...
De lunes a viernes, de 10:00 a 14:00 y de 16:30 a 20:00

Cómo elegir el test estadístico adecuado para tu TFG

Elegir el test estadístico es uno de los momentos que más dudas generan en un TFG cuantitativo. Tienes una base de datos, unas hipótesis y un tutor que te pide «el análisis adecuado», pero el abanico de pruebas parece infinito: t de Student, ANOVA, chi-cuadrado, Mann-Whitney, correlaciones… y cada manual las ordena de forma distinta.

La buena noticia es que la decisión no depende de la intuición, sino de cuatro preguntas que puedes responder en diez minutos. En esta guía verás cómo plantearlas, qué prueba corresponde a cada diseño, cómo comprobar los supuestos y cómo justificar tu elección en la metodología para que el tribunal no tenga nada que objetar. En Titulema aplicamos este método con las recomendaciones de la American Psychological Association y del manual de Andy Field.

Resumen rápido: Para elegir el test estadístico de tu TFG define tu objetivo (comparar o relacionar), el tipo de variables, el número de grupos y si las muestras son independientes o relacionadas. Después comprueba la normalidad y la homogeneidad de varianzas: si se cumplen, usa pruebas paramétricas; si no, sus alternativas no paramétricas. Informa siempre del tamaño del efecto.

Puntos clave

  • La elección depende de cuatro datos: objetivo, tipo de variable, número de grupos y diseño de la muestra.
  • Comprueba normalidad y homogeneidad de varianzas antes de decidir entre prueba paramétrica y no paramétrica.
  • Con tres grupos o más, usa ANOVA o Kruskal-Wallis, nunca varias t de Student.
  • Informa siempre del tamaño del efecto: un valor p no mide la importancia de un resultado.

¿Qué significa elegir el test estadístico adecuado en un TFG?

Significa escoger la prueba cuyos supuestos encajan con tu pregunta de investigación, con la escala de medida de tus variables y con la estructura de tu muestra. Una prueba bien elegida produce resultados válidos y fáciles de defender; una mal elegida puede invalidar las conclusiones aunque los cálculos del programa estén perfectos.

Un test estadístico es un procedimiento que permite decidir si los datos observados son compatibles con una hipótesis nula, es decir, con la ausencia de diferencias o de relación entre variables. Cada prueba parte de condiciones concretas: qué tipo de datos admite, cuántos grupos compara y qué distribución asume.

Por eso no existe «el mejor test», sino el test coherente con tu diseño. En un TFG, que según el Real Decreto 822/2021 tiene entre 6 y 24 créditos ECTS, el tribunal no espera técnicas sofisticadas, sino una elección razonada, bien aplicada e interpretada con prudencia [Real Decreto 822/2021, 2021].

Si todavía no tienes clara tu hipótesis, revisa antes nuestra guía sobre cómo formular la hipótesis de un TFG: el test se deriva de ella, nunca al revés.

¿Qué preguntas debes responder antes de elegir la prueba?

Antes de abrir el programa estadístico conviene responder cuatro preguntas: qué quieres demostrar, cómo están medidas tus variables, cuántos grupos o mediciones intervienen y si esos grupos son independientes o están relacionados. Con esas cuatro respuestas, el número de pruebas posibles se reduce a una o dos opciones.

  • Objetivo: ¿quieres comparar grupos (diferencias) o estudiar cómo se asocian dos variables (relación)?
  • Tipo de variables: ¿tu variable dependiente es cuantitativa, ordinal o categórica?
  • Número de grupos: ¿comparas dos grupos o tres o más?
  • Diseño de la muestra: ¿hay personas distintas en cada grupo (muestras independientes) o las mismas personas medidas varias veces (muestras relacionadas)?

Un ejemplo: si quieres saber si el estrés académico difiere entre el alumnado de primer y de cuarto curso, tu objetivo es comparar, la variable es cuantitativa, hay dos grupos y son independientes. Ese perfil apunta a la t de Student para muestras independientes o, si fallan los supuestos, a la U de Mann-Whitney.

¿Cómo influye el tipo de variable en el test que debes usar?

La escala de medida determina qué operaciones matemáticas tienen sentido con tus datos. Con variables cuantitativas puedes calcular medias y desviaciones; con ordinales solo tiene sentido ordenar; con categóricas únicamente puedes contar frecuencias. Por eso cada familia de pruebas se asocia a un nivel de medida concreto.

Las variables cuantitativas (edad, nota media, horas de sueño, puntuación total de un cuestionario) admiten pruebas basadas en medias, como la t de Student o el ANOVA. Las variables ordinales (nivel de estudios, ítems sueltos de una escala Likert) suelen analizarse con pruebas basadas en rangos. Las variables categóricas nominales (sexo, titulación, sí o no) requieren pruebas de frecuencias como el chi-cuadrado.

Un matiz habitual en los TFG de Psicología, Educación o Enfermería: la puntuación total de una escala Likert de varios ítems suele tratarse como cuantitativa, mientras que un ítem aislado se considera ordinal. Indica en la metodología qué criterio sigues y por qué.

¿Cuándo usar una prueba paramétrica y cuándo una no paramétrica?

Las pruebas paramétricas se usan cuando la variable dependiente es cuantitativa y los datos cumplen supuestos como la normalidad y la homogeneidad de varianzas. Las no paramétricas son la alternativa cuando esos supuestos fallan, cuando la muestra es pequeña o cuando trabajas con datos ordinales. Ambas responden a preguntas equivalentes.

Potencia frente a robustez

Las pruebas paramétricas (t de Student, ANOVA, correlación de Pearson) tienen más potencia estadística: si existe un efecto real, es más probable que lo detecten. A cambio, exigen que se cumplan sus supuestos.

Las pruebas no paramétricas (Mann-Whitney, Wilcoxon, Kruskal-Wallis, Friedman, Spearman) trabajan con rangos en lugar de valores brutos, por lo que resisten mejor los valores extremos y las distribuciones asimétricas. Field (2018) recuerda que con muestras grandes las pruebas paramétricas toleran desviaciones moderadas de la normalidad, pero en un TFG con 30 o 40 participantes conviene ser más prudente.

Regla práctica: comprueba los supuestos primero y decide después. Elegir la prueba no paramétrica «por si acaso», sin mirar los datos, también es una decisión que tendrás que justificar.

¿Qué test estadístico corresponde a cada diseño de TFG?

Cada combinación de objetivo, tipo de variable y número de grupos tiene una prueba paramétrica de referencia y una alternativa no paramétrica. La tabla siguiente resume los diseños más frecuentes en los TFG de ciencias sociales, salud y educación, de modo que puedas localizar tu caso en pocos segundos y comprobar después sus supuestos.

Test estadístico recomendado según el diseño del TFG
Diseño Prueba paramétrica Alternativa no paramétrica
Comparar 2 grupos independientes t de Student para muestras independientes U de Mann-Whitney
Comparar 2 mediciones de los mismos sujetos t de Student para muestras relacionadas Prueba de Wilcoxon
Comparar 3 o más grupos independientes ANOVA de un factor H de Kruskal-Wallis
Comparar 3 o más mediciones repetidas ANOVA de medidas repetidas Prueba de Friedman
Relacionar 2 variables cuantitativas Correlación de Pearson Rho de Spearman

Variables categóricas y modelos de predicción

Para dos variables categóricas, la prueba de referencia es el chi-cuadrado de independencia. Exige que las frecuencias esperadas sean iguales o superiores a 5 en al menos el 80 % de las casillas; si no se cumple, en tablas de 2 × 2 se recurre a la prueba exacta de Fisher [Cochran, 1954].

Si tu objetivo es predecir una variable a partir de varias, el camino es la regresión: lineal si la variable dependiente es cuantitativa y logística si es dicotómica.

¿Te está costando avanzar con el análisis de tus datos?

Un profesional de tu área te acompaña a partir de tus indicaciones, y dos revisores más lo repasan contigo en cada fase.

Ver análisis estadístico para tu trabajoEscríbenos por WhatsApp

¿Cómo comprobar la normalidad y los demás supuestos?

La normalidad se comprueba combinando una prueba formal con una inspección gráfica. Con muestras pequeñas se usa habitualmente Shapiro-Wilk y con muestras grandes Kolmogorov-Smirnov con la corrección de Lilliefors, siempre acompañadas de histogramas o gráficos Q-Q. La homogeneidad de varianzas se evalúa con la prueba de Levene.

En SPSS obtienes ambas pruebas desde Analizar > Estadísticos descriptivos > Explorar, activando los gráficos de normalidad con pruebas. En nuestra guía sobre cómo usar SPSS para tu TFG tienes el proceso explicado paso a paso.

Al interpretar, recuerda que la hipótesis nula de estas pruebas es que los datos siguen una distribución normal. Por tanto:

  • Si p > 0,05, no hay evidencia contra la normalidad y puedes plantear una prueba paramétrica.
  • Si p ≤ 0,05, la distribución se aleja de la normal y conviene valorar la alternativa no paramétrica.
  • Si los grupos tienen varianzas distintas (Levene significativo), aplica la corrección de Welch en la t de Student o en el ANOVA.

La normalidad se comprueba en cada grupo por separado, no en la muestra completa: es uno de los despistes más comunes.

Checklist de supuestos antes de aplicar el test

  • ☐ Variable dependiente medida en la escala adecuada.
  • ☐ Normalidad revisada en cada grupo por separado.
  • ☐ Homogeneidad de varianzas comprobada con Levene.
  • ☐ Valores atípicos identificados y documentados.
  • ☐ Prueba elegida antes de mirar los resultados.

¿Qué errores al elegir el test penalizan más en un TFG?

Los fallos que más restan son aplicar pruebas paramétricas sin comprobar supuestos, encadenar varias t de Student en lugar de un ANOVA, confundir muestras independientes con relacionadas e interpretar un valor p como prueba de importancia práctica. Todos se detectan con facilidad durante la defensa y debilitan el trabajo.

  • Multiplicar comparaciones: hacer tres t de Student para comparar tres grupos infla la probabilidad de error de tipo I. Lo correcto es un ANOVA seguido de comparaciones post hoc.
  • Ignorar el diseño pre-post: analizar como independientes dos mediciones de las mismas personas resta potencia y rompe la lógica del diseño.
  • Leer p como magnitud: la American Statistical Association advierte que un valor p no mide el tamaño de un efecto ni la importancia de un resultado [Wasserstein y Lazar, 2016].
  • Olvidar el tamaño del efecto: según Cohen (1988), una d de 0,2 se considera pequeña, 0,5 mediana y 0,8 grande [Cohen, 1988].
  • Elegir el test después de ver los resultados: cambiar de prueba hasta encontrar significación es una mala práctica conocida como p-hacking.

«A p-value, or statistical significance, does not measure the size of an effect or the importance of a result.»

— American Statistical Association, principio 5 de su declaración sobre los valores p (Wasserstein y Lazar, 2016)

¿Cómo justificar la elección del test en la metodología?

La justificación debe explicar qué prueba aplicaste, por qué encaja con tus objetivos y variables, qué supuestos verificaste y con qué resultado, qué nivel de significación fijaste y qué programa utilizaste. Basta con un párrafo claro por análisis, apoyado en una referencia metodológica reconocida.

Un modelo que funciona en la mayoría de los TFG es este: «Para contrastar la hipótesis 1 se aplicó la prueba t de Student para muestras independientes. Antes se verificó la normalidad en ambos grupos mediante Shapiro-Wilk (p > 0,05) y la homogeneidad de varianzas mediante Levene (p = 0,41). Se fijó un nivel de significación de 0,05 y se calculó la d de Cohen».

Mantén la coherencia entre hipótesis, test y resultados: cada hipótesis debe tener su prueba y cada prueba, su interpretación en la discusión. En Titulema, en línea con las normas APA 7, recomendamos acompañar cada valor p de su tamaño del efecto. Si quieres que un especialista revise ese hilo completo, nuestro servicio de análisis estadístico para TFG, TFM y tesis cubre desde el diseño hasta la redacción.

Preguntas frecuentes

¿Puedo usar una prueba no paramétrica aunque mis datos sean normales?

Sí, el resultado sería válido, pero perderías potencia estadística y te costaría más detectar un efecto que sí existe. Si se cumplen los supuestos, lo recomendable es la prueba paramétrica, y la no paramétrica puede quedar como análisis de sensibilidad.

¿Qué test uso si mi muestra es muy pequeña?

Con menos de 30 casos por grupo conviene revisar la normalidad con especial cuidado mediante Shapiro-Wilk y gráficos. Si hay dudas, las pruebas no paramétricas son la opción más prudente, y los resultados deben presentarse como exploratorios. Además, informa del tamaño de cada grupo en la metodología.

¿Cómo analizo los ítems de una escala Likert?

Un ítem aislado se trata como ordinal y se analiza con pruebas basadas en rangos, como Mann-Whitney o Kruskal-Wallis. Si sumas varios ítems en una puntuación total con buena fiabilidad, esa puntuación suele tratarse como cuantitativa. Explica en la metodología qué criterio has seguido.

¿Es obligatorio informar del tamaño del efecto en un TFG?

No todas las facultades lo exigen, pero las normas APA 7 lo recomiendan y los tribunales lo valoran. El tamaño del efecto indica si una diferencia significativa tiene relevancia práctica, algo que el valor p por sí solo no dice.

¿Qué programa es mejor para aplicar el test: SPSS, Jamovi o R?

Cualquiera es válido si lo usas bien. SPSS es el más extendido en las universidades españolas, Jamovi es gratuito e intuitivo y R ofrece la máxima flexibilidad. Elige el que conozca tu tutor o el que exija tu facultad. Lo importante es documentar bien el procedimiento.

Referencias

American Psychological Association. (2020). Publication manual of the American Psychological Association (7.ª ed.).

Cochran, W. G. (1954). Some methods for strengthening the common χ² tests. Biometrics, 10(4), 417-451.

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2.ª ed.). Lawrence Erlbaum Associates.

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5.ª ed.). SAGE.

Real Decreto 822/2021, de 28 de septiembre, por el que se establece la organización de las enseñanzas universitarias y del procedimiento de aseguramiento de su calidad. Boletín Oficial del Estado, 233, de 29 de septiembre de 2021.

Wasserstein, R. L. y Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129-133.

¿Cómo puede ayudarte Titulema con el análisis estadístico de tu TFG?

Si después de leer esta guía sigues dudando entre dos pruebas, o tus datos no cumplen los supuestos y no sabes cómo continuar, podemos revisarlo contigo. Nuestro equipo trabaja a diario con bases de datos de TFG y conoce lo que suelen preguntar los tribunales sobre la parte metodológica.

Analizamos tu diseño, elegimos la prueba adecuada y ejecutamos el análisis en SPSS, Jamovi o R. Te ayudamos a preparar las tablas en formato APA, con una explicación clara de cada resultado, para que llegues a la defensa entendiendo lo que presentas. Si quieres empezar, escríbenos por WhatsApp o descubre el equipo de Titulema.

Si prefieres no hacerlo solo

Te respondemos en el mismo día laborable con una propuesta a medida. Trabajamos a partir de tus indicaciones y con tres pares de ojos en cada fase.

Análisis estadístico para tu trabajoEscríbenos por WhatsApp

También te puede interesar: ayuda con el TFG. Si lo prefieres, llámanos al 602 44 46 52.

Scroll al inicio