En estadística, las pruebas no paramétricas son métodos de análisis estadístico que no requieren una distribución para cumplir con los supuestos requeridos para ser analizados (especialmente si los datos no se distribuyen normalmente). Por esta razón, a veces se las denomina pruebas sin distribución. Las pruebas no paramétricas sirven como una alternativa a las pruebas paramétricas como la prueba T o ANOVA que solo se pueden emplear si los datos subyacentes satisfacen ciertos criterios y suposiciones.
Tenga en cuenta que las pruebas no paramétricas se utilizan como un método alternativo a las pruebas paramétricas, no como sustitutos. En otras palabras, si los datos cumplen con los supuestos requeridos para realizar las pruebas paramétricas, se debe aplicar la prueba paramétrica correspondiente.
Además, en algunos casos, incluso si los datos no cumplen con los supuestos necesarios pero el tamaño de la muestra de los datos es lo suficientemente grande, podemos aplicar las pruebas paramétricas en lugar de las pruebas no paramétricas.
Razones para utilizar pruebas no paramétricas
Para lograr los resultados correctos del análisis estadístico Análisis cuantitativo El análisis cuantitativo es el proceso de recopilar y evaluar datos medibles y verificables como ingresos, participación de mercado y salarios para comprender el comportamiento y el desempeño de una empresa. En la era de la tecnología de datos, el análisis cuantitativo se considera el enfoque preferido para tomar decisiones informadas. , debemos conocer las situaciones en las que es adecuada la aplicación de pruebas no paramétricas. Las principales razones para aplicar la prueba no paramétrica incluyen las siguientes:
1. Los datos subyacentes no cumplen con los supuestos sobre la muestra de población
Generalmente, la aplicación de pruebas paramétricas requiere que se cumplan varios supuestos. Por ejemplo, los datos siguen una distribución normal y la varianza de la población es homogénea. Sin embargo, algunas muestras de datos pueden mostrar distribuciones sesgadas. Distribución Positivamente sesgada En las estadísticas, una distribución positivamente sesgada (o sesgada a la derecha) es un tipo de distribución en la que la mayoría de los valores se agrupan alrededor de la cola izquierda de.
La asimetría hace que las pruebas paramétricas sean menos poderosas porque la media ya no es la mejor medida de tendencia central. Tendencia central La tendencia central es un resumen descriptivo de un conjunto de datos a través de un valor único que refleja el centro de la distribución de datos. Junto con la variabilidad porque se ve fuertemente afectada por los valores extremos. Al mismo tiempo, las pruebas no paramétricas funcionan bien con distribuciones sesgadas y distribuciones que están mejor representadas por la mediana.
2. El tamaño de la muestra de la población es demasiado pequeño
El tamaño de la muestra es un supuesto importante a la hora de seleccionar el método estadístico adecuado. Conceptos básicos de estadística para las finanzas Una comprensión sólida de las estadísticas es fundamental para ayudarnos a comprender mejor las finanzas. Además, los conceptos de estadísticas pueden ayudar a los inversores a realizar un seguimiento. Si un tamaño de muestra es razonablemente grande, se puede utilizar la prueba paramétrica correspondiente. Sin embargo, si el tamaño de una muestra es demasiado pequeño, es posible que no pueda validar la distribución de los datos. Por tanto, la aplicación de pruebas no paramétricas es la única opción adecuada.
3. Los datos analizados son ordinales o nominales
A diferencia de las pruebas paramétricas que solo pueden funcionar con datos continuos, las pruebas no paramétricas se pueden aplicar a otros tipos de datos, como datos ordinales o nominales. Para tales tipos de variables, las pruebas no paramétricas son la única solución adecuada.
Tipos de pruebas
Las pruebas no paramétricas incluyen numerosos métodos y modelos. A continuación se muestran las pruebas más comunes y sus correspondientes contrapartes paramétricas:
1. Prueba U de Mann-Whitney
La prueba U de Mann-Whitney es una versión no paramétrica de la prueba t de muestras independientes. La prueba trata principalmente con dos muestras independientes que contienen datos ordinales.
2. Prueba de rango con signo de Wilcoxon
La prueba de rango con signo de Wilcoxon es una contraparte no paramétrica de la prueba t de muestras pareadas. La prueba compara dos muestras dependientes con datos ordinales.
3. La prueba de Kruskal-Wallis
La prueba de Kruskal-Wallis es una alternativa no paramétrica al ANOVA de una vía. La prueba de Kruskal-Wallis se utiliza para comparar más de dos grupos independientes con datos ordinales.
Recursos adicionales
Finance es el proveedor oficial de la certificación FMVA® de Analista de valoración y modelado financiero global (FMVA) ™ Únase a más de 350,600 estudiantes que trabajan para empresas como Amazon, JP Morgan y el programa de certificación de Ferrari, diseñado para ayudar a cualquiera a convertirse en un analista financiero de clase mundial . Para seguir aprendiendo y avanzando en su carrera, los recursos financieros adicionales a continuación serán útiles:
- Combinación Combinación Una combinación es una técnica matemática que determina el número de arreglos posibles en una colección de elementos donde el orden de la selección lo hace.
- Distribución de frecuencia acumulada Distribución de frecuencia acumulada La distribución de frecuencia acumulada es una forma de distribución de frecuencia que representa la suma de una clase y todas las clases por debajo de ella. Recuerda esa frecuencia
- Distribución sesgada negativamente Distribución sesgada negativamente En las estadísticas, una distribución sesgada negativamente (también conocida como sesgada a la izquierda) es un tipo de distribución en la que se concentran más valores a la derecha
- Sesgo en la selección de la muestra Sesgo en la selección de la muestra El sesgo en la selección de la muestra es el sesgo que resulta de no garantizar la correcta aleatorización de una muestra de población. Los defectos de la selección de la muestra
