9363475
Beschreibung
Mindmap von Wilfer Arias, aktualisiert more than 1 year ago
|
Erstellt von Wilfer Arias
vor mehr als 7 Jahre
|
|
Mapa de pruebas estadísticas
paramétricas y no paramétricas
- estadistica
- "una serie ordenada de métodos que se ocupan de la
recolección, organización, presentación, análisis e
interpretación de datos numérico"(Gómez-Gómez,
Danglot-Banck, & Vega-Franco, 2003)
- "una serie ordenada de métodos que se ocupan de la
recolección, organización, presentación, análisis e
interpretación de datos numérico"(Gómez-Gómez,
Danglot-Banck, & Vega-Franco, 2003)
- Estadística Paramétrica
- El investigador aspira encontrar en las características de la muestra que ha seleccionado, aquellas que
distinguen a la población de donde ésta procede; hay dos formas de actuar: 1) estimar el valor de un
parámetro a partir de la muestra, y 2) contrastar si su hipótesis es confirmada en la muestra, poniendo
a prueba la hipótesis de las diferencias nulas (Ho), la que de no confirmarse se explica por la hipótesis
alterna (H1), que acepta que esas diferencias existen dentro de cierto margen de probabilidad: cuando
son significativas (a nivel de una p < 0.05 o < 0.001) se rechaza la hipótesis nula y se acepta la hipótesis
alterna.2 (Gómez-Gómez, Danglot-Banck, & Vega-Franco, 2003)
- Caraterísticas
- 1. Determinar el nivel de medida de la variable de interés. 2. Valorar la
distribución de las variables: medidas de tendencia central para cada
variable, sesgo y curtosis para cada variable valoración visual de la
distribución de los datos examinar los diagramas de las probabilidades
de la distribución. 3. Ver la homogeneidad de las varianzas. 4. Ver el
tamaño de muestra total y de los subgrupos. 5. Determinar qué prueba
estadística paramétrica o no paramétrica es la más adecuada.
(Gómez-Gómez et al., 2003)
- 1. Determinar el nivel de medida de la variable de interés. 2. Valorar la
distribución de las variables: medidas de tendencia central para cada
variable, sesgo y curtosis para cada variable valoración visual de la
distribución de los datos examinar los diagramas de las probabilidades
de la distribución. 3. Ver la homogeneidad de las varianzas. 4. Ver el
tamaño de muestra total y de los subgrupos. 5. Determinar qué prueba
estadística paramétrica o no paramétrica es la más adecuada.
(Gómez-Gómez et al., 2003)
- Caraterísticas
- El investigador aspira encontrar en las características de la muestra que ha seleccionado, aquellas que
distinguen a la población de donde ésta procede; hay dos formas de actuar: 1) estimar el valor de un
parámetro a partir de la muestra, y 2) contrastar si su hipótesis es confirmada en la muestra, poniendo
a prueba la hipótesis de las diferencias nulas (Ho), la que de no confirmarse se explica por la hipótesis
alterna (H1), que acepta que esas diferencias existen dentro de cierto margen de probabilidad: cuando
son significativas (a nivel de una p < 0.05 o < 0.001) se rechaza la hipótesis nula y se acepta la hipótesis
alterna.2 (Gómez-Gómez, Danglot-Banck, & Vega-Franco, 2003)
- Estadística no paramétrica
- Con las pruebas no paramétricas se
puede trabajar con muestras
pequeñas de datos categóricos u
ordinales, independientemente de la
distribución de las muestras que se
desea contrastar(Gómez-Gómez,
Danglot-Banck, & Vega-Franco, 2003)
- Caraterístcas
- Independencia de las observaciones aleatorias a excepción de datos pareados. 2.
Pocas asunciones con respecto a la distribución de la población. 3. La variable
dependiente es medida en escala categórica. 4. El punto primario es el
ordenamiento por rangos o por frecuencias. 5. Las hipótesis se hacen sobre
rangos, mediana o frecuencias de los datos. 6. El tamaño de muestra requerido es
menor (20 o <). (Gómez-Gómez et al., 2003)
- Independencia de las observaciones aleatorias a excepción de datos pareados. 2.
Pocas asunciones con respecto a la distribución de la población. 3. La variable
dependiente es medida en escala categórica. 4. El punto primario es el
ordenamiento por rangos o por frecuencias. 5. Las hipótesis se hacen sobre
rangos, mediana o frecuencias de los datos. 6. El tamaño de muestra requerido es
menor (20 o <). (Gómez-Gómez et al., 2003)
- Caraterístcas
- Ventajas
- 1.Determinación sencilla. 2. Fáciles de aplicar. Las operaciones
matemáticas son la jerarquización, conteo, suma y resta. 3. Rápidas de
aplicar. Cuando las muestras son pequeñas. 4. Campos de aplicación. A
grupos mayores de poblaciones. 5. Menos susceptibles a la
contravención de los supuestos. Ya que los supuestos son escasos y
menos complicados. 6. Tipo de medición requerida. Se pueden utilizar
con datos ordinales o nominales. 7. Tamaño de la muestra. Cuando la
muestra es < 10 son sencillas, rápidas y sólo un poco menos eficaces.
Conforme aumenta el tamaño de la muestra se hacen más laboriosas y
tardadas, y menos efectivas. (Gómez-Gómez, Danglot-Banck, &
Vega-Franco, 2003)
- 1.Determinación sencilla. 2. Fáciles de aplicar. Las operaciones
matemáticas son la jerarquización, conteo, suma y resta. 3. Rápidas de
aplicar. Cuando las muestras son pequeñas. 4. Campos de aplicación. A
grupos mayores de poblaciones. 5. Menos susceptibles a la
contravención de los supuestos. Ya que los supuestos son escasos y
menos complicados. 6. Tipo de medición requerida. Se pueden utilizar
con datos ordinales o nominales. 7. Tamaño de la muestra. Cuando la
muestra es < 10 son sencillas, rápidas y sólo un poco menos eficaces.
Conforme aumenta el tamaño de la muestra se hacen más laboriosas y
tardadas, y menos efectivas. (Gómez-Gómez, Danglot-Banck, &
Vega-Franco, 2003)
- Desventajas
- 1.Si se puede utilizar una prueba paramétrica y se usa una no
paramétrica hay una pérdida de información. 2. En muestras
grandes las pruebas no paramétricas son muy laboriosas
- 1.Si se puede utilizar una prueba paramétrica y se usa una no
paramétrica hay una pérdida de información. 2. En muestras
grandes las pruebas no paramétricas son muy laboriosas
- Tipos de pruebas estadísticas
- Prueba de asociación
- Coef. phi,C oef. Cramér,Kappa,Punto biserial,
Rho de Spearman, tau de Kendall
- Coef. phi,C oef. Cramér,Kappa,Punto biserial,
Rho de Spearman, tau de Kendall
- Muestras independientes
- > 2 muestras
- χ2 ; Mantel-Haenszel, Mediana, Kruskal-
Wallis
- VI: Politómica
VD:
Ordinal/Intervalo
- VI: Politómica
VD:
Ordinal/Intervalo
- χ2 ; Mantel-Haenszel, Mediana, Kruskal-
Wallis
- dos muestras
- Fisher, χ2 para 2 muestras
independientes, Mediana,U de Mann
Whitney
- VI: Dicotómica VD: Ordinal/Intervalo
- El test exacto de Fisher se basa en evaluar la probabilidad aso-ciada a
cada una de las tablas 2 x 2 que se pueden for-mar manteniendo los
mismos totales de filas y columnas que los de la tabla observada. Cada
una de estas probabilida-des se obtiene bajo la hipótesis nula de
independencia de las dos variables que se están considerando. (Díaz &
Fernández, 2004)
- VI: Dicotómica VD: Ordinal/Intervalo
- Fisher, χ2 para 2 muestras
independientes, Mediana,U de Mann
Whitney
- Las pruebas para muestras independientes
comparan las variables de dos o más series de
casos; permiten suponer que las muestras
provienen de la misma población. Las más
conocidas son la de Kruskal-Wallis,21-23 la de
la mediana,24 y la de Jonckherrere-Terpstra.
- > 2 muestras
- Muestras relacionadas
- dos muestras
- McNemar, Del signo,
Wilcoxon
- Mac Nemar
- VI: Dicotómica
VD: Nominal
- el interés se centra en comparar si las mediciones efectuadas
en dos momentos diferentes (normalmente antes y después
de algu-na intervención) son iguales o si, por el contrario, se
produ-ce algún cambio significativo. Por ejemplo, puede
interesar-nos estudiar, a distintos tiempos, el porcentaje de
sujetos que se mantienen con fiebre tras la aplicación de un
anti-térmico o comparar la proporción de enfermos con un
determinado síntoma antes y después de un tratamiento.
(Díaz & Fernández, 2004)
- VI: Dicotómica
VD: Nominal
- Del Signo y Wilcoxon
- VI: Dicotómica
VD:
Ordinal/Intervalo
- VI: Dicotómica
VD:
Ordinal/Intervalo
- Mac Nemar
- > 2 muestras
- Q de Cochran, Friedman
- Q de Cochran, Friedman
- Las pruebas para dos muestras dependientes compara en ellas las distribuciones
de dos variables que se asume están relacionadas. Para seleccionar la prueba es
preciso conocer el tipo de datos que se tienen. Si los datos son continuos se usa
la prueba del signo1,25 o la prueba de rangos signados de Wilcoxon,26 pero si
los datos son binarios se usa la prueba de McNemar.27 La prueba del
signo1,2,12- 16 es una prueba simple, versátil y fácil de aplicar; puede ser usada
para saber si una variable tiende a ser mayor que otra. (Gómez-Gómez et al.,
2003)
- McNemar, Del signo,
Wilcoxon
- dos muestras
- Una Muestra
- Binomial χ2; Kolmogorov- Smirnov
de 1 muestra, 2 muestras
- Ji cuadrada
- Esta prueba de hipótesis se usa para comparar la
posible diferencia entre las frecuencias
observadas en la distribución de una variable con
respecto a las esperadas, en razón de una
determinada hipótesis
- Variable VD: Nominal (Berlanga
Silvestre & Rubio Hurtado, 2012)
- Variable VD: Nominal (Berlanga
Silvestre & Rubio Hurtado, 2012)
- Esta prueba de hipótesis se usa para comparar la
posible diferencia entre las frecuencias
observadas en la distribución de una variable con
respecto a las esperadas, en razón de una
determinada hipótesis
- Prueba binomial
- La prueba está basada en la distribución binomial, que
permite estimar que la probabilidad en una muestra de sujetos
que puedan proceder de una población binomial cuyo valor de
p y q (donde q es la probabilidad contraria) son similares a los
de la población de donde se obtuvo la muestra.
- Pasos
- Primero: Planteamiento de hipótesis estadísticas Ho:
p = po Las frecuencias observadas son iguales a las
frecuencias esperadas Ha: p ≠ po Las frecuencias
observadas difieren de las frecuencias esperadas
Segundo. Conocer el número total de casos
observados (N). Tercero. Conocer la frecuencia de las
ocurrencias en cada una de las categorías Cuarto. Se
habla de valores binomiales, con una N de 2-30, k de
0-30 y p desde 0.01 a 0.50. Quinto. Si la probabilidad
asociada con el valor observado de valores aún más
extremos, es igual o menor al de alfa se rechaza la
hipótesis nula.12-16
- Primero: Planteamiento de hipótesis estadísticas Ho:
p = po Las frecuencias observadas son iguales a las
frecuencias esperadas Ha: p ≠ po Las frecuencias
observadas difieren de las frecuencias esperadas
Segundo. Conocer el número total de casos
observados (N). Tercero. Conocer la frecuencia de las
ocurrencias en cada una de las categorías Cuarto. Se
habla de valores binomiales, con una N de 2-30, k de
0-30 y p desde 0.01 a 0.50. Quinto. Si la probabilidad
asociada con el valor observado de valores aún más
extremos, es igual o menor al de alfa se rechaza la
hipótesis nula.12-16
- Pasos
- VD: Nominal(Berlanga Silvestre &
Rubio Hurtado, 2012)
- La prueba está basada en la distribución binomial, que
permite estimar que la probabilidad en una muestra de sujetos
que puedan proceder de una población binomial cuyo valor de
p y q (donde q es la probabilidad contraria) son similares a los
de la población de donde se obtuvo la muestra.
- Prueba de las rachas
- La prueba de las rachas mide hasta qué punto en
una variable dicotómica la observación de uno de
sus atributos puede influir en las siguientes
observaciones; es decir, si el orden de ocurrencia en
la observación de uno de los atributos de una
variable dicotómica ha sido por azar
- VD: Nominal
- VD: Nominal
- La prueba de las rachas mide hasta qué punto en
una variable dicotómica la observación de uno de
sus atributos puede influir en las siguientes
observaciones; es decir, si el orden de ocurrencia en
la observación de uno de los atributos de una
variable dicotómica ha sido por azar
- Prueba de Kolmogorov-Smirnov
Para una muestra
- La prueba se usa para definir si el grado de ajuste de
los datos a una distribución teórica: que puede ser
con tendencia a la normal, a la de Poisson o
exponencial. La prueba Z de Kolmogorov-Smirnov
(K-S), se computa a partir de la diferencia mayor (en
valor absoluto) entre la distribución acumulada de
una muestra (observada) y la distribución teórica. La
bondad de ajuste de la muestra permite suponer de
manera razonable, que las observaciones pudieran
corresponder a la distribución específica.
- VD: Ordinal/Intervalo
- VD: Ordinal/Intervalo
- La prueba se usa para definir si el grado de ajuste de
los datos a una distribución teórica: que puede ser
con tendencia a la normal, a la de Poisson o
exponencial. La prueba Z de Kolmogorov-Smirnov
(K-S), se computa a partir de la diferencia mayor (en
valor absoluto) entre la distribución acumulada de
una muestra (observada) y la distribución teórica. La
bondad de ajuste de la muestra permite suponer de
manera razonable, que las observaciones pudieran
corresponder a la distribución específica.
- Binomial χ2; Kolmogorov- Smirnov
de 1 muestra, 2 muestras
- Prueba de asociación
- Con las pruebas no paramétricas se
puede trabajar con muestras
pequeñas de datos categóricos u
ordinales, independientemente de la
distribución de las muestras que se
desea contrastar(Gómez-Gómez,
Danglot-Banck, & Vega-Franco, 2003)
- Pruebas paramétricas y su alternativa no paramétrica
- ´Prueba del signo Wilcoxon Friedman Prueba de la mediana, U de Mann-Whitney Prueba de la mediana,
Kruskal-Wallis rho de Spearman, tau de Kendall
- alternativa no paramétrica
- alternativa no paramétrica
- t pareada -ANOVA-t independiente-ANOVA de una vía-r de
Pearson
- ´Prueba del signo Wilcoxon Friedman Prueba de la mediana, U de Mann-Whitney Prueba de la mediana,
Kruskal-Wallis rho de Spearman, tau de Kendall
Möchten Sie kostenlos Ihre eigenen Mindmaps mit GoConqr erstellen? Mehr erfahren.