Cómo proceder ante el incumplimiento de las premisas de los métodos paramétricos? o ¿cómo trabajar con variables biológicas no normales?

En las investigaciones biológicas se obtienen con frecuencia, datos experimentales que no cumplen con las premisas establecidas para poder aplicar un método estadístico paramétrico, como la normalidad y homocedasticidad. De manera general, cuando se incumple alguna o todas las premisas, los investigadores suelen aplicar una transformación de escala a los datos. Con el empleo de las transformaciones no siempre se logra el cumplimiento de las premisas de los análisis paramétricos. Se ha demostrado que su empleo logra mejorar el ajuste de los datos, pero puede complicar la interpretación de los resultados debido al cambio de escala de las variables. Otra alternativa consiste en emplear un método no paramétrico, que no requiere el cumplimiento de supuestos, pero si de un buen diseño del experimento, un tamaño de muestra adecuado y una correcta aleatorización de los tratamientos. Los métodos no paramétricos tienen menor potencia pues se incrementa la probabilidad de no detectar diferencias que si existen entre los tratamientos comparados. La probabilidad de tomar una decisión incorrecta se incrementa aún más si el tamaño de la muestra es pequeño y no se emplea el mismo número de réplicas en cada tratamiento. Existen otros análisis más complejos que requieren de métodos de cálculo más intensivo, como los métodos de remuestreo, aleatorización, permutaciones, bayesianos, el meta-análisis y los modelos lineales generalizados. Para poder interpretar los resultados obtenidos con estos análisis se requiere de un cambio en la mentalidad de los investigadores acostumbrados a trabajar con las herramientas de la estadística frecuentista. In biological research we frequently obtain experimental data which do not comply with the required assumptions to apply a statistic parametric method, such as normality and homocedasticity. In general, when there is a violation of one or all the assumptions, researchers usually tend to transform the scale of data. With the use of these transformations, not always the accomplishment of the assumptions of parametric analysis is achieved. It is being proved that its use improves the adjustment of the data, but it can complicate the interpretation of the results due to the change of scale of the variable. Other option is to employ a nonparametric method, which does not require the assumptions but it needs a good experimental design, an adequate sample size and a correct randomization of treatments. Nonparametric methods have a minor power be