Gloria Martinez Lacovic

1. Tarea 6:
Gloria Martínez Lacovic

2. Comenzamos realizando una tabla cruzada
que relaciona la aparición de hematomas y el
tipo de intervención:
Tabla cruzada Tipo de grupo*APARICION DE HEMATOMAS
Recuento
APARICION DE
HEMATOMAS
Total
SI NO
Tipo de
grupo
intervanción
Vacutainer
11 43 54
Control Jeringuilla 8 46 54
Total 19 89 108

3. Realizamos la prueba Chi-
cuadrado para ver si
aceptamos la Ho (que indica
que ambos métodos son igual
de efectivos) o la H1 (que los
dos métodos tienen una
efectividad diferente,
concretamente el uso de
jeringas aumenta la
probabilidad de sufrir
hematomas).
Al observar los resultados
vemos que la
significación=0’448. Al ser
0’448>0’05 debemos aceptar la
hipótesis nula. De esta
manera se demuestra que
ambos métodos tienen una
efectividad bastante similar y
que un resultado diferente no
sería más que fruto del azar.
Pruebas de chi-cuadrado
Valor df Significación
asintótica
(bilateral)
Significación
exacta
(bilateral)
Significación
exacta
(unilateral)
Chi-cuadrado de
Pearson
,575a 1 ,448
Corrección de
continuidadb
,255 1 ,613
Razón de verosimilitud ,577 1 ,448
Prueba exacta de Fisher ,614 ,307
Asociación lineal por
lineal
,569 1 ,450
N de casos válidos 108
a. 0 casillas (0,0%) han esperado un recuento menor que 5. El recuento mínimo esperado es 9,50.
b. Sólo se ha calculado para una tabla 2x2

4. Estos resultados
también se pueden
plasmar en una
gráfica de barras:

5. También podríamos representar la relación de la
aparición de hematomas con la edad en una gráfica de
barras:

6. Al analizar los datos
planteados en la gráfica
anterior la hipótesis nula
sería que no hay relación
entre la edad y la aparición
de hematomas mientras que
la hipótesis alternativa es
que sí hay relación.
Tendríamos que aceptar la
hipótesis nula ya que el
valor que se obtiene de Chi-
cuadrado es 0’565 y este es
>0’05.
Pruebas de chi-cuadrado
Valor df Significación
asintótica
(bilateral)
Chi-cuadrado de Pearson 2,035a 3 ,565
Razón de verosimilitud 2,060 3 ,560
Asociación lineal por
lineal
,342 1 ,559
N de casos válidos 108
a. 2 casillas (25,0%) han esperado un recuento menor que 5. El
recuento mínimo esperado es 1,23.

7. Al hablar del
cansancio/no
cansancio en el rol
de cuidador y al
diferenciar entre
hombres y mujeres
obtenemos la
siguiente gráfica
de barras:

8. A partir de estos datos realizamos un estudio del contraste de
hipótesis (Ho/H1):
Intentamos ver si hay alguna relación entre el sexo y el cansancio o
no cansancio en los cuidadores informales.
Planteamos nuestras hipótesis:
-Hipótesis nula (Ho): No hay diferencia en el cansancio en
cuidadores informales entre hombres y mujeres.
-Hipótesis alternativa (H1): Sí hay diferencia en el cansancio en
cuidadores informales entre hombres y mujeres. Esta diferencia
indicará que la mujer sufra de más cansancio.
Tenemos en cuenta que las variables son cualitativas.
Se elige la prueba estadística de Chi (X2) porque estudia recuentos
y además se trata de una muestra grande.

9. Trabajamos siempre a un
nivel de confianza de 95%
(con un error tipo 1 de 0’05).
Se rechaza la hipótesis nula y
se acepta la alternativa ya
que el Chi-cuadrado nos
muestra un error de tipo uno
p=0’000 y siendo 0’000<0’05
es una diferencia es
significativa.
En la decisión tomada
tenemos una confianza de
100% y la probabilidad de
cometer el error de tipo uno
es de 0%.
Es una diferencia significativa
ya que no es fruto del azar
(no es casualidad sino que es
causalidad).
Pruebas de chi-cuadrado
Valor df Significación
asintótica
(bilateral)
Significación
exacta
(bilateral)
Significación
exacta
(unilateral)
Chi-cuadrado de
Pearson
14,607
a
1 ,000
Corrección de
continuidadb
13,251 1 ,000
Razón de verosimilitud 14,326 1 ,000
Prueba exacta de Fisher ,000 ,000
Asociación lineal por
lineal
14,577 1 ,000
N de casos válidos 484
a. 0 casillas (0,0%) han esperado un recuento menor que 5. El recuento mínimo esperado es 13,49.
b. Sólo se ha calculado para una tabla 2x2

10. Para todos estos procesos ha sido necesario utilizar SPSS.
Podemos observar la disposición de dicho programa. Esta sería la vista de las variables:

11. Esta sería la vista de los datos:

12. Y por último para ponderar los datos únicamente tendremos que irnos a la vista de variables
y en el margen superior presionar “ponderar datos”: