Este documento presenta un cuadro comparativo entre la estadística paramétrica y la estadística no paramétrica. La estadística paramétrica asume una distribución conocida de los datos basada en unos parámetros, mientras que la estadística no paramétrica no hace suposiciones sobre la distribución. Algunas pruebas comunes paramétricas son la prueba t de 2 muestras y el ANOVA, mientras que ejemplos de pruebas no paramétricas son la prueba de Wilcoxon y
bases-cye-2024(2) una sola descarga en base de feria de
Estadistica parametrica y no parametrica
1. REPÚBLICA BOLIVARIANA DE VENEZUELA
A.C. ESTUDIOS SUPERIORES GERENCIALES
CORPORATIVOS VALLES DEL TUY - CREATEC - CHARALLAVE
UNIVERSIDAD BICENTENARIA DE ARAGUA
CENTRO REGIONAL DE APOYO TECNOLÓGICO VALLES DEL TUY
ASIGNATURA: PSICOESTADÍSTICA
Cuadro
Comparativo
Profesor:
Cruz Guerra
Integrante:
Villamizar, Jorge Luis C.I.: 16.935.757
CHARALLAVE, julio de 2019
2. CRITERIOS
ESTADÍSTICA
PARAMÉTRICA
ESTADÍSTICA NO
PARAMÉTRICA
DEFINICIÓN
Es una rama de la
estadística inferencial que
comprende los
procedimientos estadísticos
y de decisión que están
basados en distribuciones
conocidas. Estas son
determinadas usando un
número finito de
parámetros. Cuando
desconocemos totalmente
qué distribución siguen
nuestros datos entonces
deberemos aplicar primero
un test no paramétrico, que
nos ayude a conocer
primero la distribución.
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.
CARACTERÍSTICAS
1. La mayoría de
procedimientos
paramétricos
requiere conocer la
forma de distribución
para las mediciones
resultantes de la
población estudiada.
2. Para la inferencia
paramétrica es
requerida como
mínimo una escala
de intervalo, esto
quiere decir que
nuestros datos
deben tener un
orden y una
numeración del
intervalo
1) son más fáciles de aplicar;
2) son aplicables a los datos
jerarquizados;
3) se pueden usar cuando
dos series de observaciones
provienen de distintas
poblaciones;
4) son la única alternativa
cuando el tamaño de muestra
es pequeño
5) son útiles a un nivel de
significancia previamente
especificado.
PRUEBAS
1. Se conoce el modelo de
distribución de la población
objeto de estudio y se
desconoce un número finito
de parámetros de dicha
distribución que hay que
estimar con los datos de la
Prueba χ² de Pearson
Prueba binomial
Prueba de Anderson-
Darling
Prueba de Cochran
Prueba de Cohen
kappa
3. muestra.
2. Requieren conocer la
distribución de la muestra
para poder realizar
inferencias sobre la
población.
Prueba t de 2
muestras
ANOVA de un solo
factor
ANOVA de un dos
factores
Prueba de Fisher
Prueba de Friedman
Prueba de Kendall
Prueba de
Kolmogórov-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
correlación de
Spearman
Tablas de contingencia
Prueba de Wald-
Wolfowitz
Prueba de los rangos
con signo de Wilcoxon
VENTAJAS
Más poder de
eficiencia.
Más sensibles a los
rasgos de los datos
recolectados.
Menos posibilidad de
errores.
Robustas (dan
estimaciones
probabilísticas
bastante exactas).
Más poder de
eficiencia.
Más sensibles a los
rasgos de los datos
recolectados.
Menos posibilidad de
errores.
· Robustas (dan
estimaciones
probabilísticas
bastante exactas).
DESVENTAJAS
Más complicadas de
calcular.
· Limitaciones en
los tipos de datos
que se pueden
evaluar
No son sistemáticas.
Se les relaciona con la
conveniencia, esto se
debe a que no se tiene
una distribución fija
para este tipo de
estadística por lo que
en ocasiones puede
ser un problema el
elegir la adecuada.
4. · Las tablas
necesarias para aplicar
las pruebas no
paramétricas están
muy difundidas y
aparecen en diferentes
formatos, lo que podría
ocasionar alguna
confusión en el
investigador o la
persona que esté
aplicando alguna
prueba no Paramétrica.
«Estadística no paramétrica». www.google.com.mx. Consultado el 8 de julio de 2019
Hurtado, M. J. R., & Silvente, V. B. (2012). Cómo aplicar las pruebas paramétricas
bivariadas t de Student y ANOVA en SPSS. Caso práctico. REIRE. Consultado el 8 de julio de
2019