"¿Qué prueba estadística uso?" es una de las preguntas más comunes al llegar al capítulo de Resultados. La respuesta no depende del programa que uses (SPSS, R, Python o Jamovi), sino de tres cosas: qué quieres responder, qué tipo de variables tienes y cómo se comportan tus datos.
En esta guía te damos un camino práctico para elegir la prueba correcta y justificarla ante tu director y tu jurado.
Paso 1: define qué quieres responder
Mira tus objetivos específicos. Casi todos caen en una de estas tres preguntas:
- ¿Hay diferencias entre grupos? Por ejemplo, si el rendimiento es distinto entre hombres y mujeres, o entre tres sedes.
- ¿Hay relación entre dos variables? Por ejemplo, entre el nivel educativo y la adherencia a un tratamiento, o entre horas de estudio y notas.
- ¿Puedo predecir un resultado? Por ejemplo, qué factores explican que un estudiante abandone o no sus estudios.
Paso 2: identifica el tipo de variables
- Cualitativas (categóricas): clasifican en grupos. Pueden ser nominales (sexo, municipio) u ordinales, que tienen un orden (nivel de satisfacción, estrato).
- Cuantitativas (numéricas): se miden con números con los que tiene sentido operar (edad, peso, puntaje de una prueba).
También define si tus grupos son independientes (personas distintas en cada grupo) o relacionados (las mismas personas medidas antes y después).
Paso 3: revisa si tus datos son normales
Muchas pruebas suponen que los datos numéricos siguen una distribución normal. Para revisarlo se usan pruebas de normalidad: Shapiro-Wilk, recomendada con muestras pequeñas (en la práctica, menos de 50 casos), y Kolmogorov-Smirnov con la corrección de Lilliefors para muestras más grandes. Conviene acompañarlas con un histograma o un gráfico Q-Q.
- Si los datos son normales, usas pruebas paramétricas.
- Si no lo son, o tus variables son ordinales, usas pruebas no paramétricas.
La guía rápida: qué prueba usar en cada caso
| Situación | Datos normales (paramétrica) | Datos no normales u ordinales |
|---|---|---|
| Comparar 2 grupos independientes | t de Student | U de Mann-Whitney |
| Comparar 2 mediciones de las mismas personas | t para muestras relacionadas | Wilcoxon |
| Comparar 3 o más grupos independientes | ANOVA de un factor | Kruskal-Wallis |
| Comparar 3 o más mediciones de las mismas personas | ANOVA de medidas repetidas | Friedman |
| Relación entre dos variables numéricas | Correlación de Pearson | Correlación de Spearman |
| Relación entre dos variables categóricas | Chi-cuadrado de independencia (o prueba exacta de Fisher si hay pocos casos por celda) | |
| Predecir una variable numérica | Regresión lineal | |
| Predecir una variable de dos categorías (sí / no) | Regresión logística | |
Dos detalles que el jurado suele preguntar
- Después de un ANOVA o un Kruskal-Wallis significativo, hay que hacer pruebas post hoc (por ejemplo, Tukey o Dunn) para saber qué grupos son distintos.
- En la t de Student, revisa la igualdad de varianzas con la prueba de Levene. Si no se cumple, usa la versión de Welch.
Cómo leer el resultado: el valor p y el tamaño del efecto
El valor p te dice si la diferencia o la relación que encontraste es estadísticamente significativa. Con el criterio habitual, si p < 0,05 se rechaza la hipótesis nula.
Pero el valor p no dice qué tan grande o importante es el hallazgo. Para eso se reporta el tamaño del efecto: la d de Cohen en la t de Student, eta cuadrado en el ANOVA, la V de Cramer en el Chi-cuadrado o el propio coeficiente en las correlaciones.
Ejemplo de redacción: "Se encontró una asociación estadísticamente significativa, de intensidad débil, entre el nivel educativo y la adherencia al tratamiento (χ² = 8,41; p = 0,015; V de Cramer = 0,21)."
Errores comunes
- Hacer varias pruebas t entre pares de grupos en lugar de un ANOVA.
- Usar Pearson con variables ordinales, como las escalas tipo Likert de un solo ítem.
- No revisar los supuestos de la prueba antes de aplicarla.
- Confundir significancia estadística con importancia práctica.
- Elegir la prueba después de ver los resultados, buscando la que "dé significativo".
- Interpretar una correlación como si fuera causa y efecto.
¿Necesitas ayuda con tu análisis?
En Sigma Data AI, desde Pasto, Nariño, ayudamos a estudiantes de pregrado, especialización, maestría y doctorado a elegir las pruebas correctas para cada objetivo, procesar sus datos en SPSS, R, Python u otras herramientas e interpretar los resultados. Conoce nuestra asesoría en análisis de datos para tesis. Si todavía estás definiendo cuántas personas encuestar, revisa también cómo calcular el tamaño de muestra para tu tesis.
¿No sabes qué prueba usar en tu tesis?
Escríbenos tus objetivos y qué datos tienes. El diagnóstico inicial no tiene costo.
Escribir por WhatsApp Ver Asesoría de Tesis