Diferencias entre las pruebas no paramétricas y pruebas paramétricas

Las pruebas no paramétricas son aquellas que se encargan de analizar datos que no tienen una distribución particular y se basan una hipótesis, pero los datos no están organizados de forma normal. Aunque tienen algunas limitaciones, cuentan con resultados estadísticos ordenados que facilita su comprensión.

Las pruebas paramétricas, en cambio, se basan en las leyes de distribución normal para analizar los elementos de una muestra. Generalmente, solo se aplican a variables numéricas y para su análisis debe mantener una población grande, ya que permite que el cálculo sea más exacto.

Diferencias entre las pruebas no paramétricas y las pruebas paramétricas

Pruebas no paramétricas	Pruebas paramétricas
Mayor potencia estadística.	Menor potencia estadística.
Se aplican en variables categóricas.	Se aplican en variables normales o de intervalo.
Se utilizan para muestras pequeñas.	Se utilizan para muestras grandes.
No se conoce la forma de distribución de datos.	Su distribución de datos es normal.
No hacen muchas suposiciones.	Hacen muchas suposiciones.
Exigen una menor condición de validez.	Exigen mayor condición de validez.
Mayor probabilidad de errores.	Menor probabilidad de errores.
El cálculo es menos complicado de hacer.	El cálculo es complicado de hacer.
Las hipótesis se basan en rangos, mediana y frecuencia de datos.	Las hipótesis se basa en datos numéricos.
Los cálculos no son exactos.	Los cálculos son demasiado exactos.
Considera los valores perdidos para obtener información.	No toma en cuenta los valores perdidos para obtener información.

Antes de aplicar las pruebas no paramétricas o las pruebas paramétricas es importante conocer aspectos como el objetivo de la investigación, el tamaño de la población y la escala que se utilizará para medir lo datos.

Conoce los tipos de escalas de medición que todo investigador debería recordar.

Es probable que los datos no cumplan con los requisitos que requiere una prueba paramétrica y se tenga que elegir una no paramétrica, es decir, que el tamaño de la muestra sea pequeño o que la distribución no sea normal.

Otro factor que es necesario considerar es que las pruebas paramétricas pueden utilizar una distribución anormal, pero una no paramétrica tiene supuestos sumamente estrictos que no pueden ignorarse.

Por último, si el tamaño de la muestra es pequeño, lo más seguro es que no se consigan los resultados si se utiliza una prueba no paramétrica. Cuando la población no es realmente grande las probabilidades de identificar un efecto significativo son menores.