TERMINOS DE ESTADISTICA PARAMETRICA Y NO PARAMETRICA

Estadística parametrica
La estadística paramétrica es una rama de la estadística inferencial que comprende
los procedimientos estadísticos y de decisión que están basados en las
distribuciones de los datos reales. Estas son determinadas usando un número finito
de parámetros. Esto es, por ejemplo, si conocemos que la altura de las personas
sigue una distribución normal, pero desconocemos cuál es la media y la desviación
de dicha normal. La media y la desviación típica de la distribución normal son los
dos parámetros que queremos estimar. Cuando desconocemos totalmente qué
distribución siguen nuestros datos entonces deberemos aplicar primero un test no
paramétrico, que nos ayude a conocer primero la distribución.

La mayoría de procedimientos paramétricos requiere conocer la forma de

distribución para las mediciones resultantes de la población estudiada. Para la
inferencia paramétrica es requerida como mínimo una escala de intervalo, esto
quiere decir que nuestros datos deben tener un orden y una numeración del
intervalo. Es decir nuestros datos pueden estar categorizados en: menores de 20
años, de 20 a 40 años, de 40 a 60, de 60 a 80, etc, ya que hay números con los
cuales realizar cálculos estadísticos. Sin embargo, datos categorizados en: niños,
jóvenes, adultos y ancianos no pueden ser interpretados mediante la estadística
paramétrica ya que no se puede hallar un parámetro numérico (como por ejemplo
la media de edad) cuando los datos no son numéricos.

Estadística no paramétrica
La estadística no paramétrica es una rama de la estadística inferencial que estudia
las pruebas y modelos estadísticos cuya distribución subyacente no se ajusta a los
llamados criterios paramétricos. Su distribución no puede ser definida a priori, pues
son los datos observados los que la determinan. La utilización de estos métodos se
hace recomendable cuando no se puede asumir que los datos se ajusten a una
distribución conocida, cuando el nivel de medida empleado no sea, como mínimo,
de intervalo.

Las principales pruebas no paramétricas son las siguientes:

 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

La mayoría de estos test estadísticos están programados en los paquetes

estadísticos más frecuentes, quedando para el investigador, simplemente, la tarea
de decidir por cuál de todos ellos guiarse o qué hacer en caso de que dos test nos
den resultados opuestos. Hay que decir que, para poder aplicar cada uno existen
diversas hipótesis nulas y condiciones que deben cumplir nuestros datos para que
los resultados de aplicar el test sean fiables. Esto es, no se puede aplicar todos los
test y quedarse con el que mejor convenga para la investigación sin verificar si se
cumplen las hipótesis y condiciones necesarias pues, si se violan, invalidan
cualquier resultado posterior y son una de las causas más frecuentes de que un
estudio sea estadísticamente incorrecto. Esto ocurre sobre todo cuando el
investigador desconoce la naturaleza interna de los test y se limita a aplicarlos
sistemáticamente. Es importante mencionar que si la distribución de los datos se
ajusta a un tipo de distribución conocida, existen otras [pruebas] que, en la práctica,
son más aconsejables pero que así mismo requieren otros supuestos. En este caso,
la estadística a emplear es la estadística paramétrica, dentro de la cual muchas
veces podemos encontrar equivalencias entre pruebas pero con diferencias en la
potencia entre ambas siendo siempre la potencia de las pruebas no paramétricas
menor que la potencia de las pruebas paramétricas equivalentes. Aun así, el uso
adecuado de los tamaños muestrales disminuye la posibilidad de cometer un [error
tipo II], puesto que aumenta al mismo tiempo la eficacia de la prueba . Es decir, a
medida que se aumenta el tamaño de la muestra, disminuye la posibilidad de
cometer un error tipo II (un falso negativo: No rechazar la hipótesis nula cuando ésta
en realidad es falsa).

CONTRASTES NO PARAMETRICOS:

Simplicidad de deducción: Los contrastes no paramétricos son más sencillos

matemáticamente que los paramétricos y se deducen, claro está, de expresiones
más sencillas.

Rapidez y simplicidad de manejo: Los no paramétricos son más sencillos de

realizar, las operaciones necesarias son más simples. Esta argumentación se
mantiene (está realizada en 1968) incluso en la era de la informática.

Campo de aplicación: Las hipótesis de aplicación en un no paramétrico son menos

detalladas y restrictivas.
Sensibilidad respecto a la hipótesis: Dado que las hipótesis de aplicación son
menos restrictivas y numerosas es más fácil percatarse de su no cumplimiento o
violación

LA IMPORTANCIA DE LA ESTADISTICA EN LA INVESTIGACION CIENTIFICA:

La estadística tiene una utilidad no sólo en aspectos sociales, sino que también sirve
para todo tipo de investigación científica si se tiene en cuenta que los datos
estadísticos son el resultado de varios casos de entre los cuales se toma un
promedio. Así, una estadística puede servir para una investigación científica al
demostrar que un porcentaje determinado de los casos observados representó un
resultado particular y no otro. También se utiliza por ejemplo para conocer el planeta
en el que vivimos y darnos datos sobre las proporciones de recursos renovables,
sobre las superficies de los países, la presencia de determinados biomas o no, etc.
La Estadística es una ciencia necesaria en todas las investigaciones experimentales
u observacionales. La importancia de la estadística en las investigaciones científicas
La estadística es el nexo común que presentan la mayoría de las investigaciones
científicas en las que interviene el tratamiento de datos y la interpretación y
predicción de los mismos. El estudio estadístico cobra una especial importancia
cuando realizamos investigaciones en campos de la ciencia médica, donde una
mala interpretación de los datos puede provocar consecuencias nefastas para la
población.

La estadística nos aporta herramientas que van, desde el análisis e interpretación

de datos (estadística descriptiva), al proceso de predicción y toma de decisiones
(estadística inferencial). Es tal la importancia que ha adquirido que aparece en
prácticamente todas las áreas de trabajo, siendo un factor claro en las predicciones
y tomas de decisiones a partir de datos observados. Sin embargo, hay un requisito
que resulta imprescindible como es que el investigador tenga unos conocimientos
básicos sobre estadística para no llegar a conclusiones equivocadas. Esta
afirmación tiene una importancia crítica cuando hablamos de investigaciones
médicas vinculadas al estudio de la eficacia de un nuevo fármaco. La tarea más
importante de la estadística es la de proporcionar alternativas cuantitativas al mero
juicio personal, de forma que realicemos conclusiones objetivas. Las pruebas de
significación son consideradas como una de las herramientas más importantes en
este tipo de toma de decisiones subjetivas, pues, mediante ellas, se pueden tomar
decisiones, que en principio, no dependen de la persona que las realiza. Según un
estudio publicado en la revista The Journal of the American Medical Association
“JAMA” en el cual se han revisado millones de estudios biométricos fechados entre
1990 y 2015 se ha concluido que la mala estadística se utiliza cada vez más en las
investigaciones. El informe indica que los investigadores, en muchos casos, hacen
un mal uso del conocido p-valor, en muchos casos por desconocimiento del
concepto.

Recordemos que, en contrastes de hipótesis, el p-valor es una medida directa de lo

verosímil que resulta tener una muestra como la actual si es cierta la hipótesis nula,
es decir la hipótesis que queremos contrastar. El p-valor se emplea para indicar
cuánto contradice la muestra actual la hipótesis alternativa. Las consecuencias del
mal uso del p-valor, no sólo afectan a la calidad de los estudios científicos
publicados, y a la ciencia en general, sino que pueden afectar a la salud de los
pacientes por un mal estudio realizado. Kenneth Rothman epidemiólogo de la
Universidad de Boston afirma en un ensayo que “es seguro que ha sufrido o muerto
gente porque los científicos (y editores, reguladores, periodistas y otros) han usado
test de significación estadística para interpretar resultados de forma errónea” Dada
la importancia que tiene la estadística en la investigación científica, se hace
necesario una buena formación para los investigadores, formación que puede ser
abordada en las distintas carreras universitarias donde quede plasmado el
importante papel que juega esta materia en el desarrollo de las investigaciones y
que permita a nuestros futuros investigadores no cometer errores de interpretación
originados por el desconocimiento estadístico ya que, a posteriori, pueden acarrear
nefastas consecuencia.

LA ESTADÍSTICA EN LOS PROGRAMAS DE INVESTIGACIÓN POSITIVISTA:

Frecuentemente, entre los rasgos diferenciadores de los programas de

investigación positivistas frente a otros programas (sobre todo interpretativos) se
encuentra el carácter cuantitativo de las estrategias, técnicas e instrumentos de
recogida de datos y en los procedimientos para el análisis de los mismos. Pero de
acuerdo con la posición integradoras, actualmente más extendidas, deberíamos
considerar que los métodos cuantitativos pueden ser empleados tanto desde
enfoques positivistas como desde enfoques interpretativos o críticos. A pesar de
este tipo de planteamientos superadores de la tradicional oposición entre lo
cuantitativo y lo cualitativo, lo habitual en la investigación educativa es que no sea
muy frecuente encontrar investigaciones de tipo interpretativo en las que se recurre
a la Estadística y, por el contrario, que la utilización de ésta sea mucho más amplia
e intensa en las investigaciones enmarcadas dentro de los programas positivistas.
Una prueba de ello puede hallarse en el interesante estudio empírico de Morales
(1995), realizado sobre una muestra de 92 artículos y capítulos de libros referidos a
las metodologías de investigación cualitativa y/o cuantitativa. De acuerdo con las
conclusiones de aquel estudio, el modelo ideal de metodología cuantitativa se
caracteriza,
entre otros aspectos, por su asociación a las concepciones epistemológicas
positivistas y por el uso de la Estadística en el análisis de datos, mientras que la
metodología cualitativa queda caracterizada por concepciones interpretativas o
fenomenológicas y por el análisis de los datos siguiendo vías diferentes a la
Estadística. Tomando como marco la presencia de las técnicas estadísticas directa
o indirectamente en los diferentes momentos del proceso de investigación
educativa, podríamos destacar destacar técnicas y procedimientos estadísticos que
resultan especialmente característicos de los métodos descriptivos, correlacionales
y experimentales empleados en la investigación desarrollada desde una perspectiva
científico-experimental. En el caso de los métodos descriptivos, el propósito del
investigador es llegar a describir las características de un objeto, hecho o fenómeno
a partir de algún modo de observación sistemática del mismo, una vez que éste ya
se ha producido.

La Estadística cuenta con un amplio abanico de técnicas que contribuyen directa o

indirectamente al objetivo de la descripción de un conjunto de datos. Por ejemplo,
cuando los datos recogidos se refieren a una sola variable, las técnicas estadísticas
disponibles son las propias de la Estadística descriptiva invariable, y la Estadística
multivalente también cuenta con técnicas apropiadas al objetivo de la descripción
de fenómenos o realidades educativas. En los métodos correlacionales, la
presencia de la Estadística es indispensable, en la medida en que el establecimiento
de relaciones entre variables se apoya directamente. Además del uso de la
correlación, los métodos correlacionales se caracterizan por el empleo de técnicas
estadísticas que permiten estudiar las covariaciones que se dan entre los
fenómenos educativos en los que concurren múltiples aspectos o dimensiones.
Además de éstas, en los estudios en que la finalidad no es únicamente identificar y
valorar la magnitud de las interrelaciones que se dan entre variables implicadas en
determinados fenómenos, sino también conseguir un cierto grado de predicción de
determinadas variables o efectos, están presentes técnicas estadísticas apropiadas.
Dadas las dificultades que a veces presenta la realización de experimentos en el
campo de la investigación educativa, se han desarrollado técnicas estadísticas que
permiten llegar a determinar un cierto nivel de relación causal sin necesidad de
recurrir al experimento. A partir de matrices correlacionales, los modelos de análisis
de estructuras de covarianza dan una respuesta interesante a este tipo de
situaciones. El uso de la Estadística aparece también estrechamente vinculado a
los métodos experimentales, en los que el objetivo es determinar diferencias entre
grupos debidas a la intervención de una variable experimental o independiente. El
análisis de los efectos producidos por la manipulación de variables independientes
se apoya en métodos estadísticos para el contraste de grupos. Una preocupación
fundamental en los métodos experimentales radica en el control sobre la situación.

existen diferentes modos de reducir el error experimental, debido a la existencia de

fuentes de variación extrañas, en los diseños de investigación. Un modo de
abordarlo sería prestar un especial interés por reducir los errores de medida, para
lo cual, entre otros aspectos relevantes, cabría situar la preocupación por la calidad
de los instrumentos de medición y la calidad de las medidas. En relación a la
construcción de tales instrumentos ya fue destacado anteriormente el papel que
juegan los procedimientos estadísticos. Otros procedimientos específicos para
reducir el error experimental pasarían por el ajuste estadístico de los datos con el
fin de controlar la influencia de otras variables; una preocupación fundamental será
determinar la varianza explicada por las variables independientes objeto de estudio,
separándola de la varianza debida a otras variables cuya influencia sobre la variable
dependiente se supone, pero que no centran el interés del investigador. Si bien los
procedimientos físicos resultan ser el medio más adecuado para el control de
variables en la experimentación desarrollada en ciencias físico-naturales, en el
campo de las ciencias humanas, y en particular en la investigación educativa, este
tipo de control no es posible. En nuestro campo, estamos lejos de lograr situaciones
en las que el experimentador posee un dominio casi absoluto, como se contempla
en la tradición experimental de Fisher. En este contexto, la solución al control de las
variables se consigue a través de técnicas estadísticas. Por ejemplo, conseguir la
aleatorización en la constitución de grupos cuando éstos existen de forma natural
sería difícil. Por ese motivo, las variables extrañas podrían estar presentes en los
grupos constituidos con distintos niveles, haciendo que los grupos sean diferentes
antes de comenzar el experimento. Gracias a la utilización de técnicas estadísticas
como el análisis de covarianza, es posible suplir el control riguroso de la situación
en este tipo de experimentos, pues mediante tal técnica se consigue un ajuste
estadístico de los datos que permita comprar los grupos después de la aplicación
del tratamiento como si se hubiera partido de una situación inicial de equivalencia.

Esta potencialidad de las técnicas estadísticas cuando el experimentador carece de

control sobre la situación experimental era ya anunciada por Campbell y Stanley
(1963), al afirmar que «una capacitación más a fondo de los investigadores
educacionales en técnicas modernas de estadística experimental permitiría elevar
la calidad de la experimentación pedagógica».