INGENIERÍA EN INNOVACIÓN AGRÍCOLA SUSTENTABLE

Métodos estadísticos

INVESTIGACION

JUAN PABLO GONZALE RIVAS

16 de ene. de 21
ELECCION DE LA PRUEBA ESTADISTICA ADECUADA
La selección correcta de una prueba estadística depende de varios factores, pero para fines
prácticos se revisarán los criterios más frecuentes:
1) Las características de las variables: tipo y escala de medición.
2) La pregunta científica que se desea contestar.
3) La hipótesis planteada.
4) La potencia y la eficiencia de la prueba elegida.
5) Las características de la muestra (tamaño de muestra y número de grupos en estudio).

Las variables se clasifican por diferentes características. Para fines prácticos, variables se
clasifican en dos tipos: a) variables cuantitativas, también llamadas Inter valares, que son
aquellas que tienen como atributo una cantidad y sus escalas son continuas (se pueden medir
en decimales) y discretas (sólo se miden en números enteros), y b) variables cualitativas, que se
dimensionan por categorías, contienen una categoría o cualidad y sus escalas o medición son
ordinales (cuando tienen un orden) o nominales (cuando se le asigna un nombre a la variable y
ésta puede ser dicotómica, si sólo hay dos opciones de clasificación, y policotómicas, cuando
hay más de dos opciones de clasificación).
ESCALA DE MEDICION
Las Escalas de Medición son una sucesión de medidas que permiten organizar datos en orden
jerárquico. Las escalas de medición, pueden ser clasificadas de acuerdo a una degradación de
las características de las variables. Estas escalas son: nominales, ordinales, intercalares o
racionales. Según pasa de una escala a otra el atributo o la cualidad aumenta. Las escalas de
medición ofrecen información sobre la clasificación de variables discretas o continuas. Toda vez
que dicha clasificación determina la selección de la gráfica adecuada.

Todo problema de investigación científica, implica de algún modo una tarea de medición de los
conceptos que intervienen en el mismo. Porque si tratamos con objetos como una especie
vegetal o un comportamiento humano nos veremos obligados ya sea a describir sus
características o a relacionarse éstas con otras con las que pueden estar conectadas: en todo
caso tendremos que utilizar determinadas variables –tamaño, tipo de flor, semilla, o las
variables que definan el comportamiento de estudio- y tendremos que encontrar el valor que
éstas asumen en el caso estudiado. En eso consiste, desde el punto de vista lógico más general,
la tares de medir.
Tipos de Escalas de Medición
La escala de medida de una característica tiene consecuencias en la manera de presentación de
la información y el resumen. La escala de medición -grado de precisión de la medida de la
característica- también determina los métodos estadísticos que se usan para analizar los datos.
Por lo tanto, es importante definir las características por medir. Las escalas de medición más
frecuentes son las siguientes:

Escala Nominal: No poseen propiedades cuantitativas y sirven únicamente para identificar las
clases. Los datos empleados con las escalas nominales constan generalmente de la frecuencia
de los valores o de la tabulación de número de casos en cada clase, según la variable que se
está estudiando. El nivel nominal permite mencionar similitudes y diferencias entre los casos
particulares. Los datos evaluados en una escala nominal se llaman también "observaciones
cualitativas", debido a que describen la calidad de una persona o cosa estudiada, u
"observaciones categóricas" porque los valores se agrupan en categorías. Por lo regular, los
datos nominales o cualitativos se describen en términos de porcentaje o proporciones. Para
exhibir este tipo de información se usan con mayor frecuencia tablas de contingencia y gráficas
de barras.
Escala Ordinal: Las clases en las escalas ordinales no solo se diferencian unas de otras
(característica que define a las escalas nominales) sino que mantiene una especie de relación
entre sí. También permite asignar un lugar específico a cada objeto de un mismo conjunto, de
acuerdo con la intensidad, fuerza, etc.; presentes en el momento de la medición. Una
característica importante de la escala ordinal es el hecho de que, aunque hay orden entre las
categorías, la diferencia entre dos categorías adyacentes no es la misma en toda la extensión de
la escala. Algunas escalas consisten en calificaciones de múltiples factores que se agregan
después para llegar a un índice general. Debe mencionarse brevemente una clase espacial de
escala ordinal llamada "escala de posición", donde las observaciones se clasifican de mayor a
menor (o viceversa). Al igual que en las escalas nominales, se emplean a menudo porcentajes y
proporciones en escalas ordinales.
Escala de Intervalo: Refleja distancias equivalentes entre los objetos y en la propia escala. Es
decir, el uso de esta escala permite indicar exactamente la separación entre 2 puntos, lo cual,
de acuerdo al principio de isomorfismos, se traduce en la certeza de que los objetos así
medidos están igualmente separados a la distancia o magnitud expresada en la escala.
Escala de Razón: Constituye el nivel óptimo de medición, posee un cero verdadero como origen,
también denominada escala de proporciones. La existencia de un cero, natural y absoluto,
significa la posibilidad de que el objeto estudiado carezca de propiedad medida, además de
permitir todas las operaciones aritméticas y el uso de números representada cantidades reales
de la propiedad medida. Con esto notamos que esta escala no puede ser usada en los
fenómenos psicológicos, pues no se puede hablar de cero inteligencias o cero aprendizajes, etc.

PRUEBAS PARAMETRICAS Y NO PARAMETRICAS

MÉTODOS PARAMÉTRICOS
Los métodos se clasifican según lo que sabemos sobre la población que estamos estudiando.
Los métodos paramétricos suelen ser los primeros métodos que se estudian en un curso de
introducción a la estadística. La idea básica es que existe un conjunto de parámetros fijos que
determinan un modelo de probabilidad.
Los métodos paramétricos son a menudo aquellos para los que sabemos que la población es
aproximadamente normal, o podemos aproximarnos usando una distribución normal después
de invocar el teorema del límite central . Hay dos parámetros para una distribución normal: la
media y la desviación estándar.
En última instancia, la clasificación de un método como paramétrico depende de los supuestos
que se hacen sobre una población. Algunos métodos paramétricos incluyen:
Intervalo de confianza para una media poblacional, con desviación estándar conocida.
Intervalo de confianza para una media poblacional, con desviación estándar desconocida.
Intervalo de confianza para una varianza poblacional.
Intervalo de confianza para la diferencia de dos medias, con desviación estándar desconocida.
MÉTODOS NO PARAMÉTRICOS
Para contrastar con los métodos paramétricos, definiremos métodos no paramétricos. Se trata
de técnicas estadísticas para las que no tenemos que asumir ningún parámetro para la
población que estamos estudiando. De hecho, los métodos no tienen ninguna dependencia de
la población de interés. El conjunto de parámetros ya no es fijo, ni tampoco la distribución que
usamos. Es por esta razón que los métodos no paramétricos también se denominan métodos
sin distribución.
Los métodos no paramétricos están ganando popularidad e influencia por varias razones. La
razón principal es que no estamos tan limitados como cuando usamos un método paramétrico.
No necesitamos hacer tantas suposiciones sobre la población con la que estamos trabajando
como lo que tenemos que hacer con un método paramétrico. Muchos de estos métodos no
paramétricos son fáciles de aplicar y comprender.

Algunos métodos no paramétricos incluyen:

Prueba de signos para la media poblacional
Técnicas de bootstrapping
Prueba U para dos medias independientes
Prueba de correlación de Spearman
PRUEBA BINOMIAL
En estadística, la prueba binomial o test binomial es una prueba de hipótesis exacta de la
significación estadística de las desviaciones observadas en ensayos que solo pueden resultar en
dos categorías, respecto de una distribución binomial esperada. Cada ensayo dicotómico es
denominado ensayo de Bernoulli (por ejemplo lanzar una moneda o lanzar un dado), y la
probabilidad de obtener cierto número de aciertos después de varios ensayos de Bernoulli
independientes está dada por la distribución binomial.
El procedimiento Prueba binomial compara las frecuencias observadas de las dos categorías de
una variable dicotómica con las frecuencias esperadas en una distribución binomial con un
parámetro de probabilidad especificado. De forma predeterminada, el parámetro de
probabilidad para ambos grupos es 0,5. Para cambiar las probabilidades, puede introducirse
una proporción de prueba para el primer grupo. La probabilidad del segundo grupo será 1
menos la probabilidad especificada para el primer grupo.
La fórmula para calcular la distribución normal es: Donde: n = número de
ensayos/experimentos x = número de éxitos p = probabilidad de éxito q = probabilidad de
fracaso (1-p) Es importante resaltar que la expresión entre corchetes no es una expresión
matricial, sino que es un resultado de una combinatoria sin repetición. Este se obtiene con la
siguiente formula: El signo de exclamación en la expresión anterior, representa el símbolo de
factorial.
PRUEBA DE JI CUADRADA
La prueba chi-cuadrado, también llamada Ji cuadrado (Χ2), se encuentra dentro de las pruebas
pertenecientes a la estadística descriptiva, concretamente la estadística descriptiva aplicada al
estudio de dos variables. Por su parte, la estadística descriptiva se centra en extraer
información sobre la muestra. En cambio, la estadística inferencial extrae información sobre la
población.
El nombre de la prueba es propio de la distribución Chi-cuadrado de la probabilidad en la que se
basa. Esta prueba fue desarrollada en el año 1900 por Karl Pearson.
La prueba chi-cuadrado es una de las más conocidas y utilizadas para analizar variables
nominales o cualitativas, es decir, para determinar la existencia o no de independencia entre
dos variables. Que dos variables sean independientes significa que no tienen relación, y que por
lo tanto una no depende de la otra, ni viceversa.
Así, con el estudio de la independencia, se origina también un método para verificar si las
frecuencias observadas en cada categoría son compatibles con la independencia entre ambas
variables

DE BONDAD DE AJUSTE
Se utiliza para decidir cuando un conjunto de datos se ajusta a una distribución dada
Considérese una muestra aleatoria de tamaño n de la distribución de una variable aleatoria X
dividida en k clases exhaustivas e incompatibles, y sea Ni i = 1, 2, …, k. el número de
observaciones en la i-ésima clase. Considérese la hipótesis nula
H0: F(x)=F0(x)
en donde el modelo de probabilidad propuesto F0(x) se encuentra especificado de manera
completa, con respecto a todos los parámetros.
Es posible, pues, calcular pi: probabilidad de obtener una observación en la i-ésima clase, bajo
H0. Es obvio, también, que

Sea ni la realización de Ni para i = 1,2,…, k de manera que

La probabilidad de obtener de manera exacta ni observaciones en la i-ésima clase es

Dado que existen k categorías mutuamente excluyentes con probabilidades p1, p2, …, pk;
entonces bajo la hipótesis nula la probabilidad de la muestra agrupada es igual a la función de
probabilidad de una distribución multinomial determinada.

Para deducir una prueba estadística para H0, considérese el caso de k = 2. Este es el caso de la
distribución binomial con x = n1, p = p1, n-x =n2 y 1-p =p2. Sea la variable aleatoria
estandarizada:
para n grande, esta variable aleatoria se distribuye según una N(0;1). Además, sabemos que el
cuadrado de una variable aleatoria N(0,1) se distribuye según una chi-cuadrado con un grado de
libertad. Entonces el estadístico

Si se sigue este razonamiento, puede demostrarse que para k≥2 categorías distintas

Nótese que Ni es la frecuencia observada en la i-ésima clase y ni la esperada bajo la hipótesis

nula.
Esta estadística recibe el nombre de prueba de bondad de ajuste chi-cuadrada de Pearson.
Si existe una concordancia perfecta entre las frecuencias observadas y las esperadas, el
estadístico tendrá un valor igual a cero; por otra parte, si las discrepancias entre estas
frecuencias son grandes, el estadístico tomará un valor, también muy grande. Por ello se
desprende que para un valor dado del error de tipo I, la región crítica estará en el extremo
superior la distribución chi-cuadrada con k-1 grado de libertad.
Una ventaja de la prueba de bondad de ajuste chi-cuadrada es que, para valores grandes de n,
la distribución límite chi-cuadrada de la estadística, es independiente de la forma que tenga la
distribución F0(x) propuesta en la hipótesis H0. Como consecuencia de esto se tiene que la
prueba de bondad se utiliza también para distribuciones de probabilidad en las que F0(x) es
continua. Sin embargo, debe insistirse en que la prueba de bondad es discreta, en el sentido de
que ésta compara frecuencias que se observan y se esperan para un número finito de
categorías.
De acuerdo con lo anterior, si F0(x) es continua, la prueba no compara las frecuencias que se
observan aisladas con la función de densidad propuesta tal y como implica la hipótesis nula;
sino, más bien, la comparación se lleva a cabo aproximando la distribución continua bajo H0
con un número finito de intervalos de clase.
No obstante, esta prueba es un procedimiento razonablemente adecuado para probar
suposiciones de normalidad siempre y cuando el tamaño de la muestra sea suficientemente
grande.
¿Qué tan grande debe ser el tamaño de la muestra? Se ha encontrado que, con n igual a 5 veces
el número de clases, los resultados son aceptables. Una regla conservadora es que ninguna
clase tenga una frecuencia inferior a 5; si esto sucediera, se agruparían clases vecinas.
A menos que se especifique una hipótesis alternativa que consista en un modelo alternativo
particular F1(x), la potencia de la prueba (probabilidad de que un valor se encuentre en la
región crítica cuando H0 es falsa) es muy difícil de determinar. Por otra parte, puede
demostrarse que la potencia tiende a 1 cuando n tiende a infinito. Esto implica que cuando n es
muy grande es casi seguro que se rechaza H0, pues es muy difícil especificar una F0(x) lo
suficientemente cercana a la distribución. Por tanto, esta prueba es cuestionable para muestras
muy grandes.
Recuérdese que el modelo de probabilidad propuesto F0(x) se especificó completamente. Por
regla general, solo se conoce la normalidad de F0(x), necesitándose estimar la media y la
varianza, en consecuencia, las frecuencias esperadas npi; i =1,2,…,k no pueden determinarse.
Sea T el estadístico del parámetro desconocido θ de F0(x). Tanto Ni (frecuencias observadas)
como npi(T) frecuencias esperadas son variables aleatorias, donde pi(T) indica que la
probabilidad bajo la hipótesis nula es función del estadístico T de θ.
Puede demostrarse que, si T es el estimador de máxima verosimilitud de θ, entonces:

en donde r es el número de parámetros que se está intentando estimar.

PRUEBA DE INDEPENDENCIA
Muchas veces surge la necesidad de determinar si existe alguna relación entre dos rasgos
diferentes en los que una población ha sido clasificada y en donde cada rasgo ha sido
subdividido en cierto número de categorías. Cuando una muestra se clasifica de esta manera
recibe el nombre de tabla de contingencia de 2 criterios de clasificación. Es posible analizar
tablas que contengan más de dos clasificaciones.
El análisis de una tabla de este tipo supone que las dos clasificaciones son independientes. Esto
es, bajo la hipótesis nula de independencia se desea saber si existe una diferencia entre las
frecuencias que se observan y las correspondientes frecuencias que se esperan. La prueba chi-
cuadrada da los medios apropiados.
Sea n una muestra que se clasifica según A y B, cada uno de los cuales tiene r y c categorías.
Además, sea Ni el número de observaciones de las categorías i, j de A y B. Se pueden tabular los
datos en una matriz de r x c. El total del i-ésimo renglón es la frecuencia de la i-ésima categoría
de A, de manera similar para las columnas. Sea

Sea pij la probabilidad de que un objeto seleccionado al azar se encuentre en la categoría (i, j),
sea pi. la marginal de i de A y p.j la marginal de j de B. Si las características son independientes,
la probabilidad conjunta es igual al producto de las marginales

bajo la hipótesis nula, el estadístico

cuando n es grande.
Sin embargo, la mayoría de las veces no se conocen las probabilidades marginales, y de esta
forma se estiman con base en una muestra.
Afortunadamente, la prueba de bondad de ajuste de la chi-cuadrado permanece como la
estadística apropiada siempre que se empleen los estimados de máxima verosimilitud y se reste
un grado de libertad del total para cada parámetro que se esté estimando. Dado que

existen r-1 parámetros de filas y c-1 de columnas a ser estimados.

De esta forma el número de grados de libertad será
rc-1-(r-1)-(c-1)=rc-r-c+1=r(c-1)-(c-1)=(r-1)(c-1)
Puede demostrarse que los estimadores de máxima verosimilitud son

al sustituir se obtiene

TABLAS DE CONTINGENCIA
Las tablas de contingencia (también llamadas a veces tablas dinámicas, tablas cruzadas, tablas
de control o crosstabs como se conocen en inglés) son posiblemente la técnica estadística más
utilizada en análisis de datos. En este tutorial mostraré cómo se analizan las tablas de
contingencia para que cada vez que nos encontremos con una en un periódico, artículo
científico o informe, podamos leerla e interpretar fácilmente los resultados. Y también para que
podamos hacer tablas de contingencia en SPSS y analizar sus resultados de forma muy fácil y
sencilla. 
Hay dos condiciones para aplicar las tablas de contingencia como estrategia de análisis de
datos:
Solo se pueden relacionar dos variables. Una puntualización. Sí se pueden hacer tablas de
contingencia con 3 variables, pero este es ya otro tema que abordaremos en otro tutorial.
Las variables a analizar deben ser nominales u ordinales. Las variables nominales son las que no
tienen orden interno establecido (p.ej. género o estado civil), y las variables ordinales son
aquellas que sí tienen un orden interno establecido y el paso de una categoría a otra no es igual
(p.ej. nivel educativo, interés en la política (alto-medio-bajo-ninguno). Las tablas de
contingencia no se usan para analizar relaciones de variables escalares como la edad de muchas
categorías ya que si se usara la tabla sería inmensa e ilegible. Si queremos usar la edad como
variable en una tabla de contingencia debemos recodificarla por rangos. Al recodificar una
variable escalar como la edad por rangos, deja de ser escalar y pasa a ser ordinal, y por tanto sí
se puede incluir un análisis de tablas de contingencia. Ejemplo: interés en la política según
grupos de edad.

Por tanto, dos condiciones: relacionar solo 2 variables y que las variables sean nominales u
ordinales. 
PRUEBA DE KOLMOGOROV PARA BONDAD DE AJUSTE
La prueba de bondad de ajuste de Pearson se encuentra limitada cuando F0(x) es continua y la
muestra aleatoria disponible es de tamaño pequeño. Una prueba de bondad cuando F0(x) es
continua es la de Kolmogórov-Smirnov. No necesita que los datos estén agrupados en intervalos
y es aplicable cuando la muestra es pequeña. Ésta se basa en una comparación entre las
funciones de distribución acumulativas que se observan en la muestra ordenada y en la
distribución propuesta bajo la hipótesis nula.
Consideremos la hipótesis nula H0: F(x)=F0(x), en donde F0(x) se especifica de forma completa.
Denótese por x(1), x(2), …, x(n) a las observaciones ordenadas de una muestra aleatoria de
tamaño n; y defínase la función de distribución acumulativa muestral como

Si la hipótesis nula es correcta las diferencias entre Sn(x) y F0(x) serán pequeñas. El estadístico
de Kolmogórov-Smirnov se define como

El estadístico Dan tiene una distribución que es independiente del modelo propuesto bajo la
hipótesis nula, y depende tan solo del tamaño de la muestra. En la tabla adjunta en la hoja de
cálculo, se proporcionan valores cuantiles superiores de Dan para varios tamaños de la
muestra.
Para un error de tipo I de tamaño a, la región crítica es de la forma
PRUEBA DE RACHAS PARA ALEATORIEDAD
El contraste de rachas permite verificar la hipótesis nula de que la muestra es aleatoria, es
decir, si las sucesivas observaciones son independientes. Este contraste se basa en el número
de rachas que presenta una muestra. Una racha se define como una secuencia de valores
muestrales con una característica común precedida y seguida por valores que no presentan esa
característica. Así, se considera una racha la secuencia de k valores consecutivos superiores o
iguales a la media muestral (o a la mediana o a la moda, o a cualquier otro valor de corte)
siempre que estén precedidos y seguidos por valores inferiores a la media muestral (o a la
mediana o a la moda, o a cualquier otro valor de corte).
El número total de rachas en una muestra proporciona un indicio de si hay o no aleatoriedad en
la muestra. Un número reducido de rachas (el caso extremo es 2) es indicio de que las
observaciones no se han extraído de forma aleatoria, los elementos de la primera racha
proceden de una población con una determinada característica (valores mayores o menores al
punto de corte) mientras que los de la segunda proceden de otra población. De forma idéntica
un número excesivo de rachas puede ser también indicio de no aleatoriedad de la muestra.
Si la muestra es suficientemente grande y la hipótesis de aleatoriedad es cierta, la distribución
muestral del número de rachas, R, puede aproximarse mediante una distribución normal de
parámetros:

donde n1 es el número de elementos de una clase, n2 es el número de elementos de la otra

clase y n es el número total de observaciones.

UNA MUESTRA :PRUEBA DE SIGNOS

 La prueba del signo es una prueba no paramétrica (de distribución libre) que utiliza signos
positivos y negativos para probar diferentes aseveraciones, incluyendo:
 
·         Aseveraciones que implican datos muéstrales apareados
·         Aseveraciones que implican datos nominales
·         Aseveraciones acerca de la mediana de una sola población
    Se utiliza para contrastar hipótesis sobre el parámetro de centralización y es usado
fundamentalmente en el análisis de comparación de datos pareados. 
 
Prueba de Signos para una sola muestra
  La prueba estadística está basada en la distribución Binomial con probabilidad de éxito p=1/2,
puesto que la probabilidad de que un dato sea mayor o menor que la mediana es ½. Para
calcularla se determinan las diferencias de los datos con respecto al valor dado de la mediana y
se cuenta los signos positivos y negativos.
 
    Dado una muestra aleatoria simple de tamaño n definida por  extraída de una
población con distribución continua, se quiere contrastar si su mediana es igual a cierto valor
.
 
Definimos:
T: n° de casos en los que   (+)
T: n° de casos en los que   (-)
 
a)    Cuando:
 
T(número de diferencias positivas) > T(-) (número de diferencias negativas), entonces el “p-
valor” calcular por:

Donde:
c: número de diferencias positivas.
n: número de datos menos la cantidad de datos iguales al valor  asumido. 
 
b) Cuando:
T(número de diferencias positivas)
entonces el "p- valor" se calcula por :
 

 
Donde:
c: número de diferencias positivas.
n: número de datos menos la cantidad de datos iguales al
valor  asumido.
 
Hipótesis de la prueba para el caso:
 

a)   

 
a.1) T(número de diferencias positivas) > T(-) (número de diferencias negativas)   entonces el “p-
valor” calcula con :  es decir con:
 

 a.2) T(número de diferencias positivas) < T(-) (número de diferencias negativas), entonces el
“p-valor” calcular con es decir con
 

 b)    
 
b.1) T(número de diferencias positivas) > T(-) (número de diferencias negativas)   entonces el
“p-valor” calcula con    es decir con:
 

 
 b.2) T(número de diferencias positivas) < T(-) (número de diferencias negativas), entonces el
“p-valor” calcular con es decir con:

c)    
c.1) T(número de diferencias positivas) > T(-) (número de diferencias negativas)   entonces el “p-
valor” calcula con :  es decir con:

 
 c.2) T(número de diferencias positivas) < T(-) (número de diferencias negativas), entonces el “p-
valor” calcular por:
c.3) T(número de diferencias positivas) = T(-) (número de diferencias negativas)  entonces el “p-
valor” = 1
 
Para muestras de tamaño n  y p= 0,5, la distribución binomial está bien aproximada por
la distribución normal.
 
Por tanto, dado que la media de la distribución binomial es np y la varianza es npq, la
distribución de “T(número de signos de mayor frecuencia)” es aproximadamente normal con
media 0,5n y varianza 0,25n, cada vez “n” es moderadamente grande . Por
consiguiente, las hipótesis pueden probarse con el estadístico:

UNA MUESTRA : PRUEBA DE WILCOXON

El estadístico de Wilcoxon es el número de promedios en parejas (también denominados
promedios de Walsh) que son mayores que la mediana hipotética, más la mitad del número de
promedios en parejas que son iguales a la mediana hipotética. El estadístico de Wilcoxon se
denota como W. Minitab obtiene el estadístico de prueba utilizando un algoritmo basado en
Johnson y Mizoguchi (1978)1.
Valor p
El estadístico de prueba de Wilcoxon, W, es la suma de los rangos asociados con las
observaciones que exceden la mediana hipotética. Minitab calcula el estadístico de prueba
utilizando los promedios (de Walsh) en parejas como se describe en Johnson y Mizoguchi1:
El número de observaciones, N, se reduce en uno por cada observación que es igual a la
mediana hipotética. El tamaño de la muestra que se obtiene es n.
Excluya las observaciones que sean iguales a la mediana hipotética. Calcule n(n + 1) / 2
promedios de Walsh en parejas (Yi + Yj) / 2 para i ≤ j de las observaciones.
Para muestras grandes, la distribución de W es aproximadamente normal. Específicamente:

está distribuido aproximadamente como una distribución normal

con una media de 0 y una desviación estándar de 1, N(0,1).
El valor p de la aproximación a la normal para las tres hipótesis alternativas utiliza una
corrección de continuidad de 0.5.
Hipótesis alternativa Valor p
H1: Mediana > mediana hipotética

H1: Mediana < mediana hipotética

H1: Mediana ≠ mediana hipotética

DOS MUESTRAS : PRUEBA DE MANN-WHITNEY

En estadística la prueba de la U de Mann-Whitney (también llamada de Mann-Whitney-
Wilcoxon, prueba de suma de rangos Wilcoxon, o prueba de Wilcoxon-Mann-Whitney) es una
prueba no paramétrica aplicada a dos muestras independientes. Es la versión no paramétrica
de la habitual prueba t de Student.
Planteamiento de la prueba
La prueba de Mann-Whitney se usa para comprobar la heterogeneidad de dos muestras
ordinales. El planteamiento de partida es:
Las observaciones de ambos grupos son independientes.
Las observaciones son variables ordinales o continuas.
Bajo la hipótesis nula, la distribución de partida de ambos grupos es la misma: P(X > Y) = P(Y > X)
Bajo la hipótesis alternativa, los valores de una de las muestras tienden a exceder a los de la
otra: P(X > Y) + 0.5 P(X = Y)  > 0.5.
Para calcular el estadístico U se asigna a cada uno de los valores de las dos muestras su rango
para construir

U 1 = n 1 n 2 + n 1 ( n 1 + 1 ) 2 − R 1 {\ U_{1}=n_{1}n_{2}+{n_{1}(n_{1}+1) \ 2}-R_{1}}

U 2 = n 1 n 2 + n 2 ( n 2 + 1 ) 2 − R 2 {\ U_{2}=n_{1}n_{2}+{n_{2}(n_{2}+1) \ 2}-R_{2}}
donde n1 y n2 son los tamaños respectivos de cada muestra; R1 y R2 es la suma de los rangos
(la suma de la posición relativa de cada individuo de la muestra) de las observaciones de las
muestras 1 y 2 respectivamente.
El estadístico U se define como el mínimo de U1 y U2.
Los cálculos tienen que tener en cuenta la presencia de observaciones idénticas a la hora de
ordenarlas. No obstante, si su número es pequeño, se puede ignorar esa circunstancia
OBSERVACIONES PAREADAS : PRUEBA DE SIGNOS
Consiste en convertir valores de datos en signos positivos y negativos, y luego hacer una prueba
para ver si hay una cantidad desproporcionadamente mayor de uno u otro signo.
Es una prueba no paramétrica (de distribución libre) que utiliza signos positivos y negativos
para probar diferentes aseveraciones, incluyendo:
Aseveraciones que implican datos muestrales apareados
Aseveraciones que implican datos nominales
Aseveraciones acerca de la mediana de una sola población
La idea básica que subyace en la prueba del signo es el análisis de las frecuencias de los signos
positivos y negativos para determinar si son significativamente diferentes. Por ejemplo,
suponga que probamos un tratamiento diseñado para incrementar la probabilidad de que un
bebé sea niña. Si se trata a 100 mujeres y 51 de ellas tienen niñas, el sentido común sugiere que
no existe evidencia suficiente para afirmar que el tratamiento es efectivo, puesto que 51 niñas
entre 100 bebés no son significativas
Requisitos
Los datos muestrales se seleccionaron aleatoriamente.
No existe el requisito de que los datos muestrales provengan de una población con una
distribución particular, como una distribución normal.
Notación
x= el número de veces que ocurre el signo menos frecuente
n= el número total de signos positivos y negativos combinados
Estadístico de prueba
Para n ≤ 25: x (el número de veces que ocurre el signo menos frecuente)
n
Para n > 25: z=
()
( x+ 0.05 )−
2
√n
2
Valores críticos
Para n ≤ 25, los valores críticos x se encuentran en la tabla valores críticos para la prueba del
signo
Par n > 25, los valores críticos z se encuentran en la tabla de distribución normal
Cuando se aplica la prueba del signo en una prueba de una cola, necesitamos ser muy
cuidadosos para evitar obtener la conclusión equivocada cuando un signo ocurre
significativamente con más frecuencia que el otro, pero los datos muestrales contradicen la
hipótesis alternativa. Por ejemplo, suponga que estamos probando la aseveración de que una
técnica de selección del género favorece a los niños, pero obtenemos una muestra de 10 niños
y 90 niñas. Con una proporción muestral de niños igual a 0.10, los datos contradicen la hipótesis
alternativa H1: p > 0.5. No hay forma de sustentar dicha aseveración con ninguna proporción
muestral menor que 0.5, por lo que no rechazamos la hipótesis nula y no procedemos con la
prueba del signo. Si los datos muestrales van en el sentido opuesto de H1, no rechace la
hipótesis nula.
Cuando se utiliza la prueba del signo con datos que están ordenados en pares, convertimos los
datos en bruto a datos con signos positivos y negativos como sigue:
Restamos cada valor de la segunda variable del valor correspondiente de la primera variable
Registramos sólo el signo de la diferencia encontrada por el paso 1. Excluimos los empates: es
decir, excluimos todos los datos apareados en los que ambos valores son iguales
El concepto clave que subyace en la aplicación de la prueba del signo:
Si dos conjuntos de datos tienen medianas iguales, el número de signos positivos debe
ser aproximadamente igual al número de signos negativos.

OBSERVACIONES PAREADAS PRUEBA DE WILCOXON.

es una prueba no paramétrica para comparar el rango medio de dos muestras relacionadas y
determinar si existen diferencias entre ellas. Se utiliza como alternativa a la prueba t de Student
cuando no se puede suponer la normalidad de dichas muestras. Debe su nombre a Frank
Wilcoxon, que la publicó en 1945.[1] Es una prueba no paramétrica de comparación de dos
muestras relacionadas y por lo tanto no necesita una distribución específica. Usa más bien el
nivel ordinal de la variable dependiente. Se utiliza para comparar dos mediciones relacionadas y
determinar si la diferencia entre ellas se debe al azar o no (en este último caso, que la
diferencia sea estadísticamente significativa). Se utiliza cuando la variable subyacente es
continua pero no se presupone ningún tipo de distribución particular

La distribución del estadístico W + W^{+}} puede consultarse en tablas para determinar si

se acepta o no la hipótesis nula.
En ocasiones, esta prueba se usa para comparar las diferencias entre dos muestras de datos
tomados antes y después del tratamiento, cuyo valor central se espera que sea cero. Las
diferencias iguales a cero son eliminadas y el valor absoluto de las desviaciones con respecto al
valor central son ordenadas de menor a mayor. A los datos idénticos se les asigna el lugar
medio en la serie. La suma de los rangos se hace por separado para los signos positivos y los
negativos. S representa la menor de esas dos sumas. Comparamos S con el valor proporcionado
por las tablas estadísticas al efecto para determinar si rechazamos o no la hipótesis nula, según
el nivel de significación elegido.
VARIAS MUESTRAS INDEPENDIENTES PRUEBA DE KRUSKAL-WALLIS
Esta prueba no paramétrica es análoga a la prueba paramétrica ANOVA de una vía. Aquí se
prueba si varias muestras independientes (más de dos muestras o lo que es lo mismo decir k
muestras independientes) provienen o no de la misma población. Puede ser considerada como
una generalización de la prueba de la Suma de rangos de Wilcoxon. Asume que la variable tiene
una distribución continua y requiere que esté medida en una escala ordinal. Hipótesis: H0:
Med1= Med2=…=Medk H1: Medi ≠ Medj al menos para un par (i,j) El estadígrafo H de Kruskal
Wallis que para 3 o más grupos de tamaño 5 o mayor tiene una distribución χ2 con k-1 grados
de libertad. Otra forma de declarar las hipótesis puede ser: Hipótesis: H0: Las muestras
provienen de poblaciones idénticas H1: Las muestras provienen de poblaciones diferentes Se
desea determinar si las cifras que excretan en orina de sodio y potasio 4 tipos de ratas difieren
entre sí, para lo cual se hicieron las determinaciones .
Este contraste, debido a Kruskal y Wallis, viene a ser una generalización del test de Mann-
Whitney para el caso de k muestras independientes. Se examina la hipótesis de que estas
muestras provengan de la misma población o de poblaciones de idéntico comportamiento,
frente a la alternativa de que no todas provienen de la misma población. En este sentido es una
versión "no paramétrica" del Análisis de la Varianza. Este test, al igual que el de Mann-Whitney
presenta una muy alta eficiencia ( o potencia relativa ).Siendo más potente que otras pruebas
no paramétricas similares como la de la mediana.
La situación de aplicación es tal que disponemos de k muestras independientes de tamaños:
n1,n2,...,nk con n1+ n2+...+ nk = n donde estas observaciones están medidas en, al menos
escala ordinal.(ordenación)
Si llamamos Ri a la suma de los rangos de las observaciones de la i-sima muestra el estadístico
H:

sigue aproximadamente una distribución con k-1 grados de libertad:

De forma que, dado un nivel de significación,   si el estadístico evaluado,H, supera el valor
crítico, rechazaremos la hipótesis nula de que las muestras provienen de poblaciones iguales.

COEFICIENTE DE CORRELACION DE ESPEARMAN

El coeficiente de correlación de Spearman es una medida no paramétrica de la correlación de
rango (dependencia estadística del ranking entre dos variables). Se utiliza principalmente para
el análisis de datos.
Mide la fuerza y la dirección de la asociación entre dos variables clasificadas. Pero antes de
hablar de la correlación de Spearman, es importante entender la correlación de Pearson, la cual
es una medida estadística de la fuerza de una relación lineal entre datos emparejados.
Para el cálculo y la prueba de significación de la variable de ranking, se requiere que las
siguientes suposiciones de datos sean ciertas:
Nivel de intervalo o ratio
Relación lineal
Bivariante distribuido
Si tus datos no cumplen con las suposiciones anteriores, necesitarás el coeficiente de
correlación de Spearman. Para esto, es necesario saber qué función monótona es para
entenderlo.
Una función monótona es aquella que nunca disminuye o nunca aumenta, ya que es un
incremento variable independiente. Puede ser explicada usando la imagen de abajo:

La imagen explica tres conceptos de la función monótona:

Monotónica mente en aumento: Cuando la variable “x” aumenta y la variable “y” nunca
disminuye.
Disminuye monótonamente: Cuando la variable “x” aumenta pero la variable “y” nunca
aumenta.
No monótono: Cuando la variable “x” aumenta y la variable “y” a veces aumenta y a veces
disminuye.
La relación monótona es menos restrictiva cuando se compara con una relación lineal que se
utiliza en el coeficiente de correlación de Pearson. Aunque la mono tonicidad no es el último
requisito, no será significativo perseguirla sin determinar realmente la fuerza y dirección de una
relación monótona si ya se sabía que la relación entre la variable no es monótona.
Quizá te interese conocer cómo realizar un análisis de tabla cruzada.
Cómo calcular el coeficiente de correlación de Spearman

n= número de puntos de datos de las dos variables

di= diferencia de rango del elemento “n”
El Coeficiente Spearman, ⍴, puede tomar un valor entre +1 y -1 donde,
Un valor de +1 en ⍴ significa una perfecta asociación de rango
Un valor 0 en ⍴ significa que no hay asociación de rangos
Un valor de -1 en ⍴ significa una perfecta asociación negativa entre los rangos.
Si el valor de ⍴ se acerca a 0, la asociación entre los dos rangos es más débil.
Debemos ser capaces de clasificar los datos antes de proceder con el coeficiente de correlación
de Spearman. Es importante observar que, si se incrementa una variable, la otra sigue una
relación monótona.
Cómo se usa el coeficiente de correlación de Spearman
En cada nivel, deberás comparar los valores de las dos variables. Aquí tenemos un ejemplo de
cómo funcionan los cálculos:
Los resultados de 9 estudiantes en Historia y Geografía se mencionan en la siguiente tabla.
Paso 1: Crear una tabla con los datos obtenidos.
Paso 2: Comienza por clasificar los dos conjuntos de datos. La clasificación de los datos puede
lograrse asignando la clasificación “1” al número más grande de la columna, “2” al segundo
número más grande, y así sucesivamente. El valor más pequeño generalmente obtendrá la
clasificación más baja. Esto debe hacerse para ambos conjuntos de mediciones.
Paso 3: Agrega una tercera columna “d” a tu conjunto de datos, “d” aquí denota la diferencia
entre los rangos. Por ejemplo, si el rango de física del primer estudiante es 3 y el rango de
matemáticas es 5, entonces la diferencia en el rango es 3. En la cuarta columna, cuadrar sus
valores “d”.
Historia Rango Geografía Rango d d cuadrada

35 3 30 5 2 4

23 5 33 3 2 4

47 1 45 2 1 1

17 6 23 6 0 0

10 7 8 8 1 1

43 2 49 1 1 1

9 8 12 7 1 1

6 9 4 9 0 0

28 4 31 4 0 0

12
Paso 4: Sumar todos los valores del cuadrado “d” que es 12 (∑d cuadrada).
Paso 5: Insertar estos valores en la fórmula.

=1-(6*12) / (9(81-1))
=1-72/720
=1-01
=0.9
El coeficiente de correlación de Spearman para estos datos es de 0.9 y como se mencionó
anteriormente si el valor de ⍴ se acerca a +1 entonces tienen una asociación perfecta de rango.

APLICACIONES
El primer término a considerar es el de las probabilidades. Cuando se quiere conocer lo que
ocurre dentro de nuestra unidad de producción, cuando se quiere conocer qué forma de
manejo es la más adecuada, es necesario repetir varias veces las observaciones que se hacen.
Así como debo lanzar varias veces una moneda para conocer la probabilidad de que caiga cara o
que caiga sello (si concluyera en base a solo una observación, quizás mi conclusión
absolutamente errada sería: “toda vez que se lanza una moneda caerá sello”), también debo
observar varias veces el efecto que tenga un fertilizante foliar sobre mi cultivo, o el efecto de
suplementar al ganado con bloques nutricionales, o el efecto de dar alimento balanceado a las
cabras. Esas varias observaciones se deben hacer de manera organizada y sistemática, y es así
que surge el concepto de Diseño de Experimentos que intentará maximizar las diferencias
obtenidas por efecto de lo que se está probando, y adicionalmente intentará minimizar las
diferencias debidas a factores que no se están evaluando. En el Diseño de Experimentos se
establecen las Repeticiones que estarán representadas por el número de observaciones que se
harán sobre el efecto de cierto tratamiento sobre cierta variable. Como es complejo tener todo
bajo control, especialmente en el campo, la experimentación agrícola se hace normalmente en
pequeñas parcelas, o con pocos animales. Las repeticiones serán pequeñas parcelas sobre las
cuales se aplica un mismo tratamiento, por ejemplo, si se está probando dosis de un
fertilizante, los tratamientos serán las distintas dosis y las repeticiones serán el número de
parcelas sobre las cuales se aplica la misma dosis y sobre las cuales de tomarán observaciones
de la variable que se está midiendo (probablemente rendimiento por parcela). O si se está
probando distintas dosis de minerales en cerdos, los tratamientos serán las distintas dosis de
minerales y las repeticiones serán la cantidad de animales a los cuales se les da la misma dosis y
sobre los cuales se tomarán las observaciones de la variable que se está midiendo
(probablemente ganancia de peso).
BIBLIOGRAFIA

cómo elegir la prueba estadística. (s. f.). acces. Recuperado 16 de enero de 2021,
dehttps://accessmedicina.mhmedical.com/content.aspx?bookId=2448§ionId=193961180#:~

Lubin, P. Macià, A. Rubio de Lerma, P. (2005). Psicología matemática I y II. Madrid: UNED.
Pardo, A. San Martín, R. (2006). Análisis de datos en psicología II. Madrid: Pirámide.

¿que son las pruebas paramétricas y no paramétricas? (s. f.). cine ciencia hoy. Recuperado 17
de enero de 2021, de https://cienciadehoy.com/que-son-las-pruebas-parametricas-y-no-
parametricas

PRUEBAS DE BONDAD DE AJUSTE. (s. f.). PRUEBAS. Recuperado 17 de enero de 2021, de

http://www.juntadeandalucia.es/averroes/centros-
tic/14002996/helvia/aula/archivos/repositorio//250/295/html/estadistica/bondad.htm

distribución binomial. (s. f.). econopedia. Recuperado 17 de enero de 2021, de

https://economipedia.com/definiciones/distribucion-binomial.html

cómo elegir la prueba estadística. (s. f.). acces. Recuperado 16 de enero de 2021, de
https://accessmedicina.mhmedical.com/content.aspx?bookId=2448§ionId=193961180