Parte A

1. realizar un análisis sobre los métodos de inferencia paramétricos y no

paramétricos identificando sus ventajas y desventajas en términos de la
información muestral

la inferencia estadística es el conjunto de métodos que permiten inducir, a partir de

la información empírica proporcionada por diferentes muestras, cual es el
comportamiento de la población estudio con un riesgo de error medible en términos
de probabilidad.

Los métodos no paramétricos se basan en hipótesis ya determinadas, aunque no

cuentan con una organización normal de los datos observados, estas contienen
resultados estadísticos que provienen de su ordenación, logrando que sea más fácil
su comprensión. como toda prueba tienen ventajas y desventajas, dentro de la
primera podemos decir que se pueden utilizar en diferentes situaciones, son métodos
más sencillos lo que facilita su comprensión, pueden ser utilizadas en datos no
numéricos, y su uso facilita loa obtención de información particular más importante
y adecuada para el proceso de investigación, entre sus desventajas se puede decir
que no son pruebas sistemáticas, maneja formatos diferentes lo que se presta a que
exista confusión, se puede perder información porque sus datos recolectados se
convierten en información cualitativa.

este tipo de estadísticas se pueden utilizar sin el tamaño de la muestra o la

estimación de cualquier parámetro relacionado del que no se tenga información.
dado que las suposiciones son menores, pueden aplicarse de múltiples formas.

En cuanto a los métodos de inferencia paramétricos son los utilizados para el

análisis de factores de una población estudio, debe cumplir con ciertos requisitos
como el tamaño ya que entre más amplio más exacto será el cálculo, están basadas
en la ley de distribución de la variable que se estudia, utiliza aquella que tiene dos
parámetros que son la media y la desviación estándar, entre las ventajas se su uso se
 puede decir que son más eficientes, son perceptibles a las características de la
información obtenida, no es probable que se presente margen de error, sus cálculos
son más exactos, pero también presenta algunas desventajas en cuanto a su uso
como sus cálculos son difíciles de realizar y sus datos a observan son limitados.

Como conclusión se puede decir que las pruebas no paramétricas son válidas en un
rango más amplio de situaciones, exigen menos condiciones de validez por el
contrario la prueba paramétrica tiene mayor capacidad para conducir a un rechazo
de HO

2. Consultar la definición, propiedades, cuando o para qué se utiliza de las

siguientes palabras:

• PRUEBA ESTADÍSTICA es una forma de evaluar la evidencia que los datos

proporcionan para probar una hipótesis.

Cuando se analizan datos medidos por una variable cuantitativa continua, las
pruebas estadísticas de estimación y contraste frecuentemente empleadas se basan
en suponer que se ha obtenido una muestra aleatoria de una distribución de
probabilidad de tipo normal o de Gauss.

Pero en muchas ocasiones esta suposición no resulta válida, y en otras la sospecha

de que no sea adecuada no resulta fácil de comprobar, por tratarse de muestras
pequeñas.

En estos casos disponemos de dos posibles mecanismos:

Los datos se pueden transformar de tal manera que sigan una distribución normal.

O bien se puede acudir a pruebas estadísticas que no se basan en ninguna suposición

en cuanto a la distribución de probabilidad a partir de la que fueron obtenidos los
datos, y por ello se denominan pruebas no paramétricas (distribución free), mientras
que las pruebas que suponen una distribución de probabilidad determinada para los
datos se denominan pruebas paramétricas.
1) PRUEBAS NO PARAMÉTRICAS:

Las pruebas estadísticas no paramétricas son las que, a pesar de basarse en

determinadas suposiciones, no parten de la base de que los datos analizados adoptan
una distribución normal.

Técnica estadística que no presupone ninguna distribución de probabilidad teórica

de la distribución de nuestros datos.

Se denominan pruebas no paramétricas aquellas que no presuponen una distribución

de probabilidad para los datos, por ello se conocen también como de distribución
libre (distribución free).

En la mayor parte de ellas los resultados estadísticos se derivan únicamente a partir

de procedimientos de ordenación y recuento, por lo que su base lógica es de fácil
comprensión.

Cuando trabajamos con muestras pequeñas (n < 10) en las que se desconoce si es
válido suponer la normalidad de los datos, conviene utilizar pruebas no
paramétricas, al menos para corroborar los resultados obtenidos a partir de la
utilización de la teoría basada en la normal.

En estos casos se emplea como parámetro de centralización la mediana, que es

aquel punto para el que el valor de X está el 50% de las veces por debajo y el 50%
por encima.

Las pruebas no paramétricas no requieren asumir normalidad de la población y en

su mayoría se basan en el ordenamiento de los datos, la población tiene que ser
continua.

El parámetro que se usa para hacer las pruebas estadísticas es la Mediana y no la

Media.

Son técnicas estadísticas que no presuponen ningún modelo probabilístico teórico.

 Son menos potentes que las técnicas paramétricas, aunque tienen la ventaja que se
pueden aplicar más fácilmente.

2) PRUEBAS PARAMÉTRICAS:

Las pruebas estadísticas paramétricas, como la de la “t” de Student o el análisis de

la varianza (ANOVA), se basan en que se supone una forma determinada de la
distribución de valores, generalmente la distribución normal, en la población de la
que se obtiene la muestra experimental.

En contraposición de la técnicas no paramétricas, las técnicas paramétricas si

presuponen una distribución teórica de probabilidad subyacente para la distribución
de los datos.

Son más potentes que las no paramétricas.

Dentro de las pruebas paramétricas, las más habituales se basan en la distribución de

probabilidad normal, y al estimar los parámetros del modelo se supone que los datos
constituyen una muestra aleatoria de esa distribución, por lo que la elección del
estimador y el cálculo de la precisión de la estimación, elementos básicos para
construir intervalos de confianza y contrastar hipótesis, dependen del modelo
probabilístico supuesto.

Cuando un procedimiento estadístico es poco sensible a alteraciones en el modelo

probabilístico supuesto, es decir que los resultados obtenidos son aproximadamente
válidos cuando éste varía, se dice que es un procedimiento robusto.

HIPÓTESIS
Una hipótesis se define como una afirmación transitoria que debe ser sometida a prueba. La
inferencia estadística propone un procedimiento para llevar a cabo la prueba de las
hipótesis. Propone, primero, enunciarlas formalmente y luego contrastarlas con la evidencia
de los datos. Son los datos, entonces, con su coro de características, los que dirán si una
hipótesis es falsa o verdadera.

Este procedimiento se realiza considerando a los parámetros, que ya sabemos corresponden

al universo, como los objetos para los cuales se enuncian las hipótesis. Dicho de otro modo,
una hipótesis se enuncia para una característica del universo o población y se origina en la
observación del comportamiento de la misma característica en un grupo restringido o
muestra.

PARÁMETROS POBLACIONALES

Parámetros poblacionales Son los valores numéricos que describen una

característica de la población:

En una población finita de tamaño   los parámetros poblacionales son definidos como:

Media:

Es una medida de tendencia central que permite entender el punto medio en cuanto a la
magnitud de las observaciones

Varianza

Es una medida de dispersión que permite saber qué tan diferentes son los datos de la media,
valores altos indican dispersión (los datos son diferentes entre sí) y valores bajos indican
que los valores son parecidos a la media de las observaciones con lo cual la media es una
buena medida para representar la información.
Proporción

Es el porcentaje de observaciones que cumplen con determinada característica

con   el número de datos con la característica de interés

• HIPÓTESIS DE INVESTIGACIÓN es una declaración que realizan los investigadores

cuando especulan sobre el resultado de una investigación o experimento.

a hipótesis se genera a través de una serie de medios, pero generalmente es el resultado de

un proceso de razonamiento inductivo donde las observaciones conducen a la formación de
una teoría. Luego, los científicos utilizan una serie de métodos deductivos para llegar a una
hipótesis que sea verificable, falsable y realista.

- HIPÓTESIS NULA

La hipótesis nula supone que no hay relación entre las variables de estudio. Por esta razón,
también se conoce como una hipótesis de no relación.

Esta hipótesis será aceptada si la investigación muestra que la hipótesis de trabajo y las
hipótesis alternativas no son válidas.

Ejemplo
«No existe una relación entre el color del cabello de los estudiantes y sus resultados
académicos».

HIPÓTESIS ALTERNATIVAS

Las hipótesis alternativas intentan responder al mismo problema que las hipótesis de
trabajo. Sin embargo, como su nombre lo indica, buscan diferentes explicaciones posibles.
Por lo tanto, es posible probar diferentes hipótesis en el curso de la misma investigación.
Formalmente, estas hipótesis son análogas a la hipótesis de trabajo. También se pueden
clasificar como atributivos, asociativos y causales.

• ESTADÍSTICO DE PRUEBA

es una variable aleatoria que se calcula a partir de datos de muestra y se utiliza en una
prueba de hipótesis. Puede utilizar los estadísticos de prueba para determinar si puede
rechazar la hipótesis nula. El estadístico de prueba compara sus datos con lo que se espera
bajo la hipótesis nula. El estadístico de prueba se utiliza para calcular el valor p.mide el
grado de concordancia entre una muestra de datos y la hipótesis nula. Su valor observado
cambia aleatoriamente de una muestra aleatoria a una muestra diferente. Un estadístico de
prueba contiene información acerca de los datos que es relevante para decidir si se puede
rechazar la hipótesis nula. La distribución del muestreo del estadístico de prueba bajo la
hipótesis nula se denomina distribución nula. Cuando los datos muestran evidencia clara en
contra de los supuestos de la hipótesis nula, la magnitud del estadístico de prueba se vuelve
demasiado grande o demasiado pequeña dependiendo de la hipótesis alternativa. Esto hace
que el valor p de la prueba se vuelva lo suficientemente pequeño como para rechazar la
hipótesis nula.

PARTE B

Realizar los siguientes ejercicios presentando el paso a paso del desarrollo y justificar los
resultados