“UNIVERSIDAD CATÓLICA DE TRUJILLO BENEDICTO XVI”

FACULTAD DE INGENIERÍA:
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS
TEMA:

TRABAJO DE ESTADISTICA

ALUMNO:
López Garíza, Jonel

CURSO:
TESIS V

DOCENTE:
Vargas Alva Ylder Heli

CICLO:
VII

TURNO:
Viernes 3.45 pm – 6:45 pm

SEMESTRE ACADÉMICO:

2018 – I

MOCHE - PERÚ

2018

1
 I. ESTIMACION DE INTERVALOS DE CONFIANZA

Una estimación del intervalo de confianza es un rango de números, llamado intervalo, construido

alrededor de la estimación puntual. El intervalo de confianza se construye de manera que

la probabilidad del parámetro de la población se localice en algún lugar dentro del intervalo conocido.

Suponga que quiere estimar la media de todos los alumnos en su universidad.

Sin embargo, la media de la muestra puede variar de una muestra a otra porque depende de los elementos

seleccionados en la muestra. Tomando en cuenta la variabilidad de muestra a muestra, se aprenderá a

desarrollar la estimación del intervalo para la media poblacional.

Estimación del intervalo de confianza para la media

2
Se emplea la siguiente fórmula:

Donde:

Z = valor crítico de la distribución normal estandarizada

Se llama valor crítico al valor de Z necesario para construir un intervalo de confianza para la distribución.

El 95% de confianza corresponde a un valor (de 0,05. El valor crítico Z correspondiente al área acumulativa

de 0,975 es 1,96 porque hay 0,025 en la cola superior de la distribución y el área acumulativa menor a Z

= 1,96 es 0,975.

Un nivel de confianza del 95% lleva a un valor Z de 1,96.

El valor de Z es aproximadamente 2,58 porque el área de la cola alta es 0,005 y el área acumulativa menor

a Z = 2,58 es 0,995.

Ejemplo ilustrativo

Solución:

Realizando un gráfico ilustrativo en Winstats y Paint se obtiene:

3
Con lectura en la tabla de la distribución normal para un área de 0,025 se obtiene Z = -1,96. Por simetría

se encuentra el otro valor Z = 1,96

Remplazando valores y realizando lo cálculos se obtiene:

Interpretación: Existe un 95% de confianza de que la media poblacional se encuentre entre 23,02 y 24,98

ESTIMACIÓN DE INTERVALO DE CONFIANZA PARA LA MEDIA

4
EJEMPLO:

Un fabricante de papel para computadora tiene un proceso de producción que opera continuamente a lo

largo del turno. Se espera que el papel tenga una media de longitud de 11 pulgadas. De 500 hojas se

selecciona una muestra de 29 hojas con una media de longitud del papel de 10,998 pulgadas y una

desviación estándar de 0,02 pulgadas. Calcular la estimación del intervalo de confianza del 99%

Solución:

Los datos del problema son:

5
Como en los datos aparece el tamaño de la población, se debe verificar si el tamaño de la nuestra es mayor

que el 5% para emplear la fórmula con el factor finito de corrección. Se remplaza valores en la siguiente

fórmula:

Por lo tanto se debe utilizar la fórmula con el factor finito de corrección.

Calculando la proporción de la cola superior e inferior de la distribución se obtiene:

6
Los cálculos en Excel se muestran en la siguiente figura:

Interpretación: Existe un 99% de confianza de que la media poblacional se encuentra entre 10,998 y
11,008
En el grafico se muestra lo siguiente

7
Estimación del intervalo de confianza para una proporción
Sirve para calcular la estimación de la proporción de elementos en una población que tiene ciertas
características de interés. ´

8
Ejemplo ilustrativo
En un almacén se está haciendo una auditoria para las facturas defectuosas. De 500 facturas de venta se
escoge una muestra de 30, de las cuales 5 contienen errores. Construir una estimación del intervalo de
confianza del 95%.
Solución:
Los datos del problema son:

9
Como en los datos aparece el tamaño de la población, se debe verificar si el tamaño de la nuestra es mayor
que el 5% para emplear la fórmula con el factor finito de corrección. Se remplaza valores en la siguiente
fórmula:

Con lectura en la tabla de la distribución normal para un área de 0,025 se obtiene Z = -1,96, y por simetría
Z =1,96
Calculando la proporción de la muestra se obtiene:

10
 II. PRUEBAS PARAMÉTRICAS Y NO PARAMÉTRICAS:

Métodos paramétricos
• Se busca estimar los parámetros de una población en base a una muestra.
• Se conoce el modelo de distribución de la población, presenta variables cuantitativas continuas
(medibles).
• Mientras más grande sea la muestra más exacta será la estimación, mientras más pequeña,
más distorsionada será la media de las muestras.
Pruebas paramétricas
Ventajas de las Pruebas Paramétricas
• Tienen más poder de eficiencia
• Más sensibles a los rasgos de los datos recolectados
• Menos posibilidad de errores
• Dan estimaciones probabilísticas bastante exactas
Desventajas de las Pruebas Paramétricas
• Más complicadas de calcular.
• Limitaciones en los tipos de datos que se pueden evaluar.

11
12
Tipo de pruebas paramétricas
• Prueba del valor Z de la distribución normal
• Prueba T de Student para datos relacionados (muestras dependientes)
• Prueba T de Student para datos no relacionados (muestras independientes)
• Prueba T de Student-Welch para dos muestras independientes con varianzas no homogéneas
• Prueba F (análisis de varianza o ANOVA)
Prueba del valor Z de la distribución nominal
Formación de la curva de probabilidad estándar normal
(Forma de campana)
Se ubican tres medidas de tendencia central

 promedio [media aritmética]

 mediana
 moda
Define la desviación estándar.

Formula:

13
Parámetros de estimación
• Media
• Desviación estándar
Pasos
1. Calcular el promedio y la desviación estándar de las observaciones de la
Muestra en estudio.

2. Calcular la diferencia que existe con respecto al promedio.

3. Dividir la diferencia calculada entre la desviación estándar obtenida de la muestra en estudio,
que corresponde al valor Z.
4. Decidir si se acepta o rechaza la hipótesis.
El significado del valor Z en la curva normal de frecuencias: es el número de desviaciones
estándar que se desvían con respecto al promedio o media aritmética.

Métodos no paramétricos

Los métodos presentados en los capítulos anteriores, se basaban en el conocimiento de las

distribuciones muéstrales de las diferencias de porcentajes o promedios, cuando las muestras
provenían de una misma población. Se aceptaba entonces usar la aproximación normal, la
distribución de t de Student o la distribución F de Fisher en el análisis de varianza, bajo el supuesto
de que la hipótesis nula es cierta. Dado que en esos métodos se estiman los parámetros de las
poblaciones de origen, esas técnicas estadísticas reciben el nombre de “paramétricas”.
Hay situaciones en que, por el escaso número de observaciones, o por el nivel de medición de las
variables, no es correcto o no es posible hacer supuestos sobre las distribuciones muéstrales
subyacentes. En tales casos se usan los métodos “no paramétricos” o de distribución libre.
Aquí presentaremos algunos ejemplos de pruebas no paramétricas para el caso de dos muestras
independientes, para el caso de dos muestras dependientes o pareadas y para la comparación de
más de dos grupos en que no son aplicables los métodos paramétricos.

14
Las pruebas paramétricas, asumen como distribución muestral la distribución Normal, este
supuesto no siempre se cumple, sin embargo recurrimos a que estos métodos paramétricos son
robustos. Además estos métodos son preferidos porque tienen mayor potencia.

¿Pero qué hacemos cuando no se cumple la normalidad o tenemos muy pocos datos?

Opciones:

1. Si hay valores extremos y el tamaño muestral es pequeño cualquier método de

inferencia es dudoso.

2. A veces podemos transformar los datos (log es la transformación más usada)

Ejemplo:
Se tienen datos sobre la emisión de monóxido de Carbono de 46 vehículos del mismo tipo
(Monoxido.sav).

EN HC CO NOX
1 0.5 5.01 1.28
2 0.65 14.67 0.72
3 0.46 8.6 1.17
. . . .
. . . .
. . . .
44 0.46 3.99 2.01
45 0.47 5.22 1.12
46 0.55 7.47 1.39

A los investigadores les interesa calcular un intervalo de confianza para la media del monóxido
de Carbono.Si analizamos el histograma adjunto, vemos que la distribución del monóxido de

15
Carbono es sesgada a la derecha, por lo que la media no será un buen estimador del centro de la
distribución y por lo tanto la estimación por intervalo de confianza tampoco será adecuada. Como
solución podemos transformar la variable usando el logaritmo natural y calculamos el promedio
de la nueva variable. Pero al investigador le interesa conocer el intervalo de confianza en las
unidades originales de la variable, para eso convertimos a la unidad original de CO con
exponencial ( 
1, 7061
 5,507   2,0691  7,918 ).

14

12
Intervalo de confianza 95% para la media
10 del log CO (1,7061 - 2,0691)
8

2 Desv. típ. = 5.26

Media = 8.0
0 N = 46.00
2.0 6.0 10.0 14.0 18.0 22.0
4.0 8.0 12.0 16.0 20.0 24.0

Monóxido de Carbono

Intervalo de confianza 95% para la media de

CO
(6,398 - 9,522)

12

10

2 Desv. típ. = .61

Media = 1.89
0 N = 46.00
.50 1.00 1.50 2.00 2.50 3.00
.75 1.25 1.75 2.25 2.75 3.25

Log(CO)

16
 ¿Qué pasa con el supuesto de Normalidad?

Pruebas de normalidad
a
Kolmogorov-Smirnov Shapiro-Wilk
Es tadístico gl Sig. Es tadístico gl Sig.
Monóxido de Carbono .187 46 .000 .842 46 .000
Log(CO) .104 46 .200* .970 46 .266
*. Es te es un límite inferior de la significación verdadera.
a. Corrección de la significación de Lilliefors

Gráfico Q-Q normal de Monóxido de Carbono

3

0
Normal esperado

-1

-2

-3
-10 0 10 20 30

V alor observado

Gráfico Q-Q normal de Log(CO)

3

0
Normal esperado

-1

-2

-3
.5 1.0 1.5 2.0 2.5 3.0 3.5

V alor observado

17
3. También existen métodos paramétricos que asumen otras distribuciones,
por ejemplo para el tiempo que demora en fallar un producto se usa una
distribución de Weibull (ver diagrama adjunto).

18
 4. Finalmente, existen los métodos que no asumen una distribución, también
llamados de distribución libre o no paramétricos.

Los métodos no paramétricos son la manera más directa de solucionar el problema de

falta de normalidad. Estos métodos son muy simples de usar y están disponibles en SPSS.
Pero tienen dos desventajas. Primero que tienen menos poder que las equivalentes
soluciones paramétricas. También es importante distinguir que las pruebas de hipótesis
no paramétricas NO contestan a la misma pregunta que las pruebas paramétricas. Por
ejemplo si queremos hacer un test para docimar sobre el centro de la distribución, el
test no paramétrico establece la hipótesis en términos de la mediana y el test
paramétrico usa la media.

Tipo Test Paramétrico Test no paramétrico

Una muestra Test t simple Test del signo de rangos

de Wilcoxon

Muestras pareadas Test t simple Test del signo de rangos

de Wilcoxon

Dos muestras Test t para muestras Test de suma de rangos

independientes independientes de Wilcoxon

Más de dos muestras ANOVA de un factor Test de Kruskal-Wallis

independientes

Diseño en bloques ANOVA con bloques Ji cuadrado de Friedman

aleatorios

Existen dos grandes tipos de test no paramétricos, los que usan cuentas o números y los
que usan rangos. En este capítulo revisaremos del test de suma de rangos de Wilcoxon
y el Test de Kruskal-Wallis.

19
Ejemplo: Se tienen dos parcelas experimentales. En una de las parcelas se sacó
completamente la maleza y en la otra se dejó hasta 3 malezas por metro cuadrado.
¿Dañará la presencia de maleza la producción de maíz?

Malezas
por metro cuadrado Producción de maíz

0 166,7 172,2 165,0 176,9

3 158,6 176,4 153,1 156,0

Hipótesis
En este problema la hipótesis nula es que la maleza no afecta la producción de maíz. La
hipótesis alternativa es que la producción es menor cuando hay maleza. Si estamos
dispuestos a asumir que la producción de maíz es Normal, o si tenemos un tamaño
muestral razonablemente grande, usamos el test t para medias independientes. Las
hipótesis son:

H 0 : 1  2
H1 : 1  2

Cuando la distribución no es Normal, podemos re-escribir las hipótesis en términos de

medianas:

H 0 : mediana 1  mediana 2

H1 : mediana 1  mediana 2

¿Qué tipo de test (paramétrico o no paramétrico) será el adecuado en este caso?

Hacemos la prueba de normalidad:

20
 Pruebas de normalidad
a
Kolmogorov-Smirnov Shapiro-Wilk
WEEDS Es tadístico gl Sig. Es tadístico gl Sig.
YIELD 0 .241 4 . .938 4 .640
3 .341 4 . .819 4 .140
a. Corrección de la significación de Lilliefors

Gráfico Q-Q normal de YIELD

Para WEEDS= 0
1.0

.5

0.0
Normal esperado

-.5

-1.0
164 166 168 170 172 174 176 178

V alor observado

Gráfico Q-Q normal de YIELD

Para WEEDS= 3
1.0

.5

0.0
Normal esperado

-.5

-1.0
150 160 170 180

V alor observado

Tenemos muy pocos datos por lo tanto será adecuado hacer un test no paramétrico.

Test de suma de rangos de Wilcoxon

Este es un test de rangos. El primer paso será calcular los rangos de las observaciones.

Transformación a rangos

21
Ordenamos los datos de menor a mayor:

Producción 153,1 156,0 158,6 165,0 166,7 172,2 176,4 176,9

Rango 1 2 3 4 5 6 7 8

Pasar de los datos a sus rangos, es equivalente a transformar los datos. Los rangos
retienen solamente el orden de las observaciones y no el valor numérico.

Si la presencia de maleza afecta la producción de maíz esperamos que los rangos más
pequeños sean de ese grupo. Podemos comparar la suma de los rangos de los dos
tratamientos:

Tratamiento Suma de rangos

Sin maleza 23

Con maleza 13

n(n  1) 8  9
Por definición la suma de rangos de 1 a 8 es:   36 , donde n es el
2 2
número total de observaciones.

Por lo tanto podemos calcular la suma en uno de los grupos y el otro tiene que ser la
diferencia (36- 23=13)

Si no hay diferencia entre los tratamientos esperamos que los rangos sean la mitad en
cada grupo, es decir 18.
Test de suma de rangos de Wilcoxon

Se tiene una m.a.s de tamaño n1 de una población, y una segunda m.a.s de tamaño n2
de otra población. Hay n observaciones en total, donde n = n1 + n2. Se calcula el rango
de las n observaciones. El test estadístico será la suma W de los rangos del grupo con

22
menor suma de rangos, este será el estadístico de suma de rangos de Wilcoxon. Si las
dos poblaciones tienen la misma distribución continua, entonces W tiene media:

n1 (n  1) n1n2 (n  1)
W  y desviación estándar:  W 
2 12

Donde n1 será el tamaño muestral del grupo con menor suma de rangos.

El test de suma de rangos de Wilcoxon rechaza la hipótesis nula de que las dos
poblaciones tienen la misma distribución cuando la suma de rangos W está lejos de su
media.

En el ejemplo del maíz queremos docimar:

H0: no hay diferencias en la distribución de la producción de maíz en los dos grupos

versus

H1: la producción es mayor en el tratamiento sin malezas

Nuestro test estadístico W=13

4(8  1)
Bajo Ho W tiene media: W   18 y desviación estándar:
2
4  4(8  1)
W   3,4641
12

Valor p = P(W  13 | H 0 ) Necesitamos conocer la distribución muestral de W bajo

la hipótesis nula.

23
 Existen tablas que dependen de n1 + n2.

Veamos la salida qué nos da SPSS:

Estadísticos de contrasteb

YIELD
U de Mann-Whitney 3.000
W de Wilcoxon 13.000
Z -1.443
Sig. as intót. (bilateral) .149
Sig. exacta [2*(Sig. a
.200
unilateral)]
Sig. exacta (bilateral) .200
Sig. exacta (unilateral) .100
Probabilidad en el punto .043
a. No corregidos para los empates.
b. Variable de agrupación: WEEDS

La salida de SPSS nos da el valor p exacto para la distribución muestral de W. El valor p

para la hipótesis unilateral es 0,1 (valor p exacto según SPSS).

Si comparamos con el equivalente test paramétrico t = - 1,554, valor p=0,171/2=0,0855,

llegamos a la conclusión similar (recuerde que las hipótesis son distintas).

Prueba de muestras independientes

Prueba de Levene
para la igualdad de
varianzas Prueba T para la igualdad de medias
95% Intervalo de
confianza para la
Diferencia Error típ. de diferencia
F Sig. t gl Sig. (bilateral) de medias la diferencia Inferior Superior
YIELD Se han asumido
1.256 .305 -1.554 6 .171 -9.175 5.9056 -23.6254 5.2754
varianzas iguales
No se han asumido
-1.554 4.495 .187 -9.175 5.9056 -24.8832 6.5332
varianzas iguales

La aproximación Normal

24
El estadístico de suma de rangos W se aproxima a la distribución Normal cuando n es
grande. Entonces podemos formar un test z para estandarizar a W:

W  W
z
W

El valor de z en el ejemplo del maíz nos da:

13  18
z  1,44
3,4641

Esperamos rechazar para valores grandes de W si la hipótesis alternativa es verdadera,

por lo que el valor p aproximado es:

Valor p  P( Z  1,44)  1  0,9251  0,0749

SPSS da el valor p exacto para W y el asintótico o aproximado que utiliza la aproximación

a la Normal.

Además SPSS nos entrega el estadístico U de Mann-Whitney, este es equivalente al test

de suma de rangos de Wilcoxon.

Empates
La distribución exacta de test de Wilcoxon para suma de rangos se obtiene asumiendo
que todas las observaciones tienen diferentes valores y por lo tanto su rango. En la
práctica ocurre que muchas veces tenemos valores iguales. Lo que hacemos es asignar
el valor promedio del rango que ocupan.

Ejemplo:

Observación 153 155 158 158 161 164

25
 Rango 1 2 3,5 3,5 5 6

La distribución exacta del test de Wilcoxon se aplica a datos sin empates, por lo que
deberemos ajustar la desviación estándar en la presencia de empates.
Ejemplo:
La comida que se vende en eventos al aire libre puede ser menos segura que la de
restoranes porque se prepara en lugares no acondicionados y a menudo por voluntarios.
¿Qué pensará la gente acerca de la seguridad de la comida en ferias? Un estudio
preguntó a asistentes a este tipo de eventos:

¿Qué tan a menudo piensa usted que se enferma la gente que consume comida en
eventos al aire libre?

Las respuestas posibles eran:

1 = raramente
2 = de vez en cuando
3 = a menudo
4 = muy frecuentemente
5 = siempre

En total 303 personas respondieron a la pregunta. De estos 196 eran mujeres y 107
hombres.

¿Existe evidencia que hombres y mujeres difieren en su percepción acerca de la

seguridad en la comida de ferias al aire libre?

26
 Ta bla de contingencia Sex o * Respue sta

Recuento
Respuesta
1 2 3 4 5 Total
Sexo F 13 108 50 23 2 196
M 22 57 22 5 1 107
Total 35 165 72 28 3 303

Comparamos los porcentajes por filas:

Ta bla de contingencia Sex o * Respue sta

% de Sex o
Respuesta
1 2 3 4 5 Total
Sexo F 6.6% 55.1% 25.5% 11.7% 1.0% 100.0%
M 20.6% 53.3% 20.6% 4.7% .9% 100.0%
Total 11.6% 54.5% 23.8% 9.2% 1.0% 100.0%

¿Es la diferencia entre sexos significativa?

H0: hombres y mujeres no difieren en sus respuestas

H1: uno de los dos sexos da sistemáticamente mayores respuestas que el otro

La hipótesis alternativa es de dos colas.

Como las respuestas posibles son sólo 5 hay muchos empates.

Veamos la salida de SPSS:

27
 Rangos

Rango Suma de
Sexo N promedio rangos
Respuesta F 196 163.25 31996.50
M 107 131.40 14059.50
Total 303

Estadísticos de contrastea

Respuesta
U de Mann-Whitney 8281.500
W de Wilcoxon 14059.500
Z -3.334
Sig. as intót. (bilateral) .001
Sig. exacta (bilateral) .001
Sig. exacta (unilateral) .000
Probabilidad en el punto .000
a. Variable de agrupación: Sexo

Tenemos suficiente evidencia para concluir que existen diferencias significativas entre
la percepción acerca de la seguridad de la comida al aire libre entre hombres y mujeres.

Como el tamaño de la muestra es grande podríamos haber usado el test paramétrico:

Prueba de muestras indepe ndie nte s

Prueba de Levene
para la igualdad de
varianzas Prueba T para la igualdad de medias
95% Intervalo de
confianza para la
Diferencia Error típ. de diferencia
F Sig. t gl Sig. (bilateral) de medias la diferencia Inferior Superior
Respuesta Se han asumido
3.031 .083 3.361 301 .001 .33 .099 .138 .527
varianzas iguales
No se han asumido
3.365 218.856 .001 .33 .099 .138 .527
varianzas iguales

Pero en este caso, tenemos argumentos a favor del test no paramétrico. El test
paramétrico asume que las respuestas tienen valor numérico y en realidad en una escala
cualitativa. Usar rangos es más apropiado en este caso.

28
 Test de Kruskal-Wallis

El test de suma de rangos de Wilcoxon sirve para comparar dos tratamientos. Ahora
veremos una alternativa no paramétrica al ANOVA de un factor es decir para comparar
más de dos tratamientos, que corresponde al test de Kruskal-Wallis.

Ejercicio: Veamos una nueva versión del problema de las malezas. El investigador en
realidad probó 4 tipos de malezas 0, 1, 3 y 9 por metro cuadrado.

Descripción de la Producción bajo distintas condiciones de maleza:

Maleza n Media Desviación típica

4 170.200 5.4216
0

4 162.825 4.4687
1

4 161.025 10.4933
3

4 157.575 10.1181
9

Gráfico Q-Q normal de YIELD Gráfico Q-Q normal de YIELD

Para WEEDS= 0 Para WEEDS= 1
1.0 1.0

.5 .5

0.0 0.0
Normal esperado

Normal esperado

-.5 -.5

-1.0 -1.0
164 166 168 170 172 174 176 178 156 158 160 162 164 166 168

V alor observado V alor observado

29
 Gráfico Q-Q normal de YIELD Gráfico Q-Q normal de YIELD
Para WEEDS= 3 Para WEEDS= 9
1.0 1.0

.5 .5

0.0 0.0
Normal esperado

Normal esperado
-.5 -.5

-1.0 -1.0
150 160 170 180 140 150 160 170

V alor observado V alor observado

Ya analizamos que en este caso es difícil probar normalidad con tan pocos datos, por lo
tanto será conveniente usar un método no paramétrico.

Hipótesis y supuestos

El test F de ANOVA responde a la hipótesis:

H 0 : 1   2  ...   k
H 1 : al menos dos medias no son iguales .

Los datos deben provenir de k poblaciones independientes, con distribución normal y

con la misma desviación estándar.

El test de Kruskal_Wallis es un test de rangos que reemplaza al test F de ANOVA. El

supuesto acerca de la independencia de las poblaciones sigue siendo importante, pero
ya no necesitamos normalidad. Asumiremos que la respuesta tiene una distribución
continua en cada población.

H0: las k distribuciones son iguales

H1: una de ellas tiene valores sistemáticamente mayores

Si todas las distribuciones tienen la misma distribución, esta hipótesis la podemos

simplificar.

30
H0: las k poblaciones tienen la misma mediana
H1: no todas las medianas son iguales

Recordemos la idea del ANOVA: tenemos una variación total observada de la respuesta
como la suma de dos partes, una que mide la variación entre los grupos o tratamientos
(suma de cuadrados entre tratamientos, SCE) y la otra que mide la variación entre las
mediciones de un mismo tratamiento (suma de cuadrados dentro de los tratamientos,
SCD). El test F de ANOVA rechaza la hipótesis nula de que las medias son iguales si la SCE
es grande relativa a la SCD.

La idea del test de Kruskal-Wallis es calcular los rangos de todas las respuestas y luego
aplicar el ANOVA a los rangos en vez de las observaciones originales.

Test de Kruskal-Wallis

Se tienen k muestras aleatorias de tamaños n1, n2,..., nk. Hay n observaciones en total,
donde n es la suma de los ni. Se calcula el rango de las n observaciones y sea Ri la suma
de los rangos en el i-esima muestra o grupo. El estadístico de Kruskal-Wallis es:

12 k
Ri2
H   3(n  1)
n(n  1) i 1 ni

Cuando los tamaños ni son grandes y las k poblaciones tienen la misma distribución, H
tiene aproximadamente una distribución de Ji-cuadrado con (k-1) grados de libertad.

El test de Kruskal-Wallis rechaza la hipótesis nula de que todas las poblaciones tienen la
misma distribución cuando H es grande.

Vemos que así como el test de suma de rangos de Wilcoxon, el test de Kruskal-Wallis
está basado en suma de rangos, mientras mayor sea la diferencia entre los rangos de los
grupos mayor evidencia de que las respuestas son diferentes.

31
La distribución exacta del estadístico H de Kruskal-Wallis bajo la hipótesis nula depende
de los tamaños muéstrales n1, n2,..., nk, por lo tanto las tablas son terribles. El cálculo de
la distribución exacta es tan complicado que los softwares generalmente usan la
aproximación de 2 para obtener el valor p.

Veamos lo rangos para el problema de las malezas.

Como antes, también tenemos que corregir cuando existen empates.

Revisemos los datos de las malezas:

Malezas por metro Producción

0 166,7 172,2 165,0 176,9

1 166,2 157,3 166,7 161,1

3 158,6 176,4 153,1 156,0

9 162,8 142,4 162,7 162,4

Tenemos que calcular los rangos de todos los datos ordenados. Luego calcular H. En SPSS
podemos calcular los rangos con: Transformar, Asignar rangos a casos

Ri2
Grupos Suma de Rangos

0 52,5 2756,25

1 33,5 1122,25

3 25,0 625,0

9 25,0 625,0

Total 136

32
 12  2756,25 1122,25 625,0 625,0 
H       3(17)
16(17)  4 4 4 4 

H
12
1282,125  51  5,56
272

Rangos

Rango
WEEDS N promedio
YIELD 0 4 13.13
1 4 8.38
3 4 6.25
9 4 6.25
Total 16

Estadísticos de contrastea,b

YIELD
Chi-cuadrado 5.573
gl 3
Sig. as intót. .134
a. Prueba de Krus kal-Wallis
b. Variable de agrupación: WEEDS

La diferencia con el cálculo de SPSS se debe a la corrección por empates. Esta corrección
hace que la aproximación de Ji cuadrado sea más precisa. Es importante hacerla si hay
muchos empates.

Podemos comparar este test no paramétrico con su equivalente paramétrico:

33
 180

170

160

150

140
YIELD

130
N= 4 4 4 4

0 1 3 9

WEEDS

ANOVA

YIELD
Suma de Media
cuadrados gl cuadrática F Sig.
Int er-grupos 340.667 3 113.556 1.735 .213
Int ra-grupos 785.542 12 65.462
Total 1126.209 15

Vemos que llegamos a la misma conclusión, es decir que las malezas no afectan
significativamente la producción de maíz.

¿Ustedes qué creen?

Ejercicio:
Se tienen datos del contenido en calorías y sodio de 3 tipos de vienesas: cerdo, mixtas,
y de ave.

34
 220

200

180

160

140

120

100
CALORIAS

80

60
N= 20 17 17

carne mixto ave

TIPOS

De scriptivos

CALORIAS
Int ervalo de confianza para
la media al 95%
Desviación Límite
N Media típica Error t ípico Límite inferior superior Mínimo Máximo
carne 20 155.80 25.220 5.639 144.00 167.60 90 190
mixto 17 158.71 25.236 6.121 145.73 171.68 107 195
ave 17 122.47 25.483 6.181 109.37 135.57 86 170
Total 54 146.22 29.696 4.041 138.12 154.33 86 195

Prueba de homogeneidad de varianzas

CALORIAS
Es tadístico
de Levene gl1 gl2 Sig.
.301 2 51 .741

ANOVA

CALORIAS
Suma de Media
cuadrados gl cuadrática F Sig.
Int er-grupos 14074.369 2 7037.184 10.987 .000
Int ra-grupos 32664.965 51 640.490
Total 46739.333 53

35
 CALORIAS
a,b
HSD de Tukey
Subconjunto para alfa
= .05
TIPOS N 1 2
ave 17 122.47
carne 20 155.80
mixto 17 158.71
Sig. 1.000 .937
Se muestran las medias para los grupos en los subconjuntos
homogéneos.
a. Us a el tamaño muestral de la media armónica =
17.895.
b. Los tamaños de los grupos no son iguales. Se utilizará
la media armónica de los tamaños de los grupos. Los
niveles de error de tipo I no están garantizados .

¿Cómo hacemos el análisis no paramétrico?

Ra ngos

Rango
TIPOS N promedio
CALORIAS carne 20 32.83
mixto 17 33.53
ave 17 15.21
Total 54

Estadísticos de contrastea,b

CALORIAS
Chi-cuadrado 15.179
gl 2
Sig. as intót. .001
a. Prueba de Kruskal-Wallis
b. Variable de agrupación: TIPOS

¿Qué informamos a los consumidores de vienesas?

36
 RANK of CALORIAS
a,b
HSD de Tukey
Subconjunto para alfa
= .05
TIPOS N 1 2
ave 17 15.206
carne 20 32.825
mixto 17 33.529
Sig. 1.000 .987
Se muestran las medias para los grupos en los subconjuntos
homogéneos.
a. Us a el tamaño muestral de la media armónica =
17.895.
b. Los tamaños de los grupos no son iguales. Se utilizará
la media armónica de los tamaños de los grupos. Los
niveles de error de tipo I no están garantizados .

Lo que hicimos fue calcular los rangos de la variable respuesta (calorías) y luego
analizamos paramétricamente la nueva variable. Esta propuesta no es absolutamente
convencional y fue publicada por:

Conover, W. Iman, R. (1981) Rank transformation as a bridge between parametric and

non-parametric studies. The American Statistican, 35: 124-133.

Fisher, L. Van Belle, G. En Biostatistics, Wiley (1993) proponen rutinariamente hacer

tanto el análisis paramétrico como su equivalente no paramétrico (cuando existe) y si
las conclusiones son divergentes investigar el motivo.

Correlación por rangos de Spearman

Hasta ahora hemos analizado la correlación mediante el coeficiente de correlación lineal

r de Pearson, sin embargo existen otros coeficientes de correlación útiles,
particularmente el coeficiente de correlación por rangos de Spearman (rs). El uso de este
coeficiente es apropiado cuando la escala de medida de las variables de interés no es
cuantitativa sino que es ordinal.

37
La r de Spearman es en realidad el coeficiente de correlación lineal r de Pearson,
aplicado a los datos que satisfacen los requisitos de una escala ordinal. La ecuación más
sencilla para el cálculo de rs cuando no existen empates, o existen pocos, con respecto
al número de pares de datos (x, y) es:

6 R( X i )  R(Yi ) 
2

rs  1 
n3  n

Donde: R( X i ) es el rango del i-ésimo dato X y R (Yi ) es el rango del i-ésimo dato Y.

Se puede mostrar que si los datos no tienen empates, la r de Pearson se reduce

algebraicamente a la ecuación anterior.
Ejemplo: Suponga que una gran corporación está interesada en calificar a un grupo de
12 aspirantes a gerentes según su capacidad de liderazgo. Se contrata a dos psicólogos
para realizar el trabajo. Como resultado de sus exámenes y entrevistas, cada uno de los
psicólogos, de manera independiente, han clasificado a los aspirantes según su
capacidad de liderazgo. Los rangos van de 1 a 12, donde 1 representa el nivel máximo
de liderazgo. Los datos aparecen en la tabla. ¿Cuál es la correlación entre las
clasificaciones de los dos psicólogos?

Orden de Orden de R( X i )  R(Yi )2

Sujeto Psicólogo 1 Psicólogo 2 Diferencias

1 6 5 1 1

2 5 3 2 4

3 7 4 3 9

4 10 8 2 4

5 2 1 1 1

6 3 6 -3 9

7 9 10 -1 1

8 1 2 -1 1

9 11 9 2 4

10 4 7 -3 9

11 8 11 -3 9

12 12 12 0 0

38
 52

6  52
rs  1   1  0,182  0,818
123  12

Comparemos con la salida de SPSS:

Corre laci one s

PSI1 PSI2
Rho de Spearman PSI1 Coefic ient e de
1.000 .818**
correlación
Sig. (bilateral) . .001
N 12 12
PSI2 Coefic ient e de
.818** 1.000
correlación
Sig. (bilateral) .001 .
N 12 12
**. La correlación es significativa al nivel 0,01 (bilateral).

Correlaciones

PSI1 PSI2
PSI1 Correlación de Pears on 1 .818**
Sig. (bilateral) . .001
N 12 12
PSI2 Correlación de Pears on .818** 1
Sig. (bilateral) .001 .
N 12 12
**. La correlación es significativa al nivel 0,01
(bilateral).

39
 14

12

10

2
PSI1

0
0 2 4 6 8 10 12 14

PSI2

En este caso los dos coeficientes de correlación son iguales, pero tenemos argumentos
a favor de usar un método no paramétrico.
III. ANALISIS DE REGRESIÓN

El análisis de regresión involucra el estudio la relación entre dos variables CUANTITATIVAS. En

general interesa:

 Investigar si existe una asociación entre las dos variables testeando la hipótesis de
independencia estadística.
 Estudiar la fuerza de la asociación, a través de una medida de asociación denominada
coeficiente de correlación.
 Estudiar la forma de la relación. Usando los datos propondremos un modelo para la
relación y a partir de ella será posible predecir el valor de una variable a partir de la
otra.

Para ello proponemos un MODELO que relaciona una variable dependiente (Y) con una
variable independiente (X).

La decisión sobre qué análisis usar en una situación particular, depende de la naturaleza del
RESULTADO y del tipo de función que se propone para relacionar el RESULTADO y la variable
independiente.

40
TIPOS DE ANÁLISIS DE REGRESION:

 REGRESIÓN LINEAL SIMPLE:

La regresión lineal simple examina la relación lineal entre dos variables continuas: una
respuesta (Y) y un predictor (X). Cuando las dos variables están relacionadas, es posible
predecir un valor de respuesta a partir de un valor predictor con una exactitud mayor que
la asociada únicamente a las probabilidades.

La regresión proporciona la línea que "mejor" se ajusta a los datos. Esta línea se puede
utilizar después para:

 Examinar cómo cambia la variable de respuesta a medida que cambia la

variable predictora.
 Predecir el valor de una variable de respuesta (Y) para cualquier variable
predictora (X).

 REGRESIÓN LINEAL MÚLTIPLE:

La regresión lineal múltiple examina las relaciones lineales entre una respuesta continua y
dos o más predictores.

Si el número de predictores es grande, antes de ajustar un modelo de regresión con todos

los predictores, se deberían utilizar las técnicas de selección de modelo paso a paso o de
los mejores subconjuntos para excluir los predictores que no estén asociados con las
respuestas.

MODELOS DE REGRESIÓN LINEAL:

Llamaremos MODELO MATEMÁTICO a la función matemática que proponemos como forma

de relación entre la variable dependiente (Y) y la o las variables independientes.

La función más simple para la relación entre dos variables es la FUNCIÓN LINEAL.

Y=a+bX

41
  Esta expresión es una aproximación de la verdadera relación entre X e Y.
 Para un dado valor de X el modelo predice un cierto valor para Y.
 Mientras mejor sea la predicción, mejor es el modelo para explicar el fenómeno.

Por ejemplo, Y=2X+3

Interpretación de los coeficientes:

 el coeficiente a es la PENDIENTE de la recta, mide el cambio en Y por cada unidad

de cambio en X, en el ejemplo la pendiente es 2.
 El coeficiente b es la ORDENADA AL ORIGEN, el punto donde la recta intercepta el
eje Y, es decir el valor de Y cuando X = 0.

MODELO DETERMINÍSTICO supone que, bajo condiciones ideales, el comportamiento de la

variable dependiente puede ser totalmente descripto por una función matemática de las
variables independientes (o por un conjunto de ecuaciones que relacionen las variables). Es
decir, en condiciones ideales el modelo permite predecir SIN ERROR el valor de la variable
dependiente.

Ejemplo: Ley de la Gravedad.

Podemos predecir exactamente la posición de un objeto que cae en caída libre y en el vacío
para cada instante de tiempo.

MODELO ESTADÍSTICO permite la incorporación de un COMPONENTE ALEATORIO en la

relación. En consecuencia, las predicciones obtenidas a través de modelos estadísticos tendrán
asociado un error de predicción.

Ejemplo: Relación de la altura con la edad en niños.

Niños de la misma edad seguramente no tendrán la misma altura. Sin embargo, a través de un
modelo estadístico es posible concluir que la altura aumenta con la edad. Es más, podríamos

42
predecir la altura de un niño de cierta edad y asociarle un ERROR DE PREDICCIÓN que tiene en
cuenta: ERRORES DE MEDICIÓN y VARIABILIDAD ENTRE INDIVIDUOS.

En problemas biológicos, trabajando en “condiciones ideales” es posible evitar los errores de

medición, pero no la variabilidad individual, por eso es indispensable incluir el componente
aleatorio en los modelos estadísticos.

REGRESIÓN LINEAL SIMPLE:

Consideremos el siguiente experimento controlado y aleatorizado para estudiar el efecto de

una nueva droga sobre la frecuencia cardiaca de ratas sanas.

Cinco ratas fueron asignadas aleatoriamente a una de cinco dosis y se registró la máxima
disminución observada en la frecuencia cardiaca en una hora. Los datos obtenidos son:

La relación respuesta-dosis es aparentemente lineal. Parece razonable proponer

DFC = β0 + β1 * DOSIS + error

Yi = β0 + β1 * Xi + ei

Como decidir que el modelo de recta correcta:

Ejm:

yi = 5.5 + 3.5 * xi

yi = 0.5 + 7.0 * xi

¿Cuál recta es “mejor”? ¿Cómo decidir? Veamos los gráficos.

43
Para decidir cuál de las dos rectas ajusta mejor estos datos consideraremos una medida de
cuán lejos está cada dato de la recta propuesta ⇒ RESIDUO.

La mejor recta sería aquella que minimice la suma de las distancias al cuadrado de los puntos a
la recta, es decir deberíamos encontrar tales que:

Este método para encontrar la recta que mejor ajuste a los datos se conoce como:

MÉTODO DE MÍNIMOS CUADRADOS:

Afortunadamente no es necesario probar con diferentes rectas cuál de ellas es la que produce
la menor suma de cuadrados, ya que es posible encontrar analíticamente las expresiones para

En el caso general en que tenemos “n” pares de observaciones

son las soluciones del sistema de ecuaciones normales:

44
y se obtiene:

En el ejemplo de dosis-respuesta los estimadores de mínimos cuadrados para βo y β1 resultan

ser:

La RECTA AJUSTADA para nuestros datos es

¿Qué nos indican los valores de los coeficientes?

 βo = ORDENADA AL ORIGEN = 2.7 ⇒ es el punto donde la recta corta el eje vertical, es

decir, la disminución esperada en el número de pulsaciones cuando la dosis es cero. No
interpretable si el 0 no está contenido en el rango de valores de X.
 β1 =PENDIENTE = 5.4 ⇒ nos dice que por cada mg de aumento en la dosis se espera un
cambio de 5.4 pulsaciones/min en la FC.
 Si β1 = entonces βo = Y. La media de los datos es el estimador de mínimos cuadrados
cuando no hay variables regresoras.

45
NOTACIÓN:

VALORES ESTIMADOS DE LOS PARÁMETROS: β1, βo.

VALOR PREDICHO:

RESIDUO o RESIDUAL = resultado observado – valor predicho

PENDIENTE ESTANDARIZADA:

La pendiente β1 nos indica si hay relación entre las dos variables, su signo nos indica si la relación
es positiva o negativa, pero no mide la FUERZA de la asociación.

La razón es que su valor numérico depende de las unidades de medida de las dos variables. Un
cambio de unidades en una de ellas puede producir un cambio drástico en el valor de la
pendiente.

Ejemplo:

Por esa razón, puede resultar interesante considerar una versión estandarizada de la pendiente:

donde Sx y Sy son las desviaciones estándares de las X’s y de las Y’s respectivamente.

Esta es la pendiente que se obtendría al hacer la regresión de los scores Z de la variable

dependiente respecto de los scores Z de la variable regresora.

donde r es el coeficiente de correlación de Pearson. Notar que si tenemos:

Esta relación directa entre el coeficiente de correlación de Pearson y la pendiente de la recta de

regresión sólo es válida en el contexto de regresión simple (una variable regresora) no vale para
el caso de regresión múltiple (más de una variable regresora).

Propiedades del coeficiente de correlación (de la pendiente estandarizada)

 r mide la fuerza de la asociación LINEAL entre X e Y.

 -1 ≤ r ≤ 1 - r = 0 implica que no hay relación lineal
 r = ± 1 cuando todos los puntos caen sobre la recta
 r tiene el mismo signo que la pendiente
 mientras mayor el valor absoluto de r mayor la fuerza de la asociación

46
 el valor de r no depende de las unidades de medición
 el coeficiente de correlación trata a X e Y simétricamente. Si ajustamos
Y = α + βX o X = α* + β* Y, en ambos casos obtendremos el mismo coeficiente de
correlación, pero no la misma pendiente

47