Definicion de Estadísticas no paramétricas: descripción general, tipos y ejemplos
Estadísticas no paramétricas: descripción general, tipos y ejemplos
¿Qué es la estadística no paramétrica?
Las estadísticas no paramétricas se refieren a un método estadístico en el que no se supone que los datos provengan de modelos prescritos definidos por una pequeña cantidad de parámetros; ejemplos de tales modelos incluyen el modelo de distribución normal y el modelo de regresión lineal. Las estadísticas no paramétricas a veces utilizan datos ordinales, lo que significa que no se basan en números sino en algún tipo de clasificación u orden. Por ejemplo, una encuesta que refleje las preferencias de los consumidores que van desde “me gusta” hasta “no me gusta” se consideraría datos ordinales.
Las estadísticas no paramétricas incluyen estadísticas descriptivas no paramétricas, modelos estadísticos, inferencias y pruebas estadísticas. No se especifica la estructura del modelo de modelos no paramétricos. primero sino que se determina en función de los datos. Término no paramétrico Esto no significa que dichos modelos estén completamente libres de parámetros, sino más bien que el número y la naturaleza de los parámetros son flexibles y no están fijados de antemano. Un histograma es un ejemplo de estimación no paramétrica de una distribución de probabilidad.
Resultados clave
- Las estadísticas no paramétricas son fáciles de usar, pero no brindan tanta precisión como otros modelos estadísticos.
- Este tipo de análisis suele ser más adecuado cuando se considera el orden de algo, donde incluso si los datos numéricos cambian, los resultados probablemente seguirán siendo los mismos.
Comprender las estadísticas no paramétricas
En estadística, la estadística paramétrica incluye parámetros como la media, la desviación estándar, la correlación de Pearson, la varianza, etc. Esta forma de estadística utiliza datos observados para estimar los parámetros de una distribución. En las estadísticas paramétricas, a menudo se supone que los datos provienen de una distribución normal con parámetros desconocidos μ (media poblacional) y σ2 (varianza poblacional), que luego se estiman utilizando la media muestral y la varianza muestral.
Las estadísticas no paramétricas no hacen suposiciones sobre el tamaño de la muestra o si los datos observados son cuantitativos.
Las estadísticas no paramétricas no suponen que los datos se extraigan de una distribución normal. En cambio, la forma de la distribución se estima utilizando esta forma de medición estadística. Aunque hay muchas situaciones en las que se puede suponer una distribución normal, también hay algunos escenarios en los que el verdadero proceso de generación de datos está lejos de una distribución normal.
Ejemplos de estadísticas no paramétricas
En el primer ejemplo, considere un analista financiero que quiere estimar el valor en riesgo (VaR) de una inversión. Un analista recopila datos de rendimiento de cientos de inversiones similares durante un período de tiempo similar. En lugar de suponer que los ingresos siguen una distribución normal, utilizan un histograma para estimar la distribución de forma no paramétrica. El percentil 5 de este histograma proporciona al analista una estimación del VaR no paramétrico.
Como segundo ejemplo, consideremos a otro investigador que quiere saber si el número promedio de horas de sueño está asociado con la incidencia de enfermedades. Debido a que muchas personas se enferman rara vez, si es que lo hacen, y algunas se enferman con mucha más frecuencia que la mayoría, la distribución de frecuencia de las enfermedades es claramente anormal, está sesgada hacia la derecha y es propensa a valores atípicos. Por lo tanto, en lugar de utilizar un método que supone una distribución normal de frecuencia de enfermedades, como se hace, por ejemplo, en el análisis de regresión clásico, el investigador decide utilizar un método no paramétrico como el análisis de regresión cuantil.
Consideraciones Especiales
Las estadísticas no paramétricas han ganado reconocimiento debido a su facilidad de uso. Dado que se elimina la necesidad de parámetros, los datos se vuelven más aplicables a una gama más amplia de pruebas. Este tipo de estadística se puede utilizar sin media, tamaño de muestra, desviación estándar ni estimaciones de cualquier otro parámetro relacionado cuando dicha información no esté disponible.
Debido a que las estadísticas no paramétricas hacen menos suposiciones sobre los datos de la muestra, sus aplicaciones son más amplias que las estadísticas paramétricas. En los casos en que las pruebas paramétricas sean más apropiadas, los métodos no paramétricos serán menos efectivos. Esto se debe a que las estadísticas no paramétricas descartan parte de la información presente en los datos, a diferencia de las estadísticas paramétricas.
Preguntas Frecuentes
Incluye tres preguntas frecuentes sobre el contenido dando sus respuestas. Utiliza muchas negritas utilizando HTML tag
¿Qué es la estadística no paramétrica?
Las estadísticas no paramétricas se refieren a un método estadístico en el que no se supone que los datos provengan de modelos prescritos definidos por una pequeña cantidad de parámetros; ejemplos de tales modelos incluyen el modelo de distribución normal y el modelo de regresión lineal. Las estadísticas no paramétricas a veces utilizan datos ordinales, lo que significa que no se basan en números sino en algún tipo de clasificación u orden. Por ejemplo, una encuesta que refleje las preferencias de los consumidores que van desde “me gusta” hasta “no me gusta” se consideraría datos ordinales.
Las estadísticas no paramétricas incluyen estadísticas descriptivas no paramétricas, modelos estadísticos, inferencias y pruebas estadísticas. No se especifica la estructura del modelo de modelos no paramétricos. primero sino que se determina en función de los datos. Término no paramétrico Esto no significa que dichos modelos estén completamente libres de parámetros, sino más bien que el número y la naturaleza de los parámetros son flexibles y no están fijados de antemano. Un histograma es un ejemplo de estimación no paramétrica de una distribución de probabilidad.
Resultados clave
- Las estadísticas no paramétricas son fáciles de usar, pero no brindan tanta precisión como otros modelos estadísticos.
- Este tipo de análisis suele ser más adecuado cuando se considera el orden de algo, donde incluso si los datos numéricos cambian, los resultados probablemente seguirán siendo los mismos.
Comprender las estadísticas no paramétricas
En estadística, la estadística paramétrica incluye parámetros como la media, la desviación estándar, la correlación de Pearson, la varianza, etc. Esta forma de estadística utiliza datos observados para estimar los parámetros de una distribución. En las estadísticas paramétricas, a menudo se supone que los datos provienen de una distribución normal con parámetros desconocidos μ (media poblacional) y σ2 (varianza poblacional), que luego se estiman utilizando la media muestral y la varianza muestral.
Las estadísticas no paramétricas no hacen suposiciones sobre el tamaño de la muestra o si los datos observados son cuantitativos.
Las estadísticas no paramétricas no suponen que los datos se extraigan de una distribución normal. En cambio, la forma de la distribución se estima utilizando esta forma de medición estadística. Aunque hay muchas situaciones en las que se puede suponer una distribución normal, también hay algunos escenarios en los que el verdadero proceso de generación de datos está lejos de una distribución normal.
Ejemplos de estadísticas no paramétricas
En el primer ejemplo, considere un analista financiero que quiere estimar el valor en riesgo (VaR) de una inversión. Un analista recopila datos de rendimiento de cientos de inversiones similares durante un período de tiempo similar. En lugar de suponer que los ingresos siguen una distribución normal, utilizan un histograma para estimar la distribución de forma no paramétrica. El percentil 5 de este histograma proporciona al analista una estimación del VaR no paramétrico.
Como segundo ejemplo, consideremos a otro investigador que quiere saber si el número promedio de horas de sueño está asociado con la incidencia de enfermedades. Debido a que muchas personas se enferman rara vez, si es que lo hacen, y algunas se enferman con mucha más frecuencia que la mayoría, la distribución de frecuencia de las enfermedades es claramente anormal, está sesgada hacia la derecha y es propensa a valores atípicos. Por lo tanto, en lugar de utilizar un método que supone una distribución normal de frecuencia de enfermedades, como se hace, por ejemplo, en el análisis de regresión clásico, el investigador decide utilizar un método no paramétrico como el análisis de regresión cuantil.
Consideraciones Especiales
Las estadísticas no paramétricas han ganado reconocimiento debido a su facilidad de uso. Dado que se elimina la necesidad de parámetros, los datos se vuelven más aplicables a una gama más amplia de pruebas. Este tipo de estadística se puede utilizar sin media, tamaño de muestra, desviación estándar ni estimaciones de cualquier otro parámetro relacionado cuando dicha información no esté disponible.
Debido a que las estadísticas no paramétricas hacen menos suposiciones sobre los datos de la muestra, sus aplicaciones son más amplias que las estadísticas paramétricas. En los casos en que las pruebas paramétricas sean más apropiadas, los métodos no paramétricos serán menos efectivos. Esto se debe a que las estadísticas no paramétricas descartan parte de la información presente en los datos, a diferencia de las estadísticas paramétricas.
¿Problemas o dudas? Te ayudamos
Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org.