Documentos de Académico
Documentos de Profesional
Documentos de Cultura
OM
Análisis descriptivo de variables categóricas ............................................................................ 6
Unidad 3: Variables categóricas II ........................................................................... 11
Gráficos para variables categóricas......................................................................................... 11
Tendencia central y dispersión ............................................................................................... 13
.C
Unidad 4: Variables numéricas I .............................................................................. 16
Cuantiles .................................................................................................................................. 16
Representación gráfica: diagrama de cajas............................................................................. 20
DD
Unidad 5: Variables numéricas II ............................................................................. 22
Tendencia central y dispersión ............................................................................................... 22
Histogramas ............................................................................................................................ 27
Unidad 6: Puntuaciones Z y distribución normal...................................................... 30
LA
Puntuaciones Z ........................................................................................................................ 30
Distribución normal................................................................................................................. 33
Unidad 7: Población y Muestra ............................................................................... 36
FI
Población y Muestra................................................................................................................ 36
Distribución muestral .............................................................................................................. 39
Unidad 8: Intervalos de confianza ........................................................................... 42
Estimación de parámetros: Intervalo de confianza ................................................................ 42
Aclaraciones
Antes de dar comienzo a los contenidos que aquí se encuentran, resulta
de total importancia realizar algunas aclaraciones preliminares.
El presente escrito trata de ser un recopilado de contenidos bibliográficos
de manera breve y concisa, que, en otras palabras, es conocido como un
resumen. La única intención de este escrito es introducir y abordar un
determinado conjunto de temáticas, sin pretender bajo ningún momento
ser un reemplazo de la bibliografía que le da sustento.
OM
Debido a que solo es un recopilado de contenidos, el documento no cuenta
con un estilo de escritura académico ni referencias bibliográficas formales.
Tampoco es una copia exacta de lo que han escrito los autores presentes,
sino que se han realizado modificaciones, tales como cambiar palabras,
acortar párrafos, agregar anotaciones, entre otras cosas.
.C
En consecuencia, se advierte que cada persona se hace totalmente
responsable de cualquier uso que se le realice a este texto. Como autor
del mismo, aclaro desde un principio que no me haré cargo de ninguna
DD
situación que comprometa este archivo y que pueda darse en cualquier
lugar, tiempo y circunstancias. Entiéndase que esto aplica a todas las
situaciones habidas y por haber, sin excepción ninguna, puesto que cada
quien es plenamente consciente y responsable de sus actos.
LA
OM
estadísticos y el reporte de las relaciones y asociaciones entre las
variables estudiadas. El objetivo de reunir los datos cuantitativos es
entender, describir y predecir la naturaleza de un fenómeno,
particularmente mediante el desarrollo de modelos y teorías.
¿Qué es el análisis de datos?
.C
El análisis de datos es un conjunto de procedimientos diseñados para
resumir y organizar datos con el objetivo de extraer información y elaborar
conclusiones. En general, el análisis de datos es un proceso que se
DD
desarrolla en fases: empieza con la selección y recopilación de los datos,
continúa con la aplicación de herramientas descriptivas para organizar y
resumir la información contenida en los datos y termina con la aplicación
de herramientas inferenciales para efectuar comparaciones y estudiar
relaciones.
LA
Variables
Concepto y generalidades
Una variable es la representación numérica de una característica
sometida a medición. Dicho de otro modo, las variables son características
que pueden ser medidas y que en cada medición pueden cambiar (variar).
En los análisis cuantitativos de datos, los datos corresponden
esencialmente con números. Esto significa que para llevar adelante los
análisis es práctico asignar números a las características de las personas,
objetos, lugares, etc., que se quiere estudiar. Lo que representen los
OM
números asignados a los distintos valores de una variable dependerá de
la variable que estemos midiendo.
Tipos de variables
• Variables categóricas
.C
Una variable categórica es una variable que puede tomar un conjunto de
valores posibles, asignando cada observación a un grupo o categoría
nominal de acuerdo con una propiedad de interés. Ejemplos de variables
DD
categóricas son: color, sexo, grupo sanguíneo, estado civil, etc.
• Variables cuantitativas o numéricas
Una variable cuantitativa es una variable que puede tomar valores
numéricos. Las variables cuantitativas se clasifican en discretas o
LA
u ordinales.
• La medida nominal consiste en clasificar en categorías a los
sujetos u objetos que se desea medir haciendo que todos los sujetos
u objetos clasificados dentro de la misma categoría sean
equivalentes a la característica que se está midiendo. Un ejemplo
de variable nominal son las especies.
• La medida ordinal consiste en asignar a los sujetos u objetos
medidos un número que permita ordenarlos según la cantidad que
poseen de la característica medida. En la escala ordinal, además de
estar presente la relación de igualdad-desigualdad propia de la
escala nominal, los números asignados permiten saber si la
OM
escala representan diferencias iguales en la propiedad que estamos
midiendo. Es decir, un objeto al que se le asigna la puntuación 12
en una escala de intervalos tiene 2 unidades de medida más que un
objeto al que se le asigna la puntuación 10; del mismo modo, un
objeto al que se le asigna la puntuación 6 tiene 2 unidades de
.C
medida más que un objeto al que se le asigna la puntuación 4. Entre
10 y 12 existe la misma diferencia, en cantidad de característica, que
entre 4 y 6. Las variables de intervalo no poseen un cero absoluto,
DD
es decir no existe un valor que indique ausencia de esta propiedad.
Un ejemplo es la temperatura, el valor 0 C es un punto arbitrario de
la escala y, no indica que no hay temperatura.
• La medida de razón añade a la de intervalos la presencia del cero
absoluto. Es decir, el cero de una escala de razón indica ausencia
LA
OM
ordenar los datos basada en los valores concretos que adopta una variable
categórica y en el número de veces que se repite cada valor. El objetivo
de una tabla de frecuencias es organizar y resumir la información.
Tipos de distribuciones de frecuencias:
• Frecuencias absolutas A partir de estas distribuciones
.C
• Frecuencias relativas
• Frecuencias porcentuales
se pueden calcular también las:
Frecuencias acumuladas
DD
La frecuencia absoluta es la representación de los datos que muestra el
número concreto de casos que tiene una variable en cada una de sus
categorías. Es decir, es la frecuencia con la que aparece cada categoría
de la variable en la base de datos.
LA
FI
OM
Debido a que la frecuencia relativa y porcentual ofrecen prácticamente la
misma información, se suele utilizar para describir los datos, solamente
una de ellas. Y, además, debido a que tanto la frecuencia relativa como la
porcentual se calculan a partir de las absolutas, se recomienda que las
absolutas siempre se presenten en la tabla.
.C
Veamos ahora un ejemplo:
La siguiente tabla muestra las frecuencias obtenidas al clasificar una
DD
muestra de n = 200 sujetos en la variable X = «tabaquismo». Se trata de
una variable categórica que toma tres valores: X1 = «fumadores», X2 =
«exfumadores» y X3 = «no fumadores».
La primera columna de la tabla recoge los tres valores de la variable. La
segunda columna muestra las frecuencias absolutas (ni), es decir, el
LA
OM
.C
La frecuencia absoluta acumulada (nai) recoge el número de veces que
se repite un valor más cualquier otro inferior a él. La frecuencia relativa
DD
acumulada (Pai) se obtiene dividiendo la frecuencia absoluta acumulada
entre el número total de casos (Pa1 = na1 / n). Y la frecuencia porcentual
acumulada (%ai) se obtiene multiplicando por 100 la frecuencia relativa
acumulada (%ai = 100Pai).
LA
frecuentes son.
➢ En el caso de variables ordinales, cuántas personas alcanzan un
determinado valor o variables o están por encima de él.
de los 200 sujetos mostrados en las tablas 10.1 para formar una tabla de
frecuencia bivariada con ambas variables.
OM
.C
DD
En estas tablas los valores presentados corresponden con frecuencias
absolutas. Es decir que cada número corresponde con la cantidad de
individuos que pertenecen a las categorías definidas. Como ya vimos, las
LA
OM
.C
DD
En la tabla 10.4 se muestra los porcentajes de fila correspondiente a las
frecuencias absolutas de la tabla 10.2. Estos porcentajes indican cómo se
distribuye la variable tabaquismo en cada categoría de la variable sexo. La
LA
10
OM
nominal). Ambos ofrecen la misma información, pero con distinto aspecto.
Un gráfico de barras se construye sobre un plano definido por dos ejes:
en el eje horizontal se colocan valores de la variable; en el vertical, las
frecuencias; y sobre cada valor se levanta una barra de altura proporcional
a su frecuencia.
.C
Cuando se construyen gráficos de barras hay que tomar algunas
precauciones para no distorsionar la información que se está ofreciendo.
En primer lugar, debe evitarse cortar el eje vertical, pues, si no representa
DD
toda su altura, la diferencia entre las barras puede resultar engañosa.
En segundo lugar, es muy desaconsejable sustituir las barras por figuras
o dibujos de aquello que se quiere representar; la razón de esto es que los
dibujos correspondientes a las frecuencias más altas no solo son más altos
sino, además, más anchos, con lo que el área que ocupan es
LA
11
OM
.C
DD
LA
FI
12
OM
tendencia central más utilizadas son: media, mediana y moda. Pero para
variables categóricas solo tiene sentido conocer esta última.
La moda es el valor con mayor frecuencia en mi base de datos y coincide
con una de las puntuaciones en dicha base de datos. Es decir, es el valor
que se repite más veces, la categoría que se repite más veces. El cálculo
.C
de la moda proviene de la suma de las veces de cada valor o categoría.
Veamos un ejemplo.
DD
LA
13
Dispersión
Los estadísticos de dispersión de una distribución de datos me informan
sobre qué tan concentradas o alejadas están las puntuaciones del centro
de dicha distribución.
En el caso de los datos categóricos lo que me informan estos estadísticos
es qué tan heterogéneas son las puntuaciones, es decir, qué tanto varían
la distribución de las categorías. Se calculan examinando los porcentajes
y concentración de los datos.
OM
Una forma de cuantificar esa dispersión es a través del Índice de
Variación Cualitativa (IVC). Este índice expresa el grado en que los casos
están dispersos en las diferentes categorías de las variables. Tiene un
valor máximo de 1 y un valor mínimo de 0.
• Cuanto más cercano al 1, mayor igualdad de las frecuencias
.C
relativas (distribución uniforme). Ejemplo: Igual proporción de
fumadores, de exfumadores y de no fumadores.
• Cuanto más cercano al 0, menor igualdad de frecuencias relativas
DD
(distribución con dispersión nula). Ejemplo: Todos fumadores,
ningún exfumador y ningún no fumador.
Frec. Rel.
Sí 0,56
No 0,43
Presenta una distribución uniforme.
14
OM
Frec. Rel.
Sí 0
No 1
.C
DD
LA
FI
15
OM
➢ Mediana: un valor que divide la distribución en 2 partes iguales.
➢ Cuartiles: tres valores que dividen la distribución en 4 partes iguales.
➢ Quintiles: cuatro valores que dividen la distribución en 5 partes iguales.
➢ Deciles: nueve valores que dividen la distribución en 10 partes iguales.
➢ Percentiles: noventa y nueve valores que dividen la distribución en 100
partes iguales.
.C
El concepto de cuantil está estrechamente asociado al de frecuencia
porcentual acumulada. La mediana, por ejemplo, es el valor que acumula
el 50% de los casos; el primer cuartil (Q1) es el valor que acumula el 25%
DD
de los casos; el octavo decil (D8) es el valor que acumula el 80% de los
casos; etc. Conviene advertir, sin embargo, que los cuantiles no son
porcentajes, sino valores de la variable. Si se está trabajando con la
variable edad, un cuantil es una edad.
LA
Mediana
La mediana es el valor de la variable que divide al total de las medidas
(ordenadas) en dos partes iguales. Por encima de la mediana se encuentra
el 50% de los casos, por debajo de la mediana se encuentra el otro 50%.
FI
16
4 casos
y medio
OM
4 casos
y medio
.C
DD
Cuartiles
Los cuartiles (Q) son los tres valores de la variable que dividen al total de
las medidas (ordenadas) en cuatro partes iguales.
LA
FI
Q1: 21 años
17
Quintiles
Los quintiles son los cuatro valores de la variable que dividen al total de
las medidas (ordenadas) en cinco partes iguales.
OM
Quintil 1: 21 años
.C
Quintil 4: 40,8 años
DD
Como estamos utilizando una base de datos de ejemplo, que es muy
pequeña, se pueden calcular los cuantiles “a ojo”. Sin embargo, cuando se
trabaja con una gran base de datos, se utiliza una fórmula para calcular
LA
18
OM
.C
DD
Esta forma de considerar los cuantiles no se trata de medidas, sino de
una variable categórica construida a partir de esas medidas.
LA
FI
19
OM
➢ Rango total de la variable y el rango intercuartil.
➢ Existencia o no de valores extremos.
.C
DD
LA
FI
20
OM
.C
DD
LA
FI
21
OM
.C
DD
• Media → Suma de todos los datos dividido entre la cantidad de los
mismos (promedio).
LA
Tendencia central
Una buena manera de identificar el centro de una variable consiste en
elegir el valor que mejor representa al resto de valores. Anteriormente
habíamos elegido como mejor representante de una variable categórica el
22
Media
La media es, sin duda, el estadístico de tendencia central más utilizado.
Se define como la suma de todas las puntuaciones dividida por el número
de puntuaciones.
OM
= 508 / 5 = 101.6
= 693 / 6 = 115.5
.C
DD
Como centro de la distribución que es, la media está identificando el valor
LA
presencia de valores muy alejados del centro por uno de los dos extremos
de la distribución.
23
Dispersión
Describir un conjunto de datos a partir de un solo número conlleva,
obviamente, una importante pérdida de información: un estadístico de
tendencia central informa sobre el centro de la distribución, pero no dice
nada sobre el resto de los valores. La consecuencia de esta limitación es
que un mismo valor puede ser el centro de conjuntos de datos muy
diferentes.
Los estadísticos de dispersión nos permiten conocer el grado de
OM
alejamiento que existe entre las diferentes observaciones. Esto es
particularmente útil cuando trabajamos con la media que es un estadístico
poco robusto, como vimos momentos atrás.
La dispersión es un concepto esencialmente positivo: pueden todos los
valores ser iguales y, consecuentemente, no existe dispersión (en cuyo
caso no estaríamos hablando de una variable sino de una constante), o
.C
unos valores son distintos de otros y, consecuentemente, existe dispersión
(en cuyo caso se puede cuantificar si es baja, media o alta; pero nunca
podría ser negativa).
DD
Rango o amplitud
El estadístico de dispersión más simple de todos consiste en calcular la
LA
24
Varianza
La varianza es el promedio de las desviaciones cuadráticas de la media,
es decir, el promedio de las desviaciones de la media elevadas al
cuadrado. Se trata, por tanto, de una media de cuadrados o media
cuadrática.
OM
.C
DD
LA
FI
media, es la misma.
Así, cuando analizamos la tendencia central de un conjunto de datos, es
importante tener en cuenta también su valor de dispersión.
25
Desviación típica
La varianza no permite formarse una idea acertada del grado de dispersión
de una variable. Por esta razón, lo que suele hacerse es utilizarla raíz
cuadrada de la varianza. A este valor se le llama desviación típica.
OM
.C
DD
LA
FI
26
Histogramas
Entre los gráficos disponibles para describir la forma de la distribución de
una variable cuantitativa, los más utilizados son: el histograma, el polígono
de frecuencias, el diagrama de tallo y hojas, y el diagrama de caja.
El histograma consiste en una representación gráfica de la distribución de
frecuencias de una variable cuantitativa continua en un gráfico con forma
de barras. El histograma es parecido entonces al gráfico de barras, pero
con las barras juntas, dando así una impresión de continuidad. Se
constituye sobre el plano definido por dos ejes cartesianos: en el eje
OM
horizontal se colocan los valores de la variable ordenados de menor a
mayor (comenzando por la izquierda), en el eje vertical se colocan las
frecuencias (número de veces que se repite cada valor) y sobre cada valor
se levanta una barra de altura proporcional a su frecuencia.
.C
DD
LA
FI
27
OM
.C
DD
LA
FI
28
OM
.C
DD
LA
FI
29
OM
Así, la puntuación Z representa el número de desviaciones típicas o
estándar por encima o por debajo de la media. Forman una distribución
que siempre tiene el mismo centro, la misma dispersión y la misma
métrica. La puntuación Z solo se aplica en variables cuantitativas.
.C
Repasemos algunos de estos conceptos vistos anteriormente:
• Puntuaciones directas: Valor de la variable asignado a un sujeto a
partir de la mediación de una propiedad (por ejemplo, inteligencia).
DD
• Media: Promedio de las puntuaciones directas de una distribución.
• Desviación estándar o típica: Promedio o variación esperada con
respecto a la media de la distribución (la raíz cuadrada de la
varianza).
LA
que pasan a tener el mismo centro (la media, el percentil 50), la misma
dispersión (de 0 a 100) y la misma métrica (unidades porcentuales). Pero
esta forma de comparar convierte la métrica original en ordinar, alterando
la forma de la distribución. Para eso se pueden utilizar las puntuaciones
típicas
¿Cómo calculo las puntuaciones Z?
30
OM
.C
DD
Si queremos comparar la puntuación de 4 en lenguaje, matemática y
filosofía no podríamos hacerlo. ¿Por qué? Porque nuestra distribución
LA
31
OM
de la media? Por ejemplo, 7.4 en lenguaje, 2.8 en matemática y 4.8 en
filosofía. Entonces, en las puntuaciones típicas, observamos que el 7.4
está a 1.3 desvíos de la media, 2.8 está a -0.2 desvíos de la media y 4.8
está a -1.1 desvíos de la media.
.C
DD
LA
FI
32
Distribución normal
Gráfica de puntuaciones directas
OM
.C
DD
Tomemos, como ejemplo, la prueba de filosofía. ¿Qué sucede cuando
LA
33
OM
.C
DD
La distribución de puntuaciones Z tiene una forma de “Campana de
Gauss”. Esta distribución teórica es la más importante en estadística,
LA
34
OM
.C
• El 68% de los valores está comprendido entre -1 y 1.
• El 95% de los valores está comprendido entre -2 y 2.
• El 99,7% de los valores está comprendido entre -3 y 3.
DD
LA
FI
35
OM
buena base y los análisis de datos engloban las herramientas que
permiten desarrollar correctamente las inferencias.
Población
Una población corresponde con un conjunto de elementos (sujetos,
objetos, entidades abstractas) que poseen una o más características en
.C
común. De forma general, el término población se utiliza para referirse al
conjunto total de elementos que interesa estudiar y queda definida cuando
se explicitan las características que esos elementos comparten.
DD
Muestra
Una muestra es un subconjunto de elementos de una población. En
comparación con las poblaciones, las muestras suelen ser conjuntos de
tamaño más reducido. Para describir las propiedades de una determinada
LA
Parámetros y estadísticos
Un parámetro es un valor numérico que describe una característica
poblacional. Tomemos como ejemplo el caso de los varones uruguayos
entre 20 y 30 años de edad. Se trata de una población ya que corresponde
a un conjunto de sujetos que comparten alguna propiedad: sexo y rango
de edad en este caso. Suponiendo que tenemos acceso a la población
entera, podemos medir la altura de cada sujeto de esa cantidad de
individuos. Si calculamos el promedio de esos valores numéricos
habremos definido un parámetro poblacional, tendremos un valor
36
OM
Un estadístico es un valor numérico que describe una característica
muestral. Un estadístico es a la muestra lo que un parámetro es a la
población. Al igual que para una población, una vez definida una o más
características en las que no todos los elementos coinciden, es posible
obtener un valor numérico que las describa: a ese valor numérico se le
.C
llama estadístico. Es posible entonces, tomar un subconjunto de la
población de varones uruguayos de entre 20-30 años y medir su altura. El
promedio de la altura obtenido para esa muestra será un estadístico.
DD
No es posible calcular los parámetros, pero cada parámetro poblacional
posee su réplica muestral en un estadístico concreto que sí puede ser
calculado. De este modo, los estadísticos muestrales se van a utilizar para
intentar formarnos una idea sobre los verdaderos valores de sus
correspondientes parámetros poblacionales desconocidos. Este proceso
LA
37
OM
.C
Muestreo
El muestreo se refiere al proceso seguido para extraer una muestra de
DD
una población. El muestreo puede ser de dos tipos: probabilístico y no-
probabilístico. En el probabilístico se conoce la probabilidad de que salga
cada muestra y cada elemento, en el no-probabilístico se desconocen
dichas probabilidades.
LA
entre sí.
Es importante destacar que, dado que las poblaciones con las que
trabajamos son desconocidas, no hay manera de saber si la muestra
elegida es representativa o no de la población muestreada. Lo que
38
Distribución muestral
La distribución muestral es un constructo teórico que nos permite
conocer de qué forma y qué tanto varían las medias muestrales. Uno de
los estadísticos más útiles y utilizados en el contexto de la inferencia
estadística es la media aritmética. En tanto es un estadístico, su valor
concreto depende de la muestra concreta en la que se calcula. Si en cada
una de esas muestras calculamos la media aritmética, podremos
comprobar que no siempre toma el mismo valor, sino que varía de una
muestra a otra. La discrepancia entre los valores que toma el estadístico
OM
en las muestras y el valor real del parámetro que nos interesa saber se
denomina error. Pueden llegar a variar bastante (por ejemplo, oscilar entre
18 y 26 puntos de una escala cuando en realidad la media poblacional es
de 22). Esta variabilidad se captura en un parámetro llamado error
estándar.
.C
Entonces, ¿cómo se reduce el error?
DD
LA
FI
Las muestras erran tanto por arriba como por debajo, así el promedio de
muchísimas muestras es justamente la media poblacional y el desvío de
esta distribución es justamente cuánto suelen errarle en promedio cada
39
OM
.C
El error estándar es simplemente un cociente entre dos números,
podemos pensarlo como un balance entre dos fuerzas que tiran en
direcciones opuestas.
DD
La fórmula del error estándar es:
LA
FI
40
OM
.C
DD
LA
41
OM
estimador es eficiente cuanto menor sea su varianza. En la estimación
puntual el valor que tome el estadístico en una muestra no tiene por qué
coincidir con el valor del parámetro estimado. Debido a la variación
muestral, siempre existe la posibilidad de encontrar discrepancias entre
estos dos valores, a esto se le llama error muestral. Utilizando la
estimación puntual, no es posible conocer la magnitud del error, pero si es
.C
posible si recurrimos a la estimación por intervalos. Esta forma de
inferencia, consiste en asignar al parámetro que se desea estimar, no un
valor concreto, sino un rango de valores entre los que se espera que pueda
DD
encontrarse el verdadero valor del parámetro con una probabilidad
conocida.
¿Qué sabemos para construir un rango?
1. Que la distribución muestral
LA
de la media se aproxima a
una distribución normal.
2. Que en una distribución
normal hay un 95% de
FI
42
OM
permite conocer la
probabilidad con la que
cabe esperar que el
intervalo construido incluya el verdadero valor del parámetro estimado.
Pongamos un ejemplo: Una muestra aleatoria de 100 estudiantes
.C
universitarios responde a una prueba de comprensión lectora (X), en la
que se obtiene una media de 80 y una desviación típica de 10.
¿En qué límites cabe esperar que se encuentre la verdadera comprensión
DD
electora media de los estudiantes universitarios, con un nivel de confianza
de 0,95?
IC = x̄ ± 2σ
IC = 80 ± 2σ
LA
𝑆
IC = 80 ± 2
√n
10
IC = 80 ± 2 IC = 78 – 82
√100
FI
10
IC = 80 ± 2
10
IC = 80 ± 2
Estimamos, con una confianza del 95%, que el verdadero valor del
parámetro estimado se encuentra entre los límites del intervalo construido.
Esto significa que de cada 100 intervalos que se construyan en las mismas
condiciones, 95 de ellos incluirán el verdadero valor del parámetro,
mientras que 5 de ellos no lo harán.
43
OM
Elementos básicos
1. Hipótesis.
2. Datos.
3. Estadístico con una determinada distribución muestral.
4. P valor.
.C
¿Qué es una hipótesis estadística?
El primer paso del proceso de verificación de una hipótesis consiste en
DD
formular estadísticamente la hipótesis científica que se desea contrastar;
es decir, en transformar la hipótesis científica en hipótesis estadística.
Esta hipótesis estadística se divide en dos:
Hipótesis nula (H0) Hipótesis alternativa (H1)
LA
Ejemplo: Ejemplo:
FI
44
OM
P Valor
El P Valor es la probabilidad de haber obtenido mis datos, si la hipótesis
nula fuera verdadera.
Si la probabilidad de haber obtenido mis datos en una distribución es
suficientemente pequeña, entonces es improbable que la hipótesis nula
.C
sea verdadera y decido rechazarla; y si mi probabilidad es más grande,
mantengo la hipótesis.
Ahora bien, ¿cuán pequeña? El criterio de este valor se llama alfa. Su
DD
valor es arbitrario, pero en psicología y en ciencias sociales suele usarse
un valor de 5% (0,05) o 1% (0,01).
Veamos un ejemplo:
Pickle Rick, ¿puede adivinar lo que estás pensando?
LA
acierto).
• P valor: 0,003
• Alfa: 0,05
45