SPSS Aplicado A Mercados

SPSS aplicado a Mercados
SPSS APLICADO A MERCADOS
UNIVERSIDAD NACIONAL COLOMBIA

FACULTAD DE CIENCIAS ECONÓMICAS
UNIDAD DE INFORMÁTICA
Trabajo desarrollado por
GEMA ANDREA ÁLVAREZ VÉLEZ

ALEX GERARDO SASTOQUE RODRÍGUEZ

1
SPSS APLICADO A MERCADOS

Director: Henry Martínez
Coordinadores: Mauricio Vergara Bravo
Oscar Javier Silva Romero
Analista de Sistemas: Peter Fonseca Buitrago
Programador: Álvaro Enrique Palacios
Villamil
Auxiliares de Investigación:
Adelaida Amaya Pinzón Gildardo Gutierrez
Alex Gerardo Sastoque R. Héctor Javier Vargas Vargas
Andrea Del Pilar Navarrete C. Héctor Javier Orduz E.
Andrea Nadine Gutierrez G. Jhonny Alexander Romero I.
Ángela Jeaneth Ospina Enciso John Ricardo Cortes A.
Astrid Rocio Angarita Cruz Juan Carlos Torres Cáceres
Aura Maria García Chaves Juan Nicolás Vargas Ribero
Betty Johanna Bolaños Julián Ramírez Angulo
Carlos José Acuña Daza Julio Cesar Calvo
Claudia Alexandra Garzón S. Karolina Roberto González
Claudia Johanna Nieto C. Leonardo Andrés Baena L.
Daniel Alejandro Ardila M. Luis Enrique Guzman C.
David Alexander Arenas C. Mary Luz Muñoz Duran
David Leonardo Maldonado M. Nelson Armando Ariza M.
Diana Vanessa Mora Bonilla Olga Lucia Bravo Ballén
Fabián Alexander Aldana P. Rocio Yamile Ortiz Lavado
Felipe Quevedo Sánchez Yudy Marcela Méndez R.
Gema Andrea Álvarez V.
Este trabajo es resultado del esfuerzo de todo el equipo
perteneciente a la Unidad de Informática. Se prohíbe la
reproducción parcial o total de este documento, por cualquier tipo
de método fotomecánico y/o electrónico, sin previa autorización de
la Universidad Nacional de Colombia.

2
En la actualidad estamos enfrentados a constantes

cambios que ameritan ubicarnos en un entorno global que
busque satisfacer de manera prioritaria los gustos de
los usuarios de nuestros productos y servicios.
El análisis del mercado, especialmente la Investigación

de Mercados nos permite determinar cuáles son las
verdaderas necesidades de los consumidores, qué producto
necesitan, cuáles son los productos que los satisfacen
casi por completo para que el nuestro cubra esas
falencias, cuáles son las tendencias de estos
consumidores, etc. De esta manera, en todo tipo de
organización se debe hacer este tipo de análisis que
facilite tomar medidas que los coloquen en un lugar
predominante frente a la competencia, mejorando de esta
forma la imagen de la empresa en la mente de los
consumidores.
Para realizar este tipo de análisis se puede utilizar

SPSS, el cual es un programa estadístico y una
herramienta de análisis que nos facilita la toma de
decisiones de forma ágil y adecuada. SPSS es un sistema
de análisis y de gestión de datos en un entorno gráfico,
que facilita el manejo de información, índices y medidas
estadísticas, con el fin de interpretar de manera
adecuada los datos de cualquier tipo de investigación.
A través de esta investigación utilizaremos SPSS para la

toma de decisiones enfocada en el área de Mercados
especialmente en el estudio de la satisfacción de los
usuarios de la Unidad de Informática.

3
1 INTRODUCCIÓN........................................ 3
2 TABLA DE CONTENIDO.................................. 4
3 GLOSARIO............................................ 7
4 MERCADOS........................................... 10
4.1 MARKETING ...................................... 10
4.2 MERCADOTECNIA .................................. 10
4.3 SEGMENTACIÓN DE MERCADOS ....................... 11
4.3.1 Criterios de segmentación ................... 11
4.4 INVESTIGACIÓN DE MERCADOS ...................... 12
4.4.1 Etapas de la investigación de mercados ...... 13
5 SPSS: HERRAMIENTA PARA LA TOMA DE DECISIONES ...... 15
5.1 NECESIDADES Y PREFERENCIAS DE LOS CLIENTES ..... 15
5.2 ENCUESTAS DE SATISFACCIÓN ...................... 16
5.3 ANÁLISIS DE ENCUESTAS .......................... 18
6 ANÁLISIS EN SPSS .................................. 19
6.1 INFORMES ....................................... 19
6.1.1 Resúmenes de casos .......................... 19
6.1.2 Cubos OLAP .................................. 20
6.2 ANÁLISIS DESCRIPTIVO ........................... 20
6.2.1 Frecuencias ................................. 20
6.2.2 Descriptivos ................................ 23
6.3 ANÁLISIS EXPLORATORIO .......................... 25

4
6.3.1 Explorar .................................... 25

6.4 ANÁLISIS DE VARIABLES CATEGÓRICAS .............. 32
6.4.1 Tablas de contingencia ...................... 32
6.5 CONTRASTES SOBRE MEDIAS ........................ 43
6.5.1 Medias ...................................... 43
6.5.2 Prueba T para una muestra ................... 44
6.5.3 Prueba T para muestras independientes ....... 45
6.5.4 Prueba T para muestras relacionadas ......... 46
6.6 ANÁLISIS DE VARIANZA DE UN FACTOR .............. 46
6.6.1 ANOVA de un factor .......................... 46
6.7 ANÁLISIS DE VARIANZA FACTORIAL ................. 51
6.7.1 Modelo lineal general: Univariante .......... 51
6.8 ANÁLISIS DE VARIANZA CON MEDIDAS REPETIDAS ..... 58
6.8.1 El Procedimiento Mlg: Medidas Repetidas ..... 58
6.9 ANÁLISIS DE CORRELACIÓN LINEAL ................. 62
6.9.1 Correlación lineal simple ................... 62
6.9.2 Correlaciones parciales ..................... 62
6.10 ANÁLISIS DE REGRESIÓN LINEAL ................... 63
6.10.1Regresión lineal
63
6.11 ANÁLISIS NO PARAMÉTRICO ........................ 64
6.11.1Pruebas no paramétricas
64
6.12 ANÁLISIS FACTORIAL ............................. 66
6.13 ANÁLISIS DE CONGLOMERADOS DE K-MEDIAS .......... 67
6.14 ANÁLISIS DE CONGLOMERADOS JERÁRQUICOS .......... 68

5
6.15 ANÁLISIS DISCRIMINANTE ......................... 68

7 ENCUESTA DE SATISFACCIÓN UIFCEC ................... 70
7.1 ANÁLISIS ....................................... 70
7.1.1 Asignación de turnos ........................ 71
7.1.2 Equipos audiovisuales y portátiles .......... 72
7.1.3 Cursos libres ............................... 73
7.1.4 Servicios prestados ......................... 74
7.1.5 Monitores ................................... 75
7.1.6 Sugerencias ................................. 76
7.1.7 Personal .................................... 76
7.1.8 Programas y equipos ......................... 77
7.1.9 Atención .................................... 78
7.1.10Presentación personal
78
7.1.11Trato interpersonal
79
7.1.12 ................................... Disposición
80
8 CONCLUSIONES ...................................... 81
9 ANEXO 1 ........................................... 84
9.1 ENCUESTA DE SATISFACCIÓN ....................... 84
10 ANEXO 2 ........................................... 86

6
Marketing: La ejecución de ciertas actividades

en los negocios, que dirigen el flujo de mercancías y
servicios del productor al consumidor o usuario.
Factor de Mercado: Es un objeto que ya existe
en el mercado, es coherente con la demanda de un bien
y se puede medir cuantitativamente.
Índice de Mercado: Es el factor de mercado
expresado en porcentaje o en otra manera en la cual
se pueda medir y comparar con respecto a un año
base.
Potencial de Mercado: Se analiza en un mercado
señalado y es la cantidad total de un producto que se
espera que los consumidores estarían dispuestos a
adquirir sin importar la marca.
Potencial de Ventas: La cantidad de productos
de una misma marca que se espera vender (dentro del
escenario perfecto) en el mercado señalado
anteriormente, por lo tanto se tiene como una meta.
Participación en el Mercado: Es la proporción
de ventas totales que se tuvo de un producto de la
misma marca en el mercado señalado, comparándolo con
el potencial de ventas se puede observar si se
cumplió o no con la meta.
Pronóstico de Ventas: Es la cantidad más
probable o real, de ventas de un producto de la misma
marca (a diferencia de Potencial de Ventas que es
dentro de un escenario perfecto) y la mayoría de
veces se fundamenta en estudios o investigaciones.
Intervalo de confianza para la media: k %.
Permite fijar el nivel de confianza con el que
deseamos obtener el intervalo de confianza para la
media. El valor de k por defecto es 95, pero es
posible introducir cualquier otro valor entre 1 y
99,99.
7
Cuartiles: Calcula los percentiles 25, 50 y 75,

es decir, los valores por debajo de los cuales se
encuentra el 25%, el 50% y el 75% de los casos,
respectivamente.
Puntos de corte para k grupos iguales: Calcula
los k-1 valores que dividen la muestra en k grupos
del mismo tamaño.
Percentiles: Permite solicitar percentiles
concretos (valores que acumulan un determinado
porcentaje de casos).
Media: La media aritmética suma todas las
puntuaciones dividida por el número de puntuaciones.
Mediana: Valor por debajo del cual se encuentra
el 50% de los casos (equivale al percentil 50).
Moda: Valor que más se repite.
Suma: Suma todos los valores.
Desv. Típica: Raíz cuadrada de la varianza.
Mide el grado en que las puntuaciones de la variable
se alejan de su media.
Varianza: Medida de dispersión que se obtiene
dividiendo por n-1 la suma de los cuadrados de las
diferencias entre cada puntuación y la media.
Amplitud: Diferencia entre el valor más grande
(máximo) y el más pequeño (mínimo).
Mínimo: Valor más pequeño.
Máximo: Valor más grande.
E.T. Media: Error típico de la media:
Desviación típica de la distribución muestral de la
media.
Asimetría: La asimetría positiva indica que los
valores más extremos se encuentran por encima de la
media. La asimetría negativa indica que los valores
más extremos se encuentran por debajo de la media.
Los índices de asimetría próximos a cero indican
simetría. Índices tipificados mayores que 1,96 en
valor absoluto permiten afirmar que existe asimetría
(positiva o negativa, dependiendo del signo del
índice).
Curtosis: Índice que expresa el grado en que
8
una distribución acumula casos en sus colas en

comparación con los casos acumulados en las colas de
una distribución normal con la misma varianza. La
curtosis positiva indica que en las colas de la
distribución hay acumulados más casos que en las
colas de una distribución normal.

9
4.1 MARKETING
El marketing es “la ejecución de ciertas actividades en
los negocios, que dirigen el flujo de mercancías y
servicios del productor al consumidor o usuario”.
Permite la distribución de mercancías y servicios, lo

cual incluye todas las actividades no relacionadas
directamente con la fabricación del producto, tales como
el transporte, almacenamiento, clasificación, venta y
los esfuerzos realizados por los vendedores al por mayor
y al por menor. Además, está dirigido a satisfacer los
deseos de la sociedad, en lo relativo a la obtención de
bienes y servicios, permitiendo conseguir el producto
adecuado, para las personas indicadas, al precio
conveniente, a través de los debidos canales de
distribución y por medio de la debida promoción de
ventas.
4.2 MERCADOTECNIA
La mercadotecnia es una técnica de análisis del mercado;
que permite realizar una revisión y análisis de las
oportunidades de negocio que brinda el medio o
identificar los productos o servicios ideales en el
mercado. Se encarga de crear en el cliente la imagen de
los productos que se venden y de llevar adecuadamente el
producto o servicio a manos del usuario.

10
4.3 SEGMENTACIÓN DE MERCADOS

Segmentar un mercado es descomponer el mercado potencial
total de un producto o servicio, en un número de
subconjuntos lo más homogéneos posibles, con el fin de
permitir a la empresa adaptar su política de Marketing a
cada uno de los subconjuntos.
La segmentación consiste en descomponer el mercado total

en un número reducido de subconjuntos que llamamos
segmentos, teniendo éstos que ser suficientemente
homogéneos en cuanto a sus comportamientos, necesidades,
motivaciones, etc., y heterogéneos entre sí para
justificar tratamientos de Marketing distintos.
4.3.1 Criterios de segmentación
Los criterios de segmentación del mercado son los

siguientes:
Criterio territorial o geográfico: Local,

nacional o internacional.
Criterio de tipología psicográfica para
personas: Edad, sexo, ocupación, carácter, religión,
raza, etc.
empresas: Actividad de la empresa, sector al cual
pertenece.
Criterio tipográfico de consumo: Actual,
futuro.
Criterio socio-económico: Clase social (Alta,
media, baja) y sus divisiones.
familias: Número de integrantes, actividad del jefe
del hogar, actividad de la esposa.
Otros criterios de segmentación pueden ser:

11
Criterios geográficos, demográficos y

culturales.
Criterios de personalidad y “estilo de vida”:
Se refieren a las características generales del
individuo, situándose en el nivel más profundo. El
estilo de vida es una manera de vivir, de ser, de
utilizar el tiempo, de gastar el dinero.
Los criterios de comportamiento respecto a un
producto determinado.
Los criterios de aptitud sicológica respecto a
un producto determinado.
4.4 INVESTIGACIÓN DE MERCADOS

Es una herramienta administrativa que utiliza medios
científicos y prácticos, y aprovecha la estadística y el
análisis para suministrar información con el fin de
tomar mejores decisiones en una empresa.
La investigación de mercados permite entender qué

factores influyen para que un producto tenga éxito, y
cómo estos cambian dependiendo de la etapa del ciclo de
vida en que pueda encontrarse dicho producto, conocer
cuáles son las verdaderas necesidades de los
consumidores, qué productos se necesitan, cuáles son los
productos que mejor satisfacen las necesidades, cuáles
son las tendencias, etc.
La investigación de mercados abarca desde la encuesta y

el estudio pormenorizado del mismo hasta la elaboración
de estadísticas para poder analizar las tendencias en el
consumo, y poder prever así la cantidad de productos y
la localización de los mercados más rentables para un
determinado tipo de bien o servicio.
Se debe hacer estudio de mercados, en alguno de los

12
siguientes casos:
Determinar los precios que está dispuesto a

pagar el comprador (mayorista, minorista,
consumidor).
Calcular la cantidad total del producto
(demanda) que puede absorber el mercado.
Conocer aspectos de mercadeo de la competencia.
Conocer el mercado para el lanzamiento de un
nuevo producto.
Determinar las zonas de ventas donde hay que
concentrar un máximo esfuerzo y aquellas en que hay
que abandonar.
Conocer y analizar los clientes actuales y los
clientes potenciales.
Analizar el comportamiento de nuestro producto
a través del tiempo y determinar la saturación.
Formas, sistemas de ventas (tradición del
mercado). Formas de compra (unidades, caja, docenas,
etc.), plazos y formas de pago.
4.4.1 Etapas de la investigación de mercados
4.4.1.1 Planeación de la investigación

En esta etapa se deben definir claramente los objetivos,
teniendo en cuenta los siguientes aspectos:
Enunciar claramente el problema.

Que el objetivo favorezca a la empresa.
Que se pueda realizar la investigación.
Que tenga en cuenta los inconvenientes que se
puedan presentar.
Que los puntos que se van a investigar no sean
muchos, máximo 4 o 5.
Una vez fijado el objetivo es conveniente buscar

información secundaria, que está constituida por los

13
estudios anteriores sobre el mismo problema u objetivo.

Cuando se va a llevar a cabo una investigación es
necesario utilizar los conceptos de universo y muestra.
Una muestra representativa es una parte del universo que
al examinarla o estudiarla cumple con todas las
especificaciones del universo. Para saber de qué tamaño
será la muestra, lo primero que hay que conocer es el
universo (personas, establecimientos, etc.) que
conforman la población. Posteriormente, se debe elaborar
un formulario o cuestionario, con base en preguntas que
los entrevistados deben responder y deben ser claros y
fáciles de contestar (Método Socrático).
4.4.1.2 Recopilación de datos

Es el trabajo de campo y se consideran las siguientes
actividades:
Prueba de formulario.
Entrenamiento de cuestionadores.
Escogencia de entrevistados – Zonificación:
Frecuentemente se hace de forma aleatoria.
Supervisión: Los supervisores responden por un
número de encuestadores y una zona.
Los últimos pasos son: Tabulación y Análisis.

14
SPSS es un sistema de análisis y de gestión de datos en

un entorno gráfico, que facilita el manejo de
información, índices y medidas estadísticas, con el fin
de interpretar de manera adecuada los datos de cualquier
tipo de investigación y así mejorar la toma de
decisiones en cualquier organización.
SPSS permite el análisis de datos para tomar las

decisiones acertadas y planear estrategias basadas en
predicciones sobre los clientes y mejorando las
relaciones con los actuales, captar a los clientes
potenciales que más le interesen y mantenerlos fieles en
el tiempo.
Este software brinda herramientas de análisis que

facilitan las investigaciones en distintos campos, uno
de ellos es el área de Mercados, y específicamente la
Investigación de Mercados.
Después de realizar una adecuada recolección de

información, SPSS nos facilita su análisis teniendo en
cuenta unos objetivos claros que brinden resultados
claros y concisos, acordes con la investigación.
5.1 NECESIDADES Y PREFERENCIAS DE LOS CLIENTES

El conocimiento de las necesidades y preferencias de los
clientes actuales y potenciales resulta cada vez más
complicado porque nos encontramos en un mundo cada vez
más global y competitivo. Saber cuáles son sus
necesidades y mantenerles fieles es vital para
sobrevivir en los mercados actuales.

15
El día a día en las relaciones con el cliente supone un

proceso continuo de aprendizaje para cubrir las
necesidades de los segmentos más pequeños. Conocer las
necesidades de estos segmentos es imprescindible para
crear las estrategias de marketing más adecuadas para
captar a los mejores clientes – clientes rentables –
mejorar las relaciones y fidelizarlos.
Para el análisis del mercado hay que saber cuáles son

las verdaderas necesidades de los consumidores, qué
producto necesitan, cuáles son los productos que los
satisfacen casi por completo para que el nuestro cubra
esas falencias, cuáles son las tendencias de estos
consumidores, para esto nos puede ayudar SPSS pero con
base en una encuesta bien hecha, donde se tengan claros
los objetivos y la información que necesitamos, es
decir, no hacer preguntas por hacer ya que cansaríamos
al encuestado y serían datos irrelevantes a la hora de
la aplicación del programa.
5.2 ENCUESTAS DE SATISFACCIÓN

Estas encuestas contribuyen en la necesidad de
satisfacer a los clientes actuales, empleados, miembros
y pacientes para que permanezcan en la organización.
Asegurar su satisfacción es vital para la supervivencia
y la rentabilidad de un negocio a largo plazo.
Una excelente satisfacción del cliente es una de las

pocas formas de lograr una ventaja competitiva
sostenible, además la fidelidad de los clientes y
empleados afectan al éxito de la organización, lo que
puede ser difícil de cuantificar. La fidelidad de los
clientes expande su negocio incrementando la
participación en el mercado.

16
Los empleados, especialmente aquellos que tienen trato

con el público, impactan directamente en la satisfacción
del cliente.
Una parte esencial de la evaluación de la satisfacción

incluye evaluar la insatisfacción. Entender cuando y por
qué se manifiesta insatisfacción, le ayuda a implementar
cambios para ganar y retener clientes futuros y
empleados.
Hoy en día, las encuestas sobre satisfacción y los

cuestionarios se utilizan cada vez con mayor frecuencia.
Las encuestas de satisfacción son un vehículo importante

para recoger las opiniones y las necesidades de los
clientes.
Las organizaciones utilizan encuestas sobre satisfacción

para alcanzar estos objetivos:
Entender las expectativas y los requerimientos

de sus clientes, empleados, pacientes y miembros.
Determinar en que medida satisface su compañía
y sus competidores esas expectativas y
requerimientos.
Desarrollar estándares de servicio o producto
basándose en sus hallazgos.
Observar las tendencias de forma tal de poder
tomar acciones inmediatamente.
Establecer prioridades, objetivos y estándares
para evaluar si está alcanzando esos objetivos.
Evaluar el impacto que produce un cambio en una
política, producto o servicio.

17
Las organizaciones exitosas hacen del análisis de

satisfacción una parte integral de sus negocios.
Utilizan la estadística para traducir las respuestas en
información valiosa a fin de obtener el máximo de sus
datos.
Las estadísticas brindan una mayor percepción de sus

datos. Y una mayor percepción lleva a tomar mejores
decisiones.
Las encuestas de satisfacción le garantizan un alto

retorno de su inversión.
5.3 ANÁLISIS DE ENCUESTAS

Hoy en día, las organizaciones confían en la
investigación mediante el análisis de encuestas para
aprender y saber cuáles son sus necesidades.
El proceso de análisis de encuestas se desarrolla en

siete etapas:
1. Diseño del cuestionario.
2. Recogida de los datos.
3. Acceso a los datos.
4. Preparación de los datos.
5. Análisis de los datos.
6. Realización de informes de resultados.
7. Publicación de los resultados.

18
El menú analizar contiene una lista de categorías de

informes generales y de análisis estadísticos.
6.1 INFORMES
6.1.1 Resúmenes de casos
El procedimiento resumir calcula estadísticos de

subgrupo para las variables dentro de las categorías de
una o más variables de agrupación. Se cruzan todos los
niveles de las variables de agrupación. Puede elegir el
orden el que se mostrarán los estadísticos. También se
muestran estadísticos de resumen para cada variable a
través de todas las categorías. Los valores de los datos
en cada categoría pueden mostrarse en una lista o
suprimirse. Con grandes conjuntos de datos, tiene la
opción de listar sólo los primeros n casos.
Puede elegir uno o más de los siguientes estadísticos de

subgrupo para las variables dentro de cada categoría de
cada variable de agrupación: suma, número de casos,
media, mediana, mediana agrupada, error típico de la
media, mínimo, máximo, rango, valor de la variable para
la primera categoría de la variable de agrupación, valor
de la variable para la última categoría de la variable
de agrupación, desviación típica, varianza, curtosis,
error típico de curtosis, asimetría, error típico de
asimetría, porcentaje de la suma total, porcentaje del N
total, porcentaje de la suma en, porcentaje de N en,
media geométrica y media armónica.

19
6.1.2 Cubos OLAP
El procedimiento Cubos OLAP (On-line Analytic

Processing, “procesamiento analítico interactivo”),
calcula totales, medias y otros estadísticos univariados
para variables de resumen continuas dentro de las
categorías de una o más variables categóricas de
agrupación. En la tabla se creará una nueva capa para
cada categoría de cada variable de agrupación.
6.2 ANÁLISIS DESCRIPTIVO

6.2.1 Frecuencias
Esta tabla muestra el número y el porcentaje de personas

para cada categoría.
Una distribución de frecuencias informa sobre los

valores concretos que adopta una variable y sobre el
número (y porcentaje) de veces que se repite cada uno de
esos valores. El procedimiento Frecuencias permite
obtener distribuciones de frecuencias, pero además
contiene opciones para:
Calcular algunos de los estadísticos

descriptivos más utilizados (sobre tendencia central,
posición, dispersión, asimetría y curtosis).
Construir algunos diagramas básicos (gráficos
de barras, de sectores e histogramas).
Controlar el formato de presentación de las
distribuciones de frecuencias.
La utilización de estas opciones depende en gran medida

del hecho de que la variable estudiada sea categórica o
continua.
Los estadísticos que se manejan en este procedimiento

20
son:
1. Valores percentiles: Entre los cuales se destacan:
Cuartiles: Calcula los percentiles 25, 50 y 75,

es decir, los valores por debajo de los cuales se
encuentra el 25%, el 50% y el 75% de los casos,
respectivamente.
Puntos de corte para k grupos iguales: Calcula
los k-1 valores que dividen la muestra en k grupos
del mismo tamaño.
Percentiles: Permite solicitar percentiles
concretos (valores que acumulan un determinado
porcentaje de casos).
2. Tendencia central:
Media: La media aritmética suma todas las

puntuaciones dividida por el número de puntuaciones.
Mediana: Valor por debajo del cual se encuentra
el 50% de los casos (equivale al percentil 50).
Moda: Valor que más se repite.
Suma: Suma todos los valores.
3. Dispersión:
Desv. Típica: Raíz cuadrada de la varianza.

Mide el grado en que las puntuaciones de la variable
se alejan de su media.
Varianza: Medida de dispersión que se obtiene
dividiendo por n-1 la suma de los cuadrados de las
diferencias entre cada puntuación y la media.
Amplitud: Diferencia entre el valor más grande
(máximo) y el más pequeño (mínimo).
Mínimo: Valor más pequeño.
Máximo: Valor más grande.
E.T. Media: Error típico de la media:
21
Desviación típica de la distribución muestral de la

media.
4. Distribución:
Asimetría: La asimetría positiva indica que los

valores más extremos se encuentran por encima de la
media. La asimetría negativa indica que los valores
más extremos se encuentran por debajo de la media.
Los índices de asimetría próximos a cero indican
simetría. Índices tipificados mayores que 1,96 en
valor absoluto permiten afirmar que existe asimetría
(positiva o negativa, dependiendo del signo del
índice).
Curtosis: Índice que expresa el grado en que
una distribución acumula casos en sus colas en
comparación con los casos acumulados en las colas de
una distribución normal con la misma varianza. La
curtosis positiva indica que en las colas de la
distribución hay acumulados más casos que en las
colas de una distribución normal.
6.2.1.1 Tipos de datos

Hay diferentes medidas de resumen adecuadas a diferentes
tipos de datos dependiendo del nivel de medida:
Categóricos: Datos con un número limitado de

valores o categorías distintas (por ejemplo, género o
estado civil). También se hace referencia a estos
datos como datos cualitativos. Las variables
categóricas pueden ser variables de cadena
(alfanuméricas) o variables numéricas que utilizan
códigos numéricos para representar las categorías.
Hay dos tipos básicos de datos categóricos:
Nominales: Datos categóricos en los que

las categorías no tienen un orden inherente.
Ordinales: Datos categóricos en los que
las categorías tienen un orden con significado,
pero sin una distancia medible entre las

22
categorías.
De escala: Datos medidos en una escala de

intervalo o de razón en los que los valores de los
datos indican el orden de los valores y la distancia
entre ellos. También se hace referencia a estos datos
como datos cuantitativos o continuos.
6.2.1.2 Medidas de resumen

Para los datos categóricos, la medida de resumen más
habitual es el número o el porcentaje de casos de cada
categoría. La moda es la categoría que contiene el mayor
número de casos. Para los datos ordinales, la mediana
(el valor por debajo y por encima del cual se encuentran
la mitad de los casos) también puede ser una medida de
resumen útil si hay un gran número de categorías.
Hay muchas medidas de resumen disponibles para variables

de escala, incluyendo:
Medidas de tendencia central: Las medidas de

tendencia central más comunes son la media (media
aritmética) y la mediana (valor por debajo y por
encima del cual se encuentran la mitad de los casos).
Medidas de dispersión: Los estadísticos que
miden la dispersión o variación en los datos incluyen
la desviación típica, mínimo y máximo.
6.2.2 Descriptivos
El procedimiento Descriptivos muestra estadísticos de

resumen univariados para varias variables en una única
tabla y calcula valores tipificados (puntuaciones z).
Las variables se pueden ordenar por el tamaño de sus
medias (en orden ascendente o descendente),
alfabéticamente o por el orden en el que se seleccionen
las variables (el valor por defecto).

23
Los valores tipificados, también llamados puntuaciones

típicas o puntuaciones z (z scores), expresan el número
de desviaciones típicas que cada valor se aleja de su
media.
6.2.2.1 Puntuaciones típicas y curva normal

En muchas de las variables que podemos medir, la mayoría
de los valores se encuentran próximos al centro de la
distribución y van siendo menos frecuentes a medida que
va aumentando la distancia al centro. Este tipo de
distribuciones tienen forma de campana, y el ejemplo más
típico es una distribución teórica llamada curva normal.
Teorema central del límite: Si los datos que recogemos

son debidos a la suma de cierto número de causas
independientes entre sí, cada una con un efecto parcial,
siempre que la desviación típica de estos efectos sea
finita, la distribución de los datos recogidos se
asemejará tanto más a la curva normal cuanto más datos
recojamos (cualquiera que sea la distribución original
de esos efectos parciales).
Características:
Tiene forma de campana (campana de Gauss). Los

valores centrales de la distribución son mucho más
probables que los valores que se van alejando del
centro de la distribución.
Es simétrica respecto a su valor central. Las
medidas de tendencia central coinciden.
Es asintótica respecto al eje de abscisas (por
mucho que se extienda nunca llega a tocarlo).
Los puntos de inflexión de la curva se
encuentran a una desviación típica por encima y por
debajo de la media.
Cualquier combinación lineal de variables
normalmente distribuidas también se distribuye según

24
el modelo de probabilidad normal.
El hecho de que la distribución normal tabulada tenga

media 0 y desviación típica 1 permite que cualquier
variable pueda ser transformada en otra variable
equivalente con media 0 y desviación típica 1 sin que se
alteren sus propiedades. A esta transformación la
llamamos tipificación o estandarización.
6.3 ANÁLISIS EXPLORATORIO

6.3.1 Explorar
Permite hacer una exploración minuciosa de los datos

permite identificar, posibles errores, valores extremos,
pautas extrañas en los datos, variabilidad no esperada,
etc.
6.3.1.1 Estadísticos
Descriptivos: Permiten determinar el intervalo

de confianza para la media.
Estimadores robustos centrales: Son estimadores
de tendencia central basados en el método de máxima
verosimilitud. Un estimador robusto central o
estimador-M no es más que una media ponderada en la
que los pesos asignados a los casos dependen de la
distancia de cada caso al centro de la distribución:
los casos centrales reciben un peso de 1 y los demás
valores reciben un peso tanto menor cuanto más
alejados se encuentran del centro.
Cuando las distribuciones son muy asimétricas, es
preferible utilizar como índices de tendencia central,
en lugar de la media aritmética, los estimadores-M.
Valores atípicos: Muestra los 5 casos con

valores más pequeños y los 5 casos con valores más
grandes.
25
Percentiles: Muestra los percentiles 5, 10, 25,

50, 75, 90 y 95. Los resultados también muestran las
bisagras de Tukey: La primera bisagra (similar al
percentil 25) es el valor que ocupa la posición
intermedia entre la mediana y el valor más pequeño de
la distribución, la segunda bisagra es la mediana, la
tercera bisagra (similar al percentil 75) es el valor
que ocupa la posición intermedia entre la mediana y
el valor más grande la distribución.
6.3.1.2 Gráficos
Diagramas de caja: El diagrama incluye la

mediana, los percentiles 25 y 75 (las bisagras de
Tukey), y una serie de valores atípicos (atípicos
extremos), etc.
Niveles de los factores juntos: Muestra un
gráfico diferente para cada variable
dependiente. En cada uno de esos gráficos
aparecen juntos los diagramas de caja
correspondientes a los grupos definidos por una
variable factor.
Una mediana desplazada del centro de la caja delata la

presencia de asimetría. Si está desplazada hacia abajo
indica asimetría positiva. Las cajas (cuya altura
representa la amplitud intercuartílica) muestran el
grado de dispersión del 50% de los casos centrales. Los
bigotes y los casos atípicos y extremos indican hacia
dónde se desplazan los valores más alejados del centro.
Si los valores extremos y atípicos se encuentran en la
parte alta de las distribuciones, indica, asimetría
positiva.
Dependientes juntas: Muestra un gráfico

diferente para cada grupo de los definidos por
la variable factor. En cada uno de esos
gráficos aparecen juntos los diagramas de caja
correspondientes a cada variable dependiente.
Podemos extraer las mismas conclusiones que con
los diagramas anteriores.

26
Diagramas descriptivos:
Tallo y hojas: La longitud de las líneas
refleja el número de casos que pertenecen a
cada intervalo. Cada caso (o grupo de casos)
está representado por un número que coincide
con el valor de ese caso en la variable. En un
diagrama de tallo y hojas cada valor se
descompone en dos partes: el primer o primeros
dígitos (el tallo o stem) y el dígito que sigue
a los utilizados en el tallo (las hojas o
leaf).
Cada tallo puede ocupar una o más filas. Si un tallo

ocupa una sola fila, sus hojas contienen dígitos del 0 a
l 9. Si ocupa dos filas, las hojas de la primera fila
contienen dígitos del 0 al 4 y las de la segunda fila
dígitos del 5 al 9, etc.
El ancho del tallo viene indicado en la parte inferior

del diagrama (stem width). Las hojas completan la
información del tallo. El número de casos que representa
cada hoja (cada hoja puede representar a más de un caso)
viene indicado en each leaf.
Cuando el ancho del tallo vale 10, los dígitos de las

hojas son unidades, cuando el ancho del tallo vale 100,
los dígitos de las hojas son decenas, cuando el ancho
del tallo vale 1000, los dígitos de las hojas son
centenas, etc.
La última fila del diagrama muestra el número de casos

con valores extremos y los valores concretos que toman
esos casos.
Histograma: Un histograma se construye

agrupando los datos en intervalos de la misma
27
amplitud y levantando barras de altura

proporcional al número de casos de cada
intervalo.
Gráficos con prueba de normalidad:
Muchos de los procedimientos estadísticos se apoyan en

dos supuestos básicos:
1. Normalidad: Las muestras proceden de poblaciones

normalmente distribuidas.
Los gráficos con prueba de normalidad permiten obtener
dos gráficos de normalidad (Q-Q normal y Q-Q normal sin
tendencia) junto con dos pruebas de significación:
Kolmogorov-Smirnov y Shapiro-Wilk.
Las pruebas de significación permiten contrastar la

hipótesis de que las muestras obtenidas proceden de
poblaciones normales. Las probabilidades de Lillieffors
son para el caso en el que la media y la varianza
poblacionales son desconocidas y necesitan ser
estimadas. En el caso de que el tamaño muestral sea
igual o menor que 50 ofrece además el estadístico de
Shapiro y Wilk.
Rechazaremos la hipótesis de normalidad cuando el nivel

crítico (Sig.) sea menor que el nivel de significación
establecido (generalmente 0,05). El problema de estos y
otros estadísticos de normalidad es que, con muestras
muy grandes, son demasiado sensibles a pequeñas
desviaciones de la normalidad.
En un gráfico Q-Q normal, cada valor observado (Yi) es

comparado con la puntuación típica Nzi. Cuando una
muestra procede de una población normal, los puntos
28
correspondientes a cada par se encuentran agrupados en

torno a la diagonal representada en el diagrama. Las
desviaciones de la diagonal indican desviaciones de la
normalidad.
Un gráfico Q-Q normal sin tendencia muestra las

diferencias existentes entre la puntuación típica
observada de cada valor (Zi) y su correspondiente
puntuación típica normal (NZi). Muestra las distancias
verticales existentes entre cada punto del gráfico Q-Q
normal y la recta diagonal. Si la muestra procede de una
población normal, esas diferencias deben oscilar de
forma aleatoria en torno al valor cero (línea recta
horizontal). La presencia de pautas de variación no
aleatorias indica desviaciones de la normalidad.
Cuando una muestra de puntuaciones se distribuye

normalmente, los puntos del diagrama Q-Q normal se
ajustan a la diagonal y los puntos del diagrama Q-Q
normal sin tendencia se distribuyen aleatoriamente sin
mostrar una pauta clara. Cuando una muestra de
puntuaciones procede de una distribución uniforme o de
una distribución ji-cuadrado, los puntos del diagrama Q-
Q normal no se ajustan a la diagonal y los puntos del
diagrama Q-Q normal sin tendencia muestran una pauta de
variación claramente no aleatoria.
2. Homocedasticidad u homogeneidad de varianzas:

Todas esas poblaciones normales poseen la misma
varianza.
Dispersión por nivel con prueba de Levene:
1. La prueba de Levene para contrastar la hipótesis de

que los grupos definidos por la variable factor proceden
de poblaciones con la misma varianza.

29
2. Un gráfico de dispersión de la variable dependiente

en cada nivel definido por la variable factor (gráfico
de dispersión por nivel).
La prueba de Levene consiste en llevar a cabo un

Análisis de varianza de un factor utilizando como
variable dependiente la diferencia en valor absoluto
entre cada puntuación individual y la media (o la
mediana, o la media acortada) de su grupo.
El nivel crítico (Sig.) asociado al estadístico de

Levene permite contrastar la hipótesis de homogeneidad
de varianzas: si el valor del nivel crítico es menor que
0,05, podemos rechazar la hipótesis de homogeneidad.
Estimación de potencia: Cuando se incumple

el supuesto de homogeneidad de varianzas
(supuesto necesario para poder utilizar con
garantía algunos procedimientos estadísticos
como el análisis de varianza), es práctica
frecuente aplicar algún tipo de transformación
a los datos originales para conseguir
homogeneizar las varianzas.
Una transformación basada en potencias consiste en

elevar las puntuaciones originales a una potencia
específica. Cuando las varianzas son iguales, los puntos
del gráfico se encuentran a la misma altura, es decir,
alineados horizontalmente. El hecho de que los puntos no
se encuentren horizontalmente alienados indica que las
varianzas no son homogéneas.
El gráfico también muestra el valor de la pendiente de

la recta de regresión obtenida por el método de mínimos
cuadrados (Inclinación = 0,973). La estimación del valor
de esa potencia se obtiene restando a uno el valor de la
30
pendiente de la recta de regresión. Lo habitual es

utilizar potencias redondeadas a múltiplos de 0,5
(incluyendo el cero). Algunas de las potencias más
utilizadas para transformar datos son las siguientes: -1
= recíproco; -1/2 = recíproco de la raíz cuadrada; 0 =
logaritmo natural; ½ = raíz cuadrada; 1 = sin
transformación; 2 = cuadrado; 3 = cubo.
Transformados: Todas estas

transformaciones intentan homogeneizar las
varianzas alterando (aumentando en unos casos y
disminuyendo en otros) las varianzas de las
distribuciones y corrigiendo el grado de
asimetría.
La transformación logarítmica es apropiada para corregir

distribuciones positivamente asimétricas. En la
transformación raíz cuadrada (si los valores de la
variable transformada son pequeños, es conveniente sumar
0,5 a cada puntuación antes de obtener la raíz
cuadrada). La transformación de los valores en sus
recíprocos es adecuada cuando existen valores muy
extremos por el lado positivo. Las transformaciones
cuadrado y cubo permiten corregir, cada una en distinto
grado, la asimetría negativa.
No transformados: Permite obtener la

prueba de Levene y el gráfico de dispersión por
nivel a partir de los datos originales, sin
ningún tipo de transformación (utilizar una
potencia de 1).

31
6.4 ANÁLISIS DE VARIABLES CATEGÓRICAS
6.4.1 Tablas de contingencia
Las variables categóricas son variables sobre las que

únicamente es posible obtener una medida de tipo nominal
(u ordinal, pero con muy pocos valores).
Cuando se trabaja con variables categóricas, los datos

suelen organizarse en tablas de doble entrada en las que
cada entrada representa un criterio de clasificación
(una variable categórica). Las frecuencias (el número o
porcentaje de casos) aparecen organizados en casillas
que contienen información sobre la relación existente
entre ambos criterios. A estas tablas de frecuencias se
les llama tablas de contingencia.
El procedimiento Tablas de contingencia permite obtener

tablas de contingencia bidimensionales. Pero, además,
incluye la posibilidad de añadir terceras variables
(variables de segmentación) para definir subgrupos o
capas y obtener así tablas multidimensionales.
6.4.1.1 Tablas de contingencia segmentadas

El procedimiento Tablas de contingencia también permite
cruzar variables categóricas teniendo en cuenta los
niveles o categorías de una o más variables adicionales.
Al seleccionar una variable de segmentación, el SPSS

genera una tabla con tres dimensiones: la variable fila,
la variable columna y la variable de segmentación.
Es posible utilizar más de una variable de segmentación

llevando más de una variable a la lista del recuadro
32
Capa 1 de 1. Al hacer esto, el SPSS genera una tabla de

contingencia separada para cada variable de segmentación
seleccionada.
Y si en lugar de seleccionar más de una variable en la

misma capa, se seleccionan variables en distintas capas,
la tabla de contingencia pasa a tener una nueva
dimensión por cada capa adicional.
6.4.1.2 Estadísticos
Para determinar si dos variables se encuentran
relacionadas debemos utilizar alguna medida de
asociación, preferiblemente acompañada de su
correspondiente prueba de significación.
Chi cuadrado: Proporciona un estadístico

(también conocido como X2 o ji-cuadrado) que permite
contrastar la hipótesis de que los dos criterios de
clasificación utilizados (las dos variables
categóricas) son independientes. Compara las
frecuencias observadas (las frecuencias de hecho
obtenidas) con las frecuencias esperadas (las
frecuencias que teóricamente deberíamos haber
encontrado en cada casilla si los dos criterios de
clasificación fueran independientes). Bajo la
condición de independencia, la frecuencia esperada de
una casilla concreta se obtiene dividiendo el
producto de las frecuencias marginales
correspondientes a esa casilla (su total de fila y su
total de columna) por el número total de casos).
El estadístico valdrá cero cuando las variables sean

completamente independientes (pues las frecuencias
observadas y las esperadas serán iguales), y que el
valor del estadístico será tanto mayor cuanto mayor sea
la discrepancia entre las frecuencias observadas y las
esperadas (discrepancia que será tanto mayor cuanto
mayor sea la relación entre las variables).

33
Si los datos son compatibles con la hipótesis de

independencia, la probabilidad asociada al estadístico
X2 será alta (mayor de 0,05). Si esa probabilidad es muy
pequeña (menor que 0,05), consideraremos que los datos
son incompatibles con la hipótesis de independencia y
concluiremos que las variables estudiadas están
relacionadas.
Si existen frecuencias esperadas menores que 5, éstas no

deben superar el 20 por ciento del total de frecuencias
esperadas.
La razón de verosimilitud se distribuye e interpreta

igual que X2).
Correlaciones: El coeficiente de correlación de

Pearson es una medida de asociación lineal
especialmente apropiada para estudiar la relación
entre variable de intervalo o razón.
El coeficiente de correlación de Spearman es también una

medida de asociación lineal, pero para variables
ordinales.
Datos nominales: Para estudiar el grado de

relación existente entre dos variables se utilizan
medidas de asociación que intentan cuantificar ese
grado de relación eliminando el efecto del tamaño
muestral.
Para seleccionar una medida concreta, además de las

características particulares de cada medida, hay que
tener en cuenta cosas tales como el tipo de variables
estudiadas y la hipótesis que interesa contrastar.

34
Las medidas nominales sólo aprovechan información

nominal. Únicamente informan del grado de asociación
existente, no de la dirección o naturaleza de tal
asociación.
1. Medidas basadas en chi-cuadrado: Son medidas que

intentan corregir el valor del estadístico X2 para
hacerle tomar un valor entre 0 y 1, y para minimizar
el efecto del tamaño de la muestra sobre la
cuantificación del grado de asociación.
Coeficiente de contingencia: Toma valores

entre 0 y 1, pero difícilmente llega a 1. Su
valor máximo depende del número de filas y
columnas. Un coeficiente de 0 indica
independencia, mientras que un coeficiente que
alcanza su valor máximo indica asociación
perfecta.
Phi y V de Cramer: En tablas de
contingencia 2 x 2, phi adopta valores entre 0
y 1, y su valor es idéntico al del coeficiente
de correlación de Pearson.
En tablas en las que una de las variables tiene más de

dos niveles, phi puede tomar valores mayores que 1 (pues
el valor de X2 puede ser mayor que el tamaño muestral).
La V de Cramer nunca excede de 1. En tablas de

contingencia 2 x 2, los valores V Cramer y phi son
idénticos.
2. Medidas basadas en la reducción proporcional del

error (RPE): Son medidas de asociación que expresan
la proporción en que conseguimos reducir la
probabilidad de cometer un error de predicción
cuando, al intentar clasificar un caso o grupo de
35
casos como pertenecientes a una u otra categoría de

esa variable, en lugar de utilizar únicamente las
probabilidades asociadas a cada categoría de esa
variable, efectuamos la clasificación teniendo en
cuenta las probabilidades de las categorías de esa
variable en cada categoría de una segunda variable.
Lambda: Si al predecir a qué categoría de

una determinada variable (X) pertenece un caso
decimos que pertenece a la categoría más
probable de todas, estaremos cometiendo un
error de predicción igual a la probabilidad de
pertenecer a una cualquiera de las restantes
categorías; si, en lugar de esto, clasificamos
a ese caso en una u otra categoría de la
variable X dependiendo de a qué categoría de
una segunda variable (Y) pertenece, podemos
estar consiguiendo una reducción en el error de
predicción (lo cual ocurrirá si las dos
variables están relacionadas). El coeficiente
lambda expresa la proporción de error de
predicción que conseguimos reducir al proceder
de esta segunda manera.
Lambda tiene tres versiones: dos asimétricas (para

cuando una de las dos variables se considera
independiente y la otra dependiente) y una simétrica
(para cuando no existe razón para distinguir entre
variable independiente y dependiente).
Lambda toma valores entre 0 y 1. Un valor de 0 indica

que la variable independiente (la variable utilizada
para efectuar pronósticos) no contribuye en absoluto a
reducir el error de predicción. Un valor de 1 indica que
el error de predicción se ha conseguido reducir por
completo, es decir, que la variable independiente
permite predecir con toda precisión a qué categoría de
la variable dependiente pertenecen los casos
clasificados. Cuando dos variables son estadísticamente
independientes, lambda vale 0. Lambda únicamente es

36
sensible a un tipo particular de asociación: a la

derivada de la reducción en el error que se consigue al
predecir las categorías de una variable utilizando las
de la otra.
La medida de asociación tau, se basa en la probabilidad

de pertenecer a cada categoría, en lugar de considerar
sólo la categoría más probable, como hemos hecho con
lambda.
Tau también toma valores entre 0 y 1, significando el 0

ausencia de reducción del error de clasificación y el 1
reducción completa.
Coeficiente de incertidumbre: Es una

medida de asociación basada en la reducción
proporcional del error. Es una medida que
expresa el grado de incertidumbre que
conseguimos reducir cuando utilizamos una
variable para efectuar pronósticos sobre otra.
Posee dos versiones asimétricas (dependiendo de cuál de

las dos variables consideremos dependiente) y una
simétrica (para cuando no hacemos distinción entre
variable independiente y dependiente).
Datos ordinales
Con datos ordinales ya tiene sentido hablar de la
dirección de la relación: una relación positiva indica
que los valores altos de una variable se asocian con los
valores altos de la otra, y los valores bajos, con
valores bajos; una relación negativa indica que los
valores altos de una variable se asocian con los valores
bajos de la otra, y los valores bajos con valores altos.

37
Si los dos valores de un caso en ambas variables son

mayores (o menores) que los dos valores de otro caso,
decimos que entre esos casos se da una no inversión (P).
Si el valor de un caso en una de las variables es mayor
que el de otro caso, y en la otra variable el valor del
segundo caso es mayor que el del primero, decimos que se
da una inversión (Q). Si dos casos tienen valores
idénticos en una o en las dos variables, decimos que se
da un empate (E). Cuando predominan las no inversiones,
la relación es positiva: conforme aumentan (o
disminuyen) los valores de una de las variables,
aumentan (o disminuyen) los de la otra. Cuando
predominan las inversiones, la relación es negativa:
conforme aumentan (o disminuyen) los valores de una de
las variables, disminuyen (o aumentan) los de la otra.
Gamma: Uno de los coeficientes más

conocidos es el coeficiente gamma. Si la
relación entre dos variables es perfecta y
positiva, todos los pares (comparaciones entre
casos) serán no inversiones, gamma = 1. Si la
relación entre las variables es perfecta, pero
negativa, todos los pares serán inversiones,
gamma = -1. Si las variables son
independientes, habrá tantas inversiones como
no inversiones, gamma = 0.
d de Somers: Consiste en añadir en el
denominador de gamma el número de pares
empatados en la variable dependiente.
Tau-b de Kendall: Toma valores entre –1 y
+1 sólo en tablas de contingencia cuadradas y
si ninguna frecuencia marginal vale cero.
Tau-c de Kendall: Toma valores entre
aproximadamente –1 y +1 sea cual sea el número
de filas y de columnas de la tabla.
Nominal por intervalo: El coeficiente de

correlación eta sirve para cuantificar el grado de
asociación existente entre una variable cuantitativa
38
(medida en escala de intervalo o razón) y una

variable categórica (medida en escala nominal u
ordinal).
Se trata de un coeficiente de correlación que no supone

linealidad y cuyo cuadrado puede interpretarse como la
proporción de varianza de la variable cuantitativa que
está explicada por la variable categórica.
Índice de acuerdo (kappa): La opción Kappa

proporciona una medida del grado de acuerdo existente
entre dos observadores o jueces al evaluar una serie
de sujetos u objetos.
Una forma intuitiva de medir el grado de acuerdo entre

los dos jueces consiste en hacer un recuento del número
de coincidencias existentes entre ambos (es decir, del
número de casos que ambos jueces han clasificado de la
misma manera).
El problema de utilizar este porcentaje como índice de

acuerdo es que no tiene en cuenta la probabilidad de
obtener acuerdos por azar. Si suponemos que ambos jueces
son independientes, los casos que cabría esperar por
azar en las casillas de la diagonal pueden obtenerse
multiplicando las correspondientes frecuencias
marginales y dividiendo por el total de casos. El índice
kappa de Cohen se obtiene dividiendo esa diferencia por
la proporción de acuerdo máximo posible entre dos
jueces, la cual se obtiene restando a 1 la proporción de
acuerdo esperado por azar. Kappa toma valores entre 0
(acuerdo nulo) y 1 (acuerdo máximo).
Índices de riesgo: Las frecuencias de una tabla

de contingencia pueden obtenerse utilizando dos
estrategias básicas de recogida de datos: los datos
39
representan un corte temporal transversal: se recogen

en el mismo o aproximadamente el mismo punto
temporal.
Si medimos una o más variables en una muestra de sujetos

y hacemos seguimiento a esos sujetos para volver a tomar
una medida de esas mismas variables o de otras
diferentes, nos encontramos en una situación
longitudinal: las medidas se toman en diferentes puntos
temporales.
El seguimiento de los estudios longitudinales puede

hacerse hacia delante o hacia atrás. En loas diseños
longitudinales hacia delante, llamados diseños de
prospectivos o de cohortes, los sujetos son clasificados
en dos grupos con arreglo a la presencia o ausencia de
algún factor desencadenante y se les hace seguimiento
durante un espacio de tiempo hasta determinar la
proporción de sujetos de cada grupo en los que se da un
determinado desenlace objeto de estudio. En los diseños
longitudinales hacia atrás, también llamados
retrospectivos o de caso-control, se forman dos grupos
de sujetos a partir de la presencia o ausencia de una
determinada condición objeto de estudio y se hace
seguimiento hacia atrás intentando encontrar información
sobre la proporción en la que se encuentra presente en
cada muestra un determinado factor desencadenante.
En los diseños de cohortes, la medida de interés suele

ser el riesgo relativo: el grado en que la proporción de
desenlaces es más alta en un grupo que en el otro.
Un índice de riesgo de 1 indica que los grupos

considerados no difieren en la proporción de desenlaces.
En los diseños de caso-control podemos calcular la ratio

40
fumadores/no fumadores tanto en el grupo de sujetos con

problemas vasculares como en el grupo de sujetos sin
problemas, y utilizar el cociente entre ambas ratios
como una estimación del riesgo relativo. Un índice de
riesgo 1 indica que la probabilidad de encontrarnos con
el factor desencadenante es la misma en las dos cohortes
estudiadas.
Proporciones relacionadas (McNemar): Una

variante de los diseños longitudinales recién
estudiados consiste en medir una misma variable
dicotómica (éxito-fracaso, acierto-error, a favor-en
contra, etc.) en dos momentos temporales diferentes.
Se toma una medida de una variable dicotómica, se
aplica un tratamiento (o simplemente se deja pasar el
tiempo) y se vuelve a tomar una medida de la misma
variable a los mismo sujetos.
Estos diseños permiten contrastar la hipótesis nula de

igualdad de proporciones antes-después, es decir, la
hipótesis de que la proporción de éxitos es la misma en
la medida antes y en la medida después.
El estadístico de McNemar compara los cambios que se

producen entre el antes y el después en ambas
direcciones y determina la probabilidad de encontrar ese
número concreto de cambios si las proporciones antes-
después fueran iguales. Podremos rechazar la hipótesis
de igualdad de proporciones cuando los cambios en una
dirección sean significativamente más numerosos que en
la otra.
Si el número de cambios (en ambas direcciones) no es

demasiado grande, el SPSS intenta calcular la
probabilidad exacta de encontrar un número de cambios
como el observado o más alejado del valor esperado.

41
Combinación de tablas 2 x 2 (Cochran y Mantel-

Haenszel): Se trata de estudiar si existe o no
asociación entre una variable factor y una variable
respuesta, ambas dicotómicas, cuando se dispone de
información referida a varios estratos (distintos
grupos de edad o de sexo, pacientes con distinta
sintomatología, distintas dosis de fármaco, distintos
grupos étnicos, etc.).
Los estadísticos de Cochran y Mantel-Haenszel para

contrastar la hipótesis de independencia condicional, es
decir, la hipótesis de independencia entre las variables
factor y respuesta una vez que se ha controlado el
efecto de los estratos.
Si el nivel crítico asociado a ellos es menor que 0,05,

deberemos rechazar la hipótesis de independencia
condicional y concluir que, una vez controlado el efecto
de los estratos, las variables factor y respuesta están
asociadas.
Si se rechaza la hipótesis de independencia condicional,

el interés del investigador debe orientarse hacia la
cuantificación del grado de relación existente entre las
variables factor y respuesta. Para ello, el SPSS ofrece
una estimación del riesgo (odds-ratio) común para todos
los estratos. Pero esta estimación común sólo tiene
sentido si no existe interacción triple, es decir, si la
relación detectada es homogénea en todos los estratos.
6.4.1.3 Contenido de las casillas

Las casillas o celdas de una tabla de contingencia
pueden contener información muy variada (frecuencias
observadas, porcentajes, residuos, etc.).

42
Frecuencias:
Observadas: Número de casos resultantes de
la clasificación.
Esperadas: Número de casos que deberíamos
encontrar en cada casilla si las variables
utilizadas fueran independientes.
Residuos: Son las diferencias existentes entre

las frecuencias observadas y esperadas de cada
casilla. Son útiles para interpretar las pautas de
asociación presentes en una tabla.
No tipificados: Diferencia entre la
frecuencia observada y la esperada.
Tipificados: Residuo no tipificado
dividido por la raíz cuadrada de su
correspondiente frecuencia esperada.
Tipificados corregidos: Utilizando un
nivel de confianza de 0,95, podemos afirmar que
los residuos mayores de 1,96 delatan casillas
con más casos de los que debería haber en esa
casilla si las variables estudiadas fueran
independientes; mientras que los residuos
menores de –1,96 delatan casillas con menos
casos de los que cabría esperar bajo la
condición de independencia.
6.5 CONTRASTES SOBRE MEDIAS
6.5.1 Medias
El procedimiento Medias ofrece, como utilidad

fundamental, estadísticos descriptivos que pueden
calcularse teniendo en cuenta los distintos grupos y
subgrupos definidos por una o más variables
independientes.

43
El SPSS ofrece información descriptiva para cada uno de

los grupos definidos por los niveles de las variables
independientes seleccionadas, es decir, sin combinar
entre sí los niveles de las distintas variables
independientes.
6.5.2 Prueba T para una muestra
Permite contrastar hipótesis referidas a una media

poblacional. Para que el estadístico T se ajuste
apropiadamente al modelo de distribución de probabilidad
t de Student, es necesario que la población muestreada
sea normal. No obstante, con tamaños muestrales grandes,
el ajuste de T a la distribución t de Student es lo
suficientemente bueno incluso con poblaciones originales
sensiblemente alejadas de la normalidad.
El intervalo de confianza, permite establecer, en escala

porcentual, el nivel de confianza con el deseamos
obtener el intervalo de confianza para la diferencia
entre la media muestral y el valor de prueba. El valor
de k es, por defecto, 95, pero es posible seleccionar
cualquier otro valor comprendido entre 0,01 y 99,99.
Un intervalo de confianza sirve para tomar una decisión

sobre la misma hipótesis nula que permite contrastar el
estadístico T: cuando el nivel crítico bilateral
asociado al estadístico T es menor que 0,05, el
intervalo de confianza obtenido al 95% no incluye el
valor cero.
El nivel crítico muestra el grado de compatibilidad

entre el valor poblacional propuesto y la información
muestral disponible: si el nivel crítico es pequeño
(generalmente menor que 0,05), concluiremos que los
datos se muestran incompatibles con la hipótesis de que
44
el verdadero valor de la media poblacional es el

propuesto.
Los límites inferior y superior también permiten decidir

sobre el valor propuesto para la media poblacional: si
los límites incluyen el valor cero, podemos concluir que
los datos muestrales son compatibles con el valor
poblacional propuesto y, en consecuencia, mantener Ho;
si los límites no incluyen el valor cero, debemos
concluir que los datos son incompatibles con el valor
propuesto y, consecuentemente, rechazar Ho.
El supuesto de normalidad sólo es exigible con muestras

pequeñas.
6.5.3 Prueba T para muestras independientes
Permite contrastar hipótesis referidas a la diferencia

entre dos medias independientes.
La prueba T que permite contrastar esta hipótesis de

igualdad de medias es una tipificación de la diferencia
entre las dos medias muestrales que se obtiene restando
a esa diferencia su valor esperado en la población y
dividiendo el resultado por el error típico de la
diferencia.
El contraste de Levene (F) sobre homogeneidad o igualdad

de varianzas, nos permite decidir si podemos o no
suponer que las varianzas poblacionales son iguales: si
la probabilidad asociada al estadístico de Levene es
mayor que 0,05, podremos suponer que las varianzas
poblacionales son iguales; si la probabilidad asociada
al estadístico de Levene es menor que 0,05, rechazaremos
la hipótesis de igualdad de varianzas y supondremos que

45
son distintas.
6.5.4 Prueba T para muestras relacionadas
Permite contrastar hipótesis referidas a la diferencia

entre dos medias relacionadas.
Tenemos dos muestras relacionadas (o una muestra de

pares de puntuaciones) que convertimos en una sola
muestra de diferencias restando las puntuaciones de cada
par.
Para que el valor T se ajuste aproximadamente al modelo

de distribución de probabilidad t de Student, es
necesario que la población de diferencias sea normal.
Con tamaños muestrales grandes el ajuste del estadístico
T a la distribución t de Student es lo suficientemente
bueno incluso con poblaciones originales alejadas de la
normalidad.
6.6 ANÁLISIS DE VARIANZA DE UN FACTOR
6.6.1 ANOVA de un factor
Sirve para comparar varios grupos en una variable

cuantitativa. A la variable categórica (nominal u
ordinal) que define los grupos que deseamos comparar la
llamamos independiente o factor y la representamos por
VI. A la variable cuantitativa (de intervalo o razón) en
la que deseamos comparar los grupos la llamamos
dependiente y la representamos por VD.
El ANOVA de un factor permite obtener información sobre

46
el resultado de esa comparación.
La hipótesis que se pone a prueba en el ANOVA de un

factor es que las medias poblacionales (las medias de la
VD en cada nivel de la VI) son iguales. Si las medias
poblacionales son iguales, eso significa que los grupos
no difieren en la VD y que, en consecuencia, la VI o
factor es independiente de la VD.
La estrategia para poner a prueba la hipótesis de

igualdad de medias consiste en obtener un estadístico,
llamado F, que refleja el grado de parecido existente
entre las medias que se están comparando.
Si las medias poblacionales son iguales, las medias

muestrales serán parecidas, existiendo entre ellas tan
sólo diferencias atribuibles al azar. Cuanto más
diferentes sean las medias, mayor será el valor de F.
Si las poblaciones muestreadas son normales y sus

varianzas son iguales, el estadístico F se distribuye
según el modelo de probabilidad F de Fisher-Snedecor.
Si el nivel crítico asociado al estadístico F (es decir,

si la probabilidad de obtener valores como el obtenido o
mayores) es menor que 0,05, rechazaremos la hipótesis de
igualdad de medias y concluiremos que no todas las
medias poblacionales comparadas son iguales. En caso
contrario, no podremos rechazar la hipótesis de igualdad
y no podremos afirmar que los grupos comparados difieran
en sus promedios poblacionales.
La variable dependiente es aquella en la cual deseamos

comparar los grupos. La variable factor es la variable

47
que define los grupos que deseamos comparar.
6.6.1.1 Homogeneidad de varianzas

El estadístico F del ANOVA de un factor se basa en el
cumplimiento de dos supuestos fundamentales: normalidad
y homocedasticidad.
Normalidad significa que la variable dependiente se

distribuye normalmente en las J poblaciones muestreadas
(tantas como grupos definidos por la variable
independiente o factor). No obstante, si los tamaños de
los grupos son grandes, el estadístico F se comporta
razonablemente bien incluso con distribuciones
poblacionales sensiblemente alejadas de la normalidad.
Homocedasticidad o igualdad de varianzas significa que

las J poblaciones muestreadas poseen la misma varianza.
Con grupos de distinto tamaño, el incumplimiento de este
supuesto debe ser cuidadosamente vigilado.
6.6.1.2 Comparaciones post hoc o a posteriori

Comparaciones entre pares de grupos.
El estadístico F del ANOVA únicamente nos permite

contrastar la hipótesis general de que los J promedios
comparados son iguales. Al rechazar esa hipótesis,
sabemos que las medias poblacionales comparadas no son
iguales, pero no sabemos dónde en concreto se encuentran
las diferencias.
Para saber qué media difiere de qué otra debemos

utilizar un tipo particular de contrastes denominados
comparaciones múltiples post hoc o comparaciones a
posteriori. Estas comparaciones permiten controlar la

48
tasa de error al efectuar varios contrastes utilizando

las mismas medias, es decir, permiten controlar la
probabilidad de cometer errores tipo I al tomar varias
decisiones (los errores tipo I se cometen cuando se
decide rechazar una hipótesis nula que en realidad no
debería rechazarse).
Los procedimientos post hoc permiten, una vez rechazada
la hipótesis general del ANOVA de que todas las medias
son iguales, averiguar qué medias en concreto difieren
de qué otras.
Asumiendo varianzas iguales la mejor opción es Tukey y

no asumiendo varianzas iguales la opción podría ser
Games-Howell.
6.6.1.3 Comparaciones pareadas o a priori

La opción Contrastes permite solicitar comparaciones de
tendencia y definir cualquier otro tipo de comparación
entre medias que se nos ocurra plantear.
Polinómico: Permite obtener comparaciones de

tendencia. Si el estadístico F lleva al rechazo de la
hipótesis de igualdad de medias, eso significa que no
todas las medias son iguales y, por tanto, que la
variable independiente (VI) y la dependiente (VD)
están relacionadas. En ese caso, si la VI es
cuantitativa, la opción Polinómico permite determinar
cuál es el tipo de relación (lineal, cuadrática,
cúbica, etc.) existente entre la VI y la VD.
Cada polinomio o tendencia es un componente ortogonal

(independiente) de la suma de cuadrados intergrupos. El
número máximo de polinomios o tendencias que podemos
obtener es el número de grados de libertad de la suma de
cuadrados intergrupos. Si los niveles de la VI están
igualmente espaciados y todos los grupos tienen el mismo
tamaño, la salida de SPSS ofrece una solución no
ponderada en la que cada polinomio o tendencia es,
49
efectivamente, un componente independiente de la suma de

cuadrados intergrupos. Si los niveles de la VI no están
igualmente espaciados y/o los grupos no tienen el mismo
tamaño, la salida ofrece, además de la no ponderada, una
solución ponderada en la que, para conseguir componentes
independientes, se tiene en cuenta el distanciamiento
existente entre los niveles de la VI y/o el distinto
tamaño de los grupos.
Coeficientes: Permite definir contrastes

personalizados mediante la asignación de coeficientes
concretos a los distintos grupos que se desea
comparar. Estamos comparando dos cosas: una media con
otra, una media con varias, varias medias con varias,
etc. Es necesario vigilar que los coeficientes
asignados a los grupos de uno de los términos
comparados sean positivos y los coeficientes
asignados a los grupos del otro término sean
negativos.
El orden en el que se asignan los coeficientes se

corresponde con el orden ascendente de los códigos de
los niveles de la variable independiente (el primer
coeficiente corresponde al grupo con el código más
pequeño). Hay que asignar tantos coeficientes como
grupos; por tanto, a los grupos que no intervengan en un
contraste concreto se les debe asignar un cero.
Para definir un contraste de tipo lineal, los

coeficientes asignados deben sumar cero. Es posible
definir hasta 10 contrastes diferentes con un máximo de
50 coeficientes por contraste.

50
6.7 ANÁLISIS DE VARIANZA FACTORIAL
6.7.1 Modelo lineal general: Univariante
Los modelos factoriales de análisis de varianza

(factorial = más de un factor) sirven para evaluar el
efecto individual y conjunto de dos o más factores
(variables independientes categóricas) sobre una
variable dependiente cuantitativa.
Utilizar más de un factor en un mismo diseño posee la

ventaja de poder estudiar el efecto de la interacción
entre los factores.
En un modelo de dos factores, los efectos de interés son

tres: los dos efectos principales (uno por cada factor)
y el efecto de la interacción entre ambos factores. En
modelo de tres factores, los efectos de interés son
siete: los tres efectos principales, los tres efectos de
las interacciones dobles (uno por cada interacción entre
cada dos factores) y el efecto de la interacción triple
(entre los tres factores), etc.
El procedimiento Univariante incluye todos estos modelos

factoriales de ANOVA.
6.7.1.1 Análisis de varianza factorial

Existe una hipótesis nula por cada factor y por cada
posible combinación de factores:
La hipótesis nula referida a un factor afirma que las

medias de las poblaciones definidas por los niveles del
factor son iguales.

51
La hipótesis referida al efecto de una interacción

afirma que tal efecto es nulo.
Para cada efecto existe una hipótesis y para cada

hipótesis un estadístico F que permite contrastarla. Y
al igual que en el ANOVA de un factor, el nivel crítico
asociado a cada estadístico F es quien nos permite
decidir si podemos mantener o debemos rechazar una
hipótesis.
En un ANOVA factorial se trabaja con tantas poblaciones

como casillas resultan de la combinación de todos los
niveles de los factores involucrados. El modelo supone
que las poblaciones son normales (normalidad) y que sus
varianzas son iguales (homogeneidad de varianzas u
homocedasticidad). También supone que las observaciones
han sido aleatoriamente seleccionadas y que, por tanto,
son independientes entre sí.
Factores fijos. Un factor de efectos fijos es

aquel cuyos niveles los establece el investigador o
vienen dados por la propia naturaleza del factor. Los
niveles concretos que toma un factor de efectos fijos
constituyen la población de niveles sobre los que se
hace inferencia.
Factores aleatorios. Es aquel cuyos niveles son
seleccionados de forma aleatoria entre todos los
posibles niveles del factor. Los niveles concretos
que toma un factor de efectos aleatorios constituyen
sólo una muestra de la población de niveles sobre los
que se hace inferencia.
Ponderación MCP. El modelo lineal general asume
que la varianza de la variable dependiente es la
misma en todas las poblaciones objeto de estudio
(tantas como casillas definidas por la combinación de
niveles de los factores).

52
6.7.1.2 Gráficos de perfil para la interacción

La interpretación correcta de una interacción suele
requerir la ayuda de un gráfico de líneas, también
llamado gráfico de perfil.
En un gráfico de perfil sobre la interacción entre dos

factores, en el eje de ordenadas se representa la escala
de las medias de la variable dependiente; en el eje de
abscisas se representan los niveles del primer factor; y
las líneas del gráfico representan lo niveles del
segundo factor.
6.7.1.3 Análisis de covarianza
Es una técnica de control estadístico que permite
eliminar de la variable dependiente del ANOVA el efecto
atribuible a variables no incluidas en el diseño como
factores y, por tanto, no sometidas a control
experimental.
Consiste en efectuar un análisis de varianza utilizando

como variable dependiente, no las puntuaciones
originales de la variable dependiente, sino los errores
en los pronósticos resultantes de llevar a cabo un
análisis de regresión lineal con las covariables como
variables independientes y la propia variable
dependiente del ANOVA como variable dependiente.
El procedimiento Univariante ofrece, para cada

covariable, un estadístico F con su correspondiente
nivel crítico. Este estadístico F permite contrastar la
hipótesis nula de que el coeficiente de regresión
correspondiente a una covariable vale cero en la
población. Podemos llegar a dos conclusiones distintas:
1) que una covariable no posee efecto significativo, es
decir, que no está linealmente relacionada con la
variable dependiente; o 2) que una covariable posee
efecto significativo, es decir, que está linealmente
53
relacionada con la variable dependiente.
Una covariable que no posee efecto significativo es una

covariable que puede ser eliminada. La interpretación
apropiada de los resultados de un ANCOVA requiere
utilizar como punto de referencia los resultados
obtenidos en el correspondiente ANOVA.
Si una o más covariables poseen efectos significativos,

pueden ocurrir dos cosas: que el resultado del ANOVA y
del ANCOVA sea el mismo, o que sea distinto. Si el
resultado es el mismo, el efecto de las variables
independientes sobre la dependiente permanece inalterado
(lo que significa que la relación entre las covariables
y la variable dependiente no afecta a la relación entre
los factores y la variable dependiente). Si el resultado
del ANOVA y del ANCOVA es distinto, puede ocurrir que lo
sea por dos motivos: porque un efecto significativo del
ANOVA ha pasado a ser no significativo en el ANCOVA, o
porque un efecto no significativo del ANOVA ha pasado a
significativo en el ANCOVA.
La interpretación apropiada de los resultados de un
ANCOVA requiere utilizar como punto de referencia los
resultados obtenidos en el correspondiente ANOVA.
6.7.1.4 Opciones
Medias marginales estimadas: El SPSS ofrece una

estimación de las medias correspondientes a todos los
niveles de ese efecto. Son las medias estimadas a
partir de los parámetros del modelo.
Comparar los efectos principales: Permite
obtener todas las comparaciones dos a dos entre las
medias correspondientes a los factores que tienen más
de dos niveles. Estas comparaciones por pares se
llevan a cabo con la prueba T para dos muestras
independientes.

54
El procedimiento Univariante también permite contrastar

los efectos simples. Permite comparar entre sí los
niveles de un factor dentro de cada nivel del otro
factor, lo cual es especialmente útil para interpretar
el efecto de la interacción.
Estimaciones del tamaño del efecto:

Estimaciones del grado en que cada factor o
combinación de factores está afectando a la variable
dependiente.
Potencia observada: De un contraste se refiere
a la capacidad de ese contraste para detectar una
diferencia poblacional tan grande como la diferencia
muestral de hecho observada.
Estimaciones de los parámetros: Se obtienen las
medias que el modelo estima para cada nivel o
combinación de niveles. Las estimaciones de las
medias se obtienen combinando los parámetros
involucrados en la obtención de cada media.
Matriz de coeficientes de contraste: Permite
obtener la matriz L con los coeficientes asociados a
cada efecto (coeficientes que definen el conjunto de
hipótesis presentes en un determinado modelo).
Pruebas de homogeneidad: Ofrece el estadístico
de Levene sobre homogeneidad de varianzas, el cual
permite contrastar la hipótesis de que la varianza de
la variable dependiente es la misma en el conjunto de
poblaciones definidas por la combinación de factores.
Diagramas de dispersión por nivel: Proporcionan
información gráfica sobre igualdad de varianzas.
Ayudan a detectar la posible existencia de algún tipo
de relación entre el tamaño de las medias y el de las
varianzas. Cuando las varianzas son iguales, los
puntos del gráfico se encuentran a la misma altura,
es decir, alineados horizontalmente.
Gráfico de los residuos: En el contexto del
modelo lineal general, los residuos son las
diferencias existentes entre los valores
55
observados(las puntuaciones obtenidas en la variable

dependiente) y los valores pronosticados por el
modelo. En los modelos de ANOVA se supone que los
residuos constituyen una variable aleatoria (los
residuos son independientes entre sí) y normalmente
distribuida. Se supone, homogeneidad de varianzas. El
gráfico de los residuos nos permite hacernos una idea
sobre el cumplimiento de todos estos supuestos,
exceptuando el de normalidad.
Si los residuos son independientes, el gráfico

correspondiente a la relación entre los valores
pronosticados y los residuos tipificados no debe mostrar
ninguna pauta de variación sistemática (una línea, una
curva, etc.). Y si las varianzas son homogéneas, la
dispersión de los residuos tipificados debe ser similar
a lo largo de todos los valores pronosticados.
Cuando el modelo utilizado ofrece un buen ajuste a los

datos, la nube de puntos referida a la relación entre
los valores observados y los pronosticados muestra una
pauta de relación claramente lineal. La pauta es tanto
más lineal cuanto mejor ajuste ofrece el modelo.
6.7.1.5 Modelos personalizados

El procedimiento Univariante permite ajustar modelos
distintos del completamente aleatorizado: modelos
interacción, modelos con bloques aleatorios, modelos
jerárquicos, etc.
Modelos completamente aleatorizados: Modelos en

los que intervienen todos los efectos principales
previamente definidos como factores y todas las
posibles interacciones entre ellos.
Suma de cuadrados: Cuatro métodos distintos de
cálculo de las sumas de cuadrados: Tipo I, Tipo II,
Tipo III y Tipo IV. Las sumas de cuadrados Tipo III
56
son las más utilizadas:
Tipo I: Descomposición jerárquica. Cada término se

corrige sólo respecto al término que le precede en el
modelo.
Tipo II: Se obtienen teniendo en cuenta sólo los efectos
pertinentes. Un efecto pertinente es un efecto que no
está contenido en el efecto que se está evaluando.
Tipo III: Se calculan ajustando cada efecto teniendo en
cuenta cualquier otro efecto que no lo contenga y de
forma independiente de cualquier efecto que lo contenga,
si existe.
Tipo IV: Son apropiadas para analizar tanto modelos
equilibrados como no equilibrados cuando existen
casillas vacías.
6.7.1.6 Modelos con bloques aleatorios

Debemos tener en cuenta que, en un modelo de este tipo,
el factor no interactúa con los bloques, y que, por
tanto, los efectos presentes en el modelo son sólo los
efectos principales (sin la interacción).
6.7.1.7 Modelos jerárquicos o anidados

Uno de los factores está anidado en el otro factor. No
es posible evaluar el efecto de la interacción, pero sí
los efectos principales.
6.7.1.8 Análisis de regresión lineal

El procedimiento Univariante puede utilizarse para
ajustar un modelo de regresión lineal y contrastar las
hipótesis referidas a los efectos presentes en un modelo
de regresión.

57
6.7.1.9 Homogeneidad de las pendientes de regresión

Uno de los supuestos del análisis de covarianza es que
las pendientes (los coeficientes de regresión) de esas
ecuaciones de regresión son homogéneas. En el análisis
de covarianza se supone que la relación entre la
variable dependiente y la covariable es constante a lo
largo de todos los grupos definidos por la variable
independiente (o por la combinación de niveles de las
variables independientes).
6.8 ANÁLISIS DE VARIANZA CON MEDIDAS REPETIDAS
6.8.1 El Procedimiento Mlg: Medidas Repetidas
Los modelos de análisis de varianza (ANOVA) con medidas

repetidas (MR) sirven para estudiar el efecto de uno o
más factores cuando al menos uno de ellos en un factor
intra-sujetos. Un factor intra-sujetos o con medidas
repetidas se caracteriza porque todos los niveles del
factor se aplican a los mismos los sujetos.
El diseño más simple de medidas repetidas consiste en

medir dos variables en una misma muestra de sujetos. Los
diseños de medidas repetidas pueden tener más de dos
medidas y más de un factor.
Requieren menos sujetos que un diseño completamente

aleatorizado y permiten eliminar la variación residual
debida a las diferencias entre los sujetos (pues se
utilizan los mismos). Es necesario vigilar algunos
efectos atribuibles a la utilización de los mismos
sujetos, tales como el efecto de arrastre, que ocurre
cuando se administra una condición antes de que haya
finalizado el efecto de otra administrada previamente; o
el efecto del aprendizaje por la práctica, que ocurre
cuando las respuestas de los sujetos pueden mejorar con

58
la repetición y, como consecuencia de ello, los

tratamientos administrados en último lugar parecen más
efectivos que los administrados en primer lugar, sin que
haya diferencias reales entre ellos.
6.8.1.1 Modelo de un factor

Los datos que permite analizar este modelo son los
procedentes de un diseño con un solo grupo de sujetos y
un único factor cuyos niveles se aplican a todos los
sujetos. Las distintas medidas, tantas como niveles
tiene el factor, se toman sobre los mismos sujetos.
6.8.1.2 Datos
Un factor MR se corresponde con tantas variables del
archivo de datos como niveles tiene el factor (cada una
de esas variables define un nivel del factor MR).
6.8.1.3 Análisis básico

En los modelos de medidas repetidas es necesario suponer
que las varianzas de las diferencias entre cada dos
niveles del factor MR son iguales.
6.8.1.4 Modelo
El único modelo con sentido en un diseño con un solo
factor es justamente el que incluye ese factor.
6.8.1.5 Contrastes
El procedimiento Medidas repetidas asigna, por defecto,
contrastes de tipo Polinómico a los factores MR. Estos
contrastes polinómicos, permiten estudiar el tipo de
relación existente entre el factor y la variable

59
dependiente (lineal, cuadrática, cúbica, etc.).
6.8.1.6 Opciones
Matriz de transformación: Ofrece los

coeficientes normalizados que el SPSS asigna a cada
nivel del factor MR en cada uno de los contrastes
definidos.
Matriz SCPC: Matrices de sumas de cuadrados y
de productos cruzados. Proporciona una matriz
diferente para cada efecto inter-sujetos, para cada
efecto intra-sujetos y para cada término error.
Muestra, en la diagonal, la suma de cuadrados
correspondiente a ese efecto descompuesta en tantas
partes como grados de libertad tiene ese efecto.
Matriz SCPC residual: Tres subtablas, todas
ellas basadas en información sobre los residuos (los
residuos son las diferencias entre los valores
observados y los valores pronosticados por el
modelo). Si se cumple el supuesto de normalidad, la
prueba de Bartlett permite contrastar la hipótesis de
que la matriz de varianzas-covarianzas residual es
proporcional a una matriz identidad.
6.8.1.7 Modelo de dos factores, ambos con medidas repetidas

En un diseño de dos factores, ambos con medidas
repetidas, los sujetos que participan en el experimento
pasan por todas las condiciones experimentales, es
decir, por todas las condiciones definidas por las
posibles combinaciones entre los niveles de ambos
factores.
Hay al menos dos acciones que es preciso abordar de

forma irrenunciable:
Obtener un gráfico de perfil representando las medias de

las casillas (para poder interpretar el efecto de la

60
interacción en el caso de que resulte significativo).

Efectuar comparaciones múltiples entre las medias de los
efectos significativos para identificar dónde se
producen las diferencias.
El procedimiento Medidas repetidas también permite

contrastar los efectos simples, es decir, permite
comparar entre sí los niveles de un factor dentro de
cada nivel del otro factor, lo cual es especialmente
útil para interpretar el efecto de la interacción.
6.8.1.8 Modelo de dos factores, con medidas repetidas en un
factor
Permite analizar datos provenientes de un diseño de dos
factores con medidas repetidas en uno de ellos. Tenemos,
un factor inter-sujetos (con un grupo de sujetos en cada
nivel) y un factor intra-sujetos (por cuyos niveles
pasan todos los sujetos).
6.8.1.9 Igualdad entre las matrices de varianzas-covarianzas

En una ANOVA factorial mixto debe establecerse un
supuesto adicional: que las matrices de varianzas-
covarianzas de los niveles del factor intra-sujetos
deben ser iguales en cada uno de los niveles del factor
inter-sujetos.
El estadístico M de Box (y su transformación en F)

permite contrastar la hipótesis de igualdad entre las
matrices de varianzas-covarianzas. Si el estadístico F
se acerca a 0 las matrices de varianzas-covarianzas son
iguales.
En el estadístico F de Levene: niveles críticos muy

pequeños (generalmente menores que 0,05) permiten
rechazar la hipótesis de igualdad de varianzas entre los
niveles de factor inter-sujetos. Esta hipótesis se

61
contrasta para cada nivel del factor intra-sujetos.
6.9 ANÁLISIS DE CORRELACIÓN LINEAL
6.9.1 Correlación lineal simple
Es la variación entre dos fenómenos (variables), cuando

es positiva (1) varían proporcionalmente, cuando su
variación es inversa se le llama negativa (-1), si no
hay correlación el coeficiente de correlación es cero
(0), esto se puede apreciar mejor con un diagrama de
dispersión, es un cuadro que muestra una serie de
puntos que según la dirección que tomen los puntos se
denomina positiva o negativa si no tiene una dirección
clara se dirá que es dispersa, entre mas cerca este a 1
o -1 el coeficiente de correlación será mas recta la
línea, en SPSS se puede hacer este análisis siempre y
cuando las variables sean numéricas y se puede utilizar
cualquier de los 3 coeficientes de correlación según sea
el caso Pearson, Tau-b de Kendall o Spearman.
SPSS no puede analizar las correlaciones de las

variables cuando una de ellas tiene valores perdidos o
más de dos variables tienen los mismos valores, en su
defecto aparecerán comas.
6.9.2 Correlaciones parciales
Describe la relación lineal existente entre dos

variables mientras se controlan los efectos de una o más
variables adicionales. Las correlaciones son medidas de
asociación lineal. Dos variables pueden estar
perfectamente relacionadas, pero si la relación no es
lineal, el coeficiente de correlación no es un
estadístico adecuado para medir su asociación.

62
La correlación entre inteligencia y rendimiento

académico es positivamente alta, pero cuando se comienza
controlar algunas variables tales como horas de estudio,
nivel de educación de los padres esta baja.
Estadísticos. Para cada variable: número de casos sin

valores perdidos, desviación típica y media. Matrices de
correlación de orden cero y parcial, con grados de
libertad y niveles de significación, nos puede mostrar
pruebas de significación.
Al hacer el análisis en SPSS se puede excluir casos

según parejas o según lista.
6.10 ANÁLISIS DE REGRESIÓN LINEAL
6.10.1 Regresión lineal
La regresión lineal pronostica los coeficientes de la

ecuación lineal, con dos variables independientes
(regresión simple), tres o más variables independientes
(regresión múltiple), que mejor prediga el valor de la
variable dependiente. Es decir, puede pretender predecir
el total de ventas anuales de un vendedor (la variable
dependiente) a partir de variables independientes tales
como la edad, la formación y los años de experiencia,
cuanta puede ser la demanda futura de nuestros productos
para así saber que tanto ofrecer, o descubrir cual de
los medios de comunicación puede ser mas eficaz para
promocionar el producto que vendemos.
También podemos contar con las herramientas que nos

ofrece SPSS para el análisis cada variable: número de
casos válidos, media y desviación típica. Para cada
63
modelo: coeficientes de regresión, matriz de

correlaciones, correlaciones parciales y semiparciales,
R múltiple, R cuadrado, R cuadrado corregida, cambio en
R cuadrado, error típico de la estimación, tabla de
análisis de la varianza, valores pronosticados y
residuos. Además, intervalos de confianza al 95% para
cada coeficiente de regresión, matriz de varianza-
covarianza, factor de inflación de la varianza,
tolerancia, prueba de Durbin-Watson, medidas de
distancia (Mahalanobis, Cook y valores de influencia),
DfBeta, DfAjuste, intervalos de pronóstico y
diagnósticos por caso. Diagramas: diagramas de
dispersión, gráficos parciales, histogramas y gráficos
de probabilidad normal.
En SPSS se puede utilizar distintos métodos para

construir diversos modelos de regresión a partir del
mismo conjunto de variables, la selección o descarte de
las variables independientes en el análisis es fácil ya
que se pueden introducir o eliminar las variables del
bloque en un solo paso en el momento de hacer el modelo.
6.11 ANÁLISIS NO PARAMÉTRICO
6.11.1 Pruebas no paramétricas
6.11.1.1 Para una muestra
Chi-cuadrado: La prueba computa un estadístico de chi-

cuadrado con base en agrupar una variable en
categorías. Esta prueba confronta las frecuencias
observadas y esperadas en cada grupo para comparar si
todas las categorías poseen la misma proporción de
valores o si cada categoría posee una proporción de
valores especificada por el usuario a esto se le llama
bondad de ajuste.
64
Los estadísticos que se utilizarían son media,

desviación típica, mínimo, máximo y cuartiles. Número y
el porcentaje de casos perdidos y no perdidos, número de
casos observados y esperados de cada categoría, residuos
y estadístico de chi-cuadrado.
6.11.1.2 Para dos muestras independientes

La prueba Z de Kolmogorov-Smirnov y la prueba de rachas
de Wald-Wolfowitz son pruebas más corrientes que
muestran las diferencias entre las posiciones y las
formas de las distribuciones. La prueba de Kolmogorov-
Smirnov se basa en la contradicción máxima total entre
las funciones de distribución acumulada observadas para
ambas muestras. Cuando esta diferencia es
significativamente grande, se consideran diferentes las
dos distribuciones. La prueba de rachas de Wald-
Wolfowitz combina y ordena las observaciones de ambos
grupos. Si las dos muestras proceden de una misma
población, los dos grupos deben dispersarse
aleatoriamente en la ordenación de los rangos.
6.11.1.3 Pruebas para varias muestras independientes

El procedimiento Pruebas para varias muestras
independientes compara dos o más grupos de casos
respecto a una variable independiente categórica y una
variable dependiente cuantitativa.
6.11.1.4 Pruebas para dos muestras relacionadas

El procedimiento Pruebas para dos muestras relacionadas
con medidas repetidas compara las distribuciones de dos
variables para observar el cumplimiento de la hipótesis
de la existencia de igualdad de medianas.
Estadísticos que se utilizan son la media, desviación

típica, mínimo, máximo, número de casos no perdidos y
65
cuartiles. Pruebas: Friedman, W de Kendall y Q de

Cochran.
6.11.1.5 Pruebas para varias muestras relacionadas

Las Pruebas para varias muestras relacionadas confrontan
las distribuciones de tres o más variables.
Las pruebas no paramétricas no requieren supuestos sobre

la forma de la distribución subyacente. Utilice muestras
aleatorias y dependientes.
6.12 ANÁLISIS FACTORIAL

Es una práctica que pretende reducir datos e identificar
variables homogéneas, que tenga alto grado de
correlaciones dentro de un conjunto mayor de variables
observadas. El fin del análisis factorial es utilizar
la reducción de los datos para identificar con un
pequeño número de datos exprese la mayor parte de la
varianza observada en un número mayor de variables
manifiestas. También puede utilizarse para generar
hipótesis relacionadas con los mecanismos causales o
para inspeccionar las variables para análisis
subsiguientes (por ejemplo, para identificar la
colinealidad antes de realizar un análisis de regresión
lineal).
Aquí todas las variables son independientes y con SPSS

se puede calcular una matriz capas de demostrar la
variabilidad conjunta entre las variables, extracción
de numero optimo de factores, la rotación de la solución
para facilitar su análisis.

66
En descriptivos se puede observar estadísticos de

resumen univariados para varias variables en una única
tabla y calcula valores tipificados (puntuaciones z).
Las variables se pueden ordenar de varias maneras por el
orden en el que se seleccionen las variables (el valor
por defecto), por el tamaño de sus medias (en orden
ascendente o descendente) y alfabéticamente.
6.13 ANÁLISIS DE CONGLOMERADOS DE K-MEDIAS

El análisis de conglomerados permite agrupar en un solo
archivo las variables que mas se asemejan entre si,
admite diferentes métodos de estimación y es mas
flexible en algunos de sus supuestos como la linealidad
y normalidad, en SPSS hay dos formas de analisis de
conglomerados el jerárquico y el de K-medias.
El análisis de conglomerados de K-medias es un método

que se basa en la distancia entre los conjuntos para
identificar grupos de casos relativamente homogéneos
fundamentándose en las particularidades de los grupos
seleccionados y manejando un notación matemática que
puede gestionar un gran número de casos. Pero este
método necesita que la persona que lo utiliza defina el
número de Conglomerados antes de utilizarlo. Se le
indica los centros iniciales de los Conglomerados si
sabe con anterioridad la información necesaria. Solo
puede elegir uno de los métodos disponibles para
clasificar los casos: la actualización de los centros de
los Conglomerados de forma iterativa o sólo la
clasificación. Asimismo, puede guardar la pertenencia a
los Conglomerados, información de la distancia y los
centros de los Conglomerados finales. Si lo desea, puede
especificar una variable cuyos valores sean utilizados
para etiquetar los resultados por casos. También puede
solicitar los estadísticos F de los análisis de
varianza. Aunque estos estadísticos son oportunistas (ya
que el procedimiento trata de formar grupos que de hecho
67
difieran), el tamaño relativo de los estadísticos

proporciona información acerca de la contribución de
cada variable a la separación de los grupos.
6.14 ANÁLISIS DE CONGLOMERADOS JERÁRQUICOS

Permite conglomerar tantos casos como variables y se
puede elegir entre varios métodos de conglomeración y
medidas de distancia, lo que no ocurre con Análisis de
Conglomerados de K-medias, su fin es buscar grupos
relativamente homogéneos, se empieza con cada variable o
caso, en un Conglomerado y combina los Conglomerados
hasta que sólo queda uno distinto al inicial. Las
extensiones de distancia o similaridad se forman a
partir del procedimiento de proximidades. En cada paso
se expresan Los estadísticos para colaborar al momento
de escoger el principal resultado.
6.15 ANÁLISIS DISCRIMINANTE

Hay momentos que hay que saber seleccionar los datos que
diferencian a dos o mas grupos que se piensan analizar,
esto para luego poder clasificar un nuevo caso como
perteneciente a uno u otro grupo, como predecir el
comportamiento de un sujeto: el cliente nos comprara mas
productos, nos pagara el crédito.
Esto busca evitar la aplicación de la experiencia o

intuición de la persona que hace los grupos ya que puede
ser subjetiva y a la larga crear problemas.
Este Análisis Discriminante colabora a distinguir las

características que diferencia a los grupos que se
quieren contrastar, hasta puede establecer una función
con la capacitad de diferenciar los datos de futuros
factores, para agregarlos según sus componentes al

68
grupo que corresponda con una alta certeza.
Cuando sabemos que un factor pertenece aun grupo,

antes de analizarlo, esta es una variable dependiente.
Las variables independientes o de clasificación son
aquellas en las que pensamos que diferencian a los
grupos.
El fin del análisis discriminatorio es hallar la

composición lineal de las variables independientes que
deje en mejor posición de diferenciar a los grupos, una
vez topada esa composición se puede recurrir a ella en
la categorización de nuevos grupos.
Con SPSS y en el área de mercados podemos utiliza reste

análisis para segmentar grupos, como responderían a una
estrategia, a un producto nuevo utilizando las
siguientes herramientas Estadísticas para cada variable:
medias, desviaciones típicas, ANOVA univariado. Para
cada análisis: M de Box, matriz de correlaciones intra-
grupos, matriz de covarianza intra-grupos, matriz de
covarianza de los grupos separados, matriz de covarianza
total. Para cada función discriminante canónica:
porcentaje de varianza, correlación canónica, chi-
cuadrado. Para cada paso: probabilidades previas,
coeficientes de la función de Fisher, coeficientes de
función no tipificados.

69
Como parte práctica de la investigación sobre SPSS

aplicado al área de mercados, se realizó una encuesta de
satisfacción con los usuarios de la Unidad de
Informática y Comunicaciones.
Objetivo: Con el fin de mejorar los servicios que

actualmente presta la Unidad de Informática, es
sumamente importante tener presente la opinión de los
usuarios de ésta con el fin de analizar distintos
aspectos que puedan llevar al mejoramiento del servicio.
Tamaño de la muestra: Se realizaron 309 encuestas.
La encuesta de satisfacción se encuentra en el ANEXO 1.
7.1 ANÁLISIS

70
Los datos que se manejaron en la encuesta son de tipo

ordinal, por lo tanto para poder realizar el análisis se
utilizaron tablas de frecuencias y de contingencia que
permiten de manera más acertada manejar este tipo de
información.
Los resultados de estos análisis se encuentran en el

ANEXO 2.
7.1.1 Asignación de turnos
Las preguntas correspondientes a este aspecto son:
La asignación de turnos es adecuada:

Totalmente en desacuerdo: 17.5%
En desacuerdo: 13.1%
Algo de acuerdo: 19.6%
De acuerdo: 32.0%
Muy de acuerdo: 17.9%
La asignación de turnos es oportuna:

De acuerdo: 25.8%
La entrada al turno es oportuna:

De acuerdo: 30.5%
De esta forma podemos observar que el cambio en la

asignación de turnos en general ha sido bueno y la
mayoría de los encuestados está de acuerdo con el nuevo
71
sistema. Los usuarios que pertenecen a este porcentaje

consideran que desde que se implementó el sistema de
reserva de equipos el servicio mejoró considerablemente.
Pero también se deben considerar los factores por los
cuales las personas no están de acuerdo:
Con el nuevo sistema quedan equipos en desuso.

Los trámites para el uso de las salas deberían
ser cada vez menos y más ágiles.
Sin embargo, se debe tener en cuenta que los usuarios

consideran adecuada la asignación de turnos pero aún no
es totalmente oportuna, debido a distintas razones entre
las que se destacan:
Es desperdicio de tiempo venir a diferente hora

de la requerida.
No hay atención a la hora de almuerzo que es la
hora en la cual no se tiene clase.
La entrada al turno es hasta 15 minutos después
y la salida 15 minutos antes, así los turnos se
reducen hasta en la mitad de tiempo.
El horario de solicitud de turnos es muy
congestionado y demorado (hay mucha fila).
7.1.2 Equipos audiovisuales y portátiles
La pregunta correspondiente a este punto es:

El préstamo de equipos audiovisuales y portátiles es
puntual:

En desacuerdo: 9.4%
De acuerdo: 33.5%

72
Los usuarios de la Unidad están de acuerdo en su mayoría

con la puntualidad del préstamo de equipos audiovisuales
y portátiles y en general no hay demasiada
insatisfacción respecto a este aspecto, sin embargo, se
debe tener en cuenta que aún no se tienen los equipos a
la hora precisa y mientras se realiza la instalación de
los mismos se ocasiona retraso en el comienzo de clase.
7.1.3 Cursos libres
Las preguntas relacionadas con los cursos libres son las

siguientes:
Los cursos libres cumplen su horario:

En desacuerdo: 6.8%
De acuerdo: 36.2%
Los cursos libres cumplen su contenido:

En desacuerdo: 6.5%
De acuerdo: 34.4%
La información entregada en la prestación de

estos servicios ha sido veraz:
En desacuerdo: 9.1%
De acuerdo: 35.1%
Los cursos libres satisfacen los requerimientos de los

73
usuarios, sin embargo, se debe considerar que la cifra

que resulta de la suma de los porcentajes de los que
están totalmente en desacuerdo, en desacuerdo y algo de
acuerdo es considerable y similar a la de los que están
de acuerdo. Esta insatisfacción se debe a las siguientes
razones expuestas por los usuarios:
La información entregada en cualquier evento

(cursos libres, programas, etc.) no le llega a todo
el mundo.
Los cursos libres no tratan, sobre todo en los
primeros niveles, temas prácticos.
Los cursos libres deben presentar más opciones
de horario y no siempre colocar el mismo durante todo
el semestre.
La elección debería ser por antigüedad y no por
sorteo ya que los nuevos tienen más tiempo para
acceder a los cursos y los antiguos se ven afectados
debido a que antes no podían acceder a los cursos
porque tenían prioridad los más antiguos y ahora se
hace de manera aleatoria la selección.
Deben existir más cursos libres y de temas
variados.
7.1.4 Servicios prestados
Los servicios prestados tienen en cuenta las siguientes

preguntas:
Los servicios prestados están de acuerdo a sus

requerimientos y/o necesidades:
De acuerdo: 34.1%
Los servicios se prestan en el momento

oportuno:
74
De acuerdo: 26.9%
El servicio en general satisface las expectativas de los

usuarios, sin embargo, hay cierta insatisfacción
respecto al servicio de usuarios, pues estos consideran
que debería existir una sala disponible todos los días
para este servicio, diseñando mejor los horarios
correspondientes a cada una de las actividades de las
salas.
Es importante destacar que respecto a uno de los

servicios más utilizados por los usuarios de la Unidad,
que es el servicio de impresora, existe cierta
insatisfacción considerando que es un servicio que se
debe mejorar.
7.1.5 Monitores
Las preguntas relacionadas con los monitores son las

siguientes:
Los monitores interpretan y entienden sus

necesidades:
En desacuerdo: 8.5%
De acuerdo: 29.3%
Los monitores solucionan satisfactoriamente sus

inquietudes:
De acuerdo: 28.6%
75
A pesar que los porcentajes de las personas que están de

acuerdo con los servicios prestados por los monitores de
la Unidad son los más altos, es importante destacar que
las personas que no están de acuerdo representan un
porcentaje destacable, esto debido principalmente a la
prepotencia que aún existe entre los miembros de la
Unidad que hacen que los usuarios a pesar de considerar
que son personas con excelente conocimiento no saben
transmitirlo de la mejor manera a quienes lo necesitan.
7.1.6 Sugerencias
Las sugerencias que ha realizado sobre la prestación de

los servicios se han implementado:
De acuerdo: 24.5%
Es un poco inconsistente el resultado a esta pregunta,

pues el mayor porcentaje son las personas que están
totalmente en desacuerdo, sin embargo, los usuarios no
hacen ningún reclamo o queja lo que implica que no
tendrían por qué están en desacuerdo.
7.1.7 Personal
Usted cree que el personal de la Unidad de informática

está en capacidad de atenderlo:
En desacuerdo: 8.5%
De acuerdo: 35.2%
Los usuarios están en su mayoría conformes con la

76
capacidad que tiene el personal de la Unidad de

Informática, considerando que el servicio ha mejorado
considerablemente y muchos creen en los conocimientos
que poseen los monitores, felicitando su buen desempeño.
7.1.8 Programas y equipos
Las preguntas relacionadas con los programas y equipos

son las siguientes:
El manejo de los programas y equipos utilizados

en la prestación de los servicios es bueno:
De acuerdo: 37.5%
Los programas y los equipos son acordes con los

servicios ofrecidos:
En desacuerdo: 7.8%
De acuerdo: 37.6%
Los programas y los equipos son acordes con las

necesidades de los estudiantes:
De acuerdo: 35.0%
Se debe tener en cuenta el inconformismo respecto a los

computadores de Sala 3, pues son demasiado lentos y con
muchos problemas técnicos que ocasionan retrasos en la

77
terminación de los trabajos de los usuarios.
7.1.9 Atención
Las preguntas respecto a la atención son las siguientes:
La atención de los monitores es siempre amable:

De acuerdo: 33.9%
La atención de los coordinadores es siempre

amable:
En desacuerdo: 7.4%
De acuerdo: 32.3%
Es destacable nuevamente la insatisfacción respecto a la

manera antipática y arrogante de ciertos monitores que
hacen que la imagen de la Unidad no sea excelente frente
a los usuarios. Sin embargo, también existe un buen
porcentaje que considera que los monitores son
agradables y no generalizan cuando se refieren a estos.
7.1.10 Presentación personal
La presentación personal de los monitores y

coordinadores es agradable:
En desacuerdo: 6.1%
De acuerdo: 40.7%
78
La presentación personal no es un factor preocupante

frente a la imagen que tienen los usuarios, pues los
miembros de la Unidad siempre se han destacado por una
excelente presentación, y existen contados casos en los
cuales no se presenta esta situación.
7.1.11 Trato interpersonal
Las preguntas relacionadas con el trato interpersonal

son las siguientes:
El trato interpersonal ofrecido es siempre

cordial:
En desacuerdo: 8.2%
De acuerdo: 33.7%
El trato interpersonal ofrecido es siempre

respetuoso:
En desacuerdo: 7.1%
De acuerdo: 33.7%
A pesar que los usuarios consideran que los monitores y

los miembros de la Unidad son personas con grandes
conocimientos y sumamente capaces de realizar su labor,
existen excepciones en las que consideran que el trato
interpersonal no es el adecuado, pues muchas veces como
se mencionó anteriormente se trata al usuario con
pedantería y arrogancia, descuidando su atención.

79
7.1.12 Disposición
El personal de la Unidad de Informática está

siempre en disposición de resolver sus inquietudes:
De acuerdo: 31.4%
Algunos usuarios consideran que los monitores muchas

veces descuidan su atención por estar pendientes de
otras cosas y no de brindar el mejor servicio. Por esta
razón el porcentaje de las personas que están en
desacuerdo es significativo.

80
SPSS es una herramienta informática que facilita el

análisis de los datos en todo tipo de investigaciones,
para nuestro caso la Investigación de Mercados,
específicamente el análisis de satisfacción de los
usuarios de la Unidad de Informática y Comunicaciones.
A través de SPSS se pueden realizar distintas tipos de

análisis dependiendo de los datos que se poseen y el
objetivo que se tenga con la investigación, obteniendo
importantes resultados que pueden beneficiar enormemente
el desempeño de una organización, mejorando la imagen de
esta frente a sus clientes. Estos tipos de análisis son
determinantes en un mundo tan competido y global como en
el que vivimos, pues de esta forma se determina la
sobrevivencia o no en el mercado en el cual se
desenvuelve una empresa.
Para el caso de nuestra investigación se obtuvieron

importantes resultados respecto a la satisfacción de los
usuarios de la Unidad de Informática y Comunicaciones,
encontrando falencias y oportunidad que pueden ser
aprovechadas y mejoradas por los miembros de ésta.
Dentro de estos resultados es importante destacar que el

personal de la Unidad posee grandes capacidades que
deben ser aprovechadas y dirigidas a satisfacer las
necesidades de los usuarios, los cuales son nuestros
principales clientes. Sin embargo, muchas veces nos
encontramos ante circunstancias que impiden desarrollar
a cabalidad nuestra labor y se pierde el objetivo que se
intenta llevar a cabo.

81
El cambio que se ha presentado en la Unidad respecto a

la asignación de turnos ha mejorado considerablemente la
imagen de esta frente a los usuarios, sin embargo,
existen otros factores que deben ser tenidos en cuenta
para poder mejorar de forma general el servicio.

82
Canavos George. Probabilidad y Estadística.

México. Edit McGraw-Hill. 1988.
Stanton William J. Fundamentos de Marketing.
México. Ed 6. Edit McGraw-Hill. 1996.
http://www.uca.es/serv/sai/manuales/spss/Inicio
.pdf

83
! "
10.1 ENCUESTA DE SATISFACCIÓN
Carrera:
Semestre:
OBJETIVO Con el fin de mejorar los servicios que

: actualmente presta la Unidad de Informática, es
sumamente importante tener presentes las
opiniones de los usuarios de ésta con el fin de
analizar distintos aspectos que puedan llevar
al mejoramiento del servicio.
5 4 3 2 1
DE ACUERDO TOTALMENTE
MUY DE ALGO DE EN
EN
ACUERDO ACUERDO DESACUERDO
DESACUERDO
La asignación de turnos es
adecuada
La asignación de turnos es
oportuna
La entrada al turno es oportuna
El préstamo de equipos
audiovisuales y portátiles es
puntual
Los cursos libres cumplen su
horario

84
Los cursos libres cumplen su

contenido
La información entregada en la
prestación de estos servicios ha
sido veraz
Los servicios prestados están de
acuerdo a sus requerimientos y/o
necesidades
Los servicios se prestan en el
momento oportuno
Los monitores interpretan y
entienden sus necesidades
Los monitores solucionan
satisfactoriamente sus
inquietudes
Las sugerencias que ha realizado
sobre la prestación de los
servicios se han implementado
Usted cree que el personal de la
Unidad de informática está en
capacidad de atenderlo
El manejo de los programas y
equipos utilizados en la
prestación de los servicios es
bueno
Los programas y los equipos son
acordes con los servicios
ofrecidos
Los programas y los equipos son
acordes con las necesidades de
los estudiantes
La atención de los monitores es
siempre amable
La atención de los coordinadores
es siempre amable
La presentación personal de los
monitores y coordinadores es
agradable
El trato interpersonal ofrecido es
siempre cordial
El trato interpersonal ofrecido es
siempre respetuoso
El personal de la Unidad de
Informática está siempre en
disposición de resolver sus
inquietudes.
OBSERVACIONES

85
"
En este anexo se mostrarán los resultados

correspondientes a cada uno de los análisis
anteriormente explicados.
Asignación de turnos.
Equipos audiovisuales.
Cursos libres.
Servicios prestados.
Monitores.
Sugerencias.
Personal.
Programas y equipos.
Atención monitores y coordinadores.
Presentación personal.
Trato interpersonal.

86

SPSS Aplicado A Mercados

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

SPSS Aplicado A Mercados

Caricato da

Copyright:

Formati disponibili

SPSS aplicado a Mercados

SPSS APLICADO A MERCADOS

UNIVERSIDAD NACIONAL COLOMBIA

Trabajo desarrollado por

GEMA ANDREA ÁLVAREZ VÉLEZ

UNIVERSIDAD NACIONAL COLOMBIA

SPSS APLICADO A MERCADOS

UNIVERSIDAD NACIONAL COLOMBIA

En la actualidad estamos enfrentados a constantes

El análisis del mercado, especialmente la Investigación

Para realizar este tipo de análisis se puede utilizar

A través de esta investigación utilizaremos SPSS para la

UNIVERSIDAD NACIONAL COLOMBIA

UNIVERSIDAD NACIONAL COLOMBIA

6.3.1 Explorar .................................... 25

UNIVERSIDAD NACIONAL COLOMBIA

6.15 ANÁLISIS DISCRIMINANTE ......................... 68

UNIVERSIDAD NACIONAL COLOMBIA

Marketing: La ejecución de ciertas actividades

Cuartiles: Calcula los percentiles 25, 50 y 75,

una distribución acumula casos en sus colas en

UNIVERSIDAD NACIONAL COLOMBIA

Permite la distribución de mercancías y servicios, lo

UNIVERSIDAD NACIONAL COLOMBIA

4.3 SEGMENTACIÓN DE MERCADOS

La segmentación consiste en descomponer el mercado total

4.3.1 Criterios de segmentación

Los criterios de segmentación del mercado son los

Criterio territorial o geográfico: Local,

Otros criterios de segmentación pueden ser:

UNIVERSIDAD NACIONAL COLOMBIA

Criterios geográficos, demográficos y

4.4 INVESTIGACIÓN DE MERCADOS

La investigación de mercados permite entender qué

La investigación de mercados abarca desde la encuesta y

Se debe hacer estudio de mercados, en alguno de los

UNIVERSIDAD NACIONAL COLOMBIA

Determinar los precios que está dispuesto a

4.4.1 Etapas de la investigación de mercados

4.4.1.1 Planeación de la investigación

Enunciar claramente el problema.

Una vez fijado el objetivo es conveniente buscar

UNIVERSIDAD NACIONAL COLOMBIA

estudios anteriores sobre el mismo problema u objetivo.

4.4.1.2 Recopilación de datos

Los últimos pasos son: Tabulación y Análisis.

UNIVERSIDAD NACIONAL COLOMBIA

SPSS es un sistema de análisis y de gestión de datos en

SPSS permite el análisis de datos para tomar las

Este software brinda herramientas de análisis que

Después de realizar una adecuada recolección de

5.1 NECESIDADES Y PREFERENCIAS DE LOS CLIENTES

UNIVERSIDAD NACIONAL COLOMBIA

El día a día en las relaciones con el cliente supone un

Para el análisis del mercado hay que saber cuáles son

5.2 ENCUESTAS DE SATISFACCIÓN

Una excelente satisfacción del cliente es una de las

UNIVERSIDAD NACIONAL COLOMBIA

Los empleados, especialmente aquellos que tienen trato

Una parte esencial de la evaluación de la satisfacción

Hoy en día, las encuestas sobre satisfacción y los

Las encuestas de satisfacción son un vehículo importante

Las organizaciones utilizan encuestas sobre satisfacción