Análisis de datos cuantitativos del TFG con SPSS y Excel en 2026
Cómo hacer el análisis de datos de un TFG cuantitativo se resuelve en dos fases: primero la estadística descriptiva, que resume la muestra con medias, frecuencias y gráficos, y después la estadística inferencial, que aplica pruebas de hipótesis en SPSS o Excel para comprobar si las diferencias o relaciones encontradas se pueden generalizar a la población de estudio.
Respuesta rápida: El análisis cuantitativo de un TFG empieza con estadística descriptiva (medias, desviación típica, frecuencias) y continúa con una prueba inferencial elegida según el tipo de variables: t de Student o ANOVA para comparar medias, chi-cuadrado para variables categóricas y correlación de Pearson para relaciones entre variables continuas. SPSS automatiza estos cálculos; Excel es suficiente para análisis más sencillos.
¿Qué diferencia hay entre estadística descriptiva e inferencial?
Según la guía completa de metodología del TFG, todo análisis cuantitativo combina ambos niveles. La estadística descriptiva se limita a describir lo que se ha observado en la muestra: media, mediana, moda, desviación típica y frecuencias por categoría, normalmente presentadas en tablas y gráficos.
La estadística inferencial va un paso más allá: utiliza los datos de la muestra para poner a prueba una hipótesis y decidir si el patrón observado también existe en la población de la que se extrajo la muestra, mediante pruebas de significación estadística y un nivel de confianza previamente establecido, habitualmente del 95%.
| Aspecto | Estadística descriptiva | Estadística inferencial |
|---|---|---|
| Objetivo | Resumir y describir los datos de la muestra | Generalizar conclusiones a la población |
| Herramientas típicas | Media, mediana, desviación típica, frecuencias | Pruebas de hipótesis, valor p, intervalos de confianza |
| Ejemplo en el TFG | El 62% de la muestra usa transporte público | Existe una relación significativa entre edad y uso del transporte público (p < 0,05) |
¿Cómo se prepara la base de datos en SPSS y Excel?
Antes de calcular cualquier prueba, la base de datos debe estar limpia y bien codificada. En SPSS, cada fila representa un caso o participante y cada columna una variable, con las opciones de respuesta codificadas como valores numéricos definidos en la vista de variables. En Excel se sigue la misma lógica de filas y columnas, pero conviene usar el paquete de Análisis de Datos o funciones como PROMEDIO, DESVEST y COEF.DE.CORREL para los cálculos.
Pasos comunes antes de analizar
- Revisar valores perdidos y decidir cómo se van a tratar (eliminación por casos o imputación).
- Codificar las variables categóricas con números y documentar el significado de cada código en un libro de códigos aparte.
- Comprobar la fiabilidad de las escalas tipo Likert con el alfa de Cronbach antes de calcular puntuaciones totales.
- Verificar el tipo de cada variable de investigación (nominal, ordinal, de intervalo o de razón), porque de eso depende qué prueba estadística es aplicable.
- Activar en SPSS el análisis exploratorio de datos (Analizar > Estadísticos descriptivos > Explorar) para detectar valores atípicos antes de aplicar cualquier prueba.
¿Qué prueba estadística debo usar?
La elección de la prueba depende de dos factores: el tipo de variables (categóricas o continuas) y el número de grupos que se comparan. Esta tabla resume las pruebas paramétricas más habituales en un TFG.
| Prueba estadística | Cuándo se usa | Ejemplo aplicado |
|---|---|---|
| t de Student | Comparar la media de una variable continua entre dos grupos independientes | Comparar la nota media entre estudiantes de mañana y de tarde |
| ANOVA de un factor | Comparar la media de una variable continua entre tres o más grupos | Comparar el nivel de satisfacción laboral entre tres departamentos |
| Chi-cuadrado | Analizar la relación entre dos variables categóricas | Relación entre sexo y elección de itinerario formativo |
| Correlación de Pearson | Medir la relación entre dos variables cuantitativas continuas | Relación entre horas de estudio y calificación final |
| Regresión lineal simple | Predecir el valor de una variable continua a partir de otra | Predecir la calificación final a partir de las horas de estudio semanales |
Cuando los datos no cumplen el supuesto de normalidad o el tamaño de muestra es muy pequeño, se recurre a las versiones no paramétricas: U de Mann-Whitney en lugar de la t de Student, Kruskal-Wallis en lugar de ANOVA y correlación de Spearman en lugar de la de Pearson. SPSS incluye estas alternativas en el mismo menú de pruebas no paramétricas.
¿Cómo se redactan los resultados estadísticos en el TFG?
Cada prueba tiene una forma estandarizada de reportarse en el texto, con el estadístico correspondiente, los grados de libertad cuando aplique y el valor p. Estos son los formatos más habituales:
- t de Student: t(gl) = valor, p = valor. Ejemplo: t(148) = 2,74, p = 0,007.
- ANOVA: F(gl entre, gl dentro) = valor, p = valor. Ejemplo: F(2, 147) = 4,18, p = 0,017.
- Chi-cuadrado: χ²(gl, N = tamaño muestral) = valor, p = valor. Ejemplo: χ²(1, N = 150) = 6,32, p = 0,012.
- Correlación de Pearson: r(gl) = valor, p = valor. Ejemplo: r(148) = 0,41, p < 0,001.
¿Cómo se interpretan los resultados en el TFG?
El apartado de resultados debe presentar los datos de forma objetiva, sin interpretarlos todavía; la interpretación y la comparación con estudios previos corresponden al apartado de discusión. Cada prueba estadística se reporta con su estadístico, los grados de libertad cuando aplique, el valor p y, cuando sea posible, el tamaño del efecto (d de Cohen para diferencias de medias, o r² para relaciones de correlación).
Ejemplo de redacción: «Se encontró una diferencia estadísticamente significativa en la puntuación media de estrés académico entre estudiantes de primer y último curso, t(148) = 2,74, p = 0,007, d de Cohen = 0,45.»
Es habitual acompañar cada prueba con una tabla o gráfico que facilite la lectura de los resultados, especialmente cuando se comparan varios grupos o variables a la vez, siguiendo el formato de tablas que exige la American Psychological Association.
¿Qué errores se cometen al analizar datos cuantitativos?
- Aplicar una prueba paramétrica sin comprobar antes los supuestos de normalidad y homogeneidad de varianzas.
- Confundir significación estadística con relevancia práctica, ignorando el tamaño del efecto.
- Usar una correlación de Pearson con variables categóricas, cuando esta prueba exige variables continuas.
- Interpretar los resultados dentro del propio apartado de resultados en lugar de reservarlo para la discusión.
- No documentar cómo se trataron los valores perdidos o las respuestas incompletas del cuestionario.
- Reportar solo el valor p sin indicar el estadístico de la prueba ni los grados de libertad.
Preguntas frecuentes
¿Qué diferencia hay entre estadística descriptiva e inferencial en un TFG?
La estadística descriptiva resume los datos de la muestra con medias, frecuencias y gráficos, sin generalizar más allá de lo observado. La estadística inferencial usa pruebas de hipótesis para extrapolar conclusiones de la muestra a la población, calculando si las diferencias encontradas son estadísticamente significativas.
¿Puedo hacer el análisis de datos de mi TFG solo con Excel, sin SPSS?
Sí, para estadística descriptiva y pruebas sencillas como la t de Student o la correlación de Pearson, Excel es suficiente con las funciones integradas o el paquete de Análisis de Datos. Para análisis más complejos, como ANOVA de varios factores o análisis factorial, SPSS resulta más práctico.
¿Qué prueba estadística debo usar si mis datos no siguen una distribución normal?
Cuando los datos no cumplen el supuesto de normalidad, se recurre a pruebas no paramétricas equivalentes: U de Mann-Whitney en lugar de la t de Student, Kruskal-Wallis en lugar de ANOVA, y correlación de Spearman en lugar de la de Pearson.
¿Cómo sé si el resultado de mi prueba estadística es significativo?
Se compara el valor p obtenido con el nivel de significación fijado de antemano, habitualmente 0,05. Si el valor p es menor que ese umbral, se rechaza la hipótesis nula y se considera que existe una diferencia o relación estadísticamente significativa.
¿Es obligatorio reportar el tamaño del efecto además del valor p?
No siempre es obligatorio según cada universidad, pero se considera buena práctica metodológica porque el valor p solo indica si existe una diferencia, mientras que el tamaño del efecto indica cuán grande o relevante es esa diferencia en términos prácticos.