Professional Documents
Culture Documents
F ACULTAD DE Q UÍMICA
P ROGRAMA E DUCATIVO DE LA L ICENCIATURA EN Q UÍMICA F ARMACÉUTICA B IOLÓGICA
DISEÑO DE EXPERIMENTOS
1
GUÍA PARA SU USO
Debido a que cada vez más actividades de enseñanza-aprendizaje
tienen lugar en línea o en aulas “inteligentes”, las cuales disponen de
una computadora y un equipo audiovisual, los profesores optamos por
el uso de las presentaciones de Power Point para acompañar a los
alumnos en sus procesos de instrucción o formación. La utilización de
este tipo de recursos didácticos ayuda a los estudiantes a relacionarse
de forma más favorable con el profesor, además de que los mantiene
más interesados en el material que se presenta, ya que es de gran
ayuda para su experiencia de aprendizaje.
Existen tres objetivos que prácticamente definen cualquier tipo de
presentación (científica, comercial, financiera, entre otros): 1. Conectar
con la audiencia; 2. Dirigir y mantener la atención; y 3. Fomentar la
comprensión del tema a tratar. Estos tres objetivos constituyen tres
claves para el éxito de toda presentación. Una buena estructura de la
presentación, ayudada por un buen diseño del material favorecen
captar el interés de los estudiantes y mantenerlo.
2
GUÍA PARA SU USO
Ahora bien, la Estadística no Paramétrica es una rama de la Estadística
que estudia las pruebas y modelos estadísticos cuya distribución
subyacente no se ajusta a los llamados criterios paramétricos. Su
distribución no puede ser definida a priori, pues son los datos
observados los que la determinan. La utilización de estos métodos se
hace recomendable cuando no se puede asumir que los datos se
ajusten a una distribución conocida, o bien cuando el nivel de
medida empleado sea nominal, categórica o de intervalo. Una
característica de las pruebas no paramétricas es que son más
robustas que las paramétricas; es decir, son válidas en un rango más
amplio de situaciones ya que exigen menos condiciones de validez.
5
ESTADISTICA NO PARAMETRICA
Justificación académica
Los métodos empleados en ESTADÍSTICA
INFERENCIAL se denominan MÉTODOS
ESTADÍSTICOS PARAMÉTRICOS porque se basan
en el muestreo de una población con parámetros
específicos, como la media ( ) , la desviación
estándar ( ) o la proporción ( p ). Por lo regular,
estos métodos paramétricos deben cumplir con
algunas condiciones estrictas, como el requisito de
que los datos muestrales provengan de una
población distribuida normalmente.
8
ESTADISTICA NO PARAMETRICA
Justificación académica
Los MÉTODOS ESTADÍSTICOS PARAMÉTRICOS
suponen que los datos que se analizan siguen una
Distribución Normal (Gaussiana). La validez de esta
hipótesis se basa en el Teorema central del Límite,
que postula que la distribución muestral de la media
puede ser aproximadamente normal aunque la
población de referencia tenga una distribución muy
diferente. La aproximación mejora a medida que el
tamaño de la muestra aumenta.
9
ESTADISTICA NO PARAMETRICA
Justificación académica
También puede ocurrir que la variable no sea continua
por lo que no se cumplen las restricciones
establecidas para las pruebas paramétricas.
En cualquiera de los casos anteriores hay que buscar
técnicas alternativas que permitan darle solución a
estas situaciones de forma eficiente. Surge así la
necesidad de desarrollar una serie de técnicas
estadísticas que tengan un mínimo de restricciones. A
estas técnicas se les conoce como Métodos
Estadísticos no Paramétricos.
10
ESTADISTICA NO PARAMETRICA
Justificación académica
Con frecuencia se presentan a los Químicos
Analistas situaciones donde no pueden asumirse los
supuestos requeridos por desconocerse la
distribución de la variable estudiada, ya sea por ser la
muestra muy pequeña de manera que incluso el
Teorema central del Límite sería de escasa
relevancia; o bien, aunque se conozca la distribución
de la variable y sea válido teóricamente hacer
supuestos sobre la distribución y sus parámetros, no
es razonable utilizar una Prueba Estadística
Paramétrica ya que hay poca certeza de que se
cumplan en este conjunto de datos.
11
ESTADISTICA NO PARAMETRICA
Justificación académica
Existen dos indicaciones para preferir las Pruebas
Estadísticas no Paramétricas:
1. Cuando la prueba estadística clásica o
paramétrica correspondiente no es válida; es
decir, no cumple con las características de una
Distribución Normal.
2. En aplicaciones en donde la prueba estadística
clásica o paramétrica es razonablemente válida,
pero un estimador no paramétrico puede ser más
eficiente.
12
ESTADISTICA NO PARAMETRICA
Justificación académica
Entre las ventajas del uso de los Métodos
Estadísticos no Paramétricos se encuentran las
siguientes:
1. Tienen mayor eficiencia que los métodos
paramétricos en distribuciones asimétricas, o sea
cuando hay valores atípicos o datos aberrantes.
2. Tienen validez en el sentido de que su nivel de
confiabilidad es realmente el especificado en la
mayoría de las pruebas.
3. Generalmente son mucho más fáciles de cálculo
que las técnicas de las estadísticas clásicas.
13
ESTADISTICA NO PARAMETRICA
Justificación académica
4. Son aplicables en situaciones donde los
procedimientos clásicos o paramétricos no son
aplicables.
5. Aún cuando se cumplan los requisitos para
realizar una prueba paramétrica, si la muestra es
pequeña la eficiencia relativa de la prueba no
paramétrica es alta.
La principal ventaja de las Pruebas Estadísticas no
Paramétricas consiste en que pueden efectuarse
inferencias exactas cuando las suposiciones
fundamentales de los métodos estándar no pueden
cumplirse en su totalidad.
14
ESTADISTICA NO PARAMETRICA
Justificación académica
Entre las desventajas de la aplicación de los Métodos
Estadísticos no Paramétricos se citan las siguientes:
1. Fundamentalmente cuando las muestras son muy
grandes las pruebas no paramétricas tienen una
eficiencia relativa baja con relación a las pruebas
paramétricas, siempre y cuando se cumplan los
supuestos de normalidad.
2. Las hipótesis que se plantean en las pruebas no
paramétricas son menos precisas, lo que hace
que la interpretación de los resultados sea más
ambigua.
15
ESTADISTICA NO PARAMETRICA
Justificación académica
3. Su aplicación en muestras grandes se hace muy
laboriosa.
4. Para un problema particular pueden existir varias
pruebas, por lo que en ocasiones se hace difícil
seleccionar la mejor.
16
ESTADISTICA NO PARAMETRICA
Introducción
Hasta ahora, se han aplicado Métodos
Estadísticos Paramétricos que suponen que la
variable tiene una distribución con algunas
características:
1. La Distribución es Normal para datos
cuantitativos continuos
2. La Distribución es Binomial para datos
binarios con una probabilidad ( p ).
17
ESTADISTICA NO PARAMETRICA
Introducción
Las medias, desviaciones
estándar y probabilidades
son llamadas parámetros
y los métodos que hacen
suposiciones acerca de
esos parámetros se
llaman Métodos
Estadísticos
Paramétricos.
Fuente: estadistica.bio.ucm.es, 2013
18
ESTADISTICA NO PARAMETRICA
Introducción
Por lo tanto, los métodos de Estadística
Inferencial son llamados Métodos Estadísticos
Paramétricos porque ellos son basados en
muestreo de una población con parámetros
específicos como la media (μ), la desviación
estándar (σ) o la proporción (p).
19
ESTADISTICA NO PARAMETRICA
Introducción
Estos Métodos Estadísticos Paramétricos
usualmente tienen que ajustarse a algunas
condiciones estrictas, así como el requisito de
que los datos de la muestra provengan de una
población cuya distribución sea normal u otra
conocida.
20
ESTADISTICA NO PARAMETRICA
Introducción
Los Métodos Estadísticos Paramétricos
1. Necesitan la especificación de una
distribución
2. Son métodos robustos para las
distribuciones supuestas
3. Tienen problemas con muestras de
pequeño tamaño
4. Aplicación limitada a variables
cuantitativas.
21
ESTADISTICA NO PARAMETRICA
Introducción
Los Métodos Estadísticos Paramétricos son, en
general, robustos porque no son afectados por
variaciones pequeñas respecto a las hipótesis de
los modelos. Es decir, que no son modificados
indebidamente por valores atípicos u otras
pequeñas discrepancias respecto de las
características del modelo. Ejemplos de
estadísticos robustos son la mediana, la
desviación estándar, el rango intercuartílico.
22
ESTADISTICA NO PARAMETRICA
Introducción
Existen otras distribuciones, en las que no se
asume que sean Normales o Binomiales,
como cuando
1. El tamaño de muestra es pequeño,
2. Los datos cuantitativos no tienen una
Distribución Normal
3. Cuando los datos categóricos tienen más
de dos valores.
23
ESTADISTICA NO PARAMETRICA
Introducción
Las Pruebas Estadísticas Paramétricas
requieren supuestos acerca de la naturaleza o
forma de las poblaciones involucradas. Las
Pruebas Estadísticas no Paramétricas no
requieren estos supuestos.
Consecuentemente, las Pruebas no
Paramétricas son frecuentemente llamadas
Pruebas de Libre Distribución.
24
ESTADISTICA NO PARAMETRICA
Introducción
Ahora bien, algunos experimentos generan
respuestas factibles de ordenar o clasificar,
pero el valor real de las respuestas no es
medible en forma numérica, excepto si lo hace
con una escala arbitraria que se pueda crear
con base en los requerimientos del propio
experimento.
25
ESTADISTICA NO PARAMETRICA
Introducción
Algunos ejemplos son:
1. Clasificación de cuatro vendedores del
mejor al peor
2. La digestibilidad y el sabor de cinco
marcas de cereal se califican del 1 al 5
3. Cinco diseños de automóviles se catalogan
del más atractivo al menos atractivo.
26
ESTADISTICA NO PARAMETRICA
Introducción
Problemas de las escalas no numéricas
• No se puede definir cantidades
• A lo más puede definirse un orden entre las
categorías
• Esto significa que se establece un rango
entre las observaciones
• Para estos casos se han desarrollado
métodos inferenciales que no requieren
definición de la forma de la distribución.
27
ESTADISTICA NO PARAMETRICA
Conceptos básicos
En la práctica surgen muchas situaciones en
las cuales simplemente no es posible hacer
de forma segura ningún supuesto sobre el
valor de un parámetro o sobre la forma de la
distribución poblacional, por lo que la mayoría
de las pruebas estadísticas no son aplicables.
28
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Por lo tanto se deben utilizar otras pruebas
que no dependan de un solo tipo de
distribución o de valores de parámetros
específicos; a este tipo de pruebas se les
denomina Pruebas estadísticas no
paramétricas o de libre distribución.
29
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Aunque el término Pruebas Estadísticas no
Paramétricas sugiere que la prueba no está
basada en un parámetro, hay algunas pruebas
no paramétricas que dependen de un
parámetro tal como la mediana. Las pruebas
no paramétricas, sin embargo, no requieren
una distribución particular, por lo que son
referidas como pruebas de libre distribución.
30
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Si bien, el término libre distribución es una
descripción más exacta, la expresión no
paramétrico es más comúnmente usada.
Las Pruebas Estadísticas no Paramétricas son
útiles cuando el tipo de datos es nominal u
ordinal. Generalmente son más fáciles de realizar
y comprender ya que no requieren cálculos
laboriosos ni el ordenamiento o clasificación
formal de datos o mediciones más exactas de
parámetros poblacionales.
31
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Algunos experimentos generan respuestas
factibles de ordenar o clasificar, pero el valor real
de la respuesta no es medible en forma numérica
excepto si lo hace en una escala arbitraria que
uno mismo puede crear. Habrá casos en los que
hay que ser capaz de decir si una observación es
más grande que otra. Tal ves se pueda clasificar
un conjunto completo de observaciones sin
conocer los valores numéricos exactos de las
medidas.
32
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Por ejemplo, las características de digestibilidad y
sabor de cinco marcas de cereal se clasifican con una
escala de 1 al 5. Los métodos estadísticos revisados
anteriormente para muestras pequeñas son válidos
sólo cuando las poblaciones muestreadas son
normales o casi lo son. Los datos que consisten en
rangos o escalas arbitrarias, como la del ejemplo
anterior, no cumplen con el supuesto de normalidad.
33
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Cuando los datos no cumplen éstos supuestos se
puede emplear un método de análisis estadístico
alternativo denominado Método Estadístico No
Paramétrico. En general, estos métodos especifican
hipótesis en términos de las distribuciones
poblacionales en lugar de parámetros, como la media
y la desviación estándar; sustituyendo por
suposiciones más generales y la clasificación de las
observaciones se usa en lugar de las medidas reales.
34
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Las Pruebas Estadísticas no Paramétricas tienen
casi la misma capacidad para detectar las
diferencias entre las poblaciones que los métodos
paramétricos tradicionales, cuando se cumplen los
supuestos de normalidad. Con frecuencia son más
efectivos para discernir las diferencias
poblacionales.
35
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Una cualidad de los Métodos Estadísticos no
Paramétricos es que pueden estudiar
características intrínsecas o no de la población,
que son lo suficientemente importantes y
necesarias de conocer que hacen imprescindibles
su estudio inferencial como el tipo de distribución de
la población, si existe o no independencia de ésta
con respecto a otra, la presumible homogeneidad
del comportamiento frente a diversos valores de un
factor, la existencia de rangos (intervalos).
36
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Todas estas características hacen necesario su
estudio mediante inferencias que por no hacer
referencia a los parámetros de la población se
denomina Inferencia no Paramétrica .
Las Técnicas no Paramétricas serán así una
metodología de trabajo idéntica a las técnicas
paramétricas pero con la diferencia evidente de
que las hipótesis planteadas no harán referencia
al valor de los parámetros desconocidos o sus
relaciones con los de otra población.
37
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Los Contrastes no Paramétricos, como
también se les conoce, han sido criticados
cuando en realidad poseen cualidades que les
hacen imprescindibles para el adecuado
tratamiento de la información que muchas
veces llega a nosotros para su estudio.
38
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Características de las Pruebas No Paramétricas:
1. Simplicidad de deducción: Los contrastes no
paramétricos son más sencillos
matemáticamente que los paramétricos y se
deducen de expresiones sencillas.
2. Rapidez y simplicidad de manejo: Las
Pruebas no paramétricas son más sencillas de
realizar, las operaciones necesarias son más
simples.
39
ESTADISTICA NO PARAMETRICA
Conceptos básicos
3. Campo de aplicación: Las hipótesis de
aplicación en una Prueba no Paramétrica
son menos detalladas y restrictivas.
4. Sensibilidad respecto al incumplimiento de
las hipótesis: Dado que las hipótesis de
aplicación son menos restrictivas y
numerosas es más fácil percatarse de su
incumplimiento.
40
ESTADISTICA NO PARAMETRICA
Conceptos básicos
5. Tipos de medición exigida: Las Pruebas no
Paramétricas requieren datos ordinales o
nominales, mientras que las Pruebas Paramétricas
requieren escala de razón o de intervalo.
6. Tamaño de la muestra: Con tamaños muestrales
inferiores a diez en las Pruebas Paramétricas no se
puede aplicar la característica de normalidad, se
comete incumplimiento a las hipótesis de
aplicación, por lo que son más adecuadas las
Pruebas No Paramétricas; las cuales disminuyen su
eficiencia precisamente cuanto mayor es el tamaño
muestral
41
ESTADISTICA NO PARAMETRICA
Conceptos básicos
Finalmente, es importante puntualizar que la
potencia de las Pruebas Estadísticas No
Paramétricas es superior o por lo menos igual a
la de las Pruebas Estadísticas Paramétricas,
siempre que se mantengan las hipótesis de
aplicación en los contrastes no paramétricos y no
lo hagan en los contrastes paramétricos; cabe
recordar a este respecto que las pruebas
paramétricas son más sensibles al
incumplimiento de las hipótesis de aplicación.
42
ESTADISTICA NO PARAMETRICA
Comparación de pruebas paramétricas y no paramétricas
Eficiencia de la
Prueba Prueba no
Aplicación Prueba no
Paramétrica Paramétrica Paramétrica
Prueba del Signo 0.63
Dos muestras
Prueba t Prueba de Rangos 0.95
dependientes
Prueba z con signo de
(datos preados)
Wilcoxon
Prueba de Suma
Dos muestras Prueba t
de Rangos de 0.95
independientes Prueba z
Mann Whitney
Varias muestras Análisis de Prueba de Kruskal
0.95
independientes Varianza (ANOVA) Wallis
Prueba de
Correlación lineal
Correlación Correlación de 0.91
(CL)
Rangos
43
ESTADISTICA NO PARAMETRICA
44
ESTADISTICA NO PARAMETRICA
45
ESTADISTICA NO PARAMETRICA
(1 – β) = P (rechazar Ho cuando Ha es
verdadera)
46
ESTADISTICA NO PARAMETRICA
Comparación de pruebas paramétricas y no paramétricas
Análisis Paramétrico No paramétrico
Describir un grupo , 2 Mediana, rango
Comparar un grupo a t Student de una
Prueba Wilcoxon
un valor muestra
Comparar medias en t Student de dos
Mann-Whitney
2 grupos muestras
Comparar medias en
t Student apareada Prueba Wilcoxon
2 grupos apareados
Comparar medias en
ANOVA Kruskal-Wallis
3 o mas grupos
Correlación entre dos
Pearson (lineal) Spearman
variables
47
ESTADISTICA NO PARAMETRICA
50
ESTADISTICA NO PARAMETRICA
51
ESTADISTICA NO PARAMETRICA
52
ESTADISTICA NO PARAMETRICA
53
ESTADISTICA NO PARAMETRICA
54
ESTADISTICA NO PARAMETRICA
Bibliografía
• De Oteysa, E., Lam, E., Hernández, C., y Carrillo, A. (2015).
Probabilidad y Estadística. México: Pearson. ISBN: 978-607-
32-3401-6.
• Devore, J. (2012). Probabilidad y Estadística para Ingeniería
y Ciencias. México: Cengage. ISBN-978-607-481-619-8.
• Garza O., B. (2014). Estadística y Probabilidad. México:
Pearson. ISBN: 978-607-32-2783-4.
• Gutiérrez B., A. L. (2012). Probabilidad y Estadística, un
enfoque por competencias. México: McGraw Hill. ISBN978-
607-15-0712-9.
• Gutiérrez P., H., y De la Vara S., R. (2013). Análisis y Diseño
de Experimentos. México: Mc Graw Hill. ISBN-13: 978-970-
10-6526-6.
55
ESTADISTICA NO PARAMETRICA
Bibliografía
• Johnson, R. A. (2012). Probabilidad y Estadística para
Ingenieros de Miller y Freud. México: Pearson. ISBN: 978-
607-32-0799-7.
• Mongomery, C. D. (2003). Diseño y Análisis de
Experimentos. México: Iberoamericana.
• Triola, M. F. (2009). Estadística. México: Pearson Educación.
ISBN: 978-970-26-1287-2.
• Walpole, R. E. y Myers, R. H. (2014). Probabilidad y
Estadística para Ingeniería y Ciencias. México: Pearson
Educación. ISBN: 978-670-32-1417-9.
• Kuehl, R. O. (2001). Diseño de Experimentos. México:
Thomson.
• Conchran, W. G. y Cox., G. M. (1981). Diseños
Experimentales. México: Trillas.
56