Introducción
La estadística no paramétrica es una rama fundamental de la estadística que no asume distribuciones específicas para los datos, lo que la hace especialmente útil cuando trabajamos con muestras pequeñas o distribuciones desconocidas. A diferencia de los métodos paramétricos, que requieren suposiciones como normalidad o homocedasticidad, las técnicas no paramétricas son más flexibles y robustas. En este artículo, exploraremos sus fundamentos, teoremas clave, ejercicios prácticos y aplicaciones en el mundo real.
Si deseas profundizar en conceptos básicos antes de continuar, te recomendamos leer nuestra introducción a la estadística.
1. Prueba de Wilcoxon-Mann-Whitney
Esta prueba es una alternativa no paramétrica a la prueba t para muestras independientes. Se utiliza para comparar las medianas de dos grupos.
Ejemplo:
Supongamos que tenemos dos grupos de estudiantes con las siguientes calificaciones:
- Grupo A: 78, 85, 92, 65, 70
- Grupo B: 55, 62, 70, 58, 63
Queremos determinar si existe una diferencia significativa entre ambos grupos.
Teorema 1: Estadístico U de Mann-Whitney
Para dos muestras independientes de tamaños $n_1$ y $n_2$, el estadístico U se define como:
$$U = n_1n_2 + \frac{n_1(n_1+1)}{2} – R_1$$
donde $R_1$ es la suma de rangos de la primera muestra.
Demostración:
El estadístico U cuenta el número de veces que una observación de una muestra precede a una observación de la otra muestra. La fórmula se deriva de la suma de rangos esperada bajo la hipótesis nula de igualdad de distribuciones.
2. Prueba de Kruskal-Wallis
Extensión de la prueba de Wilcoxon para más de dos grupos. Es el equivalente no paramétrico del ANOVA.
Ejemplo:
Comparar el rendimiento de tres métodos de enseñanza con las siguientes calificaciones:
- Método 1: 65, 70, 75
- Método 2: 80, 85, 90
- Método 3: 55, 60, 65
Teorema 2: Estadístico H de Kruskal-Wallis
Para k muestras independientes, el estadístico H es:
$$H = \frac{12}{N(N+1)}\sum_{i=1}^k \frac{R_i^2}{n_i} – 3(N+1)$$
donde $N$ es el tamaño total de la muestra, $n_i$ el tamaño de la muestra i-ésima, y $R_i$ la suma de rangos del grupo i.
3. Prueba de los signos
Prueba simple para datos pareados que solo considera la dirección de las diferencias.
Ejercicio 1:
Se midió la presión arterial antes y después de un tratamiento:
| Paciente | Antes | Después |
|---|---|---|
| 1 | 120 | 115 |
| 2 | 130 | 125 |
| 3 | 140 | 135 |
Solución:
1. Calcular diferencias: -5, -5, -5
2. Contar signos negativos: 3
3. Usar distribución binomial con p=0.5 para determinar significancia.
4. Coeficiente de correlación de Spearman
Medida no paramétrica de la correlación entre dos variables.
Teorema 3: Coeficiente de Spearman
Para n pares de observaciones, el coeficiente ρ se calcula como:
$$\rho = 1 – \frac{6\sum d_i^2}{n(n^2-1)}$$
donde $d_i$ es la diferencia entre los rangos de las dos variables.
Demostración:
Se deriva de la correlación de Pearson aplicada a los rangos de las observaciones en lugar de los valores originales.
Ejercicio 2:
Calcular ρ para los siguientes datos:
| X | Y |
|---|---|
| 10 | 20 |
| 20 | 30 |
| 30 | 15 |
Solución:
1. Asignar rangos: X (1,2,3), Y (2,3,1)
2. Calcular diferencias: -1, -1, 2
3. Aplicar fórmula: ρ = 1 – (6*6)/(3*8) = -0.5
Ejercicios adicionales
Ejercicio 3: Prueba de Wilcoxon para muestras pareadas
Comparar los siguientes datos antes/después:
Antes: 5, 7, 6, 8, 4
Después: 6, 8, 7, 9, 5
Solución:
1. Calcular diferencias: +1, +1, +1, +1, +1
2. Asignar rangos: todos iguales
3. Estadístico T = suma de rangos positivos = 15
Ejercicio 4: Prueba de Kruskal-Wallis
Tres grupos con datos: A(3,5,7), B(2,4,6), C(8,9,10)
Solución:
1. Asignar rangos globales
2. Calcular sumas de rangos por grupo
3. Aplicar fórmula H
Ejercicio 5: Prueba de Friedman
Datos de tres tratamientos en cuatro bloques:
| Bloque | Trat1 | Trat2 | Trat3 |
|---|---|---|---|
| 1 | 10 | 12 | 8 |
| 2 | 15 | 14 | 13 |
Solución:
1. Asignar rangos dentro de cada bloque
2. Calcular suma de rangos por tratamiento
3. Aplicar estadístico de Friedman
Aplicaciones prácticas
La estadística no paramétrica tiene numerosas aplicaciones:
- Medicina: Comparación de tratamientos cuando los datos no son normales
- Psicología: Análisis de escalas ordinales
- Ecología: Estudio de poblaciones con distribuciones desconocidas
- Control de calidad: Cuando los supuestos paramétricos no se cumplen
Para más aplicaciones en ciencias sociales, visita nuestro artículo sobre estadística en ciencias sociales.
Conclusión
La estadística no paramétrica ofrece herramientas valiosas cuando los supuestos de los métodos paramétricos no se cumplen. Hemos explorado pruebas como Wilcoxon-Mann-Whitney, Kruskal-Wallis, y el coeficiente de Spearman, junto con sus fundamentos teóricos y aplicaciones prácticas. Estas técnicas son particularmente útiles para:
- Muestras pequeñas
- Datos ordinales
- Distribuciones desconocidas
- Valores atípicos significativos
Al dominar estos métodos, los investigadores pueden realizar análisis estadísticos válidos en una amplia gama de situaciones reales donde los métodos tradicionales podrían fallar.
«`