Estadistica Noparametrica

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO
Facultad de Ingeniera Estadstica e Informtica
R.C.
R.R./Ho:
Aceptar Ho:
R.R./Ho:
ESTADSTICA NO PARAMTRICA APLICADA A GANADERA

PREPARADO POR: VLADIMIRO IBAEZ QUISPE, M.Sc.
Puno, Marzo del 2007
- 2 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno
VLADIMIRO IBAEZ QUISPE Ingeniero Estadstico, UNA - Puno - Per. M.Sc. en Informtica. Profesor Principal - Facultad de Ingeniera Estadstica e Informtica. Derechos Reservados: Ninguna parte de este libro puede ser reproducida sin la autorizacin del autor. 2007, Editorial Universitaria. Segunda Edicin: 2007 Impreso en Puno - Per. Ciudad Universitaria. Apartado 291. Fax (054) 352992. Puno - Per Diagramacin y Composicin: Vladimiro Ibaez Quispe
Estadstica No Paramtrica Aplicada a la Ganadera - 3 -
PRESENTACION
La presente publicacin del libro: Estadstica No Paramtrica Aplicada a la Ganadera, nace a inquietud de los profesores universitarios y estudiantes de pre-grado y postgrado de las reas de Medicina Veterinaria y Zootecnia, Biologa, Agronoma, Ciencias de la Salud y profesionales investigadores, entre otros, que gentilmente me animaron para que se pueda entender mejor el manejo de la estadstica paramtrica frente a la estadstica no paramtrica, ya que ellos se encontraban con dificultades en el procesamiento de la informacin y la utilizacin de mtodos no paramtricas, con esta publicacin espero contribuir con un grano de arena a todos los interesados en reas afines, asimismo se incorpora el uso del software estadsticos de SPSS para el procesamiento automatizado de las diferentes pruebas no paramtricas.. Espero que el presente trabajo alcance la acogida que se ha propuesto y asimismo agradezco por las sugerencias de los usuarios, que sin duda, servir para corregir, la publicacin, y motivar la preparacin de nuevas publicaciones.
El Autor Abril, 2007
INDICE
Presentacin .................................................................................... Indice .............................................................................................. 1. El caso de una muestra simple ..................................................... 1.1. Prueba Binomial .................................................................. 1.2. Prueba Ji-cuadrada .............................................................. 1.3. Prueba de Kolmogorov-Smirnov de una muestra .................. 2. El Caso de una muestra medida dos veces y obtenida por medio pares replicados .......................................................................... 2.1. La Prueba de cambio de McNEMAR .................................... 2.2. Prueba de los signos ............................................................. 2.3. Prueba de Rangos Asignados de WILCOXON ...................... 3. Dos muestras independientes ........................................................ 3.1. Prueba Exacta de Fisher para tablas de 2x2 ........................... 3.2. Prueba Ji-cuadrado para dos muestras independientes............ 3.3. Tablas de contingencia con gl>1 ........................................... 3.4. Tabla de Contingencia de 2x2 ............................................... 3.5. Prueba de la mediana ............................................................ 3.6. La prueba de U de Mann-Whitney ......................................... 3.7. La prueba de Wilcoxon-Mann-Whitney (modificado) ............ 3.8. La prueba de Kolmogorov-Smirnov para dos muestras .......... 3.9. Prueba de rachas de Wald-Wolfowitz .................................... 3.10. Prueba poderosa de Rangos Ordenados ............................... 3.11. Prueba de rangos de Moses para diferencia de escala .......... 4. El caso de k-muestras relacionadas ............................................... 4.1. Prueba de Q de COCHRAN .................................................. 4.2. ANOVa bifactorial por Rangos de Friedman ......................... 4.3. Prueba de PAGE para alternativas ordenadas ........................ Pg. 03 05 07 07 13 22
29 29 34 39 47 47 50 52 59 63 66 71 83 89 91 95 100 100 103 111
5. El caso de k-muestras Independientes ........................................... 116 5.1. Prueba de Ji-cuadrada para k-muestras independientes ......... 116 5.2. Extensin de la prueba de la Mediana .................................. 122
- 6 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Pg. 5.3. ANOVA unifactorial por rangos de Kruskal-Wallis (KW) ..... 127
6. Medidas de Asociacin y sus pruebas de significacin .................. 140 6.1. El Coeficiente de C de Cramr ............................................. 140 6.2. Coeficiente de correlacin r de Spearman de Rangos s Ordenados .......................................................................... 144 6.3. Coeficiente de Correlacin de Kendall (
).........................
151
1
EL CASO DE UNA MUESTRA SIMPLE
1.1. PRUEBA BINOMIAL. Los fenmenos que se distribuyen segn esta ley son dicotmicas, entonces caben nicamente DOS valores posibles (variable discreta). Este es el caso del lanzamiento de una moneda, cuyo resultado slo puede ser cara o sello. En general, se aplica a todas aquellas variables que presenten dos valores, uno de los cuales suele catalogarse como XITO y el otro como FRACASO. La ley binomial suministra la probabilidad de que se den X xitos en N observaciones. La funcin de distribucin suministra la probabilidad de que se observen X o menos xitos de una serie de N mediciones u observaciones. Ejemplo: El sexo de la cra en: ovinos, vacunos, alpacas (Macho y hembra). Condicin del animal: sano y enfermo Animales que estn con: Tratamiento y Sin tratamiento. Supngase que una poblacin consta de slo dos categoras o clases. Entonces, cada observacin X muestreada de la poblacin puede tomar uno de dos valores, dependiendo de la categora muestreada. Se puede denotar los posibles valores de la variable aleatoria usando cualquier par de valores, pero es conveniente denotar cada resultado como 1 (uno) o 0 (cero). Entonces la probabilidad de muestrear un objeto de la primera categora es p y la probabilidad de muestrear un objeto de la otra categora es q = 1 - p.
P X =1 = p
P X = 0 = 1 p = q
- 8 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Adems se supone que cada probabilidad es constante, sin considerar el nmero de sujetos muestreados u observados. La distribucin binomial, se usa para determinar las probabilidades de los posibles resultados que podemos observar al muestrear una poblacin binomial. Si nuestra hiptesis es H0 : p = p0 , podemos calcular las probabilidades de varios resultados cuando supones que Ho es cierta. La prueba nos dir si es razonable creer que las proporciones (o frecuencias) de las dos categoras en nuestra muestra han sido extradas de una poblacin con los valores hipotticos de p0 y 1- p0 . Al hablar de la distribucin binomial, denotamos el resultado X = 1 como xito y el resultado X = 0 como fracaso. Adems, en una serie de observaciones Y = i =1 X i es el nmero de xitos
N
o el nmero de resultados de tipo X=1. En una muestra de tamao N, la probabilidad de obtener k objetos en una categora y N - k objetos en la otra categora, est dada por:
PY=k =
FG N IJ p q HkK
k
N k
k = 0,1,K , N
Donde: p = La proporcin de observaciones esperadas cuando X = 1. q = La proporcin de observaciones esperadas cuando X = 0, y
FG N IJ = N ! H k K k !( N k )!
La tabla de la distribucin binomial (Anexo, E), proporciona los valores de P[Y = k] para diferentes valores de N y p. Ahora bien cuando probamos hiptesis, la cuestin no es generalmente cul es la probabilidad de obtener exactamente los valores que fueron observados?, sino que ms bien, por lo regular preguntamos cul es la probabilidad de obtener valores tan extremos o ms extremos que los valores observados, cuando suponemos que los datos son generados por un proceso particular?. Para responder a preguntas de este tipo, la probabilidad deseada es:
P Y k = i = k
N
FG N IJ p q HiK
i
N i
P X x = i = 0
x
FG N IJ p q H xK
x
MTODO: Estos son los pasos para usar la prueba binomial con Ho: p = 1/2. 1. Determinar el nmero (N) total de casos observados.
Estadstica No Paramtrica Aplicada a la Ganadera - 9 2. Determinar las frecuencias de las ocurrencias observadas en cada una de las dos categoras. 3. El mtodo para encontrar la probabilidad de ocurrencia de los valores observados segn Ho:, o valores an ms extremos, depende del tamao de la muestra: Muestra pequea: Si N 35 , la Tabla de probabilidad asociadas con valores tan pequeos (o ms pequeos) que los valores observados k en la prueba binomial (Anexo, D), proporciona las probabilidades de una cola segn Ho: de diferentes valores tan pequeos como una Y observada. Especificar Ha: y determinar si la prueba debe ser uni o bidireccional. Muestra Grande: Si N > 35 , entonces la informacin tiende a una distribucin normal distribuida con media cero (0) y desviacin estndar uno (1), en este caso, se debe probar Ho: usando la ecuacin:
z=
(Y 0.5) - Np Npq
Donde: Y + 0.5, se usa cuando Y < Np Y - 0.5, se usa cuando Y > Np El valor de la z obtenido por la aplicacin de la frmula anterior, est distribuido en forma normal asintticamente con media 0 y varianza 1. La aproximacin a la distribucin normal es mejor si se usa una correccin por continuidad. La correccin es necesaria debido a que la distribucin normal es continua, mientras que la distribucin binomial es con variables discretas. La correccin por continuidad consiste en reducir, por 0.5, la diferencia entre los valores observados de Y y su valor esperado Np. La tabla de la distribucin normal (Anexo, A), proporciona las probabilidades asociadas con la ocurrencia segn Ho: de valores tan grandes como una z observada. Esta Tabla (Anexo, A) proporciona probabilidades de una cola asociada; para una prueba de dos colas, duplique la probabilidad obtenida. 4. Si la probabilidad asociada con el valor observado de Y o valores an ms extremos es igual o menor que (p ), rechazar Ho:, de otro modo, no se rechaza la Ho.
- 10 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno EJEMPLO: En un experimento, se aplic a 18 vacunos enfermos con fiebre aftosa usando un medicamento nuevo y se obtuvieron los siguientes resultados.
Frecuencia
SOLUCIN:
vacunos vacunados sanaron no sanaron 2 16
Total 18
La proporcin de vacunos sanos (xitos) es:
p=
N o de vacunos sanos 2 1 = = N o total de vacunos 18 9 q = 1 p = 1 1 8 = 9 9
La proporcin de vacunos que no sanaron (Fracasos) es:
1. Hiptesis nula: Ho: p = q = 1/2 Ho: La proporcin de vacunos que sanen con el medicamento nuevo es igual a la proporcin de vacunos que no sanaron con el mismo medicamento. Ho: p -q = 0 o Ho: p = q Ha: La proporcin de vacunos que sanaron con el nuevo medicamento es mayor que la proporcin de vacunos que no sanaron con el mismo medicamento (Ha: p > q). 2. Prueba estadstica. Se elige la prueba binomial debido a que los datos estn en dos categoras discretas y el tamao de muestra es pequeo. 3. Nivel de significacin: Sea = 0.01, y N = 18 4. Distribucin muestral. La distribucin muestral est proporcionada por la siguiente frmula:
P X x = i = 0
x
FG N IJ p q H xK
x
N x
5. Regin de Rechazo (RR) y Regin de Aceptacin (RA): RA.: P X 2 > = 0.01 aceptar la Ho: RR.: P X 2 = 0.01 rechazar la Ho: 6. Clculo del valor de la prueba.
0 180 1
P X 2 =
FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ H 0 KH 9K H 9K H 1 KH 9K H 9K H 2 KH 9K H 9K

181 2
182
. = 0000656
Estadstica No Paramtrica Aplicada a la Ganadera - 11 Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico con los siguientes datos: N = 18, x = 2 y p = q = 1/2 = 0.5, con estos datos buscamos en la tabla binomial acumulada para P X 2 = 0.0007 NOTA: i) P X 2 = 1 P X < 2 = P X 1 , ii) P X > 2 = 1 P X 2 7. Decisin: Como P X 2 = 0.0007 = 0.01 , entonces se rechaza la hiptesis Ho:, es decir existe evidencia de que la proporcin de vacunos que sanaron con el nuevo medicamento es mayor que la proporcin de vacunos que no sanaron. EJEMPLO: En un proyecto de innovacin de la enseanza en la primaria con nuevo mtodos didcticos se evalo a 20 estudiantes que se les enseo una materia con el mtodo tradicional y luego se implement un mtodo nuevo. La suposicin es de que los alumnos respondan mejor con el mtodo antiguo.
M TODO Tradicional Nuevo 15 5 Total 20
Frecuencia
SOLUCIN: 1. Hiptesis Estadstica: Ho: p = q = 1/2 Ho: La proporcin de alumnos que se les enseo un tpico especfico con el mtodo tradicional y luego con el mtodo nuevo respondieron a la evaluacin en forma igual a la proporcin de alumnos con ambos mtodos. Ha: La proporcin de alumnos que se enseo un tpico especfico con el mtodo tradicional y mtodo nuevo, respondieron a la evaluacin con el mtodo tradicional que es mayor a la proporcin de alumnos a la evaluacin con el mtodo nuevo. (Ha: p > q). 2. Prueba estadstica. Se elige la prueba binomial debido a que los datos estn en dos categoras discretas y el tamao de muestra es pequeo, adems: x : Es la variable aleatoria que se distribuye como B(20, 1/2), que representa el nmero de alumnos que responden a la evaluacin con el mtodo nuevo. p: Proporcin de casos favorables con el mtodo nuevo (xitos) q. Proporcin de casos desfavorables con el mtodo tradicional (fracasos)
- 12 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 3. Nivel de significacin: Sea = 0.05, y N = 20 4. Distribucin muestral. La distribucin muestral est proporcionada por la siguiente frmula:
P X x = i = 0
x
FG N IJ p q H xK
x
N x
5. Regin de Rechazo (RR) y Regin de Aceptacin (RA): RA.: P X 5 > = 0.05 aceptar la Ho: RR.: P X 5 = 0.05 rechazar la Ho: 6. Clculo del valor de la prueba.
P X 5 =
x =0
FG 20IJ p q H xK
x
N x
= 0.021
Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico, con los siguientes datos: N = 20, x = 5 y p = q = 1/2 = 0.5, con estos datos se busca en la tabla binomial acumulada para P X 5 = 0.0207 7. Decisin: Como P X 5 = 0.0207 = 0.05 , entonces se rechaza la hiptesis Ho:, es decir existe diferencia significativa entre ambos mtodos de enseanza en el proceso de aprendizaje de los alumnos de educacin primaria. EJERCICIOS. 1.- Cul es la probabilidad de que una familia de Puno que quiera tener 4 hijos, uno de ellos sea mujercita?. a)
= 1/2 = 0.5, n = 4,
b( 1;4 ,0.50 ) =
1
y=1
4 1
b)
. ) = 4( 0.5 )( 0125
FG 4IJ ( 0.5 ) ( 1 0.5 ) H 1K
= 0.23 25%. 2. La probabilidad de que un alumno de Veterinaria se gradue normalmente es 30% (de cada 10 alumnos 3 se graduarn). Cul es la probabilidad de que de 20 estudiantes nuevos, 3 se graduen?.
Estadstica No Paramtrica Aplicada a la Ganadera - 13 a)
= 30% = 0.30, n = 20,

b( 3;20,0.30 ) =
3
y=3
20 3
b)
FG 20IJ ( 0.30 ) (1 0.30 ) H 3K
20 x19 x18 x17 ! ( 0.027 )( 0.0023 ) 3x 2 x1( 20 3 )!
= 0.0708 7.08% 3. Se tiene la prevalencia general de mastitis subclnica de 800 vacas en produccin de leche en el distrito de Umachiri.
Vacas en estudio
CASOS Positivos Negativos 103 697
Total 800
Probar la probabilidad de casos positivos es igual a la probabilidad de casos negativos?
1.2. PRUEBA DE JI CUADRADA (una muestra simple) Frecuentemente, en el estudio que un investigador lleva a cabo es necesario conocer el nmero de sujetos, objetos o respuestas que caen en varias categoras. Por ejemplo, un grupo de pacientes puede ser clasificado de acuerdo con su tipo preponderante de respuestas en la prueba de Rorschach, y el investigador puede predecir que ciertos tipos sern ms frecuentes que otros. O los nios pueden ser categorizados de acuerdo con sus modalidades de juego ms frecuentes, siendo la hiptesis que esas modalidades diferirn en frecuencia de una manera prescrita. O las personas pueden ser categorizadas con base en si estn en favor de, indiferentes a u opuestas a una opinin que facilite al investigador probar la hiptesis de que esas respuestas difieren en frecuencia. La prueba Ji-cuadrada es adecuada para analizar datos como stos. El nmero de categoras puede ser dos o ms. La tcnica es del tipo de bondad de ajuste en que puede ser usada para probar si existe una diferencia significativa entre un nmero observado de objetos o respuestas que caen en cada categora y un nmero esperado basado en la hiptesis nula. Es decir, la prueba Ji-cuadrada evala el grado de correspondencia entre las observaciones observadas en cada categora. MTODO: Para comparar un grupo de frecuencias observado con uno esperado, debemos ser capaces de establecer qu frecuencias deben ser esperadas. La hiptesis
- 14 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Ho: establece la proporcin de objetos que caen en cada una de las categoras en la poblacin supuesta. Esto es, de la hiptesis nula podemos deducir cules son las frecuencias esperadas. La tcnica Ji-cuadrada proporciona la probabilidad de que las frecuencias observadas pudieran haber sido muestreadas de una poblacin con los valores esperados proporcionados. La hiptesis nula Ho: puede probarse mediante el siguiente estadstico:
Donde:
2 c
b e g =
k i i i =1
ei
(2k 1 )
i = el nmero observado de casos en la categora isima.
ei
= el nmero esperado de casos en la categora isima cuando Ho: es verdadera. k = el nmero de categoras
PROCEDIMIENTO: 1. Prueba estadstica (Planteamiento de la hiptesis respectiva). 2. Nivel de significacin: , y el nmero total = N 3. Prueba Estadstica: Cuando los datos estn en frecuencias, en categoras discretas (nominales o categricos y, en ocasiones, ordinales), se puede utilizar la prueba Ji-cuadrada para evaluar la significacin de las diferencias entre los grupos independientes. 4. Distribucin muestral. Esta dada por la frmula siguiente:
2 c =
i =1
b e g
i i
ei
~ (2k 1 )
5. Regin de rechazo y aceptacin:

2 2 Si c ( k 1 ), se acepta la Hiptesis Nula (Ho). 2 2 Si c > ( k 1 ), se rechaza la Hiptesis Nula y se acepta la Ha.
6. Clculo de la prueba estadstica, segn la frmula arriba indicada. 7. Decisin. Es la parte crtica de un investigador, en el cual se tiene que interpretar y sacar las conclusiones del problema en estudio. Los grados de libertad para la Ji-cuadrada es: gl = (k - 1)
Estadstica No Paramtrica Aplicada a la Ganadera - 15 Resumen de la prueba Ji-cuadrada Para usar la prueba de la bondad de ajuste de Ji-cuadrada para el caso de una muestra, se requiere el procedimiento para usar la prueba e incluye estos pasos: 1. Coloque las frecuencias observadas dentro de k categoras. La suma de las frecuencias debe ser n, el nmero de observaciones independientes. 2. A partir de Ho: determine las frecuencias esperadas (la ei) para cada una de las k celdas. Cuando k>2, y ms del 20% de las ei son menores que 5, combnese categoras adyacentes cuando esto sea razonable, reduciendo por tanto el valor de k e incrementando los valores de algunas de la ei. Cuando k = 2, la prueba de la bondad de ajuste Ji-cuadrada para una muestra es exacta slo si cada frecuencia esperada a 5 o ms grande. 2 3. Use el estadstico de Ji-cuadrada para calcular el valor de . 4. Determine los grados de libertad, gl = k - 1, donde k es el nmero de categoras. 5. Por referencia a la Tabla (Anexo, C) se determina la probabilidad asociada con 2 , segn Ho como un valor tan grande como el valor observado para 2 para los grados de libertad apropiados para los datos. Si la probabilidad es menor que o igual a , se rechaza la Ho: (p ). POTENCIA: Ya que esta prueba es la ms usada cuando no tenemos claramente una alternativa disponible, por lo general no estamos en una posicin para calcular la potencia exacta de la prueba. Cuando se usa la medicin nominal o categrica o cuando los datos consisten en frecuencias en categoras inherentemente discretas, entonces la nocin de potencia-eficacia no es significativa y en tales casos no existe una prueba paramtrica que sea adecuada. En los casos en los que se ha estudiado la potencia de la prueba de la bondad de ajuste de Ji-cuadrada, existe una interaccin entre el nmero de categoras k y el nmero de observaciones n. Aunque las recomendaciones especficas dependen de la distribucin terica que va a ser ajustada, las siguientes reglas resultan adecuadas: 1. Eljanse categoras y lmites de intervalo tales que las frecuencias esperadas sean iguales a n/k (1/k)xn. 2. Se debe escoger el nmero de categoras tal que las frecuencias esperadas estn entre 6 y 10, con el valor ms bajo apropiado para N grandes (mayor que 200). Tambin debe considerarse que cuando gl>1, la prueba Ji-cuadrada es insensible a los efectos del ordenamiento de categoras y, por tanto, cuando una hiptesis tiene
- 16 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno el orden en cuenta, la prueba Ji-cuadrada no puede ser la mejor prueba. Para mtodos que fortalecen las pruebas Ji-cuadrada comunes cuando Ho: es probada contra alternativas especficas, vase Cochran (1954) o Everitt (1977). EJEMPLO: Un profesor de Medicina Veterinaria y Zootecnia, analiza el aprendizaje de sus alumnos en una seccin y los clasifica en cuatro categoras de acuerdo a las calificaciones obtenidas en un semestre. Tal como se presenta a continuacin:
Muy buenos 9 Nmero de Estudiantes Buenos Regulares 12 19 Malos 10 Total 50
SOLUCIN: 1. Hiptesis Nula (Ho:). La proporcin de alumnos en cada uno de las categoras es indiferente. Hiptesis alterna (Ha:). La proporcin de alumnos es diferente en cada uno de las categoras en estudio. 2. Nivel de significacin: = 0.05 = 0.01, n = 50. 3. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrado, ya que los datos estn dados por lo menos en escala ordinaria, adems presenta categoras k = 4. 4. Distribucin muestral.
2 c
b e g =
k i i i =1
ei
(2k 1 )
5. Clculo de Prueba Estadstica: Por informacin se tiene que: n = 50 alumnos, k = 4 categoras
ei =
2 c =
n 50 = = 12.5 4 k
(9 -12.5) 2 (12 -12.5) 2 (19 -12.5) 2 (10 -12.5) 2 + + + 12.5 12.5 12.5 12.5
= 4.88 6. Regin de rechazo y aceptacin:

2 Si 2 c = 4.88 3 ,0 ,05 = 7 .82 , se acepta la Hiptesis Nula (Ho).
Estadstica No Paramtrica Aplicada a la Ganadera - 17 2 Si 2 c = 4.88 > 3 ,0 ,05 = 7 .82 , se rechaza la Ho: y se acepta la Ha.
7. Decisin: Podemos afirmar que la proporcin de alumnos en cada uno de las categoras es similar o se tiene un comportamiento indiferente. MTODO AUTOMATIZADO Para analizar con el SPSS, se debe crear un programa en el editor de sintxis de la siguiente manera: FILE > NEW > SYNTAX (aparece una pantalla en blanco, en el cual se debe ingresar las lneas de sentencias).
Una vez realizado el clic en la opcin SYNTAX, se presenta la pantalla de Editor de Sintxis.
Para ejecutar el programa, se solicita en el men principal, la opcin RUN > ALL y clic, es decir ejecutar el programa y seleccionar toda las sentencias.
Los resultados se presentan en la pantalla de OUTPUT (pantalla de de resultados), tal como se puede apreciar a continuacin:
Frequencies V1 Category 1.00 2.00 3.00 4.00 Observed N 9 12 19 10 50 Expected N 12.5 12.5 12.5 12.5 Residual -3.5 -.5 6.5 -2.5
1 2 3 4 Total
Test Statistics Chi-Square a df Asymp. Sig. V1 4.880 3 .181
a. 0 cells (.0%) have expected frequencies less than 5. The minimum expected cell frequency is 12.5.
EJEMPLO. Supngase que se separan al azar 80 vacas adultas de un total de 450, para ver si estn preadas o no, cuyos resultados se presentan a continuacin:
Condicin Preada Vaca Frecuencia 31 49 Hiptesis Estadstica: H0: La seleccin es al azar o imparcial. Ha: La seleccin no ha sido al azar o parcializado. Nivel de significacin: = 0.05, n = 80. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrada, porque los datos presentan frecuencias que por lo menos estn en escala ordinal, adems presenta dos categoras. Distribucin Muestral: Se aplicar la siguiente frmula de la Ji-cuadrada:
1.
2. 3.
4.
2 c =
i =1
b e g
i i
ei
(2k 1 )
5. Clculo de la prueba estadstica:

Valores Valores Categora observados esperados ei = n Oi Preada 31 40 Vacas 49 40
Oi ei
-9 9
eg bO e g bO e
2 i i i i i
Oi =80 ei =80
81 81 Oi ei
2.025 2.025 ei =4.050
2 c = 4 .050
Luego: 2 c = 4 .050 6. Regin de rechazo de la H0:. Hay dos categoras, por lo tanto k =2 1 = 1. Luego 2 0 .05 ,1 = 3.841 , luego: S la H0:
2 2 se rechaza . c es igual o mayor a t = 3841
7. Decisin: Como 2 es mayor que 2 . , se rechaza la hiptesis c = 4 .050 t = 3841 planteada Ho:, es decir, existe suficiente evidencia para afirmar que la seleccin de vacunos no se ha realizado al azar, sino que ha existido cierta parcializacin a vacas vacas. EJERCICIOS: 1. Supongamos que se desea comparar el efecto de dos frmacos A y B para un miso sntoma. Para ello, se introduce el frmaco A en 50 sobres, el frmaco B en otros 50 y un placebo en otros 50. Una vez mezclados y numerados, se introduce los sobres en una caja con la intecin de suministrarlos aleatoriamente a 150 pacientes. Al cierre del estudio nicamente se conoce el resultado del tratamiento en 103 pacientes. Previo al anlisis del efecto de los frmacos, se desea comprobar que la muestra de 103 pacientes es representativa de la poblacin objeto de estudio, en el sentido de que la proporcin de pacientes tratados con el frmaco A es igual a la proporcin de pacientes tratados con el frmaco B e igual a la proporcin de pacientes tratados con el placebo. Para ello, la prueba que se aplicar es la Jicuadrada para una muestra. La informacin se presenta a continuacin.

Frmaco A 34 Frmaco B 37 Placebo 32 Total 103
El programa en SPSS, es el siguiente: data list free/v1 to v2. begin data. 1 34 2 37 3 32 end data. weight by v2. npar test chisq v2 v1(1,3). 2. Supongamos que se desea comprobar el efecto de un tratamiento en un conjunto de 120 pacientes con infarto de miocardio, y que se sospecha que dicho efecto puede ser distinto dependiendo de la localizacin del infarto. De entre los 120, el nmero de pacientes con localizacin Anterior o Inferior es el mismo e igual al doble del nmero de pacientes con localizacin Lateral o Posterior. Al cierre del estudio nicamente se conoce el resultado del tratamiento en 103 de los pacientes. Previo al anlisis del efecto del tratamiento, se desea comprobar que la muestra de 103 pacientes es representativa de la poblacin objeto de estudio, en el sentido de que, por cada paciente con localizacin del infarto de miocardio Lateral o Posterior, hay dos pacientes con cada una de las localizaciones Anterior e Inferior. La informacin se presenta a continuacin:
Anterior 33 Localizacin del Infarto Inferior Lateral 34 17 Posterior 19 Total 103
3. Se tiene la distribucin de las muestras postivas realizadas en bovinos de los mdulos de: Huanacomarca y Sora del distrito de Umarchi, usando el mtodo California Mastitis Test, segn grado de reaccin. La informacin se presenta en seguida:
Mdulo Huanac.-Sora
+10
Grado de reaccin + 36
++ 6
Muestras Positivas 52
Calcule la prueba Ji-cuadrado e interprete los resultados. Use
= 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 21 4. La informacin corresponde a la prevalencia de Mastitis Subclnica Bovina del mdulo de crianza de Huanacomarca y Sora, segn nmero de partos, usando el mtodo de California Mastitis Test y WhiteSide Test.
MTODO: California Mastitis Test N de partos 1 N vacas evaluadas 23 N de vacas positivas 7 MTODO: WhiteSide Test N de partos 1 N vacas evaluadas 23 N de vacas positivas 3
2 43 12 2 75 18
3 35 11 3 38 8
4 35 6 4 44 20
5a+ 64 2 5a+ 20 3
TOTAL 200 38 TOTAL 200 52
Existe diferencia en cada uno de los mtodos indicados en los cuadros anteriores. Calcule la prueba Ji-cuadrado por separado para cada uno de los mtodos e interprete los resultados. Use = 0.05. 5. Se tiene la prevalencia de Mastitis Subclnica Bovina, segn nmero de lactaciones, usando mtodos de California Mastitis Test y WhiteSide en los mdulos de Huanacomarca y Sora del distrito de Umachiri. La informacin se presenta a continuacin:
MTODO: California Mastitis Test N de vacas por meses de lactacin 1 N vacas evaluadas 23 N de vacas positivas 3
MTODO: WhiteSide Test N de vacas por meses de lactacin 1 N vacas evaluadas 23 N de vacas positivas 10
2 75 13
3 38 6
4a+ 64 16
TOTAL 200 38
2 43 17
3 35 15
4 35 6
5a+ 64 4
TOTAL 200 52
Calcule la prueba Ji-cuadrado por separado para cada uno de los mtodos e interprete los resultados. Use = 0.05.
- 22 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 1.3. PRUEBA DE KOLMOGOROV-SMIRNOV DE UNA MUESTRA. CONDICIONES: - Es una prueba de bondad de ajuste, que est interesada en el grado de acuerdo entre la distribucin de un conjunto de valores muestreados (puntuaciones observadas) y alguna distribucin terica especfica. - La variable en estudio se distribuye en escala de variable continua. - La prueba es adecuada para probar la bondad de ajuste para variables que son medidas en al menos una escala ordinal. - Prueba si un conjunto de datos tienen una distribucin terica especfica. DISTRIBUCIN MUESTRAL: La prueba de Kolmogorov-Smirnov (K-S), se enfoca sobre las condiciones ms grandes. El valor absoluto ms grande de F0 (X i ) S n (X i ) se llama mxima desviacin de D.
D = mx F0 (X i ) S n (X i ) ,
F0 (X i ) :
i = 1,2,3, ...., n
Es una funcin de distribucin de frecuencias relativas acumuladas completamente especificada por la distribucin terica, segn la Ho: o la probabilidad acumulada P(x X) de la funcin de distribucin terica de frecuencia acumulada conforme a la hiptesis nula (Ho:). S n (X i ) : Es la distribucin de frecuencias relativas acumuladas observadas de una muestra aleatoria de n observaciones es la distribucin emprica de frecuencias acumulativas observada de una muestra tomada al azar de n observaciones S(X) = k n ; k: el nmero de observaciones menores o iguales que X. - Si n > 35, los valores crticos de D, pueden ser determinados en la ltima fila de la tabla de Kolmogorov-Smirnov (Anexo, F). MTODO 1. Hiptesis Estadstica: a) H 0 :F(X) = F0 (X) Versus H a :F(X) F0 (X) b) H 0 : F(X) F0 (X) Versus H a : F(X) < F0 (X) c) H 0 :F(X) F0 (X) Versus H a : F(X) > F0 (X)
2. Nivel de significacin: y determinar n 3. Prueba Estadstica. Fundamentar la utilizacin de la prueba de Kolmogorov-
Estadstica No Paramtrica Aplicada a la Ganadera - 23 Smirnov, en este caso se trata de probar la normalidad de los datos si proviene de una misma poblacin o de diferente poblacin. 4. Distribucin Muestral: Fijado el nmero de muestras n, se puede encontrar el valor crtico D, que estn dadas en la Tabla de K-S (Anexo, F), para una muestra de acuerdo a la hiptesis planteadas Dn, = Valor crtico. 5. Clculo del valor de la prueba D = mx F0 (X i ) S n (X i ) 6. Regin de Rechazo y Aceptacin: Comparar el valor observado de
D = mx F0 (X i ) S n (X i ) con el valor
Dn, = crtico.
7. Decisin: En base a la Tabla (Anexo, F), encontramos que la probabilidad asociada (dos colas) con la ocurrencia, segn Ho: de valores tan grandes como los valores observados de D. Si (p ) entonces se debe rechazar la Ho: EJEMPLO 1: En un experimento de ganancias de pesos vivos (kg) en cerdos, luego de un tratamiento se desea probar la normalidad de los datos obtenidos (n = 23):
9 10 9 19 16 8 11 11 13 21 13 15 16 24 17 12 11 13 28 14 10 15 22
SOLUCIN: 1.- Hiptesis Estadstica: Ho: Las ganancias de peso vivo (kg) en cerdos siguen una distribucin normal. Ha: Las ganancias de peso vivo (kg) en cerdos no siguen una distribucin normal. 2. Nivel de significacin: = 0.05 3. Prueba Estadstica: Se elige la prueba de Kolmogorov-Smirnov de una muestra, debido a que el investigador desea comparar pesos, adems los datos estn expresados en una variable contnua. 4. Distribucin Muestral. Los valores crticos de D, la desviacin mxima absoluta estn dadas en la Tabla de Kolmogorov-Smirnov (Anexo, F) para una muestra, en nuestro ejemplo el valor crtico es: D(23,0.05) = 0.275. 5. Clculo del valor de la prueba D = mx F0 (X i ) S n (X i )

Y'i-1 - Y'i 8 - 12 12 - 16 16 - 20 20 - 24 24 - 28 TOTAL ni Ni 8 7 4 2 2 23 8 15 19 21 23 Yi 10 14 18 22 26 niYi 80 98 72 44 52 346
ni Yi2
800 1372 1296 968 1352 5788
Sn (Xi )
0.348 0.652 0.826 0.913 1.000
Zi =
Yi ' Y S
F(X) F(X) 0 i S n(X) i 0 i

0.27760 0.57535 0.83147 0.95907 0.99413 0.07040 0.07665 0.00547 0.04607 0.00587
-0.59 0.19 0.96 1.74 2.52
6.Regin de Rechazo y Aceptacin: Como D = mx F0 (X i ) S n (X i ) =0.07665 es menor que D23 ,0 .05 = 0.275 , entonces se acepta la Hiptesis Ho: y se rechaza la Hiptesis Ha: 7. Decisin: Como D = 0.07665 D23,0.05 = 0.275 , entonces existe evidencia de que los datos de los pesos en cerdos siguen una distribucin normal. EJEMPLO 2: Se realiz un estudio para conocer cunto tiempo en segundos tardan los estudiantes del ltimo nivel de veterinaria en identificar los diferentes tipos de parsitos en el microscopio, usando las habilidades motoras bsicas. La informacin se presenta a continuacin:
17 25 30 21 24 32 25 25 17 16 21 20 19 22 25 22 28 18 24 19 20 18 16 16 19 27 21 22 23 23 23 21 18 20 30 25 21 28 21 n=3
SOLUCIN: 1.- Hiptesis Estadstica: Ho: La identificacin de los parsitos en el microscopio sigue una distribucin uniforme. Ha: La identificacin de los parsitos en el microscopio no sigue una distribucin normal. 2. Nivel de significacin: = 0.05 3. Prueba Estadstica: Para probar la normalidad de los datos, se usa la prueba de Kolmogorov-Smirnov de una muestra. 4. Distribucin Muestral. Los valores crticos de D, la desviacin mxima absoluta estn dadas en la Tabla de Kolmogorov-Smirnov para una muestra, en nuestro ejemplo el valor crtico es: D(39,0.05) = 0.213. 5. Clculo del valor de la prueba D = mx F0 (X i ) S n (X i )
Estadstica No Paramtrica Aplicada a la Ganadera - 25 2 nY i i
Y 'i-1 - Y 'i 15 18 21 24 27 30 -
ni N i
Y i
niY i 82.5 175.5 270.0 178.5 85.5 94.5
Sn(X) i
0.128 0.359 0.667 0.846 0.923 1.000
Zi =
Yi' Y S
F(X) S(X) F(X) 0 i n i 0 i

0.12714 0.33724 0.62172 0.84850 0.95994 0.99324 0.00086 0.02176 0.04528 0.00250 0.03694 0.00676
18 5 5 16.5 21 9 14 19.5 24 12 26 22.5 27 7 33 25.5 30 3 36 28.5 33 3 39 31.5
1361.25 3422.25 6075.00 4551.75 2436.75 2976.75
-1.14 -0.42 0.31 1.03 1.75 2.47
6.Regin de Rechazo y Aceptacin: Como D = mx F0 (X i ) S n (X i ) =0.04528 es menor que D39 ,0.05 = 0.213 , entonces se acepta la Hiptesis Ho: y se rechaza la Hiptesis Ha:
. 7. Decisin: Como D = 0.04528 D39,0.05 = 0213 , entonces existe evidencia de que los datos en segundos para la identificacin de los parsitos siguen una distribucin normal o tambin en trminos de (p ).
EJERCICIOS: 1. Los siguientes datos corresponden al peso vivo (kg) de las borregas criollas de 4 aos de edad en el Centro de Investigacin y Produccin Chuquibambilla de la UNA-Puno, (1998).
37 43 28 40 37 33 35 42 34 39 35 32 32 28 35 34 35 36 31 37 36 37 38 32 37 31 31 43 35 36 38 40 39 30 30 35 33 34 36 31 30 32 29 34 36 32 29 38 38 34 34 42 26 32 34 40 29 41 33 38 42 33 42 38 28 41 34 31 33 30
n = 70
Se pide: Probar con la prueba de Kolmogorov-Smirnov, si los datos se distribucin en forma normal, e interpretar los resultados encontrados. 2. Los siguientes datos corresponden a las vicuas hembras adultas que han sido esquilados en el criadero de vicuas del Comit Comunal de Manejo de Vicuas de Cala - Cala, (1998), y las variables registradas son: Peso vivo (kg), Peso velln (kg) y dimetro de fibra (micras).
Pes o v ivo (kg )
26.0 40.0 33.7 36.0 0.27 0.25 0.24 0.24 18.06 14.11 19.46 11.53
34.2 31.2 41.8 23.5 0.18 0.15 0.15 0.21 14.49 15.07 13.16 16.00
26.5 35.8 39.6 24.3 0.11 0.13 0.13 0.21 16.34 14.14 15.37 14.92
38.1 30.4 42.5 33.1 0.18 0.20 0.20 0.20 14.90 14.98 15.74 14.59
38.2 33.6 36.4 32.2 0.16 0.13 0.12 0.11 15.07 14.84 12.47 14.13
Pes o v ell n (kg).
Dimetro de fib ra (micras )
a) Elaborar una tabla completa de distribucin de frecuencias para cada variable. b) Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov. c) Interpretar algunos valores de las frecuencias encontradas. 3. Se realiz el anlisis de sangre para la variable HEMOGLOBINA en el Laboratorio de Bio-qumica de la F.M.V.Z.-UNA - Puno, las muestras fueron procedentes de las alpacas de la raza Huacaya y Suri del Centro de Investigacin y Produccin La Raya de las clases (cras, tuis y adultos) y de ambos sexos (2000), obtenindose los siguientes resultados:
RAZA HUACAYA: HEMOGLOBINA 13.09 13.83 12.38 14.21 13.83 13.45 12.04 13.83 13.83 12.04 13.45 13.45 13.27 13.45 13.27 14.21 13.27 12.73 13.45 12.73 14.60 15.42 14.21 13.83 14.60 12.38 13.83 12.04 13.09 13.45 RAZA SURI: HEMOGLOBINA 13.09 14.60 14.60 13.83 13.09 13.09 12.73 13.45 14.60 13.45 12.91 12.56 13.27 10.60 12.21 14.60 14.21 13.09 13.27 13.45 12.91 15.01 15.63 14.02 14.60 13.45 11.88 13.27 11.22 13.09
Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov. 4. Los datos corresponden a las variables de Frecuencia de Pulso de las llamas de tipo: Chacu y Kra de ambos sexos y de las clases cras, jvenes y adultos. Las muestras fueron tomadas de las llamas de Quimsachata INIA-Puno (2000), obtenindose los siguientes resultados:
Estadstica No Paramtrica Aplicada a la Ganadera - 27 FRECUENCIA DE PULSO (minutos). 81 75 82 79 77 76 79 74 78 75 79 76 79 76 78 75 74 76 67 63 62 61 60 65 78 76 74 79 74 78
78 73 73 61 73
80 78 75 64 73
78 78 76 65 75
80 75 73 63 79
Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov. 5. Los siguientes datos corresponden a las lecturas de la presin sangunea sistlica que se hicieron a 40 adultos que se presentaron para un examen fsico:
104 126 116 105 114 112 126 114 120 122 128 115 129 146 116 118 117 106 120 122 132 116 124 102 112 132 113 115 138 112 112 122 118 106 123 106 123 123 113 116
Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov. 6. A continuacin se presentan las edades (en aos) de un grupo de pacientes con Carcinoma Cervical, registradas en el Hospital Manuel Nuez Butrn de Puno, en Enero de 1999.
25 36 79 62 21 24 76 55 31 39 80 61 24 43 75 43 26 38 39 42 27 39 42 38 42 36 41 27 43 37 51 35 22 44 56 53 48 51 44 50
a) Construir un cuadro de distribucin de frecuencias. b) Analizar algunos valores de las frecuencias halladas. c) Graficar el histograma de frecuencias, polgono de frec. absolutas y relativas y, ojivas. d) Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov. 7. En el CIP de Chuquibambilla de la UNA, se llev a cabo un experimento de engorde con alimentacin a base de pastos naturales y la adicin del nutriente biomolecular, para determinar la ganancia de peso vivo en toretes de diente de leche de la raza Aberdeen Angus (se inyect cada 30 das por va intramuscular dosis de 1.5 ml por cada 100 kpv/animal) la crianza fue en el sistema extensivo.
- 28 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno La duracin del experimento fue de 90 das (octubre, noviembre y diciembre de 1998).
302 314 308 272 366 312 284 238 192 408 368 258 306 298 332 289 350 355 285 301 262 325 358 282 345 359 259 289 385 350
a) Construya la tabla de distribucin de frecuencias. b) Graficar el histograma de frecuencias y el polgono correspondiente. c) Probar la normalidad de los datos con la prueba de Kolmogorov-Smirnov. d) Interpretar los resultados.
2
El Caso de una muestra medida dos veces y obtenida por medio pares replicados
2.1. La Prueba de cambio de McNEMAR
CONDICIONES: - Se usa para la significacin de los cambios y se aplica a los diseos antesdespus y se estudia al mismo sujeto. - Cada pareja de datos (X,Y) es el sujeto antes y despus del tratamiento. - Las mediciones se realizan, ya sea en escala nominal u ordinal. MTODO: 1. Se ordenan los datos en una tabla de frecuencias de 2x2, de la siguiente manera:
DESPUS
ANTES
+
B D
+ -
A C
Donde: A: Denota el nmero de individuos cuyas respuestas fueron (+) en la primera medicin y (-) en la segunda medicin. D: Es el nmero de individuos quienes cambiaron de (-) a (+). B: Es la frecuencia de individuos que respondieron (+) en ambas ocasiones.
- 30 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno C: Es el nmero de individuos que respondieron (-) en la primera y la segunda evaluacin. C y B: significa que no hubo cambios. A+D: Es el nmero total de respuestas que cambiaron. Si el total es menor a 10, entonces usar la prueba binomial. Si el nmero total de cambios es mayor a 10, usar la prueba de McNemar. 2. Se plantean las hiptesis nula (Ho:) que la probabilidad de cambio de (+) a (-) es igual a la probabilidad de cambio de (-) a (+). En forma de simbologa se puede denotar: H0: P(D) = P(A) = 1 versus H a : P(D) > P(A) 2 3. Nivel de significacin:
= 0.05 o = 0.01.
4. Prueba estadstica a utilizar: Se determina las frecuencias esperadas de cambio

(A + D) 2 (A + D) 2
E=
(A + D) 2
, individuos que cambiaron de (+) a (-).
, individuos que cambiaron de (-) a (+). Si E < 5, entonces se utiliza la prueba Binomial en lugar de Mcnemar. Si E 5, entonces se utiliza la prueba de McNemar. Se calcula como la Jicuadrada, cuya frmula es la siguiente:
2 c
c A D 1h =
A+ D
con gl = 1

2 R.A./H 0 : P( 2 1 ) > , entonces aceptamos la Ho: 2 R. R./H 0 : P( 2 > 1 ) , entonces rechazamos la Ho:
Otra forma de rechazar o aceptar es:

2 2 H 0 : 1 1, , entonces se acepta la Ho: 2 2 H 0 : 1 > 1, , entonces se rechaza la Ho:
6. Clculo de la Ji-cuadrado 7. Decisin:
Estadstica No Paramtrica Aplicada a la Ganadera - 31 EJEMPLO: La informacin que se presenta en seguida corresponde a los pesos (kg) de 20 novillos registrados en dos momentos diferentes, antes de entrar al experimento de alimentacin se tomaron los pesos iniciales (antes) y a los 3 meses de alimentacin se registr el peso final (despus). La informacin se presenta a continuacin:
Novillo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Antes 240 255 250 250 235 297 240 230 267 277 262 303 250 248 240 207 204 250 255 297 Despues 256 277 279 268 233 293 239 239 256 304 206 303 248 204 240 217 204 259 247 297 Diferencia -16 -22 -29 -18 2 4 1 -9 11 -27 56 0 2 44 0 -10 0 -9 8 0
Probar que el incremento de peso de los novillos a mejorado. SOLUCIN: 1. Se ordenan los datos en una tabla de frecuencias de 2x2, de la siguiente manera:
DESPUS
A NTES
+
2=B 8=D
+ -
8=A 2=C
Nota: Contar (-)(-) debajo de la mediana. Contar (+)(+) encima de la mediana. 2. Hiptesis Estadstica: H 0 : P(D) = P(A) versus H a : P(D) > P(A) Ho: La probabilidad de peso inicial es igual a la probabilidad de peso final en novillos. Ha: La probabilidad de incremento de peso es mayor que la probabilidad de prdida de peso en novillos. A+D = 16, es el nmero total de cambios. 3. Nivel de significacin: = 0.05 4. Prueba estadstica a utilizar:
2 (1)
c A D 1h =
A+ D
con gl = 1

2 2 H 0 : (1) 1,0.05 = 3841 . , entonces se acepta la Ho: 2 2 H 0 : (1) > 1,0.05 = 3841 . , entonces se rechaza la Ho:
- 32 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 6. Clculo de la Ji-cuadrado

E= (A + D) 8 + 8 = = 8 E , entonces usar la prueba McNemar: 2 2
2 (1)
c 8 8 1h =
8+8
1 = 0.0625 16
2 7. Decisin: Como 2 , entonces se acepta la Ho:, es (1) = 0.0625 1,0.05 = 3.841
decir que los pesos registrados antes del experimento en novillos es igual al incremento de los pesos finales (despus) en novillos. EJEMPLO: Se ensay un experimento para determinar la ganancia de peso vivo en carnerillos de 11 meses de edad de la raza criollo del CIP-Chuquibambilla, para tal efecto se registraron los pesos iniciales (antes) y ganancia de peso final (despus), sometidos a las mismas condiciones de edad, alimentacin y tiempo con una duracin de 70 das aproximadamente, iniciando en octubre del 2003 y terminando en Diciembre del mismo ao. La informacin se presenta a continuacin:
Carnerillo A ntes Des pus Diferencia Carnerillo A ntes Des pus Diferencia 1 39 42 -2 21 35 41 -6 2 42 51 -8 22 35 42 -6 3 47 46 1 23 42 44 -1 4 41 46 -6 24 37 41 -4 5 37 44 -8 25 36 40 -4 6 37 42 -5 26 41 41 0 7 39 42 -3 27 35 41 -6 8 39 42 -4 28 37 41 -3 9 40 39 1 29 42 42 0 10 39 43 -4 30 39 41 -2 11 40 40 0 31 32 38 -6 12 31 38 -6 32 37 40 -3 13 44 46 -2 33 37 39 -1 14 43 46 -3 34 35 35 0 15 36 36 0 35 37 41 -4 16 35 43 -8 36 39 42 -3 17 41 40 1 37 39 38 1 18 38 46 -8 38 36 42 -6 19 40 45 -5 39 34 39 -5 20 40 46 -6 40 36 41 -5
Estadstica No Paramtrica Aplicada a la Ganadera - 33 SOLUCIN: 1. Se ordenan los datos en una tabla de frecuencias de 2x2, de la siguiente manera:
D ES P U S
A N T ES
+
3 = B 4 = D
+ -
31 = A 2 = C
2. Hiptesis Estadstica: H 0 : P(D) = P(A) versus H a : P(D) < P(A) Ho: La probabilidad de cambio de (+) a (-) es igual a la probabilidad de cambio de (-) a (+) carnerillos de la raza criollo Ha: La probabilidad de cambio de (-) a (+) es menor al cambio de (+) a (-) en el incremento de peso vivo en carnerillos de la raza criollo. A+D = 35, es el nmero total de cambios. 3. Nivel de significacin: = 0.05 4. Prueba estadstica a utilizar:
2 (1) =
c A D 1h
A+ D
con gl = 1

2 2 H 0 : (1) 1,0.05 = 3841 . , entonces se acepta la Ho: 2 2 H 0 : (1) > 1,0.05 = 3841 . , entonces se rechaza la Ho:
6. Clculo de la Ji-cuadrado
E= (A + D) 31+4 = = 175 . E , entonces usar la prueba McNemar: 2 2
2 (1)
c 31 4 1h =
31+ 4
676 = 19.314 35
2 7. Decisin: Como 2 . , entonces se rechaza la Ho: y se (1) = 19.314 1,0.05 = 3841
acepta la Ha:, es decir que los pesos registrados de (-) a (+) es menor al cambio de (+) a (-) en el incremento de peso vivo en carnerillos de la raza criollo.
- 34 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno EJERCICIO: Se registro la frecuencia respiratoria en llamas Chaku de ambos sexos de 3 - 6 aos de edad, en la maana (antes) y en la tarde (despus) en el CIP - La Raya, cuya informacin se presenta a continuacin:
N arete 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 MAANA 21 19 22 22 24 22 18 22 25 21 24 20 22 27 16 22 25 27 TARDE 22 23 19 18 26 20 23 25 23 20 29 20 20 27 26 25 23 28
Calcule la prueba de McNemar e interprete los resultados.
2.2. Prueba de los SIGNOS

CONDICIONES: - Esta basada en la direccin de las diferencias entre dos mediciones que estn en medidas cuantitativas y es aplicable a investigaciones en las cuales las mediciones cuantitativas son imposibles o no son viables, pero que s se puede determinar, para cada par de observaciones, cul es la ms grande en algn sentido. - La prueba de los signos es aplicable al caso de dos muestras relacionadas cuando el investigador desea establecer que dos condiciones son diferentes. - La variable estudiada tiene una distribucin continua y no hace suposiciones acerca de la forma de la distribucin y tampoco supone que los sujetos pertenecen a la misma poblacin. - Los diferentes pares de observaciones pueden pertenecer a diferentes poblaciones. - Cada dato Ai y Bi pertenecen a dos condiciones A y la condicin B. - No se supone la distribucin de la diferencia di = Ai Bi . - Cada pareja de datos (Ai , Bi ) y (Aj , Bj ) , pueden provenir cada una de ellas de diferentes poblaciones. - Cada sujeto i puede ser su propio control o dentro de cada pareja, el investigador haya igualado respecto a las variables extraas relevantes. MTODO: 1. Se realizan las siguientes comparaciones: S Ai > Bi , entonces se asigna el signo +. S Ai < Bi , entonces se asigna el signo - S Ai = Bi , entonces se asigna un cero y no se toma en cuenta.
Estadstica No Paramtrica Aplicada a la Ganadera - 35 2. Encontrar el nmero total de + y -, es decir N = " +" +" " 3. Buscar X: el nmero menor de cualquiera de los dos signos (X: sumatoria menor de los signos). 4. Hiptesis Estadstica:
H 0 :P(A i > Bi ) = P(A i < Bi ) = 1 , otra forma de plantear la Hiptesis Ho: es: 2
H 0 : Mediana(A i ) - Mediana(B i ) = 0
5. Prueba Estadstica: MUESTRAS PEQUEAS: S N 35, entonces se puede determinarse recurriendo a la distribucin binomial con p = q = 1/2, donde N es el nmero de pares. La prueba de signo puede ser unidireccional como bidireccional. En la prueba unidireccional, la hiptesis alterna (Ha:) plantea que un signo + o - ocurrir ms frecuentemente. En cambio en la prueba bidireccional, la prediccin es simplemente que las frecuencias de los signos diferirn significativamente (los valores de probabilidad de la Tabla de aproximacin a la distribucin normal (Anexo) debern duplicarse. EMPATES: Para la prueba de los signos ocurre un empate cuando no es posible discriminar entre los valores de un par igualado o ambos valores son iguales. Todo los casos que presentan como empates son excluidos del anlisis en la prueba de los signos y entonces la N se decrementa el mismo nmero de empates que existan. N es el nmero de pares igualados para quienes la diferencia tiene un signo + o -. MUESTRAS GRANDES: Si N > 35, se puede utilizarse la aproximacin normal a la distribucin binomial. En este se realiza mejor empleando la correccin por continuidad. Esta correccin se efecta reduciendo la diferencia entre el nmero observado de signos postivos (o negativos ) y el nmero esperado (la media) cuando Ho: es verdadera al 0.5. As la correccin de la continuidad queda:
Z=
(x 0.5) - N 2 0.5 N
- 36 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Donde: x + 0.5, se utiliza cuando x < N/2, y x - 0.5 cuando x > N/2. La siguiente ecuacin en una forma simplificada de la anterior facilitar los clculos:
Z=
2x 1 - N N
Donde: +1 cuando x <N/2, y -1 cuando x > N/2. El valor obtenido de Z mediante la ecuacin anterior, puede considerarse normalmente distribuida con media igual a cero y varianza igual a uno. En el Anexo, se proporciona los valores de probabilidad (unidireccional) asociada con la ocurrencia cuando Ho: es verdadera, con valores extremos observados de x. Para la prueba bidireccional, el valor de probabilidad obtenido en la tabla del Anexo, debe duplicarse. 6. Decisin: Si la probabilidad mostrada por la prueba es menor o igual a , rechazamos la Ho: ( p ). EJEMPLO: Se ensay un experimento en el engorde de cerdos usando un nuevo tratamiento como concentrado en la alimentacin. Los resultados fueron los siguientes:
Cerdos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Peso antes Peso despus Direccin de del tratamiento del tratamiento la diferencia 79 80 Aa < Bd 65 69 Aa < Bd 57 60 Aa < Bd 51 49 Aa > Bd 57 53 Aa > Bd 66 66 Aa = Bd 44 50 Aa < Bd 41 41 Aa = Bd 44 44 Aa = Bd 36 50 Aa < Bd 45 42 Aa > Bd 38 41 Aa < Bd 39 45 Aa < Bd 45 45 Aa = Bd 50 51 Aa < Bd 56 52 Aa > Bd 53 56 Aa < Bd 59 60 Aa < Bd 59 65 Aa < Bd 61 63 Aa < Bd 38 40 Aa < Bd 41 45 Aa < Bd 53 50 Aa > Bd 44 45 Aa < Bd 61 60 Aa > Bd 60 60 Aa = Bd 50 48 Aa > Bd 54 52 Aa > Bd 60 57 Aa > Bd 71 70 Aa > Bd
Signo -1 -4 -3 2 4 0 -6 0 0 -14 3 -3 -6 0 -1 4 -3 -1 -6 -2 -2 -4 3 -1 1 0 2 2 3 1
SOLUCIN:
"+" = 10, "-" = 15,
x = 10 y N = 25
- 38 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 1. Hiptesis Estadstica: Ho: La proporcin de los cerdos con el peso inicial antes del tratamiento es igual a la proporcin de pesos con el tratamiento concentrado (despus). p = q = 1/2 Ha: La proporcin de los cerdos con el peso inicial es mayor que el peso de los cerdos despus del tratamiento con el concentrado. 2. Nivel de significacin:
= 0.05 y N = 25.
3. Prueba estadstica a utilizar: De acuerdo a la informacin se tiene que N<35, entonces, se usar la prueba estadistica binomial. 4. Distribucin muestral: La probabilidad asociada a la ocurrencia de los valores tan grandes como x, es proporcionada por la distribucin binomial para p = q = 1/2. Cuya frmula es el siguiente:
P (X x ) =
G H
10 x=0
F 2 5IJ p q xK
x
n x
5. Regin de rechazo y aceptacin: RA.: P X 10 > = 005 aceptar la Ho: . RR.: P X 10 = 0.05 rechazar la Ho: 6. Clculo del valor de la prueba.
P X 10 =
x=0
FG25IJFG 1IJ FG 1IJ H x KH 2K H2K

x
25x
. = 02122
Usando la Tabla binomial (Anexo, D) es ms fcil encontrar el valor numrico, con los siguientes datos: N = 25, x = 10 y p = q = 1/2 = 0.5, buscamos en la tabla binomial acumulada para P X 10 = 0.2122 7. Decisin: Como P X 10 = 0.2122 > = 0.05 , entonces se acepta la hiptesis Ho:, es decir que no existe diferencia significativa en el aumento y en la disminucin de pesos en cerdos despus del tratamiento con el concentrado.
Estadstica No Paramtrica Aplicada a la Ganadera - 39 EJERCICIOS: 1. A un grupo de 20 pacientes que asistan a una clnica de fisioterapia se les someti a una determinada prueba, diseada para medir su nivel de motivacin, antes de que participaran en un programa experimental de remotivacin. Al trmino del programa, los pacientes fueron sometidos a una nueva prueba. Las calificaciones antes y despus son las siguientes:
Calificacin Paciente 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Antes 10 8 5 14 15 22 17 10 8 20 16 10 15 5 24 20 14 10 15 14 Despus 15 10 10 14 25 20 20 22 16 18 24 23 25 15 20 25 24 23 25 25
Una calificacin alta indica un nivel alto de motivacin. Qu se puede concluir de estos datos?. Sea =0.05. Determinar el valor de p. 2. Una muestra de 15 pacientes que padece de asma particip en un experimento para estudiar los efectos de un nuevo tratamiento sobre la funcin pulmonar. Una de las mediciones que se registraron fue la de volumne espiratorio forzado (litros) en 1 segundo (VEF) antes y despus de la aplicacin del tratamiento. Los resultados son los siguientes:
Individuo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 A ntes 1.69 2.77 1.00 1.66 3.00 0.85 1.42 2.82 2.58 1.84 1.89 1.91 1.75 2.46 2.35 D espus 1.69 2.22 3.07 3.35 3.00 2.74 3.61 5.14 2.44 4.17 2.42 2.94 3.04 4.62 4.42
Es posible concluir, con base en estos datos, que el tratamiento incrementa de manera efectiva el nivel del VEF?. Use =0.05. Calcular el valor de p.
2.3. Prueba de Rangos Asignados de WILCOXON

CONDICIONES: - La prueba t de Wilcoxon, es la alternativa ms potente a la prueba paramtrica t-Student Fisher para grupos relacionados o apareados, al utilizar no solo los signos, sino tambin las cuantias ordinales de las diferencias. - El mtodo de anlisis que sigue Wilcoxon es similar a la prueba de signos. - La prueba de rangos asignados de Wilcoxon adjudica mayor peso a los pares que muestran mayores diferencias entre las dos condiciones, ms que a los pares cuy diferencia es pequea. - La prueba de Wilcoxon, se aplica con bastante xito en las ciencias de la conducta. - Cada par (Xi, Yi) corresponden a dos condiciones diferentes. - Los puntajes deben ser medidos en forma cuantitativamente. - Se encuentra la distribucin de las diferencias: d i = X i Yi
- 40 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno - Se debe utilizar para probar la hiptesis la mediana de las diferencias es igual a una cierta cantidad. MTODO: - Calcular las diferencias entre las puntuaciones del par en los tratamientos (X, Y) como di = Xi Yi . - Asignar un rango sin tomar en cuenta el signo a las diferencias di, adjudicando el rango 1 a la di ms pequea, el rango 2 a la siguiente, etc. - Cuando se presentan el caso de los valores absolutos de las diferencias son iguales al valor absoluto de cualquier otra diferencia.
X i Yi = X j Yj =L = X k Yk , di = d j =L = d k
El rango promedio se obtiene de la siguiente forma:
Rango Promedio =
Rango(d i ) + Rango(d j )+L+Rango(d k ) Nmero de rangos tomados
- Se asigna el valor de rango promedio a los rangos de la diferencia di al rango de la diferencia dj
di = d j =L = d k
Se asigna el signo de la diferencia di a cada uno de los rangos que se separa los rangos positivos de los negativos. - Cuando se presenta d i = 0 , se excluye este par del anlisis. - Se suman todos los rangos positivos T+ y rangos negativos T-
T + = Suma de los rangos de las diferencias positivas "+". T = Suma de los rangos de las diferencias negativas "".
De lo anterior, la suma de todo los rangos es N ( N + 1 ) 2 , T = N ( N + 1 ) 2 T + ., luego se asigna a T+, la suma ms pequea de rango (T+ = suma pequea de rangos). - Se determina N como el total de las diferencias con signo. EMPATES: S X i Yi = d i = 0 , entonces queda excludo del anlisis y el tamao de N se reduce, respectivamente.
Estadstica No Paramtrica Aplicada a la Ganadera - 41 MUESTRAS PEQUEAS: Si N 15 (Anexo, H), se trabaja con la prueba de Wilcoxon que nos proporciona la probabilidad asociada a los valores de T+. Si la probabilidad es menor o igual que en nivel de significacin seleccionado, rechace la Ho: MUESTRAS GRANDES: Si N > 15, entonces se aproxima a la distribucin normal, T+: la suma de los rangos, se distribuye aproximadamente en forma normal.
T+ Z=
N ( N + 1 )( 2 N + 1 ) 24
FG N ( N + 1)IJ H 4 K
RANGOS EMPATADOS Y MUESTRAS GRANDES: - Si existieran rangos con empates, es necesario ajustar la prueba estadstica para considerar el decremento en la variabilidad de T. La correccin requiere contar los empates y reducir la varianza, respectivamente. En caso de existir rangos empatados, entonces:
2 T+
N ( N + 1 )( 2 N + 1 ) 1 g = tj tj 1 tj +1 24 2 j =1
d id i
Donde: g = Nmero de agrupamiento de diferentes rangos empatados. tj = Nmero de rangos empatados agrupados en j. - Se puede plantear la hiptesis, realizando de la siguiente forma: Ho: Mediana(X) - Mediana(Y) = C versus Ha: Mediana(X) - Mediana(Y)<C DECISIN: - Si T+ > Ttabla, entonces aceptar la Ho: - T+ Ttabla, entonces rechazar la Ho: - En trminos de probabilidad p , entonces rechace la Ho: EJEMPLO: A un grupo de 10 estudiantes del curso de Fisiologa ensean dos profesores uno despus de otro, durante un semestre, en este caso asumimos que el segundo profesor tena mejor mtodo de enseanza y por consiguiente los estudiantes han mejorado en el rendimiento. Las calificaciones de los estudiantes con los dos
- 42 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno profesores fueron los siguientes:
Nota-1 Nota-2 Estudiante Prof. 1 (Xi) Prof. 2 (Y i) di =Xi - Y i Rango Rango (+) Rango (-) 1 15 14 1 3 2 2 11 17 -6 9 -9.5 3 8 13 -5 8 -8 4 9 10 -1 1 -2 5 17 13 4 7 6.5 6 11 13 -2 4 -4 7 11 17 -6 10 -9.5 8 18 19 -1 2 -2 9 14 18 -4 6 -6.5 10 12 9 3 5 5 TOTAL
SOLUCIN: 1. Hiptesis Estadstica: Ho: La mediana de las calificaciones de los estudiantes obtenidas por el primer profesor es igual a la mediana de calificaciones obtenidos por el segundo profesor. Ha: La mediana de las calificaciones de los estudiantes obtenidas por el primer profesor es menor a la mediana de calificaciones obtenidas por el segundo profesor. 2. Prueba Estadstica: Se seleccion la prueba de Wilcoxon puesto que los datos representan diferencias entre las puntuaciones de dos muestras relacionadas. 3. Nivel de Significacin: = 0.01 y N = 10 4. Distribucin muestral: Cuando Ho: es verdadera, los valores calculados de Wilcoxon, se encuentran (Anexo, H). 5. Clculo de la prueba estadstica: Encontrando los rangos promedios: - Rango de: -1, -1, +1, su rango promedio ser:
Rango Promedio = 1+ 2 + 3 =2 3
T =13.5 T =41.5
Estadstica No Paramtrica Aplicada a la Ganadera - 43 - Rango de: -4, 4, su rango promedio ser:
Rango Promedio = 6+7 = 6.5 2 9 +10 = 9.5 2
- Rango de: -6, +6, su rango promedio ser: - La suma de los valores positivos es:
Rango Promedio =
"+"= 3 - La suma de los valores negativos es: "-" =7

- El nmero total de datos es: N = 10, T+ = 13.5
6. Regin de Rechazo: La tabla de Wilcoxon proporciona el valor tabular (Anexo, H) de T 10, 0.01 = 51 con N = 10 y = 0.01 es decir 51>13.5, entonces se acepta la hiptesis Ha: o tambin p=0.0068 = 0.01. 7. Decisin: Los rendimientos de los estudiantes con dos profesores en la enseanza del curso de fisiologa es diferente, es decir la mediana de las calificaciones de los estudiantes por el primer profesor es menor a los obtenidos por el segundo profesor. EJEMPLO: Se realiza un estudio en una Universidad para medir el efecto del cambio ambiental en los estudiantes extranjeros. Uno de los temas de este estudio es una comparacin del peso de los alumnos al llegar a la universidad, con su peso un ao ms tarde. Se plantea la hiptesis de que los alimentos, ms nutritivos que se ingieren en la capital, provocan incremento de peso. Para esto se seleccion en forma aleatoria a 17 estudiantes extranjeros para el estudio. Use = 0.05
Nro. Peso al Llegar Peso 1ao despus 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 124 157 98 190 103 135 149 176 200 180 256 110 109 137 125 160 99 142 157 96 212 116 134 150 184 209 180 269 179 143 135 137 172 98
SOLUCIN: 1. Hiptesis Estadstica: Ho: No existe aumento de peso en los estudiantes extranjeros al final del ao. Ha: Existe incremento de peso en los estudiantes extranjeros al final del ao. 2. Nivel de Significacin: = 0.05, N = 15, ya que se elimin di = 0. 3. Prueba Estadstica: Se tom la prueba de Rangos sealados de Wilcoxon, debido a la presencia de puntajes de diferencia de dos muestras relacionadas, es decir se tom a cada sujeto el peso y al final del ao al mismo sujeto se registr el peso. 4. Distribucin muestra: Conforme la Ho:, los valoes de Z se calcula con la siguiente ecuacin:

T T = Z= T N ( N + 1) 4 ~ N ( 0,1 ) N ( N + 1 )( 2 N + 1 ) 24 T
La tabla de valores crticos (Anexo, A), nos entrega la probabilidad asociada con la ocurrencia conforme a Ho: de valores tan extremos como cierto valor obtenido de Z. 5. Clculo de la prueba estadstica: Como N>15, entonces se realiza la aproximacin a la distribucin normal de Z i) Ordenar los datos de menor a mayor (por pareja). ii) Asignar los rangos a los datos ordenados anteriormente, en el paso i). iii) En caso de empate, asignar el rango promedio a cada par de datos. Tal como se muestra en el siguiente cuadro.
Nro. 1 3 4 5 6 7 8 9 11 12 13 14 15 16 17 Peso_Llega Peso_1ao di = Xi - Yi 124 142 -18 98 96 2 190 212 -22 103 116 -13 135 134 1 149 150 -1 176 184 -8 200 209 -9 256 269 -13 110 179 -69 109 143 -34 137 135 2 125 137 -12 160 172 -12 99 98 1 Orden 18 2 22 13 1 1 8 9 13 69 34 2 12 12 1 Rango_Pre Rango_Prom Rango(+) Rango(-) 12 12 12 4 4.5 4.5 13 13 13 10 10.5 10.5 1 2 2 2 2 2 6 6 6 7 7 7 11 10.5 10.5 15 15 15 14 14 14 5 4.5 4.5 8 8.5 8.5 9 8.5 8.5 3 2 2 T+ = 13.0 T- = 107
De este T, se debe usar el que tiene menor suma, en este caso T = 13, reemplazando a la frmula de la ecuacin se tiene:
Z= N ( N + 1) 4 = N ( N + 1 )( 2 N + 1 ) 24 T 15x16 47 4 = = 2.669 15x16( 2 x15 + 1 ) 310 24 13
Como se han presentado observaciones empatadas en ambas parejas de datos, entonces se realiza la correccin con la siguiente ecuacin:
Agrupacin d i = Xi - Yi 1 2 3 4 1 2 12 13
Rango Promedio 2 4.5 8.5 10.5
tj 3 2 2 2
t j (t j 1)(t j + 1)
24 6 6 6
1 4 t j (t j 1)(t j + 1) = 21 2 j =1
Reemplazando a la frmula siguiente, se tiene:
N( N +1) 47 4 = = 276 Z= . 4 310 21 N( N +1)( 2N +1) 1 t j (t j 1)(t j +1) 24 2 j =1 T

6. Regin de rechazo o aceptacin: La regin de rechazo consiste en todo los valores de Z (obtenido de T), tan extremos como la probabilidad asociada cuando Ho: es verdadera, cuyo valor es igual o menor que (p ). 7. Decisin: Se encontr una Z = -2.76, este valor se busca en la tabla de la distribucin normal P( z 2.76 ) = 0.0029 p = 0.0029 =0.05, entonces se rechaza la Ho:, y se acepta la Ha: Para dos colas 2x0.0029=0.0058 =0.05, entonces se rechaza la Ho:, es decir existe suficiente evidencia para afirmar que los pesos de los estudiantes extranjeros han incrementado al final del ao. EJERCICIO: 1. Se reunieron los siguientes datos acerca del funcionamiento pulmonar en nios con distrofia muscular, antes y despus de un perodo de terapia respiratoria. Los resultados se expresan como porcentajes de los valores normales pronosticados por estatura, peso y medida de la superficie corporal.
Antes Depus 74 79 65 78 Capacidad pulmonar forzada (litros) 84 89 84 65 78 86 100 92 104 70 81 84 83 85 82 90
a) Utilizar la prueba de los signos para determinar si la terapia es efectiva. b) Desarrollar con la prueba de Wilcoxon para determinar si la terapia es efectiva. c) Comparar las dos pruebas desarrolladas e interpretar. Usar = 0.05. Cul es el valor de p?.
- 46 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 2. Un maestro quiere determinar si el ingreso temprano a la escuela podra afectar el IQ. El mentor consigue la ayuda de los padres de 17 parejas de gemelos idnticos en edad pre-escolar; los tutores estn de acuerdo en que sus hijos participen en el experimento. Un miembro de cada pareja de gemelos entra a pre-escolar, a la edad de 2 aos, mientras que el otro miembro de la pareja permanece en casa. Al final de los 2 aos, se mide el IQ de todos los nios, para obtener la siguiente tabla.
Pareja Gemelo en la Escuela Gemelo en la casa 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 110 121 107 117 115 112 130 116 111 120 117 106 120 128 119 123 108 114 118 103 112 117 106 125 113 109 122 116 104 107 123 115 117 104
IQ
a) Desarrollar con la prueba de Wilcoxon para determinar si los gemelos difieren. Usar = 0.05 (dos colas). Cul es el valor de p?.
3
DOS MUESTRAS INDEPENDIENTES
3.1. Prueba Exacta de Fisher para tablas de 2x2 CONDICIONES: - Se utiliza para dos muestras independientes y menores o iguales a 15 (N 15). - Se usa para dos muestras independientes al azar que caen dentro de una de dos clases mutuamente excluyentes. - La prueba de la probabilidad exacta de Fisher para tablas de 2x2 es un tcnica para analizar datos discretos (tanto nominales como ordinales) cuando dos muestras independientes son pequeas. - No es necesario que ambas muestras sean del mismo tamao. Se asume N como el total de datos indpendientes. - La prueba determina si los dos grupos difieren en las proporciones en donde caen dentro de cualquiera de las clasificaciones. MTODO: - Se ordenan los datos en una tabla de 2x2. - Se calculan los totales marginales de la tabla de contingencia.
Variable
GRUPO I II A C A+C B D B+D
Combinacin A+B C+D N
+ Total
- 48 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno El clculo de la probabilidad (p) es:
p=
(A + B)!(C + D)!(A + C)!(B + D)! N!A!B!C!D!
- La decisin de aceptar o rechazar la Ho:, depende del clculo de la probabilidad, mediante una prueba de significacin, utilizando la tabla de valores crticos para D o B de la tabla de Fisher de la siguiente forma: i) Se determina A+B y C+D de los datos. ii) Se ubica en la tabla el encabezado de totales en el margen derecho y debajo de este A+B y luego C+D. iii) Se ubicar el valor de B. iv) Si el valor observado de D es menor o igual que el valor D de la tabla, a un alfa ( ) dado, entonces los datos observados son significativos en ese valor. v) Si el valor B observado no se encuentra en la tabla, se toma el valor observado A, y entonces el valor C observado ocupa el lugar de D en el paso anterior. vi) La tabla de Fisher es para regiones de rechazo de una cola, para dos colas se duplicar el nivel de significacin dado en la tabla. En resumen, estos son los pasos para utilizar la tabla del Anexo. 1. Determine los totales por rengln y columna. Denote el valor total de columna o rengln como S1. Denote el total que le siga (en forma ascendente) como S2. La tabla siguiente, puede ayudarnos en la visualizacin del procedimiento. El lector notar que si S1 es un total de rengln, S2 ser un total de columna.
X
S2
S1
Frecuencia ms pequea
N Segunda frecuencia ms pequea
2. X es la frecuencia observada en la celdilla donde se cruzan los valores ms pequeo y el segundo ms pequeo de rengln y columna. 3. Localice el rengln (N, S1, S2, X) en la tabla del Anexo. Hay tres entradas. La primera de ellas, Obs., es la probabilidad unidireccional de observar una diferencia igual o ms extrema que la que se observ. La segunda entrada es la probabilidad de observar una diferencia grande o mayor en la direccin opuesta. Finalmente, la tercera entrada, Total, es la probabilidad bidireccional de observar una diferencia grande o mayor que la observada en cualquier direccin.
Estadstica No Paramtrica Aplicada a la Ganadera - 49 4. Oriente y rotule la tabla para asegurar que las entradas son consistentes con la hiptesis. EJEMPLO: Se quiere determinar la proporcin de las razas de vacas Brown Swiss y Holsten que han sido inseminados artificialmente y se desea saber cuntos son preadas y vacas. El cuadro siguiente ayudar mejor para visualizar.
Brown swiss 3 5 8 Holsten 4 6 10 TOTAL 7 11 18
Preadas No preadas TOTAL
1. Hiptesis Estadstica: Ho: El nmero de vacas preadas de la Raza Brown swiss es igual nmero de vacas preadas de la Raza Holsten. Ha: El nmero de vacas preadas de la Raza Holsten es mayor al nmero de vacas preadas de la Brown swiss . 2. Prueba Estadstica: Se seleccion la prueba exacta de Fisher para realizar el anlisis de los datos. 3. Nivel de Significacin: = 0.05 y N = 18 4. Distribucin muestral: Se calcular con la siguiente frmula:
p=
(A + B)!(C + D)!(A + C)!(B + D)! N!A!B!C!D!
5. Clculo de la prueba estadstica: Se sabe que N = 18, entonces se tiene que:
p=
7!11!8!10! = 0.3695 18!3!4!5!6!
6. Regin de Rechazo: p Ho:
= 0.05, es decir p > 0.05, entonces se rechaza la
7. Decisin: Existe evidencia suficiente para afirmar que las vacas preadas de la raza Holsten son superiores al nmero de vacas preadas de Brown swiss.
- 50 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 3.2. PRUEBA JI-CUADRADO PARA DOS MUESTRAS INDEPENDIENTES En el anlisis de los datos de investigacin, el investigador necesita decidir si varias muestras independientes pueden considerarse provenientes de la misma poblacin. La hiptesis de investigacin es que las k poblaciones son diferentes y la hiptesis estadstica que va a ser evaluada es Ho: Pob1 = Pob2 = ... = Pobk. El investigador extrae una muestra de cada poblacin. Los valores de la muestra casi siempre de alguna manera varan; por tanto, el problema es determinar si las diferencias observadas en las muestras significan realmente diferencias en las poblaciones respectivas o si son meramente el tipo de diferencias que se pueden esperar entre las distintas muestras al azar de la misma poblacin. En este tema se presentarn procedimientos para evaluar la significacin entre tres o ms muestras o grupos independientes. Es decir, tcnicas estadsticas para evaluar la hiptesis nula de que las k muestras independientes se han extrado de la misma poblacin o de k poblaciones idnticas. Se debe distinguir entre dos tipos de pruebas para k muestras. El primer tipo de pruebas se utiliza para analizar datos de k muestras igualadas u observaciones repetidas de una sola muestra, y la otra se refiere a pruebas estadsticas no paramtricas para esta clase de datos. La segunda de las pruebas para k muestras es apropiada para analizar datos de k muestras independientes. La prueba paramtrica usual para evaluar si varias muestras independientes provienen de la misma poblacin, es el anlisis de varianza unifactorial o prueba F. Los supuestos asociados con el modelo estadstico que subyace a la prueba F son que las observaciones fueron extradas independientemente de poblaciones normalmente distribuidas y que todas ellas tienen la misma varianza. Para una interpretacin verdaderamente significativa de los resultados de la prueba F, el requisito de las mediciones de la variable debe estar, al menos, en una escala de intervalo. Si un investigador encuentra que tales supuestos son inapropiados para los datos derivados del problema de investigacin, puede utilizarse una de las pruebas estadsticas no paramtricas para k presentadas. La eleccin de una prueba en particular depende de la naturaleza de los datos y de las suposiciones que debe hacer el investigador. Algunas de las pruebas descritas en esta parte pueden aplicarse con datos que son necesariamente categoras (datos en escala nominal) y algunas otras lo hacen con rangos (datos en escala ordinal). FUNCIN: Cuando los datos experimentales consisten en frecuencias en categoras discretas (nominales o categricas y, en ocasiones, ordinales), puede utilizarse la prueba Ji-cuadrada para evaluar la significacin de las diferencias entre k grupos independientes. La prueba Ji-cuadrada para k muestras o grupos independientes es una sencilla extensin de la prueba Ji-cuadrada para dos muestras
Estadstica No Paramtrica Aplicada a la Ganadera - 51 independientes. En general, la prueba es similar tanto para dos como para k muestras o grupos independientes. MTODO: El mtodo de calcular el estadstico de la prueba Ji-cuadrado para muestras independientes se describir brevemente, junto con un ejemplo de su aplicacin. Para aplicar la prueba Ji-cuadrada, primero debemos presentar los datos (frecuencias) en una tabla r X k donde los datos en cada columna corresponden a las frecuencias en cada una de las r categoras de respuesta para cada uno de los k grupos o muestras diferentes. La hiptesis nula es que la k muestras de frecuencias provienen de la misma poblacin o de poblaciones idnticas. Esta hiptesis, de que las k poblaciones no difieren entre s, puede evaluarse aplicando las ecuaciones a) o b) PROCEDIMIENTO: 1. Hiptesis Estadstica (Planteamiento de la hiptesis respectiva). 2. Nivel de significacin , N 3. Prueba Estadstica: Se elige la prueba de Ji-cuadrada observada, ya que los datos presentan por lo menos en escala ordinal, y presentan categoras. 4. Distribucin muestral: La frmula de Ji-cuadrada se presenta a continuacin:
2 c
d =
r k i =1 j = 1
ij
eij eij
(2r 1 )( k 1 ) ,
....... a)
eij =
r 2 c
i . . j ..
k 2 ij
=
i =1 j =1
eij
(2r 1 )( k 1 ) ................... b)
Donde:
i.
=Es el total observado por la i-sima fila. = Es el total observado por la j-sima columna. = Es el total general (tamao de muestra).
.j
..
- 52 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno r = nmero de filas. k = nmero de columnas. 5. Clculo de la prueba estadstica: Se realiza el procedimiento de clculo de la prueba estadstica Ji-cuadrada. 6. Regin de rechazo y aceptacin:
2 Si 2 c ( r 1 )( k 1 ), se acepta la Hiptesis Nula (Ho).
2 2 Si c > ( r 1 )( k 1 ), se rechaza la Hiptesis Nula y se acepta la Ha.
7. Decisin: Se tomar la decisin en base al clculo efectuado en el paso 5. Cundo utilizar la prueba Ji-cuadrada La Ji-cuadrada requiere que las frecuencias esperadas eij en cada celdilla no sean demasiado pequeas. Cuando son demasiado pequeas, la prueba puede, no ser la ms apropiada. Cochran (1954) y otros autores hacen algunas recomendaciones al respecto. 3.3. TABLAS DE CONTINGENCIA CON gl > 1 Cuando r es mayor que 2 (y, por tanto gl > 1), puede utilizarse la prueba Jicuadrado si menos del 20% de celdillas tienen una frecuencia esperada menor que cinco y si no hay celdillas con frecuencia esperada menor que uno. Si estos requisitos no son cubiertos por los datos en la forma en que originalmente fueron recolectados, el investigador deber combinar categoras adyacentes para incrementar las frecuencias esperadas en las celdillas de que se trate. Slo despus de combinar categoras para cubrir los requisitos anteriores, los valores de tabla para la distribucin de la Jicuadrada pueden ser lo suficientemente cercanos a la distribucin muestral de la Jicuadrada. Cuando gl > 1, las pruebas Ji-cuadradas son insensibles a los efectos del orden, y as, cuando una hiptesis tiene en cuenta el orden, la Ji-cuadrada puede no ser la mejor prueba. EJEMPLO: Se tiene los datos de 816 vacas en edad reproductiva, manejado bajo tres sistemas de alimentacin, en la que se les ha inseminado artificialmente con semen probado, al estado fisiolgico de celo. Los resultados obtenidos en este estudio sobre dinmica reproductiva son:
Estadstica No Paramtrica Aplicada a la Ganadera - 53 Tipo de alim entacin Condicin de la vaca Alfalfa Pasto Natural Conc. + Pasto natural G estantes Probadas 52 119 174 G estantes sospechosas 47 46 56 V acas probadas 240 47 35 Total 339 212 265
Total 345 149 322 816
Hay alguna asociacin entre tipo de alimentacin y fertilidad de las vacas? 1. Hiptesis Estadstica: Ho: No existe asociacin entre el tipo de alimentacin y fertilidad de las vacas. Ha: Existe asociacin entre el tipo de alimentacin y fertilidad de las vacas. 2. Nivel de significacin: = 0.01, N = 816 3. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrada, ya la informacin est por lo menos en escala ordinal, y adems presenta en categoras de tipo de alimentacin y condicin de la vaca. 4. Distribucin muestral: Est dada por la ecuacin siguiente:
2 c
d =
r k i =1 j =1
ij
eij eij
(2r 1 )( k 1 )
5. Clculo de la prueba estadstica: - Para resolver ste problema, en primer lugar procedemos a estimar los valores esperados.
e11 = e12 = e13 = e21 =
e23 =
339( 345 ) = 143.33 816 339( 149 ) = 61.90 816 339( 322 ) = 133.77 816 212( 345 ) = 89 .63 816
212( 322 ) = 83.66 , 816
e31 = e32 = e33 = e22 =
265( 345 ) = 112 .04 816 265( 149 ) = 48.39 816 265( 322 ) = 104.57 816 212( 149 ) = 38.71 816
Los grados de libertad a estimarse para muestras es: G.L. = (r-1)(k-1) donde, r = Nmero de filas y k = Nmero de columnas.
- 54 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno A continuacin se forma una matriz con los valores esperados:
Condicin de la vaca Gestantes Probadas Gestantes sospechosas Vacas probadas Total Tipo de alimentacin Alfalfa Pasto Natural Conc. + Pasto natural 143.33 89.63 112.04 61.90 38.71 48.39 133.77 83.66 104.57 339.00 212.00 265.00 Total 345.00 149.00 322.00 816.00
- Estimacin de Ji-cuadrada: Para facilitar el clculo se prepara una matriz como:

Categoras Gestante prob. con alfalfa Gestante prob. con past. natur. Gestante prob. con conc.+ pas tos nat. Gestante sospechos a con alfalfa Gest. sospech. con pastos nat. Gest. Sos pech. con conc.+Pastos nat. Vaca con alfalfa Vaca con pasto natural Vaca con conc. + pas to natural Oij 52 119 174 47 46 56 240 47 35 eij (Oij - eij ) 143.33 -91.33 89.63 29.37 112.04 61.96 61.90 -14.90 38.71 7.29 48.39 7.61 133.77 106.23 83.66 -36.66 104.57 -69.57
( Oij eij )2 eij

58.1956 9.6240 34.2649 3.5866 1.3729 1.1968 84.3598 16.0645 46.2846
2 c = 254.9496
2 c =
i =1 j =1
d e i = (52-144.33) + (119-89.63) +L+ (35-104.57)

2 ij ij 2 2
eij
144.33
89.63
104.57
= 2549496 .

2 Si 2 c 4 ,0 .01 = 13.28 se acepta la Hiptesis Nula (Ho).
2 Si 2 se rechaza la Hiptesis Nula y se acepta la Ha. c > 4 ,0 .01 = 13.28 2 7. Decisin: Como 2 c = 254 .9496 > 4 ,0 .01 = 13.28 , entonces se rechaza la Ho:, es decir existe evidencia suficiente para afirmar que el tipo de alimentacin influye sobre la condicin de la vaca.
EJEMPLO: A una muestra al azar de 500 electores registrados (200 residentes urbanos, 200 suburbanos y 100 rurales) se les pidi su opinin acerca de la legislacin propuesta por el gobernador. Esta muestra evidencia respaldo a la hiptesis que los electores dentro de los diferentes grupos de residencia tienen opiniones diferentes acerca de la propuesta del gobernador?. Para este problema use a = 0.05
Estadstica No Paramtrica Aplicada a la Ganadera - 55 Tipo de Residencia Urbana Suburbana Rural Total Propuesta del gobernador Favorable Opuesta 143 57 98 102 13 87 254 246
Total 200 200 100 500
Chi-cuadrado calculado = 91.72 Realizando el siguiente programa en el Editor de Sintxis, se tiene: data list free/v1 to v3. begin data. 1 1 143.00 1 2 57.00 2 1 98.00 2 2 102.00 3 1 13.00 3 2 87.00 end data. weight by v3. crosstabs v1 by v2/statistic chisq. Una vez ejecutado el programa, los datos se trasladan a la hoja del SPSS, en esta hoja, se puede proceder en forma habitual, siguiendo los pasos anteriores. A continuacin presentamos la pantalla tpica del SPSS con sus partes, en el cual observamos la informacin disponible para realizar los anlisis estadsticos, segn sea el caso.
Para calcular la prueba de Chi-cuadrado con el paquete estadstico de SPSS, se seleccione la opcin del men: ANALZE > DESCRIPTIVE STATISTICS > CROSSTABS, entonces se presenta la siguiente caja de dilogo.
Estadstica No Paramtrica Aplicada a la Ganadera - 57 En el cajn de dilogo anterior, se debe especificar el tipo de prueba que uno desea efectuar, para esto se presiona el botn izquierdo en la ficha STATISTICS, y aparece los diferentes tipos de pruebas que uno puede escoger para analizar los datos de acuerdo a la informacin que se presente, tal como aparece a continuacin:
Efectuado los procedimientos correctos, los resultados aparecen en forma detallada a continuacin:
V1 * V2 Crosstabulation Count V2 1 V1 1 2 3 143 98 13 254 2 57 102 87 246 Total 200 200 100 500
Total
Chi-Square Tests Asymp. Sig. (2-sided) .000 .000 .000
Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases
Value 91.715a 99.517 89.453 500
df 2 2 1
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 49.20.
EJERCICIOS: 1. Un investigador quiere probar la hiptesis de que el partido en el poder, en una determinada comunidad resulta decisivo a la hora de la seleccin de personas para puestos de la administracin. Para poner a prueba esta posibilidad, considera las variables PARTIDO DE PERTENENCIA con las categoras MISMO QUE EL PODER, DIFERENTE O NINGUNO, y TIPO EMPRESA, con las categoras ADMINISTRACION PUBLICA y EMPRESA PRIVADA. El investigador recogi una muestra de 360 trabajadores de su comunidad. La tabla que debe construirse con estas dos variables, debe poseer 2x3 = 6 casillas. Tal como se presenta a continuacin:
EMPRESA Pblica Privada Total Partido de pertenencia Mismo Diferente Ninguno 80 65 40 20 75 80 100 140 120 Total 185 175 360
2 c = 49.8083
2. Quinientos empleados de una empresa que fabrica cierto producto, sospechoso de estar asociado con alteraciones respiratorias, se clasificaron en forma cruzada con base en su grado de exposicin al producto y si tenan o no los sntomas de tales alteraciones respiratorias. Los resultados se muestran en la siguiente tabla.
Estadstica No Paramtrica Aplicada a la Ganadera - 59 Sntom as presentes SI NO Total NIV ELDEEXPOSICIN Lim itado Sin exposicin conocidta 33 17 73 72 106 89
Alto 185 120 305
Total 235 265 500
Proporcionan estos datos la evidencia suficiente para indicar que, en un nivel de significacin de 0.1, existe una relacin entre el grado de exposicin y la presencia de los sntomas de las alteraciones respiratorias?. 3. Quinientos nios de escuela primara fueron clasificados en forma cruzada de acuerdo con el grupo socioeconmico al que pertenecen y la presencia o ausencia de cierto defecto en el lenguaje. Los resultados fueron los siguientes:
Defecto del lenguaje Presente Ausente Total Alto 8 42 50 G RUPO SOCIO-ECONMICO Medio Alto Medio Bajo 24 32 121 138 145 170 Bajo 27 108 135 Total 91 409 500
Son compatibles estos datos con la hiptesis de que el defecto en el lenguaje no est relacionado con el grupo socioeconmico?. 3.4. Tabla de Contingencia de 2x2 Tal vez el ms comn de los usos de la prueba Ji-cuadrado sea el de evaluar si un conjunto de frecuencias observadas en una tabla de contingencia de 2x2 pudieran ocurrir siendo Ho: verdadera. Cuando aplicamos la prueba Ji-cuadrado a datos donde tanto la r como la c son iguales a 2, entonces se debe utilizar la siguiente ecuacin:
=
2 c
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
gl = 1 ................ (3.4a)
Esta ecuacin es ms fcil de aplicar, en vista de que slo se requiere una divisin en todo el clculo. Adems tiene la ventaja adicional de incorporar una correccin para la continuidad, la cual mejora notablemente la aproximacin de la distribucin
2 muestra de la calculada a la distribucin de la Ji-cuadrada.
- 60 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno EJEMPLO: Un criador de vacunos de diferentes razas, afirma que la raza Brown swiss tiene mejor porcentaje de fertilidad a la Inseminacin artificial en altura que la raza Simmenthal. Un investigador quiere probar lo dicho de s los vacunos se fertilizan o no a la inseminacin artificial es independiente de la raza:
Caractersticas Fertilizados No fertilizados Total Valores observados Brown swiss Criollo 97 69 42 83 139 152 Total 166 125 291
SOLUCIN: 1. Hiptesis Estadstica: Ho: La probabilidad de conseguir fertilizar, vacas por medio de la Inseminacin artificial es independiente de la raza del vacuno. Ha: La probabilidad de conseguir fertilizar, vacas por medio de la Inseminacin artificial es dependiente de la raza del vacuno. 2. Nivel de significacin: = 0.05. Para esto el investigador examina los rcords de 3 aos atrs de las dos razas y clasifica los resultados, obtenindose los siguientes resultados: 3. Prueba Estadstica: Se usar la prueba Ji-cuadrada con correccin por continuidad, y adems la informacin se encuentra en una tabla de contingencia de 2x2. 4. Distribucin Muestral: Se utiliza la siguiente ecuacin:
=
2 c
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
,
2
gl = 1
que es equivalente a:
FG O e 1IJ H 2K =
r c ij ij 2 c i=1 j=1
eij
5. Clculo de la prueba estadstica: Intuitivamente, los datos parecen confirmar lo dicho por el criador.
Estadstica No Paramtrica Aplicada a la Ganadera - 61 Calculando los valores esperados: eij =

e11 =
( yi. )( y. j ) y..
( 139 )( 166 ) ( 139 )( 125 ) = 79.29 , e12 = = 59.71 y as sucesivamente, 291 291
siendo e21 = 86.71 y e22 = 65.29 Organizando los datos:

V alor observado V alor E sperado C aracterstica Fertilizadas en B rown swiss No fertilizadas en B rown swiss Fertilizadas en Sim m enthal No fertilizadas en Sim m enthal O i 97 42 69 83 291 O i = ei 79.29 59.71 86.71 65.29 ei = 291.00
.h cOe 05
i i
ei
3.7354 4.9604 3.4158 4.5364 2 = 16.648
c
O, tambin se puede calcular con la siguiente ecuacin:
=
2 c
291 97x83 69x42 291 2 (166)(125)(139)(152)
h = 16644 .
2
6. Regin de rechazo y aceptacin: H0: gl = = (r-1)(k-1) = , donde r = 2 y k = 2.

2 Luego gl. = (2-1)(2-1) = 1, luego 2 . , luego si c es mayor que a 0.05,1 = 3841
2 t = 3.841 entonces, se rechaza la H0.

7. Decisin: Como c = 16.648 es mayor a t = 3.841, entonces se rechaza la H0. y conclumos que la probabilidad de fertilizar en mayor porcentaje a vacas por medio de la inseminacin artificial es dependiente de la raza de vacuno.
2 2
EL CASO DE 2x2 Si las frecuencias se encuentran en una tabla de contingencia de 2 x 2, la decisin concerniente al uso de la Ji-cuadrada debe basarse en las siguientes condiciones: a. Cuando N 20, siempre se utiliza la prueba exacta de Fisher. b. Cuando 20 < N < 40, la prueba Ji-cuadrada (3.4a) puede utilizarse si las
- 62 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno frecuencias esperadas son cinco o ms. Si la frecuencia esperada ms pequea es menor que cinco, use la prueba exacta de Fisher. c. Cuando N > 40, utilice la prueba Ji-cuadrada corregida para la continuidad, es decir, utilice la ecuacin (3.4a). EJERCICIOS: 1. Se tiene la informacin sobre el consumo de carne de alpaca en la ciudad de Puno, segn el lugar de procedencia (zona alpaquera y no alpacquera), se entrevisto a 154 adultos de ambos sexos. La informacin se presenta c continuacin:
Consumo de carne de alpaca SI NO TOTAL Lugar de Procedencia Zona alpaquera Zona no alpaquera 31 63 8 52 39 115 TOTAL 94 60 154
Pruebe si existe dependencia entre los dos variables. Use la confiabilidad al 95% de seguridad. 2. En un consultorio se trat a un grupo de personas que se quejaban de insomio, dndole a todas pastillas para dormir y a otros pastillas de azcar (que hacan creer que eran para dormir). Despus de someterlos a observacin, se obtuvo el siguiente resultado:
Tratamiento Pastillas para dormir Pastillas de azcar TOTAL Durmieron 35 45 80 no durmieron 5 15 20 TOTAL 40 60 100
Prueba al nivel del 95% que no existe diferencia. (Rpta. 2.344) 3. A un grupo de 350 adultos que participaron en una encuesta de salud, se les pregunt si llevaban o no una dieta. Las respuestas (por sexos) son las siguientes:
Tratamiento A dieta Sin dieta TOTAL Masculino 14 159 173 Femenino 25 152 177 TOTAL 39 311 350
Sugieren estos datos que el estar a dieta depende del sexo?. Use (Rpta. 3.2183)
= 0.05
Estadstica No Paramtrica Aplicada a la Ganadera - 63 4. Un estudio de 190 embarazos proporcion los siguientes datos sobre la relacin que existe entre la hipertensin de la madre y cierta complicacin del embarazo.
cierta complicacin del embarazo Presente Ausente TOTAL Madre hipertensiva S No 23 55 12 100 35 155 TOTAL 78 112 190
Proporcionan estos datos la evidencia suficiente para indicar que las dos condiciones no son independientes?. Use = 0.05, (Rpta. 10.78) 5. Durante una epidemia de clera, se obtuvieron los siguientes datos sobre la efectividad de una vacuna como medida preventiva.
Tratamiento Vacunado No vacunados TOTAL Enfermos 192 113 305 No enfermos 4 34 38 TOTAL 196 147 343
Proporcionan estos datos la evidencia suficiente para indicar que las dos condiciones no son independientes?. Use = 0.05, (Rpta. 37.92) 3.5. PRUEBA DE LA MEDIANA CONDICIONES: - Es un procedimiento para evaluar si dos grupos independientes difieren en sus tendencias culturales. - Proporciona informacin acerca de qu tan probable es que dos grupos independientes (no ncesariamente del mismo tamao) hayan sido extrados de la misma poblacin con la misma mediana. - La hiptesis nula plantea que los dos grupos son de la misma poblacin y tienen la misma mediana. - La hiptesis alterna puede plantear que la mediana de una poblacin es diferente de la otra poblacin (si es prueba bidireccional) o que la mediana de una poblacin es superior que la de la otra poblacin (si es prueba unidireccional). - La prueba puede utilizarse cuando las puntuaciones de los dos grupos se miden en al menos una escala ordinal. - Puede no existir una prueba alterna a la prueba de la mediana, an para datos en escala de intervalo. Esto ocurre cuando una o ms de las observaciones estn fuera de la escala y truncadas hacia el mximo (o mnimo) de las observaciones previamente asignadas.
- 64 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno MTODO: - Determinar primero las puntuaciones de la mediana para el grupo combinado (es decir, la mediana para todas las puntuaciones en ambas muestras). - Dicotomizar (dividir) ambos conjuntos de puntuaciones a partir de la mediana combinada y presentar estos datos en una tabla de 2x2, de la siguiente manera:
Prueba de la mediana: Formato para los datos. GRUPO I II A B C D m n Combinados A+B C+D N= m+ n
Nmero de puntuaciones combinadas por debajo de la mediana Nmero de puntuaciones combinadas por arriba de la mediana TOTAL
- Los grupos I y II son muestras de poblaciones cuyas medianas son las mismas, esperaramos que alrededor de la mitad de las puntuaciones de cada grupo estuviera por arriba de la mediana combinada y que la otra mitad estuviera por debajo, es decir tanto las frecuencias A y C como B y D fueran iguales. - Si el nmero total de casos en ambos grupos (m = n) es pequeo, se puede utilizar la prueba exacta de Fisher para probar la Ho: - Si el nmero total de casos es suficientemente grande, se puede utilizar la prueba Ji-cuadrada con gl = 1 para evaluar la Ho: - Para analizar datos divididos por la mediana, el investigador debe guiarse por las siguientes consideraciones, a fin de realizar una buena eleccin entre la prueba exacta de Fisher y la Ji-cuadrada para tablas de 2x2.
2 i) Cuando N = m + n es mayor que 20, utilice la corregida para la continuidad de la ecuacin siguiente:
=
2 c
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
ii) Cuando N = m + n = 20 o menor, utilice la prueba exacta de Fisher. - Varias puntuaciones pueden caer exactamente en la mediana combinada. Si esto sucede, el investigador tiene dos opciones: i) Los grupos pueden ser dicotomizados en aquellas puntuaciones que exceden a la mediana y aquellas puntuaciones que no exceden. ii) Si (m+n) es grande y slo pocos casos caen exactamente en la mediana combinada, esos pocos casos pueden ser eliminados del anlisis.
Estadstica No Paramtrica Aplicada a la Ganadera - 65 EJEMPLO: Existe una diferencia entre el nivel de salud mental de los alumnos de secundaria de una rea rural y los de una rea urbana?. La informacin se presenta a continuacin:
Calificaciones del nivel de salud mental de estudiantes de secundaria Urbana 35 26 27 21 27 38 23 25 25 27 45 46 33 26 46 41 Rural 29 50 43 22 42 47 42 32 50 37 34 31
SOLUCIN: 1. Hiptesis estadstica: H 0 : MU = M R versus H a : MU M R 2. Nivel de significacion: = 0.05 3. Estadstica de prueba: Como se muestra en el siguiente anlisis, la estadstica
2 de prueba es , y se calcula con la frmula anterior para una tabla de contingencia de 2x2. 4. Distribucin de la prueba estadstica: Cuando Ho: es verdadera y las suposicio2 nes se cumplen, sigue una distribucin semejante a la de Ji-cuadrada con 1 grado de libertad. 2 5. Regin de Aceptacin y Rechazo: Se rechaza Ho: si el valor de 3.841. 6. Clculo de la prueba estadstica: El primer paso para calcular la estadstica de prueba es calcular la mediana comn de las dos muestras combinadas. Esto se hace al arreglar las observaciones en orden ascendente y, dado que el nmero total de observaciones es par, se obtiene la media de los dos valores centrales.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 21 22 23 25 25 26 26 27 27 27 29 31 32 33 34 35 37 38 41 42 42 43 45 46 46 47 50 50
Mediana = (33+34)/2 = 33.5 A continuacin se determinan para cada grupo el nmero de observaciones que caen por encima y por debajo de la mediana comn. Las frecuencias resultantes se arreglan en una tabla de 2x2, tal como se presenta en seguida. Los datos estn ordenados en forma ascendente para ambos grupos.
Urbano 21 23 25 25 26 26 27 27 27 33 35 38 41 45 46 46 Rural 22 29 31 32 34 37 42 42 43 47 50 50
Calificaciones de nivel de salud mental de estudiantes de secundaria. Urbana Rural TOTAL Nmero de calificaciones arriba de la mediana 6 8 14 Nmero de calificaciones abajo de la mediana 10 4 14 TOTAL 16 12 28
2 c =
N AD BC N 2
(A + B)(C + D)(A + C)(B + D)
28 6x4 8 x10 28 2 (14)(14)(16)(12)
= 1.3125
7. Decisin: Puesto que c = 1.3125 < 3.841, el valor crtico de Ji-cuadrada con 1 grado de libertad, entonces no es posible rechazar la hiptesis nula (Ho:) con base en estos datos, es decir se concluye que las dos muestras probablemente se extrajeron de poblaciones con medianas iguales.
2
EJERCICIOS: 1. Se revisaron 15 expedientes de pacientes de dos hospitales y se asign una calificacin diseada para estimar el nivel de atencin recibida. Las calificaciones fueron los siguientes:
Hospital A Hospital B 99 78 85 74 73 69 98 79 83 57 88 78 99 79 80 68 74 59 91 91 80 89 94 55 94 60 98 55 80 79
Es posible concluir, a un nivel de significacin de 0.05, que las medianas de las dos poblaciones son diferentes?. Determine el valor de p. 2. Se obtuvieron los siguientes valores de albmina en el suero de 17 personas normales y 13 hospitalizados.
Individuos normales Individuos Hospitaliz. Albmina en suero (g/100 ml) 2.4 3.5 3.1 4.0 4.2 3.4 4.5 5.0 2.9 3.0 3.2 3.5 3.8 3.9 4.0 3.5 3 1.5 2.0 3.4 1.7 2.0 3.8 3.5 3.1 1.3 1.5 1.8 2.0 1.5
Se concluira, al nivel de significacin de 0.05, que las medianas de las dos poblaciones de las que se extrajeron las muestras son distintas?. Determine el valor de p. 3.6. LA PRUEBA DE U DE MANN-WHITNEY (Grupos independientes) CONDICIONES: - La prueba de U de Mann-Whitney, se utiliza para probar si dos grupos independientes han sido tomados de la misma poblacin. - Las variables en estudio deben ser en al menos, escala ordinal. - Es una de las pruebas no paramtricas ms poderosas y constituye la alternativa ms til ante la prueba paramtrica t - Student-Fisher cuando el investigador desea evitar los supuestos de la prueba t o cuando las mediciones de la investigacin se encuentran en una escala inferior a la de intervalo. - Al igual que todos los ndices que vimos en las medidas de asociacin para variables ordinales, la U de Mann-Whitney trabaja con rangos, en lugar de las
Estadstica No Paramtrica Aplicada a la Ganadera - 67 puntuaciones originales. Bsicamente, consiste con comprobar lo superior que es la suma de los rangos de un grupo frente a la suma de los rangos del otro. - Las dos muestras no son necesariamente de igual tamao. MTODO: 1. Para aplicar la prueba de U de Mann - Whitney, se empieza por combinar las observaciones o puntajes de ambos grupos, para clasificar de menor a mayor. 2. Se ordenan los datos de menor a mayor, sin que pierdan su identidad, es decir a que muestra pertenecen. 3. Sea n1 tamao de muestra del ms pequeo de los dos grupos independientes, y n2 tamao de muestra ms grande. 4. Se ordenan juntos los puntajes de ambos grupos, asignando el rango de 1 al puntaje que sea algebraicamente ms bajo. Los rangos van desde 1 hasta N = n1 + n2 . 5. Si en caso se presentar las observaciones empatadas, se asigna el rango promedio de los rangos ligados. 6. Se determina el valor U, segn sea el caso en las dos formas siguientes:
U = n1n2 +
Donde:
n1 ( n1 + 1 ) n ( n + 1) R1 U = n1n2 + 2 2 R2 2 2
n1 . n2 .
R1 : Es la suma de rangos asignados al grupo, cuyo tamao muestral es

R2 : Es la suma de rangos asignados al grupo, cuyo tamao muestral es
De stos dos U calculados, se escoge el menor U, y el otro pasa como U (U mayor). - Contando el nmero de veces que un puntaje experimental precede a un puntaje control. Si el valor de U es muy grande, tal que no se encontrar en la tabla de valores crticos correspondiente, su probabilidad asociada de U, se transforma en U = n1 n2 - U - Cuando no existe el valor U en la tabla de valores crticos, entonces se transforma o bien se puede intercambiar los grupos de tal manera que un puntaje control preceda a un puntaje experimental. 7. El mtodo para determinar la significacin del valor observado de U depende del tamao de n2 . - Si n2 8, la probabilidad exacta asociada con un valor tan pequeo como el valor observado de U aparace en la tabla de probabilidades asociadas de Mann-
- 68 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Whitney que contiene las probabilidades de asociacin a la U calculada, para la prueba de una cola. Para una prueba de dos colas, se duplica el valor de p obtenido en la tabla (Anexo, J). Si la U observada no aparece en la tabla de probabilidades asociadas, es U y deber transformarse en U con la frmula siguiente: U = n1 n2 - U. Si la prueba es de dos colas, se duplica el valor de la probabilidad asociado a U 8. Si n2 est entre 9 n2 20, la significacin de cualquier valor de U puede determinarse con la tabla de valores crticos de la tabla de Mann-Whitney. Cuando el valor observado de U sea mayor que n1n2 2, se trata de U, y hay que usar la frmula U = n1 n2 - U para su transformacin. - Si n2 >20, la probabilidad asociada con un valor tan extremo como el valor observado de U puede determinarse calculando el valor de z que es la aproximacin a la distribucin normal Z.
Media = U =
n1n2 n n ( n + n + 1) , desviacin estndar = U = 1 2 1 2 2 12
U U Z= = U
n1n2 2 ~ N ( 0,1 ) n1n2 ( n1 + n2 + 1 ) 12 U
Esta Z, se distribuye en forma normal aproximadamente con N(0,1). Para una prueba de dos colas, se suplica la p que aparece en la tabla Z (Anexo, A). Si la proporcin de rangos promedio o rangos ligados es muy grande si la probabilidad p obtenida, se aproxima mucho a , o tiende hacia , entonces hay que corregir los puntajes que tienen rango promedio mediante la siguiente frmula Z.
Z= U n1n2 2
FG n n IJ FG N N t t IJ H N ( N 1)K H 12 12 K
3 g 1 2 3 j j j =1
~ N ( 0,1 )
Donde: t : Nmero de puntajes correspondiente a un rango promedio, N = n1 + n2 7. Si el valor observado de U tiene probabilidad asociada igual o menor que
, se
Estadstica No Paramtrica Aplicada a la Ganadera - 69 rechaza la Ho: y se acepta la Ha:, es decir P(Ucalculada) , se rechaza la Ho: Cuando 9 n2 20, se busca el valor en la tabla de valores crticos y se compara Ucalculada Ucrtico, entonces se rechaza la Ha: EJEMPLO: Un cientfico social piensa que los profesores universitarios de Teologa tienen una orientacin poltica ms conservadora que sus colegas de Psicologa. Una muestra aleatoria de 11 maestros del departamento de Teologa y 14 del departamento de Psicologa de una universidad local reciben un cuestionario de 50 puntos, que mide el grado de conservadurismo poltico. Se obtuvieron los siguientes datos. Los puntajes mayores indican un mayor conservadurismo. Use = 0.05.
Profesores: Teologa Psicologa 1 36 13 2 42 25 3 22 40 4 48 29 5 31 10 6 35 26 7 47 43 8 38 17 9 40 12 10 43 32 11 32 27 12 32 13 42 14 35
SOLUCIN: 1. Hiptesis Estadstica: Ho: Los profesores Universitarios de Teologa tienen la misma orientacin que los profesores de Psicologa sobre el grado de conservadurismo poltico. Ha: Los profesores Universitarios de Teologa tienen una orientacin poltica diferente que los profesores de Psicologa sobre el grado de conservadurismo poltico. 2. Nivel de significacin: = 0.05, n1 = 11, n2 = 14; N = n1 + n2 = 11 + 14 = 25 3. Prueba Estadstica: Los dos grupos de profesores constituyen dos grupos independientes, y los puntajes constituyen una medicin de escala ordinal. Por estas razones la prueba de U de Mann - Whitney es la apropiada para analizar los datos. 4. Distribucin Muestral: Como n1 > 10 n2 >10, entonces se usa la siguiente ecuacin:
Z= n1n2 2 n1n2 ( n1 + n2 + 1 ) 12 U
La probabilidad asociada con la ocurrencia de Ho: de valores tan extremos como una Z observada, puede determinarse utilizando la tabla de valores crticos de la distribucin normal (Anexo, A). 5. Regin de rechazo: Si el valor observado de U tiene una probabilidad asocia-
- 70 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno da igual o menor que , entonces rechace la Ho: y se acepta la Ha: (p ). 6. Clculo de la prueba estadstica: i) Se ordenan los datos de menor a mayor (ascendente). ii) Se asignan los rangos de 1 hasta N = n1 + n2 = 11 + 14 = 25. En caso de empate, asignar el rango promedio.
N Teologa Rango_Pre Rango_Prom V 10 1 1 IX 12 2 2 I 13 3 3 VIII 17 4 4 3 22 5 5 II 25 6 6 VI 26 7 7 XI 27 8 8 IV 29 9 9 5 31 10 10 11 32 11 12 X 32 12 12 XII 6 XIV 32 35 35 13 14 15 12 14.5 14.5 1 36 16 16 8 9 III 2 XIII 38 40 40 42 42 17 18 19 20 21 17 18.5 18.5 20.5 20.5 10 43 22 22.5 VII 43 23 22.5 7 47 24 24 4 48 25 25
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Teologa Rango_Pre Rango_Prom Psicologa Rango_Pre Rango_Prom 36 16 16 13 3 3 42 20 20.5 25 6 6 22 5 5 40 19 18.5 48 25 25 29 9 9 31 10 10 10 1 1 35 14 14.5 26 7 7 47 24 24 43 23 22.5 38 17 17 17 4 4 40 18 18.5 12 2 2 43 22 22.5 32 12 12 32 11 12 27 8 8 32 13 12 42 21 20.5 35 15 14.5 R1 = 185 R2 = 140
iii) Se determina el valor de U, con las siguientes ecuaciones:

U = n1n2 +
U = n1n2 +
n1 ( n1 + 1 ) 11x12 R1 = 11x14 + 185 = 35 2 2
n2 ( n2 + 1 ) 14x15 R2 = 11x14 + 140 = 119 2 2 De estos dos resultados, se escoge el menor U = 35, U = 119 Reemplazando a la frmula Z, se tiene:
Z=
n1n2 11x14 35 42 2 2 = = = 2.299 n1n2 ( n1 + n2 + 1 ) 11x14( 26 ) 18.2665 12 12 U
Estadstica No Paramtrica Aplicada a la Ganadera - 71 Como existen rangos promedios en ambos grupos independientes entonces, se realiza la correccin, de la siguiente forma:
Rango Promedio 12 14.5 18.5 20.5 22.5
Agrupacin 1 2 3 4 5
Valor 32 35 40 42 43
tj 3 2 2 2 2
(t 3 j t j ) 12
2 0.5 0.5 0.5 0.5
5
j =1
t3 j tj 12
=4
Z=
FG n n IJFG N N t t IJ H N( N 1)KH 12 12 K
3 5 1 2 3 j j j =1
U n1n2 2
11x14 253 25 4 25x24 12
LM N
42
OP = Q
. 23028
7. Decisin: Se busca el valor de -2.30 en la tabla de la distribucin Z, y encontramos que la probabilidad es: P( Z 2.30 ) = 0.0107 = 0.05, p=0.0107 = 0.05, entonces se rechaza la hiptesis Ho: y se acepta la Ha:. Para dos colas 2x0.0107 = 0.0214 = 0.05, entonces existe suficiente evidencia para afirmar que los profesores universitarios de Teologa tienen una orientacin poltica diferente que los profesores de Psicologa sobre el grado de conservadurismo poltico. 3.7. LA PRUEBA DE WILCOXON-MANN-WHITNEY (W-M-W) (Modificado por Siegel y Castellan). MTODO: - Dar el valor de m y n. El nmero de casos en el grupo ms pequeo (denominado X) es m; y los casos del grupo mayor (denominado Y) es n. - Ordene por rangos las puntuaciones de ambos grupos, asignando el rango 1 a la puntuacin menor. Los rangos variarn de 1 a N = m + n. Asigne a las observaciones empatadas el promedio de los rangos empatados.
- 72 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno - Determine el valor de WX sumando los rangos del grupo X. - El mtodo para determinar la significacin de WX depende del tamao de m y n. a) MUESTRAS PEQUEAS: Si m 10 y n 10 ( o n 12 para m = 3 o 4), la probabilidad asociada exacta con un valor tan grande (o tan pequeo) como una WX , se proporciona en la Tabla de probabilidades de los lados inferior y superior para WX de W-M-W (Anexo, J). Los valores de tablas son probabilidades unidireccionales. Para pruebas de dos colas, duplique los valores de tablas. b) MUESTRAS GRANDES: Si m > 10 o n >10, la probabilidad asociada con un valor tan extremo como un valor de WX puede determinarse calculando la aproximacin normal mediante la siguiente ecuacin:
Media = WX =
Z= WX
m( N + 1 ) mn( N + 1 y Varianza = 2 WX = 2 12
= WX 0.5 m( N + 1 ) / 2 mn( N + 1 ) / 12
WX 0.5 WX
NOTA: El valor (+0.5) es agregado si deseamos encontrar las probabilidades en el lado izquierdo de la distribucin y (-0.5) es agregado si deseamos encontrar las probabilidades en el lado derecho de la distribucin. Y evaluando la significacin de Z, con base en la tabla de la distribucin normal (Anexo, A). Para una prueba bidireccional, la probabilidad que aparece en tablas debe duplicarse. Si los empates ocurren entre dos o ms observaciones del mismo grupo, el valor de WX no se ve afectado. Pero si los empates ocurren entre dos o ms observaciones en las cuales se impliquen puntuaciones de los dos grupos, se afecta el valor tanto de WX como de WY . Aunque el efecto generalmente es despreciable, tenemos disponible una correccin y puede utilizarse cada vez que empleemos la aproximacin para muestra grande a la distribucin muestral de WX . El efecto de los rangos empatados es cambiar la variabilidad del conjunto de rangos. Si el nmero de empates es grande o si la probabilidad obtenida est muy cercana al nivel de
Estadstica No Paramtrica Aplicada a la Ganadera - 73 significacin escogido ( ), aplique la correccin para los empates, es decir, use la siguiente ecuacin:
Z=
LM mn OPFG( N N ) t t IJ 12 K N N( N 1)QH 12
3 g 3 j j j =1
. m( N +1)/ 2 WX 05
2 , Varianza = W = X
3 mn N3 N g t j t j N( N 1) 12 j =1 12
F GH
I JK
N = m+n g: El nmero de los distintos grupos de rangos empatados, y t : Es el nmero de rangos empatados en el j-simo grupo. - Si el valor observado de WX tiene una probabilidad asociada igual o menor que
, rechace Ho: en favor de Ha:
EJEMPLO: Se ensay un experimento en alpacas de la raza Huacaya para determinar el uso estratgico del heno en pocas crticas de las diferentes fases productivas y reproductivas y comparar con alpacas del grupo control (testigo) sin la suplementacin, para lo cual se ha registrado el peso de destete (kg) de ambos grupos. La informacin se presenta a continuacin:
N de alpacas Peso Destete Control Peso Destete Exptal. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 25.5 20.5 25.5 22.5 26.5 24.0 21.0 25.0 24.5 21.5 26.0 24.5 27.5 24.0 26.0 29.5 32.0 25.0 26.0 26.5 27.5 27.0 26.5 27.5 32.0 24.0 24.0
SOLUCIN: 1. Hiptesis Estadstica: Ho: No existe incremento de peso al destete en alpacas suplementadas con heno frente a las alpacas del grupo control mantenidas en pastos naturales. Ha: Existe el incremento de peso al destete en alpacas suplementadas con heno frente a las alpacas del grupo control que son mantenidas en pastos naturales. 2. Nivel de significacin: = 0.05, m = 12, n = 15, N = 12 + 15 = 27 3. Prueba Estadstica: Los dos grupos de alpacas al destete, constituyen dos grupos independientes, y los puntajes constituyen una medicin de escala ordinal. Por estas razones la prueba Wilcoxon-Mann - Whitney es la apropiada para analizar los datos.
- 74 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 4. Distribucin Muestral: Como m >10 n>10, entonces se usa la siguiente ecuacin:
WX 0.5 m ( N + 1 ) 2 mn( N + 1 ) 12 5. Regin de rechazo: Al recurrir a la tabla de distribucin normal, encontramos que la probabilidad asociada para aceptar o rechazar Ho:, es decir (p ). 6. Clculo de la prueba estadstica: i) Se ordenan los datos de menor a mayor (ascendente). ii) Se asignan los rangos de 1 hasta N = m + n=121 + 15 = 27. En caso de empate, asignar el rango promedio. Z=
Orden 2 7 Peso Destete 20.5 21.0 Rango_Previo 1 2 Rango_Prom. 1 2 10 21.5 3 3 4 22.5 4 4 6 24.0 5 6.5 14 24.0 6 6.5 XI 24.0 7 6.5 XII 9 12 8 III 24.0 24.5 24.5 25.0 25.0 9 10 11 12 8 6.5 9.5 9.5 11.5 11.5 1 3 11 15 25.5 25.5 26.0 26.0 13 14 15 16 13.5 13.5 16 16 IV 5 V VIII VII 13 VI 26.0 26.5 26.5 26.5 27.0 27.5 27.5 17 18 19 20 21 22 23 16 19 19 19 21 23 23 IX 27.5 24 23 I 29.5 25 25 II 32.0 26 26.5 X 32.0 27 26.5
Grupo Orden Control 1 25.5 2 20.5 3 25.5 4 22.5 5 26.5 6 24.0 7 21.0 8 25.0 9 24.5 10 21.5 11 26.0 12 24.5 13 14 15 Total 27.5 24.0 26.0
Ragno Promedio 13.5 1 13.5 4 19 6.5 2 11.5 9.5 3 16 9.5
Grupo Orden Experimental I 29.5 II 32.0 III 25.0 IV 26.0 V 26.5 VI 27.5 VII 27.0 VIII 26.5 IX 27.5 X 32.0 XI 24.0 XII 24.0 Total
Rango Promedio 25 26.5 11.5 16 19 23 21 19 23 26.5 6.5 6.5
23 6.5 16 Wy = 154.50
Wx = 223.50
iii) Cuando m = 12 y n = 15, entonces, la media es:
WX =
2 W = X
m( N + 1 ) 12( 27 + 1 ) = = 168 2 2
mn( N + 1 ) 12x15(27 +1) = = 420 12 12

WX = 2235 56 . + 0.5 168 = = 2.73 20.4939 420
Z=
WX 0.5 WX
o de otra forma, la probabilidad unidireccional es p = 0.0032 = 0.05, entonces se acepta la Ha: y se rechaza la Ho:. Para dos colas 2x0.0032 = 0.0064 = 0.05, en forma similar tambin se rechaza la Ho: Sin embargo, existen rangos promedios en ambos grupos independientes entonces, se realiza la correccin, de la siguiente forma:
Al recurrir a la tabla de distribucin normal, sta revela que P(Z 2.73)=0.0032,
Agrupacin 1 2 3 4 5 6 7 8
Valor 24 24.5 25 25.5 26 26.5 27.5 32
Rango_Prom 6.5 9.5 11.5 13.5 16 19 23 26.5
tj 4 2 2 2 3 3 3 2
(t 3 j t j ) 12
5 0.5 0.5 0.5 2 2 2 0.5
8
Z=
t3 j tj 12
= 13
j =1
FG mn IJFG N N t t IJ H N( N 1)KH 12 12 K
3 8 3 j j j=1
W . m( N +1) 2 X 05
2235 . +05 . 12(28) 2
12x15 27 27 13 27x26 12
3
LM N
OP Q
56 = 274 . 180 (1625) 702
7. Decisin: Se busca el valor de 2.74 en la tabla de la distribucin Z, y encontramos que la probabilidad es: p=0.0031
P( Z 2.74 ) = 0.0031 = 0.05,
= 0.05, entonces se rechaza la hiptesis Ho: y se acepta la Ha:.
- 76 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Para dos colas 2x0.0031 = 0.0062 = 0.05, entonces existe suficiente evidencia para afirmar que los incrementos de pesos al destete son diferentes en alpacas suplementadas con heno frente a las mantenidas en pastos naturales. Por el mtodo de U de Mann-Whitney, se tiene:
U = nn 1 2+
U = nn 1 2+
n1( n1 +1) 12x13 . = 345 . R1 = 12x15+ 2235 2 2

15x16 n2( n2 +1) . = 1455 . R2 = 12x15+ 1545 2 2
De estos dos resultados, se escoge el menor U = 34.5, U = 145.5 Reemplazando a la frmula Z, se tiene:
n1n2 12x15 34.5 . 555 2 2 Z= = = = 2.708 ~ 2.71 n1n2 ( n1 + n2 + 1) 420 12x15( 12 + 15 + 1) 12 12 U
Como existen observaciones empatados en ambos grupos, entonces se realiza el rango promedio para los dos grupos independientes, realizndose la correccin de Z, mediante la siguiente ecuacin:
Z=
FG nn IJFG N N t t IJ H N( N 1)KH 12 12 K
3 8 1 2 3 j j j=1
U nn 1 2 2
12x15 273 27 13 27x26 12
LM N
. 555
. ~ 272 . OP =27189 Q
Se busca el valor de -2.72 en la tabla de la distribucin Z, y encontramos que la probabilidad es: P( Z 2.72 ) = 0.0033 = 0.05, p=0.0033 = 0.05, entonces se rechaza la hiptesis Ho: y se acepta la Ha:. Para dos colas 2x0.0033 = 0.0066 = 0.05, entonces existe suficiente evidencia para afirmar que los incrementos de peso al destete en alpacas es diferente en ambos grupos. Observacin: Los software estadsticos, an todava trabajan con la prueba de U de Mann Whitney, encontrndose este mismo resultado de Z = -2.72, en cambio con la prueba modificada de Wilcoxon-Mann-Whitney los resultados varan en 0.5 , sta modificacin todava no estn incorporados en los diferentes paquetes estadsticos (SPSS, Statistica, Minitab, entre otros), tal como hemos comprobado con el ejemplo anterior que se refiere a los pesos de destete en alpacas de la raza Huacaya.
Estadstica No Paramtrica Aplicada a la Ganadera - 77 EJEMPLO: En una prueba intercultural de algunas hiptesis de teora de la conducta adaptadas de la teora psicoanaltica. Whiting y Child estudiaron la relacin entre la prctica de la crianza de los nios y las costumbres vinculadas con las enfermedades en varias culturas analfabetas. Una hiptesis de su estudio, derivada de la nocin de la fijacin negativa, era sus explicaciones orales de la enfermedad: la enfermedad resulta de ingerir veneno, de beber ciertos lquidos y de ciertas frmulas verbales y encantamientos ejecutados por otros. Los juicios de la tpica socializacin oral de la ansiedad en cualquier sociedad estuvieron fundamentados en la rapidez y severidad de la socializacin oral, la frecuencia del castigo tpico en la socializacin oral y la severidad del conflicto emocional evidenciado por los nios durante el perodo de socializacin oral. Se utilizaron extractos de los informes etnolgicos de las culturas analfabetas para recabar los datos necesarios. Utilizando slo los resmenes concernientes a las costumbres relacionados a la enfermedad, los jueces calificaron a las sociedades en dos grupos: aquellas con explicaciones orales de la enfermedad y aquellas con ausencia de explicaciones orales de la enfermedad. Otros jueces, empleando los extractos concernientes a la prctica de crianza de los nios, adjudicaron puntuaciones a cada sociedad en cuanto al grado de la socializacin oral tpica de sus nios. Las puntuaciones de las 39 sociedades en las cuales fue posible emitir un juicio de ausencia o presencia de explicaciones orales, varan de 6 a 17. La informacin se presenta a continuacin:
Socializacin oral de la ansiedad y explicacin oral de las enfermedades Sociedades con Puntuacin en Sociedades con Puntuacin en presencia de socializacin oral presencia de socializacin oral explicaciones orales de la ansiedad RANGO explicaciones orales de la ansiedad Lapp 13 29.5 Marquesans 17 Chamorro 12 24.5 dobuans 16 Samoans 12 24.5 Baiga 15 Arapesh 10 16 Kwoma 15 Balinese 10 16 Thonga 15 Hopi 10 16 Alorese 14 Tanala 10 16 Chagga 14 Paiute 9 12 Navaho 14 Chenchu 8 9.5 Dahomeans 13 Teton 8 9.5 Lesu 13 Flathead 7 5 Masai 13 Papago 7 5 Lepcha 12 Venda 7 5 Maori 12 Warrau 7 5 Pukapukans 12 Wogeo 7 5 Trobrianders 12 Ontong-Javanese 6 1.5 Kwakiutl 11 Manus 11 R1 = 200 Chiricachua 10 Comanche 10 Siriono 10 Bena 8 Slave 8 Kurtatchi 6 R2 =
RANGO 39 38 36 36 36 33 33 33 29.5 29.5 29.5 24.5 24.5 24.5 24.5 20.5 20.5 16 16 16 9.5 9.5 1.5 580
- 78 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno SOLUCIN: 1. Hiptesis nula: Ho: La socializacin oral es igualmente severa en ambos tipos de sociedaes (con presencia o con ausencia de explicaciones orales de las enfermedades). Ha: Las sociedades con explicaciones orales de las enfermedades presentes son (estocsticamente) superiores en la socializacin oral de la ansiedad, que aquellas que no tienen explicaciones orales de las enfermedades. 2. Prueba Estadstica: Los dos grupos de sociedades constituyen dos grupos independientes, y la medida de la socializacin oral de la ansiedad (escala de puntuaciones) constituye una medicin de escala ordinal (en el mejor de los casos). Por estas razones, la prueba de Mann-Whitney es la apropiada para analizar esos datos. 3. Nivel de significacin: = 0.01, m es el nmero de sociedades con explicaciones orales ausentes = 16, y n es el nmero de sociedades con explicaciones orales presentes = 23. 4. Distribucin muestral. Para n>10, se mantienen los valores de Z. 5. Regin de rechazo: Puesto que Ha: predice la direccin de la diferencia, la regin de rechazo es unidireccional. sta consiste en todos los valores de Z que sean tan extremos (en la direccin predicha) que la probabilidad asociada segn Ho: es igual o menor que = 0.01. 6. Decisin: Las puntuaciones asignadas a cada una de las 39 sociedades se muestran en la tabla anterior, junto con el rango de cada una en el grupo combinado. Ntese que a los rangos empatados se les asigna el rango promedio. Para estos datos, Wx= R 1 = 200 y Wy = R 2 = 580.
z=
. m( N +1)/ 2 200+05 . 16(39 +1)/ 2 W X 05 =341 = . 16x23(391)/ 12 mn( N 1)/ 12
EMPATES: La prueba de Wilcoxon-Mann-Whitney supone que las puntuaciones se han muestreado de una distribucin que es contnua. Con una medicin precisa de una variable continua, la probabilidad de un empate es cero. Sin embargo, con la mediciones relativamente crudas, las cuales tpicamente empleamos en investigacin en las ciencias de la conducta, pueden ocurrir empates. Suponemos que las dos observaciones (o ms) que resulten empatadas son realmente diferentes, slo que esa diferencia es muy refinada o diminuta para ser detectada por nuestras mediciones. Cuando ocurren empates, damos a cada observacin empatada el promedio de los rangos que tendran si no hubieran ocurrido los empates.
Estadstica No Paramtrica Aplicada a la Ganadera - 79 Si los empates ocurren entre dos o ms observaciones del mismo grupo, el valor de R 1 no se ve afectado. Pero si los empates ocurren entre dos o ms observaciones en las cuales se impliquen puntuaciones de los dos grupos, se afecta el valor tanto de R 1 como R 2 . Aunque el efecto generalmente es despreciable, tenemos disponible una correccin y puede utilizarse cada vez que empleemos la aproximacin para muestra grande a la distribucin muestral de R 1 . El efecto de los empatados es cambiar la variabilidad del conjunto de rangos. El uso de la correccin para los empates en la prueba de Wilcoxon-Mann-Whitney, se ilustra aplicndola a los datos de la tabla anterior. Para estos datos: m + n = 16 + 23 = 39 = N Nosotros observamos los siguientes grupos de empates:
Agrupacin 1 2 3 4 5 6 7 8 9 Valor 6 7 8 10 11 12 13 14 15 Rango 1.5 5 9.5 16 20.5 24.5 29.5 33 36 tj 2 5 4 7 2 6 4 3 3
A fin de encontrar la la desviacin estndar, necesitamos calcular el factor de correccin para los g = 9.
t3 j tj 12
j =1
2 3 2 53 5 4 3 4 33 3 + + +L+ 12 12 12 12
= 0.5+10.0+5.0+28.0+ ....+ 2.0 = 70.5
Utilizando este factor de correccin y m + n = 16 + 23 = 39 = N, tenemos:

Z= = I = LM mn OPFG ( N N ) t t IJ LM 16x23 OPFG (39 39) 705 .J K 12 K N39( 39 1)QH 12 N N( N 1)QH 12
3 g 3 j 3 j j=1
WX m( N +1) / 2
200 + 05 . 16( 39 +1)/ 2
344 .
CONCLUSIN: El valor de Z cuando se realiz la correccin para los empates es un tanto mayor que el que se encontr anteriormente cuando no se utiliz la correccin. La diferencia entre Z -3.41 y Z -3.44 es despreciable, tanto es as que la probabilidad proporcionada es la misma. En ambos casos, p<0.0003 (en una prueba unidireccional). Como se demuestra en este ejemplo, los empates slo tienen un pequesimo efecto. MTODO COMPUTACIONAL PARA LA PRUEBA DE Mann-Whitney Con el uso del paquete estadstico SPSS, se puede comprobar los resultados encontrados anteriormente, para esto simplemente ingrese la informacin en la hoja del SPSS codificando los dos grupos en forma ordenada, tal como se presenta a continuacin:
Una vez presionado el botn izquierdo, aparece el siguiente caja de dilogo, tal como se puede ver a continuacin:
Al presionar en la ficha OK, procede a realizar los clculos y muestra la salida en la pantalla de OUTPUT, tal como se puede ver a continuacin:
Ranks Mean Rank 12.50 25.22 Sum of Ranks 200.00 580.00
Test Statistics b PUNTUAC 64.000 200.000 -3.451 .001 .000

a
ENFER PUNTUAC 1 2 Total
N 16 23 39
Mann-Whitney U Wilcoxon W Z Asymp. Sig. (2-tailed) Exact Sig. [2*(1-tailed Sig.)] a. Not corrected for ties.
b. Grouping Variable: ENFER
EJERCICIOS: 1. En una granja avcola se pone a prueba un nuevo concentrado para alimentar a los animales. se desea establecer si este nuevo alimento es mejor que el que consuman anteriormente. Para ello, se suministr a un grupo de aves el nuevo alimento. Al trmino de 6 semanas se seleccion un grupo de aves de las que siguieron con el alimento acostumbrado, para compararlo con el grupo experimental. A continuacin se presentan los pesos de ambos grupos:
Alimento Antiguo Nuevo 3.50 4.30 4.00 3.70 4.25 3.40 3.00 3.90 3.75 4.15 Peso (lb) 3.75 4.10 4.70 5.00 4.05 3.40 3.80 3.75 3.20 3.25
4.00
Pruebe la hiptesis de que el nuevo concentrado ayuda a aumentar el peso de las aves. Use un nivel 5%. 2. Los siguientes datos dan el aumento de peso de 20 conejos de los cuales la mitad recibi su protena crudo y la otra mitad de man tostado. Probar si el tostado de
- 82 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno man ha tenido un menor efecto en el aumento de peso de los conejos. Los aumentos de peso estn registrados en gramos. Use = 0.05.
Alimento Crudo Tostado 61 55 60 54 56 47 63 59 Peso (gr) 56 63 51 61 59 57 56 54 44 62 61 58
3. Los siguientes datos son los valores de respuesta del sistema de inmunizacin de personas que recibieron una dosis de refuerzo de uno de dos tipos de vacunas contra la rabia.
Tipo 1 (X) Tipo 2 (Y) 1.25 5.30 1.70 1.00 8.50 3.75 8.10 2.25 5.60 7.85 0.57 3.90 8.20 1.20 1.70 1.00 4.55 5.20 2.16 1.90 4.60
Es posible concluir, con base en estos datos, que los dos tipos de vacuna difieren en cuanto a sus efectos?. Sea = 0.05. 4. Los siguientes valores son los tiempos (en minutos) de permanencia en la sala de operaciones de 20 personas sometidas al mismo procedimiento quirrgico. Once de las personas fueron pacientes del hospital A y 9 lo fueron del hospital B.
Hospital A 35 Hospital B 45 30 38 33 42 39 50 41 48 29 51 30 32 36 37 45 46 40 31
Con base en estos datos, es posible concluir que, para el mismo procedimiento quirrgico, los pacientes del hospital B tienden a permanecer ms tiempo en la sala de operaciones que los pacientes del hospital A?. Sea = 0.01. 5. Se obtuvieron los siguientes pesos (kg) a partir de una muestra de nios estudiantes de 12 aos de edad, en un pas en vas de desarrollado. Los nios residen en dos reas geogrficas diferentes.
rea A 54.1 rea B 36.3 33.8 31.4 56.2 51.9 32.0 51.8 33.7 46.4 58.6 36.2 58.9 26.8 45.7 25.1 55.3 29.8 50.8 26.1 35.2
Es posible concluir a partir de estos datos que el peso promedio de los nios del rea A es diferente del de los nios del rea B?. Sea = 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 83 3.8. PRUEBA DE KOLMOGOROV-SMIRNOV PARA DOS MUESTRAS CONDICIONES: - El test de Kolmogorov-Smirnov (K-S), permite establecer si dos muestras proceden de la misma poblacin, o si dos poblaciones difieren en algn parmetro de posicin y/o de dispersin. - Las funciones de distribucin son continuas. Las dos muestras son independientes entre s. - La prueba para dos muestras centra su inters en el acuerdo entre dos distribuciones acumulativas. - La medida de los puntajes deben ser de tipo contnuo. - Si las distribuciones acumulativas de las dos muestras estn demasiado lejanas en cualquier punto, esto sugiere que las muestras provienen de poblaciones distinas. - De cada poblacin se toma una muestra aleatoria simple. - Se debe determinar la distribucin de la frecuencia acumulada para cada muestra de observaciones, utilizando los mismos intervalos para ambas distribuciones. USOS: - La prueba de K-S para dos muestras, es una prueba de s dos muestras independientes se ha extrado de la misma (o de dos poblaciones con la misma distribucin). - Se usa la prueba de dos colas (bidireccionales) para probar la sensibilidad de las distribuciones de las dos muestras con respecto a cualquier tipo de definicin que sea de tendencia central, dispersin o variacin de oblicuidad. - La prueba de una cola (unidireccional), se usa para decidir, si los valores de la poblacin de la que se extrajo una de las muestras son aleatoriamente mayores o menores que los de la poblacin de la otra muestra, es decir en este caso se prueba si ambas muestras provienen de la misma poblacin. PROCEDIMIENTO: - Se disponen los datos en una tabla de distribucin de frecuencias con los mismos intervalos de clase para ambas muestras, adems se debe tomar en cuenta por lo general el mayor nmero de intervalos posibles para que la informacin inherente a los datos no se pierda. - Se calcula las distribuciones acumuladas para cada muestra. Usando las siguientes notaciones:
S m (X) = S n (X) =
k (Frecuencia acumulada para la primera muestra) m
k (Frecuencia acumulada para la segunda muestra) n - Luego se calcula las diferencias Sm(X)-Sn (X) para cada intervalo. Determinndose la mxima diferencia observada, tal como se muestra:
D m,n = max Sm ( X ) Sn ( X ) (Prueba de una cola unidireccional). D m,n = max Sm ( X ) Sn ( X ) (Prueba de dos colas bidireccional).
- Se determina la significacin de Dm,n observado, tomando en cuenta el tamao de las muestras y la naturaleza de la hiptesis (Ha:). MUESTRAS PEQUEAS: - Si las muestras son pequeas, entonces m y n son menores o iguales a 25 (m y n 25), la tabla de valores crticos de Kolmogorov-Smirnov para dos muestras independientes proporcionan el valor crtico que est (Anexo, L-1). Kobs. Kcrtico , se rechazar la Ho:, donde k es el numerador de D. MUESTRAS GRANDES: Prueba de una cola. Para el caso de muestras grandes (m y n > 25)., y para una prueba de una cola (unidireccional), utilizando D m,n = max Sm ( X ) Sn ( X ) . El valor de Ji-cuadrado con dos grados de libertad (gl. = 2):
2 4 Dm ,n m n m+n
2 =
Es importante aclarar que esta Ji-cuadrado es til cuando se tiene tamao de muestras pequeas e iguales para el caso de muestras grandes no es necesario m se igual a n. En este caso, la decisin est dada de la siguiente manera: Si
2 2 c gl , entonces se acepta la Ho: y se rechaza la Ha: (m = n = N).
MUESTRAS GRANDES: Prueba de dos colas. - Cuando m y n > 25, la tabla de Kolmogorov-Smirnov (Anexo, L-3), puede utilizarse para dos muestras. Para usar esta tabla determine el valor Dm,n para
Estadstica No Paramtrica Aplicada a la Ganadera - 85 los datos observados, utilizando D m,n = max S m ( X ) S n ( X ) y compare el valor observado con el valor crtico que se obtiene de la tabla, empleando como entradas m y n en la expresin proporcionada por la Tabla de K-S. Para tomar la decisin se realiza Dm,n Dcrtico , entonces se rechaza la Ho:, en el nivel de significacin de bidireccional asociados con dicha expresin 136 . ( m + n ) mn , en este caso para
= 0.05.
EJEMPLO: Se registraron pesos finales en carnerillos de 11 meses de edad de las razas Corriedale y Criollo del CIP-Chuquibambilla, con las mismas condiciones de edad, alimentacin y tiempo con una duracin de 70 das aproximadamente, iniciando en octubre del 2003 y terminando en Diciembre del mismo ao. La informacin se presenta a continuacin:
Raza Corriedale (Peso final en kg) 45 43 44 43 44 42 45 43 41 43 41 43 44 40 43 42 49 43 45 42 45 40 44 44 43 43 42 41 41 42 48 36 40 42 44 38 42 47 42 41 Raza Criolla 43 45 44 42 49 49 46 42 (Peso final en kg) 48 47 43 46 46 41 46 46 46 45 46 47 42 45 43 45 46 45 45 42 42 45 45 44
46 54 50 51 46 47 46 47
SOLUCIN: 1. Hiptesis estadstica: Ho: La ganancia de peso vivo en carnerillos de la raza corriedale es igual a la ganancia de peso vivo en carnerillos de la raza criolla. Ha: La ganancia de peso vivo en carnerillos de la raza corriedale es inferior a la ganancia de peso vivo en carnerillos de la raza criollo. X = Incremento de peso vivo en kg. en carnerillos de la raza corriedale. Y = Incremento de peso vivo en kg. en carnerillos de la raza criolla. 2. Nivel de significacin: = 0.05, m = 40 y n = 40. 3. Prueba estadstica: Se tiene los pesos vivos en carnerillos que constituyen puntuaciones bajos y altos de dos grupos independientes, se seleccion una prueba
- 86 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno para muestras independientes. Adems los datos estn en escala de intervalo. La prueba de Kolmogorov-Smirnov para dos muestras compara dos distribuciones de frecuencia acumulada y determina si la Dm,n observada indica si stas fueron extradas de las mismas poblaciones, una de las cuales es estocsticamente superior a la otra. 4. Distribucin muestral: La distribucin muestral que se utilizar es:
2 4 Dm ,n m n , donde Dm,n se calcula mediante la = m+n 2
ecuacin D m,n = max Sm ( X ) Sn ( X ) es aproximada por la distribucin Ji-cuadrado con gl = 2. La probabilidad asociada con un valor observado de Dm,n cuando Ho: es verdadera, puede ser determinada por medio de la tabla Ji-cuadrada del Anexo. 5. Clculo de la prueba estadstica:
Raza Corriedale Y'i-1 - Y'i 36 - 39 39 - 42 42 - 45 45 - 48 48 - 51 51 - 54 TOTAL ni Ni Sm (X) 2 8 23 5 2 0 40 2 10 33 38 40 40 0.050 0.250 0.825 0.950 1.000 1.000 nj 0 1 10 23 4 2 40 Raza Criollo Nj 0 1 11 34 38 40
S (Xi ) Sn n (X)
0.000 0.025 0.275 0.850 0.950 1.000
Sm(X )S(X n )
0.050 0.225 0.550 0.100 0.050 0.000
Prueba para dos colas (bidireccional) (Anexo, L-3).
D 40,40 = max Sm ( X ) Sn ( X ) = 0.55 (valor observado Dm,n)

D m,n ,a = 136 . 80 m+n = 136 = 0.304 (valor crtico) . 1600 mn Prueba para una cola (unidireccional), cuando m y n > 25, se usa la frmula siguiente:
2 =
2 4 Dm 4(0.55) 2 40 x40 ,n m n = = 24 .20 80 m+n
con gl. = 2
6. Regin de rechazo: Puesto que Ha: predice la direccin de la diferencia entre las puntuaciones de ganancia de peso vivo altas y bajas, se utiliz la prueba
Estadstica No Paramtrica Aplicada a la Ganadera - 87 2 unidireccional. La regin de rechazo consiste en todos los valores de , calculados con la frmula anterior, los cuales son tan grandes que la probabilidad asociada con su ocurrencia cuando Ho: es igual o menor que = 0.05
2 . , entonces se rechaza la Ho:, es decir 7. Decisin: Como 2 = 24.20 > 2 ,0.05 = 599 existe evidencia suficiente para afirmar que los incrementos de peso vivo en carnerillos criollos es superior a los incrementos de los carnerillos de la raza Corriedale.
Prueba para dos colas (bidireccional). Como D 40,40 = 0.55 > D40,40,0.05 = 0.304 , entonces se rechaza la Ho:, y se acepta la hiptesis Ha:, es decir que los incrementos de pesos vivos en la raza Corriedale y Criollos son diferentes.
EJERCICIOS: 1. Se registraron pesos finales en carnerillos de las razas Corriedale y Merino del CIP-Chuquibambilla, con las mismas condiciones de edad, alimentacin y tiempo con una duracin de 70 das aproximadamente, iniciando en octubre del 2003 y terminando en Diciembre del mismo ao. La informacin se presenta a continuacin:
Raza Corriedale (Peso final en kg) 45 43 44 43 44 42 45 43 41 43 41 43 44 40 43 42 49 43 45 42 45 40 44 44 43 43 42 41 41 42 48 36 40 42 44 38 42 47 42 Raza Merino (Peso final en kg) 43 43 38 43 41 46 40 44 39 37 45 41 42 42 42 42 46 47 38 41 42 39 48 53 40 40 38 40 40 38 44 -
46 43 41 42 41 47 45 42
Calcular la prueba de Kolmogorov-Smirnov para dos muestras independientes. Use = 0.05. 2. Los siguientes datos corresponden a las vicuas hembras adultas que han sido esquilados en el criadero de vicuas del Comit Comunal de Manejo de Vicuas de Cala - Cala y de Pampa Galeras (1998), para tal efecto se ha registrada los pesos vivos (kg). La informacin se presenta a continuacin:

26 40 34 36 33 35 35 34 34 31 42 24 38 35 35 38 27 36 40 24 32 34 35 37 38 30 43 33 36 37 37 36 38 34 36 32 35 33 35 37
Cala - Cala
Pampa Galeras
Calcular la prueba de Kolmogorov-Smirnov para dos muestras independientes. Use = 0.05. 3. Se realiz el anlisis de sangre para la variable HEMOGLOBINA en el Laboratorio de Bio-qumica de la F.M.V.Z.-UNA - Puno, las muestras fueron procedentes de las alpacas de la raza Huacaya y Suri del Centro de Investigacin y Produccin La Raya de las clases (cras, tuis y adultos) y de ambos sexos (2000), obtenindose los siguientes resultados:
R A Z AH U A C A Y A :H E M O G LO B IN A 13.09 13.83 12.38 14.21 13.83 13.45 12.04 13.83 13.83 13.45 13.45 13.27 13.45 13.27 14.21 13.27 12.73 13.45 14.60 15.42 14.21 13.83 14.60 12.38 13.83 12.04 13.09 R A Z ASU R I: H E M O G LO B IN A 13.09 14.60 14.60 13.83 13.09 13.09 12.73 13.45 14.60 13.45 12.91 12.56 13.27 10.60 12.21 14.60 14.21 13.09 13.27 13.45 12.91 15.01 15.63 14.02 14.60 13.45 11.88 13.27 11.22 13.09
Calcular la prueba de Kolmogorov-Smirnov para dos muestras independientes. Use = 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 89 3.9. PRUEBA DE RACHAS DE WALD-WOLFOWITZ RESTRICCIONES: - La variable en estudio debe tener una distribucin continua y su medida debe darse por lo menos en una escala de orden. - Los datos deben provenir de dos poblaciones independientes n1 y n2 . - Se utiliza para probar la hiptesis nula (Ho:) que afirma que ambas muestras provienen de la misma poblacin frente a una hiptesis altera que afirma que ambas muestras tienen una diferencia total entre ellas, esto es porque tienen medidas diferentes, dispersin diferentes, oblicuidad, etc. - No es necesario que ambos tamaos de muestra sean iguales, es decir, se puede presentar n1 = n2 o n1 n2 . - Se utiliza para afirmar que una diferencia entre ambas muestras no especificada. MTODO: - Se ordenan los datos combinados de ambas muestras de menor a mayor (< a >), sin que se pierda la identificacin de cada dato. - Se determina el nmero de rachas. - S la hiptesis nula (Ho:) es falsa, el nmero de rachas ser pequea y s la Hiptesis nula (Ho:) es verdadera el nmero de rachas ser grande. - Se determina la significacin del valor observado de r, de acuerdo al tamao
n1 y n2 , de la siguiente forma:
MUESTRAS PEQUEAS: - Si n1 y n2 son menores o iguales que 20 ( n1 y n2 20 ), los valores crticos de r, se podrn encontrar en la Tabla (valores crticos de r en la prueba de series), para prueba de rachas (Anexo, G). MUESTRAS GRANDES - n1 n2 >20, entonces la distribucin muestral de r, tiende a la aproximacin normal con r y r , cuya expresin es la siguientes:
Z=
robs . r , es decir, s p entonces se rechaza la Ho: r
- 90 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno EJEMPLO: Se tiene la informacin referente al uso estratgico del heno y ensilado para suplementar en pocas crticas de estiaje en alpacas madres de la Raza Huacaya, cuyo objetivo es determinar el incremento de peso vivo final (kg) en alpacas del grupo experimental (E) y grupo control (C).
Grupo Exptal. (Ensilado) Control o tesigo 1 50.0 49.5 2 46.5 50.5 3 45.5 44.5 4 53.0 54.5 5 48.0 57.5 6 47.5 44.0 7 47.0 53.5 8 49.0 67.5 9 51.0 60.0 10 50.0 52.0 11 40.0 56.0
Probar si existen diferencias significativas entre el incremento de peso vivo (kg) del Grupo Control y el incremento de peso vivo del grupo Experimental que fue suplementado con Ensilado. 1. Hiptesis Estadstica: Ho: El incremento de peso vivo final del grupo Control es similar al incrmento de peso vivo final del grupo experimental en alpacas de la raza Huacaya. Ha: Existe diferencia entre el incremento de peso vivo final del grupo control y del grupo experimental en alpacas de la raza Huacaya. 2. Nivel de Significacin: = 0.05 y n1 = 11 y n2 = 11 ambos son menores a 20. 3. Prueba Estadstica: Se seleccion la prueba Wald-Wolfowitz, porque las dos poblaciones en estudio n1 y n2 son independientes uno del otro. 4. Distribucin muestral: Se tiene que: n1 = 11y n2 =11. Usando la tabla del Anexo, se encuentra los dos valores inferior y superior. 5. Clculo de la prueba estadstica:
40.0 E 1 50.5 C 6 44.0 44.5 C C 2 51.0 E 7 52.0 C 8 45.5 46.5 47.0 47.5 48.0 49.0 E E E E E E 3 53.0 E 9 49.5 C 4 50.0 50.0 E E 5
53.5 54.5 56.0 57.5 60.0 67.5 C C C C C C 10
n1 = 11y n2 =11, entonces robs. = 10. En la tabla (Anexo, G) se encuentra los valores crticos:
rcrtico inferior = 7 rcrtico superior =17

6. Regin de Rechazo: rcrtico inferior < robs. < rcrtico superior , 7 < 10 < 17, entonces se acepta la Ho:
Estadstica No Paramtrica Aplicada a la Ganadera - 91 7. Decisin: No existe evidencia suficiente para afirmar que las alpacas suplementadas con ensilado incrementan mejor a los pesos de las alpacas del grupo control. EJERCICIO: Se tiene los pesos finales de los terneros de la raza Brown Swiss que pertenecen al grupo experimental, y los terneros del Grupo Control, que se han registrado los pesos vivos desde el nacmiento hasta el 17avo semana. Los pesos finales se presentan a continuacin:
Grupo Exptal. Grupo Control 110 106 107 100 107 108 106 109 103 108 98 69 69 99 83 98 100 68 96 80
Probar con la prueba Wald-Wolfowitz si presentan diferencias en ambos grupos de terneros. 3.10. PRUEBA PODEROSA DE RANGOS ORDENADOS CONDICIONES: - Esta prueba supone que las variables X y Y se obtuvieron de una misma distribucin continua. - Las variables deben estar medidas en (al menos) una escala ordinal. - La forma de plantear la hiptesis nula es: H 0 : x = y . es decir la mediana de la distribucin X es igual a la mediana de la distribucin Y. - Cuando las distribuciones son las mismas, entonces la variabilidad o las varianzas de las distribuciones son iguales. - La hiptesis alterna slo especifica que existe diferencia entre las medianas y, las hiptesis nula, supone que las variabilidades de las distribuciones son las mismas. - El investigador tiene razn para creer que las distribuciones subyacentes a X y Y no son iguales, pero an desea evaluar la Ho: En tales casos, la prueba de Wilcoxon no es apropiada. MTODO: - El nmero de casos de la muestra del grupo X es m. - El nmero de casos de la muestra del grupo Y es n. - Para aplicar la prueba poderosa de rangos ordenados, primero debemos combinar las observaciones o puntuaciones de ambos grupos y ordenar los rangos por tamaos, de manera ascendente.
- 92 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno - En este ordenamiento, el tamao algebraico es el considerado, es decir, los rangos inferiores son asignados a los valores negativos mayores, si los hubiera. - Para cada Xi contamos el nmero de observaciones de Y con un rango inferior. Este nmero representa la ubicacin de las puntuaciones X y se denominar
U(YXi ) .
- Se encuentra la media de U(YXi ) : U ( YX ) =
U ( YX i ) m i =1
m
- De manera similar, encontramos las ubicaciones de cada Y. As tambin U( XYj ) , el nmero de observaciones de X que precede a cada Yj. - Se encuentra la media de U( XYj ): U ( XY ) =
n
U ( XY j ) n
j =1
- El siguiente paso es encontrar el ndice de variabilidad de U(YXi ) y U( XYj ) , mediante las siguientes frmulas:
V X = U ( YX i ) U ( YX )
i =1
VY = U ( XYj ) U ( XY )
j =1
&= - Finalmente, calculamos la prueba de: U
mU(YX )nU( XY) U(YX ) 2 VX +V Y +U( XY)
EMPATES: - El clculo de la prueba poderosa de rangos ordenados el ajuste para los empates es:
U(YXi ) = El nmero de Y observaciones en la muestra que son menores que

X i + 0.5 del nmero de Y observaciones en la muestra que son iguales
que Xi.
U( XYj ) = El nmero de X observaciones en la muestra que son menores que

Yj + 05 . del nmero de X observaciones en la muestra que son iguales que Yj.
Los clculos de U(YX), U(XY), Vx, Vy y ajustes a la ubicaciones.
& se complementan, utilizando los U
Estadstica No Paramtrica Aplicada a la Ganadera - 93 MUESTRAS PEQUEAS: - Si m y n son menores que 12 (m y n < 12), la significacin de las probabilidades asociadas con valoes grandes de U & son proporcionadas en la Tabla de los valores crticos de U para la prueba poderosa de rangos ordenados (Anexo, K). Los valores de tablas son probabilidades unidireccionales. Para pruebas bidireccionales, duplique estas probabilidades. MUESTRAS GRANDES: - Si m y n son mayores que 12 (m y n > 12), la probabilidad asociada con un valor tan extremo como el valor observado U & , puede determinarse haciendo uso de la tabla de probabilidades asociadas de la distribucin normal (Anexo, A) que,
& es aproximadamente normal. U - Si el valor observado U & , tiene una probabilidad asociada igual o menor que ,
para m y n grandes, la distribucin muestral de rechace Ho: en favor de Ha: EJEMPLO: Se registr el peso vivo (kg) de vacas Brown Swiss que estn en la produccin de leche con una suplementacin de Mikrofos ADE (X) y otro grupo de vacas criollas (control) sin la suplementacin, al final del experimento, se tomarn los pesos finales en ambos grupos. La informacin se presenta en seguida:
Mikrofos ADE Grupo Control 453 553 449 619 505 575 490 445 523 452 505 423
Probar si existen diferencias entre los dos grupos de vacas Experimental y Control en el incremento de peso vivo (kg) con la prueba poderosa de rangos ordenados: SOLUCIN. 1. Hiptesis Estadstica: Ho: El peso vivo (kg) de las vacas Brown Swiss suplementados con Mikrofos ADE es la misma que los pesos vivos de las vacas Criollas (control) en la produccin de leche. Ha: El peso vivo (kg) de las vacas suplementadas con Mikrofos ADE es superior a las vacas criollas (Control) en la produccin de leche. 2. Prueba Estadstica: Se seleccion la prueba poderosa de rangos ordenados, porque abarcan a muestras independientes y utiliza mediciones que estan dados en una escala ordinal. Adems los dos grupos pueden diferir en los pesos vivos. 3. Nivel de Significacin: = 0.05 y m = vacas con el tratamiento Mikrofos
- 94 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno ADE y n = Vacas del grupo control. 4. Distribucin muestral: Las probabilidades asociadas con la ocurrencia, cuando Ho: es verdadera, de valores tan grandes como U, pueden determinarse por medio de la distribucin normal que se encuentra en el Anexo. 5. Regin de rechazo y aceptacin: Esta dado para bidireccional, ya que no plantea una direccin para la diferencia de pesos vivos en la produccin de leche. 6. Clculos Estadsticos:
Puntuacin: 423 445 449 452 453 490 505 505 523 553 575 619 G R U PO : Y Y X Y X X X X X Y Y Y
X i 449 453 490 505 505 523
U (Y X i) 2 3 3 3 3 3
Y j 423 445 452 553 575 619
U (X Y j) 0 0 1 6 6 6
Calculamos la media para: U(YX ): i

U ( YX ) =
m
Calculamos la media para: U( XYj )

6 U( XYj ) 0 + 0+1+ 6+ 6+ 6 U( XY ) = = = 317 . 6 6 j=1
U ( YX i ) 2 + 3 + 3 + 3 + 3 + 3 = = 2 .83 6 6 i =1
6
VX = U(YXi ) U(YX ) = (2-2.83)2 + (3-2.83)2 + (3-2.83)2 + (3-2.83)2 + (3-2.83)2 + (3-2.83)2 = 08334 .

2 i=1
VY = U( XYj )U( XY ) = (0-3.17)2 +(0-3.17)2 +(1-3.17)2 +(6-3.17)2 +(6-3.17)2 +(6-3.17)2 =48.83

2 j=1
Finalmente, calculamos la prueba de:

&= U 6(2.83)-6(3.17) mU(YX ) nU( XY ) = = 0133 . + 4883 2 VX +VY +U( XY )U(YX ) 2 08334 . . +(3.17)(2.83)
En la tabla de valores crticos de U de Rangos ordenados (Anexo, K), se busca
. con m = 6, n = 6 entonces es: U m ,n , = U 6 ,6 ,0.05 = 186

7. Decisin: Como
& = -0.133 U
. , entonces se acepta la Ho:, U 6 ,6,0.05 = 186
es decir, que no hay evidencia suficiente para afirmar que los incrementos de pesos vivos en vacas fue diferente en la produccin de leche.
Estadstica No Paramtrica Aplicada a la Ganadera - 95 3.11. PRUEBA DE RANGOS DE MOSES PARA DIFERENCIA DE ESCALA. CONDICIONES: - Los investigadores desean saber acerca de las diferencias en la tendencia central, las diferencias en la escala pueden tener importancia terica y valor prctico. - La de Siegel-Tukey es una prueba que tiene xito al comparar diferencias en la escala o variabilidad. - El uso de la prueba requiere que las medianas de los dos grupos sean las mismas o conocidas. - La prueba de rangos de Moses es vlida en casos en los cuales las medianas son desconocidas o bien, no puede suponerse que sean iguales. - La prueba de rangos de Moses supone que las observaciones corresponden a mediciones en, al menos, escala de intervalo.
2 2 2 - La hiptesis, puede plantearse como: H 0 : 2 X = Y versus H a : X Y .
2 - Para la hiptesis unidireccionales, se plantean como: H a : 2 X > Y . - Cuando se desea probar una hiptesis alterna unidireccional en el cual la variable 2 X es mayor que la variable Y, entonces la Ha: H a : 2 X < Y
MTODO: - Primeramente dividir las observaciones de los dos grupos en subconjuntos del mismo tamao. - Cada subconjunto debe contener al menos dos observaciones. - Si la divisin es tal que hay observaciones que no pueden colocarse en ningn subconjunto, stas se descartan del anlisis. - Es muy importante dividir los datos en subconjuntos al azar; es decir usar la tabla de nmeros aleatorios. - Para cada subconjunto, se calcula la sumatoria de las diferencias al cuadrado de cada dato respecto a la media de cada subconjunto (a cada dato se le resta la media del subconjunto al que pertenece, la diferencia se eleva al cuadrado y todas estas diferencias elevadas al cuadrado se suman para cada subconjunto). - El procedimiento es sencillo, pero requiere muchas operaciones. - Se usar un doble subndice para identificar los subconjuntos individualmente. - Primero, k es el nmero de observaciones en cada subconjunto, m es el nmero de subconjunto de X y n es el nmero de subconjunto de Y. Entonces, los datos para el j-simo subconjunto de X puede escribirse como:
X j1 , X j 2 , X j 3 ,L , X jk
j = 1,2 ,3,L , m'
- 96 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Para los datos del subconjunto de Y pueden enumerarse como:
Y j 1 ,Y j 2 ,Y j 3 ,L ,Y jk
j = 1,2 ,3 ,L , n'
Para los subconjuntos de X, se calcula un ndice de dispersin D( X j ) :
D( X j ) = X ji X j ,
2 i =1
j = 12 , ,L,m '
donde:
X j = i=1
X
k
ji
Es la media de las observaciones es el j-simo subconjunto de X. En forma similar, se calcula para los subconjuntos de Y, el ndice de dispersin D( Yj ) :
k
D(Yj ) = Yji Yj ,
2 i =1
j = 12 , ,L,n'
donde:
Yj = i=1 k
ji
Es la media de las observaciones en el j-simo subconjunto de Y. - Si la Ho: de igual variabilidad para los grupos X y Y es verdadera, entonces esperamos que los valores de D( X ) y D( Yj ) estuvieran tan bien mezclados en las medidas de dispersin para los subconjuntos, que ambas seran muy similares. - En cambio, si la Ha: es verdadera, entonces esperamos que los valores de D( X ) tendieran generalmente a ser ms pequeos que las D( Yj ) . - Si los datos de X tienen menos variabilidad que los datos de Y (o los valores de D( X ) tenderan a ser mayores que las D( Yj ) si los datos de X tienen mayor variabilidad que los datos de Y). - Para probar la hiptesis de igual dispersin, aplicamos la prueba de Wilcoxon a los ndices de dispersin calculados para cada uno de los subconjuntos. En la aplicacin de esta prueba, los tamaos de la muestra son m y n.
j j j
EMPATES: - No hay problema en la aplicacin de la prueba de rangos de Moses con los empates en los datos originales, s hay que realizar un ajuste si existen empates en las D( X ) y en las y D( Yj ) . Se debe utilizar la correccin usual de la prueba de Wilcoxon.
j
MUESTRAS GRANDES: - Cuando el tamao de la muestra es grande, se debe emplear la aproximacin para muestra grande de la prueba de Wilcoxon.
Estadstica No Paramtrica Aplicada a la Ganadera - 97 EJEMPLO: Se ensay un experimento para mejorar en las pocas crticas, la crianza de alpacas hembras de la raza Huacaya en las diferentes fases productivas y reproductivas, haciendo uso estratgico de heno y ensilado durante los 90 das de experimentacin (2001). Se han considerado dos grupos de alpacas hembras: Experimental (heno) y Control (testigo). La informacin se presenta a continuacin:
Grupo Control 33.0 27.0 34.0 27.5 31.5 29.5 29.5 30.0 30.0 28.0 35.0 32.0 G.Exp.- Heno 37.5 40.5 34.5 31.0 32.0 35.0 33.5 33.5 35.5 36.5 30.5 31.5
Pruebe con la prueba de Moses. 1. Hiptesis Estadstica: Ho: Las alpacas hembras del grupo control y las alpacas suplementadas en la poca de estiaje con heno muestran igual variabilidad en el incremento de peso vivo. Ha: Las alpacas del grupo experimental muestran una mayor variabilidad en el incremento de peso vivo que las alpacas del grupo control. 2. Nivel de Significacin: = 0.05 y m = 12 y n = 12 3. Prueba Estadstica: La hiptesis se interesa en las distribuciones de escalas de parmetros, y que se supone que las medianas de las distribuciones no son iguales, ya que las distribuciones adyacentes no se distribuyen normalmente, la prueba de rangos de Moses es la apropiada. 4. Distribucin muestral: Los estadsticos asociados con la prueba de rangos de Moses es la misma que la de la prueba de Wilcoxon. Por tanto, la lgica de la prueba de Wilcoxon puede aplicarse a los estadsticos derivados. 5. Clculo de la prueba estadstica:
Datos de las alpacas del Grupo CONTROL Conjunto 1 2 3 31.5 32.0 29.5 Pesos Finales 35.0 29.5 27.5 30.0 28.0 30.0 27.0 34.0 33.0
i=1 ji
Y ji
30.88 30.88 30.00
D (X) j
33.19 21.19 15.50
123.5 123.5 120.0
Datos de las alpacas del Grupo Experimental (Heno) Conjunto 1 2 3 37.5 32.0 35.5 Pesos Finales 40.5 35.0 36.5 34.5 33.5 30.5 31.0 33.5 31.5
i=1
ji
Y ji
35.88 33.50 33.50
D(Y) j
49.69 4.50 26.00
143.5 134.0 134.0
- 98 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno De esto se tiene que: m = 4 y n = 4. Para aplicar la prueba, las D deben ser ordenadas de menor a mayor de la siguiente forma:
Puntuacin D: Rango: Grupo: 4.50 1 Y 15.50 2 X 21.19 3 X 26.00 4 Y 33.19 5 X 49.69 6 Y
Con los datos anteriores calculamos la suma de rangos:

WX = 2+3+5 = 10
WY = 1+4+6 = 11
Puesto que la hiptesis alterna (Ha:) es que las alpacas alimentadas con heno que es el grupo experimental (grupo Y) deberan mostrar una mayor variabilidad
2 en peso vivo, entonces la hiptesis alterna es: H a : 2 X < Y , por tanto, debemos rechazar la Ho:, si la probabilidad asociada con una Wx. Ver la tabla (Anexo, J) de probabilidades de los lados inferior para Wx, el estadstico de la suma de rangos de Wilcoxon-Mann-Whitney).
6. Regin de Rechazo: En virtud de que la hiptesis alterna especifica la direccin de la diferencia, se utiliza una prueba unidireccional. La regin de rechazo consiste en todos los valores de las sumatorias de rangos tan grandes o mayores que el valor observado ( p rechace la Ho:). 7. Decisin: Como p = 0.0143 =0.05, entonces se rechaza la Ho:, es decir existe evidencia suficiente para afirmar que la variabilidad del grupo experimental (suplementadas con heno) es mayor a las alpacas del grupo control en cuanto se refiere a los incrementos de pesos vivos. EJERCICIOS: 1. Los datos corresponden a las alpacas mantenidas en condiciones crticas de alimentacin en poca de estiaje, para lo cual se ensayo dos grupos: experimental (ensilado) y control (testigo), para evaluar el incremento de peso vivo (kg). La informacin se presenta en seguida:
Grupo Control 33.0 27.0 34.0 27.5 31.5 29.5 29.5 30.0 30.0 28.0 35.0 32.0 G.Exp.- Ensilado 42.0 34.0 32.0 35.5 41.0 34.0 35.0 37.0 33.0 33.0 31.5 31.0
Estadstica No Paramtrica Aplicada a la Ganadera - 99 Encuentre la variabilidad de los pesos vivos en ambos grupos de experimentacin con la prueba de Moses. 2. La informacin corresponde a los pesos vivos (gr) por camada en cuyes primerizas de dos grupos: experimental (CEM) y control (testigo). La informacin se presenta en el siguiente cuadro:
Grupo Control G.Exp.- CEM 290 144 336 260 358 354 300 350 242 326 358 242 370 308 612 368 374 416 338 312 410 450 436 232 342 360
Existir variabilidad en los pesos vivos por camada en cuyes primerizas de ambos grupos?. Probar con la prueba de Moses. Use =0.05.
4
EL CASO DE K-MUESTRAS RELACIONADAS
4.1. Prueba de Q de COCHRAN USOS Y RESTRICCIONES: - La prueba de Q de Cochran para k muestras relacionadas, provee un mtodo para evaluar si tres o ms conjuntos igualados de frecuencias o proporciones difieren significativamente entre ellos mismos. - La igualacin debe fundamentarse en las caractersticas relevantes de los diferentes sujetos o en el hecho de que los mismos sujetos sean utilizados en las diferentes condiciones. - La prueba Q de Cochran es particularmente aplicable a datos de tipo categrico (en escala nominal) u observaciones ordinales (o de intervalo) dicotmicas. - Es una prueba paralela a la prueba paramtrica F de Anlisis de Varianza de dos vas o se conoce con el nombre de diseo bloque aleatorios. - Prueba si k muestras relacionadas provienen de la misma poblacin; si las kmuestras exiben diferencias significativas entre s. MTODO: - A los datos dicotmicos se les asigna la puntuacin 1 por cada xito y el valor 0 por cada fracaso. - Los datos se presentan en una tabla de Nxk, siendo N = renglones y k = columnas. N es el nmero de casos en cada uno de los k grupos o condiciones. - El valor de Q, se determina utilizando la siguiente ecuacin:
L F IO ( k 1 )M k G G G J P MN H K PQ Q=
k k 2 j =1 2 j j =1 2 i j
k Li L
i =1 i =1
Q=
k( k 1) Gj G
j=1
kLi L2 i
i =1 i=1
Donde: G j = Nmero total de xitos en la j-sima columna.
G = Promedio de G j .
L i = Nmero total de xitos en el i-simo rengln.
- La significacin del valor observado de Q puede determinarse mediante la Tabla de valores crticos de la distribucin Ji-cuadrada (Anexo, C), ya que Q, se distribuye aproximadamente como la 2 con gl = k - 1. Si la probabilidad asociada con la ocurrencia cuando Ho: es verdadera es tan grande como el valor observado de Q es igual o menor que , entonces debemos rechazar Ho: - Si el tamao de N no es muy pequeo; no hay recomendacin especifica con respecto al tamao mnimo de N. EJEMPLO: Se realiz un experimento en la elaboracin de quesos y probar la aceptabilidad en quesos semiduros, para lo cual se usaron tres tipos de cuajos: cuajo de alpaca fresca (CAF), cuajo comercial (CC) y cuajo de alpaca + fermento (CA+F). Para probar la aceptabilidad se realiz a 15 personas quines debern calificar los tres tipos de quesos elaborados con diferentes cuajos. Para realizar esta calificacin se dicotomiz de la siguiente forma: 1 = Aceptable y 0 = No aceptable. SOLUCIN. 1. Hiptesis Estadstica: Ho: La probabilidad de un s es la misma para los 3 tipos de calificacin de quesos. Ha: La probabilidad de un s difiere dependiendo a la forma de probar los quesos semiduros. 2. Nivel de Significacin: = 0.05 3. Prueba Estadstica: Se elige la prueba de Q de Cochran porque los datos pertenecen a ms de dos grupos relacionados (k = 3) y son respuestas dicotmicas (s y no).
- 102 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 4. Distribucin muestral: Cuando la hiptesis nula es verdadera, entonces se usar la siguiente ecuacin:
( k 1) k G 2 j Q=
j =1
k Li
i =1
LM MN
F G GH
k j =1 2 i
I JK
L
i =1
OP PQ , y se distribuye aproximadamente
como 2 con gl = k - 1, y se compara utilizando la Tabla de valores crticos de la distribucin Ji-cuadrada (Anexo, C). 5. Clculo de la prueba estadstica:
Respuestas de "s" = 1 y "no" = 0 de grupos de personas entrevistados para la calificacin de quesos que han sido elaborados con 3 cuajos. GRUPO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TOTAL CC 0 1 0 1 0 0 1 0 0 1 0 0 1 0 0 G1 = 5 CAF 0 0 1 1 1 1 0 1 1 0 0 0 0 1 1 G2 = 8 CA+F 1 1 0 1 1 0 0 1 1 1 0 1 0 0 1 G3 = 9
Li
1 2 1 3 2 1 1 2 2 2 0 1 1 1 2
Li2 Li 1 4 1 9 4 1 1 4 4 4 0 1 1 1 4
15 i=1
Li = 22
15 i=1
L2i = 40
El nmero total de respuestas s en los tres tipos de cuajo es:
G j = G1 + G2 + G3 = 5 + 8 + 9 = 22 , observe que:
j =1
L
i =1
15
= 22 , entonces Q es.
( k 1) kG2 j Q=
j =1 N
LM MN
k Li L
i =1 i =1
F G I OP GH JK P (31) 3(5 +8 + 9 ) 22 Q=
k 2 j j =1 2 i 2 2 2
3(22) 40
52 . = 20 26
Estadstica No Paramtrica Aplicada a la Ganadera - 103 Se busca en la tabla de valores crticos de la distribucin Ji-cuadrada con gl = k - 1 = 3 - 1 = 2, (Anexo, C) entonces tenemos que Q 2, tiene una probabilidad de ocurrencia cuando Ho: es verdadera, es decir p = 0.5. 6. Regin de rechazo y aceptacin: La regin de recazo consiste en todo los valores de Q que sean tan grandes que la probabilidad asociada con su ocurrencia cuando Ho: es verdadera, sea igual o menor que = 0.05. 7. Decisin: Como p = 0.5 > = 0.05, entonces se acepta la Ho:, es decir que la probabilidad de un s es la misma para los tres tipos de quesos elaborados con diferentes cuajos. 4.2. ANOVA BIFACTORIAL POR RANGOS DE FRIEDMAN Cuando los datos estn en k muestras igualadas y al menos estn en escala ordinal, se puede utilizar el Anlisis de Friedman para evaluar la hiptesis nula de que las k muestras fueron extradas de la misma poblacin. Debido a que k muestras son igualadas, el nmero de casos N es el mismo en cada una de las muestras. La igualacin se logra estudiando el mismo grupo de sujetos en cada una de las k condiciones. El investigador puede obtener N conjuntos, cada uno de k sujetos igualados, y asignar al azar a un sujeto de cada conjunto a la primera condicin, segunda condicin, etc. El anlisis de varianza bifactorial de Friedman evala la hiptesis nula de que los k grupos igualados o medidas repetidas provienen de la misma poblacin o de poblaciones con la misma mediana. Para la prueba de Friedman, los datos deben presentarse en una tabla de doble entrada conteniendo N renglones (sujetos o conjuntos de sujetos igualados) y k columnas (las distintas condiciones). Los datos que emplea esta prueba son rangos, las puntuaciones en cada rengln se ordenan por rangos separadamente, estudiando k condiciones, los rangos de cualquier rengln varan de 1 a k. La prueba de Friedman determina la probabilidad de que diferentes columnas de rango (muestras) provengan de la misma poblacin, es decir, que las k variables tengan la misma mediana. La prueba de Friedman determina si los rangos totales (R ) para cada condicin o variable, difieren significativamente de los j valores esperados por oportunidad, para realizar esta prueba, se calcula el valor
- 104 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno del estadstico denotado por Fr.
Fr =
F 12 I GH Nk ( k + 1) R JK 3N ( k + 1)
k 2 j j =1
Donde: N = Nmero de renglones (sujetos) k = Nmero de columnas (variables o condiciones) (R ) = Suma de los rangos en la j-sima columna (suma de los rangos para variaj ble j-sima)
= Sumatoria de los cuadrados de los rangos de todas las condiciones.

j =1
Cuando el nmero de renglones (N) y/o columnas k es grande, el estadstico de Fr, se distribuye aproximadamente como la Ji-Cuadrada con gl. = k - 1, y mejor se aproxima a la prueba de F que resulta al hacer el ANVA usual. Procedimiento para realizar el Anlisis de FRIEDMAN: 1. Hiptesis:
H0 : 1 = 2 =L= t
H a : j j' j j'
2. Nivel de significancia: = 0.05 = 0.01 3. Estadstica de prueba (Porque usar la prueba de Friedman) 4. Distribucin Muestral:
k 12 Fr = R2 j 3N ( k + 1) , Nk ( k + 1) j =1
con gl. = k - 1
5. Regin de rechazo: Si
2 = Fr > gl , , entonces se rechaza la Ho. 2 c
Si 2 = Fr c o
gl , , entonces se acepta la Ho:

2
Numerador Fc > Fgl , entonces se rechaza la Ho: error , Numerador Fc Fgl , entonces se acepta la Ho: error ,
6. CONCLUSIN: Se puede concluir comparando ( 2 = Fr) con c cuadrado de la tabla, Anexo, C).
2 gl , (Ji-
Estadstica No Paramtrica Aplicada a la Ganadera - 105 EJEMPLO: Un fisioterapeuta condujo un estudio para comparar tres modelos diferentes de generadores de ondas de bajo voltaje. A nueve fisioterapeutas se les pidi que clasificaran en orden de preferencias a esos tres generadores. Un rango de 1 indica la primera preferencia. Los resultados se muestran en seguida. Se pretende saber si es posible concluir que los modelos no tienen igualdad de preferencia. 1. Hiptesis: Ho: Todos los tratamientos tienen efectos idnticos. Ha: Al menos uno de los tratamientos tiende a proporcionar observaciones ms grandes que, almenos, uno de los tratamientos. 2. Nivel de significancia: = 0.05 = 0.01 3. Estadstica de prueba: Por medio de la prueba de Friedman es posible determinar si es razonable suponer que las columnas de rango fueron extradas de la misma poblacin. 4. Distribucin Muestral:
Fr =
k 12 R2j 3N( k + 1) , Nk ( k + 1) j =1
con gl. = k - 1
5. Regin de rechazo: Si
= Fr > 2 2 2 ,0 .01 = 7 .82 , entonces se rechaza la Ho. c
Si 2 = Fr c o
2 ,0.01 = 7.82 , entonces se acepta la Ho:

2
6. Clculo de la estadstica de prueba: Mediante el uso de datos de la tabla anterior, se obtiene:
Fr =
12 k 2 12 Rj 3N(k +1) = 152 +252 +142 3x9(3+1)=8.222 Nk(k +1) j=1 9x3(3+1)
= Fr = 8.22 > 2 ,0 .01 = 7 .82 , entonces se rechaza la 2 c
2
7. DECISIN: Como
Ho: y se acepta la hipteis Ha. 8. CONCLUSIN: Se concluye que los tres modelos del generador de ondas de bajo voltaje no tienen igual preferencia.
- 106 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno MTODO AUTOMATIZADO PARA LA PRUEBA DE FRIEDMAN Con el uso del paquete estadstico SPSS, se puede comprobar los resultados encontrados anteriormente, para esto simplemente ingrese la informacin en la hoja del SPSS codificando los dos grupos en forma ordenada, tal como se presenta a continuacin:
Una vez presionado el botn izquierdo, aparece el siguiente caja de dilogo, tal como se puede ver a continuacin:
Estadstica No Paramtrica Aplicada a la Ganadera - 107 Al presionar en la ficha OK, procede a realizar los clculos y muestra la salida en la pantalla de OUTPUT, tal como se puede ver a continuacin:
a Test Statistics
Ranks Mean Rank 1.67 2.78 1.56
A B C
N Chi-Square df Asymp. Sig.
9 8.222 2 .016
a. Friedman Test
EJEMPLO: Se ensay un experimento para analizar el efecto de dos fermentos lcticos y un testigo en la elaboracin del queso tipo Chuquibambilla (Queso 1: Fermento lctico lento, Queso 2: Fermento lctico rpido y queso 3: testigo), las variables de respuesta fueron: Sabor, olor, color, textura y corteza, para esto se us la siguiente escala ordinal para calificar: Muy bueno = 1 punto; Bueno = 2 puntos; Regular = 3 puntos; Malo = 4 puntos; Muy mal = 5 puntos. La informacin se presenta a continuacin para la variable: SABOR
TIPODEQUESO Q1 Q2 Q3 1 2 1 2 2 1 2 2 1 1 2 1 2 2 1 2 3 2 2 3 2 3 3 2 Rangos de 8 grupos Q1 Q2 1.5 3 2.5 2.5 2.5 2.5 1.5 3 2.5 2.5 1.5 3 1.5 3 2.5 2.5 Rj 16 22
Probador I II G rupo III N= 8 IV V V I V II V III
Q3 1.5 1 1 1.5 1 1.5 1.5 1 10
Y .j 6 6 6 6 6 6 6 6 Y .. = 48

Fr =
k 12 12 R2 162 + 222 + 102 3x8(3+1) j 3N ( k + 1 ) = 8x3(3+1) Nk ( k + 1) j =1
Fr =
12 ( 840 ) 96 = 9.0 96
Tabla de Ji-cuadrado: DECISIN:
. ; 2 . (2k 1), = 2 2,0.05 = 599 2,0.01 = 921
Como Fr = 9.0 > 2 2 ,0 .01 = 9.21 , entonces se rechaza la Ho:, encontrndose una diferencia estadstica altamente significativa entre los tres tipos de quesos, que se han experimentado. Comparaciones Mltiples entre Grupos o Condiciones. Para probar la significancia de las diferencias de los pares individuales, utilizamos la siguiente desigualdad:
Ru Rv Z k ( k 1 )
Nk ( k + 1 ) 6 k ( k + 1) 6N
Para rangos promedios dentro de cada condicin:
Ru Rv Z k ( k 1 )
Primero debemos determinar las diferencias entre las condiciones. Por conveniencia, emplearemos los subndices. R1 = 16, R2 = 22 y R3 = 10 y las diferencias son:
R1 R2 = 16 22 = 6
R1 R 3 = 1 6 1 0 = 6 R 2 R 3 = 22 10 = 12
Debido a que igual a k ( k 1 )
= 0.05 y k = 3, entonces el nmero de comparaciones #C es

2 = 3( 3 1 ) 2 = 3 .
Primeramente, se calcular: k( k 1) = 005 , ste valor debe . 3( 31) = 00083 . ser encontrado en la Tabla Z de la distribucin normal (Anexo, A), es decir
Z0.0083 = 2.394 . Entonces, la diferencia crtica es:

Z k ( k 1 ) 8x3( 3 + 1 ) Nk ( k + 1 ) = 2.394 = 9.576 6 6
Se realiza la comparacin R 2 R 3 = 22 10 = 12 > 9.576, es decir existe diferencia significativa entre los tipos de quesos elaborados con fermento lctico rpido y el queso elaborado en forma tradicional (testigo). EJERCICIOS: 1.- La siguiente tabla indica las calificaciones obtenidas por nueve estudiantes de Medicina Veterinaria y Zootecnia, seleccionadas al azar en los exmenes finales de tres materias distintas. Probar la hiptesis nula segn la cual los estudiantes de MVZ que constituyen la poblacin de la cual se extrajo la muestra tienen un aprovechamiento igual en las tres materias, contra la hiptesis alternativa de que su aprovechamiento es mejor por lo menos en una de las materias. Sea = 0.05.
MATERIA Fundamentos Fisiologa 98 95 95 71 76 80 95 81 83 77 99 70 82 80 75 72 88 81
Estudiante 1 2 3 4 5 6 7 8 9
Anatoma 77 79 91 84 80 93 87 81 83
2.- A quince estudiantes de fisioterapia seleccionados al azar se les dieron las siguientes instrucciones: suponga que se van a casar con un persona que tiene alguna de las siguientes incapacidades (se clasificaron las incapacidades de 1 a 10, de acuerdo con su primera, segunda, tercera (y as sucesivamente) eleccin de la incapacidad que aceptaran en su cnyuge. Los resultados se muestran en la siguiente tabla.
N de estudiante 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
A 1 1 2 1 1 2 2 1 1 2 2 2 3 2 2
B 3 4 3 4 4 3 4 5 4 3 4 3 2 5 3
C 5 5 7 7 7 7 6 7 5 6 5 6 6 7 6
D 9 7 8 8 8 9 9 9 7 8 8 8 9 8 7
INCAPACIDAD E F 8 2 8 2 9 1 9 2 10 2 8 1 8 1 10 2 8 2 9 1 9 1 10 1 8 1 9 1 8 1
G 4 3 4 3 3 4 3 3 3 4 3 4 4 3 5
H 6 6 6 6 6 5 7 4 6 7 7 5 7 4 4
I 7 9 5 5 5 6 5 6 9 5 6 7 5 6 9
J 10 10 10 10 9 10 10 8 10 10 10 9 10 10 10
Probar la hiptesis nula de que no existe preferencia respecto a las incapacidades contra la hiptesis alternativa de que algunas incapacidades se prefieren sobre otras. Sea = 0.05. 3.- Se analizaron tres sistemas para el servicio de alimentacin en cinco hospitales. La variable de inters es el tiempo (en minutos) empleado apra servir los alimentos. En cada hospital see sirvi la comida de medioda segn cada mtodo, obtenindose los siguientes resultados:
MTODOS B 9.68 9.69 10.49 8.55 8.30
Hospital 1 2 3 4 5
A 7.56 9.98 7.23 8.22 7.59
C 11.65 10.69 11.77 10.72 12.36
Despus de eliminar los efectos propios del hospital, sugieren estos datos una diferencia entre los mtodos en el tiempo medio empleado para servir la comida? Sea = 0.05. Calcula de prueba de Friedman. 4.- Diecisis individuos con sobrepeso participaron en un anlisis para comparar cuatro dietas para reduccin de peso. Los individuos formaron grupos de acuerdo con el peso inicial y a cada uno de los cuatro sujetos de cada grupo se le asign, al azar, una de las cuatro dietas de reduccin de peso. Al terminar el perodo experimental se consider la prdida de peso en libras como sigue:
Estadstica No Paramtrica Aplicada a la Ganadera - 111 Peso inicial (libras) 150 a 174 175 a 199 200 a 225 Ms de 225 RGIMEN A 12 15 15 18 B 26 29 27 38 C 24 23 25 33 D 23 25 24 31
Despus de eliminar las diferencias debidas al peso inicial, estos datos proporcionan suficiente evidencia para indicar una diferencia en los efectos de la dieta? Sea = 0.05. Calcula de prueba de Friedman. 5.- Un equipo de remotivacin en un hospital psiquitrico efectu un experimento para comparar cinco mtodos para remotivar a los pacientes. Estos ltimos se agruparon de acuerdo con el nivel inicial de motivacin. A cada paciente de los cinco grupos se le asign, al azar, uno de los cinco mtodos. Al final del periodo experimental, un equipo, formado con un psiquiatra, un psiclogo, una enfermera y un trabajador social, evalu a los pacientes. Ningn miembro del equipo supo el mtodo asignado a cada paciente. El equipo asign a cada paciente una calificacin como medida de su nivel de motivacin. Los resultados son los siguientes:
Nivel incial de motivacin Nulo Muy bajo Bajo Promedio A 58 62 67 70 MTODO DE REMOTIVACIN B C D 68 60 68 70 65 80 78 68 81 81 70 89 E 64 69 70 74
Proporcionan estos datos la evidencia suficiente que indique una diferencia en los puntajes medios entre los mtodos? Sea = 0.05. Calcula de prueba de Friedman. 6.- La enfermera supervisora de un departamento de salud local quera analizar el efecto de la hora del da en la duracin de las visitas domiciliarias realizadas por el personal de enfermera. Pensaba que las diferencias individuales entre las enfermeras podan ser grandes, por lo que utiliz a las enfermeras como un factor de formacin de bloques. Recolect adems los siguientes datos:

Duracin de la vis ita s egn la hora del da Temprano M edia Temprano M edia en la maana maana en la tarde tarde 27 28 30 23 31 30 27 20 35 38 34 30 20 18 20 14
Enfermera A B C D
Proporcionan estos datos evidencia suficiente para indicar una diferencia en la duracin de las visitas domiciliarias en las diferentes horas del da?. Sea = 0.05. Calcula de prueba de Friedman. 7.- La siguiente tabla, muestra los resultados de un experimento de bloques aleatorios para comparar los efectos de 4 diferentes mtodos de tratamiento de plasma sobre el tiempo de coagulacin. Las muestras de plasma de 8 individuos (bloques o grupos), se asignan a los cuatro tratamientos segn un orden aleatorio. Calcule la prueba de Friedman. Use = 0.05.
1 8.4 9.4 9.8 12.2 2 12.8 15.2 12.9 14.4 3 9.6 9.1 11.2 9.8 Individuos 4 5 9.8 8.4 8.8 8.2 9.9 8.5 12.0 8.5 6 8.6 9.9 9.8 10.9 7 8.9 9.0 9.2 10.4 8 7.9 8.1 8.2 10.0
1 2 Tratamientos 3 4
4.3. PRUEBA DE PAGE PARA ALTERNATIVAS ORDENADAS. FUNCIN: - La prueba de Page para alternativas ordenadas, evala la hiptesis de que los grupos (o las medidas) son los mismos contra la hiptesis alterna de que los grupos (o las medidas) estn ordenados en una secuencia especfica. - Las hiptesis nula y alterna de manera ms explcita es
= mediana de la
poblacin para el j-simo grupo o medida. - Se plantea la hiptesis nula de que las medianas son las mismas como:
H 0 : 1 = 2 =L = k
- La hiptesis alterna debe plantearse de la siguiente manera:
H a : 1 2 L k
Estadstica No Paramtrica Aplicada a la Ganadera - 113 - Las medianas se encuentran ordenadas por magnitud. - Si la hiptesis alterna es verdadera, al menos una de las diferencias es una desigualdad estricta (<). - El investigador debe ser capaz de especificar el orden de los grupos (medidas o condiciones) a priori. - Para aplicar la prueba de Page, los datos de las k muestras o medidas deben encontrarse al menos en escala ordinal. - Existen N casos o conjuntos de observaciones. Como en el anlisis de varianza bifactorial por rangos de Friedman, si las k muestras son igualadas, la igualacin se logra al obtener N conjuntos de k sujetos igualados y asignar aleatoriamente a cada uno de los sujetos en cada una de las k condiciones. MTODO: - Para aplicar la prueba de Page para alternativas ordenadas, el investigador debe especificar primero el ordenamiento, a priori, de los grupos. - Los datos se colocan en una tabla de doble entrada con N renglones (sujetos) y k columnas (condiciones o variables). - Los renglones representan los sujetos o conjuntos de sujetos igualdos, y las columnas representan las k condiciones (grupos o medidas). - Los datos para la prueba de Page son rangos. - Las puntuaciones en cada rengln se ordenan por separado y varan de 1 a k. - La hiptesis nula consiste en que el rango promedio en cada una de las columnas es el mismo. - La hiptesis alterna es que el rango se incrementa a lo largo de los grupos del 1 al k. - Se utilizan los rangos totales R j para los j-grupos. Para realizar la prueba, se calcula el etadstico L.:
L = jR j = R1 + 2 R2 + 3R3 +L+ kRk

j =1
donde R j es la sumatoria de los rangos en las j-columnas. - El mtodo para determinar la probabilidad asociada a L cuando Ho: es verdadera, depende del tamao de N y de k. MUESTRAS PEQUEAS: - La tabla de valores crticos del estadstico L de la prueba de Page (Anexo, N), nos proporciona los valores crticos de L seleccionados para N 20 cuando k = 3, y N 12 cando 4 k 10. Si el valor observado de L es mayor que el valor
- 114 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno contenido en las tablas en el nivel de significacin escogido, se debe rechazar la hiptesis Ho: a favor de la hiptesis alterna Ha: MUESTRAS GRANDES. - Si el nmero de observaciones y/o variables excluye el uso de la tabla de valores crticos de la estadstica L, se utiliza una aproximacin para muestras grandes en la evaluacin de la hiptesis mediante el estadstico L de la prueba de Page. Para valores grandes de N y k, la distribucin muestral de L se distribuye de manera aproximadamente normal con:
L = Nk ( k + 1 )2 , 4 2 L = Nk 2 ( k 2 1 )2 144( k 1 )
As, para evaluar la hiptesis Ho: de que las medianas son iguales, contra la hiptesis de que las medianas estn ordenadas, debemos calcular el estadstico
ZL :
ZL = 12 L 3 Nk ( k + 1 )2 k ( k 2 1) k 1 N
Para N grande, el estadstico z L est distribudo aproximadamente demanera normal, con media igual a cero y desviacin estndar igual a uno. La significacin de z L y de L puede ser determinada mediante cualquier tabla de distribucin normal estndar (Anexo, A). Debido a que las alternativas estn ordenadas, la prueba de Page es unidireccional. EJEMPLO: Se tiene la informacin referente al uso estratgico del ensilado de cebada en la poca de seca, para suplementar a las alpacas de la raza Huacaya, se han registrado 6 alpacas para realizar el seguimiento de los pesos vivos (kg), tomndose nueve pesos desde inicio hasta el final. La informacin se presenta a continuacin:
Peso vivo (kg) de alpacas de la Raza Huacaya Sujeto 15-11-00 30-11-00 15-12-00 30-12-00 15-01-01 30-01-01 15-02-01 30-02-01 15-03-01 03H4010 33.0 28.0 27.5 33.5 30.0 25.5 37.5 38.0 42.0 03H1010 26.5 27.0 25.0 26.0 27.5 28.5 30.5 31.0 34.0 04H3010 30.0 28.6 28.5 23.5 25.5 26.5 28.0 31.0 32.0 05H1010 29.5 30.5 23.0 29.0 31.0 31.5 31.5 32.5 32.0 04H4010 33.0 31.0 33.5 33.6 33.8 34.0 33.7 37.5 30.0 04H8010 28.5 27.0 26.0 27.5 28.6 29.0 32.0 31.0 28.0
Estadstica No Paramtrica Aplicada a la Ganadera - 115 SOLUCIN: 1. Hiptesis Estadstica: Ho: Los pesos vivos de las alpacas registradas desde el inicio con un espacio de 15 das hasta el final (9no), no tienen efecto de variabilidad en los espaciamientos de tomas de datos. Ha: Existe variabilidad de pesos vivos, en cada uno de los sujeto registrados desde el inicio hasta el final del experimento. 2. Prueba Estadstica: Se seleccion la prueba de Page para alternativas ordenadas por que el investigador supone un ordenamiento en la exactitud de los pesos vivos. Se excluye el anlisis de varianza paramtrico, ya que los datos muestran una falta de homogeneidad en la varianza y las distribuciones parecen estar sesgadas. 3. Nivel de Significacin: = 0.05; N = es el nmero de sujetos = 6, y k = 9, es el nmero de mediciones en cada sujeto. 4. Distribucin muestral: Los valores de N y k son pequeos, entonces la distribucin muestra de L calculado con la ecuacion :
L = jR j = R1 + 2 R2 + 3R3 +L+ kRk , se encuentra tabulada en la Tabla de
j =1 k
valores crticos del estadstico L de Page (Anexo, N). 5. Regin de rechazo y aceptacin: La regin de rechazo consiste en todos los valores de L observados que exceden los valores registrados en las tablas, asociados a los valores apropiados de , N y k. 6. Clculos Estadsticos:
Peso vivo (kg) de alpacas de la Raza Huacaya Sujeto 15-11-00 30-11-00 15-12-00 30-12-00 15-01-01 30-01-01 15-02-01 30-02-01 15-03-01 03H4010 5 3 2 6 4 1 7 8 9 03H1010 3 4 1 2 5 6 7 8 9 04H3010 7 6 5 1 2 3 4 8 9 05H1010 3 4 1 2 5 6 7 9 8 04H4010 3 2 4 5 7 8 6 9 1 04H8010 5 2 1 3 6 7 9 8 4 26 21 14 19 29 31 40 50 40 Rj =
Seguidamente calculamos L:
L = jRj = 26+ 2(21) + 3(14) + 4(19) +5( 29) + 6( 31) + 7(40) +8(50) + 9( 40) = 1557
j=1 9
- 116 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno En la tabla de valores crticos de la estadstica de L de Page (Anexo, N), se muestra que para el valor crtico de L, para =0.05, N = 6 y k = 9, es 1436. 7. Decisin: Como L6 ,9 ,0.05 = 1436 es menor L(1557), entonces el experimentador rechaza la hiptesis Ho: y concluye que existe la variabilidad de pesos en cada sujeto en la experimentacin.
5
EL CASO DE K-MUESTRAS INDEPENDIENTES
5.1. PRUEBA JI-CUADRADA PARA K-MUESTRAS INDEPENDIENTES. - Cuando los datos experimentales consisten en frecuencias en categoras discretas (nominales o categricos y, en ocasiones, ordinales), se puede utilizar la prueba Ji-cuadrada para evaluar la significacin de las diferencias entre k grupos independientes. - La prueba Ji-cuadrada para k muestras o grupos independientes es una extensin de la prueba Ji-cuadrada para dos muestras independientes, presentada anteriormente. - La prueba Ji-cuadrada es similar tanto para dos como para k muestras o grupos independientes. MTODO: - Para aplicar la prueba Ji-cuadrada, primero debemos presentar los datos (frecuencias) en una tabla rxk, donde los datos en cada columna corresponden a las frecuencias en cada una de las r categoras de respuesta para cada uno de los k grupos o muestras diferentes. - Determine la frecuencia esperada segn Ho: para cada celdilla encontrando el producto de los totales marginales comunes a la celdilla y dividiendo este producto entre N. Es decir, encuentre las frecuencias esperadas eij = i j N (N es la sumatoria de cada uno de los totales marginales y representa el nmero total de observaciones independientes. Cuando se inflan los valores de N debido a mltiples observaciones de cada sujeto, esto invalida la prueba). Si las frecuencias esperadas son pequeas, combine categoras.
- 118 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno - Calcule 2 , utilizando las siguientes ecuaciones. c
d e i =
r k 2 c ij ij i =1 j =1
eij
~ (2r 1)( k 1) , eij =
i j N
=
2 c i =1 j =1
2 ij
eij
(2r 1 )( k 1 )
Donde:
i.
=Es el total observado por la i-sima fila. = Es el total observado por la j-sima columna. = Es el total general (tamao de muestra).
.j
..
r = nmero de filas. k = nmero de columnas. - Determine los grados de libertad gl = (r - 1)(k - 1) - Determine la significacin de la 2 observada recurriendo a la tabla de valores c crticos de la prueba Ji-cuadrada (Anexo, C). Si la probabilidad para el valor observado de 2 con un valor particular de grados de libertad (el que corresc ponda) es menor o igual que , rechace la hiptesis nula en favor de Ha: Cundo utilizar la prueba Ji-cuadrada - La Ji-cuadrada requiere que las frecuencias esperadas eij en cada celdilla no sean demasiado pequeas. - Cuando se viola este requisito, los resultados de la prueba no pueden ser interpretados porque la distribucin 2 no est bien aproximada a la distribucin c de la Ji-cuadrada de la Tabla de valores crticos de Ji-cuadrada (Anexo, C). - Cochran (1954) recomienda que en pruebas de Ji-cuadrada donde los grados de libertad son mayores que uno (gl>1) (esto es, que r k sean mayores que dos), el nmero de celdillas que presenten frecuencias esperadas menores que cinco ( eij <5), no debe ser mayor del 20% y ninguna celdilla debe presentar frecuencias esperadas menores que uno (eij <1).
Estadstica No Paramtrica Aplicada a la Ganadera - 119 - Si los requisitos no son cubiertos por los datos de acuerdo con la forma en que se recolectaron y no fue posible contar con una muestra grande, el investigador debe combinar categoras para incrementar las eij en varias celdillas. - Despus de combinar las categoras y despus de que menos del 20% de las celdillas tengan frecuencias esperadas menores que cinco, y ninguna celdilla tenga una frecuencia esperada menor que uno, el investigador puede interpretar tilmente los resultados de la prueba Ji-cuadrada. - La combinacin de las categoras debe realizarse juiciosamente, esto es, los resultados de la prueba estadstica pueden no ser interpretados si las categoras han sido combinadas caprichosamente. - Las categoras que son combinadas deben tener alguna propiedad en comn o identificacin mutua, por si la interpretacin del resultado de la prueba, despupes de haber combinado los renglones o columnas, tiene cierta utilidad. - El investigador debe ser precavido contra la necesidad de combinar categoras si se utiliza una muestra suficientemente grande. - La prueba Ji-cuadrada es insensible a los efectos de orden, as, cuando se ordenan las categoras de respuesta o los grupos (o ambos), la prueba Ji-cuadrada puede no ser la mejor. - Cochran (1954) ha presentado mtodos que fortalecen la prueba Ji-cuadrada comn cuando Ho: es verdadera contra alternativas especficas. - Finalmente, debe notarse que la prueba Ji-cuadrada es aplicada a frecuencias. - No es correcto emplear porcentajes o cualquier otra transformacin de los datos al aplicar la prueba de Ji-cuadrada. EJEMPLO: Un grupo de investigadores, al estudiar la relacin entre el tipo sanguneo y la severidad de una afeccin en la poblacin, reuni los datos de 1500 personas, los cuales se presentan en la tabla de contingencia. Los investigadores desean saber si estos datos son compatibles con la hiptesis de que el grado de la afeccin y el tipo sanguneo son independientes. La informacin se presenta a continuacin:
1500 individuos clasificados segn la severidad de su condicin y tipo de sangre Severidad TIPODESANG RE de la condicin TOTAL A B AB O AUSENTE 543 211 90 476 1320 MODERADA 44 22 8 31 105 SEV ERA 28 9 7 31 75 TOTAL 615 242 105 538 1500
- 120 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno SOLUCIN: 1. Hiptesis Esadstica (Planteamiento de la hiptesis). Ho: El tipo sanguneo y la severidad de la afeccin son independientes. Ha: Las dos variables no son independientes. 2. Nivel de significacin = 0.05. 3. Prueba Estadstica: Se elige la prueba estadstica de Ji-cuadrada de r filas por k categoras, adems los datos estn expresados al menos en una escala ordinal, por consiguiente se aplicar la Ji-cuadrada. 4. Distribucin muestral: Se utiliz la siguiente ecuacin:
2 c
d =
r k i =1 j =1
ij
eij eij
(2r 1 )( k 1 )
5. Clculo de la prueba estadstica:

2 c = (543- 541.2) 2 (211- 212.96) 2 (31- 26.90) 2 + + L+ 5412 . 212.96 26.90 = 0.005987+0.018039+ .........+0.624907 = 5.12 6. Regin de rechazo y aceptacin:
2 Si 2 c = 5.12 6 ,0 ,05 = 12.592 , se acepta la Hiptesis Nula (Ho).
2 Si 2 c = 5.12 > 6 ,0 ,05 = 12.592 , se rechaza la Ho: y se acepta la Ha.

2 7. Decision: Como 2 c = 5.12 6 ,0 ,05 = 12.592 , entonces se concluye que es
cierto la hiptesis Ho:, es decir los datos son compatibles con la hiptesis de que el grado de la afeccin y el tipo sanguneo son independientes. al menos estos datos, debido a la ntima concordancia entre las frecuencias observadas y esperadas, no proporcionan evidencia suficiente que indique una falta de independencia entre los criterios de clasificacin, debido a que 5.12 < 10.645, p > 0.10 Para analizar con el SPSS, se debe crear un programa de la siguiente manera: FILE > NEW > SYNTAX (aparece una pantalla en blanco, en el cual se debe ingresar las lneas de sentencias).
Una vez realizado el clic en la opcin SYNTAX, se presenta la pantalla de Editor de Sintxis.
Para ejecutar el programa, se solicita en el men principal la opcin RUN > ALL y clic, es decir ejecutar el programa y seleccionar toda las sentencias.
- 122 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Los resultados se presentan en la pantalla de OUTPUT (pantalla de de resultados), tal como se puede apreciar a continuacin:
SEVERIDAD * Tipo de sangre Crosstabulation Count A 543 44 28 615 Tipo de sangre B AB 211 90 22 8 9 7 242 105 O 476 31 31 538 Total 1320 105 75 1500
SEVERIDAD
Ausente Moderada Severa
Total
Chi-Square Tests Asymp. Sig. (2-sided) .529 .536 .642
Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases
Value 5.116a 5.060 .216 1500
df 6 6 1
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 5.25.
EJERCICIOS: 1. En estudio de asociacin entre color de ojos y de cabello se obtuvieron los siguientes datos:
Color de ojos Azules Grieses Castaos Avellanos TOTAL Rubio 60 20 10 10 100 Color de cabello Castao Negro 40 60 50 20 50 10 160 10 300 100 Rojo 40 10 30 20 100 Total 200 100 100 200 600
2. Un gerente de personal de una compaa grande, investigando la satisfaccin de empleados con su trabajos asignados, recopil los siguientes datos para 200 empleados en cada una de las cuatro categoras de trabajo. Indican estos datos
Estadstica No Paramtrica Aplicada a la Ganadera - 123 que las clasificaciones de satisfaccin son dependientes de las categoras del empleo a un nivel de 0.05?.
Clas ific ac in A LTA M E DIA B A JA TO TA L I 40 103 57 200 II 60 87 53 200 III 52 82 66 200 IV 48 88 64 200 Total 200 360 240 800
2 c = 8 .7 3
3. Se clasific en forma cruzada una muestra de 250 mdicos de acuerdo con su especialidad y con la zona de la comunidad en que trabajaban. Los resultados fueron los siguientes:
Zona de la comundad Norte Sur Este Oeste Total ESPECIALIDAD B C 18 12 22 15 6 14 19 23 65 64
A 20 6 4 10 40
D 17 13 11 40 81
Total 67 56 35 92 250
Proporcionan estos datos la evidencia suficiente para indicar una falta de independencia entre los dos criterios de clasificacin?. Sea = 0.01.
5.2. EXTENSIN DE LA PRUEBA DE LA MEDIANA CONDICIONES: - La extensin de la prueba de la mediana determina si k grupos independientes (no necesariamente del mismo tamao) se han extrado de la misma poblacin o de poblaciones distintas, pero son medianas iguales. - Esta prueba es til y apropiada cuando la variable en estudio ha sido medida en, al menos escala ordinal. - Es adecuado cuando, por alguna razn, no ha sido posible observar el valor exacto de las puntuaciones extremas, es decir, cuando algunos de los datos observados se encuentran por arriba del punto de corte.
- 124 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno MTODO: - Para aplicar la extensin de la prueba de la mediana, primero debemos determinar el valor de la mediana para las puntuaciones de las k muestras combinadas, encontramos la mediana comn para todas las puntuaciones en los k grupos. - Asigne signos de ms (+) a todas las puntuaciones que se encuentren por encima de la mediana y signos de menos (-) a todas aquellas que se encuentren por debajo de la mediana (puede suceder que una o ms puntuaciones coincidan con el valor de la mediana; entonces, se deben dicotomizar las puntuaciones, es decir, se asigna un ms (+) si la puntuacin es mayor que la mediana o un menos (-) si la puntuacin es igual o menor que la mediana), por ello, cada uno de los grupos de puntuaciones se dividi en dos categoras (las anteriores). - Presentar los conjuntos de puntuaciones resultantes en una tabla de contingencia de 2xk, con los nmeros en el cuerpo de la tabla representando las frecuencias de signos de ms (+) (puntuaciones por arriba de la mediana) y signos de menos (-) (puntuaciones por debajo de la mediana) en cada uno de los k grupos.
GRUPOS
Observaciones por arriba de la mediana Observaciones por abajo de la mediana
1 n11 n21
2 n12 n22
.... .... ....
k n1k n2k
- Utilizando los datos de la tabla que se ha formado, calcule el valor de 2 mec diante la siguiente ecuacin:
2 c
d =
2 k i =1 j =1
ij
eij eij
con gl . = k 1 , =
2 c
e
i =1 j =1
2 ij ij
Donde:
ij =Nmero de casos observados que fueron categorizados en el i-simo

rengln de la j-sima columna.
e ij
= Nmero de casos esperados en el i-simo rengln de la j-sima
columna cuando Ho: es verdadera. r = Nmero de filas = 2; k = nmero de columnas y gl. = k -1 - Determine la significacin del valor observado de 2 , utilizando la tabla de c valores crticos de la distribucin Ji-cuadrado (Anexo, C). Si la probabilidad
Estadstica No Paramtrica Aplicada a la Ganadera - 125 asociada dada por los valores tan grandes como la 2 observada es igual o c menor que , rechace la Ho: en favor de la Ha: El procedimiento de clculo para esta prueba es exactamente el mismo que para la Ji-cuadrada para k-muestras independientes, que se se desarrolla en temas anteriores. EJEMPLO: Se realiz en el CIP-Chuquibambilla durante los meses de octubre 1991 a agosto de 1992, la induccin de celo, para lo cual se us los agentes estimuladores en borregas: con cras (G1) tratados con Acetato de Melengestrol (MGA), sin cra (G2) tratados con Acetato de Melengestrol, con cra (G3) con retajo y con cra (G4) sin recibir ningn estmulo (control), todo los grupos tenan pesos vivos homogneos. La informacin corresponde a los pesos vivos (kg) de borregas que estn en celo en los diferentes grupos en estudio.
N r o. d e bor r e g a s e n c elo q u e e st n c on el a g en te N d e B or r eg a s G1 G2 1 26 25 2 40 32 3 28 28 4 24 30 5 33 34 6 25 29 7 29 29 8 38 31 9 24 32 30 10 25 11 28 12 28 13 30 estim u la d or . G3 G4 26 24 28 30 28 28 24 26 27 25 29 27 31 25 26 30 32 28 30
Probar con la prueba de la mediana para k grupos independientes: SOLUCIN: 1. Hiptesis estadstica: Ho: No existe diferencia de peso vivo (kg) en borregas que han presentado celo con el agente estimulador en los cuatro grupos. Ha: La frecuencia de borregas en los cuatro grupos difieren en los pesos vivo (kg) inducidos con el agente estimulador. 2. Nivel de Significacin: = 0.05 y N es el nmero de borregas que pertenecen a los cuatro grupos (N = 42). 3. Prueba Estadstica: La informacin que se presenta es a borregas con distintos pesos vivos y grupos independientes. Se utilizan varios grupos, entonces es recomendable usar una prueba para k-muestras o grupos independientes, adems los datos estn al menos en escala ordinal.
- 126 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 4. Distribucin muestral: Segn la hiptesis nula Ho:, el estadstico 2 , se calcula c mediante la ecuacin siguiente:
2 c
d =
2 k i =1 j =1
ij
eij eij
con gl . = k 1
que se distribuye aproximadamente como Ji-cuadrada con gl. = k - 1 cuando r = 2. La probabilidad asociada con la ocurrencia de valores tan grandes como un 2 observada cuando Ho: es verdadera nos proporciona la tabla de valores c crticos de la distribucin Ji-cuadrada (Anexo, C). 5. Clculo de la prueba estadstica: Primeramente ordenamos los datos, sin tomar encuenta los grupos en estudio de menor a mayor, para luego encontrar la mediana.
Datos ordenados de menor a mayor (combinados) en general. 24 25 27 28 30 32 24 25 28 28 30 32 24 26 28 29 30 32 24 26 28 29 30 33 25 26 28 29 30 34 25 26 28 29 31 38 25 27 28 30 31 40 Mediana = (28+28)/2 = 28
En segundo lugar,, se ordenan en forma ascendente por cada grupo en estudio, de la siguiente forma:
Pesos Vivos (kg) orden ados por cada grupo en form ascen den te. N de Borrega G1 G2 G3 G4 1 24 25 24 24 2 24 28 26 25 3 25 29 + 26 25 25 27 26 4 29 + 5 26 30 + 28 27 28 28 28 6 30 + 7 28 31 + 29 + 28 8 28 32 + 31 + 30 + 9 29 + 32 + 32 + 30 + 10 30 + 34 + 30 + 11 33 + 12 38 + 13 40 +
Estadstica No Paramtrica Aplicada a la Ganadera - 127 En tercer lugar, presentar en una tabla de contingencia de 2x4, con los nmeros en el cuerpo de la tabla representando las frecuencias de signos de ms (+) (puntuaciones por arriba de la mediana) y signos de menos (-) (puntuaciones por debajo de la mediana) en cada uno de los 4 grupos, de la siguiente forma:
G1 5 8 13 eij 5.88 7.12 G2 8 2 10 GRU POS eij G3 4.52 3 5.48 6 9
2
Pesos vivos > que mediana (+) Pesos vivos <= mediana (-) TOTAL
eij 4.07 4.93
G4 3 7 10
eij TOTAL 4.52 19 5.48 23 42

2
2 c =
i=1 j=1
d e i = (5-5.88) + (8-4.52) + (3-4.07) +L+(7-5.48) = 6576 .

2 ij ij 2 2
eij
5.88
4.52
4.07
5.48
Con gl. = k - 1 = 4 - 1 = 3. Observamos que las frecuencias esperadas son menores que 5, entonces se recomienda realizar la combinacin de los grupos (G3 y G4), y realizar nuevamente los clculos de la 2 observado de la siguiente forma: c
G1 5 8 13
2
Pesos vivos > que mediana (+) Pesos vivos <= mediana (-) TOTAL
2 3 2
eij 5.88 7.12
GRU POS G2 eij (G3 y G4) eij TOTAL 8 4.52 6 8.6 19 2 5.48 13 10.4 23 42 10 19
2 2 2
2 c =
i=1 j=1
d e i = (5-5.88) +(8-4.52) +(6-8.60) +L+(13-10.4) =6567 .

ij ij
eij
5.88
4.52
8.60
10.4
con grados de libertad (gl. = k - 1 = 3 - 1 = 2). El valor crtico de la distribucin Ji-cuadrada es: 2 ,0 .05 = 5.99, la probabilidad
2
est entre 0.05 y 0.02. 6. Regin de Rechazo: La regin de rechazo consiste en todo los valores 2 que c sean tan grandes que la probabilidad asociada con su ocurrencia cuando Ho: es verdadera, sea menor o igual que = 0.05.
= 5.99, entonces se rechaza la Ho:, y se acepta 7. Decisin: 2 c = 6.57 > 2 ,0 .05

2
la Ha:, es decir la frecuencia de borregas en los cuatro grupos difieren en los peso vivos inducidos con el agente estimulador. O de otra manera se puede decidir con la probabilidad p = 0.02 < =0.05, entonces se rechaza la Ho:, es decir existe evidencia suficiente para afirmar que la variabilidad de los pesos vivos en los cuatro grupos es diferentes.
- 128 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 5.3. ANLISIS DE VARIANZA UNIFACTORIAL POR RANGOS DE KRUSKAL-WALLIS (KW) El Kruskal-Wallis, es una prueba extremadamente til para decidir si k muestras independientes provienen de diferentes poblaciones. La tcnica de Kruskal-Wallis prueba la hiptesis nula de que las k muestras provienen de la misma poblacin o de poblaciones idnticas con la misma mediana. El anlisis de varianza por rangos de Kruskal-Wallis, requiere que las mediciones de la variable se encuentre, al menos en escala ordinal. Los datos se presentan en una tabla de doble entrada, donde cada columna representa cada grupo o muestra sucesiva. En la mayora de las situaciones prcticas la estadstica KW, se aproxima suficientemente por una estadstica F, transformando las observaciones a rangos y haciendo el ANVA usual sobre rangos.
GRUPO 3 Y13 Y23 Y33 .... .... .... Yn3
1 Y11 Y21 Y31 .... .... .... Yn1
2 Y12 Y22 Y32 .... .... .... Yn2
.... .... .... .... .... .... .... ....
k Y1K Y2K Y3K .... .... .... Ynk
Donde
Y : Es el dato para la i-sima observacin en el j-sima grupo, y ij n : Es el nmero de observaciones en el j-simo grupo.
ij
En el clculo de la prueba de Kruskal-Wallis, cada una de las N observaciones reemplaza por un rango (el que le corresponda). Esto es, todas las puntuaciones de todas las k muestras, se combinan en una sola serie y se ordenan por rangos. La puntuacin ms pequea se reemplaza por el rango uno, el que sigue en tamao (ascendente), se reemplaza por el rango dos, y la puntuacin mayor se reemplaza por el rango N, donde N es el nmero total de observaciones independientes de las k muestras. Luego realizar la suma de rangos en cada muestra (columna).
Estadstica No Paramtrica Aplicada a la Ganadera - 129 La prueba de Kruskal-Wallis, evala la diferencia entre los rangos promedios para determinar si son lo suficientemente dispares, de tal forma que no hayan sido extrados de la misma poblacin. Existen dos formas para calcular la prueba de Kruskal-Wallis (KW).
2 12 k 12 k 2 KW= nj Rj R o KW= njRj 3( N+1) N( N+1) j=1 N( N+1) j=1
d i
LM N
OP Q
Donde: k = Nmero de muestras o grupos. n = Nmero de casos en la j-sima muestra j N = Nmero de casos en la muestra combinada (suma de n) R = Sumatoria de los rangos en la j-sima muestra o grupo.
j
R j = Promedio de los rangos en la j-sima muestra o grupo.

R = ( N +1) 2 = Promedio de los rangos en la muestra combinada (la gran media)
Cuando k>3 grupos el nmero de observaciones en cada grupo es mayor que 5 (n >5), la distribucin muestral de KW est bien aproximada a la distribucin de la j Ji-Cuadrada con g.l. = k - 1. Procedimiento para realizar el Anlisis de Kruskal-Wallis (KW). 1. Hiptesis:
H0 : 1 = 2 =L = g Ha : g g' g g'
L 12 n R OP 3( N +1) KW = M , N N( N +1) Q
k j=1 j 2 j
2. Nivel de significancia: = 005 . = 001 . 3. Estadstica de prueba (Porque usar la prueba de Kruskal-Wallis) 4. Distribucin Muestral:
n
j =1
R2 j
j
= nj Rj2
j =1
5. Regin de rechazo: Si KW > Si KW
2 gl , , entonces se rechaza la Ho.

gl , , entonces se acepta la Ho:
2
- 130 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno o

6. CONCLUSIN: Se puede concluir comparando KW con de la tabla, Anexo C).
2 gl , (Ji-cuadrado
Cuando las poblaciones de las cuales se extraen las muestras no siguen una distribucin normal con varianzas iguales o cuando los datos para el anlisis son nicamente rangos, es posible utilizar una alternativa no paramtrica para el anlisis unilateral de varianza y probar la hiptesis de parmetros de localizacin iguales. EJEMPLO: Se estudi el efecto de dos medicamentos en el tiempo de reaccin ante cierto estmulo de 3 grupos de animales experimentales. El grupo III sirvi de control, mientras que a los animales del grupo I se les aplic el medicamente A y a los del grupo II el medicamento B antes de la aplicacin del estmulo. La informacin que se presenta a continuacin muestra el tiempo de reaccin, en segundos de los 13 animales.
I 17 20 40 31 35 5 G RUPO II 8 7 9 8 4 III 2 5 4 3 4 Rj nj I 9 10 13 11 12 R1 =55 5 G RUPO(Rangos) II 6.5 5 8 6.5 R2 =26 4 III 1 4 3 2 R3 = 10 4
nj
N= 13
SOLUCIN: 1: Hiptesis: Ho: Las distribuciones de las poblaciones son idnticas. Ha: Al menos una de las poblaciones tiende a mostrar valores mayores que, cuando menos, una de las otras poblaciones. 2. Nivel de significancia: = 0.05 3. Estadstica de prueba (La escala de medicin a utilizarse es, al menos ordinal). Las muestras son aleatorias e independientes, y fueron extradas de sus respectivas poblaciones.
Estadstica No Paramtrica Aplicada a la Ganadera - 131 4. Distribucin Muestral:

KW =
k j 2 j
LM 12 n R OP 3( N +1) = 12 L55 + 26 + 10 O 3(14) 13(14 ) M N 5 4 4 PQ , N N( N +1) Q

2 2 2 j =1
= 10.68131868 5. Regin de rechazo: Si KW = 10.68 > 2 2 ,0 .05 = 7 .7604 , entonces rechazamos la hiptesis nula y se acepta la Ha:. 6. CONCLUSIN: Como KW = 10.68 > 2 2 ,0 .05 = 7 .7604 , entonces al menos una de las poblaciones tiende a mostrar valores mayores que, cuando menos, una de las otras poblaciones. CORRECCIN PARA LOS EMPATES Para realizar la correccin de los empates, debemos determinar cuntos grupos de empate hay y cuntas puntuaciones se encuentran empatadas en cada grupo. Se usar la siguiente frmula:
(t
i =1
3 i
ti )
N3 N
En nuestro ejemplo, se tiene un grupo (Grupo II) y existen dos puntuaciones con 6.5 y 6.5, entonces g = 1.
23 2 6 = 1 = 0.9972527 3 13 13 2184
KW corr. =
KW 1068 . = = 10709 . ~ 10.71 6 09972527 . 1 2184
Es significativo al nivel de 0.01. Como es significativo al nivel dado, entonces no es necesario ajustarla. MUESTRAS GRANDES: Cuando existen ms de 3 grupos y, al menos, una de las n (tamao de muestra) es mayor que 5, la distribucin muestral de KW, se aproxij ma a la distribucin de Ji-Cuadrada con gl. = k - 1.

k R 12 j = KW = 3( N + 1 ) N ( N + 1 ) j =1 n j 1 2 3 2 c
j =1
nj Rj
Otra forma de realizar la prueba de Kruskal-Wallis, es la aproximacin a la prueba estadstica de F, es decir, se realiza como un diseo completamente al azar. MTODO AUTOMATIZADO PARA LA PRUEBA DE KRUSKA-WALLIS Con el uso del paquete estadstico SPSS, se puede comprobar los resultados encontrados anteriormente, para esto simplemente ingrese la informacin en la hoja del SPSS codificando los dos grupos en forma ordenada, tal como se presenta a continuacin:
Estadstica No Paramtrica Aplicada a la Ganadera - 133 Una vez presionado el botn izquierdo, aparece el siguiente caja de dilogo, tal como se puede ver a continuacin:
Al presionar en la ficha OK, procede a realizar los clculos y muestra la salida en la pantalla de OUTPUT, tal como se puede ver a continuacin:
Ranks Mean Rank 11.00 6.50 2.50
Test Statistics
N 5 4 4 13
a,b
TIEMPO
GRUPO 1 2 3 Total
Chi-Square df Asymp. Sig.
TIEMPO 10.711 2 .005
a. Kruskal Wallis Test b. Grouping Variable: GRUPO
EJEMPLO: (Muestras grandes) Un investigador anot los pesos que tenan al nacer los miembros de ocho camadas diferentes de cerdos, para determinar si el peso al nacer es afectado por el tamao de la camada. La informacin se presenta a continuacin:
Pesos en libras al nacer, de ocho camadas de cerdos "Poland China" Primavera, 1919. CAMADAS 1 2 3 4 5 6 7 2.0 3.5 3.3 3.2 2.6 3.1 2.6 2.8 2.8 3.6 3.3 2.6 2.9 2.2 3.3 3.2 2.6 3.2 2.9 3.1 2.2 3.2 3.5 3.1 2.9 2.0 2.5 2.5 4.4 2.3 3.2 3.3 2.0 1.2 3.6 2.4 3.3 2.5 2.1 1.2 1.9 2.0 2.9 2.6 3.3 1.6 3.4 2.8 2.8 3.2 1.1 3.2
8 2.5 2.4 3.0 1.5
SOLUCIN: 1. Hiptesis estadstica: Ho: No hay diferencia en los pesos de nacimiento promedio de cerdos de diferentes tamaos de camada. Ha: Los pesos de nacimiento promedio de cerdos de diferentes tamapos de camada no son todos iguales. 2. Nivel de significacin: = 0.05 y N = 56, el nmero total de cerdos recin nacidos en estudio. 3. Prueba Estadstica: Puesto que las ocho camadas son idenpendies, es apropiada una prueba estadstica para k muestras independientes. Aunque la medida de peso en libras est en una escala de proporcin, escogemos el anlisis de varianza de una clasificacin no paramtrica en vez de la prueba paramtrica equivalente a fin de evitar hacer la suposiciones concernientes a la normalidad y homogeneidad de la varianza asociadas con la prueba paramtrica F e incrementar la generalidad de nuestras hallazgos. 4. Distribucin muestras: Calculada con la siguiente ecuacin:
2 c = KW =
k R 12 j 3( N + 1 ) N ( N + 1 ) j =1 n j 1 2 3
j =1
nj Rj
KW est distribuida aproximadamente como Ji-cuadrada con gl = k -1. As la probabilidad asociada con la ocurrencia conforme a Ho. de valores tan grandes como el de una KW observada puede determinarse consultando la Tabla
Estadstica No Paramtrica Aplicada a la Ganadera - 135 de Valores crticos de Ji-cuadrada (Anexo, C). 5. Clculo de la prueba estadstica:
Rangos de pesos de nacimiento de ocho camadas de cerdos CAM ADAS 1 Ri 2 Ri 3 Ri 4 Ri 5 1.1 1.0 1.6 5.0 2.6 23.0 2.5 18.5 2.0 1.9 6.0 2.0 8.5 2.9 31.5 2.6 23.0 2.0 2.0 8.5 2.3 14.0 3.1 36.0 2.8 27.5 2.1 2.8 27.5 2.4 15.5 3.2 41.0 2.9 31.5 2.6 2.8 27.5 2.8 27.5 3.2 41.0 3.2 41.0 2.6 3.2 41.0 3.2 41.0 3.2 41.0 3.2 41.0 2.9 3.3 47.5 3.5 52.5 3.3 47.5 3.3 47.5 3.3 47.5 3.5 52.5 3.3 47.5 3.3 47.5 3.6 54.5 3.4 51.0 4.4 56.0 3.6 54.5 R1 = 317.0 R2 = 216.5 R3 = 414.0 R4 = 277.5 R5 =
Ri 8.5 8.5 11.0 23.0 23.0 31.5
6 2.5 2.9 3.1 3.1
Ri 18.5 31.5 36.0 36.0
7 1.2 1.2 2.2 2.2 2.5 2.6
Ri 2.5 2.5 12.5 12.5 18.5 23.0
8 Ri 1.5 4.0 2.4 15.5 2.5 18.5 3.0 34.0
105.5 R6 = 122.0 R7 = 71.5
R8 = 72.0
Con los datos de la tabla anterior, podemos calcular el valor de KW sin corregir el efecto de las ligas con la ecucin siguiente:
2 c = KW =
k R2 (317)2 (216.5)2 (72)2 12 12 j 3( N +1) = + +L + 3(56+1) =18.464 8 4 56(56+1) 10 N( N +1) j=1 nj
LM N
OP Q
La referencia de la Tabla de valores crticos de Ji-cuadrada (Anexo), indica que KW >18.464 con gl = k - 1 = 7, tiene una probabilidad de ocurrencia conforme a Ho: de p 0.02. Para corregir el efecto de las ligas empezaremos por determinar cuntos grupos ligados ocurrieron y cuntos puntajes estaban ligados en cada grupo. La primera liga ocurri entre los dos cerdos en la camada 7 (que pesaron 1.2 libras). a ambos se les asign el rango de 2.5. Aqu, t es el nmero de observaciones ligadas, = 2. Para este suceso, T = t3 - t = 8 - 2 = 6 La siguiente liga ocurri entre cuatro cerdos a los que se asign el rango ligado de 8.5. Aqu, t = 4 y T = t3 - t = 64 - 4 = 60. Prosiguiendo de esta manera a travs de los datos de la tabla de rangos efectuados, encontraremos que ocurrieron 13 grupos ligados. Al contar el nmero de observaciones en cada grupo ligado, se determinan los diferentes valores de t, y calculamos el valor de T = t3 - t en cada caso. Nuestro conteo arrojar los resultados siguiente:
t T 2 6 4 60 2 6 2 6 4 60 5 120 4 60 4 60 3 24 7 6 336 210 2 6 2 6
Obsrvese que para cualquier valor particular de t, el valor de T es una constante. Ahora, usando la frmula siguiente, podemos calcular la correccin total por ligas (empates):

Total Ligas = 1-
N N
3
= 1
(6 + 60 + 6 + 6 + 60+L+6 + 6) = 0.9945 ( 56 )3 56
k Rj 12 3( N + 1) , N ( N + 1 ) j =1 n j 2
Este valor viene a ser el denominador de la frmula siguiente, y el valor que ya hemos calculado con la frmula:
KW =
es el numera-
dor. De este modo, necesitamos solamente hacer una operacin adicional para obtener el valor KW, corregido el efecto de las ligas (empates) es:
k Rj 12 3( N + 1 ) N ( N + 1 ) j =1 n j 2
KW =
N3 N
18.464 = 18.566 0.9945
La tabla de valores crticos de la Ji-cuadrada (Anexo, C), muestra que la probabilidad asociada con la ocurrencia conforme a Ho: de un valor tan grande como KW = 18.566, gl = 7, es p 0.01. Ya que esta probabilidad es menor que el nivel de significacin previamente fijado = 0.05 , nuestra decisin es rechazar la Ho:. 6. Regin de rechazo: La regin de rechazo consiste en todos los valores KW tan grandes que la probabilidad asociada con su ocurrencia conforme a Ho: para gl = k - 1 = 7 es igual a o menor que = 0.05 . 7. Decisin: Los pesos de nacimiento de los 56 cerdos pertenecientes a las 8 camadas, reflejan que el peso del nacimiento de los cerdos vara significativamente de acuerdo con el tamao de la camada. EJERCICIOS: 1.- Se inyectan tres grupos de ratas con una nueva droga tranquilizante. Al grupo A se le inyectan 0.5 mg; al B, 1.0 mg; y al C, 1.2 mg. En el siguiente cuadro aparecen los tiempos que tardaron en dormirse.
Grupo A B C 11 9 10 13 11 5 Tiempo (min) 9 14 10 8 8 6 15 12 10 13 6
Probar que las diferencias en las dosificaciones tienen efecto real en los tiempos medios necesarios para dormirse en las poblaciones de donde proceden. Use un nivel de significacin de 0.05.
Estadstica No Paramtrica Aplicada a la Ganadera - 137 2.- La siguiente tabla indica los niveles del residuo de plaguicida (ppb) en muestras de sangre extradas de cuatro grupos de personas. Utilizar la prueba de KruskalWallis para probar, a un nivel de significacin de 0.05, la hiptesis nula de que no existe diferencia entre los grupos con respecto al nivel medio de residuos de plaguicidas.
A 10 B 4 Poblacin C 15 D 7 37 35 5 11 12 32 10 10 31 19 12 8 11 33 6 2 9 18 6 5 44 11 9 4 12 7 11 5 15 32 9 2 42 17 14 6 23 8 15 3
3.- Los siguientes valores corresponden a los gastos diarios promedio de pacientes hospitalizados por intervencin quirrgica. Estos gastos se obtuvieron en muestras de hospitales localizados en tres diferentes partes del pas.
I II II
$80.75 $58.63 $84.21
78.15 72.70 101.76
85.40 64.20 107.74
71.94 62.50 115.30
82.05 63.24 126.15
Con un nivel de significacin de 0.05. es posible concluir que los grupos difieren con respecto a los gastos diarios promedios? 4.- En un anlisis sobre los efectos de la glucosa en la liberacin de insulina a varias muestras del tejido pancretico de animales experimentales, se les asign aleatoriamente un tratamiento con uno de los cinco estimulantes diferentes. Posteriormente, se determin el total de insulina liberada. Los experimentadores queran saber si es posible concluir que hay una diferencia entre los cinco traamientos con respecto a la cantidad media de insulina liberada y aplicar la prueba de Kruskal-Wallis. Comparar los resultados con aquellos que se obtienen cuando se utiliza la prueba F.
ESTIMULANTE T2 T3 T4 3.15 3.89 8.18 3.96 3.68 5.64 3.59 5.70 7.36 1.89 5.62 5.33 1.45 5.79 8.82 1.56 5.33 5.26 7.10 15.60 30.01 47.69
REA
T1 1.53 1.61 3.75 2.89 3.26
TOTAL
13.04
T5 5.86 5.46 5.69 6.49 7.81 9.03 7.49 8.98 56.81
5.- Se desea saber si cuatro tratamientos para la inflamacin de coyunturas difieren en cuanto
a efectividad. Cuatro grupos de pacientes se sometieron a los diferentes tratamientos. Al final de un periodo determinado, cada grupo fue sometido a una prueba para cuantificar la efectividad del tratamiento. Se obtuvieron los siguientes puntajes:

Tratamiento 2 3 76 58 70 74 90 66 80 60 75 82 82 75
1 64 88 72 80 79 71
4 95 90 80 87 88 85
Sea = 0.05. Aplicar la prueba de Kruskal-Wallis 6. Un experimento condujo a comparar tres mtodos de empaque para cierto alimento. El criterio fue el contenido de cido ascrbico (mg/100 g) despus de un periodo de tiempo. Se obtuvieron los siguientes datos:
Mtodo de empaque B 20.06 20.64 18.00 19.56 19.47 19.07 18.38
A 14.29 19.10 19.09 16.25 15.09 16.61 19.63
C 20.04 26.23 22.74 24.04 23.37 25.02 23.27
Proporcionan estos datos la suficiente evidencia para indicar, a un nivel de significacin de 0.01, que hay una diferencia entre los mtodos de empaque?. Aplicar la prueba KruskalWallis. 7. Se utilizaron tres grupos de animales en un experimento para comparar el tiempo de respuesta, en segundos, de tres diferentes estmulos. Se obtuvieron los siguientes resultados:
ESTMULO
I II
16 14 14 13 13 12 12 17 17 17 19 14 15 20 6 7 10 7 9 8 10 4 6 8 7 9 10 6 9 8 6 4 9 9 10 5 9 5 5
III 8
11 11
Proporcionan estos datos la suficiente evidencia paar indicar una diferencia real entre las medias de las poblaciones?. Aplicar la prueba de Kruskal-Wallis al nivel de significacin = 0.05. 8. Tres mdicos desean comparar el tiempo de convalescencia de sus pacientes hospitalizados despus de una intervencin quirrgica menor sin complicaciones. Se eligi una muestra de ocho registros de los archivos de cada mdido y se observaron los siguientes tiempos de convalescencia.
Estadstica No Paramtrica Aplicada a la Ganadera - 139 A B C 4 4 5 5 5 3 5 4 3 4 3 3 6 4 3 6 5 3 4 3 4 5 3 5
Sugieren estos datos una diferencia en el tiempo promedio de convalescencia de los pacientes de cada mdico?. Sea = 0.05. Aplicar la prueba de Kruskal-Wallis. 9. En cada uno de 4 experimentos sobre el uso de tetracloruro de carbono como veneno para lombrices, se infestaron 10 ratas con larvas. Ocho das ms tarde se administr tetracloruro de carbono a 5 ratas; las 5 restantes se consideraron controles. Al cabo de 2 das se sacrificaron las ratas y se cont el nmero de lombrices adultas. Se consider til examinar la signifcacin de las diferencias entre las medias de los cuatro grupos control. Si fuera posible establecer diferencias significativas, stas podran estar relacionadas con cambios definibles de las condiciones de los experimentos, y se debera pretender una reduccin de la variacin en futuros trabajos. En la tabla siguiente, se muestran los resultados del experimento. Aplicar la prueba de Kruskal-Wallis. Sea = 0.05.
1 279 338 334 198 303
Experimento 2 3 378 172 275 335 412 335 265 282 286 250
4 381 346 340 471 318
10. Un grupo de investigadores desea comparar cuatro programas de aptitud fsica diseados
para directivos. A cada miembro de un conjunto de treinta directos se le asign aleatoriamente uno de los cuatro programas. La siguiente tabla muestra la diferencia entre las puntuaciones de la condicin fsica obtenidas por cada uno de los directivos, antes y despus de participar en el programa.
P R O GR A M A S B C 11 12 13 19 20 9 14 14 11 21 21 7 14 6 8
A 13 24 19 18 9 21 17 22 24
D 22 26 22 22 26 19
Es posible concluir que los cuatro programas difieren en cuanto a efectividad?. Sea = 0.05. Aplicar la prueba de Kruskal-Wallis.
6
MEDIDAS DE ASOCIACIN Y SUS PRUEBAS DE SIGNIFICACIN
6.1. EL COEFICIENTE DE C DE Cramr FUNCIN: - El coeficiente C de Cramr es una medida del grado de asociacin o relacin entre dos series de atributos o variables. - Se usa nicamente cuando tenemos slo informacin categrica (escala nominal) acerca de uno o de ambos conjuntos de atributos o variables. - Se emplea cuando la informacin acerca de los atributos consiste en una serie no ordenada de categoras. - Para el uso del coeficiente de Cramr, no es necesario suponer continuidad subyacente para las diferentes categoras usadas al medir uno o ambos conjuntos de atributos. - No se necesita siquiera ser capaces de ordenar las categoras en alguna forma particular. - El coeficiente de Cramr, al ser calculado de una tabla de contingencia, proporciona los mismos valores sin considerar cmo fueron ordenadas las categoras en las filas y columnas. MTODO: - Arregle las frecuencias observadas en una tabla de contingencia de rxh, donde r es el nmero de categoras en las cuales se clasifica una variable y k es el nmero de categoras en las cuales se clasifica la otra variable. - Determine la frecuencia esperada segn Ho: para cada celda, al multiplicar los
Estadstica No Paramtrica Aplicada a la Ganadera - 141 datos totales marginales comunes a esa celda y dividiendo despus este producto por el nmero total de casos N. Es decir, para cada celda en la tabla de contingencia calcule:
eij = i j N . Si ms de cerca del 20% de las celdas
tienen frecuencias esperadas menores que cinco o si cualquiera de las celdas tiene una frecuencia esperada menor que uno combine las categoras (ya sea filas o columnas) para incrementar las frecuencias esperadas que sean deficientes. para los datos. - Mediante la siguiente ecuacin, calcule el valor de 2 c
2 c
d =
r k i =1 j =1
ij
eij eij
= N ~ (2r1)( k1) i=1 j=1 e ij

2 c
2 ij
- Use este valor de 2 para calcular el valor de C mediante la siguiente ecuacin: c
C=
2 c N (L - 1)
Donde: L : Es el mnimo del nmero de filas o columnas en la tabla de contingencia. El grado de asociacin entre dos conjuntos de atributos al medirse por medio del coeficiente de Cramr, aunque sean o no ordenables e independientemente de la naturaleza de la variable (puede ser continua o discreta) y de la distribucin subyacente del atributo (la distribucin poblacional pueder ser normal o de cualquier forma), puede encontrarse en una tabla de contingencia de observaciones. Debe notarse que, como la correlacin producto-momento de Pearson, el coeficiente de Cramr tiene un valor mximo de uno y C ser igual a cero cuando las variables o los atributos sean independientes. A diferencia de la correlacin producto-momento de Pearson, el coeficiente de Cramr no puede ser negativo. Esto es de esperar, ya que el estadstico mide la relacin entre variables categricas que no poseen ningn orden inherente. - Para probar si el valor observado de C indica que existe una asociacin significativa entre las dos variables en la poblacin muestreada, determine la probabilidad asociada segn Ho: de un valor tan grande como el observado 2 c con gl = (r - 1)(k - 1), consultando la tabla de valores crticos de la Ji-cuadrada (Anexo, C). Si esa probabilidad es igual o menor que (p ), la hiptesis nula (Ho.) es rechazada en ese nivel de significacin, aceptndose la Ha:
- 142 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno Ejemplo: Se tiene los datos de 816 vacas en edad reproductiva, manejado bajo tres sistemas de alimentacin, en la que se les ha inseminado artificialmente con semen probado, al estado fisiolgico de celo. Los resultados obtenidos en este estudio sobre dinmica reproductiva son:
Tipo de alim entacin Condicin de la vaca Alfalfa Pasto Natural Conc. + Pasto natural G estantes Probadas 52 119 174 G estantes sospechosas 47 46 56 V acas probadas 240 47 35 Total 339 212 265
Total 345 149 322 816
- Hay alguna asociacin entre tipo de alimentacin y fertilidad de las vacas? a. Para resolver ste problema, en primer lugar procedemos e estimar los valores esperados.
e11 = e12 = e13 = e21 =
e23 =
339( 345 ) = 143.33 816 339( 149 ) = 61.90 816 339( 322 ) = 133.77 816 212( 345 ) = 89 .63 816
212( 322 ) = 83.66 , 816
e31 = e32 = e33 = e22 =
265( 345 ) = 112.04 816 265( 149 ) = 48.39 816 265( 322 ) = 104.57 816 212( 149 ) = 38.71 816
Los grados de libertad a estimarse para muestras es: gl. = (r-1)(k-1) donde, r = Nmero de filas y k = Nmero de columnas. A continuacin se forma una matriz con los valores esperados:
Tipo de alim entacin Alfalfa Pasto Natural Conc. + Pasto natural 143.33 89.63 112.04 61.90 38.71 48.39 133.77 83.66 104.57 339.00 212.00 265.00
Condicin de la vaca G estantes Probadas G estantes sospechosas V acas probadas Total
Total 345.00 149.00 322.00 816.00
Estadstica No Paramtrica Aplicada a la Ganadera - 143 b. Estimacin de chi cuadrado: Para facilitar el clculo se prepara una matriz como:
Categoras G estante prob. con alfalfa G estante prob. con past. natur. G estante prob. con conc.+ pastos nat. G estante sospechosa con alfalfa G est. sospech. con pastos nat. G est. Sospech. con conc.+Pastos nat. V aca con alfalfa V aca con pasto natural V aca con conc. + pasto natural Oi 52 119 174 47 46 56 240 47 35
2 ei (Oi - ei) (O i e i) e i 143.33 -91.33 58.1956 89.63 29.37 9.6240 112.04 61.96 34.2649 61.90 -14.90 3.5866 38.71 7.29 1.3729 48.39 7.61 1.1968 133.77 106.23 84.3598 83.66 -36.66 16.0645 104.57 -69.57 46.2846 . = 2 c 2549496
= 212 .46 = + 212 .48
dif. = 0.02
c. Estimacin del coeficiente de Cramr (C) con N = 816 es:
C=
2 c C= N (L - 1)
254.9496 2 c = = 0.395 816( 3 1 ) N( L 1
A medida que las discrepancias o diferencias entre los valores esperados y los observados se incremente, mayor ser la relacin o asociacin entre las dos variables, luego mayor tambin ser el valor de C d. Decisin: Hay una ligera asociacin, es decir a mejor calidad alimenticia menor fertilidad en vacas y viceversa. Nota: aparentemente en ste ejemplo la calidad del alimento induce a una menor fertilidad; sin embargo sera necesario analizar cul es el alimento de mejor calidad, en ste caso es la alfalfa, y como es sabido la alfalfa en su constitucin tiene fitoestrgenos que inhiben la concepcin, motivo por el cual para empadrar vacas pastoreados en alfalfa es necesario quitarles del alfalfar un mes antes de realizar el empadre, para no tener ste para el estadstico de la muestra es problema de infertilidad. Si la 2 c significativo, entonces podemos concluir que en la poblacin la asociacin entre las dos series de atributos no es cero, esto es, que los atributos o las variables no son independientes.
- 144 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 6.2. COEFICIENTE DE CORRELACIN r de Spearman de Rangos Ordenas dos FUNCIN: - Es una medida de asociacin entre dos variables que requiere que ambas estn medidas en al menos en una escala ordinal, de manera tal que los objetos o individuos en estudio puedan ser colocados en rangos en dos series ordenadas. - Al calcular un coeficiente de correlacin podra haber problemas o inconvenientes para usar directamente las d i. Una dificultad es que las di negativas podran cancelar a las positivas cuando tratamos de determinar la magnitud total de la discrepancia entre los rangos, aun pensando que es la magnitud, ms que el signo de la discrepancia, la que representa un ndice de la disparidad de los rangos. Sin embargo si se emplea d i2 en lugar de d i esta dificultad se elimina. Queda claro que mientras ms grandes sean las diferencias d i , ms grande ser el valor de , que es la suma del cuadrado de las diferencias para N pares de datos. - La derivacin de la frmula calculada para rs es bastante sencilla. Se hace simplificando la frmula del coeficiente de correlacin producto-momento r de Pearson cuando los datos estn compuestos por rangos. Proporcionaremos dos expresiones alternativas para rs . Una de estas formas alternativas es til en el clculo del coeficiente y la otra se usar posteriormente cuando encontremos necesario corregir el coeficiente, cuando se presenten puntuaciones empatadas en
2 i
x = X X , donde X es la media de las puntuaciones en la variable X, y si y = Y Y , donde Y es la media de las puntuaciones en la variable Y,
los datos. Si entonces una expresin general para el coeficiente de correlacin productomomento de Pearson es:
r =
xy x2 y2
en el cual las sumas estn sobre los valores de N en la muestra. Ahora cuando las X y las Y son rangos, r = r. Conociendo que los datos que estn en rangos, podemos simplificar la ecuacin anterior para obtener la expresin siguiente para el coeficiente de correlacin de Spearman de rangos ordenados:
rs =
x 2 + y 2 di2 2 x2 y2
rs = 1
6 di2 N3 N
i =1
Recurdese que di = Xi Y , la diferencia en rangos en las dos variables. la i simplificacin de la ecuacin rs =

n
x 2 + y 2 di2 2 x2 y2
a la forma proporcionada
en la ecuacin rs = 1
6 di2 N3 N
i =1
es posible notando que cuando los datos estn en
rangos y no existen empates en los datos, x2 = y2 = (N3 - N) 12 . Debe notarse que si existen empates, el uso de las ecuaciones anteriores proporcionar el valor correcto de rs; mas tarde se proporcionar una correccin para los empates para la ecuacin rs. Este coeficiente se usa para medir el grado de relacin entre dos variables medidas a nivel ordinal preferentemente (ordenar) y en algunos casos para datos medidos a nivel de intervalo o de razn. MTODO: - Para calcular rs haga una lista de los N sujetos u observaciones. - Asigne rangos a los sujetos (observaciones) en la variable X desde 1 hasta N. Asigne rangos a las observaciones de la variable Y desde 1 hasta N. Para X empates (o Y), asigne a cada una el valor promedio de los rangos asociados. - Haga una lista de los N sujetos. Coloque el rango de cada sujeto en la variable X y la variable Y. - Determine el valor de d i para cada sujeto sustrayendo el rango de Y del correspondiente rango de X. Eleve al cuadrado este valor para determinar d i2 . Sume los d i2 para los N casos para determinar d i2 . - si la proporcin de empates en cualquiera de las observaciones de X o Y es grande, use la ecuacin siguiente para calcular rs:
rs =
(N 3 - N) - 6 d 2 (Tx + Ty ) 2 (N 3 - N) 2 - (Tx + Ty )(N 3 - N) + Tx Ty
En otros casos, use la siguiente ecuacin: rs = 1
6 d i2 N3 N
i =1
- Si los sujetos constituyen una muestra aleatoria de alguna poblacin, se puede probar si el valor observado de rs indica una asociacin entre las variables X y Y en la poblacin. Las hiptesis son Ho: no existe asociacin entre X y Y, y Ha: existe una asociacin entre X y Y. El mtodo para hacer esto depende del tamao de la muestra N: i) Para N desde 4 hasta 50, los valores crticos de rs entre los niveles de significacin (unidireccionales) 0.25 y 0.0005 estn proporcionados en la Tabla de valores crticos (Anexo, Q). Para una prueba bidireccional, las probabilidades de significacin correspondiente se duplican. ii) Para N>50, la probabilidad asociada con un valor tan grande como el valor observado de rs , puede ser aproximado al calcular la z asociada con ese valor usando la siguiente ecuacin: z = rs N 1 y determinando despus la significacin de ese valor de z al consultar la Tabla de valores crticos de la distribucin normal (anexo, A). - Si el valor de rs (o de z) excede el valor crtico, rechace Ho: en favor de Ha: OBSERVACIONES EMPATADAS: - A veces ocurre que dos o ms sujetos reciben la misma puntuacin en la misma variable. Cuando ocurren puntuaciones empatadas, a cada una de ellas se le asigna el promedio de los rangos que habran sido asignados si no hubieran ocurrido los empates, lo cual es nuestro procedimiento usual para asignar rangos a observaciones empatadas. - Si la proporcin de las observaciones empatadas no es grande, su efecto sobre rs es significante y la ecuacin siguiente:
rs = 1
6 di2 N3 N
i =1
puede an usarse para su clculo. Sin embargo, si la proporcin de empates es grande, entonces debe incorporarse un factor de correccin en el clculo de rs . El efecto de los rangos empatados en la variable X es reducir la suma de cuadrados x 2 abajo del valor de (N 3 - N) 12 , esto es, cuando existen empates,
<
N3 N . Por tanto, es necesario corregir la suma de cuadrados, teniendo en 12
cuenta los empates (los rangos empatados no surten efecto en la media o x lo cual es siempre = 0). El factor de correccin es:
Tx = (t 3 i - ti )
i =1
donde g es el nmero de grupos de diferentes rangos empatados y r es el nmero de rangos empatados en el i-simo grupo. Cuando la suma de cuadrados es corregida por empates, se convierte en:
N 3 N Tx 12
Los empates que ocurren en la variable Y requieren correccin de la misma manera, y el factor de correccin se denota Ty. Cuando est presente un nmero considerable de empates, para calcular rs puede suponerse una de las siguientes ecuaciones:
x 2 + y 2 d i2 2 x2 y2
rs =
o rs =
(N3 -N)-6d2 (Tx +Ty ) 2 (N3 -N)2 -(Tx +Ty )(N3 -N) +TxTy
PRUEBA DE SIGNIFICACIN DE rs Si los sujetos cuyas puntuaciones se emplean para calcular rs fueron elegidos aleatoriamente de una poblacin, podemos usar esas puntuaciones para determinar si las dos variables estn asociadas en la poblacin. Esto es, podemos probar la hiptesis nula de que las dos variables en estudio no estn asociadas (esto es, son independientes) en la poblacin y el valor observado de rs difiere de cero slo al azar. As, podemos probar la hiptesis Ho: no existe asociacin entre X y Y, contra la hiptesis Ha: existe asociacin entre X y Y (una prueba bidireccional) o Ha: existe una asociacin positiva (o negativa) entre X y Y (una prueba unidireccional). Puede notarse notarse que no hemos especificado las dos hiptesis como Ho: s = 0 contra Ha: s 0 debido a que no es probable el caso en el cual las variables estn normalmente distribuidas, s = 0 no necesariamente significa que las variables son independientes, mientras que si son independientes, entonces
s = 0. Como resultado, debemos tener cuidado al interpretar la significacin de

rs .
- 148 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno EJEMPLO: Se quiere saber si hay relacin en fertilidad de ovinos durante los aos 1975 y 1976, para lo cual estudia la perfomance de 16 rebaos del fundo buena Vista, cuyos resultados son: N 3 N = ( N 2 1 ) N .
Fertilidad 1975 (X) 1976 (Y ) 55 62 62 57 46 55 70 65 58 62 65 66 60 66 64 60 71 68 68 72 62 65 59 60 60 58 55 60 62 70 58 66 Total
R A N GO S 1975 (X) 14.5 7 16 2 12.5 4 9.5 5 1 3 7 11 9.5 14.5 7 12.5 1976 (Y ) 9.5 15 16 7.5 9.5 5 5 12 3 1 7.5 12 14 12 2 5
diferencia de Rangos (X - Y ) di=(X - Y ) 5 -8 0 -5.5 3 -1 4.5 -7 -2 2 -0.5 -1 -4.5 2.5 5 7.5 di 25.00 64.00 0.00 30.25 9.00 1.00 20.25 49.00 4.00 4.00 0.25 1.00 20.25 6.25 25.00 56.25 315.50
2
Clasificacin por Rangos: Pasos a seguir: 1. Ordenar las observaciones de "x" i "y" en forma descendente (de mayor a menor), separadamente para 1975 y 1976. 2. Asignar un nmero correlativo ordenado de 1 a n en las observaciones de "x" i "y". Si se encuentran observaciones repetidos iguales se les saca el promedio de la sumatoria de los valores de orden correlativo que les corresponde, de manera que las observaciones repetidas o iguales tengan un mismo valor de orden. As si hay dos valores que se repiten: 60 y 60 y de acuerdo al orden les corresponde el orden 9 y 10, se suman y se obtiene el promedio, ejemplo:
Estadstica No Paramtrica Aplicada a la Ganadera - 149 Valor 60 60 Orden 9 10 Promedio 9 + 10 x= = 9 .5 2
Luego los valores de orden para ambos valores es 9.5.

Valor 62 62 62 Orden 6 7 8 Promedio 6+ 7 +8 x= =7 3
Luego los valores de orden para las tres observaciones es 7.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1975(X ) O B SE R V . 71 70 68 65 64 62 62 62 60 60 59 58 58 55 55 46
O rden 1 2 3 4 5 7 6+7+8 =7 7 x= 3 7 9.5 9+10 =95 x= . 2 9.5 11 12.5 x =12+13=125 . 2 12.5 14.5 14+15 =145 . x= 2 14.5 16
U | V | W U V W
U V W U V W
1976(Y ) O B SE R V . O rden 72 1 70 2 68 3 66 5 4+5+6 =5 66 5 x= 3 66 5 65 7.5 x = 7+8 =75 . 2 65 7.5 9+10 62 9.5 x= . = 95 2 62 9.5 60 12 11+12+13 =12 60 12 x= 3 60 12 58 14 57 15 55 16
U | V | W U V W U V W U | V | W
Luego ste orden encontrado, se traslada al cuadro anterior a las columnas de rangos 1975 y 1976 para las variables "x" i "y", respectivamente.
- 150 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 3. Se halla las diferencias entre rangos (x-y) y luego la diferencia se eleva al cuadrado. 4. Se suma los valores de las diferencias elevadas al cuadrado. 5. Ahora se estima el coeficiente de correlacin por Rangos de Spearman.
rs = 1 6di2 N3 N
i =1 n
= 1
1893 1893 6( 3155 .) . 1 2 = 1 = 046397 4080 (16 )2 16 (16 1)16
rs = 0.53603
El valor rs = 0.53603 , indica que hay una ligera relacin entre el rango de fertilidad de 1975 y el de 1976; es decir que majadas o rebaos que tenan porcentajes ms o menos altos de fert6ilidad en el ao 1975, tambin alcanzan porcentajes ms o menos altos en 1976, mientras que los rebaos que tuvieron porcentajes bajos, han mantenido su valor en el ao 1976. Nota: Cuando en las variables hay muchas observaciones con valores iguales, la frmula para estimar el coeficiente de correlacin por rangos de Spearman es:
rs =
X 2 + Y 2 di2 2 X 2 Y2
R N N X = T | 12 , donde S N N | | T Y = 12 T
3 2 3 2 y
T = Es el nmero de empates o valores iguales en cada variable. En el ejemplo se tiene: En X con 4 empates = Tx = 4 , Ty = 4 y
di2 = 325.5
X2 = (16)2 16 4 = 336 12 2 (16) 16 Y2 = 4 = 336 , luego 12
336+3363155 . 3565 . rs = = =053051 . 2 336336 ( ) 672
El valor encontrado aqu, es casi similar al encontrado anteriormente ( rs = 0.53051 ), la diferencia es por milsimos.
Estadstica No Paramtrica Aplicada a la Ganadera - 151 6.3. Coeficiente de Correlacin de Kendall (
).
Es otro estadstico que sirve para medir la relacin entre dos variables, donde los datos estn medidos ordinalmente. Este coeficiente tiene algunas ventajas sobre la de Spearman como: a. Posee una distribucin menos severa por lo que es ms suave. b. Los resultados dan probabilidades exactas y potentes con cada valor de la estadstica. c. Este coeficiente tiene mltiples aplicaciones y en situaciones variadas. d. La distribucin de Kendall es simtrica con media cero y cuanto mayor es el tamao de la muestra se aproxima a la distribucin normal. e. Para fines de inferencia, posee una distribucin muestral conocida, resultando tal medida mucho ms satisfactorio que rs. f. Entre las ventajas de ste coeficiente es que, es un poco ms laborioso que el mtodo de clculo de Spearman. El valor del coeficiente de Kendall oscila entre 1 1 . Cuanto ms se aproxime a 1, mayor es el grado de relacin entre las variables en estudio. A mayor asociacin ms se aproximan a +1 1; si ambas variables crecen positivamente hay relacin positiva y si una variable decrece y la otra crece hay una relacin inversa y cuando una crece y la otra no vara, entonces no axiste relacin entre ellas, lo que quiere decir que se acercan a cero, ( 1 0 1 ). La frmula par estimar
= s 2s , = donde: 1 n( n 1 ) ( n )( n 1 ) 2
es:
= Coeficiente de correlacin por rangos de Kendall. s = Nmero de intervenciones de y con relacin a X, (S = P+Q) = puntuacin. n = Tamao de la muestra. Kendall utiliza la puntuacin s, que proviene de dos valores: 1 De p que es positiva, deducida de los lugares que ocupan (orden) en la variable dependiente y, pero valores superiores al valor de y i seleccionada. 2 De q, que es negativa, que tambin se deduce de los lugares que ocupan (orden) en la variable dependiente y, pero con valores inferiores al valor de yi seleccionado.
- 152 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno La p determina la concordancia positiva entre las ordanadas (x e y) por rangos. La q determina la concordancia negativa entre las ordenadas (x e y). EJEMPLO: Se tiene la informacin de 15 pesos al nacimiento de lechones y sus respectivos pesos al destete (kg):
Nacim iento (X) 0.8 1.2 1.5 0.5 0.7 1 1.3 1.4 1.1 0.9 0.8 1.2 1 1.2 1.4 Destete (Y ) 6 8 10.2 7.5 9.2 10 9.5 10.5 9 9 6.5 10 9 8.6 10.6
- Hay alguna relacin entre estas dos variables medidas? Para resolver el problema se sigue los siguientes pasos: 1. Ordenar los valores de X, en forma ascendente y como valor par se le asigna el valor y que le corresponde. 2. Determinar el valor p, contando los valores superiores a la derecha de cada observacin de y (n-1) que hay en la fila, hasta la ltima observacin. 3. Determinar el valor de Q, contando los nmeros menores a la derecha de cada observacin (n-1), que hay en la fila hasta la ltima observacin. 4. Estimar el valor de S = P +Q (puntuacin de s). 5. Luego estimar
, que es el coeficiente de correlacin por rangos de Kendall.
a. Ordenamos "x", acompaado por su valor "y" original.

X: Y : 0.5 0.7 0.8 0.8 0.9 1.0 1.0 1.1 1.2 1.2 1.2 1.3 1.4 1.4 1.5 7.5 9.2 6.0 6.5 9.0 10.0 9.0 9.0 8.0 10.1 8.6 9.5 10.5 10.5 10.2
b. Estimar p, contando valores mayores a la derecha de cada valor de "y", as:
A la derecha de 7.5 hay A la derecha de 9.2 hay A la derecha de 6 hay A la derecha de 6.5 hay A la derecha de 9 hay A la derecha de 10 hay A la derecha de 9 hay A la derecha de 9 hay A la derecha de 8 hay A la derecha de 10.1 hay A la derecha de 8.6 hay A la derecha de 9.5 hay A la derecha de 10.5 hay A la derecha de 10.6 hay
P = 78
Valores P 12 6 12 11 6 4 5 5 6 3 4 3 1 0
observaciones con valores mayores a 7.5 = observaciones con valores mayores a 9.2 = observaciones con valores mayores a 6.0 = observaciones con valores mayores a 6.5 = observaciones con valores mayores a 9.0 = observaciones con valores mayores a 10 = observaciones con valores mayores a 9.0 = observaciones con valores mayores a 9 = observaciones con valores mayores a 8 = observaciones con valores mayores a 10.1 = observaciones con valores mayores a 8.6 = observaciones con valores mayores a 9.5 = observacin con valor mayor a 10.5 = observacin con valor mayor a 10.6 =
P=
P 12 6 12 11 6 4 5 5 6 3 4 3 1 0 78
c. Estimar Q, contando valores inferiores a la derecha de cada valor de y, as: Q A la derecha de 7.5 hay 2 observaciones con valores inferiores a 7.5 =-2 A la derecha de 9.2 hay 7 observaciones con valores menores a 9.2 =-7 A la derecha de 6 no hay ningn valor menor a 6 =-0 A la derecha de 6.5 no hay ningn valor menor a 6.5 =-0 A la derecha de 9 hay 2 observaciones con valores menores a 9 =-2 A la derecha de 10 hay 5 observaciones con valores menores a 10 =-5 A la derecha de 9 hay 2 observaciones con valores menores a 9 =-2 A la derecha de 9 hay 2 observaciones con valores menores a 9 =-2 A la derecha de 8 no hay ningn valor menor a 8 = -0 A la derecha de 10.1 hay 2 observaciones con valores menores a 10.1 = -2 A la derecha de 8.6 no hay ningn valor menor a 8.6 = -0 A la derecha de 9.5 no hay ningn valor menor a 9.5 = -0 A la derecha de 10.5 hay 1 observacin con valor menor a 10.5 = -1 A la derecha de 10.6 no hay ningn valor menor a 10.6 = -0 Q = 23 d. Estimamos la puntuacin de S = P+Q S = 78 + (-23) = 55 e. Finalmente se estima el coeficiente de Kendall (

= 2( 55 ) 110 = = 05238 . 15(15 1) 210
Este resultado de = 0.5238, nos indica que hay una relacin moderada positiva entre peso al nacimiento de lechones (X) y el peso al destete de los mismos (Y). El coeficiente de correlacin simple (r ) es un nmero el cual cuantifica el grado de asociacin entre dos variables. As en chanchos a gran porcentaje de jamn y lomo hay menor porcentaje de grasa en la espalda y viceversa. Los valores de del coeficiente son: r = +1 = perfecta correlacin positiva (las dos variables suben), r =-1 = perfecta correlacin negativa (una variable sube y la otra baja o viceversa), s r = 0 = No hay correlacin o sea no hay grado alguno de asociacin. Una correlacin fenotpica entre dos rasgos puede ser til para un criador, luego si se conoce que dos rasgos estn fuertemente asociados, midiendo solamente uno de los rasgos se puede conocer el fenotipo para el otro rasgo. La misma cosa o principio se aplica para estimar la semejanza gentica entre parientes, donde entre parientes cercanos la correlacin entre genotipos es grande que para parientes lejanos. La frmula computacional de r es:
r=
n XY X i Yi n X ( X )2 n Y 2 ( Y )2
2
r=
LM N
( X )( Y ) n 2 X ( ) ( Y )2 X2 Y2 n n XY
OPLM QN
OP Q
EJEMPLO: Cul es el coeficiente de correlacin entre las variables peso al nacer (X) y peso al destete (Y) en corderos de 4 meses de edad? con n = 12.
Peso al nacer Peso al destete X (kg) 2.5 4.8 3.6 4.0 3.7 4.8 3.0 3.9 2.9 3.8 3.1 2.7 Y (kg) 12.8 15.0 18.4 17.8 14.9 16.8 15.9 18.0 14.9 15.4 15.0 13.6 X 6.25 23.04 12.96 16.00 13.69 23.04 9.00 15.21 8.41 14.44 9.61 7.29
2
X = 42.80 Y = 188.50 X2 = 158.94 Y2 =2994.43 XY =680.06
Y 163.84 225.00 338.56 316.84 222.01 282.24 252.81 324.00 222.01 237.16 225.00 184.96
X Y 32.00 72.00 66.24 71.20 55.13 80.64 47.70 70.20 43.21 58.52 46.50 36.72
r=
12(680.06) (42.8)(188.5) 12(158.94)-(42.8)2 12(2994.43)-(188.50)2
= 05343 .
Qu quiere decir ste valor de r = 0.5343, que es medianamente alta y solamente nos est indicando que cuando la variable X crece, la variable Y tambin crece, lo que quiere decir que hay una correlacin positiva. Para una mejor interpretacin de r, recurrimos al coeficiente de Determinacin (r2), para lo cual elevamos al cuadrado el valor de r y el valor hallado lo multiplicamos por 100. r = 0.5343 r2= (0.5343)2 = 0.2855x(100) = 28.55 %, lo que quiere decir que el peso al nacimiento (X), influye solamente en un 28.55 % de las veces sobre el peso al destete de los corderos, el resto del porcentaje se debe a otros factores no controlados en ste estudio (alimentacin, factor gentico, factor medio ambiente, manejo, etc.), tambin se ha podido decir que el 28.55 % de la variabilidad en Y (variable dependiente) se debe a la variabilidad de X (variable independiente).
- 156 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno EJEMPLO: Se tiene la informacin del peso de 15 cras de alpaca (X) y el tiempo que la madre requiere para realizar todo el proceso del alumbramiento (Y). Encontrar el coeficiente de correlacin r a travs de la covariancia.
Peso de la cras Tiem po de parto X (kg) Y (kg) 7.2 85 9.0 104 8.7 94 9.4 98 8.2 88 8.0 75 8.5 92 7.5 76 9.8 120 8.8 90 7.6 80 8.5 85 9.1 100 9.4 122 7.7 80
( Xi Xi )
-1.2933 0.5067 0.2067 0.9067 -0.2933 -0.4933 0.0067 -0.9933 1.3067 0.3067 -0.8933 0.0067 0.6067 0.9067 -0.7933
(Yi Yi )
-7.6000 11.4000 1.4000 5.4000 -4.6000 -17.6000 -0.6000 -16.6000 27.4000 -2.6000 -12.6000 -7.6000 7.4000 29.4000 -12.6000
(Xi Xi )(Y Y i i)
9.8293 5.7760 0.2893 4.8960 1.3493 8.6827 -0.0040 16.4893 35.8027 -0.7973 11.2560 -0.0507 4.4893 26.6560 9.9960
X = 127.400 Y = 1389.000 X = 8.493 Y = 92.600
134.6600 (X Y i X i )(Y i i )=
La desviacin estndar de Sx = 0.7805 y la desviacin estndar de Sy = 14.3368, el promedio de x = 8.4933 y el promedio de y = 92.60. El clculo de r por medio de la ecuacin anterior es de r = 0.8595 0.86 Clculo de r a travs de la covariancia:
Cov .( XY ) = ( X i X i )( Yi Yi ) 134.7664 = = 9.6262 n 1 15 1
La covariancia tambin se puede encontrar con:

C o v .( X Y ) = XY ( X )( Y ) n n 1
r=
C ov .( XY ) 9.6262 = = 0.8603 0 .86 SxSy 0.7805(14.3368)
Como se puede observar el valor de r es casi similar al valor encontrado anteriormente con la ecuacin simple.
ANEXO: TABLAS ESTADSTICAS NO PARAMTRICAS
Estadstica No Paramtrica Aplicada a la Ganadera - 159 TABLA A: Probabilidades asociadas con el lado superior de la distribucin normal. El cuerpo de la tabla proporciona las probabilidades unidireccionales segn Ho: de Z. Las columnas marginales de la izquierda proporcionan diferentes valores de Z hasta para un decimal. La fila superior proporciona diferentes valores hasta el segundo lugar decimal. As, por ejemplo, la probabilidad unidireccional para Z 0.11 Z -0.11 es p = 0.4562
Z 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0 0.00 0.5000 0.4602 0.4207 0.3821 0.3446 0.3085 0.2743 0.2420 0.2119 0.1841 0.1587 0.1357 0.1151 0.0968 0.0808 0.0668 0.0548 0.0446 0.0359 0.0287 0.0228 0.0179 0.0139 0.0107 0.0082 0.0062 0.0047 0.0035 0.0026 0.0019 0.0013 0.0010 0.0007 0.0005 0.0003 0.000230 0.000160 0.000110 0.000070 0.000050 0.000003 0.01 0.4960 0.4562 0.4168 0.3783 0.3409 0.3050 0.2709 0.2389 0.2090 0.1814 0.1562 0.1335 0.1131 0.0951 0.0793 0.0655 0.0537 0.0436 0.0351 0.0281 0.0222 0.0174 0.0136 0.0104 0.0080 0.0060 0.0045 0.0034 0.0025 0.0018 0.0013 0.0009 0.02 0.4920 0.4522 0.4129 0.3745 0.3372 0.3015 0.2676 0.2358 0.2061 0.1788 0.1539 0.1314 0.1112 0.0934 0.0778 0.0643 0.0526 0.0427 0.0344 0.0274 0.0217 0.0170 0.0132 0.0102 0.0078 0.0059 0.0044 0.0033 0.0024 0.0018 0.0013 0.0009 0.03 0.4880 0.4483 0.4090 0.3707 0.3336 0.2981 0.2643 0.2327 0.2033 0.1762 0.1515 0.1292 0.1093 0.0918 0.0764 0.0630 0.0516 0.0418 0.0336 0.0268 0.0212 0.0166 0.0129 0.0099 0.0075 0.0057 0.0043 0.0032 0.0023 0.0017 0.0012 0.0009 0.04 0.4840 0.4443 0.4052 0.3669 0.3300 0.2946 0.2611 0.2296 0.2005 0.1736 0.1492 0.1271 0.1075 0.0901 0.0749 0.0618 0.0505 0.0409 0.0329 0.0262 0.0207 0.0162 0.0125 0.0096 0.0073 0.0050 0.0041 0.0031 0.0023 0.0016 0.0012 0.0008 0.05 0.4801 0.4404 0.4013 0.3632 0.3264 0.2912 0.2578 0.2266 0.1977 0.1711 0.1469 0.1251 0.1056 0.0885 0.0735 0.0606 0.0495 0.0401 0.0322 0.0256 0.0202 0.0158 0.0122 0.0094 0.0071 0.0054 0.0040 0.0030 0.0022 0.0016 0.0011 0.0008 0.06 0.4761 0.4364 0.3974 0.3594 0.3228 0.2877 0.2546 0.2236 0.1949 0.1685 0.1446 0.1230 0.1038 0.0869 0.0721 0.0594 0.0485 0.0392 0.0314 0.0250 0.0197 0.0154 0.0119 0.0091 0.0069 0.0052 0.0039 0.0029 0.0021 0.0015 0.0011 0.0008 0.07 0.4721 0.4325 0.3936 0.3557 0.3192 0.2843 0.2514 0.2206 0.1922 0.1660 0.1423 0.1210 0.1020 0.0853 0.0708 0.0582 0.0475 0.0384 0.0307 0.0244 0.0192 0.0150 0.0116 0.0089 0.0068 0.0051 0.0038 0.0028 0.0021 0.0015 0.0011 0.0008 0.08 0.4681 0.4286 0.3897 0.3520 0.3156 0.2810 0.2483 0.2177 0.1894 0.1635 0.1401 0.1190 0.1003 0.0838 0.0694 0.0571 0.0465 0.0375 0.0301 0.0239 0.0188 0.0146 0.0113 0.0087 0.0066 0.0049 0.0037 0.0027 0.0020 0.0014 0.0010 0.0007 0.09 0.4641 0.4247 0.3859 0.3483 0.3121 0.2776 0.2451 0.2148 0.1867 0.1611 0.1379 0.1170 0.0985 0.0823 0.0681 0.0559 0.0455 0.0367 0.0294 0.0233 0.0183 0.0143 0.0110 0.0084 0.0064 0.0048 0.0036 0.0026 0.0019 0.0014 0.0010 0.0007
Niveles de significacin seleccionadas para la distribucin normal. Bidireccional 0.20 0.10 0.05 0.02 0.01 0.002 0.001 0.0001 0.0000 Unidireccional 0.1 0.05 0.025 0.01 0.005 0.001 0.0005 0.00005 0.00000 Z 1.282 1.645 1.960 2.326 2.576 3.090 3.291 3.891 4.41
- 160 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno TABLA: A-1. Valores crticos de Z para #C comparaciones mltiples. Las entradas en la tabla para un #C dado y un nivel de significacin es el punto de la distribucin normal estndar tal que la probabilidad del lado superior sea igual a 1 2 # C . Para valores de #C fuera de los rangos incluidos en la tabla, se puede encontrar Z, usando la tabla A de apndice.
0.30 #C 0.15 1 1.036 2 1.440 3 1.645 4 1.780 5 1.881 6 1.960 7 2.026 8 2.080 9 2.128 10 2.170 11 2.208 12 2.241 15 2.326 21 2.450 28 2.552 #C: Es el nmero de comparaciones . Bidireccioanl Unidireccional 0.25 0.125 1.150 1.534 1.732 1.863 1.960 2.037 2.100 2.154 2.200 2.241 2.278 2.301 2.394 2.515 2.615 0.20 0.1 1.282 1.645 1.834 1.960 2.054 2.128 2.189 2.241 2.287 2.326 2.362 2.394 2.475 2.593 2.690 0.15 0.075 1.440 1.780 1.960 2.080 2.170 2.241 2.300 2.350 2.394 2.432 2.467 2.498 2.576 2.690 2.785 0.10 0.05 1.645 1.960 2.128 2.241 2.326 2.394 2.450 2.498 2.539 2.576 2.608 2.638 2.713 2.823 2.913 0.05 0.025 1.960 2.241 2.394 2.498 2.576 2.638 2.690 2.734 2.773 2.807 2.838 2.866 2.935 3.038 3.125
TABLA: A-2. Valores crticos de q( , #C) para las #C comparaciones mltiples dependientes. Las entradas en la tabla para un #C dado y un nivel de significacin son los valores crticos para los mximos valores absolutos de #C variables aleatorias normales estndar con correlacin 0.5 para la prueba bidireccional y los valores crticos para el lado superior de #C variables aleatorias normales estndar con correlacin comn 0.5 para un prueba unidireccional.
Bidireccio nal 0.05 0.01 1 1.96 2.58 2 2.21 2.79 3 2.35 2.92 4 2.44 3.00 5 2.51 3.06 6 2.57 3.11 7 2.61 3.15 8 2.65 3.19 9 2.69 3.22 10 2.72 3.25 11 2.74 3.27 12 2.77 3.29 15 2.83 3.35 20 2.91 3.42 #C: Es el n mero de comp araciones . Las entradas bidireccionales s e adaptaron de Dunnet, C.W . (1964). Las entradas un id ireccion ales s e ad pataron de Gup ta, S.S. (1963).
#C
Un idireccion al 0.05 0.01 1.65 2.33 1.92 2.56 2.06 2.69 2.16 2.77 2.24 2.84 2.29 2.89 2.34 2.94 2.38 2.97 2.42 3.00 2.45 3.03 2.48 3.06 2.50 3.08 2.57 3.14 2.64 3.21
Estadstica No Paramtrica Aplicada a la Ganadera - 161 TA B LA B : Valore s crticos de la dis tribucin t de S tude nt N ive l de s ignificacin para una prue ba unilate ral 0.25 0.20 0.15 0.10 0.05 0.025 0.01 0.005 N ive l de s ignificacin para una prue ba bilate ral 0.50 0.40 0.30 0.20 0.10 0.05 0.02 0.01 1.0005 1.376 1.963 3.078 6.314 12.706 31.821 63.657 0.816 1.061 1.386 1.836 2.920 4.303 6.9 65 9.925 0.765 0.978 1.250 1.638 2.353 3.182 4.5 41 5.841 0.741 0.941 1.190 1.533 2.132 2.776 3.7 47 4.604 0.727 0.920 1.156 1.476 2.015 2.571 3.3 65 4.032 0.718 0.711 0.706 0.703 0.700 0.697 0.695 0.694 0.692 0.691 0.690 0.689 0.688 0.688 0.687 0.686 0.686 0.685 0.685 0.684 0.684 0.684 0.683 0.683 0.683 0.682 0.681 0.680 0.680 0.679 0.679 0.678 0.678 0.906 0.896 0.889 0.883 0.879 0.876 0.873 0.870 0.868 0.866 0.866 0.863 0.862 0.861 0.860 0.859 0.858 0.858 0.000 0.856 0.856 0.855 0.855 0.854 0.854 0.853 0.851 0.850 0.849 0.849 0.848 0.847 0.847 1.134 1.119 1.108 1.100 1.093 1.088 1.083 1.079 1.076 1.074 1.071 1.069 1.067 1.066 1.064 1.063 1.061 1.060 1.059 1.058 1.058 1.057 1.056 1.055 1.055 1.052 1.050 1.048 1.047 1.047 1.046 1.045 1.044 1.440 1.415 1.397 1.383 1.372 1.363 1.356 1.350 1.345 1.341 1.337 1.333 1.330 1.328 1.325 1.323 1.321 1.319 1.318 1.316 1.315 1.314 1.313 1.311 1.310 1.306 1.303 1.301 1.299 1.297 1.296 1.294 1.293 1.943 1.895 1.860 1.833 1.812 1.796 1.782 1.771 1.761 1.753 1.746 1.740 1.734 1.729 1.725 1.721 1.717 1.714 1.711 1.708 1.706 1.703 1.701 1.699 1.697 1.690 1.684 1.680 1.676 1.673 1.671 1.667 1.665 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.080 2.074 2.069 2.064 2.060 2.056 2.052 2.048 2.045 2.042 2.030 2.021 2.014 2.008 2.004 2.000 1.994 1.990 3.1 43 2.9 98 2.8 96 2.8 21 2.7 64 2.7 18 2.6 81 2.6 50 2.6 24 2.6 02 2.5 84 2.5 67 2.5 52 2.5 40 2.5 28 2.5 18 2.5 08 2.5 00 2.4 92 2.4 85 0.0 00 2.4 73 2.4 67 2.4 60 2.4 57 2.4 38 2.4 23 2.4 12 2.4 03 2.3 96 2.3 90 2.3 81 2.3 74 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.921 2.898 2.878 2.861 2.845 2.831 2.819 2.807 2.797 2.787 2.779 2.771 2.763 2.756 2.750 2.724 2.704 2.690 2.678 2.669 2.600 2.648 2.638
0.000 0.001 636.61 31.59 12.94 8.610 6.859 5.959 5.405 5.041 4.781 4.587 4.437 4.318 4.221 4.140 4.073 4.015 3.965 3.922 3.883 3.850 3.819 3.792 3.767 3.745 3.725 3.707 3.690 3.674 3.659 3.646 3.591 3.551 3.520 3.496 3.476 3.460 3.435 3.416
gl 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 45 50 55 60 70 80

gl 0.995 0.99 1 0.00 0.00 2 0.01 0.02 3 0.072 0.115 4 0.207 0.297 5 0.412 0.554 6 0.676 0.872 7 0.989 1.24 8 1.34 1.65 9 1.73 2.09 10 2.16 2.56 11 12 13 14 15 16 17 18 19 20 2.60 3.07 3.57 4.07 4.60 5.14 5.70 6.26 6.84 7.43 3.05 3.57 4.11 4.66 5.23 5.81 6.41 7.01 7.63 8.26 TABLA C: Valores crticos de la Distribucion de Ji-cuadrada Probabilidadde un valor m s alto de chi-cuadrado 0.975 0.95 0.90 0.75 0.50 0.25 0.10 0.05 0.025 0.01 0.0 0.00 0.00 0.016 0.102 0.455 1.32 2.71 3.84 5.02 6.63 7 0.051 0.103 0.211 0.575 1.39 2.77 4.61 5.99 7.38 9.21 10 0.216 0.352 0.584 1.21 2.37 4.11 6.25 7.81 9.35 11.3 12 0.484 0.711 1.06 1.92 3.36 5.39 7.78 9.49 11.10 13.30 14 0.831 1.15 1.61 2.67 4.35 6.63 9.24 11.10 12.80 15.10 16 1.24 1.69 2.18 2.70 3.25 3.82 4.40 5.01 5.63 6.26 1.64 2.17 2.73 3.33 3.94 2.20 2.83 3.49 4.17 4.87 3.45 4.25 5.07 5.90 6.74 5.35 7.84 10.60 12.60 6.35 9.04 12.00 14.10 7.34 10.20 13.40 15.50 8.34 11.40 14.70 16.90 9.34 12.50 16.00 18.30 13.70 14.80 16.00 17.10 18.20 19.40 20.50 21.60 22.70 23.80 24.90 26.00 27.10 28.20 29.30 17.30 18.50 19.80 21.10 22.30 23.50 24.80 26.00 27.20 28.40 29.60 30.80 32.00 33.20 34.40 19.70 21.00 22.40 23.70 25.00 26.30 27.60 28.90 30.10 31.40 32.70 33.90 35.20 36.40 37.70 14.40 16.00 17.50 19.00 20.50 21.90 23.30 24.70 26.10 27.50 28.80 30.20 31.50 32.90 34.20 35.50 36.80 38.10 39.40 40.60 16.80 18.50 20.10 21.70 23.20 24.70 26.20 27.70 29.10 30.60 32.00 33.40 34.80 36.20 37.60 38.90 40.30 41.50 43.00 44.30 18 20 22 23 25 26 28 29 31 32 34 35 37 38 40 41 42 44 45 46
4.57 5.582 7.58 10.30 5.23 6.30 8.44 11.30 5.89 7.04 9.30 12.30 6.57 7.79 10.20 13.30 7.26 8.55 11.00 14.30 11.90 12.80 13.70 14.60 15.50 16.30 17.20 18.10 19.00 19.90 15.30 16.30 17.30 18.30 19.30 20.30 21.30 22.30 23.30 24.30
6.91 7.96 9.31 7.56 8.67 10.10 8.23 9.39 10.90 8.91 10.10 11.70 9.59 10.90 12.40 13.20 14.00 14.80 15.70 16.50
21 8.03 8.90 10.30 11.60 22 8.64 9.54 11.00 12.30 23 9.26 10.20 11.70 13.10 24 9.89 10.90 12.40 13.80 25 10.50 11.50 13.10 14.60
26 11.20 12.20 13.80 15.40 17.30 20.80 25.30 30.40 35.60 38.90 41.90 45.60 48 27 11.80 12.90 14.60 16.20 18.10 21.70 26.30 31.50 36.70 40.10 43.20 47.00 49 28 1250 1360 1530 1690 1890 2270 2730 3260 3790 4130 4450 4830 51
TABLA D: Distribucin BINOMIAL: Trminos acumulativos P[ X a ] =

N 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 0 0.2500 0.1250 0.0625 0.0313 0.0156 0.0078 0.0039 0.0020 0.0010 0.0005 0.0002 0.0001 0.0001 1 0.7500 0.5000 0.3125 0.1875 0.1094 0.0625 0.0352 0.0195 0.0107 0.0059 0.0032 0.0017 0.0009 0.0005 0.0003 0.0001 0.0001 2 1 0.8750 0.6875 0.5000 0.3438 0.2266 0.1445 0.0898 0.0547 0.0327 0.0193 0.0112 0.0065 0.0037 0.0021 0.0012 0.0007 0.0004 0.0002 3 1 0.9375 0.8125 0.6563 0.5000 0.3633 0.2539 0.1719 0.1133 0.073 0.0461 0.0287 0.0176 0.0106 0.0064 0.0038 0.0022 0.0013 4 5 6 7 8 9 10 1
x= 0
x n x , cuando p=q =1/2 p q x
1 0.9688 0.8906 0.7734 0.6367 0.5000 0.3770 0.2744 0.1938 0.1334 0.0898 0.0592 0.0384 0.0245 0.0154 0.0096 0.0059
1 0.9844 0.9375 0.8555 0.7461 0.6230 0.5000 0.3872 0.2905 0.2120 0.1509 0.1051 0.0717 0.0481 0.0318 0.0207 0.0133 0.0085 0.0053 0.0033 0.0020 0.0010 0.0010
1 0.9922 1 0.9648 0.9961 1 0.9102 0.9805 0.998 0.8281 0.9453 0.9893 0.7256 0.6128 0.5000 0.3953 0.3036 0.2272 0.1662 0.1189 0.0835 0.0577 0.0392 0.0262 0.0173 0.0113 0.0073 0.0050 0.0030 0.0020 0.0010 0.0010 0.8867 0.8062 0.7095 0.6047 0.5000 0.4018 0.3145 0.2403 0.1796 0.1316 0.0946 0.0669 0.0466 0.0320 0.0216 0.0140 0.0100 0.0060 0.0040 0.0030 0.9673 0.927 0.8666 0.7880 0.6964 0.5982 0.5000 0.4073 0.3238 0.2517 0.1917 0.1431 0.1050 0.0758 0.0539 0.0380 0.0260 0.0180 0.0120 0.0080
1 0.999 0.9941 0.9807 0.9539 0.9102 0.8491 0.7728 0.6855 0.5927 0.5000 0.4119 0.3318 0.2617 0.2024 0.1537 0.1148 0.0840 0.0610 0.0440 0.0310 0.0210
1 0.9995 0.9968 0.9888 0.9713 0.9408 0.8949 0.8338 0.7597 0.6762 0.5881 0.5000 0.4159 0.3388 0.2706 0.2122 0.1630 0.1240 0.0920 0.0680 0.0490 1 0.9 0.9 0.9 0.9 0.9 0.9 0.8 0.8 0.7 0.6 0.5 0.5 0.4 0.3 0.2 0.2 0.1 0.1 0.1 0.0 0.0 0.0 0.0 0.0
0.0001 0.0007 0.0036 0.0001 0.0004 0.0022 0.0002 0.0013 0.0001 0.0008 0.0001 0.0005
0.0020 0.0050 0.0150 0.0350 0.0010 0.0040 0.0100 0.0250 0.0010 0.0020 0.0070 0.0180 0.0010 0.0050 0.0120 0.0010 0.0030 0.0080
- 164 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno TABLA E: La distribucin Binomial. P Y = K =
FG N IJ p (1 p ) H KK
k
N k
Los puntos decimales se han omitido. Todas las entradas deben leerse como 0.nnnn. Para valores de p 0.5, sese la fila superior para p y la columna izquierda para k. Para valores de p>0.5, sese la fila inferior para p y la columna derecha para k.
p 0.20 6400 3200 400 5120 3840 960 80 4096 4096 1536 256 16 3277 4096 2048 512 64 3 2621 3932 2458 819 154 15 1 2097 3670 2753 1147 287 43 4 0 0.80
N 2
k 0 1 2 0 1 2 3 0 1 2 3 4 0 1 2 3 4 5 0 1 2 3 4 5 6 0 1 2 3 4 5 6 7
0.01 9801 198 1 9703 294 3 0 9606 388 6 0 0 9510 480 10 0 0 0 9415 571 14 0 0 0 0 9321 659 20 0 0 0 0 0 0.99
0.05 9025 950 25 8574 1354 71 1 8145 1715 135 5 0 7738 2036 214 11 0 0 7351 2321 305 21 1 0 0 6983 2573 406 36 2 0 0 0 0.95
0.10 8100 1800 100 7290 2430 270 10 6561 2916 486 36 1 5905 3280 729 81 4 0 5314 3543 984 146 12 1 0 4783 3720 1240 230 26 2 0 0 0.90
0.15 7225 2550 225 6141 3251 574 34 5220 3685 975 115 5 4437 3915 1382 244 22 1 3771 3993 1762 415 55 4 0 3206 3960 2097 617 109 12 1 0 0.85
0.25 5625 3750 625 4219 4219 1406 156 3164 4219 2109 469 39 2373 3955 2637 879 146 10 1780 3560 2966 1318 330 44 2 1335 3115 3115 1730 577 115 13 1 0.75 p
0.30 4900 4200 900 3430 4410 1890 270 2401 4116 2646 756 81 1681 3602 3087 1323 283 24 1176 3025 3241 1852 595 102 7 824 2471 3177 2269 972 250 36 2 0.70
1/3 4444 4444 1111 2963 4444 2222 370 1975 3951 2963 988 123 1317 3292 3292 1646 412 41 878 2634 3292 2195 823 165 14 585 2048 3073 2561 1280 384 64 5 2/3
0.40 3600 4800 1600 2160 4320 2880 640 1296 3456 3456 1536 256 778 2592 3456 2304 768 102 467 1866 3110 2765 1382 369 41 280 1306 2613 2903 1935 774 172 16 0.60
0.45 3025 4950 2025 1664 4084 3341 911 915 2995 3675 2005 410 503 2059 3369 2757 1125 185 277 1359 2780 3032 1861 609 83 152 872 2140 2918 2388 1172 320 37 0.55
0.50 2500 5000 2500 1250 3750 3750 1250 625 2500 3750 2500 625 312 1562 3125 3125 1562 312 156 938 2344 3125 2344 938 156 78 547 1641 2734 2734 1641 547 78 0.50
2 1 0 3 2 1 0 4 3 2 1 0 5 4 3 2 1 0 6 5 4 3 2 1 0 7 6 5 4 3 2 1 0 k
Estadstica No Paramtrica Aplicada a la Ganadera - 165 TABLA E: (continuacin) N 8 k 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 0.01 9227 746 26 1 0 0 0 0 0 9135 830 34 1 0 0 0 0 0 0 9044 914 42 1 0 0 0 0 0 0 0 8601 1303 92 4 0 0 0 0 0 0 0.05 6634 2793 515 54 4 0 0 0 0 6302 2985 629 77 6 0 0 0 0 0 5987 3151 746 105 10 1 0 0 0 0 0 4633 3658 1348 307 49 6 0 0 0 0 0.10 4305 3826 1488 331 46 4 0 0 0 3874 3874 1722 446 74 8 1 0 0 0 3487 3874 1937 574 112 15 1 0 0 0 0 2059 3432 2669 1285 428 105 19 3 0 0 0.15 2725 3847 2376 839 185 26 2 0 0 2316 3679 2597 1069 283 50 6 0 0 0 1969 3474 2759 1298 401 85 12 1 0 0 0 874 2312 2856 2184 1156 449 132 30 5 1 p 0.20 1678 3355 2936 1468 459 92 11 1 0 1342 3020 3020 1762 661 165 28 3 0 0 1074 2684 3020 2013 881 264 55 8 1 0 0 352 1319 2309 2501 1876 1032 430 138 35 7 0.25 1001 2670 3115 2076 865 231 38 4 0 751 2253 3003 2336 1168 389 87 12 1 0 563 1877 2816 2503 1460 584 162 31 4 0 0 134 668 1559 2252 2252 1651 917 393 131 34 0.30 576 1977 2965 2541 1361 467 100 12 1 404 1556 2668 2668 1715 735 210 39 4 0 282 1211 2335 2668 2001 1029 368 90 14 1 0 47 305 916 1700 2186 2061 1472 811 348 116 1/3 390 1561 2731 2731 1707 683 171 24 2 260 1171 2341 2731 2048 1024 341 73 9 1 173 867 1951 2601 2276 1366 569 163 30 3 0 23 171 599 1299 1948 2143 1786 1148 574 223 0.40 168 896 2090 2787 2322 1239 413 79 7 101 605 1612 2508 2508 1672 743 212 35 3 60 403 1209 2150 2508 2007 1115 425 106 16 1 5 47 219 634 1268 1859 2066 1771 1181 612 0.45 84 548 1569 2568 2627 1719 703 164 17 46 339 1110 2119 2600 2128 1160 407 83 8 25 207 763 1665 2384 2340 1596 746 229 42 3 1 16 90 318 780 1404 1914 2013 1647 1048 0.50 39 312 1094 2188 2734 2188 1094 312 39 20 176 703 1641 2461 2461 1641 703 176 20 10 98 439 1172 2051 2461 2051 1172 439 98 10 0 5 32 139 417 916 1527 1964 164 1527
10
15
8 7 6 5 4 3 2 1 0 9 8 7 6 5 4 3 2 1 0 10 9 8 7 6 5 4 3 2 1 0 15 14 13 12 11 10 9 8 7 6
10
15

TABLA E: (continuacin) N 20 k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 0.01 8179 1652 159 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7778 1964 238 18 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.05 3585 3474 1887 596 133 22 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2774 3650 2305 930 269 60 10 1 0 0 0 0 0 0 0 0 0 0 0 0 0.10 1216 2702 2852 1901 898 319 89 20 4 1 0 0 0 0 0 0 0 0 0 0 0 718 1994 2659 2265 1384 646 239 72 18 4 1 0 0 0 0 0 0 0 0 0 0.15 388 1368 2293 2428 1821 1028 454 160 46 11 2 0 0 0 0 0 0 0 0 0 0 172 759 1607 2174 2110 1564 920 441 175 58 16 4 1 0 0 0 0 0 0 0 p 0.20 115 576 1369 2054 2182 1746 1091 545 222 74 20 5 1 0 0 0 0 0 0 0 0 38 236 708 1358 1867 1960 1633 1108 623 294 118 40 12 3 1 0 0 0 0 0 0.25 32 211 669 1339 1897 2023 1686 1124 609 271 99 30 8 2 0 0 0 0 0 0 0 8 63 251 641 1175 1645 1828 1654 1241 781 417 189 74 25 7 2 0 0 0 0 0.30 8 68 278 716 1304 1789 1916 1643 1144 654 308 120 39 10 2 0 0 0 0 0 0 1 14 74 243 572 1030 1472 1712 1651 1336 916 536 268 115 42 13 4 1 0 0 1/3 3 30 143 429 911 1457 1821 1821 1480 987 543 247 92 28 7 1 0 0 0 0 0 0 5 30 114 313 658 1096 1487 1673 1580 1264 862 503 251 108 40 12 3 1 0 0.40 0 5 31 123 350 746 1244 1659 1797 1597 1171 710 355 146 49 13 3 0 0 0 0 0 0 4 19 71 199 442 800 1200 1511 1612 1465 1140 760 434 212 88 31 9 2 0.45 0 1 8 40 139 365 746 1221 1623 1771 1593 1185 727 366 150 49 13 2 0 0 0 0 0 1 4 18 63 172 381 701 1084 1419 1583 1511 1236 867 520 266 115 42 13 0.50 0 0 2 11 46 148 370 739 1201 1602 1762 1602 1201 739 370 148 46 11 2 0 0 0 0 0 1 4 16 53 143 322 609 974 1328 1550 1550 1328 974 609 322 143 53
25
20 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 25 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6
Estadstica No Paramtrica Aplicada a la Ganadera - 167 TABLA E: (continuacin) 0.25 0.30 1/3 0.40 0.45 0.50 2 0 0 0 0 0 30 30 18 3 1 0 0 0 29 86 18 6 0 0 0 28 269 72 26 3 0 0 27 604 208 89 12 2 0 26 1047 464 232 41 8 1 25 1455 829 484 115 29 6 24 1662 1219 829 263 81 19 23 1593 1501 1192 505 191 55 22 1298 1573 1457 823 382 133 21 909 1416 1530 1152 656 280 20 551 1103 1391 1396 976 509 19 291 749 1101 1474 1265 805 18 134 444 762 1360 1433 1115 17 54 231 463 1101 1424 1354 16 19 106 247 783 1242 1445 15 6 42 116 489 953 1354 14 2 15 48 269 642 1115 13 0 5 17 129 379 805 12 0 1 5 54 196 509 11 0 0 1 20 88 280 10 0 0 0 6 34 133 9 0 0 0 1 12 55 8 0 0 0 0 3 19 7 0 0 0 0 1 6 6 0 0 0 0 0 1 5 0 0 0 0 0 0 4 0 0 0 0 0 0 3 0 0 0 0 0 0 2 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0.75 0.70 2/3 0.60 0.55 0.50 k N p Reproducida de Hammond, K.R. Householder, J.E. Y Castellan, N.J. Jr. Introduction to the statistical method, 2a. Ed.,A.A Knopf. Nueva york, 1970, con autorizacin de los autores y edit. N 30 k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0.01 7397 2242 328 31 2 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.99 0.05 2146 3389 2586 1270 451 124 27 5 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.95 0.10 424 1413 2277 2361 1771 1023 474 180 58 16 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.90 0.15 76 404 1034 1703 2028 1861 1368 828 420 181 67 22 6 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.85 p 0.20 12 93 337 785 1325 1723 1795 1538 1106 676 355 161 64 22 7 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.80

TABLA F: V alores crticos de D en la prueba de Kolmogorov-Smirnov para una muestra. Tamao de la Nivel de significacin para D = mximo |F0(X) - SN(X)| muestra (N) 0.20 0.15 0.10 0.05 0.01 1 0.900 0.925 0.950 0.975 0.995 2 0.684 0.726 0.776 0.842 0.929 3 0.565 0.597 0.642 0.708 0.828 4 0.494 0.525 5.564 0.624 0.733 5 0.446 0.474 0.510 0.565 0.669 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 25 30 35 ms de 35 0.410 0.381 0.358 0.339 0.322 0.307 0.295 0.284 0.274 0.266 0.258 0.250 0.244 0.237 0.231 0.21 0.19 0.18 0.436 0.405 0.381 0.360 0.342 0.326 0.313 0.302 0.292 0.283 0.274 0.266 0.259 0.252 0.246 0.22 0.20 0.19 0.470 0.438 0.411 0.388 0.368 0.352 0.338 0.325 0.314 0.304 0.295 0.286 0.278 0.272 0.264 0.24 0.22 0.21 0.521 0.486 0.457 0.432 0.410 0.391 0.375 0.361 0.349 0.338 0.328 0.318 0.309 0.301 0.294 0.27 0.24 0.23 0.618 0.577 0.543 0.514 0.490 0.468 0.450 0.433 0.418 0.404 0.392 0.381 0.371 0.363 0.356 0.32 0.29 0.27
107 . N
114 . N
122 . N
136 . N
163 . N
Adaptada de Massey FJ Jr "The Kolmogorov-Smirnov test for goodness of
Estadstica No Paramtrica Aplicada a la Ganadera - 169 TABLA G: Valores crticos de r en la prueba de Series Los diferentes valores crticos de r estn proporcionados en las tablas para valores de m y n menores o iguales a 20. Para la prueba de series de una muestra, cualquier valor observado de r que sea menor o igual al valor ms pequeo, o que sea mayor o igual al valor ms grande en un par, es significativo en el nivel = 0.05.
m n 2 2 8 9 10 11 12 13 14 15 16 17 18 19 2 2 2 2 2 2 2 2 -- -- -- -- -- -- -- -3 2 2 2 2 2 2 2 2 2 3 3 3 3 3 -- -- -- -- -- -- -- -- -- -- -- -- -- -4 2 2 2 3 3 3 3 3 3 3 3 4 4 4 4 9 9 -- -- -- -- -- -- -- -- -- -- -- -- -5 2 2 3 3 3 3 3 4 4 4 4 4 4 4 5 5 9 10 10 11 11 -- -- -- -- -- -- -- -- -- -- -6 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 6 -- 9 10 11 12 12 13 13 13 13 -- -- -- -- -- -- -7 2 2 3 3 3 4 4 5 5 5 5 5 6 6 6 6 6 -- -- 11 12 13 13 14 14 14 14 15 15 15 -- -- -- -8 2 3 3 3 4 4 5 5 5 6 6 6 6 6 7 7 7 -- -- 11 12 13 14 14 15 15 16 16 16 16 17 17 17 17 9 2 3 3 4 4 5 5 5 6 6 6 7 7 7 7 8 8 -- -- -- 13 14 14 15 16 16 16 17 17 18 18 18 18 18 10 2 3 3 4 5 5 5 6 6 7 7 7 7 8 8 8 8 -- -- -- 13 14 15 16 16 17 17 18 18 18 19 19 19 20 11 2 3 4 4 5 5 6 6 7 7 7 8 8 8 9 9 9 -- -- -- 13 14 15 16 17 17 18 19 19 19 20 20 20 21 12 2 2 3 4 4 5 6 6 7 7 7 8 8 8 9 9 9 10 -- -- -- -- 13 14 16 16 17 18 19 19 20 20 21 21 21 22 13 2 2 3 4 5 5 6 6 7 7 8 8 9 9 9 10 10 10 -- -- -- -- -- 15 16 17 18 19 19 20 20 21 21 22 22 23 14 2 2 3 4 5 5 6 7 7 8 8 9 9 9 10 10 10 11 -- -- -- -- -- 15 16 17 18 19 20 20 21 22 22 23 23 23 15 2 3 3 4 5 6 6 7 7 8 8 9 9 10 10 11 11 11 -- -- -- -- -- 15 16 18 18 19 20 21 22 22 23 23 24 24 16 2 3 4 4 5 6 6 7 8 8 9 9 10 10 11 11 11 12 -- -- -- -- -- -- 17 18 19 20 21 21 22 23 23 24 25 25 17 2 3 4 4 5 6 7 7 8 9 9 10 10 11 11 11 12 12 -- -- -- -- -- -- 17 18 19 20 21 22 23 23 24 25 25 26 18 2 3 4 5 5 6 7 8 8 9 9 10 10 11 11 12 12 13 -- -- -- -- -- -- 17 18 19 20 21 22 23 24 25 25 26 26 19 2 3 4 5 6 6 7 8 8 9 10 10 11 11 12 12 13 13 -- -- -- -- -- -- 17 18 20 21 22 23 23 24 25 26 26 27 20 2 3 4 5 6 6 7 8 9 9 10 10 11 12 12 13 13 13 -- -- -- -- -- -- 17 18 20 21 22 23 24 25 25 26 27 27 Adaptado de Sw ed y E isenhart, C ., "Tables for testing random ness of grouping in a sequence ofalternatives" E nAnnals ofM athem aticalStatistics N 14 1943 3 4 5 6 7 20 2 -3 -4 -5 -6 -6 -7 17 8 18 9 20 9 21 10 22 10 23 11 24 12 25 12 25 13 26 13 27 13 27 14 28

:V alores crticos de T para la prueba de rangos asignados de Wilcoxon. Tabla H + + Las entradas de la tabla para una N dada es P[T >=c], la probabilidad de que T sea m ayor o igual a la sum a de c. N c 3 4 5 6 7 8 9 3 0.6250 4 0.3750 5 0.2500 0.5625 6 0.1250 0.4375 7 0.3125 8 0.1875 0.5000 9 0.1250 0.4063 10 0.0625 0.3125 11 0.2188 0.5000 12 0.1563 0.4219 13 0.0938 0.3438 14 0.0625 0.2813 0.5313 15 0.0313 0.2188 0.4688 16 0.1563 0.4063 17 0.1094 0.3438 18 0.0781 0.2891 0.5273 19 0.0469 0.2344 0.4727 20 0.0313 0.1875 0.4219 21 0.0156 0.1484 0.3711 22 0.1094 0.3203 23 0.0781 0.2734 0.5000 24 0.0547 0.2305 0.4551 25 0.0391 0.1914 0.4102 26 0.0234 0.1563 0.3672 27 0.0156 0.1250 0.3262 28 0.0078 0.0977 0.2852 29 0.0742 0.2480 30 0.0547 0.2129 31 0.0391 0.1797 32 0.0273 0.1504 33 0.0195 0.1250 34 0.0117 0.1016 35 0.0078 0.0820 36 0.0039 0.0645 37 0.0488 38 0.0371 39 00273
+
Estadstica No Paramtrica Aplicada a la Ganadera - 171 Continuacin.... N c 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 10 0,5000 0,4609 0,4229 0,3848 0,3477 0,3125 0,2783 0,2461 0,2158 0,1875 0,1611 0,1377 0,1162 0,0967 0,0801 0,0654 0,0527 0,0420 0,0322 0,0244 0,0186 0,0137 0,0098 0,0068 0,0049 0,0029 0,0020 0,0010 11 12 13 14 15
0,5171 0,4829 0,4492 0,4155 0,3823 0,3501 0,3188 0,2886 0,2598 0,2324 0,2065 0,1826 0,1602 0,1392 0,1201 0,1030 0,0874 0,0737 0,0615 0,0508 0,0415 0,0337 0,0269 0,0210 0,0161 0,0122 0,0093 0,0068 0,0049 0,0034 0,0024 0,0015 0,0010 0,0005
0,5151 0,4849 0,4548 0,4250 0,3955 0,3667 0,3386 0,3110 0,2847 0,2593 0,2349 0,2119 0,1902 0,1697 0,1506 0,1331 0,1167 0,1018 0,0881 0,0757 0,0647 0,0549 0,0461 0,0386 0,0320 0,0261 0,0212 0,0171 0,0134 0,0105 0,0081 0,0061 0,0046 0 0034
0,5000 0,4730 0,4463 0,4197 0,3934 0,3677 0,3424 0,3177 0,2939 0,2709 0,2487 0,2274 0,2072 0,1879 0,1698 0,1527 0,1367 0,1219 0,1082 0,0955 0,0839 0,0732 0,0636 0,0549 0,0471 0,0402 0 0341
0,5000 0,4758 0,4516 0,4276 0,4039 0,3804 0,3574 0,3349 0,3129 0,2915 0,2708 0,2508 0,2316 0,2131 0,1955 0,1788 0,1629 0,1479 0,1338 0 1206
0,5110 0,4890 0,4670 0,4452 0,4235 0,4020 0,3808 0,3599 0,3394 0,3193 0,2997 0,2807 0 2622
C o ntinu ac i n ... c 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 13 0,0085 0,0067 0,0052 0,0040 0,0031 0,0023 0,0017 0,0012 0,0009 0,0006 0,0004 0,0002 0,0001 N 14 0,0520 0,0453 0,0392 0,0338 0,0290 0,0247 0,0209 0,0176 0,0148 0,0123 0,0101 0,0083 0,0067 0,0054 0,0043 0,0034 0,0026 0,0020 0,0015 0,0012 0,0009 0,0006 0,0004 0,0003 0,0002 0,0001 0,0001 15 0,1514 0,1384 0,1262 0,1147 0,1039 0,0938 0,0844 0,0757 0,0677 0,0603 0,0535 0,0473 0,0416 0,0365 0,0319 0,0277 0,0240 0,0206 0,0177 0,0151 0,0128 0,0108 0,0090 0,0075 0,0062 0,0051 0,0042 0,0034 0,0027 0,0021 0,0017 0,0013 0,0010 0,0008 0,0006 0,0004 0,0003 0,0002 0 0002
Estadstica No Paramtrica Aplicada a la Ganadera - 173 TABLA I: Probabilidades para tablas de cuatro entradas, X - S1 prueba de Fisher, N 15. N: Tamao de muestra; S 1 : Es el total marginal pequeo; S 2 : Es el siguiente ms pequeo; - X: Frecuencia en la celda correspondiente a los dos totales ms pequeos. Para un conjunto dado de N, los valores po- S2 - N sibles S 1 y S de X son 0,1,2,..., S 1 . Bajo la lnea de cada 2 conjunto est un valor de X tal que X S1 ( S2 X ) ( N S1 ) ; mientras que para valores mayores X S1 > ( S2 X ) ( N S1 ) . Estos puntos de corte definen direcciones iguales y opuestas de igualdad de las proporciones en las dos muestras. La probabilidad acumulativa de una desviacin tan grande o ms grande en la misma direccin de la igualdad de las proporciones, est en la columna rotulada Obs.; mientras que la probabilidad de una desviacin tan grande o ms grande en la direccin opuesta de la igualdad de las proporciones est en la columna rotulada Otra. El tamao de la desviacin aqu se mide por el valor absoluto de X S ( S X ) ( N S ) Estas tablas se tomaron de tablas ms extensas preparadas por Donald Goyette y M. Ray Mickey. Health Science Computing Facility, UCLA.
1 1 2 1
N S1 S2 X 2 1 1 0 1 3 1 1 0 1 4 1 1 0 1 4 1 2 0 1 4 2 2 0 1 2 5 1 1 0 1 5 1 2 0 1 5 2 2 0 1 2 6 1 1 0 1 6 1 2 0 1 6 1 3 0 1 6 2 2 0 1 2 6 2 3 0 1 2 6 3 3 0 1 2 3 7 1 1 0 1 7 1 2 0 1 7 1 3 0 1
Probabilidad Obs. Otra Totales 0.500 0.500 1.000 0.500 0.500 1.000 0.667 0.333 1.000 0.333 0.000 0.333 0.750 0.250 1.000 0.250 0.000 0.250 0.500 0.500 1.000 0.500 0.500 1.000 0.167 0.167 0.334 0.833 0.833 1.666 0.167 0.167 0.334 0.800 0.200 1.000 0.200 0.000 0.200 0.600 0.400 1.000 0.400 0.000 0.400 0.300 0.100 0.400 0.700 0.300 1.000 0.100 0.000 0.100 0.833 0.167 1.000 0.167 0.000 0.167 0.667 0.333 1.000 0.333 0.000 0.333 0.500 0.500 1.000 0.500 0.500 1.000 0.400 0.067 0.467 0.600 0.400 1.000 0.067 0.000 0.067 0.200 0.200 0.400 0.800 0.800 1.600 0.200 0.200 0.400 0.050 0.050 0.100 0.500 0.500 1.000 0.500 0.500 1.000 0.050 5.050 5.100 0.857 0.143 1.000 0.143 0.000 0.143 0.714 0.286 1.000 0.286 0.000 0.286 0.571 0.429 1.000 0.429 0.000 0.429
N S1 S2 X 7 2 2 0 1 2 7 2 3 0 1 2 7 3 3 0 1 2 3 8 1 1 0 1 8 1 2 0 1 8 1 3 0 1 8 1 4 0 1 8 2 2 0 1 2 8 2 3 0 1 2 8 2 4 0 1 2 8 3 3 0 1 2 3 8 3 4 0 1 2 3 8 4 4 0 1 2 3 4
Probabilidad Obs. Otra Totales 0.476 0.048 0.524 0.524 0.476 1.000 0.048 0.000 0.048 0.286 0.143 0.429 0.714 0.286 1.000 0.143 0.000 0.143 0.114 0.029 0.143 0.629 0.371 1.000 0.371 0.114 0.485 0.029 0.000 0.029 0.875 0.125 1.000 0.125 0.000 0.125 0.750 0.250 1.000 0.250 0.000 0.250 0.625 0.375 1.000 0.375 0.000 0.375 0.500 0.500 1.000 0.500 0.500 1.000 0.536 0.464 1.000 0.464 0.536 1.000 0.036 0.000 0.036 0.357 0.107 0.464 0.643 0.357 1.000 0.107 0.000 0.107 0.214 0.214 0.428 0.786 0.786 1.572 0.214 0.214 0.428 0.179 0.018 0.197 0.714 0.286 1.000 0.286 0.179 0.465 0.018 0.000 0.018 0.071 0.071 0.142 0.500 0.500 1.000 0.500 0.500 1.000 0.071 0.071 0.142 0.014 0.014 0.028 0.243 0.243 0.486 0.757 0.757 1.514 0.243 0.243 0.486 0.014 0.014 0.028
N S1 S2 X 9 1 1 0 1 9 1 2 0 1 9 1 3 0 1 9 1 4 0 1 9 2 2 0 1 2 9 2 3 0 1 2 9 2 4 0 1 2 9 3 3 0 1 2 3 9 3 4 0 1 2 3 9 4 4 0 1 2 3 4 10 1 1 0 1 10 1 2 0 1 10 1 3 0 1 10 1 4 0 1 10 1 5 0 1
Probabilidad Obs. Otra Totale 0.889 0.111 1.000 0.111 0.000 0.111 0.778 0.222 1.000 0.222 0.000 0.222 0.667 0.333 1.000 0.333 0.000 0.333 0.556 0.444 1.000 0.444 0.000 0.444 0.583 0.417 1.000 0.417 0.000 0.417 0.028 0.000 0.028 0.417 0.083 0.500 0.583 0.417 1.000 0.083 0.000 0.083 0.278 0.167 0.445 0.722 0.278 1.000 0.167 0.000 0.167 0.238 0.226 0.464 0.774 0.774 1.548 0.226 0.238 0.464 0.012 0.000 0.012 0.119 0.048 0.167 0.595 0.450 1.045 0.405 0.119 0.524 0.048 0.000 0.048 0.040 0.008 0.048 0.357 0.167 0.524 0.643 0.357 1.000 0.167 0.040 0.207 0.008 0.000 0.008 0.900 0.100 1.000 0.100 0.000 0.100 0.800 0.200 1.000 0.200 0.000 0.200 0.700 0.300 1.000 0.300 0.000 0.300 0.600 0.400 1.000 0.400 0.000 0.400 0.500 0.500 1.000 0.500 0.500 1.000

TABLA I: (continuacin) Probabilidad N S1 S2 X Obs. Otra Totales 10 2 2 0 0.622 0.378 1.000 1 0.378 0.000 0.378 2 0.022 0.000 0.022 10 2 3 0 0.467 0.067 0.534 1 0.533 0.467 1.000 2 0.067 0.000 0.067 10 2 4 0 0.333 0.133 0.466 1 0.667 0.333 1.000 2 0.133 0.000 0.133 10 2 5 0 0.222 0.222 0.444 1 0.788 0.778 1.566 2 0.222 0.222 0.444 10 3 3 0 0.292 0.183 0.475 1 0.708 0.292 1.000 2 0.183 0.000 0.183 3 0.008 0.000 0.008 10 3 4 0 0.167 0.033 0.200 1 0.667 0.333 1.000 2 0.333 0.167 0.500 3 0.033 0.000 0.033 10 3 5 0 0.083 0.083 0.166 1 0.500 0.500 1.000 2 0.500 0.500 1.000 3 0.083 0.083 0.166 10 4 4 0 0.074 0.005 0.079 1 0.452 0.119 0.571 2 0.548 0.452 1.000 3 0.119 0.071 0.190 4 0.005 0.000 0.005 10 4 5 0 0.024 0.024 0.048 1 0.262 0.262 0.524 2 0.738 0.738 1.476 3 0.262 0.262 0.524 4 0.024 0.024 0.048 10 5 5 0 0.004 0.004 0.008 1 0.103 0.103 0.206 2 0.500 0.500 1.000 3 0.500 0.500 1.000 4 0.103 0.103 0.206 5 0.004 0.004 0.008 11 1 1 0 0.909 0.091 1.000 1 0.091 0.000 0.091 11 1 2 0 0.818 0.182 1.000 1 0.182 0.000 0.182 11 1 3 0 0.727 0.273 1.000 1 0.273 0.000 0.273 11 1 4 0 0.636 0.364 1.000 1 0.364 0.000 0.364 11 1 5 0 0.545 0.455 1.000 1 0.455 0.000 0.455 11 2 2 0 0.655 0.345 1.000 1 0.345 0.000 0.345 2 0.018 0.000 0.018 11 2 3 0 0.509 4.055 4.564 1 0.491 0.509 1.000 2 0 055 0 000 0 055 Probabilidad N S1 S2 X Obs. Otra Totales 11 3 4 0 0.212 0.024 0.236 1 0.721 0.279 1.000 2 0.279 0.212 0.491 3 0.024 0.000 0.024 11 3 5 0 0.121 0.061 0.182 1 0.576 0.424 1.000 2 0.424 0.121 0.545 3 0.061 0.000 0.061 11 4 4 0 0.106 0.088 0.194 1 0.530 0.470 1.000 2 0.470 0.106 0.576 3 0.088 0.000 0.088 4 0.003 0.000 0.003 11 4 5 0 0.045 0.015 0.060 1 0.348 0.197 0.545 2 0.652 0.348 1.000 3 0.197 0.045 0.242 4 0.015 0.000 0.015 11 5 5 0 0.013 0.002 0.015 1 0.175 0.067 0.242 2 0.608 0.392 1.000 3 0.392 0.175 0.567 4 0.067 0.013 0.080 5 0.002 0.000 0.002 12 1 1 0 0.917 0.083 1.000 1 0.083 0.000 0.083 12 1 2 0 0.833 0.167 1.000 1 0.167 0.000 0.167 12 1 3 0 0.750 0.250 1.000 1 0.250 0.000 0.250 12 1 4 0 0.667 0.333 1.000 1 0.333 0.000 0.333 12 1 5 0 0.583 0.417 1.000 1 0.417 0.000 0.417 12 1 6 0 0.500 0.500 1.000 1 0.500 0.500 1.000 12 2 2 0 0.682 0.318 1.000 1 0.318 0.000 0.318 2 0.015 0.000 0.015 12 2 3 0 0.545 0.455 1.000 1 0.455 0.545 1.000 2 0.045 0.000 0.045 12 2 4 0 0.424 0.091 0.515 1 0.576 0.424 1.000 2 0.091 0.000 0.091 12 2 5 0 0.318 0.152 0.470 1 0.682 0.318 1.000 2 0.152 0.000 0.152 12 2 6 0 0.227 0.227 0.454 1 0.773 0.773 1.546 2 0.227 0.227 0.454 12 3 3 0 0.382 0.127 0.509 1 0.618 0.382 1.000 2 0.127 0.000 0.127 3 0.005 0.000 0.005 12 3 4 0 0 255 0 236 0 491 Probabilidad Obs. Otra Totales 0.091 0.091 0.182 0.141 0.067 0.208 0.594 0.406 1.000 0.406 0.141 0.547 0.067 0.000 0.067 0.002 0.000 0.002 0.071 0.010 0.081 0.424 0.152 0.576 0.576 0.424 1.000 0.152 0.171 0.323 0.010 0.000 0.010 0.030 0.030 0.060 0.273 0.273 0.546 0.727 0.727 1.454 0.273 0.273 0.546 0.030 0.030 0.060 0.027 0.001 0.028 0.247 0.045 0.292 0.689 0.311 1.000 0.311 0.247 0.558 0.045 0.027 0.072 0.001 0.000 0.001 0.008 0.008 0.016 0.121 0.121 0.242 0.500 0.500 1.000 0.500 0.500 1.000 0.121 0.121 0.242 0.008 0.008 0.016 0.001 0.001 0.002 0.040 0.040 0.080 0.284 0.284 0.568 0.716 0.716 1.432 0.284 0.284 0.568 0.040 0.040 0.080 0.001 0.001 0.002 0.923 0.077 1.000 0.077 0.000 0.077 0.846 0.154 1.000 0.154 0.000 0.154 0.769 0.231 1.000 0.231 0.000 0.231 0.692 0.308 1.000 0.308 0.000 0.308 0.615 0.385 1.000 0.385 0.000 0.385 0.538 0.462 1.000 0.462 0.000 0.462 0.705 0.295 1.000 0.295 0.000 0.295 0.013 0.000 0.013 0.577 0.423 1.000 0.423 0.000 0.423 0.038 0.000 0.038 0.462 0.077 0.539 0.538 0.462 1.000 0 077 0 000 0 077
N S1 S2 X 3 12 4 4 0 1 2 3 4 12 4 5 0 1 2 3 4 12 4 6 0 1 2 3 4 12 5 5 0 1 2 3 4 5 12 5 6 0 1 2 3 4 5 12 6 6 0 1 2 3 4 5 6 13 1 1 0 1 13 1 2 0 1 13 1 3 0 1 13 1 4 0 1 13 1 5 0 1 13 1 6 0 1 13 2 2 0 1 2 13 2 3 0 1 2 13 2 4 0 1 2
Estadstica No Paramtrica Aplicada a la Ganadera - 175 TABLA I: (continuacin) Probabilidad N S1 S2 X Obs. Otra Totales 13 3 4 0 0.294 0.203 0.497 1 0.706 0.294 1.000 2 0.203 0.000 0.203 3 0.014 0.000 0.014 13 3 5 0 0.196 0.035 0.231 1 0.685 0.315 1.000 2 0.315 0.196 0.511 3 0.035 0.000 0.035 13 3 6 0 0.122 0.070 0.192 1 0.563 0.437 1.000 2 0.437 0.122 0.559 3 0.070 0.000 0.070 13 4 4 0 0.176 0.052 0.228 1 0.646 0.354 1.000 2 0.354 0.176 0.530 3 0.052 0.000 0.052 4 0.001 0.000 0.001 13 4 5 0 0.098 0.007 0.105 1 0.490 0.119 0.609 2 0.510 0.490 1.000 3 0.119 0.098 0.217 4 0.007 0.000 0.007 13 4 6 0 0.049 0.021 0.070 1 0.343 0.217 0.560 2 0.657 0.343 1.000 3 0.217 0.049 0.266 4 0.021 0.000 0.021 13 5 5 0 0.044 0.032 0.076 1 0.315 0.249 0.564 2 0.685 0.315 1.000 3 0.249 0.044 0.293 4 0.032 0.000 0.032 5 0.001 0.000 0.001 13 5 6 0 0.016 0.005 0.021 1 0.179 0.086 0.265 2 0.587 0.413 1.000 3 0.413 0.179 0.592 4 0.086 0.016 0.102 5 0.005 0.000 0.005 13 6 6 0 0.004 0.001 0.005 1 0.078 0.025 0.103 2 0.383 0.209 0.592 3 0.617 0.383 1.000 4 0.209 0.078 0.287 5 0.025 0.004 0.029 6 0.001 0.000 0.001 14 1 1 0 0.929 0.071 1.000 1 0.071 0.000 0.071 14 1 2 0 0.857 0.143 1.000 1 0.143 0.000 0.143 14 1 3 0 0.786 0.214 1.000 1 0.214 0.000 0.214 14 1 4 0 0.714 0.286 1.000 1 0.286 0.000 0.286 14 1 5 0 0.643 0.357 1.000 1 0 357 0 000 0 357 Probabilidad Obs. Otra Totales 0.495 0.066 0.561 0.505 0.495 1.000 0.066 0.000 0.066 0.396 0.110 0.506 0.604 0.396 1.000 0.110 0.000 0.110 0.308 0.165 0.473 0.692 0.308 1.000 0.165 0.000 0.165 0.231 0.231 0.462 0.769 0.769 1.538 0.231 0.231 0.462 0.453 0.093 0.546 0.547 0.453 1.000 0.093 0.000 0.093 0.003 0.000 0.003 0.330 0.176 0.506 0.670 0.330 1.000 0.176 0.000 0.176 0.011 0.000 0.011 0.231 0.027 0.258 0.725 0.275 1.000 0.275 0.231 0.506 0.027 0.000 0.027 0.154 0.055 0.209 0.615 0.385 1.000 0.385 0.154 0.539 0.055 0.000 0.055 0.096 0.096 0.192 0.500 0.500 1.000 0.500 0.500 1.000 0.096 0.096 0.192 0.210 0.041 0.251 0.689 0.311 1.000 0.311 0.210 0.521 0.041 0.000 0.041 0.001 0.000 0.001 0.126 0.095 0.221 0.545 0.455 1.000 0.455 0.126 0.581 0.095 0.000 0.095 0.005 0.000 0.005 0.070 0.015 0.085 0.406 0.175 0.581 0.594 0.406 1.000 0.175 0.070 0.245 0.015 0.000 0.015 0.035 0.035 0.070 0.280 0.280 0.560 0.720 0.280 1.000 0.280 0.280 0.560 0.035 0.035 0.070 0.063 0.023 0.086 0.378 0.203 0.581 0.622 0.378 1.000 0 203 0 063 0 266 Probabilidad Obs. Otra Totales 0.500 0.500 1.000 0.500 0.500 1.000 0.133 0.133 0.266 0.010 0.010 0.020 0.009 0.000 0.009 0.121 0.016 0.137 0.471 0.156 0.627 0.529 0.471 1.000 0.156 0.121 0.277 0.016 0.009 0.025 0.000 0.000 0.000 0.002 0.002 0.004 0.051 0.051 0.102 0.296 0.296 0.592 0.704 0.296 1.000 0.296 0.296 0.592 0.051 0.051 0.102 0.002 0.002 0.004 0.000 0.000 0.000 0.015 0.015 0.030 0.143 0.143 0.286 0.500 0.500 1.000 0.500 0.500 1.000 0.143 0.143 0.286 0.015 0.015 0.030 0.000 0.000 0.000 0.933 0.067 1.000 0.067 0.000 0.067 0.867 0.133 1.000 0.133 0.000 0.133 0.800 0.200 1.000 0.200 0.000 0.200 0.733 0.267 1.000 0.267 0.000 0.267 0.667 0.333 1.000 0.333 0.000 0.333 0.600 0.400 1.000 0.400 0.000 0.400 0.533 0.467 1.000 0.467 0.000 0.467 0.743 0.257 1.000 0.257 0.000 0.257 0.010 0.000 0.010 0.629 0.371 1.000 0.371 0.000 0.371 0.029 0.000 0.029 0.524 0.057 0.581 0.476 0.524 1.000 0.057 0.000 0.057 0.429 0.095 0.524 0.571 0.429 1.000 0.095 0.000 0.095 0.343 0.143 0.486 0.657 0.343 1.000 0.143 0.000 0.143 0 267 0 200 0 467
N S1 S2 X 12 2 4 0 1 2 14 2 5 0 1 2 14 2 6 0 1 2 14 2 7 0 1 2 14 3 3 0 1 2 3 14 3 4 0 1 2 3 14 3 5 0 1 2 3 14 3 6 0 1 2 3 14 3 7 0 1 2 3 14 4 4 0 1 2 3 4 14 4 5 0 1 2 3 4 14 4 6 0 1 2 3 4 14 4 7 0 1 2 3 4 14 5 5 0 1 2 3
N S1 S2 X 2 3 4 5 14 6 6 0 1 2 3 4 5 6 14 6 7 0 1 2 3 4 5 6 14 7 7 0 1 2 3 4 5 6 7 15 1 1 0 1 15 1 2 0 1 15 1 3 0 1 15 1 4 0 1 15 1 5 0 1 15 1 6 0 1 15 1 7 0 1 15 2 2 0 1 2 15 2 3 0 1 2 15 2 4 0 1 2 15 2 5 0 1 2 15 2 6 0 1 2 15 2 7 0
TA B L AI: (continuacin) Probabilidad N S1 S2 X O bs. O tra Totales 15 3 5 0 0.264 0.242 0.506 1 0.758 0.758 1.516 2 0.242 0.264 0.506 3 0.022 0.000 0.022 15 3 6 0 0.185 0.044 0.229 1 0.659 0.341 1.000 2 0.341 0.185 0.526 3 0.044 0.000 0.044 15 3 7 0 0.123 0.077 0.200 1 0.554 0.446 1.000 2 0.446 0.123 0.569 3 0.077 0.000 0.077 15 4 4 0 0.242 0.033 0.275 1 0.725 0.275 1.000 2 0.275 0.242 0.517 3 0.033 0.000 0.033 4 0.001 0.000 0.001 15 4 5 0 0.154 0.077 0.231 1 0.593 0.407 1.000 2 0.407 0.154 0.561 3 0.077 0.000 0.077 4 0.004 0.000 0.004 15 4 6 0 0.092 0.011 0.103 1 0.462 0.143 0.605
N S1 S2 X 2 3 4 15 4 7 0 1 2 3 4 15 5 5 0 1 2 3 4 5 15 5 6 0 1 2 3 4 5 15 5 7 0 1 2 3
Probabilidad O bs. O tra Totales 0.538 0.462 1.000 0.143 0.092 0.235 0.011 0.000 0.011 0.051 0.026 0.077 0.338 0.231 0.569 0.662 0.338 1.000 0.231 0.051 0.282 0.026 0.000 0.026 0.084 0.017 0.101 0.434 0.167 0.601 0.566 0.434 1.000 0.167 0.084 0.251 0.017 0.000 0.017 0.000 0.000 0.000 0.042 0.047 0.089 0.294 0.287 0.581 0.713 0.713 1.426 0.287 0.294 0.581 0.047 0.042 0.089 0.002 0.000 0.002 0.019 0.007 0.026 0.182 0.100 0.282 0.573 0.427 1.000 0.427 0.182 0.609
N S1 S2 X 4 5 15 6 6 0 1 2 3 4 5 6 15 6 7 0 1 2 3 4 5 6 15 7 7 0 1 2 3 4 5 6 7
Probabilidad O bs. O tra Totales 0.100 0.019 0.119 0.007 0.000 0.007 0.017 0.011 0.028 0.168 0.119 0.287 0.545 0.455 1.000 0.455 0.168 0.623 0.119 0.017 0.136 0.011 0.000 0.011 0.000 0.000 0.000 0.006 0.001 0.007 0.084 0.035 0.119 0.378 0.231 0.609 0.622 0.378 1.000 0.231 0.084 0.315 0.035 0.006 0.041 0.001 0.000 0.001 0.001 0.000 0.001 0.032 0.009 0.041 0.214 0.100 0.314 0.595 0.405 1.000 0.405 0.214 0.619 0.100 0.032 0.132 0.009 0.001 0.010 0.000 0.000 0.000
TABLA J: Probabilidades de los lados inferior y superior para Wx, el estadstico de la suma de rangos de W
.W X suma de rangos para el grupo ms pequeo. Las entradas son P W X C L y P WX CU es la m= 3 CL n = 3 CU n = 4 CU n = 5 CU n = 6 CU n = 7 CU n = 8 CU n = 9 CU n = 1

21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 0.0119 0.0238 0.0476 0.0833 0.1310 0.1905 0.2738 4.3571 0.4524 0.5476 0.6429 0.7262 0.8095 0.8690 0.9167 0.9524 0.9762 0.9881 1.0000 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 0.0083 0.0167 0.0333 0.0583 0.0917 0.1333 0.1917 0.2583 0.3333 0.4167 0.5000 0.5833 0.6667 0.7417 0.8083 0.8667 0.9083 0.9417 0.9667 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 0.0061 0.0121 0.0242 0.0424 0.0667 0.0970 0.1394 0.1879 0.2485 0.3152 0.3879 0.4606 0.5394 0.6121 0.6848 0.7515 0.8121 0.8606 0.9030 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 0.0045 0.0091 0.0182 0.0318 0.0500 0.0727 0.1045 0.1409 0.1864 0.2409 0.3000 0.3636 0.4318 0.5000 0.5682 0.6364 0.7000 0.7591 0.8136 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 0.003 0.007 0.014 0.024 0.038 0.055 0.080 0.108 0.143 0.185 0.234 0.286 0.346 0.405 0.468 0.53 0.594 0.653 0.713
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
0.0500 0.1000 0.2000 0.3500 0.5000 0.6500 0.8000 0.9000 0.9500 1.0000
15 14 13 12 11 10 9 8 7 6
0.0286 0.0571 0.1143 0.2000 0.3143 0.4286 0.5714 0.6857 0.8000 0.8857 0.9429 0.9714 1.0000
18 17 16 15 14 13 12 11 10 9 8 7 6
0.0179 0.0357 0.0714 0.1250 0.1964 0.2857 0.3929 0.5000 0.6071 0.7143 0.8036 0.8750 0.9286 0.9643 0.9821 1.0000
CL 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
n = 4 CU n = 5 CU 0,0143 0,0286 0,0571 0,1000 0,1714 0,2429 0,3429 0,4429 0,5571 0,6571 0,7571 0,8286 0,9000 0,9429 0,9714 0,9857 1,0000 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 0,0079 0,0159 0,0317 0,0556 0,0952 0,1429 0,2063 0,2778 0,3651 0,4524 0,5476 0,6349 0,7222 0,7937 0,8571 0,9048 0,9444 0,9683 0,9841 0,9921 1,0000 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10
n = 6 CU n = 7 0,0048 0,0095 0,0190 0,0333 0,0571 0,0857 0,1286 0,1762 0,2381 0,3048 0,3810 0,4571 0,5429 0,6190 0,6952 0,7619 0,8238 0,8714 0,9143 0,9429 0,9667 0,9810 0,9905 0,9952 1,0000 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 0,0030 0,0061 0,0121 0,0212 0,0364 0,0545 0,0818 0,1152 0,1576 0,2061 0,2636 0,3242 0,3939 0,4636 0,5364 0,6061 0,6758 0,7364 0,7939 0,8424 0,8848 0,9182 0,9455 0,9636 0,9788
m= 4 CU n = 8 CU n = 9 CU n = 10 CU 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 0,0020 0,0040 0,0081 0,0141 0,0242 0,0364 0,0545 0,0768 0,1071 0,1414 0,1838 0,2303 0,2848 0,3414 0,4040 0,4667 0,5333 0,5960 0,6586 0,7152 0,7697 0,8162 0,8586 0,8929 0,9232 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 0,0014 0,0028 0,0056 0,0098 0,0168 0,0252 0,0378 0,0531 0,0741 0,0993 0,1301 0,1650 0,2070 0,2517 0,3021 0,3552 0,4126 0,4699 0,5301 0,5874 0,6448 0,6979 0,7483 0,7930 0,8350 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 0,0010 0,0020 0,0040 0,0070 0,0120 0,0180 0,0270 0,0380 0,0529 0,0709 0,0939 0,1199 0,1518 0,1868 0,2268 0,2697 0,3177 0,3666 0,4196 0,4725 0,5275 0,5804 0,6334 0,6823 0,7303 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26
CL CU 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 n=7 0,0013 0,0025 0,0051 0,0088 0,0152 0,0240 0,0366 0,0530 0,0745 0,1010 0,1338 0,1717 0,2159 0,2652 0,3194 0,3775 0,4381 0,5000 0,5619 0,6225 0,6806 0,7348 0,7841 0,8283 0,8662 0,8990 n=8 0,0008 0,0016 0,0031 0,0054 0,0093 0,0148 0,0225 0,0326 0,0466 0,0637 0,0855 0,1111 0,1422 0,1772 0,2176 0,2618 0,3108 0,3621 0,4165 0,4716 0,5284 0,5835 0,6379 0,6892 0,7382 0,7824 CU 55 54 53 52 51 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 n 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
n=5 0,0040 0,0079 0,0159 0,0278 0,0476 0,0754 0,1111 0,1548 0,2103 0,2738 0,3452 0,4206 0,5000 0,5794 0,6548 0,7262 0,7897 0,8452 0,8889 0,9246 0,9524 0,9722 0,9841 0,9921 0,9960 1,0000
CU 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15
n=6 0,0022 0,0043 0,0087 0,0152 0,0260 0,0411 0,0628 0,0887 0,1234 0,1645 0,2143 0,2684 0,3312 0,3961 0,4654 0,5346 0,6039 0,6688 0,7316 0,7857 0,8355 0,8766 0,9113 0,9372 0,9589 0,9740
m=5 CU 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25
Tabla J: (Continuacin).
CL 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 n=6 0.0010 0.0022 0.0043 0.0076 0.0130 0.0206 0.0325 0.0465 0.0660 0.0898 0.1201 0.1548 0.1970 0.2424 0.2944 0.3496 0.4091 0.4686 0.5314 0.5909 0.6504 0.7056 0.7576 0.8030 0.8452 0.8799 0.9102 0.9340 0.9535 0.9675 0.9794 CU 57 56 55 54 53 52 51 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 n=7 0.0006 0.0012 0.0023 0.0041 0.0070 0.0111 0.0175 0.0256 0.0367 0.0507 0.0688 0.0903 0.1171 0.1474 0.1830 0.2226 0.2669 0.3141 0.3654 0.4178 0.4726 0.5274 0.5822 0.6346 0.6859 0.7331 0.7774 0.8170 0.8526 0.8829 0.9097 CU 63 62 61 60 59 58 57 56 55 54 53 52 51 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 m= 6 n=8 0.0003 0.0007 0.0013 0.0023 0.0040 0.0063 0.0100 0.0147 0.0213 0.0296 0.0406 0.0539 0.0709 0.0906 0.1142 0.1412 0.1725 0.2068 0.2454 0.2864 0.3310 0.3773 0.4259 0.4749 0.5251 0.5741 0.6227 0.6690 0.7136 0.7546 0.7932 CU 69 68 67 66 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 49 48 47 46 45 44 43 42 41 40 39 n = 9 CU 0.0002 75 0.0004 74 0.0008 73 0.0014 72 0.0024 71 0.0038 70 0.0060 69 0.0088 68 0.0128 67 0.0180 66 0.0248 65 0.0332 64 0.0440 63 0.0567 62 0.0723 61 0.0905 60 0.1119 59 0.1361 58 0.1638 57 0.1942 56 0.2280 55 0.2643 54 0.3035 53 0.3445 52 0.3878 51 0.4320 50 0.4773 49 0.5227 48 0.5680 47 0.6122 46 0.6555 45 n = 10 CU 0.0001 81 0.0002 80 0.0005 79 0.0009 78 0.0015 77 0.0024 76 0.0037 75 0.0055 74 0.0080 73 0.0112 72 0.0156 71 0.0210 70 0.0280 69 0.0363 68 0.0467 67 0.0589 66 0.0736 65 0.0903 64 0.1099 63 0.1317 62 0.1566 61 0.1838 60 0.2139 59 0.2461 58 0.2811 57 0.3177 56 0.3564 55 0.3962 54 0.4374 53 0.4789 52 0.5211 51
CL 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63
n=7 0,0003 0,0006 0,0012 0,0020 0,0035 0,0055 0,0087 0,0131 0,0189 0,0265 0,0364 0,0487 0,0641 0,0825 0,1043 0,1297 0,1588 0,1914 0,2279 0,2675 0,3100 0,3552 0,4024 0,4508 0,5000 0,5492 0,5976 0,6448 0,6900 0,7325 0,7721 0,8086 0,8412 0,8703 0,8957 0,9175
CU 77 76 75 74 73 72 71 70 69 68 67 66 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 49 48 47 46 45 44 43 42
n=8 0,0002 0,0003 0,0006 0,0011 0,0019 0,0030 0,0047 0,0070 0,0103 0,0145 0,0200 0,0270 0,0361 0,0469 0,0603 0,0760 0,0946 0,1159 0,1405 0,1678 0,1984 0,2317 0,2679 0,3063 0,3472 0,3894 0,4333 0,4775 0,5225 0,5667 0,6106 0,6528 0,6937 0,7321 0,7683 0,8016
m= 7 CU 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69 68 67 66 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 49
n=9 0,0001 0,0002 0,0003 0,0006 0,0010 0,0017 0,0026 0,0039 0,0058 0,0082 0,0115 0,0156 0,0209 0,0274 0,0356 0,0454 0,0571 0,0708 0,0869 0,1052 0,1261 0,1496 0,1755 0,2039 0,2349 0,2680 0,3032 0,3403 0,3788 0,4185 0,4591 0,5000 0,5409 0,5815 0,6212 0,6597
CU 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69 68 67 66 65 64 63 62 61 60 59 58 57 56
n = 10 0,0001 0,0001 0,0002 0,0004 0,0006 0,0010 0,0015 0,0023 0,0034 0,0048 0,0068 0,0093 0,0125 0,0165 0,0215 0,0277 0,0351 0,0439 0,0544 0,0665 0,0806 0,0966 0,1148 0,1349 0,1574 0,1819 0,2087 0,2374 0,2681 0,3004 0,3345 0,3698 0,4063 0,4434 0,4811 0,5189
CU 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69 68 67 66 65 64 63
CL 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76
n=8 0,0001 0,0002 0,0003 0,0005 0,0009 0,0015 0,0023 0,0035 0,0052 0,0074 0,0103 0,0141 0,0190 0,0249 0,0325 0,0415 0,0524 0,0652 0,0803 0,0974 0,1172 0,1393 0,1641 0,1911 0,2209 0,2527 0,2869 0,3227 0,3605 0,3992 0,4392 0,4796 0,5204 0,5608 0,6008 0,6395 0,6773 0,7131 0,7473 0,7791 0,8089
CU 100 99 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69 68 67 66 65 64 63 62 61 60
m=8 n=9 0,0000 0,0001 0,0002 0,0003 0,0005 0,0008 0,0012 0,0019 0,0028 0,0039 0,0056 0,0076 0,0103 0,0137 0,0180 0,0232 0,0296 0,0372 0,0464 0,0570 0,0694 0,0836 0,0998 0,1179 0,1383 0,1606 0,1852 0,2117 0,2404 0,2707 0,3029 0,3365 0,3715 0,4074 0,4442 0,4813 0,5187 0,5558 0,5926 0,6285 0,6635
CU 108 107 106 105 104 103 102 101 100 99 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74 73 72 71 70 69 68
n = 10 0,0000 0,0000 0,0001 0,0002 0,0003 0,0004 0,0007 0,0010 0,0015 0,0022 0,0031 0,0043 0,0058 0,0078 0,0103 0,0133 0,0171 0,0217 0,0273 0,0338 0,0416 0,0506 0,0610 0,0729 0,0864 0,1015 0,1185 0,1371 0,1577 0,1800 0,2041 0,2299 0,2574 0,2863 0,3167 0,3482 0,3809 0,4143 0,4484 0,4827 0,5173
CU 116 115 114 113 112 111 110 109 108 107 106 105 104 103 102 101 100 99 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76
CL 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67
n=9 0,0000 0,0000 0,0001 0,0001 0,0002 0,0004 0,0006 0,0009 0,0014 0,0020 0,0028 0,0039 0,0053 0,0071 0,0094 0,0122 0,0157 0,0200 0,0252 0,0313 0,0385 0,0470 0,0567
CU 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112 111 110 109 108 107 106 105 104
n = 10 0,0000 0,0000 0,0000 0,0001 0,0001 0,0002 0,0003 0,0005 0,0007 0,0011 0,0015 0,0021 0,0028 0,0038 0,0051 0,0066 0,0086 0,0110 0,0140 0,0175 0,0217 0,0267 0,0326
m= 9 CU CL 135 68 134 69 133 70 132 71 131 72 130 73 129 74 128 75 127 76 126 77 125 78 124 79 123 80 122 81 121 82 120 83 119 84 118 85 117 86 116 87 115 88 114 89 113 90
n=9 0,0680 0,0807 0,0951 0,1112 0,1290 0,1487 0,1701 0,1933 0,2181 0,2447 0,2729 0,3024 0,3332 0,3652 0,3981 0,4317 0,4657 0,5000 0,5343 0,5683 0,6019 0,6348 0,6668
CU 103 102 101 100 99 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81
n = 10 0,0394 0,0474 0,0564 0,0667 0,0782 0,0912 0,1055 0,1214 0,1388 0,1577 0,1781 0,2001 0,2235 0,2483 0,2745 0,3019 0,3304 0,3598 0,3901 0,4211 0,4524 0,4841 0,5159
CU 112 111 110 109 108 107 106 105 104 103 102 101 100 99 98 97 96 95 94 93 92 91 90
m = 10 CL 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 n = 10 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0002 0,0002 0,0004 0,0005 0,0008 0,0010 0,0014 0,0019 0,0026 0,0034 0,0045 0,0057 0,0073 0,0093 0,0116 0,0144 0,0177 0,0216 0,0262 0,0315 CU 155 154 153 152 151 150 149 148 147 146 145 144 143 142 141 140 139 138 137 136 135 134 133 132 131 130 CL 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 n = 10 0,0376 0,0446 0,0526 0,0615 0,0716 0,0827 0,0952 0,1088 0,1237 0,1399 0,1575 0,1763 0,1965 0,2179 0,2406 0,2644 0,2894 0,3153 0,3421 0,3697 0,3980 0,4267 0,4559 0,4853 0,5147 CU 129 128 127 126 125 124 123 122 121 120 119 118 117 116 115 114 113 112 111 110 109 108 107 106 105
Tabla K: Valores crticos de U para la prueba poderosa de rangos ordenados.
0.10 0.05 0.025 0.01
n
3 4 2.347 1.732 * 3.273 5 6 7 1.632 1.897 1.644 2.324 2.912 2.605 4.195 5.116 6.037 8 1.500 2.777 4.082 6.957 1.371 2.162 2.868 4.252 1.378 1.919 2.556 3.730 1.327 1.796 2.443 3.230 1.310 1.807 2.263 3.088 1.295 1.766 2.251 2.954 9 1.575 2.353 3.566 7.876 1.434 2.057 2.683 4.423 1.361 1.893 2.536 3.388 1.338 1.845 2.349 3.224 1.320 1.790 2.287 2.967 1.283 1.765 2.236 2.925 1.294 1.744 2.206 2.857 10 1.611 2.553 3.651 8.795 1.466 2.000 2.951 4.276 1.361 1.900 2.496 3.443 1.339 1.829 2.339 3.164 1.313 1.776 2.248 3.002 1.284 1.756 2.209 2.880 1.304 1.742 2.181 2.802 1.295 1.723 2.161 2.770 11 1.638 2.369 3.503 5.831 1.448 2.067 2.776 4.017 1.340 1.891 2.497 3.435 1.320 1.833 2.337 3.161 1.302 1.796 2.240 2.979 1.290 1.746 2.205 2.856 1.288 1.744 2.172 2.798 1.284 1.726 2.152 2.733 1.289 1.716 2.138 2.705 12 1.616 2.449 3.406 5.000 1.455 2.096 2.847 3.904 1.369 1.923 2.479 3.444 1.330 1.835 2.349 3.151 1.318 1.787 2.239 2.929 1.293 1.759 2.198 2.845 1.299 1.737 2.172 2.770 1.284 1.720 2.144 2.718 1.290 1.708 2.127 2.683 1.283 1.708 2.117 m
1.586 2.502 4.483
1.500 1.434 1.428 2.160 2.247 2.104 3.265 3.021 3.295 * 6.899 4.786 1.447 1.362 1.308 2.063 1.936 1.954 2.859 2.622 2.465 7.187 3.913 4.246 1.335 1.326 1.860 1.816 2.502 2.500 3.712 3.519 1.333 1.804 2.331 3.195
sucesivos para =0.10, 0.05, 0.025, 0.01 para distintos valores de my n Nota: para esta prueba, mes la m uestra de m enor tam ao y n es la de m ayor tam ao. * El m ayor tam ao de U se utiliza cuando Vx y V y es igual a cero, o cuando U no est definida.
Los valores tabulados se encuentran en renglones
10
11
12
Tabla L-1: Prueba de Kolmogorov-Smirnov para dos muestra*. Valores crticos para la regin de rechazo unidireccional de mnDm,n c. Los valores super indican c0.10, c0.05 y c0.01 para cada entrada (m,n). m n 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 3 9 10 11 15 15 16 21 19 22 24 25 26 30 30 32 36 36 37 9 10 13 15 16 19 21 22 25 27 28 31 33 34 35 39 40 41 ** ** ** ** 19 22 27 28 31 33 34 37 42 43 43 48 49 52 4 10 16 13 16 18 24 21 24 26 32 29 10 16 16 18 21 24 25 28 29 36 33 ** ** 17 22 25 32 29 34 37 40 41 5 11 13 20 19 21 23 26 30 30 32 35 13 16 20 21 24 26 28 35 35 36 40 ** 17 25 26 29 33 36 40 41 46 48 6 15 16 19 24 24 26 30 32 33 42 37 15 18 21 30 25 30 33 36 38 48 43 ** 22 26 36 31 38 42 44 49 54 54 7 15 18 21 24 35 28 32 34 38 40 44 16 21 24 25 35 34 36 40 43 45 50 19 25 29 31 42 42 46 50 53 57 59 8 16 24 23 26 28 40 33 40 41 48 47 19 24 26 30 34 40 40 44 48 52 53 22 32 33 38 42 48 49 56 59 64 66 32 34 40 37 40 41 48 38 38 44 44 46 49 52 46 46 52 53 56 57 64 37 45 41 44 46 47 55 42 50 46 49 51 56 60 51 60 56 61 63 67 75 42 45 48 49 54 54 56 48 51 54 56 66 61 66 60 63 66 68 78 77 80 49 48 51 54 56 59 61 56 56 58 61 64 68 72 70 70 71 75 81 85 87 50 52 64 57 62 64 72 58 60 72 65 72 73 80 72 75 88 81 88 91 100
Continuacin.... 9 21 21 26 21 25 28 27 29 36 45 51 62 48 57 69 66 66 88 54 64 77 59 67 85 63 72 89 61 78 72 75 79 81 87 89 95 71 91 78 86 90 94 98 102 10 92 104 102 106 112 118 121 127 13 68 72 84 80 84 87 92 94 10 78 78 98 92 96 99 104 108 11 94 102 112 111 120 124 130 135 14 72 72 96 61 68 72 76 77 84 85 92 71 78 84 88 89 96 98 10 92 94 102 108 111 120 121 12 54 64 77 59 63 66 69 72 76 79 84 67 72 76 80 83 87 92 95 85 89 95 100 104 108 114 11 52 60 74 55 60 65 62 68 75 78 84 90 66 76 94 69 77 97 72 74 90 82 85 10 104 104 12 51 57 69 51 54 60 57 63 69 73 77 84 61 68 86 65 74 92 72 81 99 70 80 99 73 83 10
30 32 33 45 43 33 36 40 54 46 42 46 49 63 61
10 19 22 28
24 28 34
30 35 40
32 34 40 43 50 36 40 44 46 60 44 50 56 61 70
11 22 25 31 40 48 51 52 45 52 57 60 57 64 69 74
26 29 37
30 35 41
33 38 41 45 48 38 43 48 51 57 49 53 59 62 69
12 24 32 27 36 33 40
32 36 46
42 48 54
13 25 28 34
29 33 41
35 40 48
37 44 47 51 55 43 50 53 57 62 54 59 66 73 78
14 26 31 37
32 38 46
37 42 51
42 49 50 54 60 48 56 58 63 68 60 70 72 77 84
15 30 33 42
34 38 46
45 50 60
45 48 52 60 65 51 56 60 69 75 63 70 75 84 90
66 72 75 80 90 87 91 99 100 11 76 84 86 92 105 101 105 111 113 12 95 102 106 111 135 120 130 138 142 15
16 30 34 43
40 44 52
41 46 56
48 51 64 61 66 69 76 79 84 87 112 94 100 104 11 54 58 72 68 76 80 88 90 96 101 112 109 116 120 12 66 71 88 86 94 100 108 112 120 120 144 139 142 149 15
n 17
3 32 35 43 56 64 81 59 68 85 61 72 73 90 84 92 95 100 110 112 113 120 125 140 72 80 83 100 95 104 108 114 125 128 130 136 144 160 87 100 103 120 117 128 135 142 150 156 162 170 171 200 70 71 78 80 85 93 97 112 111 114 118 126 128 134 77 81 90 91 101 108 112 126 126 130 135 144 147 154 98 100 111 118 124 132 138 154 156 162 168 177 183 193 68 74 79 86 99 98 100 108 111 118 122 128 132 138 77 84 91 98 110 110 117 124 130 136 141 148 151 160 97 106 111 120 143 138 143 152 160 168 175 184 189 196 70 76 82 88 95 100 105 110 117 122 128 133 137 143 79 89 94 101 108 113 120 127 134 140 146 151 159 163 99 107 117 125 132 138 150 157 165 174 181 189 197 203 72 88 87 92 98 108 109 116 123 136 132 144 142 152 83 96 99 106 111 132 124 132 141 152 150 162 162 172 103 120 123 130 138 156 154 164 174 184 187 198 204 212 64 73 91 70 80 99 74 79 85 89 94 100 104 108 116 133 125 85 92 98 102 108 113 120 125 127 152 144 104 114 121 127 135 142 149 157 160 190 171 62 72 88 72 81 99 72 76 84 87 92 99 100 102 126 116 120 82 87 96 98 104 111 116 118 144 127 136 104 108 120 121 130 138 142 150 180 160 170
4 37 44 53
5 44 49 61
6 49 56 68
7 54 61 75
8 57 65 81
9 65 74 92
10 69 77 97
m 11 12 13 14 15 16 17 72 77 81 87 91 94 119 83 89 94 99 105 109 136 104 111 118 124 130 139 153 18 19 20 102 108 113 118 125 130 150 157 162
18
36 39 48
40 46 56
46 51 63
54 66 78
19
36 40 49
41 49 57
47 56 67
54 61 77
20
37 41 52
48 52 64
55 60 75
56 66 80
21
42 45 54
45 52 64
51 60 75
60 69 84
22
40 46 55
48 56 66
54 62 76
62 70 88
23
43 47 58
49 57 69
56 65 81
63 73 91
24
45 51 63
56 60 76
58 67 82
72 78 96
46 53 65 67 74 81 88 100 100 106 111 119 130 130 137 142 148 155 52 61 75 78 85 95 101 110 116 120 131 136 145 148 156 161 168 180 64 73 90 96 106 118 124 140 143 153 160 169 180 185 192 201 211 220 A d aptad a d e Gail, M .H. Y Green S.B. " Critical v alu es fo r th e on e-s ided two -s ample Ko lmo g o rov -S * * Es tad s ticas q ue n o alcan zan es te n iv el de s ig n ificacin .
25
Tabla L-2 : Prueba de Ko lmogo rov-Smirnov p ara do s mues tras *. Valores crticos para la regin d e rechazo bidireccional de mnDm,n c. Los valores s u indican c 0 .1 0 , c 0 .0 5 y c 0 .0 1 para cad a entrad a (m,n). m n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 1 12 14 16 16 21 21 24 28 32 27 30 35 30 34 40 34 40 48 36 42 49 40 46 53 44 48 59 46 53 60 50 56 65 56 63 77 33 39 45 36 40 48 38 43 54 48 48 60 46 52 60 48 54 64 51 57 69 56 62 75 54 60 72 59 64 77 30 35 40 35 40 45 35 39 45 36 43 50 40 45 52 42 46 56 50 55 60 48 54 64 50 55 68 56 62 73 61 68 84 52 60 70 66 72 84 65 72 87 27 28 36 28 30 36 29 33 40 36 36 44 35 39 48 38 42 48 40 44 52 44 48 56 44 48 60 46 50 60 21 24 27 24 27 30 27 30 33 27 30 36 30 33 39 33 36 42 33 36 42 36 39 45 36 42 48 39 45 51 18 18 18 20 20 22 22 24 24 26 24 26 26 28 28 30 30 32 32 34
10
3 15 18 18 20 24 24 24 30 30 30 36 28 30 36 35 42 42 28 30 36 25 28 35 21 24 28 18 21
9 12 15 15
12 16 16 16 20
10 15 16 20 15 20 25 25
12 15 18 24 18 20 24 24 30
14 18 21 25 21 24 28 28 35
Continuacin...
n 8
m 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 16 21 24 27 30 34 40 40 44 48 52 54 58 60 72 68 72 74 8 16 21 28 30 34 40 48 46 48 53 60 62 64 67 80 77 80 82 8 32 35 40 48 56 55 60 64 68 72 76 81 88 88 94 98 1
18 21 27 30 33 36 40 54 50 52 57 59 63 69 69 74 81 80 8 18 24 28 35 39 42 46 54 53 59 63 65 70 75 78 82 90 89 9 27 36 40 45 49 55 63 63 70 75 78 84 90 94 99 108 107 1
10
18 24 28 35 36 40 44 50 60 57 60 64 68 75 76 79 82 85 10 20 27 30 40 40 46 48 53 70 60 66 70 74 80 84 89 92 94 1 30 36 45 48 53 60 63 80 77 80 84 90 100 100 106 108 113 1
11
20 27 29 35 38 44 48 52 57 66 64 67 73 76 80 85 88 92 9 22 30 33 39 43 48 53 59 60 77 72 75 82 84 89 93 97 102 1 33 40 45 54 59 64 70 77 88 86 91 96 102 106 110 118 122 1
12
22 27 36 36 48 46 52 57 60 64 72 71 78 84 88 90 96 99 10 24 30 36 43 48 53 60 63 66 72 84 81 86 93 96 100 108 108 1 36 44 50 60 60 68 75 80 86 96 95 104 108 116 119 126 130 1
13
24 30 35 40 46 50 54 59 64 67 71 91 78 87 91 96 99 104 10 26 33 39 45 52 56 62 65 70 75 81 91 89 96 101 105 110 114 1 39 48 52 60 65 72 78 84 91 95 117 104 115 121 127 131 138 1
14
24 33 38 42 48 56 58 63 68 73 78 78 98 92 96 100 104 110 1 26 36 42 46 54 63 64 70 74 82 86 89 112 98 106 111 116 121 1 42 48 56 64 77 76 84 90 96 104 104 126 123 126 134 140 148 1
15
26 33 40 50 51 56 60 69 75 76 84 87 92 105 101 105 111 114 12 28 36 44 55 57 62 67 75 80 84 93 96 98 120 114 116 123 127 1 42 52 60 69 75 81 90 100 102 108 115 123 135 133 142 147 152 1
Continuacin... 7 59 64 77 61 68 84 65 72 87 69 76 91 72 79 93 77 81 90 95 101 108 113 126 126 130 136 14 91 89 99 105 112 120 126 140 138 145 151 15 105 107 117 126 134 141 150 161 168 173 180 18 77 84 91 98 110 110 117 124 130 136 142 14 84 94 101 108 121 124 130 138 144 150 157 16 103 112 122 130 143 148 156 164 173 180 187 19 80 89 94 101 108 113 120 127 134 141 146 15 89 98 106 114 119 125 135 142 149 157 163 17 108 115 126 137 142 149 161 170 179 187 196 20 80 84 100 96 104 108 114 125 128 132 13 88 93 110 107 116 120 126 135 140 146 15 104 111 130 127 140 143 152 160 168 175 18 74 82 98 80 85 92 99 104 110 114 120 126 13 89 94 102 108 114 121 127 133 141 14 107 113 122 130 138 148 152 160 166 17 72 80 94 81 82 88 96 99 104 111 116 118 14 90 92 97 108 110 116 123 128 133 16 108 108 118 126 131 140 147 154 164 18 68 77 88 74 82 99 79 85 90 96 100 105 109 136 11 89 93 100 105 111 116 124 136 13 106 110 119 127 134 142 143 170 16 8 72 80 88 9 69 78 94 m 10 11 12 13 14 15 16 17 76 80 88 91 96 101 112 109 84 89 96 101 106 114 128 124 100 106 116 121 126 133 160 143 18 11 12 15
n 16
2 28 30
3 36 39 45
4 44 48 56
5 48 54 64
6 54 60 72
17
30 32
36 42 48
44 48 60
50 55 68
56 62 73
18
32 34
39 45 51
46 50 60
52 60 70
66 72 84
19
19
32 36 38
42 45 54
49 53 64
56 61 71
64 70 83
20
20
34 38 40
42 48 57
52 60 68
60 65 80
66 72 88
21
21
36 38 42
45 51 57
52 59 72
60 69 80
69 75 90
22
22
38 40 44
48 51 60
56 62 72
63 70 83
70 78 92
23
23
38 42 46
48 54 63
57 64 76
65 72 87
73 80 97
24
24
40 51 60 67 78 84 96 99 106 111 132 125 132 141 152 151 16 44 57 68 76 90 92 104 111 118 124 144 140 146 156 168 168 18 48 66 80 90 102 112 128 132 140 150 168 166 176 186 200 203 21 120 131 136 145 149 156 16 138 145 150 160 167 173 18 165 172 182 195 199 207 21 for s tatis ticians . Cambridge Univ
42 54 63 75 78 86 95 101 110 117 46 60 68 80 88 97 104 114 125 129 50 69 84 95 107 115 125 135 150 154 A d aptada de Pears on, E.S. Y Hartley, H.O. Biometrika tab les
25
25
Tabla L-3: Valores crticos de Dm ,n para la prueba de Kolmogorov-Smirnov para dos muestras (muestras grandes, bidireccional).*
V alor de Dm,n que indica el rechazo de H0 en el nivel de Nivel de significancia significacin, donde D mn , = mximoSm(X)-Sn (X) 0,10
1.22
m+n mn m+n mn m+n mn m+n mn m+n mn m+n mn
0,05
1.36
0,025
1.48
0,01
1.63
0,005
1.73
0,001
1.95
Adaptado de Sm irnov, N., "Tables for estim ating the goodness of fit of em pirical distributions". Annals of Mathem atical Statistics, 1948.
Tabla M: Valores crticos para la prueba estadstica de anlisis de varianza bifactorial por rangos de Friedman, F*.
k 3 N 3 4 5 6 7 8 9 10 11 12 13
010 .
6,00 6,00 5,20 5,33 5,43 5,25 5,56 5,00 4,91 5,17 4,77 4,61 6,00 6,60 6,30 6,36 6,40 6,26 6,30 6,25 7,47 7,60 7,68
0.05
6,00 6,50 6,40 7,00 7,14 6,25 6,22 6,20 6,54 6,17 6,00 5,99 6,00 7,40 7,80 7,80 7,60 7,80 7,50 7,82 8,53 8,80 8,96
0.01
-8,00 8,40 9,00 8,86 9,00 8,67 9,60 8,91 8,67 9,39 9,21 -8,60 9,60 9,96 10,00 10,37 10,35 11,34 10,13 11,00 11,52
4 2 3 4 5 6 7 8
5 3 4 5
7,78 9,49 13,28 Adaptado por Hollander, M. Y Wolfe, D.A. Nonparametric statistic, 1973.
alores crticos del estadstico Lde la prueba de Page* Tabla N: V *Los valores tabulados son: k=3 k=4 k=5
k=6
N 0.05 2 28 3 41 4 54 5 66 6 79 7 91 8 104 9 116 10 128 11 141 12 153 13 165 14 178 15 190 16 202 17 215 18 227 19 239 20 251
0.01 0.001 42 55 68 81 93 106 119 131 144 156 169 181 194 206 218 231 243 256 k=7 56 70 83 96 109 121 134 147 160 172 185 197 210 223 235 248 260
0.05 58 84 111 137 163 189 214 240 266 292 317
0.01 0.001 60 87 89 114 117 141 145 167 172 193 198 220 225 246 252 272 278 298 305 324 331
0.05 103 150 197 244 291 338 384 431 477 523 570
0.01 0.001 106 109 155 160 204 210 251 259 299 307 346 355 393 403 441 451 487 499 534 546 581 593
0.05 166 244 321 397 474 550 625 701 777 852 928
0.01 173 252 331 409 486 563 640 717 793 869 949
0.001 178 260 341 420 499 577 655 733 811 888 965
k=8
k=9
k = 10
N 0.05 0.01 0.001 0.05 2 252 261 269 362 3 370 382 394 532 4 487 501 516 701 5 603 620 637 869 6 719 737 757 1037 7 835 855 876 1204 8 950 972 994 1371 9 1065 1088 1113 1537 10 1180 1205 1230 1703 11 1295 1321 1348 1868 12 1410 1437 1465 2035 Adaptada de Page, E.B. 1963.
0.01 376 549 722 893 1063 1232 1401 1569 1736 1905 2072
0.001 388 567 743 917 1090 1262 1433 1603 1773 1943 2112
0.05 500 736 971 1204 1436 1668 1900 2131 2361 2592 2822
0.01 520 761 999 1236 1472 1706 1940 2174 2407 2639 2872
0.001 544 790 1032 1273 1512 1750 1987 2223 2459 2694 2929
0.05 670 987 1301 1614 1927 2238 2549 2859 3169 3478 3788
0.01 696 1019 1339 1656 1972 2288 2602 2915 3228 3541 3852
0.001 726 1056 1382 1704 2025 2344 2662 2980 3296 3612 3927
alores crticos para el anlisis de varianza unifactorial por rangos de Tabla O: V Kruskal-Wallis, KW. Tam aos de las m uestras n2 n3 0.10 0.05 0.01 0.005 0.001 n1 2 2 2 4.25 3 2 1 4.29 3 2 2 4.71 4.71 5.14 3 3 1 4.57 3 3 2 4.56 5.36 5.60 7.20 7.20 3 3 3 4.62 4 2 1 4.50 5.33 4 2 2 4.46 4 3 1 4.06 5.21 5.44 6.44 7.00 4 3 2 4.51 4 3 3 4.71 5.73 6.75 7.32 8.02 6.67 4 4 1 4.17 4.97 4 4 2 4.55 5.45 7.04 7.28 5.60 7.14 7.59 8.32 4 4 3 4.55 4 4 4 4.65 5.69 7.66 8.00 8.65 5 2 1 4.20 5.00 5 2 2 4.36 5.16 6.53 5 3 1 4.02 4.96 5 3 2 4.65 5.25 6.82 7.18 5 3 3 4.53 5.65 7.08 7.51 8.24 5 4 1 3.99 4.99 6.95 7.36 5 4 2 4.54 5.27 7.12 7.57 8.11 5 4 3 4.55 5.63 7.44 7.91 8.50 5 4 4 4.62 5.62 7.76 8.14 9.00 5 5 1 4.11 5.13 7.31 7.75 5 5 2 4.62 5.34 7.27 8.13 8.68 5 5 3 4.54 5.71 7.54 8.24 9.06 5 5 4 4.53 5.64 7.77 8.37 9.32 5 5 5 4.56 5.78 7.98 8.72 9.68 4.61 5.99 9.21 10.60 13.82 Muestras grandes Adaptada de la Tabla F en Kraft, C.H. YV an Eeden, 1968.
alores crticos del estadstico J, de la prueba de Jonckheere Tabla P: V Las entradas son P(J valor de tablas) para k =3 y rt 8 e iguales n ( 2 n 6) para k = 4,5,6,7,8. Tam ao de las m uestras 2 2 2 2 2 3 2 2 4 2 2 5 2 2 6 2 2 7 2 2 8 2 3 3 2 3 4 2 3 5 2 3 6 2 3 7 2 3 8 2 4 4 2 4 5 2 4 6 2 4 7 2 4 8 2 5 5 2 5 6 2 5 7 2 5 8 2 6 6 2 6 7 2 6 8 2 7 7 2 7 8 2 8 8 3 3 3 3 3 4
0.10 10 13 16 18 21 24 27 16 20 23 26 30 33 24 27 31 35 39 32 36 41 45 42 47 52 52 58 64 20 24 0.05 11 14 17 20 23 26 29 18 21 25 28 32 35 25 29 34 38 42 34 39 44 48 44 50 55 56 62 68 22 26 0.01 12 15 19 22 25 29 32 19 23 27 31 35 39 28 33 37 42 46 38 43 48 53 49 55 61 61 68 75 24 29 0.005 -16 20 23 27 30 33 20 25 29 33 37 41 29 34 39 44 49 40 45 51 56 51 57 64 64 71 78 25 30
Continuacin... Tamao de las muestras 3 3 5 3 3 6 3 3 7 3 3 8 3 4 4 3 4 5 3 4 6 3 4 7 3 4 8 3 5 5 3 5 6 3 5 7 3 5 8 3 6 6 3 6 7 3 6 8 3 7 7 3 7 8 3 8 8 4 4 4 4 4 5 4 4 6 4 4 7 4 4 8 4 5 5 4 5 6 4 5 7 4 5 8 4 6 6 4 6 7 4 6 8 4 7 7 4 7 8 4 8 8 0,10 28 32 36 40 29 33 38 42 47 38 43 48 53 49 54 60 61 67 74 34 39 44 49 54 44 50 56 61 56 62 68 69 76 83 0,05 30 34 38 42 31 35 40 45 50 41 46 51 57 52 58 64 64 71 78 36 41 47 52 57 47 53 59 65 60 66 73 73 80 88
0,01 33 38 42 47 34 39 44 49 55 45 51 57 63 57 64 70 71 78 86 40 45 51 57 63 52 58 65 71 66 73 80 81 88 97 0,005 35 40 44 49 36 41 46 52 57 47 53 59 65 60 67 73 74 81 89 42 48 54 60 66 55 61 68 75 69 76 83 84 92 100
Continuacin... Tamaos de las muestras 0,10 0,05 0,01 0,005 555 50 54 59 62 556 57 60 66 69 557 63 67 73 76 558 69 73 80 84 566 63 67 74 77 567 70 74 82 85 568 77 81 89 93 577 77 82 90 94 578 85 89 98 102 588 92 98 107 111 666 71 75 82 86 667 78 82 91 94 668 85 90 99 103 677 86 91 100 103 678 94 99 109 113 688 102 108 118 122 777 94 99 109 113 778 102 108 119 123 788 111 117 129 133 888 121 127 139 144 2222 18 19 21 22 22222 28 30 33 34 222222 40 43 46 49 3333 37 39 43 45 33333 58 62 68 70 333333 85 89 97 101 4444 63 66 72 76 44444 100 105 115 119 444444 146 153 166 171 5555 95 100 109 113 55555 152 159 173 178 555555 223 233 251 258 6666 134 140 153 158 66666 215 225 243 250 666666 316 329 353 362 Adaptado de Odeh, R.E. "On Jonckheere's k-sample test against ordered alternatives". En Technometrics, 1971.
Tabla Q: Valores crticos del coeficiente de correlacin de Spearman r s , de rangos ordenados.
N 0.50 0.20 0.10 0.05 0.02 0.01 0.005 0.002 0.001 bidireccional 4 0.600 1.000 1.000 5 0.500 0.800 0.900 1.000 1.000 6 0.371 0.657 0.829 0.886 0.943 1.000 1.000 7 0.321 0.571 0.714 0.786 0.893 0.929 0.964 1.000 1.000 8 0.310 0.524 0.643 0.738 0.833 0.881 0.905 0.952 0.976 9 0.267 0.483 0.600 0.700 0.783 0.833 0.867 0.917 0.933 10 0.248 0.455 0.564 0.648 0.745 0.794 0.830 0.879 0.903 11 0.236 0.427 0.536 0.618 0.709 0.755 0.800 0.845 0.873 12 0.224 0.406 0.503 0.587 0.671 0.727 0.776 0.825 0.860 13 0.209 0.385 0.484 0.560 0.648 0.703 0.747 0.802 0.835 14 0.200 0.367 0.464 0.538 0.622 0.675 0.723 0.776 0.811 15 0.189 0.354 0.443 0.521 0.604 0.654 0.700 0.754 0.786 16 0.182 0.341 0.429 0.503 0.582 0.635 0.679 0.732 0.765 17 0.176 0.328 0.414 0.485 0.566 0.615 0.662 0.713 0.748 18 0.170 0.317 0.401 0.472 0.550 0.600 0.643 0.695 0.728 19 0.165 0.309 0.391 0.460 0.535 0.584 0.628 0.677 0.712 20 0.161 0.299 0.380 0.447 0.520 0.570 0.612 0.662 0.696 21 0.156 0.292 0.370 0.435 0.508 0.556 0.599 0.648 0.681 22 0.152 0.284 0.361 0.425 0.496 0.544 0.586 0.634 0.667 23 0.148 0.278 0.353 0.415 0.486 0.532 0.573 0.622 0.654 24 0.144 0.271 0.344 0.406 0.476 0.521 0.562 0.610 0.642 25 0.142 0.265 0.337 0.398 0.466 0.511 0.551 0.598 0.630 26 0.138 0.259 0.331 0.390 0.457 0.501 0.541 0.587 0.619 27 0.136 0.255 0.324 0.382 0.448 0.491 0.531 0.577 0.608 28 0.133 0.250 0.317 0.375 0.440 0.483 0.522 0.567 0.598 29 0.130 0.245 0.312 0.368 0.433 0.475 0.513 0.558 0.589 30 0.128 0.240 0.306 0.362 0.425 0.467 0.504 0.549 0.580 31 0.126 0.236 0.301 0.356 0.418 0.459 0.496 0.541 0.571 32 0.124 0.232 0.296 0.350 0.412 0.452 0.489 0.533 0.563 33 0.121 0.229 0.291 0.345 0.405 0.446 0.482 0.525 0.554 34 0.120 0.225 0.287 0.340 0.399 0.439 0.475 0.517 0.547 35 0.118 0.222 0.283 0.335 0.394 0.433 0.468 0.510 0.539 36 0.116 0.219 0.279 0.330 0.388 0.427 0.462 0.504 0.533 37 0.114 0.216 0.275 0.325 0.383 0.421 0.456 0.497 0.526 38 0.113 0.212 0.271 0.321 0.378 0.415 0.450 0.491 0.519 39 0.111 0.210 0.267 0.317 0.373 0.410 0.444 0.485 0.513 40 0.110 0.207 0.264 0.313 0.368 0.405 0.439 0.479 0.507 41 0.108 0.204 0.261 0.309 0.364 0.400 0.433 0.473 0.501 42 0.107 0.202 0.257 0.305 0.359 0.395 0.428 0.468 0.495 43 0.105 0.199 0.254 0.301 0.355 0.391 0.423 0.463 0.490 44 0.104 0.197 0.251 0.298 0.351 0.386 0.419 0.458 0.484 45 0.103 0.194 0.248 0.294 0.347 0.382 0.414 0.453 0.479 46 0.102 0.192 0.246 0.291 0.343 0.378 0.410 0.448 0.474 47 0.101 0.190 0.243 0.288 0.340 0.374 0.405 0.443 0.469 48 0.100 0.188 0.240 0.285 0.336 0.370 0.401 0.439 0.465 49 0.098 0.186 0.238 0.282 0.333 0.366 0.397 0.434 0.460 50 0.097 0.184 0.235 0.279 0.329 0.363 0.393 0.430 0.456 Adaptada por zar, J.H. "Significance testing of the Spearman rank correlations coefficiente"., 1972.
0.25 0.10
0.05
0.025
0.01
0.005
0.0025
0.001 0.0005 unidireccional
Tabla R-1: Probabilidades del lado superior para T, del coeficiente de correlacin de Kendall de rangos ordenados (N 10). Las entradas son p = P T valor de la tabla . P N T P N T P N T P 0.625 7 0.048 0.500 9 0.000 0.540 10 0.022 0.500 0.375 0.143 0.386 0.056 0.460 0.067 0.431 0.167 0.238 0.281 0.111 0.381 0.111 0.364 0.042 0.333 0.191 0.167 0.306 0.156 0.300 0.429 0.119 0.222 0.238 0.200 0.242 5 0.000 0.592 0.524 0.068 0.278 0.179 0.244 0.190 0.200 0.408 0.619 0.035 0.333 0.130 0.289 0.146 0.400 0.242 0.714 0.015 0.389 0.090 0.333 0.108 0.600 0.117 0.810 0.005 0.444 0.060 0.378 0.078 0.800 0.042 0.905 0.001 0.500 0.038 0.422 0.054 1.000 0.008 1.000 0.000 0.556 0.022 0.467 0.036 0.611 0.012 0.511 0.023 6 0.670 0.500 8 0.000 0.548 0.667 0.006 0.556 0.014 0.200 0.360 0.071 0.452 0.722 0.003 0.600 0.008 0.333 0.235 0.143 0.360 0.778 0.001 0.644 0.005 0.467 0.136 0.214 0.274 0.833 0.000 0.689 0.002 0.600 0.068 0.286 0.199 0.889 0.000 0.733 0.001 0.733 0.028 0.357 0.138 0.944 0.000 0.778 0.000 0.867 0.008 0.429 0.089 1.000 0.000 0.822 0.000 1.001 0.001 0.500 0.054 0.867 0.000 0.571 0.031 0.911 0.000 0.643 0.016 0.956 0.000 0.714 0.007 1.000 0.000 0.786 0.003 0.857 0.001 0.929 0.000 1.000 0.000 Adaptada por Charles G riffin &Co. Ltd. 1970. N 4 T 0.000 0.333 0.667 1.000
alores crticos para T, el coeficiente de correlacin de Kendall de rangos ordenad Tabla R-2: V Las entradas son valores de T que P T valor de tabla
0.005 0.010 0.600 0.576 0.564 0.516 0.505 0.483 0.471 0.451 0.439 0.421 0.410 0.378 0.391 0.377 0.367 0.360 0.356 0.344 0.340 0.333 unidirecciona bidireccional
0.100 0.050 0.025 N 0.200 0.100 0.050 11 0.345 0.418 0.491 12 0.303 0.394 0.455 13 0.308 0.359 0.436 14 0.275 0.363 0.407 15 0.276 0.333 0.390 16 0.250 0.317 0.383 17 0.250 0.309 0.368 18 0.242 0.294 0.346 19 0.228 0.287 0.333 20 0.221 0.274 0.326 21 0.210 0.267 0.314 22 0.195 0.253 0.295 23 0.202 0.257 0.296 24 0.196 0.246 0.290 25 0.193 0.240 0.287 26 0.188 0.237 0.280 27 0.179 0.231 0.271 28 0.180 0.228 0.265 29 0.172 0.222 0.261 30 0.172 0.218 0.255 Adaptada por Charles G riffin & Co. Ltd. 1970.
0.010 0.020 0.564 0.545 0.513 0.473 0.467 0.433 0.426 0.412 0.392 0.379 0.371 0.344 0.352 0.341 0.333 0.329 0.322 0.312 0.310 0.301
Tabla S: Valores crticos para el coeficiente de correlacin parcial Txy.z de Kendall de rangos ordenados.
N 0.25 0.20 0.10 0.05 0.025 0.01 0.005 0.001 3 0.500 1.000 4 0.447 0.500 0.707 0.707 1.000 5 0.333 0.408 0.534 0.667 0.802 0.816 1.000 6 0.277 0.327 0.472 0.600 0.667 0.764 0.866 1.000 7 0.233 0.282 0.421 0.527 0.617 0.712 0.761 0.901 8 0.206 0.254 0.382 0.484 0.565 0.648 0.713 0.807 9 0.187 0.230 0.347 0.443 0.515 0.602 0.660 0.757 10 0.170 0.215 0.325 0.413 0.480 0.562 0.614 0.718 11 0.162 0.202 0.305 0.387 0.453 0.530 0.581 0.677 12 0.153 0.190 0.288 0.465 0.430 0.505 0.548 0.643 13 0.145 0.180 0.273 0.347 0.410 0.481 0.527 0.616 14 0.137 0.172 0.260 0.331 0.391 0.458 0.503 0.590 15 0.133 0.166 0.251 0.319 0.377 0.442 0.485 0.570 16 0.125 0.157 0.240 0.305 0.361 0.423 0.466 0.549 17 0.121 0.151 0.231 0.294 0.348 0.410 0.450 0.532 18 0.117 0.147 0.222 0.284 0.336 0.395 0.434 0.514 19 0.114 0.141 0.215 0.275 0.326 0.382 0.421 0.498 20 0.111 0.139 0.210 0.268 0.318 0.374 0.412 0.488 25 0.098 0.122 0.185 0.236 0.279 0.329 0.363 0.430 30 0.088 0.110 0.167 0.213 0.253 0.298 0.329 0.390 35 0.081 0.101 0.153 0.196 0.232 0.274 0.303 0.361 40 0.075 0.094 0.142 0.182 0.216 0.255 0.282 0.335 45 0.071 0.088 0.133 0.171 0.203 0.240 0.265 0.316 50 0.067 0.083 0.126 0.161 0.192 0.225 0.250 0.298 60 0.060 0.075 0.114 0.147 0.174 0.206 0.227 0.270 70 0.056 0.070 0.106 0.135 0.160 0.190 0.210 0.251 80 0.052 0.065 0.098 0.126 0.150 0.178 0.197 0.235 90 0.049 0.061 0.092 0.119 0.141 0.167 0.185 0.221 Adaptada de Maghsoodloo, S., "Estimates of the quantiles of Kendall's partial rank correlation coefficiente"., 1975.
alores crticos del coeficiente de acuerdos W de Kendall. Tabla T: V N= 3 0.05 0.01 K 8 0.376 0.522 9 0.333 0.469 10 0.300 0.425 12 0.250 0.359 14 0.214 0.311 15 0.200 0.291 16 0.187 0.274 18 0.166 0.245 20 0.150 0.221 N= 4 N= 5 N= 6 N= 7 0.05 0.01 0.05 0.01 0.05 0.01 0.05 0.01 K 3 --0.716 0.840 0.660 0.780 0.624 0.737 4 0.619 0.768 0.552 0.683 0.512 0.629 0.484 0.592 5 0.501 0.644 0.449 0.571 0.417 0.524 0.395 0.491 6 0.421 0.553 0.378 0.489 0.351 0.448 0.333 0.419 8 0.318 0.429 0.287 0.379 0.267 0.347 0.253 0.324 10 0.256 0.351 0.231 0.309 0.215 0.282 0.204 0.263 15 0.171 0.240 0.155 0.211 0.145 0.193 0.137 0.179 20 0.129 0.182 0.117 0.160 0.109 0.146 0.103 0.136 Nota: Para N= 3 y k < 8 no existe valor de W en el lado superior que tenga una probabilidad de ocurrencia m enor que 0.05 Adaptada por Charles G riffin &Co. Ltd., 1970.
TABLA U: Probabilidad del lado superior del coeficiente de acuerdos u de Kendall cuando los datos corresponden a comparaciones apareadas. K=3 K=3 N S u p N S u p 2 1 -0.333 1.0000 8 42 0.000 0.5721 3 1.000 0.2500 44 0.048 0.4003 46 0.095 0.2499 5 0.111 0.5781 48 0.143 0.1385 7 0.556 0.1563 50 0.190 0.0679 9 1.000 0.0156 52 0.238 0.0294 54 0.286 0.0112 4 10 0.111 0.4661 56 0.333 0.0038 12 0.333 0.1694 58 0.381 0.0011 14 0.556 0.0376 60 0.429 0.0003 16 0.778 0.0046 62 0.476 0.0001 18 1.000 0.0002 K=4 5 16 0.067 0.4744 N S u p 18 0.200 0.2241 2 2 -0.333 1.0000 20 0.333 0.0781 3 0.000 0.6250 22 0.467 0.0197 6 1.000 0.1250 24 0.600 0.0035 26 0.733 0.0004 3 9 0.000 0.4551 10 0.111 0.3301 6 23 0.022 0.5387 11 0.222 0.2773 25 0.111 0.3135 12 0.333 0.1367 27 0.200 0.1484 14 0.556 0.0430 29 0.289 0.0566 15 0.667 0.0254 31 0.378 0.0173 18 1.000 0.0020 33 0.467 0.0042 35 0.556 0.0008 4 18 0.000 0.5242 37 0.644 0.0001 19 0.056 0.4097 20 0.111 0.2779 7 33 0.048 0.4334 21 0.167 0.1853 35 0.111 0.2564 22 0.222 0.1372 37 0.175 0.1299 23 0.278 0.0877 39 0.238 0.0561 24 0.333 0.0438 41 0.302 0.0206 25 0.389 0.0271 43 0.365 0.0064 26 0.444 0.0188 45 0.429 0.0017 27 0.500 0.0079 47 0.492 0.0004 28 0.556 0.0030 49 0.556 0.0001 29 0.611 0.0025 30 0.667 0.0011 32 0.778 0.0002 33 0.833 0.0001
Continuacin... N 5 S 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 K=4 u 0.000 0.033 0.067 0.100 0.133 0.167 0.200 0.233 0.267 0.300 0.333 0.367 0.400 0.433 0.467 0.500 0.533 0.567 0.600 0.000 0.022 0.044 0.067 0.089 0.111 0.133 0.156 0.178 0.200 0.222 0.244 0.267 0.289 0.311 0.333 0.356 0.378 0.400 0.422 0.444 0.467 0.489 p 0.5137 0.4126 0.3266 0.2491 0.1795 0.1271 0.0903 0.0604 0.0376 0.0242 0.0156 0.0088 0.0048 0.0030 0.0017 0.0007 0.0004 0.0002 0.0001 0.5134 0.4310 0.3532 0.2837 0.2231 0.1708 0.1277 0.0939 0.0676 0.0472 0.0324 0.0219 0.0145 0.0092 0.0058 0.0037 0.0022 0.0013 0.0008 0.0004 0.0002 0.0001 0.0001 N 7 S 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 84 85 86 87 88 89 90 91 92 93 94 95 96 K=4 u 0.000 0.016 0.032 0.048 0.063 0.079 0.095 0.111 0.127 0.143 0.159 0.175 0.190 0.206 0.222 0.238 0.254 0.270 0.286 0.302 0.317 0.333 0.349 0.365 0.381 0.397 0.413 0.000 0.012 0.024 0.036 0.048 0.060 0.071 0.083 0.095 0.107 0.119 0.131 0.143 p 0.5111 0.4413 0.7460 0.3124 0.2562 0.2066 0.1637 0.1275 0.0977 0.0736 0.0545 0.0397 0.0285 0.0201 0.0139 0.0095 0.0064 0.0042 0.0028 0.0018 0.0011 0.0007 0.0004 0.0003 0.0002 0.0001 0.0001 0.5098 0.4490 0.3903 0.3348 0.2833 0.2366 0.1949 0.1585 0.1271 0.1006 0.0786 0.0606 0.0461
Continuacin... N 8 S 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 S 4 6 10 16 18 20 22 24 26 30 30 32 34 36 38 40 42 44 46 48 50 K=4 u 0.155 0.167 0.179 0.190 0.202 0.214 0.226 0.238 0.250 0.262 0.274 0.286 0.298 0.310 0.321 0.333 0.345 K=5 u -0.200 0.200 1.000 0.067 0.200 0.333 0.467 0.600 0.733 1.000 0.000 0.067 0.133 0.200 0.267 0.333 0.400 0.467 0.533 0.600 0.667 p 0.1346 0.0257 0.0188 0.0136 0.0097 0.0068 0.0048 0.0033 0.0022 0.0015 0.0010 0.0007 0.0004 0.0003 0.0002 0.0001 0.0001 p 1.0000 0.3750 0.0620 0.3896 0.2065 0.1025 0.0295 0.0112 0.0039 0.0002 0.5381 0.3533 0.2080 0.1074 0.0528 0.0238 0.0093 0.0039 0.0012 0.0004 0.0001 N 5 S 52 54 56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98 100 102 104 106 108 110 112 114 116 118 120 122 124 126 128 130 K=5 u 0.040 0.080 0.120 0.160 0.200 0.240 0.280 0.320 0.360 0.400 0.440 0.480 0.013 0.040 0.067 0.093 0.120 0.147 0.173 0.200 0.227 0.253 0.280 0.307 0.333 0.360 0.387 0.010 0.029 0.048 0.067 0.086 0.105 0.124 0.143 0.162 0.181 0.200 0.219 0.238 p 0.3838 0.2544 0.1579 0.0918 0.0500 0.0257 0.0124 0.0057 0.0025 0.0010 0.0004 0.0001 0.4663 0.3453 0.2428 0.1623 0.1034 0.0628 0.0364 0.0202 0.0108 0.0055 0.0027 0.0013 0.0006 0.0002 0.0001 0.4718 0.3674 0.2750 0.1980 0.1372 0.0916 0.0589 0.0366 0.0220 0.0128 0.0072 0.0039 0.0021
N 2
Continuacin... N 7 S 132 134 136 138 140 140 142 144 146 148 150 152 154 156 158 160 162 164 166 168 170 172 174 176 178 S 6 7 10 15 23 24 26 27 28 29 30 K=5 u 0,257 0,276 0,295 0,314 0,333 0,000 0,014 0,029 0,043 0,057 0,071 0,086 0,100 0,114 0,129 0,143 0,157 0,171 0,186 0,200 0,214 0,229 0,243 0,257 0,271 K=6 u -0,200 -0,067 0,333 1,000 0,022 0,067 0,156 0,200 0,244 0,289 0,333 p 0,0011 0,0005 0,0003 0,0001 0,0001 0,5233 0,4291 0,3411 0,2629 0,1965 0,1425 0,1003 0,0686 0,0456 0,0294 0,0185 0,0113 0,0068 0,0039 0,0022 0,0012 0,0007 0,0003 0,0002 0,0001 p 1,0000 0,6875 0,2188 0,0312 0,4682 0,3034 0,1798 0,1469 0,0883 0,0608 0,0402 N 3 S 31 32 35 36 37 40 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 75 76 77 78 79 80 81 K=6 u 0,378 0,422 0,556 0,600 0,644 0,778 0,000 0,022 0,044 0,067 0,089 0,111 0,133 0,156 0,178 0,200 0,222 0,244 0,267 0,289 0,311 0,333 0,356 0,378 0,400 0,422 0,444 0,467 0,489 0,511 0,533 0,556 0,578 0,000 0,013 0,027 0,040 0,053 0,067 0,080 p 0,0336 0,0226 0,0062 0,0029 0,0020 0,0006 0,4656 0,4094 0,3374 0,2569 0,2086 0,1746 0,1332 0,0970 0,0725 0,0566 0,0433 0,0289 0,0198 0,0160 0,0114 0,0072 0,0049 0,0034 0,0025 0,0016 0,0008 0,0007 0,0005 0,0003 0,0002 0,0001 0,0001 0,4841 0,4258 0,3665 0,3085 0,2600 0,2190 0,1800
N 2
Continuacin... N 5 S 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 K=6 u 0,093 0,107 0,120 0,133 0,147 0,160 0,173 0,187 0,200 0,213 0,227 0,240 0,253 0,267 0,280 0,293 0,307 0,320 0,333 0,347 0,360 0,373 0,387 0,400 0,413 0,427 0,004 0,013 0,022 0,031 0,040 0,049 0,058 0,067 0,076 0,084 0,093 0,102 0,111 0,120 0,129 p 0,1452 0,1173 0,0949 0,0753 0,0583 0,0452 0,0355 0,0272 0,0202 0,0151 0,0115 0,0085 0,0062 0,0044 0,0033 0,0024 0,0017 0,0011 0,0008 0,0006 0,0004 0,0003 0,0002 0,0001 0,0001 0,0001 0,4640 0,4126 0,3637 0,3186 0,2768 0,2380 0,2030 0,1723 0,1451 0,1209 0,1000 0,0824 0,0674 0,0546 0,0439 N 6 S 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 K=6 u 0,138 0,147 0,156 0,164 0,173 0,182 0,191 0,200 0,209 0,218 0,227 0,236 0,244 0,253 0,262 0,271 0,280 0,289 0,298 0,307 0,316 0,324 0,333 0,003 0,010 0,016 0,022 0,029 0,035 0,041 0,048 0,054 0,060 0,067 0,073 0,079 0,086 0,092 0,098 0,105 0,111 p 0,0352 0,0280 0,0221 0,0173 0,0135 0,0105 0,0081 0,0062 0,0047 0,0036 0,0027 0,0020 0,0015 0,0011 0,0008 0,0006 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 0,4694 0,4258 0,3838 0,3436 0,3057 0,2703 0,2375 0,2074 0,1800 0,1553 0,1332 0,1136 0,0963 0,0812 0,0680 0,0567 0,0470 0,0388
Continuacin... N 7 S 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 K=6 u 0,117 0,124 0,130 0,137 0,143 0,149 0,156 0,162 0,168 0,175 0,181 0,187 0,194 0,200 0,206 0,213 0,219 0,225 0,232 0,238 0,244 0,251 0,257 0,263 0,270 p 0,0318 0,0260 0,0211 0,0170 0,0137 0,0110 0,0087 0,0069 0,0054 0,0043 0,0033 0,0026 0,0020 0,0015 0,0012 0,0009 0,0007 0,0005 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 N 8 S 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 K=6 u 0,076 0,081 0,086 0,090 0,095 0,100 0,105 0,110 0,114 0,119 0,124 0,129 0,133 0,138 0,143 0,148 0,152 0,157 0,162 0,167 0,171 0,176 0,181 0,186 0,190 0,195 0,200 0,205 0,210 0,214 0,219 0,224 0,229 p 0,0742 0,0633 0,0538 0,0455 0,0383 0,0321 0,0268 0,0223 0,0185 0,0152 0,0125 0,0102 0,0083 0,0068 0,0055 0,0044 0,0035 0,0028 0,0022 0,0018 0,0014 0,0011 0,0009 0,0007 0,0005 0,0004 0,0003 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001
210 0,000 0,4930 211 0,005 0,4545 212 0,010 0,4169 213 0,014 0,3805 214 0,019 0,3455 215 0,024 0,3122 216 0,029 0,2807 217 0,033 0,2511 218 0,038 0,2235 219 0,043 0,1980 220 0,048 0,1745 221 0,052 0,1531 222 0,057 0,1337 223 0,062 0,1162 224 0,067 0,1005 225 0,071 0,0866 Nota: Los valores presentados corresponden a las probabilidades c>=0.0001. As las prob. del lado superior para valores grandes de u tienen probabilidades < 0.00005.
Tabla V: Probabilidades del lado superior de Tc, la correlacin de k rangos con un criterio de ordenamiento por rangos.
k=2 Tc 0.000 1.000 0.000 0.333 0.667 1.000 0.000 0.167 0.333 0.500 0.667 0.833 1.000 0.000 0.100 0.200 0.300 0.400 0.500 0.600 0.700 0.800 0.900 1.000 k=3 Tc 0.333 1.000 0.111 0.333 0.556 0.778 1.000 0.000 0.111 0.222 0.333 0.444 0.556 0.667 0.778 0.889 1.000 0.000 0.067 0.113 0.200 0.267 0.333 0.400 0.467 0.533 0.600 0.667 0.733 0.800
N 2 3
p 0.750 0.250 0.639 0.361 0.139 0.028 0.592 0.408 0.241 0.118 0.045 0.012 0.002 0.567 0.433 0.306 0.198 0.116 0.060 0.027 0.010 0.003 0.001 0.000+
N 2 3
p 0.500 0.125 0.500 0.278 0.116 0.033 0.005 0.576 0.424 0.282 0.167 0.086 0.038 0.014 0.004 0.001 0.000+ 0.556 0.445 0.338 0.243 0.164 0.103 0.060 0.032 0.016 0.007 0.003 0.001 0.000+
Adaptada de Stilson, D.W. Y Campbell, V.N., "A noe on calculating tau and average tau and on the sampling distribution of average tau with a criterion ranking". 1962.
BIBLIOGRAFA
1. PAGANO, R.R. (1999). Estadstica para las Ciencias del Comportamiento. Quinta Edicin. Edit. Internacional Thompson Editores. 2. PEREZ-TEJADA, H.E. (2000). Estadstica para las ciencias sociales
y del comportamiento. 2da. Edic. Edit. Oxford University Press Mxico, S.A. de C.V.
3. RUIZ-MAYA, L. (2000). Mtodos Estadsticos de Investigacin en las Ciencias Sociales: Tcnicas no paramtricas. 1ra. Edic. Edit. AC. Madrid Espaa. 4. SIEGEL, S. (1970). Estadstica no paramtrica aplicada a las ciencias de la conducta. Primera Edicin. Edit. Trillas S.A. de C.V. Mxico. 5. SIEGEL, S. y CASTELLAN, N.J. (1995). Estadstica No Paramtrica aplicada a las ciencias de la conducta. 2da. Edic. Edit. Trillas, Mxico. 6. VILLALTA, P. e IBAEZ, V. (1999). Estadstica Pecuaria. Primera Edicin. Edit. Universitaria. UNA - Puno. 7. ZEA, W. e IBAEZ, V. (2003). Tablas Estadsticas. Segunda Edicin. Edit. Universitaria

Estadistica Noparametrica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estadistica Noparametrica

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO

Facultad de Ingeniera Estadstica e Informtica

ESTADSTICA NO PARAMTRICA APLICADA A GANADERA

Puno, Marzo del 2007

- 2 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Estadstica No Paramtrica Aplicada a la Ganadera - 3 -

El Autor Abril, 2007

- 4 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Estadstica No Paramtrica Aplicada a la Ganadera - 5 -

29 29 34 39 47 47 50 52 59 63 66 71 83 89 91 95 100 100 103 111

Estadstica No Paramtrica Aplicada a la Ganadera - 7 -

Donde: p = La proporcin de observaciones esperadas cuando X = 1. q = La proporcin de observaciones esperadas cuando X = 0, y

vacunos vacunados sanaron no sanaron 2 16

La proporcin de vacunos sanos (xitos) es:

N o de vacunos sanos 2 1 = = N o total de vacunos 18 9 q = 1 p = 1 1 8 = 9 9

La proporcin de vacunos que no sanaron (Fracasos) es:

FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ + FG18IJFG 1IJ FG 8IJ H 0 KH 9K H 9K H 1 KH 9K H 9K H 2 KH 9K H 9K

FG 4IJ ( 0.5 ) ( 1 0.5 ) H 1K

Estadstica No Paramtrica Aplicada a la Ganadera - 13 a)

= 30% = 0.30, n = 20,

FG 20IJ ( 0.30 ) (1 0.30 ) H 3K

20 x19 x18 x17 ! ( 0.027 )( 0.0023 ) 3x 2 x1( 20 3 )!

CASOS Positivos Negativos 103 697

Probar la probabilidad de casos positivos es igual a la probabilidad de casos negativos?

i = el nmero observado de casos en la categora isima.

5. Regin de rechazo y aceptacin:

5. Clculo de Prueba Estadstica: Por informacin se tiene que: n = 50 alumnos, k = 4 categoras

= 4.88 6. Regin de rechazo y aceptacin:

- 18 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Test Statistics Chi-Square a df Asymp. Sig. V1 4.880 3 .181

Estadstica No Paramtrica Aplicada a la Ganadera - 19 -

5. Clculo de la prueba estadstica:

2.025 2.025 ei =4.050

- 20 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Calcule la prueba Ji-cuadrado e interprete los resultados. Use

TOTAL 200 38 TOTAL 200 52

2. Nivel de significacin: y determinar n 3. Prueba Estadstica. Fundamentar la utilizacin de la prueba de Kolmogorov-

- 24 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

F(X) F(X) 0 i S n(X) i 0 i

-0.59 0.19 0.96 1.74 2.52

Estadstica No Paramtrica Aplicada a la Ganadera - 25 2 nY i i

niY i 82.5 175.5 270.0 178.5 85.5 94.5

F(X) S(X) F(X) 0 i n i 0 i

18 5 5 16.5 21 9 14 19.5 24 12 26 22.5 27 7 33 25.5 30 3 36 28.5 33 3 39 31.5

1361.25 3422.25 6075.00 4551.75 2436.75 2976.75

-1.14 -0.42 0.31 1.03 1.75 2.47

- 26 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno

Pes o v ivo (kg )

Pes o v ell n (kg).

Dimetro de fib ra (micras )

Estadstica No Paramtrica Aplicada a la Ganadera - 27 FRECUENCIA DE PULSO (minutos). 81 75 82 79 77 76 79 74 78 75 79 76 79 76 78 75 74 76 67 63 62 61 60 65 78 76 74 79 74 78

Estadstica No Paramtrica Aplicada a la Ganadera - 29 -

4. Prueba estadstica a utilizar: Se determina las frecuencias esperadas de cambio

, individuos que cambiaron de (+) a (-).

5. Regin de rechazo y aceptacin:

Otra forma de rechazar o aceptar es:

6. Clculo de la Ji-cuadrado 7. Decisin:

5. Regin de rechazo y aceptacin:

- 32 - V. Ibaez Q. - Docente de la FINESI-UNA-Puno 6. Clculo de la Ji-cuadrado

2 7. Decisin: Como 2 , entonces se acepta la Ho:, es (1) = 0.0625 1,0.05 = 3.841

5. Regin de rechazo y aceptacin:

2 7. Decisin: Como 2 . , entonces se rechaza la Ho: y se (1) = 19.314 1,0.05 = 3841

Calcule la prueba de McNemar e interprete los resultados.