You are on page 1of 28

DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA

ESTADÍSTICA NO
PARAMÉTRICA

1

AUTOR: Irene Guillén Luna
Curso 2007/08

DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA

ÍNDICE

1.- INTRODUCCIÓN A LA ESTADÍSTICA NO PARAMÉTRICA

2.- PRUEBA DE LA MEDIANA

3.- PRUEBA KUSKAL-WALLIS

4.- Q DE COCHRAN

5.- F DE FRIEDMAN

6.- CONCORDANCIA DE KENDALL

7.- ¿Y EN EXCEL?

BIBLIOGRAFÍA

2

AUTOR: Irene Guillén Luna
Curso 2007/08

como mínimo. de haberlas. • Prueba binomial. Este test determina si los datos vienen de una distribución específica. Permite efectuar un test estadístico para comprobar si existe una diferencia significativa entre tests realizados. • Prueba de Anderson-Darling. El nivel de significación crítico de esta prueba indica la probabilidad de obtener una discrepancia igual o superior a la observada a partir de la muestra si la distribución es la postulada por la hipótesis nula. de intervalo. Las principales pruebas no paramétricas son las siguientes: • Prueba de chi-cuadrado. La utilización de estos métodos se hace recomendable cuando no se puede asumir que los datos se ajusten a una distribución normal o cuando el nivel de medida empleado no sea. • Prueba de Cochran. indicando en qué medida las diferencias existentes entre ambas. Analiza variables dicotómicas y compara las frecuencias observadas en cada categoría con las que cabría esperar según una distribución binomial de parámetro especificado en la hipótesis nula. Mide la discrepancia entre una distribución observada y otra teórica (bondad de ajuste). • Prueba de Cohen kappa. mediante la presentación de los datos en tablas de contingencia. pues son los datos observados los que la determinan. se deben al azar. Test que evalúa las concordancias y discordancias intra e interobservador respecto a una variable nominal 3 AUTOR: Irene Guillén Luna Curso 2007/08 . Su distribución no puede ser definida a priori. También se utiliza para probar la independencia de dos muestras entre sí. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA 1.INTRODUCCIÓN A LA ESTADÍSTICA NO PARAMÉTRICA La Estadística no paramétrica es una rama de la Estadística que estudia las pruebas y modelos estadísticos cuya distribución subyacente no se ajusta a los llamados criterios paramétricos..

Al ordenarlos. • Prueba de la mediana. Se utiliza para determinar la bondad de ajuste de dos distribuciones de probabilidad entre sí. • Prueba de Kuiper • Prueba de Mann-Whitney o prueba de Wilcoxon. • Prueba de Kolmogorov-Smirnov. • Prueba de Friedman. cuyos datos han sido medidos al menos en una escala de nivel ordinal. Se aplica a dos muestras independientes. Se utiliza para decidir si puede o no aceptarse que determinado ''tratamiento'' induce un cambio en la respuesta dicotómica o dicotomizada de los elementos sometidos al mismo. Sirve para testar si un grupo de datos proviene de la misma población. Intuitivamente. 4 AUTOR: Irene Guillén Luna Curso 2007/08 . Su objetivo es comparar las medianas de dos muestras y determinar si pertenecen a la misma población o no. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA • Prueba de Fisher. y es aplicable a los diseños del tipo ''antes-después'' en los que cada elemento actúa como su propio control. es idéntico al ANOVA con los datos reemplazados por categorías. Es usada para comprobar el grado de coincidencia de las valoraciones realizadas por lo expertos. • Prueba de McNemar. La prueba calcula el llamado estadístico U. • Prueba de Kruskal-Wallis. Consiste en ordenar los datos por filas o bloques. Prueba de significación estadística utilizada para comparar proporciones en tablas de contingencia. pues se basa en esta última. reemplazándolos por su respectivo orden. Se trata de un caso especial de la prueba de chi-cuadrado. • Prueba de Kendall. cuya distribución para muestras con más de 20 observaciones se aproxima bastante bien a la distribución normal. debemos considerar la existencia de datos idénticos.

Mide la asociación o interdependencia entre dos variables discretas. habitualmente de naturaleza cualitativa -nominales u ordinales. en todas ellas se parte de la base de que algunos contrastes de hipótesis dependen del supuesto de normalidad. dicho supuesto de normalidad no sea sostenible. bajo estas suposiciones. de las cantidades compradas o vendidas. hasta para controlar la calidad de la producción. de las fallas de la maquinaria en la producción. Lo deseable 5 AUTOR: Irene Guillén Luna Curso 2007/08 . los datos son ordenados y reemplazados por su respectivo orden. Compara la media de dos muestras relacionadas para determinar si existen diferencias entre ellas. en aplicaciones prácticas. muchos de estos contrastes siguen siendo aproximadamente válidos cuando se aplican a muestras muy grandes. de las faltas de los empleados. muchas veces se da también el caso de que. • Prueba de los signos de Wilcoxon. • Tablas de contingencia: Se emplean para registrar y analizar la relación entre dos o más variables. capaz de manejar variables cuantitativas y cualitativas de tipo dicotómico. Para calcular ρ. incluso si la distribución de la población no es normal. La utilidad de esta prueba. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA • Prueba de Siegel-Tukey: Consiste en determinar una mínima diferencia significativa tal que toda diferencia entre dos medias que sea superior a ese valor se declara significativa. Sin embargo. De forma general. la media es igual a la mediana y el procedimiento puede emplearse en probar la hipótesis nula que U=Uo. La prueba de Wilcoxon se aplica al caso de las distribuciones continuas simétricas. abarca diferentes campos de la actividad humana y puede servir desde para probar la aleatoriedad: de las encuestas aplicadas por los entrevistadores. • Prueba de Wald-Wolfowitz: Las prueba de rachas es una prueba no paramétrica. • Coeficiente de correlación de Spearman.

dichos contrastes pueden ser desarrollados de manera que tengan el nivel de significación requerido.. Se presentarán aquí unas cuantas de las pruebas no paramétricas que mas se usan. válidos cualquiera que sea la distribución de la población. Las pruebas no paramétricas son de uso común: 1. 2. por lo general llamadas pruebas paramétricas. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA entonces será buscar la inferencia en contrastes que sean válidos bajo un amplio rango de distribuciones de la población. Tales contrastes se denominan no paramétricos. que varias poblaciones tienen varianzas iguales y que los datos se miden en una escala de intervalos o en una escala de razón. Los contrastes no paramétricos son generalmente. sin importar la distribución de los miembros de la población. Las suposiciones comunes son que la población sigue una distribución normal. Como se ha indicado anteriormente existen otras muchas pruebas estadísticas diseñadas para situaciones en las que no se cumplen las suposiciones críticas o que involucran datos cuantitativos o categóricos.Cuando no se cumplen las suposiciones requeridas por otras técnicas usadas..Cuando es necesario usar un tamaño de muestra pequeño y no es posible verificar que se cumplan ciertas suposiciones clave. ¿Qué ocurre con las pruebas no paramétricas frente a las que si lo son? Las pruebas no paramétricas no necesitan suposiciones respecto a la composición de los datos poblacionales. 6 AUTOR: Irene Guillén Luna Curso 2007/08 . La mayor parte de las técnicas estudiadas hacen suposiciones sobre la composición de los datos de la población. Es decir. Este tema presentará un grupo de técnicas llamadas no paramétricas que son útiles cuando estas suposiciones no se cumplen.

DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA 3.. 2. Las pruebas no paramétricas tienen varias ventajas sobre las pruebas paramétricas: 1. desperdician o pierden información. que aunque las pruebas no paramétricas no hacen 7 AUTOR: Irene Guillén Luna Curso 2007/08 . 2. Muchas aplicaciones de negocios involucran opiniones o sentimientos y esos datos se usan de manera cualitativa..Se pueden usar con datos cualitativos.Se pueden usar con muestras pequeñas. Por lo general.A veces.Cuando se necesita convertir datos cualitativos a información útil para la toma de decisiones. 4. También las pruebas no paramétricas tienen desventajas: 1. 3... las pruebas paramétricas son mas poderosas que las pruebas no paramétricas y deben usarse siempre que sea posible. 3..Por lo general. Es importante observar.Eliminan la necesidad de suposiciones restrictivas de las pruebas paramétricas..No son tan eficientes como las paramétricas.. ignoran..Llevan a una mayor probabilidad de no rechazar una hipótesis nula falsa (incurriendo en un error). Existen muchos casos en los que se recogen datos medidos en una escala nominal u ordinal. son fáciles de usar y entender. Las pruebas no paramétricas son pruebas estadísticas que no hacen suposiciones sobre la constitución de los datos de la población.

además de la prueba paramétrica a la que podrían sustituir en caso necesario. pero son pocos y no tienen que ver con la naturaleza de la distribución de la población. solamente se necesitan conocimientos elementales de matemáticas. En estas técnicas. resultados de este tipo se presentan frecuentemente en estudios de mercado y en otros del campo de las ciencias sociales. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA suposiciones sobre la distribución de la población que se muestrea. Además del problema de los supuestos. o la preferencia por sopas de cinco marcas diferentes. para estos casos. solamente los podemos ordenar. cuando los datos solamente se encuentran en una escala ordinal como cuando se evalúan las habilidades de los vendedores de semillas o productos fitosanitarios. Prueba Kuskal-Wallis. Una limitación que tienen es que no son aplicables a casos en los que se desean manejar muchas variables al mismo tiempo. sí se requeriría una prueba paramétrica. algunos experimentos o estudios que se deseen realizar producen respuestas que no es posible evaluar con la escala que tiene más ventajas. por ejemplo. muchas veces se apoyan en distribuciones muestrales como la normal o la ji cuadrada. por lo que a estas técnicas también se les conoce como de libre distribución. Seguidamente se analizan varias de las pruebas o métodos estadísticos no paramétricos como Prueba de la mediana. también se tienen supuestos. Concordancia de Kendall. pues los métodos son relativamente más sencillos que en las pruebas paramétricas. En estas pruebas. así como los supuestos en los que 8 AUTOR: Irene Guillén Luna Curso 2007/08 . o el atractivo de cinco variedades de plantas de melón. es que la muestra haya sido seleccionada en forma probabilística. lo que sí se requiere y en general es el supuesto que se debe cumplir en la mayoría de las pruebas no paramétricas para confiar en ellas. En general aspectos como la habilidad o preferencias de un producto o alimento. de estas pruebas se mencionarán sus principales características y aplicaciones. Prueba de Friedman.

pues se basa en esta última.PRUEBA DE LA MEDIANA La prueba de la mediana es una prueba no paramétrica que podemos considerar un caso especial de la prueba de chi-cuadrado. que como se podrá ver. La fórmula que da el estadístico es la siguiente: ⎡ ⎤ χ = ∑ ⎢⎛⎜ − ⎞⎟ ⎥ ⎣⎝ ⎠ ⎦ Los grados de libertad vienen dados por: gl= (r-1)(k-1). se calcula la mediana de todos los datos conjuntamente.. La prueba de chi-cuadrado. Después. indicando en qué medida las diferencias existentes entre ambas. Donde r es el número de filas y k el de columnas. 2. Su objetivo es comparar las medianas de dos muestras y determinar si pertenecen a la misma población o no. 9 AUTOR: Irene Guillén Luna Curso 2007/08 . son menos rigurosos que para las pruebas paramétricas. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA se basa la prueba. se divide cada muestra en dos subgrupos: uno para aquellos datos que se sitúen por encima de la mediana y otro para los que se sitúen por debajo. Para ello. se deben al azar. También se utiliza para probar la independencia de dos muestras entre sí. mediante la presentación de los datos en tablas de contingencia. descrita seguidamente determinará si las frecuencias observadas en cada grupo difieren de las esperadas con respecto a una distribución de frecuencias que combine ambas muestras. Esta prueba de chi-cuadrado (pronunciado "ji-cuadrado") es considerada también como una prueba no paramétrica que mide la discrepancia entre una distribución observada y otra teórica (bondad de ajuste). de haberlas.

según el nivel de significación elegido. más ajustadas están ambas distribuciones. H1. Ejemplo: En los experimentos de Mendel con guisantes. 101 rugosos y amarillos y 32 rugosos y verdes. En caso contrario se rechaza. 108 lisos y verdes. ¿Hay alguna evidencia que permita dudar de su teoría al nivel de significación del 0. La teoría de Mendel es acertada. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA • Criterio de decisión: Se acepta H0 cuando χ < χ ( − )( − ). El número total de guisantes es 315+108+101+32=556. Donde t representa el valor proporcionado por las tablas. Cuanto más se aproxima a cero el valor de chi-cuadrado. La teoría de Mendel no es correcta. estos números deberían presentarse en la proporción 9:3:3:1. observó 315 lisos y amarillos.01? Solución: Ensayo de Hipótesis: Ho. se esperaría: 10 AUTOR: Irene Guillén Luna Curso 2007/08 . De acuerdo con su teoría. Puesto que los números esperados están el la proporción 9:3:3:1 (9+3+3+1=16). Esta prueba de la mediana está especialmente indicada cuando los datos sean extremos o estén sesgados.

Regla de decisión: Si X2R 11.3 se rechaza Ho. Si X2R >11.DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA lisos y amarillos lisos y verdes rugosos y amarillos rugosos y verdes Grados de libertad = k-1-m = 4-1-0 = 3 No se tuvo que calcular ningún parámetro para obtener las frecuencias esperadas.3 no se rechaza Ho. Cálculos: Justificación y decisión: 11 AUTOR: Irene Guillén Luna Curso 2007/08 .

. Regla de decisión: Si X2R 0. 12 AUTOR: Irene Guillén Luna Curso 2007/08 .470 es menor que 11. Como el valor de 0. Si X2R < 0. Allen Wallis) es un estadístico no paramétrico para testar si un grupo de datos proviene de la misma población.PRUEBA KUSKAL-WALLIS En estadística. es idéntico al ANOVA con los datos reemplazados por categorías. 3.115 se rechaza Ho. La teoría de Mendel es muy acertada. Es una extensión del test de la U de Mann- Whitney para 3 o más grupos.115 se concluye que el experimento o la teoría de Mendel solo es buena. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Como 0. La teoría de Mendel es acertada.3 no se rechaza Ho y se concluye con un nivel de significación de 0.115 no se rechaza Ho. Intuitivamente. H1. se procede a hacer un ensayo unilateral izquierdo: Ensayo de Hipótesis: Ho.470 no es menor a 0. el test de Kruskal-Wallis (de William Kruskal y W.01 que la teoría de Mendel es correcta.470 está cercano a cero. Como el valor de 0.

se asigna el rango promedio a cada uno de ellos (si existen cuatro datos idénticos que ocupan los rangos 11. 13 y 14. al segundo un 2. y asignar al menor un rango de 1.5 a los cuatro). se les asigna un rango de 12. Si asume bajo la hipótesis nula que los datos vienen de la misma distribución. Ordenar todos los datos de la muestra de menor a mayor. y así hasta el n-ésimo. El estadístico está dado por: . Nótese que el denominador de la expresión para K es exactamente . el test de Kruskal-Wallis no asume normalidad en los datos. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Ya que es un test no paramétrico. • es el promedio de rij. 12. Una forma común en que se viola este supuesto es con datos heterocedásticos. Luego . 2. en oposición al tradicional ANOVA. 13 AUTOR: Irene Guillén Luna Curso 2007/08 . Si existen datos que se repiten. Método 1. donde: • ng es el número de observaciones en el grupo g • rij es el rango (entre todas las observaciones) de la observación j en el grupo i • N es el número total de observaciones entre todos los grupos • .

Esta corrección hace cambiar a K muy poco a menor que existan un gran número de observaciones repetidas. el p-value es aproximado por . Finalmente. correspondientes a 22 plántulas de tomate de los que se ha recogido información de dos variables: una variable explicativa Exp nominal y otra variable respuesta Rta cuantitativa. Se puede realizar una corrección para los valores repetidos dividiendo K por . Ejemplo: Se tienen los siguientes datos experimentales. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA 3. Los datos se presentan de forma que en las filas hay varios individuos para facilitar la lectura: Rta Exp Rta Exp Rta Exp Rta Exp 15 1 28 2 16 2 25 3 15 1 28 2 16 2 35 3 25 1 28 2 25 2 25 1 35 2 28 2 25 1 43 2 33 1 13 3 43 1 15 3 15 2 25 3 Calcular la prueba de Kruskal-Wallis de comparación de medianas para los datos anteriores. y ti es el número de observaciones repetidas dentro del grupo i que tiene observaciones repetidas para un determinado valor. donde G es el número de grupos de diferentes rangos repetidos. 14 AUTOR: Irene Guillén Luna Curso 2007/08 . 4. Si algún ni es pequeño ( < 5) la distribución de K puede ser distinta de la chi- cuadrado.

5 +19.5 Cálculo de la suma de rangos Rm Para cada grupo m = 1.5 28 2 15.5 35 3 19.5 25 3 10.5 33 1 18 13 3 1.5 15 3 3.00 grupo1 R 2 = ∑ rangos = 3.5 =130.0 43 1 21.5 35 2 19.5 +21.5 43 2 21.5 +15.5+10.5 +19.5 25 1 10.5 +10.r.5 25 1 10.5 15 2 3.5 +10.5 =78.5+3.5 15 1 3.5 28 2 15.5 25 1 10.….5 28 2 15.5 +15.5 +10. que para los datos del ejemplo resultan ser: R 1 = ∑ rangos= 3.5 28 2 15.5 +10. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Cálculo de los rangos para cada observación Para cada observación se le asigna el rango según el orden que ocupa la observación en el conjunto total de los datos.00 grupo3 15 AUTOR: Irene Guillén Luna Curso 2007/08 .5+6.5 =45.5 +15.5 +15.5 16 2 6.5 25 2 10. asignando el rango medio en caso de empates: Rta Exp Rango (Rta) Rta Exp Rango (Rta) 15 1 3.5 16 2 6.5 +6. siendo r el número de grupos.00 grupo2 R 3 = ∑ rangos = 1+ 3.5 +10.5 25 3 10. se define Rm como la suma de rangos de cada grupo m.5 +18 +21.

5) + 1 / 10(130 − 115) + 1 / 5(45 − 57.3398 16 AUTOR: Irene Guillén Luna Curso 2007/08 .k siendo k el número de valores distintos de la variable respuesta.50 E [R2 ] = n2 (n + 1) / 2 = 10 * (22 + 1) / 2 = 115.14 R2 = R2 / n 2 = 13.00 R3 = R3 / n3 = 9.50 E [R3 ] = n3 (n + 1) / 2 = 5 * (22 + 1) / 2 = 57. que para los datos del ejemplo resulta ser: ∑ (d ) ( ) ( ) ( ) ( ) ( ) ( ) k 3 j − d j = 4 3 − 4 + 2 3 − 2 + 6 3 − 6 + 4 3 − 4 + 2 3 − 2 + 2 3 − 2 = 348 j =1 con lo que: [ [ 2 2 2 ][ ( ( H ' = (12 / 22 * 23) 1 / 7(78 − 80.00 Estadístico de contraste H’ El estadístico de contraste H’ se calcula como: ⎡ 2 ⎤ ⎡ ⎡ k ⎤⎤ ( ) r H ' = ⎢12 / n(n + 1)∑ (1 / nm )[Rm − E [Rm ]] ⎥ R / ⎢1 − ⎢∑ d 3j − d j / n 3 − n ⎥ ⎥ ⎢⎣ m =1 ⎥⎦ ⎢⎣ ⎣ j =1 ⎦ ⎥⎦ siendo dj el número de empates en j = 1.5) / 1 − 348 / 22 3 − 22 ))]] = 1. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Cálculo del valor medio de los rangos E[Rm] y de los rangos medios R m [ ] E Rm = nm (n + 1) / 2 y el rango medio R m como: Rm = Rm / n m Para los datos del ejemplo resultan ser: E [R1 ] = n1 (n + 1) / 2 = 7 * (22 + 1) / 2 = 80.50 R1 = R1 / n1 = 11.….

Cuando se tiene el caso de N individuos de un palmeral. Suponiendo que la magnitud plaga del picudo es X. Esto es un total de n valores apareados para cada palmera. Los resultados de cada test se pueden expresar como sano o enfermo. Lo mismo ocurre cuando n ingenieros agrónomos opinan sobre N variedades de una misma especie. se tiene el caso de mediciones repetidas en la misma planta. (+) o (-) etc. a cada una de los cuales se le efectuó un tratamiento con n materias activas diferentes para la erradicación del picudo (n > 1). entonces el valor Xij corresponde la palmera i tratada con la materia activa j.PRUEBA Q DE COCHRAN Prueba o Test de la Q de Cochran permite efectuar un test estadístico para ver si existe una diferencia significativa entre tests realizados. Los resultados obtenidos se pueden expresar como se hace en la Tabla siguiente: 17 AUTOR: Irene Guillén Luna Curso 2007/08 . DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA que sigue una distribución Chi-Cuadrado con r –1 = 2 grados de libertad.5118 4.. Se trata de un contraste de H0 de que varias variables dicotómicas relacionadas tienen igual media. Es una extensión de la prueba de McNemar para k muestras. El estadístico Q se calcula con: = ( − )[( )− ] [ − ] Este estadístico tiene aproximadamente una distribución Chi-cuadrado con n – 1 grados de libertad. Las variables se miden en el mismo individuo o en individuos relacionados. que tiene asociada un p-valor de 0.

El estadístico Q que se calcula con: 18 AUTOR: Irene Guillén Luna Curso 2007/08 . … … … … … … … … i Xi1 Xi2 … Xij … Xin Ti.j … T. Definiendo las sumatorias: =∑ : El total de la columna j. … … … … … … … … N XN1 XN2 … XNj … XNn TN.2 … T. = Entonces se puede efectuar un test estadístico para ver si existe una diferencia significativa entre los distintos tratamientos fitosanitarios llamado: La prueba Q de Cochran.1 T. = = ∑( ) :La suma de los cuadrados de las columnas. = = ∑( ) : La suma de los cuadrados de las filas. Total T. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Tabla: N palmeras tratadas con n materias activas Palmeras Mat Mat … Mat … Mat Total activa 1 activa 2 active j activa n 1 X11 X12 … X1j … X1n T1 2 X21 X22 … X2j … X2n T2 3 X31 X32 … X3j … X3n T3.n T Donde como convención se adopta X = 0 cuando es (+) y X = 1 cuando es (-) entonces los valores observados son una serie de ceros y unos. =∑∑ El total de todas las = = = observaciones =∑ : El total de la fila i.

DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA = [( − )[( )−( ) ]] [ − ]. Si los resultados se informan como (+) y (-) detectar si hay diferencias significativas entre las tres tratamientos fitosanitarios empleados. activa 1 Mat. Usando la convención de 1 para los (+) y 0 para los (-) resultó: Palmera Mat. como ya hemos dicho. Ejemplo: Se han examinado 12 palmeras a las que se les aplicado tres materias activas diferentes para el tratamiento del picudo rojo. activa 2 Mat activa 3 Total 1 1 1 0 2 2 0 0 0 0 3 1 1 1 3 4 1 0 1 2 5 1 1 1 3 6 0 0 1 1 7 1 1 1 3 8 0 0 0 0 9 1 1 0 2 10 0 0 1 1 11 0 1 0 1 12 1 0 1 2 Total 7 6 7 20 =∑∑ = = = = ∑( ) = + + = = = ∑( ) = + + = = = ( )[( )− ] [ − ] = <χ = 19 AUTOR: Irene Guillén Luna Curso 2007/08 . que tiene aproximadamente una distribución Chi-cuadrado con n –1 grados de libertad.

El criterio de decisión es . 1. El método consiste en ordenar los datos por filas o bloques. El estadístico viene dado por . DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA La conclusión es que no se han encontrado diferencias significativas entre los tres métodos. debemos considerar la existencia de datos idénticos. reemplazamos la tabla original con otra donde el valor rij es el orden de xij en cada bloque i.F DE FRIEDMAN La prueba de Friedman es el equivalente a la prueba ANOVA para dos factores en la versión no paramétrica. Método Sea una tabla de datos. Una vez calculado el orden de cada dato en su bloque. 3. • • • 2. Al ordenarlos. 20 AUTOR: Irene Guillén Luna Curso 2007/08 .. Cálculo de las varianzas intra e inter grupo: • . donde m son las filas (bloques) y n las columnas (tratamientos). 5. reemplazándolos por su respectivo orden.

Claramente. Las gramíneas fueron contadas dentro de cada tratamiento y examinadas con ANAVA. ANAVA Prueba de Friedman ANAVA Herbicidas Número de Herbicidas Número de Herbicidas Número gramíneas gramíneas de frutos Medias Medianas Medias 1 90. 5 y 6.5 a 5 30. Sin embargo.5 b 2 14 b 6 661. 21 AUTOR: Irene Guillén Luna Curso 2007/08 .5 c *Valores seguidos por la misma letra no difieren al 5% de significancia según DMS..0 b 2 28. Los tratamientos que recibieron los herbicidas 3 y 4 tuvieron los mayores rendimientos.7 a 6 39.3 b 5 16 b 5 689.5 b 6 17 b 3 763.8 b 4 10. seguidos por los herbicidas 2.7 a* 1 40 a 4 776.5 b 4 4c 2 651. 2003).6 b 3 5. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Ejemplo: Se conduce un estudio de campo con fresas (Fragaria x ananassa) para determinar la eficacia de seis herbicidas en el control de malezas gramíneas. los resultados del ANAVA para los conteos de malezas gramíneas no ofrecen mucha información que concuerde con los datos de rendimiento. los datos de rendimiento expresados en número de frutos cosechados lucen razonables.10 b 3 3c 1 545. Las medias de los tratamientos fueron separadas utilizando la prueba de diferencia mínima significativa (DMS) de Fisher al 5% de significancia (tomado de Gilreath et al.

0023). Después de obtener una proposición final en la consulta a los expertos agrónomos necesitamos demostrar su confiabilidad.5 gramíneas en promedio sean estadísticamente igual a 5. la cual violaba los supuestos de normalidad y de homogeneidad de varianza. En este caso el coeficiente concordancia (W) será un índice de la divergencia del acuerdo efectivo entre los expertos mostrado en los datos del máximo acuerdo posible (perfecto). Es una medida de coincidencia entre ordenaciones que pueden ser objetos o individuos. Podemos utilizar entonces el Coeficiente de Concordancia de Kendall. al determinar la asociación entre distintas variables. en este caso agronómica.1? La respuesta yace en la gran variabilidad inicial que existía en la distribución de las gramíneas en el campo bajo estudio. 22 AUTOR: Irene Guillén Luna Curso 2007/08 . Cuando los mismos datos de enmalezamiento fueron sometidos a la prueba de Friedman. 6..0001) para normalidad y de Bartlett para homogeneidad de varianzas (p=0. debemos probar el nivel de acuerdo entre los expertos para otorgar mayor autenticidad a nuestro estudio. además compara el uso de métodos paramétricos y no paraméticos. los resultados indicaron que los tratamientos con menos malezas gramíneas fueron los de mayor rendimiento. Este ejemplo.CONCORDANCIA DE KENDALL Análisis de la concordancia en la valoración de aspectos (coeficiente de Kendall). es preciso comprobar el grado de coincidencia de las valoraciones realizadas por lo expertos. que constituye un estadígrafo muy útil en estudios de confiabilidad entre expertos de una materia. como lo expresan las pruebas de Shapiro-Wilk (p<0. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA ¿Cómo se puede explicar que 39.

según la apreciación del experto (Rj) • Determinación del valor medio de las Rj. 1 a 5) asignados a cada aspecto evaluado contra cada uno de los expertos. • Determinación del estadígrafo que responde a la siguiente expresión: 23 AUTOR: Irene Guillén Luna Curso 2007/08 . se construye una tabla Aspectos a evaluar / Expertos donde se asientan en una tabla los rangos de valoración (en términos numéricos. • Determinación de la desviación media. • Determinación de la diferencia entre el cubo de N y N y su multiplicación por el cuadrado de K. Aspectos a Experto 1 Experto 2 Experto 3 … Ultimo Evaluar Experto 1 2 3 A partir de aquí se sigue la metodología establecida: • Determinación de la suma de los valores numéricos asignados a cada aspecto a evaluar. o sea. S. K. • Determinación del cubo del número total de aspectos a evaluar. dada por la sumatoria de los Rj entre N. siempre tomando los datos a partir de la tabla que se uso en el método Delphi. total de aspectos a evaluar. • Determinación del cuadrado del número total de expertos. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA Para la aplicación del Coeficiente de Concordancia de Kendall (W). N. dada por la diferencia entre cada Rj y el valor de la media. • Determinación de la suma de los cuadrados de las desviaciones medias. la tabla de Aspectos / Rangos de Valoración donde se encuentran los criterios de los expertos y los rangos de valoración.

• Dificultad para establecer el grado de experiencia de los miembros del panel. la imposibilidad de que tome en cuenta lo inesperado y por los grandes retrasos entre las repeticiones del proceso. Desventajas: • Se ha criticado por su poca seguridad. el coeficiente W ofrece el valor que posibilita decidir el nivel de concordancia entre los expertos. intuitivos. El valor de 1 significa una concordancia de acuerdos total y el valor de 0 un desacuerdo total. Obviamente la tendencia a 1 es lo deseado pudiéndose realizar nuevas rondas si en la primera no es alcanzada significación en la concordancia. vinculados entre sí. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA En la prueba estadística Coeficiente de Concordancia de Kendall (W). El valor de W oscila entre 0 y 1. demasiada sensibilidad de los resultados a la ambigüedad de las preguntas. • No existe secreto y se fomenta la comunicación porque a veces los pronósticos y validaciones tienen influencia de factores sociales y pueden no reflejar un consenso. Podemos concluir que el método de expertos agronómicos. • Como pronóstico visionario es una profecía que usa ideas y juicio personales. Ventajas: • Se basa en la suposición de que varios expertos pueden llegar a un mejor pronóstico que una sola persona. su procesamiento a través del método Delphi y la verificación de concordancia a través del estadígrafo de correlación de Kendall. tiene una serie de ventajas y desventajas dentro de los métodos básicos de análisis cualitativos. Conclusiones. 24 AUTOR: Irene Guillén Luna Curso 2007/08 .

Tal como hemos descrito el método a seguir es el siguiente: se crean todas las combinaciones de puntos posibles [(xi. La significancia de no asociación viene dada por una distribución normal: ( ) = −( π )∫ − −∞ = (τ + )( ( − )) 7. su uso actual en las organizaciones e investigaciones sugiere que con frecuencia su potencial excede a sus limitaciones.¿Y EN EXCEL? COMO SE HACE EN EXCEL. yi). DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA • Los métodos cualitativos confían principalmente en el juicio de los expertos y tienden a ser menos precisos que los métodos cuantitativos. con xi≠xj ex=número de ligas en x. y 0 indica no correlación. siempre garantiza la calidad de nuestra investigación. aplicando el siguiente estadístico: τ ≡( − ) (( + + )( + + )) El coeficiente de Kendall se define tal que −1 ≤ τ ≤ 1 donde ±1 indica correlación perfecta. Así mismo el procesamiento a través de un sistema automatizado. yj)] tal que i ≠ j y se definen c = número de parejas concordantes (xi>xj y yi>yj) o (xi<xj y yi<yj) d = número de parejas discordantes (xi>xj y yi<yj) o (xi<xj y yi>yj) ey=número de ligas en y..xls 25 AUTOR: Irene Guillén Luna Curso 2007/08 . A pesar de estas limitaciones y teniendo en cuenta sus cualidades positivas. con yi≠yj. (xj.

DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA 26 AUTOR: Irene Guillén Luna Curso 2007/08 .

Búsqueda de libros de Google • Estadística para administración y .com..pdf • http://spines.cl/odontologia/quinto/bioestadistica/estadisti canoparametrica.com • Estadística Aplicada Facultad de Agronomía USAC • http://www. .edu/WeedScience/Documents/Fumigant Studies/Estad no param02.php?tema=2345&/distribuciones estadísticas • Tutorial estadística no paramétrica gratis .emagister.. Clase 20 • Anova un factor y Kruskal-Wallis • Curso: Estadística I 27 AUTOR: Irene Guillén Luna Curso 2007/08 .ifas.doc • Estadística multivariante y no . .freeservers.pdf • Estadística No Paramétrica • http://www.com/tema14.Análisis Multivariable.Búsqueda de libros de Google • http://www.redbio. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA BIBLIOGRAFÍA • Bioestadística: Métodos y aplicaciones • Presentación en Power Point.Itziar Aretxaga • Estadística no paramétrica .Búsqueda de libros de Google • Estadística matemática con aplicaciones .ufl.pdf • http://gcrec.org/portal/encuentros/enc_2001/minicursos/pdf/M C-01/GOIANIA-REDBIO3-CROSSA...r020.Wikipedia.es/profesorado/mdsalvador/58109/teoria/anova_un _factor-lectura.ar/index.doc • Diseño de experimentos..bioestadistica..uclm.medmayor. la enciclopedia libre • Contraste de Kruskall-Wallis • Estadística No-Paramétrica • Tesauro SPINES :: estadística no parametrica • Estadística no paramétrica • http://www.

ico • Proporción poblacional • Glosario • http://www.cl/favicon.ico 28 AUTOR: Irene Guillén Luna Curso 2007/08 .umayor.com/favicon. DISEÑO DE EXPERIMENTOS: ESTADÍSTICA NO PARAMÉTRICA BIBLIOGRAFÍA • Yahoo! GeoCities • Pruebas para k muestras dependientes • http://patoral.azprensa.