Escalas de Medidas

INFERENCIA ESTADÍSTICA NO
PARAMÉTRICA JUSTIFICACION Y
ESCALAS DE MEDIDAS
Justificación de la inferencia no
paramétrica
Los métodos empleados en estadística inferencial se
denominan métodos estadísticos paramétricos
porque se basan en el muestreo de una población
con parámetros específicos, como la media (), la
desviación estándar () o la proporción (p). Por lo
regular, estos métodos paramétricos deben cumplir
con algunas condiciones estrictas, como el requisito
de que los datos muestrales provengan de una
población distribuida normalmente
Los métodos estadísticos paramétricos suponen que los datos que se
analizan siguen una distribución normal (gaussiana). La validez de esta
hipótesis se basa en el teorema central del límite, que postula que la
distribución muestral de la media puede ser aproximadamente normal
aunque la población de referencia tenga una distribución muy diferente.
La aproximación mejora a medida que el tamaño de la muestra aumenta.
También puede ocurrir que la variable no sea continua por lo que no se
cumplen las restricciones establecidas para las pruebas paramétricas.

En cualquiera de los casos anteriores hay que buscar técnicas
alternativas que permitan darle solución a estas situaciones de forma
eficiente. Surge así la necesidad de desarrollar una serie de técnicas
estadísticas que tengan un mínimo de restricciones. A estas técnicas
se les conoce como Métodos Estadísticos no Paramétricos.
Con frecuencia se presentan situaciones donde no pueden
asumirse los supuestos requeridos por desconocerse la
distribución de la variable estudiada, ya sea por ser la muestra
muy pequeña de manera que incluso el Teorema central del
Límite sería de escasa relevancia; o bien, aunque se conozca
la distribución de la variable y sea válido teóricamente hacer
supuestos sobre la distribución y sus parámetros, no es
razonable utilizar una Prueba Estadística Paramétrica ya que
hay poca certeza de que se cumplan en este conjunto de
datos.
4
Existen dos indicaciones para preferir las Pruebas
Estadísticas no Paramétricas:
1. Cuando la prueba estadística clásica o

paramétrica correspondiente no es válida; es
decir, no cumple con las características de una
Distribución Normal.
2. En aplicaciones en donde la prueba estadística
clásica o paramétrica es razonablemente válida,
pero un estimador no paramétrico puede ser más
eficiente.
5
Entre las ventajas del uso de los Métodos
Estadísticos no Paramétricos se encuentran las
siguientes:
Tienen mayor eficiencia que los métodos

paramétricos en distribuciones asimétricas, o sea
cuando hay valores atípicos o datos aberrantes.
Tienen validez en el sentido de que su nivel de

confiabilidad es realmente el especificado en la
mayoría de las pruebas.
Generalmente son mucho más fáciles de cálculo que

las técnicas de las estadísticas clásicas.
6
Son aplicables en situaciones donde los
procedimientos clásicos o paramétricos no son
aplicables.
Aún cuando se cumplan los requisitos para realizar
una prueba paramétrica, si la muestra es pequeña la
eficiencia relativa de la prueba no paramétrica es
alta.
La principal ventaja de las Pruebas Estadísticas no
Paramétricas consiste en que pueden efectuarse
inferencias exactas cuando las suposiciones
fundamentales de los métodos estándar no pueden
cumplirse en su totalidad.
7
Entre las desventajas de la aplicación de los Métodos
Estadísticos no Paramétricos se citan las siguientes:
1. Fundamentalmente cuando las muestras son muy

grandes las pruebas no paramétricas tienen una
eficiencia relativa baja con relación a las pruebas
paramétricas, siempre y cuando se cumplan los
supuestos de normalidad.
2. Las hipótesis que se plantean en las pruebas no

paramétricas son menos precisas, lo que hace
que la interpretación de los resultados sea más
ambigua.
8
3. Su aplicación en muestras grandes se hace muy laboriosa.
4. Para un problema particular pueden existir varias pruebas,

por lo que en ocasiones se hace difícil seleccionar la mejor.
5. En general, este tipo de pruebas deben uti lizarse cuando no se
cumplan los supuestos para hacer una prueba paramétrica y
cuando se duda sobre el cumplimiento de los supuestos en una
muestra pequeña.
6. Las Pruebas Estadísticas Paramétricas requieren supuestos
acerca de la naturaleza o forma de las poblaciones involucradas.
Las Pruebas Estadísticas no Paramétricas no requieren estos
supuestos.
Consecuentemente, las Pruebas no Paramétricas son

frecuentemente llamadas Pruebas de Libre Distribución.
9
En la práctica surgen muchas situaciones en las cuales simplemente
no es posible hacer de forma segura ningún supuesto sobre el valor
de un parámetro o sobre la forma de la distribución poblacional, por
lo que la mayoría de las pruebas estadísticas no son aplicables.
Por lo tanto se deben utilizar otras pruebas que no dependan de un
solo ti po de distribución o de valores de parámetros específi cos; a
este ti po de pruebas se les denomina Pruebas estadísticas no
paramétricas o de libre distribución.
Aunque el término Pruebas Estadísti cas no Paramétricas sugiere que
la prueba no está basada en un parámetro, hay algunas pruebas no
paramétricas que dependen de un parámetro tal como la mediana.
Las pruebas no paramétricas, sin embargo, no requieren una
distribución particular, por lo que son referidas como pruebas de
libre distribución.
10
Si bien, el término libre distribución es una descripción más exacta,
la expresión no paramétrico es más comúnmente usada.
Las Pruebas Estadísti cas no Paramétricas son úti les cuando el tipo
de datos es nominal u ordinal. Generalmente son más fáciles de
realizar y comprender ya que no requieren cálculos laboriosos ni el
ordenamiento o clasificación formal de datos o mediciones más
exactas de parámetros poblacionales.
Algunos experimentos generan respuestas facti bles de ordenar o
clasifi car, pero el valor real de la respuesta no es medible en forma
numérica excepto si lo hace en una escala arbitraria que uno mismo
puede crear. Habrá casos en los que hay que ser capaz de decir si
una observación es más grande que otra. Tal ves se pueda clasificar
un conjunto completo de observaciones sin conocer los valores
numéricos exactos de las medidas.
11
Por ejemplo, las características de digestibilidad y sabor de cinco
marcas de cereal se clasifican con una escala de 1 al 5. Los métodos
estadísticos revisados anteriormente para muestras pequeñas son
válidos sólo cuando las poblaciones muestreadas son normales o casi
lo son. Los datos que consisten en rangos o escalas arbitrarias, como la
del ejemplo anterior, no cumplen con el supuesto de normalidad.
Cuando los datos no cumplen éstos supuestos se puede emplear un

método de análisis estadístico alternativo denominado Método
Estadístico No Paramétrico. En general, estos métodos especifican
hipótesis en términos de las distribuciones poblacionales en lugar de
parámetros, como la media y la desviación estándar; sustituyendo por
suposiciones más generales y la clasificación de las observaciones se
usa en lugar de las medidas reales.
12
Característi cas de las Pruebas No Paramétricas:
1. Simplicidad de deducción: Los contrastes no paramétricos son más

sencillos matemáti camente que los paramétricos y se deducen de
expresiones sencillas.
2. Rapidez y simplicidad de manejo: Las Pruebas no paramétricas son
más sencillas de realizar, las operaciones necesarias son más simples.
3. Campo de aplicación: Las hipótesis de aplicación en una Prueba no

Paramétrica son menos detalladas y restricti vas.
4. Sensibilidad respecto al incumplimiento de las hipótesis : Dado que las
hipótesis de aplicación son menos restricti vas y numerosas es más
fácil percatarse de su incumplimiento.
5. Tipos de medición exigida: Las Pruebas no Paramétricas requieren
datos ordinales o nominales, mientras que las Pruebas Paramétricas
requieren escala de razón o de intervalo.
6. Tamaño de la muestra: Con tamaños muestrales inferiores a diez en
las Pruebas Paramétricas no se puede aplicar la característi ca de
normalidad, se comete incumplimiento a las hipótesis de aplicación,
por lo que son más adecuadas las Pruebas No Paramétricas; las cuales
disminuyen su efi ciencia precisamente cuanto mayor es el tamaño
muestral
13
Finalmente, es importante puntualizar que la
potencia de las Pruebas Estadísticas No Paramétricas
es superior o por lo menos igual a la de las Pruebas
Estadísticas Paramétricas, siempre que se mantengan
las hipótesis de aplicación en los contrastes no
paramétricos y no lo hagan en los contrastes
paramétricos; cabe recordar a este respecto que las
pruebas paramétricas son más sensibles al
incumplimiento de las hipótesis de aplicación.
14
Comparación de pruebas paramétricas y no paramétricas
Muchos autores señalan que las pruebas estadísticas paramétricas
son más eficaces que las pruebas no paramétricas. La eficacia de
una prueba paramétrica se refiere a la probabilidad de rechazar la
hipótesis nula cuando ésta sea realmente falsa.
Es decir, la eficacia es igual a 1 menos la probabilidad de cometer un
error de Tipo II, o sea (1 – β). Un factor importante que contribuye a la
eficacia de una prueba estadística es el tamaño muestral n , entonces
la probabilidad de cometer un error de Tipo II se reduce, y por
consiguiente aumenta la eficacia de la prueba.
Un error de Tipo II es la probabilidad de rechazar Ho cuando Ha es
verdadera o sea:
(1 – β) = P (rechazar Ho cuando Ha es verdadera)
Se conoce también como la potencia de la prueba, porque mide la

probabilidad de tomar la acción que se desea que ocurra.
15
¿Cómo elegir entre métodos paramétricos
y no paramétricos?
1. El análisis de varianza es una metodología paramétrica debido a que se basa

en las estimaciones de los parámetros de dos o más poblaciones.
2. Cuando los supuestos de los métodos paramétricos se sostienen, estas

pruebas son las más poderosas.
3. Cuando la población desde la cual fueron tomados los datos no tiene

distribución normal o no es compatible con otros supuestos como por ejemplo
la igualdad de varianza entre los grupos de tratamiento, la media y la
desviación estándar ya no son confiables como descriptores de la población y
los métodos paramétricos dejan de ser confiables.
4. En la práctica se pueden utilizar métodos no paramétrico cada vez que el

tamaño de las muestras es pequeño y por lo tanto no hay garantía de que los
estimadores tengan distribución normal.
16
ESCALAS DE MEDIDAS
Antes de describir datos hay que saber con qué tipo
de datos se está trabajando. Una de las
clasificaciones fue introducida por Stevens en 1946 y
se usa todavía en la actualidad.
Las escalas de medida son cuatro:
Nominal
Ordinal
De Intervalos
De Razón.
ESCALA NOMINAL
Escala que asigna números o símbolos a cada categoría. Es

una escala muy primitiva que sólo permite relaciones de
equivalencia. Por ejemplo podemos estar interesados en
clasificar los estudiantes de acuerdo con la carrera que
cursan:
CARRERA NÚMERO ASIGNADO
A LA CATEGORÍA
Estadística 1
Investigación Operativa 2
Computación Científica 3
Matemática 4
Los números asignados a cada categoría sirven única y

exclusivamente para identificar a la categoría y no poseen
propiedades cuantitativas.
ESCALA ORDINAL
Los objetos no sólo son diferentes sino que están en cierta

relación unos con otros. Además de la relación de
equivalencia se usa la de ser «mayor que» (mejor que,
preferido que, etc.) Se usa cuando los objetos tienen
diferentes grados o algún orden, por ejemplo el orden de
llegada a la meta de un grupo de corredores. Se asigna el 1
al que llegó primero , el 2 al que llegó segundo y así
sucesivamente.
ESCALA DE INTERVALOS
IGUALES
• Tiene todas las propiedades de la escala ordinal, pero
además se conocen distancias entre dos números
cualquiera. La escala de intervalos iguales se caracteriza por
una unidad de medida común y constante que asigna un
número igual al número de unidades equivalentes a la de la
magnitud que posea el elemento observado. Es importante
destacar que el punto cero en esta escala es arbitrario y no
refleja en ningún momento ausencia de la magnitud que se
está midiendo.
Esta escala sirve para determinar la distancia entre todos sus
elementos. Para ello, es necesario establecer, por una parte, una
unidad empírica de medida y, por otra parte, que sea posible
contabilizar cuántas veces está contenida dicha unidad de
medida en la distancia entre dos modalidades. Sin lugar a dudas,
podemos decir que la escala de intervalos es la primera escala
verdaderamente cuantitativa, por lo tanto sirve para calcular
algunas medidas estadísticas.
ESCALA DE RAZÓN
Posee todas las propiedades de la escala de intervalo, y
además un cero verdadero. Es el nivel de medida más
elevado y se diferencia de intervalos iguales únicamente
por poseer un punto cero propio como origen; es decir
que el valor cero de esta escala significa ausencia de la
magnitud que se está midiendo. Si se observa una
carencia total de propiedad, se dispone de una unidad de
medida para el efecto.
Entonces, a iguales diferencias entre los números asignados
corresponden iguales diferencias en el grado de atributo
presente en el objeto de estudio. Además, siendo que cero ya
no es arbitrario, sino un valor absoluto, se puede decir que A
tiene dos, tres o cuatro veces la magnitud de la propiedad
presente en B.
Experimento
Situación de control en la cual se manipulan de manera

intencional, una o mas variables independientes(causas)
para analizar las consecuencias de tal manipulación
sobre una o mas variables dependientes (efectos).
Variables en un experimento
• Variable independiente
Es una variable que no depende de otra, por lo general,
es el objeto en el que se centra la investigación.
• Variable dependiente
Es una variable que depende de otra variable.
• Variables intervinientes
Son variables que pueden tomar parte en el estudio.
Ejemplo
Un medico desea determinar la influencia de la edad sobre
las enfermedades cardiacas, en los habitantes de la selva
peruana.
Variables independiente: Edad
Escala: Razón
Tipo de variable: Cuantitativa continua
Variable dependiente: Enfermedades cardiacas
Escala: Nominal
Tipo de variable: Cualitativa
Variable interviniente: Tipo de alimentación
Escala: nominal
Tipo de variable: cualitativa
Actividad Grupal
1. Identifica el tipo de escala para las siguientes variables:
Tiempo de vida de una bacteria
Dureza del agua
Punto de fusión de un compuesto químico
Altura sobre el nivel del mar de una ciudad
Tiempo que tarda un atleta en correr 50m
Precio de la gasolina
Tipo de vitamina que contiene un grupo de alimentos
Diámetro de un tornillo
Numero de desempleados
Ventas anuales
Sobrepeso respecto de un patrón de comparación
Ubicación de una carretera respecto a un punto de referencia.
Calidad de vida en una ciudad
Grado de escolaridad
Madurez de una fruta
Intensidad del consumo de alcohol
2. Da un ejemplo de una variable que se mida en cada una de las
cuatro escalas de medición.
3. Plantea un experimento donde deberás identificar los tres tipos de
variable, la escala y su tipo.
4. Investiga y elabora un resumen que involucre a las escalas de
medición en algún articulo de investigación.

Escalas de Medidas

Cargado por

Copyright:

Formatos disponibles

Escalas de Medidas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Escalas de Medidas

Cargado por

Copyright:

Formatos disponibles

INFERENCIA ESTADÍSTICA NO

También puede ocurrir que la variable no sea continua por lo que no se

cumplen las restricciones establecidas para las pruebas paramétricas.

1. Cuando la prueba estadística clásica o

Tienen mayor eficiencia que los métodos

Tienen validez en el sentido de que su nivel de

Generalmente son mucho más fáciles de cálculo que

1. Fundamentalmente cuando las muestras son muy

2. Las hipótesis que se plantean en las pruebas no

4. Para un problema particular pueden existir varias pruebas,

Consecuentemente, las Pruebas no Paramétricas son

Cuando los datos no cumplen éstos supuestos se puede emplear un

1. Simplicidad de deducción: Los contrastes no paramétricos son más

3. Campo de aplicación: Las hipótesis de aplicación en una Prueba no

(1 – β) = P (rechazar Ho cuando Ha es verdadera)

Se conoce también como la potencia de la prueba, porque mide la

1. El análisis de varianza es una metodología paramétrica debido a que se basa

2. Cuando los supuestos de los métodos paramétricos se sostienen, estas

3. Cuando la población desde la cual fueron tomados los datos no tiene

4. En la práctica se pueden utilizar métodos no paramétrico cada vez que el

Escala que asigna números o símbolos a cada categoría. Es

Los números asignados a cada categoría sirven única y

Los objetos no sólo son diferentes sino que están en cierta

Situación de control en la cual se manipulan de manera

También podría gustarte