Estadistica Noparametrica2007 PDF

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO
Facultad de Ingeniera Estadstica e Informtica
R.C.
R.R./Ho:
Aceptar
Ho:
R.R./Ho:
ESTADSTICA NO PARAMTRICA
APLICADA A GANADERA
PREPARADO POR:
VLADIMIRO IBAEZ QUISPE, M.Sc.
Puno, Marzo del 2007
- 2 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno
VLADIMIRO IBAEZ QUISPE

Ingeniero Estadstico, UNA - Puno - Per.
M.Sc. en Informtica.
Profesor Principal - Facultad de Ingeniera Estadstica e
Informtica.
Derechos Reservados:
Ninguna parte de este libro puede ser reproducida sin
la autorizacin del autor.
2007, Editorial Universitaria.
Segunda Edicin: 2007
Impreso en Puno - Per.
Ciudad Universitaria. Apartado 291. Fax (054) 352992.
Puno - Per
Diagramacin y Composicin:
Vladimiro Ibaez Quispe
Estadstica No Paramtrica Aplicada a la Ganadera - 3 -
PRESENTACION
La presente publicacin del libro: Estadstica No
Paramtrica Aplicada a la Ganadera, nace a inquietud de
los profesores universitarios y estudiantes de pre-grado y postgrado de las reas de Medicina Veterinaria y Zootecnia, Biologa, Agronoma, Ciencias de la Salud y profesionales investigadores, entre otros, que gentilmente me animaron para
que se pueda entender mejor el manejo de la estadstica
paramtrica frente a la estadstica no paramtrica, ya que ellos
se encontraban con dificultades en el procesamiento de la
informacin y la utilizacin de mtodos no paramtricas, con
esta publicacin espero contribuir con un grano de arena a
todos los interesados en reas afines, asimismo se incorpora
el uso del software estadsticos de SPSS para el procesamiento automatizado de las diferentes pruebas no
paramtricas..
Espero que el presente trabajo alcance la acogida que
se ha propuesto y asimismo agradezco por las sugerencias
de los usuarios, que sin duda, servir para corregir, la publicacin, y motivar la preparacin de nuevas publicaciones.
El Autor
Abril, 2007
INDICE
Presentacin ....................................................................................
Indice ..............................................................................................
1. El caso de una muestra simple .....................................................
1.1. Prueba Binomial ..................................................................
1.2. Prueba Ji-cuadrada ..............................................................
1.3. Prueba de Kolmogorov-Smirnov de una muestra ..................
Pg.
03
05
07
07
13
22
2. El Caso de una muestra medida dos veces y obtenida por medio

pares replicados ..........................................................................
2.1. La Prueba de cambio de McNEMAR ....................................
2.2. Prueba de los signos .............................................................
2.3. Prueba de Rangos Asignados de WILCOXON ......................
29
29
34
39
3. Dos muestras independientes ........................................................

3.1. Prueba Exacta de Fisher para tablas de 2x2 ...........................
3.2. Prueba Ji-cuadrado para dos muestras independientes............
3.3. Tablas de contingencia con gl>1 ...........................................
3.4. Tabla de Contingencia de 2x2 ...............................................
3.5. Prueba de la mediana ............................................................
3.6. La prueba de U de Mann-Whitney .........................................
3.7. La prueba de Wilcoxon-Mann-Whitney (modificado) ............
3.8. La prueba de Kolmogorov-Smirnov para dos muestras ..........
3.9. Prueba de rachas de Wald-Wolfowitz ....................................
3.10. Prueba poderosa de Rangos Ordenados ...............................
3.11. Prueba de rangos de Moses para diferencia de escala ..........
47
47
50
52
59
63
66
71
83
89
91
95
4. El caso de k-muestras relacionadas ...............................................

4.1. Prueba de Q de COCHRAN ..................................................
4.2. ANOVa bifactorial por Rangos de Friedman .........................
4.3. Prueba de PAGE para alternativas ordenadas ........................
100
100
103
111
5. El caso de k-muestras Independientes ........................................... 116

5.1. Prueba de Ji-cuadrada para k-muestras independientes ......... 116
5.2. Extensin de la prueba de la Mediana .................................. 122

Pg.
5.3. ANOVA unifactorial por rangos de Kruskal-Wallis (KW) .....
127
6. Medidas de Asociacin y sus pruebas de significacin .................. 140

6.1. El Coeficiente de C de Cramr ............................................. 140
6.2. Coeficiente de correlacin r de Spearman de Rangos
s
Ordenados .......................................................................... 144
6.3. Coeficiente de Correlacin de Kendall (
).........................
151
1
EL CASO DE UNA MUESTRA SIMPLE
1.1. PRUEBA BINOMIAL.
Los fenmenos que se distribuyen segn esta ley son dicotmicas, entonces caben
nicamente DOS valores posibles (variable discreta). Este es el caso del lanzamiento
de una moneda, cuyo resultado slo puede ser cara o sello. En general, se aplica a
todas aquellas variables que presenten dos valores, uno de los cuales suele catalogarse
como XITO y el otro como FRACASO. La ley binomial suministra la probabilidad
de que se den X xitos en N observaciones. La funcin de distribucin suministra la
probabilidad de que se observen X o menos xitos de una serie de N mediciones u
observaciones.
Ejemplo:
El sexo de la cra en: ovinos, vacunos, alpacas (Macho y hembra).
Condicin del animal: sano y enfermo
Animales que estn con: Tratamiento y Sin tratamiento.
Supngase que una poblacin consta de slo dos categoras o clases. Entonces,
cada observacin X muestreada de la poblacin puede tomar uno de dos valores,
dependiendo de la categora muestreada. Se puede denotar los posibles valores de la
variable aleatoria usando cualquier par de valores, pero es conveniente denotar cada
resultado como 1 (uno) o 0 (cero). Entonces la probabilidad de muestrear un objeto
de la primera categora es p y la probabilidad de muestrear un objeto de la otra
categora es q = 1 - p.
P X =1 = p
P X = 0 = 1 p = q

Adems se supone que cada probabilidad es constante, sin considerar el nmero
de sujetos muestreados u observados.
La distribucin binomial, se usa para determinar las probabilidades de los posibles
resultados que podemos observar al muestrear una poblacin binomial. Si nuestra
hiptesis es H0 : p = p0 , podemos calcular las probabilidades de varios resultados
cuando supones que Ho es cierta. La prueba nos dir si es razonable creer que las
proporciones (o frecuencias) de las dos categoras en nuestra muestra han sido extradas
de una poblacin con los valores hipotticos de p0 y 1- p0 . Al hablar de la distribucin
binomial, denotamos el resultado X = 1 como xito y el resultado X = 0 como
fracaso. Adems, en una serie de observaciones Y = i =1 X i es el nmero de xitos
N
o el nmero de resultados de tipo X=1.

En una muestra de tamao N, la probabilidad de obtener k objetos en una
categora y N - k objetos en la otra categora, est dada por:
PY=k =
FG N IJ p q
HkK
k
N k
k = 0,1,K , N
Donde:
p = La proporcin de observaciones esperadas cuando X = 1.
q = La proporcin de observaciones esperadas cuando X = 0, y
FG N IJ = N !
H k K k !( N k )!
La tabla de la distribucin binomial (Anexo, E), proporciona los valores de

P[Y = k] para diferentes valores de N y p.
Ahora bien cuando probamos hiptesis, la cuestin no es generalmente cul
es la probabilidad de obtener exactamente los valores que fueron observados?, sino
que ms bien, por lo regular preguntamos cul es la probabilidad de obtener valores
tan extremos o ms extremos que los valores observados, cuando suponemos que los
datos son generados por un proceso particular?. Para responder a preguntas de este
tipo, la probabilidad deseada es:
P Y k = i = k
N
FG N IJ p q
HiK
i
N i
P X x = i = 0
x
FG N IJ p q
H xK
x
MTODO: Estos son los pasos para usar la prueba binomial con Ho: p = 1/2.
1. Determinar el nmero (N) total de casos observados.
Estadstica No Paramtrica Aplicada a la Ganadera - 9 2. Determinar las frecuencias de las ocurrencias observadas en cada una de las
dos categoras.
3. El mtodo para encontrar la probabilidad de ocurrencia de los valores
observados segn Ho:, o valores an ms extremos, depende del tamao de la
muestra:
Muestra pequea:
Si N 35 , la Tabla de probabilidad asociadas con valores tan pequeos (o ms
pequeos) que los valores observados k en la prueba binomial (Anexo, D),
proporciona las probabilidades de una cola segn Ho: de diferentes valores
tan pequeos como una Y observada. Especificar Ha: y determinar si la prueba
debe ser uni o bidireccional.
Muestra Grande:
Si N > 35 , entonces la informacin tiende a una distribucin normal distribuida
con media cero (0) y desviacin estndar uno (1), en este caso, se debe probar
Ho: usando la ecuacin:
z=
(Y 0.5) - Np
Npq
Donde:
Y + 0.5, se usa cuando Y < Np
Y - 0.5, se usa cuando Y > Np
El valor de la z obtenido por la aplicacin de la frmula anterior, est
distribuido en forma normal asintticamente con media 0 y varianza 1. La
aproximacin a la distribucin normal es mejor si se usa una correccin por
continuidad. La correccin es necesaria debido a que la distribucin normal
es continua, mientras que la distribucin binomial es con variables discretas.
La correccin por continuidad consiste en reducir, por 0.5, la diferencia entre
los valores observados de Y y su valor esperado Np. La tabla de la distribucin
normal (Anexo, A), proporciona las probabilidades asociadas con la ocurrencia
segn Ho: de valores tan grandes como una z observada. Esta Tabla (Anexo,
A) proporciona probabilidades de una cola asociada; para una prueba de dos
colas, duplique la probabilidad obtenida.
4. Si la probabilidad asociada con el valor observado de Y o valores an ms
extremos es igual o menor que (p ), rechazar Ho:, de otro modo, no se
rechaza la Ho.

EJEMPLO:
En un experimento, se aplic a 18 vacunos enfermos con fiebre aftosa usando
un medicamento nuevo y se obtuvieron los siguientes resultados.
Frecuencia
vacunos vacunados
sanaron
no sanaron
2
16
Total
18
SOLUCIN:
La proporcin de vacunos sanos (xitos) es:
p=
N o de vacunos sanos 2 1
=
=
N o total de vacunos 18 9
La proporcin de vacunos que no sanaron (Fracasos) es:
q = 1 p = 1
1 8
=
9 9
1. Hiptesis nula: Ho: p = q = 1/2

Ho: La proporcin de vacunos que sanen con el medicamento nuevo es igual
a la proporcin de vacunos que no sanaron con el mismo medicamento.
Ho: p -q = 0 o Ho: p = q
Ha: La proporcin de vacunos que sanaron con el nuevo medicamento es
mayor que la proporcin de vacunos que no sanaron con el mismo
medicamento (Ha: p > q).
2. Prueba estadstica. Se elige la prueba binomial debido a que los datos estn
en dos categoras discretas y el tamao de muestra es pequeo.
3. Nivel de significacin: Sea = 0.01, y N = 18
4. Distribucin muestral. La distribucin muestral est proporcionada por la
siguiente frmula:
P X x = i = 0
x
FG N IJ p q
H xK
x
N x
5. Regin de Rechazo (RR) y Regin de Aceptacin (RA):

RA.: P X 2 > = 0.01 aceptar la Ho:
RR.: P X 2 = 0.01 rechazar la Ho:
6. Clculo del valor de la prueba.
FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ

H 0 KH 9K H 9K H 1 KH 9K H 9K H 2 KH 9K H 9K
0
P X 2 =
180
181
182
.
= 0000656
Estadstica No Paramtrica Aplicada a la Ganadera - 11 Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico
con los siguientes datos: N = 18, x = 2 y p = q = 1/2 = 0.5, con estos datos
buscamos en la tabla binomial acumulada para P X 2 = 0.0007
NOTA: i) P X 2 = 1 P X < 2 = P X 1 ,
ii) P X > 2 = 1 P X 2
7. Decisin:
Como P X 2 = 0.0007 = 0.01 , entonces se rechaza la hiptesis Ho:, es
decir existe evidencia de que la proporcin de vacunos que sanaron con el
nuevo medicamento es mayor que la proporcin de vacunos que no sanaron.
EJEMPLO:
En un proyecto de innovacin de la enseanza en la primaria con nuevo mtodos
didcticos se evalo a 20 estudiantes que se les enseo una materia con el mtodo
tradicional y luego se implement un mtodo nuevo. La suposicin es de que los
alumnos respondan mejor con el mtodo antiguo.
Frecuencia
M TODO
Tradicional
Nuevo
15
5
Total
20
SOLUCIN:
1. Hiptesis Estadstica: Ho: p = q = 1/2
Ho: La proporcin de alumnos que se les enseo un tpico especfico con el
mtodo tradicional y luego con el mtodo nuevo respondieron a la
evaluacin en forma igual a la proporcin de alumnos con ambos mtodos.
Ha: La proporcin de alumnos que se enseo un tpico especfico con el mtodo
tradicional y mtodo nuevo, respondieron a la evaluacin con el mtodo
tradicional que es mayor a la proporcin de alumnos a la evaluacin con
el mtodo nuevo. (Ha: p > q).
2. Prueba estadstica. Se elige la prueba binomial debido a que los datos estn
en dos categoras discretas y el tamao de muestra es pequeo, adems:
x : Es la variable aleatoria que se distribuye como B(20, 1/2), que representa
el nmero de alumnos que responden a la evaluacin con el mtodo nuevo.
p: Proporcin de casos favorables con el mtodo nuevo (xitos)
q. Proporcin de casos desfavorables con el mtodo tradicional (fracasos)

3. Nivel de significacin: Sea = 0.05, y N = 20
4. Distribucin muestral. La distribucin muestral est proporcionada por la
siguiente frmula:
P X x = i = 0
x
FG N IJ p q
H xK
x
N x
5. Regin de Rechazo (RR) y Regin de Aceptacin (RA):

RA.: P X 5 > = 0.05 aceptar la Ho:
5
P X 5 =
x =0
FG 20IJ p q
H xK
x
N x
= 0.021
Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico,

con los siguientes datos: N = 20, x = 5 y p = q = 1/2 = 0.5, con estos datos se
busca en la tabla binomial acumulada para P X 5 = 0.0207
7. Decisin:
Como P X 5 = 0.0207 = 0.05 , entonces se rechaza la hiptesis Ho:, es
decir existe diferencia significativa entre ambos mtodos de enseanza en el
proceso de aprendizaje de los alumnos de educacin primaria.
EJERCICIOS.
1.- Cul es la probabilidad de que una familia de Puno que quiera tener 4 hijos,
uno de ellos sea mujercita?.
a)
= 1/2 = 0.5, n = 4,
b( 1;4 ,0.50 ) =
b)
y=1
FG 4IJ ( 0.5 ) ( 1 0.5 )

H 1K
1
4 1
. )
= 4( 0.5 )( 0125
= 0.23 25%.
2. La probabilidad de que un alumno de Veterinaria se gradue normalmente es
30% (de cada 10 alumnos 3 se graduarn). Cul es la probabilidad de que de
20 estudiantes nuevos, 3 se graduen?.
Estadstica No Paramtrica Aplicada a la Ganadera - 13 a)
= 30% = 0.30, n = 20,

b( 3;20,0.30 ) =
b)
y=3
FG 20IJ ( 0.30 ) (1 0.30 )

H 3K
3
20 3
20 x19 x18 x17 !

( 0.027 )( 0.0023 )
3x 2 x1( 20 3 )!
= 0.0708 7.08%
3. Se tiene la prevalencia general de mastitis subclnica de 800 vacas en produccin
de leche en el distrito de Umachiri.
Vacas en estudio
CASOS
Positivos Negativos
103
697
Total
800
Probar la probabilidad de casos positivos es igual a la probabilidad de casos

negativos?
1.2. PRUEBA DE JI CUADRADA (una muestra simple)

Frecuentemente, en el estudio que un investigador lleva a cabo es necesario conocer
el nmero de sujetos, objetos o respuestas que caen en varias categoras. Por ejemplo,
un grupo de pacientes puede ser clasificado de acuerdo con su tipo preponderante de
respuestas en la prueba de Rorschach, y el investigador puede predecir que ciertos
tipos sern ms frecuentes que otros. O los nios pueden ser categorizados de acuerdo
con sus modalidades de juego ms frecuentes, siendo la hiptesis que esas modalidades
diferirn en frecuencia de una manera prescrita. O las personas pueden ser
categorizadas con base en si estn en favor de, indiferentes a u opuestas a una
opinin que facilite al investigador probar la hiptesis de que esas respuestas difieren
en frecuencia.
La prueba Ji-cuadrada es adecuada para analizar datos como stos. El nmero de
categoras puede ser dos o ms. La tcnica es del tipo de bondad de ajuste en que
puede ser usada para probar si existe una diferencia significativa entre un nmero
observado de objetos o respuestas que caen en cada categora y un nmero esperado
basado en la hiptesis nula. Es decir, la prueba Ji-cuadrada evala el grado de
correspondencia entre las observaciones observadas en cada categora.
MTODO: Para comparar un grupo de frecuencias observado con uno esperado,
debemos ser capaces de establecer qu frecuencias deben ser esperadas. La hiptesis

Ho: establece la proporcin de objetos que caen en cada una de las categoras en la
poblacin supuesta. Esto es, de la hiptesis nula podemos deducir cules son las
frecuencias esperadas. La tcnica Ji-cuadrada proporciona la probabilidad de que las
frecuencias observadas pudieran haber sido muestreadas de una poblacin con los
valores esperados proporcionados.
La hiptesis nula Ho: puede probarse mediante el siguiente estadstico:
b e g
=
k
2
c
ei
i =1
(2k 1 )
Donde:
i = el nmero observado de casos en la categora isima.
ei
= el nmero esperado de casos en la categora isima cuando Ho: es

verdadera.
k = el nmero de categoras
PROCEDIMIENTO:
1. Prueba estadstica (Planteamiento de la hiptesis respectiva).
2. Nivel de significacin: , y el nmero total = N
3. Prueba Estadstica: Cuando los datos estn en frecuencias, en categoras discretas (nominales o categricos y, en ocasiones, ordinales), se puede utilizar la
prueba Ji-cuadrada para evaluar la significacin de las diferencias entre los
grupos independientes.
4. Distribucin muestral. Esta dada por la frmula siguiente:
k
2c =
i =1
b e g
i
ei
~ (2k 1 )
5. Regin de rechazo y aceptacin:

2
2
Si c ( k 1 ), se acepta la Hiptesis Nula (Ho).
2
2
Si c > ( k 1 ), se rechaza la Hiptesis Nula y se acepta la Ha.
6. Clculo de la prueba estadstica, segn la frmula arriba indicada.

7. Decisin. Es la parte crtica de un investigador, en el cual se tiene que interpretar
y sacar las conclusiones del problema en estudio.
Los grados de libertad para la Ji-cuadrada es: gl = (k - 1)
Estadstica No Paramtrica Aplicada a la Ganadera - 15 Resumen de la prueba Ji-cuadrada

Para usar la prueba de la bondad de ajuste de Ji-cuadrada para el caso de una
muestra, se requiere el procedimiento para usar la prueba e incluye estos pasos:
1. Coloque las frecuencias observadas dentro de k categoras. La suma de las
frecuencias debe ser n, el nmero de observaciones independientes.
2. A partir de Ho: determine las frecuencias esperadas (la ei) para cada una de las
k celdas. Cuando k>2, y ms del 20% de las ei son menores que 5, combnese
categoras adyacentes cuando esto sea razonable, reduciendo por tanto el valor
de k e incrementando los valores de algunas de la ei. Cuando k = 2, la prueba
de la bondad de ajuste Ji-cuadrada para una muestra es exacta slo si cada
frecuencia esperada a 5 o ms grande.
2
3. Use el estadstico de Ji-cuadrada para calcular el valor de .
4. Determine los grados de libertad, gl = k - 1, donde k es el nmero de
categoras.
5. Por referencia a la Tabla (Anexo, C) se determina la probabilidad asociada con
2 , segn Ho como un valor tan grande como el valor observado para 2
para los grados de libertad apropiados para los datos. Si la probabilidad es
menor que o igual a , se rechaza la Ho: (p ).
POTENCIA: Ya que esta prueba es la ms usada cuando no tenemos claramente
una alternativa disponible, por lo general no estamos en una posicin para calcular
la potencia exacta de la prueba. Cuando se usa la medicin nominal o categrica o
cuando los datos consisten en frecuencias en categoras inherentemente discretas,
entonces la nocin de potencia-eficacia no es significativa y en tales casos no existe
una prueba paramtrica que sea adecuada. En los casos en los que se ha estudiado la
potencia de la prueba de la bondad de ajuste de Ji-cuadrada, existe una interaccin
entre el nmero de categoras k y el nmero de observaciones n. Aunque las
recomendaciones especficas dependen de la distribucin terica que va a ser ajustada,
las siguientes reglas resultan adecuadas:
1. Eljanse categoras y lmites de intervalo tales que las frecuencias esperadas
sean iguales a n/k (1/k)xn.
2. Se debe escoger el nmero de categoras tal que las frecuencias esperadas estn
entre 6 y 10, con el valor ms bajo apropiado para N grandes (mayor que
200).
Tambin debe considerarse que cuando gl>1, la prueba Ji-cuadrada es insensible
a los efectos del ordenamiento de categoras y, por tanto, cuando una hiptesis tiene

el orden en cuenta, la prueba Ji-cuadrada no puede ser la mejor prueba. Para mtodos
que fortalecen las pruebas Ji-cuadrada comunes cuando Ho: es probada contra
alternativas especficas, vase Cochran (1954) o Everitt (1977).
EJEMPLO:
Un profesor de Medicina Veterinaria y Zootecnia, analiza el aprendizaje de sus
alumnos en una seccin y los clasifica en cuatro categoras de acuerdo a las
calificaciones obtenidas en un semestre. Tal como se presenta a continuacin:
Muy buenos
9
Nmero de Estudiantes
Buenos
Regulares
12
19
Malos
10
Total
50
SOLUCIN:
1. Hiptesis Nula (Ho:). La proporcin de alumnos en cada uno de las categoras
es indiferente.
Hiptesis alterna (Ha:). La proporcin de alumnos es diferente en cada uno de
las categoras en estudio.
2. Nivel de significacin: = 0.05 = 0.01, n = 50.
3. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrado, ya que los
datos estn dados por lo menos en escala ordinaria, adems presenta categoras
k = 4.
4. Distribucin muestral.
b e g
=
k
2
c
i =1
ei
(2k 1 )
5. Clculo de Prueba Estadstica: Por informacin se tiene que:

n = 50 alumnos, k = 4 categoras
ei =
2c =
n 50
=
= 12.5
4
k
(9 -12.5) 2 (12 -12.5) 2 (19 -12.5) 2 (10 -12.5) 2

+
+
+
12.5
12.5
12.5
12.5
= 4.88
Si 2c = 4.88 23 ,0 ,05 = 7 .82 , se acepta la Hiptesis Nula (Ho).
Estadstica No Paramtrica Aplicada a la Ganadera - 17 Si 2c = 4.88 > 23 ,0 ,05 = 7 .82 , se rechaza la Ho: y se acepta la Ha.
7. Decisin: Podemos afirmar que la proporcin de alumnos en cada uno de las
categoras es similar o se tiene un comportamiento indiferente.
MTODO AUTOMATIZADO
Para analizar con el SPSS, se debe crear un programa en el editor de sintxis de
la siguiente manera: FILE > NEW > SYNTAX (aparece una pantalla en blanco, en
el cual se debe ingresar las lneas de sentencias).
Una vez realizado el clic en la opcin SYNTAX, se presenta la pantalla de Editor

de Sintxis.
Para ejecutar el programa, se solicita en el men principal, la opcin RUN > ALL
y clic, es decir ejecutar el programa y seleccionar toda las sentencias.
Los resultados se presentan en la pantalla de OUTPUT (pantalla de de resultados),

tal como se puede apreciar a continuacin:
Frequencies
V1
1
2
3
4
Total
Category
1.00
2.00
3.00
4.00
Observed
N
9
12
19
10
50
Expected N
12.5
12.5
12.5
12.5
Residual
-3.5
-.5
6.5
-2.5
Test Statistics
Chi-Square a
df
Asymp. Sig.
V1
4.880
3
.181
a. 0 cells (.0%) have expected frequencies less than

5. The minimum expected cell frequency is 12.5.
EJEMPLO.
Supngase que se separan al azar 80 vacas adultas de un total de 450, para ver
si estn preadas o no, cuyos resultados se presentan a continuacin:
1.
2.
3.
4.
Condicin
Preada
Vaca
Frecuencia
31
49
Hiptesis Estadstica:
H0: La seleccin es al azar o imparcial.
Ha: La seleccin no ha sido al azar o parcializado.
Nivel de significacin: = 0.05, n = 80.
Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrada, porque los
datos presentan frecuencias que por lo menos estn en escala ordinal, adems
presenta dos categoras.
Distribucin Muestral: Se aplicar la siguiente frmula de la Ji-cuadrada:
Estadstica No Paramtrica Aplicada a la Ganadera - 19 k
2c =
b e g
i
i =1
ei
(2k 1 )
5. Clculo de la prueba estadstica:

Valores
Valores
Categora observados esperados
ei = n
Oi
Preada
31
40
Vacas
49
40
Oi =80 ei =80
bO e g bO e e g
Oi ei
-9
9
81
81
Oi ei
2.025
2.025
ei =4.050
2c = 4.050
Luego: 2c = 4 .050
6. Regin de rechazo de la H0:. Hay dos categoras, por lo tanto k =2 1 = 1.
Luego 20 .05 ,1 = 3.841 , luego: S
la H0:
2c es igual o mayor a 2t = 3841

se rechaza
.
7. Decisin: Como 2c = 4 .050 es mayor que 2t = 3841

. , se rechaza la hiptesis
planteada Ho:, es decir, existe suficiente evidencia para afirmar que la seleccin
de vacunos no se ha realizado al azar, sino que ha existido cierta parcializacin
a vacas vacas.
EJERCICIOS:
1. Supongamos que se desea comparar el efecto de dos frmacos A y B para un miso
sntoma. Para ello, se introduce el frmaco A en 50 sobres, el frmaco B en otros
50 y un placebo en otros 50. Una vez mezclados y numerados, se introduce los
sobres en una caja con la intecin de suministrarlos aleatoriamente a 150 pacientes.
Al cierre del estudio nicamente se conoce el resultado del tratamiento en 103
pacientes. Previo al anlisis del efecto de los frmacos, se desea comprobar que la
muestra de 103 pacientes es representativa de la poblacin objeto de estudio, en
el sentido de que la proporcin de pacientes tratados con el frmaco A es igual a
la proporcin de pacientes tratados con el frmaco B e igual a la proporcin de
pacientes tratados con el placebo. Para ello, la prueba que se aplicar es la Jicuadrada para una muestra. La informacin se presenta a continuacin.

Frmaco A
34
Frmaco B
37
Placebo
32
Total
103
El programa en SPSS, es el siguiente:

data list free/v1 to v2.
begin data.
1 34
2 37
3 32
end data.
weight by v2.
npar test chisq v2 v1(1,3).
2. Supongamos que se desea comprobar el efecto de un tratamiento en un conjunto
de 120 pacientes con infarto de miocardio, y que se sospecha que dicho efecto
puede ser distinto dependiendo de la localizacin del infarto. De entre los 120, el
nmero de pacientes con localizacin Anterior o Inferior es el mismo e igual al
doble del nmero de pacientes con localizacin Lateral o Posterior. Al cierre del
estudio nicamente se conoce el resultado del tratamiento en 103 de los pacientes.
Previo al anlisis del efecto del tratamiento, se desea comprobar que la muestra
de 103 pacientes es representativa de la poblacin objeto de estudio, en el sentido
de que, por cada paciente con localizacin del infarto de miocardio Lateral o
Posterior, hay dos pacientes con cada una de las localizaciones Anterior e Inferior.
La informacin se presenta a continuacin:
Anterior
33
Localizacin del Infarto

Inferior
Lateral
34
17
Posterior
19
Total
103
3. Se tiene la distribucin de las muestras postivas realizadas en bovinos de los

mdulos de: Huanacomarca y Sora del distrito de Umarchi, usando el mtodo
California Mastitis Test, segn grado de reaccin. La informacin se presenta en
seguida:
Mdulo
Huanac.-Sora
+10
Grado de reaccin
+
36
++
6
Muestras
Positivas
52
Calcule la prueba Ji-cuadrado e interprete los resultados. Use
= 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 21 4. La informacin corresponde a la prevalencia de Mastitis Subclnica Bovina del
mdulo de crianza de Huanacomarca y Sora, segn nmero de partos, usando el
mtodo de California Mastitis Test y WhiteSide Test.
MTODO: California Mastitis Test
N de partos
1
N vacas evaluadas
23
N de vacas positivas
7
MTODO: WhiteSide Test
N de partos
1
N vacas evaluadas
23
3
2
43
12
3
35
11
4
35
6
5a+
64
2
TOTAL
200
38
2
75
18
3
38
8
4
44
20
5a+
20
3
TOTAL
200
52
Existe diferencia en cada uno de los mtodos indicados en los cuadros anteriores. Calcule la prueba Ji-cuadrado por separado para cada uno de los mtodos e
interprete los resultados. Use = 0.05.
5. Se tiene la prevalencia de Mastitis Subclnica Bovina, segn nmero de lactaciones,
usando mtodos de California Mastitis Test y WhiteSide en los mdulos de
Huanacomarca y Sora del distrito de Umachiri. La informacin se presenta a continuacin:
MTODO: California Mastitis Test
N de vacas por
meses de lactacin
1
N vacas evaluadas
23
3
MTODO: WhiteSide Test
N de vacas por
meses de lactacin
1
N vacas evaluadas
23
10
2
43
17
2
75
13
3
38
6
3
35
15
4a+
64
16
4
35
6
5a+
64
4
TOTAL
200
38
TOTAL
200
52
Calcule la prueba Ji-cuadrado por separado para cada uno de los mtodos e interprete los resultados. Use = 0.05.

1.3. PRUEBA DE KOLMOGOROV-SMIRNOV DE UNA MUESTRA.
CONDICIONES:
- Es una prueba de bondad de ajuste, que est interesada en el grado de acuerdo
entre la distribucin de un conjunto de valores muestreados (puntuaciones
observadas) y alguna distribucin terica especfica.
- La variable en estudio se distribuye en escala de variable continua.
- La prueba es adecuada para probar la bondad de ajuste para variables que son
medidas en al menos una escala ordinal.
- Prueba si un conjunto de datos tienen una distribucin terica especfica.
DISTRIBUCIN MUESTRAL:
La prueba de Kolmogorov-Smirnov (K-S), se enfoca sobre las condiciones ms
grandes. El valor absoluto ms grande de F0 (X i ) S n (X i ) se llama mxima desviacin
de D.
D = mx F0 (X i ) S n (X i ) ,
i = 1,2,3, ...., n
F0 (X i ) :
Es una funcin de distribucin de frecuencias relativas acumuladas

completamente especificada por la distribucin terica, segn la Ho: o la
probabilidad acumulada P(x X) de la funcin de distribucin terica de
frecuencia acumulada conforme a la hiptesis nula (Ho:).
S n (X i ) : Es la distribucin de frecuencias relativas acumuladas observadas de
una muestra aleatoria de n observaciones es la distribucin emprica
de frecuencias acumulativas observada de una muestra tomada al azar de
n observaciones S(X) = k n ; k: el nmero de observaciones menores o
iguales que X.
- Si n > 35, los valores crticos de D, pueden ser determinados en la ltima fila
de la tabla de Kolmogorov-Smirnov (Anexo, F).
MTODO
1. Hiptesis Estadstica:
a) H 0 :F(X) = F0 (X) Versus H a :F(X) F0 (X)
b) H 0 : F(X) F0 (X) Versus H a : F(X) < F0 (X)
c) H 0 :F(X) F0 (X) Versus H a : F(X) > F0 (X)
2. Nivel de significacin: y determinar n

3. Prueba Estadstica. Fundamentar la utilizacin de la prueba de Kolmogorov-
Estadstica No Paramtrica Aplicada a la Ganadera - 23 Smirnov, en este caso se trata de probar la normalidad de los datos si proviene
de una misma poblacin o de diferente poblacin.
4. Distribucin Muestral: Fijado el nmero de muestras n, se puede encontrar
el valor crtico D, que estn dadas en la Tabla de K-S (Anexo, F), para una
muestra de acuerdo a la hiptesis planteadas Dn, = Valor crtico.
5. Clculo del valor de la prueba D = mx F0 (X i ) S n (X i )
6. Regin de Rechazo y Aceptacin: Comparar el valor observado de
D = mx F0 (X i ) S n (X i ) con el valor
Dn, = crtico.
7. Decisin: En base a la Tabla (Anexo, F), encontramos que la probabilidad

asociada (dos colas) con la ocurrencia, segn Ho: de valores tan grandes como
los valores observados de D. Si (p ) entonces se debe rechazar la Ho:
EJEMPLO 1:
En un experimento de ganancias de pesos vivos (kg) en cerdos, luego de un
tratamiento se desea probar la normalidad de los datos obtenidos (n = 23):
9
10
9
19
16
8
11
11
13
21
13
15
16
24
17
12
11
13
28
14
10
15
22
SOLUCIN:
1.- Hiptesis Estadstica:
Ho: Las ganancias de peso vivo (kg) en cerdos siguen una distribucin normal.
Ha: Las ganancias de peso vivo (kg) en cerdos no siguen una distribucin
normal.
2. Nivel de significacin: = 0.05
3. Prueba Estadstica: Se elige la prueba de Kolmogorov-Smirnov de una muestra,
debido a que el investigador desea comparar pesos, adems los datos estn
expresados en una variable contnua.
4. Distribucin Muestral. Los valores crticos de D, la desviacin mxima absoluta
estn dadas en la Tabla de Kolmogorov-Smirnov (Anexo, F) para una muestra,
en nuestro ejemplo el valor crtico es: D(23,0.05) = 0.275.

Y'i-1 - Y'i
8 - 12
12 - 16
16 - 20
20 - 24
24 - 28
TOTAL
ni Ni
Yi
niYi
ni Yi2
Sn (Xi )
8
7
4
2
2
23
10
14
18
22
26
80
98
72
44
52
346
800
1372
1296
968
1352
5788
0.348
0.652
0.826
0.913
1.000
8
15
19
21
23
Zi =
Yi ' Y
S
-0.59
0.19
0.96
1.74
2.52
F(X)
F(X)
0 i Sn(X)
i
0 i
0.27760
0.57535
0.83147
0.95907
0.99413
0.07040
0.07665
0.00547
0.04607
0.00587
6.Regin de Rechazo y Aceptacin: Como D = mx F0 (X i ) S n (X i ) =0.07665

es menor que D23 ,0 .05 = 0.275 , entonces se acepta la Hiptesis Ho: y se
rechaza la Hiptesis Ha:
7. Decisin: Como D = 0.07665 D23,0.05 = 0.275 , entonces existe evidencia de
que los datos de los pesos en cerdos siguen una distribucin normal.
EJEMPLO 2:
Se realiz un estudio para conocer cunto tiempo en segundos tardan los
estudiantes del ltimo nivel de veterinaria en identificar los diferentes tipos de parsitos
en el microscopio, usando las habilidades motoras bsicas. La informacin se presenta
a continuacin:
17
25
30
21
24
32
25
25
17
16
21
20
19
22
25
22
28
18
24
19
20
18
16
16
19
27
21
22
23
23
23
21
18
20
30
25
21
28
21
n=3
SOLUCIN:
1.- Hiptesis Estadstica:
Ho: La identificacin de los parsitos en el microscopio sigue una distribucin
uniforme.
Ha: La identificacin de los parsitos en el microscopio no sigue una
distribucin normal.
3. Prueba Estadstica: Para probar la normalidad de los datos, se usa la prueba de
Kolmogorov-Smirnov de una muestra.
4. Distribucin Muestral. Los valores crticos de D, la desviacin mxima absoluta
estn dadas en la Tabla de Kolmogorov-Smirnov para una muestra, en nuestro
ejemplo el valor crtico es: D(39,0.05) = 0.213.
Y'i-1 - Y'i
15
18
21
24
27
30
ni Ni
Yi
18 5 5 16.5
21 9 14 19.5
24 12 26 22.5
27 7 33 25.5
30 3 36 28.5
33 3 39 31.5
niYi
82.5
175.5
270.0
178.5
85.5
94.5
2
nY
i i
1361.25
3422.25
6075.00
4551.75
2436.75
2976.75
Sn(X)
i
Yi' Y
S
F(X)
F(X)
0 i S(X)
n i
0 i
-1.14
-0.42
0.31
1.03
1.75
2.47
0.12714
0.33724
0.62172
0.84850
0.95994
0.99324
Zi =
0.128
0.359
0.667
0.846
0.923
1.000
0.00086
0.02176
0.04528
0.00250
0.03694
0.00676
6.Regin de Rechazo y Aceptacin: Como D = mx F0 (X i ) S n (X i ) =0.04528 es

menor que D39 ,0.05 = 0.213 , entonces se acepta la Hiptesis Ho: y se rechaza
la Hiptesis Ha:
.
7. Decisin: Como D = 0.04528 D39,0.05 = 0213
, entonces existe evidencia
de que los datos en segundos para la identificacin de los parsitos siguen
una distribucin normal o tambin en trminos de (p ).
EJERCICIOS:
1. Los siguientes datos corresponden al peso vivo (kg) de las borregas criollas de 4
aos de edad en el Centro de Investigacin y Produccin Chuquibambilla de la
UNA-Puno, (1998).
37
43
28
40
37
33
35
42
34
39
35
32
32
28
35
34
35
36
31
37
36
37
38
32
37
31
31
43
35
36
38
40
39
30
30
35
33
34
36
31
30
32
29
34
36
32
29
38
38
34
34
42
26
32
34
40
29
41
33
38
42
33
42
38
28
41
34
31
33
30
n = 70
Se pide: Probar con la prueba de Kolmogorov-Smirnov, si los datos se distribucin en forma normal, e interpretar los resultados encontrados.
2. Los siguientes datos corresponden a las vicuas hembras adultas que han sido
esquilados en el criadero de vicuas del Comit Comunal de Manejo de Vicuas
de Cala - Cala, (1998), y las variables registradas son: Peso vivo (kg), Peso velln
(kg) y dimetro de fibra (micras).
Pes o v ivo (kg )
26.0
40.0
33.7
36.0
34.2
31.2
41.8
23.5
26.5
35.8
39.6
24.3
38.1
30.4
42.5
33.1
38.2
33.6
36.4
32.2
Pes o v ell n (kg).
0.27
0.25
0.24
0.24
0.18
0.15
0.15
0.21
0.11
0.13
0.13
0.21
0.18
0.20
0.20
0.20
0.16
0.13
0.12
0.11
Dimetro de fib ra
(micras )
18.06
14.11
19.46
11.53
14.49
15.07
13.16
16.00
16.34
14.14
15.37
14.92
14.90
14.98
15.74
14.59
15.07
14.84
12.47
14.13
a) Elaborar una tabla completa de distribucin de frecuencias para cada variable.

b) Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov.
c) Interpretar algunos valores de las frecuencias encontradas.
3. Se realiz el anlisis de sangre para la variable HEMOGLOBINA en el Laboratorio de Bio-qumica de la F.M.V.Z.-UNA - Puno, las muestras fueron procedentes
de las alpacas de la raza Huacaya y Suri del Centro de Investigacin y Produccin
La Raya de las clases (cras, tuis y adultos) y de ambos sexos (2000), obtenindose
los siguientes resultados:
RAZA HUACAYA: HEMOGLOBINA
13.09 13.83 12.38 14.21 13.83 13.45 12.04 13.83 13.83 12.04
13.45 13.45 13.27 13.45 13.27 14.21 13.27 12.73 13.45 12.73
14.60 15.42 14.21 13.83 14.60 12.38 13.83 12.04 13.09 13.45
RAZA SURI: HEMOGLOBINA
13.09 14.60 14.60 13.83 13.09 13.09 12.73 13.45 14.60 13.45
12.91 12.56 13.27 10.60 12.21 14.60 14.21 13.09 13.27 13.45
12.91 15.01 15.63 14.02 14.60 13.45 11.88 13.27 11.22 13.09
Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov.

4. Los datos corresponden a las variables de Frecuencia de Pulso de las llamas de
tipo: Chacu y Kra de ambos sexos y de las clases cras, jvenes y adultos. Las
muestras fueron tomadas de las llamas de Quimsachata INIA-Puno (2000),
obtenindose los siguientes resultados:
78
73
73
61
73
80
78
75
64
73
FRECUENCIA DE PULSO (minutos).

81
75
82
79
77
76
79
74
78
75
79
76
79
76
78
75
74
76
67
63
62
61
60
65
78
76
74
79
74
78
78
78
76
65
75
80
75
73
63
79

5. Los siguientes datos corresponden a las lecturas de la presin sangunea sistlica
que se hicieron a 40 adultos que se presentaron para un examen fsico:
104
126
116
105
114
112
126
114
120
122
128
115
129
146
116
118
117
106
120
122
132
116
124
102
112
132
113
115
138
112
112
122
118
106
123
106
123
123
113
116

6. A continuacin se presentan las edades (en aos) de un grupo de pacientes con
Carcinoma Cervical, registradas en el Hospital Manuel Nuez Butrn de Puno, en
Enero de 1999.
25
36
79
62
21
24
76
55
31
39
80
61
24
43
75
43
26
38
39
42
27
39
42
38
42
36
41
27
43
37
51
35
22
44
56
53
48
51
44
50
a) Construir un cuadro de distribucin de frecuencias.

b) Analizar algunos valores de las frecuencias halladas.
c) Graficar el histograma de frecuencias, polgono de frec. absolutas y relativas y,
ojivas.
d) Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov.
7. En el CIP de Chuquibambilla de la UNA, se llev a cabo un experimento de
engorde con alimentacin a base de pastos naturales y la adicin del nutriente
biomolecular, para determinar la ganancia de peso vivo en toretes de diente de
leche de la raza Aberdeen Angus (se inyect cada 30 das por va intramuscular
dosis de 1.5 ml por cada 100 kpv/animal) la crianza fue en el sistema extensivo.

La duracin del experimento fue de 90 das (octubre, noviembre y diciembre de
1998).
302 314 308 272 366 312 284 238 192 408
368 258 306 298 332 289 350 355 285 301
262 325 358 282 345 359 259 289 385 350
a) Construya la tabla de distribucin de frecuencias.

b) Graficar el histograma de frecuencias y el polgono correspondiente.
c) Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov.
d) Interpretar los resultados.
2
El Caso de una muestra medida dos veces y obtenida por
medio pares replicados
2.1. La Prueba de cambio de McNEMAR
CONDICIONES:
- Se usa para la significacin de los cambios y se aplica a los diseos antesdespus y se estudia al mismo sujeto.
- Cada pareja de datos (X,Y) es el sujeto antes y despus del tratamiento.
- Las mediciones se realizan, ya sea en escala nominal u ordinal.
MTODO:
1. Se ordenan los datos en una tabla de frecuencias de 2x2, de la siguiente
manera:
DESPUS
ANTES
+
-
Donde:
A: Denota el nmero de individuos cuyas respuestas fueron (+) en la primera
medicin y (-) en la segunda medicin.
D: Es el nmero de individuos quienes cambiaron de (-) a (+).
B: Es la frecuencia de individuos que respondieron (+) en ambas ocasiones.

C: Es el nmero de individuos que respondieron (-) en la primera y la segunda
evaluacin.
C y B: significa que no hubo cambios.
A+D: Es el nmero total de respuestas que cambiaron.
Si el total es menor a 10, entonces usar la prueba binomial.
Si el nmero total de cambios es mayor a 10, usar la prueba de McNemar.
2. Se plantean las hiptesis nula (Ho:) que la probabilidad de cambio de (+) a
(-) es igual a la probabilidad de cambio de (-) a (+). En forma de simbologa
se puede denotar: H0: P(D) = P(A) = 12 versus H a : P(D) > P(A)
3. Nivel de significacin:
= 0.05 o = 0.01.
4. Prueba estadstica a utilizar:

Se determina las frecuencias esperadas de cambio
(A + D)
2
E=
(A + D)
2
, individuos que cambiaron de (+) a (-).
(A + D)
2
, individuos que cambiaron de (-) a (+).

Si E < 5, entonces se utiliza la prueba Binomial en lugar de Mcnemar.
Si E 5, entonces se utiliza la prueba de McNemar. Se calcula como la Jicuadrada, cuya frmula es la siguiente:
2
c
c A D 1h
=
A+ D
con gl = 1
R.A./H 0 : P( 2 12 ) > , entonces aceptamos la Ho:

R. R./H 0 : P( 2 > 12 ) , entonces rechazamos la Ho:
Otra forma de rechazar o aceptar es:
H 0 : 12 1,2 , entonces se acepta la Ho:

H 0 : 12 > 1,2 , entonces se rechaza la Ho:
6. Clculo de la Ji-cuadrado
7. Decisin:
Estadstica No Paramtrica Aplicada a la Ganadera - 31 EJEMPLO:

La informacin que se presenta en seguida corresponde a los pesos (kg) de 20
novillos registrados en dos momentos diferentes, antes de entrar al experimento de
alimentacin se tomaron los pesos iniciales (antes) y a los 3 meses de alimentacin
se registr el peso final (despus). La informacin se presenta a continuacin:
Novillo
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20
Antes
240 255 250 250 235 297 240 230 267 277 262 303 250 248 240 207 204 250 255 297
Despues 256 277 279 268 233 293 239 239 256 304 206 303 248 204 240 217 204 259 247 297
Diferencia -16 -22 -29 -18 2
4
1 -9 11 -27 56 0
2 44 0 -10 0 -9 8
0
Probar que el incremento de peso de los novillos a mejorado.

SOLUCIN:
manera:
DESPUS
A NTES
+
-
8=A
2=B
2=C
8=D
Nota: Contar (-)(-) debajo de la mediana.

Contar (+)(+) encima de la mediana.
2. Hiptesis Estadstica: H 0 : P(D) = P(A) versus H a : P(D) > P(A)
Ho: La probabilidad de peso inicial es igual a la probabilidad de peso final en
novillos.
Ha: La probabilidad de incremento de peso es mayor que la probabilidad de
prdida de peso en novillos.
A+D = 16, es el nmero total de cambios.
2
(1)
c A D 1h
=
A+ D
con gl = 1

2
2
H 0 : (1)
1,0.05
= 3841
.
, entonces se acepta la Ho:
2
2
H 0 : (1)
> 1,0.05
= 3841
. , entonces se rechaza la Ho:

E=
(A + D) 8 + 8
=
= 8 E , entonces usar la prueba McNemar:
2
2
2
(1)
c 8 8 1h
=
8+8
1
= 0.0625
16
2
7. Decisin: Como 2(1) = 0.0625 1,0.05
= 3.841 , entonces se acepta la Ho:, es
decir que los pesos registrados antes del experimento en novillos es igual al
incremento de los pesos finales (despus) en novillos.
EJEMPLO:
Se ensay un experimento para determinar la ganancia de peso vivo en carnerillos
de 11 meses de edad de la raza criollo del CIP-Chuquibambilla, para tal efecto se
registraron los pesos iniciales (antes) y ganancia de peso final (despus), sometidos a
las mismas condiciones de edad, alimentacin y tiempo con una duracin de 70 das
aproximadamente, iniciando en octubre del 2003 y terminando en Diciembre del
mismo ao. La informacin se presenta a continuacin:
Carnerillo A ntes Des pus Diferencia Carnerillo A ntes Des pus Diferencia
1
39
42
-2
21
35
41
-6
2
42
51
-8
22
35
42
-6
3
47
46
1
23
42
44
-1
4
41
46
-6
24
37
41
-4
5
37
44
-8
25
36
40
-4
6
37
42
-5
26
41
41
0
7
39
42
-3
27
35
41
-6
8
39
42
-4
28
37
41
-3
9
40
39
1
29
42
42
0
10
39
43
-4
30
39
41
-2
11
40
40
0
31
32
38
-6
12
31
38
-6
32
37
40
-3
13
44
46
-2
33
37
39
-1
14
43
46
-3
34
35
35
0
15
36
36
0
35
37
41
-4
16
35
43
-8
36
39
42
-3
17
41
40
1
37
39
38
1
18
38
46
-8
38
36
42
-6
19
40
45
-5
39
34
39
-5
20
40
46
-6
40
36
41
-5
Estadstica No Paramtrica Aplicada a la Ganadera - 33 SOLUCIN:

manera:
D ES P U S
+
-
A N T ES
31 = A
3 = B
2 = C
4 = D
2. Hiptesis Estadstica: H 0 : P(D) = P(A) versus H a : P(D) < P(A)

Ho: La probabilidad de cambio de (+) a (-) es igual a la probabilidad de cambio
de (-) a (+) carnerillos de la raza criollo
Ha: La probabilidad de cambio de (-) a (+) es menor al cambio de (+) a (-) en
el incremento de peso vivo en carnerillos de la raza criollo.
A+D = 35, es el nmero total de cambios.
2(1) =
c A D 1h
A+ D
con gl = 1

2
2
H 0 : (1)
1,0.05
= 3841
.
2
2
H 0 : (1)
> 1,0.05
= 3841
. , entonces se rechaza la Ho:
E=
(A + D) 31+4
=
= 175
. E , entonces usar la prueba McNemar:
2
2
c 31 4 1h
=
2
(1)
31+ 4
676
= 19.314
35
2
7. Decisin: Como 2(1) = 19.314 1,0.05
= 3841
. , entonces se rechaza la Ho: y se
acepta la Ha:, es decir que los pesos registrados de (-) a (+) es menor al cambio
de (+) a (-) en el incremento de peso vivo en carnerillos de la raza criollo.

EJERCICIO:
Se registro la frecuencia respiratoria en llamas Chaku de ambos sexos de 3 - 6
aos de edad, en la maana (antes) y en la tarde (despus) en el CIP - La Raya, cuya
informacin se presenta a continuacin:
N arete
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
MAANA 21 19 22 22 24 22 18 22 25 21 24 20 22 27 16 22 25 27
TARDE 22 23 19 18 26 20 23 25 23 20 29 20 20 27 26 25 23 28
Calcule la prueba de McNemar e interprete los resultados.
2.2. Prueba de los SIGNOS

CONDICIONES:
- Esta basada en la direccin de las diferencias entre dos mediciones que estn
en medidas cuantitativas y es aplicable a investigaciones en las cuales las
mediciones cuantitativas son imposibles o no son viables, pero que s se puede
determinar, para cada par de observaciones, cul es la ms grande en algn
sentido.
- La prueba de los signos es aplicable al caso de dos muestras relacionadas
cuando el investigador desea establecer que dos condiciones son diferentes.
- La variable estudiada tiene una distribucin continua y no hace suposiciones
acerca de la forma de la distribucin y tampoco supone que los sujetos pertenecen
a la misma poblacin.
- Los diferentes pares de observaciones pueden pertenecer a diferentes
poblaciones.
- Cada dato Ai y Bi pertenecen a dos condiciones A y la condicin B.
- No se supone la distribucin de la diferencia di = Ai Bi .
- Cada pareja de datos (Ai , Bi ) y (Aj , Bj ) , pueden provenir cada una de ellas de
diferentes poblaciones.
- Cada sujeto i puede ser su propio control o dentro de cada pareja, el
investigador haya igualado respecto a las variables extraas relevantes.
MTODO:
1. Se realizan las siguientes comparaciones:
S Ai > Bi , entonces se asigna el signo +.
S Ai < Bi , entonces se asigna el signo -
S Ai = Bi , entonces se asigna un cero y no se toma en cuenta.
Estadstica No Paramtrica Aplicada a la Ganadera - 35 2. Encontrar el nmero total de + y -, es decir N = " +" +" "
3. Buscar X: el nmero menor de cualquiera de los dos signos (X: sumatoria
menor de los signos).
H 0 :P(A i > Bi ) = P(A i < Bi ) =
1
, otra forma de plantear la Hiptesis Ho: es:
2
H 0 : Mediana(A i ) - Mediana(B i ) = 0
5. Prueba Estadstica:
MUESTRAS PEQUEAS:
S N 35, entonces se puede determinarse recurriendo a la distribucin
binomial con p = q = 1/2, donde N es el nmero de pares.
La prueba de signo puede ser unidireccional como bidireccional. En la prueba
unidireccional, la hiptesis alterna (Ha:) plantea que un signo + o - ocurrir
ms frecuentemente. En cambio en la prueba bidireccional, la prediccin es
simplemente que las frecuencias de los signos diferirn significativamente (los
valores de probabilidad de la Tabla de aproximacin a la distribucin normal
(Anexo) debern duplicarse.
EMPATES:
Para la prueba de los signos ocurre un empate cuando no es posible discriminar
entre los valores de un par igualado o ambos valores son iguales. Todo los
casos que presentan como empates son excluidos del anlisis en la prueba de
los signos y entonces la N se decrementa el mismo nmero de empates que
existan. N es el nmero de pares igualados para quienes la diferencia tiene un
signo + o -.
MUESTRAS GRANDES:
Si N > 35, se puede utilizarse la aproximacin normal a la distribucin
binomial. En este se realiza mejor empleando la correccin por continuidad.
Esta correccin se efecta reduciendo la diferencia entre el nmero observado
de signos postivos (o negativos ) y el nmero esperado (la media) cuando Ho:
es verdadera al 0.5. As la correccin de la continuidad queda:
Z=
(x 0.5) - N 2
0.5 N

Donde: x + 0.5, se utiliza cuando x < N/2, y x - 0.5 cuando x > N/2.
La siguiente ecuacin en una forma simplificada de la anterior facilitar los
clculos:
Z=
2x 1 - N
N
Donde: +1 cuando x <N/2, y -1 cuando x > N/2. El valor obtenido de Z

mediante la ecuacin anterior, puede considerarse normalmente distribuida
con media igual a cero y varianza igual a uno. En el Anexo, se proporciona los
valores de probabilidad (unidireccional) asociada con la ocurrencia cuando
Ho: es verdadera, con valores extremos observados de x. Para la prueba
bidireccional, el valor de probabilidad obtenido en la tabla del Anexo, debe
duplicarse.
6. Decisin: Si la probabilidad mostrada por la prueba es menor o igual a ,
rechazamos la Ho: ( p ).
EJEMPLO:
Se ensay un experimento en el engorde de cerdos usando un nuevo tratamiento
como concentrado en la alimentacin. Los resultados fueron los siguientes:
Cerdos
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
Peso antes
Peso despus Direccin de
del tratamiento del tratamiento la diferencia
79
80
Aa < Bd
65
69
Aa < Bd
57
60
Aa < Bd
51
49
Aa > Bd
57
53
Aa > Bd
66
66
Aa = Bd
44
50
Aa < Bd
41
41
Aa = Bd
44
44
Aa = Bd
36
50
Aa < Bd
45
42
Aa > Bd
38
41
Aa < Bd
39
45
Aa < Bd
45
45
Aa = Bd
50
51
Aa < Bd
56
52
Aa > Bd
53
56
Aa < Bd
59
60
Aa < Bd
59
65
Aa < Bd
61
63
Aa < Bd
38
40
Aa < Bd
41
45
Aa < Bd
53
50
Aa > Bd
44
45
Aa < Bd
61
60
Aa > Bd
60
60
Aa = Bd
50
48
Aa > Bd
54
52
Aa > Bd
60
57
Aa > Bd
71
70
Aa > Bd
Signo
-1
-4
-3
2
4
0
-6
0
0
-14
3
-3
-6
0
-1
4
-3
-1
-6
-2
-2
-4
3
-1
1
0
2
2
3
1
SOLUCIN:
"+" = 10, "-" = 15,
x = 10 y N = 25

Ho: La proporcin de los cerdos con el peso inicial antes del tratamiento es
igual a la proporcin de pesos con el tratamiento concentrado (despus).
p = q = 1/2
Ha: La proporcin de los cerdos con el peso inicial es mayor que el peso de los
cerdos despus del tratamiento con el concentrado.
2. Nivel de significacin:
= 0.05 y N = 25.
3. Prueba estadstica a utilizar: De acuerdo a la informacin se tiene que N<35,

entonces, se usar la prueba estadistica binomial.
4. Distribucin muestral: La probabilidad asociada a la ocurrencia de los valores
tan grandes como x, es proporcionada por la distribucin binomial para p =
q = 1/2. Cuya frmula es el siguiente:
F 2 5IJ p q
xK
GH
10
P (X x ) =
x=0
n x

RA.: P X 10 > = 005
aceptar la Ho:
.
5
FG25IJFG 1IJ FG 1IJ

H x KH 2K H2K
P X 10 =
x=0
25x
.
= 02122
Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico,

con los siguientes datos: N = 25, x = 10 y p = q = 1/2 = 0.5, buscamos en la
tabla binomial acumulada para P X 10 = 0.2122
7. Decisin:
Como P X 10 = 0.2122 > = 0.05 , entonces se acepta la hiptesis Ho:, es
decir que no existe diferencia significativa en el aumento y en la disminucin
de pesos en cerdos despus del tratamiento con el concentrado.
Estadstica No Paramtrica Aplicada a la Ganadera - 39 EJERCICIOS:

1. A un grupo de 20 pacientes que asistan a una clnica de fisioterapia se les
someti a una determinada prueba, diseada para medir su nivel de motivacin,
antes de que participaran en un programa experimental de remotivacin. Al
trmino del programa, los pacientes fueron sometidos a una nueva prueba. Las
calificaciones antes y despus son las siguientes:
Calificacin
Paciente 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Antes 10 8 5 14 15 22 17 10 8 20 16 10 15 5 24 20 14 10 15 14
Despus 15 10 10 14 25 20 20 22 16 18 24 23 25 15 20 25 24 23 25 25
Una calificacin alta indica un nivel alto de motivacin. Qu se puede concluir

de estos datos?. Sea =0.05. Determinar el valor de p.
2. Una muestra de 15 pacientes que padece de asma particip en un experimento
para estudiar los efectos de un nuevo tratamiento sobre la funcin pulmonar.
Una de las mediciones que se registraron fue la de volumne espiratorio forzado
(litros) en 1 segundo (VEF) antes y despus de la aplicacin del tratamiento.
Los resultados son los siguientes:
Individuo 1
2
3
4
5
6
7
8
9
10 11 12 13 14 15
Antes 1.69 2.77 1.00 1.66 3.00 0.85 1.42 2.82 2.58 1.84 1.89 1.91 1.75 2.46 2.35
Despus 1.69 2.22 3.07 3.35 3.00 2.74 3.61 5.14 2.44 4.17 2.42 2.94 3.04 4.62 4.42
Es posible concluir, con base en estos datos, que el tratamiento incrementa de

manera efectiva el nivel del VEF?. Use =0.05. Calcular el valor de p.
2.3. Prueba de Rangos Asignados de WILCOXON

CONDICIONES:
- La prueba t de Wilcoxon, es la alternativa ms potente a la prueba paramtrica
t-Student Fisher para grupos relacionados o apareados, al utilizar no solo los
signos, sino tambin las cuantias ordinales de las diferencias.
- El mtodo de anlisis que sigue Wilcoxon es similar a la prueba de signos.
- La prueba de rangos asignados de Wilcoxon adjudica mayor peso a los pares
que muestran mayores diferencias entre las dos condiciones, ms que a los
pares cuy diferencia es pequea.
- La prueba de Wilcoxon, se aplica con bastante xito en las ciencias de la
conducta.
- Cada par (Xi, Yi) corresponden a dos condiciones diferentes.
- Los puntajes deben ser medidos en forma cuantitativamente.
- Se encuentra la distribucin de las diferencias: d i = X i Yi

- Se debe utilizar para probar la hiptesis la mediana de las diferencias es igual
a una cierta cantidad.
MTODO:
- Calcular las diferencias entre las puntuaciones del par en los tratamientos (X,
Y) como di = Xi Yi .
- Asignar un rango sin tomar en cuenta el signo a las diferencias di, adjudicando
el rango 1 a la di ms pequea, el rango 2 a la siguiente, etc.
- Cuando se presentan el caso de los valores absolutos de las diferencias son
iguales al valor absoluto de cualquier otra diferencia.
X i Yi = X j Yj =L = X k Yk , di = d j =L = d k
El rango promedio se obtiene de la siguiente forma:
Rango Promedio =
Rango(d i ) + Rango(d j )+L+Rango(d k )

Nmero de rangos tomados
- Se asigna el valor de rango promedio a los rangos de la diferencia di al rango

de la diferencia dj
di = d j =L = d k
Se asigna el signo de la diferencia di a cada uno de los rangos que se separa los
rangos positivos de los negativos.
- Cuando se presenta d i = 0 , se excluye este par del anlisis.
- Se suman todos los rangos positivos T+ y rangos negativos T-
T + = Suma de los rangos de las diferencias positivas "+".

T = Suma de los rangos de las diferencias negativas "".
De lo anterior, la suma de todo los rangos es N ( N + 1 ) 2 , T = N ( N + 1 ) 2 T + .,
luego se asigna a T+, la suma ms pequea de rango (T+ = suma pequea de
rangos).
- Se determina N como el total de las diferencias con signo.
EMPATES:
S X i Yi = d i = 0 , entonces queda excludo del anlisis y el tamao de N se
reduce, respectivamente.
Estadstica No Paramtrica Aplicada a la Ganadera - 41 MUESTRAS PEQUEAS:

Si N 15 (Anexo, H), se trabaja con la prueba de Wilcoxon que nos proporciona
la probabilidad asociada a los valores de T+. Si la probabilidad es menor o
igual que en nivel de significacin seleccionado, rechace la Ho:
MUESTRAS GRANDES:
Si N > 15, entonces se aproxima a la distribucin normal, T+: la suma de los
rangos, se distribuye aproximadamente en forma normal.
T+
Z=
FG N ( N + 1)IJ
H 4 K
N ( N + 1 )( 2 N + 1 )
24
RANGOS EMPATADOS Y MUESTRAS GRANDES:

- Si existieran rangos con empates, es necesario ajustar la prueba estadstica
para considerar el decremento en la variabilidad de T. La correccin requiere
contar los empates y reducir la varianza, respectivamente. En caso de existir
rangos empatados, entonces:
2
T+
d id i
N ( N + 1 )( 2 N + 1 ) 1 g
=
tj tj 1 tj +1
24
2 j =1
Donde: g = Nmero de agrupamiento de diferentes rangos empatados.

tj = Nmero de rangos empatados agrupados en j.
- Se puede plantear la hiptesis, realizando de la siguiente forma:
Ho: Mediana(X) - Mediana(Y) = C versus Ha: Mediana(X) - Mediana(Y)<C
DECISIN:
- Si T+ > Ttabla, entonces aceptar la Ho:
- T+ Ttabla, entonces rechazar la Ho:
- En trminos de probabilidad p , entonces rechace la Ho:
EJEMPLO:
A un grupo de 10 estudiantes del curso de Fisiologa ensean dos profesores uno
despus de otro, durante un semestre, en este caso asumimos que el segundo
profesor tena mejor mtodo de enseanza y por consiguiente los estudiantes han
mejorado en el rendimiento. Las calificaciones de los estudiantes con los dos

profesores fueron los siguientes:
Nota-1 Nota-2
Estudiante Prof. 1 (Xi) Prof. 2 (Yi) di =Xi - Yi Rango Rango (+) Rango (-)
1
15
14
1
3
2
2
11
17
-6
9
-9.5
3
8
13
-5
8
-8
4
9
10
-1
1
-2
5
17
13
4
7
6.5
6
11
13
-2
4
-4
7
11
17
-6
10
-9.5
8
18
19
-1
2
-2
9
14
18
-4
6
-6.5
10
12
9
3
5
5
TOTAL
T =13.5 T =41.5
SOLUCIN:
Ho: La mediana de las calificaciones de los estudiantes obtenidas por el primer
profesor es igual a la mediana de calificaciones obtenidos por el segundo
profesor.
Ha: La mediana de las calificaciones de los estudiantes obtenidas por el primer
profesor es menor a la mediana de calificaciones obtenidas por el segundo
profesor.
2. Prueba Estadstica: Se seleccion la prueba de Wilcoxon puesto que los datos
representan diferencias entre las puntuaciones de dos muestras relacionadas.
3. Nivel de Significacin: = 0.01 y N = 10
4. Distribucin muestral: Cuando Ho: es verdadera, los valores calculados de
Wilcoxon, se encuentran (Anexo, H).
Encontrando los rangos promedios:
- Rango de: -1, -1, +1, su rango promedio ser:
Rango Promedio =
1+ 2 + 3
=2
3
Estadstica No Paramtrica Aplicada a la Ganadera - 43 - Rango de: -4, 4, su rango promedio ser:
Rango Promedio =
- Rango de: -6, +6, su rango promedio ser:
6+7
= 6.5
2
Rango Promedio =
9 +10
= 9.5
2
"+"= 3
- La suma de los valores negativos es: "-" =7
- La suma de los valores positivos es:
- El nmero total de datos es: N = 10, T+ = 13.5

6. Regin de Rechazo:
La tabla de Wilcoxon proporciona el valor tabular (Anexo, H) de T 10, 0.01 = 51
con N = 10 y = 0.01 es decir 51>13.5, entonces se acepta la hiptesis Ha: o
tambin p=0.0068 = 0.01.
7. Decisin: Los rendimientos de los estudiantes con dos profesores en la enseanza
del curso de fisiologa es diferente, es decir la mediana de las calificaciones de
los estudiantes por el primer profesor es menor a los obtenidos por el segundo
profesor.
EJEMPLO:
Se realiza un estudio en una Universidad para medir el efecto del cambio ambiental
en los estudiantes extranjeros. Uno de los temas de este estudio es una comparacin
del peso de los alumnos al llegar a la universidad, con su peso un ao ms tarde. Se
plantea la hiptesis de que los alimentos, ms nutritivos que se ingieren en la capital,
provocan incremento de peso. Para esto se seleccion en forma aleatoria a 17
estudiantes extranjeros para el estudio. Use = 0.05
Nro.
Peso al Llegar
Peso 1ao despus
1
2 3
4
5
6
7
8
9 10 11 12 13 14 15 16 17
124 157 98 190 103 135 149 176 200 180 256 110 109 137 125 160 99
142 157 96 212 116 134 150 184 209 180 269 179 143 135 137 172 98
SOLUCIN:
Ho: No existe aumento de peso en los estudiantes extranjeros al final del ao.
Ha: Existe incremento de peso en los estudiantes extranjeros al final del ao.
2. Nivel de Significacin: = 0.05, N = 15, ya que se elimin di = 0.
3. Prueba Estadstica: Se tom la prueba de Rangos sealados de Wilcoxon, debido
a la presencia de puntajes de diferencia de dos muestras relacionadas, es decir
se tom a cada sujeto el peso y al final del ao al mismo sujeto se registr el
peso.
4. Distribucin muestra: Conforme la Ho:, los valoes de Z se calcula con la
siguiente ecuacin:

T T
=
Z=
T
N ( N + 1)
4
~ N ( 0,1 )
N ( N + 1 )( 2 N + 1 )
24
T
La tabla de valores crticos (Anexo, A), nos entrega la probabilidad asociada

con la ocurrencia conforme a Ho: de valores tan extremos como cierto valor
obtenido de Z.
5. Clculo de la prueba estadstica: Como N>15, entonces se realiza la
aproximacin a la distribucin normal de Z
i) Ordenar los datos de menor a mayor (por pareja).
ii) Asignar los rangos a los datos ordenados anteriormente, en el paso i).
iii) En caso de empate, asignar el rango promedio a cada par de datos. Tal
como se muestra en el siguiente cuadro.
Nro.
1
3
4
5
6
7
8
9
11
12
13
14
15
16
17
Peso_Llega Peso_1ao di = Xi - Yi
124
142
-18
98
96
2
190
212
-22
103
116
-13
135
134
1
149
150
-1
176
184
-8
200
209
-9
256
269
-13
110
179
-69
109
143
-34
137
135
2
125
137
-12
160
172
-12
99
98
1
Orden
18
2
22
13
1
1
8
9
13
69
34
2
12
12
1
Rango_Pre Rango_Prom Rango(+) Rango(-)

12
12
12
4
4.5
4.5
13
13
13
10
10.5
10.5
1
2
2
2
2
2
6
6
6
7
7
7
11
10.5
10.5
15
15
15
14
14
14
5
4.5
4.5
8
8.5
8.5
9
8.5
8.5
3
2
2
T+ =
13.0
T- = 107
De este T, se debe usar el que tiene menor suma, en este caso T = 13,
reemplazando a la frmula de la ecuacin se tiene:
Z=
N ( N + 1)
4
=
N ( N + 1 )( 2 N + 1 )
24
T
15x16
47
4
=
= 2.669
15x16( 2 x15 + 1 )
310
24
13
Como se han presentado observaciones empatadas en ambas parejas de datos,

entonces se realiza la correccin con la siguiente ecuacin:
Agrupacin d i = Xi - Yi
1
2
3
4
1
2
12
13
Rango
Promedio
tj
t j (t j 1)(t j + 1)
2
4.5
8.5
10.5
3
2
2
2
24
6
6
6
1 4
t j (t j 1)(t j + 1) = 21
2 j =1
Reemplazando a la frmula siguiente, se tiene:
N( N +1)
47
4
=
= 276
Z=
.
4
310 21
N( N +1)( 2N +1) 1
t j (t j 1)(t j +1)
24
2 j =1
T
6. Regin de rechazo o aceptacin: La regin de rechazo consiste en todo los

valores de Z (obtenido de T), tan extremos como la probabilidad asociada
cuando Ho: es verdadera, cuyo valor es igual o menor que (p ).
7. Decisin: Se encontr una Z = -2.76, este valor se busca en la tabla de la
distribucin normal P( z 2.76 ) = 0.0029 p = 0.0029 =0.05, entonces se
rechaza la Ho:, y se acepta la Ha: Para dos colas 2x0.0029=0.0058 =0.05,
entonces se rechaza la Ho:, es decir existe suficiente evidencia para afirmar
que los pesos de los estudiantes extranjeros han incrementado al final del ao.
EJERCICIO:
1. Se reunieron los siguientes datos acerca del funcionamiento pulmonar en nios
con distrofia muscular, antes y despus de un perodo de terapia respiratoria.
Los resultados se expresan como porcentajes de los valores normales
pronosticados por estatura, peso y medida de la superficie corporal.
Antes
Depus
74
79
65
78
Capacidad pulmonar forzada (litros)

84
89
84
65
78
86
100
92
104
70
81
84
83
85
82
90
a) Utilizar la prueba de los signos para determinar si la terapia es efectiva.

b) Desarrollar con la prueba de Wilcoxon para determinar si la terapia es efectiva.
c) Comparar las dos pruebas desarrolladas e interpretar.
Usar = 0.05. Cul es el valor de p?.

2. Un maestro quiere determinar si el ingreso temprano a la escuela podra afectar
el IQ. El mentor consigue la ayuda de los padres de 17 parejas de gemelos
idnticos en edad pre-escolar; los tutores estn de acuerdo en que sus hijos
participen en el experimento. Un miembro de cada pareja de gemelos entra a
pre-escolar, a la edad de 2 aos, mientras que el otro miembro de la pareja
permanece en casa. Al final de los 2 aos, se mide el IQ de todos los nios, para
obtener la siguiente tabla.
IQ
Pareja
Gemelo en la Escuela
Gemelo en la casa
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17
110 121 107 117 115 112 130 116 111 120 117 106 120 128 119 123 108
114 118 103 112 117 106 125 113 109 122 116 104 107 123 115 117 104
a) Desarrollar con la prueba de Wilcoxon para determinar si los gemelos difieren.

Usar = 0.05 (dos colas). Cul es el valor de p?.
3
DOS MUESTRAS INDEPENDIENTES
3.1. Prueba Exacta de Fisher para tablas de 2x2
CONDICIONES:
- Se utiliza para dos muestras independientes y menores o iguales a 15 (N 15).
- Se usa para dos muestras independientes al azar que caen dentro de una de dos
clases mutuamente excluyentes.
- La prueba de la probabilidad exacta de Fisher para tablas de 2x2 es un tcnica
para analizar datos discretos (tanto nominales como ordinales) cuando dos
muestras independientes son pequeas.
- No es necesario que ambas muestras sean del mismo tamao. Se asume N como
el total de datos indpendientes.
- La prueba determina si los dos grupos difieren en las proporciones en donde
caen dentro de cualquiera de las clasificaciones.
MTODO:
- Se ordenan los datos en una tabla de 2x2.
- Se calculan los totales marginales de la tabla de contingencia.
Variable
+
Total
GRUPO
I
II
Combinacin
A+B
C
A+C
D
B+D
C+D
N

El clculo de la probabilidad (p) es:
p=
(A + B)!(C + D)!(A + C)!(B + D)!

N!A!B!C!D!
- La decisin de aceptar o rechazar la Ho:, depende del clculo de la probabilidad,

mediante una prueba de significacin, utilizando la tabla de valores crticos
para D o B de la tabla de Fisher de la siguiente forma:
i) Se determina A+B y C+D de los datos.
ii) Se ubica en la tabla el encabezado de totales en el margen derecho y debajo
de este A+B y luego C+D.
iii) Se ubicar el valor de B.
iv) Si el valor observado de D es menor o igual que el valor D de la tabla, a un
alfa ( ) dado, entonces los datos observados son significativos en ese valor.
v) Si el valor B observado no se encuentra en la tabla, se toma el valor observado
A, y entonces el valor C observado ocupa el lugar de D en el paso anterior.
vi) La tabla de Fisher es para regiones de rechazo de una cola, para dos colas se
duplicar el nivel de significacin dado en la tabla.
En resumen, estos son los pasos para utilizar la tabla del Anexo.
1. Determine los totales por rengln y columna. Denote el valor total de columna
o rengln como S1. Denote el total que le siga (en forma ascendente) como S2.
La tabla siguiente, puede ayudarnos en la visualizacin del procedimiento. El
lector notar que si S1 es un total de rengln, S2 ser un total de columna.
X
S2
S1
Frecuencia ms pequea
N
Segunda frecuencia ms pequea
2. X es la frecuencia observada en la celdilla donde se cruzan los valores ms

pequeo y el segundo ms pequeo de rengln y columna.
3. Localice el rengln (N, S1, S2, X) en la tabla del Anexo. Hay tres entradas. La
primera de ellas, Obs., es la probabilidad unidireccional de observar una
diferencia igual o ms extrema que la que se observ. La segunda entrada es la
probabilidad de observar una diferencia grande o mayor en la direccin opuesta.
Finalmente, la tercera entrada, Total, es la probabilidad bidireccional de
observar una diferencia grande o mayor que la observada en cualquier direccin.
Estadstica No Paramtrica Aplicada a la Ganadera - 49 4. Oriente y rotule la tabla para asegurar que las entradas son consistentes con la
hiptesis.
EJEMPLO:
Se quiere determinar la proporcin de las razas de vacas Brown Swiss y Holsten
que han sido inseminados artificialmente y se desea saber cuntos son preadas y
vacas. El cuadro siguiente ayudar mejor para visualizar.
Preadas
No preadas
TOTAL
Brown swiss
3
5
8
Holsten
4
6
10
TOTAL
7
11
18
Ho: El nmero de vacas preadas de la Raza Brown swiss es igual nmero de
vacas preadas de la Raza Holsten.
Ha: El nmero de vacas preadas de la Raza Holsten es mayor al nmero de
vacas preadas de la Brown swiss .
2. Prueba Estadstica: Se seleccion la prueba exacta de Fisher para realizar el
anlisis de los datos.
3. Nivel de Significacin: = 0.05 y N = 18
4. Distribucin muestral: Se calcular con la siguiente frmula:
p=
(A + B)!(C + D)!(A + C)!(B + D)!

N!A!B!C!D!

Se sabe que N = 18, entonces se tiene que:
p=
7!11!8!10!
= 0.3695
18!3!4!5!6!
6. Regin de Rechazo: p
Ho:
= 0.05, es decir p > 0.05, entonces se rechaza la
7. Decisin: Existe evidencia suficiente para afirmar que las vacas preadas de
la raza Holsten son superiores al nmero de vacas preadas de Brown swiss.

3.2. PRUEBA JI-CUADRADO PARA DOS MUESTRAS INDEPENDIENTES
En el anlisis de los datos de investigacin, el investigador necesita decidir si
varias muestras independientes pueden considerarse provenientes de la misma
poblacin. La hiptesis de investigacin es que las k poblaciones son diferentes y
la hiptesis estadstica que va a ser evaluada es Ho: Pob1 = Pob2 = ... = Pobk. El
investigador extrae una muestra de cada poblacin. Los valores de la muestra casi
siempre de alguna manera varan; por tanto, el problema es determinar si las
diferencias observadas en las muestras significan realmente diferencias en las
poblaciones respectivas o si son meramente el tipo de diferencias que se pueden
esperar entre las distintas muestras al azar de la misma poblacin.
En este tema se presentarn procedimientos para evaluar la significacin entre
tres o ms muestras o grupos independientes. Es decir, tcnicas estadsticas para
evaluar la hiptesis nula de que las k muestras independientes se han extrado de la
misma poblacin o de k poblaciones idnticas. Se debe distinguir entre dos tipos de
pruebas para k muestras. El primer tipo de pruebas se utiliza para analizar datos de
k muestras igualadas u observaciones repetidas de una sola muestra, y la otra se
refiere a pruebas estadsticas no paramtricas para esta clase de datos. La segunda de
las pruebas para k muestras es apropiada para analizar datos de k muestras
independientes. La prueba paramtrica usual para evaluar si varias muestras
independientes provienen de la misma poblacin, es el anlisis de varianza unifactorial
o prueba F. Los supuestos asociados con el modelo estadstico que subyace a la prueba
F son que las observaciones fueron extradas independientemente de poblaciones
normalmente distribuidas y que todas ellas tienen la misma varianza. Para una
interpretacin verdaderamente significativa de los resultados de la prueba F, el requisito
de las mediciones de la variable debe estar, al menos, en una escala de intervalo.
Si un investigador encuentra que tales supuestos son inapropiados para los datos
derivados del problema de investigacin, puede utilizarse una de las pruebas
estadsticas no paramtricas para k presentadas. La eleccin de una prueba en
particular depende de la naturaleza de los datos y de las suposiciones que debe hacer
el investigador. Algunas de las pruebas descritas en esta parte pueden aplicarse con
datos que son necesariamente categoras (datos en escala nominal) y algunas otras lo
hacen con rangos (datos en escala ordinal).
FUNCIN: Cuando los datos experimentales consisten en frecuencias en
categoras discretas (nominales o categricas y, en ocasiones, ordinales), puede
utilizarse la prueba Ji-cuadrada para evaluar la significacin de las diferencias entre
k grupos independientes. La prueba Ji-cuadrada para k muestras o grupos
independientes es una sencilla extensin de la prueba Ji-cuadrada para dos muestras
Estadstica No Paramtrica Aplicada a la Ganadera - 51 independientes. En general, la prueba es similar tanto para dos como para k muestras
o grupos independientes.
MTODO: El mtodo de calcular el estadstico de la prueba Ji-cuadrado para
muestras independientes se describir brevemente, junto con un ejemplo de su
aplicacin. Para aplicar la prueba Ji-cuadrada, primero debemos presentar los datos
(frecuencias) en una tabla r X k donde los datos en cada columna corresponden a las
frecuencias en cada una de las r categoras de respuesta para cada uno de los k grupos
o muestras diferentes. La hiptesis nula es que la k muestras de frecuencias provienen
de la misma poblacin o de poblaciones idnticas. Esta hiptesis, de que las k
poblaciones no difieren entre s, puede evaluarse aplicando las ecuaciones a) o b)
PROCEDIMIENTO:
1. Hiptesis Estadstica (Planteamiento de la hiptesis respectiva).
2. Nivel de significacin , N
3. Prueba Estadstica: Se elige la prueba de Ji-cuadrada observada, ya que los
datos presentan por lo menos en escala ordinal, y presentan categoras.
4. Distribucin muestral: La frmula de Ji-cuadrada se presenta a continuacin:
2c
d
=
r
ij
eij =
r
eij
i =1 j = 1
eij
(2r 1 )( k 1 ) ,
....... a)
i . . j
..
k
=
2
c
i =1 j =1
ij2
eij
(2r 1 )( k 1 ) ................... b)
Donde:
i.
=Es el total observado por la i-sima fila.
.j
= Es el total observado por la j-sima columna.
..
= Es el total general (tamao de muestra).

r = nmero de filas.
k = nmero de columnas.
5. Clculo de la prueba estadstica: Se realiza el procedimiento de clculo de la
prueba estadstica Ji-cuadrada.
Si 2c (2r 1 )( k 1 ), se acepta la Hiptesis Nula (Ho).
2
2
Si c > ( r 1 )( k 1 ), se rechaza la Hiptesis Nula y se acepta la Ha.
7. Decisin: Se tomar la decisin en base al clculo efectuado en el paso 5.

Cundo utilizar la prueba Ji-cuadrada
La Ji-cuadrada requiere que las frecuencias esperadas eij en cada celdilla no sean
demasiado pequeas. Cuando son demasiado pequeas, la prueba puede, no ser la
ms apropiada. Cochran (1954) y otros autores hacen algunas recomendaciones al
respecto.
3.3. TABLAS DE CONTINGENCIA CON gl > 1
Cuando r es mayor que 2 (y, por tanto gl > 1), puede utilizarse la prueba Jicuadrado si menos del 20% de celdillas tienen una frecuencia esperada menor que
cinco y si no hay celdillas con frecuencia esperada menor que uno. Si estos requisitos
no son cubiertos por los datos en la forma en que originalmente fueron recolectados,
el investigador deber combinar categoras adyacentes para incrementar las frecuencias
esperadas en las celdillas de que se trate. Slo despus de combinar categoras para
cubrir los requisitos anteriores, los valores de tabla para la distribucin de la Jicuadrada pueden ser lo suficientemente cercanos a la distribucin muestral de la Jicuadrada.
Cuando gl > 1, las pruebas Ji-cuadradas son insensibles a los efectos del orden, y
as, cuando una hiptesis tiene en cuenta el orden, la Ji-cuadrada puede no ser la
mejor prueba.
EJEMPLO:
Se tiene los datos de 816 vacas en edad reproductiva, manejado bajo tres sistemas
de alimentacin, en la que se les ha inseminado artificialmente con semen probado,
al estado fisiolgico de celo. Los resultados obtenidos en este estudio sobre dinmica
reproductiva son:
Estadstica No Paramtrica Aplicada a la Ganadera - 53 Tipo de alimentacin

Condicin de la vaca Alfalfa Pasto Natural Conc. + Pasto natural
Gestantes Probadas
52
119
174
Gestantes sospechosas 47
46
56
Vacas probadas
240
47
35
Total
339
212
265
Total
345
149
322
816
Hay alguna asociacin entre tipo de alimentacin y fertilidad de las vacas?

Ho: No existe asociacin entre el tipo de alimentacin y fertilidad de las vacas.
Ha: Existe asociacin entre el tipo de alimentacin y fertilidad de las vacas.
2. Nivel de significacin: = 0.01, N = 816
3. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrada, ya la
informacin est por lo menos en escala ordinal, y adems presenta en
categoras de tipo de alimentacin y condicin de la vaca.
4. Distribucin muestral: Est dada por la ecuacin siguiente:
d
=
2c
i =1 j =1
ij
eij
eij
(2r 1 )( k 1 )

- Para resolver ste problema, en primer lugar procedemos a estimar los
valores esperados.
e11 =
339( 345 )
= 143.33
816
e31 =
265( 345 )
= 112 .04
816
e12 =
339( 149 )
= 61.90
816
e32 =
265( 149 )
= 48.39
816
e13 =
339( 322 )
= 133.77
816
e33 =
265( 322 )
= 104.57
816
e21 =
212( 345 )
= 89 .63
816
e22 =
212( 149 )
= 38.71
816
e23 =
212( 322 )
= 83.66 ,
816
Los grados de libertad a estimarse para muestras es:

G.L. = (r-1)(k-1) donde, r = Nmero de filas y k = Nmero de columnas.

A continuacin se forma una matriz con los valores esperados:
Condicin de la vaca
Gestantes Probadas
Gestantes sospechosas
Vacas probadas
Total
Tipo de alimentacin
Alfalfa Pasto Natural Conc. + Pasto natural
143.33
89.63
112.04
61.90
38.71
48.39
133.77
83.66
104.57
339.00
212.00
265.00
Total
345.00
149.00
322.00
816.00
- Estimacin de Ji-cuadrada: Para facilitar el clculo se prepara una matriz como:

Categoras
Gestante prob. con alfalfa
Gestante prob. con past. natur.
Gestante prob. con conc.+ pas tos nat.
Gestante sospechos a con alfalfa
Gest. sospech. con pastos nat.
Gest. Sos pech. con conc.+Pastos nat.
Vaca con alfalfa
Vaca con pasto natural
Vaca con conc. + pas to natural
Oij
52
119
174
47
46
56
240
47
35
eij (Oij - eij )

143.33
-91.33
89.63
29.37
112.04
61.96
61.90
-14.90
38.71
7.29
48.39
7.61
133.77
106.23
83.66
-36.66
104.57
-69.57
( Oij eij )2 eij

58.1956
9.6240
34.2649
3.5866
1.3729
1.1968
84.3598
16.0645
46.2846
2c = 254.9496
d e i = (52-144.33) + (119-89.63) +L+ (35-104.57)

2
2c =
i =1 j =1
ij
ij
eij
144.33
89.63
104.57
= 2549496
.

Si 2c 24 ,0.01 = 13.28 se acepta la Hiptesis Nula (Ho).
Si 2c > 24 ,0.01 = 13.28 se rechaza la Hiptesis Nula y se acepta la Ha.
7. Decisin: Como 2c = 254.9496 > 24 ,0.01 = 13.28 , entonces se rechaza la Ho:, es
decir existe evidencia suficiente para afirmar que el tipo de alimentacin influye
sobre la condicin de la vaca.
EJEMPLO:
A una muestra al azar de 500 electores registrados (200 residentes urbanos, 200
suburbanos y 100 rurales) se les pidi su opinin acerca de la legislacin propuesta
por el gobernador. Esta muestra evidencia respaldo a la hiptesis que los electores
dentro de los diferentes grupos de residencia tienen opiniones diferentes acerca de la
propuesta del gobernador?. Para este problema use a = 0.05
Estadstica No Paramtrica Aplicada a la Ganadera - 55 Tipo de

Residencia
Urbana
Suburbana
Rural
Total
Propuesta del gobernador

Favorable
Opuesta
143
57
98
102
13
87
254
246
Total
200
200
100
500
Chi-cuadrado calculado = 91.72

Realizando el siguiente programa en el Editor de Sintxis, se tiene:
data list free/v1 to v3.
begin data.
1
1
143.00
1
2
57.00
2
1
98.00
2
2
102.00
3
1
13.00
3
2
87.00
end data.
weight by v3.
crosstabs v1 by v2/statistic chisq.
Una vez ejecutado el programa, los datos se trasladan a la hoja del SPSS, en esta
hoja, se puede proceder en forma habitual, siguiendo los pasos anteriores. A
continuacin presentamos la pantalla tpica del SPSS con sus partes, en el cual
observamos la informacin disponible para realizar los anlisis estadsticos, segn
sea el caso.
Para calcular la prueba de Chi-cuadrado con el paquete estadstico de SPSS, se

seleccione la opcin del men: ANALZE > DESCRIPTIVE STATISTICS >
CROSSTABS, entonces se presenta la siguiente caja de dilogo.
Estadstica No Paramtrica Aplicada a la Ganadera - 57 En el cajn de dilogo anterior, se debe especificar el tipo de prueba que uno
desea efectuar, para esto se presiona el botn izquierdo en la ficha STATISTICS, y
aparece los diferentes tipos de pruebas que uno puede escoger para analizar los datos
de acuerdo a la informacin que se presente, tal como aparece a continuacin:
Efectuado los procedimientos correctos, los resultados aparecen en forma detallada

a continuacin:
V1 * V2 Crosstabulation
Count
V2
1
V1
Total
1
2
3
2
143
98
13
254
57
102
87
246
Total
200
200
100
500
Chi-Square Tests
Pearson Chi-Square
Likelihood Ratio
Linear-by-Linear
Association
N of Valid Cases
Value
91.715a
99.517
89.453
2
2
Asymp.
Sig.
(2-sided)
.000
.000
.000
df
500
a. 0 cells (.0%) have expected count less than 5. The

minimum expected count is 49.20.
EJERCICIOS:
1. Un investigador quiere probar la hiptesis de que el partido en el poder, en una
determinada comunidad resulta decisivo a la hora de la seleccin de personas
para puestos de la administracin. Para poner a prueba esta posibilidad,
considera las variables PARTIDO DE PERTENENCIA con las categoras
MISMO QUE EL PODER, DIFERENTE O NINGUNO, y TIPO EMPRESA,
con las categoras ADMINISTRACION PUBLICA y EMPRESA PRIVADA.
El investigador recogi una muestra de 360 trabajadores de su comunidad. La
tabla que debe construirse con estas dos variables, debe poseer 2x3 = 6 casillas.
Tal como se presenta a continuacin:
EMPRESA
Pblica
Privada
Total
Partido de pertenencia
Mismo
Diferente
Ninguno
80
65
40
20
75
80
100
140
120
Total
185
175
360
2c = 49.8083
2. Quinientos empleados de una empresa que fabrica cierto producto, sospechoso
de estar asociado con alteraciones respiratorias, se clasificaron en forma cruzada
con base en su grado de exposicin al producto y si tenan o no los sntomas de
tales alteraciones respiratorias. Los resultados se muestran en la siguiente tabla.
Estadstica No Paramtrica Aplicada a la Ganadera - 59 Sntomas

presentes
SI
NO
Total
Alto
185
120
305
NIVELDEEXPOSICIN
Limitado Sin exposicin conocidta
33
17
73
72
106
89
Total
235
265
500
Proporcionan estos datos la evidencia suficiente para indicar que, en un nivel de

significacin de 0.1, existe una relacin entre el grado de exposicin y la presencia
de los sntomas de las alteraciones respiratorias?.
3. Quinientos nios de escuela primara fueron clasificados en forma cruzada de
acuerdo con el grupo socioeconmico al que pertenecen y la presencia o ausencia
de cierto defecto en el lenguaje. Los resultados fueron los siguientes:
Defecto del
lenguaje
Presente
Ausente
Total
Alto
8
42
50
GRUPO SOCIO-ECONMICO
Medio Alto Medio Bajo
24
32
121
138
145
170
Bajo
27
108
135
Total
91
409
500
Son compatibles estos datos con la hiptesis de que el defecto en el lenguaje no

est relacionado con el grupo socioeconmico?.
3.4. Tabla de Contingencia de 2x2
Tal vez el ms comn de los usos de la prueba Ji-cuadrado sea el de evaluar si
un conjunto de frecuencias observadas en una tabla de contingencia de 2x2 pudieran
ocurrir siendo Ho: verdadera. Cuando aplicamos la prueba Ji-cuadrado a datos donde
tanto la r como la c son iguales a 2, entonces se debe utilizar la siguiente ecuacin:
=
2
c
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
gl = 1 ................ (3.4a)
Esta ecuacin es ms fcil de aplicar, en vista de que slo se requiere una divisin
en todo el clculo. Adems tiene la ventaja adicional de incorporar una correccin
para la continuidad, la cual mejora notablemente la aproximacin de la distribucin
2
muestra de la calculada a la distribucin de la Ji-cuadrada.

EJEMPLO:
Un criador de vacunos de diferentes razas, afirma que la raza Brown swiss tiene
mejor porcentaje de fertilidad a la Inseminacin artificial en altura que la raza
Simmenthal. Un investigador quiere probar lo dicho de s los vacunos se fertilizan o
no a la inseminacin artificial es independiente de la raza:
Caractersticas
Fertilizados
No fertilizados
Total
Valores observados
Brown swiss
Criollo
97
69
42
83
139
152
Total
166
125
291
SOLUCIN:
Ho: La probabilidad de conseguir fertilizar, vacas por medio de la Inseminacin
artificial es independiente de la raza del vacuno.
Ha: La probabilidad de conseguir fertilizar, vacas por medio de la Inseminacin
artificial es dependiente de la raza del vacuno.
2. Nivel de significacin: = 0.05. Para esto el investigador examina los rcords
de 3 aos atrs de las dos razas y clasifica los resultados, obtenindose los
siguientes resultados:
3. Prueba Estadstica: Se usar la prueba Ji-cuadrada con correccin por
continuidad, y adems la informacin se encuentra en una tabla de contingencia
de 2x2.
4. Distribucin Muestral: Se utiliza la siguiente ecuacin:
=
2
c
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
FG O e 1IJ
H
2K
=
r
que es equivalente a:
ij
2
c
i=1 j=1
gl = 1
,
2
ij
eij

Intuitivamente, los datos parecen confirmar lo dicho por el criador.
Estadstica No Paramtrica Aplicada a la Ganadera - 61 Calculando los valores esperados: eij =

e11 =
( yi. )( y. j )
y..
( 139 )( 166 )
( 139 )( 125 )
= 79.29 , e12 =
= 59.71 y as sucesivamente,
291
291
siendo e21 = 86.71 y e22 = 65.29

Organizando los datos:
cOe 05. h
Valor observado Valor Esperado

Caracterstica
Fertilizadas en Brown swiss
No fertilizadas en Brown swiss
Fertilizadas en Simmenthal
No fertilizadas en Simmenthal
Oi
97
42
69
83
ei
79.29
59.71
86.71
65.29
ei = 291.00
Oi = 291
ei
3.7354
4.9604
3.4158
4.5364
2
= 16.648
c
O, tambin se puede calcular con la siguiente ecuacin:
=
2
c
h = 16644
.
291 97x83 69x42 291 2

(166)(125)(139)(152)
6. Regin de rechazo y aceptacin: H0: gl = = (r-1)(k-1) = , donde r = 2 y k = 2.

2
Luego gl. = (2-1)(2-1) = 1, luego 20.05,1 = 3841
. , luego si c es mayor que a
2t = 3.841 entonces, se rechaza la H0.

7. Decisin: Como c = 16.648 es mayor a t = 3.841, entonces se rechaza la
H0. y conclumos que la probabilidad de fertilizar en mayor porcentaje a vacas
por medio de la inseminacin artificial es dependiente de la raza de vacuno.
2
EL CASO DE 2x2
Si las frecuencias se encuentran en una tabla de contingencia de 2 x 2, la
decisin concerniente al uso de la Ji-cuadrada debe basarse en las siguientes
condiciones:
a. Cuando N 20, siempre se utiliza la prueba exacta de Fisher.
b. Cuando 20 < N < 40, la prueba Ji-cuadrada (3.4a) puede utilizarse si las

frecuencias esperadas son cinco o ms. Si la frecuencia esperada ms pequea
es menor que cinco, use la prueba exacta de Fisher.
c. Cuando N > 40, utilice la prueba Ji-cuadrada corregida para la continuidad, es
decir, utilice la ecuacin (3.4a).
EJERCICIOS:
1. Se tiene la informacin sobre el consumo de carne de alpaca en la ciudad de
Puno, segn el lugar de procedencia (zona alpaquera y no alpacquera), se
entrevisto a 154 adultos de ambos sexos. La informacin se presenta c
continuacin:
Consumo de
carne de alpaca
SI
NO
TOTAL
Lugar de Procedencia
Zona alpaquera Zona no alpaquera
31
63
8
52
39
115
TOTAL
94
60
154
Pruebe si existe dependencia entre los dos variables. Use la confiabilidad al

95% de seguridad.
2. En un consultorio se trat a un grupo de personas que se quejaban de insomio,
dndole a todas pastillas para dormir y a otros pastillas de azcar (que hacan
creer que eran para dormir). Despus de someterlos a observacin, se obtuvo el
siguiente resultado:
Tratamiento
Pastillas para dormir
Pastillas de azcar
TOTAL
Durmieron
35
45
80
no durmieron
5
15
20
TOTAL
40
60
100
Prueba al nivel del 95% que no existe diferencia. (Rpta. 2.344)

3. A un grupo de 350 adultos que participaron en una encuesta de salud, se les
pregunt si llevaban o no una dieta. Las respuestas (por sexos) son las siguientes:
Tratamiento
A dieta
Sin dieta
TOTAL
Masculino
14
159
173
Femenino
25
152
177
TOTAL
39
311
350
Sugieren estos datos que el estar a dieta depende del sexo?. Use
(Rpta. 3.2183)
= 0.05
Estadstica No Paramtrica Aplicada a la Ganadera - 63 4. Un estudio de 190 embarazos proporcion los siguientes datos sobre la relacin
que existe entre la hipertensin de la madre y cierta complicacin del embarazo.
cierta complicacin
del embarazo
Presente
Ausente
TOTAL
Madre hipertensiva
S
No
23
55
12
100
35
155
TOTAL
78
112
190
Proporcionan estos datos la evidencia suficiente para indicar que las dos
condiciones no son independientes?. Use = 0.05, (Rpta. 10.78)
5. Durante una epidemia de clera, se obtuvieron los siguientes datos sobre la
efectividad de una vacuna como medida preventiva.
Tratamiento
Vacunado
No vacunados
TOTAL
Enfermos
192
113
305
No enfermos
4
34
38
TOTAL
196
147
343
Proporcionan estos datos la evidencia suficiente para indicar que las dos
condiciones no son independientes?. Use = 0.05, (Rpta. 37.92)
3.5. PRUEBA DE LA MEDIANA
CONDICIONES:
- Es un procedimiento para evaluar si dos grupos independientes difieren en
sus tendencias culturales.
- Proporciona informacin acerca de qu tan probable es que dos grupos independientes (no ncesariamente del mismo tamao) hayan sido extrados de la
misma poblacin con la misma mediana.
- La hiptesis nula plantea que los dos grupos son de la misma poblacin y
tienen la misma mediana.
- La hiptesis alterna puede plantear que la mediana de una poblacin es diferente de la otra poblacin (si es prueba bidireccional) o que la mediana de una
poblacin es superior que la de la otra poblacin (si es prueba unidireccional).
- La prueba puede utilizarse cuando las puntuaciones de los dos grupos se miden en al menos una escala ordinal.
- Puede no existir una prueba alterna a la prueba de la mediana, an para datos
en escala de intervalo. Esto ocurre cuando una o ms de las observaciones
estn fuera de la escala y truncadas hacia el mximo (o mnimo) de las
observaciones previamente asignadas.

MTODO:
- Determinar primero las puntuaciones de la mediana para el grupo combinado
(es decir, la mediana para todas las puntuaciones en ambas muestras).
- Dicotomizar (dividir) ambos conjuntos de puntuaciones a partir de la mediana combinada y presentar estos datos en una tabla de 2x2, de la siguiente
manera:
Prueba de la mediana: Formato para los datos.
Nmero de puntuaciones combinadas por debajo de la mediana

Nmero de puntuaciones combinadas por arriba de la mediana
TOTAL
GRUPO
I
II
A
B
C
D
m
n
Combinados
A+B
C+D
N= m+ n
- Los grupos I y II son muestras de poblaciones cuyas medianas son las mismas,
esperaramos que alrededor de la mitad de las puntuaciones de cada grupo
estuviera por arriba de la mediana combinada y que la otra mitad estuviera
por debajo, es decir tanto las frecuencias A y C como B y D fueran iguales.
- Si el nmero total de casos en ambos grupos (m = n) es pequeo, se puede
utilizar la prueba exacta de Fisher para probar la Ho:
- Si el nmero total de casos es suficientemente grande, se puede utilizar la
prueba Ji-cuadrada con gl = 1 para evaluar la Ho:
- Para analizar datos divididos por la mediana, el investigador debe guiarse por
las siguientes consideraciones, a fin de realizar una buena eleccin entre la
prueba exacta de Fisher y la Ji-cuadrada para tablas de 2x2.
2
i) Cuando N = m + n es mayor que 20, utilice la corregida para la continuidad de la ecuacin siguiente:
=
2
c
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
ii) Cuando N = m + n = 20 o menor, utilice la prueba exacta de Fisher.

- Varias puntuaciones pueden caer exactamente en la mediana combinada. Si
esto sucede, el investigador tiene dos opciones:
i) Los grupos pueden ser dicotomizados en aquellas puntuaciones que exceden a la mediana y aquellas puntuaciones que no exceden.
ii) Si (m+n) es grande y slo pocos casos caen exactamente en la mediana
combinada, esos pocos casos pueden ser eliminados del anlisis.

Existe una diferencia entre el nivel de salud mental de los alumnos de secundaria de una rea rural y los de una rea urbana?. La informacin se presenta a
continuacin:
Calificaciones del nivel de salud mental de estudiantes de secundaria
Urbana
35 26 27 21 27 38 23 25 25 27 45 46 33 26 46 41
Rural
29 50 43 22 42 47 42 32 50 37 34 31
SOLUCIN:
1. Hiptesis estadstica: H 0 : MU = M R versus H a : MU M R
2. Nivel de significacion: = 0.05
3. Estadstica de prueba: Como se muestra en el siguiente anlisis, la estadstica
2
de prueba es , y se calcula con la frmula anterior para una tabla de contingencia de 2x2.
4. Distribucin de la prueba estadstica: Cuando Ho: es verdadera y las suposicio2
nes se cumplen, sigue una distribucin semejante a la de Ji-cuadrada con
1 grado de libertad.
2
5. Regin de Aceptacin y Rechazo: Se rechaza Ho: si el valor de 3.841.
6. Clculo de la prueba estadstica: El primer paso para calcular la estadstica de
prueba es calcular la mediana comn de las dos muestras combinadas. Esto se
hace al arreglar las observaciones en orden ascendente y, dado que el nmero
total de observaciones es par, se obtiene la media de los dos valores centrales.
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
21 22 23 25 25 26 26 27 27 27 29 31 32 33 34 35 37 38 41 42 42 43 45 46 46 47 50 50
Mediana = (33+34)/2 = 33.5

A continuacin se determinan para cada grupo el nmero de observaciones
que caen por encima y por debajo de la mediana comn. Las frecuencias resultantes
se arreglan en una tabla de 2x2, tal como se presenta en seguida.
Los datos estn ordenados en forma ascendente para ambos grupos.
Urbano 21 23 25 25 26 26 27 27 27 33 35 38 41 45 46 46
Rural
22 29 31 32 34 37 42 42 43 47 50 50
Calificaciones de nivel de salud mental de estudiantes de secundaria.

Urbana Rural TOTAL
Nmero de calificaciones arriba de la mediana
6
8
14
Nmero de calificaciones abajo de la mediana
10
4
14
TOTAL
16
12
28
2c =
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
28 6x4 8 x10 28 2
(14)(14)(16)(12)
= 1.3125
7. Decisin: Puesto que c = 1.3125 < 3.841, el valor crtico de Ji-cuadrada con
1 grado de libertad, entonces no es posible rechazar la hiptesis nula (Ho:) con
base en estos datos, es decir se concluye que las dos muestras probablemente se
extrajeron de poblaciones con medianas iguales.
2
EJERCICIOS:
1. Se revisaron 15 expedientes de pacientes de dos hospitales y se asign una calificacin diseada para estimar el nivel de atencin recibida. Las calificaciones fueron los siguientes:
Hospital A
Hospital B
99
78
85
74
73
69
98
79
83
57
88
78
99
79
80
68
74
59
91
91
80
89
94
55
94
60
98
55
80
79
Es posible concluir, a un nivel de significacin de 0.05, que las medianas de las

dos poblaciones son diferentes?. Determine el valor de p.
2. Se obtuvieron los siguientes valores de albmina en el suero de 17 personas
normales y 13 hospitalizados.
Individuos normales
Individuos Hospitaliz.
Albmina en suero (g/100 ml)

2.4 3.5 3.1 4.0 4.2 3.4 4.5 5.0 2.9 3.0 3.2 3.5 3.8 3.9 4.0 3.5 3
1.5 2.0 3.4 1.7 2.0 3.8 3.5 3.1 1.3 1.5 1.8 2.0 1.5
Se concluira, al nivel de significacin de 0.05, que las medianas de las dos

poblaciones de las que se extrajeron las muestras son distintas?. Determine el
valor de p.
3.6. LA PRUEBA DE U DE MANN-WHITNEY (Grupos independientes)
CONDICIONES:
- La prueba de U de Mann-Whitney, se utiliza para probar si dos grupos independientes han sido tomados de la misma poblacin.
- Las variables en estudio deben ser en al menos, escala ordinal.
- Es una de las pruebas no paramtricas ms poderosas y constituye la alternativa
ms til ante la prueba paramtrica t - Student-Fisher cuando el investigador
desea evitar los supuestos de la prueba t o cuando las mediciones de la investigacin se encuentran en una escala inferior a la de intervalo.
- Al igual que todos los ndices que vimos en las medidas de asociacin para
variables ordinales, la U de Mann-Whitney trabaja con rangos, en lugar de las
Estadstica No Paramtrica Aplicada a la Ganadera - 67 puntuaciones originales. Bsicamente, consiste con comprobar lo superior que
es la suma de los rangos de un grupo frente a la suma de los rangos del otro.
- Las dos muestras no son necesariamente de igual tamao.
MTODO:
1. Para aplicar la prueba de U de Mann - Whitney, se empieza por combinar las
observaciones o puntajes de ambos grupos, para clasificar de menor a mayor.
2. Se ordenan los datos de menor a mayor, sin que pierdan su identidad, es decir a
que muestra pertenecen.
3. Sea n1 tamao de muestra del ms pequeo de los dos grupos independientes, y
n2 tamao de muestra ms grande.
4. Se ordenan juntos los puntajes de ambos grupos, asignando el rango de 1 al
puntaje que sea algebraicamente ms bajo. Los rangos van desde 1 hasta N =
n1 + n2 .
5. Si en caso se presentar las observaciones empatadas, se asigna el rango promedio de los rangos ligados.
6. Se determina el valor U, segn sea el caso en las dos formas siguientes:
U = n1n2 +
n1 ( n1 + 1 )
n ( n + 1)
R1 U = n1n2 + 2 2
R2
2
2
Donde:
R1 : Es la suma de rangos asignados al grupo, cuyo tamao muestral es
n1 .
R2 : Es la suma de rangos asignados al grupo, cuyo tamao muestral es
n2 .
De stos dos U calculados, se escoge el menor U, y el otro pasa como U (U

mayor).
- Contando el nmero de veces que un puntaje experimental precede a un puntaje
control. Si el valor de U es muy grande, tal que no se encontrar en la tabla de
valores crticos correspondiente, su probabilidad asociada de U, se transforma
en U = n1 n2 - U
- Cuando no existe el valor U en la tabla de valores crticos, entonces se transforma o bien se puede intercambiar los grupos de tal manera que un puntaje
control preceda a un puntaje experimental.
7. El mtodo para determinar la significacin del valor observado de U depende del
tamao de n2 .
- Si n2 8, la probabilidad exacta asociada con un valor tan pequeo como el
valor observado de U aparace en la tabla de probabilidades asociadas de Mann-

Whitney que contiene las probabilidades de asociacin a la U calculada, para
la prueba de una cola. Para una prueba de dos colas, se duplica el valor de p
obtenido en la tabla (Anexo, J). Si la U observada no aparece en la tabla de
probabilidades asociadas, es U y deber transformarse en U con la frmula
siguiente: U = n1 n2 - U. Si la prueba es de dos colas, se duplica el valor de la
probabilidad asociado a U
8. Si n2 est entre 9 n2 20, la significacin de cualquier valor de U puede determinarse con la tabla de valores crticos de la tabla de Mann-Whitney. Cuando el
valor observado de U sea mayor que n1n2 2, se trata de U, y hay que usar la
frmula U = n1 n2 - U para su transformacin.
- Si n2 >20, la probabilidad asociada con un valor tan extremo como el valor
observado de U puede determinarse calculando el valor de z que es la aproximacin a la distribucin normal Z.
Media = U =
n1n2
n n ( n + n + 1)
, desviacin estndar = U = 1 2 1 2
2
12
U U
Z=
=
U
n1n2
2
~ N ( 0,1 )
n1n2 ( n1 + n2 + 1 )
12
U
Esta Z, se distribuye en forma normal aproximadamente con N(0,1). Para una

prueba de dos colas, se suplica la p que aparece en la tabla Z (Anexo, A). Si la
proporcin de rangos promedio o rangos ligados es muy grande si la probabilidad
p obtenida, se aproxima mucho a , o tiende hacia , entonces hay que corregir
los puntajes que tienen rango promedio mediante la siguiente frmula Z.
Z=
n1n2
2
FG n n IJ FG N N t t IJ
H N ( N 1)K H 12
12 K
3
1 2
3
j
~ N ( 0,1 )
j =1
Donde:
t : Nmero de puntajes correspondiente a un rango promedio, N = n1 + n2
7. Si el valor observado de U tiene probabilidad asociada igual o menor que
, se
Estadstica No Paramtrica Aplicada a la Ganadera - 69 rechaza la Ho: y se acepta la Ha:, es decir P(Ucalculada) , se rechaza la Ho:
Cuando 9 n2 20, se busca el valor en la tabla de valores crticos y se compara
Ucalculada Ucrtico, entonces se rechaza la Ha:
EJEMPLO:
Un cientfico social piensa que los profesores universitarios de Teologa tienen
una orientacin poltica ms conservadora que sus colegas de Psicologa. Una muestra aleatoria de 11 maestros del departamento de Teologa y 14 del departamento de
Psicologa de una universidad local reciben un cuestionario de 50 puntos, que mide
el grado de conservadurismo poltico. Se obtuvieron los siguientes datos. Los puntajes
mayores indican un mayor conservadurismo. Use = 0.05.
Profesores:
Teologa
Psicologa
1
36
13
2
42
25
3
22
40
4
48
29
5
31
10
6
35
26
7
47
43
8
38
17
9
40
12
10
43
32
11
32
27
12
13
14
32
42
35
SOLUCIN:
Ho: Los profesores Universitarios de Teologa tienen la misma orientacin
que los profesores de Psicologa sobre el grado de conservadurismo poltico.
Ha: Los profesores Universitarios de Teologa tienen una orientacin poltica
diferente que los profesores de Psicologa sobre el grado de conservadurismo poltico.
2. Nivel de significacin: = 0.05, n1 = 11, n2 = 14; N = n1 + n2 = 11 + 14 = 25
3. Prueba Estadstica: Los dos grupos de profesores constituyen dos grupos independientes, y los puntajes constituyen una medicin de escala ordinal. Por
estas razones la prueba de U de Mann - Whitney es la apropiada para analizar
los datos.
4. Distribucin Muestral: Como n1 > 10 n2 >10, entonces se usa la siguiente
ecuacin:
Z=
n1n2
2
n1n2 ( n1 + n2 + 1 )
12
U
La probabilidad asociada con la ocurrencia de Ho: de valores tan extremos

como una Z observada, puede determinarse utilizando la tabla de valores
crticos de la distribucin normal (Anexo, A).
5. Regin de rechazo: Si el valor observado de U tiene una probabilidad asocia-

da igual o menor que , entonces rechace la Ho: y se acepta la Ha: (p ).
i) Se ordenan los datos de menor a mayor (ascendente).
ii) Se asignan los rangos de 1 hasta N = n1 + n2 = 11 + 14 = 25. En caso de
empate, asignar el rango promedio.
N
Teologa
Rango_Pre
Rango_Prom
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
V
10
1
1
IX
12
2
2
I
13
3
3
VIII
17
4
4
3
22
5
5
II
25
6
6
VI
26
7
7
XI
27
8
8
IV
29
9
9
5
31
10
10
11
32
11
12
X
32
12
12
XII 6 XIV
32 35 35
13 14 15
12 14.5 14.5
1
36
16
16
8 9 III 2 XIII
38 40 40 42 42
17 18 19 20 21
17 18.5 18.5 20.5 20.5
10
43
22
22.5
VII
43
23
22.5
7
47
24
24
4
48
25
25
Teologa Rango_Pre Rango_Prom Psicologa Rango_Pre Rango_Prom

36
16
16
13
3
3
42
20
20.5
25
6
6
22
5
5
40
19
18.5
48
25
25
29
9
9
31
10
10
10
1
1
35
14
14.5
26
7
7
47
24
24
43
23
22.5
38
17
17
17
4
4
40
18
18.5
12
2
2
43
22
22.5
32
12
12
32
11
12
27
8
8
32
13
12
42
21
20.5
35
15
14.5
R1 = 185
R2 = 140
iii) Se determina el valor de U, con las siguientes ecuaciones:

U = n1n2 +
n1 ( n1 + 1 )
11x12
R1 = 11x14 +
185 = 35
2
2
n2 ( n2 + 1 )
14x15
R2 = 11x14 +
140 = 119
2
2
De estos dos resultados, se escoge el menor U = 35, U = 119
Reemplazando a la frmula Z, se tiene:
U = n1n2 +
Z=
n1n2
11x14
35
42
2
2
=
=
= 2.299
n1n2 ( n1 + n2 + 1 )
11x14( 26 ) 18.2665
12
12
U
Estadstica No Paramtrica Aplicada a la Ganadera - 71 Como existen rangos promedios en ambos grupos independientes entonces, se
realiza la correccin, de la siguiente forma:
Agrupacin
Valor
Rango
Promedio
tj
(t 3j t j ) 12
1
2
3
4
5
32
35
40
42
43
12
14.5
18.5
20.5
22.5
3
2
2
2
2
2
0.5
0.5
0.5
0.5
5
t 3j t j
j =1
12
Z=
U n1n2 2
FG n n IJFG N N t t IJ
H N( N 1)KH 12
12 K
3
1 2
j =1
3
j
42
LM
N
=4
OP =
Q
11x14 253 25
4
25x24 12
.
23028
7. Decisin: Se busca el valor de -2.30 en la tabla de la distribucin Z, y encontramos que la probabilidad es: P( Z 2.30 ) = 0.0107 = 0.05,
p=0.0107 = 0.05, entonces se rechaza la hiptesis Ho: y se acepta la Ha:.
Para dos colas 2x0.0107 = 0.0214 = 0.05, entonces existe suficiente evidencia para afirmar que los profesores universitarios de Teologa tienen una
orientacin poltica diferente que los profesores de Psicologa sobre el grado de
conservadurismo poltico.
3.7. LA PRUEBA DE WILCOXON-MANN-WHITNEY (W-M-W)
(Modificado por Siegel y Castellan).
MTODO:
- Dar el valor de m y n. El nmero de casos en el grupo ms pequeo (denominado X) es m; y los casos del grupo mayor (denominado Y) es n.
- Ordene por rangos las puntuaciones de ambos grupos, asignando el rango 1 a la
puntuacin menor. Los rangos variarn de 1 a N = m + n. Asigne a las observaciones empatadas el promedio de los rangos empatados.

- Determine el valor de WX sumando los rangos del grupo X.
- El mtodo para determinar la significacin de WX depende del tamao de m y n.
a) MUESTRAS PEQUEAS:
Si m 10 y n 10 ( o n 12 para m = 3 o 4), la probabilidad asociada
exacta con un valor tan grande (o tan pequeo) como una WX , se proporciona en la Tabla de probabilidades de los lados inferior y superior para WX de
W-M-W (Anexo, J). Los valores de tablas son probabilidades unidireccionales.
Para pruebas de dos colas, duplique los valores de tablas.
b) MUESTRAS GRANDES:
Si m > 10 o n >10, la probabilidad asociada con un valor tan extremo como
un valor de WX puede determinarse calculando la aproximacin normal
mediante la siguiente ecuacin:
Media = WX =
Z=
m( N + 1 )
mn( N + 1
y Varianza = 2WX =
2
12
WX 0.5 WX
WX
WX 0.5 m( N + 1 ) / 2
mn( N + 1 ) / 12
NOTA: El valor (+0.5) es agregado si deseamos encontrar las probabilidades

en el lado izquierdo de la distribucin y (-0.5) es agregado si deseamos encontrar las probabilidades en el lado derecho de la distribucin.
Y evaluando la significacin de Z, con base en la tabla de la distribucin
normal (Anexo, A). Para una prueba bidireccional, la probabilidad que aparece en tablas debe duplicarse. Si los empates ocurren entre dos o ms observaciones del mismo grupo, el valor de WX no se ve afectado. Pero si los
empates ocurren entre dos o ms observaciones en las cuales se impliquen
puntuaciones de los dos grupos, se afecta el valor tanto de WX como de WY .
Aunque el efecto generalmente es despreciable, tenemos disponible una correccin y puede utilizarse cada vez que empleemos la aproximacin para
muestra grande a la distribucin muestral de WX . El efecto de los rangos
empatados es cambiar la variabilidad del conjunto de rangos. Si el nmero de
empates es grande o si la probabilidad obtenida est muy cercana al nivel de
Estadstica No Paramtrica Aplicada a la Ganadera - 73 significacin escogido ( ), aplique la correccin para los empates, es decir,
use la siguiente ecuacin:
Z=
. m( N +1)/ 2
WX 05
LM mn OPFG( N N ) t t IJ
12 K
N N( N 1)QH 12
3
3
j
2
, Varianza = W
=
X
F
GH
3
mn
N3 N g t j t j
N( N 1) 12
j =1 12
I
JK
j =1
N = m+n
g: El nmero de los distintos grupos de rangos empatados, y
t : Es el nmero de rangos empatados en el j-simo grupo.
- Si el valor observado de WX tiene una probabilidad asociada igual o menor que
, rechace Ho: en favor de Ha:
EJEMPLO:
Se ensay un experimento en alpacas de la raza Huacaya para determinar el uso
estratgico del heno en pocas crticas de las diferentes fases productivas y
reproductivas y comparar con alpacas del grupo control (testigo) sin la suplementacin,
para lo cual se ha registrado el peso de destete (kg) de ambos grupos. La informacin
se presenta a continuacin:
N de alpacas
Peso Destete Control
Peso Destete Exptal.
1
2
3
4 5 6 7 8 9 10 11 12 13 14 15
25.5 20.5 25.5 22.5 26.5 24.0 21.0 25.0 24.5 21.5 26.0 24.5 27.5 24.0 26.0
29.5 32.0 25.0 26.0 26.5 27.5 27.0 26.5 27.5 32.0 24.0 24.0
SOLUCIN:
Ho: No existe incremento de peso al destete en alpacas suplementadas con
heno frente a las alpacas del grupo control mantenidas en pastos naturales.
Ha: Existe el incremento de peso al destete en alpacas suplementadas con
heno frente a las alpacas del grupo control que son mantenidas en pastos
naturales.
2. Nivel de significacin: = 0.05, m = 12, n = 15, N = 12 + 15 = 27
3. Prueba Estadstica: Los dos grupos de alpacas al destete, constituyen dos grupos independientes, y los puntajes constituyen una medicin de escala ordinal.
Por estas razones la prueba Wilcoxon-Mann - Whitney es la apropiada para
analizar los datos.

4. Distribucin Muestral: Como m >10 n>10, entonces se usa la siguiente
ecuacin:
WX 0.5 m ( N + 1 ) 2
mn( N + 1 )
12
5. Regin de rechazo: Al recurrir a la tabla de distribucin normal, encontramos
que la probabilidad asociada para aceptar o rechazar Ho:, es decir (p ).
i) Se ordenan los datos de menor a mayor (ascendente).
ii) Se asignan los rangos de 1 hasta N = m + n=121 + 15 = 27. En caso de
empate, asignar el rango promedio.
Z=
Orden
2 7
Peso Destete 20.5 21.0
Rango_Previo 1 2
Rango_Prom. 1 2
10
21.5
3
3
4
22.5
4
4
Grupo
Orden Control
1
25.5
2
20.5
3
25.5
4
22.5
5
26.5
6
24.0
7
21.0
8
25.0
9
24.5
10
21.5
11
26.0
12
24.5
13
14
15
Total
27.5
24.0
26.0
6
24.0
5
6.5
14
24.0
6
6.5
XI
24.0
7
6.5
XII 9
12 8 III
24.0 24.5 24.5 25.0 25.0
9
10 11 12
8
6.5 9.5 9.5 11.5 11.5
Ragno
Promedio
13.5
1
13.5
4
19
6.5
2
11.5
9.5
3
16
9.5
23
6.5
16
Wy = 154.50
1 3 11 15
25.5 25.5 26.0 26.0
13 14 15 16
13.5 13.5 16 16
IV 5
V VIII VII 13 VI
26.0 26.5 26.5 26.5 27.0 27.5 27.5
17 18 19 20 21 22 23
16 19 19 19 21 23 23
Grupo
Orden Experimental
I
29.5
II
32.0
III
25.0
IV
26.0
V
26.5
VI
27.5
VII
27.0
VIII
26.5
IX
27.5
X
32.0
XI
24.0
XII
24.0
Total
IX
27.5
24
23
I
29.5
25
25
Rango
Promedio
25
26.5
11.5
16
19
23
21
19
23
26.5
6.5
6.5
Wx = 223.50
iii) Cuando m = 12 y n = 15, entonces, la media es:
II
32.0
26
26.5
X
32.0
27
26.5
WX =
m( N + 1 ) 12( 27 + 1 )
=
= 168
2
2
W2 X =
mn( N + 1 ) 12x15(27 +1)

=
= 420
12
12
Z=
WX 0.5 WX
WX
2235
56
. + 0.5 168
=
= 2.73
20.4939
420
Al recurrir a la tabla de distribucin normal, sta revela que P(Z 2.73)=0.0032,
o de otra forma, la probabilidad unidireccional es p = 0.0032 = 0.05, entonces

se acepta la Ha: y se rechaza la Ho:. Para dos colas 2x0.0032 = 0.0064 = 0.05, en
forma similar tambin se rechaza la Ho:
Sin embargo, existen rangos promedios en ambos grupos independientes entonces, se realiza la correccin, de la siguiente forma:
Agrupacin
Valor
Rango_Prom
tj
(t 3j t j ) 12
1
2
3
4
5
6
7
8
24
24.5
25
25.5
26
26.5
27.5
32
6.5
9.5
11.5
13.5
16
19
23
26.5
4
2
2
2
3
3
3
2
5
0.5
0.5
0.5
2
2
2
0.5
8
t 3j t j
j =1
12
Z=
WX 05
. m( N +1) 2
FG mn IJFG N N t t IJ
H N( N 1)KH 12 12 K
3
j=1
3
j
2235
. +05
. 12(28) 2
LM
N
OP
Q
12x15 27 27
13
27x26 12
3
= 13
56
= 274
.
180
(1625)
702
7. Decisin: Se busca el valor de 2.74 en la tabla de la distribucin Z, y encontramos que la probabilidad es:
p=0.0031
P( Z 2.74 ) = 0.0031 = 0.05,
= 0.05, entonces se rechaza la hiptesis Ho: y se acepta la Ha:.

Para dos colas 2x0.0031 = 0.0062 = 0.05, entonces existe suficiente evidencia para afirmar que los incrementos de pesos al destete son diferentes en
alpacas suplementadas con heno frente a las mantenidas en pastos naturales.
Por el mtodo de U de Mann-Whitney, se tiene:
U = nn
1 2+
n1( n1 +1)
12x13
. = 345
.
R1 = 12x15+
2235
2
2
U = nn
1 2+
15x16
n2( n2 +1)
. = 1455
.
R2 = 12x15+
1545
2
2
De estos dos resultados, se escoge el menor U = 34.5, U = 145.5

Reemplazando a la frmula Z, se tiene:
n1n2
12x15
34.5
.
555
2
2
Z=
=
=
= 2.708 ~ 2.71
n1n2 ( n1 + n2 + 1)
420
12x15( 12 + 15 + 1)
12
12
U
Como existen observaciones empatados en ambos grupos, entonces se realiza

el rango promedio para los dos grupos independientes, realizndose la correccin de
Z, mediante la siguiente ecuacin:
Z=
U nn
1 2 2
FG nn IJFG N N t t IJ
H N( N 1)KH 12 12 K
3
1 2
j=1
3
j
.
555
LM
N
.
~ 272
.
OP =27189
Q
12x15 273 27
13
27x26 12
Se busca el valor de -2.72 en la tabla de la distribucin Z, y encontramos que la

probabilidad es: P( Z 2.72 ) = 0.0033 = 0.05, p=0.0033 = 0.05, entonces se rechaza la hiptesis Ho: y se acepta la Ha:. Para dos colas 2x0.0033 =
0.0066 = 0.05, entonces existe suficiente evidencia para afirmar que los
incrementos de peso al destete en alpacas es diferente en ambos grupos.
Observacin: Los software estadsticos, an todava trabajan con la prueba de U
de Mann Whitney, encontrndose este mismo resultado de Z = -2.72, en cambio con
la prueba modificada de Wilcoxon-Mann-Whitney los resultados varan en 0.5 , sta
modificacin todava no estn incorporados en los diferentes paquetes estadsticos
(SPSS, Statistica, Minitab, entre otros), tal como hemos comprobado con el ejemplo
anterior que se refiere a los pesos de destete en alpacas de la raza Huacaya.

En una prueba intercultural de algunas hiptesis de teora de la conducta adaptadas de la teora psicoanaltica. Whiting y Child estudiaron la relacin entre la prctica de la crianza de los nios y las costumbres vinculadas con las enfermedades en
varias culturas analfabetas. Una hiptesis de su estudio, derivada de la nocin de la
fijacin negativa, era sus explicaciones orales de la enfermedad: la enfermedad resulta de ingerir veneno, de beber ciertos lquidos y de ciertas frmulas verbales y
encantamientos ejecutados por otros. Los juicios de la tpica socializacin oral de la
ansiedad en cualquier sociedad estuvieron fundamentados en la rapidez y severidad
de la socializacin oral, la frecuencia del castigo tpico en la socializacin oral y la
severidad del conflicto emocional evidenciado por los nios durante el perodo de
socializacin oral. Se utilizaron extractos de los informes etnolgicos de las culturas
analfabetas para recabar los datos necesarios. Utilizando slo los resmenes concernientes a las costumbres relacionados a la enfermedad, los jueces calificaron a las
sociedades en dos grupos: aquellas con explicaciones orales de la enfermedad y aquellas
con ausencia de explicaciones orales de la enfermedad. Otros jueces, empleando los
extractos concernientes a la prctica de crianza de los nios, adjudicaron puntuaciones a cada sociedad en cuanto al grado de la socializacin oral tpica de sus nios.
Las puntuaciones de las 39 sociedades en las cuales fue posible emitir un juicio de
ausencia o presencia de explicaciones orales, varan de 6 a 17. La informacin se
presenta a continuacin:
Socializacin oral de la ansiedad y explicacin oral de las enfermedades
Sociedades con
Puntuacin en
Sociedades con
Puntuacin en
presencia de
socializacin oral
presencia de
socializacin oral
explicaciones orales de la ansiedad RANGO explicaciones orales de la ansiedad
Lapp
13
29.5
Marquesans
17
Chamorro
12
24.5
dobuans
16
Samoans
12
24.5
Baiga
15
Arapesh
10
16
Kwoma
15
Balinese
10
16
Thonga
15
Hopi
10
16
Alorese
14
Tanala
10
16
Chagga
14
Paiute
9
12
Navaho
14
Chenchu
8
9.5
Dahomeans
13
Teton
8
9.5
Lesu
13
Flathead
7
5
Masai
13
Papago
7
5
Lepcha
12
Venda
7
5
Maori
12
Warrau
7
5
Pukapukans
12
Wogeo
7
5
Trobrianders
12
Ontong-Javanese
6
1.5
Kwakiutl
11
Manus
11
R1 =
200
Chiricachua
10
Comanche
10
Siriono
10
Bena
8
Slave
8
Kurtatchi
6
R2 =
RANGO
39
38
36
36
36
33
33
33
29.5
29.5
29.5
24.5
24.5
24.5
24.5
20.5
20.5
16
16
16
9.5
9.5
1.5
580

SOLUCIN:
1. Hiptesis nula: Ho: La socializacin oral es igualmente severa en ambos tipos
de sociedaes (con presencia o con ausencia de explicaciones orales de las
enfermedades). Ha: Las sociedades con explicaciones orales de las enfermedades presentes son (estocsticamente) superiores en la socializacin oral de
la ansiedad, que aquellas que no tienen explicaciones orales de las enfermedades.
2. Prueba Estadstica: Los dos grupos de sociedades constituyen dos grupos independientes, y la medida de la socializacin oral de la ansiedad (escala de
puntuaciones) constituye una medicin de escala ordinal (en el mejor de los
casos). Por estas razones, la prueba de Mann-Whitney es la apropiada para
analizar esos datos.
3. Nivel de significacin: = 0.01, m es el nmero de sociedades con explicaciones orales ausentes = 16, y n es el nmero de sociedades con explicaciones
orales presentes = 23.
4. Distribucin muestral. Para n>10, se mantienen los valores de Z.
5. Regin de rechazo: Puesto que Ha: predice la direccin de la diferencia, la
regin de rechazo es unidireccional. sta consiste en todos los valores de Z
que sean tan extremos (en la direccin predicha) que la probabilidad asociada
segn Ho: es igual o menor que = 0.01.
6. Decisin: Las puntuaciones asignadas a cada una de las 39 sociedades se muestran en la tabla anterior, junto con el rango de cada una en el grupo combinado. Ntese que a los rangos empatados se les asigna el rango promedio. Para
estos datos, Wx= R 1 = 200 y Wy = R 2 = 580.
z=
. m( N +1)/ 2 200+05
. 16(39 +1)/ 2
WX 05
=341
=
.
16x23(391)/ 12
mn( N 1)/ 12
EMPATES:
La prueba de Wilcoxon-Mann-Whitney supone que las puntuaciones se han
muestreado de una distribucin que es contnua. Con una medicin precisa de una
variable continua, la probabilidad de un empate es cero. Sin embargo, con la mediciones relativamente crudas, las cuales tpicamente empleamos en investigacin en
las ciencias de la conducta, pueden ocurrir empates. Suponemos que las dos observaciones (o ms) que resulten empatadas son realmente diferentes, slo que esa diferencia es muy refinada o diminuta para ser detectada por nuestras mediciones. Cuando ocurren empates, damos a cada observacin empatada el promedio de los rangos
que tendran si no hubieran ocurrido los empates.
Estadstica No Paramtrica Aplicada a la Ganadera - 79 Si los empates ocurren entre dos o ms observaciones del mismo grupo, el valor
de R 1 no se ve afectado. Pero si los empates ocurren entre dos o ms observaciones
en las cuales se impliquen puntuaciones de los dos grupos, se afecta el valor tanto de
R 1 como R 2 . Aunque el efecto generalmente es despreciable, tenemos disponible
una correccin y puede utilizarse cada vez que empleemos la aproximacin para
muestra grande a la distribucin muestral de R 1 . El efecto de los empatados es cambiar la variabilidad del conjunto de rangos.
El uso de la correccin para los empates en la prueba de Wilcoxon-Mann-Whitney,
se ilustra aplicndola a los datos de la tabla anterior. Para estos datos:
m + n = 16 + 23 = 39 = N
Nosotros observamos los siguientes grupos de empates:
Agrupacin
1
2
3
4
5
6
7
8
9
Valor
6
7
8
10
11
12
13
14
15
Rango
1.5
5
9.5
16
20.5
24.5
29.5
33
36
tj
2
5
4
7
2
6
4
3
3
A fin de encontrar la la desviacin estndar, necesitamos calcular el factor de

correccin para los g = 9.
9
t 3j t j
j =1
12
2 3 2 53 5 4 3 4
33 3
+
+
+L+
12
12
12
12
= 0.5+10.0+5.0+28.0+ ....+ 2.0 = 70.5
Utilizando este factor de correccin y m + n = 16 + 23 = 39 = N, tenemos:

Z=
WX m( N +1) / 2
200 + 05
. 16( 39 +1)/ 2
=
=
LM mn OPFG ( N N ) t t IJ LM 16x23 OPFG (39 39) 705. IJ
K
12 K
N39( 39 1)QH 12
N N( N 1)QH 12
3
3
j
344
.
j=1
CONCLUSIN:
El valor de Z cuando se realiz la correccin para los empates es un tanto mayor
que el que se encontr anteriormente cuando no se utiliz la correccin. La diferencia entre Z -3.41 y Z -3.44 es despreciable, tanto es as que la probabilidad proporcionada es la misma. En ambos casos, p<0.0003 (en una prueba unidireccional).
Como se demuestra en este ejemplo, los empates slo tienen un pequesimo efecto.
MTODO COMPUTACIONAL PARA LA PRUEBA DE Mann-Whitney
Con el uso del paquete estadstico SPSS, se puede comprobar los resultados encontrados anteriormente, para esto simplemente ingrese la informacin en la hoja
del SPSS codificando los dos grupos en forma ordenada, tal como se presenta a
continuacin:
Una vez presionado el botn izquierdo, aparece el siguiente caja de dilogo, tal
como se puede ver a continuacin:
Al presionar en la ficha OK, procede a realizar los clculos y muestra la salida en

la pantalla de OUTPUT, tal como se puede ver a continuacin:
Test Statistics b
Ranks
ENFER
PUNTUAC 1
2
Total
N
16
23
39
Mean
Rank
12.50
25.22
Sum of
Ranks
200.00
580.00
PUNTUAC
64.000
200.000
-3.451
.001
Mann-Whitney U
Wilcoxon W
Z
Asymp. Sig. (2-tailed)
Exact Sig. [2*(1-tailed
Sig.)]
.000
a. Not corrected for ties.

b. Grouping Variable: ENFER
EJERCICIOS:
1. En una granja avcola se pone a prueba un nuevo concentrado para alimentar a
los animales. se desea establecer si este nuevo alimento es mejor que el que consuman anteriormente. Para ello, se suministr a un grupo de aves el nuevo alimento. Al trmino de 6 semanas se seleccion un grupo de aves de las que siguieron con el alimento acostumbrado, para compararlo con el grupo experimental.
A continuacin se presentan los pesos de ambos grupos:
Alimento
Antiguo
Nuevo
3.50
4.30
4.00
3.70
4.25
3.40
3.00
3.90
3.75
4.15
Peso (lb)
3.75 4.10
4.70 5.00
4.05
3.40
3.80
3.75
3.20
3.25
4.00
Pruebe la hiptesis de que el nuevo concentrado ayuda a aumentar el peso de las

aves. Use un nivel 5%.
2. Los siguientes datos dan el aumento de peso de 20 conejos de los cuales la mitad
recibi su protena crudo y la otra mitad de man tostado. Probar si el tostado de

man ha tenido un menor efecto en el aumento de peso de los conejos. Los aumentos de peso estn registrados en gramos. Use = 0.05.
Alimento
Crudo
Tostado
61
55
60
54
56
47
Peso (gr)
56
63
51
61
63
59
59
57
56
54
44
62
61
58
3. Los siguientes datos son los valores de respuesta del sistema de inmunizacin de
personas que recibieron una dosis de refuerzo de uno de dos tipos de vacunas
contra la rabia.
Tipo 1 (X)
Tipo 2 (Y)
1.25 5.30 1.70 1.00 8.50 3.75 8.10 2.25 5.60 7.85
0.57 3.90 8.20 1.20 1.70 1.00 4.55 5.20 2.16 1.90 4.60
Es posible concluir, con base en estos datos, que los dos tipos de vacuna difieren
en cuanto a sus efectos?. Sea = 0.05.
4. Los siguientes valores son los tiempos (en minutos) de permanencia en la sala de
operaciones de 20 personas sometidas al mismo procedimiento quirrgico. Once
de las personas fueron pacientes del hospital A y 9 lo fueron del hospital B.
Hospital A 35
Hospital B 45
30
38
33
42
39
50
41
48
29
51
30
32
36
37
45
46
40
31
Con base en estos datos, es posible concluir que, para el mismo procedimiento
quirrgico, los pacientes del hospital B tienden a permanecer ms tiempo en la
sala de operaciones que los pacientes del hospital A?. Sea = 0.01.
5. Se obtuvieron los siguientes pesos (kg) a partir de una muestra de nios estudiantes de 12 aos de edad, en un pas en vas de desarrollado. Los nios residen en
dos reas geogrficas diferentes.
rea A 54.1
rea B 36.3
33.8
31.4
56.2
51.9
32.0
51.8
33.7
46.4
58.6
36.2
58.9
26.8
45.7
25.1
55.3
29.8
50.8
26.1
35.2
Es posible concluir a partir de estos datos que el peso promedio de los nios del
rea A es diferente del de los nios del rea B?. Sea = 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 83 3.8. PRUEBA DE KOLMOGOROV-SMIRNOV PARA DOS MUESTRAS
CONDICIONES:
- El test de Kolmogorov-Smirnov (K-S), permite establecer si dos muestras proceden de la misma poblacin, o si dos poblaciones difieren en algn parmetro
de posicin y/o de dispersin.
- Las funciones de distribucin son continuas. Las dos muestras son independientes entre s.
- La prueba para dos muestras centra su inters en el acuerdo entre dos distribuciones acumulativas.
- La medida de los puntajes deben ser de tipo contnuo.
- Si las distribuciones acumulativas de las dos muestras estn demasiado lejanas
en cualquier punto, esto sugiere que las muestras provienen de poblaciones
distinas.
- De cada poblacin se toma una muestra aleatoria simple.
- Se debe determinar la distribucin de la frecuencia acumulada para cada muestra de observaciones, utilizando los mismos intervalos para ambas distribuciones.
USOS:
- La prueba de K-S para dos muestras, es una prueba de s dos muestras independientes se ha extrado de la misma (o de dos poblaciones con la misma distribucin).
- Se usa la prueba de dos colas (bidireccionales) para probar la sensibilidad de las
distribuciones de las dos muestras con respecto a cualquier tipo de definicin
que sea de tendencia central, dispersin o variacin de oblicuidad.
- La prueba de una cola (unidireccional), se usa para decidir, si los valores de la
poblacin de la que se extrajo una de las muestras son aleatoriamente mayores o
menores que los de la poblacin de la otra muestra, es decir en este caso se
prueba si ambas muestras provienen de la misma poblacin.
PROCEDIMIENTO:
- Se disponen los datos en una tabla de distribucin de frecuencias con los mismos intervalos de clase para ambas muestras, adems se debe tomar en cuenta
por lo general el mayor nmero de intervalos posibles para que la informacin
inherente a los datos no se pierda.
- Se calcula las distribuciones acumuladas para cada muestra. Usando las siguientes notaciones:
S m (X) =
k
(Frecuencia acumulada para la primera muestra)
m
k
(Frecuencia acumulada para la segunda muestra)
n
- Luego se calcula las diferencias Sm(X)-Sn (X) para cada intervalo. DetermiS n (X) =
nndose la mxima diferencia observada, tal como se muestra:
D m,n = max Sm ( X ) Sn ( X ) (Prueba de una cola unidireccional).

D m,n = max Sm ( X ) Sn ( X ) (Prueba de dos colas bidireccional).
- Se determina la significacin de Dm,n observado, tomando en cuenta el tamao
de las muestras y la naturaleza de la hiptesis (Ha:).
MUESTRAS PEQUEAS:
- Si las muestras son pequeas, entonces m y n son menores o iguales a 25 (m y n
25), la tabla de valores crticos de Kolmogorov-Smirnov para dos muestras
independientes proporcionan el valor crtico que est (Anexo, L-1). Kobs. Kcrtico ,
se rechazar la Ho:, donde k es el numerador de D.
MUESTRAS GRANDES: Prueba de una cola.
Para el caso de muestras grandes (m y n > 25)., y para una prueba de una cola
(unidireccional), utilizando D m,n = max Sm ( X ) Sn ( X ) . El valor de Ji-cuadrado con dos grados de libertad (gl. = 2):
2 =
4 Dm2 ,n m n
m+n
Es importante aclarar que esta Ji-cuadrado es til cuando se tiene tamao de

muestras pequeas e iguales para el caso de muestras grandes no es necesario
m se igual a n. En este caso, la decisin est dada de la siguiente manera: Si
2c 2gl , entonces se acepta la Ho: y se rechaza la Ha: (m = n = N).
MUESTRAS GRANDES: Prueba de dos colas.

- Cuando m y n > 25, la tabla de Kolmogorov-Smirnov (Anexo, L-3), puede
utilizarse para dos muestras. Para usar esta tabla determine el valor Dm,n para
Estadstica No Paramtrica Aplicada a la Ganadera - 85 los datos observados, utilizando D m,n = max S m ( X ) S n ( X ) y compare el
valor observado con el valor crtico que se obtiene de la tabla, empleando como
entradas m y n en la expresin proporcionada por la Tabla de K-S. Para
tomar la decisin se realiza Dm,n Dcrtico , entonces se rechaza la Ho:, en el nivel
de significacin de bidireccional asociados con dicha expresin 136
.
( m + n ) mn ,
en este caso para
= 0.05.
EJEMPLO:
Se registraron pesos finales en carnerillos de 11 meses de edad de las razas
Corriedale y Criollo del CIP-Chuquibambilla, con las mismas condiciones de edad,
alimentacin y tiempo con una duracin de 70 das aproximadamente, iniciando en
octubre del 2003 y terminando en Diciembre del mismo ao. La informacin se
presenta a continuacin:
Raza Corriedale (Peso final en kg)
45
43
44
43
44
42
45
43
41
43
41
43
44
40
43
42
49
43
45
42
45
40
44
44
43
43
42
41
41
42
48
36
40
42
44
38
42
47
42
41
46
54
50
51
46
47
46
47
Raza Criolla
43
45
44
42
49
49
46
42
(Peso final en kg)

48
47
43
46
46
41
46
46
46
45
46
47
42
45
43
45
46
45
45
42
42
45
45
44
SOLUCIN:
1. Hiptesis estadstica:
Ho: La ganancia de peso vivo en carnerillos de la raza corriedale es igual a la
ganancia de peso vivo en carnerillos de la raza criolla.
Ha: La ganancia de peso vivo en carnerillos de la raza corriedale es inferior a
la ganancia de peso vivo en carnerillos de la raza criollo.
X = Incremento de peso vivo en kg. en carnerillos de la raza corriedale.
Y = Incremento de peso vivo en kg. en carnerillos de la raza criolla.
2. Nivel de significacin: = 0.05, m = 40 y n = 40.
3. Prueba estadstica: Se tiene los pesos vivos en carnerillos que constituyen puntuaciones bajos y altos de dos grupos independientes, se seleccion una prueba

para muestras independientes. Adems los datos estn en escala de intervalo.
La prueba de Kolmogorov-Smirnov para dos muestras compara dos distribuciones de frecuencia acumulada y determina si la Dm,n observada indica si
stas fueron extradas de las mismas poblaciones, una de las cuales es
estocsticamente superior a la otra.
4. Distribucin muestral: La distribucin muestral que se utilizar es:
4 Dm2 ,n m n
, donde Dm,n se calcula mediante la
=
m+n
2
ecuacin D m,n = max Sm ( X ) Sn ( X ) es aproximada por la distribucin

Ji-cuadrado con gl = 2. La probabilidad asociada con un valor observado de
Dm,n cuando Ho: es verdadera, puede ser determinada por medio de la tabla
Ji-cuadrada del Anexo.
Raza Corriedale
Y'i-1 - Y'i
36 - 39
39 - 42
42 - 45
45 - 48
48 - 51
51 - 54
TOTAL
Raza Criollo
ni Ni Sm (X)
nj
Nj
S
Snn(X
(X)
i)
2
8
23
5
2
0
40
0
1
10
23
4
2
40
0
1
11
34
38
40
0.000
0.025
0.275
0.850
0.950
1.000
2
10
33
38
40
40
0.050
0.250
0.825
0.950
1.000
1.000
Sm(X)S(X
n )
0.050
0.225
0.550
0.100
0.050
0.000
Prueba para dos colas (bidireccional) (Anexo, L-3).
D 40,40 = max Sm ( X ) Sn ( X ) = 0.55 (valor observado Dm,n)

80
m+n
= 136
= 0.304 (valor crtico)
.
1600
mn
Prueba para una cola (unidireccional), cuando m y n > 25, se usa la frmula
siguiente:
D m,n ,a = 136
.
2 =
4 Dm2 ,n m n 4(0.55) 2 40 x40

=
= 24 .20
80
m+n
con gl. = 2
6. Regin de rechazo: Puesto que Ha: predice la direccin de la diferencia entre

las puntuaciones de ganancia de peso vivo altas y bajas, se utiliz la prueba
Estadstica No Paramtrica Aplicada a la Ganadera - 87 2

unidireccional. La regin de rechazo consiste en todos los valores de , calculados con la frmula anterior, los cuales son tan grandes que la probabilidad
asociada con su ocurrencia cuando Ho: es igual o menor que = 0.05
2
. , entonces se rechaza la Ho:, es decir
7. Decisin: Como 2 = 24.20 > 2 ,0.05 = 599
existe evidencia suficiente para afirmar que los incrementos de peso vivo en
carnerillos criollos es superior a los incrementos de los carnerillos de la raza
Corriedale.
Prueba para dos colas (bidireccional).

Como D 40,40 = 0.55 > D40,40,0.05 = 0.304 , entonces se rechaza la Ho:, y se acepta
la hiptesis Ha:, es decir que los incrementos de pesos vivos en la raza Corriedale
y Criollos son diferentes.
EJERCICIOS:
1. Se registraron pesos finales en carnerillos de las razas Corriedale y Merino del
CIP-Chuquibambilla, con las mismas condiciones de edad, alimentacin y tiempo con una duracin de 70 das aproximadamente, iniciando en octubre del
2003 y terminando en Diciembre del mismo ao. La informacin se presenta a
continuacin:
Raza Corriedale (Peso final en kg)
45
43
44
43
44
42
45
43
41
43
41
43
44
40
43
42
49
43
45
42
45
40
44
44
43
43
42
41
41
42
48
36
40
42
44
38
42
47
42
-
46
43
41
42
41
47
45
42
Raza Merino (Peso final en kg)

43
43
38
43
41
46
40
44
39
37
45
41
42
42
42
42
46
47
38
41
42
39
48
53
40
40
38
40
40
38
44
-
Calcular la prueba de Kolmogorov-Smirnov para dos muestras independientes.

Use = 0.05.
2. Los siguientes datos corresponden a las vicuas hembras adultas que han sido
esquilados en el criadero de vicuas del Comit Comunal de Manejo de Vicuas de Cala - Cala y de Pampa Galeras (1998), para tal efecto se ha registrada
los pesos vivos (kg). La informacin se presenta a continuacin:
Cala - Cala
Pampa Galeras
26
40
34
36
33
35
35
34
34
31
42
24
38
35
35
38
27
36
40
24
32
34
35
37
38
30
43
33
36
37
37
36
38
34
36
32
35
33
35
37
Calcular la prueba de Kolmogorov-Smirnov para dos muestras independientes. Use = 0.05.

3. Se realiz el anlisis de sangre para la variable HEMOGLOBINA en el Laboratorio de Bio-qumica de la F.M.V.Z.-UNA - Puno, las muestras fueron procedentes de las alpacas de la raza Huacaya y Suri del Centro de Investigacin y
Produccin La Raya de las clases (cras, tuis y adultos) y de ambos sexos (2000),
RAZAHUACAYA: HEMOGLOBINA
13.09 13.83 12.38 14.21 13.83 13.45 12.04 13.83 13.83
13.45 13.45 13.27 13.45 13.27 14.21 13.27 12.73 13.45
14.60 15.42 14.21 13.83 14.60 12.38 13.83 12.04 13.09
RAZASURI: HEMOGLOBINA
13.09 14.60 14.60 13.83 13.09 13.09 12.73 13.45 14.60 13.45
12.91 12.56 13.27 10.60 12.21 14.60 14.21 13.09 13.27 13.45
12.91 15.01 15.63 14.02 14.60 13.45 11.88 13.27 11.22 13.09
Calcular la prueba de Kolmogorov-Smirnov para dos muestras independientes.

Use = 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 89 3.9. PRUEBA DE RACHAS DE WALD-WOLFOWITZ

RESTRICCIONES:
- La variable en estudio debe tener una distribucin continua y su medida debe
darse por lo menos en una escala de orden.
- Los datos deben provenir de dos poblaciones independientes n1 y n2 .
- Se utiliza para probar la hiptesis nula (Ho:) que afirma que ambas muestras
provienen de la misma poblacin frente a una hiptesis altera que afirma que
ambas muestras tienen una diferencia total entre ellas, esto es porque tienen
medidas diferentes, dispersin diferentes, oblicuidad, etc.
- No es necesario que ambos tamaos de muestra sean iguales, es decir, se puede
presentar n1 = n2 o n1 n2 .
- Se utiliza para afirmar que una diferencia entre ambas muestras no especificada.
MTODO:
- Se ordenan los datos combinados de ambas muestras de menor a mayor (< a >),
sin que se pierda la identificacin de cada dato.
- Se determina el nmero de rachas.
- S la hiptesis nula (Ho:) es falsa, el nmero de rachas ser pequea y s la
Hiptesis nula (Ho:) es verdadera el nmero de rachas ser grande.
- Se determina la significacin del valor observado de r, de acuerdo al tamao
n1 y n2 , de la siguiente forma:
MUESTRAS PEQUEAS:
- Si n1 y n2 son menores o iguales que 20 ( n1 y n2 20 ), los valores crticos
de r, se podrn encontrar en la Tabla (valores crticos de r en la prueba de
series), para prueba de rachas (Anexo, G).
MUESTRAS GRANDES
- n1 n2 >20, entonces la distribucin muestral de r, tiende a la aproximacin normal con r y r , cuya expresin es la siguientes:
Z=
robs . r , es decir, s p entonces se rechaza la Ho:

EJEMPLO:
Se tiene la informacin referente al uso estratgico del heno y ensilado para
suplementar en pocas crticas de estiaje en alpacas madres de la Raza Huacaya,
cuyo objetivo es determinar el incremento de peso vivo final (kg) en alpacas del
grupo experimental (E) y grupo control (C).
Grupo
Exptal. (Ensilado)
Control o tesigo
1
50.0
49.5
2
46.5
50.5
3
45.5
44.5
4
53.0
54.5
5
48.0
57.5
6
47.5
44.0
7
47.0
53.5
8
49.0
67.5
9
51.0
60.0
10
50.0
52.0
11
40.0
56.0
Probar si existen diferencias significativas entre el incremento de peso vivo (kg)

del Grupo Control y el incremento de peso vivo del grupo Experimental que fue
suplementado con Ensilado.
Ho: El incremento de peso vivo final del grupo Control es similar al incrmento
de peso vivo final del grupo experimental en alpacas de la raza Huacaya.
Ha: Existe diferencia entre el incremento de peso vivo final del grupo control
y del grupo experimental en alpacas de la raza Huacaya.
2. Nivel de Significacin: = 0.05 y n1 = 11 y n2 = 11 ambos son menores a
20.
3. Prueba Estadstica: Se seleccion la prueba Wald-Wolfowitz, porque las dos
poblaciones en estudio n1 y n2 son independientes uno del otro.
4. Distribucin muestral: Se tiene que: n1 = 11y n2 =11. Usando la tabla del
Anexo, se encuentra los dos valores inferior y superior.
40.0
E
1
44.0 44.5
C C
2
50.5
C
6
51.0
E
7
45.5 46.5 47.0 47.5 48.0 49.0

E
E
E
E
E
E
3
52.0
C
8
53.0
E
9
49.5
C
4
50.0 50.0
E
E
5
53.5 54.5 56.0 57.5 60.0 67.5

C C C C C C
10
n1 = 11y n2 =11, entonces robs. = 10. En la tabla (Anexo, G) se encuentra los

valores crticos:
rcrtico inferior = 7
rcrtico superior =17
6. Regin de Rechazo: rcrtico inferior < robs. < rcrtico superior , 7 < 10 < 17, entonces se acepta la
Ho:
Estadstica No Paramtrica Aplicada a la Ganadera - 91 7. Decisin: No existe evidencia suficiente para afirmar que las alpacas
suplementadas con ensilado incrementan mejor a los pesos de las alpacas del
grupo control.
EJERCICIO:
Se tiene los pesos finales de los terneros de la raza Brown Swiss que pertenecen
al grupo experimental, y los terneros del Grupo Control, que se han registrado los
pesos vivos desde el nacmiento hasta el 17avo semana. Los pesos finales se
presentan a continuacin:
Grupo Exptal.
Grupo Control
110 106 107 100 107 108 106 109 103 108
98 69 69 99 83 98 100 68 96 80
Probar con la prueba Wald-Wolfowitz si presentan diferencias en ambos grupos

de terneros.
3.10. PRUEBA PODEROSA DE RANGOS ORDENADOS
CONDICIONES:
- Esta prueba supone que las variables X y Y se obtuvieron de una misma distribucin continua.
- Las variables deben estar medidas en (al menos) una escala ordinal.
- La forma de plantear la hiptesis nula es: H 0 : x = y . es decir la mediana de la
distribucin X es igual a la mediana de la distribucin Y.
- Cuando las distribuciones son las mismas, entonces la variabilidad o las varianzas
de las distribuciones son iguales.
- La hiptesis alterna slo especifica que existe diferencia entre las medianas y,
las hiptesis nula, supone que las variabilidades de las distribuciones son las
mismas.
- El investigador tiene razn para creer que las distribuciones subyacentes a X y
Y no son iguales, pero an desea evaluar la Ho: En tales casos, la prueba de
Wilcoxon no es apropiada.
MTODO:
- El nmero de casos de la muestra del grupo X es m.
- El nmero de casos de la muestra del grupo Y es n.
- Para aplicar la prueba poderosa de rangos ordenados, primero debemos combinar las observaciones o puntuaciones de ambos grupos y ordenar los rangos por
tamaos, de manera ascendente.

- En este ordenamiento, el tamao algebraico es el considerado, es decir, los
rangos inferiores son asignados a los valores negativos mayores, si los hubiera.
- Para cada Xi contamos el nmero de observaciones de Y con un rango inferior.
Este nmero representa la ubicacin de las puntuaciones X y se denominar
U(YXi ) .
m
U ( YX i )
m
i =1
- Se encuentra la media de U(YXi ) : U ( YX ) =
- De manera similar, encontramos las ubicaciones de cada Y. As tambin U( XYj ) ,

el nmero de observaciones de X que precede a cada Yj.
n
U ( XY j )
j =1
- Se encuentra la media de U( XYj ): U ( XY ) =
- El siguiente paso es encontrar el ndice de variabilidad de U(YXi ) y U( XYj ) ,

mediante las siguientes frmulas:
m
V X = U ( YX i ) U ( YX )
i =1
VY = U ( XYj ) U ( XY )
j =1
- Finalmente, calculamos la prueba de: U& =
mU(YX )nU( XY)

2 VX +VY +U( XY)U(YX )
EMPATES:
- El clculo de la prueba poderosa de rangos ordenados el ajuste para los empates
es:
U(YXi ) = El nmero de Y observaciones en la muestra que son menores que

X i + 0.5 del nmero de Y observaciones en la muestra que son iguales
que Xi.
U( XYj ) = El nmero de X observaciones en la muestra que son menores que

Yj + 05
. del nmero de X observaciones en la muestra que son iguales
que Yj.
Los clculos de U(YX), U(XY), Vx, Vy y
ajustes a la ubicaciones.
U& se complementan, utilizando los
Estadstica No Paramtrica Aplicada a la Ganadera - 93 MUESTRAS PEQUEAS:

- Si m y n son menores que 12 (m y n < 12), la significacin de las probabilidades
asociadas con valoes grandes de U& son proporcionadas en la Tabla de los valores crticos de U para la prueba poderosa de rangos ordenados (Anexo, K). Los
valores de tablas son probabilidades unidireccionales. Para pruebas
bidireccionales, duplique estas probabilidades.
MUESTRAS GRANDES:
- Si m y n son mayores que 12 (m y n > 12), la probabilidad asociada con un valor
tan extremo como el valor observado U& , puede determinarse haciendo uso de
la tabla de probabilidades asociadas de la distribucin normal (Anexo, A) que,
U& es aproximadamente normal.

- Si el valor observado U& , tiene una probabilidad asociada igual o menor que ,
para m y n grandes, la distribucin muestral de
rechace Ho: en favor de Ha:
EJEMPLO:
Se registr el peso vivo (kg) de vacas Brown Swiss que estn en la produccin de
leche con una suplementacin de Mikrofos ADE (X) y otro grupo de vacas criollas (control) sin la suplementacin, al final del experimento, se tomarn los
pesos finales en ambos grupos. La informacin se presenta en seguida:
Mikrofos ADE
Grupo Control
453
553
449
619
505
575
490
445
523
452
505
423
Probar si existen diferencias entre los dos grupos de vacas Experimental y Control en el incremento de peso vivo (kg) con la prueba poderosa de rangos ordenados:
SOLUCIN.
Ho: El peso vivo (kg) de las vacas Brown Swiss suplementados con Mikrofos
ADE es la misma que los pesos vivos de las vacas Criollas (control) en la
produccin de leche.
Ha: El peso vivo (kg) de las vacas suplementadas con Mikrofos ADE es superior
a las vacas criollas (Control) en la produccin de leche.
2. Prueba Estadstica: Se seleccion la prueba poderosa de rangos ordenados,
porque abarcan a muestras independientes y utiliza mediciones que estan dados
en una escala ordinal. Adems los dos grupos pueden diferir en los pesos vivos.
3. Nivel de Significacin: = 0.05 y m = vacas con el tratamiento Mikrofos

ADE y n = Vacas del grupo control.
4. Distribucin muestral: Las probabilidades asociadas con la ocurrencia, cuando
Ho: es verdadera, de valores tan grandes como U, pueden determinarse por
medio de la distribucin normal que se encuentra en el Anexo.
5. Regin de rechazo y aceptacin: Esta dado para bidireccional, ya que no
plantea una direccin para la diferencia de pesos vivos en la produccin de
leche.
6. Clculos Estadsticos:
Puntuacin: 423 445 449 452 453 490 505 505 523 553 575 619
GRUPO:
Y Y X Y X X X X X Y Y Y
Xi
449
453
490
505
505
523
U(YXi)
2
3
3
3
3
3
Yj
423
445
452
553
575
619
Calculamos la media para: U(YX ):

i
U ( YX i ) 2 + 3 + 3 + 3 + 3 + 3
=
= 2 .83
6
6
i =1
6
U ( YX ) =
m
U(XYj)
0
0
1
6
6
6
Calculamos la media para: U( XYj )

6
U( XYj ) 0 + 0+1+ 6+ 6+ 6
U( XY ) =
=
= 317
.
6
6
j=1
VX = U(YXi ) U(YX ) = (2-2.83)2 + (3-2.83)2 + (3-2.83)2 + (3-2.83)2 + (3-2.83)2 + (3-2.83)2 = 08334

.
2
i=1
VY = U( XYj )U( XY ) = (0-3.17)2 +(0-3.17)2 +(1-3.17)2 +(6-3.17)2 +(6-3.17)2 +(6-3.17)2 =48.83

2
j=1
Finalmente, calculamos la prueba de:

U& =
6(2.83)-6(3.17)
mU(YX ) nU( XY )
=
= 0133
.
+ 4883
2 VX +VY +U( XY )U(YX ) 2 08334
.
. +(3.17)(2.83)
En la tabla de valores crticos de U de Rangos ordenados (Anexo, K), se busca
.
con m = 6, n = 6 entonces es: U m ,n , = U 6 ,6 ,0.05 = 186
7. Decisin: Como
U& = -0.133
. , entonces se acepta la Ho:,

U 6 ,6,0.05 = 186
es decir, que no hay evidencia suficiente para afirmar que los incrementos de
pesos vivos en vacas fue diferente en la produccin de leche.
Estadstica No Paramtrica Aplicada a la Ganadera - 95 3.11. PRUEBA DE RANGOS DE MOSES PARA DIFERENCIA DE ESCALA.
CONDICIONES:
- Los investigadores desean saber acerca de las diferencias en la tendencia central,
las diferencias en la escala pueden tener importancia terica y valor prctico.
- La de Siegel-Tukey es una prueba que tiene xito al comparar diferencias en la
escala o variabilidad.
- El uso de la prueba requiere que las medianas de los dos grupos sean las mismas
o conocidas.
- La prueba de rangos de Moses es vlida en casos en los cuales las medianas son
desconocidas o bien, no puede suponerse que sean iguales.
- La prueba de rangos de Moses supone que las observaciones corresponden a
mediciones en, al menos, escala de intervalo.
- La hiptesis, puede plantearse como: H 0 : 2X = Y2 versus H a : 2X Y2 .
- Para la hiptesis unidireccionales, se plantean como: H a : 2X > Y2 .
- Cuando se desea probar una hiptesis alterna unidireccional en el cual la variable
X es mayor que la variable Y, entonces la Ha: H a : 2X < Y2
MTODO:
- Primeramente dividir las observaciones de los dos grupos en subconjuntos del
mismo tamao.
- Cada subconjunto debe contener al menos dos observaciones.
- Si la divisin es tal que hay observaciones que no pueden colocarse en ningn
subconjunto, stas se descartan del anlisis.
- Es muy importante dividir los datos en subconjuntos al azar; es decir usar la
tabla de nmeros aleatorios.
- Para cada subconjunto, se calcula la sumatoria de las diferencias al cuadrado de
cada dato respecto a la media de cada subconjunto (a cada dato se le resta la
media del subconjunto al que pertenece, la diferencia se eleva al cuadrado y
todas estas diferencias elevadas al cuadrado se suman para cada subconjunto).
- El procedimiento es sencillo, pero requiere muchas operaciones.
- Se usar un doble subndice para identificar los subconjuntos individualmente.
- Primero, k es el nmero de observaciones en cada subconjunto, m es el nmero
de subconjunto de X y n es el nmero de subconjunto de Y.
Entonces, los datos para el j-simo subconjunto de X puede escribirse como:
X j1 , X j 2 , X j 3 ,L , X jk
j = 1,2 ,3,L , m'

Para los datos del subconjunto de Y pueden enumerarse como:
j = 1,2 ,3 ,L , n'
Y j 1 ,Y j 2 ,Y j 3 ,L ,Y jk
Para los subconjuntos de X, se calcula un ndice de dispersin D( X j ) :

k
D( X j ) = X ji X j ,
i =1
j = 12
, ,L,m'
donde:
X j = i=1
ji
Es la media de las observaciones es el j-simo subconjunto de X.

En forma similar, se calcula para los subconjuntos de Y, el ndice de dispersin
D( Yj ) :
k
D(Yj ) = Yji Yj ,
i =1
j = 12
, ,L,n'
donde:
Yj = i=1
k
ji
Es la media de las observaciones en el j-simo subconjunto de Y.

- Si la Ho: de igual variabilidad para los grupos X y Y es verdadera, entonces
esperamos que los valores de D( X ) y D( Yj ) estuvieran tan bien mezclados en
las medidas de dispersin para los subconjuntos, que ambas seran muy similares.
- En cambio, si la Ha: es verdadera, entonces esperamos que los valores de D( X )
tendieran generalmente a ser ms pequeos que las D( Yj ) .
- Si los datos de X tienen menos variabilidad que los datos de Y (o los valores de
D( X ) tenderan a ser mayores que las D( Yj ) si los datos de X tienen mayor
variabilidad que los datos de Y).
- Para probar la hiptesis de igual dispersin, aplicamos la prueba de Wilcoxon a
los ndices de dispersin calculados para cada uno de los subconjuntos. En la
aplicacin de esta prueba, los tamaos de la muestra son m y n.
j
EMPATES:
- No hay problema en la aplicacin de la prueba de rangos de Moses con los
empates en los datos originales, s hay que realizar un ajuste si existen empates
en las D( X ) y en las y D( Yj ) . Se debe utilizar la correccin usual de la prueba de
Wilcoxon.
j
MUESTRAS GRANDES:
- Cuando el tamao de la muestra es grande, se debe emplear la aproximacin
para muestra grande de la prueba de Wilcoxon.

Se ensay un experimento para mejorar en las pocas crticas, la crianza de alpacas
hembras de la raza Huacaya en las diferentes fases productivas y reproductivas,
haciendo uso estratgico de heno y ensilado durante los 90 das de experimentacin
(2001). Se han considerado dos grupos de alpacas hembras: Experimental (heno) y
Control (testigo). La informacin se presenta a continuacin:
Grupo Control 33.0 27.0 34.0 27.5 31.5 29.5 29.5 30.0 30.0 28.0 35.0 32.0
G.Exp.- Heno 37.5 40.5 34.5 31.0 32.0 35.0 33.5 33.5 35.5 36.5 30.5 31.5
Pruebe con la prueba de Moses.

Ho: Las alpacas hembras del grupo control y las alpacas suplementadas en la
poca de estiaje con heno muestran igual variabilidad en el incremento de
peso vivo.
Ha: Las alpacas del grupo experimental muestran una mayor variabilidad en
el incremento de peso vivo que las alpacas del grupo control.
2. Nivel de Significacin: = 0.05 y m = 12 y n = 12
3. Prueba Estadstica: La hiptesis se interesa en las distribuciones de escalas de
parmetros, y que se supone que las medianas de las distribuciones no son
iguales, ya que las distribuciones adyacentes no se distribuyen normalmente, la
prueba de rangos de Moses es la apropiada.
4. Distribucin muestral: Los estadsticos asociados con la prueba de rangos de
Moses es la misma que la de la prueba de Wilcoxon. Por tanto, la lgica de la
prueba de Wilcoxon puede aplicarse a los estadsticos derivados.
Datos de las alpacas del Grupo CONTROL
1
2
3
Pesos Finales
Conjunto
31.5
32.0
29.5
35.0
29.5
27.5
30.0
28.0
30.0
27.0
34.0
33.0
i=1 ji
123.5
123.5
120.0
Y ji
D(X)
j
30.88
30.88
30.00
33.19
21.19
15.50
Y ji
D(Y)
j
35.88
33.50
33.50
49.69
4.50
26.00
Datos de las alpacas del Grupo Experimental (Heno)
1
2
3
Pesos Finales
Conjunto
37.5
32.0
35.5
40.5
35.0
36.5
34.5
33.5
30.5
31.0
33.5
31.5
i=1
143.5
134.0
134.0
ji

De esto se tiene que: m = 4 y n = 4. Para aplicar la prueba, las D deben ser
ordenadas de menor a mayor de la siguiente forma:
Puntuacin D:
Rango:
Grupo:
4.50
1
Y
15.50
2
X
21.19
3
X
26.00
4
Y
33.19
5
X
49.69
6
Y
Con los datos anteriores calculamos la suma de rangos:

WX = 2+3+5 = 10
WY = 1+4+6 = 11
Puesto que la hiptesis alterna (Ha:) es que las alpacas alimentadas con heno
que es el grupo experimental (grupo Y) deberan mostrar una mayor variabilidad
en peso vivo, entonces la hiptesis alterna es: H a : 2X < Y2 , por tanto, debemos
rechazar la Ho:, si la probabilidad asociada con una Wx. Ver la tabla (Anexo, J)
de probabilidades de los lados inferior para Wx, el estadstico de la suma de
rangos de Wilcoxon-Mann-Whitney).
6. Regin de Rechazo: En virtud de que la hiptesis alterna especifica la direccin
de la diferencia, se utiliza una prueba unidireccional. La regin de rechazo
consiste en todos los valores de las sumatorias de rangos tan grandes o mayores
que el valor observado ( p rechace la Ho:).
7. Decisin: Como p = 0.0143 =0.05, entonces se rechaza la Ho:, es decir
existe evidencia suficiente para afirmar que la variabilidad del grupo
experimental (suplementadas con heno) es mayor a las alpacas del grupo control
en cuanto se refiere a los incrementos de pesos vivos.
EJERCICIOS:
1. Los datos corresponden a las alpacas mantenidas en condiciones crticas de
alimentacin en poca de estiaje, para lo cual se ensayo dos grupos: experimental (ensilado) y control (testigo), para evaluar el incremento de peso vivo (kg).
La informacin se presenta en seguida:
Grupo Control
33.0 27.0 34.0 27.5 31.5 29.5 29.5 30.0 30.0 28.0 35.0 32.0
G.Exp.- Ensilado 42.0 34.0 32.0 35.5 41.0 34.0 35.0 37.0 33.0 33.0 31.5 31.0
Estadstica No Paramtrica Aplicada a la Ganadera - 99 Encuentre la variabilidad de los pesos vivos en ambos grupos de experimentacin con la prueba de Moses.
2. La informacin corresponde a los pesos vivos (gr) por camada en cuyes primerizas de dos grupos: experimental (CEM) y control (testigo). La informacin se
presenta en el siguiente cuadro:
Grupo Control
G.Exp.- CEM
290 144 336 260 358 354 300 350 242 326 358 242 370
308 612 368 374 416 338 312 410 450 436 232 342 360
Existir variabilidad en los pesos vivos por camada en cuyes primerizas de ambos grupos?. Probar con la prueba de Moses. Use =0.05.
4
EL CASO DE K-MUESTRAS RELACIONADAS
4.1. Prueba de Q de COCHRAN
USOS Y RESTRICCIONES:
- La prueba de Q de Cochran para k muestras relacionadas, provee un mtodo
para evaluar si tres o ms conjuntos igualados de frecuencias o proporciones
difieren significativamente entre ellos mismos.
- La igualacin debe fundamentarse en las caractersticas relevantes de los diferentes sujetos o en el hecho de que los mismos sujetos sean utilizados en las
diferentes condiciones.
- La prueba Q de Cochran es particularmente aplicable a datos de tipo categrico
(en escala nominal) u observaciones ordinales (o de intervalo) dicotmicas.
- Es una prueba paralela a la prueba paramtrica F de Anlisis de Varianza de dos
vas o se conoce con el nombre de diseo bloque aleatorios.
- Prueba si k muestras relacionadas provienen de la misma poblacin; si las kmuestras exiben diferencias significativas entre s.
MTODO:
- A los datos dicotmicos se les asigna la puntuacin 1 por cada xito y el valor
0 por cada fracaso.
- Los datos se presentan en una tabla de Nxk, siendo N = renglones y k = columnas. N es el nmero de casos en cada uno de los k grupos o condiciones.
- El valor de Q, se determina utilizando la siguiente ecuacin:
L
F IO
( k 1 )M k G G G J P
MN
H K PQ
Q=
j =1
2
j
j =1
k Li L
2
i
i =1
i =1
Q=
k( k 1) Gj G
j=1
i =1
i=1
kLi L2i
Donde: G j = Nmero total de xitos en la j-sima columna.
G = Promedio de G j .
L i = Nmero total de xitos en el i-simo rengln.
- La significacin del valor observado de Q puede determinarse mediante la Tabla de valores crticos de la distribucin Ji-cuadrada (Anexo, C), ya que Q, se
distribuye aproximadamente como la 2 con gl = k - 1. Si la probabilidad asociada con la ocurrencia cuando Ho: es verdadera es tan grande como el valor
observado de Q es igual o menor que , entonces debemos rechazar Ho:
- Si el tamao de N no es muy pequeo; no hay recomendacin especifica con
respecto al tamao mnimo de N.
EJEMPLO:
Se realiz un experimento en la elaboracin de quesos y probar la aceptabilidad
en quesos semiduros, para lo cual se usaron tres tipos de cuajos: cuajo de alpaca
fresca (CAF), cuajo comercial (CC) y cuajo de alpaca + fermento (CA+F). Para
probar la aceptabilidad se realiz a 15 personas quines debern calificar los tres
tipos de quesos elaborados con diferentes cuajos. Para realizar esta calificacin se
dicotomiz de la siguiente forma: 1 = Aceptable y 0 = No aceptable.
SOLUCIN.
Ho: La probabilidad de un s es la misma para los 3 tipos de calificacin de
quesos.
Ha: La probabilidad de un s difiere dependiendo a la forma de probar los
quesos semiduros.
2. Nivel de Significacin: = 0.05
3. Prueba Estadstica: Se elige la prueba de Q de Cochran porque los datos
pertenecen a ms de dos grupos relacionados (k = 3) y son respuestas dicotmicas
(s y no).

4. Distribucin muestral: Cuando la hiptesis nula es verdadera, entonces se usar
la siguiente ecuacin:
LM
MN
( k 1 ) k G 2j
Q=
j =1
k Li
i =1
F G
GH
k
j =1
I
JK
OP
PQ , y se distribuye aproximadamente
2
i
i =1
como 2 con gl = k - 1, y se compara utilizando la Tabla de valores crticos de

la distribucin Ji-cuadrada (Anexo, C).
Respuestas de "s" = 1 y "no" = 0 de grupos de personas entrevistados
para la calificacin de quesos que han sido elaborados con 3 cuajos.
2
GRUPO
CC
CAF
CA+F
Li
Li2
Li
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0
1
0
1
0
0
1
0
0
1
0
0
1
0
0
0
0
1
1
1
1
0
1
1
0
0
0
0
1
1
1
1
0
1
1
0
0
1
1
1
0
1
0
0
1
1
2
1
3
2
1
1
2
2
2
0
1
1
1
2
1
4
1
9
4
1
1
4
4
4
0
1
1
1
4
G1 = 5
G2 = 8
G3 = 9
TOTAL
15
i=1
Li = 22
15
i=1
L2i = 40
El nmero total de respuestas s en los tres tipos de cuajo es:

3
G j = G1 + G2 + G3 = 5 + 8 + 9 = 22 , observe que:
j=1
LM
MN
( k 1) kG2j
Q=
j =1
F G I OP
GH JK P (31) 3(5 +8 + 9 ) 22
Q=
j
k Li L
2
i
i =1
i =1
i =1
= 22 , entonces Q es.
j =1
15
3(22) 40
52
.
= 20
26
Estadstica No Paramtrica Aplicada a la Ganadera - 103 Se busca en la tabla de valores crticos de la distribucin Ji-cuadrada con
gl = k - 1 = 3 - 1 = 2, (Anexo, C) entonces tenemos que Q 2, tiene una
probabilidad de ocurrencia cuando Ho: es verdadera, es decir p = 0.5.
6. Regin de rechazo y aceptacin: La regin de recazo consiste en todo los valores de Q que sean tan grandes que la probabilidad asociada con su ocurrencia
cuando Ho: es verdadera, sea igual o menor que = 0.05.
7. Decisin: Como p = 0.5 > = 0.05, entonces se acepta la Ho:, es decir que la
probabilidad de un s es la misma para los tres tipos de quesos elaborados
con diferentes cuajos.
4.2. ANOVA BIFACTORIAL POR RANGOS DE FRIEDMAN
Cuando los datos estn en k muestras igualadas y al menos estn en escala
ordinal, se puede utilizar el Anlisis de Friedman para evaluar la hiptesis nula
de que las k muestras fueron extradas de la misma poblacin.
Debido a que k muestras son igualadas, el nmero de casos N es el mismo en
cada una de las muestras. La igualacin se logra estudiando el mismo grupo de
sujetos en cada una de las k condiciones.
El investigador puede obtener N conjuntos, cada uno de k sujetos igualados, y
asignar al azar a un sujeto de cada conjunto a la primera condicin, segunda
condicin, etc.
El anlisis de varianza bifactorial de Friedman evala la hiptesis nula de que
los k grupos igualados o medidas repetidas provienen de la misma poblacin o
de poblaciones con la misma mediana.
Para la prueba de Friedman, los datos deben presentarse en una tabla de doble
entrada conteniendo N renglones (sujetos o conjuntos de sujetos igualados) y k
columnas (las distintas condiciones). Los datos que emplea esta prueba son rangos, las puntuaciones en cada rengln se ordenan por rangos separadamente,
estudiando k condiciones, los rangos de cualquier rengln varan de 1 a k.
La prueba de Friedman determina la probabilidad de que diferentes columnas de
rango (muestras) provengan de la misma poblacin, es decir, que las k variables tengan la misma mediana. La prueba de Friedman determina si los rangos
totales (R ) para cada condicin o variable, difieren significativamente de los
j
valores esperados por oportunidad, para realizar esta prueba, se calcula el valor

del estadstico denotado por Fr.
Fr =
F 12
I
GH Nk ( k + 1) R JK 3N ( k + 1)
k
2
j
j =1
Donde:
N = Nmero de renglones (sujetos)
k = Nmero de columnas (variables o condiciones)
(R ) = Suma de los rangos en la j-sima columna (suma de los rangos para variaj
ble j-sima)
k
= Sumatoria de los cuadrados de los rangos de todas las condiciones.

j =1
Cuando el nmero de renglones (N) y/o columnas k es grande, el estadstico de

Fr, se distribuye aproximadamente como la Ji-Cuadrada con gl. = k - 1, y mejor
se aproxima a la prueba de F que resulta al hacer el ANVA usual.
Procedimiento para realizar el Anlisis de FRIEDMAN:
1. Hiptesis:
H0 : 1 = 2 =L= t
H a : j j'
j j'
2. Nivel de significancia: = 0.05 = 0.01

3. Estadstica de prueba (Porque usar la prueba de Friedman)
4. Distribucin Muestral:
k
12
Fr =
R2j 3N ( k + 1) ,
Nk ( k + 1) j =1
5. Regin de rechazo: Si
con gl. = k - 1
2
2c = Fr > gl , , entonces se rechaza la Ho.
Si 2c = Fr
gl , , entonces se acepta la Ho:

2
Fc > FglNumerador
, entonces se rechaza la Ho:
error ,
Fc FglNumerador
error ,
6. CONCLUSIN: Se puede concluir comparando ( 2c = Fr) con
cuadrado de la tabla, Anexo, C).
2gl , (Ji-

Un fisioterapeuta condujo un estudio para comparar tres modelos diferentes de
generadores de ondas de bajo voltaje. A nueve fisioterapeutas se les pidi que
clasificaran en orden de preferencias a esos tres generadores. Un rango de 1
indica la primera preferencia. Los resultados se muestran en seguida. Se pretende
saber si es posible concluir que los modelos no tienen igualdad de preferencia.
1. Hiptesis:
Ho: Todos los tratamientos tienen efectos idnticos.
Ha: Al menos uno de los tratamientos tiende a proporcionar observaciones
ms grandes que, almenos, uno de los tratamientos.
2. Nivel de significancia: = 0.05 = 0.01
3. Estadstica de prueba: Por medio de la prueba de Friedman es posible determinar si es razonable suponer que las columnas de rango fueron extradas de la
misma poblacin.
Fr =
k
12
R2j 3N( k + 1) ,
Nk ( k + 1) j =1
5. Regin de rechazo: Si
con gl. = k - 1
2c = Fr > 22 ,0 .01 = 7.82 , entonces se rechaza la Ho.
Si 2c = Fr
2 ,0.01 = 7.82 , entonces se acepta la Ho:

2
Fc > FglNumerador
error ,
Fc FglNumerador
error ,
6. Clculo de la estadstica de prueba: Mediante el uso de datos de la tabla anterior, se obtiene:
Fr =
12 k 2
12
Rj 3N(k +1) =
152 +252 +142 3x9(3+1)=8.222
Nk(k +1) j=1

9x3(3+1)
7. DECISIN: Como
2c = Fr = 8.22 > 2 ,0.01 = 7.82 , entonces se rechaza la

2
Ho: y se acepta la hipteis Ha.

8. CONCLUSIN: Se concluye que los tres modelos del generador de ondas de
bajo voltaje no tienen igual preferencia.

MTODO AUTOMATIZADO PARA LA PRUEBA DE FRIEDMAN
continuacin:
Una vez presionado el botn izquierdo, aparece el siguiente caja de dilogo, tal
Estadstica No Paramtrica Aplicada a la Ganadera - 107 Al presionar en la ficha OK, procede a realizar los clculos y muestra la salida en
Test Statisticsa
Ranks
A
B
C
Mean
Rank
1.67
2.78
1.56
N
Chi-Square
df
Asymp. Sig.
9
8.222
2
.016
a. Friedman Test
EJEMPLO:
Se ensay un experimento para analizar el efecto de dos fermentos lcticos y un
testigo en la elaboracin del queso tipo Chuquibambilla (Queso 1: Fermento lctico lento, Queso 2: Fermento lctico rpido y queso 3: testigo), las variables de
respuesta fueron: Sabor, olor, color, textura y corteza, para esto se us la siguiente
escala ordinal para calificar:
Muy bueno
= 1 punto;
Bueno
= 2 puntos;
Regular
= 3 puntos;
Malo
= 4 puntos;
Muy mal
= 5 puntos.
La informacin se presenta a continuacin para la variable: SABOR
Probador
I
II
Grupo
III
N= 8
IV
V
VI
VII
VIII
TIPODEQUESO
Q1 Q2 Q3
1
2
1
2
2
1
2
2
1
1
2
1
2
2
1
2
3
2
2
3
2
3
3
2
Rangos de 8 grupos
Q1
Q2
1.5
3
2.5
2.5
2.5
2.5
1.5
3
2.5
2.5
1.5
3
1.5
3
2.5
2.5
Rj
16
22
Q3
1.5
1
1
1.5
1
1.5
1.5
1
10
Y.j
6
6
6
6
6
6
6
6
Y.. = 48
Fr =
k
12
12
R 2j 3N ( k + 1 ) =
162 + 222 + 102 3x8(3+1)
8x3(3+1)
Nk ( k + 1) j =1
Fr =
12
( 840 ) 96 = 9.0
96
Tabla de Ji-cuadrado:
. ; 22,0.01 = 921
.
(2k1), = 22,0.05 = 599
DECISIN:
Como Fr = 9.0 > 22 ,0.01 = 9.21 , entonces se rechaza la Ho:, encontrndose una
diferencia estadstica altamente significativa entre los tres tipos de quesos, que se
han experimentado.
Comparaciones Mltiples entre Grupos o Condiciones.
Para probar la significancia de las diferencias de los pares individuales, utilizamos la siguiente desigualdad:
Ru Rv Z k ( k 1 )
Nk ( k + 1 )
6
Para rangos promedios dentro de cada condicin:
Ru Rv Z k ( k 1 )
k ( k + 1)
6N
Primero debemos determinar las diferencias entre las condiciones. Por

conveniencia, emplearemos los subndices. R1 = 16, R2 = 22 y R3 = 10 y las
diferencias son:
R1 R2 = 16 22 = 6
R1 R 3 = 1 6 1 0 = 6
R 2 R 3 = 22 10 = 12
Debido a que
igual a k ( k 1 )
= 0.05 y k = 3, entonces el nmero de comparaciones #C es

2 = 3( 3 1 ) 2 = 3 .
Primeramente, se calcular: k( k 1) = 005

, ste valor debe
. 3( 31) = 00083
.
ser encontrado en la Tabla Z de la distribucin normal (Anexo, A), es decir
Z0.0083 = 2.394 . Entonces, la diferencia crtica es:

Z k ( k 1 )
8x3( 3 + 1 )
Nk ( k + 1 )
= 2.394
= 9.576
6
6
Se realiza la comparacin R 2 R 3 = 22 10 = 12 > 9.576, es decir existe diferencia significativa entre los tipos de quesos elaborados con fermento lctico rpido y el queso elaborado en forma tradicional (testigo).
EJERCICIOS:
1.- La siguiente tabla indica las calificaciones obtenidas por nueve estudiantes de
Medicina Veterinaria y Zootecnia, seleccionadas al azar en los exmenes finales
de tres materias distintas. Probar la hiptesis nula segn la cual los estudiantes de
MVZ que constituyen la poblacin de la cual se extrajo la muestra tienen un
aprovechamiento igual en las tres materias, contra la hiptesis alternativa de que
su aprovechamiento es mejor por lo menos en una de las materias. Sea = 0.05.
Estudiante
1
2
3
4
5
6
7
8
9
MATERIA
Fundamentos Fisiologa
98
95
95
71
76
80
95
81
83
77
99
70
82
80
75
72
88
81
Anatoma
77
79
91
84
80
93
87
81
83
2.- A quince estudiantes de fisioterapia seleccionados al azar se les dieron las siguientes instrucciones: suponga que se van a casar con un persona que tiene
alguna de las siguientes incapacidades (se clasificaron las incapacidades de 1 a
10, de acuerdo con su primera, segunda, tercera (y as sucesivamente) eleccin de
la incapacidad que aceptaran en su cnyuge. Los resultados se muestran en la
siguiente tabla.
N de
estudiante
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
A
1
1
2
1
1
2
2
1
1
2
2
2
3
2
2
B
3
4
3
4
4
3
4
5
4
3
4
3
2
5
3
C
5
5
7
7
7
7
6
7
5
6
5
6
6
7
6
D
9
7
8
8
8
9
9
9
7
8
8
8
9
8
7
INCAPACIDAD
E
F
8
2
8
2
9
1
9
2
10
2
8
1
8
1
10
2
8
2
9
1
9
1
10
1
8
1
9
1
8
1
G
4
3
4
3
3
4
3
3
3
4
3
4
4
3
5
H
6
6
6
6
6
5
7
4
6
7
7
5
7
4
4
I
7
9
5
5
5
6
5
6
9
5
6
7
5
6
9
J
10
10
10
10
9
10
10
8
10
10
10
9
10
10
10
Probar la hiptesis nula de que no existe preferencia respecto a las incapacidades

contra la hiptesis alternativa de que algunas incapacidades se prefieren sobre
otras. Sea = 0.05.
3.- Se analizaron tres sistemas para el servicio de alimentacin en cinco hospitales.
La variable de inters es el tiempo (en minutos) empleado apra servir los alimentos. En cada hospital see sirvi la comida de medioda segn cada mtodo,
Hospital
1
2
3
4
5
A
7.56
9.98
7.23
8.22
7.59
MTODOS
B
9.68
9.69
10.49
8.55
8.30
C
11.65
10.69
11.77
10.72
12.36
Despus de eliminar los efectos propios del hospital, sugieren estos datos una
diferencia entre los mtodos en el tiempo medio empleado para servir la comida?
Sea = 0.05. Calcula de prueba de Friedman.
4.- Diecisis individuos con sobrepeso participaron en un anlisis para comparar
cuatro dietas para reduccin de peso. Los individuos formaron grupos de acuerdo
con el peso inicial y a cada uno de los cuatro sujetos de cada grupo se le asign, al
azar, una de las cuatro dietas de reduccin de peso. Al terminar el perodo experimental se consider la prdida de peso en libras como sigue:
Estadstica No Paramtrica Aplicada a la Ganadera - 111 Peso

inicial (libras)
150 a 174
175 a 199
200 a 225
Ms de 225
RGIMEN
A
12
15
15
18
B
26
29
27
38
C
24
23
25
33
D
23
25
24
31
Despus de eliminar las diferencias debidas al peso inicial, estos datos proporcionan suficiente evidencia para indicar una diferencia en los efectos de la dieta?
Sea = 0.05. Calcula de prueba de Friedman.
5.- Un equipo de remotivacin en un hospital psiquitrico efectu un experimento
para comparar cinco mtodos para remotivar a los pacientes. Estos ltimos se
agruparon de acuerdo con el nivel inicial de motivacin. A cada paciente de los
cinco grupos se le asign, al azar, uno de los cinco mtodos. Al final del periodo
experimental, un equipo, formado con un psiquiatra, un psiclogo, una enfermera y un trabajador social, evalu a los pacientes. Ningn miembro del equipo
supo el mtodo asignado a cada paciente. El equipo asign a cada paciente una
calificacin como medida de su nivel de motivacin. Los resultados son los siguientes:
Nivel incial
de motivacin
Nulo
Muy bajo
Bajo
Promedio
A
58
62
67
70
MTODO DE REMOTIVACIN
B
C
D
68
60
68
70
65
80
78
68
81
81
70
89
E
64
69
70
74
Proporcionan estos datos la evidencia suficiente que indique una diferencia en

los puntajes medios entre los mtodos? Sea = 0.05. Calcula de prueba de
Friedman.
6.- La enfermera supervisora de un departamento de salud local quera analizar el
efecto de la hora del da en la duracin de las visitas domiciliarias realizadas por
el personal de enfermera. Pensaba que las diferencias individuales entre las enfermeras podan ser grandes, por lo que utiliz a las enfermeras como un factor
de formacin de bloques. Recolect adems los siguientes datos:
Enfermera
A
B
C
D
Duracin de la vis ita s egn la hora del da

Temprano
M edia
Temprano
M edia
en la maana
maana
en la tarde
tarde
27
28
30
23
31
30
27
20
35
38
34
30
20
18
20
14
Proporcionan estos datos evidencia suficiente para indicar una diferencia en la

duracin de las visitas domiciliarias en las diferentes horas del da?. Sea =
0.05. Calcula de prueba de Friedman.
7.- La siguiente tabla, muestra los resultados de un experimento de bloques aleatorios
para comparar los efectos de 4 diferentes mtodos de tratamiento de plasma sobre
el tiempo de coagulacin. Las muestras de plasma de 8 individuos (bloques o
grupos), se asignan a los cuatro tratamientos segn un orden aleatorio. Calcule la
prueba de Friedman. Use = 0.05.
1
2
Tratamientos
3
4
1
8.4
9.4
9.8
12.2
2
12.8
15.2
12.9
14.4
3
9.6
9.1
11.2
9.8
Individuos
4
5
9.8
8.4
8.8
8.2
9.9
8.5
12.0
8.5
6
8.6
9.9
9.8
10.9
7
8.9
9.0
9.2
10.4
8
7.9
8.1
8.2
10.0
4.3. PRUEBA DE PAGE PARA ALTERNATIVAS ORDENADAS.

FUNCIN:
- La prueba de Page para alternativas ordenadas, evala la hiptesis de que los
grupos (o las medidas) son los mismos contra la hiptesis alterna de que los
grupos (o las medidas) estn ordenados en una secuencia especfica.
- Las hiptesis nula y alterna de manera ms explcita es
= mediana de la
poblacin para el j-simo grupo o medida.

- Se plantea la hiptesis nula de que las medianas son las mismas como:
H 0 : 1 = 2 =L = k
- La hiptesis alterna debe plantearse de la siguiente manera:
H a : 1 2 L k
Estadstica No Paramtrica Aplicada a la Ganadera - 113 - Las medianas se encuentran ordenadas por magnitud.
- Si la hiptesis alterna es verdadera, al menos una de las diferencias es una
desigualdad estricta (<).
- El investigador debe ser capaz de especificar el orden de los grupos (medidas o
condiciones) a priori.
- Para aplicar la prueba de Page, los datos de las k muestras o medidas deben
encontrarse al menos en escala ordinal.
- Existen N casos o conjuntos de observaciones. Como en el anlisis de varianza
bifactorial por rangos de Friedman, si las k muestras son igualadas, la igualacin se logra al obtener N conjuntos de k sujetos igualados y asignar
aleatoriamente a cada uno de los sujetos en cada una de las k condiciones.
MTODO:
- Para aplicar la prueba de Page para alternativas ordenadas, el investigador debe
especificar primero el ordenamiento, a priori, de los grupos.
- Los datos se colocan en una tabla de doble entrada con N renglones (sujetos) y
k columnas (condiciones o variables).
- Los renglones representan los sujetos o conjuntos de sujetos igualdos, y las
columnas representan las k condiciones (grupos o medidas).
- Los datos para la prueba de Page son rangos.
- Las puntuaciones en cada rengln se ordenan por separado y varan de 1 a k.
- La hiptesis nula consiste en que el rango promedio en cada una de las columnas es el mismo.
- La hiptesis alterna es que el rango se incrementa a lo largo de los grupos del 1
al k.
- Se utilizan los rangos totales R j para los j-grupos. Para realizar la prueba, se
calcula el etadstico L.:
k
L = jR j = R1 + 2 R2 + 3R3 +L+ kRk

j =1
donde R j es la sumatoria de los rangos en las j-columnas.

- El mtodo para determinar la probabilidad asociada a L cuando Ho: es verdadera, depende del tamao de N y de k.
MUESTRAS PEQUEAS:
- La tabla de valores crticos del estadstico L de la prueba de Page (Anexo, N),
nos proporciona los valores crticos de L seleccionados para N 20 cuando k =
3, y N 12 cando 4 k 10. Si el valor observado de L es mayor que el valor

contenido en las tablas en el nivel de significacin escogido, se debe rechazar la
hiptesis Ho: a favor de la hiptesis alterna Ha:
MUESTRAS GRANDES.
- Si el nmero de observaciones y/o variables excluye el uso de la tabla de valores
crticos de la estadstica L, se utiliza una aproximacin para muestras grandes
en la evaluacin de la hiptesis mediante el estadstico L de la prueba de Page.
Para valores grandes de N y k, la distribucin muestral de L se distribuye de
manera aproximadamente normal con:
L =
Nk ( k + 1 )2
,
4
2L =
Nk 2 ( k 2 1 )2
144( k 1 )
As, para evaluar la hiptesis Ho: de que las medianas son iguales, contra la
hiptesis de que las medianas estn ordenadas, debemos calcular el estadstico
ZL :
ZL =
12 L 3 Nk ( k + 1 )2
k ( k 2 1)
k 1
N
Para N grande, el estadstico z L est distribudo aproximadamente demanera

normal, con media igual a cero y desviacin estndar igual a uno. La significacin de z L y de L puede ser determinada mediante cualquier tabla de distribucin normal estndar (Anexo, A). Debido a que las alternativas estn ordenadas,
la prueba de Page es unidireccional.
EJEMPLO:
Se tiene la informacin referente al uso estratgico del ensilado de cebada en la
poca de seca, para suplementar a las alpacas de la raza Huacaya, se han registrado 6 alpacas para realizar el seguimiento de los pesos vivos (kg), tomndose
nueve pesos desde inicio hasta el final. La informacin se presenta a continuacin:
Peso vivo (kg) de alpacas de la Raza Huacaya
Sujeto 15-11-00 30-11-00 15-12-00 30-12-00 15-01-01 30-01-01 15-02-01 30-02-01 15-03-01
03H4010 33.0
28.0
27.5
33.5
30.0
25.5
37.5
38.0
42.0
03H1010 26.5
27.0
25.0
26.0
27.5
28.5
30.5
31.0
34.0
04H3010 30.0
28.6
28.5
23.5
25.5
26.5
28.0
31.0
32.0
05H1010 29.5
30.5
23.0
29.0
31.0
31.5
31.5
32.5
32.0
04H4010 33.0
31.0
33.5
33.6
33.8
34.0
33.7
37.5
30.0
04H8010 28.5
27.0
26.0
27.5
28.6
29.0
32.0
31.0
28.0
Estadstica No Paramtrica Aplicada a la Ganadera - 115 SOLUCIN:

Ho: Los pesos vivos de las alpacas registradas desde el inicio con un espacio de
15 das hasta el final (9no), no tienen efecto de variabilidad en los
espaciamientos de tomas de datos.
Ha: Existe variabilidad de pesos vivos, en cada uno de los sujeto registrados
desde el inicio hasta el final del experimento.
2. Prueba Estadstica: Se seleccion la prueba de Page para alternativas ordenadas
por que el investigador supone un ordenamiento en la exactitud de los pesos
vivos. Se excluye el anlisis de varianza paramtrico, ya que los datos muestran
una falta de homogeneidad en la varianza y las distribuciones parecen estar
sesgadas.
3. Nivel de Significacin: = 0.05; N = es el nmero de sujetos = 6, y k = 9, es
el nmero de mediciones en cada sujeto.
4. Distribucin muestral: Los valores de N y k son pequeos, entonces la
distribucin muestra de L calculado con la ecuacion :
k
L = jR j = R1 + 2 R2 + 3R3 +L+ kRk , se encuentra tabulada en la Tabla de

j =1
valores crticos del estadstico L de Page (Anexo, N).

5. Regin de rechazo y aceptacin: La regin de rechazo consiste en todos los
valores de L observados que exceden los valores registrados en las tablas,
asociados a los valores apropiados de , N y k.
6. Clculos Estadsticos:
Peso vivo (kg) de alpacas de la Raza Huacaya
Sujeto 15-11-00 30-11-00 15-12-00 30-12-00 15-01-01 30-01-01 15-02-01 30-02-01 15-03-01
03H4010
5
3
2
6
4
1
7
8
9
03H1010
3
4
1
2
5
6
7
8
9
04H3010
7
6
5
1
2
3
4
8
9
05H1010
3
4
1
2
5
6
7
9
8
04H4010
3
2
4
5
7
8
6
9
1
04H8010
5
2
1
3
6
7
9
8
4
26
21
14
19
29
31
40
50
40
Rj =
Seguidamente calculamos L:
9
L = jRj = 26+ 2(21) + 3(14) + 4(19) +5( 29) + 6( 31) + 7(40) +8(50) + 9( 40) = 1557
j=1

En la tabla de valores crticos de la estadstica de L de Page (Anexo, N), se
muestra que para el valor crtico de L, para =0.05, N = 6 y k = 9, es 1436.
7. Decisin: Como L6 ,9 ,0.05 = 1436 es menor L(1557), entonces el experimentador
rechaza la hiptesis Ho: y concluye que existe la variabilidad de pesos en cada
sujeto en la experimentacin.
5
EL CASO DE K-MUESTRAS INDEPENDIENTES
5.1. PRUEBA JI-CUADRADA PARA K-MUESTRAS INDEPENDIENTES.
- Cuando los datos experimentales consisten en frecuencias en categoras discretas (nominales o categricos y, en ocasiones, ordinales), se puede utilizar la
prueba Ji-cuadrada para evaluar la significacin de las diferencias entre k
- La prueba Ji-cuadrada para k muestras o grupos independientes es una extensin de la prueba Ji-cuadrada para dos muestras independientes, presentada
anteriormente.
- La prueba Ji-cuadrada es similar tanto para dos como para k muestras o
MTODO:
- Para aplicar la prueba Ji-cuadrada, primero debemos presentar los datos (frecuencias) en una tabla rxk, donde los datos en cada columna corresponden a las
frecuencias en cada una de las r categoras de respuesta para cada uno de los
k grupos o muestras diferentes.
- Determine la frecuencia esperada segn Ho: para cada celdilla encontrando el
producto de los totales marginales comunes a la celdilla y dividiendo este producto entre N. Es decir, encuentre las frecuencias esperadas eij = i j N (N es
la sumatoria de cada uno de los totales marginales y representa el nmero total
de observaciones independientes. Cuando se inflan los valores de N debido a
mltiples observaciones de cada sujeto, esto invalida la prueba). Si las frecuencias esperadas son pequeas, combine categoras.

- Calcule 2c , utilizando las siguientes ecuaciones.
d e i
=
ij
2
c
ij
eij
i =1 j =1
~ (2r 1)( k 1) , eij =
i j
N
=
2
c
i =1 j =1
ij2
eij
(2r 1 )( k 1 )
Donde:
i.
=Es el total observado por la i-sima fila.
.j
= Es el total observado por la j-sima columna.
..
= Es el total general (tamao de muestra).
r = nmero de filas.
k = nmero de columnas.
- Determine los grados de libertad gl = (r - 1)(k - 1)
- Determine la significacin de la 2c observada recurriendo a la tabla de valores
crticos de la prueba Ji-cuadrada (Anexo, C). Si la probabilidad para el valor
observado de 2c con un valor particular de grados de libertad (el que corresponda) es menor o igual que , rechace la hiptesis nula en favor de Ha:
Cundo utilizar la prueba Ji-cuadrada
- La Ji-cuadrada requiere que las frecuencias esperadas eij en cada celdilla no
sean demasiado pequeas.
- Cuando se viola este requisito, los resultados de la prueba no pueden ser interpretados porque la distribucin 2c no est bien aproximada a la distribucin
de la Ji-cuadrada de la Tabla de valores crticos de Ji-cuadrada (Anexo, C).
- Cochran (1954) recomienda que en pruebas de Ji-cuadrada donde los grados de
libertad son mayores que uno (gl>1) (esto es, que r k sean mayores que dos), el
nmero de celdillas que presenten frecuencias esperadas menores que cinco (eij
<5), no debe ser mayor del 20% y ninguna celdilla debe presentar frecuencias
esperadas menores que uno (eij <1).
Estadstica No Paramtrica Aplicada a la Ganadera - 119 - Si los requisitos no son cubiertos por los datos de acuerdo con la forma en que se
recolectaron y no fue posible contar con una muestra grande, el investigador
debe combinar categoras para incrementar las eij en varias celdillas.
- Despus de combinar las categoras y despus de que menos del 20% de las
celdillas tengan frecuencias esperadas menores que cinco, y ninguna celdilla
tenga una frecuencia esperada menor que uno, el investigador puede interpretar
tilmente los resultados de la prueba Ji-cuadrada.
- La combinacin de las categoras debe realizarse juiciosamente, esto es, los
resultados de la prueba estadstica pueden no ser interpretados si las categoras
han sido combinadas caprichosamente.
- Las categoras que son combinadas deben tener alguna propiedad en comn o
identificacin mutua, por si la interpretacin del resultado de la prueba, despupes
de haber combinado los renglones o columnas, tiene cierta utilidad.
- El investigador debe ser precavido contra la necesidad de combinar categoras
si se utiliza una muestra suficientemente grande.
- La prueba Ji-cuadrada es insensible a los efectos de orden, as, cuando se ordenan las categoras de respuesta o los grupos (o ambos), la prueba Ji-cuadrada
puede no ser la mejor.
- Cochran (1954) ha presentado mtodos que fortalecen la prueba Ji-cuadrada
comn cuando Ho: es verdadera contra alternativas especficas.
- Finalmente, debe notarse que la prueba Ji-cuadrada es aplicada a frecuencias.
- No es correcto emplear porcentajes o cualquier otra transformacin de los datos
al aplicar la prueba de Ji-cuadrada.
EJEMPLO:
Un grupo de investigadores, al estudiar la relacin entre el tipo sanguneo y la
severidad de una afeccin en la poblacin, reuni los datos de 1500 personas, los
cuales se presentan en la tabla de contingencia. Los investigadores desean saber si
estos datos son compatibles con la hiptesis de que el grado de la afeccin y el tipo
sanguneo son independientes. La informacin se presenta a continuacin:
1500 individuos clasificados segn la severidad de su condicin y tipo de sangre
Severidad
TIPODESANGRE
de la condicin
TOTAL
A
B
AB
O
AUSENTE
543
211
90
476
1320
MODERADA
44
22
8
31
105
SEVERA
28
9
7
31
75
TOTAL
615
242
105
538
1500

SOLUCIN:
1. Hiptesis Esadstica (Planteamiento de la hiptesis).
Ho: El tipo sanguneo y la severidad de la afeccin son independientes.
Ha: Las dos variables no son independientes.
2. Nivel de significacin = 0.05.
3. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrada de r filas por
k categoras, adems los datos estn expresados al menos en una escala ordinal,
por consiguiente se aplicar la Ji-cuadrada.
4. Distribucin muestral: Se utiliz la siguiente ecuacin:
2c
d
=
r
i =1 j =1
ij
eij
eij
(2r 1 )( k 1 )

(543- 541.2) 2 (211- 212.96) 2
(31- 26.90) 2
+
+ L+
5412
.
212.96
26.90
= 0.005987+0.018039+ .........+0.624907
= 5.12
2c =
Si 2c = 5.12 26 ,0 ,05 = 12.592 , se acepta la Hiptesis Nula (Ho).

Si 2c = 5.12 > 26 ,0 ,05 = 12.592 , se rechaza la Ho: y se acepta la Ha.
7. Decision: Como 2c = 5.12 26 ,0 ,05 = 12.592 , entonces se concluye que es
cierto la hiptesis Ho:, es decir los datos son compatibles con la hiptesis de
que el grado de la afeccin y el tipo sanguneo son independientes. al menos
estos datos, debido a la ntima concordancia entre las frecuencias observadas y
esperadas, no proporcionan evidencia suficiente que indique una falta de
independencia entre los criterios de clasificacin, debido a que 5.12 < 10.645,
p > 0.10
Para analizar con el SPSS, se debe crear un programa de la siguiente manera:
FILE > NEW > SYNTAX (aparece una pantalla en blanco, en el cual se debe ingresar
las lneas de sentencias).
Una vez realizado el clic en la opcin SYNTAX, se presenta la pantalla de Editor

de Sintxis.
Para ejecutar el programa, se solicita en el men principal la opcin RUN > ALL
y clic, es decir ejecutar el programa y seleccionar toda las sentencias.

Los resultados se presentan en la pantalla de OUTPUT (pantalla de de resultados),
tal como se puede apreciar a continuacin:
SEVERIDAD * Tipo de sangre Crosstabulation
Count
SEVERIDAD
Ausente
Moderada
Severa
Total
A
543
44
28
615
Tipo de sangre
B
AB
211
90
22
8
9
7
242
105
O
476
31
31
538
Total
1320
105
75
1500
Chi-Square Tests
Pearson Chi-Square
Likelihood Ratio
Linear-by-Linear
Association
N of Valid Cases
Value
5.116a
5.060
.216
6
6
Asymp.
Sig.
(2-sided)
.529
.536
.642
df
1500
a. 0 cells (.0%) have expected count less than 5. The

minimum expected count is 5.25.
EJERCICIOS:
1. En estudio de asociacin entre color de ojos y de cabello se obtuvieron los
siguientes datos:
Color de ojos
Azules
Grieses
Castaos
Avellanos
TOTAL
Rubio
60
20
10
10
100
Color de cabello
Castao Negro
40
60
50
20
50
10
160
10
300
100
Rojo
40
10
30
20
100
Total
200
100
100
200
600
2. Un gerente de personal de una compaa grande, investigando la satisfaccin

de empleados con su trabajos asignados, recopil los siguientes datos para 200
empleados en cada una de las cuatro categoras de trabajo. Indican estos datos
Estadstica No Paramtrica Aplicada a la Ganadera - 123 que las clasificaciones de satisfaccin son dependientes de las categoras del
empleo a un nivel de 0.05?.
Clas ific ac in
A LTA
M E DIA
B A JA
TO TA L
I
40
103
57
200
II
60
87
53
200
III
52
82
66
200
IV
48
88
64
200
Total
200
360
240
800
2c = 8 .7 3
3. Se clasific en forma cruzada una muestra de 250 mdicos de acuerdo con su
especialidad y con la zona de la comunidad en que trabajaban. Los resultados
fueron los siguientes:
Zona de la
comundad
Norte
Sur
Este
Oeste
Total
A
20
6
4
10
40
ESPECIALIDAD
B
C
18
12
22
15
6
14
19
23
65
64
D
17
13
11
40
81
Total
67
56
35
92
250
Proporcionan estos datos la evidencia suficiente para indicar una falta de

independencia entre los dos criterios de clasificacin?. Sea = 0.01.
5.2. EXTENSIN DE LA PRUEBA DE LA MEDIANA

CONDICIONES:
- La extensin de la prueba de la mediana determina si k grupos independientes (no necesariamente del mismo tamao) se han extrado de la misma poblacin o de poblaciones distintas, pero son medianas iguales.
- Esta prueba es til y apropiada cuando la variable en estudio ha sido medida en,
al menos escala ordinal.
- Es adecuado cuando, por alguna razn, no ha sido posible observar el valor
exacto de las puntuaciones extremas, es decir, cuando algunos de los datos observados se encuentran por arriba del punto de corte.

MTODO:
- Para aplicar la extensin de la prueba de la mediana, primero debemos determinar el valor de la mediana para las puntuaciones de las k muestras combinadas, encontramos la mediana comn para todas las puntuaciones en los k
grupos.
- Asigne signos de ms (+) a todas las puntuaciones que se encuentren por encima de la mediana y signos de menos (-) a todas aquellas que se encuentren por
debajo de la mediana (puede suceder que una o ms puntuaciones coincidan con
el valor de la mediana; entonces, se deben dicotomizar las puntuaciones, es
decir, se asigna un ms (+) si la puntuacin es mayor que la mediana o un
menos (-) si la puntuacin es igual o menor que la mediana), por ello, cada uno
de los grupos de puntuaciones se dividi en dos categoras (las anteriores).
- Presentar los conjuntos de puntuaciones resultantes en una tabla de contingencia de 2xk, con los nmeros en el cuerpo de la tabla representando las frecuencias de signos de ms (+) (puntuaciones por arriba de la mediana) y signos de
menos (-) (puntuaciones por debajo de la mediana) en cada uno de los k
grupos.
GRUPOS
Observaciones por arriba de la mediana

Observaciones por abajo de la mediana
1
n11
n21
2
n12
n22
k
n1k
n2k
....
....
....
- Utilizando los datos de la tabla que se ha formado, calcule el valor de 2c mediante la siguiente ecuacin:
d
=
2
2
c
ij
i =1 j =1
eij
eij
con gl . = k 1 , =
2
c
ij2
e
i =1 j =1
ij
Donde:
ij =Nmero de casos observados que fueron categorizados en el i-simo

rengln de la j-sima columna.
e ij
= Nmero de casos esperados en el i-simo rengln de la j-sima
columna cuando Ho: es verdadera.

r = Nmero de filas = 2; k = nmero de columnas y gl. = k -1
- Determine la significacin del valor observado de 2c , utilizando la tabla de
valores crticos de la distribucin Ji-cuadrado (Anexo, C). Si la probabilidad
Estadstica No Paramtrica Aplicada a la Ganadera - 125 asociada dada por los valores tan grandes como la 2c observada es igual o
menor que , rechace la Ho: en favor de la Ha: El procedimiento de clculo
para esta prueba es exactamente el mismo que para la Ji-cuadrada para k-muestras independientes, que se se desarrolla en temas anteriores.
EJEMPLO:
Se realiz en el CIP-Chuquibambilla durante los meses de octubre 1991 a agosto
de 1992, la induccin de celo, para lo cual se us los agentes estimuladores en
borregas: con cras (G1) tratados con Acetato de Melengestrol (MGA), sin cra
(G2) tratados con Acetato de Melengestrol, con cra (G3) con retajo y con cra
(G4) sin recibir ningn estmulo (control), todo los grupos tenan pesos vivos
homogneos. La informacin corresponde a los pesos vivos (kg) de borregas que
estn en celo en los diferentes grupos en estudio.
N r o. d e bor r e g a s e n c elo q u e e st n c on el a g en te
N d e B or r eg a s
G1
G2
1
26
25
2
40
32
3
28
28
4
24
30
5
33
34
6
25
29
7
29
29
8
38
31
9
24
32
30
10
25
11
28
12
28
13
30
estim u la d or .
G3
G4
26
24
28
30
28
28
24
26
27
25
29
27
31
25
26
30
32
28
30
Probar con la prueba de la mediana para k grupos independientes:

SOLUCIN:
Ho: No existe diferencia de peso vivo (kg) en borregas que han presentado celo
con el agente estimulador en los cuatro grupos.
Ha: La frecuencia de borregas en los cuatro grupos difieren en los pesos vivo
(kg) inducidos con el agente estimulador.
2. Nivel de Significacin: = 0.05 y N es el nmero de borregas que pertenecen
a los cuatro grupos (N = 42).
3. Prueba Estadstica: La informacin que se presenta es a borregas con distintos
pesos vivos y grupos independientes. Se utilizan varios grupos, entonces es
recomendable usar una prueba para k-muestras o grupos independientes, adems
los datos estn al menos en escala ordinal.

4. Distribucin muestral: Segn la hiptesis nula Ho:, el estadstico 2c , se calcula
mediante la ecuacin siguiente:
d
=
2
2
c
i =1 j =1
ij
eij
eij
con gl . = k 1
que se distribuye aproximadamente como Ji-cuadrada con gl. = k - 1 cuando

r = 2. La probabilidad asociada con la ocurrencia de valores tan grandes como
un 2c observada cuando Ho: es verdadera nos proporciona la tabla de valores
crticos de la distribucin Ji-cuadrada (Anexo, C).
Primeramente ordenamos los datos, sin tomar encuenta los grupos en estudio
de menor a mayor, para luego encontrar la mediana.
Datos ordenados de menor a mayor (combinados) en general.
24
25
27
28
30
32
24
25
28
28
30
32
24
26
28
29
30
32
24
26
28
29
30
33
25
26
28
29
30
34
25
26
28
29
31
38
25
27
28
30
31
40
Mediana = (28+28)/2 = 28
En segundo lugar,, se ordenan en forma ascendente por cada grupo en estudio,

de la siguiente forma:
Pesos Vivos (kg) orden ados por cada grupo en form ascen den te.
N de Borrega
G1
G2
G3
G4
1
24 25 24 24 2
24 28 26 25 3
25 29 +
26 25 25 27 26 4
29 +
5
26 30 +
28 27 28 28 28 6
30 +
7
28 31 +
29 +
28 8
28 32 +
31 +
30 +
9
29 +
32 +
32 +
30 +
10
30 +
34 +
30 +
11
33 +
12
38 +
13
40 +
Estadstica No Paramtrica Aplicada a la Ganadera - 127 En tercer lugar, presentar en una tabla de contingencia de 2x4, con los nmeros
en el cuerpo de la tabla representando las frecuencias de signos de ms (+)
(puntuaciones por arriba de la mediana) y signos de menos (-) (puntuaciones
por debajo de la mediana) en cada uno de los 4 grupos, de la siguiente forma:
Pesos vivos > que mediana (+)

Pesos vivos <= mediana (-)
TOTAL
2
G1
5
8
13
eij
5.88
7.12
G2
8
2
10
GRUPOS
eij
G3
4.52 3
5.48 6
9
eij
4.07
4.93
G4
3
7
10
eij TOTAL
4.52
19
5.48
23
42
d e i = (5-5.88) + (8-4.52) + (3-4.07) +L+(7-5.48) = 6576

.
2
2c =
ij
eij
i=1 j=1
ij
5.88
4.52
4.07
5.48
Con gl. = k - 1 = 4 - 1 = 3.
Observamos que las frecuencias esperadas son menores que 5, entonces se
recomienda realizar la combinacin de los grupos (G3 y G4), y realizar
nuevamente los clculos de la 2c observado de la siguiente forma:
Pesos vivos > que mediana (+)

Pesos vivos <= mediana (-)
TOTAL
2
GRUPOS
G2 eij (G3 y G4) eij TOTAL
8 4.52
6
8.6
19
2 5.48
13
10.4
23
42
10
19
eij
5.88
7.12
d e i = (5-5.88) +(8-4.52) +(6-8.60) +L+(13-10.4) =6567

.
2c =
i=1 j=1
G1
5
8
13
ij
ij
eij
5.88
4.52
8.60
10.4
con grados de libertad (gl. = k - 1 = 3 - 1 = 2).

El valor crtico de la distribucin Ji-cuadrada es: 2 ,0 .05 = 5.99, la probabilidad
2
est entre 0.05 y 0.02.

6. Regin de Rechazo: La regin de rechazo consiste en todo los valores 2c que
sean tan grandes que la probabilidad asociada con su ocurrencia cuando Ho: es
verdadera, sea menor o igual que = 0.05.
7. Decisin: 2c = 6.57 > 2 ,0.05 = 5.99, entonces se rechaza la Ho:, y se acepta
2
la Ha:, es decir la frecuencia de borregas en los cuatro grupos difieren en los

peso vivos inducidos con el agente estimulador. O de otra manera se puede
decidir con la probabilidad p = 0.02 < =0.05, entonces se rechaza la Ho:, es
decir existe evidencia suficiente para afirmar que la variabilidad de los pesos
vivos en los cuatro grupos es diferentes.

5.3. ANLISIS DE VARIANZA UNIFACTORIAL POR RANGOS DE
KRUSKAL-WALLIS (KW)
El Kruskal-Wallis, es una prueba extremadamente til para decidir si k muestras independientes provienen de diferentes poblaciones. La tcnica de Kruskal-Wallis
prueba la hiptesis nula de que las k muestras provienen de la misma poblacin o
de poblaciones idnticas con la misma mediana.
El anlisis de varianza por rangos de Kruskal-Wallis, requiere que las mediciones de la variable se encuentre, al menos en escala ordinal. Los datos se presentan en
una tabla de doble entrada, donde cada columna representa cada grupo o muestra
sucesiva.
En la mayora de las situaciones prcticas la estadstica KW, se aproxima suficientemente por una estadstica F, transformando las observaciones a rangos y
haciendo el ANVA usual sobre rangos.
1
Y11
Y21
Y31
....
....
....
Yn1
Donde
2
Y12
Y22
Y32
....
....
....
Yn2
GRUPO
3
Y13
Y23
Y33
....
....
....
Yn3
....
....
....
....
....
....
....
....
k
Y1K
Y2K
Y3K
....
....
....
Ynk
Y : Es el dato para la i-sima observacin en el j-sima grupo, y

ij
n : Es el nmero de observaciones en el j-simo grupo.
ij
En el clculo de la prueba de Kruskal-Wallis, cada una de las N observaciones

reemplaza por un rango (el que le corresponda). Esto es, todas las puntuaciones de
todas las k muestras, se combinan en una sola serie y se ordenan por rangos. La
puntuacin ms pequea se reemplaza por el rango uno, el que sigue en tamao
(ascendente), se reemplaza por el rango dos, y la puntuacin mayor se reemplaza por
el rango N, donde N es el nmero total de observaciones independientes de las k
muestras. Luego realizar la suma de rangos en cada muestra (columna).
Estadstica No Paramtrica Aplicada a la Ganadera - 129 La prueba de Kruskal-Wallis, evala la diferencia entre los rangos promedios
para determinar si son lo suficientemente dispares, de tal forma que no hayan sido
extrados de la misma poblacin. Existen dos formas para calcular la prueba de
Kruskal-Wallis (KW).
LM
N
d i
OP
Q
2
12 k
12 k 2
KW=
nj Rj R o KW=
njRj 3( N+1)
N( N+1) j=1
N( N+1) j=1
Donde:
k = Nmero de muestras o grupos.
n = Nmero de casos en la j-sima muestra
j
N = Nmero de casos en la muestra combinada (suma de n)
R = Sumatoria de los rangos en la j-sima muestra o grupo.
j
R j = Promedio de los rangos en la j-sima muestra o grupo.

R = ( N +1) 2 = Promedio de los rangos en la muestra combinada (la gran media)
Cuando k>3 grupos el nmero de observaciones en cada grupo es mayor que 5
(n >5), la distribucin muestral de KW est bien aproximada a la distribucin de la
j
Ji-Cuadrada con g.l. = k - 1.
Procedimiento para realizar el Anlisis de Kruskal-Wallis (KW).
H0 : 1 = 2 =L = g
1. Hiptesis:
Ha : g g'
g g'
2. Nivel de significancia: = 005

.
= 001
.
3. Estadstica de prueba (Porque usar la prueba de Kruskal-Wallis)
L 12 n R OP 3( N +1)
KW = M
,
N N( N +1) Q
j=1
5. Regin de rechazo: Si KW >

Si KW
R2j
2
j
j =1
= nj Rj2
j =1
2gl , , entonces se rechaza la Ho.

gl , , entonces se acepta la Ho:
2

o
Fc > FglNumerador
error ,
Fc FglNumerador
error ,
6. CONCLUSIN: Se puede concluir comparando KW con
2gl , (Ji-cuadrado
de la tabla, Anexo C).

Cuando las poblaciones de las cuales se extraen las muestras no siguen una distribucin normal con varianzas iguales o cuando los datos para el anlisis son nicamente rangos, es posible utilizar una alternativa no paramtrica para el anlisis unilateral de varianza y probar la hiptesis de parmetros de localizacin iguales.
EJEMPLO:
Se estudi el efecto de dos medicamentos en el tiempo de reaccin ante cierto
estmulo de 3 grupos de animales experimentales. El grupo III sirvi de control,
mientras que a los animales del grupo I se les aplic el medicamente A y a los del
grupo II el medicamento B antes de la aplicacin del estmulo. La informacin que
se presenta a continuacin muestra el tiempo de reaccin, en segundos de los 13
animales.
nj
I
17
20
40
31
35
5
GRUPO
II
8
7
9
8
III
2
5
4
3
Rj
nj
I
9
10
13
11
12
R1 =55
5
GRUPO(Rangos)
II
6.5
5
8
6.5
III
1
4
3
2
R2 =26
4
R3 = 10
4
N= 13
SOLUCIN:
1: Hiptesis: Ho: Las distribuciones de las poblaciones son idnticas.
Ha: Al menos una de las poblaciones tiende a mostrar valores mayores que, cuando menos, una de las otras poblaciones.
2. Nivel de significancia: = 0.05
3. Estadstica de prueba (La escala de medicin a utilizarse es, al menos ordinal).
Las muestras son aleatorias e independientes, y fueron extradas de sus respectivas poblaciones.
Estadstica No Paramtrica Aplicada a la Ganadera - 131 4. Distribucin Muestral:

KW =
LM 12 n R OP 3( N +1) = 12 L55 + 26 + 10 O 3(14)

,
13(14 ) MN 5
4
4 PQ
N N( N +1) Q
2
2
j
j =1
= 10.68131868
5. Regin de rechazo: Si KW = 10.68 > 22 ,0.05 = 7.7604 , entonces rechazamos
la hiptesis nula y se acepta la Ha:.
6. CONCLUSIN: Como KW = 10.68 > 22 ,0.05 = 7.7604 , entonces al menos una
de las poblaciones tiende a mostrar valores mayores que, cuando menos, una
de las otras poblaciones.
CORRECCIN PARA LOS EMPATES
Para realizar la correccin de los empates, debemos determinar cuntos grupos
de empate hay y cuntas puntuaciones se encuentran empatadas en cada grupo. Se
usar la siguiente frmula:
g
(t
i =1
3
i
ti )
N3 N
En nuestro ejemplo, se tiene un grupo (Grupo II) y existen dos puntuaciones con
6.5 y 6.5, entonces g = 1.
23 2
6
= 1
= 0.9972527
3
13 13
2184
KWcorr. =
KW
1068
.
=
= 10709
.
~ 10.71
6
09972527
.
1
2184
Es significativo al nivel de 0.01. Como es significativo al nivel dado, entonces no

es necesario ajustarla.
MUESTRAS GRANDES: Cuando existen ms de 3 grupos y, al menos, una de
las n (tamao de muestra) es mayor que 5, la distribucin muestral de KW, se aproxij
ma a la distribucin de Ji-Cuadrada con gl. = k - 1.

2
k R
12
j
= KW =
3( N + 1 )
N ( N + 1 ) j =1 n j
123
2
c
nj Rj
j =1
Otra forma de realizar la prueba de Kruskal-Wallis, es la aproximacin a la prueba estadstica de F, es decir, se realiza como un diseo completamente al azar.
MTODO AUTOMATIZADO PARA LA PRUEBA DE KRUSKA-WALLIS
continuacin:
Estadstica No Paramtrica Aplicada a la Ganadera - 133 Una vez presionado el botn izquierdo, aparece el siguiente caja de dilogo, tal
Al presionar en la ficha OK, procede a realizar los clculos y muestra la salida en

Ranks
TIEMPO
GRUPO
1
2
3
Total
Test Statistics
N
5
4
4
13
Mean
Rank
11.00
6.50
2.50
Chi-Square
df
Asymp. Sig.
a,b
TIEMPO
10.711
2
.005
a. Kruskal Wallis Test

b. Grouping Variable: GRUPO
EJEMPLO: (Muestras grandes)

Un investigador anot los pesos que tenan al nacer los miembros de ocho camadas diferentes de cerdos, para determinar si el peso al nacer es afectado por el
tamao de la camada. La informacin se presenta a continuacin:
Pesos en libras al nacer, de ocho camadas de cerdos "Poland China"

Primavera, 1919.
CAMADAS
1
2
3
4
5
6
7
2.0
3.5
3.3
3.2
2.6
3.1
2.6
2.8
2.8
3.6
3.3
2.6
2.9
2.2
3.3
3.2
2.6
3.2
2.9
3.1
2.2
3.2
3.5
3.1
2.9
2.0
2.5
2.5
4.4
2.3
3.2
3.3
2.0
1.2
3.6
2.4
3.3
2.5
2.1
1.2
1.9
2.0
2.9
2.6
3.3
1.6
3.4
2.8
2.8
3.2
1.1
3.2
8
2.5
2.4
3.0
1.5
SOLUCIN:
Ho: No hay diferencia en los pesos de nacimiento promedio de cerdos de
diferentes tamaos de camada.
Ha: Los pesos de nacimiento promedio de cerdos de diferentes tamapos de
camada no son todos iguales.
2. Nivel de significacin: = 0.05 y N = 56, el nmero total de cerdos recin
nacidos en estudio.
3. Prueba Estadstica: Puesto que las ocho camadas son idenpendies, es apropiada una prueba estadstica para k muestras independientes. Aunque la medida de peso en libras est en una escala de proporcin, escogemos el anlisis de
varianza de una clasificacin no paramtrica en vez de la prueba paramtrica
equivalente a fin de evitar hacer la suposiciones concernientes a la normalidad y homogeneidad de la varianza asociadas con la prueba paramtrica F e
incrementar la generalidad de nuestras hallazgos.
4. Distribucin muestras: Calculada con la siguiente ecuacin:
2
2c = KW =
k R
12
j
3( N + 1 )
N ( N + 1 ) j =1 n j
123
k
nj Rj
j =1
KW est distribuida aproximadamente como Ji-cuadrada con gl = k -1. As la

probabilidad asociada con la ocurrencia conforme a Ho. de valores tan grandes como el de una KW observada puede determinarse consultando la Tabla
Estadstica No Paramtrica Aplicada a la Ganadera - 135 de Valores crticos de Ji-cuadrada (Anexo, C).
Rangos de pesos de nacimiento de ocho camadas de cerdos
CAMADAS
1
Ri
2
Ri
3
Ri
4
Ri
5
1.1 1.0 1.6 5.0 2.6 23.0 2.5 18.5 2.0
1.9 6.0 2.0 8.5 2.9 31.5 2.6 23.0 2.0
2.0 8.5 2.3 14.0 3.1 36.0 2.8 27.5 2.1
2.8 27.5 2.4 15.5 3.2 41.0 2.9 31.5 2.6
2.8 27.5 2.8 27.5 3.2 41.0 3.2 41.0 2.6
3.2 41.0 3.2 41.0 3.2 41.0 3.2 41.0 2.9
3.3 47.5 3.5 52.5 3.3 47.5 3.3 47.5
3.3 47.5 3.5 52.5 3.3 47.5 3.3 47.5
3.6 54.5
3.4 51.0
4.4 56.0
3.6 54.5
R1 = 317.0 R2 = 216.5 R3 = 414.0 R4 = 277.5 R5 =
Ri
8.5
8.5
11.0
23.0
23.0
31.5
6
2.5
2.9
3.1
3.1
Ri
18.5
31.5
36.0
36.0
7
1.2
1.2
2.2
2.2
2.5
2.6
Ri
2.5
2.5
12.5
12.5
18.5
23.0
8
Ri
1.5 4.0
2.4 15.5
2.5 18.5
3.0 34.0
105.5 R6 = 122.0 R7 = 71.5
R8 = 72.0
Con los datos de la tabla anterior, podemos calcular el valor de KW sin corregir
el efecto de las ligas con la ecucin siguiente:
2c = KW =
LM
N
OP
Q
k R2
(317)2 (216.5)2
(72)2
12
12
j
3( N +1) =
+
+L+
3(56+1) =18.464
8
4
56(56+1) 10
N( N +1) j=1 nj
La referencia de la Tabla de valores crticos de Ji-cuadrada (Anexo), indica que

KW >18.464 con gl = k - 1 = 7, tiene una probabilidad de ocurrencia conforme a
Ho: de p 0.02.
Para corregir el efecto de las ligas empezaremos por determinar cuntos grupos
ligados ocurrieron y cuntos puntajes estaban ligados en cada grupo. La primera
liga ocurri entre los dos cerdos en la camada 7 (que pesaron 1.2 libras). a ambos
se les asign el rango de 2.5. Aqu, t es el nmero de observaciones ligadas, =
2. Para este suceso,
T = t3 - t = 8 - 2 = 6
La siguiente liga ocurri entre cuatro cerdos a los que se asign el rango ligado
de 8.5. Aqu, t = 4 y T = t3 - t = 64 - 4 = 60. Prosiguiendo de esta manera a travs
de los datos de la tabla de rangos efectuados, encontraremos que ocurrieron 13
grupos ligados. Al contar el nmero de observaciones en cada grupo ligado, se
determinan los diferentes valores de t, y calculamos el valor de T = t3 - t en
cada caso. Nuestro conteo arrojar los resultados siguiente:
t
T
2
6
4
60
2
6
2
6
4
60
5
120
4
60
4
60
3
24
7
6
336 210
2
6
2
6
Obsrvese que para cualquier valor particular de t, el valor de T es una constante. Ahora, usando la frmula siguiente, podemos calcular la correccin total
por ligas (empates):

Total Ligas = 1-
N N
3
= 1
(6 + 60 + 6 + 6 + 60+L+6 + 6)
= 0.9945
( 56 )3 56
Este valor viene a ser el denominador de la frmula siguiente, y el valor que

2
ya hemos calculado con la frmula:
KW =
k
Rj
12
3( N + 1) ,
N ( N + 1 ) j =1 n j
es el numera-
dor. De este modo, necesitamos solamente hacer una operacin adicional para
obtener el valor KW, corregido el efecto de las ligas (empates) es:
2
KW =
k
Rj
12
3( N + 1 )
N ( N + 1 ) j =1 n j
18.464
= 18.566
0.9945
N3 N
La tabla de valores crticos de la Ji-cuadrada (Anexo, C), muestra que la

probabilidad asociada con la ocurrencia conforme a Ho: de un valor tan grande como KW = 18.566, gl = 7, es p 0.01. Ya que esta probabilidad es menor
que el nivel de significacin previamente fijado = 0.05 , nuestra decisin es
rechazar la Ho:.
6. Regin de rechazo: La regin de rechazo consiste en todos los valores KW tan
grandes que la probabilidad asociada con su ocurrencia conforme a Ho: para
gl = k - 1 = 7 es igual a o menor que = 0.05 .
7. Decisin: Los pesos de nacimiento de los 56 cerdos pertenecientes a las 8
camadas, reflejan que el peso del nacimiento de los cerdos vara
significativamente de acuerdo con el tamao de la camada.
EJERCICIOS:
1.- Se inyectan tres grupos de ratas con una nueva droga tranquilizante. Al grupo A
se le inyectan 0.5 mg; al B, 1.0 mg; y al C, 1.2 mg. En el siguiente cuadro
aparecen los tiempos que tardaron en dormirse.
Grupo
A
B
C
11
9
10
13
11
5
Tiempo (min)
9
14
10
8
8
6
15
12
10
13
6
Probar que las diferencias en las dosificaciones tienen efecto real en los tiempos
medios necesarios para dormirse en las poblaciones de donde proceden. Use un
nivel de significacin de 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 137 2.- La siguiente tabla indica los niveles del residuo de plaguicida (ppb) en muestras
de sangre extradas de cuatro grupos de personas. Utilizar la prueba de KruskalWallis para probar, a un nivel de significacin de 0.05, la hiptesis nula de que
no existe diferencia entre los grupos con respecto al nivel medio de residuos de
plaguicidas.
A 10
B 4
Poblacin
C 15
D 7
37
35
5
11
12
32
10
10
31
19
12
8
11
33
6
2
9
18
6
5
44
11
9
4
12
7
11
5
15
32
9
2
42
17
14
6
23
8
15
3
3.- Los siguientes valores corresponden a los gastos diarios promedio de pacientes hospitali-
REA
zados por intervencin quirrgica. Estos gastos se obtuvieron en muestras de hospitales

localizados en tres diferentes partes del pas.
I
II
II
$80.75
$58.63
$84.21
78.15
72.70
101.76
85.40
64.20
107.74
71.94
62.50
115.30
82.05
63.24
126.15
Con un nivel de significacin de 0.05. es posible concluir que los grupos difieren con
respecto a los gastos diarios promedios?
4.- En un anlisis sobre los efectos de la glucosa en la liberacin de insulina a varias muestras
del tejido pancretico de animales experimentales, se les asign aleatoriamente un tratamiento con uno de los cinco estimulantes diferentes. Posteriormente, se determin el total
de insulina liberada. Los experimentadores queran saber si es posible concluir que hay
una diferencia entre los cinco traamientos con respecto a la cantidad media de insulina
liberada y aplicar la prueba de Kruskal-Wallis. Comparar los resultados con aquellos que
se obtienen cuando se utiliza la prueba F.
T1
1.53
1.61
3.75
2.89
3.26
TOTAL
13.04
ESTIMULANTE
T2
T3
T4
3.15
3.89
8.18
3.96
3.68
5.64
3.59
5.70
7.36
1.89
5.62
5.33
1.45
5.79
8.82
1.56
5.33
5.26
7.10
15.60
30.01
47.69
T5
5.86
5.46
5.69
6.49
7.81
9.03
7.49
8.98
56.81
5.- Se desea saber si cuatro tratamientos para la inflamacin de coyunturas difieren en cuanto
a efectividad. Cuatro grupos de pacientes se sometieron a los diferentes tratamientos. Al
final de un periodo determinado, cada grupo fue sometido a una prueba para cuantificar la
efectividad del tratamiento. Se obtuvieron los siguientes puntajes:

Tratamiento
2
3
76
58
70
74
90
66
80
60
75
82
82
75
1
64
88
72
80
79
71
4
95
90
80
87
88
85
Sea = 0.05. Aplicar la prueba de Kruskal-Wallis

6. Un experimento condujo a comparar tres mtodos de empaque para cierto alimento. El
criterio fue el contenido de cido ascrbico (mg/100 g) despus de un periodo de tiempo.
Se obtuvieron los siguientes datos:
A
14.29
19.10
19.09
16.25
15.09
16.61
19.63
Mtodo de empaque
B
20.06
20.64
18.00
19.56
19.47
19.07
18.38
C
20.04
26.23
22.74
24.04
23.37
25.02
23.27
ESTMULO
Proporcionan estos datos la suficiente evidencia para indicar, a un nivel de significacin

de 0.01, que hay una diferencia entre los mtodos de empaque?. Aplicar la prueba KruskalWallis.
7. Se utilizaron tres grupos de animales en un experimento para comparar el tiempo de respuesta,
en segundos, de tres diferentes estmulos. Se obtuvieron los siguientes resultados:
16 14 14 13 13 12 12 17 17 17 19 14 15 20
II
III 8
10
10
10
11 11
10
Proporcionan estos datos la suficiente evidencia paar indicar una diferencia real entre
las medias de las poblaciones?. Aplicar la prueba de Kruskal-Wallis al nivel de significacin
= 0.05.
8. Tres mdicos desean comparar el tiempo de convalescencia de sus pacientes hospitalizados
despus de una intervencin quirrgica menor sin complicaciones. Se eligi una muestra
de ocho registros de los archivos de cada mdido y se observaron los siguientes tiempos de
convalescencia.
Estadstica No Paramtrica Aplicada a la Ganadera - 139 A

B
C
4
4
5
5
5
3
5
4
3
4
3
3
6
4
3
6
5
3
4
3
4
5
3
5
Sugieren estos datos una diferencia en el tiempo promedio de convalescencia de los

pacientes de cada mdico?. Sea = 0.05. Aplicar la prueba de Kruskal-Wallis.
9. En cada uno de 4 experimentos sobre el uso de tetracloruro de carbono como veneno para
lombrices, se infestaron 10 ratas con larvas. Ocho das ms tarde se administr tetracloruro
de carbono a 5 ratas; las 5 restantes se consideraron controles. Al cabo de 2 das se
sacrificaron las ratas y se cont el nmero de lombrices adultas. Se consider til examinar
la signifcacin de las diferencias entre las medias de los cuatro grupos control. Si fuera
posible establecer diferencias significativas, stas podran estar relacionadas con cambios
definibles de las condiciones de los experimentos, y se debera pretender una reduccin
de la variacin en futuros trabajos. En la tabla siguiente, se muestran los resultados del
experimento. Aplicar la prueba de Kruskal-Wallis. Sea = 0.05.
1
279
338
334
198
303
Experimento
2
3
378
172
275
335
412
335
265
282
286
250
4
381
346
340
471
318
10. Un grupo de investigadores desea comparar cuatro programas de aptitud fsica diseados
para directivos. A cada miembro de un conjunto de treinta directos se le asign
aleatoriamente uno de los cuatro programas. La siguiente tabla muestra la diferencia entre
las puntuaciones de la condicin fsica obtenidas por cada uno de los directivos, antes y
despus de participar en el programa.
A
13
24
19
18
9
21
17
22
24
P R O GR A M A S
B
C
11
12
13
19
20
9
14
14
11
21
21
7
14
6
8
D
22
26
22
22
26
19
Es posible concluir que los cuatro programas difieren en cuanto a efectividad?.

Sea = 0.05. Aplicar la prueba de Kruskal-Wallis.
6
MEDIDAS DE ASOCIACIN Y SUS PRUEBAS DE
SIGNIFICACIN
6.1. EL COEFICIENTE DE C DE Cramr
FUNCIN:
- El coeficiente C de Cramr es una medida del grado de asociacin o relacin
entre dos series de atributos o variables.
- Se usa nicamente cuando tenemos slo informacin categrica (escala nominal) acerca de uno o de ambos conjuntos de atributos o variables.
- Se emplea cuando la informacin acerca de los atributos consiste en una serie
no ordenada de categoras.
- Para el uso del coeficiente de Cramr, no es necesario suponer continuidad
subyacente para las diferentes categoras usadas al medir uno o ambos conjuntos de atributos.
- No se necesita siquiera ser capaces de ordenar las categoras en alguna forma
particular.
- El coeficiente de Cramr, al ser calculado de una tabla de contingencia, proporciona los mismos valores sin considerar cmo fueron ordenadas las categoras
en las filas y columnas.
MTODO:
- Arregle las frecuencias observadas en una tabla de contingencia de rxh, donde
r es el nmero de categoras en las cuales se clasifica una variable y k es el
nmero de categoras en las cuales se clasifica la otra variable.
- Determine la frecuencia esperada segn Ho: para cada celda, al multiplicar los
Estadstica No Paramtrica Aplicada a la Ganadera - 141 datos totales marginales comunes a esa celda y dividiendo despus este producto por el nmero total de casos N. Es decir, para cada celda en la tabla de
contingencia calcule:
eij = i j N . Si ms de cerca del 20% de las celdas
tienen frecuencias esperadas menores que cinco o si cualquiera de las celdas

tiene una frecuencia esperada menor que uno combine las categoras (ya sea
filas o columnas) para incrementar las frecuencias esperadas que sean deficientes.
- Mediante la siguiente ecuacin, calcule el valor de 2c para los datos.
d
=
r
2
c
i =1 j =1
ij
eij
eij
ij2
= N ~ (2r1)( k1)
i=1 j=1 eij
2
c
- Use este valor de 2c para calcular el valor de C mediante la siguiente ecuacin:
C=
2c
N (L - 1)
Donde: L : Es el mnimo del nmero de filas o columnas en la tabla de contingencia.

El grado de asociacin entre dos conjuntos de atributos al medirse por medio
del coeficiente de Cramr, aunque sean o no ordenables e independientemente
de la naturaleza de la variable (puede ser continua o discreta) y de la distribucin
subyacente del atributo (la distribucin poblacional pueder ser normal o de
cualquier forma), puede encontrarse en una tabla de contingencia de
observaciones.
Debe notarse que, como la correlacin producto-momento de Pearson, el
coeficiente de Cramr tiene un valor mximo de uno y C ser igual a cero
cuando las variables o los atributos sean independientes. A diferencia de la
correlacin producto-momento de Pearson, el coeficiente de Cramr no puede
ser negativo. Esto es de esperar, ya que el estadstico mide la relacin entre
variables categricas que no poseen ningn orden inherente.
- Para probar si el valor observado de C indica que existe una asociacin
significativa entre las dos variables en la poblacin muestreada, determine la
probabilidad asociada segn Ho: de un valor tan grande como el observado 2c
con gl = (r - 1)(k - 1), consultando la tabla de valores crticos de la Ji-cuadrada
(Anexo, C). Si esa probabilidad es igual o menor que (p ), la hiptesis
nula (Ho.) es rechazada en ese nivel de significacin, aceptndose la Ha:

Ejemplo:
Se tiene los datos de 816 vacas en edad reproductiva, manejado bajo tres sistemas
de alimentacin, en la que se les ha inseminado artificialmente con semen probado,
al estado fisiolgico de celo. Los resultados obtenidos en este estudio sobre dinmica
reproductiva son:
Tipo de alimentacin
Condicin de la vaca Alfalfa Pasto Natural Conc. + Pasto natural
Gestantes Probadas
52
119
174
47
46
56
Vacas probadas
240
47
35
Total
339
212
265
Total
345
149
322
816
- Hay alguna asociacin entre tipo de alimentacin y fertilidad de las vacas?

a. Para resolver ste problema, en primer lugar procedemos e estimar los valores
esperados.
e11 =
339( 345 )
= 143.33
816
e31 =
265( 345 )
= 112.04
816
e12 =
339( 149 )
= 61.90
816
e32 =
265( 149 )
= 48.39
816
e13 =
339( 322 )
= 133.77
816
e33 =
265( 322 )
= 104.57
816
e21 =
212( 345 )
= 89 .63
816
e22 =
212( 149 )
= 38.71
816
e23 =
212( 322 )
= 83.66 ,
816
Los grados de libertad a estimarse para muestras es:

gl. = (r-1)(k-1) donde, r = Nmero de filas y k = Nmero de columnas.
A continuacin se forma una matriz con los valores esperados:
Condicin de la vaca
Gestantes Probadas
Vacas probadas
Total
Tipo de alimentacin
Alfalfa Pasto Natural Conc. + Pasto natural
143.33
89.63
112.04
61.90
38.71
48.39
133.77
83.66
104.57
339.00
212.00
265.00
Total
345.00
149.00
322.00
816.00
Estadstica No Paramtrica Aplicada a la Ganadera - 143 b. Estimacin de chi cuadrado: Para facilitar el clculo se prepara una matriz
como:
Categoras
Gestante prob. con alfalfa
Gestante prob. con past. natur.
Gestante prob. con conc.+ pastos nat.
Gestante sospechosa con alfalfa
Gest. sospech. con pastos nat.
Gest. Sospech. con conc.+Pastos nat.
Vaca con alfalfa
Vaca con pasto natural
Vaca con conc. + pasto natural
Oi
52
119
174
47
46
56
240
47
35
ei (Oi - ei) (Oi ei )2 ei

143.33 -91.33
58.1956
89.63 29.37
9.6240
112.04 61.96
34.2649
61.90 -14.90
3.5866
38.71
7.29
1.3729
48.39
7.61
1.1968
133.77 106.23
84.3598
83.66 -36.66
16.0645
104.57 -69.57
46.2846
.
2c = 2549496
= 212 .46
= + 212 .48
dif. = 0.02
c. Estimacin del coeficiente de Cramr (C) con N = 816 es:
C=
2c
C=
N (L - 1)
254.9496
2c
=
= 0.395
816( 3 1 )
N( L 1
A medida que las discrepancias o diferencias entre los valores esperados y los
observados se incremente, mayor ser la relacin o asociacin entre las dos
variables, luego mayor tambin ser el valor de C
d. Decisin: Hay una ligera asociacin, es decir a mejor calidad alimenticia menor
fertilidad en vacas y viceversa. Nota: aparentemente en ste ejemplo la calidad
del alimento induce a una menor fertilidad; sin embargo sera necesario analizar
cul es el alimento de mejor calidad, en ste caso es la alfalfa, y como es sabido
la alfalfa en su constitucin tiene fitoestrgenos que inhiben la concepcin,
motivo por el cual para empadrar vacas pastoreados en alfalfa es necesario
quitarles del alfalfar un mes antes de realizar el empadre, para no tener ste
problema de infertilidad. Si la 2c para el estadstico de la muestra es
significativo, entonces podemos concluir que en la poblacin la asociacin entre
las dos series de atributos no es cero, esto es, que los atributos o las variables no
son independientes.

6.2. COEFICIENTE DE CORRELACIN r de Spearman de Rangos Ordenas
dos
FUNCIN:
- Es una medida de asociacin entre dos variables que requiere que ambas estn
medidas en al menos en una escala ordinal, de manera tal que los objetos o
individuos en estudio puedan ser colocados en rangos en dos series ordenadas.
- Al calcular un coeficiente de correlacin podra haber problemas o inconvenientes
para usar directamente las d i. Una dificultad es que las di negativas podran cancelar
a las positivas cuando tratamos de determinar la magnitud total de la discrepancia
entre los rangos, aun pensando que es la magnitud, ms que el signo de la
discrepancia, la que representa un ndice de la disparidad de los rangos. Sin
embargo si se emplea d i2 en lugar de d i esta dificultad se elimina. Queda claro
que mientras ms grandes sean las diferencias d i , ms grande ser el valor de
2
i
, que es la suma del cuadrado de las diferencias para N pares de datos.

- La derivacin de la frmula calculada para rs es bastante sencilla. Se hace
simplificando la frmula del coeficiente de correlacin producto-momento r de
Pearson cuando los datos estn compuestos por rangos. Proporcionaremos dos
expresiones alternativas para rs . Una de estas formas alternativas es til en el
clculo del coeficiente y la otra se usar posteriormente cuando encontremos
necesario corregir el coeficiente, cuando se presenten puntuaciones empatadas en
x = X X , donde X es la media de las puntuaciones en la variable

X, y si y = Y Y , donde Y es la media de las puntuaciones en la variable Y,
los datos. Si
entonces una expresin general para el coeficiente de correlacin productomomento de Pearson es:
r =
xy
x2 y2
en el cual las sumas estn sobre los valores de N en la muestra. Ahora cuando las
X y las Y son rangos, r = r. Conociendo que los datos que estn en rangos,
podemos simplificar la ecuacin anterior para obtener la expresin siguiente para
el coeficiente de correlacin de Spearman de rangos ordenados:
rs =
x 2 + y 2 di2
2 x2 y2
Estadstica No Paramtrica Aplicada a la Ganadera - 145 n
rs = 1
6 di2
i =1
N3 N
Recurdese que di = Xi Yi , la diferencia en rangos en las dos variables. la

simplificacin de la ecuacin rs =
x 2 + y 2 di2
2 x2 y2
a la forma proporcionada
en la ecuacin rs = 1
6 di2
i =1
N3 N
es posible notando que cuando los datos estn en
rangos y no existen empates en los datos, x2 = y2 = (N3 - N) 12 . Debe notarse

que si existen empates, el uso de las ecuaciones anteriores proporcionar el valor
correcto de rs; mas tarde se proporcionar una correccin para los empates para la
ecuacin rs. Este coeficiente se usa para medir el grado de relacin entre dos
variables medidas a nivel ordinal preferentemente (ordenar) y en algunos casos
para datos medidos a nivel de intervalo o de razn.
MTODO:
- Para calcular rs haga una lista de los N sujetos u observaciones.
- Asigne rangos a los sujetos (observaciones) en la variable X desde 1 hasta N.
Asigne rangos a las observaciones de la variable Y desde 1 hasta N. Para X
empates (o Y), asigne a cada una el valor promedio de los rangos asociados.
- Haga una lista de los N sujetos. Coloque el rango de cada sujeto en la variable X
y la variable Y.
- Determine el valor de d i para cada sujeto sustrayendo el rango de Y del
correspondiente rango de X. Eleve al cuadrado este valor para determinar d i2 .
Sume los d i2 para los N casos para determinar d i2 .
- si la proporcin de empates en cualquiera de las observaciones de X o Y es
grande, use la ecuacin siguiente para calcular rs:
rs =
(N 3 - N) - 6 d 2 (Tx + Ty ) 2
(N 3 - N) 2 - (Tx + Ty )(N 3 - N) + Tx Ty

N
En otros casos, use la siguiente ecuacin: rs = 1
6 d i2
i =1
N3 N
- Si los sujetos constituyen una muestra aleatoria de alguna poblacin, se puede

probar si el valor observado de rs indica una asociacin entre las variables X y Y
en la poblacin. Las hiptesis son Ho: no existe asociacin entre X y Y, y Ha:
existe una asociacin entre X y Y. El mtodo para hacer esto depende del tamao
de la muestra N:
i) Para N desde 4 hasta 50, los valores crticos de rs entre los niveles de significacin
(unidireccionales) 0.25 y 0.0005 estn proporcionados en la Tabla de valores
crticos (Anexo, Q). Para una prueba bidireccional, las probabilidades de
significacin correspondiente se duplican.
ii) Para N>50, la probabilidad asociada con un valor tan grande como el valor
observado de rs , puede ser aproximado al calcular la z asociada con ese valor
usando la siguiente ecuacin: z = rs N 1 y determinando despus la significacin
de ese valor de z al consultar la Tabla de valores crticos de la distribucin normal
(anexo, A).
- Si el valor de rs (o de z) excede el valor crtico, rechace Ho: en favor de Ha:
OBSERVACIONES EMPATADAS:
- A veces ocurre que dos o ms sujetos reciben la misma puntuacin en la misma
variable. Cuando ocurren puntuaciones empatadas, a cada una de ellas se le asigna
el promedio de los rangos que habran sido asignados si no hubieran ocurrido los
empates, lo cual es nuestro procedimiento usual para asignar rangos a
observaciones empatadas.
- Si la proporcin de las observaciones empatadas no es grande, su efecto sobre rs
es significante y la ecuacin siguiente:
N
rs = 1
6 di2
i =1
N3 N
puede an usarse para su clculo. Sin embargo, si la proporcin de empates es

grande, entonces debe incorporarse un factor de correccin en el clculo de rs .
El efecto de los rangos empatados en la variable X es reducir la suma de
cuadrados x 2 abajo del valor de (N 3 - N) 12 , esto es, cuando existen empates,
<
N3 N
. Por tanto, es necesario corregir la suma de cuadrados, teniendo en
12
cuenta los empates (los rangos empatados no surten efecto en la media o x lo

cual es siempre = 0). El factor de correccin es:
g
Tx = (t 3i - t i )
i =1
donde g es el nmero de grupos de diferentes rangos empatados y r es el

nmero de rangos empatados en el i-simo grupo. Cuando la suma de cuadrados
es corregida por empates, se convierte en:
N 3 N Tx
12
Los empates que ocurren en la variable Y requieren correccin de la misma manera,

y el factor de correccin se denota Ty. Cuando est presente un nmero considerable
de empates, para calcular rs puede suponerse una de las siguientes ecuaciones:
rs =
x 2 + y 2 d i2
2 x2 y2
o rs =
(N3 -N)-6d2 (Tx +Ty ) 2

(N3 -N)2 -(Tx +Ty )(N3 -N) +TxTy
PRUEBA DE SIGNIFICACIN DE rs
Si los sujetos cuyas puntuaciones se emplean para calcular rs fueron elegidos
aleatoriamente de una poblacin, podemos usar esas puntuaciones para determinar
si las dos variables estn asociadas en la poblacin. Esto es, podemos probar la
hiptesis nula de que las dos variables en estudio no estn asociadas (esto es, son
independientes) en la poblacin y el valor observado de rs difiere de cero slo al
azar. As, podemos probar la hiptesis Ho: no existe asociacin entre X y Y,
contra la hiptesis Ha: existe asociacin entre X y Y (una prueba bidireccional) o
Ha: existe una asociacin positiva (o negativa) entre X y Y (una prueba
unidireccional). Puede notarse notarse que no hemos especificado las dos hiptesis
como Ho: s = 0 contra Ha: s 0 debido a que no es probable el caso en el cual
las variables estn normalmente distribuidas, s = 0 no necesariamente significa
que las variables son independientes, mientras que si son independientes, entonces
s = 0. Como resultado, debemos tener cuidado al interpretar la significacin de

rs .

EJEMPLO:
Se quiere saber si hay relacin en fertilidad de ovinos durante los aos 1975 y
1976, para lo cual estudia la perfomance de 16 rebaos del fundo buena Vista,
cuyos resultados son: N 3 N = ( N 2 1 ) N .
Fertilidad
1975 (X) 1976 (Y)
55
62
62
57
46
55
70
65
58
62
65
66
60
66
64
60
71
68
68
72
62
65
59
60
60
58
55
60
62
70
58
66
Total
R A N GO S
1975 (X)
14.5
7
16
2
12.5
4
9.5
5
1
3
7
11
9.5
14.5
7
12.5
1976 (Y)
9.5
15
16
7.5
9.5
5
5
12
3
1
7.5
12
14
12
2
5
diferencia de Rangos (X - Y)
di=(X - Y)
5
-8
0
-5.5
3
-1
4.5
-7
-2
2
-0.5
-1
-4.5
2.5
5
7.5
di
25.00
64.00
0.00
30.25
9.00
1.00
20.25
49.00
4.00
4.00
0.25
1.00
20.25
6.25
25.00
56.25
315.50
Clasificacin por Rangos: Pasos a seguir:

1. Ordenar las observaciones de "x" i "y" en forma descendente (de mayor a
menor), separadamente para 1975 y 1976.
2. Asignar un nmero correlativo ordenado de 1 a n en las observaciones de "x"
i "y". Si se encuentran observaciones repetidos iguales se les saca el promedio
de la sumatoria de los valores de orden correlativo que les corresponde, de
manera que las observaciones repetidas o iguales tengan un mismo valor de
orden. As si hay dos valores que se repiten: 60 y 60 y de acuerdo al orden les
corresponde el orden 9 y 10, se suman y se obtiene el promedio, ejemplo:
Estadstica No Paramtrica Aplicada a la Ganadera - 149 Valor

60
Orden
9
60
10
Promedio
9 + 10
x=
= 9 .5
2
Luego los valores de orden para ambos valores es 9.5.

Valor
62
62
62
Orden
6
7
8
Promedio
6+ 7 +8
x=
=7
3
Luego los valores de orden para las tres observaciones es 7.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1975(X)
OBSERV.
71
70
68
65
64
62
62
62
60
60
59
58
58
55
55
46
Orden
1
2
3
4
5
7
6+7+8
=7
7 x=
3
7
9.5 9+10
=95
x=
.
2
9.5
11
12.5 x =12+13=125.
2
12.5
14.5 14+15
=145
.
x=
2
14.5
16
U|
V|
W
UV
W
UV
W
UV
W
1976(Y)
OBSERV. Orden
72
1
70
2
68
3
66
5
4+5+6
=5
66
5 x=
3
66
5
65
7.5 x = 7+8 =75
.
2
65
7.5
9+10
62
9.5
x=
.
= 95
2
62
9.5
60
12
11+12+13
=12
60
12 x=
3
60
12
58
14
57
15
55
16
U|
V|
W
UV
W
UV
W
U|
V|
W
Luego ste orden encontrado, se traslada al cuadro anterior a las columnas de

rangos 1975 y 1976 para las variables "x" i "y", respectivamente.

3. Se halla las diferencias entre rangos (x-y) y luego la diferencia se eleva al
cuadrado.
4. Se suma los valores de las diferencias elevadas al cuadrado.
5. Ahora se estima el coeficiente de correlacin por Rangos de Spearman.
n
rs = 1
6di2
i =1
N3 N
= 1
1893
1893
6( 3155
.)
.
1 2
= 1
= 046397
4080
(16 )2 16
(16 1)16
rs = 0.53603
El valor rs = 0.53603 , indica que hay una ligera relacin entre el rango de
fertilidad de 1975 y el de 1976; es decir que majadas o rebaos que tenan
porcentajes ms o menos altos de fert6ilidad en el ao 1975, tambin alcanzan
porcentajes ms o menos altos en 1976, mientras que los rebaos que tuvieron
porcentajes bajos, han mantenido su valor en el ao 1976.
Nota: Cuando en las variables hay muchas observaciones con valores iguales,
la frmula para estimar el coeficiente de correlacin por rangos de Spearman
es:
R| X = N N T
12
, donde S
|| Y = N N T
12
T
3
rs =
X 2 + Y 2 di2
2 X 2 Y2
T = Es el nmero de empates o valores iguales en cada variable.

En el ejemplo se tiene: En X con 4 empates = Tx = 4 , Ty = 4 y
di2 = 325.5
(16)2 16
4 = 336
12
2
(16) 16
Y2 =
4 = 336 , luego
12
X2 =
336+3363155
. 3565
.
rs =
= =053051
.
2 336336
( ) 672
El valor encontrado aqu, es casi similar al encontrado anteriormente

( rs = 0.53051 ), la diferencia es por milsimos.
Estadstica No Paramtrica Aplicada a la Ganadera - 151 6.3. Coeficiente de Correlacin de Kendall (
).
Es otro estadstico que sirve para medir la relacin entre dos variables, donde
los datos estn medidos ordinalmente. Este coeficiente tiene algunas ventajas
sobre la de Spearman como:
a. Posee una distribucin menos severa por lo que es ms suave.
b. Los resultados dan probabilidades exactas y potentes con cada valor de la
estadstica.
c. Este coeficiente tiene mltiples aplicaciones y en situaciones variadas.
d. La distribucin de Kendall es simtrica con media cero y cuanto mayor es
el tamao de la muestra se aproxima a la distribucin normal.
e. Para fines de inferencia, posee una distribucin muestral conocida,
resultando tal medida mucho ms satisfactorio que rs.
f. Entre las ventajas de ste coeficiente es que, es un poco ms laborioso que
el mtodo de clculo de Spearman.
El valor del coeficiente de Kendall oscila entre 1 1 . Cuanto ms
se aproxime a 1, mayor es el grado de relacin entre las variables en
estudio. A mayor asociacin ms se aproximan a +1 1; si ambas
variables crecen positivamente hay relacin positiva y si una variable
decrece y la otra crece hay una relacin inversa y cuando una crece y la
otra no vara, entonces no axiste relacin entre ellas, lo que quiere decir
que se acercan a cero, ( 1 0 1 ). La frmula par estimar
=
es:
s
2s
, =
donde:
1
n( n 1 )
( n )( n 1 )
2
= Coeficiente de correlacin por rangos de Kendall.

s = Nmero de intervenciones de y con relacin a X, (S = P+Q) = puntuacin.
n = Tamao de la muestra.
Kendall utiliza la puntuacin s, que proviene de dos valores:
1 De p que es positiva, deducida de los lugares que ocupan (orden) en la
variable dependiente y, pero valores superiores al valor de y i
seleccionada.
2 De q, que es negativa, que tambin se deduce de los lugares que ocupan
(orden) en la variable dependiente y, pero con valores inferiores al
valor de yi seleccionado.

La p determina la concordancia positiva entre las ordanadas (x e y) por
rangos.
La q determina la concordancia negativa entre las ordenadas (x e y).
EJEMPLO:
Se tiene la informacin de 15 pesos al nacimiento de lechones y sus respectivos
pesos al destete (kg):
Nacimiento (X) 0.8 1.2 1.5 0.5 0.7 1 1.3 1.4 1.1 0.9 0.8 1.2 1 1.2 1.4
Destete (Y)
6 8 10.2 7.5 9.2 10 9.5 10.5 9 9 6.5 10 9 8.6 10.6
- Hay alguna relacin entre estas dos variables medidas?

Para resolver el problema se sigue los siguientes pasos:
1. Ordenar los valores de X, en forma ascendente y como valor par se le asigna
el valor y que le corresponde.
2. Determinar el valor p, contando los valores superiores a la derecha de cada
observacin de y (n-1) que hay en la fila, hasta la ltima observacin.
3. Determinar el valor de Q, contando los nmeros menores a la derecha de cada
observacin (n-1), que hay en la fila hasta la ltima observacin.
4. Estimar el valor de S = P +Q (puntuacin de s).
5. Luego estimar
, que es el coeficiente de correlacin por rangos de Kendall.
a. Ordenamos "x", acompaado por su valor "y" original.

X:
Y:
0.5 0.7 0.8 0.8 0.9 1.0 1.0 1.1 1.2 1.2 1.2 1.3 1.4 1.4 1.5
7.5 9.2 6.0 6.5 9.0 10.0 9.0 9.0 8.0 10.1 8.6 9.5 10.5 10.5 10.2
b. Estimar p, contando valores mayores a la derecha de cada valor de "y", as:
A la derecha de 7.5 hay

A la derecha de 6 hay
Valores P
12
6
12
11
6
4
5
5
6
3
4
3
1
0
P = 78
observaciones con valores mayores a 7.5 =

observaciones con valores mayores a 10
=
observaciones con valores mayores a 9 =
observaciones con valores mayores a 8 =
observacin con valor mayor a 10.5
=
observacin con valor mayor a 10.6
=
P=
P
12
6
12
11
6
4
5
5
6
3
4
3
1
0
78
c. Estimar Q, contando valores inferiores a la derecha de cada valor de y, as:

Q
A la derecha de 7.5 hay 2 observaciones con valores inferiores a 7.5

=-2
A la derecha de 9.2 hay 7 observaciones con valores menores a 9.2
=-7
A la derecha de 6 no hay ningn valor menor a 6
=-0
A la derecha de 6.5 no hay ningn valor menor a 6.5
=-0
A la derecha de 9 hay 2 observaciones con valores menores a 9
=-2
=-5
=-2
=-2
A la derecha de 8 no hay ningn valor menor a 8
= -0
A la derecha de 10.1 hay 2 observaciones con valores menores a 10.1 = -2
= -0
= -0
A la derecha de 10.5 hay 1 observacin con valor menor a 10.5
= -1
= -0
Q = 23
d. Estimamos la puntuacin de S = P+Q
S = 78 + (-23) = 55
e. Finalmente se estima el coeficiente de Kendall (

=
2( 55 )
110
=
= 05238
.
15(15 1) 210
Este resultado de = 0.5238, nos indica que hay una relacin moderada positiva
entre peso al nacimiento de lechones (X) y el peso al destete de los mismos (Y).
El coeficiente de correlacin simple (r ) es un nmero el cual cuantifica el
grado de asociacin entre dos variables. As en chanchos a gran porcentaje de
jamn y lomo hay menor porcentaje de grasa en la espalda y viceversa. Los
valores de del coeficiente son: r = +1 = perfecta correlacin positiva (las dos
variables suben), r =-1 = perfecta correlacin negativa (una variable sube y la
otra baja o viceversa), s r = 0 = No hay correlacin o sea no hay grado alguno
de asociacin.
Una correlacin fenotpica entre dos rasgos puede ser til para un criador,
luego si se conoce que dos rasgos estn fuertemente asociados, midiendo
solamente uno de los rasgos se puede conocer el fenotipo para el otro rasgo. La
misma cosa o principio se aplica para estimar la semejanza gentica entre
parientes, donde entre parientes cercanos la correlacin entre genotipos es grande
que para parientes lejanos.
La frmula computacional de r es:
n XY X i Yi
r=
r=
n X ( X )2 n Y 2 ( Y )2
LM
N
( X )( Y )
n
2
X
(
)
( Y )2
X2
Y2
n
n
XY
OPLM
QN
OP
Q
EJEMPLO:
Cul es el coeficiente de correlacin entre las variables peso al nacer (X) y peso
al destete (Y) en corderos de 4 meses de edad? con n = 12.
Peso al nacer Peso al destete

X (kg)
2.5
4.8
3.6
4.0
3.7
4.8
3.0
3.9
2.9
3.8
3.1
2.7
Y (kg)
12.8
15.0
18.4
17.8
14.9
16.8
15.9
18.0
14.9
15.4
15.0
13.6
X
6.25
23.04
12.96
16.00
13.69
23.04
9.00
15.21
8.41
14.44
9.61
7.29
Y
163.84
225.00
338.56
316.84
222.01
282.24
252.81
324.00
222.01
237.16
225.00
184.96
XY
32.00
72.00
66.24
71.20
55.13
80.64
47.70
70.20
43.21
58.52
46.50
36.72
X = 42.80 Y = 188.50 X2 = 158.94 Y2 =2994.43 XY =680.06
r=
12(680.06) (42.8)(188.5)
12(158.94)-(42.8)2 12(2994.43)-(188.50)2
= 05343
.
Qu quiere decir ste valor de r = 0.5343, que es medianamente alta y solamente

nos est indicando que cuando la variable X crece, la variable Y tambin crece, lo
que quiere decir que hay una correlacin positiva. Para una mejor interpretacin de
r, recurrimos al coeficiente de Determinacin (r2), para lo cual elevamos al cuadrado
el valor de r y el valor hallado lo multiplicamos por 100.
r = 0.5343 r2= (0.5343)2 = 0.2855x(100) = 28.55 %, lo que quiere decir
que el peso al nacimiento (X), influye solamente en un 28.55 % de las veces sobre el
peso al destete de los corderos, el resto del porcentaje se debe a otros factores no
controlados en ste estudio (alimentacin, factor gentico, factor medio ambiente,
manejo, etc.), tambin se ha podido decir que el 28.55 % de la variabilidad en Y
(variable dependiente) se debe a la variabilidad de X (variable independiente).

EJEMPLO:
Se tiene la informacin del peso de 15 cras de alpaca (X) y el tiempo que la
madre requiere para realizar todo el proceso del alumbramiento (Y). Encontrar el
coeficiente de correlacin r a travs de la covariancia.
Peso de la cras Tiempo de parto

X (kg)
Y (kg)
7.2
85
9.0
104
8.7
94
9.4
98
8.2
88
8.0
75
8.5
92
7.5
76
9.8
120
8.8
90
7.6
80
8.5
85
9.1
100
9.4
122
7.7
80
X = 127.400 Y = 1389.000
X = 8.493 Y = 92.600
( Xi Xi )
(Yi Yi )
(Xi Xi )(Yi Yi )
-1.2933
0.5067
0.2067
0.9067
-0.2933
-0.4933
0.0067
-0.9933
1.3067
0.3067
-0.8933
0.0067
0.6067
0.9067
-0.7933
-7.6000
11.4000
1.4000
5.4000
-4.6000
-17.6000
-0.6000
-16.6000
27.4000
-2.6000
-12.6000
-7.6000
7.4000
29.4000
-12.6000
9.8293
5.7760
0.2893
4.8960
1.3493
8.6827
-0.0040
16.4893
35.8027
-0.7973
11.2560
-0.0507
4.4893
26.6560
9.9960
(Xi Xi )(Yi Yi )=134.6600
La desviacin estndar de Sx = 0.7805 y la desviacin estndar de Sy = 14.3368,

el promedio de x = 8.4933 y el promedio de y = 92.60.
El clculo de r por medio de la ecuacin anterior es de r = 0.8595 0.86
Clculo de r a travs de la covariancia:
Cov .( XY ) =
( X i X i )( Yi Yi ) 134.7664
=
= 9.6262
n 1
15 1
La covariancia tambin se puede encontrar con:

C o v .( X Y ) =
r=
XY
( X )( Y )
n
n 1
C ov .( XY )
9.6262
=
= 0.8603 0 .86
SxSy
0.7805(14.3368)
Como se puede observar el valor de r es casi similar al valor encontrado

anteriormente con la ecuacin simple.
ANEXO: TABLAS ESTADSTICAS NO

PARAMTRICAS
Estadstica No Paramtrica Aplicada a la Ganadera - 159 TABLA A: Probabilidades asociadas con el lado superior de la distribucin normal.
El cuerpo de la tabla proporciona las probabilidades unidireccionales segn Ho: de
Z. Las columnas marginales de la izquierda proporcionan diferentes valores de Z
hasta para un decimal. La fila superior proporciona diferentes valores hasta el segundo lugar decimal. As, por ejemplo, la probabilidad unidireccional para Z 0.11
Z -0.11 es p = 0.4562
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
4.0
0.00
0.5000
0.4602
0.4207
0.3821
0.3446
0.3085
0.2743
0.2420
0.2119
0.1841
0.1587
0.1357
0.1151
0.0968
0.0808
0.0668
0.0548
0.0446
0.0359
0.0287
0.0228
0.0179
0.0139
0.0107
0.0082
0.0062
0.0047
0.0035
0.0026
0.0019
0.0013
0.0010
0.0007
0.0005
0.0003
0.000230
0.000160
0.000110
0.000070
0.000050
0.000003
0.01
0.4960
0.4562
0.4168
0.3783
0.3409
0.3050
0.2709
0.2389
0.2090
0.1814
0.1562
0.1335
0.1131
0.0951
0.0793
0.0655
0.0537
0.0436
0.0351
0.0281
0.0222
0.0174
0.0136
0.0104
0.0080
0.0060
0.0045
0.0034
0.0025
0.0018
0.0013
0.0009
0.02
0.4920
0.4522
0.4129
0.3745
0.3372
0.3015
0.2676
0.2358
0.2061
0.1788
0.1539
0.1314
0.1112
0.0934
0.0778
0.0643
0.0526
0.0427
0.0344
0.0274
0.0217
0.0170
0.0132
0.0102
0.0078
0.0059
0.0044
0.0033
0.0024
0.0018
0.0013
0.0009
0.03
0.4880
0.4483
0.4090
0.3707
0.3336
0.2981
0.2643
0.2327
0.2033
0.1762
0.1515
0.1292
0.1093
0.0918
0.0764
0.0630
0.0516
0.0418
0.0336
0.0268
0.0212
0.0166
0.0129
0.0099
0.0075
0.0057
0.0043
0.0032
0.0023
0.0017
0.0012
0.0009
0.04
0.4840
0.4443
0.4052
0.3669
0.3300
0.2946
0.2611
0.2296
0.2005
0.1736
0.1492
0.1271
0.1075
0.0901
0.0749
0.0618
0.0505
0.0409
0.0329
0.0262
0.0207
0.0162
0.0125
0.0096
0.0073
0.0050
0.0041
0.0031
0.0023
0.0016
0.0012
0.0008
0.05
0.4801
0.4404
0.4013
0.3632
0.3264
0.2912
0.2578
0.2266
0.1977
0.1711
0.1469
0.1251
0.1056
0.0885
0.0735
0.0606
0.0495
0.0401
0.0322
0.0256
0.0202
0.0158
0.0122
0.0094
0.0071
0.0054
0.0040
0.0030
0.0022
0.0016
0.0011
0.0008
0.06
0.4761
0.4364
0.3974
0.3594
0.3228
0.2877
0.2546
0.2236
0.1949
0.1685
0.1446
0.1230
0.1038
0.0869
0.0721
0.0594
0.0485
0.0392
0.0314
0.0250
0.0197
0.0154
0.0119
0.0091
0.0069
0.0052
0.0039
0.0029
0.0021
0.0015
0.0011
0.0008
0.07
0.4721
0.4325
0.3936
0.3557
0.3192
0.2843
0.2514
0.2206
0.1922
0.1660
0.1423
0.1210
0.1020
0.0853
0.0708
0.0582
0.0475
0.0384
0.0307
0.0244
0.0192
0.0150
0.0116
0.0089
0.0068
0.0051
0.0038
0.0028
0.0021
0.0015
0.0011
0.0008
0.08
0.4681
0.4286
0.3897
0.3520
0.3156
0.2810
0.2483
0.2177
0.1894
0.1635
0.1401
0.1190
0.1003
0.0838
0.0694
0.0571
0.0465
0.0375
0.0301
0.0239
0.0188
0.0146
0.0113
0.0087
0.0066
0.0049
0.0037
0.0027
0.0020
0.0014
0.0010
0.0007
0.09
0.4641
0.4247
0.3859
0.3483
0.3121
0.2776
0.2451
0.2148
0.1867
0.1611
0.1379
0.1170
0.0985
0.0823
0.0681
0.0559
0.0455
0.0367
0.0294
0.0233
0.0183
0.0143
0.0110
0.0084
0.0064
0.0048
0.0036
0.0026
0.0019
0.0014
0.0010
0.0007
Niveles de significacin seleccionadas para la distribucin normal.

Bidireccional
0.20 0.10
0.05
0.02
0.01 0.002 0.001 0.0001 0.0000
Unidireccional
0.1 0.05
0.025
0.01 0.005 0.001 0.0005 0.00005 0.00000
Z 1.282 1.645
1.960 2.326 2.576 3.090 3.291
3.891
4.41

TABLA: A-1. Valores crticos de Z para #C comparaciones mltiples.
Las entradas en la tabla para un #C dado y un nivel de significacin es el punto de
la distribucin normal estndar tal que la probabilidad del lado superior sea igual a
1
2 # C . Para valores de #C fuera de los rangos incluidos en la tabla, se puede
encontrar Z, usando la tabla A de apndice.
Bidireccioanl
Unidireccional
0.30
#C
0.15
1
1.036
2
1.440
3
1.645
4
1.780
5
1.881
6
1.960
7
2.026
8
2.080
9
2.128
10
2.170
11
2.208
12
2.241
15
2.326
21
2.450
28
2.552
#C: Es el nmero de comparaciones .
0.25
0.125
1.150
1.534
1.732
1.863
1.960
2.037
2.100
2.154
2.200
2.241
2.278
2.301
2.394
2.515
2.615
0.20
0.1
1.282
1.645
1.834
1.960
2.054
2.128
2.189
2.241
2.287
2.326
2.362
2.394
2.475
2.593
2.690
0.15
0.075
1.440
1.780
1.960
2.080
2.170
2.241
2.300
2.350
2.394
2.432
2.467
2.498
2.576
2.690
2.785
0.10
0.05
1.645
1.960
2.128
2.241
2.326
2.394
2.450
2.498
2.539
2.576
2.608
2.638
2.713
2.823
2.913
0.05
0.025
1.960
2.241
2.394
2.498
2.576
2.638
2.690
2.734
2.773
2.807
2.838
2.866
2.935
3.038
3.125
TABLA: A-2. Valores crticos de q( , #C) para las #C comparaciones mltiples

dependientes. Las entradas en la tabla para un #C dado y un nivel de significacin
son los valores crticos para los mximos valores absolutos de #C variables
aleatorias normales estndar con correlacin 0.5 para la prueba bidireccional y los
valores crticos para el lado superior de #C variables aleatorias normales estndar
con correlacin comn 0.5 para un prueba unidireccional.
Bidireccio
nal
0.05
0.01
1
1.96
2.58
2
2.21
2.79
3
2.35
2.92
4
2.44
3.00
5
2.51
3.06
6
2.57
3.11
7
2.61
3.15
8
2.65
3.19
9
2.69
3.22
10
2.72
3.25
11
2.74
3.27
12
2.77
3.29
15
2.83
3.35
20
2.91
3.42
#C: Es el n mero de comp araciones .
Las entradas bidireccionales s e adaptaron de Dunnet, C.W . (1964).
Las entradas un id ireccion ales s e ad pataron de Gup ta, S.S. (1963).
#C
Un idireccion al
0.05
0.01
1.65
2.33
1.92
2.56
2.06
2.69
2.16
2.77
2.24
2.84
2.29
2.89
2.34
2.94
2.38
2.97
2.42
3.00
2.45
3.03
2.48
3.06
2.50
3.08
2.57
3.14
2.64
3.21
gl
1
2
3
4
5
TA B LA B : Valore s crticos de la dis tribucin t de S tude nt

N ive l de s ignificacin para una prue ba unilate ral
0.25
0.20
0.15
0.10
0.05
0.025
0.01
0.005
N ive l de s ignificacin para una prue ba bilate ral
0.50
0.40
0.30
0.20
0.10
0.05
0.02
0.01
1.0005
1.376
1.963
3.078
6.314
12.706 31.821 63.657
0.816
1.061
1.386
1.836
2.920
4.303
6.9 65
9.925
0.765
0.978
1.250
1.638
2.353
3.182
4.5 41
5.841
0.741
0.941
1.190
1.533
2.132
2.776
3.7 47
4.604
0.727
0.920
1.156
1.476
2.015
2.571
3.3 65
4.032
0.000
0.001
636.61
31.59
12.94
8.610
6.859
6
7
8
9
10
0.718
0.711
0.706
0.703
0.700
0.906
0.896
0.889
0.883
0.879
1.134
1.119
1.108
1.100
1.093
1.440
1.415
1.397
1.383
1.372
1.943
1.895
1.860
1.833
1.812
2.447
2.365
2.306
2.262
2.228
3.1 43
2.9 98
2.8 96
2.8 21
2.7 64
3.707
3.499
3.355
3.250
3.169
5.959
5.405
5.041
4.781
4.587
11
12
13
14
15
0.697
0.695
0.694
0.692
0.691
0.876
0.873
0.870
0.868
0.866
1.088
1.083
1.079
1.076
1.074
1.363
1.356
1.350
1.345
1.341
1.796
1.782
1.771
1.761
1.753
2.201
2.179
2.160
2.145
2.131
2.7 18
2.6 81
2.6 50
2.6 24
2.6 02
3.106
3.055
3.012
2.977
2.947
4.437
4.318
4.221
4.140
4.073
16
17
18
19
20
0.690
0.689
0.688
0.688
0.687
0.866
0.863
0.862
0.861
0.860
1.071
1.069
1.067
1.066
1.064
1.337
1.333
1.330
1.328
1.325
1.746
1.740
1.734
1.729
1.725
2.120
2.110
2.101
2.093
2.086
2.5 84
2.5 67
2.5 52
2.5 40
2.5 28
2.921
2.898
2.878
2.861
2.845
4.015
3.965
3.922
3.883
3.850
21
22
23
24
25
0.686
0.686
0.685
0.685
0.684
0.859
0.858
0.858
0.000
0.856
1.063
1.061
1.060
1.059
1.058
1.323
1.321
1.319
1.318
1.316
1.721
1.717
1.714
1.711
1.708
2.080
2.074
2.069
2.064
2.060
2.5 18
2.5 08
2.5 00
2.4 92
2.4 85
2.831
2.819
2.807
2.797
2.787
3.819
3.792
3.767
3.745
3.725
26
27
28
29
30
0.684
0.684
0.683
0.683
0.683
0.856
0.855
0.855
0.854
0.854
1.058
1.057
1.056
1.055
1.055
1.315
1.314
1.313
1.311
1.310
1.706
1.703
1.701
1.699
1.697
2.056
2.052
2.048
2.045
2.042
0.0 00
2.4 73
2.4 67
2.4 60
2.4 57
2.779
2.771
2.763
2.756
2.750
3.707
3.690
3.674
3.659
3.646
35
40
45
50
55
0.682
0.681
0.680
0.680
0.679
0.853
0.851
0.850
0.849
0.849
1.052
1.050
1.048
1.047
1.047
1.306
1.303
1.301
1.299
1.297
1.690
1.684
1.680
1.676
1.673
2.030
2.021
2.014
2.008
2.004
2.4 38
2.4 23
2.4 12
2.4 03
2.3 96
2.724
2.704
2.690
2.678
2.669
3.591
3.551
3.520
3.496
3.476
60
70
80
0.679
0.678
0.678
0.848
0.847
0.847
1.046
1.045
1.044
1.296
1.294
1.293
1.671
1.667
1.665
2.000
1.994
1.990
2.3 90
2.3 81
2.3 74
2.600
2.648
2.638
3.460
3.435
3.416

gl
0.995 0.99
1 0.00 0.00
2 0.01 0.02
3 0.072 0.115
4 0.207 0.297
5 0.412 0.554
TABLA C: Valores crticos de la Distribucion de Ji-cuadrada

Probabilidadde un valor ms alto de chi-cuadrado
0.975 0.95 0.90 0.75 0.50 0.25 0.10 0.05 0.025 0.01 0.0
0.00 0.00 0.016 0.102 0.455 1.32 2.71 3.84 5.02 6.63 7
0.051 0.103 0.211 0.575 1.39 2.77 4.61 5.99 7.38 9.21 10
0.216 0.352 0.584 1.21 2.37 4.11 6.25 7.81 9.35 11.3 12
0.484 0.711 1.06 1.92 3.36 5.39 7.78 9.49 11.10 13.30 14
0.831 1.15 1.61 2.67 4.35 6.63 9.24 11.10 12.80 15.10 16
6 0.676 0.872
7 0.989 1.24
8 1.34 1.65
9 1.73 2.09
10 2.16 2.56
1.24
1.69
2.18
2.70
3.25
1.64
2.17
2.73
3.33
3.94
11
12
13
14
15
2.60
3.07
3.57
4.07
4.60
3.05
3.57
4.11
4.66
5.23
3.82
4.40
5.01
5.63
6.26
4.57 5.582 7.58 10.30

5.23 6.30 8.44 11.30
5.89 7.04 9.30 12.30
6.57 7.79 10.20 13.30
7.26 8.55 11.00 14.30
16
17
18
19
20
5.14
5.70
6.26
6.84
7.43
5.81
6.41
7.01
7.63
8.26
6.91 7.96 9.31

7.56 8.67 10.10
8.23 9.39 10.90
8.91 10.10 11.70
9.59 10.90 12.40
21 8.03 8.90 10.30 11.60

22 8.64 9.54 11.00 12.30
23 9.26 10.20 11.70 13.10
24 9.89 10.90 12.40 13.80
25 10.50 11.50 13.10 14.60
2.20
2.83
3.49
4.17
4.87
13.20
14.00
14.80
15.70
16.50
3.45
4.25
5.07
5.90
6.74
5.35 7.84 10.60 12.60

6.35 9.04 12.00 14.10
7.34 10.20 13.40 15.50
8.34 11.40 14.70 16.90
9.34 12.50 16.00 18.30
14.40
16.00
17.50
19.00
20.50
16.80
18.50
20.10
21.70
23.20
18
20
22
23
25
13.70
14.80
16.00
17.10
18.20
17.30
18.50
19.80
21.10
22.30
19.70
21.00
22.40
23.70
25.00
21.90
23.30
24.70
26.10
27.50
24.70
26.20
27.70
29.10
30.60
26
28
29
31
32
11.90
12.80
13.70
14.60
15.50
15.30
16.30
17.30
18.30
19.30
19.40
20.50
21.60
22.70
23.80
23.50
24.80
26.00
27.20
28.40
26.30
27.60
28.90
30.10
31.40
28.80
30.20
31.50
32.90
34.20
32.00
33.40
34.80
36.20
37.60
34
35
37
38
40
16.30
17.20
18.10
19.00
19.90
20.30
21.30
22.30
23.30
24.30
24.90
26.00
27.10
28.20
29.30
29.60
30.80
32.00
33.20
34.40
32.70
33.90
35.20
36.40
37.70
35.50
36.80
38.10
39.40
40.60
38.90
40.30
41.50
43.00
44.30
41
42
44
45
46
26 11.20 12.20 13.80 15.40 17.30 20.80 25.30 30.40 35.60 38.90 41.90 45.60 48
27 11.80 12.90 14.60 16.20 18.10 21.70 26.30 31.50 36.70 40.10 43.20 47.00 49
28 1250 1360 1530 1690 1890 2270 2730 3260 3790 4130 4450 4830 51
TABLA D: Distribucin BINOMIAL: Trminos acumulativos P[ X a ] =
x px q n x , cuando p=q =1/2
x= 0
0
0.2500
0.1250
0.0625
0.0313
0.0156
0.0078
0.0039
0.0020
0.0010
1
0.7500
0.5000
0.3125
0.1875
0.1094
0.0625
0.0352
0.0195
0.0107
2
1
0.8750
0.6875
0.5000
0.3438
0.2266
0.1445
0.0898
0.0547
1
0.9375
0.8125
0.6563
0.5000
0.3633
0.2539
0.1719
1
0.9688
0.8906
0.7734
0.6367
0.5000
0.3770
1
0.9844
0.9375
0.8555
0.7461
0.6230
1
0.9922
1
0.9648 0.9961
1
0.9102 0.9805 0.998
0.8281 0.9453 0.9893
11
12
13
14
15
16
17
18
19
20
0.0005
0.0002
0.0001
0.0001
0.0059
0.0032
0.0017
0.0009
0.0005
0.0003
0.0001
0.0001
0.0327
0.0193
0.0112
0.0065
0.0037
0.0021
0.0012
0.0007
0.0004
0.0002
0.1133
0.073
0.0461
0.0287
0.0176
0.0106
0.0064
0.0038
0.0022
0.0013
0.2744
0.1938
0.1334
0.0898
0.0592
0.0384
0.0245
0.0154
0.0096
0.0059
0.5000
0.3872
0.2905
0.2120
0.1509
0.1051
0.0717
0.0481
0.0318
0.0207
0.7256
0.6128
0.5000
0.3953
0.3036
0.2272
0.1662
0.1189
0.0835
0.0577
0.8867
0.8062
0.7095
0.6047
0.5000
0.4018
0.3145
0.2403
0.1796
0.1316
0.0001 0.0007 0.0036

0.0001 0.0004 0.0022
0.0002 0.0013
0.0001 0.0008
0.0001 0.0005
0.0133
0.0085
0.0053
0.0033
0.0020
0.0010
0.0010
0.0392
0.0262
0.0173
0.0113
0.0073
0.0050
0.0030
0.0020
0.0010
0.0010
0.0946
0.0669
0.0466
0.0320
0.0216
0.0140
0.0100
0.0060
0.0040
0.0030
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
10
1
0.999
0.9673
0.927
0.8666
0.7880
0.6964
0.5982
0.5000
0.4073
0.3238
0.2517
0.9941
0.9807
0.9539
0.9102
0.8491
0.7728
0.6855
0.5927
0.5000
0.4119
0.9995
0.9968
0.9888
0.9713
0.9408
0.8949
0.8338
0.7597
0.6762
0.5881
1
0.9
0.9
0.9
0.9
0.9
0.9
0.8
0.8
0.7
0.1917
0.1431
0.1050
0.0758
0.0539
0.0380
0.0260
0.0180
0.0120
0.0080
0.3318
0.2617
0.2024
0.1537
0.1148
0.0840
0.0610
0.0440
0.0310
0.0210
0.5000
0.4159
0.3388
0.2706
0.2122
0.1630
0.1240
0.0920
0.0680
0.0490
0.6
0.5
0.5
0.4
0.3
0.2
0.2
0.1
0.1
0.1
0.0020 0.0050 0.0150 0.0350

0.0010 0.0040 0.0100 0.0250
0.0010 0.0020 0.0070 0.0180
0.0010 0.0050 0.0120
0.0010 0.0030 0.0080
0.0
0.0
0.0
0.0
0.0
N
2
3
4
5
6
7
8
9
10

TABLA E: La distribucin Binomial. P Y = K =
FG N IJ p (1 p )
H KK
k
N k
Los puntos decimales se han omitido. Todas las entradas deben leerse como 0.nnnn.
Para valores de p 0.5, sese la fila superior para p y la columna izquierda para k.
Para valores de p>0.5, sese la fila inferior para p y la columna derecha para k.
N
2
k
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
0.01
9801
198
1
9703
294
3
0
9606
388
6
0
0
9510
480
10
0
0
0
9415
571
14
0
0
0
0
9321
659
20
0
0
0
0
0
0.99
0.05
9025
950
25
8574
1354
71
1
8145
1715
135
5
0
7738
2036
214
11
0
0
7351
2321
305
21
1
0
0
6983
2573
406
36
2
0
0
0
0.95
0.10
8100
1800
100
7290
2430
270
10
6561
2916
486
36
1
5905
3280
729
81
4
0
5314
3543
984
146
12
1
0
4783
3720
1240
230
26
2
0
0
0.90
0.15
7225
2550
225
6141
3251
574
34
5220
3685
975
115
5
4437
3915
1382
244
22
1
3771
3993
1762
415
55
4
0
3206
3960
2097
617
109
12
1
0
0.85
p
0.20
6400
3200
400
5120
3840
960
80
4096
4096
1536
256
16
3277
4096
2048
512
64
3
2621
3932
2458
819
154
15
1
2097
3670
2753
1147
287
43
4
0
0.80
0.25
5625
3750
625
4219
4219
1406
156
3164
4219
2109
469
39
2373
3955
2637
879
146
10
1780
3560
2966
1318
330
44
2
1335
3115
3115
1730
577
115
13
1
0.75
p
0.30
4900
4200
900
3430
4410
1890
270
2401
4116
2646
756
81
1681
3602
3087
1323
283
24
1176
3025
3241
1852
595
102
7
824
2471
3177
2269
972
250
36
2
0.70
1/3
4444
4444
1111
2963
4444
2222
370
1975
3951
2963
988
123
1317
3292
3292
1646
412
41
878
2634
3292
2195
823
165
14
585
2048
3073
2561
1280
384
64
5
2/3
0.40
3600
4800
1600
2160
4320
2880
640
1296
3456
3456
1536
256
778
2592
3456
2304
768
102
467
1866
3110
2765
1382
369
41
280
1306
2613
2903
1935
774
172
16
0.60
0.45
3025
4950
2025
1664
4084
3341
911
915
2995
3675
2005
410
503
2059
3369
2757
1125
185
277
1359
2780
3032
1861
609
83
152
872
2140
2918
2388
1172
320
37
0.55
0.50
2500
5000
2500
1250
3750
3750
1250
625
2500
3750
2500
625
312
1562
3125
3125
1562
312
156
938
2344
3125
2344
938
156
78
547
1641
2734
2734
1641
547
78
0.50
2
1
0
3
2
1
0
4
3
2
1
0
5
4
3
2
1
0
6
5
4
3
2
1
0
7
6
5
4
3
2
1
0
k
Estadstica No Paramtrica Aplicada a la Ganadera - 165 TABLA E: (continuacin)

N
8
10
15
k
0
1
2
3
4
5
6
7
8
0
1
2
3
4
5
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
0.01
9227
746
26
1
0
0
0
0
0
9135
830
34
1
0
0
0
0
0
0
9044
914
42
1
0
0
0
0
0
0
0
8601
1303
92
4
0
0
0
0
0
0
0.05
6634
2793
515
54
4
0
0
0
0
6302
2985
629
77
6
0
0
0
0
0
5987
3151
746
105
10
1
0
0
0
0
0
4633
3658
1348
307
49
6
0
0
0
0
0.10
4305
3826
1488
331
46
4
0
0
0
3874
3874
1722
446
74
8
1
0
0
0
3487
3874
1937
574
112
15
1
0
0
0
0
2059
3432
2669
1285
428
105
19
3
0
0
0.15
2725
3847
2376
839
185
26
2
0
0
2316
3679
2597
1069
283
50
6
0
0
0
1969
3474
2759
1298
401
85
12
1
0
0
0
874
2312
2856
2184
1156
449
132
30
5
1
p
0.20
1678
3355
2936
1468
459
92
11
1
0
1342
3020
3020
1762
661
165
28
3
0
0
1074
2684
3020
2013
881
264
55
8
1
0
0
352
1319
2309
2501
1876
1032
430
138
35
7
0.25
1001
2670
3115
2076
865
231
38
4
0
751
2253
3003
2336
1168
389
87
12
1
0
563
1877
2816
2503
1460
584
162
31
4
0
0
134
668
1559
2252
2252
1651
917
393
131
34
0.30
576
1977
2965
2541
1361
467
100
12
1
404
1556
2668
2668
1715
735
210
39
4
0
282
1211
2335
2668
2001
1029
368
90
14
1
0
47
305
916
1700
2186
2061
1472
811
348
116
1/3
390
1561
2731
2731
1707
683
171
24
2
260
1171
2341
2731
2048
1024
341
73
9
1
173
867
1951
2601
2276
1366
569
163
30
3
0
23
171
599
1299
1948
2143
1786
1148
574
223
0.40
168
896
2090
2787
2322
1239
413
79
7
101
605
1612
2508
2508
1672
743
212
35
3
60
403
1209
2150
2508
2007
1115
425
106
16
1
5
47
219
634
1268
1859
2066
1771
1181
612
0.45
84
548
1569
2568
2627
1719
703
164
17
46
339
1110
2119
2600
2128
1160
407
83
8
25
207
763
1665
2384
2340
1596
746
229
42
3
1
16
90
318
780
1404
1914
2013
1647
1048
0.50
39
312
1094
2188
2734
2188
1094
312
39
20
176
703
1641
2461
2461
1641
703
176
20
10
98
439
1172
2051
2461
2051
1172
439
98
10
0
5
32
139
417
916
1527
1964
164
1527
8
7
6
5
4
3
2
1
0
9
8
7
6
5
4
3
2
1
0
10
9
8
7
6
5
4
3
2
1
0
15
14
13
12
11
10
9
8
7
6
10
15

TABLA E: (continuacin)
N
20
25
k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.01
8179
1652
159
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7778
1964
238
18
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.05
3585
3474
1887
596
133
22
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2774
3650
2305
930
269
60
10
1
0
0
0
0
0
0
0
0
0
0
0
0
0.10
1216
2702
2852
1901
898
319
89
20
4
1
0
0
0
0
0
0
0
0
0
0
0
718
1994
2659
2265
1384
646
239
72
18
4
1
0
0
0
0
0
0
0
0
0
0.15
388
1368
2293
2428
1821
1028
454
160
46
11
2
0
0
0
0
0
0
0
0
0
0
172
759
1607
2174
2110
1564
920
441
175
58
16
4
1
0
0
0
0
0
0
0
p
0.20
115
576
1369
2054
2182
1746
1091
545
222
74
20
5
1
0
0
0
0
0
0
0
0
38
236
708
1358
1867
1960
1633
1108
623
294
118
40
12
3
1
0
0
0
0
0
0.25
32
211
669
1339
1897
2023
1686
1124
609
271
99
30
8
2
0
0
0
0
0
0
0
8
63
251
641
1175
1645
1828
1654
1241
781
417
189
74
25
7
2
0
0
0
0
0.30
8
68
278
716
1304
1789
1916
1643
1144
654
308
120
39
10
2
0
0
0
0
0
0
1
14
74
243
572
1030
1472
1712
1651
1336
916
536
268
115
42
13
4
1
0
0
1/3
3
30
143
429
911
1457
1821
1821
1480
987
543
247
92
28
7
1
0
0
0
0
0
0
5
30
114
313
658
1096
1487
1673
1580
1264
862
503
251
108
40
12
3
1
0
0.40
0
5
31
123
350
746
1244
1659
1797
1597
1171
710
355
146
49
13
3
0
0
0
0
0
0
4
19
71
199
442
800
1200
1511
1612
1465
1140
760
434
212
88
31
9
2
0.45
0
1
8
40
139
365
746
1221
1623
1771
1593
1185
727
366
150
49
13
2
0
0
0
0
0
1
4
18
63
172
381
701
1084
1419
1583
1511
1236
867
520
266
115
42
13
0.50
0
0
2
11
46
148
370
739
1201
1602
1762
1602
1201
739
370
148
46
11
2
0
0
0
0
0
1
4
16
53
143
322
609
974
1328
1550
1550
1328
974
609
322
143
53
20 20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
25 25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
Estadstica No Paramtrica Aplicada a la Ganadera - 167 TABLA E: (continuacin)

N
30
k
0
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
0.01
7397
2242
328
31
2
0
7
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.99
0.05
2146
3389
2586
1270
451
124
27
5
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.95
0.10
424
1413
2277
2361
1771
1023
474
180
58
16
4
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.90
0.15
76
404
1034
1703
2028
1861
1368
828
420
181
67
22
6
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.85
p
0.20
12
93
337
785
1325
1723
1795
1538
1106
676
355
161
64
22
7
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.80
0.25 0.30 1/3 0.40 0.45 0.50

2
0
0
0
0
0 30 30
18
3
1
0
0
0 29
86
18
6
0
0
0 28
269
72
26
3
0
0 27
604 208
89
12
2
0 26
1047 464 232
41
8
1 25
1455 829 484 115
29
6 24
1662 1219 829 263
81
19 23
1593 1501 1192 505 191
55 22
1298 1573 1457 823 382 133 21
909 1416 1530 1152 656 280 20
551 1103 1391 1396 976 509 19
291 749 1101 1474 1265 805 18
134 444 762 1360 1433 1115 17
54 231 463 1101 1424 1354 16
19 106 247 783 1242 1445 15
6
42 116 489 953 1354 14
2
15
48 269 642 1115 13
0
5
17 129 379 805 12
0
1
5
54 196 509 11
0
0
1
20
88 280 10
0
0
0
6
34 133 9
0
0
0
1
12
55 8
0
0
0
0
3
19 7
0
0
0
0
1
6 6
0
0
0
0
0
1 5
0
0
0
0
0
0 4
0
0
0
0
0
0 3
0
0
0
0
0
0 2
0
0
0
0
0
0 1
0
0
0
0
0
0 0
0.75 0.70 2/3 0.60 0.55 0.50 k N
p
Reproducida de Hammond, K.R. Householder, J.E. Y Castellan, N.J. Jr. Introduction to the
statistical method, 2a. Ed.,A.A Knopf. Nueva york, 1970, con autorizacin de los autores y edit.

TABLA F: Valores crticos de D en la prueba de Kolmogorov-Smirnov
para una muestra.
Tamao de la
Nivel de significacin para D = mximo |F0(X) - SN(X)|
muestra (N)
0.20
0.15
0.10
0.05
0.01
1
0.900
0.925
0.950
0.975
0.995
2
0.684
0.726
0.776
0.842
0.929
3
0.565
0.597
0.642
0.708
0.828
4
0.494
0.525
5.564
0.624
0.733
5
0.446
0.474
0.510
0.565
0.669
6
7
8
9
10
0.410
0.381
0.358
0.339
0.322
0.436
0.405
0.381
0.360
0.342
0.470
0.438
0.411
0.388
0.368
0.521
0.486
0.457
0.432
0.410
0.618
0.577
0.543
0.514
0.490
11
12
13
14
15
0.307
0.295
0.284
0.274
0.266
0.326
0.313
0.302
0.292
0.283
0.352
0.338
0.325
0.314
0.304
0.391
0.375
0.361
0.349
0.338
0.468
0.450
0.433
0.418
0.404
16
17
18
19
20
0.258
0.250
0.244
0.237
0.231
0.274
0.266
0.259
0.252
0.246
0.295
0.286
0.278
0.272
0.264
0.328
0.318
0.309
0.301
0.294
0.392
0.381
0.371
0.363
0.356
25
30
35
0.21
0.19
0.18
0.22
0.20
0.19
0.24
0.22
0.21
0.27
0.24
0.23
0.32
0.29
0.27
ms de 35
107
.
N
114
.
N
122
.
N
136
.
N
163
.
N
Adaptada de Massey FJ Jr "The Kolmogorov-Smirnov test for goodness of
Estadstica No Paramtrica Aplicada a la Ganadera - 169 TABLA G: Valores crticos de r en la prueba de Series
Los diferentes valores crticos de r estn proporcionados en las tablas para valores de
m y n menores o iguales a 20. Para la prueba de series de una muestra, cualquier
valor observado de r que sea menor o igual al valor ms pequeo, o que sea mayor o
igual al valor ms grande en un par, es significativo en el nivel = 0.05.
m n 2
2
4 5
8 9 10 11 12 13 14 15 16 17 18 19
2 2 2 2 2 2 2 2
-- -- -- -- -- -- -- -3
2 2 2 2 2 2 2 2 2 3 3 3 3 3
-- -- -- -- -- -- -- -- -- -- -- -- -- -4
2 2 2 3 3 3 3 3 3 3 3 4 4 4 4
9 9 -- -- -- -- -- -- -- -- -- -- -- -- -5
2 2 3 3 3 3 3 4 4 4 4 4 4 4 5 5
9 10 10 11 11 -- -- -- -- -- -- -- -- -- -- -6
2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 6
-- 9 10 11 12 12 13 13 13 13 -- -- -- -- -- -- -7
2 2 3 3 3 4 4 5 5 5 5 5 6 6 6 6 6
-- -- 11 12 13 13 14 14 14 14 15 15 15 -- -- -- -8
2 3 3 3 4 4 5 5 5 6 6 6 6 6 7 7 7
-- -- 11 12 13 14 14 15 15 16 16 16 16 17 17 17 17
9
2 3 3 4 4 5 5 5 6 6 6 7 7 7 7 8 8
-- -- -- 13 14 14 15 16 16 16 17 17 18 18 18 18 18
10
2 3 3 4 5 5 5 6 6 7 7 7 7 8 8 8 8
-- -- -- 13 14 15 16 16 17 17 18 18 18 19 19 19 20
11
2 3 4 4 5 5 6 6 7 7 7 8 8 8 9 9 9
-- -- -- 13 14 15 16 17 17 18 19 19 19 20 20 20 21
12 2 2 3 4 4 5 6 6 7 7 7 8 8 8 9 9 9 10
-- -- -- -- 13 14 16 16 17 18 19 19 20 20 21 21 21 22
13 2 2 3 4 5 5 6 6 7 7 8 8 9 9 9 10 10 10
-- -- -- -- -- 15 16 17 18 19 19 20 20 21 21 22 22 23
14 2 2 3 4 5 5 6 7 7 8 8 9 9 9 10 10 10 11
-- -- -- -- -- 15 16 17 18 19 20 20 21 22 22 23 23 23
15 2 3 3 4 5 6 6 7 7 8 8 9 9 10 10 11 11 11
-- -- -- -- -- 15 16 18 18 19 20 21 22 22 23 23 24 24
16 2 3 4 4 5 6 6 7 8 8 9 9 10 10 11 11 11 12
-- -- -- -- -- -- 17 18 19 20 21 21 22 23 23 24 25 25
17 2 3 4 4 5 6 7 7 8 9 9 10 10 11 11 11 12 12
-- -- -- -- -- -- 17 18 19 20 21 22 23 23 24 25 25 26
18 2 3 4 5 5 6 7 8 8 9 9 10 10 11 11 12 12 13
-- -- -- -- -- -- 17 18 19 20 21 22 23 24 25 25 26 26
19 2 3 4 5 6 6 7 8 8 9 10 10 11 11 12 12 13 13
-- -- -- -- -- -- 17 18 20 21 22 23 23 24 25 26 26 27
20 2 3 4 5 6 6 7 8 9 9 10 10 11 12 12 13 13 13
-- -- -- -- -- -- 17 18 20 21 22 23 24 25 25 26 27 27
Adaptado de Swed y Eisenhart, C., "Tables for testing randomness of grouping in a sequence
ofalternatives" EnAnnals ofMathematicalStatistics N14 1943
20
2
-3
-4
-5
-6
-6
-7
17
8
18
9
20
9
21
10
22
10
23
11
24
12
25
12
25
13
26
13
27
13
27
14
28

+
Tabla H: Valores crticos de T para la prueba de rangos asignados de Wilcoxon.

+
+
Las entradas de la tabla para una N dada es P[T >=c], la probabilidad de que T
sea mayor o igual a la suma de c.
N
c
3
4
5
6
7
8
9
3 0.6250
4 0.3750
5 0.2500 0.5625
6 0.1250 0.4375
7
0.3125
8
0.1875 0.5000
9
0.1250 0.4063
10
0.0625 0.3125
11
0.2188 0.5000
12
0.1563 0.4219
13
0.0938 0.3438
14
0.0625 0.2813 0.5313
15
0.0313 0.2188 0.4688
16
0.1563 0.4063
17
0.1094 0.3438
18
0.0781 0.2891 0.5273
19
0.0469 0.2344 0.4727
20
0.0313 0.1875 0.4219
21
0.0156 0.1484 0.3711
22
0.1094 0.3203
23
0.0781 0.2734 0.5000
24
0.0547 0.2305 0.4551
25
0.0391 0.1914 0.4102
26
0.0234 0.1563 0.3672
27
0.0156 0.1250 0.3262
28
0.0078 0.0977 0.2852
29
0.0742 0.2480
30
0.0547 0.2129
31
0.0391 0.1797
32
0.0273 0.1504
33
0.0195 0.1250
34
0.0117 0.1016
35
0.0078 0.0820
36
0.0039 0.0645
37
0.0488
38
0.0371
39
00273
Estadstica No Paramtrica Aplicada a la Ganadera - 171 Continuacin....

N
c
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
10
0,5000
0,4609
0,4229
0,3848
0,3477
0,3125
0,2783
0,2461
0,2158
0,1875
0,1611
0,1377
0,1162
0,0967
0,0801
0,0654
0,0527
0,0420
0,0322
0,0244
0,0186
0,0137
0,0098
0,0068
0,0049
0,0029
0,0020
0,0010
11
0,5171
0,4829
0,4492
0,4155
0,3823
0,3501
0,3188
0,2886
0,2598
0,2324
0,2065
0,1826
0,1602
0,1392
0,1201
0,1030
0,0874
0,0737
0,0615
0,0508
0,0415
0,0337
0,0269
0,0210
0,0161
0,0122
0,0093
0,0068
0,0049
0,0034
0,0024
0,0015
0,0010
0,0005
12
13
14
15
0,5151
0,4849
0,4548
0,4250
0,3955
0,3667
0,3386
0,3110
0,2847
0,2593
0,2349
0,2119
0,1902
0,1697
0,1506
0,1331
0,1167
0,1018
0,0881
0,0757
0,0647
0,0549
0,0461
0,0386
0,0320
0,0261
0,0212
0,0171
0,0134
0,0105
0,0081
0,0061
0,0046
0 0034
0,5000
0,4730
0,4463
0,4197
0,3934
0,3677
0,3424
0,3177
0,2939
0,2709
0,2487
0,2274
0,2072
0,1879
0,1698
0,1527
0,1367
0,1219
0,1082
0,0955
0,0839
0,0732
0,0636
0,0549
0,0471
0,0402
0 0341
0,5000
0,4758
0,4516
0,4276
0,4039
0,3804
0,3574
0,3349
0,3129
0,2915
0,2708
0,2508
0,2316
0,2131
0,1955
0,1788
0,1629
0,1479
0,1338
0 1206
0,5110
0,4890
0,4670
0,4452
0,4235
0,4020
0,3808
0,3599
0,3394
0,3193
0,2997
0,2807
0 2622
C o ntinu ac i n ...
c
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
13
0,0085
0,0067
0,0052
0,0040
0,0031
0,0023
0,0017
0,0012
0,0009
0,0006
0,0004
0,0002
0,0001
N
14
0,0520
0,0453
0,0392
0,0338
0,0290
0,0247
0,0209
0,0176
0,0148
0,0123
0,0101
0,0083
0,0067
0,0054
0,0043
0,0034
0,0026
0,0020
0,0015
0,0012
0,0009
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
15
0,1514
0,1384
0,1262
0,1147
0,1039
0,0938
0,0844
0,0757
0,0677
0,0603
0,0535
0,0473
0,0416
0,0365
0,0319
0,0277
0,0240
0,0206
0,0177
0,0151
0,0128
0,0108
0,0090
0,0075
0,0062
0,0051
0,0042
0,0034
0,0027
0,0021
0,0017
0,0013
0,0010
0,0008
0,0006
0,0004
0,0003
0,0002
0 0002
Estadstica No Paramtrica Aplicada a la Ganadera - 173 TABLA I: Probabilidades para tablas de cuatro entradas,
X
- S1
prueba de Fisher, N 15. N: Tamao de muestra; S 1 : Es el
total marginal pequeo; S 2 : Es el siguiente ms pequeo;
- X: Frecuencia en la celda correspondiente a los dos totales ms pequeos. Para un conjunto dado de N, los valores po- S2
- N
sibles S 1 y S de X son 0,1,2,..., S 1 . Bajo la lnea de cada
2
conjunto est un
valor de X tal que X S1 ( S2 X ) ( N S1 ) ; mientras que para valores
mayores X S1 > ( S2 X ) ( N S1 ) . Estos puntos de corte definen direcciones iguales y
opuestas de igualdad de las proporciones en las dos muestras. La probabilidad
acumulativa de una desviacin tan grande o ms grande en la misma direccin de la
igualdad de las proporciones, est en la columna rotulada Obs.; mientras que la
probabilidad de una desviacin tan grande o ms grande en la direccin opuesta de la
igualdad de las proporciones est en la columna rotulada Otra. El tamao de la
desviacin aqu se mide por el valor absoluto de X S ( S X ) ( N S ) Estas tablas se
tomaron de tablas ms extensas preparadas por Donald Goyette y M. Ray Mickey.
Health Science Computing Facility, UCLA.
1
N S1 S2 X
2 1 1 0
1
3 1 1 0
1
4 1 1 0
1
4 1 2 0
1
4 2 2 0
1
2
5 1 1 0
1
5 1 2 0
1
5 2 2 0
1
2
6 1 1 0
1
6 1 2 0
1
6 1 3 0
1
6 2 2 0
1
2
6 2 3 0
1
2
6 3 3 0
1
2
3
7 1 1 0
1
7 1 2 0
1
7 1 3 0
1
Probabilidad
Obs. Otra Totales
0.500 0.500 1.000
0.500 0.500 1.000
0.667 0.333 1.000
0.333 0.000 0.333
0.750 0.250 1.000
0.250 0.000 0.250
0.500 0.500 1.000
0.500 0.500 1.000
0.167 0.167 0.334
0.833 0.833 1.666
0.167 0.167 0.334
0.800 0.200 1.000
0.200 0.000 0.200
0.600 0.400 1.000
0.400 0.000 0.400
0.300 0.100 0.400
0.700 0.300 1.000
0.100 0.000 0.100
0.833 0.167 1.000
0.167 0.000 0.167
0.667 0.333 1.000
0.333 0.000 0.333
0.500 0.500 1.000
0.500 0.500 1.000
0.400 0.067 0.467
0.600 0.400 1.000
0.067 0.000 0.067
0.200 0.200 0.400
0.800 0.800 1.600
0.200 0.200 0.400
0.050 0.050 0.100
0.500 0.500 1.000
0.500 0.500 1.000
0.050 5.050 5.100
0.857 0.143 1.000
0.143 0.000 0.143
0.714 0.286 1.000
0.286 0.000 0.286
0.571 0.429 1.000
0.429 0.000 0.429
N S1 S2 X
7 2 2 0
1
2
7 2 3 0
1
2
7 3 3 0
1
2
3
8 1 1 0
1
8 1 2 0
1
8 1 3 0
1
8 1 4 0
1
8 2 2 0
1
2
8 2 3 0
1
2
8 2 4 0
1
2
8 3 3 0
1
2
3
8 3 4 0
1
2
3
8 4 4 0
1
2
3
4
Probabilidad
Obs. Otra Totales
0.476 0.048 0.524
0.524 0.476 1.000
0.048 0.000 0.048
0.286 0.143 0.429
0.714 0.286 1.000
0.143 0.000 0.143
0.114 0.029 0.143
0.629 0.371 1.000
0.371 0.114 0.485
0.029 0.000 0.029
0.875 0.125 1.000
0.125 0.000 0.125
0.750 0.250 1.000
0.250 0.000 0.250
0.625 0.375 1.000
0.375 0.000 0.375
0.500 0.500 1.000
0.500 0.500 1.000
0.536 0.464 1.000
0.464 0.536 1.000
0.036 0.000 0.036
0.357 0.107 0.464
0.643 0.357 1.000
0.107 0.000 0.107
0.214 0.214 0.428
0.786 0.786 1.572
0.214 0.214 0.428
0.179 0.018 0.197
0.714 0.286 1.000
0.286 0.179 0.465
0.018 0.000 0.018
0.071 0.071 0.142
0.500 0.500 1.000
0.500 0.500 1.000
0.071 0.071 0.142
0.014 0.014 0.028
0.243 0.243 0.486
0.757 0.757 1.514
0.243 0.243 0.486
0.014 0.014 0.028
N S1 S2 X
9 1 1 0
1
9 1 2 0
1
9 1 3 0
1
9 1 4 0
1
9 2 2 0
1
2
9 2 3 0
1
2
9 2 4 0
1
2
9 3 3 0
1
2
3
9 3 4 0
1
2
3
9 4 4 0
1
2
3
4
10 1 1 0
1
10 1 2 0
1
10 1 3 0
1
10 1 4 0
1
10 1 5 0
1
Probabilidad
Obs. Otra Totale
0.889 0.111 1.000
0.111 0.000 0.111
0.778 0.222 1.000
0.222 0.000 0.222
0.667 0.333 1.000
0.333 0.000 0.333
0.556 0.444 1.000
0.444 0.000 0.444
0.583 0.417 1.000
0.417 0.000 0.417
0.028 0.000 0.028
0.417 0.083 0.500
0.583 0.417 1.000
0.083 0.000 0.083
0.278 0.167 0.445
0.722 0.278 1.000
0.167 0.000 0.167
0.238 0.226 0.464
0.774 0.774 1.548
0.226 0.238 0.464
0.012 0.000 0.012
0.119 0.048 0.167
0.595 0.450 1.045
0.405 0.119 0.524
0.048 0.000 0.048
0.040 0.008 0.048
0.357 0.167 0.524
0.643 0.357 1.000
0.167 0.040 0.207
0.008 0.000 0.008
0.900 0.100 1.000
0.100 0.000 0.100
0.800 0.200 1.000
0.200 0.000 0.200
0.700 0.300 1.000
0.300 0.000 0.300
0.600 0.400 1.000
0.400 0.000 0.400
0.500 0.500 1.000
0.500 0.500 1.000

TABLA I: (continuacin)
Probabilidad
N S1 S2 X Obs. Otra Totales
10 2 2 0 0.622 0.378 1.000
1 0.378 0.000 0.378
2 0.022 0.000 0.022
10 2 3 0 0.467 0.067 0.534
1 0.533 0.467 1.000
2 0.067 0.000 0.067
10 2 4 0 0.333 0.133 0.466
1 0.667 0.333 1.000
2 0.133 0.000 0.133
10 2 5 0 0.222 0.222 0.444
1 0.788 0.778 1.566
2 0.222 0.222 0.444
10 3 3 0 0.292 0.183 0.475
1 0.708 0.292 1.000
2 0.183 0.000 0.183
3 0.008 0.000 0.008
10 3 4 0 0.167 0.033 0.200
1 0.667 0.333 1.000
2 0.333 0.167 0.500
3 0.033 0.000 0.033
10 3 5 0 0.083 0.083 0.166
1 0.500 0.500 1.000
2 0.500 0.500 1.000
3 0.083 0.083 0.166
10 4 4 0 0.074 0.005 0.079
1 0.452 0.119 0.571
2 0.548 0.452 1.000
3 0.119 0.071 0.190
4 0.005 0.000 0.005
10 4 5 0 0.024 0.024 0.048
1 0.262 0.262 0.524
2 0.738 0.738 1.476
3 0.262 0.262 0.524
4 0.024 0.024 0.048
10 5 5 0 0.004 0.004 0.008
1 0.103 0.103 0.206
2 0.500 0.500 1.000
3 0.500 0.500 1.000
4 0.103 0.103 0.206
5 0.004 0.004 0.008
11 1 1 0 0.909 0.091 1.000
1 0.091 0.000 0.091
11 1 2 0 0.818 0.182 1.000
1 0.182 0.000 0.182
11 1 3 0 0.727 0.273 1.000
1 0.273 0.000 0.273
11 1 4 0 0.636 0.364 1.000
1 0.364 0.000 0.364
11 1 5 0 0.545 0.455 1.000
1 0.455 0.000 0.455
11 2 2 0 0.655 0.345 1.000
1 0.345 0.000 0.345
2 0.018 0.000 0.018
11 2 3 0 0.509 4.055 4.564
1 0.491 0.509 1.000
2 0 055 0 000 0 055
Probabilidad
11 3 4 0 0.212 0.024 0.236
1 0.721 0.279 1.000
2 0.279 0.212 0.491
3 0.024 0.000 0.024
11 3 5 0 0.121 0.061 0.182
1 0.576 0.424 1.000
2 0.424 0.121 0.545
3 0.061 0.000 0.061
11 4 4 0 0.106 0.088 0.194
1 0.530 0.470 1.000
2 0.470 0.106 0.576
3 0.088 0.000 0.088
4 0.003 0.000 0.003
11 4 5 0 0.045 0.015 0.060
1 0.348 0.197 0.545
2 0.652 0.348 1.000
3 0.197 0.045 0.242
4 0.015 0.000 0.015
11 5 5 0 0.013 0.002 0.015
1 0.175 0.067 0.242
2 0.608 0.392 1.000
3 0.392 0.175 0.567
4 0.067 0.013 0.080
5 0.002 0.000 0.002
12 1 1 0 0.917 0.083 1.000
1 0.083 0.000 0.083
12 1 2 0 0.833 0.167 1.000
1 0.167 0.000 0.167
12 1 3 0 0.750 0.250 1.000
1 0.250 0.000 0.250
12 1 4 0 0.667 0.333 1.000
1 0.333 0.000 0.333
12 1 5 0 0.583 0.417 1.000
1 0.417 0.000 0.417
12 1 6 0 0.500 0.500 1.000
1 0.500 0.500 1.000
12 2 2 0 0.682 0.318 1.000
1 0.318 0.000 0.318
2 0.015 0.000 0.015
12 2 3 0 0.545 0.455 1.000
1 0.455 0.545 1.000
2 0.045 0.000 0.045
12 2 4 0 0.424 0.091 0.515
1 0.576 0.424 1.000
2 0.091 0.000 0.091
12 2 5 0 0.318 0.152 0.470
1 0.682 0.318 1.000
2 0.152 0.000 0.152
12 2 6 0 0.227 0.227 0.454
1 0.773 0.773 1.546
2 0.227 0.227 0.454
12 3 3 0 0.382 0.127 0.509
1 0.618 0.382 1.000
2 0.127 0.000 0.127
3 0.005 0.000 0.005
12 3 4 0 0 255 0 236 0 491
N S1 S2 X
3
12 4 4 0
1
2
3
4
12 4 5 0
1
2
3
4
12 4 6 0
1
2
3
4
12 5 5 0
1
2
3
4
5
12 5 6 0
1
2
3
4
5
12 6 6 0
1
2
3
4
5
6
13 1 1 0
1
13 1 2 0
1
13 1 3 0
1
13 1 4 0
1
13 1 5 0
1
13 1 6 0
1
13 2 2 0
1
2
13 2 3 0
1
2
13 2 4 0
1
2
Probabilidad
Obs. Otra Totales
0.091 0.091 0.182
0.141 0.067 0.208
0.594 0.406 1.000
0.406 0.141 0.547
0.067 0.000 0.067
0.002 0.000 0.002
0.071 0.010 0.081
0.424 0.152 0.576
0.576 0.424 1.000
0.152 0.171 0.323
0.010 0.000 0.010
0.030 0.030 0.060
0.273 0.273 0.546
0.727 0.727 1.454
0.273 0.273 0.546
0.030 0.030 0.060
0.027 0.001 0.028
0.247 0.045 0.292
0.689 0.311 1.000
0.311 0.247 0.558
0.045 0.027 0.072
0.001 0.000 0.001
0.008 0.008 0.016
0.121 0.121 0.242
0.500 0.500 1.000
0.500 0.500 1.000
0.121 0.121 0.242
0.008 0.008 0.016
0.001 0.001 0.002
0.040 0.040 0.080
0.284 0.284 0.568
0.716 0.716 1.432
0.284 0.284 0.568
0.040 0.040 0.080
0.001 0.001 0.002
0.923 0.077 1.000
0.077 0.000 0.077
0.846 0.154 1.000
0.154 0.000 0.154
0.769 0.231 1.000
0.231 0.000 0.231
0.692 0.308 1.000
0.308 0.000 0.308
0.615 0.385 1.000
0.385 0.000 0.385
0.538 0.462 1.000
0.462 0.000 0.462
0.705 0.295 1.000
0.295 0.000 0.295
0.013 0.000 0.013
0.577 0.423 1.000
0.423 0.000 0.423
0.038 0.000 0.038
0.462 0.077 0.539
0.538 0.462 1.000
0 077 0 000 0 077
Estadstica No Paramtrica Aplicada a la Ganadera - 175 TABLA I: (continuacin)

Probabilidad
13 3 4 0 0.294 0.203 0.497
1 0.706 0.294 1.000
2 0.203 0.000 0.203
3 0.014 0.000 0.014
13 3 5 0 0.196 0.035 0.231
1 0.685 0.315 1.000
2 0.315 0.196 0.511
3 0.035 0.000 0.035
13 3 6 0 0.122 0.070 0.192
1 0.563 0.437 1.000
2 0.437 0.122 0.559
3 0.070 0.000 0.070
13 4 4 0 0.176 0.052 0.228
1 0.646 0.354 1.000
2 0.354 0.176 0.530
3 0.052 0.000 0.052
4 0.001 0.000 0.001
13 4 5 0 0.098 0.007 0.105
1 0.490 0.119 0.609
2 0.510 0.490 1.000
3 0.119 0.098 0.217
4 0.007 0.000 0.007
13 4 6 0 0.049 0.021 0.070
1 0.343 0.217 0.560
2 0.657 0.343 1.000
3 0.217 0.049 0.266
4 0.021 0.000 0.021
13 5 5 0 0.044 0.032 0.076
1 0.315 0.249 0.564
2 0.685 0.315 1.000
3 0.249 0.044 0.293
4 0.032 0.000 0.032
5 0.001 0.000 0.001
13 5 6 0 0.016 0.005 0.021
1 0.179 0.086 0.265
2 0.587 0.413 1.000
3 0.413 0.179 0.592
4 0.086 0.016 0.102
5 0.005 0.000 0.005
13 6 6 0 0.004 0.001 0.005
1 0.078 0.025 0.103
2 0.383 0.209 0.592
3 0.617 0.383 1.000
4 0.209 0.078 0.287
5 0.025 0.004 0.029
6 0.001 0.000 0.001
14 1 1 0 0.929 0.071 1.000
1 0.071 0.000 0.071
14 1 2 0 0.857 0.143 1.000
1 0.143 0.000 0.143
14 1 3 0 0.786 0.214 1.000
1 0.214 0.000 0.214
14 1 4 0 0.714 0.286 1.000
1 0.286 0.000 0.286
14 1 5 0 0.643 0.357 1.000
1 0 357 0 000 0 357
N S1 S2 X
12 2 4 0
1
2
14 2 5 0
1
2
14 2 6 0
1
2
14 2 7 0
1
2
14 3 3 0
1
2
3
14 3 4 0
1
2
3
14 3 5 0
1
2
3
14 3 6 0
1
2
3
14 3 7 0
1
2
3
14 4 4 0
1
2
3
4
14 4 5 0
1
2
3
4
14 4 6 0
1
2
3
4
14 4 7 0
1
2
3
4
14 5 5 0
1
2
3
Probabilidad
Obs. Otra Totales
0.495 0.066 0.561
0.505 0.495 1.000
0.066 0.000 0.066
0.396 0.110 0.506
0.604 0.396 1.000
0.110 0.000 0.110
0.308 0.165 0.473
0.692 0.308 1.000
0.165 0.000 0.165
0.231 0.231 0.462
0.769 0.769 1.538
0.231 0.231 0.462
0.453 0.093 0.546
0.547 0.453 1.000
0.093 0.000 0.093
0.003 0.000 0.003
0.330 0.176 0.506
0.670 0.330 1.000
0.176 0.000 0.176
0.011 0.000 0.011
0.231 0.027 0.258
0.725 0.275 1.000
0.275 0.231 0.506
0.027 0.000 0.027
0.154 0.055 0.209
0.615 0.385 1.000
0.385 0.154 0.539
0.055 0.000 0.055
0.096 0.096 0.192
0.500 0.500 1.000
0.500 0.500 1.000
0.096 0.096 0.192
0.210 0.041 0.251
0.689 0.311 1.000
0.311 0.210 0.521
0.041 0.000 0.041
0.001 0.000 0.001
0.126 0.095 0.221
0.545 0.455 1.000
0.455 0.126 0.581
0.095 0.000 0.095
0.005 0.000 0.005
0.070 0.015 0.085
0.406 0.175 0.581
0.594 0.406 1.000
0.175 0.070 0.245
0.015 0.000 0.015
0.035 0.035 0.070
0.280 0.280 0.560
0.720 0.280 1.000
0.280 0.280 0.560
0.035 0.035 0.070
0.063 0.023 0.086
0.378 0.203 0.581
0.622 0.378 1.000
0 203 0 063 0 266
N S1 S2 X
2
3
4
5
14 6 6 0
1
2
3
4
5
6
14 6 7 0
1
2
3
4
5
6
14 7 7 0
1
2
3
4
5
6
7
15 1 1 0
1
15 1 2 0
1
15 1 3 0
1
15 1 4 0
1
15 1 5 0
1
15 1 6 0
1
15 1 7 0
1
15 2 2 0
1
2
15 2 3 0
1
2
15 2 4 0
1
2
15 2 5 0
1
2
15 2 6 0
1
2
15 2 7 0
Probabilidad
Obs. Otra Totales
0.500 0.500 1.000
0.500 0.500 1.000
0.133 0.133 0.266
0.010 0.010 0.020
0.009 0.000 0.009
0.121 0.016 0.137
0.471 0.156 0.627
0.529 0.471 1.000
0.156 0.121 0.277
0.016 0.009 0.025
0.000 0.000 0.000
0.002 0.002 0.004
0.051 0.051 0.102
0.296 0.296 0.592
0.704 0.296 1.000
0.296 0.296 0.592
0.051 0.051 0.102
0.002 0.002 0.004
0.000 0.000 0.000
0.015 0.015 0.030
0.143 0.143 0.286
0.500 0.500 1.000
0.500 0.500 1.000
0.143 0.143 0.286
0.015 0.015 0.030
0.000 0.000 0.000
0.933 0.067 1.000
0.067 0.000 0.067
0.867 0.133 1.000
0.133 0.000 0.133
0.800 0.200 1.000
0.200 0.000 0.200
0.733 0.267 1.000
0.267 0.000 0.267
0.667 0.333 1.000
0.333 0.000 0.333
0.600 0.400 1.000
0.400 0.000 0.400
0.533 0.467 1.000
0.467 0.000 0.467
0.743 0.257 1.000
0.257 0.000 0.257
0.010 0.000 0.010
0.629 0.371 1.000
0.371 0.000 0.371
0.029 0.000 0.029
0.524 0.057 0.581
0.476 0.524 1.000
0.057 0.000 0.057
0.429 0.095 0.524
0.571 0.429 1.000
0.095 0.000 0.095
0.343 0.143 0.486
0.657 0.343 1.000
0.143 0.000 0.143
0 267 0 200 0 467
TABLAI: (continuacin)
Probabilidad
15 3 5 0 0.264 0.242 0.506
1 0.758 0.758 1.516
2 0.242 0.264 0.506
3 0.022 0.000 0.022
15 3 6 0 0.185 0.044 0.229
1 0.659 0.341 1.000
2 0.341 0.185 0.526
3 0.044 0.000 0.044
15 3 7 0 0.123 0.077 0.200
1 0.554 0.446 1.000
2 0.446 0.123 0.569
3 0.077 0.000 0.077
15 4 4 0 0.242 0.033 0.275
1 0.725 0.275 1.000
2 0.275 0.242 0.517
3 0.033 0.000 0.033
4 0.001 0.000 0.001
15 4 5 0 0.154 0.077 0.231
1 0.593 0.407 1.000
2 0.407 0.154 0.561
3 0.077 0.000 0.077
4 0.004 0.000 0.004
15 4 6 0 0.092 0.011 0.103
1 0.462 0.143 0.605
N S1 S2 X
2
3
4
15 4 7 0
1
2
3
4
15 5 5 0
1
2
3
4
5
15 5 6 0
1
2
3
4
5
15 5 7 0
1
2
3
Probabilidad
Obs. Otra Totales
0.538 0.462 1.000
0.143 0.092 0.235
0.011 0.000 0.011
0.051 0.026 0.077
0.338 0.231 0.569
0.662 0.338 1.000
0.231 0.051 0.282
0.026 0.000 0.026
0.084 0.017 0.101
0.434 0.167 0.601
0.566 0.434 1.000
0.167 0.084 0.251
0.017 0.000 0.017
0.000 0.000 0.000
0.042 0.047 0.089
0.294 0.287 0.581
0.713 0.713 1.426
0.287 0.294 0.581
0.047 0.042 0.089
0.002 0.000 0.002
0.019 0.007 0.026
0.182 0.100 0.282
0.573 0.427 1.000
0.427 0.182 0.609
N S1 S2 X
4
5
15 6 6 0
1
2
3
4
5
6
15 6 7 0
1
2
3
4
5
6
15 7 7 0
1
2
3
4
5
6
7
Probabilidad
Obs. Otra Totales
0.100 0.019 0.119
0.007 0.000 0.007
0.017 0.011 0.028
0.168 0.119 0.287
0.545 0.455 1.000
0.455 0.168 0.623
0.119 0.017 0.136
0.011 0.000 0.011
0.000 0.000 0.000
0.006 0.001 0.007
0.084 0.035 0.119
0.378 0.231 0.609
0.622 0.378 1.000
0.231 0.084 0.315
0.035 0.006 0.041
0.001 0.000 0.001
0.001 0.000 0.001
0.032 0.009 0.041
0.214 0.100 0.314
0.595 0.405 1.000
0.405 0.214 0.619
0.100 0.032 0.132
0.009 0.001 0.010
0.000 0.000 0.000
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0.0500
0.1000
0.2000
0.3500
0.5000
0.6500
0.8000
0.9000
0.9500
1.0000
15
14
13
12
11
10
9
8
7
6
0.0286
0.0571
0.1143
0.2000
0.3143
0.4286
0.5714
0.6857
0.8000
0.8857
0.9429
0.9714
1.0000
18
17
16
15
14
13
12
11
10
9
8
7
6
0.0179
0.0357
0.0714
0.1250
0.1964
0.2857
0.3929
0.5000
0.6071
0.7143
0.8036
0.8750
0.9286
0.9643
0.9821
1.0000
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
0.0119
0.0238
0.0476
0.0833
0.1310
0.1905
0.2738
4.3571
0.4524
0.5476
0.6429
0.7262
0.8095
0.8690
0.9167
0.9524
0.9762
0.9881
1.0000
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
0.0083
0.0167
0.0333
0.0583
0.0917
0.1333
0.1917
0.2583
0.3333
0.4167
0.5000
0.5833
0.6667
0.7417
0.8083
0.8667
0.9083
0.9417
0.9667
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
0.0061
0.0121
0.0242
0.0424
0.0667
0.0970
0.1394
0.1879
0.2485
0.3152
0.3879
0.4606
0.5394
0.6121
0.6848
0.7515
0.8121
0.8606
0.9030
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
0.0045
0.0091
0.0182
0.0318
0.0500
0.0727
0.1045
0.1409
0.1864
0.2409
0.3000
0.3636
0.4318
0.5000
0.5682
0.6364
0.7000
0.7591
0.8136
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
0.003
0.007
0.014
0.024
0.038
0.055
0.080
0.108
0.143
0.185
0.234
0.286
0.346
0.405
0.468
0.53
0.594
0.653
0.713
.WlaX suma de rangos para el grupo ms pequeo.

Las entradas son P W X C L y P WX CU es
m= 3
CL n = 3 CU n = 4 CU n = 5 CU n = 6 CU n = 7 CU n = 8 CU n = 9 CU n = 1
TABLA J: Probabilidades de los lados inferior y superior para Wx, el estadstico de la suma de rangos de W
n = 4 CU n = 5 CU
n = 6 CU n = 7
m= 4
CU n = 8 CU n = 9 CU n = 10 CU
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
0,0143
0,0286
0,0571
0,1000
0,1714
0,2429
0,3429
0,4429
0,5571
0,6571
0,7571
0,8286
0,9000
0,9429
0,9714
0,9857
1,0000
0,0048
0,0095
0,0190
0,0333
0,0571
0,0857
0,1286
0,1762
0,2381
0,3048
0,3810
0,4571
0,5429
0,6190
0,6952
0,7619
0,8238
0,8714
0,9143
0,9429
0,9667
0,9810
0,9905
0,9952
1,0000
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
0,0079
0,0159
0,0317
0,0556
0,0952
0,1429
0,2063
0,2778
0,3651
0,4524
0,5476
0,6349
0,7222
0,7937
0,8571
0,9048
0,9444
0,9683
0,9841
0,9921
1,0000
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
0,0030
0,0061
0,0121
0,0212
0,0364
0,0545
0,0818
0,1152
0,1576
0,2061
0,2636
0,3242
0,3939
0,4636
0,5364
0,6061
0,6758
0,7364
0,7939
0,8424
0,8848
0,9182
0,9455
0,9636
0,9788
0,0020
0,0040
0,0081
0,0141
0,0242
0,0364
0,0545
0,0768
0,1071
0,1414
0,1838
0,2303
0,2848
0,3414
0,4040
0,4667
0,5333
0,5960
0,6586
0,7152
0,7697
0,8162
0,8586
0,8929
0,9232
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
0,0014
0,0028
0,0056
0,0098
0,0168
0,0252
0,0378
0,0531
0,0741
0,0993
0,1301
0,1650
0,2070
0,2517
0,3021
0,3552
0,4126
0,4699
0,5301
0,5874
0,6448
0,6979
0,7483
0,7930
0,8350
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
0,0010
0,0020
0,0040
0,0070
0,0120
0,0180
0,0270
0,0380
0,0529
0,0709
0,0939
0,1199
0,1518
0,1868
0,2268
0,2697
0,3177
0,3666
0,4196
0,4725
0,5275
0,5804
0,6334
0,6823
0,7303
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
CL
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
CL
n=5
0,0040
0,0079
0,0159
0,0278
0,0476
0,0754
0,1111
0,1548
0,2103
0,2738
0,3452
0,4206
0,5000
0,5794
0,6548
0,7262
0,7897
0,8452
0,8889
0,9246
0,9524
0,9722
0,9841
0,9921
0,9960
1,0000
CU
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
19
18
17
16
15
n=6
0,0022
0,0043
0,0087
0,0152
0,0260
0,0411
0,0628
0,0887
0,1234
0,1645
0,2143
0,2684
0,3312
0,3961
0,4654
0,5346
0,6039
0,6688
0,7316
0,7857
0,8355
0,8766
0,9113
0,9372
0,9589
0,9740
CU
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
24
23
22
21
20
n=7
0,0013
0,0025
0,0051
0,0088
0,0152
0,0240
0,0366
0,0530
0,0745
0,1010
0,1338
0,1717
0,2159
0,2652
0,3194
0,3775
0,4381
0,5000
0,5619
0,6225
0,6806
0,7348
0,7841
0,8283
0,8662
0,8990
m=5
CU
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
26
25
n=8
0,0008
0,0016
0,0031
0,0054
0,0093
0,0148
0,0225
0,0326
0,0466
0,0637
0,0855
0,1111
0,1422
0,1772
0,2176
0,2618
0,3108
0,3621
0,4165
0,4716
0,5284
0,5835
0,6379
0,6892
0,7382
0,7824
CU
55
54
53
52
51
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
n
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
Tabla J: (Continuacin).
CL
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
n=6
0.0010
0.0022
0.0043
0.0076
0.0130
0.0206
0.0325
0.0465
0.0660
0.0898
0.1201
0.1548
0.1970
0.2424
0.2944
0.3496
0.4091
0.4686
0.5314
0.5909
0.6504
0.7056
0.7576
0.8030
0.8452
0.8799
0.9102
0.9340
0.9535
0.9675
0.9794
CU
57
56
55
54
53
52
51
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
32
31
30
29
28
27
n=7
0.0006
0.0012
0.0023
0.0041
0.0070
0.0111
0.0175
0.0256
0.0367
0.0507
0.0688
0.0903
0.1171
0.1474
0.1830
0.2226
0.2669
0.3141
0.3654
0.4178
0.4726
0.5274
0.5822
0.6346
0.6859
0.7331
0.7774
0.8170
0.8526
0.8829
0.9097
CU
63
62
61
60
59
58
57
56
55
54
53
52
51
50
49
48
47
46
45
44
43
42
41
40
39
38
37
36
35
34
33
m= 6
n=8
0.0003
0.0007
0.0013
0.0023
0.0040
0.0063
0.0100
0.0147
0.0213
0.0296
0.0406
0.0539
0.0709
0.0906
0.1142
0.1412
0.1725
0.2068
0.2454
0.2864
0.3310
0.3773
0.4259
0.4749
0.5251
0.5741
0.6227
0.6690
0.7136
0.7546
0.7932
CU
69
68
67
66
65
64
63
62
61
60
59
58
57
56
55
54
53
52
51
50
49
48
47
46
45
44
43
42
41
40
39
n = 9 CU
0.0002 75
0.0004 74
0.0008 73
0.0014 72
0.0024 71
0.0038 70
0.0060 69
0.0088 68
0.0128 67
0.0180 66
0.0248 65
0.0332 64
0.0440 63
0.0567 62
0.0723 61
0.0905 60
0.1119 59
0.1361 58
0.1638 57
0.1942 56
0.2280 55
0.2643 54
0.3035 53
0.3445 52
0.3878 51
0.4320 50
0.4773 49
0.5227 48
0.5680 47
0.6122 46
0.6555 45
n = 10 CU
0.0001 81
0.0002 80
0.0005 79
0.0009 78
0.0015 77
0.0024 76
0.0037 75
0.0055 74
0.0080 73
0.0112 72
0.0156 71
0.0210 70
0.0280 69
0.0363 68
0.0467 67
0.0589 66
0.0736 65
0.0903 64
0.1099 63
0.1317 62
0.1566 61
0.1838 60
0.2139 59
0.2461 58
0.2811 57
0.3177 56
0.3564 55
0.3962 54
0.4374 53
0.4789 52
0.5211 51
CL
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
n=7
0,0003
0,0006
0,0012
0,0020
0,0035
0,0055
0,0087
0,0131
0,0189
0,0265
0,0364
0,0487
0,0641
0,0825
0,1043
0,1297
0,1588
0,1914
0,2279
0,2675
0,3100
0,3552
0,4024
0,4508
0,5000
0,5492
0,5976
0,6448
0,6900
0,7325
0,7721
0,8086
0,8412
0,8703
0,8957
0,9175
CU
77
76
75
74
73
72
71
70
69
68
67
66
65
64
63
62
61
60
59
58
57
56
55
54
53
52
51
50
49
48
47
46
45
44
43
42
n=8
0,0002
0,0003
0,0006
0,0011
0,0019
0,0030
0,0047
0,0070
0,0103
0,0145
0,0200
0,0270
0,0361
0,0469
0,0603
0,0760
0,0946
0,1159
0,1405
0,1678
0,1984
0,2317
0,2679
0,3063
0,3472
0,3894
0,4333
0,4775
0,5225
0,5667
0,6106
0,6528
0,6937
0,7321
0,7683
0,8016
m= 7
CU
84
83
82
81
80
79
78
77
76
75
74
73
72
71
70
69
68
67
66
65
64
63
62
61
60
59
58
57
56
55
54
53
52
51
50
49
n=9
0,0001
0,0002
0,0003
0,0006
0,0010
0,0017
0,0026
0,0039
0,0058
0,0082
0,0115
0,0156
0,0209
0,0274
0,0356
0,0454
0,0571
0,0708
0,0869
0,1052
0,1261
0,1496
0,1755
0,2039
0,2349
0,2680
0,3032
0,3403
0,3788
0,4185
0,4591
0,5000
0,5409
0,5815
0,6212
0,6597
CU
91
90
89
88
87
86
85
84
83
82
81
80
79
78
77
76
75
74
73
72
71
70
69
68
67
66
65
64
63
62
61
60
59
58
57
56
n = 10
0,0001
0,0001
0,0002
0,0004
0,0006
0,0010
0,0015
0,0023
0,0034
0,0048
0,0068
0,0093
0,0125
0,0165
0,0215
0,0277
0,0351
0,0439
0,0544
0,0665
0,0806
0,0966
0,1148
0,1349
0,1574
0,1819
0,2087
0,2374
0,2681
0,3004
0,3345
0,3698
0,4063
0,4434
0,4811
0,5189
CU
98
97
96
95
94
93
92
91
90
89
88
87
86
85
84
83
82
81
80
79
78
77
76
75
74
73
72
71
70
69
68
67
66
65
64
63
CL
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
n=8
0,0001
0,0002
0,0003
0,0005
0,0009
0,0015
0,0023
0,0035
0,0052
0,0074
0,0103
0,0141
0,0190
0,0249
0,0325
0,0415
0,0524
0,0652
0,0803
0,0974
0,1172
0,1393
0,1641
0,1911
0,2209
0,2527
0,2869
0,3227
0,3605
0,3992
0,4392
0,4796
0,5204
0,5608
0,6008
0,6395
0,6773
0,7131
0,7473
0,7791
0,8089
CU
100
99
98
97
96
95
94
93
92
91
90
89
88
87
86
85
84
83
82
81
80
79
78
77
76
75
74
73
72
71
70
69
68
67
66
65
64
63
62
61
60
m=8
n=9
0,0000
0,0001
0,0002
0,0003
0,0005
0,0008
0,0012
0,0019
0,0028
0,0039
0,0056
0,0076
0,0103
0,0137
0,0180
0,0232
0,0296
0,0372
0,0464
0,0570
0,0694
0,0836
0,0998
0,1179
0,1383
0,1606
0,1852
0,2117
0,2404
0,2707
0,3029
0,3365
0,3715
0,4074
0,4442
0,4813
0,5187
0,5558
0,5926
0,6285
0,6635
CU
108
107
106
105
104
103
102
101
100
99
98
97
96
95
94
93
92
91
90
89
88
87
86
85
84
83
82
81
80
79
78
77
76
75
74
73
72
71
70
69
68
n = 10
0,0000
0,0000
0,0001
0,0002
0,0003
0,0004
0,0007
0,0010
0,0015
0,0022
0,0031
0,0043
0,0058
0,0078
0,0103
0,0133
0,0171
0,0217
0,0273
0,0338
0,0416
0,0506
0,0610
0,0729
0,0864
0,1015
0,1185
0,1371
0,1577
0,1800
0,2041
0,2299
0,2574
0,2863
0,3167
0,3482
0,3809
0,4143
0,4484
0,4827
0,5173
CU
116
115
114
113
112
111
110
109
108
107
106
105
104
103
102
101
100
99
98
97
96
95
94
93
92
91
90
89
88
87
86
85
84
83
82
81
80
79
78
77
76
CL
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
n=9
0,0000
0,0000
0,0001
0,0001
0,0002
0,0004
0,0006
0,0009
0,0014
0,0020
0,0028
0,0039
0,0053
0,0071
0,0094
0,0122
0,0157
0,0200
0,0252
0,0313
0,0385
0,0470
0,0567
CU
126
125
124
123
122
121
120
119
118
117
116
115
114
113
112
111
110
109
108
107
106
105
104
n = 10
0,0000
0,0000
0,0000
0,0001
0,0001
0,0002
0,0003
0,0005
0,0007
0,0011
0,0015
0,0021
0,0028
0,0038
0,0051
0,0066
0,0086
0,0110
0,0140
0,0175
0,0217
0,0267
0,0326
m= 9
CU CL
135 68
134 69
133 70
132 71
131 72
130 73
129 74
128 75
127 76
126 77
125 78
124 79
123 80
122 81
121 82
120 83
119 84
118 85
117 86
116 87
115 88
114 89
113 90
n=9
0,0680
0,0807
0,0951
0,1112
0,1290
0,1487
0,1701
0,1933
0,2181
0,2447
0,2729
0,3024
0,3332
0,3652
0,3981
0,4317
0,4657
0,5000
0,5343
0,5683
0,6019
0,6348
0,6668
CU
103
102
101
100
99
98
97
96
95
94
93
92
91
90
89
88
87
86
85
84
83
82
81
n = 10
0,0394
0,0474
0,0564
0,0667
0,0782
0,0912
0,1055
0,1214
0,1388
0,1577
0,1781
0,2001
0,2235
0,2483
0,2745
0,3019
0,3304
0,3598
0,3901
0,4211
0,4524
0,4841
0,5159
CU
112
111
110
109
108
107
106
105
104
103
102
101
100
99
98
97
96
95
94
93
92
91
90
m = 10
CL
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
n = 10
0,0000
0,0000
0,0000
0,0000
0,0001
0,0001
0,0002
0,0002
0,0004
0,0005
0,0008
0,0010
0,0014
0,0019
0,0026
0,0034
0,0045
0,0057
0,0073
0,0093
0,0116
0,0144
0,0177
0,0216
0,0262
0,0315
CU
155
154
153
152
151
150
149
148
147
146
145
144
143
142
141
140
139
138
137
136
135
134
133
132
131
130
CL
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
n = 10
0,0376
0,0446
0,0526
0,0615
0,0716
0,0827
0,0952
0,1088
0,1237
0,1399
0,1575
0,1763
0,1965
0,2179
0,2406
0,2644
0,2894
0,3153
0,3421
0,3697
0,3980
0,4267
0,4559
0,4853
0,5147
CU
129
128
127
126
125
124
123
122
121
120
119
118
117
116
115
114
113
112
111
110
109
108
107
106
105
Tabla K: Valores crticos de U para la prueba poderosa de rangos ordenados.
0.10
0.05
0.025
0.01
n
3
4
2.347 1.732
* 3.273
1.586
2.502
4.483
5
6
7
1.632 1.897 1.644
2.324 2.912 2.605
4.195 5.116 6.037
1.500 1.434 1.428

2.160 2.247 2.104
3.265 3.021 3.295
* 6.899 4.786
1.447 1.362 1.308
2.063 1.936 1.954
2.859 2.622 2.465
7.187 3.913 4.246
1.335 1.326
1.860 1.816
2.502 2.500
3.712 3.519
1.333
1.804
2.331
3.195
Los valores tabulados se encuentran en renglones
8
1.500
2.777
4.082
6.957
1.371
2.162
2.868
4.252
1.378
1.919
2.556
3.730
1.327
1.796
2.443
3.230
1.310
1.807
2.263
3.088
1.295
1.766
2.251
2.954
sucesivos para =0.10, 0.05, 0.025, 0.01 para

distintos valores de my n
Nota: para esta prueba, mes la muestra de menor
tamao y n es la de mayor tamao.
* El mayor tamao de U se utiliza cuando Vx y Vy es
igual a cero, o cuando U no est definida.
9
1.575
2.353
3.566
7.876
1.434
2.057
2.683
4.423
1.361
1.893
2.536
3.388
1.338
1.845
2.349
3.224
1.320
1.790
2.287
2.967
1.283
1.765
2.236
2.925
1.294
1.744
2.206
2.857
10
1.611
2.553
3.651
8.795
1.466
2.000
2.951
4.276
1.361
1.900
2.496
3.443
1.339
1.829
2.339
3.164
1.313
1.776
2.248
3.002
1.284
1.756
2.209
2.880
1.304
1.742
2.181
2.802
1.295
1.723
2.161
2.770
11
1.638
2.369
3.503
5.831
1.448
2.067
2.776
4.017
1.340
1.891
2.497
3.435
1.320
1.833
2.337
3.161
1.302
1.796
2.240
2.979
1.290
1.746
2.205
2.856
1.288
1.744
2.172
2.798
1.284
1.726
2.152
2.733
1.289
1.716
2.138
2.705
12
1.616
2.449
3.406
5.000
1.455
2.096
2.847
3.904
1.369
1.923
2.479
3.444
1.330
1.835
2.349
3.151
1.318
1.787
2.239
2.929
1.293
1.759
2.198
2.845
1.299
1.737
2.172
2.770
1.284
1.720
2.144
2.718
1.290
1.708
2.127
2.683
1.283
1.708
2.117
10
11
12
4 10 16 13 16 18 24 21 24 26 32 29
10 16 16 18 21 24 25 28 29 36 33
** ** 17 22 25 32 29 34 37 40 41
32 34 40 37 40 41 48
38 38 44 44 46 49 52
46 46 52 53 56 57 64
5 11 13 20 19 21 23 26 30 30 32 35
13 16 20 21 24 26 28 35 35 36 40
** 17 25 26 29 33 36 40 41 46 48
37 45 41 44 46 47 55
42 50 46 49 51 56 60
51 60 56 61 63 67 75
6 15 16 19 24 24 26 30 32 33 42 37
15 18 21 30 25 30 33 36 38 48 43
** 22 26 36 31 38 42 44 49 54 54
42 45 48 49 54 54 56
48 51 54 56 66 61 66
60 63 66 68 78 77 80
7 15 18 21 24 35 28 32 34 38 40 44
16 21 24 25 35 34 36 40 43 45 50
19 25 29 31 42 42 46 50 53 57 59
49 48 51 54 56 59 61
56 56 58 61 64 68 72
70 70 71 75 81 85 87
8 16 24 23 26 28 40 33 40 41 48 47
19 24 26 30 34 40 40 44 48 52 53
22 32 33 38 42 48 49 56 59 64 66
50 52 64 57 62 64 72
58 60 72 65 72 73 80
72 75 88 81 88 91 100
Tabla L-1: Prueba de Kolmogorov-Smirnov para dos muestra*.

Valores crticos para la regin de rechazo unidireccional de mnDm,n c. Los valores super
indican c0.10, c0.05 y c0.01 para cada entrada (m,n).
m
n 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
3 9 10 11 15 15 16 21 19 22 24 25 26 30 30 32 36 36 37
9 10 13 15 16 19 21 22 25 27 28 31 33 34 35 39 40 41
** ** ** ** 19 22 27 28 31 33 34 37 42 43 43 48 49 52
30
35
41
32
36
46
35
40
48
26
29
37
12 24 32
27 36
33 40
29
33
41
32
38
46
34
38
46
40
44
52
11 22
25
31
13 25
28
34
14 26
31
37
15 30
33
42
16 30
34
43
41
46
56
45
50
60
37
42
51
40 48 51 52
45 52 57 60
57 64 69 74
66
76
94
61
68
86
69
77
97
65
74
92
70
80
99
73
83
10
72 74 90
82 85 10
104 104 12
72
81
99
61 68 72 76 77 84 85 92
71 78 84 88 89 96 98 10
92 94 102 108 111 120 121 12
59 63 66 69 72 76 79 84
67 72 76 80 83 87 92 95
85 89 95 100 104 108 114 11
55 60 65
62 68 75
78 84 90
51 54 60
57 63 69
73 77 84
68 72 84 80 84 87 92 94 10
78 78 98 92 96 99 104 108 11
94 102 112 111 120 124 130 135 14
61 78 72 75 79 81 87 89 95
71 91 78 86 90 94 98 102 10
92 104 102 106 112 118 121 127 13
72
72
96
54
64
77
52
60
74
51
57
69
66 72 75 80 90 87 91 99 100 11
76 84 86 92 105 101 105 111 113 12
95 102 106 111 135 120 130 138 142 15
63
72
89
59
67
85
54
64
77
66
66
88
48
57
69
45
51
62
48 51 64 61 66 69 76 79 84 87 112 94 100 104 11

54 58 72 68 76 80 88 90 96 101 112 109 116 120 12
66 71 88 86 94 100 108 112 120 120 144 139 142 149 15
45 48 52 60 65
51 56 60 69 75
63 70 75 84 90
42 49 50 54 60
48 56 58 63 68
60 70 72 77 84
37 44 47 51 55
43 50 53 57 62
54 59 66 73 78
42
48
54
33 38 41 45 48
38 43 48 51 57
49 53 59 62 69
32 34 40 43 50
36 40 44 46 60
44 50 56 61 70
24
28
34
10 19
22
28
30
35
40
30 32 33 45 43
33 36 40 54 46
42 46 49 63 61
Continuacin....
9 21 21 26
21 25 28
27 29 36
36
39
48
36
40
49
37
41
52
42
45
54
40
46
55
43
47
58
45
51
63
18
19
20
21
22
23
24
56
60
76
49
57
69
48
56
66
45
52
64
48
52
64
41
49
57
40
46
56
4
37
44
53
58
67
82
56
65
81
54
62
76
51
60
75
55
60
75
47
56
67
46
51
63
5
44
49
61
72
78
96
63
73
91
62
70
88
60
69
84
56
66
80
54
61
77
54
66
78
6
49
56
68
64
73
91
62
72
88
8
57
65
81
70
80
99
72
81
99
9
65
74
92
m
11 12 13 14 15 16 17
72 77 81 87 91 94 119
83 89 94 99 105 109 136
104 111 118 124 130 139 153
18 19 20
102 108 113
118 125 130
150 157 162
74 79 85 89 94 100 104 108 116 133 125

85 92 98 102 108 113 120 125 127 152 144
104 114 121 127 135 142 149 157 160 190 171
72 76 84 87 92 99 100 102 126 116 120

82 87 96 98 104 111 116 118 144 127 136
104 108 120 121 130 138 142 150 180 160 170
10
69
77
97
72 88 87 92 98 108 109 116 123 136 132 144 142 152

83 96 99 106 111 132 124 132 141 152 150 162 162 172
103 120 123 130 138 156 154 164 174 184 187 198 204 212
70 76 82 88 95 100 105 110 117 122 128 133 137 143

79 89 94 101 108 113 120 127 134 140 146 151 159 163
99 107 117 125 132 138 150 157 165 174 181 189 197 203
68 74 79 86 99 98 100 108 111 118 122 128 132 138

77 84 91 98 110 110 117 124 130 136 141 148 151 160
97 106 111 120 143 138 143 152 160 168 175 184 189 196
70 71 78 80 85 93 97 112 111 114 118 126 128 134

77 81 90 91 101 108 112 126 126 130 135 144 147 154
98 100 111 118 124 132 138 154 156 162 168 177 183 193
61 72 73 90 84 92 95 100 110 112 113 120 125 140

72 80 83 100 95 104 108 114 125 128 130 136 144 160
87 100 103 120 117 128 135 142 150 156 162 170 171 200
59
68
85
56
64
81
7
54
61
75
46 53 65 67 74 81 88 100 100 106 111 119 130 130 137 142 148 155
52 61 75 78 85 95 101 110 116 120 131 136 145 148 156 161 168 180
64 73 90 96 106 118 124 140 143 153 160 169 180 185 192 201 211 220
A d aptad a d e Gail, M .H. Y Green S.B. " Critical v alu es fo r th e on e-s ided two -s ample Ko lmo g o rov -S
* * Es tad s ticas q ue n o alcan zan es te n iv el de s ig n ificacin .
25
3
32
35
43
n
17
10
9 12 15
15
12 16 16
16 20
10 15 16 20
15 20 25
25
12 15 18 24
18 20 24
24 30
14 18 21 25
21 24 28
28 35
7
28
30
36
30
30
36
24
24
30
18
20
24
15
18
12
35
42
42
28
30
36
25
28
35
21
24
28
18
21
14
34
40
48
30
34
40
27
30
35
24
28
32
21
21
16
16
36
42
49
33
39
45
30
35
40
27
28
36
21
24
27
18
18
40
46
53
36
40
48
35
40
45
28
30
36
24
27
30
18
20
44
48
59
38
43
54
35
39
45
29
33
40
27
30
33
20
22
46
53
60
48
48
60
36
43
50
36
36
44
27
30
36
22
24
50
56
65
46
52
60
40
45
52
35
39
48
30
33
39
24
26
56
63
77
48
54
64
42
46
56
38
42
48
33
36
42
24
26
56
62
75
51
57
69
50
55
60
40
44
52
33
36
42
26
28
59
64
77
54
60
72
48
54
64
44
48
56
36
39
45
28
30
61
68
84
56
62
73
50
55
68
44
48
60
36
42
48
30
32
65
72
87
66
72
84
52
60
70
46
50
60
39
45
51
32
34
Tabla L-2: Prueba de Ko lmogo rov-Smirnov p ara do s mues tras *.

Valores crticos para la regin d e rechazo bidireccional de mnDm,n
c. Los valores s u
indican c 0 .1 0 , c 0 .0 5 y c 0 .0 1 para cad a entrad a (m,n).
m
n 1 2 3 4 5
6
7
8
9 10 11 12 13 14 15 16 17 18
1
18 24 28 35 36 40 44 50 60 57 60 64 68 75 76 79 82 85 10
20 27 30 40 40 46 48 53 70 60 66 70 74 80 84 89 92 94 1
30 36 45 48 53 60 63 80 77 80 84 90 100 100 106 108 113 1
20 27 29 35 38 44 48 52 57 66 64 67 73 76 80 85 88 92 9
22 30 33 39 43 48 53 59 60 77 72 75 82 84 89 93 97 102 1
33 40 45 54 59 64 70 77 88 86 91 96 102 106 110 118 122 1
22 27 36 36 48 46 52 57 60 64 72 71 78 84 88 90 96 99 10
24 30 36 43 48 53 60 63 66 72 84 81 86 93 96 100 108 108 1
36 44 50 60 60 68 75 80 86 96 95 104 108 116 119 126 130 1
24 30 35 40 46 50 54 59 64 67 71 91 78 87 91 96 99 104 10
26 33 39 45 52 56 62 65 70 75 81 91 89 96 101 105 110 114 1
39 48 52 60 65 72 78 84 91 95 117 104 115 121 127 131 138 1
24 33 38 42 48 56 58 63 68 73 78 78 98 92 96 100 104 110 1

26 36 42 46 54 63 64 70 74 82 86 89 112 98 106 111 116 121 1
42 48 56 64 77 76 84 90 96 104 104 126 123 126 134 140 148 1
26 33 40 50 51 56 60 69 75 76 84 87 92 105 101 105 111 114 12

28 36 44 55 57 62 67 75 80 84 93 96 98 120 114 116 123 127 1
42 52 60 69 75 81 90 100 102 108 115 123 135 133 142 147 152 1
10
11
12
13
14
15
m
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2
16 21 24 27 30 34 40 40 44 48 52 54 58 60 72 68 72 74 8
16 21 28 30 34 40 48 46 48 53 60 62 64 67 80 77 80 82 8
32 35 40 48 56 55 60 64 68 72 76 81 88 88 94 98 1
18 21 27 30 33 36 40 54 50 52 57 59 63 69 69 74 81 80 8
18 24 28 35 39 42 46 54 53 59 63 65 70 75 78 82 90 89 9
27 36 40 45 49 55 63 63 70 75 78 84 90 94 99 108 107 1
n
8
Continuacin...
32
36
38
19
20
21
22
23
24
25
19
20
21
22
23
24
25
48
54
63
48
51
60
45
51
57
42
48
57
42
45
54
39
45
51
36
42
48
3
36
39
45
57
64
76
56
62
72
52
59
72
52
60
68
49
53
64
46
50
60
44
48
60
4
44
48
56
65
72
87
63
70
83
60
69
80
60
65
80
56
61
71
52
60
70
50
55
68
5
48
54
64
73
80
97
70
78
92
69
75
90
66
72
88
64
70
83
66
72
84
56
62
73
6
54
60
72
18
11
12
15
79 85 90 96 100 105 109 136 11

89 93 100 105 111 116 124 136 13
106 110 119 127 134 142 143 170 16
m
10 11 12 13 14 15 16 17
76 80 88 91 96 101 112 109
84 89 96 101 106 114 128 124
100 106 116 121 126 133 160 143
80 85 92 99 104 110 114 120 126 13

89 94 102 108 114 121 127 133 141 14
107 113 122 130 138 148 152 160 166 17
81 82 88 96 99 104 111 116 118 14

90 92 97 108 110 116 123 128 133 16
108 108 118 126 131 140 147 154 164 18
74
82
99
9
69
78
94
80 84 100 96 104 108 114 125 128 132 13

88 93 110 107 116 120 126 135 140 146 15
104 111 130 127 140 143 152 160 168 175 18
74
82
98
72
80
94
68
77
88
8
72
80
88
80 89 94 101 108 113 120 127 134 141 146 15

89 98 106 114 119 125 135 142 149 157 163 17
108 115 126 137 142 149 161 170 179 187 196 20
77 84 91 98 110 110 117 124 130 136 142 14

84 94 101 108 121 124 130 138 144 150 157 16
103 112 122 130 143 148 156 164 173 180 187 19
77 81 90 95 101 108 113 126 126 130 136 14

91 89 99 105 112 120 126 140 138 145 151 15
105 107 117 126 134 141 150 161 168 173 180 18
72
79
93
69
76
91
65
72
87
61
68
84
7
59
64
77
42 54 63 75 78 86 95 101 110 117

46 60 68 80 88 97 104 114 125 129
50 69 84 95 107 115 125 135 150 154
A d aptada de Pears on, E.S. Y Hartley, H.O. Biometrika tab les
120 131 136 145 149 156 16

138 145 150 160 167 173 18
165 172 182 195 199 207 21
for s tatis ticians . Cambridge Univ
40 51 60 67 78 84 96 99 106 111 132 125 132 141 152 151 16

44 57 68 76 90 92 104 111 118 124 144 140 146 156 168 168 18
48 66 80 90 102 112 128 132 140 150 168 166 176 186 200 203 21
38
42
46
38
40
44
36
38
42
34
38
40
32
34
18
2
28
30
30
32
17
n
16
Continuacin...
Tabla L-3: Valores crticos de Dm ,n para la prueba de Kolmogorov-Smirnov para dos muestras
(muestras grandes, bidireccional).*
Valor de Dm,n que indica el rechazo de H0 en el nivel de

Nivel de significancia significacin, donde Dmn, =mximoSm(X)-Sn (X)
0,10
1.22
m+n
mn
0,05
1.36
m+n
mn
0,025
1.48
m+n
mn
0,01
1.63
m+n
mn
0,005
1.73
m+n
mn
0,001
1.95
m+n
mn
Adaptado de Smirnov, N., "Tables for estimating the goodness of fit of empirical
distributions". Annals of Mathematical Statistics, 1948.
Tabla M: Valores crticos para la prueba estadstica de anlisis

de varianza bifactorial por rangos de Friedman, F*.
k
3
N
3
4
5
6
7
8
9
10
11
12
13
2
3
4
5
6
7
8
3
4
5
010
.
0.05
0.01
6,00
6,00
5,20
5,33
5,43
5,25
5,56
5,00
4,91
5,17
4,77
6,00
6,50
6,40
7,00
7,14
6,25
6,22
6,20
6,54
6,17
6,00
-8,00
8,40
9,00
8,86
9,00
8,67
9,60
8,91
8,67
9,39
4,61
6,00
6,60
6,30
6,36
6,40
6,26
6,30
5,99
6,00
7,40
7,80
7,80
7,60
7,80
7,50
9,21
-8,60
9,60
9,96
10,00
10,37
10,35
6,25
7,47
7,60
7,68
7,82
8,53
8,80
8,96
11,34
10,13
11,00
11,52
7,78
9,49
13,28
Adaptado por Hollander, M. Y Wolfe, D.A. Nonparametric
statistic, 1973.
Tabla N: Valores crticos del estadstico Lde la prueba de Page*

*Los valores tabulados son:
k=3
k=4
k=5
N 0.05
2 28
3 41
4 54
5 66
6 79
7 91
8 104
9 116
10 128
11 141
12 153
13 165
14 178
15 190
16 202
17 215
18 227
19 239
20 251
0.01 0.001
42
55
68
81
93
106
119
131
144
156
169
181
194
206
218
231
243
256
56
70
83
96
109
121
134
147
160
172
185
197
210
223
235
248
260
0.05
58
84
111
137
163
189
214
240
266
292
317
k=7
N 0.05 0.01 0.001 0.05

2 252 261 269
362
3 370 382 394
532
4 487 501 516
701
5 603 620 637
869
6 719 737 757 1037
7 835 855 876 1204
8 950 972 994 1371
9 1065 1088 1113 1537
10 1180 1205 1230 1703
11 1295 1321 1348 1868
12 1410 1437 1465 2035
Adaptada de Page, E.B. 1963.
0.01 0.001
60
87
89
114 117
141 145
167 172
193 198
220 225
246 252
272 278
298 305
324 331
0.05
103
150
197
244
291
338
384
431
477
523
570
k=8
0.01 0.001
106 109
155 160
204 210
251 259
299 307
346 355
393 403
441 451
487 499
534 546
581 593
0.05
166
244
321
397
474
550
625
701
777
852
928
k=9
0.01
376
549
722
893
1063
1232
1401
1569
1736
1905
2072
k=6
0.05
500
736
971
1204
1436
1668
1900
2131
2361
2592
2822
0.01
520
761
999
1236
1472
1706
1940
2174
2407
2639
2872
0.001
178
260
341
420
499
577
655
733
811
888
965
k = 10
0.001
388
567
743
917
1090
1262
1433
1603
1773
1943
2112
0.01
173
252
331
409
486
563
640
717
793
869
949
0.001
544
790
1032
1273
1512
1750
1987
2223
2459
2694
2929
0.05
670
987
1301
1614
1927
2238
2549
2859
3169
3478
3788
0.01
696
1019
1339
1656
1972
2288
2602
2915
3228
3541
3852
0.001
726
1056
1382
1704
2025
2344
2662
2980
3296
3612
3927
Tabla O: Valores crticos para el anlisis de varianza unifactorial por rangos de

Kruskal-Wallis, KW.
Tamaos de las muestras

n2
n3
0.10
0.05
0.01
0.005
0.001
n1
2
2
2
4.25
3
2
1
4.29
3
2
2
4.71
4.71
5.14
3
3
1
4.57
3
3
2
4.56
5.36
5.60
7.20
7.20
3
3
3
4.62
4
2
1
4.50
5.33
4
2
2
4.46
4
3
1
4.06
5.21
5.44
6.44
7.00
4
3
2
4.51
4
3
3
4.71
5.73
6.75
7.32
8.02
6.67
4
4
1
4.17
4.97
4
4
2
4.55
5.45
7.04
7.28
5.60
7.14
7.59
8.32
4
4
3
4.55
4
4
4
4.65
5.69
7.66
8.00
8.65
5
2
1
4.20
5.00
5
2
2
4.36
5.16
6.53
5
3
1
4.02
4.96
5
3
2
4.65
5.25
6.82
7.18
5
3
3
4.53
5.65
7.08
7.51
8.24
5
4
1
3.99
4.99
6.95
7.36
5
4
2
4.54
5.27
7.12
7.57
8.11
5
4
3
4.55
5.63
7.44
7.91
8.50
5
4
4
4.62
5.62
7.76
8.14
9.00
5
5
1
4.11
5.13
7.31
7.75
5
5
2
4.62
5.34
7.27
8.13
8.68
5
5
3
4.54
5.71
7.54
8.24
9.06
5
5
4
4.53
5.64
7.77
8.37
9.32
5
5
5
4.56
5.78
7.98
8.72
9.68
4.61
5.99
9.21
10.60
13.82
Muestras grandes
Adaptada de la Tabla F en Kraft, C.H. YVan Eeden, 1968.
Tabla P: Valores crticos del estadstico J, de la prueba de Jonckheere

Las entradas son P(J valor de tablas) para k =3 y rt 8
e iguales n ( 2 n 6) para k = 4,5,6,7,8.
Tamao de las
muestras
2 2 2
2 2 3
2 2 4
2 2 5
2 2 6
2 2 7
2 2 8
2 3 3
2 3 4
2 3 5
2 3 6
2 3 7
2 3 8
2 4 4
2 4 5
2 4 6
2 4 7
2 4 8
2 5 5
2 5 6
2 5 7
2 5 8
2 6 6
2 6 7
2 6 8
2 7 7
2 7 8
2 8 8
3 3 3
3 3 4
0.10
10
13
16
18
21
24
27
16
20
23
26
30
33
24
27
31
35
39
32
36
41
45
42
47
52
52
58
64
20
24
0.05
11
14
17
20
23
26
29
18
21
25
28
32
35
25
29
34
38
42
34
39
44
48
44
50
55
56
62
68
22
26
0.01
12
15
19
22
25
29
32
19
23
27
31
35
39
28
33
37
42
46
38
43
48
53
49
55
61
61
68
75
24
29
0.005
-16
20
23
27
30
33
20
25
29
33
37
41
29
34
39
44
49
40
45
51
56
51
57
64
64
71
78
25
30
Continuacin...
Tamao de las
muestras
3
3
5
3
3
6
3
3
7
3
3
8
3
4
4
3
4
5
3
4
6
3
4
7
3
4
8
3
5
5
3
5
6
3
5
7
3
5
8
3
6
6
3
6
7
3
6
8
3
7
7
3
7
8
3
8
8
4
4
4
4
4
5
4
4
6
4
4
7
4
4
8
4
5
5
4
5
6
4
5
7
4
5
8
4
6
6
4
6
7
4
6
8
4
7
7
4
7
8
4
8
8
0,10
28
32
36
40
29
33
38
42
47
38
43
48
53
49
54
60
61
67
74
34
39
44
49
54
44
50
56
61
56
62
68
69
76
83
0,05
30
34
38
42
31
35
40
45
50
41
46
51
57
52
58
64
64
71
78
36
41
47
52
57
47
53
59
65
60
66
73
73
80
88
0,01
33
38
42
47
34
39
44
49
55
45
51
57
63
57
64
70
71
78
86
40
45
51
57
63
52
58
65
71
66
73
80
81
88
97
0,005
35
40
44
49
36
41
46
52
57
47
53
59
65
60
67
73
74
81
89
42
48
54
60
66
55
61
68
75
69
76
83
84
92
100
Continuacin...
Tamaos de las
muestras
0,10
0,05
0,01
0,005
555
50
54
59
62
556
57
60
66
69
557
63
67
73
76
558
69
73
80
84
566
63
67
74
77
567
70
74
82
85
568
77
81
89
93
577
77
82
90
94
578
85
89
98
102
588
92
98
107
111
666
71
75
82
86
667
78
82
91
94
668
85
90
99
103
677
86
91
100
103
678
94
99
109
113
688
102
108
118
122
777
94
99
109
113
778
102
108
119
123
788
111
117
129
133
888
121
127
139
144
2222
18
19
21
22
22222
28
30
33
34
222222
40
43
46
49
3333
37
39
43
45
33333
58
62
68
70
333333
85
89
97
101
4444
63
66
72
76
44444
100
105
115
119
444444
146
153
166
171
5555
95
100
109
113
55555
152
159
173
178
555555
223
233
251
258
6666
134
140
153
158
66666
215
225
243
250
666666
316
329
353
362
Adaptado de Odeh, R.E. "On Jonckheere's k-sample test against
ordered alternatives". En Technometrics, 1971.
Tabla Q: Valores crticos del coeficiente de correlacin de Spearman r s , de rangos ordenados.
0.25 0.10
0.05
0.025
0.01
0.005
0.0025
0.001 0.0005 unidireccional
N 0.50 0.20 0.10

0.05
0.02
0.01 0.005 0.002 0.001 bidireccional
4
0.600 1.000 1.000
5
0.500 0.800 0.900 1.000 1.000
6
0.371 0.657 0.829 0.886 0.943 1.000 1.000
7
0.321 0.571 0.714 0.786 0.893 0.929 0.964 1.000 1.000
8
0.310 0.524 0.643 0.738 0.833 0.881 0.905 0.952 0.976
9
0.267 0.483 0.600 0.700 0.783 0.833 0.867 0.917 0.933
10
0.248 0.455 0.564 0.648 0.745 0.794 0.830 0.879 0.903
11
0.236 0.427 0.536 0.618 0.709 0.755 0.800 0.845 0.873
12
0.224 0.406 0.503 0.587 0.671 0.727 0.776 0.825 0.860
13
0.209 0.385 0.484 0.560 0.648 0.703 0.747 0.802 0.835
14
0.200 0.367 0.464 0.538 0.622 0.675 0.723 0.776 0.811
15
0.189 0.354 0.443 0.521 0.604 0.654 0.700 0.754 0.786
16
0.182 0.341 0.429 0.503 0.582 0.635 0.679 0.732 0.765
17
0.176 0.328 0.414 0.485 0.566 0.615 0.662 0.713 0.748
18
0.170 0.317 0.401 0.472 0.550 0.600 0.643 0.695 0.728
19
0.165 0.309 0.391 0.460 0.535 0.584 0.628 0.677 0.712
20
0.161 0.299 0.380 0.447 0.520 0.570 0.612 0.662 0.696
21
0.156 0.292 0.370 0.435 0.508 0.556 0.599 0.648 0.681
22
0.152 0.284 0.361 0.425 0.496 0.544 0.586 0.634 0.667
23
0.148 0.278 0.353 0.415 0.486 0.532 0.573 0.622 0.654
24
0.144 0.271 0.344 0.406 0.476 0.521 0.562 0.610 0.642
25
0.142 0.265 0.337 0.398 0.466 0.511 0.551 0.598 0.630
26
0.138 0.259 0.331 0.390 0.457 0.501 0.541 0.587 0.619
27
0.136 0.255 0.324 0.382 0.448 0.491 0.531 0.577 0.608
28
0.133 0.250 0.317 0.375 0.440 0.483 0.522 0.567 0.598
29
0.130 0.245 0.312 0.368 0.433 0.475 0.513 0.558 0.589
30
0.128 0.240 0.306 0.362 0.425 0.467 0.504 0.549 0.580
31
0.126 0.236 0.301 0.356 0.418 0.459 0.496 0.541 0.571
32
0.124 0.232 0.296 0.350 0.412 0.452 0.489 0.533 0.563
33
0.121 0.229 0.291 0.345 0.405 0.446 0.482 0.525 0.554
34
0.120 0.225 0.287 0.340 0.399 0.439 0.475 0.517 0.547
35
0.118 0.222 0.283 0.335 0.394 0.433 0.468 0.510 0.539
36
0.116 0.219 0.279 0.330 0.388 0.427 0.462 0.504 0.533
37
0.114 0.216 0.275 0.325 0.383 0.421 0.456 0.497 0.526
38
0.113 0.212 0.271 0.321 0.378 0.415 0.450 0.491 0.519
39
0.111 0.210 0.267 0.317 0.373 0.410 0.444 0.485 0.513
40
0.110 0.207 0.264 0.313 0.368 0.405 0.439 0.479 0.507
41
0.108 0.204 0.261 0.309 0.364 0.400 0.433 0.473 0.501
42
0.107 0.202 0.257 0.305 0.359 0.395 0.428 0.468 0.495
43
0.105 0.199 0.254 0.301 0.355 0.391 0.423 0.463 0.490
44
0.104 0.197 0.251 0.298 0.351 0.386 0.419 0.458 0.484
45
0.103 0.194 0.248 0.294 0.347 0.382 0.414 0.453 0.479
46
0.102 0.192 0.246 0.291 0.343 0.378 0.410 0.448 0.474
47
0.101 0.190 0.243 0.288 0.340 0.374 0.405 0.443 0.469
48
0.100 0.188 0.240 0.285 0.336 0.370 0.401 0.439 0.465
49
0.098 0.186 0.238 0.282 0.333 0.366 0.397 0.434 0.460
50
0.097 0.184 0.235 0.279 0.329 0.363 0.393 0.430 0.456
Adaptada por zar, J.H. "Significance testing of the Spearman rank correlations coefficiente"., 1972.
Tabla R-1: Probabilidades del lado superior para T, del coeficiente de correlacin de
Kendall de rangos ordenados (N 10).
Las entradas son p = P T valor de la tabla .
N
4
T
0.000
0.333
0.667
1.000
P N T
P
N T
P
N T
P
0.625 7 0.048 0.500 9 0.000 0.540 10 0.022 0.500
0.375
0.143 0.386
0.056 0.460
0.067 0.431
0.167
0.238 0.281
0.111 0.381
0.111 0.364
0.042
0.333 0.191
0.167 0.306
0.156 0.300
0.429 0.119
0.222 0.238
0.200 0.242
5 0.000 0.592
0.524 0.068
0.278 0.179
0.244 0.190
0.200 0.408
0.619 0.035
0.333 0.130
0.289 0.146
0.400 0.242
0.714 0.015
0.389 0.090
0.333 0.108
0.600 0.117
0.810 0.005
0.444 0.060
0.378 0.078
0.800 0.042
0.905 0.001
0.500 0.038
0.422 0.054
1.000 0.008
1.000 0.000
0.556 0.022
0.467 0.036
0.611 0.012
0.511 0.023
6 0.670 0.500 8 0.000 0.548
0.667 0.006
0.556 0.014
0.200 0.360
0.071 0.452
0.722 0.003
0.600 0.008
0.333 0.235
0.143 0.360
0.778 0.001
0.644 0.005
0.467 0.136
0.214 0.274
0.833 0.000
0.689 0.002
0.600 0.068
0.286 0.199
0.889 0.000
0.733 0.001
0.733 0.028
0.357 0.138
0.944 0.000
0.778 0.000
0.867 0.008
0.429 0.089
1.000 0.000
0.822 0.000
1.001 0.001
0.500 0.054
0.867 0.000
0.571 0.031
0.911 0.000
0.643 0.016
0.956 0.000
0.714 0.007
1.000 0.000
0.786 0.003
0.857 0.001
0.929 0.000
1.000 0.000
Adaptada por Charles Griffin &Co. Ltd. 1970.
Tabla R-2: Valores crticos para T, el coeficiente de correlacin de Kendall de rangos ordenad
Las entradas son valores de T que P T valor de tabla
0.100
0.050
0.025
N 0.200
0.100
0.050
11
0.345
0.418
0.491
12
0.303
0.394
0.455
13
0.308
0.359
0.436
14
0.275
0.363
0.407
15
0.276
0.333
0.390
16
0.250
0.317
0.383
17
0.250
0.309
0.368
18
0.242
0.294
0.346
19
0.228
0.287
0.333
20
0.221
0.274
0.326
21
0.210
0.267
0.314
22
0.195
0.253
0.295
23
0.202
0.257
0.296
24
0.196
0.246
0.290
25
0.193
0.240
0.287
26
0.188
0.237
0.280
27
0.179
0.231
0.271
28
0.180
0.228
0.265
29
0.172
0.222
0.261
30
0.172
0.218
0.255
Adaptada por Charles Griffin & Co. Ltd. 1970.
0.010
0.020
0.564
0.545
0.513
0.473
0.467
0.433
0.426
0.412
0.392
0.379
0.371
0.344
0.352
0.341
0.333
0.329
0.322
0.312
0.310
0.301
0.005
0.010
0.600
0.576
0.564
0.516
0.505
0.483
0.471
0.451
0.439
0.421
0.410
0.378
0.391
0.377
0.367
0.360
0.356
0.344
0.340
0.333
unidirecciona
bidireccional
Tabla S: Valores crticos para el coeficiente de correlacin parcial Txy.z de Kendall de

rangos ordenados.
N
0.25
0.20
0.10
0.05
0.025
0.01
0.005 0.001
3
0.500
1.000
4
0.447
0.500
0.707
0.707
1.000
5
0.333
0.408
0.534
0.667
0.802
0.816
1.000
6
0.277
0.327
0.472
0.600
0.667
0.764
0.866 1.000
7
0.233
0.282
0.421
0.527
0.617
0.712
0.761 0.901
8
0.206
0.254
0.382
0.484
0.565
0.648
0.713 0.807
9
0.187
0.230
0.347
0.443
0.515
0.602
0.660 0.757
10
0.170
0.215
0.325
0.413
0.480
0.562
0.614 0.718
11
0.162
0.202
0.305
0.387
0.453
0.530
0.581 0.677
12
0.153
0.190
0.288
0.465
0.430
0.505
0.548 0.643
13
0.145
0.180
0.273
0.347
0.410
0.481
0.527 0.616
14
0.137
0.172
0.260
0.331
0.391
0.458
0.503 0.590
15
0.133
0.166
0.251
0.319
0.377
0.442
0.485 0.570
16
0.125
0.157
0.240
0.305
0.361
0.423
0.466 0.549
17
0.121
0.151
0.231
0.294
0.348
0.410
0.450 0.532
18
0.117
0.147
0.222
0.284
0.336
0.395
0.434 0.514
19
0.114
0.141
0.215
0.275
0.326
0.382
0.421 0.498
20
0.111
0.139
0.210
0.268
0.318
0.374
0.412 0.488
25
0.098
0.122
0.185
0.236
0.279
0.329
0.363 0.430
30
0.088
0.110
0.167
0.213
0.253
0.298
0.329 0.390
35
0.081
0.101
0.153
0.196
0.232
0.274
0.303 0.361
40
0.075
0.094
0.142
0.182
0.216
0.255
0.282 0.335
45
0.071
0.088
0.133
0.171
0.203
0.240
0.265 0.316
50
0.067
0.083
0.126
0.161
0.192
0.225
0.250 0.298
60
0.060
0.075
0.114
0.147
0.174
0.206
0.227 0.270
70
0.056
0.070
0.106
0.135
0.160
0.190
0.210 0.251
80
0.052
0.065
0.098
0.126
0.150
0.178
0.197 0.235
90
0.049
0.061
0.092
0.119
0.141
0.167
0.185 0.221
Adaptada de Maghsoodloo, S., "Estimates of the quantiles of Kendall's partial rank
correlation coefficiente"., 1975.
Tabla T: Valores crticos del coeficiente de acuerdos W de Kendall.

N= 3
0.05 0.01
K
8
0.376
0.522
9
0.333
0.469
10
0.300 0.425
12
0.250 0.359
14
0.214 0.311
15
0.200 0.291
16
0.187 0.274
18
0.166 0.245
20
0.150 0.221
N= 4
N= 5
N= 6
N= 7
0.05 0.01 0.05 0.01 0.05 0.01 0.05 0.01
K
3
--0.716 0.840 0.660 0.780 0.624 0.737
4
0.619 0.768
0.552 0.683 0.512 0.629 0.484 0.592
5
0.501 0.644
0.449 0.571 0.417 0.524 0.395 0.491
6
0.421 0.553
0.378 0.489 0.351 0.448 0.333 0.419
8
0.318 0.429
0.287 0.379 0.267 0.347 0.253 0.324
10
0.256 0.351
0.231 0.309 0.215 0.282 0.204 0.263
15
0.171 0.240
0.155 0.211 0.145 0.193 0.137 0.179
20
0.129 0.182
0.117 0.160 0.109 0.146 0.103 0.136
Nota: Para N= 3 y k < 8 no existe valor de W en el lado superior que tenga una
probabilidad de ocurrencia menor que 0.05
Adaptada por Charles Griffin &Co. Ltd., 1970.
TABLA U: Probabilidad del lado superior del coeficiente de acuerdos u de Kendall

cuando los datos corresponden a comparaciones apareadas.
K=3
K=3
N
S
u
p
N
S
u
p
2
1
-0.333
1.0000
8
42
0.000
0.5721
3
1.000
0.2500
44
0.048
0.4003
46
0.095
0.2499
5
0.111
0.5781
48
0.143
0.1385
7
0.556
0.1563
50
0.190
0.0679
9
1.000
0.0156
52
0.238
0.0294
54
0.286
0.0112
4
10
0.111
0.4661
56
0.333
0.0038
12
0.333
0.1694
58
0.381
0.0011
14
0.556
0.0376
60
0.429
0.0003
16
0.778
0.0046
62
0.476
0.0001
18
1.000
0.0002
K=4
5
16
0.067
0.4744
N
S
u
p
18
0.200
0.2241
2
2
-0.333
1.0000
20
0.333
0.0781
3
0.000
0.6250
22
0.467
0.0197
6
1.000
0.1250
24
0.600
0.0035
26
0.733
0.0004
3
9
0.000
0.4551
10
0.111
0.3301
6
23
0.022
0.5387
11
0.222
0.2773
25
0.111
0.3135
12
0.333
0.1367
27
0.200
0.1484
14
0.556
0.0430
29
0.289
0.0566
15
0.667
0.0254
31
0.378
0.0173
18
1.000
0.0020
33
0.467
0.0042
35
0.556
0.0008
4
18
0.000
0.5242
37
0.644
0.0001
19
0.056
0.4097
20
0.111
0.2779
7
33
0.048
0.4334
21
0.167
0.1853
35
0.111
0.2564
22
0.222
0.1372
37
0.175
0.1299
23
0.278
0.0877
39
0.238
0.0561
24
0.333
0.0438
41
0.302
0.0206
25
0.389
0.0271
43
0.365
0.0064
26
0.444
0.0188
45
0.429
0.0017
27
0.500
0.0079
47
0.492
0.0004
28
0.556
0.0030
49
0.556
0.0001
29
0.611
0.0025
30
0.667
0.0011
32
0.778
0.0002
33
0.833
0.0001
Continuacin...
N
5
S
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
K=4
u
0.000
0.033
0.067
0.100
0.133
0.167
0.200
0.233
0.267
0.300
0.333
0.367
0.400
0.433
0.467
0.500
0.533
0.567
0.600
p
0.5137
0.4126
0.3266
0.2491
0.1795
0.1271
0.0903
0.0604
0.0376
0.0242
0.0156
0.0088
0.0048
0.0030
0.0017
0.0007
0.0004
0.0002
0.0001
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
0.000
0.022
0.044
0.067
0.089
0.111
0.133
0.156
0.178
0.200
0.222
0.244
0.267
0.289
0.311
0.333
0.356
0.378
0.400
0.422
0.444
0.467
0.489
0.5134
0.4310
0.3532
0.2837
0.2231
0.1708
0.1277
0.0939
0.0676
0.0472
0.0324
0.0219
0.0145
0.0092
0.0058
0.0037
0.0022
0.0013
0.0008
0.0004
0.0002
0.0001
0.0001
N
7
S
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
K=4
u
0.000
0.016
0.032
0.048
0.063
0.079
0.095
0.111
0.127
0.143
0.159
0.175
0.190
0.206
0.222
0.238
0.254
0.270
0.286
0.302
0.317
0.333
0.349
0.365
0.381
0.397
0.413
p
0.5111
0.4413
0.7460
0.3124
0.2562
0.2066
0.1637
0.1275
0.0977
0.0736
0.0545
0.0397
0.0285
0.0201
0.0139
0.0095
0.0064
0.0042
0.0028
0.0018
0.0011
0.0007
0.0004
0.0003
0.0002
0.0001
0.0001
84
85
86
87
88
89
90
91
92
93
94
95
96
0.000
0.012
0.024
0.036
0.048
0.060
0.071
0.083
0.095
0.107
0.119
0.131
0.143
0.5098
0.4490
0.3903
0.3348
0.2833
0.2366
0.1949
0.1585
0.1271
0.1006
0.0786
0.0606
0.0461
Continuacin...
N
2
S
4
6
10
K=4
u
0.155
0.167
0.179
0.190
0.202
0.214
0.226
0.238
0.250
0.262
0.274
0.286
0.298
0.310
0.321
0.333
0.345
K=5
u
-0.200
0.200
1.000
16
18
20
22
24
26
30
0.067
0.200
0.333
0.467
0.600
0.733
1.000
0.3896
0.2065
0.1025
0.0295
0.0112
0.0039
0.0002
30
32
34
36
38
40
42
44
46
48
50
0.000
0.067
0.133
0.200
0.267
0.333
0.400
0.467
0.533
0.600
0.667
0.5381
0.3533
0.2080
0.1074
0.0528
0.0238
0.0093
0.0039
0.0012
0.0004
0.0001
N
8
S
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
p
0.1346
0.0257
0.0188
0.0136
0.0097
0.0068
0.0048
0.0033
0.0022
0.0015
0.0010
0.0007
0.0004
0.0003
0.0002
0.0001
0.0001
N
5
S
52
54
56
58
60
62
64
66
68
70
72
74
K=5
u
0.040
0.080
0.120
0.160
0.200
0.240
0.280
0.320
0.360
0.400
0.440
0.480
p
0.3838
0.2544
0.1579
0.0918
0.0500
0.0257
0.0124
0.0057
0.0025
0.0010
0.0004
0.0001
76
78
80
82
84
86
88
90
92
94
96
98
100
102
104
0.013
0.040
0.067
0.093
0.120
0.147
0.173
0.200
0.227
0.253
0.280
0.307
0.333
0.360
0.387
0.4663
0.3453
0.2428
0.1623
0.1034
0.0628
0.0364
0.0202
0.0108
0.0055
0.0027
0.0013
0.0006
0.0002
0.0001
106
108
110
112
114
116
118
120
122
124
126
128
130
0.010
0.029
0.048
0.067
0.086
0.105
0.124
0.143
0.162
0.181
0.200
0.219
0.238
0.4718
0.3674
0.2750
0.1980
0.1372
0.0916
0.0589
0.0366
0.0220
0.0128
0.0072
0.0039
0.0021
p
1.0000
0.3750
0.0620
Continuacin...
N
7
S
132
134
136
138
140
140
142
144
146
148
150
152
154
156
158
160
162
164
166
168
170
172
174
176
178
K=5
u
0,257
0,276
0,295
0,314
0,333
N
2
S
6
7
10
15
0,000
0,014
0,029
0,043
0,057
0,071
0,086
0,100
0,114
0,129
0,143
0,157
0,171
0,186
0,200
0,214
0,229
0,243
0,257
0,271
K=6
u
-0,200
-0,067
0,333
1,000
23
24
26
27
28
29
30
0,022
0,067
0,156
0,200
0,244
0,289
0,333
p
0,0011
0,0005
0,0003
0,0001
0,0001
0,5233
0,4291
0,3411
0,2629
0,1965
0,1425
0,1003
0,0686
0,0456
0,0294
0,0185
0,0113
0,0068
0,0039
0,0022
0,0012
0,0007
0,0003
0,0002
0,0001
0,4682
0,3034
0,1798
0,1469
0,0883
0,0608
0,0402
N
3
S
31
32
35
36
37
40
K=6
u
0,378
0,422
0,556
0,600
0,644
0,778
p
0,0336
0,0226
0,0062
0,0029
0,0020
0,0006
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
0,000
0,022
0,044
0,067
0,089
0,111
0,133
0,156
0,178
0,200
0,222
0,244
0,267
0,289
0,311
0,333
0,356
0,378
0,400
0,422
0,444
0,467
0,489
0,511
0,533
0,556
0,578
0,4656
0,4094
0,3374
0,2569
0,2086
0,1746
0,1332
0,0970
0,0725
0,0566
0,0433
0,0289
0,0198
0,0160
0,0114
0,0072
0,0049
0,0034
0,0025
0,0016
0,0008
0,0007
0,0005
0,0003
0,0002
0,0001
0,0001
75
76
77
78
79
80
81
0,000
0,013
0,027
0,040
0,053
0,067
0,080
0,4841
0,4258
0,3665
0,3085
0,2600
0,2190
0,1800
p
1,0000
0,6875
0,2188
0,0312
Continuacin...
N
5
S
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
K=6
u
0,093
0,107
0,120
0,133
0,147
0,160
0,173
0,187
0,200
0,213
0,227
0,240
0,253
0,267
0,280
0,293
0,307
0,320
0,333
0,347
0,360
0,373
0,387
0,400
0,413
0,427
p
0,1452
0,1173
0,0949
0,0753
0,0583
0,0452
0,0355
0,0272
0,0202
0,0151
0,0115
0,0085
0,0062
0,0044
0,0033
0,0024
0,0017
0,0011
0,0008
0,0006
0,0004
0,0003
0,0002
0,0001
0,0001
0,0001
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
0,004
0,013
0,022
0,031
0,040
0,049
0,058
0,067
0,076
0,084
0,093
0,102
0,111
0,120
0,129
0,4640
0,4126
0,3637
0,3186
0,2768
0,2380
0,2030
0,1723
0,1451
0,1209
0,1000
0,0824
0,0674
0,0546
0,0439
N
6
S
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
K=6
u
0,138
0,147
0,156
0,164
0,173
0,182
0,191
0,200
0,209
0,218
0,227
0,236
0,244
0,253
0,262
0,271
0,280
0,289
0,298
0,307
0,316
0,324
0,333
p
0,0352
0,0280
0,0221
0,0173
0,0135
0,0105
0,0081
0,0062
0,0047
0,0036
0,0027
0,0020
0,0015
0,0011
0,0008
0,0006
0,0004
0,0003
0,0002
0,0002
0,0001
0,0001
0,0001
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
0,003
0,010
0,016
0,022
0,029
0,035
0,041
0,048
0,054
0,060
0,067
0,073
0,079
0,086
0,092
0,098
0,105
0,111
0,4694
0,4258
0,3838
0,3436
0,3057
0,2703
0,2375
0,2074
0,1800
0,1553
0,1332
0,1136
0,0963
0,0812
0,0680
0,0567
0,0470
0,0388
Continuacin...
N
7
S
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
K=6
u
0,117
0,124
0,130
0,137
0,143
0,149
0,156
0,162
0,168
0,175
0,181
0,187
0,194
0,200
0,206
0,213
0,219
0,225
0,232
0,238
0,244
0,251
0,257
0,263
0,270
p
0,0318
0,0260
0,0211
0,0170
0,0137
0,0110
0,0087
0,0069
0,0054
0,0043
0,0033
0,0026
0,0020
0,0015
0,0012
0,0009
0,0007
0,0005
0,0004
0,0003
0,0002
0,0002
0,0001
0,0001
0,0001
N
8
S
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
K=6
u
0,076
0,081
0,086
0,090
0,095
0,100
0,105
0,110
0,114
0,119
0,124
0,129
0,133
0,138
0,143
0,148
0,152
0,157
0,162
0,167
0,171
0,176
0,181
0,186
0,190
0,195
0,200
0,205
0,210
0,214
0,219
0,224
0,229
p
0,0742
0,0633
0,0538
0,0455
0,0383
0,0321
0,0268
0,0223
0,0185
0,0152
0,0125
0,0102
0,0083
0,0068
0,0055
0,0044
0,0035
0,0028
0,0022
0,0018
0,0014
0,0011
0,0009
0,0007
0,0005
0,0004
0,0003
0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
210
0,000
0,4930
211
0,005
0,4545
212
0,010
0,4169
213
0,014
0,3805
214
0,019
0,3455
215
0,024
0,3122
216
0,029
0,2807
217
0,033
0,2511
218
0,038
0,2235
219
0,043
0,1980
220
0,048
0,1745
221
0,052
0,1531
222
0,057
0,1337
223
0,062
0,1162
224
0,067
0,1005
225
0,071
0,0866
Nota: Los valores presentados corresponden a las probabilidades c>=0.0001. As las
prob. del lado superior para valores grandes de u tienen probabilidades < 0.00005.
Tabla V: Probabilidades del lado superior de Tc, la correlacin de k

rangos con un criterio de ordenamiento por rangos.
k=2
Tc
0.000
1.000
p
0.750
0.250
N
2
0.000
0.333
0.667
1.000
0.639
0.361
0.139
0.028
0.000
0.167
0.333
0.500
0.667
0.833
1.000
0.592
0.408
0.241
0.118
0.045
0.012
0.002
0.000
0.100
0.200
0.300
0.400
0.500
0.600
0.700
0.800
0.900
1.000
0.567
0.433
0.306
0.198
0.116
0.060
0.027
0.010
0.003
0.001
0.000+
N
2
k=3
Tc
0.333
1.000
p
0.500
0.125
0.111
0.333
0.556
0.778
1.000
0.500
0.278
0.116
0.033
0.005
0.000
0.111
0.222
0.333
0.444
0.556
0.667
0.778
0.889
1.000
0.576
0.424
0.282
0.167
0.086
0.038
0.014
0.004
0.001
0.000+
0.000
0.067
0.113
0.200
0.267
0.333
0.400
0.467
0.533
0.600
0.667
0.733
0.800
0.556
0.445
0.338
0.243
0.164
0.103
0.060
0.032
0.016
0.007
0.003
0.001
0.000+
Adaptada de Stilson, D.W. Y Campbell, V.N., "A noe on calculating tau and average
tau and on the sampling distribution of average tau with a criterion ranking". 1962.
BIBLIOGRAFA
1. PAGANO, R.R. (1999). Estadstica para las Ciencias del
Comportamiento. Quinta Edicin. Edit. Internacional Thompson
Editores.
2. PEREZ-TEJADA, H.E. (2000). Estadstica para las ciencias sociales
y del comportamiento. 2da. Edic. Edit. Oxford University Press Mxico,
S.A. de C.V.
3. RUIZ-MAYA, L. (2000). Mtodos Estadsticos de Investigacin

en las Ciencias Sociales: Tcnicas no paramtricas. 1ra. Edic.
Edit. AC. Madrid Espaa.
4. SIEGEL, S. (1970). Estadstica no paramtrica aplicada a las
ciencias de la conducta. Primera Edicin. Edit. Trillas S.A. de
C.V. Mxico.
5. SIEGEL, S. y CASTELLAN, N.J. (1995). Estadstica No
Paramtrica aplicada a las ciencias de la conducta. 2da. Edic.
Edit. Trillas, Mxico.
6. VILLALTA, P. e IBAEZ, V. (1999). Estadstica Pecuaria.
Primera Edicin. Edit. Universitaria. UNA - Puno.
7. ZEA, W. e IBAEZ, V. (2003). Tablas Estadsticas. Segunda
Edicin. Edit. Universitaria

Estadistica Noparametrica2007 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estadistica Noparametrica2007 PDF

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO

Facultad de Ingeniera Estadstica e Informtica

Puno, Marzo del 2007

- 2 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

VLADIMIRO IBAEZ QUISPE

Estadstica No Paramtrica Aplicada a la Ganadera - 3 -

- 4 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Estadstica No Paramtrica Aplicada a la Ganadera - 5 -

2. El Caso de una muestra medida dos veces y obtenida por medio

3. Dos muestras independientes ........................................................

4. El caso de k-muestras relacionadas ...............................................

5. El caso de k-muestras Independientes ........................................... 116

- 6 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

6. Medidas de Asociacin y sus pruebas de significacin .................. 140

Estadstica No Paramtrica Aplicada a la Ganadera - 7 -

- 8 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

o el nmero de resultados de tipo X=1.

La tabla de la distribucin binomial (Anexo, E), proporciona los valores de

- 10 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

La proporcin de vacunos que no sanaron (Fracasos) es:

1. Hiptesis nula: Ho: p = q = 1/2

5. Regin de Rechazo (RR) y Regin de Aceptacin (RA):

FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ

- 12 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

5. Regin de Rechazo (RR) y Regin de Aceptacin (RA):

Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico,

FG 4IJ ( 0.5 ) ( 1 0.5 )

Estadstica No Paramtrica Aplicada a la Ganadera - 13 a)

= 30% = 0.30, n = 20,

FG 20IJ ( 0.30 ) (1 0.30 )

20 x19 x18 x17 !

Probar la probabilidad de casos positivos es igual a la probabilidad de casos

1.2. PRUEBA DE JI CUADRADA (una muestra simple)

- 14 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

i = el nmero observado de casos en la categora isima.

= el nmero esperado de casos en la categora isima cuando Ho: es

5. Regin de rechazo y aceptacin:

6. Clculo de la prueba estadstica, segn la frmula arriba indicada.

Estadstica No Paramtrica Aplicada a la Ganadera - 15 Resumen de la prueba Ji-cuadrada

- 16 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

5. Clculo de Prueba Estadstica: Por informacin se tiene que:

(9 -12.5) 2 (12 -12.5) 2 (19 -12.5) 2 (10 -12.5) 2

Una vez realizado el clic en la opcin SYNTAX, se presenta la pantalla de Editor

- 18 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Los resultados se presentan en la pantalla de OUTPUT (pantalla de de resultados),

a. 0 cells (.0%) have expected frequencies less than

Estadstica No Paramtrica Aplicada a la Ganadera - 19 k

5. Clculo de la prueba estadstica:

2c es igual o mayor a 2t = 3841

7. Decisin: Como 2c = 4 .050 es mayor que 2t = 3841

- 20 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

El programa en SPSS, es el siguiente:

Localizacin del Infarto

3. Se tiene la distribucin de las muestras postivas realizadas en bovinos de los

Calcule la prueba Ji-cuadrado e interprete los resultados. Use

- 22 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Es una funcin de distribucin de frecuencias relativas acumuladas

2. Nivel de significacin: y determinar n

7. Decisin: En base a la Tabla (Anexo, F), encontramos que la probabilidad

- 24 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

6.Regin de Rechazo y Aceptacin: Como D = mx F0 (X i ) S n (X i ) =0.07665

Estadstica No Paramtrica Aplicada a la Ganadera - 25 -

6.Regin de Rechazo y Aceptacin: Como D = mx F0 (X i ) S n (X i ) =0.04528 es