CRIMINOLOGIA.

ANÀLISI DE DADES CURS 2017-2018

BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS

Pràctica 3. Solucions als exercicis proposats1

a) La percepció que hi ha hagut canvis en la seguretat d’Espanya respecte de l’any passat

varia en funció del sexe? Respon amb un 95% de confiança arribant al màxim de conclusions
que et sigui possible (P4_ESP i SEXO).

Es tracta d’una taula de contingència, del test de la khi-quadrat, en tant que ens demanen que
avaluem la possible relació entre dues variables qualitatives. Les hipòtesis són:

H0: La percepció sobre els canvis en la seguretat a Espanya no varia en funció del sexe, és a
dir, no hi ha relació entre el sexe i la percepció sobre els canvis en la seguretat.
H1: La percepció sobre els canvis en la seguretat a Espanya és diferent en funció del sexe,
és a dir, hi ha relació entre el sexe i la percepció sobre els canvis en la seguretat.

El primer que hem de fer és avaluar si es compleixen les condicions d’aplicació. Demanem la
taula només amb els valors esperats i veiem que sí, que totes les freqüències esperades són
més grans o iguals a 5.
========== Table: P4_ESP by SEXO ==========
| SEXO
P4_ESP | Hombre | Mujer | Row Total |
-----------------------|-----------|-----------|-----------|
Mejorado Count | 89 | 117 | 206 |
Expected | 71.646 | 134.354 | |
-----------------------|-----------|-----------|-----------|
Igual Count | 134 | 175 | 309 |
Expected | 107.469 | 201.531 | |
-----------------------|-----------|-----------|-----------|
Empeorado Count | 282 | 655 | 937 |
Expected | 325.885 | 611.115 | |
-----------------------|-----------|-----------|-----------|
Column Total | 505 | 947 | 1452 |

Per tant, valorem el test. Hem obtingut:

Large Sample
Test Statistic DF p-value | Effect Size est. Lower (%) Upper (%)
Chi Squared 25.549 2 <0.001 | Cramer's V 0.133 0.078 (2.5) 0.182 (97.5)

Veiem que la significació és pràcticament 0. Així, podem assegurar amb un 95% de confiança
(p-valor<0,001) que l’opinió sobre els canvis de seguretat a Espanya vénen influenciats pel
sexe.

Un cop afirmada la hipòtesi alternativa busquem el sentit de la relació i la intensitat. En quant

a la intensitat, que apareix ja a la taula de dalt, veiem que es tracta d’una relació més aviat
baixa (V=0,133). Tal i com passa sovint, una relació baixa significa que les diferències entre els
grups que genera la variable independent no són molt importants; és a dir, que les diferències
entre homes i dones, que hi són, són moderades.

I en quant al sentit, els percentatges mostren que els homes són clarament més optimistes, en
tant que els homes que creuen que la seguretat ha millorat (o fins i tot els que creuen que ha
seguit igual) superen clarament les dones, les quals superen als homes en el grup dels que

1
Ajenjo Cosp, Marc (2018) Pràctiques en Deducer d’inferència estadística aplicada al grau de
Criminologia. Departament de Sociologia, UAB, pp: 61-68.

61
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS

creuen que ha empitjorat. Aquest mateix resultat es llegeix a partir dels residus ajustats, en
tant que en el creuament dels homes amb la situació optimista el residu és superior a 1,96, tal
i com passa amb el creuament dels homes amb la situació Igual. En canvi, hi ha moltes menys
casos que els que esperaríem (residu=–5,05) en la situació Home/Empitjorat. Evidentment, en
haver-hi només dues categories, la situació per a les dones és simètrica a la dels homes.
========== Table: P4_ESP by SEXO ==========
| SEXO
P4_ESP | Hombre | Mujer | Row Total |
-----------------------|-----------|-----------|-----------|
Mejorado Count | 89 | 117 | 206 |
Column % | 17.624% | 12.355% | |
Adj Resid | 2.741 | -2.741 | |
-----------------------|-----------|-----------|-----------|
Igual Count | 134 | 175 | 309 |
Column % | 26.535% | 18.479% | |
Adj Resid | 3.572 | -3.572 | |
-----------------------|-----------|-----------|-----------|
Empeorado Count | 282 | 655 | 937 |
Column % | 55.842% | 69.166% | |
Adj Resid | -5.054 | 5.054 | |
-----------------------|-----------|-----------|-----------|
Column Total | 505 | 947 | 1452 |
Column % | 34.780% | 65.220% | |

b) L’edat comporta diferències en el risc d’haver patit un delicte en el darrer any? Respon
amb un 95% de confiança arribant al màxim de conclusions que et sigui possible (EDAD_r i
P16).

Es tracta d’una taula de contingència, del test de la khi-quadrat, en tant que ens demanen que
avaluem la possible relació entre dues variables qualitatives. En aquest sentit, tot i que l’edat
habitualment és quantitativa, en estar agrupada en categories ha passat a ser qualitativa. Les
hipòtesis que contrastarem seran:

H0: Haver patit un delicte o no en el darrer any no depèn de l’edat, és a dir, no hi ha relació
entre l’edat i haver estat víctima d’un delicte.
H1: Haver patit un delicte o no en el darrer any depèn de l’edat, és a dir, hi ha relació entre
l’edat i haver estat víctima d’un delicte.

El primer que hem de fer és avaluar si es compleixen les condicions d’aplicació. Tal i com
veiem a la taula de sota, sí que es compleixen, en tant que totes les freqüències esperades són
més grans o iguals a 5.
========== Table: EDAD_r by P16 ==========
| P16
EDAD_r | Si | No | Row Total |
-----------------------|-----------|-----------|-----------|
16-24 Count | 39 | 155 | 194 |
Expected | 25.737 | 168.263 | |
-----------------------|-----------|-----------|-----------|
25-34 Count | 43 | 245 | 288 |
Expected | 38.208 | 249.792 | |
-----------------------|-----------|-----------|-----------|
35-44 Count | 53 | 286 | 339 |
Expected | 44.974 | 294.026 | |
-----------------------|-----------|-----------|-----------|
45-54 Count | 28 | 220 | 248 |
Expected | 32.901 | 215.099 | |
-----------------------|-----------|-----------|-----------|
55-64 Count | 14 | 164 | 178 |
Expected | 23.615 | 154.385 | |
-----------------------|-----------|-----------|-----------|
> 64 Count | 22 | 231 | 253 |
Expected | 33.565 | 219.435 | |
-----------------------|-----------|-----------|-----------|
Column Total | 199 | 1301 | 1500 |

62
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS

En complir-se, comprovem la possible relació entre les variables. Veiem que la significació és
0,001. Així, podem assegurar amb un 95% de confiança (p-valor=0,001) que l’edat comporta
diferències en el risc d’haver patit un accident en el darrer any.
Large Sample
Test Statistic DF p-value | Effect Size est. Lower (%) Upper (%)
Chi Squared 20.173 5 0.001 | Cramer's V 0.116 0.048 (2.5) 0.157 (97.5)

En quant a la intensitat de la relació, en la mateixa taula veiem que es tracta d’una relació més
aviat baixa (V=0,116); és a dir que no hi ha moltes diferències entre els grups d’edat.

En quant al sentit de la relació, veiem en els percentatges respecte de l’edat que els més joves
són els que tenen una major probabilitat d’haver patit un delicte, incidència que, a grans trets,
descendeix amb l’edat. De fet, a partir dels residus ajustats veiem que els únics que són
diferents del conjunt són els més joves (16-24 anys) amb un residu en el sí de 3,01; i els més
grans (55-64 i > 64), amb residus en el sí clarament negatius(–2,26 i –2,35, respectivament).
D’alguna manera això ens ve a dir que en els menors de 25 anys la tendència ha haver patit un
delicte és més elevada, en els grups intermedis (25-54) la tendència és la mateixa que en el
conjunt, mentre que en les edats més avançades (> 54) la tendència és clarament inferior.
========== Table: EDAD_r by P16 ==========
| P16
EDAD_r | Si | No | Row Total |
-----------------------|-----------|-----------|-----------|
16-24 Count | 39 | 155 | 194 |
Row % | 20.103% | 79.897% | 12.933% |
Adj Resid | 3.008 | -3.008 | |
-----------------------|-----------|-----------|-----------|
25-34 Count | 43 | 245 | 288 |
Row % | 14.931% | 85.069% | 19.200% |
Adj Resid | 0.926 | -0.926 | |
-----------------------|-----------|-----------|-----------|
35-44 Count | 53 | 286 | 339 |
Row % | 15.634% | 84.366% | 22.600% |
Adj Resid | 1.461 | -1.461 | |
-----------------------|-----------|-----------|-----------|
45-54 Count | 28 | 220 | 248 |
Row % | 11.290% | 88.710% | 16.533% |
Adj Resid | -1.004 | 1.004 | |
-----------------------|-----------|-----------|-----------|
55-64 Count | 14 | 164 | 178 |
Row % | 7.865% | 92.135% | 11.867% |
Adj Resid | -2.263 | 2.263 | |
-----------------------|-----------|-----------|-----------|
> 64 Count | 22 | 231 | 253 |
Row % | 8.696% | 91.304% | 16.867% |
Adj Resid | -2.351 | 2.351 | |
-----------------------|-----------|-----------|-----------|
Column Total | 199 | 1301 | 1500 |

c) Hi ha diferències en el “grau de seguretat que els ciutadans perceben” en funció del

municipi de residència? Respon amb un 95% de confiança arribant al màxim de conclusions
que et sigui possible (municipio i P7).

Es tracta també d’una taula de contingència, del test de la khi-quadrat, en tant que ens
demanen que avaluem la possible relació entre dues variables qualitatives. Les hipòtesis que
contrastarem seran:

H0: La seguretat és la mateixa en tots els municipis, és a dir, no hi ha relació entre el

municipi i la sensació de seguretat.
H1: La seguretat no és la mateixa en tots els municipis, és a dir, hi ha relació entre el
municipi i la sensació de seguretat.

63
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS

En avaluar si es compleixen les condicions d’aplicació observem que no es compleixen, en tant

que hi ha un conjunt gran de cel·les amb una freqüència esperada inferior a 5, de manera que
avaluem quines hauríem d’agrupar per tal que es complissin les condicions.
========== Table: municipio by P7 ==========
| P7
municipio | Muy bueno | Bueno | Regular | Malo | Muy malo | Row Total |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Mun < 100.000 hab Count | 32 | 168 | 147 | 34 | 6 | 387 |
Expected | 15.324 | 131.164 | 181.033 | 47.011 | 12.467 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Alcala de Henares Count | 0 | 4 | 12 | 3 | 0 | 19 |
Expected | 0.752 | 6.440 | 8.888 | 2.308 | 0.612 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Alcobendas Count | 0 | 9 | 8 | 0 | 0 | 17 |
Expected | 0.673 | 5.762 | 7.952 | 2.065 | 0.548 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Alcorcon Count | 1 | 16 | 23 | 6 | 2 | 48 |
Expected | 1.901 | 16.268 | 22.454 | 5.831 | 1.546 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Fuenlabrada Count | 2 | 18 | 13 | 5 | 0 | 38 |
Expected | 1.505 | 12.879 | 17.776 | 4.616 | 1.224 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Getafe Count | 1 | 12 | 21 | 0 | 1 | 35 |
Expected | 1.386 | 11.862 | 16.372 | 4.252 | 1.128 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Leganes Count | 0 | 22 | 28 | 10 | 1 | 61 |
Expected | 2.415 | 20.674 | 28.535 | 7.410 | 1.965 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Madrid capital Count | 22 | 234 | 400 | 114 | 34 | 804 |
Expected | 31.836 | 272.497 | 376.099 | 97.667 | 25.901 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Mostoles Count | 1 | 15 | 25 | 2 | 2 | 45 |
Expected | 1.782 | 15.252 | 21.050 | 5.466 | 1.450 | |
----------------------------|-----------|---------|---------|--------------------|-----------|
Torrejon de Ardoz Count | 0 | 7 | 20 | 7 | 2 | 36 |
Expected | 1.426 | 12.201 | 16.840 | 4.373 | 1.160 | |
----------------------------|-----------|---------|---------|---------|----------|-----------|
Column Total | 59 | 505 | 697 | 181 | 48 | 1490 |

La solució més raonable sembla que pot ser ajuntar les dues categories extremes, de manera
que la nova taula només tindrà tres valors de grau de seguretat (bo o molt bo, normal, dolent
o molt dolent). Si ho fem encara comprovarem que hi haurà dos municipis que no compliran
les condicions, que seran Alcalá de Henares i Alcobendas, que no podem tractar per separat.
Així, haurem de crear un grup que contingui aquests dos municipis.

Observació! Tenint en compte que recodificar sempre és perdre informació, en aquest cas no
seria incorrecta deixar sense recodificar els dos municipis, Alcalá de Henares i Alcobendas, en
tant que el nombre de cel·les amb freqüència esperada inferior a 5 seria raonable (dues cel·les
de les vint-i-set que tindria la taula). Recordem que per alguns autors hi pot haver fins a un
màxim del 20% de cel·les amb menys de 5 freqüències esperades.

En aquest cas, la taula de freqüències esperades, que ara sí que compleix les condicions
d’aplicació, serà:

64
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS
========== Table: municipi_r by P7_r ==========
| P7_r
municipi_r | Bo o MB | Regular | Dolent o MD | Row Total |
----------------------------|-------------|-------------|-------------|-------------|
Mun < 100.000hab Count | 200 | 147 | 40 | 387 |
Expected | 146.489 | 181.033 | 59.479 | |
----------------------------|-------------|-------------|-------------|-------------|
Alcala+Alcobendas Count | 13 | 20 | 3 | 36 |
Expected | 13.627 | 16.840 | 5.533 | |
----------------------------|-------------|-------------|-------------|-------------|
Alcorcon Count | 17 | 23 | 8 | 48 |
Expected | 18.169 | 22.454 | 7.377 | |
----------------------------|-------------|-------------|-------------|-------------|
Fuenlabrada Count | 20 | 13 | 5 | 38 |
Expected | 14.384 | 17.776 | 5.840 | |
----------------------------|-------------|-------------|-------------|-------------|
Getafe Count | 13 | 21 | 1 | 35 |
Expected | 13.248 | 16.372 | 5.379 | |
----------------------------|-------------|-------------|-------------|-------------|
Leganes Count | 22 | 28 | 11 | 61 |
Expected | 23.090 | 28.535 | 9.375 | |
----------------------------|-------------|-------------|-------------|-------------|
Madrid capital Count | 256 | 400 | 148 | 804 |
Expected | 304.333 | 376.099 | 123.568 | |
----------------------------|-------------|-------------|-------------|-------------|
Mostoles Count | 16 | 25 | 4 | 45 |
Expected | 17.034 | 21.050 | 6.916 | |
----------------------------|-------------|-------------|-------------|-------------|
Torrejon de Ardoz Count | 7 | 20 | 9 | 36 |
Expected | 13.627 | 16.840 | 5.533 | |
----------------------------|-------------|-------------|-------------|-------------|
Column Total | 564 | 697 | 229 | 1490 |

Ara que ja es compleixen les condicions, ja podem valorar la relació entre les dues variables.
Veiem que la significació és menor de 0,001, de manera que podem assegurar amb un 95% de
confiança (p-valor<0,001) que el grau de seguretat no és el mateix en tots els municipis:

Veiem que la significació és 0,001. Així, podem assegurar amb un 95% de confiança (p-
valor=0,001) que l’edat comporta diferències en el risc d’haver patit un accident en el darrer
any.
Large Sample
Test Statistic DF p-value | Effect Size est. Lower (%) Upper (%)
Chi Squared 65.111 16 <0.001 | Cramer's V 0.148 0.09 (2.5) 0.168 (97.5)

En quant a la intensitat de la relació, en la mateixa taula veiem que es tracta d’una relació
entre baixa i moderada (V=0,148); de manera que el grau de seguretat percebut no és molt
diferent entre els municipis.

Per al sentit de la relació, hem demanat els percentatges respecte del municipi, així com els
residus ajustats. Tant els uns com els altres ens mostren que el grau de seguretat és més alt als
municipis més petits (municipis amb menys de 100.000 habitants), així com a Fuenlabrada;
mentre que el grau de seguretat és inferior tant a Torrejón de Ardoz, com a Madrid capital.

65
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS
========== Table: municipi_r by P7_r ==========
| P7_r
municipi_r | Bo o MB | Regular | Dolent o MD | Row Total |
----------------------------|-------------|-------------|-------------|-------------|
Mun < 100.000hab Count | 200 | 147 | 40 | 387 |
Row % | 51.680% | 37.984% | 10.336% | 25.973% |
Adj Resid | 6.518 | -4.030 | -3.191 | |
----------------------------|-------------|-------------|-------------|-------------|
Alcala+Alcobendas Count | 13 | 20 | 3 | 36 |
Row % | 36.111% | 55.556% | 8.333% | 2.416% |
Adj Resid | -0.218 | 1.068 | -1.185 | |
----------------------------|-------------|-------------|-------------|-------------|
Alcorcon Count | 17 | 23 | 8 | 48 |
Row % | 35.417% | 47.917% | 16.667% | 3.221% |
Adj Resid | -0.354 | 0.161 | 0.253 | |
----------------------------|-------------|-------------|-------------|-------------|
Fuenlabrada Count | 20 | 13 | 5 | 38 |
Row % | 52.632% | 34.211% | 13.158% | 2.550% |
Adj Resid | 1.903 | -1.573 | -0.383 | |
----------------------------|-------------|-------------|-------------|-------------|
Getafe Count | 13 | 21 | 1 | 35 |
Row % | 37.143% | 60.000% | 2.857% | 2.349% |
Adj Resid | -0.088 | 1.586 | -2.077 | |
----------------------------|-------------|-------------|-------------|-------------|
Leganes Count | 22 | 28 | 11 | 61 |
Row % | 36.066% | 45.902% | 18.033% | 4.094% |
Adj Resid | -0.294 | -0.140 | 0.589 | |
----------------------------|-------------|-------------|-------------|-------------|
Madrid capital Count | 256 | 400 | 148 | 804 |
Row % | 31.841% | 49.751% | 18.408% | 53.960% |
Adj Resid | -5.179 | 2.490 | 3.521 | |
----------------------------|-------------|-------------|-------------|-------------|
Mostoles Count | 16 | 25 | 4 | 45 |
Row % | 35.556% | 55.556% | 8.889% | 3.020% |
Adj Resid | -0.323 | 1.198 | -1.224 | |
----------------------------|-------------|-------------|-------------|-------------|
Torrejon de Ardoz Count | 7 | 20 | 9 | 36 |
Row % | 19.444% | 55.556% | 25.000% | 2.416% |
Adj Resid | -2.305 | 1.068 | 1.622 | |
----------------------------|-------------|-------------|-------------|-------------|
Column Total | 564 | 697 | 229 | 1490 |

d) Quin és el risc d’error si assegurem que hi ha una major percepció del problema dels
maltractaments entre les dones que entre els homes? Per definir la percepció del
maltractaments utilitza les variables P101, P102, P103, P201, P202, P203, P301, P302 i P303
considerant que es percep el problema dels maltractaments si aquest ha estat anomenat en
alguna de les variables. En primer lloc fes freqüències de totes les variables i comprova que
el literal és sempre Malos tratos.

En primer lloc cal definir la percepció de maltractaments. Tal i com diu l’enunciat, definim que
una persona percep (o és sensible) als maltractaments sempre que digui “Malos tratos” en
alguna d’aquestes variables. Fent freqüència de les nou variables veuràs que cinc persones
diuen “Malos tratos” a P101, ningú ho diu a P102, divuit persones ho diuen a P103... El
problema que tenim és que necessitem una variable que ens ho mostri.

Una de les formes de construir aquesta nova variable és fer servir la funció ifelse i canviar
posteriorment (també es pot canviar abans) els valors perduts per persones que no han
anomenat els maltractaments (vegeu la Pràctica 0). La sintaxi és:

DadesCAM$Maltract<-ifelse(DadesCAM$P101=="Malos tratos" |
DadesCAM$P102=="Malos tratos"| DadesCAM$P103=="Malos tratos" |
DadesCAM$P201=="Malos tratos" | DadesCAM$P202=="Malos tratos" |
DadesCAM$P203=="Malos tratos" | DadesCAM$P301=="Malos tratos" |
DadesCAM$P302=="Malos tratos" | DadesCAM$P303=="Malos tratos", "Si", "No")

I si canviem els NA per No, obtenim la variable:

66
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS
$Maltract
------------------------------------------------------------
-- Frequencies --
-- --
Value # of Cases % Cumulative %
1 No 1474 98.2 98.2
2 Si 27 1.8 100.0
-- --
-- Case Summary --
-- --
Valid Missing Total
# of cases 1501 0 1501
-- --
-- --

Un cop tenim la variable, en formulem les hipòtesis:

H0: La sensibilitat cap als maltractaments no depèn del sexe, és a dir, la sensibilitat és la
mateixa en homes i dones.
H1: La sensibilitat cap als maltractaments depèn del sexe, és a dir, la sensibilitat és diferent
en homes i dones.

Ja podem creuar la nova variable amb el sexe. Avalem, en primer lloc, si es compleixen les
condicions d’aplicació, i veiem que sí, que es tracta d’una taula 2*2 amb totes les freqüències
esperades per sobre de 5, de manera que no ens cal fer la correcció de Yates.
========== Table: Maltract by SEXO ==========
| SEXO
Maltract | Hombre | Mujer | Row Total |
-----------------------|-----------|-----------|-----------|
No Count | 516 | 958 | 1474 |
Expected | 510.646 | 963.354 | |
-----------------------|-----------|-----------|-----------|
Si Count | 4 | 23 | 27 |
Expected | 9.354 | 17.646 | |
-----------------------|-----------|-----------|-----------|
Column Total | 520 | 981 | 1501 |

A l’hora de valorar la relació entre les dues variables veiem que la significació és menor 0,029,
de manera que podem assegurar amb un 95% de confiança (p-valor=0,029) que el sexe de
l’entrevistat incideix en la seva sensibilitat cap als maltractaments; de manera que aquesta
sensibilitat és diferent en homes que en dones. En concret veiem que és major en les dones,
entre les quals un 2,3% en són sensibles per un 0,8% per part dels homes.

En la mateixa V de Cramer observem que la relació és feble (V=0,056)

Large Sample
Test Statistic DF p-value | Effect Size est. Lower (%) Upper (%)
Chi Squared 4.774 1 0.029 | Cramer's V 0.056 0 (2.5) 0.107 (97.5)

Respecte de la pregunta, de quin és el risc d’error si afirmem que hi ha diferències, la resposta

és el p-valor, 2,9%.
========== Table: Maltract by SEXO ==========
| SEXO
Maltract | Hombre | Mujer | Row Total |
-----------------------|-----------|-----------|-----------|
No Count | 516 | 958 | 1474 |
Column % | 99.231% | 97.655% | |
Adj Resid | 2.185 | -2.185 | |
-----------------------|-----------|-----------|-----------|
Si Count | 4 | 23 | 27 |
Column % | 0.769% | 2.345% | |
Adj Resid | -2.185 | 2.185 | |
-----------------------|-----------|-----------|-----------|
Column Total | 520 | 981 | 1501 |
Column % | 34.644% | 65.356% | |

67
CRIMINOLOGIA. ANÀLISI DE DADES CURS 2017-2018
BLOC 2 PRÀCTIQUES EN DEDUCER. PRÀCTICA 3: SOLUCIONS

Observació! Si en aquesta taula hi hagués hagut alguna freqüència esperada inferior a 5,

hauríem d’haver demanat el test amb la correcció de Yates (opció Conservative del Deducer) i
fer el càlcul de la V de Cramer de forma manual.

68