Estadística para

Administradores

Capítulo 14

Pruebas de Libre Distribución

Lic. Daniel Fortuna Chap 15-1

 Procedimientos No Paramétricos
(Pruebas de libre distribución)

Se aplican cuando los procedimientos

clásicos no son aplicables
Estas pruebas
no están atadas
a los supuestos
restrictivos de
las pruebas
paramétricos
clásicas
Lic. Daniel Fortuna Chap 14-2
 Procedimientos Clásicos (Paramétricos)
Procedimientos No Paramétricos (de libre distribución)

Discretos
Cuantitativos
Continuos
Datos
Nominales
Cualitativos
o
Categóricos
Ordinales

Chap 7-3
Lic. Daniel Fortuna
 Datos Cuantitativos

Discretos
Cuantitativos
Continuos
Datos

Chap 7-4
Lic. Daniel Fortuna
 Datos Cuantitativos
Muestra
Dispersión grande
Pob.
Conocida
Muestra chica
Población Dist. Normal (Z)
Normal
Muestra
Dispersión grande
Pob. Dist. t de Student
Datos Desconocida
Muestra chica
Cuantitativos

Muestra
Dispersión grande Dist. Normal (Z)
Pob.
Conocida Muestra Pruebas de Libre
chica
Población Distribución
Desconocida
Muestra Dist. Normal (Z)
Dispersión grande
Pob.
Desconocida Muestra Pruebas de Libre
chica
Distribución
Lic. Daniel Fortuna Chap 7-5
 Datos Cuantitativos

Datos
Cuantitativos

Muestra
grande Dist. Normal (Z)
Dispersión
Conocida
Muestra Pruebas de Libre
chica
Población Distribución
Desconocida
Muestra Dist. Normal (Z)
grande
Dispersión
Desconocida
Muestra Pruebas de Libre
chica Distribución
Lic. Daniel Fortuna Chap 7-6
 Datos Cuantitativos

Datos
Cuantitativos

Dispersión
Conocida
Muestra Pruebas de Libre
chica Distribución
Población
Desconocida

Dispersión
Desconocida
Muestra Pruebas de Libre
chica Distribución
Lic. Daniel Fortuna Chap 7-7
 Datos Cualitativos o Categóricos

Discretos
Cuantitativos
Continuos
Datos
Nominales
Cualitativos
o
Categóricos
Ordinales

Chap 7-8
Lic. Daniel Fortuna
 Datos Cualitativos o Categóricos

Datos
Nominales
Cualitativos
o
Categóricos
Ordinales

Chap 7-9
Lic. Daniel Fortuna
 Datos Cualitativos o Categóricos

Nominales
Cualitativos Pruebas de Libre
o
Categóricos Distribución
Ordinales

Chap 7-10
Lic. Daniel Fortuna
 Pruebas No Paramétrica o de Libre
Distribución

Nominales
Cualitativos Pruebas de Libre
o
Categóricos Distribución
Ordinales

Datos
Cuantitativos

Dispersión
Conocida
Muestra Pruebas de Libre
chica Distribución
Población
Desconocida

Dispersión
Desconocida
Muestra Pruebas de Libre
chica Distribución
Lic. Daniel Fortuna Chap 7-11
 Procedimientos Clásicos
(Métodos Paramétricos)

TIENEN DOS CARACTERISTICAS DISTINTIVAS:

▪ NIVEL BASTANTE COMPLEJO DE MEDICIÓN:

✓ Datos continuos y cuantitativos (escala de medición al
menos de intervalos)

▪ SUPOSICIONES ESTRICTAS:
✓ Normalidad (o utilización de muestras grandes).
✓ Homogeneidad de varianzas.
✓ Que las observaciones sean independientes entre sí.

Lic. Daniel Fortuna Chap 14-12

 Estadística No Paramétrica
Objetivos:
▪ Probar hipótesis cuando no es posible hacer
alguna suposición sobre la distribución de la
cual se muestrea.
▪ No requieren de la suposición de la normalidad
de la población de la cual fue extraída la(s)
muestra(s).
▪ Se pueden aplicar a datos de tipo cuantitativo y
cualitativo..
Lic. Daniel Fortuna Chap 14-13
 Estadística No Paramétrica
VENTAJAS
 No se requiere de los supuestos
paramétricos
 Se puede usar para variables no
numéricas. Admiten todo tipo de
escalas de medición.
 Cálculos fáciles, originados por
tamaños de muestra pequeños.
 No hace falta conocer la
distribución de la población.
 Son más robustas
Lic. Daniel Fortuna
DESVENTAJAS
 Utiliza menor información de la
variable por lo que puede
desperdiciar datos importantes.
 Es menos potente que métodos
paramétricos, a un mismo tamaño
de muestra y nivel de significación.
 No son aplicables a experimentos
complejos en los que intervengan un
número importante de variables.
 No tendría ninguna ventaja su
aplicación si se satisficieran todos
los supuestos de la Estadística
clásica.
Chap 14-14
 Procedimientos No Paramétricos
(Pruebas de libre distribución)

►Si se trata de datos cuantitativos, ordinales o nominales.

►Datos de distribución libre (no necesariamente normal).
► Cuando trabajamos con muestras pequeñas (n < 30).
► Se emplea como parámetro de centralización la mediana.
► No se hacen suposiciones, excepto que es continua .

► Menos eficiente que el método paramétrico

correspondiente cuando la población es normal.
►Requiere una mayor muestra para tener la misma potencia.

Lic. Daniel Fortuna Chap 14-15

 Elección de la Prueba no Paramétrica
Pruebas de Aleatoriedad Prueba de Rachas o Corridas
Pruebas para
comprobar Pruebas de Independencia Prueba de Chi o Ji Cuadrado
supuestos
Paramétricos Pruebas de Normalidad Prueba de Chi o Ji Cuadrado
Pruebas de Prueba de Kolmogorov-Smirnov
Libre Prueba T para muestras Prueba U de Mann Whitney
Distribución Pruebas independientes

alternativas a Prueba T para muestras

Relacionales
Prueba T de Wilcoxon

Métodos Prueba ANOVA Muestras Prueba Kruskal Wallis

Paramétricos Independientes
Prueba ANOVA Muestras Prueba de Friedman
Dependientes

Lic. Daniel Fortuna Chap 14-16

 Prueba de Rachas con una Muestra

Las pruebas no paramétricas suponen que la

muestra fue elegida aleatoriamente. Por ejemplo,
en un proceso de producción en el cual los
artículos defectuosos aparecen aleatoriamente
¿es razonable suponer que el proceso funciona
correctamente? En situaciones de este tipo es de
aplicación esta prueba.

Lic. Daniel Fortuna Chap 14-17

 Prueba de Rachas con una Muestra

Ho: Los elementos de

la muestra están
mezclados
aleatoriamente.
Formulación
de la hipótesis

Los elementos no
H 1: están mezclados
aleatoriamente.
Límites de la
región de  = nivel de significancia
aceptación
Lic. Daniel Fortuna Chap 14-18
 Prueba 2 de independencia

▪ Similar a la prueba de 2 para la igualdad de mas de

dos proporciones, pero extendiendo el concepto de
tabla de contingencia con r filas y c columnas

H0: Las variables son independientes

(p.ej., no hay relación entre ellas)
H1: Las variables son dependientes
(p.ej., hay relaciones entre ellas)

Lic. Daniel Fortuna Chap 12-19

 Prueba 2 de independencia
(continua)

El estadístico de la prueba 2 es:

( f − f )2
2 =  o e
allcells fe
◼ donde:
fo = frecuencia observada en una celda particular de la
tabla r x c
fe = frecuencia esperada en una celda particular si H0
es verdadera

2 para el caso f x c tiene (f-1)(c-1) grados de libertad

(Suponiendo: cada celda tiene frecuencia esperada de la
tabla de contingencia como mínimo 1)
Lic. Daniel Fortuna Chap 12-20
 Grados de Libertad

Columna 1 Columna 2 Columna 3 Columna 4

Fila 1 Total Fila 1
Fila 2 Total Fila 2
Fila 3 Total Fila 3
Total Total Total Total
Columna 1 Columna 2 Columna 3 Columna 4

Valores que se pueden expresar libremente

Valores que no se pueden expresar

libremente

Lic. Daniel Fortuna Chap 12-21

 Prueba de Normalidad 2
H0: La distribución es Normal
H1: La distribución no es Normal

▪ El estadístico de la prueba
es
(fo − f e ) 2
 = 2
(donde g. de l. = k − p − 1)
k fe
donde:
k = numero de categorías
fo = frecuencias observadas
fe = frecuencias esperadas
p = numero de parámetros estimados desde los datos
Lic. Daniel Fortuna Chap 12-22
 Prueba de
Kolmogorov-Smirnov

• Tiene algunas ventajas respecto a la prueba

de Chi Cuadrado
✓ Para pequeñas muestras es más “robusta”
(menos sensible a pequeñas violaciones de
los supuestos)
✓ Cálculo más fácil.
• La escala de medición debe ser, al menos,
ordinal.

Lic. Daniel Fortuna Chap 14-23

 Prueba de
Kolmogorov-Smirnov
• H0: La distribución f(θ) es una buena descripción de la
información
• H1: La distribución f(θ) no es una buena descripción de la
información

El estadístico de Kolmogorov-Smirnov (Dn) se define:

Dn = máx. |Fro – Fre|

Fre: frecuencia relativa acumulada esperada

Fro: frecuencia relativa acumulada observada

Lic. Daniel Fortuna Chap 14-24

 Prueba de
Kolmogorov-Smirnov

Los valores de Dn están tabulados según el tamaño de la

muestra y nivel de significación en una tabla.

• La región crítica se ubica en el extremo derecho de la

distribución ya que un valor alto de Dn indica
incompatibilidad entre las frecuencias relativas acumuladas
observadas y las esperadas.

• La regla de decisión es rechazar la hipótesis nula para todo

valor a de la prueba estadística tal que P(Dn>=a)= α

Lic. Daniel Fortuna Chap 14-25

 Prueba U de Mann-Whitney
(SUMA DE RANGOS)

U DE MANN WHITNEY - WILCOXON

▪ Compara 2 grupos independientes y que no tienen
distribución normal o que sean ordinales
▪ Contrasta si dos poblaciones muestreadas son equivalentes
en su posición
▪ Es recomendable pero no imprescindible que las
poblaciones comparadas tengan el mismo tamaño. (El test
de WILCOXON es un caso especial, para muestras del mismo
tamaño)
▪ Test equivalente a la prueba T de Student para la diferencia
de dos medias cuando las muestras son independientes
Lic. Daniel Fortuna Chap 14-26
 U DE MANN WHITNEY
Si designamos con F(x) la función de distribución de la
primera muestra y con F(y) la función de distribución de la
segunda muestra,
H0: F(x) = F(y), las dos muestras fueron extraídas de la
misma población o de poblaciones idénticas (las diferencias
no son significativas)
H1: F(x) ≠ F(y) las dos muestras no fueron extraídas de la
misma población o de poblaciones idénticas (las diferencias
son significativas)

Podríamos generalizar las hipótesis a contrastar:

H0: µ1= µ2 También puede ser una
H1: µ1≠ µ2 prueba de una cola!!!
Lic. Daniel Fortuna Chap 14-27
 Prueba de rangos con signos
(T de Wilcoxon)
▪ Compara 2 grupos relacionados y variables cuantitativas que no
tienen distribución normal o que sean ordinales. La escala de
medición debe ser, al menos, ordinal donde sea posible
establecer diferencias con significado sustantivo.
▪ Paralela a la prueba paramétrica de contraste t para muestras
relacionadas.
▪ Contrasta si dos poblaciones muestreadas son equivalentes en
su posición (es también aplicable para una muestra)
▪ Es recomendable pero no imprescindible que las poblaciones
comparadas tengan el mismo tamaño
▪ Nos permite comparar nuestros datos con una mediana teórica
(por ejemplo un valor publicado en un artículo).
Lic. Daniel Fortuna
▪ Si n1 (ó n2) >30, se aproxima con la distribución Normal Chap 14-28
 Prueba de rangos con signos
(T de Wilcoxon)
n observaciones apareadas de la forma (Xi,Yi)
Di = Xi –Yi
Ho:
• Las X y las Y tienen la misma distribución.
• La diferencia entre los grupos (o antes y después)
no es significativa.
H1:
• Las distribuciones difieren en ubicación.
• La diferencia entre los grupos (o antes y después)
es significativa

También puede ser una prueba a dos colas!!!

Lic. Daniel Fortuna Chap 14-29
 Prueba de Kruskal Wallis
(Más de 2 muestras Independientes)
▪ Prueba la igualdad de mas de dos medianas poblacionales.
▪ Se utiliza cuando el supuesto de normalidad de ANOVA de una
vía es violado.
▪ Intuitivamente, es idéntico al Anova con los datos
reemplazados por categorías.
▪ Es un método para probar si un grupo de datos provienen de la
misma población.
▪ Es una extensión de la prueba de la U de Mann-Whitney
para 3 o más grupos.

Lic. Daniel Fortuna Chap 14-30

 Prueba de Kruskal Wallis
(Procedimiento)
Supuestos:

▪ Las variables siguen una distribución continua.

▪ Las muestras son aleatorias e independientes.
▪ Los datos pueden ser ranqueados.
▪ Las poblaciones tienen la misma variabilidad.
▪ Las poblaciones tienen la misma forma (AS).

Procedimiento:

▪ Obtener los rankings relativos para cada valor.

▪ Sumamos los rankings de los datos para cada uno de los c
grupos.
▪ Calculamos el estadístico de la prueba H.
Lic. Daniel Fortuna Chap 14-31
 Prueba de Kruskal Wallis
(Procedimiento)
▪ El estadístico de la prueba H, de Kruskal-Wallis : (con c – 1 g.l.)

 12 c T2 
H=   j
 − 3(n + 1)
 n(n + 1) j=1 n j 
Donde:
n = suma del tamaño de muestra de todas muestras
c = Numero de muestras
Tj = Suma de rangos en la jesima muestra
nj = Numero de valores en la jesima muestra (j = 1, 2, … , c)

Lic. Daniel Fortuna Chap 14-32

 Prueba de Kruskal Wallis
(Procedimiento)

Completamos la prueba comparando el valor del estadístico

H con el valor crítico 2 c – 1 grados de libertad

▪ Regla decisional
▪ Rechazar H0 sí el estadístico de la
prueba H > 2U
▪ En otro caso no rechazar H0

0
2
No rechazar H0 Rechazar H0
2U
Lic. Daniel Fortuna Chap 14-33
 Procedimientos No Paramétricos
(Pruebas de libre distribución)
Bibliografía recomendada:
▪ Richard I. Levin; David S. Rubin - University of North Carolina
at Chapel Hill: “Estadística para Administración y Economía»
-Pearson Educación – México 2004
▪ Luis Ruiz – Maya: Métodos Estadísticos de Investigación en
las Ciencias Sociales. Técnicas no paramétricas – AC – Madrid
2000
▪ Fernández Loureiro de Pérez, Emma - Estadística no
paramétrica: a modo de introducción – 2ª ed. – Buenos
Aires: Cooperativas, 2011.
▪ Canavos, George C.: Probabilidad y Estadística. Aplicaciones
y Métodos – Mc Graw Hill – México 1984
Lic. Daniel Fortuna Chap 14-34