ESTADÍSTICA NO PARAMÉTRICA

1. Introducción:

Los métodos de estadística inferencial que hemos estudiado a durante el curso, son llamados métodos paramétricos porque ellos son basados en muestreos de una población con parámetros específicos, como la media ( ), la desviación estándar ( ) o la proporción (p). Estos métodos paramétricos usualmente tienen que ajustarse a algunas condiciones completamente estrictas, así como el requisito de que los dato s de la muestra provengan de una población normalmente distribuidas. Esta sección presenta los métodos no paramétricos, los cuales no tienen tales estrictos requisitos. La mayor parte de las técnicas estudiadas hacen suposiciones sobre la composición de los datos de la población. Las suposiciones comunes son que la población sigue una distribución normal, que varias poblaciones tienen varianzas iguales y que los datos se miden en una escala de intervalos o en una escala de razón. Este tema presentará un gr upo de técnicas llamadas no paramétricas que son útiles cuando estas suposiciones no se cumplen.

ESTADÍSTICA NO PARAMÉTRICA: La estadística no paramétrica es una rama de la estadística 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. cuando el nivel de medida empleado no sea. Las principales pruebas no paramétricas son las siguientes: y y y y y y y y y y y y y y y y y y y Prueba ² de Pearson Prueba 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 Kruskal-Wallis Prueba de Kuiper Prueba de Mann-Whitney o prueba de Wilcoxon Prueba de McNemar Prueba de la mediana Prueba de Siegel-Tukey Coeficiente de correlación de Spearman Tablas de contingencia Prueba de Wald-Wolfowitz Prueba de los signos de Wilcoxon . 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.2. como mínimo. de intervalo.

por lo que su base lógica es de fácil comprensión.3. En estos casos se emplea como parámetro de centralización la mediana . conviene utilizar pruebas no paramétricas. por ello se conocen también como de distribución libre (distribution free). al menos para corroborar los resultados obtenidos a partir de la utilización de la teoría basada en la normal. hay algunas pruebas no paramétricas que dependen de un parámetro tal como la media. Aunque libre distribución es una descripción más exacta. . Aunque el término no paramétrico sugiere que la prueba no está basada en un parámetro. no requieren una distribución particular. sin embargo. Las pruebas no paramétricas. que es aquel punto para el que el valor de X está el 50% de las veces por debajo y el 50% por encima. de manera que algunas veces son referidas como pruebas de libre distribución . el término no paramétrico es más comúnmente usado. PRUEBAS NO PARAMÉTRICAS: Definición: Se denominan pruebas no paramétricas aquellas que no presuponen una distribución de probabilidad para los datos. En la mayor parte de ellas los resultados estadísticos se derivan únicamente a partir de procedimientos de ordenación y recuento. Cuando trabajamos con muestras pequeñas (n < 10) en las que se desconoce si es válido suponer la normalidad de los datos.

E .El i l p p ti : 4. p 3. f l il p l t l t t t t i ti i t l s é p J S s P ti p p p l p E É mé i p S s P É I S pli ti l p ti l t t i l t t . p . t l ti í i t t . i p l ti i it l . if J S Y ESVE j s t it p ti t f l t p t i t . i t p 2. l i ti i . l t t . VE V . pli l ll i i ti pli p p t ti i t pli l i pl l p .

. las pruebas no paramétricas son generalmente menos eficientes que sus contrapartes paramétricas. Los métodos no paramétricos tienden a perder información porque datos numéricos exactos son frecuentemente reducidos a una forma cualitativa. pero la reducción de eficiencia puede ser compensada por un aumento en el tamaño de la muestra. Las pruebas no paramétricas no son tan eficientes como las pruebas paramétricas.De ventaja de lo M todo No Paramétrico 1. . Cuando los requisitos de la distribución de una población son satisfechos. de manera que con una prueba no paramétrica generalmente se necesita evidencia más fuerte (así como una muestra más grande o mayores diferencias) antes de rechazar una hipótesis nula.

‡ Dos posibles alternativas: ± ANOVA ± Prueba de Friedman ANOVA Friedman te t ‡ Método estadístico habitual. ‡ Utilizar la modificación de Iman y Davenport (1980) al ser un mejor estadístico (menos conservativo). 5.5. . el método consiste en ordenar los datos p or filas o bloques. debemos considerar la existencia de datos idénticos. Equivalente a la prueba ANOVA para dos factores en la versión no paramétrica. ‡ ¿Se cumplen las condiciones impuestas por ANOVa? ± SI => Utilizar ANOVA.2. DEFINICION En estadística la prueba de Friedman es una prueba no paramétrica desarrollado por el economista Milton Friedman. PRUEBA DE FRIEDMAN 5.1. ± Requiere que las variables aleatorias tengan igual varianza. reemplazándolos por su respectivo orden. parte de la hipótesis nula se rechaza debido a la aleatoriedad (Salzberg97). Comparación de vario cla ificadore ‡ Los métodos anteriores no fueron diseñados para la media de varias variables. Al ordenarlos. ‡ La violación de las condiciones tiene un gran efecto en el post-hoc test. ‡ La naturaleza de los datos no da pistas sobre la satisfacción de la condición anterior. ± NO => Utilizar Friedman test. ‡ Es la versión no-paramétrica del ANOVA. ‡ Condiciones: ± Distribución normal. ‡ Cuando se hacen muchos test.

.. ... xik . j x1j ...... xi2 ........ . . frente a la hipótesis alternativa de que por lo menos la distribución de una de las respuestas difiere de las demás.. i . MUESTRAS RELACIONADAS..... xnj .. xij .. xnk . . y a cada uno de los elementos del grupo se le aplica uno de entre k ''tratamientos''.3. ... .. . PRUEBA DE FRIEDMAN Esta prueba puede utilizarse en aquellas situaciones en las que se seleccionan n grupos de k elementos de forma que los elementos de cada grupo sean lo más parecidos posible entre sí.... k x1k . xn1 2 x12 .. xi1 ... Hipótesis alternativa (H1): Hay diferencias entre los grupos.. xn2 . . . La hipótesis nula que se contrasta es que las respuestas asociadas a cada uno de los ''trat amientos'' tienen la misma distribución de probabilidad o distribuciones con la misma mediana.. Hipótesis: Hipótesis nula (H0): No existen diferencias entre los grupos..5........ .. Para poder utilizar esta prueba las respuest as deben ser variables continuas y estar medidas por lo menos en una escala ordinal..... Los datos se disponen en una tabla en la que en cada fila se recogen las respuestas de los k elementos de cada grupo a los k tratamientos: Grupo\ Tratamiento 1 . n 1 x11 .. o bien cuando a cada uno de los elementos de una muestra de tamaño n se le aplican los k ''tratamientos''.

la distribución de los rangos en cada fila se debe al azar. y es de esperar que la suma de los rangos correspondientes a cada columna sea aproximadamente igual a n(k + 1)/ . de forma que se rechaza la hipótesis nula para valores de superiores al valor crítico para el nivel de significación fijado. El estadístico de prueba es:                     Si Ho es cierta y el número de columnas y/o de filas es moderadamente grande la distribución de F se aproxima a una chi-cuadrado con k .A las observaciones de cada fila se les asignan rangos de menor a mayor desde 1 hasta k. siendo RJ la suma correspondiente a la columna j-ésima. Si la hipótesis nula es cierta.1 grados de libertad. . La prueba de Friedman determina si las RJ observadas difieren significativamente del valor esperado bajo la hipótesis nula. a continuación se suman los rangos correspondientes a cada columna.

. 4. Sirve para establecer diferencias. Efectuar la sumatoria de los rangos en funci ón de las columnas Rc y elevarlos al cuadrado Rc . Se utiliza para más de tres tratamientos.9. Para muestras pequeñas: K = grandes: K = . Comparar el valor de X r de Friedman con las tablas de valores críticos de probabilidad propia. . cuando la muestra es pequeña. 5.4 y H = . CARACTERÍSTICAS X r Se utiliza cuando: y y y y y   Trabaja con datos ordinales. Asignar rangos del dato más pequeño al mayor en función de las hileras.4. Se asignan rangos por condición. Ordenar las observaciones en función de los cambios advertidos después del tratamiento o tratamientos. Las muestras son sacadas de la misma población.5.4 y H = > 9. Se trabaja con tablas de doble entrada. para muestras y y y y Asignar al azar a los sujetos a cada condición. Pasos: 1. Muestras igualadas (igual número de sujetos en cada condición).     . Aplicar la fórmula de análisis de varianza de doble entrada por rangos de Friedman. . En caso de muestras grandes. utilizar las tablas de valores críticos de ji cuadrada de Pearson.

05) Tema A 3 3 3 2 3 3 Tema B Tema C 1 1 1 1 1 1 SOLUCIÓN. Si contamos los datos de asistencia a cada una de las tres reuniones para los padres de alumnos de 6 clases. E ERCICIOS: 1. El estadístico de contraste que emplearemos será: . La asociación de padres de un centro convoca sucesivamente tres reuniones dirigidas a los padres de alumnos de un mismo grupo o clase. Dado que el número de sujetos es pequeño. y la part icipación de los padres en el centro (Tema C). deberemos utilizar una prueba no paramétrica.5. En primer lugar.5. el juego y el tiempo libre de los niños (Tema B). H1: Existen diferencias significativas entre en la atracción a los tres temas. ¿podemos afirmar que los tres temas atrajeron de modo distinto a los convocados? ( = 0. y puesto que los casos se hayan relacionados. en las que se abordaron respectivamente temas relacionados con el apoyo de la familia al estudio (Tema A). la prueba más idónea es el análisis de la varianza de dos clasificaciones por rangos de Friedman. plantea remos las hipótesis: H0: No existen diferencias entre en la atracción a los tres temas.

Por tanto.Por lo tanto. ¡ = 5.991 . por lo que podemos rechazar con una confianza del 95% que existen diferencias significativas en cuanto a la atracción a los distintos temas. R B = 1 y RC = 7. teniendo en cuenta que X sigue una distribución de chi cuadrado con k -1 grados de libertad. aquél entra en la región de rechazo.95 Puesto que el valor observado es mayor que el crític o. el valor crítico será ¡ 0. Sustituyendo: Comparamos el valor observado con el que nos ofrece la tabla. calcularemos la suma de rangos para cada columna:  Tema A 3 3 3 2 3 3 Tema B Tema C 1 1 1 1 1 1 RA = 17.

2. Hay diferencia significati va en niños de 4. después de aplicar 3 diferentes tipos de tratamiento. 10 y 12 años. 8. 6. Hipótesis nula (Ho). Para todo valor de probabilidad igual o menor que 0. Para todo valor de probabilidad mayor que 0. se acepta Ho y se rechaza Ha. Zona de rechazo. No hay diferencia significativa en niños de 4. 10 y 12 años. Un investigador desea comparar los niveles de memoria en niños de 4.05. El modelo experimental tiene tres o más muestras dependientes. 10 y 12 años después de 3 diferentes tratamientos. Escala = 0 . 8.05. 6.20 . Véase: Flujograma 5 SOLUCION Planteamiento de la hipótesis. y y Hipótesis alterna (Ha). 8. se acepta Ha y se rechaza Ho. después de aplicar 3 diferentes tipos de tratamiento. Nivel de significación. Elección de la prueba estadística. 6.

Se distingue notoriamente que el tratamiento A es menos eficaz. Como el valor de X 2r calculado es igual a 2. se acepta Ha y se rechaza Ho.Aplicación de la prueba estadística. la probabilidad es de 0. por lo cual. Al valor más bajo le corresponde el rango 1. Aceptada Ha. el tratamiento B ofrece mayores ventajas para la adquisición de memoria . Las cifras aproximadas al estadístico calculado 2. Decisión. esto indica que es menor que el nivel de significancia. Transformamos los valores en rangos de acuerdo con la prueba de Friedman. Rango1 = 8 Rango2 = 9 Rango3 =13 Calculamos la X2r de Friedman. Con tres columnas y cinco hileras se compara el valor calculado de X2r de Friedman con la tabla correspondiente de distribución de probabilidad.367. Por otro lado.367. con respecto a los otros dos tratamientos. Se utiliza la tabla N para pruebas pequeñas.8. Interpretación. en función de las hileras. se acepta que entre los tres tratamientos ex isten distintos grados de memoria adquirida.8 = 0. respetando el orden hasta el dato que tiene la cifra más alta.

.

rincondelvago.es/metodos-de-investigacion-y-diagnostico-eneducacion/analisis-de-datos-en-la-investigacioneducativa/Bloque_II/page_95.com/prueba_no_parametrica www.5.wikipedia.htm http://ocwus.pe/~fmendiburu/index-filer/academic/metodos1.htm/ y .monografias.com/ED800Estadisticas_no_parametricas.6.edu. http://tarwi. y y y y BIBLIOGRAFÍA www.us.com/estadistica_no_parametrica www.lamolina.

Sign up to vote on this title
UsefulNot useful