Qué prueba estadística usar en tu TFG en 2026: árbol de decisión paso a paso
Llegaste al capítulo de análisis de datos de tu TFG y tienes los datos recogidos, las hipótesis formuladas y SPSS o Jamovi abierto. Y ahí, justo ahí, aparece la pregunta que paraliza a la mayoría de los estudiantes: ¿qué prueba estadística usar en el TFG? No es un problema de conocimiento, es un problema de criterio. Este árbol de decisión resuelve exactamente eso: te lleva de tus variables a la prueba correcta en cuatro pasos, con independencia de la disciplina o el software que utilices.
La elección errónea de una prueba estadística no es un detalle menor. Un tribunal que detecta que has aplicado una t de Student sobre variables categóricas, o que has ignorado el supuesto de normalidad antes de un ANOVA, penaliza la solidez metodológica del trabajo y rebaja la nota. La buena noticia: la lógica de selección es sistemática, no intuitiva. Dominándola una vez, te servirá para cualquier TFG, TFM o tesis doctoral.
Por dónde empezar: las cuatro preguntas clave
Antes de abrir cualquier menú de análisis, el protocolo metodológico exige responder cuatro preguntas en secuencia. Saltarse el orden es una de las fuentes más habituales de error en la selección de prueba en TFG universitarios. La referencia metodológica estándar en el ámbito hispanohablante — publicada en Investigación en Educación Médica por Flores-Ruiz y colaboradores — estructura el proceso de la misma manera: primero el tipo de variable, luego el diseño, luego la distribución.
Pregunta 1: ¿Qué tipo de variable es tu variable dependiente?
Esta es la bifurcación principal del árbol. Las variables cuantitativas continuas (edad, peso, puntuación en una escala, tiempo de reacción) dan acceso a las pruebas paramétricas o sus alternativas no paramétricas. Las variables categóricas (sexo, nivel educativo, sí/no, tipo de tratamiento) llevan directamente a chi-cuadrado, V de Cramér o prueba de Fisher.
Pregunta 2: ¿Cuántos grupos comparas?
Dos grupos: t de Student o su equivalente no paramétrico. Tres o más grupos: ANOVA o Kruskal-Wallis. Esta distinción es crucial porque aplicar una t de Student para comparar tres grupos simultáneamente (haciendo comparaciones por pares) infla el error de tipo I; es un error metodológico grave que los tribunales con formación estadística identifican de inmediato.
Pregunta 3: ¿Tus datos siguen una distribución normal?
Utiliza la prueba de Shapiro-Wilk para muestras de n ≤ 50, que es el caso más habitual en TFG. Para muestras mayores, la prueba de Kolmogorov-Smirnov. Si el p-valor de Shapiro-Wilk es mayor que 0,05, puedes asumir normalidad y usar las pruebas paramétricas. Si el p-valor es menor que 0,05, los datos no siguen una distribución normal y debes usar la alternativa no paramétrica equivalente. La elección concreta entre ambas pruebas de normalidad y su lectura en SPSS se detalla en la guía sobre la prueba de normalidad Shapiro-Wilk frente a Kolmogorov-Smirnov.
Pregunta 4: ¿Las muestras son independientes o relacionadas?
Las muestras independientes son grupos distintos (hombres vs. mujeres, grupo control vs. grupo experimental). Las muestras relacionadas o emparejadas son el mismo grupo medido en dos momentos (pretest y postest), o grupos emparejados por características similares. Esta distinción determina si usas la t para muestras independientes o la t para muestras relacionadas; y en el caso no paramétrico, Mann-Whitney U o Wilcoxon.
El árbol de decisión completo
El siguiente árbol sintetiza la lógica de selección en un esquema que puedes imprimir y colocar al lado del ordenador mientras analizas tus datos.
| Variable dependiente | Nº grupos | Normalidad (p > 0,05) | Muestras independientes | Prueba a usar |
|---|---|---|---|---|
| Cuantitativa continua | 2 | Sí | Sí | T de Student (muestras independientes) |
| 2 | Sí | No (emparejadas) | T de Student (muestras relacionadas) | |
| 2 | No | Sí | Mann-Whitney U | |
| 2 | No | No (emparejadas) | Wilcoxon | |
| Cuantitativa continua | ≥ 3 | Sí | Sí | ANOVA de un factor + post hoc (Tukey) |
| ≥ 3 | No | Sí | Kruskal-Wallis + post hoc Dunn | |
| Categórica (nominal / ordinal) | 2 | — | Sí | Chi-cuadrado de Pearson (o Fisher si frecuencias < 5) |
| 2 | — | No (emparejadas) | McNemar | |
| Correlación (dos cuantitativas) | — | Sí (ambas) | — | Correlación de Pearson (r) |
| — | No (alguna) | — | Correlación de Spearman (ρ) |
Este árbol cubre la gran mayoría de los casos que se presentan en un TFG de grado. Para diseños más complejos — regresión múltiple, análisis factorial o modelos de ecuaciones estructurales — te recomendamos la guía de análisis de datos en el TFG: técnicas, herramientas y guía práctica, que desarrolla también el uso de SPSS, R y Atlas.ti.
Pruebas paramétricas: t-test y ANOVA
La t de Student: cuándo y cómo usarla
La t de Student compara las medias de dos grupos y evalúa si la diferencia observada supera lo que cabría esperar por puro azar. Sus supuestos son tres: (a) la variable dependiente es cuantitativa continua, (b) los datos siguen una distribución aproximadamente normal, y (c) las varianzas de ambos grupos son homogéneas — lo que se verifica con la prueba de Levene, disponible en SPSS automáticamente al ejecutar la prueba t.
En SPSS: Analizar → Comparar medias → Prueba T para muestras independientes. En el output, lee primero la prueba de Levene: si p > 0,05, las varianzas son homogéneas y lees la fila “Se asumen varianzas iguales”; si p < 0,05, lees la fila “No se asumen varianzas iguales”. Para la decisión completa entre la t de Student y su alternativa no paramétrica, consulta la guía sobre cuándo usar el test t de Student frente a la prueba de Mann-Whitney.
ANOVA: cuando hay tres o más grupos
El Análisis de Varianza de un factor (ANOVA one-way) extiende la lógica de la t de Student a tres o más grupos sin inflar el error de tipo I. Sus supuestos son los mismos: normalidad y homocedasticidad (verificada con la prueba de Levene en SPSS o Jamovi). Un ANOVA significativo (p < 0,05) indica que existe al menos una diferencia entre los grupos, pero no especifica entre cuáles. Por eso siempre debe acompañarse de una prueba post hoc: Tukey HSD si las varianzas son homogéneas, Games-Howell si no lo son.
Para TFG con diseños más complicados (dos factores simultáneos, por ejemplo género y nivel educativo), se usa el ANOVA factorial de dos factores, pero ese caso excede el alcance habitual de un grado. Si tu diseño llega ahí, consulta con tu tutor o dirígete a la guía de operacionalización de variables en el TFG, donde se explica cómo definir con precisión las variables antes de elegir la prueba.
Chi-cuadrado y pruebas para variables categóricas
Cuando la variable dependiente (y frecuentemente también la independiente) es categórica, las pruebas paramétricas no son aplicables. La prueba reina en este dominio es la chi-cuadrado de Pearson (χ²), que evalúa si existe asociación estadísticamente significativa entre dos variables categóricas.
Condiciones de aplicación
- Ambas variables son nominales u ordinales.
- Cada celda de la tabla de contingencia debe tener una frecuencia esperada de al menos 5. Si alguna celda tiene frecuencia esperada inferior a 5, usa la prueba exacta de Fisher (disponible en SPSS al marcar la casilla correspondiente).
- Las observaciones son independientes entre sí.
El resultado principal es el estadístico χ² y el p-valor asociado. Un p < 0,05 indica que hay asociación entre las variables. Para cuantificar la fuerza de esa asociación, reporta el coeficiente V de Cramér (valores entre 0 y 1; por convención, 0,1 = débil, 0,3 = moderada, 0,5 = fuerte).
La prueba de McNemar: para muestras relacionadas categóricas
Si tienes variables dicotómicas (sí/no) medidas en el mismo sujeto antes y después de una intervención, la prueba apropiada es McNemar, no chi-cuadrado. Es el equivalente a la t para muestras relacionadas, pero para datos nominales.
Correlación: Pearson vs. Spearman
Las pruebas de correlación evalúan la fuerza y dirección de la relación lineal entre dos variables cuantitativas, pero no implican causalidad. Esta distinción — correlación no es causalidad — debe quedar explícita en el apartado de discusión de resultados de tu TFG.
Correlación de Pearson (r)
Mide la correlación lineal entre dos variables que siguen una distribución normal. Interpreta el valor de r así: |r| < 0,3 = correlación débil; 0,3 ≤ |r| < 0,5 = moderada; |r| ≥ 0,5 = fuerte; |r| ≥ 0,7 = muy fuerte. Reporta siempre r, el p-valor y el coeficiente de determinación (r² × 100 = porcentaje de varianza explicada).
Correlación de Spearman (ρ)
Equivalente no paramétrico de Pearson. Aplícala cuando: (a) los datos no siguen una distribución normal, (b) alguna variable es ordinal (p. ej., escala Likert), o (c) existen valores atípicos que distorsionarían el coeficiente de Pearson. La interpretación de los valores de ρ es idéntica a la de r.
Para una comprensión profunda de la investigación cuantitativa que contextualiza estas pruebas, consulta investigación cuantitativa: ejemplo completo paso a paso para TFG y tesis 2026, donde se desarrolla el ciclo completo desde el diseño hasta la presentación de resultados.
Alternativas no paramétricas: cuándo y cuáles
Los test no paramétricos no presuponen ninguna distribución concreta en los datos — de ahí que también se llamen pruebas de distribución libre. Son la solución cuando:
- La prueba de Shapiro-Wilk devuelve p < 0,05 (no normalidad).
- La muestra es muy pequeña (n < 20) y no puedes verificar normalidad con fiabilidad.
- Las variables son ordinales o presentan valores atípicos extremos que no puedes eliminar con justificación.
Tabla de equivalencias paramétricas → no paramétricas
| Situación | Prueba paramétrica | Alternativa no paramétrica |
|---|---|---|
| 2 grupos independientes | T de Student independiente | Mann-Whitney U |
| 2 grupos relacionados | T de Student relacionada | Wilcoxon |
| ≥ 3 grupos independientes | ANOVA de un factor | Kruskal-Wallis + post hoc Dunn |
| ≥ 3 grupos relacionados | ANOVA de medidas repetidas | Friedman |
| Correlación entre 2 variables | Pearson (r) | Spearman (ρ) |
El artículo de Flores-Ruiz et al. publicado en Investigación en Educación Médica ofrece un protocolo exhaustivo para la elección de prueba estadística, muy útil como referencia metodológica para el apartado de método de tu TFG. Para los criterios estadísticos formales —escalas de medida, hipótesis nula y alternativa, y supuestos de cada prueba—, la guía clásica sobre pruebas estadísticas publicada en Salud Pública de México sigue siendo una referencia metodológica sólida y de acceso abierto.
Ejemplos por disciplina
El árbol de decisión funciona igual en todas las titulaciones. Lo que cambia es la naturaleza habitual de las variables. A continuación, los escenarios más frecuentes por rama de conocimiento.
Ciencias Sociales y Educación
Los TFG de Educación, Sociología y Trabajo Social utilizan con frecuencia escalas Likert para medir actitudes, satisfacción o percepción. La estrategia habitual: Spearman para correlaciones, Mann-Whitney o Kruskal-Wallis para comparaciones de grupos, chi-cuadrado para asociaciones entre variables nominales (sexo vs. nivel de participación, por ejemplo). Para quienes desarrollan una tesis de grado en el sistema universitario latinoamericano, la guía sobre las herramientas para analizar datos en la tesis de grado adapta estos mismos criterios con terminología y ejemplos propios de ese contexto.
Ciencias de la Salud
En Enfermería, Fisioterapia y Medicina, es común comparar variables fisiológicas (presión arterial, frecuencia cardiaca, glucemia) entre grupos de intervención y control. La t de Student o ANOVA cuando se verifica normalidad; Mann-Whitney o Kruskal-Wallis cuando no. Las variables de resultado dicotómicas (complicación sí/no) se analizan con chi-cuadrado o Fisher.
Ciencias Económicas y Empresariales
Los TFG de ADE, Economía y Marketing trabajan frecuentemente con datos de encuesta (Likert) y datos financieros continuos. Para comparar rentabilidades por sector: ANOVA si hay normalidad, Kruskal-Wallis si no. Para analizar la asociación entre variables de perfil empresarial y opciones de estrategia: chi-cuadrado.
Ingeniería y Ciencias Experimentales
Las variables suelen ser continuas y las muestras a veces pequeñas. Verificar Shapiro-Wilk es crítico. Para comparar rendimientos entre configuraciones: ANOVA o Kruskal-Wallis según la distribución. Para establecer relaciones entre variables físicas (temperatura, presión, concentración): correlación de Pearson con representación en diagrama de dispersión.
Si tu TFG incluye recogida de datos mediante cuestionario o escala, también te será útil revisar la guía sobre el alfa de Cronbach en SPSS para validar la fiabilidad del cuestionario, paso previo imprescindible antes de aplicar cualquier prueba inferencial sobre escalas.
Errores frecuentes que penalizan el TFG
Los tribunales con formación en metodología reconocen estos errores con facilidad. Evítalos.
1. Omitir la verificación de supuestos
Ejecutar una t de Student o un ANOVA sin verificar previamente la normalidad y la homocedasticidad es un error metodológico sistemático. Dedica un párrafo explícito en el apartado de método a describir qué pruebas de supuestos has realizado y cuál fue su resultado. Esto demuestra rigor y anticipa posibles preguntas del tribunal.
2. Usar la t de Student para más de dos grupos
Realizar comparaciones t por pares (A vs. B, A vs. C, B vs. C) en lugar de un ANOVA aumenta la probabilidad de error de tipo I. Si tienes tres o más grupos que comparar simultáneamente, usa ANOVA + post hoc.
3. Confundir correlación con causalidad
Un coeficiente de Pearson r = 0,72 entre horas de estudio y calificación no significa que estudiar más cause mejores notas — puede haber variables de confusión (motivación, calidad del estudio, apoyo familiar). En la discusión, formula siempre con “se asocia con”, “se relaciona con”, nunca “provoca” o “determina” a menos que el diseño sea experimental y permita inferencia causal.
4. Ignorar el tamaño del efecto
El p-valor solo dice si hay diferencia; el tamaño del efecto dice cuán relevante es esa diferencia. Para la t de Student, reporta d de Cohen (0,2 pequeño, 0,5 medio, 0,8 grande). Para ANOVA, η² (eta cuadrado). Para chi-cuadrado, V de Cramér. Los tribunales valoran que el estudiante distinga significación estadística de relevancia práctica.
5. Elegir la prueba después de ver los datos
El protocolo correcto es especificar la prueba estadística en el apartado de método, antes de analizar los datos. Elegirla a posteriori según qué dé p significativo es una práctica de investigación cuestionable (p-hacking) que un tutor riguroso detectará.
Para profundizar en la interpretación de un modelo predictivo con variable dependiente dicotómica, el artículo sobre la regresión logística binaria en el TFG con SPSS e interpretación del odds ratio amplía el árbol hacia los modelos multivariantes más frecuentes en ciencias de la salud.
Sobre el contexto metodológico más amplio — tipos de diseño, alcance y enfoque del capítulo de metodología — encontrarás una guía detallada en el artículo sobre diseño, enfoque y alcance metodológico del TFG, que sitúa la elección de la prueba dentro de la estrategia global de investigación.
Preguntas frecuentes
¿Cómo sé si mis datos son normales para elegir la prueba estadística correcta?
Ejecuta la prueba de Shapiro-Wilk en SPSS (Analizar → Estadísticos descriptivos → Explorar → Gráficos → Comprobación de normalidad con gráficos) o en Jamovi (Exploration → Descriptives → Normality → Shapiro-Wilk). Si el p-valor de Shapiro-Wilk es mayor que 0,05, puedes asumir distribución normal y aplicar pruebas paramétricas. Si es menor que 0,05, usa la alternativa no paramétrica equivalente. Usa Shapiro-Wilk para n ≤ 50; Kolmogorov-Smirnov para n > 50.
¿Puedo usar pruebas paramétricas con escalas Likert?
Existe debate académico al respecto. Las escalas Likert son técnicamente ordinales, lo que sugiere usar Spearman para correlaciones y Mann-Whitney o Kruskal-Wallis para comparaciones. Sin embargo, cuando la escala tiene 5 o más puntos y la distribución es razonablemente simétrica, muchos autores aplican pruebas paramétricas justificándolo explícitamente. La opción más segura para evitar críticas del tribunal es usar las alternativas no paramétricas o escalas de suma (sumatorio de ítems Likert que aproxima una variable continua) y verificar normalidad sobre esa suma.
¿Qué es el post hoc y cuándo es obligatorio en el ANOVA?
El análisis post hoc es obligatorio siempre que el ANOVA resulte significativo (p < 0,05) y haya tres o más grupos. El ANOVA solo indica que al menos un par de grupos difiere; el post hoc indica cuáles. Las pruebas post hoc más usadas en TFG son: Tukey HSD (varianzas homogéneas, grupos del mismo tamaño), Bonferroni (opción conservadora válida en todos los casos) y Games-Howell (varianzas heterogéneas). Si ANOVA da p ≥ 0,05, el post hoc no es necesario.
¿Qué diferencia hay entre chi-cuadrado y la prueba exacta de Fisher?
Chi-cuadrado de Pearson es una aproximación asintótica que funciona bien cuando las frecuencias esperadas en todas las celdas son ≥ 5. Cuando alguna celda tiene frecuencia esperada inferior a 5 — lo que ocurre con muestras pequeñas o categorías poco frecuentes — chi-cuadrado no es fiable. En ese caso se usa la prueba exacta de Fisher, que no se basa en aproximaciones sino en el cálculo exacto de probabilidades. En SPSS, ambas aparecen juntas al ejecutar la tabla de contingencia con la opción “Estadísticos exactos”.
¿Debo reportar el tamaño del efecto además del p-valor?
Sí, y hacerlo diferencia un TFG metodológicamente sólido de uno mediocre. El p-valor solo informa sobre la probabilidad de que el efecto sea real (no debido al azar); el tamaño del efecto informa sobre su magnitud práctica. Para la t de Student, usa d de Cohen. Para ANOVA, η² o ω². Para correlaciones, r² o ρ². Para chi-cuadrado, V de Cramér o phi. Las normas APA 7 recomiendan explícitamente reportar tamaños del efecto en todo análisis inferencial.
¿Qué pasa si tengo una muestra muy pequeña (n < 20)?
Con muestras muy pequeñas, la potencia estadística es baja y los tests de normalidad no son fiables para descartar distribuciones no normales. La recomendación metodológica habitual es optar directamente por las pruebas no paramétricas equivalentes (Mann-Whitney, Wilcoxon, Kruskal-Wallis) y señalarlo explícitamente como una limitación del estudio en la discusión. También debes justificar el tamaño muestral en el apartado de método, explicando si responde a un muestreo por conveniencia, un piloto o a restricciones prácticas del estudio.
Como recurso externo complementario sobre el razonamiento metodológico que precede a la elección de la prueba, el blog académico Metodologiaecs (Investigación y Estadística) reúne materiales sobre diseño de investigación, escalas de medida y estadística aplicada que ayudan a comprender por qué cada prueba responde a un tipo de pregunta y de variable.
Escribe tu TFG o tesis con IA
Pasa de la teoría a tu documento terminado
Tesify estructura, redacta y formatea tu TFG, TFM o tesis en normas APA y Vancouver, con bibliografía automática y verificación antiplagio integrada. Regístrate gratis, sin tarjeta.
Leave a Reply