# Trazador de diferencia crítica Nemenyi y rangos Friedman Pruebas de Friedman e Iman-Davenport con p-valores exactos, rangos promedio, la diferencia crítica de Nemenyi y el clásico diagrama CD con cliques — más una capa opcional Bonferroni-Dunn contra un modelo de control. > Página canónica: https://elysiatools.com/es/tools/nemenyi-critical-difference-friedman-rank-plotter - **Categoría:** Data Analysis - **Palabras clave:** nemenyi, test de friedman, diferencia crítica, diagrama cd, demsar, comparación de benchmarks ## Descripción general Esta herramienta calcula las pruebas estadísticas no paramétricas de Friedman e Iman-Davenport para evaluar múltiples algoritmos a través de diversos conjuntos de datos. Genera automáticamente la tabla de rangos promedio, el cálculo de la diferencia crítica (CD) y el diagrama visual clásico de Demšar con cliques, incluyendo análisis post-hoc por pares mediante Nemenyi o comparaciones dirigidas contra un modelo de control mediante Bonferroni-Dunn. ## Entradas - **Matriz de puntuaciones (cabecera: dataset, modelos; filas: scores)** (textarea): dataset, Random Forest, XGBoost, MLP, Logistic dataset-a, 0.91, 0.90, 0.88, 0.84 dataset-b, 0.82, 0.85, 0.80, 0.79 - **Dirección de la métrica** (select) - **Nivel de significancia α** (select) - **Procedimiento post-hoc** (select) - **Modelo de control (para Bonferroni-Dunn)** (text): exact column name of the baseline model ## Cuándo usarlo - Al comparar el rendimiento de múltiples modelos de Machine Learning en varios conjuntos de datos de referencia (benchmarks). - Al redactar artículos científicos que requieren validar diferencias estadísticamente significativas con diagramas de diferencia crítica (CD). - Al evaluar si nuevos algoritmos retadores superan significativamente a un modelo base o de control preexistente. ## Cómo funciona - Pega la matriz CSV con los conjuntos de datos en las filas y los modelos en las columnas. - Selecciona la dirección de la métrica (si un valor mayor o menor indica mejor rendimiento) y el nivel de significancia alfa (0.05 o 0.10). - Elige el procedimiento post-hoc (Nemenyi para comparaciones todos contra todos, o Bonferroni-Dunn indicando el modelo de control). - Obtén los estadísticos de prueba Friedman e Iman-Davenport, los p-valores, la lista de diferencias por pares y el diagrama CD interactivo. ## Casos de uso - Comparación rigurosa de clasificadores en investigaciones académicas según la metodología estandarizada de Demšar. - Validación de pipelines de ingeniería de datos para determinar si una nueva técnica supera a los baselines establecidos. - Selección de algoritmos óptimos en competencias de ciencia de datos sobre múltiples subconjuntos de prueba. ## Preguntas frecuentes ### ¿Cuál es la diferencia entre la prueba de Nemenyi y Bonferroni-Dunn? Nemenyi compara todos los modelos entre sí en pares, mientras que Bonferroni-Dunn compara únicamente cada algoritmo contra un modelo de control designado, ofreciendo mayor potencia estadística. ### ¿Cómo se interpretan las barras o cliques en el diagrama CD? Los modelos conectados por una misma línea horizontal o clique no presentan una diferencia estadísticamente significativa entre sus rangos promedio al nivel de significancia elegido. ### ¿Qué formato debe tener la matriz de entrada? Debe ser un texto delimitado por comas con una fila de cabecera con los nombres de los modelos, donde la primera columna identifique cada dataset o evaluación. ### ¿Por qué se incluye la prueba de Iman-Davenport junto a Friedman? La prueba de Iman-Davenport es una corrección menos conservadora que el chi-cuadrado estándar de Friedman, proporcionando una estadística F con mayor precisión cuando el número de datasets o modelos es moderado. ### ¿Cómo afecta la dirección de la métrica al análisis? Determina si el rango 1 (el mejor) se asigna a los valores numéricos más altos (como Accuracy o F1-Score) o a los más bajos (como RMSE o tasa de error). ## Herramientas relacionadas - [Analizador de Curtosis](https://elysiatools.com/es/tools/kurtosis-analyzer): Analizar la curtosis de los datos para medir la "colas" de la distribución y detectar patrones de colas pesadas o ligeras - [Analizador de Correlación](https://elysiatools.com/es/tools/correlation-analyzer): Herramienta avanzada de análisis de correlación que calcula coeficientes de correlación entre variables para medir la fuerza y dirección de sus relaciones lineales. - [Generador de Tablas Dinámicas](https://elysiatools.com/es/tools/pivot-table-generator): Generar tablas dinámicas interactivas desde datos CSV/JSON con configuración personalizable de campos de filas, columnas y valores - [Analizador de Regresión](https://elysiatools.com/es/tools/regression-analyzer): Herramienta avanzada de análisis de regresión para realizar análisis de regresión lineal, calcular estadísticas de regresión y hacer predicciones. - [Analizador de Asimetría](https://elysiatools.com/es/tools/skewness-analyzer): Analizar la asimetría de los datos para medir la asimetría de la distribución de probabilidad e identificar patrones de datos - [Generador de ideas de dominios con IA](https://elysiatools.com/es/tools/ai-domain-name-idea-generator): Introduce palabras clave de marca y la IA genera hasta 10 ideas de dominio, filtrando los ya registrados con DNS + RDAP. Para emprendedores y desarrolladores. - [Calculadora de Empuje (Arquímedes, F = ρ·V·g)](https://elysiatools.com/es/tools/buoyancy-calculator): Calcula empuje, densidad del fluido o volumen desplazado a partir de dos de ellos, con análisis de flotación - [Analizador de cohortes, RFM y embudo](https://elysiatools.com/es/tools/cohort-retention-rfm-funnel-analyzer): Pega un CSV de pedidos o eventos y obtén la pila de crecimiento en una página: triángulo de retención con mapa de calor, RFM por quintiles mapeado a los diez segmentos de ciclo de vida y embudo de orden estricto. ## Ejemplos - [Ejemplos de Procesamiento de Imágenes Web Python](https://elysiatools.com/es/samples/web-image-processing-python): Ejemplos de procesamiento de imágenes Web Python usando PIL/Pillow incluyendo lectura, guardado, redimensionamiento y conversión de formato - [Ejemplos de Procesamiento de Imágenes Android Java](https://elysiatools.com/es/samples/android-image-processing-java): Ejemplos de procesamiento de imágenes Android Java incluyendo lectura/escritura, escalado y conversión de formato - [Ejemplos de Procesamiento de Imágenes Android Kotlin](https://elysiatools.com/es/samples/android-image-processing-kotlin): Ejemplos de procesamiento de imágenes Android Kotlin incluyendo lectura/escritura, escalado y conversión de formato - [Ejemplos de Procesamiento de Imágenes Web Rust](https://elysiatools.com/es/samples/web-image-processing-rust): Ejemplos de procesamiento de imágenes Web Rust incluyendo lectura/escritura, escalado y conversión de formato