14/12/2017

Metodología de
la investigación

Estadística II

Dr. Rubén Cuesta Barriuso

Curso Académico: 2017 / 2018

Repasando de la
clase anterior…
¿Dónde nos
quedamos en el
análisis
estadístico?

Internal use

1
 14/12/2017

Distribución

Internal use

Distribución

• Distribución normal

• Distribución no normal

Internal use

2
 14/12/2017

Distribución normal

• Es la que con más frecuencia aparece aproximada

en fenómenos reales

• Simétrica

• Medida de tendencia central ideal: Media

• Medida de dispersión ideal: Desviación estándar

• Es importante saber si trabajamos con una

desviación normal o no normal ya que eso nos
obliga a usar unos test estadísticos u otros

• Media=Mediana Internal use

Distribución no normal

• Asimétrica

• Medida de tendencia central ideal: Mediana

• Medida de dispersión ideal: Rango intercuartílico

• Media ≠ Mediana

Internal use

3
 14/12/2017

Distribución. ¿Cómo saber si una distribución es normal o no?

En distribuciones de más de 30 sujetos:

• Test Kolmogorov Smirnof

• Si p≤ 0,05 significa que es una distribución no normal

En distribuciones de menos de 30 sujetos

• Test de Saphiro Wilk

• Si ofrece un resultado de p≤ 0,05 significa que es una distribución no normal

Internal use

Distribución. ¿Cómo saber si una distribución es normal o no?

Internal use

4
 14/12/2017

Distribución. ¿Cómo saber si una distribución es normal o no?

Pruebas de normalidad
Kolmogorov-Smirnova Shapiro-Wilk
Estadístico gl Sig. Estadístico gl Sig.
Altura del paciente ,086 94 ,084 ,967 94 ,018
Edad del paciente ,076 94 ,200* ,967 94 ,018
Daño articular de rodilla ,087 94 ,078 ,956 94 ,003
Peso del paciente ,094 94 ,041 ,952 94 ,002
Índice de masa corporal ,070 94 ,200* ,967 94 ,019
Dolor de rodilla pretratamiento ,147 94 ,000 ,931 94 ,000
a. Corrección de la significación de Lilliefors
*. Este es un límite inferior de la significación verdadera.

Internal use

Distribución. Análisis de la normalidad

• Si la distribución es normal, análisis con test paramétricos

• Si la distribución no es normal, análisis con test no paramétricos

Internal use

5
 14/12/2017

Distribución. Análisis de la normalidad

La Estadística paramétrica necesita cumplir con cuatro requisitos

para poderse aplicar:

• La variable dependiente debe distribuirse normalmente (campana de

Gauss) o muy similar

• Homocedasticidad u homogeneidad de varianzas o varianzas iguales:

que cuando se comparan grupos estos tengan la misma dispersión con
respecto a la media de la variable dependiente

Internal use

Distribución. Análisis de la normalidad

• Asignación y Selección aleatoria de los grupos (muestreo

completamente al azar)

• Que la variable dependiente esté medida a nivel intervalar o de

razón

Internal use

6
 14/12/2017

Distribución. Análisis de la normalidad

La Estadística no paramétrica:

• Está libre de curva, no necesita distribuirse como la curva normal

• Se basa en frecuencias, porcentajes, modas y rangos

• Su nivel de medición es ordinal o nominal

Internal use

Distribución. Análisis de la normalidad

Pruebas paramétricas (distribución normal)

• Para comparar dos medias:

– Muestras independientes: t-student de muestras independientes

– Muestras apareadas: t-student de muestras apareadas

• Para comparar 3 o más medias:

– Muestras independientes: ANOVA de un factor

– Muestras apareadas: ANOVA de medidas repetidas

• Para correlacionar variables: correlación de Pearson

Internal use

7
 14/12/2017

Distribución. Análisis de la normalidad

t-student. Prueba paramétrica de comparación de dos muestras, es decir

necesita cumplir las siguientes características:

• Selección completamente aleatoria de los grupos

• Homocedasticidad (homogeneidad de las varianzas de la variable

dependiente en ambos grupos)

• Distribución normal de la variable dependiente en los dos grupos

• Nivel intervalar de la variable dependiente

Internal use

Distribución. Análisis de la normalidad

t-student.

• Su función es comparar dos grupos de puntuaciones (medias aritméticas) y

determinar que la diferencia no se deba al azar (que las diferencia sea
estadísticamente significativa).

• Esta prueba tiene dos modalidades, una para muestras independientes y

otra para grupos relacionados.

Internal use

8
 14/12/2017

Distribución. Análisis de la normalidad

t-student para muestras independientes

• Relaciona una variable dependiente (daño articular) con una variable cualitativa
(sexo).

• Se cumple el supuesto de homogeneidad (p = 0,559 por lo que: p > 0,05).

• Por ello, valoramos la prueba T que tiene un valor de p = 0,155 y aceptamos la

hipótesis nula (no hay diferencias significativas entre las variables estudiadas)
Prueba de muestras independientes
Prueba de Levene
para la igualdad
de varianzas Prueba T para la igualdad de medias
95% Intervalo de
confianza para la
Sig. Diferencia Error típ. de diferencia
F Sig. t gl (bilateral) de medias la diferencia Inferior Superior
Daño Se han ,345 ,559 1,435 92 ,155 1,088 ,758 -,418 2,593
articular de asumido
rodilla varianzas
iguales
No se han 1,428 87,496 ,157 1,088 ,762 -,426 2,601
asumido
varianzas Internal use
iguales

Distribución. Análisis de la normalidad

t-student para muestras apareadas

• Relaciona una variable dependiente (dolor articular) que se ha medido sucesivas veces
(evaluación pretratamiento y evaluación postratamiento).

• Existen diferencias estadísticamente significativas (p = 0,000) entre las medias del

pretest y el postest.

• La magnitud de la diferencia entre ambas evaluaciones es: 1,436

Prueba de muestras relacionadas
Diferencias relacionadas
95% Intervalo de
Error típ. confianza para la
Desviación de la diferencia Sig.
Media típ. media Inferior Superior t gl (bilateral)
Par Dolor de rodilla 1,436 1,701 ,175 1,088 1,785 8,185 93 ,000
1 pretratamiento - Dolor de
rodilla postratamiento

Internal use

9
 14/12/2017

Distribución. Análisis de la normalidad

ANOVA. Análisis de varianza (ANOVA por sus iniciales en inglés) empleado para
comparar tres o más grupos independientes. Es una prueba paramétrica, por lo
que necesita cumplir las siguientes características:

• Selección completamente aleatoria de los grupos

• Homocedasticidad (homogeneidad de las varianzas de la variable dependiente

en ambos grupos)

• Distribución normal de la variable dependiente en los dos grupos

• Nivel intervalar de la variable dependiente

Internal use

Distribución. Análisis de la normalidad

ANOVA

• Su función es comparar la relación entre una variable dependiente

cuantitativa y un único factor o variable independiente cualitativa.

• Esta prueba tiene dos modalidades, ANOVA de un factor y ANOVA de

medidas repetidas.

Internal use

10
 14/12/2017

Distribución. Análisis de la normalidad

ANOVA de un factor

• Relaciona una variable dependiente (daño articular) con una variable cualitativa
(sexo).

• Primero se debe cumplir el supuesto de homogeneidad (prueba de Levene).

• Los resultados son: F(1, 92) = 2,058; p = 0,155. Con estos resultados no rechazamos la
hipótesis nula (p > 0,05) y no existen diferencias significativas entre el daño articular
de rodilla medio y el sexo de los sujetos.
ANOVA
Daño articular de rodilla
Suma de
cuadrados gl Media cuadrática F Sig.
Inter-grupos 27,594 1 27,594 2,058 ,155
Intra-grupos 1233,311 92 13,406
Total 1260,904 93
Internal use

Distribución. Análisis de la normalidad

ANOVA de medidas repetidas

• Relaciona una variable dependiente (dolor articular) en distintas evaluaciones

(pretratamiento, postratamiento y seguimiento).

• F (2, 186) = 48,425; p = 0,000. Según este dato, existen diferencias significativas
entre las medias del dolor de rodilla en las tres evaluaciones.

Pruebas de efectos intra-sujetos.

Medida:MEASURE_1
Suma de
Origen cuadrados tipo III gl Media cuadrática F Sig.
factor1 Esfericidad asumida 162,986 2 81,493 48,425 ,000
Greenhouse-Geisser 162,986 1,869 87,210 48,425 ,000
Huynh-Feldt 162,986 1,906 85,522 48,425 ,000
Límite-inferior 162,986 1,000 162,986 48,425 ,000
Error(factor1) Esfericidad asumida 313,014 186 1,683
Greenhouse-Geisser 313,014 173,807 1,801
Huynh-Feldt 313,014 177,237 1,766
Límite-inferior 313,014 93,000 3,366
Internal use

11
 14/12/2017

Distribución. Análisis de la normalidad

ANOVA de medidas repetidas

• Para saber dónde hay o no diferencias entres las distintas evaluaciones, debemos ir al
análisis de pruebas dos a dos

• Según la tabla, el dolor medio de rodilla disminuyó significativamente del pretest al

postest (p = 0,000) y del pretest al seguimiento (p = 0,000), pero no cambió
significativamente entre el postest y el seguimiento (p = 0,254).
Comparaciones por pares
Medida:MEASURE_1
Intervalo de confianza al 95 % para la
Diferencia de diferenciaa
(I)factor1 (J)factor1 medias (I-J) Error típ. Sig.a Límite inferior Límite superior
1 2 1,436* ,175 ,000 1,008 1,864
*
3 1,745 ,213 ,000 1,226 2,263
*
2 1 -1,436 ,175 ,000 -1,864 -1,008
3 ,309 ,177 ,254 -,123 ,740
3 1 -1,745* ,213 ,000 -2,263 -1,226
2 -,309 ,177 ,254 -,740 ,123
Basadas en las medias marginales estimadas.
*. La diferencia de medias es significativa al nivel ,05. Internal use
a. Ajuste para comparaciones múltiples: Bonferroni.

Distribución. Análisis de la normalidad

Pearson

• Su función es determinar si existe una relación lineal entre dos variables a

nivel intervalar y que esta relación no sea debida al azar (que la relación
sea estadísticamente significativa).

Internal use

12
 14/12/2017

Distribución. Análisis de la normalidad

Pearson

• Existe una correlación significativa y de signo positivo entre el dolor de rodilla y el grado
de daño articular (p = 0,000) con una magnitud de asociación moderada (r = 0,447).

• Sin embargo no hay correlación entre la edad y el deterioro articular (p = 0,130) ni entre
la edad y la percepción de dolor de rodilla (p = 0,366).

Correlaciones
Edad Daño DolorRodilla
Edad Correlación de Pearson 1 ,130 ,094
Sig. (bilateral) ,211 ,366
N 94 94 94
Daño Correlación de Pearson ,130 1 ,447**
Sig. (bilateral) ,211 ,000
N 94 94 94
DolorRodilla Correlación de Pearson ,094 ,447** 1
Sig. (bilateral) ,366 ,000
N 94 94 94
**. La correlación es significativa al nivel 0,01 (bilateral). Internal use

Distribución. Análisis de la normalidad

Pruebas no paramétricas (distribución no normal)

• Para comparar dos medias:

– Muestras independientes: prueba U de Mann-Whitney

– Muestras apareadas: prueba de Wilcoxon

• Para comparar 3 o más medias:

– Muestras independientes: Kruskal-Wallis

– Muestras apareadas: Friedman

• Para correlacionar variables: correlación de Spearman

Internal use

13
 14/12/2017

Distribución. Análisis de la normalidad

Comandos de búsqueda para las pruebas no paramétricas de muestras

independientes:

Analizar Pruebas no paramétricas Muestras independientes

• Prueba U de Mann-Whitney y Kruskal-Wallis Internal use

Distribución. Análisis de la normalidad

Comandos de búsqueda para las pruebas no paramétricas de muestras

apareadas:

Analizar Pruebas no paramétricas Muestras relacionadas

• Prueba de Wilcoxon y Friedman Internal use

14
 14/12/2017

Distribución. Análisis de la normalidad

Tamaño del efecto

• Evalúa la potencia de los resultados

• Se emplea la fórmula de diferencia de medias de Cohen

• Se calcula cuando queremos saber la potencia de los resultados de una

variable con dos evaluaciones (por ejemplo: potencia de los resultados tras
una intervención de fisioterapia sobre el dolor de rodilla, tras evaluar antes y
después de la intervención).

TE=
Internal use

Distribución. Análisis de la normalidad

Tamaño del efecto

• Valores: de -1 a 1 (en función del sentido de las medias de las variables).

• Clasificación e interpretación de los resultados: 0,20 (bajo), 0,50 (medio) y

0,80 (alto).

• d = -0,63 TE=

Estadísticos de muestras relacionadas

Error típ. de la
Media N Desviación típ. media
Par 1 Dolor de rodilla pretratamiento 4,02 94 2,238 ,231
Dolor de rodilla postratamiento 2,59 94 2,362 ,244

Internal use

15
 14/12/2017

Práctica

Internal use

Estadística inferencial

En el archivo Artritis.sav calcule las siguientes estadísticos, en función de los grupos

de tratamiento (grupo):

• Estadísticos descriptivos de las variables independienes

• Representaciones gráficas descriptivas de las variables independientes

• Estadística inferencial:

– Pruebas de normalidad

– Análisis de muestras apareadas

– Análisis de regresión múltiple

– Cálculo del tamaño del efecto de la variable dependiente tras cada evaluación
Internal use

16
 14/12/2017

Metodología de
la investigación

Estadística II

Dr. Rubén Cuesta Barriuso

Curso Académico: 2017 / 2018

17