Pruebas no paramétricas

Fundamentos de la inferencia en Python

Paul Savala

Assistant Professor of Mathematics

Pruebas no paramétricas

  • Pueden tener supuestos
  • No requieren normalidad
  • Aplican a muchos tipos de datos
  • A veces menos potentes
  • Útiles para ordenaciones (p. ej., estrellas)

Cuatro histogramas, cada uno con una forma de datos distinta.

Fundamentos de la inferencia en Python

Pruebas paramétricas

 

  • t de Student para muestras independientes
  • ANOVA
  • t pareada
  • R de Pearson

No paramétricas

 

  • U de Wilcoxon–Mann–Whitney
  • Prueba de Kruskal–Wallis
  • Prueba de la mediana de Mood
  • Tau de Kendall
Fundamentos de la inferencia en Python

Prueba de la mediana de Mood

Compara medianas de dos mediciones pareadas

Cinco filas de un DataFrame con distintas universidades y dos columnas con puntuaciones.

Probablemente no normal

s, p_value, m, table = stats.median_test(df['thew_score'], df['arw_score'])
Fundamentos de la inferencia en Python

Prueba de la mediana de Mood

print(p_value < 0.05)

TRUE
  • Conclusión: Diferentes medianas en los rankings
  • Las t asumen normalidad (la de Mood no)
  • Inferencia válida solo si datos y supuestos encajan
  • Usa la herramienta adecuada
Fundamentos de la inferencia en Python

Tau de Kendall

  • Valores entre -1 y 1
  • $\tau = -1$: Desacuerdo total
  • $\tau = 0$: Sin correlación
  • $\tau = 1$: Acuerdo total

Cinco filas de un DataFrame con distintas universidades, mostrando sus rankings.

tau, p_value = stats.kendalltau(
    df['thew_rank'], 
    df['arw_rank'])


print(tau, p_value < 0.05)

0.651, TRUE
Fundamentos de la inferencia en Python

¡Vamos a practicar!

Fundamentos de la inferencia en Python

Preparing Video For Download...