Para analizar resultados multivariados en ensayos clínicos, varios autores han sugerido generalizaciones de la prueba univariada de Mann-Whitney. Dado que la estadística de Mann-Whitney compara los resultados de los sujetos de dos en dos, las generalizaciones multivariadas se conocen como estadísticas de comparaciones en pares generalizadas (GPC). Para estadísticas de GPC como el beneficio neto del tratamiento, la proporción de victorias y las probabilidades de victoria, se han sugerido pruebas basadas en el método asintótico o de re-muestreo en la literatura. Sin embargo, los métodos asintóticos requieren un tamaño de muestra suficientemente alto para ser precisos, y los métodos de re-muestreo conllevan una carga computacional elevada. Utilizamos la notación de teoría de grafos para obtener fórmulas cerradas para la esperanza y la varianza de la distribución de muestreo por permutación y bootstrap de las estadísticas de GPC, lo cual puede ser utilizado para desarrollar pruebas inferenciales rápidas y precisas para cada una de las estadísticas de GPC. Un ejemplo sencillo y un estudio de simulación demuestran la precisión de los métodos exactos de permutación y bootstrap, incluso en muestras muy pequeñas. Dado que la complejidad temporal es , donde es el número total de pacientes, los métodos exactos son rápidos. En situaciones donde se han utilizado métodos asintóticos para obtener estas matrices de varianza, los nuevos métodos serán más precisos y igual de rápidos. En situaciones donde se ha utilizado bootstrap, los nuevos métodos serán tanto más precisos como mucho más rápidos.