I. INTRODUCCION El Uso de Pruebas Estadísticas en La Investigación y La Sección de Un Modelo Estadístico Apropiado - Pruebas Estadísticas Paramétricas y No Paramétricas PDF

FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES
ESCUELA DE ESTADISTICA
Estadstica no Paramtrica
Resumen del contenido

I. INTRODUCCION El uso de pruebas estadsticas en la investigacin
y la seccin de un modelo estadstico apropiado. Pruebas
estadsticas paramtricas y no paramtricas.
Pruebas paramtricas
Se llaman as porque su clculo implica una estimacin de los parmetros de la poblacin con
base en muestras estadsticas. Mientras ms grande sea la muestra ms exacta ser la estimacin,
mientras ms pequea, ms distorsionada ser la media de las muestras por los valores raros
extremos.
Ventajas de las Pruebas Paramtricas
Ms poder de eficiencia.
Ms sensibles a los rasgos de los datos recolectados.
Menos posibilidad de errores.
Robustas (dan estimaciones probabilsticas bastante exactas).
Desventajas de las Pruebas Paramtricas
Ms complicadas de calcular.
Limitaciones en los tipos de datos que se pueden evaluar.
Pruebas no paramtricas
Las pruebas no paramtricas nos permiten analizar datos en escala nominal u ordinal a pesar de
que no se conozcan los parmetros de una poblacin, utilizada para hacer un contraste de
hiptesis.
Utilizacin:
Cuando los datos puntualizan a las escalas nominal u ordinal.

Se utiliza solo la frecuencia.
Poblaciones pequeas.
Cuando se desconocen los parmetros media, moda, etc.
Cuando los datos son independientes.
Cuando se quiere contrastar o comparar hiptesis.
Investigaciones de tipo social. (Muestras pequeas no representativas >5).
Cuando se requiere de establecer el nivel de confianza o significatividad en las
diferencias.
Cuando la muestra es seleccionada no probabilsticamente.
Ventajas de las Pruebas no Paramtricas
No se requiere de los supuestos paramtricos

Se puede usar para variables no numricas.
Clculos fciles, originados por tamaos de muestra pequeos.
Son convenientes cuando no se conoce la distribucin de la poblacin.
Desventajas de las Pruebas no Paramtricas
Utilizan menor informacin de la variable.

Es menos potente que los resultados obtenidos en los mtodos paramtricos.
Pruebas estadsticas paramtricas y no paramtricas

Pruebas paramtricas
Prueba del valor Z de la distribucin

normal
Prueba T de Student para datos
relacionados (muestras dependientes)
Prueba T de Student para datos no
relacionados (muestras
independientes)
Prueba T de Student-Welch para dos
muestras independientes con
varianzas no homogneas
Prueba de ji cuadrada de Bartlett
para demostrar la homogeneidad de
varianzas
Prueba F (anlisis de varianza o
ANOVA)
Pruebas no paramtricas
Para escala ordinal:
Para escala nominal:
Leyes de la probabilidad y prueba

binomial
Prueba ji2 de Pearson para una
muestra
Prueba ji2 de Pearson para dos y ms
muestras independientes
Prueba de bondad del ajuste

mediante ji2
Prueba ji2 de proporciones para tres
o ms muestras independientes
Prueba de probabilidad exacta de
Fischer y Yates
Prueba de McNemar para muestras
dependientes
Prueba Q de Cochran para tres o ms
muestras dependientes
Anlisis secuencial
Prueba de Kolmogorov-Smirnov
para una muestra
Prueba de U Mann-Whitney para dos
Prueba de Wilcoxon de rangos
sealados y pares igualados para dos
muestras dependientes
Anlisis de varianza de una entrada
de Kruskal-Wallis para ms de dos
Anlisis de varianza de doble entrada
por rangos de Friedman para ms de
dos muestras dependientes
Para escala nominal:

Prueba binomial
Es la prueba que se usa para datos binarios.
Se aplica a datos binarios, es decir, aquellos que provienen de poblaciones donde existen
nicamente dos categoras.
P(x) es la probabilidad de obtener X ocurrencias del evento de inters o a un valor x ms
extremo.
Prueba Ji cuadrado, X2 o chi.

Esta es una prueba de bondad de ajuste que nos permite determinar si una variable aleatoria se
ajusta a una distribucin de probabilidad especifica (en este caso X^2) la variable puede ser
discreta o continua.
Prueba de McNemar (para muestras dependientes)

Este procedimiento es til cuando las muestras son dos y resultan dependientes. El tipo de escala
es nominal.
Dicha prueba estadstica es un equivalente de la prueba t de Student para muestras dependientes
y slo aplicables cuando existen dos momentos: antes y despus. Cuando en el momento
experimental hay diversos momentos de cambio con base en uno previo, convendr utilizar la
prueba Q de Cochran. Ambos procedimientos se distribuyen igual que la ji cuadrada, por lo que
el estadstico calculado se simboliza como ji cuadrada.
Prueba de probabilidad exacta de Fischer (para ms de dos muestras

dependientes)
Esta prueba estadstica se utiliza frecuentemente como alternativa, cuando no se puede aplicar la
ji cuadrada de Pearson. Es un procedimiento ms eficaz en la escala nominal con dos muestras
independientes. La razn de esto se basa en que se calcula directamente la probabilidad de una
serie de arreglos de frecuencias observadas en una tabla de contingencia de 2 X 2, dada en una
distribucin hipergeomtrica.
Para escala ordinal:
Prueba de Kolmogorov-Smirnov (para una muestra)

La prueba de Kolmogorov-Smirnov para una muestra se considera un procedimiento de "bondad
de ajuste", es decir, permite medir el grado de concordancia existente entre la distribucin de un
conjunto de datos y una distribucin terica especfica. Su objetivo es sealar si los datos
provienen de una poblacin que tiene la distribucin terica especificada.
Mediante la prueba se compara la distribucin acumulada de las frecuencias tericas (ft) con la
distribucin acumulada de las frecuencias observadas (f obs), se encuentra el punto de
divergencia mxima y se determina qu probabilidad existe de que una diferencia de esa
magnitud se deba al azar.
Prueba de los Signos (para dos muestras dependientes)

Es til cuando no es posible hacer mediciones cuantitativas. Se usan los signos (+ y -) en lugar
de cantidades. Estos signos corresponden a diferencias entre valores apareados. Generalmente
usamos la mediana. Cuando tenemos valores con diferencias cero (0) se descartan y se reduce el
tamao de la muestra.
Esta prueba no es muy sensitiva a errores de redondeo, una desventaja notable es que desperdicia
mucha informacin que esta presenta en las magnitudes de las diferencias. Se recomienda usar la
prueba cuando se tiene 20 o ms pares de valores puesto que es imposible detectar una
desviacin de Ho con menos de 6 pares de observaciones.
Prueba de Wilcoxon (para dos muestras dependientes)

Este modelo estadstico corresponde a un equivalente de la prueba t de Student, pero se aplica en
mediciones en escala ordinal para muestras dependientes.
Cuando el tipo de medicin no cumpla con los requisitos que la prueba t de Student exige, la de
Wilcoxon es una alternativa de aceptable eficacia para contrastar hiptesis. El mtodo es
aplicable a muestras pequeas, siempre y cuando sean mayores que 6 y menores que 25. Las
muestras grandes deben ser mayores a 25 y ste se debe transformar en valor de Z, para conocer
la probabilidad de que aquella sea o no significativa.
Dicha prueba estadstica consiste en sumar los rangos de signo frecuente; por ello, no se tiene
una ecuacin o frmula, como se observa en otras pruebas estadsticas.
Prueba De Friedman (para dos muestras dependientes)
El modelo de anlisis de varianza de doble entrada por rangos de Friedman es complementario

del procedimiento de anlisis de varianza de una entrada de Kruskal-Wallis. En ambos se supone
que las observaciones no tienen una distribucin normal, pero tienden a ubicarse en una escala de
intervalo. Por ello, los datos se reordenan en una escala ordinal.
En dicha prueba estadstica, las muestras pueden ser independientes o dependientes, con diversos
factores o tratamientos.
Prueba De Kruskal-Wallis (para ms de dos muestras independientes)

Esta prueba estadstica de anlisis de varianza de entrada simple de Kruskal-Wallis es una
extensin de la prueba de U Mann-Whitney, en razn de que se usan rangos para su aplicacin;
por otra parte, este procedimiento se emplea cuando el modelo experimental contiene ms de dos
muestras independientes.
Prueba de la mediana
Provienen dos grupos independientes de poblaciones con la misma mediana
Cuando los porcentajes son iguales a la mediana se asume que no excede la mediana < m.
Se utiliza una tabla de contingencia 2x2.
Muestra
Una muestra
Mtodo
Cuantitativo y
Cualitativo
Dos muestras
relacionadas
K muestras
relacionadas
Dos muestras
independientes
Cualitativo
K muestras
independientes
Cuantitativo
Cuantitativo
Cuantitativo
Escala Nominal
2
X
Rachas
Binomial
Mcnemar
Escala Ordinal
Kolmogorov-Smirnov
Signos
Wilkoxon
Friedman
Mediana
Mann-Whitney
Kolmogorov-Smirnov
Kruskal-Wallis

I. INTRODUCCION El Uso de Pruebas Estadísticas en La Investigación y La Sección de Un Modelo Estadístico Apropiado - Pruebas Estadísticas Paramétricas y No Paramétricas PDF

Cargado por

Copyright:

Formatos disponibles

I. INTRODUCCION El Uso de Pruebas Estadísticas en La Investigación y La Sección de Un Modelo Estadístico Apropiado - Pruebas Estadísticas Paramétricas y No Paramétricas PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

I. INTRODUCCION El Uso de Pruebas Estadísticas en La Investigación y La Sección de Un Modelo Estadístico Apropiado - Pruebas Estadísticas Paramétricas y No Paramétricas PDF

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES

Resumen del contenido

Desventajas de las Pruebas Paramtricas

Cuando los datos puntualizan a las escalas nominal u ordinal.

Ventajas de las Pruebas no Paramtricas

No se requiere de los supuestos paramtricos

Desventajas de las Pruebas no Paramtricas

Utilizan menor informacin de la variable.

Pruebas estadsticas paramtricas y no paramtricas

Prueba del valor Z de la distribucin

Para escala ordinal:

Para escala nominal:

Leyes de la probabilidad y prueba

Prueba de bondad del ajuste

Para escala nominal:

Prueba Ji cuadrado, X2 o chi.

Prueba de McNemar (para muestras dependientes)

Prueba de probabilidad exacta de Fischer (para ms de dos muestras

Para escala ordinal:

Prueba de Kolmogorov-Smirnov (para una muestra)

Prueba de los Signos (para dos muestras dependientes)

Prueba de Wilcoxon (para dos muestras dependientes)

Prueba De Friedman (para dos muestras dependientes)

El modelo de anlisis de varianza de doble entrada por rangos de Friedman es complementario

Prueba De Kruskal-Wallis (para ms de dos muestras independientes)

También podría gustarte