Técnicas de inferencia estadística en pruebas de hipótesis: datos paramétricos y no paramétricos

Los métodos estadísticos paramétricos, como la prueba t de Student o la prueba de bondad de ajuste, asumen que los datos siguen una distribución específica, lo que permite realizar pruebas y estimaciones de hipótesis sólidas.

En bioestadística, la estadística paramétrica se utiliza con frecuencia, por ejemplo, cuando se comparan los niveles medios de azúcar en sangre entre pacientes tratados con diferentes tratamientos.

Por el contrario, las estadísticas no paramétricas no hacen ninguna suposición sobre la distribución de los datos.

Son útiles cuando los datos no cumplen con los requisitos de las pruebas paramétricas o son ordinales o categóricos.

Estos métodos ofrecen numerosas ventajas, incluida la solidez frente a valores atípicos y aplicaciones de datos más amplias.

Sin embargo, tienden a ser menos útiles que las pruebas paramétricas bajo supuestos paramétricos.

Por ejemplo, utilizando estadísticas no paramétricas, la prueba de suma de rangos de Wilcoxon compara los tiempos medios de supervivencia entre dos grupos de animales de laboratorio.

La prueba de Kruskal-Wallis, otra alternativa no paramétrica al ANOVA, clasifica muestras aleatorias de tres o más poblaciones para determinar si sus medianas son similares.