FACULTAD DE CIENCIAS DE LA SALUD
ESCUELA PROFESIONAL
DE
MEDICINA HUMANA
CURSO
MÉTODOS ESTADÍSTICOS
TEMA
Pruebas de hipótesis sobre K
muestras
DOCENTE:
SESIÓN N° 001
Dr. Castro López, Segundo Vicente
MOTIVACIÓN Análisis de la varianza ANOVA
https://youtu.be/GYXeC0OIKAY
MOTIVACIÓN
TEMARIO
Contenidos de la sesión:
Introducción
1.- Prueba para K muestras relacionadas – pruebas NO
paramétricas
ANOVA DE FRIEDMAN
2.- Prueba para K muestras independientes – pruebas
paramétricas
ANOVA
3.- Prueba para K muestras independientes – campo NO
paramétrico
KRUSKAL-WALLIS
4.- Prueba para K muestras independientes – campo NO
paramétrico
Chi Cuadrado de Homogeneidad
Cierre
Conclusiones
LOGRO
Al término de la sesión el estudiante, será capaz
de:
• Tener nociones sobre la prueba de hipótesis sobre
dos muestras: Prueba para muestras relacionadas
con campo paramétrico y NO paramétrico.
• Pruebas para muestras independientes en el campo
paramétrico y NO paramétrico
1. Prueba para K muestras dependientes
(relacionadas)
“Dr. Wilfredo Erwin Gardini Tuesta”
ANOVA DE FRIEDMAN
Pruebas NO paramétricas.
Prueba de FRIEDMAN
• Es una prueba no paramétrica de comparación de
tres o más muestras relacionadas, debe cumplir las
siguientes características:
• Es libre de curva, no necesita una distribución
específica
• Nivel ordinal de la variable dependiente
• Se utiliza para comparar más de dos mediciones de
rangos (medianas) y determinar que la diferencia
no se deba al azar (que la diferencia sea
estadísticamente significativa).
Pruebas NO paramétricas. Prueba de FRIEDMAN
Donde:
• La hipótesis nula que se contrasta es que las respuestas
asociadas a cada uno de los ''tratamientos'' tienen la misma
distribución de probabilidad o distribuciones con la misma
mediana
• La hipótesis alternativa nos dice que por lo menos la
distribución de una de las respuestas difiere de las demás.
Los datos se disponen en una tabla en la que en cada fila se
recogen las respuestas de los k elementos de cada grupo a los
k tratamientos.
2. Prueba para K muestras independientes
CAMPO PARAMETRICO
“Dr. Wilfredo Erwin Gardini Tuesta”
DIFERENCIA EN MAS DE DOS
MEDIAS POBLACIONALES
INDEPENDIENTES (ANOVA).
Cuando hay más de dos grupos, no es correcto
usar la t de Student, pues esto supondría hacer
varios test por parejas, incrementándose
globalmente la tasa de error. En estos casos, se
debe utilizar el análisis de la varianza de una vía.
Pruebas paramétricas. Prueba ANOVA
Del inglés ANalysis Of VAriance ha quedado la abreviatura
ANOVA. Su nombre está basado en el método que se utiliza y
puede desorientar, pero el ANOVA no compara varianzas, sino
medias y es el test indicado cuando se desean comparar las
medias de tres o más grupos independientes.
La t de Student para dos medias independientes es sólo un caso
particular del análisis de la varianza. Si se recurriese al ANOVA
para comparar sólo dos grupos, se obtendrían exactamente los
mismos resultados que con la t de Student.
Diferencia en mas de dos medias poblacionales
independientes (ANOVA)
La situación que vamos a tratar es similar a la del t-test para
muestras independientes:
▪ La variable a contrastar (dependiente) es cuantitativa.
▪ La variable de agrupación es cualitativa con más de dos
categorías.
El ANOVA es un método paramétrico y exige el cumplimiento de
unos supuestos, de manera que cuando no se cumplan las
condiciones de aplicación se dispone de una técnica no paramétrica
que es el test de Kruskal-Wallis.
Diferencia en mas de dos medias poblacionales
independientes (ANOVA)
OBJETIVO: Comparar las medias de una variable cuantitativa en
mas de dos muestras independientes.
A. Tipos de variables.
Requisitos
y B. Normalidad
Supuestos
C. Homogeneidad de varianzas u
homocedasticidad.
4. Pruebas para K muestras independientes
PRUEBAS NO PARAMETRICAS
CHI CUADRADO DE
HOMOGENEIDAD
OBJETIVO: Se utiliza cuando se tienen varias muestras
independientes de n individuos que se clasifican respecto a una
variable cualitativa y se desea conocer a partir de datos
muestrales, si provienen de la misma población (el objetivo es
comparar diferentes muestras).
PRUEBAS NO PARAMETRICAS. Prueba CHI
CUADRADO DE HOMOGENEIDAD.
• Es decir, en esta prueba se tienen varias muestras
independientes correspondientes a las categorías de una de
las variables y se clasifican las observaciones respecto a la
otra variable.
• La prueba tiene la finalidad de conocer si la distribución de la
variable estudiada difiere en las “r" poblaciones subyacentes
de las cuales se obtuvieron las muestras
PRUEBAS NO PARAMETRICAS. Prueba CHI
CUADRADO DE HOMOGENEIDAD.
Limitaciones de la prueba
• Se necesita que más del 20 % de los valores esperados estén por
encima de 5 y que ninguna celda tenga valor esperado menor a 1.
• Si la tabla es de 2x2, todas las celdas deben tener valores
esperados por encima de 5.
• En el caso de la tabla de 2x2 si existe una sola celda con valor
esperado menor que 5, esto representaría un 25 % de las celdas
con esa condición, por lo que se utilizaría la Prueba de las
Probabilidades exactas de Fisher en lugar de la Prueba χ2 , ya que
en éste caso no es posible agrupar categorías.
PRUEBAS NO PARAMETRICAS. Prueba CHI
CUADRADO DE HOMOGENEIDAD.
Hipótesis
• H0: P11 = P12 (hay homogeneidad entre los grupos respecto a las categorías
de la variable (hay igualdad entre la proporción de elementos de cada grupo
que caen en la misma categoría de la variable).
• H1: P11 ≠ P12 (no hay homogeneidad (la proporción de elementos de cada
grupo que caen en la misma categoría de la variable difieren)
Puede plantearse otra hipótesis:
• H0: No difiere la distribución de la variable estudiada en las poblaciones de las
cuales se
obtuvieron las muestras.
• H1: Difiere la distribución de la variable estudiada en las poblaciones de las
cuales se obtuvieron las muestras.
Cierre
Retroalimentación en base a
preguntas:
• ¿Qué aprendiste hoy?
• ¿Qué fue lo que mas te ha
acostado aprender?
• ¿En donde podemos utilizar lo
aprendido?
CONCLUSIONES
El desarrollo de pruebas de hipótesis es
una herramienta estadística que permite
validar si lo resultados obtenidos de la
aplicación de una metodología son
significativas, es decir, si estos realmente
muestran la mejora que se observa a la luz
de un criterio cuantitativo que puede
captar los deseos de mejora del analista y
no los resultados reales del proceso en
análisis.
Bibliografía
• Publicadas en aula virtual. Papel de la estadística en la Investigación Científica. Badii, M.H, J.
Castillo, J. Landeras:http://eprints.uanl.mx/12472/1/A5.pdf
• Anderson, D., Sweeney, D. y Williams, T., 2012. Estadística para negocios y economía. 11a ed.
Ciudad de México: Cengage Learning, pp.207-221.
• Johnson, R. y Kuby, P., 2012. Estadística elemental. 11a ed. Ciudad de México: Cengage Learning,
pp.243-262.
• Navidi, W. (2006). Estadística para ingenieros. 1a ed. México: McGraw-Hill, pp.195-206.
