Estadistica parametrica y no parametrica

Estadistica parametrica y no parametrica

Ejemplos de datos paramétricos vs no paramétricos

En primer lugar, es mejor conocer cada uno de ellos, luego quiero profundizar para encontrar las principales diferencias entre ambos, en detalles. En efecto, los procedimientos estadísticos inferenciales se clasifican generalmente en dos posibles categorías: paramétricos y no paramétricos.

En el sentido literal de los términos, una prueba estadística paramétrica es aquella que hace suposiciones sobre los parámetros (propiedades definitorias) de la(s) distribución(es) de la población de la que se extraen los datos, mientras que una prueba no paramétrica es aquella que no hace tales suposiciones.

En este sentido estricto, «no paramétrico» es esencialmente una categoría nula, ya que prácticamente todas las pruebas estadísticas asumen una cosa u otra sobre las propiedades de la(s) población(es) de origen. A efectos prácticos, se puede considerar que «paramétrico» se refiere a las pruebas, como las pruebas t y el análisis de la varianza, que suponen que la población o poblaciones fuente subyacentes se distribuyen normalmente; por lo general, también suponen que las medidas derivan de una escala de intervalos iguales. Y se puede considerar que «no paramétrico» se refiere a las pruebas que no se basan en estos supuestos concretos. Las pruebas no paramétricas se denominan a veces pruebas «sin distribución».

Prueba de rango con signo de wilcoxon

La estadística no paramétrica se refiere a un método estadístico en el que se supone que los datos no proceden de modelos prescritos que están determinados por un pequeño número de parámetros; algunos ejemplos de estos modelos son el modelo de distribución normal y el modelo de regresión lineal. La estadística no paramétrica utiliza a veces datos ordinales, lo que significa que no se basa en números, sino en una clasificación u orden. Por ejemplo, una encuesta que refleje las preferencias de los consumidores, que van de lo que les gusta a lo que no les gusta, se consideraría un dato ordinal.

La estadística no paramétrica incluye la estadística descriptiva no paramétrica, los modelos estadísticos, la inferencia y las pruebas estadísticas. La estructura del modelo de los modelos no paramétricos no se especifica a priori, sino que se determina a partir de los datos. El término no paramétrico no implica que estos modelos carezcan completamente de parámetros, sino que el número y la naturaleza de los parámetros son flexibles y no se fijan de antemano. Un histograma es un ejemplo de estimación no paramétrica de una distribución de probabilidad.

Ejemplos de estadística paramétrica y no paramétrica

La estadística no paramétrica es la rama de la estadística que no se basa únicamente en familias parametrizadas de distribuciones de probabilidad (ejemplos comunes de parámetros son la media y la varianza). La estadística no paramétrica se basa en la ausencia de distribución o en la existencia de una distribución especificada, pero con los parámetros de la distribución sin especificar. La estadística no paramétrica incluye tanto la estadística descriptiva como la inferencia estadística. Las pruebas no paramétricas suelen utilizarse cuando se violan los supuestos de las pruebas paramétricas[1].

Los métodos no paramétricos se utilizan ampliamente para estudiar poblaciones que adoptan un orden jerárquico (como las críticas de películas que reciben de una a cuatro estrellas). El uso de métodos no paramétricos puede ser necesario cuando los datos tienen una clasificación pero no una interpretación numérica clara, como cuando se evalúan las preferencias. En cuanto a los niveles de medición, los métodos no paramétricos dan lugar a datos ordinales.

Como los métodos no paramétricos hacen menos suposiciones, su aplicabilidad es mucho más amplia que la de los métodos paramétricos correspondientes. En particular, pueden aplicarse en situaciones en las que se conoce menos la aplicación en cuestión. Además, al depender de menos supuestos, los métodos no paramétricos son más robustos.

Datos paramétricos y no paramétricos

La estadística paramétrica es una rama de la estadística que asume que los datos de la muestra proceden de una población que puede modelarse adecuadamente mediante una distribución de probabilidad que tiene un conjunto fijo de parámetros[1] Por el contrario, un modelo no paramétrico no asume una forma matemática explícita (finito-paramétrica) para la distribución al modelar los datos. Sin embargo, puede hacer algunas suposiciones sobre esa distribución, como la continuidad o la simetría.

La mayoría de los métodos estadísticos conocidos son paramétricos[2]. En cuanto a los modelos no paramétricos (y semiparamétricos), Sir David Cox ha dicho: «Suelen implicar menos suposiciones sobre la estructura y la forma de la distribución, pero suelen contener fuertes suposiciones sobre las independencias»[3].

Todas las distribuciones de la familia normal tienen la misma forma general y están parametrizadas por la media y la desviación estándar. Esto significa que si se conocen la media y la desviación estándar y si la distribución es normal, se conoce la probabilidad de que cualquier observación futura se encuentre en un rango determinado.

Entradas relacionadas

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad