Estadistica No Parametrica PDF

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS
DEPARTAMENTO ACADÉMICO DE CIENCIAS ECONÓMICAS
TEXTO UNIVERSITARIO
ESTADISTICA NO PARAMETRICA
Estadística No Paramétrica
INTRODUCCIÓN
En la Estadística clásica se han analizado modelos estadísticos que implican distribu-

ciones continuas con ciertos supuestos básicos para la aplicación de estas técnicas. El
principal uso de esos modelos es la estimación de parámetros desconocidos de la po-
blación en estudio, para poder hacer pruebas de validación o ensayos de significación y
testear así las hipótesis planteadas.
Estos supuestos se plantean fundamentalmente sobre el valor que toman los paráme-
tros poblacionales o sobre comparaciones de dos de ellos. Hasta ahora se ha trabajado
con magnitudes de tipo cuantitativas y continuas. A las magnitudes discretas se las ha
tratado como proporciones para poder usar los modelos, y cuando se usó el modelo de
Gauss distribución normal) se tuvo que hacer una corrección por continuidad. A esta
metodología de trabajo se la denomina Estadística Paramétrica, por contraposición a
otra donde lo que interesa es comparar distribuciones en lugar de parámetros. Mien-
tras los supuestos usados en la paramétrica especifican la distribución original (gene-
ralmente la gaussiana), hay otros casos en la práctica donde no se puede hacer esto,
donde no se puede especificar la forma de distribución original. Se requiere entonces
otra metodología de trabajo, una estadística de distribuciones libres, donde no se ne-
cesitan hacer supuestos acerca de la distribución poblacional, donde se puede compa-
rar distribuciones entre sí o verificar supuestos a cerca de la forma de la población.
Por ejemplo, verificar el supuesto de normalidad necesario para usar el modelo Stu-
dent. La solución para estos casos es el empleo de la Estadística no paramétrica.
Hay ciertas ventajas en su uso, tales como:
1. Trabajar con magnitudes cualitativas, además de las cuantitativas.
2. Estudiar casos donde no es posible precisar la naturaleza de la distribución.
3. Estudiar los casos donde los supuestos de la forma poblacional son débiles.
4. Aplicar el mismo modelo a casi todas las distribuciones en lugar a una sola;
5. Es más fácil de entender para quienes no poseen base matemática adecuada.
Y también tiene algunas desventajas como:
1. Cálculos usualmente más engorrosos;
2. No extraen tanta información como los paramétricos si se aplican al mismo caso;
3. Son menos eficientes si las muestras son grandes.
Los modelos paramétricos tienen mayor capacidad para detectar diferencias muestra-
les que los no paramétricos. Es decir, son capaces de ver una diferencia significativa
en casos donde los otros no pueden.
1
Daniel Guzmán Rojas
Estadística No Paramétrica
Como su poder discriminador es mejor, siempre que se pueda, conviene usar modelos
paramétricos antes que los no paramétricos, por su mayor sensibilidad para detectar
diferencias significativas A menos que las diferencias sean tan grandes que con cual-
quier modelo pueden detectarse. Pero como los no paramétricos se aplican casi todos
los casos, son más fáciles de entender y no tienen tanta “complicación matemática”; se
están poniendo de moda en todas las especialidades cada vez más.
El independizarse de la forma de la población llevó a estos modelos a otras aplicacio-

nes no clásicas, como en las ciencias de la conducta, marketing, ciencias sociales, etc.
En algunas técnicas, como las pruebas de rango o de orden, se trabaja con puntajes,
que no son verdaderamente numéricos, lo cual ocasiona deformaciones en los datos si
se empleasen técnicas paramétricas y el valor de las conclusiones de la validación es-
tadística quedaría menoscabado.
Por ejemplo, se pueden asignar rangos por textura, coloración, sabor, olor (magnitudes
organolépticas), clasificar por infección con cierto tipo de virus, y otros casos donde
no se cumpla el supuesto de homogeneidad de varianzas; acá el modelo de rangos pue-
de ser la salida. Cuando se comparan dos muestras, los modelos paramétricos hacen
hincapié en la comparación de las medias, mientras que los no paramétricos fijan su
atención en comparar medianas.
2
TEXTO UNIVERSITARIO
LA PRUEBA DE RACHAS DE UNA MUESTRA
LA PRUEBA DE RACHAS DE UNA MUESTRA Estadística No Paramétrica
LA PRUEBA DE RACHAS DE UNA MUESTRA
Si un experimentador desea llegar a una conclusión acerca de una población usando la

información contenida en una muestra de ella, su muestra debe ser aleatoria En años
recientes, se han desarrollado varias técnicas que nos permiten probar que una mues-
tra es aleatoria. Estas técnicas se basan en el orden o secuencia en que los puntajes u
observaciones del individuo fueron obtenidos originalmente.
La técnica que presentaremos aquí se basa en el número de rachas que la muestra ex-
hibe. Se define una racha como una sucesión de símbolos idénticos que pueden estar o
no estar separados por otros símbolos.
Por ejemplo, supongamos una serie de símbolos de “más” y “menos” ocurrida en este
orden:
++ --- + ---- ++ -
Esta muestra de puntajes empieza con una racha de dos “más”, la sigue otra racha de
tres “menos”, a continuación otra de un “más”, enseguida cuatro “menos”, dos “más”,
etc. Podemos agruparlos en rachas, contando las series de símbolos idénticos:
++ --- + ---- ++ - +
1 2 3 4 5 6 7
Observamos que R, el número de rachas, es de 7.
El número total de las rachas de una muestra de cualquier tamaño nos señala si la
muestra es o no es aleatoria. La escasez de rachas puede deberse a tendencias tem-
porales o a cierta falta de independencia. Por otra parte, al ocurrir rachas abundan-
tes, las fluctuaciones cíclicas sistemáticas de corto periodo pueden causar esta in-
fluencia en los puntajes.
Por ejemplo, supongamos que lanzamos al aire 20 veces una moneda y observamos la
siguiente secuencia de caras (C) y sellos (S):
C C C C C C C C C C S S S S S S S S S S
En 20 lanzamientos, ocurrieron solamente dos rachas. Esto es muy poco si se trata de

una moneda "legal" (lo de un jugador honesto) y sugiere que hay falta de independencia
en los eventos. Por otra parte, supongamos que ocurrió la siguiente secuencia:
C S C S C S C S C S C S C S C S C S C S
Aquí se observan demasiadas rachas. En este caso, siendo R=20 cuando n=20, es otra
vez razonable rechazar la hipótesis de que la moneda es "legal". Ninguna de las fre-
cuencias anteriores parecen ser series al azar de C y S.
1
Nótese que el análisis basado en el orden de los eventos nos da una información que no
proviene de la frecuencia de los mismos. En ambos casos, ocurrieron 10 sellos y 10 ca-
ras. Si se analizaran los puntajes de acuerdo a sus frecuencias, por ejemplo, usando la
prueba Chi-Cuadrado o la prueba binomial, no tendríamos razón para sospechar que la
moneda no fuera "legal". La prueba de rachas solamente no atiende sino al orden de los
eventos, descubriendo en una fuerte falta de aleatoriedad de los puntajes y así, la po-
sible "legalidad" de la moneda.
La distribución muestral de los valores de R que podemos esperar de repetidas mues-

tras al azar es conocida. Usando esta distribución muestral, podemos saber cuándo
una muestra observada tiene más o menos rachas de las que probablemente ocurrirían
en una muestra al azar.
Cuando los datos a probar, si provienen de un muestreo al azar, son valores numéricos,
se debe seguir el siguiente procedimiento para clasificarlos en dos categorías o cla-
ses:
1. Se determina la mediana de los valores observados.
2. Se asigna como categoría 1 (por ejemplo “A”) a cada valor muestral observado
que resulte ser menor que el valor de la mediana, se asigna como categoría 2
(por ejemplo “B”) a los valores que son mayores o igual que el valor de la media-
na.
3. Se ordena en orden secuencial por categoría o clases (“A” o “B”), tal como se
han observado los valores muestrales.
MÉTODO
Sea n1 el número de elementos de una clase, y n2 el número de elementos de la otra; n1

podría ser el número de caras y n2 el de sellos; o n1 podría ser el número de signos de
“más” y n2 el de signos de “menos”. Sea na el número total de eventos observados,
na= n1 + n2. puede suceder que n=na si los valores observados son cualitativos.
Al usar la prueba de rachas de una muestra, se observan en primer lugar los eventos n 1
y n2 en el orden que han ocurrido y se determina el valor de R.
La hipótesis nula y alternativa para una prueba de rachas son:
H0: La serie de datos son escogidos al azar
Ha: La serie de datos no son escogidos al azar
2
Se
acepta
H0
Se Se
acepta
1-  acepta
Ha Ha
/2 /2
- Z(/2) Z(/2)
MUESTRAS PEQUEÑAS
Si tanto n1 como n2 son iguales o menores que 20, encontraremos en la tabla F (para
prueba de rachas) los valores críticos de R conforme a H0 considerando =0.05. Son
valores críticos de su distribución muestral: Si el valor observado de R está entre los
valores críticos, se acepta H0. Si el valor observado de R es igual o más extremo que
uno de los valores críticos, se rechaza H0.
Son dos las tablas, F I y FII. La tabla FI contiene valores de r tan pequeños, que la pro-
babilidad asociada con su ocurrencia conforme a H0 es p=0.025. La tabla F II contiene
valores de R tan grandes, que la probabilidad asociada con su ocurrencia conforme H0
es p=0.025.
Cualquier valor observado de R igual a o menor que el de la tabla F I, o igual a o mayor

que el de la tabla F II, queda en la región de rechazo considerando =0.05.
Por ejemplo, en la primera serie de lanzamientos de la moneda observamos dos rachas:

una de 10 caras seguida por otra de 10 cruces. Aquí, n1=10, n2=10, y r=2. La tabla F
muestra que a estos valores de n1 y n2, corresponde una muestra aleatoria de más de 6
rachas y menos de 16. Cualquier r observada de 6 (o menos) o de 16 (o más) está en la
región de rechazo en =0.05. La R observada de 2 es menor que 6; por tanto, al nivel
de significación de 0.05 se rechaza la hipótesis de nulidad que supone series aleato-
rias de caras y cruces producidas por esta moneda.
Al considerar adecuada una prueba de una cola, es decir, al ser predeterminada la di-
rección de desviación de la aleatoriedad, solamente se necesita examinar una de las
dos tablas. Si se predice una observación de muy pocas rachas, la tabla F I abarca los
valores críticos de R. Si la R observada bajo la prueba de una cola es igual a o menor
que la de la tabla F I, H0 puede rechazarse en =0.025. Si se predice una observación
de demasiadas rachas, la tabla F II abarca los valores críticos de R significativos al ni-
vel 0.025.
3
Veamos ahora el caso de la segunda secuencia de lanzamientos de la moneda. Supon-

gamos se ha hecho la predicción de que con esta moneda se producirán demasiadas ra-
chas. Como R=20, y n1=10 y n2=10, y puesto que el valor observado de R es igual o ma-
yor que el mostrado en la tabla F II, podemos rechazar H0 en =0.025, y concluir que la
moneda es "legal" en la dirección predicha.
EJEMPLO
En un estudio de la dinámica de la agresión en niños menores, la experimentadora ob-

servó varias parejas de niños en una situación de juego controlada. La mayoría de los
24 sujetos infantiles del estudio provenía de la misma guardería y por tanto jugaban
juntos diariamente. En vista de que la experimentadora fue observando solamente dos
niños cada día, investigó qué propensiones reflejaría el estudio debido a las discusio-
nes entre aquellos niños que ya habían servido como sujetos y aquellos que no lo habían
hecho aún. Si las discusiones tenían efectos sobre el nivel de agresión durante las se-
siones de juego, las consecuencias podrían señalar en el orden de los puntajes de
agresión una carencia de aleatoriedad. Al finalizar el estudio, fue probada la aleato-
riedad de la sucesión de puntajes convirtiendo el puntaje de agresión de cada niño en
un “A” o un “B”, de acuerdo con que quedara por debajo o por encima de la mediana del
grupo y aplicando la prueba de rachas de una muestra a la sucesión observada.
TABLA
Puntaje de agresión en orden de ocurrencia
Clase de Clase de
puntaje puntaje
Niño Puntaje con res- Niño Puntaje con res-
pecto a la pecto a la
mediana mediana
1 31 B 13 15 A
2 23 A 14 18 A
3 36 B 15 78 B
4 43 B 16 24 A
5 51 B 17 13 A
6 44 B 18 27 B
7 12 A 19 86 B
8 26 B 20 61 B
9 43 B 21 13 A
lo 75 B 22 7 A
11 2 A 23 6 A
12 3 A 24 8 A
MEDIANA 25
4
1) HIPOTESIS:
H0: La sucesión las categorías A y B ocurren al azar.
Ha: La sucesión de las categorías A y B no ocurre al azar.
2) NIVEL DE SIGNIFICANCIA: =0.05.
3) REGIÓN DE RECHAZO: Puesto que Ha no predice la dirección de la desviación

que supone, se usa un test de dos colas. H0 será rechazada a nivel de significa-
ción 0.05 si R es igual o menor que un valor apropiado de la tabla F I o es igual a o
mayor que un valor apropiado de la tabla F II. Para nA=12 y nB=12, la tabla F
muestra que la región de rechazo consiste en los valores de R de 7 o menores y
los valores de R de 19 o mayores.
4) DETERMINACIÓN DE R: La tabla muestra los puntajes de agresión de cada

niño en el orden en que ocurrieron. La mediana de este conjunto de puntajes es
25. Todos los puntajes por debajo de la mediana se designan como “A” en la ta-
bla; y todos los que quedan por encima de la mediana se designan como “B”. En la
columna que muestra la serie de “B” y “A” se puede rápidamente observar que
ocurrieron 10 rachas en esta serie, por tanto, R=10.
5) CONCLUSION: La referencia a la tabla F nos revela que R=10 para nA=12 y

nB=12 no cae en la región de rechazo ( 7  10  19 ). Por tanto, se puede decidir
que es aceptable la hipótesis de nulidad que supone una muestra de puntajes
ocurrida al azar, a un nivel de confianza del 95%.
MUESTRAS GRANDES
Si n1 o n2 es mayor que 20, la tabla F no puede usarse. Para muestras tan grandes, una
buena aproximación a la distribución muestral de R es la distribución normal, con
2n1 n2
R = +1
n1 + n2
2n1n2 (2n1n2 − n1 − n2 )
R =
(n1 + n2 )2 (n1 + n2 − 1)
Por tanto, cuando n1 o n2 es mayor que 20, H0 puede probarse así:
R − R
zc =
R
Las hipótesis nula y alternativa para una prueba de dos extremos son:
H0: La serie de datos son escogidos al azar
Ha: La serie de datos no son escogidos al azar
5
Se
acepta
H0
Se Se
acepta
1-  acepta
Ha Ha
/2 /2
- Z(/2) Z(/2)
Los valores de z que son dados por la fórmula son, conforme a H 0 aproximadamente
distribuidos en forma normal con media de cero y varianza de uno; por tanto la signifi-
cación de cualquier valor observado de z calculado con esta fórmula puede determi-
narse por medio de la tabla de curva normal. Esto es, en la tabla distribución normal
estandarizada se encuentran las probabilidades de una cola asociadas con la ocurren-
cia conforme a H0 de valores tan extremos como el de cierta z observada.
EJEMPLO
Se interesa en descubrir el carácter ordenado o azaroso de la colocación de hombres

y mujeres en la cola frente a la taquilla de un cine. Los datos se obtuvieron simplemen-
te anotando el sexo de 50 personas en el momento de acercarse a la taquilla.
TABLA
Orden de 30 hombres (M) y 20 mujeres (F) formados frente a la taquilla del cine
M F M F MMM FF M F M F
M F MMMM F M F M F MM FFF
M F M F M F MM F MM F
MMMM F M F MM
1) HIPOTESIS:
H0: La serie de hombres y mujeres en la cola, es al azar.
Ha: La serie de hombres y mujeres en la cola, no es al azar.
3) REGIÓN DE RECHAZO: Ha no predice la dirección de la desviación respecto al

azar, en consecuencia, se usa una región de rechazo de dos colas. La región de
rechazo, por tanto, incluye todos los valores de z iguales a o más extremos que
1.96.
6
Se
acepta
H0
Se Se
acepta 0.95 acepta
Ha Ha
0.025 0.025
- 1.96 1.96
4) DETERMINACIÓN DE R y zc: La muestra fue de 30 hombres y 20 mujeres. El

examen de los datos de la tabla, determina que R=35 es el número de rachas, y
por lo tanto:
2(30)(20)
R = + 1 = 25
30 + 20
2 ( 30 )( 20 ) ( 2 ( 30 )( 20 ) − 30 − 20 )
R = = 3.3564
( 30 + 20 ) ( 30 + 20 − 1)
2
35 − 25
zc = = 2.98
3.3564
5) CONCLUSION: Como zc es mayor que z0.025 (2.98>1.96), entonces se acepta la
Ha, es decir, la serie de hombres y mujeres en la cola, no es al azar, a un nivel
de significancia del 5%.
METODO DE PROBABILIDAD
1) HIPOTESIS:
H0: la serie de hombres y mujeres en la cola, es al azar.
Ha: la serie de hombres y mujeres en la cola, no es al azar.

1.96.
Se
acepta
H0
Se Se
acepta 0.95 acepta
Ha Ha
0.025 0.025
- 1.96 1.96
7
4) DETERMINACIÓN DE R, zc y 2 P Z  zc  : La muestra fue de 30 hombres y

20 mujeres. El examen de los datos de la tabla, determina que R=35 es el núme-
ro de rachas, y por lo tanto:
2(30)(20)
R = + 1 = 25
30 + 20
2 ( 30 )( 20 ) ( 2 ( 30 )( 20 ) − 30 − 20 )
R = = 3.3564
( 30 + 20 ) ( 30 + 20 − 1)
2
35 − 25
zc = = 2.98
3.3564
2 P  Z  2.98 = ( 2 )( 0.0014 ) = 0.003
5) CONCLUSION: Como 2 P  Z  2.98 = 0.003 es menor que  = 0.05 , entonces se

acepta la Ha, es decir, la serie de hombres y mujeres en la cola, no es al azar, a
un nivel de significancia del 5%.
8
TABLA F. Tabla de valores críticos de R en la prueba de Rachas
Se dan en los cuerpos de las tablas F I y FII diferentes valores críticos de R para
distintos valores de n1 y n2. Para la prueba de las rachas de una muestra, cual-
quier valor de R es igual o menor que el que aparece en la taba FI, o igualo ma-
yor que el que aparece en la tabla F II es significativo en el nivel 0.05.
9
10
TEXTO UNIVERSITARIO
COEFICIENTE DE CORRELACIÓN DE LOS RANGOS DE SPEARMAN
COEFICIENTE DE CORRELACIÓN DE LOS RANGOS DE SPEARMAN Estadística No Paramétrica
COEFICIENTE DE CORRELACIÓN DE LOS RANGOS DE SPEARMAN
Este coeficiente es una medida de asociación lineal que utiliza los rangos, números de
orden, de cada grupo de sujetos y compara dichos rangos. Existen dos métodos para
calcular el coeficiente de correlación de los rangos uno señalado por Spearman y otro
por Kendall (8). El r de Spearman llamado también rho de Spearman es más fácil de
calcular que el de Kendall. El coeficiente de correlación de Spearman es exactamente
el mismo que el coeficiente de correlación de Pearson calculado sobre el rango de ob-
servaciones. En definitiva la correlación estimada entre X e Y se halla calculado el
coeficiente de correlación de Pearson para el conjunto de rangos apareados. El coefi-
ciente de correlación de Spearman es recomendable utilizarlo cuando los datos pre-
sentan valores externos ya que dichos valores afectan mucho el coeficiente de corre-
lación de Pearson, o ante distribuciones no normales.
El cálculo del coeficiente viene dado por:

n
6di2
rS = 1 − 
i =1 n ( n 2 − 1)
en donde di = RX − RY es la diferencia entre los rangos de X e Y.
Los valores de los rangos se colocan según el orden numérico de los datos de la varia-
ble en forma individual por muestra, tal como se realiza en Mann-Whitney.
✓ El coeficiente de Correlación por Rangos de Spearman permite determinar la co-

rrelación de datos de carácter ordinal midiendo la concordancia o discordancia en-
tre las clasificaciones.
✓ Se define rango como número ordinal asignando a cada observación previamente

ordenada o clasificada según criterio relativo a una característica.
INTERPRETACIÓN
Si rS=1: Correlación por Rangos perfecta y positiva. La concordancia entre los rangos
es perfecta.
Si rS=-1: Correlación por Rangos perfecta y negativa. La concordancia entre los rangos
es perfecta.
Si rS=0: Correlación por rangos nula. No hay concordancia entre rangos.
Si 0<rS<1: Correlación por rangos positiva y -1<rS<0: Correlación por rangos negativa.
1 Daniel Guzmán Rojas

COEFICIENTE DE CORRELACIÓN DE LOS RANGOS DE SPEARMAN Estadística No Paramétrica
EJEMPLO
Se realiza un estudio para determinar la asociación entre la concentración de nicotina

en sangre de un individuo y el contenido en nicotina de un cigarrillo.
Concentración de Ni-
Contenido de Nicoti- 6di2
cotina en sangre
10 (102 − 1)
na por cigarrillo (mg) RY RX
(nmol/litro)
X
Y
185.70 1.51 2 8 0.2182
197.30 0.96 5 3 0.0242
204.20 1.21 8 6 0.0242
199.90 1.66 7 10 0.0545
199.10 1.11 6 4 0.0242
192.80 0.84 3 2 0.0061
207.40 1.14 9 5 0.0970
183.00 1.28 1 7 0.2182
234.10 1.53 10 9 0.0061
196.50 0.76 4 1 0.0545
 ( 6 )( 2 − 8 )2 ( 6 )( 5 − 3)
2
( 6 )( 4 − 1)  = 0.2727
2
rS = 1 −  + + +
 (10 ) (102 − 1) (10 ) (102 − 1) (10 ) (102 − 1) 

La interpretación del coeficiente rS de Spearman es similar a la Pearson. Valores pró-

ximos a 1 indican una correlación fuerte y positiva. Valores próximos a –1 indican una
correlación fuerte y negativa. Valores próximos a cero indican que no hay correlación
lineal. Así mismo el rS2 tiene el mismo significado que el coeficiente de determinación
de r 2 .
rS2 = ( 0.27 ) = 0.0744

2

TEXTO UNIVERSITARIO
LA PRUEBA DEL SIGNO PARA UNA MUESTRA
LA PRUEBA DEL SIGNO PARA UNA MUESTRA Estadística No Paramétrica
LA PRUEBA DEL SIGNO PARA UNA MUESTRA
Puede utilizarse ¡a prueba del signo para probar una hipótesis nula sobre el valor de
una mediana poblacional. Por ello, es el equivalente no paramétrico de las pruebas de
hipótesis sobre el valor de una media poblacional. Se requiere que los valores de la
muestra aleatoria se encuentren cuando menos en escala ordinal, y no se hacen suposi-
ciones con respecto a la forma de la distribución poblacional.
PROCEDIMIENTO
1. Se asigna un signo positivo (+) a cada valor muestral observado que resulte ser
mayor que el valor hipotético de la mediana, un signo negativo (-) a los valores
que son menores que ese valor hipotético de la mediana, y no se asigna nada
cuando el valor muestral observado resulte ser igual que el valor hipotético de
la mediana.
2. Se obtiene por separado la suma de los signos, que serán los coeficientes de los
signos: x + , x − .
3. Si alguna de los valores muestrales es igual el valor hipotético de la mediana, se

elimina del análisis la observación correspondiente, y se reduce el tamaño efec-
tivo de la muestra.
na = n− # empates
PRUEBA DE DOS COLAS
La menor de esas dos sumas de los signos para una prueba de dos criterios de califica-
ción.
 Cuando: Ha: Med  Med 0 , se toma como xc = min x + , x − .  

Para rechazar la H0, el valor que se obtiene de x c debe ser menor que x− 2 cuando la
 
P  X  xc / B; n;   ; o mayor que x+ 2 cuando la P  X  xc / B; n;   .
2 2
x− 2 x+ 2

PRUEBA DE UNA COLA
En el caso de las pruebas de un criterio de clasificación, el rango de suma mayor debe

corresponder a la dirección de la hipótesis alternante.
 Cuando: Ha: Med  Med 0 , se toma como x c = x + (la suma de signos positivos).
Para rechazar la H0, el valor que se obtiene de x c debe ser mayor que x+ cuan-
do la P X  xc / B; n;    .
x+
 Cuando: Ha: Med  Med 0 , se toma como x c = x + (la suma de signos positivos)
Para rechazar la H0, el valor que se obtiene de x c debe ser menor que x− cuan-
do la P X  xc / B; n;    .
x−
ESTABLECIENDO LAS HIPÓTESIS
Las hipótesis nula y alternativa pueden designar pruebas de uno o de dos criterios de
calificación. Utilizando Med para representar la mediana de la población, y Med 0 para
representar el valor hipotético.
H0: Med = Med 0
Ha: Med  Med 0
Si es verdadera la hipótesis nula con respecto al valor de la mediana, el número de sig-

nos positivos debe ser aproximadamente igual al número de signos negativos. o, en
otros términos, la proporción de signos positivos (o de signos negativos) debe ser de
aproximadamente 0.50. Por ello, la hipótesis de una prueba de dos criterios de califi-
cación es H0: p=0.50, en donde p es la proporción poblacional de signos positivos (o ne-
gativos). Por ello, una hipótesis que se refiere al valor de la mediana se prueba, de he-
cho, como una hipótesis sobre p.

También se puede establecer las hipótesis con un criterio de calificación:
H0: Med = Med 0
Ha: Med  Med 0
H0: Med = Med 0
Ha: Med  Med 0

MUESTRAS PEQUEÑAS
Si el tamaño de la muestra es pequeño (n < 30), se utiliza la distribución binomial para

realizar la prueba.
Donde:
H0:  = 0.05
Ha:   0.05
Hipótesis nula: No hay diferencia entre los datos y la mediana.
Hipótesis alternante: Hay diferencia entre los datos y la mediana.
EJEMPLO
Se afirma que las unidades ensambladas en un sistema rediseñado de ensamble de

productos será mayor que con el sistema antiguo, cuya mediana poblacional es de 80
unidades por turno. No otorgando el beneficio de la duda al sistema rediseñado, plan-
tee la hipótesis nula y pruébela a un nivel de significancia del 5%, Los datos muestra-
les se reportan en la primera parte de la Tabla
Número de unidades ensambladas en el
Sistema rediseñado
Signo de la
Turno Unidades
diferencia
muestreado ensambladas (X)
(X - 80)
1 75 -
2 85 +
3 92 +
4 80 0
5 94 +
6 90 +
7 91 +
8 76 -
9 88 +
10 82 +
11 96 +
12 83 +

1) HIPOTESIS:
H0: Med = 80
Ha: Med  80
3) REGIÓN DE RECHAZO: Ha predice la dirección de la desviación a la derecha,

en consecuencia, se usa una región de rechazo de una cola (cola derecha). La re-
gión de rechazo, por tanto, incluye el valor de x c iguales o más que x0+.05 = 9 .
PRUEBA DEL SIGNO PARA UNA MUESTRA

(MUESTRAS PEQUEÑAS)
25.00%
22.56% 22.56%
20.00%
PROBABILIDAD BINOMIAL (X)
16.11% 16.11%
15.00%
 P  X  9 = 0.0327    = 0.05
10.00%
11.33%
8.06% 8.06%
5.00%
3.27%
2.69% 2.69%
0.59%
0.54% 0.54% 0.05%
0.00% 0.05% 0.05%
0 1 2 3 4 5 6 7 8 9 10 11 12
9
VALORES DE X
PROBABILIDAD [X] PROBABILIDAD ACUMULADA

PROBABILIDAD [X] [X]
ACUMULADA
4) DETERMINACIÓN DE x c : La muestra fue de 12 turnos. Los valores que son

mayores que la mediana poblacional (80) son 9, los valores que son menores que
la mediana poblacional (80) son 2 y los valores que son iguales que la mediana
poblacional (80) es 1. Por lo tanto la muestra se reduce a n=11. La H a define el
valor de x c , como se esta probando una Ha: Med  80 , entonces se utiliza los va-
lores que tienen signos positivos (+), por lo tanto xc = 9 .
5) CONCLUSION: Como x c es igual que x0+.05 (9=9), entonces se acepta la Ha, es

decir, la mediana del sistema rediseñado de ensamble de productos es mayor

que la mediana del sistema antiguo, a un nivel de significancia del 5%.
1) HIPOTESIS:
H0: Med = 80
Ha: Med  80

gión de rechazo, por tanto, incluye el valor de x c iguales o más que x0+.05 = 9 , en-
tonces se rechazará la H0 cuando la P X  xc / n = 11; = 0.5   = 0.05 .
PRUEBA DEL SIGNO PARA UNA MUESTRA

25.00%
22.56% 22.56%
20.00%
16.11% 16.11%
15.00%
 P  X  9 = 0.0327    = 0.05
10.00%
11.33%
8.06% 8.06%
5.00%
3.27%
2.69% 2.69%
0.59%
0.54% 0.54% 0.05%
0.00% 0.05% 0.05%
0 1 2 3 4 5 6 7 8 9 10 11 12
9
VALORES DE X

ACUMULADA
4) DETERMINACIÓN DE x c y P X  xc / n = 11; = 0.5 : La muestra fue de 12

turnos. Los valores que son mayores que la mediana poblacional (80) son 9, los
valores que son menores que la mediana poblacional (80) son 2 y los valores que
son iguales que la mediana poblacional (80) es 1. Por lo tanto la muestra se redu-
ce a n=11. La Ha define el valor de x, como se esta probando una Ha: Med  80 ,

entonces se utiliza los valores que tienen signos positivos (+), por lo tanto xc = 9
y P  X  9 / n = 11; = 0.5 = 0.0269 + 0.0054 + 0.0005 = 0.0327 = 3.3% .
5) CONCLUSION: Como P  X  9 / n = 11; = 0.5 = 3.3% es menor que  = 5% , en-

tonces se acepta la Ha, es decir, la mediana del sistema rediseñado de ensamble
de productos es mayor que la mediana del sistema antiguo, a un nivel de signifi-
cancia del 5%.
MUESTRAS GRANDES
Si la muestra es grande (n30), puede utilizarse la distribución normal.
Aproximando los datos a una distribución normal estandarizada
 p = n
 p == n (1 −  )
xc  cc −  p
zc =
p
donde:
cc= es la corrección de continuidad por la aproximación a una distribución continua.
 Se resta cc=0.5 de x c cuando la Ha: Med  Med 0 .
 Se suma cc=0.5 de x c cuando la Ha: Med  Med 0 .
H0: Med = Med 0
Ha: Med  Med 0

Se
acepta
H0
Se Se
acepta
1-  acepta
Ha Ha
/2 /2
- Z(/2) Z(/2)

H0: Med = Med 0
Ha: Med  Med 0

Se
acepta
H0
Se
acepta
1-  Ha

Z()
H0: Med = Med 0
Ha: Med  Med 0
Se
acepta
H0
Se
acepta 1- 
Ha

- Z()

EJEMPLO
Utilizando los datos del ejemplo anterior, en donde el jefe de planta afirma que las
unidades ensambladas en un sistema rediseñado de ensamble de productos no será
igual que con el sistema antiguo, cuya mediana poblacional es de 80 unidades por turno.
En una muestra de 30 observaciones se determinó que 10 de las observaciones fueron
superior a la media poblacional (80). Otorgando el beneficio de la duda al sistema re-
diseñado, plantee la hipótesis nula y pruébela a un nivel de significancia del 5%.
Unidades Diferencia Unidades Diferencia

Turno Turno
ensambladas ensambladas
muestreado muestreado
(X) (X – 80) (X) (X – 80)
1 75 - 16 76 -
2 79 - 17 79 -
3 85 + 18 78 -
4 79 - 19 91 +
5 94 + 20 76 -
6 78 - 21 78 -
7 91 + 22 82 +
8 76 - 23 70 -
9 88 + 24 72 -
10 75 - 25 83 +
11 78 - 26 75 -
12 77 - 27 77 -
13 92 + 28 94 +
14 78 - 29 79 -
15 94 + 30 78 -
1) HIPOTESIS:
H0: Med = 80
Ha: Med  80

1.96.

Se
acepta
H0
Se Se
acepta 0.95 acepta
Ha Ha
0.025 0.025
- 1.96 1.96
4) DETERMINACIÓN DE zc: La muestra fue de 30, de los cuales 10 observacio-

nes fueron superior a la mediana con el sistema antiguo y 20 fueron inferior.
Por lo tanto se toma el valor mas pequeño para xc = 10 y se determina:
 p = ( 30 )( 0.5 ) = 15
p = (30)(0.5)(0.5) = 2.74
10 + 0.5 − 15
zc = = −1.64
2.74
5) CONCLUSION: Como − z0.025  zc  z0.025 (-1.96<-1.64<1.96), entonces se acepta la
H0, es decir, el gerente no tiene razón al afirmar que no existe diferencia en el
número de ensambles con el sistema antiguo y el nuevo sistema, a un nivel de
confianza del 95%.
1) HIPOTESIS:
H0: Med = 80
Ha: Med  80

1.96. Entonces si 2 P Z  − zc    = 0.05 se rechaza la H0.
Se
acepta
H0
Se Se
acepta 0.95 acepta
Ha Ha
0.025 0.025
- 1.96 1.96

4) DETERMINACIÓN DE zc y 2 PZ  − zc  : La muestra fue de 30, de los cuales

10 observaciones fueron superior a la mediana con el sistema antiguo y 20 fue-
ron inferior. Por lo tanto se toma el valor mas pequeño para xc = 10 y se deter-
mina:
 p = ( 30 )( 0.5 ) = 15
p = ( 30)( 0.5)( 0.5) = 2.74

10 + 0.5 − 15
zc = = −1.64
2.74
2 P  Z  −1.64 = ( 2 )( 0.05017 ) = 0.10035
5) CONCLUSION: Como  2 P  Z  −1.64 = 0.10035   = 0.05 , entonces se acepta

la H0, es decir, el gerente no tiene razón al afirmar que existe diferencia en el
número de ensambles con el sistema antiguo y el nuevo sistema, a un nivel de
confianza del 95%.

TEXTO UNIVERSITARIO
LA PRUEBA DEL SIGNO PARA DOS MUESTRAS (DA-
TOS APAREADOS)
LA PRUEBA DEL SIGNO PARA DOS MUESTRAS (DATOS APAREADOS) Estadística No Paramétrica
LA PRUEBA DEL SIGNO PARA DOS MUESTRAS (DATOS APAREADOS)
Esta prueba se basa en los signos de las diferencias observadas entre valores aparea-
dos. La independencia se resguarda si la unidad de muestreo es el resultado de compa-
rar a las parejas entre sí, en lugar de usar las observaciones individuales. Cada pareja
de datos debe ser independiente de las otras, y la forma de lograrlo fácilmente es se-
leccionado al azar al elegir los componentes de las muestras. Una ventaja es que puede
usarse cuando las observaciones pareadas están simplemente ordenada por rangos. No
es necesaria la homogeneidad de las varianzas, ni que las muestras sean extraídas de
la misma población. Su desventaja es que elimina mucha información pues la reduce a
una dicotomía. Otras ventajas son: la facilidad de aplicación, la reducción de tiempo y
costo para el investigador. Los supuestos básicos para aplicar este modelo son:
1. La variable subyacente en las determinaciones es continua.
2. Los pares de muestras son independientes.
3. La hipótesis nula es: los signos se distribuyen al azar alrededor de la mediana.
PROCEDIMIENTO
Se asigna un signo positivo (+) a cada valor observado de la primera muestra que resul-
te ser mayor que el valor observado de la segunda muestra, y un signo negativo (-) a
cada valor observado de la primera muestra que resulte ser menor que el valor obser-
vado de la segunda muestra. Si un valor muestral de la primera muestra es exactamen-
te igual al valor de la primera muestra, no se registra ningún signo (inicialmente se le
puede asignar cero), y se reduce en forma correspondiente el tamaño efectivo de la
muestra, es decir se reduce la muestra solamente a los valores que contengan signos
positivos (+) y signos negativos (-).
1. Se asigna un signo positivo (+) a cada valor observado de la primera muestra que
resulte ser mayor que el valor observado de la segunda muestra, y un signo ne-
gativo (-) a cada valor observado de la primera muestra que resulte ser menor
que el valor observado de la segunda muestra, y no se asigna nada cuando el va-
lor observado de la primera muestra que resulte ser igual que el valor observa-
do de la segunda muestra.
2. Se obtiene por separado la suma de los signos, que serán los coeficientes de los
signos: x + , x − .
3. Si algún valor observado de la primera muestra que resulte ser igual que el valor
observado de la segunda muestra, se elimina del análisis la observación corres-
pondiente, y se reduce el tamaño efectivo de la muestra.
na = n− # empates
1
PRUEBA DE DOS COLAS
La menor de esas dos sumas de los signos para una prueba de dos criterios de califica-
ción.
 Cuando: Ha: Med 1  Med 2 , se toma como xc = min x + , x − . 

Para rechazar la H0, el valor que se obtiene de x c debe ser menor que x− 2 cuando la
 
P  X  xc / B; n;   ; o mayor que x+ 2 cuando la P  X  xc / B; n;   .
2 2
x− 2 x+ 2
PRUEBA DE UNA COLA

 Cuando: Ha: Med 1  Med 2 , se toma como x c = x + (la suma de signos positivos).
Para rechazar la H0, el valor que se obtiene de x c debe ser mayor que x+ cuan-
do la P X  xc / B; n;    .
x+
 Cuando: Ha: Med 1  Med 2 , se toma como x = x + (la suma de signos positivos)
Para rechazar la H0, el valor que se obtiene de x c debe ser menor que x− cuan-
do la P X  xc / B; n;    .
x−
calificación. Utilizando Med1 para representar la mediana 1, y Med 2 para representar
la mediana 2.
2
H0: Med 1 = Med 2
Ha: Med 1  Med 2
Si es verdadera la hipótesis nula con respecto a los valores de las medianas, el número
de signos positivos debe ser aproximadamente igual al número de signos negativos. o,
en otros términos, la proporción de signos positivos (o de signos negativos) debe ser
de aproximadamente 0.50. Por ello, la hipótesis de una prueba de dos criterios de cali-
ficación es H0: p=0.50, en donde p es la proporción poblacional de signos positivos (o
negativos). Por ello, una hipótesis que se refiere al valor de la mediana se prueba, de
hecho, como una hipótesis sobre p.
H0: Med 1 = Med 2
Ha: Med 1  Med 2
H0: Med 1 = Med 2
Ha: Med 1  Med 2
MUESTRAS PEQUEÑAS
Si el tamaño de la muestra es pequeño (n1, n2 < 30), se utiliza la distribución binomial

para realizar la prueba.
Donde:
H0:  = 0.5
Ha:   0.5
Hipótesis nula: No hay diferencia entre las medianas.
Hipótesis alternante: Hay diferencia entre las mediana.
3
EJEMPLO
A un grupo de consumidores que consta de 14 personas se le pide que califique dos

marcas de té, de acuerdo con un sistema de evaluación por puntos que se basa en di-
versos criterios. En la Tabla se reportan los puntos asignados, y se indica también el
signo de la diferencia para cada par de calificaciones. Pruebe la hipótesis nula de que
no existe diferencia en el nivel de las calificaciones para las dos marcas de té, aun ni-
vel de significancia del 5%, utilizando la prueba del signo y planteando las hipótesis
nula y alternativa en términos de la proporción de signos positivos.
Calificaciones asignadas por grupo de

consumidores a dos marcas de té
Calificación por pun- Calificación por pun-

Signo de Signo de
Miembro tos que se asigna a Miembro tos que se asigna a
cada marca la dife- cada marca la dife-
del grupo del grupo
rencia rencia
Marca 1 Marca 2 Marca 1 Marca 2
1 20 16 + 8 27 22 +
2 24 26 - 9 20 23 -
3 28 18 + 10 30 20 +
4 24 17 + 11 18 18 0
5 20 20 0 12 28 21 +
6 29 21 + 13 26 17 +
7 19 23 - 14 24 26 -
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

rechazo, por tanto, incluye el valor de x c iguales o menores que x0−.025 = 2 o,
iguales o más que x0+.025 = 10 .
4
PRUEBA DEL SIGNO PARA DOS MUESTRA

25.00%
22.56%
20.00%
19.34% 19.34%
 P  X  2 = 0.0193   2 = 0.025  P  X  10 = 0.0193   2 = 0.025

15.00%
12.08% 12.08%
10.00%
7.30% 7.30%
5.37% 5.37%
5.00%
1.93% 1.93%
1.61% 1.61%
0.32% 0.32%
0.02% 0.29% 0.29% 0.02%
0.00% 0.02% 0.02%
0 1 2 3 4 5 6 7 8 9 10 11 12 13
2 10
VALORES DE X

ACUMULADA
4) DETERMINACIÓN DE x c : La muestra fue de 14, los valores de la marca 1 que

son mayores que los valores de la marca 2 son 8, los valores de la marca 1 que
son menores que los valores de la marca 2 son 4 y los valores de la marca 1 que
son iguales que los valores de la marca 2 son 2. Por lo tanto la muestra se redu-
ce a n=12. La Ha define el valor de x, como se esta probando una Ha:
Med 1  Med 2 , entonces se utiliza los valores que tienen signos negativos (-), por
ser el menor, por lo tanto xc = 4 .
5) CONCLUSION: Como x0−.025  x c  x0+.025 (2410), entonces se acepta la H0, es

decir, la mediana de la marca 1 es igual a la mediana de la marca 2, a un nivel de
confianza del 95%.
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

rechazo, por tanto, incluye el valor de x c iguales o menores que x0−.025 = 2 o,
5
iguales o más que x0+.025 = 10 , entonces se rechazará la H0 cuando la

2 PX  xc / n = 12; = 0.5   = 0.05
PRUEBA DEL SIGNO PARA DOS MUESTRA

25.00%
22.56%
20.00%
19.34% 19.34%
 P  X  2 = 0.0193   2 = 0.025  P  X  10 = 0.0193   2 = 0.025

15.00%
12.08% 12.08%
10.00%
7.30% 7.30%
5.37% 5.37%
5.00%
1.93% 1.93%
1.61% 1.61%
0.32% 0.32%
0.02% 0.29% 0.29% 0.02%
0.00% 0.02% 0.02%
0 1 2 3 4 5 6 7 8 9 10 11 12 13
2 10
VALORES DE X

ACUMULADA
4) DETERMINACIÓN DE xc y P X  xc / n = 12; = 0.5 : La muestra fue de 14. Los

valores de la marca 1 que son mayores que los valores de la marca 2 son 8, los
valores de la marca 1 que son menores que los valores de la marca 2 son 4 y los
valores de la marca 1 que son iguales que los valores de la marca 2 son 2. Por lo
tanto la muestra se reduce a n=12. La Ha define el valor de x, como se esta pro-
bando una Ha: Med 1  Med 2 , entonces se utiliza los valores que tienen signos ne-
gativos (-),
por ser el menor, por lo tanto xc = 4 y
2 P  X  4 / n = 12; = 0.5 = (2)(0.0002 + 0.0029 + 0.0161 + 0.0537 + 0.1208) = 0.3877 = 38.77%
.
5) CONCLUSION: Como 2 P  X  4 / n = 12; = 0.5 = 38.77% es mayor que  = 5% ,

entonces se acepta la H0, es decir, la mediana de la marca 1 es igual a la mediana
de la marca 2, a un nivel de confianza del 95%.
6
MUESTRAS GRANDES

 p = n
 p == n (1 −  )
xc  cc −  p
zc =
p
donde:
cc= es la corrección de continuidad por la aproximación a una distribución continua.
 Se resta cc=0.5 de x c cuando la Ha: Med 1  Med 2 .
 Se suma cc=0.5 de x c cuando la Ha: Med 1  Med 2 .
H0: Med 1 = Med 2
Ha: Med 1  Med 2
Se
acepta
H0
Se
acepta Se
Ha 1-  acepta
Ha
/2 /2
- Z(/2) Z(/2)
H0: Med 1 = Med 2
Ha: Med 1  Med 2

Se
acepta
H0
Se
acepta
1-  Ha

Z()
7
H0: Med 1 = Med 2
Ha: Med 1  Med 2

Se
acepta
H0
Se
acepta 1- 
Ha

- Z()
EJEMPLO
Utilizando los datos del ejemplo anterior, en donde el Gerente de la empresa de la

marca de té Nº 1 afirma que la marca que producen tiene más aceptación por los con-
sumidores. En una muestra de 40 observaciones se determinó que 28 de las califica-
ciones de la marca 1 fueron superior a las calificaciones de la marca 2. No otorgando
el beneficio de la duda al Gerente de la Marca 1, plantee la hipótesis y pruébela a un
nivel de significancia del 5%.
Calificación por puntos que Calificación por puntos que

Miembro del se asigna a cada marca Signo de la Miembro del se asigna a cada marca Signo de la
grupo diferencia grupo diferencia
Marca 1 Marca 2 Marca 1 Marca 2
1 20 16 + 21 23 22 +
2 24 26 - 22 23 22 +
3 28 18 + 23 20 23 -
4 24 17 + 24 24 20 +
5 18 19 - 25 28 23 +
6 29 21 + 26 21 22 -
7 19 23 - 27 20 23 -
8 27 22 + 28 29 20 +
9 20 23 - 29 19 18 +
10 30 20 + 30 27 21 +
11 18 19 - 31 20 17 +
12 28 21 + 32 24 25 -
13 26 17 + 33 24 16 +
14 24 26 - 34 28 26 +
15 28 16 + 35 30 18 +
16 25 26 - 36 29 17 +
17 29 18 + 37 25 20 +
18 25 17 + 38 26 21 +
19 26 20 + 39 22 23 -
20 24 21 + 40 29 26 +
8
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

gión de rechazo, por tanto, incluye todos los valores de z iguales a o más extre-
mos que 1.65.
Se
acepta
H0
Se
acepta
0.95 Ha
0.05
1.65
nes de las calificaciones de la marca 1 fueron superior a las calificaciones de la
marca 2. Como la Ha: Med 1  Med 2 , por lo tanto el valor para xc = 28 y se de-
termina:
 p = (40)(0.5) = 20
p = (40)(0.5)(0.5) = 3.16
28 − 0.5 − 20
zc = = 2.37
3.16
5) CONCLUSION: Como zc  z0.05 (2.37>1.65), entonces se acepta la Ha, es decir, el

gerente tiene razón al afirmar que la marca de te Nº 1 tiene mayor preferencia
que el de la marca de te Nº 2, a un nivel de significancia del 5%.
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2
9
mos que 1.65. Entonces si P Z  zc    = 0.05 se rechaza la H0.
Se
acepta
H0
Se
acepta
0.95 Ha
0.05
1.65
4) DETERMINACIÓN DE zc y P Z  zc : La muestra fue de 40, de los cuales 28

observaciones de las calificaciones de la marca 1 fueron superior a las califica-
ciones de la marca 2. Como la Ha: Med 1  Med 2 , por lo tanto el valor para xc = 28
y se determina:
 p = (40)(0.5) = 20
p = (40)(0.5)(0.5) = 3.16
28 − 0.5 − 20
zc = = 2.37
3.16
P  Z  2.37  = 0.00885
5) CONCLUSION: Como P  Z  2.37  = 0.00885 es menor que  = 0.05 , entonces se

acepta la Ha, es decir, el gerente tiene razón al afirmar que la marca de te Nº 1
tiene mayor preferencia que el de la marca de te Nº 2, a un nivel de significan-
cia del 5%.
10
TEXTO UNIVERSITARIO
[Escriba el subtítulo del documento]
LA PRUEBA DE WILCOXON PARA UNA MUESTRA Estadística No Paramétrica
LA PRUEBA DE WILCOXON PARA UNA MUESTRA
Puede utilizarse la prueba de Wilcoxon para probar una hipótesis nula sobre el valor
de una mediana poblacional. Al igual que en el caso de la prueba del signo, puede utili-
zarse la prueba de Wilcoxon para probar una hipótesis sobre el valor de una mediana
poblacional. Como la prueba de Wilcoxon considera la magnitud de la diferencia entre
cada uno de los valores muestrales y el valor hipotético de la mediana, es una prueba
más sensible que la prueba del signo. Por otro lado, como se determinan diferencias,
los valores deben estar dados, cuando menos, en escala de intervalo. No se requieren
suposiciones con respecto a la forma de la distribución poblacional.
PROCEDIMIENTO
Se determina la diferencia entre cada uno de los valores observados y el valor hipoté-
tico de la mediana, y esta diferencia, con signo aritmético, se designa d = X − Med 0 . Si
alguna de las diferencias es igual a cero, se elimina del análisis la observación corres-
pondiente, y se reduce el tamaño efectivo de la muestra. Después, se ordenan los va-
lores absolutos de la diferencia, de menor a mayor, asignando el rango de 1 a la dife-
rencia absoluta más pequeña. Cuando las diferencias absolutas son iguales, se asigna el
rango promedio a los valores que son iguales. Finalmente, se obtiene por separado la
suma de los rangos para las diferencias positiva y negativa.
1. Se determina la diferencia entre cada uno de los valores observados y el valor

hipotético de la mediana, y esta diferencia, con signo aritmético, se designa:
d = ( X − Med 0 ) .
2. Se ordenan los valores absolutos de la diferencia, de menor a mayor

( d = X − Med 0 ), asignando el rango de 1 a la diferencia absoluta más pequeña.
Cuando las diferencias absolutas son iguales, se asigna el rango promedio a los
valores que son iguales.
3. Se obtiene por separado la suma de los rangos, considerando el signo, que serán
los coeficientes de Wilcoxon: T + , T − .
4. Si alguna de las diferencias es igual a cero, se elimina del análisis la observación

correspondiente, y se reduce el tamaño efectivo de la muestra.
na = n− # empates
PRUEBA DE DOS COLAS
La menor de esas dos sumas es la estadística T de Wilcoxon para una prueba de dos
criterios de calificación.

  
Cuando: Ha: Med  Med 0 , se toma como Tc = min T + , T − .
Para rechazar la H0, el valor que se obtiene de Tc debe ser menor que Tn; ;2 .
Tn; ;2
PRUEBA DE UNA COLA

 Cuando: Ha: Med  Med 0 , se toma como Tc = T + (el rango de signos positivos).
Para rechazar la H0, el valor que se obtiene de Tc debe ser mayor que Tn; ;1 .
Tn; ;1
 Cuando: Ha: Med  Med 0 , se toma como Tc = T + (el rango de signos positivos).
Tn; ;1
En a tabla T de Wilcoxon se identifican los valores críticos de Tn; ;#colas , de acuerdo

con el tamaño de la muestra, el nivel de significancia y el número de colas.
calificación. Utilizando Med para representar la mediana de la población, y Med o para
representar el valor hipotético.
H0: Med = Med 0
Ha: Med  Med 0
H0: Med = Med 0
Ha: Med  Med 0

H0: Med = Med 0
Ha: Med  Med 0

MUESTRAS PEQUEÑAS
Si el tamaño de la muestra es pequeño (n < 30), se utiliza la distribución Wilcoxon para

realizar la prueba.
Donde:
H0: Med = Med 0
Ha: Med  Med 0
Hipótesis nula: No hay diferencia entre los datos y la mediana.
Hipótesis alternante: Hay diferencia entre los datos y la mediana.
EJEMPLO
Para el problema de muestras pequeñas para la prueba del signo de una muestra, utili-
ce la prueba de Wilcoxon.
Número de unidades ensambladas en el
sistema rediseñado
Unidades
Diferencia Diferencia Rangos Rangos
Nº ensambladas Rangos Empates
(X-80) |X-80| + -
(X)
1 75 -5 5 4.5 4.5 5
2 85 5 5 4.5 4.5 5
3 92 12 12 9 9
4 80
5 94 14 14 10 10
6 90 10 10 7 7
7 91 11 11 8 8
8 76 -4 4 3 3
9 88 8 8 6 6
10 82 2 2 1 1
11 96 16 16 11 11
12 83 3 3 2 2
T c= 58.5 7.5

En la Tabla se observa que en el cuarto turno muestreado, el número de unidades en-

sambladas resultó ser exactamente igual que el valor hipotético de la mediana pobla-
cional. Por ello, esta observación se omite de cualquier análisis ulterior, y se tiene una
muestra de tamaño efectivo de n=11.
1) HIPOTESIS:
H0: Med = 80
Ha: Med  80

en consecuencia, se usa una región de rechazo de una cola (cola derecha). El va-
lor T crítico de la tabla de Wilcoxon con una muestra de 11 y al 5% de nivel de
significación es: T11;0.05;1 = 14 , por lo tanto, para rechazar la H0 el Tc debe ser
igual o mayor que T11;0.05;1 = 14 .
4) DETERMINACIÓN DE Tc :. La Ha: Med  80 , define el valor de Tc , entonces El

T calculado de Wilcoxon, es la suma de rangos de signos positivos: Tc = 58.5 .
5) CONCLUSION: Como Tc es mayor que T11;0.05;1 (58.514), entonces se acepta la

Ha, es decir, la mediana del sistema rediseñado de ensamble de productos es
mayor que la mediana del sistema antiguo, a un nivel de significancia del 5%.
MUESTRAS GRANDES
Si la muestra es grande (n30), puede utilizarse la distribución normal como aproxi-

mación.
 (t − ti )
l
3
i
L= i =1
48
n(n + 1)
T =
4
n ( n + 1)( 2n + 1)
T = −L
24
Tc − T
zc =
T

H0: Med = Med 0
Ha: Med  Med 0
Se
acepta
H0
Se Se
acepta
1-  acepta
Ha Ha
/2 /2
- Z(/2) Z(/2)
H0: Med = Med 0

Se
Ha: Med  Med 0 acepta
H0
Se
acepta
1-  Ha

Z()
H0: Med = Med 0

/2
Ha: Med  Med 0 Se
acepta
H0
Se
acepta 1- 
Ha

- Z()

EJEMPLO
Utilizando los datos del ejemplo anterior, en donde el jefe de planta afirma que las
unidades ensambladas en un sistema rediseñado de ensamble de productos no será
igual que con el sistema antiguo, cuya mediana poblacional es de 80 unidades por turno.
En una muestra de 30 observaciones se determinó que el rango para signos positivos
es de Tc = 228 (el menor valor de los dos rangos). Otorgando el beneficio de la duda al
sistema rediseñado, plantee la hipótesis nula y pruébela a un nivel de significancia del
5%.
Nº Unidades Diferencia Diferencia Rangos Rangos Rangos Empates
ensambladas (X-80) |X-80| + -
(X)
1 75 -5 5 19.5 19.5 5
2 79 -1 1 2.5 2.5 1
3 85 5 5 19.5 19.5 5
4 79 -1 1 2.5 2.5 1
5 94 14 14 29 29 14
6 78 -2 2 8 8 2
7 91 11 11 25.5 25.5 11
8 76 -4 4 16 16 4
9 88 8 8 22.5 22.5 8
10 75 -5 5 19.5 19.5 5
11 78 -2 2 8 8 2
12 77 -3 3 13 13 3
13 92 12 12 27 27
14 78 -2 2 8 8 2
15 94 14 14 29 29 14
16 76 -4 4 16 16 4
17 79 -1 1 2.5 2.5 1
18 78 -2 2 8 8 2
19 91 11 11 25.5 25.5 11
20 76 -4 4 16 16 4
21 78 -2 2 8 8 2
22 82 2 2 8 8 2
23 70 -10 10 24 24
24 72 -8 8 22.5 22.5 8
25 83 3 3 13 13 3
26 75 -5 5 19.5 19.5 5
27 77 -3 3 13 13 3
28 94 14 14 29 29 14
29 79 -1 1 2.5 2.5 1
30 78 -2 2 8 8 2
T c= 228 237

1) HIPOTESIS:
H0: Med = 80
Ha: Med  80

1.96.
Se
acepta
H0
Se Se
acepta 0.95 acepta
Ha Ha
0.025 0.025
- 1.96 1.96
4) DETERMINACIÓN DE zc: La muestra fue de 30, se toma el valor Tc = 228 por

ser el mas pequeño de los rangos (rango de signos positivos). Posteriormente se
determina:
L=
(4
3
− 4 ) + ( 73 − 7 ) + ( 33 − 3) + ( 33 − 3) + ( 43 − 4 ) + ( 23 − 2 ) + ( 33 − 3)
= 11.25
48
30(30 + 1)
T = = 232.5
4
30 ( 30 + 1) ( 2 ( 30 ) + 1)
T = − 11.25 = 48.50
24
228 − 232.5
zc = = −0.0928
48.50
5) CONCLUSION: Como − z0.025  zc  z0.025 (-1.96<-0.0928<1.96), entonces se acep-
ta la H0, es decir, el gerente no tiene razón al afirmar que no existe diferencia
en el número de ensambles con el sistema antiguo y el nuevo sistema, a un nivel
de confianza del 95%.

1) HIPOTESIS:
H0: Med = 80
Ha: Med  80

1.96. Entonces si 2 P Z  − zc    = 0.05 se rechaza la H0.
Se
acepta
H0
Se Se
acepta 0.95 acepta
Ha Ha
0.025 0.025
- 1.96 1.96
4) DETERMINACIÓN DE zc y 2 PZ  − zc  : La muestra fue de 30, se toma el va-

lor Tc = 228 por ser el mas pequeño de los rangos (rango de signos positivos).
Posteriormente se determina:
L=
(4 3
− 4 ) + ( 73 − 7 ) + ( 33 − 3) + ( 33 − 3) + ( 43 − 4 ) + ( 23 − 2 ) + ( 33 − 3)
= 11.25
48
30(30 + 1)
T = = 232.5
4
30 ( 30 + 1) ( 2 ( 30 ) + 1)
T = − 11.25 = 48.50
24
228 − 232.5
zc = = −0.0928
48.50
2 P  Z  −0.0928 = ( 2 )( 0.46304 ) = 0.92608
5) CONCLUSION: Como  2 P  Z  −0.0928 = ( 2 )( 0.46304 ) = 0.92608   = 0.05 , en-

tonces se acepta la H0, es decir, el gerente no tiene razón al afirmar que exis-

te diferencia en el número de ensambles con el sistema antiguo y el nuevo sis-

tema, a un nivel de confianza del 95%.

Valores críticos de T en la prueba de Wilcoxon

TEXTO UNIVERSITARIO
LA PRUEBA DE WILCOXON PARA DOS MUESTRAS
(DATOS APAREADOS)
LA PRUEBA DE WILCOXON PARA DOS MUESTRAS (DATOS APAREADOS) Estadística No Paramétrica
LA PRUEBA DE WILCOXON PARA DOS MUESTRAS (DATOS APAREADOS)
En la prueba del Signo se utiliza la información acerca de la dirección de las diferen-

cias encontradas en la pareja de muestras. Pero no se considera la magnitud relativa
de tales diferencias. En cambio, en el modelo de Wilcoxon se toma en cuenta ambas
cosas y por eso es más poderoso que el del Signo. Acá se le da un peso a cada signo,
relativo a la magnitud de la diferencia encontrada. Se la denomina también: Prueba de
rangos señalados y pares encontrados. El investigador debe hacer dos cosas básicas al
examinar una pareja de datos.
1. Determinar en la pareja cual es el "mayor" de ambos.
2. Ordenar por rango las diferencias halladas (rango acá significa “ranking” u or-
den)
PROCEDIMIENTO
1. Se determina la diferencia entre cada uno de los valores observados de la

muestra 1 y los valores de la muestra 2, y esta diferencia, con signo aritmético,
se designa:
d = (X1 − X 2 ) .
2. Se ordenan los valores absolutos de la diferencia, de menor a mayor

( d = X 1 − X 2 ), asignando el rango de 1 a la diferencia absoluta más pequeña.
Cuando las diferencias absolutas son iguales, se asigna el rango promedio a los
valores que son iguales.
3. Se obtiene por separado la suma de los rangos, considerando el signo, que serán
los coeficientes de Wilcoxon: T + , T − .
4. Si alguna de las diferencias es igual a cero, se elimina del análisis la observación

correspondiente, y se reduce el tamaño efectivo de la muestra.
na = n− # empates
PRUEBA DE DOS COLAS
La menor de esas dos sumas es la estadística T de Wilcoxon para una prueba de dos
criterios de calificación.
 Cuando: Ha: Med 1  Med 2 , se toma como Tc = min T + , T − . 

Tn; ;2

PRUEBA DE UNA COLA

 Cuando: Ha: Med 1  Med 2 , se toma como Tc = T + (el rango de signos positivos).
Para rechazar la H0, el valor que se obtiene de Tc debe ser mayor que Tn; ;1 .
Tn; ;1
 Cuando: Ha: Med 1  Med 2 , se toma como Tc = T + (el rango de signos positivos).
Tn; ;1
En a tabla T de Wilcoxon se identifican los valores críticos de Tn; ;#colas , de acuerdo

con el tamaño de la muestra, el nivel de significancia y el número de colas.
la mediana 2.
H0: Med 1 = Med 2
Ha: Med 1  Med 2
H0: Med 1 = Med 2
Ha: Med 1  Med 2
H0: Med 1 = Med 2
Ha: Med 1  Med 2

MUESTRAS PEQUEÑAS
Si el tamaño de la muestra es pequeño (n < 30), se utiliza la distribución binomial para

realizar la prueba.
Donde:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

Hipótesis alternante: Hay diferencia entre y las medianas.
EJEMPLO
Para el problema de muestras pequeñas para la prueba del signo de dos muestras, uti-
lice la prueba de Wilcoxon.
Calificaciones asignadas por grupo de
consumidores a dos marcas de té
Diferencia Diferencia Rangos Rangos

Nº X1 X2 Rangos Empates
(X1-X2) |X1-X2| + -
1 20 16 4 4 4.5 4.5 4
2 24 26 -2 2 1.5 1.5 2
3 28 18 10 10 11.5 11.5 10
4 24 17 7 7 7.5 7.5 7
5 20 20
6 29 21 8 8 9 9
7 19 23 -4 4 4.5 4.5 4
8 27 22 5 5 6 6
9 20 23 -3 3 3 3
10 30 20 10 10 11.5 11.5 10
11 18 18
12 28 21 7 7 7.5 7.5 7
13 26 17 9 9 10 10
14 24 26 -2 2 1.5 1.5 2
T c= 67.5 10.5
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

azar, en consecuencia, se usa una región de rechazo de dos colas. El valor T crí-
tico de la tabla de Wilcoxon al 5% de nivel de significación y una muestra de 12
es: T12;0.05;2 = 14 , por lo tanto, para rechazar la H0 el Tc debe ser igual o menor
que T12;0.05;2 = 14 .
4) DETERMINACIÓN DE Tc : La Ha: Med 1  Med 2 , define el valor de Tc , entonces

El T calculado de Wilcoxon, es la suma de rangos de signos negativos por ser el

menor: Tc = 10.5 .
5) CONCLUSION: Como Tc es menor que T12;0.05;2 (10.514), entonces se acepta la

Ha, es decir, la mediana de la marca 1 no es igual a la mediana de la marca 2, a un
MUESTRAS GRANDES
 (t − ti )
l
3
i
L= i =1
48
n(n + 1)
T =
4
n ( n + 1)( 2n + 1)
T = −L
24
Tc − T
zc =
T
H0: Med 1 = Med 2
Ha: Med 1  Med 2 Se

acepta
H0
Se Se
acepta
1-  acepta
Ha Ha
/2 /2
- Z(/2) Z(/2)
H0: Med 1 = Med 2 Se

acepta
Ha: Med 1  Med 2 H0
Se
acepta
1-  Ha

Z()

H0: Med 1 = Med 2
Ha: Med 1  Med 2

Se
acepta
H0
Se
acepta 1- 
Ha

- Z()

EJEMPLO
Utilizando los datos del ejemplo anterior, en donde el Gerente de la empresa de la

marca de té Nº 1 afirma que la marca que producen tiene más aceptación por los con-
sumidores. En una muestra de 40 observaciones se determinó que 28 de las califica-
ciones de la marca 1 fueron superior a las calificaciones de la marca 2, obteniéndose
un rango de diferencias positivas de Tc=701.5. No otorgando el beneficio de la duda al
Gerente de la Marca 1, plantee la hipótesis y pruébela a un nivel de significancia del
5%.
Nº X1 X2 Diferencia Diferencia Rangos Rangos Rangos Empates
(X1-X2) |X1-X2| + -
1 20 16 4 4 20 20 4
2 24 26 -2 2 11 11 2
3 28 18 10 10 35.5 35.5 10
4 24 17 7 7 28.5 28.5 7
5 18 19 -1 1 5 5 1
6 29 21 8 8 31 31 8
7 19 23 -4 4 20 20 4
8 27 22 5 5 23.5 23.5 5
9 20 23 -3 3 15.5 15.5 3
10 30 20 10 10 35.5 35.5 10
11 18 19 -1 1 5 5 1
12 28 21 7 7 28.5 28.5 7
13 26 17 9 9 33.5 33.5 9
14 24 26 -2 2 11 11 2
15 28 16 12 12 39 39 12
16 25 26 -1 1 5 5 1
17 29 18 11 11 37 37
18 25 17 8 8 31 31 8
19 26 20 6 6 26.5 26.5 6
20 24 21 3 3 15.5 15.5 3
21 23 22 1 1 5 5 1
22 23 22 1 1 5 5 1
23 20 23 -3 3 15.5 15.5 3
24 24 20 4 4 20 20 4
25 28 23 5 5 23.5 23.5 5
26 21 22 -1 1 5 5 1
27 20 23 -3 3 15.5 15.5 3
28 29 20 9 9 33.5 33.5 9
29 19 18 1 1 5 5 1
30 27 21 6 6 26.5 26.5 6
31 20 17 3 3 15.5 15.5 3
32 24 25 -1 1 5 5 1
33 24 16 8 8 31 31 8
34 28 26 2 2 11 11 2
35 30 18 12 12 39 39 12
36 29 17 12 12 39 39 12
37 25 20 5 5 23.5 23.5 5
38 26 21 5 5 23.5 23.5 5
39 22 23 -1 1 5 5 1
40 29 26 3 3 15.5 15.5 3
Tc= 701.5 118.5

1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

mos que 1.65.
Se
acepta
H0
Se
acepta
0.95 Ha
0.05
1.65

nes de las calificaciones de la marca 1 fueron superior a las calificaciones de la
marca 2, como la Ha: Med 1  Med 2 , entonces: Tc = 701.5 . Posteriormente se determina:
L=
(9
3
− 9 ) + ( 33 − 3) + ( 63 − 6 ) + ( 33 − 3) + ( 43 − 4 ) + ( 23 − 2 ) + ( 23 − 2 ) + ( 33 − 3) + ( 23 − 2 ) + ( 23 − 2 ) + ( 33 − 3)
= 23.125
48
40(40 + 1)
T = = 410
4
40 ( 40 + 1) ( 2 ( 40 ) + 1)
T = − 23.125 = 74.24
24
701.5 − 410
zc = = 3.9263
74.24
5) CONCLUSION: Como zc  z0.05 (3.9263>1.65), entonces se acepta la Ha, es de-
cir, el gerente tiene razón al afirmar que la marca de te Nº 1 tiene mayor pre-
ferencia que el de la marca de te Nº 2, a un nivel de significancia del 5%.
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2


Se
acepta
H0
Se
acepta
0.95 Ha
0.05
1.65
4) DETERMINACIÓN DE zc y P Z  zc : La muestra fue de 40, de los cuales 28

observaciones 28 de las calificaciones de la marca 1 fueron superior a las califi-
caciones de la marca 2,como la Ha: Med 1  Med 2 , entonces: Tc = 701.5 . Posterior-
mente se determina:
L=
(9
3
− 9 ) + ( 33 − 3) + ( 63 − 6 ) + ( 33 − 3) + ( 43 − 4 ) + ( 23 − 2 ) + ( 23 − 2 ) + ( 33 − 3) + ( 23 − 2 ) + ( 23 − 2 ) + ( 33 − 3)
= 23.125
48
40(40 + 1)
T = = 410
4
40 ( 40 + 1) ( 2 ( 40 ) + 1)
T = − 23.125 = 74.24
24
701.5 − 410
zc = = 3.9263
74.24
5) CONCLUSION: Como P  Z  3.9263 = 0.000043 es menor que  = 0.05 , entonces
se acepta la Ha, es decir, el gerente tiene razón al afirmar que la marca de te
Nº 1 tiene mayor preferencia que el de la marca de te Nº 2, a un nivel de signi-
ficancia del 5%.

TEXTO UNIVERSITARIO
LA PRUEBA DE FRIEDMAN PARA K MUESTRAS
(MUESTRAS APAREADAS)
LA PRUEBA DE FRIEDMAN PARA K MUESTRAS (MUESTRAS APAREADAS) Estadística No Paramétrica
LA PRUEBA DE FRIEDMAN PARA K MUESTRAS

(MUESTRAS APAREADAS)
Esta prueba puede considerarse como una extensión de la prueba de Wilcoxon para el
caso de más de dos muestras. La prueba de Friedman, propuesta por el ganador del
premio Nobel, el economista Milton Friedman, es una prueba no parametrica para com-
parar las distribuciones de las mediciones de k tratamientos apareados, dispuestos en
n bloques, utilizando un diseño de bloques aleatorizados.
Cuando el número de k de tratamientos o el número n de bloques es mayor que 5, la

distribución muestral de coeficiente calculado de la prueba de la prueba de Friedman
puede aproximarse mediante la distribución Chi Cuadrada con (k-1) grados de libertad.
PROCEDIMIENTO
1. El primer procedimiento es ordenar las k observaciones de los tratamientos

dentro de cada bloque.
2. Asignar el rango de 1 a la observación más pequeña de cada bloque. Cuando las

observaciones son iguales, se asigna el rango promedio a cada una de ellas.
3. Se obtiene por separado la suma de los rangos C1, C2,…, Ck para cada una de las
muestras.
4. Se calcula el estadístico de prueba X c2 :
 ( t − tik )
n K
3
ik
L = 1− i =1 k =1
nk ( k 2 − 1)
k
12

nk ( k + 1) i =1
Ci2 − 3n ( k + 1)
X c2 =
L
5. Calcular los rangos de libertad: gl = k − 1 .
6. Comparar el estadístico X k2−1; , de acuerdo con los grados de libertad, en la ta-

bla de distribución de Chi-cuadrada en razón de distribuirse de forma similar.
calificación. Utilizando Med1 para representar la mediana 1, Med 2 para representar la
mediana 2, …, Med k para representar la mediana k.
Las hipótesis nula y alternativa para la prueba son:

1
H0: Med1 = Med 2 =  = Med k
Ha: Med1  Med 2    Med k
EJEMPLO
Suponga que se quiere comparar las clasificaciones de los consumidores de seis dife-
rentes anuncios televisivos. Cuatro consumidores clasificaron cada anuncio en una es-
cala de 1 (malo) a 10 (excelente). El objetivo del experimento es determinar si existen
diferencias en los niveles de clasificación para los seis anuncios. Se presentan los da-
tos en la tabla. Utilice la prueba de Friedman para determinar si los datos presentan
suficiente evidencia para indicar diferencias en las clasificaciones de los seis anuncios
televisivos, utilizando un nivel de significancia del 5%.
Clasificaciones para los anuncios
ANUNCIO
SUJETO
A B C D E F
1 5 8 7 6 4 5
2 6 10 6 7 4 4
3 8 10 9 9 6 7
4 4 6 7 5 3 5
Rangos
ANUNCIO
SUJETO
A B C D E F
1 2.5 6 5 4 1 2.5
2 3.5 6 3.5 5 1.5 1.5
3 3 6 4.5 4.5 1 2
4 2 5 6 3.5 1 3.5
Rk= 11 23 19 17 4.5 9.5

2
1) HIPOTESIS:
H0: Med A = Med B = MedC = Med D = Med E = Med F
Ha: Med A  Med B  MedC  Med D  Med E  Med F
3) REGIÓN DE RECHAZO:
Se
acepta
H0
Se
0.95 acepta
Ha
0.05
2
X 5;0.05 = 11.07
4) DETERMINACIÓN DE X c2 :
L = 1−
(2 3
− 2 ) + ( 23 − 2 ) + ( 2 3 − 2 ) + ( 2 3 − 2 ) + ( 2 3 − 2 )
= 0.964286
( 4 )( 6 ) ( 62 − 1)
  12  2  
 (11) + ( 23) + (19 ) + (17 ) + ( 4.5 ) + ( 9.5 )   − 3 ( 4 )( 6 + 1)
2 2 2 2 2

  ( 4 )( 6 )( 6 + 1)  
X c2 =  = 17.3704
0.964286
5) CONCLUSION: Como X c2 es mayor que X 5;0.05

2
(17.3711.07), entonces se acepta
la Ha, es decir, los seis anuncios tienen diferencias en las clasificaciones, a un

3
1) HIPOTESIS:
H0: Med A = Med B = MedC = Med D = Med E = Med F
Ha: Med A  Med B  MedC  Med D  Med E  Med F
Se
acepta
H0
Se
0.95 acepta
Ha
0.05
2
X 5;0.05 = 11.07
4) DETERMINACIÓN DE X c2 :
L = 1−
(2 3
− 2 ) + ( 23 − 2 ) + ( 2 3 − 2 ) + ( 2 3 − 2 ) + ( 2 3 − 2 )
= 0.964286
( 4 )( 6 ) ( 62 − 1)
  12  2  
 (11) + ( 23) + (19 ) + (17 ) + ( 4.5 ) + ( 9.5 )   − 3 ( 4 )( 6 + 1)
2 2 2 2 2

  ( 4 )( 6 )( 6 + 1)  
X c2 =  = 17.3704
0.964286
P  X 2  17.3704 = 0.003848
5) CONCLUSION: Como P  X 2  17.3704 = 0.003848 es menor que  = 0.05 , en-

tonces se acepta la Ha, es decir, los seis anuncios tienen diferencias en las cla-
sificaciones, a un nivel de significancia del 5%.

4
PRUEBA DE WILCOXON PARA COMPARACIONES MÚLTIPLES (POR PARES)
Clasificaciones anuncios,
ordenado la mediana de mayor a menor
ANUNCIO
SUJETO
B C D A F E
1 8 7 6 5 5 4
2 10 6 7 6 4 4
3 10 9 9 8 7 6
4 6 7 5 4 5 3
MEDIANA 9.00 7.00 6.50 5.50 5.00 4.00
MEDIANAi MEDIANAj MEDi - MEDj zc z0.05 P[z>zc]
B C 2.00 1.1339 1.645 0.1284

B D 2.50 1.8411 1.645 0.0328
B A 3.50 1.8411 1.645 0.0328
B F 4.00 1.8411 1.645 0.0328
B E 5.00 1.8411 1.645 0.0328
C D 0.50 -0.1841 1.645 0.5730

C A 1.50 0.3651 1.645 0.3575
C F 2.00 2.0000 1.645 0.0228
C E 3.00 1.8411 1.645 0.0328
D A 1.00 2.0000 1.645 0.0228

D F 1.50 0.3651 1.645 0.3575
D E 2.50 1.8570 1.645 0.0317
A F 0.50 -0.1841 1.645 0.5730

A E 1.50 1.8570 1.645 0.0317
F E 1.00 0.3682 1.645 0.3564
Se puede concluir que los anuncios B y C son mejores, por cuanto la

 P  z  zc  = 0.1284  0.05 (las medianas son iguales para B y C) y las comparaciones del
anuncio B con los anuncios A, F y E respectivamente, sus P  z  zc   0.05 (sus medianas
son diferentes); pero se puede observar que la comparación de C con D y C con A res-
pectivamente, sus P  z  zc   0.05 (sus medianas son iguales), por lo tanto, el anuncio B
es mejor que el resto de anuncios.

5
TEXTO UNIVERSITARIO
LA PRUEBA DE MANN − WHITNEY PARA DOS
MUESTRAS (MUESTRAS INDEPENDIENTES)
LA PRUEBA DE MANN − WHITNEY PARA DOS MUESTRAS (MUESTRAS INDEPENDIENTES) Estadística No Paramétrica
LA PRUEBA DE MANN − WHITNEY PARA DOS MUESTRAS

(MUESTRAS INDEPENDIENTES)
Este modelo de Mann−Whitney sirve para testear si dos muestras independientes han
sido tomadas de la misma población. Se tiene, por lo menos, una magnitud ordinal de la
misma. Este es el modelo no paramétrico más poderoso para comparar dos muestras
cuando no son apareadas. Es para el caso donde se tiene dudas acerca de la verifica-
ción de los supuestos que piden el modelo Student, o cuando las medidas son ordinales.
La hipótesis de trabajo (Ho), siempre es que ambas muestras provienen de la misma
población.
PROCEDIMIENTO
1. Ordenar las observaciones en rangos de los dos grupos, del más pequeño al ma-
yor.
2. Asignar el rango de 1 a la observación más pequeña. Cuando las observaciones

son iguales, se asigna el rango promedio a cada una de ellas.
3. Se obtiene por separado la suma de los rangos para cada una de las dos mues-
tras.
4. Aplicar la ecuación de Mann-Whitney y obtener el estadístico U:

n1 (n1 + 1)
U 1 = n1n2 + − R1
2
n2 (n2 + 1)
U 2 = n1n2 + − R2
2
5. Detectar las ligas o empates entre los rangos de cada grupo o muestra, en el
caso de que los hubiese, determinar la ecuación:
 (t − ti )
l
3
i
L= i =1
12
6. Aplicar la ecuación L al estadístico  U para obtener el ajuste:
n1n2  N 3 − N 
U =  − L
N ( N − 1)  12 
PRUEBA DE DOS COLAS
La menor de esas dos sumas es la estadística U de Mann−Whitney para una prueba de

dos criterios de calificación.
 Cuando: Ha: Med  Med 0 , se toma como U c = min U1 , U 2 .

Para rechazar la H0, el valor que se obtiene de U c debe ser menor que U n1 ;n2 ; ;2 .
U n1 ;n2 ; ;2
PRUEBA DE UNA COLA

 Cuando: Ha: Med 1  Med 2 , se toma como U c = maxU1 , U 2  .
Para rechazar la H0, el valor que se obtiene de U c debe ser mayor que U n1 ;n2 ; ;1 .
U n1 ;n2 ; ;1
 Cuando: Ha: Med 1  Med 2 , se toma como U c = min U1 , U 2 .
Para rechazar la H0, el valor que se obtiene de U c debe ser menor que U n1 ;n2 ; ;1 .
U n1 ;n2 ; ;1
En a tabla U de Mann−Whitney se identifican los valores críticos de U n1 ;n2 ; ;#colas , de

acuerdo con el tamaño de las muestras n1 y n2, el nivel de significancia y el número de
colas.
la mediana 2.
H0: Med 1 = Med 2
Ha: Med 1  Med 2
H0: Med 1 = Med 2
Ha: Med 1  Med 2

H0: Med 1 = Med 2
Ha: Med 1  Med 2
MUESTRAS PEQUEÑAS
Para una muestra combinada de 20 o menos, se usan tablas especiales para probar la
hipótesis nula de los dos grupos; estas tablas se encuentran en libros especializados
en métodos no parametritos, de los cuales se puede obtener el U crítico U n1 ;n2 ; ;#colas
para una prueba de una cola y de dos colas.
Donde:
H0: Med 1 = Med 2
Ha: Med 1  Med 2
Hipótesis alternante: Hay diferencia entre y las medianas.

EJEMPLO
Para evaluar y comparar dos métodos de capacitación industrial, un director de capa-

citación asigna 10 entrenandos elegidos al azar a cada uno de dos métodos. Debido a
la deserción normal 7 aprendices terminan el curso mediante el método 1, y 8 lo ter-
minan llevando el método 2. A los dos grupos de entrenandos se les aplica el mismo
examen .para evaluar el aprendizaje, según se reporta en la tabla. Pruebe la hipótesis
nula de que nivel mediano de desempeño en la prueba no difiere en los dos métodos de
capacitación, utilizando un nivel de significancia del 5%.
Calificaciones asignadas a los aprendices
en los dos métodos de instrucción
Nº Método 1 Método 2 Rangos 1 Rangos 2 Empates
1 86 70 11.5 3 86
2 78 90 5 14.5 90
3 90 82 14.5 8.5 90 82
4 82 64 8.5 1 82
5 65 86 2 11.5 86
6 87 77 13 4
7 80 84 7 10
8 79 6
Rc= 61.5 58.5
1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

azar, en consecuencia, se usa una región de rechazo de dos colas. El valor U crí-
tico de la tabla de Mann−Whitney al 5% de nivel de significación, las muestras
n1=7 y n2=8 y dos colas es: U 7;8;0.05;2 = 10 , por lo tanto, para rechazar la H0 el U c
debe ser igual o menor que U 7;8;0.05;2 = 10 .
4) DETERMINACIÓN DE U c y U ca : Como se esta probando una Ha: Med 1  Med 2 ,

entonces El U calculado de Mann−Whitney se determina el valor mas grande de
los rangos (R), es: R1=61.5, con esto se determina:
U c = U 1 = (7 )(8) +
(7 )(8) − 61.5 = 22.5
2
5) CONCLUSION: Como U c es mayor que U 7;8;0.05;2 (22.510), entonces se acepta
la H0, es decir, la mediana de la método 1 es igual a la mediana de la método 2, a
un nivel de confianza del 95%.

MUESTRAS GRANDES
Si la muesta combinada es mayor que 20, se ha demostrado que la curva normal es una
buena aproximación de la distribución muestral. Esta curva normal tiene parámetros
que se encuentran en las ecuaciones que se presentaran a continuación. El estadístico
U de Mann−Whitney:
 (t − ti )
l
3
i
L= i =1
12
n1n2
U =
2
n1n2  N 3 − N 
U =  − L
N ( N − 1)  12 
U − U
zc =
U
H0: Med 1 = Med 2
Ha: Med 1  Med 2

Se
acepta
H0
Se Se
acepta
1-  acepta
Ha Ha
/2 /2
- Z(/2) Z(/2)
H0: Med 1 = Med 2

Se
Ha: Med 1  Med 2 acepta
H0
Se
acepta
1-  Ha

Z()

H0: Med 1 = Med 2
Ha: Med 1  Med 2
Se
acepta
H0
Se
acepta 1- 
Ha

- Z()
EJEMPLO
Utilizando los datos del ejemplo anterior, en donde el Director de capacitación afirma
que el método 1 tiene mejores resultados. Obteniéndose los rangos: R1=190 y R2=161.
No otorgando el beneficio de la duda al Gerente de capacitación, plantee la hipótesis y
pruébela a un nivel de significancia del 5%.
Calificaciones asignadas a los aprendices
en los dos métodos de instrucción
Nº Método 1 Método 2 Rangos 1 Rangos 2 Empates
1 86 70 18.5 4 86
2 78 90 8 23.5 90
3 90 82 23.5 13 90 82
4 82 64 13 1 82
5 65 86 2 18.5 86
6 87 77 20 7
7 80 84 10 16
8 88 79 21 9
9 95 82 26 13 82
10 85 89 17 22
11 76 73 6 5
12 94 81 25 11
13 83 15
14 66 3
Rc= 190 161

1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

mos que 1.65. Se
acepta
H0
Se
acepta
0.95 Ha
0.05
1.65
4) DETERMINACIÓN DE U c y zc : n1=12 y n2=14, como la Ha: Med 1  Med 2 , en-

tonces se toma el rango R2=161. Posteriormente se determina:
U c = U 2 = (12)(14) +
(14)(15) − 161 = 112
2
L=
(3 3
− 3) + ( 23 − 2 ) + ( 23 − 2 )
=3
12
U =
(12)(14) = 84
2
T =
(12 )(14 )  263 − 26 − 3  = 19.42
( 26 )( 26 − 1)  12 

112 − 84
zc = = 1.4416
19.42
5) CONCLUSION: Como zc  z0.05 (1.4416<1.645), entonces se acepta la H0, es de-
cir, el gerente no tiene razón al afirmar que la método 1 es mejor que el método
2, a un nivel de confianza del 95%.

1) HIPOTESIS:
H0: Med 1 = Med 2
Ha: Med 1  Med 2

Se
acepta
H0
Se
acepta
0.95 Ha
0.05
1.65
6) DETERMINACIÓN DE U c , U ca , zc y P Z  zc : n1= 12 y n2=14, como la Ha:
Med 1  Med 2 , entonces se toma el rango R2=161. Posteriormente se determina:
U c = U 2 = (12)(14) +
(14)(15) − 161 = 112
2
L=
(3 3
− 3) + ( 23 − 2 ) + ( 23 − 2 )
=3
12
U =
(12)(14) = 84
2
T =
(12 )(14 )  263 − 26 − 3  = 19.42
( 26 )( 26 − 1)  12 

112 − 84
zc = = 1.4416
19.42
P  Z  1.4416 = 0.0747
4) CONCLUSION: Como P  Z  1.4416 = 0.0747 es mayor que  = 0.05 , entonces

se acepta la H0, es decir, el gerente no tiene razón al afirmar que la método 1
es mejor que el método 2, a un nivel de confianza del 95%.

Valores críticos de U en la prueba de Mann Whitney
Prueba de un extremo

Prueba de dos extremos

TEXTO UNIVERSITARIO
LA PRUEBA DE KRUSKAL - WALLIS PARA K
MUESTRAS (MUESTRAS INDEPENDIENTES)
LA PRUEBA DE KRUSKAL - WALLIS PARA K MUESTRAS

(MUESTRAS INDEPENDIENTES)
Esta prueba estadística de análisis de varianza de entrada simple de Kruskal-Wallis es

una extensión de la prueba de Mann-Whitney, en razón de que se usan rangos para su
aplicación; por otra parte, este procedimiento se emplea cuando el modelo experimen-
tal contiene más de dos muestras independientes
PROCEDIMIENTO
1. Ordenar las observaciones en rangos de todos los grupos, del más pequeño al
mayor.
2. Asignar el rango de 1 a la observación más pequeña. Cuando las observaciones

son iguales, se asigna el rango promedio a cada una de ellas.
3. Se obtiene por separado la suma de los rangos para cada una de las muestras.
4. Aplicar la ecuación de Kruskal-Wallis y obtener el estadístico H:
  12   K Ri2  
X =       − 3 ( n + 1)
2
  n ( n + 1)   i =1 ni  
c
5. Detectar las ligas o empates entre los rangos de cada grupo o muestra, en el
caso de que los hubiese, determinar la ecuación:
 (t i3 − t i )
K
i =1
L = 1−
n3 − n
6. Aplicar la ecuación L al estadístico H para obtener el ajuste:
  12   K Ri2  
      − 3 ( n + 1)
  n ( n + 1)   i =1 ni  
X ca2 =
 (t − ti )
K
3
i
1− i =1
n3 − n
7. Calcular los rangos de libertad: gl = k − 1 .
8. Comparar el estadístico H, de acuerdo con los grados de libertad, en la tabla de

distribución de Chi-cuadrada en razón de distribuirse de forma similar.

1
calificación. Utilizando Med1 para representar la mediana 1, Med 2 para representar la
mediana 2, …, Med k para representar la mediana k.
Las hipótesis nula y alternativa para la prueba son:
H0: Med1 = Med 2 =  = Med k
Ha: Med1  Med 2    Med k

2
EJEMPLO
Un investigador estudia el efecto benéfico de cuatro sustancias anticonvulsionantes

(fenobarbital, difenilhidantoinato -DFH-, diacepam y clonacepam), para proteger con-
tra la muerte producida por un convulsionante, la tiosemicarbazida, la cual se mani-
fiesta después de crisis clónica y tónica, respectivamente. El investigador elige al azar
a 24 ratones de la misma edad y peso y les inyecta anticonvulsionante previamente a la
tiosemicarbazida. A partir de este momento, inicia la cuenta en tiempo, hasta que
mueren los ratones; además mide las observaciones en horas de tiempo transcurrido.
Pruebe la hipótesis nula de que nivel mediano de desempeño en la prueba no difiere en
las 4 sustancias anticonvulsionantes, utilizando un nivel de significancia del 5%.
Tiempo en horas que tarda el fármaco

en causar la muerte en ratones
Fenobarbital DFH Diacepan Clonacepan

2.0 0.5 8.0 4.0
4.0 1.0 9.0 3.0
6.0 6.0 8.0 5.0
4.0 6.0 1.0
2.0 0.3 6.0
1.0 0.4 3.0
RANGOS
FÁRMACO
Nº
1 2 3 4
1 7.5 3 19.5 12
2 12 5 21 9.5
3 16.5 16.5 19.5 14
4 12 16.5 5
5 7.5 1 16.5
6 5 2 9.5
Rk= 60.5 44 60 66.5
1) HIPOTESIS:
H0: Med1 = Med 2 = Med 3 = Med 4
Ha: Med1  Med 2  Med 3  Med 4

3
Se
acepta
H0
Se
0.95 acepta
Ha
0.05
X 32;0.05 = 7.81
4) DETERMINACIÓN DE H c y H ca :
 ( 33 − 3) + ( 23 − 2 ) + ( 23 − 2 ) + ( 33 − 3) + ( 43 − 4 ) + ( 23 − 2 ) 
L = 1−   = 0.98636
 213 − 21 
  12   ( 60.5 ) ( 44 ) ( 60 ) ( 66.5 )  
2 2 2 2
  + + +   − 3 ( 21 + 1)
  ( 21)( 21 + 1)   6 6 3 6  
X c2 =   = 8.65701
0.98636
5) CONCLUSION: Como H ca es mayor que X 32;0.05 (8.897.81), entonces se acepta

la Ha, es decir, las cuatro sustancias anticonvulsionantes tienen diferentes
desempeño en las muertes de los ratones, a un nivel de confianza del 95%.
1) HIPOTESIS:
H0: Med1 = Med 2 = Med 3 = Med 4
Ha: Med1  Med 2  Med 3  Med 4

4
Se
acepta
H0
Se
0.95 acepta
Ha
0.05
X 32;0.05 = 7.81
4) DETERMINACIÓN DE H c y H ca y P X 2  H ca :  
 ( 33 − 3) + ( 23 − 2 ) + ( 23 − 2 ) + ( 33 − 3) + ( 43 − 4 ) + ( 23 − 2 ) 
L = 1−   = 0.98636
 213 − 21 
  12   ( 60.5 ) ( 44 ) ( 60 ) ( 66.5 )  
2 2 2 2
  + + +   − 3 ( 21 + 1)
  ( 21)( 21 + 1)   6 6 3 6  
X c2 =   = 8.65701
0.98636
P  X 2  8.65701 = 0.03422
5) CONCLUSION: Como P  X 2  8.65701 = 0.03422 es menor que  = 0.05 , enton-

ces se acepta la Ha, es decir, las cuatro sustancias anticonvulsionantes tienen
diferentes desempeños en las muertes de los ratones, a un nivel de confianza
del 95%.

5
PRUEBA DE MANN-WHITNEY PARA COMPARACIONES MÚLTIPLES (POR PA-

RES)
Tiempo en horas que tarda el fármaco
en causar la muerte en ratones,
ordenado la mediana de mayor a menor
FÁRMACO
Nº
3 4 1 2
1 8 4 2 0.5
2 9 3 4 1
3 8 5 6 6
4 1 4 6
5 6 2 0.3
6 3 1 0.4
MEDIANA 8.00 3.50 3.00 0.75
MEDIANAi MEDIANAj MEDi - MEDj zc z0.05 P[z>zc]
3 4 4.50 2.3434 1.645 0.0096

3 1 5.00 2.3534 1.645 0.0093
3 2 7.25 2.3434 1.645 0.0096
4 1 0.50 0.4872 1.645 0.3130

4 2 2.75 1.0519 1.645 0.1464
1 2 2.25 1.0538 1.645 0.1460
Se puede concluir que el fármaco 3 es el mejor, por cuanto el fármaco 3 con los fár-
macos 4, 1 y 2 respectivamente, sus P  z  zc   0.05 (sus medianas son diferentes).

6
PROBLEMAS DE ESTADÍSTICA NO PARAMÉTRICA Estadística No Paramétrica
PROBLEMAS DE ESTADÍSTICA NO PARAMÉTRICA
1. En un cajero automático situado en el Banco Continental de Tingo María se ha

detectado una baja utilización del mismo por los clientes de la sucursal banca-
ria. Con el fin de investigar esta afirmación, se ha controlado el número de lle-
gadas al mismo durante las noches en que la oficina permanece cerrada, conta-
bilizándose los siguientes resultados:
Número de
Número
llegadas al
de noches
cajero
0 21
1 18
2 7
3 3
4 ó más 1
En base a esta afirmación, ¿se puede considerar que el número de llegadas es

una variable aleatoria de Poisson? Utilizar un nivel de significancia del 5%.
2. Los siguientes datos se corresponden con las temperaturas máximas de la Ciu-

dad de Lima en los últimos 31 días de diciembre del 2005:
16.9 17.3 18.1 17.2 16.3 17.2 17.3 16.2 15.2
14.1 17.2 15.8 17.4 15.9 14.2 14.3 14 16.3
15.1 13.9 13.2 13.8 14.2 16 16.2 19.3 17.2
21.2 17.9 15.3 15.8
Comprobar si los datos proceden de una distribución Normal. Utilice un nivel de
Significancia del 1%.
3. Se piensa que las llamadas telefónicas de larga distancia a través de una cierta
centralista de una empresa grande se producen en forma aleatoria con tiempos
entre llamadas siguiendo una distribución exponencial. Las primeras llamadas
después de las 13 horas un lunes ocurrieron a las:
13:06 13:08 13:16 13:22 13:23 13:34 13:44 13:47 13:51 13:57
Los tiempos sucesivos entre llamadas, contando que el primer tiempo va desde
las 13:00 hasta las 13:06, son (en minutos):
6 2 8 6 1 11 10 3 4 6
Comprobar a un nivel de significación del 5% si la afirmación es correcta.
4. En una revista científica salio publicado un articulo relativo al tiempo transcu-

rrido entre un relámpago y un trueno, donde se afirmaba que el tiempo mediano

1
era de 10 segundos. Un grupo de científicos intentaron comprobar este hecho y

recogieron una muestra con los siguientes datos:
Observación 1 2 3 4 5 6 7 8 9 10 11
Tiempo (Segundos) 7.3 17.5 25.3 18.2 15.0 10.0 9.6 7.9 10.8 19.3 8.5
a) Pruebe la aleatoriedad de la sucesión de tiempo (segundos) transcurridos

entre un relámpago y un trueno. Utilice un nivel de significancia del 5%.
b) Utilizando la Prueba del Signo, ¿puede asegurar que el tiempo mediano es

de 10 segundos? Utilice un nivel de significancia del 5%.
c) Utilizando la Prueba de Wilcoxon, ¿puede asegurar que el tiempo mediano

es de 10 segundos? Utilice un nivel de significancia del 5%.
d) Haga una comparación entre la Prueba del Signo y la Prueba de Wilcoxon.

Explique.
5. Una muestra aleatoria de 36 familias en el Distrito de Rupa Rupa proporcionó

los siguientes ingresos (en miles de Soles al año)
20 27 15 8 7 6 8 9 9
22 24 8 9 9 6 5 5 7
6 15 13 12 12 11 9 7 20
17 15 13 11 10 12 9 8 8
a) Pruebe la aleatoriedad de la sucesión de ingresos (miles de Soles). Utilice

un nivel de significancia del 5%.
b) Utilizando la Prueba del Signo, ¿puede asegurar que el ingreso mediano es

de 11 (miles de Soles) tal como afirma el Alcalde Provincial? Utilice un nivel
c) Utilizando la Prueba de Wilcoxon, ¿puede asegurar que el ingreso mediano

es de 11 (miles de Soles) tal como afirma el Alcalde Provincial? Utilice un
d) Haga una comparación entre la Prueba del Signo y la Prueba de Wilcoxon.

Explique.
6. Dos policias de transito de la Ciudad de Tingo María llevan un control del núme-
ro de multas que han puesto durante siete días. Las observaciones apareadas
para cada día son:
PT1 17 15 12 9 17 18 14
PT2 14 14 15 7 16 18 10

2
a) Utilizando la Prueba del Signo, ¿puede asegurar que hay diferencias entre
el número de multas puestas por cada policia de transito? Utilice un nivel
b) Utilizando la Prueba de Wilcoxon, ¿puede asegurar que hay diferencias en-

tre el número de multas puestas por cada policia de transito? Utilice un ni-
vel de significancia del 10%.
c) Haga una comparación entre la Prueba del Signo y la Prueba de Wilcoxon.

Explique.
7. De una muestra de 30 fumadores se obtiene el número de cigarrillos que con-

sumen en el trabajo y durante el mismo número de horas en sus hogares, infor-
mación que aparece en la siguiente tabla:
Consumo en Consumo en
Individuo
el Trabajo la Casa
1 20 7
2 15 14
3 8 4
4 42 36
5 7 25
6 9 11
7 12 14
8 21 15
9 16 2
10 10 6
11 14 11
12 10 5
13 7 1
14 12 18
15 9 1
16 20 12
17 8 10
18 15 10
19 5 7
20 2 10
21 10 12
22 4 8
23 5 2
24 11 20
25 18 6
26 9 4
27 15 12
28 12 10
29 9 2
30 8 12

3
El gerente de la empresa afirma que los trabajadores fuman más en el trabajo

que en sus casas.
a) Utilizando la Prueba del Signo, pruebe la afirmación del gerente de la Em-

presa. Utilice un nivel de significancia del 5%.
b) Utilizando la Prueba de Wilcoxon, pruebe la afirmación del gerente de la

Empresa. Utilice un nivel de significancia del 5%.
c) Haga una comparación entre la Prueba del Signo y la Prueba de Wilcoxon.

Explique.
8. Una compañía de empaquetado de comida quisiera estar razonablemente segura

que las cajas de cereal que produce, contiene de hecho al menos la cantidad de
cereal que figura en el exterior de la caja. Para conseguir esto debe establecer
la cantidad promedio por caja un poco por encima de la cantidad anunciada, por-
que la inevitable variación causada por la máquina de empaquetado pondrá un po-
co menos o un poco más de cereal en la caja. Una máquina con una variación más
pequeña ahorraría a la compañía dinero, por que la cantidad promedio por caja
se pondría ajustar para que fuera cercana a la cantidad anunciada.
Una nueva máquina está siendo comprobada para ver si es menos variable que la
máquina actual, en cuyo caso se comprobará para remplazar la maquina vieja.
Varias cajas llenadas con cereal usando la máquina actual y la cantidad en cada
caja es medida. Lo mismo se hace con la máquina nueva para contrastar.
Máquina Actual 10.7 11.1 10.4 10.1 10.9
Máquina Nueva 10.8 10.9 11.0 10.9 11.2 10.7 10.8
El gerente de producción de la compañía afirma que la máquina nueva envasa más

que la máquina nueva. Pruebe la hipótesis del gerente de producción utilizando la
prueba de Mann-Whitney. Utilice un nivel de significancia del 5%.
9. Una compañía que fabrica accesorios para cocinas montó la misma exhibición pa-
ra el producto en grandes almacenes en dos mercados diferentes, A y B. Se se-
leccionaron aleatoriamente en cada localidad a diez personas que vieron la exhi-
bición, y se les pidió que calificaran la exhibición en una escala de 1 a 20. Se
muestra las veinte calificaciones en la tabla siguiente:
Mercado A 15 11 20 14 9 12 5 17 13 18
Mercado B 17 6 15 10 6 8 10 16 8 7
¿Con los datos hay suficiente evidencia para indicar una diferencia en los nive-
les de calificaciones entre los dos mercados? Utilice un nivel de significancia
del 1%.

4
10. Se comparan tres métodos de capacitación utilizando un diseño completamente

aleatorizado. Los datos se muestran en la tabla.
Método 1 Método 2 Método 3

26 27 25
29 31 24
23 30 27
24 28 22
28 29 24
26 32 20
30 21
33
a) ¿Proporcionan los datos suficiente evidencia para indicar una diferencia en

por lo menos dos de los métodos? Utilice un nivel de significancia del 5%.ç
b) Si la prueba de Kruskal-Wallis realizada en le inciso anterior proporciona

la suficiente evidencia para indicar una diferencia en por lo menos dos de
los métodos, realice la prueba de Mann-Whitney para determinar cual de
los métodos es mejor. Utilice un nivel de significancia del 5%
11. Una empresa consultora de administración realizó una encuesta para comparar
las estimaciones hechas por la administración a nivel superior, por la adminis-
tración a nivel medio y por un director financiero en jefe de la compañía del
crecimiento anual porcentual probable de las ganancias de la compañía. Se se-
lecciono una muestra aleatoria de diez compañías para el experimento y se eli-
gieron al azar representantes de la administración del nivel superior, del nivel
medio y del nivel de director financiero.
Administración Administración Director

Compañía
a nivel Superior a nivel Medio Financiero
1 10 7 9
2 16 10 11
3 13 20 10
4 22 15 6
5 14 12 12
6 19 8 6
7 25 10 8
8 14 12 12
9 16 12 13
10 21 15 12

5
a) ¿Proporcionan los datos suficiente evidencia para indicar una diferencia en

los niveles de los incrementos pronosticados para los tres tipos de pro-
nosticadores? Utilice un nivel de significancia del 5%.ç
b) Si la prueba de Friedman realizada en le inciso anterior proporciona la su-

ficiente evidencia para indicar una diferencia en por lo menos dos de los
pronosticadores, realice la prueba de Wilcoxon para determinar cual de los
pronosticadores es mejor. Utilice un nivel de significancia del 5%
12. Un supervisor de planta clasificó una muestra de ocho trabajadores según el

número de horas extras trabajadas y la antigüedad en el empleo. Halle el coefi-
ciente de correlación de rangos de Spearman.
Horas Extras 30 17 35 28 42 25 19 29
Años de Empleo 35 31 43 46 50 32 33 42

6

Estadistica No Parametrica 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 No Parametrica PDF

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

DEPARTAMENTO ACADÉMICO DE CIENCIAS ECONÓMICAS

En la Estadística clásica se han analizado modelos estadísticos que implican distribu-

Hay ciertas ventajas en su uso, tales como:

1. Trabajar con magnitudes cualitativas, además de las cuantitativas.

2. Estudiar casos donde no es posible precisar la naturaleza de la distribución.

5. Es más fácil de entender para quienes no poseen base matemática adecuada.

Y también tiene algunas desventajas como:

1. Cálculos usualmente más engorrosos;

2. No extraen tanta información como los paramétricos si se aplican al mismo caso;

3. Son menos eficientes si las muestras son grandes.

El independizarse de la forma de la población llevó a estos modelos a otras aplicacio-

DEPARTAMENTO ACADÉMICO DE CIENCIAS ECONÓMICAS

LA PRUEBA DE RACHAS DE UNA MUESTRA

Si un experimentador desea llegar a una conclusión acerca de una población usando la

Observamos que R, el número de rachas, es de 7.

En 20 lanzamientos, ocurrieron solamente dos rachas. Esto es muy poco si se trata de

La distribución muestral de los valores de R que podemos esperar de repetidas mues-

1. Se determina la mediana de los valores observados.

Sea n1 el número de elementos de una clase, y n2 el número de elementos de la otra; n1

La hipótesis nula y alternativa para una prueba de rachas son:

H0: La serie de datos son escogidos al azar

Ha: La serie de datos no son escogidos al azar

Cualquier valor observado de R igual a o menor que el de la tabla F I, o igual a o mayor

Por ejemplo, en la primera serie de lanzamientos de la moneda observamos dos rachas:

Veamos ahora el caso de la segunda secuencia de lanzamientos de la moneda. Supon-

En un estudio de la dinámica de la agresión en niños menores, la experimentadora ob-

H0: La sucesión las categorías A y B ocurren al azar.

Ha: La sucesión de las categorías A y B no ocurre al azar.

2) NIVEL DE SIGNIFICANCIA: =0.05.

3) REGIÓN DE RECHAZO: Puesto que Ha no predice la dirección de la desviación

4) DETERMINACIÓN DE R: La tabla muestra los puntajes de agresión de cada

5) CONCLUSION: La referencia a la tabla F nos revela que R=10 para nA=12 y

H0: La serie de datos son escogidos al azar

Ha: La serie de datos no son escogidos al azar

Se interesa en descubrir el carácter ordenado o azaroso de la colocación de hombres

H0: La serie de hombres y mujeres en la cola, es al azar.

Ha: La serie de hombres y mujeres en la cola, no es al azar.

2) NIVEL DE SIGNIFICANCIA: =0.05.

3) REGIÓN DE RECHAZO: Ha no predice la dirección de la desviación respecto al

4) DETERMINACIÓN DE R y zc: La muestra fue de 30 hombres y 20 mujeres. El

H0: la serie de hombres y mujeres en la cola, es al azar.

Ha: la serie de hombres y mujeres en la cola, no es al azar.

2) NIVEL DE SIGNIFICANCIA: =0.05.

3) REGIÓN DE RECHAZO: Ha no predice la dirección de la desviación respecto al

4) DETERMINACIÓN DE R, zc y 2 P Z  zc  : La muestra fue de 30 hombres y

5) CONCLUSION: Como 2 P  Z  2.98 = 0.003 es menor que  = 0.05 , entonces se

TABLA F. Tabla de valores críticos de R en la prueba de Rachas

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

DEPARTAMENTO ACADÉMICO DE CIENCIAS ECONÓMICAS

COEFICIENTE DE CORRELACIÓN DE LOS RANGOS DE SPEARMAN

El cálculo del coeficiente viene dado por:

en donde di = RX − RY es la diferencia entre los rangos de X e Y.

✓ El coeficiente de Correlación por Rangos de Spearman permite determinar la co-

✓ Se define rango como número ordinal asignando a cada observación previamente

Si rS=0: Correlación por rangos nula. No hay concordancia entre rangos.

1 Daniel Guzmán Rojas

Se realiza un estudio para determinar la asociación entre la concentración de nicotina

La interpretación del coeficiente rS de Spearman es similar a la Pearson. Valores pró-

rS2 = ( 0.27 ) = 0.0744

2 Daniel Guzmán Rojas

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS