Este documento presenta un cuadro comparativo entre la estadística paramétrica y la estadística no paramétrica. La estadística paramétrica asume una distribución conocida de los datos basada en unos parámetros, mientras que la estadística no paramétrica no hace suposiciones sobre la distribución. Algunas pruebas comunes paramétricas son la prueba t de 2 muestras y el ANOVA, mientras que ejemplos de pruebas no paramétricas son la prueba de Wilcoxon y

1. REPÚBLICA BOLIVARIANA DE VENEZUELA
A.C. ESTUDIOS SUPERIORES GERENCIALES
CORPORATIVOS VALLES DEL TUY - CREATEC - CHARALLAVE
UNIVERSIDAD BICENTENARIA DE ARAGUA
CENTRO REGIONAL DE APOYO TECNOLÓGICO VALLES DEL TUY
ASIGNATURA: PSICOESTADÍSTICA
Cuadro
Comparativo
Profesor:
Cruz Guerra
Integrante:
Villamizar, Jorge Luis C.I.: 16.935.757
CHARALLAVE, julio de 2019

2. CRITERIOS
ESTADÍSTICA
PARAMÉTRICA
ESTADÍSTICA NO
PARAMÉTRICA
DEFINICIÓN
Es una rama de la
estadística inferencial que
comprende los
procedimientos estadísticos
y de decisión que están
basados en distribuciones
conocidas. Estas son
determinadas usando un
número finito de
parámetros. Cuando
desconocemos totalmente
qué distribución siguen
nuestros datos entonces
deberemos aplicar primero
un test no paramétrico, que
nos ayude a conocer
primero la distribución.
Es una rama de la estadística
inferencial que estudia las
pruebas y modelos
estadísticos cuya distribución
subyacente no se ajusta a los
llamados criterios
paramétricos. Su distribución
no puede ser definida a priori,
pues son los datos
observados los que la
determinan. La utilización de
estos métodos se hace
recomendable cuando no se
puede asumir que los datos
se ajusten a una distribución
conocida, cuando el nivel de
medida empleado no sea,
como mínimo, de intervalo.
CARACTERÍSTICAS
1. La mayoría de
procedimientos
paramétricos
requiere conocer la
forma de distribución
para las mediciones
resultantes de la
población estudiada.
2. Para la inferencia
paramétrica es
requerida como
mínimo una escala
de intervalo, esto
quiere decir que
nuestros datos
deben tener un
orden y una
numeración del
intervalo
1) son más fáciles de aplicar;
2) son aplicables a los datos
jerarquizados;
3) se pueden usar cuando
dos series de observaciones
provienen de distintas
poblaciones;
4) son la única alternativa
cuando el tamaño de muestra
es pequeño
5) son útiles a un nivel de
significancia previamente
especificado.
PRUEBAS
1. Se conoce el modelo de
distribución de la población
objeto de estudio y se
desconoce un número finito
de parámetros de dicha
distribución que hay que
estimar con los datos de la
 Prueba χ² de Pearson
 Prueba binomial
 Prueba de Anderson-
Darling
 Prueba de Cochran
 Prueba de Cohen
kappa

3. muestra.
2. Requieren conocer la
distribución de la muestra
para poder realizar
inferencias sobre la
población.
 Prueba t de 2
muestras
 ANOVA de un solo
factor
 ANOVA de un dos
factores
 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
 Más poder de
eficiencia.
 Más sensibles a los
rasgos de los datos
recolectados.
 Menos posibilidad de
errores.
 Robustas (dan
estimaciones
probabilísticas
bastante exactas).
 Más poder de
eficiencia.
 Más sensibles a los
rasgos de los datos
recolectados.
 Menos posibilidad de
errores.
 · Robustas (dan
estimaciones
probabilísticas
bastante exactas).
DESVENTAJAS
 Más complicadas de
calcular.
 · Limitaciones en
los tipos de datos
que se pueden
evaluar
 No son sistemáticas.
 Se les relaciona con la
conveniencia, esto se
debe a que no se tiene
una distribución fija
para este tipo de
estadística por lo que
en ocasiones puede
ser un problema el
elegir la adecuada.

4.  · Las tablas
necesarias para aplicar
las pruebas no
paramétricas están
muy difundidas y
aparecen en diferentes
formatos, lo que podría
ocasionar alguna
confusión en el
investigador o la
persona que esté
aplicando alguna
prueba no Paramétrica.
 «Estadística no paramétrica». www.google.com.mx. Consultado el 8 de julio de 2019
 Hurtado, M. J. R., & Silvente, V. B. (2012). Cómo aplicar las pruebas paramétricas
bivariadas t de Student y ANOVA en SPSS. Caso práctico. REIRE. Consultado el 8 de julio de
2019