RedactorIA LogoRedactorIA|

Prueba de Normalidad: Shapiro-Wilk o Kolmogorov-Smirnov y Cómo Interpretarla

Cuándo usar Shapiro-Wilk o Kolmogorov-Smirnov, cómo interpretar el valor p, qué prueba aplicar después y cómo redactar la normalidad en tu tesis, con ejemplos.

Equipo Redactoria29 de octubre de 202610 min de lectura
En este artículo· 12 secciones
  1. 1¿Para qué sirve una prueba de normalidad?
  2. 2Las hipótesis de la prueba
  3. 3Shapiro-Wilk o Kolmogorov-Smirnov: la convención habitual
  4. 4Cómo interpretar el resultado
  5. 5Qué prueba usar después
  6. 6Cómo hacerla en SPSS
  7. 7Gráficos que ayudan: histograma y Q-Q
  8. 8Cómo redactar el resultado en tu tesis
  9. 9Errores comunes
  10. 10Lista de verificación final
  11. 11Fuentes Consultadas
  12. 12Preguntas frecuentes

En casi todas las tesis cuantitativas llega la pregunta del jurado: "¿Verificaste la normalidad de los datos?". No es un trámite: de esa verificación depende qué pruebas puedes usar para contrastar tus hipótesis y, por lo tanto, si tus conclusiones se sostienen.

Aquí verás para qué sirve esta prueba, cuándo usar Shapiro-Wilk y cuándo Kolmogorov-Smirnov, cómo interpretar el valor p, qué prueba aplicar después, cómo hacerla en SPSS y cómo redactar el resultado, con un párrafo y una tabla de ejemplo.

¿Para qué sirve una prueba de normalidad?

Las pruebas paramétricas, como la t de Student, el ANOVA o la correlación de Pearson, trabajan con medias y varianzas y suponen, entre otras cosas, que los datos provienen de una distribución normal: la campana de Gauss. Las no paramétricas, como la U de Mann-Whitney, la de Kruskal-Wallis o la rho de Spearman, trabajan con rangos y no exigen ese supuesto. La prueba de normalidad es el filtro que decide entre las dos familias.

Ojo: no siempre se evalúa la variable completa. Lo que debe ser normal depende de la prueba que usarás:

  • Para comparar grupos (t de Student, ANOVA): la variable dentro de cada grupo.
  • Para la t de muestras relacionadas: las diferencias entre el antes y el después.
  • Para la correlación de Pearson: cada una de las dos variables.
  • Para la regresión lineal: los residuos del modelo.

Las hipótesis de la prueba

  • H0: los datos provienen de una población con distribución normal.
  • H1: los datos no provienen de una población con distribución normal.

La lógica está invertida respecto de lo habitual: si quieres usar pruebas paramétricas, te conviene no rechazar H0. Y, como en toda prueba de hipótesis, no rechazarla no demuestra que los datos sean normales; solo indica que no hay evidencia suficiente de que no lo sean.

Shapiro-Wilk o Kolmogorov-Smirnov: la convención habitual

Las dos pruebas más usadas son Shapiro-Wilk, propuesta por Samuel Shapiro y Martin Wilk en 1965, y Kolmogorov-Smirnov, que compara la distribución acumulada de tus datos con la de una normal. En las tesis de Perú y de otros países de la región está muy extendida esta convención:

  • Shapiro-Wilk si la muestra, o cada grupo, tiene menos de 50 casos.
  • Kolmogorov-Smirnov con la corrección de Lilliefors si tiene 50 casos o más.

Es una costumbre, no una ley, con un origen histórico: las tablas originales de Shapiro y Wilk llegaban hasta 50 casos, pero extensiones posteriores, como las de Patrick Royston, permiten aplicarla a miles de datos. Además, en comparaciones por simulación como la de Razali y Wah (2011), Shapiro-Wilk fue la prueba con mayor potencia (la que mejor detecta una desviación real de la normalidad), seguida de Anderson-Darling, Lilliefors y Kolmogorov-Smirnov. Si tu universidad sigue la regla de los 50 casos, respétala y menciónala en el método.

¿Y la corrección de Lilliefors? El Kolmogorov-Smirnov clásico supone que conoces de antemano la media y la desviación estándar de la población. En una tesis se calculan con la misma muestra, y entonces la prueba clásica da valores p demasiado altos: tiende a "aprobar" la normalidad. Lilliefors (1967) corrigió los valores críticos para ese caso.

AspectoShapiro-WilkKolmogorov-Smirnov (Lilliefors)
Convención habitual en tesisMenos de 50 casos50 casos o más
PotenciaMayor (Razali y Wah, 2011)Menor
EstadísticoW, entre 0 y 1; cerca de 1 indica normalidadD, una distancia; cerca de 0 indica normalidad

Cómo interpretar el resultado

Con un nivel de significancia de 0,05:

ResultadoDecisiónQué significaSiguiente paso
p > 0,05No se rechaza H0Los datos son compatibles con una distribución normalPrueba paramétrica
p ≤ 0,05Se rechaza H0Los datos se desvían de la normalidadPrueba no paramétrica

Tres lecturas de SPSS que confunden a muchos estudiantes:

  • Sig. = ,000 no significa que p valga cero: es menor que 0,0005 y se reporta como p < .001.
  • Sig. = ,200* va acompañado de la nota "Esto es un límite inferior de la significación verdadera": el valor p real es 0,200 o mayor, así que se asume normalidad. Puedes reportarlo como p ≥ .200.
  • Cada variable o grupo tiene su propia decisión; si uno de los grupos no es normal, la convención habitual es usar la prueba no paramétrica para esa comparación.

Qué prueba usar después

Objetivo del análisisCon normalidadSin normalidadQué debe ser normal
Comparar dos grupos independientest de Student para muestras independientesU de Mann-WhitneyLa variable en cada grupo
Comparar tres o más grupos independientesANOVA de un factorKruskal-WallisLa variable en cada grupo
Relacionar dos variables cuantitativasCorrelación de PearsonRho de SpearmanCada una de las dos variables
Comparar antes y después en un mismo grupot para muestras relacionadasPrueba de WilcoxonLas diferencias entre mediciones

Para la t de Student y el ANOVA se revisa además la homogeneidad de varianzas, con la prueba de Levene; si las varianzas difieren, SPSS ofrece la versión de Welch de la t en la fila "No se asumen varianzas iguales".

Cómo hacerla en SPSS

1

Ve a Analizar > Estadísticos descriptivos > Explorar y pasa tu variable a Lista de dependientes. Si vas a comparar grupos, coloca la variable que los define, como turno o sexo, en Lista de factores: así obtendrás una prueba por grupo.

2

En Gráficos, marca Gráficos con pruebas de normalidad (y, si quieres, Histograma) y pulsa Continuar.

3

Deja marcada la opción Ambos en la parte inferior del cuadro, porque con solo Estadísticos las pruebas no aparecen, y pulsa Aceptar.

La tabla Pruebas de normalidad presenta las dos pruebas lado a lado, con su estadístico, sus grados de libertad (gl, que aquí son el número de casos) y su significancia (Sig.); la nota "Corrección de significación de Lilliefors" confirma que el Kolmogorov-Smirnov es el corregido. Con los datos del ejemplo de más abajo:

VariableK-S: estadísticoK-S: glK-S: Sig.S-W: estadísticoS-W: glS-W: Sig.
Procrastinación académica,056120,200*,989120,472
Horas semanales de estudio,127120,000,929120,000

Para una t pareada, evalúa la variable diferencia, que creas con Transformar > Calcular variable; para una regresión lineal, guarda los residuos con el botón Guardar del cuadro de regresión y evalúalos en Explorar.

Gráficos que ayudan: histograma y Q-Q

La prueba da un veredicto; los gráficos explican por qué. En el histograma, busca una campana simétrica: una cola larga a la derecha indica asimetría positiva, típica de ingresos, tiempos o conteos. En el gráfico Q-Q normal, cada dato se compara con el valor que tendría en una normal perfecta: si los puntos siguen la diagonal, hay normalidad; si dibujan una curva, hay asimetría; si se apartan en los dos extremos en forma de S, las colas son más pesadas o más livianas que las de una normal.

Complementa con la asimetría y la curtosis de Explorar, que en una normal valen 0: en muestras grandes, una referencia muy citada considera problemática una asimetría mayor que 2 o una curtosis mayor que 7, en valor absoluto (West, Finch y Curran, 1995).

Cómo redactar el resultado en tu tesis

Imagina una tesis correlacional con 120 estudiantes sobre la procrastinación académica (puntaje total de un cuestionario) y las horas semanales de estudio, con datos simulados para esta guía. Como la muestra supera los 50 casos, se reporta Kolmogorov-Smirnov con la corrección de Lilliefors:

Se evaluó la normalidad de las variables con la prueba de Kolmogorov-Smirnov con corrección de Lilliefors, dado que la muestra estuvo conformada por 120 estudiantes. La procrastinación académica presentó una distribución compatible con la normal, D(120) = .056, p ≥ .200, mientras que las horas semanales de estudio se desviaron significativamente de la normalidad, D(120) = .127, p < .001, con asimetría positiva. Por ello, la relación entre ambas variables se analizó con la rho de Spearman.

En APA 7, la tabla lleva el número en negrita, el título en cursiva y una nota debajo:

Tabla 1

Prueba de normalidad de las variables de estudio

VariableDglpDistribución
Procrastinación académica.056120≥ .200Normal
Horas semanales de estudio.127120< .001No normal

Nota. Prueba de Kolmogorov-Smirnov con corrección de Lilliefors. Datos simulados con fines de ejemplo.

Errores comunes

Con muestras grandes, casi todo sale "no normal". Con cientos de casos, las pruebas detectan desviaciones mínimas, sin importancia práctica. En una simulación hecha para esta guía, con una variable apenas asimétrica (asimetría de 0,3), Shapiro-Wilk rechazó la normalidad en cerca del 8 % de las muestras de 30 casos y en el 94 % de las de 1000: la variable era la misma, solo cambió el tamaño de la muestra. Además, por el teorema central del límite, las pruebas paramétricas toleran desviaciones moderadas en muestras grandes: Ghasemi y Zahediasl (2012) señalan que, con más de 30 o 40 casos, la falta de normalidad no debería causar problemas graves. Con muestras grandes, decide mirando también los gráficos y acuerda el criterio con tu asesor.

Con muestras pequeñas, casi nada sale "no normal". En esa misma simulación, con 20 casos, la prueba detectó la asimetría apenas en el 7 % de las muestras. Un p > 0,05 con pocos datos es una evidencia débil: revisa los gráficos antes de darla por buena.

Otros errores frecuentes:

  • Evaluar toda la muestra junta cuando vas a comparar grupos.
  • Evaluar el pretest y el postest por separado en una t pareada, en lugar de la diferencia.
  • Aplicar la prueba a un ítem Likert suelto: es ordinal y corresponde directamente una prueba no paramétrica.
  • Eliminar casos o transformar datos solo para "pasar" la prueba, sin justificarlo.

Lista de verificación final

  • ¿Elegiste la prueba según la convención de tu universidad y la mencionas en el método?
  • ¿Evaluaste lo que corresponde: cada grupo, las diferencias o los residuos?
  • ¿Reportas el estadístico, los grados de libertad y el valor p de cada variable?
  • ¿Revisaste el histograma y el gráfico Q-Q?
  • ¿La prueba que aplicas después es coherente con el resultado?

Con esos cinco puntos resueltos, la pregunta del jurado tendrá una respuesta clara. Y si te cuesta pasar la salida de SPSS a un texto ordenado, RedactorIA te ayuda a armar un borrador que luego revisas y ajustas con tus propios resultados.

Fuentes Consultadas

  • Ghasemi, A. y Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489.
  • Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American Statistical Association, 62(318), 399–402.
  • Razali, N. M. y Wah, Y. B. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2(1), 21–33.
  • Shapiro, S. S. y Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3–4), 591–611.
  • West, S. G., Finch, J. F. y Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. En R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). SAGE Publications.

Preguntas frecuentes

¿Cuándo se usa Shapiro-Wilk y cuándo Kolmogorov-Smirnov?

La convención habitual en tesis es usar Shapiro-Wilk cuando la muestra tiene menos de 50 casos y Kolmogorov-Smirnov con la corrección de Lilliefors cuando tiene 50 o más. No es una regla obligatoria: Shapiro-Wilk tiene mayor potencia y los programas actuales la calculan también con muestras grandes. Sigue el criterio de tu universidad y menciónalo en el método.

¿Qué significa un valor p mayor que 0,05 en la prueba de normalidad?

Significa que no se rechaza la hipótesis nula: los datos son compatibles con una distribución normal y puedes usar pruebas paramétricas, como la t de Student o la correlación de Pearson. No demuestra que los datos sean normales, solo que no hay evidencia suficiente de lo contrario.

¿Qué hago si mis datos no tienen distribución normal?

Usa la alternativa no paramétrica de la prueba que tenías prevista: U de Mann-Whitney en lugar de t de Student, Kruskal-Wallis en lugar de ANOVA, Spearman en lugar de Pearson o Wilcoxon en lugar de la t pareada. No elimines casos ni transformes los datos solo para pasar la prueba. Con muestras grandes, consulta con tu asesor, porque las pruebas paramétricas toleran desviaciones moderadas.

¿Qué significa el ,200* en la prueba de Kolmogorov-Smirnov de SPSS?

El asterisco remite a una nota que dice que ese valor es un límite inferior de la significación verdadera. Es decir, el valor p real es 0,200 o mayor, así que no se rechaza la normalidad. Puedes reportarlo como p ≥ .200.

Compartir este artículo

WhatsApp

Deja de leer cómo hacerlo — créalo con IA

Escribe tu tema y RedactorIA arma el borrador de tu tesis en Word, con carátula, índice y bibliografía verificada, para que lo revises y lo hagas tuyo.

Crear mi borrador gratis

Tu primer documento gratis para verlo completo · Descárgalo en Word por S/5 con Yape o Plin

¿Tu docente ya te dio el esquema? Mira las estructuras por universidad y tipo de trabajo.

Sigue leyendo