- Cuando los datos se miden en escalas de medición de intervalo o relación aproximada.
- Cuando los datos deben seguir la distribución normal
- prueba t (n <30), que se clasifica aún más en 1 muestra y 2 muestras
- ANOVA (Análisis de varianza)- ANOVA unidireccional, ANOVA de dos vías
- Correlación R de Pearson
- Test Z para muestras grandes (N> 30)
Esta prueba fue desarrollada por el Prof. W.S.Gossett en 1908, quien publicó artículos estadísticos bajo el seudónimo de «Estudiante». Por lo tanto, la prueba se conoce como prueba t de Student.
Indicaciones para la prueba: 1. Cuando las muestras son pequeñas 2. Las variaciones de población no se conocen.
Usos: 1. Compare dos medios de pequeñas muestras independientes 2. Media de muestra y media de la población 3.Compare dos proporciones de pequeñas muestras independientes.
Suposiciones: 1. Las muestras se seleccionan aleatoriamente 2. Los datos utilizados son cuantitativos 3. Variable siga la distribución normal 4. La varianza de la muestra es en su mayoría la misma en ambos grupos en estudio 5. Las muestras son pequeñas, mayormente inferiores a 30.
Una prueba t compara la diferencia entre dos medios de diferentes grupos para determinar si la diferencia es estadísticamente significativa.
- Cuando los datos se miden en escalas de medición de intervalo o relación aproximada.
- Cuando los datos deben seguir la distribución normal
- prueba t (n <30), que se clasifica aún más en 1 muestra y 2 muestras
- ANOVA (Análisis de varianza)- ANOVA unidireccional, ANOVA de dos vías
- Correlación R de Pearson
- Test Z para muestras grandes (N> 30)
¿Dónde se aplica la estadística paramétrica?
Las estadísticas no paramétricas se refieren a un método estadístico en el que no se supone que los datos provienen de modelos prescritos determinados por un pequeño número de parámetros; Los ejemplos de estos modelos incluyen el modelo de distribución normal y el modelo de regresión lineal. Las estadísticas no paramétricas a veces usan datos ordinales, lo que significa que no se basan en números, sino en una clasificación u orden. Por ejemplo, una encuesta que transmite preferencias de los consumidores que van desde similares, no me gusta que se considere datos ordinales.
Las estadísticas no paramétricas incluyen estadísticas descriptivas no paramétricas, modelos estadísticos, inferencia y pruebas estadísticas. La estructura del modelo de modelos no paramétricos no se especifica a priori, sino que los datos determinan. El término no paramétrico no tiene la intención de implicar que estos modelos están completamente libres 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.
- Las estadísticas no paramétricas son fáciles de usar, pero no ofrecen la precisión del milímetro de otros modelos estadísticos.
- Este tipo de análisis a menudo es más adecuado cuando se considera el orden de algo, donde incluso si los datos numéricos cambian, los resultados probablemente seguirán siendo los mismos.
En estadísticas, las estadísticas paramétricas incluyen parámetros como promedio, desviación estándar, correlación de Pearson, varianza, etc. Esta forma de estadística utiliza los datos observados para estimar los parámetros de distribución. En las estadísticas paramétricas, los datos a menudo se consideran como una distribución normal con parámetros desconocidos μ (promedio de la población) y σ2 (varianza de la población), que por lo tanto se estima utilizando el promedio y la varianza de la muestra.
¿Cuándo se debe aplicar una prueba paramétrica y no paramétrica?
Los procedimientos estadísticos inferenciales generalmente se dividen en dos posibles categorizaciones: paramétricos y no paramétricos. Dependiendo del nivel de los datos que planea examinar (por ejemplo, nominal, ordinal, continuo), se debe seguir un enfoque estadístico particular. Las pruebas paramétricas se basan en el supuesto de que los datos que está probando se asemejan a una distribución particular (a menudo una distribución normal o «en forma de campana»). Las pruebas no paramétricas se denominan con frecuencia pruebas libres de distribución porque no hay supuestos estrictos para verificar en lo que respecta a la distribución de los datos.
Alinear el marco teórico, la recopilación de artículos, sintetizar brechas, articular una metodología y plan de datos claros, y escribir sobre las implicaciones teóricas y prácticas de su investigación son parte de nuestros servicios integrales de edición de tesis.
- Rastree todos los cambios, luego trabaje con usted para lograr una escritura académica.
- Apoyo continuo para abordar los comentarios del comité, reduciendo las revisiones.
Como regla general, cuando el nivel de medición de la variable dependiente es nominal (categórico) u ordinal, entonces se debe seleccionar una prueba no paramétrica. Cuando la variable dependiente se mide en una escala continua, típicamente se debe seleccionar una prueba paramétrica. Afortunadamente, los análisis paramétricos más utilizados tienen contrapartes no paramétricas. Esto puede ser útil cuando se violan los supuestos de una prueba paramétrica porque puede elegir la alternativa no paramétrica como análisis de copia de seguridad.
Las pruebas paramétricas más prevalentes para examinar las diferencias entre grupos discretos son la prueba t de muestras independientes y el análisis de varianza (ANOVA). Una prueba t de muestras independientes evalúa las diferencias en una variable dependiente continua entre dos grupos. Un ANOVA evalúa la diferencia en una variable dependiente continua entre dos o más grupos. La alternativa no paramétrica a estas pruebas es la prueba U de Mann-Whitney y la prueba Kruskal-Wallis, respectivamente. Estas alternativas son apropiadas para usar cuando la variable dependiente se mide en una escala ordinal, o si no se cumplen los supuestos paramétricos.
La prueba paramétrica más frecuente para examinar la resistencia de la asociación entre dos variables es una correlación de Pearson (R). Se utiliza una correlación de Pearson al evaluar la relación entre dos variables continuas. El equivalente no paramétrico de la correlación de Pearson es la correlación de Spearman (ρ), y es apropiado cuando al menos una de las variables se mide a escala ordinal.
¿Cómo se aplican las pruebas paramétricas?
- Las hipótesis estadísticas
- La prueba de estadísticas
- La regla de decisión y los tipos de error
- La prueba más poderosa
- La función de prueba de potenza
- El esquema para la aplicación
- La prueba paramétrica en promedio
- Estudio de caso y aplicaciones
Se da una población terminada y se define un V.C. X continúa o discretamente distribuido de acuerdo con una función de densidad o densidad de probabilidad que depende completamente de un parámetro «teta» (escalar) que pertenece a un espacio paramétrico establecido.
A continuación, se supone, sin perder en generalidad, que es solo un parámetro en el que depende el modelo de probabilidad.
Verifique la plausibilidad de una declaración (hipótesis estadística) sobre la población, o el parámetro en el que depende o el modelo de probabilidad, sobre la base de la evidencia de la muestra.
Población teórica caracterizada por el parámetro «teta»
Es un juicio de conformidad probabilística entre el campeón y la población y se utiliza para decidir si algunas situaciones hipotéticas con respecto a la población parecen razonables o no a la luz de la evidencia empírica.
Es una declaración sobre los parámetros del modelo de probabilidad o el proceso que generó observaciones de muestra.
Una vez que se supone que el modelo de probabilidad es menor que el valor de uno o más parámetros, la hipótesis sujeta a la verificación se refiere al valor de uno de los parámetros (hipótesis paramétrica).
¿Cuándo se aplican y qué diferencias hay entre pruebas paramétricas y no paramétricas?
Como he mencionado, la prueba paramétrica hace suposiciones sobre la población. Necesita los parámetros que están conectados a la distribución normal que se usa en el análisis, y la única forma de conocer estos parámetros es tener algún conocimiento sobre la población. Por otro lado, una prueba no paramétrica, como lo indica el nombre, no depende de ningún parámetro y, por lo tanto, no asume nada sobre la población.
La base para el análisis estadístico que se realizará en los datos, en el caso de las pruebas paramétricas, es la distribución probabilística. Por otro lado, la base de las pruebas no paramétricas no existe, es completamente arbitraria. Esto da como resultado más flexibilidad y facilita la hipótesis de los datos recopilados.
La medida de la tendencia central es un valor central en una distribución de probabilidad. Y aunque la distribución de probabilidad en el caso de las estadísticas no paramétricas es arbitraria, todavía existe, y por lo tanto también lo hace la medida de la tendencia central. Sin embargo, esas medidas son diferentes. En el caso de las pruebas paramétricas, se considera el valor medio, mientras que, en el caso de las pruebas no paramétricas, se considera el valor medio.
Como he mencionado en la primera diferencia, la información sobre la población varía entre las pruebas y estadísticas paramétricas y no paramétricas. Es decir, cierto conocimiento sobre la población es absolutamente necesario para un análisis paramétrico, ya que requiere parámetros relacionados con la población para dar resultados precisos. Por otro lado, se puede adoptar un enfoque no paramétrico sin ningún conocimiento previo de la población.
Artículos Relacionados:
