ESTADÍSTICA PARAMÉTRICA Y NO PARAMÉTRICA: DEFINICIONES Y USOS.
Francesco Saltos*
*
Facultad de Ciencias del Mar. Universidad Estatal Península de Santa Elena.
(Vía principal La Libertad – Santa Elena, Ecuador)
e-mail: francescosaltosc@gmail.com
Introducción
Un aspecto muy importante en la investigación
científica es la recopilación y tratamiento de datos, tanto
para enfoques cuantitativos como cualitativos. El
estudio estadístico cobra una especial importancia
cuando se realizan investigaciones en campos de la
ciencia médica, donde una mala interpretación de los
datos puede provocar consecuencias nefastas para la
población. La estadística aporta herramientas que van,
desde el análisis e interpretación de datos (estadística
descriptiva), al proceso de predicción y toma de
decisiones (estadística inferencial) (Morante, 2016).
Una inferencia es la elaboración de conclusiones a partir
de las pruebas que se realizan con los datos obtenidos
de una muestra de la población. Las pruebas estadísticas
se emplean con la finalidad de establecer la probabilidad
de que una conclusión obtenida a partir de una muestra
sea aplicable a la población de la cual se obtuvo (Flores-
Ruiz, Miranda-Novales, & Villasís-Keever, 2017). Sin
embargo, la elección de la prueba estadística apropiada
representa un reto para los investigadores principiantes.
En este documento, se analizarán las formas de
estadística inferencial, tanto la estadística paramétrica y
la no paramétrica, junto con las pruebas estadísticas
respectivas.
Estadística paramétrica
La estadística paramétrica es una rama de la
estadística inferencial que se define en los
procedimientos estadísticos y de decisión que están
basados en distribuciones conocidas. Estas son
determinadas usando un número finito de parámetros.
La mayoría de pruebas paramétricas requiere conocer la
forma de distribución para las mediciones resultantes de
la población estudiada. Para las pruebas paramétricas es
requerida, como mínimo, una escala de intervalo. Por
ejemplo, los datos pueden estar categorizados en:
menores de 20 años, de 20 a 40 años, de 40 a 60, de 60
a 80, etc., Sin embargo, datos categorizados en: niños,
jóvenes, adultos y ancianos no pueden ser interpretados
mediante la estadística paramétrica porque no se puede
hallar un parámetro numérico. Una prueba paramétrica
debe cumplir con los siguientes elementos (Flores-Ruiz,
Miranda-Novales, & Villasís-Keever, 2017):
 Normalidad: El análisis y observaciones que
se obtienen de las muestras deben considerarse
normales. Para esto se deben realizar pruebas de
bondad de ajuste donde se describe que tan
adaptadas se encuentran las observaciones y
cómo discrepan de los valores esperados.
 Homocedasticidad: Los grupos deben
presentar variables uniformes, es decir, que
sean homogéneas.
 Errores: Los errores que se presenten deben de
ser independientes. Esto solo sucede cuando los
sujetos son asignados de forma aleatoria y se
distribuyen de forma normal dentro del grupo
(Morante, 2016).
Pruebas paramétricas
Las pruebas disponibles para la comparación de
grupos son numerosas. Si el investigador desea
comparar dos grupos con variables cuantitativas
continuas y con distribución normal, (dicho de otra
forma, comparación de promedios entre 2 grupos), se
puede elegir una prueba t (hay diferentes, la más
conocida es la denominada t de Student) (Morante,
2016).
Por ejemplo, al evaluar el efecto de inmunoglobulina
G sintética en un grupo de pacientes con
hipogammaglobulinemia se mide la IgG posterior a la
administración de la inmunoglobulina. Para hacer la
comparación, se toman los promedios del nivel sérico
de IgG, primero administrando el compuesto en un
grupo comparando contra la inmunoglobulina humana
(grupo experimental versus grupo control). En el
escenario 1, análisis de muestras relacionadas, se utiliza
la prueba t para comparar la muestra basal de IgG (antes
de la administración de la inmunoglobulina sintética).
Para el escenario 2, grupos independientes, se comparan
los promedios de la IgG sérica en el grupo que recibe la
inmunoglobulina sintética y el grupo que recibe
inmunoglobulina humana (Flores-Ruiz, Miranda-
Novales, & Villasís-Keever, 2017). Si lo que se desea
es comparar más de 3 grupos (comparación de 3 o más
promedios) se debe seleccionar una prueba denominada
análisis de varianza o ANOVA. De esta última prueba
se pueden distinguir al menos 2 variantes: ANOVA de
una vía, cuando se comparan los promedios de 3 o más
grupos independientes, y ANOVA de 2 vías, que se
emplea cuando se pretende comparar los promedios de
muestras relacionadas medidas 3 o más veces (Flores-
Ruiz, Miranda-Novales, & Villasís-Keever, 2017). A
continuación, algunas de las pruebas más conocidas:
 Prueba del valor Z de la distribución normal
 Prueba T de Student para datos relacionados
(muestras dependientes).
 Prueba T de Student para datos no relacionados
(muestras independientes).
 Prueba T de Student-Welch para dos muestras
independientes con varianzas no homogéneas.
 Prueba de Chi Cuadrada de Bartlett para
demostrar la homogeneidad de varianzas.
 Prueba F (análisis de varianza o ANOVA).
Estadística no paramétrica
La estadística no paramétrica también es parte de la
estadística inferencial, pero, a diferencia de la
paramétrica, ésta estudia las pruebas y modelos
estadísticos cuya distribución no se ajusta a aquellos
criterios paramétricos. Cuando la distribución de datos
cuantitativos no sigue una distribución normal también
hay diferentes pruebas estadísticas con las que se
comparan las medianas. También existen pruebas
específicas para la comparación de grupos cuando la
escala de medición de las variables es cualitativa
(Porras, 2017).
Pruebas no paramétricas
Las pruebas no paramétricas engloban una serie de
pruebas estadísticas que tienen como denominador
común la ausencia de asunciones acerca de la ley de
probabilidad que sigue la población de la que ha sido
extraída la muestra. Por esta razón es común referirse a
ellas como pruebas de distribución libre. Las pruebas no
paramétricas reúnen las siguientes características: (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 (SEFO, 2014).
La prueba de Wilcoxon se utiliza para comparar un
grupo antes y después, es decir, muestras relacionadas.
Para la comparación de grupos independientes se debe
emplear U de Mann-Withney. En el caso de 3 o más
grupos independientes se debe utilizar la prueba de
Kruskal-Wallis (la cual es equivalente a ANOVA de
una vía). La prueba Friedman es la que se recomienda
cuando se comparan 3 o más muestras relacionadas
(equivalente a ANOVA de 2 vías). Son algunas las
pruebas estadísticas no paramétricas: prueba χ² de
Pearson, prueba binomial, prueba de Anderson-Darling,
prueba de Cochran, prueba de Cohen kappa, 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 (García, 2014). En
Anexos se incluye la descripción de cada uno de ellos.
Bases para la elección de una prueba estadística
Para elegir la prueba estadística adecuada, es
necesario considerar algunos aspectos en la
investigación. El primer aspecto para la selección de
una prueba estadística es el diseño de investigación.
Cuando solamente existe un grupo y el objetivo de la
investigación únicamente es especificar una o más
características de dicha población, el tipo de estudio se
denomina descriptivo, por lo que, como su nombre lo
indica, solo es necesario emplear estadística descriptiva.
Cuando se trata de dos o más grupos, se usa la
estadística inferencial (Porras, 2017). Además, es
necesario definir la naturaleza de cada uno de los datos
o las mediciones que se realizan durante el desarrollo de
una investigación; en general se pueden dividir en
cualitativos o cuantitativos. A su vez, las variables
cualitativas se clasifican en nominales y ordinales; las
nominales agrupan las características similares entre sí
en las que no hay diferencia entre una y otra tales como
el sexo (masculino/femenino) o el estado civil
(Morante, 2016). Las variables cualitativas ordinales ya
tienen cierta dimensión, como el estadio o gravedad de
una enfermedad (leve/moderada/grave). Por su parte,
las variables cuantitativas pueden ser de 2 tipos:
cuantitativas continuas y cuantitativas discontinuas
(finitas o de intervalo). Las cuantitativas continuas son
4: peso, longitud, volumen y tiempo. Las discontinuas
con variables numéricas que de alguna manera no se
pueden dividir (número de hijos, número de embarazos,
etcétera) (Porras, 2017).
En base a lo mencionado anteriormente y siguiendo
la secuencia de la Figura 1, ya definidas con claridad los
aspectos señalados, se deberá establecer si la prueba a
utilizar sea paramétrica o no paramétrica. Tomando en
cuenta la escala de medición de las variables, al
conjunto de pruebas estadísticas paramétricas les
corresponde las cuantitativas continuas; mientras que
para las variables cualitativas y las cuantitativas
discontinuas se incluyen las pruebas estadísticas no
paramétricas. Además, un requisito indispensable para
seleccionar una prueba paramétrica es la distribución de
los datos; en este sentido, solamente se debe utilizar este
tipo de prueba cuando los datos muestran una
distribución normal, de lo contrario, deben usarse
pruebas no paramétricas.
 Gráfico 1: Proceso de selección de una prueba estadística (Flores-Ruiz, Miranda-Novales, & Villasís-Keever, 2017).

En el Gráfico 2, se resume la manera de selección de resuman las variables estudiadas en medidas de

las pruebas estadísticas, tomando en cuenta el objetivo,
número de grupos y la escala de medición de las
variables. Como parte del análisis global de los datos
nunca debe omitirse la inclusión del análisis descriptivo
de los datos. Es necesario que los investigadores
tendencia central y de dispersión, tomando en cuenta la
escala de medición de las variables y su distribución. De
esta forma, las variables cualitativas habitualmente se
presentan como frecuencia simples y proporciones (o
porcentajes) (Morante, 2016).

Gráfico 2: Prueba estadística de acuerdo con los objetivos del estudio y la escala de medición de las variables (Flores-Ruiz, Miranda-
Novales, & Villasís-Keever, 2017).
 Conclusión
Dado que la estadística es el nexo común que
presentan la mayoría de las investigaciones, resulta
importante conocer de forma certera el tipo de
estadística que debe aplicarse. Las pruebas estadísticas
se dividen en 2 conjuntos: las paramétricas y las no
paramétricas. Las pruebas paramétricas solamente se
pueden utilizar si los datos muestran una distribución
normal. La elección de la prueba estadística adecuada
facilitará la comprensión y aplicación de los resultados
de cualquier estudio de investigación. Según un estudio
publicado en la revista The Journal of the American
Medical Association “JAMA”, en el cual se han
revisado millones de estudios biométricos fechados
entre 1990 y 2015, se ha concluido que la mala
estadística se utiliza cada vez más en las
investigaciones. Esto es común ya que la estadística
muchas veces es ignorada en el campo de la
investigación y como curso en las universidades.
Referencias bibliográficas
Flores-Ruiz, E., Miranda-Novales, M., & Villasís-
Keever, M. (2017). El protocolo de
investigación VI: cómo elegir la prueba
estadística adecuada. Estadística inferencial.
Revista Alergia México, 364-370.
García, M. (05 de Junio de 2014). Estadística no
paramétrica. Obtenido de
http://cursos.aiu.edu/METODOS%20CUANTI
TATIVOS%20DE%20INVESTIGACION/7/S
esi%C3%B3n%207.pdf
Morante, F. (27 de Marzo de 2016). La estadística en
las investigaciones científicas. Obtenido de
Masscience: masscience.com/2016/03/27/la-
estadistica-en-las-investigaciones-cientificas/
Porras, A. (2017). Estadística inferencial. México:
CONACYT.
SEFO. (2014). LAS PRUEBAS ESTADÍSTICAS.
Recuperado el 12 de Diciembre de 2019, de
Scientific European Federation of Osteopaths:
https://www.scientific-european-federation-
osteopaths.org/las-pruebas-estadisticas/
 Anexos
Resumen de las principales características de las pruebas no paramétricas.