REPASO PRUEBAS

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

Prueba del signo nominales

• 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

• Si probamos el valor de una mediana: H1: Med > 2.34

x > 2,34 ➔ + 3 4 7 1 1 3 2 2 3 0
x < 2,34 ➔ -
x = 2,34 ➔ + + + - - + - - + -

• Si probamos el valor de una proporción: H1: p > 0,5

n = 130 x = 75 ➔ +
x = 75 y = 55 ➔ -
Hipótesis en muestras emparejadas
• H0: Med = 0 • H0: Med ≤ 0 • H0: Med ≥ 0
• H1: Med ≠ 0 • H1: Med > 0 • H1: Med < 0
0 - 10 -4 +1 +1 +6 -3 -3 +1 -2

Si existen resultados en mayoría + . . . . La mediana es + ➔ Med > 0

Si existen resultados en mayoría - . . . . La mediana es - ➔ Med < 0

Si existen resultados en igual número de + y - La mediana es Med = 0

Fundamento de la prueba
• La idea básica que subyace en la prueba del signo es el
análisis de las frecuencias de los signos positivos y
negativos para determinar si son significativamente
diferentes. Por ejemplo, considere los resultados de
ensayos clínicos del método MicroSort para la selección
del género.
• De 726 parejas que utilizaron el método XSORT para tener
una niña, 668 lo lograron. ¿Es significativo el resultado de
668 niñas en 726 nacimientos? Tal vez el sentido común
sugiera que 668 niñas en 726 nacimientos es un número
significativo; pero,
• ¿qué sucede con 365 niñas en 726 nacimientos? ¿O con
400 niñas en 726 nacimientos? La prueba del signo nos
permite determinar cuándo los resultados de este tipo son
significativos. (Triola, M. 2011)
Prueba del signo
Determine los
signos positivos y n = Nº total de x = f del signo con
Inicio
negativos, signos menos frecuencia
descarte los 0s

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:

Prueba del signo Peso de estudiantes

Ejemplo: Abril Setiembre

66 67
Ho: No existe 52 53
diferencia: la 68 64
mediana de las
diferencias es 77 74
cero.
67 67
H1:Existe
diferencia: la 71 70
mediana de las 60 55
diferencias es
diferente a cero 82 74
65 62
58 57
 • Ho: No existe diferencia: la mediana de las diferencias es
cero.
• H1: Existe diferencia: la mediana de las diferencias es
diferente a cero
Prueba del signo Peso de estudiantes
Abril Setiembre
Ejemplo:
66 67
52 53
Inicio
68 64
77 74
Determine los
signos positivos y 67 67
negativos,
descarte los 0 s
71 70
60 55
82 74
65 62
58 57
 • Ho: No existe diferencia: la mediana de las diferencias es
cero.
• H1: Existe diferencia: la mediana de las diferencias es
diferente a cero
Prueba del signo Peso de estudiantes

Ejemplo: Abril Setiembre

66 67
52 53 n=9
68 64
n = Nº total de
signos 77 74
x=2
67 67
71 70 El signo
x = # de menos
repeticiones 60 55
frecuente es
signo con menos 82 74
frecuencia
el negativo
65 62
58 57
 • Ho: No existe diferencia: la mediana de las diferencias es
cero.
• H1: Existe diferencia: la mediana de las diferencias es
diferente a cero
Prueba del signo Peso de estudiantes

Ejemplo: Abril Setiembre

66 67
52 53 n=9
68 64
n≤25 77 74
x=2
67 67
71 70 El signo
Si
menos
60 55
Con n obtenga frecuente es
el valor crítico 82 74 1 el negativo
en la tabla A-7
65 62
58 57
 • Ho: No existe diferencia: la mediana de las diferencias es
cero.
Prueba • H1: Existe diferencia: la mediana de las diferencias es
del signo diferente a cero

Ejemplo:
La prueba es
de una cola

Si no
x ≤ VC
x= 2 > VC = 1

No rechazamos
H0 como
No rechace Ho
verdadera
1

Rechace Ho  No existe diferencia en los pesos de los

estudiantes
 • Calorie Watchers tiene desayunos, comidas y cenas bajas en
calorías. Si usted se une al club, recibe dos alimentos empacados
al día. Calorie Watchers afirma que usted puede comer todo lo
que quiera en su tercera comida y aun así perderá al menos cinco
libras el primer mes. Los miembros del club se pesan antes de
Prueba del signo comenzar el programa y de nuevo al cabo del primer mes. Las
Ejemplo 2: experiencias de una muestra aleatoria de 11 miembros son:

Cambio de Cambio de
Nombre Nombre
peso peso

Fernandez Bajó Habich Bajó

Tapia Bajó Contreras Bajó

Lopez Subió Huaman Bajó

Rodriguez Bajó Huaman Bajó

Salazar Sin cambio Javier Bajó

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

Rodriguez Bajó Huaman Bajó

Salazar Sin cambio Javier 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

Ejemplo 2: Fernandez Bajó

Tapia Bajó

Ho: Meddif ≥ 0 Lopez Subió

H1: Meddif < 0 Rodriguez Bajó
Salazar Sin cambio

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

Ejemplo 2: Fernandez Bajó

Tapia Bajó

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

Ejemplo 2: Fernandez Bajó

Tapia Bajó

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:

En la muestra de 11000

Inicio choques:
Determine los
5280 signos negativos
signos positivos y
negativos, 5720 signos positivos
descarte los 0 s
 • Ho: p = 50%
• H1: p < 50%
Prueba del signo
Ejemplo 3:

En la muestra de 11000

n= 11000
choques:
n = Nº total de
signos 5280 signos negativos x= 5280
5720 signos positivos El signo
menos
x = f del signo con frecuente es
menos frecuencia
el negativo
 • Ho: p = 50%
• H1: p < 50%
Prueba del signo
Ejemplo 5:

En la muestra de 11000

n= 11000
choques:
no
n≤25 5720 signos positivos
x= 5280
5280 signos negativos
El signo
menos
frecuente es
Covierta x en z: el negativo
𝑛
𝑥+0.5 −
2
z= 𝑛
2
 • Ho: p = 50%
• H1: p < 50%
Prueba del signo  En la muestra de 11000 choques:
 5720 signos positivos
Ejemplo 5:
 5280 signos negativos
n= 11000 𝑛
𝑥+0.5 − 2
x= 5280 Z=
no 𝑛
n≤25 2
11000
5280+0.5 − 2
Z= 11000
2

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

Rangos con signo Muestras

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

Diferencias 9 -96 21 3 -80 31 17 -74 -74 10 23 33

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

R = suma de rangos de la muestra 1

Valores críticos en la tabla A -2
 Muestras • ¿Afecta el orden de las preguntas de examen la
Independien calificación? Se estudió el orden de preguntas de
examen para ver su efecto en la ansiedad. Los
tes resultados muestrales se listan abajo. Utilizando un
nivel de significancia de 0.05, pruebe la aseveración
Ejemplo 5 de que las dos muestras provienen de poblaciones
con las mismas calificaciones
H0: Med1 = Med2
H1: Med1 ≠ Med2 Fácil a difícil Difícil a fácil
24.64 39.29 16.3 32.83 33.62 34.02 26.63 30.26
28.02 33.31 20.6 21.13 35.91 26.68 29.49 28.71
Asigne rangos 26.68 28.9 26.43 24.64 27.24 25.49 29.34 33.53
como si se tratase 7.10 32.86 21.06 28.89 27.62 42.91 30.2 32.54
de una muestra 35.32 31.73 30.02 24.64
32.34 38.81 27.85 30.29
30.72
 Muestras • Utilizando un nivel de significancia de 0.05, pruebe la
Independien aseveración de que las dos muestras provienen de
poblaciones con las mismas calificaciones
tes
Ejemplo 5 Fácil a difícil Difícil a fácil
H0: Med1 = Med2 24.64 39.29 16.3 32.83 33.62 34.02 26.63 30.26
6 40 2 31 35 36 11 25
H1: Med1 ≠ Med2 28.02 33.31 20.6 21.13 35.91 26.68 29.49 28.71
17 33 3 5 38 13 22 18
26.68 28.9 26.43 24.64 27.24 25.49 29.34 33.53
12 20 10 7 14 9 21 34
Asigne rangos 7.10 32.86 21.06 28.89 27.62 42.91 30.2 32.54
como si se tratase 4 19 15
1 32 41 24 30
de una muestra
35.32 31.73 30.02 24.64
37 28 23 8
32.34 38.81 27.85 30.29 n1 = 25
29 39 16 26 n2 = 16
Promedie los 30.72
rangos en los 27
empates
 Muestras • Utilizando un nivel de significancia de 0.05, pruebe la
Independien aseveración de que las dos muestras provienen de
poblaciones con las mismas calificaciones
tes
Ejemplo 5 Fácil a difícil Difícil a fácil
H0: Med1 = Med2 24.64 39.29 16.3 32.83 33.62 34.02 26.63 30.26
7 40 2 31 35 36 11 25
H1: Med1 ≠ Med2 28.02 33.31 20.6 21.13 35.91 26.68 29.49 28.71
17 33 3 5 38 13
12.5 22 18
26.68 28.9 26.43 24.64 27.24 25.49 29.34 33.53
12.5
12 20 10 7 14 9 21 34
Asigne rangos 7.10 32.86 21.06 28.89 27.62 42.91 30.2 32.54
como si se tratase 4 19 15
1 32 41 24 30
de una muestra
35.32 31.73 30.02 24.64
37 28 23 7
32.34 38.81 27.85 30.29 n1 = 25
29 39 16 26 n2 = 16
Promedie los 30.72
rangos en los 27
empates
 Muestras • Utilizando un nivel de significancia de 0.05, pruebe la
Independie aseveración de que las dos muestras provienen de
poblaciones con las mismas calificaciones
ntes n1 = 25
Ejemplo 5 Fácil a difícil n2 = 16
H0: Med1 = Med2 24.64 39.29 16.3 32.83 𝑛1 (𝑛1 +𝑛2 +1)
𝜇𝑅 =
7 40 2 31 2
H1: Med1 ≠ Med2 28.02 33.31 20.6 21.13 𝑛1 𝑛2 (𝑛1 +𝑛2 +1)
𝜎𝑅 =
17 33 3 5 12
26.68 28.9 26.43 24.64
𝑅−𝜇𝑅
12.5
12 20 10 7 z=
𝜎𝑅
7.10 32.86 21.06 28.89
Asigne rangos
1 32 4 19
como si se tratase
de una muestra 35.32 31.73 30.02 24.64
37 28 23 7
32.34 38.81 27.85 30.29
29 39 16 26
30.72
R= la suma de
rangos de la 27
muestra 1
∑rangos = R = 475,5
 Muestras • Utilizando un nivel de significancia de 0.05, pruebe la
Independie aseveración de que las dos muestras provienen de
poblaciones con las mismas calificaciones
ntes n1 = 25
Ejemplo 5 Fácil a difícil n2 = 16
H0: Med1 = Med2 24.64 39.29 16.3 32.83 25(25+16+1)
𝜇𝑅 = = 525
7 40 2 31 2
H1: Med1 ≠ Med2 28.02 33.31 20.6 21.13 25(15)(25+16+1)
𝜎𝑅 = = 37,417
17 33 3 5 12
26.68 28.9 26.43 24.64
475,5−525
Si
Valor
12.5
12 20 10 7 z=
37,417
P≤ 7.10 32.86 21.06 28.89
1 32 4 19
z= -1,32
35.32 31.73 30.02 24.64
37 28 23 7 Valor P = 0,0934x2 >  = 0,05
32.34 38.81 27.85 30.29
29 39 16 26 No rechazamos H0 como
30.72 verdadera
Rechace Ho 27 No existe evidencia muestral
Para confirmar que las
∑rangos = R = 475,5 medianas son diferentes
Kruskal Wallis
ANOVA no paramétrica para más de dos muestras
 Prueba Kruskal Wallis
• La prueba de la suma de M1 M2 M3
rangos de Kruskal-Wallis se 2 4 2
utiliza para probar la igualdad 4 5 3
de mas de 2 medias y es el 1 3 2
equivalente no paramétrico 3 5 4
de la prueba de análisis de 5 1 3
varianza de un factor. 3 4
3
Se verifica que al menos una de las
muestras tiene por lo menos 5 el estadístico teórico de prueba es 2
elementos.
K = # de muestras. gl = K - 1
N = Total de datos

12 𝑅12 𝑅22 𝑅32
H= + + + ... − 3(𝑁 + 1)
𝑁(𝑁+1) 𝑛1 𝑛2 𝑛3
Ejempl • A un grupo de trabajadores de nuevo ingreso a
una planta fabril se les asigna al azar a uno de 3
grupos de capacitación que utilizan otros tantos
o6 métodos distintos. Al final del proceso de
capacitación se les evalúa y se obtienen los
H0: Med1 = Med2 = Med3 resultados que se muestran a continuación:
H1: Por lo menos una Med es • Utilizar la prueba de Kruskal-Wallis para probar si
diferente los 3 métodos de capacitacion son igualmente
efectivos. Utilizar en α = 0.01.
A B C
95 20 86 15 90 18
Asigne rangos 88 83 11 68 2
17
como si se tratase
de una muestra 93 19 80 8.5 73 4,5
75 6 85 13,5 77 7
87 16 62 1 70 3
98 21 73 4,5 80 8,5
Promedie los 85 13.5 81 10
rangos en los 84 12
empates
Ejempl • A un grupo de trabajadores de nuevo ingreso a
una planta fabril se les asigna al azar a uno de 3
grupos de capacitación que utilizan otros tantos
o6 métodos distintos. Al final del proceso de
capacitación se les evalúa y se obtienen los
H0: Med1 = Med2 = Med3 resultados que se muestran a continuación:
H1: Por lo menos una Med es • Utilizar la prueba de Kruskal-Wallis para probar si
diferente los 3 métodos de capacitacion son igualmente
efectivos. Utilizar en α = 0.01.
A B C N = 21
95 20 86 15 90 18
Asigne rangos 12 𝑅12 𝑅22 𝑅32
como si se tratase
88 17 83 11 H =68 2 + + + ... − 3(𝑁 + 1)
𝑁(𝑁+1) 𝑛1 𝑛2 𝑛3
de una muestra 93 19 80 8.5 73 4,5
75 6 85 77
13,5
12 7124.52 63.52 432
H= + + − 3(21 + 1)
87 16 62 70
1 21(21+1) 3 8 7 6
98 21 73 4,5 80 8,5
H =7,292 gl = 3 – 1 = 2
85 13.5 81 10
Sume los rangos
en cada muestra 84 12  = 0,01
R1 = 124.5 R2 = 63.5 R2 = 43
9,21
Ejempl • A un grupo de trabajadores de nuevo ingreso a
una planta fabril se les asigna al azar a uno de 3
grupos de capacitación que utilizan otros tantos
o6 métodos distintos. Al final del proceso de
capacitación se les evalúa y se obtienen los
H0: Med1 = Med2 = Med3 resultados que se muestran a continuación:
H1: Por lo menos una Med es • Utilizar la prueba de Kruskal-Wallis para probar si
diferente los 3 métodos de capacitación son igualmente
efectivos. Utilizar en α = 0.01.
A B C N = 21
95 20 86 15 90 18
Buscamos el valor No rechazamos H0
88 17 83 11 68 2
crítico en la tabla
A-4 93 19 80 8.5 73 4,5
75 6 85 Existencia
13,5 77 para7 probar que los 3 métodos de
87 16 62 capacitación
1 70 son3 igualmente efectivos
98 21 73 4,5 80 8,5
H =7,292 gl = 3 – 1 = 2
85 13.5 81 10
84 12  = 0,01
R1 = 124.5 R2 = 63.5 R2 = 43
9,21
Correlación de rangos de
spearman
Relación entre dos variables
Correlación
• Ingreso – Nivel educativo

• Existe cuando se puede asegurar

que dos variables tienen datos
que se relacionan de alguna • Oferta – Demanda
manera.
Medir la Correlación

• 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:

H0: O = E La frecuencia de máquinas malogradas es igual en

Datos: cualquier día.
H1: O ≠ E La frecuencia de máquinas malogradas no es igual
n = 70
en cualquier día.
K = 7 (días) 1° Las frecuencias Esperadas (E) de acuerdo a H1,
gl = 6 la frecuencia total debe repartirse por igual entre
las categorías:
 = 0.05
n/k = 70/7 = 10

2° Los datos muestrales toman el nombre de frecuencias observadas (O) ❶, mientras

que las frecuencias 10 son las frecuencias esperadas (E) ❷
 Solución: 3° Calculamos el estadístico de prueba, calculando con
cada par de frecuencias ❸. La suma de estos
❶ ❶
❶❷ ❷
❷ ❸ ❸
❸
2 𝐸 )22
resultados es el estadístico de Prueba.
( 𝑂 −(
(𝑂𝐸
𝑂 )
−−❸𝐸)
Día Día
Día O O ❶E
O E❷
E 4° Regla de decisión con valor crítico en la tabla
𝐸(𝑂 − 𝐸𝐸 𝐸 )2
Día O E )2
((13−10
(13−10 ))22 A-3 con gl = 6 y  = 0.05:
Lunes
Lunes 13 13
Lunes 1310 10
10 0.9𝐸0.9 = =
0.9
13−10
= 10 2
10 10 )
(13−10
Lunes 13 10 0.9(14−10
=((14−10
)2 ))22
Martes
Martes 14 14
Martes 1410 10
10 1.6 1.6
= =
1.6 =(14−10
10 14−10
10 10 )2
Martes 14 10 1.6(6−10 2 10 2
=(()6−10
6−10))2
Miércoles
Miércoles 6
Miércoles 6610 10
10 1.6 1.6
= =
1.6 =(
10
6−10 )2
10 10
Miércoles 6 10 1.6(10−10
=(10−10
10
)210 )22
Jueves
Jueves 10 10
Jueves 1010 10
10 0 =00 =
=
(10−10 )2
(10−10 )
Jueves 10 10 0 =
10 1010 2 10)22
(8−10()8−10
Viernes
Viernes
Viernes 8 8810 10
10 0.4 0.4
= =
0.4 =
(8−10))2
(8−10
Viernes 8 10 0.4 = 10
10 10 2 10 2
(7−10(()7−10
Sábado 7 7−10))22
Sábado
Sábado 7 710 10 0.9 0.9
= = ( )
10 0.9 = 7−10
10 10
10 Conclusión y respuesta:
)2
((12−10
(12−10 ))222
Domingo
Domingo 12 12
Domingo 1210 10
10 0.4 0.4
= =
0.4 =
12−10
Como 5.8 < 12.592 No rechazamos H0 como verdadera.
10 10 10
10
70 70
7070 70
70 70
70 5.8 5.8
= χ2=
5.8
5.8 = χχ
= 22
χ2 Por tanto existe evidencia muestral suficiente para
afirmar que el número de descomposturas de
computadoras es igual todos los días de la semana

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

Casa independiente 86.5%

Departamento en
6.3%
edificio

Vivienda en quinta 1.6%

Vivienda en casa de
vecindad (Callejón, 4.3%
solar o corralón)
Choza o cabaña 1.3%
 Solución:

H0: O=E Las proporciones regionales no son diferentes a lo informado

Datos: por el INEI.
n = 150 H1: O≠E Las proporciones regionales son diferentes a lo informado por
el INEI.
K=5
 = 0.05 1° Desarrollamos la tabla de frecuencias. Las frecuencias O❶ se
gl = 4 toman de los datos de la muestra: 125, 6, 9, 8 y 2. Las frecuencias E
❷ se obtienen usando los porcentajes de la encuesta nacional del
INEI.
 Solución:
2° Calculamos el estadístico
❶
❶❶ ❷
❷❷ ❶ ❷ ❸
❸❸ ❸ de prueba ❸ y buscamos el
Tipo
Tipovivienda
Tipo
Tipo vivienda
vivienda
viviendaTipo vivienda
O
OO
O E
EEE O E (((𝑂
(𝑂𝑂−
𝑂 −−−𝐸 )))222)22
𝐸𝐸𝐸 (𝑂 − 𝐸 )2 valor crítico en la tabla A-3
𝐸𝐸𝐸𝐸 𝐸 con gl = 4 y  = 0.05
Casa
Casaindependiente
Casa
Casa
Casa independiente
independiente
independiente
independiente 125
125
125 129.75
125 129.75 =86.5%
=86.5%
=86.5%
=86.5%
129.75125
Casa independiente =86.5% de
de150
de
de
de 150
150
150 =86.5%
150
129.75 0.17422222 =(125−129.75)
de 150 (125−129.75)
0.174
0.174
0.174 (125−129.75)
(125−129.75)
(125−129.75)
(125−129.75)
2
=
=== = 129.75
129.75
129.75
129.75
129.75 129.75
Departamento
Departamento
Departamento
Departamento 6
666
Departamento Departamento =6.3%
9.45 6
9.45
9.45 =6.3%de
=6.3%
=6.3%
=6.3% de
de
de
de 150
150
150
150 =6.3%
150
9.45 de 150
1.260
1.260
1.260 222
22
1.260 =(6−9,45)2
(6−9,45)
(6−9,45)
(6−9,45)
(6−9,45)
(6−9,45)
=
=
== = 9.45
9.45
9.45
9.45
9.45 9.45
Vivienda
Viviendaen
Vivienda
Vivienda
Vivienda en
en Vivienda9
enquinta
en quinta
quinta
quinta
quinta 99en
9 quinta
2.40
2.40
2.40 =1.6%
9 =1.6%de
=1.6%
=1.6%
=1.6% de
de
de
de 150
150
150
150 =1.6%
150
2.40 de 150
18.150
18.150
18.150 (9−2.40)
(9−2.40)
(9−2.40)
(9−2.40) 222
22
18.150
(9−2.40) (9−2.40)2
=
=
== =
2.40
2.40
2.40
2.40
2.40 2.40
Vivienda
Viviendaen
Vivienda
Vivienda
Vivienda encasa
en
en
en casa
casa
casadede
de
de
Vivienda
casa de 8
888 casa de
en =4.3%
6.45 8
6.45
6.45 =4.3%de
=4.3%
=4.3%
=4.3% de
de
de
de 150
150
150
150 =4.3%
150
6.45 de 150 (8−6.45)
0.372
0.372
0.372 (8−6.45)
(8−6.45)
(8−6.45)
(8−6.45)
222
22
0.372 (8−6.45)2
=
==
= =
vecindad.
vecindad.
vecindad.
vecindad.
vecindad. vecindad. 6.45
6.45
6.45
6.45
6.45 6.45
Choza
Chozaoo
Choza
Choza
Choza ooocabaña
cabaña
cabaña
cabaña
cabaña Choza2
222
o cabaña =1.3%
1.95 2
1.95
1.95 =1.3%de
=1.3%
=1.3%
=1.3% de
de
de
de 150
150
150
150 =1.3%
150
1.95 de 150
0.001
0.001
0.001 222
22
0.001 =(2−1.95)2
(2−1.95)
(2−1.95)
(2−1.95)
(2−1.95)
(2−1.95)
=
=
== = 1.95
1.95
1.95
1.95
1.95 1.95

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

La tabla siguiente incluye datos obtenidos de víctimas de crímenes elegidas al

azar (según datos del Departamento de Justicia de Estados Unidos). ¿Qué
podemos concluir? Aplique una prueba de independencia al 0.05 de significancia.
(Triola, 2013)

Homicidio Robo Asalto

El criminal era
12 379 727
un extraño
El criminal era
conocido o 39 106 642
pariente
 Solución:

H0: O = E La variable tipo de delito es independiente de la variable

tipo de criminal.
H1: O ≠ E La variable tipo de delito no es independiente de la
variable tipo de criminal.
1° Calculamos los totales en la tabla O:

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:

Y obtenemos la tabla de frecuencias E:

 Homicidio Robo Asalto Totales
FREC E:
Criminal es
29.9307 284.6352 803.4341 1118
extraño
Criminal es
21.0693 200.3648 565.5659 787
conocido
Totales 51 485 1369 1905
𝑂−𝐸 2
3° Con los datos de la tabla de frecuencias O y la tabla de frecuencias E calculamos 𝐸
para cada
par de datos:
 Homicidio Robo Asalto
Criminal es (12 − 29.9307)2 (379 − 200.3648)2 (727 − 803.4341)2
extraño 29.9307 200.3648 803.4341
Criminal es (39 − 21.0693)2 (106 − 200.3648)2 (642 − 565.5659)2
conocido 21.0693 200.3648 565.5659

4° Sume todos los resultados y hallará el estadístico de prueba:

10.7418 31.2847 7.2715

15.2596 44.4425 10.3298
χ2 = 119.3299

5° Determine el valor crítico en la tabla A-3 con

gl = (f-1)(c-1) y  = 0.05
La tabla tiene f=2 filas y c= 3 columnas de 5.991
datos por tanto: Conclusión y respuesta:
gl = (2-1)(3-1) = 2  = 0.05 Como 119.33 > 5.991 Rechazamos H0 como verdadera.
Por tanto existe evidencia muestral suficiente para afirmar que, el tipo de delito
no es independiente del tipo de criminal.
PRUEBAS NO PARAMÉTRICAS
Prueba del signo
Muestras
emparejadas
Prueba de rangos con
Dos muestras signo

Independientes Suma de rangos

Experimentos
multinomiales

Kruskal Wallis

Una muestra Pruebas con tablas de

contingencia
Correlación de rangos
de Spearman

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).

2° Se restan los datos en pares y solo se

anotan los signos de los resultados
3° El estadístico de prueba es el
número de signos menos frecuente:
T = 2 (solo dos positivo)
4° n = 9; porque se eliminan los ceros.
Solo toman en cuenta las diferencias que
no son cero

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.

En el desarrollo de nuevas formas de construcción para reparar edificios históricos hechos en

barro y quincha, se ha agregado fibra de papel a la argamasa de barro para probar su
resistencia al paso del tiempo. Los datos obtenidos de resistencia al golpe se presentan a
continuación para un mortero común y otro con fibra de papel. ¿Se puede verificar una mejora
en la resistencia? Utilice un nivel de significancia de 0.01.

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:

H0: Med1 = Med2 Las medianas de resistencia son iguales.

H1: Med1 < Med2 El mortero común tiene una mediana de resistencia menor al que tienen
fibra de papel.
1° Asignamos rangos a todos los datos como si se tratase de una sola muestra. Recuerde que si
existen empates como 89 (dos veces) se debe promediar los rangos (2+3)/2 = 2.5
Resistencia en Kg/cm2
93 104 92 96 97 108 104 96 89
Común 7 23.5 6 9.5 13.5 30 23.5 9.5 2.5

88 90 102 105 97 96 101 108

1 4.5 22 25 13.5 9.5 20.5 30

89 90 106 97 109 107 106 96 100

Fibra de papel 2.5 4.5 26.5 13.5 32 28 26.5 9.5 18.5

108 110 100 98 97 101 99

30 33 18.5 16 13.5 20.5 17
 2° Como se trata de una prueba de una cola a la izquierda hallamos el estadístico de prueba T1:
T1 = suma de rangos de la muestra 1

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

4° El valor crítico de la tabla A-3 con gl = 2 y  = 0.10:

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.