Resumen de la Clase
¿Tus datos de Likert NO SON NORMALES y el ANOVA te falló? 😱 Tu tesis no está perdida. En esta clase magistral, te revelo el poder del Kruskal-Wallis, la prueba estadística no paramétrica que salvará tu investigación y te dará un rigor superior para defender tus resultados. Olvídate de la frustración y aprende a interpretar tus datos ordinales como un experto. Descubre por qué el análisis paramétrico tradicional no funciona con tus encuestas de opinión y cómo la lógica de los rangos del Kruskal-Wallis te permite obtener conclusiones válidas y robustas. Desmitificaremos los conceptos de Normalidad y Homogeneidad de Varianzas para entender por qué son cruciales y cuándo ignorarlos con esta poderosa alternativa. ¡Prepárate para dominar tus datos! ⏱️ ÍNDICE: 00:00 ¡Tesis en Peligro! El Problema de Datos No Normales 01:15 La Catástrofe del ANOVA: Normalidad y Homogeneidad de Varianzas Explicadas Fácil 03:30 La Lógica del Ranking: Cómo el Juez Estadístico Interpreta tus Datos (¡Ejemplo Real!) 06:30 El Veredicto Final: H, P-valor y la "Tabla" Chi-Cuadrado Demistificada 07:15 El Paso que el 90% Olvida (Post-Hoc Indispensable) 08:30 Conclusión y Tu Próximo Paso para Dominar Kruskal-Wallis 📢 📌 Recursos adicionales: 🔗 Explora más contenido educativo 👉 https://www.facebook.com/share/g/19nDcr1J4a/ 🔗 Sitio Web 👉 asesoriaeducacional.com 🎓 Únete a la comunidad y accede a contenido exclusivo 👉 Hazte miembro aquí https://www.youtube.com/channel/UCC47ELuNUCJx5HhjoHypv0Q/join 📌 No olvides suscribirte para más contenido sobre metodología de investigación y análisis de datos. ¡Dale like y comparte con otros investigadores! #KruskalWallis #estadísticas #Tesis #AnalisisDeDatos #NoParametrico #AsesoriaProfeLuisa
Transcripción de la Clase
### Marcas de Tiempo - `[00:00]` Tienes una encuesta fantástica. Usaste escalas de ler, es decir, muy en desacuerdo a muy de acuerdo. Hiciste tu recolección de datos y ahora el software te arroja el temido mensaje. Tus datos no son normales. Tu tesis corre peligro. La prueba que te exige el comité Elan Nova acaba de quedar metodológicamente inválida. En este momento la mayoría se - `[00:24]` rinde o fuerza una transformación inútil. Hoy vamos a hacer algo mejor. Te revelaré la prueba de Cruzcal Wallis, la herramienta que con su lógica de rangos está diseñada específicamente para datos no normales y que te dará un rigor estadístico superior a la nova. Soy Luisa y sé por lo que pasas, la frustración de tener datos valiosos y no - `[00:48]` poder analizarlos. Por eso, en los próximos minutos entenderás el Crucal Wallis al 100%, anclando su concepto en la analógica del juez de rangos. Primero, veremos por qué Elova fracasa. Segundo, desmantelaremos la lógica de los rangos con un ejemplo visual. Y tercero, te daré la advertencia crucial para que tu análisis esté completo. Comencemos por el problema que Cruzcal - `[01:13]` Wallis viene a resolver. El ANOVA, la prueba paramétrica más común, tiene dos pilares que lo sustentan: la normalidad y la homogeneidad de varianzas. En la tarjeta de arriba te dejo un video que explica en detalle a Nova para entenderlo mejor. Normalidad, nuestros datos son promedios o son raros. Imagina que le preguntas a 100 personas de tu ciudad cuántas tazas de - `[01:40]` café beben al día. Si dibujaras un gráfico con sus respuestas, ¿qué verías? Lo normal. La mayoría de las personas bebería una cantidad promedio de café, digamos de dos o tres tazas. Muy pocas personas beberían una cantidad extremadamente baja, cero tazas, o extremadamente alta, ocho tazas. Si dibujas esto, obtendrías una curva con forma de campana, la famosa campana de - `[02:10]` Gaus, simétrica, con la mayoría de los datos concentrados en el centro. ¿Qué significa esto para tu investigación? Que tus datos se comportan de una manera predecible y esperada. La mayoría está cerca del promedio y los extremos son raros. ¿Por qué es importante? Muchas pruebas estadísticas como el ANOVA asumen que tus datos tienen esta forma de campana. Si no la tienen, esas pruebas pueden dar - `[02:37]` resultados engañosos. Ahora veamos lo no normal, o sea, lo raro. Si ves un gráfico con dos picos o un pico muy inclinado hacia un lado o datos muy dispersos sin un centro claro, tus datos no son normales. En resumen, la normalidad pregunta, mis datos siguen un patrón de campana donde lo promedio es lo más común y los extremos son poco - `[03:05]` frecuentes. Veamos ahora qué es la homogeneidad de varianzas. Mis grupos son igual de dispersos o uno es un caos. Ahora imagina que tienes dos grupos de estudiantes y le haces un examen. El grupo A, estudiantes que solo estudiaron una hora. Y el grupo B, estudiantes que estudiaron 5 horas. Quieres saber si hay una diferencia en sus calificaciones, - `[03:33]` pero antes necesitas ver qué tan dispersas están las notas dentro de cada grupo. Lo homogéneo, es decir, la homogeneidad de varianzas, significa que la dispersión o variabilidad de las notas es más o menos la misma en ambos grupos. En el grupo A, con una hora de estudio, las notas van de cuatro a seis. Es una dispersión baja. En el grupo B, 5 - `[03:59]` horas de estudio, las notas van de 8 a 10. También es una dispersión baja. O bien, en ambos grupos las notas están muy dispersas, ejemplo, de 2 a nu. Lo importante es la cantidad de dispersión es parecida entre los dos grupos. ¿Qué significa esto para tu investigación? Que la confiabilidad de tu grupo es similar. No hay un grupo que sea un caos - `[04:25]` de datos mientras el otro es muy ordenado. ¿Por qué es importante? Si un grupo es superdisperso y el otro no, las pruebas como el ANOVA podrían sobreestimar o subestimar las diferencias entre las medias, porque la variabilidad interna está afectando mucho. Lo homogéneo, es decir, el caos contra el orden. Si en el grupo A las notas son de cuatro a seis, muy poca - `[04:50]` dispersión, pero en el grupo B de dos a 10, muchísima dispersión, entonces no hay homogeneidad. Un grupo es mucho más caótico que el otro. En resumen, la homogeneaidad de varianzas pregunta, ¿la dispersión de los datos es similar en todos los grupos que quiero comparar o hay un grupo mucho más desordenado que los demás? Cuando trabajas con datos - `[05:16]` ordinales como el leaker o cualquier tipo de ranking, estos pilares casi siempre colapsan. No importa cuánto intentes transformar tu variable, si no es verdaderamente continua, forzar el ANOVA es una mala práctica metodológica que puede invalidar tus resultados. Para entenderlo mejor, ¿qué es una variable continua? Imagínala como una regla. Piensa en una regla de medir, esa que usas para saber cuántos centímetros mide - `[05:44]` algo. Una variable continua es exactamente así. una variable que puede medir con una precisión infinita, como si tuvieras una regla que nunca se acaba. Siempre puedes añadir más decimales. La clave es la infinitud. No tiene saltos. Entre cualquier par de valores que elijas, por ejemplo, entre 1.5 y 1.6, siempre, siempre hay infinitos valores posibles. 1.51, 1.501, - `[06:16]` 1.001 y así sin parar. No hay huecos o pasos discretos. Puedes fraccionarla, puedes dividirla en pedacitos tan pequeños como quieras y seguir teniendo sentido. Ejemplos para entenderlo mejor. la altura de una persona. No solo mides 170 m o 171 m. Alguien puede medir 1.705 m o 1.753 m. Y si tu instrumento es lo - `[06:49]` suficientemente preciso, podrías seguir añadiendo decimales sin parar. Otro ejemplo, el peso de un objeto. Un objeto no pesa solo 3 kg o 4 kg. Puede pesar 3.25 kg o 3.258 kg, etcétera. El tiempo, la temperatura. Sin embargo, el opuesto, la variable discreta, una variable discreta es como contar personas. O tienes una persona o dos o tres, pero no puedes tener 1.5 - `[07:25]` personas. Hay saltos claros y finitos. Aquí entra en juego la prueba de Cruz Carwaris. Es una extensión de la prueba Uman Wman para más de dos grupos. Su genialidad es simple. No le pide a tus datos que sean normales, solo te pide independencia y una variable que tenga un orden. Dejas de medir la media. y pasas a medir la mediana. - `[07:52]` El Crucal Wallis solo te exige tres supuestos esenciales y esto es crucial. Primero, independencia de las observaciones. Cada sujeto es único. Segundo, la variable dependiente debe ser al menos ordinal o continua. Y tercero, las distribuciones deben tener formas similares entre los grupos para que realmente comparemos la mediana y no simplemente la forma. Si violas este último, la interpretación cambia, pero - `[08:23]` ¿cómo puedes medir la diferencia entre grupos si no usa la mediana? El secreto está en su lógica de los rangos. Olvídate de los valores y piensa en una competencia. Tienes tres equipos: grupo A, grupo B y grupo C. El juez, es decir, Cruzcalwallis, no está interesado en el valor exacto de la puntuación, si fue 60 o 100, sino en la - `[08:48]` posición relativa en la que terminó cada participante. Lo primero que hace el juez es tomar todos los datos de todos los grupos y ponerlos en una sola fila. El dato más bajo, 60, va primero. El más alto 100 va al final. Ahora asignamos el rango R. El primer dato es rango uno, el segundo es rango dos y así - `[09:12]` sucesivamente. Pero, ¿qué pasa con los empates? Observa los valores 75 o 90. Si dos datos comparten las posiciones 4 y 5, ambos reciben el rango promedio de 4,5. Este simple ajuste es lo que hace que la prueba sea inmune a los valores extremos y a la falta de normalidad. El Crucalis solo mide la posición relativa. Una vez - `[09:40]` que todos los datos tienen su rango, el juez los devuelve a su grupo original y calcula la suma de rangos R para cada uno. El grupo A, que sería el RA, tiene 46. El grupo B, que sería RB, tiene 17.5. Tiene muchos rangos bajos. El grupo C, que sería RC, tiene 56.5, es decir, muchos rangos altos. El - `[10:10]` verdadero motor de esta prueba radica en cómo utiliza estas sumas de rangos para calcular el estadístico H. Conceptual y elegantemente, Hunciona como una medida de la dispersión de estas sumas de rangos. Si todos los grupos fueran iguales, h sería cercano a cero. Pero cuanto más se separan estas sumas, es decir, cuanto más se agrupan los rangos altos en un grupo como C y los bajos en - `[10:37]` un grupo como B, más grande y significativo se vuelve el estadístico H. Aquí está la fórmula del H. Parece compleja, pero solo está haciendo esto. El término de la izquierda mide la contribución de la dispersión de los rangos y el término de la derecha simplemente la estandariza. Es una manera robusta de medir si el ranking de un grupo es consistentemente - `[11:02]` mejor o peor que el de otro. Escríbeme en los comentarios cuál de estas técnicas es la que usarás para estudiar o en tu investigación o tu tesis. El paso final para la toma de decisiones es comparar el estadístico H con su distribución teórica, que es la chi cuadrado. Esta distribución actúa como nuestro umbral de probabilidad. Antiguamente, en las universidades, los - `[11:27]` investigadores tenían que buscar el valor H en una tabla gigante o en la parte de atrás de un libro. Hoy el software estadístico hace ese trabajo por ti de forma automática. Piensa en el chi cuadrado como la regla patrón. o el mapa oficial que todos los estadísticos usan para medir la rareza de valores como h. No usamos su fórmula que es para - `[11:49]` comparar frecuencias, simplemente decimos que afortunadamente el estadístico H se comporta de forma idéntica al chi cuadrado cuando hay suficientes datos. Para que el software o tabla teórica pueda decirnos qué tan raro es nuestro H = 10.50, 50 solo necesita dos coordenadas exactas. La coordenada uno, el valor de h. Le damos el número que calculamos, 10.50. Y la coordenada 2, los grados de - `[12:20]` libertad. Le indicamos con cuántos grupos trabajamos. En nuestro caso, dos grados de libertad. El software toma esas dos coordenadas y en una fracción de segundo te devuelve el p valor. Si el p valor que nos devuelve es muy pequeño como el nuestro, 0.00 0053 significa que nuestro valor H es un resultado extremadamente raro y significativo en ese mapa de chi - `[12:45]` cuadrado. La regla de oro es inequívoca. Si el p valor es menor que alfa y en este caso lo es por un amplio margen, rechazamos la hipótesis nula. Este resultado es la evidencia estadística robusta que necesitábamos para concluir que las medianas de los tres grupos no son iguales. Es decir, la diferencia en el orden de los rangos es demasiado - `[13:10]` grande para ser explicada por el simple azar. Concluimos con confianza que al menos una de las medianas de nuestros tratamientos es significativamente diferente a las demás. Esto significa que los grupos no provienen de la misma distribución. Y aquí viene el paso más importante para el rigor de tu tesis, el que te diferencia de un estudiante promedio. Si rechazas la hipótesis nula, - `[13:35]` tu trabajo no ha terminado. El Cruz Caswali solo te dice que hay diferencia, pero no te dice entre qué pares se encuentra esa diferencia. ¿Qué hacer a continuación? Necesitas una prueba pot hot específica para Cruzcal Wallis. Las más comunes y rigurosas son las pruebas de Doom y la de Conover Iman. Esta prueba de seguimiento te permite comparar grupo A contra grupo B, A - `[14:03]` contra C y B contra C, una por una, manteniendo el control del error tipo uno. Es un paso obligatorio. Dominar la prueba de podosto, es lo que te permite escribir la conclusión con el detalle que impresiona a cualquier jurado. Por ejemplo, el programa C generó una satisfacción significativamente mayor que el programa B, pero no se encontró diferencia - `[14:30]` significativa entre A y C. Hemos desmantelado la prueba de Cruzcal Wallis, entendiendo que el verdadero poder de los datos no paramétricos reside en la lógica de los rangos. Deja de preocuparte por la normalidad para enfocarte en la clasificación y la mediana, ganando una herramienta de rigor imprescindible para tu investigación. Si ahora sientes la confianza de aplicar esta prueba, dale un me gusta a este - `[14:55]` video. Tu apoyo ayuda a que más investigadores se empoderen metodológicamente. Suscríbete para seguir recibiendo estas clases profundas que transforman la forma en que haces investigación. Y ahora, para que tu análisis esté 100% completo, próximamente publicaré una clase magistral y práctica donde te muestro paso a paso cómo ejecutar la prueba post host de Doom para que puedas señalar exactamente dónde están las - `[15:22]` diferencias. No dejes tu tes a medias. Nos vemos en la siguiente clase. ### Texto Completo Continuo Tienes una encuesta fantástica. Usaste escalas de ler, es decir, muy en desacuerdo a muy de acuerdo. Hiciste tu recolección de datos y ahora el software te arroja el temido mensaje. Tus datos no son normales. Tu tesis corre peligro. La prueba que te exige el comité Elan Nova acaba de quedar metodológicamente inválida. En este momento la mayoría se rinde o fuerza una transformación inútil. Hoy vamos a hacer algo mejor. Te revelaré la prueba de Cruzcal Wallis, la herramienta que con su lógica de rangos está diseñada específicamente para datos no normales y que te dará un rigor estadístico superior a la nova. Soy Luisa y sé por lo que pasas, la frustración de tener datos valiosos y no poder analizarlos. Por eso, en los próximos minutos entenderás el Crucal Wallis al 100%, anclando su concepto en la analógica del juez de rangos. Primero, veremos por qué Elova fracasa. Segundo, desmantelaremos la lógica de los rangos con un ejemplo visual. Y tercero, te daré la advertencia crucial para que tu análisis esté completo. Comencemos por el problema que Cruzcal Wallis viene a resolver. El ANOVA, la prueba paramétrica más común, tiene dos pilares que lo sustentan: la normalidad y la homogeneidad de varianzas. En la tarjeta de arriba te dejo un video que explica en detalle a Nova para entenderlo mejor. Normalidad, nuestros datos son promedios o son raros. Imagina que le preguntas a 100 personas de tu ciudad cuántas tazas de café beben al día. Si dibujaras un gráfico con sus respuestas, ¿qué verías? Lo normal. La mayoría de las personas bebería una cantidad promedio de café, digamos de dos o tres tazas. Muy pocas personas beberían una cantidad extremadamente baja, cero tazas, o extremadamente alta, ocho tazas. Si dibujas esto, obtendrías una curva con forma de campana, la famosa campana de Gaus, simétrica, con la mayoría de los datos concentrados en el centro. ¿Qué significa esto para tu investigación? Que tus datos se comportan de una manera predecible y esperada. La mayoría está cerca del promedio y los extremos son raros. ¿Por qué es importante? Muchas pruebas estadísticas como el ANOVA asumen que tus datos tienen esta forma de campana. Si no la tienen, esas pruebas pueden dar resultados engañosos. Ahora veamos lo no normal, o sea, lo raro. Si ves un gráfico con dos picos o un pico muy inclinado hacia un lado o datos muy dispersos sin un centro claro, tus datos no son normales. En resumen, la normalidad pregunta, mis datos siguen un patrón de campana donde lo promedio es lo más común y los extremos son poco frecuentes. Veamos ahora qué es la homogeneidad de varianzas. Mis grupos son igual de dispersos o uno es un caos. Ahora imagina que tienes dos grupos de estudiantes y le haces un examen. El grupo A, estudiantes que solo estudiaron una hora. Y el grupo B, estudiantes que estudiaron 5 horas. Quieres saber si hay una diferencia en sus calificaciones, pero antes necesitas ver qué tan dispersas están las notas dentro de cada grupo. Lo homogéneo, es decir, la homogeneidad de varianzas, significa que la dispersión o variabilidad de las notas es más o menos la misma en ambos grupos. En el grupo A, con una hora de estudio, las notas van de cuatro a seis. Es una dispersión baja. En el grupo B, 5 horas de estudio, las notas van de 8 a 10. También es una dispersión baja. O bien, en ambos grupos las notas están muy dispersas, ejemplo, de 2 a nu. Lo importante es la cantidad de dispersión es parecida entre los dos grupos. ¿Qué significa esto para tu investigación? Que la confiabilidad de tu grupo es similar. No hay un grupo que sea un caos de datos mientras el otro es muy ordenado. ¿Por qué es importante? Si un grupo es superdisperso y el otro no, las pruebas como el ANOVA podrían sobreestimar o subestimar las diferencias entre las medias, porque la variabilidad interna está afectando mucho. Lo homogéneo, es decir, el caos contra el orden. Si en el grupo A las notas son de cuatro a seis, muy poca dispersión, pero en el grupo B de dos a 10, muchísima dispersión, entonces no hay homogeneidad. Un grupo es mucho más caótico que el otro. En resumen, la homogeneaidad de varianzas pregunta, ¿la dispersión de los datos es similar en todos los grupos que quiero comparar o hay un grupo mucho más desordenado que los demás? Cuando trabajas con datos ordinales como el leaker o cualquier tipo de ranking, estos pilares casi siempre colapsan. No importa cuánto intentes transformar tu variable, si no es verdaderamente continua, forzar el ANOVA es una mala práctica metodológica que puede invalidar tus resultados. Para entenderlo mejor, ¿qué es una variable continua? Imagínala como una regla. Piensa en una regla de medir, esa que usas para saber cuántos centímetros mide algo. Una variable continua es exactamente así. una variable que puede medir con una precisión infinita, como si tuvieras una regla que nunca se acaba. Siempre puedes añadir más decimales. La clave es la infinitud. No tiene saltos. Entre cualquier par de valores que elijas, por ejemplo, entre 1.5 y 1.6, siempre, siempre hay infinitos valores posibles. 1.51, 1.501, 1.001 y así sin parar. No hay huecos o pasos discretos. Puedes fraccionarla, puedes dividirla en pedacitos tan pequeños como quieras y seguir teniendo sentido. Ejemplos para entenderlo mejor. la altura de una persona. No solo mides 170 m o 171 m. Alguien puede medir 1.705 m o 1.753 m. Y si tu instrumento es lo suficientemente preciso, podrías seguir añadiendo decimales sin parar. Otro ejemplo, el peso de un objeto. Un objeto no pesa solo 3 kg o 4 kg. Puede pesar 3.25 kg o 3.258 kg, etcétera. El tiempo, la temperatura. Sin embargo, el opuesto, la variable discreta, una variable discreta es como contar personas. O tienes una persona o dos o tres, pero no puedes tener 1.5 personas. Hay saltos claros y finitos. Aquí entra en juego la prueba de Cruz Carwaris. Es una extensión de la prueba Uman Wman para más de dos grupos. Su genialidad es simple. No le pide a tus datos que sean normales, solo te pide independencia y una variable que tenga un orden. Dejas de medir la media. y pasas a medir la mediana. El Crucal Wallis solo te exige tres supuestos esenciales y esto es crucial. Primero, independencia de las observaciones. Cada sujeto es único. Segundo, la variable dependiente debe ser al menos ordinal o continua. Y tercero, las distribuciones deben tener formas similares entre los grupos para que realmente comparemos la mediana y no simplemente la forma. Si violas este último, la interpretación cambia, pero ¿cómo puedes medir la diferencia entre grupos si no usa la mediana? El secreto está en su lógica de los rangos. Olvídate de los valores y piensa en una competencia. Tienes tres equipos: grupo A, grupo B y grupo C. El juez, es decir, Cruzcalwallis, no está interesado en el valor exacto de la puntuación, si fue 60 o 100, sino en la posición relativa en la que terminó cada participante. Lo primero que hace el juez es tomar todos los datos de todos los grupos y ponerlos en una sola fila. El dato más bajo, 60, va primero. El más alto 100 va al final. Ahora asignamos el rango R. El primer dato es rango uno, el segundo es rango dos y así sucesivamente. Pero, ¿qué pasa con los empates? Observa los valores 75 o 90. Si dos datos comparten las posiciones 4 y 5, ambos reciben el rango promedio de 4,5. Este simple ajuste es lo que hace que la prueba sea inmune a los valores extremos y a la falta de normalidad. El Crucalis solo mide la posición relativa. Una vez que todos los datos tienen su rango, el juez los devuelve a su grupo original y calcula la suma de rangos R para cada uno. El grupo A, que sería el RA, tiene 46. El grupo B, que sería RB, tiene 17.5. Tiene muchos rangos bajos. El grupo C, que sería RC, tiene 56.5, es decir, muchos rangos altos. El verdadero motor de esta prueba radica en cómo utiliza estas sumas de rangos para calcular el estadístico H. Conceptual y elegantemente, Hunciona como una medida de la dispersión de estas sumas de rangos. Si todos los grupos fueran iguales, h sería cercano a cero. Pero cuanto más se separan estas sumas, es decir, cuanto más se agrupan los rangos altos en un grupo como C y los bajos en un grupo como B, más grande y significativo se vuelve el estadístico H. Aquí está la fórmula del H. Parece compleja, pero solo está haciendo esto. El término de la izquierda mide la contribución de la dispersión de los rangos y el término de la derecha simplemente la estandariza. Es una manera robusta de medir si el ranking de un grupo es consistentemente mejor o peor que el de otro. Escríbeme en los comentarios cuál de estas técnicas es la que usarás para estudiar o en tu investigación o tu tesis. El paso final para la toma de decisiones es comparar el estadístico H con su distribución teórica, que es la chi cuadrado. Esta distribución actúa como nuestro umbral de probabilidad. Antiguamente, en las universidades, los investigadores tenían que buscar el valor H en una tabla gigante o en la parte de atrás de un libro. Hoy el software estadístico hace ese trabajo por ti de forma automática. Piensa en el chi cuadrado como la regla patrón. o el mapa oficial que todos los estadísticos usan para medir la rareza de valores como h. No usamos su fórmula que es para comparar frecuencias, simplemente decimos que afortunadamente el estadístico H se comporta de forma idéntica al chi cuadrado cuando hay suficientes datos. Para que el software o tabla teórica pueda decirnos qué tan raro es nuestro H = 10.50, 50 solo necesita dos coordenadas exactas. La coordenada uno, el valor de h. Le damos el número que calculamos, 10.50. Y la coordenada 2, los grados de libertad. Le indicamos con cuántos grupos trabajamos. En nuestro caso, dos grados de libertad. El software toma esas dos coordenadas y en una fracción de segundo te devuelve el p valor. Si el p valor que nos devuelve es muy pequeño como el nuestro, 0.00 0053 significa que nuestro valor H es un resultado extremadamente raro y significativo en ese mapa de chi cuadrado. La regla de oro es inequívoca. Si el p valor es menor que alfa y en este caso lo es por un amplio margen, rechazamos la hipótesis nula. Este resultado es la evidencia estadística robusta que necesitábamos para concluir que las medianas de los tres grupos no son iguales. Es decir, la diferencia en el orden de los rangos es demasiado grande para ser explicada por el simple azar. Concluimos con confianza que al menos una de las medianas de nuestros tratamientos es significativamente diferente a las demás. Esto significa que los grupos no provienen de la misma distribución. Y aquí viene el paso más importante para el rigor de tu tesis, el que te diferencia de un estudiante promedio. Si rechazas la hipótesis nula, tu trabajo no ha terminado. El Cruz Caswali solo te dice que hay diferencia, pero no te dice entre qué pares se encuentra esa diferencia. ¿Qué hacer a continuación? Necesitas una prueba pot hot específica para Cruzcal Wallis. Las más comunes y rigurosas son las pruebas de Doom y la de Conover Iman. Esta prueba de seguimiento te permite comparar grupo A contra grupo B, A contra C y B contra C, una por una, manteniendo el control del error tipo uno. Es un paso obligatorio. Dominar la prueba de podosto, es lo que te permite escribir la conclusión con el detalle que impresiona a cualquier jurado. Por ejemplo, el programa C generó una satisfacción significativamente mayor que el programa B, pero no se encontró diferencia significativa entre A y C. Hemos desmantelado la prueba de Cruzcal Wallis, entendiendo que el verdadero poder de los datos no paramétricos reside en la lógica de los rangos. Deja de preocuparte por la normalidad para enfocarte en la clasificación y la mediana, ganando una herramienta de rigor imprescindible para tu investigación. Si ahora sientes la confianza de aplicar esta prueba, dale un me gusta a este video. Tu apoyo ayuda a que más investigadores se empoderen metodológicamente. Suscríbete para seguir recibiendo estas clases profundas que transforman la forma en que haces investigación. Y ahora, para que tu análisis esté 100% completo, próximamente publicaré una clase magistral y práctica donde te muestro paso a paso cómo ejecutar la prueba post host de Doom para que puedas señalar exactamente dónde están las diferencias. No dejes tu tes a medias. Nos vemos en la siguiente clase. ---