Documentos de Académico
Documentos de Profesional
Documentos de Cultura
cuantitativas
Introducción
Dos variables cuantitativas pueden obtenerse de diferentes maneras. La más habitual
consiste en tomar dos medidas a los mismos sujetos, bien midiendo dos variables distintas
(altura y peso, calificaciones en lengua y en matemáticas, etc.), bien midiendo la misma
variable en dos momentos distintos (el nivel de ansiedad antes y después de un examen, el
peso antes y después de participar en un programa de adelgazamiento, etc.). También se
tienen dos variables cuantitativas cuando, en lugar de utilizar los mismos sujetos, se utilizan
pares de sujetos que comparten alguna característica que pueda resultar relevante para el
análisis. Por ejemplo, en un estudio sobre satisfacción conyugal se puede medir el grado de
satisfacción en los dos miembros de cada pareja.
Tanto si se utilizan los mismos sujetos como si se utilizan sujetos emparejados, lo que
caracteriza a este tipo de datos es que no son independientes entre sí; y no lo son porque,
tanto en el caso de dos puntuaciones pertenecientes al mismo sujeto como en el de
puntuaciones pertenecientes a dos sujetos emparejados, el conocimiento de una de las
puntuaciones del par permite saber algo de la otra puntuación del mismo par: los buenos
estudiantes tienden a obtener puntuaciones altas tanto en lengua como en matemáticas.
A los diseños que permiten recoger este tipo de información (dos puntuaciones a los mismos
sujetos o a dos sujetos emparejados; y lo mismo vale decir de tres o más puntuaciones,
aunque aquí nos estemos limitando a dos) se les llama diseños con los mismos sujetos o
diseños intrasujeto (en el caso de sujetos emparejados –o tríos, o cuartetos, etc.– también se
habla de diseños de bloques aleatorios con un sujeto por nivel y bloque). En el contexto del
análisis de datos se habla, queriendo significar exactamente lo mismo, de muestras
relacionadas o medidas repetidas. A continuación, se muestran ejemplos de datos:
¿COMPARAR O RELACIONAR?
Al trabajar con dos variables cuantitativas el interés del análisis puede orientarse hacia dos
objetivos bien diferentes: compararlas o relacionarlas. Cuando hay variables categóricas por
medio, la relación entre variables se estudia comparando grupos: si hay diferencias entre los
grupos, hay relación entre las variables; y a la inversa. Por ejemplo, si la proporción de
fumadores difiere de la proporción de fumadoras, entonces la variable sexo está relacionada
con la variable tabaquismo.
Con dos variables cuantitativas comparar y relacionar son cosas diferentes. Cuando
comparamos estamos estudiando si difieren las medidas de tendencia central (nos fijamos en
un único punto de la distribución: media, mediana, etc.). Cuando relacionamos dos variables
cuantitativas nos interesa saber si las puntuaciones de una variable covarían de forma parecida
con las de otra variable (nos fijamos en todas las puntuaciones).
ambas puntuaciones tenemos una variable D que es la diferencia entre cada par de
puntuaciones del sujeto. En el caso de diseños antes-después o pre-post, las puntuaciones D
reflejan el cambio (pérdida o ganancia) entre los dos momentos
Para estudiar el contraste sobre dos medias relacionadas vamos a poner un ejemplo de un
contraste unilateral derecho (el ejemplo de la depresión antes y después), bilateral (CI para
gemelo primogénito y el segundo) y unilateral izquierdo (intervención de la capacidad espacial
antes y después de un tratamiento).
1. Hipótesis
a. Contraste bilateral: ,
Importante: No te van a pedir hacer cálculos de esto, sino que solo se vería con SPSS.
La forma de la nube de puntos informa sobre el tipo de relación existente. Los diagramas de la
Figura 11.3 muestran diferentes tipos de relación. El diagrama a muestra una nube de puntos
concentrada en torno a una línea recta ascendente. Es un ejemplo típico de relación lineal.
También hay relación lineal cuando se da la pauta de variación que muestra el diagrama b: los
puntos siguen agrupados en torno a una línea recta ascendente, aunque de forma menos
evidente que en el primer diagrama. Y también hay relación lineal cuando, como en el
diagrama c, los puntos se agrupan en torno a una línea recta descendente. El diagrama d es un
ejemplo de ausencia de relación: los puntos están dispersos por todo el diagrama sin mostrar
ninguna pauta de variación reconocible. e se observa una pauta de variación claramente no
lineal: los puntos están agrupados en torno a una curva que comienza ascendiendo y termina
descendiendo; a esta pauta de variación conjunta se le llama cuadrática. Y también en el
diagrama f se da una pauta no lineal: los puntos están agrupados en torno a una línea que
comienza ascendiendo, a continuación desciende y termina volviendo a ascender; a esta pauta
de variación se le llama cúbica. Aunque puede resultar interesante estudiar cualquier tipo de
relación, la lineal es, sin duda, la más estudiada en estadística (quizá porque es la más fácil de
interpretar y la que con mayor frecuencia encontramos en el mundo real) y la que va a
acaparar nuestra atención aquí.
- Se calcula:
1. Hipótesis:
H 0 : XY 0 H1 : XY 0
a. Contraste bilateral: ;
6.
Decisión: Si T cae en la zona crítica rechazamos H0; en caso contrario mantenemos. Cuando
rechazamos H0 podemos afirmar que X e Y están linealmente relacionadas en la
población (se suele decir que hay una relación lineal estadísticamente significativa).
Cuando mantenemos H0 solo podemos decir que no hay evidencia de que X e Y estén
relacionadas linealmente.
7. Nivel crítico:
a. En un contraste unilateral derecho p es la probabilidad que queda a la
derecha de nuestro estadístico T. Si por ejemplo T = 2,32, p será, P(T ≥ 2,32).
6. Una correlación no implica que haya causalidad. Por ejemplo, existe una alta
correlación lineal entre el número de televisores per cápita y la esperanza de
vida media en cada país. ¿Significa eso que aumentando el número de
televisores en los hogares se conseguirá aumentar la esperanza de vida? Hay
muchas relaciones espurias.