Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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.
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.
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.
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 siguientes son las mayores ventajas y desventajas 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. 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.