Cómo elegir la prueba estadística adecuada: Matriz de decisión y un ejemplo práctico real.

Publicado el 10 de agosto de 2024 | Última actualización: 29 de octubre de 2026

Utiliza la herramienta de arriba para obtener una recomendación en menos de un minuto y, a continuación, lee la sección correspondiente a esa prueba. Si prefieres una versión independiente, el selector de pruebas gratuito realiza la misma función en su propia página.

Elegir la prueba es solo una parte de obtener estadísticas correctas. Una revisión de 2026 de 119 estudios clínicos de prostodoncia encontró que el 88% usó una prueba apropiada, y los 19 estudios que involucraron a un estadístico eligieron correctamente. Lo que falló con más frecuencia fue todo lo relacionado con la prueba: solo el 32% informó un cálculo del tamaño de la muestra, el 47% verificó supuestos y el 83% no informó intervalos de confianza. En total, el 35% de los estudios contenía al menos un error estadístico importante. ³ Revisiones anteriores de revistas médicas llegaron a la misma conclusión sobre planificación, análisis e informes. ⁴ Por lo tanto, esta guía cubre la elección y las verificaciones que la acompañan, y muestra ambas en un conjunto de datos abierto real.

Puntos Clave

• Cuatro preguntas seleccionan el test. Objetivo, tipo de resultado, número y relación de los grupos, y supuestos. Las dos tablas de búsqueda que aparecen a continuación convierten las respuestas en el nombre de la prueba.
• Analiza los datos antes de realizar la prueba. En el ejemplo resuelto, la puntuación de práctica solo toma tres valores y 65 de los 104 encuestados comparten el valor más alto, por lo que un valor W de Shapiro-Wilk de 0.68 no es ninguna sorpresa.
• Las pruebas basadas en rangos se ajustan a puntuaciones como esa. La prueba U de Mann-Whitney dio p = 0.014 para la práctica por sexo, coincidiendo con el valor publicado; la prueba t de Welch dio p = 0.028.
• Los mismos datos pueden arrojar resultados diferentes en dos pruebas distintas. La comparación entre conocimiento y práctica arrojó un coeficiente de correlación de Spearman de 0.18 (p = 0.066), mientras que el coeficiente de correlación de Pearson fue de 0.23 (p = 0.018). Indique el nombre de la prueba en su protocolo antes de ver el resultado.
• Comprueba el denominador. La tabla 1 del documento original indica un 13.25 % para las edades comprendidas entre los 5 y los 18 años, que es el porcentaje de casos positivos de ese grupo respecto al total de 249 personas analizadas; la tasa de infección dentro de este grupo es del 34 % (33/97).
• No ejecute todas las pruebas t por pares. En 10,000 conjuntos de datos nulos simulados, tres pruebas t por pares produjeron al menos un falso positivo el 12.0% de las veces, no el 5%.

Las cuatro preguntas que hay detrás de cada elección de examen

1. ¿Cuál es tu objetivo? Comparar grupos, describir una relación o predecir un resultado a partir de otras variables.
2. ¿Qué tipo de resultado es? Continuo (presión arterial), ordinal (una escala Likert o una puntuación acotada), categórico (sí o no), recuento o tiempo hasta el evento.
3. ¿Cuántos grupos hay y cómo se relacionan entre sí? Dos, tres o más personas, e independientes (personas diferentes) o emparejadas y repetidas (las mismas personas medidas de nuevo).
4. ¿Los datos cumplen con los supuestos? Datos continuos aproximadamente normales, observaciones independientes y recuentos esperados de al menos 5 para la prueba chi-cuadrado. Estos criterios deben evaluarse a partir de gráficos y el tamaño de la muestra, no mediante una única prueba de significancia.⁵

Cuadrículas de búsqueda de pruebas: De sus datos a un nombre de prueba

La Figura 1 aborda la pregunta más común: la comparación de grupos. Encuentre la fila que corresponda a su resultado y la columna que corresponda a su diseño. La barra azul marino indica las pruebas paramétricas que utilizan medias; la barra naranja indica las pruebas basadas en rangos y en recuentos.

La figura 2 abarca las relaciones y la predicción, indicando qué se debe informar y qué se debe observar. La correlación describe una asociación entre dos variables; solo la regresión permite ajustar por otras variables.

Tabla de referencia rápida

Paramétrico o basado en rangos: ¿A qué familia pertenece?

Las pruebas paramétricas (prueba t, ANOVA, coeficiente de correlación de Pearson, regresión lineal) comparan medias y asumen que los datos siguen una distribución aproximadamente normal. Su potencia es mayor cuando se cumplen estos supuestos. Las pruebas basadas en rangos (U de Mann-Whitney, Wilcoxon, Kruskal-Wallis, Spearman) trabajan con rangos, por lo que son adecuadas para datos ordinales, muestras pequeñas y asimétricas, valores atípicos y puntuaciones acotadas.

Dos configuraciones predeterminadas son útiles. Primero, se prefiere la prueba t de Welch a la de Student: no asume varianzas iguales y ofrece muy poca información cuando las varianzas son iguales. ⁶ Segundo, también se proporciona un tamaño del efecto para las pruebas basadas en rangos. La correlación biserial de rangos, r = 2U/(n ₁ n ₂ ) − 1, es la diferencia entre la proporción de pares que favorecen a cada grupo. ⁷

Ejemplo práctico: Una encuesta sobre malaria, cuatro pruebas.

Los datos reales muestran mejor las opciones que las cifras inventadas. Joko y sus colegas publicaron una encuesta sobre conocimientos, actitudes y prácticas (CAP) sobre malaria realizada en la aldea de Emana, en Camerún, en 2026, bajo licencia abierta CC BY 4.0, con los conjuntos de datos adjuntos. Se analizaron ⁸ muestras de sangre de 249 personas y 104 hogares también completaron el cuestionario CAP. Reinterpretamos ambos conjuntos de datos en R y reproducimos la mayoría de los valores p publicados, lo que convierte al artículo en un buen banco de pruebas: un estudio, un conjunto de datos, cuatro familias de prueba diferentes.

Paso 1: Mira antes de hacer la prueba.

La Figura 3 muestra las tres puntuaciones KAP. El conocimiento y la actitud son aproximadamente simétricos, pero la prueba de Shapiro-Wilk sigue rechazando la normalidad con 104 encuestados, ya que detecta incluso pequeñas desviaciones en una muestra de este tamaño. La gráfica es la mejor evidencia. ⁵ La puntuación de práctica es el caso claro: solo toma tres valores (2, 3 y 4), y 65 de los 104 encuestados comparten el valor más alto. Ninguna transformación convierte tres valores en una curva de campana, por lo que una prueba basada en rangos es la opción más adecuada, y los autores la utilizaron.

Paso 2: Relaciona cada pregunta con una prueba.

Cada pregunta que aparece a continuación se corresponde con una celda de las tablas de búsqueda. La última columna muestra el resultado que habría dado la prueba alternativa obvia.

Práctica por sexo. Las mujeres obtuvieron puntuaciones más altas: el 74% de las mujeres alcanzó la puntuación máxima frente al 49% de los hombres (mediana de 4 frente a 3). La prueba U de Mann-Whitney da p = 0.014 y una correlación biserial de rangos de 0.24, lo que significa que en el 62% de las parejas mujer-hombre la mujer obtuvo una puntuación más alta (los empates cuentan como la mitad). El artículo informa p = 0.014, y nosotros repetimos el mismo valor. La prueba t de Welch apunta en la misma dirección con p = 0.028, por lo que la conclusión se mantiene aquí, pero una media de una puntuación de tres valores es un resumen menos sólido que las proporciones del panel A.

Conocimiento a través de la educación. Los cuatro grupos son muy desiguales (3, 39, 52 y 10 personas), y las medianas van de 4 a 6. La prueba de Kruskal-Wallis arroja p = 0.109 y eta cuadrado (H) de 0.03, un efecto pequeño que no se distingue del azar con estos números. El ANOVA unidireccional coincide (p = 0.128). Dado que la prueba global no es significativa, no se requieren comparaciones post hoc.

Positividad por edad. Las muestras fueron positivas para el 12% de las edades de 0 a 5 años (5 de 41), el 34% de las edades de 6 a 18 años (33 de 97) y el 22% de las mayores de 19 años (24 de 109). Cada recuento esperado es superior a 5 (el más pequeño es 8.5), por lo que la prueba de chi-cuadrado es válida y la prueba exacta concuerda. El sexo no se asoció con la positividad: p de chi-cuadrado = 0.129 sin corrección de continuidad, que coincide con el 0.13 del artículo (Yates 0.171, Fisher exacto 0.139).

Cuando dos pruebas no coinciden

Pearson afirma que el conocimiento y la práctica están asociados (r = 0.23, p = 0.018); Spearman sostiene que la evidencia no es concluyente (rho = 0.18, p = 0.066). Ninguna de las dos afirmaciones es errónea. Pearson pregunta sobre una relación lineal entre las puntuaciones brutas, y un pequeño grupo de encuestados con una puntuación de 2 o 3 puede confirmarla. Spearman pregunta si los rangos más altos se corresponden con rangos más altos, lo cual se ajusta a puntuaciones con tres valores y muchos empates. El artículo trató las puntuaciones KAP como ordinales y utilizó pruebas basadas en rangos, y no reportó ninguna asociación significativa. La lección es de procedimiento: escriba la prueba en su protocolo antes de ver los datos, y si realiza dos, reporte ambas. Elegir el valor p más pequeño es una forma de manipulación de p.

Paso 3: Comprobar el denominador

Elegir la prueba correcta no soluciona un error de interpretación de una tabla. La Figura 5 muestra la Tabla 1 del documento original con cuatro aspectos a verificar antes de citar o reutilizar cifras como estas.

1. 1El mismo porcentaje dos veces. En ambas filas, el resultado es 31 (24.9%). El valor 24.9% corresponde a 62 de 249, la tasa general. Las tasas por sexo son 21.4% para las mujeres (31 de 145) y 29.8% para los hombres (31 de 104).
2. 2Una parte para todos, no una tasa. El 13.25 % junto al grupo de 5 a 18 años representa 33 de las 249 personas. Dentro de este grupo, 33 de las 97 diapositivas son positivas: 34.0 % (IC del 95 %: 24.7 % a 44.3 %). El artículo denomina a la tabla «prevalencia», por lo que conviene comprobar qué denominador utiliza cada porcentaje.
3. 3Los valores p se reproducen. La prueba chi-cuadrado sin corregir da p = 0.129 para el sexo (impreso 0.13) y p = 0.016 para la edad (impreso 0.02).
4. 4Filas que no cuadran. Las filas de edad muestran 5 + 33 + 24 + 6 = 68 diapositivas positivas, pero las filas de sexo y el conjunto de datos dan 62. El conjunto de datos tiene dos diapositivas sin edad registrada, y ninguna es positiva.

Qué se reprodujo y qué no.

¿Por qué no realizar todas las pruebas t por pares?

Se suele decir que tres pruebas t por pares con un nivel de significancia alfa de 0.05 elevan la tasa de falsos positivos al 14 %. Esta cifra, 1 − 0.95 ³ , supone que las pruebas son independientes, lo cual no es el caso de las comparaciones por pares, ya que comparten grupos. En cambio, lo simulamos: 10 000 conjuntos de datos nulos por fila, 30 observaciones por grupo, todos extraídos de la misma distribución normal, con pruebas t de Welch por pares sin corregir.

La fórmula sobreestima la inflación, pero la tasa simulada sigue siendo de dos a seis veces mayor que el 5% previsto. Un análisis de varianza unidireccional (ANOVA) aplicado a los mismos datos de tres grupos la mantuvo en 4.9%. Primero, analice todos los grupos con una prueba global y, a continuación, utilice un procedimiento post hoc que controle el error global: Tukey o Games-Howell tras el ANOVA, o Dunn con ajuste de Holm tras la prueba de Kruskal-Wallis.

Verificar supuestos sin confiar excesivamente en el modelo de Shapiro-Wilk.

• Normalidad. Grafica un histograma y un gráfico QQ. La prueba de Shapiro-Wilk es demasiado sensible a muestras grandes y poco potente a muestras pequeñas, así que úsala como una entrada, no como una puerta lógica.⁵ Con aproximadamente 30 o más participantes por grupo, la prueba t tolera desviaciones moderadas.
• Varianzas iguales. Utilice la prueba t de Welch o el ANOVA de Welch en lugar de realizar primero una prueba de igualdad de varianzas.
• Independencia. Los datos agrupados o con medidas repetidas (pacientes dentro de hospitales) requieren pruebas pareadas, modelos de efectos mixtos o GEE.
• Valores atípicos. Examine los diagramas de caja; utilice la distancia de Cook para la regresión y prefiera las pruebas basadas en rangos si unos pocos valores extremos determinan el resultado.
• Cuentas. Verifique los recuentos esperados de celdas antes de realizar la prueba de chi-cuadrado; cambie a una prueba exacta por debajo de 5.

Regresión: Cuando dos variables no son suficientes

La correlación no puede ajustar por factores de confusión. Cuando otras variables importan, pase a un modelo que se ajuste al resultado (Figura 2): regresión lineal para un resultado continuo, logística para uno binario, riesgos proporcionales de Cox para el tiempo hasta el evento y Poisson o binomial negativa para recuentos. Informe el coeficiente, la razón de probabilidades, la razón de riesgo o la razón de tasas de incidencia con su intervalo de confianza del 95%, y verifique los supuestos del modelo: gráficos de residuos para modelos lineales, riesgos proporcionales para Cox y sobredispersión para modelos de recuento. Cuando el resultado es común (por encima de aproximadamente el 10%), las razones de probabilidades sobreestiman las razones de riesgo, por lo que considere un modelo de Poisson modificado con errores estándar robustos. Nuestra guía sobre regresión versus correlación va más allá.

Qué incluye un resultado estadístico completo

1. La prueba y el motivo de la misma. Una frase que vincule la prueba con el tipo y el diseño del resultado.
2. La estadística y los grados de libertad, por ejemplo H(3) = 6.06.
3. El valor p exacto, no “p < 0.05”.
4. Un tamaño del efecto con un intervalo de confianza del 95%, y la dirección y magnitud del efecto en las unidades del estudio. Las revisiones epidemiológicas recomiendan asociar cada valor p con una magnitud del efecto y evitar la terminología de "significativo versus no significativo".⁹
5. Verificación de supuestos y cualquier desviación. Las listas de verificación para la elaboración de informes, como SAMBR, vinculan cada diseño de estudio con los pasos de análisis e informe que necesita.¹⁰

¿Necesitas ejecutar o revisar el análisis? Consulta con Editverse.

Los expertos de Editverse trabajan conforme a las directrices de COPE, ICMJE y GPP 2022, respetando la ética institucional y específica de cada país. Seleccione la etapa en la que se encuentra.

Editverso

Análisis estadístico

¿No está seguro de qué prueba se ajusta mejor a sus datos? Elija la prueba adecuada, ejecútela y documéntela correctamente.

Usted debe enviar: sus datos, sus preguntas de investigación y el software preferido (SPSS, R o STATA).

Obtendrás: código o sintaxis anotada, archivos de salida completos, una guía de interpretación y tablas listas para su publicación.

Cuándo: el plazo de entrega estándar es de 4 a 6 días hábiles.

Análisis estadístico con SPSS/R/STATA · $400

Analizar mis datos →

Editverso

Tamaño de la muestra

¿Estás planificando un estudio? Define la prueba y el tamaño de la muestra antes de recopilar los datos.

Usted debe enviar: su diseño, el tamaño del efecto esperado, la medida de resultado y el nivel alfa.

Obtendrás: un análisis de potencia con varios escenarios y un párrafo de la sección de métodos que puedes pegar en tu protocolo.

Cuándo: antes de la recopilación de datos, para que la prueba planificada tenga suficiente potencia.

Cálculo del tamaño de la muestra · Desde $150

Calcular el tamaño de mi muestra →

Editverso

Escritura de manuscritos

¿Ya tienes los resultados? Conviértelos en un artículo listo para su publicación, incluyendo las estadísticas.

Usted debe enviar: su esquema, datos, figuras, tablas y referencias clave, además de la revista de destino.

Recibirás: un manuscrito completo escrito por un experto en la materia, con revisión estadística, formato para revista, carta de presentación y asistencia para la revisión hasta su aceptación.

Cuándo: el envío estándar tarda 15 días; también está disponible el envío exprés.

Servicios de redacción de manuscritos · $1,500

Escribe mi trabajo →

Preguntas frecuentes

¿Cómo elijo la prueba estadística adecuada?

Responda cuatro preguntas en orden: su objetivo (comparar grupos, relacionar variables o predecir un resultado), el tipo de resultado (continuo, ordinal, categórico, de conteo o tiempo hasta el evento), el número de grupos y si son independientes o pareados, y si se cumplen los supuestos. Luego, lea la prueba en las tablas de consulta de esta página o utilice la herramienta interactiva en la parte superior. Anote la opción elegida en su protocolo antes de revisar los resultados.

¿Debo usar una prueba paramétrica o no paramétrica?

Utilice una prueba paramétrica (prueba t, ANOVA, r de Pearson) cuando la variable de respuesta sea continua y aproximadamente normal, o cuando cada grupo tenga alrededor de 30 o más observaciones. Utilice una prueba basada en rangos (U de Mann-Whitney, Wilcoxon, Kruskal-Wallis, Spearman) para datos ordinales, puntuaciones acotadas con muchos empates, muestras pequeñas asimétricas o valores atípicos influyentes. En una encuesta sobre malaria en Camerún, una puntuación de práctica con solo tres valores (65 de 104 encuestados en el valor máximo) requirió la prueba U de Mann-Whitney, que dio p = 0.014 frente a p = 0.028 para una prueba t de Welch.

¿Debo usar la prueba t de Student o la prueba t de Welch?

Utilice la prueba t de Welch por defecto. No presupone varianzas iguales y pierde muy poca potencia cuando las varianzas son iguales, por lo que hay pocas razones para realizar una prueba previa de igualdad de varianzas y luego cambiar de prueba.

¿Cuándo debo usar ANOVA en lugar de realizar múltiples pruebas t?

Utilice ANOVA o Kruskal-Wallis para rangos siempre que compare tres o más grupos. En 10 000 conjuntos de datos nulos simulados, tres pruebas t por pares sin corregir con un nivel de significancia alfa de 0.05 produjeron al menos un falso positivo el 12.0 % de las veces, cuatro grupos el 20.2 % y cinco grupos el 29.8 %, mientras que el ANOVA unidireccional mantuvo la tasa en el 4.9 %. Si la prueba global es significativa, aplique Tukey o Games-Howell después del ANOVA y la prueba de Dunn después de Kruskal-Wallis.

¿Cuál es la diferencia entre la prueba de chi-cuadrado y la prueba exacta de Fisher?

Ambas pruebas evalúan si dos variables categóricas están asociadas. Se utiliza la prueba de chi-cuadrado cuando el recuento esperado de cada celda es igual o superior a 5, y la prueba exacta de Fisher (Fisher-Freeman-Halton para tablas más grandes) cuando algún recuento esperado es inferior a 5 o la muestra es pequeña. En el ejemplo de la malaria, el recuento esperado más pequeño fue de 8.5, por lo que la prueba de chi-cuadrado (p = 0.016) y la prueba exacta (p = 0.017) coincidieron.

¿Cómo puedo comprobar la normalidad antes de elegir una prueba?

Observe un histograma y un gráfico QQ, y considere la prueba de Shapiro-Wilk como un dato de entrada en lugar de un criterio de aprobación o reprobación: detecta desviaciones triviales en muestras grandes y omite las reales en muestras pequeñas. Para las pruebas t, el supuesto se refiere a los valores grupales o las diferencias pareadas, y con aproximadamente 30 o más muestras por grupo, la prueba t tolera una no normalidad moderada.

¿Qué tamaño del efecto debo reportar con cada prueba?

d de Cohen o g de Hedges para pruebas t, eta cuadrado u omega cuadrado para ANOVA, r biserial de rangos para Mann-Whitney y Wilcoxon, eta cuadrado (H) para Kruskal-Wallis, V de Cramer o razón de probabilidades para chi cuadrado, r o rho para correlación, y razones de probabilidades, riesgo o tasa de incidencia para modelos logísticos, de Cox y de Poisson. Indique el intervalo de confianza del 95% cuando exista.

¿Puedo ejecutar los análisis de Pearson y Spearman e informar cuál es el más significativo?

No. Elija la prueba antes de ver el resultado y explique por qué. En la encuesta sobre malaria, la comparación entre conocimiento y práctica arrojó un coeficiente de correlación de Pearson r = 0.23 (p = 0.018), pero un coeficiente de correlación de Spearman rho = 0.18 (p = 0.066). Las puntuaciones presentaban entre tres y nueve valores con muchos empates, por lo que la prueba basada en rangos se ajustaba a los datos. Si realiza ambas pruebas como análisis de sensibilidad, infórmelo en ambos informes.

Referencias

1. Nayak BK, Hazra A. ¿Cómo elegir la prueba estadística adecuada? Indian J Oftalmol. 2011;59(2):85–86. https://doi.org/10.4103/0301-4738.77005
2. Gonzalez-Chica DA, Bastos JL, Duquia RP, Bonamigo RR, Martínez-Mesa J. Prueba de asociación: ¿cuál es la más apropiada para mi estudio? Un sujetador Dermatol. 2015;90(4):523–528. https://doi.org/10.1590/abd1806-4841.20154289
3. Ben Suleiman A, Shuler CF, Hieawy A, von Bergmann H. Errores estadísticos y deficiencias en la presentación de informes en publicaciones clínicas de prostodoncia, 2019-2024. J. Prótesis dental. 2026;35(4):460–469. https://doi.org/10.1111/jopr.70086
4. Strasak AM, Zaman Q, Pfeiffer KP, Göbel G, Ulmer H. Errores estadísticos en la investigación médica: una revisión de los errores más comunes. Swiss Med Wkly. 2007;137(3–4):44–49. https://doi.org/10.4414/smw.2007.11587
5. Shatz I. Verificación de supuestos en lugar de (solo) pruebas: la importancia de la visualización y el tamaño del efecto en el diagnóstico estadístico. Métodos de comportamiento. 2023;56(2):826–845. https://doi.org/10.3758/s13428-023-02072-x
6. Delacre M, Lakens D, Leys C. Por qué los psicólogos deberían usar por defecto la prueba t de Welch en lugar de la prueba t de Student. Sociedad Internacional de Psicología 2017;30(1):92–101. https://doi.org/10.5334/irsp.82
7. Kerby DS. La fórmula de la diferencia simple: un enfoque para la enseñanza de la correlación no paramétrica. Psicología Compr. 2014;3:11.IT.3.1. https://doi.org/10.2466/11.IT.3.1
8. Joko S, Poumachu Y, Ouko R, Kala-Chouakeu NA, Bamou R, Elanga-Ndillé E, et al. Conocimientos, actitudes y prácticas sobre la malaria en una aldea periurbana de Camerún: transmisión silenciosa persistente a pesar de una conciencia satisfactoria. Más uno. 2026;21(5):e0348617. Acceso abierto, CC BY 4.0; conjuntos de datos suplementarios S1 y S3 recopilados por Editverse en R. https://doi.org/10.1371/journal.pone.0348617
9. Hunter MK, Russell AJ, Maldonado G, Burstyn I. Explorando el uso adecuado de los valores p y los intervalos de confianza en las principales revistas de epidemiología. Epidemiología global. 2026; 11: 100247. https://doi.org/10.1016/j.gloepi.2026.100247
10. Dwivedi AK, Shukla R. Listas de verificación de análisis estadístico basado en la evidencia y métodos en investigación biomédica (SAMBR) según las características de diseño. Representante del cáncer. 2020; 3 (4): e1211. https://doi.org/10.1002/cnr2.1211

Equipo de investigación de Editverse | Actualizado en octubre de 2026