INVESTIGACIÓN DE CUANDO USAR CADA
TIPO DE PRUEBAS PARA HACER HIPÓTESIS
Arias Gálvez Vicente Orlando
Universidad Técnica Estatal de Quevedo
vicente.arias2013@uteq.edu.ec

Resumen—En este informe se da a conocer las definiciones de cada
uno de los tipos de pruebas para hacer hipótesis como también
cuando se utilizan dichas pruebas.
Palabras clave.- Correlación. T- Student , Shapiro Wilk,
Kolmogorov, Prueba T, Prueba Z, ANOVA,Wilcoxon
I. INTRODUCCIÓN
En este trabajo investigativo se describen breves definiciones
de los tipos de pruebas para hacer hipótesis como son las
pruebas de hipótesis sobre el coeficiente de correlación lineal,
pruebas de normalidad (Shapiro -Wilk, Kolmogorov-Smirnov)
, las pruebas T y Z para una y dos muestras, ANOVA de un
factor y el método de Wilcoxon y de la misma forma dar a
conocer cuando usar cada una de estas pruebas.
MARCO CONCEPTUAL
Coeficiente de Correlación. El coeficiente de correlación más
utilizado es el de Pearson, este es un índice estadístico que mide
la relación lineal entre dos variables cuantitativas, es una forma
de medir la intensidad de la relación lineal entre dos variables.
[1]
La T de Student. Inicialmente se diseñó para examinar las
diferencias entre dos muestras independientes y pequeñas
que tengan distribución normal y homogeneidad en sus
varianzas. [2]
Prueba Z. Una prueba Z es una prueba de hipótesis basada
en el estadístico Z, el cual sigue una distribución normal
según la hipótesis nula. [3]
Pruebas no Paramétricas. Constrastan hipótesis que no son
afirmaciones sobre parámetros y no dependen de la forma de la
distribución poblacional, por este hecho, se denominan también
pruebas de distribución libre. [4]
ANOVA de un Factor
El análisis de varianza (ANOVA) de un factor nos sirve para
comparar varios grupos en una variable cuantitativa. [4]
II. DESCRIPCIÓN DE CUANDO USAR CADA TIPO DE
PRUEBAS PARA HACER HIPÓTESIS
3. PRUEBAS DE HIPÓTESIS
3.1. PRUEBA DE HIPÓTESIS SOBRE EL COEFICIENTE
CORRELACIÓN LINEAL
Prueba de hipótesis del coeficiente de correlación poblacional
Rho, (letra griega) se estima con “r” y responde a la siguiente
hipótesis:
Ho: ρ=0 Existe relación
H1: ρ≠0 No existe relación
Esta prueba se hace con n-1 grados de libertad.
Análisis de correlación
El principal objetivo del análisis de correlación consiste en
determinar que tan intensa es la relación entre dos variables,
estas pueden ser. [1]
 Variable Dependiente.- es la variable que se predice o
calcula. Cuya representación es "Y"
 Variable Independiente.- es la o las variables que
proporcionan las bases para el calculo. Cuya
representación es: “X”. Esta o estas variables suelen ocurrir
antes en el tiempo que la variable dependiente.
Mientras más cercano a cero sea el coeficiente de correlación,
indicará que tan débil es la asociación entre ambas variables. Si
es igual a cero se concluirá que no existe relación lineal alguna
entre ambas variables. [1]
3.2. PRUEBAS DE NORMALIDAD
PRUEBA DE SHAPIRO-WILK
En el caso de contraste por normalidad, se recomienda el uso
del test de Shapiro-Wilk para muestras pequeñas 𝑛 ≤ 50 . Para
efectuarla se calcula la media y la varianza muestral, S2, y se
ordenan las observaciones de menor a mayor. A continuación,
se calculan las diferencias entre: el primero y el último; el
segundo y el penúltimo; el tercero y el antepenúltimo, etc. y se
corrigen con unos coeficientes tabulados por Shapiro y Wilk. El
estadístico de prueba es: [5]
𝐷2
𝑊= 2
𝑛𝑆
Se rechazará la hipótesis nula de normalidad si el estadístico W
es menor que el valor crítico proporcionado por la tabla
elaborada por los autores para el tamaño muestral y el nivel de
significación dado.
PRUEBA DE KOLMOGOROV-SMIRNOV
En el caso de contraste por normalidad, se recomienda el uso
del test de Shapiro-Wilk para muestras grandes 𝑛 ≥ 50. El
estadístico de prueba es la máxima diferencia: [5]
𝐷 = 𝑚á𝑥⌈𝐹𝑛 (𝑥) − 𝐹0 (𝑥)⌉
siendo Fn(x) la función de distribución muestral y Fo(x) la
función teórica o correspondiente a la población normal
especificada en la hipótesis nula.
La distribución del estadístico de Kolmogorov-Smirnov es
independiente de la distribución poblacional especificada en la
hipótesis nula y los valores críticos de este estadístico están
tabulados. Si la distribución postulada es la normal y se estiman
sus parámetros, los valores críticos se obtienen aplicando la
corrección de significación propuesta por Lilliefors. [5]
3.3. PRUEBA t-Student
Esta prueba se usa con frecuencia en las publicaciones médicas
indexadas nacionales e internacionales y se han observado
errores consistentes (The New England Journal of Medicine,
Lancet y British Medical Journal). [2]
¿Cuándo usar T-Student para una muestra?
De manera similar al caso de la distribución muestral de medias
para el caso de que n > 30, en donde usamos la distribución
normal, podemos encontrar la distribución de los valores t de
student para aquellos casos cuando n < 30. [6]
𝑥̅ − 𝜇0
𝑡=
𝜎𝑥
¿Cuándo usar T- Student para dos muestras?
Llamada prueba de hipótesis para la diferencia entre las medias
de dos poblaciones.
La prueba de hipótesis que incluye la diferencia entre las medias
de dos poblaciones o muestras se utiliza con más frecuencia
para determinar si es razonable o no concluir que ambas son
distintas entre sí; sin embargo, debe recordarse la definición de
muestra, en que el interés se centra en quiénes (en los sujetos u
objetos de estudio), que corresponde a un subgrupo de la
población y depende del planteamiento inicial de la
investigación. Para seleccionar una muestra, primero se debe
definir la unidad de análisis (a quiénes se va a medir); por ello,
se deben precisar con claridad el problema a investigar y los
objetivos de la investigación. [7]
3.4. PRUEBA Z
Prueba Z para una muestra
La prueba Z de una muestra sirve para evaluar la media de una
población normalmente distribuida con una varianza conocida.
[3]
Prueba Z para dos muestras
Esta prueba se utiliza para contrastar la hipótesis nula de dos
muestras independientes de tamaño n1 y n2 , respectivamente
proceden de la misma población. El contraste se basa en las
diferencias entre las frecuencias relativas acumuladas hasta los
mismos puntos de corte correspondientes a las dos muestras. Si
H0 es cierta es de esperar que dichas diferencias sean pequeñas.
Cuando la hipótesis alternativa no es direccional el contraste es
sensible a cualquier diferencia existente entre las dos
poblaciones, no solo en cuanto a la tendencia central, sino
también en cuanto a forma asimetría. [8]
3.5. ANOVA de un Factor
El análisis de varianza (ANOVA) de un factor nos sirve para
comparar varios grupos en una variable cuantitativa. Esta
prueba es una generalización del contraste de igualdad de
medias para dos muestras independientes. Se aplica para
contrastar la igualdad de medias de tres o más poblaciones
independientes y con distribución normal. Supuestas k
poblaciones independientes, las hipótesis del contraste son
siguientes:
H0: µ1=µ2= …=µk Las medias poblacionales son iguales 2.
H1: Al menos dos medias poblacionales son distintas
Para realizar el contraste ANOVA, se requieren k muestras
independientes de la variable de interés. Una variable de
agrupación denominada Factor y clasifica las observaciones de
la variable en las distintas muestras. [4]
3.6. MÉTODO DE WILCOXON
Es usada para hacer pruebas de hipótesis acerca de la mediana.
La prueba estadística se basa en el estadístico de
Wilcoxon(1945), el cual se calcula de la siguiente manera:
 Se resta de cada dato el valor de la mediana que se
considera en la hipótesis nula.
 Se calcula los rangos de las diferencias sin tomar en cuenta
el signo de las mismas (o sea en valor absoluto). En el caso
de haber empate se asigna un rango promedio a todas las
diferencias empatadas es decir; se les asigna el rango:
(𝒎𝒆𝒏𝒐𝒓 𝒓𝒂𝒏𝒈𝒐 𝒅𝒆𝒍 𝒈𝒓𝒖𝒑𝒐 𝒅𝒆𝒍 𝒆𝒎𝒑𝒂𝒕𝒆 + 𝒎𝒂𝒚𝒐𝒓 𝒓𝒂𝒏𝒈𝒐 𝒅𝒆𝒍 𝒈𝒓𝒖𝒑𝒊 𝒅𝒆𝒍 𝒆𝒎𝒑𝒂𝒕𝒆
𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒆 𝒆𝒎𝒑𝒂𝒕𝒆𝒔
El estadístico W de Wilcoxonserála suma de los rangos
correspondientes a las diferencias positivas. [9]
III. CONCLUSIONES
Con la realización de este informe investigativo se logró
conocer de una manera fácil y resumida cuando utilizar cada
uno de los tipos de pruebas para hacer hipótesis.
IV. REFERENCIA BIBLIOGRÁFICA

[1] I. L. Dicovsky, «Analisis de Regresión Multiple,» UNI-

NORTE - SEDE REGIONAL ESTELÍ, Nicaragua.
[2] R. A. S. Turcios, «t-Student. Usos y abusos,» Cardiologia,
p. 3, 2015.
[3] G. C. Morales, «Estadistica de prueba Z,» 2016.
[4] J. G. S. Margarita Bakieva, «SPSS: Pruebas paramétricas,»
Universidad de Valencia, 2012.
[5] F. P. Arrianza Gómez, Estadística Básica con R y R-
comander, Universidad de Cadiz: UCA.
[6] O. Arias, «Prueba t-Student para una muestra,» 2016.
[7] J. A. G. García, Metodología de la investigación,
bioestadística y bioinformática en ciencias médicas y de la
salud, México: Mc Graw Hill, 2015.
[8] C. M. Victoria Alea, Estadística con SPSS V.10.0,
Barcelona: Universidad de Barcelona.
[9] P. E. Acuña, «Estadística no Parámetrica,»
UNIVERSIDAD DE PUERTO RICO.