4 – Prueba de Wilcoxon para muestras pareadas

Lección 4 del curso Estadística Inferencial No Paramétrica.

En la lección anterior vimos qué es y como aplicar la prueba U de Mann-Whitney cuando queremos realizar tests A/B.

En esta lección veremos qué es y cómo implementar en Python la prueba de Wilcoxon pero para el caso en el cual tenemos dos muestras pareadas o dependientes. Así que veremos la idea básica de la prueba junto con un ejemplo práctico de implementación en Python.

Comencemos viendo entonces en qué consiste esta prueba así como un sencillo ejemplo introductorio:

Como acabamos de ver, la prueba de Wilcoxon para muestras pareadas (o dependientes) nos permite determinar si la mediana de las diferencias (“después” vs. “antes”) entre las observaciones es igual a cero.

Y en esencia, es equivalente a la prueba de Wilcoxon de una muestra que vimos en la lección 2, pero aplicada a las diferencias entre pares de observaciones.

Así que teniendo claros los conceptos básicos de esta prueba, veamos cómo usarla para abordar un problema de Ciencia de Datos:

Como acabamos de ver, la lógica para la aplicación de esta prueba no paramétrica es prácticamente la misma que vimos en lecciones anteriores: definir el problema claramente, diseñar la prueba, recolectar los datos, aplicar la prueba e interpretar sus resultados.

El cambio clave en este caso es que al calcular el valor p de esta prueba, no lo hacemos sobre ninguna de las muestras sino sobre sus diferencias.

Así que en este punto ya hemos visto las principales pruebas no paramétricas que nos permiten comparar una o dos agrupaciones. En la próxima lección veremos la prueba no paramétrica equivalente a la prueba ANOVA en estadística paramétrica. Así que veremos en detalle la prueba de Kruskal-Wallis que nos permite realizar inferencia estadística cuando tenemos más de dos muestras a comparar.

Todas las lecciones del curso Estadística Inferencial No Paramétrica