 Diferencias de Variables

En estadística, las variables se clasifican en varias categorías según su naturaleza y las

operaciones matemáticas que se pueden realizar con ellas. Las principales diferencias entre las
variables se basan en los siguientes tipos:

1. Variables Cualitativas (Categorical Variables):

o Nominales: Representan categorías sin un orden intrínseco. Ejemplos: género,

estado civil, tipo de vehículo.

o Ordinales: Representan categorías con un orden intrínseco, pero sin una

distancia uniforme entre ellas. Ejemplos: niveles educativos, rango militar,
satisfacción del cliente.

2. Variables Cuantitativas (Quantitative Variables):

o De Intervalo: Tienen un orden y una distancia uniforme entre valores, pero no

un punto cero absolutos. Ejemplos: temperatura en grados Celsius o
Fahrenheit, fechas en un calendario.

o De Razón: Tienen un orden, una distancia uniforme entre valores y un punto

cero absolutos. Ejemplos: peso, altura, ingresos, edad.

Cómo Implicar estas Variables en SPSS

En SPSS (Statistical Package for the Social Sciences), la identificación y manejo de diferentes
tipos de variables es crucial para realizar análisis estadísticos precisos. Aquí se describe cómo
trabajar con cada tipo de variable en SPSS:

1. Variables Cualitativas:

o Nominales y Ordinales:

 Definición: Al importar datos a SPSS o al crear nuevas variables, es

esencial definir las variables cualitativas adecuadamente. En el menú
principal, selecciona Variable View para definir las propiedades de
cada variable.

 Etiquetas de Valores: Para variables nominales y ordinales, se deben

asignar etiquetas de valores. Esto se hace haciendo clic en la celda de
Values en la Variable View y asignando números a las categorías
correspondientes.

 Análisis: Los análisis comunes para estas variables incluyen tablas de

contingencia (crosstabs) y pruebas chi-cuadrado (chi-square). Estos
análisis se encuentran en el menú Analyze > Descriptive Statistics.

2. Variables Cuantitativas:

o De Intervalo y De Razón:

 Definición: Al igual que con las variables cualitativas, las variables

cuantitativas se definen en Variable View. Se debe asegurar que el tipo
 de medida esté configurado correctamente (Scale para intervalos y
razones).

 Descriptivos: Los análisis descriptivos, como media, mediana,

desviación estándar, se pueden obtener a través de Analyze >
Descriptive Statistics > Descriptives.

 Gráficos: Para visualizaciones, SPSS ofrece gráficos de dispersión,

histogramas y boxplots, accesibles desde el menú Graphs > Chart
Builder.

Ejemplo Práctico en SPSS

Supongamos que estamos trabajando con un conjunto de datos que incluye las siguientes
variables:

 Género (Nominal): 1 = Masculino, 2 = Femenino.

 Nivel Educativo (Ordinal): 1 = Secundaria, 2 = Preparatoria, 3 = Licenciatura, 4 =

Maestría.

 Edad (De Razón): Años.

 Ingreso Mensual (De Razón): En dólares.

Pasos en SPSS:

1. Definición de Variables:

o En Variable View, define las variables con sus nombres correspondientes.

o Asigna el tipo adecuado (Nominal, Ordinal, Scale).

2. Etiquetas de Valores:

o Para Género y Nivel Educativo, haz clic en Values y asigna los valores
correspondientes.

3. Análisis Descriptivo:

o Para obtener estadísticas descriptivas de Edad e Ingreso Mensual, ve a Analyze

> Descriptive Statistics > Descriptives.

o Selecciona las variables y ejecuta el análisis para obtener media, mediana, etc.

4. Gráficos:

o Para crear un gráfico de dispersión de Edad vs Ingreso Mensual, ve a Graphs >

Chart Builder.

o Selecciona el tipo de gráfico y arrastra las variables correspondientes.

Este enfoque te permitirá gestionar y analizar diferentes tipos de variables de manera efectiva
en SPSS, adaptando el análisis a la naturaleza de cada variable.

 Encuestas
Las encuestas son una herramienta fundamental para recopilar datos de una población o
muestra específica con el objetivo de obtener información sobre diversas variables. Los datos
obtenidos mediante encuestas pueden ser tanto cualitativos como cuantitativos y se pueden
analizar para identificar patrones, relaciones y tendencias.

Componentes Clave de una Encuesta:

1. Diseño de la Encuesta:

o Objetivo: Definir claramente qué se desea investigar.

o Población y Muestra: Determinar quiénes serán los encuestados y cómo se

seleccionarán.

o Tipo de Preguntas: Decidir entre preguntas abiertas (respuestas libres) o

cerradas (opciones predeterminadas).

o Escala de Medición: Utilizar escalas nominales, ordinales, de intervalo o de

razón según el tipo de datos que se necesiten.

2. Tipos de Preguntas:

o Demográficas: Recopilan información básica sobre los encuestados (edad,

género, nivel educativo).

o De Opinión: Recogen las percepciones o actitudes hacia un tema específico.

o De Comportamiento: Investigan las acciones o hábitos de los encuestados.

o De Conocimiento: Evalúan el conocimiento de los encuestados sobre un tema

específico.

Aplicación en SPSS

Para analizar datos de encuestas en SPSS, es crucial seguir una serie de pasos que incluyen la
preparación de datos, la entrada de datos en SPSS, la definición de variables y el análisis de
resultados.

Pasos para Analizar Datos de Encuestas en SPSS:

1. Preparación de Datos:

o Recolección de Respuestas: Recopilar todas las respuestas de la encuesta en

un formato compatible con SPSS, como CSV o Excel.

o Codificación: Asignar códigos numéricos a las respuestas de preguntas

cerradas. Por ejemplo, 1 = Masculino, 2 = Femenino.

2. Entrada de Datos en SPSS:

o Importación de Datos: Abrir SPSS y utilizar la opción File > Open > Data para
importar el archivo de datos.

o Variable View: Ir a Variable View para definir las propiedades de cada variable,
incluyendo el nombre, tipo (Numeric o String), y la etiqueta de valores.

3. Definición de Variables:
 o Nominal y Ordinal: Asignar valores y etiquetas a las variables categóricas. Por
ejemplo, para la variable Género, asignar 1 = Masculino y 2 = Femenino.

o Escalas de Intervalo y Razón: Asegurarse de que las variables cuantitativas

estén configuradas correctamente como Scale.

4. Análisis Descriptivo:

o Estadísticas Descriptivas: Utilizar Analyze > Descriptive Statistics > Frequencies

para obtener frecuencias de variables categóricas y Analyze > Descriptive
Statistics > Descriptives para obtener estadísticas como media y desviación
estándar para variables cuantitativas.

o Tablas de Contingencia: Usar Analyze > Descriptive Statistics > Crosstabs para
examinar la relación entre dos variables categóricas.

5. Gráficos:

o Histogramas: Crear histogramas para visualizar la distribución de variables

cuantitativas utilizando Graphs > Chart Builder.

o Gráficos de Barras: Utilizar gráficos de barras para representar frecuencias de

variables categóricas.

Ejemplo Práctico en SPSS

Supongamos que hemos realizado una encuesta con las siguientes preguntas:

 Género (Nominal): 1 = Masculino, 2 = Femenino.

 Edad (De Razón): En años.

 Nivel de Satisfacción (Ordinal): 1 = Muy insatisfecho, 2 = Insatisfecho, 3 = Neutral, 4 =

Satisfecho, 5 = Muy satisfecho.

 Ingreso Mensual (De Razón): En dólares.

Pasos en SPSS:

1. Importación y Definición de Datos:

o Importar el archivo de datos con las respuestas de la encuesta.

o En Variable View, definir cada variable, asegurándose de que Género y Nivel

de Satisfacción tengan etiquetas de valores adecuadas.

2. Análisis Descriptivo:

o Para obtener frecuencias de Género y Nivel de Satisfacción, ir a Analyze >

Descriptive Statistics > Frequencies.

o Para obtener estadísticas descriptivas de Edad e Ingreso Mensual, ir a Analyze

> Descriptive Statistics > Descriptives.

3. Gráficos:

o Crear un histograma de Edad y Ingreso Mensual en Graphs > Chart Builder.

 o Crear un gráfico de barras para Nivel de Satisfacción en Graphs > Chart Builder.

Con estos pasos, se puede gestionar y analizar los datos de encuestas en SPSS de manera
efectiva, permitiendo extraer conclusiones significativas y respaldadas por datos.

 La distribución normal

La distribución normal, también conocida como campana de Gauss, es una distribución de

probabilidad que se caracteriza por ser simétrica y tener una forma de campana. Sus
propiedades clave son:

1. Media, Mediana y Moda: Coinciden en el centro de la distribución.

2. Simetría: La distribución es simétrica alrededor de la media.

3. Curva de Campana: La mayor parte de los datos se encuentra cerca de la media,

disminuyendo a medida que se alejan de ella.

Para determinar si un conjunto de datos sigue una distribución normal, se pueden utilizar los
siguientes métodos:

1. Visualización Gráfica:

o Histograma: Un histograma con una superpuesta curva normal puede dar una
idea visual de la normalidad.

o Gráfico Q-Q (Quantile-Quantile): Compara los cuantiles de los datos con los
cuantiles de una distribución normal teórica.

2. Pruebas Estadísticas:

o Prueba de Kolmogorov-Smirnov (K-S): Compara los datos con una distribución

normal.

o Prueba de Shapiro-Wilk: Evalúa la hipótesis de que los datos provienen de una

distribución normal.

Ejemplo

Supongamos que tenemos un conjunto de datos que representa las puntuaciones de un

examen de 100 estudiantes.

Puntuaciones del Examen:

 Media: 70

 Desviación estándar: 10

 Datos: [45, 55, 60, 65, 68, 70, 72, 75, 78, 80, 85, 90, 95]

Pasos para Determinar la Distribución Normal:

1. Visualización Gráfica:

o Crear un histograma de las puntuaciones.

o Crear un gráfico Q-Q de las puntuaciones.

 2. Pruebas Estadísticas:

o Realizar la prueba de Kolmogorov-Smirnov.

o Realizar la prueba de Shapiro-Wilk.

Estos métodos ayudarán a determinar si las puntuaciones del examen siguen una distribución
normal (campana de Gauss).

 Medidas de Tendencia Central

Estas medidas indican el punto central o promedio de un conjunto de datos.

1. Media (Promedio): Suma de todos los valores dividida por el número de valores.
Ejemplo: La media de [3, 5, 7] es (3+5+7)/3 = 5.

2. Mediana: Valor central cuando los datos están ordenados. Ejemplo: La mediana de [3,
5, 7] es 5.

3. Moda: Valor que aparece con mayor frecuencia. Ejemplo: La moda de [3, 3, 5, 7] es 3.

Medidas de Dispersión Estas medidas indican cuánto varían los datos respecto a la tendencia
central.

1. Rango: Diferencia entre el valor máximo y el mínimo. Ejemplo: El rango de [3, 5, 7] es

7-3 = 4.

2. Varianza: Promedio de las diferencias al cuadrado respecto a la media. Ejemplo: Para

[3, 5, 7], la varianza es [(3-5)² + (5-5)² + (7-5)²]/3 = 4.

3. Desviación Estándar: Raíz cuadrada de la varianza. Ejemplo: Para [3, 5, 7], la

desviación estándar es √4 = 2.

Medidas de Posición Estas medidas indican la posición relativa de los valores dentro de un
conjunto de datos.

1. Percentiles: Valores que dividen los datos en 100 partes iguales. Ejemplo: El percentil
50 (mediana) de [3, 5, 7] es 5.

2. Cuartiles: Valores que dividen los datos en 4 partes iguales. Ejemplo: El primer cuartil
(Q1) de [3, 5, 7, 9] es 4.5.

3. Deciles: Valores que dividen los datos en 10 partes iguales. Ejemplo: El tercer decil
(D3) de [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] es 3.

Ejemplo

Supongamos que tenemos las siguientes puntuaciones de un examen de 10 estudiantes: [70,

75, 80, 85, 90, 70, 75, 80, 85, 90].

1. Medidas de Tendencia Central:

o Media: (70+75+80+85+90+70+75+80+85+90)/10 = 80

o Mediana: Ordenando los datos [70, 70, 75, 75, 80, 80, 85, 85, 90, 90], la
mediana es (80+80)/2 = 80
 o Moda: 70, 75, 80, 85, 90 (todas aparecen dos veces, por lo tanto, hay múltiples
modas)

2. Medidas de Dispersión:

o Rango: 90 - 70 = 20

o Varianza: [(70-80)² + (75-80)² + (80-80)² + (85-80)² + (90-80)² + (70-80)² + (75-

80)² + (80-80)² + (85-80)² + (90-80)²]/10 = 50

o Desviación Estándar: √50 ≈ 7.07

3. Medidas de Posición:

o Percentil 50 (Mediana): 80

o Primer Cuartil (Q1): 75 (25% de los datos están por debajo de 75)

o Tercer Cuartil (Q3): 85 (75% de los datos están por debajo de 85)

Estas medidas proporcionan una comprensión completa de la distribución de los datos, su

tendencia central, la variabilidad y la posición relativa de los valores dentro del conjunto de
datos.

 Intervalos de confianza.

Un intervalo de confianza es un rango estimado de valores que, con cierta probabilidad,

contiene el verdadero valor de un parámetro poblacional. Es una medida de la precisión de
una estimación estadística y se expresa generalmente como (p. ej., 95%) de confianza.

 Nivel de Confianza: Es la probabilidad de que el intervalo de confianza contenga el

parámetro poblacional verdadero. Comúnmente se utiliza un nivel de confianza del
95% o del 99%.

 Error Estándar: Es una medida de la precisión de la estimación estadística. A medida

que aumenta el tamaño de la muestra, el error estándar tiende a disminuir, lo que
significa que la estimación es más precisa.

Cálculo del Intervalo de Confianza

Para calcular un intervalo de confianza para la media poblacional (μ\muμ) con un nivel de
confianza del 95%:

s
Intervalo de Confianza= x ± Z ∙
√n
Donde:

 x es la media muestral.
 s es la desviación estándar muestral.

 N es el tamaño de la muestra.
  Z es el valor crítico de la distribución normal estándar, que depende del nivel de
confianza seleccionado.

Ejemplo

Supongamos que tenemos una muestra de tamaño n=100n = 100n=100 de puntuaciones de un

examen y queremos estimar el intervalo de confianza para la media de las puntuaciones con
un nivel de confianza del 95%. Supongamos que la media muestral xˉ=75\bar{x} = 75x ˉ=75 y la
desviación estándar muestral s=10s = 10s=10.

s 10
1. Calcular el Error Estándar: Error Estándar = = =1
√ n √100
2. Determinar el Valor Crítico ZZZ para un Nivel de Confianza del 95%:

o Para un nivel de confianza del 95%, Z≈1.96Z (valor obtenido de tablas de

distribución normal estándar).

3. Calcular el Intervalo de Confianza:

Intervalo de Confianza=75±1.96⋅1
Intervalo de Confianza=(73.04,76.96)

Esto significa que podemos estar 95% seguros de que el verdadero valor medio de las
puntuaciones del examen está entre 73.04 y 76.96.

 Prueba de hipótesis

Una prueba de hipótesis es un proceso estadístico utilizado para tomar decisiones basadas en
datos muestrales sobre el valor de un parámetro poblacional. En el contexto de las medias o
promedios, se centra en determinar si hay suficiente evidencia en los datos muestrales para
rechazar o no una afirmación sobre la media poblacional (μ\muμ).

Pasos Generales para Establecer una Prueba de Hipótesis de Media

1. Formulación de Hipótesis:

o Hipótesis Nula (H0): Afirmación inicial que se quiere poner a prueba. Por lo
general, se establece que no hay efecto o diferencia.

o Hipótesis Alternativa (H1 o Ha): Contraparte de la hipótesis nula que se

considera si los datos muestrales proporcionan suficiente evidencia para
rechazar H0.

2. Selección del Nivel de Significancia (α\alphaα):

o Es la probabilidad de cometer un error tipo I al rechazar incorrectamente la

hipótesis nula cuando es verdadera. Comúnmente se elige α=0.05\alpha =
0.05α=0.05 o α=0.01\alpha = 0.01α=0.01.

3. Elección de la Prueba Estadística:

o Depende de si conocemos o no la desviación estándar poblacional (σ\sigmaσ).

o Si conocemos σ\sigmaσ, se utiliza la prueba z (z-test).

 o Si no conocemos σ\sigmaσ, se utiliza la prueba t (t-test).

4. Cálculo de la Estadística de Prueba:

o Prueba z para la media poblacional (σ\sigmaσ conocida):

 Z = (x̄ - μ₀) / (σ / √n)

o Prueba t para la media poblacional (σ\sigmaσ desconocida):

 t = (x̄ - μ₀) / (s / √n) Donde x̄ es la media muestral, μ₀ es el valor

hipotético de la media poblacional bajo H0, s es la desviación estándar
muestral y n es el tamaño de la muestra.

5. Toma de Decisión:

o Comparar el valor de la estadística de prueba con el valor crítico

correspondiente (obtenido de tablas de distribución z o t).

o Si la estadística de prueba cae en la región de rechazo (según el nivel de

significancia), se rechaza H0 en favor de H1.

o Si no cae en la región de rechazo, no se rechaza H0.

Ejemplo

Supongamos que queremos probar si la media de las puntuaciones en un examen es mayor a

75. Tomamos una muestra de tamaño n = 30 y encontramos que la media muestral x̄ = 78 y la
desviación estándar muestral s = 10.

1. Hipótesis:

o H0: μ ≤ 75 (la media de las puntuaciones es menor o igual a 75)

o H1: μ > 75 (la media de las puntuaciones es mayor a 75)

2. Nivel de Significancia:

o α = 0.05

3. Prueba Estadística:

o Utilizamos la prueba t ya que desconocemos σ.

4. Cálculo de la Estadística de Prueba:

o t = (78 - 75) / (10 / √30) ≈ 1.65

5. Decisión:

o Valor crítico para α = 0.05 y grados de libertad df = 29 es aproximadamente

t₀.₀₅,₂₉ = 1.699.

o Como t = 1.65 no cae en la región de rechazo (mayor que t₀.₀₅,₂₉), no tenemos

suficiente evidencia para rechazar H0.

o Conclusión: No podemos afirmar que la media de las puntuaciones del examen

sea mayor a 75 con un nivel de significancia del 5%.