Investigación Cuantitativa: Ejemplo Completo Paso a Paso para TFG y Tesis 2026
Cuando un tutor pide un enfoque cuantitativo, muchos estudiantes se bloquean ante una pregunta aparentemente simple: ¿por dónde empiezo? La investigación cuantitativa no es solo poner números en una tabla: es un proceso sistemático que va desde la formulación de una hipótesis medible hasta la interpretación estadística de los resultados. En este artículo encontrarás un ejemplo completo de investigación cuantitativa aplicado al contexto del TFG y la tesis en España, con cada fase desarrollada de manera que puedas replicarla en tu propia investigación.
En 2026, con la proliferación de herramientas digitales de análisis estadístico y la presión creciente por resultados reproducibles, dominar la metodología cuantitativa se ha vuelto una competencia diferencial. Las universidades españolas valoran especialmente la solidez del diseño metodológico: un TFG con un buen marco cuantitativo —aunque la muestra sea modesta— supera a trabajos con datos masivos pero sin rigor conceptual.
¿Qué es la investigación cuantitativa?
La investigación cuantitativa es el enfoque metodológico que obtiene y analiza datos expresados en forma numérica con el objetivo de describir, correlacionar, comparar o establecer relaciones causales entre variables. Su rasgo distintivo es la objetividad: los procedimientos están diseñados para minimizar el sesgo del investigador y permitir la replicabilidad.
A diferencia del enfoque cualitativo —que busca comprender significados y experiencias en profundidad—, el cuantitativo apunta a generalizar conclusiones desde una muestra representativa hacia una población más amplia. En el contexto universitario español, este enfoque es especialmente frecuente en grados de Ciencias de la Salud, Psicología, Economía, Educación y Ciencias Sociales.
| Dimensión | Cuantitativo | Cualitativo |
|---|---|---|
| Naturaleza de datos | Numérica, medible | Textual, experiencial |
| Objetivo | Generalizar, predecir, correlacionar | Comprender, interpretar |
| Instrumentos | Encuesta, test, escala Likert | Entrevista, observación, grupo focal |
| Análisis | Estadística descriptiva e inferencial | Codificación temática, análisis narrativo |
| Muestra | Grande y representativa | Pequeña, selección intencional |
Tipos de diseño cuantitativo y cuándo elegir cada uno
Antes de comenzar a recoger datos, debes decidir qué tipo de diseño cuantitativo se ajusta mejor a tu pregunta de investigación. Esta decisión condiciona todo el proceso metodológico posterior.
Diseño descriptivo
Describe las características de una variable o fenómeno sin establecer relaciones causales. Es ideal para TFG de grado cuando no es posible manipular variables ni establecer grupos de comparación. Ejemplo: describir el nivel de satisfacción académica de los estudiantes de primer año de la Universidad de Granada mediante cuestionario estandarizado.
Diseño correlacional
Examina la relación entre dos o más variables sin manipulación. Permite afirmar que X e Y se relacionan, pero no que X causa Y. Es el diseño más habitual en TFG de Psicología, Educación y Ciencias Sociales. Requiere al menos 80-100 participantes para detectar correlaciones de magnitud media con potencia estadística adecuada.
Diseño cuasi-experimental
Compara grupos (tratamiento vs. control) sin asignación aleatoria. Frecuente en educación e intervenciones clínicas donde la aleatorización no es éticamente posible. Ejemplo: comparar el rendimiento académico de dos grupos de estudiantes de Bachillerato que recibieron —o no— un programa de técnicas de estudio, con medida pretest y postest.
Diseño experimental
El más riguroso: asignación aleatoria de participantes a condiciones, con control de variables extrañas. Poco común en TFG de grado por sus exigencias éticas y logísticas, pero sí aparece en TFM y tesis doctorales de Psicología Experimental, Medicina y Ciencias del Deporte.
Diseño longitudinal
Recoge datos en varios momentos temporales para estudiar cambios o tendencias. Difícilmente factible en un TFG estándar (6-12 meses), pero puede plantearse con datos secundarios de series históricas.
Ejemplo completo: estudio correlacional paso a paso
El siguiente ejemplo ilustra una investigación cuantitativa real y desarrollada. Puedes adaptarlo sustituyendo las variables por las propias de tu disciplina.
Pregunta de investigación: ¿Existe relación significativa entre la frecuencia de uso de herramientas de IA y la autoeficacia percibida para elaborar el TFG en estudiantes de último curso de grado en España?
Enfoque: Cuantitativo — Diseño correlacional, transversal
Muestra: 157 estudiantes de último curso de grado (diversas universidades españolas)
Instrumento: Cuestionario online (Google Forms) con escala Likert validada
Formulación de hipótesis y operacionalización de variables
Toda investigación cuantitativa parte de hipótesis verificables. Una hipótesis bien formulada es específica, medible y falsable (Hernández-Sampieri et al., 2014). La estructura canónica es: «Existe una relación [positiva/negativa/significativa] entre [variable A] y [variable B] en [población y contexto]».
Hipótesis general (H1): Existe una relación positiva y estadísticamente significativa entre la frecuencia de uso de herramientas de IA y la autoeficacia percibida para elaborar el TFG.
Hipótesis nula (H0): No existe relación significativa entre la frecuencia de uso de herramientas de IA y la autoeficacia percibida para elaborar el TFG.
La operacionalización consiste en definir exactamente cómo se va a medir cada variable abstracta:
| Variable | Definición operacional | Escala de medida | Instrumento |
|---|---|---|---|
| Uso de IA (VI) | Frecuencia semanal de uso de ChatGPT, Tesify u otras herramientas de IA en la elaboración del TFG | Ordinal (0, 1-2, 3-5, 6+ días/semana) | Cuestionario ad hoc |
| Autoeficacia TFG (VD) | Puntuación total en la escala de Autoeficacia Académica adaptada al TFG (8 ítems, α=0.82) | Continua (8-40 puntos) | Escala Likert 5 puntos |
| Variables de control | Grado cursado, universidad, nota media expediente, género | Nominal / continua | Cuestionario sociodemográfico |
Diseño muestral: criterios y tamaño
El tamaño de la muestra no se decide al azar: se calcula en función del efecto esperado, el nivel de significación (α) y la potencia estadística deseada. Para correlaciones de magnitud media (r=0.30), el cálculo de potencia estadística (1-β=0.80, α=0.05) indica que se necesitan al menos 84 participantes. Disponer de 157 proporciona mayor robustez.
Criterios de inclusión: estar matriculado en último curso de grado en una universidad española; tener acceso al cuestionario online; haber comenzado la elaboración del TFG en el curso 2025-2026.
Criterios de exclusión: estudiantes de posgrado; no haber comenzado el TFG; cuestionarios con más del 15% de respuestas omitidas.
Procedimiento de muestreo: muestreo por conveniencia con difusión por redes universitarias (tablones digitales de facultades y grupos de estudiantes en plataformas cerradas). Esta limitación —que debe declararse explícitamente en la sección de limitaciones— reduce la generalizabilidad pero es habitual y aceptada en TFG de grado.
Para calcular el tamaño muestral puedes usar el software G*Power (gratuito, disponible en HHU Düsseldorf) o la función pwr de R.
Instrumentos de recogida de datos
El instrumento principal de la investigación cuantitativa en ciencias sociales es el cuestionario estructurado. Sus elementos clave son:
- Presentación y consentimiento informado: objetivo del estudio, institución, anonimato garantizado, voluntariedad. En España, obligatorio conforme al RGPD (Reglamento General de Protección de Datos) y la Ley Orgánica 3/2018.
- Bloque sociodemográfico: variables de clasificación (género, edad, grado, universidad, nota media).
- Escala principal validada: en el ejemplo, 8 ítems de autoeficacia adaptados de Bandura (1997), con respuesta tipo Likert de 5 puntos (1=completamente en desacuerdo; 5=completamente de acuerdo). El Alfa de Cronbach (α) mide la fiabilidad interna: un α ≥ 0.70 es aceptable para investigación aplicada.
- Preguntas de frecuencia de uso: escala ordinal con categorías mutuamente excluyentes.
- Preguntas abiertas opcionales: para enriquecer los datos cuantitativos con matices (no son objeto de análisis estadístico principal).
Antes de aplicar el cuestionario a la muestra completa, se realizó una prueba piloto con 15 estudiantes que no participaron en el estudio final, con el objetivo de detectar ítems ambiguos y calcular una estimación preliminar de la fiabilidad (Muñiz et al., 2005).
Análisis estadístico: de los datos brutos a los resultados
El análisis estadístico se estructura en tres niveles sucesivos:
1. Estadística descriptiva
Antes de contrastar hipótesis, describe tus datos. Calcula media, desviación típica, mínimo y máximo para las variables continuas; frecuencias y porcentajes para las variables nominales y ordinales. Esto permite identificar valores atípicos y verificar la distribución de la muestra.
2. Verificación de supuestos
Antes de aplicar pruebas inferenciales paramétricas (correlación de Pearson, regresión lineal), verifica los supuestos: normalidad de la distribución (prueba de Shapiro-Wilk para muestras <50; Kolmogorov-Smirnov para muestras mayores), linealidad y homocedasticidad. Si los datos no cumplen los supuestos de normalidad, usa pruebas no paramétricas equivalentes (rho de Spearman en lugar de r de Pearson).
3. Contraste de hipótesis
Para el ejemplo propuesto: correlación de Spearman entre la frecuencia de uso de IA (ordinal) y la puntuación de autoeficacia (continua). Los resultados se interpretan en función del coeficiente de correlación (ρ) y su significación estadística (p-valor):
| Magnitud de ρ | Interpretación | Relevancia práctica |
|---|---|---|
| < 0.10 | Insignificante | Sin relevancia práctica |
| 0.10 – 0.29 | Pequeña | Baja relevancia práctica |
| 0.30 – 0.49 | Media | Relevancia práctica moderada |
| ≥ 0.50 | Grande | Alta relevancia práctica |
Resultado ficticio ilustrativo: ρ = 0.41, p < 0.001 (n=157). Se rechaza H0: existe una correlación positiva de magnitud media entre la frecuencia de uso de herramientas de IA y la autoeficacia percibida para elaborar el TFG. El tamaño del efecto (ρ²=0.168) indica que el uso de IA explica aproximadamente el 17% de la varianza en autoeficacia.
Resultados y discusión: cómo presentarlos
La sección de resultados narra los hallazgos estadísticos sin interpretarlos; la discusión los interpreta en el contexto de la literatura. Esta separación es fundamental y a menudo confundida por los estudiantes.
En resultados: presenta tablas APA 7 con estadísticos descriptivos, la matriz de correlaciones y los resultados del contraste de hipótesis. Incluye el tamaño del efecto (r², η², d de Cohen) además del p-valor. El mero rechazo de H0 no es suficiente: un resultado puede ser estadísticamente significativo pero prácticamente irrelevante con muestras grandes.
En discusión: responde a la pregunta de investigación en el contexto de la literatura, explica por qué tus resultados coinciden o divergen con estudios previos, reconoce las limitaciones metodológicas (muestra por conveniencia, diseño transversal, sesgo de respuesta) y propón líneas futuras de investigación. Consulta nuestro artículo sobre técnicas de análisis de datos en el TFG para ampliar esta sección.
Los 7 errores más frecuentes en TFG cuantitativos
- Hipótesis no falsables: «El uso de IA es beneficioso para los estudiantes» no es una hipótesis científica porque no especifica variables medibles ni relaciones verificables.
- Variables sin operacionalizar: hablar de «rendimiento académico» sin definir si se mide por nota media, número de créditos superados o tasa de abandono lleva a datos incomparables.
- Ignorar los supuestos estadísticos: aplicar t de Student o correlación de Pearson a datos que no siguen distribución normal puede invalidar las conclusiones.
- Confundir correlación con causalidad: una correlación significativa entre X e Y no implica que X cause Y. Este error aparece frecuentemente en la sección de discusión.
- Tamaño muestral injustificado: decir «se eligieron 50 participantes» sin referencia a un cálculo de potencia estadística genera dudas sobre la capacidad para detectar el efecto real.
- Instrumentos no validados: crear una encuesta ad hoc sin calcular la fiabilidad (α de Cronbach) ni realizar análisis factorial exploratorio cuando hay múltiples ítems que pretenden medir el mismo constructo.
- Tablas no formateadas en APA 7: las tablas de resultados siguen normas específicas —sin líneas verticales, con título en la parte superior y nota al pie—. Revisa la guía completa de normas APA para evitar pérdida de puntos innecesaria.
IA y metodología cuantitativa en 2026
Las herramientas de inteligencia artificial pueden ayudarte en múltiples fases de la investigación cuantitativa sin comprometer la integridad académica, siempre que su uso sea transparente y verificado:
- Búsqueda bibliográfica: Perplexity, Elicit o Semantic Scholar para localizar estudios con metodología similar y encontrar escalas validadas.
- Redacción y revisión: herramientas como Tesify permiten revisar la coherencia metodológica del texto y adaptar el estilo a las exigencias académicas.
- Generación de código de análisis: ChatGPT o Claude pueden generar scripts de R o Python para análisis estadísticos, que el investigador debe verificar y comprender antes de aplicar.
- Visualización de datos: herramientas como Datawrapper o las funciones de ggplot2 en R producen gráficos con calidad de publicación.
La Universidad Complutense de Madrid (UCM) establece que el estudiante es responsable en todo momento de verificar y contrastar los contenidos generados con IA y de garantizar la autenticidad del trabajo entregado. Consulta también nuestro artículo sobre investigación cualitativa con ejemplos si estás evaluando qué enfoque metodológico es más adecuado para tu TFG.
Para los aspectos formales de presentación del capítulo de metodología, el artículo sobre estructura de la tesis doctoral en España ofrece una guía capítulo a capítulo.
Preguntas frecuentes sobre investigación cuantitativa
¿Cuántos participantes necesito para un TFG cuantitativo?
Depende del diseño y del tamaño de efecto esperado. Para estudios correlacionales con efecto medio (r≈0.30), el cálculo de potencia estadística (α=0.05, 1-β=0.80) indica un mínimo de 84 participantes. Para estudios descriptivos sin contraste de hipótesis, 100-150 participantes suelen ser suficientes. Justifica siempre el tamaño muestral con referencia a un cálculo de potencia o a estudios similares publicados.
¿Es posible hacer una investigación cuantitativa sin experimento?
Sí. Los diseños descriptivos y correlacionales son cuantitativos sin ser experimentales. El experimento es solo uno de los tipos de diseño cuantitativo, y generalmente requiere recursos y control que no están al alcance de un TFG de grado. La mayoría de TFG cuantitativos usan diseño correlacional o descriptivo transversal.
¿Qué software estadístico debo usar en mi TFG?
SPSS es el más extendido en universidades españolas y tiene licencia institucional en la mayoría de centros. R (con RStudio) es gratuito, más potente y cada vez más valorado. JASP es una alternativa gratuita con interfaz gráfica similar a SPSS. Para análisis básicos (descriptivos, correlaciones, tablas de frecuencias) también sirve Excel, aunque no es adecuado para análisis más complejos.
¿Cómo justifico la elección del enfoque cuantitativo frente al cualitativo?
La justificación debe responder a tres criterios: (1) la naturaleza de la pregunta de investigación (busca medir relaciones o cantidades, no comprender experiencias); (2) la existencia de instrumentos validados que permiten medir las variables de interés; (3) la posibilidad de acceder a una muestra suficientemente amplia. Si tu pregunta empieza por «¿cuánto?», «¿en qué medida?» o «¿existe relación entre?», el enfoque cuantitativo es el adecuado.
¿Qué es el Alpha de Cronbach y por qué importa?
El Alpha de Cronbach (α) es un índice de fiabilidad interna que mide en qué grado los ítems de una escala miden el mismo constructo. Un α ≥ 0.70 se considera aceptable para investigación aplicada; ≥ 0.80, bueno; ≥ 0.90, excelente (aunque valores muy altos pueden indicar redundancia entre ítems). Debes calcularlo y reportarlo siempre que uses una escala con múltiples ítems.
¿Puedo usar datos secundarios para una investigación cuantitativa?
Sí, y a menudo es una opción muy válida. El INE, Eurostat, el Ministerio de Educación y organismos como el CRUE publican bases de datos estadísticas de libre acceso. El análisis de datos secundarios evita la fase de recogida de datos primarios pero requiere justificar la adecuación de la base de datos a tu pregunta de investigación y documentar el acceso y la fuente con exactitud.
¿Cómo se presenta una tabla de correlaciones en APA 7?
La tabla de correlaciones en APA 7 lleva título en la parte superior (en negrita, con número de tabla), encabezados de columna con las variables, coeficientes de correlación en el cuerpo y una nota al pie que especifica el nivel de significación (p < .05 *, p < .01 **, p < .001 ***). No se usan líneas verticales, solo líneas horizontales para separar el encabezado del cuerpo y el cuerpo de las notas.
¿Qué diferencia hay entre significación estadística y relevancia práctica?
La significación estadística (p < .05) indica que el resultado probablemente no se debe al azar dada la muestra. La relevancia práctica (tamaño del efecto) indica cuán grande es realmente la diferencia o relación. Con muestras muy grandes (n > 500) pueden ser estadísticamente significativas correlaciones de ρ=0.05, que son prácticamente irrelevantes. Reporta siempre el tamaño del efecto (d de Cohen, r², η²) junto al p-valor.
Conclusión: el valor de la rigurosidad metodológica
Dominar el diseño cuantitativo no significa manejar fórmulas estadísticas complejas: significa hacerse las preguntas correctas en el orden correcto. ¿Qué quiero medir? ¿Cómo lo voy a medir? ¿Con qué muestra? ¿Qué análisis responde a mi pregunta de investigación? Siguiendo este flujo lógico —y documentando cada decisión con rigor— obtendrás un capítulo de metodología que resistirá cualquier tribunal.
Si tu institución permite el uso de IA para apoyar la redacción y revisión metodológica, herramientas como Tesify pueden ayudarte a estructurar el capítulo de metodología, verificar la coherencia entre hipótesis, variables y análisis, y adaptar el lenguaje al estilo académico requerido —siempre con tu supervisión y bajo tu responsabilidad académica.
Referencias
- Hernández-Sampieri, R., Fernández-Collado, C., y Baptista-Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill.
- Muñiz, J., Fidalgo, A. M., García-Cueto, E., Martínez, R., y Moreno, R. (2005). Análisis de los ítems. La Muralla.
- Universidad de Granada. (2024). Una aproximación práctica a los diseños de investigación cuantitativa. Digibug. https://digibug.ugr.es/handle/10481/92178
- Universidad Complutense de Madrid. (2025). Uso responsable de herramientas de inteligencia artificial. UCM. https://www.ucm.es/textos/569714
Deja una respuesta