Cuadro comparativo sobre la estadística paramétrica y no paramétrica.

1. REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD BICENTENARIA DE ARAGUA
PSICOLOGÍA III
PSICO-ESTADISTICA
SECCION C1
CUADRO COMPARATIVO
PROFESOR C.I. PARTICIPANTE
29949373 REILYN SALAZAR
CRUZ GUERRA
CHARALLAVE 09 DE JULIO DE 2019

2. Definición Características Pruebas Escalas de
medición
Supuesto
Estadística
Paramétrica: es la
rama de la estadística
diferencial,
comprende
procedimientos
estadísticos y de
decisión que están
basados en
distribuciones
conocidas. Se
determina usando un
número finito de
parámetros.
 Las
observaciones
deben ser
independientes
entre sí
 Las poblaciones
deben hacerse en
poblaciones
distribuidas
normalmente
 Estas
poblaciones
deben tener la
misma varianza
 Las variables
tienen haberse
medido en una
escala de
intervalo de
manera que sea
posible utilizar
las operaciones
aritméticas.
 Prueba T de
Student
 Prueba del
Valor z
 Prueba F
 ANOVA
Usado en la escala
de intervalo y de
razón.
Las variables
siguen una
distribución
normal.
Normalidad: las
observaciones se
extraen de
poblaciones
distribuidas según
la Normal para
cada grupo.
Pruebas de bondad
de ajuste.
Homocedasticidad:
las variables de los
grupos diferentes
deben ser iguales.
Homogeneidad de
varianzas. El
numerador y el
denominador de la
prueba F son
estimaciones de la
misma varianza
poblacional. Prueba
de Levéne.
Actuaciones.
Estadística no
Paramétrica: es una
rama de la estadística
inferencial, estudia
las pruebas y
modelos de
estadísticos, puesto
que la distribución
subyacente no se
ajusta a los llamados
criterios paramétricos.
 Son más
fáciles de
aplicar
 son aplicables
a los datos
jerarquizados
 se pueden
usar cuando
dos series de
observaciones
provienen de
distintas
poblaciones
 son la única
alternativa
cuando el
tamaño de
muestra es
pequeño
 son útiles a
un nivel de
significancia
previamente
 Prueba x2
de
Paterson.
 Prueba
binomial.
 Prueba de
Anderson-
Darling.
 Prueba de
Cochran.
 Prueba de
Cohen
kappa.
 Prueba de
Fisher.
 Prueba de
Friedman.
 Prueba de
Kendall.
 Prueba de
Kolmogór
ov-
Usados en escala
nominal y ordinal.
Las variables
siguen una
distribución
diferente a la
normal (binomial,
poisson, entre otro.
Las pruebas no
paramétricas por lo
general son menos
potentes que la
prueba paramétrica
correspondiente
cumple el supuesto
de normalidad. Por
lo tanto, es menos
probable que usted
rechace la hipótesis
nula cuando sea
falsa si los datos
provienen de la
distribución
normal.
 Las pruebas no

3. especificado Smirnov.
 Prueba
Kruskal-
wallis.
 Prueba de
Kuiper.
 Prueba de
Mann-
Whitney.
 Prueba de
McNemar.
 Prueba de
la
mediana.
 Prueba de
Siegel-
Tukey.
 Prueba de
los Signos.
 Coeficient
e de
correlació
n de
Spearman.
 Tablas de
contingenc
ia.
 Prueba de
Wald-
Wolfowitz
.
paramétricas suelen
requerir que se
modifiquen las
hipótesis. Por
ejemplo, la mayoría
de las pruebas no
paramétricas acerca
del centro de la
población son
pruebas sobre la
mediana y no sobre
la media. La prueba
no responde a la
misma pregunta
que el
procedimiento
paramétrico
correspondiente si
la población no es
simétrica.