“AÑO DE LA LUCHA CONTRA LA CORRUPCION E IMPUNIDAD”

UNASAM

FACULTAD: CIENCIAS AGRARIAS

ESCUELA: INGENIERIA AGRICOLA

ALUMNO: ZELAYA HUERTA LISSER ELIASAR

DOCENTE: NORABUENA FIGUEROA EMERSON

CURSO : ESTADISTICA APLICADA A LA INGENIRIA

AGRICOLA

2019
 INTRODUCCIÓN
En la elaboración de análisis estadísticos es común que se presente la
necesidad de realizar comparaciones entre las características de dos o más
poblaciones, para lograr esto existen diferentes tipos de pruebas que permiten
inferir sobre las características de las poblaciones mediante el análisis de
datos muestrales. Dichas pruebas pueden clasificarse en varios tipos, entre los
que se encuentran las pruebas paramétricas y no paramétricas, siendo estas
últimas una alternativa para realizar inferencia sobre características
poblacionales cuando no se cumplen los supuestos distribucionales necesarios
para el uso de las pruebas paramétricas (consideradas con mayor capacidad
para rechazar la hipótesis nula cuando es falsa) (Clifford 1980). Cada una de
las pruebas se formula con base en diferentes supuestos, los cuales cuando se
tienen tamaños de muestra pequeños, pueden ser difíciles de verificar y al ser
violados originan errores en las pruebas que pueden llevar a obtener
conclusiones equivocadas.
Un problema clásico en estadística corresponde al estudio de diferencia de
medias de varias poblaciones, y este problema puede ser abordado por medio
de la prueba de Analysis of Variance (ANOVA), la cual asume que las
muestras de cada población son independientes y provienen de poblaciones con
distribución normal e igual varianza; una prueba de tipo no paramétrico que
también está disponible para estudiar este problema es la de Kruskal Wallis,
la cual asume que las muestras de cada población son aleatorias,
independientes y que la escala de medida es al menos ordinal.
 PRUEBAS PARAMÉTRICAS Y NO PARAMÉTRICAS
Pruebas paramétricas Pruebas no paramétricas
Asumen distribuciones
estadísticas subyacentes a
DEFINICIÓN los datos. Por tanto, deben
cumplirse algunas
condiciones de validez, de
modo que el resultado de la
prueba paramétrica sea
fiable.
La ventaja de usar una
prueba paramétrica en
VENTAJAS lugar de una no
paramétrica consiste en que
la primera tiene más
potencia estadística que la
segunda
 más complicadas de
calcular.
 limitaciones en los
tipos de datos que se
puedan evaluar.
DESVENTAJAS
 prueba t de student
para datos
relacionados 8
ALGUNAS muestras dependientes
PRUEBAS  prueba del valor Z de
la distribución normal.
 prueba F (análisis de
varianza)
No deben ajustarse a
ninguna distribución.
Pueden por tanto
aplicarse incluso aunque
no se cumplan las
condiciones de validez
paramétricas.
Son más robustas que las
paramétricas es decir son
válidas en un rango más
amplio de situaciones
(exigen menos condiciones
de validez).
 los métodos no
paramétricos tienden
a perder información
porque datos
numéricos exactos
son frecuentemente
reducidos a una
forma cualitativa.
 no son tan eficientes
generalmente se
necesita evidencias
más fuertes.
 contraste De
Pearson.
 prueba de
kolmogorov.
Comparación análisis paramétrico y análisis no
paramétrico

Cuando la estadística se basa en el conocimiento de las distribuciones

muéstrales por medio de diferencias de porcentajes o promedios, así mismo,
cuando las muestras provienen de una misma población, se acepta entonces
usar la aproximación normal, la distribución de t de Student o la distribución
F de Fisher en el análisis de varianza, bajo el supuesto de que la hipótesis nula
es cierta. Dado que en esos métodos se estiman los parámetros de las
poblaciones de origen, esas técnicas estadísticas reciben el nombre de
paramétricas.

Análisis paramétricos Análisis no paramétricos

 Se aplican a muestras de gran  Se aplican a muestras pequeñas
tamaño (>20) (<20).

 Aplica a variables de tipo  Solo es permitido en variables

nominal o de intervalo. categóricas

 Parte del supuesto de una  Se desconocen como están

distribución normal. distribuidos los datos

 La hipótesis se basa en valores  Las hipótesis se redactan sobre

números, especialmente en rangos, mediana o frecuencia de
promedios. los datos.

 No considera valores perdidos  Asume los valores perdidos como

como fuente de información. fuente de información.