CORRELACION

c
T ENTRE VARIOS JUECES Y UN RANGO CRITERIO

Una ventaja del coeficiente de acuerdo de Kendall sobre el uso de W, el coeficiente de
concordancia de Kendall, es que es el promedio de correlacin por orden de rangos de Kendall
entre varios jueces. Otra ventaja es que se generaliza directamente a la correlacin entre varios
jueces y un rango criterio. Supongamos que hubo varios entrenadores clnicos a quieres se les
pidi que asignaran a un grupo de pacientes en orden de la severidad de su trastorno patolgico .
el coeficiente de correlacin
s
r de Spearman de rangos ordenados y el coeficiente T de Kendall de
rangos ordenados proporcionan un ndice de la relacin entre dos jueces y el coeficiente de
concordancia W de Kendall y el coeficiente de acuerdo de Kendall proporcionan una indicacin
del acuerdo ( o concordancia) entre los jueces ; sin embargo estas medidas no indican que tan
cercanamente acuerdan los rangos con algn criterio especificado . En esta seccin delineamos un
procedimiento para calcular
c
T , la correlacin entre K conjuntos de rangos y un rango criterio .
Cabe destacar desde el principio que
c
T es el promedio de los coeficientes de correlacin de
Kendall de rangos ordenados entre cada juez y el rango criterio. Sin embargo, encontraremos que
existe un modo relativamente simple de calcular la correlacin
c
T y podemos tambin ejecutar
una prueba de significacin de
c
T

CALCULO DE
c
T :
El primer paso para calcular
c
T es determinar el rango criterio para N objetos, sese este rango
para construir una matriz de preferencias en la que los objetos ( variables ) estn enumerados en
el orden criterio . En seguida, para cada uno de los K jueces, introduzca los rangos en la matriz de
preferencias, Despus, denote la suma de las frecuencias arriba de la diagonal como
+

ij
a y
aquellas debajo de la diagonal
ij
a

y as podemos calcular
c
T , la correlacin con un rango
criterio :


c
T =
2( )
( 1)
ij ij
a a
KN N
+

De manera alternativa y con frecuencia ms conveniente, las frmulas de clculo para
c
T son las
siguientes
c
T =
4
1
( 1)
ij
a
KN N
+

c
T =
4
1
( 1)
ij
a
KN N

Prueba de significacin de
c
T
Las probabilidades para la distribucin muestral de
c
T se proporcionan en el Apndice para K=2 y
3 ; 2 5 N s s , para otros valores , la distribucin muestral de
c
T es aproximadamente normal .
Por tanto para probar la hiptesis
o
H :
c
T =0 contra la Hiptesis alterna :
1
H =
c
T >0 , podemos
usar el estadstico
Z=
3 ( 1) 2
( 1) 2(2 5)
c
KN N
T
KN N N
(

(
+


Que se distribuye de manera aproximadamente normal con media cero y desviacin estndar uno













Apendice :
K=2
N Tc P
2 0.000 0.750
1.000 0.250
3 0.000 0.639
0.333 0.361
0.667 0.139
1.000 0.028
4 0.000 0.592
0.167 0.408
0.333 0.241
0.500 0.118
0.667 0.045
0.833 0.012
1.000 0.002
5 0.00 0.567
0.100 0.433
0.200 0.306
0.300 0.198
0.400 0.116
0.500 0.060
0.600 0.027
0.700 0.010
0.800 0.003
0.900 0.001
1.000 0.000+
K=3
N Tc P
2 0.333 0.500
1.000 0.125
3 0.111 0.500
0.333 0.278
0.556 0.116
0.778 0.033
1.000 0.005
4 0.000 0.576
0.111 0.424
0.222 0.292
0.333 0.167
0.444 0.086
0.556 0.038
0.667 0.014
0.778 0.004
0.889 0.001
1.000 0.000+
5 0.000 0.556
0.067 0.445
0.113 0.338
0.200 0.243
0.267 0.164
0.333 0.103
0.400 0.060
0.467 0.032
0.533 0.016
0.600 0.007
0.667 0.003
0.733 0.001
0.800 0.000+




Ejemplo :
Supongamos que K=5 jueces han asignado rangos a N=5 objetos y deseamos determinar la
correlacin entre los rangos de los jueces y un rango criterio , por conveniencia , el rango criterio
de los objetos sigue el orden de su cdigo de rotulamiento esto es , A,B,C,D,E . Los rangos
asignados por los jueces a los objetos estn proporcionados en la siguiente tabla .
Pacientes
Jueces A B C D E
I. 1 2 3 4 5
II. 2 1 4 3 5
III. 4 1 3 2 5
IV. 1 3 5 2 4
V. 1 4 3 5 2

ejemplo: programado en R
B<-matrix(c(1,2,4,1,1,2,1,1,3,4,3,4,3,5,3,4,3,2,2,5,5,5,5,4,2),5,5) #pg324 estadistica no parametrica aplicado
a la ciencias de la conducta
#otro ejemplo
#pg315 R<-matrix(c(1,1,6,6,5,3,3,6,2,2,4,5,5,2,4,4,3,1),3,6)
julio=function(A){
k<-dim(A)[1]
N<-dim(A)[2]
mp<-matrix(0,N,N)
for(i in 1:N){
for(j in 1:N){

mp[i,j]<-sum(A[,j]>A[,i])
}}

M<-matrix(0,N,N)#para sacar los positivos
for(i in 1:N){
for(j in 1:N-1){
if(j>=i){
M[i,j]<-mp[i,j+1]

}
}
}
sigma<-sum(M)
return(list(sigma=sigma,k=k,N=N))
}
sigma<-julio(B)$sigma
k=julio(B)$k
N=julio(B)$N
tc<-(4*sigma/(k*N*(N-1)))-1
tc
z=(tc-(2/(k*N*(N-1))))*3*sqrt(k*N*(N-1))/sqrt(2*(2*N+5))
p.value=1-pnorm(z)
p.value

conclusin: con un p.valor= 0.0059 hay suficiente evidencia estadstica para rechazar
o
H por lo con un alto
grado de confianza que los evaluados de un grupo muestran fuerte acuerdo con el rango criterio.
Referencia : Estadstica no paramtrica aplicado a la ciencias de la conducta