1

Estadstica Paramtrica
La estadstica paramtrica es una rama de la estadstica inferencial que comprende los
procedimientos estadsticos y de decisin que estn basados en las distribuciones de los datos
reales. Estas son determinadas usando un nmero finito de parmetros. Esto es, por ejemplo,
si conocemos que la altura de las personas sigue una distribucin normal, pero desconocemos
cul es la media y la desviacin de dicha normal. La media y la desviacin tpica de la
desviacin normal son los dos parmetros que queremos estimar. Cuando desconocemos
totalmente que distribucin siguen nuestros datos entonces deberemos aplicar primero un test
no paramtrico, que nos ayude a conocer primero la distribucin.
La mayora de procedimientos paramtricos requiere conocer la forma de distribucin para
las mediciones resultantes de la poblacin estudiada. Para la inferencia paramtrica es
requerida como mnimo una escala de intervalo, esto quiere decir que nuestros datos deben
tener un orden y una numeracin del intervalo. Es decir nuestros datos pueden estar
categorizados en: menores de 20 aos, de 20 a 40 aos, de 40 a 60, de 60 a 80, etc, ya que
hay nmeros con los cuales realizar clculos estadsticos. Sin embargo, datos categorizados
en: nios, jvenes, adultos y ancianos no pueden ser interpretados mediante la estadstica
paramtrica ya que no se puede hallar un parmetro numrico (como por ejemplo la media de
edad) cuando los datos no son numricos.
Ms informacin sobre escalas: Escala de medida
Es la que requiere que los elementos que integran las muestras contengan elementos
parmetros o medibles. Puede resolver tres tipos de problemas:

Estimacin puntual: En la que pretendemos darle un valor al parmetro a estimar.

Estimacin por intervalos (buscamos un intervalo de confianza).

Contraste de hiptesis, donde buscamos contrastar informacin acerca del parmetro.

Estadstica No paramtrica
La estadstica no paramtrica es una rama de la estadstica que estudia las pruebas y
modelos estadsticos cuya distribucin subyacente no se ajusta a los llamados criterios
paramtricos. Su distribucin no puede ser definida a priori, pues son los datos observados
los que la determinan. La utilizacin de estos mtodos se hace recomendable cuando no se
puede asumir que los datos se ajusten a una distribucin conocida, cuando el nivel de medida
empleado no sea, como mnimo, de intervalo.
Las principales pruebas no paramtricas son las siguientes:

Prueba 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 Kolmogrov-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 correlacin de Spearman

Tablas de contingencia

Prueba de Wald-Wolfowitz

Prueba de los rangos con signo de Wilcoxon

La mayora de estos test estadsticos estn programados en los paquetes estadsticos ms

frecuentes, quedando para el investigador, simplemente, la tarea de decidir por cul de todos
ellos guiarse o qu hacer en caso de que dos test nos den resultados opuestos. Hay que decir
que, para poder aplicar cada uno existen diversas hiptesis 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 investigacin sin
verificar si se cumplen las hiptesis y condiciones necesarias pues, si se violan, invalidan
cualquier resultado posterior y son una de las causas ms frecuentes de que un estudio sea
estadsticamente incorrecto. Esto ocurre sobre todo cuando el investigador desconoce la
naturaleza interna de los test y se limita a aplicarlos sistemticamente.
Es importante mencionar que si la distribucin de los datos se ajusta a un tipo de distribucin
conocida, existen otras [pruebas] que, en la prctica, son ms aconsejables pero que as
mismo requieren otros supuestos. En este caso, la estadstica a emplear es la estadstica
paramtrica, dentro de la cual muchas veces podemos encontrar equivalencias entre pruebas

3
pero con diferencias en la potencia entre ambas siendo siempre la potencia de las pruebas no
paramtricas menor que la potencia de las pruebas paramtricas equivalentes. Aun as, el uso
adecuado de los tamaos mustrales 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 tamao de la muestra, disminuye la posibilidad de cometer un error tipo II (un
falso negativo: No rechazar la hiptesis nula cuando sta en realidad es falsa).