SESIÓN 18: Procesamiento y análisis de datos cuantitati… — Transcript

Sesión sobre procesamiento y análisis de datos cuantitativos, cubriendo estadística descriptiva, inferencial, pruebas chi-cuadrado, ANOVA, correlación y regresión con SPSS.

Key Takeaways

  • La estadística descriptiva es fundamental para describir datos totales, no muestras.
  • Es crucial diferenciar entre variables categóricas y numéricas para aplicar análisis correctos.
  • Pruebas como chi-cuadrado y ANOVA son esenciales para analizar asociaciones y diferencias entre variables.
  • El análisis correlacional y la regresión permiten entender y modelar relaciones entre variables cuantitativas.
  • SPSS es una herramienta práctica para aplicar estos análisis de manera eficiente y visual.

Summary

  • Introducción al procesamiento y análisis de datos cuantitativos con teoría y aplicación práctica en SPSS.
  • Explicación de la estadística descriptiva y sus herramientas: medidas de resumen, tablas de frecuencia y gráficos.
  • Diferenciación entre variables cualitativas (categóricas) y cuantitativas (numéricas), y sus subtipos.
  • Importancia de no usar estadística descriptiva para muestras, sino para datos totales o censales.
  • Descripción de variables numéricas discretas y continuas con ejemplos claros.
  • Discusión sobre variables categóricas numéricas, como el número de identificación, que no son numéricas para análisis estadístico.
  • Introducción a pruebas estadísticas importantes: prueba de independencia chi-cuadrado y ANOVA.
  • Explicación de análisis correlacional y regresión lineal para modelar relaciones entre variables.
  • Relevancia de elegir la herramienta estadística adecuada según el tipo de variable y nivel académico.
  • Uso de SPSS para realizar análisis estadísticos y generar gráficos de barras y tablas editables.

Chapters

  1. 00:00Introducción y objetivos de la sesión
  2. 04:58Concepto y tipos de variables estadísticas
  3. 10:12Variables numéricas discretas y continuas
  4. 15:21Variables categóricas y ejemplos prácticos
  5. 21:00Estadística descriptiva: medidas y tablas
  6. 31:22Prueba de independencia chi-cuadrado
  7. 47:57Prueba ANOVA y análisis de varianza
  8. 61:52Análisis correlacional y regresión lineal
  9. 71:19Interpretación de resultados y conclusiones

Full Transcript — Download SRT & Markdown

00:02
Speaker A
Entonces, empecemos con la sesión, jóvenes. ¿Qué tal? Buenas noches con todos. Les saluda Luis Luis Bautista, el profesor, y conmigo van a ver qué tal. Buenas noches con todos. Vamos a ver el tema de procesamiento y análisis de datos cuantitativos. Vamos a ver un poco de teoría, jóvenes, eh, y luego veremos lo que es la parte aplicativa usando SPSS. Ya. Muy bien. Entonces, empecemos.
00:16
Speaker A
Como contenido de la sesión de hoy es básicamente ver un poco de estadística descriptiva.
00:35
Speaker A
Hablaremos de la estadística inferencial, hablaremos de una prueba muy importante que se aplica a variables categóricas, que es la prueba de independencia chi-cuadrado.
00:42
Speaker A
Por ejemplo, cuando queremos saber si entre dos variables categóricas existe asociación o no.
00:52
Speaker A
Hablaremos de la prueba ANOVA, que es una de las más usadas junto a la prueba de independencia chi-cuadrado, ¿no?
00:59
Speaker A
Luego hablaremos de lo que es análisis y correlación. Este tema es importante, ¿no? Porque hay muchos proyectos de investigación que son eh de este rubro, ¿no? Análisis correlacionales, ¿no? O estudios correlacionales.
01:07
Speaker A
Luego hablaremos también de regresión. Entonces, estas son las herramientas más comunes que se usan pues en muchos proyectos de investigación. No hay más, claro que sí, pero estos serían los más importantes o los más usados, ¿no? Igual si quieren
01:23
Speaker A
saber algo más o alguna otra herramienta, igual me lo comentan. Ya. Sí. Este, profesor, sí adelante.
01:38
Speaker A
En las universidades ya no aceptan en posgrado correlación, sino eh a partir de explicativa.
01:45
Speaker A
Claro. Ya. Modelos de, por ejemplo, de causalidad, modelos proyectivos. Claro, para un nivel de posgrado ya se debería hacer cosas más especializadas, ¿no? Para pregrado creo que aún sí es factible también. Mm.
01:53
Speaker A
Ni para doctorado ni hablar, no tiene que ser algo innovador inclusive. Muy bien. [Música] Hablemos entonces de la estadística descriptiva, jóvenes, que es una de las estadísticas más usadas y que muchas veces no le damos la debida importancia, ¿no?
02:11
Speaker A
Eh, a ver, la estadística en sí se divide en dos partes, ¿no? Lo que es la descriptiva y la inferencial.
02:31
Speaker A
La descriptiva, específicamente, jóvenes, se dice que es la rama de la estadística que se dedica básicamente a recolectar, analizar y caracterizar un conjunto de datos con el objetivo de describir, obviamente, el comportamiento de ese conjunto de datos, ¿no?
02:37
Speaker A
Pero para yo describir un conjunto de datos, necesito herramientas. Y la estadística descriptiva te da un grupo de herramientas. Por ejemplo, las medidas de resumen.
03:01
Speaker A
Todos hemos escuchado de la media, mediana, moda, varianza, desviación estándar, cuartiles, asimetría, curtosis, todos esos, jóvenes, son medidas de resumen.
03:15
Speaker A
¿Qué más nos proporciona la estadística descriptiva? Las famosas tablas de frecuencia. ¿Qué más? Los gráficos descriptivos.
03:30
Speaker A
En otras palabras, la estadística descriptiva, jóvenes, es aquella estadística que te va a proporcionar ciertas herramientas como las medidas de resumen, las tablas de frecuencia y los gráficos para poder describir un conjunto de datos.
03:40
Speaker A
Así de simple. Pero acá hay que tener algo y hay que tener mucho cuidado. Por cierto, la estadística descriptiva, jóvenes, solo se aplica a datos totales.
04:01
Speaker A
Totales, es decir, cuando tienes, por ejemplo, censos, datos censales o quizás cuando tienes registros administrativos, ¿no?, que es toda tu información en general cuando son totales.
04:19
Speaker A
No vayan a usar pues estas cosas cuando están estudiando muestras. No tiene sentido. ¿Por qué? Porque una muestra no sirve para describir.
04:35
Speaker A
Tú puedes describir un evento solo si tienes toda la información. ¿Correcto? Por el contrario, ¿qué pasa si solamente tengo una muestra?
04:47
Speaker A
A partir de una muestra, yo solo puedo hacer inferencias. Ese detalle hay que tener cuidado. Ya.
04:58
Speaker A
Muy bien. Dicho eso, jóvenes, ahora vamos a pasar a algo muy interesante. Ya sea la estadística descriptiva o la estadística inferencial, necesitamos saber qué son las famosas variables o variables estadísticas.
05:06
Speaker A
Jóvenes, una variable estadística es el conjunto de valores que puede tomar cierta característica de la población.
05:24
Speaker A
Por ejemplo, ustedes observan a una persona y automáticamente pueden saber si es hombre, si es alto, si es gordo, flaco, muchas cosas, ¿no? Todas esas cosas que ustedes han medido es una variable.
05:34
Speaker A
¿Y qué variables has mencionado? Peso, talla, edad, todo aquello, aquella medición sobre algo es una variable estadística.
05:50
Speaker A
Es una variable estadística. Más adelante en el curso de teoría probabilística ya se llama variable aleatoria, ¿no? Que es otra cosa, pero es parecido.
06:06
Speaker A
Lo interesante de las variables estadísticas, jóvenes, es que tiene dos grupos muy importantes. Las variables cualitativas, también conocidas como categóricas, y las variables cuantitativas, conocidas también como variables numéricas. ¿Por qué es importante diferenciar las variables que yo tengo?
06:16
Speaker A
Porque si tengo variables categóricas, obviamente yo puedo aplicar eh medidas de resumen, ¿no? A una variable numérica yo puedo calcular la media, por ejemplo, yo le puedo calcular la varianza, ¿se dan cuenta? Porque es una variable numérica, pero a una variable categórica no puedo
06:42
Speaker A
calcular su varianza. No se puede. No, no. Correcto. A una variable categórica, a lo más podía calcular la moda, que es el valor que más se repite, por cierto, a lo más puede hacer una tabla de frecuencia, algún gráfico de barras o
07:05
Speaker A
gráfico de sectores, ¿no? Entonces, la elección del tipo de análisis o del tipo de herramienta va a depender estrechamente de la variable que yo tenga, ¿no? Del tipo de variable.
07:23
Speaker A
Por eso es muy importante, jóvenes, poder diferenciarlos, ¿no? Hasta ahí es sencillo, categórica y numérica. Por ejemplo, si yo leo estado civil, es una variable categórica, ¿no? Casado, soltero, viudo, divorciado.
07:37
Speaker A
Si yo le digo talla de una persona, es una variable cuantitativa, ¿no? Numérica y así.
07:58
Speaker A
Se puede diferenciar. Muy bien. Pero, ¿qué pasa si es que dentro de las variables numéricas se divide en dos?
08:06
Speaker A
Por eso dicen tipo de variable numérica. Hay las variables continuas y las variables discretas.
08:16
Speaker A
Las continuas son producto de una medición, jóvenes, y las discretas son producto de un conteo.
08:25
Speaker A
Así de simple, profesor. ¿Cuál es la diferencia? Ambos son numéricos. ¿Correcto? El conteo son cantidades enteras. Por ejemplo, si yo les digo número de hijos, podemos tener un hijo, dos hijos, tres hijos. No, nadie tiene pues 1.5
08:37
Speaker A
hijos, eso no existe. Entonces el número de hijos es una variable numérica de tipo discreta.
08:55
Speaker A
Número de accidentes de tránsito, cero accidentes, un accidente, dos accidentes, nadie tiene 0.7 accidentes, ¿no? Eso no existe.
09:04
Speaker A
Entonces las variables que acabo de mencionar son variables numéricas de tipo discreta. ¿Y cómo son las variables? numéricas continuas, que su cálculo proviene de una medición, por ejemplo, la talla de una persona, el peso de una persona,
09:13
Speaker A
la temperatura, el salario, todo aquello que proviene de una medición es una variable numérica continua y por ende acepta cualquier valor real.
09:35
Speaker A
Uno puede tener 60.5 kg de peso, no hay problema. 60.8, 70.1, todo acepta cualquier valor.
09:50
Speaker A
Es una medición. Pero ojo, no toda variable que esté conformada de números es una variable numérica.
10:00
Speaker A
Por ejemplo, todos nosotros conocemos el número de documento de identificación de las personas, ¿no?
10:12
Speaker A
Entonces yo les pregunto, ¿qué tipo de variable es el número de identificación de la persona?
10:24
Speaker A
¿Será numérica o categórica? ¿Qué opinan, jóvenes? Categórica. Correcto. Es una variable categórica. No vayan a pensar que por el hecho de que la variable esté conformada de números sea una variable numérica.
10:35
Speaker A
Eso no es así. El número de identificación, jóvenes, simplemente es, como dice su nombre, un identificador de la persona, nada más.
10:59
Speaker A
¿Por qué? Porque con este valor no se puede hacer ninguna operación. Ustedes pueden sumar números de identificación, les va a salir cualquier cosa, ¿no? No tiene sentido.
11:14
Speaker A
Muy bien, eso era lo que les quería comentar. Entonces, el otro tipo de variable de la categórica también se desdobla en dos, ¿no? La famosa ordinal y la fam...
11:26
Speaker A
Muy bien, eso era lo que les quería comentar. Entonces, el otro tipo de variable de la catórica también se se desdobla en dos, ¿no? La famosa ordinal y la famosa nominal. ¿Cuál es lo común o cuál es la diferencia? En otras
11:42
Speaker A
palabras, el ordinal hay una jerarquía en sus niveles, jóvenes. Hay una jerarquía y el nominal no existe jerarquía o no hay jerarquía. En otras palabras, muy bien. Si yo les digo sexo, hombre y mujer, el hombre no es más que la mujer o la
12:06
Speaker A
mujer no es más que el hombre, no, eso eso no existe. No, como no hay jerarquía, la variable sexo es una variable catórica de tipo nominal.
12:16
Speaker A
No hay jerarquía, jóvenes. ¿Se dan cuenta? Al no haber jerarquía, entonces es una es de tipo nómina.
12:26
Speaker A
Sin embargo, si yo les digo, eh, a ver, hm, nivel de instrucción de la persona sin estudios, estudios técnicos, superiores y posgrado, por ejemplo, automáticamente ya hay una jerarquía natural de los niveles, ¿no?
12:51
Speaker A
Evidentemente una persona con estudios de posrao tiene mejor nivel pues que uno que no tiene estudios, ¿no?
13:00
Speaker A
Pero es una jerarquía natural, joven. ¿Qué otro variable común? Nivel socioeconómico del hogar. A, B, C, D, E.
13:10
Speaker A
Obviamente los hogares AB son los hogares con mejores condiciones que las hogares de y E, ¿no?
13:17
Speaker A
Pero es una es una jerarquía natural, joven. ¿Se dan cuenta? Ahora les voy a dar un ejemplo. Estado civil, ¿qué tipo de variable categórica es?
13:30
Speaker A
Ordinal o nominal. [Música] A ver, ¿quién dice nominal? Nominal. ¿Por qué nominal? A ver, coménteme.
13:40
Speaker A
Porque no hay una orden de jerarquía en este caso. Correcto. No hay jerarquía. No implica que el soltero sea mejor que el casado, ¿no?
13:52
Speaker A
Así es. O que el divorciado. Claro que el soltero es más feliz, ¿no? Pero es otra cosa, no tiene nada que ver. Sí.
14:00
Speaker A
Muy bien. Entonces, el soltero no es más que el casado, ni el casado es más que el viudo, viceversa, no hay jerarquía de orden.
14:08
Speaker A
Al no haber jerarquía de orden, automáticamente es una variable categórica nominal. J. Así es simple.
14:20
Speaker A
Así es, simple, J sencillo, ¿no? No hay orden. ¿Dónde más se observa la las variables categóricas ordinales? En las escalas de ler jóvenes los que han diseñado algún instrumento de medición en escala leaker, todos son categóricos ordinales, ¿no?
14:41
Speaker A
Porque ahí dice, "¿Te gustó el servicio?" Eh, casi nada. poco regular, bueno, excelente, algo así, ¿no? Hay una jerarquía, ¿no? Son varias categóricas ordinales joven que le llamen escala líqua, pero en sí es una variable categórica ordinal.
15:04
Speaker A
Muy bien, ya que tenemos claros estos puntos, pasemos a los siguientes temas. Muy bien. Acá hay un ejemplito, ¿no? Por ejemplo edad sexo, ingreso, son variables. Y estos valores, ¿qué vienen a ser? Los datos.
15:21
Speaker A
Una cosa es variable, la otra cosa es valor o el dato, ¿no? Muy bien.
15:29
Speaker A
Hablemos de las medidas resumen. Una vez que ustedes tengan medidas resumen, mejor dicho, una vez que ustedes tengan su base de datos, identifiquen las variables categóricas y las variables numéricas, pues van a tener la necesidad de calcular alguna medida de resumen,
15:48
Speaker A
¿no? ¿Y qué son las famosas medidas de resumen? Son medidas que te van a permitir resumir un conjunto de datos.
16:02
Speaker A
en un único valor, de tal manera que puedas interpretar de manera más sencilla, ¿no? Por ejemplo, las medidas de posición tenemos acá se dividen en dos, ¿no? Las medidas de tendencia central.
16:18
Speaker A
Acá, ¿quiénes están? La media, la mediana y la moda, ¿no? Todos conocemos eso. La media es el famoso promedio, el promedio aritmético.
16:37
Speaker A
¿Cómo se calcula la media? como la suma de todos los datos entre la cantidad de de datos, ¿no?
16:48
Speaker A
Imagínense que ustedes tienen, no sé, 2000 trabajadores. Acá está 2000 trabajadores y por acá están sus salarios, ¿no? Vamos a poner $300, $400 y así.
17:07
Speaker A
Bueno, acá en Lima el salario mínimo es $300 en promedio y le dice, "No, quiero saber o quiero calcular una medida de resumen para estos 2000 salarios y pues te sale eh 350.
17:26
Speaker A
¿Qué implica ese 350? que en promedio los trabajadores de mi empresa tienen en salario $350, ¿no?
17:37
Speaker A
Entonces este pequeño valor ha resumido a 2000 registros, ha centralizado, por eso se le conoce medidas de tendencia central.
17:49
Speaker A
¿Se dan cuenta? Un solo valor resume 2000 registros. te da más información, salario promedio, sueldo promedio, ya es más informativo, ¿no?
18:03
Speaker A
Muy bien. Eh, las medidas de tendencia no central son los famosas medidas de posición, ¿no? O los famosos percentiles ¿no?
18:16
Speaker A
¿Alguna vez han escuchado el quinto superior, cuarto superior, décimo superior, tercio superior? Eso que piden las empresas.
18:24
Speaker A
dice, "Se solicita practicante del quinto superior", dice. No, pero ¿qué es eso? No, es un percentil, es una medida de posición.
18:36
Speaker A
Acá tenemos los más famosos, los cuartiles. Dividir mi conjunto de datos en cuatro partes iguales.
18:45
Speaker A
Si quiero dividir en cinco partes iguales, tengo los quintiles. No, profesor, ¿y si quiero partir mis datos en 10 partes iguales?
18:55
Speaker A
Deciles, estos son los más comunes. Muy bien. Esos son las medidas de posición y las medidas de dispersión tienen que ver con variabilidad de mis datos. Por ejemplo, la medida de experión más conocida es la varianza y la deviación estándar.
19:25
Speaker A
son los más conocidos. Pero antes existía una forma deir la variabilidad denominada rango, joven, que no era más que la diferencia del valor máximo menos el valor mínimo.
19:39
Speaker A
Era un poco arcaico la forma de medir la variabilidad, ¿no? Pero era lo que había.
19:45
Speaker A
Ya gracias a Pearon, Fisher y todo, pues tenemos la varianza de la descripción estándar, ¿no? Que son medidas mucho más interesantes de medir la variables.
19:57
Speaker A
Por ejemplo, la varianza se calcula así, ¿no? Eh, sigma cuadrado. Esta es la varianza poblacional, por cierto.
20:06
Speaker A
Cada valor se compara respecto a su media elevado al cuadrado entre la cantidad de datos.
20:14
Speaker A
varianza poblacional. Evidentemente no necesitamos memorizarnos la fórmula, jóvenes. Ya los programas lo hacen, ¿no? De una manera más sencilla.
20:25
Speaker A
Muy bien. Tabla de frecuencia. ¿Se han dado cuenta que todas estas medidas de posición y medio de dispersión solo se aplican a variables numéricas? jóvenes.
20:44
Speaker A
Y la pregunta es, ¿qué pasa con las variables categóricas? No, para ello, generalmente se usan las famosas tablas de frecuencia.
20:54
Speaker A
una tabla de frecuencia no es más que resumir esa variable en función de sus categorías y el número de casos, ¿no?
21:03
Speaker A
Con eso puedes calcular porcentajes y todo ello. Ese proceso es sencillo. Así como se hace tabla de frecuencias, también se puede hacer gráficos descriptivos.
21:17
Speaker A
Entonces, un variable categórica acepta gráfico de sectores o gráfico de pastel, gráfico de barras y otro tipo de gráficos. Ya puedes combinar una variable numérica con una variable categórica, ¿no?
21:31
Speaker A
Todo ese proceso es sencillo. Todo eso es estadística descriptiva, jóvenes. Muy bien. Antes de entrar a la estadística inferal, vamos a ver el laboratorio de la parte descriptiva.
21:45
Speaker A
jóvenes y es sencillo por cierto, abran, por favor, ustedes ya deben tener su material, se llama eh bueno, la base de datos, ¿no? Yo le llamé BD colegios.
21:57
Speaker A
A ver, abran, por favor, abran eso y abran el que dice BD colegios EBR 2025 para hacer la parte descriptiva, jóvenes. Ya.
22:10
Speaker A
[Música] Paran, por favor, sus los que tienen el SPCS. Adelante. ¿Cuál es la consulta?
22:33
Speaker A
No, si te decía si puedes compartir también por acá por el Zoom. A ver, a ver, voy a compartir. Voy a ver si puedo. Ya, a ver, un momento.
22:42
Speaker A
A ver, todo le voy a pasar. A ver, a ver, a ver si se puede por el chat del Zoom.
22:54
Speaker A
A ver, a ver si se puede. Vamos a ver. Sí, se puede, Je. No, listo. Les pasé por el por el por el chat del Zoom también. Muy bien, empecemos jóvenes.
23:24
Speaker A
Antes la data de de BD colegios está en stat, así que el SPC también puede importar. Eso es lo bueno, ¿no? Se va en archivo.
23:34
Speaker A
Se va en archivo, jóvenes. Y nos vamos a eh a la opción que dice importar datos, ¿no?
23:48
Speaker A
Y acá le ponemos stata y le bueno, le direccionamos, ¿no? A ver, por acá debe estar. Ahí está mi ahí está mi data, ¿ves? Listo, ahí está.
24:08
Speaker A
Eso es la base de datos jóvenes que les voy a compartir. Lo poco que les puedo comentar de esta data es que es el listado total de todos los colegios acá de Perú de la educación básica regular, que es la educación
24:24
Speaker A
inicial, que es la primera infancia, eh primaria que va de los 6 hasta los 11 12 años aproximadamente.
24:35
Speaker A
la secundaria que de 12 hasta los 16 17 aproximadamente. Muy bien. Entonces son todos los colegios activos a la fecha actualizado en julio 2025.
24:48
Speaker A
Entonces esta data es una data administrativa, pero refleja el total de los de los servicios educativos, ¿no?
24:56
Speaker A
Entonces, por ende, yo puedo aplicar estadística descriptiva. ¿Se dan cuenta? ¿Qué observo acá? Tengo una variable llamado de NITM que refleja el nivel del de del servicio educativo.
25:12
Speaker A
La manera más sencilla para generar gráficos descriptivos es de la siguiente manera, joven. Clic derecho y estadísticos descriptivos y automáticamente me muestra mi tabla de frecuencia. No, sencillo.
25:37
Speaker A
Esto ya lo puedo editar y le puedo dar el formato que yo desea, ¿no? Y lo bueno que es editable, lo copias un Excel y se puede editar, ¿no?
25:45
Speaker A
Entonces, acá tenemos qué cosa quizás no se está viendo. Voy a activar mi lupa para que puedan ver. Ya ahí está.
25:54
Speaker A
Tengo 88,465 colegios en el Perú, jóvenes, de los cuales inicial primaria secundaria en nivel primaria representa el 43.2% del total de servicios. Jóvenes, interesante, ¿no? Ya están saliendo algunas algunas conclusiones interesantes, ¿no?
26:20
Speaker A
¿Qué más? También tengo otra variable llamado gestión. Hay colegios públicos, obviamente administrados por Estado y colegios privados que son empresas privadas, ¿no? También le doy clic derecho y puedo generar la descriptivos, ¿no?
26:40
Speaker A
Y acá lo tengo, jóvenes. Del total de colegios en el Perú, jóvenes, el 74% corresponde a gestión pública, es decir, son servicios educativos administrados por el Estado, ¿no?
26:56
Speaker A
Y solamente 26% corresponde a empresas privadas. Datos, salen, datos, jóvenes. Estoy describiendo mi conjunto de datos, ¿no? Eso es hacer estadística descriptiva a una variable categórica. Recuerden, eh, ¿qué más se puede hacer, jóvenes?
27:18
Speaker A
También se A ver, a ver, los que no tienen el programa, muy buena pregunta.
27:35
Speaker A
Creo que yo tengo el instalador, pero en este momento no sé dónde está. A ver si después les le comparto a Miguel y les comparte. Ya ahí tengo un instalador que les va a servir para todo y un tutorial en video.
27:51
Speaker A
Ya, pero al final, por favor. Okay, no se preocupen, no se preocupen. Muy bien. También tengo otro variable llamado área ascenso que me permite saber si el servicio educativo está en zona urbana o zona rural.
28:12
Speaker A
Miren, del total de colegios jóvenes, el 57.6% 6% de los colegios se encuentran en zonas rurales, mientras que el 42.4% 4% están en zonas urbanas, ¿no? Interesante, buen dato.
28:31
Speaker A
Así como hemos hecho tablas de frecuencia para una sola variable, también podemos hacer para dos variables.
28:39
Speaker A
Para ello si nos vamos a la parte de miren, analizar y nos vamos a eh tablas personalizadas.
28:53
Speaker A
Nos vamos a esta opción y acá elegimos las variables que queremos. Por ejemplo, en fila le voy a poner región y en columnas le voy a poner nivel.
29:18
Speaker A
Muy bien. Y quiero agregarle a totales por fila, ¿no? Obviamente quiero agregarle a totales por fila.
29:33
Speaker A
Muy bien, acá están mis totales. A ver, muy bien. Voy a mostrar los totales. Muy bien.
29:45
Speaker A
Y simplemente le voy a aceptar. También tendrían que agregar mis totales por columna, ¿no?
29:56
Speaker A
Muy bien. Con esa opción yo puedo generar una tabla frecuencia de este tipo, jóvenes.
30:06
Speaker A
Acá está mi primera variable y mi segunda variable. Las famosas región son eh las direcciones regionales de educación, ¿no? Que corresponden generalmente con los departamentos del Perú.
30:21
Speaker A
Creo que en otros países se llaman estados. Acá lo llamamos departamento, ¿no? Muy bien. Entonces, por cada departamento, ¿cuántos servicios educativos tengo por nivel? ¿No?
30:35
Speaker A
Por ejemplo, el de Lima metropolitana, por ejemplo, la capital, ¿no? Tengo 12,523 servicios educativos, de los cualos 5256 inicial y así sucesivamente, ¿no?
30:50
Speaker A
También podemos irnos a Cuzco, ¿no? Por acá está Cuzco. Cuzco en total tiene 4271 servicio educativo y así se puede hacer muchas más cosas.
31:04
Speaker A
El SPCC es super sencillo, intuitivo y esos serían los análisis para la parte para las variables categóricas, ¿no?
31:19
Speaker A
Algunas variables interesantes vamos a generar. Nos vamos, por ejemplo, a los gráficos, a la opción de gráficos, cuadros diálogos antiguos y vamos a generar un gráfico de barras, eh, gráfico de barras simple, no nos compliquemos.
31:39
Speaker A
Elegimos acá una variable. Eh, a ver, quiero por nivel. ¿Quieres mostrar número de casos o porcentaje de casos? Número de casos.
31:52
Speaker A
Simplemente le doy aceptar, jóvenes, y automáticamente me sale mi gráfico de barras inicial, primaria, secundaria.
32:04
Speaker A
Si ustedes quisieran editar los montos en las barras, es decir, cuántos servicios educativos representan por nivel, simplemente le dan doble clic a la figura, nos va a salir una ventana de edición de este tipo.
32:21
Speaker A
Se van a esta opción de acá, le dan clic y luego le dan clic en cada barra, cierran la edición y automáticamente ya queda con los montos, ¿no?
32:35
Speaker A
Lo mismo puede ser agregando porcentajes ¿no? Entonces, así como hacen gráfico de barras, también pueden hacer otro tipo de gráfico ¿no?
32:49
Speaker A
Muy bien, eso es la parte descriptiva. A ver, analicemos una variable categórica, perdón numérica.
33:01
Speaker A
una variable numérica, por ejemplo, tenemos acá el número de alumnos y el número de docentes.
33:09
Speaker A
Entonces, como es una variable numérica, podemos hacer algunos estadísticos o medidas resumen, ¿no? Para ello, me voy, jóvenes, a analizar descriptivos, estadísticos descriptivos y me voy acá.
33:24
Speaker A
Miren, descriptivos, analizar estadísticos descriptivos y la opción descriptivos. Y acá voy a elegir las dos variables, no me dado problema. Quiero que me hagan el análisis para las dos variables.
33:44
Speaker A
Opciones. Si yo le doy opciones, jóvenes, este botón de acá, me sale pues todos los estadísticos descritivos que yo quiero.
33:53
Speaker A
Por ejemplo, le voy a poner la media, la división estándar, el mínimo, el máximo, la varianza.
34:01
Speaker A
Varianza, no, por todos esa simetría. Rango ya no porque no se usa, no. error estándar tampoco, la suma tampoco, la media es más interesante, ¿no? Entonces, simplemente le doy continuar y luego le doy aceptar.
34:17
Speaker A
Automáticamente, jóvenes, miren lo que me sale, un resumen con los estadísticos descritivos para cada variable.
34:29
Speaker A
Me sale la media de de la variable alumnos, total de alumnos, me sale la media 91.83.
34:37
Speaker A
Se podría decir que en promedio cada día tiene 91, bueno, 92 estudiantes, ¿no? En promedio.
34:44
Speaker A
Y también se puede decir que en promedio los servicios educativos en el Perú tienen aproximadamente seis docentes y así y así se puede interpretar la varianza, aunque la varianza no tiene tanta utilidad cuando tú comparas eh diferentes variables, ¿no? Para yo ver
35:08
Speaker A
si existe variable A, tendría que analizar la misma variable en dos escenarios diferentes, pero a simple vista eh el total de alumnos tiene mayor variabilidad pues que el total de docentes, ¿no? A lo más podemos decir eso.
35:27
Speaker A
Muy bien, eso sería, jóvenes, la parte descriptiva ¿no? Entonces, como ven, no es nada complicado, es sers sencillo, pero ojo, no se olviden, la parte descriptiva solo se usa para datos sensales o datos totales, datos administrativos, jóvenes, no sirve para
35:53
Speaker A
muestras. Muy bien. Si tengo muestras, ¿cuál es el análisis correcto que debo realizar? la estadística inferencial.
36:06
Speaker A
Entonces, la estadística inferencial, jóvenes, es aquella estadística que va a hacer inferencias, pero a partir de una muestra.
36:18
Speaker A
Por eso se dice que la estadística inferencial es el conjunto de métodos y técnicas que permiten inferir a partir de la información empírica proporcionada por una por una muestra, jóvenes, el cual obviamente refleja el comportamiento de una determinada
36:48
Speaker A
población, ¿correcto? Una muestra es un subconjunto de la población. Evidentemente esa muestra tiene que tener rigurosidad, ¿no? Para que sea representativa.
37:03
Speaker A
Muy bien. Al tomar una muestra y no estudiar toda la población, evidentemente hay un error.
37:11
Speaker A
En inferencia o en estadística inferencial ya se habla del concepto de margen de error. Pero ese margen de error, jóvenes, se genera a partir de no haber tomado toda la muestra, ¿no? Toda la población.
37:24
Speaker A
Pero muchas veces es inevitable porque recoger información de toda la población implica mayor costo, ¿no?
37:33
Speaker A
Muy bien. Entonces, para yo obtener una muestra tengo que hacer un muestreo. Una vez que hago el muestreo, voy a obtener una muestra y voy a tener que hacer inferencia, obviamente, hacia la población.
37:51
Speaker A
Cuando uso uso una muestra para inferir, mis conclusiones ya van a estar a nivel poblacional, por eso se llama inferencia, ¿no?
38:01
Speaker A
Muy bien. [Música] Entonces, vamos a reforzar algunos conceptos de la estadística inferencial. Se dice que la estadística inferencial, jóvenes, se ocupa del análisis e interpretación de los resultados, resultados obtenidos de una muestra, obviamente, ¿no?, que permiten sacar conclusiones respecto a las
38:31
Speaker A
características de la población. A partir de una muestra, tú vas a inferir hacia la población.
38:40
Speaker A
Pero estas conclusiones obviamente tienen un error. ¿Por qué? Porque estás trabajando con una muestra.
38:46
Speaker A
Pues jóvenes desde el momento que ya tú tomas una muestra, hay un error producto del muestreo. ¿Cuál es el error?
38:56
Speaker A
El error de no haber tonado todos los datos por la sudancia. Pero como les comenté, muchas veces es costoso, por ende optamos por una muestra. Pero si la muestra está muy bien diseñada, jóvenes, la precisión es muy buena.
39:14
Speaker A
La estadística inferencial, jóvenes, ya usa herramientas mucho más sofisticadas, ¿no? Por ejemplo, usa conceptos de la probabilidad.
39:25
Speaker A
A partir de probabilidades se construye, por ejemplo, los intervalos de confianza, eh, y todo ello, ¿no? Las pruebas de hipótesis, todo eso es probabilidades, jóvenes.
39:38
Speaker A
Gracias a las probabilidades, jóvenes, podemos tomar decisiones en condiciones de incertidumbre. Gracias a las probabilidades, nosotros podemos hablar del concepto margen de error.
39:51
Speaker A
Sin las probabilidades no tendría sentido la parte diferencial, ¿no? Es la base de las probabilidades.
39:59
Speaker A
Muy bien. [Música] Evidentemente el curso o el tema, bueno, el curso sí porque inferencia estadística se ve un semestre completo en la universidad.
40:13
Speaker A
es un curso. Hay mucho más, obviamente, ¿no? Pero nosotros vamos a enfocarnos en las pruebas inferenciales más usadas, jóvenes.
40:25
Speaker A
Por ejemplo, la prueba de independencia Chicuarao. La prueba de independencia Chicuarao sirve, jóvenes, para ver la asociación entre dos variables categóricas.
40:39
Speaker A
Por ejemplo, nivel de anemia del niño versus nivel de educación de la madre. ¿Habrá alguna asociación entre esas dos variables?
40:51
Speaker A
Pues sí, ya hay publicaciones jóvenes o tesis en este caso que han demostrado que a mayor nivel de educación de la madre, menor nivel de anemia del niño.
41:07
Speaker A
Por el contrario, a a menor educación o menor nivel educativo de la madre, mayor nivel es anemia del niño.
41:17
Speaker A
Hay asociación, evidentemente, entre esas dos variables categóricas. ¿Cómo lo han determinado? Con una prueba de independencia chi cuadrado, ¿no? Por eso se dice, jóvenes, que esta prueba permite analizar si dos variables aleatorias, pero en sí son categóricas, son independientes, ¿no? ¿Qué quiere
41:42
Speaker A
decir que dos variables sean independientes? que no están asociadas, ¿no? Eso es lo lo formal o la manera más sencilla de entenderla, ¿no? No tienen nada en común, independiente.
42:04
Speaker A
Para hacer este tipo de prueba, yo necesito una data de este tipo. Acá está mi variable X, mi variable Y con sus categorías ¿no?
42:14
Speaker A
A esto se conoce como la famosa tabla de contingencia o tabla de doble entrada, ¿no? Evidentemente necesito datos en ambas variables y generar esa tabla de contingencia, ¿no?
42:29
Speaker A
Algo así, algo así, algo así, ¿no? Primera variable, sus niveles, segunda variable categórica y sus niveles.
42:42
Speaker A
Acá en estas cuadrículas van a ir la cantidad de casos que corresponda, ¿no? O sea, a partir de esa tablita se hace la prueba de Chicuarao.
42:52
Speaker A
Eh, Guideón Bellido, ¿cuál es su consulta? Una consulta. Buenas noches. Sí adelante. Este, tengo entendido que el nivel educativo, este, no sé cómo se está considerando, pero tal como está la variable nivel educativo, nivel de anemia, entiendo que
43:16
Speaker A
son ordinales. Eh sí ordinales. Entonces, si fuera así, este, no sé porque eh sí cuadrado mayormente es para contrastar efectivamente el tema de nivel de asociación, pero cuando las categorías o perdón, cuando las variables serían nominales o salvo mejor parecer.
43:43
Speaker A
Gracias. Sí, lo que pasa una variable ordinal también es una variable categórica. Eso hay que tener en cuenta teórica, ¿no? Lo que me refiero es, o sea, eh nominal y ordinal, ¿no? Entonces, ah, en algunas literaturas he encontrado de
44:01
Speaker A
que la prueba de independencia del chi cuadrado hay que utilizar cuando este cuando las dos o una de las variables tengan naturaleza nominal.
44:16
Speaker A
Pero entiendo acá nuestro ejemplo que usted señalaba, el nivel educativo, nivel de anemia, desde el punto de vista tiene una característica de ser ordinal, ¿no?
44:29
Speaker A
Gracias. Sí, correcto. Sí. No, no, no hay ninguna restricción sobre ello. No, no se preocupen. No hay ninguna restricción.
44:37
Speaker A
La idea es que sea una variable categórica. Algunos mezclan, ¿no? Una ordinal y otra nominal.
44:45
Speaker A
siguen siendo categóricas, no hay problema, no hay. ¿Y cómo se contrasta después esto? Más adelante hay un tema en la parte estadística multivar llamada análisis y correspondencia.
44:58
Speaker A
es una técnica eh multivariada que refuerza el análisis de la prueba de independencia cuadrado.
45:10
Speaker A
Lo que pasa esa herramienta análisis correspondencia te permite generar un mapa eh perceptual de cómo se comportan eh los niveles de las variables categóricas, ¿no? Y al final se ve esa relación efectivamente, ¿no?, que mamá con mayor estudios implica niños con
45:33
Speaker A
menor nivel de enemia. Eh, eso más que todo, pero no hay ninguna restricción, no se preocupen.
45:42
Speaker A
Muy bien. Eh, ya seguimos. Esta es la tabla de contingencia. Y a partir de esa tabla de contingencia, jóvenes, se genera toda la teoría, ¿no?
45:56
Speaker A
Por ejemplo, estos valorcitos que se van a llenar en esta parte son las frecuencias observadas.
46:01
Speaker A
Luego se construyó otra tablita con las frecuencias esperadas y a partir de ellos pues se calcula toda la teoría.
46:09
Speaker A
No, yo no les voy a pedir, jóvenes, que se memoricen la teoría. No tiene sentido.
46:18
Speaker A
Eso era antes, ¿no? Cuando los exámenes se resolvían manualmente, teníamos que teníamos que llevar nuestras tablitas de probabilidades y todo ello, ¿no? Ahora no, jóvenes, ahora con los programas estadísticos no es necesario memorizarlo, ¿no? Pero eso sí, lo único que yo les pido, jóvenes, es
46:37
Speaker A
esto. plantear sus hipótesis correctamente. Nada más yo le pido. No le pido más. ¿Por qué? Porque yo he visto papers, he visto tesis que plantean la hipótesis al revés.
47:00
Speaker A
¿Qué quiere decir que dos variables? La inula, la nula dice X y Y son independientes, que no están asociadas, ¿no?
47:11
Speaker A
No están asociadas. ¿Y cuál es la mala costumbre de muchos de nosotros? Pensamos que todo lo que queremos probar está en la hipótesis nula.
47:26
Speaker A
No sé de dónde hemos sacado esa idea, jóvenes, pero todo el mundo hace eso.
47:32
Speaker A
La alternativa dice X y Y no son independientes o lo mismo decir que están asociadas, ¿no?
47:44
Speaker A
Muy bien. Esta es la teoría, jóvenes. Nosotros no podemos ir en contra de la teoría.
47:54
Speaker A
Ahora yo les pregunto, en el caso de nivel de anemia del niño y nivel de educación de la madre, ¿cómo sería la hipótesis nula, jóvenes?
48:04
Speaker A
La hipótesis nula sería, ¿no? El nivel de educación de la madre y el nivel de anemia del niño no están asociadas.
48:15
Speaker A
Así debe ser el planteamiento correcto versus si están asociadas. Por favor, no cambien la forma de plantear las hipótesis. La teoría ya está dada, jóvenes. La teoría es así, pero no sé por qué razón cambian el orden.
48:40
Speaker A
No es así, jóvenes. Ah, muy bien. Una vez que ustedes identifiquen la herramienta usar la técnica, el siguiente paso es plantear sus hipótesis, usar la herramienta estadística, en este caso el SPCS, y luego el SPCS les va a arrojar
49:01
Speaker A
el famoso P valor, ¿no? En el SPCS se le llaman SIG, SIG de significancia, ¿no? Si ese p valor compara con un nivel de significancia alfa que generalmente 5% y si se cumple esta desigualdad, ¿a qué conclusión se llega?
49:31
Speaker A
Se rechaza la hipótesis. Esta es la regla que nosotros vamos a usar. J. Esta es la regla que nosotros vamos a usar.
49:49
Speaker A
Ya no ese valor crítico, ya no vamos a usar esto. Esto era antes, ¿no? Manualmente con Ahora vamos a usar esta regla.
50:01
Speaker A
Y lo bonito, jóvenes, de esta regla es que se usa para toda prueba de hipótesis que van a ver de ahora en adelante en toda su vida.
50:12
Speaker A
Si el p valor es menor al nivel de insificancia, el alfa, se rechaza la hipótesis.
50:19
Speaker A
Simple. Así de simple. Muy bien, ya saben lo más importante, plantear la hipótesis correctamente. Si ustedes plantean mal la hipótesis, todo está mal.
50:37
Speaker A
Adelante. ¿Cuál es la consulta? Si p valor es menor que 05%, ¿se rechaza qué hipótesis?
50:43
Speaker A
Lo que has planteado, las que has planteado tú en tu investigación, obviamente. Htis, mi hipótesis alterna nula. Se rechaza la hipótesis nula.
50:53
Speaker A
Mm. Si se rechaza implica que están asociadas, ¿no? Claro. Si tú rechazas la nula que que está diciendo que no están asociadas, implica que las variables sí están asociadas ¿no?
51:11
Speaker A
Pero esta regla, jóvenes, no se olviden, por favor, sirve para toda prueba de hipótesis.
51:19
Speaker A
Muy bien. Y acá yo les he traío un ejemplo interesante. ¿Habrá alguna relación, jóvenes, entre el tipo de buscador y el grupo de edad de la persona?
51:36
Speaker A
Tipo de buscar Google, Yahoo, Keiko, Cityet ¿no? Bueno, quizás algunos han escuchado estos buscadores, ¿no? Antiguos.
51:45
Speaker A
Ahora todo es Google, ¿no? La pregunta es del ejercicio, ¿no? ¿Será que los adultos usan más Google o Yahoo o viceversa o serán que los jóvenes usan más Google? No se sabe, ¿no?
52:01
Speaker A
Entonces, ¿habrá asociación entre estas dos variables categóricas? Jen, ¿qué le dice el sentido común?
52:10
Speaker A
Posiblemente sí. No se esperaría pues que los niños y los jóvenes usen Google, ¿no? Se esperaría se esperaría que los adultos pues usen estos antiguos, ¿no? Buscadores antiguos.
52:28
Speaker A
Pero eso es netamente observar algo a simple vista, ¿no? Pero necesitamos algo que nos que nos demuestre que efectivamente eso es así, ¿no?
52:41
Speaker A
Ustedes ven esta aplicación, ¿cómo saben que tienen que usar la prueba de independencia chi cuadrado? ¿Cómo saben?
52:49
Speaker A
Bueno, el ejercicio ya te lo hice también, ¿no? Dice, "Se desea realizar un estudio para determinar si los buscadores de información se encuentran relacionados con la edad del usuario.
53:03
Speaker A
Ambas variables son categóricas. Y si quiero buscar la relación son dos variables categóricas, obviamente poro de independencia y cuadrado. Encima mi dato está en una tabla contingencia. ¿Qué más quiero?
53:18
Speaker A
Tengo todos los insumos como para darme cuenta. Muy bien. Entonces, pregunta al millón, ¿cómo sería su planteamiento hipótesis, jóvenes?
53:30
Speaker A
A ver, ¿cómo plantearían su hipótesis? A ver, ¿cómo sería? Si entendieron la teoría primero sería que eh son independientes entre la edad y los buscadores que utilizan, ¿no?
54:09
Speaker A
Ya. Muy bien. Eh, la alterna sería de que entre estas dos variables, o sea, no hay están asociadas, ¿no? Están asociadas.
54:22
Speaker A
Correcto. Muy bien. La hipótesis nula sería la 100. Voy a escribirlo acá para que no se olviden. Mira.
54:33
Speaker A
Bien. Muy bien. La edad del usuario y el tipo de buscador no están asociadas.
54:57
Speaker A
Es lo mismo decir que son independientes ¿no? Y la pregunta del millón, ¿cómo sé que eso es así? O ¿cómo sé que la hipótesis se plantea de esa manera?
55:10
Speaker A
Porque la teoría me lo dice, joven. No es que se me haya antojado a mí, ¿no?
55:19
Speaker A
Se dan cuenta la teoría dice así. No están asociadas. Acá está la teoría. Ahí está. No son independientes, quiere decir que no están asociadas.
55:37
Speaker A
Y listo. Eso sería otro. Muy bien. Se entendió entonces esa idea. Yo ya les he solucionado el ejercicio, ¿no? Ahí está.
55:51
Speaker A
¿Cómo planteo la hipótesis nula, jóvenes? Los buscadores de información, miren, ah, no se encuentran relacionados con la edad del usuario.
56:07
Speaker A
Lo correcto es decir asociado, jóvenes, solo que hasta ahorita no se acostumbran a ello, ¿no? Muy bien. Los buscadores de información no se encuentran asociados con la edad del usuario versus se encuentran asociados.
56:25
Speaker A
fijo un nivel de significancia, si es que no me dan, asumo un 5%. Con el SPS, jóvenes, me ha salido este P valor 0.0.
56:40
Speaker A
0.0 es menor a 0.05. Sí, por ende rechazo la hipótesis. Si rechazo él, me quedo con él.
56:54
Speaker A
que quiere decir que a un nivel de significancia del 5% se puede afirmar que los buscadores de información se encuentran asociados con la edad del usuario y se acabó.
57:12
Speaker A
Así de simple, jóvenes. Efectivamente, jóvenes, si hay asociación entre el tipo de buscador y el grupo de edad del usuario.
57:27
Speaker A
Es natural que los más jóvenes usen Google, eso es normal, eso dice el sentido común. Y los más viejitos usemos pues Yahoo Keiner, ¿no? Que son los más antiguos.
57:40
Speaker A
Claro, el sentido común ya nos ya nos decía algo, pero necesitamos una prueba de hipótesis que refute, que que sustente ello, en otras palabras, ¿no?
57:52
Speaker A
Eso es, jóvenes, eso es aplicar una prueba de estadística inferencial, en este caso, prueba de independencia de cuadrado.
58:01
Speaker A
Una pregunta. Sí. Adelante. ¿Por qué dice usted que eh no nos acostumbramos a decir todavía en vez de relación asociación?
58:13
Speaker A
Ah, ya. Muy bien. La palabra asociación, jóvenes, en estadística generalmente se le se le se le se le bueno se le asigna o se le debe usar para variables categóricas. Cuando tú ves eh cuando quieres algunos análisis de
58:33
Speaker A
valores categóricas, eso es lo correcto. Si tengo dos variables categóricas y le hago prueba de independencia cuadrada, lo que yo voy a ver es asociación entre variables categóricas.
58:47
Speaker A
Sin embargo, la variable relación se debería usar para variables numéricas. Por ejemplo, si tú observas relación entre dos variables numéricas, por ejemplo, una relación lineal, entonces fácilmente puedes calcular automáticamente la correlación lineal.
59:11
Speaker A
Entonces, por eso lo correcto, jóvenes, es hablar relación para variables numéricas y asociación para variables categóricas.
59:21
Speaker A
Pero hay libros, hay libros que aún no están consensuando eso, ¿no? Pero para una mejor redacción, esto es lo correcto.
59:32
Speaker A
Asimismo, también el en los niveles de investigación se habla de investigaciones eh relacionales y correlacionales.
59:42
Speaker A
Claro, debe ser correlacional porque la correlación es netamente lineal. No existe una correlación diferente a ello.
59:53
Speaker A
Peon y Spearman miden correlaciones lineales. Lo correcto es hablar de estudios correlacionales ¿no? Muy bien. Sí, hay unas cosas que aún hay que consensuar, ¿no? Pero poco a poco.
60:09
Speaker A
Muy bien. Muy bien. Entonces, ahora vamos a ver este ejercicio en el SPCSC. [Música] ¿Cómo se hace esto en el SPCSC? Yo yo les puse los pantallazos, jóvenes. Se van a analizar. Bueno, primero cargan la DAT, que por cierto yo les pasé los
60:27
Speaker A
archivos. Se van a analizar descriptivos, tablas cruzadas. Luego en me va a salir esta opción.
60:39
Speaker A
En filas pongo los buscadores y en columnas pongo el grupo de edad. Muy bien. Luego me voy a la opción estadísticos y activo la opción que dice chi cuadrado.
60:51
Speaker A
Luego le doy continuo y automáticamente me sale, yo me enfoco en esto, jóvenes. prueba h²ad y acá está su p valor 0 comparado con el alfa es 5% obviamente el p valor es menor al alfa si es menor al alfa, ¿cuál es la
61:19
Speaker A
conclusión jóvenes? Se rechaza la hipótesis nula y se acepta la hipótesis alternativa. Excelente. No se dice aceptar la hipótesis nula.
61:31
Speaker A
Eso tampoco, eso tenga hay que aprender. Se si se no si se rechaza la hipótesis nula implica eh bueno, que tengo que tomar en cuenta como mi conclusión la alternativa, ¿no?
61:45
Speaker A
No hay que usar esa palabra se acepta. Muy bien, porque en la en los libros así de específicamente inferencia estadística no usan la palabra aceptar.
61:58
Speaker A
Se rechaza o no se rechaza. nada más. Muy bien, pero esos son cositas que se van puliendo, no se preocupen. Lo más importante, jóvenes, es para mí que ustedes planteen bien su hipótesis, usen las reglas de decisión y la
62:17
Speaker A
interpretación. Por ejemplo, si dice a un nivel de insignificancia el 5%, se puede afirmar que los buscadores de información se encuentran asociados con la edad del usuario.
62:34
Speaker A
Eso es tu conclusión. Eso te da eh como quien dice, no tienes una ya una pro hipótesis el sustento eh más confiable que existe, ¿no?
62:52
Speaker A
Eso es joven, sencillo, no es nada complicado. Ahora vamos a abrir nuestro propio SPCS para que quede claro esta parte. Ustedes se van a la data que dice buscadores, le dan doble clic y ahí está.
63:12
Speaker A
Claro. Ustedes dirán, "Profesor, usted ya lo tiene armado su base de datos, ¿no? ¿Cómo se hace desde cero?
63:22
Speaker A
Desde cero implica llevar estos datos a ese PCS. ¿Cómo lo he hecho yo? Miren, Google se repite tres veces para tres personas, ¿no? Niños, jóvenes y adultos y así. Entonces, lo único que voy a hacer es ponerlo en columna.
63:40
Speaker A
Así voy a poner mi lupa. Ya está, ¿no? Google se repite tres veces, niños, jóvenes, adultos. Y acá están sus mediciones, su frecuencia.
63:52
Speaker A
Yahoo se repite tres veces para los tres grupos de edad. Y acá están sus mediciones.
63:57
Speaker A
Y así y así automáticamente he llevado a esa tablita al SPCS. Ustedes dirán que parecía imposible, pero no, jóvenes, es sentido común, nada más.
64:15
Speaker A
Entonces, a partir de esta tablita, yo voy a generar esa tabla que está en el PPT.
64:22
Speaker A
Para ello me sale, me voy a esta opción, analizar tablas, no, descriptivos y tablas cruzad.
64:33
Speaker A
Analizar estadísticos descritivos y tablas cruzadas. En filas voy a poner buscadores, así como está en el ejercicio y en columna edades. Y le doy aceptar.
64:46
Speaker A
¿Y por qué me sale 1 1 1 1 1 1 1 1 1 1 1 1 1 y no me sale los valores que están en la en el ejercicio? No es que no estamos aprovechando esta información, esta columna frecuencia. Esta frecuencia
65:03
Speaker A
es un ponderador, quiere decir que niño se está repitiendo 30 veces para el tipo de buscador, ¿no?
65:11
Speaker A
Pero como no le hemos dado el SPCS no lo entiende. No entiende que es una tabla ponderada.
65:19
Speaker A
Para hacer ello, entonces para ponderar, jóvenes, yo me voy a esta opción, datos ponderar casos.
65:29
Speaker A
Y acá donde dice ponderar casos mediante, yo elijo la variable frecuencia, lo paso acá y lo acepto, jóvenes, y repito el mismo procedimiento de la tabla cruzada.
65:44
Speaker A
Analizar descriptivos, tablas cruzadas. Quedó igual, le doy aceptar. Y ahí recién, jóvenes, aparece nuestra tablita que está en el ejercicio.
66:02
Speaker A
Ahora sí reconoce la ponderación. A esta tablita es al cual yo le voy a aplicar la prueba de independencia cuadrado. Obviamente se supone que usted ya tienen planteado su hipótesis, ¿no?
66:17
Speaker A
Muy bien. Nuevamente me voy a analizar. Cuidado con sus audios, por favor. Descriptivos. tablas cruzadas y en estadísticos le activo la opción chi cuadrado, jóvenes, y le doy continuar y aceptar.
66:40
Speaker A
Y miren, jóvenes, acá me sale otro p valor, pero es igual, es cero prácticamente. ¿Por qué sale diferente y no como el PPT?
66:53
Speaker A
Es que esto lo he hecho con el SPCS 27 y el que está en el PPT lo hice con el SPCS 23.
67:01
Speaker A
Es por las versiones, pero la conclusión es igual. J estadístico previo es igual, los grados de libertad es igual y todo.
67:10
Speaker A
0.001 es menor a 0.05. Igual se rechaza la hipótesis, ¿no? La conclusión es la misma.
67:21
Speaker A
Eso es, jóvenes, eso es hacer la prueba de independencia chi cuadrado en el SPCs, ¿no? Sencillo.
67:30
Speaker A
Muy bien. Y acá ustedes ya tienen pues las conclusiones y todo. Ahora vamos a hacer, vamos a ver otra prueba de inferencia, jóvenes, llamado el anova. Jóvenes, cuadrado se usa cuándo? Cuando tengo dos variables categóricas.
67:57
Speaker A
Muy bien. Y anova. Paraa yo necesito una variable numérica y una categórica. En ANOVA a la variable categórica le han puesto un nombre interesante, le han puesto factor y a la variable numérica le han puesto variable respuesta, ¿no?
68:33
Speaker A
Bueno, son algunas nomenclaturas que se tiene en cuenta, ¿no? Muy bien. Lo único que ¿Cuál es la diferencia?
68:45
Speaker A
Bueno, Chicuarao necesita dos variables categóricas. AOVA, una numérica y una categórica. Pero, ¿qué hace la variable o qué hace?
68:54
Speaker A
Imagínense que mi variable numérica sean las notas de de un colegio y el factor sean aulas. Yo tengo tres aulas, aula uno, aula dos y aula tres.
69:10
Speaker A
Quiero saber si las tres en las tres aulas las notas promedio son iguales o diferentes.
69:16
Speaker A
Es decir, si yo quiero comparar mis notas en los tres grupos y saber si son iguales o diferentes en promedio, eso es hacer una prueba a no. Te sirve para comparar grupos de tres a más.
69:33
Speaker A
Es decir, a norma te permite comparar grupos jóvenes. Comparar grupos, ¿no? Pero de tres a más, mayor o igual a tres.
69:50
Speaker A
Para eso siren, eso es una pequeña introducción, ¿no? ¿Qué es el anova, dice? ¿Qué es el anor?
69:58
Speaker A
El análisis de varianza o también conocida como ANOVA de un factor es un método estadístico para examinar las diferencias en las medias de tres o más grupos. De tres a más.
70:15
Speaker A
Usualmente dice, "El anova de un factor se emplea cuando tenemos una única variable o factor independiente y el objetivo es investigar si las variaciones o diferentes niveles de un factor tiene un efecto medible sobre la variable dependiente, en este caso y,
70:35
Speaker A
¿no? En otras palabras, quieren saber pues si tu variable de respuesta eh en promedio son iguales por los grupos o son diferentes, ¿no? Así de simple.
70:51
Speaker A
La manera de identificar cómo usar ANOVA es cuando tengo una numérica y una categórica, ¿no? Así de senciendo.
71:01
Speaker A
¿Cómo se plantea? Claro, también tiene limitaciones ¿no? En la nova de un factor, ¿por qué se dice un factor? porque solamente puedo analizar un factor, ¿no?
71:15
Speaker A
Si tengo dos factores también existe una nova de dos factores, pero eso ya se ve en el curso de diseño experimentos, que es un tema ya un poco más arriba, ¿no?
71:24
Speaker A
Se ha avanzado, pero la nava de un factor es lo más común. Solo permite comparar de tres grupos a más, jóvenes. Si tengo dos grupos, no funciona la nova.
71:37
Speaker A
Para dos grupos usarías la diferencia de la prueba T estudien para dos muestras, ¿no? Que es otra prueba.
71:47
Speaker A
Y también una limitación de la nova, jóvenes, es que se dice que los datos deben tener distribución normal y que la variabilidad por grupo sea constante ¿no?
72:02
Speaker A
Estos dos supuestos son muy difíciles de garantizar, muy difícil de cumplirl. te limita demasiado, pero aún así da muy buenos resultados, ¿no?
72:28
Speaker A
El Nova tiene su hermanito gemelo, se podría decir, que se ve en pruebas no paramétricas, ¿no? Se conoce como la prueba de cruz caliguales, ¿no?
72:42
Speaker A
Si no se cumplen los supuestos, podemos usar cruzcal iguales, que es su equivalente, ¿no?
72:52
Speaker A
Muy bien. Pero para mí, jóvenes, lo más importante es cómo se plantea la hipótesis.
73:02
Speaker A
Al igual que la prueba de independencia H cuadrado, jóvenes, solamente existe un tipo de planteamiento de hipótesis.
73:09
Speaker A
La hipótesis nula dice que la igualdad de las medias versus no todas las medias son iguales.
73:20
Speaker A
O son iguales o al menos unas diferentes. En el caso de las notas en las tres aulas, mejor dicho, mi hipótesis nula sería el promedio de las notas. Las tres aulas son iguales versus al menos una aula tiene diferentes promedios, ¿no?
73:39
Speaker A
Sencillo, sencillo la forma de plantar la hipótesis de un anoma, ¿no? Muy bien, esta aplicación es super interesante, jóvenes.
73:53
Speaker A
¿De qué trata? En primer lugar, vamos a identificar lo siguiente. Días de la semana es una variable categórica con cinco niveles. Esto es mi mi x, mi factor.
74:11
Speaker A
Concentración de monóxido carbono es una variable numérica. Esto es mi variable respuesta, mi y una numérica, una categórica anual de frente.
74:25
Speaker A
Muy bien. Por cada día de la semana se ha medido la concentración de monóxido carbono en la ciudad, jóvenes, lunes, martes, miércoles y viernes, jueves y viernes.
74:38
Speaker A
En este ejercicio consiste en estudiar el efecto de las concentraciones de monóxido carbono en cinco días diferentes.
74:47
Speaker A
En otras palabras, quiero averiguar si la concentración de monóxido carbono en promedio es la misma durante los días de la semana versus al menos una concentración es diferente.
75:02
Speaker A
Prueba de ano, análisis de varianza. ¿Se dan cuenta? Sencillo joven. Leo el ejercicio, identifico mis variables, tengo una numérica, tengo una categórica, no puede ser chi cuadrado, entonces es ano baja, jóvenes.
75:23
Speaker A
Y aparte me piden saber si las concentraciones son distintas durante los días de la semana o si son iguales.
75:33
Speaker A
Muy bien, fácil de identificar. He identificado algunas variables interesantes para que pueda quedar claro. Variable respuesta.
75:48
Speaker A
Concentración de monóxido carbono. Factor día a la semana. Modelo equilibrado, ocho mediciones por cada día.
75:59
Speaker A
Tamaño del experimento, 5 días, ocho mediciones por día, 40 unidades experimentales, ¿no? Estos datitos sirven para entender poquito más el ejercicio, ¿no?
76:14
Speaker A
Pero para mí lo más importante es el planteamiento de hipótesis. Esto es muy importante jóvenes.
76:22
Speaker A
Pero el planteamiento es sencillo, ¿no? Simplemente es decir que en promedio las concentraciones son iguales versus al menos unas diferentes, ¿no?
76:34
Speaker A
Muy bien. ¿Cómo se hace esto en el SPCS, jóvenes? En primer lugar, cargamos la data.
76:45
Speaker A
Bueno, esta parte es para generar gráficos descriptivos, jóvenes. No hagamos caso a esta parte. Es para generar resúmenos, medidas de resumen.
76:58
Speaker A
Donde vamos a generar nuestro p valor. En este caso la significancia es en la opción anova de un factor. Obviamente ustedes ya han planteado su hipótesis, ¿no? Ahí está su hipótesis. Mira, las concentraciones de monóxido carbono en promedio son iguales versus al menos
77:16
Speaker A
una concentración es diferente. Me voy a la opción anob de un factor y donde dice lista de pendientes, pongo la concentración de monoxio. Donde dice factor pongo día de la semana.
77:33
Speaker A
Le doy aceptar y automáticamente me arroja este cuadrito de acá. Y acá está el sig, ¿no? Que es la significancia o también conocido como el pévalo.
77:45
Speaker A
Esto comparado con el alfa, que generalmente 5% cuando no me lo dicen, se rechaza la hipótesis.
77:56
Speaker A
Si yo rechazo él, estaría diciendo que la concentración de monóxido carbono, jóvenes, es diferente los días de la semana.
78:07
Speaker A
Se acabó. Eso es mi conclusión. ¿Y cómo me doy cuenta de ello? En la conclusión, ¿no?
78:19
Speaker A
Se observa que el p valor tiene un valor de 0.004 que es menor que el nivel de significancia del 5%.
78:31
Speaker A
Por lo tanto, hemos comprobado estadísticamente que estos cinco grupos son distintos, es decir, la concentración de monóxido carbono es diferente, jóvenes.
78:45
Speaker A
Esa es la conclusión usando la prueba de anova. No, nada complicado. Muy bien, vamos a ver cómo se hace esto en el SPCS, jóvenes. Eh, abran su data que dice BD monóxido.
79:10
Speaker A
Voy a cerrar esto para no confundirnos. Y obviamente igual tenemos que llevar los datos, ¿no?
79:23
Speaker A
Ahí están los datos, juvenes. Semana uno, sus ocho mediciones. Lunes, ¿no? Martes, sus ocho mediciones.
79:32
Speaker A
Miércoles, sus ocho mediciones y así hasta el día 5. Muy bien. ¿Cómo se hace un ANOVA, jóvenes? En el SPCS.
79:41
Speaker A
Fácil. Me voy a analizar. Y por acá debe haber la opción comparar medias y luego me voy a la nova de un factor, analizar, comparar medias y anova de un de un factor.
80:03
Speaker A
Listo. Lista de pendientes es mi y, factor es mi x. ¿Qué es lo que tengo que hacer?
80:14
Speaker A
Simplemente aceptar, jóvenes. Listo, ahí está mi p valor. El p valor con el alfa, obviamente este sig es menor que el 0.05.
80:28
Speaker A
Se rechaza la hipótesis nula, ¿no? Por ende, la concentración de monóxido carbono los días y la semana son diferentes jóvenes.
80:42
Speaker A
Se acabó. Eso es todo. Muy bien, continuamos, jóvenes. Y ahora vemos otro tema interesante que es el análisis de correlación jóvenes.
81:02
Speaker A
Muy bien, muy bien, muy bien, Jues. Entonces, para hablar de correlación, jóvenes, por cierto, solamente se habla de correlación lineal. Eso es lo que siempre se habla, ¿no?
81:38
Speaker A
Para hablar de correlación lineal, en primer lugar, debe haber relación lineal. La figura A y la figura B nos muestran un comportamiento o una relación lineal, los puntos, ¿no?
81:51
Speaker A
Mientras que la figura C y D tienen un comportamiento no lineal. Acá es totalmente aleatorio, ¿no? Y acá es curvilíneo.
82:02
Speaker A
Son relaciones no lineales. ¿Dónde funciona entonces por relación lineal? Solo en la figura A y en la figura B.
82:15
Speaker A
¿Y qué viene a ser la correlación lineal? En otras palabras, jóvenes, la correlación lineal no es más que la cuantificación de la relación lineal de dos variables numéricas.
82:28
Speaker A
Se acabó. Eso es la definición de correlación. Ju, tengo una pregunta ahí. Adelante. Allí, por ejemplo, en la gráfica A y B son correlaciones. Una la A es positiva, la B es negativa.
82:45
Speaker A
Correcto. Pero eh necesariamente cuando se habla de una distribución lineal eh se tiene que hacer llevar a cabo una correlación de Pearson, ¿no? Para eso vamos a hablar eso. Justo, buena pregunta. Buena pregunta.
83:08
Speaker A
Con relaciónal existe dos, ¿no? Peon y Spearman ¿no? Lo más conocido, lo más usado.
83:17
Speaker A
Y acá también es un dolor de cabeza. Todo el mundo usa Pearson, pero lo que no sabe es que Pearson tiene supuestos.
83:30
Speaker A
¿Cuál es el supuesto que limita mucho su uso y que nadie lo sabe? es que solo se aplica variables numéricas continuas y de distribución normal. Jóvenes, eso es la limitación. Si ustedes leen un libro teórico, dice eso, ¿no?
84:03
Speaker A
Y eso limita demasiado su uso, jóvenes, porque en la vida real es bien complicado garantizar el supuesto de normalidad.
84:14
Speaker A
Sin embargo, Spirman, jóvenes, no tiene supuestos y ahí viene lo importante, ¿no? Pero, ¿por qué todo el mundo usa Pearson y nunca se preocupan por los supuestos?
84:31
Speaker A
es porque no conocemos la teoría, jóvenes, por eso. Pero si ustedes están presentando su paper, su tesis y aplican Pearson sin cumplir los supuestos, es más probable que los jurados le digan, "Oye, ¿por qué aplicas Pearson si no se cumple ningún supuesto? Estás
84:47
Speaker A
forzando el análisis cuando tienes Spean como opción. Por eso, Pearson, jóvenes, es una prueba de correlación paramétrica y Spirman es una correlación no paramétrica.
85:02
Speaker A
Así dice la teoría, jóvenes. Entonces, de ahora en adelante, jóvenes, aprendamos a usar eh las herramientas correctas, ¿no?
85:16
Speaker A
Lo bueno es que ambas correlaciones, jóvenes, varían de -1 a un. Tanto el pison como el RHO despirman.
85:26
Speaker A
Ambos varían de -1 a un. Eso es lo bueno, pero son enfoques y usos totalmente diferentes. Peon, barreras numéricas continuas con distribución normal. Speéricas, discretas, continuas y también ordinales.
85:47
Speaker A
Eso es la gran ventaja. Si ustedes quieren saber cómo es la fórmula mágica del correlación de Pierson, jóvenes, es esta.
86:01
Speaker A
Esta es la fórmula. Obviamente yo no les pido que se memoricen, no tiene sentido, pero esa es la la fórmula, ¿no?
86:10
Speaker A
Muy bien. Y acá les he puesto, ¿no? Si la correlación vale -1, correlación negativa perfecta. Si sale cerrelación nula. Si sale uno, correlación positiva perfecta.
86:21
Speaker A
Estos valores son hipotéticos, ¿no? Porque en la vida real es es raro pues que te salgan correlación perfecta.
86:27
Speaker A
Es bien raro, pero matemáticamente sí se puede dar esa interpretación. Muy bien. Otro punto interesante y que nadie les ha contado. Ya, esto es una un termómetro para que ustedes puedan interpretar la correlación, jóvenes.
86:46
Speaker A
Supongamos que le sale el Pson 0.85 85 y ustedes quieren saber interpretar, entonces se buscan dónde está ese valor y dirían que la correlación es positiva y de alta intensidad, ¿no? Entonces este termómetro, jóvenes, les va a ayudar a
87:04
Speaker A
interpretar de manera más sencilla los valores de esa correlación. Les va a servir mucho esto, pero lo más importante para mí es esto.
87:17
Speaker A
Cuando nosotros escuchamos estudios correlacionales implica que vas a aplicar una prueba de un análisis de correlación.
87:31
Speaker A
Efectivamente, ¿no? Jóvenes, un análisis de correlación en sí es una prueba de hipótesis. ¿Por qué? Porque tú puedes calcular una correlación, pero si te preguntan si la correlación es significativa o no, ¿cómo lo corroboras?
87:51
Speaker A
Con una prueba de hipótesis, jóvenes. Por eso, ¿cómo se plantea la hipótesis nula? No existe correlación versus existe correlación.
88:09
Speaker A
Por favor, no alteren el orden. La teoría es bien clara, así se plantea. Le voy a dar un ejemplo que siempre le explico a mis alumnos y encontré una tesis de psicología en el cual la autora plantea la
88:30
Speaker A
siguiente hipótesis. Nula. Existe relación entre horas del sueño del niño y el rendimiento académico y lo puso en la hipótesis nula.
88:48
Speaker A
Pero, ¿por qué hacen eso? No conocen la teoría. Todo el mundo piensa que lo que yo quiero probar está en la hipótesis nula. Y eso no es así.
88:58
Speaker A
Eso no es así, jóvenes. Hay que tener cuidado. La teoría es bien clara, jóvenes. La teoría dice esto y nosotros tenemos que respetar, ¿no? En la nula siempre va la no correlación, la no existencia de correlación.
89:16
Speaker A
Y efectivamente uno plantea la hipótesis. Una hipótesis es una afirmación, es una suposición que yo lo voy a corroborar usando una muestra.
89:27
Speaker A
La muestra me dirá pues si efectivamente es cierta o no es cierta, ¿no? Si se rechaza o no se rechaza.
89:36
Speaker A
Eso es lo que tengo que advertirles. No cambien el orden de la de los planteamientos de la hipótesis que viene de la teoría. No hagan eso, por favor.
89:47
Speaker A
Y al final ustedes ya saben concl Sí adelante. Eh, muchos dicen hablan de que existe una relación, una correlación significativa.
89:58
Speaker A
palabra. Claro, si se rechaza la nula y me quedo con la alternativa, estaría demostrando que existe correlación y y además es significativo.
90:15
Speaker A
Pero ahí como hipótes Pero como hipótesis me puedo plantear anticipadamente decir que es significativa, ¿no? que la la correlación es significativa antes de No, como hipótesis, no. Solo como hipótesis. Yo puedo decir que existe correlación nada más.
90:32
Speaker A
Ajá. Pero esa correlación puede ser quizás pequeñita, ¿no? 0.1. Ya, eso me lo va a decir la prueba de Claro, la prueba de hipótesis te dirá si esa correlación que te sale es significativa o no significativa. No se dan cuenta yo no puedo anticiparme la
90:50
Speaker A
significancia antes de hacer la prueba. No se puede, pero sí puedes plantear tu hipótesis.
90:59
Speaker A
Muy bien. A ver, una pregunta por el chat. Ya, Catarín quiere un ejemplo para que quede claro. Usemos el caso de de el rendimiento académico del niño con las horas del sueño del niño. Eso es mi objetivo.
91:19
Speaker A
Supongamos que mi título de tesisc era siguiente ¿no? Estudiar o no sé, determinar la correlación entre las horas del sueño de niño y el rendimiento académico de niño, ¿no? Muy bien. Entonces, planteamiento hipótesis.
91:37
Speaker A
¿Cómo sería? ¿Existe o no existe? No existe, no no existe correlación correlación entre las horas de sueño y el rendimiento académico.
92:08
Speaker A
Sí, sería mi hipótesis. nula versus. Voy a copiar esto versus y existe. No se han dado cuenta que acá no estoy agregando para nada la significancia, ¿no?
92:33
Speaker A
Entonces voy a calcular su p valor comparo con el alfa. Si rechazo la nula, estaría diciendo que efectivamente sí existe correlación entre las horas del sueño y el rendimiento académico del niño y que además esa correlación es significativa.
92:51
Speaker A
¿Por qué? Porque hay una prueba de hipótesis que me lo respalda. ¿Por qué? Porque si yo solamente calculo la correlación, el valor numérico, yo no sé si es significativo o no significativa. No puedo saber. La prueba hipótesis recién me lo ratifica, ¿no?
93:11
Speaker A
Muy bien, eso sería Juan. A ver, hay una pregunta en el chat. Okay, gracias. Eso es para la correlación. Sencillo, Ju. No es nada complicado.
93:27
Speaker A
Solamente no se olviden de lo que la teoría manda, Juanes. Ahí está clarísimo. No existe coloración. No cambien el orden, por favor. Todo el mundo cambia el orden porque todo lo positivo quieren que vaya arriba. Esa es la mala costumbre, ¿no?
93:48
Speaker A
Todo lo positivo quieren que vaya arriba, pero no. La teoría es una sola. Muy bien.
93:59
Speaker A
¿Cómo se hace correlación en el SPCS? Abran, por favor su data. BD colegios. Abran, BD colegios.
94:09
Speaker A
Habrá, jóvenes, eh correlación entre el total de alumnos y el total de docentes? ¿Qué le dice el sentido común?
94:19
Speaker A
¿Habrá o no habrá jones? Claro, a mayor cantidad de a mayor docentes de de un colegio, mayor alumnos, ¿sí o no?
94:37
Speaker A
De nada sirve, pues, que tenga un alumno, un docente con 200 alumnos. No tiene sentido, ¿no? Generalmente un colegio grande tiene muchos docentes, por ende muchos alumnos. Hay relación lineal. Sí, sentido común no dice eso, ¿no?
94:53
Speaker A
Pero vamos a ver con un gráfico de dispersión si efectivamente eso es así. Ya. Muy bien. Voy a activar mi lupa para que ustedes puedan ver.
95:04
Speaker A
Me voy a gráficos diálogos antiguos y le pongo dispersión de puntos. Por acá elijo definir eje y le voy a poner y voy a poner total de No, el orden es indistinto, no se preocupe, simplemente le voy aceptar y por acá va
95:26
Speaker A
a demorar en cargar porque son 88,900 tanto tus puntos, ¿no? Ahí está. ¿Qué se observa, jóvenes? Ahí hay una relación lineal, ¿no?
95:38
Speaker A
A mayor cantidad de docentes, mayor cantidad de alumnos, ¿no? A menor cantidad de docentes, menor cantidad de alumnos. Una relación lineal no es tan perfecta, pero si hay una si hay un ligero comportamiento lineal, ¿no?
95:56
Speaker A
O alguien puede decir que tiene un comportamiento curvilíneo. No, no creo. No, no. Lineal. Lineal. No es tan fuerte, pero sí hay linealidad.
96:06
Speaker A
Yo esperaría pues que la correlación salga 0.5, 0.6 más o menos por ahí, ¿no?
96:11
Speaker A
Algo algo por ahí. Muy bien, vayamos a hacer la prueba de correlación. Me voy a analizar correlacionar bivariadas.
96:24
Speaker A
Nuevamente analizar, correlacionar bivariadas. Acá jalo las dos variables acá. Miren. Y acá elijo. Hay Pearson, Tom, Kendal, que no se usa mucho y SPM.
96:42
Speaker A
Peon supuestos. Yo no me quiero complicar con los supuestos. De frente me voy a Spearman, jóvenes.
96:48
Speaker A
Spean no me tiene, no tiene supuesto. No hay limitaciones que me restringan. Jóvenes. De frente Spean.
96:56
Speaker A
La prueba de significancia siempre es bilateral. Siempre. Así que queda mi lateral. Aceptar. ¿Cuánto sale la correlación, jóvenes?
97:14
Speaker A
Punto 896. Significativo. Una correlación alta. Y además es significativo porque el p valor es menor alfa. Se rechaza la hipótesis nula.
97:26
Speaker A
¿Qué hubiera pasado si yo planteo mi hipótesis al revés por error? Tomo conclusiones equivocadas, jóvenes, cuando en realidad mis datos ya me están diciendo que sí existe relación.
97:44
Speaker A
¿Se dan cuenta lo importante plantear la hipótesis, jóvenes? En función a la teoría. Si tú planteas mal tu hipótesis, todo está mal, Juan, pero acá nosotros sabemos plantear la hipótesis y al final, ¿no? Correlación alta 0.89 y además es significativo.
98:06
Speaker A
Se acabó. Ya son expertos jóvenes en análisis correlacional. Ya no hay más, jóvenes. Eso es todo.
98:20
Speaker A
Maestro, una pregunta. Este, la prueba de la prueba de normalidad normalmente, ¿para qué se toma en cuenta o para qué se debe de hacer?
98:30
Speaker A
Lo que pasa, eh, por ejemplo, Pson es una prueba paramétrica, funciona muy bien, pero cuando tú demuestras que tus variables numéricas tienen distribución normal, ¿okay?
98:44
Speaker A
La distribución normal es una distribución de probabilidad, pero hay que ser sinceros, en la vida real es bien complicado que tus variables tengan distribución normal. Es bien complicado, pero para no tenernos esos problemas, Spirman usemos que no tiene supuestos.
99:03
Speaker A
Eso es. Miren, voy a calcular lo mismo pero con Pearson para que vean la diferencia.
99:09
Speaker A
No que salga diferente, pero hay diferencias. Miren, en vez de de Spean voy a usar Pieron para que vean las pequeñas diferencias.
99:23
Speaker A
En Spearman me sale 0.896, PSON me sale 918. Ustedes dirán, "Profesor, pero en ambas las correlaciones son altas, en ambas son significativas.
99:44
Speaker A
¿Cuál sería el problema de usar Pearson? Lo el único problema es que si estás sustentando tu tesis o estás publicando tu paper, te van a observar ese pequeña suposición de pirson nada más.
100:01
Speaker A
Van a decir, "Oye, si tú estás haciendo esto, Pson, y no se cumple los supuestos, ¿por qué usas?", ¿no?
100:07
Speaker A
Entonces, para evitarnos esos problemas, mejor usemos una herramienta más robusta, ¿no? Spean, por ejemplo.
100:17
Speaker A
Pero sí hay diferencias en las correlaciones, ¿no? 089 a 092 por ahí, ¿no? Pero las conclusiones en ambas son iguales. Es ese pequeño detalle de los supuestos, jóvenes, nada más.
100:31
Speaker A
Entonces, quiere decir que esto significa que para utilizar la correlación de Pearson tenemos que tenemos que revisar los puestos y cumplirlos para poder aplicarlo. De lo contrario, pues no sería speed claro totalmente.
100:49
Speaker A
Sí, esa es la única diferencia. Esa es la única diferencia. Si ustedes ponen ustedes que están con el boom de la jóvenes, le voy a demostrar para que me crean. Ya ustedes que están el bundle ahí, jóvenes, usen el chat.
101:13
Speaker A
¿Sabes cuál es el problema de Pearson, jóvenes? Que todo el mundo lo usa y lo usa por usar.
101:24
Speaker A
A ver, para usar la correlación de para ver qué nos dice el chip. Ojalá que esté activo. Vamos a ver qué dice acá, jóvenes. Bueno, relación lineal, obviamente, ¿no? Por eso estás calculando eh correlación ¿no?
101:57
Speaker A
Lo más importante, ambas variables deben ser una distribución normal. Esta es el supuesto que limita mucho el uso de del Pieron chat PT. Ya pues ya te ya te evita que leas esos libros teóricos de estadística, ¿no? Acá ya está resumido.
102:21
Speaker A
Esto es el problema, Ju. Por eso no se puede usar directamente el Pilson. Claro que hasta ahora hemos venido forzando las cosas, ¿no?
102:33
Speaker A
Y hasta cierto punto cuando no vas a hacer una una tesis o un paper, no va a haber problema, ¿no?
102:45
Speaker A
El problema es cuando ya estás haciendo investigación y quieras publicar algún paper. Ahí sí hay que tener mucho cuidado.
102:54
Speaker A
Pero siempre hay la alternativa, jóvenes. Si no funciona Pearson, pues está Speedman, pues no. Y Spirman no tiene supuestos.
103:01
Speaker A
No tiene supuestos. Eso es joven. Y una pregunta, adelante. Y si uso Pearson y no hay normalidad, ¿puedo hacer algún artificio para lograr esa normalidad?
103:19
Speaker A
Eh, algunos economistas transforman las variables, toman logaritmos, raíz cuadrada y toman inversa. Eso yo no recomiendo para nada, Juan. Yo no recomiendo eso. ¿Por qué?
103:35
Speaker A
¿Ustedes se imaginan qué sale de aplicar logaritmo a la variable docent? ¿Qué cosa obtienen ahí?
103:43
Speaker A
Solo Dios sabe lo que sale ahí, jóvenes. No, no se hace eso. Lo mejor que uno puede hacer para sus análisis es conservar sus variables originales y buscar métodos alternativas para que tú no pierdas interpretación. Jóvenes.
104:03
Speaker A
Eso es lo más importante. Porque si ustedes transforman con logaritmos ambas cosas, ¿qué están obteniendo? ¿Correlación de qué están obteniendo?
104:13
Speaker A
porque ya perdieron sus varos originales. En cambio, si buscamos métodos alternativos, podemos interpretar con las variables originales. Podemos decir que efectivamente el número de docentes está altamente correlacionado con el total de alumnos, ¿no? ¿Se dan cuenta?
104:35
Speaker A
Hay que tener mucho la Entonces, ¿por qué la mayoría de tesis utilizan Pearson? Porque no saben la teoría, jóvenes. No se han tomado el tiempo de investigar.
104:49
Speaker A
Algo así, ¿no? ¿Por qué siempre plantean mal las hipótesis? ¿No? ¿Por qué plantean siempre al revés?
104:56
Speaker A
en ANOVA, en Chicuadrado, en Correlación, siempre plantean al revés, siempre piensan que lo positivo tiene que ir acá en la nula, siempre.
105:07
Speaker A
Entonces, hay una mala práctica, joven, y estamos arrastrándola, ¿no? Imaginen que nosotros hubiéramos planteado mal nuestra hipótesis de del docentes y alumnos. La nula, ¿cómo sería? Existe correlación entre el total de docentes y el total de alumnos de un
105:26
Speaker A
servicio educativo, ¿no? Como todo el mundo lo hace. Y al final, ¿qué conclusión vamos a llegar? Que se rechace la nula, ¿no?
105:38
Speaker A
Para qué estaría estaría rechazando algo que es verdadero, jóvenes. ¿Se dan cuenta? Entonces, hay que tener mucho cuidado, jóvenes. Ya, listo. Eso sería. Ahora ya son expertos en análisis y correlación.
106:02
Speaker A
Una regresón línea. A ver, ¿alguna consulta? Sí. Eh, ahí. A ver, adelante. ¿Cuál es su duda?
106:16
Speaker A
No es en referente a lo a la nivel de significancia que sale dos dos estrellitas.
106:24
Speaker A
Entonces, tengo entendido que con una estrellita es eh solo significante, es significativo. Ah, ver, vamos a ver.
106:35
Speaker A
Con dos estrellitas, no se dejan significancia. Sí, no. Lo que pasa acá, el SPCS le pone dos estrellitas asumiendo un alfa de 1%.
106:49
Speaker A
Pero tú enfócate en el p valor, sale ceralo con cualquier nivel de insignificancia, sea 5%, 1% siempre va a ser significativo. Por eso lo pone dos estrellitas.
107:08
Speaker A
Enfócate en el p valor comparado con tu alfa. Para cualquier alfa esta correlación es significativa, ¿no? Y el más bajo que asumen es 1%.
107:20
Speaker A
Por eso vienen las dos estrellitas, ¿no? ¿Quedó claro eso? Sí. Sí. Okay, muy bien. No, enfóquense en el P valor con su alfa, jóvenes.
107:35
Speaker A
Eso es lo más importante. Uy, tenemos que avanzar porque se nos está yendo el tiempo. Nos falta regresión, jóvenes. Regresión lineal, jóvenes, es un tema que sigue correlación lineal.
107:50
Speaker A
La correlación lineal me dice que existe relación, la cuantificación de la relación lineal, ¿no?
107:57
Speaker A
La relación lineal, jóvenes, es el modelamiento matemático de esa relación lineal. Es decir, ya no se basa en un valor, sino ahora se basa en un modelo matemático.
108:08
Speaker A
Y este modelo matemático va a explicar el comportamiento de sus puntos mediante una ecuación, ¿no?
108:15
Speaker A
Eso es regresión. sencillo, ¿no? Por eso se dice que el análisis regresión, jóvenes, es una herramienta de frecuente uso en estadística, la cual permite investigar las relaciones entre diferentes variables cuantitativas.
108:35
Speaker A
Esto mediante la formulación de ecuaciones matemáticas. ¿Listo? mediante un modelo matemático vas a poder modelar el comportamiento de tus datos ¿no?
108:54
Speaker A
Eso es regresión lineal. ¿Se usa para qué? Para predicir variables. Puedes predicir y a partir de x.
109:06
Speaker A
Una vez que tengas la ecuación, tú puedes usarlo para precir, ¿no? Muy bien. Tenemos la regresión lineal cuando tengo solamente mi variable respuesta y una variable x que va a explicar el comportamiento, ¿no? Y siempre tiene que ser una variable numérica.
109:31
Speaker A
Esa es la condición para que sea una regresión lineal. Por eso se dice que la regresión lineal, jóvenes, solamente tengo un y un x. Y estos son los elementos.
109:46
Speaker A
Mi y va a ser una variable dependiente. Mi alfa es una constante, mi x es mi variable independiente.
109:53
Speaker A
X va a explicar Y. Beta es un coeficiente que acompaña X y el E es mi error aleatorio.
110:03
Speaker A
¿Por qué siempre existe un error? Porque una sola variable no puede explicar una variable y necesita más variables, pero esas más variables que tú no puedes agregarlos se van en la parte aleatoria que es el famoso error, ¿no? Por eso se dice,
110:23
Speaker A
jóvenes, que el error son variables no observadas que influyen en lleno. Así como tenemos la regresión lineal simple, jóvenes, también tenemos la regresión lineal múltiple, en el cual, jóvenes, yo voy a usar una variable respuesta en función a muchas
110:47
Speaker A
variables explicativas o variables independientes, ¿no? Y esto sería su ecuación y alfa y x sub 1, beta sub 1 y así sucesivamente, ¿no?
111:04
Speaker A
Eso es, jóvenes, eso es la manera de trabajar, ¿no? Regresión lineal simple, Yx, regresión lineal múltiple, Y, muchas x.
111:19
Speaker A
La regresión, en otras palabras, se va a encargar de encontrar el modelo matemático que explica la relación entre esas variables, ¿no? Eso es en términos sencillo.
111:32
Speaker A
Eh, en regresión también se aplica pruebas de hipótesis, jóvenes. Por ejemplo, si yo tengo esta regresión, una regresión lineal múltiple, algo así, ¿no?
111:50
Speaker A
De muchas variables, ¿no? Puede ser, por ejemplo, beta su k hasta x su k, ¿no?
111:55
Speaker A
La pregunta es, ¿cómo sé si esa regresión es buena o mala? Para eso existe la significancia global.
112:04
Speaker A
La significancia global es ver si estos coeficientes asociados a cada variable son iguales a cero o al menos uno diferente cero. Si se rechaza la nula y me quedo con la alternativa, diría que la regresión es significativa, ¿no?
112:26
Speaker A
Y yo esperaría que se rechace la nula. Si es que demuestro que todo es cero, no tiene sentido, ¿no?
112:33
Speaker A
La idea es que eso rechace la y la forma de concluir, ustedes ya lo saben, esta regla se aplica para toda prueba de hipótesis. J.
112:48
Speaker A
También podemos ver la significancia individual, jóvenes, es decir, saber si alguna variable, uno por uno, ¿cómo puedo saber si esta variable es muy importante o si es significativa?
113:02
Speaker A
Para ello voy a plantear una hipótesis individual. Si yo demuestro que este coeficiente es igual a cer0 o diferente de cero, claro, yo espero rechazar la nula y que arme con la alternativa.
113:17
Speaker A
La alternativa, estoy diciendo que ese coeficiente es diferente de cer, por ende, x1 aporta a y, ¿no?
113:25
Speaker A
Esos son significancia global y eso es significancia individual. La regla de decisión también es igualita. ¿Para qué sirve la significancia individual?
113:38
Speaker A
Para descartar variables que no aportan en el modelo. Es decir, las variables que no son significativas los excluyo del modelo.
113:46
Speaker A
Así de simple. Para eso sirven estas pruebas de hipótesis. Muy bien. ¿Qué más tenemos por acá?
113:58
Speaker A
Ah, también tenemos el famoso R cuadrado. Seguramente ustedes han escuchado ¿no? El R cuadrado, jóvenes, es una avenida de bondad de ajuste en el modelo de regresión.
114:11
Speaker A
Por ejemplo, si yo tengo y gastos, una variable llamado gastos y mi x, mi variable ingresos, obviamente mis gastos dependen de mis ingresos, ¿no?
114:25
Speaker A
Supongamos que me sale un error cuadrado de a partir de esta regresión del 85%, supongamos.
114:35
Speaker A
Quiere decir que el 80 85% de la variabilidad de la variable gastos está siendo explicado por la variable ingresos, ¿no? El 15% restante se debe a otros factores no incorporados en el modelo.
114:52
Speaker A
Eso es el R cuadrado. J. Es una manera sencilla de interpretar, ¿no? Entonces, ¿sve qué?
115:03
Speaker A
sirve para saber qué también se ajusta mi modelo a mi conjunto de datos. Por eso se llama medida de bondad de ajuste, ¿no? Acá pongo, ¿no? El modelo explica el r cuadrado 100% de la varianza de la variable depende.
115:22
Speaker A
En términos más sencillos es cuánto explica x de y. Eso es el r cuadrado, ¿no?
115:32
Speaker A
Muy bien, ya terminamos, jóvenes, para irnos todos. Interpretación de parámetros. ¿Cómo se interpreta un parámetro? Por ejemplo, ¿cómo interpreto este coeficiente asociado a esta variable?
115:47
Speaker A
La interpretación es sencilla, jóvenes. Por cada incremento en una unidad de esta variable, la variable y se incrementa en beta su k unidades.
115:59
Speaker A
Es un incremento lineal por ser un modelo lineal, ¿no? Por eso dice, al aumentar en una unidad x sub k, manteniendo las demás variables constantes, la variable y aumenta en beta su k unidades ¿no?
116:19
Speaker A
Si esto es cinco, y aumenta en cinco unidades. Si esto es 10, aumenta en 10 unidades. Y así sucesivamente, ¿no?
116:29
Speaker A
Sencil. Para ver una aplicación interesante, vamos a usar una data de salud, joven. Es una data americana en el cual tenemos el costo en salud en función pues a la edad de la persona, al sexo, si consume bebidas alcohólicas,
116:49
Speaker A
si consume tabaco, si hace horas de ejercicio. El objetivo es encontrar el modelo, jóvenes que mejor explica esos esas variables ¿no?
117:01
Speaker A
Mi variable respuesta va a ser costo en salud. ¿Qué le dice el sentido común, Jóvenes?
117:11
Speaker A
¿Qué variables influyen para que una persona gaste más en salud? ¿Será la edad? ¿Será el sexo? si consume tragos, cigarro, si hace ejercicios o no hace ejercicios, no lo sé.
117:25
Speaker A
La revesión me permitirá saber todo ello ¿no? Para ello, nuestra base de datos tiene este grupo de variables, costo en salud, ejercicio, cigarro, alcohol, estado amerital, edad, sexo, ¿no? En función a esas variables vamos a construir un modelo de regresión.
117:49
Speaker A
Esto es mi variable Y estos son mis X, ¿no? Veamos. Luego de correr en el SPCS nos sale este resumen de los coeficientes del modelo. Acá están los coeficientes del modelo y asociado a cada variable.
118:11
Speaker A
Sexo. El coeficiente me sale 509. edad. ¿Se dan cuenta que todos los coeficientes son positivos?
118:23
Speaker A
Cuando los coeficientes son positivos, quiere decir que estas variables influyen para que una persona gaste más en salud.
118:34
Speaker A
Es decir, sexo está en la base de datos codificado como uno hombre y cero mujer.
118:44
Speaker A
Siempre el programa estima para la categoría máxima uno, es decir, ha estimado acá el sexo hombre, no quiere decir que el hombre gasta más en salud que las mujeres.
118:59
Speaker A
Edad también tiene un impacto positivo. Consumo de alcohol, impacto positivo. Consumo de cigarros por día, impacto positivo.
119:09
Speaker A
Quiere decir que las variables que más influyen para que una persona gaste más en salud a lo largo de su vida es edad, consumo de alcohol, consumo de cigarros y también el sexo masculino, ¿no?
119:25
Speaker A
¿Por qué los hombres gastan más en salud que las mujeres? Porque los hombres tenemos malos hábitos.
119:33
Speaker A
Consumimos alcohol, consumimos cigarros, somos sedentarios y bueno, a la larga ahí están las consecuencias, ¿no? Y no lo digo yo, lo dicen los datos, jóvenes, lo dice un modelo de regresión.
119:47
Speaker A
Pero si me preguntan qué es lo que hace que una persona gane gaste menos en salud, miren lo que dicen los datos.
119:55
Speaker A
Juan horas promedio de ejercicio por semana. el coeficiente sale negativo, quiere decir que a mayor horas de ejercicio en promedio la semana, yo voy a gastar, mejor dicho, voy a ahorrar en salud en promedio 271.
120:19
Speaker A
Joven, ¿qué quiere decir esto? que las personas que tienen un estilo saludable, practican deporte, a la larga ahorran en salud, jóvenes.
120:36
Speaker A
Así de simple, sencillo. Toda esa información que les acabo de mencionar de manera rápida, jóvenes, te lo brinda una regresión, una regresión lineal múltiple.
120:55
Speaker A
Acá está sig, que son los p valores de cada coeficiente. Miren, todos son significativos, es decir, todos son diferentes de cer, es decir, todas las variables son útiles.
121:09
Speaker A
Todas las variables ayudan a explicar la variable respuesta, ¿no? Eso te permite, jóvenes, hacer la regresión.
121:19
Speaker A
Y acá está el modelo de regresión final, la ecuación, como les comenté, claro, ya no está con y x, sino están con las variables respectivas, ¿no? Y acá está algunas interpretaciones que yo les acabo de mencionar.
121:35
Speaker A
Por ejemplo, ¿cómo se interpreta este coeficiente de la variable edad? Por cada una unidad de la adicional de la variable edad, es decir, por cada año siguiente o año que cumple la persona, el costo en salud se incrementa en
121:51
Speaker A
promedio en 114.7. Jóvenes, es inevitable la edad, no se puede frenar la edad, pero sí puedes evitar tomar alcohol, sí puedes evitar consumir cigarros, sí puedes hacer ejercicio y eso a la larga va a ser favorable para tu bolsillo y sobre todo para tu
122:13
Speaker A
salud, jóvenes, es una conclusión que se obtiene a partir de un modelo de regresión lineal múltiple ¿no?
122:22
Speaker A
y así se puede obtener muchas más conclusiones. Muy bien. ¿Cómo se hace una regresión lineal múltiple en el SPCS? Para irnos todos felices, jóvenes. Ya.
122:38
Speaker A
¿Qué tal, profesor? Muchas gracias por su clase, profesor. Un momento. Hola. Sí, dígame, dígame. Falta, todavía no terminamos. Adelante.
122:46
Speaker A
Allá, ya, allá. Sí. Sí, lo que pasa es que quería comentar a a los a a los participantes que hay una clase para el día viernes programada y la profesora que va a dictar nos ha dicho que no va a
122:57
Speaker A
poder y lo vamos a tener que pasar esta clase el viernes para el día martes, ¿no? Entonces, eso era lo que quería comentar para que pudieran saber, ¿no?
123:07
Speaker A
Entonces, lo vamos a pasar la clase del día viernes para el martes. Muchas gracias. Disculpe la molestia.
123:11
Speaker A
No, no se preocupe. Muy bien. Gracias por mensaje. Para finalizar vamos a ver cómo se hace una revisión lineal. múltiple en el SPCS, jóvenes. Por cierto, es sers sencillo.
123:23
Speaker A
Nos vamos a analizar regresión lineales y acá dependiente es tu y. tu y es costo en salud y las independientes es el sexo, la edad, alcohol, cigarros y ejercicio, ¿no?
123:45
Speaker A
Y lo único que tienes que hacer es aceptar y al final mira lo que te sale, Jes.
123:54
Speaker A
Acá está. Tus coeficientes de regresión son los mismos que hemos obtenido en el PPT.
124:03
Speaker A
El hombre gasta más en salud. Hacer ejercicios en promedio de la semana es tiene un impacto favorable. Es decir, vas a gastar menos en salud.
124:14
Speaker A
Consumir cigarros, bebidas alcohólicas, la edad y el sexo masculino son factores para que una persona gaste más en salud.
124:24
Speaker A
Y de ahí salen todas las conclusiones jóvenes que hemos visto, ¿no? Eso, jóvenes, se han dado cuenta que es sencillo.
124:35
Speaker A
Muy bien. Entonces, jóvenes, eso sería todo de nuestra sesión del día de hoy. Espero que haya sido muy productivo para ustedes y conmigo será, jóvenes, hasta una nueva oportunidad. Muchas gracias por todo.
124:53
Speaker A
Estoy bien así. ¿Qué quiere? Siéntese, por favor. Se lo pido. Profesor, buenas noches. Sí, adelante. ¿Cuál consulta?
125:07
Speaker A
Le decía gracias, profesor. Buenas noches. Ah, okay. Okay. Buenas noches con todos. Nos vemos, doctor, muchas gracias por su eh importante clase, todo muy claro y pues nos explicó todo muy bien. Este, agradecemos su disposición, tiempo y sus conocimientos
125:31
Speaker A
que nos van a nos van a fortalecer mucho, ¿verdad? Entonces, yo en lo personal agradezco su todo su su atención y gran apoyo. Gracias.
125:41
Speaker A
Okay, muchas gracias por las palabras. Muchas gracias. Muy bien. Ya nos veremos en una nueva oportunidad en algún curso.
125:47
Speaker A
A ver, muchísimas gracias, estimados por la participación. Efectivamente, como ya sabemos, Luis, este sábado empezamos con Python, ¿no? Entonces, esperemos que ustedes puedan participar, puedan actualizarse en el programa de Python.
126:02
Speaker A
Así es, ¿no, Luis? Sí, es iniciamos Python. Exacto. Va a estar vinculado también a la investigación. Así es, ¿no?
126:10
Speaker A
Sí. Es otra herramienta, así como hay R, SPCS, hay también Python que solamente que es una herramienta ese sistema de Pson lo puedo descargar cualquier este en cualquier formato.
126:29
Speaker A
Eh, disculpen, ¿cuál de su consulta? Disculpen, creo que está en conversión con otro. Ah ya.
126:40
Speaker A
Listo. Muy bien. Entonces, terminamos. Muchísimas gracias. Buenas noches todos ustedes. Gracias. Nos vemos. Buenas noches.
126:50
Speaker A
Sábado. Nos vemos con los que están interesados en Python. Amén.
Topics:estadística descriptivaestadística inferencialvariables estadísticasvariables categóricasvariables cuantitativasprueba chi-cuadradoANOVAcorrelaciónregresión linealSPSS

Frequently Asked Questions

¿Cuál es la diferencia principal entre variables categóricas y numéricas?

Las variables categóricas representan categorías o grupos sin valor numérico para operaciones matemáticas, mientras que las variables numéricas representan cantidades que permiten cálculos como media o varianza.

¿Por qué no se debe usar estadística descriptiva para muestras?

La estadística descriptiva describe datos totales o censales; para muestras se usa estadística inferencial para hacer inferencias sobre la población.

¿Qué pruebas estadísticas se explican en esta sesión para analizar variables categóricas?

Se explica la prueba de independencia chi-cuadrado para evaluar asociación entre variables categóricas y la prueba ANOVA para comparar medias entre grupos.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play
Or transcribe another YouTube video here →

More from Mundo Tesis (Oficial)

View All
Sesión 1: Introducción a la comunicación científica y a… — Transcript

Sesión 1: Introducción a la comunicación científica y a… — Transcript

13,020 words · 103 min · Spanish
Sesión 5: Búsqueda bibliográfica I principios y diseño — Transcript

Sesión 5: Búsqueda bibliográfica I principios y diseño — Transcript

13,277 words · 104 min · Spanish
Sesión 12: Redacción de la sección de Métodos — Transcript

Sesión 12: Redacción de la sección de Métodos — Transcript

17,001 words · 111 min · Spanish
Sesión 7: Gestión de referencias y organización de la i… — Transcript

Sesión 7: Gestión de referencias y organización de la i… — Transcript

15,557 words · 119 min · Spanish
[Master Class] Introducción e instalación para trabajar… — Transcript

[Master Class] Introducción e instalación para trabajar… — Transcript

6,727 words · 65 min · Spanish
SESIÓN 22: Redacción del informe final de la tesis (Tal… — Transcript

SESIÓN 22: Redacción del informe final de la tesis (Tal… — Transcript

11,168 words · 112 min · Spanish
SESIÓN 21: Reporte de resultados de investigación — Transcript

SESIÓN 21: Reporte de resultados de investigación — Transcript

17,450 words · 140 min · Spanish
SESIÓN 20: Presentación de los resultados y discusión — Transcript

SESIÓN 20: Presentación de los resultados y discusión — Transcript

13,069 words · 131 min · Spanish
SESIÓN 19: Procesamiento y análisis de datos cualitativos — Transcript

SESIÓN 19: Procesamiento y análisis de datos cualitativos — Transcript

11,422 words · 127 min · Spanish
SESIÓN 17: Redacción de la metodología (Taller III) — Transcript

SESIÓN 17: Redacción de la metodología (Taller III) — Transcript

8,770 words · 101 min · Spanish
SESIÓN 16: Técnicas e instrumentos para investigaciones… — Transcript

SESIÓN 16: Técnicas e instrumentos para investigaciones… — Transcript

17,428 words · 143 min · Spanish
SESIÓN 15: Técnicas e instrumentos para investigaciones… — Transcript

SESIÓN 15: Técnicas e instrumentos para investigaciones… — Transcript

14,985 words · 119 min · Spanish