APUNTS ANÀLISI DE DADES:

INTRODUCCIÓ A L’ESTADÍSTICA. DISTRIBUCIÓ DE FREQÜÈNCIES.

TIPUS D’ESTADÍSTICA:

Estadística Descriptiva:
- A partir d’un subconjunt de dades, aquest tipus d’estadística cerca descriure
les característiques fonamentals de les dades i se solen utilitzar indicadors,
gràfics i taules. És la més subjectiva i agafa mostres focalitzada respecte la
població que s’observa.

- Objectiu: Descriure les característiques d’una mostra

Estadística Inferencial:
- Com el seu nom indica, es basa en una inferència , fa referència als mètodes
utilitzats per poder fer prediccions , generalitzacions i obtenir conclusions a
partir de dades tenint en compte el grau d’incertesa existent.

- Objectiu: Fer inferències de les característiques de la població a partir de les

dades d’una mostra.

CONCEPTES BÀSICS:

- Població: Conjunt d’elements que comparteixen una o més característiques

o propietats.
- EX: Estudiants Universitaris de Catalunya
(Quan parlem de població , parlem de població total)
- Mostres: Qualsevol subconjunts d’una població. Sempre intentem que sigui
el màxim de representativa possible
- EX: Estudiant de primer del grau de piscologia de la Udg

- Paràmetre: Característica d’una població.

- EX: Estudiants de Psicologia

- Estadístic :Característica d’una mostra. Varia d’una mostra o una altre.

- EX: Edat variable, Sexe Variable
 - Variable: Característica que pot pendre diferents valors en un col·lectiu
determinat. (Qualsevol constructe).
- Tenim variables quantitatives i qualitatives
- Quantificar les variables en escales de mesura
- EX de variable: Edat, pes , massa…..

- Constant : Característica que no varia en un determinat col·lectiu. Una

constant és un valor fic que no canvia al llarg del temps i que s’utilitza per
definir o limitar certes característiques o comportaments d’ un sistema
Operativitzar variables a un cosntructe psicologic (Escales de mesura).
- EX: El numero de dies en un any (365), la temperatura de congelació
de l’aigua (0 graus)
TIPUS DE VARIABLE:
- Qualitativa: La característica de la variable no és quantificable.No puc extreure una
mitjana.
- EX: Sexe, color de cabell.
- Quantitativa: La característica de la variable és quantificable
- EX: Edat, Pes
- Discretes: Entre valors consecutius no pot haver-hi cap altre
EX: Número de germans
- Contínua: Entre dos valors consecutius pot haver-hi infinits més
- EX: Pes

Exemples:
- Alçada dels estudiants de Psicologia: Quantitativa, Contínua
- Número de ciutats de Catalunya: Quantitativa, Discreta
- Consum de tabac: Qualitativa
- Nota final d’Anàlisi de Dades 1: Quantitativa, Contínua
- Nacionalitat: Qualitativa

QUÈ ÉS MESURAR?
- Utilitzat nombres com a model abstracte per representar la realitat.
Construim una escala (questionaris) de mesura quan fem correspondre un
número (i només un) a cada modalitat d’una variable. Les escales de mesura
són doncs models per mesurar.

- Questionaris: Intentem estabilir possibles respostes categoritzant.

- EX: Nacionalitat espanyola correspon al 1 , alemana al 2 etc…
ESCALES DE MESURA:
Què són les escales de mesura?
- Les escales de mesura es refereixen a la variable (que és la unitat de mesura
de la mostra o població)
- Les escales de mesura determinen si una variable és numèrica (quantitativa o
escalar) o qualitativa.
- Hi ha dos tipus de variables. Variables Qualitatives i Variables
Quantitatives
- Les escales de mesura són NOMINALS/ORDINALS (V.QUALITATIVA I
ESCALARS (V.QUANTITATIVA).
TIPUS:
- Escala nominal: Els números assignats només serveixen per distingir categories
Sexe (0=home, 1=dona). Relació:igual-diferent (VARIABLES QUANTITATIVES)
- Escala ordinal: Els números indiquen no sols igualtat /desigualtat (escala nominal)
sino també una relació d’ordre. Nivell de depressió (0=baix, 1=mitjà, 2=alt)
Relació igual-diferent i ordre (VARIABLES QUALITATIVES)
- Escala interval: En aquest cas ja disposem d’unitat de mesura (és a dir, sabem
quanta diferència hi ha entre elements). L’origen de l’escala és arbitrari. Temperatura
en graus centígrads o graus Fahrenheit. Relació igual-diferent, ordre, unitat de
mesura constant (VARIABLES QUANTITATIVES)
- Escala de raó: En aquest cas, disposem tant d’una unitat de mesura com d’un 0
absolut. En aquest cas tenim relacions d’igualtat/desigualtat de raons. Pes, estatura.
Relació:igual-diferent,ordre, unitat de mesura constant, zero absolut.( VARIABLES
QUANTITATIVES).

ORGANITZACIÓ DE LES DADES EN UNA MATRIU:

- Les dades d’una recerca habitualment s’organitzen en una matriu de dades.
Hi ha bases de dades com SPSS que permeten crear la matriu per fer les
posteriors análisis.
- manera més freqüent d’entrar les dades és en una matriu de variables X
casos.

Nosaltres considerem un conjunt de n observacions numèriques d’una variable X.

Denotem els valors genèrics amb els símbols X1, X2, X3 etc…, fins a Xn. Denotem
aquest conjunt d’observacions amb X1, X2, X3…Xn; amb xi , i = 1… n, en què el
símbol i utilitzat en els subíndex es denomina índex. Així, per les dades de la taula
1, X1=9, X2=5, X3= 6…..X27= 12.

A l’hora d’ordenar les observacions de més petita a més gran denotem el nou
conjunt de quantitats amb els símbols X(1), X(2), X(3), etc.., fins a X(n). Per tant,
X(1) és el valor més baix i X(n) és el més alt. En el nostre exemple X(1) =2 i
X(27)=17.

Com es representen les dades en estadística ?

- A nivell estadístic i matemàtic, anomenem gràfica a aquella representació
visual a partir de la qual es poden representar i interpretar valors generalment
numèrics.
- Existeixen molts tipus de gràfics en estadística i ara en veurem uns quants:
- Diagrama de barres
- Histograma
- Diagrama de sectors o circular
- Gràfics de línies
Histograma:
Per construir-lo es dibuixa una barra vertical per a mostrar el nombre de valors de
les nostres dades que estan dins de cada classe de l’histograma (freqüència). Per
aquesta raó, els histogrames són molt més convenients quan es treballa amb un
gran nombre de dades. Amb molta mostra l’utilitzem

Eix horitzontal (abscisses): Valors de la variable.

Eix vertical (Ordenades): Freqüència, percentatge, percentatge acumulat.
Gràfics de línies:
En aquest tipus de gràfic s’utilitzen línies per delimitar el valor d’una variable
dependent respecte a una altra d’independent. També es pot fer servir per comparar
els valors d’una mateixa variable o de diferents investigacions utilitzant el mateix
gràfic. És usual que es faci servir per observar l’evolució d’una variable a través del
temps.

Diagrama de sectors
Diagrama de barres:
Hi ha una altre diferència molt important entre el diagrama de barres i l’histograma.
Al primer només es representen els valors de les variables que hem observat en
fer l’estudi. No obstant això, l’histograma, va molt més enllà, ja que representa tots
els valors possibles que hi ha dins dels intervals. Permet així calcular la probabilitat
que es representi qualsevol valor de la distribució, per això es representa en
tant per cent. Cosa que és de gran importància si volem fer inferència i estimar els
valors de la població a partir dels resultats de la nostra mostra.

Exemple d’elaboració de gràfiques a partir d’una matriu.

En la taula de freqüències trobem la nacionalitat dels assistents a un congrés de
psicologia social que s’ha fet a París.
Exemple d’elaboració de gràfiques a partir d’una matriu
La variable categòrica és país, amb 17 països europeus com a categories. Podem
representar aquestes dades de qualsevol de les maneres següents. El primer cas
direm que és una gràfica de columnes,mentre que els segon el denominarem de
barres. Així mateix, en el primer cas hem optat per fer el diagrama amb
percentatges mentre que en el de columnes hem emparat les freqüències (nombre
d’elements en cada categoria).

Exemple d’elaboració de gràfiques a partir d’una matriu

Una altra possible representació són els gràfics de sectors (els popular
denominants formatges o pastissets). Aquests gràfics poden expressar-se tant amb
les freqüències (nombre d’elements en cada categoria) com els percentatges.
Per a exemplificat aquest tipis de gràfics, agruparem els països en nord (Suècia,
Dinamarca, Noruega i Filnlàndia), centre (França, Regne Unit, Luxemurg,
Alemanyia, Àustria, Irlnada, Suïssa, Bèlgica i Holanda) i sud (Espanya, Itàlia,
Portugal i Grècia), i en farem la taula de freqüències corresponent i a la gràfica de
sectors.
MESURES DE POSICIÓ DE TENDÈNCIA CENTRAL I NO CENTRAL.
MESURES DE POSICIÓ
Els índex o mesures de posició ens indiquen la situació d’una puntuació respecte a
un grup de referència.
- Poder ser de dos tipus:
- No centrals : Quantils (Quartils, Decils i Centils/Percentils)
- De tendència central: Mitjana, Mediana i Moda

Mesures de pisició NO centrals

- Els quartils i percentils son les mesures més utilitzades. En algunes ocasions
també observem l’ús dels decils.
- El percentil no deixa de ser un valor que ens permet fer comparacions i
ordenacions entre subjectes, casos o grau d’existència d’un factor o
variable en un conjunt, cosa que ens permet treballar a un nivell molt
fàcilment comprensible amb conjunts dedades més o menys amplis i establir
una posició per a les dades que estem obtenint.

Com es calculen els percentils?

Càlcul de la posició del centil: Calculem les freqüències relatives acumulades i
multipliquem cadascuna per 100.
- En primer lloc, hem de construir la matriu de dades
Xi: Els valors d’una variable EX: 1,6,7,8,35,42……
Ni: Freqüència absoluta. El nombre de vegades que es repeteix cada valor.
Na:Freqüència absoluta acumulada. Nombre de vegades que es repeteix a la
mostra aquest valor o qualsevol inferior ell.
Pi: Freqüència relativa. Quocient entre la seva freqüència absoluta absoluta i la
mida de la mostra. És a dir, pi= ni/N
Pa: Freqüència relativa acumulada. Quocient entre la seva freqüència absoluta
acumulada i la mida de la mostra. És a dir, pa= na/N
El centil s’obté calculant 100·pa per a cada valor.
Posició del centil
Càlcul de la posició del centil: calculem les frqüències relatives acumulades i
multipliquem cadascuna per 100.
En la taula anterior, el centil 20 correspon a la posició 3
Pel càlcul dels decils i quartils, es fa el mateix procés

Com que les puntuacions 9 i 14 són dos dels valors empíricament observats, els
seus centils correspontents s’obtenen calculant l’expressió 100·Pa per a cadascun:

Quin es el centil correspontent a la puntuació 9?

Quin es el centil corresponent a la puntuació 13?

100·0,25= 25 , per tant C25=9

100·0,83=83, per tant C83= 13

EXERCICI:
Calculem el C16,C31 C38,5 I C80 de la següent distribución de freqüències
C16=9; C31=28; C38,5=35; C80=40 (FET A PAPER)

Mostra gràfica de com es representen els decils i els quartils

- Decils: Són nou puntuacions que divideicen la distribució en deu parts cada
una de les quals conté el 10% de les observacions.
 - Centils: Són 99 puntuacions (C1, C2….C99) que divideixen la distribució en
cent parts cada una de les quals conté 1% de les observacions.
- Quartils: Són 3 puntuacions que es divideixen la distribució en quatre parts
cada una de les quals conté el 25% de les observacions.

MESURES DE TENDENCIA CENTRAL

- Mitjana: Per a mostres sense valors extrems
- Mediana: Per a mostres generalment amb valors extrems.
- Moda: Mostra amb valors qualitatius

La mitjana és la suma dels valors observats dividits pel total d’observacions.

Per calcular la Mitjana considerant el nombre de casos de la variable, aquests, es
multipliquenen la fórmula.

EXERCISI A PAPER: Resultat 65/10 = 6.5 (1ra taula) ; 24,5 (2na taula) ; 245,5
(3ra taula)
Mitjana ponderada:
La mitjana ponderada es una mesura de tendència central que es apropiada quan
en un conjunt de dades cadascun té una importància relativa.
- EX: Imaginem que hem fet una recerca i tenim tres grups diferents de
persones. Ens interessa calcular la Mitjana tenint en compte els valors de les
variables dels diferents grups.
Mitjana total: ( Fórmula + solució exercisi)

Mitjana : Puntuacions diferencials

- Les puntuacions diferencials s’obtenen a partir de les diferències entre cada
puntuació directa i la mitjana del grup.
- EX: Imaginem que algú puntua 75 en un test d’ intel·ligència. Com se
jo si aquesta puntuació està per sobre o per sota de la Mitjana si la
seva rellevància respecte a la resta de persones ?
En aquest cas, quines serien les puntuacions diferencials de cada observació?

Valor de 8 està 1,5 punts per sota de la mitjana del grup o mostra.
MEDIANA:
La Mediana és aquella mesura de tendència central,la qual representa el terme que
supera la primera meitat de les observacions, però no la segona meitat.
Terme que està al mig = Mediana
- 1er pas: Ordenar el conjunt de dades de petit a gran
- Si hi han dos valors al mig fem la mitjana entre els dos del centre
- EX: 0 1 2 3 4 8 12 17 20 3032 67 78, per tant = 17+12/ 2 = 14,5=
MEDIANA

LA MODA:
La moda és la tercera mesura de tendència central que basa el seu concepte en la
freqüència que planteja cert fet u observació. En altres paraules, la moda és
representada per l’objecte amb major repetició.
És utilitzada també per dades qualitatices com les lletres.
- EX: 20 4 0 30 12 17 0 30 30 78 0 8 8 , per tant hi han dos números
consecutius que tenen la mateixa freqüència, tots dos són presos com a
moda 0 i 30
- EX: 20 4 0 1 12 17 0 1 1 78 0 8 8 , per tant, com hi ha dos números
consecutius que tnen la mateix freqüència, apliquem mitjana aritmètica.
1+0/2 = 0,5= MODA.

MESURES DE DISPERSIÓ O DE VARIACIÓ

- Les mesures de disperció indiquen si les observacions són molt semblants
entre sí i properes a un índex de posició central.
- Són una mesura de la representativitat dels índex de posició
- Qualsevol índex de posició ha d’anar acompanyat d’una mesura de dispersió.

LA VARIANÇA
Què és la Variaça?
És una mesura de dispersió que representa la variabilitat d’una sèrie de dades
respecte a la mitjana
Mitjana de les desviacions al quadrat respecte a la MItjana. La variància (S2)
mesura la dispersió de les dades d’una mostra (X1,X2….XN) respecte a la mitjana
(x), calculant la mitjana dels quadrats de les distàncies de totes les dades.
EXERCISI PAPER

DESVIACIÓ TÍPICA
La desviació típica es defineix com l’arrel quadrada de la variança.
És una mesura de la dispersió de les dades. Com més gran sigui la dispersió més
gran és la desviació típica. Així, si no hi hagués cap variació en les dades, és a dir,
si tots fossin iguals, aleshores la desviació estàndard seria zero. EXEMPLE
PAPER.

COEFICIENT DE VARIACIÓ
El coeficient de variació compara la desviació típica amb la mitjana. És un índex de
representativitat de la Mitjana que permet comparar la dispersió de diferents grups.
El coeficient de variació pren valors entre 0 i 1. Si el coeficient és proper al 0 ,
significa que hi ha poca variabilitat de dades i n’és una mostra molt compacta.
En canvi, si tendeixen a 1, és una mostra molt i dispersa i la mitjana perd
confiança. De fet, quan el coeficinet de variació supera el 30% (0,3) , es diu que la
mitjana és poc representativa. EXERCISI PAPER

INTRODUCCIÓ A L’ESTADÍSTICA INFERENCIAL:

L’estadística inferencial o la inferència estadística és la part de l’estadística
que cerca predeir o deduir característiques o resultats esperats d’una
població, basats en les dades obtingudes d’una mostra d’aquesta població.
DIFERÈNCIES ENTRE L’ESTADÍSTICA DESCRIPTICA I LA INFERENCIAL

Dins de la estadística inferencial distingim la:

- PARAMÈTRICA
- NO PARAMÈTRICA.

Estadística PARAMÈTRICA :
Fa referència a una part de la inferèncència estadística que utilitza estadístics i
criteris de resolució fonamentats en distribuacions conegudes.
- EX: Proces T-test, correlació de pearson, regressions.

Estadística NO PARAMÈTRICA:
Es tracta d’una branca de la inferència estadística els càlculs i procediments de la
qual estan fomentats en distribucions desconegudes.
- EX: Xi quadrat, Prova de Mann Whitney, correlació de spearman.

Com sabem si hem d’utilitzar inferéncies a partir de estadístiques

paramètriques o no paramètriques.?

L’estadística no paramètrica s’utilitza a partir d’escales nominals o ordinals amb

variables qualitatives, o quan no es compleix algun dels supòsits que veurem
a continuació.
Per tant, és molt important fer una anàlisi prèvia de les dades, de quina classe són,
com es distribueixen i quin tipus d'estadistics s’hi poden aplicar.
Un supòsit comú a tots aquells en els que apareix implicada una o més variables
quantitatives es que aquestes es distribueixin normalment a la població de
referència.
- Que hi hagi homogeneïtat de la variància (mesura de dispersió) entre grups.
- Que les meusres siguin d’Interval (escales nominals i ordinals s’utilitza
estadística no paramètrica.)

Un bon indicador a tenir en compte, es que sempre que la mostra es inferior a

30 subjectess’acostuma a utilitzar estadística no paramètrica.

QUADRES COMPARATIUS: DIFERÈNCIES ENTRE ESTADÍSTICA

PARAMÈTRICA I NO PARAMÈTRICA.

ESTADÍSTICA PARAMÈTRICA
- Relació entre dues variables

El coeficient de correlació de Pearson mesura el grau de relació entre dues variable

quantitatives.
Per calcular-ho hem de calcular primer la COVARIÀNCIA.
La covariància és una mesura estadística que indica la relació lineal entre dues
variables. És a dir, indica com canvien juntes dues variables alhora.

- Relació entre dues variables quantitatives

Si la covariança és positiva, indica que les dues variables tenen una relació
directa: quan una augmenta, l’altra també ho fa. Si la covarància és negativa,
indica que tenen una relació inversa: quan una augmenta, l’altre disminueix. Si la
covariància és propera a 0, indica que no hi ha relació clara entre elles.

Característiques de la COVARIÀNCIA
- Si la relació es directa, la covariància serà positiva
- Si la relació és inversa, la covariància serà negativa.

EX: EXERCISI PAPER

CORRELACIÓ
- La correlació és una mesura estadística que indica la força i la direcció de la
relació lineal entre dues variables quantitatives, per tant es mesuren
mitjançant una escala numérica. En altres paraules, la correlació mostra com
es relacionen dos conjunts de dades entre si.
 - La correlació pot ser positiva, negativa o neutra. Una correlació positiva
vol dir que quan una variable agumenta, l’altre variable també ho fa. Una
correlació negativa vol dir que quan una variable augmenta, l’altra disminueix.
Una correlació neutre vol dir que no hi ha relació entre les dues variables.

Com es formula la hipòtesi d’una correlació?

- Hipòtesi nul·la (H0): No hi ha correlació entre les hores d’exercisi que fa una
persona a la setmana i el nivell d’estrès.
- Hipòtesi alternativa (HA): Hi ha una correlació entre les hores d’un exercisi
que fa una persona a la setmana i el nivell d’estrès.

Es mesura el grau de relació entre variables

Cada casella mostra el coeficient de correlació de Pearson ( en la part de dalt) entre

les variables de la fila i columna que s’hi creuen. La diagonal principal sempre és 1,
donaqt que conté les correlacions de cada variable en ella mateixa.
Si el valor de p és menor que el nivell de significació predefinit (per exemple 0,005)
aleshores es rebutja la hipòtesi nul·la i es conclou que els resultats són
estadísticament significatius.

La fórmula de la correlació requereix el càlcul de la covariància i el càlcul de les

desviacions típiques. Recordem que la desviació típica es l’arrel quadrada de
la variancia.
EX:
- Necessitem conèixer la covariància (Part siperior de la fórmula )
- També hem de calcular la de la variància i desviació típica (part inferior de la
fórmula)

Anem a veure un exemple : Càlcul de la varianç i desviació típica de X i Y

Anem a calcular de nou la correlació tenint en compte aquestes varibales:

Propietats del Coeficient de Correlació de Pearson.
1. Télímits: Oscil·la entre -1 i +1

- r=+1 Correlació lineal directa i perfecta.

- r=-1 Correlació lineal inversa i perfecta.
- r=0 No existeix correlació lineal entre les variables

Exemple d’una hipòtesi que relacionem variables.

- H1. El síndrome de brun out es relacionarà negativament i significativament
amb el benestar subjectiu en un grup de dades docents de tres escoles
d’educació primària.

EXERCICIS:
SOLUCIÓ:
INTRODUCCIÓ A L’ESTADÍSTICA INFERENCIAL (II):

ESTADÍSTICA NO PARAMÈTRICA
→ Relació entre dues o més variables ordinals o quan no es compleix supòsit de
normalitat.
El coeficient de correlació de Spearman és una prova no paramètrica quan es vol
mesurar la relació entre dues variables i no es compleix el supòsit de normalitat en
la distribució de tals valors.

Correlació de Spearman = rs

!! Recordem: Escala ordinal → Els números indiquen no sols igualtat /desigualtat

(escala nominal) sinó també una relació d’ordre. EX: Nivell de depressió (0=baix,
1=mitjà, 2=alt)
Relació: igual-diferent i ordre (VARIABLES QUALITATIVES)

Valors que pren: entre 1 i -1.

+1: perfecta associació de rang
0: no hi ha associació de rangs
-1: perfecta associació negativa entre rangs

Quan s’utilitza:
1. Les variables estan mesurades a escala ordinal
2. Quan 1 variable és ordinal i 1 altra quantitativa, s’analitzen les dades com si
totes dues fossin ordinals.
3. Quan les variables estan mesurades en escala d’interval, però no es
compleixen els supòsits de normalitat (alguna de les dues variables o
ambdues no presenten normalitat).
Com es calcula? Aplicar la fórmula del coeficient de Pearson a l’ordre dels valors.
1. Primer cal convertir els valors registrats en ordres.
Convertim aquest valors en ordres, assignant a cada variables un 1 al valor més
petit i un 2 al següent, i així successivament fins a arribar al valor més gran, al que
en aquest cas li assignem un 5 (per haver-hi només 5 parells de valors)

Fórmula coeficient correlació Spearman

Ox: ordre x Oy: ordre y

Com interpretem els resultats de qualsevol correlació:

En aquest cas observem diferents correlacions de Pearson entre diferents variables.
Direm que, per exemple, el bullying es relaciona negativament i significativament
amb la satisfacció amb la vida (r= -.20; p < 0.01).
S’expressa el valor de la “r” i la significació.

COMPARACIÓ DE VARIABLES QUALITATIVES

Quan es vol estudiar la relació entre atributs nominals no té sentit calcular el
coeficient correlació de Spearman, ja que les categories no es poden ordenar.
Per estudiar la relació entre atributs nominals s’utilitzen mesures basades en taules
de freqüències que s’anomenen taules de contingència.

Casella de la cantonada inferior

dreta = N (total d’observacions
incloses a la taula, en aquest
cas=400)

El coeficient de contingència mesura el grau en què les dades es desvien

d’aquesta situació d’independència entre les variables.
Per tant, com més gran sigui el valor de l’índex, més gran és el grau d’associació
entre les variables.
Però abans de calcular l’índex de contingència, hem de calcular l’índex Xi-quadrat.
Aquest índex mesura la discrepància entre les freqüències de la taula (nij) i les
freqüències que s’esperaria obtenir en cas que les variables fossin independents.

Freqüències observades = nij Fórmula calcular freq esperades cada casella

Freqüències esperades = mij

EXEMPLE:

ex: casella a dalt-esquerra

Un cop hem calcular les freq esperades ja podem calcular l’índex Xi-quadrat.

Taula amb les freq esperades

→ (Anar fent el mateix amb totes les caselles)

Solució

Un cop coneixem valor de Xi-quadrat, podem calcular valor de contingència.

EX anterior:

Com s’interpreta?
El valor de C mai serà major que 1.
Si s’allunya de 0 → + associació entre les variables
Independència completa entre variables → freq observades i esperades coincideixen,
per tant, X² = 0 i el coeficient de contingència també serà C = 0.
Per contra, com més gran sigui l'associació entre les variables més gran serà la
discrepància entre les freq esperades i observades, per tant, més grans seran els valors de
X² i C.

Com s’interpreta al SPSS?

Al igual que amb la correlació, la covariança i altres anàlisis amb estadística, no
tenim prou amb mirar el valor de Xi-quadrat. Necessitem mirar el valor de la
significació.

Hipòtesi nul·la: variables independents entre sí

Hipòtesi alternativa: variables relacionades entre sí

El nivell de significació en aquest cas és de 0,532. En el nostre exemple llavors, no

podem rebutjar la hipòtesi nul·la i diem que les variables són independents entre sí.
→ si el valor fos inferior a 0,05 diríem que hi ha relació entre les variables.