DEPARTAMENTO DE ORGANIZACIÓN DE EMPRESAS

PROGRAMA: INTEGRACIÓN DE LAS TECNOLOGÍAS DE LA

INFORMACIÓN EN LAS ORGANIZACIONES

TESIS DOCTORAL

Título: Factores críticos en la adopción de las medidas de seguridad utilizadas por

los alumnos de los Centros formativos universitarios de tecnologías TIC al usar
herramientas 2.0

Alumno: JOSÉ RAMÓN DÍAZ SÁENZ

Directores: HERMENEGILDO GIL GÓMEZ

JUAN VICENTE OLTRA

Curso 2014 – 2015

Valencia, Junio de 2015

Agradecimientos

Esta tesis no habría sido posible sin la colaboración, ayuda y consejo de muchas
personas. No debo dejar de agradecer las diferentes aportaciones que cada una han
realizado para que finalmente fuese una realidad.

En un momento como éste en el que se culmina el esfuerzo de varios años, quiero dejar
constancia de una actuación muy especial, la de mis directores de Tesis, Hermenegildo
y Juan Vicente, por sus directrices, múltiples revisiones, colaboración en las encuestas
e infinita paciencia que han tenido conmigo.

A mis amigos, compañeros y directores de una nueva tesis en ciernes, Luisa Tolosa y
Carlos Hernández, por sus consejos semánticos para la redacción, el apoyo para el
acceso a encuestados y su consideración al reconocer prioridades investigadoras.

También quiero recordar a todos aquellos familiares, amigos, conocidos…..que durante

todos estos años me preguntaban por las razones para dedicar tanto tiempo a esta
investigación, porque ellos fueron un acicate para completarla, sobre todo en los
momentos más difíciles, que haberlos los hubo.

Como no, a mi esposa Concha, porque sin sus ánimos, favor y tolerancia no habría
dispuesto del tiempo requerido para desarrollarla.

Y, finalmente a mis hijos Francisco y Fernando quienes, sin siquiera intuirlo, han sido
los auténticos impulsores de esta investigación al comprobar, en unos seres tan
cercanos y queridos, los riesgos que están asumiendo nuestros jóvenes y que pueden
comprometer su futuro como ciudadanos libres.
Resumen

Deseamos conocer los factores que influyen en la seguridad de los estudiantes

universitarios actuales, de tecnologías TIC, cuando utilizan recursos para navegar en la
web 2.0.

La idea, y sensibilidad, que tienen estos jóvenes respecto la seguridad informática en

general es elemento clave para entender la forma en la que la ponen en práctica.

Estudiando las motivaciones que justifican el auge de las redes sociales en ese segmento
de población, supuestamente la más preparada respecto la utilización de sistemas
digitales de comunicación, encontraremos los factores que condicionan su rendimiento
así como el nivel de riesgo que asumen consciente o inconscientemente.

Los resultados obtenidos nos ayudarán a modificar, si fuese necesario, la docencia

impartida en esas titulaciones o nos indicarán lo idóneo de las mismas, informándonos
sobre la posible existencia de una brecha entre lo que deben saber y como lo aplican en
su vida diaria.
Resum

Desitgem conèixer els factors que influeixen en la seguretat dels estudiants universitaris
actuals, de tecnologies TIC, quan utilitzen recursos per navegar a la web 2.0.

La idea, i sensibilitat, que tenen aquests joves respecte la seguretat informàtica en

general és element clau per entendre la forma en què la posen en pràctica.

Estudiant les motivacions que justifiquen l'auge de les xarxes socials en aquest segment
de població, suposadament la més preparada respecte la utilització de sistemes digitals
de comunicació, trobarem els factors que condicionen el seu rendiment així com el
nivell de risc que assumeixen conscient o inconscientment.

Els resultats obtinguts ens ajudaran a modificar, si fos necessari, la docència impartida
en aquestes titulacions o ens indicaran la idoneïtat de les mateixes, informant-nos sobre
la possible existència d'una bretxa entre el que han de saber i com l'apliquen a la seva
vida diària.
Summary

We want to know the factors that influence the safety of current college students, ICT
technologies, when used resources to surf the web 2.0.

The idea and sensitivity that these young people about computer security in general is
key to understanding how the implemented element.

Studying the reasons that justify the rise of social networks in that segment of the
population, supposedly more prepared regarding the use of digital communication
systems, we find the factors that affect performance and the level of risk assumed
consciously or unconsciously.

The results will help us to modify, if necessary, the training provided in those degrees or
teaching us ideal state of the same, telling us about the possible existence of a gap
between what they should know and how they apply in their daily lives.
Sumario

1.- INTRODUCCIÓN ............................................................................ 14

1.1 Justificación del trabajo ................................................................... 15

1.1.1 Razones personales ..................................................................................... 16
1.1.2 Razones docentes ........................................................................................ 18
1.1.3 Razones científicas ...................................................................................... 21

1.2 Objetivos de la investigación ............................................................ 23

1.3 Estructura: contenido por capítulos ................................................ 26

2.- MARCO TEÓRICO ......................................................................... 30

2.1 Antecedentes ..................................................................................... 31

2.1.1 Bases conceptuales de la investigación ....................................................... 32
2.1.2 Seguridad global en internet....................................................................... 38
2.1.3 Protección de la privacidad en internet ..................................................... 51
2.1.4 Seguridad en la Web 2.0: identidad digital ................................................ 55

2.2 Estado actual..................................................................................... 69

2.2.1 Big Data ....................................................................................................... 69
2.2.2 Brecha digital .............................................................................................. 71
2.2.3 Legislación (Europea / Americana / Española) .......................................... 75

2.3 Literatura revisada de otros investigadores .................................... 88

3.- MODELO PROPUESTO ................................................................. 96

3.1 Estrategia para el desarrollo de la investigación ............................ 97

3.2 Táctica para el desarrollo de la investigación ............................... 100

3.3 Modelo inicial de estudio ................................................................ 103

3.4 Hipótesis .......................................................................................... 112

4.- METODOLOGÍA ........................................................................... 118

4.1 Metodología para el estudio de campo de la tesis doctoral .......... 119

4.2 Herramientas estadísticas utilizadas ............................................. 122

4.3 Calendario de actuaciones ............................................................. 129

4.4 Codificación de la encuesta de la tesis ........................................... 140

4.5 Selección de la muestra objeto del estudio .................................... 145

4.5.1 Cálculo del error muestral........................................................................ 146

5.- RESULTADOS ............................................................................... 148

5.1 Estadísticos básicos: análisis de fiabilidad .................................... 149

5.2 Estadísticos estructurales previos .................................................. 153

5.3 Evolución del análisis ..................................................................... 163

5.3.1 Estadísticos básicos ................................................................................... 165
5.3.2 Estadísticos estructurales ......................................................................... 171

5.4 Modelos estructurales completos ................................................... 180

5.4.1 Modelo estructural alternativo ................................................................. 195
5.4.2 Modelo estructural “multiobservado” ..................................................... 203

6.- CONCLUSIONES ........................................................................... 210

6.1 Limitaciones .................................................................................... 211

6.2 Discusión de los resultados ............................................................. 213

6.3 Resumen de aportaciones ............................................................... 220

6.4 Acciones futuras, recomendadas ................................................... 223

7.- BIBLIOGRAFÍA............................................................................. 228

7.1 Cursos realizados en el Centro de Formación Permanente de la

UPV (CFP) ............................................................................................ 258

ANEXOS ............................................................................................... 260

Sumario de Anexos

ANEXO 1 – Grafos estructurales modelo ............................................................... 261

ANEXO 2 – Aspectos básicos sobre Teoría Estadística en Ciencias Sociales ......... 266
2A - El Método Científico en las Ciencias Sociales ........................................... 266
2A.1 - Métodos cuantitativos en las Ciencias Sociales ....................................... 269
2A.2 - Diseño de la investigación ...................................................................... 271

2B – Encuestas .................................................................................................. 273

2B.1 - El cuestionario ........................................................................................ 275
2B.2 - Presentación del cuestionario .................................................................. 277
2B.3 - Prueba del cuestionario ........................................................................... 278
2B.4 - Constructos y variables ........................................................................... 281
2B.5 – Causalidad ............................................................................................. 286

2C - Introducción a las Escalas de Medición ..................................................... 289

2C.1 - Escala de Likert ...................................................................................... 291
2C.2 - Construcción de las escalas Likert .......................................................... 294
2C.3 - Análisis de los ítems ............................................................................... 296
2C.4 - Maneras de aplicar la escala Likert ......................................................... 297
2C.5 - Fiabilidad y Validez de las Escalas de Actitud ........................................ 299
2C.6 – Codificación .......................................................................................... 301
2C.7 - Análisis de datos..................................................................................... 304
2C.8 – Muestra.................................................................................................. 306

2D - Fundamentos Estadísticos para nuestro estudio ......................................... 309

2D.1 - Medidas de tendencia central, dispersión y concentración ....................... 310
2D.2 - Análisis descriptivo inferencial: comparaciones en muestras .................. 312
2D.3 - Análisis simple de la varianza ................................................................. 317
2D.4 - Coeficiente de correlación de Pearson .................................................... 319
2D.5 - Análisis de regresión simple ................................................................... 320
2D.6 - Análisis multivariado ............................................................................. 322
 2D.7 - Regresión múltiple ................................................................................. 323
2D.8 - Análisis de trayectorias ........................................................................... 324
2D.9 - Coeficientes de senderos (path coefficients) ........................................... 327
2D.10 - Criterio de los mínimos cuadrados ........................................................ 329
2D.11 - Análisis factorial .................................................................................. 330

2E - Características de los modelos de ecuaciones estructurales......................... 332

2E.1 - Estrategias de modelización .................................................................... 333
2E.2 - Fases de un modelo de ecuaciones estructurales ...................................... 334
2E.3 -Resumen y conclusiones de utilización de Ecs. Estructurales ................... 336
2E.4 - Prueba de chi cuadrado ........................................................................... 340
2E.5 - Coeficiente de ajuste comparativo (CFI) ................................................. 340
2E.6 - Error Medio Cuadrático de Aproximación (RMSEA) .............................. 341
2E.7 - Coeficiente de ajuste normalizado (NFI) ................................................. 342

ANEXO A – Codificación x pregunta .................................................................... 343

ANEXO A1 - Primer cuestionario piloto, con comentarios resaltados ................... 344

ANEXO A1.1 - Resultados análisis primer cuestionario piloto ............................... 350

ANEXO A2 - Segundo cuestionario piloto ............................................................. 354

ANEXO A2.1 - Resultados análisis segundo cuestionario piloto ............................ 360

ANEXO A3 - Cuestionario definitivo .................................................................... 372

ANEXO A3.1 - Resultados cuestionario definitivo (curso 2011-12) ....................... 378
ANEXO A3.2 - Resultados cuestionario definitivo (curso 2012-13) ....................... 409

ANEXO B - Preguntas sobre conocimientos (test) ................................................. 421

ANEXO B 1 - Respuestas a conocimientos (test) ................................................... 422

ANEXO B2 – Calificaciones.................................................................................. 429

ANEXO C - Cálculo de regresiones, curso 2011-12 ............................................... 431

ANEXO C.1 - Cálculo de factores, curso 2011-12.................................................. 445
ANEXO C.2 - Modelos estructurales, curso 2011-12 ............................................. 459
ANEXO D - Cálculo de regresiones, curso 2012-13 ............................................... 467
ANEXO D.1 - Cálculo de factores, curso 2012-13 ................................................. 487

ANEXO E - Cálculo para todos los alumnos de los dos cursos ............................... 498
Sumario de Figuras

Figura 1. Fases de la investigación ....................................................................... 33

Figura 2. Problemas por ataques de virus, infecciones por spyware, o spam,
en 2007 (UE-27) .................................................................................... 39
Figura 3. Comparativa de medidas de seguridad en empresas,
según tamaño (España) .......................................................................... 39
Figura 4. Comparativa de incidencias de seguridad en el último año en empresas . 40
Figura 5a. Penetración del Comercio electrónico en Europa (2010) ........................ 41
Figura 5b. Penetración del Comercio electrónico en Europa (2012) ........................ 41
Figura 6. Evolución trimestral del Comercio electrónico en España...................... 41
Figura 7. Internautas con problemas de seguridad en España (último mes) ........... 44
Figura 8a. Percepción sobre la protección de privacidad en los sitios web .............. 47
Figura 8b. Percepción de que las autoridades no protegen
la privacidad suficientemente ................................................................ 47
Figura 9. Anatomía de una amenaza moderna ...................................................... 54
Figura 10. Impactos en la Red que conforman la identidad digital ......................... 56
Figura 11. Coexistencia real y virtual .................................................................... 57
Figura 12. Recursos para la Identidad digital ......................................................... 57
Figura 13. Datos de los diferentes perfiles de Identidad Digital ............................. 58
Figura 14. Características de la Identidad digital ................................................... 59
Figura 15. Tipo de información que se distribuye en Redes sociales y
sitios de compartición, en la UE ............................................................ 60
Figura 16. Recomendaciones preventivas y reactivas sobre la identidad digital ..... 62
Figura 17. Ciclo de vida de la identidad digital ...................................................... 62
Figura: 18. Tareas realizadas en internet para proteger la identidad digital (UE) ..... 63
Figura 19. Datos e información considerados personales (UE) .............................. 63
Figura 20. Impresiones sobre la revelación de datos considerados
personales (UE) .................................................................................... 64
Figura 21. Usuarios de internet a nivel mundial ..................................................... 72
Figura 22. Penetración de internet en España y Europa.......................................... 73
Figura 23. Acceso a internet en España por tramo de edad y sexo ......................... 74
Figura 24. Acceso desde el móvil en España ......................................................... 74
Figura 25. Distribución del tipo de delitos informáticos......................................... 85
Figura 26. Tipologías penales ................................................................................ 86
Figura 27. Cibercriminalidad y principales delitos cometidos con
Nuevas Tecnologías .............................................................................. 87
Figura 28. Objetivos del estudio ............................................................................ 97
Figura 29. Parámetros de observación del estudio ................................................. 102
Figura 30. Latentes comunes ................................................................................. 113
Figura 31. Influencias en la actitud ........................................................................ 113
Figura 32. Relaciones actitudinales ....................................................................... 114
Figura 33. Influencias de la confianza ................................................................... 115
Figura 34. Influencias del riesgo ........................................................................... 115
Figura 35. Fundamentación teórica del modelo de ecuaciones estructurales ........... 126
Figura 36. Fundamentación empírica del modelo de ecuaciones estructurales........ 128
Figura 37. Ejecución de la investigación ............................................................... 212
Figura 38. Círculo de Deming ............................................................................... 268
Figura 39. Curvas actitud-probabilidad de respuesta 1 -......................................... 292
Figura 40. Curvas actitud-probabilidad de respuesta 2 -......................................... 292
Figura 41. Distribución normal, para el 95% de confianza ..................................... 313
Figura 42. Casos en uno de los extremos del área de la curva ................................ 315
Figura 43. Diagrama de senderos .......................................................................... 325
Figura 44. Ecuaciones de regresión 1 .................................................................... 328
Figura 45. Ajuste de regresión ............................................................................... 329
Figura 46. Fases de obtención de un modelo de ecuaciones estructurales ............... 334
Sumario de Grafos

Grafo 1. Modelo estructural teórico .................................................................. 106

Grafo 1bis. Modelo estructural causal teórico ........................................................ 111
Grafo 2. Modelo más simple propuesto del curso 2011-2012............................. 153
Grafo 3. Modelo simple con variables de control del curso 2011-2012 ............. 158
Grafo 4. Modelo sugerido, con variables de control, del curso 2011-2012 ........ 159
Grafo 4bis. Modelo sugerido, con variables de control, del curso 2012-2013......... 171
Grafo 5. Modelo de cuatro constructos con los alumnos del curso 2012-13 ...... 175
Grafo 6. Modelo de cuatro constructos con todos los alumnos de los
dos cursos ........................................................................................... 180
Grafo 6bis. Modelo optimizado de cuatro constructos con los alumnos
de ambos cursos.................................................................................. 184
Grafo 6tris. Modelo básico de cuatro constructos optimizado con los alumnos
de ambos cursos ................................................................................. 191
Grafo 6-tetrakis. Modelo básico de cuatro constructos optimizado con los alumnos
de ambos cursos – valores estandarizados .......................................... 193
Grafo 7. Modelo correlacional con los 396 alumnos de los dos cursos ............... 196
Grafo 7bis. Modelo correlacional con cinco variables de control para los
dos cursos ............................................................................................ 204
Grafo 8. Diversos tipos de Relación entre variables ............................................ 286
Grafo 9. Diversas influencias internas entre variables ......................................... 287
Sumario de Tablas

Tabla 1. Objetivos de la investigación .................................................................... 25

Tabla 2. ¿Cambió su password durante el último año para acceder a
esos servicios? .......................................................................................... 42
Tabla 3. Indicadores para medir las variables latentes ............................................ 104
Tabla 4. Motivaciones descritas por autores consultados ................................................... 105
Tabla 5. Relación de Hipótesis con variables .......................................................... 143
Tabla 6. Población objeto de la muestra ................................................................. 147
Tabla 7. Parámetros encuesta curso 2011-2012 ...................................................... 152
Tabla 8. Regression Weights: (Group number 1 - Default model) .......................... 154
Tabla 9. Standardized Regression Weights ............................................................ 155
Tabla 10. Efectos entre las variables latentes .......................................................... 156
Tabla 11. Parámetros modelos estructurales curso 2011-2012 ................................ 157
Tabla 12. Resultados proceso grafo 4 ..................................................................... 160
Tabla 13. Frecuencias de alumnos que realizan funciones sobre uso
de contraseñas ........................................................................................ 166
Tabla 14. Frecuencias de alumnos que realizan funciones sobre uso de backups ..... 167
Tabla 15. Correlación entre funciones de defensa que realizan los alumnos y
Estadísticos básicos ................................................................................ 167
Tabla 16. Frecuencias de alumnos que realizan funciones sobre normas básicas de
Seguridad .............................................................................................. 168
Tabla 17. Frecuencias de alumnos que expresan contenidos a través de
Redes Sociales ........................................................................................ 168
Tabla 18. Parámetros encuesta curso 2012-2013 .................................................... 169
Tabla 19. Parámetros encuesta ambos cursos.......................................................... 170
Tabla 20. Resultados proceso grafo 4bis ................................................................. 172
Tabla 21. Resultados proceso global con alumnos 2012-2013 ................................ 176
Tabla 22. Resultados proceso global con alumnos ambos cursos ............................ 181
Tabla 23. Resultados optimizados del proceso global con alumnos ambos cursos .. 185
Tabla 24. Resultados optimizados del modelo correlacional con alumnos
ambos cursos .......................................................................................... 197
Tabla 25. Resultados del modelo con 5 variables de control para ambos cursos ..... 205
Tabla 26. Comparación parámetros de ajuste modelo final y alternativo ................. 217
Tabla 27. Resultados de Hipótesis .......................................................................... 218
Tabla 28. Formulación de preguntas correspondientes a valores ............................. 298
Tabla 29. Valores de K más usados ........................................................................ 308
Tabla 30. Casos en ambos lados del área de la curva a partir de la media aritmética 314
Tabla 31. Casos en uno de los extremos del área de la curva .................................. 315
1.- INTRODUCCIÓN
 1.1 Justificación del trabajo

En los siguientes apartados desarrollaremos las distintas razones que generaron la

suficiente inquietud como para impulsar esta investigación.

Fundamentalmente describiremos la convergencia de características propias del autor

(ingeniero, educador, padre de familia, consumidor, usuario, curioso, ciudadano) a
través de los siguientes factores:

 Personales, debidos a la formación, experiencia y observación

 Responsabilidades próximas al apoyo a la formación de las próximas

generaciones, impulsadas por la colaboración con organizaciones educativas así
como también por la percepción de los hábitos de los jóvenes más próximos

 Interés por sacar provecho y abordar el aprendizaje para el conocimiento de las

herramientas más novedosas que nos sirvan de soporte para el desarrollo del
presente estudio.

A lo largo de la presente tesis referenciaremos noticias que nos llegan a través de los
diversos medios de Comunicación (generalistas, universitarios, profesionales y/o
especializados) sobre los problemas que surgen con frecuencia debidos a un uso
inadecuado de las TIC y que, por si solos, exacerban nuestro interés e incrementan la
inquietud que se va a indagar.

Asimismo, la importancia de esta investigación se confirma por la coincidencia en el

tiempo de estudios realizados por investigadores de otros continentes sobre experiencias
similares que certifican la conveniencia de abordarla.

15
 1.1.1 Razones personales

El motivo del interés sobre estos temas radica en los siguientes puntos:

a) La formación académica: Ingeniero Superior de Telecomunicación y

Diplomado en Planificación Financiera por la Universidad Politécnica de Madrid,
Máster CALSI (Contenidos y Aspectos Legales de la Sociedad de la Información)
y Diplomado en Estudios Avanzados (Programa ITIO) por la Universitat
Politècnica de València

b) La carrera profesional, vinculada desde el principio al sector de las Tecnologías

de la Información como becario en IBM desde 1973, trabajando posteriormente
como Analista de aplicaciones técnicas en empresas de ingeniería (Heredia y
Moreno, S. A. y Foster Wheeler Iberia, S. A., en Madrid) e incorporándome
nuevamente a IBM, promoviendo proyectos informáticos, hasta mi prejubilación en
Valencia, en 1997. A continuación, como administrador de una empresa de
servicios de telecomunicación (Fringes, S. A.) y finalmente, simultaneando labores
como Profesor de Tecnología en la Licenciatura de Comunicación Audiovisual de
la UPV en el campus de Gandía con Asesoramiento tecnológico a diversas
empresas locales.

c) Personal, como usuario de los programas más generalizados para navegar y

trabajar en la red (correo, mensajería, redes sociales, Office…)

d) Inquietud personal / profesional / ética / moral / legal…, como consecuencia de

la observación directa de algunas de las posibilidades que permiten las
herramientas informáticas actuales de uso generalizado, incluso llegando a
consultar con profesionales del Derecho al comprobar la distancia entre lo que
permite la tecnología y lo que se puede y no se debe hacer. Sabemos que el
legislador siempre irá por detrás de la tecnología (experimentos genéticos,
clonaciones, nuevos tipos de delito…), pero la obsesión por las posibilidades que
ofrece ésta no debe dejar que los árboles nos impidan ver el bosque; es decir, hay
que tener perspectiva y ver, en su conjunto, lo que las nuevas herramientas
permiten y como evitar los perjuicios que puedan generar.

16
e) Responsabilidad social, intentando preservar el interés común de la sociedad en
su conjunto, y de los individuos que la componemos en particular, por los riesgos
inherentes al uso indiscriminado y masivo de herramientas que facilitan la
comunicación pero que, sin los conocimientos básicos necesarios, pueden generar
graves perjuicios a una parte de la población que integra esa misma sociedad, la
más vulnerable, y que puede comprometer su futuro y el del resto.

17
 1.1.2 Razones docentes

Durante varios años (1990-1997) representé a IBM como Patrono en ADEIT1, y

también en la Fundación ETNOR2. Como Secretario General de la RSEAP3 también
representé a esta sociedad cultural en la Fundación Valenciana de Estudios Bursátiles. A
título más personal fui miembro del Consejo Asesor de ESTEMA 4.

La convergencia subyacente de estas actividades, junto con mi dedicación como

Profesor Asociado en la UPV, tienen un factor común: la Educación.

Durante esos años he participado en innumerables reuniones en las que he estado

escuchando estrategias docentes, planes formativos, proyectos y problemas sobre
diferentes aspectos educativos, y he tratado de aportar ideas sobre cómo paliar las
dificultades aparecidas, cómo conseguir la mayor calidad y dar respuesta a las
necesidades sociales de nuestro entorno, en los diferentes ámbitos.

Sin embargo, en un encuentro con motivo de la presentación del informe “Gestión de

Riesgos y medios de comunicación social, un cambio de paradigma” realizado por el
International Development Research Centre 5 (Moyer, 2009), se denunció que muchas
organizaciones e instituciones preferían ignorar los problemas sobre los riesgos de
vulnerabilidad y violación de la privacidad y los derechos de autor cuando se navega
por redes sociales, incluyendo a estudiantes, profesores y administradores. Se
recomendaba establecer directrices para paliar la falta absoluta de control sobre la
información que se publica.

En esas mismas fechas, según el director de seguridad de internet de la empresa de

seguridad de vigilancia NetWitness, de Herndon (Virginia), “las instituciones que optan
por hacer la vista gorda ante el sector de los medios sociales se están haciendo un flaco
favor que podría, en algún momento en el futuro, convertirse en su mayor problema”
(McCrea, 2009: 2).

1
Fundació Universitat Empresa. Universitat de Valencia
2
Ética de los Negocios y de las Organizaciones
3
Real Sociedad Económica de Amigos del País, de Valencia
4
Escuela de Negocios. Universidad Europea
5
Corporación de la corona canadiense establecida por una ley del Parlamento en 1970 para ayudar a los
países en desarrollo a encontrar soluciones a sus problemas.

18
Los centros de enseñanza deben elaborar directrices para el uso de las redes, controlar
cómo se utilizan y saber qué hacer cuando se sobrepasan los límites.

De hecho, en relación con las estrategias de aprendizaje, Beltrán (1993) ya señalaba que
los resultados de dicho aprendizaje están muy vinculados con el uso de estrategias
cognitivas que son las que convierten el material enseñado en material aprendido. A su
vez, García y Pintrich (1994) ya indicaban que el uso de este tipo de estrategias, no su
conocimiento, está relacionado e influenciado por la motivación del propio estudiante.

Nos referimos al aprendizaje de la competencia que integra conocimiento, habilidad y

predisposición para afrontar adecuadamente las situaciones complejas que se presenten,
de forma profesional. Interviene la componente actitudinal y volitiva sin la cual el
desempeño competente no se alcanzaría. (Lasnier, 2000; CIDEC, 2004).

Desde la perspectiva docente, la motivación es un factor de impulso y orientación para

los estudiantes que les implica en el aprendizaje de las actividades académicas y
determina su nivel de adquisición. Una de las nociones más intuitivas de la motivación
implica que solo ocurre en las personas interesadas, o preocupadas, por alguna actividad
concreta.

Esta motivación está integrada por cuatro factores (Githua y Mwangi, 2003):

 interés o curiosidad por el aprendizaje,

 utilidad o valor del contenido del aprendizaje,

 confianza en su probabilidad de éxito, y

 satisfacción respecto al equilibrio de recompensa y esfuerzo.

Diversos estudios han investigado sobre las motivaciones de los alumnos para el logro
de sus metas. La teoría de la Motivación-Logro, iniciada por Dweck (1986) y seguida
por Pintrich (2000) y Dupeyrat y Mariné (2005) determinan que el comportamiento del
estudiante está basado en la consecución de unos objetivos concretos, superar las
pruebas. La orientación de los trabajos que se han desarrollado ha ido hacia el
aprendizaje y hacia el resultado. Estudios sobre la Teoría de la Autoeficacia llegan a la
conclusión de que se realizan las acciones necesarias para llegar a la meta deseada, el

19
resultado (Usher y Pajares, 2006). Los alumnos que se sienten suficientemente seguros
de sí mismos si se preocupan por su aprendizaje y no solamente por sus resultados
académicos (Elliot y Church, 1997). Cuestionarios específicos fueron desarrollados para
conocer la relación entre motivación y actitud de nuestros estudiantes (Beltrán et al,
2006) adecuados a otras muchas investigaciones (Gargallo et al, 2007 y 2012)

En algunas de esas investigaciones se describe la ausencia de efecto significativo entre

las estrategias de aprendizaje y el rendimiento académico. Cuando su motivación se
dirige a obtener buenos resultados académicos no importando la utilidad del aprendizaje
realizado, no se consigue la competencia necesaria (González et al, 2002).

Es decir, he estado vinculado a organizaciones que determinan estrategias educativas e

incluso, como profesor, he estado en contacto directo con los alumnos.

Pero a la vez, con los informes anteriores referenciados me encuentro con llamadas de
atención sobre:

 Responsabilidad, control y directrices, de los que pueden y deben hacerlo

 Condiciones para impulsar motivación y obtención de la competencia, por parte

de los estudiantes

Queremos comprobar la parte de los estudiantes; es decir, sus factores críticos de éxito
en el caso concreto de la adopción de medidas de seguridad cuando utilizan las
tecnologías TIC los estudiantes más preparados para su uso, navegando por internet e
interactuando en Redes Sociales, tal y como se titula la presente tesis.

Y, como consecuencia de los resultados que se obtengan en la investigación, aportar la

suficiente información para no obviar la parte de responsabilidad que pueda derivarse
para quien proceda.

20
 1.1.3 Razones científicas

Nos hemos planteado preguntas sobre la actuación en seguridad informática que

debieran estar influenciados por los conocimientos de los jóvenes estudiantes de estas
materias tecnológicas, basadas en las teorías constructivistas sobre la motivación y que
se enfocan principalmente en las componentes socio-culturales del aprendizaje.

Según la psicología educativa constructivista (Risnes, 1999), se explica la forma en la

que los alumnos entienden el aprendizaje y cómo se consideran a sí mismos con
respecto a sus posibilidades de aprender y cómo puede influir en sus resultados,
habiendo tres frentes que conforman el conocimiento en general de los alumnos:

1. Su ambiente sociocultural

2. Su ambiente curricular e institucional de sus antecedentes escolares y formación

3. Las motivaciones, intereses y sentimientos que les produce la navegación y uso

de estas herramientas

Estudiado por Alonso (2005) a través de un cuestionario que mide las metas, valores-
intereses y expectativas de los alumnos en diferentes contextos de aprendizaje.

Sobre el ambiente curricular es posible plantearse las siguientes cuestiones: sus

antecedentes escolares, es decir qué tipo de formación cursaron y cuáles fueron sus
resultados; el rendimiento académico, y el número de cursos en la UPV. Estas
cuestiones se representan por variables curriculares cuyas respuestas son cuantitativas y
por lo tanto es posible responderlas con el contraste de hipótesis, tales como que no hay
diferencia en las calificaciones promedio entre los alumnos de una u otra Escuela
seleccionada.

Las ideas que los estudiantes tienen respecto de la seguridad informática es elemento
clave para entender la forma en que la ponen en práctica y que hay que considerar para
entender la forma de adoptar medidas de seguridad cuando utilizan ordenadores.

21
Esta tesis comporta un estudio para derivar un conjunto de indicadores que relacionen
los conocimientos reales que tienen y la actitud de los alumnos ante el propio
aprendizaje de temas relacionados con este fin, formulándonos preguntas teniendo en
cuenta que, según Lahey (1999: 685), “las creencias son las que nos predisponen para
actuar y sentir de determinada manera” y pueden ser positivas o negativas. Lo que
viene a significar que la actitud está relacionada con los gustos y las preferencias.

Indagaremos en el comportamiento y las razones que tienen los alumnos de las Escuelas
TIC de la UPV para actuar como lo hacen en el terreno de esta investigación, y para ello
recurriremos a las herramientas más actuales disponibles, enriqueciendo nuestra
formación y buscando el soporte que sea conveniente.

22
 1.2 Objetivos de la investigación

Esta tesis versa sobre aspectos de “Seguridad en internet”, con especial atención a las
“Redes Sociales”; es decir, a la más comúnmente denominada Web 2.0.

El desarrollo e implementación de todo avance tecnológico (los rayos X, el automóvil,

la aeronáutica, la desintegración del átomo, etc.) conllevan un “lado oscuro” que es
necesario asumir, medir y controlar para minimizar sus posibles riesgos. La formación
de usuarios y la adopción de medidas preventivas, deberían ser prerrequisitos para su
explotación, máxime cuando se universaliza, como es el caso de internet.

El objetivo fundamental de nuestra investigación consiste en conocer el grado de

sensibilidad y puesta en práctica de los conocimientos adquiridos en sus estudios
(aptitud) por parte de los alumnos de las escuelas de Telecomunicación e Informática de
nuestra Universidad, a la hora de salvaguardar su información y privacidad cuando
navegan por internet, con la inquietud suficiente (actitud) como para protegerse
adecuadamente, y cuáles son los factores que les hacen comportarse de la forma en que
lo hacen. Ellos serán los futuros profesionales que formarán, desarrollarán y aplicarán
estas tecnologías en empresas o instituciones, con prácticas seguras.

Nos centraremos fundamentalmente en el estudio de aquellas acciones que

designaremos como “fronterizas”, al ser no provocadas directamente por los
ciberdelincuentes, sino más bien las que les facilitan la labor y permiten actuaciones no
deseadas, carentes de ética y en algunos casos ilegales. Propiciadas por las posibilidades
actuales de la Tecnología, puestas a disposición de los usuarios generalistas e incluso
facilitadas por los propios fabricantes de software (Díaz, 2008).

Indagaremos sobre los Factores Críticos (conocimientos técnicos, hábitos, metas,

motivaciones psicológicas) que, tanto en el ámbito de su actividad de aprendizaje como
en el de su vida social, determinan la adopción de medidas de seguridad por parte de los
alumnos de tecnologías TIC en los Centros formativos de nuestra Universidad, al usar
herramientas Web 2.0. Para conseguirlo (Lahey, 1999), nos plantearemos preguntas
como:

23
 • ¿Cuáles son los factores de la actitud y la motivación que tienen mayor influencia
sobre los conocimientos sobre seguridad informática necesarios?

• ¿Es posible lograr un cambio en la actitud de los estudiantes?

Lamentablemente, siempre ha habido y seguirá habiendo gente sin escrúpulos que basa
su beneficio en el aprovechamiento de los demás, no dudando en utilizar métodos
delictivos. Internet también acaba siendo un foco de gran atracción para este tipo de
personajes que, con una formación tecnológica avanzada, acceden a un potencial muy
elevado de posibles víctimas. Más aún, incluso sin ser objetivo concreto de los
ciberdelincuentes, dar información sobre nuestros anhelos, relaciones o inclinaciones
puede volverse contra nosotros al facilitar la construcción de perfiles que acaben
permitiendo manipular nuestra conducta, privada, profesional, o como consumidores.

Se estudiarán las recomendaciones más adecuadas al escenario real que faciliten la

protección de los usuarios de la Web 2.0 y ayuden a perseguir actuaciones ilícitas,
teniendo también en cuenta la diferencia legislativa existente entre los diferentes países.

Ese es, básicamente, el fin de esta investigación, poner de manifiesto algunas prácticas,
no necesariamente muy sofisticadas pero que, acostumbrados a encontrárnoslas en el día
a día, acaban pareciendo normales para los usuarios, sin tener en cuenta que están
vulnerando los derechos que las leyes nos otorgan, evidenciando la distancia entre el
legislador y el tecnólogo, máxime en una época en la que con la gran difusión de las
redes sociales y la Web 2.0, es más fácil conseguir y compartir datos personales.
Además de la aparición de un nuevo factor de riesgo como es el nuevo tipo de acceso
desde dispositivos móviles.

Es decir, básicamente nuestros objetivos serán los siguientes, resumidos en el siguiente

cuadro:

24
 Tabla 1. Objetivos de la investigación

Conocer si los alumnos de Escuelas TIC (Telecomunicación e

Objetivo Informática) adoptan suficientes medidas de seguridad cuando navegan
general por Internet en general, y Redes Sociales en particular, cuidando su
información y su privacidad (diseño del perfil, publicación de datos
personales, manifestarse abiertamente).

Verificar si los alumnos son cuidadosos con la protección de sus

ordenadores, accesos y datos (uso de contraseñas y copias de seguridad,
almacenamiento de la información, actualización de conocimientos y
Objetivos recursos de seguridad, actividad realizada).
específicos
Saber si hay diferencias entre los alumnos más cuidadosos en la
protección de sus datos y su privacidad respecto el nivel de sus
conocimientos

¿Cuáles son sus motivaciones para hacerlo de una u otra forma?

Saber si hay diferencias en los factores motivacionales a la hora de

adoptar medidas de seguridad entre alumnos con mayores o menores
conocimientos.

¿Es suficiente el nivel de precaución adoptado, basado en su

aprendizaje, o es conveniente mejorar ambos?, ¿Qué factores habría que
estimular para conseguirlo?

¿Los resultados de la formación recibida cubren esta finalidad o habría

que replantearla?

Fuente: Elaboración Propia (EP)

25
 1.3 Estructura: contenido por capítulos

Pese a la necesaria compartimentación en capítulos de la presente tesis, el lector

encontrará un hilo conductor que le permitirá conocer desde los orígenes que generaron
la inquietud de acometer esta investigación, permanentemente alimentada por el auge de
noticias que a lo largo de estos años no han hecho más que enervarnos al comprobar el
crecimiento de los riesgos de seguridad al navegar por redes sociales, hasta las
recomendaciones finales basadas en los resultados obtenidos. Pasando, por supuesto,
por todos los eslabones exigidos en toda investigación científica.

Esa “aparente” estanqueidad puede parecer que indique cierta independencia entre unos
contenidos y otros. Nada más lejano de la realidad. Vamos a hacer un recorrido que
recoja la situación global de seguridad en internet en general, y al navegar por redes
sociales en particular, dando la información suficiente sobre los aspectos fundamentales
que competen a la investigación (protección, privacidad, identidad digital).
Describiremos los principales obstáculos que encontramos para garantizar un uso
seguro de las herramientas TIC, la brecha digital e incluso algunos desarrollos
tecnológicos sobre manejo masivo de datos que pueden tener un uso indebido, teniendo
en cuenta las distintas legislaciones existentes, que deben servir para proteger a los
ciudadanos, aunque también mencionaremos algunas de las razones para sus
diferencias.

Seguiremos continuamente las recomendaciones de investigadores que nos antecedieron

en estudios similares, referenciando sus descubrimientos, para que en todo momento
mantengamos la certeza de mantenernos con el rumbo correcto que nos lleve a
interpretar y consensuar nuestros resultados. Máxime teniendo en cuenta que deberemos
apoyarnos en conceptos no físicos, como son las motivaciones y las actitudes, ante
determinados comportamientos.

Aseguraremos cada paso que demos, afianzando cada peldaño de nuestra investigación,
confirmando y reconfirmando los diferentes análisis, para garantizar que los resultados
son coherentes y no son fruto de un análisis coyuntural.

26
En el primer capítulo, la Introducción, se describen los motivos que nos impulsaron a
acometer el estudio, tanto de inquietud personal como de responsabilidad docente y
curiosidad científica.

También se indican los objetivos de la presente tesis centrándonos en los aspectos que
se van a desarrollar sobre la situación general que se puede percibir del tema de nuestro
estudio a través de cualquier canal de comunicación, sean medios de masas, informes
empresariales, institucionales o experiencias personales o cercanas, demostrando la
relevancia de la investigación sobre medidas de seguridad en internet, y sobre redes
sociales.

El segundo capítulo, Marco Teórico, nos ayuda a posicionarnos sobre el núcleo de la

investigación aportando información sobre datos de seguridad informática actuales y su
implicación en el desarrollo de la red, tanto a nivel particular como empresarial o
institucional, con referencias a formas de vulnerar la intimidad.

Se relacionan los conceptos más actuales, con los informes aparecidos más recientes,
que generan incertidumbre incluso a nivel judicial en la defensa de derechos
fundamentales de los ciudadanos.

Se reseñan los hitos que, desde una perspectiva global, hay que controlar para que aún
sirviendo al desarrollo de la Sociedad de la Información, no se coarte la libertad
individual.

Indicamos una serie de estudios previos, sobre factores comunes a todo tipo de
aprendizaje, que nos permiten definir los factores idóneos, herramientas y modelos con
los que vamos a trabajar en nuestro caso. Hemos incluido también referencias de
investigaciones más específicas que nos sirven de soporte para la nuestra que, aunque
sea muy concreta al ceñirse a una población determinada de nuestra Universidad,
marcha en paralelo con estudios realizados en otras partes del mundo, con otras
poblaciones, respecto otras materias, pero que convergen sobre inquietudes similares.
En este punto, hemos introducido los conceptos que, más cercanos a las Ciencias
Sociales y la Pedagogía, nos son menos afines a los profesionales de las ramas de
Ingeniería.

27
El capítulo tercero, sobre el Modelo Propuesto utilizado en el estudio, está dedicado a la
descripción de las relaciones utilizadas entre los diferentes perfiles de alumnos que nos
servirán como base para su desarrollo y ajuste, en donde definimos las hipótesis sobre
las que versará nuestra tesis.

El cuarto capítulo, Metodología, describe las actividades realizadas y sus plazos, la

forma de obtención de la información, su proceso y tolerancias.

Hacemos un recorrido que justifica las razones de la adaptación de los Cuestionarios

utilizados y sus características, así como las Escalas de medición utilizadas y las
Encuestas llevadas a cabo.

Detallamos las etapas previas, las pruebas, su fiabilidad y validez estadística, la forma
de seleccionar la muestra, sus márgenes, la codificación de los datos y los criterios de
filtraje de los mismos.

Describimos algunos de los conceptos metodológicos y estadísticos, así como los

recursos con los que vamos a procesar nuestros datos, de forma que nos sirva de
posicionamiento y concreción sobre herramientas e indicadores menos habituales, como
son los de las Ecuaciones Estructurales, con un mayor detalle en uno de los anexos (2E).

El quinto capítulo muestra los resultados obtenidos, su tolerancia y aceptación, así como
los modelos alternativos que se proponen y su justificación.

Partimos de un estudio de frecuencias, tablas, correlaciones, varianzas entre los alumnos

del curso 2011-2012 para acabar haciendo un análisis factorial exploratorio que asociase
las variables observables formando los constructos esperados. En los casos en los que
detectamos falta de respuesta a alguna de las variables que formaban parte de alguna
latente recurrimos a los métodos de regresión para completarla. Nos aseguramos de sus
coherencias y fiabilidad mediante los respectivos indicadores. Con los resultados de este
primer grupo pudimos diseñar los modelos estructurales previos que empezaron a
darnos información sobre la situación general con la que actúan los estudiantes.
Analizamos diversas agrupaciones de nuestra muestra con el modelo ajustado. Para ello
utilizamos diversas variables de control agrupadas según comportamiento ante diversas
formas de actuar y obtuvimos unos valores de ajuste que confirmaban la calidad del
proceso.

28
Actuamos de idéntica manera con los alumnos del curso siguiente, comprobando sus
estadísticos básicos, factorizando, completando ausencias vía regresión y analizando
estructuralmente con la totalidad de constructos que habíamos observado en la teoría.
Confirmando los resultados ya obtenidos con la primera muestra.

Finalmente, procesamos los modelos definitivos con la totalidad de alumnos

encuestados en los dos cursos y propusimos un modelo alternativo que independizaba el
resultado de la causalidad entre variables latentes.

En el capítulo sexto, de Conclusiones, se describe el análisis diagnóstico sobre lo que

nos han mostrado los resultados, especificando los intervalos de validez y limitaciones,
respondiendo a las hipótesis iniciales planteadas y sugiriendo medidas que permitan
mejorar la situación puesta de manifiesto para garantizar la disminución de riesgo e
incrementar la mejora del aprendizaje y del conocimiento que la sociedad espera.

El séptimo y último capítulo está dedicado a la Bibliografía, incluyendo la relación de

cursos realizados en el CFP de la UPV, para adquirir y/o completar los conocimientos
sobre las herramientas utilizadas para el desarrollo de esta tesis.

Se incluyen diversos tipos de anexos que aportan información adicional, de soporte y/o
aclaratoria al contenido de los textos descritos en cada capítulo.

29
2.- MARCO TEÓRICO
 2.1 Antecedentes

En los siguientes sub-apartados vamos a indicar los principios en los que debe apoyarse
toda investigación científica, como guía de las etapas por las que fuimos pasando para
acometerla, así como facilitaremos datos sobre la evolución de indicadores de seguridad
en internet como prerrequisito indispensable para tener la suficiente confianza en la
Red, minimizar los riesgos al navegar por la misma y potenciar el desarrollo de la
Sociedad de la Información.

Describiremos las posibilidades de la Web 2.0, en donde se desarrolla gran parte de la

actividad que queremos asegurar que se realiza con la suficiente prudencia, indicando
los nuevos problemas que puede conllevar un uso descuidado de la misma.

Nos centraremos en la definición y defensa de los factores personales que nos ocupan en
nuestra investigación y que básicamente giran en torno a nuestra intimidad, como
primer bastión indispensable para proteger imagen, bienes y libertades.

31
 2.1.1 Bases conceptuales de la investigación

Según Albert (2007) para iniciar una investigación, siempre se necesita una idea. Las
ideas constituyen el acercamiento a la realidad que habrá que investigar.

A su vez, Danhke (1989), citado por Albert, menciona distintos criterios para generar
ideas de investigación productivas, indicando que las buenas ideas deben intrigar,
alentar y excitar al investigador de manera personal. No es necesario que sean nuevas,
pero si novedosas y deben servir para elaborar teorías y aportar solución a los
problemas, así como pueden limitarse a servir para generar nuevos interrogantes.

Y todo problema de investigación debe ir pasando por las siguientes fases que lo van
depurando (Albert, 2007: 43-44):

a) Detección del problema

b) Elaboración del problema

c) Formulación del problema

d) Evaluación del problema.

El planteamiento del problema consiste en afinar y estructurar más formalmente la idea

de investigación (Albert, 2007). Puede llegar a ser la parte más difícil e importante de la
investigación científica, pues requiere una gran iniciativa por parte del investigador, así
como unos conocimientos previos sobre la materia que va a abordar y disponer de unos
medios que le permitan su estudio.

No siempre podemos definir un problema de manera simple, clara y completa. Puede

ocurrir que tengamos una noción general difusa e inclusive confusa sobre el problema.
Puede llevarnos años de exploración y reflexión para poder definir el problema de
forma inequívoca; sin embargo, enunciar el objeto de la investigación de una forma
adecuada, es una de las partes fundamentales del proceso.

32
Este mismo autor nos dice que la selección de un problema particular depende en parte
de los intereses del investigador, de sus habilidades, ingenio, creatividad y las
exigencias del medio relacionadas con la situación de la investigación. El problema es
esencialmente una pregunta sobre el mundo en que vivimos para la que no tenemos
respuesta o las existentes no nos parecen satisfactorias; por eso nuestra investigación
debe plantearse en forma de interrogante lo más concreta posible para que después sea
factible avanzar una solución tentativa.

Pero uno de los riesgos que entraña toda investigación reside en la propia capacidad de
delimitación del tema de estudio. Según (Tamayo y Tamayo, 2003: 117): “Delimitar el
tema es ver la viabilidad para su desarrollo. Uno de los fallos más comunes en las
investigaciones consiste en la ausencia de la delimitación del tema de estudio, el 80%
de las investigaciones fracasan por carecer de delimitación del tema, es decir, por
ambición del tema.”

Podemos resumir esos criterios básicos representándolos mediante las siguientes fases:

Fig .1: Fases de la investigación

Fuente: EP

33
Kerlinger (1999), citado por Albert, propone tres criterios para formular correctamente
un problema:

1. Debe expresar la posible relación entre diversas variables, con preguntas como
¿Cuál es su relación, hay otras variables que intervengan en esa relación?

2. El enunciado del problema debe hacerse en forma de pregunta de forma clara y

sin ambigüedad.

3. Problema y enunciado deben poder ser comprobados mediante alguna prueba

empírica. Es decir, que las variables que enuncian una relación deben ser medidas
de alguna forma.

Teniendo en cuenta estos antecedentes, vamos a describir las etapas previas por las que
ha pasado esta investigación.

Durante el curso 2007-2008 desarrollé mi tesina para la obtención del DEA con el título
de “Seguridad en internet”, describiendo las principales actividades delictivas que se
estaban llevando a cabo a través de la red, así como las directrices emanadas desde la
Unión Europea y las medidas establecidas a nivel país para atajarlas. También incluí
ciertas posibilidades que permitían las TIC, contrarias a garantizar la Propiedad
Intelectual y la privacidad, y que bordeando las leyes no eran en absoluto éticas y
parecía que “escapaban” a muchas percepciones (Díaz, 2008).

Decidí dar un paso más queriendo empezar desde el principio; es decir, no dando nada
por supuesto y tratando de averiguar la realidad de los conocimientos e inquietudes de
nuestros jóvenes usuarios, disponiendo de una pequeña muestra como la que constituían
mis propios alumnos. Basándome en mí propia tesina del Máster CALSI6 titulada
“Análisis de seguridad de la Web 2.0, en alumnos de la UPV”, ya pude observar que los
conocimientos, sensibilidad y actuación de los alumnos de primer curso de la
Licenciatura de Comunicación Audiovisual en el Campus de Gandía de la UPV eran
muy preocupantes. Parecía que podía deberse a que acababan de acceder a la
Universidad, que su formación en el uso del PC era mayoritariamente autodidacta y que,
procedentes de Humanidades, estaban menos sensibilizados con las potencialidades y

6
Máster Universitario Oficial de la Universitat Politècnica de València en Contenidos y Aspectos Legales
en la Sociedad de la Información.

34
los riesgos del uso de unas tecnologías en las que no estaban muy seguros, como pude
comprobar dándoles clase de Tecnología Digital durante varios cursos (Díaz, 2009).

Por esa razón quise profundizar todavía más en la situación real estudiando una
población que ya no era novata (segundo, cuarto y quinto cursos) ni tampoco estaba
alejada de los estudios más relacionados con el tema que nos ocupa, como son los
alumnos de las Ingenierías Superiores de Telecomunicación e Informática.

La elección de ese perfil de alumno se debe al hecho de que, con unas asignaturas
técnicas en sus respectivos planes de estudio más próximas al uso de estas tecnologías,
deberán ser los mejor formados en las diferentes alternativas de su uso y de las medidas
más apropiadas para la salvaguarda de sus datos e imagen.

Queremos conocer si nuestros estudiantes, supuestamente más preparados y sensibles en

el uso de estas tecnologías, son lo suficientemente conscientes de la necesidad de tomar
medidas autoprotectoras. Son los que algún día serán responsables de la adopción de
medidas de seguridad en su actividad profesional, y queremos saber si ya adoptan esas
medidas, asegurándose a sí mismos en su vida diaria.

También tenemos en cuenta que cuando el investigador inicia un nuevo estudio, no solo
se basa en sus investigaciones anteriores, sino que debe conocer los trabajos de otros
investigadores, lo cual obliga a estar al día en la literatura pertinente y en las
informaciones publicadas, ya sea para comprobar los resultados presentados en ella o
para proponerse otros problemas relacionados con su línea de trabajo. (Briones, 2002)

En definitiva, tuvimos una idea que nos intrigó pues no nos gustaba lo que percibíamos,
tal como aconsejaba Albert (2007). Despertó nuestro interés y nos alentó a investigarla,
como indicaba Danhke (1989). En un principio era algo difusa y no la concretamos
suficientemente pero, tras años de exploración, llegamos a definirla gracias a los
conocimientos previos que teníamos sobre la materia y los que habíamos ido
desarrollando, así como a la posibilidad de acceso tanto a recursos materiales
(disponibilidad de aplicaciones, teoría previa, cursos complementarios) como a recursos
humanos (la población objetivo), pasando por las fases enunciadas por Albert (2007),
pero intentando no ser víctimas de los riesgos anunciados por Tamayo y Tamayo (2003)
respecto la delimitación de la investigación.

35
Así pues, en nuestro estudio decidimos aplicar los pasos del método de investigación
científica de Asimov que puede considerarse el método por excelencia (Asimov, 2010)
que consiste en:

 detectar la existencia de un problema, identificándolo, y que en general puede

corresponder a la propia inquietud del investigador como consecuencia de la
observación y los conocimientos previos que, sobre la materia, se tengan.

 Obtener información sobre el tema objeto de estudio, separando y desechando

los aspectos no esenciales. Para poder abordar el estudio del problema desde el
punto de vista científico, hay que tener la suficiente información sobre ese tema.
Parte de esa información será consecuencia del conocimiento que ya tengamos
(nuestra propia experiencia) y que deberemos completar con el estudio de la
bibliografía existente al respecto.

 Reunir datos que incidan sobre el problema, mediante la observación simple.

 Elaborar una descripción general provisional que los describa de la forma más
simple posible: un enunciado breve. Esto es, plantear las hipótesis. Con toda la
información recogida y analizada estaremos en condiciones de plantear posibles
conjeturas como respuesta a nuestros interrogantes. Estas conjeturas, o hipótesis,
nos irán orientando en la dirección de las metas que trataremos de obtener.

 Con las hipótesis se pueden predecir los resultados de experimentos no

realizados aún y ver con ellos si la hipótesis es válida.

 Verificar las hipótesis. Si los experimentos funcionan, se pueden convertir

dichas hipótesis en nuevas teorías. Para lograr dicha verificación deberemos seguir
unas pautas tales como:

1. Observar la realidad, midiendo sus aspectos más relevantes y registrando

la información obtenida.

2. Reflexionar sobre los resultados obtenidos, analizarlos, estudiar

desviaciones, causas, y correcciones

36
3. Comprobar, experimentando si lo que nos indican nuestras reflexiones
coincide con la realidad

4. Actuando, de acuerdo al conocimiento adquirido lo que, en definitiva,

conforma el método experimental.

37
 2.1.2 Seguridad global en internet

El hecho de ser una red abierta permitiendo que cualquier ordenador independiente, o
constitutivo de una subred, pueda conectarse sin más coste que el de la conexión ha
facilitado la rápida extensión de internet y la popularización de la Sociedad de la
Información. Pero esta apertura, que ha fomentado la incorporación de muchísimos
usuarios, ha servido para atraer también a personas con intenciones poco éticas que han
visto una oportunidad para llevar a cabo sus fechorías.

La generalización del uso de las nuevas tecnologías pasa por garantizar a los usuarios la
confianza en las mismas y su seguridad (COMSI, 2005).

El fenómeno de la seguridad ha ido evolucionando incluyendo factores políticos,

económicos, ecológicos, tecnológicos, sociales y/o culturales. Las posibilidades de la
tecnología interfiriendo comunicaciones electrónicas, fundamento de la Sociedad de la
Información, pueden entrar en colisión con conceptos tales como la intimidad, o la
inviolabilidad de las comunicaciones, o con el acceso a secretos industriales que incluso
puedan afectar a la seguridad de las naciones.

Un ordenador conectado a internet puede tener el mismo software que otro ordenador
aislado pero es más vulnerable al poder ser accedido desde la red. El riesgo aumenta ya
que la propagación de la explotación de una vulnerabilidad es muy rápida en internet.

Muchos de los problemas que plantean los usuarios respecto internet se han relacionado
con asuntos como las infecciones por virus, los programas espía y la falta de
confidencialidad, siendo el virus informático el más temido por los resultados que puede
provocar. En Europa (FUNTEL, 2007: 99) cerca del 30% de las empresas manifestó
haber detectado algún problema de seguridad con respecto a virus, lo que demostraba el
escaso nivel de prevención, ya que se podía disponer de una gran variedad de programas
antivirus para proteger los sistemas. Con datos del estudio del siguiente año, se puede
observar en la Figura 2 la evolución de la incidencia de estos ataques en los países
europeos (FUNTEL, 2008: 258).

38
 Fig .2: Problemas por ataques de virus, infecciones por spyware, o spam, en 2007 (UE-27).
Fuente: EUB (2007)

En nuestro país, las medidas de seguridad que aportan antivirus y firewalls son comunes
a todas las empresas, si bien otro tipo de medidas más cualificadas se encuentran en las
de mayor tamaño, como puede verse en el siguiente gráfico.

Fig. 3: Comparativa de medidas de seguridad en empresas, según tamaño (España)

Fuente: FUNTEL (2009: 257)

39
Sin embargo las empresas más grandes son las que sufren los mayores ataques por virus
e intento de fraude económico (FUNTEL, 2009)

Fig. 4: Comparativa de incidencias de seguridad en el último año en empresas

Fuente: FUNTEL (2009: 256)

Otro de los factores esenciales para el desarrollo de la Sociedad de la Información es la

confianza de los usuarios en internet, basada en el respeto a la privacidad de los datos
personales y las garantías sobre la seguridad de los mismos.

La falta de confianza constituye un obstáculo importante para el crecimiento de la

gestión de información y el comercio electrónico en la red. El dato positivo que
favorece el crecimiento del B2C pasa por ese incremento de la confianza en los medios
de pago vía internet al descender los desconfiados desde el 35,2% en el 2005, al 16,3%
en el 2008 en nuestro país y continuar incrementando la cifra de negocio por la red en el
15,9% en 2009, sobre el 2008, o en el 23,1% en 2011 sobre 2010 pero aún lejos de la
media europea (FUNTEL, 2011 y 2012).

La confianza incrementa la presencia de las empresas en internet, con independencia de

su tamaño, y una adecuada usabilidad de la web y su personalización colaborarán en su
éxito (Oltra, 2003).

40
 Fig. 5a: Penetración del Comercio electrónico en Europa
Fuente: Eurostat. Datos de 2010. (FUNTEL, 2012)

Con importantes avances en los siguientes ejercicios, como puede comprobarse al

comparar con la siguiente figura, incluida en el informe de Telefónica (FUNTEL, 2013)

Fig. 5b: Penetración del Comercio electrónico en Europa

Fuente: Eurostat. Datos de 2012

así como su evolución durante los cuatro últimos años en nuestro país (FUNTEL, 2014).

Fig.6: Evolución trimestral del Comercio electrónico en España

Fuente: CMT (2013)

41
Sin embargo, cuando la Comisión Europea realiza una encuesta preguntando si la
preocupación por los problemas de seguridad ha hecho cambiar las contraseñas en el
último año en los diferentes servicios descritos en la tabla 2, nos encontramos que, en
nuestro país, los porcentajes siempre están por debajo de la media europea.

Tabla 2. ¿Cambió su password durante el último año para acceder a esos servicios?

Fuente: EUB (2013)

42
En este apartado estamos repasando la evolución de la situación general de seguridad en
internet y de los ataques que con mayor frecuencia nos podemos encontrar en la red.
Debido al interés de nuestra tesis, introduciremos también las implicaciones y atentados
a la privacidad de las personas que se derivan de su explotación.

La RAE 7 define privacidad de una forma un tanto ambigua como el “ámbito de la vida
privada que se tiene derecho a proteger de cualquier intromisión”. En nuestro contexto,
hace referencia al uso que las empresas hacen de los datos personales que les
suministran sus clientes o los usuarios de los servicios que prestan. Datos que pueden
recopilarse online o a través de otros sistema (formulario escrito, teléfono, etc.).

Preocupan las noticias diarias de ataques a sistemas informáticos de todo el mundo por
parte de los hackers, preguntándonos sobre lo que podría ocurrir con nuestros datos
personales si se vulnera la seguridad de los sistemas de las organizaciones a las que se
los hemos dado o por si se pueden interceptar los mensajes que mandamos por la red.

El Senado español, en la Declaración de Derechos de Internet del 9/XII/99, declaró que

el domicilio electrónico es inviolable y que ninguna entrada o registro podrá realizarse
sin consentimiento del titular o resolución judicial (BOCG, 2003).

Pero los piratas informáticos cada vez utilizan herramientas más avanzadas y complejas
para crear códigos malignos. El número de virus (gusanos y troyanos) que descubrían
información confidencial era mayoritario (casi un 75% de los principales virus) y
también aumentaba el número de spam y programas malignos que instalan “adware”
para la exhibición de publicidad en el navegador del ordenador del usuario y programas
“spyware” que además ocupan capacidad de procesamiento donde se instalan. Entre las
diferentes formas de Spam, destacamos el Correo electrónico, el Spam por ventanas
emergentes (Pop ups), Phising, Pharming8, Hoax, Scam9, y el Spam en el móvil.
(FUNTEL, 2005: 284).

7
Real Academia Española de la Lengua
8
Pharming es la explotación de una vulnerabilidad en el software de los servidores DNS o en el de los
equipos de los propios usuarios, que permite a un atacante redirigir un nombre de dominio a otra máquina
distinta
9
Scam son estafas por correo electrónico o sitios web que ofrecen un producto o servicio falso

43
Hace unos años los ataques eran generalizados y trataban de interferir en el rendimiento
de los ordenadores para obtener el reconocimiento de su entorno. Posteriormente, se
centraron más en conseguir datos críticos de los usuarios (propiedad intelectual,
identificaciones, dinero, etc.) para lucrarse y dañar la imagen de marca de una empresa
o sus clientes (FUNTEL, 2008).

Fig. 7: Internautas con problemas de seguridad en España (último mes)

Fuente: FUNTEL (2009: 253)

Podemos leer en Bit (2008), que la división de seguridad de la Compañía de protección

de datos EMC informaba en diciembre de 2007 que España era el tercer país del mundo
que más intentos de fraude por internet había sufrido, concentrando el 7 % del total a
nivel mundial, solo superada por EE.UU. y UK. Ese año los casos de phising crecieron
un 66% en todo el mundo. La mayoría de los intentos procedían de EE.UU. (44 %),
Japón (16 %) y China (12 %).

Es decir; unido a las ventajas de las TIC, todos los sectores de la sociedad se enfrentan a
mayores amenazas que ponen en riesgo su estabilidad y crecimiento.

En consecuencia, la denominada “ciberseguridad” ha pasado a ser un asunto prioritario

en las agendas políticas, tanto nacional como internacional.

44
Las comunicaciones comerciales realizadas por carta o teléfono son más fáciles de
interceptar que las comunicaciones a través de internet, pues realizar actividades
delictivas por este medio requiere unos conocimientos técnicos sofisticados que no
están al alcance de cualquiera pero también hay que tener en cuenta que las
posibilidades de protección de las comunicaciones electrónicas son mayores que las que
permiten los medios tradicionales. El problema estriba en que no hay una “cultura” de la
seguridad en internet de la misma forma que sí la hay en la vida cotidiana.
Fuera del mundo virtual seguimos una serie de normas básicas para prevenir cualquier
ataque o fraude, como cerrar la puerta de casa o del coche al salir y no dar publicidad a
nuestros datos personales. Sin embargo en internet hay carencias en este tipo de hábitos.

Una estafa siempre será una estafa, se realice por el método que se haga. Variará la
forma de llevarla a cabo y si en tiempos pasados el famoso “timo de la estampita” se
repitió una y mil veces sorprendiendo a incautos cegados por la avaricia, hoy en día se
utiliza el phising para desvalijar a unos nuevos incautos, sorprendidos en su buena fe.

Al popularizarse las nuevas redes sociales, nuestras listas de contactos se hacen públicas
(Facebook), nuestra imagen circula por la red (Flickr), o nuestros vínculos familiares
(Genoom). Se puede atentar contra nuestra privacidad cruzando mucha de esa
información, llegándose incluso a la posibilidad de la suplantación.

El uso diario de recursos universales como las redes de acceso abiertas incrementan las
posibilidades de acceso a nuestros perfiles y los ataques contra entre el 20 y el 30 % de
las redes inalámbricas no protegidas por ninguna contraseña, a las que se puede usurpar
parte de su ancho de banda utilizando programas rastreadores de señal (FUNTEL,
2007).

Hay que tener también en cuenta que internet crece sin que las legislaciones estén
preparadas para este rápido crecimiento. Si bien es cierto que las leyes y las necesidades
de regulación siempre van por detrás de la realidad, en el caso de la red este hecho está
más agudizado. No solo por la rapidez de la evolución tecnológica sino también porque
se hace necesaria una regulación que sobrepasase las fronteras de los países.

De hecho la gran paradoja de internet es que mientras que las leyes están vinculadas a
un territorio geográfico, el acceso a la información no.

45
Muchas de las explicaciones a las cifras relacionadas con los problemas de seguridad
hay que buscarlas en la formación de los usuarios y los hábitos adoptados en cuanto a la
toma de precauciones de seguridad TIC. Sáez Vacas (2004: 349) confirma la
declaración de un famoso hacker (Kevin Mitnick) en ese sentido: “Las medidas técnicas
sobre seguridad no pueden evitar a menudo las brechas y negligencias de la propia
organización humana que se sirve de la Red Universal Digital”.

Se puede conseguir información sobre construcción de explosivos en diversas páginas

web indicando “bombas caseras” en Google o en Youtube, con foros para aclarar dudas,
como (http://www.foro3k.com/rincon-boludisima/155892-tutorial-bombas-potentes-
caseras-ojo.html), ofrecimientos de madres de alquiler, venta de productos sin ningún
tipo de control (farmacéuticos, por ejemplo), contratación de sicarios
(http://centrocereminialotomi.metroblog.com/) , presión para extender anorexia y
bulimia, suplantación de personalidad, reclutamiento para asociaciones poco
recomendables, información sobre claves de acceso a programas de Pay per view,
instrucciones para invalidar la protección anticopia en soportes digitales, distribución de
imágenes tomadas sin consentimiento, ni conocimiento de los involucrados, p.e., en
playas (http://www.ziza.es/2007/04/10/Chicas_en_la_playa_42_fotos.html), o centros
nudistas (http://ovejanegra.peru.com/temas-libres-12-mejores-playas-nudistas-mundo-
fotos-267791), o simplemente “pilladas” descuidadas y sin su consentimiento
(http://www.ziza.es/2008/07/30/Robados_en_la_playa_79_fotos.html), utilización de
correos humanitarios para conseguir direcciones activas, golpes mortales
(http://adictamente.blogspot.com.es/2013/04/22-golpes-mortales-para-la-defensa.html),
cómo forzar cerraduras con la excusa de ayudar a propietarios con problemas de acceso
a su vivienda (http://es.wikihow.com/forzar-una-cerradura), etc., son algunos de los
contenidos que pueden obtenerse a partir de la red y cuya persecución es difícil, máxime
si se ubican en servidores de países con legislaciones laxas en la materia. 10

Siendo evidente la sensibilidad de los datos personales, lo es más aún la privacidad de

las conversaciones que a través de la red mantienen los internautas. Se trata de la misma
privacidad que protege a las conversaciones telefónicas entre abonados, donde se
abordan contenidos de relaciones sociales, amistosos, de amor/odio, sexuales,

10
El contenido de las direcciones referenciadas en este párrafo, ha sido comprobado el 19/III/15

46
discusiones religiosas y/o políticas, familiares, de salud, consejos … en las que solo un
juez, y por razones suficientemente justificadas, puede autorizar su escucha y grabación.

Sin embargo, si no hemos configurado adecuadamente el perfil de acceso a determinada

información a través de las redes sociales, pueden quedar expuestos todos nuestros
comentarios. De hecho, en España, el nivel de preocupación sobre la falta de seguridad
de la información personal en línea, tanto de los propios sitios web como de las medidas
generadas por la Administración, son de las más altas de la Unión Europea tal como
podemos comprobar en las figuras siguientes

Fig. 8a: Percepción sobre la falta de protección de privacidad en los sitios web
Fuente: EUB (2013)

Fig. 8b: Percepción de que las autoridades no protegen la privacidad suficientemente

Fuente: EUB (2013)

47
Así como en un principio había unas normas de autorregulación sobre los contenidos en
la red, sin necesitarse unas normas escritas al respecto, con el paso del tiempo y el
incremento de las potencialidades económicas se desvirtúa aquella filosofía inicial y con
el aumento exponencial de contenidos, aumenta el número de posibles nuevas
problemáticas (López, 2005).

En la informática clásica de las décadas 70 y 80, utilizando el concepto de la

autorregulación, el departamento de informática de cualquier empresa sabía que tenía
que permitir el acceso a las diferentes bases de datos a los interesados y legítimos
usuarios de cada una de ellas: el dpto. de Personal a los datos de los empleados,
Marketing a los clientes, Tesorería a bancos, Finanzas a contabilidad….

Muy posteriormente, España legisló en este campo y anunció la LORTAD (Ley

Orgánica 5/1992, de 29 de octubre del Tratamiento Automatizado de los Datos de
Carácter Personal), estableciendo los niveles de protección de las distintas bases de
datos y legislando también sobre qué autoridades podían exigir la entrega de datos.

Con posterioridad, la LORTAD fue sustituida por la LOPD (Ley Orgánica 15/1999, de
13 de diciembre de Protección de Datos de Carácter Personal) al adaptarse al ámbito
europeo (ESPAÑA, 1999), que entiende como personal a cualquier información gráfica,
numérica, alfabética, fotográfica, sonora o de cualquier tipo referidos a personas
identificadas o identificables, otorgando derechos de acceso a los datos, a su
rectificación, oposición o cancelación y que cumple con la normativa relativa a la
transferencia internacional de datos, permitiéndola siempre que se haga a países de la
Unión Europea o a terceros países con el nivel de protección equiparable al que se
establece en el marco europeo.

Pero no es fácil impedir cruzar toda la información que sobre los individuos circule por
las redes sociales, así como mantener las defensas de la red sobre el software malicioso
que se propaga a través de los nuevos dispositivos de acceso móvil, menos protegidos.

No obstante, durante el periodo de 2010 en el que nuestro país ostentó la Presidencia de

la UE se aprobó la Agenda Digital Europea (ADE, 2010), pilar de la estrategia EU2020
que persigue el crecimiento económico de la eurozona apoyándose en las TIC para el
desarrollo del empleo, la sostenibilidad y la inclusión social.

48
Uno de sus objetivos es fomentar el uso avanzado de internet, salvaguardando el
carácter abierto de la red e incrementando una Economía Digital Europea y el uso
generalizado de las TIC en Educación, así como promover una concienciación pública
sobre los riesgos de la seguridad on-line para conseguir una cultura de protección de
datos y privacidad que capacite a los usuarios para su integración plena en el mundo
digital, incrementado su confianza y habilidades para un acceso transaccional y
navegación más seguras (FUNTEL, 2011).

En el objetivo de nuestro estudio no tratamos de estudiar la capacidad de nuestros

alumnos respecto el hecho de poder eludir cualquier amenaza tecnológica, pero si al
menos no facilitarla. Siempre hay situaciones que requieren unos conocimientos y una
especialización tan alta que solo están al alcance de unos pocos. Sirvan como ejemplo
de plena actualidad los siguientes casos:

 Julian Assange quien, desde WikiLeaks, difundió documentación “sensible” del

Departamento de Defensa de EEUU sobre guerras en Oriente Medio, obtenida a
través de accesos no permitidos (directamente o mediante connivencia con los
supuestos guardianes de la misma). (RTVE, 2010)

 Edward Snowden que, a su vez, también publicó documentos de alto secreto

sobre actividades de la NSA (Agencia Nacional de Seguridad) americana,
denunciando el desarrollo tecnológico del “estado de vigilancia” en el que no se
respeta la privacidad y la libertad en internet. (RTVE, 2013).

 Carbanak, el grupo de hackers que ha realizado el mayor robo de la historia a

varios bancos, superando los mil millones de dólares. (Gutiérrez, 2015)

Estas dos referencias más la forma en la que se están realizando enfrentamientos entre
naciones pueden escucharse en la página del Instituto de Ingeniería de España11 en la
conferencia dada por el famoso hacker Chema Alonso, en septiembre de 2013, que
desvela la forma en la que el presidente Obama resolvió el enfrentamiento por el
enriquecimiento de uranio, entre el gobierno iraní y la anterior administración Bush.

Otros ataques a la privacidad de los usuarios que han sido difundidos recientemente son:

11
http://www.iies.es/Chema-Alonso_a3169.html [Consulta: 19-03- 2015]

49
  La página web “celebgate” en la que se difunden fotos y vídeos íntimos de
personajes famosos, hackeados desde sus teléfonos móviles. De hecho, entre las
mayores vulnerabilidades de 2014 publicadas por la revista digital ChannelBiz, del
grupo NetMediaEurope, se encuentran las que afectan a este tipo de dispositivos. 12

 La página web “insecam”13 que publica fotos tomadas de nuestro entorno desde
la cámara de nuestro PC sin nuestro consentimiento ni, por supuesto, conocimiento

12
http://www.channelbiz.es/2014/12/09/fotogaleria-15-brechas-de-seguridad-registradas-en-2014/
13
http://geeksroom.com/2014/11/insecam-sitio-que-muestra-streaming-de-mas-de-73-000-camaras-web-
sin-seguridad/89818/

Ambas páginas web consultadas el 19 de Marzo de 2015

50
 2.1.3 Protección de la privacidad en internet

Desde antes del fuerte desarrollo de las redes sociales ya se temía la posible pérdida de
privacidad que podía suponer el imparable avance tecnológico de las comunicaciones y
el proceso masivo de datos, aunque incluso se trataba de justificar.

El profesor Sáez Vacas (1991) nos alertaba sobre los riesgos de vulnerabilidad que
implicaba la Sociedad de la Información y sus consecuencias sociales. Con
posterioridad, el profesor Cayetano López14 vaticinaba sobre los riesgos de
manipulación, trivialización intelectual, embrutecimiento, limitación de libertades,
propiedad intelectual, autoría, etc. que podía significar la irrupción de las nuevas
tecnologías y la necesidad de prevenirlos para poder contrarrestarlos.

Adicionalmente, Donald Tapscott15 advertía de que corríamos el peligro de la

desaparición de la frontera horaria entre trabajo y ocio, generando un nuevo tipo de
adicción y limitando nuestra libertad individual.

De hecho, en nombre de la libertad de expresión y de información, para la sociedad

global, la intimidad se anunciaba como un valor a la baja (Cebrián, 1998).

Miguel Ángel Davara (2000: 1), en un artículo publicado sobre el humanismo

tecnológico decía: “todo el mundo navega por internet aunque, irónicamente, puede
decirse que, como mucho, flotan en la Red, porque para navegar hace falta rumbo y los
incontrolados accesos a Internet son, si me apura, un flotar a la deriva”.

El problema surge por la inseguridad que proporciona la duda y el desconocimiento

debidos a una falta de formación y asimilación de métodos y medios. Siguiendo con el
símil, antes se “buceaba” en la información. Ahora hay tanta y tan fácilmente accesible,
que nos limitamos a “surfear” sobre la misma.

14
Ex-Rector de la Universidad Autónoma de Madrid, en el prólogo de La Red (Cebrián, 1998)
15
Miembro del Foro Económico Mundial, presidente de la Alianza para las Tecnologías Convergentes, en
el prefacio de La Red (Cebrián, 1998)

51
Tras los atentados de septiembre del 2001, EEUU decretó la USA Patriot Act16 que
acentuó la primacía de la seguridad nacional sobre la privacidad de los ciudadanos.
Siendo ese país la cuna de desarrollos y empresas tecnológicas, no nos debe extrañar
que los recursos puestos a nuestra disposición mantengan esa estrategia. Derechos
básicos como la intimidad ya estaban cuestionados en aras de sus estrategias de defensa.

Desde la división de productos de seguridad de International Data Corporation

(González, 2007), se alertaba del riesgo de acceso a la web 2.0 al combinar las esferas
privada y corporativa, en un espacio en el que no se separan ambos ámbitos de
actividad y que complica la adopción de las necesarias medidas de protección para todo
tipo de productos conectables a la red empresarial. En consecuencia, cada vez en más
ocasiones, la vulneración de la información se efectúa desde el interior de la propia red.

Los empleados acceden a redes sociales que instalan archivos maliciosos e infectan sus
propios terminales móviles, con menores medidas de protección, y los transmiten a las
redes corporativas de sus respectivas empresas (Monsoriu, 2008).

La multinacional británica de seguros Legal & General hizo un estudio con un ex-
ladrón en el que se comprobó que, siguiendo el rastro de sus potenciales víctimas a
través de su actividad reflejada en las redes sociales, se reunía suficiente información
para determinar el mejor momento para el saqueo de su vivienda. (Belt, 2009).

Por otra parte, entre las frecuentes recomendaciones emanadas por la Agencia Española
de Protección de Datos, podemos reseñar los avisos sobre identificación como usuarios,
contraseñas, no abrir mensajes de desconocidos, no aceptar descargas no identificadas,
actualizar antivirus, etc., (AEPD, 2009). Campañas similares se venían realizando en
otros países de la UE (BBC, 2005).

Los datos aportados por el Observatorio de la Seguridad de la Información, integrado en

el Instituto Nacional de Tecnologías de la Comunicación, muestran una mejoría en la
adopción de medidas preventivas en el conjunto de los hogares españoles a la hora de
navegar por internet, si bien considera que hay que seguir manteniendo niveles

16
Uniting and Strengthening America by Providing Appropriate Tools Required to Intercept and Obstruct
Terrorism

52
educativos que favorezcan la implantación de medidas que garanticen una navegación
más segura (INTECO, 2010a).

Respecto la seguridad tradicional, dejar rastros de nuestra actividad, como vacaciones,

viajes, fotos, datos geoetiquetados, etc., facilita ser víctimas de los delincuentes de toda
la vida, como ladrones, extorsionadores, acosadores, etc. (INTECO, 2010b).

Investigadores del International Computer Science Institute, de la Universidad de

Berkeley, hicieron demostraciones sobre la facilidad del seguimiento de confiados
usuarios desde la información fotográfica de objetos en venta, descubriendo sus
movimientos, itinerarios recorridos, dirección actual (Naone, 2011).

Con demasiada frecuencia nos llega información a través de los medios de

comunicación tradicionales de los graves problemas que están surgiendo en la sociedad
como consecuencia del exceso de confianza, el desconocimiento en el uso de los
recursos tecnológicos disponibles y las consecuencias de alimentar las redes sociales
con información personal. (Urueña, 2011). Si a la información de ocio añadimos
nuestras relaciones sentimentales, laborales, profesionales, creencias, etc., corremos el
riesgo de que ese conjunto de datos digitalizados se difundan fuera de nuestro control.

Comentarios inadecuados sobre el propio trabajo, virus, ciberacoso, phising, smishing17,

vishing18 o suplantación tienen una incidencia muy grave en algunos casos.

La revista del IEEE19, de reconocido prestigio sectorial internacional, destaca en una de

sus más recientes portadas un artículo sobre la evolución de los recursos utilizados en
internet por organizaciones que tratan de conocer nuestra actividad al navegar por la
red, coartando nuestra privacidad e incrementando nuestros riesgos, para satisfacer unos
fines exclusivamente lucrativos que se ven facilitados por la escasa concienciación de
los usuarios (Nikiforakis, 2014).

17
El smishing es un ataque de phishing mediante un mensaje SMS a través de telefonía móvil celular en el
que se indica que se está cobrando un servicio no solicitado, ofreciendo una dirección en la que
solucionarlo, dando claves de la cuenta bancaria.
18
El ataque de vishing se realiza desde plataformas de telefonía, copiando los sistemas de atención
telefónica de los bancos para requerir las claves de acceso a cuentas bancarias.
19
Institute of Electrical and Electronics Engineers

53
La proliferación de teléfonos inteligentes, con mayores funcionalidades y potencia
acaba siendo sinónimo de falta de seguridad, pues suponen una entrada por la puerta
trasera a las redes de los sistemas a los que se conectan, incrementando los riesgos.

Las empresas imponen medidas disciplinarias a sus empleados por uso indebido de los
recursos cuando acceden a los servidores profesionales a través de terminales privados
de uso común o expresan abiertamente opiniones políticas, tendencias sexuales o
creencias religiosas en unos soportes en los que se mezclan vida privada y profesional.

La forma de infiltrarse de una amenaza puede verse en la siguiente figura, donde queda
patente que el objetivo final del cibercrimen es asaltar los centros de datos. En el caso
representado, se produce una acción maliciosa en un dispositivo externo a la red
corporativa que causa una infección y afecta a la red del entorno. Esa red actúa como
plataforma de lanzamiento a la red de la empresa y la amenaza se abre paso hasta el
centro de datos.

Fig. 9 Anatomía de una amenaza moderna

Fuente: Cisco (2014)

54
 2.1.4 Seguridad en la Web 2.0: identidad digital

En su sentido más fundamental, Web 2.0 hace referencia a cualquier herramienta o

aplicación distribuida por internet que permite la interacción de usuarios a través del uso
compartido de contenidos. En vez de los contenidos estáticos de una página Web (1.0),
ahora internet ofrece la participación y colaboración activa de los usuarios (Web 2.0).

Se puede decir que las aplicaciones de la Web 2.0 y en especial las Redes Sociales,
sitios web que permiten interconectar a usuarios conocidos y desconocidos con
características e intereses comunes desde cualquier rincón del mundo, están
convirtiéndose en lugares de referencia para numerosos internautas.

La clave está en que con las aplicaciones de esta "2ª versión" de la Web, el usuario pasa
de ser un mero receptor de información a convertirse en protagonista del Universo
Internet, interactuando con contenidos, creándolos, colaborando con otros usuarios.

Entre estos tipos de aplicaciones se encuentran algunas tan conocidas como los blogs,
que permiten a usuarios sin grandes conocimientos informáticos escribir sus propios
"cuadernos de bitácora" o "diarios", o lo que es lo mismo, una página web personal a
través de la que pueden expresarse desde su hogar para el mundo. Como derivados de
éstos tenemos fotoblogs, videoblogs, webs de podcasting (blogs de audio), además de
buscadores especializados, wikis (como la famosa wikipedia), aplicaciones de tagging,
comunidades de videos, redes sociales personales que nos conectan con amigos y
personas de nuestro interés, redes profesionales para aumentar los contactos de negocios
y facilitar su gestión, además de un largo etcétera de nuevas aplicaciones.

Nuestro perfil en Redes Sociales y nuestros comentarios abiertos, los blogs personales y
cualquier información de todo tipo (resultados de oposiciones, trabajos universitarios,
notas, currículo, multas, noticias, altas-bajas de servicios, clubs, requerimientos,
sanciones aparecidas en el BOE...) complican el equilibrio entre nuestra vida personal,
familiar, social, de relación y nuestra vida profesional. Se entremezclan (figura 10) y
pueden llegar a perjudicarnos en cierto modo.

55
 Fig. 10: Impactos en la Red que conforman la identidad digital
Fuente: Fundación CTNE (2013)

Un perfil algo radical desde el punto de vista político, manifestado en nuestro blog,
puede condicionar nuestra selección para un proyecto con la Administración.

Una dedicación excesiva a determinada actividad (deportista de competición),

documentada en la red, puede complicar nuestra contratación por responsables de
RRHH que saben que va a ser necesaria una dedicación más allá del horario laboral
habitual.

En una entrevista pueden soslayarse estos extremos pero, a través del tiempo, hemos
dejado huellas suficientemente claras y profundas como para no poder eludir cualquiera
de esas características de nuestra personalidad. El incremento de las capacidades de
almacenamiento en memorias digitales permite disponer de datos suficientes para hacer
un seguimiento de nuestra actividad puesto que al interactuar con la red dejamos rastro
de fotos, textos, videos, participación en foros, compras, ventas, mensajes, correos,
llamadas, reservas, etc. Datos que alimentan las grandes bases de datos que señalaremos
en apartados posteriores (Sáez, 2004).

Nuestra vida analógica condiciona la imagen que damos en internet pero, también a la
inversa, una vida activa en la red puede repercutir en nuestro mundo real. Lo ideal es ser
homogéneos; es decir, mostrarnos de la misma forma. Ambas existencias forman parte
de una misma realidad, de forma que nuestras actuaciones tanto en el mundo real, físico,

56
como en el virtual, la red, convergen hacia una identidad híbrida que cuasi se
superponen.

Fig. 11: Coexistencia real y virtual

Fuente: INTECO (2012)

Al interactuar en la Web 2.0, participando activamente, introduciendo comentarios y

expresándonos libremente vamos tejiendo una serie de datos que conforman nuestra
personalidad. Somos consumidores y productores de información para el ocio, el
trabajo, los estudios, las relaciones sociales y familiares y frecuentemente para todo a la
vez (Gionés-Valls, 2010).

Fig. 12: Recursos para la Identidad digital

Fuente: Gionés-Valls (2010)

57
Si hacemos una búsqueda de nosotros mismos a través de los motores de los potentes
buscadores existentes en la Red nos encontraremos datos como nuestra edad, imágenes,
actividad u ocupación, aficiones, filiaciones, estatus social y/o económico, reservas,
compras, datos de contacto, amigos, contactos profesionales, residencia, direcciones de
correo, comentarios que hemos colgado nosotros o que han hecho otros nombrándonos,
incluso nuestra localización geográfica en todo momento a través del móvil, etc.,
provenientes de distintas fuentes de información como nuestro perfil en redes sociales,
blogs o noticias generales.

Es decir, existe una descripción de nosotros mismos en el plano digital que, a su vez, da
lugar a una reputación online u opinión que los demás usuarios tienen sobre nosotros.
Estamos definiendo una “construcción social” creada de forma colectiva, basada en
percepciones, y que puede tener efectos favorables o no para el protagonista (INTECO,
2012).

Fig. 13: Datos de los diferentes perfiles de Identidad Digital

Fuente: Fundación CTNE (2013)

La reputación es un componente clave de la identidad que refleja quiénes somos y cómo

interactuamos con los demás (Solove, 2007).

58
Toda la información de que se dispone sobre nosotros puede ser analizada desde
distintos contextos. Sitios como 123people.com ofrecen todo tipo de datos que recogen
sobre la información existente en la red de una determinada persona.

La identidad digital es un concepto social y dinámico que se genera con las

interacciones de los usuarios, por lo que es subjetiva y pueden construirse distintas
«identidades» referidas al mismo usuario, como podemos observar en la siguiente figura

Fig. 14: Características de la Identidad digital

Fuente: Fundación CTNE (2013)

Por otra parte, aportamos información para la identificación de pautas de

comportamiento o consumo que permiten un marketing personalizado dirigido a
nuestros gustos y/o capacidad económica, como puede verse en la siguiente figura

59
Fig. 15: Tipo de información que se distribuye en Redes sociales y sitios de compartición, en la
UE
Fuente: EUB (2011)

Tras un cúmulo de datos que nos identifican individualmente o sirven para encasillarnos
en algún grupo concreto, puede surgir la necesidad de modificar algunos de esos datos.
En la guía de Inteco se define el llamado “derecho al olvido” como la facultad del
usuario para conseguir que se elimine cierta información sobre su identidad digital.

Hay ocasiones en las que se publica información oficial sobre nosotros y se puede
recurrir a los buscadores o a la propia AEPD para que se cancelen datos personales
relevantes. Esta última, junto con los tribunales de la UE, persigue que la regulación
europea proteja el derecho fundamental de la protección de datos e incluya el derecho al
olvido. Nuevamente se da el caso de la existencia de detractores que priorizan el
derecho a la información, argumentando que todo lo que hay en la red forma parte de su
propia historia y, en consecuencia, no debe ser borrado, poniendo como ejemplo de
información de seguridad la importancia para una comunidad de conocer si en su
ámbito conviven delincuentes tipo pederastas o violadores (INTECO, 2012).

En mayo de 2014 el Tribunal de Justicia de la Unión Europea dio la razón a un

ciudadano español que, con el apoyo de la AEPD, se querelló contra Google al exigir
que se eliminasen determinadas referencias publicadas en distintas páginas web que
afectaban a la reputación de su identidad digital.

60
Para lograrlo, el Alto Tribunal tuvo que resolver previamente la aplicación de la
competencia de la LOPD española frente al operador norteamericano, así como
considerar que el funcionamiento como proveedor de contenidos del motor de búsqueda
se relacionaba con dicha ley. (TJUE, 2014).

Con independencia de los efectos concretos de esta sentencia, se inicia una

jurisprudencia que obliga a las empresas americanas que dan un servicio fuera de sus
fronteras a tener que acatar no solo sus propias leyes, sino también las de los lugares en
los que se explota ese servicio.

Para ayudarnos a proteger nuestra identidad digital, INTECO ha elaborado una guía con
recomendaciones para los ciudadanos y poderes públicos para construir una identidad
digital correcta y disminuir los riesgos existentes al gestionar la personalidad online de
cada uno. Esta gestión consiste en tener la habilidad de conseguir una visibilidad y
reputación a la vez que mantenemos nuestra privacidad en la red, aspectos que se han
convertido en fundamentales en la Sociedad de la Información. Esa habilidad,
denominada alfabetización informacional se define como el saber cuándo necesitamos
determinada información, por qué la necesitamos, dónde encontrarla, cómo evaluarla,
atizarla y comunicarla de forma ética (CILIP, 2004).

A su vez, más ampliamente, Área, Gros y Marzal (2008) definen la alfabetización

digital como la adquisición y el dominio de las habilidades para el uso de las
herramientas y tecnologías digitales.

Más ambiciosamente, Pozuelo (2014) señala cuáles deberían ser consideradas las
habilidades digitales actuales así como configura como objetivo las sesenta
competencias digitales que todo estudiante universitario debería tener al finalizar sus
estudios, entre las que están el saber diferenciar y usar diversas redes sociales, ajustando
el perfil de privacidad y conocer la utilización que se puede hacer de las diversas
informaciones existentes en la red y su grado de confianza.

Alguno de los riesgos referenciados por INTECO, que aparecen cuando la proliferación
de nuestros datos es suficiente, consiste en la suplantación de nuestra identidad digital,
de forma que terceras personas actúan en nuestro nombre a través de la red. Puede
hacerse desde un perfil falso caricaturizando la imagen o transmitiendo informaciones
dispares o accediendo a nuestro perfil y suplantándonos en alguna red social.

61
Las recomendaciones básicas pueden verse en la figura

Fig. 16: Recomendaciones preventivas y reactivas sobre la identidad digital

Fuente: INTECO (2012)

A su vez hay que tener en cuenta que, casi como el ciclo de vida de todos los
organismos, la identidad digital pasa por varias fases: la creación (provisión) de los
datos, su propagación, uso, mantenimiento (actualización) y su borrado (eliminación).

Fig. 17: Ciclo de vida de la identidad digital

Fuente: Fundación CTNE (2013)

Entre las medidas adoptadas por los usuarios para proteger su privacidad a través de
internet tenemos las siguientes:

62
 Fig. 18: Tareas realizadas en internet para proteger la identidad digital (UE)
Fuente: EUB (2011)

Estas nuevas formas de comunicación y relación, con círculos de “amistades” cada vez
más amplios, van dejando un rastro fácil de seguir, que perjudica los conceptos
tradicionales de intimidad y privacidad. Una gestión eficaz de nuestra identidad digital
pasa por ser conscientes de la importancia de preservar la privacidad en internet, siendo
los usuarios los nodos principales y la información se transmite a través de las redes que
conforman (Aced et al, 2009).

Hay concepciones culturales diferentes sobre la privacidad que con la globalización

pueden soslayarse, pues a través de desarrollos informáticos podemos alojar
información no permitida en ciertos lugares, en otros dominios, con diferente grado de
permisividad (Díaz, 2008).

Fig. 19: Datos e información considerados personales (UE)

Fuente: EUB (2011)

63
En USA las políticas de privacidad de las empresas se basan en las recomendaciones de
la Comisión Federal de Comercio (FTC) y la única posibilidad de los ciudadanos para
proteger sus datos era dejar de tener relaciones comerciales con quien consideraban que
no los gestionaban adecuadamente.

La sensibilidad con la protección de la privacidad se va desarrollando con el mayor

nivel cultural y uso intenso de internet (Fundación CTNE, 2013).

Sin embargo hay cierta concienciación respecto la necesidad de disponer de ciertos

datos personales a la hora de disponer de determinados servicios.

Fig. 20: Impresiones sobre la revelación de datos considerados personales (UE)

Fuente: EUB (2011)

La Web 2.0 también es una oportunidad para los hackers y otros delincuentes que
buscan infectar sistemas corporativos con el fin de robar información. "Siempre que
aparece una nueva tecnología, esta provoca una serie de problemas relacionados con
la seguridad", aclara Williams analista del Gartner Group (D´Agostino, 2007: 1). Y
lógicamente estos problemas son distintos a los tradicionalmente experimentados por
las compañías.

El por qué lo encontramos en que los servicios Web normalmente son aplicaciones
JavaScript complejas que se ejecutan a través de un navegador y que acceden a los datos
guardados localmente en el equipo del usuario. Al no tratarse de datos y aplicaciones
ubicados en un servidor central, éstos se ejecutan con mucha más rapidez. El lado
negativo es que estos datos no están adecuadamente protegidos. Es más, con las prisas

64
de implementar estas herramientas, el aspecto de la seguridad pasa normalmente a un
segundo plano, dejando así, vulnerables las aplicaciones frente a los ataques.

Según dice Tom Longstaff, director de Tecnología en el Centro de Coordinación CERT

de Carnegie Mellon University y responsable de estudiar las vulnerabilidades en
internet "imagínese que dispongo de una aplicación Web 2.0 que es un cliente de email,
descargado como un programa Java en mi ordenador, los mensajes se almacenan
localmente. Y como los puestos cliente no están integrados en el servidor de la
compañía, carecen de protección. Basta que llegue un código que ataque al cliente de
correo, para que acceda a los mensajes en memoria y, desde ahí, infecte al sistema"
(D´Agostino, 2007: 1). Otro escenario descrito por el mismo responsable se refiere a
que si un empleado de un banco utiliza un servicio Web para acceder a datos sensibles e
interactúa con otras páginas Web, un ataque de phishing podría robar datos sin que el
usuario se enterase.

La monitorización de estas vulnerabilidades es prácticamente imposible, ya que la

mayoría de compañías no dispone de la visibilidad de los equipos individuales. "Cuando
los programas se ejecutan desde el servidor y disponen de control de entorno, un
administrador puede monitorizar toda la actividad de la red", añade Longstaff. Sin
embargo, en el caso de la Web 2.0, los ataques se dirigen preferentemente hacia los
equipos locales.

"Lo que ocurre", según Williams, "es que las compañías están creando servicios fuera
del perímetro corporativo que permiten esta interacción en internet. Como resultado,
pierden la visibilidad de la seguridad de los equipos locales". En el ámbito empresarial,
las amenazas son insignificantes, por ahora. "Aún así, los hackers siempre desarrollan
nuevas técnicas", apunta Longstaff. "La creciente facilidad de creación de contenidos,
también facilita el desarrollo de herramientas maliciosas", añade Williams.
Irónicamente, las compañías que, durante los últimos diez años, se lanzaron a robustecer
la seguridad de sus sistemas, ahora tienen que abrir los cortafuegos para permitir el
acceso de aplicaciones Web 2.0.

Los expertos coinciden en que la mejor manera de asegurar la Web 2.0 es partiendo de
aplicaciones seguras. "Lo primero que un CIO debe hacer es inculcar la importancia de
la seguridad al propio equipo de desarrollo", apunta Williams. "Debe haber un punto

65
en el ciclo de desarrollo donde se compruebe la seguridad de la aplicación". Esto
significa la incorporación de capacidades de rastreo para monitorizar los
comportamientos sospechosos.
Cualquiera que sea la evolución de la Web 2.0, está claro que la seguridad seguirá
siendo uno de los temas que más den que hablar. Para Williams, "las nuevas
aplicaciones marcarán la diferencia entre las compañías, pero no podemos permitir
que la seguridad sea un inhibidor de la innovación; queremos que la seguridad sea la
razón de innovación".

“Los ciberdelincuentes van allá donde hay oportunidades y aprovechan todas y cada
una de las vulnerabilidades”, dice Brian Grayek, vicepresidente de gestión de productos
de la unidad de negocio de seguridad en internet de CA (una de las mayores compañías
de software independiente del mundo, que ofrece soluciones software para unificar y
simplificar la gestión de las TI). “Aunque la protección de seguridad está mejorando en
la detección de código malicioso, los ladrones online son más sigilosos en la forma en
que atacan nuestros ordenadores” (CA, 2008: 1).

Las predicciones de CA acerca de la seguridad online ya para 2008 preveían que las
redes sociales estarían en el punto de mira: los sitios web de redes sociales cada vez son
más populares, y como resultado de ello, más vulnerables. En 2009 la penetración de las
redes sociales en España era del 28,7% y, en solo un año, pasó al 50% en 2010
(FUNTEL, 2011).

El gran número de víctimas potenciales y su relativa poca preocupación por la seguridad

informática hace que estos sitios web sean una oportunidad de ganancias para los
ladrones cibernéticos. Y los sitios y servicios web 2.0 serían blancos de ataques
dirigidos, aunque es relativamente sencillo implementar servicios de web 2.0, puede ser
todo un reto configurarlos para que sean completamente seguros. Por lo tanto, muchos
sitios de internet que utilicen estos servicios son blancos fáciles con pocas indicaciones
externas que hagan sospechar que la seguridad del sitio se ha visto comprometida.

Hoy más que nunca no es suficiente con disponer de un buen sistema antivirus para
mantener seguro nuestro equipo. Ya hemos dado el siguiente paso incorporando
recursos anti espía y cortafuegos para filtrar los ataques desde el exterior y evitar fugas

66
de información desde el interior. Pero no basta con tener la mejor herramienta ya que el
factor humano es crucial.

Navegando por internet nos encontramos ante sitios de riesgo que debemos evitar,
normalmente relacionados con la pornografía, descargas ilegales de software, música,
juegos, películas, por sólo citar algunos ejemplos. Además, el nivel de riesgo aumenta
con el mal uso de otras aplicaciones como los messengers, chats, etc., y muy
especialmente con las redes P2P.

Hay que tener en cuenta que detrás de cada nombre de usuario, o avatar (ese muñequito
con aspecto humano que nos representa dentro de un chat en tres dimensiones o en un
mundo virtual), puede haber alguien como nosotros, un simple internauta, o alguien
completamente distinto a quien dice ser, con intenciones poco claras.

Por este motivo debemos proteger con sumo cuidado nuestra información personal,
desde nuestro "inocente" correo electrónico, hasta por supuesto nuestro nombre,
apellidos, edad o teléfono y, especialmente, nuestras fotos e imágenes personales o
familiares; es decir, el conjunto que conforma nuestra identidad digital.

En caso contrario nos exponemos a un bombardeo de correos electrónicos indeseados, a

recibir llamadas desagradables, a que se suplante nuestra personalidad en diversos sitios
web dañando nuestra imagen y nuestras relaciones, lo que además resulta especialmente
grave cuando afecta a menores.

No hablamos sólo de peligros que generan gran alarma social, como el de los pederastas
que se hacen pasar por jóvenes en los sitios web sociales para contactar con niños y
conseguir fotos, quedar personalmente, engañarlos o chantajearlos, sino que también
proliferan otros riesgos como el ciberbullying o acoso escolar.

No se trata de actuar con miedo en internet ni dejar de utilizarlo, sino que debemos ser
capaces de actuar consciente y coherentemente, aprendiendo a trabajar de forma segura
en este medio y sobre todo saber comportarnos frente a los desconocidos.

Hay numerosas iniciativas a nivel nacional e internacional trabajando para promover un

uso seguro de internet, mejorar el nivel de seguridad informática de los hogares y las

67
empresas, así como ayudar a educar y guiar a los más pequeños, como son
www.inteco.es (actualmente www.incibe.es), Pantallas Amigas (iniciativa por un uso
seguro y saludable de internet y las Nuevas Tecnologías por parte de los menores) -
www.pantallasamigas.net, Protégeles (dedicada a la sensibilización y con líneas de
denuncia sobre pornografía infantil, ciberbullying,…) - www.protegeles.com, o Insafe
(la red europea de nodos de concienciación en seguridad online) -
www.saferinternet.org20.

Así es que, si bien hay muchos peligros en la sociedad en red, también hay multitud de
recursos y apoyos para aprender a sacarle todo el partido con total confianza.

Un estudio muy reciente realizado por profesores británicos y californianos pone de

manifiesto la forma en la que actuaciones ingenuas en la red social Facebook acaban
comprometiendo nuestra identidad. A través de los múltiples “Me gusta” con los que
podemos calificar noticias, comentarios o actos de nuestros propios amigos, se puede
generar un perfil con nuestra forma de pensar cuya comercialización puede
perjudicarnos. (Kosinski, 2014). Con técnicas Big Data, como veremos a continuación,
se pueden construir catálogos con los perfiles de los usuarios de la citada red de todo el
mundo.

20
Páginas consultadas en fecha 19 de Marzo de 2015.

68
 2.2 Estado actual

En este punto vamos a destacar tres aspectos que inciden muy directamente con los
objetivos de nuestra investigación:

 el tratamiento masivo de datos, como un desarrollo adicional consecuencia del

nivel tecnológico alcanzado

 la brecha digital, efecto indeseado del diferente nivel de conocimiento sobre los
desarrollos tecnológicos por parte de los diferentes grupos de población, y

 la legislación en el sector TIC.

O lo que es lo mismo:

 las razones que se aducen para justificar los desarrollos que se están llevando a
cabo y que, colateralmente, pueden condicionar nuestra privacidad,

 el nivel de preparación al utilizar la tecnología y sus riesgos, y

 las estrategias y herramientas defensivas de los Estados para proteger a los

ciudadanos.

Veamos cada uno de ellos.

2.2.1 Big Data

Se define como Big data, o analítica de datos, al conjunto de datos que excede la
capacidad del software habitual para su captura, gestión y proceso en un tiempo
razonable. El reto consiste en su transformación en información, pues de nada nos sirve
almacenar datos acumulándolos sin ponerlos en valor (Cánovas, 2014).

El crecimiento constante de datos que se alojan en la red constituye una oportunidad

para su explotación a la vez que se convierte en un reto tecnológico y legal (Laney,
2001).

69
La generación de información crece cada vez más aceleradamente. Durante 2012 se han
creado cerca de 2,5 QB (quintillones 21 de bytes) diarios (FUNTEL, 2013)

El desarrollo tecnológico (Big data, cloud computing, CRM 22 o IoT23) conllevan la

cesión de parte de la privacidad para mejorar la calidad de vida.

Por ejemplo, con Google Flu se pueden hacer estimaciones sobre epidemias de gripe
basándose en las búsquedas de los usuarios.

Servicios como los de Amazon permiten recomendaciones de lectura en función del

histórico de compras e incluso de lo que los amigos identificados a través de redes
sociales han adquirido.

Algo parecido vienen haciendo desde hace tiempo los bancos, ofreciéndonos catálogos
cuasi-personalizados basados en nuestra capacidad económica y aficiones, generando
unos perfiles de consumo individualizados.

Las técnicas de CRM vienen siendo explotadas por la informática tradicional desde hace
décadas.

Y el IoT implica la transferencia de gran cantidad de datos de forma automática, como

la monitorización de nuestras constantes vitales a través de los wearables24, o
recomendaciones de vías alternativas de tráfico y cesión de infinidad de datos que
pueden facilitar nuestra vida a la vez que coartan nuestra intimidad.

Las grandes cantidades de datos que recogen las redes sociales pueden proporcionar
información de gran alcance. Muchos investigadores estudian Facebook para analizar
las relaciones sociales entre las personas utilizando las conexiones hechas por esa red
como sustitutivo de las relaciones del mundo real (Boyd, 2011).

La explotación de la información recogida a través de esos canales sobre nuestros

sentimientos, proyectos, planes, metas o deseos facilita el testeo de aplicaciones que
permiten diseñar perfiles a los que manipular individual o socialmente.

21 18
2.5 x 10
22
Customer request management
23
Internet of things
24
Dispositivos con conectividad de uso personal que el usuario lleva encima en forma de complementos

70
 2.2.2 Brecha digital

Si bien las TIC han contribuido a que el mundo sea cada vez más global y las
coordenadas de espacio y tiempo se vean superadas dando lugar a una nueva sociedad
mundial más interconectada y homogénea, nos encontramos que estas argumentaciones
parten de que toda la población, o al menos la mayoría, tenga la llamada competencia
digital, es decir, herramientas teórico-prácticas para usar las TIC.

Esta competencia depende de varios factores, como son la alfabetización digital, los
niveles de cobertura, el poder adquisitivo o el conocimiento de idiomas.
Lamentablemente, estas condiciones no las reúnen todos los ciudadanos, por lo que
resulta que la supuesta homogeneización provocada por las TIC en la era de la
globalización genera una nueva exclusión. Esta nueva forma de brecha digital, término
acuñado por Schiller (1996), va en sentido opuesto a facilitar la inclusión digital.

Este nuevo paradigma se corresponde con la fractura entre los capacitados para utilizar
las nuevas tecnologías, que las han integrado en su vida diaria, y los no capacitados.
Esta brecha digital aumenta más las diferencias geográficas, culturales y económicas.

Ya en la era Clinton (1992-2000), el vicepresidente Gore (1993) potenció las entonces

denominadas “autopistas de la Información” dando lugar a la aparición de la diferencia
entre los conectados y los no conectados, augurando presagios poco halagüeños para
estos últimos que difícilmente podrían seguir el ritmo de conocimiento y desarrollo de
los primeros.

Si analizamos la brecha digital global, veremos que el grupo de no conectados apenas

llegaba en 2006 a un 41,4% en los países desarrollados y, en cambio, en las zonas del
Tercer Mundo ascendía hasta un 89,8%, según los datos de la International
Telecommiunications Union (ITU, 2006). Aunque, con la llegada de la web 2.0 en los
últimos años, han accedido nuevos usuarios a las TIC, donde las redes sociales y la
proliferación de Apps de telefonía móvil han tenido un rol fundamental.

No obstante, sigue habiendo una gran población perteneciente al grupo de no

conectados, y mientras que en los países desarrollados se circunscribe a sectores de
edades avanzadas, en otras zonas del mundo afecta de un modo más generalizado pues
71
hay factores como la pobreza, falta de cobertura de comunicación, bajos niveles
educativos e incluso escasez de recursos energéticos.

Los datos de la ITU (2011) correspondientes al uso de internet durante en el periodo

2006-2011 indican que hay una brecha global importante, y continúa siendo mayor la
población a nivel mundial que no está conectada de la que sí lo está, si bien es cierto
que las diferencias van disminuyendo. En 2006 el 82% de la población mundial no
estaba conectada, mientras que en 2011 el porcentaje se situaba en el 65%. Sin
embargo, este aumento de los conectados se concentra en los BRIC (Brasil, Rusia, India
y China).

Fig. 21: Usuarios de internet a nivel mundial

Fuente: ITU (2011)

Es decir, la brecha digital aún afecta a prácticamente dos tercios de la población

mundial.

En resumen, nos encontramos que las TIC no solo no están contribuyendo a la

globalización del mundo, sino al aumento de la desigualdad entre las zonas más y
menos desarrolladas.

Según Eurostat, el acceso a internet en España es del 71,6% del total de la población,
que se compara con el 75% de la media de la UE. O sea, el 28% de la población
española se encuentra entre los no conectados, porcentaje que aumenta rápidamente
entre la población de más de de 60 años.

72
 Fig. 22: Penetración de internet en España y Europa
Fuente: FUNTEL (2014)

El mejor ejemplo social que podemos constatar a nivel educativo al hablar de esta
brecha cultural y generacional lo tenemos en que una Universidad sigue imponiendo
unos esquemas docentes de tipo analógico (clases magistrales, apuntes dictados, tiza,
uso de la pizarra tradicional, bolígrafos de tinta…o incluso proyectores de trasparencias,
pobres presentaciones en PowerPoint,…) dirigidos a unos alumnos que, en su inmensa
mayoría, ya están incorporados a la docencia digital con el uso de PDIs, por lo que el
aula universitaria les implica un “avance hacia los recursos del pasado” más que hacia
los que utilizan en el presente y con los que construirán el futuro, con la lógica
frustración, descenso de la motivación, escasez de atención y “brecha comunicativa”
con los profesores.

Tanto a nivel nacional como global, la brecha digital es una fractura resultado del
propio proceso de globalización que, en vez de de homogeneizar, aumenta las
diferencias de comunicación e información, pues la interacción entre personas, o el
intercambio de conocimientos y experiencias se hace cada vez más fomentando el uso
de las TIC.

Para intentar paliar esa dificultad de acceso para determinados nichos de población
(edad y género), se adoptaron acciones intentando llevar internet a toda la sociedad por
igual, con resultados positivos en España como puede observarse en la siguiente figura

73
 Figura 23: Acceso a internet en España por tramo de edad y sexo
Fuente: INE

Es de destacar que entre los más jóvenes (de 16 a 24 años) son las mujeres las que se
conectan más, pero aparecen “nuevas” brechas con los servicios avanzados, como el
acceso móvil, asociadas a los mismos grupos (edad, género, nivel educativo y social)
(FUNTEL, 2012: 27).

Lo que demuestra que en este ámbito también es necesaria una formación continua que
vaya paralela a las nuevas potencialidades de la tecnología para evitar el riesgo de caer
en el “otro lado de la brecha” en el caso de no mantener la actualización de
conocimientos.

Fig. 24: Acceso desde el móvil en España

Fuente: Eurostat. Datos de 2011

74
 2.2.3 Legislación (Europea / Americana / Española)

Dentro del marco de la Unión Europea, la norma inicial regulatoria de la Protección de

Datos de Carácter personal fue la Directiva 95/46/CE del Parlamento Europeo y del
Consejo de 24 de octubre de 1.995, relativa a la protección de las personas físicas en lo
que respecta al tratamiento de datos personales y a la libre circulación de estos datos.

España fue pionera en esta materia en relación con otros países de la UE cuya primera
experiencia legislativa en este campo surgió a raíz de la Directiva mencionada. Nuestro
país ya contaba con la Ley Orgánica 5/1992, de 29 de octubre, de regulación del
tratamiento automatizado de los datos de carácter personal (LORTAD). En sustitución
de esta, y ya siguiendo los preceptos de la normativa europea, actualmente la privacidad
está regulada por la LOPD (ESPAÑA, 1999), así como por el Real Decreto 994/1999
de 11 de junio, por el que se aprobó el Reglamento de medidas de seguridad de los
ficheros automatizados que contengan datos de carácter personal. Y más recientemente
su Reglamento (ESPAÑA, 2008).

En esos momentos nos encontrábamos con que las legislaciones sobre protección de
datos de los países miembros eran muy diferentes, siendo unas más rigurosas que otras.
Por lo que se inició en Europa un debate entre los diferentes miembros tendentes a
determinar si esa nueva directiva debería ser más restrictiva o no.

El programa de acción relativo a la delincuencia organizada, adoptado por el Consejo

JAI (Justicia y Asuntos de Interior) en mayo de 1.997, aprobado por el Consejo Europeo
de Amsterdam, invitaba a la Comisión a realizar un estudio sobre la delincuencia
informática. La Comisión presentó en abril de 1.998 este estudio, conocido por su título
abreviado «estudio COMCRIME».

El Consejo Europeo de Tampere reconoció que los esfuerzos para llegar a un acuerdo
sobre definiciones y sanciones comunes de una serie de actos delictivos debían también
referirse a la delincuencia que utiliza las nuevas tecnologías.

75
El legislador tuvo que atender una demanda creciente de normativa a la hora de
garantizar la seguridad de los ciudadanos pues, como ya hemos anticipado, el desarrollo
de las nuevas tecnologías de la información y la comunicación han dado lugar a
cambios profundos en la economía y en la sociedad. El éxito de la Sociedad de la
Información es decisivo para el crecimiento, la competitividad y la creación de empleos
en Europa. Esta es la razón por la que la Comisión Europea lanzó la Iniciativa eEuropa
(COMEU, 1999), cuyo objetivo era permitir a la UE utilizar todas las posibilidades. El
plan de acción global sobre esta Iniciativa, aprobado por el Consejo Europeo de Feira en
junio de 2000, destacaba la importancia de la seguridad de las redes y de la lucha contra
los delitos informáticos (Alabau, 2001; URLEU, 2000).

Al mismo tiempo, esta importancia creciente de las infraestructuras de información y

comunicación abría nuevos caminos a conductas delictivas. Esta es la razón por la que
la Unión Europea lanzó una serie de medidas para luchar contra el contenido ilícito y
perjudicial en internet con el fin de proteger los derechos de la propiedad intelectual y
los datos de carácter personal, promover el comercio electrónico y reforzar la seguridad
en las transacciones.

La propuesta del nuevo marco regulador de las comunicaciones electrónicas fue

adoptada por la Comisión Europea el 12 de julio de 2.000 y se presentó formalmente en
el Consejo de Ministros de Telecomunicaciones de 3 de octubre del mismo año
(COMEU, 2000a). La propuesta relativa al tratamiento de los datos personales y a la
protección de la intimidad en el sector de las comunicaciones electrónicas, traslada los
principios establecidos en la Declaración Universal de Derechos Humanos con respecto
al derecho a la privacidad y a la protección de los datos en el citado sector, pues el
artículo 12 de la misma dice: “Nadie será objeto de injerencias arbitrarias en su vida
privada, su familia, su domicilio o su correspondencia, ni de ataques a su honra o a su
reputación. Toda persona tiene derecho a la protección de la ley contra tales
injerencias o ataques”

Se aprobaron una serie de medidas iniciales en el marco de la estrategia de la Unión en

materia de lucha contra la delincuencia que se sirve de las altas tecnologías. (RECEU,
2001). Esta Comunicación define la delincuencia informática en un sentido amplio,
como referido a todo delito que implique la utilización de las tecnologías informáticas.
(COMEU, 2000b)

76
Si bien a lo largo del procedimiento legislativo hubo importantes diferencias en algunos
aspectos entre el Consejo, el Parlamento y la Comisión, finalmente se llegó a la
adopción de una posición común.

Los conceptos de «delincuencia informática», «delincuencia relacionada con la

informática», «delincuencia de alta tecnología» y de «delincuencia cibernética» tienen
el mismo significado en la medida que todos se refieren a:

a) la explotación de las redes de información y comunicación sin ninguna dificultad

geográfica

b) la circulación de datos intangibles y volátiles.

Los principales delitos tratados por la legislación existente a nivel europeo así como a
nivel nacional fueron los siguientes:

a) delitos contra la intimidad: recogida, almacenamiento, modificación, revelación

o difusión ilegales de datos personales;

b) delitos relativos al contenido: difusión, especialmente por internet, de

pornografía, y en especial de pornografía infantil, declaraciones racistas e
información que incita a la violencia;

c) delitos económicos, acceso no autorizado y sabotaje: Muchos países han

aprobado leyes que abordan los delitos económicos perpetrados por ordenador y
tipifican nuevos delitos relacionados con el acceso no autorizado a sistemas
informáticos (por ejemplo, la piratería, el sabotaje informático y la distribución de
virus, el espionaje informático, y la falsificación y el fraude informáticos);

d) delitos contra la propiedad intelectual: delitos contra la protección jurídica de

programas de ordenador y la protección jurídica de las bases de datos, los derechos
de autor y derechos afines. (DIRCE, 2001)

La UE interviene para garantizar la seguridad de las redes y sancionar los ataques contra
los sistemas de información mediante los siguientes tipos de medidas destinadas a
luchar contra la ciberdelincuencia en general:

77
Lucha contra las actividades en línea ilícitas

 Programa “Safer Internet” ( 1.999-2.004 )

 Programa para una Internet más segura ( 2.005-2.008 ) (“Safer Internet Plus”)

 Lucha contra el spam, los programas espía y los programas maliciosos

(Comunicación de 2.006)

Seguridad específica de las Redes y de los sistemas de Información

 Estrategia para una S.I. segura ( Comunicación de 2.006 )

25
 Agencia Europea de Seguridad de las Redes y de la Información (ENISA )

 Ataques contra los sistemas de información

 Lucha contra los delitos informáticos

Con los objetivos “i2010 – Una Sociedad de la Información europea para el crecimiento
y el empleo”, dentro del 7º Programa Marco, se subrayaba la importancia de la
seguridad de las redes y de la información para la creación de un espacio único europeo
de la información (COMEU, 2005; Alabau, 2006) y se invitaba al sector privado a
definir responsabilidades de los productores de programas informáticos y los
proveedores de los servicios de internet, suministrando unos niveles de seguridad
adecuados y fiables, fomentando programas de formación para empleados con
conocimientos y aptitudes para aplicar prácticas de seguridad y elaborar sistemas para
certificar dicha seguridad en productos, procesos y servicios que respondan a las
necesidades específicas de la UE y refuercen las investigaciones sobre seguridad
creando un Programa específico europeo basado en el Safe Harbour.

25
A fin de garantizar a los usuarios la mayor seguridad posible, la UE creó la Agencia Europea de
Seguridad de las Redes y de la Información (ENISA), desempeñando funciones de asesoramiento y
coordinación de las medidas adoptadas por los Estados miembros para hacer más seguras sus redes y
sistemas de información. El objetivo perseguido es lograr que la Unión, los Estados, y las empresas
tengan mayor capacidad de reacción y gestión de los problemas relacionados con la seguridad de las redes
y de la información. La Agencia inició su actividad en marzo de 2.004. (REGEU, 2004)

78
Se han ido adhiriendo nuevos países a la UE con diferentes niveles de recursos tanto
legales como tecnológicos y hay que indicarles las estrategias, hacia dónde ir, cómo
conseguirlo, facilitando ayudas de todo tipo (económicas, asesoría, colaboración, etc.).

Entre los mismos Estados, unos van más rápidos y otros menos en la incorporación de
las directivas europeas a sus legislaciones locales. Acogerse a estas cláusulas
contractuales es voluntario pero ofrece a las sociedades y organismos una forma de
respetar su obligación de asegurar una protección adecuada a los datos personales
cuando estos se transfieran tanto a países fuera de la UE como a países Miembros.

En general, se exige la aplicación de ciertos principios generales tales como que los
datos sólo se recojan para fines específicos, explícitos y legítimos; que las personas
cuyos datos se recaben estén informadas sobre el objeto de la recolección así como de la
identidad del responsable del tratamiento; que todos tengan derecho a acceder a sus
datos, modificarlos o borrar los que fueran incorrectos; y que, en caso de conflicto, las
personas afectadas puedan disponer de vías de recurso apropiadas, incluida la
posibilidad de recibir una indemnización.

Y, si dentro de la UE no es fácil ejercer toda esta coordinación, más complicado resulta

acometer estas actuaciones coordinadas con el resto del mundo.

Pero hay que trabajar en esa dirección, denunciando actuaciones irregulares, analizando
desde la perspectiva legal y/o ética los desarrollos de nuevas herramientas, poniendo en
marcha todos los mecanismos necesarios para atajar su uso indebido. Es la única forma
de eliminar las brechas entre unos y otros y tratar de alcanzar la sociedad competitiva y
respetuosa que se persigue.

Pero si las dificultades de entendimiento entre los países europeos, con una mayor
identidad cultural y legislativa, convergen con la meta de la Unión, con USA son más
difíciles. Afortunadamente, tras largas negociaciones, el 29 de julio de 2000 la Unión
Europea y EE.UU. llegaron al acuerdo llamado “Safe Harbor” (Puerto Seguro), por el
que se establecían una serie de principios sobre el acceso y uso de los datos personales,
así como las excepciones a su transferencia. En virtud de dicho acuerdo, las empresas
norteamericanas que voluntariamente certificasen su sometimiento a estos principios
entrarían a formar parte del llamado Puerto Seguro y no correrían el riesgo de que sus
transferencias de datos fuesen bloqueadas (GOBUSA, 2000)

79
Sin embargo, como consecuencia de los ataques terroristas del 11-S, USA promulgó la
PATRIOT ACT en octubre/2001 que hace prevalecer las necesidades de garantizar la
seguridad sobre los derechos de privacidad que se otorgan en otros países. Los efectos
de esta ley alcanzan más allá de las fronteras americanas y permite violar los derechos
de privacidad de ciudadanos y empresas extranjeras. El artículo 215 26 autoriza al FBI la
obtención de una orden judicial para que cualquier ciudadano norteamericano facilite la
información requerida ya sea de sociedades ubicadas en USA o en el extranjero.
Adicionalmente, en el mismo artículo se establece la prohibición de divulgar la
existencia de esa orden judicial y la inmunidad total frente a posibles demandas por
comunicar información privada.

Hacen falta acuerdos globales entre USA y la UE para conseguir el equilibrio entre la
Seguridad nacional, el derecho a la privacidad y la potenciación del desarrollo
tecnológico, de forma que se disponga de una regulación que garantice los derechos
fundamentales del ciudadano pero que a la vez permita el desarrollo de nuevos modelos
de negocio que faciliten el crecimiento económico (Portilla y Santaella, 2014).

Finalmente en nuestro país, según el Artículo 18 de la Constitución Española

(ESPAÑA, 1978):

1. Se garantiza el derecho al honor, a la intimidad personal y familiar y a la

propia imagen.

2. El domicilio es inviolable. Ninguna entrada o registro podrá hacerse en él sin

consentimiento del titular o resolución judicial, salvo en caso de flagrante delito.

3. Se garantiza el secreto de las comunicaciones y, en especial, de las postales,

telegráficas y telefónicas, salvo resolución judicial.

4. La ley limitará el uso de la informática para garantizar el honor y la intimidad

personal y familiar de los ciudadanos y el pleno ejercicio de sus derechos.

El derecho al honor consiste en el aprecio que cada persona tiene en su contexto social
y/o profesional y la intimidad implica la esfera privada de la que se puede excluir a

26
Access to records and other items under the Foreign Intelligence Surveillance Act

80
terceras personas. Con respecto a la imagen se incluyen la voz, el nombre y nuestra
imagen física.

Una Sentencia de nuestro Tribunal Constitucional dictaminó:

“Estos poderes de disposición y control sobre los datos personales, que constituyen
parte del contenido del Derecho Fundamental a la protección de datos se concretan
jurídicamente en la Facultad de consentir la Recogida, la Obtención y el Acceso a los
datos personales, su posterior Almacenamiento y Tratamiento, así como su uso o usos
posibles, por un tercero, sea el Estado o un particular. Y ese derecho a consentir el
conocimiento y el tratamiento, informático o no, de los datos personales, requiere como
complementos indispensables, por un lado, la facultad de saber en todo momento quién
dispone de esos datos personales y a qué uso los está sometiendo y, por otro lado, el
poder oponerse a esa posesión y usos” (AEPD, 2000: 22).

Con la Ley Orgánica 5/2010, de 22 de junio, se modifica la Ley Orgánica 10/1995, de

23 de noviembre, del Código Penal (ESPAÑA, 2010) incorporando nueva tipificación
de ciberdelitos, de forma que en el título VII dice:

“Se regula de manera pormenorizada la responsabilidad penal de las personas

jurídicas. Son numerosos los instrumentos jurídicos internacionales que demandan una
respuesta penal clara para las personas jurídicas, sobre todo en aquellas figuras
delictivas donde la posible intervención de las mismas se hace más evidente
(corrupción en el sector privado, en las transacciones comerciales internacionales,
pornografía y prostitución infantil, trata de seres humanos, blanqueo de capitales,
inmigración ilegal, ataques a sistemas informáticos...). Esta responsabilidad
únicamente podrá ser declarada en aquellos supuestos donde expresamente se prevea.”

“Por otra parte, la extensión de la utilización de Internet y de las tecnologías de la

información y la comunicación con fines sexuales contra menores ha evidenciado la
necesidad de castigar penalmente las conductas que una persona adulta desarrolla a
través de tales medios para ganarse la confianza de menores con el fin de concertar
encuentros para obtener concesiones de índole sexual. Por ello, se introduce un nuevo

81
artículo 183 bis mediante el que se regula el internacionalmente denominado «child
grooming»27, con la siguiente redacción:

«El que a través de Internet, del teléfono o de cualquier otra tecnología de la

información y la comunicación contacte con un menor de trece años y proponga
concertar un encuentro con el mismo a fin de cometer cualquiera de los delitos
descritos en los artículos 178 a 183 y 189, siempre que tal propuesta se acompañe de
actos materiales encaminados al acercamiento, será castigado con la pena de uno a
tres años de prisión o multa de doce a veinticuatro meses, sin perjuicio de las penas
correspondientes a los delitos en su caso cometidos. Las penas se impondrán en su
mitad superior cuando el acercamiento se obtenga mediante coacción, intimidación o
engaño».”

El título XIV dice:

“En el marco de los denominados delitos informáticos, para cumplimentar la Decisión

Marco 2005/222/JAI, de 24 de febrero de 2005, relativa a los ataques contra los
sistemas de información, se ha resuelto incardinar las conductas punibles en dos
apartados diferentes, al tratarse de bienes jurídicos diversos. El primero, relativo a los
daños, donde quedarían incluidas las consistentes en dañar, deteriorar, alterar,
suprimir o hacer inaccesibles datos o programas informáticos ajenos, así como
obstaculizar o interrumpir el funcionamiento de un sistema informático ajeno. El
segundo apartado se refiere al descubrimiento y revelación de secretos, donde estaría
comprendido el acceso sin autorización vulnerando las medidas de seguridad a datos o
programas informáticos contenidos en un sistema o en parte del mismo.

En el artículo 197 se introduce un nuevo apartado 3, y se añade un apartado 8, con la

siguiente redacción:

«3. El que por cualquier medio o procedimiento y vulnerando las medidas de seguridad
establecidas para impedirlo, acceda sin autorización a datos o programas informáticos
contenidos en un sistema informático o en parte del mismo o se mantenga dentro del
mismo en contra de la voluntad de quien tenga el legítimo derecho a excluirlo, será
castigado con pena de prisión de seis meses a dos años.

27
Ciberacoso sexual infantil

82
Cuando de acuerdo con lo establecido en el artículo 31 bis una persona jurídica sea
responsable de los delitos comprendidos en este artículo, se le impondrá la pena de
multa de seis meses a dos años. Atendidas las reglas establecidas en el artículo 66 bis,
los jueces y tribunales podrán asimismo imponer las penas recogidas en las letras b) a
g) del apartado 7 del artículo 33.

[…]

8. Si los hechos descritos en los apartados anteriores se cometiesen en el seno de una

organización o grupo criminales, se aplicarán respectivamente las penas superiores en
grado.»”

En resumen, será delito "borrar, dañar, deteriorar, alterar, suprimir o hacer

inaccesibles datos o programas informáticos ajenos y el acceso sin autorización a datos
o programas contenidos en un sistema informático" y también "obstaculizar o
interrumpir el funcionamiento de un sistema informático ajeno" (p. e. un sitio web).

Asimismo se castiga "Descubrir y revelar secretos: acceso sin autorización vulnerando

las medidas de seguridad a datos o programas informáticos contenidos en un sistema o
en parte de él." En este delito podría incurrir por ejemplo quien accediese a la cuenta de
una red social online de otra persona sin permiso, o quien robase sus fotos de sexting28,
con intenciones de realizar bullying, acoso o sextorsión, por citar algunos casos.

El artículo 183 bis tipifica como delito el grooming cuando se intenta llegar a un
encuentro físico. Esta nueva figura delictiva pretende sancionar la conducta de quienes
por medios telemáticos (internet o móviles) contacten con menores de 13 años (edad de
consentimiento sexual legal en España) para encuentros con fines sexuales:

El sexting entre menores podría quedar recogido en el artículo 189, sobre la elaboración
de material pornográfico o exhibicionista. El mismo artículo establece penas de prisión
también para la posesión y difusión:

“El que produjere, vendiere, distribuyere, exhibiere, ofreciere o facilitare la

producción, venta, difusión o exhibición por cualquier medio de material pornográfico

28
Envío de contenidos eróticos o pornográficos mediante teléfonos móviles

83
en cuya elaboración hayan sido utilizados menores de edad o incapaces, o lo poseyere
para estos fines, aunque el material tuviere su origen en el extranjero o fuere
desconocido.”

Se tipifica como delito la captación de niños para participar en espectáculos

pornográficos y la responsabilidad de quien se lucra. Esto podría incluir los casos en
que se fuerza o convence (con pago o no) a menores para producir auto pornografía con
sus cámaras web o teléfonos móviles.

Siguiendo con las estrategias emanadas de la Comisión Europea, el Plan i2015 trata de
impulsar la difusión y uso de la e-administración contribuyendo al logro de la Agenda
Digital Europea. La aplicación de esos objetivos en España se traduce en la aprobación
de los sucesivos planes Avanza para los quinquenio 2005-2009 y 2011-2015 que, entre
otras cosas incluyen extender la cultura de la seguridad entre los ciudadanos y las
empresas (MINET, 2010)

Después de muchos años de sensibilidad hacia los delitos que se han ido tipificando
como ciberdelitos, el propio Ministerio del Interior ha incorporado por primera vez en
su historia la información relativa a los casos en los que ha intervenido, aunque de
momento solo haya facilitado las cifras registradas por las Fuerzas y Cuerpos de
Seguridad del Estado y la Policía Foral de Navarra, así como datos de los cuerpos de
policía local que los facilitaron al Sistema Estadístico de Criminalidad durante el año
2013. (AEMI, 2014).

El título del apartado que referencia esta información es “Cibercriminalidad y

principales tipologías penales cometidas con las Nuevas Tecnologías”, con este texto:

“Es una constante en nuestra sociedad actual el empleo de términos como delincuencia
informática, cibercriminalidad, delitos informáticos, etc. Existen muchas tipologías
penales que pueden cometerse mediante el uso de lo que ha venido a denominarse las
«nuevas tecnologías». Para concretar unos criterios que metodológicamente fueran
comparables con los países de nuestro entorno se ha decido emplear las tipologías
penales descritas en el Convenio sobre Cibercriminalidad de Budapest. A estos hechos
se les han unido los delitos contra el honor, las amenazas y coacciones, y delitos contra
la salud pública, dado el volumen y la importancia que están adquiriendo estos últimos.
Los tipos penales concretos que abarca y los medios que se considera que deben

84
emplearse para su comisión, se detallan específicamente en el anexo metodológico.
Entre los tipos penales que más se dan se sitúan los denominados «fraudes
informáticos», seguidos a cierta distancia por las amenazas y coacciones.”

Resumiendo las cifras de los delitos computados en este apartado, dan la distribución
representada en la figura 25 y, en las tipologías penales de la figura 26, se resalta en
azul las relativas a estos delitos, con los artículos aplicables del Código Penal.

Fig. 25: Distribución del tipo de delitos informáticos

Fuente: AEMI (2014)

85
Fig. 26: Tipologías penales
Fuente: AEMI (2014)

86
En la siguiente figura se muestra la información que el Ministerio del Interior ha
comenzado recientemente a tabular separadamente de los principales delitos cometidos
con el apoyo de las nuevas tecnologías

Fig. 27: Cibercriminalidad y principales delitos cometidos con Nuevas Tecnologías

Fuente: AEMI (2014)

SEC = sistema estadístico de criminalidad

87
 2.3 Literatura revisada de otros investigadores

En este apartado vamos a ver diversos estudios realizados que miden motivaciones,
aptitudes y actitudes, profundizando en las causas del comportamiento de los
estudiantes a la hora de inclinarse hacia el estudio de diversas materias o realización de
actividades. Nos han servido para guiarnos a la hora de utilizar los recursos en los que
nos hemos apoyado para el desarrollo de la presente tesis.

Asimismo encontramos investigaciones que analizan cuáles son los factores que
determinan el comportamiento de los usuarios a la hora de navegar por redes sociales o
simplemente por internet. Referenciaremos algunos trabajos cercanos al nuestro,
simultáneos en el tiempo en otros contextos universitarios, que denotan una creciente
inquietud hacia el tema de nuestra investigación, que hacen patente la necesidad de
abordarla y poner las medidas para garantizar un uso más seguro de la tecnología,
obteniendo sus ventajas y minimizando sus posibles inconvenientes.

A través de la base de datos de tesis doctorales (TESEO) sobre posibles investigaciones

que abordasen estudios parecidos hemos visto que sobre internet, en general, hay
bastantes investigaciones sobre los usos y aplicaciones sectoriales que permite.

Más específicamente, sobre los conceptos de respeto a los individuos, encontramos las
siguientes:

 “El derecho de autor en internet”, de junio/2004 en el deptº. de Derecho

Constitucional de la Universidad Complutense de Madrid, en la que se establece
que el régimen jurídico vigente es ineficaz y se hace necesario establecer nuevos
controles técnicos y/o modificar la legislación (García, 2004).

 “El impacto de internet en el derecho fundamental a la protección de datos de

carácter personal”, de diciembre/2004 en el deptº. de Derecho Constitucional de la
Universidad de Granada, donde se estudia sobre el impacto que producen las
nuevas tecnologías en el manejo y cruce de datos sensibles (Guerrero, 2004).

88
  “La gestión de la confianza en internet: un factor clave para el desarrollo de la
economía digital”, de septiembre/2005 en el deptº. de Economía y Dirección de
Empresas de la Universidad de Zaragoza, que versa sobre las dificultades de los
usuarios a la hora de realizar transacciones mercantiles a través de la red debido a
las dudas sobre las garantías de privacidad de los mismos (Guinaliu, 2005).

 “Derecho, internet y protección de los consumidores en la Unión Europea”, de

mayo/2008 en el deptº. de Derecho privado en la Universidad de Extremadura
sobre aspectos similares al caso anterior, más ceñidos al ámbito europeo. (de
Villamor, 2008).

A su vez, en TDR (tesis doctorales en red), encontramos el estudio de una inquietud con
un contenido más próximo a nuestro tema de investigación:

 “Security and privacy issues in some special-purpose networks”, de junio/2008

en el deptº. de Ingeniería Informática y Matemáticas de la Universidad Rovira i
Virgili, tratando sobre los problemas de seguridad y privacidad que surgen al
implantar en escenarios reales novedosas aplicaciones basadas en nuevos modelos
de red que difieren significativamente de las redes de computadores clásicas y son
catalogadas como redes de propósito especial. Específicamente, en este trabajo se
estudian, entre otros aspectos, la seguridad de la información y la privacidad de los
usuarios en redes sociales, facilitando el mantenimiento de la privacidad (Viejo,
2008).

Siendo un asunto muy sensible, dada la rápida extensión que el uso de nuevas
tecnologías tiene entre los jóvenes, hemos visto un gran número de estudios relativos a
este tema en diferentes países.

Utilizando recursos de la red como Polibuscador, Revista Psicothema, Dialnet, Scirus,

Google Scholar, Pubmed, Journals, y utilizando conceptos de búsqueda tales como:
Encuesta motivación aprendizaje seguridad internet / encuestas seguridad informática /
redes / constructos / variables latentes / redes sociales / usuario impulsivo / perfil
consumidor servicios / Cuestionario para medir el interés en aprender / aprendizaje /
medición del interés en el aprendizaje / en aprender / de la confianza / Social networks
(social media) risk….., encontramos algunos como los siguientes:

89
 En estudios sobre competición deportiva vimos el uso de factores cognitivo-
afectivos como los motivacionales, la autoeficacia, la autoconfianza, la ansiedad, el
logro, la complejidad de la tarea, etc. (Cervelló et al, 2002 y 2003).

 Jacqueline Eccles y Allan Wigfield (2002), de la Universidad de Michigan,

generaron un modelo sobre las componentes del valor asociado a una actividad.
Partiendo de que tanto las expectativas como los valores son creencias cognitivas
relacionadas con las decisiones que los sujetos toman de forma consciente sobre
sus logros, acaban influyendo en su comportamiento. El valor de logro lo
definieron basándolo en cuatro aspectos: valor adquirido (importancia de hacerlo
bien), intrínseco (diversión o entretenimiento que les produce la actividad),
utilitario (fines obtenidos) y esfuerzo (dedicación, ansiedad). Con estos cuatro
componentes asociados a una actividad concreta podemos definir el valor que dicha
actividad puede tener para una persona.

Es decir, estamos ante un modelo racional de toma de decisiones sobre la

motivación que influyen en el comportamiento de los estudiantes en las escuelas
técnicas que vamos a estudiar.

 Cuestionarios con este tipo de variables fueron usados por Baca Lobera (2005)
del deptº de Producción Económica de la Universidad Autónoma Metropolitana
Xochimilco, de México en el estudio de los factores que influyen en el estudio de
las Matemáticas, así como por Irene Sánchez Guevara (2009) del dptº de Política y
Cultura de la misma universidad. Utilizando sensaciones de motivación, agradable,
utilidad, confianza, ansiedad y conocimientos.

 “Variables motivacionales, estrategias de aprendizaje y rendimiento académico

en estudiantes universitarios: Un modelo de relaciones causales”, de Ramón
González et al (1998) de la Universidad de La Coruña.

 También usó estos conceptos para las variables Raquel Salim (2004 y 2006), de
la Universidad Nacional de Tucumán (Argentina) en sus artículos sobre
“Herramienta de evaluación de enfoques de aprendizaje en estudiantes
universitarios” y “Motivaciones, enfoques y estrategias de aprendizaje en
estudiantes de Bioquímica de una universidad pública argentina”, utilizando el
cuestionario CEPEA (Cuestionario de Evaluación de Procesos de Estudio y
90
 Aprendizaje) y analizando motivaciones de interés, logro, miedo al fracaso. O bien
Gómez-Borja, (2011), en su estudio sobre las motivaciones de uso de redes
sociales.

 Angeles Blanco (2008), en una investigación sobre las actitudes de los

estudiantes universitarios hacia el estudio de la Estadística hace referencia a valores
de Afecto (sentimientos), Competencia cognitiva (actitudes), Valor (utilidad) y
Dificultad (complejidad, esfuerzo) y en su trabajo evoluciona hacia Utilidad,
Ansiedad, Confianza, Agrado, Motivación, Interés.

Comprobamos que, en todos los estudios, se van concretando unas motivaciones

similares en todos ellos.

Estudios posteriores de Bayot Mestre (2008) o de José García Clavel y Javier Balibrea
(2010) se basaron en la investigación de factores como los descritos (adquirido,
intrínseco, utilitario, esfuerzo).

En el primero de estos últimos estudios mencionados se destacaba la importancia del

estímulo que supone la motivación para la educación, aunque no fuese medible
directamente. Se definían los denominados intangibles de la educación (factores no
cuantificables, inherentes al estudiante) y su influencia en el rendimiento académico, así
como la forma en que son medidos por PISA29 (interés, la autoconfianza y el disfrute
que se obtiene con el estudio). Tengamos presente que los informes PISA no se limitan
a una mera evaluación de conocimientos, sino que también tratan de medir las actitudes
y la implicación de los alumnos respecto las ciencias usando intangibles como los
mencionados.

En el segundo estudio se analizaron los factores latentes ante la actitud hacia el estudio
de la Estadística por los estudiantes universitarios, obteniendo cuatro dimensiones
básicas que definieron como: interés, ansiedad y utilidad inmediata y para su futuro. En
este trabajo también se analizan las variables latentes a través del sesgo que supone el
rendimiento académico de los estudiantes.

29
Programme for International Student Assessment

91
El interés nos impulsa a explorar una determinada situación. Nos da la voluntad
suficiente para suplir nuestras deficiencias o limitaciones, nos estimula y facilita la
comprensión y el aprendizaje (Fink y Samuels, 2007).

La autoconfianza mide la propia imagen o percepción que cada uno tiene de sí mismo
respecto ciertos retos.

El disfrute facilita el esfuerzo requerido para superar el aprendizaje.

 En un contexto diferente (investigación sobre siniestralidad laboral), vimos la

combinación del uso de variables latentes (estrés, apoyo y seguridad) con variables
mediadoras que tienen el papel de clusterizar a través de determinados
comportamientos. (López-Araujo y Osca, 2010)

 Hoofnagle, C. et al (2010), de la Universidad de Berkeley, estudiaron el

comportamiento sobre privacidad en internet que adoptan los jóvenes americanos.

 López et al (2010) de las universidades de Granada y la Autónoma de Yucatán

elaboraron un cuestionario adaptado para conocer las actitudes respecto el
aprendizaje de las Matemáticas.

 Investigaciones sobre el uso del PC por parte de los docentes utilizan criterios de
utilidad, ansiedad, atracción. (Peinado; Bolívar; Briceño, 2011)

 “Teenagers, Legal Risks and Social Networking Sites”, desarrollado por los
profesores Melissa de Zwart y David Lindsay (2011), de la Monash University en
Victoria (Australia), abordaron el incremento de complejidad que está suponiendo
el uso de redes sociales en la comunicación y los problemas de seguridad y de
riesgos legales entre estudiantes que llevan consigo, además de las percepciones de
los adultos.

 “Adopción de redes sociales virtuales: ampliación del modelo de aceptación

tecnológica integrando confianza y riesgo percibido”, de Carlota Lorenzo Romero
(2011), que establece relaciones causales entre confianza y riesgo percibido, como
factores de incertidumbre del comportamiento y del entorno, a partir de un modelo
de Aceptación de la Tecnología que contempla constructos actitudinales tales como
utilidad y facilidad de uso.

92
Según íbamos avanzando, analizando nuestros propios resultados y sacando las
correspondientes conclusiones, seguíamos buscando nuevos estudios similares al
nuestro, encontrando los siguientes:

 “Youth, Privacy, and Reputation”, de los profesores Marwick, Murgia Díaz y

Palfrey (2010), de la Universidad de Harvard, que estudia el riesgo con el que los
jóvenes se comunican a través de redes sociales y sus motivaciones. Referencian
estudios en los que han encontrado que el 47% de jóvenes incluyen información de
“comportamiento de riesgo” que asocian a las actividades sexuales, el consumo de
alcohol y drogas. También hacen referencia a estudios de 2006 en los que el 64%
de jóvenes usuarios de Redes Sociales mantiene la configuración de privacidad
que, por defecto, proporciona la plataforma.

 “Los efectos de la motivación, la confianza y la preocupación por la privacidad

en las redes sociales”, de Shi-Woei Lin y Yu-Cheng Liu (2012), de la Universidad
de Taiwán, relacionando parámetros medibles del nivel de uso de las redes sociales
con parámetros emocionales. Hicieron dos pilotos con unos 30 encuestados y,
finalmente, con 207. Utilizaron herramientas estadísticas básicas: correlaciones,
índices de fiabilidad, regresión, constructos.... Hacen referencia a razones
extrínsecas e intrínsecas (interés, estrés....), estudiando riesgos de privacidad en
redes sociales, teniendo en cuenta confianza y motivaciones.

Es decir, comprobamos que prácticamente nuestros antípodas tienen unas

inquietudes similares a las nuestras, se han dado cuenta también del riesgo, las
están trabajando y utilizan teoría similar de apoyo a la que usamos nosotros,
encontrando una intensa correlación entre la frecuencia de navegación por las redes
sociales y la revelación de información (0,499), con significatividad 30 <1%,
afirmando que sus resultados “indican que la confianza puede efectivamente
mitigar la preocupación de un usuario por su privacidad”.

30
La significatividad mide el grado de error

93
Finalmente, aún más recientemente, en la Universidad Nacional de Singapur
encontramos otra investigación que reconfirma la preocupación sobre el tema objeto de
la presente tesis:

 Jiang, Z. et al (2013), en sus trabajos sobre privacidad en Redes Sociales,

hacen referencia a investigaciones en USA que indican que entre el 43 y el 51% de
los encuestados dan información personal (domicilio, e-mail, creaciones
personales, fotos, vídeos, asociaciones, opiniones) en las Redes Sociales.

Por otro lado, comprobamos que diversas universidades han detectado la demanda de
una oferta formativa para paliar las carencias de los usuarios en temas de seguridad
informática cercanos al objeto de esta tesis y están promocionando actualmente una
parte de sus actuales cursos abiertos, masivos y en línea (MOOCs) para facilitar la
formación de seguridad en internet.

Entre ellas, utilizando la plataforma coursera.org:

 Universidad de Michigan, con el curso “Análisis de redes sociales”31, que ayuda

a proteger la formación de la identidad digital y la difusión de la información, o el
curso sobre “Historia, tecnología y seguridad en Internet”32, que informa sobre
como asegurar las comunicaciones en internet, proteger la información y establecer
la identidad.

 Universidad de Washington, con “Construcción de un sistema de gestión de

riesgo para la información”33, que da enfoques de gestión de riesgo para guiar las
decisiones de seguridad de la información, así como evaluar, desarrollar y
mantener prácticas para mitigar los riesgos. También imparten cursos de “Diseño y
ejecución de estrategias para la seguridad de la información”34, con aplicaciones
prácticas de casos actuales de riesgo, o “La seguridad de la información y la
gestión de riesgo puestas en contexto”35, para prevenir ataques de e-crime y
mantener estrategias para defender la privacidad individual.

31
https://www.coursera.org/course/sna
32
https://www.coursera.org/course/insidetheinternet
33
https://www.coursera.org/course/inforisk
34
https://www.coursera.org/course/infosec
35
https://www.coursera.org/course/inforiskman
[Consultadas el 19 de Marzo de 2015]

94
  Universidad de Maryland, dispone del curso “Seguridad utilizable”36, que se
centra en diseñar sistemas de seguridad desde la óptica más humana de riesgos, la
más crítica por falta de sensibilidad o escasa atención a las habilidades cognitivas
con respecto a contraseñas, protocolos de seguridad, compartición de información,
etc., que son los factores que pueden entrañar mayor riesgo. Dan formación sobre
los principios básicos de la interacción persona-ordenador, incluyendo principios
de usabilidad, habilidad, aprendizaje y motivación.

 Universidad de Londres, que anuncia “El software malicioso y su mercado

negro: las dos caras de la moneda”37, con amplia información sobre la
ciberdelincuencia y la concienciación de adoptar medidas preventivas y técnicas
prácticas y efectivas de mitigación.

 Finalmente, a través de la plataforma miriadax.net, también se difunde el curso

de la Universidad Europea de Madrid: “Derecho y Redes Sociales”38, con una
aproximación a las complejidades jurídicas y los retos para los usuarios que supone
su navegación, así como a la forma de proteger factores como privacidad,
identidad digital, o propiedad intelectual.

36
https://www.coursera.org/course/usablesec
37
https://www.coursera.org/course/malsoftware
38
https://www.miriadax.net/web/derecho-redes-sociales
[Consultadas el 19 de Marzo de 2015]

95
3.- MODELO PROPUESTO
 3.1 Estrategia para el desarrollo de la investigación

Con los antecedentes teóricos vistos, el soporte metodológico de nuestra investigación

también será la Encuesta Social teniendo en cuenta que, tal y como definen la
investigación experimental Hernández; Fernández, y Baptista (2003), es la que se lleva
a cabo sin manipular variables; es decir, sin variar de forma intencionada variables
independientes para ver su influencia sobre otras variables, estudiándolas tal y como
surgen de forma natural para ser analizadas.

Su objetivo será conocer si los alumnos encuestados, que supuestamente tienen la

suficiente formación (aptitud), son conscientes del riesgo que corren cuando navegan
por internet y acceden a redes sociales con la suficiente inquietud (actitud) para
evitarlos, o el deseo de conectarse es tan fuerte que no consideran prioritarias su propia
seguridad e intimidad, Monsoriu (2008).

Fig .28: Objetivos del estudio (EP)

La encuesta es una herramienta adecuada para explorar en esta cuestión, corroborado

suficientemente por la amplia teoría referenciada en el punto anterior, en la que cada
una de las preguntas conlleva la construcción de una variable denominada latente, que
será la representación de un conjunto de preguntas en un cuestionario que se calificará
con la escala ordinal de Lilkert. Dichas variables latentes o constructos serán los que
miden tanto la “aptitud”, mediante un test de conocimientos sobre seguridad, como la
“actitud”, a través de los valores de motivación establecidos en la literatura revisada.

97
Concretamente, planteamos la relación entre las formas de navegar por la red y el
conocimiento de los riesgos (factores actitudinales frente aptitudinales) teniendo en
cuenta sus motivaciones y su posible preocupación para conocer los vínculos entre
“privacidad / confianza - seguridad - temor por riesgo / utilidad / interés /
conocimientos” que nos lleva a proponer un modelo teórico inicial que nos sirva de base
y guía en la recopilación de datos y su análisis. Las variables independientes son las
latentes que definiremos en nuestro modelo y la variable dependiente será la que mide
los conocimientos sobre seguridad de los encuestados mediante un test, calificado a
través de la variable “nota”, utilizando variables de control sobre seguridad y
privacidad, que analizaremos conjuntamente.

En nuestro estudio debemos tener presente la forma en que esas componentes se

combinan para darnos información sobre las actuaciones que influyen en el
comportamiento de los estudiantes encuestados, planteándonos inquietudes tales como:

 la concepción que el alumno tiene sobre la necesidad de estar al corriente sobre

técnicas de seguridad,

 la autoconfianza en su forma de adquirir conocimientos,

 la ansiedad que le produce alcanzar los conocimientos necesarios durante el

proceso de aprendizaje, y

 también el gusto o no por la materia misma, objeto de aprendizaje.

Todos ellos determinantes, de manera conjunta, para el logro de la adquisición de

conocimientos e información para poder seguir navegando con seguridad.

El tipo habitual de preguntas utilizado en los estudios referenciados (punto 2.3) se basa
en los llamados cuestionarios CEPEA (Cuestionario de evaluación de procesos de
Estudio y Aprendizaje) para el alumnado universitario, traducido por Alfonso Barca
Lozano (1999) del original "The study Process Questionaire (SPQ): Manual
Hawthorn”, de Biggs (1987), con una segunda versión (Biggs, 2001), y el MEVA
(Motivaciones, expectativas y valores-intereses relacionados con el aprendizaje)
publicado por Alonso (2005) así como el MSLQ (Motivated strategies for learning
questionnaire) usado por Wolters, Pintrich y Karabenic (2003) para el autoaprendizaje
en e-learning, enfocándolos a las necesidades específicas de cada investigación.
98
Por ejemplo la variable utilidad de la seguridad, se construye con preguntas del estilo:

a) Considero la seguridad (informática o de navegación) como un tema muy

necesario en el desenvolvimiento de mi actividad diaria

b) La navegación por redes sociales puede ser útil tanto a nivel personal como para
el que se dedique a la investigación o para el profesional.

El análisis de las variables manifiestas: edad, sexo, curso, tipo de acceso se hará de
manera descriptiva e inferencial.

Hemos tenido en cuenta lo que dicen Medina Rivilla y Castillo Arredondo (2003: 258)
al aplicar el cuestionario necesario para conocer fenómenos sociales: « es una forma de
encuesta caracterizada por la ausencia del encuestador, por considerar que para
recoger información sobre el problema objeto de estudio es suficiente una interacción
impersonal con el encuestado». Es decir, se trata de una técnica de recogida de
información a través de las respuestas obtenidas de los encuestados que son
interrogados y en la que las preguntas se realizan siempre en el mismo orden y con los
mismos términos. Esto nos garantiza el orden y la terminología aplicada de forma
sistemática a lo largo del tiempo, siendo válida para posteriores investigaciones que
permiten obtener resultados comparables en el tiempo a poblaciones distintas.

Se utilizan escalas Likert (1932) para medir las variables identificadas como
motivaciones, introduciendo preguntas de control para asegurar coherencias dado el
eminente carácter subjetivo de las respuestas.

El alcance de los resultados obedece a la realidad Nomotética, o búsqueda cuantitativa

de las leyes generales de la conducta, no debiendo olvidar que el descubrimiento solo se
considera logrado cuando ha sido confirmado por los números y repetidas
investigaciones. Como decía William Thomson, más conocido por su título nobiliario
de Lord Kelvin (Holton, 1987: 275):

“Cuando se puede medir aquello de lo que se habla y expresarlo en números, es cuando

se conoce algo de ello; pero cuando no se puede medir, cuando no puede expresarse en
números, el conocimiento es poco satisfactorio; puede ser el comienzo del
conocimiento, pero apenas se ha avanzado, con estos pensamientos, para llegar al
estado de Ciencia, cualquiera que sea la materia de que se trate”
99
 3.2 Táctica para el desarrollo de la investigación

El cuestionario a utilizar debe incluir preguntas para cubrir cada tema de interés, de tipo
explicativo, abiertas y/o cerradas (dicotómicas o Likert), introductorias, de control, de
relleno, tales como: Edad, sexo, curso, años por curso (para el curricular) y, las que
miden las motivaciones, los sentimientos e intereses que producen al encuestado el
aprendizaje de temas de seguridad informática, lo que llamaríamos variables
actitudinales, además del test para medir el nivel de conocimiento de esos temas.

Dado el elevado número de candidatos a ser encuestados (varios centenares)

utilizaremos medios electrónicos para el rellenado y tratamiento de las respuestas por
parte de nuestro público objetivo que serán los alumnos de la Facultad de Informática y
la Escuela de Telecomunicación de la Universitat Politècnica de València. Elegimos esa
población por tratarse de un conjunto de jóvenes que, por su edad y estudios realizados
podemos considerar más afines al uso de las herramientas TIC, dentro del conjunto de
usuarios habituales de estas facilidades puestas al alcance de cualquier individuo en
nuestro entorno.

Nos plantearemos un primer análisis de tipo descriptivo (tablas de frecuencias, medidas

de tendencia central, variabilidad, representaciones gráficas, etc.) con SPSS39, para
establecer perfiles diferentes dentro del grupo de estudio para continuar con un diseño
correlacional (tabulaciones cruzadas, medidas de asociación, indicadores de correlación,
explicación de varianzas), seguido de análisis exploratorios (factoriales) para entender
el grado de influencia de unas variables en otras y conocer cómo se comportan los
sujetos a partir de las variables relacionadas, asegurando la coherencia en las respuestas
e idoneidad del planteamiento.

Cuando hablábamos de los objetivos de la investigación, en el punto 1.2, nos

preguntábamos sobre los factores de actitud y motivación con mayor influencia sobre
los conocimientos sobre seguridad informática necesarios para navegar con mayor
tranquilidad y menor riesgo y si sería posible conseguir un cambio en dichas actitudes.
A la vista de la literatura consultada y siguiendo su forma de proceder, para responder a

39
Statistical Package for the Social Sciences

100
la primera pregunta y reflexionar sobre la segunda, se construirá y analizará un modelo
conceptual con ecuaciones estructurales confirmatorio sobre las actitudes que influyen
en el desempeño de los estudiantes. Dicho modelo incluirá un gráfico en el que se
especifiquen las relaciones supuestas entre el conjunto de variables latentes (utilidad,
ansiedad, confianza, interés, etc.) que se definirán en nuestro modelo inicial, en el que
se incorporará una variable adicional con el resultado del test de conocimientos,
calificado con una hoja Excel.

Comprobaremos si nuestro modelo inicial, que será similar a los de otras

investigaciones, se ajusta a los datos y responde a nuestras hipótesis de forma que,
comprobando la calidad del mismo, examine una serie de dependencias simultáneas con
la capacidad de representar conceptos no observados en esas relaciones, indicando la
medida de error en la estimación, a la vez que nos facilita averiguar las razones que
justifican determinados comportamientos en los diferentes grupos de alumnos, así como
sus hábitos y medidas adoptadas de acuerdo a su conocimiento sobre prácticas de
protección, tanto durante el uso de las herramientas TIC como al navegar por la red,
midiendo su preparación y concienciación.

Las estimaciones del modelo se llevarán a cabo usando los métodos del análisis
multivariado (mínimos cuadrados generalizados), con el programa AMOS, de SPSS
que esencialmente consisten en usar dos o más variables para representar el
comportamiento interrelacionado, multidimensional y complejo del proceso de
aprendizaje en sus vertientes individual, grupal y organizacional (Gil, 2005). Dicho
análisis no se basará exclusivamente en criterios estadísticos, sino también en las
formulaciones teóricas iniciales.

Con los resultados obtenidos podremos dar recomendaciones más ajustadas sobre
seguridad a cada perfil, y establecer las normas que se deben seguir para poder navegar
por internet y participar activamente en foros y redes, minimizando los perjuicios que
puedan derivarse de esa misma actuación.

101
 Fig .29: Parámetros de observación del estudio (EP)

Finalizaremos este apartado recordando que el objetivo de la presente tesis es confirmar

que existe una relación directa entre los conocimientos sobre seguridad informática, en
general, y la conciencia sobre los riesgos de privacidad que asumen los alumnos de las
escuelas “más sensibles” de la UPV, como usuarios de redes sociales en internet, siendo
precavidos al navegar por ellas. En función de los resultados que obtengamos
deberemos estudiar y plantear las mejores opciones para minimizar los posibles riesgos
detectados. Ya sean acciones formativas específicas, campañas de comunicación,
recomendaciones sobre inclusión o modificación en temarios, dentro del ámbito
universitario que nos ocupa. Lógicamente, de no confirmarse la hipótesis, deberemos
indagar en las razones que justifiquen las lagunas de conocimiento o sensibilidad, a fin
de proponer las soluciones que se encuentren más adecuadas para evitarlo.

102
 3.3 Modelo inicial de estudio

En base a las investigaciones previas de otros autores, anteriormente descritas en el

capítulo de Marco teórico, nos planteamos el modelo más apropiado para nuestros
objetivos, que será con el que se estudie la muestra de la población seleccionada.

Los factores de motivación que queremos estudiar fueron definidos por Githua y
Mwangi (2003) a través de las variables latentes: interés, confianza, utilidad
satisfacción. A su vez, Jacqueline Eccles y Allan Wigfield (2002) ya habían utilizado
esas mismas variables, así como posteriormente Baca Lobera (2005), Angeles Blanco
(2008), Bayot Mestre (2008), García Clavel y Javier Balibrea (2010) y otros autores
referenciados en el punto 2.3. También nos mostraremos receptivos a otras actitudes,
como la ansiedad, estudiada por diversas teorías relacionadas con las anteriores, que se
verán en la tabla 4, como parte de un constructo determinante de las actitudes de los
sujetos, y la variable manifiesta conocimiento real tanto de herramientas generales
informáticas como específicas de navegación por redes sociales.

Esos factores motivacionales que influyen en el comportamiento tienen las siguientes

características (Eccles, 2002):

 El valor adquirido se basa en la importancia y confianza de hacer bien la

actividad

 El valor intrínseco implica la diversión o entretenimiento de hacer la actividad

 El valor extrínseco es el valor utilitario que se relaciona con los fines obtenidos,

 El valor de esfuerzo, o costo, se refiere a la dedicación o ansiedad que genera

hacer la actividad

Las preguntas adaptadas a nuestro caso serán del tipo que pueden verse en la tabla 3,
utilizadas por otros investigadores en sus casos particulares (p.e. Baca, 2005 respecto
las Matemáticas).

103
 Tabla 3. Indicadores para medir las variables latentes

Constructo o variable Variable observable o indicador

latente

Interés (valor intrínseco) Estudiar sobre seguridad informática es entretenido

Si tuviera oportunidad me inscribiría en cursos de seguridad
Siento curiosidad por las noticias sobre seguridad
Confianza (valor Saber seguridad incrementa mis posibilidades de navegar
adquirido) tranquilo
Me alegra poder resolver dificultades de seguridad
Si me lo propongo llego a dominar bien la seguridad
Ansiedad (costo) Me siento incapaz de comprender algunas cuestiones sobre
seguridad
Estoy preocupado por los riesgos de seguridad
Me altero cuando tengo que resolver un problema de seguridad
Utilidad Pienso que la seguridad es muy necesaria para mi actividad
(valor extrínseco) personal
Ídem para la profesional
Pienso que los conocimientos sobre seguridad son previos a la
utilización de PC´s
Pienso que debo saber utilizar los recursos de protección de mi PC

Fuente: Cuestionario adaptado de Autoeficacia académica de Greene y Miller (1996)

Vamos a comparar en la tabla 4 la convergencia de criterio respecto los constructos

utilizados en los modelos estructurales referenciados, y que corresponden a estudios
similares encontrados en la teoría descrita sobre investigaciones, que utilizaban
variables latentes equivalentes y que pueden verse más detalladamente en el Anexo 1.

Analizando las coincidencias respecto las motivaciones descritas por esos autores en el
siguiente cuadro resumen comprobamos, en primer lugar, el factor común en la mayoría
de ellos sobre la importancia de Utilidad y Confianza.

104
 Tabla 4. Motivaciones descritas por autores consultados

Variable latente Davis Baca Martínez Sánchez Lorenzo Rejón

Utilidad X X X X X X
Facilidad X X X
Actitud X X X
Interés X
Ansiedad X X
Confianza X X X X
Conocimientos X X
Motivación X
Satisfacción X
Riesgo X

Intención X X

Normas X
Imagen X

Fuente: EP

En nuestro caso particular, debemos añadir la necesidad de la variable “Conocimientos”

para cumplir con los objetivos de la investigación y también la del factor Interés pues
tiene una componente de Motivación-Intención-Actitud definido por cada autor. Sin
olvidar incluir en la Ansiedad el reflejo del Riesgo.

En consecuencia, vamos a partir de las variables definidas por Githua y Mwangi (2003)
y utilizadas por Baca Lobera (2005) para definir nuestro modelo del grafo 1, sobre las
que aplicaremos las variables de control, independientes y exógenas, para cada caso de
estudio.

105
 Grafo 1. Modelo estructural teórico – (EP)

También hemos tenido en cuenta que, como decía Sáez (2004: 252): “en cualquier
modelo conceptual hay que elegir los elementos que más convienen, según la situación
para la que esté previsto aplicarse”. Avalado por Beer (1985) quien confirmaba que un
modelo no es verdadero o falso, sino más o menos útil, citado por Sáez (2004)

Revisando la convergencia de criterio respecto trayectorias de causalidad en los grafos

mostrados en los modelos estructurales de estos mismos estudios y que, como hemos
dicho, pueden verse más detalladamente en el Anexo 1, encontramos las analogías
siguientes (para facilitar la comprensión del lector, se resaltan con círculo rojo las
direcciones causales de los constructos de nuestro interés utilizados en cada estudio):

106
 Vinculación entre Utilidad y Facilidad, respecto la Actitud, indicando
causalidad entre la Utilidad percibida y la Actitud hacia el uso (Interés)

Modelo TAM de aceptación de la Tecnología (Davis, 1985)

 Relación entre Utilidad, Facilidad, Normas, Imagen e Intención, donde

también se anticipa causalidad entre Utilidad e Interés por el uso

Modelo de aceptación de redes sociales de microblogging (μBTAM) (Rejón;

Liébana y Martínez, 2011).

107
  Influencias entre variables Utilidad, Confianza y Actitud, siendo estudiada la
Utilidad como causa de la Actitud (Interés) y de ambas sobre Confianza

Modelo de confianza del consumidor en la compra a través de internet (Martínez et

al, 2006)

 Efectos entre Utilidad, Confianza, Riesgo, Facilidad, Actitud e Intención,

basado en el modelo de Davis con la Utilidad causa de la Actitud e Intención
pero como efecto de Confianza, según un tipo de hipótesis no refrendado

Modelo causal utilizado en la adopción de redes sociales virtuales (Lorenzo, 2011)

108
  Relaciones entre Utilidad, Interés, Ansiedad, Confianza y Conocimientos

Modelo causal utilizado en investigación educativa (Baca, 2005)

Este modelo nos señala las siguientes causalidades:

Utilidad  Interés

Utilidad  Confianza

Interés  Confianza

Interés  Ansiedad

Entre latentes y nivel de Conocimientos

109
  Motivación, Confianza, Utilidad, Ansiedad, Satisfacción, Conocimientos

Modelo causal utilizado en la enseñanza-aprendizaje de Matemáticas (Sánchez,

2009)

En este caso se invierte la causalidad entre Utilidad y Confianza, pero también se

relacionan las latentes con el nivel de Conocimientos

Desde el modelo genérico inicial propuesto en el grafo 1, indicaremos en el siguiente

grafo (1bis) las relaciones causales (resaltadas en rojo) que recogen las motivaciones de
los modelos descritos por la teoría revisada, añadiendo la posible influencia entre
Utilidad y Riesgo, o sensación de Ansiedad o estrés40, propuesto adicionalmente por el
modelo de Lorenzo (2011) para el caso de redes sociales (en el que obtiene resultado
negativo  inverso) y siendo de interés para el nuestro.

40
Recordando la nomenclatura:
Ansiedad estrés =…= -facilidad percibida = riesgo
Interés = atractivo = agradable = actitud positiva hacia… = intención de uso
Confianza
Utilidad
Aciertos = nota

110
Grafo 1bis. Modelo estructural causal teórico – (EP)

111
 3.4 Hipótesis

En muchos trabajos de investigación cuantitativa los objetivos de investigación se

formulan como una o más hipótesis, pudiéndolas definir como una suposición sobre las
características con las que se da en la realidad el fenómeno social en estudio; o bien
como una conjetura de las relaciones que se dan entre características o variables de ese
fenómeno. Como un problema de investigación es una pregunta que se plantea el
investigador con el propósito de darle una respuesta correcta, también se puede decir
que la hipótesis es la respuesta anticipada que el investigador propone a la pregunta,
respuesta que someterá a verificación empírica con los datos que recoja, ya sea de
manera directa o indirecta. Además, no toda suposición es una hipótesis, lo es cuando
ella se formula dentro de un conjunto de conocimientos ya acumulados sobre el objeto
de investigación o dentro de la problemática teórica o práctica que lo rodea. En este
caso, esos conocimientos constituyen el fundamento de la hipótesis (Briones, 2002)

Las hipótesis científicas son enunciados teóricos supuestos, no verificados pero

probables, referentes a variables o la relación entre variables que se pueden definir
como soluciones probables previamente seleccionadas al problema planteado que el
científico propone para ver si son confirmadas por los hechos, a través de todo el
proceso de la investigación.

Nos guían y orientan el proceso de la investigación. Formular hipótesis, antes de

recolectar los datos, es como hacer apuestas previas y luego echar los dados. El
científico apuesta a que los hechos se producirán conforme a lo planteado en sus
hipótesis y busca la evidencia de los hechos que las corroboren o contradigan. No es
posible el camino contrario en el que un investigador recoge datos de la realidad y en
función de ellos formula hipótesis adecuadas a los hechos hallados. Las hipótesis se
deben plantear antes de recoger la evidencia empírica y el investigador debe orientarse,
en su actuación, según lo hipotéticamente planteado. En definitiva, como decía Darwin:
“todas las observaciones han de ser a favor o en contra de algún punto de vista si se
quiere que sean útiles” (Kerlinger, 2002: 26).

112
Según Ruiz (2006), la hipótesis es una suposición que establece relaciones entre los
hechos o fenómenos, mediante dos o más variables (independiente y dependiente), y a
la que todavía falta una comprobación, usando términos inequívocos, sin ambigüedades
en la interpretación y debiendo evitar el uso de términos valorativos.

Existe una estrecha relación entre la determinación del problema a investigar y las
hipótesis. Podríamos incluso decir que la formulación de hipótesis es la operación
subsiguiente a la determinación del problema en el proceso investigador.

En la literatura referenciada se formulan diversos tipos de hipótesis que intentan

averiguar las relaciones entre las percepciones (Utilidad, Confianza, Ansiedad e Interés)
por los diversos aprendizajes, con los conocimientos adquiridos o pendientes de
conseguir y se analizan para distintos grupos de alumnos.

Fig .30: Latentes comunes (EP)

Hemos visto algunas agrupaciones de hipótesis que convergen con las principales
dimensiones (utilidad, facilidad de uso y actitud) del modelo TAM (Davis, 1985) con la
confianza y la percepción de riesgo.

Fig .31: Influencias en la actitud (EP)

113
La facilidad de uso tiene una relación directa con la actitud, reduce el esfuerzo para
conseguir los resultados (Davis et al, 1992) e implica también a la utilidad (Davis,
1989; Davis et al, 1989; Shih, 2004; Liaw y Huang, 2003). Es decir, deberíamos
plantear una hipótesis sobre las relaciones entre la facilidad de uso percibido respecto
las redes sociales y su influencia positiva sobre la actitud y la utilidad hacia estas
plataformas. En nuestro caso concreto, la sensibilidad por la protección de su
información y privacidad son factores a considerar.

A su vez, tanto la facilidad de uso, como la utilidad percibida forman parte de la actitud
(Davis et al, 1989) lo que nos lleva a considerar que la utilidad percibida tiene
influencia positiva sobre la actitud hacia las redes sociales.

Fig .32: Relaciones actitudinales (EP)

Por otra parte, la confianza es importante para conseguir nuevos usuarios. De hecho ya
lo definimos en el apartado 2.1.2 de desarrollo del uso de internet. Ejerce un efecto
determinante sobre la intención de uso y la actitud, demostrado empíricamente (Alsajjan
y Dennis, 2006; Shin, 2008). Con una mayor confianza necesitamos menos esfuerzo
para navegar por las redes sociales y son más fáciles de usar, lo que nos lleva a que la
confianza tiene efecto sobre la utilidad percibida (Alsajjan y Dennis, 2006; Pavlou,
2003). Con lo cual, deberíamos enunciar hipótesis sobre la influencia de la confianza
sobre la actitud hacia la utilización de redes sociales, sobre la utilidad percibida y sobre
la facilidad de uso.

114
 Fig .33: Influencias de la confianza (EP)

Con respecto al riesgo, disminuye la utilidad percibida, la intención y facilidad de uso

(Pavlou, 2003) y nos lleva a plantearnos hipótesis sobre estos efectos negativos.

Fig .34: Influencias del riesgo (EP)

En nuestra investigación, la lógica de los programas educativos de las respectivas

titulaciones nos debe llevar a formular las afirmaciones que, como propuesta de
hipótesis, queremos contrastar.

El orden en que las vamos a enunciar no indica su importancia sino que es más bien un
orden lógico en el que comenzamos planteando las hipótesis relacionadas con los
objetivos específicos (Henº), agrupándolos por los perfiles básicos de seguridad,
seguimos con las hipótesis (Hnº) vinculadas a las motivaciones de los alumnos al
utilizar las herramientas TIC y terminamos con las hipótesis vinculadas con el objetivo
general (Hgnº):

a) Para los objetivos específicos:

 Respecto la protección de sus equipos vamos a comprobar las siguientes

afirmaciones, observándolas en función de sus conocimientos:

115
  He1: Los alumnos TIC aprovechan el uso de contraseñas para proteger
sus equipos y/o archivos

 He2: Los alumnos TIC utilizan copias de seguridad para salvaguardar su

información

 He3: Los alumnos TIC mantienen actualizados recursos de protección

 He4: Los alumnos TIC están informados de las novedades de seguridad

informática

 He5: Los alumnos TIC cuidan la privacidad de su actividad en la red,

procurando no dejar rastro de la misma

 Respecto los factores de motivación o percepciones de Utilidad, Confianza,

Ansiedad e Interés:

 H1: Podemos establecer que existe covarianza positiva entre los valores
de utilidad percibida por los alumnos encuestados, interés por el
conocimiento de prácticas de seguridad y preocupación por las posibles
consecuencias de la navegación por internet.

 H2: La percepción de utilidad de las herramientas de seguridad favorece

el acercamiento a su conocimiento; es decir, comporta mayor interés

 H3: La confianza alta se asocia positivamente con la privacidad

 H4: La confianza alta se asocia positivamente con la protección

 H5: La preocupación alta por la privacidad se asocia positivamente con

las medidas de protección

 H6: Los alumnos con más conocimientos se sienten más atraídos por el
uso de medidas de seguridad

 H7: Los alumnos con más conocimientos sienten más útiles las medidas
de seguridad

 H8: Los alumnos con mayores conocimientos cuidan más su privacidad

116
  H9: Los alumnos con mayores conocimientos cuidan más su protección

 H10: Los alumnos con menos conocimientos se estresan más fácilmente

 H11: Los alumnos con menos conocimientos tienen menos confianza

 H12: El modelo teórico queda ajustado a través de los factores de

conocimientos, interés, utilidad y preocupación

 H13: Los alumnos que cuidan su privacidad ajustan mejor el modelo

propuesto

 H14: Los alumnos que protegen sus datos ajustan mejor el modelo
propuesto

b) Para el objetivo general, además de los específicos vistos y completarán la

respuesta a nuestras preguntas, utilizaremos las siguientes hipótesis para cuando
navegan por redes sociales:

 Hg1: Los alumnos TIC definen su perfil, adaptándolo a sus necesidades

y/u objetivos

 Hg2: Los alumnos TIC son cuidadosos con sus datos personales

 Hg3: Los alumnos TIC son prudentes cuando se expresan

Los propios resultados podrán recomendar nuevas aseveraciones a tener en cuenta.

117
 4.- METODOLOGÍA

"Probamos por medio de la lógica, pero descubrimos por medio de la intuición"

(Henri Poincaré)41

41
Matemático, físico, científico teórico y filósofo de la ciencia francés. (1854-1912)
 4.1 Metodología para el estudio de campo de la tesis

doctoral

En toda investigación es fundamental asegurar que los hechos y relaciones que

establecemos, o los resultados y nuevos conocimientos obtenidos, tengan la mayor
exactitud y confianza. Para lograrlo planificamos la metodología, o procedimiento
ordenado, que tuvimos que seguir para establecer las conclusiones hacia las que
encaminamos nuestra investigación.

Desde un punto de vista meramente científico, podemos asegurar que la metodología es

el procedimiento general para lograr de una manera precisa el objetivo de la
investigación. En consecuencia, la metodología nos servirá para determinar los métodos
y técnicas para la investigación.

El tipo de investigación de nuestro caso será el descriptivo correlacional con el

propósito de describir cierta situación, especificando propiedades de personas bajo el
fenómeno sometido a análisis, para lo que seleccionaremos una serie de cuestiones que
serán medidas para poder detallar lo investigado, analizando las variables propuestas y
el grado de relación entre varias de las propuestas, verificando si están relacionadas o no
en los mismos sujetos para intentar conocer cómo se comportan sabiendo la evolución
de otras variables relacionadas. Esta correlación podrá ser positiva o negativa según
sigan la misma tendencia, o contraria o ninguna, en las variables analizadas.

La población quedará determinada por las características que la definen, llamando así al
conjunto de sujetos que tengan algo en común, en nuestro caso la de estudiantes de
técnicas TIC de la UPV. Esta población es la que recibe mayor formación sobre el
fenómeno que vamos a estudiar y es la que da origen a los datos de la investigación.

Una vez obtenidos los datos por los medios definidos para este fin hay que procesarlos;
o sea, elaborarlos matemáticamente, ya que su cuantificación y su tratamiento con
herramientas estadísticas nos permitirán llegar a conclusiones en relación con las
hipótesis planteadas. Para dicho proceso de datos, utilizaremos algunos de los
programas de ordenador más habituales y de reconocido prestigio.

119
Es necesario elaborar muy detalladamente la investigación de campo que vamos a
seguir (cuestionarios, encuestas…) compatibilizándola con una investigación más de
tipo documental, concretamente hemerográfica (basada en artículos y estudios en
revistas y periódicos especializados). Este conocimiento hace posible evitar
equivocaciones en la elección del método adecuado para un procedimiento específico.

Abordamos la investigación partiendo de los conocimientos de educación básica sobre

procedimientos TIC de los estudiantes, ya que van a estar siempre presentes en la forma
de actuar de nuestra población y nos informan sobre el alcance que se debería dar a
nuestro estudio. Sin querer cometer uno de los fallos más comunes en muchas
investigaciones que hemos anticipado anteriormente, la falta de delimitación del tema o
exceso de ambición, por lo que es necesario tener muy claros los objetivos y el camino
que se va a recorrer con la investigación para que esta pueda terminar donde queremos.

Vamos a exponer las etapas metodológicas utilizadas para evaluar y analizar el modelo
de nuestra investigación. Para facilitar el soporte teórico hemos incluido en el Anexo 2
(puntos A.x) una descripción de las razones del uso cada vez más frecuente de los
métodos cuantitativos dentro de las Ciencias Sociales mediante un pequeño preámbulo
de la investigación científica en las ciencias, así como los conceptos estadísticos
utilizados en la presente tesis (Anexo 2 puntos D.x). Con este fin, presentamos los
conceptos básicos para ayudar a la comprensión de la metodología. Además se
plantearon los pasos a seguir para un análisis multivariante con ecuaciones estructurales
(Anexo 2 puntos E.x). Las ecuaciones estructurales se aplican en estudios sociológicos
acerca del uso de las redes sociales y en investigación educativa se utilizan para el
estudio de la motivación por el aprendizaje y el uso de las nuevas tecnologías para la
enseñanza, entre otras. Manzano y Zamora (2009).

El primer paso es la elección de tipo de encuesta a realizar (Anexo 2 puntos B.x), para
continuar con la elaboración de cada uno de los elementos del cuestionario sobre las
estructuras organizativas y sobre el constructo.

El modelo estructural y los modelos de medida de las variables exógenas y endógenas

del tema a investigar se desarrollan en los siguientes apartados del presente estudio y,
junto con las Hipótesis que deberemos verificar, dan lugar al modelado de ecuaciones
estructurales a analizar. Dicho modelo se expone a través de diversas representaciones

120
como en un diagrama de caminos, a través de ecuaciones y en forma matricial. Una vez
definido el modelo de ecuaciones estructurales, se procede a diseñar el cuestionario para
la obtención de información cuantitativa para el análisis del modelo anterior.

En el presente Capítulo se exponen los criterios seguidos para la selección de la muestra

utilizada en la investigación, así como el tamaño mínimo necesario para obtener un
valor significativo razonable, estadísticamente válido.

121
 4.2 Herramientas estadísticas utilizadas

Las Ciencias Sociales, con frecuencia estudian conceptos no físicos y abstractos

denominados constructos, que sólo pueden medirse de forma indirecta a través de
indicadores. Para tratar el conjunto de muestras necesarias para poder captar de forma
adecuada la complejidad de los fenómenos en estas áreas, se han implantado métodos
multivariantes o multivariables, los cuáles permiten analizar simultáneamente conjuntos
amplios de variables. El número de métodos y técnicas multivariantes utilizado es muy
amplio. Entre las más comunes destacan la regresión múltiple, el análisis factorial, el
análisis multivariante de la varianza, y el análisis discriminante para determinar que
cada constructo es significativamente diferente del resto (Anexo 2 puntos D.x).
Utilizaremos el software SPSS para el análisis de nuestro caso. Cada una de estas
técnicas es una poderosa herramienta a la hora de tratar un amplio abanico de cuestiones
prácticas y teóricas, sin embargo todas las mencionadas tienen una limitación en común:
sólo pueden examinar una relación al mismo tiempo.

La utilización del modelo de ecuaciones estructurales se considera una extensión de

varias de las técnicas multivariantes como la regresión múltiple, el análisis factorial
principalmente y el análisis de senderos. El modelo de ecuaciones estructurales abarca
una familia entera de modelos conocidos por muchos nombres, entre ellos análisis de la
estructura de covarianza, análisis de variable latente y análisis factorial confirmatorio.

Los Modelos de Ecuaciones Estructurales son muy útiles para estudiar las posibles
relaciones causales de tipo lineal sobre estos conceptos. No prueban de forma
determinante la causalidad, pero facilitan la labor del investigador en la toma de
decisiones, negando las hipótesis causales cuando se contradicen con los datos, esto es,
con la estructura de covarianzas o correlaciones subyacente entre las variables. Se trata
de una técnica que combina tanto la regresión múltiple como el análisis factorial (Casas,
2002)

122
Combinando todos esos conceptos podemos describir, gráfica y analíticamente las
relaciones que creemos existen entre nuestras variables observables y entre estas y las
no observables, tomando en cuenta la dirección de cada una de tales relaciones. A partir
de nuestra información muestral podemos estimar tales relaciones y juzgar su
importancia simplificando los diagramas iniciales hasta obtener un modelo
parsimonioso, el más simple, en el que cada variable tiene cierta relación con las demás
pero sin redundancias que miden lo mismo y con correlaciones que explican el modelo.

Paralelo al camino estadístico hacia estos modelos de ecuaciones estructurales (SEM,

por Structural Equations Model) ha habido un desarrollo computacional representado
por software como AMOS asociado al paquete estadístico SPSS. Se trata de una
aplicación que crea modelos de ecuaciones estructurales para apoyar teorías e
investigaciones yendo más allá de los métodos de análisis multivariante, regresión,
análisis factorial, correlaciones o análisis de varianza. Al presentar nuestro modelo a
través de AMOS obtendremos las posibles relaciones entre las variables. De hecho,
cualquier variable numérica, tanto observada como latente, se podrá utilizar para
predecir otra variable numérica, desarrollando modelos de actitud y comportamiento
que reflejen relaciones complejas de forma realista. AMOS incluye opciones ampliadas
de estadística basadas en la estimación Bayesiana. Aprovecharemos la funcionalidad
que permite analizar datos de distintas poblaciones simultáneamente, tales como grupos
étnicos múltiples. No solo se evalúan esas complejas interrelaciones de dependencia, al
mismo tiempo también se incorporan los efectos del error de medida sobre los
coeficientes estructurales.

La estimación de cualquier tipo de modelo estadístico es su interrelación al

planteamiento de una teoría debidamente asentada en el área de conocimiento pertinente

Esto es particularmente exigible en un área de modelamiento tan flexible como la de las

Ecuaciones Estructurales, lo que se refleja en la preocupación por especificar e
identificar el modelo. El primer aspecto se refiere al correcto planteamiento del sistema
de ecuaciones en función de la teoría subyacente (cumplimiento de supuestos básicos,
definición de algunos parámetros como fijos y otros como libres o estimables); el
segundo tiene que ver con que la cantidad de información disponible sea suficiente para
tener una estimación única de los parámetros libres, más de una o ninguna.

123
La metodología de Modelos de Ecuaciones Estructurales es un área de la Estadística en
desarrollo siendo muy joven frente a los modelos de regresión o el análisis factorial.
Tiene un carácter más confirmatorio que exploratorio; de hecho, el Análisis Factorial
Confirmatorio es un caso particular de los Modelos de Ecuaciones Estructurales. La
mayoría de las técnicas multivariadas son de carácter exploratorio, ya que buscan
patrones generales definidos por los propios datos observados. El SEM, por el contrario
es de carácter confirmatorio: el diseño de relaciones entre las variables debe ser
explicitado a priori sobre la base de expectativas teóricas, como hemos hecho en nuestro
caso desde los modelos descritos del Anexo 1. Esta característica distintiva de este tipo
de modelos, los hace especialmente adecuados para testear modelos teóricos mediante la
utilización de datos empíricos.

Se parte de una hipótesis, teóricamente pertinente en el contexto de interés. Una ventaja

de este enfoque es su capacidad de elaborar constructos que estiman las variables
latentes en función de algunas variables medibles. Los modelos SEM expresan la
relación entre distintas variables, las cuales pueden ser directamente observables o no
observables (Loehlin, 1992; Schumacher y Lomax, 1996).

Los modelos de ecuaciones estructurales se componen de dos modelos que son

complementarios, el de medición y el estructural, propiamente dicho. El modelo de
medición incluye las correlaciones entre cada constructo y las variables observables que
lo definen. El modelo estructural es aquel componente del modelo general que describe
relaciones causales entre variables latentes. Las relaciones entre las variables
dependientes e independientes, sean medibles o latentes, se incluyen cuando estas
variables no actúan como indicadores de las variables latentes (Bentler y Bonett, 1980).

El modelo estructural se representa como: η=βη+Γξ+υ, donde:

η representa el vector de las VLs endógenas, ξ el de las exógenas,

β es la matriz de impactos para η, y Γ para ξ, con υ como vector de residuos

Las ecuaciones estructurales lineales representan las relaciones estructurales

representando la línea de causalidad entre las variables latentes, endógenas. Hay tantas
ecuaciones como constructos endógenos que sean explicados por otras variables
exógenas (latentes u observadas).

124
Los siguientes seis pasos caracterizan el desarrollo de un SEM:

 Especificación del modelo

 Estimación de los parámetros libres

 Evaluación del ajuste del modelo

 Modificaciones del modelo

 Interpretación y comunicación

 Replicación y revalidación.

Lo esencial es tener un amplio conocimiento (teórico y práctico) del área de aplicación

para poder formular una hipótesis razonable y sostenible desde la que iniciar el modelo.
Silva y Schiattino (2008).

Basándonos en el conocimiento teórico, diseñaremos el modelo que intente representar

de forma sencilla la realidad subyacente en las variables latentes, especificando las
relaciones entre ellas. El modelo es la representación gráfica de las relaciones existentes
entre los factores y variables que nos van a permitir establecer el diagrama estructural
de forma que simplifiquemos la realidad compleja que implica. La hipótesis de partida
de todos estos modelos es que reproducen exactamente la estructura de varianzas y
covarianzas de las variables objeto de estudio, aunque como ya se ha dicho no
corroboran ni contradicen la existencia de causalidad.

Se formulan enunciados sobre el conjunto de parámetros, decidiendo entre los que serán
libres para ser estimados o fijos, a los que se les asignará un valor dado, normalmente
cero. Especificamos los supuestos estadísticos sobre las fuentes de variación y en
concreto sobre la forma de distribución conjunta, que en la mayoría de las técnicas
empleadas se considera normalidad multivariante. Y precisaremos el comportamiento
de las variables no incluidas en el modelo, cuyo efecto se recoge en los términos del
error de medida o de perturbación (Cupani, 2008). Habremos cubierto las etapas que
aparecen en la figura 35.

125
 Fig. 35: Fundamentación teórica del modelo de ecuaciones estructurales
Fuente: Hernández (2001).

El siguiente paso será probar el modelo, realizar la medición de la bondad de ajuste

entre el modelo inclusivo y el restringido que nos dará la diferencia existente entre el
modelo descrito con todas las variables correlacionadas entre sí y el modelo propuesto
en el que se limitan esas correlaciones. El resultado debe implicar que el modelo
restringido propuesto no debe ser diferente del modelo teórico, inclusivo, en términos
de poder explicativo. Las medidas absolutas de ajuste determinan la aproximación con
la que conseguimos que el modelo global (de medida y estructural) sea predictor de la
matriz de datos. Este modelo lo generará el propio programa estadístico.

Para especificar el modelo de medición del sistema de ecuaciones estructurales, se hace

una transición desde el análisis factorial, en el que el investigador no tiene el control
sobre qué variables describen cada factor utilizando un análisis exploratorio, a un modo
confirmatorio, en el que el investigador si especifica qué variables definen cada
constructo.

126
Por lo tanto, el modelo de medición representa las relaciones de las variables latentes (o
constructos) con sus indicadores (o variables empíricas). Para cada constructo que
aparezca en el modelo es necesario determinar cuáles serán sus indicadores. Estas
variables latentes son variables no observadas, que resultan de las covarianzas entre dos
o más indicadores. Son las que representan a los conceptos en los modelos de medición.

El objetivo fundamental del modelo de medición es corroborar la idoneidad de los

indicadores seleccionados en la medición de los constructos de interés (figura 36).

La ecuación del modelo de medición mide la relación entre variables exógenas latentes
y manifiestas. Las interrelaciones entre las variables latentes se indican mediante sus
covarianzas. Las relaciones de las variables latentes con sus indicadores se definen
como “direccionales”, de cada variable latente a su manifiesta, y no a la inversa.

La claridad del modelo viene determinada por el grado de conocimiento teórico que
tengamos sobre el tema de estudio, si la información es poco exhaustiva o detallada, la
asignación de los parámetros será confusa a priori, por lo que tendríamos que realizar
diversos análisis exploratorios de los datos hasta configurar el modelo, y efectuar el
análisis confirmatorio del mismo. Diversos indicadores nos darán información sobre el
ajuste (bondad) del modelo en cuestión (Anexo 2 puntos E.x).

El modelo de ecuaciones estructurales es el que realmente se quiere estimar y es

resultado de la combinación del modelo estructural y del modelo de medición de cuyo
resultado aparece un modelo comprehensivo de relaciones entre variables endógenas y
exógenas, latentes y manifiestas. Contiene los efectos y las relaciones entre los
constructos (variables latentes) y es similar a un modelo de regresión que puede
contener efectos concatenados y bucles entre variables, además de los errores de
predicción. Ruiz (2010).

127
Fig. 36: Fundamentación empírica del modelo de ecuaciones estructurales
Fuente: Hernández (2001)

128
 4.3 Calendario de actuaciones

Durante el verano de 2010 y primer semestre del curso 2010-11, elaboramos el diseño
de la Metodología a seguir, supervisada por los directores, profesores del dptº. de
Organización de Empresas, D. Juan Vicente Oltra y D. Hermenegildo Gil Gómez,
buscando soporte complementario en el profesorado del Dpto. de Estadística e
Investigación Operativa Aplicada y Calidad.

Como etapa inicial para abordar el estudio del alcance del riesgo asumido por los
usuarios en la navegación por redes sociales, consideramos prioritario asegurarnos de
que los conceptos básicos sobre seguridad informática (protección de accesos, adopción
de contraseñas, instalación de antivirus y firewalls, generación de copias de seguridad,
etc.) se cumplen de forma que podamos continuar nuestro estudio sobre la forma de
desenvolverse a la hora de utilizar recursos más complejos, estableciendo
comparaciones entre la forma de navegar por internet, publicar información y/o
sincerarse en función de su perfil previo de seguridad básica de actuación.

Se prepararon algunos cuestionarios para los alumnos con el objeto de responder a las
diferentes cuestiones planteadas, haciendo varias preguntas para cubrir cada tema:

1. Para el ambiente sociocultural del alumno, se preguntaba la edad, el sexo y la

dedicación a navegar por internet.

2. Para el ambiente curricular de sus antecedentes escolares, se hacían preguntas

sobre: curso y años por curso hasta la fecha.

3. Para las motivaciones, intereses y sentimientos que le produce el aprendizaje de

temas de seguridad informática; es decir, las variables actitudinales, se aplicó un
cuestionario con cinco variables observables, con escala de Likert (Anexo 2 puntos
C.x), para construir las variables latentes de: ansiedad (esfuerzo, costo), confianza
(valor adquirido), interés (valor intrínseco) y utilidad (valor extrínseco), sobre los
beneficios que el alumno percibe con sus conocimientos de seguridad.

4. Para medir los conocimientos utilizamos un cuestionario que consta de varias

preguntas calificadas, dentro de un test en el que se plantean procedimientos

129
 básicos de seguridad, desde establecer passwords hasta conocimientos un poco más
profundos, que servirá para contrastar la idoneidad de las respuestas actitudinales, y
determinar el nivel de una nueva variable llamada “nota”, calificando el test
usando funciones de Excel (Buscar-Reemplazar por columnas comparando y
asignando +/- 1 y sumando posteriormente las columnas de cada encuestado).
Anexo B2

La información solicitada a través del cuestionario de la encuesta es la incluida en el

Anexo A3 y se redactó partiendo de preguntas referidas a los puntos que se quieren
analizar.

En la primera quincena del mes de mayo de 2011 desarrollamos un borrador de

cuestionario de la encuesta. Aprovechamos la información obtenida al hacer un piloto
de la misma con un grupo de alumnos de la Licenciatura de Comunicación Audiovisual
del campus de Gandía. Esta experiencia nos permitió verificar la bondad de la misma,
tanto desde el punto de vista de comprensión, extensión, etc., como desde el punto de
vista de recogida de información, proceso y conclusiones.

En paralelo, debíamos concretar el alcance y perfiles en las respectivas Escuelas /

Facultades sobre los cursos a los que pasar la encuesta, realizando las gestiones
necesarias para tal fin.

Hicimos dos pilotos previos de carácter presencial con pequeños grupos de alumnos de
cuarto de ingeniería de Telecomunicación al final del curso 2010-11 y principio del
2011-12 para asegurar la comunicación, idoneidad de la redacción de las preguntas de la
encuesta, así como el entendimiento de las mismas, y/o propuestas que pudiesen hacer
los propios encuestados que nos permitiese confiar en el entendimiento de la redacción,
aprovechando cuestionarios adaptados para estudios en universidades sudamericanas.

El primer piloto se hizo en clase a 25 alumnos, aprovechando unas tutorías en el mismo

mes de mayo-2011. Se propuso el cuestionario a los “alumnos objetivo”, siendo
rellenados por los que, voluntariamente, quisieron participar, en soporte de papel, y con
un número excesivo de preguntas y perfiles de usuarios (Anexo A1).

130
Solicitamos a los encuestados que nos hicieran comentarios sobre el cuestionario para
mejorar su entendimiento y, con sus sugerencias (resaltadas en el Anexo A1) y la
observación de las respuestas, modificamos la redacción de algunas preguntas para
facilitar su cumplimentación.

A lo largo de los meses de verano de 2011 (julio-agosto) codificamos las encuestas

(Anexo A), tal como se indica en el siguiente apartado para su tratamiento por la
aplicación estadística SPSS disponible en la UPV, y las analizamos con ese software ya
que proporciona los resultados estadísticos necesarios para evaluar la situación real de
riesgo que tratamos de analizar y nos facilita las conclusiones necesarias que indiquen el
camino a seguir para minimizarlo.

Mejoramos la siguiente versión de encuesta con algunas cosas como las siguientes:

 Se concretaron mejor algunas alternativas de respuesta para diferenciar mejor,

eliminar ambigüedades y no tener ortografías ininteligibles en preguntas abiertas.

 Algunas preguntas con respuesta dicotómica se adaptaron utilizando escalas

Likert de cinco posibilidades para mayor información y coherencia en el análisis.

 Se simplificó reagrupando preguntas que medían variables similares.

 Modificamos la redacción de algunas preguntas para clarificarlas.

 Incluimos preguntas de control (sobre protección de acceso al PC) para asegurar

coherencias.

 Se eliminaron preguntas de percepción puntual dependientes de causas externas

o relativas a incidencias tenidas en el pasado.

 Se reordenaron, juntando las variables que medían percepciones homogéneas.

Incluso algunas preguntas vimos que no nos aportaban información sobre actuación,
como por ejemplo:

La 51: “Usando Wi-fi en casa noto que, a ratos, varía la velocidad”, cosa que puede
producirse por pirateo o por servicio

131
La 53: “En alguna ocasión he tenido problemas con algún virus”, cuando lo importante
es saber si he aprendido

Las 58 y 59: “Cuando envío un mail a varios destinatarios, utilizo la copia oculta” /
“Cuando envío un mail a varios destinatarios, direcciono a todos directamente para
que sepan a quien se lo he enviado”, lo cual puede ser intencionado o no; es decir,
depende de la circunstancia.

La 75: “Me las leí en su totalidad y las acepté”, no significa nada reseñable, podrían
parecerle bien

El segundo piloto (Anexo A2), se hizo con otros 35 alumnos del mismo curso que los
anteriores y también en soporte de papel, nos sirvió para matizar algunos aspectos tales
como:

 Excesivo tiempo dedicado a la codificación manual y rellenado de la hoja Excel.

 Alto riesgo de errores que exigía repasar los datos, con mayor dedicación.

 Facilitar la codificación eliminando alternativas que permitiesen marcar varias

respuestas por variable y tuviésemos que considerarla categórica y analizar por
separado

 Pudimos eliminar algunas preguntas que resultaban muy generales, válidas para
otros ámbitos, pero que en la población encuestada eran obvias.

 Homogeneizamos la dirección de las escalas (creciente-decreciente).

 Había que recolocar alguna pregunta condicional (la de finalizar la encuesta si

no se era usuario de redes sociales)

 Alguna pregunta podía inducir a interpretaciones diferentes. La 47 (Cuando

envío un mail a varios destinatarios, algunas veces utilizo la copia oculta) y la 48
(Cuando envío un mail a varios destinatarios, algunas veces direcciono a todos de
forma abierta para que sepan a quien se lo he enviado) con alternativas tipo
algunas veces (que puede ser lógico) versus siempre o nunca

132
Mantendremos las dos preguntas sobre la protección de acceso al PC para verificar
coherencia de respuestas al 100%

Hemos reducido de 95 a 66 las cuestiones planteadas, fundamentalmente en:

1) Perfil de usuario (hemos pasado de 33 a 17, de los que 8 son las redes sociales a
las que se conectan y 6 definen el tipo de usuario de red)

2) Actuación, forma de actuar en el día a día, donde hemos reducido de 32 a 25.

3) el test de conocimientos lo hemos reducido de 13 a 11 preguntas, eliminando

ambigüedades y cambiando alguna. Anexos B y B1.

Entre las preguntas eliminadas se encuentran:

 Si el usuario utiliza PC portátil o sobremesa,...por carecer de interés en el estudio

 La de percepción de variación de velocidad de WiFi, por depender del servicio

del operador, de la hora de conexión….

 Tampoco aporta nada el hecho de que “alguna vez” haya tenido virus.

 Se han fusionado las condiciones de registro en redes sociales y las referidas a la

privacidad

También cambiamos el orden de las posibles respuestas en algunas preguntas para

mantener un sentido homogéneo en los perfiles, de forma creciente o decreciente.

Especificamos más algunas respuestas, a petición de los alumnos, tales como: matizar el
nº de asignaturas arrastradas de un curso a otro, los días por semana conectados, la
frecuencia de cambio de contraseñas, el tiempo dedicado a redes sociales, los envíos de
correos CCO o no y sobre las copias de seguridad.

Redujimos algunas de las opciones ofrecidas con el fin de que se diferencien lo

suficientemente como para que no tengan que marcar más de una respuesta, como
ocurrió con varios casos en el primer cuestionario con las referidas a frecuencia de
establecimiento de contraseñas, sobre si se utilizan reglas mnemotécnicas, accesos al
PC, sitios de almacenaje de las copias de seguridad, la frecuencia de las mismas, o la
forma de informarse sobre vulnerabilidades.
133
En resumen, se redujo el número de preguntas, se les dio una redacción más sencilla y
se simplificaron las opciones, para hacer más fácil el cuestionario y disminuir el grado
de concentración al cumplimentarlo. Adicionalmente, tanto en los cursos de SPSS en el
CFP de la UPV, como en diversas referencias, siempre se aconseja que el cuestionario
no tenga un excesivo número de preguntas.

Comenzamos con una serie de cuestiones de clasificación sobre variables explicativas

(edad, sexo, formación previa, nacionalidad, etc.), continuando con preguntas sobre
variables respuesta en las que se incluyeron las de tipo abierto (sin indicación de
posibles respuestas), las cerradas (con una relación exhaustiva de respuestas, ya fuesen
dicotómicas o de elección múltiple) y las semiabiertas (en las que se incluye la
posibilidad de “otras respuestas”).

También se han utilizado:

 Preguntas introductorias (para “situar” al encuestado)

 Preguntas de control (para chequear la coherencia de respuestas)

 Preguntas de relleno (sin mayor trascendencia)

Además, se tuvo en cuenta que algunas respuestas serían no métricas, para las que
debemos determinar la forma más adecuada para codificar su estudio, normalmente
homogeneizando respuestas mediante palabras clave, y otras si serían métricas o
cuantitativas para las que hemos utilizado mayoritariamente las escalas tipo Likert,
sencillas de uso y muy adecuadas para medir actitudes.

En definitiva, elaboramos el cuestionario propuesto, tras las modificaciones aconsejadas

por las encuestas-piloto, y cuyas respuestas fueron determinantes para obtener la
información objeto de nuestro trabajo.

Siendo conscientes de que analizar estadísticamente muestras tan poco significativas

(<50 sujetos y con escasa proporción sujetos/variables) no proporcionaría resultados
válidos ya encontramos algunos detalles de frecuencias que eran motivo de
preocupación.

134
  La inmensa mayoría (82,8%) mantiene fijas las contraseñas en los diferentes
accesos y ninguno las cambia con una frecuencia por debajo de los seis meses y,
analizando el comportamiento según la nota obtenida, ni siquiera los mejor
calificados cambian las contraseñas con frecuencia y las mantienen fijas en los
diferentes accesos. Incluso los de mejor curriculum son poco proclives a
cambiarlas.

 La mayoría (79,3%) no se preocupa por hacer copias de seguridad

 También la mayoría (72,4%) guarda las copias en soportes externos, ninguno en

la red

 Muchos desconocían el riesgo de conectarse vía Wifi

 Se registran en las Redes Sociales, aceptando las condiciones tal cual,

mayoritariamente. Nunca analizan primero esas condiciones, lo importante es estar.

 La mayoría de los alumnos (75,9%) se dio de alta en redes sociales para estar
comunicado con los amigos. Resultado de un parecido orden de magnitud (63%)
realizado por el análisis “cocktail” patrocinado por Microsoft y BBVA en nuestro
país, a población en general, en 2011, que llega al 95% en el caso de Facebook en
2012. (Observatorio, 2011-2012)

Obtuvimos unos resultados muy similares a los reflejados en la tesina del Máster
CALSI referenciada anteriormente. Es decir:

a) Mayoritariamente mantienen fijas las contraseñas, modificándolas con muy poca

frecuencia

b) Son muy escasos los que se preocupan por hacer copias de seguridad

c) Desconocen los riesgos y, en consecuencia, las medidas a adoptar para

protegerse en caso de accesos inalámbricos

d) Se registran en Redes Sociales sin preocuparse por las condiciones de registro y,

en consecuencia, por adaptar su perfil

135
Por otra parte, observando los resultados que íbamos obteniendo para formar los
constructos que queríamos observar (Anexos A1.1 y A2.1), notamos que:

 El constructo “Interés”, observado a través de las preguntas 28, 29 y 30, en el

primer piloto daba 0,835 como alfa de Cronbach42, así que no cambiamos nada en
la redacción de esas variables observables, y en el segundo piloto obtuvimos un
valor de 0,721.

 En el caso del constructo “Confianza”, descubrimos que, tras los primeros

análisis, la redacción de la pregunta 33 (Adopto suficientes medidas de seguridad)
podía sugerir las mismas respuestas para alumnos tanto “celosos” como
“despreocupados” respecto la variable latente Confianza en la seguridad. De hecho,
excepto un encuestado, los que consideraban que no adoptaban suficientes medidas
de seguridad se manifestaban preocupados por ese constructo. Y por otra parte
había una mayoría entre el resto de los que también se preocupaban, que
consideraba que sí adoptaban suficientes medidas. Para mantener la coherencia
habrá que redactarla como “prefiero”, o “me gusta”, adoptar las máximas medidas
de seguridad.

 El Constructo “Ansiedad”, medido por las respuestas a las preguntas 34, 35 y 36

da un alfa de Cronbach de 0,552, similar al del primer piloto (0,559), por lo que no
es necesario modificar ninguna redacción.

 Y, finalmente, en el constructo Utilidad una de las variables era de distinto signo

a las demás, lo que nos aconsejaba cambiar su codificación por la complementaria
teniéndolo en cuenta a la hora de redactarla nuevamente, llegando a un alfa de
0,632.

Al revisar redacciones y analizar respuestas, en algunos casos surgió la confusión sobre

la propia denominación de las variables latentes observadas a través del cuestionario.
Hasta este momento, definíamos Interés, Confianza, Ansiedad y Utilidad. Pero, al
acudir al Diccionario de Sinónimos (1983), pudimos observar que Interés y Utilidad
tienen una significación parecida que puede generar dudas. Así que, pensando en el

42
Mide la consistencia de las relaciones entre variables medidas y latente representada verificando si
tienen una intensidad equivalente

136
lenguaje más próximo y actual para la población encuestada, modificamos las
denominaciones de esas variables de la siguiente forma:

Interés, por  Atracción (los alumnos se sienten atraídos por una u otra carrera o
especialidad o asignaturas opcionales, generando sentimientos afectivos, emocionales)

Confianza, la mantuvimos, pues sus sinónimos son: fe (que puede tener otras
connotaciones), seguridad (que puede confundirse con el objeto total del estudio),
crédito (que se puede interpretar como capacidad de préstamo, o implicados en un
objeto audiovisual), amistad (que ya va por otras acepciones)…..

Ansiedad, por  Estrés, término muy en boga en estos tiempos y refleja, perfectamente,
lo que queremos dar a entender (agobio, angustia, tensión, desazón, preocupación,
zozobra, incertidumbre, agitación…)

Utilidad, habiendo cambiado Interés, que es con la que se confundía, también la

dejamos pues queremos significar algo provechoso, práctico, eficaz, conveniente,
ventajoso. Refleja el grado por el que una persona cree que al usar un determinado
recurso aumentará su rendimiento o productividad.

En definitiva, hablaremos de Atracción, Confianza, Estrés y Utilidad.

Durante el segundo semestre de 2011 buscamos soluciones para conseguir facilitar el

rellenado de las encuestas definitivas por medios electrónicos, para evitar el esfuerzo de
transcripción y los errores asociados con los que nos encontrábamos respecto a tener
que rellenarlas a mano. En su caso, evaluamos aplicaciones disponibles, de libre uso, en
internet.

Finalmente se hizo la encuesta vía internet (Portaldeencuestas.com), que nos daba la

hoja Excel ya codificada para su tratamiento directo por SPSS y AMOS, incluyendo
alguna pregunta adicional, rescatando algunas de las descartadas anteriormente al no
haber tenido en cuenta el número de la muestra y obtener resultados insuficientes para
completar cinco variables observables por constructo de forma que, con las
apreciaciones tanto de los profesores Hervás como Montoro, quedarnos con las tres o
cuatro que las correlaciones y el análisis factorial nos recomienden, y que AMOS
necesita (Anexo A3) y en las que quedaron como preguntas de control la 5, 11 y 60. Se
pasó esta encuesta al conjunto de alumnos de 2º curso de la Facultad de Informática del
137
curso 2011-12. En total 235 alumnos. Esta forma de obtener datos mediante
encuestados aleatorios voluntarios a través de entornos online se está convirtiendo en
práctica habitual en investigaciones que lo permiten. Bagozzi y Dholakia, (2006);
Steenkamp y Geyskens, (2006).

Dimos como válidos 204 cuestionarios, al eliminar trece por falta de coherencia en las
preguntas de checking (sobre uso de password para acceder a la sesión), ya fuese por
falta de concentración, apatía o escaso deseo de colaborar. Otros diecisiete cuestionarios
también los eliminamos por falta de respuesta generalizada en un gran número de
variables, y un último cuestionario por indicar una edad fuera de rango. En los casos
(diez) de encuestas válidas en los que faltaba la respuesta a alguna de las variables
necesarias para nuestro estudio utilizamos el método de regresión para con, respuestas
similares a las codificaciones disponibles, aproximar los valores ausentes (Anexo C).

Se hizo un primer análisis de tipo descriptivo cuyo fin era establecer perfiles diferentes
dentro del grupo de estudio y, a continuación, un diseño correlacional para entender
mejor el grado de influencia de unas variables en otras para intentar conocer cómo se
comportan los sujetos a partir de las variables relacionadas.

Para el descriptivo se utilizaron tablas de frecuencias, medidas de tendencia central, de

variabilidad, representaciones gráficas, etc.

Para el relacional, tabulaciones cruzadas, medidas de asociación, correlaciones,

factoriales, etc.

Los resultados estadísticos obtenidos referentes a calidad, explicación de las varianzas e

indicadores de correlación obtenidos son muy altos, lo que indica la coherencia de las
respuestas y la idoneidad del planteamiento.

Finalmente se diseñaron modelos causales, con análisis de senderos, que fuimos

ajustando hasta obtener unos valores muy satisfactorios que aseguraban la bondad del
mismo. Desde un modelo inicial en el que utilizábamos todos los valores de las
variables observadas (medidas, manifiestas o indicadores), evolucionamos a un modelo
más complejo (con mayor número de variables) pero que simplificamos utilizando los
valores numéricos de los factores comunes de los constructos que las representaban y
que eran suficientes (3-4 variables por constructo) y un número de encuestas válidas que

138
superaban ampliamente en más de las cinco veces, como mínimo, las variables de
estudio.

Tanto en el proceso de los datos con SPSS (Anexo A3.1) como con AMOS, nos
apoyamos en los conocimientos desarrollados en los cursos del CFP de la UPV así
como en la metodología teórica tratada en diversas aportaciones como las de Carot y
otros (2009), Cupani (2008) o Ruiz (2010) para facilitar el estudio de casos en general
o la de Corral-Verdugo (1995) aplicada a temas de conducta. Así como las directrices
que, para evaluación educativa, reseña Torres (2010) y las directrices del uso estadístico
del software orientado hacia las motivaciones (Gardner, 2003).

El soporte teórico estadístico puede consultarse en el Anexo 2

Los resultados obtenidos aconsejaron su constatación mediante nueva encuesta

realizada en el curso siguiente (2012-2013) a los alumnos actuales de 2º curso de
Informática y a un grupo de alumnos de varios cursos de la ETSI de Telecomunicación.
Obtuvimos un total de 192 encuestas válidas, con 87 respuestas de Teleco (28 de primer
curso, 39 de cuarto y 20 de quinto) y 105 de Informática, eliminando las demás por
razones similares a las comentadas anteriormente. Utilizamos la misma metodología y
obtuvimos unos resultados que confirmaban la coherencia con los ya obtenidos con los
alumnos del curso anterior (Anexo A3.2).

139
 4.4 Codificación de la encuesta de la tesis

Se detalla el significado de cada una de las variables utilizadas en la encuesta definitiva

procesada así como la denominación de las posibles alternativas ofrecida por cada una.

1.- Edad

2.- Sexo: 1=hombre 2=mujer

3.- Rendimiento académico: curso por año / alternativas de repetición

4.- Uso de internet: frecuencia de conexión

5 - 7.- Utilización de contraseñas: Uso / actualización / grabación

8 - 10.- Copias de Seguridad: frecuencia / almacenamiento / actualización

11.- Protección acceso PC (actuación): mínima / media /alta

12.- Prevención mail “ : poca (riesgo alto) / media / alta (riesgo bajo)

13.- Vulnerabilidades “ : “ “ “

14 - 16.- Actividad en internet: básica de navegación / activa en web 2.0 / comercial

17 - 27.- Test de conocimientos (da origen a la variable “notas”)

Redes sociales:

28.- Tipo de usuario: frecuencia de conexión

29.- Motivación: curiosidad / comunicarse / otros

30.- Condiciones de registro: no leí / no leí todo /leí después / rechacé

31 - 35.- Redes usadas / ámbito / presencia / actuación

36 - 38.- Actividad: comparto-subo (mucho riesgo) / media / baja (poco riesgo)

140
Seguridad TIC:

39 - 43.- Atracción: muy alta / alta / media / baja / muy baja

44 – 48.- Confianza: “ “ “

49 - 53.- Estrés: “ “ “

54 – 58.- Utilidad: “ “ “

59 – 66.- Diversos tipos de protección: contraseñas/antivirus-firewalls/privacidad/e-mail

Cada número de pregunta se corresponde con las variables observables del cuestionario
incluido en el Anexo A3 utilizado para la tesis, con la denominación de cada variable
utilizada en la hoja Excel generada resaltada en rojo. Esa denominación será la utilizada
por los programas estadísticos para su análisis y serán las referencias que encontraremos
tanto en los resultados como en los anexos que los reflejan.

El perfil de los usuarios queda determinado por las respuestas a las preguntas 1 a 4, 28-
29 y 31-32 (edad, sexo, rendimiento académico, frecuencia de conexión, redes sociales
usadas).

Las diversas formas de actuar se reflejan en las respuestas a las variables por los
conceptos consultados (contraseñas, copias de seguridad, protección de accesos,
adquisición de información, actividad al navegar, registro en redes sociales, aportación
de información y medidas de protección).

Los conocimientos se evalúan con las respuestas al test propuesto entre las preguntas
17 y 27.

Los resultados de los diversos tipos de encuestados, ya sea por perfil, por
comportamiento o conocimientos son los que nos guiarán respecto a las variables
independientes de control más convenientes para observar el modelo.

A su vez, las variables observables relacionadas con las latentes quedan asociadas de la
siguiente forma:

141
  Atracción, se construye desde los indicadores de las variables observables At1 a
At5; es decir, con las respuestas a:

Me gusta hablar con otros de seguridad

Si tuviera oportunidad me inscribiría en cursos de seguridad
Siento curiosidad por las noticias sobre seguridad
Estudiar sobre seguridad es entretenido
Me gustaría dedicar más tiempo a aprender temas de seguridad

 Confianza, definida por las variables C1 a C5

Saber seguridad incrementa mis posibilidades de navegar tranquilo

Me alegra poder resolver dificultades de seguridad

Soy capaz de ayudar a otros a resolver muchos de sus problemas de seguridad
Me gusta adoptar suficientes medidas de seguridad
Si me lo propongo puedo dominar bien los aspectos sobre seguridad

 Estrés, variables E1 a E5

Estoy preocupado por los riesgos de seguridad

Me altero cuando tengo que resolver un problema de seguridad
Me siento incapaz de comprender algunas cuestiones sobre seguridad
Tengo que encontrar más tiempo para implementar temas de seguridad
Si me surge un problema de seguridad debo buscar ayuda

 Utilidad, variables U1 a U6

La seguridad es muy necesaria para mi actividad personal

La seguridad es muy necesaria para mi actividad profesional
Los conocimientos sobre seguridad deben ser previos al uso de PC´s
Debo saber utilizar los recursos de protección al navegar por internet
Debo saber utilizar los recursos de seguridad al navegar por redes sociales

142
 De esa forma, las variables observables que se relacionan con nuestras hipótesis, y
conforman cada latente quedan como sigue:

Tabla 5. Relación de Hipótesis con variables

Hipótesis descripción variables Constructos o de pregunta

observables control encuesta
He1 Protección accesos AUP1, AUP2, Estadísticos básicos 5, 6, 7,
AUP3, A1, (passwords) 11, 12,
A2, A4, A5 59, 60
He2 Backups ABU1, ABU2, “ 8, 9, 10
ABU3 (copias)
He3 Antivirus, firewall A6, A7 “ 61, 62
(autoprotección)
He4 Información vulnerabilidades A3 “ 13
(inquietud x info)
He5 Privacidad de actividad A8, A9 “ 63, 64
(privacidad)
H1 Covarianza entre latentes Atx-Cx-Ex-Ux Atracción, Confianza, 39 - 58
Estrés, Utilidad
H2 Utilidad implica mayor Ux - Atx Utilidad, Atracción 39-43,
atracción 54-58
H3 Confianza  privacidad Cx - A8, A9 Confianza, 44-48,
Privacidad 63-64
H4 Confianza  protección Cx - A6, A7 Confianza, Protección 44-48,
61-62
H5 Privacidad  protección A6 – A9 Privacidad, Protección 61 - 64
H6 A mayor nota más atracción P1-P11-Atx Nota, Atracción 17-27,
39-43
H7 A mayor nota mayor utilidad P1-P11-Ux Nota, Utilidad 17-27,
54-58
H8 A mayor nota más privacidad P1-P11, Nota, Privacidad 17-27,
A8-A9 63-64
H9 A mayor nota más protección P1-P11, Nota, Protección 17-27,
A6-A7 61-62

143
H10 A menor nota más Estrés P1-P11-Ex Nota, Estrés 17-27,
49-53
H11 A peor nota menos confianza P1-P11, Cx Nota, Confianza 17-27,
44-48
H12 Buen ajuste de latentes Atx-Cx-Ux-Ex Atracción, Confianza, 39-58
Estrés, Utilidad
H13 Más privacidad  más ajuste A8-A9, Atx - Atracción, Confianza, 39-58,
Cx-Ux-Ex Estrés, Utilidad, 63-64
Privacidad
H14 Más protección  más ajuste A8-A9, Atx - Atracción, Confianza, 39-58,
Cx-Ux-Ex Estrés, Utilidad, 61-62
Protección
Hg1 Condiciones de registro AURS3 Estadísticos básicos 30
(registro en RS)
Hg2 Actividad - Publicación AURS9, “ 36, 37
AURS10 (info personal en RS)
Hg3 Publicación información AURS11 “ 38
sensible (info “muy personal”)

Fuente: Elaboración Propia (EP)

144
 4.5 Selección de la muestra objeto del estudio

El muestreo es una herramienta usada en la investigación científica. Su función básica

es determinar qué parte de una población debe examinarse con la finalidad de hacer
inferencias sobre dicha población. El error que se comete debido al hecho de que se
obtienen conclusiones sobre cierta realidad a partir de la observación de sólo una parte
de ella, es lo que se denomina error de muestreo. Obtener una muestra adecuada
significa lograr una versión simplificada de la población, que permita reproducir, de
algún modo, sus rasgos básicos.

En nuestro caso, se ha tomado como muestra para la realización del presente estudio a
alumnos de 2º curso de la ETSINF y alumnos de 1º, 4º y 5º de la ETSIT en el campus de
Vera de la UPV en Valencia.

Las razones por las que se ha elegido precisamente esa población han sido las
siguientes:

 Alumnos de diversas procedencias con formación y hábitos variados pero con

una vocación hacia las TIC que, se supone, deben ser más conocedores de sus
ventajas y saber reducir los riesgos que toda actividad conlleva, y con este caso
concreto más aún.

 Accesibilidad a esos alumnos debido a ser alumnos de los directores y del autor
de la presente tesis.

 Conjuntos diferentes de madurez (alumnos de 1º-2º versus 4º-5º)

 Tamaño manejable de la información suficiente como para adquirir la

experiencia necesaria, tanto a nivel cuestionario como por su análisis posterior,
para acceder a un mayor número de alumnos de diferentes titulaciones que sea
totalmente representativa de la población universitaria de la UPV

145
 4.5.1 Cálculo del error muestral

Para determinar en términos estadísticos el error introducido en el muestreo se define el

concepto de error muestral como la desviación típica de la distribución muestral de las
medias, que se representa a modo de una campana de Gauss. Por tanto, nunca es posible
abarcar estadísticamente toda el área de la curva, ya que tiende asintóticamente a
infinito. Este error indica el porcentaje de incertidumbre, es decir, el riesgo que se corre
que la muestra elegida no sea representativa.

A su vez, para evaluar la validez del muestreo, se maneja el concepto de nivel de

confianza, establecido como el porcentaje del área de la curva que se contempla en el
estudio (por ejemplo, el 90%, el 95%, etc.). En definitiva, es la probabilidad de que la
media de la distribución muestral y la media de la población difieran en una cantidad
menor que el error máximo admisible en el muestreo. La confianza, o el porcentaje de
confianza, indican el porcentaje de seguridad que existe para generalizar los resultados
obtenidos. Esto quiere decir que un porcentaje del 100% equivale a decir que no existe
ninguna duda para generalizar los resultados, pero implica estudiar a la totalidad de los
casos de la población.

Para evitar un costo muy alto para el estudio, o debido a que en ocasiones llega a ser
prácticamente imposible el estudio de todos los casos, entonces se busca un porcentaje
de confianza menor. Comúnmente en las investigaciones sociales se busca un 95%.

En nuestro caso, para calcular el error muestral, partimos de que la población sobre la
que se dirige el estudio es “finita”, formada por una totalidad de 990 alumnos
matriculados en los respectivos cursos.

El número de cuestionarios respondidos de que disponemos es de 499 (válidos 396).

Introduciendo ambos valores en la siguiente fórmula:

Error muestral = K*(RAIZ(((P*(1-P))/n)*((N-n)/(N-1))))

donde: n es el tamaño de la muestra, N el de la población, y

K = coeficiente que indica la confianza (1,96 para el 95%, 2,17 para el 97%)

146
Se obtienen los siguientes resultados para nuestro caso, en el que hemos considerado la
situación más adversa en la que la prevalencia (P) esperada del parámetro es 0,5 que es
la más desfavorable y exige el mayor tamaño muestral, quedando: P =1-P = Q =0,5

Error muestral para un 95% de confianza: 3,1 %

Error muestral para un 97% de confianza: 3,4 %

Error muestral para un 99% de confianza: 4,1 %

La población encuestada estaba integrada por el número de alumnos de la tabla 6.

Tabla 6. Población objeto de la muestra

Año Escuela Curso Total alumnos Total encuestados Total válidos

11-12 Informática 2º 380 235 204
12-13 “ 2º 410 153 105
“ Telecomunicación 1º 54 38 28
“ “ 4º 65 49 39
“ “ 5º 81 24 20
2 años TOTAL 1º - 5º 990 499 396

Fuente: EP

147
5.- RESULTADOS
 5.1 Estadísticos básicos: análisis de fiabilidad

Podemos decir que, aunque sea con carácter preliminar, los resultados nos ofrecen
información suficiente como para adecuar el proceso de aprendizaje y sensibilización
con las medidas de precaución aconsejables para alcanzar una mejoría en el riesgo
asumible de los estudiantes cuando utilizan sus ordenadores y navegan por internet, en
general, o por las redes sociales, en particular.

Los encuestados de 2º curso de Informática del curso 2011-2012 tienen una edad de 24
años o menos en el 85% de los casos, siendo las mujeres un 12%. El 57% va a curso por
año, sin tener asignaturas pendientes. En el Anexo A3.1 aparecen estos datos.

Con respecto a contraseñas (variables AUPx):

 El 36% de los encuestados reconoce tener una única password común, para la
mayoría de los accesos.

 Más del 72% las mantiene fijas a lo largo del tiempo y otro 22% las cambia con
una frecuencia anual, aproximadamente.

 El 27% deja que se las grabe el propio navegador y otro 8% usa nombres
sencillos.

 Analizando conjuntamente las variables observadas, encontramos que un 4,5%

de los alumnos establece contraseñas complejas, diferentes para cada acceso y que
actualiza cada pocos meses. El 33% declara no proteger el acceso a su ordenador
(variable A1).

En referencia a las copias de seguridad de los datos (variables ABUx):

 El 15% no ha hecho nunca una copia y otro 33% solo las hace cuando cambia de
PC. Un 21% adicional suele hacerlas con frecuencia anual y un 18% cada semestre.
El 13% tiene un sistema automático de actualización

149
  Un 5% guarda las copias en el mismo disco del PC y un 57% en un disco
externo

 La frecuencia en hacer copias de seguridad está correlacionada (0,554 con

significatividad al 1%) con la garantía del soporte en el que se guardan, pudiendo
establecer un factor común de comportamiento que explicaría el 77,7% de la
varianza con un Alfa de Cronbach de 0,711.

 El 24% abre los correos de remitentes desconocidos por curiosidad

 Un 16% reconoce no preocuparse por las vulnerabilidades de seguridad y un

26% se enteran de esos problemas a través de amigos.

A la hora de navegar por las redes sociales (variables AURSx):

 Un 45 % sube habitualmente información personal de viajes, fotos, fiestas y

composiciones propias

 Un 45% se expresa libremente manifestando sus puntos de vista sobre cualquier

tema

 Algo más de la cuarta parte (26%) de los alumnos coinciden en las actividades
anteriores. De hecho, existe una correlación de 0,369 significativa al nivel del 1%

 Casi dos terceras partes (62%) de los alumnos coinciden en que se dan de alta
sin leerse las condiciones de registro aceptándolas al asumir que son estándar.

 También se infiere un factor común de comportamiento en el uso global que

hacen al navegar por redes sociales, que explica el 63,5% de la varianza, con un
coeficiente KMO43 (Kaiser-Meyer-Olkin) de 0,649 y Alfa de 0,7.

43
Indica el grado de interrelación entre los datos

150
Hay correlaciones significativas entre las siguientes variables con cinco alternativas de
respuesta:

 ABU1 con ABU2 (copias de seguridad)

 AW1 con AW2 y AW3 (tipo de actividad en internet)

Con respecto a la actividad en internet (webs 1.0, 2.0, 3.0), se ve que hay una
Concentración en la Tabla de Contingencia entre las dos variables, en las mayores
frecuencias de uso, indicando que los mayores usuarios de la web 2.0 también lo son de
la 1.0.

 URS1, con AURS9, con AURS10 y AURS11 (tipo de actividad en redes

sociales)

 A3, 4, 5, 6, 7, 8, 9 (diversas actuaciones de seguridad)

Se forman dos factores, agrupándose A6 con A7 (protección vía antivirus y firewall) y

A8 con A9 (privacidad de rastro de navegación), explicando el 85% de la varianza

Quedan, pues, correlacionadas actuaciones sobre:

a) copias de seguridad

b) actividad en redes sociales

c) disponibilidad de protecciones (antivirus-firewall)

d) “rastros” de actividad en el PC (archivos temporales, cookies, histórico) que

definen el constructo “actividad” real que llevan a cabo los encuestados,
incorporando cuatro nuevas variables (fac1, 2, 3 y 4) en la hoja excel que son el
resumen de las otras 9 variables que fueron su origen. El valor que cada individuo,
o sujeto de la muestra, toma en cada uno de los factores que representan a las
variables originales, es la puntuación factorial, puesto que, en regresión trabajo con
todas las variables o con los factores que las representan.

151
La correlación entre los que tienen activos antivirus y firewall es del 0,64 y entre los
que eliminan archivos temporales e histórico de páginas visitadas es del 0,75, ambos
con significatividad del 1% (lo deseable es que las correlaciones sean superiores a 0,3).
Nos determinan dos factores, autoprotección y privacidad, que explican el 85% de la
varianza, con KMO de 0,6 y alfa de 0,77.

El resumen de los parámetros estadísticos al tratar los cuestionarios de las encuestas,

que puede verse en el Anexo C.1, es el de la siguiente tabla:

Tabla 7. Parámetros encuesta curso 2011-2012

Factor / variables KMO Varianza Alfa Cronbach Significatividad

(valores deseables) >0,5 >60% >0,6 <5%

F1/ At1, At2, At3, At4, At5 0,87 71% 0,897 <1%
F2/ E2, E3, E5 0,656 64% 0,714 <1%
F3/ U1, U2, U4, U5, C4, E1 0,847 62% 0,853 <1%
Conjunta (todas las variables) 0,89 67% 0,891 <1%

Fuente: EP

Al factorizar las veinte variables nos aparecen tres factores claramente diferenciados,
con una alta correlación entre las variables que conforman cada uno de ellos.

Uno está definido por las cinco variables que propusimos en ese sentido (atracción).
Otro (estrés) queda representado por tres de las cinco variables previstas.
Y el último (utilidad) lo conforman cuatro de las cinco variables supuestas más una de
estrés y otra de confianza.

Los resultados estadísticos referentes a calidad, explicación de las varianzas e

indicadores de correlación son muy altos, lo que indica la coherencia de las respuestas.
Y, ¿por qué no decirlo?, la idoneidad del planteamiento.

152
 5.2 Estadísticos estructurales previos

Inicialmente, con los datos obtenidos de los alumnos del curso 2011-2012 a nivel de
formación de constructos, y los grafos y la orientación de causalidades en el sentido
marcado por otros autores (anexo 1), elaboramos nuestro modelo en el que indicamos
las variables observables, las latentes y la dependiente “Nota”.

Grafo 2. Modelo más simple propuesto del curso 2011-2012 (EP)

153
Se logró un ajuste con Chi2 = 198,6, con 85 grados de libertad y un nivel de
probabilidad p = .000 (<1%).

El índice de bondad de ajuste del modelo se mide mediante varios parámetros:

a) Chi2 / grados de libertad = 2,33 (siendo lo correcto estar entre 1 y 3)

b) Los residuos RMSEA están entre 0,066 y 0,096 (no deben superar 0,1), y
c) el CFI (comparative fit index), que debe ser >0,9, en nuestro modelo tiene un
valor de 0,923.

Tabla 8. Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

Atracción <--- Utilidad ,902 ,100 8,990 *** par_14
Estrés <--- Utilidad ,364 ,130 2,799 ,005 par_16
Estrés <--- Atracción -,055 ,097 -,560 ,575 par_17
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,034 ,089 11,615 *** par_1
U2 <--- Utilidad 1,137 ,116 9,837 *** par_2
U1 <--- Utilidad 1,072 ,110 9,770 *** par_3
C4 <--- Utilidad ,984 ,091 10,783 *** par_4
E1 <--- Utilidad 1,091 ,106 10,315 *** par_5
E5 <--- Estrés 1,000
E3 <--- Estrés 1,375 ,219 6,268 *** par_6
E2 <--- Estrés 1,359 ,215 6,308 *** par_7
At5 <--- Atracción 1,000
At4 <--- Atracción 1,017 ,079 12,857 *** par_8
At3 <--- Atracción ,926 ,069 13,440 *** par_9
At2 <--- Atracción 1,048 ,072 14,605 *** par_10
At1 <--- Atracción ,874 ,079 11,051 *** par_11
Nota <--- Atracción ,156 ,333 ,467 ,641 par_12
Nota <--- Estrés ,268 ,346 ,775 ,438 par_13
Nota <--- Utilidad ,314 ,440 ,714 ,475 par_15

Fuente: AMOS (EP)

Observando la columna de significatividad (P) en la tabla 8, comprobamos la confianza

que demuestran los índices (< 1%) que informan de la correspondencia entre cada
variable observable y su latente, así como entre las latentes Utilidad  Atracción y
también entre Utilidad  Estrés. Sin embargo, llama la atención la escasa
significatividad de la variable Nota con los tres factores de Atracción, Estrés y Utilidad.

154
 Tabla 9. Standardized Regression Weights: (Group number 1 - Default model)

Estimate
Atracción <--- Utilidad ,732
Estrés <--- Utilidad ,411
Estrés <--- Atracción -,076
U5 <--- Utilidad ,756
U4 <--- Utilidad ,811
U2 <--- Utilidad ,696
U1 <--- Utilidad ,692
C4 <--- Utilidad ,757
E1 <--- Utilidad ,727
E5 <--- Estrés ,572
E3 <--- Estrés ,750
E2 <--- Estrés ,714
At5 <--- Atracción ,828
At4 <--- Atracción ,788
At3 <--- Atracción ,813
At2 <--- Atracción ,861
At1 <--- Atracción ,705
Nota <--- Atracción ,056
Nota <--- Estrés ,069
Nota <--- Utilidad ,091

Fuente: AMOS (EP)

Viendo los índices de regresión en la tabla 9, comprobamos la alta correlación existente

entre Utilidad  Atracción y, en menor medida pero también significativa como hemos
visto en la tabla anterior, entre Utilidad  Estrés. La escasa significatividad y valor de
correlación de Nota con los factores de Atracción, Estrés y Utilidad, nos indican la
escasa relevancia de los conocimientos a la hora de determinar la forma de actuar.

Por otra parte, la variable latente Utilidad tiene el indicador más válido en la pregunta
U4 (debo saber utilizar los recursos de protección al navegar por internet). El constructo
Atracción está mejor representado por la pregunta At2 (si tuviera oportunidad me
inscribiría en cursos de seguridad), y el de Estrés por la E3 (me siento incapaz de
comprender algunas cuestiones sobre seguridad).

155
 Tabla 10. Efectos entre las variables latentes (EP)

Utilidad Atracción Estrés Nota

Utilidad +++ ++ 0
Atracción 0
Estrés 0

Fuente: Elaboración Propia (EP)

Vemos en la tabla 10 que el efecto del concepto Utilidad influye fuertemente en el de

Atracción y bastante en el Estrés, y que ninguna se correlaciona significativamente, ni
en valor, con el rendimiento (Nota). Es decir, los estudiantes que consideran que la
seguridad informática es útil se sienten más atraídos por la misma, aunque les genere
cierto grado de estrés. Ninguna de las variables tiene incidencia con el rendimiento.

Es importante hacer notar que los modelos de ecuaciones estructurales permiten probar
hipótesis de forma estadística mucho más compleja que con otros métodos,
estableciendo relaciones causales desde las meras relaciones entre las variables de los
diferentes datos.

La relación entre variables actitudinales y el propio aprendizaje constituye una

información básica para la construcción y/o modificación de planes de estudio en las
diversas competencias educativas.

Aprovechando la facilidad de segmentación de la población encuestada gracias a las

variables identificativas incluidas en el cuestionario, analizamos repetidamente el
mismo modelo estructural utilizando esas variables de control para diferenciar los
diversos conjuntos de sub-poblaciones obtenidas y comprobar el comportamiento y
fiabilidad de nuestro modelo, obteniendo los resultados del anexo C.2 que mostramos
resumidos en la tabla 11.

156
 Tabla 11. Parámetros modelos estructurales curso 2011-2012 (EP)

CFI Chi cuadrado RMSEA

General 0,923 198,6 0,066-0,096

Usuarios con antivirus actualizado 0,931 150,9 0,051-0,088

(A6 es 4 ó 5)

chicos 0,933 174,8 0,061-0,093

Passwords AUP3 es 3 0,933 138,2 0,047-0,090

(compleja)

Borran histórico de págs. visitadas 0,939 132,1 0,044-0,089

(A9 es 4 ó 5)

Hacen backups 0,947 121,1 0,036-0,091

Protección con password en inicio

sesión en PC (A5 es 4 ó 5) 0,952 114,7 0,023-0,074

Privacidad (eliminan archivos temporales

y cookies, con A8 es 4 ó 5) 0,953 121,2 0,032-0,080

Fuente: Elaboración Propia (EP)

El resultado no puede ser más obvio. El modelo se ajusta mejor a los estudiantes que se
preocupan en tener antivirus actualizado. Curiosamente también con los chicos
exclusivamente más que con el conjunto. Al igual que con los que usan contraseñas más
complicadas. Aún se ajusta más a los cuidadosos con dejar rastro de las páginas que
visitan y con los que mantienen un procedimiento adecuado para salvaguardar su
información vía backups.

157
El modelo es bastante irreprochable en el caso de los alumnos que abren su sesión con
contraseña y los que “limpian” su ordenador de archivos temporales descargados
durante la navegación, que evitan pequeñas incomodidades en procesos posteriores.

Es decir, el modelo se cumple con más fuerza en los alumnos que ponen en práctica un
mínimo de medidas de autoprotección para que su intimidad no se vea alterada.

Tras las diversas experimentaciones para optimizar el modelo, introdujimos los factores
comunes que nos indicaban el nivel de actuación sobre copias de seguridad (FACABU)
y de cuidado sobre la privacidad (FACA89) al ser cuidadosos con los rastros de
actividad en el PC (histórico, cookies, archivos temporales). Covariando dos parejas de
variables observables del constructo Utilidad (U1-U2 y U5-U4), obtuvimos unos
resultados que indican el alto grado de confianza en el mismo, con unos indicadores
CFI, TLI, RMSEA excelentes (0,963 / 0,954 / 0,034 – 0,066). Con Chi2 164,5 y 108
grados de libertad.

Grafo 3. Modelo simple con variables de control del curso 2011-2012 (EP)

158
Los resultados ratifican la idea de que las variables latentes están bien configuradas,
covariando de forma positiva las variables indicadoras de las actitudes hacia cada
latente. Si una persona da una respuesta alta en una de las variables, tiende también a
darla en las otras variables que definen el constructo, aunque sus medias sean diferentes.

No obstante, siguiendo las propias indicaciones del programa en base a las

recomendaciones de Modificación de Índices, correlacionando las variables sugeridas
por AMOS para la optimización de nuestros datos del modelo llegamos a los resultados
siguientes:

Grafo 4. Modelo sugerido, con variables de control, del curso 2011-2012 (EP)

Siendo 125,4 el valor obtenido para Chi-square y 105 los grados de libertad

159
 Tabla 12. Resultados proceso grafo 4

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,925 ,903 ,987 ,983 ,987
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,031 ,000 ,050 ,953
Independence model ,236 ,226 ,247 ,000

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label
Utilidad <--- FACABU ,111 ,043 2,618 ,009 par_15
Utilidad <--- FACA89 ,226 ,045 5,012 *** par_19
Atracción <--- Utilidad ,912 ,122 7,472 *** par_12
Atracción <--- FACABU ,129 ,043 2,974 ,003 par_17
Atracción <--- FACA89 ,027 ,046 ,576 ,564 par_20
Estrés <--- Utilidad ,287 ,157 1,830 ,067 par_13
Estrés <--- Atracción ,040 ,112 ,355 ,723 par_14
Estrés <--- FACABU -,091 ,047 -1,928 ,054 par_16
Estrés <--- FACA89 ,022 ,048 ,457 ,647 par_18
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,063 ,084 12,623 *** par_1
U2 <--- Utilidad 1,179 ,143 8,238 *** par_2
U1 <--- Utilidad 1,122 ,136 8,226 *** par_3
C4 <--- Utilidad 1,125 ,117 9,630 *** par_4
E1 <--- Utilidad 1,218 ,133 9,143 *** par_5
E5 <--- Estrés 1,000
E3 <--- Estrés 1,340 ,207 6,468 *** par_6
E2 <--- Estrés 1,414 ,218 6,474 *** par_7
At5 <--- Atracción 1,000
At4 <--- Atracción 1,015 ,075 13,562 *** par_8
At3 <--- Atracción ,983 ,078 12,552 *** par_9
At2 <--- Atracción 1,094 ,083 13,144 *** par_10
At1 <--- Atracción ,929 ,088 10,537 *** par_11
Nota <--- Utilidad ,253 ,523 ,483 ,629 par_21
Nota <--- Atracción ,208 ,383 ,544 ,586 par_22
Nota <--- Estrés ,370 ,340 1,086 ,277 par_23

160
 Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Utilidad <--- FACABU ,188
Utilidad <--- FACA89 ,380
Atracción <--- Utilidad ,710
Atracción <--- FACABU ,169
Atracción <--- FACA89 ,035
Estrés <--- Utilidad ,294
Estrés <--- Atracción ,052
Estrés <--- FACABU -,157
Estrés <--- FACA89 ,038
U5 <--- Utilidad ,687
U4 <--- Utilidad ,759
U2 <--- Utilidad ,656
U1 <--- Utilidad ,653
C4 <--- Utilidad ,789
E1 <--- Utilidad ,739
E5 <--- Estrés ,570
E3 <--- Estrés ,727
E2 <--- Estrés ,739
At5 <--- Atracción ,789
At4 <--- Atracción ,748
At3 <--- Atracción ,822
At2 <--- Atracción ,858
At1 <--- Atracción ,712
Nota <--- Utilidad ,066
Nota <--- Atracción ,070
Nota <--- Estrés ,095

Fuente: AMOS (EP)

La significatividad es excelente (<1%) y directa en:

 UtilidadAtracción (regr. 0,71),

 FACA89  Utilidad (regr. 0,38) , y

 entre las relaciones de las latentes y sus observables, y algo menor entre

 FACABU  Utilidad (regr. =,188)

 FACABU  Atracción (0,169),

161
debiendo tener presente las relaciones con significatividad < 7% entre:

FACABU  Estrés (negativa, con valor -0,157), y

Utilidad  Estrés (0,294)

Las “Notas” no son significativas y de escaso valor. Es decir, respecto estos parámetros,
los mejores estudiantes actúan de forma paralela a los no tan buenos. Falta información
adecuada a todos los niveles. Ni siquiera los mejores, por el simple hecho de serlo,
actúan con la debida seguridad.

Existe un valor de regresión muy alto entre Utilidad y Atracción (0,71) que nos indica
que cuando un alumno entiende algo como útil, o práctico, se siente fuertemente atraído
por ello y ahí es donde hay que acentuar la formación, con información y ejemplos
sobre seguridad que les resulten motivadores y sobre los que se haga hincapié de forma
transversal en la mayoría de las asignaturas, no sólo en las específicas que traten los
temas de forma general, asumiendo unos conocimientos y unas actitudes que parece que
no han asimilado.

También tenemos un valor bastante alto de regresión total (0,38) entre FACA89 
Utilidad con un 1% de significatividad, lo que implica que los alumnos que son más
cuidadosos con su privacidad consideran más útil adoptar medidas de seguridad.

Así mismo, hay un valor alto directo entre UtilidadEstrés (0,294) que, aunque no sea
significativo desde el punto de vista más estricto (6%), nos da idea de que lo que
consideran útil les produce cierta ansiedad, quizá por saber que debieran conocerlo
mejor no sintiéndose seguros de sus propias capacidades.

162
 5.3 Evolución del análisis

A la vista de los resultados anteriores, creímos conveniente extender la encuesta a una

muestra mayor de alumnos de forma que pudiésemos definir una población compuesta
por el conjunto de alumnos tanto de la Facultad de Informática como de la Escuela
Superior de Ingenieros de Telecomunicación, para obtener unos resultados fiables del
conjunto de esa población que, de acuerdo con sus programas de estudio, debe de ser la
más cualificada de toda la UPV sobre la materia que nos ocupa.

Resultaba muy preocupante que alumnos de la carrera de Informática pudieran ser tan
descuidados con la protección de sus accesos, datos y actividades. Uno de cada tres
alumnos reconoce tener una única contraseña para todos sus accesos y la misma
proporción no tiene contraseña para iniciar la sesión de su ordenador, con el riesgo para
su privacidad que ello comporta.

Algo parecido ocurre con las garantías para proteger la disponibilidad de los datos. Es
inadmisible que una séptima parte de este tipo de estudiante no haya hecho nunca una
copia de seguridad y una tercera parte lo haga, por obligación, cuando cambia de
ordenador.

En la navegación por redes sociales vimos que no tienen conciencia del escaparate en el
que están y que un 45% hable libremente de sus intimidades personales, sexuales,
políticas, religiosas es comprometer su futuro profesional, y puede que personal, sin ser
conscientes de ello y pretendiendo ser profesionales. Todo un contrasentido.

Con el análisis estructural descubrimos un valor de regresión muy alto entre Utilidad y
Atracción que nos informa de la necesidad de hacer ver a nuestros alumnos la
importancia práctica de los conocimientos que están adquiriendo con los que está
fuertemente vinculada su propia seguridad. Cuando entiendan su utilidad se sentirán
más atraídos y ahí deberemos acentuar la formación, con información y ejemplos
constantes sobre seguridad que les resulten aleccionadores y susciten su interés y sobre
los que se estudien las especificaciones propias de cada asignatura.

163
También hemos visto que hay un valor alto de correlación entre UtilidadEstrés que
nos dice hasta qué punto lo que consideran útil les produce un nivel de ansiedad, quizá
por ser conscientes de que debieran conocerlo mejor no sintiéndose seguros de sí
mismos.

Tampoco debemos ignorar la importancia de que la “Nota”; es decir, el nivel de sus

conocimientos, no ofrezca mayores sensibilidades, al menos, a los mejores estudiantes.
O sea, respecto este parámetro, unos y otros actúan de forma parecida. Falta
información que les motive suficientemente a todos los niveles ya que, ni siquiera los
mejores, actúan favoreciendo su seguridad.

A la vista de tan preocupantes datos se decidió comprobar si podía haber algún tipo de
problema, falta de oportunidad o enfoque en la encuesta. Por lo que se repitió con un
grupo de similar perfil académico (1º, 4º y 5º de Teleco y 2º de Informática) un curso
más tarde. Con criterios similares al curso anterior, en total fueron válidas 192 encuestas
(87 de Teleco y 105 de Informática).

164
 5.3.1 Estadísticos básicos

Los resultados obtenidos a partir de los datos observados en los alumnos del curso
2012-2013 fueron los siguientes (Anexos A 3.2, D y D.1):

Con respecto a contraseñas (variables AUPx, en Anexo A3.2):

 El 41% de los encuestados reconoce tener una única password común, para la
mayoría de los accesos.

 El 70% las mantiene fijas a lo largo del tiempo y otro 25% las cambia con una
frecuencia anual, aproximadamente.

 El 22% deja que se las grabe el propio navegador y otro 10% usa nombres
sencillos.

 El 34% declara no proteger el acceso a su ordenador (variable A1).

 Analizando conjuntamente las variables observadas, encontramos que un 4,2%

de los alumnos establece contraseñas complejas, diferentes para cada acceso y que
actualiza cada pocos meses.

Con referencia a las copias de seguridad de los datos (variables ABUx):

 El 13% no ha hecho nunca una copia y otro 32% solo las hace cuando cambia de
PC. Un 18% adicional suele hacerlas con frecuencia anual y un 20% cada semestre.

 Un 4% guarda las copias en el mismo disco del PC y un 56% en un disco

externo

 El 17% tiene un sistema automático de actualización.

 La frecuencia en hacer copias de seguridad está correlacionada (0,581 con

significatividad al 1%) con la garantía del soporte en el que se guardan, pudiendo
establecer un factor común de comportamiento que explicaría el 79% de la varianza
con un Alfa de Cronbach de 0,734.

165
  El 30% abre los correos de remitentes desconocidos para averiguar lo que
pretenden (variable A2)

 Un 15% reconoce no preocuparse por las vulnerabilidades de seguridad y un

31% se enteran de esos problemas a través de amigos (variable A3).

A la hora de navegar por las redes sociales (variables AURSx):

 Un 34% sube habitualmente información personal de viajes, fotos, fiestas y

composiciones propias

 Un 41% se expresa libremente manifestando sus puntos de vista sobre cualquier

tema

 Casi dos terceras partes (61%) de los alumnos coinciden en que se dan de alta
sin leerse las condiciones de registro aceptándolas al asumir que son estándar.

La correlación entre los que tienen activos antivirus y firewall es del 0,741 y entre los
que eliminan archivos temporales e histórico de páginas visitadas es del 0,809, ambos
con significatividad del 1%. Nos determinan dos factores, autoprotección y
privacidad, que explican el 89% de la varianza, con KMO de 0,553 y alfa de 0,746.

Resumiendo, en cuadros comparativos (tablas 13 a 17):

Tabla 13: Frecuencias de alumnos que realizan funciones sobre uso de contraseñas (EP)

Contraseñas Password Siempre Cambio Grabación Nombres No protección Seguros

única fijas anual por sencillos acceso a PC
navegador
Curso 2011-2012 36% 72% 22% 27% 8% 33% 4,5%

Curso 2012-2013 41% 70% 25% 22% 10% 34% 4,2%

Donde:
Password única implica una única contraseña para la mayoría de accesos
Siempre fijas se refiere a no cambiarlas a lo largo del tiempo
En grabación por navegador, que el propio sistema las genera de forma automática
Nombres sencillos son contraseñas fáciles de adivinar

166
La no protección de acceso al PC significa que es libre, sin contraseña para la sesión
Seguros son los que utilizan nombres complejos, diferentes, y cambian con frecuencia

Tabla 14: Frecuencias de alumnos que realizan funciones sobre uso de backups (EP)

Copias de Nunca Al Anual Semestral En PC Disco Actualización

seguridad hizo cambiar externo automática
PC
Curso 2011-2012 15% 33% 21% 18% 5% 57% 13%

Curso 2012-2013 13% 32% 18% 20% 4% 56% 17%

Interpretando lo siguiente:
Nunca hizo significa que no hacen copias de seguridad en ningún caso
Al cambiar de PC es el porcentaje que hace copia en ese caso
En PC indica el alojamiento en el que guardan las copias
Disco externo es el alojamiento de las copias
Actualización automática implica disponer de un sistema que se encarga de hacerlo

Tabla 15: Correlación entre funciones de defensa que realizan los alumnos y Estadísticos
básicos (EP)

antivirus y Archivos temp./ significatividad Explicación Alfa de KMO

firewall histórico pgs. de varianza Cronbach
(*) (*)
Curso 2011-2012 0,64 0,75 1% 85% 0,77 0,6

Curso 2012-2013 0,741 0,809 1% 89% 0,746 0,553

(*) La correlación entre los que tienen activos antivirus y firewall, contribuyen a la
autoprotección
(*) La correlación entre los que eliminan archivos temporales e histórico de
páginas visitadas, conforman la idea de privacidad

Uno de los parámetros utilizados para conocer el porcentaje de alumnos que protegen su
privacidad fue saber si se preocupan por la eliminación periódica de las cookies que se
almacenan en el PC tras navegar por internet (variable A8).

167
El resultado obtenido fue que el 38,6% del total de alumnos de los dos cursos (Anexo E)
no se preocupan por hacerlo (37,3% del curso 11-12, y 40,1% del 12-13).

Tabla 16: Frecuencias de alumnos que realizan funciones sobre normas básicas de
seguridad (EP)

Abren mails Despreocupación por Info x amigos

desconocidos vulnerabilidades
Curso 2011-2012 24% 16% 26%

Curso 2012-2013 30% 15% 31%

Significando lo siguiente:
Abren mails de desconocidos, para averiguar lo que pretenden
No tienen preocupaciones por vulnerabilidades, de seguridad
La información, sobre vulnerabilidades de seguridad la conocen a través de los amigos

Tabla 17: Frecuencias de alumnos que expresan contenidos a través de Redes Sociales
(EP)

Navegar x SNS Info amistosa Expresión libre Aceptan sin leer conds.
Curso 2011-2012 45% 45% 62%
Curso 2012-2013 34% 41% 61%

En esta última tabla:

La información amistosa, se refiere a la personal (viajes, fotos, fiestas, composiciones

propias….).

La expresión libre, implica manifestarse a través de Redes Sociales con opiniones

políticas, religiosas, sexuales….

Aceptan sin leer condiciones, de registro, dando por suficientes las ofertadas por
defecto.

Así pues, lamentablemente se confirma el acierto por la preocupación de los resultados

previos obtenidos con los alumnos del curso 2011-2012 al constatar la similitud, en el

168
orden de magnitud, con los datos conseguidos al procesar las respuestas de los alumnos
del curso siguiente. Lo que demuestra su coherencia.

A su vez, a través del diseño factorial que nos permite confirmar, o variar, los grafos
estructurales del curso anterior al procesar las respuestas contenidas en los cuestionarios
de las encuestas del curso 2012-2013 que pueden consultarse en el Anexo D.1,
encontramos los resultados que, resumidos, pueden verse en la tabla 18:

Tabla 18. Parámetros encuesta curso 2012-2013

Factor / variables KMO Varianza Alfa Cronbach Significatividad

(valores deseables) >0,5 >60% >0,6 <5%

F1/ At1, At2, At3, At4, At5 0,835 71% 0,897 <1%
F2/ E2, E3, E5 0,637 57% 0,616 <1%
F3/ U1, U2, U4, U5, C4, E1 0,674 68% 0,782 <1%
Conjunta (todas las variables) 0,781 60% 0,828 <1%

Fuente: EP
Al agrupar las variables nos aparecen tres factores claramente diferenciados y definidos
como en el curso anterior, con una alta correlación entre las variables que conforman
cada uno de ellos.

Uno está definido por las cinco variables que propusimos en ese sentido (atracción).
Otro (estrés) queda representado por tres de las cinco variables previstas.
Y el último (utilidad) lo conforman cuatro de las cinco variables supuestas más una de
estrés y otra de confianza.

Nuevamente los resultados estadísticos referentes a calidad, explicación de las varianzas

e indicadores de correlación nos informan de la coherencia de respuestas y
planteamiento.

No obstante, disponiendo de los datos de los dos cursos realizamos un análisis factorial
exploratorio con el conjunto de todos los alumnos (anexo E) y nos encontramos con un
cuarto factor (confianza) que completaba los tres existentes (atracción, estrés y utilidad)

169
tal y como se identifica en los modelos basados en la teoría referenciados en el Anexo 1.
El resumen de los valores estadísticos obtenidos se presenta en la tabla 19.

Tabla 19. Parámetros encuesta ambos cursos

Factor / variables KMO Varianza Alfa Cronbach Significatividad

(valores deseables) >0,5 >60% >0,6 <5%

Atracción/ At1, At2, At3, At4, At5 0,860 71% 0,898 <1%
Estrés/ E2, E3, E5 0,661 60% 0,669 <1%
Utilidad/ U3, U4, U5 0,657 74% 0,805 <1%
Confianza/ C1, C2, C4 0,669 62% 0,696 <1%
Conjunta (todas las variables) 0,872 69% 0,853 <1%

Fuente: EP

170
 5.3.2 Estadísticos estructurales

Ensayando el modelo estructural visto en el grafo 4 correspondiente a los alumnos del

curso 2011-2012, pero aplicándolo a los datos obtenidos de los alumnos del curso 2012-
2013 conseguimos el siguiente ajuste:

Grafo 4bis. Modelo sugerido, con variables de control, del curso 2012-2013 (EP)

Siendo 196,7 el valor obtenido para Chi-square, 105 los grados de libertad y 0,93 el
CFI, la bondad de ajuste del modelo no es tan perfecto como en el caso del curso
anterior pero sigue siendo aceptable reflejando los siguientes parámetros

171
 Tabla 20. Resultados proceso grafo 4bis

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,068 ,053 ,082 ,026

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label
Utilidad <--- FACABU ,123 ,033 3,681 *** par_15
Utilidad <--- FAC89 ,049 ,029 1,710 ,087 par_19
Atracción <--- Utilidad 1,362 ,274 4,968 *** par_12
Atracción <--- FACABU ,051 ,049 1,027 ,305 par_17
Atracción <--- FAC89 ,063 ,045 1,386 ,166 par_20
Estrés <--- Utilidad -,024 ,182 -,134 ,893 par_13
Estrés <--- Atracción ,083 ,079 1,047 ,295 par_14
Estrés <--- FACABU -,005 ,032 -,145 ,885 par_16
Estrés <--- FAC89 -,030 ,030 -,994 ,320 par_18
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,027 ,102 10,044 *** par_1
U2 <--- Utilidad 1,120 ,260 4,312 *** par_2
U1 <--- Utilidad 1,303 ,273 4,776 *** par_3
C4 <--- Utilidad 2,020 ,345 5,848 *** par_4
E1 <--- Utilidad 1,784 ,323 5,531 *** par_5
E5 <--- Estrés 1,000
E3 <--- Estrés ,828 ,234 3,540 *** par_6
E2 <--- Estrés 2,407 ,588 4,094 *** par_7
At5 <--- Atracción 1,000
At4 <--- Atracción 1,083 ,090 12,018 *** par_8
At3 <--- Atracción 1,271 ,098 12,936 *** par_9
At2 <--- Atracción 1,126 ,103 10,919 *** par_10
At1 <--- Atracción 1,027 ,099 10,384 *** par_11
Nota <--- Utilidad 1,345 ,834 1,614 ,107 par_21
Nota <--- Atracción -,402 ,377 -1,065 ,287 par_22
Nota <--- Estrés -,213 ,385 -,553 ,580 par_23

172
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
Utilidad <--- FACABU ,346
Utilidad <--- FAC89 ,139
Atracción <--- Utilidad ,672
Atracción <--- FACABU ,070
Atracción <--- FAC89 ,087
Estrés <--- Utilidad -,020
Estrés <--- Atracción ,137
Estrés <--- FACABU -,011
Estrés <--- FAC89 -,070
U5 <--- Utilidad ,466
U4 <--- Utilidad ,451
U2 <--- Utilidad ,424
U1 <--- Utilidad ,499
C4 <--- Utilidad ,778
E1 <--- Utilidad ,674
E5 <--- Estrés ,408
E3 <--- Estrés ,322
E2 <--- Estrés ,943
At5 <--- Atracción ,747
At4 <--- Atracción ,725
At3 <--- Atracción ,932
At2 <--- Atracción ,778
At1 <--- Atracción ,743
Nota <--- Utilidad ,220
Nota <--- Atracción -,133
Nota <--- Estrés -,043

Fuente: AMOS (EP)

La significatividad es excelente (<1%) y directa entre:

 UtilidadAtracción (regr. 0,672),

 FACABU  Utilidad (regr. 0,346) , y

 entre las relaciones de las latentes y sus observables

173
Las “Notas” siguen siendo no significativas y de bajo valor. Es decir, respecto estos
parámetros, los mejores estudiantes de este curso tampoco se diferencian de los no tan
buenos. Continua faltando información adecuada a todos los niveles pues ni siquiera los
mejores actúan con suficiente seguridad.

Existe un valor de regresión muy alto entre Utilidad y Atracción (0,672) que mantiene
que cuando los alumnos entienden que algo es útil se sienten más atraídos.

También tenemos un valor bastante alto de regresión total (0,346) entre FACABU 
Utilidad con un 1% de significatividad, lo que implica que los alumnos que son más
cuidadosos con la protección de sus datos consideran más útil adoptar medidas de
seguridad.

Adicionalmente, analizamos la modelización correspondiente a la totalidad de las

variables latentes definidas en la tabla 19 aplicándola sobre los datos obtenidos con los
alumnos del curso 2012-2013. Manteniendo las trayectorias de causalidad de estudios
similares referenciados con esas latentes (Anexo 1), obtuvimos los siguientes resultados

174
 Grafo 5. Modelo de cuatro constructos con los alumnos del curso 2012-13 (EP)

Los resultados del modelo con los cuatro constructos previstos en el modelo inicial, con
los alumnos del curso 2012-2013, dan unos parámetros de bondad de ajuste muy
satisfactorios, con un Comparative fit index (CFI) de 0,96 y unos residuos (RMSEA)
entre 0,034 y 0,068, como puede verse a continuación.

175
 Tabla 21. Resultados proceso global con alumnos 2012-2013

Result (Default model)

Minimum was achieved

Chi-square = 150,567
Degrees of freedom = 100
Probability level = ,001

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,892 ,852 ,961 ,945 ,960
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,051 ,034 ,068 ,427
Independence model ,220 ,209 ,230 ,000

Covariances: (Group number 1 - Default model)

Estimate S.E. C.R. P Label
FAC89 <--> FACABU ,147 ,073 2,021 ,043 par_29
ea5 <--> ea4 ,163 ,038 4,278 *** par_31
ea5 <--> ea2 ,196 ,039 5,081 *** par_32

Correlations: (Group number 1 - Default model)

Estimate
FAC89 <--> FACABU ,148
ea5 <--> ea4 ,318
ea5 <--> ea2 ,416

176
 Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Utilidad <--- FACABU ,030 ,050 ,592 ,554 par_12
Utilidad <--- FAC89 ,161 ,051 3,180 ,001 par_27
Atracción <--- FACABU ,203 ,048 4,245 *** par_13
Atracción <--- Utilidad ,364 ,077 4,722 *** par_15
Atracción <--- FAC89 ,054 ,047 1,147 ,252 par_26
Confianza <--- FAC89 ,011 ,042 ,271 ,786 par_11
Estrés <--- FAC89 -,056 ,050 -1,114 ,265 par_14
Estrés <--- Utilidad ,084 ,083 1,008 ,314 par_16
Estrés <--- Atracción ,126 ,088 1,436 ,151 par_17
Confianza <--- FACABU ,098 ,044 2,202 ,028 par_18
Confianza <--- Utilidad ,185 ,073 2,546 ,011 par_19
Confianza <--- Atracción ,571 ,101 5,676 *** par_28
Estrés <--- FACABU -,122 ,056 -2,184 ,029 par_30
C1 <--- Confianza 1,000
C2 <--- Confianza ,898 ,134 6,692 *** par_1
C4 <--- Confianza 1,077 ,153 7,042 *** par_2
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,131 ,079 14,392 *** par_3
U3 <--- Utilidad ,807 ,104 7,791 *** par_4
E2 <--- Estrés 1,000
E3 <--- Estrés ,996 ,228 4,374 *** par_5
E5 <--- Estrés 1,504 ,380 3,959 *** par_6
At5 <--- Atracción 1,000
At4 <--- Atracción 1,121 ,097 11,588 *** par_7
At3 <--- Atracción 1,391 ,113 12,261 *** par_8
At2 <--- Atracción 1,139 ,087 13,101 *** par_9
At1 <--- Atracción 1,074 ,108 9,906 *** par_10
Nota <--- Confianza ,081 ,625 ,130 ,897 par_20
Nota <--- Atracción -,184 ,463 -,398 ,691 par_21
Nota <--- Estrés ,248 ,360 ,690 ,490 par_22
Nota <--- Utilidad ,528 ,295 1,792 ,073 par_23
Nota <--- FACABU ,049 ,182 ,269 ,788 par_24
Nota <--- FAC89 -,160 ,164 -,973 ,330 par_25

177
Standardized Total Effects (Group number 1 - Default model)
FACABU FAC89 Utilidad Atracción Estrés Confianza
Utilidad ,044 ,237 ,000 ,000 ,000 ,000
Atracción ,311 ,164 ,360 ,000 ,000 ,000
Estrés -,168 -,052 ,159 ,156 ,000 ,000
Confianza ,362 ,169 ,428 ,629 ,000 ,000
Nota ,009 -,043 ,164 -,034 ,063 ,023
At1 ,229 ,121 ,265 ,736 ,000 ,000
At2 ,232 ,122 ,268 ,745 ,000 ,000
At3 ,299 ,158 ,346 ,962 ,000 ,000
At4 ,221 ,116 ,256 ,711 ,000 ,000
At5 ,221 ,117 ,256 ,712 ,000 ,000
E5 -,130 -,040 ,124 ,121 ,778 ,000
E3 -,083 -,025 ,078 ,077 ,492 ,000
E2 -,083 -,026 ,079 ,078 ,497 ,000
U3 ,023 ,125 ,528 ,000 ,000 ,000
U4 ,041 ,225 ,947 ,000 ,000 ,000
U5 ,039 ,211 ,888 ,000 ,000 ,000
C4 ,262 ,122 ,309 ,455 ,000 ,723
C2 ,239 ,112 ,283 ,415 ,000 ,660
C1 ,215 ,101 ,255 ,374 ,000 ,595
Fuente: AMOS (EP)

La significatividad es excelente (<1%) y directa entre:

 FACA89  Utilidad,

 FACABU  Atracción,

 UtilidadAtracción,

 Atracción  Confianza, y

 entre las relaciones de las latentes y sus observables,

Algo menor (<5%) entre:

 FACABU  Confianza

 Utilidad  Confianza y FACABU  Estrés

178
Las “Notas” no son significativas y de escaso valor. Tan solo existe cierto grado de
significatividad (<8%) entre Utilidad y Nota pero de valor muy bajo (0,164), con lo que
se mantienen las afirmaciones descritas anteriormente respecto esta variable.

Existe correspondencia entre FACA89 y Utilidad (0,237), más alta entre FACABU y
Atracción (0,311), y entre FACABU y Confianza (0,362) y lógicamente de signo
contrario entre FACABU y Estrés (los alumnos que más protegen sus datos se
preocupan menos).

Hay un valor de regresión alto entre Utilidad y Atracción (0,36) que confirma que lo
considerado útil genera atracción.

Sobre la variable latente Confianza influyen de forma decisiva las variables latentes
Utilidad (0,428) y Atracción (0,629). Cuando estas últimas crecen una unidad, la
Confianza crece en la medida indicada por cada una de ellas.

En definitiva, si algo es útil nos atrae y nos genera confianza. Y a mayor atracción,
mucha mayor confianza.

179
 5.4 Modelos estructurales completos

Probando el mismo modelo presentado en el grafo 5, pero aplicado a la totalidad de

alumnos de los dos cursos, obtenemos los siguientes resultados con un excelente ajuste:

Grafo 6. Modelo de cuatro constructos con todos los alumnos de los dos cursos (EP)

180
 Tabla 22. Resultados proceso global con alumnos ambos cursos

Result (Default model)

Minimum was achieved
Chi-square = 150,162
Degrees of freedom = 100
Probability level = ,001

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,943 ,922 ,980 ,973 ,980
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,036 ,023 ,047 ,983
Independence model ,216 ,208 ,223 ,000

Covariances: (Group number 1 - Default model)

Estimate S.E. C.R. P Label
FAC89 <--> FACABU ,083 ,050 1,645 ,100 par_29
ea5 <--> ea4 ,144 ,027 5,359 *** par_31
ea5 <--> ea2 ,127 ,025 5,164 *** par_32

Correlations: (Group number 1 - Default model)

Estimate
FAC89 <--> FACABU ,083
ea5 <--> ea4 ,311
ea5 <--> ea2 ,317

181
 Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

Utilidad <--- FACABU ,002 ,037 ,055 ,956 par_12
Utilidad <--- FAC89 ,187 ,037 5,013 *** par_27
Atracción <--- FACABU ,058 ,034 1,679 ,093 par_13
Atracción <--- Utilidad ,493 ,060 8,285 *** par_15
Atracción <--- FAC89 ,084 ,036 2,345 ,019 par_26
Confianza <--- FAC89 ,013 ,026 ,507 ,612 par_11
Estrés <--- FAC89 -,028 ,044 -,625 ,532 par_14
Estrés <--- Utilidad ,203 ,079 2,570 ,010 par_16
Estrés <--- Atracción ,083 ,075 1,113 ,266 par_17
Confianza <--- FACABU ,047 ,026 1,833 ,067 par_18
Confianza <--- Utilidad ,267 ,051 5,229 *** par_19
Confianza <--- Atracción ,484 ,062 7,768 *** par_28
Estrés <--- FACABU -,076 ,043 -1,785 ,074 par_30
C1 <--- Confianza 1,000
C2 <--- Confianza 1,073 ,113 9,471 *** par_1
C4 <--- Confianza 1,093 ,115 9,535 *** par_2
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,050 ,055 19,025 *** par_3
U3 <--- Utilidad ,821 ,068 12,042 *** par_4
E2 <--- Estrés 1,000
E3 <--- Estrés 1,001 ,132 7,557 *** par_5
E5 <--- Estrés ,948 ,125 7,559 *** par_6
At5 <--- Atracción 1,000
At4 <--- Atracción 1,075 ,062 17,473 *** par_7
At3 <--- Atracción 1,184 ,067 17,562 *** par_8
At2 <--- Atracción 1,104 ,058 18,989 *** par_9
At1 <--- Atracción 1,028 ,070 14,716 *** par_10
Nota <--- Confianza -,009 ,623 -,014 ,989 par_20
Nota <--- Atracción ,012 ,371 ,032 ,974 par_21
Nota <--- Estrés ,104 ,204 ,510 ,610 par_22
Nota <--- Utilidad ,474 ,269 1,764 ,078 par_23
Nota <--- FACABU -,039 ,116 -,339 ,735 par_24
Nota <--- FAC89 -,021 ,117 -,178 ,858 par_25

182
Standardized Total Effects (Group number 1 - Default model)
FACABU FAC89 Utilidad Atracción Estrés Confianza
Utilidad ,003 ,264 ,000 ,000 ,000 ,000
Atracción ,080 ,242 ,480 ,000 ,000 ,000
Estrés -,102 ,036 ,248 ,087 ,000 ,000
Confianza ,132 ,260 ,628 ,617 ,000 ,000
Nota -,021 ,032 ,160 ,005 ,033 -,002
At1 ,060 ,181 ,358 ,746 ,000 ,000
At2 ,063 ,191 ,379 ,789 ,000 ,000
At3 ,072 ,217 ,431 ,899 ,000 ,000
At4 ,059 ,178 ,353 ,735 ,000 ,000
At5 ,060 ,182 ,360 ,750 ,000 ,000
E5 -,065 ,023 ,157 ,055 ,635 ,000
E3 -,065 ,023 ,158 ,056 ,639 ,000
E2 -,064 ,023 ,156 ,055 ,631 ,000
U3 ,002 ,153 ,580 ,000 ,000 ,000
U4 ,003 ,238 ,902 ,000 ,000 ,000
U5 ,002 ,227 ,862 ,000 ,000 ,000
C4 ,093 ,183 ,441 ,433 ,000 ,702
C2 ,092 ,180 ,435 ,428 ,000 ,693
C1 ,073 ,144 ,347 ,341 ,000 ,553

Modification Indices (Group number 1 – Default model). Covariances:

M.I. Par Change
ec <--> ee 5,115 ,047
ea2 <--> ec 6,154 -,038
ea4 <--> ee 5,141 -,067
ea4 <--> ec 4,585 -,038
ea5 <--> FACABU 4,801 -,064
ea5 <--> ee 10,738 ,080
ee5 <--> ea5 8,264 ,076
ee3 <--> eu 4,383 -,073
eu3 <--> ee5 7,061 -,102
eu4 <--> ee5 4,112 ,045
eu4 <--> ee3 4,800 -,051
ec4 <--> ea1 6,317 ,063
ec2 <--> ea5 5,286 ,047
ec2 <--> ec4 9,582 -,074
ec1 <--> ec 10,183 ,067
ec1 <--> ea2 7,520 -,077
ec1 <--> ea4 5,255 -,073
ec1 <--> ea5 5,166 ,059
ec1 <--> ec2 12,310 ,110
Fuente: AMOS (EP)

183
Siguiendo la recomendación de modificación de índices, covariando ec1 con ec2,
llegamos a los siguientes valores:

Grafo 6bis. Modelo optimizado de cuatro constructos con los alumnos de ambos cursos
(EP)

184
 Tabla 23. Resultados optimizados del proceso global con alumnos ambos cursos

Result (Default model)

Minimum was achieved
Chi-square = 133,814
Degrees of freedom = 99
Probability level = ,011

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,949 ,930 ,986 ,981 ,986
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,030 ,015 ,042 ,998
Independence model ,216 ,208 ,223 ,000

Covariances: (Group number 1 - Default model)

Estimate S.E. C.R. P Label
FAC89 <--> FACABU ,083 ,050 1,645 ,100 par_29
ea5 <--> ea4 ,145 ,027 5,387 *** par_31
ea5 <--> ea2 ,128 ,025 5,200 *** par_32
ec1 <--> ec2 ,149 ,038 3,927 *** par_33

Correlations: (Group number 1 - Default model)

Estimate
FAC89 <--> FACABU ,083
ea5 <--> ea4 ,312
ea5 <--> ea2 ,318
ec1 <--> ec2 ,246

185
 Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Utilidad <--- FACABU ,002 ,037 ,054 ,957 par_12
Utilidad <--- FAC89 ,187 ,037 5,017 *** par_27
Atracción <--- FACABU ,058 ,034 1,682 ,092 par_13
Atracción <--- Utilidad ,493 ,060 8,282 *** par_15
Atracción <--- FAC89 ,084 ,036 2,346 ,019 par_26
Confianza <--- FAC89 ,009 ,024 ,369 ,712 par_11
Estrés <--- FAC89 -,027 ,044 -,620 ,536 par_14
Estrés <--- Utilidad ,203 ,079 2,565 ,010 par_16
Estrés <--- Atracción ,083 ,075 1,100 ,272 par_17
Confianza <--- FACABU ,047 ,023 2,037 ,042 par_18
Confianza <--- Utilidad ,250 ,048 5,187 *** par_19
Confianza <--- Atracción ,447 ,061 7,287 *** par_28
Estrés <--- FACABU -,076 ,043 -1,783 ,075 par_30
C1 <--- Confianza 1,000
C2 <--- Confianza 1,151 ,123 9,366 *** par_1
C4 <--- Confianza 1,240 ,147 8,413 *** par_2
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,052 ,055 19,079 *** par_3
U3 <--- Utilidad ,823 ,068 12,052 *** par_4
E2 <--- Estrés 1,000
E3 <--- Estrés 1,001 ,132 7,556 *** par_5
E5 <--- Estrés ,948 ,125 7,558 *** par_6
At5 <--- Atracción 1,000
At4 <--- Atracción 1,077 ,062 17,461 *** par_7
At3 <--- Atracción 1,185 ,068 17,518 *** par_8
At2 <--- Atracción 1,106 ,058 18,972 *** par_9
At1 <--- Atracción 1,032 ,070 14,719 *** par_10
Nota <--- Confianza -,048 1,113 -,043 ,966 par_20
Nota <--- Atracción ,029 ,547 ,054 ,957 par_21
Nota <--- Estrés ,105 ,204 ,516 ,606 par_22
Nota <--- Utilidad ,483 ,350 1,381 ,167 par_23
Nota <--- FACABU -,037 ,124 -,302 ,763 par_24
Nota <--- FAC89 -,020 ,117 -,176 ,861 par_25

186
Standardized Total Effects (Group number 1 - Default model)
FACABU FAC89 Utilidad Atracción Estrés Confianza
Utilidad ,003 ,264 ,000 ,000 ,000 ,000
Atracción ,081 ,242 ,480 ,000 ,000 ,000
Estrés -,102 ,036 ,247 ,086 ,000 ,000
Confianza ,148 ,269 ,668 ,652 ,000 ,000
Nota -,021 ,032 ,160 ,005 ,033 -,011
At1 ,060 ,181 ,359 ,748 ,000 ,000
At2 ,064 ,191 ,379 ,789 ,000 ,000
At3 ,072 ,217 ,431 ,898 ,000 ,000
At4 ,059 ,178 ,353 ,735 ,000 ,000
At5 ,060 ,181 ,359 ,749 ,000 ,000
E5 -,065 ,023 ,157 ,055 ,635 ,000
E3 -,065 ,023 ,158 ,055 ,639 ,000
E2 -,064 ,023 ,156 ,054 ,630 ,000
U3 ,002 ,153 ,581 ,000 ,000 ,000
U4 ,003 ,238 ,903 ,000 ,000 ,000
U5 ,002 ,227 ,861 ,000 ,000 ,000
C4 ,103 ,187 ,464 ,454 ,000 ,695
C2 ,096 ,175 ,433 ,423 ,000 ,649
C1 ,071 ,130 ,322 ,315 ,000 ,483

Standardized Direct Effects (Group number 1 - Default model)

FACABU FAC89 Utilidad Atracción Estrés Confianza
Utilidad ,003 ,264 ,000 ,000 ,000 ,000
Atracción ,079 ,115 ,480 ,000 ,000 ,000
Estrés -,109 -,039 ,206 ,086 ,000 ,000
Confianza ,095 ,018 ,355 ,652 ,000 ,000
Nota -,017 -,009 ,154 ,010 ,033 -,011
At1 ,000 ,000 ,000 ,748 ,000 ,000
At2 ,000 ,000 ,000 ,789 ,000 ,000
At3 ,000 ,000 ,000 ,898 ,000 ,000
At4 ,000 ,000 ,000 ,735 ,000 ,000
At5 ,000 ,000 ,000 ,749 ,000 ,000
E5 ,000 ,000 ,000 ,000 ,635 ,000
E3 ,000 ,000 ,000 ,000 ,639 ,000
E2 ,000 ,000 ,000 ,000 ,630 ,000
U3 ,000 ,000 ,581 ,000 ,000 ,000
U4 ,000 ,000 ,903 ,000 ,000 ,000
U5 ,000 ,000 ,861 ,000 ,000 ,000
C4 ,000 ,000 ,000 ,000 ,000 ,695
C2 ,000 ,000 ,000 ,000 ,000 ,649
C1 ,000 ,000 ,000 ,000 ,000 ,483

187
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
FAC89 ,995 ,071 14,053 *** par_51
FACABU ,995 ,071 14,053 *** par_52
eu ,465 ,047 9,911 *** par_53
ea ,379 ,047 8,070 *** par_54
ec ,044 ,019 2,312 ,021 par_55
ee ,452 ,086 5,239 *** par_56
ec1 ,815 ,063 12,907 *** par_57
ec2 ,452 ,040 11,220 *** par_58
ec4 ,407 ,040 10,308 *** par_59
eu5 ,174 ,023 7,577 *** par_60
eu4 ,125 ,023 5,423 *** par_61
eu3 ,666 ,051 13,170 *** par_62
ee2 ,738 ,080 9,248 *** par_63
ee3 ,706 ,078 9,012 *** par_64
ee5 ,649 ,071 9,134 *** par_65
ea5 ,413 ,034 12,038 *** par_66
ea4 ,521 ,043 12,174 *** par_67
ea3 ,178 ,024 7,526 *** par_68
ea2 ,391 ,034 11,354 *** par_69
ea1 ,443 ,037 12,064 *** par_70
en 4,784 ,342 14,001 *** par_71
Fuente: AMOS (EP)

A la vista de los resultados del modelo podemos asegurar que la bondad (calidad) del
mismo es excelente, con un CFI de 0,986 y unos residuos entre 0,015 y 0,042 para la
totalidad de la población con encuesta válida (alumnos de los dos cursos) y una relación
Chi 2 / grados de libertad de 1,35.

Hemos conseguido obtener un ajuste que se corresponde con el modelo teórico de

cuatro constructos y las interpretaciones que podemos derivar son las siguientes:

Son significativas (<2%) las relaciones entre

 FAC89 y Utilidad,

 entre FAC89 y Atracción,

 entre Utilidad y Atracción,

188
  entre Utilidad y Estrés,

 entre Utilidad y Confianza,

 entre Atracción y Confianza, y lógicamente …

 entre los constructos y las variables que los definen.

En menor medida (<5%) entre

 entre FACABU y Confianza, y

a tener en cuenta (<10%) entre

 FACABU y Estrés, y

 FACABU y Atracción

Cuando observamos el peso de los efectos totales considerados, nos damos cuenta que:

 Utilidad es importante sobre Estrés (0,247),

 así como FAC89 sobre Utilidad (0,264) y Atracción (0,242), aunque esta última
se reparte entre directa e indirectamente (a través de Utilidad).

 Utilidad sobre Atracción tiene mucha influencia (0,48), y sobre todo

 Utilidad sobre Confianza tiene muchísima influencia (0,668), también repartido

entre directa e indirectamente (a través de Atracción).

 También influye muchísimo Atracción sobre Confianza (0,652).

Tienen menos relación y significatividad

 FACABU sobre Estrés (en dirección contraria), y FACABU sobre Confianza, y

 Sin importancia de FACABU sobre Atracción.

Observamos que los alumnos que más se preocupan por proteger su privacidad
(FAC89) son los que consideran más útiles (Utilidad) los sistemas de protección en su
navegación y se sienten más atraídos (Atracción) por su implementación.

189
Utilidad es un constructo que influye mucho en la Atracción y en la Confianza y, en
menor medida, sobre el Estrés. Lo que significa que los que ven útil poner en práctica
medidas de seguridad, se sienten más atraídos por conocerlas y tienen más confianza
aunque hay un porcentaje significativo que no se siente suficientemente seguro (con
mayor estrés).

La Confianza recibe la influencia de Atracción y también de Utilidad, tanto

directamente como incrementando su influencia a través de Atracción.

La covarianza entre FACABU y FAC89 es escasa y poco significativa (10%).

Ni hay significatividad ni los parámetros tienen relevancia en lo que cada constructo se

correlaciona con la Nota. Tampoco hay correlación significativa con Nota por parte de
los alumnos que son más o menos cuidadosos con la protección de su privacidad o de
sus datos (FAC89 y FACABU). Lo que nos viene a decir que el comportamiento de los
alumnos en su vida “real” no tiene nada que ver con el grado de aprovechamiento en sus
estudios. No deja de sorprendernos pues parece que estudian para aprobar, pero no
aprenden y no incorporan en su vida las enseñanzas que, supuestamente, han recibido
pero no asimilado.

Algo parecido sucede con el nivel de protección de sus datos generando procedimientos
de backup. Correlaciones significativas con Confianza (>5 %) y a tener en cuenta
(<10%), con Atracción y Estrés (en negativo) pero siempre de bajo valor. Parece como
si les diese igual, que no les importa.

En resumen, si hacemos comprender a nuestros alumnos la ventaja de entender la

utilidad de la navegación segura, conseguiremos incrementar su atracción hacia ese tipo
de medidas e incrementar su confianza y seguridad.

Estamos utilizando habitualmente la forma de representación gráfica de los modelos

causales que estamos planteando, por ser la más sencilla de observación y obtención de
conclusiones. Pero también es posible representarlos mediante la notación algebraica.
Ambas fomas son equivalentes, aunque una utiliza los diagramas de caminos y la otra la
formulación matemática mediante ecuaciones.

190
Para la representación algebraica (grafo 6tris) de los resultados obtenidos con el modelo
básico (con independencia de variables independientes exógenas, de control) del grafo
6bis tendríamos en cuenta los siguientes factores:

Indicadores correspondientes a las variables latentes endógenas, incluida la dependiente

(Nota): At5, At4, At3, At2, At1, E2, E3, E5, C1, C2, C4, U5, U4, U3, Nota

Variables latentes endógenas: Atracción, Estrés, Confianza, Utilidad

Grafo 6tris. Modelo básico de cuatro constructos optimizado con los alumnos de ambos
cursos (EP)

191
Sus respectivas matrices de impactos y errores asociados, nos dejan las siguientes
ecuaciones:

At5 1 0 0 0 0,41
At4 1,08 0 0 0 0,52
At3 1,19 0 0 0 0,18
At2 1,11 0 0 0 0,39
At1 1,03 0 0 0 0,44
E2 0 1 0 0 Atracción 0,73
E3 0 1 0 0 Estrés 0,7
E5 = 0 0,94 0 0 x Confianza + 0,66
C1 0 0 1 0 Utilidad 0,81
C2 0 0 1,16 0 0,45
C4 0 0 1,23 0 0,41
U5 0 0 0 1 0,17
U4 0 0 0 1,04 0,13
U3 0 0 0 0,82 0,67
Nota 0,04 0,11 -0,09 0,49 4,78

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

Atracción <--- Utilidad ,524 ,059 8,903 *** par_11
Estrés <--- Utilidad ,200 ,078 2,556 ,011 par_12
Estrés <--- Atracción ,062 ,075 ,834 ,404 par_13
Confianza <--- Utilidad ,249 ,048 5,212 *** par_14
Confianza <--- Atracción ,458 ,062 7,374 *** par_19
C1 <--- Confianza 1,000
C2 <--- Confianza 1,156 ,124 9,353 *** par_1
C4 <--- Confianza 1,229 ,147 8,355 *** par_2
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,042 ,055 18,920 *** par_3
U3 <--- Utilidad ,816 ,068 11,999 *** par_4
E2 <--- Estrés 1,000
E3 <--- Estrés 1,002 ,133 7,511 *** par_5
E5 <--- Estrés ,937 ,125 7,519 *** par_6
At5 <--- Atracción 1,000
At4 <--- Atracción 1,076 ,062 17,453 *** par_7
At3 <--- Atracción 1,187 ,068 17,536 *** par_8
At2 <--- Atracción 1,106 ,058 18,971 *** par_9
At1 <--- Atracción 1,031 ,070 14,705 *** par_10
Nota <--- Confianza -,091 1,070 -,085 ,933 par_15
Nota <--- Atracción ,038 ,539 ,070 ,945 par_16
Nota <--- Estrés ,111 ,201 ,551 ,582 par_17
Nota <--- Utilidad ,489 ,338 1,447 ,148 par_18

192
A su vez, los valores estandarizados de las variables latentes se construyen desde sus
respectivas variables observables, con los siguientes niveles de influencia que se
muestran en el grafo 6-tetrakis:

Grafo 6-tetrakis. Modelo básico de cuatro constructos optimizado con los alumnos de
ambos cursos – valores estandarizados (EP)

193
Confianza = 0,484 C1 + 0,653 C2 + 0.69 C4

Utilidad = 0,579 U3 + 0,899 U4 + 0,866 U5

Estrés = 0,633 E2 + 0,642 E3 + 0,63 E5

Atracción = 0,747 At1 + 0,789 At2 + 0,899 At3 + 0,734 At4 + 0,749 At5

Standardized Regression Weights: (Group number 1 - Default model)

Estimate
Atracción <--- Utilidad ,512
Estrés <--- Utilidad ,203
Estrés <--- Atracción ,064
Confianza <--- Utilidad ,355
Confianza <--- Atracción ,667
C1 <--- Confianza ,484
C2 <--- Confianza ,653
C4 <--- Confianza ,690
U5 <--- Utilidad ,866
U4 <--- Utilidad ,899
U3 <--- Utilidad ,579
E2 <--- Estrés ,633
E3 <--- Estrés ,642
E5 <--- Estrés ,630
At5 <--- Atracción ,749
At4 <--- Atracción ,734
At3 <--- Atracción ,899
At2 <--- Atracción ,789
At1 <--- Atracción ,747
Nota <--- Confianza -,020
Nota <--- Atracción ,012
Nota <--- Estrés ,035
Nota <--- Utilidad ,157

194
 5.4.1 Modelo estructural alternativo

Observamos que, cambiando el sentido de algunas de las supuestas causalidades, en

algunos casos los valores obtenidos por los parámetros expuestos eran muy similares,
aunque en otros diferían sustancialmente. Concretamente, pese a haber visto relaciones
causales entre las percepciones de Confianza y Atracción en ejercicios similares,
comprobamos que los coeficientes de ajuste en nuestro caso eran prácticamente los
mismos cambiando causa por efecto, por lo que decidimos mantener la correlación entre
todos los constructos sin afirmar que uno fuese causa de otro.

Así que probamos este otro modelo en el que, sin establecer causalidad,
correlacionamos libremente todos los constructos tal y como recomiendan Anderson y
Gerbin (1988), a través de los errores de covarianza, generando un modelo en el que lo
que obtendremos será la influencia de las variables de control sobre las latentes y de
todas ellas sobre la dependiente que clusteriza a los alumnos por sus conocimientos,
medidos a través del test que origina la variable Nota.

Los resultados obtenidos del modelo representado por el grafo 7 pueden observarse en
la tabla 24 y confirman su calidad a través de unos indicadores que, para la relación Chi
cuadrado sobre los grados de libertad dan un cociente de 1,46, con un CFI de 0,982 y
unos residuos entre 0,021 y 0,046.

195
Grafo 7. Modelo correlacional con los 396 alumnos de los dos cursos (EP)

196
 Tabla 24. Resultados optimizados del modelo correlacional con alumnos ambos cursos

Result (Default model)

Minimum was achieved
Chi-square = 144,908
Degrees of freedom = 99
Probability level = ,002

Baseline Comparisons

NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Default model ,945 ,924 ,982 ,975 ,982
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

RMSEA

Model RMSEA LO 90 HI 90 PCLOSE

Default model ,034 ,021 ,046 ,989
Independence model ,216 ,208 ,223 ,000

Covariances: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

FACABU <--> FAC89 ,083 ,050 1,645 ,100 par_21
ee <--> eu ,111 ,033 3,348 *** par_22
eu <--> ea ,229 ,032 7,122 *** par_23
ec <--> eu ,236 ,033 7,054 *** par_24
ec <--> ea ,301 ,040 7,608 *** par_25
ec <--> ee ,118 ,032 3,708 *** par_26
ee <--> ea ,082 ,033 2,478 ,013 par_27
ea5 <--> ea2 ,128 ,025 5,202 *** par_32
ea5 <--> ea4 ,145 ,027 5,386 *** par_33

Correlations: (Group number 1 - Default model)

Estimate
FACABU <--> FAC89 ,083
ee <--> eu ,232
eu <--> ea ,479
ec <--> eu ,631
ec <--> ea ,783
ec <--> ee ,309
ee <--> ea ,167
ea5 <--> ea2 ,319
ea5 <--> ea4 ,312

197
 Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

Utilidad <--- FACABU ,002 ,037 ,054 ,957 par_11
Atracción <--- FACABU ,059 ,038 1,554 ,120 par_13
Estrés <--- FACABU -,071 ,044 -1,639 ,101 par_14
Confianza <--- FACABU ,076 ,034 2,216 ,027 par_15
Confianza <--- FAC89 ,150 ,036 4,214 *** par_16
Utilidad <--- FAC89 ,187 ,037 5,016 *** par_17
Atracción <--- FAC89 ,176 ,038 4,575 *** par_18
Estrés <--- FAC89 ,025 ,043 ,588 ,557 par_19
C1 <--- Confianza 1,000
C2 <--- Confianza 1,073 ,112 9,593 *** par_1
C4 <--- Confianza 1,077 ,112 9,584 *** par_2
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,052 ,056 18,954 *** par_3
U3 <--- Utilidad ,823 ,068 12,042 *** par_4
E2 <--- Estrés 1,000
E3 <--- Estrés ,996 ,131 7,623 *** par_5
E5 <--- Estrés ,936 ,123 7,622 *** par_6
At5 <--- Atracción 1,000
At4 <--- Atracción 1,078 ,062 17,465 *** par_7
At3 <--- Atracción 1,187 ,068 17,530 *** par_8
At2 <--- Atracción 1,106 ,058 18,974 *** par_9
At1 <--- Atracción 1,029 ,070 14,679 *** par_10
Nota <--- FACABU -,039 ,118 -,328 ,743 par_12
Nota <--- FAC89 -,021 ,117 -,177 ,859 par_20
Nota <--- Atracción ,017 ,376 ,044 ,965 par_28
Nota <--- Estrés ,107 ,216 ,493 ,622 par_29
Nota <--- Confianza -,017 ,642 -,026 ,979 par_30
Nota <--- Utilidad ,475 ,261 1,824 ,068 par_31

198
 Standardized Regression Weights: (Group number 1 - Default model)

Estimate
Utilidad <--- FACABU ,003
Atracción <--- FACABU ,081
Estrés <--- FACABU -,102
Confianza <--- FACABU ,131
Confianza <--- FAC89 ,260
Utilidad <--- FAC89 ,264
Atracción <--- FAC89 ,242
Estrés <--- FAC89 ,036
C1 <--- Confianza ,557
C2 <--- Confianza ,698
C4 <--- Confianza ,696
U5 <--- Utilidad ,861
U4 <--- Utilidad ,904
U3 <--- Utilidad ,580
E2 <--- Estrés ,634
E3 <--- Estrés ,640
E5 <--- Estrés ,631
At5 <--- Atracción ,749
At4 <--- Atracción ,735
At3 <--- Atracción ,900
At2 <--- Atracción ,789
At1 <--- Atracción ,746
Nota <--- FACABU -,017
Nota <--- FAC89 -,009
Nota <--- Atracción ,005
Nota <--- Estrés ,034
Nota <--- Confianza -,004
Nota <--- Utilidad ,152

199
 Standardized Total Effects (Group number 1 - Default model)

FAC89 FACABU Atracción Estrés Utilidad Confianza

Atracción ,242 ,081 ,000 ,000 ,000 ,000
Estrés ,036 -,102 ,000 ,000 ,000 ,000
Utilidad ,264 ,003 ,000 ,000 ,000 ,000
Confianza ,260 ,131 ,000 ,000 ,000 ,000
Nota ,032 -,021 ,005 ,034 ,152 -,004
At1 ,180 ,060 ,746 ,000 ,000 ,000
At2 ,191 ,064 ,789 ,000 ,000 ,000
At3 ,218 ,073 ,900 ,000 ,000 ,000
At4 ,178 ,059 ,735 ,000 ,000 ,000
At5 ,181 ,060 ,749 ,000 ,000 ,000
E5 ,023 -,064 ,000 ,631 ,000 ,000
E3 ,023 -,065 ,000 ,640 ,000 ,000
E2 ,023 -,064 ,000 ,634 ,000 ,000
U3 ,153 ,002 ,000 ,000 ,580 ,000
U4 ,238 ,003 ,000 ,000 ,904 ,000
U5 ,227 ,002 ,000 ,000 ,861 ,000
C4 ,181 ,091 ,000 ,000 ,000 ,696
C2 ,181 ,092 ,000 ,000 ,000 ,698
C1 ,145 ,073 ,000 ,000 ,000 ,557
Fuente: AMOS (EP)

Encontramos valores de ajuste del modelo muy próximos, incluyendo o no causalidad,

pero aunque algunos resultados sugieren postulados distintos hay total convergencia en
afirmar extremos tales como:

Nuevamente, tenemos un modelo con una bondad de ajuste (calidad) excelente, con el
mismo orden de magnitud de los indicadores como los obtenidos en el de relaciones
causales. En este caso son CFI con valor 0,982, residuos entre 0,021 y 0,046 y una
relación Chi 2 / grados de libertad de 1,46.

Hemos resaltado en rojo las relaciones significativas (<3%) entre:

 FACABU y Confianza,

 entre FAC89 y Confianza

 entre FAC89 y Utilidad,

 entre FAC89 y Atracción, y entre los constructos y las variables que los definen.

200
En menor medida (<7%) entre

 entre Utilidad y Nota.

Cuando observamos el peso de los efectos totales considerados, nos damos cuenta que:

 FAC89 es importante sobre Confianza (0,26), sobre Utilidad (0,264) y sobre

Atracción (0,242)

La covarianza entre FACABU y FAC89 es igual de escasa y poco significativa (10%)

como en el modelo anterior, aunque si hay significatividad en las covarianzas entre los
constructos. Sobre todo hay una gran correlación entre Confianza y Atracción (0,783) y
entre Confianza y Utilidad (0,631). También es fuerte entre Atracción y Utilidad
(0,479).

Continuamos interpretando que los alumnos que más se preocupan por proteger su
privacidad (FAC89) son los que consideran más útiles (Utilidad) los sistemas de
protección en su navegación, se sienten más atraídos (Atracción) por su implementación
y se sienten más confiados.

Seguimos concluyendo que ni hay significatividad ni los parámetros tienen relevancia

en lo que cada constructo se correlaciona con la Nota. Tan solo hay que tener en cuenta,
parcialmente, que los conocimientos se incrementan con los que consideran la Utilidad
como una ventaja.

Tampoco hay una influencia significativa con Nota por parte de los alumnos que son
más o menos cuidadosos con la protección de su privacidad o de sus datos (FAC89 y
FACABU). Lo que nos vuelve a decir que el comportamiento de los alumnos en su vida
diaria indica el nulo grado de asimilación de su aprendizaje. Parece que estudian solo
para aprobar, sin estímulo por aprender, no incorporando en su vida las enseñanzas que
supuestamente han recibido pero no interiorizado. En definitiva, al menos sobre estos
aspectos, los resultados nos demuestran que no han sido capaces de transformar la
información, aunque la hayan recibido por distintos medios, en conocimiento. No se
sienten suficientemente atraídos por el contenido de las asignaturas.

201
Algo parecido sucede con el nivel de protección de sus datos generando procedimientos
de backup. Ninguna correlación válidamente significativa (>10 %) con cualquiera de los
constructos, excepto con Confianza. Parece que les da igual, que no les importa. Tan
solo con Confianza, y de escaso efecto (0,131) de forma que a mayor preocupación por
salvaguardar sus datos más tranquilidad.

202
 5.4.2 Modelo estructural “multiobservado”

Excediendo el objetivo de la investigación, pero teniendo en cuenta el compromiso

recogido en el apartado 3.4 sobre “Hipótesis” cuando decíamos que los propios
resultados nos podrían llevar a plantear nuevas hipótesis, vamos a incluir un rápido
estudio adicional sobre este último modelo estructural.

Nos servirá para comprobar y demostrar su ajuste, así como la facilidad de obtener
respuestas a las múltiples preguntas que, bajo diferentes visiones, deseemos
formularnos sobre este caso.

También nos servirá para justificar una de las características que describíamos sobre la
utilización de ecuaciones estructurales en el apartado 4.5 de la presente tesis cuando
afirmábamos que permitían analizar datos de distintas poblaciones simultáneamente, lo
que diferencia esta metodología de otras técnicas de análisis multivariante al estudiar
relaciones para cada subconjunto de poblaciones integradas en la muestra, dando una
visión global del fenómeno en cuestión.

El nuevo grafo (7bis) nos muestra el mismo modelo presentado en el grafo 7 en el que
correlacionábamos las variables latentes vistas bajo la influencia de dos variables de
control y con una variable dependiente, pero añadiendo ahora otras tres variables de
control (sexo, edad y rendimiento académico) simultáneas a las anteriores.

Nos queda lo siguiente:

203
Grafo 7bis. Modelo correlacional con cinco variables de control para los dos cursos - EP

Obtenemos un Chi2 de 174,2 y 129 grados de libertad (ratio: 1,35)

204
 Tabla 25. Resultados del modelo con 5 variables de control para ambos cursos

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

Utilidad <--- FACABU ,006 ,037 ,149 ,882 par_10
Atracción <--- FACABU ,078 ,038 2,055 ,040 par_12
Atracción <--- FAC89 ,168 ,038 4,426 *** par_13
Estrés <--- FAC89 ,032 ,042 ,760 ,447 par_14
Confianza <--- FAC89 ,143 ,035 4,066 *** par_22
Confianza <--- FACABU ,090 ,034 2,623 ,009 par_23
Estrés <--- FACABU -,066 ,043 -1,536 ,124 par_24
Utilidad <--- FAC89 ,184 ,037 4,964 *** par_30
Confianza <--- Edad ,022 ,007 2,926 ,003 par_40
Estrés <--- Edad -,004 ,009 -,425 ,671 par_41
Atracción <--- Edad ,024 ,008 2,911 ,004 par_42
Utilidad <--- Edad ,011 ,008 1,371 ,170 par_44
Confianza <--- RA -,064 ,045 -1,412 ,158 par_45
Estrés <--- RA -,032 ,057 -,566 ,572 par_46
Atracción <--- RA -,098 ,051 -1,934 ,053 par_47
Utilidad <--- RA ,011 ,050 ,220 ,826 par_48
Confianza <--- Sexo -,026 ,099 -,258 ,796 par_50
Estrés <--- Sexo ,449 ,130 3,456 *** par_51
Utilidad <--- Sexo ,220 ,110 2,011 ,044 par_53
Atracción <--- Sexo -,154 ,111 -1,388 ,165 par_54
C1 <--- Confianza 1,000
C2 <--- Confianza 1,077 ,112 9,621 *** par_1
C4 <--- Confianza 1,076 ,112 9,587 *** par_2
U5 <--- Utilidad 1,000
U4 <--- Utilidad 1,056 ,055 19,107 *** par_3
U3 <--- Utilidad ,825 ,068 12,062 *** par_4
E2 <--- Estrés 1,000
E3 <--- Estrés 1,028 ,132 7,781 *** par_5
E5 <--- Estrés ,959 ,123 7,769 *** par_6
At5 <--- Atracción 1,000
At4 <--- Atracción 1,076 ,062 17,457 *** par_7
At3 <--- Atracción 1,190 ,068 17,598 *** par_8
At1 <--- Atracción 1,029 ,070 14,691 *** par_9
Nota <--- FACABU -,014 ,122 -,118 ,906 par_11
Nota <--- Atracción ,008 ,375 ,021 ,983 par_15
Nota <--- Estrés ,121 ,229 ,528 ,597 par_16
Nota <--- Confianza -,062 ,652 -,095 ,924 par_17
Nota <--- Utilidad ,491 ,266 1,843 ,065 par_18
Nota <--- FAC89 -,021 ,117 -,181 ,856 par_31
At2 <--- Atracción 1,105 ,058 18,975 *** par_33
Nota <--- Edad ,023 ,025 ,916 ,360 par_43
Nota <--- RA -,096 ,152 -,633 ,527 par_49
Nota <--- Sexo ,015 ,354 ,044 ,965 par_52

205
Standardized Regression Weights: (Group number 1 - Default model)

Estimate
Utilidad <--- FACABU ,008
Atracción <--- FACABU ,107
Atracción <--- FAC89 ,231
Estrés <--- FAC89 ,046
Confianza <--- FAC89 ,248
Confianza <--- FACABU ,157
Estrés <--- FACABU -,095
Utilidad <--- FAC89 ,260
Confianza <--- Edad ,178
Estrés <--- Edad -,026
Atracción <--- Edad ,153
Utilidad <--- Edad ,073
Confianza <--- RA -,085
Estrés <--- RA -,035
Atracción <--- RA -,102
Utilidad <--- RA ,012
Confianza <--- Sexo -,015
Estrés <--- Sexo ,216
Utilidad <--- Sexo ,104
Atracción <--- Sexo -,071
C1 <--- Confianza ,557
C2 <--- Confianza ,700
C4 <--- Confianza ,695
U5 <--- Utilidad ,860
U4 <--- Utilidad ,905
U3 <--- Utilidad ,581
E2 <--- Estrés ,623
E3 <--- Estrés ,648
E5 <--- Estrés ,634
At5 <--- Atracción ,749
At4 <--- Atracción ,734
At3 <--- Atracción ,901
At1 <--- Atracción ,745
Nota <--- FACABU -,006
Nota <--- Atracción ,003
Nota <--- Estrés ,038
Nota <--- Confianza -,016
Nota <--- Utilidad ,156
Nota <--- FAC89 -,010
At2 <--- Atracción ,788
Nota <--- Edad ,049
Nota <--- RA -,033
Nota <--- Sexo ,002

206
Covariances: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

FACABU <--> FAC89 ,083 ,050 1,645 ,100 par_21
FACABU <--> Edad -,316 ,235 -1,342 ,180 par_34
FACABU <--> RA ,121 ,039 3,118 ,002 par_35
FAC89 <--> Sexo -,010 ,017 -,618 ,536 par_36
FAC89 <--> RA ,047 ,038 1,240 ,215 par_37
FAC89 <--> Edad ,381 ,236 1,617 ,106 par_38
FACABU <--> Sexo -,005 ,017 -,324 ,746 par_39
RA <--> Sexo ,010 ,013 ,782 ,434 par_55
Edad <--> Sexo -,034 ,078 -,440 ,660 par_56
Edad <--> RA ,727 ,183 3,976 *** par_57
ee <--> ea ,089 ,032 2,795 ,005 par_25
eu <--> ea ,228 ,032 7,233 *** par_26
ec <--> eu ,231 ,033 7,069 *** par_27
ee <--> eu ,098 ,031 3,135 ,002 par_28
ec <--> ea ,288 ,038 7,565 *** par_29
ec <--> ee ,118 ,031 3,853 *** par_32
ea5 <--> ea2 ,128 ,025 5,222 *** par_19
ea5 <--> ea4 ,145 ,027 5,407 *** par_20

Correlations: (Group number 1 - Default model)

Estimate
FACABU <--> FAC89 ,083
FACABU <--> Edad -,068
FACABU <--> RA ,159
FAC89 <--> Sexo -,031
FAC89 <--> RA ,062
FAC89 <--> Edad ,082
FACABU <--> Sexo -,016
RA <--> Sexo ,039
Edad <--> Sexo -,022
Edad <--> RA ,204
ee <--> ea ,193
eu <--> ea ,491
ec <--> eu ,637
ee <--> eu ,218
ec <--> ea ,778
ec <--> ee ,329
ea5 <--> ea2 ,319
ea5 <--> ea4 ,312

207
Baseline Comparisons

NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Default model ,936 ,906 ,983 ,974 ,982
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

RMSEA

Model RMSEA LO 90 HI 90 PCLOSE

Default model ,030 ,017 ,041 ,999
Independence model ,184 ,178 ,190 ,000

Standardized Total Effects (Group number 1 - Default model)

Sexo RA Edad FAC89 FACABU Atracción Estrés Utilidad Confianza
Atracción -,071 -,102 ,153 ,231 ,107 ,000 ,000 ,000 ,000
Estrés ,216 -,035 -,026 ,046 -,095 ,000 ,000 ,000 ,000
Utilidad ,104 ,012 ,073 ,260 ,008 ,000 ,000 ,000 ,000
Confianza -,015 -,085 ,178 ,248 ,157 ,000 ,000 ,000 ,000
Nota ,027 -,032 ,057 ,029 -,011 ,003 ,038 ,156 -,016
At1 -,053 -,076 ,114 ,172 ,080 ,745 ,000 ,000 ,000
At2 -,056 -,081 ,121 ,182 ,084 ,788 ,000 ,000 ,000
At3 -,064 -,092 ,138 ,208 ,096 ,901 ,000 ,000 ,000
At4 -,052 -,075 ,113 ,169 ,078 ,734 ,000 ,000 ,000
At5 -,053 -,077 ,115 ,173 ,080 ,749 ,000 ,000 ,000
E5 ,137 -,022 -,017 ,029 -,060 ,000 ,634 ,000 ,000
E3 ,140 -,023 -,017 ,030 -,062 ,000 ,648 ,000 ,000
E2 ,135 -,022 -,016 ,029 -,059 ,000 ,623 ,000 ,000
U3 ,060 ,007 ,042 ,151 ,005 ,000 ,000 ,581 ,000
U4 ,094 ,011 ,066 ,236 ,007 ,000 ,000 ,905 ,000
U5 ,089 ,010 ,062 ,224 ,007 ,000 ,000 ,860 ,000
C4 -,010 -,059 ,124 ,172 ,109 ,000 ,000 ,000 ,695
C2 -,010 -,059 ,124 ,173 ,110 ,000 ,000 ,000 ,700
C1 -,008 -,047 ,099 ,138 ,088 ,000 ,000 ,000 ,557

Fuente: AMOS (EP)

208
Con unos indicadores de bondad de ajuste similares al caso anterior (CFI = 0,982, y con
mejores residuos) obtenemos una información similar en cuanto a niveles de correlación
entre las variables definidas. Pero, adicionalmente, vemos las diferencias existentes en
nuestro modelo bajo la observación de la variable edad de los estudiantes, su sexo y su
rendimiento académico (si van a curso por año, o llevan más o menos asignaturas
pendientes de cursos anteriores).

Existe covarianza significativa entre el rendimiento en los estudios y la edad, con una
correlación de 0,204. Normalmente alumnos más jóvenes son de primeros cursos o
están yendo a curso por año y los de más edad son repetidores o personas que van
cursando asignaturas más que cursos.

La edad también es significativa con las latentes de Confianza y Atracción (a mayor

“experiencia” más seguridad en lo que hacen y por qué lo hacen)

El rendimiento académico es significativo, pero en sentido contrario, con la Atracción

(contra peor van menos se sienten atraídos)

Las chicas se sienten más estresadas que los chicos en la adopción de medidas de
seguridad. Hay alta significatividad (<1%) con una influencia de 0,216. Analizar las
razones exige un estudio más profundo.

Y así sucesivamente. De esta manera puede abordarse el estudio de los diferentes

subconjuntos de población que decidamos investigar.

209
6.- CONCLUSIONES
 6.1 Limitaciones

Pese a tratarse de las conclusiones de los análisis realizados con una muestra muy
numerosa y representativa de estudiantes de las Ingenierías más afines al tema que nos
ocupa, no podemos obviar que se trata de una muestra no probabilística, de
conveniencia, con la que hemos trabajado.

Extrapolar esos resultados a la totalidad de la población, no ya de la propia Universitat

Politècnica de València, sino siquiera al conjunto de las Escuelas de Ingeniería de
Informática y Telecomunicación no sería válido, en pura semántica Estadística. No
obstante, como estudio de caso, nos proporciona suficiente información fiable como
para intuir que algo está pasando con los planes de enseñanza que no consiguen su
asimilación y aprendizaje por parte del público objetivo que constituye, en definitiva, la
población de nuestro universo.

Lo demás no es cuestionable. Los “factores / variables latentes / constructos” que otros

autores utilizan en el estudio de “afecciones / aprendizajes / motivaciones / reacciones”
han sido validados por las herramientas estadísticas que justifican su validez y
fiabilidad.

Hemos seguido al pie de la letra todas las recomendaciones pertinentes que indican los
expertos en la cuestión a la hora de tomar determinadas decisiones, como considerar o
rechazar determinadas variables.

Hemos medido lo que queríamos medir y utilizado los ítems que lo miden, con
herramientas adecuadas, potentes y reconocidas.

Hemos comprobado, en una y otra dirección, las relaciones, correlaciones,

factorización, regresiones, etc. de unas variables sobre otras.

Hemos convergido en el orden de magnitud de ciertos resultados parciales obtenidos

por otros investigadores en estudios diferentes.

Y, finalmente, hemos sido cautos a la hora de afirmar lo que los datos nos dicen pues,
precisamente por eso, son los datos obtenidos los que nos lo afirman.

211
Estas etapas confirman que se han cubierto las especificaciones formuladas por Asimov
(2010) en el punto 2.1.1 respecto el método de investigación científica que se representa
en el siguiente cuadro:

Fig .37: Ejecución de la investigación (EP)

Obtenemos una información que es más que suficiente para nuestro objetivo y no es
necesario, en el ámbito de esta tesis, incidir más en diagnosticar causalidades (Martínez,
J.A. y Martínez, L., 2009). Podíamos superar, poco pero algo, los parámetros de bondad
de ajuste con otras alternativas de los modelos estructurales pero estaríamos
optimizando el modelo de nuestros datos, no el teórico.

212
 6.2 Discusión de los resultados

Con respecto a los parámetros estadísticos básicos, donde analizamos los parámetros de
factorización (KMO, % de varianza explicada, significatividad, y Alfa de Cronbach) de
los dos cursos por separado, observamos que tienen órdenes de magnitud similares y,
tanto individualmente como en conjunto, son suficientemente satisfactorios.

El resumen contenido en las tablas 13 a 17, incluidas en el capítulo de Resultados,

demuestra una consistencia que no deja lugar a dudas sobre la imprudencia, temeridad o
falta de conciencia o conocimientos prácticos sobre los riesgos que asumen nuestros
alumnos tanto con respecto al cuidado de sus soportes informáticos, a nivel de la
permisividad de acceso a sus recursos, como cuando navegan por internet en general o
interactúan con las redes sociales en particular.

Llaman preocupantemente la atención los siguientes valores:

 Tan solo algo más del 4% de los encuestados utilizan contraseñas complejas,
diferentes para cada acceso y renovadas con frecuencia.
 Alrededor del 40% tienen una password única para todos los accesos, el 70% las
mantiene fijas en el tiempo y una cuarta parte deja que las genere el propio sistema
 Una tercera parte no protege el acceso a su propio PC
 Una séptima parte de encuestados nunca ha hecho una copia de seguridad de sus
datos y tan solo otra séptima parte tiene un sistema automático de actualización
 Algo más del 25% abren mails de desconocidos, y una sexta parte no tienen
inquietud por conocer las vulnerabilidades que se producen
 Con respecto a las redes sociales, más del 60% se dan de alta sin leerse las
condiciones de registro y casi la mitad (entre el 40 y el 45%) manifiestan
libremente sus opiniones personales sobre temas sensibles

Todos estos resultados, ya patentes en la primera encuesta en el curso 2011-2012,

justificaron la conveniencia de investigar a los alumnos del curso siguiente que,
lamentablemente, confirmaron nuestros temores.

213
Resultados que indican por si solos la necesidad de preguntarnos sobre lo que estamos
haciendo a nivel de planes de estudio y exigencias curriculares, pues promociones con
esas actitudes tendrán muy difícil el desempeño de una actividad profesional productiva,
de confianza y competitiva.

Al comparar nuestros resultados con los de investigaciones referenciadas, encontramos

las siguientes coincidencias:

 En el estudio titulado “Youth, Privacy and Reputation”, de Marwick, Murgia y

Palfrey (2010) se informa que un 47% de jóvenes incluyen información privada
(actividad sexual, consumo de alcohol y droga) a través de las redes sociales y que
un 64% de esa población mantiene la configuración que, por defecto, proporciona
la plataforma al registrarse. En nuestra investigación los porcentajes obtenidos para
esos mismos comportamientos son del 41 al 45% en el primer caso y entre el 61-
62% en el segundo.

 En la investigación llevada a cabo por Hoofnagle y otros (2010) en la

Universidad de Berkeley utilizan un parámetro para conocer el porcentaje de
usuarios que protegen su privacidad consistente en saber si se preocupan por la
eliminación periódica de las cookies que se almacenan en el PC tras navegar por
internet, tal y como también hacemos nosotros (variable A8). En su caso llegan a la
conclusión de que el 38% no se preocupan o ignoran esa posibilidad, frente al
resultado obtenido en nuestro caso que fue del 38,6% del total de alumnos de los
dos cursos (Anexo E). El 37,3% del curso 2011-12, y el 40,1% en el 2012-13.

 En el caso de “Los efectos de la motivación, la confianza y la preocupación por

la privacidad en las redes sociales”, de Shi-Woei Lin y Yu-Cheng Liu (2012),
vimos que también hicieron dos pilotos con treinta encuestados y finalmente la
encuesta definitiva con 207 personas; es decir, muestras de tamaños similares a la
nuestra. Utilizaron las mismas herramientas estadísticas básicas que nosotros
(correlaciones, índices de fiabilidad, regresión, constructos, etc.), haciendo
referencias a razones extrínsecas e intrínsecas (interés, estrés) para estudiar los
riesgos de privacidad en redes sociales y teniendo en cuenta la confianza y sus
motivaciones.

214
 Es decir, comprobamos que prácticamente nuestros antípodas tienen unas
inquietudes similares a las nuestras, se han dado cuenta también del riesgo, las
están trabajando y utilizan teoría similar de apoyo a la que usamos nosotros. Aún
teniendo en cuenta la distancia en todos los órdenes (física, cultural, perfil de
encuestados por edad y por selección…), llegamos a converger en aspectos tales
como la intensa correlación entre la frecuencia de navegación por las redes sociales
y la revelación de información (0,499 en su caso versus 0,441 en el nuestro, en
ambos casos con significatividad 44 <1%).

También coincidimos en la afirmación vertida por la investigación de Shi-Woei Lin

(2012) cuando dice: “nuestros resultados indican que la confianza puede
efectivamente mitigar la preocupación de un usuario por su privacidad” pues
encontramos una correlación suficiente entre los parámetros con los que nosotros
definimos ambos conceptos (0,26, con significatividad <1%).

 Los trabajos de Jiang, Z. et al (2013) sobre privacidad en redes sociales indican

que en USA entre el 43 y el 51% de los encuestados dan información personal
(domicilio, correo electrónico, fotos, vídeos, opiniones, creaciones, etc.). Nosotros
encontramos esa misma actuación en el 45% de nuestros alumnos.

Al introducir los modelos estructurales también consignados en el capítulo de

Resultados, hemos hecho un recorrido desde el modelo inicial propuesto, basado en la
teoría existente en el que representábamos el grafo con cuatro variables latentes,
llegando a otro modelo más simple, con solo tres constructos, fruto del análisis factorial
exploratorio de nuestros datos con los alumnos encuestados en el primer curso,
analizando su comportamiento bajo la observación de diferentes variables de control
(tabla 11) para llegar a definir las más características, protección y privacidad, con las
que hemos ajustado los modelos. Con los alumnos del siguiente curso, y con el conjunto
de ambos cursos, ya surgía la cuarta variable latente que nos había indicado la teoría.

Siempre hemos obtenido unos buenos indicadores de calidad de ajuste que

ambiciosamente hemos mejorado a veces haciendo uso de las recomendaciones del
propio programa haciendo covariar determinadas variables, sin ser necesario.

44
La significatividad mide el grado de error

215
Desde un principio observamos que la variable latente Utilidad se convertía en
impulsora de la motivación principal que se detectaba en el análisis, siendo básica para
incrementar la Atracción y la Confianza de los alumnos hacia los conceptos de
seguridad. Ella misma aparecía bastante influenciada por los estudiantes más proclives
a preservar su privacidad, lo que implica que los alumnos que son más cuidadosos con
esa característica de salvaguarda de su seguridad son los que consideran más útil la
adopción de medidas al respecto.

En definitiva, cuando un alumno entiende algo como útil, o práctico, se siente

fuertemente atraído por ello y le genera confianza. Y a mayor atracción, mucha mayor
confianza por lo que ahí es donde hay que acentuar la formación, con información y
ejemplos sobre seguridad que les resulten motivadores y sobre los que se haga hincapié
de forma transversal en la mayoría de las asignaturas, no sólo en las específicas que
traten los temas de forma general, asumiendo unos conocimientos y unas actitudes que
parece que no han asimilado.

También vimos repetidamente en cada modelo, con independencia del grado de ajuste,
que la variable dependiente Nota no se correlacionaba con ninguna de las variables
latentes ni con las de control, ni en significación ni en valor. Es decir, en cada curso los
mejores estudiantes no se diferencian de los no tan buenos a la hora de haberse
concienciado de la necesidad de proteger su propia información e imagen pública, y
actuar en consecuencia. Continúa faltando información adecuada a todos los niveles
pues ni siquiera los mejores actúan con suficiente seguridad.

Al analizar la muestra con la totalidad de alumnos de los dos cursos ya hemos

comentado que obtuvimos el cuarto constructo que nos señala la teoría estudiada,
consiguiendo los mejores índices de ajuste de nuestra investigación, con CFIs de 0,98, y
donde se manifestaba claramente la influencia de Utilidad sobre Atracción, Confianza y
Estrés

Seguimos estudiando los modelos a los que habíamos ido llegando en esta última fase
observando que, en algunos de los casos, obteníamos ajustes con unos valores análogos
con independencia del sentido que diésemos a las flechas que indican causalidad, por lo
que decidimos ser conservadores y comparar las diversas influencias en uno y otro caso;

216
es decir, con causalidad y sin ella, correlacionando las latentes y proponiendo un
modelo alternativo.

La bondad de ajuste de ambos modelos no es fácilmente mejorable, tal como podemos

comprobar en la tabla 26:

Tabla 26. Comparación parámetros de ajuste modelo final y alternativo (EP)

Modelos χ2 º libertad χ 2 / º libertad CFI RMSEA

Completo (causal) 150,2 100 1,5 0,980 0,023 – 0,047

Optimizado (causal) 133,8 99 1,35 0,986 0,015 – 0,042
Alternativo (no causal) 144,9 99 1,46 0,982 0,021 – 0,046

En ambos modelos converge el que los alumnos que más se preocupan por proteger su
privacidad (FAC89) son los que consideran más útiles (Utilidad) los sistemas de
protección en su navegación y se sienten más atraídos (Atracción) por su
implementación. También ambos modelos coinciden en decirnos que los alumnos que
más se preocupan por su autoprotección (FACABU) son los que tienen más Confianza
en los sistemas implementados.

La covarianza entre FACABU y FAC89 es escasa y poco significativa (10%) tanto en el

modelo causal como en el correlacionado aunque, en este último, si hay significatividad
en las covarianzas entre los constructos. Sobre todo hay una gran correlación entre
Confianza y Atracción, entre Confianza y Utilidad y entre Atracción y Utilidad.

Se mantiene, en todos los casos, la afirmación anterior sobre la variable dependiente

Nota, que aunque se haya visto en todos los casos, no deja de ser una triste sorpresa.

Debemos hacer comprender a nuestros alumnos la ventaja de entender la utilidad de la

navegación segura y conseguiremos incrementar su atracción hacia ese tipo de medidas
así como su confianza y seguridad.

Todas estas conclusiones quedan reflejadas en la tabla siguiente en la que se reproducen

las hipótesis iniciales con las que partía nuestra investigación y en donde hemos
incluido una columna adicional, a la derecha, con el grado de cumplimiento de cada una
de ellas. Los “0” reflejan la nula incidencia que tiene el test de conocimientos con los

217
 que pensábamos que se dejaría entrever un comportamiento distinto entre los
encuestados mejor o peor preparados. Las cruces indican el nivel de certeza
comprobado anta cada afirmación de forma que, en el caso de las tres cruces es máxima,
las dos cruces implican un grado satisfactorio y una significa cumplimiento escaso. El
signo menos niega la afirmación vertida en la hipótesis correspondiente, con la misma
gradación.

Tabla 27. Resultados de las Hipótesis

Hipótesis descripción variables Constructos o de pregunta Grado de

observables control encuesta acuerdo
He1 Protección accesos AUP1, “ 5, 6, 7, ---
AUP2, (passwords) 11, 12,
AUP3, A1, 59, 60
A2, A4, A5
He2 Backups ABU1, “ 8, 9, 10 --
ABU2, (copias)
ABU3
He3 Antivirus, firewall A6, A7 “ 61, 62 ++
(autoprotección)
He4 Información vulnerabilidades A3 “ 13 --
(inquietud x info)
He5 Privacidad de actividad A8, A9 “ 63, 64 +
(FACA89) (privacidad)
H1 Covarianza entre latentes Atx-Cx-Ex- Atracción, Confianza, 39 - 58 +++
Ux Estrés, Utilidad
H2 Utilidad implica mayor atracción Ux - Atx Utilidad, Atracción 39-43, +++
54-58
H3 Confianza  privacidad Cx - A8, A9 Confianza, 44-48, ++
Privacidad 63-64
H4 Confianza  protección Cx - A6, A7 Confianza, Protección 44-48, ++
61-62
H5 Privacidad  protección A6 – A9 Privacidad, Protección 61 - 64 +
H6 A mayor nota más atracción P1-P11-Atx Nota, Atracción 17-27, 0
39-43

218
H7 A mayor nota mayor utilidad P1-P11-Ux Nota, Utilidad 17-27, 0
54-58
H8 A mayor nota más privacidad P1-P11, Nota, Privacidad 17-27, 0
A8-A9 63-64
H9 A mayor nota más protección P1-P11, Nota, Protección 17-27, 0
A6-A7 61-62
H10 A menor nota más Estrés P1-P11-Ex Nota, Estrés 17-27, 0
49-53
H11 A peor nota menos confianza P1-P11, Cx Nota, Confianza 17-27, 0
44-48
H12 Buen ajuste de latentes Atx-Cx-Ux- Atracción, Confianza, 39-58 +++
Ex Estrés, Utilidad
H13 Más privacidad  más ajuste A8-A9, Atx - Atracción, Confianza, 39-58, +++
Cx-Ux-Ex Estrés, Utilidad, 63-64
Privacidad
H14 Más protección  más ajuste A8-A9, Atx - Atracción, Confianza, 39-58, +++
Cx-Ux-Ex Estrés, Utilidad, 61-62
Protección
Hg1 Condiciones de registro AURS3 Estadísticos básicos 30 ---
(registro en RS)
Hg2 Actividad - Publicación AURS9, “ 36, 37 ---
AURS10 (info personal en RS)
Hg3 Publicación información sensible AURS11 “ 38 ---
(info “muy personal”)

Fuente: EP

219
 6.3 Resumen de aportaciones

La popularización del uso de la informática, la navegación por internet y la gran

penetración de las redes sociales, no son garantía de su correcto uso, ni siquiera por
parte de nuestros alumnos universitarios que se forman en esas tecnologías. Tampoco
los de mejores conocimientos han sido capaces de asimilarlos y ponerlos en práctica,
diferenciándose de sus compañeros.

El hecho de utilizar esos recursos muy frecuentemente no es razón suficiente para

asumir la motivación de un uso seguro. Como si se tratase de otro tipo de aprendizajes,
menos incorporados a la vida diaria, no podemos dejar de atraer su atención hacia casos
reales, prácticos, con ejemplos y experiencias que fomenten su inquietud con el objetivo
de sensibilizarlos adecuadamente.

Repasando sucintamente las fases que nos llevaron a una preocupación creciente por la
forma en que nuestros estudiantes navegan y se protegen al acceder a la red
recordaremos que todo empezó en una investigación inicial sobre los conocimientos,
sensibilidad y actuación de los alumnos de primer curso de la Licenciatura de
Comunicación Audiovisual.

A la vista de su escasa sensibilización con los posibles riesgos que entrañan esas
prácticas consideré conveniente profundizar más en estos comportamientos, accediendo
a los futuros profesionales que serán desarrolladores de herramientas para estas
actividades. Así que decidimos comprobar esos mismos comportamientos por parte de
alumnos de las Escuelas de Ingeniería Informática y Telecomunicación.

Indagamos sobre la forma en la que se realiza el aprendizaje y se genera conocimiento,

partiendo de las premisas motivacionales que los facilitan. Relacionamos las actitudes
respecto su comportamiento habitual cuando utilizan las TIC, con sus propias aptitudes.
Utilizamos Ecuaciones Estructurales para profundizar en las relaciones entre las
variables que definieron los conceptos emocionales, analizando los factores críticos que
se dan tanto en su aprendizaje como en su vida laboral y/o social.

220
Obtuvimos una información, a través de las dos pruebas piloto del cuestionario, que
vaticinaba unos resultados que parecían confirmar que nuestra preocupación estaba
sustentada por los datos de los análisis que estábamos haciendo, siendo muy similares a
los que ya disponíamos de los alumnos de Comunicación Audiovisual. Desafección
hacia el uso de contraseñas, escasa garantía en preservar la información mediante copias
de seguridad, falta de protección en la navegación inalámbrica en sitios públicos,
asunción de compromisos con los proveedores de aplicaciones de Redes Sociales, etc.
son características comunes que igualaban el comportamiento de unos y otros
estudiantes.

Todos estos comportamientos quedaron refrendados cuando se procesaron y analizaron

los datos obtenidos con los alumnos de Informática del curso 2011-2012.

No queríamos aceptar esa situación pensando que podíamos haber cometido algún error
en alguna de las fases del proceso, por lo que decidimos extender el estudio con
alumnos del curso siguiente.

Los resultados del análisis de los datos obtenidos con los nuevos alumnos, coherentes
con los anteriores, confirmaron la necesidad de darnos cuenta de que hay que asegurar
la puesta en práctica de la formación recibida revisando los programas docentes para
generar un conocimiento que, lamentablemente, no asimilan nuestros alumnos.

Si ya los valores de las tablas de frecuencias indicaban el alto grado de temeridad de la

población encuestada a la hora de proteger sus datos, no siendo conscientes del
significado de la pérdida de sus trabajos, de sus archivos y, en consecuencia, de la
necesidad de adoptar medidas de protección de los mismos, así como para su privacidad
y capacidad de navegación segura por internet, salvaguardando su identidad digital y
siendo prudentes en el escaparate que se han convertido las redes sociales, el estudio
estructural nos demuestra la correlación entre factores motivacionales (Confianza-
Utilidad-Estrés-Atracción), donde comprobamos que los estudiantes con más
inquietudes sobre su privacidad son los que reconocen como más útiles las herramientas
que protegen su navegación y se sienten más atraídos por su puesta en funcionamiento,
a la vez que se sienten con más confianza.

221
Pero lo que es sorpresivo y muy preocupante es la nula incidencia del aprovechamiento
académico en la adopción de una determinada actitud a la hora de actuar en el ámbito
privado. Esa arriesgada forma de actuar iguala a los estudiantes, no habiendo diferencias
significativas entre los que tienen mayores o menores conocimientos.

Todas estas conclusiones dan respuesta a las preguntas que, como objetivos de la
presente tesis, nos planteamos en la tabla 1 y que justifican la recomendación de revisar
los planes de estudio, teniendo en cuenta las motivaciones de los alumnos.

Paralelamente, encontramos información de investigaciones similares a la nuestra en

sitios tan distintos y distantes, tanto cultural como geográficamente, como la
Universidad de Harvard, o las Nacionales de Taiwán o de Singapur que confirmaban
muchos de nuestros resultados. (Marwick, A., Murgía Díaz, D., Palfrey, J. (2010); Lin,
S-W.; Liu, Y-C. (2012); Jiang, Z.; Suang, C., Choi, B. (2013)).

Tal como afirmaban Pintrich y de Groot (1990), para obtener buenos resultados en la
formación de los estudiantes hay que ayudarlos a desarrollar tanto las habilidades
(skills) como la voluntad (will). Siendo el aprendizaje auto regulado uno de los
principales retos de la futura práctica docente. (Miñano, P.; Castejón, J.L., 1997)

222
 6.4 Acciones futuras, recomendadas

Es aconsejable crear un plan de formación específico sobre uso y riesgo de las

herramientas informáticas más habituales que se estudie en cada asignatura desde su
propia óptica, de forma que se consiga concienciar al alumnado en el sentido de que por
mucho que se trabaje, si no se protege ese trabajo, puede perderse en su totalidad.

Sabiendo que la mayor motivación de los estudiantes con más inquietudes sobre su
privacidad reside en el reconocimiento de la utilidad de las herramientas que protegen
su navegación, lo que les hace sentir una mayor atracción por su puesta en
funcionamiento a la vez que se sienten con más confianza, debemos estimular esa faceta
demostrándoles con casos prácticos lo que puede acarrearles el ignorar esas enseñanzas.

Formación transversal sobre seguridad en una asignatura específica, o coordinada entre

varias asignaturas en los primeros cursos de carrera, con muchos ejemplos prácticos de
incidencias, abusos, experiencias, contratiempos y perjuicios, que desgraciadamente no
faltan, deberían facilitar el interés de las medidas a adoptar para no perder información,
arriesgar su privacidad, o poder ser víctimas de fraudes, haciéndoselo más atractivo y
útil. Como primer paso ante una formación más completa, adaptada a la realidad y
sensibilizada con la protección de la información, los datos y la propia imagen, que
genere suficiente nivel de seguridad a la hora de incorporarse a un entorno profesional.

Un ejemplo de esta estrategia nos lo da la Universitat Oberta de Catalunya, en la que

todos los grados contemplan en su plan de estudios una asignatura obligatoria de primer
semestre de seis créditos denominada “Uso y aplicación de las TIC en el ámbito
académico y profesional” que consta de una introducción o iniciación a las
competencias TIC, que comprende el uso racional y crítico de las TIC para trabajar y
estudiar un conjunto de habilidades consideradas básicas en la Sociedad de la
Información, con las que se posibilita el desarrollo de la competencia (Guitert, M. et al,
2008).

223
Dicha asignatura dota a los alumnos de todas las titulaciones de una base de
conocimientos y competencias en TIC en donde se trabajan la búsqueda de información
en la red, la elaboración de la información digital, su presentación y difusión, la
comunicación, las funciones básicas de tecnología digital, la adquisición de una actitud
cívica, el trabajo colaborativo en red y la planificación y gestión de un proyecto virtual.

El papel del docente es clave como guía, animador, dinamizador del proceso
colaborativo y como evaluador de proceso y de resultados. Durante la acción docente
facilita las estrategias docentes para la adquisición de las competencias y evalúa las
competencias digitales. Al finalizar, favorece escenarios para la reflexión y el análisis
compartido del proceso realizado. (Guitert, Romeu, 2011).

Algunas de las recomendaciones vertidas en cursos de Seguridad en internet,

organizados en la UPV por el CFP45 ya iban en el sentido de que, antes de iniciar el uso
de cualquier aplicación de comunicación, se configure el perfil paso a paso para evitar
que, por defecto, se asuma que permitimos limitar nuestra privacidad a los parámetros
de interés del proveedor.

Conferencias como las organizadas por el Instituto de Ingeniería de España en

septiembre de 2013 de “Seguridad en la red: la protección de la sociedad frente a las
amenazas del Siglo XXI”, con ponentes tan próximos para los jóvenes, deberían
potenciarse con frecuencia a nivel de toda la UPV.

Deberían transmitirse mensajes vía radio / tv de la UPV, trípticos, mails…. y cualquier

otro medio de difusión al alcance de la Universidad con contenidos referidos a temas de
seguridad para concienciar a toda la población universitaria (alumnos, PAS,
profesores…).

Estos mensajes deberían hacer saber los perjuicios generados por ignorar los riesgos
asumidos, incluyendo eslóganes para facilitar el tomar medidas tales como:

1) Impida la entrada de virus

2) Bloquee a los hackers con un firewall

45
Centro de Formación Permanente. Curso: Internet seguro–Como proteger a los hijos, impartido por
Ismael Lengua.

224
 3) Sea cuidadoso con los mensajes de correo y selectivo con las descargas

4) Seleccione contraseñas “auténticas”, utilícelas asiduamente y no permita que su

navegador las “recuerde”.

5) Mantenga privada su vida privada. Compártala solo con los que desee.

6) Haga frecuentes copias de respaldo de sus trabajos para evitarse mayores

pérdidas.

7) Actualice sus programas de seguridad, etc.

Siendo la finalidad básica de nuestra investigación mejorar el conocimiento y

comprensión del fenómeno que nos ocupa (el uso masivo e indiscriminado de
comunicación a través de las redes sociales), para lo que hemos recogido la información
descrita de cara a facilitar la intervención social y, consecuentemente de forma más útil,
corregir posibles desviaciones y ayudar a resolver los problemas derivados, debemos
tener en cuenta también el momento o periodo de tiempo en el que se realiza la recogida
de la información.

Los procedimientos surgidos de esas actuaciones nos recuerdan los principios que
inspiraron el desarrollo de los programas de Calidad en los comienzos de la década de
los años 90. Concretamente, se trataba de la llamada “Calidad de Servicio al Cliente”
(Market Driven Quality-MDQ), que se basaba en:

Respeto a la persona / Servicio al Cliente / Excelencia

y, para lograrlo, se seguían las siguientes iniciativas:

Definición de las necesidades del Cliente / Medición / Eliminación de Defectos /

Reducción de ciclo / Participación de todos

En nuestro estudio, el cliente son los alumnos TIC de la UPV. Sus necesidades se basan
en la buena convivencia, el desarrollo de sus capacidades, y la seguridad y confianza de
que sus derechos no van a ser conculcados utilizando las posibilidades de la red.

La medición de las actuaciones se obtiene a través de las evaluaciones que impulsemos.

225
La eliminación de defectos se consigue a través de los datos obtenidos y la
promulgación de Recomendaciones, Comunicaciones, contenidos en planes de estudio...

La reducción de ciclo consiste, en facilitar la normativa para detectar desviaciones y

facilitar su corrección con la frecuencia necesaria.

Y la participación de todos es obvia: autoridades, instituciones, operadores, proveedores

de acceso a internet, empresas, profesores, padres, tutores, familia, compañeros....
deberán actuar con un objetivo común, minimizar el riesgo de abusos.

La aplicación periódica de esta metodología MDQ, nos acercará a:

 cuantificar el alcance de la trasgresión,

 el daño consiguiente,

 la forma de reducirlo,

 las acciones necesarias para acortar plazos de ejecución de las mejoras

propuestas,

 la involucración de distintos estamentos, y

 comprobar eficientemente el resultado de las distintas iniciativas puestas en

marcha en cada una de las fases de la investigación.

es decir, nos obligará a realizar mediciones para poder entender mejor lo que estamos
haciendo y como mejorarlo.

De forma global, es similar a la metodología más actual conocida como PDCA o círculo
de Deming (Plan/Do/Check/Act). Es decir, una vez analizada la situación, deberíamos
ser capaces de crear una sensibilización con la formación adecuada que nos permita, en
un futuro próximo, medir la evolución para comprobar los efectos y resultados de los
objetivos propuestos para, nuevamente, proponer mejoras adicionales.

Una vez completado un ciclo, hay que volver a empezar hasta estar lo bastante seguros
de que las precauciones adoptadas son suficientes, pues la tecnología continuará
desarrollándose, facilitando determinadas actuaciones de protección, pero también será
aprovechada en perjuicio de nuestros legítimos intereses personales.

226
De esa forma, podremos cuantificar los riesgos y el grado de sensibilidad de las nuevas
muestras de universitarios, así como los posibles daños asociados, las medidas a
impulsar desde la propia UPV para reducirlos, las acciones necesarias para acortar
plazos de ejecución de las mejoras propuestas, involucrar a todos los estamentos y, tras
comprobar la asimilación de las diferentes iniciativas puestas en marcha en cada fase,
volver a estudiar la nueva situación y seguir proponiendo medidas de mejora para
incrementar la navegación segura de las futuras generaciones que salgan de sus aulas.

227
7.- BIBLIOGRAFÍA
ACED, C. et al (2009). "Las redes sociales". En: Visibilidad: Cómo gestionar la
reputación en Internet. Barcelona: Gestión 2000, pp. 65–81.

ADE (2010). Agenda Digital Europea. <http://ec.europa.eu/digital-agenda> [Consulta:

19-03-2015].

AEPD (Agencia Española de Protección de Datos) (2000). Sentencia del Tribunal

Constitucional 292/2000 de 30 de noviembre.
<http://www.agpd.es/portalwebAGPD/canaldocumentacion/sentencias/tribunal_constitu
cional/common/pdfs/Sentencia292.pdf> [Consulta: 19-03-2015].

AEPD (Agencia Española de Protección de Datos) (2009). Estudio sobre la privacidad

de los datos personales y la seguridad de la información en las redes sociales online.
< http://www.inteco.es/file/vuiNP2GNuMinSjvyZnPW2w > [Consulta: 19-03-2015].

AEMI (2014). Anuario Estadístico de 2013. Ministerio del Interior.

ALABAU, A. (2001). La Unión Europea y su Política para el Desarrollo de la

Sociedad de la Información. Madrid: Fundación Airtel Vodafone.

ALABAU, A. (2006). La Unión Europea y su Política para las Comunicaciones

Electrónicas. Madrid: Fundación Vodafone España.

ALAMINOS, A. (2005). El análisis de la realidad social. Modelos estructurales de

covarianzas. Alicante: Observatorio Europeo de tendencias Sociales.
<http://www.obets.ua.es/obets/libros/modelos.pdf> [Consulta: 29-03-2015].

ALBERT GÓMEZ, Mª. J. (2007). La investigación Educativa: Claves teóricas. Madrid,

España: Mc Graw Hill. Primera Edición.

ALLPORT, G. (1935). Attitudes. In Handbook of Social Psychology. Worcester, MA:

Clarck University Press.

229
ALONSO TAPIA, J. (2005). Motivaciones, expectativas y valores-intereses
relacionados con el aprendizaje: el cuestionario MEVA. Madrid: Universidad
Autónoma. <http://www.psicothema.com/psicothema.asp?id=3120> [Consulta: 19-03-
2015].

ALSAJJAN, B., DENNIS, C. (2006). “The impact of trust on acceptance of online

banking”, en: European Association of Education and Research in Commercial
Distribution. 27-30 June 2006 Brunel University - West London, Reino Unido.
<http://bura.brunel.ac.uk/handle/2438/738 > [Consulta: 29-03-2015].

ANDERSON, J. C.; GERBIN, D. W. (1988). “Structural equation modelling in

practice: a review and recommended two-step approach”. Psychological Bulletin, 103,
pp. 411-423.

ANDRADE, J.; COBA, M. (2006). Modelización de Ecuaciones Estructurales. La

Habana: Escuela Politécnica Nacional.

AREA, M. et al (2008). Alfabetizaciones y tecnologías de la información y la

comunicación. Madrid: Síntesis.

ASIMOV, I. (2010). Cien preguntas básicas sobre la Ciencia. Madrid: Alianzal.

BACA LOBERA, G. (2005). “La modelización con ecuaciones estructurales en la

investigación operativa”, en: Producción Económica: Anuario de Investigación 2005.
México: Universidad Autónoma Metropolitana de Xochimilco.
<http://148.206.107.15/biblioteca_digital/estadistica.php?id_host=12&tipo=CAPITUL
O&id=5211&archivo=375-
5211pul.pdf&titulo=La%20modelaci%C3%B3n%20con%20ecuaciones%20estructurale
s%20en%20la%20investigaci%C3%B3n%20educativa> [Consulta: 29-03-2015].

230
BAGOZZI, R.P., DHOLAKIA, U.M. (2006). “Open source software user communities:
A study of participation in Linux User Groups”, Management Science. 52, pp. 1099–
1115.
<http://www.jstor.org/discover/10.2307/20110583?uid=3737952&uid=2129&uid=2&ui
d=70&uid=4&sid=21105057663133 > [Consulta: 19-03-2015].

BARCA LOZANO, A. (1999). Cuestionario de Evaluación de Procesos de Estudio y

Aprendizaje para el alumnado universitario. Traducción de "The study Process
Questionaire (SPQ)" de Biggs, J. B. (1987). A Coruña: Publicaciones de la Revista
Galego-Portuguesa de Psicoloxia e Educación.

BARRÓN, A.; SÁNCHEZ, E. (2001). “Estructura social, apoyo social y salud mental”,
Psicothema, 13(1), pp. 17-23.

BATISTA, J.M.; GALLART, G.C. (2000). Modelos de Ecuaciones estructurales.

Madrid: Ed. La Muralla.

BATISTA, J.M.; GALLART, G.C. (2005). Temas avanzados en Modelos de

Ecuaciones estructurales. Madrid: Ed. La Muralla.

BAYOT MESTRE, A. (2008). “Medición de la actitud hacia la Estadística. Influencia

de los procesos de estudio”. Revista Electrónica de Investigación Psicoeducativa. nº 16,
vol.6 (3), pp: 729-748.

BBC (2005). Encuesta de la campaña “Get Safe Online”, de la Unidad Nacional del
Crimen de Alta Tecnología y el gobierno británico.
<http://news.bbc.co.uk/2/hi/technology/4378186.stm> [Consulta: 19-03-2015]

BECHTEL, R.B.; MARANS, R.W.; MICHELSON, W. (1990). Methods in

environmental and behavioral research. Malabar, FL: Krieger.

BEER, S. (1985). Diagnosing the system for organizations. Chichester: J. Wiley.

231
BELT IBÉRICA (2009). Portal de profesionales de seguridad informática.
<http://www.belt.es/noticiasmdb/HOME2_noticias.asp?id=8358>
<http://www.reuters.com/article/2009/08/28/crime-internet-idUSSP49844920090828>
[Consultadas: 19-03- 2015].

BELTRÁN, J. (1993). Procesos, estrategias y técnicas de aprendizaje. Madrid:

Síntesis.

BELTRÁN, J.; PÉREZ, J.A.; ORTEGA, M.I. (2006). Cuestionario de Estrategias de

Aprendizaje (CEA). Madrid: TEA Ediciones.

BENTLER, P. M.; BONETT, D. G. (1980). “Significant tests and goodness of fit in the
analysis of covariance structures”, Psychological Bulletin, 88, pp. 588-606.

BENTLER, P M. (1990). “Comparative fit indexes in structural models”.

Psychological Bulletin, 107, pp. 238-246.

BENTLER, P.M. (2006). EQS 6. Structural Equations Manual. Los Angeles:

Universidad de California. Multivariate Software, Inc.
<http://www.econ.upf.edu/~satorra/CourseSEMVienna2010/EQSManual.pdf>
[Consulta: 19-03-2015].

BIGGS, J. B. (1987). The study Process Questionaire (SPQ) Manual. Student

Approaches to Learning and Studying. Melbourne: Australian Council for Educational
Research.

BIGGS, J. B.; KEMBER, D.; LEUNG, D. (2001). “The revised Two Factor Study
Process Questionaire: R-SPQ-2F”. British Journal of Educational Psychology. Vol 71,
issue 1, pp. 133-149. < http://www.johnbiggs.com.au/pdf/ex_2factor_spq.pdf >
[Consulta: 19-03-2015].

BIT (2008). “España tercer país del mundo en phising”. BIT, Revista del COIT (Colegio
Oficial de Ingenieros de Telecomunicación), nº 167, de febrero – marzo / 2.008, p. 104.

232
BLALOCK, H. (1967). Causal inferences in nonexperimental research. Chapel Hill:
University of North Carolina Press.

BLANCO, A. (2008). “Una revisión crítica de la investigación sobre las actitudes de los
estudiantes universitarios hacia la Estadística”, Revista Complutense de Educación,
Vol.19 nº 2, pp. 311-330. Madrid: Universidad Complutense.

BOCG (2003). Boletín Oficial de las Cortes Generales, nº 133-8, de 7 de mayo de

2003, en referencia al Diario de Sesiones del Senado del 9 de diciembre de 1999.

BOUDON, R. (1965). “A Method of Linear Causal Analysis: Dependence Analysis”,

American Sociological Review, vol. 30, pp. 365-374.

BOYD, D.; CRAWFORD, K. (2011). “Six Provocations for Big Data”. En: A Decade in
Internet Time: Symposium on the Dynamics of the Internet and Society. Universidad de
Oxford, 21-24 de septiembre.
<http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1926431> [Consulta: 3-04-2015].

BRIONES, G. (2002). Metodología de la investigación cuantitativa en las ciencias

sociales. Bogotá: Instituto Colombiano para el fomento de la Educación Superior.
< http://ebevidencia.com/wp-content/uploads/2014/02/Metodolog%C3%ADa-de-la-
investigaci%C3%B3n-cuantitativa-en-las-ciencias-sociales.pdf > [Consulta: 19-3-2015].

CA (CA Global Security Advisor) (2008). Informe de Seguridad en Internet:

Principales amenazas online de 2008.
<http://inza.wordpress.com/2008/01/17/principales-amenazas-online-de-2008-segun-
ca/> [Consulta: 19-03-2015].

CABALLERO DOMÍNGUEZ, A. J. (2006). “SEM vs. PLS: Un Enfoque basado en la

Práctica”, en IV Congreso de Metodología de Encuestas. Pamplona, 20-22 de
septiembre de 2006.
< http://www.emoinsights.com/downloads/articulos/SEM_vs_PLS.pdf > [Consulta: 29-
03-2015].

233
CÁNOVAS, R. (2014). “Los datos, catalizadores de la sociedad y la economía del
mañana”. Revista Bit, nº 197, pp. 56-58.

CAROT, J.M.; CONCHADO, A.; JABALOYES, J.M. (2009). Manual del usuario de
SPSS Base 16.0. Universitat Politècnica de València. <http://min.webs.upv.es/wp-
content/uploads/2011/03/Manual-SPSS16.pdf> [Consulta: 19-03-2015].

CARROLL, J.B. (1985). “Exploratory factor analysis: A tutorial”, en Detterman, D.K.

(Ed.), Current topics in human intelligence, Vol. 1 Research Methodology. Norwood,
NJ: Ablex, pp.25-88.

CASAS, M. (2002). Los modelos de ecuaciones estructurales y su aplicación en el

índice europeo de Satisfacción del cliente. < http://www.uv.es/asepuma/X/C29C.pdf >
[Consulta: 19-03-2015].

CEBRIÁN, J.L. (1998). La Red, Madrid: Editorial Taurus.

CERVELLÓ, E. et al (2002). “Motivación y Ansiedad en jugadores de tenis”.

Motricidad. European Journal of Human Movement, v. 9, pp. 141-161. <
http://www.revistamotricidad.es/openjs/index.php?journal=motricidad&page=article&o
p=viewArticle&path%5B%5D=84&path%5B%5D=177> [Consulta: 4-04-2015].

CERVELLÓ, E. et al (2003). “Aplicación de modelos de ecuaciones estructurales al

estudio de la motivación de los alumnos en las clases de educación física”. Revista de
Educación, nº 335. Instituto de Evaluación. Ministerio de Educación.

CHAMORRO, D. J. (2005). Factores determinantes del estilo de liderazgo del director-

a. Tesis doctoral. Universidad Complutense de Madrid. <
http://es.calameo.com/read/000762552140c48cb5df3> [Consulta: 19-03-2015].

CHRISTENSEN, R.; KNEZEK, G. (2007). “Cross-Validating Measures of Technology

Integration: A First Step Toward Examining Potential Relationships Between
Technology Integration and Student Achievement”. Journal of Computing in Teacher
Education, v. 24, nº 1, pp. 15-21.

234
CIDEC (2004). Competencias profesionales: enfoques y modelos a debate. Donostia-
San Sebastián: Centro de Investigación y Documentación sobre problemas de la
Economía, el Empleo y las Cualificaciones.

CILIP (Chartered Institute of Library and Information Professionals) (2004).

Information literacy – Definition. <http://www.cilip.org.uk/cilip/advocacy-campaigns-
awards/advocacy-campaigns/information-literacy/information-literacy>. Traducido en:
<http://dialnet.unirioja.es/descarga/articulo/1302261.pdf> [Consultados: 19-03-2015].

CISCO (2014). Annual Security Report. Cisco Systems Inc.

<http://www.cisco.com/web/offer/gist_ty2_asset/Cisco_2014_ASR.pdf > [Consulta:
19-03-2015].

CMT (Comisión para el Mercado de las Telecomunicaciones) (2013). Informe CMT sobre
Comercio Electrónico en España, primer trimestre de 2013.
<http://www.cmt.es/c/document_library/get_file?uuid=e995b42a-bd79-4dc2-a7ea-
b0e068033da9&groupId=10138> [Consulta: 19-03-2015].

COMEU (1999). eEurope - Una sociedad de la información para todos. Comunicación,

del 8 de diciembre de 1999, relativa a una iniciativa de la Comisión para el Consejo
Europeo extraordinario de Lisboa de 23 y 24 de marzo de 2000: 687.
<http://europa.eu/legislation_summaries/information_society/strategies/l24221_es.htm>
[Consulta: 19-03-2015].

COMEU (2000a). Indicadores para el examen de los progresos realizados para la

creación de un espacio de libertad, seguridad y justicia en la Unión Europea
Comunicación de la Comisión, de 24 de marzo de 2.000: 167final.
<http://europa.eu/legislation_summaries/other/l33121_es.htm> [Consulta: 19-03-2015].

235
COMEU (2000b). Creación de una Sociedad de la Información más segura mediante la
mejora de la seguridad de las infraestructuras de información y la lucha contra los
delitos informáticos. Plan eEurope 2002. Comunicación de la Comisión al Consejo, al
Parlamento, al Comité Económico y Social y al Comité de las Regiones: 890 final.
<http://europa.eu/legislation_summaries/justice_freedom_security/fight_against_organi
sed_crime/l33193b_es.htm>[Consulta: 19-03-2015].

COMEU (2005). i2010 – Una Sociedad de la Información Europea para el crecimiento

y el empleo. Comunicación de la Comisión, de 1 de junio de 2.005: 229 final.
<http://europa.eu/legislation_summaries/information_society/strategies/c11328_es.htm
[Consulta: 19-03-2015].

COMSI (2005). Propuestas de cara al nuevo Plan para el Desarrollo de la Sociedad de

la Información y de Convergencia con Europa y entre nuestras Comunidades
Autónomas. Comisión de la Sociedad de la Información y el Conocimiento – junio/2005
<http://www.agendadigital.gob.es/agenda-digital/planes-
anteriores/DescargasPlan%20Avanza/4.%20Antecedentes/conclusiones-definitivas-
14Jun1.pdf> [Consulta: 19-03-2015].

CONCHADO, A. (2011). Modelización multivariante de los Procesos de Enseñanza –

Aprendizaje basados en Competencias en Educación Superior. Tesis doctoral.
Universitat Politècnica de València.
<https://riunet.upv.es/bitstream/handle/10251/12099/tesisUPV3654.pdf?sequence=6>
[Consulta: 19-03-2015].

CORRAL-VERDUGO, V. (1995). “Modelos de variables latentes para la investigación

conductual”. Acta Comportamentalia, 3, nº 1, pp.171-190.

CRONBACH, L. (1951). “Coefficient alpha and the internal structure of tests”,

Psychometrika, v. 16, pp. 297-334.

CUPANI, M. (2008). “Análisis de Ecuaciones Estructurales: conceptos, etapas de

desarrollo y un ejemplo de aplicación”, Revista Tesis Psicología, 1, pp. 164-176.

236
D´AGOSTINO, D. (2007). “La seguridad en el mundo de la web 2.0”. TechWeek.es, de
26 de marzo.
<http://www.techweek.es/seguridad/informes/1001309004801/seguridad-mundo-web-
2.0.1.html> [Consulta: 19-03-2015].

DANKHE, G.L. (1989). “Investigación y Comunicación”, en Fernández-Collado, C. y

Danhke, G.L. (Eds.). La comunicación Humana: ciencia social. México Mcgraw Hill.
pp. 385-454.

DAVARA, M.A. (2000). “El Humanismo Tecnológico”, El Mundo, Diario del

Navegante, 4 de marzo de 2000.
<http://www.elmundo.es/navegante/2000/05/03/davara_humanismo.html>, [Consulta:
19-03-2015].

DAVIS, F. D. (1985). A technology acceptance model for empirically testing new end-
user information systems: Theory and results. Tesis Doctoral. Institute of Technology of
Massachusetts. < http://dspace.mit.edu/handle/1721.1/15192> [Consulta: 3-04-2015].

DAVIS, F.D. (1989). “Perceived usefulness, perceived ease of use and user acceptance
of Information Technology”. MIS Quarterly, 13, pp. 319–340.

DAVIS, F.D.; BAGOZZI, R.P.; WARSHAW, P.R. (1989). “User acceptance of

computer technology: A comparison of two theoretical models”. Management Science
35, pp. 982–1003.

DAVIS, F.D., BAGOZZI, R.P., WARSHAW, P.R. (1992). “Extrinsic and Intrinsic
Motivation to use Computers in The Workplace”. Journal of Applied Social Psychology
22, pp. 1111–1132.

DE VILLAMOR MORGAN-EVANS, Ll. (2008). Derecho, internet y protección de los

consumidores en la Unión Europea. Tesis doctoral. Universidad de Extremadura.
<https://www.educacion.gob.es/teseo/mostrarRef.do?ref=611163> [Consulta: 19-03-
2015].

237
DE ZWART, M.; LINDSAY, D. (2011). Teenagers, Legal Risks and Social Networking
Sites. Melbourne: Monash University.

DÍAZ, J. R. (2008). Seguridad en Internet. Trabajo de Investigación para Diploma de

Estudios Avanzados. Universitat Politècnica de Valencia.

DÍAZ, J. R. (2009). Análisis de seguridad de la web 2.0, en alumnos de la UPV. Tesina

de Máster. Valencia. Universitat Politècnica. <http://riunet.upv.es/handle/10251/14401>
[Consulta: 19-03-2015].

DICCIONARIO Temático de Sinónimos y Antónimos (1983). Madrid: Editorial Everest.

DÍEZ, J. (1992). Métodos de análisis causal. Madrid: Cuadernos metodológicos del CIS
(Centro de Investigaciones Sociológicas), nº 3.

DIRCE (2001). Armonización de determinados aspectos de los derechos de autor y

derechos afines a los derechos de autor en la Sociedad de la Información. Directiva
2001/29/CE del Parlamento Europeo y del Consejo de 22 de Mayo de 2001.

DUNCAN, O. (1966). “Path Analysis: Sociological examples”, The American Journal

of Sociology. v. 72, nº 1. pp. 1-16.

DUPEYRAT, C.; MARINÉ, C. (2005). “Implicit of intelligence, goal orientation,

cognitive engagement, and achievement: A test of Dweck’s model with returning to
school adults”, Contemporary Educational Psychology, 30, pp. 43-59.

DWECK, C.S. (1986). “Motivational Processes Affecting Learning”. American

Psychologist, v. 41, nº 10, pp. 1040-1048.
<http://www.nisdtx.org/cms/lib/TX21000351/Centricity/Domain/21/j%20carlisle/Motiv
ational%20Processes.pdf> [Consulta: 3-04-2015].

238
ECCLES, J.; WIGFIELD, A. (1995). “In the mind of the actor: The structures of
adolescents´achievement task values and expectancy beliefs”. Personality and Social
Psychology Bulletin, v. 21, nº 3, pp. 215-225. < http://hdl.handle.net/2027.42/69045>
[Consulta: 3-04-2015].

ECCLES, J.; WIGFIELD, A. (2002). “Motivational beliefs, values, and goals”. Annual
Review of Psychology, v. 53, pp. 109-132.
< http://www.rcgd.isr.umich.edu/garp/articles/eccles02c.pdf> [Consulta: 3-04-2015].

ELEJABARRIETA, F.J.; IÑIGUEZ, L. (1984). Construcción de Escalas de actitud tipo

Thurst y Likert. Barcelona: Universidad Autónoma.
<http://www.ict.edu.mx/acervo_bibliotecologia_escalas_escalas%20Likert-Thust.pdf >
[Consulta: 19-03-2015].

ELLIOT, A.J. y CHURCH, M.A.(1997). “A hierarchical Model of Approach and

Avoidance Achievement Motivation”. Journal of Personality and Social Psychology, v.
72, nº 1, pp. 218-232.

ESPAÑA (1978). Constitución Española. Boletín Oficial del Estado, nº 311, de 29 de

diciembre, pp. 29313-29424. < http://www.boe.es/diario_boe/txt.php?id=BOE-A-1978-
31229 > [Consulta: 29-03-2015].

ESPAÑA (1999). Ley Orgánica 15/1999, de 13 de diciembre, sobre Protección de Datos

de Carácter Personal. Boletín Oficial del Estado, nº 298, de 14 de diciembre de 1.999,
pp. 43088-43099. < http://www.boe.es/diario_boe/txt.php?id=BOE-A-1999-23750 >
[Consulta: 29-03-2015].

ESPAÑA (2008). Reglamento de Desarrollo de la LOPD. Boletín Oficial del Estado,

de 21 de diciembre de 2.008, pp. 4103-4136.
< http://www.boe.es/buscar/doc.php?id=BOE-A-2008-979 > [Consulta: 29-03-2015].

239
ESPAÑA (2010). Ley Orgánica 5/2010, de 22 de junio, por la que se modifica la LEY
ORGÁNICA 10/1995, de 23 de noviembre, del Código Penal. Boletín Oficial del
Estado, del 23 de junio de 2010, pp. 54811-54883. <
http://www.boe.es/diario_boe/txt.php?id=BOE-A-2010-9953 > [Consulta: 29-03-2015].

EUB (Eurobarómetro) (2007). Datos de enero 2007.

<http://ec.europa.eu/public_opinion/archives/ebs/ebs_274_en.pdf> [Consulta: 19-03-2015].

EUB (Eurobarómetro) (2011). Attitudes on Data Protection and Electronic Identity in the
European Union. European Comisión. Special Eurobarometer 359, de Junio.
<http://ec.europa.eu/public_opinion/archives/ebs/ebs_359_en.pdf > [Consulta: 19-03-2015].

EUB (Eurobarómetro) (2013). Informe de la CE sobre Ciberseguridad.

<http://ec.europa.eu/public_opinion/archives/ebs/ebs_404_en.pdf > [Consulta: 19-03-
2015].

FERNÁNDEZ, V. (2004). Relaciones encontradas entre las dimensiones de las

estructuras organizativas y los componentes del constructo “capacidad de absorción”:
El caso de empresas ubicadas en el territorio español. Tesis doctoral. Terrassa:
Universitat Politécnica de Catalunya.
<http://dialnet.unirioja.es/servlet/tesis?codigo=6837> [Consulta: 19-03-2015].

FERNÁNDEZ, V. (2006). Introducción a la investigación en ciencias sociales.

Terrassa: Universitat Politécnica de Catalunya.

FINK, R.; SAMUELS, S.J. (2007). Inspiring reading success: Interest and Motivation
in Age of High-stakes Testing. Newark: International Reading Assoc.

FUNDACIÓN CTNE (2013). Identidad digital: el nuevo usuario en el mundo digital.

Madrid: Fundación Telefónica.

FUNTEL (2005): La Sociedad de la Información en España - 2005. Madrid: Fundación

Telefónica.

240
FUNTEL (2007). La Sociedad de la Información en España – 2007. Madrid: Fundación
Telefónica.

FUNTEL (2008). La Sociedad de la Información en España – 2008. Madrid:

Fundación Telefónica.

FUNTEL (2009). La Sociedad de la Información en España – 2009. Madrid: Fundación

Telefónica.

FUNTEL (2011). La Sociedad de la Información en España – 2010. Madrid: Fundación

Telefónica.

FUNTEL (2012). La Sociedad de la Información en España – 2011. Madrid: Fundación

Telefónica.

FUNTEL (2013). La Sociedad de la Información en España – 2012. Madrid: Fundación

Telefónica.

FUNTEL (2014). La Sociedad de la Información en España – 2013. Madrid: Fundación

Telefónica.

GARCÍA, Mª. A. (2011). Análisis causal con ecuaciones estructurales de la

satisfacción ciudadana con los servicios municipales. Tesina de Máster. Universidad de
Santiago de Compostela.
<http://eio.usc.es/pub/mte/descargas/proyectosfinmaster/proyecto_610.pdf> [Consulta:
19-03-2015].

GARCÍA, T.; PINTRICH, P. (1994). “Regulating motivation and cognition in the

classroom: The role of self-schems and self-regulatory strategies”. En Schunk, Dale H.;
Zimmerman, Barry J. (Eds). Self-regulation of learning and performance: Issues and
educational applications. Hillsdale, NJ: Lawrence Erlbaum Associates Inc.,pp. 127-
153.

241
GARCÍA CLAVEL, J.; ARQUES, A. (2003). Medida de la satisfacción del alumnado a
partir de un modelo de ecuaciones estructurales. Murcia: Universidad de Murcia.

GARCÍA CLAVEL, J.; BALIBREA, J. (2010). Motivación y rendimiento académico.

Los intangibles de la educación. Murcia: Universidad de Murcia.

GARCÍA SANZ, R. M. (2004). El Derecho de autor en internet. Tesis doctoral.

Universidad Complutense de Madrid.
<https://www.educacion.gob.es/teseo/mostrarRef.do?ref=303753> [Consulta: 19-03-
2015].

GARDNER, R. (2003). Estadística para Psicología usando SPSS para Windows.

México: Prentice Hall.

GARGALLO, B.; FERRERAS, A.; SUÁREZ-RODRÍGUEZ, J.M. (2007). “Estrategias

de aprendizaje y rendimiento académico en estudiantes universitarios”. Revista de
Investigación Educativa, v. 25, n. 2, pp. 421 – 441.

GARGALLO, B. et al (2012). “Estrategias de aprendizaje en estudiantes universitarios

excelentes y medios. Su evolución a lo largo del primer año de carrera”. RELIEVE
(Revista Electrónica de Investigación y Evaluación Educativa), v. 18, nº. 2.
DOI: 10.7203/relieve.18.2.2000 [Consulta: 3-04-2015].

GIL, H. (2005). Relaciones del capital intelectual y el aprendizaje interorganizativo en

el entorno de un centro de investigación tecnológica: aplicación al sector textil de la
Comunidad Valenciana. Tesis doctoral. Universitat Politècnica de València
<http://www.worldcat.org/title/relaciones-del-capital-intelectual-y-el-aprendizaje-
interorganizativo-en-el-entorno-de-un-centro-de-investigacion-tecnologica-aplicacion-
al-sector-textil-de-la-comunidad-valenciana-tesis-
doctoral/oclc/433537498&referer=brief_results > [Consulta: 19-03-2015].

242
GIONÉS-VALLS, A.; SERRAT-BRUSTENGA, M. (2010). “La gestión de la identidad
digital: una nueva habilidad informacional y digital”. Bid (textos universitaris de
biblioteconomía i documentació), nº 24. Universitat de Barcelona.
<http://bid.ub.edu/24/giones2.htm> [Consulta: 3-04-2015].

GITHUA, B. N.; MWANGI, J. G. (2003). “Students´ mathematics self-concept and

motivation to learn mathematics: relationship and gender differences among Kenya’s
secondary-school students in Nairobi and Rift Valley provinces”. International Journal
of Educational Development, 23, pp. 487-499.

GOBUSA (2000). Safe Harbor, Acuerdo UE y EEUU. Dptº de Comercio USA.

<http://www.export.gov/safeharbor/eu/eg_main_018476.asp> [Consulta: 19-03-2015].

GOLDBERGER, AS.; JÖRESKOG, KG. (1975). “Estimation of a model with multiple

indicators and multiple causes of a single latent variable”. JASA (Journal of the
American Statistical Association), v.10, nº 351, pp. 631-639. <
http://teaching.ust.hk/~sosc602m/Joreskog,%20Karl%20G.%20and%20Arthur%20S.%
20Goldberger.pdf> [Consulta: 3-04-2015].

GÓMEZ-BORJA, M. A.; LORENZO, C.; ALARCÓN, M. C. (2011). Redes sociales

virtuales, ¿de qué depende su uso en España?. Albacete: Universidad de Castilla-La
Mancha.

GONZÁLEZ, F. (2001). Caracterización de los procesos de Aprendizaje Organizativo

y su relación con las Tecnologías de la Información. Aplicación al Sector Textil Hogar
de la Comunidad Valenciana. Tesis doctoral. Universitat Politècnica de València.
<http://www.itio.upv.es/index.php?a=8> [Consulta: 19-03-2015].

GONZÁLEZ, R. et al (1998). “Variables motivacionales, estrategias de aprendizaje y

rendimiento académico en estudiantes universitarios: un modelo de relaciones
causales”. Revista de Orientación y Psicopedagogía, v. 9, nº 16, pp.217-229.

243
GONZÁLEZ, R. et al (2002). “Un modelo causal sobre los determinantes cognitivo-
motivacionales del rendimiento académico”. Revista de Psicología General y Aplicada:
Revista de la Federación Española de Asociaciones de Psicología., v. 52, nº 4, pp. 499-
519.

GONZÁLEZ, E. (2007). “Aumentan los riesgos en la seguridad de web 2.0”. PCWorld

España del 5 de octubre. < http://www.pcworld.es/archive/aumentan-los-riesgos-en-la-
seguridad-de-web-20 > [Consulta: 19-03-2015].

GORE, A. (1993). Technology for America´s economic growth: A new direction to

build economic strength. San José: Secretaría de prensa de la Casa Blanca.
< http://ntl.bts.gov/lib/jpodocs/briefing/7423.pdf> [Consulta: 3-04-2015].

GORSUCH, R.L. (1988). “Exploratory factor analysis”. En Nesselroade, J.R. y Cattell,

R.B. (Eds.), Handbook of Multivariate Experimental Psichology, 2nd ed. New York:
Plenum Press, pp. 231-258.

GREENE, B.A. y MILLER, R.B. (1996). “Influences on Achievement: Goals,

Perceived Ability, and Cognitive Engagement”. Contemporary Educational
Psychology, v. 21, nº 2, pp. 181-192.

GUERRERO PICÓ, Mª. C. (2004). El impacto de internet en el derecho fundamental a

la protección de datos de carácter personal. Tesis doctoral. Universidad de Granada.
<https://www.educacion.gob.es/teseo/mostrarRef.do?ref=373329> [Consulta: 19-03-
2015].

GUINALIU BLASCO, M. (2005). La gestión de la confianza en internet: un factor

clave para el desarrollo de la economía digital. Tesis doctoral. Universidad de
Zaragoza. <https://www.educacion.gob.es/teseo/mostrarRef.do?ref=380889> [Consulta:
19-03-2015].

244
GUITERT, M. et al (2008). “Implementación de la competencia transversal "Uso y
aplicación de las TIC en el ámbito académico y profesional" en el contexto universitario
de la UOC”. RELATEC: Revista Latinoamericana de Tecnología Educativa, v. 7, nº 2,
pp. 81-89.

GUITERT, M.; ROMEU, T. (2011). “La formación en línea: un reto para el docente”.
Cuadernos de Pedagogía, nº 418, pp. 77-81.

GUTIÉRREZ, M. I. (2008). Costes de agencia y de transacción como determinantes de

las decisiones financieras. Un análisis de ecuaciones estructurales. Tesis doctoral.
Universidad Complutense de Madrid. <http://eprints.ucm.es/8611/> [Consulta: 19-03-
2015].

GUTIÉRREZ, O. (2015). “La banda Carbanak está detrás del robo digital más grande
de la historia”. Cnet, 16 de febrero < http://www.cnet.com/es/noticias/la-banda-
carbanak-esta-detras-del-robo-digital-mas-grande-en-la-historia/> [Consulta: 19-03-
2015].

GUZMÁN, A. P. (2013). Factores críticos de éxito en el uso de las Redes Sociales en el

ámbito universitario: Aplicación a Twitter. Tesis doctoral. Universitat Politècnica de
València. <http://riunet.upv.es/handle/10251/28212> [Consulta: 19-03-2015].

HERNÁNDEZ, V. (2001). Análisis causal de los intereses profesionales en los

estudiantes de secundaria. Tesis doctoral. Universidad Complutense de Madrid.
<http://eprints.ucm.es/4860/> [Consulta: 19-03-2015].

HERNÁNDEZ, R.; FERNÁNDEZ, C.; BAPTISTA, P. (2003). Metodología de la

Investigación. México: McGraw Hill.

HOLTON, G.J.; BRUSH, S.G. (1987). Introducción a los conceptos y teorías de las
ciencias físicas. Barcelona: Editorial Reverté, 2ª edición.

245
HOOFNAGLE, C. et al (2010). “How different are young adults from older Adults
when it comes to information privacy attitudes & policies?”. SSRN (Social Science
Research Network). < http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1589864>
[Consulta: 3-04-2015].

HU, L.; BENTLER, P. M. (1999). “Cutoff criteria for fit indexes in covariance structure
analysis: Conventional criteria versus new alternatives”. Structural Equation Modelling:
A Multidisciplinary Journal, v.6, nº 1, pp. 1-55.
< http://www.tandfonline.com/doi/pdf/10.1080/10705519909540118 > [Consulta: 19-
03-2015].

HUERTA, J.E. (2010). “SEM: una breve introducción a los Modelos Estructurales”. En
1ª Escuela de Verano en Movilidad Social. Universidad de Monterrey
<http://www.ceey.org.mx/site/files/Escuela%20MS/Talleres/Modelos%20Esctructurales
-Juan%20Enrique%20Huerta.pdf > [Consulta: 19-03-2015].

INTECO (2010a). Estudio sobre la seguridad de la información y la e-confianza de los

hogares españoles. Madrid: Instituto Nacional de Tecnologías de la Comunicación.
<http://www.osimga.org/export/sites/osimga/gl/documentos/d/estudio_sobre_seguridad
_informacion_econfianza_hogares_espanoles_4t2009.pdf> [Consulta: 19-03-2015].

INTECO (2010b). Cuaderno de notas del Observatorio. Seguridad de la Información y

Redes Sociales. Madrid: Instituto Nacional de Tecnologías de la Comunicación
<www.inteco.es/file/gt1cIfwY4jEGEiZl7GiXgQ> [Consulta: 19-03-2015].

INTECO (2012). Guía para usuarios: Identidad digital y Reputación online. Madrid:
Instituto Nacional de Tecnologías de la Comunicación.
http://www.inteco.es/CERT/guias_estudios/guias/Guia_Identidad_Reputacion_usuarios
[Consulta: 19-03-2015].

ITU (2006). Internet used per 100 inhabitants (1994-2006). International

Telecommunications Union: ITU World Telecommunications. <http://www.itu.int/ITU-
D/ict/statistics/ict/graphs/internet.jpg> [Consulta: 19-03-2015].

246
ITU (2011). Indicators database (2006-2011). International Telecommunications
Union: ITU World Telecommunications. <http://www.itu.int/ITU-
D/ict/facts/2011/material/ICTFactsFigures2011.pdf> [Consulta: 19-03-2015].

JIANG, Z.; SUANG, C., CHOI, B. (2013). “Privacy Concerns and Privacy-Protective
Behavior in Synchronous Online Social Interactions”. Information Systems Research,
v. 24, nº 3, pp. 579-595.
<http://www.comp.nus.edu.sg/~jiang/Jiang%20et%20al.%202013.pdf> [Consulta: 3-
04-2015].

JÖRESKOG, K. G. (1971). “A general method for analysis of covariance structure”.

Biometrika. v. 57, nº 2, pp.239-251.

KAPLAN, A. (1964). The conduct of inquiry. San Francisco: Chandler, pp. 10-11

KERLINGER, F.N.; LEE, H. B. (1999). Foundations of Behavioral Research. Boston:

Cengage Learning; 4 ed.

KERLINGER, F.N.; LEE, H.B. (2002). Investigación del Comportamiento. Métodos de

Investigación en Ciencias Sociales. Cuarta edición. México, D.F.: McGraw-Hill /
Interamericana Editores, S. A.
<http://www.academia.edu/6753714/Investigacion_Del_Comportamiento_-
_Kerlinger_Fred_N_PDF> [Consulta: 17-04-2015].

KIM, J.; MUELLER, C. (1978). Introduction to Factor Analysis: What it is and How To
Do It (Quantitative Applications in the Social Sciences). Beverly Hills: SAGE
Publications.

KLINE, R. (2005). Principles and Practice of Structural Equation Modeling. New

York: The Guilford Press.
<http://dspace.hoasen.edu.vn/xmlui/bitstream/handle/123456789/4204/Principles%20an
d%20Practice%20of%20Structural%20Equation%20Modeling%20%20%20%202010.p
df?sequence=1> [Consulta: 16-04-2015]

247
KOOPMAN, T.C. (1949). “Identifications problems in economic model construction”.
Econométrica, v. 17, pp 125-143.

KOSINSKI, M.; YOUYOU, W.; STILLWELL, D. (2014). “Computer-based

personality judgments are more accurate than those made by humans”. Proceedings of
the National Academy of Sciences. v. 112, nº 4, pp. 1.036-1.040.
Doi: 10.1073/pnas.1418680112 [Consulta: 19-03-2015].

LAHEY (1999). Introducción a la Psicología. Madrid: Mc Graw Hill.

LANEY, D. (2001). “3D Data management: Controlling Data Volume, Velocity, and
Variety”. Application Delivery Strategies, by META Group Inc., nº 949 de 6 de febrero.
<http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-
Controlling-Data-Volume-Velocity-and-Variety.pdf> [Consulta: 19-03-2015].

LASNIER, F. (2000). Réussir la formation par compétences. Montreal: Guérin.

LERMA, H. D. (1999). Metodología de la investigación: propuesta, anteproyecto y

proyecto. Pereira: Ecoe Ediciones.

LIAW, S.S.; HUANG, H.M. (2003). “An investigation of user attitudes toward search
engines as an information retrieval tool”. Computers in Human Behavior, v. 19, nº 6,
pp.751– 765.

LIKERT, R. (1932). “A technique for the measurement of attitudes”. Archives of

Psychology, v. 22, nº 140, pp. 1-55.

LIN, S-W; LIU, Y-C (2012). “The effects of motivations, trust, and privacy concern in
social networking”, Service Business 6, pp. 411-424. DOI 10.1007/s11628-012-0158-6.

LLAMAS, R. (2005). Un análisis institucional de la implantación de la Agenda local

21 por los Ayuntamientos españoles. Tesis doctoral. Universidad de Granada.
<http://digibug.ugr.es/bitstream/10481/585/1/15403051.pdf> [Consulta: 19-03-2015].

248
LOEHLIN, J.C. (1992). Latent Variable Models: An Introduction to Factor, Path and
Structural Analysis. Hillsdale NJ: Lawrence Erlbaum Associates Inc.

LÓPEZ, R. et al (2010). “Elaboración y validación de un cuestionario de actitudes hacia

el uso de la tecnología para el aprendizaje de las matemáticas”, en I Encuentro Nacional
TIC en Educación, 19-20 de Noviembre, en Lisboa.
<http://funes.uniandes.edu.co/1559/> [Consulta: 19-03-2015].

LÓPEZ-ARAUJO, B.; OSCA, A. (2010). “Influencia de algunas variables

organizacionales sobre la salud y la accidentabilidad laboral”. Anales de Psicología,
v.26, nº 1, pp. 89-94.

LÓPEZ BORRULL, A. (2005). “Censura de Continguts a Internet: riscos i

oportunitats”. Bid – textos universitaris de biblioteconomía i documentació, nº 14.
<http://www2.ub.edu/bid/consulta_articulos.php?fichero=14lopez2.htm> [Consulta: 19-
03-2015].

LORENZO ROMERO, C. (2011). “Adopción de redes sociales virtuales: ampliación

del modelo de aceptación tecnológica integrando confianza y riesgo percibido”
Cuadernos de Economía y Dirección de la Empresa, vº 14, nº 3, pp. 194-205.

MALHOTRA, N. (2004). Investigación de Mercados: Un enfoque aplicado. México:

Pearson Prentice Hall.

MANZANO, A.; ZAMORA, S. (2009). Sistemas de ecuaciones estructurales: una

herramienta de investigación. Cuaderno técnico 4. México: Centro Nacional de
Evaluación para la Educación Superior (CENEVAL).
<https://es.scribd.com/doc/144255933/Sistema-de-ecuaciones-estructurales-una-
herramienta-de-investigacion> [Consulta: 19-03-2015].

MARTÍNEZ GARCÍA, J.A.; MARTÍNEZ CARO, L. (2009). “Los test estadísticos y la

evaluación de escalas; el caso de la invalidez discriminante”. Investigaciones Europeas
de Dirección y Economía de la Empresa, v. 15, nº 2, pp. 15-24.
<http://repositorio.bib.upct.es:8080/jspui/handle/10317/1600> [Consulta: 19-03-2015].

249
MARTÍNEZ LÓPEZ, F.J. et al (2006). “Confianza del consumidor en la compra a
través de Internet: una propuesta de modelización basada en la jerarquía de aprendizaje
estándar”. Cuadernos de Gestión, v. 6, nº 2, pp 59-79.

MARWICK, A.; MURGÍA, D.; PALFREY, J. (2010). “Youth, privacy and reputation”.
SSRN (Social Science Research Network). Berkman Center Research Publication nº 5,
Harvard Public Law Working Paper nº 10-29.
< http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1588163> [Consulta: 3-04-2015].

MATEOS-APARICIO, G. (2011). "Los modelos de ecuaciones estructurales: una

revisión histórica sobre sus orígenes y desarrollo", en Riobóo, V.; Almanzor, J. M.;
Riobóo Lestón, I. Historia de la Probabilidad y la Estadística. Santiago de Compostela:
Eds. AHEPE, pp: 289-301.

MCCREA, B. (2009). “Managing social media risks”. The Journal: Technological

Horizons in Education, del 10 de septiembre.
<http://thejournal.com/Articles/2009/10/08/Managing-Social-Media-Risks.aspx?Page=2
> [Consulta: 19-03-2015].

MEDINA RIVILLA, A.; CASTILLO ARREDONDO, S. (2003). Metodología para la

realización de proyectos de investigación y tesis doctorales. Madrid: Editorial
Universitas, S.A.

MEJÍA, E. (2005). Metodología de la Investigación Científica. Tesis doctoral.

Universidad Nacional Mayor de San Marcos, de Lima.
<https://es.scribd.com/doc/56942915/Libro-Metodologia-de-La-Investigacion-2005>
[Consulta: 19-03-2015].

MIKULIC, I.M.; MUIÑOS, R. (2005). “Una explicación integrativa de la Calidad de

Vida: La Evaluación Psicológica y el Análisis Factorial Confirmatorio”, en Memorias
de las XII Jornadas de Investigación, del 4-6 de agosto. Facultad de Psicología,
Universidad de Buenos Aires, v. 2, pp. 287-289.

250
MINET (2010). Estrategia 2011-2015. Plan Avanza 2. Ministerio de Industria, Turismo
y Comercio.

MIÑANO, P.; CASTEJÓN, J.L., (1997). “Capacidad predictiva de las variables

cognitivo-motivacionales sobre el rendimiento académico”. Revista Electrónica de
Motivación y Emoción (R.E.M.E.), v. XI, nº 31.

MONSORIU, M. (2008). Manual de Redes Sociales en Internet. Madrid: Creaciones

Copyright, S. L.

MOYER, K. (2009). "Risk Management and Social Media: A Paradigm Shift". Gartner
Blog Network, 9 de febrero.
<http://blogs.gartner.com/kristin_moyer/2009/02/09/risk-management-and-social-
media-a-paradigm-shift/ > [Consulta: 19-03-2015].

NAONE, E. (2011). “Las personas difunden sus ubicaciones sin querer hacerlo”. MIT
Technology Review, 22 de Abril.
<http://www.technologyreview.es/read_article.aspx?id=37461&pg=2> [Consulta: 3-04-
2015].

NIKIFORAKIS, N. y ACAR, G. (2014). “Browser Fingerprinting and the Online-

Tracking Arms Race”. IEEE Spectrum, agosto.
<http://spectrum.ieee.org/computing/software/browser-fingerprinting-and-the-
onlinetracking-arms-race> [Consulta: 19-03-2015].
OBSERVATORIO de Redes Sociales (2011). Tercera oleada. Madrid.
<http://www.slideshare.net/TCAnalysis/tca-observatorio-redes-sociales2011publico>
[Consulta: 19-03-2015].

OBSERVATORIO de Redes Sociales (2012). Cuarta oleada. Madrid.

<http://www.slideshare.net/TCAnalysis/4-oleada-observatorio-de-redes-sociales>
[Consulta: 19-03-2015].

251
OLTRA, J.V. (2003). Estudio de la capacidad de uso y personalización como posibles
factores de ito en el comercio electrónico empresa a consumidor : aplicación a
empresas del entro istórico de Valencia. Tesis doctoral. Universitat Politècnica de
València. <http://www.worldcat.org/title/estudio-de-la-capacidad-de-uso-y-
personalizacion-como-posibles-factores-de-exito-en-el-comercio-electronico-empresa-
a-consumidor-b2c-aplicacion-a-empresas-del-centro-historico-de-valencia-tesis-
doctoral/oclc/433380219&referer=brief_results> [Consulta: 19-03-2015].

PAVLOU, P.A. (2003). “Consumer acceptance of electronic commerce: Integrating

trust and risk with the Technology Acceptance Model”. International Journal of
Electronic Commerce, v. 7, nº 3, pp. 69–103.

PEINADO, S.; BOLÍVAR, J.M.; BRICEÑO, L.A. (2011). “Actitud hacia el uso de la
computadora en docentes de Educación Secundaria”. CONHISREMI, Revista
Universitaria Arbitrada de Investigación y Diálogo Académico, v. 7, nº 1, pp. 86-105.

PEÑA, D.; ROMO, J. (1997). Introducción a la Estadística para las Ciencias Sociales.
Madrid: McGraw-Hill.

PINTRICH, P.R.; DE GROOT, E.V. (1990). “Motivational and self-regulated learning

components of classroom performance”. Journal of Educational Psychology, nº 82, pp.
33-40.

PINTRICH, P. R. (2000). “The role of goal orientation in selfregulated learning”, en

Boekaerts, M.; Pintrich, P. R.; Zeidner, M. (Eds). Handbook of self-regulation. San
Diego: Academic Press, pp. 451-502.

PORTILLA, J.A., SANTAELLA, J. (2014). “Regulación: situación actual y análisis a

futuro. Recomendaciones del COIT”. Revista Bit nº 197, pp. 46-49.

252
POZUELO, J. (2014). “¿Y si enseñamos de otra manera?. Competencias digitales para
el cambio metodológico”. Caracciolos – Revista digital de investigación en docencia,
v. II, nº 1.
<http://www3.uah.es/caracciolos/index.php/caracciolos/article/view/17/36 > [Consulta:
29-03-2015].

RECEU (2001). Puntos de contacto en los que se ofrece un servicio ininterrumpido de

veinticuatro horas para luchar contra la delincuencia en el ámbito de la alta
tecnología. Recomendación del Consejo, de 25 de junio de 2.001
<http://europa.eu/legislation_summaries/justice_freedom_security/fight_against_organi
sed_crime/l33157_es.htm> [Consulta: 19-03-2015].

REGEU (2004). Creación de la Agencia Europea de Seguridad de las Redes y de la

Información. Reglamento nº 460/2004 del Parlamento Europeo y del Consejo, de 10 de
marzo.

REJÓN GUARDIA, F.; LIÉBANA CABANILLAS, F.; MARTÍNEZ FERNÁNDEZ,

M. (2011). “Factores motivacionales de la aceptación de Redes Sociales de
Microblogging: Modelo μBTAM”, en Univest 2011. III Congreso Internacional. La
Autogestión del Aprendizaje. (Junio, 2011. Girona). < http://dugi-
doc.udg.edu/bitstream/handle/10256/3702/262.pdf?sequence=1> [Consulta: 4-04-2015].

RIBES, E. (1990). Psicología General. México: Editorial Trillas.

RISNES, A. (1999). “School Background, Motivational Belief and Achievement in

Mathematics”. Proceedings of the Twenty First Annual Meeting Phychology of
Mathematics Education, v. 1.

ROJAS, A.; FERNÁNDEZ, J.; PÉREZ, C. (2010). Investigar mediante encuestas.

Fundamentos teóricos y aspectos prácticos. Metodología de las Ciencias del
Comportamiento. Editorial Síntesis, Madrid.

253
RTVE (2010). Wikileaks destapa más de 250.000 cables diplomáticos. 28 de
noviembre. < http://www.rtve.es/noticias/20101128/eeuu-pidio-diplomaticos-espiasen-
extranjero-onu/376896.shtml > [Consulta: 24-04-2015].

RTVE (2013). Cronología del caso Snowden. 28 de octubre.

<http://www.rtve.es/noticias/20131028/cronologia-del-caso-snowden/696721.shtml>
[Consulta: 19-03-2015].

RUIZ, M. A.; PARDO, A., SAN MARTÍN, R. (2010). “Modelos de Ecuaciones

Estructurales”. Papeles del Psicólogo, v. 31, nº 1.
<http://www.papelesdelpsicologo.es/vernumero.asp?id=1794> [Consulta: 4-04-2015].

RUIZ LIMÓN, R. (2006). Historia y Evolución del Pensamiento Científico.

Enciclopedia y biblioteca virtual de las ciencias sociales económicas y jurídicas.
< http://www.eumed.net/libros-gratis/2007a/257/> [Consulta: 4-04-2015].

SÁEZ, F. (1991). “Los derechos humanos y la nueva frontera de la información”. <

http://oa.upm.es/22422/1/Los_derechos_humanos.pdf > [Consulta: 19-03-2015].

SÁEZ, F. (2004). Más allá de internet: la Red Universal Digital. X-Economía y Nuevo
Entorno Tecnosocial. Madrid. Editorial Universitaria Ramón Areces, S. A.

SALIM, R. (2004). “El cuestionario CEPEA: Herramientas de evaluación de enfoques

de aprendizaje en estudiantes universitarios”. Revista Iberoamericana de Educación, nº
36/4. < http://www.rieoei.org/investigacion/1060Salim.PDF> [Consulta: 19-03-2015].

SALIM, R. (2006). “Motivaciones, enfoques y estrategias de aprendizaje en estudiantes

de Bioquímica de una universidad pública argentina”. Revista Electrónica de
Investigación Educativa, v. 8, nº 1.
<http://www.erevistas.csic.es/ficha_articulo.php?url=oai_revista661:186&oai_iden=oai
_revista661> [Consulta: 4-04-2015].

SALINAS, M.; SILVA, C. (2006). “Modelos de regresión y correlación (I)”. Revista

Ciencia y Trabajo, v. 8, nº 22, pp. 185-189.

254
SALINAS, M.; SILVA, C. (2007). “Modelos de regresión y correlación (II). Regresión
lineal múltiple”. Revista Ciencia y Trabajo, v. 9, nº 23, pp. 39-41.

SÁNCHEZ GUEVARA, I. (2009). Ecuaciones Estructurales en la Enseñanza-

Aprendizaje de Matemáticas. México: Universidad Autónoma Metropolitana
Xochimilco.
<http://dcsh.xoc.uam.mx/congresodcsh/ponencias_fin/30sep/ConsejoamDocencia/Ecua
cionesestructuralesenlaense.pdf> [Consulta: 29-03-2015].

SCHILLER, H. (1996). Information Inequality. The deepening social crisis in America.

Nueva York: Routledge.

SCHUMACHER, R.; LOMAX, R. (1996). A beginners Guide to Structural Equation

Modeling. New Jersey: Lawrence Erlbaum Associates Inc.

SHIH, Y.; FANG, K. (2004). “The use of a decomposed Theory of Planned Behavior to
study Internet banking in Taiwan”. Internet Research, v. 14, nº 3, pp. 213–223.
<http://ir.nctu.edu.tw/bitstream/11536/27251/1/000222845900003.pdf> [Consulta: 4-
04-2015].

SHIN, D.H.; KIM, W.Y (2008). “Applying the technology acceptance model and flow
theory to Cyworld user behavior”. CyberPsychology and Behavior, v. 11, nº 3, pp. 378-
382.

SILVA, C.; SCHIATTINO, I. (2008). “Modelos de ecuaciones estructurales, ¿qué es

eso?” Revista Ciencia y Trabajo, año 10, nº 29 (julio/septiembre).
<http://prof.usb.ve/jjramirez/POSTGRADO/AFC/Art02%202008%20Art%20Que%20s
on%20MEE%20con%20Ejemplo%20Esp.pdf> [Consulta: 19-03-2015].

SOLOVE, D. J. (2007). "Rumor and reputation in a digital world", en The future of

reputation: gossip, rumor, and privacy on the Internet. New Haven: Yale University
Press, pp. 17–102.

255
STEENKAMP, J.B.E.M., GEYSKENS, I. (2006). “How country characteristics affect
the perceived value of a website”. Journal of Marketing, v. 70, nº 3, pp. 136–150.

STEIGER, J.H. (1990). “Structural model evaluation and modification: an interval

estimation approach”. Multivariate Behavioral Research, v. 25, nº 2, pp. 173-180.

STEVENS, J. (2009). Applied Multivariate Statistics for the Social Sciences. Nueva
York: Routledge, edición 5ª.

TAMAYO y TAMAYO, M. (2003). El proceso de la investigación científica. México:

Editorial Limusa.

THURSTONE, L. (1928). “Attitudes can be measured”. American Journal of Sociology,

v. 33, nº 4, pp. 529-554.

TJUE (Tribunal de Justicia de la Unión Europea) (2014). Sentencia del 13-V-2014 en el

procedimiento entre Google Spain, S.L.-Google Inc. y la Agencia Española de
Protección de Datos – Mario Costeja González.
<https://www.agpd.es/portalwebAGPD/canaldocumentacion/sentencias/tribunal_justici
a/common/3._Sentencia_Gran_Sala_de_13_de_mayo_de_2014._Asunto_C-131-
12._Google_v_AEPD_y_Mario_Costeja.pdf > [Consulta: 19-03-2015].

TORRES, P. (2010). “Modelos de Ecuaciones Estructurales”. El evaluador educativo,

nº 10, Año 1, de Junio <http://www.cubaeduca.cu/medias/evaluador/junio2010-1.pdf >
[Consulta: 19-03-2015].

URLEU (2000). Consejo Europeo de Santa María da Feira, de 19 y 20 de junio.

Parlamento Europeo. <http://www.europarl.europa.eu/summits/fei2_es.htm> [Consulta:
19-03-2015].

URUEÑA, A. (2011). Las redes sociales en internet. Ontsi (Observatorio nacional de

las telecomunicaciones y la Sociedad de la Información).
<http://www.ontsi.red.es/ontsi/sites/default/files/redes_sociales-documento_0.pdf>
[Consulta: 19-03-2015].

256
USHER, E.L.; PAJARES, F. (2006). “Sources of academic and self-regulatory efficacy
beliefs of entering middle school students”. Contemporary Educational Psychology, v.
31, nº 2, pp. 125-141.

VIEJO GALICIA, A. (2008). Security and privacy issues in some special-purpose

networks. Tesis doctoral. Tarragona: Universidad Rovira i Virgili.
<http://www.tdx.cat/handle/10803/8484> [Consulta: 19-03-2015].

WOLTERS, C.; PINTRICH, P.; KARABENIC, S. (2003). “Assessing academic self-

regulated learning”, en Conference on Indicators of Positive Development: Definitions,
Measures, and Prospective Validity, en marzo en el Bureau of Labor Statistics.
(Washington) <http://www.childtrends.org/wp-content/uploads/2013/05/Child_Trends-
2003_03_12_PD_PDConfWPK.pdf> [Consulta: 19-03-2015].

WRIGHT, S. (1921). "Correlation and causation". Journal of Agricultural Research, v.

20, nº 7, pp. 557–585.

WRIGHT, S. (1934). “The Method o£ Path Coefficients”. The Annals of Mathematical

Statistics, v. 5, nº 3, pp. 161-215.
<http://www.ssc.wisc.edu/soc/class/soc952/Wright/Wright_The%20Method%20of%20
Path%20Coefficients.pdf> [Consulta: 19-03-2015].

257
 7.1 Cursos realizados en el Centro de Formación

Permanente de la UPV (CFP)

“Herramientas Estadísticas para la Investigación en docencia universitaria”. Versiones

Junio/2009 y 2010

“Herramientas para la Tesis y publicación (I): Introducción a la validación de escalas y

manejo del Cuestionario-Datos. Análisis exploratorio de datos y relaciones entre
variables en SPSS (ANOVA, Correlación, Tablas, Contingencia, etc.)”. Mayo/2010

“Herramientas para la Tesis y las publicaciones (I): Introducción a la creación y

validación de escalas. Manejo del Cuestionario-Datos”. Versiones de Enero y
Marzo/2012

“Herramientas metodológicas para la Tesis y las publicaciones (II): Métodos bivariantes

y multivariantes: ANOVAs y regresión”. Marzo/2012

“Herramientas metodológicas para la Tesis y las publicaciones (III): Métodos

multivariantes: Análisis factorial de componentes principales (ACP)”. Versiones de
Enero y Marzo/2012

“Herramientas metodológicas para la Tesis y las publicaciones (IV): Métodos

multivariantes de regresión lineal, logística binaria (LOGIT) y logística multinomial”.
Abril/2012

“Herramientas metodológicas para la Tesis y las publicaciones (V): Técnicas de

agrupación, cluster jerárquico y no jerárquico”. Abril/2012

“Seminario de Metodología de investigación: Introducción a los modelos de Ecuaciones

Estructurales (SEM)”. Versiones Abril y Septiembre/2012, y Marzo/2013

“Metodología para la escritura de Artículos y Tesis”. Mayo/2012

258
“Internet seguro – Como proteger a los hijos”. Abril/2010

“Derechos de la Propiedad Intelectual: Compartir el Conocimiento”. Junio/2010

“Foro IV: Educación Digital”. Julio/2013

259
ANEXOS
ANEXO 1 – Grafos estructurales modelo

Gloria Baca es profesora-investigadora en el área de Investigación, Estrategia y Gestión

de las Organizaciones del departamento de Producción Económica en la Universidad
Autónoma Metropolitana de Xochimilco, en México.

Modelo causal utilizado en investigación educativa. Baca Lobera, G. (2005)

Diseñó el modelo estructural basándose en las teorías motivacionales de Eccles (1995) y

su grupo y en el modelo desarrollado por Risnes (1999).

261
Elaboró un cuestionario para medir las variables latentes (utilidad, interés, confianza y
ansiedad) y un test sobre temas de aritmética, álgebra, ecuaciones y planteamiento de
problemas a los alumnos de Administración para estudiar las características que
relacionan la actitud receptiva de los alumnos con el aprendizaje de las Matemáticas.

Por su parte, Irene Sánchez Guevara, profesora del departamento de Política y Cultura
de la misma Universidad que la anterior construyó su modelo con las respuestas de los
alumnos de Administración, Economía, Política y Gestión Social a un cuestionario
modificado del de la profesora de la Universidad de Deusto Elena Auzmendi, añadiendo
un pequeño examen de conocimientos, para estudiar los problemas de enseñanza-
aprendizaje de los cursos de Matemáticas.

Modelo causal utilizado en la enseñanza-aprendizaje de Matemáticas.

Sánchez Guevara, I. (2009)

Hizo el análisis con ecuaciones estructurales construyendo varios modelos y buscando

el de mejor ajuste, partiendo de las variables definidas por Eccles (1995) y Risnes
(1999).

262
Fred Davis, publicó una investigación en la Universidad de Minnesota en la que
validaba unas nuevas escalas incluyendo la utilidad y la facilidad de uso percibidas por
los usuarios de nuevas Tecnologías, como determinantes principales para su aceptación.
Estas escalas se probaron asegurando su fiabilidad y validez de contenido.

Los análisis de regresión sugieren que la facilidad de uso percibida puede ser un
antecedente causal de la utilidad percibida, determinante directo del uso de los recursos

Modelo TAM de aceptación de la Tecnología. Davis, F.D. (1985)

Carlota Lorenzo desarrolló su modelo partiendo de las variables del modelo de Davis
(1985), concretándolo para el uso de redes sociales e incorporando nuevos constructos

Modelo causal utilizado en la adopción de redes sociales virtuales.

Lorenzo Romero, C. (2011)
263
Francisco Rejón y sus compañeros de la Universidad de Granada utilizan también el
modelo de Davis (1985) sobre los factores motivacionales en su investigación al utilizar
redes sociales con escaso número de caracteres, para compartir lo esencial, y aplicarlas
a la docencia al ser una ventana al conocimiento informal.

También añaden al modelo básico de Davis constructos para conocer la influencia de

normas subjetivas (grado de influencia percibido por el encuestado sobre lo que
personas importantes para él consideran sobre si debería usar o no el sistema) y la
imagen social por el uso de esas tecnologías (grado de influencia percibido por el
encuestado sobre lo que el uso de esa innovación mejorará su estatus en su contexto
social).

Modelo de aceptación de redes sociales de microblogging (μBTAM).

Rejón, F.; Liébana, F.; Martínez, M. (2011)

En la construcción del siguiente modelo se tiene en cuenta la construcción clásica de

actitudes compuestas por creencias, elementos afectivos y de comportamiento y su
orden de influencia, así como su implicación en la Confianza del consumidor, el cual
desarrolla unas opiniones (aspectos cognitivos) en función de características que
condicionan su actitud (aspecto afectivo) que, a su vez, influye en su comportamiento.

264
La parte afectiva influye sobre la confianza y el conjunto de relaciones quedan
representadas de forma gráfica en el siguiente grafo.

Modelo de confianza del consumidor en la compra a través de internet

Martínez, F.J.et al (2006)

Para facilitar la comprensión del lector, se rodean con círculo rojo las direcciones
causales de los constructos utilizados en el estudio, recordando la nomenclatura:

Ansiedad = estrés =…= -facilidad percibida = riesgo

Interés = atracción =…= agradable = actitud positiva hacia… = intención de uso
Confianza
Utilidad
Aciertos = nota

265
ANEXO 2 – Aspectos básicos sobre Teoría Estadística en Ciencias
Sociales

2A - El Método Científico en las Ciencias Sociales.

La vida social es el objeto de las Ciencias Sociales. Constituye una parte de la realidad
observable en la que vivimos inmersos. Podemos formular cuestiones o problemas
referidos a la vida social y anticipar soluciones mediante la observación sistemática de
los fenómenos sociales.

El método científico en las Ciencias Sociales presenta algunas particularidades

especiales, debido a las características peculiares de su objeto de estudio, la Sociedad.
Debido a su diversidad y complejidad, en continua evolución y sujeta a la incertidumbre
e indeterminación propia de la libertad del hombre, hace difícil aplicar técnicas de
observación experimentales. Pero podemos utilizar el método cuantitativo,
predominantemente inductivo, que determina las características generales de una
población basándose en la observación de suficientes casos individuales de la misma
para comprender la situación global lo más profundamente posible.

Los métodos cuantitativos son objetivos y tienen un acusado carácter numérico. Nos
proporcionan el marco concreto para el estudio de la realidad social o paradigmas, que
definen lo que debemos estudiar y las preguntas que son necesarias responder.

Nuestra investigación consiste en un proceso formado por un conjunto de fases de

actuación sucesiva, orientadas a descubrir la realidad en el campo social siguiendo
normas y reglas genéricas de actuación científica.

La recogida de información debe ser estructurada y sistemática, utilizando el Análisis

Estadístico para cuantificar la realidad social, las posibles relaciones causales y su
intensidad. Los resultados obedecerán a la búsqueda cuantitativa de las leyes generales
de la conducta.

266
Aunque nuestra investigación científico social tiene como finalidad hallar respuesta a
problemas intuidos pero desconocidos, exigirá la aplicación lo más rigurosa posible del
método y las técnicas científicas al campo social, referidas a problemas concretos, lo
más precisos, reales y específicos que sea posible, de la realidad social.

Asumimos encontrarnos con una serie de problemas y dificultades en la investigación

social, tales como:

 La variabilidad de los fenómenos sociales y las pautas de comportamiento, pues

los fenómenos sociales cambian a lo largo del tiempo y del espacio, lo que nos
puede dificultar la generalización de resultados empíricos o explicaciones a un
fenómeno que tenga validez en cualquier momento del tiempo y la geografía.
 La complejidad. Los fenómenos sociales están integrados por una diversidad de
factores y variables que interactúan entre sí, con la dificultad de estudiar todos los
factores desde el punto de vista del análisis, debiendo aislar y determinar la
influencia de unos factores a otros.
 La realidad social está constituida por personas o individuos.

Pasado un cierto tiempo, hay que volver a empezar para observar los resultados de los
planes recomendados, tal y como recomienda la metodología conocida como PDCA,
que puede verse en la figura 38, denominada círculo de Deming (Plan / Do / Check /
Act) que persigue:

 Planificar: analizar la situación, determinar objetivos, forma de alcanzarlos, etc.

 Hacer: llevar a cabo el trabajo y las acciones planificadas

 Comprobar: verificar los efectos y resultados sobre los objetivos propuestos

 Actuar: llevar a cabo documentación, generalización de resultados,

sistematización, emprender nuevas mejoras….

267
 Fig. 38: Círculo de Deming. (EP)

Es decir, seguir estudiando la sensibilidad de los estudiantes respecto su propia

seguridad y privacidad y su consiguiente forma de actuar al navegar por la red. Y,
pasado un cierto tiempo, volver a empezar hasta estar lo bastante seguros que las
precauciones adoptadas son suficientes.

268
2A.1 - Métodos cuantitativos en las Ciencias Sociales

La investigación social cuantitativa está directamente basada en el paradigma

explicativo, que utiliza preferentemente información cuantitativa o cuantificable para
describir o tratar de explicar los fenómenos que estudia.

La reconstrucción de la práctica científica, que se hace habitualmente en los textos de

metodología de la investigación, presenta ese proceso en una forma un tanto idealizada,
ya que consiste en una serie de etapas que se dan en forma lineal, unas tras otras. Si bien
ésta será la forma didáctica que utilizaremos, reconocemos que “una lógica
reconstruida no es una descripción (exacta), sino más bien una idealización de la
práctica científica. Ni siquiera el más grande de los científicos tiene un estilo cognitivo
que sea entera y perfectamente lógico...” (Kaplan, 1964: 10-11).

Reconocido el carácter didáctico de la lógica reconstruida, según la expresión del

epistemólogo norteamericano citado, podemos distinguir tres momentos principales en
el proceso de investigación:

1) uno de acercamiento inicial al tema y a la problemática existente en el área de

interés,

2) otro segundo momento, representado por la preparación del proyecto de

investigación; y

3) un tercer momento, en el cual se realiza o ejecuta la investigación, es decir, se

pone en práctica el proyecto de investigación.

Probablemente, como consecuencia del arranque de los Planes de Calidad en las

Universidades, se ha provocado una masiva consulta hacia los estudiantes que, en forma
de encuestas, están ayudando a analizar diversos aspectos para que se pueda mejorar la
educación y el aprendizaje aparejado. En muchos casos se limitan a simples análisis
estadísticos descriptivos básicos, pero en otros también profundizan con herramientas
más sofisticadas. (García Clavel y Arques, 2003)

269
Teniendo en cuenta que las etapas de adopción de las tecnologías, estudiadas por
Christiansen y Knezech (2007) pasan por diversos niveles tales como:

a) concienciación, o primera aproximación, sabiendo de su existencia sin más

b) conocimiento, cuando empezamos a estudiar su funcionamiento y nos sentimos

más atraídos

c) utilización básica, con el software más sencillo, pero descubriendo las

posibilidades que se perciben

d) Confianza, o familiaridad, donde se profundiza en su uso y se descubren

recursos para nuestro sector concreto

e) Aplicación, cuando se ponen en práctica los recursos que se han descubierto y se

comparten y muestran a los demás

f) Integración, cuando se utilizan todas las metodologías, incluidas las aportadas

por las aplicaciones tecnológicas, y se comparten con el equipo de trabajo
(profesor-alumnos), enriqueciendo el proceso

en nuestro caso el acercamiento al tema específico tiene su origen en la formación

teórica y práctica y en los trabajos realizados en el entorno de la seguridad tanto en
internet a nivel general como en las aplicaciones desarrolladas para potenciar las redes
sociales, así como sobre la actuación de los usuarios en las medidas de autoprotección
para minimizar riesgos de privacidad de modo tal que las nuevas investigaciones que
realizamos corresponden a una misma línea de indagación que profundiza en el estudio
del riesgo real existente en una población con mayor preparación, como es la de los
estudiantes de carreras más técnicas de la UPV.

270
2A.2 - Diseño de la investigación

El diseño metodológico de la investigación propuesta es la estrategia que se utilizará

para cumplir con los objetivos de esta investigación. En términos prácticos, tal
estrategia está compuesta por una serie de decisiones, procedimientos y técnicas que
cumplen funciones particulares, así que utilizaremos la encuesta social.

En relación con esa decisión, debemos especificar los siguientes componentes y tareas:

 Población en la cual se realizará el estudio.

 Tipo y tamaño de la muestra, si procede.

 Descripción de los instrumentos que se utilizarán en la recolección de

informaciones: cuestionarios, observación estructurada, escalas para la medición de
actitudes, etc.

 Plan general para la recolección de información o trabajo de campo.

 Procedimientos para el procesamiento de la información: codificación.

 Técnicas que se emplearán en el análisis de los datos:

a) Para el análisis descriptivo: tablas de frecuencias, medidas de tendencia

central, de variabilidad, representaciones gráficas, etc.

b) Para el análisis relacional: tabulaciones cruzadas, medidas de asociación

para variables nominales, ordinales y proporcionales.

c) Para el análisis tipológico: espacio de propiedades, análisis de

conglomerados.

d) Para el análisis comparativo-descriptivo en la muestra: comparación de

distribuciones de frecuencias, proporciones, medias aritméticas, etc. y, según
el caso, uso de la estadística t, análisis de la varianza, etc.

e) Para el análisis explicativo: en general, técnicas de análisis multivariado

como la regresión múltiple, regresión logística, análisis de senderos, etc.
271
En el caso de variables subyacentes (como actitudes y motivaciones) y de variables
complejas, el investigador debe dar definiciones operacionales de tales variables. Por
ejemplo, se dirá que será medida con preguntas del tipo de una escala Likert, en las
cuales cada individuo señala una opción de respuesta entre las proposiciones que se
definen en el conjunto.

Una vez terminado y revisado el proyecto de investigación, podemos iniciar su

ejecución. Esto implica cumplir las etapas y tareas especificadas como son la
preparación de la población con la que se trabajará, la selección del tipo de muestra que
se va a emplear y determinación de su tamaño, la elaboración de los instrumentos que se
utilizarán en la recolección de información, la revisión de la información recogida, la
codificación de esa información revisada de acuerdo con un código previamente
preparado, la preparación de un plan de análisis de acuerdo con los objetivos de la
investigación, la preparación de la estructura del informe, análisis e interpretación de los
resultados, y la redacción del informe definitivo.

Los medios a utilizar serán:

 Revisión bibliografía.

 Entrevistas con profesionales docentes de los centros estudiados

 Encuestas presenciales (para el piloto) y vía internet (las definitivas)

 Software estadístico SPSS.

 Software de ecuaciones estructurales y análisis de caminos, AMOS

 Asistencia a Congresos de Tecnología Educativa.

 Asistencia a Cursos CFP-UPV adecuados para el uso de las herramientas

necesarias realizados por los profesores Carot, J., Hervás, J.L. (sobre SPSS) y
Montoro, J. (sobre AMOS) en varias versiones.

272
2B - Encuestas

El diseño tipo encuesta es exclusivo de las Ciencias Sociales y parte del hecho de que si
queremos conocer algo sobre el comportamiento de las personas, lo mejor, más directo
y simple, es preguntárselo a ellas. Se trata de obtener información de un grupo
significativo de personas acerca de los problemas en estudio para después, a través de
un análisis de tipo cuantitativo, llegar a las conclusiones que correspondan con los datos
recogidos. Este método ha alcanzado gran popularidad entre los investigadores sociales,
pues la encuesta es uno de los métodos posibles de estudio de la realidad social.

Entre las principales ventajas del método de la encuesta tenemos las siguientes:

a) El conocimiento de la realidad es directo, no intermediado, y por lo tanto más

real. Al interrogar abiertamente a las personas para conocer su situación, forma de
actuar u opinión, hay que prevenirse contra interpretaciones muy subjetivas.
b) Como es fácil agrupar los datos en forma de cuadros estadísticos, se facilita la
medida de las variables en estudio con las que podemos operar y cuantificar con
mayor precisión, permitiendo el uso de correlaciones y otros recursos matemáticos;
superando una de las dificultades básicas de la investigación social que es su
limitada rigurosidad y la alta posibilidad de errores por un tratamiento poco exacto
de los fenómenos.
c) La encuesta es un método de trabajo relativamente económico y rápido. Resulta
fácil llegar rápidamente a una multitud de personas y obtener una gran cantidad de
datos en poco tiempo. Su coste, para casos simples, es sensiblemente bajo.

Pero, en determinadas situaciones, aparecen una serie de inconvenientes que le restan

validez como diseño. Las desventajas más frecuentes que se le han reconocido son:

a) La encuesta recoge la visión que la gente tiene de sí misma, muy subjetiva y,

para algunos temas, falsa e imprecisa. No es lo mismo lo que las personas hacen o
sienten o creen, que lo que ellas mismas dicen que hacen, sienten o creen. Hay
recursos para reducir este problema, como omitir algunas preguntas que sabemos
no gustan a la mayoría y a las que no van a contestar con sinceridad, también
podemos contrastar respuestas, etc.
273
 b) El diseño de información a través de la encuesta es estático, por lo que conviene
repetirla con cierta frecuencia. De lo contrario tendríamos una imagen instantánea
de una determinada situación, pero sin conocer su evolución o tendencia al cambio.
c) El tratamiento de la información es estadístico, lo que supone agrupar a todas las
respuestas dándole a cada una igual peso relativo.

La lógica de la verificación mediante encuestas se basa en la correlación estadística que

presentan las distribuciones de frecuencias (o los porcentajes) de dos o más variables
sobre las cuales se supone que existen relaciones de determinación. De este modo se
puede inferir si existe o no una asociación entre los valores de las mismas, con lo cual
queda establecida una cierta relación.

Podemos concluir que las encuestas resultan apropiadas casi siempre para estudios de
tipo descriptivo, aunque no tanto para los explicativos. Son inadecuadas para
profundizar ciertos aspectos psicológicos o psico-sociales profundos pero muy eficaces
para problemas menos delicados, como los de las actitudes, o las conductas más simples
o los comportamientos, y opiniones masivas, donde sí son más eficaces.

La encuesta descriptiva tiene como objetivos principales:

1) describir la distribución de una o más variables en el total del colectivo objeto de

estudio o en una muestra del mismo;

2) realizar la misma operación en subgrupos significativos de ese colectivo o en su

muestra;

3) calcular medidas de tendencia central y de dispersión de esas variables en el

colectivo total o en la muestra utilizada y en los subgrupos.

El cumplimiento de los dos primeros objetivos permite hacer diversas comparaciones

entre las formas de distribución y los valores que toman las variables en esos contextos.

274
2B.1 - El cuestionario

El cuestionario es el componente principal de una encuesta. Su construcción es más bien

la expresión de la experiencia del investigador y de su sentido común, siendo muy
recomendable atender a las siguientes indicaciones:

1. Las preguntas del cuestionario deben derivarse de los objetivos del estudio y,
por lo tanto, del problema de investigación planteado.

2. No hay un criterio único para saber cuántas preguntas debe contener un

cuestionario. Conviene, en una primera etapa, formular cuantas preguntas parezcan
apropiadas para cubrir el problema de investigación. En sucesivas revisiones
posteriores se podrán encontrar preguntas que aunque parecieron importantes en
cierto momento, dejaron de serlo más adelante.

3. El cuestionario debe comenzar con preguntas generales simples, al alcance de

cualquier persona, con el fin de establecer un clima favorable, de atracción y
armonía.

4. Una pregunta puede influir sobre la siguiente. Para evitarlo colocamos primero
las preguntas generales y luego las más especificas sobre el tema concreto, que
proporcionan al entrevistado un marco de referencia para contestarlas.

5. Las preguntas deben organizarse en una secuencia lógica, como siguiendo el hilo
de una conversación.

6. No hay que utilizar preguntas que pueden inducir la respuesta. Ni tampoco

preguntas directas que puedan colocar al encuestado en una situación incómoda.
Hay que despersonalizarlas.

7. Debemos evitar utilizar palabras vagas que proporcionan respuestas también

vagas, como expresiones tales como: con qué frecuencia, con qué regularidad, diría
usted que generalmente, a menudo, etc.

275
8. El cuestionario debe comprender tres secciones con preguntas de:

a) determinación del encuestado, que permiten saber si corresponde o no al

grupo de personas requeridas por el estudio;

b) preguntas demográficas o de clasificación (edad, sexo, etc.); y

c) las preguntas referidas al tema central del estudio (pueden ser preguntas
abiertas o cerradas). Forman la parte más larga del cuestionario.

9. Según los objetivos y las necesidades de análisis, el cuestionario podrá utilizar

tipos de preguntas como las que presentamos a continuación.

 Preguntas cerradas: Dicotómicas (Sí – No), de respuesta única o múltiple

 Preguntas abiertas: Introductorias, filtro, de control, de relleno, de

clasificación….

 Preguntas con graduaciones en una dirección (unipolar).Muy buena.-

Buena.- Regular.- Mala.- Muy mala.-

 Preguntas con graduaciones en dos direcciones (bipolar).Demasiado

práctica. Algo práctica.- Sin orientación.- Algo teórica.- Demasiado teórica.-

 Preguntas de acuerdo - desacuerdo. Son, en general, las preguntas que se

utilizan en la construcción de escalas tipo Likert o en la construcción de
índices con una, dos o tres preguntas que representan indicadores de una
misma variable (por ejemplo, intolerancia, individualismo, autoritarismo,
etc.). Rojas et al (2010)

276
2B.2 - Presentación del cuestionario

Podemos realizar el cuestionario sobre dos formatos diferentes:

• A través de una página Web, y

• A través de un formulario realizado con MS Word.

Los cuestionarios realizados sobre páginas Web han sido diseñados y desarrollados en
HTML, y proporcionan la opción de enviar la información directamente a una base de
datos para procesarla posteriormente.

En cambio, el cuestionario en formato MS Word no está enlazado directamente a la

base de datos del investigador, por lo que el encuestado debe reenviar el archivo
resultante por e-mail al investigador o proponerlo en alguna de las clases para recogerlo
en el momento e introducir los resultados de la encuesta a la base de datos uno por uno
para su proceso. Este método tiene el inconveniente de la posibilidad de errores de
trascripción del formulario a la base de datos. Pero se ha creído conveniente plantearlo
para las pruebas piloto.

Se intentó conseguir el apoyo de los departamentos pertinentes de la UPV para llevar a

cabo la encuesta a través de alguna aplicación que nos permitiese incluir la página web
de forma que diese libertad a los encuestados en elegir el momento de formulación de
sus respuestas así como para simplificar el manejo y obtención de datos. Pero debido a
la carga de trabajo existente, decidimos utilizar los propios recursos abiertos en la Red.

277
2B.3 - Prueba del cuestionario

Se realiza la prueba del cuestionario en una pequeña muestra o grupo de personas con
características similares a las de la muestra total del universo elegido para cumplir con
los objetivos del estudio, y que sirve para algunas o todas de estas funciones:

1. Comprobar la comprensión de las preguntas por parte del encuestado.

2. Descubrir preguntas que suscitan rechazo o inhibición.

3. Examinar las respuestas a preguntas abiertas que puedan reemplazarse por

preguntas cerradas.

4. Considerar la eliminación de preguntas con respuestas obvias, similares.

Con la experiencia previa adquirida al pasar un borrador de cuestionario a una

población reducida de alumnos de la EPSG, con la que se desarrolló la tesina del Máster
CALSI, se observaron las siguientes deficiencias que nos guiaron para la confección de
un nuevo cuestionario más adecuado:

 El número de preguntas propuesto es excesivo. En una población pequeña que,

voluntariamente se ha prestado a rellenar el cuestionario, se puede preparar un
formulario relativamente exhaustivo con el fin de tener toda la información que
pueda facilitar el estudio posterior. Pero para obtener los datos necesarios para una
tesis ulterior, con una población mayor, había que limitar el número de preguntas a
las estrictamente relacionadas con el objeto de la investigación. Aunque sea
conveniente incluir preguntas tanto de relleno como de control, hay que limitar el
número de las mismas para:

 no cansar a los encuestados,

 no complicar innecesariamente la codificación, y

 simplificar la interpretación de los análisis y reportes obtenidos.

278
 Consecuencia inmediata del punto anterior es que, si reducimos el número de
preguntas pero aumentamos la población a encuestar, es muy conveniente
automatizar la recogida de resultados. Disminuirá el tiempo de estudio y, sobre
todo, desaparecerá el riesgo de errores al trasladar la codificación de resultados a
una hoja de cálculo que contenga la entrada de datos al programa de análisis
estadístico utilizado.

 Simplicidad en las preguntas. Preguntábamos por la actividad del encuestado

en cuanto a si estudiaba, trabajaba o ambas cosas. Bastaba preguntar si trabajaba o
no, ya que la población que fue encuestada era, obviamente, estudiante.

 Claridad en las preguntas. Quisimos saber cuántas horas por semana se conectan
a internet y dejamos unos puntos suspensivos en el texto de la pregunta que era
donde se solicita la información sobre cuántos días a la semana se conectan. Lo
mismo al final de la encuesta sobre el tiempo que dedican a conectarse a las redes
sociales. En ambos casos hubo un número alto de encuestados que no entendieron
que debían dar el dato en los puntos suspensivos, dejando en blanco ese campo.

 Eliminar posibles ambigüedades. En la pregunta referida al uso que se hace de

internet, se daban como posibles respuestas: Formación, Trabajo y Otros, entre
otras varias alternativas. Al ir a codificar las respuestas manualmente, hemos
comprobado que para algunos alumnos la respuesta Trabajo es, en su caso, similar
a Formación y, sin embargo, algunos la han indicado en la casilla Otros.

 Asegurar coherencia en el formato de las respuestas. En las preguntas sobre

condiciones de alta y perfil del usuario de redes sociales, hay que mantener las
alternativas de respuesta de forma creciente (o decreciente) respecto el parámetro
(seguridad) que estamos tratando de obtener.

 Homogeneizar el número de respuestas alternativas , el sentido de las mismas

(como se ha indicado en el punto anterior), y la “proporcionalidad” de las
distancias entre unas y otras para que el tratamiento por los programas estadísticos
no nos induzcan a error a la hora de estimar medias, varianzas, desviaciones, nubes
de puntos

279
  Meticulosidad en el análisis de las variables para desestimarlas si aportan poco o
nada al estudio por la escasa variabilidad. En la primera variable, la edad tenía
como única opción ser menor o mayor de 25 años. Para tener una información
sobre ese parámetro deberíamos haber permitido más franjas de edad, máxime
teniendo en cuenta que la población de aquella encuesta (alumnos de primer curso)
es mayoritariamente muy joven. El resultado ha sido que de todas las encuestas
solo dos eran mayores de 25, luego no podíamos extrapolar ninguna conclusión en
base a las respuestas diferenciadas o no de dos individuos frente a los restantes.

Más flagrante aún fue el caso de la nacionalidad ya que, aún teniendo alumnos
Erasmus, rellenaron la encuesta solo estudiantes nacionales de donde suele ser
originaria la mayoría objeto del estudio, sobre la puntual de un curso concreto con
más extranjeros.

 Es fundamental incluir preguntas que permitan detectar incoherencias, para

desestimar las respuestas de encuestados poco fiables.

 Decidir si conviene más hacer las preguntas en base a criterios tipo examen para
conocer el grado de conocimiento, calificando como sabe mucho-poco-regular-…,
o hacerlas directamente para que indiquen su “subjetivo” grado de conocimiento,
confiando en la sinceridad de las respuestas.

Inicialmente, caímos en el error típico de querer abarcar más de lo que nuestro estudio
perseguía y, aún reconociendo la extensión del cuestionario, nos hicimos las siguientes
reflexiones al preparar los cuestionarios piloto pues, aunque en principio parece que son
muchas preguntas, para asegurar la idoneidad de constructos, hay que tener que:

a) Es interesante analizar los diferentes perfiles de usuarios por conceptos tales

como características personales, estudiantiles y como usuarios tanto de internet
como de las redes sociales
b) Hay que conocer las actuaciones que realizan respecto temas de passwords,
back-ups, seguridad, registro de aplicaciones…
c) Conviene hacer un pequeño test de conocimientos reales
d) El número de preguntas motivacionales (interés, utilidad, confianza, ansiedad) es
mínimo
e) Es bueno tener preguntas de control para asegurar coherencias (12 y 52)

280
2B.4 - Constructos y variables

Un constructo es una propiedad supuesta en una persona, que permite explicar su

conducta en determinadas ocasiones. Es un concepto teórico, hipotético, tales como la
inteligencia, la motivación, la creatividad, las actitudes, etc.

Las variables son propiedades, características o atributos que se dan en grados o

modalidades diferentes en las personas y, por derivación de ellas, en los grupos o
categorías sociales. Son variables la edad, los ingresos, la educación, el sexo, la
ocupación, etc., que, corresponden a grados diferentes o iguales de darse una cierta
propiedad o en modalidades diferentes.

Los constructos se definen como propiedades subyacentes, que no pueden medirse en

forma directa, sino mediante manifestaciones externas de su existencia, es decir,
mediante indicadores también llamados factores. En otras palabras, los constructos son
variables subyacentes a las que habitualmente, se denomina variables latentes. Como
señala Ribes (1990), los constructos son colecciones de eventos que la mayoría de las
veces conforman, al correlacionarse, tendencias o categorías funcionales dentro de los
fenómenos psicológicos.

Las variables se clasifican según diversos criterios. Una clasificación básica es aquella
que distingue entre variables independientes y variables dependientes. Nombramos
variable independiente a la que produce modificaciones en otra variable con la que está
relacionada. Suele designársele como variable causal. La variable dependiente
experimenta modificaciones siempre que la variable independiente cambia de valor o
modalidad de darse. También recibe el nombre de variable efecto. Así, por ejemplo, la
escolaridad de una persona es una variable independiente respecto de sus ingresos, el
tradicionalismo lo es respecto al autoritarismo, etc. Hay que señalar que una variable
independiente en una cierta relación puede ser dependiente en otra, o viceversa, como
podría ser el caso del autoritarismo que resultaría ser la causa de determinada
orientación política de una persona, etc. (Briones, 2002)

281
Pero aunque haya variables que tiendan a moverse conjuntamente, la simple asociación
estadística entre variables no es condición suficiente para que exista causalidad. “La
condición suficiente y necesaria del principio de causalidad podría ser expresada en
estos términos: una variable A es causa de B si siempre que se da A acontece B, y
nunca acontece B si previamente no se ha dado A”. Únicamente existe relación causal
en el sentido A → B, puesto que la causalidad es asimétrica. Sin embargo, no es posible
distinguir entre regularidades aisladas en la ocurrencia de dos fenómenos y una relación
causal, por lo que, podemos decir que existe causalidad cuando se halla una relación
entre dos variables y se ha podido descartar que sea espúrea o no causal. (Caballero,
2006).

De manera general, pero simplificada, podemos decir que entre una variable
independiente y su correspondiente variable dependiente se puede dar una variable
subyacente, que actúa como puente entre las dos primeras. La religiosidad podría ser
una variable subyacente entre las variables tradicionalismo y autoritarismo.

Este juego de variables, cuando implica a varias de ellas, es especialmente tratado con la
técnica denominada análisis de senderos, que veremos más adelante.

Otra clasificación importante de las variables es la que las diferencia entre variables
individuales y variables colectivas. Las primeras son las propiedades que se dan en las
personas, consideradas individualmente, por ejemplo, su nivel de escolaridad formal.
Las variables colectivas son propiedades atribuidas a grupos o categorías sociales con
base en las propiedades individuales que poseen sus miembros. Resultan de una
operación aritmética que se realiza sobre estas últimas propiedades.

Por ejemplo, la tasa de escolaridad de un colectivo, grupo o categoría social, es el

promedio de las escolaridades que poseen sus miembros, o la innovación es el
porcentaje de personas que según una cierta escala caen en la categoría de innovadores.
Respecto de esta clasificación es importante señalar que las mismas técnicas que se
emplean en el análisis de variables individuales se utilizan también en el análisis de
variables colectivas.

282
Una clasificación adicional de las variables, de especial importancia para la elección
correcta de las técnicas de análisis, se basa en las propiedades matemáticas que poseen
los números que se les asignan a los diversos grados o modalidades de manifestación de
variables en las personas y, a través de ellas, en los correspondientes colectivos. En esas
propiedades o niveles de medición se distinguen tres tipos principales de variables: las
nominales, las ordinales y las proporcionales.

Variables nominales son aquellas en las cuales los números sólo se utilizan para
distinguir unos individuos de otros. Por ejemplo, dar un 1 a los hombres y un 0 a las
mujeres es sólo una identificación que puede cambiarse sin ninguna consecuencia. Esos
números permiten saber, en cierto momento del procesamiento de la información,
cuántas personas hay en la categoría 1 y cuántas personas en la categoría 0.

Las variables ordinales son propiedades que pueden darse en las personas en diferentes
grados, a los cuales se les puede asignar números que sólo indican relaciones de mayor
o menor que. Por ejemplo, si se ha aplicado una escala de dependencia social a algunas
personas, y si a una de ellas, con base en sus respuestas, se le ha asignado el número 6 y
a otra, con igual base, el número 3, esos números no quieren decir que la segunda es la
mitad de dependiente que aquella que ha obtenido el número 6. Sólo significa que la
primera es más dependiente que la segunda. En este sentido, se le pudo asignar un
número 9 y a la segunda un número 6 para indicar la relación de mayor que y menor
que. Digamos, a propósito de este ejemplo, que todas las actitudes son,
metodológicamente, variables ordinales y, como tales, tienen, como veremos, sus
propias técnicas de análisis, apropiadas para tratar números que se encuentran en
relaciones de simple orden.

El tercer grupo de variables que se distinguen, según su nivel de medición, son las
variables proporcionales o de razón. En este caso, los números asignados a los grados, o
intensidades de darse en las personas, tienen las propiedades de la aritmética. Por lo
tanto existe un valor cero y los números corresponden a la cantidad de la propiedad que
se posee, pueden sumarse y entre ellos existen relaciones de proporcionalidad, etc. Así,
si una persona gana 5.000 euros en un cierto período y otra, en el mismo período, gana
10.000, entonces, puede afirmarse que la segunda gana el doble que la primera o que la
primera gana la mitad que la segunda, y sumados sus ingresos ganan 15.000 euros; etc.

283
La clasificación de las variables, basada en las propiedades matemáticas de los números
utilizados en la asignación a las personas o colectivos, tiene, como lo dijimos más
arriba, especial importancia para elegir las técnicas apropiadas de su tratamiento
analítico. Esto quiere decir que si necesitamos saber si existe o no asociación entre dos
variables de tipo ordinal, digamos entre autoestima y rendimiento escolar, entonces
debemos utilizar una técnica no paramétrica como lo es, en este caso, el coeficiente
gamma46 de Goodman y Kruskal. Y así sucede con los otros tipos de variables.

En el modelo estructural distinguimos las variables según sea su papel y su medición:

 Variable observada o indicador, por la que se mide a los encuestados.

 Variable latente. Característica que se desearía medir pero que no se puede

observar y que está libre de error de medición. Por ejemplo, una dimensión de un
cuestionario o un factor en un análisis factorial exploratorio.

 Variable error. Representa tanto los errores asociados a la medición de una

variable como el conjunto de variables que no han sido contempladas en el modelo
y que pueden afectar a la medición de una variable observada. Se considera que son
variables de tipo latente por no ser observables directamente. El error asociado a la
variable dependiente representa el error de predicción.

 Variable de agrupación. Variables categóricas que representan la pertenencia a

las distintas subpoblaciones que se desea comparar. Cada código representa una
subpoblación.

 Variable exógena, que afecta a otra variable y que no recibe efecto de ninguna
variable. Las variables independientes de un modelo de regresión son exógenas.

 Variable endógena, que recibe efecto de otra variable. La variable dependiente

de un modelo de regresión es endógena. Toda variable endógena debe ir
acompañada de un error.

46
Es el cociente entre la diferencia entre concordancias y discrepancias y su suma

284
Una variable endógena puede afectar a otra variable endógena (pueden actuar tanto
como variable independientes como dependientes). La diferencia importante con la
regresión lineal es que las variables involucradas son latentes, cada una medida por
múltiples indicadores, por lo cual también se les conoce como constructos. Es
precisamente por esta causa que no se pueden utilizar las técnicas de regresión comunes.

Las mediciones empíricas siempre tendrán algún fallo, por lo que las representaciones
de las variables latentes nunca son perfectas. Además de esto, se tiene el hecho de que
las variables latentes estudiadas no tiene por qué estar completa y exclusivamente
determinadas por los indicadores medidos, por lo que habrá una variación que no se
pueda explicar y que se debe a aquellas influencias sobre la variable latente que no han
sido explícitamente modeladas.

285
2B.5 - Causalidad

El concepto de análisis causal en ciencias sociales se refiere a las estrategias y técnicas

de elaboración de modelos de este tipo que expliquen los fenómenos, para contrastarlos
empíricamente. Sus orígenes se encuentran en el “path-analysis”, literalmente traducido
como análisis de senderos, cuyo objeto es el estudio de los efectos de unas variables
consideradas como causas sobre otras tomadas como efectos.

La variable que es efecto se denomina variable dependiente, endógena o explicada y las

que originan o causan a la anterior, son las variables independientes, exógenas o
explicativas. El análisis path es una técnica similar a la regresión pero con poder
explicativo, que estudia los efectos directos e indirectos en el conjunto de las variables
observables, asumiendo la existencia de relaciones lineales entre ellas, la incorrelación
de los errores de regresión y la ausencia de errores de medición de las variables. Los
coeficientes path (Cij: donde i se refiere a la variable efecto y j a la variable causa)
explican el impacto de una variable en otra mediante la descomposición de los mismos
en tres bloques: path de la variable independiente a la intermedia, path de la intermedia
a la dependiente y resto de path que llevan a la variable final, que no incluyen a la
interviniente.

Los efectos causales entre las variables podemos agruparlos en directos, indirectos y
espúreos, considerando solamente aquellos que no contemplan reciprocidad entre las
variables se pueden representar empleando diagramas de rutas (grafo 8):

286
 Grafo 8. Diversos tipo de Relación entre variables (EP)

Se pueden obtener las diferentes correlaciones entre las variables analizando el conjunto
de los efectos, sean directos, indirectos o espúreos, empleando los coeficientes path.

Con frecuencia recurrimos a un modelo de regresión lineal simple para describir la

relación entre una respuesta cuantitativa (Y) de interés y una variable predictiva o
descriptora (X) que pensamos es influyente en esa respuesta. (Salinas y Silva 2006).
En base a información adecuada sobre estas características estimamos los parámetros de
ese modelo, verificamos su validez y precisión y lo aceptamos o descartamos según
corresponda.

¿Qué podemos hacer si nos parece evidente que hay más de un factor influyente sobre
Y, digamos X1, X2 y X3? Podemos plantear un modelo de regresión lineal múltiple para
Y vs X1, X2 y X3 (Salinas y Silva 2007). Pero y ¿si la situación es más compleja? Por
ejemplo, si Y influye en los valores que toma X 2 y X2 es influida por X1 y X3.
Lógicamente, aquí se necesitaría más de una ecuación para describir toda esta estructura

Grafo 9. Diversas influencias internas entre variables

Fuente: Silva Zamora y Schiattino Lemus (2008)

287
Cuando se proponen hipótesis de este tipo, es necesario emplear estrategias factoriales
para contrastar dichas hipótesis, debido a que se desea estudiar el efecto de dos o más
variables independientes, llamados factores, sobre una variable dependiente, llamada
efecto. En este caso, las preguntas a plantear se ajustan a los siguientes modelos:

 ¿Cuál es el efecto del factor X1 sobre Y?

 ¿Cuál es el efecto del factor X2 sobre Y?

 ¿Cuál es el efecto conjunto de los factores X1 y X2 sobre Y?

Las dos primeras preguntas están orientadas al estudio de los efectos que producen los
factores: ‘X1’ y ‘X2’, mientras que la tercera, lo está para estudiar el efecto de la
interacción o efecto conjunto de los factores ‘X1’ y ‘X2’.

Estas ideas comienzan a ser planteadas sistemáticamente por Sewall Wright (Wright
1934) en su análisis de trayectorias (path analysis) y se reafirman con Karl Jöreskog
(Jöreskog, 1971; Goldberger y Jöreskog, 1975). Los problemas abordables por esta
metodología abundan en Ciencias Sociales (Barrón y Sánchez, 2001). Las asociaciones
detectadas entre variables observables o entre variables observables y variables latentes
nos llevan a enunciar relaciones de causalidad.

No obstante, aunque sea atractivo poder representar gráficamente la influencia causal de

una variable sobre otra y aunque podamos estimar el parámetro que cuantifica ese
efecto, debemos considerar que esa estimación no demuestra la causalidad. La relación
causal entre las variables debe estar soportada por la sustentación teórica del modelo, no
por la medida con datos de tipo transversal. (Ruiz, Pardo y San Martín, 2010).

288
2C - Introducción a las Escalas de Medición

Las escalas de actitud son instrumentos de medida que nos ayudan a aproximarnos a la
variabilidad afectiva de las personas respecto temas de carácter psicológico. Utilizamos
las respuestas a un cuestionario como indicadores de una variable subyacente, su
actitud. Lo que nos lleva a tener que definir en qué consiste ese atributo (la actitud) y
cómo podemos estar seguros de su correcta medición.

Ha habido muchas definiciones de las actitudes, como la clásica: "Una actitud es un

estado mental y neurofisiológico de disponibilidad, organizado por la experiencia, que
ejerce una influencia directiva sobre las reacciones del individuo hacia todos los
objetos o todas las situaciones que se relacionan con ella". (Allport, 1935: 45). Aunque
generalmente se acepta que la actitud consiste en una predisposición para pensar, sentir,
percibir, y, comportarse ante un determinado tema. Teniendo en cuenta que no es lo
mismo pensar que sentir o comportarse. Un alcohólico sabe que beber en exceso es
perjudicial para su salud, y lo percibe en su propio organismo, pero no deja de hacerlo.
En consecuencia, la actitud tiene su propia organización psicológica particular respecto
diferentes procesos psicológicos. (Elejabarrieta e Iñiguez, 1984).

Es decir, podemos diferenciar tres dimensiones que organizan la actitud:

- cognitiva, que incluye las creencias y conocimiento respecto un tema

- afectiva, se refiere al agrado hacia ese tema

- comportamental, que controla la relación del individuo con respecto al asunto en

cuestión

Louis Leon Thurstone (1928) afirmaba que las actitudes estaban íntimamente ligadas a
su medida. Consideraba la opinión como la expresión verbal de la actitud de tal forma
que, aunque no podamos acceder directamente a la observación de la actitud, la opinión
verbal expresada por las personas nos puede servir como indicador de su actitud.

289
Si obtenemos un índice que exprese el grado de aceptación o rechazo de las opiniones
de las personas sobre temas concretos podremos conocer, aunque sea indirectamente,
una medida de sus actitudes, independientemente de lo que esas personas sientan en
realidad o la forma en la que actúen.

Ante las críticas que recibió sobre sus métodos de medición se defendió con la siguiente
analogía: "La medida de cualquier objeto o entidad describe sólo un atributo (o sea,
propiedad) del objeto medido. Tal es la característica universal de toda medición. Si
medimos la altura de una mesa, no describimos la mesa en su totalidad, sino sólo el
atributo que se ha medido" (Elejabarrieta, 1984: 2).

De los tres componentes de la actitud que hemos indicado, las escalas solo miden la
dimensión afectiva. Por tanto, para medir las actitudes haremos una clasificación con los
individuos según tengan una tendencia más o menos favorable a cierto tema.

Los conocimientos los obtendremos mediante un test y sus comportamientos

preguntándoselo directamente, asegurando coherencias.

Hay métodos para analizar los tipos de escalas que miden el componente afectivo de la
actitud y se corresponden con las que diferencian tipos de variables, concretamente
utilizaremos las de los tipos:

 Nominal

Clasifican por alguna característica claramente diferenciable en dos o más grupos (por
ejemplo, Si / No). Diferenciamos a las personas en función de poseer un atributo. Por
ejemplo, la raza, el sexo, la nacionalidad, etc.

 Ordinal

Se basa en el orden de los objetos y, aunque no de información sobre la distancia que

hay entre ellos, clasifica a las personas en función del grado en que tienen cierto
atributo. Por ejemplo, si en una determinada pregunta hacemos contestar con las
categorías: a) totalmente de acuerdo, b) de acuerdo, c) indiferente, d) en desacuerdo y,
e) totalmente en desacuerdo, ordenamos a las personas de acuerdo a estas categorías,
aunque no sepamos la distancia entre respuestas diferentes. Ordenamos aunque no
podamos medir las distancias que los separan.

290
2C.1 - Escala de Likert

La escala de actitud que definimos a continuación es la de Calificaciones sumadas de

Likert. Forman parte de las que hemos llamado escalas ordinales, utilizando series de
afirmaciones o ítems sobre los cuales se obtiene una respuesta por parte del individuo.
(Elejabarrieta e Iñiguez, 1984)

Este método de medida de actitudes lo desarrolló Rensis Likert en 1932 y es utilizado

habitualmente en las encuestas realizadas por la propia UPV. Sigue de plena vigencia y
muy popularizado. Bajo la perspectiva de considerar las actitudes como una dimensión
lineal continua que se mueve entre lo más favorable y lo más desfavorable, sitúa a cada
encuestado en un punto determinado y tiene en cuenta la amplitud y la consistencia de
las respuestas actitudinales. La escala enuncia reflexiones sobre las que se tiene que
definir el encuestado.

Consiste en un conjunto de ítems presentados en forma de afirmaciones o juicios ante

los cuales se pide la opinión de las personas a encuestar. Es decir, se desarrolla cada
afirmación y se pide a la persona que indique su reacción eligiendo uno de los puntos en
los que se construye la escala. A cada punto se le asigna un valor numérico y, de esta
forma, obtenemos una valoración respecto al enunciado propuesto, obteniendo una
puntuación total final, simplemente sumando las puntuaciones obtenidas en cada uno de
los enunciados.

Las afirmaciones califican al tema de actitud que estamos midiendo utilizando frases
sencillas y cortas y deben expresar sólo una relación lógica. Las alternativas de
respuesta o puntos de la escala son cinco e indican cuánto se está de acuerdo con cada
afirmación. A cada una de ellas se asigna un valor numérico y sólo se puede marcar una
opción. Se considerará inválido marcar dos o más opciones.

Tenemos en un eje la Probabilidad de Respuesta favorable, en el otro el continuum de la

actitud y dentro dibujamos la Probabilidad de Respuesta de diferentes enunciados
(figura 39). Cuanto más favorable sea la actitud, deberíamos obtener una mayor
Probabilidad de Respuesta favorable. La curva P1 correspondiente a una proposición
nos proporciona las probabilidades de respuesta favorables a una respuesta "neutra",
291
porque incluso algunos individuos que tienen una actitud poco favorable pueden
manifestar una alta probabilidad de respuesta favorable. La proposición 2 (P2) es
intermedia y la proposición 3 (P3) es apropiada porque sólo recibe respuestas favorables
por parte de los encuestados con una actitud muy favorable.

Prob.de respuesta favorable

Actitud
Fig. 39: Curvas actitud-probabilidad de respuesta 1 - (EP)

Sin embargo, estas curvas no representan todas las posibilidades de las proposiciones
que debemos asociar a una actitud. Algunas de estas proposiciones deberán ser
rechazadas por no discriminar y otras habrán de ser corregidas (figura 40).

Prob.de respuesta favorable

Actitud
Fig. 40: Curvas actitud-probabilidad de respuesta 2 - (EP)

292
La recta Pc nos refleja una proporción constante de respuestas favorables. Con
independencia de su actitud, todos los encuestados dan una respuesta con el mismo
grado de aceptación. La curva Pe implica un simple error de codificación pues si
invertimos sus valores tendremos una propuesta lógica. La curva Pr se obtendría por un
enunciado que implicase una respuesta media rechazada tanto por los encuestados
claramente favorables como por los claramente desfavorables.

Esto nos muestra la propiedad fundamental de las escalas Likert, la relación monótona.
Es decir, la probabilidad de que una persona acepte o rechace los enunciados de una
escala, mantiene una relación monótona con la posición que la persona ocupa en el
continuum hipotético de la actitud. Entendemos relación monótona a que la aceptación
o rechazo de una afirmación está siempre ligada de forma monótona a la posición que la
persona ocupa en la escala. O sea, aumenta o disminuye en función de la favorabilidad o
contrariedad. Lo que implica que es necesario que los enunciados hayan sido aceptados
para que la medida sea posible.

Cada propuesta de la escala da información sobre la actitud del individuo. La suma de

respuestas nos permite decidir la posición que esa persona ocupa en el hipotético
continuum de la actitud. Podemos decir que cada elemento proporciona una información
insuficiente pero necesaria. (Elejabarrieta e Iñiguez, 1984)

293
2C.2 - Construcción de las escalas Likert

La escala Likert se construye creando un alto número de afirmaciones que califiquen al

tema de actitud y se proponen a un grupo piloto para obtener las puntuaciones del grupo
en cada afirmación. Las afirmaciones cuyas puntuaciones se correlacionen de forma
significativa con las puntuaciones de toda la escala, se seleccionan para integrar la
medida. Asimismo, hay que calcular la confianza y validez de la escala.

En primer lugar debemos definir las variables que forman la actitud que pretendemos
medir. Para ello, consultaremos la información pertinente para construir los ítems. Con
estas fases ya podemos tener una escala previa que utilizaremos en la prueba piloto con
una muestra representativa de la población. Con el resultado podremos hacer un análisis
de los ítems que nos permitirán decidir si son discriminativos o no y si los debemos
modificar. Una vez analizada la muestra que nos interesa estudiar, verificaremos la
validez y la fiabilidad de la escala diseñada.

Para esta escala sólo se recogen enunciados favorables o desfavorables, pero no neutros.
Aunque no es estrictamente necesario, conviene que la mitad de los ítems sean
favorables y la otra mitad sean desfavorables. Veremos cada una de estos pasos más
detenidamente.

Nos aseguraremos de que las afirmaciones y alternativas de respuesta serán

comprendidas por los encuestados a los que se les aplicará, que lógicamente tendrán la
suficiente capacidad de discriminación.

Cada afirmación propuesta va seguida de una escala estimativa que consiste en una
graduación que va desde el "totalmente de acuerdo" hasta el "totalmente en
desacuerdo", con grados intermedios no tan radicales, con respecto a la afirmación.

En la escala de Likert los encuestados tienen que expresar su opinión sobre todos los
ítems y además de forma gradual.

294
La escala de estimación incluye un valor numérico asignado a cada intervalo gradual, y
previamente se explica al encuestado el significado de estos números.

Por ejemplo, diríamos que para cada afirmación se debe señalar si se está:

1 Totalmente en desacuerdo

2 En desacuerdo

3 Indiferente, indeciso o neutro

4 De acuerdo

5 Totalmente de acuerdo

Y, a continuación, vendría cada enunciado

295
2C.3 - Análisis de los ítems

Una persona muy favorable hacia el tema de actitud tendrá una mayor probabilidad de
dar un gran número de respuestas favorables que otro encuestado menos proclive. A su
vez una persona que haya dado muchas respuestas favorables presentará una alta
probabilidad de tener una actitud favorable. El número de respuestas favorables, o una
combinación más compleja, nos da un buen indicador de la actitud.

Para aceptar un ítem en la escala definitiva, éste debe mostrar que su aceptación o su
rechazo tienen relación con la posición de cada persona en el continuum actitudinal,
cumpliendo la relación monótona. Hay que comprobar la existencia de la relación y que
es estadísticamente significativa.

Los ítems con respuestas favorables por parte de encuestados que, como grupo, no
responden a la mayoría de los otros ítems de forma favorable (o viceversa) se descartan,
al considerar que no detectan las mismas actitudes que los otros ítems. Es decir,
tratamos de validar la significación de un ítem estableciendo la relación entre las
calificaciones elementales que han sido dadas y las globales correspondientes. La
global se comporta como el validante o criterio de la elemental.

Para estos análisis verificaremos la forma de las distribuciones de los ítems propuestos:

-si la distribución es normal, se utilizará la “t” de Student generalmente, puesto que son
datos independientes y, en la mayoría de las ocasiones, muestras pequeñas.

--cuando la distribución no es normal utilizaremos una prueba no paramétrica

Para establecer la fiabilidad, o consistencia interna de las propuestas, podemos

correlacionar las puntuaciones globales y la lista de puntuaciones elementales para
todos los encuestados, quedándonos con los enunciados que demuestren una correlación
estadísticamente aceptable con las puntuaciones globales. Esta decisión puede
considerarse un tanto ambigua pues habitualmente se aceptan correlaciones de 0.35. Se
utilizará el coeficiente de correlación (ρ) de Pearson. (Elejabarrieta e Iñiguez, 1984).

296
2C.4 - Maneras de aplicar la escala Likert

La forma básica de aplicar una escala Likert consiste en realizarla de manera auto
administrada; es decir, se entrega el cuestionario al encuestado y éste marca la categoría
de respuesta que mejor describe su reacción respecto a cada afirmación.

Para lo formulación de las preguntas Lerma (1999) sugiere las siguientes

recomendaciones, de forma genérica:

Escribirlas de forma corta, clara y sencilla

Dar prioridad a preguntas cerradas –falso-verdadero-, si: no: no sé, o selección 1-5

Evitar el uso de negaciones en las preguntas

Deben aparecer en una secuencia lógica

La redacción debe ser neutral y no predisponer ningún tipo de respuesta

No deben dar lugar a varias interpretaciones

Evitar términos técnicos

Las opciones de respuesta deben ser mutuamente excluyentes

Las encuestas o formularios deben ser iguales para toda la población o muestra.

En nuestro caso concreto, para saber las razones con las que debemos ser capaces de
reducir al mínimo los riesgos al realizar la actividad de manejo, proceso y navegación,
el tipo de preguntas asociadas se muestran esquemáticamente en la tabla 28

297
 Tabla 28. Formulación de preguntas correspondientes a valores

Valor adquirido Trato de obtener buenas notas en los cursos de seguridad informática
intrínseco Me da gran tranquilidad navegar seguro
utilitario Considero que la seguridad me va a ser muy útil en mi vida
esfuerzo Creo que dedico excesivo tiempo a resolver problemas de seguridad

Fuente: Pintrich y De Groot (1990)

La escala de Likert utilizada será de 1 a 5 para responder a las preguntas, donde:

1 = nunca, 2 = casi nunca, 3 = a veces, 4 = casi siempre, 5 = siempre

298
2C.5 - Fiabilidad y Validez de las Escalas de Actitud

Medir es el proceso de vincular conceptos abstractos con indicadores empíricos,

mediante clasificación y/o cuantificación. Debe hacerse con confianza y validez.

La confianza se refiere al grado en que la aplicación repetida del instrumento de

medición a la misma persona produce iguales resultados.

La validez se refiere al grado en que el instrumento de medida mide realmente las

variables que pretende medir.

No hay medición perfecta, pero hay que conocer el orden de magnitud del posible error
de medición y debemos reducirlo a límites tolerables.

Determinar la fiabilidad y la validez de las escalas de actitud utilizadas es importante a

la hora de analizar los datos. Los procedimientos para obtener la fiabilidad y la validez
de las escalas de actitud son comunes a otros muchos instrumentos de medición
utilizados en Ciencias Humanas. Enumeraremos los más usuales y señalaremos la
conveniencia de utilizar algunos de ellos para conocer cuál es la condición con la que
debemos analizar los datos, pues conviene recordar que aunque las escalas de actitud se
consideran instrumentos fiables y válidos, no son instrumentos estandarizados en la
mayoría de los casos, dado que los construimos nosotros mismos.

Si no podemos medir de forma real la actitud, debemos considerar la fiabilidad de una

escala como la amplitud de su dispersión ante las repetidas mediciones.

El indicador básico más aceptado para garantizar la fiabilidad de la escala de medición

es el Alfa de Cronbach47, que se puede combinar con un estadístico adicional como la
fiabilidad del constructo. Cronbach (1951).

La validez puede verse afectada por la improvisación pero nos ayuda a saber si una
escala de actitud mide lo que decimos que mide.

47
Es una media ponderada de las correlaciones entre las variables (o ítems) que forman parte de la escala,
indicando la consistencia interna dentro del constructo.

299
La validez de contenido verifica si la muestra es representativa de la población a
investigar, con suficientes variables observables pero no redundantes, que miden lo que
queremos. Valida la escala sobre dos grupos de individuos (uno normal y otro
conocido). Si obtenemos una diferencia correlacionable entre las puntuaciones
obtenidas por los dos grupos podemos decir que la escala es válida. En nuestro estudio
hemos conseguido una escala basada en la amplia revisión de la literatura existente que
garantiza la validez de contenido de la misma.

La validez de constructo se basa en establecer la relación entre dos variables objeto de

actitud. Planteamos la relación hipotética entre dos variables, las medimos y
comprobamos si existe la relación; si se confirma la hipótesis establecida, podemos
conocer su validez. Es decir, establece si medimos lo que pretendemos. Bechtel, Marans
y Michelson (1990).

300
2C.6 - Codificación

Este procedimiento tratará de agrupar numéricamente los datos expresados para poder
operar con ellos como si se tratara, simplemente, de datos cuantitativos. Para ello se
partirá de un acumulado de informaciones que tengan homogeneidad, lo cual es
necesario para poderlas integrar. Podremos tratar cientos de respuestas a cada pregunta,
o de una variedad de posibles situaciones observadas mediante un mismo ítem con una
determinada pauta de observación. En ambos casos tendremos una variedad de
respuesta que presenten las elecciones o los comportamientos de los encuestados.

Lo primero que hay que hacer con los datos obtenidos es agruparlos de acuerdo a un
criterio elemental, separando de un lado la información de tipo numérica de la
información expresada mediante palabras, si se hubiese planteado con esa posibilidad
(por ejemplo, respuestas tipo abierto mediante comentario). Los datos numéricos
quedarán como tales, sea cualquiera su naturaleza, y se procesarán para exponerlos en
forma clara y fácilmente asimilable, construyendo con ellos cuadros estadísticos,
promedios generales y gráficos ilustrativos, de modo que se sinteticen sus valores y se
puedan extraer enunciados teóricos de alcance más general.

Debemos tener presente que siempre es preferible cuantificar en lo posible los datos
obtenidos. No hay ninguna oposición entre datos cuantitativos y datos cualitativos, pero
si un diferente grado de precisión y de complejidad en cada variable medida, de forma
que siempre es posible abstraer de ellas algunos aspectos cuantitativos en tanto que
otros, por su complejidad, tendrían que permanecer como cualitativos.

Tras adoptar un criterio frente a cada categoría o subconjunto de datos podremos

abordar, con mayor claridad acerca de nuestros objetivos, las tareas básicas del proceso.

En primer lugar será preciso hacer una revisión detallada de todos los datos obtenidos,
atendiendo en especial a su coherencia y buscar sus posibles incongruencias, omisiones
o errores, y enmendarlos si cabe hacerlo. Es decir, se revisará sistemáticamente toda la
información disponible, juzgando su calidad y el grado de confianza que merece, para
determinar qué parte puede incluirse en el informe de investigación, cual debe
corregirse o modificarse en algo (acudiendo, llegado el caso, a una nueva recolección de

301
datos) y cual, por sus graves deficiencias, deberá ser excluida sin más. Este proceso se
facilitará mediante la utilización del software adecuado (una simple hoja Excel puede
ser suficiente).

Por cada tipo de datos se procederá entonces como sigue:

a) Los datos numéricos se procesarán agrupándolos en intervalos y se tabularán, lo

que implica hacer tablas y/o listados de datos que los muestren agrupados y
contabilizados. Para ello hay que contar cada una de las respuestas que aparecen,
distribuyéndolas de acuerdo a las categorías o códigos previamente definidos.

Cada pregunta del cuestionario tendrá que ser tabulada independientemente, por
lo que hay que hacer un plan de tabulación que prepare adecuadamente la tarea a
realizar.

Luego se construirán con ellos cuadros estadísticos, calculándose además las

medidas de tendencia central, de dispersión o de correlación que resulten
necesarias.

Para cada cuadro que se haya obtenido será preciso evaluar el comportamiento de
las variables que aparezcan en él, precisando la forma en que actúan
individualmente. Luego se observarán las relaciones que pueden percibirse entre
una y otra variable, si el cuadro es de doble entrada, tratando de precisar la forma
en que una afecta a la otra. Cuando se trate de un cuadro de tres variables será
conveniente examinar primero los valores totales, pues en ellos se ve el
funcionamiento global de cada variable operando de modo independiente, para
luego pasar a confrontar, por pares, las variables, tratando de detectar las
influencias que existan entre ellas.

b) Caso de tener datos cualitativos, sufrirán una primera operación que se

denomina codificación para poderlos presentar como numéricos. De allí en
adelante se trabajarán al igual que los otros datos numéricos, mediante la
tabulación y el procesamiento en cuadros estadísticos.

Adicionalmente, utilizaremos la representación gráfica, como una actividad derivada de

la anterior que consiste en expresar visualmente los valores numéricos que aparecen en

302
las tablas y nos hace apreciar más rápidamente, los resultados. Su objeto es permitir una
comprensión global, rápida y directa, de la información que aparece en cifras y
sumamente útil por el valor de síntesis que tiene.
Tampoco es necesario presentar gráficamente toda la información obtenida en la
investigación, pues ocuparía un espacio excesivo en el informe derivado, siendo lo más
aconsejable el recurrir a este tipo de presentación con las informaciones más
importantes y generales, teniendo en cuenta que podemos recurrir a muchas formas de
representación tales como gráficos de barras, histogramas, escalas gráficas, etc.

Esta forma de visualización de los datos obtenidos también se lleva a efecto con el
software elegido, que no sólo dibuja e imprime los gráficos deseados, sino que además
realiza labores de cálculo que facilitan la presentación de los datos de la investigación.

Así pues, partiremos de un conjunto de datos en los que se supone se encuentra la

información necesaria para desarrollar una parte de nuestra investigación.

Estos datos permitirán desarrollar las respuestas a unos interrogantes iniciales de la

investigación o servirán, de un modo más limitado, para esclarecer ciertos puntos
específicos que es preciso tener en cuenta.

Si al comparar los datos no hay ninguna discrepancia seria y si cubren todos los
aspectos previamente requeridos, habrá que tratar de expresar lo que de ellos se infiere
redactando una pequeña nota donde se sinteticen los hallazgos. Si, en cambio, se
aportan ideas o datos divergentes, será preciso primeramente determinar, mediante la
revisión del material, si se ha cometido algún error en la recolección. Si esto no es así
habrá que ver si la discrepancia se origina en un problema de opiniones o posiciones
contrapuestas o si, por el contrario, obedece a alguna manera diferente de categorizar
los datos o a errores de las propias fuentes con que estamos trabajando.

En todo caso será conveniente evaluar el grado de confianza que merece cada fuente,
teniendo en cuanta la coherencia de sus respuestas y cualquier información que pueda
resultar de valor al respecto. Ya adoptada una posición frente a las discrepancias
encontradas será el momento de pasar a registrar los hallazgos, nuestras opiniones
personales y las conclusiones parciales, con lo cual estaremos en condiciones de pasar a
la síntesis. Rojas, A. et al (2010)

303
2C.7 - Análisis de datos

De la información procesada dependerá que se puedan o no resolver las dudas iniciales

formuladas en nuestro estudio. Pero, no obstante, esa información no nos habla por sí
misma, no es capaz por sí sola de darnos las respuestas deseadas hasta que no
efectuemos sobre ella un trabajo de análisis e interpretación.

Desde un punto de vista lógico, analizar significa descomponer un todo en sus partes
constitutivas para su examen más detallado. La actividad opuesta y complementaria a
ésta es la síntesis, que consiste en recomponer lo que el análisis ha separado, integrar
todas las conclusiones y análisis parciales en un conjunto coherente que cobra pleno
sentido al integrarse como un todo único. Lo dicho tiene aplicación directa en la
metodología de investigación.

El análisis de los datos no es una tarea que se improvisa, como si recién se comenzara a
pensar en él después de procesar todos los datos. Por el contrario, el análisis surge más
del marco teórico trazado que de los datos concretos obtenidos y deberemos, como
estudiosos del caso que nos ocupa, ser capaces de definir, con suficiente antelación, con
qué datos habrá que rechazar o afirmar una hipótesis, y qué resultados indicarán una u
otra conclusión. Esta actividad es fundamental para evitar sorpresas como la de
encontrar que no tenemos suficientes datos al final del proceso, o de que los que
poseemos no nos sirven para mucho.

Para desarrollar la tarea analítica hay que tomar cada uno de los datos o conjuntos
homogéneos de datos obtenidos, e interrogarnos acerca de su significado, explorándolos
y examinándolos mediante todos los métodos conocidos, en un trabajo que para obtener
los mejores frutos hay que ser pacientes y minuciosos. De acuerdo al tipo de datos que
se estén analizando se procederá de un modo u otro.

Con la síntesis e interpretación final de todos los datos ya analizados podemos decir que
finaliza la investigación, aunque teniendo en cuenta que la misma, considerada como
intento de obtención de conocimientos, es siempre una tarea inacabada, que debe
continuar por fuerza con otras investigaciones concretas. La síntesis es, pues, la
conclusión final, el resultado aparentemente simple pero que engloba dentro de sí a todo

304
el cúmulo de apreciaciones que se han venido haciendo a lo largo del trabajo. Las
conclusiones finales sólo resultan pertinentes para responder al problema de
investigación planteado cuando, en la recolección, proceso y análisis de los datos, se
han seguido las directrices surgidas del marco teórico.

Para alcanzar este resultado se deben tomar en consideraciones todas las informaciones
analizadas, utilizando para ello todos los hallazgos parciales que hemos hecho. En el
caso de los cuadros estadísticos procederemos a comparar los hallazgos de cada cuadro
con los otros que tienen relación con el mismo. Así iremos avanzando hacia
conclusiones cada vez más generales, menos parciales.

Se podrán confeccionar cuadros-resumen, que sinteticen la información más importante

que se halla dispersa en otros, para poder presentar un panorama más claro y se
procederá entonces, a extraer las conclusiones finales, que reflejen el comportamiento
global de las variables de interés. En función de ellas redactaremos nuestra síntesis de
forma ordenada, precisa y escuetamente, anotando sólo lo esencial y numerando
nuestras conclusiones correlativamente, teniendo presente nuestro planteamiento inicial.

A partir de ese momento, estaremos en condiciones de redactar el informe de la

investigación.

305
2C.8 - Muestra

Cuando se recaba información a todas las personas que están involucradas en el

problema en estudio este diseño adopta el nombre de “censo”. Los censos son casi
siempre trabajos de envergadura, por las dificultades que implica su realización, que
sólo pueden ser acometidos por organizaciones con grandes recursos. Son muy útiles
pues obtenemos una información general de referencia, indispensable para casi
cualquier trabajo de indagación social posterior. Pero, por la gran cantidad de personas a
consultar, no es factible en ellos obtener información muy detallada, pues se
convertirían en trabajos desproporcionadamente difíciles de ejecutar y analizar.

Si el tamaño del colectivo es demasiado grande, el investigador toma sólo una parte del
mismo, de acuerdo con ciertas reglas de procedimiento, que se basan en la teoría de las
probabilidades. Se emplean las “encuestas por muestreo”, donde escogemos, mediante
procedimientos estadísticos, una parte significativa de la población, que se toma como
objeto a investigar. Las conclusiones que se obtienen para este grupo se proyectan luego
a la totalidad del universo con características similares, teniendo en cuenta los errores
muestrales que se calculen para el caso. De esta forma las conclusiones obtenidas a
partir de la muestra pueden generalizarse a toda la población en cuestión, con un
margen de error conocido y limitado previamente por el investigador.

Para una mejor comprensión de los términos que vamos a utilizar, vamos a comenzar
con cuatro definiciones básicas: Población o universo, muestra, fracción de muestreo y
representatividad de la muestra.

a) Población o universo. Es el conjunto de individuos que componen el colectivo

sobre el que se estudiará el fenómeno expuesto en el proyecto de investigación.
Así, en nuestro caso, la población estará formada por todos los estudiantes
(hombres y mujeres) de determinadas Escuelas y/o Facultades, de diferentes
cursos. La delimitación exacta de la población es condición necesaria para el
cumplimiento de los objetivos de la investigación. De manera convencional, la
población se denomina con la letra N.

306
 b) Muestra. Es el conjunto de individuos incluidos en la muestra mediante algún
procedimiento de selección. Habitualmente se la designa con la letra n (unidad de
muestreo). Es la unidad del universo que será incluida en la muestra.

c) Fracción de muestreo. Es la fracción (f) que relaciona el tamaño de la muestra

con el tamaño de la población. En general: f = n/N.

d) Representatividad de la muestra. Grado en el cual la muestra reproduce las

características de la población de la cual proviene. La mayor representatividad se
logra, en términos generales, cuando las unidades de muestreo tienen igual
posibilidad de formar parte de la muestra.

Cuando la muestra tiene más de 100 observaciones, se puede aplicar el teorema central
del límite, según el cual los valores de las características observadas en la muestra
siguen una curva de distribución normal (campana de Gauss). Esto permite hacer
análisis de inferencia estadística en cuanto a la distribución de los valores de dicha
variable en la población. James Stevens afirma que al menos son necesarios 15 casos
por cada variable del modelo (Stevens, 2009), y Bentler (2006) dice que son necesarios
al menos 5 casos por parámetro a estimar, siempre y cuando el comportamiento de las
variables sea “bueno” (distribución normal, sin casos perdidos o aislados, etc.).

En nuestra investigación utilizaremos el tipo de muestra no probabilística (muestreo por

conveniencia) entre estudiantes universitarios, pero que tiene la aleatoriedad de ser los
alumnos de los grupos a los que se tiene mejor acceso, por lo que interviene un cálculo
de probabilidades que hace posible la investigación. (Malhotra, 2004)

Este tipo de muestra conformará una estratificación en la que se conformarán grupos

homogéneos internamente pero heterogéneos entre sí. El tamaño de la muestra vendrá
dado por la fórmula:

,donde:

307
k: constante para definir el nivel de confianza de la muestra. Su valor dependerá del
nivel que se pretenda dar, de acuerdo al cuadro que se detalla más abajo.

p: es la proporción de individuos que poseen las características de estudio. En este caso

será de 0,5 por no saber fehacientemente y generar el caso más adverso.

q: es la proporción de individuos que no tienen la característica de estudio, es decir 1-p.

N: es el número total de la población.

e: es el error muestral deseado, que se mide en porcentaje

Los valores más utilizados para relacionar el coeficiente K con la confianza pueden
verse en la tabla 29.

Tabla 29 Valores de K más usados

Nivel de confianza (porcentaje) 80 85 90 95 95,5 99

Valor de K 1,28 1,44 1,64 1,96 2 2,58

Fuente: EP

308
2D - Fundamentos Estadísticos para nuestro estudio

Para facilitar la comprensión de los parámetros utilizados en los modelos de ecuaciones

estructurales propuestos hemos observado que muchas investigaciones incluyen una
descripción básica de los mismos, su formulación y tolerancias.

Se trata de una aclaración que, a modo de ayuda, colabora en la interpretación de las

conclusiones que indican los resultados obtenidos, puramente matemáticos.

Hemos decidido seguir el ejemplo de esas publicaciones y, si ya hemos definido en

apartados anteriores algunos conceptos sobre los parámetros que vamos a medir (tipos
de variables, constructos, causalidad, etc.), a continuación vamos a describir las
herramientas matemáticas sobre estadísticas básicas sobre las que pivota la presente
tesis, comentando sucintamente los conceptos, las definiciones y márgenes de los
indicadores estadísticos que conforman la teoría que sustenta el estudio.

A modo de ejemplo algunas de estas definiciones sobre conceptos generales pueden

encontrarse incluidas en los manuales de teoría estadística de diferentes autores, algunos
de los cuales ya han sido referenciados en otros apartados, tales como:

Peña y Romo (1997), Briones (2002), Díez (1992), Batista y Gallart (2000 y 2005), y
Malhotra (2004), Alaminos (2005), Andrade y Coba (2006), Fernández (2006).

Lo mismo también en diversas tesis, como las de:

Conchado (2011), Fernández (2004), García (2011), González (2001), Gutiérrez (2008),
Guzmán (2013), Hernández (2001), Llamas (2005), y Mejía (2005).

309
2D.1 - Medidas de tendencia central, dispersión y concentración

Las medidas de tendencia central son números calculados con fórmulas que representan
a una serie de valores de una variable cuantitativa. Las medidas de desviación expresan
la heterogeneidad u homogeneidad de esos valores. En esos casos, ambas medidas,
como variables colectivas que son, caracterizan al colectivo en el cual se dan los
correspondientes valores individuales. Por ejemplo, si un grupo tiene un promedio de
edad de 15,5 años y otro, de 18,6, el primero se caracteriza por su menor edad respecto
al segundo.

El modo (o moda) es el valor de una serie que se da con mayor frecuencia entre los
miembros de un colectivo. Puede ser utilizado con variables nominales ya que basta
contar los números de sujetos que hay en cada categoría de una variable, de ese tipo
(por ejemplo, el número de hombres y el número de mujeres). Obviamente es muy fácil
de determinar y por ello se le emplea como una primera medida de tendencia central.

La mediana es el valor que ocupa el lugar central de una distribución ordenada de

valores, habitualmente en orden ascendente. Si el número de valores es impar, la
mediana es el valor central. Si ese número es par, la mediana es la semisuma de los dos
valores centrales. La mediana es una medida de tendencia central que está
especialmente indicada para datos ordinales, como medición de actitudes. A diferencia
de la media aritmética, que presentamos a continuación, no está influida por valores
extremos muy altos o muy bajos que se pueden dar en una serie de valores.

La media aritmética es una de las medidas de tendencia central más usada para
caracterizar a un colectivo mediante un sólo valor. Ese valor es la suma de los valores
de una variable cuantitativa continua, de carácter intervalo o proporcional, dividida por
el número de valores sumados.

La varianza y la desviación típica son medidas de dispersión o de variabilidad de los

datos de una serie de valores. Indican su homogeneidad o heterogeneidad y, por tanto,
la semejanza o diferencia que existe entre los individuos de un colectivo con relación a
una cierta variable cuantitativa (la edad, el sexo, etc.). El índice de dispersión se aplica a
variables ordinales y nominales.

310
La varianza es el promedio de las desviaciones elevadas al cuadrado de cada uno de los
valores de una serie respecto de la media aritmética de ella. La desviación típica, a su
vez, es la raíz cuadrada de la varianza.

Para determinar la concentración que puede tener una variable cuantitativa en un cierto
colectivo se utiliza la diferencia de la variable entre quintiles extremos de la
distribución. Consiste en dividir en quintiles el total de la población (grupos de 20% de
ella), y con los valores de la variable que determinan esa división se calculan los totales
de la variable que queda en cada grupo. El nivel de concentración se comprueba con la
comparación de los valores que quedan en los quintiles extremos.

La forma más simple para determinar si existe asociación entre dos variables consiste en
cruzar ambas variables con lo cual se obtiene un cuadro de m x n celdas o de n x n si las
dos variables tienen el mismo número de categorías.

311
2D.2 - Análisis descriptivo inferencial: comparaciones en muestras

La comparación de valores en dos o más subgrupos de una población total es una tarea
muy fácil. Por ejemplo, si en cada uno de esos subgrupos hemos calculado las medias
aritméticas de una cierta variable, la comparación de los valores obtenidos se hace de
manera directa. El mismo procedimiento se aplicaría si se tratara de proporciones,
porcentajes, etc. La situación cambia cuando la comparación se hace en una muestra
probabilística. En ese caso, hay que realizar pruebas especiales que permitan
pronunciarnos sobre la significación estadística que pueda tener la diferencia encontrada
entre los valores comparados. Así, si un grupo tiene un promedio de 26,4 y el otro un
promedio de 25,1, debemos preguntarnos si esa diferencia también se da en la población
de la cual extrajimos la muestra, pues la diferencia podría deberse al error de muestreo
al cual están sometidas, probabilísticamente, todas las muestras que se toman de una
población o universo.

Problemas como el anterior se resuelven con el uso de pruebas de significación

estadística, que son propias para cada medida que se va a comparar. La secuencia del
cálculo se expone a continuación:

1. Formulación de una hipótesis nula y de una hipótesis alternativa.

Como lo sugiere su nombre, la hipótesis nula plantea que en la población de la cual se

extrajo la muestra no existe diferencia entre los valores de los subgrupos que se desean
comparar (proporción, media aritmética, etc.). En este caso aceptar la hipótesis nula
significa que NO rechazamos el modelo. Compararemos el valor de χ 2 (chi cuadrado) 48
que nos calcula el programa con el de la tabla chi cuadrado, teniendo en cuenta el nivel
de confianza y los grados de libertad. Si la χ 2 que calcula el programa es menor que el
valor que da la tabla, estamos en la región de aceptación y por ello aceptamos H0, lo que
significa que no hay diferencias significativas (al nivel prefijado) entre nuestra teoría (el
modelo) y los datos de la muestra. Sin embargo, como se supone que existe una
diferencia (y pudimos haberlo expresado así en una de las hipótesis del estudio),
formulamos una hipótesis alternativa que exprese que existe tal diferencia, que es
estadísticamente significativa, y que se da en la población de la cual se extrajo.
48
Chi cuadrado indica el parecido de las covarianzas observadas con las del modelo hipotético

312
 2. Elección de una distribución de muestreo.

La mayoría de las medidas estadísticas utilizadas en el análisis de datos cuantitativos

tienen distribuciones de probabilidad conocida, como también algunas de ellas tienen
ese tipo de distribuciones para diferencias entre dos medidas. En cada caso, esas
distribuciones indican la probabilidad de que un cierto valor encontrado en una muestra
se pueda dar en su correspondiente población, o la probabilidad que una diferencia de
una cierta magnitud pueda darse entre subgrupos tomados muestralmente en la misma
población.

Para avanzar en el mismo tema, digamos que si se toman muchas muestras y en cada
una de ellas se calcula una misma proporción, entonces, el total de las proporciones de
esas muestras se distribuye en la forma de la curva normal. Por esta propiedad de la
distribución de frecuencias, que también la tienen otras distribuciones muestrales como
la que corresponde a la diferencia entre proporciones, sabemos que sólo un 5% de todas
las proporciones, convertidas a puntajes sigmas queda más allá de 1,96 unidades
sigmas: 2,5% son mayores y 2,5 % son menores. Es decir, la probabilidad de encontrar
en una muestra una proporción cuyo valor sigma sea superior o inferior a 1,96 sigmas es
del 0,05. En otras palabras, existe una probabilidad del 0,95 (o un nivel de confianza del
95%) que la proporción encontrada se aleje menos de 1,96 sigmas del medio de la
distribución, que es el verdadero medio aritmético de la población. Dicho en forma
aproximada, que la diferencia encontrada sea la que corresponda, probabilísticamente,
al error de muestreo. Esta situación se representa en la figura 41, a continuación:

Fig. 41: Distribución normal, para el 95% de confianza - (EP)

313
No todas las medidas de las muestras de una población se distribuyen según la curva
normal. Algunas de ellas lo hacen según la distribución de Student (t), la de chi
cuadrado, etc.

3. Elección de un nivel de significación.

Las pruebas de significación estadística se basan en la teoría de las probabilidades.

Cuando el investigador realiza una de estas pruebas se pregunta: ¿Cuál es la
probabilidad que un valor encontrado en mi estudio sea por azar? Frente a esa pregunta
hace una elección que define el riesgo probabilístico que tiene el aceptar su resultado.
Podremos decir, por ejemplo, que ese valor, transformado a valores k puede darse al
azar en un 5% de las veces. Tal porcentaje recibe el nombre de nivel de significación
que, convencionalmente, se designa con la letra α (alfa).

Los siguientes valores de k en la tabla 30 definen áreas de la curva normal que

comprenden proporciones o porcentajes de casos (valores de muestras) en ambos o en
uno u otro lado de la curva normal, a partir de su media aritmética:

Tabla 30. Casos en ambos lados del área de la curva a partir de la media aritmética

Nivel de confianza 90 95 99
(porcentaje)
Valor de K 1,64 1,96 2,58

Casos en los extremos El 10% restante queda en los El 5%... El 1%...

dos extremos, o zona de rechazo

Fuente: EP

Las terminaciones de la curva normal se denominan colas de la distribución. Cuando

tenemos base para suponer que una de las medidas de las muestras por comparar es
mayor o menor que la otra, entonces, esta situación se plantea en la hipótesis alternativa
X1 > X2; o X1 < X2 . En casos como éste, la prueba se denomina prueba de
significación de una cola. Si no existe esa base, se utiliza una prueba de significación de
dos colas, lo cual quiere decir que la diferencia en el universo puede ser mayor o menor,
en términos probabilísticos, que la encontrada en el estudio. Tabla 31 y figura 42.

314
 Tabla 31. Casos en uno de los extremos del área de la curva
Nivel de confianza (porcentaje) 95

Casos en los extremos (incluyendo En todo el resto del área de la curva

“colas”) normal queda el 95% de los casos

Fuente: EP

Fig. 42: Casos en uno de los extremos del área de la curva - (EP)

Respecto al nivel de significación, queremos recordar que un valor de z igual o inferior

a 1,64 unidades sigma puede darse al azar un 5%; a la inversa, un valor superior a 1,64
significa que la probabilidad de darse al azar en las muestras de un universo es menor de
5%. Ese valor calculado decide la aceptación o rechazo de la hipótesis nula.

315
Como se trabaja con base en probabilidades, existe el riesgo de rechazar la hipótesis
nula cuando es correcta, con lo cual se comete un error de tipo I. Este error se reduce
cuando se baja el nivel de significación (por ejemplo, si elegimos un nivel del 1%,
según el cual existe una probabilidad de 100 en que pueda cometerse ese tipo de error).
Pero al hacer esto, se corre el riesgo de cometer el error de tipo II, es decir, aceptar la
hipótesis nula cuando en efecto existe diferencia entre los grupos comparados.

4. Cálculo de la estadística de la prueba.

Para calcular el valor de z, de t o la estadística que corresponda a la distribución de

muestreo existen fórmulas especiales. Ellas consisten en divisiones de la diferencia
encontrada entre las muestras por el error estándar de esa distribución utilizando los
datos del problema.

5. Aceptación o rechazo de la hipótesis nula.

Los valores de z, o t que puedan encontrarse en los cálculos anteriores se comparan con
valores que están en tablas de los textos de estadística con las correspondientes
probabilidades para el nivel de significación elegido. Cuando el valor calculado es
mayor que el valor de la tabla, se rechaza la hipótesis nula y se acepta la hipótesis
alternativa. Es decir, se acepta en términos probabilísticos, que existe una diferencia
estadísticamente significativa (que no es la diferencia real que se da en el universo, pues
las muestras tienen errores de muestreo). Si el valor calculado es menor que el valor de
la tabla, para el nivel de significación elegido, entonces, se acepta la hipótesis nula, pues
el valor encontrado puede darse al azar más veces que lo que nos permite el nivel de
significación elegido: en otras palabras, no existe significación estadística entre los
grupos comparados.

316
2D.3 - Análisis simple de la varianza

El análisis simple de la varianza con una sola variable de clasificación permite comparar
dos, tres o más medias aritméticas de otras tantas submuestras definidas por las
categorías de una cierta variable independiente elegida por el investigador en su estudio.

En el análisis de la varianza (llamado ANOVA, por las sigla en inglés: Analysis of

Variance) se considera que la suma total de los cuadrados de las desviaciones de las
medidas de su media aritmética correspondientes a varias submuestras tomadas de un
cierto universo puede ser considerada como formada por dos partes: una suma de
cuadrados correspondiente a las diferencias entre las medidas de cada grupo con su
media aritmética, llamada suma de cuadrados dentro; y otra suma de cuadrados formada
por las diferencias entre las medias aritméticas de los grupos y la media aritmética del
total de las medidas, llamada suma de cuadrados entre.

Con esas sumas de cuadrados se hacen estimaciones de la varianza de todos los valores
que se dan en el universo del cual provienen los grupos o submuestras utilizando los
grados de libertad de las sumas de cuadrados mencionadas. Con esas estimaciones, a su
vez, se determina el valor de la estadística F49.

Muchos de los objetivos que se formulan en la investigación social suponen la relación

entre dos o más variables, de naturaleza nominal u ordinal, o la correlación que se da
entre dos variables de naturaleza intervalo o proporcional. En las relaciones entre
variables ordinales, intervalos y proporcionales una de ellas es tomada como variable
independiente y la otra como variable dependiente.

En la relación (sea una asociación o una correlación) de dos variables, relación

bivariada, se consideran cuatro aspectos importantes:

1. La existencia o no de relación entre ellas, es decir, si al cambiar los valores de

una de esas variables también hay cambios en la otra variable.

49
La razón F, en ANOVA, es una relación de la variación entre muestras (por diferentes tratamientos) y
la variación dentro de las muestras (por factores aleatorios).

317
 2. El grado de la relación, su magnitud que, en general, se referencia con el valor
máximo que puede tomar el coeficiente que mide la relación, (1).

3. Dirección de la relación, aspecto que se refiere a la forma de variar los valores

de las dos variables. Si todas las veces que una de ellas aumenta de valor la otra
también aumenta, se tiene una relación positiva. Si todas las veces que una de las
variables aumenta de valor la otra disminuye, entonces se tiene una relación
negativa.

4. Naturaleza de la relación. Se refiere a la forma que toma la representación de los

valores de las dos variables. Si se da un aumento de los valores de una de las dos
variables cuando también aumentan o disminuyen, de manera más bien uniforme
los valores de la otra, tenemos relación lineal. Si el aumento o disminución de
ambos valores se produce en los extremos (más con más y menos con menos)
tenemos una relación curvilínea.

En la mayoría de las investigaciones cuantitativas, la determinación de relaciones cae

dentro del análisis descriptivo. En otros casos, esa determinación puede ser la base de
un análisis explicativo que plantea problemas particulares cuando se trabaja con datos
no experimentales. En ese análisis, entre otras exigencias, el investigador debe mostrar
no sólo la covariación de las variables implicadas en la relación, sino que una de ellas
(la variable independiente) antecede a la otra en el tiempo y que esa relación no es
espúrea, es decir, que la covariación no se debe a la influencia de otra variable que
influye tanto en la variable que se ha tomado como independiente como en la variable
tomada como dependiente.

318
2D.4 - Coeficiente de correlación de Pearson

Es uno de los coeficientes más utilizados para medir la correlación que pueda existir
entre dos variables, cuando hay patrón de normalidad. Si no hay patrón normal se usa el
coeficiente de Spearman, valido en ambos casos. Además del nombre de Pearson, recibe
también el de momento producto y, en cuanto a la naturaleza de la covariación que
mide, es un coeficiente de orden cero en cuanto que no controla el efecto que podrían
producir otras variables en la correlación.

El coeficiente puede tomar valores entre + 1 y - 1. El primero se da cuando existe

correlación positiva perfecta; el segundo, cuando hay correlación negativa perfecta (a
mayor valor de una de las variables, menor valor proporcional de la otra).

319
2D.5 - Análisis de regresión simple

Supongamos que queremos saber si existe correlación entre variables (proporcionales)

como también saber la magnitud de los efectos de la variable independiente sobre la
variable dependiente y conocer un procedimiento para calcular el valor de esta última
cuando se conocen los valores de la primera. La respuesta a la primera pregunta la
obtenemos mediante la elaboración de un diagrama de dispersión en un eje cartesiano
en el que, en el eje horizontal, se representan los valores de X y en el eje vertical los
valores de Y. Las respuestas a las otras dos preguntas se verán a continuación de esta
primera. De manera general, la correlación se puede expresar mediante una función
matemática, que aquí recibe el nombre de ecuación de regresión, con la siguiente
fórmula: Y = a + bX

Cuando la relación entre dos variables es total, a cada valor de X le corresponde un solo
valor de Y. Sabemos, sin embargo, que en la realidad social se está muy lejos de darse
esa situación. La ecuación de regresión que representa datos reales contiene un llamado
término de error que suele indicarse con la letra “e”: Y = a + bX + e

En la ecuación el término a se denomina intercepto e indica el punto en el cual la recta

de regresión corta el eje de las Y. En tal punto el valor de X es cero. El término b se
denomina pendiente de la recta que indica, por su lado, el número de unidades de
cambio que se produce en Y cada vez que X varía en una unidad. Cuando b es negativo,
la pendiente es decreciente ya que al aumentar el valor de X disminuye el
correspondiente valor de Y, y viceversa. En otras palabras, la correlación entre ambas
variables es negativa.

La regresión se usa como técnica predictiva, esperando que la recta de regresión

explique al máximo la relación entre la variable dependiente o explicada y las
independientes o explicativas.

El análisis de regresión trabaja con ciertos supuestos o condiciones de las cuales se

destacan las siguientes:

1. Las variables independientes y las variables dependientes deben estar medidas

en escalas de intervalo o de razón (variables cuantitativas continuas).
320
 2. Los valores de la variable dependiente deben estar normalmente distribuidos en
la población de la cual proceden.

3. Los valores del término de error tienen una distribución normal.

4. Los valores del término de error no están correlacionados con los valores de la
variable independiente.

5. Las desviaciones estándar de los valores de la variable dependiente que

corresponden a cada valor de la variable independiente son iguales entre sí. Esta
condición recibe el nombre de supuesto de homocedasticidad.

Cuando se cumplen los supuestos anteriores es posible obtener buenos estimadores de

los parámetros a y b en la población a partir de sus correspondientes valores en la
muestra. En particular, el supuesto de la distribución normal del término de error apoya
la posibilidad de efectuar pruebas de significación con relación a los parámetros
mencionados.

Por su lado, el supuesto de homocedasticidad también se relaciona con las pruebas de

significación: su violación puede significar que tales pruebas no sean válidas. Si se
tuviera constancia que existe esa violación, es decir, que se produce una condición de
heterocedasticidad, debería utilizarse un procedimiento de ajuste de menores cuadrados
ponderados.

Con toda la importancia que se debe dar a los supuestos señalados, se ha demostrado
empíricamente que las estadísticas F y t que se utilizan en las pruebas de significación
dentro del análisis de regresión son suficientemente fuertes para soportar desviaciones a
algunos de ellos.

321
2D.6 - Análisis multivariado

Hemos visto diversas técnicas de análisis para tratar datos obtenidos de una o de dos
propiedades (variables) que se dan en un colectivo de personas. Con todo el valor que
tienen esos tipos de análisis, en muchas ocasiones debido a la complejidad de los
fenómenos sociales, es indispensable considerar las relaciones simultáneas que se dan
entre tres o más variables mediante uno o más de los procedimientos que constituyen el
análisis multivariado. Algunas de sus técnicas determinan el efecto de una serie de
variables independientes sobre una variable dependiente.

Es importante destacar que, en algunas investigaciones, el análisis multivariado da una

explicación del fenómeno que se estudia, al tener en cuenta un mayor número de
variables que en el análisis descriptivo y haciendo la distinción necesaria entre las
causas y los efectos que se dan en el conjunto de los datos tomados de la realidad en sus
expresiones cuantitativas. Por esta razón, el análisis que pueda cumplir esta función se
denomina análisis explicativo. Debería tenerse muy en cuenta que la explicación no
resulta de meras cifras obtenidas con el tratamiento de los datos, sino que deben estar
comprendidas en algún marco teórico que les dé el adecuado sentido conceptual.

Veremos varias técnicas multivariadas, para tener una primera aproximación a un área
de la metodología cuantitativa de especial importancia en la investigación social, dentro
de las consideraciones hechas en el párrafo anterior. En particular, nos referiremos a las
siguientes técnicas: regresión múltiple y análisis de senderos.

322
2D.7 - Regresión múltiple

La regresión múltiple es la extensión de la regresión bivariada por la incorporación de

más de una variable independiente. El modelo se expresa con la siguiente fórmula en la
cual los términos contenidos en ella tienen las mismas significaciones que en la fórmula
simple:

Y = a0 + b1 x1 + b2 x2 + b3 x3 +….+ bn xn

Los coeficientes beta en la regresión múltiple están constituidos por coeficientes

parciales lo cual significa que el coeficiente de una variable particular indica su efecto
en la variable dependiente una vez que se han controlado los efectos de las otras
variables sobre esa misma variable dependiente. Desde luego, el valor de cada
coeficiente indica la importancia que tiene en la variación de Y y, por lo tanto, en la
predicción que se haga de esta variable para distintos valores de X.

Cuando las distintas variables independientes están medidas en escalas diferentes, los
coeficientes betas deben transformarse en ponderaciones betas mediante su
estandarización.

323
2D.8 - Análisis de trayectorias

En un ámbito más estadístico, pero que igualmente involucra un conjunto de ecuaciones

lineales de varias variables, podemos plantear relaciones entre variables de interés,
dotarlas de direcciones lógicas y evaluar la fuerza de tales asociaciones, lo que
caracteriza al método conocido como “path analysis”. En estos modelos las variables
observables son equiparadas con las latentes y solo existe el modelo de relaciones
estructurales. El análisis de senderos es, por ahora, el modelo más utilizado para probar
conjuntos de supuestos causales entre variables que se dan en un estudio (Kline, 2005).

Si el modelo constituido por el investigador se ajusta a los datos recogidos, el modelo se

mantiene para ser sometido a nuevas pruebas o, en caso contrario, modificarlo o
cambiarlo por otro nuevo. Pero en todo caso, el análisis de senderos no es un
procedimiento para demostrar la existencia de causalidad, en forma definitiva.

El análisis de senderos fue desarrollado por el genetista Wright (1921). Posteriormente

fue introducido en las Ciencias Sociales por Blalock (1967), Boudon (1965) y Duncan
(1966). En general, es una aplicación del análisis de regresión múltiple que agrega, a los
supuestos básicos de éste, otros tres nuevos:

a) Las variables que se incluyen en el modelo causal deben tener un orden derivado
de una cierta teoría,

b) El modelo debe ser considerado como un sistema cerrado en cuanto contiene

explícitamente todas las variables importantes en la determinación causal.

c) El modelo debe ser recursivo, es decir, la influencia de una variable en otra es

asimétrica, o sea, se ejercita en una sola dirección causal.

El análisis de senderos se inicia con un diagrama, basado en una teoría, en el cual se

señalan, por medio de flechas, las relaciones de influencias sobre las variables. Las
correlaciones de orden cero entre variables no influidas por otras se indican con líneas
de doble flecha o con líneas cortadas. En las terminales de una o más flechas se señalan,
con otras flechas, influencias residuales que, como en el análisis de regresión, no están
correlacionadas, por definición, con las variables a las que apuntan. Cuando se han

324
hecho cálculos, en los senderos o flechas se indica la contribución que cada variable
hace en la otra, cuando los efectos de las otras han sido controlados, mediante
coeficientes de senderos (path coeficients) y correlaciones de orden cero para variables
no relacionadas con otras.

Fig. 43: Diagrama de senderos

Fuente: Briones (2002)

Las variables 1 y 2 son exógenas. La correlación entre ellas se anota en la figura 43 con
una línea curva, con flechas en ambos extremos, con la cual se indica que ninguna de
ellas es la causa de la otra. La correlación r12 no se analiza en el sistema.

Las variables 3 y 4 son endógenas. Como puede verse, estas variables pueden ser
tomadas como dependientes de otra u otras y como independientes respecto de otra. Es
el caso de la variable 3.

Las variables a y b son residuales. Indican el efecto de variables no incluidas en el

modelo. O sea, se reconoce que el conjunto de variables que componen el modelo no da
cuenta de toda la variación de las variables (3 y 4 en la figura 43). Se supone que las
variables residuales no están relacionadas entre sí ni con las variables exógenas.

En el análisis de senderos se distinguen efectos directos e indirectos de unas variables

sobre otras. Así, en la figura 43, vemos que, por ejemplo, la variable 1 tiene un efecto

325
directo sobre las variables 3 y 4. Pero también un efecto indirecto sobre la 3 y la 4 a
través de su correlación con la 2 y de ésta por sus efectos sobre ambas variables (3 y 4).

Sobre la variable 4 se dan efectos indirectos a partir de la 1 y pasando por 2 y por 3. Las
variables 1 y 2 son tomadas como causa de la 3, pero esta variable no puede ser tomada
como causa de la 4. Los modelos no recursivos admiten causación recíproca.

Los programas de ordenador para análisis de senderos permiten calcular tanto los
coeficientes de senderos y los efectos directos como los efectos indirectos totales sobre
una determinada variable. Puede suceder que tales efectos indirectos sean mayores que
los directos, lo cual quiere decir que el efecto de una variable sobre otra se ejercita a
través de correlaciones con otras.

El análisis de senderos trabaja con los siguientes supuestos:

1) No existe correlación entre las variables residuales con las variables exógenas.

2) La causalidad es recursiva.

3) Las correlaciones entre los variables son lineales y aditivas. Es decir, se

excluyen relaciones curvilíneas y de interacción (multiplicativas).

4) Las varianzas de las distribuciones de las variables endógenas del modelo son
iguales (supuesto de homocedasticidad).

5) Existe baja multicolinealidad entre las variables.

6) El nivel de medición debe ser intervalo. Sobre este supuesto puede decirse que la
introducción de datos ordinales no plantea problemas en la mayoría de los casos.

7) Las variables independientes están medidas sin error.

326
2D.9 - Coeficientes de senderos (path coefficients)

El coeficiente de sendero indica el efecto directo de una variable tomada como causa
sobre otra variable tomada como dependiente. Se representa con la letra P, con dos
subíndices: el primero representando el efecto a la variable dependiente y el segundo, la
causa o variable independiente (Pji, efecto directo de la variable i sobre la variable j).

Los coeficientes de senderos son iguales a las ponderaciones o pesos betas (b*) o
coeficientes estandarizados de las ecuaciones de regresión. Así, como ejemplo, el
coeficiente:

Los coeficientes residuales indican la variación no explicada sobre una determinada

variable dependiente. En el diagrama P3a sería:

donde R2 es el cuadrado del coeficiente de correlación múltiple de las variables

involucradas.

Para cierto modelo, hay unas ecuaciones por resolver con los datos del problema que se
llama sistema de ecuaciones estructurales (sistema de ecuaciones de regresión). En la
figura 44, el sistema sería el que se indica más abajo, de tal modo que las E son las
variables residuales:

327
 Fig. 44: Ecuaciones de regresión 1
Fuente: Briones (2002)

En general, con n variables, la estimación de los correspondientes coeficientes de

senderos requiere (n-1) ecuaciones estructurales.

Cuando por alguna razón considerada por el investigador, una relación se omite en un
modelo recursivo, equivale a darle el valor cero al respectivo coeficiente.

328
2D.10 - Criterio de los mínimos cuadrados

Conocido como OLS, por sus siglas en inglés (Ordinary Least Squares). Cuando se
tiene un conjunto de puntos en un diagrama de dispersión es posible hacer pasar por
ellos varias rectas. Sin embargo, debemos elegir aquella que mejor se ajusta a los datos.
Para hacer esta elección se utiliza el criterio general denominado de los mínimos
cuadrados según el cual la suma de los cuadrados de las desviaciones de los valores
reales de Y a la línea es mínima. Según esto, si se trazan líneas verticales de cada uno de
los puntos a la línea de los mínimos cuadrados y si se elevan al cuadrado esas distancias
y se las suma, la suma resultante será menor que otra suma de cuadrados posible de
trazar, por lo que minimizamos el error y será mayor la varianza explicada de la variable
dependiente. Figura 45.

Para trazar la línea de los mínimos cuadrados, se necesita computar los coeficientes a y
b de la ecuación de regresión, valores que determinan la línea con la propiedad señalada

Fig. 45: Ajuste de regresión - (EP)

329
2D.11 - Análisis factorial

En muchas situaciones podemos estudiar relaciones entre dos tipos de variables:

a) Aquellas observables que son medibles de modo objetivo (edad, sexo, salario…)
o subjetivo (actitudes, percepciones, etc.), y

b) Aquellas no-observables (latentes o factoriales) que corresponden a conceptos

teóricos cuantificables sólo como constructo a partir de algunas variables
observables (inteligencia, por ejemplo).

Con el análisis factorial exploratorio extraemos los factores que, a partir de

correlaciones significativas entre variables, decimos que en teoría miden el mismo
constructo (Kim y Mueller, 1978). Se asume que las correlaciones indican la presencia
de la variable latente que explica esas correlaciones entre las variables medidas (Carroll,
1985; Gorsuch, 1988).

Los modelos de análisis factorial confirmatorio solo contienen el modelo de medida y

las relaciones entre las variables latentes solo pueden ser de tipo correlacional. Se
presupone la existencia de una teoría que trata de probarse contrastándola con los datos.

En los resultados del análisis factorial realizado con SPSS debemos tener en cuenta la
importancia de la información aportada por los dos conceptos siguientes:

 Comunalidades, que indica que, aunque cada variable dé el 100% de

información, cada factor nos dice lo que cada variable representa en ese factor. Es
el porcentaje en el que cada variable representa a sus variables originales. Es una
prueba de la calidad de los factores que utilizamos para representar a las variables.
Las de valor inferior a 0,5 son candidatas a eliminarse.

 Componentes principales, con las que salen los factores y seleccionamos los que
explican un porcentaje alto. Cada uno incluye todas las variables. La matriz de
componentes da una combinación de las variables de sus componentes. Cada
variable es una combinación lineal de los factores, aunque ninguna esté
representada al 100%. Indica qué variables pertenecen “más” a cada factor

330
En algunas ocasiones nos podemos encontrar con variables observables que tienen altas
correlaciones con más de un constructo, lo que dificulta conocer su influencia. Esta
situación se corrige aplicando los métodos de rotación que tanto Gorsuch (1988) como
Kim y Mueller (1978) explican al considerar que la rotación coloca, desde una
perspectiva geométrica, a las variables medidas más cercanas a los factores que las
explican, facilitando la comprensión de las relaciones entre observadas y latentes.

331
2E - Características de los modelos de ecuaciones estructurales

Los modelos de ecuaciones estructurales se caracterizan por dos elementos:

1. Estimación de relaciones de dependencias múltiples y cruzadas, y

2. La capacidad de representar conceptos no observados en estas relaciones,

teniendo en cuenta el error de medida en el proceso de estimación.

La diferencia más observable entre los sistemas de ecuaciones estructurales y las otras
técnicas de análisis multivariante es la capacidad de analizar relaciones para cada
subconjunto de variables. Además de permitir interrelaciones entre algunas variables de
estos subconjuntos.

Los sistemas de ecuaciones estructurales permiten, además de estimar relaciones

múltiples que fortalecen las correlaciones utilizadas, introducir conceptos o variables
independientes al análisis. De esta manera se pueden realizar estimaciones más precisas
de los coeficientes estructurales.

Los modelos estructurales proponen una relación causal entre variables observadas y
latentes, y después miden la covarianza de tales mediciones para observar:

a) si el modelo observado ajusta con el modelo propuesto, y

b) la fuerza y dirección de las variables resultantes. (Huerta, 2010)

332
2E.1 - Estrategias de modelización

La flexibilidad de los sistemas de ecuaciones estructurales permite utilizar la técnica de

múltiples formas, en función de los objetivos a conseguir. Sin embargo, hay que
seleccionar al inicio de la investigación la estrategia a seguir para alcanzar nuestro
propósito.

En ese sentido, hay tres estrategias para adoptar en la utilización de sistemas de

ecuaciones estructurales:

1. La estrategia de modelización confirmatoria, donde el investigador especifica un

modelo aislado y el modelo de ecuaciones estructurales se utiliza para evaluar su
significación estadística.

2. La estrategia de modelos rivales, permite evaluar el modelo estimado con

modelos alternativos. En muchas ocasiones el investigador se encuentra con
modelos alternativos para representar una misma situación sin conocer cuál
proporciona un nivel de ajuste mejor. Esta estrategia proporciona las líneas básicas
para realizar esta comparación y seleccionar el más idóneo; y

3. La estrategia de desarrollo del modelo, que difiere de las dos anteriores

estrategias en que aunque se propone un modelo, el propósito del esfuerzo de
modelización es mejorarlo a través de modificaciones de los modelos de medida
y/o estructurales. Seguir esta estrategia es para re especificar el modelo básico de
teoría para encontrar uno nuevo.

En nuestro caso, utilizaremos el primer modelo para asegurar la validez y coherencia de

los constructos establecidos para las distintas fases de nuestro análisis pero
profundizaremos en su posible desarrollo. Lo que nos ayudará a descubrir la posible
existencia de constructos latentes (factores de primer orden) vinculados con un
constructo común a dichos factores, obteniéndolo a través de un Análisis Factorial
Confirmatorio de segundo orden (Mikulic, Muiños, 2005).

333
2E.2 - Fases de un modelo de ecuaciones estructurales

En la figura 46 se resumen las distintas fases en la obtención de un modelo de

ecuaciones estructurales. Comienza con la definición de un modelo teórico que se
intentará contrastar estadísticamente y acaba verificando parcial o totalmente el modelo.

La falta de confirmación de una o varias hipótesis establecidas en la elaboración del

modelo de ecuación estructural nos hace modificarlo, manteniendo un significado
lógico además de una significación estadística. Esa modificación implica repetir todo el
análisis estadístico. El proceso de análisis acaba cuando se consigue un modelo con un
nivel de ajuste, global o parcial, igual o superior al establecido por el investigador.

Fig. 46: Fases de obtención de un modelo de ecuaciones estructurales

Fuente: Fernández (2004)

334
La modelización de ecuaciones estructurales se fundamenta en relaciones causales, en
las que el cambio en una variable se supone que produce un cambio en otra variable. Se
encuentra este tipo de enunciado cuando se define una relación de dependencia, tal y
como se encuentra en el análisis de regresión. Las relaciones causales pueden tomar
muchas formas y significados, desde la estricta causación encontrada en los procesos
físicos, tales como una reacción química, a las relaciones menos definidas encontradas
en la investigación del comportamiento. La seguridad y la convicción con la que
asumimos la causación entre dos variables no descansan en los métodos analíticos
escogidos sino en la justificación teórica ofrecida por los análisis.

El problema de error de especificación, caracterizado por la omisión de una o más

variables predictivas claves, es el más crítico en el desarrollo de modelos de
fundamentación teórica. La consecuencia de omitir una variable significativa consiste
en sesgar la evaluación de la importancia de otras variables.

335
2E.3 -Resumen y conclusiones de utilización de Ecs. Estructurales

La utilidad de los modelos de ecuaciones estructurales para el investigador social radica

en la aportación de una visión global de los aspectos del fenómeno estudiado, en
contraposición a otro tipo de herramientas estadísticas que se centran en el análisis
individual de cada factor. Asimismo, reducen la cantidad de información que debe ser
analizada, ya que su fundamento es agrupar las relaciones entre un gran número de
variables en unos pocos factores, manifestando los aspectos esenciales de la situación
explicada. En el caso del estudio de constructos o variables no medibles directamente,
estos modelos tienen el inconveniente de que el investigador debe proceder a la
explicación objetiva de relaciones causales entre variables que se caracterizan por su
abstracción y subjetividad.

En lo que respecta al estudio de la causalidad, la función de los modelos de ecuaciones

estructurales no es corroborar las relaciones causales entre las distintas variables, sino
facilitar su análisis y toma de decisiones, para lo cual es necesario un análisis
exploratorio de los datos y que el proceso de modelización sea seguido con rigor. En
ocasiones la confirmación de un modelo de este tipo se ha considerado como una prueba
de validez, sin tener en cuenta que podrían ser igualmente válidos otros modelos
alternativos, puesto que las pruebas de significación sólo son efectivas cuando se
cumplen las condiciones especificadas.

Los modelos de ecuaciones estructurales surgieron como necesarios para conseguir

mayor flexibilidad en los modelos de regresión. Según Bollen,: “Podemos mirar estos
modelos de diversos modos. Son ecuaciones de regresión con supuestos menos
restrictivos, que permiten errores de medida tanto en las variables criterio
(independientes) como en las variables dependientes. Consisten en análisis factoriales
que permiten efectos directos e indirectos entre los factores. Habitualmente incluyen
múltiples indicadores y variables latentes. Resumiendo, engloban y extienden los
procedimientos de regresión, el análisis econométrico y el análisis factorial.”
(Chamorro, 2005: 378)

336
Para conocer mejor estos términos y verificar la necesidad de los modelos de ecuaciones
estructurales, debemos revisar los conceptos sobre las relaciones entre variables y las
metodologías para establecerlas.

Las relaciones causales entre variables pueden establecerse con una metodología
experimental o no experimental. La primera se desarrolla en las ciencias físicas o
químicas, puesto que existe un conocimiento de los fenómenos que permite demostrar
que toda variación en la variable causa produce un cambio en la variable efecto.

En las Ciencias Sociales y del comportamiento el conocimiento teórico es escaso, no

existe la experimentación y de lo único que se dispone es de información estadística.

Esto es, en los estudios no experimentales las relaciones causales se inducen a partir de
las relaciones estadísticas observadas entre las variables, y la variación entre variables
se mide, como es sabido, con la covarianza o la correlación. Pero la covariación entre
dos variables significa que los valores de una se dan a menudo asociados a valores de la
otra, sin embargo para que exista relación causal, además de existir correlación, los
cambios en la variable causa implicarán variaciones en la variable efecto.

La correlación entre variables es una relación simétrica. Si "x" tiene un tipo de

correlación, positiva o negativa, con "y", entonces "y" tiene el mismo tipo de
correlación con "x".

Sin embargo, la causalidad es asimétrica, pues si "x" es causa de "y", no se deduce que
"y" sea causa de "x". La causalidad implica una dirección del efecto.

Si representamos la relación causal de "x" en "y" mediante una ecuación de regresión

lineal de la forma y = bx + ε , el término ε expresa la variación de "y" por causas
distintas de "x", es decir por causas de perturbación aleatorias. Entonces para inducir
que "x" sea causa de "y" se exige además de correlación, que se dé la dirección del
efecto y el aislamiento de otras posibles causas.

En la investigación no experimental (Ciencias Sociales y del comportamiento), se

descartan situaciones en las que la causalidad se dé en las dos direcciones. En cuanto al
aislamiento, en los casos no experimentales, se usa el control estadístico, exigiendo la
incorrelación entre el término de perturbación aleatoria y las variables explicativas.
Mateos-Aparicio (2011).
337
Una vez recordados estos términos aclaratorios, podemos decir que los modelos de
ecuaciones estructurales constituyen una de las herramientas más potentes para el
estudio de las relaciones causales sobre datos no experimentales cuando estas relaciones
son lineales. Sin embargo, hay que tener en cuenta que estos modelos no prueban de una
forma definitiva la causalidad, aunque desechen las relaciones co soportadas em
píricamente hablando; es decir, pueden negar una causalidad pero no afirmarla.
Podemos rechazar las teorías causales si se contradicen con los datos pero no se pueden
confirmar estadísticamente. (Batista y Gallart, 2000).

El Análisis de la Varianza pensado inicialmente para el análisis de datos

experimentales, trata de explicar el efecto de una variable independiente (explicativa)
sobre otra variable dependiente (explicada), y establece hasta qué punto la variación de
la variable dependiente se debe a las variaciones de la variable independiente. Entre los
diversos modelos estadísticos diseñados para explicar la variación de una o varias
variables dependientes, esto es, para el análisis de relaciones de dependencia, está el
modelo de regresión, que tiene en común con el Análisis de la Varianza el analizar la
variación de las variables explicadas por otras.

En Ciencias Sociales, los econometras han sido los pioneros en el uso de modelos de
análisis de dependencia para estudiar la causalidad con datos no experimentales, el
concepto de modelo de estructura fue definido por Koopman (1949). El término
estructural supone que los parámetros no son simplemente medidas descriptivas de
asociación sino que revelan una relación causal.

En las ciencias del comportamiento, los primeros psicómetras de principios del siglo
XX desarrollaron modelos para estudiar variables abstractas, no observables, llamadas
constructos, variables latentes o factores, cuyos valores se obtienen a partir de las
variables observables.

Por otro lado, sociómetras y biómetras sentaron las bases del Análisis Path (análisis de
rutas) que describe relaciones de dependencia que, en algún sentido son causales, entre
variables latentes. El análisis de rutas es un método para buscar relaciones causa efecto,
en las que los coeficientes path miden el grado de relación causal entre las variables, es
decir, el grado de variación producida en la variable dependiente por cada una de las
variables independientes, permaneciendo las otras constantes.

338
El Análisis Path es el antecedente de los modelos de ecuaciones estructurales, es una
técnica útil para estimar los parámetros desconocidos de un sistema de ecuaciones
simultáneas.

De la conjunción de planteamientos, del Análisis Factorial, que dio lugar a lo que

llamamos modelo de medida, que relaciona variables latentes con variables observadas
en las de ecuaciones estructurales, y el Análisis Path, con el que se establecen las
relaciones entre variables latentes, que ahora llamamos modelo de estructura, se dedujo
la base de los modelos de ecuaciones estructurales, en los que se incorpora el error de
medida y las relaciones entre variables latentes.

Los modelos de ecuaciones estructurales, como marco general permiten afirmar una
dirección en las relaciones entre las variables, y también incorporan las variables no
observables, es decir, los factores.

339
2E.4 - Prueba de chi cuadrado

La prueba de chi cuadrado (χ 2) se utiliza para determinar si existe asociación o no, en

términos probabilísticos, en un cuadro de contingencia (el cruce de dos variables)
obtenido con datos de una muestra. La magnitud de la asociación se calcula con el
coeficiente de contingencia que evalúa el ajuste general del modelo de medición.

El valor de χ2 representa una medida preliminar de la diferencia registrada por el

procedimiento entre el modelo de medición y la estructura de covarianza observada en
los datos. Para este valor, se espera obtener un mínimo de diferencia, que no resulte
estadísticamente significativo. Esto implica que no hay diferencia apreciable entre el
modelo propuesto y los datos empíricos. Si la diferencia resulta estadísticamente
significativa, el resultado se toma como base para el cálculo de otros índices de ajuste.

2E.5 - Coeficiente de ajuste comparativo (CFI)

Este índice compara los valores de discrepancia de χ 2 para dos casos: la discrepancia
del modelo hipotetizado, y la discrepancia de un modelo teóricamente posible (llamado
modelo de independencia), en el que todas las relaciones entre variables son nulas. Es
decir, este índice compara la estructura de covarianzas del modelo de medición con una
situación hipotética donde no existe relación alguna entre las variables observadas.

Los valores del CFI oscilan entre 0 y 1. Cuando el CFI toma valores que exceden 0.90
se considera que existe ajuste razonable entre el modelo y los datos (Bentler, 1990)

340
2E.6 - Error Medio Cuadrático de Aproximación (RMSEA)

El índice de bondad de ajuste más robusto es el Error Medio Cuadrático de

Aproximación (RMSEA, por sus siglas en inglés). Este índice ha sido desarrollado
como una medida absoluta de la diferencia de la estructura de relaciones entre el modelo
propuesto y los valores de covarianza en la población medida (Steiger, 1990).

Su cálculo es como sigue:

En este caso el término proviene de la medida inicial de diferencia entre los datos y el
modelo:

Lo anterior significa que el valor mayor de discrepancia entre el modelo y los datos
observados se obtiene a partir del término con mayor valor, ya sea χ 2, menos los grados
de libertad del modelo, o bien cero. La importancia de este índice radica en que refleja
una diferencia absoluta entre el modelo propuesto y los datos observados, tomando en
cuenta el número de estimaciones y el tamaño de la muestra implicada por el modelo
bajo prueba. Es muy importante notar que este índice, debido a su origen y propiedades
estadísticas, compara el modelo con la estructura de relaciones entre las variables en la
población. Por debajo de 0.1 indican un error aceptable y alrededor de 0.06 un muy
buen ajuste entre datos y modelo (Hu y Bentler, 1999).

341
2E.7 - Coeficiente de ajuste normalizado (NFI)

El índice NFI (Normed fit index) de Bentler-Bonett se define mediante:

Donde es la discrepancia mínima del modelo evaluado y es la

mínima discrepancia del modelo base, de referencia.

Toma valores entre 0 y 1. Por encima de 0,90 indican muy buen ajuste entre los datos y
el modelo teórico. Bentler & Bonett (1980).

342
ANEXO A – Codificación x pregunta

Variables explicativas:

Perfil usuario

Variables latentes:
(actitudinales)

Actuación

Interés

Confianza

Ansiedad

Utilidad

(aptitudinales)

Conocimientos

*** La variable Actuación sobre seguridad se forma desde los siguientes ítems:

back ups:
frecuencia
Localización

accesos:
protección
wi fi

mails:
recepción
envío

info:
vulnerabilidades
virus
privacidad

redes sociales:
registro
perfil
uso

343
ANEXO A1 - Primer cuestionario piloto, con comentarios resaltados

Cuestionario global de la encuesta:

Edad:

Sexo (hombre = H, mujer = M): Modificar alternativa. Difícil discernir si

escribieron H o M

A continuación, marcar lo que proceda:

Vas a curso por año

o arrastras alguna asignatura de cursos anteriores
o arrastras varias asignaturas de otros cursos

El ordenador que utilizo habitualmente es un sobremesa

El ordenador que utilizo habitualmente es un portátil
Algunos utilizan los dos

5. Me conecto a internet:

todos los días, casi continuamente (Iphone, tablet PC…)

o cada día, en varias ocasiones a lo largo del día (puesto de trabajo, en casa…)
o varios días a la semana (3, 4 ó 5 días)
o una o dos veces a la semana
u ocasionalmente

6. Respecto a contraseñas:

uso diferentes contraseñas para cada acceso (PC, ficheros, aplicaciones … )

o bien tengo una password común para la mayoría de esos accesos
o no establezco contraseñas

7., siguiendo con contraseñas, si las establezco:

suelo mantener fijas las contraseñas

o bien cambio las contraseñas anualmente
o cambio las contraseñas cada 2 ó 3 meses
o con mayor frecuencia

dejo que el navegador grabe la contraseña, (por facilidad vs) para ir más rápido
uso contraseñas fáciles de recordar (nombres o iniciales, matrículas, DNI, fechas
de aniversario, teléfonos,…)
uso reglas mnemotécnicas
uso contraseñas con mezcla de letras, números, signos de puntuación…

344
 Algunos marcan varias opciones

9. Respecto la frecuencia de copias de seguridad de mis datos

No las he hecho nunca

Las hago cuando cambio de ordenador
Las hago cada año
Las hago cada 6 meses
Las hago con una frecuencia programada (semanal, quincenal o mensual)

10. Respecto donde guardo las copias de seguridad de mis datos Algunos marcan
varias opciones

Ya he dicho que no las suelo hacer

Las almaceno en otra carpeta del disco interno del sistema
Las guardo en CD´s o DVD´s o pendrives
Las guardo en un disco externo
Las almaceno en la propia red (apls. de Cloud Computing)

11. Mientras hago mis trabajos… Algunos marcan varias opciones

No hago copias de seguridad, tengo confianza en el sistema

Hago una copia cuando lo he terminado
Hago una copia cada vez que me paso varias horas, actualizándolo
Hago una copia tras cada actualización, por breve que sea
Tengo un sistema automático de actualización

12. Protejo el acceso a mi PC y/o a ficheros del mismo a través de: Algunos marcan
varias opciones

No necesito esas protecciones, se trata de mi PC

Utilizo una password para acceder a la sesión
Utilizo la ocultación de ficheros
Utilizo claves para acceder a los ficheros
Utilizo sistemas biométricos

13. Cuando recibo un mail de remitente desconocido…

Lo abro para enterarme de lo que pretenden

Abro los posibles archivos para examinar su contenido
Guardo los posibles archivos para examinarlos más tarde
Lo marco como spam
Lo elimino directamente

345
14. Me entero de las últimas vulnerabilidades en seguridad a través de: Algunos
marcan varias opciones

No suelo mostrar interés

Webs personalizadas (compañías de sw, inteco, ministerios…), revistas técnicas
Avisos de la Universidad
Correo electrónico
Compañeros, amigos

(*) En relación con el uso de internet, dirías que usas internet para...

15 Información sobre noticias de actualidad

16 Formación
17 Comunicarme (correo, foros, chatts…)
18 Compra-venta
19 Transacciones bancarias
20 Información de ofertas comerciales
21 Entretenimiento: multimedia (vídeos, música online, con Youtube, Spotify..)
22 Entretenimiento: lectura (descarga de libros)
23 Entretenimiento: juegos on-line
24 Intercambio de archivos
25 Tengo un blog y lo actualizo ocasionalmente
26 Tengo un blog y lo actualizo con frecuencia
27 Otras formas de entretenimiento (especificar)

(*) Has hecho, o sueles hacer, compras a través de internet de…

28 Viajes (billetes, hoteles, alquiler de coches…)

29 Entradas de espectáculos (cine, teatro, conciertos….)
30 Adquisición de libros, ropa, electrónica…
31 Adquisiciones domésticas (alimentación, hogar…)
32 Otros tipos de compra

(*) se pueden marcar varias casillas en cada tabla

346
Seguridad en las TICs: Separar en bloques /Algunas se quedan en blanco, NS/NC
si No
33 Me gusta hablar con otros de seguridad
34 Si tuviera oportunidad me inscribiría en cursos de seguridad
35 Siento curiosidad por las noticias sobre seguridad
36 Saber seguridad incrementa mis posibilidades de navegar tranquilo
37 Me da una gran satisfacción poder resolver dificultades de seguridad
38 Si me lo propongo llego a dominar bien la seguridad
39 Estudiar sobre seguridad me resulta difícil
40 Estoy preocupado por los riesgos de seguridad
41 Me altero cuando tengo que resolver un problema de seguridad
42 Me siento incapaz de comprender algunas cuestiones sobre seguridad
43 Es complicado seguir las instrucciones sobre seguridad
44 Pienso que la seguridad es muy necesaria para mi actividad personal
45 Pienso que la seguridad es muy necesaria para mi actividad profesional
46 Pienso que saber de seguridad es de lo más importante de la informática
47 Creo que los conocimientos sobre seguridad deben ser previos al uso de PC´s
48 Pienso que debo saber utilizar los recursos de protección de mi PC
49 Creo que debo saber utilizar los recursos de protección al acceder a internet
50 Usando Wi-fi en casa uso clave para el acceso
51 Usando Wi-fi en casa noto que, a ratos, varía la velocidad
52 Cada vez que inicio sesión con mi PC debo introducir mi password
53 En alguna ocasión he tenido problemas con algún virus
54 Tengo activo un antivirus actualizado con regularidad
55 Tengo activo un firewall actualizado con regularidad
56 Elimino periódicamente los archivos temporales y cookies almacenados en mi
PC tras navegar por internet
57 Borro el Histórico de páginas visitadas o he determinado que almacene las
correspondientes el mínimo tiempo posible
58 Cuando envío un mail a varios destinatarios, utilizo la copia oculta
59 Cuando envío un mail a varios destinatarios, direcciono a todos directamente
para que sepan a quien se lo he enviado
60 Un usuario con conexión ADSL debe preocuparse por la seguridad
61 Es seguro hacer compras en línea
62 Cuando accedo a mi correo y navego por la red a través de un enlace
inalámbrico en sitio público (hotel, cafetería, aeropuerto…), estoy en riesgo
63 Cuando uso Wi-fi en la conexión en mi domicilio, estoy en riesgo
64 Al usar Wi-fi en la conexión en el centro de trabajo/estudio, estoy en riesgo
65 El símbolo del candado que se ve en los sitios más serios de e-commerce
cuando doy los datos de mi tarjeta, me permiten hacer pagos seguros
66 Algunos programas informáticos de malware son inofensivos
67 La mayoría de los virus se diseñan para eliminar archivos y/o perjudicar
nuestro sistema operativo y/o acceder a información confidencial
68 Los virus solo se propagan por determinadas actuaciones de los usuarios
69 Un virus puede mutar y recombinarse con otros originando nuevos virus
70 Casi todos los usuarios pueden formar parte de redes zombi
71 Los troyanos y el phising persiguen resultados similares
72 Algunos programas de adware (ejecución inmediata de publicidad) hacen un
seguimiento de las prácticas del usuario y acaban siendo spyware
347
Respecto las Redes sociales…

73. Con referencia a la dedicación:

estoy conectado todos los días, casi continuamente

o me conecto cada día, en varias ocasiones a lo largo del día,
o me conecto varios días a la semana (3, 4 ó 5 días)
o una o dos veces a la semana
u ocasionalmente
o no soy usuario (finalizas la encuesta)

74., si soy usuario, me di de alta impulsado por: Algunos marcan varias opciones

novedad, estar “a la última”

recomendado por algunos amigos, para comunicarnos
encontrar nuevas relaciones
observar, ver lo que se dice
otras razones (especificar)

75. Con referencia a las condiciones de registro

Me las leí en su totalidad y las acepté

Acepté sin leerlas, entendiendo que son estándar
Las acepté sin leerme la totalidad de los extremos incluidos
Las leí con posterioridad
Tras haberme dado de alta, al leerlas, cancelé la cuenta
No me di de alta porque no me gustaron

76. Respecto a la privacidad del usuario

Las acepté tal cual vienen, pues son las más usadas
Las acepté previamente y, cuando me familiaricé, las adapté
Como no se adaptaban a lo que quería, no me di de alta
Las investigué y los aspectos más relevantes los adapté a mis gustos
Las investigué y adapté a mis gustos en su totalidad

(*) Respecto tu actividad

77 Suelo subir imágenes ( fotos , vídeos )

78 Suelo subir composiciones personales ( dibujos, música, textos )
79 Suelo expresarme libremente manifestando mis aficiones (deportes, cine,
música , lecturas …)
80 Suelo expresarme libremente manifestando mis puntos de vista
(políticos, religiosos, sexuales…)

348
(*) En este tipo de foro, no tengo inconveniente en

81 Usar mi verdadero nombre

82 Incluir mis datos (fotografía, dirección, teléfono, profesión, curriculum,
hobbies, edad, lista de amigos…) en mi perfil
83 Suelo compartir (vs Comparto) fotos/vídeos de acontecimientos (fiestas,
viajes, bodas, cumpleaños…)
84 Suelo invitar (vs Invito) a conocidos nuevos a que se den de alta y así seguir
la relación
85 Los suelo usar tanto para el ámbito familiar como el laboral o de amistad
86 Tengo identidades diferentes para según qué tipo de relación
87 No participo activamente, simplemente observo

Finalmente, para contestar al último grupo de preguntas, se utilizará la escala de A a

E para responder a cada línea propuesta, donde:

A=no estoy dado de alta,

B=me di de alta pero no accedo,
C=accedo alguna vez, (1 – 2 días /semana)
D=accedo con frecuencia, (de 3 a 5 días /semana) y
E=me conecto continuamente, (a diario)

88 Facebook
89 Flickr
90 Linkedin
91 Tuenti
92 MySpace
93 Twitter
94 Messenger
95 Otras (especificar)

Algunos ponen cruces, acostumbrados a los tipos de respuesta anteriores

349
ANEXO A1.1 - Resultados análisis primer cuestionario piloto

A. factorial

a
Comunalidades
Inicial Extracción
Int1 1,000 ,813
Int2 1,000 ,623
Int3 1,000 ,824
Método de extracción: Análisis de
Componentes principales.

Varianza total explicadaa

Sumas de las
saturaciones al
cuadrado de la
Autovalores iniciales extracción
% de la
Componente Total varianza % acumulado Total
1 2,260 75,347 75,347 2,260
2 ,520 17,350 92,697
3 ,219 7,303 100,000

Matriz de
componentesa,b
Componente
1
Int1 ,902
Int2 ,789
Int3 ,908

Análisis de fiabilidad
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,835 3

350
A. factorial

a
Comunalidades
Inicial Extracción
Ans1 1,000 ,732
Ans2 1,000 ,684
Ans3 1,000 ,751
Ans4 1,000 ,461
Ans5 1,000 ,320
Método de extracción: Análisis de
Componentes principales.

a
Varianza total explicada
Sumas de las
saturaciones al
cuadrado de la
Autovalores iniciales extracción
% de la
Componente Total varianza % acumulado Total
1 1,815 36,295 36,295 1,815
2 1,134 22,678 58,974 1,134
3 ,944 18,876 77,849
4 ,563 11,267 89,116
5 ,544 10,884 100,000

Matriz de componentesa,b
Componente
1 2
Ans1 ,585 ,624
Ans2 ,731 -,387
Ans3 ,579 -,645
Ans4 ,648 ,205
Ans5 ,428 ,370

Análisis de fiabilidad
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,552 5

351
 A. factorial

a
Comunalidades

Inicial Extracción

Ans2 1,000 ,670

Ans3 1,000 ,575
Ans4 1,000 ,349

a
Varianza total explicada

Sumas de las
saturaciones al
cuadrado de la
Autovalores iniciales extracción
% de la
Componente Total varianza % acumulado Total

1 1,594 53,122 53,122 1,594

2 ,851 28,367 81,489
3 ,555 18,511 100,000

Matriz de
componentesa,b

Componente
1

Ans2 ,818
Ans3 ,758
Ans4 ,591

Análisis de fiabilidad

Estadísticos de fiabilidad

Alfa de
Cronbach N de elementos

,559 3

352
A. factorial

Comunalidadesa
Inicial Extracción
Ut1 1,000 ,852
Ut6 1,000 ,944
Ut2 1,000 ,547
Ut4 1,000 ,626
Método de extracción: Análisis de
Componentes principales.
a
Varianza total explicada
Sumas de las
saturaciones al
cuadrado de la
Autovalores iniciales extracción
% de la
Componente Total varianza % acumulado Total
1 1,925 48,114 48,114 1,925
2 1,045 26,115 74,229 1,045
3 ,701 17,523 91,753
4 ,330 8,247 100,000

Matriz de componentesa,b
Componente
1 2
Ut1 ,766 -,514
Ut6 ,410 ,881
Ut2 ,740 -,019
Ut4 ,789 ,060

Análisis de fiabilidad

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,626 4

353
ANEXO A2 - Segundo cuestionario piloto

Cuestionario global de la encuesta:

1. Edad:

(A continuación, marcar lo que proceda)

2. Hombre Mujer
Sexo:

3.
Vas a curso por año
o arrastras alguna asignatura (1 ó 2) de cursos anteriores
o arrastras varias asignaturas (3 ó más) de cursos anteriores

4. Me conecto a internet:

Todos los días, casi continuamente (Iphone, Tablet PC, Ipad…)

o en varias ocasiones a lo largo del día (puesto de trabajo, en casa…)
o varios días a la semana (3, 4 ó 5 días)
o una o dos veces a la semana
u ocasionalmente

5. Respecto a contraseñas:

No establezco contraseñas
o bien tengo una password común para la mayoría de accesos
o uso diferentes contraseñas para cada acceso (PC, ficheros, aplicaciones … )

6., siguiendo con contraseñas, si las establezco:

suelo mantener fijas las contraseñas

o bien cambio las contraseñas anualmente, aproximadamente
o con mayor frecuencia (periodos inferiores a 6 meses)

7.
dejo que el navegador grabe la contraseña
uso contraseñas fáciles de recordar (nombres o iniciales, matrículas, DNI, fechas
de aniversario, teléfonos, direcciones…)
uso contraseñas con mezcla de letras, números, signos de puntuación……no
descriptivos de la opción anterior

354
8. Respecto la frecuencia de copias de seguridad de mis datos

No las he hecho nunca

Las hago cuando cambio de ordenador
Las hago cada año, seleccionando manualmente los ficheros
Las hago cada 6 meses aproximadamente, seleccionando manualmente los ficheros
Las hago de forma programada con un sistema automático

9. Respecto donde guardo las copias de seguridad de mis datos

Ya he dicho que no las suelo hacer

Las almaceno en otra carpeta del disco interno del sistema
Las guardo en CD´s o DVD´s, pendrives o discos externos
Las almaceno en la propia red (apls. de Cloud Computing)

10. Mientras hago mis trabajos…

No hago copias de seguridad, tengo confianza en el sistema

Hago una copia cuando lo he terminado
Hago una copia tras cada actualización
Tengo un sistema automático de actualización

11. Protejo el acceso a mi PC y/o a ficheros del mismo a través de:

No necesito esas protecciones, se trata de mi PC

Utilizo una password para acceder a la sesión
Utilizo claves para los distintos accesos (PC, ficheros…)

12. Cuando recibo un mail de remitente desconocido…

Lo abro para enterarme de lo que pretenden

Abro los posibles archivos para examinar su contenido
Guardo los posibles archivos para examinarlos más tarde
Lo marco como spam
Lo elimino directamente

13. Me entero de las últimas vulnerabilidades en seguridad a través de:

No suelo mostrar interés

Compañeros, amigos
Webs personalizadas (compañías de sw, inteco, ministerios…), revistas técnicas
Avisos de la Universidad

355
14. En relación con el uso de internet, dirías que usas internet para Información
sobre noticias de actualidad, Formación, Comunicarme (correo, foros, chatts…),
Compra-venta, Transacciones bancarias, Información de ofertas comerciales,
Entretenimientos multimedia (escuchar / ver vídeos, música online, películas,
descarga de libros…)…

no, nunca alguna vez suelo hacerlo frecuentemente siempre

15. En relación con el uso de internet, dirías que usas internet para
Entretenimiento multimedia (subir vídeos, música), participar en juegos on-line,
tengo un blog actualizado, soy usuario de wikis.…

no, nunca alguna vez suelo hacerlo frecuentemente siempre

16. Has hecho, o sueles hacer, compras a través de internet de viajes (billetes,
hoteles, alquiler de coches…), entradas de espectáculos (cine, teatro, concierto….),
adquisición de libros, ropa, electrónica, alimentación, hogar….

no, nunca alguna vez suelo hacerlo frecuentemente siempre

Respecto las Redes sociales…

17. Con referencia a la dedicación:

estoy conectado casi continuamente

o me conecto en varias ocasiones a lo largo del día
o me conecto varios días a la semana (3,4 ó 5)
o una o dos veces a la semana
u ocasionalmente
o no soy usuario (finalizas la encuesta)

356
18., si soy usuario, me di de alta impulsado por:

novedad, estar “a la última”

recomendado por algunos amigos, para comunicarnos
encontrar nuevas relaciones
observar, ver lo que se dice
otras razones (especificar)

19. Con referencia a las condiciones de registro

Acepté sin leerlas, entendiendo que son estándar

Las acepté previamente y, cuando me familiaricé, las adapté a mi perfil
Estudié los aspectos más relevantes y, tras adaptarlos a mis gustos, las acepté
Me las leí y, tras adaptarlas a mis gustos en su totalidad, las acepté
No me di de alta porque no me gustaron

En este tipo de foro,

Si No
20 Soy usuario de Facebook, Twitter, Tuenti….en ámbitos familiar y de amistad
21 Soy usuario de Linkedin, Facebook, ….en ámbito profesional
22 Limito determinados accesos a mi información
23 Tengo identidades diferentes para según qué tipo de relación
24 No participo activamente, simplemente observo

25. Respecto tu actividad, usas tu verdadero nombre e incluyes tus datos

(fotografía, dirección, teléfono, profesión, curriculum, edad, lista de amigos…) en
tu perfil, y te expresas libremente manifestando tus aficiones (deportes, cine,
música, lectura….)

no, nunca alguna vez suelo hacerlo frecuentemente siempre

26. Compartes fotos/vídeos de acontecimientos personales (fiestas, viajes, bodas,

cumpleaños…) así como composiciones propias (dibujos, música, textos, diseños…)

no, nunca alguna vez suelo hacerlo frecuentemente siempre

27. Te expresas libremente manifestando tus puntos de vista sobre asuntos

políticos, religiosos, relaciones familiares, de amistad, laborales, sexuales…

no, nunca alguna vez suelo hacerlo frecuentemente siempre

357
Seguridad en las TICs:

Si No
28 Me gusta hablar con otros de seguridad

29 Si tuviera oportunidad me inscribiría en cursos de seguridad

30 Siento curiosidad por las noticias sobre seguridad

31 Saber seguridad incrementa mis posibilidades de navegar tranquilo

32 Me alegra poder resolver dificultades de seguridad

33 Adopto suficientes medidas de seguridad

34 Estoy preocupado por los riesgos de seguridad

35 Me altero cuando tengo que resolver un problema de seguridad

36 Me siento incapaz de comprender algunas cuestiones sobre seguridad

37 Pienso que la seguridad es muy necesaria para mi actividad personal

38 Pienso que la seguridad es muy necesaria para mi actividad profesional

39 Creo que los conocimientos sobre seguridad deben ser previos al uso de PC´s

40 Creo que debo saber utilizar los recursos de protección al acceder a internet

41 Usando Wi-fi en casa uso clave para el acceso

42 Cada vez que inicio sesión con mi PC debo introducir mi password

43 Tengo activo un antivirus actualizado con regularidad

44 Tengo activo un firewall actualizado con regularidad

45 Elimino periódicamente los archivos temporales y cookies almacenados en

mi PC tras navegar por internet
46 Borro el Histórico de páginas visitadas o he determinado que almacene las
correspondientes el mínimo tiempo posible
47 Cuando envío un mail a varios destinatarios, algunas veces utilizo la copia
oculta
48 Cuando envío un mail a varios destinatarios, algunas veces direcciono a
todos de forma abierta para que sepan a quien se lo he enviado

358
 si no
49 Un usuario con conexión ADSL debe preocuparse por la seguridad

50 Una conexión inalámbrica con cifrado WEP tiene la misma seguridad que una
conexión a través de cable
51 Cuando uso Wi-fi en la conexión en mi domicilio, estoy en riesgo

52 Al usar Wi-fi en la conexión en el centro de trabajo/estudio, estoy en riesgo

53 El símbolo del candado que se ve en los sitios más serios de e-commerce

cuando doy los datos de mi tarjeta, me permiten hacer pagos seguros
54 Algunos programas informáticos de malware son inofensivos

55 La mayoría de los virus se diseñan para eliminar archivos y/o perjudicar

nuestro sistema operativo y/o acceder a información confidencial
56 Un virus puede mutar y recombinarse con otros originando nuevos virus

57 Casi todos los usuarios pueden formar parte de redes zombi

58 Los troyanos y el phising persiguen resultados similares

59 Algunos programas de adware (ejecución inmediata de publicidad) hacen un

seguimiento de las prácticas del usuario y acaban siendo spyware

359
ANEXO A2.1 - Resultados análisis segundo cuestionario piloto

Constructo “Atracción”, observado a través de las preguntas 28, 29 y 30, y que en el

primer ejercicio piloto nos daba una alfa de 0,835, por lo que no cambiamos nada,
obtenemos ahora:
Correlaciones
At1 At2 At3
**
At1 Correlación de Pearson 1 ,744 ,302
Sig. (bilateral) ,000 ,112
N 29 29 29
**
At2 Correlación de Pearson ,744 1 ,318
Sig. (bilateral) ,000 ,092
N 29 29 29
At3 Correlación de Pearson ,302 ,318 1
Sig. (bilateral) ,112 ,092
N 29 29 29
**. La correlación es significativa al nivel 0,01 (bilateral).

Con una fiabilidad:

Estadísticos de fiabilidad
Alfa de Cronbach
basada en los
elementos
Alfa de Cronbach tipificados N de elementos
,721 ,714 3

Mejorable hasta:

Estadísticos total-elemento
Media de la Varianza de la
escala si se escala si se Correlación Correlación Alfa de Cronbach
elimina el elimina el elemento-total múltiple al si se elimina el
elemento elemento corregida cuadrado elemento
At1 1,45 ,542 ,654 ,559 ,482
At2 1,31 ,579 ,677 ,564 ,460
At3 1,24 ,833 ,332 ,111 ,852

360
Con el análisis factorial obtengo:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,577
Prueba de esfericidad de Chi-cuadrado aproximado 24,190
Bartlett gl 3
Sig. ,000

Donde vemos que la variable At3 es menos significativa, pero válida:

Comunalidades
Inicial Extracción
At1 1,000 ,797
At2 1,000 ,807
At3 1,000 ,344
Método de extracción: Análisis de
Componentes principales.

Y con las otras dos variables se explica el 91% de la varianza.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
Componente Total % de la varianza % acumulado Total % de la varianza % acumulado
1 1,947 64,906 64,906 1,947 64,906 64,906
2 ,797 26,575 91,481
3 ,256 8,519 100,000
Método de extracción: Análisis de Componentes principales.

De hecho, ya vimos que la correlación de At3 con las otras dos es menor y que, incluso
eliminándola, subía el alfa de Cronbach hasta 0,852.

En resumen, definitivamente hay que dar por buena la redacción de las preguntas que
nos llevan a esos resultados.

361
Constructo “Confianza”,

Tras los primeros análisis descubrimos que la redacción de la pregunta 33 podía sugerir
las mismas respuestas para alumnos tanto “celosos” como “pasotas” respecto la variable
latente “Confianza” en la seguridad.

De hecho, excepto uno, los demás entre los que consideraban que no adoptaban
suficientes medidas de seguridad se manifestaban preocupados por ese constructo.

Y, por otra parte, también había una mayoría que consideraba que si adoptaba
suficientes medidas entre el resto de los que también se preocupaban.

Para mantener la coherencia habrá que redactarla como “prefiero”, o “me gusta”,
adoptar las máximas medidas de seguridad.

Tabla de contingencia Conf1 * Conf2 * Conf3

Recuento
Conf2
Conf3 0 1 Total
0 Conf1 0 1 0 1
1 0 10 10
Total 1 10 11
1 Conf1 0 2 2 4
1 3 11 14
Total 5 13 18
Total Conf1 0 3 2 5
1 3 21 24
Total 6 23 29

Las correlaciones entre las respuestas a las tres preguntas nos dan:

Matriz de correlaciones inter-elementos

Conf1 Conf2 Conf3
Conf1 1,000 ,443 -,169
Conf2 ,443 1,000 -,224
Conf3 -,169 -,224 1,000

362
donde observamos que las respuestas a la pregunta 3ª van con signo diferente a las otras.

La fiabilidad obtenida, eliminando esa variable:

Estadísticos total-elemento
Media de la Varianza de la
escala si se escala si se Correlación Correlación Alfa de Cronbach
elimina el elimina el elemento-total múltiple al si se elimina el
elemento elemento corregida cuadrado elemento
a
Conf1 1,41 ,323 ,175 ,201 -,565
a
Conf2 1,45 ,328 ,104 ,219 -,391
Conf3 1,62 ,458 -,232 ,056 ,613
a. El valor es negativo debido a una covarianza promedio entre los elementos negativos, lo cual
viola los supuestos del modelo de fiabilidad. Puede que desee comprobar las codificaciones de los
elementos.

El análisis factorial nos confirma el diferente signo que aporta la variable:

Matriz de
componentesa
Componente
1
Conf1 ,785
Conf2 ,814
Conf3 -,546

Si modificamos las respuestas de la 3ª variable, cambiándoles el signo, obtenemos:

Correlaciones
Conf1 Conf2 Conf3
*
Conf1 Correlación de Pearson 1 ,443 ,169
Sig. (bilateral) ,016 ,382
N 29 29 29
*
Conf2 Correlación de Pearson ,443 1 ,224
Sig. (bilateral) ,016 ,243
N 29 29 29
Conf3 Correlación de Pearson ,169 ,224 1
Sig. (bilateral) ,382 ,243
N 29 29 29
*. La correlación es significante al nivel 0,05 (bilateral).

363
Con una fiabilidad:

Estadísticos de fiabilidad
Alfa de Cronbach
basada en los
elementos
Alfa de Cronbach tipificados N de elementos
,517 ,537 3

En este caso, con el análisis factorial obtenemos:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,564
Prueba de esfericidad de Chi-cuadrado aproximado 7,226
Bartlett gl 3
Sig. ,065

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,577 52,561 52,561 1,577 52,561 52,561
2 ,870 29,011 81,572
3 ,553 18,428 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes
Componente
1
Conf1 ,785
Conf2 ,814
Conf3 ,546

364
Y si eliminamos esa 3ª variable entonces:

Estadísticos total-elemento
Media de la Varianza de la
escala si se escala si se Correlación Correlación Alfa de Cronbach
elimina el elimina el elemento-total múltiple al si se elimina el
elemento elemento corregida cuadrado elemento
Conf1 1,17 ,505 ,374 ,201 ,361
Conf2 1,21 ,456 ,416 ,219 ,281
Conf3 1,62 ,458 ,232 ,056 ,613

En el primer piloto nos habíamos quedado en un alfa de 0,234, así que cambiaremos la
forma de la redacción de esa tercera variable observable en la encuesta definitiva y, en
el resto del análisis del piloto, vamos a utilizarla con el “signo” cambiado.

365
Constructo “Estrés”, medido por las respuestas a las preguntas 34, 35 y 36 da los
siguientes valores:

Estadísticos de fiabilidad
Alfa de Cronbach
basada en los
elementos
Alfa de Cronbach tipificados N de elementos
,552 ,558 3

Similar al obtenido en el primer piloto (0,559) y en el que no hemos modificado

ninguna redacción. Mejorable hasta:

Estadísticos total-elemento
Media de la Varianza de la
escala si se escala si se Correlación Correlación Alfa de Cronbach
elimina el elimina el elemento-total múltiple al si se elimina el
elemento elemento corregida cuadrado elemento
St1 ,66 ,734 ,155 ,028 ,758
St2 ,93 ,567 ,466 ,373 ,287
St3 ,90 ,525 ,513 ,384 ,197

Correlaciones
St1 St2 St3
St1 Correlación de Pearson 1 ,110 ,168
Sig. (bilateral) ,571 ,385
N 29 29 29
**
St2 Correlación de Pearson ,110 1 ,611
Sig. (bilateral) ,571 ,000
N 29 29 29
**
St3 Correlación de Pearson ,168 ,611 1
Sig. (bilateral) ,385 ,000
N 29 29 29
**. La correlación es significativa al nivel 0,01 (bilateral).

366
Con el análisis factorial, encontramos los siguientes valores:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,520
Prueba de esfericidad de Chi-cuadrado aproximado 12,978
Bartlett gl 3
Sig. ,005

Matriz de
componentesa
Componente
1
St1 ,364
St2 ,868
St3 ,885

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,669 55,620 55,620 1,669 55,620 55,620
2 ,945 31,510 87,131
3 ,386 12,869 100,000

Así que la dejaremos tal cual está.

367
Constructo “Utilidad”:

Matriz de correlaciones inter-elementos

Ut1 Ut2 Ut3 Ut4
Ut1 1,000 -,096 -,207 ,462
Ut2 -,096 1,000 ,224 -,096
Ut3 -,207 ,224 1,000 ,083
Ut4 ,462 -,096 ,083 1,000

La correlación entre Ut1 y, Ut2 y Ut3 es negativa, y donde hay más alta correlación es
entre Ut1 y Ut4

Por otra parte, el análisis factorial de las cuatro variables nos indica 2 factores:

Matriz de componentes
rotadosa
Componente
1 2
Ut1 ,817 -,239
Ut2 -,108 ,701
Ut3 ,022 ,837
Ut4 ,883 ,110

Pero, eliminando Ut3 nos quedamos con un factor con los siguientes parámetros:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,518
Prueba de esfericidad de Chi-cuadrado aproximado 6,349
Bartlett gl 3
Sig. ,096

368
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,499 49,952 49,952 1,499 49,952 49,952
2 ,963 32,099 82,051
3 ,538 17,949 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes
Componente
1
Ut1 ,835
Ut2 -,322
Ut4 ,835

Como vemos que el signo de la aportación de Ut2 es negativo, cambiamos la

codificación de las respuestas por la complementaria, y lo tenemos en cuenta para dar la
redacción correspondiente, y obtenemos:

Estadísticos de fiabilidad
Alfa de
Cronbach
basada en los
Alfa de elementos
Cronbach tipificados N de elementos
,430 ,455 3

Con una muy baja correlación de Ut2:

Matriz de correlaciones inter-elementos

Ut1 Ut2 Ut4
Ut1 1,000 ,096 ,462
Ut2 ,096 1,000 ,096
Ut4 ,462 ,096 1,000

369
 KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,518
Prueba de esfericidad de Chi-cuadrado aproximado 6,349
Bartlett gl 3
Sig. ,096

Matriz de
a
componentes
Componente
1
Ut1 ,835
Ut2 ,322
Ut4 ,835

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,499 49,952 49,952 1,499 49,952 49,952
2 ,963 32,099 82,051
3 ,538 17,949 100,000
Método de extracción: Análisis de Componentes principales.

Que si la eliminamos, tendríamos:

Estadísticos total-elemento
Media de la Varianza de la Alfa de
escala si se escala si se Correlación Correlación Cronbach si se
elimina el elimina el elemento-total múltiple al elimina el
elemento elemento corregida cuadrado elemento
Ut1 1,04 ,184 ,353 ,216 ,173
Ut2 1,86 ,201 ,112 ,013 ,632
Ut4 1,04 ,184 ,353 ,216 ,173

370
 Correlaciones
Ut1 Ut4
Ut1 Correlación de Pearson 1 ,354
Sig. (bilateral) ,059
N 29 29
Ut4 Correlación de Pearson ,354 1
Sig. (bilateral) ,059
N 29 29

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,500
Prueba de esfericidad de Chi-cuadrado aproximado 3,557
Bartlett gl 1
Sig. ,059

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,354 67,720 67,720 1,354 67,720 67,720
2 ,646 32,280 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes
Componente
1
Ut1 ,823
Ut4 ,823

Para el resto del análisis de nuestro piloto utilizaremos estas dos variables.

371
ANEXO A3 - Cuestionario definitivo

Cuestionario global de la encuesta:

1. Edad:

(A continuación, marcar lo que proceda)

2. Hombre Mujer
Sexo:

3. RA
Vas a curso por año
o arrastras alguna asignatura (1 ó 2) de cursos anteriores
o arrastras varias asignaturas (3 ó más) de cursos anteriores

4. Me conecto a internet: UI
Casi de continuo
(Iphone, tablet,Ipad)
Ocasionalmente 1-2 veces / semana 3-5 días/semana todos los días

5. Respecto a contraseñas: AUP1

Tengo una password común Uso diferentes contraseñas para
No establezco contraseñas para la mayoría de accesos cada acceso (PC, ficheros, aplics.)

6., siguiendo con contraseñas, si las establezco: AUP2

suelo mantenerlas fijas las cambio anualmente, más o menos las cambio cada semestre o menos

372
7. y, habitualmente….. AUP3

Dejo que el navegador grabe la contraseña, para ir más rápido

Suelo usar contraseñas fáciles de recordar (nombres o iniciales, matrículas, DNI,

fechas de aniversario, teléfonos,…)
Prefiero usar contraseñas con mezcla de letras, números, signos de puntuación…,
no descriptivos de la opción anterior

8. Hago copias de seguridad de mis datos ABU1

Cada año, seleccionando Cada seis meses, De forma programada,

No he hecho nunca Al cambiar el PC ficheros seleccionando ficheros automáticamente

9. Respecto donde guardo las copias de seguridad de mis datos ABU2

En otras carpetas del En la propia red

No las suelo hacer disco del sistema En CD, DVD, pendrive En disco externo (Cloud computing)

10. Mientras hago mis trabajos… ABU3

No hago copias de seguridad, tengo confianza en el sistema

Hago una copia cuando lo he terminado
Hago una copia tras cada actualización a la que he dedicado gran esfuerzo
Hago una copia tras cada actualización, aunque haya sido sencilla
Tengo un sistema automático de actualización

11. Protejo el acceso a mi PC y/o a ficheros del mismo a través de: A1

No necesito protecciones, se trata de mi PC

Utilizo una password para acceder a la sesión
Utilizo claves para los distintos accesos (PC, ficheros…)

12. Cuando recibo un mail de remitente desconocido… A2

Lo abro para enterarme de lo que pretenden

Abro los posibles archivos para examinar su contenido
Guardo los posibles archivos para examinarlos más tarde
Lo marco como spam
Lo elimino directamente

373
13. En general, me entero de las últimas vulnerabilidades en seguridad a través de:
A3
No suelo mostrar interés
Compañeros, amigos
Medios de comunicación
Webs personalizadas (compañías de sw, inteco, ministerios…), revistas técnicas
Avisos de la Universidad

14. En relación con el uso de internet, dirías que usas internet para Información
sobre noticias de actualidad, Formación, Comunicarme (correo, foros, chatts…),
Compra-venta, Transacciones bancarias, Información de ofertas comerciales,
Entretenimientos multimedia (escuchar / ver vídeos, música online, películas,
descarga de libros…)… AW1

no, nunca alguna vez suelo hacerlo frecuentemente siempre

15. En relación con el uso de internet, dirías que usas internet para
Entretenimiento multimedia (subir vídeos, música), participar en juegos on-line,
tengo un blog actualizado, soy usuario de wikis.… AW2

no, nunca alguna vez suelo hacerlo frecuentemente siempre

16. Has hecho, o sueles hacer, compras a través de internet de viajes (billetes,
hoteles, alquiler de coches…), entradas de espectáculos (cine, teatro, concierto….),
adquisición de libros, ropa, electrónica, alimentación, hogar…. AW3

no, nunca alguna vez suelo hacerlo frecuentemente siempre

374
Dinos tu opinión sobre estos conceptos: P1 – P11
si no
17 Un usuario con conexión ADSL debe preocuparse por la seguridad

18 Una conexión inalámbrica con cifrado WEP tiene la misma seguridad que una
conexión a través de cable
19 Cuando uso Wi-fi en la conexión en mi domicilio, estoy en riesgo

20 Al usar Wi-fi en la conexión en el centro de trabajo/estudio, estoy en riesgo

21 El símbolo del candado que se ve en los sitios más serios de e-commerce

cuando doy los datos de mi tarjeta, me permiten hacer pagos seguros
22 Algunos programas informáticos de malware son inofensivos

23 La mayoría de los virus se diseñan para eliminar archivos y/o perjudicar

nuestro sistema operativo y/o acceder a información confidencial
24 Un virus puede mutar y recombinarse con otros originando nuevos virus

25 Casi todos los usuarios pueden formar parte de redes zombi

26 Los troyanos y el phising persiguen resultados similares

27 Algunos programas de adware (ejecución inmediata de publicidad) hacen un

seguimiento de las prácticas del usuario y acaban siendo spyware

Respecto las Redes sociales…(si no eres usuario de ninguna, pasa a la pregunta

39)

28. Con referencia a la dedicación, me conecto: URS1

Ocasionalmente 1-2 veces / semana 3-5 días/semana todos los días casi continuamente

29. el motivo de darme de alta, inicialmente, fue por: URS2

novedad, estar “a la última”

recomendado por algunos amigos, para comunicarnos
encontrar nuevas relaciones
observar, ver lo que se dice
otras razones (especificar)

375
30. Con referencia a las condiciones de registro AURS3

Acepté sin leerlas, entendiendo que son estándar

Las acepté previamente y, cuando me familiaricé, las adapté a mi perfil
Estudié los aspectos más relevantes y, tras adaptarlos a mis gustos, las acepté
Me las leí y, tras adaptarlas a mis gustos en su totalidad, las acepté
No me di de alta porque no me gustaron

En este tipo de foro, URS4 – URS8

Si No
31 Soy usuario de Facebook, Twitter, Tuenti….en ámbitos familiar y de amistad
32 Soy usuario de Linkedin, Facebook, ….en ámbito profesional
33 Limito determinados accesos a mi información
34 Tengo identidades diferentes para según qué tipo de relación
35 Participo activamente, no me limito a observar

36. Respecto tu actividad, usas tu verdadero nombre e incluyes tus datos

(fotografía, dirección, teléfono, profesión, curriculum, edad, lista de amigos…) en
tu perfil, y te expresas libremente manifestando tus aficiones (deportes, cine,
música, lectura….) AURS9
no, nunca alguna vez suelo hacerlo frecuentemente siempre

37. Compartes fotos/vídeos de acontecimientos personales (fiestas, viajes, bodas,

cumpleaños…) así como composiciones propias (dibujos, música, textos, diseños…)
AURS10
no, nunca alguna vez suelo hacerlo frecuentemente siempre

38. Te expresas libremente manifestando tus puntos de vista sobre asuntos

políticos, religiosos, relaciones familiares, de amistad, laborales, sexuales…
AURS11
no, nunca alguna vez suelo hacerlo frecuentemente siempre

376
Seguridad en las TICs:

Indique valoración en escala de 1 a 5, de forma que:

1=Totalmente en desacuerdo 2=Más bien, en desacuerdo 3=Indiferente
4=Más bien de acuerdo 5=Totalmente de acuerdo

39 Me gusta hablar con otros de seguridad At1

40 Si tuviera oportunidad me inscribiría en cursos de seguridad
41 Siento curiosidad por las noticias sobre seguridad
42 Estudiar sobre seguridad es entretenido
43 Me gustaría dedicar más tiempo a aprender temas de seguridad At5
44 Saber seguridad incrementa mis posibilidades de navegar tranquilo C1
45 Me alegra poder resolver dificultades de seguridad
46 Soy capaz de ayudar a otros a resolver muchos de sus problemas de seguridad
47 Me gusta adoptar suficientes medidas de seguridad
48 Si me lo propongo puedo dominar bien los aspectos sobre seguridad C5
49 Estoy preocupado por los riesgos de seguridad E1
50 Me altero cuando tengo que resolver un problema de seguridad
51 Me siento incapaz de comprender algunas cuestiones sobre seguridad
52 Tengo que encontrar más tiempo para implementar temas de seguridad
53 Si me surge un problema de seguridad debo buscar ayuda E5
54 La seguridad es muy necesaria para mi actividad personal U1
55 La seguridad es muy necesaria para mi actividad profesional
56 Los conocimientos sobre seguridad deben ser previos al uso de PC´s
57 Debo saber utilizar los recursos de protección al navegar por internet
58 Debo saber utilizar los recursos de seguridad al navegar por redes sociales U5
59 Usando Wi-fi en casa uso clave para el acceso A4
60 Cada vez que inicio sesión con mi PC introduzco mi password A5
61 Tengo activo un antivirus actualizado con regularidad A6
62 Tengo activo un firewall actualizado con regularidad A7
63 Elimino periódicamente los archivos temporales y cookies almacenados en mi
PC tras navegar por internet A8
64 Borro el Histórico de páginas visitadas o he determinado que almacene las
correspondientes el mínimo tiempo posible A9
65 Cuando envío un mail a varios destinatarios, la mayor parte de las veces utilizo
la copia oculta A10
66 Cuando envío un mail a varios destinatarios, casi siempre direcciono a todos de
forma abierta para que sepan a quien se lo he enviado A11

377
ANEXO A3.1 - Resultados cuestionario definitivo (curso 2011-12)

Edad
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 19 40 19,6 19,6 19,6
20 52 25,5 25,5 45,1
21 28 13,7 13,7 58,8
22 19 9,3 9,3 68,1
23 23 11,3 11,3 79,4
24 11 5,4 5,4 84,8
25 6 2,9 2,9 87,7
26 8 3,9 3,9 91,7
27 2 1,0 1,0 92,6
29 1 ,5 ,5 93,1
30 4 2,0 2,0 95,1
31 2 1,0 1,0 96,1
32 1 ,5 ,5 96,6
34 1 ,5 ,5 97,1
36 1 ,5 ,5 97,5
37 2 1,0 1,0 98,5
44 1 ,5 ,5 99,0
48 1 ,5 ,5 99,5
55 1 ,5 ,5 100,0
Total 204 100,0 100,0

378
 Sexo
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 180 88,2 88,2 88,2
2 24 11,8 11,8 100,0
Total 204 100,0 100,0

RA
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 117 57,4 57,6 57,6
2 58 28,4 28,6 86,2
3 28 13,7 13,8 100,0
Total 203 99,5 100,0
Perdidos Sistema 1 ,5
Total 204 100,0

379
Contraseñas:
AUP1
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 2 1,0 1,0 1,0
2 73 35,8 35,8 36,8
3 129 63,2 63,2 100,0
Total 204 100,0 100,0

Salvo dos “temerarios”, la mayoría usa diferentes contraseñas, aunque muchos usan la
misma

380
 AUP2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 148 72,5 72,9 72,9
2 45 22,1 22,2 95,1
3 10 4,9 4,9 100,0
Total 203 99,5 100,0
Perdidos Sistema 1 ,5
Total 204 100,0

La inmensa mayoría las mantiene fijas en el tiempo

381
 AUP3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 55 27,0 27,0 27,0
2 17 8,3 8,3 35,3
3 132 64,7 64,7 100,0
Total 204 100,0 100,0

Y, aunque no usan combinaciones fáciles de identificar, un porcentaje alto (27,3%) deja

que las grabe el navegador. Queda un 64% de más precavidos.

382
 Tabla de contingencia AUP1 * AUP2 * AUP3
Recuento
AUP2
AUP3 1 2 3 Total
1 AUP1 2 21 7 28
3 18 9 27
Total 39 16 55
2 AUP1 2 8 0 0 8
3 6 2 1 9
Total 14 2 1 17
3 AUP1 1 1 0 0 1
2 31 6 0 37
3 63 21 9 93
Total 95 27 9 131
Total AUP1 1 1 0 0 1
2 60 13 0 73
3 87 32 10 129
Total 148 45 10 203

383
 A1
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 67 32,8 32,8 32,8
2 122 59,8 59,8 92,6
3 15 7,4 7,4 100,0
Total 204 100,0 100,0

Tampoco son cuidadosos con la necesidad de usar claves para acceder al PC. Solo el 7%
utilizan diversas claves para distintos accesos y el 60% usa una clave general. El 33%
no utiliza ninguna protección.

384
 A2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 39 19,1 19,1 19,1
2 4 2,0 2,0 21,1
3 5 2,5 2,5 23,5
4 33 16,2 16,2 39,7
5 123 60,3 60,3 100,0
Total 204 100,0 100,0

A3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 33 16,2 16,2 16,2
2 52 25,5 25,5 41,7
3 58 28,4 28,4 70,1
4 59 28,9 28,9 99,0
5 2 1,0 1,0 100,0
Total 204 100,0 100,0

Sin embargo, hay correlaciones significativas entre las siguientes variables con cinco
alternativas de respuesta:

385
 ABU1

Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 30 14,7 14,7 14,7
2 68 33,3 33,3 48,0
3 43 21,1 21,1 69,1
4 37 18,1 18,1 87,3
5 26 12,7 12,7 100,0
Total 204 100,0 100,0

386
 ABU2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 29 14,2 14,2 14,2
2 10 4,9 4,9 19,1
3 35 17,2 17,2 36,3
4 117 57,4 57,4 93,6
5 13 6,4 6,4 100,0
Total 204 100,0 100,0

387
 ABU3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 36 17,6 17,6 17,6
2 34 16,7 16,7 34,3
3 64 31,4 31,4 65,7
4 51 25,0 25,0 90,7
5 19 9,3 9,3 100,0
Total 204 100,0 100,0

388
ABU1 con ABU2 (copias de seguridad)

Correlaciones
ABU1 ABU2
ABU1 Correlación de Pearson 1 ,554**
Sig. (bilateral) ,000
N 204 204
**
ABU2 Correlación de Pearson ,554 1
Sig. (bilateral) ,000
N 204 204
**. La correlación es significativa al nivel 0,01 (bilateral).

Tabla de contingencia ABU1 * ABU2

ABU2
1 2 3 4 5 Total
ABU1 1 Recuento 25 1 1 3 0 30
% dentro de ABU1 83,3% 3,3% 3,3% 10,0% ,0% 100,0%
2 Recuento 3 4 19 40 2 68
% dentro de ABU1 4,4% 5,9% 27,9% 58,8% 2,9% 100,0%
3 Recuento 1 3 8 28 3 43
% dentro de ABU1 2,3% 7,0% 18,6% 65,1% 7,0% 100,0%
4 Recuento 0 0 5 30 2 37
% dentro de ABU1 ,0% ,0% 13,5% 81,1% 5,4% 100,0%
5 Recuento 0 2 2 16 6 26
% dentro de ABU1 ,0% 7,7% 7,7% 61,5% 23,1% 100,0%
Total Recuento 29 10 35 117 13 204
% dentro de ABU1 14,2% 4,9% 17,2% 57,4% 6,4% 100,0%

Nada menos que un 15% de los alumnos de “Informática” no hecho nunca copias de
seguridad de sus datos. Y otro 5% que si lo hacen lo almacenan en el mismo disco del
sistema.

Con alta significatividad:

389
 Pruebas de chi-cuadrado
Sig. asintótica
Valor gl (bilateral)
a
Chi-cuadrado de Pearson 161,732 16 ,000
Razón de verosimilitudes 127,264 16 ,000
Asociación lineal por lineal 62,215 1 ,000
N de casos válidos 204
a. 13 casillas (52,0%) tienen una frecuencia esperada inferior a 5. La
frecuencia mínima esperada es 1,27.

390
 Tabla de contingencia ABU3 * ABU2 * ABU1
Recuento
ABU2
ABU1 1 2 3 4 5 Total
1 ABU3 1 9 0 1 0 10
2 3 0 0 1 4
3 7 1 0 2 10
4 3 0 0 0 3
5 3 0 0 0 3
Total 25 1 1 3 30
2 ABU3 1 1 0 3 7 1 12
2 0 1 1 11 0 13
3 2 2 7 8 0 19
4 0 1 7 12 1 21
5 0 0 1 2 0 3
Total 3 4 19 40 2 68
3 ABU3 1 1 0 1 3 0 5
2 0 1 1 7 0 9
3 0 0 6 8 1 15
4 0 1 0 10 0 11
5 0 1 0 0 2 3
Total 1 3 8 28 3 43
4 ABU3 1 2 4 0 6
2 0 6 0 6
3 2 11 1 14
4 1 7 1 9
5 0 2 0 2
Total 5 30 2 37
5 ABU3 1 0 0 3 0 3
2 0 0 1 1 2
3 1 1 3 1 6
4 1 1 4 1 7
5 0 0 5 3 8
Total 2 2 16 6 26
Total ABU3 1 11 0 7 17 1 36
2 3 2 2 26 1 34
3 9 4 16 32 3 64
4 3 3 9 33 3 51
5 3 1 1 9 5 19
Total 29 10 35 117 13 204

391
AW1 con AW2 y AW3 (tipo de actividad en internet)

Correlaciones
AW1 AW2 AW3
**
Rho de Spearman AW1 Coeficiente de correlación 1,000 ,298 ,310**
Sig. (bilateral) . ,000 ,000
N 204 204 204
**
AW2 Coeficiente de correlación ,298 1,000 ,317**
Sig. (bilateral) ,000 . ,000
N 204 205 205
** **
AW3 Coeficiente de correlación ,310 ,317 1,000
Sig. (bilateral) ,000 ,000 .
N 204 204 204
**. La correlación es significativa al nivel 0,01 (bilateral).

AW1
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 2 1,0 1,0 1,0
2 14 6,9 6,9 7,9
3 15 7,4 7,4 15,3
4 82 40,2 40,4 55,7
5 90 44,1 44,3 100,0
Total 203 99,5 100,0
Perdidos Sistema 1 ,5
Total 204 100,0

AW2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 9 4,4 4,4 4,4
2 39 19,1 19,1 23,5
3 31 15,2 15,2 38,7
4 66 32,4 32,4 71,1
5 59 28,9 28,9 100,0
Total 204 100,0 100,0

392
 AW3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 28 13,7 13,7 13,7
2 101 49,5 49,5 63,2
3 47 23,0 23,0 86,3
4 20 9,8 9,8 96,1
5 8 3,9 3,9 100,0
Total 204 100,0 100,0

URS1, con AURS9, con AURS10 y AURS11 (tipo de actividad en redes sociales)

Con respecto a la actividad en redes sociales, tenemos:

AURS9
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 25 12,3 12,3 12,3
2 78 38,2 38,2 50,5
3 52 25,5 25,5 76,0
4 33 16,2 16,2 92,2
5 16 7,8 7,8 100,0
Total 204 100,0 100,0

AURS10
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 34 16,7 16,7 16,7
2 78 38,2 38,4 55,2
3 51 25,0 25,1 80,3
4 30 14,7 14,8 95,1
5 10 4,9 4,9 100,0
Total 203 99,5 100,0
Perdidos Sistema 1 ,5
Total 204 100,0

393
 AURS11
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 51 25,0 25,0 25,0
2 61 29,9 29,9 54,9
3 44 21,6 21,6 76,5
4 22 10,8 10,8 87,3
5 26 12,7 12,7 100,0
Total 204 100,0 100,0

Correlaciones
AURS9 AURS10 AURS11
**
AURS9 Correlación de Pearson 1 ,560 ,422**
Sig. (bilateral) ,000 ,000
N 204 203 204
**
AURS10 Correlación de Pearson ,560 1 ,369**
Sig. (bilateral) ,000 ,000
N 203 203 203
AURS11 Correlación de Pearson ,422** ,369** 1
Sig. (bilateral) ,000 ,000
N 204 203 204
**. La correlación es significativa al nivel 0,01 (bilateral).
Las correlaciones son altas.

Tabla de contingencia AURS9 * AURS10

AURS10
1 2 3 4 5 Total
AURS9 1 Recuento 17 5 2 1 0 25
% dentro de AURS9 68,0% 20,0% 8,0% 4,0% ,0% 100,0%
2 Recuento 14 41 17 6 0 78
% dentro de AURS9 17,9% 52,6% 21,8% 7,7% ,0% 100,0%
3 Recuento 1 20 20 10 0 51
% dentro de AURS9 2,0% 39,2% 39,2% 19,6% ,0% 100,0%
4 Recuento 1 9 10 10 3 33
% dentro de AURS9 3,0% 27,3% 30,3% 30,3% 9,1% 100,0%
5 Recuento 1 3 2 3 7 16
% dentro de AURS9 6,3% 18,8% 12,5% 18,8% 43,8% 100,0%
Total Recuento 34 78 51 30 10 203
% dentro de AURS9 16,7% 38,4% 25,1% 14,8% 4,9% 100,0%

394
 Pruebas de chi-cuadrado
Sig. asintótica
Valor gl (bilateral)
a
Chi-cuadrado de Pearson 136,988 16 ,000
Razón de verosimilitudes 104,011 16 ,000
Asociación lineal por lineal 63,305 1 ,000
N de casos válidos 203
a. 11 casillas (44,0%) tienen una frecuencia esperada inferior a 5. La
frecuencia mínima esperada es ,79.

Claro que, más de un 20%, deja “al libre albedrío” el uso de sus trabajos personales.

Todo con una alta correspondencia.

395
Pasa lo mismo cuando comparamos con la actividad más peligrosa:

Tabla de contingencia AURS10 * AURS11

AURS11
1 2 3 4 5 Total
AURS10 1 Recuento 17 11 3 1 2 34
% dentro de AURS10 50,0% 32,4% 8,8% 2,9% 5,9% 100,0%
2 Recuento 22 26 18 8 5 79
% dentro de AURS10 27,8% 32,9% 22,8% 10,1% 6,3% 100,0%
3 Recuento 9 10 20 5 7 51
% dentro de AURS10 17,6% 19,6% 39,2% 9,8% 13,7% 100,0%
4 Recuento 3 11 2 7 7 30
% dentro de AURS10 10,0% 36,7% 6,7% 23,3% 23,3% 100,0%
5 Recuento 0 4 0 1 5 10
% dentro de AURS10 ,0% 40,0% ,0% 10,0% 50,0% 100,0%
Total Recuento 51 62 43 22 26 204
% dentro de AURS10 25,0% 30,4% 21,1% 10,8% 12,7% 100,0%

Donde vemos que un 45% de los alumnos no tienen perjuicios en contar sus
“intimidades” a través de las redes sociales.

396
Con una significatividad alta entre ambas medidas de actividad:

Pruebas de chi-cuadrado
Sig. asintótica
Valor gl (bilateral)
a
Chi-cuadrado de Pearson 57,244 16 ,000
Razón de verosimilitudes 56,606 16 ,000
Asociación lineal por lineal 27,724 1 ,000
N de casos válidos 204

AURS3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 126 61,8 61,8 61,8
2 40 19,6 19,6 81,4
3 22 10,8 10,8 92,2
4 10 4,9 4,9 97,1
5 6 2,9 2,9 100,0
Total 204 100,0 100,0

Y, para Correlaciones en temas más generales de seguridad

Correlaciones
A3 A4 A5 A6 A7 A8 A9
** * * ** **
A3 Correlación de Pearson 1 ,272 ,166 ,164 ,199 ,310 ,229**
Sig. (bilateral) ,000 ,018 ,019 ,004 ,000 ,001
N 204 203 204 204 204 204 204
** ** ** ** ** **
A4 Correlación de Pearson ,272 1 ,212 ,264 ,305 ,287 ,233
Sig. (bilateral) ,000 ,002 ,000 ,000 ,000 ,001
N 203 203 203 203 203 203 203
* ** * ** * *
A5 Correlación de Pearson ,166 ,212 1 ,162 ,236 ,164 ,141
Sig. (bilateral) ,018 ,002 ,020 ,001 ,019 ,044
N 204 203 204 204 204 204 204
* ** * ** ** **
A6 Correlación de Pearson ,164 ,264 ,162 1 ,637 ,365 ,378
Sig. (bilateral) ,019 ,000 ,020 ,000 ,000 ,000
N 204 203 204 204 204 204 204
** ** ** ** **
A7 Correlación de Pearson ,199 ,305 ,236 ,637 1 ,337 ,259**
Sig. (bilateral) ,004 ,000 ,001 ,000 ,000 ,000
N 204 203 204 204 204 204 204
** ** * ** ** **
A8 Correlación de Pearson ,310 ,287 ,164 ,365 ,337 1 ,754
Sig. (bilateral) ,000 ,000 ,019 ,000 ,000 ,000
N 204 203 204 204 204 204 204

397
 ** ** * ** ** **
A9 Correlación de Pearson ,229 ,233 ,141 ,378 ,259 ,754 1
Sig. (bilateral) ,001 ,001 ,044 ,000 ,000 ,000
N 204 203 204 204 204 204 204
**. La correlación es significativa al nivel 0,01 (bilateral).
*. La correlación es significante al nivel 0,05 (bilateral).

Así pues, tenemos los posibles factoriales siguientes:

ABU1 con ABU2

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,500
Prueba de esfericidad de Chi-cuadrado aproximado 73,743
Bartlett gl 1
Sig. ,000

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,554 77,680 77,680 1,554 77,680 77,680
2 ,446 22,320 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes
Componente
1
ABU1 ,881
ABU2 ,881
Método de extracción:
Análisis de
componentes
principales.
a. 1 componentes
extraídos

398
 Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,711 2

AW1 con AW2 y AW3

KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,625
Prueba de esfericidad de Chi-cuadrado aproximado 53,367
Bartlett gl 3
Sig. ,000
Comunalidades
Inicial Extracción
AW1 1,000 ,517
AW2 1,000 ,514
AW3 1,000 ,591

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,621 54,049 54,049 1,621 54,049 54,049
2 ,735 24,492 78,541
3 ,644 21,459 100,000

Matriz de
componentesa
Componente
1
AW1 ,719
AW2 ,717
AW3 ,769

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,565 3

399
Escasa de porcentaje de explicación de varianza y bajo Cronbach. De hecho, las propias
correlaciones eran muy “justitas”.

URS1, con AURS9, con AURS10 y AURS11

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,712
Prueba de esfericidad de Chi-cuadrado aproximado 172,269
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
URS1 1,000 ,452
AURS9 1,000 ,621
AURS10 1,000 ,669
AURS11 1,000 ,478
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,221 55,516 55,516 2,221 55,516 55,516
2 ,726 18,158 73,673
3 ,651 16,267 89,940
4 ,402 10,060 100,000

Quitando URS1

a
Matriz de componentes
Componente
1
AURS9 ,843
AURS10 ,817
AURS11 ,726
Método de extracción:
Análisis de componentes
principales.
a. 1 componentes
extraídos

400
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,905 63,508 63,508 1,905 63,508 63,508
2 ,659 21,980 85,488
3 ,435 14,512 100,000
Método de extracción: Análisis de Componentes principales.

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,649
Prueba de esfericidad de Chi-cuadrado aproximado 120,776
Bartlett gl 3
Sig. ,000

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,701 3

Con A3, 4, 5, 6, 7, 8, 9

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,684
Prueba de esfericidad de Chi-cuadrado aproximado 389,994
Bartlett gl 21
Sig. ,000

Comunalidades
Inicial Extracción
A3 1,000 ,239
A4 1,000 ,387
A5 1,000 ,354
A6 1,000 ,569
A7 1,000 ,662
A8 1,000 ,851
A9 1,000 ,845

401
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,826 40,373 40,373 2,826 40,373 40,373
2 1,080 15,428 55,801 1,080 15,428 55,801
3 ,994 14,202 70,003
4 ,827 11,816 81,819
5 ,685 9,785 91,603
6 ,361 5,160 96,764
7 ,227 3,236 100,000

Quitando, inicialmente, A3 por su escasa contribución:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,659
Prueba de esfericidad de Chi-cuadrado aproximado 358,305
Bartlett gl 15
Sig. ,000
Comunalidades
Inicial Extracción
A4 1,000 ,368
A5 1,000 ,352
A6 1,000 ,611
A7 1,000 ,688
A8 1,000 ,852
A9 1,000 ,868
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,658 44,306 44,306 2,658 44,306 44,306
2 1,080 18,000 62,305 1,080 18,000 62,305
3 ,905 15,079 77,384
4 ,764 12,729 90,113
5 ,364 6,069 96,183
6 ,229 3,817 100,000

Está claro que sobran también A4 y 5. Entonces:

402
 KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,600
Prueba de esfericidad de Chi-cuadrado aproximado 313,145
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
A6 1,000 ,807
A7 1,000 ,837
A8 1,000 ,870
A9 1,000 ,885
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,375 59,380 59,380 2,375 59,380 59,380
2 1,023 25,582 84,962 1,023 25,582 84,962
3 ,373 9,335 94,297
4 ,228 5,703 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de componentes
rotadosa
Componente
1 2
A6 ,244 ,864
A7 ,129 ,906
A8 ,907 ,218
A9 ,927 ,160
Método de rotación:
Normalización Varimax con
Kaiser.
a. La rotación ha convergido en
3 iteraciones.

403
 Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,769 4

Se forman dos factores, agrupándose A6 con A7 y A8 con A9, explicando el 85% de la

varianza, y con KMO de 0,7 y Alfa de 0,77.

En resumen, tras ver las correlaciones, podemos factorizar entre:

ABU1 y ABU2

AURS9, 10 y 11

A6 con A7

A8 con A9

De hecho, si los agrupamos, obtenemos los siguientes resultados:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,612
Prueba de esfericidad de Chi-cuadrado aproximado 533,070
Bartlett gl 36
Sig. ,000

Comunalidades
Inicial Extracción
ABU1 1,000 ,785
ABU2 1,000 ,772
AURS9 1,000 ,718
AURS10 1,000 ,668
AURS11 1,000 ,531
A6 1,000 ,827
A7 1,000 ,842
A8 1,000 ,867
A9 1,000 ,892

404
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,574 28,602 28,602 2,574 28,602 28,602
2 1,924 21,382 49,984 1,924 21,382 49,984
3 1,381 15,343 65,326 1,381 15,343 65,326
4 1,021 11,345 76,671 1,021 11,345 76,671
5 ,655 7,273 83,944
6 ,463 5,147 89,091
7 ,427 4,746 93,837
8 ,331 3,679 97,515
9 ,224 2,485 100,000

a
Matriz de componentes rotados
Componente
1 2 3 4
ABU1 -,020 ,101 ,031 ,880
ABU2 ,009 ,062 ,106 ,870
AURS9 ,847 ,016 -,007 -,006
AURS10 ,816 -,030 -,007 -,019
AURS11 ,725 ,065 ,009 ,014
A6 -,082 ,253 ,869 ,003
A7 ,073 ,117 ,895 ,145
A8 ,047 ,891 ,210 ,165
A9 ,015 ,930 ,159 ,028

Que se asocian tal y como habíamos establecido.

Con un alfa de Cronbach aceptable

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,648 9

405
Todos juntos:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,611
Prueba de esfericidad de Chi-cuadrado aproximado 528,869
Bartlett gl 36
Sig. ,000

Comunalidades
Inicial Extracción
ABU1 1,000 ,782
ABU2 1,000 ,769
AURS9 1,000 ,718
AURS10 1,000 ,667
AURS11 1,000 ,530
A6 1,000 ,827
A7 1,000 ,842
A8 1,000 ,868
A9 1,000 ,892
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,567 28,522 28,522 2,567 28,522 28,522
2 1,927 21,416 49,938 1,927 21,416 49,938
3 1,380 15,333 65,272 1,380 15,333 65,272
4 1,020 11,332 76,604 1,020 11,332 76,604
5 ,655 7,279 83,883
6 ,469 5,211 89,094
7 ,427 4,746 93,839
8 ,332 3,690 97,530
9 ,222 2,470 100,000
Método de extracción: Análisis de Componentes principales.

406
 a
Matriz de componentes rotados
Componente
1 2 3 4
ABU1 -,022 ,101 ,029 ,878
ABU2 ,003 ,063 ,102 ,869
AURS9 ,847 ,018 -,012 -,020
AURS10 ,816 -,030 -,007 -,019
AURS11 ,725 ,063 ,010 ,016
A6 -,086 ,254 ,869 -,002
A7 ,072 ,117 ,896 ,144
A8 ,044 ,892 ,209 ,161
A9 ,017 ,930 ,161 ,032
Método de rotación: Normalización Varimax con Kaiser.
a. La rotación ha convergido en 5 iteraciones.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,644 9

Quedan, pues, correlacionadas actuaciones sobre: copias de seguridad, actividad en

redes sociales, disponibilidad de protecciones (antivirus-firewall), y “rastros” de
actividad en el PC (archivos temporales, cookies, histórico), que definen el constructo
“actividad” real que llevan a cabo los encuestados, incorporando cuatro nuevas
variables (fac1, 2, 3 y 4) en la hoja excel que son el resumen de las otras 9 variables que
fueron su origen. El valor que cada individuo, o sujeto de la muestra, toma en cada uno
de los factores que representan a las variables originales, es la puntuación factorial,
puesto que, en regresión trabajo con todas las variables o con los factores que las
representan.

407
Tablas de frecuencia

A6
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 19 9,3 9,3 9,3
2 13 6,4 6,4 15,7
3 12 5,9 5,9 21,6
4 47 23,0 23,0 44,6
5 113 55,4 55,4 100,0
Total 204 100,0 100,0
A7
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 20 9,8 9,8 9,8
2 12 5,9 5,9 15,7
3 36 17,6 17,6 33,3
4 50 24,5 24,5 57,8
5 86 42,2 42,2 100,0
Total 204 100,0 100,0
A8
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 9 4,4 4,4 4,4
2 28 13,7 13,7 18,1
3 39 19,1 19,1 37,3
4 58 28,4 28,4 65,7
5 70 34,3 34,3 100,0
Total 204 100,0 100,0
A9
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 13 6,4 6,4 6,4
2 22 10,8 10,8 17,2
3 47 23,0 23,0 40,2
4 65 31,9 31,9 72,1
5 57 27,9 27,9 100,0
Total 204 100,0 100,0

408
ANEXO A3.2 - Resultados cuestionario definitivo (curso 2012-13)

Contraseñas:

AUP1
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 4 2,1 2,1 2,1
2 79 41,1 41,1 43,2
3 109 56,8 56,8 100,0
Total 192 100,0 100,0

Estadísticos
AUP1
N Válidos 192
Perdidos 0
Media 2,55

El 2% no tiene passwords para sus accesos y el 41% tiene la misma. Media=2,55,

debería 3

AUP2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 133 69,3 69,6 69,6
2 47 24,5 24,6 94,2
3 11 5,7 5,8 100,0
Total 191 99,5 100,0
Perdidos Sistema 1 ,5
Total 192 100,0

Estadísticos
AUP2
N Válidos 191
Perdidos 1
Media 1,36

El 70% las mantiene fijas. Media= 1,36 cuando debería  3

409
 AUP3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 42 21,9 21,9 21,9
2 19 9,9 9,9 31,8
3 131 68,2 68,2 100,0
Total 192 100,0 100,0

Estadísticos
AUP3
N Válidos 192
Perdidos 0
Media 2,46

El 22% deja que el navegador grabe sus contraseñas. Media=2,46, debería  3

A1
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 65 33,9 34,0 34,0
2 113 58,9 59,2 93,2
3 13 6,8 6,8 100,0
Total 191 99,5 100,0
Perdidos Sistema 1 ,5
Total 192 100,0

Estadísticos
A1
N Válidos 191
Perdidos 1
Media 1,73

El 34% no usa password para acceder a la sesión de su PC. Solo el 6,8% usa diferentes
claves para distintos accesos. Media=1,73, debería  3

410
 Tabla de contingencia AUP1 * AUP2 * AUP3
Recuento
AUP2
AUP3 1 2 3 Total
1 AUP1 1 2 0 2
2 15 3 18
3 18 4 22
Total 35 7 42
2 AUP1 2 13 1 14
3 5 0 5
Total 18 1 19
3 AUP1 1 2 0 0 2
2 32 13 2 47
3 46 27 8 81
Total 80 40 10 130
Total AUP1 1 4 0 0 4
2 60 16 3 79
3 69 31 8 108
Total 133 47 11 191

Con respecto a copias de seguridad:

ABU1
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 24 12,5 12,5 12,5
2 62 32,3 32,3 44,8
3 35 18,2 18,2 63,0
4 39 20,3 20,3 83,3
5 32 16,7 16,7 100,0
Total 192 100,0 100,0

El 13% no ha hecho nunca copias de seguridad de sus datos.

411
 ABU2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 29 15,1 15,1 15,1
2 7 3,6 3,6 18,8
3 24 12,5 12,5 31,3
4 108 56,3 56,3 87,5
5 24 12,5 12,5 100,0
Total 192 100,0 100,0

Correlaciones
ABU1 ABU2
ABU1 Correlación de Pearson 1 ,581**
Sig. (bilateral) ,000
N 192 192
**
ABU2 Correlación de Pearson ,581 1
Sig. (bilateral) ,000
N 192 192
**. La correlación es significativa al nivel 0,01 (bilateral).

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,500
Prueba de esfericidad de Chi-cuadrado aproximado 77,947
Bartlett gl 1
Sig. ,000

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,581 79,036 79,036 1,581 79,036 79,036
2 ,419 20,964 100,000
Método de extracción: Análisis de Componentes principales.

412
 Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,734 2

A2
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 38 19,8 19,8 19,8
2 7 3,6 3,6 23,4
3 13 6,8 6,8 30,2
4 46 24,0 24,0 54,2
5 88 45,8 45,8 100,0
Total 192 100,0 100,0

Un 20% abre los correos de desconocidos para enterarse del contenido.

A3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 28 14,6 14,7 14,7
2 59 30,7 30,9 45,5
3 43 22,4 22,5 68,1
4 57 29,7 29,8 97,9
5 4 2,1 2,1 100,0
Total 191 99,5 100,0
Perdidos Sistema 1 ,5
Total 192 100,0

A un 15% les importan poco las vulnerabilidades de seguridad.

Navegación por redes sociales:

AURS10
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 38 19,8 19,8 19,8
2 88 45,8 45,8 65,6
3 39 20,3 20,3 85,9
4 17 8,9 8,9 94,8
5 10 5,2 5,2 100,0
Total 192 100,0 100,0

413
 AURS11
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 52 27,1 27,1 27,1
2 62 32,3 32,3 59,4
3 29 15,1 15,1 74,5
4 29 15,1 15,1 89,6
5 20 10,4 10,4 100,0
Total 192 100,0 100,0

El 41% suele contar, o lo hace siempre, sus “intimidades” por las redes sociales.

AURS3
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 117 60,9 61,6 61,6
2 30 15,6 15,8 77,4
3 23 12,0 12,1 89,5
4 10 5,2 5,3 94,7
5 10 5,2 5,3 100,0
Total 190 99,0 100,0
Perdidos Sistema 2 1,0
Total 192 100,0

El 61% acepta las condiciones estándar para darse de alta en redes sociales, sin leerlas.

A(6-7):

Correlaciones
A6 A7
A6 Correlación de Pearson 1 ,741**
Sig. (bilateral) ,000
N 192 192
**
A7 Correlación de Pearson ,741 1
Sig. (bilateral) ,000
N 192 192
**. La correlación es significativa al nivel 0,01 (bilateral).

414
A(8-9):

Correlaciones
A8 A9
A8 Correlación de Pearson 1 ,809**
Sig. (bilateral) ,000
N 192 192
**
A9 Correlación de Pearson ,809 1
Sig. (bilateral) ,000
N 192 192
**. La correlación es significativa al nivel 0,01 (bilateral).

Tablas de frecuencia

A6
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 13 6,8 6,8 6,8
2 6 3,1 3,1 9,9
3 17 8,9 8,9 18,8
4 48 25,0 25,0 43,8
5 108 56,3 56,3 100,0
Total 192 100,0 100,0

A7
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 12 6,3 6,3 6,3
2 9 4,7 4,7 10,9
3 24 12,5 12,5 23,4
4 52 27,1 27,1 50,5
5 95 49,5 49,5 100,0
Total 192 100,0 100,0

415
 A8
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 16 8,3 8,3 8,3
2 26 13,5 13,5 21,9
3 35 18,2 18,2 40,1
4 48 25,0 25,0 65,1
5 67 34,9 34,9 100,0
Total 192 100,0 100,0

A9
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 21 10,9 10,9 10,9
2 31 16,1 16,1 27,1
3 37 19,3 19,3 46,4
4 49 25,5 25,5 71,9
5 54 28,1 28,1 100,0
Total 192 100,0 100,0

Conjunto factores A(6-9):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,553
Prueba de esfericidad de Chi-cuadrado aproximado 369,376
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
A6 1,000 ,875
A7 1,000 ,868
A8 1,000 ,903
A9 1,000 ,907
Método de extracción: Análisis de
Componentes principales.

416
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,272 56,798 56,798 2,272 56,798 56,798
2 1,281 32,037 88,835 1,281 32,037 88,835
3 ,259 6,482 95,317
4 ,187 4,683 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de componentes
a
rotados
Componente
1 2
A6 ,100 ,930
A7 ,163 ,917
A8 ,938 ,154
A9 ,946 ,113
Método de extracción: Análisis
de componentes principales.
Método de rotación:
Normalización Varimax con
Kaiser.
a. La rotación ha convergido en
3 iteraciones.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,746 4

Factores A(6-7):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,500
Prueba de esfericidad de Chi-cuadrado aproximado 151,205
Bartlett gl 1
Sig. ,000

417
 Comunalidades
Inicial Extracción
A6 1,000 ,871
A7 1,000 ,871
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,741 87,072 87,072 1,741 87,072 87,072
2 ,259 12,928 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,852 2

Factores A(8-9):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,500
Prueba de esfericidad de Chi-cuadrado aproximado 201,816
Bartlett gl 1
Sig. ,000

Comunalidades
Inicial Extracción
A8 1,000 ,905
A9 1,000 ,905
Método de extracción: Análisis de
Componentes principales.

418
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,809 90,474 90,474 1,809 90,474 90,474
2 ,191 9,526 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,895 2

Factores AURS (9-11):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,628
Prueba de esfericidad de Chi-cuadrado aproximado 134,979
Bartlett gl 3
Sig. ,000

Comunalidades
Inicial Extracción
AURS9 1,000 ,720
AURS10 1,000 ,747
AURS11 1,000 ,473
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,940 64,668 64,668 1,940 64,668 64,668
2 ,698 23,278 87,947
3 ,362 12,053 100,000
Método de extracción: Análisis de Componentes principales.

419
 Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,710 3

Factores AURS(9-10):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,500
Prueba de esfericidad de Chi-cuadrado aproximado 98,567
Bartlett gl 1
Sig. ,000

Comunalidades
Inicial Extracción
AURS9 1,000 ,818
AURS10 1,000 ,818
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,637 81,842 81,842 1,637 81,842 81,842
2 ,363 18,158 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,772 2

420
ANEXO B – Preguntas sobre conocimientos (test)

Un usuario con conexión ADSL debe preocuparse por la seguridad

Una conexión inalámbrica con cifrado WEP tiene la misma seguridad que una conexión
a través de cable

Cuando uso Wi-fi en la conexión en mi domicilio, estoy en riesgo

Al usar Wi-fi en la conexión en el centro de trabajo/estudio, estoy en riesgo

El símbolo del candado que se ve en los sitios más serios de e-commerce cuando doy
los datos de mi tarjeta, me permiten hacer pagos seguros

Algunos programas informáticos de malware son inofensivos

La mayoría de los virus se diseñan para eliminar archivos y/o perjudicar nuestro sistema
operativo y/o acceder a información confidencial

Un virus puede mutar y recombinarse con otros originando nuevos virus

Casi todos los usuarios pueden formar parte de redes zombi

Los troyanos y el phising persiguen resultados similares

Algunos programas de adware (ejecución inmediata de publicidad) hacen un

seguimiento de las prácticas del usuario y acaban siendo spyware

421
ANEXO B 1 – Respuestas a conocimientos (test)

Las respuestas correctas a las once preguntas formuladas, referidas en el Anexo B

anterior, eran por orden:

Si – No – Si – No – No – No – Si – Si – Si – Si - Si

¿Un usuario medio con conexión DSL necesita preocuparse por la seguridad? - Si

Por supuesto. Si su computador está conectado a internet por largos períodos de tiempo,
cualquier persona, en cualquier parte del mundo puede intentar en algún momento
acceder a él.
Una de las más sencillas y efectivas medidas es asegurarse de instalar y configurar
adecuadamente un cortafuegos que permita limitar las conexiones de entrada y de
salida.

Sería un riesgo menos ante otros tipos de ataques como programas maliciosos o virus
enviados vía e-mail o presentes por ejemplo, en soportes de almacenamiento.

¿Qué es WEP?

Wired Equivalent Privacy o "Privacidad Equivalente a Cableado", es el sistema de

cifrado incluido en el estándar IEEE 802.11 como protocolo para redes Wireless que
permite cifrar la información que se transmite. Los mensajes de difusión de las redes
inalámbricas se transmiten por ondas de radio, lo que los hace más susceptibles, frente a
las redes cableadas, de ser captados con relativa facilidad.
Básicamente es un sistema de encriptación para redes inalámbricas ya sea con
autenticación abierta o con clave compartida.

422
¿Estoy seguro si tengo un punto de acceso con WEP (Wired Equivalent Privacy),
un algoritmo usado para proteger las comunicaciones inalámbricas de escuchas
clandestinas? - No

¿Cómo puedo asegurar apropiadamente una conexión inalámbrica?

No, las sesiones WEP pueden ser desencriptadas debido a un fallo en la implementación
del protocolo.

Para poder atravesar esta seguridad se utilizan programas llamados Packet Sniffers y un
crackeador WEP. Se captura una cantidad determinada de paquetes y luego mediante el
crackeador se rompe el cifrado de la red. Un key cracker es un programa basado
generalmente en matemáticas estadísticas que procesa los paquetes capturas para
descifrar la clave WEP.

Hay que utilizar técnicas avanzadas de comunicaciones "tunelizadas" a través de SSH

(Secure Shell, una aplicación de seguridad que permite la conexión entre computadoras
de forma segura).

Accedo a mi correo y navego por la red a través de un enlace inalámbrico, ¿estoy

en riesgo? Si-No

Eso depende de varios factores. La ubicación geográfica por ejemplo. Si estás en el

medio del campo, es muy poco probable que puedan interceptar sus comunicaciones. Si
te encuentras en una ciudad o lugar muy poblado, rodeado de mucha tecnología, es
probable que tengas vecinos que también utilicen redes inalámbricas, o existan
aquellos que rastrean estas redes, pudiendo ambos visualizar todo el tráfico de datos
que realices desde y hacia tu PC.

423
¿Es seguro hacer compras en línea?

Sí y no, pero el consumidor final nunca está en posición de saberlo. En primer lugar,
para mitigar riesgos, debería escanear asiduamente el sistema con uno (o más) antivirus
al día, para asegurarse de no tener ningún programa del tipo "caballo de Troya" que
permita a alguien tomar el control remoto de su PC, o que le de acceso a cualquier
acción que el usuario pueda hacer en forma local.

Además, solo deberíamos hacer las compras en empresas razonablemente importantes,

que cuidarán más sus datos una vez estén en su sistema, así como el flujo de estos en su
red interna. Los problemas pueden ocurrir si ese vendedor usa contraseñas débiles, o el
mismo no tiene el software actualizado, o es negligente en relación al manejo de los
datos y procedimientos de backup de los mismos. Todo esto es menos probable que
ocurra con empresas que son reconocidas o con más tiempo en el mercado.

¿El símbolo del candado que muestran los sitios de comercio electrónico más
respetables cuando ingreso la información de mi tarjeta de crédito, me permiten
hacer pagos seguros? No

No. El candado es solo un indicador de que el sitio utiliza SSL. Esta tecnología permite
que el usuario confirme la identidad de los servidores, y que el servidor confirme la de
los usuarios, además de cifrar todas las comunicaciones entre usuario y servidor.

Para ser eficaz el usuario debe ver el certificado que aparece al hacer doble clic sobre el
candado, y confirmar que es de una autoridad certificadora de confianza, que la fecha es
válida y que el nombre del certificado es idéntico al del sitio.

Esto es importante, debido a que es posible para cualquiera realizar un ataque del tipo
"hombre-en-el-medio", situándose entre usuario y el servidor con el que se conecta para
enviar la información, creando la ilusión de que todo es normal cuando de hecho se
están interceptando todos sus datos.

424
Esto funciona porque se estableció (engañado) una conexión segura entre su
computadora y el atacante, el cual a su vez, se conecta al servidor que deseabas
conectarte. La comprobación del certificado puede prevenir esto. De cualquier modo
hay otras maneras mucho más fáciles de conseguir la información de su tarjeta de
crédito.

Malware

El malware suele ser representado con símbolos de peligro.

Malware (del inglés malicious software), también llamado badware, software malicioso
o software malintencionado es un tipo de software que tiene como objetivo infiltrarse o
dañar una computadora sin el consentimiento de su propietario. El término malware es
muy utilizado por profesionales de la informática para referirse a una variedad de
software hostil, intrusivo o molesto. El término virus informático es utilizado en muchas
ocasiones de forma incorrecta para referirse a todos los tipos de malware, incluyendo
los verdaderos virus.

El software es considerado malware en base a las intenciones del autor a la hora de

crearlo. El término malware incluye virus, gusanos, troyanos, la mayoría de los
rootkits, spyware, adware intrusivo, crimeware y otros software maliciosos e
indeseables.

Malware no es lo mismo que software defectuoso, este último contiene bugs peligrosos
pero no de forma intencionada.

En general, es fácil determinar si un programa es (o contiene) un malware: sus

actividades son ocultas y no son anunciadas al usuario. Pero existen casos en que la
distinción no es clara, provocando hasta demandas por parte de los desarrolladores de
estos programas a los antivirus y anti espías que los detectan como malignos.

425
¿Qué es un virus informático?

Es un programa (código) dañino que pasa desapercibido hasta causar los daños, que se
replica añadiendo una copia de sí mismo a otros programas. Se caracterizan por su
capacidad de replicarse sin intervención o consentimiento del usuario y por su
capacidad de mutar y acomodarse en otros programas distintos al portador original.

En informática, es un pequeño software que, al igual que un virus biológico, infecta a

una computadora y se propaga en ella con diversos propósitos como daño, robo de
información, molestia, etc. y por lo general intenta pasar desapercibido por el usuario
el mayor tiempo posible. Los virus se incluyen dentro de los malwares (programas
malignos).

El contagio por un virus suele producirlo el mismo usuario al ejecutar un programa que
está infectado y toma los servicios básicos del sistema operativo para lograr sus
objetivos. Suele quedar residente en memoria.

Lo más habitual es que los virus permanezcan ocultos en archivos del tipo ejecutable
(.exe y .com), pero pueden existir en otros formatos.

Cada mes se crean cientos de nuevos virus. Algunos son relativamente inofensivos, pero
la mayoría están diseñados para eliminar archivos, poner en peligro su información
confidencial o dañar su sistema operativo. Tanto los PC como los Mac son vulnerables,
y la última generación de virus hasta puede propagarse sin intervención humana. Para
detenerlos, debe instalar software antivirus confiable y actualizarlo periódicamente.

¿Cómo se clasifican los virus informáticos?

Se clasifican por sus diferentes propósitos, comportamientos y consecuencias, así:

Genérico o de archivo: se aloja como9 una especie de parasito dentro de un archivo
ejecutable y se replica a otros programas durante la ejecución.
Mutante: en lugar de copiarse genera copias modificadas de sí mismo.
Recombinable: se unen, recombinan códigos y crean nuevos virus.

426
Caza recompensas o BOUNTY HUNTER: porque atacan un producto antivirus.
Especifico de redes: coleccionan contraseñas de acceso a la red para luego reproducirse
e iniciar sus rutinas destructivas en los computadores conectados.
De sector de arranque: se alojan en la sección de disco o las instrucciones se cargan en
memoria al iniciar el sistema.

Macro: infectan los macros que acompañan una aplicación específica, entendiendo por
macro como el conjunto de instrucciones que ejecutan una tarea particular activada por
una aplicación especifica como Word o Excel.

De Internet: se alojan en el código subyacente de las páginas Web. Así cuando el

usuario accede a esos sitios en internet el virus se descarga y ejecuta modificando o
destruyendo la información almacenada.

Humanos: hurto, adulteración, fraude, modificación, revelación, perdida, sabotaje,

falsificación, robo de contraseñas

Propósitos de los troyanos

Los troyanos están diseñados para permitir a un individuo el acceso remoto a un

sistema. Una vez ejecutado el troyano, el individuo puede acceder al sistema de forma
remota y realizar diferentes acciones sin necesitar permiso. Las acciones que el
individuo puede realizar en el equipo remoto dependen de los privilegios que tenga el
usuario en el ordenador remoto y de las características del troyano.

Algunas de las operaciones que se pueden llevar a cabo en el ordenador remoto son:

 Utilizar la máquina como parte de una botnet (por ejemplo para realizar ataques
de denegación de servicio o envío de spam).

 Instalación de otros programas (incluyendo otros programas maliciosos).

 Robo de información personal: información bancaria, contraseñas, códigos de

seguridad.

 Borrado, modificación o transferencia de archivos (descarga o subida).

427
 Ejecutar o terminar procesos.

 Apagar o reiniciar el equipo.

 Monitorizar las pulsaciones del teclado.

 Realizar capturas de pantalla.

 Ocupar el espacio libre del disco duro con archivos inútiles.

 Borra el disco duro

Phishing es un término informático que denomina un tipo de delito encuadrado dentro

del ámbito de las estafas cibernéticas, y que se comete mediante el uso de un tipo de
ingeniería social caracterizado por intentar adquirir información confidencial de
forma fraudulenta (como puede ser una contraseña o información detallada sobre
tarjetas de crédito u otra información bancaria). El estafador, conocido como phisher,
se hace pasar por una persona o empresa de confianza en una aparente comunicación
oficial electrónica, por lo común un correo electrónico, o algún sistema de mensajería
instantánea o incluso utilizando también llamadas telefónicas.

Dado el creciente número de denuncias de incidentes relacionados con el phishing, se

requieren métodos adicionales de protección. Se han realizado intentos con leyes que
castigan la práctica y campañas para prevenir a los usuarios con la aplicación de
medidas técnicas a los programas.

Efectos del adware

Los anuncios emergentes aparecen durante la navegación web en el navegador como

una ventana emergente o también durante el uso de programa del ordenador. Esta
publicidad es molesta en algunos casos, pero lo que más molesta es que deteriora el
rendimiento del sistema. El adware también puede recopilar información del usuario,
lo que provoca preocupación por la privacidad.

428
ANEXO B2 – Calificaciones

En 1º de Teleco se elimina el elemento 31 por escasez de respuestas y, posteriormente,

el 2, 4, 29, 30, 34 por falta de respuestas de variables necesarias y el 14 por falta de
coherencia. Quedan 31 encuestados. Otros tres alumnos no proporcionan suficientes
respuestas en las variables latentes.

nota media: 2,7

desv. típica 2,7
nº aprobados 12,0
% " 38,7

En 4º de Teleco eliminados los individuos 2, 3, 24, 37-40 del listado inicial por no
contestar a la mayoría de preguntas y el 37 y 41 por falta de coherencia. Quedan 40. Un
alumno deja sin responder a bastantes variables latentes

Nota media 2,7

Desv. Típica 2,0
nº aprobados 12,0
% aprobados 30

Eliminado el individuo 22 de la lista inicial de 5º de Teleco por no contestar a la

mayoría de cuestiones. Y, posteriormente se elimina al 17 por falta de respuestas de
variables necesarias, además del 2 y el 5 por falta de coherencia. Quedan 20.

nota media 4,2

Desv. Típica 2,3
nº aprobados 13,0
% aprobados 65

429
Eliminados los elementos 6,16,18,26,29,33,37,81,93,113,114,121,145,148,150-153 de
Informática por escasez de respuestas. Datos del 110 por la media y/o mayoría (edad y
sexo). Posteriormente, se eliminan el 2,4,11,17,22,25,31,49,57,74,82,90,91,105, 106,
109, 111, 112, 122, 130, 131, 135 por falta de respuestas de variables necesarias. Y los
22, 38, 42, 45, 80, 89, 95 por falta de coherencia. Quedan 106 encuestados. Otro alumno
no proporciona respuestas suficientes a las variables latentes

nota media 3,7

desv. Típica 1,9
nº aprobados 52,0
% aprobados 49,1

En el curso anterior, entre los 204 alumnos de Informática encuestados:

Media 3,6
Desv Típica 2,26
aprobados 102
% 50

430
ANEXO C – Cálculo de regresiones, curso 2011-12

Tablas de contingencia

Resumen del procesamiento de los casos

Casos
Válidos Perdidos Total
N Porcentaje N Porcentaje N Porcentaje
A6 * A7 202 99,0% 2 1,0% 204 100,0%

Tabla de contingencia A6 * A7
Recuento
A7
1 2 3 4 5 Total
A6 1 13 1 0 2 3 19
2 2 7 1 3 0 13
3 0 0 12 0 0 12
4 0 1 12 30 2 45
5 5 3 11 13 81 113
Total 20 12 36 48 86 202

Pruebas de chi-cuadrado
Sig. asintótica
Valor gl (bilateral)
a
Chi-cuadrado de Pearson 282,917 16 ,000
Razón de verosimilitudes 212,881 16 ,000
Asociación lineal por lineal 81,598 1 ,000
N de casos válidos 202
a. 14 casillas (56,0%) tienen una frecuencia esperada inferior a 5. La
frecuencia mínima esperada es ,71.

Luego, teniendo como ausentes dos valores (uno de A6 y otro de A7 - individuos 93 y 167), en
los que el valor presente es 4, vamos a adjudicar valor también de 4 al perdido.

431
Por otra parte, con un valor perdido para AURS10 en el individuo 74, siendo 3 AURS9 y 11:

Resumen del procesamiento de los casos

Casos
Válidos Perdidos Total
N Porcentaje N Porcentaje N Porcentaje
AURS9 * AURS10 * 203 99,5% 1 ,5% 204 100,0%
AURS11

Tabla de contingencia AURS9 * AURS10 * AURS11

Recuento
AURS10
AURS11 1 2 3 4 5 Total
1 AURS9 1 10 4 1 1 16
2 7 12 5 1 25
3 0 5 2 0 7
4 0 1 0 1 2
5 0 0 1 0 1
Total 17 22 9 3 51
2 AURS9 1 5 0 0 0 0 5
2 3 17 5 3 0 28
3 1 4 2 5 0 12
4 1 3 3 2 1 10
5 1 1 0 1 3 6
Total 11 25 10 11 4 61
3 AURS9 1 0 1 0 0 1
2 3 8 4 0 15
3 0 5 14 2 21
4 0 4 2 0 6
Total 3 18 20 2 43
4 AURS9 1 1 0 0 0 0 1
2 0 4 1 1 0 6
3 0 4 1 1 0 6
4 0 0 2 5 1 8
5 0 0 1 0 0 1
Total 1 8 5 7 1 22
5 AURS9 1 1 0 1 0 0 2
2 1 0 2 1 0 4
3 0 2 1 2 0 5
4 0 1 3 2 1 7
5 0 2 0 2 4 8

432
 Total 2 5 7 7 5 26
Total AURS9 1 17 5 2 1 0 25
2 14 41 17 6 0 78
3 1 20 20 10 0 51
4 1 9 10 10 3 33
5 1 3 2 3 7 16
Total 34 78 51 30 10 203

Comprobamos lo lógico de asignar el valor 3 al ausente, pues así han respondido en 14/21 casos

Regresión: Variable dependiente = β0 + β1.V1 + β2. V2 + β3.V3 + β4 . V4 + ε = Y

b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
1 At5, At1, At4, . Introducir
At2
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: At3

Resumen del modelob

R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
1 ,775a ,600 ,592 ,589
a. Variables predictoras: (Constante), At5, At1, At4, At2
b. Variable dependiente: At3

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
a
1 Regresión 101,494 4 25,373 73,100 ,000
Residual 67,686 195 ,347
Total 169,180 199
a. Variables predictoras: (Constante), At5, At1, At4, At2
b. Variable dependiente: At3

433
 a
Coeficientes
Coeficientes no Coeficientes Intervalo de confianza de
estandarizados tipificados 95,0% para B
Límite
Modelo B Error típ. Beta t Sig. Límite inferior superior
1 (Constante) ,652 ,185 3,528 ,001 ,287 1,016
At1 ,293 ,053 ,318 5,571 ,000 ,189 ,396
At2 ,262 ,068 ,277 3,851 ,000 ,128 ,396
At4 ,125 ,061 ,142 2,045 ,042 ,004 ,246
At5 ,170 ,070 ,180 2,434 ,016 ,032 ,307
a. Variable dependiente: At3

Como la R² corregida es 0,592, es muy aceptable y la significatividad es =<0,001 indica que hay
relación lineal. Los intervalos de confianza nos dicen el margen de confianza, al 95%, de las β.

Tenemos ausente el valor de At3 en los individuos 66 (2 3 ? 2 3) y 78 (4 4 ? 3 4), obtendremos:

At3 = β0 + β1.V1 + β2. V2 + β3.V3 + β4 . V4 + ε = = 0,652 + 0,293 x At1 + 0,262 x At2 +

0,125 x At4 + 0,17 x At5

Por lo que At3 valdrá 2,784 (con el 95% de confianza) 3 en 66, y 3,9274, en el 78

Adicionalmente, podemos comprobar en el gráfico P-P que hay normalidad pues la probabilidad
acumulada de los residuos se ajusta a la diagonal

434
con:

Análogamente, necesitamos averiguar el valor de At4 en el sujeto 71, que ha dado las siguientes
respuestas: 4 3 3 ? 4

b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
1 At5, At1, At3, . Introducir
At2
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: At4

Resumen del modelob

R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
a
1 ,764 ,583 ,575 ,682
a. Variables predictoras: (Constante), At5, At1, At3, At2
b. Variable dependiente: At4

b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
a
1 Regresión 126,887 4 31,722 68,265 ,000
Residual 90,613 195 ,465
Total 217,500 199

435
 b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
a
1 Regresión 126,887 4 31,722 68,265 ,000
Residual 90,613 195 ,465
Total 217,500 199
a. Variables predictoras: (Constante), At5, At1, At3, At2
b. Variable dependiente: At4

a
Coeficientes
Coeficientes Intervalo de confianza de
Coeficientes no estandarizados tipificados 95,0% para B
Modelo B Error típ. Beta t Sig. Límite inferior Límite superi
1 (Constante) -,001 ,220 -,003 ,998 -,435 ,43
At1 ,071 ,065 ,068 1,090 ,277 -,058 ,20
At2 ,234 ,080 ,218 2,927 ,004 ,076 ,39
At3 ,168 ,082 ,148 2,045 ,042 ,006 ,32
At5 ,461 ,075 ,431 6,145 ,000 ,313 ,60
a. Variable dependiente: At4

436
Obtenemos el valor:
-0.001 + 0.071 x 4 + 0.234 x 3 + 0.168 x 3 + 0.461 x 4 = -0.001 + 0.284 + 0.702 + 0.504
+ + 1.844 = 3.333  3
Finalmente, para los valores de Atracción, debemos generar el valor perdido de At5 en
el encuestado 159, que ha respondido 2 1 2 2 ?

b
Resumen del modelo
R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
a
1 ,798 ,637 ,629 ,596
a. Variables predictoras: (Constante), At4, At1, At2, At3
b. Variable dependiente: At5

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 121,483 4 30,371 85,494 ,000a
Residual 69,272 195 ,355
Total 190,755 199
a. Variables predictoras: (Constante), At4, At1, At2, At3
b. Variable dependiente: At5

Coeficientesa

Coeficientes Intervalo de confianza de

Coeficientes no estandarizados tipificados 95,0% para B
Modelo B Error típ. Beta t Sig. Límite inferior Límite superi
1 (Constante) ,489 ,190 2,581 ,011 ,115 ,86

At1 ,026 ,057 ,027 ,459 ,647 -,086 ,13

At2 ,343 ,067 ,341 5,120 ,000 ,211 ,47
At3 ,174 ,071 ,164 2,434 ,016 ,033 ,31
At4 ,352 ,057 ,376 6,145 ,000 ,239 ,46
a. Variable dependiente: At5

Nos sale:
0,489 + 0,026 x 2 + 0,343 + 0,174 x 2 + 0,352 x 2 = 1,936  2

437
438
Otros valores ausentes son, en los encuestados 110 y 196, el valor de E2. Así que:

Resumen del modelob

R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
a
1 ,567 ,322 ,315 ,922
a. Variables predictoras: (Constante), E5, E3
b. Variable dependiente: E2

Nos aparece un error a tener en cuenta, con una R² dudosa.

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
a
1 Regresión 80,253 2 40,127 47,240 ,000
Residual 169,034 199 ,849
Total 249,287 201
a. Variables predictoras: (Constante), E5, E3
b. Variable dependiente: E2

Coeficientes Intervalo de confianza de

Coeficientes no estandarizados tipificados 95,0% para B
Modelo B Error típ. Beta t Sig. Límite inferior Límite superi
1 (Constante) ,891 ,240 3,718 ,000 ,419 1,36
E3 ,486 ,067 ,469 7,221 ,000 ,354 ,61
E5 ,191 ,071 ,175 2,692 ,008 ,051 ,33
a. Variable dependiente: E2

Tanto 110 como 196 respondieron ? 3 4, así que obtenemos:

0,891 + 0,486 x 3 + 0,191 x 4 = 3,113 3

439
440
Con el último constructo, tenemos valores ausentes en U4 para el sujeto 93 y en U5 para el 129.
Así que:

b
Resumen del modelo
R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
a
1 ,793 ,628 ,619 ,517
a. Variables predictoras: (Constante), U5, U2, E1, C4, U1
b. Variable dependiente: U4

b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 88,310 5 17,662 66,204 ,000a
Residual 52,289 196 ,267
Total 140,599 201
a. Variables predictoras: (Constante), U5, U2, E1, C4, U1
b. Variable dependiente: U4

Coeficientesa

Coeficientes Intervalo de confianza de

Coeficientes no estandarizados tipificados 95,0% para B
Modelo B Error típ. Beta t Sig. Límite inferior Límite superi
1 (Constante) ,514 ,200 2,573 ,011 ,120 ,90

C4 ,166 ,060 ,168 2,760 ,006 ,047 ,28

E1 ,082 ,050 ,097 1,644 ,102 -,016 ,18
U1 ,046 ,053 ,056 ,867 ,387 -,058 ,15
U2 ,120 ,049 ,153 2,436 ,016 ,023 ,21
U5 ,471 ,054 ,491 8,731 ,000 ,365 ,57
a. Variable dependiente: U4

U4 = 0,514 + 0,166 x 2 + 0,082 x 3 + 0,046 x 5 + 0,12 x 3 + 0,471 x 3 = 3,095  3

441
442
Para el último caso:

Resumen del modelob

R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
a
1 ,753 ,567 ,556 ,580
a. Variables predictoras: (Constante), U4, U1, E1, C4, U2
b. Variable dependiente: U5

b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 86,433 5 17,287 51,365 ,000a
Residual 65,963 196 ,337
Total 152,396 201
a. Variables predictoras: (Constante), U4, U1, E1, C4, U2
b. Variable dependiente: U5

Coeficientesa
Coeficientes Intervalo de confianza de
Coeficientes no estandarizados tipificados 95,0% para B
Modelo B Error típ. Beta t Sig. Límite inferior Límite superi
1 (Constante) ,696 ,223 3,127 ,002 ,257 1,13
C4 ,092 ,068 ,090 1,344 ,180 -,043 ,22
E1 ,107 ,056 ,122 1,920 ,056 -,003 ,21
U1 ,055 ,059 ,065 ,935 ,351 -,061 ,17
U2 ,007 ,056 ,009 ,131 ,896 -,103 ,11
U4 ,594 ,068 ,571 8,731 ,000 ,460 ,72
a. Variable dependiente: U5

U5 = 0,696 + 0,092 x 4 + 0,107 x 3 + 0,055 x 4 + 0,007 x 5 + 0,594 x 3 = 3,522  4

443
444
ANEXO C.1 – Cálculo de factores, curso 2011-12

En primer lugar hacemos un análisis factorial exploratorio para comprobar la “calidad” de las
variables observables con las que queremos medir nuestras variables latentes, o constructos
(atracción, confianza, estrés y utilidad).

Para lograrlo, con SPSS, procesamos conjuntamente las veinte variables y observamos como las
agrupa el propio análisis estadístico, obteniendo los siguientes resultados:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,906
Prueba de esfericidad de Chi-cuadrado aproximado 2092,095
Bartlett gl 190
Sig. ,000

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 8,089 40,445 40,445 8,089 40,445 40,445
2 2,000 9,998 50,443 2,000 9,998 50,443
3 1,411 7,053 57,496 1,411 7,053 57,496
4 1,002 5,009 62,505 1,002 5,009 62,505
5 ,984 4,922 67,427
6 ,810 4,050 71,476
7 ,688 3,442 74,918
8 ,586 2,928 77,846
9 ,579 2,897 80,743
10 ,543 2,714 83,458
11 ,516 2,582 86,040
12 ,439 2,197 88,236
13 ,420 2,098 90,334
14 ,353 1,763 92,097
15 ,346 1,730 93,827
16 ,325 1,623 95,450
17 ,266 1,332 96,782
18 ,241 1,206 97,988
19 ,217 1,085 99,073
20 ,185 ,927 100,000
Método de extracción: Análisis de Componentes principales.

445
Es decir, con una significatividad muy alta (KMO= 0.906 y Sig<0.01) se explica el 62,5% de la
varianza.

Comunalidades
Inicial Extracción
At1 1,000 ,579
At2 1,000 ,750
At3 1,000 ,736
At4 1,000 ,735
At5 1,000 ,786
C1 1,000 ,286
C2 1,000 ,498
C3 1,000 ,668
C4 1,000 ,597
C5 1,000 ,456
E1 1,000 ,625
E2 1,000 ,678
E3 1,000 ,687
E4 1,000 ,550
E5 1,000 ,559
U1 1,000 ,696
U2 1,000 ,687
U3 1,000 ,594
U4 1,000 ,689
U5 1,000 ,644
Método de extracción: Análisis de
Componentes principales.

Donde vemos que la contribución de la variable C1 (<0.5) al factorial, es escasa, Si la

eliminamos, nos queda:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,907
Prueba de esfericidad de Chi-cuadrado aproximado 2006,353
Bartlett gl 171
Sig. ,000

446
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 7,858 41,355 41,355 7,858 41,355 41,355
2 1,989 10,468 51,823 1,989 10,468 51,823
3 1,408 7,413 59,236 1,408 7,413 59,236
4 1,002 5,272 64,508 1,002 5,272 64,508
5 ,814 4,283 68,791
6 ,696 3,663 72,453
7 ,657 3,458 75,911
8 ,583 3,067 78,979
9 ,579 3,047 82,025
10 ,518 2,727 84,752
11 ,496 2,609 87,361
12 ,439 2,312 89,673
13 ,356 1,873 91,546
14 ,351 1,846 93,392
15 ,328 1,727 95,118
16 ,270 1,423 96,541
17 ,253 1,329 97,870
18 ,217 1,144 99,014
19 ,187 ,986 100,000
Método de extracción: Análisis de Componentes principales.

a
Matriz de componentes rotados
Componente
1 2 3 4
At1 ,610 ,311 ,046 ,329
At2 ,774 ,347 ,101 ,149
At3 ,758 ,255 ,026 ,310
At4 ,834 ,164 ,023 ,105
At5 ,847 ,194 ,147 ,095
C2 ,518 ,397 ,152 ,175
C3 ,231 ,178 -,094 ,749
C4 ,366 ,556 ,127 ,374
C5 ,167 ,170 ,054 ,642
E1 ,339 ,543 ,385 ,239
E2 ,036 ,046 ,802 ,182
E3 -,040 ,054 ,828 ,027

447
 E4 ,442 ,395 ,453 -,102
E5 ,218 ,143 ,677 -,201
U1 ,300 ,775 -,038 ,035
U2 ,327 ,764 ,006 -,027
U3 ,149 ,609 ,092 ,449
U4 ,229 ,730 ,190 ,291
U5 ,150 ,699 ,214 ,307
Método de extracción: Análisis de componentes
principales.
Método de rotación: Normalización Varimax con Kaiser.
a. La rotación ha convergido en 6 iteraciones.

Un factor (columna 1) lo determinan, exclusivamente, las variables de Atracción y C2.

Otro factor (columna 3) está formado por cuatro de las cinco variables (E2-5) de Estrés.
Un tercer factor (columna 2) lo forman las variables utilidad (U1-5) y C4 y E1
Y el último factor por C3 y C5.

Tenemos cuatro factores:

At1-5, C2
E2-5
C4, E1, U1-5
C3, C5

Veamos las alfas de Cronbach:

1er factor

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,895 6

2º
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,723 4

3º
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,885 7

448
y 4º
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,475 2

El análisis de fiabilidad de este último factor, además de ser escasas (para AMOS) las variables
que lo componen, nos aconsejan desestimarlo.

Vamos a estudiar cada uno de los factores, independientemente.

El primero está formado por las variables At1-At5, C2

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,895
Prueba de esfericidad de Chi-cuadrado aproximado 681,678
Bartlett gl 15
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,576
At2 1,000 ,757
At3 1,000 ,730
At4 1,000 ,682
At5 1,000 ,738
C2 1,000 ,473
Método de extracción: Análisis de
Componentes principales.
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 3,956 65,937 65,937 3,956 65,937 65,937
2 ,608 10,127 76,064
3 ,555 9,253 85,317
4 ,333 5,555 90,872
5 ,293 4,889 95,761
6 ,254 4,239 100,000
Método de extracción: Análisis de Componentes principales.

449
 Matriz de
a
componentes
Componente
1
At1 ,759
At2 ,870
At3 ,854
At4 ,826
At5 ,859
C2 ,688
Método de extracción:
Análisis de
componentes
principales.
a. 1 componentes
extraídos

Si eliminamos C2 (variable con menor carga factorial), nos queda:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,870
Prueba de esfericidad de Chi-cuadrado aproximado 598,806
Bartlett gl 10
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,593
At2 1,000 ,765
At3 1,000 ,738
At4 1,000 ,708
At5 1,000 ,750
Método de extracción: Análisis de
Componentes principales.
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 3,555 71,091 71,091 3,555 71,091 71,091
2 ,555 11,105 82,196

450
3 ,342 6,836 89,033
4 ,294 5,874 94,907
5 ,255 5,093 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes

Componente
1
At1 ,770
At2 ,875
At3 ,859
At4 ,841
At5 ,866

Con
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,897 5

Y unas correlaciones:
Correlaciones
At1 At2 At3 At4 At5
** ** ** **
At1 Correlación de Pearson 1 ,582 ,648 ,524 ,532
Sig. (bilateral) ,000 ,000 ,000 ,000
N 204 204 204 204 204
** ** **
At2 Correlación de Pearson ,582 1 ,694 ,669 ,724**
Sig. (bilateral) ,000 ,000 ,000 ,000
N 204 204 204 204 204
** ** ** **
At3 Correlación de Pearson ,648 ,694 1 ,622 ,653
Sig. (bilateral) ,000 ,000 ,000 ,000
N 204 204 204 204 204
** ** ** **
At4 Correlación de Pearson ,524 ,669 ,622 1 ,723
Sig. (bilateral) ,000 ,000 ,000 ,000
N 204 204 204 204 204
** ** ** **
At5 Correlación de Pearson ,532 ,724 ,653 ,723 1
Sig. (bilateral) ,000 ,000 ,000 ,000
N 204 204 204 204 204
**. La correlación es significativa al nivel 0,01 (bilateral).

451
Veamos ahora el 2º factor (E2-5):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,722
Prueba de esfericidad de Chi-cuadrado aproximado 161,222
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
E2 1,000 ,584
E3 1,000 ,636
E4 1,000 ,414
E5 1,000 ,553
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,188 54,695 54,695 2,188 54,695 54,695
2 ,772 19,296 73,991
3 ,592 14,812 88,803
4 ,448 11,197 100,000
Método de extracción: Análisis de Componentes principales.

Veamos lo que sucede eliminando E4, de menor carga factorial:

KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,656
Prueba de esfericidad de Chi-cuadrado aproximado 120,741
Bartlett gl 3
Sig. ,000

Comunalidades
Inicial Extracción
E2 1,000 ,657
E3 1,000 ,706
E5 1,000 ,548
Método de extracción: Análisis de
Componentes principales.

452
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,911 63,707 63,707 1,911 63,707 63,707
2 ,641 21,356 85,063
3 ,448 14,937 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes
Componente
1
E2 ,811
E3 ,840
E5 ,740
Método de extracción:
Análisis de
componentes
principales.
a. 1 componentes
extraídos

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,714 3

453
El 3er factor nos da:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,874
Prueba de esfericidad de Chi-cuadrado aproximado 715,230
Bartlett gl 21
Sig. ,000

Comunalidades
Inicial Extracción
C4 1,000 ,608
E1 1,000 ,571
U1 1,000 ,587
U2 1,000 ,561
U3 1,000 ,534
U4 1,000 ,703
U5 1,000 ,637
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 4,202 60,033 60,033 4,202 60,033 60,033
2 ,754 10,777 70,810
3 ,605 8,644 79,454
4 ,507 7,237 86,691
5 ,382 5,463 92,154
6 ,293 4,186 96,340
7 ,256 3,660 100,000
Método de extracción: Análisis de Componentes principales.

La carga factorial con menor impacto es la de la variable U3. Eliminándola:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,847
Prueba de esfericidad de Chi-cuadrado aproximado 606,009
Bartlett gl 15
Sig. ,000

454
 Comunalidades
Inicial Extracción
C4 1,000 ,633
E1 1,000 ,586
U1 1,000 ,586
U2 1,000 ,587
U4 1,000 ,709
U5 1,000 ,635
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 3,736 62,267 62,267 3,736 62,267 62,267
2 ,754 12,563 74,830
3 ,556 9,262 84,092
4 ,383 6,388 90,480
5 ,314 5,237 95,717
6 ,257 4,283 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de
a
componentes
Componente
1
C4 ,795
E1 ,766
U1 ,765
U2 ,766
U4 ,842
U5 ,797
Método de extracción:
Análisis de
componentes
principales.
a. 1 componentes
extraídos

455
Con:

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,853 8

Y unas correlaciones como las siguientes:

Correlaciones
C4 E1 U1 U2 U4 U5
C4 Correlación de Pearson 1 ,616** ,507** ,486** ,600** ,551**
Sig. (bilateral) ,000 ,000 ,000 ,000 ,000
N 204 204 204 204 204 204
** ** ** **
E1 Correlación de Pearson ,616 1 ,461 ,463 ,562 ,532**
Sig. (bilateral) ,000 ,000 ,000 ,000 ,000
N 204 204 204 204 204 204
** ** ** **
U1 Correlación de Pearson ,507 ,461 1 ,687 ,519 ,469**
Sig. (bilateral) ,000 ,000 ,000 ,000 ,000
N 204 204 204 204 204 204
** ** ** ** **
U2 Correlación de Pearson ,486 ,463 ,687 1 ,543 ,469
Sig. (bilateral) ,000 ,000 ,000 ,000 ,000
N 204 204 204 204 204 204
** ** ** **
U4 Correlación de Pearson ,600 ,562 ,519 ,543 1 ,732**
Sig. (bilateral) ,000 ,000 ,000 ,000 ,000
N 204 204 204 204 204 204
** ** ** ** **
U5 Correlación de Pearson ,551 ,532 ,469 ,469 ,732 1
Sig. (bilateral) ,000 ,000 ,000 ,000 ,000
N 204 204 204 204 204 204
**. La correlación es significativa al nivel 0,01 (bilateral).

456
Con todas las variables utilizadas:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,890
Prueba de esfericidad de Chi-cuadrado aproximado 1524,281
Bartlett gl 91
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,580
At2 1,000 ,760
At3 1,000 ,727
At4 1,000 ,744
At5 1,000 ,781
E2 1,000 ,661
E3 1,000 ,717
E5 1,000 ,532
U1 1,000 ,620
U2 1,000 ,606
U4 1,000 ,725
U5 1,000 ,672
C4 1,000 ,619
E1 1,000 ,610
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 6,271 44,796 44,796 6,271 44,796 44,796
2 1,842 13,160 57,956 1,842 13,160 57,956
3 1,240 8,858 66,814 1,240 8,858 66,814
4 ,749 5,349 72,163
5 ,657 4,690 76,853
6 ,540 3,859 80,711
7 ,530 3,785 84,497
8 ,433 3,095 87,591
9 ,374 2,671 90,262

457
10 ,369 2,634 92,896
11 ,292 2,088 94,984
12 ,267 1,906 96,891
13 ,225 1,609 98,500
14 ,210 1,500 100,000
Método de extracción: Análisis de Componentes principales.

a
Matriz de componentes rotados
Componente
1 2 3
At1 ,395 ,649 ,043
At2 ,378 ,778 ,107
At3 ,327 ,787 ,031
At4 ,197 ,839 ,037
At5 ,215 ,844 ,153
E2 ,133 ,044 ,801
E3 ,076 -,043 ,842
E5 ,086 ,188 ,700
U1 ,732 ,288 -,036
U2 ,722 ,290 ,010
U4 ,804 ,228 ,161
U5 ,783 ,160 ,182
C4 ,684 ,373 ,111
E1 ,626 ,314 ,347
Método de extracción: Análisis de
componentes principales.
Método de rotación: Normalización Varimax
con Kaiser.
a. La rotación ha convergido en 5
iteraciones.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,891 14

Nos salen los tres factores, tal y como los hemos definido

458
ANEXO C.2 - Modelos estructurales, curso 2011-12

General
Minimum was achieved
Chi-square = 198,598
Degrees of freedom = 85
Probability level = ,000

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,875 ,845 ,924 ,905 ,923

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,081 ,066 ,096 ,000

459
Usuarios con antivirus actualizado
Minimum was achieved
Chi-square = 150,981
Degrees of freedom = 85
Probability level = ,000

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,859 ,825 ,933 ,915 ,931

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,070 ,051 ,088 ,040

460
Chicos
Minimum was achieved
Chi-square = 174,807
Degrees of freedom = 85
Probability level = ,000

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,879 ,851 ,934 ,917 ,933

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,077 ,061 ,093 ,004

461
Uso de password complejas
Minimum was achieved
Chi-square = 138,192
Degrees of freedom = 85
Probability level = ,000

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,846 ,809 ,934 ,917 ,933

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,069 ,047 ,090 ,072

462
Usuarios que borran el histórico de páginas visitadas
Minimum was achieved
Chi-square = 132,089
Degrees of freedom = 85
Probability level = ,001

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,849 ,814 ,940 ,925 ,939

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,068 ,044 ,089 ,102

463
Hacen backups
Minimum was achieved
Chi-square = 121,166
Degrees of freedom = 85
Probability level = ,006

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,845 ,808 ,948 ,934 ,947

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,066 ,036 ,091 ,169

464
Protegen inicio de sesión en PC
Minimum was achieved
Chi-square = 114,682
Degrees of freedom = 85
Probability level = ,018

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,842 ,805 ,954 ,941 ,952

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,051 ,023 ,074 ,443

465
Protegen privacidad eliminando archivos temporales y cookies
Minimum was achieved
Chi-square = 121,202
Degrees of freedom = 85
Probability level = ,006

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model ,863 ,830 ,955 ,942 ,953

RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model ,058 ,032 ,080 ,279

466
ANEXO D – Cálculo de regresiones, curso 2012-13

1º Teleco.xls:

b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
a
1 ABU3, ABU2 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: ABU1

Resumen del modelo

R cuadrado Error típ. de la
Modelo R R cuadrado corregida estimación
a
1 ,580 ,336 ,329 1,077
a. Variables predictoras: (Constante), ABU3, ABU2

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 112,202 2 56,101 48,352 ,000a
Residual 221,612 191 1,160
Total 333,814 193
a. Variables predictoras: (Constante), ABU3, ABU2
b. Variable dependiente: ABU1

a
Coeficientes
Coeficientes Intervalo de confianz
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,458 ,289 1,581 ,116 -,113
ABU2 ,584 ,066 ,535 8,854 ,000 ,454
ABU3 ,149 ,068 ,133 2,202 ,029 ,016
a. Variable dependiente: ABU1

ABU1 = 0,458 + 4 * 0,584 + 4 * 0,149 =  3

467
 b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
a
1 ABU3, ABU1 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: ABU2

Resumen del modelob

Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,571 ,326 ,319 ,995 ,326 46,212 2
a. Variables predictoras: (Constante), ABU3, ABU1
b. Variable dependiente: ABU2

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 91,443 2 45,722 46,212 ,000a
Residual 188,974 191 ,989
Total 280,418 193
a. Variables predictoras: (Constante), ABU3, ABU1
b. Variable dependiente: ABU2

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) 1,719 ,239 7,206 ,000 1,248
ABU1 ,498 ,056 ,544 8,854 ,000 ,387
ABU3 ,088 ,063 ,085 1,391 ,166 -,037
a. Variable dependiente: ABU2

ABU2 = 1,719 + (5,1) * 0,498 + (5,1) * 0,088 =  (5,2)

468
AURS (9-10):

Informática.xls:
Encuestado 30: 1 1 1
“ 32: 2 2 2
“ 65: 2 1 2
“ 90: 4 3 4
Elimino un encuestado que no contestó a A6-9 y que también tenía ceros en Ux
Añado un 5 en A8 a un encuestado que A9 tiene 5.

1º Teleco:
Elimino tres encuestados que no contestaron a A6-9 y que también tenían ceros en Ux

4º Teleco.xls:
Elimino un encuestado que no contestó a A6-9 y que también tenía ceros en Ux

Regresiones 2013:

 Archivo 1º de Teleco

At5 x encuestado 29

b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
1 At4, At1, At2, . Introducir
At3
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: At5

469
 b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,891 ,794 ,761 ,633 ,794 24,097 4
a. Variables predictoras: (Constante), At4, At1, At2, At3
b. Variable dependiente: At5

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 38,644 4 9,661 24,097 ,000a
Residual 10,023 25 ,401
Total 48,667 29
a. Variables predictoras: (Constante), At4, At1, At2, At3
b. Variable dependiente: At5

Coeficientesa
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,093 ,388 ,240 ,812 -,705
At1 ,324 ,232 ,313 1,397 ,175 -,153
At2 ,176 ,197 ,175 ,892 ,381 -,231
At3 ,140 ,278 ,128 ,504 ,618 -,433
At4 ,361 ,165 ,364 2,193 ,038 ,022
a. Variable dependiente: At5

At5 = 0,093 + (At1 x 0,324) + (At2 x 0,176) + (At3 x 0,14) + (At4 x 0,361) = 1,779
(2 1 1 2 ?)  ? = 2

470
C2 x encuestados 1 y 2

b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
1 C5, C3, C1, C4 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: C2

Resumen del modelob

Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,876 ,768 ,729 ,574 ,768 19,822 4
a. Variables predictoras: (Constante), C5, C3, C1, C4
b. Variable dependiente: C2

b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 26,100 4 6,525 19,822 ,000a
Residual 7,900 24 ,329
Total 34,000 28
a. Variables predictoras: (Constante), C5, C3, C1, C4
b. Variable dependiente: C2

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) -,196 ,546 -,358 ,723 -1,324
C1 ,681 ,128 ,668 5,311 ,000 ,416
C3 ,056 ,107 ,063 ,527 ,603 -,164
C4 ,292 ,147 ,260 1,990 ,058 -,011
C5 ,015 ,121 ,014 ,125 ,902 -,235
a. Variable dependiente: C2

C2 = -0,196 + (C1 x 0,681) + (C3 x 0,056) + (C4 x 0,292) + (C5 x 0,015) =

(1 ? 1 1 1) = 0,848  ? = 1
(2 ? 1 2 3) = 1,851  ? = 2

471
E2 x encuestado 3

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 E5, E1, E3, E4 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: E2

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,675 ,456 ,369 ,858 ,456 5,243 4
a. Variables predictoras: (Constante), E5, E1, E3, E4
b. Variable dependiente: E2

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,450 4 3,863 5,243 ,003a
Residual 18,416 25 ,737
Total 33,867 29
a. Variables predictoras: (Constante), E5, E1, E3, E4
b. Variable dependiente: E2

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) -,071 ,737 -,097 ,924 -1,590
E1 ,301 ,159 ,313 1,895 ,070 -,026
E3 ,511 ,208 ,503 2,460 ,021 ,083
E4 -,113 ,201 -,119 -,562 ,579 -,526
E5 ,243 ,170 ,244 1,429 ,165 -,107
a. Variable dependiente: E2

E2 = -0,071 + (E1 x 0,301) + (E3 x 0,511) - (E4 x 0,113) + (E5 x 0,243) = 3,697
(4 ? 4 4 4)  ? = 4

472
U2 x encuestado 31

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 U5, U3, U1, U4 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: U2

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,643 ,413 ,289 ,724 ,413 3,340 4
a. Variables predictoras: (Constante), U5, U3, U1, U4
b. Variable dependiente: U2

b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 7,002 4 1,750 3,340 ,031a
Residual 9,957 19 ,524
Total 16,958 23
a. Variables predictoras: (Constante), U5, U3, U1, U4
b. Variable dependiente: U2

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,607 1,061 ,572 ,574 -1,614
U1 ,428 ,285 ,380 1,503 ,149 -,168
U3 ,043 ,187 ,051 ,230 ,820 -,349
U4 ,273 ,395 ,216 ,691 ,498 -,554
U5 ,146 ,407 ,112 ,359 ,724 -,706
a. Variable dependiente: U2

U2 = 0,607 + (U1 x 0,428) + (U3 x 0,043) + (U4 x 0,273) + (U5 x 0,146) = 2,524
(1 ? 2 3 4)  ? = 3

473
U4 x encuestado 29

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 U5, U3, U2, U1 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: U4

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,832 ,692 ,627 ,415 ,692 10,659 4
a. Variables predictoras: (Constante), U5, U3, U2, U1
b. Variable dependiente: U4

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 7,350 4 1,837 10,659 ,000a
Residual 3,275 19 ,172
Total 10,625 23
a. Variables predictoras: (Constante), U5, U3, U2, U1
b. Variable dependiente: U4

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,266 ,611 ,435 ,669 -1,013
U1 ,052 ,173 ,059 ,304 ,765 -,309
U2 ,090 ,130 ,113 ,691 ,498 -,182
U3 ,048 ,107 ,071 ,447 ,660 -,176
U5 ,732 ,163 ,709 4,483 ,000 ,390
a. Variable dependiente: U4

U4 = 0,266 + (U1 x 0,052) + (U2 x 0,090) + (U3 x 0,048) + (U5 x 0,732) = 3,622
(2 2 3 ? 4)  ? = 4

474
U5 x encuestados 12 y 17

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 U4, U3, U2, U1 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: U5

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,827 ,684 ,618 ,407 ,684 10,303 4
a. Variables predictoras: (Constante), U4, U3, U2, U1
b. Variable dependiente: U5

b
ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 6,816 4 1,704 10,303 ,000a
Residual 3,142 19 ,165
Total 9,958 23
a. Variables predictoras: (Constante), U4, U3, U2, U1
b. Variable dependiente: U5
a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,772 ,575 1,343 ,195 -,431
U1 ,146 ,166 ,169 ,877 ,391 -,202
U2 ,046 ,128 ,060 ,359 ,724 -,223
U3 -,072 ,104 -,111 -,696 ,495 -,290
U4 ,702 ,157 ,725 4,483 ,000 ,374
a. Variable dependiente: U5

U5 = 0,772 + (U1 x 0,146) + (U2 x 0,046) - (U3 x 0,072) + (U4 x 0,702) = 4,06 / 4,232
(4 4 4 4 ?)  ? = 4
(5 3 3 4 ?)  ? = 4

475
U1-U5 x encuestados 1, 2 y 25

Vamos a probar poniendo 0 ó 99

476
  Archivo 4º de Teleco
Encuestado 29 solo informa sobre At5
Haremos como en el caso anterior, probaremos AMOS poniendo todas a 0 ó 99, excepto At5

At3 x encuestado 34
Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 At5, At1, At2, . Introducir
At4
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: At3
Resumen del modelob
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,860 ,740 ,708 ,578 ,740 23,447 4
a. Variables predictoras: (Constante), At5, At1, At2, At4
b. Variable dependiente: At3
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 31,302 4 7,825 23,447 ,000a
Residual 11,014 33 ,334
Total 42,316 37
a. Variables predictoras: (Constante), At5, At1, At2, At4
b. Variable dependiente: At3
Coeficientesa
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,175 ,418 ,418 ,679 -,675
At1 ,606 ,107 ,595 5,686 ,000 ,389
At2 ,189 ,116 ,190 1,626 ,113 -,047
At4 ,319 ,111 ,345 2,879 ,007 ,094
At5 -,069 ,153 -,064 -,453 ,653 -,381
a. Variable dependiente: At3

At3 = 0,175 + (At1 x 0,606) + (At2 x 0,189) + ( At4 x 0,319) - (At5 x 0,069) = 2,316
(2 3 ? 2 4)  ? = 2

477
E1 x encuestado 29

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 E5, E2, E4, E3 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: E1

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,822 ,675 ,637 ,675 ,675 17,683 4
a. Variables predictoras: (Constante), E5, E2, E4, E3
b. Variable dependiente: E1

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 32,210 4 8,052 17,683 ,000a
Residual 15,483 34 ,455
Total 47,692 38
a. Variables predictoras: (Constante), E5, E2, E4, E3
b. Variable dependiente: E1

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) 1,072 ,465 2,303 ,028 ,126
E2 ,769 ,114 ,780 6,764 ,000 ,538
E3 -,370 ,132 -,366 -2,807 ,008 -,638
E4 ,322 ,141 ,279 2,286 ,029 ,036
E5 ,045 ,147 ,041 ,306 ,761 -,253
a. Variable dependiente: E1

E1 = 1,072 + (E2 x ,0769) – (E3 x 0,37) + (E4 x 0,322) + (E5 x 0,045) = 1,646
(? 1 5 5 1)  ? = 2

478
U1 x encuestado 29

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 U5, U2, U3, U4 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: U1

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,730 ,533 ,477 ,703 ,533 9,420 4
a. Variables predictoras: (Constante), U5, U2, U3, U4
b. Variable dependiente: U1

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 18,644 4 4,661 9,420 ,000a
Residual 16,329 33 ,495
Total 34,974 37
a. Variables predictoras: (Constante), U5, U2, U3, U4
b. Variable dependiente: U1

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,680 ,760 ,895 ,377 -,866
U2 ,542 ,141 ,593 3,848 ,001 ,255
U3 ,088 ,201 ,091 ,436 ,666 -,321
U4 ,225 ,360 ,161 ,623 ,537 -,508
U5 -,030 ,251 -,026 -,119 ,906 -,541
a. Variable dependiente: U1

U1 = 0,68 + (U2 x 0,542) + (U3 x 0,088) + (U4 x 0,225) - (U5 x 0,03) = 1,934
(? 1 4 2 3)  ? = 2
Encuestado 5 no informa sobre Us
Haremos como antes, probaremos AMOS poniendo todas a 0 ó 99

479
  Archivo 5º de Teleco

At5 x encuestados 1 y 6
Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 At4, At1, At3, . Introducir
At2
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: At5
Resumen del modelob
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
1 ,887a ,788 ,722 ,518 ,788 12,047 4
a. Variables predictoras: (Constante), At4, At1, At3, At2
b. Variable dependiente: At5
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 12,951 4 3,238 12,047 ,000a
Residual 3,494 13 ,269
Total 16,444 17
a. Variables predictoras: (Constante), At4, At1, At3, At2
b. Variable dependiente: At5
a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,109 ,750 ,146 ,887 -1,511
At1 -,136 ,237 -,096 -,572 ,577 -,649
At2 ,571 ,206 ,602 2,767 ,016 ,125
At3 ,370 ,269 ,283 1,378 ,192 -,210
At4 ,147 ,187 ,146 ,785 ,446 -,257
a. Variable dependiente: At5

At5 = 0,109 – (At1 x 0,136) + (At2 x 0,571) + (At3 x 0,37) + (At4 x 0,147) = 4,053 /
3,112
(3 4 4 4 ?)  ? = 4
(3 3 3 4 ?)  ? = 3

480
C1 x encuestados 6, 8, 9, 15 y 19

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 C5, C4, C3, C2 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: C1

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,432 ,187 -,139 ,890 ,187 ,573 4
a. Variables predictoras: (Constante), C5, C4, C3, C2
b. Variable dependiente: C1

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 1,816 4 ,454 ,573 ,688a
Residual 7,917 10 ,792
Total 9,733 14
a. Variables predictoras: (Constante), C5, C4, C3, C2
b. Variable dependiente: C1

a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) 2,759 3,217 ,858 ,411 -4,410
C2 ,187 ,482 ,142 ,388 ,706 -,888
C3 -,409 ,631 -,225 -,649 ,531 -1,815
C4 ,467 ,318 ,518 1,468 ,173 -,242
C5 -,057 ,546 -,038 -,105 ,919 -1,274
a. Variable dependiente: C1

Los resultados son malos en significatividad y R cuadrado corregida, así que vamos a
ver cómo se correlacionan:

481
 Correlaciones
C1 C2 C3 C4 C5
Rho de Spearman C1 Coeficiente de correlación 1,000 ,003 ,049 ,421 ,127
Sig. (bilateral) . ,993 ,861 ,118 ,651
N 15 15 15 15 15
C2 Coeficiente de correlación ,003 1,000 ,284 -,103 ,419
Sig. (bilateral) ,993 . ,225 ,667 ,066
N 15 20 20 20 20
C3 Coeficiente de correlación ,049 ,284 1,000 ,440 ,282
Sig. (bilateral) ,861 ,225 . ,052 ,228
N 15 20 20 20 20
C4 Coeficiente de correlación ,421 -,103 ,440 1,000 ,101
Sig. (bilateral) ,118 ,667 ,052 . ,672
N 15 20 20 20 20
C5 Coeficiente de correlación ,127 ,419 ,282 ,101 1,000
Sig. (bilateral) ,651 ,066 ,228 ,672 .
N 15 20 20 20 20

Vemos que, en efecto, C1 solo tiene correlación con C4. Así que, como vemos que
ambas tienen el mismo orden de magnitud

Estadísticos descriptivos
Desviación
Media típica N
C1 3,13 ,834 15
C2 4,35 ,813 20
C3 3,95 ,686 20
C4 3,05 ,826 20
C5 4,20 ,696 20

Tabla de contingencia C1 * C4
Recuento
C4
2 3 4 Total
C1 1 1 0 0 1
3 5 2 4 11
4 0 0 2 2
5 0 1 0 1
Total 6 3 6 15

Asumiremos los valores de C4 como válidos también para las C1

482
  Archivo Informática

At3 x encuestados 35 y 37
Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 At5, At1, At4, . Introducir
At2
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: At3
Resumen del modelob
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
1 ,796a ,633 ,618 ,541 ,633 42,727 4
a. Variables predictoras: (Constante), At5, At1, At4, At2
b. Variable dependiente: At3
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 50,017 4 12,504 42,727 ,000a
Residual 28,973 99 ,293
Total 78,990 103
a. Variables predictoras: (Constante), At5, At1, At4, At2
b. Variable dependiente: At3
a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) ,499 ,283 1,762 ,081 -,063
At1 ,236 ,070 ,244 3,376 ,001 ,097
At2 ,429 ,079 ,468 5,429 ,000 ,272
At4 ,199 ,072 ,228 2,761 ,007 ,056
At5 ,040 ,093 ,040 ,430 ,668 -,144
a. Variable dependiente: At3

At3 = 0,499 + (At1 x 0,236) + (At2 x 0,429) + (At4 x 0,199) + (At5 x 0,04) = 3,41 /
4,82
(3 3 ? 4 3)  ? = 3
(5 5 ? 4 5)  ? = 5

483
E1 x encuestado 95

b
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
1 E5, E4, E3, E2 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: E1
Resumen del modelob
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,460 ,212 ,180 ,811 ,212 6,656 4
a. Variables predictoras: (Constante), E5, E4, E3, E2
b. Variable dependiente: E1
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
a
1 Regresión 17,490 4 4,372 6,656 ,000
Residual 65,039 99 ,657
Total 82,529 103
a. Variables predictoras: (Constante), E5, E4, E3, E2
b. Variable dependiente: E1
a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) 2,102 ,403 5,219 ,000 1,303
E2 ,215 ,088 ,260 2,449 ,016 ,041
E3 -,016 ,078 -,020 -,211 ,833 -,171
E4 ,285 ,094 ,293 3,030 ,003 ,098
E5 ,015 ,084 ,018 ,175 ,861 -,152
a. Variable dependiente: E1

E1 = 2,102 + (E2 x 0,215) – (E3 x 0,016) + (E4 x 0,285) + (E5 x 0,015) = 3,383
(? 2 4 3 4)  ? = 3

484
E3 x encuestado 74

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 E5, E1, E4, E2 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: E3

b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,365 ,133 ,098 1,043 ,133 3,803 4
a. Variables predictoras: (Constante), E5, E1, E4, E2
b. Variable dependiente: E3

Mala R cuadrado corregida

ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 16,545 4 4,136 3,803 ,006a
Residual 107,676 99 1,088
Total 124,221 103
a. Variables predictoras: (Constante), E5, E1, E4, E2
b. Variable dependiente: E3
a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) 2,167 ,543 3,991 ,000 1,090
E1 -,027 ,129 -,022 -,211 ,833 -,284
E2 ,221 ,114 ,217 1,929 ,057 -,006
E4 -,142 ,126 -,118 -1,125 ,263 -,391
E5 ,247 ,106 ,244 2,335 ,022 ,037
a. Variable dependiente: E3

E3 = 2,167 - (E1 x 0,027) + (E2 x 0,221) - (E4 x 0,142) + (E5 x 0,247) = 3,064
(3 3 ? 3 3)  ? = 3, como parece normal

485
U5 x encuestado 54

Variables introducidas/eliminadasb
Variables Variables
Modelo introducidas eliminadas Método
1 U4, U2, U3, U1 . Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: U5
b
Resumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en R
Modelo R R cuadrado corregida estimación cuadrado Cambio en F gl1
a
1 ,854 ,729 ,718 ,408 ,729 66,629 4
a. Variables predictoras: (Constante), U4, U2, U3, U1
b. Variable dependiente: U5
ANOVAb
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 44,471 4 11,118 66,629 ,000a
Residual 16,519 99 ,167
Total 60,990 103
a. Variables predictoras: (Constante), U4, U2, U3, U1
b. Variable dependiente: U5
a
Coeficientes
Coeficientes Intervalo de confianza
Coeficientes no estandarizados tipificados para B
Modelo B Error típ. Beta t Sig. Límite inferior Lím
1 (Constante) 1,131 ,273 4,144 ,000 ,590
U1 -,047 ,054 -,054 -,880 ,381 -,153
U2 ,040 ,056 ,043 ,711 ,479 -,072
U3 ,027 ,042 ,039 ,652 ,516 -,056
U4 ,740 ,055 ,838 13,571 ,000 ,632
a. Variable dependiente: U5

U5 = 1,131 - (U1 x 0,047) + (U2 x 0,04) + (U3 x 0,027) + (U4 x 0,74) = 4,945
(3 3 5 5 ?)  ? = 5

Encuestado 96 no informa sobre Us

Haremos como antes, probaremos AMOS poniendo todas a 0 ó 99

486
ANEXO D.1 – Cálculo de factores, curso 2012-13

Hacemos un nuevo análisis exploratorio, como en el curso anterior, y encontramos:

KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,818
Prueba de esfericidad de Chi-cuadrado aproximado 1770,550
Bartlett gl 190
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,626
At2 1,000 ,775
At3 1,000 ,824
At4 1,000 ,680
At5 1,000 ,796
C1 1,000 ,420
C2 1,000 ,567
C3 1,000 ,669
C4 1,000 ,618
C5 1,000 ,330
E1 1,000 ,645
E2 1,000 ,591
E3 1,000 ,507
E4 1,000 ,413
E5 1,000 ,639
U1 1,000 ,716
U2 1,000 ,754
U3 1,000 ,565
U4 1,000 ,843
U5 1,000 ,804
Método de extracción: Análisis de
Componentes principales.

Eliminamos C1, C5 y E4, por su escasa contribución y nos sale:

KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,802
Prueba de esfericidad de Chi-cuadrado aproximado 1566,565
Bartlett gl 136
Sig. ,000

487
 Comunalidades
Inicial Extracción
At1 1,000 ,640
At2 1,000 ,764
At3 1,000 ,829
At4 1,000 ,673
At5 1,000 ,785
C2 1,000 ,514
C3 1,000 ,691
C4 1,000 ,587
E1 1,000 ,716
E2 1,000 ,640
E3 1,000 ,532
E5 1,000 ,702
U1 1,000 ,761
U2 1,000 ,780
U3 1,000 ,586
U4 1,000 ,860
U5 1,000 ,829
Método de extracción: Análisis de
Componentes principales.
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 5,672 33,364 33,364 5,672 33,364 33,364
2 1,980 11,645 45,009 1,980 11,645 45,009
3 1,867 10,985 55,994 1,867 10,985 55,994
4 1,232 7,247 63,241 1,232 7,247 63,241
5 1,138 6,697 69,938 1,138 6,697 69,938
6 ,801 4,711 74,649
7 ,707 4,162 78,811
8 ,656 3,858 82,669
9 ,494 2,908 85,577
10 ,487 2,866 88,443
11 ,434 2,554 90,997
12 ,401 2,357 93,354
13 ,337 1,982 95,337
14 ,254 1,492 96,828
15 ,248 1,456 98,284
16 ,155 ,909 99,193

488
17 ,137 ,807 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de componentes rotadosa

Componente
1 2 3 4 5
At1 ,675 ,042 ,417 ,037 ,080
At2 ,853 ,026 ,047 -,070 ,170
At3 ,807 ,146 ,379 ,003 ,115
At4 ,781 ,181 ,159 -,045 ,052
At5 ,866 ,074 ,099 ,105 ,090
C2 ,384 ,156 ,570 ,080 ,104
C3 ,202 ,200 ,608 -,482 -,093
C4 ,309 ,120 ,632 -,027 ,277
E1 ,178 ,184 ,707 ,311 ,233
E2 -,076 -,006 ,363 ,709 ,032
E3 -,014 -,014 ,026 ,691 -,231
E5 ,142 ,079 -,143 ,788 ,185
U1 ,136 ,180 ,198 -,006 ,819
U2 ,173 ,137 ,119 -,007 ,847
U3 -,083 ,733 ,171 -,039 ,108
U4 ,223 ,882 ,093 ,018 ,154
U5 ,245 ,863 ,115 ,057 ,092
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
a. La rotación ha convergido en 7 iteraciones.

Obtenemos cinco factores integrados por las siguientes variables:

Columna 1: At1-5
“ 2: U3-5
“ 3: C2-4, E1
“ 4: E2-3, E5
“ 5: U1-2
Observamos que dos de los factores coinciden con el modelo del curso anterior, los
integrados por las variables de Atracción (At1-5) y de Estrés (E2, 3, 5). Por otra parte,
en el caso presente aparecen otros tres factores, estando identificados dos de ellos por
dos variables cada uno. Necesitando, al menos, tres variables para el modelo estructural,
utilizaríamos como tercer factor el de Confianza (C2, 3, 4, E1)

489
Primer factor (At1-5)

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,835
Prueba de esfericidad de Chi-cuadrado aproximado 586,944
Bartlett gl 10
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,613
At2 1,000 ,722
At3 1,000 ,809
At4 1,000 ,671
At5 1,000 ,747
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 3,563 71,253 71,253 3,563 71,253 71,253
2 ,527 10,534 81,787
3 ,437 8,740 90,527
4 ,280 5,608 96,135
5 ,193 3,865 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,897 5

490
Segundo factor (E2, 3, 5):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,637
Prueba de esfericidad de Chi-cuadrado aproximado 64,049
Bartlett gl 3
Sig. ,000

Comunalidades
Inicial Extracción
E2 1,000 ,542
E3 1,000 ,536
E5 1,000 ,623
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,701 56,688 56,688 1,701 56,688 56,688
2 ,704 23,468 80,156
3 ,595 19,844 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,616 3

491
Tercer factor (C2, 3, 4, E1):

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,710
Prueba de esfericidad de Chi-cuadrado aproximado 147,528
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
C2 1,000 ,552
C3 1,000 ,392
C4 1,000 ,633
E1 1,000 ,586
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,163 54,075 54,075 2,163 54,075 54,075
2 ,789 19,724 73,799
3 ,604 15,088 88,887
4 ,445 11,113 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,704 4

Aunque la fiabilidad es alta, la explicación de lo varianza es algo escasa (54%).

492
Vamos a estudiar el caso de utilizar para este tercer factor las mismas variables del
curso anterior:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,674
Prueba de esfericidad de Chi-cuadrado aproximado 460,546
Bartlett gl 15
Sig. ,000
Comunalidades
Inicial Extracción
C4 1,000 ,511
E1 1,000 ,477
U1 1,000 ,676
U2 1,000 ,614
U4 1,000 ,897
U5 1,000 ,915
Método de extracción: Análisis de
Componentes principales.
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 2,906 48,432 48,432 2,906 48,432 48,432
2 1,184 19,738 68,171 1,184 19,738 68,171
3 ,903 15,055 83,225
4 ,461 7,678 90,903
5 ,392 6,526 97,429
6 ,154 2,571 100,000
Método de extracción: Análisis de Componentes principales.
a
Matriz de componentes
Componente
1 2
C4 ,671 ,246
E1 ,668 ,175
U1 ,692 ,445
U2 ,639 ,453
U4 ,755 -,573
U5 ,744 -,602
Método de extracción: Análisis
de componentes principales.

493
 KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,674
Prueba de esfericidad de Chi-cuadrado aproximado 460,546
Bartlett gl 15
a. 2 componentes extraídos

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,782 6

Obtenemos una mayor explicación de la varianza.

Los tres factores del conjunto:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,781
Prueba de esfericidad de Chi-cuadrado aproximado 1315,410
Bartlett gl 91
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,629
At2 1,000 ,722
At3 1,000 ,823
At4 1,000 ,654
At5 1,000 ,741
E2 1,000 ,621
E3 1,000 ,548
E5 1,000 ,546
E1 1,000 ,549
C4 1,000 ,438
U1 1,000 ,469
U2 1,000 ,419
U4 1,000 ,664
U5 1,000 ,621
Método de extracción: Análisis de
Componentes principales.

494
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 5,035 35,964 35,964 5,035 35,964 35,964
2 1,827 13,047 49,012 1,827 13,047 49,012
3 1,583 11,304 60,316 1,583 11,304 60,316
4 1,193 8,519 68,834
5 ,948 6,770 75,604
6 ,752 5,370 80,975
7 ,572 4,088 85,063
8 ,464 3,315 88,378
9 ,429 3,064 91,441
10 ,367 2,624 94,065
11 ,273 1,951 96,015
12 ,250 1,788 97,804
13 ,164 1,174 98,977
14 ,143 1,023 100,000
Método de extracción: Análisis de Componentes principales.

a
Matriz de componentes rotados
Componente
1 2 3
At1 ,765 ,184 ,100
At2 ,835 ,134 -,088
At3 ,857 ,293 ,045
At4 ,780 ,212 -,029
At5 ,846 ,117 ,103
E2 ,001 ,116 ,780
E3 -,006 -,221 ,706
E5 ,039 ,124 ,728
E1 ,341 ,491 ,437
C4 ,462 ,467 ,079
U1 ,177 ,662 ,021
U2 ,176 ,623 -,002
U4 ,133 ,804 -,004
U5 ,149 ,773 ,035

495
 Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,828 14

Correlaciones:

Correlaciones
At1 At2 At3 At4 At5
** ** ** **
Rho de Spearman At1 Coeficiente de correlación 1,000 ,528 ,652 ,499 ,541
Sig. (bilateral) . ,000 ,000 ,000 ,000
N 192 192 192 192 192
At2 Coeficiente de correlación ,528** 1,000 ,724** ,557** ,703**
Sig. (bilateral) ,000 . ,000 ,000 ,000
N 192 192 192 192 192
** ** ** **
At3 Coeficiente de correlación ,652 ,724 1,000 ,660 ,671
Sig. (bilateral) ,000 ,000 . ,000 ,000
N 192 192 192 192 192
At4 Coeficiente de correlación ,499** ,557** ,660** 1,000 ,668**
Sig. (bilateral) ,000 ,000 ,000 . ,000
N 192 192 192 192 192
** ** ** **
At5 Coeficiente de correlación ,541 ,703 ,671 ,668 1,000
Sig. (bilateral) ,000 ,000 ,000 ,000 .
N 192 192 192 192 192
**. La correlación es significativa al nivel 0,01 (bilateral).
Correlaciones
E2 E3 E5
**
Rho de Spearman E2 Coeficiente de correlación 1,000 ,307 ,374**
Sig. (bilateral) . ,000 ,000
N 192 192 192
**
E3 Coeficiente de correlación ,307 1,000 ,366**
Sig. (bilateral) ,000 . ,000
N 192 192 192
** **
E5 Coeficiente de correlación ,374 ,366 1,000
Sig. (bilateral) ,000 ,000 .
N 192 192 192
**. La correlación es significativa al nivel 0,01 (bilateral).

496
 Correlaciones
C4 E2 U1 U2 U4 U5
** ** ** **
C4 Correlación de Pearson 1 ,027 ,376 ,315 ,300 ,311
Sig. (bilateral) ,711 ,000 ,000 ,000 ,000
N 192 192 192 192 192 192
E2 Correlación de Pearson ,027 1 ,090 ,049 ,072 ,067
Sig. (bilateral) ,711 ,214 ,495 ,322 ,358
N 192 192 192 192 192 192
** ** ** **
U1 Correlación de Pearson ,376 ,090 1 ,606 ,329 ,264
Sig. (bilateral) ,000 ,214 ,000 ,000 ,000
N 192 192 192 192 192 192
** ** ** **
U2 Correlación de Pearson ,315 ,049 ,606 1 ,277 ,257
Sig. (bilateral) ,000 ,495 ,000 ,000 ,000
N 192 192 192 192 192 192
** ** **
U4 Correlación de Pearson ,300 ,072 ,329 ,277 1 ,840**
Sig. (bilateral) ,000 ,322 ,000 ,000 ,000
N 192 192 192 192 192 192
** ** ** **
U5 Correlación de Pearson ,311 ,067 ,264 ,257 ,840 1
Sig. (bilateral) ,000 ,358 ,000 ,000 ,000
N 192 192 192 192 192 192
**. La correlación es significativa al nivel 0,01 (bilateral).

497
ANEXO E – Cálculo para todos los alumnos de los dos cursos

Vamos a hacer un análisis confirmatorio sobre las variables utilizadas en todos los
alumnos encuestados:

Variables Atracción:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,860
Prueba de esfericidad de Chi-cuadrado aproximado 1191,842
Bartlett gl 10
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,604
At2 1,000 ,745
At3 1,000 ,776
At4 1,000 ,691
At5 1,000 ,749
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 3,566 71,322 71,322 3,566 71,322 71,322
2 ,536 10,720 82,042
3 ,382 7,646 89,688
4 ,286 5,712 95,400
5 ,230 4,600 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,898 5

498
Variables Estrés:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,711
Prueba de esfericidad de Chi-cuadrado aproximado 374,009
Bartlett gl 10
Sig. ,000

Comunalidades
Inicial Extracción
E1 1,000 ,422
E2 1,000 ,565
E3 1,000 ,429
E4 1,000 ,465
E5 1,000 ,473
Método de extracción: Análisis de
Componentes principales.

Eliminamos E1:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,731
Prueba de esfericidad de Chi-cuadrado aproximado 241,157
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
E2 1,000 ,551
E3 1,000 ,551
E4 1,000 ,405
E5 1,000 ,559
Método de extracción: Análisis de
Componentes principales.

Eliminamos E4:

499
 KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,661
Prueba de esfericidad de Chi-cuadrado aproximado 173,930
Bartlett gl 3
Sig. ,000

Comunalidades
Inicial Extracción
E2 1,000 ,597
E3 1,000 ,625
E5 1,000 ,584
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,806 60,202 60,202 1,806 60,202 60,202
2 ,622 20,734 80,935
3 ,572 19,065 100,000
Método de extracción: Análisis de Componentes principales.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,669 3

Nos quedamos con E2, E3, E5

500
Variables Confianza:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,705
Prueba de esfericidad de Chi-cuadrado aproximado 365,719
Bartlett gl 10
Sig. ,000
Comunalidades
Inicial Extracción
C1 1,000 ,439
C2 1,000 ,591
C3 1,000 ,382
C4 1,000 ,561
C5 1,000 ,349
Método de extracción: Análisis de
Componentes principales.

Eliminamos C3 y C5:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,669
Prueba de esfericidad de Chi-cuadrado aproximado 206,148
Bartlett gl 3
Sig. ,000

Comunalidades
Inicial Extracción
C1 1,000 ,641
C2 1,000 ,648
C4 1,000 ,584
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 1,873 62,417 62,417 1,873 62,417 62,417
2 ,605 20,156 82,573
3 ,523 17,427 100,000
Método de extracción: Análisis de Componentes principales.

501
 Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,696 3

Variables Utilidad:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,736
Prueba de esfericidad de Chi-cuadrado aproximado 841,383
Bartlett gl 10
Sig. ,000

Comunalidades
Inicial Extracción
U1 1,000 ,545
U2 1,000 ,512
U3 1,000 ,502
U4 1,000 ,713
U5 1,000 ,656
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,928 58,558 58,558 2,928 58,558 58,558
2 ,936 18,722 77,280
3 ,579 11,583 88,863
4 ,339 6,781 95,643
5 ,218 4,357 100,000
Método de extracción: Análisis de Componentes principales.

502
Observamos que eliminando U2:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,726
Prueba de esfericidad de Chi-cuadrado aproximado 605,475
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
U1 1,000 ,437
U3 1,000 ,567
U4 1,000 ,784
U5 1,000 ,739
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,527 63,185 63,185 2,527 63,185 63,185
2 ,697 17,416 80,601
3 ,558 13,951 94,552
4 ,218 5,448 100,000
Método de extracción: Análisis de Componentes principales.

Y eliminando también U1 por su escasa contribución:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,657
Prueba de esfericidad de Chi-cuadrado aproximado 504,158
Bartlett gl 3
Sig. ,000

503
 Comunalidades
Inicial Extracción
U3 1,000 ,579
U4 1,000 ,827
U5 1,000 ,802
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,208 73,601 73,601 2,208 73,601 73,601
2 ,573 19,085 92,686
3 ,219 7,314 100,000
Método de extracción: Análisis de Componentes principales.

Obtenemos una mayor explicación de la varianza, y el mismo KMO, que eliminando

U3:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,657
Prueba de esfericidad de Chi-cuadrado aproximado 687,636
Bartlett gl 6
Sig. ,000

Comunalidades
Inicial Extracción
U1 1,000 ,586
U2 1,000 ,581
U4 1,000 ,707
U5 1,000 ,656
Método de extracción: Análisis de
Componentes principales.

504
 Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado
1 2,530 63,251 63,251 2,530 63,251 63,251
2 ,904 22,597 85,849
3 ,347 8,687 94,535
4 ,219 5,465 100,000
Método de extracción: Análisis de Componentes principales.

Incluso obtenemos un, aunque ligero, mejor Alfa de Cronbach:

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,805 3

Así que definimos Utilidad mediante las variables U3, U4, U5.

505
El conjunto de variables seleccionadas para los cuatro factores nos da lo siguiente:

KMO y prueba de Bartlett

Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,872
Prueba de esfericidad de Chi-cuadrado aproximado 2508,780
Bartlett gl 91
Sig. ,000

Comunalidades
Inicial Extracción
At1 1,000 ,596
At2 1,000 ,752
At3 1,000 ,775
At4 1,000 ,711
At5 1,000 ,768
C1 1,000 ,811
C2 1,000 ,628
C4 1,000 ,548
E2 1,000 ,589
E3 1,000 ,642
E5 1,000 ,593
U3 1,000 ,636
U4 1,000 ,806
U5 1,000 ,775
Método de extracción: Análisis de
Componentes principales.

Varianza total explicada

Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 5,414 38,674 38,674 5,414 38,674 38,674
2 1,787 12,764 51,438 1,787 12,764 51,438
3 1,468 10,484 61,922 1,468 10,484 61,922
4 ,961 6,866 68,788 ,961 6,866 68,788
5 ,683 4,877 73,666
6 ,612 4,369 78,035
7 ,592 4,232 82,267
8 ,521 3,718 85,985
9 ,482 3,442 89,428
10 ,405 2,895 92,323

506
11 ,377 2,691 95,014
12 ,274 1,954 96,968
13 ,215 1,533 98,501
14 ,210 1,499 100,000
Método de extracción: Análisis de Componentes principales.

Matriz de componentes rotadosa

Componente
1 2 3 4
At1 ,705 ,207 ,050 ,234
At2 ,846 ,158 ,031 ,101
At3 ,812 ,189 ,015 ,283
At4 ,825 ,156 -,002 ,071
At5 ,849 ,090 ,140 ,142
C1 ,121 ,106 ,099 ,881
C2 ,422 ,177 ,114 ,637
C4 ,397 ,360 ,012 ,511
E2 ,032 ,071 ,755 ,117
E3 -,037 ,034 ,800 ,010
E5 ,143 ,053 ,754 ,042
U3 ,097 ,790 ,020 ,040
U4 ,260 ,838 ,082 ,168
U5 ,225 ,817 ,111 ,211
Método de extracción: Análisis de componentes
principales.
Método de rotación: Normalización Varimax con Kaiser.
a. La rotación ha convergido en 5 iteraciones.

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,853 14

Confirmando la distribución de las variables en los factores definidos

507
Correlaciones:

Correlaciones
At1 At2 At3 At4 At5
** ** **
At1 Correlación de Pearson 1 ,566 ,675 ,532 ,542**
Sig. (bilateral) ,000 ,000 ,000 ,000
N 396 396 396 396 396
** ** ** **
At2 Correlación de Pearson ,566 1 ,712 ,621 ,730
Sig. (bilateral) ,000 ,000 ,000 ,000
N 396 396 396 396 396
** ** ** **
At3 Correlación de Pearson ,675 ,712 1 ,654 ,666
Sig. (bilateral) ,000 ,000 ,000 ,000
N 396 396 396 396 396
** ** **
At4 Correlación de Pearson ,532 ,621 ,654 1 ,702**
Sig. (bilateral) ,000 ,000 ,000 ,000
N 396 396 396 396 396
** ** ** **
At5 Correlación de Pearson ,542 ,730 ,666 ,702 1
Sig. (bilateral) ,000 ,000 ,000 ,000
N 396 396 396 396 396
**. La correlación es significativa al nivel 0,01 (bilateral).

Correlaciones
C1 C2 C4
** **
C1 Correlación de Pearson 1 ,477 ,411
Sig. (bilateral) ,000 ,000
N 396 396 396
** **
C2 Correlación de Pearson ,477 1 ,419
Sig. (bilateral) ,000 ,000
N 396 396 396
** **
C4 Correlación de Pearson ,411 ,419 1
Sig. (bilateral) ,000 ,000
N 396 396 396
**. La correlación es significativa al nivel 0,01 (bilateral).

508
 Correlaciones
E2 E3 E5
** **
E2 Correlación de Pearson 1 ,421 ,379
Sig. (bilateral) ,000 ,000
N 396 396 396
** **
E3 Correlación de Pearson ,421 1 ,408
Sig. (bilateral) ,000 ,000
N 396 396 396
** **
E5 Correlación de Pearson ,379 ,408 1
Sig. (bilateral) ,000 ,000
N 396 396 396
**. La correlación es significativa al nivel 0,01 (bilateral).

Correlaciones
U3 U4 U5
**
U3 Correlación de Pearson 1 ,527 ,491**
Sig. (bilateral) ,000 ,000
N 396 396 396
**
U4 Correlación de Pearson ,527 1 ,779**
Sig. (bilateral) ,000 ,000
N 396 396 396
** **
U5 Correlación de Pearson ,491 ,779 1
Sig. (bilateral) ,000 ,000
N 396 396 396
**. La correlación es significativa al nivel 0,01 (bilateral).

Tablas de frecuencia

A6
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 32 8,1 8,1 8,1
2 19 4,8 4,8 12,9
3 29 7,3 7,3 20,2
4 95 24,0 24,0 44,2
5 221 55,8 55,8 100,0
Total 396 100,0 100,0

509
 A7
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 32 8,1 8,1 8,1
2 21 5,3 5,3 13,4
3 60 15,2 15,2 28,5
4 102 25,8 25,8 54,3
5 181 45,7 45,7 100,0
Total 396 100,0 100,0

A8
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 25 6,3 6,3 6,3
2 54 13,6 13,6 19,9
3 74 18,7 18,7 38,6
4 106 26,8 26,8 65,4
5 137 34,6 34,6 100,0
Total 396 100,0 100,0

A9
Porcentaje Porcentaje
Frecuencia Porcentaje válido acumulado
Válidos 1 34 8,6 8,6 8,6
2 53 13,4 13,4 22,0
3 84 21,2 21,2 43,2
4 114 28,8 28,8 72,0
5 111 28,0 28,0 100,0
Total 396 100,0 100,0

510
Las correlaciones entre las variables de control son las siguientes:

Correlaciones
ABU1 ABU2
ABU1 Correlación de Pearson 1 ,568**
Sig. (bilateral) ,000
N 396 396
**
ABU2 Correlación de Pearson ,568 1
Sig. (bilateral) ,000
N 396 396
**. La correlación es significativa al nivel 0,01 (bilateral).

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,723 2

Correlaciones
A8 A9
A8 Correlación de Pearson 1 ,784**
Sig. (bilateral) ,000
N 396 396
**
A9 Correlación de Pearson ,784 1
Sig. (bilateral) ,000
N 396 396
**. La correlación es significativa al nivel 0,01 (bilateral).

Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,879 2

511
Nos dan dos factores diferenciados que son los que nos facilitan las puntuaciones para
el análisis
KMO y prueba de Bartlett
Medida de adecuación muestral de Kaiser-Meyer-Olkin. ,519
Prueba de esfericidad de Chi-cuadrado aproximado 546,064
Bartlett gl 6
Sig. ,000
Comunalidades
Inicial Extracción
ABU1 1,000 ,780
ABU2 1,000 ,790
A8 1,000 ,890
A9 1,000 ,895
Método de extracción: Análisis de
Componentes principales.
Varianza total explicada
Sumas de las saturaciones al cuadrado de la
Autovalores iniciales extracción Suma
% de la % de la
Componente Total varianza % acumulado Total varianza % acumulado T
1 1,987 49,683 49,683 1,987 49,683 49,683
2 1,368 34,196 83,879 1,368 34,196 83,879
3 ,433 10,837 94,716
4 ,211 5,284 100,000
Método de extracción: Análisis de Componentes principales.
Matriz de componentes
rotadosa
Componente
1 2
ABU1 ,107 ,877
ABU2 ,047 ,887
A8 ,937 ,114
A9 ,945 ,051
Método de extracción: Análisis
de componentes principales.
Método de rotación:
Normalización Varimax con
Kaiser.
a. La rotación ha convergido en
3 iteraciones.

512
Estadísticos de fiabilidad
Alfa de
Cronbach N de elementos
,656 4

513