Professional Documents
Culture Documents
PRUEBAS PARAMÉTRICAS
HUANCAVELICA - 2018
“Investigación sobre las Pruebas Paramétricas”
DEDICATORIA
AGRADECIMIENTO
PRESENTACIÓN
El presente trabajo, tiene como objetivo general abastecernos del suficiente conocimiento
para poder entender todo lo que abarca en cuanto a las Pruebas Paramétricas y así hacer
uso de ellas cuando la necesitemos.
Los Autores
ÍNDICE
1. PORTADA…………………………………………………………………1
2. DEDICATORIA…………………………………………………………....2
3. AGRADECMIENTO………………………………………………………3
4. PRESENTACIÓN………………………………………………………….4
5. ÍNDICE……………………………………………………………………..5
6. INTRODUCCIÓN………………………………………………………….6
CAPITULO I
7. ANTECEDENTES………………………………………………………….7
8. ASPECTOS GENERALES………………………………………………..10
CAPITULO II
9. CONCEPTOS GENERALES………………………………………………12
9.1.TIPOS DE PRUEBAS PARAMÉTRICAS…………………………….13
9.2.Prueba t para una muestra………………………………………………13
9.3.Prueba t para dos muestras independientes……………………………..13
9.4.Prueba t para dos muestras relacionadas………………………………..14
9.5.Prueba ANOVA para más de dos muestras independientes…………….14
CAPITULO III
13. CONCLUSIONES…………………………………………………………….18
14. REFERENCIAS BIBLIOGRÁFICAS………………………………………..19
INTRODUCCIÓN
La investigación de pruebas paramétricas cuenta con un amplio contenido, para lo cual recopilamos
puntos importantes que resaltaran en nuestra investigación.
Cuenta con antecedentes internacionales las cuales se manifiestan la variable principal acompañados con
otros. Luego se ve la presencia de aspectos generales las cuales te brindan conocimientos previos a la
investigación.
Dentro del marco teórico podremos encontrar conceptos generales, las cuales hacen manifiestan
diferentes autores, cada uno con perspectiva diferente pero con el mismo objetivo, luego pasaremos a ver
los cuatro tipos de pruebas paramétricas, cada uno con su definición estable, la cual nos hará diferenciar
una de la otra, también encontraremos las condiciones paramétricas, son aspectos a tener en cuenta si
deseamos que nuestra prueba sea propiamente paramétrica, juntamente a ello se ven la selección de
muestra, te ofrece una orientación para decidir en la selección de tu muestra y como último punto vemos
los métodos estadísticos paramétricos y de distribución libre, un tema muy importante relacionado a
nuestra investigación.
CAPÍTULO I
Internacionales:
(Marín, Jiménez, & Hernández, 2015) Realizaron la investigación titulada “Comparación de Pruebas
Paramétricas y no Paramétricas vía simulación” en el XXV Simposio Internacional de Estadística,
Colombia, cuyo objetivo fue diferenciar medias, pruebas binomiales y prop.test para diferencia de
proporciones. Cuya investigación utilizó la metodología de simulación Monte Carlo, la muestra que posee
esta investigación es 20 000 simulaciones, 10 000 por cada caso que se obtuvo tras la combinación de
distribución, medias y tamaño muestral. El instrumento que se utilizó fueron dos pruebas de Kruskal
Wallis y ANOVA. Dicha investigación fue concluido a través de las siguientes conclusiones:
(a)En este estudio se encontró que cuando se realiza comparación de medias con pruebas
paramétricas y no paramétricas, el porcentaje de rechazo de la hipótesis nula de ambas pruebas es
similar en todos los casos considerados, incluso cuando se usan tamaños de muestra pequeños. Sin
embargo, cuando las muestras provienen de poblaciones son normalmente distribuidas, se percibe
una pequeña diferencia entre las pruebas que favorece a las prueba de ANOVA (paramétrica). (b)
En los resultados del estudio de simulación no hay evidencia que garantice que la recomendación
de usar las pruebas paramétricas cuando se cumple el supuesto de normalidad sea acertada, ya que
cuando las muestras provienen de una distribución normal, el comportamiento de ambas pruebas
es muy semejante. (c) En las distribuciones consideradas para el estudio (uniforme, Laplace, gama
y normal), sin importar la simetría, el comportamiento de las pruebas para comparación de medias
no tuvo diferencias significativas. Sin embargo, únicamente se apreciaron pequeñas variaciones
para la distribución uniforme. (d) Entre los métodos usados para comparar proporciones, la prueba
prop.test (paramétrica) resulta ser más sensible para identificar diferencias entre las proporciones
de las poblaciones, puesto que requiere un tamaño de muestra mucho menor que la prueba no
paramétrica para estabilizarse y rechazar la hipótesis cuando se debe. (e) Al observar el caso para
proporciones iguales, los resultados obtenidos fueron los esperados, ya que la proporción de
rechazo de la hipótesis nula de ambas pruebas es muy cercana a cero, y por una mínima diferencia
el desempeño del método no paramétrico fue mejor que el del paramétrico.
(Rubio & Berlanga, 2012) Realizaron el artículo metodológico titulado “Cómo aplicar las pruebas
paramétricas bivariadas t de Student y ANOVA en SPSS. Caso práctico” en el Instituto de Ciencias de la
Educación, Barcelona, cuyo objetivo fue el aprendizaje sobre el uso de las pruebas paramétricas
bivariadas t de Student y ANOVA, el artículo utilizó la metodología que es de caso práctico, la muestra
en la que se basa son las pruebas paramétricas y el instrumento que se utilizo fue el programa SPSS. Dicho
artículo fue concluido a través de las siguientes conclusiones:
(a)En lo que se refiere a nuestro caso práctico sobre la suposición (hipótesis) relativa a las
competencias informacionales del alumnado de Bachillerato, la cual afirma que los estudiantes de
centros educativos privados poseen mejor competencia informacional que los de centros públicos
o concertados, concluimos que nada se opone a aceptar la hipótesis de que hay relación o
asociación entre las competencias y el centro de procedencia (prueba ANOVA). (b) Otro de los
objetivos del estudio era comprobar si existían diferencias de género en relación con las
competencias y afirmamos que no hay diferencias (prueba t para dos muestras independientes). (c)
Finalmente, en la segunda fase del estudio en la que comprobábamos (prueba t para dos muestras
relacionadas) si un programa de formación en competencias informacionales mejora las
competencias de los estudiantes del colegio público, concluimos que el programa de intervención
logra mejorar las competencias del centro público que las tiene menos desarrolladas.
(Urdaneta & Urdaneta, 2016) Realizaron la investigación titulada “Pruebas paramétricas versus
pruebas no paramétricas y sus aplicaciones en la investigación odontológica” por el Acta Odontológica
Venezolana ISSN: 0001-6365, cuyo objetivo fue comparar los estudios paramétricos con los estudios no
paramétricos y sus aplicaciones en la investigación odontológica, la investigación fue elaborado con la
metodología de descriptivo documental, con diseño bibliográfico, la muestra consto de diecisiete artículos
científicos publicados en revistas arbitradas e indexadas en el área de la estadística y salud odontológica y
el instrumento utilizado fue la observación directa a fuentes documentales. Dicha investigación fue
concluido a través de las siguientes conclusiones:
aplicaciones específicas para estudiar las variaciones de los grupos de estudios y con ello tener la
suficiente evidencia estadística en la toma de decisiones clínicas aportando con ello estudios
confiables. (b) En ese sentido, las pruebas no paramétricas son más exigentes al rechazar la
hipótesis nula de igualdad y por tanto tienen menos posibilidades de acertar cuando no la rechazan
(más posibilidades de cometer un error tipo beta). (c) A tales consideraciones, es recomendable, al
abordar estudios orientados a la investigación odontológica, disponer de un tamaño de muestra lo
suficientemente grande para tener mayor probabilidad de encontrar una diferencia verdadera entre
los grupos de estudio (poder estadístico).
(Navarro, Ottone, Acevedo, & y Cantín, 2017) Realizaron la investigación titulada “Pruebas
estadísticas utilizadas en revistas odontológicas de la red SciELO” llevándose a cabo en el país de Chile,
cuyo objetivo fue analizar las revistas odontológicas de la red SciELO y evaluar los métodos estadísticos
utilizados en artículos originales de investigación. La metodología que se uso fue una revisión
bibliométrica descriptiva, la población abarca 4.262 artículos, y a través de un muestreo aleatorio
estratificado por asignación proporcional se seleccionaron 309 artículos que sería el total de la muestra, en
cuanto al instrumento se utilizó todos los artículos originales publicados en revistas odontológicas
indexadas en la red SciELO entre los años 2013 y 2014. Dicha investigación fue concluido a través de los
siguientes resultados:
Con el surgimiento de las técnicas inferenciales paramétricas, hallaron solución muchos problemas
prácticos en la toma de decisiones sobre las características de las poblaciones en estudio. Al respecto,
plantea que tales problemas son comunes en la vida diaria y en el desarrollo ulterior de las matemáticas y
que poseen un amplio campo de aplicación (agricultura, deporte, medicina, los servicios, etc.). No
obstante, estos métodos altamente eficientes, necesitan del cumplimiento de un grupo de supuestos muy
fuertes, que en muchos casos no se satisfacen en la información que se analiza. También sucede en
ocasiones que la medida en que están dadas las variables que se estudian, no están acordes con estos, que
se refiere a variables de tipo nominal u ordinal. (Guerra & Cabrera, 2003)
A partir de los requerimientos, surgen técnicas inferenciales novedosas que son menos exigentes.
Se refiere a estas planteando que no realizan supuestos numerosos ni severos acerca de los parámetros en
estudio y que estos métodos son llamados no paramétricos o de distribución libre indistintamente. (De
Calzadilla, 1999)
Considera que el término "no paramétrico" es incorrecto, ya que en el sentido estricto de la palabra,
significa que no están hechos para probar hipótesis acerca de los parámetros y sin embargo dentro de estos
métodos hay algunos que se utilizan para este fin, porque realmente ellos se diferencian de los
paramétricos en el conocimiento o no de la distribución de la población en estudio, y en la posibilidad de
su aplicación para cualquier distribución. En este sentido se considera que es más adecuada la
denominación de métodos de distribución libre. (Cue, 1987)
López y Romero (1986) señalan que cuando se comenzó a estudiar este tema, se comparaba la
eficiencia relativa de las pruebas paramétricas con las de distribución libre, considerando el cumplimiento
de los supuestos para realizar las primeras y esto condujo a que los métodos de distribución libre se
catalogaran como poco eficientes. (López & Romero, 1986) “……No obstante, añaden que en la
actualidad constituyen un arma de análisis de inestimable valor para el investigador, opinión que
comparte” (Hougaard, 1999)
Plantean que las pruebas más poderosas son las apoyadas por suposiciones más fuertes y amplias,
pero que cuando los supuestos que constituyen el modelo estadístico paramétrico no han sido en verdad
satisfechos o la medida utilizada carece de la fuerza requerida, es difícil medir la potencia de la prueba,
existiendo algunas comprobaciones empíricas de que las desviaciones ligeras de los supuestos de las
pruebas paramétricas, no ocasionan efectos radicales en las conclusiones del análisis, pero no se da una
definición clara de lo que se considera "desviaciones ligeras". (Siegel & Castellán, 1995)
“Investigación sobre las Pruebas Paramétricas”
Por su parte, abordan este tema a través de lo que definen como eficiencia relativa, comenzando
su análisis desde el comportamiento de los estadísticos de posición y dispersión hasta los estadísticos de
prueba, incluyendo además el criterio de potencia. En su opinión, si se considera que las suposiciones
paramétricas acerca de la población no se satisfacen ni siquiera moderadamente, los niveles de confianza
se satisfarán mejor usando métodos de distribución libre. (Dixon & Massey, 1976)
Señalan que la definición de prueba o dócima eficiente se obtiene de la misma forma que la
estimación eficiente y analizan su valor a partir de la expresión. (Kendall & Stuart, 1973)
ER (T1, T2) = n1 / n2
Considera que la vía más común de comparar dos pruebas estadísticas es hacer todos los factores
equivalentes, excepto el tamaño de muestra. Esto se analizará posteriormente. (Gibbons, 1971)
Estos resultados pueden servir de base para ampliar los análisis acerca de la eficiencia entre
métodos de distribución libre y de estos con los paramétricos, llegando a considerar otras distribuciones
que presenten un comportamiento que no sea el típico normal o simétrico.
CAPITULO II
3. CONCEPTOS GENERALES
Los estudios paramétricos parten del supuesto que vienen de una distribución normal, por el
contrario, los métodos no paramétricos son la manera más directa de solucionar el problema de falta de
normalidad. (Urdaneta & Urdaneta, 2016) ”…… Cuando la estadística se basa en el conocimiento de
las distribuciones muestrales por medio de diferencias de porcentajes o promedios, así mismo, cuando las
muestras provienen de una misma población, se acepta entonces usar la aproximación normal, la
distribución de t de Student o la distribución F de Fisher en el análisis de varianza, bajo el supuesto de que
la hipótesis nula es cierta. Dado que en esos métodos se estiman los parámetros de las poblaciones de
origen, esas técnicas estadísticas reciben el nombre de paramétricas” (Urdaneta & Urdaneta, 2016)
Las pruebas paramétricas exigen ciertos requisitos previos para su aplicación: la distribución
Normal de la variable cuantitativa en los grupos que se comparan, la homogeneidad de varianzas en las
poblaciones de las que proceden los grupos y una n muestral no inferior a 30. Su incumplimiento conlleva
la necesidad de recurrir a pruebas estadísticas no paramétricas. (Rubio & Berlanga, 2012)
Se considera la aplicación de métodos paramétricos cuando las muestras son de gran tamaño (al
menos un grupo mayor a 20 sujetos o unidades de información), al mismo tiempo, estas pruebas se
aplican en determinadas variables que obedecen al tipo nominal o de intervalo, de igual manera, parten
del supuesto que vienen de una distribución normal y las hipótesis se basan en valores provenientes de las
medias y no considera los valores perdidos en su cálculo (Urdaneta & Urdaneta, 2016)
Los métodos no paramétricos son una alternativa para realizar inferencia sobre las características
de una población cuando no se cumplen los supuestos que son necesarios para el uso de los métodos
paramétricos. (Marín, Jiménez, & Hernández, 2015)
4.1. Prueba t para una muestra.- Contrasta si la media de una población difiere significativamente de un
valor dado conocido o hipotetizado. La prueba calcula estadísticos descriptivos para las variables de
contraste junto con la prueba t. Por defecto, el SPSS incluye el intervalo de confianza del 95% para
la diferencia entre la media de la variable de contraste y el valor hipotetizado de la prueba. (Rubio
& Berlanga, 2012)
4.2. Prueba t para dos muestras independientes.- Esta opción debe utilizarse cuando la comparación se
realice entre las medias de dos poblaciones independientes (los individuos de una de las poblaciones
son distintos a los individuos de la otra) como, por ejemplo, en el caso de la comparación de las
poblaciones de hombres y mujeres. Por lo tanto, compara las medias de una variable para dos grupos
de casos. La matriz de datos debe estar configurada como es habitual, es decir, existe una columna
para los datos de la variable de interés y una segunda columna con los códigos que definen las
poblaciones objeto de comparación. La prueba calcula estadísticos descriptivos para cada grupo
además de la prueba de Levene para la igualdad de varianzas, así como los valores de t para varianzas
iguales y desiguales y el intervalo de confianza del 95% para la diferencia de medias. (Rubio &
Berlanga, 2012)
4.3. Prueba t para dos muestras relacionadas.-Existe una segunda alternativa para contrastar dos medias.
Esta se refiere al supuesto caso en el que las dos poblaciones no sean independientes, es decir, el caso
en el que se trate de poblaciones relacionadas. Esta situación se encuentra, por ejemplo, en los diseños
apareados, diseños en los que los mismos individuos son observados antes y después de una
determinada intervención, o en los diseños en los que las muestras son emparejadas de acuerdo a
una serie de variables para controlar su efecto (como, por ejemplo, en los diseños de casos y
controles). Para la realización de este análisis, las dos muestras deben estar en dos variables distintas
de la matriz de datos y debe formarse la pareja de muestras antes de poder añadir la comparación a
la lista de variables relacionadas. Por lo tanto, compara las medias de dos variables en un solo grupo.
El resultado incluye estadísticos descriptivos de las variables que se van a contrastar, la correlación
entre ellas, estadísticos descriptivos de las diferencias emparejadas, la prueba t y el intervalo de
confianza del 95%. (Rubio & Berlanga, 2012)
4.4. Prueba ANOVA para más de dos muestras independientes.- ANOVA es el acrónimo de análisis de
la varianza. Es una prueba estadística desarrollada para realizar simultáneamente la comparación de
las medias de más de dos poblaciones. A la asunción de Normalidad debe añadirse la de la
homogeneidad de las varianzas de las poblaciones a comparar. Esta condición previa de aplicación
se verificará estadísticamente mediante una de las opciones que se encuentran dentro de la
configuración del ANOVA. Se deberá introducir la variable que se desea analizar (variable
dependiente) así como la variable que define los grupos objeto de comparación (factor). Si del
ANOVA resultase el rechazo de la hipótesis nula de igualdad de medias, se debe proseguir el análisis
con la realización de los contrastes a posteriori (post hoc). (Rubio & Berlanga, 2012)
5. CONDICIONES DE PARAMETRICIDAD
Cuando queremos evaluar el grado de asociación o independencia entre una variable cuantitativa
y una variable categórica (recuérdese que ésta clasifica o diferencia a los individuos en grupos, tantos
como categorías tiene dicha variable), el procedimiento estadístico inferencial recurre a comparar las
medias de las distribuciones de la variable cuantitativa en los diferentes grupos establecidos por la variable
categórica. Si ésta tiene solo dos categorías (es dicotómica), la comparación de medias entre dos grupos
independientes se lleva a cabo por el test t de Student; si tiene tres o más categorías, la comparación de
medias entre tres o más grupos independientes se realiza a través de un modelo matemático más general,
el análisis de la varianza (ANOVA). En ambos casos, las pruebas estadísticas exigen ciertos requisitos
previos: la distribución normal de la variable cuantitativa en los grupos que se comparan y la
homogeneidad de varianzas en las poblaciones de las que proceden los grupos; su no cumplimiento
conlleva la necesidad de recurrir a pruebas estadísticas no paramétricas. (Pérez, 2009)
5.1. Variable numérica.- la variable de estudio (la dependiente) debe estar medida en una escala que sea,
por lo menos, de intervalo e, idealmente, de razón. (Rubio & Berlanga, 2012)
5.2. Normalidad.- los valores de la variable dependiente deben seguir una distribución normal; por lo
menos, en la población a la que pertenece la muestra. La distribución normal o gaussiana (porque su
forma representa la campana de Gauss) es la distribución teórica mejor estudiada y debe su
importancia fundamentalmente a la frecuencia con la que distintas variables asociadas a fenómenos
naturales y cotidianos siguen, aproximadamente, esta distribución. Caracteres morfológicos como
puede ser la talla o el peso, o psicológicos como el cociente intelectual son ejemplos de variables de
las que frecuentemente se asume que siguen una distribución normal. (Rubio & Berlanga, 2012)
normales se emplearán otros métodos estadísticos que no exijan este tipo de restricciones (los
llamados métodos no paramétricos). (Rubio & Berlanga, 2012)
5.4. La n muestral: no debe ser inferior a 30, y cuanto más se acerque a la n poblacional mejor. Dado que
las pruebas paramétricas realizan estimación de parámetros de la población a partir de muestras
estadísticas, es lógico pensar que cuanto más grande sea la muestra, más exacta será la estimación;
en cambio, cuanto más pequeña, más distorsionada será la media de las muestras por los valores
raros extremos. (Rubio & Berlanga, 2012)
6. SELECCIÓN DE LA MUESTRA
6.1. Muestras independientes.- Son aquellas cuyo universo de población resulta diferente. Es el caso, por
ejemplo, del variable sexo, que se divide en dos universos diferentes: hombres y mujeres; o el del
variable estado civil, definido por solteros, casado, divorciado, viudos, etc. De esta manera, se pueden
enumerar múltiples variables que dan lugar a una infinidad de universos muestrales, de entre los
cuales es factible elegir muestras independientes. (Rubio & Berlanga, 2012)
6.2. Muestras dependientes o relacionadas.- Se refieren a las provenientes de un universo muestral, a las
que se aplicará un plan experimental, mediante el cual se espera un cambio, de manera que en el
análisis de las observaciones existen dos períodos: antes y después del tratamiento. Para acabar, y
como ya hemos comentado en párrafos anteriores, cuando por cualquier razón no se puedan cumplir
los requisitos de las pruebas paramétricas, el investigador o investigadora podrá recurrir a las
llamadas pruebas no paramétricas. En ellas no se exige homogeneidad de varianzas y, auxiliadas por
un modelo matemático de ajuste, se puede obtener una eficacia muy cercana a la de las pruebas t de
Student y de análisis de varianza (ANOVA). (Rubio & Berlanga, 2012)
Es conocido y señalado por diversos autores tales como (Dixon & Massey, 1976)
(Siegel, 1970) (Siegel & Castellán, 1995), que las pruebas llamadas paramétricas
conforman una familia de métodos de mucha certeza en la toma de decisiones. La
dificultad radica en las suposiciones que deben satisfacerse para su aplicación. Estas
suposiciones como se conoce, son fundamentalmente:
CONCLUSIONES
Es necesario tener buenos conocimientos para los instrumentos que requieren una
prueba paramétrica, así cometer menos errores y no aplazar el tiempo de la
investigación.
BIBLIOGRAFÍA
(s.f.).
Dixon, W. J., & Massey, F. J. (1976). Introducción al Análisis Estadístico. Cuba: Pueblo y
educación.
Fraser, D. (1957). Nomparametric methods in Statistics. New York: John Wiley and Sons.
Guerra, C., & Cabrera, A. y. (2003). Criterios para la selección de modelos estadísticos en la
investigación científica. Revista Cubana de Ciencia Agrícola, 37(1).
Kendall, M., & Stuart, A. (1973). The Advanced theory of statistics II. (C. Griffin, Ed.) Londres.
López, P., & Romero, V. O. (1986). A propósito de las estadísticas no paramétricas (Vol. 18).
Cuba: Revista Estadística.
Marín, D., Jiménez, E., & Hernández, F. (2015). COMPARACIÓN DE PRUEBAS PARAMÉTRICAS Y
NO PARAMÉTRICAS VÍA SIMULACIÓN. Armenia, Colombia: XXV Simposio Internacional
de Estadística.
Mood, A. M., & Graybill, F. (1972). Introduccion a la teoría de la Estadística (Española. Aguilar
S.A. de ediciones ed.). Madrid, España.
Navarro, P., Ottone, N., Acevedo, C., & y Cantín, M. (2017). Pruebas estadísticas utilizadas en
revistas odontológicas de la red SciELO. 33(1).
Pérez, J. (2009).
Rubio, M. J., & Berlanga, V. (2012). Cómo aplicar las pruebas paramétricas bivariadas t de
Student y ANOVA en SPSS. Caso práctico. REIRE,Revista d’Innovació i Recerca en
Educació, 5(2, 83-100). Obtenido de http://www.ub.edu/ice/reire.htm
Siegel, S., & Castellán, N. J. (1995). Estadística no paramétrica aplicada a las Ciencias de la
conducta (4 ed.). México: Trillas.
Urdaneta, O., & Urdaneta, M. (2016). Pruebas parámetricas versus pruebas no parámetricas y
sus aplicaciones en la investigación odontológica (Vol. 54). Venezuela: Acta
Odontológica Venezolana ISSN: 0001-6365.