Tests de contraste de hipótesis

Curso de Hidrología General y Aplicada

Javier Álvarez Rodríguez

Índice. Tests de Contraste de Hipótesis

Introducción y definiciones
Tests Estadísticos de Consistencia y Contraste de Hipótesis

Teoremas de Fisher

Test de bondad de ajuste

Tests basados en la distribución de Kolmogorov-Smirnov

Test de Wilcoxon, Mann-Whitney

Test de Wilcoxon con signos

Test del coeficiente de Spearman

Test de rachas

Test de Mann-Kendall

Test del ratio de Von Neumann

Test de Alexandersson

1
Introducción
En muchos casos es necesario tomar decisiones basadas en
la propia experiencia:

Está claro que los datos de esta estación muestran un error
sistemático a partir de 1975 (después de compararla con otras
estaciones)

Es evidente la influencia del grado de urbanización en la rápida
respuesta de la cuenca

Se comprueba el efecto de los cambios de usos de suelo en la
generación de escorrentía
Cómo de claro, cuánta evidencia hay
Estadística: los datos tienen variabilidad y errores de
medida

Ventajas del planteamiento

Método objetivo. Sistemático

Mismo resultado / diferentes autores

Establecimiento de una medida mediante la cual se acepta o
rechaza la hipótesis nula
Para hipótesis sencillas en las que se quiera valorar si hay
suficiente información para desestimarla
Principio de simplicidad científica (Peña): solamente
debemos abandonar el modelo simple a favor de otro más
complejo cuando la evidencia a favor de este último sea
fuerte (se prima la hipótesis nula)

2
 Ejemplos
¿hay suficiente información en la muestra de datos
para desestimar la hipótesis de homogeneidad?
Planteamiento en hipótesis sencillas como:

¿Las series son homogéneas?
 ¿Hay cambio en la media?
 ¿Hay cambio en la desviación típica?
 ¿Hay tendencias en los datos?

¿La muestra pertenece o se comporta como una
distribución dada?

¿Los datos son independientes?

Tests estadísticos de contraste de hipótesis

¿Se ajustan los datos observados a una predicción?
Proceso mediante el cual se decide entre dos
planteamientos, hipótesis nula, Ho, e hipótesis alternativa,
H1, cuál es correcto y se acepta, mientras el otro se
rechaza. Para ello,

Se dispone de una muestra de datos (x1,...xn)

Se necesita un estadístico T con su distribución de probabilidad

Hipótesis, predicciones Realidad

Datos observados

Reducción a hipótesis sencillas

Contraste de hipótesis Existe variabilidad en los datos o
¿Los datos observados permiten rechazar la hipótesis nula? existe incertidumbre en sus medidas

3
Estadístico de contraste y regiones de
aceptación y rechazo (crítica)
T se estima a partir de la muestra
FD: da el criterio de aceptación/rechazo de la H0

Región de aceptación: el valor del estadístico permite
aceptar la hipótesis sobre la población
 Aceptar Ho si T pertenece a la región de aceptación

Región crítica: el valor del estadístico es “raro”/Ho cierta y
se desestima la hipótesis sobre la población
 Rechazar Ho si T pertenece a la región crítica

Región de aceptación y crítica: complementarias

Conocida una distribución de probabilidad

del estadístico, qué valores son raros
1,00
0,95
0,90
0,85
0,80
0,75
0,70
Función de densidad

0,65
0,60
0,55
0,50
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00

Media poblacional

4
Errores y nivel de significación
Se pueden cometer dos tipos de errores

rechazar una hipótesis nula Ho cierta (error tipo I)

aceptar una hipótesis nula Ho falsa (error tipo II)
Ho es verdadera Ho es falsa
Aceptación P(decisión correcta)=1-α Error tipo II
P(error tipo II)=β
Rechazo Error tipo I
P(error tipo I)=α P(decisión correcta)=1-β
Nivel de significación Potencia del test

Nivel de significación, α=P(rechazar Ho/Ho cierta)

Probabilidad de rechazar la hipótesis nula cuando es cierta

Conocida la distribución del estadístico se escoge una probabilidad
pequeña: 0,01 ó 0,05

Región de aceptación y p valor

Nivel crítico p: probabilidad de obtener un valor del
estadístico mayor que el obtenido. Menor p, menor fiabilidad
Mayor que 0,25: acepto
p valor Entre 0,20 y 0,01 depende del caso
Función de densidad

Menor que 0,01, rechazo

Región crítica

RECHAZO

Región de aceptación
Variable
ACEPTO

5
Potencia del test
Probabilidad de detectar una tendencia cuando está
presente. P(rechazar Ho/T); probabilidad de rechazar la
hipótesis nula cuando es falsa
Al disminuir el nivel de significación, aumenta el error tipo
II, pero no son exactamente complementarios

Alfa (eI); definición del dominio de aceptación y crítico;
P(xalfa pertenezca a la R Aceptación / T)

Disminuir la probabilidad de ambos errores: aumentar el tamaño
muestral
Para cada valor del parámetro tenemos una probabilidad de
detectar esa evidencia

Curva de potencia

Tests paramétricos y no paramétricos

y dependientes o no de una FD conocida
Tests paramétricos:

Se conoce la distribución de probabilidades
 Teórica, dependientes de una FD conocida
 Permutaciones o muestreo con reemplazamiento

Se elabora un pronóstico sobre el valor del parámetro y sobre la
verosimilitud de ciertas hipótesis

Mayor precisión con menor versatilidad

Hay dependencia al cumplimiento de las hipótesis
Tests no paramétricos:

El proceso de inferencia se realiza sin precisar la distribución de
probabilidad

Trabajar con rangos y con frecuencias

Menor precisión y mayor versatilidad

No hay dependencia al cumplimiento de las hipótesis

6
Ejemplo
Cálculo del nivel de significación asociado a una muestra y
un estadístico sin depender de una función de distribución
previa (Kundzewicz, 2000)

Aplicación de un número s
 entre 100 y 2000, en un número suficientemente grande
 permutaciones o muestreo con reemplazamiento

De la muestra original se calcula el valor del estadístico T

Para cada serie generada se calcula el estadístico Ti, i=1,s

Se ordenan de menor a mayor los Ti calculados y se obtiene el
valor de k tal que Tk<To<Tk+1

Por tanto, a la muestra original le corresponde un nivel de
significación asociado a la probabilidad p:
k k + 0,5 k +1
p= p= p=
s s +1 s+2

Teoremas de Fisher
Si x1, ...xn es una muestra aleatoria simple de una
población N(µ,σ), se cumple

Primero x ∈ N (µ , σ )
n n

∑ (x − x )
2
2 i
(n − 1)·s

Segundo 2
∈ χ n2−1 s2 = i =1
σ (n − 1)

La media y la variable aleatoria chi-cuadrado son

independientes

7
Distribución χ2 (chi-cuadrado) de Pearson
Si x1, ..., xn son:

variables aleatorias independientes

con distribución N(0,1)

la variable aleatoria suma de los cuadrados de las n variables sigue
la distribución chi-cuadrado de Pearson.
n −1 −y
2 2
y ·e
2
y = x + ... + x 2 f ( y) = n
1 n
2 2 ·Γ n ( 2)
y>0

el número de sumandos n, ÚNICO PARÁMETRO de la
distribución, se denomina grados de libertad

Distribución t de Student
Dadas n+1 variables aleatorias independientes, x,
x1, ..., xn

con distribución idéntica N(0,σ)

Gosset planteó la siguiente variable aleatoria:
x
tn =
1 n 2
·∑ xi
n i =1

depende del número de grados de libertad, n, ÚNICO
PARÁMETRO de la distribución

8
Aplicación
Criterio para contrastes cuando la desviación
típica de la población es conocida
x−µ
∈ N (0,1)
σ n

Criterio para contrastes cuando la desviación

típica de la población es desconocida
x−µ
σ n x−µ
∈ tn −1 ⇒ ∈ t n −1
(n − 1)·s / σ 2 2 s
n
n −1

Contrastes/media de una población normal

Título Muestra Población
Contraste sobre la media de una x1,...xn N(µ,σ)
población
Contraste Condiciones Región crítica
Bilateral. Ho: µ=µo; H1 µ<>µo σ conocida
 σ 
C =  x − µo > zα · 
 2 n
σ desconocida
 s 
C =  x − µo > tn −1,α · 
 2 n
Unilateral. Ho: µ=<µo; H1 µ>µo σ conocida
 σ 
C =  x − µo > zα · 
 n
σ desconocida
 s 
C =  x − µo > tn −1,α · 
 n
Unilateral. Ho: µ=>µo; H1 µ<µo σ conocida
 σ 
C =  x − µo < z1−α · 
 n
σ desconocida
 s 
C =  x − µo < tn −1,1−α · 
 n
Para muestras grandes (n>30) la t de Student se aproxima a una normal

9
Ejemplo
Problema:

Se tiene caracterizada una serie de caudales anuales de una cuenca
A mediante una distribución normal de media 3,56 m3/s y
desviación típica 2,14 m3/s

Durante un periodo reciente (27 años) se ha bombeado en una
cuenca próxima B y no se conoce si han afectado o no a la
hidrología de A. La media de caudales anuales en A durante los
últimos 27 años es de 1,51 m3/s
Se pide contrastar si hay o no un cambio significativo en la
media (si hay suficiente evidencia para descartar la
hipótesis nula de homogeneidad en la serie)

Ejemplo
Ho: no hay cambio en la media
H1 hay cambio en la media
1.00
0.95
0.90
0.85
0.80
0.75
Función de densidad

0.70
0.65
0.60
0.55 1,51 − 3,56
0.50
0.45 = 4,96 >
0.40 2,14
0.35
0.30
0.25
27
0.20
0.15
0.10
> 1,96 = z 2,5%
0.05
0.00
-4 -3 -2 -1 0 1 2 3 4
Variable

10
Contrastes/varianza de una población
normal
Título Muestra Población
Contraste sobre la varianza de una x1,...xn N(µ,σ)
población
Contraste Condiciones Región crítica
Bilateral. Ho: σ= σ o; H1 σ <> σ o µ desconocida
 (n − 1)·s 2  2 
C= ∉  χ n −1,1−α , χ n2−1,α 
 σ 2
o
 2 2

µ desconocida
Unilateral. Ho: σ 2 ≤ σ o2 ;  (n − 1)·s 2 
2 2
C= 2
< χ n2−1,α 
H1 σ >σ o  σo 
µ desconocida
σ ≥ σ o2 ;  ( n − 1)·s 2 
2
Unilateral. Ho: 2
2 2
C= 2
< χ n −1,1−α 
H1 σ < σ o  σ o 

Con µ conocida, cambiar

(n − 1)·s 2 ∑ ( xi − µ ) 2
por
σ2 σ o2

Ejemplo
Si las series siguen distribuciones normales, una forma de
valorar si hay cambios significativos en la media entre dos
periodos distintos es plantear el siguiente contraste de
hipótesis  2 
 2
S S 

H o : µ1 = µ 2 ; H 1 : µ1 ≠ µ 2 ⇒ C =  µ1 − µ 2 ≥ t f ,α ⋅ 1 + 2 
 2 n 1 n2 

siendo tf α/2, la distribución t de Student para f grados de libertad
dados por la aproximación de Welch, el entero más próximo a
2
 S12 S22 
 + 
f =  n1 n2  −2
2 2
1  S12  1  S22 
⋅  + ⋅ 
n1 + 1  n1  n2 + 1  n2 

Con muestras grandes se puede simplificar y tomar la distribución
normal estándar zα/2

11
Ejemplo
Año Estación Año Estación
pluviométrica pluviométrica Estación pluviométrica C.
C (mm) C (mm) Periodo de medidas 1941-1976.
1941 31 1959 34 Número total de datos: 36
1942 20 1960 29 40

Precipitación registrada (mm)

1943 21 1961 32
1944 23 1962 26 35
1945 22 1963 35
1946 21 1964 34 30
1947 29 1965 25
1948 34 1966 27 25
1949 22 1967 27
17 28 20
1950 1968
1951 22 1969 36
15
1952 38 1970 23
1953 18 1971 34 10
1954 15 1972 26

1941
1944
1947
1950
1953
1956
1959
1962
1965
1968
1971
1974
1955 12 1973 35
1956 33 1974 36
1957 22 1975 25 Tiempo (años)
1958 27 1976 24

Ejemplo
t25,α/2 =2,06

µ1 − µ 2
= 2,6
S12 S 22
+
n1 n2

Se acepta entonces la hipótesis alternativa

Existe una diferencia significativa entre las medias al
5% del nivel de significación

12
Test de bondad de ajuste
El test de χ2 se utiliza para valorar la bondad del
ajuste de unos datos a una función de distribución

Compara las frecuencias de la muestra clasificada con
las de la distribución teórica

Aplicable a variables discretas o continuas
Hipótesis nula, Ho: la variable x sigue una función
de distribución teórica F(x)

Test de bondad de ajuste

Estadístico de Pearson
2

λ =∑
k
n  ni  k
· − pi  = ∑ i
(n − n· pi )2 = k  ni2  − n =
i =1 pi  n  i =1 n· pi
∑  
i =1  n· pi 

=∑
k
(Observadasi − Teóricasi )2
i =1 Teóricasi

k el número total de clases

ni el número de elementos por clase de la muestra

n el total de la muestra

pi la probabilidad teórica correspondiente a ese intervalo de clase
Cuanto mayor sea λ, menos se parecerán las distribuciones
muestral y teórica

13
Distribución del estadístico
Distribución χ2 con k-1 grados de libertad
Región crítica:
{
C = λ > χ k2−1,α }
Si los datos de la muestra se utilizan para calcular
m parámetros, el número de grados de libertad
será k-m-1

Fundamento del test χ2

En cada intervalo la variable aleatoria es binomial

Media: n·pi

Desviación típica: n· pi ·qi
Al considerar que n es suficientemente grande y la
probabilidad de cada intervalo reducida, se tiene
una Poisson

Media: n·pi

Desviación típica: n· pi
La variable normalizada se considera N(0,1)

14
Aplicación del test chi-cuadrado
El número de clases afecta a la aplicación del test
 Mínimo de 5 ó 6 clases, con un número similar de datos en las
clases y como mínimo entre 3 y 10 datos por clase.
El tamaño muestral debe ser grande, n > 25, 30 elementos
El estadístico es sensible a los extremos
 Revisar los sumandos parciales (frecuencias observadas menos
teóricas al cuadrado)
En realidad se está contrastando el ajuste de la función de
distribución teórica al histograma muestral
Si las frecuencias son pequeñas y no se pueden reagrupar
las clases, se aplica la corrección de Yates

λ=∑
k
( ni − n· pi − 0,5)
2

i =1 n· pi

Ejemplo: aplicación chi-cuadrado

Contrastar el posible ajuste de una función de distribución
normal a una serie de máximos anuales registrados en una
estación pluviométrica
El ejercicio se puede realizar utilizando las herramientas
del análisis de datos de la hoja excel

Menú Complementos dentro del correspondiente de Herramientas

Activado el análisis de datos, se utiliza la aplicación Histograma,
que a su vez pide seleccionar la matriz de los datos cuyas
frecuencias hay que ordenar y la matriz con los límites de los
intervalos. En la solución que se muestra a continuación, se han
tomado finalmente 6 intervalos

15
 Histograma de frecuencias
Histograma inicial
40%

35% % Observado
30% % Teórico-Normal

25%
Frecuencia

20%

15%

10%

5%

0%
menor - 40-55 55-70 70-85 85-100 100-y
40 mayor...
Clase

Ejemplo: aplicación chi-cuadrado

¿Pertenecen los datos a una distribución normal de
Media 63.83
Desviación típica 25.06 ?
Grupos Parámetros gl
Número de 6 2 3 Aplicación de la normal
grados de
libertad n-1-k
Clases Observadas Probabilidad Probabilidad Puntos Aplicación de Probabilidad N·pi Teóricas Estadístico
medio por
acumulada parcial intervalo la normal parcial de Pearson
40 7 13.21% 13.21% 32.5 10.56% 10.56% 5.60 0.352
55 18 47.17% 33.96% 47.5 25.73% 15.17% 8.04 12.337
70 11 67.92% 20.75% 62.5 47.88% 22.15% 11.74 0.047
85 7 81.13% 13.21% 77.5 70.73% 22.85% 12.11 2.156
100 5 90.57% 9.43% 92.5 87.37% 16.64% 8.82 1.654
y mayor... 5 100.00% 9.43% 107.5 95.93% 8.56% 4.54 0.047

0.09% 16.593
Número Total 53
No cumple
de elementos
Referencia chi-cuadrado 5.00% 7.815

16
Ejemplo: aplicación chi-cuadrado
Histograma y probabilidades asociadas a cada
intervalo. Preparar las columnas de cálculo
Clases Observadas Probabilidad Probabilidad

acumulada parcial

Distribución teórica de probabilidades

Calcular estadísticos media y desviación típica

Preparar las columnas de cálculo con
DISTR.NORM(punto medio/intervalo; media;
desviación típica; VERDADERO)
Puntos Aplicación de Probabilidad N·pi Teóricas
medio por
intervalo la normal parcial

Ejemplo: aplicación chi-cuadrado

Cálculo del estadístico de Pearson

λ=∑
k
(ni − n· pi )2
i =1 n· pi
Número de grados de libertad

Número total de clases

Parámetros calculados

k-p-1
Aplicar DISTR.CHI(número grados de libertad;
cuantil)

17
Test de Kolmogorov-Smirnov
Test aplicable a:

conocer si unos datos siguen una función de
distribución determinada

contrastar cambios en la distribución de los datos, por
ejemplo detectar heterogeneidades entre dos periodos
La función de distribución debe ser continua
Hipótesis nula, la muestra sigue la FT

Bondad de ajuste. Aplicación de

Kolmogorov-Smirnov
Ordenar la muestra de menor a mayor
Asociar una frecuencia observada correspondiente al
orden de observación (para el orden r, probabilidad r/n)
Obtener las diferencias de estas probabilidades de los
valores observados con las acumuladas correspondientes
a la función de distribución teórica
El estadístico del test de Kolmogorov-Smirnov es el
máximo valor absoluto de estas diferencias

Sigue una distribución de Kolmogorov-Smirnov que se puede
consultar en tablas para la que hay que considerar el término n

n ·max ( FO ( x) − FT ( x) )∈ Kolmogorov

18
Bondad de ajuste. Aplicación de
Kolmogorov-Smirnov
Si el estadístico calculado es mayor que el
correspondiente a las tablas, se rechaza la
hipótesis de comportamiento de la muestra según
la distribución seleccionada
dividir los siguientes valores por n
para contrastar con el máximo valor
absoluto de las diferencias de frecuencias
n 90% 95% 99%
10 1,05 1,14 1,29
20 1,10 1,22 1,42
30 1,12 1,24 1,46
40 1,13 1,26 1,50
50 1,14 1,27 1,52
100 1,17 1,29 1,55
∝ 1,22 1,36 1,63

Corrección de Lilliefors
Cuando se contrasta la normalidad de una muestra
y con la misma muestra se calculan los
parámetros, los valores de la tabla de referencia se
corrigen por los de Lilliefors, bastante más
restrictivos
La correspondiente distribución se denomina
Kolmogorov-Smirnov-Lilliefors

19
Heterogeneidades y el test de Kolmogorov-
Smirnov
Calcular las diferencias, yi, entre los valores de la estación
a comprobar y los de la estación de referencia (yi=xi-xref_i)
Calcular la serie de desviaciones acumuladas
estandarizadas por la desviación típica tal como se indica:
k
1 n S
S k = ∑ ( yi − y ) S2 =⋅ ∑ ( yi − y ) 2 S ka = k
i =1 n i =1 S
Hay falta de homogeneidad si se alcanzan valores
demasiado altos
El estadístico de referencia: máximo de los valores
absolutos alcanzados
P = máx S ka
0≤ k ≤ n

Test de Wilcoxon o Mann-Whitney

Test no paramétrico para comprobar si dos muestras (xi, yj)
(i=1..n, j=1..m), no necesariamente normales, pertenecen o
no a la misma población. Aplicación:

Se mezclan las dos muestras en una y se ordena la serie resultante
y se asignan rangos a la muestra

Calcular el estadístico Rx, suma de los rangos ocupados por las xi
n
Rx = ∑ rxi
i =1

Este índice es normal, lo que permite estimar los dominios de las
regiones de aceptación y crítica bajo la hipótesis de que el rango de
cada valor xi tiene idéntica probabilidad 1..N
N +1 n⋅m
µR = n ⋅ σR = ⋅ (N + 1)
x
2 x
12

Valores altos o bajos indican que hay diferencias en la localización

20
Test del coeficiente de Spearman
Basado en los rangos para determinar si la
correlación entre dos variables es significativa
Estadístico: coeficiente de Spearman de las series
Estadístico estandarizado:
rRxy · n − 1
Región de aceptación y región crítica:

se considera que, con muestras de más de 20 valores, el
estadístico estandarizado sigue una normal de media
nula y desviación típica unidad

Test de rachas
Se aplica para conocer si la muestra está constituida por
datos aleatorios e independientemente distribuidos
Se contrasta el número de rachas existentes en una serie

Racha: una sucesión de valores por encima o por debajo de un
determinado nivel, por ejemplo la mediana
Estadístico: número de rachas de la serie

Si n es el número total de datos en la serie, los valores de la media
y varianza son los siguientes
n n·(n − 2 ) n −1 (n − 1)(· n − 3)
µ =1+ σ2 = µ = 1+ σ2 =
2 4·(n − 1) 2 4·(n − 2)
Hipótesis nula: independencia de los registros

21
 Test de rachas
¿Las presas construidas en cabecera a mediados de
los 60 tienen influencia en la reducción de
avenidas?. Análisis serie de máximos anuales
1200,0

1000,0

800,0
m3 /s

600,0

400,0

200,0

0,0
1948-49
1949-50

1951-52
1952-53

1955-56

1958-59

1961-62
1962-63

1964-65
1965-66

1968-69

1971-72
1972-73

1974-75
1975-76

1977-78
1978-79

1981-82

1984-85
1985-86

1987-88
1988-89
1946-47
1947-48

1950-51

1953-54
1954-55

1956-57
1957-58

1959-60
1960-61

1963-64

1966-67
1967-68

1969-70
1970-71

1973-74

1976-77

1979-80
1980-81

1982-83
1983-84

1986-87

1989-90
1990-91

Test de rachas
Año m3/s Racha Año m3/s Racha Año m3/s Racha
1946-47 464,2 + 1962-63 207,4 - 1978-79 87,0 -
1947-48 447,0 + 1963-64 128,3 - 1979-80 226,2 -
1948-49 880,0 + 1964-65 1980-81 87,0 -
1949-50 181,0 - 1965-66 362,0 + 1981-82 45,5 -
1950-51 860,0 + 1966-67 161,0 - 1982-83
1951-52 315,0 + 1967-68 154,7 - 1983-84
1952-53 92,9 - 1968-69 161,4 - 1984-85 270,1 -
1953-54 375,0 + 1969-70 460,5 + 1985-86 311,4 +
1954-55 134,2 - 1970-71 133,6 - 1986-87 413,0 +
1955-56 177,3 - 1971-72 556,5 + 1987-88 800,1 +
1956-57 954,0 + 1972-73 377,5 + 1988-89 208,2 -
1957-58 440,4 + 1973-74 163,2 - 1989-90 372,7 +
1958-59 800,0 + 1974-75 70,9 - 1990-91 221,1 -
1959-60 302,0 + 1975-76 347,8 +
1960-61 114,0 - 1976-77 319,5 +
1961-62 143,5 - 1977-78 524,2 +

•El total de datos disponibles es de 42; mediana de 270,1 m3/s; Núm. Rachas: 20
•Valor crítico para n. s. del 2,5% es (4,72 ;17,25); unilateral al 5% 5,75
•Los datos son aleatorios y las presas no tienen una influencia significativa

22
Aplicabilidad del test de rachas
¿El cambio introducido es suficientemente
importante respecto a la variabilidad de otros
componentes aleatorios?

Ejemplo: lluvias en caudales máximos.
¿Cómo se introducen los cambios?

Forma gradual y durante un periodo largo respecto al
total disponible: más difícil identificar su efecto

Manera repentina y centrados en el periodo temporal de
estudio: es esperable que sus efectos sean más claros en
la serie

Test de Mann Kendall

Test no paramétrico para detectar tendencias en las series
comprobando cómo están entremezclados los valores de
una serie (xi, i=1..n)
Aplicación

Se toma el estadístico u, suma del número de veces que los
elementos precedentes a cada valor de la serie le son inferiores. Es
decir, número de veces tal que xj < xi para todo j < i
n
u = ∑ numi
i =1

Este índice sigue aproximadamente una distribución normal, lo que

permite estimar los dominios de las regiones de aceptación y
crítica

Valores anormalmente altos o bajos implican la existencia de
tendencias

23
Test o ratio de Von Neumann
Con información regional o de estaciones de referencia
Aplicación (Singh):

Calcular la serie de residuos yi=xi-xref_i con i=1..n, siendo xref_i la
serie correspondiente a la estación de referencia
n −1

Calcular el estadístico ∑( y
i =1
i − yi +1 )2
V= n

∑( y
i =1
i − µ y )2

Región de aceptación (homogeneidad): {V perteneciente a (VP,

2)} tal que Vp, con n el tamaño de la muestra y ηα el percentil de la
distribución normal estandarizada, es
n−2
VP = 2 − 2 ⋅ηα ⋅
( n − 1) ⋅ ( n + 1)

Test de Alexandersson
Se contrasta la homogeneidad identificando el año de
ruptura entre las series
Aplicación:

Obtener la serie de residuos yi=xi/xref_i con i=1..n, siendo xref_i la
serie correspondiente a la estación de referencia y xi la serie
correspondiente a la estación en sí.

Estandarizar los valores de la serie yi obtenida anteriormente tal
como se indica a continuación 2 2
1 n
2
1 k  1  n 
S = ⋅ ∑ ( yi − y )
2
zi =
yi − y tk =  ⋅ ∑ zi  + ⋅  ∑ zi 
n i =1 S  k i =1  n − k  i =k +1 

Valores demasiado altos indican una probabilidad alta de falta de
homogeneidad entre series; seleccionar el punto de ruptura k en el
valor más alto Valores críticos. Alexandersson.
Nivel de confianza 95%

T = máx t k n 25 50 75 100 150 200

o≤ k ≤n Valor 7,75 8,85 8,95 9,15 9,35 9,55

crítico

24