Escalas de medida:

 CUALITATIVAS O CATEGORICAS:
1. Escala nominal:
Los números se utilizan para distinguir entre los objetos medidos. Hacen la función de etiqueta.
Agrupan elementos similares y distinguen elementos diferentes. Proporciona menos
información. La relación es de pertenencia, pero no de preferencia ni de diferencia (E: genero
(0=M. 1=H)
2. Escala ordinal:
Los números se utilizan para ordenar los objetos de estudio en función de un atributo, además
de distinguir entre los diferentes objetos medidos. Se asigna un número más alto al objeto con
más cantidad del atributo y números intermedios ordenados en función del grado del atributo
del objeto medido. Además de informar respecto al orden, distingue objetos diferentes y
agrupa objetos similares. Proporciona más información. La relación de pertenencia y de
procedencia o preferencia, pero no de diferencia. Riesgo (0=libre, 1=Moderado), 2=alto).
CUANTITATIVAS:
3. Escala de intervalo:
Informasobre la pertenencia y el orden de los objetos, y sobre el orden de separación entre
ellos (Temperatura). El 0 no significa ausencia, es un valor arbitrario. QI, test, puntuaciones,…
4. Escala de razón:
Los números de utilizan para distribuir objetos, ordenarlos, informar de las distancias y, además,
informan de las distáncias de un objeto desde un punto zero, 0 absoluto y no arbitrario
(longitudes). El 0 es la ausencia total del atributo medido. El 0 nos da información (peso, altura,
edad, cantidad,…).

Cálculos:
 CUALITATIVAS O CATEGORICAS:
 Frecuencia absoluta
 Frecuencia relativa
 CUANTITATIVAS:
 Frecuencia absoluta
 Frecuencia relativa
 Media
 Desviación típica
 Mediana i cuartiles

Gráficos:
 CUALITATIVAS O CATEGORICAS:
 Columnas (Vertical)
 Barres (Horizontales)
 Sectores
 CUANTITATIVES:
 Tija i fulles
 Histograma
 Diagrama de cajas (Bloxpot)

Técnicas de análisis de datos cuantitativos 1

Análisis descripción estadística i diagrama de cajas (Bloxpot), aspectos a comentar:
1. Tipos de análisis y nivel de medida: Análisis descriptivo bivariable de una variable cuantitativa
continua de razón en función de una variable cualitativa nominal.
2. Tipos de fráfico: Así, se ha representado a partir de un diagrama de cajas.
3. Objeto de estudio, media y desviación: Comparar las medias de los dos grupos. Y ver si los dos
grupos presentan mucha desviación (desv.tip). Contra más alta sea este número, más desviación
hay. Ejemplos:
 Los pacientes que tienen una vida sedentaria, tienen un peso medio (130) superior a los
que tienen una vida dinámica (119), si bien en ambos casos existe mucha desviación (29,7 y
29,3), de forma que la media no es un buen resumen de lo que sucede.
 La media de años de experiencia de los profesores. Mujeres (17,75) y hombres (17,33) es
muy similar, en los dos casos existe mucha desviación, especialmente en el caso de los
hombres (7,713 y 9,281).
4. Rango total: Mirar el mínimo, el máximo y el rango. Contra más grande es el rango, mas dispersión
hay. ¿Es igual en los dos casos o es diferente? Ejemplos:
 Si son diferentes: El rango total de situaciones entre los que tienen una vida sedentaria (102)
es más grande que los que tienen una vida dinámica (84), de manera que los sedentarios
presentan mayor dispersión.
 Si son iguales: El rango total de situaciones es igual (0-35 años), y no existen casos
extremos.
Hay que fijarse también si hay algún caso atípico en el al bloxpot (Mirar dibujo), un punto que se
sale de la caja. Si no hay, poner: No existen casos extremos.
5. Asimetría: Mirar si la mediana y la media coinciden. Si coinciden son simétricas, si no, son
asimétricas. Si los números se aproximan se puede decir que son “bastante simétricas”. Ejemplos:
 En ambos casos la distribución es bastante simétrica, mediana y media coinciden o se
parecen mucho.
 En ambos casos la distribución es bastante simétrica, mediana y media coinciden,
especialmente en el caso de los hombres.
6. Mediana: Mirar el valor de la mediana en ambos casos y comparar. Cuál es más alta? Ejemplos:
 La mediana de peso es superior entre los que viven de forma sedentaria de forma que el
50% supera los 128kg, siendo este grupo de entre los que tienen una vida dinámica, los que
superan los 118 kg.
 En el caso de las profesoras, la mitad tiene 18 años o más de experiencia (mediana), y en el
caso de los hombres 16,5 años.
7. Q1: Estos valores no salen en la tabla descriptiva, se miran en la caja. Entre el mínimo y el cuartil 1
se encuentra un 25% de la muestra. Comparar el punto donde se encuentra el Q1 en ambas cajas,
¿Cuál presenta menos o más valor? Ejemplos:
 El 25% que tendrá menos peso (1rquartil) pesa
menos de 105kg cuando tiene una vida
sedentaria – mientras que si tiene una vida
dinámica no se supera los 87kg.
 Así, en el caso de los profesores con menos
experiencia, son más variables en los hombres,
ya que el primer cuartil se distancia más del
extremo en el caso de los hombres.
8. Q3: Por debajo tiene el 75% de la muestra y por
encima el 25%. Mirar el punto donde se encuentra el
Técnicas de análisis de datos cuantitativos 2
 Q3 en ambas cajas y comparar cual tiene el más alto, bajo, si son iguales,…
 En eel polo opuesto, las mujeres con más experiencia también son más dispersas, ya que la
distancia entre el 3Q y el extremo es más larga en el caso de las mujeres que en el de los
hombres.
 Además. Los que más pesan (3rquartil), superan los 160kg en el caso de tener una vida
sedentaria y 150kg cuando se tiene una vida, si bien entre los sedentarios el peso máximo es
superior (hasta 177 kg)
9. Rango intercuartílico: Es la caja en sí, lo que está entre los cuartiles 1 y el 3. Representa el 50% de la
muestra. Contra más grande es la caja, más variabilidad de datos tendrá. Ejemplo:
 En que están en el centro de la distribución, el rango intercuartílico es más grande cuando
se tiene una vida dinámica que sedentaria, mostrando más variabilidad.

Relaciones estadísticas entre variables:

CUALITATIVA X CUALITATIVA:
Prueba: Chi cuadrado / Chi 2 / X2
¿Por qué? porque se trata de dos variables categóricas.
La tabla ha de ser la que pone “Tabla de contingencia” y “Chi cuadrado”

1. Redactar la hipótesis nula y alternativa:

a. H0: Hipótesis nula. No hay relación entre las dos variables. No hay diferencias entre las
frecuencias observadas y las teóricas (fo’s = ft’s)
b. H1: Hipótesis alternativa. Sí que hay relación entre las dos variables. Sí que hay diferencias
entre las frecuencias observadas y las teóricas (fo’s ≠ ft’s)
2. Mirar si se cumplen las condiciones de aplicación: Esto sale en la letra pequeña de debajo de la
tabla. Si pone “0 casillas (0%) tienen una frecuencia esperada inferior a 5” quiere decir que se
cumplen las condiciones de aplicación. Ejemplo de respuesta: “Sí, es trata de dos variables
cualitativas, y todavía es una tabla cuadrada de 2X2, no existen frecuencias esperadas inferiores a
5”.
Si no sale letra pequeña, ha de salir una tabla de contingencia. Se ha de mirar las casillas donde
pone “recuento esperado” o “frecuencia esperada o teórica”. Hemos de mirar que todos los valores
sean mayores de 5, que ninguno sea menos. Si es así, cumplen las condiciones de aplicación.
3. Aceptar o declinar la hipòtesi nula: Mirar la “sig” de la fila de “Chi-Cuadrado de Pearson”. Si:
a. P > 0,05: Aceptamos H0. No hay relación entre les variables.
b. P < 0,05: No aceptamos H0. Sí hay relación entre les variables.
Técnicas de análisis de datos cuantitativos 3
 4. Interpretación: Ejemplo:
 La significación de la prueba X2 es p=1,000 (Lo que nos haya dado la sig de Chi)
 Es decir, la probabilidad de equivocarnos en el momento de declinar la hipótesis nula, supera
el lindar de 0,05. Por lo tanto la aceptamos.
 No existe relación estadísticamente significativa entre las variables.
 El sexo del profesor y la participación en cursos no se relacionan estadísticamente.
Si solo piden elaborar un comentario. Un ejemplo sería:
- relación entre dos variables cualitativas.
- La significación de la prueba X2 es p=1,000
- No existe relación estadísticamente significativa entre el la zona del 'hospital y el sexo del paciente.
CUANTITATIVA X CUALITATIVA (Solo 2 grupos!!)
Prueba: Test T-Student
Por qué? Porqué buscamos la relación entre una variable cuantitativa y una cualitativa.
Se trata de una variable categórica de dos categorías y una variable cuantitativa.
Test o prueba de Levene: Asumir o no la igualdad de variancias. Comprobar si se puede aplicar T de
Student:
 Mirar el cuadro de “Prueba de Levene o Levene Test”.
 Si la sig de la F es > 0,05 son variancias iguales. Se puede continuar. Haremos la T de Student
basándonos en los datos de arriba, donde pone “se han asumido varianzas iguales”.
 Si la sig de la F es < 0,05 son variancias distintas. Haremos la T de Student basándonos en los datos
de abajo, donde pone que “No se han asumido varianzas iguales”.

1. Redactar la hipótesis nula y la alternativa:

a. H0: Hipótesis nula. No hay relación entre las dos variables. Ejemplo:
- La media de peso es igual entre los que tienen una vida sedentaria y una vida
dinámica
b. H1: Hipótesis alternativa. Sí que hay relación entre las dos variables. Ejemplo:
- La media de peos es diferente entre los que tienen una vida sedentaria y una vida
dinámica.
2. Aceptar o descartar la hipótesis nula: Miramos la Sig (p) de la T de Student.
a. P > 0,05: Aceptamos. H0. No hay diferencies. No hay relación entre las variables.
b. P < 0,05: Descartamos H0. Sí hay diferencies. Sí hay relación entre las variables.
3. Interpretación: Ejemplo:
Técnicas de análisis de datos cuantitativos 4
  Dado que hace falta asumir varianzas iguales (test de Levenne F=0,023 p=0,880; p>0,05), la
significación de la prueba es t es p=0,1330.
 Es decir,, la probabilidad de equivocarnos en descartar la hipótesis nula, supera el lindar
0,05. Por lo tanto aceptamos.
 No existe relación estadísticamente significativa entre las variables.
Si solo piden elaborar un comentario, un ejemplo seria:
- Relación entre una variable cuantitativa y una cualitativa de 2 categorías.
- Hay significación t= 1,411 p=0,160; p>0,05, en caso de igualdad de varianzas (Levenne F=2,642
p=0,106;
- p>0,05),
- La probabilidad de equivocarnos a la hora de descartar la hipótesis nula supera el lindar del 0,05.
Por lo tanto la aceptamos.
- No existe relación estadísticamente significativa entre el tipo de colegio en el que trabajan los
profesores y el número de profesionales de apoyo pedagógico que tiene la escuela.
CUANTITATIVA X CUALITATIVA (Más de dos grupos!!!):
Prueba: Test ANOVA
Por qué?: Relación de una variable cuantitativa i una cualitativa de más de 2 categorías
Si en la tabla sale la Prueba de Levene, se ha de hacer. Mirar los apuntes.

1. Redactar la hipótesis nula y alternativa:

a. H0: Hipótesis nula. No hay relación entre las dos variables. Ejemplo:
H0= La media de comidas diarias es igual en todos los casos
b. H1: Hipótesis alternativa. Sí que hay relación entre las dos variables. Ejemplo:
H1= La media de comidas diaria es diferente entre, al menos, uno de los grupos.

2. Aceptar o descartar la hipótesis nula: Mirar la Sig. de la F de Snedecor. Si:

 P > 0,05 Aceptamos H0. No hay diferencias. Las variables no están relacionadas. Ejemplo:

Técnicas de análisis de datos cuantitativos 5

  P < 0,05 Descartamos H0. Sí hay diferencias. Las variables están relacionadas.
Ejemplo:

 Relación entre una variable cuantitativa y una cualitativa de más de 2 categorías. Test ANOVA. La
significación F= 0,664 p=0,577 p>0,05. La probabilidad de equivocarnos al descartar la hipótesis
nula supera el lindar de 0,05. Por lo tanto la aceptamos. No existe relación estadísticamente
significativa entre el número de comidas diarias y el IMC.
CUANTITATIVA X CUANTITATIVA
(No dice cuál es la VI y cuál es la VD. Hay relación pero no se nos indica cuál de las dos variables manda).
Prueba: Correlación de Pearson

1. Miramos la p (probabilidad): La Sig!!!!

a. Si p > 0,05 no hay relación. No hace falta mirar la R.
b. Si p < 0,05 hay relación, por lo tanto, seguimos los pasos.
2. Miramos la r (= Coeficiente de correlación de Pearson) “Pearson Correlation”
a. ¿Es positiva o negativa?
 Positiva: Las dos crecen, las dos disminuyen.
 Negativa: Una crece, la otra disminuye.
b. Si:
 R está entre 0,30 y 0,70 = correlación moderada.
 R > 0,70 = correlación intensa.
 R = 0 = Ausencia de correlación.
Ejemplo: Observamos relaciones estadísticamente significativas entre el gasto y QI (p=0,048) y entre el
gasto y el riesgo_pre (p=0,043). El signo negativo de esta correlación indica que a medida que aumenta el
QI, disminuye el gasto.

CUANTITATIVA X CUANTITATIVA – PRUEBA DE REGRESIÓN

Una variable manda (VI) y la otra obedece (VD)
Prueba: Análisis de regresión simple.
2 tablas ejemplo:

Técnicas de análisis de datos cuantitativos 6

1. Mirar la Sig. de la F de Snedecor. Si:
 P > 0,05 Aceptamos H0. No hay diferencias. Las variables no están relacionadas.
 P < 0,05 Descartamos H0. Sí hay diferencias. Las variables están relacionadas.
2. R Quadrado / R2 / R Square: Mirar el valor. Toma valores entre 0-1 que podemos multiplicar x100
para encontrar el %. El resultado que nos dé, nos proporcionará la variabilidad de la variable
dependiente se explica por la variable independiente. Ejemplo de respuesta:
R Square = 0,034 x 100 = 3,4%. El 3,4% de la variabilidad de la variable Calidad de vida
(Dependiente) se explica a través de la variable Frecuencia de crisis (independiente).
3. La recta de regresión: y = b + mx
Y = Variable dependiente (Lo que queremos encontrar)
X = Variable independiente
B = Constante (La encontramos en la tabla, Constante B)
m = Pendiente (La encontramos en la tabla, con el nombre de la variable, bajo el valor Constante (B)
Mirar si es un número positivo o negativo.
Si:
 m + = Cuando aumenta una variable, aumenta la otra.
 m - = Cuando aumenta una variable, la otra disminuye.

Técnicas de análisis de datos cuantitativos 7

Ejemplos:
1. Relación entre una dos variables cuantitativas
Análisis de regresión simple
VD= comidas diarias
VI= peso actual
La relación entre estas dos variables no es lineal. Solo el 1,3% de la relación se ajusta a una recta
(R2corregit= 0,013).
La recta que relaciona estas variables estaría compuesta por una constante de 101,377 y una
pendiente positiva de 4,120
y= 101,377 *(4,120x)
El modelo no es significativo.

2. Relación entre una dos variables cuantitativas

Análisis de regresión simple
VD= Número de profesionales de apoyo pedagógico
VI= Número de profesores
La relación entre estas dos variables no es lineal. Solo el 2% de la relación se ajusta a una recta
(R2= 0,002), y esta no es significativo (F=0,337, p=05,63; p>0,05)
La recta que relaciona estas variables estaría compuesta por una constante de 1,913 y una
pendiente positiva de 0,009
y=1,973*(0,009x)
El modelo no es significativo.
El número de profesionales de apoyo de los centros en los que trabajan no varía linealmente en
función del número de profesores.
SI DEMANEN UN RESUM O COMENTARI GENERAL DE LLISTATS...
 Analizar por separado cada tabla.
 Hacer un resumen hablado de las relaciones estadísticamente significativas que existen entre las
variables.
Por ejemplo:
“Entre los profesores no existe una relación entre la participación en cursos y su sexo, y en sus
centros de trabajo no existe relación entre el número de profesores que tienen acceso a mentoría. El
número de profesionales de apoyo de los centros en los que trabajan no varía linealmente en
función del número de profesores (esta conclusión se extrae de una prueba de regresión).”

Técnicas de análisis de datos cuantitativos 8