Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En cada caso visto en los capítulos 8 y 9, por ejemplo, supusimos que nuestras
muestras eran grandes o provenían de poblaciones con distribución normal.
Pero las poblaciones no siempre son normales. Incluso cuando una prueba de
bondad de ajuste (capítulo 11) indica que una población es aproximadamente
normal, no siempre podemos estar seguros de que es correcto, porque la
prueba no es 100% confiable. Claramente, existen ciertas situaciones en las
que el uso de la curva normal no es apropiado. Para estos casos, requerimos
alternativas a la estadística paramétrica y a las pruebas de hipótesis
específicas que hemos estado utilizando hasta ahora.
Por fortuna, recientemente los estadísticos han desarrollado técnicas útiles que
no hacen suposiciones restrictivas respecto a la forma de las distribuciones de
población. Éstas se conocen como pruebas sin distribución o, más
comúnmente, pruebas no paramétricas. Las hipótesis de una prueba
no paramétrica se refieren a algo distinto del valor de un parámetro de
población.
Existe un gran número de pruebas de este tipo, pero este capítulo examinará
sólo algunas de las más conocidas y más utilizadas:
1. La prueba de signos para datos por pares, en la que los signos positivo o
negativo sustituyen a los valores cuantitativos.
H0: m = p
H 1: m < p
EJERCICIO:
Considere el resultado de un panel de prueba de 40 estudiantes de
penúltimo año de universidad que evalúa la efectividad de dos tipos de
ESTADISTICA II WISA 2024
clases: conferencias grandes de profesores de tiempo completo o
secciones pequeñas con ayudantes de posgrado. La tabla 14-2 enumera
las respuestas a esta petición: “Califique la efectividad de transmisión de
conocimientos de estos dos tipos de clases, asignando un número de 4 a
1.
1. Clasificación de signos:
+= Los que tienen preferencia por las conferencias grandes
˗ = Los que prefieren las secciones pequeñas
Tipo de 1 2 3 4 5 6 7 8 9 10 11 12 13
clase/Panel
Conferencias 2 1 4 4 3 3 4 2 4 1 3 3 4
grandes
Secciones 3 2 2 3 4 2 2 1 3 1 2 3 4
pequeñas
Signo de ˗ ˗ + + ˗ + + + + 0 + 0 0
calificación
Tipo de 14 15 16 17 18 19 20 21 22 23 24 25 26
clase/Panel
Conferencias 4 4 1 1 2 2 4 4 4 4 3 3 2
grandes
Secciones 4 3 2 3 2 3 3 1 4 3 3 2 2
ESTADISTICA II WISA 2024
pequeñas
Signo de 0 + ˗ ˗ 0 ˗ + + 0 + 0 + 0
calificación
Tipo de 27 28 29 30 31 32 33 34 35 36 37 38 39 40
clase/Panel
Conferencias 3 4 3 4 3 1 4 3 2 2 2 1 3 3
grandes
Secciones 1 1 1 3 2 2 4 4 3 3 1 1 4 2
pequeñas
Signo de + + + + + ˗ 0 ˗ ˗ ˗ + 0 ˗ +
calificación
Conteo de signos:
Signo Conteo n
+ 19
˗ 11 30
0 10
Totale 40
s
2. Establecimiento de hipótesis:
Planteamiento de hipótesis:
Ho= 0.50
H1≠ 0.50
a= 0.05
P= 19 = 0.63
30
Q= 11 = 0.37
30
Error= √ (0.5)(0.5)/30=0.0912
NC= 100%˗a
NC= 100%˗5%= 95% Z=1.96
7. Calcular los intervalos de confianza:
LIC= 0.50˗(1.96)(0.0912)=0.322
Lsc=0.50+(1.96)(0.0912)=0.678
8. Graficar:
Áreas
2.5% 2.5%
95%
0.5 P=0.63
0.322
0.678
9. Interpretación:
La proporción de la muestra P=0.63 cae dentro del área de aceptación,
por lo que se acepta la hipótesis nula de que los estudiantes no
perciben diferencias significativa alguna entre los dos tipos de clase.
Suponga que la junta directiva de una gran universidad estatal del este de
Estados Unidos desea probar la hipótesis de que las calificaciones promedio en
la prueba SAT en dos planteles de la universidad son iguales. La junta
mantiene estadísticas de todos los estudiantes en todos los planteles del
sistema.
Una muestra aleatoria de 15 estudiantes de cada plantel produjo los datos que
se muestran en la tabla 14-3.
4. Calcular el estadístico U:
U= 98 ( Estadístico U)
µU=(15)(15) = 112.5
2
Ho:U1=U2
H1: U1≠U2
a= 0.15
NC= 100%˗a
NC= 100%˗15%
NC= 85%
=
√( 15 )( 15 )( 15+15+1 ) = 24.11
12
LIC=112.5˗ (24.11)(1.44)=77.78
LSC= 112.5+(24.11)(1.44)= 147.22
11. Graficar:
Áreas
7.5% 7.5%
85%
98 112.5
77.78
147.22
12. Interpretación:
Vemos que el valor del Estadístico U= 98, cae dentro del área de
aceptación, por tanto, aceptamos la hipótesis nula de que no existe
diferencias entre los planteles muestreados o investigados.
Prueba de Kruskal-Wallis
ESTADISTICA II WISA 2024
La prueba de Kruskal-Wallis es una extensión de la prueba de Mann-Whitney
para casos en que están involucradas más de dos poblaciones. Esta prueba,
también, depende de los rangos de las observaciones de la muestra.
Ejercicio:
3. Calcular el estadístico K:
K= 1.143
df= Kn˗1
df= 3˗1
df= 2 a= 0.10 Valor de tabla: 4.605
7. Graficar:
1.143 4.605
Una prueba de corridas usaría los siguientes símbolos si tuviera sólo dos tipos
de ocurrencias:
Los estadísticos pueden probar que demasiadas corridas o muy pocas en una
muestra indican que intervino algo más que el azar cuando se seleccionaron
los elementos.
Ejercicio:
A, B, A, A, A, B, B, A, B, B, A, A, B, A, B, A, A, B, B, B, B, A, B, B,
A, A, A, B, A, B, A, A, B, B, A, B, B, A, A, A, B, B, A, A, B, A, A, A.
µr= 2(26)(22) + 1
26+22
µr= 24.83
NC= 100%˗a
NC= 100%˗ 5%
NC= 95% Z= 1.96
LIC= 24.83˗(3.40)(1.96)=18.17
LSC= 24.83+(3.40)(1.96)=31.49
8. Graficar:
Áreas
2.5% 2.5%
95%
24.83 r=27
18.17 31.49
9. Interpretación:
Correlación de rango
donde,
• rs = coeficiente de correlación de rangos (observe que el subíndice s, de
Spearman
• n= número de observaciones apareadas
• Ʃ= notación que significa “la suma de”
• d = diferencia entre los rangos para cada pareja de observaciones
Ejercicio:
Rs= 1˗ 6(0)
5((5)2˗1)
Rs= 1˗0