Este documento presenta un cuadro comparativo entre la estadística paramétrica y no paramétrica. La estadística paramétrica requiere conocer la distribución de los datos y algunos supuestos, mientras que la no paramétrica no requiere conocer la distribución. Algunas pruebas paramétricas comunes son la prueba Z, t de Student y F, mientras las no paramétricas incluyen pruebas de Ji cuadrada, U de Mann-Whitney y de Wilcoxon. La paramétrica suele ser

1. CUADRO COMPARATIVO (ESTADISTICA PARAMÉTRICA Y NO PARAMETRICA)
Facilitador: Participantes:
MSc. Guerra Cruz Alaponte Jimi C.I.V 17.687.803
Charallave Julio 2019
REPÚBLICA BOLIVARIANA DE VENEZUELA
A.C. ESTUDIOS SUPERIORES GERENCIALES
CORPORATIVOS VALLES DEL TUY – CREATEC-
CHARALLAVE
UNIVERSIDAD BICENTENARIA DE ARAGUA
CENTRO REGIONAL DE APOYO DE LOS VALLES DEL TUY
ESCUELA DE PSICOLOGÍA
CÁTEDRA: PSICOESTADISTICA

2. Estadística paramétrica con la estadística no paramétrica.
Cuadro comparativo
Variables Estadística paramétrica Estadística no paramétrica
Definición
La estadística paramétrica 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.
Las pruebas no paramétricas engloban una serie de
pruebas estadísticas que tienen como denominador
común la ausencia de asunciones acerca de la ley de
probabilidad que sigue la población de la que ha sido
extraída la muestra. Por esta razón es común referirse
a ellas como pruebas de distribución libre.
Características
La mayoría de procedimientos paramétricos
requiere conocer la forma de distribución para las
mediciones resultantes de la población estudiada.
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. Es decir nuestros datos
pueden estar categorizados en: menores de 20
años, de 20 a 40 años, de 40 a 60, de 60 a 80, etc,
ya que hay números con los cuales realizar
cálculos estadísticos.
Las pruebas no paramétricas reúnen las siguientes
características:
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.

3. Pruebas
Las pruebas paramétricas son una herramienta
estadística que se utiliza para el análisis de los
factores de la población. Esta muestra debe
cumplir ciertos requisitos como el tamaño, ya que
mientras más grande sea, más exacto será el
cálculo.
Además de cumplir con ciertas condiciones,
Normalidad, Homocedasticidad, y Errores, a su
vez existen tipos de pruebas paramétricas de las
cuales se pueden mencionar,
Prueba del valor Z de la distribución normal,
Prueba T de Student para datos relacionados,
Prueba T de Student para datos no relacionados,
Prueba T de Student-Welch para dos muestras
independientes con varianzas no homogéneas,
Prueba de Ji Cuadrada de Bartlett para demostrar
la homogeneidad de varianzas, Prueba F análisis
de varianza.
PARA ESCALA NOMINAL:
- Leyes de la probabilidad y prueba binomial.
- Prueba ji2 de Pearson para una muestra.
- Prueba ji2 de Pearson para dos y más muestras
independientes.
- Prueba de bondad del ajuste mediante ji2. - Prueba
ji2 de proporciones para tres o más muestras
independientes.
- Prueba de probabilidad exacta de Fischer y
Yates.
- Prueba de McNemar para muestras dependientes.
PARA ESCALA ORDINAL
- Prueba de Kolmogorov-Smirnov para una muestra.
- Prueba de U Mann-Whitney para dos muestras
independientes.
- Prueba de Wilcoxon de rangos señalados y pares
igualados para dos
muestras dependientes.
- Análisis de varianza de una entrada de Kruskal-
Wallis para más de dos
muestras independientes.
Escalas de medición
Variables Cuantitativas
Tipos de distribución de los datos.
Distribución normal.
Variables Cualitativas: Ordinal o nominal.
Variables: Cuantitativas discontinuas.
Variables: Cuantitativas continuas.
Tipos de distribución de los datos.
Sin distribución normal.

4. Supuestos
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 muestra.
Requieren conocer la distribución de la muestra
para poder realizar inferencias sobre la población
Son métodos de distribución libre, no requieren
conocer la distribución de la muestra.
Se utilizan estadísticos cuya distribución se determina
con independencia de cuál sea la distribución de la
población.
Son una alternativa para las pruebas paramétricas
cuando los datos no cumplen los requisitos de las
pruebas paramétricas.
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.
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 ó la persona
que esté aplicando alguna prueba no Paramétrica.

5. Ejemplos
Si conocemos que la altura de las personas sigue
una distribución normal, pero desconocemos cuál
es la media y la desviación de dicha normal. La
media y la desviación típica de la distribución
normal son los dos parámetros que queremos
estimar. Cuando desconocemos totalmente qué
distribución siguen nuestros datos entonces
deberemos aplicar primero un test no paramétrico,
que nos ayude a conocer primero la distribución.
En una maternidad ocurrieron 18 nacimientos en una
semana, 11 de los cuales fueron varones. La hipótesis
de trabajo es que la proporción de sexos es la habitual.
¿Existe evidencia significativa que pruebe que la
proporción de sexos no es la habitual?
Hipótesis estadística:
{H0:H1:La proporcion de sexos es la habitual.La prop
orcion de sexos no es la habitual{H0:La proporcion de
sexos es la habitual.H1:La proporcion de sexos no e
s la habitual
Nivel de significancia: α=0.05α=0.05
Estadística de prueba y contraste, Binomial.
n <- 18
x <- n - 11
p <- 0.5
pbinom(x, n, prob = p) #Binomial Acumulado
## [1] 0.2403412
p(0.2403412)>α p(0.2403412)>α Se acepta
la H0 H0 Por lo tanto, no se puede rechazar la
hipótesis nula. Hay evidencia significativa que pruebe,
que la proporción de sexos es la habitual.
Referencias
Estadística paramétrica disponible en:https://www.questionpro.com/blog/es/pruebas-parametricas/revisado
el 05 de julio de 2019
BERENSON, Mark L. (1996). Estadística básica en administración, conceptos y
aplicaciones,EditorialPrenticeHall.https://es.wikiversity.org/wiki/Estad%C3%ADstica_Aplicada_a_la_Soci
olog%C3%ADa/Medici%C3%B3n_en_estad%C3%ADsticarevisado el 5 de julio 2019
Estadística no paramétrica disponible en:http://psico.fcep.urv.es/spss/inferencia/npar.htmlrevisado el 05 de
julio de 2019.
Miranda Vega, Oriana y Sánchez Saldaña, Milagros supestos paramétricos disponible en
: http://www.uv.es/~friasnav/SupuestosParametrica.pdf revisado 05 de julio 2019.