Man4

DISEÑOS DE INVESTIGACIÓN Y
ANÁLISIS DE DATOS

TEMA 3
Análisis de datos paramétricos
para diseños de dos grupos

Introducción
• En los diseños de una única muestra no existe
grupo o muestra de comparación.
• Sin embargo, generalmente será conveniente,
y en algunos casos necesario, utilizar más de
una muestra.

Joke
• Dos señoras conversando en el bar:
• María: “bueno, y tu marido en la cama,
¿qué tal es?”
• ….
• Juana: “¿comparado con quién?”

• Es usual la utilización de dos muestras cuando:
a) queremos comprobar si existen diferencias
entre un grupo experimental y un grupo de
control.
B) si queremos comprobar la eficacia de un
tratamiento mediremos la variable
dependiente (v.d.) antes y después del
tratamiento y comparamos ambas medias
para comprobar si la terapia ha sido eficaz.

Muestras independientes
Sujeto Grupo v.d.
1 Experimental X1
2 Experimental X2
3 Experimental X3
4 Experimental X4
5 Experimental X5
6 Control X6
7 Control X7
8 Control X8
9 Control X9
10 Control X10

Muestras dependientes
Sujeto v.d. antes del v.d. después del
tratamiento tratamiento
1 X1a X1d

2 X2a X2d

3 X3a X3d

4 X4a X4d

5 X5a X5d

• En otras ocasiones el mismo problema que
queremos investigar nos obliga a utilizar dos
muestras, porque queremos estudiar diferencias
entre dos poblaciones diferentes, como puede ser
entre hombres y mujeres, entre ambiente rural y
urbano, entre dos clases sociales, etc.
• Obsérvese que estas diferencias exigen un diseño
inter-sujetos (muestras independientes)

MUESTRAS INDEPENDIENTES O
RELACIONADAS
• En todas las técnicas estadísticas que vemos
en este curso suponemos que las
observaciones dentro de una muestra son
independientes, es decir, que no existe
relación entre ellas. Por lo tanto, dentro de un
grupo el valor de una determinada puntuación
no nos informa en absoluto del valor de otras
puntuaciones dentro del mismo grupo.

MUESTRAS INDEPENDIENTES O
RELACIONADAS
• En cualquier caso, para garantizar la
independencia de los datos dentro de un
grupo, lo mejor que puede hacerse es
seleccionar a los elementos de la muestra de
forma aleatoria.
• No obstante, obsérvese que la independencia
intra-grupo es un SUPUESTO (y lo mejor que
puede hacerse es ponerlo a prueba).

• Por tanto, cuando trabajamos con dos
muestras (o más de dos), las muestras
pueden ser independientes o relacionadas.
Son independientes cuando no existe relación
entre los sujetos (unidades de observación) de
una y otra, lo que podremos garantizar si los
sujetos son asignados aleatoriamente a cada
una de las muestras.

• Tenemos muestras relacionadas cuando cada
observación en una muestra tiene su pareja
en la otra. El caso más evidente es cuando son
los mismos sujetos los que pasan por
diferentes condiciones experimentales.
• En otras ocasiones no son los mismos sujetos
los que se repiten en las muestras, pero hay
una relación sujeto a sujeto en ambas.

• Por ejemplo, si disponemos de 10 parejas de
hermanos gemelos, podemos formar dos
grupos de 5 personas donde cada dos
hermanos son asignados, aleatoriamente, a
grupos distintos. También podemos contar
con padres e hijos, maridos y mujeres, etc.

• Por último, también podemos utilizar pares de
sujetos que están equiparados en variables
que pueden influir en el diseño de la
investigación.
• Por ejemplo, supongamos que para probar la
eficacia de dos métodos de enseñanza,
queremos controlar la influencia del CI por lo
que tomamos pares de sujetos con un CI
semejante formando cada uno de ellos parte
de muestras diferentes.

CONTRASTES DE HIPÓTESIS SOBRE DOS
MEDIAS EN MUESTRAS INDEPENDIENTES
• En este apartado veremos tres contrastes de
hipótesis sobre dos medias para muestras
independientes en función de los supuestos
que hagamos sobre las varianzas
poblacionales.
– Supuestas conocidas
– Desconocidas pero suponiendo que son iguales
– Desconocidas suponiendo que son diferentes.

• En todo contraste de hipótesis el proceso de
inferencia estadística se realiza sobre una
distribución teórica que denominamos
distribución muestral (DM).
• Nos tenemos que preguntar cómo se
compone la distribución muestral en el caso
de dos medias con muestras independientes.

Distribución muestral de la diferencia de medias para
dos muestras independientes

• Supongamos que tenemos dos poblaciones, y
que cada una de ellas contiene 3
observaciones.
• Denotaremos las puntuaciones mediante la
letra latina Y. Presentamos las puntuaciones,
la media y la varianza de dichas poblaciones.

Población Muestra DM
Población 1 Población 2 Muestra 1 Muestra 2

Y11= 2 Y21= 3.5
Y12= 5 Y22= 5
Y13= 8 Y23= 6.5

• El primer subíndice hace referencia a la
población/muestra a la que pertenecen y el segundo
al orden que cada puntuación ocupa en su muestra.
• Podemos calcular la media aritmética de todas las
sub-muestras de tamaño, v.g., n = 2 con reposición
para la Población 1, y que formarán la distribución
muestral de la media para dicha población en
muestras de tamaño n = 2.

• Ahora debemos plantearnos ¿cuál será la DM
de las DIFERENCIAS entre las medias de cada
par posible de muestras?

• Teóricamente podríamos plantearnos otra
función de las medias muestrales (v.g., su
suma, su producto, etc.) pero estaremos de
acuerdo en que la diferencia entre las medias
es la más sencilla además de que es
congruente con la idea que subyace a H0: no
existen diferencias entre ambas muestras, lo
cual implica que su diferencia, por término
medio, será cero.

• Otra fórmula para calcular la varianza de las
diferencias, en términos de las varianzas de las
poblaciones originales, es:

• En los contrastes que veremos a
continuación vamos a suponer
que las poblaciones de las que
proceden las muestras que
utilizaremos:
– se distribuyen normalmente, o
–n1 ≥ 30 y n2 ≥ 30.

Esto nos garantiza que las
distribuciones muestrales de la
media en ambos casos también se
distribuyen normalmente y, si esto es
así, también se distribuirá
normalmente la distribución
muestral de las diferencias entre
medias.

Varianzas poblacionales conocidas
• Ejemplo 3.1. Un psicólogo escolar utiliza un
test de comprensión verbal recientemente
traducido del inglés, que proporciona
puntuaciones en un nivel de medida de
intervalo.

• Ejemplo 3.1 Se sabe, por investigaciones
anteriores, que las varianzas en la población
son para niños y niñas

Respectivamente.

• Ejemplo 3.1. Las investigaciones anteriores
también indican que la media es la misma en
ambos grupos, pero este último aspecto no ha
sido comprobado con muestras españolas. El
psicólogo considera que la traducción del test
no es muy acertada y puede provocar
diferencias que en realidad no se deben a la
comprensión verbal.

• Ejemplo 3.1. Por ello selecciona
aleatoriamente una muestra de 100 niños y
otra muestra de 200 niñas obteniendo una
media igual a 20 para los niños e igual a 17’5
para las niñas. Con un nivel de confianza del
95%. ¿Podemos afirmar que la puntuación
media en el test de comprensión verbal es la
misma para niños y niñas?

Condiciones y supuestos
• Tenemos un diseño de dos muestras
independientes (niños y niñas) en el que la
variable dependiente (comprensión verbal)
proporciona puntuaciones en una escala de
intervalo. Aunque no sabemos si las
poblaciones se distribuyen normalmente,
trabajamos con muestras que son lo
suficientemente grandes (n1 ≥ 30 y n2 ≥ 30).

• Finalmente, el psicólogo asume que las
varianzas de las poblaciones de niños y niñas
son las que reflejan las investigaciones
anteriores. En definitiva se cumplen los
siguientes supuestos:
• Variable dependiente con un nivel de medida
de intervalo o razón.
• Dos poblaciones que se distribuyen
normalmente, o bien n1 ≥ 30 y n2 ≥ 30.
• Varianzas poblacionales conocidas.

Formulamos las hipótesis
• En este caso el psicólogo piensa que pueden
existir diferencias pero no tiene una hipótesis
previa sobre la dirección de las mismas, por lo
que planteamos un contraste de hipótesis
bilateral:

• O equivalentemente:

Estadístico de contraste y su DM
• Conocemos las varianzas de las dos
poblaciones y trabajamos con muestras
grandes, lo que nos permite asumir la
normalidad de la distribución muestral de las
diferencias entre medias.

Dos muestras independientes
DM de la
Niños (1) Niñas (2) diferencia de
medias
Variable X
=
Comprensión
verbal

MUESTRAS
POBLACIÓN

• Observamos que la fórmula del estadístico de
contraste sigue el mismo esquema ya visto:
cuantifica la discrepancia entre la diferencia
de medias observada entre las dos muestras
frente a una diferencia nula planteada en la
hipótesis nula, todo ello medido en unidades
de desviación típica.

• Por tanto, en el numerador tenemos la
diferencia entre el valor del estadístico en la
muestra

respecto del valor del parámetro que postula la
hipótesis nula (que omitimos porque es cero)
y en el denominador la desviación típica de la
DM del estadístico.

• Calculamos el
nivel p-crítico
en la tabla de
curva normal
(probabilidad
de obtener un
valor como el
observado o
más extremo).
• Obtenemos
0.9993

• Pero esta p (0.9993) es el área que deja por
debajo de sí la curva en el punto 3.21. Como
necesitamos conocer el área superior y
sabemos que todo el área vale la unidad:
1 – 0.9993 = 0.0007
Además, como el contraste es bilateral,
multiplicamos esta p por 2:
2 x 0.0007 = 0.0014

Nivel p-crítico=0.0007

Alpha/2=0.025

• En otras palabras, el estadístico de contraste
(la discrepancia observada) supera el valor
crítico.
• En general, en un contraste bilateral,
mantendremos la hipótesis nula cuando el
estadístico de contraste no alcance el valor
crítico

y la rechazaremos cuando:

• Si utilizamos el nivel p-crítico para concluir
qué decisión tomar con respecto a H0,
llegamos a la misma conclusión, puesto que
0’0014 < 0’05
o en general:

• El comparar el nivel crítico (p) con el nivel de
significación (alpha) nos proporciona más
información que la comparación del
estadístico de contraste con el valor crítico,
puesto que vemos claramente que es muy
improbable que siendo la hipótesis nula
verdadera obtengamos dos muestras cuyas
medias tengan una diferencia como la
observada.
• El resultado sería significativo incluso a un
nivel de confianza superior al 99%.

Interpretar el resultado
• Las sospechas del psicólogo parecen
fundadas. Las diferencias significativas entre
niños y niñas en fluidez verbal pueden
deberse a una deficiente traducción del test.

Intervalo de confianza
• Si estuviéramos interesados en calcular el
intervalo de confianza, lo haríamos mediante
la expresión:


(0.975, 4.024)

Varianzas poblacionales desconocidas
pero supuestas iguales.
• Ejemplo 3.2. En un estudio sobre depresión
en personas mayores llevado a cabo en un
centro geriátrico, se quiere comprobar si las
personas ingresadas que no reciben visitas de
sus familiares tienen una puntuación media
en depresión superior a aquellas personas
cuyos familiares les visitan con frecuencia.

• Ejemplo 3.2. Para comprobar esta hipótesis,
se seleccionaron aleatoriamente 41 personas
que no reciben visitas obteniéndose una
puntuación media de 20 puntos con una
cuasivarianza igual a 100, mientras que en una
muestra aleatoria de 31 personas que si
reciben visitas con frecuencia la media fue
igual a 15 con una cuasivarianza igual a 90.

• Ejemplo 3.2. Suponiendo que las varianzas en
la población son iguales para ambos grupos, y
con un nivel de confianza del 99% ¿podemos
decir que los datos obtenidos avalan la
hipótesis de partida?

DM de la
Ancianos que Ancianos que diferencia de
no reciben reciben visitas medias
Variable X visitas (1) (2)
=
Depresión

MUESTRAS
POBLACIÓN

• Los requisitos en este caso son iguales que en
el caso anterior. La única diferencia es que no
conocemos las varianzas poblacionales, si bien
las suponemos iguales. Comprobamos pues
que se cumplen los siguientes puntos:
de intervalo o razón. Suponemos que el test
de depresión proporciona medidas en una
escala de intervalo.

• Supuestos:
• No sabemos cómo se distribuye la variable en
población, pero salvamos este obstáculo
utilizando dos muestras con 30 o más
observaciones cada una.
• Varianzas poblacionales desconocidas y
supuestas iguales.

• Partimos de la hipótesis de que la depresión
media es superior en las personas que no
reciben visitas de sus familiares (Grupo 1)
respecto de las personas que reciben con
frecuencia visitas de sus familiares (Grupo 2)

• En consecuencia, el contraste de hipótesis
completo será unilateral derecho:

• Expresado en términos de desigualdades será:

Estadístico de contraste
• El estadístico de contraste en este caso se
distribuye según t de Student con n1+n2-2
grados de libertad (obsérvese la
cuasivarianza):

• El estadístico de contraste en este caso se
distribuye según t de Student con n1+n2-2
grados de libertad vale 2.14728.

Establecemos la regla de decisión
• Buscamos en las tablas de t de Student el
valor crítico (contraste unilateral), que en este
caso es igual a la puntuación que supera al
99% de la distribución para 70 grados de
libertad, que se corresponde con 2.381

Un valor de t=2.381 (el valor crítico) deja por
encima de sí el 0.01 del área de la distribución.

Mientras que el valor t = 2.15 deja por encima
de sí algo más del 0.01 del área (las tablas no
nos permiten determinarlo exactamente)

• El nivel p-crítico es igual a p = 0’0175, pero no
podemos calcularlo exactamente en las tablas del
apéndice.
• No obstante, podemos utilizarlas para calcularlo de
forma aproximada, observando que para 70 grados
de libertad nuestro estadístico de contraste se
encuentra entre las puntuaciones 1’994 y 2’381
(1’994 < 2’15 < 2’381) que dejan por encima de si
respectivamente las proporciones: 0’025 y 0’01,
luego el nivel p-crítico se encontrará entre estos dos
últimos valores (0’025 < p < 0’01).

Conclusión
• Como el valor del estadístico de contraste
(Te=2.15) no supera al valor crítico (Tc=2.38)
por lo que la diferencia encontrada no es
significativa con un nivel de confianza del 99%.

• En general en un contraste unilateral derecho
mantendremos la hipótesis nula cuando el
estadístico de contraste no supere el valor
crítico

• y la rechazaremos en caso contrario, es decir,
cuando

• Si comparamos el nivel p-crítico con el nivel de
significación:

0’0175 < 0’01
se llega a la misma conclusión.

Interpretación del resultado
• Al nivel de confianza del 99% los resultados no
indican que la puntuación media en depresión
sea mayor en el grupo de sujetos que no
reciben visitas respecto de los que sí las
reciben. Pero los resultados sí son
significativos al nivel de confianza del 95%,
como apreciamos al comparar el nivel de
significación con el nivel crítico.

• Quizás fuera conveniente profundizar en la
relación entre ser visitado o no por los
familiares y puntuar más alto en depresión en
las personas que permanecen ingresadas en
centros geriátricos.

¿Experimentos chorras o de
sentido común?


(-18.2942, 28.2942)

• XXX
Ejemplo 3.3. Un laboratorio desarrolla un
fármaco con el que se pretende reducir la
ansiedad. Para comprobarlo, se extrajeron dos
muestras aleatorias de cinco observaciones
cada una que suponemos procedentes de
poblaciones que se distribuyen normalmente
con distinta varianza.

• Ejemplo 3.3. A los sujetos de la primera
muestra se les administró el fármaco y los de
la segunda una sustancia placebo.
Posteriormente se les midió la ansiedad a
todos los sujetos mediante un test en el que
cuanto más elevada es la puntuación mayor es
la ansiedad.

• Ejemplo 3.3. Las resultados de ambas
muestras fueron:

• Grupo 1 (con fármaco): {10; 20; 30; 20; 5}
• Grupo 2 (sin fármaco): {30; 50; 30; 60; 20}

Con un nivel de confianza del 95%, ¿podemos
afirmar que el fármaco efectivamente reduce
la ansiedad?

• Necesitamos asumir que la variable
dependiente esté medida a nivel de intervalo.
En cuanto a las poblaciones de las que
proceden las varianzas, necesitamos
suponerlas normalmente distribuidas porque
el tamaño de las muestras es pequeño. En
este caso tampoco conocemos las varianzas
poblacionales, aunque las suponemos
distintas.

DM de la
Sujetos que Sujetos que diferencia de
reciben el reciben el medias
Variable X fármaco (1) placebo (2)
=
Ansiedad
X1 = 10, 20, 30, X = 30, 50, 30,
2
20, 5 60, 20
Distribución
normal

MUESTRAS
POBLACIÓN

• De acuerdo con la hipótesis del laboratorio
esperamos que la puntuación media sea
inferior en el grupo 1 (nuestro fármaco reduce
la ansiedad significativamente), por lo que
hemos de plantear un contraste de hipótesis
unilateral izquierdo.

• Luego la hipótesis completa será:

• Esta hipótesis se puede plantear también
como:

Distribución muestral
• El estadístico T sigue una distribución muestral
t de Student con los grados de libertad
(redondeando al entero más próximo):

• Regla de decisión: buscamos en las tablas t de
Student el valor t que deje por debajo de sí un
área del 0.05 (y 1-0.05 = 0.95 por encima) con
6 grados de libertad:

Valor t con 6 grados de libertad y que deja por encima
de sí el 0.05 del área (valor positivo, luego su negativo
deja por debajo de sí el 0.05)

• Conclusión: el valor del estadístico de
contraste es una puntuación más extrema que
el valor crítico que hemos buscado en la tabla
t de Student (-2.46 < -1.94) por lo que
rechazamos la hipótesis nula.

• Con la misma lógica que en todos los contrastes,
en general en un contraste bilateral izquierdo
mantendremos la hipótesis nula cuando se
cumpla que

y la rechazaremos si

• Para calcular aproximadamente el nivel p-
crítico, en la tabla t de Student, para 6 grados
de libertad, tenemos que se encuentra entre
2.447 < 2.46 < 3.143

• por lo que deducimos que el nivel p-crítico
estará comprendido entre las probabilidades
de encontrar valores iguales o inferiores a
estas dos puntuaciones
1- 0.975 = 0.025
1- 0.990 = 0.01
• 0.01 > p_crítico > 0.025

• A un nivel de confianza del 95% concluimos
que la media en ansiedad es inferior para el
grupo que tomó el fármaco, por lo que
concluimos que, efectivamente, reduce la
ansiedad.

Consideraciones sobre los contrastes de
hipótesis en dos muestras independientes
• En el primer contraste de hipótesis incluíamos
entre los supuestos el que las varianzas
poblacionales son conocidas, lo que
difícilmente podremos asumir en un caso
práctico.
• Si no conocemos las medias de las
poblaciones con las que trabajamos,
difícilmente podremos considerar que sí
conocemos sus varianzas.

• Lo más habitual, por lo tanto, será asumir que
las varianzas poblacionales son desconocidas,
y en este caso el contraste más utilizado es en
el que suponemos varianzas poblacionales
iguales.

• Este supuesto, al que denominaremos
homocedasticidad, es muy común en otras
técnicas estadísticas, como veremos en los
temas en que compararemos las medias de
más de dos grupos (Análisis de la Varianza) o
en el Análisis de Regresión.

• La cuestión estriba en que podamos asumir la
normalidad de la distribución muestral de las
diferencias de las medias, lo que podremos
garantizar si las muestras que utilizamos son
grandes. Si la distribución muestral es normal
y los tamaños de ambas muestras son iguales,
podemos despreocuparnos de las varianzas
poblacionales y suponer sin más que son
iguales, sin que por ello peligre la validez del
contraste de hipótesis que estamos
realizando.

• Ahora bien, habrá casos en los que la opción
más acertada será suponer varianzas
poblacionales distintas, y por lo tanto
tendremos que utilizar el estadístico de
contraste apropiado.
• En la literatura científica sobre este tema se
proponen diferentes procedimientos para
ajustar los grados de libertad de la
distribución muestral. Nosotros hemos
utilizado la solución propuesta por Welch.

• El procedimiento de Welch nos ofrece un valor
inferior para los grados de libertad en relación
a si tomamos n1+n2-2. Recuérdese en el
ejemplo anterior que
n1+n2-2=5+5-2=8
pero escogimos el valor dado por la fórmula
gl = 6.

• El contraste por lo tanto es más conservador
(para un mismo alpha), siendo más difícil
rechazar la hipótesis nula.

• Muchos investigadores sugieren que ha de
realizarse previamente un contraste de
hipótesis sobre la igualdad las varianzas, de
manera que si aceptamos la hipótesis nula

las supondremos iguales y en caso contrario
diferentes.

TEST DE MANN-WHITNEY-WILCOXON
• Cuando no podamos asumir los supuestos
necesarios para realizar un contraste
paramétrico sobre dos medias en muestras
independientes, utilizaremos el test de Mann-
Whitney-Wilcoxon (MWW), con el que
pondremos a prueba la igualdad o
desigualdad de las medianas de las
poblaciones de las que proceden las muestras,
pudiendo plantearse, al igual que en el caso
de las medias, contrates unilaterales o
bilaterales.

TEST DE MANN-WHITNEY-WILCOXON

• También podemos emplear el test MWW para
reducir o eliminar el impacto de los valores
atípicos (outliers) ya que utiliza los valores
ordinales de los datos, no los propios datos.

Supuestos
• La variable dependiente empleada debe ser, al
menos, de nivel ordinal.
• Las distribuciones subyacentes a partir de las
que se han extraído las muestras deben tener
la misma forma. Dicha forma no tiene porque
ser normal, si bien, el supuesto de igualdad de
forma conlleva el supuesto de
homocedasticidad.

• Aunque se deba asumir la homocedasticidad,
el test MWW no se muestra tan afectado por
la violación del supuesto de homocedasticidad
como lo es el test paramétrico
correspondiente.

Ejemplo 3.4
• Un equipo de psicólogos evolutivos ha
estudiado como adquieren los niños la
capacidad de empatizar con otros. Para este
fin han desarrollado un test para medir la
empatía en niños pequeños. Los estudios
preliminares han mostrado que los chicos son
más lentos en desarrollar esta capacidad y,
además, la desarrollan en menor cuantía que
las chicas.

Ejemplo 3.4
• En uno de estos estudios se eligieron dos
grupos al azar, uno de niños (Grupo 1) y otro
de niñas (Grupo 2) y las puntuaciones
obtenidas, en una escala de intervalo, fueron:
• Grupo 1: 13; 13; 25; 13; 18; 8
• Grupo 2: 27; 21; 15; 21; 23; 30; 16
• Determine si estos resultados apoyan la
afirmación de que los niños tienen menor
empatía que las chicas (α = 0’05).

• Aunque la variable dependiente está medida a
un nivel de intervalo, no sabemos cómo es la
forma de las distribuciones de niños y niñas en
la población (normal, t, …).
• Por otro lado, el tamaño de las muestras es
pequeño (6 y 7 elementos, respectivamente ),
y por lo tanto no podemos asumir que la
distribución muestral de las diferencias es
normal, por lo que realizamos un contraste no
paramétrico aplicando el test MWW.

• En general necesitamos que se cumplan las
siguientes condiciones:
– Variable dependiente medida en una escala al
menos ordinal.
– Distribuciones poblacionales con la misma forma.

• Queremos contrastar si los niños (Grupo 1)
tienen menor empatía que las niñas (Grupo
2), por lo que el contraste es unilateral
izquierdo. Las hipótesis planteadas hacen
referencia a las medianas poblacionales.

• Luego la hipótesis completa es:

• Para calcular el estadístico del test MWW
debemos combinar las dos muestras y
transformar las observaciones directas en
rangos, calculando la suma de los rangos
pertenecientes a cada muestra por separado.

• La lógica del estadístico MWW consiste en que
si la mediana de la población de la que se ha
extraído la primera muestra es inferior a la
mediana de la segunda población (de la que
se ha extraído la segunda muestra)
deberíamos esperar que la suma de los
órdenes pertenecientes a la primera muestra
fuese inferior a la suma de los órdenes
pertenecientes a la segunda muestra.

Comenzamos asignando rangos a todas las puntuaciones
8, 13, 15, 16, 18, 21, 23, 25, 27, 30

Grupo 1 Grupo 2

Sujeto 1 2 3 4 5 6 7 8 9 10 11 12 13

Empatía 13 13 25 13 18 8 27 21 15 21 23 30 16

Rango 3 3 11 3 7 1 12 8’5 5 8’5 10 13 6

• Observamos que hay empates.
• En el Grupo 1 hay tres puntuaciones iguales
(sujetos 1, 2 y 4 con puntuaciones todas
iguales a 13), a las que les corresponderían los
rangos 2, 3, 4, y a las que asignamos el rango
medio de estos tres valores:

• De igual forma, las puntuaciones de los
sujetos 8 y 10 son igual a 21, y ocupan los
lugares octavo y noveno, por lo que les
asignamos el rango 8’5.

• A continuación calculamos las sumas de los rangos
para cada una de las muestras y a los que
llamaremos S1 para el primer grupo y S2 para el
segundo:
– Grupo 1: S1 = 3 + 3 + 11 + 3 + 7 + 1 = 28
– Grupo 2: S2 = 12 + 8’5 + 5 + 8’5 + 10 + 13 + 6 = 63

Grupo 1 Grupo 2
Sujeto 1 2 3 4 5 6 7 8 9 10 11 12 13
Empatía 13 13 25 13 18 8 27 21 15 21 23 30 16
Rango 3 3 11 3 7 1 12 8’5 5 8’5 10 13 6

• Obtenemos los estadísticos U1 y U2, restando a
S1 y S2 el sumatorio de rangos total de cada
sub-grupo:

• Si, v.g., tuviéramos un grupo con 2
puntuaciones, tendríamos los rangos 1º y 2º,
cuyo sumatorio da 3.

puntuaciones, tendríamos los rangos 1º, 2º y
3º, cuyo sumatorio da 6.

puntuaciones, tendríamos los rangos 1º, 2º, 3º
y 4º, cuyo sumatorio da 10.

• Y así sucesivamente.

• Luego la expresión

• Nos proporciona el sumatorio de los rangos
totales de los elementos de ese grupo. La
diferencia entre los valores Si obtenidos y este
valor es un índice de discrepancia.

• Para el primer grupo

• El sumatorio de los 6 primeros rangos del
grupo con 6 puntuaciones daría un total de 21
(1/2 * 6 * 7) si consideramos el grupo por sí
solo. En el grupo total se ha obtenido 28.

• Para el segundo grupo

• El sumatorio de los 7 primeros rangos del
grupo con 7 puntuaciones daría un total de 28
(1/2 * 7 * 8) si consideramos el grupo por sí
solo. En el grupo total se ha obtenido 63.

• Las tablas están tabuladas en función del valor
más pequeño de Ui. Luego escogemos el
mínimo del conjunto
{7, 35}
que resulta ser 7.
• Este valor es el estadístico de contraste
obtenido.

Regla de decisión
• La Tabla U de Mann-Whitney-Wilcoxon
expresa los valores críticos U en función del
número de sujetos de cada grupo, del nivel de
confianza y del tipo de contraste (bilateral o
unilateral). Acudiendo a dicha tabla con
α = 0’05; n1 = 6 y n2 = 7, obtenemos un valor
crítico igual a 8.

Conclusión
• La significación (rechazo de H0) se alcanza si el
estadístico de contraste (valor U obtenido en
la muestra, en nuestro caso 7) es igual o
menor que el valor crítico extraído de la tabla
(en nuestro caso 8) al nivel de significación
especificado.
• Como 7 < 8, rechazamos la hipótesis nula al
nivel de confianza del 95%.

• Al nivel de confianza del 95%, los resultados
apoyan la afirmación de que los niños tienen
menor empatía que las niñas, resultado que
está de acuerdo con los estudios preliminares
llevados a cabo por el equipo de psicólogos
evolutivos y que se citan en el enunciado.

Aproximación a la normal con
muestras grandes
• Cuando n1 o n2 son superiores a 20 podemos
utilizar el Teorema del Límite Central para
demostrar que el estadístico

• se distribuye según una z:

• En donde el término

representa el valor medio esperado de U si H0 es
cierta, es decir, si realmente los dos grupos
tienen idéntica mediana.
El denominador de Z representa el error típico
de la distribución muestral del estadístico Ui.

• Aunque con los datos del Ejemplo 3.4 no
tenemos suficientes sujetos para utilizar la
aproximación a la distribución normal, lo
haremos para ilustrar su cálculo.
• Observamos que en el estadístico Z se ha
puesto Ui, ya que podemos utilizar U1 o U2
para realizar el contraste.

• Observamos que en el estadístico Z se ha
puesto Ui, ya que podemos utilizar U1 o U2
para realizar el contraste.

• Estos resultados nos informan que el valor U1
(Grupo 1) es inferior al valor medio esperado
si H0 es cierta (con un alpha = 0.05, el valor de
la Z crítica es -1.64)

CONTRASTE DE HIPÓTESIS SOBRE
DOS VARIANZAS EN MUESTRAS
INDEPENDIENTES
• Ejemplo 3.5. Eysenck (1981) afirmaba que
hombres y mujeres tienen la misma
puntuación media en cociente intelectual (CI),
pero que los hombres muestran mayor
variabilidad en inteligencia. Para comprobar la
hipótesis de Eysenck, seleccionamos
aleatoriamente una muestra de 41 hombres y
otra de 31 mujeres.

CONTRASTE DE HIPÓTESIS SOBRE DOS
VARIANZAS EN MUESTRAS INDEPENDIENTES
• Ejemplo 3.5. Tras aplicar un test de
inteligencia en ambas muestras, observamos
que la cuasivarianza en el grupo de hombres
es igual a 289, mientras que en el de mujeres
vale 225. Con un nivel de confianza del 99%
¿avalan estos datos la hipótesis de Eysenck de
que existen diferencias en la variabilidad del CI
entre mujeres y hombres, siendo la de éstos
mayor?

DM de la
Hombres (1) Mujeres (2) diferencia de
varianzas
Variable X
=
CI

MUESTRAS
POBLACIÓN

CONDICIONES Y SUPUESTOS

• Asumimos que las puntuaciones que nos
proporcionan los tests de inteligencia miden
este constructo en una escala de intervalo, y
que la variable medida se distribuye
normalmente tanto en la población de
hombres como en la de mujeres.

CONDICIONES Y SUPUESTOS

• En general, los supuestos necesarios son:

de intervalo o razón.
• Dos poblaciones con variables normalmente
distribuidas, o bien n1 ≥ 30 y n2 ≥ 30.

Formulamos la hipótesis
• Plantearemos un contraste unilateral
derecho, en el que la hipótesis alternativa
corresponderá a la sugerida por Eysenck, e
indicará que la variabilidad en inteligencia es
superior en el grupo de hombres.

• En consecuencia, las hipótesis son:

• También podemos expresarlas como una
razón:

• El estadístico de contraste sigue una
distribución muestral “F” de Fisher:

DM de la
Hombres (1) Mujeres (2) diferencia de
varianzas
Variable X
=
CI

MUESTRAS

POBLACIÓN

• Los grados de libertad del numerador y
denominador son, respectivamente:

Nivel p-crítico
• El cálculo del nivel p-crítico mediante las
tablas será aproximado.
• Observamos en dichas tablas que el primer
valor que nos ofrecen para 40 y 30 grados de
libertad es igual a 1’573, al que supera una
proporción igual a 0’10, luego con las tablas
tan sólo podemos saber que el nivel p-crítico
es mayor que 0’10 (p > 0’10).

Nivel p-crítico
• Luego con las tablas tan sólo podemos saber
que el nivel p-crítico es mayor que 0’10
(p > 0’10).
Con un programa informático adecuado
concluiríamos que el valor exacto de p es
0’2432.

• Regla de decisión: a un nivel de confianza del
99% para 40 y 30 grados de libertad, el valor
crítico es igual a 2’299.

Conclusión
• A la vista de los resultados mantenemos la
hipótesis nula a un nivel de confianza del 99%,
puesto que el valor del estadístico de
contraste es inferior al valor crítico.
• Los resultados obtenidos están lejos de ser
significativos para cualquier nivel de confianza
razonable.
• Concluimos por lo tanto que la varianza de
hombres y mujeres en inteligencia es la
misma.

• Eysenck (1981) afirmaba que el hecho de que
los hombres mostrasen mayor variabilidad en
inteligencia implica que hay más hombres que
mujeres con CI muy altos y con CI muy bajos.
Si estos hubiesen sido los resultados de un
estudio con todas las garantías, los resultados
no apoyarían la hipótesis de Eysenck.

Propiedad recíproca de la
distribución F
• Aunque en este contraste no ha sido necesario
utilizarla, recordamos la propiedad recíproca
de la distribución F que nos permite calcular
probabilidades que no aparecen en la tabla:

THE TOP TEN REASONS TO BECOME A
STATISTICIAN
Deviation is considered normal.
We feel complete and sufficient.
We are "mean" lovers.
Statisticians do it discretely and
continuously.
We are right 95% of the time.

THE TOP TEN REASONS TO BECOME A
STATISTICIAN
We can legally comment on someone's
posterior distribution.
We may not be normal but we are
transformable.
We never have to say we are certain.
We are honestly significantly different
(HSD).
No one wants our jobs.

Man4

Más contenido relacionado

La actualidad más candente (18)

Similar a Man4 (20)

Más de Rafael Valldecabres (6)

Último (20)

Man4