Unidad 4 y 5 (Versión Imprimible) - 2

UNIDAD 4 y 5
UNIDAD 4. PRUEBAS ESTADÍSTICAS NO PARAMÉTRICAS

UNIDAD 5. OTRAS PRUEBAS ESTADÍSTICAS
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin la autorización de cada autor.
APUNTES UNIDAD 4. Pruebas estadísticas no paramétricas
Unidad 4. Pruebas estadísticas no paramétricas
Las pruebas con los métodos no paramétricos no utilizan toda la información proporcionada por la
muestra, dando como resultado un procedimiento aparentemente menos eficiente que el
procedimiento paramétrico. Esta pérdida de eficiencia se muestra en la necesidad de una muestra
de mayor tamaño, con el objetivo de alcanzar una mayor potencia.
Por otra parte se espera que esta pérdida de eficiencia no sea tan grande, aunque la diferencia en
el tamaño de la muestra sea menor.
Las pruebas no paramétricas y algunas otras de interés que se analizarán en este último bloque son:
Prueba binomial para una sola muestra
Prueba Ji cuadrada
Prueba de rangos señalados y pares de

Wilcoxon de muestras pareadas
Prueba Q de Cochran para K muestras

relacionadas
Coeficiente de correlación de Spearman
4.1 Prueba de rangos señalados y pares de Wilcoxon para dos muestras pareadas.
Para poder adentrarnos en el tema de prueba de rango es necesario mencionar que dentro de las
pruebas no paramétricas, existen las pruebas de signos, que en resumen, para poder sumergirnos
en este subtema es necesario conocer.
La prueba del signo se utiliza para probar una hipótesis sobre la mediana 𝜇̅ de una distribución
continua, que no es más que un valor de la variable aleatoria X, tal que la probabilidad de que un
valor observado de X sea menor o igual, o mayor o igual, que la mediana de 0.5. Esto es, P(X ≤ 𝜇̅ ) =
P(X ≥ 𝜇̅ ) = 0.5.
Analizando lo anterior, en un ejemplo es:
Consideremos que una escuela de futbol, muestra un número de sus tiros a gol efectuados por dos
de sus equipos juveniles, los cuales denominaremos equipo 1 y 2, respectivamente. Supongamos
que se desea probar la hipótesis Ho, de que no hay diferencia entre los equipos juveniles aunque
uno de ellos lleve en su entrenamiento programación neurolingüística y el otro no lo tenga y que
las diferencias observadas entre los equipos, en términos del número de tiros a gol erróneos, sólo
son el resultado del azar.
La siguiente tabla muestra los números de tiros a gol erróneos durante la observación en 10 días,
de acuerdo a su entrenamiento diario.
Día 1 2 3 4 5 6 7 8 9 1
0
Equipo 1 4 5 5 4 3 4 5 3 6 4
7 6 4 9 6 8 1 8 1 9
Equipo 2 7 4 4 6 5 5 4 4 5 5
1 3 5 4 0 5 2 6 3 7
La prueba no paramétrica de los signos consiste en tomar la diferencia entre el número de tiros a
gol erróneos de cada día y escribir únicamente el signo de la diferencia. Para el caso del día 1 se
tiene 47-71, que es negativo. De esta manera, se obtiene la siguiente secuencia de signos.
-++---+-+-
Para el modelo estadístico de la prueba de Wilcoxon de rangos señalados y pares igualados o

pareados para dos muestras dependientes, no es más que la equivalencia a la prueba t de Student,
en la que se utilizan muestras pequeñas y están en un rango de 6 y 25 y también puede ser utilizada
para muestras grandes y deben ser mayores a 25 y en éste, se debe transformar el valor de Z, para
conocer la probabilidad de que aquella sea o no significativa. Dicha prueba estadística consiste en
sumar los rangos de signo frecuente; por ello, no se tiene una ecuación o fórmula, como se observa
en otras pruebas estadísticas.
Para profundizar, revisemos el siguiente ejercicio:
Analicemos la siguiente tabla:
Observación Resistencia al Diferencias signo

I Esfuerzo. Xi - 2000
1 2158.70 158.7 +
2 1678.15 -321.85 -
3 2316.00 316 +
4 2061.30 61.3 +
5 2207.50 207.5 +
6 1708.30 -291.7 -
7 1784.70 -215.3 -
8 2575.10 575.1 +
9 2357.90 357.9 +
10 2256.70 256.7 +
11 2165.20 165.2 +
12 2399.55 399.55 +
13 1779.80 -220.2 -
14 2336.75 336.75 +
15 1765.30 -234.7 -
16 2053.50 53.5 +
17 2414.40 414.4 +
18 2200.50 200.5 +
19 2654.20 654.2 +
20 1753.70 -246.3 -
Tabla de datos de resistencia al esfuerzo.
Supóngase que la distribución de interés es una distribución simétrica continua. El procedimiento

será en ochos pasos siguientes:
1. El parámetro de interés es la media o mediana de la distribución de la resistencia al esfuerzo

cortante.
2. Ho: µ = 2000 tg (tiros a gol)
3. H1 : µ  2000 tg
4.  = 0.05
5. El estadístico de prueba es w = min (w+, w-)
6. De la tabla que se muestra a continuación, se rechaza Ho si w≤ w*0.05 =52
Cálculos: Los rangos con signos de la tabla de datos de resistencia son los siguientes:
Observación Diferencias signo

I Xi - 2000
16 +53.50 +
4 +61.30 +2
1 +158.70 +3
11 +165.20 +4
18 +200.50 +5
5 +207.50 +6
7 -215.30 -7
13 -220.20 -8
15 -234.70 -9
20 -246.30 -10
10 +256.70 +11
6 -291.70 -12
3 +316.00 +13
2 -321.85 -14
14 +336.75 +15
9 +357.90 +16
12 +399.55 +17
17 +414.40 +18
8 +575.10 +19
19 +654.20 +20
Por lo tanto la suma de los rangos positivos es
w+=( 1+2+3+4+5+6+11+13+15+16+17+18+19+20)= 150
y los rango negativos es
w- = (7+8+9+10+12+14) = 60
Por consiguiente w = min (150, 60) = 60
Concluimos que como w = 60 y no es menor o igual al valor crítico W0.05=52, no es posible rechazar
la hipótesis nula de que la media (o mediana, puesto que la población es simétrica), de la resistencia
al esfuerzo es 2000 tg.
4.2 Prueba Q de Cochran para K muestras relacionadas.

En la vida real, es común utilizar dos muestras que pueden estudiarse paralelamente, esto
puede ser para economizar costos y tiempo de estudio, por lo que la Q de Cochran es una
prueba para comparar las proporciones de respuestas de un tipo positivo o negativo de
diversos sujetos que suelen tener ciertas condiciones de tratamiento.
Es una prueba para K muestras relacionadas porque los mismos sujetos son evaluados bajo
las mismas condiciones de tratamiento.
Para ello cuando se trabajan este tipo de datos, se puede hacer uso de una matriz de Datos,
la cual es un arreglo de datos binarios en tablas de doble entrada con n sujetos y K
condiciones de tratamiento.
La hipótesis empleada es:
Ho: P1=P2=P3=...=Pk
Dónde: H1 tiene algún Pi diferente
El estadístico de la Q de Cochran tiene una relación fuerte con la distribución Ji.cuadrado
con K-1 grados de libertad y la generalización de la prueba de McNemar, para esto,
necesitarás revisar en la unidad 5, lo relacionado con la Ji-cuadrada.
El estadístico Q de Cochran, se representa matemáticamente como:
Donde:
G= total de la i-ésima columna (condición experimental)
H= total de la j-ésima fila o hilera (sujeto)
Ejemplo de Aplicación
Se desean comparar tres métodos denominados (M1,M2 y M3) de diagnóstico para el stress
y para ello se tomaron al azar 14 personas y se determinó por cada método su positividad
(resultado uno) y no positividad (resultado cero):
Personas Método1 Método2 Método3 Hj Hj2

1 0 0 0 0 0
2 0 0 0 0 0
3 0 0 0 0 0
4 0 0 0 0 0
5 1 0 0 1 1
6 1 0 0 1 1
7 1 0 0 1 1
8 1 1 0 2 4
9 1 1 0 2 4
10 1 1 0 2 4
11 1 1 0 2 4
12 1 1 1 3 9
13 1 1 1 3 9
14 1 1 1 3 9
Gj 10 7 3 ∑ 𝐻𝑗 = 20 ∑ 𝐻𝑗2 = 46
Gj2 100 49 9 ∑ 𝐺𝑖2 = 158 ∑ 𝐺𝑖 = 20
Para nuestro ejemplo la decisión se basa en que Q=10,57 es mayor que el valor tabulado de
Ji-cuadrado = 9,21, por lo tanto, rechazamos Ho.
Podemos concluir que las respuestas no son todas iguales con los tres métodos.
El mejor método es el 1 tal que puede verificarse con una prueba posteriormente de mínima
diferencia significativa.
4.3 Coeficiente de correlación de Spearman.
Se pueden utilizar métodos no paramétricos para medir la correlación de dos variables X y Y. En

lugar de usar los datos de las variables o cuando no se disponen de sus valores, los datos son
ordenados en rangos del 1 al N, de acuerdo a su tamaño, importancia o cualquier otro parámetro
de medición. Por lo que si X y Y son ordenados de esta forma, el coeficiente de correlación de los
rangos o fórmula de Spearman para correlación de rangos está representado matemáticamente
como:
6 ∑ 𝐷2
𝑟𝑠 = 1 −
𝑁(𝑁 2 − 1)
Para D, el cual denota las diferencias entre los rangos de los valores correspondientes de X y Y, y
donde N es el número de pares de los valores (X, Y) en los datos (Spiegel & Stepphens, 2002)
Para aterrizar el conocimiento, veamos el siguiente ejercicio:
Un Psicólogo desea conocer si el desarrollo mental de un niño está relacionado a la educación formal
de su madre. De esta manera, obtiene la calificación de desarrollo mental en la escala de Gesell de
ocho niños elegidos aleatoriamente y se informa del grado de escolaridad de las madres.
Elección de la prueba estadística.
Se desea medir la correlación. Las calificaciones de las madres tienen datos cualitativos, por lo tanto
tienen una escala ordinal, por lo cual es posible ordenarlas en rangos
Planteamiento de la hipótesis.
 Hipótesis alterna (Ha). El desarrollo mental de los hijos es una variable dependiente de la
educación formal de la madre; por lo tanto, existe una correlación significativa.
 Hipótesis nula (Ho). La asociación entre las variables de educación formal de la madre y el
desarrollo mental de los hijos no es significativa, ni hay correlación.
Nivel de significación.
Para todo valor de probabilidad igual o menor que 0.05, se acepta Ha y se rechaza Ho.
Zona de rechazo.
Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Ha.
Desarrollo mental de algunos niños y escolaridad de las madres.
Aplicación de la prueba estadística.
Las observaciones de cada variable se deben ordenar en rangos, así como obtener las diferencias
entre los rangos, efectuar la sumatoria y elevar ésta al cuadrado.
Educación de algunas madres y calificación de desarrollo mental de los hijos.
Calculo de rs de Spearman.
Calculo de los grados de libertad (gl).
gl = número de parejas -1=8-1=7
El valor rs calculado se compara con los valores críticos de rs del coeficiente de correlación por rangos
de Spearman.
El valor crítico de rs con 7 grados de libertad, para una probabilidad de 0.05 del nivel de significancia
es 0.714, o sea, mayor que el calculado. Por lo tanto, éste tiene una probabilidad mayor que 0.05.
Decisión.
Como el valor de probabilidad de rs de 0.69 es mayor que 0.05, se acepta Ho y se rechaza Ha.
Interpretación.
El coeficiente de correlación de Spearman de 0.69 es menor que los valores críticos de la tabla, pues
a éstos corresponde la probabilidad de obtener esa magnitud, al nivel de confianza de 0.05 y 0.01,
para 0.714 y 0.893. Esto significa que para aceptar Ha, se requiere tener un valor igual o más alto
que 0.714. Por lo tanto se acepta Ho y se rechaza Ha.
5. Otras pruebas estadísticas
5.1 Distribución binomial para una sola muestra.
Los estudios de investigaciones de situaciones de análisis se dividen en determinísticos y los que son
probabilísticos los cuales presentan determinadas características para su realización, es por ello que
es de suma importancia, ubicarlos, antes de empezar con su análisis.
Para los análisis determinísticos, siempre se conocen los valores de sus variables con las que se
desean trabajar.
Para los análisis probabilísticos, es al contrario, al anteriormente mencionado, sin embargo, esto
puede variar.
Los análisis anteriores dejan ver la utilidad de los modelos de probabilidad como un método el cual
puede ser de gran utilidad en algunos casos de estudio.
Los diversos experimentos que se llevan a cabo, presentan datos que pueden considerarse como el
resultado de una serie de ensayos. Un ensayo con solo dos resultados posibles se emplea tantas
veces como bloque básico de un experimento aleatorio, el cual es conocido como Ensayo de
Bernoulli, definido como un experimento aleatorio que tiene dos resultados posibles, denotados
por “éxito” o “fracaso”. La probabilidad de un éxito se denota por p. (Montgomery & Runger, 1996).
La representación del espacio muestral de Bernoulli está representado por {éxito, fracaso}.
Para el trabajo con los ensayos se necesita suponer que los experimentos aleatorios son
independientes, implicando que el resultado de uno de los ensayos no tiene ningún efecto sobre el
resultado que obtenga en cualquier otro ensayo.
Montgomery informa que: Un experimento aleatorio consiste de n ensayos repetidos, tales que:
1) Los ensayos son independientes

2) Cada ensayo tiene dos resultados posibles, denominados “éxito” y “fracaso” y
3) La probabilidad de éxito en cada ensayo, denotada por p, permanece constante.
Y a este se le conoce como experimento binomial o prueba binomial por algunos autores.
La variable aleatoria X que es igual al número de ensayos, donde el resultado de un éxito, tiene una
distribución binomial con parámetros p y n= 1, 2, … y la notación se representa como:
𝑓𝑥 (𝑥; 𝑝, 𝑛) = (𝑛𝑥)𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , x= 0, 1, …, n
En algunos libros se puede encontrar la expresión anterior como:
Pxi = nCr pr - q(n-r)
La siguiente liga te permite profundizar el tema y analizar un ejemplo.
https://www.youtube.com/watch?v=PXx4pUiPIhQ
5.2 Prueba Ji cuadrada.
5.2.1 Para K muestras independientes
La distribución ji-cuadrada es una de las distribuciones de muestreo con mayor utilidad, la cual está
definida en términos de variables aleatorias normales.
Donde Montgomery & Runger, explican como:
Z1, Z2, …, Zk, son variables aleatorias distribuidas normal e independientes, con media µ = 0 y varianza
2 = 1, quedando, la variable aleatoria, como:
X = 𝑍 21 + 𝑍 22 + ⋯ + 𝑍 𝑘2
La cual presenta una función de densidad de probabilidad como:
1 𝑘⁄ )−1 −𝑥⁄
F(x)= 𝑘 𝑘
𝑥( 2 𝑒 2, para x>0
2 ⁄2 ( )
2
Y se dice que se sigue una distribución ji-cuadrada con k grados de libertad, lo que se abrevia como
X𝑘2.
5.2.2 Para una sola muestra
La prueba estadística de ji-cuadrada (para algunos autores también conocida como chi) proporciona
una media de la discrepancia existente entre la frecuencia observada y la frecuencia esperada
(Spiegel & Stephens, 2002)
Recordemos que como en los métodos anteriores, siempre la eficacia de la prueba dependerá del
tamaño de la muestra, pues con un grado de libertad, si hay dos subclases, algunos autores
mencionan que la prueba es muy dura, hay que hacer hincapié en cuanto a la importancia de dos o
más categorías en cuanto al resultado favorable de la fórmula representada como:
Donde:
X2 = valor estadístico de ji cuadrada.
fo = frecuencia observada.
fe = frecuencia esperada.
Es importante hacer notar que la ji cuadrada se utiliza cuando:
 Los datos puntualizan a las escalas nominal u ordinal.

 Se utiliza sólo la frecuencia.
 Poblaciones pequeñas.
 Cuando se desconocen los parámetros media, moda, etc.
 Cuando los datos son independientes.
 Cuando se quiere contrastar o comparar hipótesis.
 Investigaciones de tipo social en muestras pequeñas no representativas >5.
 Cuando se requiere establecer el nivel de confianza o significatividad en las diferencias.
 Cuando la muestra es seleccionada no probabilísticamente.
 X2 permite establecer diferencias entre f y se utiliza sólo en escala nominal.
 Población > a 5 y < a 20.
Para el uso de esta prueba es necesario seguir los siguientes pasos.
1. Arreglar las categorías y las frecuencias observadas.
2. Calcular los valores teóricos esperados para el modelo experimental o tipo de distribución
muestral: normal, binomial y de Poisson.
3. Calcular las diferencias de las frecuencias observadas en el experimento con respecto a las
frecuencias esperadas.
4. Elevar al cuadrado las diferencias y dividirlas entre los valores esperados de cada categoría.
5. Efectuar la sumatoria de los valores calculados.
6. Calcular los grados de libertad (gl) en función del número de categorías [K]: gl = K - 1.
7. Comparar el estadístico X2 con los valores de la distribución de ji cuadrada en la tabla.
8. Decidir si se acepta o rechaza la hipótesis X2c ³ X2t se rechaza Ho.
Para profundizar revisemos el siguiente ejemplo:
Un psicólogo quiere comparar si hay diferencias en la cantidad de cigarros fumados por causa del
estrés en personas que trabajan.
Elección de la prueba:
El modelo experimental tiene una muestra.
 Hipótesis alterna (Ha). Habrá diferencia significativa entre la cantidad de cigarros fumados
por causa del estrés en personas que trabajan.
 Hipótesis nula (Ho). No Habrá diferencia significativa entre la cantidad de cigarros fumados
por causa del estrés en personas que trabajan.
Nivel de significación:
Zona de rechazo.
El cálculo de la frecuencia esperada se efectúa en virtud de que para una hipótesis nula, a todas las
casillas corresponde un valor igual, por lo tanto:
fo = 18
fe = 6
gl = 3 + 1 = 2
a = 0.05
El valor calculado de X2 se compara con los valores críticos de la tabla de valores críticos de X2. Se
puede observar que para una probabilidad de 0.05 corresponde la cifra de 5.99; por lo tanto, el
estadístico ji cuadrada de 4.3 tiene una probabilidad mayor que 0.05.
Decisión.
En virtud de que la probabilidad obtenida al calcular el valor de que X2 está dentro de la región de
rechazo, se acepta Ho y se rechaza Ha. X2c ³ X2t se rechaza Ho
Entonces tenemos que:
4.3 < 5.99 se acepta Ho y no hay diferencias significativas entre el consumo de cigarros por causa
del estrés.
Interpretación.
El consumo de cigarros por causa del estrés se puede considerar como efecto del azar.
5.2.2 Para dos muestras independientes.
Para poder determinar si es viable el uso de esta prueba estadística es, tenemos que analizar si se
tienen observaciones de una investigación, primeramente que corresponden a muestras
independientes y que las mediciones obtenidas estén en escala nominal, entonces la prueba de ji
cuadrada es el procedimiento de elección para el contraste de hipótesis. Sabemos que esta prueba
estadística se emplea para el análisis de dos o más grupos y por supuesto de dos o más variables.
Como en todo estudio la exactitud de la prueba depende de la medida que el tamaño de la muestra
tenga y que el valor de probabilidad de error para aceptar hipótesis alternas Ha sea cercano a 1. Es
importante advertir que para esta prueba el número de la muestra, cuando es menor que 20, se
pierde eficacia. En estas condiciones, es conveniente no aplicar la prueba de ji cuadrada, pero
existen alternativas.
En seguida mostramos algunas sugerencias para la elección de la prueba correcta, mostrando que
estas dos alternativas propuestas aumentan la eficacia con muestras de tamaño pequeño para así
evitar cometer el error del tipo I.
a. Si en el modelo experimental se tiene una tabla de eventualidades de 2 X 2 y la muestra

total es menor a 20 e incluye cero en alguna casilla, la prueba estadística aconsejable será
la de probabilidad exacta de Fischer y Yates.
b. Con grupos múltiples, pero con frecuencias pequeñas, menores que cinco, se recomienda
usar la prueba de ji cuadrada de proporciones.
Si hemos determinado usar esta prueba, la fórmula es:
Donde:
 X2 = valor estadístico de ji cuadrada.
 fo = frecuencia observada.
 fe = frecuencia esperada.
La mejor forma de llevar a cabo esta prueba, será mediante los siguientes pasos:
1. Arreglar las observaciones en una tabla de contingencias.
2. Determinar el valor teórico de las frecuencias para cada casilla.
3. Calcular las diferencias entre los valores observados con respecto a los teóricos de cada
casilla.
4. Elevar al cuadrado las diferencias y dividirlas entre el valor teórico de la casilla

correspondiente.
5. Obtener la sumatoria de los valores anteriores, que es el estadístico X2.
6. Calcular los grados de libertad (gl): gl = (K columnas -1) [H hileras -1].
7. El valor de X2 se compara con los valores críticos de ji cuadrada de la tabla de valores críticos
de X2 y de acuerdo con los grados de libertad, y se determina la probabilidad.
8. Decidir si se acepta o rechaza la hipótesis X2c ³ X2t se rechaza Ho.
Realicemos un ejemplo, para aclarar la teoría:
Sigamos un poco con el mismo ejemplo del subtema anterior y compararemos si existe un factor de
género que influya en la cantidad de cigarros fumados por causa del estrés en personas que
trabajan.
Elección de la prueba estadística.
El modelo experimental tiene dos muestras independientes, por lo tanto elegimos usar esta prueba
estadística.
 Hipótesis alterna (Ha). Habrá diferencia significativa entre la cantidad de cigarros fumados
por causa del estrés en hombres y mujeres que trabajan.
 Hipótesis nula (Ho). No Habrá diferencia significativa entre la cantidad de cigarros fumados
por causa del estrés en hombres y mujeres que trabajan.
Nivel de significación.
Zona de rechazo.
Calculamos los valores teóricos para cada casilla.
Una vez obtenidos los valores teóricos, aplicamos la fórmula.
= 0.05 + 1.49 + 0.18 + 0.04 + 1.23 + 0.16 = 3.15
Cálculo de los grados de libertad (gl).
gl = (K - 1) (H - 1) = (3 - 1) (2 - 1) = 2
El valor 3.15 con 2 grados de libertad se compara con los valores críticos de ji cuadrada; por lo que
se puede analizar que en la cifra 5.99 corresponde la probabilidad de 0.05, lo cual significa que el
estadístico calculado tiene una probabilidad mayor que 0.05.
Decisión.
En razón de que el valor de ji cuadrada de 3.15 tiene una probabilidad mayor que 0.05, cae en la
zona de rechazo. Por tanto se acepta Ho y se rechaza Ha. X2c < X2t se rechaza Ho
3.15 > 5.99 se rechaza Ho y mostrando que si hay diferencias significativas entre el consumo de
cigarros por causa del estrés entre hombres y mujeres que trabajan.
Interpretación.
El consumo de cigarros por causa del estrés entre hombres y mujeres que trabajan, se debe a
factores del azar.

Unidad 4 y 5 (Versión Imprimible) - 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 4 y 5 (Versión Imprimible) - 2

Cargado por

Copyright:

Formatos disponibles

UNIDAD 4 y 5

UNIDAD 4. PRUEBAS ESTADÍSTICAS NO PARAMÉTRICAS

Prueba binomial para una sola muestra

Prueba de rangos señalados y pares de

Prueba Q de Cochran para K muestras

Coeficiente de correlación de Spearman

Analizando lo anterior, en un ejemplo es:

Para el modelo estadístico de la prueba de Wilcoxon de rangos señalados y pares igualados o

Para profundizar, revisemos el siguiente ejercicio:

Analicemos la siguiente tabla:

Observación Resistencia al Diferencias signo

Supóngase que la distribución de interés es una distribución simétrica continua. El procedimiento

1. El parámetro de interés es la media o mediana de la distribución de la resistencia al esfuerzo

Observación Diferencias signo

Por lo tanto la suma de los rangos positivos es

w+=( 1+2+3+4+5+6+11+13+15+16+17+18+19+20)= 150

y los rango negativos es

Por consiguiente w = min (150, 60) = 60

4.2 Prueba Q de Cochran para K muestras relacionadas.

Personas Método1 Método2 Método3 Hj Hj2

Gj2 100 49 9 ∑ 𝐺𝑖2 = 158 ∑ 𝐺𝑖 = 20

4.3 Coeficiente de correlación de Spearman.

Se pueden utilizar métodos no paramétricos para medir la correlación de dos variables X y Y. En

Para aterrizar el conocimiento, veamos el siguiente ejercicio:

Elección de la prueba estadística.

Desarrollo mental de algunos niños y escolaridad de las madres.

Aplicación de la prueba estadística.

Educación de algunas madres y calificación de desarrollo mental de los hijos.

Calculo de los grados de libertad (gl).

gl = número de parejas -1=8-1=7

5. Otras pruebas estadísticas

5.1 Distribución binomial para una sola muestra.

1) Los ensayos son independientes

𝑓𝑥 (𝑥; 𝑝, 𝑛) = (𝑛𝑥)𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 , x= 0, 1, …, n

En algunos libros se puede encontrar la expresión anterior como:

Pxi = nCr pr - q(n-r)

La siguiente liga te permite profundizar el tema y analizar un ejemplo.

5.2 Prueba Ji cuadrada.

5.2.1 Para K muestras independientes

Donde Montgomery & Runger, explican como:

5.2.2 Para una sola muestra

X2 = valor estadístico de ji cuadrada.

Es importante hacer notar que la ji cuadrada se utiliza cuando:

 Los datos puntualizan a las escalas nominal u ordinal.

1. Arreglar las categorías y las frecuencias observadas.

5. Efectuar la sumatoria de los valores calculados.

7. Comparar el estadístico X2 con los valores de la distribución de ji cuadrada en la tabla.

8. Decidir si se acepta o rechaza la hipótesis X2c ³ X2t se rechaza Ho.

Para profundizar revisemos el siguiente ejemplo:

El modelo experimental tiene una muestra.

Entonces tenemos que:

5.2.2 Para dos muestras independientes.

a. Si en el modelo experimental se tiene una tabla de eventualidades de 2 X 2 y la muestra

Si hemos determinado usar esta prueba, la fórmula es:

 X2 = valor estadístico de ji cuadrada.

1. Arreglar las observaciones en una tabla de contingencias.

2. Determinar el valor teórico de las frecuencias para cada casilla.

4. Elevar al cuadrado las diferencias y dividirlas entre el valor teórico de la casilla

5. Obtener la sumatoria de los valores anteriores, que es el estadístico X2.

6. Calcular los grados de libertad (gl): gl = (K columnas -1) [H hileras -1].

8. Decidir si se acepta o rechaza la hipótesis X2c ³ X2t se rechaza Ho.

Elección de la prueba estadística.

Calculamos los valores teóricos para cada casilla.