Ejemplos de pruebas paramétricas ampliamente utilizadas incluyen la prueba t emparejada y no emparejada, la correlación de productos de productos de Pearson, el análisis de varianza (ANOVA) y la regresión múltiple. Estas pruebas tienen sus pruebas no paramétricas contraparte, que se aplican cuando hay incertidumbre o asimetría en la distribución de poblaciones en estudio.
En esta era digital, ya tenemos aplicaciones de software estadísticas disponibles para su uso en el análisis de nuestros datos. Por lo tanto, el elemento crítico para aprender en este módulo es discernir cuando es apropiado el uso de pruebas paramétricas particulares. El diagrama en la Figura 1 muestra en qué situaciones se usa una prueba estadística específica cuando se trata de datos de relación o intervalo para simplificar la elección de una prueba estadística. Figura 1. Pruebas paramétricas de uso común.
La prueba t de Student se usa al comparar la diferencia en las medias entre dos grupos. Los datos obtenidos de los dos grupos pueden estar emparejados o no emparejados. Se usa una prueba t emparejada cuando estamos interesados en descubrir la diferencia entre dos variables para el mismo tema. Por otro lado, una prueba t no apareada compara la diferencia en las medias de dos grupos independientes para determinar si hay una diferencia significativa entre los dos.
Un científico observó que el coronavirus que se propaga en India parece ser menos virulento que la cepa del virus en los Estados Unidos. Desea comparar cuánto tiempo una persona se recupera de la infección de Covid-19 entre países. Por lo tanto, puede comparar el número de días en que las personas en India se recuperan de la enfermedad en comparación con las personas que viven en los Estados Unidos. En esta situación, puede usar la prueba t.
¿Cuáles son las pruebas paramétricas más usadas?
La decisión de usar una prueba paramétrica o no paramétrica a menudo depende de si la media o mediana representa con mayor precisión el centro de la distribución de su conjunto de datos.
Si la media representa con mayor precisión el centro de la distribución de sus datos, y el tamaño de su muestra es lo suficientemente grande, use una prueba paramétrica.
Si la mediana representa con mayor precisión el centro de la distribución de sus datos, use una prueba no paramétrica incluso si tiene un tamaño de muestra grande.
Por último, si se ve obligado a usar un tamaño de muestra pequeño, también puede verse obligado a usar una prueba no paramétrica. ¡Deberá considerar salir y recopilar más datos si está configurado utilizando pruebas paramétricas!
Hoy, cada organización recopila datos de retroalimentación, pero muy pocos actúan en consecuencia. Alchemer saca los datos de los paneles y los pone en manos de las personas que toman medidas. A través de los sistemas que usan todos los días. Con todas las barandillas para mantenerlo feliz. Aprende más
Este sitio web utiliza cookies para que podamos brindarle la mejor experiencia de usuario posible. La información de las cookies se almacena en su navegador y realiza funciones como reconocerlo cuando regresa a nuestro sitio web y ayuda a nuestro equipo a comprender qué secciones del sitio web le resulta más interesante y útil.
La cookie estrictamente necesaria debe habilitarse en todo momento para que podamos guardar sus preferencias para la configuración de cookies.
Si deshabilita esta cookie, no podremos guardar sus preferencias. Esto significa que cada vez que visita este sitio web deberá habilitar o deshabilitar las cookies nuevamente.
¿Cuáles son las pruebas paramétricas en estadística?
Una prueba estadística permite tomar una decisión entre dos hipótesis. De la hipótesis estadística y una muestra de datos, debemos responder a un determinado problema.
En este artículo, nos basaremos en la siguiente experiencia: tenemos un conjunto de datos que miden la frecuencia cardíaca antes y después de la donación de sangre de 8 personas tomadas al azar en una población. Enumeramos los datos en la tabla a continuación. Tratamos de averiguar si la frecuencia cardíaca es más baja después o antes de la donación de sangre.
La hipótesis de Ho nula corresponde a un no efecto de experiencia. En general, esta puede ser la igualdad de parámetros estadísticos, como el promedio o la varianza de dos muestras elegidas en una población. Esto es lo que rechazaremos o aceptaremos.
La hipótesis alternativa H1 es la hipótesis que estamos tratando de mostrar. En general, es una hipótesis «opuesta» o «contraria» a la hipótesis nula. Afirma que el parámetro utilizado para la hipótesis nula es más alta o menor o diferente.
En nuestro ejemplo, tratamos de averiguar si la frecuencia cardíaca disminuye con el don de la sangre, entonces definimos la hipótesis de HO: «La frecuencia cardíaca es la misma antes y después del regalo de la sangre» y H1: «La frecuencia cardíaca es más débil después del regalo de la sangre ”.
Durante una prueba estadística, debe comprender que nunca está 100% seguro del resultado. Siempre existe el riesgo de equivocarse.
¿Cuándo se utilizan pruebas paramétricas y no paramétricas?
Una vez que los datos de la muestra se han recopilado a través de un estudio de observación oexperimento, la inferencia estadística permite a los analistas evaluar la evidencia en
favor o algún reclamo sobre la población de la que ha sido la muestra
dibujado. Los métodos de inferencia utilizados para respaldar o rechazar las reclamaciones basadas en
Los datos de muestra se conocen como pruebas de importancia.
Cada prueba de importancia comienza con una hipótesis nula H0.
H0 representa una teoría que se ha presentado, ya sea porque
se cree que es cierto o porque debe usarse como base para el argumento, pero
no ha sido probado. Por ejemplo, en un ensayo clínico de un nuevo medicamento, el nulo
La hipótesis podría ser que el nuevo medicamento no es mejor, en promedio, que el medicamento actual. Nosotros
Escribiría H0: no hay diferencia entre las dos drogas en promedio.
La hipótesis alternativa, ja, es una declaración de lo que una estadística
La prueba de hipótesis se establece para establecer. Por ejemplo, en un ensayo clínico de un nuevo medicamento,
La hipótesis alternativa podría ser que el nuevo medicamento tiene un efecto diferente, en promedio,
en comparación con el de la droga actual. Escribiríamos ja: las dos drogas tienen
diferentes efectos, en promedio. La hipótesis alternativa también podría ser que el nuevo medicamento
es mejor, en promedio, que el medicamento actual. En este caso escribiríamos ja:
La nueva droga es mejor que la droga actual, en promedio.
La conclusión final una vez que se ha realizado la prueba siempre se da en términos del nulo
hipótesis. «Rechazamos H0 a favor de HA» o
«No rechaces H0»; Nunca concluyimos «rechazar ja»,
o incluso «aceptar ja».
Si concluyimos «no rechazar H0», esto no necesariamente significa que el nulo
La hipótesis es cierta, solo sugiere que no hay evidencia suficiente en contra
H0 a favor de Ha; rechazando la hipótesis nula entonces,
sugiere que la hipótesis alternativa puede ser cierta.
¿Cuándo se usa una prueba paramétrica?
Como se discutió anteriormente, estaremos autorizados a utilizar una prueba paramétrica, es decir, basada en los parámetros medios y la desviación estándar, solo en caso de que la variable de interés sea continua y normalmente distribuida.
La prueba Wilcoxon y la prueba de Mann-Whitney (también conocida como Mann-Whitney Test U) son dos de las pruebas no paramétricas más poderosas para verificar, en presencia de valores ordinales de una distribución continua, si vienen dos campeones estadísticos de la misma población.
La prueba le permite verificar si lo diferente entre los datos puede deberse al caso; En el caso de que la prueba demuestre que no pueden ser el resultado del caso, hablamos de «significación estadística». Se usa en situaciones donde hay dos variables nominales dicotómicas y pequeños campeones.
Una prueba estadística es una herramienta utilizada para evaluar la evidencia proporcionada por los datos en comparación con una hipótesis, llamada nada de hipótesis y indicada con H0. Bajo H0, los datos son generados por procesos aleatorios; En otras palabras, los procesos controlados (como la manipulación experimental) no influyen en los datos.
La prueba del cuadrado de Pearson (o de la bondad de la adaptación) es una prueba no paramétrica aplicada a grandes muestras cuando en presencia de variables nominales y desea verificar si la muestra se extrajo de una población con una distribución predeterminada o que dos o más muestras derivan de…
Artículos Relacionados:
