You are on page 1of 9

Psicología

Investigación en Psicología II

1 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

Unidad 4. Estadística Inferencial No


Paramétrica
Objetivo.

Contenido
4.1 Presupuestos de la estadística inferencial no paramétrica.
4.2 Distribución Chi cuadrada.
4.3 Prueba U de Mann – Whitney
4.4 Prueba rangos de Wilcoxon.
4.5 Prueba rho de Spearman Brown.

2 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

4.1. PRESUPUESTOS DE LA ESTADÍSTICA INFERENCIAL NO PARAMÉTRICA.

Una prueba no paramétrica es una prueba de hipótesis que no requiere que la distribución de la
población se caracterice en función de determinados parámetros. Por ejemplo, numerosas hipótesis se
basan en el supuesto de que la población sigue una distribución normal con los parámetros μ y σ. Las
pruebas no paramétricas no tienen este supuesto, de modo que son útiles cuando sus datos sean
firmemente no normales y resistentes a transformaciones.

Sin embargo, las pruebas no paramétricas no están completamente exentas de supuestos sobre los
datos. Por ejemplo, las pruebas no paramétricas requieren que los datos sean una muestra aleatoria
independiente.

En el contraste de hipótesis, las pruebas estadísticas no paramétricas emplean usualmente algunos datos
más simples de la muestra, como los signos de las mediciones, las relaciones de orden o las categorías de
las frecuencias.

i) Implican menos requisitos de uso, ii) son más sencillas de entender y aplicar, y iii) los
procedimientos de cálculo resultan menos laboriosos. Por otra parte, los métodos no
paramétricos tienen ciertas desventajas: i) se pierde información, ii) la potencia es menor
que la de las pruebas paramétricas y iii) tienden a ser “conservadoras”, es decir, se orientan
hacia la aceptación de la hipótesis nula con más frecuencia de lo que deberían.

En estas circunstancias, las pruebas estadísticas paramétricas son preferibles a las no paramétricas, pero
si la población no está normalmente distribuida o las varianzas poblacionales no son homogéneas o
iguales, entonces puede utilizarse una prueba de distribución no paramétrica como un buen sustituto de
su análoga paramétrica, sobre todo cuando la muestra en estudio es pequeña.

4.1.1. Limitaciones de las pruebas no paramétricas

Las pruebas no paramétricas tienen las siguientes limitaciones:

Las pruebas no paramétricas son generalmente menos potentes que las pruebas correspondientes
diseñadas para utilizarse con datos que provengan de una distribución específica. Por lo tanto, la
probabilidad de que usted rechace la hipótesis nula cuando sea falsa es menor.

Las pruebas no paramétricas con frecuencia requieren que usted modifique las hipótesis. Por ejemplo, la
mayoría de las pruebas no paramétricas sobre el centro de la población son pruebas sobre la mediana y
no sobre la media. La prueba no responde a la misma pregunta del mismo modo que el procedimiento
paramétrico análogo.

4.1.2. Pruebas paramétricas alternativas

Cuando sea posible elegir entre el uso de un procedimiento paramétrico o no paramétrico, y usted está
relativamente seguro de que se cumplen los supuestos para el procedimiento paramétrico, entonces
utilice el procedimiento paramétrico.

3 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

4.2. DISTRIBUCIÓN JI CUADRADA.

Esta distribución (ji cuadrada) es una de las más utilizadas en Estadística, tiene usos diversos. Es la
técnica estadística más utilizada para el análisis de conteo o datos de frecuencias. Por ejemplo, es
posible saber para una muestra de pacientes hospitalizados cuántos son varones y cuántas son mujeres.

4.2.1. Prueba de Independencia

El uso más frecuente de la distribución ji cuadrada es el de probar la hipótesis nula que indica que dos
criterios de clasificación son independientes cuando se aplican al mismo conjunto de entidades. Se dice
que dos criterios de clasificación son independientes si la distribución de un criterio es la misma, sin
importar cuál sea la distribución del otro. Por ejemplo, si el estado socioeconómico y el área de
residencia de los habitantes de cierta ciudad son independientes, se esperaría encontrar la misma
proporción de familias en los grupos bajo medio y alto en todas las áreas de la ciudad.

Tabla de contingencia

La clasificación de un conjunto de entidades, de acuerdo con dos criterios, por ejemplo personas, se
representa mediante una tabla en la que los renglones representan los diversos niveles de uno de los
criterios de clasificación, y las columnas representan los diversos niveles del segundo criterio de
clasificación.

Se tiene interés en probar la hipótesis nula según la cual, en la población, los dos criterios de clasificación
son independientes. Si la hipótesis es rechazada, se podrá concluir que los dos criterios de clasificación
no son independientes. Se extrae una muestra de tamaño n de la población de entidades, y la frecuencia
de ocurrencia de las entidades en la muestra, que corresponden a las casillas formadas por la
intersección de los renglones y las columnas junto con los totales marginales.

EJEMPLO
El propósito de un estudio realizado por Vermund et al, era investigar la hipótesis de que las mujeres
infectadas con VIH también están infectadas con el virus del papiloma humano (PVH) detectado
mediante hibridación molecular, tienen más probabilidad de tener anormalidades citológicas cervicales
que las mujeres con uno de los dos virus mencionados. Se pretende saber si es posible concluir que
existe relación entre el estadio del PVH y la etapa de infección por VIH.

Solución:

1. Datos.
VIH
Seropositivo Seronegativo
PVH Seronegativo Total
sintomático asintomático
Positivo 23 4 10 37
Negativo 10 14 35 59
Total 33 18 45 96

4 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

2. Supuestos. Se considera que la muestra disponible para el análisis es equivalente a una muestra
aleatoria extraída de la población de interés.

3. Hipótesis.

4. Prueba Estadística.

5. Distribución de la prueba estadística.

6. Regla de decisión.

7. Cálculo de la prueba estadística,

8. Decisión estadística.

9. Conclusión

4.3. PRUEBA U DE MANN – WHITNEY

Cuando la variable de interés se mide por lo menos en una escala ordinal. Si, para probar la hipótesis
deseada, se cuenta con un procedimiento que utilice una mayor cantidad de información de la
información inherente en los datos, dicho procedimiento debe utilizarse siempre que sea posible. Esta
prueba se basa en las jerarquías de las observaciones, por lo cual utiliza más información que una prueba
de la mediana.

Supuestos.

1. Las dos muestras

5 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

Para nuestro ejemplo, la hipótesis a ser probada, llamada hipótesis nula y denotada por 𝐻0 , es p = .5. La
hipótesis alternativa (o investigación), denotada como Ha, es la hipótesis a ser aceptada en caso que 𝐻0
sea rechazada. Por lo general la hipótesis alternativa es la que queremos comprobar con base en la
información contenida en la muestra; así, en nuestro ejemplo, 𝐻1 es p < .5.

4.4. PRUEBA SUMA DE RANGOS DE WILCOXON.

Cuando las muestras son grandes, mayores que 30 datos (unidades observacionales o experimentales),
aunque no se cumplan los requisitos establecidos para las pruebas paramétricas, se sugiere analizarlos
empleando ambos modelos; y si los resultados son equivalentes, esto significa rechazar la misma
hipótesis, se reportan los resultados con los dos métodos, o únicamente con la conclusión paramétrica,
así como también si los resultados no son equivalentes. Esto es debido a que la estadística paramétrica
es más poderosa que la no-paramétrica.

4.5. PRUEBA RHO DE SPEARMAN BROWN.

2.5 Intervalo de confianza

Supongamos que usted realiza una prueba de hipótesis. Recuerde que la decisión de rechazar la
hipótesis nula (𝐻0 ) o no rechazarla puede depender del valor p y del nivel de significancia elegido
(también denominado α). Si el valor p es menor que o igual al nivel de significancia (α), usted rechaza 𝐻0 ;
si es mayor que α, usted no puede rechazar 𝐻0 .

Su decisión también puede basarse en el intervalo de confianza (o límite) que se calcula usando el mismo
nivel α. Por ejemplo, la decisión para una prueba al nivel de significancia 0.05 puede basarse en el
intervalo de confianza de 95%:

Si el valor de referencia especificado en 𝐻0 está fuera del intervalo (es decir, es menor que el límite
inferior o mayor que el límite superior), usted puede rechazar 𝐻0 .

Si el valor de referencia especificado en 𝐻0 está dentro del intervalo (es decir, no es menor que el límite
inferior ni mayor que el límite superior), usted no puede rechazar 𝐻0 .

6 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

2.6 Tipos de errores

Cuando usted realiza una prueba de hipótesis, puede cometer dos tipos de errores: tipo I y tipo II. Los
riesgos de estos dos errores están inversamente relacionados y son determinados por el nivel de
significancia y la potencia de la prueba. Por lo tanto, usted debe determinar qué error tiene
consecuencias más graves para su situación antes de definir sus riesgos.

Ninguna prueba de hipótesis es 100% cierta. Puesto que la prueba se basa en probabilidades, siempre
existe la posibilidad de sacar una conclusión incorrecta.

Error de Tipo I

Si rechaza la hipótesis nula cuando ésta es verdadera, usted comete un error de tipo I. La probabilidad de
cometer un error de tipo I es α, que es el nivel de significancia que usted establece para su prueba de
hipótesis. Un α de 0.05 indica que usted está dispuesto a aceptar una probabilidad de 5% de que está
equivocado cuando rechaza la hipótesis nula. Para reducir este riesgo, debe utilizar un valor más bajo
para α. Sin embargo, si utiliza un valor más bajo para alfa, significa que tendrá menos probabilidades de
detectar una diferencia verdadera, si es que realmente existe.

Error de tipo II

Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II. La probabilidad de
cometer un error de tipo II es β, que depende de la potencia de la prueba. Puede reducir su riesgo de
cometer un error de tipo II al asegurarse de que la prueba tenga suficiente potencia. Para ello, asegúrese
de que el tamaño de la muestra sea lo suficientemente grande como para detectar una diferencia
práctica cuando ésta realmente exista.

La probabilidad de rechazar la hipótesis nula cuando es falsa es igual a 1–β. Este valor es la potencia de la
prueba.

Se comete un error tipo I si 𝐻0 es rechazada cuando 𝐻0 es verdadera. La probabilidad de un error tipo I


está denotada por α. El valor de α se denomina nivel de la prueba. Se comete un error tipo II si 𝐻0 es
aceptada cuando Ha es verdadera. La probabilidad de un error tipo II está denotada por β.

Hipótesis Nula
Decisión Verdadera Falsa

No rechazar Decisión correcta (probabilidad = 1 - α) Error de tipo II - no rechazar la hipótesis


nula cuando es falsa (probabilidad = β)

Rechazar Error de tipo I - rechazar la hipótesis nula Decisión correcta (probabilidad = 1 - β)


cuando es verdadera (probabilidad = α)

7 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

Ejemplo

Para entender la interrelación entre los errores de tipo I y tipo II, y para determinar cuál error tiene
consecuencias más severas según sea su caso, considere el siguiente ejemplo.

Un investigador médico desea comparar la eficacia de dos medicamentos. Las hipótesis nula y alterna
son:

Hipótesis nula (𝐻0 ): μ1= μ2

Los dos medicamentos tienen la misma eficacia.

Hipótesis alternativa (𝐻1 ): μ1≠ μ2

Los dos medicamentos no tienen la misma eficacia.

Un error de tipo I se produce si el investigador rechaza la hipótesis nula y concluye que los dos
medicamentos son diferentes cuando, en realidad, no lo son. Si los medicamentos tienen la misma
eficacia, el investigador podría considerar que este error no es muy grave, porque de todos modos los
pacientes se beneficiarían con el mismo nivel de eficacia independientemente del medicamento que
tomen. Sin embargo, si se produce un error de tipo II, el investigador no rechaza la hipótesis nula cuando
debe rechazarla. Es decir, el investigador concluye que los medicamentos son iguales cuando en realidad
son diferentes. Este error puede poner en riesgo la vida de los pacientes si se pone en venta el
medicamento menos efectivo en lugar del medicamento más efectivo.

Cuando realice las pruebas de hipótesis, considere los riesgos de cometer errores de tipo I y tipo II. Si las
consecuencias de cometer un tipo de error son más graves o costosas que cometer el otro tipo de error,
entonces elija un nivel de significancia y una potencia para la prueba que reflejen la gravedad relativa de
esas consecuencias.

Ejercicios

1. Defina 𝛼 y β para una prueba estadística de hipótesis.


2. Suponga que deseamos probar la hipótesis nula 𝐻0 de que la proporción p de hojas de
contabilidad con errores es igual a .05 contra la alternativa 𝐻1 de que la proporción es mayor
que .05 usando el siguiente esquema. Se seleccionan al azar dos hojas de contabilidad. Si
ninguna de ellas tiene errores, rechazamos 𝐻0 ; si una o más contienen un error, vemos una
tercera hoja. Si ésta no tiene errores rechazamos 𝐻0 . En todos los otros casos aceptamos 𝐻0 .

a) De acuerdo con la información de este problema, ¿qué es un error tipo I?

b) ¿Cuál es el valor de α relacionado con esta prueba?

8 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística


Psicología
Investigación en Psicología II

c) Con base en la información de este problema, ¿qué es un error tipo II?

3.

9 Psic. Sergio Miguel Polanco Santos. Especialista en Estadística

You might also like