Universidad de Alcalá

Departamento de Ecología

MÉTODOS DE ANÁLISIS DE DATOS

EN ECOLOGÍA

Prácticas de Ecología
Licenciaturas de Biología y Ciencias Ambientales
Curso 2004-2005

1
1. INTRODUCCIÓN 4

1.1. Distribuciones de datos 4

1.2. Pruebas de contraste de hipótesis 6

2. ASOCIACIÓN ENTRE VARIABLES CUALITATIVAS: TEST DE LA χ 2 7

2.1. Requisitos e hipótesis de trabajo 7

2.2. Procedimiento de cálculo 7

2.3. Contraste de hipótesis 9

2.4. Caso práctico 9

3. TESTS DE COMPARACIÓN DE DOS MEDIAS 10

3.1. Selección del test 10

3.2. Test paramétrico: t de Student 10

3.2.1. Requisitos 10
3.2.2. Hipótesis 11
3.2.3. Procedimiento de cálculo 11
3.2.4. Caso Práctico 11

3.3. Test no paramétrico: U de Mann-Whitney 12

3.3.1. Requis itos 12
3.3.2. Hipótesis 12
3.3.3. Procedimiento de cálculo 12
3.3.4. Caso práctico 13

4. TESTS DE COMPARACIÓN DE MÁS DE DOS MEDIAS 13

4.1. Selección del test 14

4.2. Test paramétrico: Análisis de la Varianza (ANOVA) 14

4.2.1. Requisitos 14
4.2.2. Hipótesis 14
4.2.3. Procedimiento de cálculo 14
4.2.4. Caso Práctico 15

4.3. Test no paramétrico: Kruskal-Wallis 16

4.3.1. Requisitos 16
4.3.2. Hipótesis 16
4.3.3. Procedimiento de cálculo 16
4.3.4. Caso práctico: 17

2
5. ASOCIACIÓN ENTRE VARIABLES CUANTITATIVAS: ÍNDICES DE
CORRELACIÓN 18

5.1. Rangos de variación de los coeficientes 18

5.2. Hipótesis 18

5.3. Selección del test 19

5.4. Correlación paramétrica: r de Pearson 19

5.4.1. Procedimiento de cálculo 19
5.4.2. Caso práctico 19

5.5. Correlación no paramétrica: r de Spearman 20

5.5.1. Procedimiento de cálculo 20
5.5.2. Caso práctico 20

6. TABLAS ESTADÍSTICAS 22

6.1. Tabla de valores críticos del estadístico χ2 22

6.2. Tabla de valores críticos del estadístico t de Student 23

6.3. Tabla de valores críticos de l estadístico U de Mann Whitney 24

6.4. Tabla de valores críticos del estadístico F de Snedecor 28

6.5. Tabla de valores críticos de l estadístico H de Kruskal-Wallis 29

6.6. Tabla de valores críticos del coeficiente de correlación de Pearson (r) 30

6.7. Tabla de valores críticos del coeficiente de correlación de Spearman (r s) 31

3
1. INTRODUCCIÓN
La estadística es una disciplina que proporciona a la Ecología las herramientas
necesarias para el análisis de los datos. Dado que no podemos hacer estudios en toda la
población (no es posible contar todos los ácaros que hay en un suelo, ni es posible medir el
área foliar de todas las hojas de los árboles de un bosque, ni medir la longitud del cuerpo de
todas las carpas que tiene un lago), la estadística nos permite cuantificar la probabilidad de
cometer error al extrapolar los resultados obtenidos de una serie de muestras al conjunto de la
población. Por tanto, la estadística permite cuantificar el error que cometemos al aceptar
nuestros resultados obtenidos a partir de muestras (“encuestas”) de una población
generalmente muy extensa.
Hay dos tipos de estadística, la estadística descriptiva, que reúne un conjunto de
técnicas que facilitan la organización, resumen y comunicación de datos; y la estadística
inferencial, que permite hacer pruebas de contraste de hipótesis.

1.1. Distribuciones de datos

Cuando tenemos una colección de datos como resultado de un trabajo científico que
hemos realizado, es importante conocer el tipo de distribución que siguen esos datos para
poder decidir posteriormente qué herramientas estadísticas son más adecuadas para el análisis
de los mismos.
Los histogramas de frecuencias son una herramienta de representación de datos que
nos permiten observar cómo se distribuyen los mismos. Están formados por rectángulos
adyacentes que tienen por base cada uno de los intervalos de la variable medida y por altura
las frecuencias absolutas (nº de veces que aparecen datos dentro de ese intervalo). La
superficie de cada rectángulo es proporcional a la frecuencia de cada una de las clases y el
área total lo será al número de individuos en la muestra. El número de intervalos a utilizar (k)
se puede calcular según la regla de Sturges (1926): K = 1 + 3.322 * log (n), donde n es el
tamaño de muestra.

4,5
4
3,5
Frecuencia

3
2,5
2
1,5
1
0,5
0
3,3* 3,4* 3,5* 3,6* 3,7* 3,8* 3,9* 4,0* 4,1* 4,2* 4,3* 4,4* 4,5*

Longitud del ala (cm)

Figura 1: Representación gráfica de la distribución de frecuencias de la variable longitud del ala en una
población de aves

Asimismo, para conocer mejor cómo se distribuyen unos datos es importante conocer
cuál es valor central de los mismos así como el grado de dispersión de los datos alrededor de
ese valor central. Para ello existen una serie de parámetros que informan acerca de estas
características de las distribuciones de datos.

4
Medidas de tendencia central: indican alrededor de qué valores se agrupan los datos
observados. Distinguimos:
1. Media aritmética: es el centro de gravedad de la serie de datos y se calcula como ∑xi/n.
µ- media de la población
x- media de la muestra.
2. Mediana: es el punto medio de una serie ordenada de datos
3. Moda: es el valor más frecuente de la serie de datos.

Figura 2. Representación de la media (mean), mediana y moda en cuatro distribuciones.

Medidas de dispersión: indican si los valores de la variable están muy dispersos o se

concentran alrededor de la medida de centralización. Son:
- Rango. Diferencia entre el valor máximo y el mínimo observado.
Rango: xmax-xmin
- Varianza. Expresa la dispersión de valores entorno a la media

σ - varianza de la población
2
σ 2
= ∑ ( xi − x )2
n

2
s -varianza de la muestra s2
= ∑ ( xi − x) 2
n −1
- Desviación estándar. Es la raíz cuadrada de la varianza
σ - desviación estándar de la población
s - desviación estándar de la muestra
De entre todas las distribuciones posibles que puedan seguir unos datos, la distribución
normal es la más interesante desde el punto de vista estadístico, pues reúne unas propiedades
que han hecho posible que a partir de ella se desarrollaran numerosos métodos de análisis de
datos. En ella, los valores cercanos a la media son los más abundantes y a medida que nos
alejamos de la media, los datos
presentan una frecuencia cada vez
menor. Por este motivo, el
histograma de frecuencias adopta
una forma de campana de Gauss:

5
La distribución normal posee una serie de características:
- Corresponde a variables cuantitativas continuas.
- Se caracteriza por dos medidas: media y desviación típica.
- Es unimodal.
- Es simétrica alrededor de la media. Por tanto, media, mediana y moda coinciden.
- Tiene forma acampanada, sin un pico excesivo.
- El área bajo la curva = 1.
El 50% de las observaciones se encuentran por debajo de la media y el 50% por
encima.
El 68% de las observaciones se encuentran dentro del intervalo x ± s
El 95% de las observaciones se encuentran dentro del intervalo x ± 1,96 s
El 99% de las observaciones se encuentra dentro del intervalo x ± 2,57 s.

1.2. Pruebas de contraste de hipótesis

Debido a esta propiedad de poder conocer la probabilidad de que un valor determinado
forme parte de la distribución normal, se han desarrollado numerosos tests estadísticos que
permiten realizar pruebas de contraste de hipótesis a partir de la distribución normal, son las
pruebas paramétricas. Sin embargo, no siempre los datos que obtenemos en un trabajo
científico se ajustan a la distribución normal, por lo que para hacer pruebas de contraste de
hipótesis necesitaremos recurrir a la estadística no paramétrica.
La aplicación del método científico no nos permite demostrar la veracidad de una
hipótesis sino su falsedad, es decir, que las hipótesis ecológicas (Hecol) que proponemos se dan
por válidas siempre y cuando no se demuestre que son falsas. En las pruebas de contraste de
hipótesis, las diferentes pruebas estadísticas utilizan la llamada hipótesis nula (H0 ) para
verificar la validez de las hipótesis ecológicas. La hipótesis nula siempre presupone que la
distribución de los datos es al azar, es decir, que no existen diferencias entre los grupos o
asociación entre las variables debidas a factores ecológicos. Dicho de otra forma, la H0 es la
negación de la hipótesis ecológica. Por tanto, cuando realizamos cualquier test estadístico de
contraste de hipótesis, nuestro objetivo será rechazar la H0 , lo que nos permite seguir dando
por válida la hipótesis ecológica.
El grado de significación estadística (p) es el parámetro que cuantifica el error que se
estamos cometiendo al aceptar nuestros resultados. Concretamente, lo que indica es la
probabilidad de que rechacemos la H0 siendo cierta. Cuanto más pequeño sea el valor de ‘p’
menor será la probabilidad de que H0 sea cierta, y por tanto mayor es la probabilidad de que
Hecol sea la correcta. Para tomar una decisión respecto a cuál sea la hipótesis ‘verdadera’, el
investigador fija el nivel máximo de error que se permite al aceptar Hecol (a). En general, se ha
fijado por convenio el umbral de p=0.05 como válido, es decir, nos permitimos un error
máximo del 5% en nuestra afirmación de la hipótesis ecológica. En cualquier caso, conviene
señalar que lo más importante es dar a conocer el error de nuestros resultados.
En función del número de variables implicadas en un análisis estadístico, distinguimos
tres tipos de métodos de análisis de datos:

Métodos monovariantes: Se han registrado los valores de una sola variable, o de dos
variables pero al menos una de ellas es cualitativa
Métodos bivariantes: Se han registrado los valores de dos variables cuantitativas
Métodos multivariantes: Se han registrado los valores de tres o más variables
En el siguiente cuadro se muestran de forma resumida las diferentes pruebas
estadísticas que la estadística paramétrica y la no paramétrica proporcionan a los

6
investigadores para realizar las pruebas de contraste de hipótesis necesarias en los trabajos
científicos:

Variable 1 Variable 2 Métodos paramétricos Métodos no paramétricos

Cualitativa Cualitativa Test de la χ2 (tablas de

contingencia)
t de Student U de Mann-Whitney
Cuantitativa Cualitativa t de Student para datos Prueba de los rangos de Wilcoxon
pareados
Análisis de la Varianza Prueba de Kruskal-Wallis

Cuantitativa Cuantitativa Coeficiente de Correlación de Coeficiente de Correlación de

Pearson Spearman

2. ASOCIACIÓN ENTRE VARIABLES CUALITATIVAS: TEST

DE LA χ 2
El test de la χ2 se utiliza para analizar la asociación entre dos variables cualitativas
(por ejemplo, la presencia de una especie con el tipo de suelo, o la presencia de individuos en
estado de flor con una época del año, etc...). Lo que hace el test es comparar la distribución de
frecuencias observadas de la asociación entre las variables con la distribución de frecuencias
esperadas en caso de que no existiera asociación (es decir, si las dos variables cualitativas no
están asociadas sino que se distribuyen al azar). Para analizar la asociación entre las variables
cualitativas multiestado se utilizan las tablas de contingencia. A nivel general, este test sirve
para comparar frecuencias, por lo que puede utilizarse para verificar si una colección de datos
se distribuye de acuerdo a algún tipo de distribución específica.

2.1. Requisitos e hipótesis de trabajo

La aplicación de este test requiere que las muestras estén tomadas al azar y que las
frecuencias esperadas sean superiores a 5. Como se trata de un test que relaciona variables
cualitativas, no hay ningún requisito acerca de la distribución de las variables.
Las hipótesis de trabajo serán del tipo:
Hecol: Existe relación entre las variables
H0 : Las dos variables son independientes (no hay asociación entre ellas)

2.2. Procedimiento de cálculo

Supongamos, por ejemplo, que queremos saber si existe asociación entre la presencia
de la especie A (un invertebrado acuático) y el tramo del río (alto, medio y bajo) para el caso
del río Henares. Para ello hemos hecho un muestreo a lo largo del río y en cada tramo hemos
registrado la presencia (+) o ausencia (-) de la especie en 15 muestras de agua tomadas al
azar. Los resultados obtenidos son:

7
 Tramo Alto Tramo Medio Tramo Bajo
+ - -
+ - +
+ - -
- + -
+ - -
+ - -
+ - -
+ - -
+ + -
+ - -
- - -
+ - -
+ - -
+ - -
+ - -

A partir de estos datos construiríamos una tabla de contingencia con los datos
observados en campo de la siguiente manera:

Tramo del río

Alto Medio Bajo
+ 13 2 1
Especie A
- 2 13 14

A continuación se calcula el estadístico χ cal

2
siguiendo la siguiente fórmula:

o = frecuencias observadas en el inventario

e = frecuencia esperada de una celda, suponiendo que
no hubiese asociación
(o − e)
2

=∑
ct * f t
χ 2
(α ,gl .) e=
e N
ct = total de la columna donde está la celda
f t = total de la fila donde está la celda
N = nº total de casos
gl. (grados de libertad) = (nº columnas-1)*(nº filas-1)

En nuestro ejemplo, el cálculo del estadístico χ cal

2
se haría de esta forma:

8
 * Tramo del río
Alto Medio Bajo Total
+ 13 (5.3) 2 (5.3) 1 (5.3) 16
Especie A
- 2 (9.7) 13 (9.7) 14 (9.7) 29
Total 15 15 15 45

* Entre paréntesis aparecen las frecuencias esperadas calculadas

Caso especial: En las tablas de contingencia de 2x2, como la de la figura:

Variable 1
A B Total filas
+ (a) (b) (a+b)
Variable 2
+ (c) (d) (c+d)
Total columnas (a+c) (b+d) (a+b+c+d)

el estadístico χ cal
2
se puede calcular también de esta forma :
Si N ≥ 30 Si N < 30 (Corrección de Yates)
(a * d − b * c ) 2 * N N * (| a * d − b * c | − N / 2) 2
χ 2
= χ cal
2
=
( a + b) * ( c + d ) * ( a + c) * (b + d ) (a + b) * (c + d ) * ( a + c ) * (b + d )
cal

2.3. Contraste de hipótesis

Se compara el valor obtenido de χ cal
2
con el valor χ crit
2
correspondiente al número de
grados de libertad apropiados y al valor de α previamente seleccionado (normalmente,
α=0.05 ó 0.01):
Si χ c2a l ≥ χ crit
2
, se rechaza la H0 (hay asociación entre las variables)
Si χ cal
2
< χ crit
2
, se acepta la H0 (no hay asociación entre las variables)

2.4. Caso práctico

Continuamos con el ejemplo que hemos empezado antes, en el que queremos estudiar si existe
asociación entre la presencia de la especie A y el tramo del río Henares donde esta especie vive.
Recordemos que, en nuestro caso:
Hecol: Existe relación entre la presencia de la especie A y el tramo del río
H0 : La presencia de la especie A es independiente del tramo del río
A partir de la tabla de contingencia elaborada en el apartado 2.2, calculamos el estadístico χ cal
2
de la
siguiente forma:

2 (13 − 5, 3) 2
(2 − 5,3) 2 (1 − 5, 3) 2 (2 − 9, 7) 2 (13 − 9,7 ) 2 (14 − 9,7) 2
χ cal = + + + + + = 23 .8
5.3 5.3 5 .3 9. 7 9 .7 9.7

9
 ?2 crít (2 g.l., a=0.05) = 5.99è ?2 cal > ?2 crít èSe rechaza H0 ; por tanto, concluimos que la especie A aparece
preferentemente en los tramos altos del río.

3. TESTS DE COMPARACIÓN DE DOS MEDIAS

Sirven para comparar las medidas de tendencia central (media o mediana) de dos
grupos de datos distintos, para determinar si las diferencias entre dichas medidas se deben al
azar del muestreo o a diferencias reales entre los grupos que se están comparando. Relacionan
una variable cualitativa de dos casos (variable independiente) con otra cuantitativa (variable
dependiente). Los dos estados de la variable cualitativa son los que designan los grupos. Si
quisiéramos estudiar, por ejemplo, si existen diferencias en el potencial hídrico de las encinas
entre el día y la noche, y hubiéramos tomado muestras de potencial hídrico en encinas de día
y otras muestras en encinas por la noche, para analizar los datos utilizaríamos un test de este
tipo. En ese caso, la variable cualitativa es la hora del día, que es la variable independiente
que define los dos grupos de datos; y el potencial hídrico sería la variable dependiente y
cuantitativa.

3.1. Selección del test

Para seleccionar el test apropiado para analizar nuestros datos, una vez realizado el
muestreo se construye un diagrama de frecuencias (o se realiza un test estadístico si se
dispone de software apropiado) para comprobar la normalidad de la variable cuantitativa en
cada uno de los dos grupos. Asimismo, se realiza el test de la F de Snedecor* para comprobar
la homogeneidad de las varianzas entre los dos grupos.

* Prueba de comprobación de varianzas iguales: F de Snedecor

2
Se calculan las varianzas de cada una de las dos muestras: s1 y s 22
Se calcula el estadístico Fcal a partir de la siguiente fórmula:
2
s mayor
Fcal = 2
s menor
grados libertad: n 1 -1, n 2 -1 (n 1 tamaño de la muestra de varianza mayor)
Ho : varianzas iguales. Si Fcal ≥Fcrít (La Fcrít se busca en las tablas, ver sección dedicada al ANOVA ), se
rechaza la Ho , es decir, se concluye que las varianzas no son iguales.

Si la variable cuantitativa sigue la distribución normal en todos los casos y las

varianzas no son significativamente distintas, se utilizará el test paramétrico: t de Student
En cualquier otro caso se realizará el test no paramétrico: U de Mann-Whitney

3.2. Test paramétrico: t de Student

Se utiliza para detectar la existencia de diferencias significativas entre las medias de
una determinada variable cuantitativa en dos grupos de datos.

3.2.1. Requisitos
• Datos distribuidos según una distribución normal en cada grupo
• Las varianzas de las dos muestras han de ser iguales
• Muestras independientes y tomadas al azar

10
3.2.2. Hipótesis
a) HIPÓTESIS DE DOS COLAS:
La hipótesis ecológica establece que existen diferencias entre las medias de los dos
grupos considerados, sin presuponer cuál de las dos medias es mayor que la otra. La hipótesis
nula establece que no existen diferencias entre dichas medias.
Hecol: µ1 ? µ2
H0 : µ1 = µ2
b) HIPÓTESIS DE UNA COLA:
La hipótesis ecológica establece que existen diferencias entre las medias de los grupos
considerados, presuponiendo que una de las dos medias es mayor que la otra. La hipótesis
nula establece que no existen diferencias entre dichas medias, o que las diferencias van en
sentido contrario a como han sido expresadas en la hipótesis ecológica.
Hecol: µ1 > µ2 ⇒ H0 : µ1 ≤ µ2
Hecol: µ1 < µ2 ⇒ H0 : µ1 ≥ µ2
3.2.3. Procedimiento de cálculo
Se calcula el estadístico t cal a partir de la siguiente fórmula:

x1 − x 2 n1 s12 + n2 s 22
tcal = donde: Sc =
1 1 n1 + n 2 − 2
Sc +
n1 n 2
n1 y n2 = tamaños de las muestras 1 y 2 respectivamente
x 1 y x 2 = medias de las muestras 1 y 2 respectivamente
s12 y s 22 = varianzas de las muestras 1 y 2 respectivamente
A continuación se mide la significación del estadístico t cal , comparando ese valor con
el valor de un estadístico t crit que se obtiene mirando las tablas correspondientes. Para
identificar el t crit que nos corresponde hemos de fijarnos en el número de colas que tiene
nuestra hipótesis (una cola: one-tailed; dos colas: two-tailed), en el nivel de significación (a)
con el que pretendemos rechazar la hipótesis nula (normalmente a = 0.05 ó 0.01); y en los
grados de libertad del test (n1 + n2 - 2).
- Si t cal≥ t crit (a=0.05 o inferior) ⇒ se rechaza H0 y se acepta Hecol (las medias son
diferentes)
- Si t cal< t crit (a=0.05) ⇒ se acepta H0 y se rechaza Hecol (las medias son iguales)
3.2.4. Caso Práctico
Queremos saber si la humedad del suelo en un determinado lugar varía en función de la cubierta vegetal
del mismo (tomillar o suelo desnudo), pues suponemos que la cubierta vegetal contribuye a aumentar la
humedad del suelo por disminución de la evaporación. Para ello se ha realizado un muestreo en el que se ha
medido la humedad de suelo (en % del volumen) en seis muestras distribuidas al azar bajo tomillares y en 8
muestras también distribuidas al azar en la misma zona, pero en condiciones de suelo desnudo.
Variables:
- Cobertura de suelo (cualitativa, independiente)
- Humedad del suelo (cuantitativa, dependiente)
Hipótesis ecológica: Hecol: la humedad de suelo es mayor bajo el tomillar: µtomillar >µsuelo desnudo
Se trata, por tanto, de un test de una cola.

11
 Hipótesis nula: H0 : µtomillar ≤ µsuelo desnudo
Tras el muestreo se obtienen los siguientes datos:

Cobertura Humedad de suelo (%) n Media s2

tomillar 73.0 74.2 75.0 75.3 75.5 75.8 6 74.8 1.04
suelo desnudo 71.0 71.5 72.0 72.4 73.5 74.0 74.3 75.2 8 72.9 2.20

• Cálculo del estadístico tcal :

74.8 − 72.9
tcal = = 2. 36
1 1
1.42 +
6 8

• Comprobación de la significación del estadístico tcal :

tcal = 2.36 > t crít (a=0.05, 12 gl, una cola) = 1.782

Por tanto, se rechaza la H0 , y se acepta la Hecol, es decir, se concluye que existen diferencias
significativas en la humedad del suelo en función de la cobertura vegetal, siendo mayor en condiciones de
cubierta vegetal de tomillar que en condiciones de suelo desnudo.

3.3. Test no paramétrico: U de Mann-Whitney

Compara las diferencias entre dos medianas, por lo que se basa en rangos en lugar de
en los parámetros de la muestra (media, varianza). Se emplea cuando los datos no siguen la
distribución normal, en lugar del test de la t de Student (paramétrico).
3.3.1. Requisitos
• Variable cuantitativa que no cumple los requisitos de normalidad y/o homogeneidad
de varianzas, o variable semicuantitativa.
• Muestras independientes y al azar.
3.3.2. Hipótesis
a) HIPÓTESIS DE DOS COLAS:
La hipótesis ecológica establece que existen diferencias entre las medianas (M) de los
dos grupos considerados, sin presuponer cuál de las dos medianas es mayor que la otra. La
hipótesis nula establece que no existen diferencias entre dichas medianas.
Hecol: M1 ? M 2
H0 : M1 = M2

b) HIPÓTESIS DE UNA COLA:

La hipótesis ecológica establece que existen diferencias entre las medianas de los
grupos considerados, presuponiendo que una de las dos medianas es mayor que la otra. La
hipótesis nula establece que no existen diferencias entre dichas medianas, o que las
diferencias son en sentido contrario a lo expresado en la hipótesis ecológica.
Hecol: Μ 1 > M2 ⇒ H0 : Μ 1 ≤ M2
Hecol: Μ 1 < M2 ⇒ H0 : Μ 1 ≥ M2
3.3.3. Procedimiento de cálculo
• Asignación de rangos a cada dato. Para ello se ordenan todos los datos (juntando los
dos grupos) en orden creciente. El rango de cada dato será el número de orden que le

12
corresponde a cada dato. Cuando se repita el mismo valor numérico, el rango que se asigna a
esos datos es la media aritmética de los rangos que les corresponderían en función del número
de orden que ocupan.
• Se suman los rangos de cada uno de los inventarios (grupos) y se calcula la suma de
los rangos de los datos de cada uno de los grupos (R1 y R2 )
• Se calculan los estadísticos U1 y U2 a partir de las siguientes fórmulas:
n 2 (n 2 + 1) n1 ( n1 + 1)
U 1 = n1 ⋅ n 2 + − R2 U 2 = n1 ⋅ n2 + − R1
2 2
• Se obtiene el estadístico Ucal escogiendo el valor más grande entre U1 y U2 .
• Se comprueba la significación estadística del estadístico Ucal comparando este valor
con el valor de un estadístico Ucrít obtenido a partir de las tablas correspondientes.
Si Ucal ≥ Ucrít (a=0.05 o inferior) ⇒ se rechaza H0 y se acepta Hecol (las medianas son
diferentes)
Si Ucal < Ucrít (a=0.05) ⇒ se acepta H0 y se rechaza Hecol (las medianas son iguales)
3.3.4. Caso práctico
Se quiere estudiar si el número de especies de ácaros edáficos se ve influido por un incendio de baja
intensidad. Para ello se simuló un incendio de baja intensidad en una parcela de un territorio homogéneo, y se
tomaron 6 muestras al azar de la zona incendiada y 7 muestras también al azar de la zona no incendiada,
contándose el número de especies de ácaros edáficos en cada muestra.
Variable dependiente: número de especies de ácaros edáficos (cuantitativa)
Variable independiente: ocurrencia de un incendio (cualitativa)
H0 = La mediana del número de especies de ácaros edáficos es igual en la parcela quemada que en la no
quemada: M quemada = M no quemada
Hecol= La mediana del número de especies de ácaros edáficos varía dependiendo de que se haya
producido un incendio: Mquemada ? M no quemada . Por tanto, de acuerdo con nuestra hipótesis ecológica, vamos a
hacer un test de dos colas.
Los datos obtenidos en el muestreo son los siguientes:

Parcela Número de especies de ácaros edáficos n

quemada 6 9 12 12 15 16 6
no quemada 10 13 16 16 17 19 20 7

- Asignación de rangos a cada dato:

dato * 6 9 10 12 12 13 15 16 16 16 17 19 20
rango 1 2 3 4’5 4’5 6 7 9 9 9 11 12 13

* en negrita los valores correspondientes al inventario de la parcela quemada

- Se suman los rangos de cada grupo: R1 =28 R2 =63
- Cálculo del estadístico Ucal :
U1 =6x7+[(7x8)/2]-63=7
U2 =6x7+[(6x7)/2]-28=35 è Ucal
- Comprobación de la significación del estadístico Ucal :
Ucal = 35 < Ucít (a=0.05) = 36 è No se rechaza la H0 , concluimos que el número de especies de
ácaros edáficos no se ve influido significativamente por la ocurrencia de un incendio de baja intensidad.

4. TESTS DE COMPARACIÓN DE MÁS DE DOS MEDIAS

Sirven para comparar las medidas de tendencia central (media o mediana) de más de
dos grupos de datos distintos, para determinar si las diferencias entre dichas medidas se deben
al azar del muestreo o a diferencias reales entre los grupos que se están comparando.

13
Relacionan una variable cualitativa de más de dos casos (variable independiente) con otra
cuantitativa (variable dependiente). Los estados de la variable cualitativa designan dichos
grupos. Un ejemplo de problema científico en el que utilizaríamos este tipo de tests sería
determinar si existen diferencias significativas en la densidad de escarabajos (variable
dependiente, cuantitativa) que encontramos en un determinado lugar en las cuatro estaciones
del año (variable independiente, cualitativa, define los grupos).
4.1. Selección del test
La selección del test apropiado para analizar nuestros datos se hace a través del
siguiente procedimiento: Una vez que se ha hecho el muestreo y se ha medido la variable
cuantitativa en cada uno de los grupos de la población, se construye un diagrama de
frecuencias (o se realiza un test estadístico si se dispone de software apropiado) para
comprobar la normalidad de la variable cuantitativa en cada uno de los grupos. Asimismo, se
realiza el test de la F de Snedecor para comprobar la homogeneidad de las varianzas entre los
distintos grupos.
Si la variable cuantitativa sigue la distribución normal en todos los casos y las
varianzas no son significativamente distintas, se utilizará el test paramétrico: ANOVA
En cualquier otro caso se realizará el test no paramétrico: Kruskal-Wallis
4.2. Test paramétrico: Análisis de la Varianza (ANOVA)
Se utiliza para detectar la existencia de diferencias significativas entre las medias de
una determinada variable cuantitativa en tres o más grupos de datos.
4.2.1. Requisitos
• Datos distribuidos según una distribución normal
• Las varianzas de las distintas muestras han de ser iguales
• Muestras independientes y tomadas al azar
4.2.2. Hipótesis
La hipótesis ecológica establece que existen diferencias entre las medias de los grupos
considerados, es decir, que al menos dos de las medias serán distintas. La hipótesis nula
establece que no existen diferencias entre dichas medias.
Hecol: No todas las medias son iguales
H0 : µ1 = µ2 = ... = µk
4.2.3. Procedimiento de cálculo
La valoración de las diferencias entre las medias de los distintos grupos se basa en la
descomposición de la variabilidad total del conjunto de datos en dos términos: variabilidad
debida a las diferencias entre los grupos (variabilidad entre grupos), y variabilidad debida al
azar del muestreo (variabilidad dentro de grupos).

Variabilidadtotal = Variabilidadentre grupos + Variabilidaddentro grupos

La variabilidad entre datos se puede estimar con la varianza (s2 ), y con Suma de
Cuadrados (SS), que es el cociente entre la varianza y los grados de libertad (g-l.). Por tanto:

SStotal = SSentre grupos + SSdentro grupos

14
 Las diferentes sumas de cuadrados se obtienen a partir de las siguientes fórmulas:

(∑ x )  ( x )2 ( x )2 ( xk )  (∑ x )
∑ ∑ ∑
2 2 2

SS total = ∑ x − SS entre grupos =  + + ... + −

2 1 2

N  n1 n2 nk 

N
k = número de grupos N = número total de datos n1 , n 2 ,..., n k = número de datos en cada grupo
k = n ú m e r o d e g r u p o s N = n úú m m e or o t o t at ol t a l d e d e d a t od sa t o s n 1 n , 1 n , n
2 , .2 . ., ,. . n. , n
k k = n= ú m en r ú o m e r o d e d e d a t od sa t o s e n e n c a d ca a d a g r u pg or u p

x = cada uno de los datos de cada grupo

El cálculo de la suma de cuadrados dentro de grupos es más laboriosa y por ello la
obtenemos despejando de la ecuación:

SSdentro grupos = SStotal – SSentre grupos

- Cálculo de los grados de libertad de las sumas de cuadrados:

g .l. SS total = N − 1 g .l. SS entre gupos = k − 1 g .l. SS dentrogrupos = N − k
- Conversión de las sumas de cuadrados (SS) en varianzas:
SS entre grupos SS entre grupos SS dentro grupos SS dentro grupos
grupos = = grupos = =
2 2
sentre s dentro
g.l .entre grupos k −1 g .l. dentro grupos N −k
- Cálculo del estadístico F:
2
s entre
F=
grupos
2
s dentro grupos

Si en la población de la que proceden las muestras no hay diferencias reales entre los
grupos definidos por la variable cualitativa, la varianza entre grupos será similar a la varianza
dentro de grupos (por tanto el cociente entre ambas estará cerca de 1). En el caso de que
existan diferencias reales entre los grupos (lo que presupone la hipótesis ecológica) la
varianza entre grupos será mayor que la varianza dentro de los grupos (el cociente entre
ambas será mayor de 1). El estadístico que nos dice si las desviaciones respecto a ese valor de
1 son significativas es F.
El contraste de hipótesis se realiza comparando el valor de la Fcal con el valor Fcrít
obtenido a partir de la tabla para el valor de α previamente establecido (normalmente α=0.05
o inferior). La búsqueda de dicha Fcrít requiere del número de grados de libertad del
numerador y del denominador. La forma habitual de notación que se usa en las tablas lleva el
valor de α entre paréntesis, y los grados de libertad del numerador y del denominador a
continuación, en orden consecutivo y separados por comas. Por ejemplo, Fcrít (0.05) 3, 22.
significa el valor del estadístico F de las tablas para un α=0.05, con 3 grados de libertad en el
numerador y 22 en el denominador.
- Si Fcal ≥ Fcrít ⇒ se rechaza H0 y se acepta Hecol (alguna de las medias es diferente)
- Si Fcal < Fcrít ⇒ se acepta H0 y se rechaza Hecol (las medias son iguales)

4.2.4. Caso Práctico

Se quiere saber si el tipo de cobertura de suelo (suelo desnudo, piedras, hojarasca y pastizal) influye
sobre la densidad de hormigueros. Para ello se ha realizado un muestreo en el que se ha medido el número de
hormigueros en diez muestras distribuidas al azar dentro de cada una de las zonas con diferente cobertura.

15
 - Variables: cobertura de suelo (cualitativa, independiente) y densidad de hormigueros (cuantitativa,
dependiente)
- Hecol: Alguna de las medias es diferente (la cobertura de suelo influye sobre la densidad de
hormigueros)
- H0 : µsuelo desnudo = µpiedras =µhojarasca = µpastizal
- Tras el muestreo se obtienen los siguientes datos:

Cobertura Densidad de hormigueros n Media Σx (Σ x)2 Σ x2

suelo desnudo 78 88 87 88 83 82 81 80 80 89 10 83.6 836 698896 70036
piedras 78 78 83 81 78 81 81 82 76 76 10 79.4 794 630436 63100
hojarasca 79 73 79 75 77 78 80 78 83 84 10 78.6 786 617796 61878
pastizal 77 69 75 70 74 83 80 75 76 75 10 75.4 754 568516 57006
Total 40 3170 252020

• Cálculo de la suma de cuadrados total:

SST = 252020 - (3170)2 /40 = 797.5
• Cálculo de la variabilidad entre grupos (SSentre grupos):
SSentre = 698896/10 + 630436/10 + 617796/10 + 568516/10 - 31702 /40 = 341.9
• Cálculo de la variabilidad dentro de los grupos (SSdentro grupos):
SST = SSentre + SSdentro ⇒ SSdentro = SStotal - SSentre = 797.5 – 341.9 = 455.6
• Determinar los grados de libertad de cada una de las suma de cuadrados estimadas:
SST = N - 1 = 40 - 1 = 39 SSentre grupos = k - 1 = 4 - 1 = 3 SSdentro grupos = N - k = 40 - 4 = 36
• Estimación de las varianzas dividiendo las SS por los grados de libertad:
s 2 entre grupos = 341.9/3 = 113.97 s 2 dentro grupos = 455.6/36 12.66
• Cálculo del estadístico Fcal y comparación con el estadístico Fcrít:
Fcal = s 2 entre grupos /s 2 dentro grupos =113.97/12.66 = 9.002
Fcrít (0.05) 3, 36 < 2.92
Fcal > Fcrít ⇒ Rechazamos Ho
La abundancia de hormigueros
no es la misma en todas las zonas
con distinta cobertura de suelo

4.3. Test no paramétrico: Kruskal-Wallis

Se basa en rangos en lugar de los parámetros de la muestra (media, varianza). Se
emplea cuando los datos no siguen la distribución normal y/o tienen varianzas distintas, en
sustitución del ANOVA paramétrico. Cuando el número de grupos es 2 es idéntico a la U de
Mann-Whitney.
4.3.1. Requisitos
• Variable cuantitativa que no cumple los requisitos de normalidad y/o homogeneidad
de varianzas, o variable semicuantitativa.
• Muestras independientes y al azar.
4.3.2. Hipótesis
La hipótesis ecológica establece que existen diferencias entre las medianas (Μ) de los
grupos considerados, es decir, que al menos dos de las medianas serán distintas. La hipótesis
nula establece que no existen diferencias entre dichas medianas.
Hecol: Las medianas no son todas iguales
H0 : Μ 1 = Μ 2 = ... = Μ k
4.3.3. Procedimiento de cálculo
- Asignación de rangos: se realiza exactamente igual que para la U de Mann-Whitney.

16
 - Cálculo del estadístico H:

12 k
Ri2 k = número de grupos
H= ∑ − 3( N + 1)
N ( N + 1) i=1 ni
N = número total de datos
ni = número de datos en el grupo i

Cuando existen rangos ligados (dos o más números con el mismo rango) se aplica un
factor de corrección, siendo Hc el estadístico que se utiliza en lugar de H, calculado según la
siguiente expresión:
m

H ∑ (t 3
i − ti ) t i = número de rangos ligados en cada grupo
Hc = C =1− i =1
C N3 − N m = número de grupos de rangos ligados
El valor crítico del estadístico calculado (H o Hc) se consulta en la tabla de la χ2 si
N≥15, o si k > 5, para (k-1) grados de libertad. Si N<15 y k<5 se consulta en la tabla
específica para H.
- Si Hcal ≥ Hcrít (χ2 crít ) ⇒ se rechaza H0 y se acepta Hecol (alguna de las medianas es
diferente)
- Si Hcal < Hcrít (χ2 crít ) ⇒ se acepta H0 y se rechaza Hecol (las medianas son iguales)

4.3.4. Caso práctico:

Se quiere estudiar si el pH de cuatro charcas situadas sobre sustratos diferentes es distinto. Para ello se
obtuvieron 8 muestras de agua procedentes de cada una de las charcas, midiéndose el pH en cada una de ellas.
Los datos de pH se ordenaron de forma ascendente para cada charca. (Una muestra de agua de la charca nº 3 se
perdió, de forma que n3 =7; pero el test no requiere igualdad en el número de datos de cada grupo). Los rangos se
muestran entre paréntesis.

Variable dependiente: pH (cuantitativa)

Variable independiente: tipo de sustrato sobre el que cada charca (cualitativa)
H0 = el pH es el mismo en las cuatro charcas
Hecol= el pH no es el mismo en las cuatro charcas

Charca 1 Charca 2 Charca 3 Charca 4

7.68 (1) 7.71 (6*) 7.74 (13.5*) 7.71 (6*)
7.69 (2) 7.73 (10*) 7.75 (16) 7.71 (6*)
7.70 (3.5*) 7.74 (13.5*) 7.77 (18) 7.74 (13.5*)
7.70 (3.5*) 7.74 (13.5*) 7.78 (20*) 7.79 (22)
7.72 (8) 7.78 (20*) 7.80 (23.5*) 7.81 (26*)
7.73 (10*) 7.78 (20*) 7.81 (26*) 7.85 (29)
7.73 (10*) 7.80 (23.5*) 7.84 (28) 7.87 (30)
7.76 (17) 7.81 (26*) 7.91 (31)

n 1 =8 n 2 =8 n 3 =7 n 4 =8
R1 =55 R2 =132.5 R3 =145 R4 =163.5

* Rangos ligados

17
 N = 8 + 8 + 7 + 8 = 31
12  55 2 132 .5 2 145 2 163 .5 2 
k 2

∑
12 Ri
H= − 3( N + 1) =  + + +  − 3(32) = 11 .876
N ( N + 1) i =1
ni 31(32 )  8 8 7 8 
Número de grupos de rangos ligados = m = 7
m

∑(t
i =1
3
i − t i ) = (23 − 2) + (33 − 3) + (33 − 3) + (43 − 4) + (33 − 3) + (23 − 2) + (33 − 3) = 168
m

∑ (t 3
i − ti )
168 168
i =1
C =1− =1− =1− = 0.9944
N3 −N 313 − 31 29760

H 11. 876
Hc = = = 11 .943 ν = k −1 = 3 χ 02.05, 3 = 7.815
C 09944

H c cal > χ crít

2
⇒ Se rechaza H0
El pH no es el mismo en todas las charcas

5. ASOCIACIÓN ENTRE VARIABLES CUANTITATIVAS:

ÍNDICES DE CORRELACIÓN
El coeficiente de correlación cuantifica el grado de asociación entre dos variables
cuantitativas.
ρ es el coeficiente de correlación real que existe entre dos variables en el conjunto de
la población.
r y rs son los coeficientes medidos sobre la muestra.
5.1. Rangos de variación de los coeficientes
Los coeficientes de correlación varían entre –1 y 1 del siguiente modo:
a) 1≥ ρ > 0 : correlación positiva.
b) −1 ≤ ρ < 0 : correlación negativa.
c) ρ ≈ 0 : no hay correlación, los valores de x e y varían de forma independiente.

Cuanto más cerca esté el coeficiente de 1 ó –1, más fuerte es la correlación

5.2. Hipótesis
a) HIPÓTESIS DE DOS COLAS
Existe correlación entre las variables x e y, ya sea positiva o negativa. La hipótesis
nula dice que no existe correlación entre las variables.
Hec: ρ ≠ 0 (ρ < 0 ó ρ > 0)

18
 H0 : ρ = 0
b) HIPÓTESIS DE UNA COLA
Existe correlación positiva o negativa entre las variables x e y. La hipótesis nula dice
que no hay correlación o que ésta es del signo contrario al esperado en la hipótesis ecológica.
Hecol: ρ > 0 ⇒ H0 : ρ ≤ 0
Hecol: ρ < 0 ⇒ H0 : ρ ≥ 0
5.3. Selección del test
Para seleccionar el tipo de correlación con el que analizaremos nuestros datos
(paramétrica o no paramétrica), seguiremos los siguientes pasos: una vez que se haya
realizado el muestreo y hayamos medido las variables x e y en la muestra, representaremos los
pares de datos en un diagrama x-y. A continuación comprobaremos la normalidad de las
variables (construyendo el diagrama de frecuencias o utilizando un software apropiado).
Si las dos variables cuantitativas siguen una distribución normal, utilizaremos la
correlación de Pearson (paramétrica).
Si alguna de las dos variables cuantitativas no sigue una distribución normal,
utilizaremos la correlación de Spearman (no paramétrica).

5.4. Correlación paramétrica: r de Pearson

5.4.1. Procedimiento de cálculo

El cálculo del índice de correlación de Pearson se hace a partir de la siguiente fórmula:
i =n i =n i =n
n ∑ xi yi − ∑ xi × ∑ yi
i =1 i =1 i =1 n- nº de pares de muestras
r=
 n=i n =i 2   n=i  n =i 
2
 n x 2 −  x   ×  n y 2  x i- valores de la variable x
 ∑ i  ∑ i   ∑i −  ∑ yi  
 n=1  n=1    n=1
   n=1  
yi- valores de la variable y

A continuación, se comprueba la significación del índice de correlación calculado

comparándolo con el valor de un estadístico rcrit obtenido a partir de la tabla correspondiente,
para una a = 0.05 o inferior y las colas que establezca la hipótesis.
Si rcal ≥ rcrit (a=0.05 o inferior) à Se rechaza la hipótesis nula. à Existe
correlación.
5.4.2. Caso práctico
Un ornitólogo está interesado en conocer la longitud del pico de una población de aves que estudia. Sin
embargo esa medida resulta más costosa de tomar que el peso corporal. Por ello quiere saber si ambas variables
se correlacionan para estimar la primera a partir de la segunda.
- Variables: x- longitud del pico; y –peso corporal. Ambas son cuantitativas y normales.
- Hipótesis de dos colas:
Hecol: ρ ≠ 0 (ρ < 0 ó ρ > 0)
H0 : ρ = 0
- Tras tomar una muestra de 10 individuos se obtienen los siguientes datos:

19
 Longitud
Peso
Obs. del pico x2 y2 xy
corporal (g)
(mm)
1 33.5 51 1122 2601 1708
2 38.0 59 14444 3481 2242
3 32.0 49 1024 2401 1568
4 37.5 54 1406 2916 2025
5 31.5 50 992 2500 1575
6 33.0 55 1089 3025 1815
7 31.0 48 961 2304 1488
8 36.5 53 1332 2809 1935
9 34.0 52 1156 2704 1768
10 35.0 57 1225 2349 1995
SUMA 342 528 11752 27990 18119

n = 10; r = 0.779, rcal = 0.779 > r crit (0.01) n=10 = 0.765. Se rechaza H0 y se acepta Hecol
Por tanto, se puede concluir que existe una correlación positiva entre el peso corporal y la longitud del
pico de esa población de aves. Esto significa que los cambios en peso corporal de esas aves son un fiel reflejo de
los cambios en la longitud del pico.

5.5. Correlación no paramétrica: r de Spearman

5.5.1. Procedimiento de cálculo
Para calcular la r de Spearman hay que realizar los siguientes pasos:
- Ordenar los pares de datos en función del valor de x y asignar rangos a x.
- Repetir la ordenación en función de y y asignar rangos a y.
- Calcular el coeficiente:
i =n
6∑ d i2
i =1
rs = 1 −
n −n
3

n = nº de pares de datos
di = diferencia de rangos en las variables del par i
Para comprobar la significación estadística del índice de correlación se consulta en la
tabla correspondiente el valor crítico de rs para n pares de datos, para p=0.05 o inferior y para
el número de colas acorde con la hipótesis. Si rs cal ≥ rs crít, se rechaza H0 .

5.5.2. Caso práctico

Se sospecha que la abundancia de la especie de gramínea Poa bulbosa en los pastizales mediterráneos
depende en gran medida de la humedad que hay en el suelo. Para comprobar la hipótesis se realiza un muestreo
con una cuadrícula de 20 cm de lado, que se dispone 12 veces al azar sobre la comunidad de pasto. En cada
cuadrícula se mide la cobertura de la especie y la humedad del suelo mediante un TDR.

Variables: Cobertura de la especie y humedad del suelo. Ambas son cuantitativas, y no siguen una
distribución normal.
Hipótesis de una cola: existirá una correlación positiva entre la cobertura de Poa y la humedad.
Hec: ρ > 0 è H0 : ρ ≤ 0

Tras realizar el muestreo se obtienen los siguientes datos:

20
 Obs. Cobertura Humedad Rango cob. Rango hum. d d2
1 82 42 2 3 -1 1
2 98 46 6 4 2 4
3 87 39 5 2 3 9
4 40 37 1 1 0 0
5 116 65 10 8 2 4
6 113 88 9 11 -2 4
7 111 86 8 10 -2 4
8 83 56 3 6 -3 9
9 85 62 4 7 -3 9
10 126 92 12 12 0 0
11 106 54 7 5 2 4
12 117 81 11 9 2 4
Suma 52

6 × 52
rs = 1 − = 0.82 > rs crit (0.05) = 0.503 --> Se rechaza H0 , hay correlación positiva entre la
12 3 − 12
cobertura de Poa bulbosa y la humedad del suelo.

Es importante destacar que este muestreo no es una demostración de una relación causa-efecto entre
las variables, es decir, que con este muestreo no podemos concluir que la mayor humedad de suelo es la causa de
la mayor abundancia de Poa bulbosa. Para determinar relaciones de causa-efecto se necesita realizar
experimentos controlados y otros tests estadísticos que verifiquen ese tipo de relación.

21
6. TABLAS ESTADÍSTICAS
6.1. Tabla de valores críticos del estadístico χ2

22
6.2. Tabla de valores críticos del estadístico t de Student
One tailed: hipótesis de una cola
Two tailed: hipótesis de dos colas

23
 6.3. Tabla de valores críticos del estadístico U de Mann Whitney

α una cola α dos colas α una cola α dos colas α una cola α dos colas
n1 n2 0.05 0.01 0.05 0.01 n1 n2 0.05 0.01 0.05 0.01 n1 n2 0.05 0.01 0.05 0.01
1 1 2 15 27 30 29 3 30 73 81 77 84
2 16 29 32 31 31 75 84 79 87
3 17 31 34 32 32 77 87 82 89
4 18 32 36 34 33 80 89 84 92
5 19 34 37 36 38 34 82 92 87 95
6 20 36 39 38 40 35 84 94 89 97
7 21 37 41 39 42 36 87 97 92 100
8 22 39 43 41 44 37 89 100 94 103
9 23 41 45 43 46 38 91 102 97 105
10 24 42 47 45 48 39 94 105 99 108
11 25 44 49 47 50 40 96 107 102 111
12 26 46 51 48 52 4 4 15 16
13 27 47 52 50 53 5 18 20 19
14 28 49 54 52 55 6 21 23 22 24
15 29 51 56 54 57 7 24 27 25 28
16 30 53 58 55 59 8 27 30 28 31
17 31 54 60 57 61 9 30 33 32 35
18 32 56 62 59 63 10 33 37 35 38
19 19 33 58 64 61 65 11 36 40 38 42
20 20 34 59 65 63 67 12 39 43 41 45
21 21 35 61 67 64 69 13 42 47 44 49
22 22 36 63 69 66 71 14 45 50 47 52
23 23 37 64 71 68 73 15 48 53 50 55
24 24 38 66 73 70 75 16 50 57 53 59
25 25 39 68 75 71 76 17 53 60 57 62
26 26 40 69 77 73 78 18 56 63 60 66
27 27 3 3 9 19 59 67 63 69
28 28 4 12 20 62 70 66 72
29 29 5 14 15 21 65 73 69 76
30 30 6 16 17 22 68 77 72 79
31 31 7 19 21 20 23 71 80 75 83
32 32 8 21 24 22 24 74 83 79 86
33 33 9 23 26 25 27 25 77 87 82 90
34 34 10 26 29 27 30 26 80 90 85 93
35 35 11 28 32 30 33 27 83 93 88 96
36 36 12 31 34 32 35 28 86 96 91 100
37 37 13 33 37 35 38 29 89 100 94 103
38 38 14 35 40 37 41 30 92 103 97 107
39 38 39 15 38 42 40 43 31 95 106 100 110
40 39 40 16 40 45 42 46 32 98 110 104 114
2 2 17 42 47 45 49 33 101 113 107 117
3 18 45 50 47 52 34 104 116 110 120
4 19 47 53 50 54 35 107 120 113 124
5 10 20 49 55 52 57 36 110 123 116 127
6 12 21 52 58 55 60 37 113 126 119 131
7 14 22 54 60 57 62 38 116 130 122 134
8 15 16 23 56 63 60 65 39 118 133 125 137
9 17 18 24 59 66 62 68 40 121 136 129 141
10 19 20 25 61 68 65 70 5 5 21 24 23 25
11 21 22 26 63 71 67 73 6 25 28 27 29
12 22 23 27 66 74 70 76 7 29 32 30 34
13 24 26 25 28 68 76 72 79 8 32 36 34 38
14 25 28 27 29 70 79 74 81 9 36 40 38 42

24
 α una cola α dos colas α una cola α dos colas α una cola α dos colas
n1 n2 0.05 0.01 0.05 0.01 n1 n2 0.05 0.01 0.05 0.01 n1 n2 0.05 0.01 0.05 0.01
5 10 39 44 42 46 6 27 117 131 124 135 8 12 70 79 74 81
11 43 48 46 50 28 122 135 128 140 13 76 84 80 87
12 47 52 49 54 29 126 140 132 145 14 81 90 86 94
13 50 56 53 58 30 130 145 137 150 15 87 96 91 100
14 54 60 57 63 31 134 149 141 154 16 92 102 97 106
15 57 64 61 67 32 138 154 146 159 17 97 108 102 112
16 61 68 65 71 33 142 158 150 164 18 103 114 108 118
17 65 72 68 75 34 147 163 154 169 19 108 120 114 124
18 68 76 72 79 35 151 168 159 173 20 113 126 119 130
19 72 80 76 83 36 155 172 163 178 21 119 132 125 136
20 75 84 80 87 37 159 177 167 183 22 124 138 131 142
21 79 88 83 91 38 163 182 172 188 23 130 144 136 149
22 82 92 87 96 39 167 186 176 193 24 135 150 142 155
23 86 96 91 100 40 172 191 181 197 25 140 155 147 161
24 91 100 95 104 7 7 38 43 41 45 26 146 161 153 167
25 93 104 98 108 8 43 49 46 50 27 151 167 159 173
26 97 108 102 112 9 48 54 51 56 28 156 173 164 179
27 100 112 106 119 10 53 59 56 61 29 162 179 170 185
28 104 116 110 120 11 58 65 61 67 30 167 185 175 191
29 107 120 113 124 12 63 70 66 72 31 172 191 181 197
30 111 124 117 128 13 67 75 71 78 32 178 197 187 203
31 115 128 121 133 14 72 81 76 83 33 183 203 192 209
32 118 132 125 137 15 77 86 81 89 34 188 208 198 215
33 122 136 128 141 16 82 91 86 94 35 194 214 203 221
34 125 140 132 145 17 86 96 91 100 36 199 220 209 228
35 129 144 136 149 18 91 102 96 105 37 205 226 215 234
36 132 148 140 153 19 96 107 101 111 38 210 232 220 240
37 136 152 144 157 20 101 112 106 116 39 215 238 226 246
38 140 156 147 161 21 106 117 111 122 40 221 244 231 252
39 143 160 151 165 22 110 123 116 127 9 9 60 67 64 70
40 147 164 155 169 23 115 128 121 132 10 66 74 70 77
6 6 29 33 31 34 24 120 133 126 138 11 72 81 76 83
7 34 38 36 39 25 125 139 131 143 12 78 87 82 90
8 38 42 40 44 26 129 144 136 149 13 84 94 89 97
9 42 47 44 49 27 134 149 141 154 14 90 100 95 104
10 46 52 49 54 28 139 154 146 160 15 96 107 101 111
11 50 57 53 59 29 144 160 151 165 16 102 113 107 117
12 55 61 58 63 30 149 165 156 170 17 108 120 114 124
13 59 66 62 68 31 153 170 161 176 18 114 126 120 131
14 63 71 67 73 32 158 175 166 181 19 120 133 126 138
15 67 75 71 78 33 163 181 171 187 20 126 140 132 144
16 71 80 75 83 34 168 186 176 192 21 132 146 139 151
17 76 84 80 87 35 172 191 181 198 22 138 153 145 158
18 80 89 84 92 36 177 196 186 203 23 144 159 151 164
19 84 94 89 97 37 182 202 191 208 24 150 166 157 171
20 88 98 93 102 38 187 207 196 214 25 156 172 163 178
21 92 103 97 107 39 191 121 201 219 26 162 179 170 185
22 96 108 102 111 40 196 217 206 225 27 168 185 176 191
23 101 112 106 116 8 8 49 55 51 57 28 174 192 182 198
24 105 117 111 121 9 54 61 57 63 29 179 198 188 205
25 109 121 115 126 10 60 67 63 69 30 185 205 194 212
26 113 126 119 131 11 65 73 69 75 31 191 211 201 218

25
 α una cola α dos colas
n1 n2 0.05 0.01 0.05 0.01 n1 n2 0.05 0.01 0.05 0.01
9 32 197 218 207 225 11 23 172 190 180 196
33 203 224 213 232
34 209 231 219 238
35 215 237 226 245
36 221 244 232 252
37 227 250 238 258
38 233 257 244 265
39 239 263 250 272
40 245 270 257 279
10 10 73 81 77 84
11 79 88 84 92
12 86 96 91 99
13 93 103 97 106
14 99 110 104 114
15 106 117 111 121
16 112 124 118 129
17 119 132 125 136
18 125 139 132 143
19 132 146 138 151 12 12 102 113 107 117
20 138 153 145 158
21 145 160 152 166
22 152 167 159 173
23 158 175 166 180
24 165 182 173 188
25 171 189 179 195
26 178 196 186 202
27 184 203 193 210
28 191 210 200 217
29 197 217 207 224
30 204 224 213 232
31 210 232 220 239
32 217 239 227 246
33 223 246 234 254
34 230 253 241 261
35 236 260 247 268
36 243 267 254 276
37 249 274 261 283
38 256 281 268 290
39 262 289 275 298
40 269 296 284 305
11 11 87 96 91 100
12 94 104 99 108
13 101 112 106 116
14 108 120 114 124
15 115 128 121 132
16 122 135 129 140
17 130 143 136 148
18 137 151 143 156 13 13 118 130 124 135
19 144 159 151 164
20 151 167 158 172
21 158 174 166 180
22 168 182 173 188
26
α una cola α dos colas
n1 n2 0.05 0.01 0.05 0.01
13 18 159 175 167 181
24 179 198 188 204
25 186 205 195 212
26 194 213 203 220
27 201 221 210 228
28 208 229 218 236
29 215 236 225 244
30 222 244 232 252
31 229 252 240 260
32 236 260 247 268
33 243 267 255 276
34 250 275 262 284
35 257 283 269 292
36 265 290 277 300
37 272 298 284 308
38 279 306 291 316
39 286 314 299 323
40 293 321 306 331
13 109 121 115 125
14 117 130 123 134
15 125 138 131 143
16 132 146 139 151
17 140 155 147 160 14 14 135 149 141 154
18 148 163 155 169
19 156 172 163 177
20 163 180 171 186
21 171 188 179 194
22 179 197 187 203
23 186 205 195 212
24 194 213 203 220
25 202 222 211 229
26 209 230 219 238
27 217 239 227 246
28 225 247 235 255
29 232 255 243 263
30 240 264 251 272
31 248 272 259 280
32 256 280 267 289
33 263 289 275 298
34 271 297 283 306
35 279 305 291 315
36 286 314 299 323
37 294 322 307 332
38 302 330 315 340
39 309 339 323 349
40 317 347 331 358
14 126 139 132 144
15 134 148 141 153
16 143 157 149 163 15 15 153 169 161 174
17 151 166 158 172
α una cola α dos colas
19 167 184 175 190
20 176 193 184 200
21 184 202 193 209
22 192 211 201 218
23 201 220 210 227
24 209 229 218 237
25 217 238 227 246
26 225 247 236 255
27 234 256 244 264
28 242 265 253 273
29 250 274 261 283
30 258 283 270 292
31 267 292 278 301
32 275 301 287 310
33 283 310 296 319
34 291 319 304 329
35 299 328 312 338
36 308 337 321 347
37 316 346 330 356
38 324 355 338 365
39 332 363 347 374
40 341 372 355 384
15 144 159 151 164
16 153 168 160 174
17 161 178 169 184
18 170 187 178 194
19 179 197 188 203
20 188 207 197 213
21 197 216 206 223
22 206 226 215 233
23 215 235 224 243
24 223 245 234 253
25 232 255 243 263
26 241 264 252 272
27 250 274 261 282
28 259 283 270 292
29 268 293 279 302
30 276 302 289 312
31 285 312 298 321
32 294 321 307 331
33 303 331 316 341
34 312 341 325 351
35 320 350 334 361
36 329 360 343 370
37 338 369 353 380
38 347 379 362 390
39 356 388 371 400
40 364 398 380 410
16 163 179 170 185
 α una cola α dos colas
n1 n2 0.05 0.01 0.05 0.01 n1 n2 0.05 0.01 0.05 0.01
15 17 172 189 180 195 17 17 193 212 202 219
18 182 200 190 206
19 191 210 200 216
20 200 220 210 227
21 210 230 219 237
22 219 240 229 248
23 229 251 239 258
24 238 261 249 269
25 247 271 258 279
26 257 281 268 290
27 266 291 278 300
28 276 301 288 311
29 285 312 297 321
30 294 322 307 331
31 304 332 317 342
32 313 342 327 352
33 323 352 336 363
34 332 362 346 373
35 341 372 356 383
36 351 382 366 394
37 360 393 375 404
38 369 403 385 415
39 379 413 395 425
40 388 423 404 435
16 16 173 190 181 196 18 18 215 236 225 243
17 183 201 191 207
18 193 212 202 218
19 203 222 212 230
20 213 233 222 241
21 223 244 233 252
22 233 255 243 263
23 243 266 253 274
24 253 276 264 285
25 263 287 274 296
26 273 298 284 307
27 283 309 295 318
28 292 319 305 329
29 302 330 315 340
30 312 341 326 351
31 322 352 336 362
32 332 362 346 373
33 342 373 357 384
34 352 384 367 395
35 362 395 377 406
36 372 405 388 417
37 382 416 398 428
38 392 427 408 439
39 402 437 418 450
40 412 448 429 461
α una cola α dos colas
n1 n2 0.05 0.01 0.05 0.01
19 19 238 260 248 268
18 204 224 213 231
19 214 235 224 242
20 225 247 235 254
21 236 258 246 266
22 246 269 257 278
23 257 281 268 289
24 267 292 279 301
25 278 303 290 313
26 288 315 301 324
27 299 326 312 336
28 309 337 322 348
29 320 349 333 359
30 330 360 344 371
31 341 371 355 382
32 351 383 366 394
33 362 394 377 406
34 372 405 388 417
35 383 417 399 429
36 393 428 410 440
37 404 439 420 452
38 414 451 431 464
39 425 462 442 475 20 20 262 286 273 295
40 435 473 453 487
19 226 248 236 255
20 237 260 248 268
21 248 272 259 280
22 260 284 271 292
23 271 296 282 305
24 282 308 294 317
25 293 320 305 329
26 304 332 317 341
27 315 344 328 354
28 326 355 340 366
29 337 367 351 378
30 348 379 363 390
31 359 391 374 403
32 370 403 386 415
33 382 415 397 427
34 393 427 409 439
35 404 439 420 451
36 415 451 432 464
37 426 463 443 476
38 437 475 454 488
39 448 486 466 500
40 459 498 477 512
α una cola α dos colas
20 250 273 261 281
21 261 286 273 294
22 273 298 285 307
23 285 311 297 320
24 296 323 309 333
25 308 336 321 346
26 320 348 333 359
27 331 361 345 371
28 343 373 357 384
29 355 386 369 397
30 366 398 381 410
31 378 411 393 423
32 390 423 405 436
33 401 436 417 448
34 413 448 429 461
35 424 461 441 474
36 436 473 453 487
37 448 486 465 500
38 459 498 477 512
39 471 511 489 525
40 482 523 502 538
21 274 299 286 308
22 276 313 299 322
23 299 326 311 335
24 311 339 234 349
25 323 352 337 362
26 335 365 349 376
27 348 378 362 389
28 360 391 374 403
29 372 404 387 416
30 384 418 400 430
31 396 431 412 443
32 409 444 425 456
33 421 457 438 470
34 433 470 450 483
35 445 483 463 497
36 457 496 475 510
37 469 509 488 523
38 482 522 501 537
39 535 513 550
40 548 526 563
27
6.4. Tabla de valores críticos del estadístico F de Snedecor
?1 : grados de libertad del numerador
?2 : grados de libertad del denominador
a = 0.05

a = 0.01

28
6.5. Tabla de valores críticos del estadístico H de Kruskal-Wallis

n1 n2 n3 n4 n5 α=0.05 α=0.01 4 1 1 1
2 2 2 4 2 1 1 5.833
3 2 1 n1 n2 n3 n4 n5 α=0.05 α=0.01
3 2 2 4.714 4 2 2 1 6.133 7.000
3 3 1 5.143 4 2 2 2 6.545 7.391
3 3 2 5.361 4 3 1 1 6.178 7.067
3 3 3 5.600 4 3 2 1 6.309 7.455
4 2 1 4 3 2 2 6.621 7.871
4 2 2 5.333 4 3 3 1 6.545 7.758
4 3 1 5.208 4 3 3 2 6.795 8.333
4 3 2 5.444 6.444 4 3 3 3 6.984 8.659
4 3 3 5.791 6.745 4 4 1 1 5.945 7.909
4 4 1 4.967 6.667 4 4 2 1 6.386 7.886
4 4 2 5.455 7.036 4 4 2 2 6.731 8.346
4 4 3 5.598 7.144 4 4 3 1 6.635 8.231
4 4 4 5.692 7.654 4 4 3 2 6.874 8.621
5 2 1 5.000 4 4 3 3 7.038 8.876
5 2 2 5.160 6.533 4 4 4 1 6.725 8.588
5 3 1 4.960 4 4 4 2 6.957 8.871
5 3 2 5.251 6.909 4 4 4 3 7.142 9.075
5 3 3 5.648 7.079 4 4 4 4 7.235 9.287
5 4 1 4.985 6.955 2 1 1 1 1
5 4 2 5.273 7.205 2 2 1 1 1
5 4 3 5.656 7.445 2 2 2 1 1 6.750
5 4 4 5.657 7.760 2 2 2 2 1 7.133 7.533
5 5 1 5.127 7.309 2 2 2 2 2 7.418 8.291
5 5 2 5.338 7.338 3 1 1 1 1
5 5 3 5.705 7.578 3 2 1 1 1 6.583
5 5 4 5.666 7.823 3 2 2 1 1 6.800 7.600
5 5 5 5.780 8.000 3 2 2 2 1 7.309 8.127
6 1 1 3 2 2 2 2 7.682 8.682
6 2 1 4.822 3 3 1 1 1 7.111
6 2 2 5.345 6.982 3 3 2 1 1 7.200 8.073
6 3 1 4.855 3 3 2 2 1 7.591 8.576
6 3 2 5.348 6.970 3 3 2 2 2 7.910 9.115
6 3 3 5.615 7.410 3 3 3 1 1 7.576 8.424
6 4 1 4.947 7.106 3 3 3 2 1 7.759 9.051
6 4 2 5.340 7.340 3 3 3 2 2 8.044 9.505
6 4 3 5.610 7.500 3 3 3 3 1 8.000 9.451
6 4 4 5.681 7.795 3 3 3 3 2 8.200 9.876
6 5 1 4.990 7.182 3 3 3 3 3 8.333 10.200
6 5 2 5.338 7.376
6 5 3 5.602 7.590
6 5 4 5.661 7.936
6 5 5 5.729 8.028
6 6 1 4.945 7.121
6 6 2 5.410 7.467
6 6 3 5.625 7.725
6 6 4 5.724 8.000
6 6 5 5.765 8.124
6 6 6 5.801 8.222
7 7 7 5.819 8.378
8 8 8 5.805 8.465
2 2 1 1
2 2 2 1 5.679
2 2 2 2 6.167 6.667
3 1 1 1
3 2 1 1
3 2 2 1 5.833
3 2 2 2 5.333 7.133
3 3 1 1 6.333
3 3 2 1 6.244 7.200
3 3 2 2 6.527 7.636
3 3 3 1 6.600 7.400
3 3 3 2 6.727 8.105
3 3 3 3 7.000 8.538

29
6.6. Tabla de valores críticos del coeficiente de correlación de Pearson (r)
Una cola Dos colas
n α =0.05 α =0.01 α =0.05 α =0.01
3 0.988 1.000 0.997 1.000
4 0.900 0.980 0.950 0.990
5 0.805 0.934 0.878 0.959
6 0.729 0.882 0.811 0.917
7 0.669 0.833 0.755 0.875
8 0.622 0.789 0.707 0.834
9 0.582 0.750 0.666 0.798
10 0.549 0.715 0.632 0.765
11 0.521 0.685 0.602 0.735
12 0.497 0.658 0.576 0.708
13 0.476 0.634 0.553 0.684
14 0.458 0.612 0.532 0.661
15 0.441 0.592 0.514 0.641
16 0.426 0.574 0.497 0.623
17 0.412 0.558 0.482 0.606
18 0.400 0.542 0.468 0.590
19 0.389 0.529 0.456 0.575
20 0.378 0.515 0.444 0.561
21 0.369 0.503 0.433 0.549
22 0.360 0.492 0.423 0.537
23 0.352 0.482 0.413 0.526
24 0.344 0.472 0.404 0.515
25 0.337 0.462 0.396 0.505
26 0.330 0.453 0.388 0.496
27 0.323 0.445 0.381 0.487
28 0.317 0.437 0.374 0.479
29 0.312 0.430 0.367 0.471
30 0.306 0.423 0.361 0.463
32 0.296 0.409 0.349 0.449
34 0.287 0.397 0.339 0.436
36 0.279 0.386 0.329 0.424
38 0.271 0.376 0.320 0.413
40 0.264 0.367 0.312 0.403
42 0.257 0.358 0.304 0.393
44 0.251 0.350 0.297 0.384
46 0.246 0.342 0.291 0.376
48 0.240 0.335 0.285 0.368
50 0.235 0.328 0.279 0.361
52 0.231 0.322 0.273 0.354
54 0.226 0.316 0.268 0.348
56 0.222 0.310 0.263 0.341
58 0.218 0.305 0.259 0.336
60 0.214 0.300 0.254 0.330
62 0.211 0.295 0.250 0.325
64 0.207 0.290 0.246 0.320
66 0.204 0.286 0.242 0.315
68 0.201 0.282 0.239 0.310
70 0.198 0.278 0.235 0.306
72 0.195 0.274 0.232 0.302
74 0.193 0.270 0.229 0.298
76 0.190 0.266 0.226 0.294
78 0.188 0.263 0.223 0.290
80 0.185 0.260 0.220 0.286
82 0.183 0.257 0.217 0.283
84 0.181 0.253 0.215 0.280
86 0.179 0.251 0.212 0.276
88 0.177 0.248 0.210 0.273
90 0.174 0.245 0.207 0.270
92 0.173 0.242 0.205 0.267
94 0.171 0.240 0.203 0.264
96 0.169 0.237 0.201 0.262
98 0.167 0.235 0.199 0.259
100 0.165 0.232 0.197 0.257

30
6.7. Tabla de valores críticos del coeficiente de correlación de Spearman (rs)
a (1): hipótesis de una cola
a (2): hipótesis de dos colas

31