El análisis estadístico es el conjunto de procedimientos utilizados para resumir datos cuantitativos, estimar características de una población, comparar grupos, estudiar asociaciones, modelar resultados y representar la incertidumbre. Su función en una tesis es responder una pregunta con evidencia numérica compatible con el diseño y el muestreo.
No es sinónimo de calcular un valor p. Un análisis puede ser exclusivamente descriptivo si el objetivo consiste en caracterizar una muestra o una población. También puede utilizar estimación por intervalos, modelos predictivos, métodos bayesianos o técnicas exploratorias sin centrar la conclusión en una prueba de hipótesis.
La técnica tampoco corrige problemas previos. Una muestra sesgada, una medición poco válida, datos obtenidos sin independencia o una pregunta causal con diseño insuficiente seguirán limitando la conclusión aunque el cálculo se ejecute correctamente. Por eso, el plan debe ser coherente con la metodología de la investigación y el enfoque metodológico.
Qué debes definir antes de elegir una prueba estadística
La pregunta “¿qué prueba uso?” aparece demasiado pronto. Primero construye una ficha para cada objetivo cuantitativo.
- Objetivo: describir, comparar, relacionar, estimar, explicar o predecir.
- Variable de resultado: qué fenómeno debe resumirse o modelarse.
- Escala: nominal, ordinal, binaria, cuantitativa continua, conteo o tiempo hasta un evento.
- Variable explicativa o agrupadora: categorías, exposición, tratamiento, tiempo u otras mediciones.
- Diseño: transversal, longitudinal, experimental, observacional, por conglomerados u otro.
- Dependencia: participantes independientes, pares, medidas repetidas o unidades agrupadas.
- Muestreo: cómo se seleccionaron los casos y qué población puede representarse.
- Estimación principal: proporción, media, mediana, diferencia, razón, correlación, coeficiente o probabilidad.
- Supuestos: qué condiciones requiere el procedimiento y cómo se comprobarán.
- Análisis previsto: cuáles son confirmatorios y cuáles exploratorios.
Una buena pregunta de investigación permite identificar la respuesta estadística necesaria. Si existe una hipótesis, esta debe formularse antes de revisar los resultados confirmatorios; no se redacta después de descubrir una asociación conveniente.
Ejemplo de traducción estadística
Objetivo: comparar el nivel de agotamiento entre estudiantes con jornada laboral y estudiantes sin empleo. La variable de resultado es la puntuación de agotamiento; la agrupadora tiene dos categorías; los grupos son independientes; el diseño es observacional y transversal. El análisis deberá estimar una diferencia entre grupos, pero no podrá atribuirla únicamente al empleo sin controlar el diseño y posibles variables de confusión.
Estadística descriptiva e inferencial
Estadística descriptiva
Resume lo observado sin extrapolar automáticamente a una población. Incluye frecuencias, porcentajes, medidas de posición y dispersión, tablas y gráficos. Debe preceder a los modelos porque permite detectar errores, comprender distribuciones y comunicar la composición de la muestra.
| Tipo de variable | Resumen habitual | Visualización posible |
|---|---|---|
| Nominal o binaria | Frecuencia y proporción con denominador. | Barras o puntos. |
| Ordinal | Frecuencias por nivel, mediana y rango intercuartílico cuando aporten sentido. | Barras ordenadas. |
| Cuantitativa aproximadamente simétrica | Media y desviación estándar. | Histograma, densidad o diagrama de puntos. |
| Cuantitativa asimétrica | Mediana, cuartiles y rango. | Caja, violín o histograma. |
| Conteo o tasa | Número de eventos y tiempo o población en riesgo. | Puntos, barras o serie temporal. |
Estadística inferencial
Utiliza una muestra y un modelo probabilístico para estimar parámetros o evaluar hipótesis sobre una población. La validez de la inferencia depende del muestreo, el diseño, la medición, los supuestos y la forma de análisis. Un intervalo de confianza expresa la precisión de una estimación bajo esas condiciones; no compensa una muestra no representativa.
Describir e inferir no son rutas opuestas. Una tesis inferencial necesita una descripción clara y una tesis descriptiva puede incorporar intervalos para comunicar precisión cuando el diseño lo permite.
Tipos de análisis estadístico según el objetivo
La tabla siguiente presenta familias de técnicas, no una selección automática. Cada opción exige revisar escala, dependencia, distribución, tamaño, diseño y forma de muestreo.
| Objetivo | Situación | Técnicas candidatas | Qué conviene reportar |
|---|---|---|---|
| Describir | Una variable o la composición de la muestra. | Frecuencias, proporciones, media, mediana, dispersión, percentiles. | n válido, denominadores, valores centrales, variación y faltantes. |
| Comparar dos grupos independientes | Resultado continuo u ordinal en participantes diferentes. | Prueba t —frecuentemente en versión de Welch—, Mann–Whitney o modelos compatibles. | Diferencia estimada, intervalo, tamaño del efecto y contexto. |
| Comparar dos mediciones relacionadas | Antes–después o pares emparejados. | Prueba t pareada, Wilcoxon, McNemar o modelos longitudinales. | Cambio, precisión, número de pares y pérdidas. |
| Comparar tres o más grupos | Grupos independientes o mediciones repetidas. | ANOVA, Welch ANOVA, Kruskal–Wallis, Friedman o modelos. | Contraste global, comparaciones planificadas, corrección por multiplicidad y efecto. |
| Relacionar variables cuantitativas u ordinales | Asociación lineal o monotónica. | Correlación de Pearson, Spearman, Kendall o regresión. | Coeficiente, intervalo, gráfico y forma de la relación. |
| Relacionar variables categóricas | Tablas de contingencia. | Chi-cuadrado, exacta de Fisher o modelos para proporciones. | Frecuencias observadas, proporciones y medida de asociación. |
| Modelar un resultado continuo | Uno o varios predictores. | Regresión lineal u otros modelos compatibles. | Coeficientes, intervalos, ajuste y diagnóstico de residuos. |
| Modelar un resultado binario | Evento sí/no. | Regresión logística u otro modelo de riesgo. | Razones o riesgos, intervalos, calibración y discriminación según el objetivo. |
| Modelar conteos o tiempo hasta un evento | Número de eventos o duración con censura. | Poisson, binomial negativa o análisis de supervivencia. | Tasa o razón, tiempo en riesgo, intervalos y supuestos específicos. |
Si hay medidas repetidas, estudiantes dentro de cursos, pacientes dentro de centros u otra estructura agrupada, una prueba que supone independencia puede subestimar la incertidumbre. En esos casos pueden ser necesarios modelos mixtos, ecuaciones de estimación generalizadas o procedimientos de encuesta.
Comparación no significa causalidad
Una diferencia o correlación no identifica por sí sola una causa. La inferencia causal requiere temporalidad, una comparación válida, control del sesgo y un diseño que permita sostenerla. Los experimentos planificados tienen consideraciones específicas que se explican en la guía de diseño experimental de una tesis.
Análisis univariado, bivariado, multivariable y multivariado
- Univariado: examina una variable. Puede describir su distribución o estimar un parámetro.
- Bivariado: estudia dos variables, como una comparación entre grupo y resultado o una correlación.
- Multivariable: modela una variable de resultado mediante varios predictores. Puede utilizarse para ajustar asociaciones, mejorar predicción o representar una estructura explicativa justificada.
- Multivariado: analiza simultáneamente varias variables de resultado. No es simplemente “usar tres o más variables”.
La distinción entre multivariable y multivariado evita presentar cualquier regresión con varios predictores como análisis multivariado. Añadir variables tampoco garantiza un mejor modelo: cada inclusión debe responder a la pregunta, el diseño, la teoría o un plan definido, no a una búsqueda automática de significación.
Pruebas paramétricas y no paramétricas
Las técnicas paramétricas describen la distribución o el modelo mediante parámetros y requieren condiciones específicas. Las no paramétricas suelen depender de supuestos menos restrictivos sobre la forma de la distribución, pero no están libres de supuestos ni son automáticamente superiores para muestras pequeñas.
No uses la regla “más de 30 = paramétrica”
El tamaño muestral por sí solo no determina la prueba. Importan el diseño, la escala, la simetría, los valores extremos, la igualdad de varianzas cuando corresponda, la independencia y la robustez del procedimiento. En regresión y ANOVA, muchos supuestos se refieren a los errores o residuos del modelo, no necesariamente a que la variable observada sea perfectamente normal.
No decidas solo con una prueba de normalidad
Con muestras grandes, una prueba puede detectar desviaciones pequeñas sin importancia práctica; con muestras pequeñas, puede no detectar problemas relevantes. Combina gráficos, conocimiento del proceso, diagnóstico de residuos y análisis de sensibilidad. Si una transformación, un método robusto o un modelo diferente cambia la conclusión, informa esa dependencia.
La alternativa no paramétrica cambia la pregunta
Mann–Whitney, Wilcoxon o Kruskal–Wallis no siempre estiman exactamente la misma cantidad que una prueba sobre medias. Antes de reemplazar una técnica, comprueba qué hipótesis evalúa, cómo trata empates, qué medida de efecto corresponde y si responde al objetivo original.
Supuestos estadísticos que debes revisar
No existe una lista única para todas las técnicas. Como mínimo, revisa:
- Independencia: si cada observación aporta información independiente o existe emparejamiento, repetición o agrupamiento.
- Escala y codificación: si el procedimiento admite el tipo de variable y sus categorías.
- Forma funcional: si la relación puede representarse como lineal, aditiva o mediante la función elegida.
- Distribución de errores: normalidad, varianza constante, sobredispersión u otras condiciones del modelo.
- Valores influyentes: casos que cambian de forma desproporcionada las estimaciones.
- Colinealidad: predictores que aportan información muy similar y dificultan interpretar coeficientes.
- Tamaño y eventos: información suficiente para estimar los parámetros previstos sin un modelo inestable.
- Mecanismo de faltantes: qué ausencias existen y cómo afectan el análisis.
- Multiplicidad: cuántas pruebas, resultados, grupos o comparaciones fueron examinados.
Documenta los diagnósticos y las decisiones. Eliminar casos atípicos o cambiar la técnica después de ver qué opción produce significación es una práctica sesgada. El tratamiento de datos faltantes, duplicados y valores extremos pertenece al flujo de preparación, no debe esconderse dentro de la prueba final.
Tamaño de muestra, potencia y precisión
El tamaño de muestra debe planificarse antes de recolectar datos con base en el objetivo principal, la estimación o diferencia relevante, la variabilidad esperada, el diseño, la potencia o precisión deseada y las pérdidas previsibles. No existe una cantidad universal válida para todas las tesis.
Una muestra grande puede hacer que diferencias mínimas produzcan valores p pequeños; una muestra pequeña puede generar intervalos amplios y no distinguir entre ausencia de efecto e información insuficiente. Por eso, la conclusión debe considerar magnitud y precisión, no solo significación.
En encuestas complejas, el cálculo debe incorporar estratos, conglomerados, probabilidades de selección y ponderaciones. Analizar esos datos como una muestra aleatoria simple puede producir estimaciones o errores estándar incorrectos.
Valor p, tamaño del efecto e intervalo de confianza
El valor p cuantifica la compatibilidad de los datos con un modelo que incluye una hipótesis nula y otros supuestos. No es la probabilidad de que la hipótesis nula sea verdadera, no mide la importancia del resultado y no demuestra replicabilidad.
Acompáñalo, cuando sea pertinente, con:
- estimación: la diferencia, proporción, correlación, razón o coeficiente observado;
- tamaño del efecto: magnitud en una escala interpretable o estandarizada;
- intervalo de confianza: rango de valores compatibles con los datos y el modelo al nivel indicado;
- relevancia sustantiva: qué magnitud sería importante en la disciplina;
- contexto: diseño, muestra, incertidumbre y posibles sesgos.
No dividas automáticamente los resultados en “significativos” y “no significativos” como si fueran categorías opuestas. Dos estimaciones similares pueden quedar a lados distintos de un umbral por una diferencia mínima de precisión.
Cómo reportar un análisis estadístico en la tesis
En metodología
Indica para cada objetivo qué variables se analizaron, cómo se codificaron, qué resumen o modelo se utilizó, qué supuestos se revisaron, cómo se trataron faltantes y multiplicidad, qué análisis fueron previstos y qué software y versión se emplearon. Evita la frase genérica “se aplicó estadística descriptiva e inferencial”.
En resultados
Presenta la muestra realmente analizada, los denominadores, la estimación principal, su precisión y los resultados de análisis secundarios identificados como tales. Las tablas y figuras deben complementar el texto. La guía de tablas en Normas APA 7 desarrolla su formato.
Ejemplo de comparación
“La diferencia media estimada entre los grupos fue de 4,1 puntos (IC del 95%: 1,2 a 7,0). La estimación es compatible con una puntuación mayor en el grupo A dentro de la muestra analizada. Dado el diseño observacional, el resultado expresa una asociación y no permite atribuir la diferencia exclusivamente a la exposición”.
Ejemplo de asociación
“Se observó una correlación positiva moderada entre horas de práctica y puntuación (r = 0,42; IC del 95%: 0,25 a 0,56; n = 126). El gráfico mostró una relación aproximadamente lineal, aunque la correlación no establece causalidad ni descarta variables de confusión”.
Software
R, Python, SPSS, Stata, SAS, jamovi, JASP y las hojas de cálculo tienen capacidades distintas. El software ejecuta instrucciones; no justifica la selección ni interpreta el resultado. Conserva scripts, sintaxis, decisiones y versiones para que las tablas puedan reconstruirse.
Errores frecuentes en el análisis estadístico
| Error | Riesgo | Corrección |
|---|---|---|
| Elegir la prueba por el nombre de las variables. | Ignorar diseño, dependencia y objetivo. | Construye la ficha objetivo–resultado–diseño–estimación. |
| Usar “n > 30” como regla universal. | Aplicar un modelo incompatible. | Revisa los supuestos específicos y la robustez. |
| Analizar pares como grupos independientes. | Estimar mal la incertidumbre. | Representa el emparejamiento o la repetición. |
| Probar muchas opciones hasta obtener p < 0,05. | Aumentar falsos hallazgos. | Predefine el análisis y declara exploraciones. |
| Reportar solo el valor p. | Ocultar magnitud y precisión. | Informa estimación, intervalo y relevancia. |
| Interpretar correlación como causa. | Exceder el alcance del diseño. | Usa lenguaje asociativo y examina confusión. |
| Eliminar atípicos sin una regla. | Modificar el resultado de forma sesgada. | Comprueba origen y realiza sensibilidad documentada. |
| Llamar multivariado a todo modelo con tres variables. | Confundir resultados y predictores. | Distingue análisis multivariable y multivariado. |
Checklist para seleccionar y revisar el análisis
- El procedimiento responde a un objetivo o pregunta definidos.
- La variable de resultado y su escala están identificadas.
- El análisis representa grupos independientes, pares, repeticiones o conglomerados correctamente.
- La estadística descriptiva permite comprender la muestra y la distribución.
- Los supuestos se revisaron sobre el componente correcto del modelo.
- Los faltantes, atípicos, exclusiones y transformaciones están documentados.
- Los análisis confirmatorios se distinguen de los exploratorios.
- Se controló la multiplicidad cuando existen varias comparaciones.
- El tamaño muestral y la cantidad de eventos permiten estimar el modelo.
- Se informa magnitud y precisión, no únicamente significación.
- El lenguaje causal coincide con el diseño.
- El software, la versión y el código o sintaxis quedaron registrados.
- Las tablas finales pueden reconstruirse desde los datos analíticos.
- La conclusión mantiene el alcance de la muestra y el método.
El análisis estadístico adecuado no es el más complejo. Es el que responde la pregunta con una estimación interpretable, representa correctamente el diseño, explicita la incertidumbre y puede ser revisado. Esa coherencia importa más que la cantidad de pruebas ejecutadas.
¿Necesitas ayuda para realizar el análisis estadístico de tu investigación?
En Tesis y Másters ofrecemos asesoría académica y tutorías personalizadas para acompañarte en las distintas etapas de tu tesis, investigación o proyecto universitario. Nuestro equipo multidisciplinario te orienta en la planificación, estructura, metodología y revisión, para que avances siempre con confianza y seguridad.
Nos comprometemos a brindarte acompañamiento profesional, ético y confidencial, ajustándonos tanto a tu calendario como a los requerimientos de tu institución. Nuestra misión es potenciar tu desarrollo académico mediante orientación adaptada a tus necesidades y horarios.
Solicita tu presupuesto gratuito
Completa el formulario escríbenos por WhatsApp. Un asesor especializado se pondrá en contacto contigo para ofrecerte un presupuesto sin compromiso y mostrarte cómo podemos apoyarte en tu proceso académico.
Orientador de técnicas estadísticas
Selecciona las características básicas de tu objetivo y obtendrás familias de técnicas candidatas, controles y elementos de reporte.
Ruta orientativa: la herramienta no examina tu base, muestra, instrumento, valores faltantes ni supuestos. No entrega una prueba definitiva ni reemplaza el plan de análisis o la revisión de un especialista.
Familias de técnicas candidatas
Decisiones que debes justificar
Elementos de reporte
Comprueba la ruta con bibliografía metodológica, la pauta institucional y tu profesor guía. Si el diseño es complejo, hay pocos eventos, muchas variables o resultados sensibles, solicita revisión estadística antes de ejecutar el análisis.
Resumen rápido
Pregunta: ¿Cómo elegir un análisis estadístico?
Respuesta: Define qué necesita estimar cada objetivo, identifica la variable de resultado y su escala, determina si los grupos o mediciones son independientes o relacionados, considera el diseño y el muestreo, describe los datos y revisa los supuestos del modelo. Después selecciona una técnica compatible y reporta estimación, magnitud, precisión y límites, no solo el valor p.
Fuentes citadas / Referencias
Preguntas Frecuentes
Es el conjunto de procedimientos utilizados para describir datos cuantitativos, estimar características de una población, comparar grupos, estudiar asociaciones, construir modelos y representar incertidumbre. En una tesis debe responder una pregunta y ser compatible con el diseño, la muestra y la medición.
Define primero el objetivo, la variable de resultado, su escala, las variables explicativas, el número de grupos o mediciones, la dependencia entre observaciones y el diseño. Después revisa los supuestos y elige una técnica que produzca la estimación necesaria; no decidas solo por normalidad o tamaño muestral.
La estadística descriptiva resume los datos observados mediante frecuencias, medidas y gráficos. La inferencial utiliza una muestra y un modelo probabilístico para estimar parámetros o evaluar hipótesis sobre una población. Toda inferencia necesita una descripción previa y su alcance depende del muestreo y el diseño.
Las técnicas paramétricas especifican parámetros y condiciones para el modelo; las no paramétricas suelen requerir menos supuestos sobre la forma de la distribución. Ninguna opción es automática: las no paramétricas también tienen supuestos y no siempre responden la misma pregunta que una prueba sobre medias.
Debes informar la muestra analizada, la estimación principal, una medida de magnitud, su precisión mediante un intervalo cuando corresponda, el tratamiento de faltantes, los supuestos relevantes y el alcance del diseño. El valor p no expresa importancia práctica ni probabilidad de que una hipótesis sea verdadera.
