Prueba T – Student

La prueba de hipótesis que incluye la diferencia entre las medias de dos

poblaciones o muestras se utiliza con más frecuencia para determinar si
es razonable o no concluir que ambas son distintas entre sí; sin
embargo, debe recordarse la definición de muestra, en que el interés se
centra en quiénes (en los sujetos u objetos de estudio), que
corresponde a un subgrupo de la población y depende del planteamiento
inicial de la investigación. Para seleccionar una muestra, primero se
debe definir la unidad de análisis (a quiénes se va a medir); por ello, se
deben precisar con claridad el problema a investigar y los objetivos de la
investigación.

(Christensen, 1997)

Tipo de método

Paramétrico

Fórmula

𝛴𝑥
𝑥=
𝑁
donde ∑ indica que debe efectuarse una sumatoria, X es el símbolo de
una puntuación y N es el número total de casos.

(Christensen, 1997)

Procedimiento

1. Determinar el promedio o media arimética de cada grupo de

población.
2. Calcular las varianzas de cada grupo, a fin de demostrar la
homogeneidad de varianzas mediante la prueba de X2 De Bartlett.
3. Calcular la suma de cuadrados de cada grupo.
4. Calcular la desviación estándar ponderada (sp) de ambos grupos.
5. Obtener la diferenciación absoluta entre los grupos.
6. Aplicar la fórmula y obtener el valor estadístico de t.
7. Calcular los grados de libertad (gl).
8. Obtener la probabilidad del valor t en la tabla.
 9. Decidir si se acepta o recha la hipótesis.
(Sinatra, 2015)

En qué condiciones se utiliza

 Normalidad o n > 30 en cada grupo.

 Homogeneidad de varianzas.

(Olea, 2014)

Ventajas y limitaciones

A) Ventajas:
 Tiene más poder de eficiencia.
 Más sensibles a los rasgos de los datos recolectados.
 Menos posibilidad de errores.
 Dan estimaciones probabilísticas bastante exactas.
B) Desventajas:
 Más complicaciones de calcular.
 Limitaciones en los tipos de datos que se pueden evaluar.

(Sinatra, 2015)

3 Ejemplos Prácticos

Ejemplo 1.

Dada una muestra de tamaño n y conocida la desviación típica de la

población σ, se desea contrastar la hipótesis nula:

H0: µ = µ0

frente a la alternativa:

H1: µ 6= µ0

con un nivel de significación α. Dado el valor muestral de la media X, se

determina el estadístico de contraste: zc = X −µ0 σ √n Dado el nivel de
significación α se determina el valor zα/2 tal que

α = P(|Z|≥ zα/2) Es decir, se obtiene el cuantil1 de orden 1 − α/2, zα/2,

en el modelo normal, tal que las colas a izquierda y derecha de los
valores ∓zα/2, suman un ´área total igual a α. Si |zc| > zα/2 se decide
rechazar la hipótesis nula. Si |zc|≤ zα/2 no se puede rechazar la
hipótesis nula. El grafico siguiente muestra las zonas de aceptación y
rechazo de la hipótesis nula:

Ejemplo 2.

Se desea contrastar con un nivel de significación del 5% la hipótesis de

que la talla media de los hombres de 18 o más años de un país es igual
a 180. Suponiendo que la desviación típica de las tallas en la población
vale 4, contraste dicha hipótesis frente a la alternativa de que es
distinta.

H0: µ = 180

Frente a la alternativa:

H1: µ 6= 180 Los datos constituyen una muestra de n=15 hombres

seleccionados al azar, cuyas alturas son: 167 167 168 168 168 169 171
172 173 175 175 175 177 182 195 Es necesario determinar la media de
la muestra, X, y los valores de los cuantiles, zα 2 , en la distribución
normal. En el modelo normal, el cuantil de orden 0.975 es z0,025 =
1,96. La media de la muestra es igual a 173.47.
Sustituyendo los datos en la expresión del estadístico de contraste,
tenemos:

173.47−180
𝑧𝑐 = 4 =-6.32
√15

El valor del estadístico de contraste está en la zona de rechazo. Por lo

que se rechaza la hipótesis nula que establece una talla media igual a
180 cm. Graficamente la situación es la siguiente:

Ejemplo 3.

En una muestra de 105 comercios seleccionados al azar de una zona, se

observa que 27 de ellos han tenido pérdidas en este mes. Un analista
económico de la zona establece que la proporción de comercios en la
zona con pérdidas es igual o superior a 0.35. Contraste dicho hipótesis a
un nivel de significación del 5%. El contraste de una cola establece las
hipótesis:

H0: p ≥ 0,35

frente a la alternativa
H1: p < 0,35

La proporción en la muestra, p, de comercios con pérdidas es:

27
𝑝= =0.26
105

𝑞 = 1 − 𝑝 = 0.74
El cuantil −zα correspondiente al nivel de significación 0.05 es igual a
−zα = −1,65

El valor del estadístico

de contraste es

(Anonimo, s.f.)

2 Artículos científicos

1. Temas para residentes. Pruebas de significación en

Bioestadística.

Las pruebas de significación estadística sirven para comparar variables entre

distintas muestras. Si la distribución de la muestra es normal se aplican los
llamados tests paramétricos. Si la distribución no puede asumirse normal se
aplican las pruebas no paramétricas. Hay que tener siempre en cuenta que los
tests paramétricos son más potentes y dan más información que los no
paramétricos, por lo que, si pueden usarse, se prefieren. El uso indiscriminado
de muestras de distribución fuera de la normalidad conlleva el peligro de
obtener conclusiones erróneas.

Explicación:
Con esta prueba se pretende averiguar si dos muestras que tienen
medias iguales, provienen de la misma población.

Hipótesis nula "H0" → µ1 = µ2;

Hipótesis alternativa "H1" → µ1 ≠ µ2

La prueba permite comparar la media con su valor verdadero o bien las

medias de dos poblaciones. Se basa en los límites de confianza "LC"
para el promedio x de n mediciones repetidas (Ec. 2.1). A partir de
dicha ecuación tenemos:

µ= x ± t(s/√n) (Ec. 2.1) → x - µ = ± t s/√n (Ec. 2.2)

s/√n: error estándar "EE" o desviación estándar "DE" de la distribución

muestral de medias. Como las medias son √n veces más probables que
los resultados aislados, la DE de las medias es √n veces menor que la
DE de resultados aislados, siendo n el número de determinaciones con
las que se calcula la media.

(Gómez, 2001)

2. Riesgos Cardiovasculares en Adolescentes con Diferentes

Grados de Obesidad

Resumen Fundamento: Existen pocos estudios sobre riesgos

cardiovasculares en adolescentes con diferentes grados de obesidad.

Objetivo: Evaluar repercusiones metabólicas asociadas a diferentes

grados de obesidad en adolescentes y su impacto en los riesgos
cardiovasculares.

Métodos: Estudio transversal con 80 adolescentes obesos, divididos en

dos grupos: 2<z-IMC<2,5 y z-IMC≥2,5, denominados obesos con menor
y mayor grado de obesidad, respectivamente. Se llevaron a cabo
examen físico y evaluación bioquímica y de composición corporal. Para
el análisis estadística, se aplicaron las pruebas t-Student y chicuadrado,
con la finalidad de comparar los dos grupos. Modelo logístico múltiple se
utilizó para verificar las asociaciones entre variables bioquímicas y grado
de obesidad. Se desarrollaron scores de riesgo para enfermedad
cardiovascular, de acuerdo con el número de alteraciones encontradas
en las siguientes variables: glucemia de ayuno, triglicéridos, HDL y PA.
Se verificaron asociaciones entre estos scores y el grado de obesidad.
Resultados: Los dos grupos difirieron en valores de peso, circunferencia
de la cintura, glucemia e insulina de ayuno, HOMA-IR, triglicéridos, HDL,
PA y mediciones de composición corporal (p<0,05). Los adolescentes
con mayor grado de obesidad presentaron mayores frecuencias de
alteraciones para glucemia, HOMA-IR, triglicéridos, HDL y presión
arterial (p<0,05). El modelo logístico mostró asociaciones entre el grado
de obesidad y las variables: HDL (OR=5,43), PA (OR=4,29), TG
(OR=3,12). El score de riesgo reveló que un 57,7% de los adolescentes
con mayores grados de obesidad tenían dos o más alteraciones
metabólicas para un 16,7% del otro grupo (p<0,001).

Conclusión: El grado de la obesidad influenció en la aparición de

alteraciones que componen el síndrome metabólico, aumentando el
riesgo cardiovascular. (Arq Bras Cardiol 2011;96(3):205-211)

Explicación:

Se aplicó la prueba T-Student con el fin de comparar los dos grupos.

(Ferari, 2011)

Prueba F - Fisher

El test exacto de Fisher permite analizar si dos variables dicotómicas

están asociadas cuando la muestra a estudiar es demasiado pequeña y
no se cumplen las condiciones necesarias para que la aplicación del test
χ2 sea adecuada. Estas condiciones exigen que los valores esperados de
al menos el 80% de las celdas en una tabla de contingencia sean
mayores de 5. Así, en una tabla 2x2 será necesario que todas las celdas
verifiquen esta condición, si bien en la práctica suele permitirse que una
de ellas muestre frecuencias esperadas ligeramente por debajo de este
valor.
(Pértega, 2004)

Tipo de método

No paramétrico

Fórmula

(Christensen, 1997)

Procedimiento

El Test de comparación de proporciones, para funcionar bien, requeriría

un tamaño muestral mínimo de 30 por grupo y que el producto del
tamaño muestral por el tanto por uno esperado bajo la hipótesis nula
del suceso que se analiza sea superior o igual a 5 en ambas muestras
(esto último suele enunciarse como que el valor esperado por grupo es
de 5 observaciones del suceso analizado, como mínimo). Un ejemplo:
Tenemos una muestra de 50 por cada uno de los dos grupos. En una
muestra tenemos sólo un caso del suceso analizado y en la otra
tenemos 4 casos. Si la hipótesis nula fuera cierta esperaríamos ver 5
casos de cada 100 y los mismos en cada grupo; o sea, un 0.05 por uno.
Si multiplicamos este 0.05 por 50 nos da 2.5 sucesos esperados por
grupo. Como es menor que 5 estamos fuera de las condiciones de
aplicación de este Test de comparación de proporciones y deberíamos
aplicar el Test exacto de Fisher.

(Llopis, 2013)
En qué condiciones se utiliza

 En comparación de dos grupos respecto a una variable dicotómica.

 En la valoración de la relación entre dos variables cualitativas
dicotómicas cada una de ellas.

(Llopis, 2013)

venta

Ventajas y limitaciones

C) Ventajas:
 Los métodos no paramétricos pueden ser aplicados a una mplia
variedad de situaciones porque ellos no tienen los requisitos
rígidos.
D) Desventajas:
 Se agrupan los datos en k clases (k>5), como si fuéramos a
construir un histograma, cubriendo todo el rango posible de
valores, siendo deseable disponer, aproximadamente, del
mismo número de cada clase.

(Pire, 2016)

3 Ejemplos Prácticos

Ejemplo 1.

Para comprobar si la velocidad con la que dos ordenadores ejecutan los

programas es similar se han seleccionado 9 programas de análoga
dificultad, que se han ejecutado en estos ordenadores. Se ha
seleccionado aleatoriamente el programa que se va a ejecutar en cada
ordenador. Los tiempos de ejecución de estos programas según el
ordenador en que se ha ejecutado viene recogido en la siguiente tabla:

¿Se pueden concluir que ambos ordenadores tardan el mismo tiempo en

la ejecución de los programas? Para tomar una decisión vamos a
emplear el test de Wilcoxon para contrastar dos muestras
independientes.
Considerando la suma de los rangos de la muestra de menor tamaño,
1+5+3+2 = 11, y consultando en la tabla adecuada resulta que los
intervalos de aceptación para la hipótesis nula son (12, 28) al 90% de
confianza y (11, 29) al 95% de confianza. Por los tanto en ambos casos
se rechaza la hipótesis nula y se concluye que los ordenadores
considerados no ejecutan los programas con la misma velocidad.

Ejemplo 2.
Ejemplo 3.

2 Artículos científicos

1.- Calidad científica de las pruebas de campo para el cálculo del

VO2max. Revisión sistemática
Resumen

Objetivo: establecer la calidad científica de las pruebas de campo

utilizadas para calcular el consumo máximo de oxígeno (VO2max) en
adultos sanos no entrenados. Materiales y métodos: se hizo una revisión
sistemática de la literatura científica publicada en español, inglés y
portugués, entre 1943 y 2013, sobre pruebas diagnósticas para calcular
el VO2max por medio de pruebas de campo, con el propósito de
sintetizar los resultados y establecer cuáles son las que mejor se
correlacionan con la medición directa (ergoespirometría). Fueron
consultadas las bases de datos MedLine, PubMed, ProQuest, Ovid,
Hinari, Ebsco y BVS. Se siguieron las recomendaciones del Cochrane
Handbook for Systematic Reviews of Interventions 2006. Resultados:
inicialmente, 952 artículos, de los cuales después del proceso de
descarte, se encontraron diez que cumplían con todos los requisitos. Las
pruebas de campo analizadas que se correlacionan bien con el protocolo
de laboratorio son el umtt (1984) con r = 0,99, qcst y 1000m para
hombres r = 0,95; el rwft para hombres r = 0,93; 1,000m para mujeres
y 1,5M r = 0,86; qcst para mujeres r = 0,83 y rwft para mujeres r =
0,74; para adultos el umtt r = 0,96 y 20m-SRT r=0,9. Conclusiones:
dado el coeficiente de validez y el SEE, es posible utilizar pruebas de
campo para calcular rápida y económicamente el VO2max en adultos
sanos no entrenados. Según edad, sexo, condición física y patologías se
recomiendan diferentes pruebas de campo.

Palabras clave: aptitud física, resistencia aeróbica, prueba aeróbica,

VO2max, consumo máximo de oxígeno, Rockport test, Harvard step
test, Léger test, Queen’s college step test.

(García, 2016)

Análisis de Varianza: ANOVA de un factor

Un análisis de varianza (ANOVA) prueba la hipótesis de que las medias de

dos o más poblaciones son iguales. Los ANOVA evalúan la importancia de
uno o más factores al comparar las medias de la variable de respuesta en
los diferentes niveles de los factores. La hipótesis nula establece que todas
las medias de la población (medias de los niveles de los factores) son
iguales mientras que la hipótesis alternativa establece que al menos una es
diferente.

Tipo de método

No paramétrico

Fórmula

(Christensen, 1997)

Procedimiento

1. Representación de los datos Como en la mayor parte de los

procedimientos estadísticos debe comenzarse por representar
gráficamente los datos. Si el número de datos por grupo es menor que
10, se recomienda emplear el diagrama de puntos; si es superior a 10
se recomiendan histogramas o diagramas de caja. En esta
representación deben buscarse valores atípicos. Si estos valores atípicos
no se deben a un error o una causa subsanable (por ejemplo, error de
transcripción de datos) debe pensarse en la necesidad de transformar
los datos para que cumplan las hipótesis de normalidad. En la siguiente
tabla se dan algunas indicaciones de transformaciones recomendadas.
Si los datos proceden de un fenómeno de tipo binomial, por ejemplo
porcentaje de unidades rechazadas, la transformación adecuada es y =
arcsin(p) . Si proceden de un fenómeno de tipo Poisson, por ejemplo
número de defectos, la transformación adecuada es y √c .

2. Construcción de la tabla ANOVA y realización del contraste Esto

puede completarse con la construcción de intervalos de confianza para
las medias de cada grupo y los contrastes múltiples.
3. Validación de las hipótesis Es muy importante tener en cuenta en
todo momento que la validez de las conclusiones está supeditada a que
las hipótesis realizadas sean ciertas. Estas comprobaciones pueden
hacerse analizando los residuos, es decir las diferencias que existen
entre lo explicado por el modelo y los valores obtenidos.

Por lo tanto, es preciso realizar las siguientes comprobaciones: •

Independencia de los datos. En caso de que los datos se hayan
producido según patrones temporales, etc. se deben representar los
residuos en la secuencia que se obtuvieron y no deben observarse
tendencias, rachas, etc. (Sinatra, 2015)

Ventajas y limitaciones

A) Ventajas
 Permite gran flexibilidad, es decir puede usarse cualquier
número de tratamientos y repeticiones, además se puede
variar el número de repeticiones de un tratamiento a otro.
B) Desventajas
 Para usar este diseño se necesitan unidades experimentales
muy homogéneas, porque de otra manera la variación entre
ellas pasa a formar parte del error experimental.
(Castillo, 2015)

3 Ejemplos
Se quiere evaluar la eficacia de distintas dosis de un fármaco contra la hipertensión arterial,
comparándola con la de una dieta sin sal. Para ello se seleccionan al azar 25 hipertensos y se
distribuyen aleatoriamente en 5 grupos. Al primero de ellos no se le suministra ningún
tratamiento, al segundo una dieta con un contenido pobre en sal, al tercero una dieta sin sal, al
cuarto el fármaco a una dosis determinada y al quinto el mismo fármaco a otra dosis. Las
presiones arteriales sistólicas de los 25 sujetos al finalizar los tratamientos son:

Grupo

1 2 3 4 5
 180 172 163 158 147

173 158 170 146 152

175 167 158 160 143

182 160 162 171 155

181 175 170 155 160

La tabla de anova es:

Fuente de variación GL SS MS F

Tratamiento 4 2010,64 502,66 11,24

Error 20 894,4 44,72

Total 24 2905,04

Como F0,05(4,20) =2,87 y 11,24>2,87 rechazamos la hipótesis nula y concluimos que los
resultados de los tratamientos son diferentes.

2 Artículos científicos

1.- Estimación y pruebas de hipótesis en ANOVA a una vía cuando los

errores se distribuyen como normal sesgados

Se considera el modelo de análisis de varianza a una vía (ANOVA) cuando los términos de
error siguen una distribución normal sesgada. Se obtienen estimadores de los parámetros
desconocidos mediante el uso de la metodología de máxima verosimilitud (ML). Se
proponen nuevos estadísticos de prueba basados en estos estimadores. Los resultados de
la simulación muestran que los estimadores propuestos y los tests basados en ellos son
más eficientes y robustos que los correspondientes a las soluciones de la teoría normal. Un
conjunto de datos real es analizado con el fin de mostrar el desempeño de los estimadores
propuestos y sus tests relacionados.

(Celik, 2015)
Análisis de correlación de Pearson

Es un número calculado de un conjunto de datos bivariables que estima

la correlación ϱ entre dos variables x y y. Calculamos el valor de r por la
siguiente fórmula para datos de nivel intervalo proporción:

Σ(x − x)(y − y) 𝑛 Σxy − (Σx)(Σy)

𝑟= 𝑟=
√Σ(𝑥 − 𝑥 2 )Σ(𝑦 − 𝑦 2 ) √[𝑛Σ𝑥 2 − (Σx)2 ][𝑛Σ𝑥 2 − (Σx)2 ]

Con frecuencia deseamos saber si dos variables x y y están linealmente

correlacionadas. Y si lo están, en qué medida. El coeficiente de
correlación ϱ mide esta correlación. Sin embargo, generalmente sólo
tenemos datos de muestra con los cuales estimar ϱ. Si los datos son de
intervalo-proporción, entonces un estimador de ϱ, simbolizado por r, se
define como:

Σ(x − x)(y − y)
𝑟=
√Σ(𝑥 − 𝑥 2 )Σ(𝑦 − 𝑦 2 )

La fórmula de cálculo para esta ecuación es:

𝑛 Σxy−(Σx)(Σy)
𝑟= 0
√[𝑛Σ𝑥 2 −(Σx)2 ][𝑛Σ𝑥 2 −(Σx)2 ]

Podemos mostrar, sin mucha dificultad, que r es la raíz cuadrada del

coeficiente de determinación, y que muchos de los cálculos usados en el
análisis de correlación son similares a los análisis de regresión.

Análisis de Correlación de Spearman

Cuando n observaciones sobre x y y se ordenan en forma ascendente o

descendente, usando u y v para denotar el rango de 1 a n, la medida de
correlación de Spearman es un número que refleja la correlación en el
rango de los dos conjuntos. Denotamos el coeficiente por rs, y lo
calculamos por

Donde d = u – v es la diferencia entre los rangos de las variables para

cualquier unidad dada en la muestra.
 Prueba de hipótesis usando el coeficiente de correlación – rango. Es un
procedimiento estadístico para determinar si hay o no una correlación
en los rangos de dos variables x y y. (Christensen, 1997)

Tipo de método

No paramétrico

Fórmula
6σ𝑑2
R s= 1 - 𝑛(𝑛2 −1)

(Christensen, 1997)

Procedimiento

Formulación de hipótesis:

A) Prueba unilateral derecha

 Ho: X e Y son mutuamente independientes.
 H1: existe una tendencia a formar parejas entre los valores
grandes de X e Y.
B) Prueba unilateral izquierda
 Ho: X e Y son mutuamente independientes.
 H1: existe una tendencia de los valores grandes de x a
formar parejas con los valores pequeños de y.
C) Prueba bilateral
 Ho: X e Y son mutuamente independientes.
 H1: X e Y no son mutuamente independientes.

Las hipótesis unilaterales indicadas en los incisos b) y c) se utilizan,

respectivamente, cuando el investigador desea saber si es posible
concluir que las variables están directa o inversamente relacionadas. Las
hipótesis especificadas en el inciso a) conducen a una prueba bilateral, y
se utilizan cuando se desea descubrir cualquier desviación de la
independencia. (Martínez, 2009)
En qué condiciones se utiliza

 Si rs≤0.01 se rechaza Ho
 Si rs≤0.05 se rechaza Ho
 Si rs≤0.1 se rechaza Ho

(Martínez, 2009)

Ventajas y limitaciones

E) Ventajas:
 No está afectada por los cambios en las unidades de medida.
 Al ser una técnica no parámetra, es libre de distribución
probabilística.
F) Desventajas:
 Es recomendable usarlo cuando los datos presentan valores
extremos, ya que dichos valores afectan mucho el coeficiente
de correlación de Pearson o ante distribuciones no normales.
(Castillo, 2015)

3 Ejemplos Prácticos

1.- La siguiente tabla muestra el rango u orden obtenido en la primera

evaluación (X) y el rango o puesto obtenido en la segunda evaluación
(Y) de 8 estudiantes universitarios en la asignatura de Estadística.
Calcular el coeficiente de correlación por rangos de Spearman.

Estudiante X Y
Dyana 1 3
Elizabeth 2 4
Mario 3 1
Orlando 4 5
Mathías 5 6
Josué 6 2
Anita 7 8
Lucía 8 7
Solución:

Para calcular el coeficiente de relación por rangos de Speaman se llena

la siguiente tabla.

Estudiante X Y d=X-Y d2=(X-Y)2

Dyana 1 3 -2 4
Elizabeth 2 4 -2 4
Mario 3 1 2 4
Orlando 4 5 -1 1
Mathías 5 6 -1 1
Josué 6 2 4 16
Anita 7 8 -1 1
Lucía 8 7 1 1
Σ d2=32

Se aplica la fórmula

2.- La siguiente tabla muestra las calificaciones de 8 estudiantes

universitarios en las asignaturas de Matemática y Estadística. Calcular el
coeficiente de correlación por rangos de Spearman y realizar el
diagrama de dispersión.

N° Estudiante Matemática Estadística

1 Dyana
2 Elizabeth
3 Mario
4 Orlando
5 Mathías
6 Josué
7 Anita
8 Lucía
10 8
9 6
8 10
7 9
7 8
6 7
6 6
4 9

Solución:
Para calcular el coeficiente de correlación por rangos de Spearman se
procede a clasificar u ordenar los datos en rangos (X para Matemática y
Y para Estadística) tomando en cuenta las siguientes observaciones:

En la asignatura de Matemática se observa:

- Dyana tiene la más alta calificación, ocupando el primer puesto, por lo

que su rango es 1.

- Elizabeth ocupa el segundo puesto, por lo que su rango es 2.

- Mario se encuentra ubicado en el tercer lugar, por lo que su rango es

3.

- Orlando y Mathías ocupan el cuarto y quinto puesto, por lo que su

rango es la media aritmética de 4 y 5 que da por resultado 4,5

- Josué y Anita ocupan el sexto y séptimo lugar, por lo que su rango es

la media aritmética de 6 y 7 que da por resultado 6,5.

- Lucía se encuentra ubicada en el octavo lugar, por lo que su rango es

8.

En la asignatura de Estadística se observa:

- Mario tiene la más alta calificación, ocupando el primer puesto, por lo

que su rango es 1.

- Orlando y Lucía ocupan el segundo y tercer puesto, por lo que su

rango es la media aritmética de 2 y 3 que da por resultado 2,5.

- Dyana y Mathías ocupan el cuarto y quinto puesto, por lo que su rango

es la media aritmética de 4 y 5 que da por resultado 4,5.

- Josué se encuentra ubicado en el sexto lugar, por lo que su rango es

6.

- Elizabeth y Anita ocupan el séptimo y octavo lugar, por lo que su

rango es la media aritmética de 7 y 8 que da por resultado 7,5.

Los rangos X y Y se presentan en la siguiente tabla:

N° Estudiante Matemática Estadística X Y

1 Dyana 10 8 1 4.5
2 Elizabeth 9 6 2 7.5
3 Mario 8 10 3 1
4 Orlando 7 9 4.5 2.5
5 Mathías 7 8 4.5 4.5
6 Josué 6 7 6.5 6
7 Anita 6 6 6.5 7.5
8 Lucía 4 9 8 2.5

Aplicando la fórmula se obtiene:

Ejemplo 3.

Supongamos 6 pares de valores (X,Y), presentados en la tabla junto con

los valores de sus rangos.

Variables Rangos Diferencia Diferencia

al
X Y Rx Ry D=Rx-Ry Cuadrado:
D2
18 31 1 2 -1 1
20 33 2 3 -1 1
23 30 3 1 2 4
24 50 4 6 -2 4
40 40 5 4 1 1
55 40 6 5 1 1
12
(Suárez, 2010)

2 Artículos científicos

1.- Uso de la correlación de Spearman en un estudio de

intervención en Fisioterapia

Resumen

El análisis de Correlación de Spearman, es un método estadístico no

paramétrico, que pretende examinar la intensidad de asociación entre
dos variables cuantitativas. Con base en una investigación clínica real en
fisioterapia, el presente artículo ilustra el sustrato teórico subyacente a
la aplicación de éste método. Tiene como objetivo ayudar a estudiantes,
fisioterapeutas e investigadores a entender su aplicabilidad en muestras
pequeñas y en aquellas que no tienen una distribución normal,
condiciones muy frecuentes en la investigación en fisioterapia, y
puntualizar sobre la interpretación de los resultados.

(Mondragón, 2014)

Explicación:

El análisis de Correlación de Spearman es una técnica no paramétrica,

que se aplica a aquellos estudios en los que no se cumple con los
supuestos de normalidad en los datos y es muy útil en las muestras
pequeñas, a través de la comparación de rangos en grupos de sujetos.
Este coeficiente es muy útil cuando el número de pares de sujetos (n)
que se desea asociar es menor de 30, y permite saber si hay relación
entre las variables, cuál es su dirección y que tan fuerte es dicha
relación

(Mondragón, 2014)
2. Relación entre el uso del antígeno prostático específico y
tratamiento de bloqueo androgénico. Un estudio ecológico.

Objetivo: Determinar si un mayor número de determinaciones de

antígeno prostático específico (nPSA) se asocia a un mayor número de
tratamientos de bloqueo androgénico (nTBA).

Diseño del estudio: Estudio transversal de tipo ecológico.

Emplazamiento: Atención Primaria de ámbito provincial.

Participantes: Facultativos titulares con al menos 1 año de

permanencia en su plaza.

Mediciones Principales: Se determinó, para cada cupo de medicina de

familia de la provincia de Ourense, el número de varones mayores de 50
años (V50) y su edad, nPSA y nTBA en 2012. Se calculó un tamaño
muestral de 113 médicos. La asociación entre nTBA y nPSA se analizó
mediante correlación de Spearman. El nTBA se consideró variable
dependiente en un análisis de regresión lineal múltiple, incluyendo como
covariables sexo del facultativo, ámbito de ejercicio, V50, edad de los
pacientes y nPSA. Se consideró significativo un valor de p<0,05.

Resultados: Se estudiaron 265 facultativos, 54,1 % varones. La media

de V50 era 272,6 (DE 68,6) y el nTBA era 8,5 (4,0) por cupo, siendo
nPSA 90,9 (52,4)/año. Existía relación entre número de V50 y nPSA
(Rho de Spearman=0,4; IC95 %: 0,3-0,7; p=0,01), así como entre
nTBA y edad de V50 (Rho de Spearman=0,2; IC95 %: 0,04-0,31;
p<0,001). Se demostró asociación entre nTBA y nPSA (Rho de
Spearman=0,2; IC95 %: 0,04-0,31; p=0,01) y entre número de V50 y
nTBA (Rho de Spearman 0,5; IC95 %: 0,75-0,84; p<0,001). La
regresión lineal mostró relación entre nTBA y edad de los varones
(p<0,001) y número de V50 (p<0,001)

Conclusiones: Una mayor frecuencia de PSA no se sigue de un mayor

diagnóstico de CP medido por el número de TBA instaurados, estando
asociados a la edad y número de varones mayores de 50 años.

Explicación:

Se utilizó la prueba de Speaman para demostrar la existencia de una

relación entre el número de varones mayores de 50 años y el número de
determinaciones de PSA/año (Rho de Spearman 0,4; IC95 %: 0,3-0,7;
p=0,01), así como entre número de TBA y edad de los varones mayores
de 50 años (Rho de Spearman 0,2; IC95 %: 0,04-0,31; p<0,001). Se
demostró asociación entre el número de TBA y el número de
determinaciones de PSA / año (Rho de Spearman 0,2; IC95 %: 0,04-
0,31; p=0,01). También se observó asociación entre número de varones
mayores de 50 años y número de TBA (Rho de Spearman 0,5; IC95 %:
0,75-0,84; p<0,001).

(Díaz, 2015)

Bibliografía
+. (s.f.).

Anonimo. (s.f.). Universidad de Granada. Obtenido de https://www.ugr.es/~mvargas/Infe2.pdf.

Castillo, P. (Julio de 2015). SlideShare.

Celik, N. (2015). Estimación y pruebas de hipótesis en ANOVA a una vía cuando los errores se
distribuyen como normal sesgados . Revista Colombiana.

Christensen, H. (1997). Estadística paso a paso. México : Editorial Trillas.

Díaz, G. (2015). Relación entre el uso del antígeno prostático específico y tratamiento de bloqueo
androgénico. Un estudio ecológico. Revista Clínica de Medicina de Familia, 16-22.

Ferari, M. (2011). Riesgos Cardiovasculares en Adolescentes con Diferentes Grados de Obesidad.

Universidad Federal de Sao Paulo.

García, A. (2016). Calidad científica de las pruebas de campo para el cálculo del VO2max. Revisión
sistemática. Revista Científica de la Salud.

Gómez, S. (2001). Temas Para Residentes. Pruebas de significación en Bioestadística. Revista

Diagnóstico Biológico Vol. 50.

Llopis, J. (21 de Enero de 2013). LA ESTADÍSTICA: UNA ORQUESTA HECHA INSTRUMENTO.

Obtenido de Test Exacto de Fisher.

Martínez, R. (Abril-Junio de 2009). EL COEFICIENTE DE CORRELACION DE LOS RANGOS DE

SPEARMAN . Revista Habanera de Ciencias Medicas.

Mondragón, M. (2014). Uso de la correlación de Spearman de un esudio de intervención en

Fisioterapia. Movimiento Científico.

Olea, F. (Febrero de 2014). Técnicas Estadísticas Aplicadas en Nutrición y Salud. Obtenido de

Departamento de Nutrición y Bromatología. UGR.
Pértega, D. (2004). Asociación de variables cualitativas: El test exacto de Fisher y el test de
McNemar. Unidad de Epidemiología Clínica y Bioestadística.

Pire, L. (2016). Slideshare. Obtenido de Pruebas paramétricas y no paramétricas.

Sinatra, M. (Agosto de 2015). Enviro migration . Obtenido de Pruebas paramétricas.

Suárez, M. O. (Junio de 2010). Coeficiente de Correlación por Rangos de Spearman.