UNEXPO GUARENAS

INFERENCIA II

INSTRUCTOR: VILLEGAS BLADIMIRO DE JESÚS

TEMA: ESTADISTICA NO PARAMETRICA.

Esta cuarta evaluación va a estar basada en una sencilla y breve evaluación

individual, sobre aspectos teóricos del Tema ESTADÍSTICA NO

PARAMÉTRICA.

Les expongo a continuación algunos aspectos que podrían servirles como

guía, pero teniendo claro que los mismos no agotan las interrogantes que

podrían surgir a la hora de evaluar conocimientos teóricos del tema en

cuestión. Por lo tanto, deben ustedes ampliar sus conocimientos sobre el

tema a evaluar. Se recomienda abordar el tema en tres grandes bloques; 1)

Las Características de la Estadística Paramétrica y la No Paramétrica, 2) Las

Ventajas y Desventajas de la Estadística No Paramétrica con referencia a la

otra, y ·) Los Aspectos relacionados con los datos que suministran la

información a tratar en un Test No Paramétrico

LAS PREGUNTAS QUE PODRÍAN SURGIR, ENTRE OTRAS, SON;

1- QUE ENTIENDE UD POR ESTADÍSTICA NO PARAMÉTRICA, EXPLIQUE CON EJEMPLOS

2- EXPLIQUE CUANDO ES PROCEDENTE APLICAR TEST NO PARAMÉTRICOS

3- CITE OTROS TEST NO PARAMÉTRICOS Y CUANDO ES CONDUCENTE APLICARLOS

4- CUÁLES SON LAS VENTAJAS Y DESVENTAJAS FRENTE A LOS TEST PARAMÉTRICOS

5- CONOCIMIENTOS SOLIDOS SOBRE LO QUE ES UN PARÁMETRO Y SU ESTIMADOSR

6- CONOCIMIENTOS SOBRE LOS ESTADÍGRAFOS O ESTADÍSTICOS DE CONTRASTE

7- QUÉ SIGNIFICA EL HECHO DE NO SE CONOZCA LA DISTRIBUCIÓN SUBYACENTE DE LA VARIABLE

DE INTERÉS.

8- QUE TIENE UD. QUE DECIR SOBRE LAS DIFERENTES DISTRIBUCIONES DE LAS POBLACIONES

SUSCEPTIBLES DE ESTUDIO ESTADÍSTICO O LAS INFERENCIAS SOBRE SUS PARÁMETROS

9- EJEMPLIFIQUE CUALQUIER DISTRIBUCIÓN, CON SU FORMA, SUS PARÁMETROS ETC.

10- ANTE LA POSIBILIDAD DE PODER USAR UN TEST NO PARAMÉTRICO O UNO PARAMÉTRICO

POR CUÁL SE INCLINARÍA, JUSTIFIQUE SUS RESPUESTA.

11- CONOCIMIENTOS SÓLIDOS SOBRE LAS ESCALAS DE MEDICION QUE TIENEN QUE VER CON LA

APLICACIÓN DE LOS TEST NO PARAMÉTRICOS.

12- QUE SIGNIFICA QUE LOS TEST PARAMÉTRICOS REQUIEREN QUE LOS PUNTAJES ANALIZADOS

SEAN PRODUCTO DE UNA MEDICIÓN, POR LO MENOS A UNA ESCALA DE INTERVALO

13- QUÉ PASA CON LA PRUEBA NO PARAMÉTRICA, CON RESPECTO A LA PARAMÉTRICA, CUANDO

PODEMOS TENER UNA MUESTRA APROPIADAMENTE GRANDE.

14- DE LOS TESTS NO PARAMÉTRICOS Y PARAMÉTRICOS CUAL USA LA INFORMACIÓN DE LA

MUESTRA MÁS APROPIADA

15- CUÁNDO ES PROCEDENTE APROXIMAR UNA DISTRIBUCIÓN DESCONOCIDA A TRAVÉS DE UNA

NORMAL. EXPLIQUE

16- CUÁLES SON LAS ÁREAS O SECTORES DONDE ES VIABLE APLICAR TEST NO PARAMÉTRICO

17-CREE USTED QUE SE PODRÍA HACER UN ANÁLISIS DE VARIANZAS CON UN TEST NO

PARAMÉTRICO EXPLIQUE

18- CÓMO INFLUYE EL FACTOR ECONÓMICO EN LA ELECCIÓN DEL TIPO DE TEST

19- CUÁLES SON LOS SUPUESTOS BAJO LAS QUE OPERA LOS TEST PARAMÉTRICOS

20- NOMBRE ALGUNOS DE LOS PARÁMETROS SOBRE LOS CUALES SE REALIZAN HIPÓTESIS

21-CUÁLES SON LOS NIVELES DE MEDIDA QUE IMPLICA REALIZAR UN TEST DE HIPÓTESIS

PARAMÉTRICO

22-QUÉ SIGNIFICA REALIZAR SUPUESTOS SOBRE DISTRIBUCIONES LIBRES

23-QUÉ SIGNIFICA PARA USTED REALIZAR PRUEBAS NO PARAMÉTRICAS CON RESPECTO A LA

PARAMÉTRICA

24-CUÁLES SON LOS TIPOS DE DATOS QUE PERMITE ANALIZAR EL TEST NO PARAMETRICO Y NO LO

PERMITE EL TEST PARAMÉTRICO

25- QUÉ ENTIENDE USTED DE AMBOS TEST , EN CUANTO A SU UTILIDAD EN SU LABORES

FUTURAS26- INDIQUE QUE PRUEBAS NO PARAMÉTRICAS TIENEN TAMBIÉN SU EQUIVALENTE EN EL TEST

PARAMÉTRICO.

27-¿CREE UD, QUE LA COMPLEJIDAD EN LA ACTIVIDAD INFERENCIAL A TRAVÉS DEL CONTRASTE DE

HIPÓTESIS, INFLUYEN EN CUANTO A LA EFICIENCIA DE LOS RESULTADOS? EXPLIQUE.

28-¿ CUÁLES SON LOS ASPECTOS A TOMAR EN CUENTA A LA HORA DE SELECCIONAR EL TIPO DE

PRUEBA?

29-¿CUALES SON LOS TIPOS DE PROBLEMAS POR QUE FUNDAMENTALMENTE SE INTERESA LA

ESTADÍSTICA INFERENCIAL EXPONGA LOS MISMOS ?

30 - DE ACUERDO A SU CONOCIMIENTO, ENTRE LOS DOS TIPOS DE CONTRASTE, CUÁL CREE

UD. ¿QUE ES, EXISTENCIALMENTE IMPORTANTE PARA LA ESTADÍSTICA INFERENCIAL? EXPLIQUE

31- EN LA ACTIVIDAD DE LA INFERENCIA ESTADISTICA QUE QUE TRATA INFORMACION

RECOLECTADA A TRAVES DE MUESTRAS, ¿A QUE FACORES SE LE ATRIBUYEN LAQS DIFERENCIAS?

32- ¿QUE SIGNIFICA PARA PARA LA INFERNCIA ESTADSITICA QUE LOS PUNTAJES O MEDICIONES

NO TENGAN UNA CONSTITUCION VERDADERAMENTE NUMERICA?

33- LA PRUEBA O TEST PARAMETRICO SOBRE LA DIFERENCIA DE MEDIAS TIENE SU EQUIVALENTE

EN LOS TEST NO PARAMETRICOS, ¿CUAL ES ESA PRUEBA ¿, ¿Y POR QUE ES ESA?

34- EXPLIQUE EN FORMA AMPLIA LA RELACION QUE EXISTE ENTRE EL EEROOR TIPO I Y EL ERROR

TIPO II Y, ¿COMO PODEMOS REDUCIR AMBOS?

35- ¿POR QUE CREE UD, QUE LAS DECISIONES EN INFERENCIA CONLLEVAN SIEMPRE UN ERROR ?

36 - ¿ QUE VENTAJA SIGNIFICA HACER SUPOSICIONES SOBRE LA DISTRIBUCION PROBABILIDAD DE

UNA VARIIABLE ?

37 – EL TIPO DE AFIRMACIONES HECHAS BAJO UN TEST DE HIPOTESIS , SIEMPRE SON

DETERMINISTICAS O PROBABILISTICA S? EXPLIQUE.

38 -¿COMO SE EVALUA LO BUENO , LA BONDAD DEL UNA PRUEBA ESTADISTICA, VERSUS LA

EFICIENCIA DE LA MISMA?

39 – EN LAS PRUEBAS DE HIPOTESIS PARAMETRICA, ¿QUE IMPLICACIONES TIENE LAS

CONDICIONES IMPUESTAS A LA HORA DE SELECCIONAR UN MODELO DE DISTRIBUCION? .

40 - EN LAS PRUEBAS DE HIPOTESIS NO PARAMETRICA, ¿QUE PASA CON ESTAS CONDICIONES?

(LAS DE LA PREGUNTA ANTERIOR)

1. ¿Qué entiende usted por estadística no paramétrica?

La estadística no paramétrica se refiere a métodos estadísticos que no asumen una distribución específica de los datos. Se utilizan
cuando no se conoce la distribución subyacente o cuando los datos no cumplen con las condiciones de los métodos paramétricos.
Ejemplo: La prueba de Wilcoxon para muestras pares analiza las diferencias entre dos grupos sin asumir que las diferencias siguen
una distribución normal.

2. ¿Cuándo es procedente aplicar test no paramétricos?

Los test no paramétricos son apropiados cuando:

 La muestra es pequeña.
 Los datos son ordinales o nominales (es decir, no se pueden medir numéricamente).
 No se cumple la suposición de normalidad (que los datos deben seguir una distribución normal).

3. Cite otros test no paramétricos y cuándo es conducente aplicarlos.

 Prueba de Kruskal-Wallis: Se utiliza cuando se comparan más de dos grupos independientes y los datos son ordinales o no
normales.
 Prueba de Friedman: Se usa para comparar varios grupos relacionados o muestras apareadas.
 Prueba de Mann-Whitney: Se aplica para comparar dos grupos independientes no paramétricos.

4. ¿Cuáles son las ventajas y desventajas frente a los test paramétricos?

Ventajas:

 No requieren suposiciones sobre la distribución de los datos.

 Pueden ser utilizados con datos no normales o en escalas ordinales.

Desventajas:

 Por lo general, son menos poderosos que los tests paramétricos (es decir, es más difícil detectar diferencias verdaderas).
 Menos información se utiliza en el análisis.

5. Conocimientos sólidos sobre lo que es un parámetro y su estimador.

Un parámetro es un valor numérico que describe alguna característica de una población (por ejemplo, la media o varianza).
Un estimador es una estadística calculada a partir de una muestra, que se usa para inferir el valor del parámetro en la población.
Ejemplo: La media de la muestra es un estimador de la media de la población.

6. Conocimientos sobre los estadígrafos o estadísticos de contraste.

Los estadígrafos, o estadísticos de contraste, son medidas que se utilizan para realizar pruebas de hipótesis. Ejemplos incluyen la
media de la muestra, la varianza y el estadístico t de Student.

7. ¿Qué significa que no se conozca la distribución subyacente de la variable de interés?

No conocer la distribución subyacente implica que no sabemos cómo están distribuidos los datos poblacionales (normal, sesgado,
etc.). Esto puede limitar el uso de métodos paramétricos que requieren dicha información.

8. ¿Qué tiene usted que decir sobre las diferentes distribuciones de las poblaciones susceptibles de estudio estadístico?

Las distribuciones afectan la elección de métodos estadísticos. Si una población tiene una distribución normal, se pueden utilizar tests
paramétricos; si no, se optan por métodos no paramétricos.

9. Ejemplifique cualquier distribución, con su forma, sus parámetros, etc.

Distribución Normal: Tiene forma de campana. Sus parámetros son la media (μ) y la desviación estándar (σ). La función de
densidad es:
f(x)=1σ2πe−(x−μ)22σ2f(x)=σ2π1e−2σ2(x−μ)2

10. Ante la posibilidad de poder usar un test no paramétrico o uno paramétrico, ¿por cuál se inclinaría? Justifique su
respuesta.

Preferiría el test paramétrico si los datos cumplen con las condiciones requeridas (normalidad y varianzas similares), ya que
generalmente tienen más poder estadístico. Sin embargo, si no se cumplen estas condiciones, elegiría un test no paramétrico.

11. Conocimientos sólidos sobre las escalas de medición que tienen que ver con la aplicación de los test no paramétricos.

Los tests no paramétricos son más adecuados para datos ordinales (escalas donde los valores tienen un orden, pero no distancias
iguales) y nominales (clases o categorías sin orden).

12. ¿Qué significa que los test paramétricos requieren que los puntajes analizados sean producto de una medición, por lo
menos a una escala de intervalo?

Significa que los datos deben ser medidos en una escala que permita no solo ordenarlos, sino también calcular diferencias
significativas entre ellos. En la escala de intervalo, se puede afirmar que las diferencias entre valores son consistentes (por ejemplo,
la temperatura medida en grados Celsius).

13. ¿Qué pasa con la prueba no paramétrica, con respecto a la paramétrica, cuando podemos tener una muestra
apropiadamente grande?

Cuando la muestra es grande, los tests paramétricos pueden ser más adecuados porque, con el Teorema Central del Límite, las
distribuciones de las medias muestrales tienden a ser normales, lo que permite utilizar con confianza métodos estadísticos que
asumen normalidad. Sin embargo, los tests no paramétricos siguen siendo útiles cuando los supuestos no se cumplen.

14. ¿De los tests no paramétricos y paramétricos, cuál usa la información de la muestra más apropiada?

Los tests paramétricos utilizan más información, ya que se basan en las medidas precisas de los datos muestrales y las suposiciones
sobre la población (como los parámetros de la distribución). Utilizan toda la estructura de los datos, mientras que los tests no
paramétricos se centran en rangos y no hacen suposiciones sobre la forma de la distribución.

15. ¿Cuándo es procedente aproximar una distribución desconocida a través de una normal? Explique.

Es procedente aproximar una distribución desconocida a una distribución normal cuando se tiene una muestra grande (generalmente n
> 30), debido al Teorema Central del Límite, que establece que la distribución de la media muestral tiende a ser normal
independientemente de la distribución de la población para muestras grandes.

16. ¿Cuáles son las áreas o sectores donde es viable aplicar tests no paramétricos?

Los tests no paramétricos son viables en muchas áreas, incluyendo:

  Psicología: Para análisis de tendencias en respuestas de encuestas.
 Medicina: Análisis de datos de ensayos clínicos con pequeñas muestras.
 Educación: Comparaciones de rendimiento entre grupos de estudiantes de diferentes niveles.

17. ¿Cree usted que se podría hacer un análisis de varianzas con un test no paramétrico? Explique.

Sí, se puede realizar un análisis de varianza utilizando un test no paramétrico, como la prueba de Kruskal-Wallis, que permite
comparar tres o más grupos independientes sin asumir normalidad. Sin embargo, es menos potente que su equivalente paramétrico
(ANOVA).

18. ¿Cómo influye el factor económico en la elección del tipo de test?

Los factores económicos influyen en la elección del tipo de test porque los tests no paramétricos suelen requerir menos recursos y
pueden ser más rápidos de implementar cuando hay limitaciones en tiempo o en la cantidad de datos disponibles. Además, podrían
ser más económicos si se reduce la necesidad de cumplir condiciones estrictas de muestreo.

19. ¿Cuáles son los supuestos bajo los que operan los tests paramétricos?

Los tests paramétricos, como el test t de Student, operan bajo supuestos que incluyen:

 Normalidad: Los datos deben seguir una distribución normal.

 Homogeneidad de varianzas: Las varianzas entre grupos comparados deben ser similares.
 Independencia: Las observaciones deben ser independientes unas de otras.

20. Nombre algunos de los parámetros sobre los cuales se realizan hipótesis.

Algunos parámetros comunes incluyen:

 Media (μ) de una población.

 Varianza (σ²) de una población.
 Proporciones (p) en una población.
 Diferencias entre medias.

21. ¿Cuáles son los niveles de medida que implica realizar un test de hipótesis paramétrico?

Los niveles de medida que permiten realizar un test de hipótesis paramétrico incluyen:

 Escala de intervalo (por ejemplo, temperatura, IQ).

 Escala de razón (por ejemplo, peso, altura, ingresos).

22. ¿Qué significa realizar supuestos sobre distribuciones libres?

Realizar supuestos sobre distribuciones libres implica no presuponer ni especificar una distribución particular para los datos; en su
lugar, se basan en la estructura general de los datos disponibles. Esto permite un mayor rango de aplicabilidad, especialmente cuando
las condiciones para métodos paramétricos no se cumplen.

23. ¿Qué significa para usted realizar pruebas no paramétricas con respecto a las paramétricas?

Realizar pruebas no paramétricas significa que se pueden analizar datos sin depender de suposiciones sobre la distribución, lo cual es
especialmente útil cuando:

 No se conoce la distribución subyacente de la población.

 Los datos son ordinales o categóricos, donde los valores no tienen distancias numéricas significativas entre ellos.
Esto brinda flexibilidad y accesibilidad en el análisis estadístico al permitir que se utilicen datos que de otro modo no
cumplirían con los requisitos de los métodos paramétricos.

24. ¿Cuáles son los tipos de datos que permite analizar el test no paramétrico y no lo permite el test paramétrico?

Los tests no paramétricos son adecuados para analizar:

  Datos ordinales: Donde los datos tienen un orden, pero las diferencias entre los valores no son iguales o no tienen
significado numérico (por ejemplo, clasificaciones).
 Datos nominales: Categorizaciones sin un orden inherente (por ejemplo, género, color).
Contrariamente, los tests paramétricos requieren datos en escalas de intervalo o razón.

25. ¿Qué entiende usted de ambos test, en cuanto a su utilidad en sus labores futuras?

Entiendo que ambos tipos de test tienen su utilidad en distintas situaciones:

 Tests paramétricos son útiles cuando los datos son adecuados para suposiciones sobre la distribución y se busca mayor
precisión en estimaciones.
 Tests no paramétricos son esenciales cuando no se cumplen dichas supuestos, permitiendo realizar análisis válidos y
significativos en una amplia gama de situaciones, incluso cuando los datos son limitados o sesgados.

26. Indique qué pruebas no paramétricas tienen también su equivalente en el test paramétrico.

Algunas pruebas no paramétricas y sus equivalentes paramétricos son:

 Prueba de Wilcoxon (no paramétrica) ↔ Prueba t de Student para muestras apareadas (paramétrica).
 Prueba de Mann-Whitney (no paramétrica) ↔ Prueba t de Student para muestras independientes (paramétrica).
 Prueba de Kruskal-Wallis (no paramétrica) ↔ ANOVA (paramétrica).

27. ¿Cree usted que la complejidad en la actividad inferencial a través del contraste de hipótesis influye en cuanto a la
eficiencia de los resultados? Explique.

Sí, la complejidad puede influir en la eficiencia porque los tests más complicados requieren una mejor comprensión de los supuestos y
condiciones necesarias para su aplicación. Si se utilizan métodos inapropiados debido a malentendidos, los resultados pueden ser
inválidos o poco informativos. La eficiencia de los resultados está relacionada con la correcta elección del test conforme a los datos
disponibles y la situación específica.

28. ¿Cuáles son los aspectos a tomar en cuenta a la hora de seleccionar el tipo de prueba?

Los aspectos clave incluyen:

 La distribución de los datos (normalidad y homogeneidad de varianzas).

 El tamaño de la muestra.
 La escala de medición de los datos (nominal, ordinal, intervalo, razón).
 El tipo de hipótesis (unilateral o bilateral).
 La comparación de grupos (independientes o relacionados).

29. ¿Cuáles son los tipos de problemas por los que fundamentalmente se interesa la estadística inferencial? Exponga los
mismos.

La estadística inferencial se interesa principalmente en problemas como:

 Estimación de parámetros poblacionales a partir de muestras.

 Contraste de hipótesis para determinar la validez de afirmaciones sobre parámetros.
 Análisis de diferencias entre grupos o condiciones.
 Identificación de relaciones entre variables (correlación y regresión).

30. De acuerdo a su conocimiento, entre los dos tipos de contraste, ¿cuál cree usted que es, existencialmente importante
para la estadística inferencial? Explique.

Ambos tipos de contraste son importantes, pero el contraste paramétrico suele ser considerado más poderoso y eficiente debido a
su capacidad de utilizar supuestos sobre la distribución. Sin embargo, los tests no paramétricos son cruciales para la validez del
análisis en casos donde los datos no cumplen con las suposiciones requeridas. La elección depende del contexto y de las
características de los datos.
31. En la actividad de la inferencia estadística que trata la información recolectada a través de muestras, ¿a qué factores se le
atribuyen las diferencias?

Las diferencias en la inferencia estadística pueden atribuirse a:

 Variabilidad natural en las poblaciones.

Errores de muestreo (variación en los resultados debido a la aleatoriedad de la muestra seleccionada).

 Tamaño de la muestra: Muestras más pequeñas pueden tener más variabilidad y menor precisión en la estimación de
parámetros.
 Métodos de recolección de datos: Diferencias en cómo se recogen o miden los datos pueden influir en los resultados.
 Técnicas de análisis: La elección de métodos estadísticos y su correcta aplicación también pueden afectar las conclusiones.

32. ¿Qué significa para la inferencia estadística que los puntajes o mediciones no tengan una constitución verdaderamente
numérica?

Significa que, si los puntajes son categóricos o ordinales, la inferencia se limita a comparaciones de rangos o frecuencias, sin permitir
análisis precisos de diferencias o promedios. Esto limita la aplicabilidad de métodos paramétricos y requiere el uso de métodos no
paramétricos, que no dependen de la métrica numérica de los datos.

33. La prueba o test paramétrico sobre la diferencia de medias tiene su equivalente en los tests no paramétricos, ¿cuál es esa
prueba? ¿Y por qué es esa?

El test paramétrico que compara diferencias de medias es el test t de Student. Su equivalente no paramétrico es la prueba de Mann-
Whitney (para dos muestras independientes) o la prueba de Wilcoxon (para muestras emparejadas). Se utilizan porque permiten
realizar comparaciones entre grupos sin suponer que los datos siguen una distribución normal, lo que es crucial en situaciones donde
los datos son sesgados o no numéricos.

34. Explique en forma amplia la relación que existe entre el error tipo I y el error tipo II y, ¿cómo podemos reducir ambos?

 Error Tipo I (α): Es rechazar la hipótesis nula cuando es verdadera. Este error se puede reducir disminuyendo el nivel de
significancia (por ejemplo, de 0.05 a 0.01), aunque aumentar esto puede incrementar el riesgo de cometer un error Tipo II.
 Error Tipo II (β): Es no rechazar la hipótesis nula cuando es falsa. Se puede reducir aumentando el tamaño de la muestra o
utilizando métodos más sensibles. Sin embargo, disminuir uno puede aumentar el otro, por lo que es importante encontrar un
equilibrio adecuado.

35. ¿Por qué cree usted que las decisiones en inferencia conllevan siempre un error?

Las decisiones en inferencia siempre conllevan un error porque están basadas en muestras, las cuales son representaciones
imperfectas de la población completa. Además, siempre existe incertidumbre en la estimación de parámetros y en la validez de las
suposiciones que subyacen a los métodos estadísticos. Por lo tanto, incluso con análisis rigurosos, el riesgo de error es inherente al
proceso de inferencia.

36. ¿Qué ventaja significa hacer suposiciones sobre la distribución de probabilidad de una variable?

Hacer suposiciones sobre la distribución permite utilizar métodos estadísticos más potentes y precisos, como los tests paramétricos.
Esto puede llevar a estimaciones de parámetros más fiables, así como a inferencias más efectivas. También puede facilitar la
identificación de relaciones entre variables y simplificar el análisis.

37. El tipo de afirmaciones hechas bajo un test de hipótesis, ¿siempre son determinísticas o probabilísticas? Explique.

Las afirmaciones en los tests de hipótesis son probabilísticas, no determinísticas. Esto significa que en lugar de establecer
conclusiones definitivas, se trabaja con niveles de confianza y probabilidades sobre la veracidad de las hipótesis nula y alternativa. Se
acepta un cierto nivel de riesgo de cometer errores en las decisiones de rechazo o no rechazo de la hipótesis nula.

38. ¿Cómo se evalúa lo bueno, la bondad de una prueba estadística, versus la eficiencia de la misma?

La bondad de una prueba estadística se evalúa a través de su capacidad para detectar efectos verdaderos —con base en la potencia
estadística— y la consistencia de sus resultados. La eficiencia, por otro lado, se refiere a la cantidad de información que se utiliza en
el análisis y cuán bien la prueba minimiza errores. En resumen, una buena prueba debe ser tanto potente como eficiente en su uso de
datos.

39. En las pruebas de hipótesis paramétricas, ¿qué implicaciones tiene las condiciones impuestas a la hora de seleccionar un
modelo de distribución?

Las condiciones impuestas en las pruebas paramétricas, como la normalidad y homogeneidad de varianzas, afectan directamente la
validez de las inferencias que se hacen basándose en los resultados. Si estas condiciones no se cumplen, los resultados pueden ser
engañosos, lo que puede llevar a conclusiones incorrectas sobre la población. Por lo tanto, es crucial verificar estos supuestos antes
de aplicar un test paramétrico, para asegurar la fiabilidad de las inferencias.

40. En las pruebas de hipótesis no paramétricas, ¿qué pasa con estas condiciones?

En los tests no paramétricos, las condiciones impuestas sobre la distribución son más relajadas, ya que no depende de la forma de la
distribución subyacente. Esto los hace más flexibles y aplicables a una gama más amplia de situaciones. Sin embargo, también
significa que, aunque son menos estrictos en cuanto a las condiciones, podrían ser menos poderosos en detectar diferencias reales si
los datos realmente siguen una distribución normal.

DIAPOSITIVAS

Diapositiva 1: Introducción a la Estadística No Paramétrica

 Definición: Métodos que no requieren suposiciones sobre la distribución de datos.

 Ejemplo: Prueba de Wilcoxon para comparar dos grupos independientes.

Diapositiva 2: Cuándo Usar Tests No Paramétricos

 Circunstancias:
o Datos no normales.
o Datos ordinales o nominales.
o Tamaño de muestra pequeño.

Diapositiva 3: Ejemplos de Tests No Paramétricos

 Mann-Whitney: Dos grupos independientes.

 Kruskal-Wallis: Tres o más grupos independientes.
 Friedman: Grupos relacionados.
Diapositiva 4: Ventajas y Desventajas

 Ventajas:
o Menos supuestos.
o Adecuados para datos ordinales.
 Desventajas:
o Menor potencia que los tests paramétricos.
o Pérdida de información distribuida.

Diapositiva 5: Parámetros y Estimadores

 Parámetro: Medida que describe una población (media, varianza).

 Estimador: Estadística calculada de la muestra para inferir el parámetro.

Diapositiva 6: Estadísticos de Contraste

 Descripción: Valores utilizados para decidir sobre la aceptación o rechazo de hipótesis.

 Ejemplo: Valor t en pruebas t.

Diapositiva 7: Importancia de la Distribución Subyacente

 Significado: La falta de conocimiento de la distribución complica el uso de tests paramétricos.

Diapositiva 8: Diferentes Distribuciones de Poblaciones

 Diversidad: Las poblaciones pueden tener distintas distribuciones, afectando inferencias sobre sus parámetros.

Diapositiva 9: Ejemplo de Distribución

 Distribución Normal:
o Forma simétrica.
o Parámetros: media (μ) y desviación estándar (σ).

Diapositiva 10: Preferencia entre Tests

 Opción: Elegir tests paramétricos si se cumplen los supuestos; son más potentes.
Diapositiva 11: Escalas de Medición

 Relevancia: Los tests no paramétricos pueden usarse con datos ordinales o nominales.

Diapositiva 12: Escala de Intervalo

 Definición: Datos que tienen un orden y diferencias significativas (ej. temperatura).

Diapositiva 13: Muestras Grandes

 Impacto: Tests paramétricos son más precisos y eficaces con muestras grandes (teorema del límite central).

Diapositiva 14: Uso de Información de la Muestra

 Eficiencia: Tests paramétricos utilizan más información de la muestra, analizando promedios y varianzas.

Diapositiva 15: Aproximación a Normalidad

 Condición: Puede ser válida con muestras grandes y cumplimiento de ciertas condiciones.

Diapositiva 16: Áreas para Tests No Paramétricos

 Aplicaciones: Medicina, psicología y estudios sociales.

Diapositiva 17: Análisis de Varianzas

 Posibilidad: Prueba de Kruskal-Wallis como alternativa no paramétrica a ANOVA.

Diapositiva 18: Factores Económicos

 Consideraciones: Tests no paramétricos son más económicos y flexibles.

Diapositiva 19: Supuestos en Tests Paramétricos

 Condiciones: Normalidad y homogeneidad de varianzas.

Diapositiva 20: Parámetros de Hipótesis

 Ejemplos: Media, varianza, proporciones.

Diapositiva 21: Niveles de Medida

 Requisito: Deben ser, al menos, de intervalo para pruebas paramétricas.

Diapositiva 22: Supuestos de Distribuciones Libres

 Beneficios: Permiten usar tests no paramétricos sin requerir distribuciones específicas.

Diapositiva 23: Diferencias en Pruebas

 Comparación: Tests no paramétricos son más flexibles; pueden ser menos sensibles.

Diapositiva 24: Tipos de Datos en Tests

 Capacidad: Tests no paramétricos permiten datos ordinales y nominales.

Diapositiva 25: Utilidad de Ambos Tests

 Importancia: Ambos tipos son útiles: los paramétricos son más potentes en condiciones adecuadas.

Diapositiva 26: Equivalentes en Tests

 Ejemplos:
o Test t de Student (paramétrico) - Wilcoxon (no paramétrico).
o ANOVA (paramétrico) - Kruskal-Wallis (no paramétrico).
Diapositiva 27: Complejidad en Inferencia

 Consideraciones: La complejidad puede afectar la claridad y aumentar el error.

Diapositiva 28: Selección de Prueba

 Aspectos: Tipo de datos, tamaño de muestra y supuestos de pruebas.

Diapositiva 29: Intereses en Estadística Inferencial

 Problemas: Estimación de parámetros, pruebas de hipótesis y comparación de grupos.

Diapositiva 30: Importancia en Contrastes

 Valor: Ambos tipos de contraste son esenciales; los paramétricos son preferidos por su potencia.

Diapositiva 31: Diferencias en Inferencia

 Factores: Variabilidad muestral, errores de muestreo y errores de medición.

Diapositiva 32: Mediciones No Numéricas

 Implicación: Dificultan la aplicación de análisis rigurosos.

Diapositiva 33: Prueba de Medias

 Equivalente: Wilcoxon para diferencias de medias entre dos muestras independientes.

Diapositiva 34: Errores Tipo I y II

 Relación: Inversamente relacionados; reducir uno suele aumentar el otro.

Diapositiva 35: Errores en Inferencia

 Naturaleza: Decisiones siempre conllevan incertidumbre.

Diapositiva 36: Suposiciones de Distribución

 Ventajas: Facilitan el modelado y la inferencia.

Diapositiva 37: Afirmaciones en Hipótesis

 Naturaleza: Son probabilísticas, basadas en evidencia.

Diapositiva 38: Evaluación de Pruebas Estadísticas

 Bondad: Se mide por potencia, precisión y calidad de supuestos.

Diapositiva 39: Selección de Modelo de Distribución

 Implicaciones: Condiciones impuestas afectan la validez de los resultados.

Diapositiva 40: Condiciones en Pruebas No Paramétricas

 Diferencia: Menos estrictas, basadas en ordenación de datos.

Este formato de resumen por diapositivas te permitirá presentar la información de manera clara y organizada, facilitando la
comprensión de los temas clave relacionados con la estadística no paramétrica y sus aspectos asociados. Si necesitas más
información o un enfoque diferente, házmelo saber.

Diapositiva 41: Aplicaciones Prácticas de Tests No Paramétricos

 Contextos:
o Estudios de salud pública (análisis de calidad de vida).
o Investigaciones sociales (opiniones y preferencias).
o Psicología (evaluaciones subjetivas).
Diapositiva 42: Consideraciones Éticas en la Estadística

 Importancia: La integridad de los datos y las inferencias son esenciales.

 Prácticas recomendadas: Transparencia en métodos y reportes.

Diapositiva 43: El Papel de la Muestra en Inferencias Estádisticas

 Relevancia: Tamaño y representatividad determinan la validez de las conclusiones.

 Diversidad: Debe reflejar la población objetivo para hacer generalizaciones confiables.

Diapositiva 44: Modelos de Regresión y Comparación

 Regresión Lineal: Sujeto a supuestos paramétricos, útil para datos normales.

 Regresión No Paramétrica: Alternativas como la regresión local o métodos de suavizamiento.

Diapositiva 45: Interpretación de Resultados

 Claridad: Presentar datos en términos comprensibles, evitar tecnicismos excesivos.

 Visualización: Uso de gráficos y tablas para facilitar la comprensión.

Diapositiva 46: Comparación de Tests Paramétricos y No Paramétricos

 Tests Paramétricos:
o Más potentes bajo supuestos válidos.
o Mejor para muestras grandes y datos continuos.
 Tests No Paramétricos:
o Flexibles frente a distribuciones desconocidas.
o Ideales para datos ordinales o no lineales.

Diapositiva 47: Impacto de los Datos Atípicos

 Definición: Valores extremos que pueden influir desproporcionadamente en las estadísticas.

 Manejo: Tests no paramétricos son menos afectados por los outliers.

Diapositiva 48: Teorema del Límite Central

  Concepto: A medida que el tamaño de la muestra aumenta, la distribución de la media de la muestra tiende a ser normal,
independientemente de la distribución original.
 Relevancia: Justificación para usar pruebas paramétricas en muestras grandes.

Diapositiva 49: Estrategias de Prueba

 Uso de Bootstrap: Método de re-muestreo para estimar la precisión de las estadísticas.

 Simulación: Generación de datos sintéticos para validar hipótesis sin necesidad de suposiciones fuertes.

Diapositiva 50: Conclusiones Finales

 Integración: Combinar tests no paramétricos y paramétricos dependiendo del contexto y tipo de datos.
 Recomendaciones: Evaluar siempre los supuestos antes de seleccionar el método estadístico.

Diapositiva 51: Recursos para el Aprendizaje Continuo

 Referencias: Libros de estadística, cursos en línea.

 Herramientas: Software estadístico como R, SPSS o Python para práctica aplicada.

Diapositiva 52: Preguntas y Discusión

 Interacción: Abrir el espacio para dudas, comentarios o experiencias relacionadas con el uso de tests estadísticos.
 Cierre: Agradecer a los participantes por su atención y reflexión sobre el tema.