Documente Academic
Documente Profesional
Documente Cultură
U NA
LISTA DE ILUSTRACIONES
GRFICOS
Pag.
13
13
13
34
35
74
74
77
TABLAS
Tabla I.1.1. Resumen de probabilidades segn el tipo de error
11
12
22
iii
Tabla II.2.2.1. Hiptesis alternativa y regin de rechazo para la hiptesis
nula X = Y
24
29
44
47
49
51
52
53
54
56
57
59
61
62
62
iv
Tabla III.5.3. Rangos asociados de la tabla III.5.2
63
Tabla III.5.4. Datos del papel tamao carta con sus rangos y sus sumas
de rango
65
66
67
68
69
70
73
74
78
Tabla III.8.2. Los valores de la tabla III.8.1 sustituidos por sus rangos
79
79
80
81
82
83
86
87
v
Tabla IV.1.Conversin de valores paramtricos a rangos no paramtricos
93
98
103
104
105
Tabla # 5. Valores de 2 ,
107
108
111
vii
NDICE
Pg.
Introduccin
CAPTULO I
I.2.1 Seleccin
I.2.2 Interpretacin
I.4.1 Introduccin
10
11
12
CAPTULO II
14
14
14
14
17
17
18
viii
II.1.2.3 Prueba de los signos para un experimento de pares comparados
II.2 Prueba de Wilcoxon
II.2.1 Prueba de rangos para una sola muestra. Intervalos con signos
18
20
20
23
26
32
34
38
41
CAPTULO III
43
43
43
50
55
57
61
67
71
78
84
CAPTULO IV
89
ix
Anlisis, conclusiones y recomendaciones
89
89
92
93
IV.4 Recomendaciones
94
APNDICE A
95
95
APNDICE B
98
98
103
104
105
Tabla # 5 Valores de 2 ,
107
108
110
111
REFERENCIA BIBLIOGRFICA
112
INTRODUCCIN
CAPTULO I
PRUEBA ESTADSTICA Y PRUEBA DE HIPTESIS
I.1
3
Por definicin una hiptesis estadstica es una afirmacin o conjetura de la
distribucin de una o ms variables aleatorias. Y cuando especfica por completo la
distribucin, recibe el nombre de hiptesis simple; si no, se conoce como hiptesis
compuesta.
Las partes esenciales de una prueba estadstica son el estadstico de prueba
y una regin de rechazo asociada. El estadstico de prueba, como un estimador, es una
funcin de las mediciones de la muestra que sirve de fundamento para las tomas de
decisiones estadsticas. La regin de rechazo, denotada por RR, especifica los valores
del estadstico de prueba para los que la hiptesis nula se rechaza a favor de la hiptesis
alternativa. Si en una muestra el valor calculado del estadstico de prueba est en la
regin RR, rechazamos la hiptesis nula H 0 y aceptamos la hiptesis alternativa H 1 . Si
el valor del estadstico de prueba no cae en la regin de rechazo RR, aceptamos H 0 1.
Un problema importante es encontrar una buena regin de rechazo para una
prueba estadstica y en cualquier regin de rechazo fija se pueden cometer dos tipos de
errores al tomar una decisin. Podemos decidirnos a favor de H 1 cuando H 0 es
verdadera o lo que es lo mismo rechazar H 0 cuando es verdadera, este error se
denomina del tipo I con probabilidad denominada nivel de significancia de la prueba,
o podemos decidirnos a favor de H 0 cuando H 1 es verdadera lo que equivale a rechazar
H 1 cuando es verdadera; este error se denomina del tipo II con probabilidad . As
estas probabilidades proporcionan una manera prctica de medir la bondad de una
prueba y podramos resumirlas
tabla # I.1.1
Aceptar es asegurar que la hiptesis Ho es verdadera 100% y esto no es as. En la mayora de los textos
que tratan el tema se usa esta expresin como una abreviacin que no es ms que un abuso del lenguaje.
Todos aclaran, y as tambin lo hacemos aqu, que lo que se quiere decir es que no se tiene suficientes
elementos de juicio desde el punto de vista estadstico como para rechazarla; siendo sta la forma ms
adecuada o completa. En esta monografa se hace tambin de las dos formas y es bueno que se tenga
presente para no crear confusin.
4
Tipo de error
Probabilidad de rechazar la
hiptesis cuando es verdadera:
P(RHCEV) 1
I
P(RH 0 CEV) =
P(RH 1 CEV) =
II
I.2.2 INTERPRETACIN
No existe un nivel de significancia nico universal para probar hiptesis. En
algunos casos, se utiliza un nivel de significancia de 5%. Algunos resultados de
investigaciones publicados a menudo prueban hiptesis al nivel de significancia de 1%.
Es posible probar una hiptesis a cualquier nivel de significancia. Pero es bueno
recordar que la eleccin del estndar mnimo para una probabilidad aceptable, o el nivel
de significancia, es tambin el riesgo que se asume al rechazar una hiptesis nula
cuando es cierta. Mientras ms alto sea el nivel de significancia que se utilice para
probar una hiptesis, mayor ser la probabilidad de rechazar una hiptesis nula cuando
sea cierta.
Al examinar este concepto, nos referimos a la figura # I.2.2.1 en la que se ha
ilustrado una prueba de hiptesis con H 0 : = 0 y H 1 : 0 a tres niveles de
1
5
significancia diferentes: 0.01, 0.1, y 0.50. En ella se puede observar la distribucin
muestral, la regin de aceptacin de la hiptesis nula (en blanco) y su regin de rechazo
(sombreada).
Tambin se ubica en ella la misma muestra x en cada una de las distribuciones en donde
puede verse que tanto en a) como en b) aceptaramos la hiptesis nula de que la media
de poblacin es igual al valor hipottico. Pero observe que en la parte c) de la misma
figura, rechazaramos la misma hiptesis nula que con la condicin anterior se acept,
pues nuestro nivel de significancia de 0.50 en esa parte es tan alto que raramente
aceptaramos dicha hiptesis cuando no sea cierta, pero, al mismo tiempo la
rechazaramos cuando es cierta.
6
Observemos que cuando ampliamos RR para obtener una nueva regin de
rechazo RR*; es decir, RR RR*, la prueba con la regin de rechazo RR* nos llevar a
rechazar H 0 con ms frecuencia. Si * y denotan las probabilidades de los errores
tipo I (niveles de las pruebas) cuando utilizamos RR* y RR como regiones de rechazo,
respectivamente, entonces, como RR RR*,
Figura # I.3.1. Curvas de funcin de potencia de una prueba de dos colas con nivel de
significancia = 0.05 con diferentes tamaos de muestras.
donde se elige con anterioridad, y determina la localizacin de la regin de rechazo.
Un mtodo que presenta una mayor utilidad para evaluar el desempeo de una prueba
recibe el nombre de funcin de potencia de una prueba de una hiptesis estadstica H 0
contra una hiptesis alternativa H 1 y est dada por
( )
fp ( ) =
1 ( )
8
tamao cada vez mayor, siendo n sucesivamente igual a 4, 10, 20, 50 y 100. Estas
muestras se tomaron de poblaciones normales con varianza 2 .
Es importante tener en cuenta que cuando los supuestos que constituyen el
modelo estadstico para una prueba no han sido en verdad satisfechos, o cuando la
medida carece de la fuerza requerida, es difcil, si no imposible, medir la potencia de la
prueba.
I.4
I.4.1
ESCALAS DE MEDICIN
INTRODUCCIN
Los investigadores principiantes y an los ms experimentados que usan la
I.4.2
distinguir entre s los grupos a que pertenecen varios objetos, personas o caractersticas
representando un nivel elemental de medicin pues simplemente los clasifica. Cada uno
de estos grupos debe ser mutuamente excluyente y la nica relacin implicada es la de
9
equivalencia ( = ) la cual es reflexiva (x = x x), simtrica (x = y y = x x,y) y
transitiva (si x = y e y = z x = z x,y,z) .
Ejemplos. Cuando un mdico psiquitrico examina a sus pacientes y los agrupa por
diagnstico como esquizofrnico, paranoico, manaco-depresivo o psiconeurtico se
vale de un smbolo para representar la clase de personas a que pertenece ese individuo;
por tanto se emplea la escala nominal.
Los nmeros de los uniformes de los futbolistas y de los policas tambin
ejemplifican el empleo de nmeros en escala nominal.
Tambin la asignacin de placas automovilsticas conforma otro ejemplo de
esta escala, pues en algunos pases los nmeros y letras de las placas indican el lugar
donde reside cada propietario del automvil, y tenemos que cada subclase de la escala
nominal consta de un grupo de entidades: todos los propietarios que residen en el
mismo lugar. La asignacin de los nmeros debe ser tal que el mismo nmero (o letra)
se d a todas las personas que residen en el mismo lugar y que diferentes nmeros (o
letras) se den a personas que residen en lugares diferentes. Esto es, el nmero o la letra
de la placa debe indicar claramente a qu conjunto de las subclases que se excluyen
mutuamente pertenece el propietario. Observe que en ste ejemplo como en los
anteriores, la diferencia entre dos valores cualesquiera de una escala para una prueba
estadstica no paramtrica carece de sentido y la frecuencia es un ejemplo de estadstico
utilizado en este tipo de escala.
I.4.3
relacin >, que significa mayor que, entre todos los pares de clases de modo que surja
un rango ordenado completo. Este orden cumple con las relaciones de equivalencia ( = )
y la de mayor que ( > ), es irreflexiva ( x, x no es > x), asimtrica ( x,y x > y y no
es > x) y transitiva ( x,y,z x > y e y > z x > y).
10
Ejemplos. En el sistema educativo de un pas podra medirse el nivel de conocimientos,
o grado de preparacin, alcanzado por los estudiantes en las diferentes materias segn
las notas por ellos obtenidas. En la escala del 1 al 20 cada una de las notas representa
una clase. La relacin de equivalencia (=) se mantiene entre los miembros de la misma
clase y la relacin mayor que (>), entre cualquier pareja de clases.
El sistema de grados en el ejrcito es tambin un ejemplo de una escala
ordinal. El sargento > el cabo > el soldado raso cumple con la relacin mayor que, la
misma es irreflexiva: es decir el cabo no es mayor que el cabo; y es asimtrica: el cabo
es mayor que el soldado raso entonces el soldado raso no es mayor que el cabo y
transitiva: como el sargento es mayor que el cabo y ste a su vez mayor que el soldado
raso entonces el sargento es mayor que el soldado raso. Aqu tambin se mantiene la
relacin de equivalencia (=) entre elementos de la misma clase, ya que es reflexiva,
simtrica y transitiva.
Como puede verse por medio de estos ejemplos la diferencia entre valores
en esta escala no representa informacin con valor aunque s la posicin que las
diferentes clases tienen en ella.
Existen varios estadsticos que usan este tipo de escala para pruebas
estadsticas no paramtricas, uno de ellos es el coeficiente de correlacin de Spearman
que ser tratado ms adelante.
11
diferencia entre 30 C y 35 C es la misma que entre 45 C y 50 C y si se dice que un
lquido se encuentra a 0 C, no significa que no tiene temperatura.
En la tabla # I.4.4.1 que se muestra seguidamente se tabula la misma
temperatura en ambas escalas
Centgrados 0
Fahrenheit
10 30 100
32 50 86 212
y Fahrenheit
30 10
=2
10 0
86 50
= 2 . Las lecturas comparables en ambas escalas, como se ven
50 32
producto del clculo, dan como resultado la misma proporcin: 2. Esta escala es de tipo
cuantitativo y resulta apropiada para pruebas estadsticas paramtricas y no
paramtricas.
I.4.5
ESCALA DE PROPORCIN
12
slo en libras sino tambin en gramos, encontramos que la razn de los dos pesos en
libras es idntica a la razn de los dos pesos en gramos.
La tabla # I.4.5.1 contiene un resumen sobre los cuatro mtodos de
medicin comentados anteriormente.
Escala
Relaciones definidas.
Nominal
1- Equivalencia( = )
Pruebas estadsticas
no paramtricas
Pruebas estadsticas
no paramtricas
Pruebas estadsticas
paramtricas y
no paramtricas
Ordinal o de rango
1- Equivalencia( = )
2- Mayor que( > )
Intervalo
1- Equivalencia( = )
2- Mayor que ( > )
3- Proporcin conocida
de un intervalo a
cualquier otro.
Pruebas estadsticas
Proporcin
1- Equivalencia( = )
paramtricas y
2- Mayor que( > )
3- Proporcin conocida no paramtricas
de un intervalo a
cualquier otro.
4- Proporcin conocida
de un valor de la
escala a cualquier
otro.
Tabla # I.4.5.1. Resumen de los cuatro niveles de representacin.
I.5
TEORIA DE DECISIN
H 0 , se rechaza siempre que ocurra un resultado significativo. Por tanto, se llama valor
significativo a aquel cuya probabilidad asociada de ocurrencia de acuerdo con H 0 es
13
igual o menor que . Obsrvese que las figuras # I.5.1, # I.5.2., y # I.5.3 muestran las
diferentes regiones de rechazo o aceptacin de la hiptesis nula de una prueba para el
caso de dos y una cola, siendo esta ltima de cola derecha o de cola izquierda segn
corresponda.
Figura # I.5.1. El rea sombreada muestra la regin de rechazo de una prueba de dos
colas.
Figura # I.5.2. El rea sombreada muestra la regin de rechazo de una prueba de cola
derecha o superior.
Figura # I.5.3. El rea sombreada muestra la regin de rechazo de una prueba de cola
izquierda o inferior
14
CAPTULO I
LAS PRUEBAS Y SU TEORA
II.1
nacidos
en
Londres
en
un
determinado
perodo
de
tiempo
era
II.1.1
Si cada vez que se vaya a realizar una experiencia aleatoria, fijamos nuestra
atencin ante un suceso A, de probabilidad no nula P(A) = p, podemos definir
trivialmente una variable aleatoria Y , dicotmica, tomando valores en {0,1} , que recibe
el nombre de variable de Bernoulli de parmetro p, B(p):
f ( y ) = P(Y = y ) = p y (1 p )1 y ,
y = 0,1
15
t
t
n
FX (t ) = P ( X t ) = f (k ) = p k (1 p) n k
k =0
k =0 k
( X 1 , X 2 ,....., X n )
variables
aleatorias
i = 1,2,,n;
reales
contnuas
i = ( X i - 0 ) ,
( xi ) = 1 si xi > 0
( xi ) = 0 si xi < 0
Entonces sea T( 1 ,, n ) un estadstico basado sobre los i . Los estadsticos
16
n
T( X 1 , X 2 ,....., X n ) =
X
i =1
S = T( 1 ,, n ) =
i =
i =1
( X
i =1
- 0 ) = nmero de diferencias X i - 0
estrictamente positivas
El estadstico a calcular es:
S = n de casos en los que X i - 0 > o i = 1,2,....., n
y tiene una distribucin binomial B (s,n,1/2), donde n es el nmero de diferencias
X i - 0 no nulas ya que el estadstico obliga a la conversin de los valores a signos.
Para ejecutar una prueba del signo de una sola muestra cuando la muestra es
muy pequea, nos referimos directamente a la tabla # 1 de probabilidades binomiales
del apndice B; cuando la muestra es grande ( np > 5 y nq > 5 ), podemos utilizar la
distribucin normal representada en la tabla # 2 del mismo apndice como
aproximacin a la distribucin binomial. Una demostracin general de este concepto
puede verse en el apndice A.
La prueba del signo de una sola muestra se resume de la siguiente manera:
Sea p =
Hiptesis nula -------------------------H 0 : = 0
Hiptesis alternativa----------------- H 1 : 0 o ( < 0 o > 0 )
Estadstico de prueba ----------------S = n de casos en los que X i - 0 > o i = 1,....., n
Regin de rechazo--------------------si H 1 : 0 , se rechaza H 0 para los valores ms
grandes y ms pequeos de S; si H 1 : < 0 , se
rechaza H 0 para los valores ms pequeos de S;
si H 1 : > 0 , se rechaza H 0 para los valores ms
grandes de S.
17
II.1.2 PRUEBA DEL SIGNO PARA MUESTRAS EN PARES. EXPERIMENTOS
DE PARES COMPARADOS
18
semejantes, con respecto a cualquier variable extraa que pudiera influir el resultado de
la investigacin. En el ejemplo mencionado anteriormente, el mtodo de pares requera
que fueran seleccionadas numerosas parejas de estudiantes, cada una compuesta por
dos estudiantes de capacidad y motivacin fundamentalmente iguales. Un miembro de
cada pareja, escogido al azar, sera asignado a uno de los mtodos de enseanza y su
compaero al otro.
II.1.2.2
19
hiptesis nula que indica que X i y Yi provienen de las mismas distribuciones de
probabilidad continua, la probabilidad de que Di = X i - Yi sea positiva es igual a 1/2 (la
misma probabilidad de que Di sea negativa). Sea S la cantidad total de diferencias
positivas. De esta manera, si los valores de las variables X i y Yi poseen la misma
distribucin, S poseer una distribucin binomial con p = 1/2, y la regin de rechazo
para una prueba basada en S podr obtenerse mediante la distribucin de probabilidad
binomial. La prueba de los signos en este caso se resume de la siguiente manera.
Prueba de los signos para un experimento de pares comparados
con muestras
Hiptesis nula:
Hiptesis alternativa:
H 1 : p 0.5
Estadstico de prueba:
Z=
20
Regin de rechazo:
H 0 se rechaza si z z / 2 o si z - z / 2 , donde z / 2 se
II.2
II.2.1
PRUEBA DE WILCOXON
PRUEBA DE RANGOS PARA UNA SOLA MUESTRA. INTERVALOS
CON SIGNOS
Como se vio en secciones anteriores, la prueba del signo en sus dos versiones
es muy fcil de realizar, pues sin importar la distribucin que siguen las observaciones,
slo utilizamos los signos de las diferencias entre stas y 0 o entre las parejas
comparadas, siendo los signos + y las direcciones de las diferencias producto de las
transformaciones realizadas, desperdicindose por tanto, toda la informacin contenida
en la magnitud de estas diferencias. La prueba de Wilcoxon para intervalos con signo,
hace un mejor aprovechamiento de la informacin contenida en las observaciones, ya
que toma en cuenta, adems de los signos, las magnitudes de las diferencias por medio
de los rangos a que son asignados.
Sean ( Z 1 ,, Z n ) una muestra aleatoria de la variable aleatoria continua Z y
( Z (1) ,, Z (n ) ) la muestra ordenada asociada. Se llama rango Ri de la variable aleatoria
Z i al nmero de variables aleatorias Z i menores o iguales a Z i , 1 i n . Luego el
n
se defini en la seccin II.1.1, tenindose en particular que Z (1) < Z ( 2 ) < Z ( 3) < .... < Z ( n )
y Ri es tal que Z i = Z ( Ri ) , siendo sus valores extremos Z (1) = min( Z 1 ,, Z n )
Z (n ) = mx( Z 1 ,, Z n ).
En esta prueba se ordenan por rango los valores absolutos de las diferencias
en relacin con sus signos: asignamos el rango 1 a la menor de las diferencias en valor
21
absoluto, el rango 2 a la segunda diferencia ms pequea en valor absoluto, y as
sucesivamente. Cuando varias de las diferencias sean las mismas, si fuera el caso de las
que corresponderan a 3, 4 y 5, cada una tomara como rango el valor promedio de las
tres, en este caso, 4, seria el rango asignado a cada una de las diferencias iguales, y a la
siguiente diferencia en valor absoluto ms grande se le asignara el rango 5.
Calcularamos ahora la suma de los rangos para las diferencias negativas T y las
sumas de los rangos para las diferencias positivas T + .En el caso de una prueba de dos
colas utilizamos T, la ms pequea de estas dos cantidades, como estadstico de prueba
para probar la hiptesis nula que afirma que las dos poblaciones son idnticas. Cuanto
ms pequeo sea el valor de T, mayor el peso de la evidencia que favorece el rechazo de
la hiptesis nula. Por consiguiente, rechazaremos la hiptesis nula si T es menor o igual
a algn valor T .
La hiptesis nula permite que para cada rango, las probabilidades de que se
le asigne una diferencia positiva o una negativa son ambas . Podemos escribir el
estadstico como
T + = 1. X 1 + 2. X 2 + . . . . . . + nX n , donde X 1 , X 2 ,. . . .y
X n son variables
1 + 2 + ... + n
2
n(n + 1)
,
4
22
y que
Var(T + ) = 1 2 .1/4 + 2 2 .1/4 +. . .+n 2 .1/4 =
1 + 2 + ... + n
4
n(n + 1)(2n + 1)
24
> 0
T T 2
< 0
T + T 2
23
II.2.2
24
Hiptesis Rechace la hiptesis
alternativa nula si:
T T
X Y
X > Y
T T 2
X < Y
T + T 2
Hiptesis nula
H0:
Hiptesis alternativa H 1 :
Estadstico de la prueba:
1.
los rangos de las diferencias positivas y T es igual a la suma de los rangos de las
diferencias negativas.
2.
25
Hiptesis nula
H0:
Hiptesis alternativa H 1 :
Estadstico de prueba:
Z=
T + [n(n +1) / 4]
n(n +1)(2n +1) / 24
, T = T + ya que T +
26
II.3
ALEATORIAS INDEPENDIENTES
II.4
INDEPENDIENTES
27
Sean ( X 1 ,,X m ) y (Y 1 ,,Y n ) dos muestras aleatorias A y B de las
variables continuas X e Y. Se llama muestra combinada a la muestra de tamao
N = n + m igual a (X 1 ,,X m , Y 1 ,,Y n ) = (Z 1 ,,Z m ,Z m +1 ,,Z N ). Entonces sea
R = (R 1 ,,R m ,R m +1 ,,R N ) el vector de los rangos asociados a la muestra combinada,
aqu Q = (R 1 ,,R m ) y S = (R m +1 ,,R N ) son los vectores de los rangos de los X y los Y
m
Ri +
i =1
Rj =
j = m +1
k =1
N ( N + 1)
.
2
m
T 2 ( Z 1 ,,Z N ) =
T 3 ( Z 1 ,,Z N ) =
j = m +1
T 4 ( Z 1 ,,Z N ) =
Z j ,
n
(Y
i =1 j =1
( X
i =1 j =1
Z
i =1
Yj )
Xi)
m
i =1
= suma de los
j = m +1
= suma de los
U = MW = T 3 (Z 1 ,,Z N ) =
( X
i =1 j =1
U = MW = T 4 (Z 1 ,,Z N ) =
Yj )
(Y
i =1 j =1
Xi) ,
entonces
n
( X
j =1
28
m
Entonces U A = MW =
( Ri - m i ) = Ri - mi =
i =1
i =1
i =1
Ri - i =
i =1
i =1
i =1
j = m +1
m(m + 1)
2
n(n + 1)
2
donde
n 1 = nmero de observaciones de la muestra A
n 2 = nmero de observaciones de la muestra B
U A + U B = n1n 2
R 1 = suma de rangos para la muestra A
R 2 = suma de rangos para la muestra B
29
poblacionales para las mediciones A y B en cualquier direccin, convenimos en utilizar
siempre U, el menor de U A o U B o sea U = mn(U A , U B ) como estadstico de prueba y
rechazar H 0 para U < U . El valor de para la prueba de una cola es el doble del de
una prueba de dos colas tal como se muestra en la siguiente tabla # II.4.1.
Hiptesis Rechace la
alternativa hiptesis nula si:
U U
A B
A > B
U B U 2
A < B
U A U 2
n1 n 2
2
y Var(U A ) =
n1 n2 (n1 + n2 + 1)
12
Hiptesis nula:
de
30
la distribucin de frecuencias relativa para la
poblacin B
Estadstico de prueba:
rechace H 0 si U U ,
donde
P(U A ( U B ) U 2 ) = 2 .
Supuestos:
sus
respectivas
observaciones
tres
se
31
Hiptesis nula:
poblacin
Hiptesis alternativa
para A y B
son
idnticas.
de
Estadstico de prueba:
Regin de rechazo:
Z=
U (n1 n2 / 2)
(n1 n2 )(n1 + n2 + 1) / 12
32
II.5 PRUEBA H DE KRUSKAL-WALLIS
V=
n
i =1
( Ri - R ) 2 .
n +1
=
; de esta manera, V =
2
n ( R
i
i =1
n +1 2
) .
2
Ri
-3(n+1).
i =1 ni
33
La hiptesis nula afirma que la igualdad de las poblaciones se rechaza a favor de la
hiptesis alternativa que plantea que las poblaciones difieren en cuanto a su localizacin
si el valor de H es grande. En consecuencia, la prueba de nivel correspondiente exige
el rechazo de la hiptesis nula en favor de la hiptesis alternativa si H > h( ), donde
h( ) satisface la relacin.
12
n(n + 1)
Ri
-3(n+1), donde
i =1 ni
de la poblacin i
R i = suma de los rangos para la muestra i, en la que
34
n = n1 + n 2 + + n k
combinando
observaciones formadas
los datos
de
las
muestras.
II.6
|------|------|------//-----|--------------------------------------------|------//------|------|------|-----|
2
k1
Regin de rechazo
Nmero de rachas
k2
Regin de rechazo
35
Para determinar la distribucin de probabilidad de R, supongamos que la
serie completa contiene n 1 elementos S y n 2 elementos F, lo cual da como resultado Y 1
corridas de elementos S y Y 2 corridas de elementos F, donde Y 1 + Y 2 = R. Por
consiguiente dado Y 1 , Y 2 es necesariamente igual a Y 1 , (Y 1 -1) o (Y 1 +1). Sea m el
nmero mximo de posibles corridas. Observe que m = 2n 1 si n 1 = n 2 y que m = 2n 1 + 1
si
de la serie constituye un evento simple del experimento y que los puntos muestrales son
equiprobables. As nos queda como siguiente paso, contar el nmero de puntos
muestrales que implica R corridas.
En la serie estn dados n1 elementos indistinguibles S y n2 elementos
indistinguibles F, stos generan el nmero total de ordenamientos distinguibles dado
n + n2
1
y, por consiguiente, la probabilidad por punto muestral es de
por 1
.
+
n
n
n
2
1
n
1
|S|SSSS|SS|SS|SSS|S|
Fig.II.6.2. Distribucin de n 1 elementos S en y 1 celdas.
36
El nmero de formas para observar y 1 corridas de elementos S y y 2 corridas
n 1 n 1
y1 1 y 2 1
p(y 1 , y 2 ) =
n1 + n 2
n1
EJEMPLO # II.6.1
Suponga que una sucesin consta de n 1 = 5 elementos S y n 2 = 3
elementos F. Calcule P(R 3).
SOLUCIN
Podran ocurrir tres corridas cuando y 1 = 2 y y 2 = 1, o cuando y 1 = 1 y
y 2 = 2. Por consiguiente,
37
P(R = 3) = P(Y 1 = 2, Y 2 = 1) + P(Y 1 = 1, Y 2 = 2)
4 2
1 0
= +
8
5
4 2
0 1 = 4 + 2 = 0 . 107 .
56 56
8
5
o bien
aleatoriedad
Hiptesis alternativa. H 1 : No
hay aleatoriedad
de
corridas
en
el
en el
en
una
proceso
proceso
prueba
R k2 = r
2
38
Como en el caso de otros estadsticos de prueba no paramtricos analizados
anteriormente, la distribucin de probabilidad para R tiende a la normalidad conforme
n 1 y n 2 crecen. La aproximacin es buena cuando n 1 y n 2 son mayores que 10. As que
podemos utilizar el estadstico Z como estadstico de prueba para una muestra grande.
En consecuencia,
Z=
R R
y R =
2n1 n 2
+ 1 con
n1 + n 2
R2 =
2n1 n2 (2n1 n2 n1 n 2 )
(n1 + n2 ) 2 (n1 + n 2 1)
II.7
39
Para un conjunto dado de datos ordenados en parejas {( xi , y i ); i = 1,2,..., n},
este se obtiene ordenando por rango las x entre si mismas y tambin las y; cuando hay
coincidencias de rango, se procede como se hizo en caso del estadstico de MannWhitney.
Se parte de la frmula de Pearson
n
(x
r=
i =1
(x
i =1
x )( y i y )
x)
S xy
(y
i =1
y)
S xx S yy
x
i =1
2
i
x
i =1
n(n + 1)
, y la suma de sus cuadrados, 1 2 , 2 2 , . . . , n 2
2
n(n + 1)(2n + 1)
. Por consiguiente,
6
n
S xx = ( xi x ) = x
2
i =1
i =1
2
i
( xi ) 2
i =1
4
12
6
y similarmente
n3 n
S yy =
.
12
Ahora
d=xy
d 2 = ( x y) 2 = x 2 2 xy + y 2
n
i =1
i =1
i =1
i =1
d i2 = xi2 + yi2 2 xi yi
n
d
i =1
2
i
= S xx + S yy 2S xy
r=
S xy
S xx S yy
= rs
es
40
cuando las observaciones estn en forma de rango. Por consiguiente,
n
d
i =1
2
i
S xx + S yy d i2
= S xx + S yy -2 r s
S xx S yy , y r s =
i =1
2 S xx S yy
sustituyendo se tiene
rs=
n3 n n3 n n 2
+
di
12
12
i =1
2 (
n3 n n3 n
)(
)
12
12
n
2
2(n 3 n) n 2
2
d
6
di
d i2
i
12
i =1
=
= 1 i =31
= 1 i3=1
3
2(n n)
n n
n n
12
6
t3 t
para ajustar la frmula. En este caso se tendr
12
n
S xx + S yy d i2
rs=
i =1
2 S xx S yy
donde
S xx =
n3 n
Tx
12
y S yy =
n3 n
Ty
12
Hiptesis nula:
H 0 : No
los
pares de rangos.
Hiptesis alternativa:
colas) o,
H 1 : La correlacin entre los pares de rangos es positiva
rs =
n
n n
n xi y i xi y i
i =1
i =1 i =1
n 2 n
n x i xi
i =1
i =1
n 2 n
n y i y i
i =1
i =1
= 1
6 d i2
i =1
n3 n
41
donde x i y y i representan los rangos del i-simo par de
observaciones.
Regin de rechazo:
H 0 si r s r0 o
II.8
PRUEBA DE KOLMOGOROV-SMIRNOV
42
El estadstico a calcular es D n = sup Fn F , donde n, es el total de
muestras tomadas, F n la distribucin de frecuencias observadas y, F la distribucin
terica.
La formulacin de hiptesis es de la siguiente manera:
Hiptesis nulaH 0 : Una distribucin F es una buena descripcin del patrn de
uso.
Hiptesis alternativa..H 1 : Una distribucin F no es una buena descripcin del patrn
de uso
Estadstico de prueba.D n = sup Fn F
Regin de rechazo. , es el nivel de significancia para probar estas hiptesis
Una prueba K-S siempre debe ser una prueba de un extremo.
43
CAPTULO III
LAS PRUEBAS Y SUS APLICACIONES
III.1 APLICACIONES DE LA PRUEBA
MUESTRA
EJEMPLO # III.1.1
En el listado que sigue se muestra un conjunto de mediciones tomadas en un
laboratorio de ensayos del IMME 1, estas representan la resistencia a la compresin
reportada en unidades de libra-fuerza por pulgadas cuadradas (psi), de un total de 20
probetas cilndricas preparadas con una mezcla de concreto especial, en la que se espera
una resistencia media a la compresin de 160 psi. Prubese esta hiptesis en el nivel de
significancia del 5% contra la alternativa > 160 psi.
163 165 160 189 161 171 158 151 169 162
163 139 172 165 148 166 172 163 187 173
SOLUCIN
1.- H 0 : = 160
H 1 : > 160
1
44
2.- Rechazamos la hiptesis nula si S k .05 , donde S es el nmero de signos positivos
n
k .05
B ( s ; n, p
s = k
B ( s ; n, p 0 ) =
n! 1
p 0s (1 p 0 ) n s , s = 0,1,..., n es la probabilidad de lograr s
s! (n s )!
Observacin Resistencia
a la
compresin
xi
1
163
Signo de
la
diferencia
x i -160
+
observacin
11
Resistencia
a la
compresin
xi
163
Signo de
la
diferencia
x i -160
+
165
12
139
160
13
172
189
14
165
161
15
148
171
16
166
158
17
172
151
18
163
169
19
187
10
162
20
173
45
B ( s , n ,1/2) son:
B (19,19,1/2) = 0.0000
B (18,19,1/2) = 0.0000
19
B (17,19,1/2) = 0.0003
B(s,19,1 / 2) = 0.0003
s =17
19
B (16,19,1/2) = 0.0018
B(s,19,1 / 2) = 0.0021
s =16
19
B (15,19,1/2) = 0.0074
B(s,19,1 / 2) = 0.0095
s =15
19
B (14,19,1/2) = 0.0222
s =14
19
B (13,19,1/2) = 0.0518
s =13
obtenindose
19
y =14
4.-
EJEMPLO # III.1.2
Yubir Ortega, Ministra del Poder Popular para el Ambiente, est pensando
que por el tiempo que lleva la descentralizacin de empresas del rea metropolitana de
Caracas, es hora de retirar los filtros instalados hace 6 aos con el fin de limpiar el aire
en la ciudad. En tal sentido ha nombrado una comisin tcnica para que tome una serie
46
de mediciones con equipo especial, y as determinar si el contenido de gases como el
CO (monxido de carbono) ha bajado a 21.5 ppm o menos, ya que este nivel no
representa riesgo para la salud, o si por el contrario se mantiene por encima de este
valor. Los datos que siguen, expresados en ppm (partes por milln), son las mediciones
de monxido de carbono en diferentes puntos de la ciudad:
17 15 20 29 19 18 22 25 27 9 24 20 17 6 24 14 15 23 24 26
19 23 28 19 16 22 24 17 20 13 19 10 23 18 31 13 20 17 24 14
SOLUCIN
1.- H 0 : = 21.5
H 1 : > 21.5
2.- La mitad del rea debajo de la curva de una funcin de densidad normal es 0,5, que
al restarle 0,01 se obtiene la diferencia 0,49, valor de probabilidad que corresponde
segn la tabla normal a z = 2.33, esto nos permite fijar el intervalo de rechazo de la
hiptesis nula as: z > z.01 = 2.33, donde z =
( s 1 2) np
np (1 p)
, p=
1
y S es el nmero de
2
47
Signo de la observacin
diferencia
x i -21.5
21
19
Signo de la
diferencia
x i -21.5
-
22
23
23
28
29
24
19
19
25
16
18
26
22
22
27
24
25
28
17
27
29
20
10
30
13
11
24
31
19
12
20
32
10
13
17
33
23
14
34
18
15
24
35
31
16
14
36
13
17
15
37
20
18
23
38
17
19
24
39
24
20
26
40
14
observacin
Cantidad de
CO
17
15
20
Cantidad de
CO
48
Como
n = 40
16,
se
obtiene
1
np = 40. = 20 ,
2
(16 + 1 2) 20
= 1.11
3.16
3.- Ya que z = 1.11 es menor que z = 2.33 , no se puede rechazar la hiptesis nula.
La Ministra tiene razn, se pueden retirar los filtros.
EJEMPLO # III.1.3
Un examen de la materia Clculo I en la Universidad Nacional Abierta fue
aplicado en todos los estados del pas. Del conjunto de datos se tom una muestra
compuesta por 40 calificaciones las cuales se muestran seguidamente:
71 67 55 64 82 66 74 58 79 61 78 46 84 93 72 54 78 86 48 52
67 95 70 43 70 73 57 64 60 83 73 40 78 70 64 86 76 62 95 66 .
de las
SOLUCIN
a) Al restar 66 de todas las entradas dadas anteriormente y al mantener solo los signos
asociados, resulta la tabla #III.1.3 donde se ve que hay 23 signos ms (+) ,15 signos
menos (-) y dos ceros. Al descartar los 2 ceros, la muestra consiste de 38 signos: 23 + y
15 -.Con el uso de una prueba bilateral de la distribucin normal, con probabilidades
0.025 en cada cola y tomando en cuenta las caractersticas antes nombradas de esta
funcin de densidad, tenemos: 0,5 - 0.025 = 0,475, luego buscamos en la tabla normal
(Tabla # 2 del apndice B) y
49
Observacin
Calificacin
71
Signo de la
diferencia
x i -66/ x i -75
+/-
21
67
67
+/-
22
95
+/+
55
-/-
23
70
+/-
64
-/-
24
43
-/-
82
+/+
25
70
+/-
66
0/-
26
73
+/-
74
+/-
27
57
-/-
58
-/-
28
64
-/-
79
+/+
29
60
-/-
10
61
-/-
30
83
+/+
11
78
+/+
31
73
+/-
12
46
-/-
32
40
-/-
13
84
+/+
33
78
+/+
14
93
+/+
34
70
+/-
15
72
+/-
35
64
-/-
16
54
-/-
36
86
+/+
17
78
+/+
37
76
+/+
18
86
+/+
38
62
-/-
19
48
-/-
39
95
+/+
20
52
-/-
40
66
0/-
Observacin
Calificacin
Signo de la
diferencia
x i -66/ x i -75
+/-
50
encontramos que este valor corresponde a z = 1,96 lo que permite adoptar la regla de
decisin de la siguiente forma: aceptar la hiptesis si -1.96 z 1.96. De otra manera,
rechazar la hiptesis.
s np
Como z =
npq
= 1.14
es 75 al nivel 0.05 ya que este valor de z queda fuera del intervalo de aceptacin.
EJEMPLO # III.2.1
Alimentos El Gordito produce compotas en 12 sabores diferentes. Y con el
fin de mejorar las ganancias, su gerente general quiere disminuir costos de produccin
utilizando un tipo de saborizante artificial, el cual ha sido desarrollado por el laboratorio
de qumica de la compaa, siendo ste una sustancia mucho ms econmica que la que
actualmente se utiliza. En este sentido realiz una prueba piloto, para saber cual ser la
51
tendencia en el consumo de este alimento entre los nios menores de 2 aos, una vez
que, en todos sus productos, aplique el nuevo tipo de saborizante. En la tabla # III.2.1 se
muestran los resultados antes y despus de la aplicacin del nuevo saborizante:
10
11
12
Utilice la prueba del signo de muestra en pares para probar la hiptesis nula
de que el nuevo saborizante no es efectivo en = 0.05 .
SOLUCIN
1. H 0 :
1 = 2
H1:
1 > 2
52
2. Rechace la hiptesis nula si s .05 , donde s es el nmero de signos ms
(diferencias positivas) y .05 es el entero ms pequeo para el cual
n
B ( s ; n, p
s = k
) .
10
11
12
B (11,12,1/2) = 0.0029
s =11
12
B (10,12,1/2) = 0.0161
s =10
53
12
B (9,12,1/2) = 0.0537
EJEMPLO # III.2.2
La cooperativa TECAS (tcnicos asociados) ha comprado recientemente dos
tornos de control, tipo alfa-numrico, para la fabricacin de un tipo especial de pieza
automotriz utilizada en el ensamblaje de los vehculos Tiuna de versin civil.
Da
10 11 12
Mquina I
47 56 54 49 36 48 51 38 61 49 56 52
Mquina II 71 63 45 64 50 55 42 46 53 57 75 60
Tabla # III.2.3.Nmero de piezas defectuosas producidas por mquina
SOLUCIN
Primero hallamos los signos de la tabla III.2.3 y los mostramos como sigue
en la tabla # III.2.4
54
Da
Mquina I
47 56 54 49 36 48 51 38 61 49 56 52
Mquina II
71 63 45 64 50 55 42 46 53 57 75 60
Signo de la diferencia
10 11 12
1. H 0 :
1 = 2
H1:
1 2
2. Dado que H 1 es la hiptesis de que hay una diferencia entre las mquinas y no la
hiptesis de que la mquina I es mejor que la mquina II, entonces se utiliza un
contraste bilateral. Luego se suman las probabilidades de cualquiera de las colas, hasta
que la suma exceda 0.025 y se rechazar la hiptesis nula si s k .'025 o s k .025 , donde
s es el nmero de signos ms, k .'025 es el entero ms grande para el cual
k.'025
B(s,12,1 / 2) 0.025
s =0
k .025
es
el
entero
ms
pequeo
para
el
cual
12
B(s,12,1 / 2) 0.025
s =k.025
12
s =12
B(11,12,1 / 2) = 0.0029
12
s =11
B(10,12,1 / 2) = 0.0161
12
s =10
B(9,12,1 / 2) = 0.0537
12
55
Lo que nos permite obtener k .025 = 10 y por simetra k 0' .025 = 2, que al comparar en el
intervalo de rechazo se encuentra que s = 3 > k 0' .025 = 2 lo que nos permite afirmar que
no es posible rechazar H 0 al nivel 0.05 y se debe concluir que no hay diferencia entre
las mquinas a este nivel.
III.3
EJEMPLO # III.3.1
Cooperativa El Resistor se encarga de la fabricacin de resistencias elctricas
para equipos electrnicos en pelculas de carbn con bajo coeficiente trmico. Se toma
una muestra de 15 mediciones en el proceso de fabricacin con el fin de chequear si el
valor medio de la muestra es 98.5 . Las mediciones son las siguientes:
97.5, 95.2, 97.3, 96.0, 96.8, 100.3, 97.4, 95.3, 93.2, 99.1, 96.1, 97.6, 98.2, 98.5, 94.9.
Utilice una prueba de rangos con signos en el nivel de significancia 0.05 para
confirmarlo o rechazarlo.
SOLUCIN
1. H 0 : = 98.5
H 1 : 98.5
56
97.5
-1.0
95.2
-3.3
12
97.3
-1.2
96.0
-2.5
10
96.8
-1.7
100.3
1.8
97.4
-1.1
95.3
-3.2
11
93.2
-5.3
14
10
99.1
0.6
11
96.1
-2.4
12
97.6
-0.9
13
98.2
-0.3
14
98.5
0.0
15
94.9
-3.6
13
As obtenemos T = 4+12+6+10+7+5+11+14+9+3+1+13=95,
T + = 8+2 = 10 y T = 10. De la tabla # 3 del apndice B se tiene que T .05 = 21 para
n = 14 1.
4. Como T = 10 es menor que T .05 = 21, se debe rechazar la hiptesis nula; el valor
medio de resistencia dado no es 98.5.
En este caso n=14 pues la medicin 98.5 no tiene diferencia percibida y por tanto se elimina.
57
III.4
EJEMPLO # III.4.1
En el casero el Charco, Municipio Salas, Estado Bolvar, se aplica un plan
piloto de reduccin de peso para personas obesas por medio del programa Barrio
Adentro. Se piensa que este problema es una consecuencia de los hbitos
Observacin
Antes
Despus
147.0
137.9
183.5
176.2
232.1
219.0
161.6
163.8
197.5
193.5
206.3
201.4
177.0
180.6
215.4
203.2
147.7
149.0
10
208.1
195.4
11
166.8
158.5
12
131.9
134.4
13
150.3
149.3
14
197.2
189.1
15
159.8
159.1
16
171.7
173.2
58
alimenticios de los habitantes del sector, ya que previamente se practic el respectivo
examen tiroideo resultando el estudio negativo para todos los casos de la muestra
tomada. La tabla # III.4.1, que ms adelante se muestra, consigna los pesos en libras
para todos los casos, antes y despus de aplicado el programa, de 16 personas que
siguieron la dieta reductora de peso durante cuatro semanas. En este ensayo se le dio
libertad a los participantes de comer cualquier cosa en el desayuno que fuera rica en
grasa y carbohidratos, pero no ayunar, y el almuerzo y la cena slo lo que indicaba el
programa para cada da en el horario establecido.
Utilice la prueba de rangos con signo para demostrar en el nivel de
significancia 0.05, si la dieta es efectiva para bajar de peso.
SOLUCIN
1. H 0 :
1 = 2
H1:
1 > 2
2. Las diferencias entre las parejas respectiva son 9.1, 7.3, 13.1, -2.2, 4.0, 4.9, -3.6,
12.2,-1.3, 12.7, 8.3, -2.5, 1.0, 8.1, 0.7, -1.5, si se ordenan por rango sus valores
absoluto, se tiene que las diferencias positivas ocupan los rangos 13, 10, 16, 8,9,14, 15,
12, 2, 11 y 1. En la tabla #III.4.2 se muestra la asignacin de rangos.
Por consiguiente,
T + = 13+10+16+8+9+14+15+12+2+11+1 = 111
T = 5 + 7 + 3 + 6 + 4 = 25
T = min(111, 25) = 25
2 (.05 )
=T
.01
= 36 para n = 16.
59
Observacin
Antes
Despus
Diferencia
Rango
147.0
137.9
9.1
13
183.5
176.2
7.3
10
232.1
219.0
13.1
16
161.6
163.8
-2.2
197.5
193.5
4.0
206.3
201.4
4.9
177.0
180.6
-3.6
215.4
203.2
12.2
14
147.7
149.0
-1.3
10
208.1
195.4
12.7
15
11
166.8
158.5
8.3
12
12
131.9
134.4
-2.5
13
150.3
149.3
1.0
14
197.2
189.1
8.1
11
15
159.8
159.1
0.7
16
171.7
173.2
-1.5
EJEMPLO # III.4.2.
Resolveremos el mismo caso tratado en el ejemplo # III.4.1 pero ahora
usando la aproximacin a la distribucin normal por ser n 15.
SOLUCIN.
1. H 0 :
1 = 2
60
H1:
1 > 2
T + E (T + )
Var (T + )
T + = 13+10+16+8+9+14+15+12+2+11+1 = 111
Z=
111 68
347
(16)(17)(33)
(16)(17)
= 374, se obtiene
= 68 y Var.(T + ) =
24
4
= 2.22
3. Ya que z = 2.22 es mayor que z .05 = 1.645, se debe rechazar la hiptesis nula;
concluimos que desde el punto de vista estadstico no hay suficientes elementos de
juicio para aceptar la hiptesis nula. La dieta es, en realidad, efectiva para bajar de peso.
EJEMPLO # III.4.3.
Realice la prueba de hiptesis que afirma que no hay diferencias en las
distribuciones de poblacin de la densidad de la torta de casabe en un experimento de
pares comparados que incluye 6 tortas horneadas al nivel de significancia de 10%; en
cada par se utilizan dos preparados, A y B, uno por cada torta.
SOLUCIN
La tabla # III.4.3 muestra los datos originales y las diferencias en la densidad (en onzas
por pulgada cbica) para los seis pares de tortas.
Como en el caso de otras pruebas no paramtricas, la hiptesis nula por
probar sostiene que las dos distribuciones de frecuencias de poblacin en las densidades
de las tortas son idnticas, mientras que la alternativa, que implica una prueba de dos
colas, afirma que las distribuciones tienen diferente localizacin.
61
Diferencia, Diferencia Rango de la
absoluta
diferencia absoluta
A-B
0.135 0.129
0.006
0.006
3
A
0.102 0.120
-0.018
0.018
0.108 0.112
-0.004
0.004
1.5
0.141 0.152
-0.011
0.011
0.131 0.135
-0.004
0.004
1.5
0.144 0.163
-0.019
0.019
que no hay suficiente evidencia para concluir que las dos distribuciones de frecuencia
de poblacin en las densidades de las tortas de casabe son diferentes. No podemos
rechazar H 0 para = 0.10.
EJEMPLO # III.5.1
En la tabla siguiente se muestra las resistencias de cables hechos con dos
aleaciones diferentes, A y B. En esta tabla se tienen dos muestras: 8 cables de la aleacin
62
A y 10 cables de la aleacin B. Se busca decidir si existe o no una diferencia entre las
Aleacin B
Alineacin A
14.1
20.5
10.7
19.6
12.9
15.2
11.8
14.7
SOLUCIN
1.
del cable
10.7
16.4
10
11.8
17.8
11
12.6
18.3
12
12.9
18.9
13
14.1
19.6
14
14.7
20.5
15
15.2
22.7
16
15.9
24.2
17
16.1
25.3
18
63
2.
Aleacin B
Aleacin A
Resistencia del
Resistencia del
cable
Rango cable
Rango
18.3
12 12.6
3
16.4
10
14.1
22.7
16
20.5
15
17.8
11
10.7
18.9
13
15.9
25.3
18
19.6
14
16.1
12.9
24.2
17
15.2
14.7
6
Suma 65
3.
Luego,
U A = R 1 - n 1 (n 1 +1)/2 = 106 -
(8)(9)
= 70 y
2
U B = R2 n 2 (n 2 + 1) 2 = 65 10(11) 2 = 65 55 = 10
Entonces tenemos,
U = mn(70,10) = 10
64
Dado que la hiptesis H 0 que se est probando afirma que no hay diferencia entre las
aleaciones, se requiere de una prueba bilateral. Para el nivel 0.05 de significancia,
n1 = 8 y n 2 = 10 se obtiene de la tabla # 4 del apndice B que U .05 = 17 . Como U = 10
es menor que U .05 =17 se rechaza la hiptesis nula. Se concluye que estadsticamente si
hay diferencia entre las aleaciones al nivel 0.05 de significancia.
EJEMPLO # III.5.2
En la empresa INVEPAL, productora de papel para oficina, se efectu el
siguiente experimento: se agrega una sustancia qumica al tradicional papel tamao
carta, con densidad de 75g/m2, que se usa para fotocopiadoras. Se quiere comparar la
resistencia de los tipos de papel, con y sin el qumico, para ver si sta aumenta y
mejorar as la calidad del mismo. A tal fin se tomaron diez trozos de cada clase de
papel, elegidos aleatoriamente de la produccin, y dieron como resultado las mediciones
de resistencia que se muestran en la tabla # III.4.3. Compruebe la hiptesis que afirma
que no hay diferencia en las distribuciones de las resistencias de las dos clases de papel
frente a la hiptesis alternativa que afirma que el papel tratado con la sustancia qumica
tiende a ser ms resistente en el nivel de significancia de 0.05.
SOLUCIN
Como = 0.05 podemos determinar U 2 consultando la tabla 4 del
apndice B, que corresponde a n1 = n 2 = 10 y 2 = 0.10. De donde se obtiene U 2 = 27.
Por consiguiente, rechazaremos la hiptesis nula si U 27.
Ahora calculamos U A y U B ,
U A = R 1 - n 1 (n 1 +1)/2 = 85.5- 55 = 30.5 y U B = R2 n 2 (n 2 + 1) 2 = 124.5 55 = 69.5,
U = mn(30.5, 69.5) = 30.5
65
Rango
Papel tratado
B(Kgf)
1.49
1.43
12
1.37
7.5
1.35
1.67
20
1.51
17
1.50
16
1.39
1.31
1.17
1.29
3.5
1.48
14
1.52
18
1.42
11
1.37
7.5
1.29
3.5
1.44
13
1.40
10
1.53
19
Papel normal
A(Kgf)
1.21
Rango
R1 = 85.5
15
R2 = 124.5
Tabla # III.5.4. Datos del papel tamao carta con sus rangos y
sus sumas de rango.
EJEMPLO # III.5.3
Un profesor imparte dos clases de gramtica de la lengua espaola: una
diurna con 9 estudiantes y una nocturna con 12 estudiantes. En un examen final,
realizados al mismo tiempo para todos los estudiantes, las clases recibieron las
calificaciones como se muestra. Clase diurna: 73 87 79 75 82 66 95 75 70. Clase
nocturna: 86 81 84 88 90 85 84 92 83 91 53 84.
66
SOLUCIN
1. La tabla III.5.5 muestra el orden de las calificaciones y los rangos. Obsrvese que el
rango para las dos calificaciones de 75 es 0.5(5+6) = 5.5, mientras que el rango para las
tres calificaciones de 84 es 1/3(11+12+13) = 12
2. La suma de rangos es como se muestra:
Clase diurna = 73,
Clase nocturna = 158
R 1 = 73, R 2 = 158, n 1 = 9 y n 2 =12. Por lo tanto
U A = R 1 - n 1 (n 1 +1)/2 = 73 9(10) 2 = 73 45 = 28
3. U = n 1 n 2 /2 =
Por lo tanto Z =
(9)(12)
= 54;
2
U A U
U2 = n 1 n 2 ( n 1 +n 2 +1)/12=
(9)(12)(22)
= 198
12
28 54
= 1.85
14.07
Como se desea contrastar la hiptesis H 1 de que las clases son diferentes, con la
hiptesis H 0 de que no hay diferencia al nivel 0.10, entonces se requiere de un
81
86
15
66
82
87
16
70
83
10
88
17
73
84
12
90
18
75
5.5
84
12
91
19
75
5.5
84
12
92
20
79
85
14
95
21
67
Aceptar H 0 si z 1.645.
Rechazar H 0 si z > 1.645.
Dado que el valor real de z = -1.85 < -1.645, se rechaza H 0 y se concluye que la clase
matutina es diferente a la vespertina al nivel 0.10.
EJEMPLO # III.6.1
Las siguientes cifras son las calificaciones del examen final obtenidas por
muestras de tres grupos de estudiantes a quienes se les ense el idioma ingls a travs
de tres mtodos distintos (instruccin en el aula y laboratorio de idiomas, solo
instruccin en el aula y estudio autodidacta en el laboratorio de idiomas):
Primer mtodo
94 88 91 74 87 97
Segundo mtodo 85 82 79 84 61 72 80
Tercer mtodo
89 67 72 76 69
68
SOLUCIN
1. H 0 : 1 = 2 = 3
H1:
1 , 2 y 3 no son iguales
las
calificaciones
por
rango
de
18,
se
tiene
que
les asigna a cada una el rango 4.5. Mediante la sustitucin de los valores de R 1 , R 2 y R 3
junto con n 1 = 6, n 2 = 7, n 3 = 5 y n = 18 en la frmula de H, se obtiene
H=
12 84 2 55.5 2 31.5 2
+
+
(18)(19) 6
7
5
3.19 = 6.67
EJEMPLO # III.6.2
La cooperativa KyM, productora de tornillos auto-roscante cabeza pan,
desea comprar una de 5 mquinas: A, B, C, D o E. En un experimento, diseado para
determinar si existe una diferencia en el desempeo de las mquinas por tiempos
68 72 77 42 53
72 53 63 53 48
60 82 64 75 72
48 61 57 64 50
64 65 70 68 53
69
iguales, se tomaron un conjunto de cinco mediciones por mquina, y en la tabla
siguiente se muestra el nmero de unidades producidas por cada mquina. Pruebe la
hiptesis de que no hay diferencia entre las mquinas a los niveles a) 0.05 y b) 0.01 de
significancia.
SOLUCIN
Como hay cinco muestras (A, B, C, D, E), k = 5, cada muestra consiste de
cinco valores, se tiene n 1 = n 2 = n 3 = n 4 = n 5 = 5 y n = n 1 + n 2 + n 3 + n 4 + n 5 = 25. Al
arreglar todos los valores en orden creciente de magnitud y al asignar rangos apropiados
a los empates, se escribe la tabla en la siguiente forma:
R
A
17.5
21
24
6.5
70
21
6.5 12
6.5
2.5 48.5
10
25
14
23
21
93
2.5
11
14
40.5
14
16
19 17.5 6.5
73
n(n + 1) j =1 n j
12 70 2 48.5 2 93 2 40 2 73 2
+
+
+
+
3.26 = 6.44
25(26) 5
5
5
5
5
70
a) al nivel 0.05 de significancia, y de la tabla # 5 del apndice B se obtiene el valor
.205, 4 = 9.49. Dado que 6.44 < 9.49, no se puede rechazar la hiptesis de que no
hay diferencia entre las mquinas al nivel 0.05.
b) al nivel 0.01 de significancia .201, 4 = 13.28 y dado que 6.44 < 13.28 no se puede
rechazar H 0 al nivel 0.01.
EJEMPLO # III.6.3
En una gran planta de artculos electrnicos, se seleccionan muestras
independientes de tres lneas de ensamblaje. Se analiza en cada lnea la cantidad de
Lnea 1
Artculos
defectuosos
6
Lnea 2
Artculos
defectuosos
34
25
Lnea 3
Artculos
defectuosos
13
36
27
28
19
35
26
42
30
19
15
17
13
13
9.5
11
40
29
29
20
30
21
31
22
15
11
16
12
32
23
33
24
25
17
39
28
18
14
27
18
24
16
Rango
R 1 = 120
Rango
R 2 = 210.5
Rango
9.5
R 3 = 134.5
artculos defectuosos
Proporcionan los datos de la tabla # 6.3 suficiente evidencia para concluir que las
71
distribuciones de probabilidad del nmero de artculos defectuosos producidos por hora
difieren en cuanto a localizacin en dos de las lneas por lo menos? Utilice un nivel de
significancia 0.05.
SOLUCIN
En este caso n 1 = 10 = n 2 = n 3 y n = 30. Por tanto,
H=
3(31) = 6.097.
30(31) 10
10
10
Como los valores de las n i son mayores o iguales a 5, podemos utilizar la aproximacin
para la distribucin nula de H y rechazar la hiptesis nula de que las posiciones son
iguales si H > 2 tiene k - 1 = 2 grados de libertad. Para determinar que .205, 2 = 5.991
consultamos la tabla # 5 del apndice B. Por consiguiente, rechazamos la hiptesis nula
en el nivel de significancia de = 0.05 y concluimos que, por lo menos, una de las tres
lneas tiende a producir una mayor cantidad de artculos defectuosos que las dems.
De acuerdo con la tabla # 5 del apndice B, el valor calculado de H = 6.097
nos lleva a rechazar la hiptesis nula si = 0.05 .
III.7
MUESTRA
72
EJEMPLO # III.7.
El gobierno bolivariano puso en circulacin una nueva moneda nacional
denominada Bolvar Fuerte. El profesor Miguel LeClanch del departamento de
matemticas UNA hizo, en la clase de probabilidad, 30 lanzamientos de una de las
monedas obteniendo la siguiente secuencia de caras (C) y de cruces (X):
C X X C X C C C X C C X X C X C X C C X C X X C XC C X C X
SOLUCIN
1. H 0 : La disposicin es aleatoria
H 1 : La disposicin no es aleatoria.
R 1 2 R
R =
2n1 n 2
2(16)(14)
+1 =
+ 1 = 15.93
n1 + n 2
16 + 14
R2 =
2n1 n2 (2n1 n 2 n1 n2 )
(n1 + n 2 ) 2 (n1 + n2 1)
2(16)(14)[2(16)(14) 16 14]
(16 + 14) 2 (16 + 14 1)
7.175,
R = 2.679.
La medicin z correspondiente a R = 22 corridas es, por lo tanto,
z=
Ahora para una prueba bilateral al nivel 0.05 de significancia, se aceptara la hiptesis
H 0 de aleatoriedad si -1.96 z 1.96 ; de otra manera, se rechazara. Como el valor
calculado de z es 2 > 1.96, se concluye que los lanzamientos no son aleatorios al nivel
73
0.05. La prueba indica que hay demasiadas corridas, lo que demuestra un patrn cclico
en los lanzamientos.
EJEMPLO # III.7.2
a) Forme todas las secuencias posibles consistentes de tres a y dos b y d el nmero de
corridas, R, correspondiente a cada secuencia.
b) Obtenga la distribucin muestral de R y su grfica.
c) Determine la distribucin de probabilidad de R y su grfica.
SOLUCIN
a) El nmero de secuencias posibles consistentes de tres a y dos b es
n1 + n 2 5
5!
= =
= 10
n1 2 2! 3!
abaab
aabab
bbaaa
aabba
babaa
ababa
baaab
abbaa
baaba
74
75
a)La distribucin de probabilidad de R graficada, se obtiene a partir de la tabla (R,f)
al dividir cada frecuencia entre la frecuencia total 2+3+4+1=10. Por ejemplo,
P r {R = 5} =
1
= 0.1
10
EJEMPLO # III.7.3
Calcule a) la media y b) la varianza del nmero de corridas en el ejemplo
anterior directamente de los resultados.
SOLUCIN
a) De la tabla secuencia-corridas se tiene
R =
2 + 4 + 3 + 5 + 3 + 4 + 2 + 4 + 3 + 4 17
=
10
5
R2 =
f (R
f
)2
17 2 21
17 2
17 2
17 2
1
.
) =
)
(
5
)
4
(
4
)
3
(
3
2
(
2
5 25
5
5
5
10
EJEMPLO # III.7.4
Una comisin formada por tcnicos de la misin rbol, est revisando los
araguaneyes que se plantaron hace muchos aos a lo largo de la carretera nacional
Caracas-Guarenas, dicha comisin obtuvo la siguiente disposicin de rboles sanos (S)
y enfermos (E) despus de una inspeccin:
SSSSEEESSSSSSSEESSEEEE
SOLUCIN
1. H 0 : La disposicin es aleatoria
H 1 : La disposicin no es aleatoria.
76
2. Como n 1 = 13 y n 2 = 9, rechace la hiptesis nula si R 6 o R 17 , donde 6 y 17 son
los valores correspondientes de r .025 y r .025 tomados de la tabla.
3. R = 6 por inspeccin de los datos.
4. Ya que R = 6 es menor que o igual a 6, se debe rechazar la hiptesis nula; la
disposicin de araguaneyes sanos y enfermos no es aleatoria. Parece que los rboles
enfermos estn agrupados en conjuntos.
Una segunda aplicacin de la prueba de corridas consiste en detectar la no
aleatoriedad de una sucesin de medidas cuantitativas a travs del tiempo. Estas
sucesiones, conocidas como series temporales, se presentan en muchos campos. Por
ejemplo, la medida de una caracterstica de calidad de un producto industrial, de la
presin sangunea de un ser humano y del precio de una accin en el mercado de valores
varan con el tiempo. El alejamiento de la aleatoriedad en una serie, causada por las
tendencias o periodicidades, se puede detectar analizando las desviaciones de las
mediciones de la serie temporal de sus promedios. Las desviaciones negativas y
positivas se pueden representar con S y F, respectivamente, y entonces se puede probar
la no aleatoriedad de esta sucesin temporal de desviaciones. Ilustramos este hecho con
un ejemplo.
EJEMPLO # III.7.5.
En una gran planta productora de papel se tienen procesos de produccin
continua para la elaboracin de ste producto. El personal de control de calidad toma
una vez cada hora la medida de la brillantez Y del papel, y los resultados, una vez
graficados, se distribuyen como se indica en la figura # III.7.2.
77
SOLUCIN
La sucesin de desviaciones negativas (S) y positivas (F), es como se indica
a continuacin
S S S S FF F S F F S F S S S S
1. H 0 : La disposicin es aleatoria
H 1 : La disposicin no es aleatoria
78
III.8
DE
RANGOS DE SPEARMAN.
EJEMPLO # III.8.1
La misin Barrio Adentro hace visitas mdicas, casa por casa, para la
deteccin temprana de los problemas de salubridad que presenta la colectividad. Y en
este sentido, se aplic un plan piloto en el barrio La Comunidad de Guarenas, el cual
comenz con la toma de una muestra de 12 padres y sus hijos mayores, tal como se
indica en la tabla # III.8.1. Existe relacin en la estatura de los padres y los hijos?
68 66 68 65 69 66 68 65 71 67 68 70
SOLUCIN
Arregladas en orden creciente de magnitud, las estaturas de los padres son
62 63 64 65 66
67
67
68 68
69
70 71
Como el sexto y sptimo lugares en este ordenamiento representa la misma estatura (67
pulg.), se asigna un rango medio
1
(6 + 7) = 6.5 para estos lugares. De manera similar,
2
1
(8 + 9) = 8.5 . Por lo tanto, las
2
79
1 2 3 4 5 6.5 6.5 8.5 8.5 10 11 12
De manera similar, ordenadas en orden creciente de magnitud, las estaturas de los hijos
son
65 65 66 66 67 68 68 68 68 69 70 71
Y como el sexto, sptimo, octavo y noveno lugares representan la misma estatura (68
pulg.), se les asigna el rango medio
1
(6 + 7 + 8 + 9) =7.5 a estos lugares. Por lo tanto,
4
6.5 3
8.5 1
11
8.5 6.5 10
12
7.5 11
Tabla III.8.2. Los valores de la tabla III.8.1 sustituidos por sus rangos
, de
donde
r s = 1-
-1.5
6 D 2
n(n 1)
2
-1.0
= 1-
1.5
6(72.50)
= 0.7465
12(12 2 1)
-3.5
-1.5
-2.5
3.5
3.5
-3.5
1.5
2.5
1.0
D2
12.25 2.25 1.00 2.25 2.25 6.25 12.25 12.25 12.25 2.25 6.25 1.00
Tabla III.8.3. Diferencia en rangos y su cuadrado.
Se concluye que existe una relacin entre la estatura de los padres y la de los hijos en la
poblacin.
Ahora haremos el clculo tomando en cuenta las repeticiones.
=72.5
80
S xx =
23 2 23 2
n3 n
12 3 12
Tx =
(
+
) = 143 0.5 0.5 = 142
12
12
12
12
S yy =
23 2 23 2 43 4
n3 n
12 3 12
Ty =
(
+
)
+
12
12
12
12
12
S xx + S yy d i2
rs=
i =1
2 S xx S yy
206.5
= 0.7403
278.9552
Obsrvese que la diferencia de los dos valores de r s es muy pequea y esto es debido a
que los empates, por ser muy pocos, casi no influyen.
EJEMPLO # III.8.2
En
acadmico que obtuvieron en la universidad con el nivel que han obtenido en cierta
compaa 10 aos despus de su graduacin. El valor de 5 representa el rango ms alto
del grupo; el 1 es el ms bajo.
Estudiante Rango
Rango en la compaa Diferencia
universitario 10 aos despus
rangos d
Juan
4
4
0
d2
Margarita
Odiln
Esteban
Luisa
81
Usando la informacin de la tabla # III.8.4, podemos calcular un coeficiente
de correlacin de rango entre xito de la universidad y nivel en la compaa logrado 10
n
6 d i
aos despus. Sustituyendo, se tiene r s = 1-
i =1
2
n( n 1
0
6(0)
= 1
=1
120
5(25 1)
Este coeficiente de correlacin de rango 1 muestra una tendencia perfecta entre las dos
variables. Esto verifica el hecho de que los rangos universitarios y de la compaa para
cada persona fueran idnticos.
EJEMPLO # III.8.3
La tabla muestra una relacin similar a la anterior, se enumera cinco
personas y se compara el rango acadmico, calcule el coeficiente de correlacin
Estudiante Rango
Rango en la Diferencia entre Diferencia
universitario compaa
los dos rangos cuadrada
Mara
5
1
4
16
David
-4
16
Jos
Carlota
-2
Ana
Tabla # III.8.5. Compara nivel acadmico con el nivel profesional 10 aos despus de
graduados y la diferencia de rangos
Sustituyendo en la ecuacin
r s = 1-
6 d 2
n(n 1)
2
= 1
240
6(40)
= 1
= 1 2 = 1 ,
120
5(25 1)
Este valor (-1) representa una correlacin inversa perfecta, indicando que la gente que
ms destac en la universidad termin en los menores rangos de una organizacin.
82
EJEMPLO # III.8.4
Las siguientes cifras mostradas en la tabla II.8.5 son las horas de estudio de
10 alumnos para presentar un examen final de matemticas y las calificaciones que
obtuvieron:
Calificaciones
Nmero de
horas de estudio
y
x
8
56
5
44
11
79
13
72
10
70
54
18
94
15
85
33
65
SOLUCIN
Ordenando por rango las x y las y, se obtiene la siguiente tabla
83
Rango Rango d
d2
de x
de y
6.5
7
-0.5 0.25
8.5
-0.5 0.25
1.0
1.00
1.0
1.00
0.0
0.00
8.5
0.5
0.25
0.0
0.00
0.0
0.00
10
10
0.0
0.00
6.5
0.5
0.25
= 3.00
6(3)
= 0.98
10(10 2 1)
1
.
n 1
84
1. H 0 :
no hay correlacin
H1:
s hay correlacin.
n 1
EJEMPLO # III.9.1
Una central telefnica de la empresa nacional CANTV ubicada en la ciudad
de Caracas, ha estado llevando un registro automtico del nmero de transmisores (un
tipo de equipo automtico que se utiliza en las centrales telefnicas) usados en un
instante dado. Las observaciones se hicieron en 3 754 ocasiones distintas. Para
propsitos de planeacin de inversin de capital, el funcionario de presupuesto de esta
compaa piensa que el patrn de uso sigue una distribucin de Poisson con una media
de 8.5. Se desea probar esta hiptesis al nivel de significancia de 0.01.
La tabla # III.9.1 enumera las frecuencias observadas y las transforma en
frecuencias acumulativas observadas relativas.
Formulamos nuestra hiptesis de la siguiente manera:
Hiptesis nula.
H 0 : Una distribucin de Poisson con = 8.5 es una buena descripcin
85
Hiptesis alternativa.
H 1 : Una distribucin de Poisson con = 8.5 no es una buena
x .e
x!
, para calcular
n = 1.63
3754 = 0.0266
86
Nmero Frecuencia Frecuencia Frecuencia
ocupado observada acumulativa acumulativa
observada
observada
relativa
0
0
0
0.0000
1
0.0013
14
19
0.0051
24
43
0.0115
57
100
0.0266
111
211
0.0562
197
408
0.1087
278
686
0.1827
378
1064
0.2834
418
1482
0.3948
10
461
1943
0.5176
11
433
2376
0.6329
12
413
2789
0.7429
13
358
3147
0.8383
14
219
3366
0.8966
15
145
3511
0.9353
16
109
3620
0.9643
17
57
3677
0.9795
18
43
3720
0.9909
19
16
3736
0.9952
20
3743
0.9971
21
3751
0.9992
22
3754
1,0000
87
Nmero
ocupado
0.0013
0.0019
0.0006
14
19
0.0051
0.0093
0.0042
24
43
0.0115
0.0301
0.0186
57
100
0.0266
0.0744
0.0478
111
211
0.0562
0.1496
0.0934
197
408
0.1087
0.2562
0.1475
278
686
0.1827
0.3856
0.2029
378
1064
0.2834
0.5231
0.2397
418
1482
0.3948
0.6530
0.2582
10
461
1943
0.5176
0.7634
0.2458
11
433
2376
0.6329
0.8487
0.2158
12
413
2789
0.7429
0.9091
0.1662
13
358
3147
0.8383
0.9486
0.1103
14
219
3366
0.8966
0.9726
0.0760
15
145
3511
0.9353
0.9862
0.0509
16
109
3620
0.9643
0.9934
0.0291
17
57
3677
0.9795
0.9970
0.0175
18
43
3720
0.9909
0.9987
0.0078
19
16
3736
0.9952
0.9995
0.0043
20
3743
0.9971
0.9998
0.0027
21
3751
0.9992
0.9999
0.0007
22
3754
1.0000
1.0000
0.0000
88
El siguiente paso es comparar el valor calculado de D n con el valor crtico
de D n que se encuentra en la tabla. Si el valor de la tabla para el nivel de significancia
elegido es mayor que el valor calculado de
89
CAPTULO IV
ANLISIS, CONCLUSIONES Y RECOMENDACIONES
IV.1 PRUEBAS ESTADSTICAS PARAMTRICAS Y NO PARAMTRICAS
90
ordenar, pero no se pueden medir en una escala numrica, as es el caso de la escala
nominal o clasificatoria. Los procedimientos estadsticos paramtricos difcilmente se
pueden aplicar a este tipo de datos. Por consiguiente, cualquier procedimiento de
inferencia que desee usarse en este respecto debe basarse en mtodos no paramtricos.
Otra aplicacin de los mtodos estadsticos no paramtricos tiene que ver
con la prueba de hiptesis relacionada con poblaciones de datos cuantitativos cuando
existe la incertidumbre en lo que se refiere al cumplimiento de ciertos supuestos
respecto a la forma de las distribuciones de poblacin. Cun tiles son los mtodos no
paramtricos en estos casos? Los mtodos estadsticos no paramtricos permiten llevar a
cabo el trabajo con rapidez y a menudo facilitan la toma inmediata de una decisin en el
momento de probar hiptesis. Cuando las condiciones experimentales se alejan en
forma sustancial de los supuestos fundamentales que sustentan las pruebas paramtricas,
las medidas de respuesta a menudo se pueden transformar para rectificar algunas
condiciones, pero con frecuencia esto da como resultado que la respuesta transformada
ya no sea til, desde el punto de vista prctico, y que el anlisis de los datos
transformados ya no responda a los objetivos del experimentador. La aplicacin de
mtodos no paramtricos con frecuencia evita esta dificultad. Muchos mtodos no
paramtricos son casi tan eficaces como sus equivalentes paramtricos cuando los
supuestos detrs de los procedimientos paramtricos son verdaderos; adems, como se
seal, los mtodos no paramtricos podran ser ms eficaces cuando los supuestos no
se satisfacen. Estos argumentos sugieren que las tcnicas no paramtricas desempean
un papel muy til en la metodologa estadstica.
En el caso de dos muestras comparadas, por ejemplo, la tcnica paramtrica
usual para analizar datos provenientes de dos muestras de este tipo es aplicar una prueba
t a la diferencia de las observaciones. Esta diferencia puede obtenerse de los dos valores
de los miembros de cada pareja igualada o de los dos valores de cada sujeto bajo las dos
condiciones. La prueba t supone que estas diferencias de las observaciones estn
91
distribuidos normal e independientemente en la poblacin de la cual se tom la muestra,
y requiere que sea medido en una escala de intervalo.
En numerosos casos, la prueba t es inaplicable. El investigador puede
encontrar que a) los supuestos y requerimientos de la prueba t son poco realistas para
sus datos; b) prefiere evitar hacer los supuestos o probar los requerimientos para dar
mayor generalidad a sus conclusiones; c) las diferencias entre las parejas igualadas estn
representadas de tal forma que se puede decir qu miembro de cualquier pareja es
mayor que el otro, pero no se puede decir en cunto), o d) sus valores son simplemente
clasificatorios: los miembros de cada pareja igualada pueden responder del mismo
modo o de maneras enteramente diferentes que no tienen orden ni relacin cuantitativa.
En estos casos, el investigador pude escoger una prueba estadstica no paramtrica para
dos muestras comparadas. Adems de que son adecuadas para los casos mencionados
antes, estas pruebas tienen la ventaja adicional que no requieren una misma poblacin
de la que provengan todas las parejas.
En el caso de la prueba H de Kruskal-Wallis esta es una versin no
paramtrica de ANOVA (anlisis de varianza), esta ltima, parte de la suposicin de
que cada una de las muestras es tomada de una poblacin normal y cada una de tales
poblaciones tiene la misma varianza, 2 . Sin embargo, si los tamaos de muestras son
lo suficientemente grande, lo cual podra ser costoso, no necesitamos la suposicin de
normalidad. Esta prueba H requiere por lo menos una medicin ordinal de la variable.
La prueba de una muestra de Kolmogorov-Smirnov trata las observaciones
individuales separadamente y, as, a diferencia de la prueba 2 para una muestra, no
pierde necesariamente informacin al combinar categoras. Cuando las muestras son
pequeas las categoras adyacentes deben combinarse antes de que 2 pueda calcularse
apropiadamente. La prueba 2 es definitivamente menos poderosa que la prueba de
Kolmogorov-Smirnov. Adems, para muestras muy pequeas, la prueba 2 no es
aplicable en modo alguno; sin embargo, la de Kolmogorov-Smirnov s lo es. Estos
92
hechos sugieren que la prueba de Kolmogorov-Smirnov puede en todos los casos ser
ms poderosa que su alternativa, la prueba 2 .
La prueba de rachas de una muestra se refiere a la aleatoriedad de la
ocurrencia temporal o sucesin de las medidas en una muestra. Ningn principio
general acerca de la eficiencia general de las pruebas de aleatoriedad basado en las
rachas es significativo; en este caso la cuestin de eficiencia tiene significado solamente
en el contexto de un problema especfico.
La correlacin de rangos es til, entre otros casos, cuando los datos estn
distribuidos anormalmente y tienen la ventaja de poderse aplicar en los que la
informacin no est disponible en forma de valores numricos. Tambin cuando hay en
esta informacin una o varias observaciones extremas en los datos originales, el
coeficiente de correlacin puede que no sea una buena descripcin de la asociacin que
existe entre dos variables. Sin embargo, las observaciones extremas en una prueba de
correlacin de rango nunca producirn una gran diferencia de rango.
En conclusin podemos sealar las siguientes ventajas y desventajas de los
mtodos no paramtricos.
93
pedir reemplazar valores numricos con el orden en el que esos valores aparecen en una
lista, como se ha hecho en la tabla IV.1.
Obviamente, tratar computacionalmente con 1, 2, 3, 4 y 5 cuesta menos
esfuerzo que trabajar con 13.33, 76.50, 101.79, 113.45 y 189.42. Muchos creen que la
sencillez de clculo permite a los investigadores en general dedicar ms tiempo a la
reflexin y formulacin cuidadosa de sus problemas de investigacin y a la recoleccin
de datos precisos y pertinentes.
3. Algunas veces ni siquiera se requiere del ordenamiento o clasificacin formal. A
menudo, lo nico que podemos hacer es describir un resultado como mejor que otro.
Cuando ste es el caso, o cuando nuestras mediciones no son tan exactas como es
necesario para las pruebas paramtricas, podemos usar mtodos no paramtricos.
Valor paramtrico
Valor no paramtrico 4
1. Ignoran una cierta cantidad de informacin. Hemos mostrado como los valores 1, 2,
3, 4 y 5 pueden reemplazar a los nmeros 13.33, 76.5, 101.79, 113.45, y 189.42. Sin
embargo, si representamos 189.42 por 5, perdemos informacin que est contenida
en el valor de 189.42. Observe que en nuestro ordenamiento de los valores 13.33, 76.5,
101.79, 113.45 y 189.42, el valor 189.42 puede convertirse en 1.189.42 y seguir siendo
94
el quinto o mayor valor de la lista. Pero si esta lista es un conjunto de datos, podemos
aprender ms
IV.4 RECOMENDACIONES
Aunque como se ha podido ver, la mayor parte del clculo que se usa en
estas pruebas es bastante sencillo, y pensando en la gran difusin que tiene hoy da la
computadora, ya que en casi cualquier parte hay una, sera adecuado, como un posterior
estudio del tema tratado, hacer un anlisis sobre el tipo de programas disponibles en el
mercado para el procesamiento de datos con mtodos no paramtricos, y hacer la
respectiva comparacin con los tradicionales programas que usan los mtodos
paramtricos. Las pruebas que los tienen disponibles y sus alcances puede motivar a
investigadores, estudiantes e interesados en general a escoger algunas de las
herramientas que ofrecen los mtodos no paramtricos.
Tambin vemos como necesario, para desarrollar en un posterior estudio, la
evaluacin de pruebas estadsticas por medio de las funciones de potencia, ya que estas
desempean un papel muy importante, pues nos da las probabilidades de rechazar la
hiptesis nula para diversos valores del parmetro. Hacer un estudio ms profundo
sobre dichas funciones, permitira evaluar los mritos de un criterio de prueba y hacer
las comparaciones en los diferentes mtodos con mayor precisin que como se hizo
aqu.
95
APNDICE A
Esbozaremos una demostracin del teorema del lmite central para el caso
en el que existen las funciones generadoras de momentos de las variables aleatorias de
la muestra. Esta demostracin depende de un resultado fundamental de la teora de
probabilidades que no se probar, pero que se enuncia en el siguiente teorema A-1
TEOREMA A-1
Sean
Y1 , Y2 ,..., Yn variables
aleatorias
independientes
idnticamente
n(
) donde Y =
1 n
Yi
n i =1
96
DEMOSTRACIN
t2
t3
2 + 3 + ...
2
3!
Yi
t2 t3
+ E ( Z i3 ) + ...
2 3!
Adems,
n
Un = n(
)=
Y
(
i =1
)=
1
n
Z .
i =1
Como las variables aleatorias Yi son independientes, se deduce que las variables
aleatorias Z i son independientes para i = 1, 2, . . . ,n.
Tngase en cuenta que la funcin generadora de momentos de la suma de
las variables aleatorias independientes es el producto de sus funciones generadoras de
momentos individuales. Por lo tanto,
n
t
t2
t3
+
k + ...) n
mn (t ) = mZ ( ) = (1 +
32
n
2
n
3
!
n
donde k = E ( Z i3 ).
Ahora tomamos el lmite de mn conforme n . Una forma de evaluar el lmite es
considerar el logaritmo natural de mn (t ) , donde
97
ln(mn (t )) = n ln(1 +
t2
t3
+
k + ...)
2n 3!n 3 2
ln( 1 + x) = x
Si
x2 x3 x4
+
+ ...
3
3
4
t2
t 3k
x = ( + 3 2 + ...)
2n 6n
tenemos
ln(mn ) = n ln(1 + x) = n( x
t2
1 t2
x2
t 3k
t 3k
+ ...) = ( + 3 2 + ...) ( + 3 2 + ...) 2 + ...
2
2 2n 6n
2n 6n
t2
cuando n
2
o
lm (mn (t )) = e t
cuando n
98
APNDICE B
TABLA # 1
Distribucin de Probabilidades Binomiales
n
1
2
3
s
0
1
0
1
2
0
1
2
3
0
1
2
3
4
0
1
2
3
4
5
0
1
2
3
4
5
6
0
1
2
3
4
5
6
7
0
1
2
3
4
5
6
7
8
0
1
2
3
4
5
.05
.9500
.0500
.9025
.0950
.0025
.8574
.1354
.0071
.0001
.8145
.1715
.0135
.0005
.0000
.7738
.2036
.0214
.0011
.0000
.0000
.7351
.2321
.0305
.0021
.0001
.0000
.0000
.6983
.2573
.0406
.0036
.0002
.0000
.0000
.0000
.6634
.2793
.0515
.0054
.0004
.0000
.0000
.0000
.0000
.6302
.2985
.0629
.0077
.0006
.0000
.10
.9000
.1000
.8100
.1800
.0100
.7290
.2430
.0270
.0010
.6561
.2916
.0486
.0036
.0001
.5905
.3280
.0729
.0081
.0004
.0000
.5314
.3543
.0984
.0146
.0012
.0001
.0000
.4783
.3720
.1240
.0230
.0026
.0002
.0000
.0000
.4305
.3826
.1488
.0331
.0046
.0004
.0000
.0000
.0000
.3874
.3874
.1722
.0446
.0074
.0008
.15
.8500
.1500
.7225
.2550
.0225
.6141
.3251
.0574
.0034
.5220
.3685
.0975
.0115
.0005
.4437
.3915
.1382
.0244
.0022
.0001
.3771
.3993
.1762
.0415
.0055
.0004
.0000
.3206
.3960
.2097
.0617
.0109
.0012
.0001
.0000
.2725
.3847
.2376
.0839
.0185
.0026
.0002
.0000
.0000
.2316
.3679
.2597
.1069
.0283
.0050
.20
.8000
.2000
.6400
.3200
.0400
.5120
.3840
.0960
.0080
.4096
.4096
.1536
.0256
.0016
.3277
.4096
.2048
.0512
.0064
.0003
.2621
.3932
.2458
.0819
.0154
.0015
.0001
.2097
.3670
.2753
.1147
.0287
.0043
.0004
.0000
.1678
.3355
.2936
.1468
.0459
.0092
.0011
.0001
.0000
.1342
.3020
.3020
.1762
.0661
.0165
.25
.7500
.2500
.5625
.3750
.0625
.4219
.4219
.1406
.0156
.3164
.4219
.2109
.0469
.0039
.2373
.3955
.2637
.0879
.0146
.0010
.1780
.3560
.2966
.1318
.0330
.0044
.0002
.1335
.3115
.3115
.1730
.0577
.0115
.0013
.0001
.1001
.2670
.3115
.2076
.0865
.0231
.0038
.0004
.0000
.0751
.2253
.3003
.2336
.1168
.0389
.30
.7000
.3000
.4900
.4200
.0900
.3430
.4410
.1890
.0270
.2401
.4116
.2646
.0756
.0081
.1681
.3602
.3087
.1323
.0284
.0024
.1176
.3025
.3241
.1852
.0595
.0102
.0007
.0824
.2471
.3177
.2269
.0972
.0250
.0036
.0002
.0576
.1977
.2965
.2541
.1361
.0467
.0100
.0012
.0001
.0404
.1556
.2668
.2668
.1715
.0735
.35
.6500
.3500
.4225
.4550
.1225
.2746
.4436
.2389
.0429
.1785
.3845
.3105
.1115
.0150
.1160
.3124
.3364
.1811
.0488
.0053
.0754
.2437
.3280
.2355
.0951
.0205
.0018
.0490
.1848
.2985
.2679
.1442
.0466
.0084
.0006
.0319
.1373
.2587
.2786
.1875
.0808
.0217
.0033
.0002
.0207
.1004
.2162
.2716
.2194
.1181
.40
.6000
.4000
.3600
.4800
.1600
.2160
.4320
.2880
.0640
.1296
.3456
.3456
.1536
.0256
.0778
.2592
.3456
.2304
.0768
.0102
.0467
.1866
.3110
.2765
.1382
.0369
.0041
.0280
.1306
.2613
.2903
.1935
.0774
.0172
.0016
.0168
.0896
.2090
.2787
.2322
.1239
.0413
.0079
.0007
.0101
.0605
.1612
.2508
.2508
.1672
.45
.5500
.4500
.3025
.4950
.2025
.1664
.4084
.3341
.0911
.0915
.2995
.3675
.2005
.0410
.0503
.2059
.3369
.2757
.1128
.0185
.0277
.1359
.2780
.3032
.1861
.0609
.0083
.0152
.0872
.2140
.2918
.2388
.1172
.0320
.0037
.0084
.0548
.1569
.2568
.2627
.1719
.0703
.0164
.0017
.0046
.0339
.1110
.2119
.2600
.2128
.50
.5000
.5000
.2500
.5000
.2500
.1250
.3750
.3750
.1250
.0625
.2500
.3750
.2500
.0625
.0312
.1562
.3125
.3125
.1562
.0312
.0156
.0938
.2344
.3125
.2344
.0938
.0156
.0078
.0547
.1641
.2734
.2734
.1641
.0547
.0078
.0039
.0312
.1094
.2188
.2734
.2188
.1094
.0312
.0039
.0020
.0176
.0703
.1641
.2461
.2461
99
10
11
12
12
13
13
14
6
7
8
9
0
1
2
3
4
5
6
7
8
9
10
0
1
2
3
4
5
6
7
8
9
10
11
0
1
2
3
4
5
6
7
8
9
10
11
12
0
1
2
3
4
5
6
7
8
9
10
11
12
13
0
.0000
.0000
.0000
.0000
.5987
.3151
.0746
.0105
.0010
.0001
.0000
.0000
.0000
.0000
.0000
.5688
.3293
.0867
.0137
.0014
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.5404
.3413
.0988
.0173
.0021
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.5133
.3512
.1109
.0214
.0028
.0003
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.4877
.0001
.0000
.0000
.0000
.3487
.3874
.1937
.0574
.0112
.0015
.0001
.0000
.0000
.0000
.0000
.3138
.3835
.2131
.0710
.0158
.0025
.0003
.0000
.0000
.0000
.0000
.0000
.2824
.3766
.2301
.0852
.0213
.0038
.0005
.0000
.0000
.0000
.0000
.0000
.0000
.2542
.3672
.0448
.0997
.0277
.0055
.0008
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.2288
.0006
.0000
.0000
.0000
.1969
.3474
.1759
.1298
.0401
.0085
.0012
.0001
.0000
.0000
.0000
.1673
.3248
.2866
.1517
.0536
.0132
.0023
.0003
.0000
.0000
.0000
.0000
.1422
.3012
.2924
.1720
.0683
.0193
.0040
.0006
.0001
.0000
.0000
.0000
.0000
.1209
.2774
.2937
.1900
.0838
.0266
.0063
.0011
.0001
.0000
.0000
.0000
.0000
.0000
.1028
.0028
.0003
.0000
.0000
.1074
.2684
.3020
.2013
.0881
.0264
.0055
.0008
.0001
.0000
.0000
.0859
.2362
.2953
.2215
.1107
.0388
.0097
.0017
.0002
.0000
.0000
.0000
.0687
.2062
.2835
.2362
.1329
.0532
.0155
.0033
.0005
.0001
.0000
.0000
.0000
.0550
.1787
.2680
.2457
.1535
.0691
.0230
.0058
.0011
.0001
.0000
.0000
.0000
.0000
.0440
.0087
.0012
.0001
.0000
.0563
.1877
.2816
.2503
.1460
.0584
.0162
.0031
.0004
.0000
.0000
.0422
.1549
.2581
.2581
.1721
.0803
.0268
.0064
.0011
.0001
.0000
.0000
.0317
.1267
.2323
.2581
.1936
.1032
.0401
.0115
.0024
.0004
.0000
.0000
.0000
.0238
.1029
.2059
.2517
.2097
.1258
.0559
.0186
.0047
.0009
.0001
.0000
.0000
.0000
.0178
.0210
.0039
.0004
.0000
.0282
.1211
.2335
.2668
.2001
.1029
.0368
.0090
.0014
.0001
.0000
.0198
.0932
.1998
.2568
.2201
.1321
.0566
.0173
.0037
.0005
.0000
.0000
.0138
.0712
.1678
.2397
.2311
.1585
.0792
.0291
.0078
.0015
.0002
.0000
.0000
.0097
.0540
.1388
.2181
.2337
.1803
.1030
.0442
.0142
.0034
.0006
.0001
.0000
.0000
.0068
.0424
.0098
.0013
.0001
.0135
.0725
.1757
.2522
.2377
.1536
.0689
.0212
.0043
.0005
.0000
.0088
.0518
.1395
.2254
.2428
.1830
.0985
.0379
.0102
.0018
.0002
.0000
.0057
.0368
.1088
.1954
.2367
.2039
.1281
.0591
.0199
.0048
.0008
.0001
.0000
.0037
.0259
.0836
.1651
.2222
.2154
.1546
.0833
.0336
.0101
.0022
.0003
.0000
.0000
.0024
.0743
.0212
.0035
.0003
.0060
.0403
.1209
.2150
.2508
.2007
.1115
.0425
.0106
.0016
.0001
.0036
.0266
.0887
.1774
.2365
.2207
.1471
.0701
.0234
.0052
.0007
.0000
.0022
.0174
.0639
.1419
.2128
.2270
.1766
.1009
.0420
.0125
.0025
.0003
.0000
.0013
.0113
.0453
.1107
.1845
.2214
.1968
.1312
.0656
.0243
.0065
.0012
.0001
.0000
.0008
.1160
.0407
.0083
.0008
.0025
.0207
.0763
.1665
.2384
.2340
.1596
.0746
.0229
.0042
.0003
.0014
.0125
.0513
.1259
.2060
.2360
.1931
.1128
.0462
.0126
.0021
.0002
.0008
.0075
.0339
.0923
.1700
.2225
.2124
.1489
.0762
.0277
.0068
.0010
.0001
.0004
.0045
.0220
.0660
.1350
.1989
.2169
.1775
.1089
.0495
.0162
.0036
.0005
.0000
.0002
.1641
.0703
.0176
.0020
.0010
.0098
.0439
.1172
.2051
.2461
.2051
.1172
.0439
.0098
.0010
.0005
.0054
.0269
.0806
.1611
.2256
.2256
.1611
.0806
.0269
.0054
.0005
.0002
.0029
.0161
.0537
.1208
.1934
.2256
.1934
.1208
.0537
.0161
.0029
.0002
.0001
.0016
.0095
.0349
.0873
.1571
.2095
.2095
.1571
.0873
.0349
.0095
.0016
.0001
.0001
100
15
16
16
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0
1
2
3
4
5
6
7
.3593
.1229
.0259
.0037
.0004
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.4633
.3658
.1348
.0307
.0049
.0006
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.4401
.3706
.1463
.0359
.0061
.0008
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.4181
.3741
.1575
.0415
.0076
.0010
.0001
.0000
.3559
.2570
.1142
.0349
.0078
.0013
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.2059
.3432
.2669
.1285
.0428
.0105
.0019
.0003
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.1853
.3294
.2745
.1423
.0514
.0137
.0028
.0004
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.1668
.3150
.2800
.1556
.0605
.0175
.0039
.0007
.2539
.2912
.2056
.0998
.0352
.0093
.0019
.0003
.0000
.0000
.0000
.0000
.0000
.0000
.0874
.2312
.2856
.2184
.1156
.0449
.0132
.0030
.0005
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0743
.2097
.2775
.2285
.1311
.0555
.0180
.0045
.0009
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0631
.1893
.2673
.2359
.1457
.0668
.0236
.0065
.1539
.2501
.2501
.1720
.0860
.0322
.0092
.0020
.0003
.0000
.0000
.0000
.0000
.0000
.0352
.1319
.2309
.2501
.1876
.1032
.0430
.0138
.0035
.0007
.0001
.0000
.0000
.0000
.0000
.0000
.0281
.1126
.2111
.2463
.2001
.1201
.0550
.0197
.0055
.0012
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0225
.0957
.1914
.2393
.2093
.1361
.0680
.0267
.0832
.1802
.2402
.2202
.1468
.0734
.0280
.0082
.0018
.0003
.0000
.0000
.0000
.0000
.0134
.0668
.1559
.2252
.2252
.1651
.0917
.0393
.0131
.0034
.0007
.0001
.0000
.0000
.0000
.0000
.0100
.0535
.1336
.2079
.2252
.1802
.1101
.0524
.0197
.0058
.0014
.0002
.0000
.0000
.0000
.0000
.0000
.0075
.0426
.1136
.1893
.2209
.1914
.1276
.0668
.0407
.1134
.1943
.2290
.1963
.1262
.0618
.0232
.0066
.0014
.0002
.0000
.0000
.0000
.0047
.0305
.0916
.1700
.2186
.2061
.1472
.0811
.0348
.0116
.0030
.0006
.0001
.0000
.0000
.0000
.0033
.0228
.0732
.1465
.2040
.2099
.1649
.1010
.0487
.0185
.0056
.0013
.0002
.0000
.0000
.0000
.0000
.0023
.0169
.0581
.1245
.1868
.2081
.1784
.1201
.0181
.0634
.1366
.2022
.2178
.1759
.1082
.0510
.0183
.0049
.0010
.0001
.0000
.0000
.0016
.0126
.0476
.1110
.1792
.2123
.1906
.1319
.0710
.0298
.0096
.0024
.0004
.0001
.0000
.0000
.0010
.0087
.0353
.0888
.1553
.2008
.1682
.1524
.0923
.0442
.0167
.0040
.0011
.0002
.0000
.0000
.0000
.0007
.0060
.0260
.0701
.1320
.1849
.1991
.1685
.0073
.0317
.0845
.1549
.2066
.2066
.1574
.0918
.0408
.0136
.0033
.0005
.0001
.0000
.0005
.0047
.0219
.0634
.1268
.1859
.2066
.1771
.1181
.0612
.0245
.0074
.0016
.0003
.0000
.0000
.0003
.0030
.0150
.0468
.1014
.1623
.1983
.1889
.1417
.0840
.0392
.0142
.0040
.0008
.0001
.0000
.0000
.0002
.0019
.0102
.0341
.0796
.1379
.1839
.1927
.0027
.0141
.0462
.1040
.1701
.2088
.1952
.1398
.0762
.0312
.0093
.0019
.0002
.0000
.0001
.0016
.0090
.0318
.0780
.1404
.1914
.2013
.1647
.1048
.0515
.0191
.0052
.0010
.0001
.0000
.0001
.0009
.0056
.0215
.0572
.1123
.1684
.1969
.1812
.1318
.0755
.0337
.0115
.0029
.0005
.0001
.0000
.0000
.0005
.0035
.0144
.0411
.0875
.1432
.1841
.0009
.0056
.0222
.0611
.1222
.1833
.2095
.1833
.1222
.0611
.0222
.0056
.0009
.0001
.0000
.0005
.0032
.0139
.0417
.0916
.1527
.1964
.1964
.1527
.0916
.0417
.0139
.0032
.0005
.0000
.0000
.0002
.0018
.0085
.0278
.0667
.1222
.1746
.1964
.1746
.1222
.0667
.0278
.0085
.0018
.0002
.0000
.0000
.0001
.0010
.0052
.0182
.0472
.0944
.1484
101
18
19
19
20
8
9
10
11
12
13
14
15
16
17
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0
1
2
3
4
5
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.3972
.3763
.1683
.0473
.0093
.0014
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.3774
.3774
.1787
.0533
.0112
.0018
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.3585
.3774
.1887
.0596
.0133
.0022
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.1501
.3002
.2835
.1680
.0700
.0218
.0052
.0010
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.1351
.2852
.2852
.1796
.0798
.0266
.0069
.0014
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.1216
.2702
.2852
.1901
.0898
.0319
.0014
.0003
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0536
.1704
.2556
.2400
.1592
.0787
.0301
.0091
.0022
.0004
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0456
.1529
.2428
.2428
.1714
.0907
.0374
.0122
.0032
.0007
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0388
.1368
.2293
.2428
.1821
.1028
.0084
.0021
.0004
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0180
.0811
.1723
.2297
.2153
.1507
.0816
.0350
.0120
.0033
.0008
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0144
.0685
.1540
.2182
.2182
.1636
.0955
.0443
.0166
.0051
.0013
.0003
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0000
.0115
.0576
.1369
.2054
.2182
.1746
.0279
.0093
.0025
.0005
.0001
.0000
.0000
.0000
.0000
.0000
.0056
.0338
.0958
.1704
.2130
.1988
.1436
.0820
.0376
.0139
.0042
.0010
.0002
.0000
.0000
.0000
.0000
.0000
.0000
.0042
.0268
.0803
.1517
.2023
.2023
.1574
.0974
.0487
.0198
.0066
.0018
.0004
.0001
.0000
.0000
.0000
.0000
.0000
.0000
.0032
.0211
.0669
.1339
.1897
.2023
.0644
.0276
.0095
.0026
.0006
.0001
.0000
.0000
.0000
.0000
.0016
.0126
.0458
.1046
.1681
.2017
.1873
.1376
.0811
.0386
.0149
.0046
.0012
.0002
.0000
.0000
.0000
.0000
.0000
.0011
.0093
.0358
.0869
.1491
.1916
.1916
.1525
.0981
.0514
.0220
.0077
.0022
.0005
.0001
.0000
.0000
.0000
.0000
.0000
.0008
.0068
.0278
.0716
.1304
.1789
.1134
.0611
.0263
.0090
.0024
.0005
.0001
.0000
.0000
.0000
.0004
.0042
.0190
.0547
.1104
.1664
.1941
.1792
.1327
.0794
.0385
.0151
.0047
.0012
.0002
.0000
.0000
.0000
.0000
.0003
.0029
.0138
.0422
.0909
.1468
.1844
.1844
.1489
.0980
.0528
.0233
.0083
.0024
.0006
.0001
.0000
.0000
.0000
.0000
.0002
.0020
.0100
.0323
.0738
.1272
.1606
.1070
.0571
.0242
.0081
.0021
.0004
.0001
.0000
.0000
.0001
.0012
.0069
.0246
.0614
.1146
.1655
.1892
.1734
.1284
.0771
.0374
.0145
.0045
.0011
.0002
.0000
.0000
.0000
.0001
.0008
.0046
.0175
.0467
.0933
.1451
.1797
.1797
.1464
.0976
.0532
.0237
.0085
.0024
.0005
.0001
.0000
.0000
.0000
.0000
.0005
.0031
.0123
.0350
.0746
.1883
.1540
.1008
.0525
.0215
.0068
.0016
.0003
.0000
.0000
.0000
.0003
.0022
.0095
.0291
.0666
.1181
.1657
.1864
.1694
.1248
.0742
.0354
.0134
.0039
.0009
.0001
.0000
.0000
.0000
.0002
.0013
.0062
.0203
.0497
.0949
.1443
.1771
.1771
.1449
.0970
.0529
.0233
.0082
.0022
.0005
.0001
.0000
.0000
.0000
.0001
.0008
.0040
.0139
.0365
.1855
.1855
.1484
.0944
.0472
.0182
.0052
.0010
.0001
.0000
.0000
.0001
.0006
.0031
.0117
.0327
.0708
.1214
.1669
.1855
.1669
.1214
.0708
.0327
.0117
.0031
.0006
.0001
.0000
.0000
.0000
.0003
.0018
.0074
.0222
.0518
.0961
.1442
.1762
.1762
.1442
.0961
.0518
.0222
.0074
.0018
.0003
.0000
.0000
.0000
.0000
.0002
.0011
.0046
.0148
102
6 .0003 .0089 .0454 .1091 .1686 .1916 .1712 .1244 .0746 .0370
7 .0000 .0020 .0160 .0545 .1124 .1643 .1844 .1659 .1221 .0739
8 .0000 .0004 .0046 .0222 .0609 .1144 .1614 .1797 .1623 .1201
9 .0000 .0001 .0011 .0074 .0271 .0654 .1158 .1597 .1771 .1602
10 .0000 .0000 .0002 .0002 .0099 .0308 .0686 .1171 .1593 .1762
11 .0000 .0000 .0000 .0005 .0030 .0120 .0336 .0710 .1185 .1602
12 .0000 .0000 .0000 .0001 .0008 .0039 .0136 .0355 .0727 .1201
13 .0000 .0000 .0000 .0000 .0002 .0010 .0045 .0146 .0366 .0739
14 .0000 .0000 .0000 .0000 .0000 .0002 .0012 .0049 .0150 .0370
15 .0000 .0000 .0000 .0000 .0000 .0000 .0003 .0013 .0049 .0148
16 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0003 .0013 .0046
17 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002 .0011
18 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0002
19 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
20 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
Basada en tables of the Binomial Probabilitiy Distribution, National Bureau of
Standards Applied Mathematics Serie n 6 Washington, D.C.:US. Goberment printing
Office,1950.
103
TABLA # 2
Distribucin normal estndar
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
Asimismo, para z = 4.0, 5.0 y 6.0, las probabilidades son 0.49997, 0.4999997 y
0.499999999.
Tomada de Robert D. Mason, Essentials of Statistics. 1976, pg.307.
104
TABLA # 3
Prueba de rangos con signos de Wilcoxon
Valores crticos de T
n
T .10
T .05
T .02
T .01
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1
2
4
6
8
11
14
17
21
26
30
36
41
47
54
60
68
75
83
92
101
1
2
4
6
8
11
14
17
21
25
30
35
40
46
52
59
66
73
81
90
0
2
3
5
7
10
13
16
20
24
28
33
38
43
49
56
62
69
77
0
2
3
5
7
10
13
16
19
23
28
32
37
43
49
55
61
68
105
TABLA # 4
Prueba U de Mann-Whitney
Valores crticos de U
Valores de U .10
n2
n1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2 3 4
10 11 12 13 14 15
0
0
1
2
2
3
4
4
5
5
6
7
7
0
1
2
4
5
6
8
9
11
12
13
15
16
18
0
2
3
5
7
8
10
12
14
16
17
19
21
23
0
2
4
6
8
11
13
15
17
19
21
24
26
28
1
3
5
8
10
13
15
18
20
23
26
28
31
33
1
4
6
9
12
15
18
21
24
27
3
33
36
39
1
4
7
11
14
17
20
24
27
31
34
37
41
44
10 11 12 13 14 15
0
0
0
1
1
1
1
2
2
3
3
0
1
2
3
4
5
6
7
8
9
10
11
12
1
5
8
12
16
19
23
27
31
34
38
42
46
50
2
5
9
13
17
21
26
30
34
38
42
47
51
55
2
6
10
15
19
24
28
33
37
42
47
51
56
61
3
7
11
16
21
26
31
36
41
46
51
56
61
66
3
7
12
18
23
28
33
39
44
50
55
61
66
72
Valores de U .05
n2
2 3 4
n1 1
2
3
4
0
5
0 1
6
1 2
7
1 3
8
0 2 4
9
0 2 4
10
0 3 5
11
0 3 6
12
1 4 7
13
1 4 8
14
1 5 9
15
1 5 10
Tomada de D.B.
Energy.
0
0 1 1 2
1 2 3 4
2 3 5 6
3 5 6 8
5 6 8 10
6 8 10 13
7 10 12 15
8 11 14 17
9 13 16 19
11 14 18 22
12 16 20 24
13 17 22 26
14 19 24 29
Owen, Handbook
0 0 0 1 1 1 1
2 3 3 4 4 5 5
4 5 6 7 8 9 10
7 8 9 11 12 13 14
10 11 13 14 16 17 19
12 14 16 18 20 22 24
15 17 19 22 24 26 29
17 20 23 26 28 31 34
20 23 26 29 30 36 39
23 26 30 33 37 40 44
26 29 33 27 41 45 49
28 30 37 41 45 50 54
31 36 40 45 50 55 59
34 39 44 49 54 59 64
of Statistical Tables, 1962, U.S. Department of
106
Continuacin
Valores de U .02
n2
n1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2 3 4 5
0
0
1
1
1
2
0 2
0 2
0 3
0
1
1
2
3
3
4
5
5
6
7
0
1
2
3
4
5
6
7
8
9
10
11
10 11 12 13 14 15
1
3
6
8
11
13
16
19
22
24
27
30
33
1
4
7
9
12
15
18
22
25
28
31
34
37
2
5
8
11
14
17
21
24
28
31
35
38
42
0
2
5
9
12
16
20
23
27
31
35
39
43
47
0
2
6
10
13
17
22
26
30
34
38
43
47
51
1
2
3
4
6
7
8
9
11
12
13
15
0
1
3
4
6
7
9
11
12
14
16
17
19
0
2
4
6
7
9
11
13
15
17
20
22
24
1
3
5
7
9
11
14
16
18
21
23
26
28
10 11 12 13 14 15
0
1
3
4
6
7
9
10
12
13
15
16
1
2
4
6
7
9
11
13
15
17
18
20
0
1
3
5
7
9
11
13
16
18
20
22
24
0
2
4
6
9
11
13
16
18
21
24
26
29
Valores de U .01
n2
n1
3
4
5
6
7
8
9
10
11
12
13
14
15
3 4 5 6
0
0
0
1
1
1
2
0
0
1
1
2
2
3
3
4
5
0
1
1
2
3
4
5
6
7
7
8
0
1
2
3
4
5
6
7
9
10
11
12
0
2
5
7
10
13
16
18
21
24
27
30
33
1
3
6
9
12
15
18
21
24
27
31
34
37
1
3
7
10
13
17
20
24
27
31
34
38
42
1
4
7
11
15
18
22
26
30
34
38
42
46
2
5
8
12
16
20
24
29
33
37
42
46
51
0
3
7
11
15
18
24
28
33
37
42
47
51
56
107
TABLA # 5
Valores de 2 ,
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
=.995
.0000393
.0100
.0717
.207
.412
.676
.989
1.344
1.735
2.156
2.603
3.074
3.565
4.075
4.601
5.142
5.697
6.265
6.844
7.434
8.034
8.643
9.260
9.886
10.520
11.160
11.808
12.461
13.121
13.787
=.99
.0000157
.0201
.115
.297
.554
.872
1.239
1.646
2.088
2.558
3.053
3.571
4.107
4.660
5.229
5.812
6.408
7.015
7.633
8.260
8.897
9.542
10.196
10.856
11.524
12.198
12.879
13.565
14.256
14.953
=.975
.000982
.0506
.216
.484
.831
1.237
1.690
2.180
2.700
3.247
3.816
4.404
5.009
5.629
6.262
6.908
7.564
8.231
8.907
9.591
10.283
10.982
11.689
12.401
13.120
13.844
14.573
15.308
16.047
16.791
=.95
.00393
.0103
.352
.711
1.145
1.635
2.167
2.733
3.325
3.940
4.575
5.226
5.892
6.571
7.261
7.962
8.672
9.390
10.117
10.851
11.591
12.338
13.091
13.848
14.611
15.379
16.151
16.928
17.708
18.493
=.05
3.841
5.991
7.815
9.488
11.070
12.592
14.067
15.507
16.919
18.307
19.675
21.026
22.362
23.685
24.996
26.296
27.587
28.869
30.144
31.410
32.671
33.924
35.172
36.415
37.652
38.885
40.113
41.337
42557
43.773
=.025
5.024
7.378
9.348
11.143
12.832
14.449
16.013
17.535
19.023
20.483
21.920
23.337
24.736
26.119
27.488
28.845
30.191
31.526
32.852
34.170
35.479
36.781
38.076
39.364
40.646
41.923
43.194
44.461
45.722
46.979
=.01
6.635
9.210
11.345
13.277
15.086
16.812
18.475
20.090
21.666
23.209
24.725
26.217
27.688
29.141
30.578
32.000
33.409
34.805
36.191
37.566
38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892
=.005
7.879
10.597
12838
14.860
16.750
18.542
20.278
21.955
23.589
25.188
26.757
28.300
29.819
31.319
32.801
34.267
35.718
37.156
38.582
39.997
41.401
42.796
44.181
45.558
46.928
48.290
49.645
50.993
52.336
53.672
108
TABLA # 6
Rachas o corridas
Valores crticos de R
n2 2
n1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
2
2
2
2
2
2
2
2
3
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
2
2
3
3
3
3
3
4
4
4
4
4
2
2
3
3
3
3
4
4
4
4
5
5
5
Valores de r .025
7 8 9 10 11 12 13 14 15
2 2 2 2
2 2 2
2 2 2 2 2 3
2 3 3
3 3 3 3 3 3
3 3 3
3 4 4 4 4 4
3 3 4
4 4 4 5 5 5
3 4 4
5 5 5 5 5 6
4 4 5
5 5 6 6 6 6
4 5 5
5 6 6 6 7 7
5 5 5
6 6 7 7 7 7
5 5 6
6 7 7 7 8 8
5 6 6
7 7 7 8 8 8
5 6 6
7 7 8 8 9 9
5 6 7
7 8 8 9 9 9
6 6 7
7 8 8 9 9 10
Valores de r .025
n1
n2
4
5
6
7
8
9
10
11
12
13
14
15
9
9
9
10
10
11
11
9
10
11
12
12
13
13
13
13
11
12
13
13
14
14
14
14
15
15
15
11
12
13
14
14
15
15
16
16
16
16
10 11 12
13
14
15
13 13 13 13
14 14 14 14
14 15 15 16
15 16 16 16
16 16 17 17
16 17 17 18
16 17 18 19
17 18 19 19
17 18 19 20
18 18 19 20
15
16
17
18
19
19
20
20
21
15
16
17
18
19
20
20
21
22
15
16
18
18
19
20
21
22
22
109
Continuacin
Valores de r' .005
n1 n2
3
4
5
6
7
8
9
10
11
12
13
14
15
2
2
2
2
2
2
2
2
2
2
2
3
2
2
2
2
3
3
3
3
3
3
2
2
2
3
3
3
3
3
3
4
4
2
2
3
3
3
3
4
4
4
4
4
2
2
3
3
3
3
4
4
4
5
5
5
2
2
3
3
3
4
4
5
5
5
5
6
10 11
2
3
3
3
4
4
5
5
5
5
6
6
12 13
2
2
2 2
2
3
3
3
3 3
3
4 4
4
4 4 5
5 5
5
5 5
5
5
6
6
6 6 6
6 6 7
6 7
7
7 7 7
14
2
2
3
4
4
5
5
6
6
7
7
7
8
15
2
3
3
4
4
5
6
6
7
7
7
8
8
Valores de r .005
n1 n 2
5
6
7
8
9
10
11
12
13
14
15
5
11
6
11
12
13
13
13
13
14
15
15
15
13
14
15
15
16
16
17
17
17
10
11
12
13
14
15
15
15
16
17
17
18
18
18
19
15
16
17
17
18
19
19
19
20
15
16
17
18
19
19
20
20
21
17
18
19
19
20
21
21
22
17
18
19
20
21
21
22
22
17
18
19
20
21
22
23
23
19
20
21
22
22
23
24
110
TABLA # 7
Valores crticos del coeficiente de correlacin de rangos de Spearman
7 0.714
0.786
0.893
8 0.643
0.738
0.833
0.881
9 0.600
0.683
0.783
0.833
10 0.564
0.648
0.745
0.794
11 0.523
0.623
0.736
0.818
12 0.497
0.591
0.703
0.780
13 0.475
0.566
0.673
0.745
14 0.457
0.545
0.646
0.716
15 0.441
0.525
0.623
0.689
16 0.425
0.507
0.601
0.666
17 0.412
0.490
0.582
0.645
18 0.399
0.476
0.564
0.625
19 0.388
0.462
0.549
0.608
20 0.377
0.450
0.534
0.591
21 0.368
0.438
0.521
0.576
22 0.359
0.428
0.508
0.562
23 0.351
0.418
0.496
0.549
24 0.343
0.409
0.485
0.537
25 0.336
0.400
0.475
0.526
26 0.329
0.392
0.465
0.515
27 0.323
0.385
0.456
0.505
28 0.317
0.377
0.448
0.496
29 0.311
0.370
0.440
0.487
30 0.305
0.364
0.432
0.478
Tomada de E. G. Olds, "Distribution of Sums of Squares of Rank Differences for Small
Samples", Annals of Mathematical Statistics, vol 9. 1938.
111
TABLA # 8
Valores crticos de D para la prueba de bondad de ajuste de Kolmogorov-Smirnov.
0.20
0.15
0.10
0.05
0.01
0.900
0.684
0.565
0.494
.0446
0.410
0.381
0.358
0.339
0.322
0.307
0.295
0.284
0.274
0.266
0.258
0.250
0.244
0.237
0.231
0.21
0.19
0.18
1.07/ n
0.925
0.726
0.597
0.525
0.474
0.436
0.405
0.381
0.360
0.342
0.326
0.313
0.302
0.292
0.283
0.274
0.266
0.259
0.252
0.246
0.22
0.20
0.19
1.14/ n
0.950
0.776
0.642
0.564
0.510
0.470
0.438
0.411
0.388
0.368
0.352
0.338
0.325
0.314
0.304
0.295
0.286
0.278
0.272
0.264
0.24
0.22
0.21
1.22/ n
0.975
0.842
0.708
0.624
0.565
0.521
0.486
0.457
0.432
0.410
0.391
0.375
0.361
0.349
0.338
0.328
0.318
0.309
0.301
0.294
0.27
0.24
0.23
1.36/ n
0.995
0.929
0.828
0.733
0.669
0.618
0.577
0.543
0.514
0.490
0.468
0.450
0.433
0.418
0.404
0.392
0.381
0.371
0.363
0.356
0.32
0.29
0.27
1.63/ n
Nota: Los valores de D dados en la tabla son valores crticos asociados con valores
elegidos de n. Cualquier valor de D mayor o igual al valor de la tabla es significativo en
el nivel de significancia indicado.
Tomada de F. J. Massey, Jr., The Kolmogorov-Smirnov test for goodness of it, J. Am.
Stat. Assoc. 46:68-78, 1951.