La estadística no paramétrica es una rama de la estadística inferencial que estudia las pruebas y modelos estadísticos cuya distribución subyacente no se ajusta a los llamados criterios paramétricos. Su distribución no puede ser definida a priori, pues son los datos observados los que la determinan. La utilización de estos métodos se hace recomendable cuando no se puede asumir que los datos se ajusten a una distribución conocida, cuando el nivel de medida empleado no sea, como mínimo, de intervalo.[1]
Las principales pruebas no paramétricas son las siguientes:[1]
La mayoría de estos test estadísticos están programados en los paquetes estadísticos más frecuentes, quedando para el investigador, simplemente, la tarea de decidir por cuál de todos ellos guiarse o qué hacer en caso de que dos test nos den resultados opuestos. Hay que decir que, para poder aplicar cada uno existen diversas hipótesis nulas y condiciones que deben cumplir nuestros datos para que los resultados de aplicar el test sean fiables. Esto es, no se puede aplicar todos los test y quedarse con el que mejor convenga para la investigación sin verificar si se cumplen las hipótesis y condiciones necesarias pues, si se violan, invalidan cualquier resultado posterior y son una de las causas más frecuentes de que un estudio sea estadísticamente incorrecto. Esto ocurre sobre todo cuando el investigador desconoce la naturaleza interna de los test y se limita a aplicarlos sistemáticamente.[1][2]
Es importante mencionar que si la distribución de los datos se ajusta a un tipo de distribución conocida, existen otras [pruebas] que, en la práctica, son más aconsejables pero que así mismo requieren otros supuestos. En este caso, la estadística a emplear es la estadística paramétrica, dentro de la cual muchas veces podemos encontrar equivalencias entre pruebas pero con diferencias en la potencia entre ambas siendo siempre la potencia de las pruebas no paramétricas menor que la potencia de las pruebas paramétricas equivalentes. Aun así, el uso adecuado de los tamaños muestrales disminuye la posibilidad de cometer un [error tipo II], puesto que aumenta al mismo tiempo la eficacia de la prueba . Es decir, a medida que se aumenta el tamaño de la muestra, disminuye la posibilidad de cometer un error tipo II (un falso negativo: No rechazar la hipótesis nula cuando esta en realidad es falsa).[2]
↑ «Estadística no paramétrica». www.google.com.mx. Consultado el 26 de agosto de 2018.
↑ «Estadísticas no paramétricas».
Datos:Q1097688
Multimedia:Nonparametric statistics
Diciembre 08, 2021
estadística, paramétrica, estadística, paramétrica, rama, estadística, inferencial, estudia, pruebas, modelos, estadísticos, cuya, distribución, subyacente, ajusta, llamados, criterios, paramétricos, distribución, puede, definida, priori, pues, datos, observad. La estadistica no parametrica es una rama de la estadistica inferencial que estudia las pruebas y modelos estadisticos cuya distribucion subyacente no se ajusta a los llamados criterios parametricos Su distribucion no puede ser definida a priori pues son los datos observados los que la determinan La utilizacion de estos metodos se hace recomendable cuando no se puede asumir que los datos se ajusten a una distribucion conocida cuando el nivel de medida empleado no sea como minimo de intervalo 1 Las principales pruebas no parametricas son las siguientes 1 Prueba x de Pearson Prueba binomial Prueba de Anderson Darling Prueba de Cochran Prueba de Cohen kappa Prueba de Fisher Prueba de Friedman Prueba de Kendall Prueba de Kolmogorov Smirnov Prueba de Kruskal Wallis Prueba de Kuiper Prueba de Mann Whitney o prueba de Wilcoxon Prueba de McNemar Prueba de la mediana Prueba de Siegel Tukey Prueba de los signos Coeficiente de correlacion de Spearman Tablas de contingencia Prueba de Wald Wolfowitz Prueba de los rangos con signo de WilcoxonLa mayoria de estos test estadisticos estan programados en los paquetes estadisticos mas frecuentes quedando para el investigador simplemente la tarea de decidir por cual de todos ellos guiarse o que hacer en caso de que dos test nos den resultados opuestos Hay que decir que para poder aplicar cada uno existen diversas hipotesis nulas y condiciones que deben cumplir nuestros datos para que los resultados de aplicar el test sean fiables Esto es no se puede aplicar todos los test y quedarse con el que mejor convenga para la investigacion sin verificar si se cumplen las hipotesis y condiciones necesarias pues si se violan invalidan cualquier resultado posterior y son una de las causas mas frecuentes de que un estudio sea estadisticamente incorrecto Esto ocurre sobre todo cuando el investigador desconoce la naturaleza interna de los test y se limita a aplicarlos sistematicamente 1 2 Es importante mencionar que si la distribucion de los datos se ajusta a un tipo de distribucion conocida existen otras pruebas que en la practica son mas aconsejables pero que asi mismo requieren otros supuestos En este caso la estadistica a emplear es la estadistica parametrica dentro de la cual muchas veces podemos encontrar equivalencias entre pruebas pero con diferencias en la potencia entre ambas siendo siempre la potencia de las pruebas no parametricas menor que la potencia de las pruebas parametricas equivalentes Aun asi el uso adecuado de los tamanos muestrales disminuye la posibilidad de cometer un error tipo II puesto que aumenta al mismo tiempo la eficacia de la prueba Es decir a medida que se aumenta el tamano de la muestra disminuye la posibilidad de cometer un error tipo II un falso negativo No rechazar la hipotesis nula cuando esta en realidad es falsa 2 Vease tambien EditarEstadistica parametricaReferencias Editar a b c Estadistica no parametrica www google com mx Consultado el 26 de agosto de 2018 a b Estadisticas no parametricas Datos Q1097688 Multimedia Nonparametric statistics Obtenido de https es wikipedia org w index php title Estadistica no parametrica amp oldid 134597483, wikipedia, wiki, leyendo, leer, libro, biblioteca,
