Guía básica de análisis de datos para tu tesis
Revisado: 19 de agosto de 2026. Metodología de fuentes, revisión y correcciones
RESPUESTA DIRECTA
Los fundamentos del análisis de datos cuantitativos y cualitativos para tu trabajo de investigación.
El análisis de datos es el capítulo que más intimida. Es donde tu investigación pasa de teoría a evidencia. Pero antes de entrar en pánico, necesitas saber qué tipo de análisis necesitas, qué herramientas usar y cómo presentar los resultados de manera que tu jurado quede convencido.
En esta guía te llevamos paso a paso por todo el proceso, desde elegir el enfoque correcto hasta evitar los errores que hunden tesis en universidades como la UNAH, UTH, UNITEC, CEUTEC y UPNFM.
Cuantitativo vs Cualitativo: cuál necesitas
Lo primero es entender que el tipo de análisis depende de tu pregunta de investigación, no de tu preferencia personal.
Cuantitativo: Trabajas con números — encuestas con escalas Likert, mediciones, datos estadísticos. Necesitas estadística descriptiva (media, desviación estándar, frecuencias) y posiblemente inferencial (chi-cuadrado, t de Student, correlaciones, regresiones).
Cualitativo: Trabajas con palabras — entrevistas a profundidad, observaciones de campo, grupos focales. Necesitas transcripción, codificación temática, triangulación y análisis de discurso.
Mixto: Combinas ambos. Por ejemplo, aplicas una encuesta cuantitativa a 200 estudiantes de la UNAH y luego realizas 10 entrevistas a profundidad para entender el "por qué" detrás de los números. Este enfoque es cada vez más común en tesis de maestría.
Cómo decidir cuál usar
| Tu pregunta de investigación... | Enfoque recomendado |
|---|---|
| Busca medir, cuantificar o comparar | Cuantitativo |
| Busca comprender experiencias o significados | Cualitativo |
| Busca medir Y comprender a profundidad | Mixto |
| Tiene hipótesis con variables medibles | Cuantitativo |
| Explora un fenómeno poco estudiado | Cualitativo |
Los cuatro tipos de análisis cuantitativo
No todo análisis cuantitativo es igual. Dependiendo de tus objetivos, usarás uno o varios de estos tipos:
1. Análisis descriptivo
Describe lo que hay en tus datos. Es el punto de partida obligatorio.
- Frecuencias y porcentajes (cuántos respondieron que sí, cuántos que no)
- Medidas de tendencia central (media, mediana, moda)
- Medidas de dispersión (desviación estándar, rango, varianza)
- Tablas de frecuencia y gráficos de barras
Ejemplo real: En una tesis de Administración de Empresas en la UTH sobre satisfacción laboral, el análisis descriptivo te dice que el 65% de los empleados califica su satisfacción como "alta" y que el promedio en la escala Likert es 3.8 de 5.
2. Análisis inferencial
Va más allá de describir — busca generalizar resultados de tu muestra a toda la población.
- Prueba t de Student: comparar medias entre dos grupos
- ANOVA: comparar medias entre tres o más grupos
- Chi-cuadrado: asociación entre variables categóricas
- Pruebas de normalidad (Shapiro-Wilk, Kolmogorov-Smirnov)
Ejemplo real: En una tesis de Psicología en la UNAH, usas la prueba t para determinar si hay diferencia significativa en niveles de ansiedad entre estudiantes que trabajan y los que no.
3. Análisis correlacional
Mide la relación entre dos o más variables — si cuando una sube, la otra también (o baja).
- Correlación de Pearson: para variables continuas con distribución normal
- Correlación de Spearman: para variables ordinales o sin distribución normal
- Coeficiente de determinación (R cuadrado)
Ejemplo real: En una tesis de Mercadotecnia en UNITEC, mides la correlación entre inversión en redes sociales y ventas mensuales de pymes en Tegucigalpa. Un r = 0.72 indica una correlación positiva fuerte.
4. Análisis de regresión
Predice el valor de una variable a partir de otras. Es el análisis más avanzado en tesis de pregrado.
- Regresión lineal simple: una variable independiente
- Regresión lineal múltiple: varias variables independientes
- Regresión logística: cuando la variable dependiente es categórica (sí/no)
Ejemplo real: En una tesis de Ingeniería Industrial en la UPNFM, predices el tiempo de producción basado en el número de operarios, la temperatura del turno y las horas de capacitación.
Proceso paso a paso para analizar tus datos
Sigue estos pasos en orden. Saltarte alguno es la razón más común de rechazo en el capítulo de resultados.
Paso 1: Organiza tu base de datos
Antes de cualquier prueba, necesitas una base de datos limpia.
- Cada fila es un caso (un encuestado, una observación)
- Cada columna es una variable (edad, sexo, respuesta a pregunta 1, etc.)
- Codifica las respuestas: "Muy de acuerdo" = 5, "De acuerdo" = 4, etc.
- Revisa datos faltantes y decide cómo manejarlos (eliminar caso, reemplazar con media, etc.)
- Guarda el archivo en formato .xlsx o .csv
Paso 2: Realiza el análisis descriptivo
Siempre empieza por aquí. Calcula frecuencias, porcentajes, medias y desviaciones estándar para cada variable.
Paso 3: Verifica supuestos estadísticos
Antes de aplicar pruebas inferenciales, verifica:
- Normalidad: Shapiro-Wilk (muestras pequeñas) o Kolmogorov-Smirnov (muestras grandes)
- Homocedasticidad: Prueba de Levene
- Independencia de observaciones
Si los datos no son normales, usa pruebas no paramétricas (Mann-Whitney en vez de t de Student, Kruskal-Wallis en vez de ANOVA).
Paso 4: Aplica las pruebas estadísticas
Selecciona la prueba según tu objetivo y el tipo de variables:
| Objetivo | Variables | Prueba |
|---|---|---|
| Comparar 2 grupos | 1 categórica + 1 continua | t de Student / Mann-Whitney |
| Comparar 3+ grupos | 1 categórica + 1 continua | ANOVA / Kruskal-Wallis |
| Asociación entre categóricas | 2 categóricas | Chi-cuadrado |
| Relación entre continuas | 2 continuas | Pearson / Spearman |
| Predicción | 1 dependiente + 1 o más independientes | Regresión |
Paso 5: Interpreta los resultados
No basta con reportar el valor de p. Necesitas:
- Reportar el estadístico de prueba (t, F, chi-cuadrado, r)
- Reportar el valor de p y comparar con tu nivel de significancia (generalmente 0.05)
- Interpretar en lenguaje claro qué significa para tu investigación
- Conectar con tus objetivos e hipótesis
Paso 6: Presenta con tablas y gráficos
Cada resultado necesita una tabla o gráfico formal, con título, numeración y fuente.
Herramientas para el análisis de datos
Para análisis cuantitativo
| Herramienta | Mejor para | Curva de aprendizaje | Costo |
|---|---|---|---|
| Microsoft Excel | Descriptivos básicos, gráficos sencillos | Baja | Incluido en Office |
| SPSS | Pruebas inferenciales, la más usada en Honduras | Media | Licencia universitaria |
| R / RStudio | Análisis avanzados, gráficos profesionales | Alta | Gratuito |
| Jamovi | Alternativa gratuita a SPSS, interfaz amigable | Baja-Media | Gratuito |
| Google Sheets | Descriptivos básicos, colaboración | Baja | Gratuito |
Recomendación para estudiantes en Honduras: confirma con tu biblioteca o programa si existe una licencia vigente de SPSS. Si no, Jamovi o R pueden cubrir muchos análisis sin costo de licencia; elige según el método, la trazabilidad y las competencias del equipo.
Para análisis cualitativo
| Herramienta | Mejor para | Costo |
|---|---|---|
| Atlas.ti | Codificación temática profesional | Licencia (con descuento estudiantil) |
| MAXQDA | Análisis mixto | Licencia |
| NVivo | Grandes volúmenes de datos cualitativos | Licencia |
| Google Docs + colores | Codificación manual básica | Gratuito |
Cómo presentar datos correctamente
La presentación de datos es donde muchas tesis pierden puntos innecesariamente. Sigue estas reglas:
Tablas:
- Título arriba de la tabla, numerado (Tabla 1, Tabla 2...)
- Sin líneas verticales (norma APA)
- Fuente debajo de la tabla
- Solo las líneas horizontales necesarias
Gráficos:
- Título debajo del gráfico (Figura 1, Figura 2...)
- Barras para comparar categorías
- Líneas para tendencias en el tiempo
- Circular solo cuando tienes pocas categorías (máximo 5-6)
- Siempre incluye etiquetas de datos
Regla de oro: Cada tabla o gráfico debe poder entenderse sin leer el texto. Si alguien mira solo la tabla, debe entender qué estás mostrando.
Los errores más comunes (y cómo evitarlos)
Error 1: Presentar datos sin interpretarlos
"El 70% respondió que sí" no dice nada solo. Necesitas explicar qué significa en el contexto de tu investigación. "El 70% de los docentes encuestados en la UNAH considera que la plataforma virtual es útil, lo cual confirma la hipótesis H1 de que la percepción de utilidad es mayoritariamente positiva."
Error 2: Usar la prueba estadística incorrecta
Aplicar Pearson cuando tus datos no son normales, o usar chi-cuadrado cuando tus frecuencias esperadas son menores a 5. Siempre verifica los supuestos antes de elegir la prueba.
Error 3: Ignorar los valores atípicos
Un dato atípico puede distorsionar completamente tus resultados. Identifica outliers con diagramas de caja (boxplot) y decide si los eliminas o los reportas por separado.
Error 4: Confundir correlación con causalidad
Que dos variables estén correlacionadas no significa que una cause la otra. "Los estudiantes que duermen más tienen mejores notas" no significa que dormir cause buenas notas — puede haber variables intermedias.
Error 5: Muestra demasiado pequeña
Necesitas un cálculo formal del tamaño de muestra ANTES de recolectar datos. Una muestra de 15 personas rara vez es suficiente para pruebas inferenciales.
Error 6: No reportar la fiabilidad del instrumento
Si usas un cuestionario, necesitas reportar el Alfa de Cronbach. Un valor por debajo de 0.70 indica que tu instrumento no es confiable.
Ejemplo completo: tesis sobre satisfacción estudiantil
Imaginemos una tesis de Administración Educativa en la UNAH: "Satisfacción estudiantil con la modalidad virtual en la Facultad de Ciencias Sociales."
- Enfoque: Cuantitativo, alcance descriptivo-correlacional
- Instrumento: Cuestionario con escala Likert de 5 puntos, 25 ítems
- Muestra: 280 estudiantes (calculada con fórmula de poblaciones finitas)
- Análisis descriptivo: Media de satisfacción = 3.2/5, desviación estándar = 0.89
- Fiabilidad: Alfa de Cronbach = 0.87 (confiable)
- Análisis inferencial: Prueba t para comparar satisfacción entre hombres y mujeres (p = 0.032, hay diferencia significativa)
- Análisis correlacional: Correlación de Spearman entre satisfacción y rendimiento académico (r = 0.45, correlación moderada)
- Interpretación: Los estudiantes presentan una satisfacción moderada. Las mujeres reportan mayor satisfacción que los hombres. Existe una relación positiva moderada entre satisfacción y rendimiento, lo que sugiere que mejorar la experiencia virtual podría impactar positivamente en las calificaciones.
Análisis cualitativo paso a paso
Si tu investigación es cualitativa, el proceso es diferente pero igual de riguroso:
- Transcripción: Transcribe todas las entrevistas o grupos focales literalmente
- Lectura inicial: Lee todo el material sin codificar — familiarízate con los datos
- Codificación abierta: Asigna códigos a fragmentos significativos del texto
- Codificación axial: Agrupa códigos en categorías y subcategorías
- Triangulación: Compara los hallazgos entre diferentes fuentes (entrevistas, documentos, observaciones)
- Saturación teórica: Determina cuándo ya no surgen categorías nuevas
- Redacción de hallazgos: Presenta cada categoría con citas textuales de los participantes
Tip importante: La saturación no se demuestra con un número fijo de entrevistas. Explica la estrategia de muestreo, la diversidad relevante, cómo evaluaste información nueva y cualquier mínimo documentado por tu programa.
El análisis de datos es donde más valor agregamos. Aplicamos las pruebas estadísticas correctas, creamos visualizaciones profesionales y redactamos la interpretación conectada a tus objetivos. Cotiza tu análisis.
Un buen análisis de datos puede hacer la diferencia entre una tesis aprobada y una rechazada. No dejes esta parte al azar — es la columna vertebral de toda tu investigación.
Fuentes primarias y académicas
Estas fuentes respaldan la revisión editorial de la guía. Verifica siempre las reglas vigentes de tu propio programa.
- Introductory Statistics — OpenStax, Rice University
- Cochrane Handbook for Systematic Reviews — Cochrane
- R Manuals — The R Foundation
¿Necesitas ayuda con tu proyecto?
Nuestro equipo puede encargarse de tu tesis, investigación o proyecto tecnológico.