El uso de pruebas estadísticas en la investigación y la selección de un

modelo estadístico apropiado.

Después de seleccionar cierta hipótesis que parece importante en una teoría determinada, se
recogen los datos empíricos que dan información directa acerca de la aceptabilidad de esa
hipótesis. La decisión acerca del significado de los datos puede conducir la confirmación, revisión o
rechazo de la hipótesis y, con ella, la teoría que la originó.

Para decidir con objetividad si una hipótesis particular es confirmada por un conjunto de datos,
necesitamos un procedimiento que nos lleve a un criterio objetivo para rechazar o aceptar esa
hipótesis. Se insiste en la objetividad porque el método científico requiere que las conclusiones
sean alcanzadas por métodos públicos susceptibles de ser repetidos por otros investigadores
competentes.

Este procedimiento objetivo debe basarse tanto en la información obtenida al investigar como en
el margen de riesgo que estemos dispuestos a aceptar si nuestro criterio de decisión con respecto
a la hipótesis resulta incorrecto.

El procedimiento que por lo común se sigue, comprende varios pasos:

1. Formulación de la hipótesis nula (H0).

2. Elección de una prueba estadística (con su modelo estadístico asociado) para probar H0.
De las pruebas capaces de usarse con un diseño de investigación dado, hay que escoger
aquella cuyo modelo se aproxima más a las condiciones de la investigación (en términos
de los supuestos que califican el uso de la prueba) y cuyos requisitos de medición
satisfacen las medidas usadas en la investigación.
3. Especificación del nivel de significación (α) y del tamaño de la muestra (N).
4. Encuentro (o suposición) de la distribución muestral de la prueba estadística conforme a
H0.
5. Sobre la bases de los incisos 2,3 y 4, definición de la región de rechazo.
6. Cálculo del valor de la prueba estadística con los datos obtenidos de la(s) muestra(s). Si el
valor desciende a la región de rechazo H0 debe rechazarse; si el valor cae fuera de la
región de rechazo, H0 no puede rechazarse al nivel de significación escogido.

Selección de un modelo estadístico apropiado:

Uno de los criterios de elección cuando hay varias pruebas estadísticas disponibles es el de la
potencia de un análisis estadístico, que será buena si es pequeña la probabilidad de rechazar H0
siendo verdadera y grande la probabilidad de rechazar H0 siendo falsa.

Sin embargo, hay otras consideraciones además de la potencia que determinan la elección de la
prueba estadística. En la elección debemos considerar la manera en que la muestra de puntajes
fue obtenida, la naturaleza de la población de la que se sacó la muestra y la clase de medición o
escala que se empleó en la definiciones operacionales de las variables usadas, es decir, los
puntajes, Todos estos factores intervienen en la determinación de la prueba estadística más
adecuada para analizar un conjunto particular de datos de investigación.

Al haber afirmado la naturaleza de la población y el método de muestreo, hemos establecido un

modelo estadístico. Cualquier prueba estadística implica un modelo y un requisito de medida; la
prueba es válida en ciertas condiciones que especifican el modelo y el requisito de medida. A
veces podemos verificar si las condiciones de un modelo estadístico particular han sido
satisfechas, pero es más frecuente que tengamos que suponerlo solamente. De este modo, las
condiciones del modelo estadístico de una prueba son llamadas a menudo las “suposiciones” de la
prueba. Todas las decisiones logradas mediante el uso de cualquier prueba estadística deben
llevar consigo esta advertencia: “Si el modelo usado fue correcto y si el requisito de medida fue
satisfecho…”, en otras palabras, a menores o más débiles suposiciones habrá conclusiones más
generales.

Sin embargo, las pruebas más poderosas son las poyadas por suposiciones más fuertes y amplias.
Las pruebas paramétricas, por ejemplo, t o F, se basan en una variedad de fuertes suposiciones a
las que su uso está sujeto. Al ser las suposiciones válidas, estas pruebas son las idóneas para
rechazar H0 falsa, serán el medio más poderoso para rechazar una H0 falsa. Nótese el requisito de
adecuación de los datos de la investigación a la prueba.

En el caso de la prueba t, las condiciones son las siguientes:

1. Las observaciones deben ser independientes entre sí.

2. Las observaciones deben hacerse en poblaciones distribuidas normalmente.
3. Estas poblaciones deben tener la misma varianza.
4. Las variables correspondientes deberán haberse medido por lo menos en una escala de
intervalo, de manera que sea posible usar las operaciones de la aritmética con los
puntajes.

Todas las condiciones anteriores son elementos del modelo estadístico, a excepción del último.

Cuando hay razones para creer que estas condiciones se satisfacen con los datos del análisis, es
escoge una prueba paramétrica, como la t o la F.

Ahora, cuando los supuestos que constituyen el modelo estadístico para una prueba no han sido
en verdad satisfechos, o cuando la medida carece de la fuerza requerida, es difícil medir la
potencia de la prueba. Incluso es difícil estimar el significado de una aseveración de probabilidad
acerca de la hipótesis en cuestión cuando ésta proviene de aplicaciones inaceptables de una
prueba.
Pruebas estadísticas paramétricas y no paramétricas.

Las técnicas estadísticas de estimación de parámetros, intervalos de confianza y prueba de

hipótesis son, en conjunto, denominada ESTADÍSTICA PARAMÉTRICA y son aplicadas básicamente
a variables continuas. Estas técnicas se basan en especificar una forma de distribución de la
variable aleatoria y de los estadísticos derivados de los datos.

En estadística paramétrica se asume que la población de la cual la muestra es extraída es normal

o aproximadamente normal. Esta propiedad es necesaria para que la prueba de hipótesis sea
válida.

Ventajas de las Pruebas Paramétricas

1. Más poder de eficiencia.

2. Más sensibles a los rasgos de los datos recolectados.
3. Menos posibilidad de errores.
4. Robustas (dan estimaciones probabilísticas bastante exactas).

Desventajas de las Pruebas Paramétricas

1. Más complicadas de calcular.

2. Limitaciones en los tipos de datos que se pueden evaluar.

Sin embargo, en un gran número de casos no se puede determinar la distribución original ni la

distribución de los estadísticos por lo que en realidad no tenemos parámetros a estimar. Tenemos
solo distribuciones que comparar. Esto se llama estadística no paramétrica.

Consecuentemente, las pruebas no paramétricas de hipótesis son frecuentemente llamadas

pruebas de libre distribución.

Aunque el término no paramétrico sugiere que la prueba no está basada en un parámetro, hay
algunas pruebas no paramétricas que dependen de un parámetro tal como la media. Las pruebas
no paramétricas, sin embargo, no requieren una distribución particular, de manera que algunas
veces son referidas como pruebas de libre distribución. Aunque libre distribución es una
descripción más exacta, el término no paramétrico es más comúnmente usado.

Las pruebas no paramétricas se utilizan en estos casos:

• Cuando los datos puntualizan a las escalas nominal u ordinal.

• Se utiliza solo la frecuencia.
• Poblaciones pequeñas.
• Cuando se desconocen los parámetros media, moda, etc.
• Cuando los datos son independientes.
 • Cuando se quiere contrastar o comparar hipótesis.
• Investigaciones de tipo social. (Muestras pequeñas no representativas >5).
• Cuando se requiere de establecer el nivel de confianza o significatividad en las diferencias.
• Cuando la muestra es seleccionada no probabilísticamente.

Las siguientes son las mayores ventajas y desventajas de los métodos no paramétricos:

Ventajas de los Métodos No Paramétricos

1. Los métodos no paramétricos pueden ser aplicados a una amplia variedad de situaciones
porque ellos no tienen los requisitos rígidos de los métodos paramétricos correspondientes.
En particular, los métodos no paramétricos no requieren poblaciones normalmente
distribuidas.

2. Diferente a los métodos paramétricos, los métodos no paramétricos pueden

frecuentemente ser aplicados a datos no numéricos, tal como el género de los que contestan
una encuesta.

3. Los métodos no paramétricos usualmente involucran simples computaciones que los

correspondientes en los métodos paramétricos y son por lo tanto, más fáciles para entender y
aplicar.

Desventajas de los Métodos No Paramétricos

1. Los métodos no paramétricos tienden a perder información porque datos numéricos

exactos son frecuentemente reducidos a una forma cualitativa.

2. Las pruebas no paramétricas no son tan eficientes como las pruebas paramétricas, 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.

Cuando los requisitos de la distribución de una población son satisfechos, las pruebas no
paramétricas son generalmente menos eficientes que sus contrapartes paramétricas, pero la
reducción de eficiencia puede ser compensada por un aumento en el tamaño de la muestra.

Las pruebas no paramétricas son pruebas estadísticas que no hacen suposiciones sobre la
constitución de los datos de la población. Por lo general, las pruebas paramétricas son más
poderosas que las pruebas no paramétricas y deben usarse siempre que sea posible. Es
importante observar, que aunque las pruebas no paramétricas no hacen suposiciones sobre la
distribución de la población que se muestrea, muchas veces se apoyan en distribuciones
muestrales como la normal.

Por último, están son las principales pruebas no paramétricas:

• Prueba χ² 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
• Prueba de los signos
• Coeficiente de correlación de Spearman
• Tablas de contingencia
• Prueba de Wald-Wolfowitz
• Prueba de los rangos con signo de Wilcoxon