Portada » Pruebas estadisticas parametricas y no parametricas

Pruebas estadisticas parametricas y no parametricas

Pruebas estadisticas parametricas y no parametricas

Estadística paramétrica y no paramétrica pdf

El análisis de datos es un vasto océano y no es sorprendente saber que muchas personas se sienten confundidas en cuanto al tipo de prueba estadística que deben realizar para analizar su proyecto de datos. Hay dos tipos de pruebas o metodologías estadísticas que se utilizan para analizar los datos: las metodologías paramétricas y las no paramétricas. La prueba paramétrica es más popular y se considera una prueba estadística más potente entre las dos metodologías. La diferencia entre las dos pruebas depende en gran medida de si los datos tienen una distribución normal o no normal.

La prueba paramétrica hace ciertas suposiciones sobre un conjunto de datos; a saber, que los datos se extraen de una población con una distribución específica o normal. Además, en las pruebas paramétricas se supone que las variables de la población se miden en una escala de intervalos.

Estadística paramétrica y no paramétrica en psicología

La siguiente pregunta es “¿qué tipo de datos se están midiendo?”. La prueba utilizada debe estar determinada por los datos. La elección de la prueba para datos emparejados o pareados se describe en la Tabla 1 y para datos independientes en la Tabla 2.

a Si los datos están censurados. b La prueba de Kruskal-Wallis se utiliza para comparar variables ordinales o no normales para más de dos grupos, y es una generalización de la prueba U de Mann-Whitney. c El análisis de la varianza es una técnica general, y una versión (análisis de la varianza de una vía) se utiliza para comparar variables con distribución normal para más de dos grupos, y es el equivalente paramétrico de la prueba de Kruskal-Wallistest. d Si la variable de resultado es la variable dependiente, siempre que los residuos (las diferencias entre los valores observados y las respuestas predichas de la regresión) tengan una distribución normal plausible, la distribución de la variable independiente no es importante. e Hay una serie de técnicas más avanzadas, como la regresión de Poisson, para tratar estas situaciones. Sin embargo, requieren ciertos supuestos y a menudo es más fácil dicotomizar la variable de resultado o tratarla como continua.

->  Solicitud de trabajo en ingles

Paramétrico frente a no paramétrico

Las pruebas no paramétricas no requieren que los datos sigan la distribución normal. También se conocen como pruebas sin distribución y pueden aportar ventajas en determinadas situaciones. Normalmente, las personas que realizan pruebas de hipótesis estadísticas se sienten más cómodas con las pruebas paramétricas que con las no paramétricas.

Probablemente haya oído que es mejor utilizar pruebas no paramétricas si sus datos no están distribuidos normalmente, o algo parecido. Eso parece una forma fácil de elegir, pero la decisión es mucho más que eso.

En particular, me gustaría que se centrara en una razón clave para realizar una prueba no paramétrica que no recibe la atención que merece. Si necesitas una introducción a los fundamentos, lee mi resumen de pruebas de hipótesis.

->  Curso basico de excel pdf

Además, la correlación de Spearman es una alternativa no paramétrica a la correlación de Pearson. Utilice la correlación de Spearman para relaciones no lineales y monótonas y para datos ordinales. Para más información, lea mi post La correlación de Spearman explicada.

Mucha gente no es consciente de este hecho, pero los análisis paramétricos pueden producir resultados fiables incluso cuando los datos continuos tienen una distribución no normal. Sólo tiene que asegurarse de que el tamaño de la muestra cumple los requisitos para cada análisis en la tabla siguiente. Los estudios de simulación han identificado estos requisitos. Lea aquí para obtener más información sobre estos estudios.

Datos paramétricos y no paramétricos

El método no paramétrico se refiere a un tipo de estadística que no hace ninguna suposición sobre las características de la muestra (sus parámetros) o si los datos observados son cuantitativos o cualitativos.

La estadística no paramétrica puede incluir ciertas estadísticas descriptivas, modelos estadísticos, inferencia y pruebas estadísticas. La estructura del modelo de los métodos no paramétricos no se especifica a priori, sino que se determina a partir de los datos.

El término “no paramétrico” no implica que tales modelos carezcan completamente de parámetros, sino que el número y la naturaleza de los parámetros son flexibles y no se fijan de antemano. Un histograma es un ejemplo de estimación no paramétrica de una distribución de probabilidad.

->  Crear pagina en wordpress

En cambio, los métodos estadísticos más conocidos, como el ANOVA, la correlación de Pearson, la prueba t y otros, sí hacen suposiciones sobre los datos que se analizan. Uno de los supuestos paramétricos más comunes es que los datos de la población tienen una “distribución normal”.

Los métodos paramétricos y no paramétricos suelen utilizarse en diferentes tipos de datos. La estadística paramétrica suele requerir datos de intervalo o de razón. Un ejemplo de este tipo de datos es la edad, los ingresos, la altura y el peso, en los que los valores son continuos y los intervalos entre los valores tienen significado.