Shapiro-Wilk en TFG: cómo comprobar e interpretar la normalidad

Shapiro-Wilk en TFG: cómo comprobar e interpretar la normalidad
Ya tienes los datos de tu TFG.
Quieres comparar grupos o calcular una correlación.
Abres SPSS o jamovi.
Tu tutor te dice:
“Primero comprueba la normalidad.”
Ejecutas Shapiro-Wilk.
Resultado:
p = .032.
Y comienza el problema.
¿Eso significa que los datos no son normales?
¿Tengo que utilizar inmediatamente Mann-Whitney?
¿Si p = .051 puedo hacer una t de Student?
¿Shapiro-Wilk se utiliza solo cuando hay menos de 50 participantes?
¿Con 300 personas tengo que usar Kolmogorov-Smirnov?
¿Tengo que comprobar la normalidad de absolutamente todas las variables?
La respuesta es bastante más interesante que:
p < .05 = no normalp > .05 = normal.
Shapiro-Wilk es una herramienta útil para estudiar la normalidad, pero no debería convertirse en un interruptor automático que decida todo tu análisis estadístico.
El National Institute of Standards and Technology describe Shapiro-Wilk como una prueba específicamente diseñada para contrastar si una muestra puede proceder de una distribución normal. Valores pequeños de su estadístico W ofrecen evidencia de desviación respecto de la normalidad.
Vamos a ver cómo utilizarla correctamente en un TFG.
¿Qué es la prueba de Shapiro-Wilk?
Shapiro-Wilk es una prueba estadística utilizada para evaluar si unos datos son compatibles con una distribución normal.
La distribución normal es la conocida:
campana de Gauss.
Tiene aproximadamente:
simetría;
mayor concentración de observaciones alrededor del centro;
menor frecuencia a medida que nos alejamos de él.
Muchas técnicas estadísticas clásicas se desarrollan bajo determinados supuestos relacionados con la normalidad.
Entre ellas pueden aparecer, dependiendo del diseño:
t de Student;
ANOVA;
regresión lineal;
determinados procedimientos paramétricos.
Pero aquí aparece el primer matiz importante:
no todas estas técnicas necesitan que cada variable original sea perfectamente normal.
En numerosos modelos el supuesto relevante afecta a:
los residuos
o:
las diferencias entre puntuaciones
y no necesariamente a cada columna de la base de datos. Recursos estadísticos universitarios insisten precisamente en esta distinción para regresión y otros modelos.
¿Qué hipótesis contrasta Shapiro-Wilk?
De forma simplificada:
Hipótesis nula H0
Los datos son compatibles con una distribución normal.
Hipótesis alternativa H1
Los datos muestran una desviación respecto de la distribución normal.
Después obtenemos:
W
y:
p.
En la práctica, la mayoría de estudiantes mira principalmente:
el p-valor.
Pero hay que interpretarlo correctamente.
¿Qué significa p > .05 en Shapiro-Wilk?
Ejemplo:
W = .982
p = .241
Si trabajas con:
α = .05
no rechazas la hipótesis nula de normalidad.
Una redacción prudente sería:
La prueba de Shapiro-Wilk no mostró evidencia estadísticamente significativa de desviación respecto de la normalidad (W = .982, p = .241).
Lo que no deberías escribir es:
Se ha demostrado que los datos son normales.
No.
Un resultado no significativo significa que no tienes suficiente evidencia para rechazar la hipótesis de normalidad mediante esa prueba.
No demuestra matemáticamente que la distribución sea perfectamente normal.
Esta diferencia es importante.
¿Qué significa p < .05?
Ejemplo:
W = .941
p = .006
Con:
α = .05
rechazarías la hipótesis nula de normalidad.
Puedes escribir:
La prueba de Shapiro-Wilk indicó una desviación estadísticamente significativa respecto de la distribución normal (W = .941, p = .006).
Pero tampoco significa automáticamente:
“Ahora tengo prohibido utilizar cualquier prueba paramétrica.”
Antes debes estudiar:
tamaño muestral;
forma de la distribución;
valores extremos;
Q-Q plot;
diseño;
robustez de la prueba que quieres utilizar;
qué variable o residuo debe cumplir realmente el supuesto.
Este punto diferencia un análisis razonado de un análisis mecánico.
El error más frecuente del TFG
Probablemente hayas visto esta regla:
Shapiro-Wilk p > .05 → t de Student.
Shapiro-Wilk p < .05 → Mann-Whitney.
Es demasiado simplista.
Imagina:
N = 1.000.
Tu distribución es prácticamente simétrica.
El Q-Q plot muestra desviaciones mínimas.
Shapiro-Wilk:
p < .001.
¿Por qué?
Porque con muestras grandes una prueba de normalidad puede detectar pequeñas desviaciones respecto de una normal perfecta que quizá no tengan consecuencias relevantes para el análisis que pretendes realizar.
La literatura metodológica advierte precisamente de este problema: con muestras pequeñas las pruebas de normalidad pueden tener poca capacidad para detectar desviaciones, mientras que con muestras grandes incluso desviaciones pequeñas pueden producir resultados estadísticamente significativos.
Por eso:
p < .05 no debería ser la única información que mires.
Y el problema contrario en muestras pequeñas
Imagina:
N = 12.
Los datos parecen extremadamente asimétricos.
Existen dos valores muy alejados.
Shapiro-Wilk:
p = .09.
¿Concluyes:
“Perfectamente normal.”
No.
Con una muestra tan pequeña la prueba puede tener poca potencia para detectar una desviación real.
Otra vez:
un p-valor no sustituye la inspección de los datos.
Entonces, ¿cómo compruebo la normalidad correctamente?
Una evaluación razonable puede combinar:
1. Shapiro-Wilk
Prueba estadística.
2. Q-Q plot
Inspección gráfica.
3. Histograma
Visión general de la forma.
4. Valores extremos
Comprobar outliers.
5. Asimetría y curtosis
Información adicional sobre la distribución.
6. Tamaño muestral
Muy importante para interpretar todo lo anterior.
La normalidad no debería juzgarse mediante:
un único número.
El Q-Q plot: probablemente tu mejor aliado
Q-Q significa:
quantile-quantile plot.
Compara los cuantiles observados de los datos con los cuantiles que esperaríamos bajo una distribución normal.
Si los puntos siguen aproximadamente una línea recta:
la distribución puede considerarse aproximadamente compatible con la normalidad.
Si aparecen patrones claros como:
forma de S;
curvatura;
colas alejadas;
puntos extremos;
puede existir una desviación.
Materiales universitarios de estadística utilizan precisamente el Q-Q plot como una herramienta central para valorar gráficamente la normalidad.
¿Tiene que quedar perfectamente sobre la línea?
No.
Con datos reales casi nunca encontrarás:
100 puntos exactamente encima de la diagonal.
Pequeñas desviaciones son normales.
Lo importante es detectar:
patrones sistemáticos importantes.
Por ejemplo:
Situación A
Los puntos siguen bastante bien la línea salvo pequeñas desviaciones en los extremos.
Puede ser razonablemente compatible con normalidad.
Situación B
Los puntos forman una curva muy marcada.
Puede indicar asimetría.
Situación C
Uno o dos puntos aparecen muy alejados.
Puede existir un problema de valores extremos.
No conviertas el Q-Q plot en otro:
sí/no automático.
Interprétalo.
¿Qué significa una forma de S?
Puede sugerir diferencias en las colas de la distribución respecto de la normal.
Dependiendo de cómo se produzca la desviación, puedes estar ante:
colas pesadas;
colas ligeras;
asimetría;
otras diferencias.
Para un TFG básico no necesitas convertirte en especialista en teoría de distribuciones.
Pero sí reconocer:
una desviación clara de la línea recta.
El histograma
También puede ayudarte.
Una distribución aproximadamente normal suele presentar:
forma unimodal;
bastante simétrica;
concentración central;
colas progresivamente menores.
Pero cuidado.
La apariencia de un histograma depende mucho de:
cómo se definan los intervalos.
Cambiar el número de barras puede hacer que una misma distribución parezca visualmente distinta.
Por eso es útil como complemento.
No como única prueba.
Asimetría
La asimetría indica si una distribución se extiende más hacia uno de los lados.
Asimetría positiva
Cola más larga hacia valores altos.
Por ejemplo:
salarios.
Muchas personas tienen salarios medios.
Unas pocas presentan valores extremadamente altos.
Asimetría negativa
Cola más larga hacia valores bajos.
Ejemplo posible:
una prueba extremadamente fácil donde casi todos obtienen notas altas.
La asimetría puede ayudarte a comprender por qué el Q-Q plot o Shapiro-Wilk indican desviación.
Curtosis
La curtosis aporta información relacionada con la forma de las colas y la concentración de la distribución.
Puedes encontrar:
valores positivos;
negativos;
cercanos a cero.
Pero cuidado con las reglas rígidas.
Encontrarás en internet frases como:
entre -1 y +1 = normal.
O:
entre -2 y +2.
No existe un único punto de corte universal válido para cualquier diseño.
Utiliza estos estadísticos como:
información complementaria.
No como sustituto del análisis global.
¿Shapiro-Wilk o Kolmogorov-Smirnov?
Otro gran clásico.
Probablemente hayas encontrado esta regla:
Si n < 50 → Shapiro-Wilk.
Si n > 50 → Kolmogorov-Smirnov.
No deberías tratarla como una ley estadística universal.
Shapiro-Wilk ha mostrado un buen comportamiento en comparaciones de pruebas de normalidad y NIST lo incluye expresamente como una de las pruebas importantes para este propósito.
Revisiones metodológicas han señalado también que Shapiro-Wilk puede presentar mayor potencia que determinadas versiones de Kolmogorov-Smirnov para detectar desviaciones de normalidad.
Por tanto:
el tamaño n = 50 no crea una frontera mágica donde Shapiro-Wilk deje de servir.
Si tu universidad, manual o tutor exige un procedimiento concreto:
síguelo.
Pero no presentes esa regla como un principio estadístico universal.
¿Qué es Kolmogorov-Smirnov?
Es una familia de pruebas que compara una distribución empírica con una distribución de referencia.
En SPSS puedes encontrarte una versión relacionada con:
Kolmogorov-Smirnov con corrección de Lilliefors.
También puede utilizarse para evaluar normalidad.
Pero no necesitas calcular:
Shapiro-Wilk
Kolmogorov-Smirnov
Anderson-Darling
cinco pruebas más
para demostrar que has comprobado el supuesto.
Más pruebas no significan mejor metodología.
¿Cuál elegir entonces?
Para muchos TFG puede ser razonable utilizar:
Shapiro-Wilk + inspección gráfica
si la metodología y la guía de la universidad lo permiten.
El objetivo no es coleccionar p-valores.
Es determinar si las desviaciones observadas son suficientemente importantes como para afectar a:
el análisis que realmente quieres realizar.
Muy importante: ¿qué variable tengo que comprobar?
Este punto suele explicarse mal.
Supongamos una:
t de Student para grupos independientes.
Tienes:
Grupo A.
Grupo B.
Variable:
ansiedad.
No basta necesariamente con:
mezclar ambos grupos
y comprobar la normalidad de las 200 puntuaciones juntas.
Lo relevante puede ser estudiar la distribución:
dentro de los grupos
o el supuesto correspondiente al modelo.
Si juntas dos grupos con medias muy diferentes:
la distribución combinada puede incluso parecer bimodal.
Eso no significa necesariamente que el supuesto del modelo se incumpla de la misma manera.
En una t de Student pareada
Tienes:
ansiedad antes.
ansiedad después.
Mismas personas.
Aquí el supuesto de normalidad relevante para el procedimiento clásico se relaciona con:
las diferencias entre las dos mediciones.
Es decir:
DIFERENCIA = Después - Antes.
No necesariamente con que:
“Antes”
y:
“Después”
sean cada una perfectamente normales por separado.
Este matiz puede cambiar completamente la decisión.
En un ANOVA
De forma conceptual, el supuesto de normalidad se refiere a la distribución de:
los errores o residuos dentro del modelo.
No simplemente a:
“la variable dependiente debe ser normal en toda la muestra.”
En diseños sencillos se suelen inspeccionar también las distribuciones por grupos, pero lo importante es entender qué asume realmente el modelo.
En regresión lineal
Este punto es todavía más claro.
La regresión lineal clásica no exige necesariamente:
“X debe ser normal.”
Ni:
“Y tiene que verse exactamente como una campana.”
La normalidad relevante para determinadas inferencias se refiere a:
los residuos del modelo.
Recursos actuales sobre diagnóstico de regresión recalcan precisamente que debe evaluarse la distribución de los residuos y no asumir que la variable resultado original tiene que ser normal.
¿Qué son los residuos?
Supongamos una regresión.
El modelo predice:
Y = 70.
El valor real es:
Y = 75.
Residuo:
Otro participante:
predicción = 80.
real = 78.
Residuo:
-2.
Los residuos son aproximadamente:
la diferencia entre aquello que el modelo predice y aquello que realmente observamos.
Para determinados procedimientos inferenciales interesa estudiar su comportamiento.
No hagas Shapiro-Wilk a cada columna por sistema
Base de datos:
Edad.
Sexo.
Curso.
Ansiedad.
Autoestima.
Horas sueño.
Provincia.
Situación laboral.
No necesitas realizar Shapiro-Wilk sobre:
todas.
Ejemplo:
Sexo
es una variable categórica.
No tiene sentido comprobar:
“si sexo sigue una distribución normal”.
Provincia tampoco.
La normalidad es relevante para determinadas variables y análisis.
No para cualquier columna que contenga datos.
¿Tiene sentido Shapiro-Wilk con una variable Likert de una sola pregunta?
Imagina:
Satisfacción:
1 = muy baja.
5 = muy alta.
Solo existen cinco valores posibles.
La distribución nunca será:
perfectamente continua y normal.
Aquí debes pensar cuidadosamente:
qué tipo de variable tienes
y:
qué análisis corresponde.
No ejecutes Shapiro-Wilk porque:
“antes de cualquier prueba hay que hacerlo.”
¿Y una puntuación total de una escala Likert?
Situación diferente.
Tienes:
20 ítems.
Cada uno:
1-5.
Los sumas.
Obtienes una puntuación:
20-100.
Esa puntuación total puede presentar una distribución mucho más cercana a una variable cuantitativa continua.
Ahora puede tener sentido estudiar su forma para determinados análisis.
No confundas:
ítem individual
con:
puntuación compuesta.
¿Qué ocurre con los outliers?
Un único valor extremo puede afectar:
media;
desviación;
Shapiro-Wilk;
Q-Q plot;
correlaciones;
regresiones.
Ejemplo:
Edades:
18-35.
Una respuesta:
Eso probablemente es:
un error.
Pero otro valor:
75
puede ser perfectamente real.
No elimines todo valor extremo automáticamente.
Pregunta:
¿es un error o una observación válida?
Error de entrada
Participante escribió:
330
cuando quería escribir:
Si puedes comprobarlo adecuadamente:
corrige conforme a tu procedimiento.
Observación real extrema
Una persona realmente:
gana 300.000 euros.
El resto:
20.000-40.000.
No puedes eliminarla simplemente porque:
“rompe la normalidad.”
Debes decidir según:
objetivo;
población;
criterios;
análisis.
¿Qué hago si los datos no son normales?
No existe una única respuesta.
Puedes considerar:
1. Revisar errores
Antes de hacer nada:
comprueba la base.
2. Revisar outliers
¿Son válidos?
3. Considerar robustez
Algunos procedimientos paramétricos pueden ser bastante robustos frente a desviaciones moderadas bajo determinadas condiciones.
4. Utilizar otra medida descriptiva
Por ejemplo:
mediana e IQR
cuando la distribución es fuertemente asimétrica.
5. Transformaciones
Logaritmo.
Raíz.
Otras.
Solo cuando tengan sentido.
6. Métodos robustos
Dependiendo del diseño.
7. Alternativa no paramétrica
Mann-Whitney.
Wilcoxon.
Spearman.
Kruskal-Wallis.
Cuando realmente corresponda.
La decisión no debería ser:
p = .049 → Mann-Whitney.
¿Prueba paramétrica o no paramétrica?
Esta dicotomía tampoco debería reducirse exclusivamente a normalidad.
Debes considerar también:
tipo de variable;
independencia;
homogeneidad de varianzas;
valores extremos;
diseño;
tamaño muestral;
forma de la distribución.
Una prueba no paramétrica no es:
“la misma prueba pero sin supuestos.”
También tiene:
sus propias condiciones
y:
una interpretación que puede diferir.
Ejemplo: t de Student vs Mann-Whitney
La t de Student compara:
medias
dentro del modelo correspondiente.
Mann-Whitney analiza:
distribuciones/rangos
y su interpretación no es simplemente:
“la t no paramétrica de medias.”
Por eso cambiar automáticamente de una a otra puede cambiar:
qué pregunta estadística estás respondiendo.
Ejemplo completo
TFG:
Diferencias en ansiedad académica entre estudiantes que trabajan y estudiantes que no trabajan.
Grupo A:
n = 90.
Grupo B:
n = 85.
Shapiro-Wilk:
Grupo A:
p = .081.
Grupo B:
p = .043.
¿Conclusión?
No deberías escribir automáticamente:
Como un grupo tiene p < .05, se utilizó Mann-Whitney.
Revisa:
Q-Q plots;
grado de asimetría;
valores extremos;
tamaños de grupo;
igualdad de varianzas;
robustez de la t;
objetivo de comparar medias.
Puede ocurrir que la desviación sea pequeña y la t continúe siendo una opción razonable.
O que exista:
asimetría extrema + outliers importantes
y otra estrategia resulte más apropiada.
La decisión necesita argumentos.
Ejemplo con muestra grande
N = 600.
Shapiro-Wilk:
p < .001.
Histograma:
bastante simétrico.
Q-Q:
pequeñas desviaciones en las colas.
Sin outliers graves.
En esta situación:
el resultado significativo de Shapiro-Wilk puede reflejar su sensibilidad a una desviación pequeña.
No describas:
“Los datos presentan una distribución completamente anormal.”
Eso exagera lo encontrado.
Puedes escribir:
La prueba de Shapiro-Wilk resultó significativa, aunque la inspección del Q-Q plot mostró únicamente desviaciones leves respecto de la normalidad.
Después justificas tu decisión analítica.
Ejemplo con muestra pequeña
N = 14.
Shapiro-Wilk:
p = .18.
Q-Q:
curvatura marcada.
Histograma:
asimetría fuerte.
Dos outliers.
No escribas:
“Se cumple perfectamente normalidad porque p > .05.”
Con muestras pequeñas:
la ausencia de significación ofrece poca garantía.
La literatura sobre pruebas de normalidad advierte precisamente de la menor capacidad para detectar desviaciones con muestras pequeñas.
Cómo hacer Shapiro-Wilk en SPSS
Una ruta habitual en SPSS es:
Analizar
→ Estadísticos descriptivos
→ Explorar
Después introduces:
la variable dependiente.
Cuando sea necesario puedes utilizar:
factor
para estudiar grupos.
En:
Gráficos
activa:
Gráficos de normalidad con pruebas.
SPSS puede generar:
Shapiro-Wilk;
Kolmogorov-Smirnov;
Q-Q plots;
otros descriptivos.
No necesitas copiar todo el output al TFG.
¿Qué tabla de SPSS miro?
Suele aparecer una tabla:
Pruebas de normalidad
con columnas como:
Kolmogorov-Smirnov.
Shapiro-Wilk.
Dentro de Shapiro-Wilk:
estadístico;
gl;
significación.
Ejemplo:
Variable | W | gl | p |
Ansiedad | .973 | 120 | .018 |
No interpretes:
gl = 120
como grados de libertad exactamente en el mismo sentido que una t de Student.
En esta tabla suele reflejar:
el número de observaciones utilizado.
Lo principal para tu redacción será:
W
y:
p.
Cómo hacer Shapiro-Wilk en jamovi
En jamovi puedes trabajar desde los análisis descriptivos/exploratorios y activar:
Shapiro-Wilk;
Q-Q plots;
histogramas;
estadísticos de asimetría y curtosis.
La interfaz puede cambiar ligeramente entre versiones.
La lógica es:
seleccionar las variables relevantes
y:
examinar conjuntamente resultados numéricos y gráficos.
No necesitas hacer veinte análisis separados.
¿Cómo redactarlo en metodología?
Ejemplo:
La normalidad de las distribuciones relevantes para los análisis se examinó mediante la prueba de Shapiro-Wilk y la inspección visual de los gráficos Q-Q.
Muy bien.
Otro más completo:
El supuesto de normalidad se evaluó mediante la prueba de Shapiro-Wilk, complementada con la inspección de gráficos Q-Q y la revisión de posibles valores extremos.
No necesitas explicar toda la fórmula matemática.
Cómo redactarlo en resultados
Ejemplo 1:
La puntuación de ansiedad no mostró una desviación estadísticamente significativa respecto de la normalidad, W = .985, p = .174.
Ejemplo 2:
Shapiro-Wilk mostró una desviación significativa de la normalidad para la variable de horas de uso diario, W = .901, p < .001. La inspección del Q-Q plot confirmó una marcada asimetría positiva.
Aquí el resultado estadístico y gráfico:
coinciden.
Ejemplo con discrepancia
La prueba de Shapiro-Wilk resultó significativa, W = .979, p = .021. No obstante, el Q-Q plot mostró únicamente pequeñas desviaciones en las colas y no se observaron valores extremos importantes.
Esto resulta mucho más informativo que:
“No hay normalidad.”
¿Tengo que poner una tabla de normalidad?
No obligatoriamente.
Si tienes:
dos variables,
puedes explicarlo en texto.
Si tienes:
10 escalas,
puede resultar más limpio utilizar una tabla.
Ejemplo:
Variable | W | p |
Ansiedad | .982 | .087 |
Autoestima | .989 | .325 |
Estrés | .941 | < .001 |
Después:
explica qué decisiones analíticas se tomaron.
No conviertas la tabla en:
el único análisis.
¿Tengo que poner los Q-Q plots en el TFG?
No necesariamente todos.
Puedes:
describir su inspección.
Incluir alguno cuando:
exista una desviación importante;
resulte metodológicamente relevante;
el tutor lo solicite.
También pueden ir:
en anexos.
No llenes 15 páginas con gráficos de normalidad que nadie necesita consultar.
¿Shapiro-Wilk debe aparecer en metodología o resultados?
En metodología:
explicas que lo utilizaste.
En resultados:
indicas qué obtuviste, cuando esa información sea necesaria para justificar el análisis posterior.
No necesitas repetir la explicación teórica completa en ambos sitios.
¿Qué pasa con Levene?
Otro nombre que suele aparecer junto a normalidad.
Levene no comprueba normalidad.
Evalúa:
homogeneidad de varianzas
en determinados análisis.
Son supuestos distintos.
Ejemplo:
t de Student independiente.
Puedes tener:
normalidad razonable
pero:
varianzas diferentes.
En ese caso la decisión analítica puede cambiar.
No interpretes:
Shapiro-Wilk
como comprobación universal de todos los supuestos.
¿Normalidad = homogeneidad?
No.
Normalidad
Forma de la distribución relevante.
Homogeneidad de varianzas
Similitud de variabilidad entre grupos.
Independencia
Relación entre observaciones.
Tres cosas diferentes.
Y una prueba puede exigir:
más de un supuesto.
¿Qué ocurre si Levene es significativo?
En determinados procedimientos existen versiones que no asumen igualdad de varianzas.
Por ejemplo:
Welch.
No necesitas saltar automáticamente a una prueba no paramétrica simplemente porque:
Levene p < .05.
Otra vez:
cada supuesto tiene su solución.
La independencia suele ser todavía más importante
Imagina que encuestas:
100 personas.
Pero realmente:
50 son parejas
y responden juntos.
Las observaciones pueden no ser independientes.
Shapiro-Wilk puede salir:
perfecto.
Eso no arregla el problema.
Los supuestos estadísticos no se limitan a normalidad.
¿Qué distribución tiene que ser normal en Pearson?
Para inferencia clásica asociada a Pearson existen supuestos relacionados con:
relación lineal;
variables cuantitativas;
ausencia de outliers graves;
normalidad bivariada bajo determinados enfoques.
No decidas Pearson vs Spearman únicamente ejecutando:
Shapiro-Wilk individual
sobre cada variable.
También revisa:
diagrama de dispersión.
Puedes tener dos variables individualmente normales pero una relación:
curva.
Pearson puede no representar bien esa relación.
Ejemplo
X e Y siguen distribuciones bastante normales.
Pero la relación tiene:
forma de U.
Pearson:
r ≈ 0.
¿Significa:
“no existe relación”?
No.
Existe una relación clara:
no lineal.
La normalidad no resuelve todo.
¿Y Spearman?
Spearman trabaja con rangos y puede resultar más apropiado en diferentes situaciones, como variables ordinales o determinadas relaciones monotónicas.
Pero tampoco es:
“Pearson cuando Shapiro da significativo.”
La elección depende del tipo de relación y de las variables.
Error frecuente 1
Shapiro p = .049 → no paramétrico.
Demasiado automático.
Error frecuente 2
Shapiro p = .051 → distribución normal perfecta.
No.
Error frecuente 3
Utilizar Kolmogorov-Smirnov automáticamente por tener:
n > 50.
No existe una frontera universal de ese tipo.
Error frecuente 4
Comprobar normalidad de:
sexo;
tipo de contrato;
provincia.
No son variables para las que tenga sentido ese supuesto.
Error frecuente 5
En regresión comprobar únicamente:
Y
y no:
los residuos.
Error frecuente 6
En una t pareada comprobar por separado:
pre
y:
post
sin revisar:
las diferencias.
Error frecuente 7
Ignorar outliers.
Pueden ser mucho más problemáticos que una desviación leve.
Error frecuente 8
Utilizar únicamente histograma.
Complementa con:
Q-Q y análisis estadístico.
Error frecuente 9
Utilizar únicamente Shapiro-Wilk.
El p-valor no cuenta toda la historia.
Error frecuente 10
Escribir:
“Los datos no son paramétricos.”
Los datos no son:
paramétricos o no paramétricos.
Las técnicas estadísticas son:
paramétricas
o:
no paramétricas.
Los datos pueden:
aproximarse o no a determinados supuestos.
Error frecuente 11
Eliminar valores reales para conseguir:
p > .05.
Nunca manipules la base para “pasar la prueba.”
Error frecuente 12
Transformar datos sin entender qué estás haciendo.
Una transformación cambia la escala y puede afectar a:
interpretación.
No utilices:
log
únicamente porque lo viste en otro TFG.
Ejemplo completo de decisión
Objetivo:
Comparar satisfacción laboral entre trabajadores presenciales e híbridos.
Variable:
puntuación total de satisfacción.
Grupos:
n = 76 y n = 81.
Shapiro-Wilk:
p = .031 y p = .064.
Q-Q plots:
razonablemente lineales.
Asimetría:
moderada.
Sin outliers graves.
Grupos:
bastante equilibrados.
En este caso:
no deberías decidir automáticamente:
Mann-Whitney
únicamente porque:
un p es inferior a .05.
Necesitas justificar el análisis de forma global.
Otro ejemplo
Grupos:
n = 12 y n = 14.
Una variable presenta:
asimetría extrema.
Cuatro valores extremos.
Q-Q plot:
muy alejado.
Shapiro:
p < .001.
Aquí la preocupación puede ser mucho mayor.
La decisión estadística puede ser diferente.
El contexto importa.
Ejemplo de TFG de Psicología
Escala de ansiedad:
20 ítems.
Puntuación total.
N = 180.
Quieres comparar:
estudiantes que trabajan
vs.
no trabajan.
Primero revisas:
distribución por grupos;
Q-Q;
valores extremos;
varianzas.
Después decides:
qué comparación es apropiada.
No analices la normalidad de:
cada uno de los 20 ítems individualmente
si tu análisis utiliza:
la puntuación total.
El supuesto debe comprobarse en relación con:
la variable realmente analizada.
Ejemplo de ADE
Variable:
salario.
Los salarios suelen mostrar:
asimetría positiva.
Unos pocos trabajadores pueden ganar muchísimo más.
Shapiro-Wilk:
p < .001.
No debería sorprender.
En este caso:
media;
mediana;
transformaciones;
método robusto
o:
otra prueba
pueden requerir consideración dependiendo del objetivo.
Ejemplo de Educación
Variable:
nota de un examen extremadamente fácil.
La mayoría:
9-10.
Distribución:
asimétrica.
Si quieres comparar dos métodos docentes:
debes considerar:
techo de la escala;
forma;
grupos;
diseño.
La normalidad no es el único problema.
También existe:
efecto techo.
Efecto techo y suelo
Efecto techo
Muchos participantes obtienen:
el máximo.
Efecto suelo
Muchos:
el mínimo.
Esto puede dificultar:
detectar diferencias.
Y generar distribuciones fuertemente no normales.
No se soluciona únicamente cambiando:
t
por:
Mann-Whitney.
Puede ser un problema del instrumento.
Checklist antes de decidir normalidad
Sé cuál es el análisis que voy a realizar.
Sé qué variable/residuo debe cumplir el supuesto.
No aplico Shapiro-Wilk a variables categóricas.
He revisado el tamaño muestral.
He ejecutado Shapiro-Wilk cuando corresponde.
He revisado el Q-Q plot.
He comprobado valores extremos.
He revisado asimetría y forma general.
No utilizo p = .05 como frontera automática.
No cambio de prueba únicamente por un p significativo.
He comprobado también los demás supuestos.
Puedo justificar mi decisión estadística.
No elimino observaciones reales para conseguir normalidad.
Distingo datos originales, diferencias y residuos.
Preguntas frecuentes
¿Qué es Shapiro-Wilk?
Es una prueba estadística utilizada para evaluar si una muestra muestra evidencia de desviación respecto de una distribución normal.
¿Qué significa p > .05?
Que no existe suficiente evidencia estadística para rechazar la hipótesis de normalidad al nivel establecido. No demuestra que la distribución sea perfectamente normal.
¿Qué significa p < .05?
Que existe evidencia estadística de desviación respecto de la normalidad según la prueba. La importancia práctica de esa desviación debe valorarse junto con gráficos, tamaño muestral y análisis previsto.
¿Shapiro-Wilk se usa solo con menos de 50 personas?
No existe una regla universal que obligue a utilizar Shapiro-Wilk únicamente cuando n < 50.
¿Con más de 50 uso Kolmogorov-Smirnov?
No automáticamente. Esa regla simplificada no debería tratarse como una ley estadística.
¿Tengo que comprobar normalidad siempre?
Solo cuando el análisis o modelo utilizado tenga un supuesto relevante relacionado con la distribución.
¿Qué es un Q-Q plot?
Es un gráfico que compara cuantiles observados con los esperados bajo una distribución teórica. Si los puntos siguen aproximadamente una línea recta, existe mayor compatibilidad con normalidad.
¿Qué hago si Shapiro sale significativo?
No cambies automáticamente de prueba. Revisa Q-Q plot, outliers, forma, tamaño muestral, diseño y robustez del procedimiento previsto.
¿Qué pasa si no es significativo?
Tampoco significa normalidad perfecta, especialmente con muestras pequeñas.
¿Para una t pareada compruebo pre y post?
El supuesto relevante se relaciona con la distribución de las diferencias entre ambas mediciones.
¿En regresión compruebo la variable dependiente?
Para la inferencia clásica interesa especialmente evaluar los residuos del modelo.
¿Normalidad y homogeneidad son lo mismo?
No. La homogeneidad de varianzas es otro supuesto diferente.
¿Shapiro-Wilk me dice si utilizo Pearson o Spearman?
No por sí solo. También debes considerar tipo de variables, linealidad, outliers y características del análisis.
¿Tengo que incluir el output de SPSS?
No necesariamente. Puedes informar W y p y describir la inspección gráfica. El output completo solo es necesario si tu guía o tutor lo solicita.
La regla que deberías recordar
No conviertas:
p = .049
y:
p = .051
en dos universos estadísticos completamente diferentes.
Shapiro-Wilk puede ayudarte.
Pero no piensa por ti.
Una decisión correcta necesita combinar:
prueba estadística
gráficos
tamaño muestral
outliers
diseño
supuesto real de la prueba que vas a utilizar.
Porque el objetivo no es conseguir que tus datos:
“aprueben normalidad.”
El objetivo es decidir si el análisis que quieres realizar resulta razonable para los datos que realmente tienes.
Y esa decisión necesita bastante más que mirar una única celda de SPSS.





Comentarios