Las diferencias fundamentales entre la prueba paramétrica y no paramétrica se discuten en los siguientes puntos:
- Una prueba estadística, en la que se hacen suposiciones específicas sobre el parámetro de población se conoce como prueba paramétrica. Una prueba estadística utilizada en el caso de variables independientes no métricas se llama prueba no paramétrica.
- En la prueba paramétrica, el estadístico de prueba se basa en la distribución. Por otro lado, la estadística de prueba es arbitraria en el caso de la prueba no paramétrica.
- En la prueba paramétrica, se supone que la medición de las variables de interés se realiza a nivel de intervalo o relación. A diferencia de la prueba no paramétrica, en la que la variable de interés se mide a escala nominal u ordinal.
- En general, la medida de la tendencia central en la prueba paramétrica es media, mientras que en el caso de la prueba no paramétrica es mediana.
- En la prueba paramétrica, hay información completa sobre la población. Por el contrario, en la prueba no paramétrica, no hay información sobre la población.
- La aplicabilidad de la prueba paramétrica es solo para variables, mientras que la prueba no paramétrica se aplica tanto a variables como a atributos.
- Para medir el grado de asociación entre dos variables cuantitativas, el coeficiente de correlación de Pearson se usa en la prueba paramétrica, mientras que la correlación de rango de Spearman se usa en la prueba no paramétrica.
Tomar una elección entre la prueba paramétrica y no paramétrica no es fácil para un investigador que realice un análisis estadístico. Para realizar una hipótesis, si la información sobre la población se conoce completamente, a través de los parámetros, se dice que la prueba es una prueba paramétrica, mientras que, si no hay conocimiento sobre la población y es necesario probar la hipótesis de la población, entonces el La prueba realizada se considera la prueba no paramétrica.
¿Cuáles son las diferencias entre las pruebas paramétricas y no paramétricas?
La principal diferencia entre las pruebas paramétricas y no paramétricas es que las pruebas paramétricas dependen de los datos que siguen ciertos supuestos o condiciones, mientras que las pruebas no paramétricas no necesitan requerir tales supuestos. Algunas de las otras diferencias entre las dos pruebas son las siguientes:
- En los casos en que el tamaño de la muestra es grande, las pruebas paramétricas muestran una mayor potencia estadística que las pruebas no paramétricas.
En conclusión, las pruebas paramétricas y no paramétricas son partes integrales de analizar cualquier datos dados. Dependiendo de si se distribuye normalmente o no, se utiliza una prueba paramétrica o no paramétrica.
Los datos que tienen un tamaño de muestra grande requieren una prueba paramétrica en lugar de no paramétrico, ya que es más preciso. En el caso de un pequeño tamaño de muestra de muestra, se prefiere la prueba no paramétrica.
Siendo autodidactamente, Piyush cree firmemente que el aprendizaje constante (académico o de otro tipo) es la única forma de avanzar y lograr sus objetivos.
Cuando no escribe en su teclado, le encanta la carpintería y el cuidado de su creciente familia de mascotas de rescate.
Piyush ha estado trabajando para esforzarse por proporcionar las mejores diferencias y comparaciones. Tiene una especialidad en comunicaciones y MBA en finanzas de NMIMS, Mumbai, India.
Pinterest | LinkedIn | Facebook | YouTube | Instagram solicita cualquier diferencia para proporcionar diferencias y comparaciones de términos, productos y servicios. La visión es cubrir todas las diferencias con gran profundidad.
¿Cuáles son las diferencias de pruebas paramétricas y no paramétricas?
Métodos paramétricos: la idea básica detrás del método paramétrico es que hay un conjunto de parámetros fijos que se utiliza para determinar un modelo de probabilidad que también se utiliza en el aprendizaje automático. Los métodos paramétricos son los métodos para los que sabemos sobre todo que la población es normal, o si este no es el caso, podemos aproximarlo fácilmente usando la distribución normal, lo cual es posible invocando el teorema central. Los parámetros para usar distribución normal son los siguientes:
- Significar
- Desviación Estándar
Finalmente, la clasificación de un método como paramétrico depende completamente de las presunciones que se realizan en una población. Hay muchos métodos paramétricos, algunos de los cuales son:
- Significar
- Desviación Estándar
Métodos no paramétricos: la idea básica detrás del método paramétrico es que no es necesario hacer hipótesis en los parámetros para la población dada o la población que estamos estudiando. De hecho, los métodos no dependen de la población. Aquí, no hay un conjunto fijo de parámetros disponibles, y no hay distribución (distribución normal, etc.) de ningún tipo disponible. Esta es también la razón por la cual los métodos no paramétricos también se llaman métodos sin distribución. Hoy en día, los métodos no paramétricos ganan popularidad y un impacto de la influencia en ciertas razones de esta reputación es:
- Significar
- Desviación Estándar
Hay muchos métodos no paramétricos disponibles en la actualidad, pero algunos de ellos son:
- Significar
- Desviación Estándar
¿Cuáles son las ventajas de las pruebas no paramétricas contra las pruebas paramétricas?
Las pruebas paramétricas tratan de lo que puede decir sobre una variable cuando sabe (o supone que sabe) su distribución pertenece a una «familia parametrizada conocida de distribuciones de probabilidad».
Considere, por ejemplo, las alturas en pulgadas de 1000 hombres muestreados aleatoriamente, que generalmente siguen una distribución normal con una media de 69.3 pulgadas y una desviación estándar de 2.756 pulgadas.
Tenga en cuenta que conocer los valores de la desviación media y estándar, nos dice casi todo lo que necesitamos saber sobre esta distribución normal. De hecho, recordar la curva dibujada anteriormente es una gráfica de la siguiente función, cuyos valores están completamente determinados por el conocimiento de $ mu $ y $ Sigma $.$$ f (x) = frac {e^{- frac {1} {2} izquierda ( frac {x- mu} { sigma} right)^2}} { sigma sqrt { 2 pi}} $$
Esto no es desimilar a cómo la posición y la forma de los gráficos de las funciones cuadráticas de la siguiente forma dependen solo de los parámetros de $ A $, $ H $ y $ K $.
$$ f (x) = a (x-h)^2+k $$Es decir, conocer los valores de estos tres parámetros para cualquier función cuadrática dada especifica completamente lo cuadrático, que nos dice todo sobre la función (y su gráfico) que deseamos saber (es decir, cómo evaluar la función, donde el vértice es, cuál es la dirección de la apertura, cuál es el factor de estiramiento vertical, etc.).
Nuevamente, el mismo principio está funcionando con distribuciones normales. Podemos especificar completamente cómo se ve una curva normal dada al conocer solo dos parámetros: $ mu $ (mu) y $ sigma $ (Sigma).
¿Cuáles son algunas de las ventajas de las pruebas no paramétricas contra las pruebas paramétricas?
Las pruebas paramétricas tratan de lo que puede decir sobre una variable cuando sabe (o supone que sabe) su distribución pertenece a una «familia parametrizada conocida de distribuciones de probabilidad».
Considere, por ejemplo, las alturas en pulgadas de 1000 hombres muestreados aleatoriamente, que generalmente siguen una distribución normal con una media de 69.3 pulgadas y una desviación estándar de 2.756 pulgadas.
Tenga en cuenta que conocer los valores de la desviación media y estándar, nos dice casi todo lo que necesitamos saber sobre esta distribución normal. De hecho, recordar la curva dibujada anteriormente es una gráfica de la siguiente función, cuyos valores están completamente determinados por el conocimiento de $ mu $ y $ Sigma $.$$ f (x) = frac {e^{- frac {1} {2} izquierda ( frac {x- mu} { sigma} right)^2}} { sigma sqrt { 2 pi}} $$
Esto no es desimilar a cómo la posición y la forma de los gráficos de las funciones cuadráticas de la siguiente forma dependen solo de los parámetros de $ A $, $ H $ y $ K $.
$$ f (x) = a (x-h)^2+k $$Es decir, conocer los valores de estos tres parámetros para cualquier función cuadrática dada especifica completamente lo cuadrático, que nos dice todo sobre la función (y su gráfico) que deseamos saber (es decir, cómo evaluar la función, donde el vértice es, cuál es la dirección de la apertura, cuál es el factor de estiramiento vertical, etc.).
Nuevamente, el mismo principio está funcionando con distribuciones normales. Podemos especificar completamente cómo se ve una curva normal dada al conocer solo dos parámetros: $ mu $ (mu) y $ sigma $ (Sigma).
¿Qué diferencia hay entre una prueba paramétrica y no paramétrica?
Parametric es una prueba en la que se suponen los parámetros y la distribución de la población siempre se conoce. Para calcular la tendencia central, se usa un valor medio. Estas pruebas son comunes, y esto hace que el rendimiento de la investigación sea bastante sencillo sin consumir mucho tiempo. No se hacen suposiciones en la prueba no paramétrica y mide con la ayuda del valor medio. Algunos casos de pruebas no paramétricas son Kruskal-Wallis, Mann-Whitney, etc. En este artículo, aprenderá qué son pruebas paramétricas y no paramétricas, las ventajas y desventajas de las pruebas paramétricas y paramétricas, estadísticas paramétricas y no paramétricas y la diferencia entre las pruebas paramétricas y no paramétricas.
En estadísticas, las generalizaciones para crear registros sobre la media de la población original están dadas por la prueba paramétrica. Esta prueba también es un tipo de prueba de hipótesis. Se realiza una prueba t y esto depende de la prueba t de los estudiantes, que se usa regularmente en este valor. Esto se conoce como una prueba paramétrica.
La prueba de medición T se basa en la declaración subyacente de que existe la distribución ordinaria de una variable. Aquí, se conoce el valor de la media, o se supone o se considera conocido. La varianza de la población se determina para encontrar la muestra de la población. La población se estima con la ayuda de una escala de intervalo y se plantean la hipótesis de las variables de preocupación.
No hay requisito para ninguna distribución de la población en la prueba no paramétrica. Además, la prueba no paramétrica es una prueba de hipótesis de tipo que no depende de ninguna hipótesis subyacente. En la prueba no paramétrica, la prueba depende del valor de la mediana. Este método de prueba también se conoce como pruebas sin distribución. Los valores de prueba se encuentran en función del nivel ordinal o nominal. La prueba paramétrica generalmente se realiza cuando las variables independientes no son métricas. Esto se conoce como una prueba no paramétrica.
Artículos Relacionados:
- ¿Cuál es la diferencia entre pruebas paramétricas y no paramétricas?
- Pruebas paramétricas y no paramétricas: ¿cuál es la diferencia?
- Pruebas no parametricas: guia completa para optimizar su sitio web
- Ejemplos de pruebas paramétricas: métodos y aplicaciones
- ¿Qué ventajas ofrecen las pruebas no paramétricas frente a las paramétricas?
