Criminal I Dad

"Año del Diálogo y Reconciliación Nacional”
UNIVERSIDAD ALAS PERUANAS
FACULTAD DE CIENCIAS DE LA SALUD

ESCUELA ACADÉMICA PROFESIONAL DE PSICOLOGÍA HUMANA
PRUEBAS PARAMÉTRICAS
CATEDRÁTICA: Ps. HUAMAN MUNARRIZ, Silvia

CÁTEDRA: Estadística Aplicada
CICLO: VII
PRESENTADO POR LOS ESTUDIANTES:
 ESCOBAR OTAÑE, Andrea Vicky
 ÑAÑA ESCOBAR, Franny
 PARI HILARIO, Jessica
 GARAGUNDO ORDOÑEZ, Anabel
 EFULIO ENRIQUEZ, Wendy
HUANCAVELICA - 2018
“Investigación sobre las Pruebas Paramétricas”
DEDICATORIA
Este trabajo de investigación está dedicado

con amor y cariño a nuestros padres,
hermanos y nuestros catedráticos quienes son
la fortaleza para nuestra superación de cada
día.
Vicky, Franny, Jessica, Anabel y Wendy
ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

GARAGUNDO ORDOÑEZ, Anabel REFULO ENRIQUEZ, 2
AGRADECIMIENTO
A los catedráticos de la Universidad Alas

Peruanas quienes son nuestros guías en el
camino del saber, y que con su ayuda fue
posible elaboración de esta investigación.
Vicky, Franny, Jessica, Anabel, Wendy

PRESENTACIÓN
Conforme a las actividades realizadas dentro de la cátedra, presentamos a nuestro trabajo

monográfico, titulada “Pruebas Paramétricas” basada en la cátedra de Estadística
Aplicada.
Esta Investigación representa un valioso aporte teórico, metodológico y un antecedente

significativo para aquellos quienes decidan seguir investigando y construyendo teorías y
propuestas sobre el tema de Pruebas Paramétricas.
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.
Esperamos psicóloga y este trabajo monográfico se ajuste a las exigencias establecidas

por vuestra catedra y merezca su aprobación.
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
10. CONDICIONES DE PARAMETRICIDAD………………………………...14

10.1. Variable numérica……………………………………………………14
10.2. Normalidad…………………………………………………………...14
10.3. Homocedasticidad (homogeneidad de varianzas) entre los grupos a
comparar………………………………………………………………15
10.4. La n muestral…………………………………………………………15
11. SELECCIÓN DE LA MUESTRA…………………………………………...15

11.1. Muestras independientes……………………………………………...15
11.2. Muestras dependientes o relacionadas………………………………..15
12. ACERCA DE LOS MÉTODOS ESTADÍSTICOS PARAMÉTRICOS Y DE

DISTRIBUCIÓN LIBRE……………………………………………………..16
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
1. ANTECEDENTES.- Se ha encontrado diferentes investigaciones relacionadas a nuestro tema de

investigación, en el ámbito: internacionales
Internacionales:
 (Rojas, 2003) Realizo la investigación titulada “Técnicas Estadísticas Paramétricas y No Paramétricas

Equivalentes: Resultados Comparativos Por Simulación” en la Escuela Superior politécnica del Litoral,
Ecuador, cuyo objetivo fue realizar una comparación entre las técnicas estadísticas paramétricas y no
paramétricas enfocado principalmente en el valor plausible de dichas técnicas. Cuya investigación hizo
uso del método de simulación, la muestra está conformada por 200 simulaciones, 100 por cada caso
indicado. El instrumento que se utilizó fueron pruebas de hipótesis, la prueba t, la prueba de Wilcoxon, la
prueba de Mann-Withney, la prueba f y la prueba de Ansari-Bradley. Dicha investigación fue concluido
a través de las siguientes conclusiones:
(a)Cumpliendo el supuesto de normalidad, para tamaños de muestra pequeños, la longitud del

intervalo de confianza para el valor plausible correspondiente a la prueba no paramétrica (Prueba
de Wilcoxon) es menor que el correspondiente a las paramétricas (Prueba Z y t). (b) Al violar el
supuesto de normalidad y respetar la simetría tenemos que, para tamaños de muestra pequeños y
baja dispersión, los intervalos de confianza para el valor plausible correspondientes a la prueba no
paramétrica son menores en longitud que los correspondientes paramétricos. (c) Al violar el
supuesto de normalidad y la simetría tenemos que para el caso donde la asimetría es considerable
(Weibull: Casos 1 y 2) tuvimos que para tamaños de muestra pequeños los intervalos de confianza
del valor plausible correspondientes a la prueba no paramétrica (Prueba de Wilcoxon) son menores
en longitud que los correspondientes a las pruebas paramétricas (Pruebas Z y t), pero que esta
característica se pierde a medida que el tamaño de la muestra aumenta.
 (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:
(a)Se concluye que la aplicación de las diversas pruebas paramétricas y no paramétricas va a

depender de las características de la variable objeto de estudio, el tamaño de la muestra y de la
escala de medición de los datos. Así mismo, el investigador de la odontología va a disponer de

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:
(a)Difundir la evidencia cuantitativa analizada estadísticamente, es actualmente una necesidad

debido a la odontología basada en la evidencia, utilizada para tomar e informar decisiones a nivel
del desarrollo de políticas públicas, como así también para la realización de un diagnóstico,
tratamiento e informar un pronóstico. Así, el análisis estadístico será el procedimiento objetivo por
medio del cual se podrá aceptar o rechazar un conjunto de datos como confirmatorios de una
hipótesis, conocido el riesgo que se corre (en función de la probabilidad) al tomar tal decisión. Por
esto, es necesario tener una base racional por medio de la cual se seleccione la prueba más
apropiada, selección que constituye el punto crítico del análisis estadístico; así, será importante
buscar el asesoramiento de los profesionales de la bioestadística cuando se utilizan métodos
estadísticos más avanzados. (b) Del análisis realizado concluimos que los métodos estadísticos
más utilizados en las revistas odontológicas SciELO corresponden a estudios estadísticos
inferenciales. Las pruebas paramétricas fueron las más utilizadas, principalmente las pruebas Post
Hoc, ANOVA y prueba t para muestras independientes. Las pruebas no paramétricas más
utilizadas fueron la de chi cuadrado de Pearson, Kruskal-Wallis y UMann-Whitney. Finalmente,
a partir de esta investigación, creemos proporcionar una clara evidencia de lo que debe ser
enseñado para mejorar la comprensión de la literatura odontológica desde una perspectiva
bioestadística.

2. ASPECTOS GENERALES.
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)
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
Donde T1 y T2 representan el tratamiento que se están comparando.
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)
En general, al analizar el comportamiento de los diferentes grupos de métodos, las valoraciones se

han hecho considerando distribución Normal como es el caso de (Dixon & Massey, 1976) (Fraser,
1957) (Gibbons, 1971) (Siegel & Castellán, 1995) “….y en algunos casos las distribuciones Uniforme
y Doble exponencial, fundamentalmente en dócimas de una población” (Bradley, 1968) “…Un detalle
interesante a destacar aquí es que los valores de eficiencia (determinados a través del cálculo del ARE)
llegan hasta la comparación en estas pocas distribuciones de una prueba paramétrica con las homólogas
de distribución libre, siendo poco analizados los valores de la eficiencia entre dócimas de distribución
libre”
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)
Son instrumentos de análisis, comparación y previsión, a partir de datos observables o

experimentales, aplicados de acuerdo con su uso, para el correcto desarrollo de una investigación, con
objetivos claros, metodología coherente y una evaluación de resultados adecuada, no sólo en el campo de
la investigación básica, sino también en el uso clínico. Sin embargo, muchos profesionales,
principalmente aquellos más próximos a las prácticas clínicas diarias y distantes del trabajo meramente
científico, tienden a creer que tienen poca relación con la estadística, debido a que no acostumbran a
trabajar con grupos, sino con colección de individuos. Así, algunos conocimientos de las pruebas
estadísticas, permiten no solo tomar conciencia de la variabilidad de los datos con los cuales trabaja, sino
también, favorecer un mejor entendimiento y control de esa variabilidad. (Navarro, Ottone, Acevedo,
& y Cantín, 2017)
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)

La estadística inferencial paramétrica hace suposiciones específicas acerca de la población o

poblaciones que se muestrean. De allí la importancia del Teorema del Límite Central para esta clase de
inferencias (el supuesto de normalidad es parte fundamental de las pruebas paramétricas) (Rojas, 2003)
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. TIPOS DE PRUEBAS PARAMÉTRICAS
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)
Veamos con más detalle estos requisitos de parametricidad:
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)
No obstante, y aunque algunos autores han señalado que el comportamiento de muchos

parámetros en el campo de las ciencias sociales puede ser descrito mediante una distribución normal,
puede resultar incluso poco frecuente encontrar variables que se ajusten a este tipo de
comportamiento. Debido a esto es preciso comprobar si la distribución de nuestro estudio sigue esta
estructura teórica. Para ello una simple exploración visual de los datos puede sugerir la forma.
Existen, no obstante, otras medidas como son los gráficos de normalidad y los contrastes de hipótesis
(prueba de Kolmogorov Smirnov) que pueden ayudarnos a decidir, de un modo más riguroso, si la
muestra de la que se dispone procede o no de una distribución normal. Cuando los datos no sean

normales se emplearán otros métodos estadísticos que no exijan este tipo de restricciones (los
llamados métodos no paramétricos). (Rubio & Berlanga, 2012)
5.3. Homocedasticidad (homogeneidad de varianzas) entre los grupos a comparar.-las varianzas de la

variable dependiente en los grupos que se comparan deben ser aproximadamente iguales. Por ello
uno de los pasos previos a la comprobación de la existencia de diferencias entre las medias de varias
muestras es determinar si las varianzas en tales muestras son iguales, es decir, comprobar si se
cumple la condición de homogeneidad de varianzas, ya que del cumplimiento de esta condición
dependerá la formulación que empleemos en el contraste de medias. Existen varias pruebas que
permiten comprobar la igualdad de varianzas (F de Fisher, Fmax de Hartley, prueba de Bartlett, etc.).
En este estudio, desarrollaremos la prueba de Levene, esto es, aquella que emplea SPSS para
comprobar que las varianzas de la variable dependiente en los grupos que se comparan sean
aproximadamente iguales. (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
Las muestras estudiadas pueden ser independientes y dependientes (o relacionadas).
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)

7. ACERCA DE LOS MÉTODOS ESTADÍSTICOS PARAMÉTRICOS Y DE

DISTRIBUCIÓN LIBRE.
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:
 Las variables deben estar medidas al menos en una escala de intervalo.

 Las observaciones deben hacerse en poblaciones distribuidas normalmente.
 Estas poblaciones deben tener la misma varianza (o en casos especiales deben tener
una proporción de varianzas conocidas).
Y para el caso del Análisis de Varianza:
 Las medias de estas poblaciones normales y homocedásticas deberán ser

combinaciones lineales de efectos debidos a las columnas y a las filas o a ambos, o
sea, deben ser aditivos ( (Siegel & Castellán, 1995)
En muchas situaciones prácticas no se dispone de muestras suficientemente grandes

como para no tomar en cuenta el comportamiento de las poblaciones de origen, o
simplemente su distribución no es Normal o no se conoce (López & Romero, 1986)
Afirman que al aplicar métodos estadísticos resulta necesario conocer, al menos

aproximadamente, la forma general de la distribución que siguen los datos que se estudian
y que si esta es Normal, se podrá usar directamente los métodos paramétricos, pero en
caso contrario, se deberá transformar los datos de modo que las observaciones
transformadas sigan la distribución Normal, y que cuando se desconozca la forma de la
distribución se deberá usar métodos más generales, llamados de distribución libre o no
paramétricos. (Mood & Graybill, 1972)
La falta de normalidad puede afectar a la homogeneidad de varianzas, sobre todo

cuando existe mucha diferencia en el número de observaciones. (Peña, 1994) (De
Calzadilla, 1999). ”….. señala que la heterogeneidad de varianzas viene acompañada de
variables no normales, por lo que ante esta situación recomienda aplicar transformaciones
y expresa que en tales circunstancias la misma transformación que estabiliza las varianzas
suele normalizar la respuesta” (De Calzadilla, 1999). “…..ha sugerido que antes de
transformar los datos se debe estudiar gráficamente la distribución de los residuos y si la
misma resulta muy asimétrica, entonces conviene la transformación, lo cual resulta una
opción antes de proceder a la misma). (Peña, 1994)
Por su parte, valora la posibilidad del uso de las transformaciones de variables,

señalando que no siempre resuelven el cumplimiento de los supuestos teóricos de los
modelos paramétricos y en ocasiones empeoran el comportamiento de la información, por
lo cual esto debe ser motivo de análisis más profundo por parte de los especialistas. Este
criterio se considera el adecuado, pues en la práctica se observa un uso indiscriminado de
las transformaciones (fundamentalmente en el caso de los porcientos) sin la

correspondiente verificación posterior de su eficacia para el logro de los supuestos

deseados. (De Calzadilla, 1999)
Los llamados métodos de distribución libre, poseen también ciertas suposiciones

que deben ser satisfechas para su aplicación, pero estas resultan más generales, a saber,
según señala (De Calzadilla, 1999)
 Que las muestras que se tomen sean aleatorias.

 Escala al menos ordinal.
 Que la función de distribución en estudio sea desconocida.
En general los métodos paramétricos realizan operaciones aritméticas de los valores

muestrales, por lo cual los mismos requieren que los datos estén medidos por lo menos
en escala de intervalo, mientras que los de distribución libre, en su mayoría se fijan en el
orden o rango de los valores, no en sí en sus valores numéricos, lo cual ha influido en que
se establezcan diferencias en los estadísticos a usar en ambos procedimientos de acuerdo
a las posibilidades que brinda cada escala de medida y a que se tengan más en cuenta los
métodos de distribución libre por ser frecuente el estudio de variables medidas en escalas
nominales u ordinales. (De Calzadilla, 1999)

CONCLUSIONES
 Si bien es cierto las pruebas paramétricas cumplen diversos parámetros, dentro de

sus condiciones estipuladas, por ello se ve buena cantidad de clasificación en las
pruebas no paramétricas.
 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.
 Existen tipos de pruebas que se clasifican específicamente en las paramétricas,

como también en las no paramétricas por ello debemos de tener mucha cautela al
uso de instrumento correcto para el tipo de prueba.

BIBLIOGRAFÍA
(s.f.).
Bradley, J. V. (1968). Distribution-free statistical tests. New Jersey.
Cue. (1987). Pruebas Paramétricas.
Cue, J. L. (1987). Estadística (Vol. II).
De Calzadilla, J. (1999). Procedimiento de la estadística no paramétrica. Tesis presentada en

opción al título de Master en Matemática Aplicada a las Ciencias Agropecuarias.
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.
Gibbons, J. D. (1971). Nomparametric Statistical Inference. New York.
Guerra, C., & Cabrera, A. y. (2003). Criterios para la selección de modelos estadísticos en la
investigación científica. Revista Cubana de Ciencia Agrícola, 37(1).
Hougaard, P. (1999). Fundamentals of survival data. EUA: Biometrics.
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).
Peña, S. (1994). Modelos lineas y series temporales. Madrid: Alianza Editoria S. A.
Pérez, J. (2009).
Rojas, M. A. (2003). Técnicas Estadísticas Paramétricas y No Paramétricas Equivalentes:

Resultados Comparativos Por Simulación. Guayaquil: Escuela Superior Politécnico Del
Litoral.

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. (1970). Diseño experimental no paramétrico aplicado a las ciencias de la conducta

(Revolucionaria.Instituto Cubano del Libro ed.). La Habana, Cuba.
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.


Criminal I Dad

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Criminal I Dad

Uploaded by

Copyright:

Available Formats

"Año del Diálogo y Reconciliación Nacional”

UNIVERSIDAD ALAS PERUANAS

FACULTAD DE CIENCIAS DE LA SALUD

CATEDRÁTICA: Ps. HUAMAN MUNARRIZ, Silvia

Este trabajo de investigación está dedicado

Vicky, Franny, Jessica, Anabel y Wendy

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

A los catedráticos de la Universidad Alas

Vicky, Franny, Jessica, Anabel, Wendy

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

Conforme a las actividades realizadas dentro de la cátedra, presentamos a nuestro trabajo

Esta Investigación representa un valioso aporte teórico, metodológico y un antecedente

Esperamos psicóloga y este trabajo monográfico se ajuste a las exigencias establecidas

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

10. CONDICIONES DE PARAMETRICIDAD………………………………...14

11. SELECCIÓN DE LA MUESTRA…………………………………………...15

12. ACERCA DE LOS MÉTODOS ESTADÍSTICOS PARAMÉTRICOS Y DE

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

1. ANTECEDENTES.- Se ha encontrado diferentes investigaciones relacionadas a nuestro tema de

 (Rojas, 2003) Realizo la investigación titulada “Técnicas Estadísticas Paramétricas y No Paramétricas

(a)Cumpliendo el supuesto de normalidad, para tamaños de muestra pequeños, la longitud del

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

(a)Se concluye que la aplicación de las diversas pruebas paramétricas y no paramétricas va a

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

(a)Difundir la evidencia cuantitativa analizada estadísticamente, es actualmente una necesidad

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

Donde T1 y T2 representan el tratamiento que se están comparando.

En general, al analizar el comportamiento de los diferentes grupos de métodos, las valoraciones se

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

Son instrumentos de análisis, comparación y previsión, a partir de datos observables o

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

La estadística inferencial paramétrica hace suposiciones específicas acerca de la población o

4. TIPOS DE PRUEBAS PARAMÉTRICAS

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

Veamos con más detalle estos requisitos de parametricidad:

No obstante, y aunque algunos autores han señalado que el comportamiento de muchos

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

5.3. Homocedasticidad (homogeneidad de varianzas) entre los grupos a comparar.-las varianzas de la

Las muestras estudiadas pueden ser independientes y dependientes (o relacionadas).

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

7. ACERCA DE LOS MÉTODOS ESTADÍSTICOS PARAMÉTRICOS Y DE

 Las variables deben estar medidas al menos en una escala de intervalo.

Y para el caso del Análisis de Varianza:

 Las medias de estas poblaciones normales y homocedásticas deberán ser

En muchas situaciones prácticas no se dispone de muestras suficientemente grandes

Afirman que al aplicar métodos estadísticos resulta necesario conocer, al menos

La falta de normalidad puede afectar a la homogeneidad de varianzas, sobre todo

Por su parte, valora la posibilidad del uso de las transformaciones de variables,

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

correspondiente verificación posterior de su eficacia para el logro de los supuestos

Los llamados métodos de distribución libre, poseen también ciertas suposiciones

 Que las muestras que se tomen sean aleatorias.

En general los métodos paramétricos realizan operaciones aritméticas de los valores

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

 Si bien es cierto las pruebas paramétricas cumplen diversos parámetros, dentro de

 Existen tipos de pruebas que se clasifican específicamente en las paramétricas,

ESCOBAR OTAÑE, Andrea ÑAÑA ESCOBAR. Franny PARI HILARIO. Jessica

Bradley, J. V. (1968). Distribution-free statistical tests. New Jersey.

Cue. (1987). Pruebas Paramétricas.

Cue, J. L. (1987). Estadística (Vol. II).

De Calzadilla, J. (1999). Procedimiento de la estadística no paramétrica. Tesis presentada en

Gibbons, J. D. (1971). Nomparametric Statistical Inference. New York.