11480032
Description
Mind Map by Norbey Chamorro, updated more than 1 year ago
|
Created by Norbey Chamorro
over 6 years ago
|
|
PRUEBAS NO PARAMÉTRICAS
- Prueba de hipótesis cuya distribución subyacente
no se ajusta a los llamados criterios paramétricos,
los datos observados son los que determinan la
prueba. Las pruebas no paramétricas no parten
de este supuesto, de modo que son útiles cuando
los datos son considerablemente no normales y
resistentes a transformaciones.
- Ventajas
- • Tamaño de la
muestra es muy
pequeña.
- • Menor suposición en
los datos y mas
relevante a una
situación particular.
- • Fáciles de
aprender y aplicar,
y además su
interpretación es
más directa.
- • Los datos son
clasificatorios o
categóricos, es decir,
se miden en una
escala nominal.
- • Tamaño de la
muestra es muy
pequeña.
- Desventajas
- • No son sistémicas.
- • No se tiene una
distribución fija, por lo
cual es un problema al
elegir la adecuada.
- • Las tablas necesarias para
aplicar estas pruebas están
muy difundidas y aparecen
en diferentes formatos, lo
cual puede generar
confusión al investigador a
la hora de aplicar la prueba.
- • No son sistémicas.
- Las principales pruebas no
paramétricas son las siguientes:
- Prueba χ² de Pearson, Prueba binomial,
Prueba de Anderson-Darling, Prueba de
Cochran, Prueba de Cohen kappa, Prueba
de Fisher, Prueba de Friedman, Prueba de
Kendall, Prueba de Kolmogórov-Smirnov,
Prueba de Kruskal-Wallis, Prueba de
Kuiper, Prueba de Mann-Whitney o prueba
de Wilcoxon, Prueba de McNemar, Prueba
de la mediana, Prueba de Siegel-Tukey,
Prueba de los signos Coeficiente de
correlación de Spearman Tablas de
contingencia, Prueba de Wald-Wolfowitz,
Prueba de los rangos con signo de
Wilcoxon
- Pruebas para una muestra
Simple Chi-Cuadrado
- Prueba de Bondad de Ajuste, consiste en determinar
si los datos de cierta muestra corresponden a cierta
distribución poblacional, sea cual sea la variable de
estudio, se debe categorizar los datos asignado sus
valores a diferentes clases o grupos.
- Prueba de Bondad de Ajuste, consiste en determinar
si los datos de cierta muestra corresponden a cierta
distribución poblacional, sea cual sea la variable de
estudio, se debe categorizar los datos asignado sus
valores a diferentes clases o grupos.
- Prueba para muestra
relacionada t de Wilcoxon
- Prueba no paramétrica para comparar el rango medio
de dos muestras relacionadas y determinar si existen
diferencias entre ellas. Se utiliza como alternativa a la
prueba t de Student cuando no se puede suponer la
normalidad de dichas muestras.
- Prueba no paramétrica para comparar el rango medio
de dos muestras relacionadas y determinar si existen
diferencias entre ellas. Se utiliza como alternativa a la
prueba t de Student cuando no se puede suponer la
normalidad de dichas muestras.
- Análisis de varianza en una
dirección por rangos de
KrusKal-Wallis(H)
- La prueba de Kruskal-Wallis no asume normalidad en
los datos, en oposición al tradicional ANOVA. Sí
asume, bajo la hipótesis nula, que los datos vienen de
la misma distribución. Una forma común en que se
viola este supuesto es con datos heterocedásticos.
- La prueba de Kruskal-Wallis no asume normalidad en
los datos, en oposición al tradicional ANOVA. Sí
asume, bajo la hipótesis nula, que los datos vienen de
la misma distribución. Una forma común en que se
viola este supuesto es con datos heterocedásticos.
- Pruebas para muestras
independientes U de
Mann Whitney(μ)
- También llamada de Mann-Whitney-Wilcoxon, prueba
de suma de rangos Wilcoxon, o prueba de
Wilcoxon-Mann-Whitney, es una prueba no
paramétrica aplicada a dos muestras independientes.
Es, de hecho, la versión no paramétrica de la habitual
prueba t de Student. Se usa para comprobar la
heterogeneidad de dos muestras ordinales.
- También llamada de Mann-Whitney-Wilcoxon, prueba
de suma de rangos Wilcoxon, o prueba de
Wilcoxon-Mann-Whitney, es una prueba no
paramétrica aplicada a dos muestras independientes.
Es, de hecho, la versión no paramétrica de la habitual
prueba t de Student. Se usa para comprobar la
heterogeneidad de dos muestras ordinales.
- Chi-Cuadrado para
muestras Independientes
- Prueba de Homogeneidad
- Consiste en comprobar si varias muestras de
una carácter cualitativo proceden de la misma
población, es necesario que las dos variables
medibles estén representadas mediante
categorías con las cuales construiremos una
tabla de contingencia.
- Consiste en comprobar si varias muestras de
una carácter cualitativo proceden de la misma
población, es necesario que las dos variables
medibles estén representadas mediante
categorías con las cuales construiremos una
tabla de contingencia.
- Prueba de Independencia
- Consistente en comprobar si dos
características cualitativas están
relacionadas entre sí, Aunque
conceptualmente difiere del anterior,
operativamente proporciona los mismos
resultados. Este tipo de contrastes se aplica
cuando deseamos comparar una variable en
dos situaciones o poblaciones diferentes, i.e.,
deseamos estudiar si existen diferencias en
las dos poblaciones respecto a la variable de
estudio.
- Consistente en comprobar si dos
características cualitativas están
relacionadas entre sí, Aunque
conceptualmente difiere del anterior,
operativamente proporciona los mismos
resultados. Este tipo de contrastes se aplica
cuando deseamos comparar una variable en
dos situaciones o poblaciones diferentes, i.e.,
deseamos estudiar si existen diferencias en
las dos poblaciones respecto a la variable de
estudio.
- Prueba de Homogeneidad
- Pruebas para una muestra
Simple Chi-Cuadrado
- Prueba χ² de Pearson, Prueba binomial,
Prueba de Anderson-Darling, Prueba de
Cochran, Prueba de Cohen kappa, Prueba
de Fisher, Prueba de Friedman, Prueba de
Kendall, Prueba de Kolmogórov-Smirnov,
Prueba de Kruskal-Wallis, Prueba de
Kuiper, Prueba de Mann-Whitney o prueba
de Wilcoxon, Prueba de McNemar, Prueba
de la mediana, Prueba de Siegel-Tukey,
Prueba de los signos Coeficiente de
correlación de Spearman Tablas de
contingencia, Prueba de Wald-Wolfowitz,
Prueba de los rangos con signo de
Wilcoxon
- Ventajas
Want to create your own Mind Maps for free with GoConqr? Learn more.