Metodologías de investigación cuantitativa

Metodologías de investigación cuantitativa

Índice
1 Tema 1. Introducción al software estadístico R 2
1.1 Instalación del software estadístico R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Uso del software estadístico R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Tipos de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Estructuras básicas en R: Vectores y data frames/tibbles . . . . . . . . . . . . . . . . . . . . . 3
1.5 Importar conjuntos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Manejo básico de conjuntos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Tema 2. Estadística descriptiva numérica 10

2.1 Variables unidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Variables bidimensionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3 Tema 3. Estadística descriptiva gráfica 16

3.1 Diagrama de barras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Diagrama de sectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4 Poligonal de frecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Diagrama de caja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.6 Diagrama de violín . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.7 Diagrama de calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.8 Diagrama de dispersión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.9 Subfiguras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4 Tema 4. Introducción a la inferencia estadística 38

4.1 Teoría de los contrastes de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Estudio de la normalidad de una variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.3 Contrastes para un promedio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4 Comparación de medias en dos grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.5 Contrastes para una proporción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.6 Comparación de proporciones en dos grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.7 Independencia de dos variables categóricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 1

 Metodologías de investigación cuantitativa

1 Tema 1. Introducción al software estadístico R

1.1 Instalación del software estadístico R
Para instalar R y RStudio, es necesario seguir los dos siguientes pasos (por orden):
1. Instalar R, a través del siguiente enlace: https://cran.r-project.org/
2. Instalar RStudio, a través del siguiente enlace: https://rstudio.com/products/rstudio/download/#dow
nload
Una vez instalado R y RStudio, se debe realizar un mantenimiento de las versiones más recientes de R y
RStudio, así como de los distintos paquetes de interés.

1.2 Uso del software estadístico R

RStudio es un entorno de desarrollo integrado (IDE, por sus siglas en inglés) para el lenguaje de programación
R. En sus ajustes por defecto, se tendrán cuatro paneles distribuidos de la siguiente forma:
• Panel superior izquierdo: En este espacio el usuario escribirá su código (script).
• Panel inferior izquierdo: En este espacio se ejecutará el código y se obtendrán todas las salidas numéricas.
• Panel superior derecho: En este espacio aparecerán los distintos conjuntos de datos importados, así
como las distintas variables definidas.
• Panel inferior derecho: En este espacio se tienen diversas opciones como los ficheros del entorno de
trabajo actual (Files), las gráficas imprimidas por pantalla (Plots), los paquetes disponibles en el
ordenador (Packages) o la ayuda de R (Help).
Además se dispone de una serie de menús en la parte superior.
Es necesario clarificar que en R algunas funciones requieren de la instalación previa de paquetes o librerías.
Dicha instalación se realiza a través de la función install.packages(). Además, en cada sesión (es decir, cada
vez que se inicia R), los paquetes que se quieren utilizar se deben cargar a través de la función library().
Por ejemplo, el paquete tidyverse contiene una gran variedad de funciones para el análisis de datos que
utilizaremos constantemente a lo largo de la asignatura. Si se quiere utilizar este paquete, habría que proceder
de la siguiente manera.
#install.packages("tidyverse") # Instalación del paquete tidyverse (se debe eliminar la
# almohadilla para instalar el paquete si no se ha hecho con anterioridad)
library(tidyverse) # Carga del paquete tidyverse

1.3 Tipos de variables

Es importante identificar el tipo de variable con el que estamos trabajando en cada caso, ya que las técnicas
estadísticas varían en función de la tipología de las variables. Se pueden distinguir los siguientes tipos de
variables:
• Cualitativas: variables que expresan cualidades o características de un elemento. A su vez, las variables
cualitativas pueden ser dicotómicas, cuando solo toman dos valores, como sí y no, hombre y mujer, o
politómicas, cuando toman tres o más valores. Dentro de las variables cualitativas podemos distinguir:
– Variables cualitativas nominales: sus valores no pueden ser sometidos a un criterio de orden,
como por ejemplo los colores o el lugar de nacimiento.
– Variables cualitativas ordinales: sus valores pueden ser sometidos a un criterio de orden
siguiendo una escala establecida, aunque no es necesario que la distancia entre los niveles de la
escala sea uniforme, por ejemplo: leve, moderado o fuerte.

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 2

 Metodologías de investigación cuantitativa

En muchas ocasiones las variables cualitativas son representadas con números por comodidad en la
codificación, sin embargo es importante ser consciente de que dicho número no tiene significado más
allá de la propia codificación de la respuesta.
• Cuantitativas (o numéricas): variables que toman valores numéricos. Las variables cuantitativas
además pueden ser:
– Discretas: toman un número finito o numerable de valores, como por ejemplo, el número de hijos
(0, 1, 2, 3, 4, 5, etc.).
– Continuas: toman un número infinito no numerable de valores. Si la granularidad de una variable
discreta es muy grande (por ejemplo, el salario anual) se puede tratar como una variable continua.

1.4 Estructuras básicas en R: Vectores y data frames/tibbles

La función c() (combinar) nos permite crear un vector a partir de unos valores dados. A continuación,
asignaremos los nombres vectornumerico, vectorcaracter y vectorlogico a tres vectores de tipo numérico,
caracter y lógico. En términos estadísticos las variables de tipo numérico se corresponden con variables
cuantitativas (ya sea continuas o discretas), las variables de tipo caracter se corresponden con variables
cualitativas y las variables de tipo lógico son variables cualitativas dicotómicas que toman el valor TRUE
(verdadero) o FALSE (falso). Nótese que R no imprime por pantalla las variables creadas y, si queremos
observarlas, es necesario que escribamos el nombre de la variable en la consola. Obsérvese también que el
símbolo <- significa asignación.
# Se asigna el nombre vectornumerico a un vector formado por los valores del 1 al 5.
vectornumerico <- c(1,2,3,4,5)
# Se escribe el nombre de la variable creada (vectornumerico) para observarla por pantalla
vectornumerico

## [1] 1 2 3 4 5
vectorcaracter <- c("A","B","C","D","E")
vectorcaracter

## [1] "A" "B" "C" "D" "E"

vectorlogico <- c(TRUE,TRUE,FALSE,FALSE,TRUE)
vectorlogico

## [1] TRUE TRUE FALSE FALSE TRUE

Como se ha explicado anteriormente, los vectores pueden ser de distinto tipo (clase), por ejemplo, pueden
ser de tipo caracter (en R: character), de tipo numérico (en R: numeric) y de tipo lógico (en R: logical).
Se puede utilizar la función class() para comprobar la clase de un vector o cualquiera de las funciones de
la familia is(). Para más detalles sobre esta familia de funciones se puede usar la ayuda de R, disponible
utilizando el comando ?is o, equivalentemente, help(is).
# Comprobación de la clase de la variable vectornumerico
class(vectornumerico)

## [1] "numeric"
class(vectorcaracter)

## [1] "character"
class(vectorlogico)

## [1] "logical"
# Comprobación de la clase de la variable vectornumerico
is.numeric(vectornumerico)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 3

 Metodologías de investigación cuantitativa

## [1] TRUE
is.numeric(vectorcaracter)

## [1] FALSE
En muchas ocasiones es útil hacer uso de operaciones relacionales para construir vectores lógicos. A
continuación se muestran algunos ejemplos.
# Construcción de un vector lógico que indique si los valores de la variable
# vectornumerico son o no iguales a 2 (se utiliza == para representar la igualdad)
vectornumerico==2

## [1] FALSE TRUE FALSE FALSE FALSE

# Construcción de un vector lógico que indique si los valores de la variable
# vectornumerico son menores o iguales que 2 (se utiliza <= para representar ser
# menor o igual)
vectornumerico<=2

## [1] TRUE TRUE FALSE FALSE FALSE

# Construcción de un vector lógico que indique si los valores de la variable
# vectornumerico son mayores o iguales que 2 (se utiliza >= para representar ser
# mayor o igual)
vectornumerico>2

## [1] FALSE FALSE TRUE TRUE TRUE

# Construcción de un vector lógico que indique si los valores de la variable
# vectornumerico son mayores o iguales que 2 y menores o iguales que 4 (se utiliza
# & para representar la conjunción (y) de dos condiciones)
(vectornumerico>=2)&(vectornumerico<=4)

## [1] FALSE TRUE TRUE TRUE FALSE

# Construcción de un vector lógico que indique si los valores de la variable
# vectornumerico son iguales a 2 o iguales a 4 (se utiliza | para representar
# la disyunción (o) de dos condiciones)
(vectornumerico==2)|(vectornumerico==4)

## [1] FALSE TRUE FALSE TRUE FALSE

Se pueden utilizar conjuntos de índices o vectores lógicos para filtrar los elementos de un vector. Para ello se
escribe el nombre de la variable, seguido del símbolo [ ], indicando en su interior el conjunto de índices o el
vector que represente los elementos a filtrar.
# Obtención del primer elemento de la variable vectorcaracter
vectorcaracter[1]

## [1] "A"
# Obtención de los primeros tres elementos de la variable vectorcaracter
vectorcaracter[1:3]

## [1] "A" "B" "C"

# Obtención de todos los elementos de la variable vectorcaracter menos el primero
vectorcaracter[-1]

## [1] "B" "C" "D" "E"

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 4

 Metodologías de investigación cuantitativa

# Obtención de los elementos de la variable vectorcaracter indicados por los TRUE de la

# variable vectorlógico (que toma el valor TRUE en la primera, segunda y quinta posición)
vectorcaracter[vectorlogico]

## [1] "A" "B" "E"

El formato data.frame es la estructura clásica más utilizada en R. Un data.frame tiene forma de tabla en la que
típicamente cada una de las filas se corresponde con un individuo y cada una de las columnas se corresponde
con una variable. Varios vectores de la misma longitud se pueden agrupar dentro de un data.frame por medio
de la función data.frame(). Por otro lado, los tibbles son tipos específicos de data.frame, introducidos en el
paquete tidyverse, que mejoran las funcionalidades de la estructura data.frame (especialmente de cara a la
impresión por pantalla). Se puede transformar un data.frame en un tibble por medio de la función tibble().
En muchas ocasiones, nos dará igual trabajar con un tibble o con un data.frame.
#install.packages("tidyverse") # Instalación del paquete tidyverse (se debe eliminar la
# almohadilla para instalar el paquete si no se ha hecho con anterioridad)
library(tidyverse) # Carga del paquete tidyverse
conjuntodf <- data.frame(vectornumerico,vectorcaracter,vectorlogico) # Agrupación de las
# tres variables vectornumerico, vectorcaracter y vectorlogico en un data.frame en un
# data.frame llamado conjuntodf
conjunto <- tibble(vectornumerico,vectorcaracter,vectorlogico) # Agrupación de las tres
# variables vectornumerico, vectorcaracter y vectorlogico en un tibble en un tibble
# llamado conjunto
conjuntodf # Impresión por pantalla del data.frame conjutodf

## vectornumerico vectorcaracter vectorlogico

## 1 1 A TRUE
## 2 2 B TRUE
## 3 3 C FALSE
## 4 4 D FALSE
## 5 5 E TRUE
conjunto # Impresión por pantalla del tibble conjunto

## # A tibble: 5 x 3
## vectornumerico vectorcaracter vectorlogico
## <dbl> <chr> <lgl>
## 1 1 A TRUE
## 2 2 B TRUE
## 3 3 C FALSE
## 4 4 D FALSE
## 5 5 E TRUE
Obsérvese la ligera diferencia en la impresión por pantalla entre el data.frame y el tibble creados. Cuando
el conjunto de datos tiene muchos individuos (filas), es más últil el uso de un tibble, ya que solamente las
primeras filas se imprimen por pantalla.
Se puede hacer referencia a una variable en las columnas de un data.frame o un tibble utilizando el símbolo $.
conjunto$vectorcaracter # Referencia a la variable vectorcaracter dentro del tibble conjunto

## [1] "A" "B" "C" "D" "E"

Además, se pueden utilizar conjuntos de índices o vectores lógicos para filtrar los elementos de un vector, tal
y como se ha explicado con anterioridad.
conjunto$vectorcaracter[1:3] # Referencia a los tres primeros elementos de la variable

## [1] "A" "B" "C"

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 5

 Metodologías de investigación cuantitativa

# vectorcaracter dentro del tibble conjunto

La función dim() nos devuelve el número de filas y columnas de un tibble o de un data.frame, mientras que
la función length() nos devuelve la longitud de un vector.
dim(conjunto)

## [1] 5 3
length(conjunto$vectorcaracter)

## [1] 5
Se observa que conjunto es un tibble con 5 filas y 3 columnas, así como conjunto$vectorcaracter es un
vector de longitud 5.
Como en muchos lenguajes de programación, en R se puede hacer uso de estructuras lógicas. Un ejemplo de
esto es la estructura if...else donde podemos elegir realizar una acción única y exclusivamente si se cumple (o
no) una variable lógica.
# Ejemplo en el que se entra al if
if(1 > 0) {
TRUE
} else {
FALSE
}

## [1] TRUE
# Ejemplo en el que se entra al else
if(1 < 0) {
TRUE
} else {
FALSE
}

## [1] FALSE
R permite crear funciones personalizadas haciendo uso de la sintaxis funcion <- function(argumentos){},
donde funcion pasará a ser el nombre con el que podremos llamar a la función creada y argumentos serán
los argumentos de entrada para la función. A continuación, vemos un ejemplo para crear una función que nos
compruebe si el vector introducido contiene algún 1.
contieneuno <- function(vector) {
if(sum(vector==1)>0) {
TRUE
} else {
FALSE
}
}
contieneuno(vectornumerico)

## [1] TRUE
contieneuno(vectorcaracter)

## [1] FALSE
En ocasiones estamos interesados en aplicar una función a todas las variables (columnas) de un tibble. Para
ello tenemos que hacer uso de alguna de las funciones de la familia apply(). En esta familia, una de las
opciones más sencillas de utilizar es la función sapply(). Por ejemplo, podemos aplicar la función que

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 6

 Metodologías de investigación cuantitativa

creamos con anterioridad a todas las variables (columnas) del tibble conjunto. Se observa como la primera
variable muestra alguna aparición del valor 1 (tal y como era de esperar), así como la tercera variable (pues
R identifica el valor lógico FALSE como un 0 y el valor lógico TRUE como un 1).
sapply(conjunto,contieneuno)

## vectornumerico vectorcaracter vectorlogico

## TRUE FALSE TRUE

1.5 Importar conjuntos de datos

El primer paso en un análisis de datos es importar el conjunto de datos en nuestra sesión de R. Para ello,
es necesario identificar en primer lugar el formato en el que se encuentran disponibles los datos. Para esta
sesión hemos recogido los datos de https://www.oecd.org/pisa/data/2018database/, en concreto vamos a
utilizar el fichero cy07_msu_sch_qqq.sas7bdat (School questionnaire data file (3.7 MB)) que se encuentra
en formato SAS. Para leer este tipo de archivos hacemos uso de la función read_sas() del paquete haven.
Se debe especificar el nombre del archivo o el camino al archivo, si este no se encuentra en el directorio de
trabajo actual. Para identificar el directorio de trabajo actual podemos utilizar la función getwd() y para
cambiar el directorio de trabajo se puede hacer uso del menú superior de RStudio (Session -> Set working
directory -> Choose directory) o de la función setwd(). Recordemos que en R se deben cargar los paquetes
que se quieren utilizar en cada sesión a través de la función library() y que dichos paquetes han debido ser
instalados previamente a través de la función install.packages(). Tenido todo esto en cuenta, se puede
importar un conjunto de datos a través de los menús de RStudio siguiendo los pasos: File -> Import Dataset
-> From SAS. . . Una vez la importación ha sido realizada con éxito el conjunto de datos debe aparecer en la
ventana situada en la parte superior derecha llamada Environment. También es posible obtener el mismo
resultado por medio de código, tal y como sigue.
#install.packageutar si el paqus("haven") # Instalación del paquete haven (se debe
# eliminar la almohadilla para instalar el paquete si no se ha hecho con anterioridad)
library(haven) # Carga del paquete haven
cy07_msu_sch_qqq <- read_sas("cy07_msu_sch_qqq.sas7bdat", NULL) # Se importan los datos
# asignando al tibble cy07_msu_sch_qqq el fichero indicado. El nombre utilizado para el
# tibble lo selecciona el usuario.

Recuérdese que el símbolo <- significa asignación, es decir, guardar el conjunto de datos obtenido por el
comando read_sas("cy07_msu_sch_qqq.sas7bdat", NULL) bajo el nombre cy07_msu_sch_qqq.
Otros formatos para importar/exportar datos también están disponibles en R. Por ejemplo, las funciones
read_table(), read_csv() y read_tsv() son utilizadas con una gran frecuencia al trabajar con ficheros .txt,
.csv o .tsv. El paquete readxl sirve para importar/exportar archivos en formato .xsl o .xslx, característicos del
programa Microsoft Excel. De manera análoga, el ya mencionado paquete haven sirve para importar/exportar
archivos de otros software estadísticos como, por ejemplo, SAS o SPSS.

1.6 Manejo básico de conjuntos de datos

Puesto que el conjunto de datos cargado contiene muchas variables y esto puede dificultar la explicación de
los distintos conceptos, seleccionaremos solamente las variables en las columnas 1, 2, 9, 19, 175, 177, 178 y
195. Estas columnas se corresponden con las siguientes variables:
1. CNTRYID. Variable de tipo cualitativo (a pesar de ser descrita por un valor numérico). Representa un
código numérico asociado al país.
2. CNT. Variable de tipo cualitativo. Representa un código de tres letras asociado al país.
9. OECD. Variable de tipo cualitativo dicotómico. Representa si el país pertenece o no a la OECD. Niveles:
0 (No) y 1 (Sí).

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 7

 Metodologías de investigación cuantitativa

19. SC017Q02NA. Variable de tipo cualitativo. Representa la medida en la que el equipo docente está poco
cualificado para impartir docencia. Niveles: 1 (En absoluto), 2 (Muy poco), 3 (En cierta medida) y 4
(Mucho).
175. PRIVATESCH. Variable de tipo cualitativo. Representa si la escuela es pública o privada. Esta variable
debería ser de tipo dicotómico, pero debido a diversos errores de codificación se consideran más niveles
en la base de datos.
177. STRATIO. Variable de tipo cuantitativo continuo. Representa la ratio alumno-profesor.
178. SCHSIZE. Variable de tipo cuantitativo discreto (con gran granularidad). Representa el tamaño (número
de alumnos) de la escuela.
195. SENWT. Variable de tipo cuantitativo continuo. Es una variable de ponderación normalizada construida
artificialmente para el análisis del rendimiento del alumnado en un grupo de países en los que se desea
que las contribuciones de cada país sea igual, independientemente de su población o del tamaño de la
muestra.
Para seleccionar solamente estas columnas del conjunto de datos utilizaremos la función select(), asignándolas
a un tibble llamado datos.
datos <- select(cy07_msu_sch_qqq,c(1,2,9,19,175,177,178,195))

Nótese que se podría llegar al mismo resultado utilizando el nombre de las variables en lugar del número de
la columna.
datos <- select(cy07_msu_sch_qqq,c("CNTRYID","CNT","OECD","SC017Q02NA","PRIVATESCH",
"STRATIO","SCHSIZE","SENWT"))

La función print() nos permite obtener una descripción de las primeras filas de un tibble. Por defecto solo
se muestran las 10 primeras filas, pero se puede pedir un número distinto de filas por medio del argumento n.
print(datos)

## # A tibble: 21,903 x 8
## CNTRYID CNT OECD SC017Q02NA PRIVATESCH STRATIO SCHSIZE SENWT
## <dbl> <chr> <dbl> <dbl> <chr> <dbl> <dbl> <dbl>
## 1 8 ALB 0 1 public NA NA 24.8
## 2 8 ALB 0 1 public NA NA 20.2
## 3 8 ALB 0 1 public 9.76 205 20.6
## 4 8 ALB 0 3 public NA NA 18.4
## 5 8 ALB 0 1 public 18 315 45.4
## 6 8 ALB 0 1 public 4.74 45 20.2
## 7 8 ALB 0 1 private 13.8 221 3.11
## 8 8 ALB 0 1 public 17.0 823 3.11
## 9 8 ALB 0 1 private 16.3 408 3.11
## 10 8 ALB 0 1 private NA NA 21.0
## # i 21,893 more rows
print(datos, n=5)

## # A tibble: 21,903 x 8
## CNTRYID CNT OECD SC017Q02NA PRIVATESCH STRATIO SCHSIZE SENWT
## <dbl> <chr> <dbl> <dbl> <chr> <dbl> <dbl> <dbl>
## 1 8 ALB 0 1 public NA NA 24.8
## 2 8 ALB 0 1 public NA NA 20.2
## 3 8 ALB 0 1 public 9.76 205 20.6
## 4 8 ALB 0 3 public NA NA 18.4
## 5 8 ALB 0 1 public 18 315 45.4

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 8

 Metodologías de investigación cuantitativa

## # i 21,898 more rows

Si queremos consultar el conjunto de datos completo, podemos hacer uso de la función view() o utilizar el
menú Environment situado por defecto en RStudio en la ventana superior derecha.
view(datos)

La función glimpse() también nos permite visualizar el conjunto de datos de una manera resumida.
glimpse(datos)

## Rows: 21,903
## Columns: 8
## $ CNTRYID <dbl> 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8,~
## $ CNT <chr> "ALB", "ALB", "ALB", "ALB", "ALB", "ALB", "ALB", "ALB", "AL~
## $ OECD <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,~
## $ SC017Q02NA <dbl> 1, 1, 1, 3, 1, 1, 1, 1, 1, 1, 2, 2, 1, 1, 3, 1, 1, 1, 1, 3,~
## $ PRIVATESCH <chr> "public", "public", "public", "public", "public", "public",~
## $ STRATIO <dbl> NA, NA, 9.7619, NA, 18.0000, 4.7368, 13.8125, 16.9691, 16.3~
## $ SCHSIZE <dbl> NA, NA, 205, NA, 315, 45, 221, 823, 408, NA, 275, NA, NA, 3~
## $ SENWT <dbl> 24.81933, 20.20900, 20.63480, 18.44654, 45.40500, 20.20900,~
La función names() nos devuelve los nombres de todas las variables en las columnas del tibble. Al hacer esto,
obtenemos un vector, que es la estructura más básica de R.
names(datos)

## [1] "CNTRYID" "CNT" "OECD" "SC017Q02NA" "PRIVATESCH"

## [6] "STRATIO" "SCHSIZE" "SENWT"
También se puede filtrar un tibble haciendo uso de expresiones lógicas por medio de la función filter().
Por ejemplo, es posible filtrar el conjunto de datos para quedarnos solamente con los datos de Albania, país
identificado con el código ALB.
datosAlbania <- filter(datos,CNT=="ALB")

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 9

 Metodologías de investigación cuantitativa

2 Tema 2. Estadística descriptiva numérica

2.1 Variables unidimensionales
Es posible obtener un resumen estadístico básico de un tibble por medio de la función summary(). El
resumen nos da información distinta de cada variable en función de su clase, siendo este resumen de utilidad
especialmente para las variables numéricas. Para variables numéricas, el resumen estadístico básico está
formado por el mínimo (Min.), el primer cuartil (1st Qu.), la mediana (Median), la media (Mean), el tercer
cuartil (3rd Qu.) y el máximo (Max.) de la variable. Para otro tipo de variables nos devuelve la longitud y
la clase. Nótese que este resumen básico también se puede aplicar a una de las variables directamente.
summary(datos)

## CNTRYID CNT OECD SC017Q02NA

## Min. : 8.0 Length:21903 Min. :0.0000 Min. :1.000
## 1st Qu.:191.0 Class :character 1st Qu.:0.0000 1st Qu.:1.000
## Median :400.0 Mode :character Median :1.0000 Median :2.000
## Mean :434.7 Mean :0.5171 Mean :1.717
## 3rd Qu.:703.0 3rd Qu.:1.0000 3rd Qu.:2.000
## Max. :983.0 Max. :1.0000 Max. :4.000
## NA's :1149
## PRIVATESCH STRATIO SCHSIZE SENWT
## Length:21903 Min. : 1.00 Min. : 1.0 Min. : 0.1508
## Class :character 1st Qu.: 8.94 1st Qu.: 299.0 1st Qu.: 5.5054
## Mode :character Median : 12.09 Median : 596.0 Median : 11.3993
## Mean : 13.57 Mean : 772.5 Mean : 18.2623
## 3rd Qu.: 15.77 3rd Qu.: 996.0 3rd Qu.: 23.4086
## Max. :100.00 Max. :13400.0 Max. :328.7267
## NA's :3861 NA's :3582
summary(datos$SENWT)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 0.1508 5.5054 11.3993 18.2623 23.4086 328.7267
En el caso de variables cualitativas representadas por un valor numérico es conveniente modificarlas a factor
para que R no las trate como variables cuantitativas al realizar un resumen numérico.
datos$CNTRYID <- factor(datos$CNTRYID)
datos$SC017Q02NA <- factor(datos$SC017Q02NA)
summary(datos)

## CNTRYID CNT OECD SC017Q02NA

## 724 : 1089 Length:21903 Min. :0.0000 1 :10077
## 124 : 821 Class :character 1st Qu.:0.0000 2 : 7031
## 36 : 763 Mode :character Median :1.0000 3 : 3082
## 784 : 755 Mean :0.5171 4 : 564
## 398 : 616 3rd Qu.:1.0000 NA's: 1149
## 76 : 597 Max. :1.0000
## (Other):17262
## PRIVATESCH STRATIO SCHSIZE SENWT
## Length:21903 Min. : 1.00 Min. : 1.0 Min. : 0.1508
## Class :character 1st Qu.: 8.94 1st Qu.: 299.0 1st Qu.: 5.5054
## Mode :character Median : 12.09 Median : 596.0 Median : 11.3993
## Mean : 13.57 Mean : 772.5 Mean : 18.2623
## 3rd Qu.: 15.77 3rd Qu.: 996.0 3rd Qu.: 23.4086
## Max. :100.00 Max. :13400.0 Max. :328.7267

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 10

 Metodologías de investigación cuantitativa

## NA's :3861 NA's :3582

Además de a través de la función summary(), todas estas medidas resumen se pueden obtener también a
través de funciones específicas, tal y como se explica a continuación.
En caso de que la variable de estudio no tome un número muy grande de valores, se puede obtener su tabla de
frecuencias absolutas, es decir, una tabla en la que se muestra cada valor que toma la variable y el número de
veces que aparece en la muestra. Para obtener esta tabla de frecuencias absolutas con R, podemos hacer uso
de la función table(). Un argumento importante de esta función es el argumento useNA, que nos permite
variar entre tres opciones. La opción por defecto useNA=no simplemente ignora los valores faltantes (NAs); la
opción ifany añade una columna con los valores faltantes en caso de que los hubiera; mientras que la opción
always muestra una columna de frecuencia de valores faltantes independientemente de la presencia o no de
estos valores. Se recuerda que los valores faltantes son valores de una de las variables para las que no se
dispone del valor correspondiente dentro del conjunto de datos.
tabla <- table(datos$SC017Q02NA, useNA="ifany")
tabla

##
## 1 2 3 4 <NA>
## 10077 7031 3082 564 1149
Se observa como de las 21903 observaciones de las que disponemos, 10077 respuestas son 1 (En absoluto),
7031 son 2 (Muy poco), 3082 son 3 (En cierta medida), 564 son 4 (Mucho), habiendo 1149 valores faltantes.
Es posible obtener la tabla de frecuencias relativas a partir de la función prop.table() aplicada sobre la
misma tabla de frecuencias. Esto nos devolverá las proporciones correspondientes a cada uno de los valores.
Por ejemplo, se observa que en torno a un 46% de las observaciones disponibles son 1 (En absoluto).
prop.table(tabla)

##
## 1 2 3 4 <NA>
## 0.46007396 0.32100625 0.14071132 0.02574990 0.05245857
Una medida resumen muy utilizada para describir una muestra es la moda, que es el valor de la variable
que aparece más frecuentemente en la muestra. Esta medida descriptiva es la única opción cuando nos
encontramos ante variables categóricas (donde no se debe utilizar ni la media, ni la mediana), pero no es muy
recomendable si tenemos variables numéricas que tomen un gran número de valores distintos. Aunque la
moda no viene implementada específicamente como función en R, es muy sencillo obtenerla visualmente a
partir de la tabla de frecuencias o analíticamente haciendo uso de la función which.max(). Esta función nos
devuelve la posición del valor con la máxima frecuencia, por lo que podemos obtener la moda obteniendo el
correspondiente elemento de la tabla de frecuencias.
names(tabla)[which.max(tabla)]

## [1] "1"
La medida de posición más habitual para variables cuantitativas es la media, que se obtiene como la suma de
todos los valores de la muestra dividida entre el tamaño de la muestra. En R se calcula usando la función
mean().
mean(datos$SENWT)

## [1] 18.26234
Se concluye que el valor medio de la variable SENWT es 18.2623384.
En presencia de valores faltantes, la media será por defecto identificada como NA. El uso del parámetro
na.rm=TRUE nos permite calcular la media de la variable sin tener en cuenta estos valores. Por ejemplo, la

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 11

 Metodologías de investigación cuantitativa

variable SCHSIZE contiene valores faltantes por lo que es necesario hacer uso del parámetro na.rm=TRUE para
obtener la media de esta variable.
mean(datos$SCHSIZE)

## [1] NA
mean(datos$SCHSIZE, na.rm=TRUE)

## [1] 772.5211
Se concluye que el número de alumnos medio de las escuelas para las que se dispone de información es
772.521096.
Otra opción para resumir un conjunto de datos es a través de los cuantiles. Formalmente, se define el cuantil
de orden p (0 < p < 1) como el valor que marca un corte de modo que una proporción p de valores sea menor
o igual que él y una proporción 1 − p de valores sea mayor o igual que él. Los cuantiles están implementados
en la función quantile(), donde el orden del cuantil se introduce a través del parámetro probs. El caso
particular de la mediana (que es el cuantil de orden 0.5, llamado también segundo cuartil) tiene implementada
su propia función (median()). También son populares los cuantiles de orden 0.25 (llamado también primer
cuartil) y de orden 0.75 (llamado también tercer cuartil). Por último, íntimamente relacionados con los
cuantiles, tenemos las nociones de mínimo y máximo, que vienen implementados a través de las funciones
min() y max(), respectivamente. Al igual que pasaba con la media, en todas estas funciones el parámetro
na.rm nos permite decidir si se tienen en cuenta los valores faltantes o no para calcular el valor de la medida
de posición correspondiente.
quantile(datos$SENWT, probs=0.25, names=FALSE)

## [1] 5.50544
median(datos$SENWT)

## [1] 11.39931
min(datos$SENWT)

## [1] 0.15084
max(datos$SENWT)

## [1] 328.7267
Hasta ahora, solamente hemos hablado de medidas de posición, pero también existen otras medidas resumen
que nos sirven para medir cuánto de dispersos están nuestros datos. Las medidas de dispersión más habituales
para variables cuantitativas son el recorrido (diferencia entre el máximo y el mínimo de la muestra), el
recorrido intercuartílico (diferencia entre el tercer cuartil y el primer cuartil de la muestra), la varianza
(promedio de las distancias de todos los valores de la muestra a la media de la muestra) y la desviación típica
(raíz cuadrada de la varianza). Estas tres últimas medidas de dispersión tienen una función propia en R
(IQR(), var() y sd(), respectivamente).
IQR(datos$SENWT)

## [1] 17.90313
var(datos$SENWT)

## [1] 490.2352
sd(datos$SENWT)

## [1] 22.14126

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 12

 Metodologías de investigación cuantitativa

Sin embargo, para obtener el recorrido es necesario acudir a la definición y restar al máximo de la muestra el
mínimo.
max(datos$SENWT)-min(datos$SENWT)

## [1] 328.5759
Es importante mencionar que el denominador utilizado en las funciones sd() y var() es n − 1 en lugar de n.
En ocasiones, se utiliza el nombre cuasidesviación típica y cuasivarianza para referirse a estas medidas.
Por último, es posible agrupar estos resúmenes por medio de la función summarise(). Esta función también
permite realizar resúmenes por grupos, indicando la agrupación requerida por medio de group_by().
Resumen <- summarise(datos,
MaxSENWT=max(SENWT),
MeanSENWT=mean(SENWT),
DistintosSENWT=length(unique(SENWT)))
Resumen

## # A tibble: 1 x 3
## MaxSENWT MeanSENWT DistintosSENWT
## <dbl> <dbl> <int>
## 1 329. 18.3 13044
ResumenGrupos <- summarise(group_by(datos,CNT),
MaxSENWT=max(SENWT),
MeanSENWT=mean(SENWT),
LengthSENWT=length(unique(SENWT)))
ResumenGrupos

## # A tibble: 80 x 4
## CNT MaxSENWT MeanSENWT LengthSENWT
## <chr> <dbl> <dbl> <int>
## 1 ALB 46.8 15.3 97
## 2 ARE 82.0 6.62 78
## 3 ARG 121. 11.0 370
## 4 AUS 72.9 6.55 591
## 5 AUT 94.4 17.2 184
## 6 BEL 153. 17.4 256
## 7 BGR 69.1 25.4 147
## 8 BIH 82.6 23.5 128
## 9 BLR 68.2 21.4 123
## 10 BRA 59.4 8.38 489
## # i 70 more rows
A partir de los resultados anteriores, se observa, por ejemplo, que la media de la variable SENWT es del orden
de 18.3, sin embargo en Albania (ALB) la media de esta variable es del orden de 15.3.
En ocasiones estamos interesados en aplicar una función a todas las variables de un tibble. Para ello tenemos
que hacer uso de alguna de las funciones de la familia apply(). En esta familia, una de las opciones más
sencillas de utilizar es la función sapply().
sapply(datos,class)

## CNTRYID CNT OECD SC017Q02NA PRIVATESCH STRATIO

## "factor" "character" "numeric" "factor" "character" "numeric"
## SCHSIZE SENWT
## "numeric" "numeric"

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 13

 Metodologías de investigación cuantitativa

2.2 Variables bidimensionales

El comando table(), utilizado en el caso unidimensional para realizar tablas de frecuencias, también se
puede usar en el caso bidimensional para obtener tablas de doble entrada simplemente introduciendo dos
variables al llamar a la función.
Tabla <- table(datos$SC017Q02NA,datos$OECD, useNA="ifany")
Tabla

##
## 0 1
## 1 5051 5026
## 2 3015 4016
## 3 1559 1523
## 4 423 141
## <NA> 528 621
Por ejemplo, el valor de la primera fila y primera columna nos indica que 5051 observaciones se corresponden
con individuos que indicaron el valor 1 (En absoluto) para la variable SC017Q02NA y pertenecen a países que
no son miembros de la OECD (0 en la variable OECD).
Para obtener la tabla de frecuencias marginales, se puede recurrir a la función table(), llamando a una de
las variables solamente. También es posible obtener la tabla de frecuencias marginales por medio de una
suma por filas/columnas utilizando la función apply().
table(datos$SC017Q02NA, useNA="ifany")

##
## 1 2 3 4 <NA>
## 10077 7031 3082 564 1149
apply(Tabla,1,sum)

## 1 2 3 4 <NA>
## 10077 7031 3082 564 1149
table(datos$OECD, useNA="ifany")

##
## 0 1
## 10576 11327
apply(Tabla,2,sum)

## 0 1
## 10576 11327
La función prop.table() permite calcular tablas de frecuencias relativas.
prop.table(Tabla)

##
## 0 1
## 1 0.230607679 0.229466283
## 2 0.137652376 0.183353878
## 3 0.071177464 0.069533854
## 4 0.019312423 0.006437474
## <NA> 0.024106287 0.028352281
En este caso el valor de la primera fila y primera columna indica que en torno a un 23.06% de la observaciones se
corresponden con individuos que indicaron el valor 1 (En absoluto) para la variable SC017Q02NA y pertenecen

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 14

 Metodologías de investigación cuantitativa

a países que no son miembros de la OECD (0 en la variable OECD).

De especial interés es el uso de la opción margin de la función prop.table() para obtener tablas de frecuencias
condicionadas. La opción margin=1 permite condicionar para los distintos valores de la variable representada
por las filas, así como la opción margin=2 permite condicionar para los distintos valores de la variable
representada por las columnas.
prop.table(Tabla, margin=1)

##
## 0 1
## 1 0.5012404 0.4987596
## 2 0.4288152 0.5711848
## 3 0.5058404 0.4941596
## 4 0.7500000 0.2500000
## <NA> 0.4595300 0.5404700
En este caso el valor de la primera fila y primera columna indica que en torno a un 50.12% de los individuos
que indicaron el valor 1 (En absoluto) para la variable SC017Q02NA pertenecen a países que no son miembros
de la OECD (0 en la variable OECD).
prop.table(Tabla, margin=2)

##
## 0 1
## 1 0.47759077 0.44371855
## 2 0.28507943 0.35455107
## 3 0.14740923 0.13445749
## 4 0.03999622 0.01244813
## <NA> 0.04992436 0.05482476
En este caso el valor de la primera fila y primera columna indica que en torno a un 47.76% de los individuos
que pertenecen a países que no son miembros de la OECD (0 en la variable OECD) indicaron el valor 1 (En
absoluto) para la variable SC017Q02NA.

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 15

 Metodologías de investigación cuantitativa

3 Tema 3. Estadística descriptiva gráfica

3.1 Diagrama de barras
El diagrama de barras es una representación gráfica que nos permite visualizar una variable cualitativa o
cuantitativa que tome una pequeña cantidad de valores. Vamos a ver cómo realizar un diagrama de barras
haciendo uso del paquete ggplot2 (contenido en el paquete tidyverse, por lo que no hace falta cargarlo de
nuevo si ya se cargó previamente el paquete tidyverse). La opción más sencilla es a través del comando
qplot().
qplot(datos$SC017Q02NA, geom="bar")

10000

7500

5000

2500

1 2 3 4 NA
datos$SC017Q02NA

En este gráfico se observa claramente como de los individuos que respondieron a la variable SC017Q02NA,
la mayor parte respondieron 1 (En absoluto), siendo 2 (Muy poco) la segunda respuesta más frecuente y 4
(Mucho) la respuesta menos frecuente.
A pesar de la sencillez de uso de la función qplot(), esta opción se nos puede quedar limitada para la
realización de gráficos más avanzados. Es por esto que vamos a trabajar con el comando ggplot(), que
nos permite una mayor cantidad de opciones de personalización mediante el uso de capas superpuestas.
Como primera capa, debemos realizar una capa inicial construida a partir del conjunto de datos sobre el que
queremos realizar el diagrama de barras. El comando aes() nos permitirá ligar distintas cuestiones estéticas
al gráfico (como, por ejemplo, la variable en el eje x o el color). A continuación, deberemos indicar el tipo de
gráfico que queremos realizar añadiendo una nueva capa con el símbolo +. En este caso, queremos añadir una
nueva capa que sea un diagrama de barras, utilizando el comando geom_bar().
ggplot(data = datos, aes(x = SC017Q02NA)) + geom_bar()

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 16

 Metodologías de investigación cuantitativa

10000

7500
count

5000

2500

1 2 3 4 NA
SC017Q02NA

Las funciones ggtitle(), xlab() y ylab() nos permiten cambiar el título y los nombres de los ejes.
ggplot(data = datos, aes(x = SC017Q02NA)) + geom_bar() +
ggtitle("Estudio PISA") + xlab("Variable SC017Q02NA") + ylab("Frecuencia")

Estudio PISA
10000

7500
Frecuencia

5000

2500

1 2 3 4 NA
Variable SC017Q02NA

#+ theme(plot.title = element_text(hjust = 0.5)) #para centrar el título

El comando factor() nos permite reordenar los niveles de la variable a representar. Esto es de gran utilidad
cuando los valores de la variable son, por ejemplo, Bajo, Medio y Alto, que R nos ordenará por orden
alfabético. La función factor() también nos permite convertir a factor una variable numérica discreta de la

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 17

 Metodologías de investigación cuantitativa

que queramos realizar un diagrama de barras. Por último, esta función también es de utilidad si queremos
que los valores faltantes se incluyan explícitamente en el diagrama de barras.
datos$Factor <- factor(datos$SC017Q02NA,
levels=c(1,2,3,4,NA), # Orden de los niveles del factor
exclude=NULL) # Por defecto se excluyen los valores faltantes
ggplot(data = datos, aes(x = Factor)) + geom_bar()

10000

7500
count

5000

2500

1 2 3 4 NA
Factor

Se pueden especificar manualmente los colores del interior (fill) y del contorno (color) para cada una de
las barras.
ggplot(data = datos, aes(x = Factor)) +
geom_bar(color="black",fill=c("red","blue","green","orange","pink"))

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 18

 Metodologías de investigación cuantitativa

10000

7500
count

5000

2500

1 2 3 4 NA
Factor

También podemos ligar algunas de las propiedades estéticas del gráfico a otra variable haciendo uso de aes().
Por ejemplo, podemos ligar el color del interior de las barras a otra variable. Si la variable asociada a las
barras coincide con la variable asociada al color, simplemente se obtendrán barras de distintos colores.
ggplot(data = datos, aes(x = Factor)) +
geom_bar(aes(fill=Factor))

10000

7500

Factor
1
count

2
5000
3
4
NA

2500

1 2 3 4 NA
Factor

El uso de scale_fill_manual() nos permite introducir a mano los colores del gráfico, siendo necesario
introducir el color para los NAs en un argumento aparte. Por defecto, R tiene implementados los colores más
usuales por medio de sus nombres en inglés, pero admite cualquier otro colo introduciendo su representación

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 19

 Metodologías de investigación cuantitativa

hexadecimal. Nótese que existen numerosas páginas web que generan combinaciones de colores visualmente
llamativas para realizar gráficos. Un ejemplo de página web de este tipo sería: https://coolors.co/.
ggplot(data = datos, aes(x = Factor)) +
geom_bar(aes(fill=Factor)) +
scale_fill_manual(values = c("#1F0322","#8A1C7C","#DA4167","#F0BCD4"), na.value="grey")

10000

7500

Factor
1
count

2
5000
3
4
NA

2500

1 2 3 4 NA
Factor

De manera similar, scale_fill_brewer() nos permite utilizar una de las numerosas paletas de colores
disponibles en R.
ggplot(data = datos, aes(x = Factor)) +
geom_bar(aes(fill=Factor)) +
scale_fill_brewer(palette="Reds", na.value="grey")

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 20

 Metodologías de investigación cuantitativa

10000

7500

Factor
1
count

2
5000
3
4
NA

2500

1 2 3 4 NA
Factor

Se puede utilizar una segunda variable para estratificar la variable representada en el diagrama de barras.
ggplot(data = datos, aes(x = Factor)) +
geom_bar(aes(fill=PRIVATESCH))

10000

7500 PRIVATESCH

invalid
count

missing
5000
private
PRIVATE
public
PUBLIC
2500

1 2 3 4 NA
Factor

Nótese que la estratificación de la variable se puede mostrar desplazada en lugar de superpuesta dentro del
diagrama de barras.
ggplot(data = datos, aes(x = Factor)) +
geom_bar(aes(fill=PRIVATESCH),position = "dodge")

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 21

 Metodologías de investigación cuantitativa

5000

4000
PRIVATESCH

3000 invalid
count

missing
private

2000 PRIVATE
public
PUBLIC

1000

1 2 3 4 NA
Factor

Nótese por último que geom_bar() toma como entrada un vector de valores y representa las frecuencias de
cada valor en el vector. Si ya tenemos los datos agrupados en frecuencias, dichas frecuencias se deberían
pasar como la variable estética ligada al eje y, siendo necesario forzar la opción stat="identity".
DatosDiagrama <- tibble(valores=1:5, frecuencias=c(5,3,5,7,1))
ggplot(data = DatosDiagrama, aes(x = valores, y=frecuencias)) +
geom_bar(stat="identity")

6
frecuencias

1 2 3 4 5
valores

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 22

 Metodologías de investigación cuantitativa

3.2 Diagrama de sectores

El diagrama de sectores es una representación gráfica que nos permite visualizar una variable cualitativa o
cuantitativa que tome una pequeña cantidad de valores. A pesar de que el paquete ggplot2 no implementa
por defecto el diagrama de sectores, es fácil obtener uno a partir de un diagrama de barras haciendo uso
de un cambio a coordenadas polares. En primer lugar, se tiene que realizar un diagrama de una sola barra
estratificado por la variable a representar y después realizar un cambio a coordenadas polares haciendo uso
de coord_polar(theta = "y").
ggplot(data = datos, aes(x = "")) +
geom_bar(aes(fill=Factor))

20000

15000 Factor
1
count

10000 3
4
NA

5000

ggplot(data = datos, aes(x = "")) +

geom_bar(aes(fill=Factor)) +
coord_polar(theta = "y")

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 23

 Metodologías de investigación cuantitativa

20000

Factor
1
5000
2
x

3
4
NA
15000

10000

count

3.3 Histograma
El histograma es una representación gráfica que nos permite visualizar una variable cuantitativa continua.
Podemos realizar un histograma por medio de la función qplot().
qplot(datos$SENWT, geom="histogram")

8000

6000

4000

2000

0 100 200 300

datos$SENWT

# qplot(datos$SENWT) #Por defecto hace histograma

Se observa como la mayor parte de los individuos toman valores menores de 50 para la variable SENWT, siendo

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 24

 Metodologías de investigación cuantitativa

cada vez menos frecuente la aparición de valores cada vez más grandes.
La función geom_histogram() tiene distintos parámetros que nos permiten implementar diversas opciones
estéticas. Por ejemplo, el parámetro binwidth nos permite variar el ancho de las celdas del histograma,
mientras que mediante el parámetro boundary podemos indicar el punto desde el que queremos que se
construya la primera barra. Al igual que ocurría con los diagramas de barras, color indica el color del borde
de las barras del histograma y fill indica el color de su interior.
ggplot(data = datos, aes(x=SENWT)) +
geom_histogram(binwidth=10, color="black", fill="red", boundary=0)

10000

7500
count

5000

2500

0 100 200 300

SENWT

Si ligamos el relleno del gráfico a una variable del conjunto de datos, obtenemos distintos histogramas
superpuestos, uno por valor que tome la variable ligada al relleno del gráfico. En este caso es útil utilizar el
parámetro alpha para reducir la opacidad de las barras, así como forzar la opción position="identity"
para que R no apile las barras de los histogramas. Si el número de elementos en cada valor de la variable ligada
al relleno del gráfico es diferente, puede ser recomendable realizar un histograma de densidades, indicando
y=..density...
ggplot(data = datos, aes(x=SENWT, y=..density.., fill=factor(OECD))) +
geom_histogram(color="black", alpha=0.5, position="identity")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 25

 Metodologías de investigación cuantitativa

0.03

factor(OECD)
density

0.02
0
1

0.01

0.00

0 100 200 300

SENWT

En este gráfico podemos comprobar que no se observan grandes diferencias en la variable SENWT entre países
miembros de la OECD y países no miembros.

3.4 Poligonal de frecuencias

La poligonal de frecuencias es una representación gráfica que nos permite visualizar una variable cuantitativa
continua. Se puede variar el geoma por defecto de la función qplot() para realizar rápidamente una poligonal
de frecuencias en lugar de un histograma.
qplot(datos$SENWT, geom="freqpoly")

8000

6000

4000

2000

0 100 200 300

datos$SENWT

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 26

 Metodologías de investigación cuantitativa

Las conclusiones extraídas de una poligonal de frecuencias son siempre parecidas a las extraídas de un
histograma, por lo que la elección entre estos dos tipos de gráficos es típicamente una cuestión de gusto
personal.
Por medio de capas, la poligonal de frecuencias se obtiene con la función geom_freqpoly(). Muchos de
los parámetros de esta función coinciden con los del histograma. Entre los parámetros más importantes
encontramos binwidth, que nos permite variar el ancho de las celdas; color, que nos permite asignarle un
color; y size, que nos permite variar el ancho del trazo. Como en el caso del histograma, se puede asignar
por medio de aes una segunda variable para estratificar la poligonal de frecuencias.
ggplot(data = datos, aes(x=SENWT, color=factor(OECD))) +
geom_freqpoly(binwidth=5, size=1)

2000

factor(OECD)
count

0
1
1000

0 100 200 300

SENWT

3.5 Diagrama de caja

El diagrama de caja es una representación gráfica para variables cuantitativas continuas muy útil cuando se
quieren comparar esta variable cuantitativa continua en diversos grupos (variable cualitativa o cuantitativa
discreta que tome pocos valores). Variando de nuevo el geoma por defecto de la función qplot(), se puede
realizar un diagrama de cajas estratificado por grupos. En cada grupo, la caja delimita el 50% central de las
observaciones que se encuentra entre el primer y el tercer cuartil (que son representados por los límites de
la caja), marcando con una línea horizontal la mediana. Desde los extremos de las cajas se extienden unos
bigotes indicando el rango de valores que toma la variable y marcando con puntos sueltos aquellos que son
considerados atípicos por distar demasiado de la parte central de los datos.
qplot(factor(datos$OECD),datos$SENWT, geom="boxplot")

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 27

 Metodologías de investigación cuantitativa

300

datos$SENWT

200

100

0 1
factor(datos$OECD)

En este gráfico no se observan grandes diferencias entre los países miembros de la OECD y los países no
miembros para la variable SENWT, ni en términos de posición (localización de la caja) ni de dispersión (altura
de la caja).
También podemos hacer uso de la función geom_boxplot(), indicando como variable y aquella que queremos
resumir por medio del diagrama de caja, mientras que la variable x se reserva para separar los datos por
grupos. Es posible girar el diagrama de caja, invirtiendo los roles de las variables x e y.
ggplot(data = datos, aes(x = factor(OECD), y = SENWT)) +
geom_boxplot()

300

200
SENWT

100

0 1
factor(OECD)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 28

 Metodologías de investigación cuantitativa

Como ocurrió con los gráficos vistos con anterioridad, es posible modificar distintas opciones de la función
geom_boxplot(). Por ejemplo, el parámetro fill nos permite rellenar la caja del color deseado. Nótese
que el parámetro fill se puede ligar a la variable de agrupación, apareciendo así una leyenda asociada. En
el caso de los diagramas de caja, dicha leyenda es en ocasiones innecesaria, por lo que se puede eliminar
indicando theme(legend.position="none").
ggplot(data = datos, aes(x=factor(OECD), y=SENWT, fill=factor(OECD))) +
geom_boxplot() +
theme(legend.position="none")

300

200
SENWT

100

0 1
factor(OECD)

Se pueden señalizar distintas medidas resumen, como por ejemplo la media, haciendo uso de stat_summary().
ggplot(data = datos, aes(x=factor(OECD), y=SENWT, fill=factor(OECD))) +
geom_boxplot() +
stat_summary(fun=mean, geom="point", size=2, shape=22, fill="white")

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 29

 Metodologías de investigación cuantitativa

300

200
factor(OECD)
SENWT

0
1

100

0 1
factor(OECD)

Otras variaciones en el diseño incluyen la inclusión de los bigotes con stat_boxplot(geom = "errorbar")
(opción puramente estética).
ggplot(data = datos, aes(x=factor(OECD), y=SENWT, fill=factor(OECD))) +
stat_boxplot(geom = "errorbar", width = 0.5) +
geom_boxplot()

300

200
factor(OECD)
SENWT

0
1

100

0 1
factor(OECD)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 30

 Metodologías de investigación cuantitativa

3.6 Diagrama de violín

En la actualidad, es frecuente encontrar variantes del clásico diagrama de caja. Su variante más popular
es el diagrama de violín, en el que se sustituye la caja por una estimación de la función de densidad. El
diagrama de violín es también una representación gráfica para variables cuantitativas continuas muy útil
cuando se quieren comparar esta variable cuantitativa continua en diversos grupos (variable cualitativa o
cuantitativa discreta que tome pocos valores). Para realizar un diagrama de violín debemos recurrir a la
función geom_violin(). Dos opciones adicionales de esta función son draw_quantiles, que nos permite
remarcar ciertos cuantiles de la muestra; y la opción trim=FALSE, que modifica la forma de la estimación de
la función de densidad en los extremos (es decir, para los valores más altos y para los valores más bajos).
ggplot(data = datos, aes(x=factor(OECD), y=SENWT, fill=factor(OECD))) +
geom_violin()

300

200
factor(OECD)
SENWT

0
1

100

0 1
factor(OECD)

# Atajo: qplot(factor(datos$OECD),datos$SENWT, geom="violin")

3.7 Diagrama de calor

De manera similar al diagrama de barras para representar la tabla de frecuencias de una variable unidimensional,
se puede utilizar un diagrama de calor para representar la tabla de frecuencias de una variable bidimensional.
El diagrama de calor sirve para visualizar dos variables cualitativas o cuantitativas que tomen un número
pequeño de valores. Podemos realizar este diagrama en R por medio de la función geom_bin_2d().
ggplot(data=datos, aes(x=Factor, y=factor(OECD))) +
geom_bin_2d()

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 31

 Metodologías de investigación cuantitativa

count
5000
factor(OECD)

4000
3000
2000
1000

1 2 3 4 NA
Factor

Otro diagrama con el mismo propósito se puede obtener con geom_count().

ggplot(data=datos, aes(x=Factor, y=factor(OECD))) +
geom_count()

n
factor(OECD)

1000
2000
3000
4000
5000

1 2 3 4 NA
Factor

Ambos diagramas sirven para el mismo propósito y, en este caso, nos permiten concluir que si nos fijamos en
las celdas de color más claro (primer gráfico) o en los puntos de mayor tamaño (segundo gráfico), la variable

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 32

 Metodologías de investigación cuantitativa

Factor (versión factorizada de la variable SC017Q02NA) distribuye sus valores más frecuentemente en los
valores 1 (En absoluto) y 2 (Muy poco). Por otro lado, la variable OECD no parece tener gran influencia sobre
la frecuencia de las observaciones, ni parece que exista una interacción directa entre las dos variables de
estudio.

3.8 Diagrama de dispersión

El diagrama de dispersión es una herramienta para la visualización de dos variables cuantitativas continuas.
Para realizar un diagrama de dispersión con R hacemos uso de la función geom_point(). Tendremos que
indicar como variable x aquella que queremos que aparezca en el eje de abscisas y como variable y aquella
que queremos que aparezca en el eje de ordenadas.
ggplot(data = datos, aes(x = SCHSIZE, y = SENWT)) +
geom_point()

300

200
SENWT

100

0 5000 10000
SCHSIZE

# Atajo: qplot(datos$SCHSIZE, datos$SENWT, geom="point")

A primera vista, no se observa ninguna relación entre las dos variables de estudio.
Es posible modificar la forma de los puntos del diagrama de dispersión por medio de la opción shape. Las
formas disponibles se pueden ver en la siguiente tabla:
También es posible utilizar las funciones geom_hline() y geom_vline() para realizar líneas horizontales y
verticales, así como utilizar la función geom_text() para añadir texto al gráfico.
ggplot(data = datos, aes(x = SCHSIZE, y = SENWT)) +
geom_point(data = filter(datos, SCHSIZE<=10000), colour = "black") +
geom_point(data = filter(datos, SCHSIZE>10000), colour = "red", shape=15,size=2) +
geom_vline(xintercept = c(10000), colour = "red", size = 1, linetype = "dashed") +
geom_text(aes(label=ifelse(SCHSIZE>10000,as.character(CNT),"")),size=3, nudge_y = 0.8)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 33

 Metodologías de investigación cuantitativa

300

200
SENWT

100

ARE
PHL TAPPHL PHL QCI
0

0 5000 10000
SCHSIZE

El paquete ggrepel implementa mejoras a las funciones base de que evitan el solapamiento de componentes
del gráfico. Por ejemplo, geom_text_repel() es la correspondiente versión mejorada de geom_text().
#install.packages("ggrepel") # Ejecutar si el paquete no ha sido instalado
library(ggrepel)
ggplot(data = datos, aes(x = SCHSIZE, y = SENWT)) +
geom_point(data = filter(datos, SCHSIZE<=10000), colour = "black") +
geom_point(data = filter(datos, SCHSIZE>10000), colour = "red", shape=15,size=2) +
geom_vline(xintercept = c(10000), colour = "red", size = 1, linetype = "dashed") +
geom_text_repel(aes(label=ifelse(SCHSIZE>10000,as.character(CNT),"")),size=3, nudge_y = 0.8)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 34

 Metodologías de investigación cuantitativa

300

200
SENWT

100

ARE TAP PHL QCI

0
PHL PHL
0 5000 10000
SCHSIZE

3.9 Subfiguras
En ocasiones queremos agrupar los datos en subfiguras. La función facet_grid(variable1 ~ .) nos creará
subfiguras agrupadas en filas a partir de variable1, mientras que la función facet_grid(. ~ variable2)
nos creará subfiguras agrupadas en columnas a partir de variable2. Se puede crear una matriz de subfiguras
en función de variable1 y variable2 haciendo uso de facet_grid(variable1 ~ variable2). Si el número
de subfiguras es muy grande, en ocasiones es más visual hacer uso de la función facet_wrap(~ variable).
Es importante mencionar que para la comparación de histogramas a veces es útil representar las densidades
en lugar de las frecuancias absolutas por medio del comando y=..density...
ggplot(data = datos, aes(x = Factor)) +
geom_bar() +
facet_grid(. ~ PRIVATESCH)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 35

 Metodologías de investigación cuantitativa

invalid missing private PRIVATE public PUBLIC

5000

4000

3000
count

2000

1000

1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA
Factor

ggplot(data = datos, aes(x = Factor)) +

geom_bar() +
facet_grid(OECD ~ .)

5000

4000

3000

0
2000

1000
count

5000

4000

3000
1

2000

1000

0
1 2 3 4 NA
Factor

ggplot(data = datos, aes(x = Factor)) +

geom_bar() +
facet_grid(OECD ~ PRIVATESCH)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 36

 Metodologías de investigación cuantitativa

invalid missing private PRIVATE public PUBLIC

2000

0
1000
count

2000

1
1000

0
1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA 1 2 3 4 NA
Factor

ggplot(data = datos, aes(x = Factor)) +

geom_bar() +
facet_wrap(~ PRIVATESCH)

invalid missing
5000
4000
3000
2000
1000
0
private PRIVATE public
5000
4000
count

3000
2000
1000
0
1 2 3 4 NA 1 2 3 4 NA
PUBLIC
5000
4000
3000
2000
1000
0
1 2 3 4 NA
Factor

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 37

 Metodologías de investigación cuantitativa

4 Tema 4. Introducción a la inferencia estadística

4.1 Teoría de los contrastes de hipótesis
El objetivo de la inferencia estadística es generalizar patrones vistos en una muestra a la población. Una gran
parte de la inferencia estadística está basada en los contrastes de hipótesis. Estos contrastes de hipótesis
tienen como objetivo determinar, de acuerdo a la información muestral recogida, si determinada hipótesis
sobre la (distribución de una) población debe ser rechazada.
Formalmente, se fija una hipótesis (llamada hipótesis nula y denotada H0 ), de la que se quiere estudiar su
veracidad contra su contraria (llamada hipótesis alternativa, denotada H1 ). Si la hipótesis nula caracteriza
totalmente la distribución, se dice que es simple. De lo contrario, se dice que la hipótesis nula es compuesta.
Formalmente, un test de hipótesis es cualquier partición del espacio muestral (conjunto de todas las posibles
muestras) en:
• Región crítica (denotada por RC): Formada por las muestras menos creíbles en caso de que la hipótesis
nula fuese cierta.
• Región de aceptación (denotada por RA): Formada por las muestras más creíbles en caso de que la
hipótesis nula fuese cierta.
Dada una muestra, diremos que un test de hipótesis rechaza H0 si la muestra se encuentra en la región
crítica y, por el contrario, diremos que un test de hipótesis no rechaza H0 si la muestra se encuentra en la
región de aceptación.
Al realizar un test de hipótesis, se tiene la siguiente tabla con respecto a la verdad (típicamente desconocida)
y la decisión tomada por el test de hipótesis:
Decisión\Verdad H0 es cierta H0 es falsa
Rechazar H0 Error I Acierto
No rechazar H0 Acierto Error II
Se definen tres conceptos clave en función de esta tabla:
• Probabilidad de Error de tipo I (para una distribución D en H0 ):

P (RC|D ∈ H0 ) .

• Probabilidad de Error de tipo II (para una distribución D en H1 ):

P (RA|D ∈ H1 ) = 1 − P (RC|D ∈ H1 ) .

• Llamamos potencia del test en una cierta distribución D a

PD (RC) := P (RC|D)

Se espera que esta potencia sea pequeña si D ∈ H0 y grande si D ∈ H1 .

Nos gustaría escoger un test que minimice las probabilidades de ambos tipos de error a la vez, pero esto
típicamente no es posible. Es por esto que se suele proceder de la siguiente forma:
• Fijar una cota superior (típicamente 0.01 o 0.05) para la probabilidad de Error de tipo I, llamada nivel
de significación y denotada por α;
• De entre todos los tests con nivel de significación α, se busca minimizar la probabilidad de Error de
tipo II.
Si de entre los tests de nivel de significación α, existe un test que minimice la probabilidad de Error de tipo
II para todas las distribuciones bajo H1 , se dice que es el test uniformemente más potente. Por norma
general, no existe un test uniformemente más potente y nos tendremos que conformar con tests que sean
potentes contra alternativas específicas.

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 38

 Metodologías de investigación cuantitativa

Para construir la Región Crítica se suele recurrir a un estadístico del contraste T que mida las discrepancias
de las muestras con la hipótesis nula. Típicamente se darán tres casos:
• RC = {T > c} si los valores grandes de T representan poca compatibilidad con H0 ;
• RC = {T < c} si los valores pequeños de T representan poca compatibilidad con H0 ;
• RC = {T < c} ∪ {T > c0 } si tanto valores grandes como pequeños de T representan poca compatibilidad
con H0 .
El cálculo de c (y c0 ) se hará a partir de la distribución de T , que debe ser conocida bajo la hipótesis nula.
Se buscarán valores de c que maximicen P (RC|D ∈ H0 ) manteniendo el nivel de significación (i.e., bajo
la restricción P (RC|D ∈ H0 ) ≤ α). Si se conoce la forma analítica de la distribución de T , las constantes
de construcción de la RC se obtienen fácilmente a través de los cuantiles correspondientes; de lo contrario,
podemos acudir a la simulación.
Los pasos a seguir a la hora de realizar un test de hipótesis son los siguientes:
1. Formular las hipótesis de estudio en lenguaje estadístico, identificando la hipótesis nula H0 y la
alternativa H1 ;
2. Fijar el nivel de significación α;
3. Construir la Región Crítica, típicamente a partir de un estadístico del contraste que mida las discrepancias
de las muestras con la hipótesis nula;
4. Obtener una muestra;
5. Tomar la decisión correspondiente en base a la pertenencia o no de la muestra a la Región Crítica.
En la forma clásica de realizar un test de hipótesis, se fijan en primer lugar el nivel de significación y la
Región Crítica, permitiéndonos realizar el mismo test para distintas muestras obtenidas. Existe una forma
análoga de realizar un test de hipótesis, fijando en primer lugar la muestra y calculando el menor nivel de
significación α para el que nos encontramos en la Región Crítica. A dicho valor se le conoce como p-valor
asociado a la muestra. Ambas formas de realizar un test de hipótesis son equivalentes, puesto que:
• p-valor ≤ α es equivalente a estar en la RC;
• p-valor > α es equivalente a estar en la RA.
En general, es más común realizar contrastes de hipótesis analizando el p-valor obtenido puesto que los
softwares estadísticos (como por ejemplo R) devuelven directamente el p-valor para cada muestra dada.
A continuación, veremos distintos tipos de contrastes de hipótesis que suelen aparecer en problemas en el
ámbito de la educación: tests de normalidad, tests de comparación de medias (tanto para una muestra,
como para dos), tests de proporciones (tanto para una muestra, como para dos) y tests de independencia
chi-cuadrado.

4.2 Estudio de la normalidad de una variable

Para comprobar si una variable parece seguir una distribución normal podemos hacer uso del histograma de
la muestra. En particular, debemos superponer sobre el histograma la función de densidad de una normal con
la media y desviación típica de nuestra muestra. Para garantizar que la escala del eje de ordenadas coincide
en el histograma y en la función de densidad es necesario realizar un histograma de frecuencias (indicando la
opción aes(y=..density..)).
ggplot(data = datos, aes(x = STRATIO)) +
geom_histogram(aes(y=..density..), bins=100) +
stat_function(fun=dnorm, color="blue", size=1,
args=list(
mean=mean(datos$STRATIO,na.rm=TRUE), sd=sd(datos$STRATIO,na.rm=TRUE) ))

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 39

 Metodologías de investigación cuantitativa

0.08

0.06
density

0.04

0.02

0.00

0 25 50 75 100
STRATIO

En este caso, se observa como la variable STRATIO no parece comportarse como una distribución normal.
Si se quiere realizar este estudio de una manera más formal, se puede acudir a algún test de normalidad, en
donde se tienen las siguientes hipótesis nula y alternativa:

H0 : X N (µ, σ) ,
H1 : X 6 N (µ, σ) ,

para ciertos µ y σ desconocidos.

El test de normalidad más habitual es el de Shapiro-Wilk, implementado en R en la función shapiro.test().
Sin embargo, en esta ocasión no nos será de gran utilidad porque la implementación de R solo permite
utilizar este test para tamaños muestrales iguales o menores que 5000. Podemos comprobar su funcionamiento
restringiéndonos a los 5000 primeros valores de la variable. Nótese que el resultado obtenido para estos 5000
primeros valores no es extrapolable a toda la variable a menos que estos valores hayan sido seleccionados
aleatoriamente.
shapiro.test(datos$STRATIO[1:5000])

##
## Shapiro-Wilk normality test
##
## data: datos$STRATIO[1:5000]
## W = 0.71414, p-value < 2.2e-16
Puesto que se obtiene un p-valor más pequeño que cualquier nivel de significación habitual (e.g., α = 0.05),
se rechaza la hipótesis de que la variable STRATIO sigue una distribución normal.
Otra alternativa bastante popular es el test de Anderson-Darling, cuya implementación en R del paquete
nortest a través de la función ad.test() sí permite trabajar con muestras de gran tamaño, como es el caso
de nuestro conjunto de datos.
#install.packages("nortest") #Ejecutar si el paquete no ha sido instalado
library(nortest)
ad.test(datos$STRATIO)

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 40

 Metodologías de investigación cuantitativa

##
## Anderson-Darling normality test
##
## data: datos$STRATIO
## A = 1009.5, p-value < 2.2e-16
Concluimos de nuevo que hay evidencias suficientes para rechazar a un nivel de significación de α = 0.05
la normalidad de la variable. Eso sí, es sabido que en conjuntos de datos de tamaño muy grande no es
recomendable el uso de test de normalidad, pues tenderán a rechazar la hipótesis de normalidad en la mayoría
de los casos al detectar ligeras desviaciones. Estas ligeras desviaciones pueden ni siquiera ser inherentes a la
propia variable, sino ser debidas a errores de medición, redondeo de decimales, etc.

4.3 Contrastes para un promedio

En ocasiones, es necesario estudiar si la media de una población es (menor/mayor o) igual que un cierto valor
µ0 dado. En dicho caso, es de utilidad el realizar algunos de los tres siguientes tests:

H0 : µ = µ0 , H00 : µ ≤ µ0 , H000 : µ ≥ µ0 ,
H1 : µ 6= µ0 , H10 : µ > µ0 , H100 : µ < µ0 .
Existen numerosos tests para esta tarea, pero nos centraremos en los tres más populares. La opción más
prominente es sin duda el test t de Student (función t.test()), sin embargo es importante mencionar que
este test no es adecuado si no nos encontramos ante una variable con distribución normal, especialmente si el
tamaño muestral es pequeño. La segunda opción más popular es el test de Wilcoxon (función wilcox.test()),
la alternativa no paramétrica al test t de Student que no requiere normalidad sino una condición más débil
como es la simetría (así como que la variable sea continua o, al menos, tome un número moderadamente
grande de valores). Por último, nos encontramos antes la opción menos potente de las tres, el test de los
signos (función SignTest(), del paquete DescTools), pero que puede ser utilizada siempre, incluso para
variables cualitativas ordinales.
A continuación, aplicamos los tres tests a la variable STRATIO de nuestro conjunto de datos para estudiar si
la media de la población es igual a 14, teniendo en cuenta que deberíamos atender solamente al test de los
signos al no parecer nuestra variable ni normal, ni simétrica.
t.test(datos$STRATIO, mu=14)

##
## One Sample t-test
##
## data: datos$STRATIO
## t = -6.1446, df = 18041, p-value = 8.186e-10
## alternative hypothesis: true mean is not equal to 14
## 95 percent confidence interval:
## 13.43592 13.70876
## sample estimates:
## mean of x
## 13.57234
wilcox.test(datos$STRATIO, mu=14)

##
## Wilcoxon signed rank test with continuity correction
##
## data: datos$STRATIO
## V = 56589436, p-value < 2.2e-16
## alternative hypothesis: true location is not equal to 14

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 41

 Metodologías de investigación cuantitativa

#install.packages("DescTools") #Ejecutar si el paquete no ha sido instalado

library(DescTools)
SignTest(datos$STRATIO, mu=14)

##
## One-sample Sign-Test
##
## data: datos$STRATIO
## S = 6364, number of differences = 17997, p-value < 2.2e-16
## alternative hypothesis: true median is not equal to 14
## 95.1 percent confidence interval:
## 12.0000 12.1786
## sample estimates:
## median of the differences
## 12.08495
Puesto que se obtienen en todos los casos p-valores mucho más pequeños que α = 0.05, todos los tests
concluyen que hay evidencias suficientes para rechazar a un nivel de significación de α = 0.05 que la media
sea igual a 14 (aunque, dada la ausencia de normalidad/simetría, solamente se debería utilizar el tercero en
este caso).
De una manera similar, se podría estudiar si la media es mayor o igual que 14 indicando el argumento
alternative="less" (puesto que la hipótesis alternativa contiene el símbolo <).
t.test(datos$STRATIO, mu=14, alternative="less")

##
## One Sample t-test
##
## data: datos$STRATIO
## t = -6.1446, df = 18041, p-value = 4.093e-10
## alternative hypothesis: true mean is less than 14
## 95 percent confidence interval:
## -Inf 13.68683
## sample estimates:
## mean of x
## 13.57234
wilcox.test(datos$STRATIO, mu=14, alternative="less")

##
## Wilcoxon signed rank test with continuity correction
##
## data: datos$STRATIO
## V = 56589436, p-value < 2.2e-16
## alternative hypothesis: true location is less than 14
SignTest(datos$STRATIO, mu=14, alternative="less")

##
## One-sample Sign-Test
##
## data: datos$STRATIO
## S = 6364, number of differences = 17997, p-value < 2.2e-16
## alternative hypothesis: true median is less than 14
## 95 percent confidence interval:
## -Inf 12.1638

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 42

 Metodologías de investigación cuantitativa

## sample estimates:
## median of the differences
## 12.08495
De manera análoga, se concluye por medio de los tres tests que hay evidencias suficientes para rechazar a
un nivel de significación de α = 0.05 que la media de la variable sea mayor o igual que 14 (aunque, dada la
ausencia de normalidad/simetría, solamente se debería utilizar el tercero en este caso). El caso en el que
se quisiera estudiar si la media es menor o igual que 14 indicando el argumento alternative="greater"
(puesto que la hipótesis alternativa contiene el símbolo >).

4.4 Comparación de medias en dos grupos

Más común aún que el caso anterior es aquel en el que se quieren comparar las medias de dos poblaciones a
partir de dos muestras con respecto a un valor fijo µ0 (típicamente µ0 = 0). Es decir, se quieren estudiar
hipótesis del tipo:

H0 : µA − µB = µ0 , H00 : µA − µB ≤ µ0 , H000 : µA − µB ≥ µ0 ,
H1 : µA − µB 6= µ0 , H10 : µA − µB > µ0 , H100 : µA − µB < µ0 .
donde µA y µB son las medias de las dos poblaciones. El caso más común es aquel en el que se puede asumir
la normalidad de las dos poblaciones (es decir, que la variable sigue una distribución normal en cada uno de
los dos grupos por separado), pues se puede acudir al test t de Student para la comparación de dos medias.
Este test está implementado también en la función t.test(), pero es necesario en esta ocasión introducir
como variable y la variable dicotómica que divide la población en dos grupos.
t.test(datos$STRATIO, datos$OECD, mu=0, alternative="two.sided")

##
## Welch Two Sample t-test
##
## data: datos$STRATIO and datos$OECD
## t = 187.36, df = 18126, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 12.91861 13.19178
## sample estimates:
## mean of x mean of y
## 13.5723391 0.5171438
#t.test(datos$STRATIO, datos$OECD, mu=0, alternative="greater")
#t.test(datos$STRATIO, datos$OECD, mu=0, alternative="less")

A partir del p-valor obtenido, se concluye que hay evidencias suficientes para rechazar a un nivel de significación
de α = 0.05 que la media en los dos grupos sea la misma.
En caso, de no poder garantizar la normalidad de las dos poblaciones, se puede acudir al test de Mann-Whitney,
implementado en R también bajo la función wilcox.test() siendo necesario indicar también como variable
y la variable que divide la población en dos grupos. En este caso sería necesario también que la variable sea
continua o, al menos, tome un número moderadamente grande de valores.
wilcox.test(datos$STRATIO, datos$OECD, mu=0, alternative="two.sided")

##
## Wilcoxon rank sum test with continuity correction
##
## data: datos$STRATIO and datos$OECD
## W = 394296084, p-value < 2.2e-16

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 43

 Metodologías de investigación cuantitativa

## alternative hypothesis: true location shift is not equal to 0

#wilcox.test(datos$STRATIO, datos$OECD, mu=0, alternative="greater")
#wilcox.test(datos$STRATIO, datos$OECD, mu=0, alternative="less")

Se llegaría a la misma conclusión que con el test t para comparación de medias, sin necesidad de garantizar
la normalidad en ambos grupos.

4.5 Contrastes para una proporción

En lugar de estudiar la media de una variable numérica, en ocasiones estamos interesados en estudiar una
proporción p asociada a una variable dicotómica (que toma únicamente dos valores). En dicho caso, es de
utilidad el realizar algunos de los tres siguientes tests para un cierto 0 < p0 < 1:

H0 : p = p0 , H00 : p ≤ p0 , H000 : p ≥ p0 ,
H1 : p 6= p0 , H10 : p > p0 , H100 : p < p0 .
Este tipo de test está implementado en R en la función prop.test() y requiere que se introduzca el
número de éxitos (argumento x) y el tamaño muestral (argumento n), así como la proporción p0 (argumento
p) que se quiere contrastar. De igual manera que ocurría con la comparación para un promedio, se
indicaría mediante el argumento alternative si se quiere hacer el contraste bilateral (opción por defecto,
alternative=two.sided), el contraste unilateral con ≤ en la hipótesis nula (alternative=greater) o el
contraste unilateral con ≥ en la hipótesis nula (alternative=less).
Por ejemplo, podemos estudiar si la proporción de individuos en los que la variable SENWT toma un valor
menor que 12 es igual a 0.5.
Exitos <- sum(datos$SENWT<12)
Exitos

## [1] 11277
Totales <- length(datos$SENWT<12)
Totales

## [1] 21903
prop.test(x=Exitos,n=Totales,p=0.5,alternative="two.sided")

##
## 1-sample proportions test with continuity correction
##
## data: Exitos out of Totales, null probability 0.5
## X-squared = 19.29, df = 1, p-value = 1.123e-05
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5082174 0.5214993
## sample estimates:
## p
## 0.514861
Dado el p-valor obtenido, se concluye que hay evidencias suficientes para rechazar a un nivel de significación
de α = 0.05 que la proporción de individuos en los que la variable SENWT toma un valor menor que 12 sea
igual a 0.5.

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 44

 Metodologías de investigación cuantitativa

4.6 Comparación de proporciones en dos grupos

De manera similar al caso anterior, se puede querer comparar la proporción de veces que ocurre un cierto
suceso en dos poblaciones (A y B). En dicho caso, es de utilidad el realizar algunos de los tres siguientes
tests:

H0 : pA = pB , H00 : pA ≤ pB , H000 : pA ≥ pB ,
H1 : pA 6= pB , H10 : pA > pB , H100 : pA < pB .
Este tipo de tests también está implementado en R en la función prop.test() y tiene una sintáxis de uso
similar al test para una proporción. En esta ocasión se debe introducir un vector conteniendo el número de
éxitos en los dos grupos (argumento x) y otro vector conteniendo los tamaños muestrales de los dos grupos
(argumento n). El argumento alternative funciona de la misma forma que en casos anteriores.
Procedemos a continuación a estudiar si la proporción de individuos en los que la variable SENWT toma un
valor menor que 12 en los dos grupos indicados por la variable OECD. Por cuestiones de espacio, calculamos el
número de éxitos en los dos grupos y los tamaños muestrales de los dos grupos con anterioridad.
x0 <- sum(datos$SENWT[datos$OECD==0]<12) #Número de individuos con SENWT<12 en OECD=0
x1 <- sum(datos$SENWT[datos$OECD==1]<12) #Número de individuos con SENWT<12 en OECD=1
n0 <- length(datos$SENWT[datos$OECD==0]) #Número de individuos en OECD=0
n1 <- length(datos$SENWT[datos$OECD==1]) #Número de individuos en OECD=1
prop.test(x=c(x0,x1),n=c(n0,n1),alternative="two.sided")

##
## 2-sample test for equality of proportions with continuity correction
##
## data: c(x0, x1) out of c(n0, n1)
## X-squared = 154, df = 1, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## -0.09724579 -0.07066186
## sample estimates:
## prop 1 prop 2
## 0.4714448 0.5553986
A partir del p-valor obtenido, se concluye que hay evidencias suficientes para rechazar a un nivel de significación
de α = 0.05 que la proporción de individuos que la variable SENWT toma un valor menor que 12 sea igual en
los dos grupos.

4.7 Independencia de dos variables categóricas

En ocasiones es necesario estudiar la independencia entre dos variables categóricas (en caso de variables
cuantitativas continuas, se debe agrupar la variable). Recordemos que para que haya independencia entre dos
variables, la distribución de la primera de ellas no debe cambiar en función de los valores que tome la segunda.
Esto se puede comprobar acudiendo a la tabla de frecuencias relativas marginales por filas y observando que
todas las columnas son proporcionales. Equivalentemente, se podría acudir a la tabla de frecuencias relativas
marginales por columnas y observar que todas las filas son proporcionales.
Tabla <- table(datos$SC017Q02NA,datos$OECD, useNA="ifany")
prop.table(Tabla, margin=1)

##
## 0 1
## 1 0.5012404 0.4987596
## 2 0.4288152 0.5711848
## 3 0.5058404 0.4941596

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 45

 Metodologías de investigación cuantitativa

## 4 0.7500000 0.2500000
## <NA> 0.4595300 0.5404700
Para un estudio de la independencia de las dos variables más formal, podemos realizar el test chi-cuadrado.
La hipótesis nula y alternativa son las siguientes:

H0 : Las dos variables son independientes,

H1 : Las dos variables no son independientes.

Este test está implementado en R en la función chisq.test().

chisq.test(Tabla)

##
## Pearson's Chi-squared test
##
## data: Tabla
## X-squared = 266.08, df = 4, p-value < 2.2e-16
Concluimos por lo tanto que hay evidencias suficientes para rechazar a un nivel de significación de α = 0.05
que ambas variables sean independientes. Es recomendable que la mayoría de las frecuencias esperadas (al
menos el 80%) sean mayores que 5 y, de lo contrario, se suele recomendar agrupar algunas clases de las
variables de estudio. Por defecto R devuelve un aviso si alguna frecuencia esperada es menor que 5. Para
consultar las frecuencias esperadas en nuestra tabla de contingencia podemos estudiar la variable expected
de la salida del test. En nuestro caso, todas las frecuencias esperadas son mayores que 5.

Laura Muñiz Rodríguez y Raúl Pérez Fernández - Curso académico 2023-2024 46