 , X 2 ,....., X n ) = ∑X
i =1
i y μ 0 es la mediana común de los X i , se tiene el siguiente

estadístico, denotado por S.

n n
S = T(ψ 1 ,…,ψ n ) = ∑ψ i =
i =1
∑ψ ( X
i =1
i - μ 0 ) = “número de diferencias X i - μ 0

estrictamente positivas”

El estadístico a calcular es:

S = nº de casos en los que X i - μ 0 > o ∀i = 1,2,....., n

y tiene una distribución binomial B (s,n,1/2), donde n es el número de diferencias

X i - μ 0 no nulas ya que el estadístico obliga a la conversión de los valores a signos.

Para ejecutar una prueba del signo de una sola muestra cuando la muestra es

muy pequeña, nos referimos directamente a la tabla # 1 de probabilidades binomiales

del apéndice B; cuando la muestra es grande ( np > 5 y nq > 5 ), podemos utilizar la

distribución normal representada en la tabla # 2 del mismo apéndice como

aproximación a la distribución binomial. Una demostración general de este concepto

puede verse en el apéndice A.

La prueba del signo de una sola muestra se resume de la siguiente manera:

Sea p = ½

Hipótesis nula -------------------------H 0 : μ = μ 0

Hipótesis alternativa----------------- H 1 : μ ≠ μ 0 o ( μ < μ 0 o μ > μ 0 )

Estadístico de prueba ----------------S = nº de casos en los que X i - μ 0 > o ∀i = 1,....., n

Región de rechazo--------------------si H 1 : μ ≠ μ 0 , se rechaza H 0 para los valores más

grandes y más pequeños de S; si H 1 : μ < μ 0 , se

rechaza H 0 para los valores más pequeños de S;

si H 1 : μ > μ 0 , se rechaza H 0 para los valores más

grandes de S.
 17

II.1.2 PRUEBA DEL SIGNO PARA MUESTRAS EN PARES. EXPERIMENTOS

DE PARES COMPARADOS

II.1.2.1 CASO DE DOS MUESTRAS

Las pruebas estadísticas de dos muestras se usan cuando el investigador

desea establecer la diferencia entre dos tratamientos o si un tratamiento es mejor que

otro. El tratamiento puede ser cualquiera de una gran variedad de condiciones:

inyección de una droga, adiestramiento, propaganda, separación de la familia,

modificación quirúrgica, cambio en las condiciones del alojamiento, integración

intergrupal, cambios del clima, introducción de un nuevo elemento en la economía, etc.

En cada caso, el grupo que ha sufrido el tratamiento es comparado con el que no lo ha

experimentado o que ha sufrido un tratamiento diferente.

En semejante comparaciones de dos grupos, algunas veces se observan

diferencias significativas que no son resultado del tratamiento. Por ejemplo para

comparar dos métodos de enseñanza, un investigador hace que un grupo de estudiantes

aprenda con uno de los métodos y un grupo diferente aprenda con el otro. Ahora bien, si

uno de los grupos tiene estudiantes más capaces o más motivados, la ejecución de los

dos grupos puede no reflejar exactamente la relativa efectividad de los dos métodos de

enseñanza, porque otras variables están creando diferencias en la ejecución.

Una manera de vencer la dificultad impuesta por diferencias extrañas entre

los grupos es usar dos muestras relacionadas o comparables en la investigación. Esto es,

uno puede “igualar”, relacionar o hacer comparables de otra manera las dos muestras

estudiadas, cosa que puede lograrse cuando cada sujeto es su propio control o con

parejas de sujetos en las que se asignan los miembros de cada pareja a las dos

condiciones. Cuando un sujeto sirve como su propio control está expuesto a ambos

tratamientos en diferentes ocasiones. Cuando se usa el método de pares, se trata de

seleccionar, dentro de lo posible, en cada pareja de sujetos, aquellos que sean los más
 18

semejantes, con respecto a cualquier variable extraña que pudiera influir el resultado de

la investigación. En el ejemplo mencionado anteriormente, el método de pares requería

que fueran seleccionadas numerosas parejas de estudiantes, cada una compuesta por

dos estudiantes de capacidad y motivación fundamentalmente iguales. Un miembro de

cada pareja, escogido al azar, sería asignado a uno de los métodos de enseñanza y su

“compañero” al otro.

II.1.2.2 MODELO GENERAL DE DESPLAZAMIENTO

Un problema que comúnmente se presenta a los experimentadores es el

de obtener observaciones de dos poblaciones con el fin de probar si estas poseen la

misma distribución. Por ejemplo, si se toman muestras aleatorias independientes en

donde X 1 , X 2 ,..., X n1 y Y1 , Y2 ,..., Yn2 tienen distribuciones F(x) y G(y) respectivamente y

queremos probar si las dos poblaciones tienen la misma distribución, es decir,

H 0 : F(z) = G(z) frente a H 1 : F(z) ≠ G(z), para las que las formas de estas distribuciones

no están determinadas. Obsérvese que H 1 es una hipótesis muy amplia. Muchas veces el

experimentador querrá analizar la hipótesis alternativa más específica que indica que Y1

posee la misma distribución que X 1 , desplazada una cantidad indeterminada θ. Así se

tiene que G(y) = P( Y1 ≤ y) = P( X 1 ≤ y – θ) = F(y - θ) para algún valor desconocido θ;

es decir, las distribuciones tienen diferentes localizaciones.

II.1.2.3 PRUEBA DE LOS SIGNOS PARA UN EXPERIMENTO DE PARES

COMPARADOS

Aquí contamos con una tabla formada de n pares de observaciones de la

forma ( X i , Yi ), y queremos probar la hipótesis que afirma que la distribución de los

valores de X es la misma que la distribución de los valores de Y frente a la hipótesis

alternativa que sostiene que la distribución tiene diferente localización. Con base en la
 19

hipótesis nula que indica que X i y Yi provienen de las mismas distribuciones de

probabilidad continua, la probabilidad de que Di = X i - Yi sea positiva es igual a 1/2 (la

misma probabilidad de que Di sea negativa). Sea S la cantidad total de diferencias

positivas. De esta manera, si los valores de las variables X i y Yi poseen la misma

distribución, S poseerá una distribución binomial con p = 1/2, y la región de rechazo

para una prueba basada en S podrá obtenerse mediante la distribución de probabilidad

binomial. La prueba de los signos en este caso se resume de la siguiente manera.

Prueba de los signos para un experimento de pares comparados

Sea p = P(X >Y).

Hipótesis nula…..…………… H 0 : p = ½

Hipótesis alternativa..…………H 1 : p > ½ o (p < ½ o p ≠ ½)

Estadístico de prueba…........... S = número de diferencias positivas, donde Di = X i - Yi

Región de rechazo……............ si H 1 : p > ½, se rechaza H 0 para los valores más

grandes de S; si H 1 : p < ½ , se rechaza H 0 para los

valores más pequeños de S; si H 1 : p ≠ ½, se rechaza

H 0 para valores muy grandes o muy pequeños de S.

Supuestos…………………… los pares ( X i , Yi ) se eligen de forma aleatoria e

independiente.

Prueba de los signos para experimentos de pares comparados con muestras

grandes ( np > 5 y nq > 5 ).

Hipótesis nula: H 0 : p = 0.5 (No hay preferencia por algún tratamiento).

Hipótesis alternativa: H 1 : p ≠ 0.5 para una prueba de dos colas.

X −μ S −n/2
Estadístico de prueba: Z= =
σ (1 / 2) n
 20

Región de rechazo: H 0 se rechaza si z ≥ z α / 2 o si z ≤ - z α / 2 , donde z α / 2 se

obtiene de la tabla # 2 del apéndice B referente a la

distribución normal.

II.2 PRUEBA DE WILCOXON

II.2.1 PRUEBA DE RANGOS PARA UNA SOLA MUESTRA. INTERVALOS

CON SIGNOS

Como se vio en secciones anteriores, la prueba del signo en sus dos versiones

es muy fácil de realizar, pues sin importar la distribución que siguen las observaciones,

sólo utilizamos los signos de las diferencias entre éstas y μ 0 o entre las parejas

comparadas, siendo los signos + y – las direcciones de las diferencias producto de las

transformaciones realizadas, desperdiciándose por tanto, toda la información contenida

en la magnitud de estas diferencias. La prueba de Wilcoxon para intervalos con signo,

hace un mejor aprovechamiento de la información contenida en las observaciones, ya

que toma en cuenta, además de los signos, las magnitudes de las diferencias por medio

de los rangos a que son asignados.

Sean ( Z 1 ,…, Z n ) una muestra aleatoria de la variable aleatoria continua Z y

( Z (1) ,…, Z (n ) ) la muestra ordenada asociada. Se llama rango Ri de la variable aleatoria

Z i al número de variables aleatorias Z i menores o iguales a Z i , 1 ≤ i ≤ n . Luego el

n
rango se determinará mediante la fórmula Ri = ∑ (1 − ψ ( X j − X i )) , donde ψ es como
j =1

se definió en la sección II.1.1, teniéndose en particular que Z (1) < Z ( 2 ) < Z ( 3) < .... < Z ( n )

y Ri es tal que Z i = Z ( Ri ) , siendo sus valores extremos Z (1) = min( Z 1 ,…, Z n ) y

Z (n ) = máx( Z 1 ,…, Z n ).

En esta prueba se ordenan por rango los valores absolutos de las diferencias

en relación con sus signos: asignamos el rango 1 a la menor de las diferencias en valor
 21

absoluto, el rango 2 a la segunda diferencia más pequeña en valor absoluto, y así

sucesivamente. Cuando varias de las diferencias sean las mismas, si fuera el caso de las

que corresponderían a 3, 4 y 5, cada una tomaría como rango el valor promedio de las

tres, en este caso, 4, seria el rango asignado a cada una de las diferencias iguales, y a la

siguiente diferencia en valor absoluto más grande se le asignaría el rango 5.

Calcularíamos ahora la suma de los rangos para las diferencias negativas T − y las

sumas de los rangos para las diferencias positivas T + .En el caso de una prueba de dos

colas utilizamos T, la más pequeña de estas dos cantidades, como estadístico de prueba

para probar la hipótesis nula que afirma que las dos poblaciones son idénticas. Cuanto

más pequeño sea el valor de T, mayor el peso de la evidencia que favorece el rechazo de

la hipótesis nula. Por consiguiente, rechazaremos la hipótesis nula si T es menor o igual

a algún valor T α .

La hipótesis nula permite que para cada rango, las probabilidades de que se

le asigne una diferencia positiva o una negativa son ambas ½. Podemos escribir el

estadístico como

T + = 1. X 1 + 2. X 2 + . . . . . . + nX n , donde X 1 , X 2 ,. . . .y X n son variables

aleatorias independientes que tienen la distribución de Bernoulli con p = ½. Como el

valor esperado y varianza de las X i son E( X i ) = 0.1/2 +1.1/2 = 1/2 y

Var( X i ) = 1/2 .(1 – 1/2 ) = 1/4 para i = 1, 2, 3, ……,n , y tomando en cuenta las

siguientes propiedades

E ( a1 X 1 + a 2 X 2 + ....... + a n X n ) = a1 E ( X 1 ) + . . . + a n E ( X n ) y

Var( a1 X 1 + a 2 X 2 + ....... + a n X n ) = a12Var ( X 1 ) + . . . + a n2 Var ( X n ) ,

se deduce que

1 + 2 + ... + n
E (T + ) = 1.1/2 + 2.1/2 + . . . + n.1/2 =
2

n(n + 1)
y aplicando el método de inducción completa, se tiene que E ( T + ) = ,
4
 22

y que

1 + 2 + ... + n
Var(T + ) = 1 2 .1/4 + 2 2 .1/4 +. . .+n 2 .1/4 =
4

y aplicando de nuevo el método anterior, se llega a que

n(n + 1)(2n + 1)
Var(T + ) =
24

La probabilidad de que T sea menor o igual a algún valor T α está calculado

para una combinación de tamaños muestrales y valores de T α . Estas probabilidades, se

pueden utilizar para determinar la región de rechazo de la prueba que se basa en T.

Cualquiera sea la hipótesis alternativa, podemos basar todas las pruebas de

la hipótesis nula μ = μ 0 en la distribución de T, debiendo sólo tener cuidado de utilizar

la estadística correcta y el valor crítico correcto de T, como se muestra en la tabla II.2.1

Hipótesis Rechace la hipótesis

alternativa nula si:
μ ≠ μ0 T ≤ Tα

μ > μ0 T − ≤ T 2α

μ < μ0 T + ≤ T 2α

Tabla II.2.1. Hipótesis alternativa y región de rechazo para la hipótesis nula μ = μ 0 .

donde, como se indica, el nivel de significancia es α en cada prueba. Los valores

críticos de T, que son tales que T α es el valor más grande para el cual P(T ≤ T α ) no es

mayor que α , se dan en la tabla 3 del apéndice B. Obsérvese que los mismos valores

críticos sirven para pruebas en diferentes niveles de significancia, dependiendo de que

la hipótesis alternativa sea unilateral o bilateral.

 23

II.2.2 PRUEBA DE RANGOS CON SIGNOS DE WILCOXON PARA UN

EXPERIMENTO DE PARES COMPARADOS

En este caso, al igual que la prueba del signo de pares comparados,

contamos también con n observaciones pareadas ( X i , Yi ) y Di = X i - Yi . Nos interesa

probar la hipótesis de que los valores de X e Y tienen la misma distribución frente a la

hipótesis alternativa que sostiene que la localización de las distribuciones es diferente.

En la hipótesis nula no hay diferencia en las distribuciones de los valores de X e Y ,

esperaríamos que la mitad de las diferencias de los pares fuera negativa y la otra mitad

positiva, o sea, que el número esperado de las diferencias negativas fuera de valor n/2.

Para realizar la prueba de Wilconxon calculamos las diferencias ( Di ) de

cada uno de los n pares eliminando las diferencias nulas y se asignan los rangos como

en la sección anterior.

Para detectar la hipótesis alternativa unilateral que afirma que la

distribución de los valores de X están desplazados a la derecha de los valores de Y

empleamos la suma de rangos T − de las diferencias negativas, y rechazamos la hipótesis

nula para los valores T − ≤ T 2α . Si queremos detectar un desplazamiento de la

distribución de los valores de Y a la derecha de los valores de X , empleamos la suma

de rangos T + de las diferencias positivas como estadístico de la prueba, y rechazamos

los valores T + ≤ T 2α .

El resumen de las hipótesis alternativas, para el caso de dos muestras,

basada en la prueba de la hipótesis nula μ X = μ Y , es como se muestra en la tabla II

2.2.1 donde hay que tener presente los mismos detalles de la sección anterior y manejar

la tabla con los mismos criterios indicados allí. A continuación se resume la prueba que

se basa en T, la cual se conoce como prueba de rangos con signo de Wilconxon.

 24

Hipótesis Rechace la hipótesis

alternativa nula si:
μ X ≠ μY T ≤ Tα

μ X > μY T − ≤ T 2α

μ X < μY T + ≤ T 2α

Tabla II.2.2.1.Hipótesis alternativa y región de rechazo para la hipótesis nula μ X = μ Y

Prueba de rangos con signo de Wilcoxon para un experimento de pares

comparados.

Hipótesis nula H0: las distribuciones de población para los valores de X e Y

son idénticas.

Hipótesis alternativa H 1 : las dos distribuciones de población tienen diferentes

localizaciones (dos colas); o la distribución de población

para los valores de X ( Y ) está desplazada a la derecha de

la distribución para los valores de Y ( X ) (una cola).

Estadístico de la prueba:

1. Para una prueba de dos colas utilice T = mín(T + , T − ), donde T + es la suma de

los rangos de las diferencias positivas y T − es igual a la suma de los rangos de las

diferencias negativas.

2. En una prueba de una cola utilice la suma T − (T + ) de los rangos de las

diferencias negativas (positivas) cuando la distribución de los valores de X ( Y ) están

desplazados a la derecha de los valores de Y ( X ).

Región de rechazo:

1. Para una prueba de dos colas rechace H 0 si T ≤ T α donde T α es el valor crítico

para la prueba bilateral que se proporciona en la tabla 3 del apéndice B.

2. En una prueba de una cola rechace H 0 si T − (T + ) ≤ T 2α donde T 2α es el valor

crítico para la prueba unilateral.

 25

Prueba de rangos con signos de Wilcoxon con muestra grandes para un

experimento de pares comparados.

Hipótesis nula H0: las distribuciones de población para los valores de X e Y

son idénticas.

Hipótesis alternativa H 1 : las dos distribuciones de población tienen diferente

localización (prueba de dos colas); o la distribución de

población para los valores de X está desplazada a la

derecha (o izquierda) de la distribución de los valores de

Y (pruebas de una cola).

X −μ T + − [n(n +1) / 4]
Estadístico de prueba: Z= = , T = T + ya que T +
σ n(n +1)(2n +1) / 24

o T − tendrá aproximadamente una distribución normal

cuando la hipótesis nula sea verdadera y n sea grande.

Región de rechazo: rechace H 0 si z ≥ z α / 2 o z ≤ - z α / 2 , en una prueba de dos

colas.

Para detectar un desplazamiento en las distribuciones de

valores de X a la derecha de los valores de Y, rechace H 0

cuando z ≥ z α . Y para detectar un desplazamiento en la

dirección opuesta rechace H 0 si z ≤ - z α .

 26

II.3 PRUEBA DE SUMA DE RANGOS DE WILCOXON. MUESTRAS

ALEATORIAS INDEPENDIENTES

En el año de 1945 Wilcoxon propuso una prueba estadística para comparar

dos poblaciones basadas en muestras aleatorias independientes. Suponga que elegimos

muestras aleatorias independientes de n 1 y n 2 observaciones, cada una de ellas tomadas

de dos poblaciones; representemos a las muestras con A y B. La idea de Wilcoxon fue

combinar las n 1 + n 2 = n observaciones y ordenarlas por orden de magnitud, de la uno

(la más pequeña) a la n (la más grande). Los empates se manejan igual que como se

indicó antes. Si las observaciones se obtienen de poblaciones idénticas, las sumas de

rangos para las muestra deberían ser más o menos proporcionales a los tamaños de las

muestras n 1 y n 2 . Por ejemplo, si n 1 y n 2 son iguales, esperamos que las sumas de los

rangos sean aproximadamente iguales. Pero si las observaciones de la muestra A, por

ejemplo, tienden a ser mayores que las observaciones de la muestra B, las observaciones

de la muestra A tenderán a recibir los rangos más altos, y la suma de rangos que le

pertenece será mayor que la suma de rangos esperada. Por consiguiente, teniendo

muestras de igual tamaño, si una prueba de rangos es muy grande y, en consecuencia, la

otra es muy pequeña, esta podría indicar una diferencia importante entre las dos

poblaciones desde el punto de vista estadístico.

II.4 PRUEBA U DE MANN-WHITNEY. MUESTRAS ALEATORIAS

INDEPENDIENTES

Mann y Whitney propusieron en 1947 una prueba estadística equivalente a

la de Wilcoxon que también incluye las sumas de los rangos de dos muestras, la cual

consiste en ordenar las (n 1 + n 2 ) observaciones de acuerdo con su magnitud y contar el

número de observaciones de la muestra A, por ejemplo, que preceden a cada

observación de la B, así resulta el estadístico U que es la suma de estas enumeraciones.

 27

Sean ( X 1 ,…,X m ) y (Y 1 ,…,Y n ) dos muestras aleatorias A y B de las

variables continuas X e Y. Se llama muestra combinada a la muestra de tamaño

N = n + m igual a (X 1 ,…,X m , Y 1 ,…,Y n ) = (Z 1 ,…,Z m ,Z m +1 ,…,Z N ). Entonces sea

R = (R 1 ,…,R m ,R m +1 ,…,R N ) el vector de los rangos asociados a la muestra combinada,

aquí Q = (R 1 ,…,R m ) y S = (R m +1 ,…,R N ) son los vectores de los rangos de los X y los Y

m N N
N ( N + 1)
en la muestra combinada y se tiene ∑ Ri +
i =1
∑ Rj =
j = m +1
∑k
k =1
=
2
.

m
Consideremos los estadísticos T 1 , T 2 , T 3 y T 4 tales que T 1 (Z 1 ,…,Z N ) = ∑Z
i =1
i

N m n
T 2 ( Z 1 ,…,Z N ) = ∑Z j ,
j = m +1
T 3 ( Z 1 ,…,Z N ) = ∑∑ψ ( X
i =1 j =1
i − Yj )

m n
T 4 ( Z 1 ,…,Z N ) = ∑∑ψ (Y
i =1 j =1
j − Xi)

m
Entonces los estadísticos W y W’ tales que W = T 1 (R 1 ,…,R N ) = ∑R
i =1
i = suma de los

N
rangos de las X i en la muestra combinada y W’ = T 2 (R 1 ,…,R N ) = ∑R
j = m +1
j = suma de los

rangos de las Y i en la muestra combinada, son no paramétricos llamados de Wilcoxon

para dos muestra.

Luego los estadísticos T 3 y T 4 son los de Mann-Whitney

m n
U = MW = T 3 (Z 1 ,…,Z N ) = ∑∑ψ ( X
i =1 j =1
i − Yj )

m n
U’ = MW’ = T 4 (Z 1 ,…,Z N ) = ∑∑ψ (Y
i =1 j =1
j − Xi) ,

entonces

∑ψ ( X
j =1
i - Y j ) = número de valores de j tal que Y j < X i para un i, i = 1,…,m, fijado

n
Luego si m i = número de X menor o igual a X i se tiene: ∑ψ ( X i - X j ) = R i - m i
j =1
 28

m m m m m m
m(m + 1)
Entonces U A = MW = ∑ ( Ri - m i ) = ∑ Ri - ∑ mi =
i =1 i =1 i =1
∑ Ri - ∑ i =
i =1 i =1
∑R
i =1
i -
2

N
n(n + 1)
Cambiando m por n se obtiene inmediatamente U B = MW’ = ∑R
j = m +1
j -
2

Haciendo n 1 = m y n 2 = n, las fórmulas para el estadístico U quedarían así:

MW = U A = R 1 - n 1 (n 1 +1)/2

MW’= U B = R 2 - n 2 (n 2 +1)/2

donde

n 1 = número de observaciones de la muestra A

n 2 = número de observaciones de la muestra B

U A + U B = n1n 2

R 1 = suma de rangos para la muestra A

R 2 = suma de rangos para la muestra B

Como se puede ver en las fórmulas de U A y U B , U A es pequeño cuando

R 1 es grande, un caso que puede presentarse cuando la distribución de población de las

mediciones de A se encuentra desplazada a la derecha de las mediciones de B. Por

consiguiente, para efectuar una prueba de dos colas con el fin de detectar un

desplazamiento en la distribución de A a la derecha de la distribución de B, es necesario

rechazar la hipótesis nula que afirma que no hay diferencia en las distribuciones de

población si U A es menor que algún valor específico U α . Es decir, rechazamos H 0

para valores pequeños de U A . De manera similar, para llevar a cabo una prueba de una

cola con el fin de detectar un desplazamiento de la distribución B a la derecha de la

distribución A, se rechazaría H 0 si U B es menor que algún valor específico U 2 α .

La tabla 4 del apéndice B proporciona la probabilidad de que un valor

observado de U sea menor que un valor específico U α . Para llevar a cabo una prueba

de dos colas, es decir, para detectar un desplazamiento en las distribuciones

 29

poblacionales para las mediciones A y B en cualquier dirección, convenimos en utilizar

siempre U, el menor de U A o U B o sea U = mín(U A , U B ) como estadístico de prueba y

rechazar H 0 para U < U α . El valor de α para la prueba de una cola es el doble del de

una prueba de dos colas tal como se muestra en la siguiente tabla # II.4.1.

Hipótesis Rechace la
alternativa hipótesis nula si:
μ A ≠ μB U≤ Uα

μ A > μB U B ≤ U 2α

μ A < μB U A ≤ U 2α

Tabla # II.4.1.Hipótesis alternativa y región de rechazo para la hipótesis nula μ A = μ B

Una prueba para muestras grandes simplificada (n 1 > 8 y n 2 > 8) se puede

obtener utilizando el estadístico Z de la distribución normal. Si las distribuciones de

población son idénticas, el estadístico U posee los siguientes valores esperados y de

varianza cuando U = U A (o U = U B ):

n1 n 2 n1 n2 (n1 + n2 + 1)
E(U A ) = y Var(U A ) =
2 12

La prueba U de Mann – Whitney se resume de la siguiente forma

Hipótesis nula: H 0 : Las distribuciones de frecuencias relativas de

población para A y B son idénticas.

Hipótesis alternativa: H 1 : Las dos distribuciones de frecuencias relativas de

población están desplazadas respecto a sus

localizaciones relativas (prueba de dos colas); o

H 1 : La distribución de frecuencias relativas de

población para A está desplazada a la derecha de

 30

la distribución de frecuencias relativa para la

población B (prueba de una cola).

Estadístico de prueba: Para una prueba de dos colas, utilice U, el más

pequeño de

U A = R 1 - n 1 (n 1 +1)/2 y U B = R 2 - n 2 (n 2 +1)/2

donde R 1 y R 2 constituyen las sumas de rangos

para las muestras A y B, respectivamente. Para

una prueba de una cola utilice U A o U B según

sea el caso. Tabla II.4.1.

Región de rechazo: 1. Para una prueba de dos colas y un valor dado de

α rechace H 0 si U ≤ U α , donde

P(U ≤ U α ) = α (Nota: observe que U α es el

valor por el que P(U ≤ U α ) = α )

2. Para una prueba de una cola y un valor dado de

α , rechace H 0 si U A ( U B ) ≤ U 2α , donde

P(U A ( U B ) ≤ U 2α ) = 2 α .

Supuestos: Las muestras se han seleccionado aleatoria e

independientemente de sus respectivas

poblaciones. Los empates en las observaciones

se pueden manejar promediando los rangos que

se hubieran asignado a las observaciones

empatadas y asignando este promedio a cada

observación. Por consiguiente, si hay tres

observaciones empatadas, debido a que se

les asignaron los rangos 3, 4 y 5, les asignaremos

el rango 4 a las tres.

 31

En el caso de muestras grandes la prueba U se resume como sigue:

Hipótesis nula: H 0 : Las distribuciones de frecuencias relativas de

población para A y B son idénticas.

Hipótesis alternativa H 1 : Las dos distribuciones de frecuencias relativas

de población no son idénticas (prueba de dos

colas); o

H 1 : La distribución de frecuencias relativas de

población para A está desplazada a la derecha (o

izquierda) de la distribución de frecuencias

relativa para la población B

U = U A (U B ) (prueba de una cola).

U − (n1 n2 / 2)
Estadístico de prueba: Z=
(n1 n2 )(n1 + n2 + 1) / 12

Región de rechazo: Rechace H 0 si z > z α o z < -z α en el caso de una

2 2

prueba de dos colas. En una prueba de una cola

coloque todos los valores de α en una de las colas

de la distribución z. Para detectar un desplazamiento

de la distribución de las observaciones A a la

derecha de distribución de las observaciones B

rechace H 0 cuando z < - z α . Para detectar un

desplazamiento en la dirección contraria rechace H 0

cuando z > z α . Los valores tabulados de z se

encuentran en la tabla 2 del apéndice B que es la

distribución normal.
 32

II.5 PRUEBA H DE KRUSKAL-WALLIS

La prueba de Kruskal-Wallis o prueba H es una generalización para k

muestras de la prueba U. El procedimiento de Kruskal-Wallis no requiere supuestos

respecto a la forma real de las distribuciones de probabilidad. Supondremos que las

muestras aleatorias independientes se tomaron de k poblaciones que difieren sólo en

cuanto a su localización y no necesitamos suponer que estas poblaciones poseen

distribuciones normales. Generalizamos, utilizando tamaños de muestras diferentes y

representaremos con n i en el caso de i = 1,2,…,k el tamaño de la muestra tomada de la

i-ésima población. Aquí también se combinan las n 1 + n 2 + … + n k = n observaciones

y se ordena de 1, la más pequeña, a n , la más grande. Los empates se manejan igual que

antes. Sea R i la suma de los rangos de las observaciones obtenidas de la población i, y

sea Ri = R i /n i el promedio correspondiente de los rangos. Si R es igual al promedio

total de los rangos, consideramos el equivalente para los rangos de la suma de los

cuadrados para los tratamientos, que se calcula utilizando los rangos, en lugar de los

k
valores reales de las mediciones: V= ∑n
i =1
i ( Ri - R ) 2 .

Si la hipótesis es verdadera y las poblaciones no difieren en cuanto a su localización,

esperaríamos que los valores de Ri fueran aproximadamente iguales y que el valor que

se obtiene de V fuera relativamente pequeño. Si la hipótesis alternativa es verdadera,

espiraríamos que este hecho se reflejara en las diferencias entre los valores de las Ri , lo

cual daría como resultado un valor grande para V. Como R = (suma de los primeros n

n +1 k
n +1 2
enteros) / n = [n(n + 1) / 2] / n = ; de esta manera, V = ∑n ( R i i - ) .
2 i =1 2

En lugar de concentrarse en V, Kruskal y Wallis consideraron el estadístico

k 2
12V 12 Ri
H=
n(n + 1)
, que puede escribirse como H =
n(n + 1)
∑
i =1 ni
-3(n+1).
 33

La hipótesis nula afirma que la igualdad de las poblaciones se rechaza a favor de la

hipótesis alternativa que plantea que las poblaciones difieren en cuanto a su localización

si el valor de H es grande. En consecuencia, la prueba de nivel α correspondiente exige

el rechazo de la hipótesis nula en favor de la hipótesis alternativa si H > h( α ), donde

h( α ) satisface la relación.

La prueba, además de suponer que la variable en estudio tiene como base

una distribución continua, requiere, por lo menos, una medida ordinal de la variable.

La distribución de H para cualesquiera valores de k y n 1 , n 2 , … , n k se

puede determinar calculando el valor de H para cada una de las n! permutaciones, con la

misma probabilidad, de los rangos de las n observaciones.

Kruskal y Wallis demostraron que, si los n i valores son grandes, la

distribución nula de H se puede aproximar mediante una distribución ji-cuadrada con

k-1 grados de libertad. Esta aproximación, por lo general, se considera adecuada si cada

uno de los n i es mayor o igual a 5.

Resumen de la prueba de Kruskal-Wallis basada en H para comparar k

distribuciones de población.

Hipótesis nula………… H 0: Las k distribuciones de población son idénticas.

Hipótesis alternativa…..……H 1 : Por lo menos dos de las distribuciones de población

difieren en cuanto a posición.

k 2
12 Ri
Estadístico de la prueba…… H =
n(n + 1)
∑
i =1 ni
-3(n+1), donde

n i = número de mediciones en la muestra tomada

de la población i

R i = suma de los rangos para la muestra i, en la que

el rango de cada medición se calcula de acuerdo

con su tamaño relativo en el conjunto total de

 34

n = n1 + n 2 + … + n k observaciones formadas

combinando los datos de las k muestras.

Región de rechazo……………. Rechace H 0 si H > χ α2 con k-1 grados de libertad.

Supuestos……………………… Las k muestras se extraen de forma aleatoria e

independiente.

Hay cinco o más mediciones en cada muestra.

II.6 PRUEBA DE CORRIDAS ( RACHAS) DE UNA SOLA MUESTRA

Esta prueba se aplica en el estudio de una serie de eventos en la que cada

elemento de la serie puede dar origen a dos resultados, éxito (S) o fracaso (F). Si

consideramos un proceso de fabricación en el que al hacer el control de calidad a cada

artículo, se produce una serie, como por ejemplo, S S S S S F F S S S F F F S S S S S S

S, en la que se ha hecho la observación de 20 artículos consecutivos, donde (S) denota

cuando el articulo es no defectuoso y (F) a los defectuoso y deseamos saber si este

agrupamiento que se muestra en la serie implica que no hay aleatoriedad en el proceso,

y por consiguiente, hay falta de control.

Una cantidad muy pequeña o muy grande de corridas (subsucesión máxima

de elementos iguales) en una serie constituye una señal de no aleatoriedad. Llamamos R

el número de corridas en una serie y es el estadístico de la prueba, y sea R ≤ k 1 y

R ≥ k 2 la región de rechazo.

|------|------|------//-----|--------------------------------------------|------//------|------|------|-----|

2 3 4 k1 Número de rachas k2 m

Región de rechazo Región de rechazo

Fig.II.6.1.Región de rechazo para la prueba de corridas (rachas).

 35

Para determinar la distribución de probabilidad de R, supongamos que la

serie completa contiene n 1 elementos S y n 2 elementos F, lo cual da como resultado Y 1

corridas de elementos S y Y 2 corridas de elementos F, donde Y 1 + Y 2 = R. Por

consiguiente dado Y 1 , Y 2 es necesariamente igual a Y 1 , (Y 1 -1) o (Y 1 +1). Sea m el

número máximo de posibles corridas. Observe que m = 2n 1 si n 1 = n 2 y que m = 2n 1 + 1

si n 1 < n 2 . Supondremos que todo ordenamiento distinguible de los n 1 + n 2 elementos

de la serie constituye un evento simple del experimento y que los puntos muestrales son

equiprobables. Así nos queda como siguiente paso, contar el número de puntos

muestrales que implica R corridas.

En la serie están dados n1 elementos indistinguibles S y n2 elementos

indistinguibles F, éstos generan el número total de ordenamientos distinguibles dado

⎛ n + n2 ⎞ 1
por ⎜⎜ 1 ⎟⎟ y, por consiguiente, la probabilidad por punto muestral es de .
⎝ n ⎠ ⎛ n + n ⎞
1
⎜⎜ 1 2
⎟⎟
⎝ n1 ⎠

|S|SSSS|SS…|SS|SSS|S|

Fig.II.6.2. Distribución de n 1 elementos S en y 1 celdas.

El número de formas para obtener y 1 corridas de elementos S es igual al número de

ordenamientos distinguibles de n 1 elementos indistinguibles en y 1 celdas, ninguna de

las cuales esta vacía, como se indica en la figura # II.6.2. Esta cantidad es igual al

número de formas para distribuir las (y 1 -1) barras internas idénticas en los (n 1 -1)

espacios entre los elementos S. En consecuencia, es igual al número de formas para

seleccionar (y 1 -1) espacios para las barras afuera de los (n 1 -1) espacios disponibles; es

⎛ n − 1⎞
decir ⎜⎜ 1 ⎟⎟
⎝ y1 − 1⎠
 36

El número de formas para observar y 1 corridas de elementos S y y 2 corridas

⎛ n − 1⎞ ⎛ n − 1⎞
de elementos F, se obtiene con el producto ⎜⎜ 1 ⎟⎟ ⎜⎜ 2 ⎟⎟
⎝ y1 − 1⎠ ⎝ y 2 − 1⎠

Esta expresión proporciona el número de puntos muestrales en el evento “y 1 corridas de

elementos S y y 2 corridas de elementos F”. Si multiplicamos este número por la

probabilidad de cada punto muestral, obtenemos la probabilidad de y 1 corridas de

elementos S y y 2 corridas de elementos F, exactamente:

⎛ n1 − 1 ⎞⎛ n 2 − 1 ⎞
⎜⎜ ⎟⎜ ⎟
⎝ y1 − 1⎟⎠⎜⎝ y 2 − 1⎟⎠
p(y 1 , y 2 ) =
⎛ n1 + n 2 ⎞
⎜⎜ ⎟⎟
⎝ n1 ⎠

Entonces, P(R = r) es igual a la suma de p(y 1 ,y 2 ) que recorre todos los

valores de y 1 y y 2 , los cuales satisfacen la relación (y 1 + y 2 ) = r.

Para ilustrar la aplicación de esta fórmula, el evento R = 4 podría ocurrir

cuando y 1 = 2 y y 2 = 2, ya sea que el elemento S o F inicie las sucesiones. Por lo tanto,

P(R = 4) = 2P(Y 1 = 2, Y 2 = 2). Por otra parte, R = 5 podría ocurrir cuando y 1 = 2 y y 2 = 3,

o cuando y 1 = 3 y y 2 = 2, y estas ocurrencias son mutuamente excluyentes. De manera

que P(R = 5) = P(Y 1 = 3, Y 2 = 2) + P(Y 1 = 2, Y 2 = 3).

EJEMPLO # II.6.1

Suponga que una sucesión consta de n 1 = 5 elementos S y n 2 = 3

elementos F. Calcule P(R ≤ 3).

SOLUCIÓN

Podrían ocurrir tres corridas cuando y 1 = 2 y y 2 = 1, o cuando y 1 = 1 y

y 2 = 2. Por consiguiente,
 37

P(R = 3) = P(Y 1 = 2, Y 2 = 1) + P(Y 1 = 1, Y 2 = 2)

⎛ 4 ⎞⎛ 2 ⎞ ⎛ 4 ⎞⎛ 2 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
= ⎝ ⎠⎝ ⎠ +
1 0 ⎝ 0 ⎠ ⎝ 1 ⎠ = 4 + 2 = 0 . 107 .
⎛8⎞ ⎛8⎞ 56 56
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝5⎠ ⎝5⎠

En seguida, requerimos que P(R ≤ 3) = P(R = 2) + P(R = 3). En consecuencia,

⎛ 4 ⎞⎛ 2 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
P(R = 2) = 2P(Y 1 = 1, Y 2 = 1) = 2 ⎝ ⎠⎝ ⎠ =
0 0 3
= 0.036.
⎛8⎞ 84
⎜⎜ ⎟⎟
⎝ 5⎠

Por lo tanto, la probabilidad de tres o menos corridas es de 0.107 + 0.036 = 0.143

Cuando n 1 y n 2 son pequeños, suelen realizarse pruebas de aleatoriedad con respecto a R

mediante el uso de tablas especiales, como la tabla # 6 del apéndice B. Rechazamos la

hipótesis nula de aleatoriedad en el nivel de significancia α si R ≤ r’ α o bien

2

α
R ≥ r α donde r’ α es el valor más grande para el cual P( R ≤ r’ α ) no es mayor que
2 2 2
2

α
y r α es el valor más pequeño para el cual P( R ≥ r α ) no es mayor que .
2 2
2

El resumen de esta prueba es como se muestra:

Hipótesis nula…………………… H 0: Hay aleatoriedad en el proceso

Hipótesis alternativa……………. H 1 : No hay aleatoriedad en el proceso

Estadístico de la prueba……….. R = número de corridas en una prueba

Región de rechazo……………... Se rechaza la hipótesis nula si R ≤ k 1 = r’ α y

2

R ≥ k2 = rα
2
 38

Como en el caso de otros estadísticos de prueba no paramétricos analizados

anteriormente, la distribución de probabilidad para R tiende a la normalidad conforme

n 1 y n 2 crecen. La aproximación es buena cuando n 1 y n 2 son mayores que 10. Así que

podemos utilizar el estadístico Z como estadístico de prueba para una muestra grande.

En consecuencia,

R − μR 2n1 n 2 2n1 n2 (2n1 n2 − n1 − n 2 )

Z= y μR = + 1 con σ R2 =
σR n1 + n 2 (n1 + n2 ) 2 (n1 + n 2 − 1)

representan el valor esperado y la varianza de R, respectivamente. La región de rechazo

para una prueba de dos colas con α = 0.05 es z ≥ 1.96. Si α es la probabilidad que se

busca de cometer un error tipo I, en el caso de una prueba de cola superior, rechazamos

la hipótesis nula si z > z α (en el caso de una prueba de cola inferior rechazamos H 0

si z < - z α ).

II.7 COEFICIENTE DE CORRELACIÓN DE RANGOS DE SPEARMAN

Con frecuencia, en el análisis de correlación, la información no esta

disponible en forma de valores numéricos, pero si podemos asignar clasificaciones a los

elementos de cada una de dos variables que estamos estudiando, entonces puede

calcularse un coeficiente de correlación de rango. Esta es una medida de la correlación

que existe entre los dos conjuntos de rangos, una medida del grado de asociación entre

las variables que no podríamos calcular de otra manera. También este método simplifica

el proceso de cálculo a partir de un conjunto de datos muy grande para cada una de las

dos variables, ya que calcula una medida de asociación basada en los rangos de las

observaciones y no en los valores numéricos de los datos. Esta medición se le conoce

como el coeficiente de correlación de rango de Spearman, en honor al estadístico que lo

desarrolló a principios del siglo pasado y fue la primera de todas las estadísticas basadas

en rangos.
 39

Para un conjunto dado de datos ordenados en parejas {( xi , y i ); i = 1,2,..., n},

este se obtiene ordenando por rango las x entre si mismas y también las y; cuando hay

coincidencias de rango, se procede como se hizo en caso del estadístico de Mann-

Whitney.

Se parte de la fórmula de Pearson

n

∑ (x
i =1
i − x )( y i − y )
S xy
r= = ,
n n
S xx S yy
∑ (x
i =1
i − x) 2
∑(y
i =1
i − y) 2

y como las x y las y son rangos, entonces r = r s ; la suma de los n enteros 1, 2, . . ., n, es

n
n(n + 1)
∑x
i =1
i =
2
, y la suma de sus cuadrados, 1 2 , 2 2 , . . . , n 2 es

n
n(n + 1)(2n + 1)
∑x
i =1
2
i =
6
. Por consiguiente,

n
(∑ xi ) 2
n n
n(n + 1)(2n + 1) n(n + 1) 2 n 3 − n
S xx = ∑ ( xi − x ) = ∑ x −
2 2
i
i =1
= − = ,
i =1 i =1 n 6 4 12

y similarmente

n3 − n
S yy = .
12

Ahora

d=x–y

d 2 = ( x – y) 2 = x 2 − 2 xy + y 2

n n n n

∑ d i2 = ∑ xi2 + ∑ yi2 − 2∑ xi yi
i =1 i =1 i =1 i =1

∑d
i =1
i
2
= S xx + S yy − 2S xy

Pero la fórmula establece que

S xy
r= = rs
S xx S yy
 40

cuando las observaciones están en forma de rango. Por consiguiente,

n

n
S xx + S yy − ∑ d i2
∑d
i =1
i
2
= S xx + S yy -2 r s S xx S yy , y r s =
2 S xx S yy
i =1
,

sustituyendo se tiene

n3 − n n3 − n n 2 2(n 3 − n) n 2 2 n
+ − ∑ di − ∑ di ∑ d i
2
6 ∑ d i2
12 12 12
rs= i =1
= i =1
= 1 − i =31 = 1 − i3=1
n3 − n n3 − n 2(n − n)
3
n −n n −n
2 ( )( )
12 12 12 6

que se podrá usar cuando no hay empates en x o y, o si el número de empates es

pequeño en comparación con el número de pares de datos. Así el error cometido al

emplear esta fórmula será pequeño.

Cuando es el caso en que el número de empates es grande hay que usar el

t3 − t
factor T = para ajustar la fórmula. En este caso se tendrá
12
n
S xx + S yy − ∑ d i2
n3 − n n3 − n
rs= i =1
, donde S xx = − ∑ Tx y S yy = − ∑ Ty
2 S xx S yy 12 12

Resumen de la prueba de correlación de rangos de Spearman

Hipótesis nula: H 0 : No hay relación entre los pares de rangos.

Hipótesis alternativa: H 1 : Hay relación entre los pares de rangos (prueba de dos

colas) o,

H 1 : La correlación entre los pares de rangos es positiva

(o negativa) (prueba de una cola).

Estadístico de la prueba:

n
⎛ n ⎞⎛ n ⎞ n
n∑ xi y i − ⎜ ∑ xi ⎟⎜ ∑ y i ⎟ 6∑ d i2
rs = i =1 ⎝ i =1 ⎠⎝ i =1 ⎠ = 1− i =1

⎡ n 2 ⎛ n ⎞ 2
⎤⎡ n 2 ⎛ n 2
⎤ n3 − n
⎞
⎢ n∑ x i − ⎜ ∑ xi ⎟ ⎥ ⎢n∑ y i − ⎜ ∑ y i ⎟ ⎥
⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦
 41

donde x i y y i representan los rangos del i-ésimo par de

observaciones.

Región de rechazo: En una prueba de dos colas, rechace H 0 si r s ≥ r0 o

r s ≤ − r0 , donde r0 figura en la tabla # 7 del apéndice B.

Duplique la probabilidad tabulada para obtener el valor de α

para la prueba de dos colas. En una prueba de una cola,

rechace H 0 si r s ≥ r0 (para una prueba de cola superior) o

r s ≤ − r0 (para una prueba de cola inferior). El valor de α

para una prueba de una cola figura en la misma tabla 7 del

apéndice B.

II.8 PRUEBA DE KOLMOGOROV-SMIRNOV

La prueba de Kolmogorov-Smirnov, bautizada así en honor de los

estadísticos A. N. Kolmogorov y N. V. Smirnov quienes la desarrollaron, se trata de un

método no paramétrico sencillo para probar si existe una diferencia significativa entre

una distribución de frecuencia observada y otra de frecuencia teórica. La prueba K-S es,

por consiguiente, otra medida de la bondad de ajuste de una distribución de frecuencia

teórica, como lo es la prueba ji-cuadrada. Sin embargo, la prueba K-S tiene varias

ventajas sobre la prueba χ 2 : es una prueba más poderosa, y es más fácil de utilizar,

puesto que no requiere que los datos se agrupen de alguna manera.

La estadística K-S, D n , es particularmente útil para juzgar que tan cerca está

la distribución de frecuencia observada de la distribución de frecuencia esperada,

porque la distribución de probabilidad de D n depende del tamaño de la muestra n, pero

es independiente de la distribución de frecuencia esperada (D n es un estadístico de

“distribución libre”)
 42

El estadístico a calcular es D n = sup Fn − F , donde n, es el total de

muestras tomadas, F n la distribución de frecuencias observadas y, F la distribución

teórica.

La formulación de hipótesis es de la siguiente manera:

Hipótesis nula…………H 0 : Una distribución F es una buena descripción del patrón de

uso.

Hipótesis alternativa…..H 1 : Una distribución F no es una buena descripción del patrón

de uso

Estadístico de prueba….D n = sup Fn − F

Región de rechazo……. α , es el nivel de significancia para probar estas hipótesis

Una prueba K-S siempre debe ser una prueba de un extremo.

 43

CAPÍTULO III
LAS PRUEBAS Y SUS APLICACIONES

III.1 APLICACIONES DE LA PRUEBA DEL SIGNO DE UNA SOLA

MUESTRA

Su aplicación abarca la mayoría de las áreas de conocimiento ya que se

hace relativamente frecuente encontrarse con variables dicotómicas o dicotomizadas, es

decir, con variables categóricas que solo toman dos valores: acierto-error, a favor-en

contra, tratados-no tratados, recuperados-no recuperados, etc. Podemos llamar, de forma

genérica, éxito y fracaso a los niveles de una variable de este tipo. Algunas de sus

aplicaciones se muestran en los ejemplos que siguen:

EJEMPLO # III.1.1

En el listado que sigue se muestra un conjunto de mediciones tomadas en un

laboratorio de ensayos del IMME 1, estas representan la resistencia a la compresión

reportada en unidades de libra-fuerza por pulgadas cuadradas (psi), de un total de 20

probetas cilíndricas preparadas con una mezcla de concreto especial, en la que se espera

una resistencia media a la compresión de 160 psi. Pruébese esta hipótesis en el nivel de

significancia del 5% contra la alternativa μ > 160 psi.

163 165 160 189 161 171 158 151 169 162

163 139 172 165 148 166 172 163 187 173

SOLUCIÓN

1.- H 0 : μ = 160

H 1 : μ > 160
1
IMME es el Instituto de Materiales y Modelos Estructurales de la Universidad Central de Venezuela que
cuenta con laboratorios y personal especializado para la prueba de morteros que serán usados en
edificaciones y puentes.
 44

2.- Rechazamos la hipótesis nula si S ≥ k .05 , donde S es el número de signos positivos

n
y k .05 es el entero más pequeño para el cual ∑ B ( s ; n, p
s = kα
0 ) ≤ α y

n! 1
B ( s ; n, p 0 ) = p 0s (1 − p 0 ) n − s , ∀s = 0,1,..., n es la probabilidad de lograr s
s! (n − s )!

aciertos en n ensayos binomiales cuando p = p 0 . El tamaño de esta región crítica, está

por lo tanto, lo más próximo posible a α sin excederlo.

3.- Sustituyendo cada valor mayor que 160 por un signo positivo, cada valor menor

que 160 por un signo negativo y desechando el valor que sea igual a 160, se obtiene la

siguiente tabla # III.1.1

Observación Resistencia Signo de observación Resistencia Signo de

a la la a la la
compresión diferencia compresión diferencia
xi x i -160 xi x i -160
1 163 + 11 163 +

2 165 + 12 139 -

3 160 0 13 172 +

4 189 + 14 165 +

5 161 + 15 148 -

6 171 + 16 166 +

7 158 - 17 172 +

8 151 - 18 163 +

9 169 + 19 187 +

10 162 + 20 173 +

Tabla # III.1.1. Tabla de observaciones y diferencias de mediciones de la resistencia a la

compresión de probetas preparadas para el ensayo.

Nº de signos positivos (+)- - - - - - - - - - - - 15

Nº de signos negativos (- )- - - - - - - - - - - - 4
 45

de manera que n =19 y s = 15. De la tabla # 1 apéndice B de probabilidades

binomiales se determina el valor de k .05 para n =19. Siendo que los valores de

B ( s , n ,1/2) son:

B (19,19,1/2) = 0.0000

B (18,19,1/2) = 0.0000

19
B (17,19,1/2) = 0.0003 , ∑ B(s,19,1 / 2) = 0.0003
s =17

19
B (16,19,1/2) = 0.0018 , ∑ B(s,19,1 / 2) = 0.0021
s =16

19
B (15,19,1/2) = 0.0074 , ∑ B(s,19,1 / 2) = 0.0095
s =15

19
B (14,19,1/2) = 0.0222 , ∑ B(s,19,1 / 2) = 0.0317 < 0.05
s =14

19
B (13,19,1/2) = 0.0518 , ∑ B(s,19,1 / 2) = 0.0835 > 0.05
s =13

obteniéndose por lo tanto que k .05 = 14 es el menor entero para el cual

19

∑ B( y,19,1 / 2) = 0.0317 < 0.05

y =14

4.- Como s = 15 es mayor que k .05 = 14, se debe rechazar la hipótesis nula y se

concluye que estadísticamente la resistencia media a la compresión de las probetas es

mayor de 160 psi.

EJEMPLO # III.1.2

Yubirí Ortega, Ministra del Poder Popular para el Ambiente, está pensando

que por el tiempo que lleva la descentralización de empresas del área metropolitana de

Caracas, es hora de retirar los filtros instalados hace 6 años con el fin de limpiar el aire

en la ciudad. En tal sentido ha nombrado una comisión técnica para que tome una serie
 46

de mediciones con equipo especial, y así determinar si el contenido de gases como el

CO (monóxido de carbono) ha bajado a 21.5 ppm o menos, ya que este nivel no

representa riesgo para la salud, o si por el contrario se mantiene por encima de este

valor. Los datos que siguen, expresados en ppm (partes por millón), son las mediciones

de monóxido de carbono en diferentes puntos de la ciudad:

17 15 20 29 19 18 22 25 27 9 24 20 17 6 24 14 15 23 24 26

19 23 28 19 16 22 24 17 20 13 19 10 23 18 31 13 20 17 24 14

Se quiere probar la hipótesis nula μ = 21.5 contra la hipótesis alternativa

μ > 21.5 en el nivel de significancia α = 0.01 utilizando, en este caso, la aproximación

a la distribución normal por ser n = 40 un número grande. Ver el apéndice A para mayor

información.

SOLUCIÓN

1.- H 0 : μ = 21.5

H 1 : μ > 21.5

2.- La mitad del área debajo de la curva de una función de densidad normal es 0,5, que

al restarle 0,01 se obtiene la diferencia 0,49, valor de probabilidad que corresponde

según la tabla normal a z = 2.33, esto nos permite fijar el intervalo de rechazo de la

( s ± 1 2) − np 1
hipótesis nula así: z > z.01 = 2.33, donde z = , p= y S es el número de
np (1 − p) 2

signos positivos (+). Como la variable S para la distribución binomial es discreta,

mientras que la de una distribución normal es contínua, se hace una corrección por

continuidad (por ejemplo, 3 caras es en realidad un valor entre 2.5 y 3.5 caras).
 47

observación Cantidad de Signo de la observación Cantidad de Signo de la

CO diferencia CO diferencia
x i -21.5 x i -21.5
1 17 - 21 19 -

2 15 - 22 23 +

3 20 - 23 28 +

4 29 + 24 19 -

5 19 - 25 16 -

6 18 - 26 22 +

7 22 + 27 24 +

8 25 + 28 17 -

9 27 + 29 20 -

10 9 - 30 13 -

11 24 + 31 19 -

12 20 - 32 10 -

13 17 - 33 23 +

14 6 - 34 18 -

15 24 + 35 31 +

16 14 - 36 13 -

17 15 - 37 20 -

18 23 + 38 17 -

19 24 + 39 24 +

20 26 + 40 14 -

Tabla # III.1.2. Tabla de observaciones y diferencias de las cantidades de monóxido de

carbono (CO) contenidas en el aire.

Esto equivale a disminuir S en 0,5 si S > np y a incrementar S en 0,5 si S < np.

 48

1
Como n = 40 y s = 16, se obtiene np = 40. = 20 ,
2

(16 + 1 2) − 20
np (1 − p ) = 40(0.5)(0.5) = 3.16 y, por lo tanto, z = = −1.11
3.16

3.- Ya que z = −1.11 es menor que z = 2.33 , no se puede rechazar la hipótesis nula.

La Ministra tiene razón, se pueden retirar los filtros.

EJEMPLO # III.1.3

Un examen de la materia Cálculo I en la Universidad Nacional Abierta fue

aplicado en todos los estados del país. Del conjunto de datos se tomó una muestra

compuesta por 40 calificaciones las cuales se muestran seguidamente:

71 67 55 64 82 66 74 58 79 61 78 46 84 93 72 54 78 86 48 52

67 95 70 43 70 73 57 64 60 83 73 40 78 70 64 86 76 62 95 66 .

Pruebe la hipótesis, al nivel 0.05 de significancia, de que la mediana de las

calificaciones de todos los participantes en el examen es a) 66 b) 75

SOLUCIÓN

a) Al restar 66 de todas las entradas dadas anteriormente y al mantener solo los signos

asociados, resulta la tabla #III.1.3 donde se ve que hay 23 signos más (+) ,15 signos

menos (-) y dos ceros. Al descartar los 2 ceros, la muestra consiste de 38 signos: 23 + y

15 -.Con el uso de una prueba bilateral de la distribución normal, con probabilidades

0.025 en cada cola y tomando en cuenta las características antes nombradas de esta

función de densidad, tenemos: 0,5 - 0.025 = 0,475, luego buscamos en la tabla normal

(Tabla # 2 del apéndice B) y

 49

Observación Califica- Signo de la Observa- Calificación Signo de la

ción diferencia ción diferencia
x i -66/ x i -75 x i -66/ x i -75
1 71 +/- 21 67 +/-

2 67 +/- 22 95 +/+

3 55 -/- 23 70 +/-

4 64 -/- 24 43 -/-

5 82 +/+ 25 70 +/-

6 66 0/- 26 73 +/-

7 74 +/- 27 57 -/-

8 58 -/- 28 64 -/-

9 79 +/+ 29 60 -/-

10 61 -/- 30 83 +/+

11 78 +/+ 31 73 +/-

12 46 -/- 32 40 -/-

13 84 +/+ 33 78 +/+

14 93 +/+ 34 70 +/-

15 72 +/- 35 64 -/-

16 54 -/- 36 86 +/+

17 78 +/+ 37 76 +/+

18 86 +/+ 38 62 -/-

19 48 -/- 39 95 +/+

20 52 -/- 40 66 0/-

Tabla # III.1.3. Tabla de observaciones y diferencias de las calificaciones del examen

con mediana 66 y 75 de los casos a) y b) respectivamente.

 50

encontramos que este valor corresponde a z = 1,96 lo que permite adoptar la regla de

decisión de la siguiente forma: aceptar la hipótesis si -1.96 ≤ z ≤ 1.96. De otra manera,

rechazar la hipótesis.

s − np (23 − 0.5) − (38)(0.5)

Como z = = = 1.14
npq (38)(0.5)(0.5)

se acepta la hipótesis de que la mediana es 66, al nivel 0.05.

b) Para este caso aplicamos el mismo procedimiento que se usó en la parte a) sólo que

ahora restamos 75 de todas las calificaciones, los resultados se muestran en la misma

tabla # III.1.3 donde, como se puede observar, hay 13 signos + y 27 signos -.

(13 + 0.5) − (40)(0.5)

Dado que z = = -2.06, se rechaza la hipótesis de que la mediana
(40)(0.5)(0.5)

es 75 al nivel 0.05 ya que este valor de z queda fuera del intervalo de aceptación.

III.2 APLICACIONES DE LA PRUEBA DEL SIGNO PARA MUESTRA DE

PARES COMPARADOS

Se aplica a aquellos casos en donde el investigador requiere probar la

hipótesis que afirma que la distribución de los valores de X es la misma que la

distribución de los valores de Y frente a la hipótesis alternativa que sostiene que las

distribuciones tienen diferente localización. Algunas de las muy variadas situaciones en

la que se usa este método se muestran seguidamente.

EJEMPLO # III.2.1

Alimentos El Gordito produce compotas en 12 sabores diferentes. Y con el

fin de mejorar las ganancias, su gerente general quiere disminuir costos de producción

utilizando un tipo de saborizante artificial, el cual ha sido desarrollado por el laboratorio

de química de la compañía, siendo éste una sustancia mucho más económica que la que

actualmente se utiliza. En este sentido realizó una prueba piloto, para saber cual será la
 51

tendencia en el consumo de este alimento entre los niños menores de 2 años, una vez

que, en todos sus productos, aplique el nuevo tipo de saborizante. En la tabla # III.2.1 se

muestran los resultados antes y después de la aplicación del nuevo saborizante:

Observación Antes Después

1 3 1

2 5 2

3 2 0

4 3 2

5 3 2

6 3 0

7 0 2

8 4 3

9 1 3

10 6 4

11 4 1

12 1 0

Tabla # III.2.1.Número de rechazos ocurridos antes y después de la aplicación del nuevo

saborizante en las compotas.

Utilice la prueba del signo de muestra en pares para probar la hipótesis nula

de que el nuevo saborizante no es efectivo en α = 0.05 .

SOLUCIÓN

1. H 0 : μ1 = μ 2

H1: μ1 > μ 2
 52

2. Rechace la hipótesis nula si s ≥ κ .05 , donde s es el número de signos más

(diferencias positivas) y κ .05 es el entero más pequeño para el cual

∑ B ( s ; n, p
s = kα
0 ) ≤α .

3. Sustituyendo cada par de valores por el signo de su diferencia, se obtiene

Observación Antes Después Signo de la

diferencia
1 3 1 +

2 5 2 +

3 2 0 +

4 3 2 +

5 3 2 +

6 3 0 +

7 0 2 -

8 4 3 +

9 1 3 -

10 6 4 +

11 4 1 +

12 1 0 +

Tabla # III.2.2. Número de rechazos ocurridos antes y después de la aplicación del

saborizante indicando el signo de su diferencia.

de manera que n = 12 y s = 10.

De la tabla # 1 apéndice B de probabilidades binomiales se tiene que

B (12,12,1/2) = 0.0002

12
B (11,12,1/2) = 0.0029 , ∑ B(s,12,1 / 2) = 0.0031 < 0.05
s =11

12
B (10,12,1/2) = 0.0161 , ∑ B(s,12,1 / 2) = 0.0192 < 0.05
s =10
 53

12
B (9,12,1/2) = 0.0537 , ∑ B(s,12,1 / 2) = 0.0729 > 0.05
s =9

obteniéndose que κ .05 = 10 para n = 12.

4. Como s = 10 es igual a κ .05 = 10, se debe rechazar la hipótesis nula y se

concluye que el nuevo saborizante es efectivo en el aumento de la demanda.

EJEMPLO # III.2.2

La cooperativa TECAS (técnicos asociados) ha comprado recientemente dos

tornos de control, tipo alfa-numérico, para la fabricación de un tipo especial de pieza

automotriz utilizada en el ensamblaje de los vehículos Tiuna de versión civil.

Día 1 2 3 4 5 6 7 8 9 10 11 12

Máquina I 47 56 54 49 36 48 51 38 61 49 56 52

Máquina II 71 63 45 64 50 55 42 46 53 57 75 60

Tabla # III.2.3.Número de piezas defectuosas producidas por máquina

El torno I es de refabricación argentina y el II es de fabricación china. Se tomó la

producción durante 12 días consecutivos de los tornos y en la tabla # III.2.3 se muestra

el número de piezas defectuosas producidas por las máquinas, y se supone que estos

tienen la misma producción diaria. Contraste la hipótesis Ho de que no existe diferencia

entre los tornos I y II, con la hipótesis alternativa de que sí hay diferencia al nivel 0.05

de significancia.

SOLUCIÓN

Primero hallamos los signos de la tabla III.2.3 y los mostramos como sigue

en la tabla # III.2.4
 54

Día 1 2 3 4 5 6 7 8 9 10 11 12

Máquina I 47 56 54 49 36 48 51 38 61 49 56 52

Máquina II 71 63 45 64 50 55 42 46 53 57 75 60

Signo de la diferencia - - + - - - + - + - - -

Tabla # III.2.4.Número de piezas defectuosas por máquina y signo de la diferencia

1. H 0 : μ1 = μ 2

H1: μ1 ≠ μ 2

2. Dado que H 1 es la hipótesis de que hay una diferencia entre las máquinas y no la

hipótesis de que la máquina I es mejor que la máquina II, entonces se utiliza un

contraste bilateral. Luego se suman las probabilidades de cualquiera de las colas, hasta

que la suma exceda 0.025 y se rechazará la hipótesis nula si s ≤ k .'025 o s ≥ k .025 , donde

s es el número de signos más, k .'025 es el entero más grande para el cual

k.'025

∑ B(s,12,1 / 2) ≤ 0.025
s =0
y k .025 es el entero más pequeño para el cual

12

∑ B(s,12,1 / 2) ≤ 0.025
s =k.025

De la tabla observamos que n = 12 y s = 3, con estos datos nos vamos a la

tabla # 1del apéndice B y obtenemos

12
B(12,12,1 / 2) = 0.0002 ∑ B(s,12,1 / 2) = 0.0002 < 0.025
s =12

12
B(11,12,1 / 2) = 0.0029 ∑ B(s,12,1 / 2) = 0.0029 + 0.0002 = .00031 < 0.025
s =11

12
B(10,12,1 / 2) = 0.0161 ∑ B(s,12,1 / 2) = 0.0161 + 0.0031 = .00192 < 0.025
s =10

12
B(9,12,1 / 2) = 0.0537 ∑ B(s,12,1 / 2) = 0.0537 + 0.0031 = 0.0729 > 0.025
s =9
 55

Lo que nos permite obtener k .025 = 10 y por simetría k 0' .025 = 2, que al comparar en el

intervalo de rechazo se encuentra que s = 3 > k 0' .025 = 2 lo que nos permite afirmar que

no es posible rechazar H 0 al nivel 0.05 y se debe concluir que no hay diferencia entre

las máquinas a este nivel.

III.3 APLICACIONES PARA PRUEBA DE RANGOS CON SIGNOS DE

WILCOXON PARA UN EXPERIMENTO DE UNA SOLA MUESTRA

Se puede emplear en lugar de la prueba del signo en el caso de una muestra

como se ve seguidamente.

EJEMPLO # III.3.1

Cooperativa El Resistor se encarga de la fabricación de resistencias eléctricas

para equipos electrónicos en películas de carbón con bajo coeficiente térmico. Se toma

una muestra de 15 mediciones en el proceso de fabricación con el fin de chequear si el

valor medio de la muestra es 98.5 Ω . Las mediciones son las siguientes:

97.5, 95.2, 97.3, 96.0, 96.8, 100.3, 97.4, 95.3, 93.2, 99.1, 96.1, 97.6, 98.2, 98.5, 94.9.

Utilice una prueba de rangos con signos en el nivel de significancia 0.05 para

confirmarlo o rechazarlo.

SOLUCIÓN

1. H 0 : μ = 98.5

H 1 : μ ≠ 98.5

2. Rechace la hipótesis nula si T ≤ T α , donde T α debe tomarse de la tabla # 3 del

apéndice B en relación con el valor de n apropiado y el nivel de significancia.

3. Restando 98.5 de cada valor y ordenando las diferencias por rango sin tomar en

cuenta el signo, se obtiene la tabla # III.3.1.

 56

Observación Medición Diferencia Rango

1 97.5 -1.0 4

2 95.2 -3.3 12

3 97.3 -1.2 6

4 96.0 -2.5 10

5 96.8 -1.7 7

6 100.3 1.8 8

7 97.4 -1.1 5

8 95.3 -3.2 11

9 93.2 -5.3 14

10 99.1 0.6 2

11 96.1 -2.4 9

12 97.6 -0.9 3

13 98.2 -0.3 1

14 98.5 0.0

15 94.9 -3.6 13

Tabla III.3.1.Medición de resistencia

Así obtenemos T − = 4+12+6+10+7+5+11+14+9+3+1+13=95,

T + = 8+2 = 10 y T = 10. De la tabla # 3 del apéndice B se tiene que T .05 = 21 para

n = 14 1.

4. Como T = 10 es menor que T .05 = 21, se debe rechazar la hipótesis nula; el valor

medio de resistencia dado no es 98.5.

1
En este caso n=14 pues la medición 98.5 no tiene diferencia percibida y por tanto se elimina.
 57

III.4 APLICACIONES PARA LA PRUEBA DE RANGOS CON SIGNOS DE

WILCOXON PARA UN EXPERIMENTO DE PARES COMPARADOS

Se puede emplear esta prueba en lugar de la del signo en pares comparados

EJEMPLO # III.4.1

En el caserío el Charco, Municipio Salas, Estado Bolívar, se aplica un plan

piloto de reducción de peso para personas obesas por medio del programa Barrio

Adentro. Se piensa que este problema es una consecuencia de los hábitos

Observación Antes Después

1 147.0 137.9

2 183.5 176.2

3 232.1 219.0

4 161.6 163.8

5 197.5 193.5

6 206.3 201.4

7 177.0 180.6

8 215.4 203.2

9 147.7 149.0

10 208.1 195.4

11 166.8 158.5

12 131.9 134.4

13 150.3 149.3

14 197.2 189.1

15 159.8 159.1

16 171.7 173.2

Tabla # III.4.1. Pesos en libras antes y después de aplicar la dieta a 16 personas.

 58

alimenticios de los habitantes del sector, ya que previamente se practicó el respectivo

examen tiroideo resultando el estudio negativo para todos los casos de la muestra

tomada. La tabla # III.4.1, que más adelante se muestra, consigna los pesos en libras

para todos los casos, antes y después de aplicado el programa, de 16 personas que

siguieron la dieta reductora de peso durante cuatro semanas. En este ensayo se le dio

libertad a los participantes de comer cualquier cosa en el desayuno que fuera rica en

grasa y carbohidratos, pero no ayunar, y el almuerzo y la cena sólo lo que indicaba el

programa para cada día en el horario establecido.

Utilice la prueba de rangos con signo para demostrar en el nivel de

significancia 0.05, si la dieta es efectiva para bajar de peso.

SOLUCIÓN

1. H 0 : μ1 = μ 2

H1: μ1 > μ 2

2. Las diferencias entre las parejas respectiva son 9.1, 7.3, 13.1, -2.2, 4.0, 4.9, -3.6,

12.2,-1.3, 12.7, 8.3, -2.5, 1.0, 8.1, 0.7, -1.5, si se ordenan por rango sus valores

absoluto, se tiene que las diferencias positivas ocupan los rangos 13, 10, 16, 8,9,14, 15,

12, 2, 11 y 1. En la tabla #III.4.2 se muestra la asignación de rangos.

Por consiguiente,

T + = 13+10+16+8+9+14+15+12+2+11+1 = 111

T − = 5 + 7 + 3 + 6 + 4 = 25

T = min(111, 25) = 25

3. De la tabla #3 del apéndice B se obtiene T 2 (.05 ) =T .01 = 36 para n = 16.

4. Como T − = 25 < T2α = 36 , se debe rechazar la hipótesis nula; concluimos que la

dieta es, en realidad, efectiva para bajar de peso.

 59

Observación Antes Después Diferencia Rango

1 147.0 137.9 9.1 13

2 183.5 176.2 7.3 10

3 232.1 219.0 13.1 16

4 161.6 163.8 -2.2 5

5 197.5 193.5 4.0 8

6 206.3 201.4 4.9 9

7 177.0 180.6 -3.6 7

8 215.4 203.2 12.2 14

9 147.7 149.0 -1.3 3

10 208.1 195.4 12.7 15

11 166.8 158.5 8.3 12

12 131.9 134.4 -2.5 6

13 150.3 149.3 1.0 2

14 197.2 189.1 8.1 11

15 159.8 159.1 0.7 1

16 171.7 173.2 -1.5 4

Tabla # III.4.2. Pesos en libras antes y después de aplicar la dieta a 16 personas

con los rangos asignados.

EJEMPLO # III.4.2.

Resolveremos el mismo caso tratado en el ejemplo # III.4.1 pero ahora

usando la aproximación a la distribución normal por ser n ≥ 15.

SOLUCIÓN.

1. H 0 : μ1 = μ 2
 60

H1: μ1 > μ 2

2. Aproximamos con la normal por ser n = 16.

T + − E (T + )
3. Rechace la hipótesis nula si z ≥ z .05 = 1.645, donde Z =
Var (T + )

T + = 13+10+16+8+9+14+15+12+2+11+1 = 111

(16)(17) (16)(17)(33)
Puesto que E(T + ) = = 68 y Var.(T + ) = = 374, se obtiene
4 24

111 − 68
Z= = 2.22
347

3. Ya que z = 2.22 es mayor que z .05 = 1.645, se debe rechazar la hipótesis nula;

concluimos que desde el punto de vista estadístico no hay suficientes elementos de

juicio para aceptar la hipótesis nula. La dieta es, en realidad, efectiva para bajar de peso.

EJEMPLO # III.4.3.

Realice la prueba de hipótesis que afirma que no hay diferencias en las

distribuciones de población de la densidad de la torta de casabe en un experimento de

pares comparados que incluye 6 tortas horneadas al nivel de significancia de 10%; en

cada par se utilizan dos preparados, A y B, uno por cada torta.

SOLUCIÓN

La tabla # III.4.3 muestra los datos originales y las diferencias en la densidad (en onzas

por pulgada cúbica) para los seis pares de tortas.

Como en el caso de otras pruebas no paramétricas, la hipótesis nula por

probar sostiene que las dos distribuciones de frecuencias de población en las densidades

de las tortas son idénticas, mientras que la alternativa, que implica una prueba de dos

colas, afirma que las distribuciones tienen diferente localización.

 61

A B Diferencia, Diferencia Rango de la

A-B absoluta diferencia absoluta
0.135 0.129 0.006 0.006 3

0.102 0.120 -0.018 0.018 5

0.108 0.112 -0.004 0.004 1.5

0.141 0.152 -0.011 0.011 4

0.131 0.135 -0.004 0.004 1.5

0.144 0.163 -0.019 0.019 6

Tabla # III.4.3. Datos pareados y sus diferencias para el ejemplo # III.4.2

De acuerdo con la tabla # 3 del apéndice B, el valor crítico de T para una

prueba de dos colas, α = 0.10, es T .10 = 2. Por consiguiente, rechazaremos H 0 si T ≤ 2.

Puesto que solo hay una diferencia positiva, cuyo rango es 3, T + = 3 y

T − = 18, y, por tanto, T = 3. El valor observado de T rebasa su valor crítico; de manera

que no hay suficiente evidencia para concluir que las dos distribuciones de frecuencia

de población en las densidades de las tortas de casabe son diferentes. No podemos

rechazar H 0 para α = 0.10.

III.5 APLICACIONES PARA LA PRUEBA U DE MANN- WHITNEY

Es una de las pruebas no paramétricas más poderosas y constituye la

alternativa más útil ante la prueba paramétrica t cuando el investigador desea evitar las

suposiciones que ésta exige o si la medición en la investigación es más vaga que la

escala de intervalo.

EJEMPLO # III.5.1

En la tabla siguiente se muestra las resistencias de cables hechos con dos

aleaciones diferentes, A y B. En esta tabla se tienen dos muestras: 8 cables de la aleación

 62

A y 10 cables de la aleación B. Se busca decidir si existe o no una diferencia entre las

muestras o, de manera equivalente, si proviene o no de la misma población.

Alineación A Aleación B

18.3 16.4 22.7 17.8 12.6 14.1 20.5 10.7

18.9 25.3 16.1 24.2 15.9 19.6 12.9 15.2

11.8 14.7

Tabla # III.5.1. Resistencia del cable según su aleación

SOLUCIÓN

1. Combinando los 18 valores muestrales en orden, desde el más pequeño al más

grande, se obtiene la primera y tercera columna; si se enumera del 1 al 18, como se

observa en la segunda y cuarta columna, se indicará el rango de cada uno.

Resistencia Rango Resistencia Rango

del cable del cable

10.7 1 16.4 10

11.8 2 17.8 11

12.6 3 18.3 12

12.9 4 18.9 13

14.1 5 19.6 14

14.7 6 20.5 15

15.2 7 22.7 16

15.9 8 24.2 17

16.1 9 25.3 18

Tabla # III.5.2. Asignación de rango a las resistencias

 63

2. Para calcular la suma de los rangos de cada muestra, se escribe la tabla

ordenando los rangos por tipo de aleación.

Aleación A Aleación B
Resistencia del Resistencia del
cable Rango cable Rango
18.3 12 12.6 3

16.4 10 14.1 5

22.7 16 20.5 15

17.8 11 10.7 1

18.9 13 15.9 8

25.3 18 19.6 14

16.1 9 12.9 4

24.2 17 15.2 7

Suma 106 11.8 2

14.7 6

Suma 65

Tabla # III.5.3. Rangos asociados de la tabla # III.5.2.

3. La muestra de la aleación A tiene el menor tamaño, siendo n 1 = 8 y n 2 =10. Las

sumas correspondientes de los rangos son R 1 = 106 y R 2 = 65. Entonces,

U = mín(U A , U B ) .

(8)(9)
Luego, U A = R 1 - n 1 (n 1 +1)/2 = 106 - = 70 y
2

U B = R2 − n 2 (n 2 + 1) 2 = 65 − 10(11) 2 = 65 − 55 = 10

Entonces tenemos,

U = mín(70,10) = 10
 64

Dado que la hipótesis H 0 que se está probando afirma que no hay diferencia entre las

aleaciones, se requiere de una prueba bilateral. Para el nivel 0.05 de significancia,

n1 = 8 y n 2 = 10 se obtiene de la tabla # 4 del apéndice B que U .05 = 17 . Como U = 10

es menor que U .05 =17 se rechaza la hipótesis nula. Se concluye que estadísticamente si

hay diferencia entre las aleaciones al nivel 0.05 de significancia.

EJEMPLO # III.5.2

En la empresa INVEPAL, productora de papel para oficina, se efectuó el

siguiente experimento: se agrega una sustancia química al tradicional papel tamaño

carta, con densidad de 75g/m2, que se usa para fotocopiadoras. Se quiere comparar la

resistencia de los tipos de papel, con y sin el químico, para ver si ésta aumenta y

mejorar así la calidad del mismo. A tal fin se tomaron diez trozos de cada clase de

papel, elegidos aleatoriamente de la producción, y dieron como resultado las mediciones

de resistencia que se muestran en la tabla # III.4.3. Compruebe la hipótesis que afirma

que no hay diferencia en las distribuciones de las resistencias de las dos clases de papel

frente a la hipótesis alternativa que afirma que el papel tratado con la sustancia química

tiende a ser más resistente en el nivel de significancia de 0.05.

SOLUCIÓN

Como α = 0.05 podemos determinar U 2α consultando la tabla 4 del

apéndice B, que corresponde a n1 = n 2 = 10 y 2 α = 0.10. De donde se obtiene U 2α = 27.

Por consiguiente, rechazaremos la hipótesis nula si U ≤ 27.

Ahora calculamos U A y U B ,

U A = R 1 - n 1 (n 1 +1)/2 = 85.5- 55 = 30.5 y U B = R2 − n 2 (n 2 + 1) 2 = 124.5 – 55 = 69.5,

U = mín(30.5, 69.5) = 30.5

 65

Papel normal Rango Papel tratado Rango

A(Kgf) B(Kgf)
1.21 2 1.49 15

1.43 12 1.37 7.5

1.35 6 1.67 20

1.51 17 1.50 16

1.39 9 1.31 5

1.17 1 1.29 3.5

1.48 14 1.52 18

1.42 11 1.37 7.5

1.29 3.5 1.44 13

1.40 10 1.53 19

R1 = 85.5 R2 = 124.5

Tabla # III.5.4. Datos del papel tamaño carta con sus rangos y
sus sumas de rango.

Como se observa, U no es menor que U 2α = 27. Por tanto, no podemos rechazar la

hipótesis nula. En el nivel de significancia de α = 0.05 no hay suficiente evidencia que

indique que el papel tratado es más resistente que el papel normal.

EJEMPLO # III.5.3

Un profesor imparte dos clases de gramática de la lengua española: una

diurna con 9 estudiantes y una nocturna con 12 estudiantes. En un examen final,

realizados al mismo tiempo para todos los estudiantes, las clases recibieron las

calificaciones como se muestra. Clase diurna: 73 87 79 75 82 66 95 75 70. Clase

nocturna: 86 81 84 88 90 85 84 92 83 91 53 84.
 66

SOLUCIÓN

1. La tabla III.5.5 muestra el orden de las calificaciones y los rangos. Obsérvese que el

rango para las dos calificaciones de 75 es 0.5(5+6) = 5.5, mientras que el rango para las

tres calificaciones de 84 es 1/3(11+12+13) = 12

2. La suma de rangos es como se muestra:

Clase diurna = 73,

Clase nocturna = 158

R 1 = 73, R 2 = 158, n 1 = 9 y n 2 =12. Por lo tanto

U A = R 1 - n 1 (n 1 +1)/2 = 73 – 9(10) 2 = 73 – 45 = 28

(9)(12) (9)(12)(22)
3. μU = n 1 n 2 /2 = = 54; σ U2 = n 1 n 2 ( n 1 +n 2 +1)/12= = 198
2 12

U A − μU 28 − 54
Por lo tanto Z = = = −1.85
σU 14.07

Como se desea contrastar la hipótesis H 1 de que las clases son diferentes, con la

hipótesis H 0 de que no hay diferencia al nivel 0.10, entonces se requiere de un

Calificación Rango Calificación Rango Calificación Rango

53 1 81 8 86 15

66 2 82 9 87 16

70 3 83 10 88 17

73 4 84 12 90 18

75 5.5 84 12 91 19

75 5.5 84 12 92 20

79 7 85 14 95 21

Tabla III.5.5.Asignaciones de rangos a las calificaciones

contraste bilateral. Refiriéndose a esto se tiene la regla de decisión:

 67

Aceptar H 0 si z ≤ 1.645.

Rechazar H 0 si z > 1.645.

Dado que el valor real de z = -1.85 < -1.645, se rechaza H 0 y se concluye que la clase

matutina es diferente a la vespertina al nivel 0.10.

III.6 APLICACIONES DE LA PRUEBA H DE KRUSKAL-WALLIS

Se aplica en todos aquellos casos en donde se requiere saber, teniendo más

de dos muestras independientes, si éstas provienen de poblaciones diferentes. Los

siguientes son ejemplos típicos de sus aplicaciones.

EJEMPLO # III.6.1

Las siguientes cifras son las calificaciones del examen final obtenidas por

muestras de tres grupos de estudiantes a quienes se les enseñó el idioma inglés a través

de tres métodos distintos (instrucción en el aula y laboratorio de idiomas, solo

instrucción en el aula y estudio autodidacta en el laboratorio de idiomas):

Primer método 94 88 91 74 87 97

Segundo método 85 82 79 84 61 72 80

Tercer método 89 67 72 76 69

Tabla # III.6.1.Calificaciones de examen final obtenida por tres grupos

de estudiantes con tres métodos distintos.

Utilice la prueba H en el nivel de significancia 0.05 para probar la hipótesis

nula de que los tres métodos son igualmente efectivos.

 68

SOLUCIÓN

1. H 0 : μ1 = μ 2 = μ 3

H1: μ1 , μ 2 y μ 3 no son iguales

2. Rechace la hipótesis nula si H ≥ 5.991 , donde 5.991 es el valor de χ .205, 2

3. Ordenando las calificaciones por rango de 1 a 18, se tiene que

R 1 = 6 + 13 + 14 + 16 + 17 + 18 = 84, R 2 = 1 + 4.5 + 8 + 9 +10 + 11 + 12 = 55.5 y

R 3 = 2 + 3 + 4.5 + 7 +15 = 31.5, donde hay una coincidencia y a las calificaciones se

les asigna a cada una el rango 4.5. Mediante la sustitución de los valores de R 1 , R 2 y R 3

junto con n 1 = 6, n 2 = 7, n 3 = 5 y n = 18 en la fórmula de H, se obtiene

12 ⎛ 84 2 55.5 2 31.5 2 ⎞
H= ⎜ + + ⎟⎟ − 3.19 = 6.67
(18)(19) ⎜⎝ 6 7 5 ⎠

4. Como H = 6.67 es mayor que χ .205, 2 = 5.991, se debe rechazar la

hipótesis nula; se concluye que los tres métodos no son igualmente efectivo.

EJEMPLO # III.6.2

La cooperativa KyM, productora de tornillos auto-roscante cabeza pan,

desea comprar una de 5 máquinas: A, B, C, D o E. En un experimento, diseñado para

determinar si existe una diferencia en el desempeño de las máquinas por tiempos

A 68 72 77 42 53

B 72 53 63 53 48

C 60 82 64 75 72

D 48 61 57 64 50

E 64 65 70 68 53

Tabla # III.6.2. Número de unidades producidas por las

máquinas A, B, C, D, E
 69

iguales, se tomaron un conjunto de cinco mediciones por máquina, y en la tabla

siguiente se muestra el número de unidades producidas por cada máquina. Pruebe la

hipótesis de que no hay diferencia entre las máquinas a los niveles a) 0.05 y b) 0.01 de

significancia.

SOLUCIÓN

Como hay cinco muestras (A, B, C, D, E), k = 5, cada muestra consiste de

cinco valores, se tiene n 1 = n 2 = n 3 = n 4 = n 5 = 5 y n = n 1 + n 2 + n 3 + n 4 + n 5 = 25. Al

arreglar todos los valores en orden creciente de magnitud y al asignar rangos apropiados

a los empates, se escribe la tabla en la siguiente forma:

∑R
A 17.5 21 24 1 6.5 70

B 21 6.5 12 6.5 2.5 48.5

C 10 25 14 23 21 93

D 2.5 11 9 14 4 40.5

E 14 16 19 17.5 6.5 73

Tabla # III.6.3. Asignación de rango a los valores y su sumatoria

Donde en la columna de la derecha se muestra la suma de los rangos: R 1 = 70,

R 2 = 48.5, R 3 = 93, R 4 = 40.5, R 5 = 73. Por lo tanto

2
12 k Rj
H= ∑
n(n + 1) j =1 n j
− 3(n + 1) =

12 ⎡ 70 2 48.5 2 93 2 40 2 73 2 ⎤
= ⎢ + + + + ⎥ − 3.26 = 6.44
25(26) ⎣ 5 5 5 5 5 ⎦

Para k-1 grados de libertad,

 70

a) al nivel 0.05 de significancia, y de la tabla # 5 del apéndice B se obtiene el valor

χ .205, 4 = 9.49. Dado que 6.44 < 9.49, no se puede rechazar la hipótesis de que no

hay diferencia entre las máquinas al nivel 0.05.

b) al nivel 0.01 de significancia χ .201, 4 = 13.28 y dado que 6.44 < 13.28 no se puede

rechazar H 0 al nivel 0.01.

EJEMPLO # III.6.3

En una gran planta de artículos electrónicos, se seleccionan muestras

independientes de tres líneas de ensamblaje. Se analiza en cada línea la cantidad de

Línea 1 Línea 2 Línea 3

Artículos Rango Artículos Rango Artículos Rango
defectuosos defectuosos defectuosos
6 5 34 25 13 9.5

36 27 28 19 35 26

3 2 42 30 19 15

17 13 13 9.5 4 3

11 8 40 29 29 20

30 21 31 22 0 1

15 11 9 7 7 6

16 12 32 23 33 24

25 17 39 28 18 14

5 4 27 18 24 16

R 1 = 120 R 2 = 210.5 R 3 = 134.5

Tabla # III.6.4. Datos del ejemplo # III.6.3

artículos defectuosos producidos en 10 horas de trabajo seleccionadas al azar.

¿Proporcionan los datos de la tabla # 6.3 suficiente evidencia para concluir que las
 71

distribuciones de probabilidad del número de artículos defectuosos producidos por hora

difieren en cuanto a localización en dos de las líneas por lo menos? Utilice un nivel de

significancia 0.05.

SOLUCIÓN

En este caso n 1 = 10 = n 2 = n 3 y n = 30. Por tanto,

12 ⎡ (120) 2 (210.5) 2 (134.5) 2 ⎤

H= ⎢ + + ⎥ − 3(31) = 6.097.
30(31) ⎣ 10 10 10 ⎦

Como los valores de las n i son mayores o iguales a 5, podemos utilizar la aproximación

para la distribución nula de H y rechazar la hipótesis nula de que las posiciones son

iguales si H > χ α2 tiene k - 1 = 2 grados de libertad. Para determinar que χ .205, 2 = 5.991

consultamos la tabla # 5 del apéndice B. Por consiguiente, rechazamos la hipótesis nula

en el nivel de significancia de α = 0.05 y concluimos que, por lo menos, una de las tres

líneas tiende a producir una mayor cantidad de artículos defectuosos que las demás.

De acuerdo con la tabla # 5 del apéndice B, el valor calculado de H = 6.097

nos lleva a rechazar la hipótesis nula si α = 0.05 .

III.7 APLICACIONES DE LA PRUEBA DE CORRIDAS DE UNA SOLA

MUESTRA

Las prueba de corridas, como ya se dijo, es una prueba no paramétrica y es

capaz de manejar variables cuantitativas y cualitativas de tipo dicotómico. La utilidad

de esta prueba, abarca diferentes campos de la actividad humana y puede servir desde

para probar la aleatoriedad: de las encuestas aplicadas por los entrevistadores, de las

fallas de la maquinaria en la producción, de las cantidades compradas o vendidas, de las

faltas de los empleados, hasta para controlar la calidad de la producción. Veamos

algunos ejemplos:
 72

EJEMPLO # III.7.

El gobierno bolivariano puso en circulación una nueva moneda nacional

denominada Bolívar Fuerte. El profesor Miguel LeClanché del departamento de

matemáticas UNA hizo, en la clase de probabilidad, 30 lanzamientos de una de las

monedas obteniendo la siguiente secuencia de caras (C) y de cruces (X):

C X X C X C C C X C C X X C X C X C C X C X X C XC C X C X

Pruebe si la secuencia obtenida por el profesor es aleatoria al nivel 0.05 de significancia.

SOLUCIÓN

1. H 0 : La disposición es aleatoria

H 1 : La disposición no es aleatoria.

2. Como n1 > 10 y n 2 > 10 se puede usar la aproximación normal. Rechace la hipótesis

R ±1 2 − μR
nula si z ≤ − 2.575 o z ≥ 2.575, donde z =
σR

3. Existen n 1 = 16 caras y n 2 = 14 cruces en la muestra de lanzamiento y como el

número de corridas es 22, entonces se tiene que

2n1 n 2 2(16)(14)
μR = +1 = + 1 = 15.93
n1 + n 2 16 + 14

2n1 n2 (2n1 n 2 − n1 − n2 ) 2(16)(14)[2(16)(14) − 16 − 14]

σ R2 = = = 7.175, ⇒
(n1 + n 2 ) 2 (n1 + n2 − 1) (16 + 14) 2 (16 + 14 − 1)

σ R = 2.679.

La medición z correspondiente a R = 22 corridas es, por lo tanto,

(22 − 0.5) − 15.93

z= = 2.08
2.679

Ahora para una prueba bilateral al nivel 0.05 de significancia, se aceptaría la hipótesis

H 0 de aleatoriedad si -1.96 ≤ z ≤ 1.96 ; de otra manera, se rechazaría. Como el valor

calculado de z es 2 > 1.96, se concluye que los lanzamientos no son aleatorios al nivel
 73

0.05. La prueba indica que hay demasiadas corridas, lo que demuestra un patrón cíclico

en los lanzamientos.

EJEMPLO # III.7.2

a) Forme todas las secuencias posibles consistentes de tres a y dos b y dé el número de

corridas, R, correspondiente a cada secuencia.

b) Obtenga la distribución muestral de R y su gráfica.

c) Determine la distribución de probabilidad de R y su gráfica.

SOLUCIÓN

a) El número de secuencias posibles consistentes de tres a y dos b es

⎛ n1 + n 2 ⎞ ⎛ 5 ⎞ 5!
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = = 10
⎝ n1 ⎠ ⎝ 2 ⎠ 2! 3!

Estas secuencias se muestran en la tabla siguiente junto con el número de corridas

correspondientes a cada secuencia.

b)La distribución muestral de R está dada en la tabla (R,f) mostrada obtenida a partir de

la tabla de secuencia-corridas

Secuencia Corridas (R) Secuencia Corridas (R)

aaabb 2 abaab 4

aabab 4 bbaaa 2

aabba 3 babaa 4

ababa 5 baaab 3

abbaa 3 baaba 4

Tabla # III.7.1 Secuencia-corridas

 74

R f

2 2

3 3

4 4

5 1

Tabla # III.7.2. Tabla (R,f) consecuencia de la tabla # III.7.1

Gráfica # III.7.1. Distribución muestral de R

Gráfica # III.7.2. Distribución de probabilidad de R

 75

a)La distribución de probabilidad de R graficada, se obtiene a partir de la tabla (R,f)

al dividir cada frecuencia entre la frecuencia total 2+3+4+1=10. Por ejemplo,

1
P r {R = 5} = = 0.1
10

EJEMPLO # III.7.3

Calcule a) la media y b) la varianza del número de corridas en el ejemplo

anterior directamente de los resultados.

SOLUCIÓN

a) De la tabla secuencia-corridas se tiene

2 + 4 + 3 + 5 + 3 + 4 + 2 + 4 + 3 + 4 17
μR = =
10 5

b) Usando el método de datos agrupados para calcular la varianza, de la tabla (R,f):

σ R2 =
∑ f (R − μ R )2
=
1 ⎡
2 ( 2 −
17 2
) + 3(3 −
17 2
) + 4 ( 4 −
17 2
) + (5 −
17 2 ⎤ 21
) = .
∑f 10 ⎢⎣ 5 5 5 5 ⎥⎦ 25

EJEMPLO # III.7.4

Una comisión formada por técnicos de la misión árbol, está revisando los

araguaneyes que se plantaron hace muchos años a lo largo de la carretera nacional

Caracas-Guarenas, dicha comisión obtuvo la siguiente disposición de árboles sanos (S)

y enfermos (E) después de una inspección:

SSSSEEESSSSSSSEESSEEEE

Pruebe en el nivel de significancia 0.05 si esta disposición puede considerarse aleatoria

SOLUCIÓN

1. H 0 : La disposición es aleatoria

H 1 : La disposición no es aleatoria.
 76

2. Como n 1 = 13 y n 2 = 9, rechace la hipótesis nula si R ≤ 6 o R ≥ 17 , donde 6 y 17 son

los valores correspondientes de r’ .025 y r .025 tomados de la tabla.

3. R = 6 por inspección de los datos.

4. Ya que R = 6 es menor que o igual a 6, se debe rechazar la hipótesis nula; la

disposición de araguaneyes sanos y enfermos no es aleatoria. Parece que los árboles

enfermos están agrupados en conjuntos.

Una segunda aplicación de la prueba de corridas consiste en detectar la no

aleatoriedad de una sucesión de medidas cuantitativas a través del tiempo. Estas

sucesiones, conocidas como series temporales, se presentan en muchos campos. Por

ejemplo, la medida de una característica de calidad de un producto industrial, de la

presión sanguínea de un ser humano y del precio de una acción en el mercado de valores

varían con el tiempo. El alejamiento de la aleatoriedad en una serie, causada por las

tendencias o periodicidades, se puede detectar analizando las desviaciones de las

mediciones de la serie temporal de sus promedios. Las desviaciones negativas y

positivas se pueden representar con S y F, respectivamente, y entonces se puede probar

la no aleatoriedad de esta sucesión temporal de desviaciones. Ilustramos este hecho con

un ejemplo.

EJEMPLO # III.7.5.

En una gran planta productora de papel se tienen procesos de producción

continua para la elaboración de éste producto. El personal de control de calidad toma

una vez cada hora la medida de la brillantez Y del papel, y los resultados, una vez

graficados, se distribuyen como se indica en la figura # III.7.2.

 77

Figura # III.7.3. Muestra la brillantez en función del tiempo.

El promedio y de las 16 mediciones muestrales aparecen en la figura.

Obsérvese las desviaciones respecto a y . ¿Indican estos datos una falta de aleatoriedad

y, por consiguiente, sugieren que hay periodicidad y por tanto falta de control en el

proceso?

SOLUCIÓN

La sucesión de desviaciones negativas (S) y positivas (F), es como se indica

a continuación

S S S S FF F S F F S F S S S S

1. H 0 : La disposición es aleatoria

H 1 : La disposición no es aleatoria

2. Como n 1 = 10 y n 2 = 6, rechace la hipótesis nula si R ≤ 4 o R ≥ 13

3. R = 7 por inspección de los datos.

4. Ya que R = 7 es mayor que 4 y menor que 13 se debe aceptar la hipótesis de

aleatoriedad. En consecuencia, no existe suficiente evidencia que indique que no hay

aleatoriedad en la sucesión de medidas de brillantez.

 78

III.8 APLICACIONES DEL COEFICIENTE DE CORRELACIÓN DE

RANGOS DE SPEARMAN.

Su aplicación abarca todas aquellas áreas del conocimiento en donde se

requiere conocer el grado de relación o asociación lineal entre dos variables y requiere

que ambas variables sean medidas por lo menos en una escala ordinal, de manera que

los objetos o individuos en estudio puedan colocarse en dos series ordenadas. Veamos

algunos ejemplos.

EJEMPLO # III.8.1

La misión Barrio Adentro hace visitas médicas, casa por casa, para la

detección temprana de los problemas de salubridad que presenta la colectividad. Y en

este sentido, se aplicó un plan piloto en el barrio La Comunidad de Guarenas, el cual

comenzó con la toma de una muestra de 12 padres y sus hijos mayores, tal como se

indica en la tabla # III.8.1. ¿Existe relación en la estatura de los padres y los hijos?

Estatura del padre (pulg.) 65 63 67 64 68 62 70 66 68 67 69 71

Estatura del hijo (pulg.) 68 66 68 65 69 66 68 65 71 67 68 70

Tabla III.8.1. Estatura de 12 padres y sus hijos mayores

SOLUCIÓN

Arregladas en orden creciente de magnitud, las estaturas de los padres son

62 63 64 65 66 67 67 68 68 69 70 71

Como el sexto y séptimo lugares en este ordenamiento representa la misma estatura (67

1
pulg.), se asigna un rango medio (6 + 7) = 6.5 para estos lugares. De manera similar,
2

1
al octavo y noveno lugares se le coloca el rango (8 + 9) = 8.5 . Por lo tanto, las
2

estaturas de los padres se asignan a los rangos

 79

1 2 3 4 5 6.5 6.5 8.5 8.5 10 11 12

De manera similar, ordenadas en orden creciente de magnitud, las estaturas de los hijos

son

65 65 66 66 67 68 68 68 68 69 70 71

Y como el sexto, séptimo, octavo y noveno lugares representan la misma estatura (68

1
pulg.), se les asigna el rango medio (6 + 7 + 8 + 9) =7.5 a estos lugares. Por lo tanto,
4

las estaturas de los hijos corresponden a los rangos

1.5 1.5 3.5 3.5 5 7.5 7.5 7.5 7.5 10 11 12

Usando las correspondencias se puede sustituir la tabla III.8.1 con la tabla III.8.2

Rango del padre 4 2 6.5 3 8.5 1 11 5 8.5 6.5 10 12

Rango del hijo 7.5 3.5 7.5 1.5 10 3.5 7.5 1.5 12 5 7.5 11

Tabla III.8.2. Los valores de la tabla III.8.1 sustituidos por sus rangos

La tabla II.8.3 muestra la diferencia en rangos, D, y los cálculos de D 2 y ∑D 2

, de

donde

6∑ D 2 6(72.50)
r s = 1- = 1- = 0.7465
n(n − 1)
2
12(12 2 − 1)

D -3.5 -1.5 -1.0 1.5 -1.5 -2.5 3.5 3.5 -3.5 1.5 2.5 1.0

D2 12.25 2.25 1.00 2.25 2.25 6.25 12.25 12.25 12.25 2.25 6.25 1.00 ∑D 2
=72.5

Tabla III.8.3. Diferencia en rangos y su cuadrado.

Se concluye que existe una relación entre la estatura de los padres y la de los hijos en la

población.

Ahora haremos el cálculo tomando en cuenta las repeticiones.

 80

n3 − n 12 3 − 12 23 − 2 23 − 2
S xx = − ∑ Tx = −( + ) = 143 – 0.5 – 0.5 = 142
12 12 12 12

n3 − n 12 3 − 12 23 − 2 23 − 2 43 − 4
S yy = − ∑ Ty = −( + + ) ⇒
12 12 12 12 12

S yy =143 – 0.5 - 0.5 - 5.0 = 137

n
S xx + S yy − ∑ d i2
i =1 142 + 137 − 72.5 206.5
rs= = = = 0.7403
2 S xx S yy 2 (142)(137) 278.9552

Obsérvese que la diferencia de los dos valores de r s es muy pequeña y esto es debido a

que los empates, por ser muy pocos, casi no influyen.

EJEMPLO # III.8.2

En la tabla siguiente se enumera cinco personas y compara el rango

académico que obtuvieron en la universidad con el nivel que han obtenido en cierta

compañía 10 años después de su graduación. El valor de 5 representa el rango más alto

del grupo; el 1 es el más bajo.

Estudiante Rango Rango en la compañía Diferencia d2

universitario 10 años después rangos d
Juan 4 4 0 0

Margarita 3 3 0 0

Odilón 1 1 0 0

Esteban 2 2 0 0

Luisa 5 5 0 0

Tabla III.8.4. Compara nivel académico con el nivel profesional 10 años

después de graduados y la diferencia de rangos
 81

Usando la información de la tabla # III.8.4, podemos calcular un coeficiente

de correlación de rango entre éxito de la universidad y nivel en la compañía logrado 10

n
6∑ d i
2

6(0) 0
años después. Sustituyendo, se tiene r s = 1- i =1
= = 1− =1
n( n − 1
2
5(25 − 1) 120

Este coeficiente de correlación de rango 1 muestra una tendencia perfecta entre las dos

variables. Esto verifica el hecho de que los rangos universitarios y de la compañía para

cada persona fueran idénticos.

EJEMPLO # III.8.3

La tabla muestra una relación similar a la anterior, se enumera cinco

personas y se compara el rango académico, calcule el coeficiente de correlación

Estudiante Rango Rango en la Diferencia entre Diferencia

universitario compañía los dos rangos cuadrada
María 5 1 4 16

David 1 5 -4 16

José 3 3 0 0

Carlota 2 4 -2 4

Ana 4 2 2 4

Tabla # III.8.5. Compara nivel académico con el nivel profesional 10 años después de
graduados y la diferencia de rangos

Sustituyendo en la ecuación

6∑ d 2 6(40) 240
r s = 1- = 1− = 1− = 1 − 2 = −1 ,
n(n − 1)
2
5(25 − 1) 120

Este valor (-1) representa una correlación inversa perfecta, indicando que la gente que

más destacó en la universidad terminó en los menores rangos de una organización.

 82

EJEMPLO # III.8.4

Las siguientes cifras mostradas en la tabla II.8.5 son las horas de estudio de

10 alumnos para presentar un examen final de matemáticas y las calificaciones que

obtuvieron:

Número de Calificaciones
horas de estudio y
x
8 56

5 44

11 79

13 72

10 70

5 54

18 94

15 85

2 33

8 65

Tabla III.8.6. Horas de estudios por estudiante y las calificaciones que

obtuvieron en el examen final de matemáticas.

Calcule el valor de r s y pruebe en el nivel de significancia 0.01 si el valor obtenido del

coeficiente de correlación de rango es significativo. Resuelva también utilizando la

aproximación normal.

SOLUCIÓN

Ordenando por rango las x y las y, se obtiene la siguiente tabla

 83

Rango Rango d d2
de x de y
6.5 7 -0.5 0.25

8.5 9 -0.5 0.25

4 3 1.0 1.00

3 4 1.0 1.00

5 5 0.0 0.00

8.5 8 0.5 0.25

1 1 0.0 0.00

2 2 0.0 0.00

10 10 0.0 0.00

6.5 6 0.5 0.25

∑d 2
= 3.00

Tabla III.8.7. Indicación de rangos por variables y sus diferencias

y la sustitución en la fórmula de r s produce el resultado

6(3)
r s = 1- = 0.98
10(10 2 − 1)

Para valores de n pequeños (n ≤ 10 ), la prueba de la hipótesis nula de no correlación, en

realidad la prueba de la hipótesis nula de que las x y las y se ajustan al azar, se pueden

basar en tabla # 7 del apéndice B. No obstante la mayoría de las veces nos valemos de

que la distribución de r s puede obtenerse en forma muy aproximada con una

distribución normal, teniendo en cuenta que con la hipótesis nula de no correlación, la

media es

1
E(r s ) = 0 y la varianza Var(r s ) = .
n −1

Para la segunda parte tomando en cuenta que r s = 0.98, hacemos el análisis de la

siguiente manera
 84

1. H 0 : no hay correlación

H1: sí hay correlación.

2. Rechace la hipótesis nula si z ≤ −2.575 o z ≥ 2.575 , donde z = r s n −1

3. Al sustituir n = 10 y r s = 0.98, se obtiene z = 0.98 10 − 1 = 2.94

4. Como z = 2.94 es mayor que 2.575, debe rechazarse la hipótesis nula; se concluye

que existe una relación real (positiva) entre el tiempo de estudio y las calificaciones.

III.9 APLICACIONES DE LA PRUEBA DE KOLMOGOROV-SMIRNOV

Se aplica en todas aquellas áreas del conocimiento en donde se requiera

saber, como ya se dijo, si existe una diferencia significativa entre una distribución de

frecuencia observada y otra de frecuencia teórica. Véase el siguiente ejemplo.

EJEMPLO # III.9.1

Una central telefónica de la empresa nacional CANTV ubicada en la ciudad

de Caracas, ha estado llevando un registro automático del número de “transmisores” (un

tipo de equipo automático que se utiliza en las centrales telefónicas) usados en un

instante dado. Las observaciones se hicieron en 3 754 ocasiones distintas. Para

propósitos de planeación de inversión de capital, el funcionario de presupuesto de esta

compañía piensa que el patrón de uso sigue una distribución de Poisson con una media

de 8.5. Se desea probar esta hipótesis al nivel de significancia de 0.01.

La tabla # III.9.1 enumera las frecuencias observadas y las transforma en

frecuencias acumulativas observadas relativas.

Formulamos nuestra hipótesis de la siguiente manera:

Hipótesis nula.

H 0 : Una distribución de Poisson con λ = 8.5 es una buena descripción

del patrón de uso.

 85

Hipótesis alternativa.

H 1 : Una distribución de Poisson con λ = 8.5 no es una buena

descripción del patrón de uso.

α = 0.01 nivel de significancia para probar esta hipótesis

λ x .e − λ
Ahora podemos utilizar la fórmula de Poisson, P(x) = , para calcular
x!

las frecuencias esperadas (F e ). Al comparar estas frecuencias esperadas con nuestras

frecuencias observadas (F o ), podemos examinar el alcance de la diferencia entre ellas:

la desviación absoluta, Fe − F0 . En la tabla III.9.2 enumeramos las frecuencias

acumulativas observadas para x = 0 a 22.

Para calcular el estadístico K-S para este problema, simplemente se elije D n , la

desviación absoluta máxima de F e , desde F 0 .

D n = sup Fe − F0

En este problema, D n = 0.2582 en x = 9.

Una prueba K-S siempre debe ser una prueba de un extremo. Los valores

críticos para D n se han tabulado y pueden encontrase en la tabla 8 apéndice B del

apéndice. Si buscamos en la fila de n = 3 754 (el tamaño de la muestra) y la columna

para un nivel de significancia de 0.01, encontramos que el valor crítico de D n debe

calcularse usando la fórmula: 1.63 n = 1.63 3754 = 0.0266

 86

Número Frecuencia Frecuencia Frecuencia

ocupado observada acumulativa acumulativa
observada observada
relativa
0 0 0 0.0000

1 5 5 0.0013

2 14 19 0.0051

3 24 43 0.0115

4 57 100 0.0266

5 111 211 0.0562

6 197 408 0.1087

7 278 686 0.1827

8 378 1064 0.2834

9 418 1482 0.3948

10 461 1943 0.5176

11 433 2376 0.6329

12 413 2789 0.7429

13 358 3147 0.8383

14 219 3366 0.8966

15 145 3511 0.9353

16 109 3620 0.9643

17 57 3677 0.9795

18 43 3720 0.9909

19 16 3736 0.9952

20 7 3743 0.9971

21 8 3751 0.9992

22 3 3754 1,0000

Tabla III.9.1. Frecuencias acumulativas observadas y relativas

 87

Número Frecuencia Frecuencia Frecuencia Frecuencia Fe − F0

ocupado observada acumulativa acumulativa acumulativa
Desviación
observada observada esperada
absoluta
relativa
0 0 0 0.0000 0.0002 0.0002

1 5 5 0.0013 0.0019 0.0006

2 14 19 0.0051 0.0093 0.0042

3 24 43 0.0115 0.0301 0.0186

4 57 100 0.0266 0.0744 0.0478

5 111 211 0.0562 0.1496 0.0934

6 197 408 0.1087 0.2562 0.1475

7 278 686 0.1827 0.3856 0.2029

8 378 1064 0.2834 0.5231 0.2397

9 418 1482 0.3948 0.6530 0.2582

10 461 1943 0.5176 0.7634 0.2458

11 433 2376 0.6329 0.8487 0.2158

12 413 2789 0.7429 0.9091 0.1662

13 358 3147 0.8383 0.9486 0.1103

14 219 3366 0.8966 0.9726 0.0760

15 145 3511 0.9353 0.9862 0.0509

16 109 3620 0.9643 0.9934 0.0291

17 57 3677 0.9795 0.9970 0.0175

18 43 3720 0.9909 0.9987 0.0078

19 16 3736 0.9952 0.9995 0.0043

20 7 3743 0.9971 0.9998 0.0027

21 8 3751 0.9992 0.9999 0.0007

22 3 3754 1.0000 1.0000 0.0000

Tabla III.9.2 Frecuencias acumulativas observadas relativas, frecuencias acumulativas

relativas esperadas y desviaciones absolutas.
 88

El siguiente paso es comparar el valor calculado de D n con el valor crítico

de D n que se encuentra en la tabla. Si el valor de la tabla para el nivel de significancia

elegido es mayor que el valor calculado de D n , entonces aceptaremos la hipótesis

nula. Obviamente, 0.0266 < 0.2582, así que rechazamos H 0 y llegamos a la conclusión

de que una distribución de Poisson con una media de 8.5 no es una buena descripción

del patrón de uso del transmisor en la central telefónica de la ciudad.

 89

CAPÍTULO IV
ANÁLISIS, CONCLUSIONES Y RECOMENDACIONES

IV.1 PRUEBAS ESTADÍSTICAS PARAMÉTRICAS Y NO PARAMÉTRICAS

Una prueba estadística paramétrica es aquella cuyo modelo específica

ciertas condiciones acerca de los parámetros de la población de la que se obtuvo la

muestra investigada, que no se prueban ordinariamente, sino que se supone que se

mantienen. La significación de los resultados de una prueba paramétrica depende de la

validez de estas suposiciones. Las pruebas paramétricas también requieren que los datos

analizados sean producto de una medición que por lo menos tenga la fuerza de una

escala de intervalo.

Una prueba estadística no paramétrica es aquella cuyo modelo no especifica

las condiciones de los parámetros de la población de la que se sacó la muestra. Hay

algunas suposiciones que se asocian con la mayoría de las pruebas estadísticas no

paramétricas: observaciones independiente y variable continua; pero estas suposiciones

son pocas comparadas con las asociadas con las pruebas paramétricas. Además, las no

paramétricas no requieren mediciones tan fuertes; la mayoría de las pruebas no

paramétricas se aplican a datos de una escala ordinal, y algunas a los de una escala

nominal.

Las pruebas estadísticas no paramétricas expuestas en capítulos anteriores

representan sólo un número reducido de los muchos métodos estadísticos no

paramétricos de inferencia disponibles. Los libros de texto de la bibliografía contienen

un conjunto de procedimientos no paramétricos más amplio, así como una mayor

variedad de ejemplos resueltos. Existen procedimientos de estimación no paramétricos,

entre otras cosas, para estimar parámetros de localización y resolver problemas de

inferencia relacionados con el modelo lineal.

Señalamos que los procedimientos estadísticos no paramétricos son

especialmente útiles en particular cuando las observaciones experimentales se pueden

 90

ordenar, pero no se pueden medir en una escala numérica, así es el caso de la escala

nominal o clasificatoria. Los procedimientos estadísticos paramétricos difícilmente se

pueden aplicar a este tipo de datos. Por consiguiente, cualquier procedimiento de

inferencia que desee usarse en este respecto debe basarse en métodos no paramétricos.

Otra aplicación de los métodos estadísticos no paramétricos tiene que ver

con la prueba de hipótesis relacionada con poblaciones de datos cuantitativos cuando

existe la incertidumbre en lo que se refiere al cumplimiento de ciertos supuestos

respecto a la forma de las distribuciones de población. ¿Cuán útiles son los métodos no

paramétricos en estos casos? Los métodos estadísticos no paramétricos permiten llevar a

cabo el trabajo con rapidez y a menudo facilitan la toma inmediata de una decisión en el

momento de probar hipótesis. Cuando las condiciones experimentales se alejan en

forma sustancial de los supuestos fundamentales que sustentan las pruebas paramétricas,

las medidas de respuesta a menudo se pueden transformar para rectificar algunas

condiciones, pero con frecuencia esto da como resultado que la respuesta transformada

ya no sea útil, desde el punto de vista práctico, y que el análisis de los datos

transformados ya no responda a los objetivos del experimentador. La aplicación de

métodos no paramétricos con frecuencia evita esta dificultad. Muchos métodos no

paramétricos son casi tan eficaces como sus equivalentes paramétricos cuando los

supuestos detrás de los procedimientos paramétricos son verdaderos; además, como se

señaló, los métodos no paramétricos podrían ser más eficaces cuando los supuestos no

se satisfacen. Estos argumentos sugieren que las técnicas no paramétricas desempeñan

un papel muy útil en la metodología estadística.

En el caso de dos muestras comparadas, por ejemplo, la técnica paramétrica

usual para analizar datos provenientes de dos muestras de este tipo es aplicar una prueba

t a la diferencia de las observaciones. Esta diferencia puede obtenerse de los dos valores

de los miembros de cada pareja igualada o de los dos valores de cada sujeto bajo las dos

condiciones. La prueba t supone que estas diferencias de las observaciones están

 91

distribuidos normal e independientemente en la población de la cual se tomó la muestra,

y requiere que sea medido en una escala de intervalo.

En numerosos casos, la prueba t es inaplicable. El investigador puede

encontrar que a) los supuestos y requerimientos de la prueba t son poco realistas para

sus datos; b) prefiere evitar hacer los supuestos o probar los requerimientos para dar

mayor generalidad a sus conclusiones; c) las diferencias entre las parejas igualadas están

representadas de tal forma que se puede decir qué miembro de cualquier pareja es

mayor que el otro, pero no se puede decir en cuánto), o d) sus valores son simplemente

clasificatorios: los miembros de cada pareja igualada pueden responder del mismo

modo o de maneras enteramente diferentes que no tienen orden ni relación cuantitativa.

En estos casos, el investigador pude escoger una prueba estadística no paramétrica para

dos muestras comparadas. Además de que son adecuadas para los casos mencionados

antes, estas pruebas tienen la ventaja adicional que no requieren una misma población

de la que provengan todas las parejas.

En el caso de la prueba H de Kruskal-Wallis esta es una versión no

paramétrica de ANOVA (análisis de varianza), esta última, parte de la suposición de

que cada una de las muestras es tomada de una población normal y cada una de tales

poblaciones tiene la misma varianza, σ 2 . Sin embargo, si los tamaños de muestras son

lo suficientemente grande, lo cual podría ser costoso, no necesitamos la suposición de

normalidad. Esta prueba H requiere por lo menos una medición ordinal de la variable.

La prueba de una muestra de Kolmogorov-Smirnov trata las observaciones

individuales separadamente y, así, a diferencia de la prueba χ 2 para una muestra, no

pierde necesariamente información al combinar categorías. Cuando las muestras son

pequeñas las categorías adyacentes deben combinarse antes de que χ 2 pueda calcularse

apropiadamente. La prueba χ 2 es definitivamente menos poderosa que la prueba de

Kolmogorov-Smirnov. Además, para muestras muy pequeñas, la prueba χ 2 no es

aplicable en modo alguno; sin embargo, la de Kolmogorov-Smirnov sí lo es. Estos

 92

hechos sugieren que la prueba de Kolmogorov-Smirnov puede en todos los casos ser

más poderosa que su alternativa, la prueba χ 2 .

La prueba de rachas de una muestra se refiere a la aleatoriedad de la

ocurrencia temporal o sucesión de las medidas en una muestra. Ningún principio

general acerca de la eficiencia general de las pruebas de aleatoriedad basado en las

rachas es significativo; en este caso la cuestión de eficiencia tiene significado solamente

en el contexto de un problema específico.

La correlación de rangos es útil, entre otros casos, cuando los datos están

distribuidos anormalmente y tienen la ventaja de poderse aplicar en los que la

información no está disponible en forma de valores numéricos. También cuando hay en

esta información una o varias observaciones extremas en los datos originales, el

coeficiente de correlación puede que no sea una buena descripción de la asociación que

existe entre dos variables. Sin embargo, las observaciones extremas en una prueba de

correlación de rango nunca producirán una gran diferencia de rango.

En conclusión podemos señalar las siguientes ventajas y desventajas de los

métodos no paramétricos.

IV.2 VENTAJAS DE LOS MÉTODOS NO PARAMÉTRICOS

Los métodos no paramétricos tienen un número de ventajas claras sobre los

métodos paramétricos:

1. A menudo se les llama de “distribución libre” pues uno de sus principales méritos es

que no suponen que los datos que se están analizando se hayan sacado de una población

distribuida de una forma específica, por ejemplo, de una población distribuida

normalmente.

2. Generalmente, son más fáciles de efectuar y comprender. La mayoría de las pruebas

no paramétricas no demandan el tipo de laboriosos cálculos a menudo requeridos, por

ejemplo para calcular una desviación estándar. Una prueba no paramétrica nos puede
 93

pedir reemplazar valores numéricos con el orden en el que esos valores aparecen en una

lista, como se ha hecho en la tabla IV.1.

Obviamente, tratar computacionalmente con 1, 2, 3, 4 y 5 cuesta menos

esfuerzo que trabajar con 13.33, 76.50, 101.79, 113.45 y 189.42. Muchos creen que la

sencillez de cálculo permite a los investigadores en general dedicar más tiempo a la

reflexión y formulación cuidadosa de sus problemas de investigación y a la recolección

de datos precisos y pertinentes.

3. Algunas veces ni siquiera se requiere del ordenamiento o clasificación formal. A

menudo, lo único que podemos hacer es describir un resultado como “mejor” que otro.

Cuando éste es el caso, o cuando nuestras mediciones no son tan exactas como es

necesario para las pruebas paramétricas, podemos usar métodos no paramétricos.

Valor paramétrico 113.45 189.42 76.5 13.33 101.79

Valor no paramétrico 4 5 2 1 3

Tabla IV.1.Conversión de valores paramétricos a rangos no paramétricos.

4. Otro conveniente de estas pruebas es su utilidad con muestras pequeñas, o tan

pequeñas como por ejemplo n = 6, lo cual es una ventaja para el investigador que recoge

datos de un estudio piloto y para aquel cuyas muestras deben ser pequeñas por su misma

naturaleza (por ejemplo, muestras de personas con una forma rara de enfermedad

mental).

IV.3 DESVENTAJAS DE LOS MÉTODOS NO PARAMÉTRICOS

1. Ignoran una cierta cantidad de información. Hemos mostrado como los valores 1, 2,

3, 4 y 5 pueden reemplazar a los números 13.33, 76.5, 101.79, 113.45, y 189.42. Sin

embargo, si representamos “189.42” por “5”, perdemos información que está contenida

en el valor de 189.42. Observe que en nuestro ordenamiento de los valores 13.33, 76.5,

101.79, 113.45 y 189.42, el valor 189.42 puede convertirse en 1.189.42 y seguir siendo
 94

el quinto o mayor valor de la lista. Pero si esta lista es un conjunto de datos, podemos

aprender más sabiendo que el valor más alto es 1189.42 ó 189.42 de lo que

aprenderíamos al representar ambos números mediante el valor 5.

2. A menudo no son tan eficientes o “agudas” como las pruebas paramétricas. La

estimación de un intervalo al nivel de confianza de 95% usando una prueba no

paramétrica puede ser el doble de tamaño que la estimación al utilizar una prueba

paramétrica. Cuando usamos pruebas no paramétricas, efectuamos un trueque:

perdemos agudeza al estimar intervalos, pero ganamos la habilidad de usar menos

información y calcular más rápidamente.

IV.4 RECOMENDACIONES

Aunque como se ha podido ver, la mayor parte del cálculo que se usa en

estas pruebas es bastante sencillo, y pensando en la gran difusión que tiene hoy día la

computadora, ya que en casi cualquier parte hay una, sería adecuado, como un posterior

estudio del tema tratado, hacer un análisis sobre el tipo de programas disponibles en el

mercado para el procesamiento de datos con métodos no paramétricos, y hacer la

respectiva comparación con los tradicionales programas que usan los métodos

paramétricos. Las pruebas que los tienen disponibles y sus alcances puede motivar a

investigadores, estudiantes e interesados en general a escoger algunas de las

herramientas que ofrecen los métodos no paramétricos.

También vemos como necesario, para desarrollar en un posterior estudio, la

evaluación de pruebas estadísticas por medio de las funciones de potencia, ya que estas

desempeñan un papel muy importante, pues nos da las probabilidades de rechazar la

hipótesis nula para diversos valores del parámetro. Hacer un estudio más profundo

sobre dichas funciones, permitiría evaluar los méritos de un criterio de prueba y hacer

las comparaciones en los diferentes métodos con mayor precisión que como se hizo

aquí.
 95

APÉNDICE A

DEMOSTRACIÓN DEL TEOREMA DEL LÍMITE CENTRAL

Esbozaremos una demostración del teorema del límite central para el caso

en el que existen las funciones generadoras de momentos de las variables aleatorias de

la muestra. Esta demostración depende de un resultado fundamental de la teoría de

probabilidades que no se probará, pero que se enuncia en el siguiente teorema A-1

TEOREMA A-1

Si Yn y Y son variables aleatorias con funciones generadoras de momentos

mn (t ) y m(t ) , respectivamente. Si
lím mn (t ) = m(t ) cuando n → ∞

para toda t real, entonces la función de distribución de Yn converge a la función de

distribución Y conforme n → ∞.

TEOREMA A-2: TEOREMA CENTRAL DEL LÍMITE

Sean Y1 , Y2 ,..., Yn variables aleatorias independientes idénticamente

distribuidas con E( Yi ) = μ y Var( Yi ) = σ 2 < ∞ . Definamos,

Y −μ 1 n
Un = n(
σ
) donde Y = ∑ Yi
n i =1

Entonces, la función de distribución U n converge a la función de distribución normal

estándar conforme n → ∞.
 96

DEMOSTRACIÓN

Partamos del hecho de que μ k′ denota el k-ésimo momento de una variable

aleatoria, W, entonces la función generadora de momentos de W se puede expresar de la

t2 t3
siguiente manera: mW (t ) = E (e tW ) = 1 + tμ1′ + μ 2′ + μ 3′ + ...
2 3!

Definamos la variable aleatoria Z i mediante

Yi − μ
Zi = .
σ

Advierta que E ( Z i ) = 0 y Var ( Z i ) = 1 . Por consiguiente, los primeros dos momentos

de Z i son 0 y 1, respectivamente, y la función generadora de momentos de Z i se puede

expresar de la manera siguiente:

t2 t3
mZi = 1 + + E ( Z i3 ) + ...
2 3!

Además,
n

Y −μ 1
∑Y i − nμ
1 n
Un = n(
σ
)=
n
( i =1

σ
)=
n
∑Z .
i =1
i

Como las variables aleatorias Yi son independientes, se deduce que las variables

aleatorias Z i son independientes para i = 1, 2, . . . ,n.

Téngase en cuenta que la función generadora de momentos de la suma de

las variables aleatorias independientes es el producto de sus funciones generadoras de

momentos individuales. Por lo tanto,

n
⎡ t ⎤ t2 t3
mn (t ) = ⎢mZ ( )⎥ = (1 + + 32
k + ...) n
⎣ n ⎦ 2 n 3! n

donde k = E ( Z i3 ).

Ahora tomamos el límite de mn conforme n → ∞. Una forma de evaluar el límite es

considerar el logaritmo natural de mn (t ) , donde

 97

t2 t3
ln(mn (t )) = n ln(1 + + k + ...)
2n 3!n 3 2

Una expansión en serie estándar de ln(1+x) es

x2 x3 x4
ln( 1 + x) = x − + − + ...
3 3 4

t2 t 3k
Si x = ( + 3 2 + ...)
2n 6n

tenemos

x2 ⎡ t2 t 3k 1 t2 t 3k ⎤
ln(mn ) = n ln(1 + x) = n( x − + ...) = ⎢( + 3 2 + ...) − ( + 3 2 + ...) 2 + ...⎥
2 ⎣ 2n 6n 2 2n 6n ⎦

Donde los términos sucesivos de la expansión incluyen x 3 , x 4 y así sucesivamente. Si

multiplicamos por n, vemos que el primer término t 2 2 no incluye a n, mientras que los

demás términos la incluyen elevada a una potencia positiva en el denominador. Por lo

tanto, podemos demostrar que

t2
lím ln(mn (t )) = cuando n → ∞
2

lím (mn (t )) = e t cuando n → ∞

2
2

es la función generadora de momentos para una variable aleatoria normal estándar. Si

aplicamos el teorema A-1, concluimos que U n posee una función de distribución que

converge a la función de distribución de la variable aleatoria normal estándar.

 98

APÉNDICE B
TABLA # 1
Distribución de Probabilidades Binomiales

n s .05 .10 .15 .20 .25 .30 .35 .40 .45 .50
1 0 .9500 .9000 .8500 .8000 .7500 .7000 .6500 .6000 .5500 .5000
1 .0500 .1000 .1500 .2000 .2500 .3000 .3500 .4000 .4500 .5000
2 0 .9025 .8100 .7225 .6400 .5625 .4900 .4225 .3600 .3025 .2500
1 .0950 .1800 .2550 .3200 .3750 .4200 .4550 .4800 .4950 .5000
2 .0025 .0100 .0225 .0400 .0625 .0900 .1225 .1600 .2025 .2500
3 0 .8574 .7290 .6141 .5120 .4219 .3430 .2746 .2160 .1664 .1250
1 .1354 .2430 .3251 .3840 .4219 .4410 .4436 .4320 .4084 .3750
2 .0071 .0270 .0574 .0960 .1406 .1890 .2389 .2880 .3341 .3750
3 .0001 .0010 .0034 .0080 .0156 .0270 .0429 .0640 .0911 .1250
4 0 .8145 .6561 .5220 .4096 .3164 .2401 .1785 .1296 .0915 .0625
1 .1715 .2916 .3685 .4096 .4219 .4116 .3845 .3456 .2995 .2500
2 .0135 .0486 .0975 .1536 .2109 .2646 .3105 .3456 .3675 .3750
3 .0005 .0036 .0115 .0256 .0469 .0756 .1115 .1536 .2005 .2500
4 .0000 .0001 .0005 .0016 .0039 .0081 .0150 .0256 .0410 .0625
5 0 .7738 .5905 .4437 .3277 .2373 .1681 .1160 .0778 .0503 .0312
1 .2036 .3280 .3915 .4096 .3955 .3602 .3124 .2592 .2059 .1562
2 .0214 .0729 .1382 .2048 .2637 .3087 .3364 .3456 .3369 .3125
3 .0011 .0081 .0244 .0512 .0879 .1323 .1811 .2304 .2757 .3125
4 .0000 .0004 .0022 .0064 .0146 .0284 .0488 .0768 .1128 .1562
5 .0000 .0000 .0001 .0003 .0010 .0024 .0053 .0102 .0185 .0312
6 0 .7351 .5314 .3771 .2621 .1780 .1176 .0754 .0467 .0277 .0156
1 .2321 .3543 .3993 .3932 .3560 .3025 .2437 .1866 .1359 .0938
2 .0305 .0984 .1762 .2458 .2966 .3241 .3280 .3110 .2780 .2344
3 .0021 .0146 .0415 .0819 .1318 .1852 .2355 .2765 .3032 .3125
4 .0001 .0012 .0055 .0154 .0330 .0595 .0951 .1382 .1861 .2344
5 .0000 .0001 .0004 .0015 .0044 .0102 .0205 .0369 .0609 .0938
6 .0000 .0000 .0000 .0001 .0002 .0007 .0018 .0041 .0083 .0156
7 0 .6983 .4783 .3206 .2097 .1335 .0824 .0490 .0280 .0152 .0078
1 .2573 .3720 .3960 .3670 .3115 .2471 .1848 .1306 .0872 .0547
2 .0406 .1240 .2097 .2753 .3115 .3177 .2985 .2613 .2140 .1641
3 .0036 .0230 .0617 .1147 .1730 .2269 .2679 .2903 .2918 .2734
4 .0002 .0026 .0109 .0287 .0577 .0972 .1442 .1935 .2388 .2734
5 .0000 .0002 .0012 .0043 .0115 .0250 .0466 .0774 .1172 .1641
6 .0000 .0000 .0001 .0004 .0013 .0036 .0084 .0172 .0320 .0547
7 .0000 .0000 .0000 .0000 .0001 .0002 .0006 .0016 .0037 .0078
8 0 .6634 .4305 .2725 .1678 .1001 .0576 .0319 .0168 .0084 .0039
1 .2793 .3826 .3847 .3355 .2670 .1977 .1373 .0896 .0548 .0312
2 .0515 .1488 .2376 .2936 .3115 .2965 .2587 .2090 .1569 .1094
3 .0054 .0331 .0839 .1468 .2076 .2541 .2786 .2787 .2568 .2188
4 .0004 .0046 .0185 .0459 .0865 .1361 .1875 .2322 .2627 .2734
5 .0000 .0004 .0026 .0092 .0231 .0467 .0808 .1239 .1719 .2188
6 .0000 .0000 .0002 .0011 .0038 .0100 .0217 .0413 .0703 .1094
7 .0000 .0000 .0000 .0001 .0004 .0012 .0033 .0079 .0164 .0312
8 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0007 .0017 .0039
9 0 .6302 .3874 .2316 .1342 .0751 .0404 .0207 .0101 .0046 .0020
1 .2985 .3874 .3679 .3020 .2253 .1556 .1004 .0605 .0339 .0176
2 .0629 .1722 .2597 .3020 .3003 .2668 .2162 .1612 .1110 .0703
3 .0077 .0446 .1069 .1762 .2336 .2668 .2716 .2508 .2119 .1641
4 .0006 .0074 .0283 .0661 .1168 .1715 .2194 .2508 .2600 .2461
9 5 .0000 .0008 .0050 .0165 .0389 .0735 .1181 .1672 .2128 .2461
 99

6 .0000 .0001 .0006 .0028 .0087 .0210 .0424 .0743 .1160 .1641
7 .0000 .0000 .0000 .0003 .0012 .0039 .0098 .0212 .0407 .0703
8 .0000 .0000 .0000 .0000 .0001 .0004 .0013 .0035 .0083 .0176
9 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0008 .0020
10 0 .5987 .3487 .1969 .1074 .0563 .0282 .0135 .0060 .0025 .0010
1 .3151 .3874 .3474 .2684 .1877 .1211 .0725 .0403 .0207 .0098
2 .0746 .1937 .1759 .3020 .2816 .2335 .1757 .1209 .0763 .0439
3 .0105 .0574 .1298 .2013 .2503 .2668 .2522 .2150 .1665 .1172
4 .0010 .0112 .0401 .0881 .1460 .2001 .2377 .2508 .2384 .2051
5 .0001 .0015 .0085 .0264 .0584 .1029 .1536 .2007 .2340 .2461
6 .0000 .0001 .0012 .0055 .0162 .0368 .0689 .1115 .1596 .2051
7 .0000 .0000 .0001 .0008 .0031 .0090 .0212 .0425 .0746 .1172
8 .0000 .0000 .0000 .0001 .0004 .0014 .0043 .0106 .0229 .0439
9 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016 .0042 .0098
10 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010
11 0 .5688 .3138 .1673 .0859 .0422 .0198 .0088 .0036 .0014 .0005
1 .3293 .3835 .3248 .2362 .1549 .0932 .0518 .0266 .0125 .0054
2 .0867 .2131 .2866 .2953 .2581 .1998 .1395 .0887 .0513 .0269
3 .0137 .0710 .1517 .2215 .2581 .2568 .2254 .1774 .1259 .0806
4 .0014 .0158 .0536 .1107 .1721 .2201 .2428 .2365 .2060 .1611
5 .0001 .0025 .0132 .0388 .0803 .1321 .1830 .2207 .2360 .2256
6 .0000 .0003 .0023 .0097 .0268 .0566 .0985 .1471 .1931 .2256
7 .0000 .0000 .0003 .0017 .0064 .0173 .0379 .0701 .1128 .1611
8 .0000 .0000 .0000 .0002 .0011 .0037 .0102 .0234 .0462 .0806
9 .0000 .0000 .0000 .0000 .0001 .0005 .0018 .0052 .0126 .0269
10 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0007 .0021 .0054
11 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0005
12 0 .5404 .2824 .1422 .0687 .0317 .0138 .0057 .0022 .0008 .0002
1 .3413 .3766 .3012 .2062 .1267 .0712 .0368 .0174 .0075 .0029
2 .0988 .2301 .2924 .2835 .2323 .1678 .1088 .0639 .0339 .0161
3 .0173 .0852 .1720 .2362 .2581 .2397 .1954 .1419 .0923 .0537
4 .0021 .0213 .0683 .1329 .1936 .2311 .2367 .2128 .1700 .1208
5 .0002 .0038 .0193 .0532 .1032 .1585 .2039 .2270 .2225 .1934
6 .0000 .0005 .0040 .0155 .0401 .0792 .1281 .1766 .2124 .2256
7 .0000 .0000 .0006 .0033 .0115 .0291 .0591 .1009 .1489 .1934
8 .0000 .0000 .0001 .0005 .0024 .0078 .0199 .0420 .0762 .1208
9 .0000 .0000 .0000 .0001 .0004 .0015 .0048 .0125 .0277 .0537
12 10 .0000 .0000 .0000 .0000 .0000 .0002 .0008 .0025 .0068 .0161
11 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010 .0029
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002
13 0 .5133 .2542 .1209 .0550 .0238 .0097 .0037 .0013 .0004 .0001
1 .3512 .3672 .2774 .1787 .1029 .0540 .0259 .0113 .0045 .0016
2 .1109 .0448 .2937 .2680 .2059 .1388 .0836 .0453 .0220 .0095
3 .0214 .0997 .1900 .2457 .2517 .2181 .1651 .1107 .0660 .0349
4 .0028 .0277 .0838 .1535 .2097 .2337 .2222 .1845 .1350 .0873
5 .0003 .0055 .0266 .0691 .1258 .1803 .2154 .2214 .1989 .1571
6 .0000 .0008 .0063 .0230 .0559 .1030 .1546 .1968 .2169 .2095
7 .0000 .0001 .0011 .0058 .0186 .0442 .0833 .1312 .1775 .2095
8 .0000 .0000 .0001 .0011 .0047 .0142 .0336 .0656 .1089 .1571
9 .0000 .0000 .0000 .0001 .0009 .0034 .0101 .0243 .0495 .0873
13 10 .0000 .0000 .0000 .0000 .0001 .0006 .0022 .0065 .0162 .0349
11 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0012 .0036 .0095
12 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0016
13 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
14 0 .4877 .2288 .1028 .0440 .0178 .0068 .0024 .0008 .0002 .0001
 100

1 .3593 .3559 .2539 .1539 .0832 .0407 .0181 .0073 .0027 .0009
2 .1229 .2570 .2912 .2501 .1802 .1134 .0634 .0317 .0141 .0056
3 .0259 .1142 .2056 .2501 .2402 .1943 .1366 .0845 .0462 .0222
4 .0037 .0349 .0998 .1720 .2202 .2290 .2022 .1549 .1040 .0611
5 .0004 .0078 .0352 .0860 .1468 .1963 .2178 .2066 .1701 .1222
6 .0000 .0013 .0093 .0322 .0734 .1262 .1759 .2066 .2088 .1833
7 .0000 .0002 .0019 .0092 .0280 .0618 .1082 .1574 .1952 .2095
8 .0000 .0000 .0003 .0020 .0082 .0232 .0510 .0918 .1398 .1833
9 .0000 .0000 .0000 .0003 .0018 .0066 .0183 .0408 .0762 .1222
10 .0000 .0000 .0000 .0000 .0003 .0014 .0049 .0136 .0312 .0611
11 .0000 .0000 .0000 .0000 .0000 .0002 .0010 .0033 .0093 .0222
12 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0019 .0056
13 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002 .0009
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
15 0 .4633 .2059 .0874 .0352 .0134 .0047 .0016 .0005 .0001 .0000
1 .3658 .3432 .2312 .1319 .0668 .0305 .0126 .0047 .0016 .0005
2 .1348 .2669 .2856 .2309 .1559 .0916 .0476 .0219 .0090 .0032
3 .0307 .1285 .2184 .2501 .2252 .1700 .1110 .0634 .0318 .0139
4 .0049 .0428 .1156 .1876 .2252 .2186 .1792 .1268 .0780 .0417
5 .0006 .0105 .0449 .1032 .1651 .2061 .2123 .1859 .1404 .0916
6 .0000 .0019 .0132 .0430 .0917 .1472 .1906 .2066 .1914 .1527
7 .0000 .0003 .0030 .0138 .0393 .0811 .1319 .1771 .2013 .1964
8 .0000 .0000 .0005 .0035 .0131 .0348 .0710 .1181 .1647 .1964
9 .0000 .0000 .0001 .0007 .0034 .0116 .0298 .0612 .1048 .1527
10 .0000 .0000 .0000 .0001 .0007 .0030 .0096 .0245 .0515 .0916
11 .0000 .0000 .0000 .0000 .0001 .0006 .0024 .0074 .0191 .0417
12 .0000 .0000 .0000 .0000 .0000 .0001 .0004 .0016 .0052 .0139
13 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010 .0032
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
16 0 .4401 .1853 .0743 .0281 .0100 .0033 .0010 .0003 .0001 .0000
1 .3706 .3294 .2097 .1126 .0535 .0228 .0087 .0030 .0009 .0002
2 .1463 .2745 .2775 .2111 .1336 .0732 .0353 .0150 .0056 .0018
3 .0359 .1423 .2285 .2463 .2079 .1465 .0888 .0468 .0215 .0085
4 .0061 .0514 .1311 .2001 .2252 .2040 .1553 .1014 .0572 .0278
5 .0008 .0137 .0555 .1201 .1802 .2099 .2008 .1623 .1123 .0667
6 .0001 .0028 .0180 .0550 .1101 .1649 .1682 .1983 .1684 .1222
7 .0000 .0004 .0045 .0197 .0524 .1010 .1524 .1889 .1969 .1746
8 .0000 .0001 .0009 .0055 .0197 .0487 .0923 .1417 .1812 .1964
9 .0000 .0000 .0001 .0012 .0058 .0185 .0442 .0840 .1318 .1746
10 .0000 .0000 .0000 .0002 .0014 .0056 .0167 .0392 .0755 .1222
11 .0000 .0000 .0000 .0000 .0002 .0013 .0040 .0142 .0337 .0667
12 .0000 .0000 .0000 .0000 .0000 .0002 .0011 .0040 .0115 .0278
13 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0008 .0029 .0085
14 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0018
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0002
16 16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
17 0 .4181 .1668 .0631 .0225 .0075 .0023 .0007 .0002 .0000 .0000
1 .3741 .3150 .1893 .0957 .0426 .0169 .0060 .0019 .0005 .0001
2 .1575 .2800 .2673 .1914 .1136 .0581 .0260 .0102 .0035 .0010
3 .0415 .1556 .2359 .2393 .1893 .1245 .0701 .0341 .0144 .0052
4 .0076 .0605 .1457 .2093 .2209 .1868 .1320 .0796 .0411 .0182
5 .0010 .0175 .0668 .1361 .1914 .2081 .1849 .1379 .0875 .0472
6 .0001 .0039 .0236 .0680 .1276 .1784 .1991 .1839 .1432 .0944
7 .0000 .0007 .0065 .0267 .0668 .1201 .1685 .1927 .1841 .1484
 101

8 .0000 .0001 .0014 .0084 .0279 .0644 .1134 .1606 .1883 .1855
9 .0000 .0000 .0003 .0021 .0093 .0276 .0611 .1070 .1540 .1855
10 .0000 .0000 .0000 .0004 .0025 .0095 .0263 .0571 .1008 .1484
11 .0000 .0000 .0000 .0001 .0005 .0026 .0090 .0242 .0525 .0944
12 .0000 .0000 .0000 .0000 .0001 .0006 .0024 .0081 .0215 .0472
13 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0021 .0068 .0182
14 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0004 .0016 .0052
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003 .0010
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
17 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
18 0 .3972 .1501 .0536 .0180 .0056 .0016 .0004 .0001 .0000 .0000
1 .3763 .3002 .1704 .0811 .0338 .0126 .0042 .0012 .0003 .0001
2 .1683 .2835 .2556 .1723 .0958 .0458 .0190 .0069 .0022 .0006
3 .0473 .1680 .2400 .2297 .1704 .1046 .0547 .0246 .0095 .0031
4 .0093 .0700 .1592 .2153 .2130 .1681 .1104 .0614 .0291 .0117
5 .0014 .0218 .0787 .1507 .1988 .2017 .1664 .1146 .0666 .0327
6 .0002 .0052 .0301 .0816 .1436 .1873 .1941 .1655 .1181 .0708
7 .0000 .0010 .0091 .0350 .0820 .1376 .1792 .1892 .1657 .1214
8 .0000 .0002 .0022 .0120 .0376 .0811 .1327 .1734 .1864 .1669
9 .0000 .0000 .0004 .0033 .0139 .0386 .0794 .1284 .1694 .1855
10 .0000 .0000 .0001 .0008 .0042 .0149 .0385 .0771 .1248 .1669
11 .0000 .0000 .0000 .0001 .0010 .0046 .0151 .0374 .0742 .1214
12 .0000 .0000 .0000 .0000 .0002 .0012 .0047 .0145 .0354 .0708
13 .0000 .0000 .0000 .0000 .0000 .0002 .0012 .0045 .0134 .0327
14 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0011 .0039 .0117
15 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0009 .0031
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0006
17 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001
18 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
19 0 .3774 .1351 .0456 .0144 .0042 .0011 .0003 .0001 .0000 .0000
1 .3774 .2852 .1529 .0685 .0268 .0093 .0029 .0008 .0002 .0000
2 .1787 .2852 .2428 .1540 .0803 .0358 .0138 .0046 .0013 .0003
3 .0533 .1796 .2428 .2182 .1517 .0869 .0422 .0175 .0062 .0018
4 .0112 .0798 .1714 .2182 .2023 .1491 .0909 .0467 .0203 .0074
5 .0018 .0266 .0907 .1636 .2023 .1916 .1468 .0933 .0497 .0222
6 .0002 .0069 .0374 .0955 .1574 .1916 .1844 .1451 .0949 .0518
7 .0000 .0014 .0122 .0443 .0974 .1525 .1844 .1797 .1443 .0961
8 .0000 .0002 .0032 .0166 .0487 .0981 .1489 .1797 .1771 .1442
9 .0000 .0000 .0007 .0051 .0198 .0514 .0980 .1464 .1771 .1762
10 .0000 .0000 .0001 .0013 .0066 .0220 .0528 .0976 .1449 .1762
11 .0000 .0000 .0000 .0003 .0018 .0077 .0233 .0532 .0970 .1442
12 .0000 .0000 .0000 .0000 .0004 .0022 .0083 .0237 .0529 .0961
19 13 .0000 .0000 .0000 .0000 .0001 .0005 .0024 .0085 .0233 .0518
14 .0000 .0000 .0000 .0000 .0000 .0001 .0006 .0024 .0082 .0222
15 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0022 .0074
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0005 .0018
17 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0001 .0003
18 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
19 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
20 0 .3585 .1216 .0388 .0115 .0032 .0008 .0002 .0000 .0000 .0000
1 .3774 .2702 .1368 .0576 .0211 .0068 .0020 .0005 .0001 .0000
2 .1887 .2852 .2293 .1369 .0669 .0278 .0100 .0031 .0008 .0002
3 .0596 .1901 .2428 .2054 .1339 .0716 .0323 .0123 .0040 .0011
4 .0133 .0898 .1821 .2182 .1897 .1304 .0738 .0350 .0139 .0046
5 .0022 .0319 .1028 .1746 .2023 .1789 .1272 .0746 .0365 .0148
 102

6 .0003 .0089 .0454 .1091 .1686 .1916 .1712 .1244 .0746 .0370
7 .0000 .0020 .0160 .0545 .1124 .1643 .1844 .1659 .1221 .0739
8 .0000 .0004 .0046 .0222 .0609 .1144 .1614 .1797 .1623 .1201
9 .0000 .0001 .0011 .0074 .0271 .0654 .1158 .1597 .1771 .1602
10 .0000 .0000 .0002 .0002 .0099 .0308 .0686 .1171 .1593 .1762
11 .0000 .0000 .0000 .0005 .0030 .0120 .0336 .0710 .1185 .1602
12 .0000 .0000 .0000 .0001 .0008 .0039 .0136 .0355 .0727 .1201
13 .0000 .0000 .0000 .0000 .0002 .0010 .0045 .0146 .0366 .0739
14 .0000 .0000 .0000 .0000 .0000 .0002 .0012 .0049 .0150 .0370
15 .0000 .0000 .0000 .0000 .0000 .0000 .0003 .0013 .0049 .0148
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0003 .0013 .0046
17 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0011
18 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002
19 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
20 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
Basada en tables of the Binomial Probabilitiy Distribution, National Bureau of
Standards Applied Mathematics Serie nº 6 Washington, D.C.:US. Goberment printing
Office,1950.
 103

TABLA # 2
Distribución normal estándar

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
Asimismo, para z = 4.0, 5.0 y 6.0, las probabilidades son 0.49997, 0.4999997 y
0.499999999.
Tomada de Robert D. Mason, Essentials of Statistics. 1976, pág.307.
 104

TABLA # 3

Prueba de rangos con signos de Wilcoxon

Valores críticos de T

n T .10 T .05 T .02 T .01

4
5 1
6 2 1
7 4 2 0
8 6 4 2 0
9 8 6 3 2
10 11 8 5 3
11 14 11 7 5
12 17 14 10 7
13 21 17 13 10
14 26 21 16 13
15 30 25 20 16
16 36 30 24 19
17 41 35 28 23
18 47 40 33 28
19 54 46 38 32
20 60 52 43 37
21 68 59 49 43
22 75 66 56 49
23 83 73 62 55
24 92 81 69 61
25 101 90 77 68

De F. Wilcoxon y R.A. Wilcox, Some Rapid Aproxímate Statiscal Procedures,

American Cyanamid Company, Pearl River, M.Y., 1964.
 105

TABLA # 4
Prueba U de Mann-Whitney
Valores críticos de U
Valores de U .10

n2 2 3 4 5 6 7 8 9 10 11 12 13 14 15
n1 1
2 0 0 0 1 1 1 1 2 2 3 3
3 0 0 1 2 2 3 4 4 5 5 6 7 7
4 0 1 2 3 4 5 6 7 8 9 10 11 12
5 0 1 2 4 5 6 8 9 11 12 13 15 16 18
6 0 2 3 5 7 8 10 12 14 16 17 19 21 23
7 0 2 4 6 8 11 13 15 17 19 21 24 26 28
8 1 3 5 8 10 13 15 18 20 23 26 28 31 33
9 1 4 6 9 12 15 18 21 24 27 30 33 36 39
10 1 4 7 11 14 17 20 24 27 31 34 37 41 44
11 1 5 8 12 16 19 23 27 31 34 38 42 46 50
12 2 5 9 13 17 21 26 3 34 38 42 47 51 55
13 2 6 10 15 19 24 28 33 37 42 47 51 56 61
14 3 7 11 16 21 26 31 36 41 46 51 56 61 66
15 3 7 12 18 23 28 33 39 44 50 55 61 66 72

Valores de U .05

n2 2 3 4 5 6 7 8 9 10 11 12 13 14 15
n1 1
2 0 0 0 0 1 1 1 1
3 0 1 1 2 2 3 3 4 4 5 5
4 0 1 2 3 4 4 5 6 7 8 9 10
5 0 1 2 3 5 6 7 8 9 11 12 13 14
6 1 2 3 5 6 8 10 11 13 14 16 17 19
7 1 3 5 6 8 10 12 14 16 18 20 22 24
8 0 2 4 6 8 10 13 15 17 19 22 24 26 29
9 0 2 4 7 10 12 15 17 20 23 26 28 31 34
10 0 3 5 8 11 14 17 20 23 26 29 30 36 39
11 0 3 6 9 13 16 19 23 26 30 33 37 40 44
12 1 4 7 11 14 18 22 26 29 33 27 41 45 49
13 1 4 8 12 16 20 24 28 30 37 41 45 50 54
14 1 5 9 13 17 22 26 31 36 40 45 50 55 59
15 1 5 10 14 19 24 29 34 39 44 49 54 59 64
Tomada de D.B. Owen, Handbook of Statistical Tables, 1962, U.S. Department of
Energy.
 106

Continuación
Valores de U .02

n2 2 3 4 5 6 7 8 9 10 11 12 13 14 15
n1
2 0 0 0
3 0 0 1 1 1 2 2 2 3
4 0 1 1 2 3 3 4 5 5 6 7
5 0 1 2 3 4 5 6 7 8 9 10 11
6 1 2 3 4 6 7 8 9 11 12 13 15
7 0 1 3 4 6 7 9 11 12 14 16 17 18
8 0 2 4 6 7 9 11 13 15 17 20 22 24
9 1 3 5 7 9 11 14 16 18 21 23 26 28
10 1 3 6 8 11 13 16 19 22 24 27 30 33
11 1 4 7 9 12 15 18 22 25 28 31 34 37
12 2 5 8 11 14 17 21 24 28 31 35 38 42
13 0 2 5 9 12 16 20 23 27 31 35 39 43 47
14 0 2 6 10 13 17 22 26 30 34 38 43 47 51
15 0 3 7 11 15 19 24 28 33 37 42 47 51 56

Valores de U .01

n2 3 4 5 6 7 8 9 10 11 12 13 14 15
n1
3 0 0 0 1 1 1 2
4 0 0 1 1 2 2 3 3 4 5
5 0 1 1 2 3 4 5 6 7 7 8
6 0 1 2 3 4 5 6 7 9 10 11 12
7 0 1 3 4 6 7 9 10 12 13 15 16
8 1 2 4 6 7 9 11 13 15 17 18 20
9 0 1 3 5 7 9 11 13 16 18 20 22 24
10 0 2 4 6 9 11 13 16 18 21 24 26 29
11 0 2 5 7 10 13 16 18 21 24 27 30 33
12 1 3 6 9 12 15 18 21 24 27 31 34 37
13 1 3 7 10 13 17 20 24 27 31 34 38 42
14 1 4 7 11 15 18 22 26 30 34 38 42 46
15 2 5 8 12 16 20 24 29 33 37 42 46 51
 107

TABLA # 5

Valores de χ α2 ,υ

ν α =.995 α =.99 α =.975 α =.95 α =.05 α =.025 α =.01 α =.005

1 .0000393 .0000157 .000982 .00393 3.841 5.024 6.635 7.879
2 .0100 .0201 .0506 .0103 5.991 7.378 9.210 10.597
3 .0717 .115 .216 .352 7.815 9.348 11.345 12838
4 .207 .297 .484 .711 9.488 11.143 13.277 14.860
5 .412 .554 .831 1.145 11.070 12.832 15.086 16.750
6 .676 .872 1.237 1.635 12.592 14.449 16.812 18.542
7 .989 1.239 1.690 2.167 14.067 16.013 18.475 20.278
8 1.344 1.646 2.180 2.733 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 36.415 39.364 42.980 45.558
25 10.520 11.524 13.120 14.611 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 38.885 41.923 45.642 48.290
27 11.808 12.879 14.573 16.151 40.113 43.194 46.963 49.645
28 12.461 13.565 15.308 16.928 41.337 44.461 48.278 50.993
29 13.121 14.256 16.047 17.708 42557 45.722 49.588 52.336
30 13.787 14.953 16.791 18.493 43.773 46.979 50.892 53.672

Basada en la tabla 8 de Biometrika Tables for Statisticians, Vol. 1, Cambridge

University Press, 1954.
 108

TABLA # 6
Rachas o corridas
Valores críticos de R

Valores de r’ .025
n1 n2 2 3 4 5 6 7 8 9 10 11 12 13 14 15
2 2 2 2 2
3 2 2 2 2 2 2 2 2 2 3
4 2 2 2 3 3 3 3 3 3 3 3
5 2 2 3 3 3 3 3 4 4 4 4 4
6 2 2 3 3 3 3 4 4 4 4 5 5 5
7 2 2 3 3 3 4 4 5 5 5 5 5 6
8 2 3 3 3 4 4 5 5 5 6 6 6 6
9 2 3 3 4 4 5 5 5 6 6 6 7 7
10 2 3 3 4 5 5 5 6 6 7 7 7 7
11 2 3 4 4 5 5 6 6 7 7 7 8 8
12 2 2 3 4 4 5 6 6 7 7 7 8 8 8
13 2 2 3 4 5 5 6 6 7 7 8 8 9 9
14 2 2 3 4 5 5 6 7 7 8 8 9 9 9
15 2 3 3 4 5 6 6 7 7 8 8 9 9 10

Valores de r .025

n1 n2 4 5 6 7 8 9 10 11 12 13 14 15
4 9 9
5 9 10 10 11 11
6 9 10 11 12 12 13 13 13 13
7 11 12 13 13 14 14 14 14 15 15 15
8 11 12 13 14 14 15 15 16 16 16 16
9 13 14 14 15 16 16 16 17 17 18
10 13 14 15 16 16 17 17 18 18 18
11 13 14 15 16 17 17 18 19 19 19
12 13 14 16 16 17 18 19 19 20 20
13 15 16 17 18 19 19 20 20 21
14 15 16 17 18 19 20 20 21 22
15 15 16 18 18 19 20 21 22 22

Tomada de F. S. Swed y C. Eisenhart, “Tables for testing randomness of grouping

in a sequence of alternatives”, Ánnals of Mathematical Statistics, Vol. 14.
 109

Continuación

Valores de r' .005

n1 n2 3 4 5 6 7 8 9 10 11 12 13 14 15
3 2 2 2 2
4 2 2 2 2 2 2 2 3
5 2 2 2 2 3 3 3 3 3 3
6 2 2 2 3 3 3 3 3 3 4 4
7 2 2 3 3 3 3 4 4 4 4 4
8 2 2 3 3 3 3 4 4 4 5 5 5
9 2 2 3 3 3 4 4 5 5 5 5 6
10 2 3 3 3 4 4 5 5 5 5 6 6
11 2 3 3 4 4 5 5 5 6 6 6 7
12 2 2 3 3 4 4 5 5 6 6 6 7 7
13 2 2 3 3 4 5 5 5 6 6 7 7 7
14 2 2 3 4 4 5 5 6 6 7 7 7 8
15 2 3 3 4 4 5 6 6 7 7 7 8 8

Valores de r .005

n1 n 2 5 6 7 8 9 10 11 12 13 14 15
5 11
6 11 12 13 13
7 13 13 14 15 15 15
8 13 14 15 15 16 16 17 17 17
9 15 15 16 17 17 18 18 18 19
10 15 16 17 17 18 19 19 19 20
11 15 16 17 18 19 19 20 20 21
12 17 18 19 19 20 21 21 22
13 17 18 19 20 21 21 22 22
14 17 18 19 20 21 22 23 23
15 19 20 21 22 22 23 24
 110

TABLA # 7
Valores críticos del coeficiente de correlación de rangos de Spearman

n α =0.05 α = 0.025 α =0.01 α =0.005

5 0.900 __ __ _
6 0.829 0.886 0.943 —
7 0.714 0.786 0.893 —
8 0.643 0.738 0.833 0.881
9 0.600 0.683 0.783 0.833
10 0.564 0.648 0.745 0.794
11 0.523 0.623 0.736 0.818
12 0.497 0.591 0.703 0.780
13 0.475 0.566 0.673 0.745
14 0.457 0.545 0.646 0.716
15 0.441 0.525 0.623 0.689
16 0.425 0.507 0.601 0.666
17 0.412 0.490 0.582 0.645
18 0.399 0.476 0.564 0.625
19 0.388 0.462 0.549 0.608
20 0.377 0.450 0.534 0.591
21 0.368 0.438 0.521 0.576
22 0.359 0.428 0.508 0.562
23 0.351 0.418 0.496 0.549
24 0.343 0.409 0.485 0.537
25 0.336 0.400 0.475 0.526
26 0.329 0.392 0.465 0.515
27 0.323 0.385 0.456 0.505
28 0.317 0.377 0.448 0.496
29 0.311 0.370 0.440 0.487
30 0.305 0.364 0.432 0.478
Tomada de E. G. Olds, "Distribution of Sums of Squares of Rank Differences for Small
Samples", Annals of Mathematical Statistics, vol 9. 1938.
 111

TABLA # 8
Valores críticos de D para la prueba de bondad de ajuste de Kolmogorov-Smirnov.

Nivel de significancia para D = máx Fe − Fo

Tamaño de 0.20 0.15 0.10 0.05 0.01

muestra, n
1 0.900 0.925 0.950 0.975 0.995
2 0.684 0.726 0.776 0.842 0.929
3 0.565 0.597 0.642 0.708 0.828
4 0.494 0.525 0.564 0.624 0.733
5 .0446 0.474 0.510 0.565 0.669
6 0.410 0.436 0.470 0.521 0.618
7 0.381 0.405 0.438 0.486 0.577
8 0.358 0.381 0.411 0.457 0.543
9 0.339 0.360 0.388 0.432 0.514
10 0.322 0.342 0.368 0.410 0.490
11 0.307 0.326 0.352 0.391 0.468
12 0.295 0.313 0.338 0.375 0.450
13 0.284 0.302 0.325 0.361 0.433
14 0.274 0.292 0.314 0.349 0.418
15 0.266 0.283 0.304 0.338 0.404
16 0.258 0.274 0.295 0.328 0.392
17 0.250 0.266 0.286 0.318 0.381
18 0.244 0.259 0.278 0.309 0.371
19 0.237 0.252 0.272 0.301 0.363
20 0.231 0.246 0.264 0.294 0.356
25 0.21 0.22 0.24 0.27 0.32
30 0.19 0.20 0.22 0.24 0.29
35 0.18 0.19 0.21 0.23 0.27
más de 35 1.07/ n 1.14/ n 1.22/ n 1.36/ n 1.63/ n

Nota: Los valores de D dados en la tabla son valores críticos asociados con valores
elegidos de n. Cualquier valor de D mayor o igual al valor de la tabla es significativo en
el nivel de significancia indicado.
Tomada de F. J. Massey, Jr., “The Kolmogorov-Smirnov test for goodness of it”, J. Am.
Stat. Assoc. 46:68-78, 1951.
 112

REFERENCIA BIBLIOGRÁFICA.

Conover, W.J.(1999) “Practical Nonparametric Statistic”, 3ra ed, John Wiley, New
York.

Noether, G, E(1976) “Introduction To Statistics: A Nonparametric Approach” 2nd ed.

Boston: Houghton Mifflin Company.

Siegel, S.(1988) “Nonparametric Statistics for the Behavioral Sciences”. New York.
McGraw-Hill.

Gibbons, J. D.(1971) “ Nonparametric Statistical Inference”. New York.McGraw-Hill.

Daniel, W, W.(1990) “ Applied Nonparametric Statistics”, 2da ed. PSW-Kent, Boston, .

Hajek, J, A.(1969) “ A Course in Nonparametric Statistics”, Holdel-Day, San

Francisco, .

Savage, I. R.(1953) “ Bibliography of Nonparametrics Statistics and Related Topics”,

Journal of the American Statistical Association, mem 48, pp. 844-906

Kruskal, W. H. and W. A Wallis (1952) “Use of Ranks in One-Criterion Variance

Analysis”, Journal of the American Statistical Association, mem. 47, pp. 583-621.

Kendall, M. G. and A. Stuart,(1979) “ The Advanced Theory of Statistics”. 4a ed. Vol.

2.Hafner Press, New York.

Friedman, M.(1937). “The use of ranks to avoid the assumption of normality implicit in
the analysis of variance”, Journal of the American Statistical Association, num.32,
pp.675-05.

Lehmann, E. L(1975). “Nonparametrics: statistical methods based on ranks”, San

Francisco, Holden_Day.

Pratt, J.W(1981) “ Concepts of nonparametric theory”. New York, Springer_Verlag.

Wald, A. y J. Wolfowitz, “On a Test Whether Two Samples Are from the Same
Population”, Annals of Mathematical Statistics, núm.2, 1940, pp. 147-62.