No hace falta ser matemático para investigar en el aula, pero sí leer bien unos pocos números y no hacerles decir lo que no dicen. Este artículo explica lo mínimo de estadística descriptiva e inferencial, con un ejemplo pequeño calculado paso a paso. Sigue a Instrumentos de recogida de datos.
4.1 Primero, qué tipo de dato tienes
Lo que puedes calcular depende del tipo de variable (Cohen et al., 2018; Field, 2018):
| Tipo | Qué es | Ejemplo | Qué se calcula |
|---|---|---|---|
| Categórica (nominal) | Categorías sin orden | Ciclo, sexo, modalidad | Frecuencias y porcentajes |
| Ordinal | Categorías con orden | Grado de acuerdo (de «nada» a «totalmente») | Frecuencias, mediana |
| Numérica | Cantidades con sentido aritmético | Nota, faltas, horas | Media, desviación, etc. |
Un error común es calcular la media de una escala de acuerdo como si fuera una cantidad exacta. Se hace mucho, pero conviene mirar también la distribución de respuestas.
4.2 Estadística descriptiva: resumir lo que hay
- Frecuencia y porcentaje: cuántas personas hay en cada categoría. Di siempre el número total: «el 50 %» no significa lo mismo si son 4 personas que si son 400.
- Media: la suma dividida entre el número de datos. Se deja arrastrar por valores extremos.
- Mediana: el valor central cuando se ordenan los datos. Resiste mejor los extremos. Es la que se usó en Los resultados de aprendizaje en cifras para decir que un módulo tiene una mediana de 5 resultados de aprendizaje.
- Desviación típica: cuánto se separan los datos, por término medio, de la media. Dos grupos con la misma media pueden ser muy distintos: uno agrupado y otro disperso.
- Rango: del valor menor al mayor.
4.3 Gráficos honestos
- Barras para comparar categorías; líneas para evolución en el tiempo; histograma para ver cómo se reparten las notas.
- Empieza el eje vertical en cero en los gráficos de barras. Recortarlo exagera las diferencias.
- Etiqueta los ejes, indica el número de casos y evita adornos que no aportan.
- Si los grupos son pequeños, es mejor una tabla con los datos que un gráfico espectacular.
4.4 Un ejemplo calculado
Imagina dos grupos de 10 alumnos que hacen la misma prueba. El grupo A trabajó con aula invertida y el B no. Las notas son de ejemplo, inventadas para ilustrar:
| Grupo | Notas | Media | Mediana | Desviación típica |
|---|---|---|---|---|
| A (aula invertida) | 5, 6, 6, 7, 7, 7, 8, 8, 9, 10 | 7,3 | 7 | 1,49 |
| B (sin aula invertida) | 4, 5, 5, 6, 6, 6, 7, 7, 8, 9 | 6,3 | 6 | 1,49 |
El grupo A saca un punto más de media. ¿Quiere decir que el aula invertida funciona? Aquí entra la estadística inferencial.
4.5 Estadística inferencial: ¿es casualidad?
Con muestras pequeñas, una diferencia puede deberse al azar: otro grupo de diez habría dado otra media. La estadística inferencial estima si lo observado es compatible con el azar y cuánto se puede extrapolar.
- Contraste de hipótesis: se parte de que no hay diferencia real y se calcula cómo de raro sería ver lo que se ha visto si fuera así. Para comparar dos medias se usa a menudo la prueba t, con ciertas condiciones sobre los datos (Field, 2018).
- Valor p: la probabilidad de obtener un resultado como el observado, o más extremo, si no hubiera diferencia real. Un p pequeño (por convención, menor que 0,05) indica que el resultado sería raro por azar.
- Qué NO es el valor p: no es la probabilidad de que la hipótesis sea cierta, ni dice que el efecto sea grande o importante. La Asociación Americana de Estadística advierte contra decidir solo por «p menor que 0,05» (Wasserstein y Lazar, 2016).
- Tamaño del efecto: cuánta diferencia hay, en unidades comparables. Una medida habitual es la d de Cohen: la diferencia de medias dividida entre la desviación típica. Cohen (1988) propuso como referencia orientativa 0,2 «pequeño», 0,5 «mediano» y 0,8 «grande», pero advierte de que son pautas, no reglas.
En el ejemplo: la diferencia es 1 punto y la desviación 1,49, así que d es de unos 0,67, un efecto entre mediano y grande. Pero con solo 10 alumnos por grupo, la prueba t da un valor p de aproximadamente 0,15: no se puede descartar que sea casualidad. La lectura honesta es: «el grupo A sacó un punto más; con tan pocos casos no podemos asegurar que se deba al método».
4.6 Cuidados al interpretar
- Muestra pequeña: con 10 o 20 casos, casi nada es concluyente. Cuéntalo como pista, no como prueba.
- Correlación no es causa: que dos cosas vayan juntas no dice cuál causa cuál.
- No ir a pescar: si pruebas veinte comparaciones, alguna saldrá «significativa» por azar. Decide antes qué vas a comparar.
- Significativo no es importante: con muchos casos, diferencias minúsculas dan p pequeño. Mira siempre el tamaño del efecto.
- No esconder lo incómodo: si el resultado no sale como esperabas, se cuenta igual.
- Herramientas: una hoja de cálculo basta para frecuencias, medias y gráficos. Para pruebas más avanzadas se usan programas como R, SPSS o jamovi; pide ayuda si no conoces las condiciones de cada prueba.
En resumen
- Lo que puedes calcular depende del tipo de variable: categórica, ordinal o numérica.
- Describe con frecuencias, media y mediana, y desviación típica, y da siempre el número de casos.
- Los gráficos deben ser honestos: eje en cero en barras, ejes etiquetados.
- La estadística inferencial estima si una diferencia es compatible con el azar; el valor p no dice si el efecto es grande ni si la hipótesis es cierta.
- Acompaña el valor p con el tamaño del efecto.
- Con muestras pequeñas, sé prudente: cuenta los resultados como pistas.
Referencias
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2.ª ed.). Lawrence Erlbaum Associates.
Cohen, L., Manion, L., & Morrison, K. (2018). Research methods in education (8.ª ed.). Routledge.
Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5.ª ed.). SAGE.
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129-133. https://doi.org/10.1080/00031305.2016.1154108
