Comparacin de grupos con mtodos no

paramtricos
En captulo 12: Mtodos no paramtricos
Los mtodos que hemos visto hasta ahora,
asumen como distribucin muestral la
distribucin Normal, supuesto que no siempre
se cumple, sin embargo estos mtodos
paramtricos son robustos.
Pero qu hacemos cuando no se cumple la
normalidad o tenemos muy pocos datos?
Opciones:
1. Si hay valores extremos y el tamao
muestral es pequeo cualquier mtodo de
inferencia es dudoso.

2. A veces podemos transformar los datos

(log es la transformacin ms usada)

Ejemplo:
Se tienen datos sobre la emisin de monxido de
Carbono (CO) de 46 vehculos del mismo tipo
(Monoxido.sav).
IDEN
1
2
3
.
.
.
44
45
46

HC
0.5
0.65
0.46
.
.
.
0.46
0.47
0.55

CO
5.01
14.67
8.6
.
.
.
3.99
5.22
7.47

NOX
1.28
0.72
1.17
.
.
.
2.01
1.12
1.39

A los investigadores les interesa calcular un

intervalo de confianza para la media del monxido
de Carbono
14
12

10

4
Desv. tp. = 5.26

Media = 8.0
N = 46.00

0
2.0

6.0
4.0

10.0
8.0

14.0
12.0

18.0
16.0

22.0
20.0

24.0

Monxido de Carbono

Intervalo de confianza 95% para la media:

(6,398 - 9,522)
3

Se acuerdan como se calcula este intervalo?

Necesitamos el promedio del CO y la

desviacin estndar:
x 7,96
s 5,261
n 46
t 0, 975 ( 45) 2,021

7,96 2,021

5,261
46

Transformamos la variable con el logaritmo

natural de los datos de Carbono:
12

10

Desv. tp. = .61

Media = 1.89
N = 46.00

0
.50

1.00
.75

1.50
1.25

2.00
1.75

2.50
2.25

3.00
2.75

3.25

Log(CO)

Intervalo de confianza 95% para la media del log

CO (1,7061 - 2,0691)
Convertimos a la unidad original de CO con
exponencial ( 5,507 7,918 )
1, 7061

2 , 0691

Sin transformacin:
Intervalo de confianza 95% para la
media (6,398 - 9,522)

Qu pasa con el supuesto de Normalidad?

Pruebas de normalidad
a

Monxido de Carbono
Log(CO)

Kolmogorov-Smirnov
Shapiro-Wilk
Estadstico
gl
Sig.
Estadstico
gl
.187
46
.000
.842
46
.104
46
.200*
.970
46

Sig.
.000
.266

*. Este es un lmite inferior de la significacin verdadera.

a. Correccin de la significacin de Lilliefors

Grfico Q-Q normal de Monxido de Carbono

3

Normal esperado

-1

-2
-3
-10

10

20

30

Valor observado

Grfico Q-Q normal de Log(CO)

3

Normal esperado

-1

-2
-3
.5

1.0

1.5

2.0

2.5

3.0

3.5

Valor observado

3. Tambin existen mtodos paramtricos

que asumen otras distribuciones, por
ejemplo para el tiempo que demora en
fallar un producto se usa una distribucin
de Weibull (ver diagrama).

4. Finalmente, existen mtodos que no

asumen una distribucin, tambin
llamados de distribucin libre o no
paramtricos.

Los mtodos no paramtricos son la manera

ms directa de solucionar el problema de falta
de normalidad. Estos mtodos son muy simples
de usar y estn disponibles en SPSS.
Pero tienen dos desventajas. Primero que tienen
menos poder* que las equivalentes soluciones
paramtricas.
Adems, los tests no paramtricos NO
contestan a la misma pregunta. Por ejemplo si
queremos hacer un test para docimar sobre el
centro de la distribucin, el test no paramtrico
establece la hiptesis en trminos de la
mediana y el test paramtrico usa la media.

Se define poder o potencia del test como la capacidad del test para
detectar hiptesis nulas falsas. Potencia = 1-
*

10

Test
Paramtrico
Test t simple

Test no
Problema
paramtrico
Una muestra
Test del signo
de rangos de
Wilcoxon
Muestras
Test t simple
Test del signo
pareadas
de rangos de
Wilcoxon
Dos muestras Test t para
Test de suma
independientes muestras
de rangos de
independientes Wilcoxon
Ms de dos
ANOVA de un Test de
muestras
factor
Kruskal-Wallis
independientes
Diseo en
ANOVA con Ji cuadrado de
bloques
bloque
Friedman
aleatorios

Existen dos grandes tipos de test no

paramtricos, los que usan cuentas o nmeros y
los que usan rangos.

11

Ejemplo:
Se
tienen
dos
parcelas
experimentales. Daar la presencia de maleza
la produccin maz?
Malezas por
metro cuadrado
Produccin
0
166,7 172,2 165,0 176,9
3
158,6 176,4 153,1 156,0
Hiptesis
En este problema del maz la hiptesis nula es que la
maleza no afecta la produccin de maz.
Si estamos dispuestos a asumir que la produccin de
maz es Normal, o si tenemos un tamao muestral
razonablemente grande, usamos el test t para medias
independientes. Las hiptesis son:
H 0 : 1 2
H1 : 1 2

Cuando la distribucin no es Normal, podemos reescribir las hiptesis en trminos de medianas:

H 0 : mediana1 mediana 2
H1 : mediana1 mediana 2

Qu tipo de test ser el adecuado en este caso?

12

Revisemos es supuesto de normalidad:

13

Pruebas de normalidad
a

YIELD

WEEDS
0
3

Kolmogorov-Smirnov
Estadstico
gl
Sig.
.241
4
.341
4

.
.

Estadstico
.938
.819

Shapiro-Wilk
gl
4
4

Sig.
.640
.140

a. Correccin de la significacin de Lilliefors

Grfico Q-Q normal de YIELD

Para WEEDS= 0
1.0

.5

Normal esperado

0.0

-.5

-1.0
164

166

168

170

172

174

176

178

Valor observado

Grfico Q-Q normal de YIELD

Para WEEDS= 3
1.0

.5

Normal esperado

0.0

-.5

-1.0
150

160

170

180

Valor observado

14

Test de suma de rangos de Wilcoxon*

Transformacin a rangos
Ordenamos los datos de menor a mayor:
Produccin 153.1
Rango
1

156.0
2

158.6
3

165.0
4

166.7
5

172.2
6

176.4
7

176.9
8

Pasar de los datos a sus rangos, es equivalente a

transformar los datos. Los rangos retienen
solamente en orden de las observaciones y no
el valor numrico.
Si la presencia de maleza afecta la produccin
de maz esperamos que los rangos ms
pequeos sean de ese grupo. Podemos
comparar la suma de los rangos de los dos
tratamientos:

Este test fue creado por el qumico Frank Wilcoxon (1892-1965) en

1945.
*

15

Tratamiento Suma de rangos

Sin maleza
23
Con maleza
13
Por definicin la suma de rangos de 1 a 8 es:
n( n 1) 8 9

36
2
2

Por lo tanto podemos calcular la suma en uno

de los grupos y el otro tiene que ser la
diferencia (36- 23=13)
Si no hay diferencia entre los tratamientos
esperamos que los rangos sean la mitad en cada
grupo, es decir 18.

16

Test de suma de rangos de Wilcoxon

Se tiene una m.a.s de tamao n1 de una
poblacin, y una segunda m.a.s de tamao n2 de
otra poblacin. Hay n observaciones en total,
donde n = n1 + n2. Se calcula el rango de las n
observaciones.
El test estadstico ser la suma W de los rangos
de grupo con menor suma de rangos, este ser
el estadstico de suma de rangos de
Wilcoxon.
Si las dos poblaciones tienen la misma
distribucin continua, entonces W tiene media:
W

n1 ( n 1)
2

y desviacin estndar:
W

n1n2 ( n 1)
12

El test de suma de rangos de Wilcoxon rechaza

la hiptesis nula de que las dos poblaciones
17

tienen la misma distribucin cuando la suma de

rangos W est lejos de su media.
En el ejemplo del maz queremos docimar:
H0: no hay diferencias en la distribucin de la
produccin de maz en los dos grupos
versus
H1: la produccin es mayor en el tratamiento
sin malezas

18

Nuestro test estadstico W=13

Bajo Ho W tiene media:
W

4(8 1)
18
2

y desviacin estndar:
W

4 4(8 1)
3,4641
12

Valor p = P(W 13 | H )
Necesitamos conocer la distribucin muestral
de W bajo la hiptesis nula.
0

Existen tablas que dependen de n1 + n2.

Veamos qu nos da SPSS:

19

Estadsticos de contrasteb
YIELD
3.000
13.000
-1.443
.149

U de Mann-Whitney
W de Wilcoxon
Z
Sig. asintt. (bilateral)
Sig. exacta [2*(Sig.
unilateral)]
Sig. exacta (bilateral)
Sig. exacta (unilateral)
Probabilidad en el punto

.200
.200
.100
.043

a. No corregidos para los empates.

b. Variable de agrupacin: WEEDS

La salida de SPSS nos da el valor p exacto para la

distribucin muestral de W. El valor p para la hiptesis
unilateral es 0,1 (valor p exacto segn SPSS).
Si comparamos con el equivalente test paramtrico t = 1.554, valor p=0,171/2=0,0855
Prueba de muestras independientes
Prueba de Levene
para la igualdad de
varianzas

F
YIELD

Se han asumido
varianzas iguales
No se han asumido
varianzas iguales

1.256

Sig.
.305

Prueba T para la igualdad de medias

gl

Sig. (bilateral)

Diferencia
de medias

Error tp. de
la diferencia

95% Intervalo de
confianza para l
diferencia
Inferior
Supe

-1.554

.171

-9.175

5.9056

-23.6254

5.2

-1.554

4.495

.187

-9.175

5.9056

-24.8832

6.5

20

La aproximacin Normal
El estadstico de suma de rangos W se aproxima a la
distribucin Normal cuando n es grande. Entonces
podemos formar un test z para estandarizar a W:
z

W W
W

El valor de z en el ejemplo del maz nos da:

z

13 18
1,44
3,4641

Esperamos rechazar para valores grandes de W si la

hiptesis alternativa es verdadera, por lo que el valor p
aproximado es:
Valor p P ( Z 1.44) 1 0,9251 0,0749

SPSS da el valor p exacto para W y el asinttico o

aproximado que utiliza la aproximacin a la Normal.
Adems SPSS nos entrega el estadstico U de MannWhitney, este es equivalente al test de suma de rangos
de Wilcoxon.
21

Empates
La distribucin exacta de test de Wilcoxon para suma de
rangos se obtiene asumiendo que todas las
observaciones tienen diferentes valores y por lo tanto su
rango. En la prctica ocurre que muchas veces tenemos
valores iguales. Lo que hacemos es asignar el valor
promedio del rango que ocupan.
Ejemplo:
Observacin
Rango

153
1

155
2

158
3,5

158
3,5

161
5

164
6

La distribucin exacta del test de Wilcoxon se aplica a

datos sin empates, por lo que deberemos ajustar la
desviacin estndar en la presencia de empates.

22

Ejemplo:
La comida que se vende en eventos al aire libre puede
ser menos segura que la de restoranes porque se prepara
en lugares no acondicionados y a menudo por
voluntarios. Qu pensar la gente acerca de la
seguridad de la comida en ferias? Un estudio pregunt a
asistentes a este tipo de eventos:
Qu tan a menudo piensa usted que se enferma la gente
que consume comida en eventos al aire libre?
Las respuestas posibles eran:
1 = raramente
2 = de vez en cuando
3 = a menudo
4 = muy frecuentemente
5 = siempre
En total 303 personas respondieron a la pregunta. De
estos 196 eran mujeres y 107 hombres.
Existe evidencia que hombres y mujeres difieren en su
percepcin acerca de la seguridad en la comida de ferias
al aire libre?
23

Tabla de contingencia Sexo * Respuesta

Recuento
1
Sexo

F
M

Total

2
13
22
35

108
57
165

Respuesta
3
50
22
72

5
23
5
28

2
1
3

Total
196
107
303

Comparamos los porcentajes por filas:

Tabla de contingencia Sexo * Respuesta
% de Sexo

Sexo
Total

F
M

1
6.6%
20.6%
11.6%

2
55.1%
53.3%
54.5%

Respuesta
3
25.5%
20.6%
23.8%

4
11.7%
4.7%
9.2%

5
1.0%
.9%
1.0%

Total
100.0%
100.0%
100.0%

Es la diferencia entre sexos significativa?

H0: hombres y mujeres no difieren en sus respuestas
H1: uno de los dos sexos da sistemticamente mayores
respuestas que el otro
La hiptesis alternativa es de dos colas.
Como las respuestas posibles son slo 5 hay muchos empates.

24

Veamos la salida de SPSS:

Rangos

Respuesta

Sexo
F
M
Total

N
196
107
303

Rango
promedio
163.25
131.40

Suma de
rangos
31996.50
14059.50

Estadsticos de contrastea
U de Mann-Whitney
W de Wilcoxon
Z
Sig. asintt. (bilateral)
Sig. exacta (bilateral)
Sig. exacta (unilateral)
Probabilidad en el punto

Respuesta
8281.500
14059.500
-3.334
.001
.001
.000
.000

a. Variable de agrupacin: Sexo

Tenemos suficiente evidencia para concluir que existen

diferencias significativas entre la percepcin acerca de
la seguridad de la comida al aire libre entre hombres y
mujeres.
Como el tamao de la muestra es grande podramos
haber usado el test paramtrico:

25

Prueba de muestras independientes

Prueba de Levene
para la igualdad de
varianzas

F
Respuesta

Se han asumido
varianzas iguales
No se han asumido
varianzas iguales

3.031

Sig.
.083

Prueba T para la igualdad de medias

gl

Sig. (bilateral)

Diferencia
de medias

Error tp.
la diferen

3.361

301

.001

.33

3.365

218.856

.001

.33

Pero en este caso, tenemos argumentos a favor del test

no paramtrico. El test paramtrico asume que las
respuestas tienen valor numrico y en realidad en una
escala cualitativa. Usar rangos es ms apropiado en este
caso.

26

Tipo de aceite
Rangos
Tipo de aceite
Animal
Vegetal
Total

Absorcin

Rango
promedio
15.29
9.71

N
12
12
24

Suma de
rangos
183.50
116.50

Estadsticos de contrasteb
U de Mann-Whitney
W de Wilcoxon
Z
Sig. asintt. (bilateral)
Sig. exacta [2*(Sig.
unilateral)]

Absorcin
38.500
116.500
-1.936
.053
a

.052

a. No corregidos para los empates.

b. Variable de agrupacin: Tipo de aceite

Prueba de muestras independientes

Prueba de Levene
para la igualdad de
varianzas

F
Absorcin

Se han asumido
varianzas iguales
No se han asumido
varianzas iguales

.310

Sig.
.583

Prueba T para la igualdad de medias

gl

Sig. (bilateral)

Diferencia
de medias

Error tp. de
la diferencia

95% Intervalo de
confianza para la
diferencia
Inferior
Superior

1.928

22

.067

9.25

4.797

-.698

19.198

1.928

21.694

.067

9.25

4.797

-.706

19.206

27