Este documento presenta resúmenes de varios seminarios sobre análisis bivariado y pruebas estadísticas como chi-cuadrado, t-student, ANOVA y correlaciones. Explica cómo utilizar estas pruebas para contrastar hipótesis, comparar medias y determinar si hay relaciones entre variables. Se incluyen ejemplos sobre el cansancio en cuidadores, efectividad de tratamientos para adelgazar y correlaciones entre factores de riesgo cardiovascular.

1. SEMINARIO 7
ANÁLISIS BIVARIADO. DISTRIBUCIÓN
BINOMIAL. CHI-CUADRADO
Ana Mª Maestre Gavira

2. CANSANCIO EN EL ROL DEL
CUIDADOR SEGÚN EL SEXO

5. Establecemos el contraste de hipótesis
• H0: No hay relación entre el cansancio del rol del
cuidador y el sexo.
• H1: Hay relación ente el cansancio del rol del
cuidador y el sexo, a favor de las mujeres.
Trabajaremos con un nivel de confianza del 95% por lo
que el error tiene que ser igual o menor que 0,05.

6. ELEGIMOS LA PRUEBA ESTADÍSTICA
• Para saber si estos datos son estadísticamente
significativos, tendremos que realizar una prueba
estadística, en este caso, se podría realizar la prueba
chi cuadrado (prueba no paramétrica) ya que se
tratan de variables cualitativas nominales (cansancio
en el rol del cuidador y sexo del cuidador), nos
muestra los datos de un recuento y es una muestra
grande.

7. TENEMOS QUE PONDERAR

9. • La significación asintótica es de prácticamente nula,
por tanto, como p<0,05, el valor de “p” se encuentra
en la zona crítica. Rechazamos la hipótesis nula,
aceptándo así la hipótesis alternativa, con una
probabilidad de cometer un error tipo I nula.
• Ante esto, la hipótesis es estadísticamente significativa,
es decir, estos datos no son debidos a la casualidad, es
fruto del azar, hay una motivación de que las mujeres
se cansan más que los hombres en el rol del cuidador.

11. APARICIÓN DE HEMATOMAS
ASOCIADOS A EXTRACCIÓN DE SANGRE

18. • La prueba chi-cuadrado nos da un valor de 0,448 por
lo que aceptamos la hipótesis nula, es decir, no hay
relación entre la aparición de hematomas y el tipo de
método utilizado.

19. SEMINARIO 8
ANÁLISIS BIVARIADO. DISTRIBUCIÓN
NORMAL. T-STUDENT

20. UTILIZACIÓN
• La prueba T-Student se utiliza para determinar si hay
una diferencia significativa entre las medias de dos
grupos; y el Test de Levene se utiliza para contrastar
si las muestras tiene la misma varianza, es decir, la
homegeneidad de varianzas.

21. T-STUDENT PARA MUESTRAS
INDEPENDIENTES

22. PONDERAR CASOS

25. En términos generales, no podemos decir que el
tratamiento B es mejor para adelgazar que el A
porque ya que puede ser fruto de la casualidad.
Con la prueba T de Student sabremos si es
debido al azar o hay una motivación a favor del
tratamiento B.

27. CONTRASTE DE HIPÓTESIS
• Hipótesis nula: las varianzas son iguales. Para poder
aceptarla la significación tiene que ser mayor de 0,05
• Hipótesis alternativa: las varianzas son distintas. Para
aceptarla la significación < 0,05
Como las varianzas son iguales seguimos utilizando la t de Student.
• Hipótesis nula. Las medias son iguales. Los resultados son
casuales.
• Hipótesis alternativa: las medias son distintas. Hay
motivación para aceptarla.
Con la significación q es mucho menor que 0,05 rechazamos la hipótesis
nula, y aceptamos la hipótesis alternativa. Esa diferencia no es fruto de la
casualidad. El tratamiento B tiene mayor eficacia para adelgazar que B.

28. T-STUDENT PARA DATOS
APAREADOS

29. CONTRASTE DE HIPÓTESIS
• H0: no hay diferencia de peso entre el antes y
el después
• H1: hay diferencia significativa de peso entre
el antes y el después

33. • Los primeros pacientes tenían de media 95,50
y después 87,67, vemos que “p” es menos de
0,05, por tanto, rechazamos la hipótesis nula y
nos quedamos con la alternativa, cometiendo
un error tipo 1 de 0,14.

34. ANOVA

35. Utilizamos la prueba ANOVA para comparar las
medias de los tres tipos de tratamientos.
Ante estos datos, parece que el tratamiento que
más baja el peso es el C

36. • Las varianzas aquí no son iguales.

38. • ANOVA es la comparación entre los grupos. Nos
dice que el contraste de hipótesis es
estadísticamente significativo, la probabilidad de
equivocarnos es mínima, rechazamos la hipótesis
nula y aceptamos la alternativa. Las diferencias
de peso debidas a los diferentes tratamientos es
estadísticamente significativa.

41. SEMINARIO 9
ANÁLISIS BIVARIADO.
COEFICIENTES DE CORRELACIÓN.

42. CORRELACIONES
• Dependencia: dos cosas están asociadas, aunque no
sepamos la intensidad. Normalmente usamos chi-
cuadrado para saber si están asociados. Pero con las
correlaciones sabemos si están asociados y cuánto
de asociados está.
• La asociación es más pobre que la relación.
• Pearson  se utiliza para variables en escala

43. ESTUDIO OBESIDAD
• Correlacionamos dos variables nominales:
Colesterol total
Triglicéridos

45. • Hipótesis nula: las diferencias son aleatorias,
colesterol y triglicéridos no están
correlacionados
• Hipótesis alternativa: colesterol y triglicéridos
están correlacionados
• Como la significación es de 0,056, aceptamos
la hipótesis nula.

46. • Los triglicéridos con HDL aceptamos hipótesis
nula, no hay relación, la significación es mayor de
0,05; el contraste de hipótesis no es
estadísticamente significativo con HDL y con LDL.

47. GRÁFICO DE DISPERSIÓN
• Las variables no presentan relación, no están
correlacionadas

48. EJERCICIO: Buscar dos variables que se
correlacionen
• Vamos a correlacionar el peso subjetivo con el
peso medido en consulta (variables
cuantitativas en escala)

50. CORRELACIÓN DE PEARSON

51. • Como la significacion es de 0,000 se acepta la
hipótesis alternativa y se rechaza la hipótesis
nula y si miramos la correlación de Pearson
podemos decir que están correlacionadas
puesto que el resultado se aproxima a 1
(0,982)

53. Gráfico de correlación
• Las variables presentan una correlación positiva
alta.