UNIDAD

6
INTRODUCCIÓN A LA ESTADÍSTICA NO
PARAMÉTRICA

La estadística no paramétrica es un cuerpo de procedimientos de inferencia que es

válido bajo un rango mucho más amplio de formas de la distribución de la población.
El calificativo no paramétrico es debido a que estos procedimientos no requieren de
un modelo de distribución , ya que al probar hipótesis utiliza algunos aspectos simples
de los datos muestrales, tales como signos de las mediciones, relaciones de orden o
frecuencia de categorías. Estas características no requieren de una escala de medición
numérica fuerte. Por otro lado, estrechar la escala no las altera. Es por esto, que la
distribución bajo la hipótesis nula de una estadística de prueba no paramétrica puede
ser determinada sin considerar la forma de la distribución de la variable en sus
mediciones originales. También es llamada entonces pruebas libres de distribución.

Los métodos paramétricos tienen la siguiente rigidez en sus procedimientos,

comparados con los métodos libres de distribución:

1. Descansan en la suposición de la normalidad.

2. Requiere una escala de medición fuerte.

6.0.1 Características de las pruebas no

paramétricas
Es conveniente plantear las características de las pruebas no paramétricas bajo el
establecimiento inicial de las paramétricas, para hacer la diferencia y remarcar la
importancia de las características de las no paramétricas.

Características de las pruebas paramétricas

Algunas características de los procedimientos para pruebas paramétricas son las que se
 enuncian en seguida:

 Implican forzosamente la prueba de los parámetros hipotéticos. Como se ha

planteado en capítulos anteriores, para situaciones que contienen una sola
muestra pequeña la prueba t de Student se relaciona con un valor específico
para la media de la población, mientras que para situaciones que contienen
dos o más muestras las pruebas t y F se ocupan de probar diferencias entre
medias verdaderas o reales. Este nombre lo reciben para referirse a que son
de la población y no de la muestras
 En los procedimientos del caso se alcanza un nivel “complejo” de medición
de los datos recopilados, lo cuales se conocen como escala de intervalo o
escala de proporción, es decir, en ellos el nivel de medición obtenido debe
ser de “suficiente fuerza” de modo que las operaciones aritméticas de suma,
resta, multiplicación y división de los datos obtenidos sean significativas.
Por supuesto lo anterior implica que los datos habrán de ser continuos y
cuantitativos, no cualitativos. En consecuencia, los datos no se logran con
sólo clasificar las observaciones en diversas categorías distintas, como “sí”,
“no” “no está seguro”, ni tampoco con sólo darles orden o rangos a las
observaciones con base en esquemas como “del más bajo al más alto”.
 Tienen la necesidad de hacer supuestos muy estrictos, sólo son válidos si
estas suposiciones se cumplen. Algunas de tales suposiciones son las
siguientes:
 Que los datos de una muestra se extraigan en forma aleatoria de
una población con distribución normal y que las observaciones
sean independientes entre sí.
 Para situaciones relacionadas con medidas de tendencia central,
para las cuales se han tomado dos o más muestras, que éstas
sean elegidas de poblaciones con comportamiento de una
distribución normal y que sus varianzas sean iguales.

Características de las pruebas no paramétricas

Algunas características de los procedimientos para pruebas no paramétricas se
consideran, en términos generales, como lo enunciado en seguida:

 No se relacionan con los parámetros de una población.

 Que la prueba estadística no depende de la forma del
comportamiento de la distribución subyacente a la población de la
cual se tomaron los datos de la muestra.
 Que se cuente con datos fuertes para aplicar operaciones aritméticas
significativas.

Algunas pruebas trabajadas en estadística paramétrica, como las pruebas para

una, dos y “c” muestras para las proporciones, así como las pruebas de Ji-
cuadrada de independencia y la de bondad de ajuste parecen seguir las
 características para pruebas no paramétricas en forma amplia.

Las técnicas no paramétricas son útiles porque no hacen suposiciones

restrictivas sobre la forma de las distribuciones poblacionales.

Los métodos no paramétricos son libres de distribución, es decir, no requieren

de consideración acerca del patrón de la distribución de la población que es la
base. Sin embargo, los términos “no paramétrico” y libre de distribución” no
son sinónimos, ya que “no paramétrico” se emplea para describir una prueba
que no implica parámetros específicos, mientras que “libre de distribución” se
refiere a una prueba que no requiere consideración acerca de la forma de la
distribución o el comportamiento de la población. A pesar de esta diferencia, el
término “métodos no paramétricos” se utiliza comúnmente para referirse a
pruebas que impliquen cualquiera o ambos de los casos ya referidos.

Los métodos no paramétricos requieren menos consideraciones y son más

fáciles de explicar, entender y utilizar, ya que son especialmente aplicables
cuando las observaciones son susceptibles de ordenarse, pero no de medirse
con el empleo de una escala cuantitativa.

6.0.2Ventajas y desventajas del uso de métodos no paramétricos

Ventajas
Hay numerosas ventajas del uso de pruebas no paramétricas, algunas de las cuales se
enlistan en seguida.
a) Suelen ser más económicos que los procedimientos clásicos, porque el que
está llevando a cabo su aplicación logra aumentar la potencia de respuesta al
ahorrar tiempo, dinero y trabajo, cuando selecciona muestras más grandes de
datos que se miden con más exactitud, es decir, datos cualitativos o datos en
forma de rango para obtener una solución más rápida de los problemas.
b) Suelen ser fáciles de aplicar y rápidos para operar cuando los tamaños de las
muestras son pequeñas, lo cual casi siempre ocurre. A menudo, se usan, para
pruebas piloto, estudios preliminares en situaciones donde hay necesidad de
respuestas casi inmediatas.
c) Permiten la solución de problemas que no implican la prueba de los parámetros.
d) Es posible utilizarlas con tipos de datos cualitativos como son: de escala
nominal, de escala ordinal y de escala de intervalo o de proporción.
Los de escala nominal son aquellos que, como su nombre lo indica, son
nombres o categorías, los posibles valores de la variable.
Los datos de escala ordinal son los que se localizan o abarcan una forma de
 orden creciente o decreciente, o un rango.
Los datos de escala de intervalo o proporción son esos que se han medido con más
precisión.
e) Tienen menos suposiciones y no son tan estrictas, ya que se satisfacen con
más facilidad que los procedimientos paramétricos o clásicos.
f) Gozan de mayor aplicabilidad, puesto que dan por resultado un grupo de
conclusiones más generales bajo una base más amplia.
g) Llegan a ser casi tan potentes, según el procedimiento particular
seleccionado, como los procedimientos paramétricos, cuando se satisfacen
las suposiciones de estos últimos y ser más eficientes, cuando no se cumplen
los supuestos del procedimiento clásico o paramétrico.
Se debe remarcar que los métodos o procedimientos no paramétricos se llegan
a emplear con ventaja en variedad de situaciones.

Desventajas
Algunas desventajas del uso de pruebas no paramétricas se enlistan en seguida:
a) Conforme aumenta el tamaño de la muestra, la operatividad de datos
requerida para los procedimientos no paramétricos suelen ser laboriosas,
salvo que estén disponibles programas en paquetes computacionales, para la
solución de dichos problemas específicos.
b) Resulta desventajoso utilizar los procedimientos no paramétricos cuando se
satisfacen todas las suposiciones de los procedimientos paramétricos y los
datos se miden en una escala de intervalo o de proporción, salvo que se usen
métodos paramétricos en tales casos. El que maneja métodos no
paramétricos no aprovecha al máximo los datos, ya que se pierde la
información cuando se convierten los datos recopilados de una escala de
intervalo o de proporción a una escala ordinal o a una escala nominal.
En particular, en esas circunstancias, hay algunas pruebas no paramétricas
muy rápidas y sencillas, que tienen mucha menos potencia que los métodos
paramétricos y, por lo tanto, se deben evitar en lo posible.
c) Hay varios tipos de problemas estadísticos para los cuales todavía no se han
desarrollado procedimientos no paramétricos.

En conclusión, la principal ventaja de las pruebas no paramétricas consiste en

que llegan a realizarse inferencias exactas cuando las suposiciones
fundamentales de los métodos estándar no se cumplen en su totalidad; su
principal desventaja radica en que exigen menos cuando todas las suposiciones

Algunos tipos de pruebas no paramétricas se enuncian en seguida:

1. La prueba del signo.
Se aplica a datos pareados en una muestra y se basa en signos positivos y
negativos, los cuales sustituyen a los valores cuantitativos.
 2. La prueba del rango con signo.
También llamada prueba de Wilcoxon. Es más completa que la prueba del
signo, ya que no ignora la magnitud de la diferencia entre pares de valores de
una muestra.

3. La pruebas de suma de rangos. La prueba de Wilcoxon se utiliza cuando

no se satisfacen las suposiciones de una prueba paramétrica para dos
muestras como sería una prueba con la distribución t de Student.
a) La prueba de Kruskal–Wallis, que generaliza el análisis de variancia para
permitirnos prescindir del supuesto de que las poblaciones están
distribuidas normalmente.
b) La prueba U de Mann Withney, que llega a emplearse para determinar si
dos muestras independientes han sido tomadas de la misma población, la
cual usa más información que la prueba del signo.
4. La prueba de Kolmogorov–Smirnov. No requiere que los datos sean
agrupados en alguna forma, y sirve para determinar si hay una diferencia
significativa entre la distribución de frecuencias observadas y una
distribución teóricas de frecuencias.

Referencias.
Aragón, L. 2016. Estadística en el área de las Ciencias Sociales y Administrativas. Alfaomega.
470 P. México.
Badii, M.H. & J. Castillo. 2009. Muestreo Estadístico: Conceptos y Aplicaciones. UANL,
Monterrey, 225 pp
Buckle, N., C. Kraft, & C. van Eeden. 1969. An approximation to the Wilcoxon-Mann-Whitney
Distribution. J. Amer. Statist. Assoc. 64: 591-599.
Conover, W. J. 1980. Practical Nonparametric Statistics. 2nd ed. John Wiley, New York.
Gibbons, J. D. 1978. Nonparametric Methods for Quantitative Analysis. Holt. Rinehart, and
Winston, New York
Martín Andrés, A. 1991. Una revisión de métodos clásicos no paramétricos para comparar dos
proporcionesde medias muestrales. Communic. Statist.-Simuta. Computa. 20: 551-583.