Bioestadistica Cap. 12-15.docx

S esperadas ei a 0161 40 a 0786 50 a 7173

Info icon This preview shows pages 13–19. Sign up to view the full content.

View Full Document Right Arrow Icon
s esperadas Ei 0 a 39.9 16 14.48 0.161 40 a 49.9 18 22.18 0.786
Image of page 13

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
50 a 59.9 22 38.65 7.173 60 a 69.9 51 49.63 0.038 70 a 79.9 62 50.48 2.632 80 a 89.9 55 37.80 7.826 90 a 99.9 22 22.45 0.009 10 0 a 109. 9 4 14.35 7.465 Totales 250 250 26.089 El criterio con el cual se juzga si la diferencia es grande o pequeña, lo determina la distribución X2 (ji cuadrada). Puede demostrarse que cuando la hipótesis nula es verdadera, la estadística ji cuadrada está distribuida como una con k-r grados de libertad. Donde K es la cantidad de intervalos que se tiene y “r” es la restricción impuesta sobre la comparación, cuando el total de frecuencias observadas y frecuencias esperadas se fuerzan a que sean iguales, entonces r=1. Está distribuida como una con k-r grados de libertad. Donde K es la cantidad de intervalos que se tiene y ”r” es la restricción impuesta sobre la comparación, cuando el total de frecuencias observadas y frecuencias esperadas se fuerzan a que sean iguales, entonces r=1. El valor de calculado se compara con el valor de de la tabla. Si calculado es mayor a de la tabla con cualquier nivel de significancia α, entonces se puede rechazar la hipótesis nula. En el ejemplo calculado se obtiene:
Image of page 14
El de la tabla se obtuvo con un nivel de significancia del .95 y grados de libertad de 9 = 23.589, entonces, comparando, el valor calculado es mayor al de la tabla, por lo tanto se puede rechazar la hipótesis nula de que la muestra proviene de una población con distribución normal. Glosario
Image of page 15

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
Cierre
Image of page 16
Existen ventajas en utilizar la estadística no paramétrica, como por ejemplo: permite pruebas de hipótesis que no son afirmaciones acerca de los parámetros poblacionales, como la ji-cuadrada de bondad de ajuste y la de independencia, además estas pruebas pueden utilizarse cuando no conocemos la distribución de la población, los procedimientos no paramétricos son más fáciles de calcular y por lo tanto más rápidos, además los datos pueden no estar basados en una escala de medición. La estadística no paramétrica tiene como desventaja que el uso no paramétrico en procedimientos que pueden ser paramétricos produce un desperdicio de información; la aplicación de pruebas no paramétricos puede generar mucho trabajo para muestras grandes. Tema 14. Pruebas no paramétricas
Image of page 17

Info icon This preview has intentionally blurred sections. Sign up to view the full version.

View Full Document Right Arrow Icon
Introducción En ocasiones no se tienen suficientes pruebas para suponer una distribución de probabilidad en una población, o bien, se tienen datos no numéricos a tratar, en estos casos usamos las pruebas no paramétricas, en las cuales los métodos son independientes de la distribución y parámetros asociados. Cuando se tienen muestras de datos pequeños y no se pueda suponer la normalidad de la población, lo ideal es usar pruebas no paramétricas. Explicación 14.1 Prueba de Kruskal-Wallis La prueba de Kruskal-Wallis de acuerdo a Daniel, W. (2005), permite tomar la decisión de aceptar la hipótesis de que “r” muestras independientes provienen de la misma población o bien de poblaciones idénticas.
Image of page 18
Image of page 19
This is the end of the preview. Sign up to access the rest of the document.

{[ snackBarMessage ]}

What students are saying

  • Left Quote Icon

    As a current student on this bumpy collegiate pathway, I stumbled upon Course Hero, where I can find study resources for nearly all my courses, get online help from tutors 24/7, and even share my old projects, papers, and lecture notes with other students.

    Student Picture

    Kiran Temple University Fox School of Business ‘17, Course Hero Intern

  • Left Quote Icon

    I cannot even describe how much Course Hero helped me this summer. It’s truly become something I can always rely on and help me. In the end, I was not only able to survive summer classes, but I was able to thrive thanks to Course Hero.

    Student Picture

    Dana University of Pennsylvania ‘17, Course Hero Intern

  • Left Quote Icon

    The ability to access any university’s resources through Course Hero proved invaluable in my case. I was behind on Tulane coursework and actually used UCLA’s materials to help me move forward and get everything together on time.

    Student Picture

    Jill Tulane University ‘16, Course Hero Intern