Análisis previo y exploratorio de

datos
Ana María López
Departamento de Psicología Experimental
Introducción

• En toda investigación, y antes de extraer conclusiones acerca de los objetivos e

hipótesis planteados, es necesario llevar a cabo un análisis previo y exploratorio de
los datos con objeto de detectar errores en la codificación de las variables, eliminar
inconsistencias, evaluar la magnitud y tipo de datos perdidos (ausentes), conocer
características básicas de la distribución de las variables (normalidad, igualdad de
varianzas, presencia de valores atípicos, linealidad, etc) y avanzar acerca de las
relaciones entre ellas.
 Análisis univariable
La mayoría de estos objetivos se alcanzan realizando un análisis descriptivo de
las variables. Concretamente utilizaremos medidas de tendencia central y de
dispersión para describir las características de las variables cuantitativas y tablas
de frecuencias y porcentajes para las variables cualitativas. Para ello utilizaremos,
esencialmente, los procedimiento de SPSS que aparecen en la última columna de
la siguiente tabla:

Tipo de variable Índices analíticos Representaciones Procedimientos de

gráficas SPSS
Cuantitativa media, mediana, moda, histograma, gráfico Descriptivos,
desviación típica, de caja Explorar, Tablas
rango, amplitud
intercuartílica, prueba
de normalidad

Cualitativa frecuencias, diagrama de barras, Frecuencias, Tablas

porcentajes, moda, etc. diagrama de líneas,
diagrama de
sectores
Introducción

Para llevar a cabo el análisis previo y exploratorio de datos disponemos de un

conjunto de procedimientos estadísticos –numéricos y gráficos- que vamos a
describir a lo largo del presente curso y que están implementados en la mayoría
de los programas estadísticos (SPSS, SAS, S-PLUS, LISREL, EQS, etc).
1. Detectar errores en la codificación de las variables cualitativas
y cuantitativas:

vamos a entender por errores de codificación a todos aquellos valores que están
fuera del rango de las variables cuantitativas y a códigos numéricos o no
numéricos no definidos para representar a categorías de las variables cualitativas.
Ejemplo: Estamos interesados en estudiar si la opinión acerca de la ley de
matrimonios entre parejas del mismo sexo depende de la edad y del sexo. Para
ello seleccionamos una muestra de sujetos mayores de edad y les pedimos que
nos den su opinión acerca de la ley eligiendo una de las opciones de una escala
que va desde 1 (muy desfavorable) hasta 7 (muy favorable). Los datos los hemos
escrito en una archivo de spss y hemos realizado un análisis descriptivo básico
utilizando el procedimiento frecuencias para las todas las variables incluidas en el
archivo y el procedimiento descriptivos para las cuantitativas
Para realizar el análisis descriptivo hemos seleccionado las opciones que aparecen en los
cuadros siguientes y hemos obtenido las siguientes tablas. A partir de la información que
nos proporcionan las tablas
¿podemos identificar errores de codificación en las variables medidas?
 2. Caracterizar las distribuciones de las variables en cuanto a su
tendencia central, dispersión y forma (normalidad).

• Para ello utilizaremos tanto índices numéricos como gráficos.

• Estadísticos de tendencia central

– Media aritmética.

– Mediana: una vez ordenados los datos, es el valor que deja el mismo número de
observaciones a su derecha que a su izquierda.

– Media truncada: es la media de la variable eliminando el 5% de las colas inferior

y superior de la distribución, de esta forma se eliminan valores extremos y es por
tanto un estadístico robusto.

– M-estimadores: son estadísticos robustos pues se definen ponderando cada

valor de la distribución en función de su distancia al centro de la misma. Las
observaciones centrales se ponderan por el máximo valor (la unidad)
disminuyendo los coeficientes de ponderación a medida que las observaciones
se alejan del centro. Existen distintas formas de ponderar: Humbert (pondera
con valor uno los valores situados a menos de 1´339 de la mediana), Tukey
(pondera con cero los valores situados a 4´385 de la mediana), Andrews
(pondera con cero los situados a 4´2066 de la mediana), etc.
2. Caracterizar las distribuciones de las variables en cuanto a su
tendencia central, dispersión y forma (normalidad).

• Estadísticos de dispersión:
– Rango
– Varianza
– Desviación tipo
– Amplitud intercuartílica (AI)

• Estadísticos de forma:
– Asimetría.
– Curtosis

• Prueba de normalidad de Kolmogorov

 2. Caracterizar las distribuciones de las variables en cuanto a su
tendencia central, dispersión y forma (normalidad).

Histograma Gráfico de caja Gráfico Q-Q

16

14

12

10

Desv. típ. = 3.57

2
Media = 7.1

0 N = 49.00
0.0 2.5 5.0 7.5 10.0 12.5 15.0

DIG
2. Caracterizar las distribuciones de las variables en cuanto a su
tendencia central, dispersión y forma (normalidad).
Figura 1. Tipologías de histogramas

( X máx  1)  X i
Xi

log 10  X máx 1  X i 

Figura 2. Tipologías de gráficos Q-Q log 10 X i

1 1
Xi  X máx 1  X i 
2. Caracterizar las distribuciones de las variables en cuanto a su tendencia central,
dispersión y forma (normalidad).

Para caracterizar a las variables cuantitativas utilizaremos el procedimiento Explorar de

SPSS con las variables cansancio emocional, despersonalización, realización personal
y depresión total medidas en una muestra de odontólogos. Los cuadros de diálogo con
las opciones básicas recomendadas son:
 2. Caracterizar las distribuciones de las variables en cuanto a su
tendencia central, dispersión y forma (normalidad).

Con las opciones seleccionadas hemos obtenido información que nos permite
responder a las siguientes cuestiones de las variables analizadas:
1. Identificar las medidas de tendencia central y de dispersión
2. Comparar la media con la mediana y con los estimadores robustos
3. Evaluar mediante inspección visual la normalidad de las variables
4. Evaluar utilizando la prueba de significación la normalidad de las variables
3. Detectar datos atípicos:

Llamamos datos atípicos a aquellas observaciones que se encuentran alejadas del

resto de las observaciones en una variable (atípico univariable) o en la distribución
conjunta de dos o más variables (atípico multivariable). Los valores atípicos
multivariantes resultan de combinaciones de valores muy inusuales. Las
consecuencias de una sola observación atípica pueden ser graves pues pueden
distorsionar las medias y desviaciones típicas de las variables y destruir o construir
relaciones entre ellas. Ejemplo
Los valores atípicos pueden deberse a
2.1. Errores en la codificación de los valores de las variables, errores en la
codificación de valores perdidos, errores de medida, errores en la transcripción.
2.2. Observaciones que no proceden de la población de la que se ha extraído la
muestra.
2.3. Observaciones atípicas debidas a que la distribución de la variable en la
población tiene valores más extremos que los de una distribución normal.
Los valores atípicos debidos a 2.1. y 2.2., una vez detectados deben ser
eliminados o recodificados como valores perdidos. En el caso 2.3 suelen retenerse
y analizar su incidencia en los análisis posteriores.
3. Detectar datos atípicos:

• Para considerar a una observación como atípica existen diferentes criterios:

Se consideran atípica aquellas observaciones que están, en valores absolutos, a
más de 3 desviaciones tipo de la media (Z>3 o Z<-3) pero la aplicación de este para
criterio depende del tamaño de la muestra.
• En el gráfico de caja, como ya hemos vistos, son atípicos observaciones con
puntuaciones superiores o inferiores a 1,5*AI. A partir de 3*AI se califican de
extremos.
• Otra regla simple es considerar sospechosas aquellas observaciones tales que:

xi  med x 
 4,5
MEDA( x)

donde Med(x) es la mediana y MEDA(x) es la mediana de las desviaciones absolutas

de x con respeto a la mediana
3. Detectar datos atípicos:

• Los criterios para detectar atípicos a nivel univariante no tienen porque identificar
atípicos multivariantes. Para ello se puede utilizar, aunque no exenta de problemas,
la distancia de Mahalanobis.
La distancia de Mahalanobis es la distancia al centro de gravedad ponderada por la
matriz de varianzas covarianzas. Una observación multivariante resultará
sospechosa si su distancia supera el valor de chi-cuadrado para k (número de
variables) y un nivel de significación de 0,001.
Algunos de los gráficos disponibles en SPSS implementan los criterios anteriores
para detectar datos atípicos. Los siguientes cuadros de diálogo corresponden a los
gráficos recomendados para detectar atípicos:
3. Detectar datos atípicos:

Con la secuencia de cuadros de diálogo sobre la matriz obtenemos los siguientes

gráficos
3. Detectar datos atípicos:

Caras de Chernoff
3. Detectar datos atípicos:
Gráficos de estrella

sujeto 1 sujeto 2
zcan
4
zcan zcan 2
1 4 0
0 2 zsatisfa -2 zdespe
zsatisfa -1 zdespe zsatisfa 0 zdespe -4
fr
-2 sujeto 1 -2

zdepre zrea zdepre zrea zdepre zrea

0
zcan zdespe zrea zdepre zsatisfa
Gráficos de linea
-1

-2

-3

-4

-5
 4. Linealidad

Muchos procedimientos de análisis se basan en el patrón de correlaciones de Pearson

entre variables cuantitativas. El coeficiente de correlación mide el grado de asociación
lineal entre variables y no es adecuado utilizarlo cuando el patrón de covariación no es
lineal. Es importante también que los coeficientes de correlación sean fiables y, bajo
determinadas circunstancias, los coeficientes de correlación pueden ser mucho más
grandes o mucho más pequeños de lo que deberían ser.
Variables compuestas: En muchas investigaciones es frecuente utilizar variables
compuestas (sumas, promedios, etc) que se obtienen a partir de varios items, las
correlaciones entre variables compuestas que comparten items individuales en su
definición suelen estar infladas.
La presencia de valores atípicos: los valores atípicos como ya hemos demostrado
pueden inflar o reducir significativamente las correlaciones entre variables.
Restricción de rango: las correlaciones muestrales pueden ser inferiores a las
poblacionales cuando en la muestra el rango de respuestas de uno o ambas de las
variables analizadas está restringido.
4. Linealidad

• La herramienta más útil para obtener información, a nivel exploratorio, de la relación

entre dos variables cuantitativas es el diagrama de dispersión, o nube de puntos. Se
construye representando, en el plano cartesiano, los valores de las variables
medidas. La inspección visual del gráfico de dispersión nos permite identificar
valores atípicos y el tipo de relación entre las variables.
 4. Linealidad
10
100
5
80
0
60
-5
40
-10
20
-15
0
40
0 1
35
30
30
25 25
20
20
15
15 10
5
10
0
5 0 5 10 15 20

300
250
200
150
100
50
0
0 5 10 15 20
4. Linealidad
4. Linealidad
Gráfico

80,00

60,00
hrv_b

40,00

20,00

20,00 40,00 60,00 80,00 100,00

hrv_a

a) Diagrama de dispersión por defecto

Análisis exploratorio de datos (II). Análisis de dos
variables cuantitativas. Diagrama de dispersión con
SPSS
Gráfico

hrv_a
hrv_b
hrv_c
hrv_d
hrv_fa
imp_a
imp_b
imp_c
imp_d

hrv_a hrv_b hrv_c hrv_d hrv_fa imp_a imp_b imp_c imp_d

4. Linealidad

grup
ctrl
phob

80,00

60,00

hrv_b
40,00

20,00

20,00 40,00 60,00 80,00 100,00

hrv_a
 análisis previo y exploratorio

Univariable Bivariado Multivariado

a) Dos Variables Cualitativas: Tablas de contingencia y

gráficos de barras
a) Variable Cualitativa b) Una Variable Cuantitativa y otra Cualitativa: Explorar
b) Variable Cuantitativa c) Dos Variables Cuantitativa: correlaciones bivariadas,
gráficos de dispersión
 Bibliografía

Escobar, M. (2000). Análisis gráfico/Exploratorio. Cuadernos de Estadística. Madrid:

Editorial La Muralla.
Figueras, M y Gargallo, P. (2003): Análisis Exploratorio de Datos", [en línea].
http://www.5campus.com/leccion/aed> [y añadir fecha consulta]

Palmer, A. (1995). El análisis exploratorio de datos. Madrid: Eudema

Peña, D. (2002). Análisis de datos multivariantes. Madrid: McGraw Hill.

Rial, A.; Varela, J. y rojas, A. (2001). Depuración y análisis preliminares de datos en

SPSS. Sistemas informatizados para la investigación del comportamiento. Madrid:
RA-MA.