You are on page 1of 16

TABLA DE CONTINGENCIA (contingencia asociacin)

O tabla de doble entrada o tabla cruzada, anlisis bi variado del anlisis


relacional:
Tiene 2 variables, por ejemplo: Fumar y Cncer que son variables
categricas.
Da cncer a aquellos que ms fuman y como se demuestra esto es con la
tabla de contingencia.
Analizar, estadsticas descriptivas y tabla de contingencia (tablas cruzadas).
LAS CONSECUENCIAS SIEMPRE VAN EN LAS COLUMNAS (CANCER DE
PULMN)
LAS VARIABLES INDENDIENTES VAN EN LAS FILAS (HABITOS DE FUMAR)
De 29 personas que tienen un desempeo laboral alto, 12 tienen de
0 a 2 inasistencias.
Estos 12 de las 29 personas hacen el 41.4%
CALCULAR Y RECODIFICAR VARIABLES (Peso Talla)
DEL PESO Y LA TALLA SE PUEDE CALCULAR EL INDICE DE MASA CORPORAL Y
A PARTIR DE ESTE VALOR SE CALCULA LOS VALORES U OBTENER EL ESTADO
NUTRICIONAL DE LAS PERSONAS.
NOS VAMOS A TRANSFORMAR Y LUEGO CALCULAR VARIABLE y en variable
de destino (VARIABLE OBJETIVO) escribir: IMC, y en expresin numrica se
debe colocar la formula respectiva: Peso/(talla*talla) y luego aceptar.
Luego se debe ir a transformar y la opcin recodificar en distintas variables
para hallar el ESTADO NUTRICIONAL

Aceptar y veremos la columna NUTRICIONAL.


Luego nos vamos a vista de variables para dar los valores como sigue:
1: Desnutrido
2: Eutrfico
3: Sobrepeso
4: Obesidad
5: Obesidad mrbida
Ahora se puede encontrar las frecuencias para luego interpretar.
CHI CUADRADO Y COMO SE CALCULA (Chi Cuadrado 2 muestras
independientes)
Se trabaja con variables categricas nominales (dicotmicas y politmicas)
y permite reconocer la asociacin.
Analizar, estadsticos descriptivos, tablas de contingencia, luego se asigna
las variables a las filas y columnas, se compara a travs de las columnas
por lo que es importante colocar en la ubicacin adecuada la variable en la
columna y se expresa a travs de los porcentajes, luego a casillas y se
selecciona en porcentaje columna, continuar, Estadstico se chequea el chi
cuadrado, continuar y aceptar. LAS FILAS SE UTILIZAN PARA HALLAR LAS
FRECUENCIAS.
Al analizar las frecuencias, se puede definir que: ser que el gnero
femenino tiene un bajo rendimiento laboral? (62.3%), los datos tomados de
esta tabla no son lo suficientemente confiables, por lo que recurriremos a
una prueba estadstica que nos permita definir ello:
Recurriremos al chi cuadrado:
Tenemos el valor asignado al chi cuadrado y el P VALOR O DENOMINADO
SIGNIFICANCIA ASINTTICA (BILATERAL), este valor es la magnitud del error
en caso de que aceptemos la hiptesis de que el empleado de gnero
femenino est asociado con el bajo nivel de rendimiento laboral.
Para ello es importante definir el nivel de significancia o grado de error que
estamos dispuestos a aceptar como vlida nuestra conclusin.
Habitualmente este nivel de significancia o alfa () es del 5% o 0.05, por lo
que el valor arrojado est por debajo del 0.05, muy bajo que quiere decir
que estaos aceptando este error al aceptar la hiptesis y que estaramos
definiendo la asociacin entre el gnero y el rendimiento laboral.
TEST DE MCNEMAR (AntesDespues)
Identifica modificaciones de una variable categrica a travs del tiempo.
Cuando se trata de dos variables (antes y despus) en medio de ellos
deber haber 1 variable (si hay una manipulacin entonces se trata de un
experimento, pero si se trata de un periodo de observacin en este caso se
trata de un estudio operacional), por lo tanto el test de McNemar sirve tanto
para estudios observacionales y experimentales y a la vez deber ser
LONGITUDINAL o por lo menos debe tener dos medidas.
Para esto es necesario aplicar el ritual de la significancia estadstica:
1. Formulacin de la hiptesis:
H0: Hiptesis nula o hiptesis de trabajo: (si es que no ha existido
modificacin)
H1: Hiptesis alterna o hiptesis del investigador: (qu quiere saber el
investigador entre el antes y el despus, es que ha habido
modificacin)
2. Nivel de significancia: 5% 0.05
3. Estadstico de prueba: Test de McNemar
4. Estimacin del p-valor:
5. Toma de decisin: SI p<0.05 entonces rechazamos la hiptesis nula.
Nos quedamos con la hiptesis del investigador.
Entonces vamos a Analizar, estadstico descriptivo, tablas cruzadas, en filas
antes y en columnas despus, en estadsticos seleccionamos solo McNemar,
continuar y en casillas seleccionamos en porcentajes TOTAL, continuar y
aceptar.
En la tabla podemos apreciar que hay personas que antes y despus tienen
depresin, pero tambin hay que antes tenan depresin y despus no o
viceversa.
En la siguiente tabla, lo que nos interesa es el P VALOR o SIGNIFICANCIA
EXACTA (BILATERAL), que en este caso es de 0.424 y ste por encima del
nivel de significancia (0.05), y si P VALOR ESTA POR DEBAJO DE 0.05
ENTONCES RECHAZAMOS LA HIPTESIS NULA PARA QUEDARNOS CON LA
HIPTESIS DEL INESTIGADOR.
TEST EXACTO DE FISHER (Fisher)
Test de probabilidad utilizado cuando las dos variables que participan en el
anlisis son fijas (MARGINAL FIJAS), las distribuciones finales de estas 2
variables no se pueden modificar en este caso son experimentales.
Analizar, Estadstica descriptiva, tablas cruzadas, filas frejoles y columnas
larvas y aceptar y se tiene la tabla de contingencia, tenemos 18 frejoles de
la variedad 1 y 16 variedad 2 y nicamente 20 larvas, adems que los
totales no debern cambiar durante todo el estudio es decir que, si tenemos
20 larvas, este 20 deber ser hasta el final y as lo mismo es con los dems
(a esto se llama MARGINAL FIJO) lo nico que puede cambiar son los
valores del centro pero los totales no.
A esto se llama Fisher exacto, y los valores deben ser menores a 35.
Nos vamos a analizar, estadstica descriptiva, tablas cruzadas, estadstica,
seleccionamos chi cuadrado y saldr la tabla en donde podremos encontrar
estadstica exacta de Fisher y veremos el p valor o significancia bilateral que
este caso ser: 1.00 por lo que no es menor que 0.05.
T DE STUDENT PARA MUESTRAS INDEPENDIENTES (t student
muestras independientes.sav)
Clsicamente, cuando queremos comparar 2 grupos y la variable que
queremos comparar es una variable numrica, pensamos en la T de student
para muestras independientes (cuando se trata de 2 grupos que no tienen
ninguna relacin entre ellos), por ejemplo, el peso del recin nacido en
varones y mujeres y la pregunta es: ser que el recin nacido varn tendr
el mismo peso que las mujeres?, si no hay diferencia entonces no hay razn
de investigar, pero si el investigador piensa que hay diferencia entre los
grupos, entonces se deber de investigar, por lo tanto:
1. Formulacin de la hiptesis:
H0: Hiptesis nula o hiptesis de trabajo: (que los dos grupos no son
distintos, es decir que son iguales, que son homogeneos)
H1: Hiptesis alterna o hiptesis del investigador: (qu quiere saber el
investigador piensa que hay diferencia a es diferente que b, o el
grupo 1 es diferente que el 2)
2. Nivel de significancia: 5% 0.05
3. Estadstico de prueba: t de student para muestras independientes
4. Estimacin del p-valor:
5. Toma de decisin: SI p<0.05 entonces rechazamos la hiptesis nula.
Nos quedamos con la hiptesis del investigador.
Analizar, comparar medias, t de student para muestras independientes, el
peso en variables para contrastar y el sexo en variables de agrupacin.

En la tabla de resultado nos damos cuenta que la media es diferente entre


varones y damas, pero a nosotros lo que nos interesa saber si es
significativa, por lo que nos vamos a la tabla de prueba de t para muestras
independientes, y en la columna t (valor del estadstico) se puede ver el
siguiente valor 2,431, pero actualmente este valor ya no nos sirve, lo que
nos sirve es el P VALOR (Significancia bilateral) que es la magnitud del error
que nos da el siguiente valor 0,022, por lo que P<0.05, entonces
rechazamos la hiptesis nula y aceptamos la hiptesis del investigador (de
diferencias), entonces podremos decir que el peso de los RN mujeres es
diferente que el peso del RN varn.
T DE STUDENT PARA MUESTRAS RELACIONADAS (t student
muestras relacionadas.sav)
Comparacin entre 2 grupos numricos y que pertenecen al mismo grupo,
tenemos el peso de mujeres embarazadas, y despus de 3 meses despus
del parto, entonces de nuevo se vuelve a pesar, por lo que podremos decir
si hay INCREMENTO o DISMINUCIN entre este grupo, esto sgnifica de una
HIPTESIS DE UNA SOLA COLA,
1. Formulacin de la hiptesis:
H0: Hiptesis nula o hiptesis de trabajo:
H1: Hiptesis alterna o hiptesis del investigador: Busca saber si hay
diferencia (incremento gracias al embarazo)
2. Nivel de significancia: 5% 0.05
3. Estadstico de prueba: t de student para muestras relacionadas
4. Estimacin del p-valor:
5. Toma de decisin: SI p<0.05 entonces rechazamos la hiptesis nula.
Nos quedamos con la hiptesis del investigador.
Analizar, comparar medias, prueba T para muestras relacionadas,

Luego aceptar.
La tabla resultante, comparamos las muestras y se ve que s hay diferencia
entre ambas por lo que nos vamos a la tabla de muestras relacionadas y nos
vamos a la columna t (estadstico t), pero lo que ms nos interesa es
el P VALOR y tiene el siguiente VALOR 0,634, entonces podremos decir
que esta cifra est por encima del nivel de significancia (0.05), por lo que
aceptamos la hiptesis nula.
CORRELACION DE PEARSON
La asociacin que trabajbamos con las variables categricas, se trasladan
a la correlacin cuando trabajamos con variables numricas, de manera que
la asociacin y la correlacin sigan siendo lo mismo, lo comn entre ambas
es que tienen VARIABLES ALEATORIOS (es decir que su distribucin no la
conocemos hasta la recoleccin de datos), en el ejemplo se ha recolectado
la hemoglobina de 90 mujeres durante la gestacin y tambin se ha
evaluado el peso de los Recin Nacidos con la finalidad de que si el valor de
la hemoglobina de la madre est relacionada con el peso de su hijo ya que
estamos determinando la validez a travs de la CORRELACIN DE PEARSON,
pero tambin podemos esto categorizar para aplicar CHI CUADRADO
(clasificando la hemoglobina como normal y bajo y el peso como adecuado y
bajo (ASOCIACIN)).
Analizar, Correlacionar, y Bivariadas, seleccionamos ambas variables, por
defecto est seleccionado Pearson, si queremos trabajar con datos ordinales
se selecciona Tau-b Kendall y Spearman es la versin no paramtrica de
Pearson.
El ndice de correlacin es -0.056, pero la significancia (bilateral) es igual a
0.602 y es mayor que el nivel de significancia (0.05) por lo que aceptamos
la hiptesis nula y rechazamos la hiptesis del investigador.
ES BUENA, YA QUE LO QUE BUSCA EL INVESTIGADOR ES LA CORRELACIN
ENTRE AMBAS VARIABLES.
LA VALIDACIN SE DA CON EL INDICE DE PEARSON (cumplimiento de ndice
de R y Rho) que en este caso el valor es 0.056 y LA SIGNIFICANCIA
(BILATERAL= 0.602)
ndices R y Rho Interpretacin
0.00 0.20 Intima correlacin
0.20 0.40 escasa correlacin
0.40 0.60 moderada correlacin
0.60 0.80 buena correlacin
0.80 1.00 muy buena correlacin
ANALISIS DE LA VARIANZA ANOVA
Cuando queremos comparar 2 grupos y las variables a contrastar es una
variable numrica utilizamos la T de student para muestras independientes,
pero que pasara si lo grupos que comparamos es ms de 2 en este caso
utilizamos el Anlisis de la Varianza con un Factor o Anlisis de la
Varianza de una Va.
Con el ejemplo: Analizar, comparar medias, Anova de un factor, la variable
que vamos a contrastar ser el PESO y el factor ser Procedencia, OPCIONES
se selecciona los DESCRIPTIVOS.
Aceptar.
En el resultado se puede ver las medias de los pesos por ciudades, y se ve
en la tabla de ANOVA y que vara de un lugar a otro.
La pregunta es:
SI EL PESO PROMEDIO DIFIERE EN ESTAS 4 LOCALIDADES O SI EL
PESO PROMEDIO ES EL MISMO.
1. Formulacin de la hiptesis:
H0: Hiptesis nula o hiptesis de trabajo: HIPTESIS DE IGUALDAD.
H1: Hiptesis alterna o hiptesis del investigador: El investigador
siempre busca diferencias. HIPTESIS DE DIFERENCIAS.
2. Nivel de significancia: 5% o 0.05
3. Estadstico de prueba: Anlisis de la varianza ANOVA
4. Estimacin del p-valor:
5. Toma de decisin: SI p<0.05 entonces rechazamos la hiptesis nula.
Nos quedamos con la hiptesis del investigador.
La tabla de ANOVA tiene su estadstico (Columna F), pero lo importante es la
SIGNIFICANCIA ASINTTICA que en este caso es el 0.469 por lo que
podemos apreciar que el P-VALOR es mayor que 0.05 determinamos la
hiptesis de Igualdad.
Si P VALOR hubiera sido menor, entonces determinaramos que existe
diferencia entre ciudades, pero la pregunta es determinar cul es esa
diferencia entre ciudades (cul es la diferencia entre Arequipa y Tacna,
Arequipa y Puno, etc), para ello necesitamos el clculo de POST HOC
debemos irnos:
Analizar, comparar medias, Anova de un factor, Post Hoc y elegimos TUKEY,
Continuar y Aceptar y vemos la siguiente tabla:
Podemos ver que, en la columna de la Significancia Asinttica, ninguna de
los resultados es mayor de 0.05. y en la siguiente tabla podemos ver que

Se puede ver que solo aparece una columna (la 1), la cual nos indica que no
existe diferencia ya que se encuentran en la misma columna, pero si se
hubiera visto la columna 2 se podra ver la diferencia significativa entre la
columna 2 y la columna 1.
Tambin se puede ver la significancia entre los grupos y que en este caso es
de 0.451. significa tambin que no existe diferencia entre grupos.
REGRESIN LINEAL SIMPLE
Se da cuando previamente se ha demostrado relacin entre 2 variables,
pero no solamente en una relacin aleatoria sino una relacin causal, es que
esta regresin corresponde a un MODELO PREDICTIVO, mientras que una
CORRELACION corresponde a una PRUEBA DE HIPTESIS, en el ejemplo
tenemos una variable Y (Rendimiento Acadmico) y X (Horas de estudio a la
semana), en este caso ya sabemos que existe relacin entre ellos (a ms
horas de estudio mayor es el rendimiento), entonces no vamos a realizar la
PRUEBA DE HIPOTESIS, lo que vamos hacer es construir un modelo para
predecir el rendimiento acadmico en funcin al nmero de estudios a la
semana, suponiendo que el rendimiento acadmico depende nicamente de
cuantas horas una persona lo dedica al estudio una semana.
Analizar, Regresin y Lineales, en dependiente colocamos rendimiento
acadmico y en independientes horas de estudio a la semana y a sta
tambin podemos colocar otras variables que influyan en el rendimiento
acadmico.
En la Tabla Resumen del modelo podemos ver que en la columna R (R de
Pearson) tenemos un valor de 0.847 y el R cuadrado (columna) es de 0.718
por lo que, si sacamos un porcentaje, estamos hablando de un 71.8% un
valor muy alto para poder mencionar que: es posible construir un
modelo de regresin a partir de estas 2 variables? (incluso el R
cuadrado ajustado) tambin arroja 70.8%. y la respuesta nos da ANOVA
Anlisis de la Varianza (cuadro siguiente) y al ver la Significancia (Sig) se
puede ver que es de 0.000 y esta es menor a 0.05, por lo que SI ES POSIBLE
CONSTRUIR UN MODELO DE REGRESIN CON ESTAS 2 VARIABLES
ANALIZADAS.

Por lo que la ecuacin se da de la siguiente manera: Y =a+bX , por lo que


deberemos de reemplazar con los valores calculados en la tabla siguiente
de coeficientes (a es la constante y b es el coeficiente):
Y =5.728+ 0.582 X

Y si en esta tabla nos vamos a la columna (t t de student) nos da la


asertividad para la columna de Significancia en donde podemos ver que
ambos valores son menores que 0.05 por lo que tanto la constante y el
coeficiente para las horas de estudio a la semana, son significativos.
PRUEBA DE NORMALIDAD KOLMOGOROV SMINORV
Cuando queremos comparar 2 grupos y stos tienen distribucin normal
podemos construir los diagramas de caja y bigotes en funcin al error
tpico de la media para los lmites de la caja; si la lnea media de una
caja se puede proyectas sobre el otro y ste se encuentra dentro de la caja
entonces hay igualdad, pero s de ambos no estn dentro, entonces son
diferentes (PARA AMBOS EXISTE SIMETRIA)
Pero qu pasa si una de las cajas es ASIMTRICA y a otra no.

Qu pasa si dejamos de extender las cajas ASIMTRICAS para llevarlos a un


estado SIMTRICO, estaramos en la posicin como el caso anterior.
LLEGAMOS A LA CONCLUSIN DE QUE PARA COMPARAR DOS GRUPOS LAS
CAJAS DEBEN SER SIMTRICAS ES DECIR DEBE HABER UNA
DISTRIBUCIN NORMAL.
Cmo demostramos que existe DISTRIBUCIN NORMAL en los grupos de
las VARIABLES?
Es utilizando la prueba de KOLMOGOROV SMIRNOV
En el ejemplo: tenemos un conjunto de recin nacidos que pertenecen a 2
ciudades, por lo que debemos determinar la NORMALIDAD DE UNA
DISTRIBUCIN:
Analizar, Pruebas no paramtricas, Cuadro de dilogos antiguos, K-S de una
muestra, luego trasladamos la variable a analizar (PESO RN), dejar por
defecto la eleccin y Aceptar.
1. Formulacin de la hiptesis:
H0: Hiptesis nula o hiptesis de trabajo: HIPTESIS DE
HOMOGENEIDAD.
H1: Hiptesis alterna o hiptesis del investigador: HIPTESIS DE
DIFERENCIAS.
2. Nivel de significancia: 5% o 0.05
3. Estadstico de prueba: Prueba de normalidad KOLMOGOROV
SMIRNOV
4. Estimacin del p-valor:
5. Toma de decisin: SI p<0.05 entonces rechazamos la hiptesis nula.
Nos quedamos con la hiptesis del investigador.
Vemos en la tabla de resultado lo siguiente:

Vemos que la Significancia Asinttica es menor que 0.05, por lo que


rechazamos la nula y aceptamos la alterna, es decir que hay DIFERENCIA
ENTRE LA DISTRIBUCIN DE LA VARIABLE ANALIZADA Y LA DISTRIBUCIN
DE LA VARIABLE NORMAL, entonces no hay homogeneidad entre ambas
distribuciones.
Ahora analizaremos la normalidad para cada uno de los grupos,
recordando que se tiene 2 grupos:
Datos, Segmentar Archivo, seleccionamos la opcin de Organizar los
resultados por Grupos y seleccionamos procedencia y le damos Aceptar y
veremos que en la MATRIZ DE DATOS HACE MENCIN DE DIVIDO O
SEMENTADO POR PROCEDENCIA;
AHORA NOS VAMOS NUEVAMENTE A ANALIZAR LA NORMALIDAD:
Analizar, pruebas no paramtricas, Cuadro de dilogos antiguos, K-S de 1
muestra y como ya todo est configurado simplemente Aceptar.
Vemos que la NORMALIDAD SE HA EVALUADO POR GRUPOS:
Luego debemos medir para cada comparacin la significancia Asinttica
(bilateral) y comparar con 0.05 por lo que en el primer grfico no podemos
rechazar la H. NULA en cambio en el segundo grfico S RECHAZAMOS LA H.
NULA.
Si ambas hubieran sido mayores a 0.05 entonces nos quedaramos con
la H. DE HOMOGENEIDAD por lo que diramos que LA DISTRIBUCIN DE LA
VARIABLE ANALIZADA ES IGUAL A LA DISTRIBUCION NORMAL Y POR TANTO
DIREMOS QUE TIENEN NORMALIDAD Y SI PODEMOS COMPARAR LOS
2 GRUPOS.
HOMOGENEIDAD DE VARIANZAS TEST DE LEVENE
Cuando queremos comparar grupos tenemos que asegurarnos que la
variabilidad de un grupo sea igual o por lo menos no distinta del otro grupo,
para qu?, para poder proyectar la lnea media de un grupo sobre el otro y
en el caso de que esta proyeccin est en el interior de la caja lleguemos a
la conclusin de que son iguales, o si la proyeccin est por fuera de la caja
lleguemos a la conclusin de que son diferentes.

Qu pasara si la longitud de una de las cajas no es igual a la del grupo


comparativo, veamos en este caso se ha encogido (CASO 1), es menor, y la
proyeccin de la lnea media del primer grupo est por fuera de la caja del
segundo, aunque la proyeccin del segundo sobre el primero se ha
mantenido qu ha sucedido?, es que la segunda caja o variable est ms
concentrada y por eso su caja es de menor magnitud.
Veamos un segundo caso (CASO 2), cuando la caja se extiende por
incremento de variabilidad, entonces la proyeccin de la lnea media sobre
el primer grupo est fuera de la caja, pero por haber proyectado la caja del
segundo la lnea media del primero est en su interior, en ambos casos
(caso 1 y caso 2) no podemos decidir si hay diferencias o no por qu?,
porque la variabilidad de los 2 grupos es distinta (el tamao de las cajas son
distintas) para el caso 1 y 2.
Quiere decir que cuando queremos comparar 2 grupos, los tamaos de las
cajas deben ser iguales y esto expresado en trminos de variabilidad
significa que las varianzas sean iguales, sean homogneas tambin
llamada como homogeneidad de varianzas o tambin
homocedasticidad.
Por lo que, para comparar la varianza de estos 2 grupos, nos vamos al SPSS:
Analizar, comparar medias, prueba de t para muestras independientes, en la
variable a contrastar el Peso del RN y en la variable de agrupacin, la
procedencia, definiendo grupos (1 y 2 por la procedencia que se ha
colocado en la vista de variables), continuar y aceptar.
En la tabla resultante de la Prueba de muestras independientes se puede
ver que existe una columna de prueba de LEVENE de igualdad de varianzas
y en su columna F (su estadstico) se ve su valor de 0.03 y en el VALOR P
(prueba de significancia) el valor de 0.955 y si nos vamos a la siguiente
descripcin:
1. Formulacin de la hiptesis:
H0: Hiptesis nula o hiptesis de trabajo: HIPTESIS DE
HOMOGENEIDAD.
H1: Hiptesis alterna o hiptesis del investigador: HIPTESIS DE
DIFERENCIAS.
2. Nivel de significancia: 5% o 0.05
3. Estadstico de prueba: HOMOGENEIDAD de varianzas Test de
LEVENE
4. Estimacin del p-valor:
5. Toma de decisin: SI p<0.05 entonces rechazamos la hiptesis nula.
Nos quedamos con la hiptesis del investigador.
Por valor quiere decir que aceptamos la hiptesis nula y rechazamos la del
investigador, ya que 0.955>0.05 por lo que se interpretar que las
varianzas de estos 2 grupos son iguales y no distintas que sera la hiptesis
del investigador.
Entonces hay HOMOGENEIDAD de varianzas:
Pero qu hubiera pasado si PVALOR era menor que 0.05, se dara que habra
diferencia de varianzas y estaramos en el siguiente caso
(HETEROGENEIDAD):

En el siguiente grfico, podemos ver que sta se divide en 2 filas: una


cuando se asume varianzas iguales (Prueba Levene) y la otra cuando no se
asumen varianzas iguales (t de student)

Si quisiramos comparar el grupo 1 con el 3, nos vamos al SPSS:


Analizar, comparar medias, prueba de t para muestras independientes, y en
definir grupos colocamos en vez de 2 el 3 o el 4, pero que pasara si
queremos compara los 4 grupos al mismo tiempo:
Analizar, comparar medias, ANOVA de un factor, en lista dependiente el PSO
y en FACTOR la Procedencia, y en opciones, prueba de homogeneidad de
varianzas, continuar y Aceptar y podemos ver en la tabla resultante la
prueba de significancia de los 4 valores (para ello debern tener los 4 los
valores llenos).
NIVELES DE INVESTIGACIN
1. N. EXPLORATOTIO: (Se desea saber el porqu de las cosas)
2. N. DESCRIPTIVO: (Univariable, se calcula las frecuencias medidas de
tendencia central para las variables categricas y las medidas de
dispersin para las variables numricas)
3. N. CORRELACIONAL: (Bivariado, estadstica inferencial Asociacin-
V.categricas-chicuadrado y Correlacin-v. numricas-Pearson)
4. N. EXPLICATIVO: (Multivariable, Causa efecto, influencia) Mide el
grado de influencia.
5. N. PREDICTIVO: Predecir.
6. N. APLICATIVO: Mejora de resultados.