UNIVERSIDAD ESTATAL DE MILAGRO

FACULTAD DE CIENCIAS SOCIALES,

EDUCACIÓN COMERCIAL Y DERECHO

TRABAJO SOCIAL

MATERIA:

SOCIOLOGÍA URBANA Y RURAL.

DOCENTE AUTOR:

MGTR. XXXXXXXXXXXXXXXXXX

TEMA DE TAREA:

Xxxxxxxxxxxxxxxxxxxxxxxxxxx

ALUMNO:

XXXXXXXXXXXXXXXXXXXXXXXXXXXXX

NIVEL:

XXXXXXXXXXXXXXXXXXXXXXXXXXX

FECHA DE ENTREGA:

06/12/2021

PERIODO LECTIVO

NOVIEMBRE 2021-MARZO
 PRUEBAS DE HIPÓTESIS
PRUEBAS PARAMÉTRICAS PRUEBAS NO PARAMÉTRICAS
Las pruebas paramétricas son una Las pruebas no paramétricas, también
herramienta estadística que se utiliza para conocidas como pruebas de distribución
el análisis de los factores de la población. libre, son las que se basan en
Definición Esta muestra debe cumplir ciertos determinadas hipótesis, pero lo datos
requisitos como el tamaño, ya que observados no tienen una organización
mientras más grande sea, más exacto será normal.
el cálculo.
 Prueba del valor Z de la  Prueba de Chi-cuadrado de
distribución normal Pearson.
 Prueba T de Student para datos  Prueba Binomial.
relacionados (muestras  Prueba de Rachas.
dependientes)  Prueba de Kolmogorov-Smirnov.
 Prueba T de Student para datos no  Prueba de McNemar.
relacionados (muestras  Prueba de los signos.
independientes)  Prueba de Wilcoxon.
 Prueba T de Student-Welch para  Prueba de Cochran.
Tipos dos muestras independientes con  Coeficiente de concordancia de W
varianzas no homogéneas de Kendall.
 Prueba de Ji Cuadrada de Bartlett  Prueba U de Mann-Whitney.
para demostrar la homogeneidad  Prueba de Rachas de Wald-
de varianzas Wolfowitz.
 Prueba F (análisis de varianza o  Prueba de reacciones extremas de
ANOVA). Moses.
 Prueba de la mediana.
 Prueba de Jonckheere-Terpstra.
 Prueba H de Kruskal-Wallis.
Limitaciones  Se utilizan para muestras grandes.  Por lo general son menos potentes
 Las hipótesis se basan en datos que la prueba paramétrica
numéricos. correspondiente cuando se cumple
 No toma en cuenta los valores el supuesto de normalidad.
perdidos para obtener  Suelen requerir que se modifiquen
información. las hipótesis.
  Se aplican en variables normales
o de intervalo.
Son una herramienta útil para múltiples Se pueden utilizar sin el tamaño de la
situaciones, cálculo e interpretaciones. muestra o la estimación de cualquier
Son un método muy poderoso si se parámetro relacionado del que no se
Importancia
cumplen las condiciones de su aplicación. tenga información. Dado que las
suposiciones son menores, pueden
aplicarse de múltiples formas.
 Independencia de las  Independencia de las
observaciones a excepción de observaciones aleatorias a
datos pareados. excepción de datos pareados.
 Las observaciones para la variable Pocas asunciones con respecto a
dependiente se han obtenido de la distribución de la población.
manera aleatoria de una población  La variable dependiente es
con distribución normal. medida en escala categórica.
 La variable dependiente es  El punto primario es el
medida al menos en una escala de ordenamiento por rangos o por
Características
intervalo. frecuencias.
 Los datos son obtenidos de  Las hipótesis se hacen sobre
poblaciones que tienen varianzas rangos, mediana o frecuencias de
iguales (una varianza no debe ser los datos.
el doble o mayor que la otra).
 Habitualmente las hipótesis se
hacen sobre valores numéricos,
especialmente el promedio de una
población (µ).

EJERCICIOS

PRUEBAS PARAMÉTRICAS.
 1. Un fabricante de perfume asegura que los frascos que produce contienen por
término medio 100 ml. distribuyéndose el contenido de dichos frascos según
una distribución normal. Para corroborar la veracidad de lo expuesto
realizamos un muestreo aleatorio a 17 frascos resultando de media 99 ml con
desviación típica 2. Podemos confiar en lo que dice el fabricante si nos lo
planteamos con nivel de significación del 1%.

Solución:

Nos planteamos comprobar realmente si el fabricante produce frascos cuyo contenido

sea inferior a 100, dado que si es mayor nadie se lo va a recriminar.

Las condiciones (hipótesis de aplicación) son las siguientes: distribución de la población

normal, varianza de la población desconocida, muestreo aleatorio simple; el estadístico
a aplicar será:

X−μ 0 99−100
T= √ n−1= √16=−2
s 2

Para un nivel de significación del 1% tendremos que dado que T ∈ R 0 (no rechazo) NO
rechazamos la hipótesis de que la media de contenido en el frasco es 100.

2. Un reciente estudio plantea que el porcentaje de fracaso escolar en la

Universidad española es del 30% para contrastar dicha proporción realizamos
un estudio a 1000 estudiantes elegidos al azar resultando que la tasa de
fracaso resultó del 28 %. Podemos dar por válido el resultado del estudio
anterior en base a lo obtenido en el nuestro si trabajamos con un nivel de
significación del 5%.

Solución:

La hipótesis para contrastar será, siendo el estadístico para utilizar:

^p− p 0 0,28−0,3
T= = =−1,38

√ p0 q0
n √0,3(0,7)
1000

Dado que trabajamos con α =0,05 tendremos que la región de N 0 rechazo R0 será:

[-1,96 ;1,96]
dado que T ∈ R 0No podemos rechazar que el fracaso escolar en la universidad española
sea del 30%.

3. El 67 % de las empresas azulejeras tienen una plantilla de más de 25

empleados, mientras que de una muestra de 56 empresas en general
(cualquier actividad) resultó que 42 eran las que tenían más de 25 empleados.
Con esta información ¿cabe suponer que la proporción de empresas
azulejeras con más de 25 empleados es distinta a la de las empresas en general
si trabajamos con un nivel de significación del 5% ?.

Solución:

La proporción muestral será:

42
^p= =0,75
56

El estadístico será:

^p− p 0 0,75−0,67
T= = =1,27

√ p 0 q0
n √0,67(0,33)
1000

Dado que trabajamos con un nivel de significancia del 5% , la región de no rechazo R0

será:

[-1,96 ;1,96]

dado que T ∈ R 0No rechazamos la hipótesis nula.

4. En el ejemplo anterior ¿desde que valor del nivel de significación (hacia

abajo) empezaríamos a no rechazar la hipótesis planteada?

Solución:

En el ejercicio anterior el valor del estadístico era 1,27 y hemos visto que "caía" en la
zona de No rechazo con alfa=0,05 para que se encontrara en la zona de rechazo el nivel
de significación debiera ser 2 veces la probabilidad de superar dicho valor es decir 2
veces 0,102. Si el nivel de significación fuera menor a dicho valor α =0,204 luego cada
"cola" 0,102 el estadístico T=1,27 empieza a "caer" en la zona de no rechazo.
 5. En una muestra de 680 tiendas de ropa se observo un ratio de actividad que
resultó con media 104 y desviación típica 28,79. ¿Podemos afirmar que el
índice o ratio de actividad es similar al estandarizado para toda la población
de comercios que se situó en 100, si trabajamos con nivel de confianza del
99%?

Solución:

Evidentemente el contraste se especificará:

Con la información que poseemos n=680 (grande) ; S=28,79 y el estadístico aunque la

población no sea normal ni conocida la varianza , dado que la muestra es grande será:

X−μ 0 104−100
T= = =3,62
σ 28,79
√n √ 680
Dado que T se distribuye como una N[0,1] y trabajamos con nivel de significación 0,01
la región de aceptación será:

R0 →[−2,576 ;2,576]

PRUEBAS NO PARAMÉTRICAS

1. Medición de peso de estudiantes

Peso en 6 7 7
67 53 74 67 55 62 57
septiembre 4 0 4
6 7 8
Peso en abril 66 52 77 67 60 65 58
8 1 2
Signo de la
+ + - - 0 - - - - -
diferencia
Solución:

Para n ≤ 25 , el estadístico de prueba es igual al numero de veces que se presenta el

signo menos frecuente.

La hipótesis nula se rechaza si el numero del signo menos frecuente es menor o igual al
valor critico de la tabla A7.

Resultado:
N=9

X =2

Valor critico con significancia de 0,05=1

No se rechaza la hipótesis nula.

2. Una empresa afirma que un método para concebir un bebé aumenta la

probabilidad de tener un niño los padres que utilizaron este método para
concebir un bebé, 71 tienen niños y 46 tienen niñas. Someta a prueba la
hipótesis de que la probabilidad de tener un niño es mayor que 50% para los
padres que utilizan este método con una significancia de en 0.01

Solución:

H0: no hay diferencia

H1: hay diferencia

Positivos: 71

Z=
()
( x +0,5 )−
n
2 Negativos:
√n 46
2
Total: 117
Resultados:

X =46

Z=−2,2188

Valores críticostabla A 2:±2,575

3. La lista dada a continuación son las temperaturas máximas reales y las

temperaturas máximas pronosticadas un día antes. Utilice un nivel de
significancia de 0.05 para someter a prueba la afirmación de que la población
de diferencias tiene una mediana de 0 ¿Qué sugieren los resultados acerca de
la exactitud de las predicciones?

Actual Forecast
70 69
82 84
 82 82
72 72
74 72
84 87
80 83
76 73
Solución:

Resultados:

T =8.5

N=6

Valor crítico tabla A 8=1

No hay evidencia suficiente para garantizar el rechazo de la hipótesis nula.

4. Un grupo de ratones fue sometido a tensión provocándoles temor. Después de

un tiempo en estas condiciones los ratones fueron comparados con los de un
grupo control. Se pesan sus glándulas suprarrenales y se obtiene los
siguientes resultados (en gramos): Tratados (X): 3.8 6.8 8.0 3.6 3.9 4.5 3.9 4.5
3.9 5.9 6.0 5.7 5.6 4.5 Controles (Y): 4.2 4.8 4.8 2.3 6.5 4.9 3.6 2.4 3.2 4.9 4.0
3.8 Investigar si la tensión hace aumentar el peso de la glándula suprarrenal.
Use α = 0.05.

Solución:

Sea X = Peso de la glándula suprarrenal de las ratas tratadas (en gramos).

Sea Y = Peso de la glándula suprarrenal de las ratas controles (en gramos).

Variable Y Y Y X Y X Y X X X Y Y X X X Y Y

Datos 2,3 2,4 3,2 3,6 3,6 3,8 3,8 3,9 3,9 3,9 4 4,2 4,5 4,5 4,5 4,8 4,8

Rangos 1 2 3 4,5 4,5 6,5 6,5 9 9 9 11 12 14 14 14 16,5 16,5

Variable Y Y X X X X Y X X
 Datos 4,9 4,9 5,6 5,7 5,9 6 6,5 6,8 8
Rangos 18,5 18,5 20 21 22 23 24 25 26

H0: La tensión no afecta el peso de la glándula suprarrenal.

H1: La tensión aumenta el peso de la glándula suprarrenal.

W 0 =4,5+6,5+ 9+9+ 9+14+14 +20+21+22+23+25+26=217

Nivel de significancia: 0,05

14 (14+12+1)
μw = =189
2

14 ×12 ×27 14 × 12 [ 4 ( 2 −2 ) +2 ( 3 −3 ) ]
3 3
σ 2= − =376,4492
w 12 12× 26 ×25

c 1=Z 0.95 × σ 2 + μw =1,645× √ 376,4492+189=220,816

Con 95% de confianza la tensión no hace aumentar el peso de la glándula suprarrenal.

5. Se desea comparar tres tratamientos para la rehabilitación de lesiones en

deportistas de elite, para lo cual se elige una muestra de 14 deportistas con
lesiones equivalentes y se les distribuye aleatoriamente para aplicarles los
diferentes tratamientos. Luego de terminado los tratamientos se mide el
porcentaje de recuperación de la lesión obteniendo los siguientes resultados:
Tratamiento 1: 21 23 59 38 78 Tratamiento 2: 44 72 65 43 79 Tratamiento 3:
39 46 61 49 Usando un nivel de significación de 0.05 pruebe si existe alguna
diferencia en los porcentajes de recuperación entre los diferentes
tratamientos.

Solución:

Sea X = Porcentaje de recuperación con tratamiento 1.

Sea Y = Porcentaje de recuperación con tratamiento 2.

Sea Z = Porcentaje de recuperación con tratamiento 3

Variable X X X Z Y Y Z Z X Z Y Y X Y
 Datos 21 23 38 39 43 44 46 49 59 61 63 72 78 79
Rangos 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Los rangos y la suma de rangos por tratamiento son:

Tratamiento 1: 1 2 3 9 13 R1 = 28

Tratamiento 2: 6 12 11 5 14 R2 = 48

Tratamiento 3: 4 7 10 8 R3 = 29

H0: No hay diferencia entre los tratamientos.

H1: Alguna diferencia existe.

K0=
12
14 × 15 5 [
(28)2 (48)2 (29)2
+
5
+
4 ]
−3 ×15=2,31

Nivel de significancia: 0,05

Con 95% de confianza no existe diferencia en los porcentajes de recuperación entre los
diferentes tratamientos.
Bibliografía:

Badii, MH, A. Guillén, Valenzuela & J y Saltillo Coah, 2012. Métodos No-
Paramétricos de Uso Común . [en línea] Spentamexico.org. Disponible en:
<http://www.spentamexico.org/v7-n1/7(1)132-155.pdf>

Bautista-Díaz, L., Rodríguez, E., Vargas-Estrella, B. and Hernández-Chamosa, C.,

2020. Vista de Pruebas estadísticas paramétricas y no paramétricas: su
clasificación, objetivos y características . [en línea] Repository.uaeh.edu.mx.
Disponible en:
<https://repository.uaeh.edu.mx/revistas/index.php/ICSA/article/view/
6293/7619>

Gómez-Gómez, M., Danglot-Banck, C. y Vega-Franco, L., 2003. Sinopsis de pruebas

estadísticas no paramétricas. Cuándo usarlas . [en línea] Ugr.es. Disponible en:
<https://www.ugr.es/~fmocan/MATERIALES%20DOCTORADO/Sinopsis
%20de%20pruebas%20estadisticas%20no%20parametricas.pdf>

Mtnez. de Lejarza, I. y Múñez. de Lejarza, J., 2011. Ejercicios T.5 CONTRASTES

PARAMÉTRICOS . [en línea] Ocw.uv.es. Disponible en:
<http://ocw.uv.es/ciencias-sociales-y-juridicas/inferencia/prat05.pdf>

QuestionPro, 2018. Diferencias entre las pruebas no paramétricas y las pruebas

paramétricas . [en línea] QuestionPro. Disponible en:
<https://www.questionpro.com/blog/es/diferencia-pruebas-no-parametricas-y-
pruebas-parametricas/>

Reyes R, J., 2018. PRUEBAS DE HIPÓTESIS NO PARAMÉTRICAS . [en línea]

Intranetua.uantof.cl. Disponible en:
<https://intranetua.uantof.cl/facultades/csbasicas/matematicas/academicos/
jreyes/DOCENCIA/APUNTES/APUNTES%20PDF/Unidad%206%20Prueba
%20no%20param%C3%A9tricas.pdf>