Tema 4B No Param Tricas PDF
Tema 4B No Param Tricas PDF
Tema 4B No Param Tricas PDF
NO PARAMÉTRICAS
Claudio Cerrón Landeo
Estadística Aplicada
Semana 5
Objetivos de clase
Al finalizar la sesión Ud. estará en
capacidad de: • Reconocer las características de
una prueba no paramétrica.
• Reconocer las características
procedimentales de las pruebas
no paramétricas.
Métodos no Paramétricos
Pruebas de libre distribución
Pruebas no paramétricas
No De distribución
En función de:
paramétricas libre
• No se realizan • No requieren • Signos
con que las • Frecuencias
parámetros muestras • Medianas
como la: provengan de
•µ poblaciones
• σ normales.
Pruebas no paramétricas
Ventajas Desventajas
Se aplican cuando
no se conoce la Se desperdicia
distribución de la información
población
No son tan
Pueden aplicarse
eficientes como
a datos
las pruebas
categóricos.
paramétricas
Se requiere de
Implican cálculos una muestra más
más sencillos grande para
elevar la eficiencia
• Pruebas con
datos
apareados
• Pruebas con
datos
• Pruebas sobre
la mediana
Prueba de signos
1. Hipótesis nula: la prueba se hace sobre la(s) medianas poblaciones
aunque el procedimiento implica probar una hipótesis equivalente
sobre proporciones poblacionales.
2. Nivel de medición: la variable debe estar cuando menos en escala
ordinal.
3. Suposiciones: ninguna.
4. Los datos se pueden categorizar como + o –
Datos para una prueba de signos
• Muestras emparejadas:
Muestra 1 23 25 35 2 34 56 1 19 7 9
Muestra 2 23 35 39 1 33 50 4 22 6 11
0 - 10 -4 +1 +1 +6 -3 -3 +1 -2
Los Covierta x en z:
datos no no 𝑛 Obtenga los
contra n≤25 𝑥+0.5 − valores críticos
2
dicen z= 𝑛 en la tabla A-2
H1? 2
Si Si
Con n obtenga
no
z cae en
el valor crítico
en la tabla A-7 no la zona
x ≤ v. c. rechazo
Si Si
No rechace Ho Rechace Ho
Prueba
del
signo Peso de
• En la tabla se presentan estudiantes
Ejemplo: algunos de los pesos que Setiem
Est Abril
se midieron de bre
estudiantes universitarios 1 66 67
en los meses de
septiembre y abril 2 52 53
durante su primer año de
estudios. Utilice los datos 3 68 64
muestrales con un nivel 4 77 74
de significancia de 0.05,
para someter a prueba la 5 67 67
afirmación de que no
existen diferencias entre 6 71 70
los pesos de septiembre 7 60 55
y los pesos de abril.
Utilice la prueba del 8 82 74
signo.
9 65 62
10 58 57
• Deseamos probar si existe diferencia en los
pesos de los estudiantes:
Ejemplo:
La prueba es
de una cola
Si no
x ≤ VC
x= 2 > VC = 1
No rechazamos
H0 como
No rechace Ho
verdadera
1
Cambio de Cambio de
Nombre Nombre
peso peso
Canto Bajó
• Lo que interesa saber es si los miembros
perdieron peso como resultado del
programa de Calorie Watchers.
Prueba del signo
Ejemplo 2:
Cambio de Cambio de
Nombre Nombre
peso peso
Ho: Meddif ≥ 0 No hubo pérdida
Fernandez Bajó Habich Bajó
de peso
H1: Meddif < 0 ai hubo pérdida Tapia Bajó Contreras Bajó
de peso Lopez Subió Huaman Bajó
Canto Bajó
• Lo que interesa saber es si los miembros
perdieron peso como resultado del
programa de Calorie Watchers.
Cambio de
Prueba del signo Nombre
peso
Nombre
Canto Bajó
Habich Bajó
Contreras Bajó
Huaman Bajó
Huaman Bajó
Javier Subió
• Ho: Meddif ≥ 0 No perdieron peso.
• H1: Meddif < 0 xiste Si hubo pérdida de peso
Cambio de
Prueba del signo Nombre
peso
Nombre
Lopez Subió
Rodriguez Bajó n= 10
Salazar Sin cambio
n = Nº total de
signos Canto Bajó
x= 2
Habich Bajó
El signo
Contreras Bajó menos
x = f del signo con frecuente es
menos frecuencia Huaman Bajó
1 el positivo
Huaman Bajó
Javier Subió
• Ho: Meddif ≥ 0 No perdieron peso.
• H1: Meddif < 0 xiste Si hubo pérdida de peso
Cambio de
Prueba del signo Nombre
peso
Nombre
Lopez Subió
Rodriguez Bajó n= 10
Si no
x ≤ VC Salazar Sin cambio
Canto Bajó
x= 2 > VC = 1
Habich Bajó
NO
No rechace Ho Contreras Bajó rechazamos
Huaman Bajó
H0.
1
Huaman Bajó
Rechace Ho No existe disminución de peso
Javier Subió
• En un estudio de 11,000 choques de automóviles, se
descubrió que 5280 de ellos ocurrieron a una
distancia no mayor de 8 Km de casa del conductor
(según datos de Progressive Insurance). Utilice un
nivel de significancia de 0.01 para probar la
Prueba del signo aseveración de que menos del 50% de los choques
de automóviles ocurren a una distancia no mayor de
Ejemplo 3: datos
nominales. 8 Km de casa del conductor.
Ho: p=50%.
H1: p<50%
• Ho: p = 50%
• H1: p < 50%
Prueba del signo
Ejemplo 3:
Covierta x en z: Z = - 4.186
𝑛
𝑥+0.5 −
2
z= 𝑛
2
• Ho: p = 50%
• H1: p < 50%
Prueba del signo En la muestra de 11000 accidentes:
5720 signos positivos
Ejemplo 3: 5280 signos negativos
n= 11000
x= 5280
𝑛 Como se trata de
n≤25 𝑥+0.5 − 2
Z= una prueba a dos
𝑛
colas el valor
No
2
crítico al 1% será
11000
Con α = 0.05 5280+0.5 − 2 z = -2.33
obtenga el valor Z= 11000
crítico en la
2
tabla A-2
Z = - 4.186
• Ho: p = 50%
• H1: p < 50%
Prueba del signo En la muestra de 11000 accidentes:
5720 signos positivos
Ejemplo 3: 5280 signos negativos
n= 11000
x= 5280
𝑛
n≤25 𝑥+0.5 − 2
Z= 𝑛
-2.33
No
2
11000 Re c h a zar H o,
Con α = 0.05 5280+0.5 − 2 Menos del 50% de
obtenga el valor Z= a c c i d e nte s o c u r re n a
11000 m e n o s d e 8 Km d e l a ca s a
crítico en la d e l co n d u c to r
2
tabla A-2
Z = - 4.186
Datos apareados
Wilcoxon Independientes
Rangos con signo
Wilcoxon
Datos apareados
Muestras • Prueba de eficiencia de farmaco: El captopril que se diseño
para disminuir la presión sanguínea sistólica. Cuando se
emparejada probó este fármaco en sujetos, sus lecturas de presión
sanguínea sistólica (en milímetros de mercurios) se midieron
s antes y después de que se tomara el fármaco, con los
resultados que se presentan en la tabla adjunta. ¿Hay
Ejemplo 4 suficiente evidencia para sustentar la aseveración de que el
fármaco no surte efecto? ¿Parece que el captopril disminuye
Sujeto A Bla presión
C sanguínea
D E sistólica?
F G H I J K L
Antes 200 174 198 170 179 182 193 209 185 155 169 210
Despues 191 270 177 167 259 151 176 283 259 145 146 177
Rangos 2 12 5 1 11 7 4 9
9.5 10
9.5 3 6 8
Suma (-) = 42 T = 36
H0: Medd=0 Suma (+) = 36 T > Vc
H1: Medd>0 n = 12 No rechazar H0
Existe evidencia muestral
suficiente para afirmar
que el fármaco no es
efectivo
Rangos con signo
Wilcoxon
Muestras independientes
Prueba
de rangos • Se trabaja con la distribución
con signo Normal:
𝑅−𝜇𝑅
Muestras
independientes
•𝑧 = 𝜎 :
𝑅
𝑛1 𝑛1 +𝑛2 +1
• 𝜇𝑟 =
2
𝑛1 𝑛2 𝑛1 +𝑛2 +1
• 𝜎𝑅 = 12
• Coeficiente de correlación de
Spearman:
• ρs ; Coeficiente de correlación
de Sperman.
• Su valor varía de [-1 ; 1]
• rs ; Coeficiente de correlación de
• 0 in-correlación
Sperman.
• 1 Correlación perfecta
Calculo del coeficiente de correlación de
Spearman
• Prueba formal de
• Los datos deberían estar Hipótesis:
expresados en rangos.
• Si no hay empates • H0: ρs = 0 No existe . .
6 σ 𝑑2
• rs = 1 -𝑛 (𝑛2−1) • H1: ρs ≠ 0 Existe . . .
• Si se presentan empates:
• rs = • Los valores críticos
𝑛 σ 𝑥𝑦−σ 𝑥 σ 𝑦 para la prueba de
𝑛 σ 𝑥 2− σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2 Hipótesis se obtienen
de la tabla A-9
Ejemplo
Calificación Calificación
Operario del del
• Se toma una muestra supervisor A supervisor B
aleatoria de 11 operarios
fabriles y se anotan las 1 81 78
calificaciones de desempeño 2 83 83
que les otorgan 2
3 90 92
supervisores, con los
resultados que se anotan en la 4 98 72
tabla. 5 78 74
• Calcule el coeficiente de 6 74 80
correlación por rangos de
7 85 84
Spearman y pruebe, con un
nivel de significación de 5% si 8 90 79
la correlación es 9 95 93
estadísticamente significativa.
10 91 94
11 92 95
Ejemplo
• Calcule el coeficiente de
Calificación Calificación correlación por rangos de
Operario del del Spearman y pruebe, con
supervisor A supervisor B un nivel de significación
de 5% si la correlación es
1 81 3 78 3 estadísticamente
significativa.
2 83 4 83 6
H0: ρs = 0 No existe correlación
3 90 6 92 8
entre la calificación de
Asigne rangos a 4 98 11 72 1 supervisores
los datos por H1: ρs ≠ 0 Existe correlación entre
cada variable. 5 78 2 74 2
la calificación de supervisores
6 74 1 80 5
7 85 5 84 7
8 91 7 79 4
¿Existen
empates? 9 95 10 93 9
10 92 8 94 10
11 93 9 95 11
Ejemplo
• Calcule el coeficiente de
correlación por rangos de
Spearman y pruebe, con
Oper. x y 𝒅 𝒅𝟐 un nivel de significación
de 5% si la correlación es
1 3 3 0 0 estadísticamente
significativa.
2 4 6 -2 4
H0: ρs = 0 No existe correlación
3 6 8 -2 4
entre la calificación de
Halle las 4 11 1 10 100 supervisores
diferencias de H1: ρs ≠ 0 Existe correlación entre
Rangos 5 2 2 0 0
la calificación de supervisores
6 1 5 -4 16
σ 𝑑 2 = 146
7 5 7 -2 4
Halle las 6 σ 𝑑2
diferencias de 8 7 4 3 9 r = 1-
𝑛 𝑛2 −1
Rangos 9 10 9 1 1
10 8 10 -2 4
11 9 11 -2 4
Ejemplo
• Calcule el coeficiente de
correlación por rangos de
Spearman y pruebe, con
Oper. x y 𝒅 𝒅𝟐 un nivel de significación
de 5% si la correlación es
1 3 3 0 0 estadísticamente
significativa.
2 4 6 -2 4
H0: ρs = 0 No existe correlación
3 6 8 -2 4
entre la calificación de
Halle las 4 11 1 10 100 supervisores
diferencias de H1: ρs ≠ 0 Existe correlación entre
Rangos 5 2 2 0 0
la calificación de supervisores
6 1 5 -4 16
σ 𝑑 2 = 146
7 5 7 -2 4
Halle las 6(146)
diferencias de 8 7 4 3 9 r = 1-
11 112 −1
Rangos 9 10 9 1 1
10 8 10 -2 4 r = 0,336
11 9 11 -2 4
Ejemplo
• Calcule el coeficiente de
correlación por rangos de
Spearman y pruebe, con
Oper. x y 𝒅 𝒅𝟐 un nivel de significación
de 5% si la correlación es
1 3 3 0 0 estadísticamente
significativa.
2 4 6 -2 4
H0: ρs = 0 No existe correlación
3 6 8 -2 4
entre la calificación de
En tabla A-9 con: 4 11 1 10 100 supervisores
n = 11 H1: ρs ≠ 0 Existe correlación entre
= 0,05 5 2 2 0 0
la calificación de supervisores
6 1 5 -4 16 r = 0,336
7 5 7 -2 4
8 7 4 3 9
9 10 9 1 1 -0.618 +0.618
10 8 10 -2 4 No rechazar H0, no existe
11 9 11 -2 4 correlación entre las calificaciones
de los supervisores
Prueba de Rachas
Una prueba de aleatoriedad
Rachas
• FFMMMFFFMFFFMMMF
• La variable debe ser FFF
1 2 3 4 5 6 7
categorizada en dos opciones:
Bueno/malo,
Aprobado/desaprobado. • k = 7 rachas
• La muestra n = n1 + n2 • n1 = 12 (# de F)
• Los datos se muestran en la • n2 = 7 (# de F)
secuencia de selección.
• Se contabiliza el número de
grupos de repeticiones.
Estadísticos de Prueba
• Método General:
• Si el n° de rachas es par k =
• Se puede usar una conversión a la 2i: 𝑛1 −1 𝑛2 −1
distribución Normal si n1 y n2 > 20.
𝑖−1 𝑖−1
2𝑛1 𝑛2
• 𝜇𝑘 = 𝑛 +𝑛 + 1 • Valor P = 𝑛1 +𝑛2
1 2
2𝑛1 𝑛2 2𝑛1 𝑛2 −𝑛1 −𝑛2 𝑛1
• 𝜎𝑘 = • N° de rachas impar k = 2i +1:
𝑛1 +𝑛2 2 𝑛1 +𝑛2 +1
• Valor
𝑛1 −1 P𝑛=
2 −1 𝑛1 −1 𝑛2 −1
𝑘−𝜇𝑘 +
• Z= 𝑖 𝑖−1 𝑖−1 𝑖
𝜎𝑘 𝑛1 +𝑛2
𝑛1
Ejemplo
Se determino el numero de artículos Núm.
Hora
defectuosos por hora durante defectuosos. Rachas
las horas en las que se trabaja en una 6-7 a.m. 6 B
7-8 a.m. 3 A
fabrica. Los resultados 8-9 a.m. 1 A
se presentan en la tabla 9-10 a.m. 5 B
10-11 a.m. 0 A
H0: La secuencia es aleatoria 11-12 a.m. 8 B
H1: La secuencia no es 12-1 p.m. 4 A
Los datos se aleatoria 1-2 p.m. 1 A
deben convertir a 2-3 p.m. 7
B
dos categorías. 3-4 p.m. 1
Calculamos la 𝑥ҧ = 4,111 A
4-5 p.m. 9
B
5-6 p.m. 8
Si xi < 𝑥ҧ → A 6-7 p.m. 2
B
Si xi > 𝑥ҧ → B 7-8 p.m. 9
A
8-9 p.m. 1 B
Contamos las n1 = 10 9-10 p.m. 0 A
rachas n2 = 8 10-11 p.m. 6 A
11-12 p.m. 3 B
K = 14 A
Ejemplo
Se determino el numero de artículos Núm.
Hora
defectuosos por hora durante defectuosos. Rachas
las horas en las que se trabaja en una 6-7 a.m. 6 B
7-8 a.m. 3 A
fabrica. Los resultados 8-9 a.m. 1 A
se presentan en la tabla. 9-10 a.m. 5 B
10-11 a.m. 0 A
H0: La secuencia es aleatoria 11-12 a.m. 8 B
H1: La secuencia no es 12-1 p.m. 4 A
aleatoria 1-2 p.m. 1 A
K es par 2-3 p.m. 7
B
K = 14 K = 2i → i = 14/2 = 7 3-4 p.m. 1
A
n1 = 10 4-5 p.m. 9
B
5-6 p.m. 8
n2 = 8 6-7 p.m. 2
B
A
𝑛1 −1 𝑛2 −1 10−1 8−1 9 7 7-8 p.m. 9
8-9 p.m. 1 B
A
Valor P = 𝑖−1 𝑖−1
𝑛1 +𝑛2 Valor P = 7−110+8
7−1
= 6186 = 0,0134
9-10 p.m. 0
10-11 p.m. 6 A
𝑛1 10 10 11-12 p.m. 3 B
A
Ejemplo
Se determino el numero de artículos Núm.
Hora
defectuosos por hora durante defectuosos. Rachas
las horas en las que se trabaja en una 6-7 a.m. 6 B
7-8 a.m. 3 A
fabrica. Los resultados 8-9 a.m. 1 A
se presentan en la tabla. 9-10 a.m. 5 B
10-11 a.m. 0 A
H0: La secuencia es aleatoria 11-12 a.m. 8 B
H1: La secuencia no es 12-1 p.m. 4 A
aleatoria 1-2 p.m. 1 A
K es par 2-3 p.m. 7
10−1 8−1 9 7 B
3-4 p.m. 1
A
7−1 7−1 6 6 4-5 p.m. 9
Valor P = 10+8 = 18 = 0,0134 5-6 p.m. 8
B
B
6-7 p.m. 2
10 10 A
𝑛1 −1 𝑛2 −1 7-8 p.m. 9
B
Valor P = 0,0134 < = 0,05 8-9 p.m. 1
A
𝑖−1 𝑖−1 9-10 p.m. 0
Valor P = 𝑛1 +𝑛2
10-11 p.m. 6 A
𝑛1 11-12 p.m. 3 B
Se rechaza H0 como verdadera:
A
La secuencia de la cantidad de artículos
defectuoso no es aleatoria
Resumen
Prueba de
signo
Prueba
de Wilcoxon
rachas
Correlación
de
rangos
Kruskal
Wallis
Pruebas de bondad de ajuste
EJEMPLO 1
• En la UC quiere evaluarse si el número de descomposturas de
computadoras es igual todos los días de la semana. Para hacerlo se
obtuvieron datos de descomposturas promedio por cada día de la
semana. Los resultados se muestran a continuación:
Máquinas
Día
descompuestas
Lunes 13
Martes 14
Miércoles 6
Jueves 10
Viernes 8
Sábado 7
Domingo 12
Pruebe la hipótesis con un nivel de significación de 0.05.
Solución:
12.592
EJEMPLO 2
El porcentaje encontrado para el tipo de vivienda que ocupan las familias a nivel nacional fue
publicado por el INEI y es mostrado en la tabla adjunta (INEI, 2016).
Un estudio en nuestra región revela que de una muestra de 150 hogares, 125 Casas
Independiente, 6 departamentos de edificio, 9 viviendas en quinta, 8 Vivienda en vecindad y 2
chozas o cabañas.
¿Al nivel del 5% se puede asegurar que las proporciones en nuestra región son diferentes a lo
informado por el INEI?
Tipos de vivienda
particular 2015
Departamento en
6.3%
edificio
Vivienda en casa de
vecindad (Callejón, 4.3%
solar o corralón)
Choza o cabaña 1.3%
Solución:
150
150
150
150 150.00150
150.00
150.00 150.00 19.957 =
19.957
19.957 =
==χχχ2χ
222 19.957
2
= χ2
Conclusión y respuesta:
Como 19.957 > 9.488 Rechazamos H0 como verdadera.
9.488
Por tanto existe evidencia muestral suficiente para afirmar
que las proporciones en nuestra región son diferentes a lo
informado por el INEI.
EJEMPLO 3
Homicidio
Homicidio
Homicidio Robo
Robo
Robo Asalto
Asalto
Asalto Totales
Totales
Totales
Criminal
Criminales
Criminal es
es 12
12
12 379
379
379 727
727
727 1118
1118
1118
extraño
extraño
extraño
Criminal
Criminales
Criminal es
es 39
39
39 106
106
106 642
642
642 787
787
787
conocido
conocido
conocido
Totales
Totales
Totales 51
51
51 485
485
485 1369
1369
1369 1905
1905
1905
2° Para determinar los valores de la tabla de frecuencias esperadas, calculamos las
(𝑇𝑜𝑡𝑎𝑙 𝐶𝑜𝑙𝑢𝑚𝑛𝑎)(𝑇𝑜𝑡𝑎𝑙 𝐹𝑖𝑙𝑎)
frecuencias E= , copiamos la tabla con los totales
𝑇𝑜𝑡𝑎𝑙
y procedemos por cada casilla:
Experimentos
multinomiales
Kruskal Wallis
Prueba de rachas
Prueba de signos
Los números de fusibles eléctricos defectuosos producidos por dos líneas de producción, A y B, se
registraron a diario durante un periodo de 10 días, con los resultados mostrados en la tabla 15.6. La
variable de respuesta, el número de fusibles defectuosos, tiene una distribución binomial exacta con un
gran número de fusibles producidos por día. Aun cuando esta variable tendrá aproximadamente una
distribución normal, el supervisor de planta preferiría una prueba estadística rápida y fácil para
determinar si una línea de producción tiende a producir más fusibles defectuosos que la otra. Use la
prueba del signo para probar la hipótesis apropiada (Mendehall, 2010).
Línea Línea
Día
A B
1 170 201
2 164 179
3 140 159
4 184 195
5 174 177
6 142 170
7 191 183
8 179 179
9 161 170
10 220 212
Solución:
H0: Meddif = 0 5° Como n≤25, la Regla de decisión es:
H1: Meddif ≠ 0 Si T ≤ Valor crítico, se rechaza H0
1° Se debe tomar las muestras como emparejadas 6° El valor crítico estará en la tabla A-7.
ya que por cada día se tiene dos datos (A y B).
Conclusión y respuesta:
Como T = 2 > Valor crítico = 1 No rechazamos H0 como verdadera.
Por tanto no existe evidencia muestral suficiente para afirmar que una línea de
producción tiende a producir más fusibles defectuosos que la otra
Pruebas de suma de rangos con signo de Wilcoxon para muestras
independientes.
Resistencia en Kg/cm2
93 104 92 96 97 108 104 96 89
Común
88 90 102 105 97 96 101 108
89 90 106 97 109 107 106 96 100
Fibra de papel
108 110 100 98 97 101 99
Solución:
4° Hallamos el
valor P en la Tabla
A-2
T1 = 7+23.5+6+9.5+13.5+30+23+ . . . . . .+20.5+30 = 251
3° Transformamos el estadístico en un valor z:
𝑛1 (𝑛1 +𝑛2 +1) 17∗(17+16+1)
µT = = =289
2 2
𝑛1 𝑛2 𝑛1 +𝑛2 +1 17(16) 17+16+1 𝟐𝟑𝟏𝟐
𝜎𝑇2 = = =
12 12 𝟑 Valor P = 0.0853
𝑻−𝝁𝑻 𝟐𝟓𝟏−𝟐𝟖𝟗
z= = = -1.37 Conclusión y respuesta:
𝝈𝑻 𝟐𝟑𝟏𝟐
𝟑 Como Valor P > No rechazamos H0 como verdadera.
Por tanto no existe evidencia muestral suficiente para verificar una mejora en la
resistencia. En todo caso sigue igual.
Prueba de Kruskal Wallis.
En su trabajo de tesis, Franco Alvarado desarrollo la hipótesis de que dependiendo del Modelo
de Gestión las empresas obtienen calificaciones en desempeño diferentes.
La tabla adjunta es una muestra a aleatoria de sus datos. En base a esta información ¿se
puede afirmar alguno de los modelos es mejor que los otros?
Desarrolle una prueba al 0.10 de significancia.
Modelo de Gestión
Por Funcional EFQM
Procesos
77 52 67
64 53 72
67 44 52
62 51 54
42 44 52
51 66
54
Modelo
ModelodedeGestión
Gestión
Solución:
Por
Por Funcional
Funcional EFQM
EFQM
Procesos
Procesos
Datos: 77771818 52527 7 676715.5
15.5
H0: Las medianas de las
64641313 53539 9 72721717
N = 18 poblaciones son iguales.
676715.5
15.5 44442.5
2.5 5252 77
k=3 H1: Las medianas de las 62621212 521 51 4.5
4.5 545410.5
10.5
gl = 2 poblaciones no son iguales 4242 1 1 44442.5 2.5 5252 77
51514.5
4.5 66661414
= 0.10 1° Asignamos rangos a 545410.5
10.5
n1 = 5 todos los datos a todo 59.5
59.5 40.5
40.5 7171
n2 = 7 como si fuese una sola 3° Calcule el estadístico de prueba:
n2 = 6 muestra.
12 𝑅12 𝑅22 𝑅32
H=𝑁(𝑁+1) 𝑛 +𝑛 + – 3(N+1)
2° Sume los rangos en de 1 2 𝑛3
cada muestra para hallar
R1, R2 y R3: 12 59.52 40.52 712
H=18(18+1) 5 + 7
+ 6
– 3(18+1)
12 59.52 40.52 712
H=18(18+1) 5 + + – 3(18+1)
7 6
H = 5.545
9.210
Conclusión y respuesta:
Como H < 9.210 No rechazamos H0 como verdadera.
Por tanto no existe evidencia muestral suficiente afirmar que alguno de los modelos es mejor que los otros. En
todo caso son calificados por igual.