INTRODUCCION

Partiendo de la base de que algunos contrastes de hipótesis dependen del

supuesto de normalidad, muchos de estos contrastes siguen siendo
aproximadamente válidos cuando se aplican a muestras muy grandes, incluso
si la distribución de la población no es normal. Sin embargo, muchas veces se
da también el caso de que, en aplicaciones prácticas, dicho supuesto de
normalidad no sea sostenible. Lo deseable entonces será buscar la inferencia
en contrastes que sean válidos bajo un amplio rango de distribuciones de la
población. Tales contrastes se denominan no paramétricos.

La estadística no paramétrica es una rama de la estadística 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.

La mayor parte de las técnicas estudiadas hacen suposiciones sobre la

composición de los datos de la población. Las suposiciones comunes son que
la población sigue una distribución normal, que varias poblaciones tienen
varianzas iguales y que los datos se miden en una escala de intervalos o en
una escala de razón. Este tema presentará un grupo de técnicas llamadas no
paramétricas que son útiles cuando estas suposiciones no se cumplen.

Estadística para toma de decisiones

 Pruebas no paramétricas

2
PRUEBAS ESTADÍSTICAS NO PARAMÉTRICAS

1. Concepto

Las pruebas estadísticas no paramétricas Son procedimientos

estadísticos para prueba de hipótesis que no requieren de la suposición
de la normalidad de la población de la cual fue extraída la muestra y se
pueden aplicar a datos de tipo cuantitativo y cualitativo.

2. Ventajas De Las Pruebas Estadísticas No Paramétricas

Las pruebas estadísticas no paramétricas tienen ciertas ventajas claras

sobre las pruebas paramétricas:

 No requieren la suposición de que una población está distribuida en

forma de curva normal u otra forma específica.
 Generalmente, es más sencillo realizarlas y entenderlas. La mayor
parte de las pruebas no paramétricas no exigen el tipo de cálculos
laboriosos a menudo necesarios, por ejemplo, para calcular una
desviación estándar.
 Algunas veces ni siquiera se requiere un ordenamiento o clasificación
formal. Muchas veces, lo único que podemos hacer es describir un
resultado como “mejor” que otro.
 Menos susceptibles a la contravención de los supuestos. Ya que los
supuestos son escasos y menos complicados.
 Tipo de medición requerida. Se pueden utilizar con datos ordinales o
nominales.
 Tamaño de la muestra. Cuando la muestra es < 10 son sencillas,
rápidas y sólo un poco menos eficaces. Conforme aumenta el
tamaño de la muestra se hacen más laboriosas y tardadas, y menos
efectivas.
 Efectividad estadística. Cuando se satisfacen los supuestos de la
prueba no paramétrica son igual de efectivas. Si se satisfacen los
supuestos de una prueba paramétrica con muestras pequeñas son
un poco menos efectivas y se vuelven menos eficaces a medida que
aumenta el tamaño de muestra.

3. Desventajas De Las Pruebas Estadísticas No Paramétricas

 Si se puede utilizar una prueba paramétrica y se usa una no

paramétrica hay una pérdida de información.
 En muestras grandes las pruebas no paramétricas son muy
laboriosas.
 A menudo no son tan eficientes o claras como las pruebas
paramétricas.

Estadística para toma de decisiones

 Pruebas no paramétricas

4. Métodos de Pruebas Estadísticas No Paramétricas

Existen una gran variedad de métodos de pruebas estadísticas no

paramétricas como:

 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

Entre éstos numerosos métodos no paramétricos sobresalen:

 Prueba chi o Ji cuadrado.

 Prueba de Kolmogorov-Smirnov
 Prueba de Friedman
 Prueba del signo, donde sólo se toman los signos positivos y
negativos de las diferencias en las observaciones apareadas.
 Método de Spearman o Correlación por Rangos, cuando los datos o
información obtenida mediante muestras, se clasifican de acuerdo
al rango obtenido.
 Prueba T de Wilcoxon, requieren que los datos estén dados a escala
ordinal y que las dos muestras se relacionen por pares o parejas.
 Prueba U de Mann Whitney, usada para determinar si dos muestras
han sido extraidas de una misma población, utilizando la suma de
rangos.
 Prueba H de Prueba de Kruskal Wallis, utilizada para probar si tres o
más muestras independientes han sido extraídas de poblaciones
con la misma distribución.

Estadística para toma de decisiones

 Pruebas no paramétricas

BIBLIOGRAFÍA:

 Estadística y muestreo. CiroMtinez Bencardino

 Estadística para administración y economía By RICHARD I
AUTOR LEVIN, DAVID S AUTOR RUBIN
 Estadistica Matematica con Aplicaciones
 By Dennis D Wackerly, William Mendenhall, Richard L Scheaffer
 Estadística Multivariante y No Paramétrica con SPSS: .By Rafael
Álvarez Cáceres

Estadística para toma de decisiones