Saber cómo elegir prueba estadística paramétrica o no paramétrica es la decisión que más observaciones genera en la revisión del capítulo metodológico. Tu sinodal no te pregunta qué programa usaste. Te pregunta por qué aplicaste una t de Student y no una U de Mann-Whitney. La respuesta no depende de tu preferencia ni de lo que hizo la tesis que tomaste como modelo. Depende de si tus datos cumplen ciertos supuestos que puedes verificar y documentar.
La lógica coincide con la que expone Hernández Sampieri en Metodología de la investigación. Primero defines el nivel de medición de tus variables. Después compruebas cómo se distribuyen los datos. Solo entonces seleccionas el contraste de hipótesis. Si te saltas el paso intermedio, un análisis bien ejecutado se vuelve impugnable en el examen profesional.
Abajo tienes el árbol de decisión completo, la tabla de equivalencias entre pruebas y un párrafo modelo que puedes adaptar a tu tesis de licenciatura, maestría o doctorado.
Qué distingue a una prueba paramétrica de una no paramétrica
Una prueba paramétrica hace suposiciones sobre la forma de la distribución de la población de la que proviene tu muestra. Como resume un texto metodológico publicado en SciELO México, las pruebas paramétricas exigen estrictamente que los datos sigan una distribución normal y que las varianzas sean homogéneas. Las no paramétricas, en cambio, no imponen supuestos estrictos sobre la distribución poblacional. Por eso también se les llama de distribución libre.
Supuestos de las pruebas paramétricas
- Nivel de medición: la variable dependiente es cuantitativa, en escala de intervalo o de razón (puntajes, kilogramos, minutos, pesos).
- Normalidad: los datos se ajustan a la campana de Gauss en la población.
- Homocedasticidad: los grupos que comparas tienen varianzas similares. Suele verificarse con la prueba de Levene.
- Independencia de las observaciones: la respuesta de un participante no condiciona la de otro, salvo en diseños de medidas relacionadas.
Cuándo conviene la vía no paramétrica
Las pruebas no paramétricas son idóneas para variables ordinales, para datos marcadamente sesgados y para muestras reducidas. No son una opción de segunda: son la herramienta correcta cuando los supuestos anteriores no se sostienen. El nivel de medición lo decides antes de recoger datos, al construir tu matriz. Si tienes dudas sobre cómo pasar de un concepto a un indicador medible, revisa esta guía de operacionalización de variables con indicadores e ítems.
Justifica cada prueba con fuentes bien citadas. Cuando expliques por qué elegiste Shapiro-Wilk o Kruskal-Wallis, vas a citar manuales y artículos metodológicos. Tesify Bibliografía Automática genera tus citas textuales y parafraseadas en APA 7. También ordena la lista de referencias por tipo de fuente, para que no pierdas horas en formato manual. El registro es gratis.
Cómo comprobar la normalidad: Shapiro-Wilk o Kolmogorov-Smirnov
No basta con mirar un histograma y concluir que tus datos «se ven normales». Necesitas un contraste formal. La regla de corte más difundida usa el tamaño de muestra. Así lo recuerda un material de apoyo de la UNAM: con menos de 50 participantes se aplica Shapiro-Wilk, y con 50 registros o más, Kolmogorov-Smirnov, habitualmente con la corrección de Lilliefors.
| Tamaño de muestra | Prueba de normalidad |
|---|---|
| n < 50 | Shapiro-Wilk |
| n ≥ 50 | Kolmogorov-Smirnov (corrección de Lilliefors) |
La regla de decisión del valor p
En estas pruebas, la hipótesis nula (H0) afirma que los datos proceden de una distribución normal. Por eso la interpretación es la inversa de lo que muchos tesistas esperan:
- p ≥ 0.05: no rechazas H0. Asumes normalidad y puedes continuar por la vía paramétrica, si también se cumple la homocedasticidad.
- p < 0.05: rechazas H0. Los datos no son normales y, según el mismo criterio de la UNAM, debes descartar las paramétricas y optar por una no paramétrica.
Un detalle que suele pasarse por alto: la normalidad se evalúa en cada grupo por separado cuando comparas grupos independientes. En diseños pretest-postest se evalúa sobre las diferencias entre ambas mediciones. Si un solo grupo incumple el supuesto, la comparación completa debe pasar a la vía no paramétrica.
Cómo elegir prueba estadística paramétrica o no paramétrica en cuatro pasos
Este árbol de decisión te sirve para cualquier disciplina, desde Educación hasta Ingeniería. Recórrelo en orden y anota la respuesta de cada paso. Esas respuestas forman la justificación que vas a redactar.
- Define qué quiere probar tu hipótesis. ¿Comparas grupos o momentos? ¿O relacionas variables? Esta guía se centra en comparaciones de grupos, que son las más comunes en tesis experimentales y cuasiexperimentales.
- Identifica el nivel de medición de la variable dependiente. Si es ordinal, por ejemplo un ítem tipo Likert aislado o un nivel de satisfacción en categorías, vas directo a la vía no paramétrica. Si trabajas con instrumentos estandarizados, consulta estas escalas validadas en México y cómo reportarlas para saber qué tipo de puntaje producen.
- Cuenta tus grupos y define si son independientes o relacionados. ¿Son dos grupos o más? ¿Son personas distintas o las mismas personas medidas varias veces?
- Verifica normalidad y homocedasticidad. Aplica Shapiro-Wilk o Kolmogorov-Smirnov según tu n y, en su caso, la prueba de Levene. Con esos resultados eliges la columna de la tabla siguiente.
Tabla de equivalencias entre pruebas
Cada prueba paramétrica tiene una alternativa no paramétrica directa. El mapeo siguiente reproduce la clasificación publicada en RACO. Los ejemplos de la última columna están pensados para tesis mexicanas.
| Situación | Paramétrica | No paramétrica | Ejemplo de tesis |
|---|---|---|---|
| Dos grupos independientes | t de Student para muestras independientes | U de Mann-Whitney | Estrés académico en el turno matutino frente al vespertino de un CBTIS |
| Dos mediciones relacionadas | t de Student para muestras relacionadas | Rangos con signo de Wilcoxon | Comprensión lectora antes y después de un taller en una secundaria pública |
| Tres o más grupos independientes | ANOVA de un factor | Kruskal-Wallis | Resistencia a la compresión de tres dosificaciones de concreto |
| Tres o más mediciones repetidas | ANOVA de medidas repetidas | Friedman | Presión arterial de los mismos pacientes al inicio, al mes y a los tres meses |
Observa el tercer renglón. En ANOVA de un factor, el incumplimiento de la normalidad o de la homocedasticidad basta para justificar Kruskal-Wallis. Si tu tesis es experimental, este ejemplo de diseño de un experimento con mezclas de concreto muestra cómo se plantean los tratamientos antes de elegir el análisis. Esta guía sobre cómo presentar los resultados de un diseño experimental te ayuda a reportarlos en tablas.
El tamaño de muestra también decide
El n que obtienes con la fórmula para calcular muestra en población finita no solo define cuántos cuestionarios aplicas. También determina qué prueba de normalidad corresponde. Además, influye en la probabilidad de que termines en la vía no paramétrica, porque las muestras reducidas son uno de los escenarios donde las pruebas de distribución libre resultan más idóneas.
Esa fórmula combina el tamaño de la población (N), el nivel de confianza, la proporción esperada y el margen de error que aceptas. Si necesitas el procedimiento completo con criterios de inclusión y exclusión, revisa esta guía de población y muestra con cálculo del tamaño. Una advertencia ética: nunca recortes ni infles tu muestra para cruzar el umbral de 50 y así «elegir» la prueba de normalidad que te convenga. El n lo fija el diseño, no el resultado deseado.
Si tu tesis es mixta: estadística y triangulación
En un enfoque mixto, todo lo anterior aplica solo a la vertiente cuantitativa. La vertiente cualitativa no se valida con valores p. Su rigor se sostiene con criterios como la credibilidad y la transferibilidad, y la triangulación de datos en investigación cualitativa es una de sus estrategias centrales. Consiste en contrastar la misma categoría desde distintas fuentes, momentos, informantes o técnicas, por ejemplo entrevistas, observación y documentos.
Al integrar ambas vertientes, la estadística te dice si hay diferencias entre grupos. La triangulación te ayuda a explicar por qué ocurren. Declara ambos procedimientos por separado en tu capítulo metodológico y dedica un apartado final a la integración de resultados. Si tu vertiente cuantitativa usa un cuestionario propio, antes de cualquier prueba de hipótesis necesitas documentar su validez y confiabilidad mediante juicio de expertos, prueba piloto y alfa.
Cómo redactarlo en tu capítulo metodológico
La justificación de la prueba va en el apartado de técnicas de análisis de datos. Debe incluir la prueba de normalidad, el criterio de decisión y la prueba final elegida. Este es un párrafo modelo para una comparación de dos grupos independientes:
Para contrastar la hipótesis de investigación se verificó, en primer lugar, el supuesto de normalidad de la variable estrés académico en cada grupo. Dado que ambos grupos contaron con menos de 50 participantes, se empleó la prueba de Shapiro-Wilk, con un nivel de significancia de 0.05. Puesto que en el grupo vespertino se obtuvo p < 0.05, se rechazó la hipótesis de normalidad. Por ello, la comparación entre turnos se realizó mediante la prueba no paramétrica U de Mann-Whitney para muestras independientes, en lugar de la t de Student.
Si te cuesta pasar del árbol de decisión a una redacción formal, el editor paso a paso de Tesify te ayuda a estructurar el capítulo metodológico y a redactar cada sección con coherencia. Después tú revisas y ajustas el contenido a tus datos reales.
Errores frecuentes que detectan los sinodales
- Leer al revés el valor p de normalidad. En Shapiro-Wilk y Kolmogorov-Smirnov, p < 0.05 significa que los datos no son normales.
- Evaluar normalidad con la muestra completa en lugar de hacerlo en cada grupo de comparación.
- Aplicar una t de Student a un ítem Likert aislado, que es una variable ordinal.
- Reportar medias en una prueba no paramétrica. Con Mann-Whitney, Wilcoxon, Kruskal-Wallis o Friedman, reporta medianas y rangos intercuartílicos.
- Omitir la homocedasticidad en comparaciones de tres o más grupos.
- Elegir la prueba antes de ver los supuestos y luego forzar la justificación.
Cierra tu capítulo metodológico con referencias impecables. Cada prueba que justificas necesita su fuente. Tesify Bibliografía Automática estandariza tus referencias en APA 7, como lo pide tu universidad. Así puedes concentrarte en el análisis y no en las sangrías ni en el orden alfabético.
Preguntas frecuentes
¿Puedo usar una prueba paramétrica si mi muestra es grande pero los datos no son normales?
El criterio más prudente, y el que esperan la mayoría de los comités, es que si la prueba de normalidad arroja p < 0.05 descartes la vía paramétrica y uses su alternativa no paramétrica. Si decides apoyarte en otro argumento, debes declararlo y citarlo explícitamente. Lo que no puedes hacer es aplicar un criterio en la metodología y otro distinto en los resultados.
¿Qué prueba de normalidad uso si tengo exactamente 50 participantes?
Con 50 observaciones o más corresponde la prueba de Kolmogorov-Smirnov, habitualmente con la corrección de Lilliefors. Shapiro-Wilk se reserva para muestras menores a 50. Recuerda que el conteo se hace por grupo cuando evalúas cada grupo por separado.
¿Las escalas Likert se analizan con pruebas paramétricas?
Un ítem Likert aislado es una variable ordinal, así que se analiza con pruebas no paramétricas. Cuando sumas varios ítems en un puntaje total, muchos autores lo tratan como cuantitativo. Aun así, debes verificar la normalidad de ese puntaje y justificar tu decisión con fuentes metodológicas.
¿Qué hago si los datos son normales pero las varianzas no son homogéneas?
Para tres o más grupos independientes, el incumplimiento de la homocedasticidad basta para justificar la prueba de Kruskal-Wallis en lugar del ANOVA de un factor. Para dos grupos independientes, puedes usar la U de Mann-Whitney. Otra opción es una versión de la t de Student que no asume varianzas iguales, siempre que la declares y la justifiques.
¿Una prueba no paramétrica le resta validez a mi tesis?
No. Una prueba no paramétrica bien elegida es más rigurosa que una paramétrica aplicada sin cumplir sus supuestos. Son pruebas de distribución libre, adecuadas para datos ordinales, sesgados o muestras reducidas. Lo que da validez a tu análisis es la coherencia entre supuestos, prueba y reporte de resultados.