Alfa Cronbach, Prueba de regresión lineal, Prueba T, Chi cuadrada & Coeficiente de correlación de Pearson

Alfa Cronbach

El método de consistencia interna basado en el alfa de Cronbach permite estimar la fiabilidad de un instrumento de medida a través de un conjunto de ítems que se espera que midan el mismo constructo o dimensión teórica. 

La validez de un instrumento se refiere al grado en que el instrumento mide aquello que pretende medir. Y la fiabilidad de la consistencia interna del instrumento se puede estimar con el alfa de Cronbach. La medida de la fiabilidad mediante el alfa de Cronbach asume que los ítems (medidos en escala tipo Likert) miden un mismo constructo y que están altamente correlacionados (Welch & Comer, 1988). Cuanto más cerca se encuentre el valor del alfa a 1 mayor es la consistencia interna de los ítems analizados. La fiabilidad de la escala debe obtenerse siempre con los datos de cada muestra para garantizar la medida fiable del constructo en la muestra concreta de investigación. 

Como criterio general, George y Mallery (2003, p. 231) sugieren las recomendaciones siguientes para evaluar los coeficientes de alfa de Cronbach: 

-Coeficiente alfa >.9 es excelente 

- Coeficiente alfa >.8 es bueno 

-Coeficiente alfa >.7 es aceptable 

- Coeficiente alfa >.6 es cuestionable 

- Coeficiente alfa >.5 es pobre 

- Coeficiente alfa <.5 es inaceptable 

Valoraciones de los autores: 

* Nunnally (1967, p. 226): en las primeras fases de la investigación un valor de fiabilidad de 0.6 o 0.5 puede ser suficiente. Con investigación básica se necesita al menos 0.8 y en investigación aplicada entre 0.9 y 0.95. 

* Nunnally (1978, p.245-246): dentro de un análisis exploratorio estándar, el valor de fibilidad en torno a 0.7 es adecuado. 

* Kaplan & Saccuzzo (1982, p. 106): el valor de fiabilidad para la investigación básica entre 0.7 y 0.8; en investigación aplicada sobre 0.95. 

* Loo (2001, p. 223): el valor de consistencia que se considera adecuado es de 0.8 o más. 

* Gliem & Gliem (2003): un valor de alfa de 0.8 es probablemente una meta razonable. 

* Huh, Delorme & Reid (2006): el valor de fiabilidad en investigación exploratoria debe ser igual o mayor a 0.6; en estudios confirmatorios debe estar entre 0.7 y 0.8.

PRUEBA DE REGRESIÓN LINEAL 

es un modelo matemático usado para aproximar la relación de dependencia entre una variable dependiente Y, las variables independientes X_i y un término aleatorio ε. Este modelo puede ser expresado como:

${\displaystyle Y_{t}=\beta _{0}+\beta _{1}X_{1}+\beta _{2}X_{2}+\cdots +\beta _{p}X_{p}+\varepsilon }$

 Donde:

: variable dependiente, explicada o regresando.
: variables explicativas, independientes o regresores.
: parámetros, miden la influencia que las variables explicativas tienen sobre el regrediendo.

donde ${\displaystyle \beta _{0}}$ es la intersección o término "constante", las ${\displaystyle \beta _{i}\ (i>0)}$ son los parámetros respectivos a cada variable independiente, y ${\displaystyle p}$ es el número de parámetros independientes a tener en cuenta en la regresión. La regresión lineal puede ser contrastada con la regresión no lineal.

El modelo de regresión lineal relaciona la variable dependiente Y con K variables explícitas  (k = 1,...K), o cualquier transformación de éstas que generen un hiperplano de parámetros desconocidos:

   

${\displaystyle Y=\sum \beta _{k}X_{k}+\varepsilon }$

donde ${\displaystyle \varepsilon }$ es la perturbación aleatoria que recoge todos aquellos factores de la realidad no controlables u observables y que por tanto se asocian con el azar, y es la que confiere al modelo su carácter estocástico. En el caso más sencillo, con una sola variable explícita, el hiperplano es una recta: 

${\displaystyle Y=\beta _{1}+\beta _{2}X_{2}+\varepsilon }$

El problema de la regresión consiste en elegir unos valores determinados para los parámetros desconocidos ${\displaystyle \beta _{k}}$, de modo que la ecuación quede completamente especificada. Para ello se necesita un conjunto de observaciones. En una observación i-ésima (i= 1,... I) cualquiera, se registra el comportamiento simultáneo de la variable dependiente y las variables explícitas (las perturbaciones aleatorias se suponen no observables).

${\displaystyle Y_{i}=\sum \beta _{k}X_{ki}+\varepsilon _{i}}$

Los valores escogidos como estimadores de los parámetros ${\displaystyle {\hat {\beta _{k}}}}$, son los coeficientes de regresión sin que se pueda garantizar que coincida n con parámetros reales del proceso generador. Por tanto, en

${\displaystyle Y_{i}=\sum {\hat {\beta _{k}}}X_{ki}+{\hat {\varepsilon _{i}}}}$

Los valores ${\displaystyle {\hat {\varepsilon _{i}}}}$ son por su parte estimaciones o errores de la perturbación aleatoria.

Tipos de regresión lineal

Regresión lineal simple: 

Sólo se maneja una variable independiente, por lo que sólo cuenta con dos parámetros. Son de la forma:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+\varepsilon _{i}}$

donde ${\displaystyle \varepsilon _{i}}$ es el error asociado a la medición del valor ${\displaystyle X_{i}}$ y siguen los supuestos de modo que ${\displaystyle \varepsilon _{i}\sim N(0,\sigma ^{2})}$ (media cero, varianza constante e igual a un ${\displaystyle \sigma }$ y ${\displaystyle \varepsilon _{i}\perp \varepsilon _{j}}$ con ${\displaystyle i\neq j}$).

Dado el modelo de regresión simple anterior, si se calcula la esperanza (valor esperado) del valor Y, se obtiene:

Derivado respecto a ${\displaystyle {\hat {\beta }}_{0}}$ y ${\displaystyle {\hat {\beta }}_{1}}$ e igualando a cero, se obtiene:

Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la siguiente solución para ambos parámetros:

 La interpretación del parámetro medio  es que un incremento en Xi de una unidad, Yi incrementará en 

Regresión lineal múltiple

Las rectas de regresión son las rectas que mejor se ajustan a la nube de puntos (o también llamado diagrama de dispersión) generada por una distribución binomial. Matemáticamente, son posibles dos rectas de máximo ajuste:

• La recta de regresión de Y sobre X:

• La recta de regresión de X sobre Y:

 La correlación ("r") de las rectas determinará la calidad del ajuste. Si r es cercano o igual a 1, el ajuste será bueno y las predicciones realizadas a partir del modelo obtenido serán muy fiables (el modelo obtenido resulta verdaderamente representativo); si r es cercano o igual a 0, se tratará de un ajuste malo en el que las predicciones que se realicen a partir del modelo obtenido no serán fiables (el modelo obtenido no resulta representativo de la realidad). Ambas rectas de regresión se intersecan en un punto llamado centro de gravedad de la distribución.

El procedimiento Prueba T para muestras independientes compara las medias de dos grupos de casos. Lo ideal es que para esta prueba los sujetos se asignen aleatoriamente a dos grupos, de forma que cualquier diferencia en la respuesta sea debida al tratamiento (o falta de tratamiento) y no a otros factores. Este caso no ocurre si se comparan los ingresos medios para hombres y mujeres. El sexo de una persona no se asigna aleatoriamente. En estas situaciones, debe asegurarse de que las diferencias en otros factores no enmascaren o resalten una diferencia significativa entre las medias. Las diferencias de ingresos medios pueden estar sometidas a la influencia de factores como los estudios (y no solamente el sexo).

Ejemplo. Se asigna aleatoriamente un grupo de pacientes con hipertensión arterial a un grupo con placebo y otro con tratamiento. Los sujetos con placebo reciben una pastilla inactiva y los sujetos con tratamiento reciben un nuevo medicamento del cual se espera que reduzca la tensión arterial. Después de tratar a los sujetos durante dos meses, se utiliza la prueba t para dos muestras para comparar la tensión arterial media del grupo con placebo y del grupo con tratamiento. Cada paciente se mide una sola vez y pertenece a un solo grupo.

Estadísticos. Para cada variable: tamaño de la muestra, media, desviación estándar y error estándar de la media. Para la diferencia entre las medias: media, error estándar e intervalo de confianza (puede especificar el nivel de confianza). Pruebas: prueba de Levene sobre la igualdad de varianzas y pruebas t de varianzas combinadas y separadas sobre la igualdad de las medias.

Prueba T para muestras independientes: Consideraciones sobre los datos

Datos. Los valores de la variable cuantitativa de interés se hallan en una única columna del archivo de datos. El procedimiento utiliza una variable de agrupación con dos valores para separar los casos en dos grupos. La variable de agrupación puede ser numérica (valores como 1 y 2, o 6,25 y 12,5) o de cadena corta (como sí y no). También puede usar una variable cuantitativa, como la edad, para dividir los casos en dos grupos especificando un punto de corte (el punto de corte 21 divide la edad en un grupo de menos de 21 años y otro de más de 21).

Supuestos. Para la prueba t de igualdad de varianzas, las observaciones deben ser muestras aleatorias independientes de distribuciones normales con la misma varianza de población. Para la prueba t de varianzas desiguales, las observaciones deben ser muestras aleatorias independientes de distribuciones normales. La prueba t para dos muestras es bastante robusta a las desviaciones de la normalidad. Al contrastar las distribuciones gráficamente, compruebe que son simétricas y que no contienen valores atípicos.

Para obtener una prueba T para muestras independientes

Esta característica requiere la opción Statistics Base.

1. Seleccione en los menús:
   Analizar > Comparar medias > Prueba T para muestras independientes...                    
2. Seleccione una o más variables de contraste cuantitativas. Se calcula una prueba t para cada variable.
3. Seleccione una sola variable de agrupación y pulse en definir grupos para especificar dos códigos para los grupos que desee comparar.
4. Si lo desea, puede pulsar en opciones para controlar el tratamiento de los datos perdidos y el nivel del intervalo de confianza.

Chi cuadrado

Esta prueba puede utilizarse incluso con datos medibles en una escala nominal. La hipótesis nula de la prueba Chi-cuadrado postula una distribución de probabilidad totalmente especificada como el modelo matemático de la población que ha generado la muestra.

Para realizar este contraste se disponen los datos en una tabla de frecuencias. Para cada valor o intervalo de valores se indica la frecuencia absoluta observada o empírica (Oi). A continuación, y suponiendo que la hipótesis nula es cierta, se calculan para cada valor o intervalo de valores la frecuencia absoluta que cabría esperar o frecuencia esperada (Ei=n·pi , donde n es el tamaño de la muestra y pi la probabilidad del i-ésimo valor o intervalo de valores según la hipótesis nula). El estadístico de prueba se basa en las diferencias entre la Oi y Ei y se define como:

Este estadístico tiene una distribución Chi-cuadrado con k-1 grados de libertad si n es suficientemente grande, es decir, si todas las frecuencias esperadas son mayores que 5. En la práctica se tolera un máximo del 20% de frecuencias inferiores a 5.

Si existe concordancia perfecta entre las frecuencias observadas y las esperadas el estadístico tomará un valor igual a 0; por el contrario, si existe una gran discrepancias entre estas frecuencias el estadístico tomará un valor grande y, en consecuencia, se rechazará la hipótesis nula. Así pues, la región crítica estará situada en el extremo superior de la distribución Chi-cuadrado con k-1 grados de libertad.

Para realizar un contraste Chi-cuadrado la secuencia es:

Analizar

Pruebas no paramétricas

Chi-cuadrado

En el cuadro de diálogo Prueba chi-cuadrado se indica la variable a analizar en Contrastar variables.

En Valores esperados se debe especificar la distribución teórica activando una de las dos alternativas. Por defecto está activadaTodas la categorías iguales que recoge la hipótesis de que la distribución de la población es uniforme discreta. La opción Valoresrequiere especificar uno a uno los valores esperados de las frecuencias relativas o absolutas correspondientes a cada categoría, introduciéndolos en el mismo orden en el que se han definido las categorías.

El recuadro Rango esperado presenta dos opciones: por defecto está activada Obtener de los datos que realiza el análisis para todas las categorías o valores de la variable; la otra alternativa, Usar rango especificado, realiza el análisis sólo para un deteminado rango de valores cuyos límites Inferior y Superior se deben especificar en los recuadros de texto correspondientes.

El cuadro de diálogo al que se accede con el botón Opciones ofrece la posibilidad de calcular los Estadísticos Descriptivos y/o losCuartiles, así como seleccionar la forma en que se desea tratar los valores perdidos.

Coefficiente de Pearson

la covariación es el grado de concordancia de las posiciones relativas de datos de dos variables. En consecuencia el coeficiente de correlación de Pearson opera con puntuaciones tificadas (que miden posiciones relativas) y se define:

El fundamento del coeficiente de Pearon es el siguiente: Cuanto más intensa sea la concordancia (en sentido directo o inverso) de las posiciones relativas de los datos en las dos variables, el producto del numerador toma mayor valor (en sentido absoluto). si la concordancia es exacta, el numerador es igual a N (o a-N), y el indice toma un valor igual a 1 (o-1).
Ejemplo 1 (Máxima covariación positiva) 

observa que los datos tificados (expresados como puntuaciones z) en las dos columnas de la derecha tienen los mismos valores en ambas variables, dado que las posiciones relativas son las mismas en las variables X e Y.
si obtenemos los productos de los valores tificados para cada caso, el resultado es:



El cociente de dividir la suma de productos (5) por N (hay que tener en cuenta que N es el número de casos, NO el número de datos) es igual a 1: 







Covariación positiva de alta intensidad

por lo tanto, 

Ausencia de covariación



Covariación negativa de alta intensidad 


Máxima covariación negativa

El valor de la correlación es igual a 1 o -1 si la covariación es de intensidad máxima, y se va acercando hacia el 0 cuanto más pequeña sea la intensidad de la covariacón. Además el indice tiene signo positivo cuando la covariación es directa y negativo cuando es inversa.

Caracteristicas

* El coeficiente de correlación de Pearson puede tomar valores entre -1 y 1

* L a correlación de una variable con ella misma siempre es igual a 1

* El valor 0 indica ausencia de covariacón lineal, pero NO si la covariación es de tipo no lineal.

Explicación SPSS en clase (05/10/16)

¿Que es SPSS?

Es un sistema amplio y flexible de análisis estadístico y gestión de información que capaz de trabajar con datos procedentes de distintos formatos generando, desde sencillos gráficos de distribuciones y estadísticos descriptivos hasta análisis estadísticos complejos que nos permitirán descubrir relaciones de dependencia e interdependencia, establecer clasificaciones de sujetos y variables, predecir comportamientos, etc. Su aplicación fundamental está orientada al análisis de datos experimentales.

El SPSS se inicia siempre ofreciendo la imagen, similar a una hoja de cálculo, del Editor de Datos. Este Editor dispondrá las variables en columnas y los casos en filas. Nuestro primer objetivo será definir el fichero de datos y almacenar esos datos en el editor. El archivo de datos puede crearse directamente en SPSS o importarse ya creado de otro programa, normalmente de una hoja de cálculo. La definición de las variables será, sin embargo, una tarea a realizar obligatoriamente en el SPSS. 

Comenzando por la captura externa, para importar un archivo de hoja de cálculo debe seleccionarse el tipo xls en el cuadro “Abrir” del menú “Archivo”. Una vez elegido el archivo de datos debe indicarse al SPSS si la primera fila del archivo de excel contiene cabeceras de columnas (es decir, nombre de las variables) y el rango a leer en la misma si los datos que desea leer de la hoja de cálculo no comienzan en la primera fila ni en la primera columna.

Para introducir directamente los datos en SPSS deberán completarse, para cada variable los siguientes pasos: ß Asignar un nombre y una etiqueta a la variable, ß Identificar el tipo de variable ß Definir sus posibles valores y las etiquetas de los mismos ß Definir el o los valores perdidos. Para crear y dar nombre a una nueva variable marcamos la columna correspondiente y con un doble clic accedemos a la pantalla de definición de variable. 

En el cuadro “Nombre de la Variable” deberemos escribir el nombre que queramos asignar a esa variable. 7. En el cuadro Tipo se ofrecen una serie de formatos básicos ("Numérico”, “Cadena” “Fecha” ....) con los que debemos identificar nuestra variable. También debe especificarse, el ancho de caracteres de la misma y los decimales en su caso. 

En el cuadro Etiquetas deberemos definir la etiqueta descriptiva que acompañará al nombre de la variable en las tablas, informes y gráficos estadísticos de resultados. También deben definirse las etiquetas de los códigos en cada variable, lo que también simplificará la interpretación de resultados.

En el cuadro Valores perdidos debemos especificar al SPSS los códigos que vamos emplear en aquellos casos en que se ha perdido la información de esa variable para un caso determinado o bien se ha cometido un error en la respuesta por parte del 8 encuestado. Esto permitirá al SPSS ignorar los casos incorrectos en los análisis sucesivos.

En el cuadro de Formato de la columna especificaremos el ancho de columna y la alineación del contenido en la misma. Una vez definida la variable pueden teclearse los datos directamente sobre la hoja del editor hasta completar el archivo total. La operación de guardado es similar a la de cualquier otro programa de entorno windows. Los archivos de datos de versiones actuales de SPSS tienen extensión .SAV.

Recodificar una variable significa cambiar total o parcialmente el conjunto de códigos con que representamos sus valores. La recodificación no es sólo un capricho estético sino, en muchas ocasiones, una necesidad de transformación adecuada para la mejora de un análisis técnico. En el menú “Transformar” elegimos “Recodificar”, y dentro de este la opción “en distintas variables” para no perder la variable original. La pantalla inicial que aparece permite llevar a cabo la siguiente secuencia de operaciones:

- Elegir la variable a recodificar de la ventana de la parte izquierda 

- Elegir un nuevo nombre para la variable recodificada y una nueva etiqueta en la ventana "Variable de resultado" 

- Establecer, si se desea, una condición para la recodificación en el botón "Si" 

Una vez pulsado el botón “Valores antiguos y nuevos” podremos establecer en esta nueva pantalla la correspondencia entre los códigos antiguos y los nuevos.

Para iniciar el cálculo de los estadísticos descriptivos básicos de las variables cuantitativas, puede utilizarse la opción “Estadísticos” -“Resumir” - “Frecuencias” o bien la alternativa “Estadísticos” -“Resumir” - “Descriptivos”. La mejor opción es la primera porque permite calcular un mayor número de estadísticos. En la primera de las pantallas debe seleccionarse el conjunto de variables para las que se desea elaborar estadísticos descriptivos y si se desea elaborar la tabla de frecuencias o no. El menú de cálculos disponibles aparece en la siguiente pantalla divido en cuatro tipos básicos. En esta pantalla seleccionaremos todos aquellos estadísticos que deseemos calcular, tanto de posición como de dispersión.

Pulsando el botón de “Gráficos” en la pantalla inicial podremos crear distintos tipos de gráficos que nos ayudarán a la hora de la interpretación de resultados. El Histograma nos permite observar gráficamente las características de la distribución de la variable analizada de cara a detectar, por ejemplo, su Normalidad. Los gráficos y los resultados estadísticos se muestran en la conocida como ventana Navegador ó Visor de resultados de SPSS, que permitirá organizar y editar los resultados de análisis sucesivos. Los archivos del navegador pueden guardarse independientemente con extensión .SPO. 

La sección izquierda del Visor permite observar y modificar la ordenación de los distintos análisis y de los elementos mostrados en cada uno de ellos. En el lado derecho aparecen las tablas y gráficos de resultados. Todas los elementos del visor de resultados son susceptibles de modificación en cuanto a su formato de presentación. El menú contextual del ratón nos abrirá en cada uno de ellos un buen número de opciones de modificación. 

Para aquellas variables puramente cualitativas en las que no tiene especial sentido analizar medidas descriptivas, calcularemos sus frecuencias, tanto absolutas como relativas utilizando el mismo menú “Estadísticos” - “Resumir” - “Frecuencias” que habíamos abierto en el caso de los estadísticos descriptivos. En la primera pantalla marcaremos ahora la opción “Mostrar tabla de frecuencias”. ¸ Las tablas de frecuencias pueden "pivotarse" alterando filas por columnas o estableciendo capas tridimensionales. Para acceder al menú de pivotaje basta usar el menú contextual del ratón sobre cada tabla.

Funciones Estadísticas de Excel

Funciones Estadísticas de Excel

(Media, Mediana, Moda, Desviación Estándar, Varianza, Asimetría, Curtosis, Rango, Mínimo, Máximo, Suma)

LINK

https://drive.google.com/file/d/0BxBiZTScYLvhSHlxZHlCcU9PRGc/view?usp=sharing

Gráficas, Variables en SPSS

Gráfica

(SPSS)

PDF (EDAD DEL GRUPO)

https://drive.google.com/file/d/0BxBiZTScYLvhU3pNM2Z1dUV5T28/view?usp=sharing

PDF (GÉNERO) 

https://drive.google.com/file/d/0BxBiZTScYLvhYzNJQ05JcWdfdlU/view?usp=sharing

PDF (MATERIAS, HORAS DE ESTUDIO Y  PROMEDIO GENERAL DE CALIFICACIÓN QUE SE DESEA EN EL SEMESTRE)

https://drive.google.com/file/d/0BxBiZTScYLvhc04ycVRFQVFnX1k/view?usp=sharing

Enfoque cuantitativo de la investigación (Explicación en clase (28/09/16))

Enfoque cuantitativo de la investigación

Se identifica la cantidad posible de problemas en el entorno del fenómeno de la investigación en forma de enunciado declarativo que comienza con palabras como: 

• Falta de
• Se desconoce
• Es muy deficiente 
• Es la causa o efecto
• Existen discrepancias
• No hay información actualizada
• Existen una insuficiente.
• Inadecuada, etc.

Los problemas se jerarquizan

Se analizan las relaciones entre los problemas identificados para establecer una jerarquía que refleje cual es el problema principal (el que causa todos los demás, o la mayoría) y cuales los secundarios.

(Einsten)

El 70% de una investigación depende de la información coherente del problema.

Los objetivos de investigación 

son una respuesta directa a cada uno de los problemas, si el problema es un determinado asunto que requiere solución, el objetivo es el enunciado que expresa la acción que se llevara a cabo para contribuir a solucionar el problema. es el para que se desarrolla la investigación a tantos problemas, les corresponde tantos objetivos de la misma jerarquía. 

(Sampieri, 2014)

Criterios para evaluar la utilidad de una investigación

• Convivencia: ¿Para qué servirá?
• Relevancia social: ¿Quiénes y de qué modo se beneficiarán los resultados?
• Implicaciones prácticas: ¿Ayudará a resolver algún problema real?
• Valor teórico: ¿Se llenará algún vació de conocimiento? ¿La información que se obtenga servirá para revisar, desarrollar o apoyar una teoría?
• Utilidad metodológica: ¿Contribuirá a la definición de un concepto, variable o relación entre variables?

• Viabilidad: ¿Es posible llevar a cabo la investigación?  ¿Se tienen los recursos para hacerlo?

(Sampieri, 2014) (Daros, 2002)

Papel que desempeña la revisión de la literatura

Es la clave para detectar conceptos clave que no se había pensado, nutrir ideas en cuanto métodos de recolección de datos y análisis, tener en mente los errores cometidos por otros investigadores, conocer diferentes maneras de pensar y abordar el planteamiento, mejorar el entendimiento de los datos y profundizar las interpretaciones al finalizar la investigación, la literatura previa o referencia se utiliza para contrastar los resultados. 

(Sampieri, 2004)

¿Qué es una hipótesis?

Hipótesis significa suponer o poner bajo consideración, es una explicación o solución provisional para el problema que será verificada o válida, se expresa en forma de enunciado afirmativo y vincula generalmente dos o más elementos que encuentran su expresión en las denominadas variables.

(Sampieri, 2014)

¿Qué son las variables de la hipótesis?

Son algunas características cualitativas o cuantitativos perceptibles que presentan las unidades de análisis.

¿Dónde surgen las variables?

El investigador elabora sus propias variables sin embargo, la tradición escrita permite que las variables usadas por otros investigadores de utilidad y puedan ser usadas.

*Una variable es tal siempre y cuando sea capaz de variar.

no se formulan: hipótesis pero si puede formular conjeturas iniciales.

Alcance exploratorio: investiga un problema poco estudiado o que no se ha abordado antes, que se desea abordar nuevas perspectivas.

Alcance descriptivo y pronóstico: describe propiedades, características o perfiles de personas, comunidades, procesos, objetos o fenómenos que comenta la investigación hecho o dato. 

La hipótesis descriptiva en el 2017 el indice  delictivo en santa cruz sera menor que un delito por cada 1000 habitantes.

Alcance correlacional: evalúa la relación que existe entre dos o más conceptos, categorías o variables de un contexto.   

Explicativo: explica causas de eventos, sucesos o fenómenos se enfoca en explicar porque ocurre en que condiciones se manifiestan.

Ejemplo de la Explicativa causal: la desocupación laboral es la principal causa de delitos en tuxtla (explica la relación causa efecto entre la variable independiente.

¿Qué implica recolectar datos? 

implica diseñar un plan para recolectar los datos que permita comprobar el grado de validez de la hipótesis. recolectar datos es equivalente a medir se mide las fluctuaciones de las variables contenidas en la hipótesis. 

¿Cómo se miden las fluctuaciones? existen diseños que tipifican según la manipulación o no de las variables:

1. Diseño no experimental o descriptivo

2. Diseño experimental

(Martínez, 2012)

Diseño no experimental o descriptivo: no se manipulan las variables solo se observan, diseño transversal se miden las variables un solo momento para describirlas y analizar su relación en ese momento. su propósito es analizar las causas, diseñar las variables dependiente.

Diseño longitudinal: se miden las variables en dos o más para analizar inferencias acerca de la evaluación. causa y efecto de los fenómenos su propósito es: 

* Analizar la manera que evoluciona la descripción de la pareja y la relación ideales en las mujeres 

* Diseño aumenta su edad pero habrá una población que sera la misma.

Estos diseños se interpreta lo que es una situación ya existente no provocado, se conoce como ex post facto porque los hechos y las variables ya ocurrieron.

(Buendía, 1998) (Sampieri, 2014)

Diseño Experimental manipulan estímulos (variables independientes) para analizar su efecto sobre la variable dependiente se provoca algún fenómeno para observar a interpretar su resultado se hace el experimento con situación de control en la cual participa grupos de comparación.

1. experimental que recibe el estimulo

2. un control que no.

variable manipular (variable independiente)

variable de medir ( variable dependiente)

(Heeringa, 2010)

Muestra probabilistica 

* Los elementos que se eligen

* Resultados que se generalizan a toda una población 

* Tamaño de la muestra

* Se calcula los criterios que ofrece la estadística tales como error máximo aceptable y nivel de confianza.

Muestra NO probalistica

* Elementos que se eligen

* Diseño experimental

* Tamaño de muestra

* 5% de error

Tipo de instrumento de mediación

- Cuestionarios

-Escala para medir actitudes

-Prueba estandarizadas

(se aplica a través de entrevista personales o telefónicos o vía de Internet)

-Observación  (se adapta a eventos y evalúa los hechos)

-Análisis de contenido (se adapta a eventos como ocurre evalúa mediaciones indirectas).

Analiza los datos obtenidos (análisis): Genera resultados que aporten evidencia a favor de la hipótesis y analiza métodos estadísticos son del producto de mediciones que represente un número.

¿Que tipo? : se requiere usar variables y se desea analizar diversas variables

¿Cuáles? : Describir y Descubrir.

Programa para analizar los datos: Análisis de datos difundido SPSS de IBM, el SPSS se divide en dos partes:

* Matriz variable las variables explicando los valores de la codificación item por item

* Matriz de datos se introduce los datos es una hoja de calculo.

La estadística descriptiva 

-Tendencia central ( suma, moda, media, mediana)

-Variabilidad (intervalos que diseminan los valores, desviación, típica y rango)

-Varianza (desviación estándar variable respecto a su media) 

Estadísticas que genera en SPSS

--> Estadísticas descriptivas

--> Frecuencia

--> Seleccionar variables

--> Continuar

--> Gráficos

--> Continuar

--> Aceptar

Evidencias en clases