Estadística
Estadística no
no
Paramétrica
Paramétrica
Rangos de Wilconxon:
El test no paramétrico prueba de los rangos con signo de Wilcoxon, también conocido como Wilcoxon
signed-rank test, permite comparar poblaciones cuando sus distribuciones (normalmente interpretadas a
partir de las muestras) no satisfacen las condiciones necesarias para otros test paramétricos
Es una prueba no paramétrica de comparación de dos 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 dos mediciones de rangos (medianas) y determinar que la diferencia no se deba
al azar (que la diferencia sea estadísticamente significativa).
Condiciones para la prueba de los rangos con signo de Wilcoxon
Los datos tienen que ser dependientes.
Los datos tienen que ser ordinales, se tienen que poder ordenar de menor a mayor o viceversa.
No es necesario asumir que las muestras se distribuyen de forma normal o que proceden de
poblaciones normales. Pero sea cual sea el tipo de distribución de las diferencias, tiene que ser
simétrica.
A pesar de considerarse el equivalente no paramétrico del t-test, el Wilcoxon signed-rank test trabaja
con medianas, no con medias.
Preferible al t-test cuando hay valores atípicos, no hay normalidad de los datos o el tamaño de las
muestras es pequeño.
Prueba de Mann Whitney
En segundo lugar, se presentan los valores de la U de Mann-Whitney y de la razón z (ver datos en los
óvalos), así como el nivel de significancia de la prueba, al haber planteado una hipótesis de dos colas se
usa la significancia bilateral (ver el número en el hexágono).
La prueba U de Mann-Whitney comprueba la igualdad de las dos distribuciones. Para utilizarla para
comprobar sus diferencias en la ubicación entre dos distribuciones, se debe asumir que las distribuciones
tienen la misma forma.
La prueba U de Mann-Whitney comprueba la igualdad de las dos distribuciones. Para utilizarla para
comprobar sus diferencias en la ubicación entre dos distribuciones, se debe asumir que las distribuciones
tienen la misma forma.
Prueba de Kruskal-Wallis
Prueba de Kruskal-Wallis En estadística, la prueba de Kruskal-Wallis (de William Kruskal y W. Allen
Wallis) es un método no paramétrico para probar si un grupo de datos proviene de la misma población.
Intuitivamente, es idéntico al ANOVA con los datos reemplazados por categorías. Es una extensión de la
prueba de la U de Mann-Whitney para 3 o más grupos. Ya que es una prueba no paramétrica, la prueba de
Kruskal-Wallis no asume normalidad en los datos, en oposición al tradicional ANOVA. Sí asume, bajo la
hipótesis nula, que los datos vienen de la misma.
Prueba de Friedman
En estadística la prueba de Friedman es una prueba no paramétrica desarrollado por el economista Milton
Friedman. Equivalente a la prueba ANOVA para medidas repetidas en la versión no paramétrica, el
método consiste en ordenar los datos por filas o bloques, reemplazándolos por su respectivo orden. Al
ordenarlos, debemos considerar la existencia de datos idénticos.
Coeficiente de correlación de Spearman para rangos
El coeficiente de correlación de orden de rangos de Spearman es un estadístico no paramétrico basado en
rango para medir la relación monotónica entre dos variables que suelen censurarse y no se distribuyen
normalmente. La correlación de orden de rango de Spearman es igual a la correlación de Pearson entre los
valores de rango de las dos variables; por consiguiente, también se encuentran en -1 y 1.
El coeficiente de correlación de rango de Spearman se puede emplear como estadístico de prueba para probar
la hipótesis de que no hay asociación entre dos poblaciones. Se supone que los n pares de observaciones (
Xi, Yi) se han seleccionado al azar y, por tanto, la ausencia de cualquier asociación entre las
poblaciones implica una asignación aleatoria de los n rangos dentro de cada muestra. Cada asignación
aleatoria (para las dos muestras) representa un punto muestral asociado con el experimento y un valor de rs se
puede calcular para cada uno.
Coeficiente de correlación por jerarquías de Spearman (Rho de Spearman ρS) Es una medida de asociación
lineal que utiliza los rangos, números de orden de cada grupo de sujetos y compara dichos rangos. Este
coeficiente es muy útil cuando el número de pares sujetos (n) que se desea asociar es pequeño (menor de 30).
Aparte de permitir conocer el grado de asociación entre ambas variables con la ρ de Spearman es posible
determinar la dependencia o independencia de dos variables aleatorias.
Interpretación de los resultados en pruebas de Spearman
Los valores cercanos a +1.0 indican que existe una fuerte asociación entre las clasificaciones,
es decir, que en medida que aumenta un rango el otro también lo hará.
Los valores cercanos a −1.0 señalan que existe una fuerte asociación negativa, es decir que a
medida que aumenta un rango el otro decrece.
Cuando el valor es 0.0 significa que no existe relación alguna.
Prueba de rachas de Wald-Wolfowitz
Este Test contrasta si dos muestras con datos independientes proceden de poblaciones de la misma
distribución. Si esto es así lógicamente los parámetros poblacionales de ambas muestras son los mismos.
Sean dos muestras independientes de tipo continuo que siguen una determinada distribución F(x) F(y):
Esta prueba se basa en la prueba de rachas. Consiste en ordenar todos los casos de ambos grupos de forma
conjunta, dispuestos en orden, se cuentan las rachas pertenecientes al mismo grupo. Si existen muy pocas
rachas, existe diferencia entre ambos grupos. Con muchas rachas (posiciones muy entrelazadas) no existe
diferencia entre los grupos.
Prueba de chi- cuadrada
Una prueba de chi-cuadrada es una prueba de hipótesis que compara la distribución observada de los
datos con una distribución esperada de los datos.
Existen varios tipos de pruebas de chi-cuadrada:
Prueba de bondad de ajuste de chi-cuadrada
Utilice este análisis para probar qué tan bien una muestra de datos categóricos se ajusta a una
distribución teórica.
Por ejemplo, usted puede comprobar si un dado es justo, lanzando el dado muchas veces y utilizando una
prueba de bondad de ajuste de chi-cuadrada para determinar si los resultados siguen una distribución
uniforme. En este caso, el estadístico de chi-cuadrada cuantifica qué tanto varía la distribución observada
de los conteos con respecto a la distribución hipotética.
Pruebas de chi-cuadrada de asociación e independencia
Los cálculos para estas pruebas son iguales, pero la pregunta que se está tratando de contestar puede ser
diferente.
Prueba de asociación:
Utilice una prueba de asociación para determinar si una variable está asociada a otra variable. Por
ejemplo, determine si las ventas de diferentes colores de automóviles dependen de la ciudad donde se
venden.
Prueba de independencia:
Utilice una prueba de independencia para determinar si el valor observado de una variable depende del
valor observado de otra variable. Por ejemplo, determine si el hecho de que una persona vote por un
candidato no depende del sexo del elector.
También se puede usar el estadístico ji-cuadrado para evaluar cuán buena puede resultar una distribución
teórica, cuando pretende representar la distribución real de los datos de una muestra determinada. A esto
se le llama evaluar la bondad de un ajuste. Probar la bondad de un ajuste es ver en qué medida se ajustan
los datos observados a una distribución teórica o esperada.
Prueba Binomial
El procedimiento Prueba binomial compara las frecuencias observadas de las dos categorías de una
variable dicotómica con las frecuencias esperadas en una distribución binomial con un parámetro de
probabilidad especificado. De forma predeterminada, el parámetro de probabilidad para ambos grupos es
0,5. Para cambiar las probabilidades, puede introducirse una proporción de prueba para el primer grupo.
La probabilidad del segundo grupo será 1 menos la probabilidad especificada para el primer grupo.
Consideraciones sobre los datos
Datos: Las variables de contraste deben ser numéricas y dicotómicas. Una variable dicotómica es
una variable que sólo puede tomar dos valores posibles: sí o no, verdadero o falso, 0 ó 1, etc. El
primer valor encontrado en los datos define el primer grupo y el otro valor define el segundo
grupo. Si las variables no son dicotómicas, debe especificar un punto de corte. El punto de corte
asigna los casos con valores menores o iguales que el punto de corte del primer grupo y asigna el
resto de los casos a un segundo grupo.
Supuestos: Las pruebas no paramétricas no requieren supuestos sobre la forma de la distribución
subyacente. Se asume que los datos son una muestra aleatoria.
Referencias:
Prueba de los rangos con signo de Wilcoxon. (s. f.). ciencias de datos.
https://www.cienciadedatos.net/documentos/18_prueba_de_los_rangos_c
on_signo_de_wilcoxon
Prueba binomial. (s. f.). ibm.
https://www.ibm.com/docs/es/spss-statistics/beta?topic=tests-binomial-te
st
