UNIVERSIDAD AUTÓNOMA DE SANTO DOMINGO (UASD)
Facultad de Ciencias Económicas y Sociales (FCES)
Asignatura
Método Estadísticos II
Profesor
José Peralta Veloz
Tema
Estadística no paramétrica.
Sustentantes:
Cindy Encarnación 100215334
Berys Bell Roque 100266022
Lizbeth Green 100336690
Sección
06
Fecha
Viernes 19 de Noviembre del 2021.
Estadística no paramétrica
La estadística no paramétrica es una rama de la
estadística que se encarga del estudio de las pruebas y
modelos estadísticos donde la distribución subyacente
se está ajustada a lo que se conoce como “criterios
paramétricos”.
La distribución de esta no puede definirse a priori, esta
se determinará según la observación de los datos. Estos
métodos se recomiendan utilizar en aquellos casos
donde no se puede asumir que los datos se ajustan a alguna distribución conocida, cuando el
nivel de medida que se ha empleado no es de intervalo, como mínimo.
La prueba estadística no paramétrica más antigua es, quizá, el test de los signos. Es justo a partir
de ella que se han creado algunas otras. Esta es usada para darle un contraste a la hipótesis sobre
el parámetro de centralización, y se utiliza más que todo dentro del análisis de comparación de
datos pareados.
Primero, se denomina estadística paramétrica a todas aquellas técnicas estadísticas de estimación
de intervalos de confianza, prueba de hipótesis y estimación de parámetros. Estas se aplican a las
variables continuas. Con ellas se busca especificar una manera de distribución de la variable
aleatoria y de los estadísticos que derivan de estos datos.
Dentro de lo que es la estadística paramétrica se asume que la población de donde ha extraído la
muestra es aproximadamente normal, o normal. Una propiedad que se hace necesaria para que la
prueba de hipótesis tenga validez.
Aun así, existen un gran número de casos donde no es posible determinar la distribución original,
así como tampoco la distribución de los estadísticos, por lo que no se tiene ningún parámetro por
el que se pueda estimar. Lo único que existe son las distribuciones que comparar. Esto es lo que
se conoce como estadística no paramétrica.
Las técnicas estadísticas de estimación de parámetros, intervalos de confianza y prueba de
hipótesis son, en conjunto, denominadas estadística paramétrica y son aplicadas básicamente a
variables continuas. Estas técnicas se basan en especificar una forma de distribución de la
variable aleatoria y de los estadísticos derivados de los datos.
En estadística paramétrica se asume que la población de la cual la muestra es extraída es normal
o aproximadamente normal. Esta propiedad es necesaria para que la prueba de hipótesis sea
válida.
Sin embargo, en un gran número de casos no se puede determinar la distribución original ni la
distribución de los estadísticos por lo que en realidad no tenemos parámetros a estimar. Tenemos
solo distribuciones que comparar. Esto se llama estadística no paramétrica.
Pruebas estadísticas no paramétricas
La mayoría de estas pruebas estadísticos se encuentran programados en los paquetes estadísticos
de mayor frecuencia, donde queda para el investigador la tarea de decidir por cuál de ellos se
guiará. O lo que hará en caso de que los resultados sean opuestos.
Para la aplicación de cada uno de estos existen distintas hipótesis nulas, y algunas condiciones,
que deben cumplirse en nuestros datos para que así los resultados cuando se hayan aplicado los
test sean lo más confiable posible. Que es lo que se espera.
Lo que queremos decir es que no se pueden aplicar todos los test de estadística no paramétrica, y
luego quedarnos con el que nos ha arrojado un mejor resultado en relación a lo que nos conviene
dentro de la investigación cuando no hemos verificado que las condiciones y la hipótesis
necesarias se cumplen.
En el caso de que las anteriores sean violadas entonces se tendrá que invalidar cualquier
resultado posterior a ellas, y esta es una de las principales causas por la que los estudios
estadísticos son incorrectos. Es por eso que es importante para un investigador conocer la
naturaleza interna de las pruebas antes de simplemente aplicarlas sistemáticamente.
Las pruebas no paramétricas, también conocidas como pruebas de distribución libre, son las que
se basan en determinadas hipótesis, pero lo datos observados no tienen una organización normal.
Generalmente, las pruebas no paramétricas contienen resultados estadísticos que provienen de su
ordenación, lo que las vuelve más fáciles de comprender.
Las pruebas no paramétricas tienen algunas limitaciones, entre ellas se encuentra que no son lo
suficientemente fuertes cuando se cumple una hipótesis normal. Esto puede provocar que no sea
rechazada, aunque sea falsa. Otra de sus limitaciones es que necesitan que la hipótesis se cambie
cuando la prueba no corresponde a la pregunta del procedimiento si la muestra no es
proporcional.
Algunas de las características de las pruebas no paramétricas son:
Es un método de medición difícil de aplicar.
Es necesario realizar pruebas de hipótesis.
Las hipótesis son estrictas.
Las observaciones deben de ser independientes.
Entre las pruebas no paramétricas más conocidas se encuentran:
Test binomial
Prueba de Anderson-Darling
Prueba de Cochran
Prueba de Cohen kappa
Prueba de Fisher
Prueba de Friedman
Prueba de Kendall
Prueba de Kolmogórov-Smirnov
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 correlación de Spearman
Tablas de contingencia
Prueba de Wald-Wolfowitz
Prueba de los rangos con signo de Wilcoxon
Todas estas pruebas pretenden indicarnos si una variable aleatoria se distribuye de una u otra
forma. Por ejemplo, un posible resultado podría ser: la variable aleatoria X se distribuye a razón
de una distribución normal.
Para realizar pruebas no paramétricas debemos tener muestras estadísticas. Por tanto, los
resultados pueden ser fiables, pero no tienen por qué ser 100% perfectos.
Ventajas de las pruebas no paramétricas
Las ventajas de las pruebas no paramétricas son:
Pueden utilizarse en diferentes situaciones, ya que no deben de cumplir con parámetros
estrictos.
Generalmente, sus métodos son más sencillos, lo que las hace más fácil de entender.
Se pueden aplicar en datos no numéricos.
Facilita la obtención de información particular más importante y adecuada para el
proceso de investigación.
Desventajas de las pruebas no paramétricas
Las desventajas de las pruebas no paramétricas son:
No son pruebas sistemáticas.
La distribución varía, lo que complica seleccionar la elección correcta.
Los formatos de aplicación son diferentes y provoca confusión.
Es posible que se pierda información porque los datos recolectados se convierten en
información cualitativa.
Es posible que se necesite tener fuentes y un respaldo con más peso.
Este tipo de estadísticas se pueden utilizar sin el tamaño de la muestra o la estimación de
cualquier parámetro relacionado del que no se tenga información. Dado que las
suposiciones son menores, pueden aplicarse de múltiples formas.
Este tipo de estadísticas se pueden utilizar sin el tamaño de la muestra o la estimación de
cualquier parámetro relacionado del que no se tenga información. Dado que las suposiciones son
menores, pueden aplicarse de múltiples formas.
Otra justificación para el uso de métodos no paramétricos es la simplicidad. En ciertos casos,
incluso cuando se justifica el uso de métodos paramétricos, los métodos no paramétricos pueden
ser más fáciles de usar. Debido tanto a esta simplicidad como a su mayor robustez, algunos
estadísticos consideran que los métodos no paramétricos dejan menos espacio para un uso
inadecuado y malentendidos. La aplicabilidad más amplia y la mayor robustez de las pruebas no
paramétricas tienen un costo: en los casos en que una prueba paramétrica sería apropiada, las
pruebas no paramétricas tienen menos potencia. En otras palabras, se puede requerir un tamaño
de muestra mayor para sacar conclusiones con el mismo grado de confianza.
