Experimental

Estadística y Método
Experimental I Academia PIR
Grupo A
FASE DE CONTACTO
Prof. Cristina Vela Maicas

R3 H. U. San Jorge
Estructura de la clase
1º Tema 1: Estadística
2º Tema 2: Diseños y método experimental
2 descansos
Psicometría: clase de experimental 1 (05/08)

Clase F1 Grupo A
- Nos vamos a centrar en explicar el contenido de la asignatura que

debéis manejar para poder sacar la gran mayoría de las preguntas
del examen.
- Al ser vuestro primer contacto con el temario o llevar poco tiempo, no

entraremos en temas controvertidos, preguntas rebuscadas o detalles
puntillosos poco preguntados.
- Clase expositiva. Iré parando para consultar dudas.
- No faltarán ejemplos y truquitos para el estudio. Experimental es una

asignatura que podemos hacer simple, ¡vamos a intentarlo!
Importancia a lo importante
CONSIDERACIONES PREVIAS
• 8-10 preguntas en las últimas

convocatorias
PESO EN EL EXAMEN Medio
• 7 preguntas PIR 21
• Suele discriminar
DIFICULTAD DE LAS - Preguntas DENTRO de

temario
PREGUNTAS EN LAS Moderada - Van al detalle
ÚLTIMAS - Preguntas largas /
CONVOCATORIAS marca la INCORRECTA
¿AMPLIAMOS? NO
CONSIDERACIONES PREVIAS
❖ Es una asignatura MUY DISCRIMINATIVA, no todo el mundo la lleva bien a

diferencia de otras más preguntadas como clínica o tratamientos, dominarla
puede marcar la diferencia.
❖ Es muy fácil olvidar ciertos datos, por eso COMPRENDERLA es fundamental,

así que para eso estamos.
❖ Economía cognitiva: intentar comprender antes que memorizar nos ahorrará

mucho tiempo y esfuerzo.
❖ PROHIBIDO tenerle miedo. Con calma y estudio TODOS la podéis entender y

manejar bien.
Importancia del tema 1
PIR 2019: PIR 2020:

3 preguntas 7 preguntas
PIR 2021:
4 preguntas
PIR 2019: PIR 2020

3 preguntas 2 preguntas
PIR 2021:
2 preguntas
PIR 2019: PIR 2020:

2 preguntas 1 pregunta
PIR 2021:
1 preguntas
Nuestro querido amigo el chat
Dudas al final de la explicación de las diapos

¡Os iré preguntando!
La clase siempre se queda grabada, por si necesitáis visualizarla de

nuevo para algún concepto que consideréis que os vendría bien
volver a escuchar.
TEMA 1
ESTADÍSTICA
TEMA 1
ESTADÍSTICA
EL TEMA MÁS IMPORTANTE
- Pruebas paramétricas y sus

supuestos
- ANOVA y comparaciones
múltiples
- Correlación y regresión
- Muestreo
1.1. INTRODUCCIÓN Y CONCEPTOS BÁSICOS
Definiciones
• Ordenación y análisis de datos

• Describe las características de la
Estadística MUESTRA Subconjunto representativo
descriptiva ↓
Mediante estadísticos muestrales
Lo interesante es hacer inferencias
≠ • Realización de inferencias sobre

una población a partir de los
↓
Estadística datos de la muestra

inferencial • Describe las características de
la población
Mediante los parámetros inferidos

Definiciones
• Estadística: ciencia que se ocupa de la ordenación y análisis de

datos procedentes de muestras, y de la realización de inferencias
acerca de las poblaciones de las que éstas proceden.
• Medición: proceso de atribuir números a las características.
• Población: conjunto de todos los elementos que cumplen una o
varias características o propiedades.
• Muestra: subconjunto representativo de los elementos de una
población.
• Parámetro: es una propiedad descriptiva de una población.
• Estadístico: es una propiedad descriptiva de una muestra.
• Característica: propiedad o cualidad de un individuo.
• Modalidad: cada una de las maneras en que se presenta una
característica.
Conceptos estadísticos básicos
Estadística
Estadístico
descriptiva
MUESTRA
Estadística
Parámetro
POBLACIÓN inferencial
generalizado
a
la poblacion
Escala de medida (Stevens)
SUPER-PIR
INFORMACIÓN EJEMPLO
DEDUCIBLE
NOMINAL Relaciones “igual Sexo
CUALITATIVAS
0
=
F que” o “distinto Estado civil

que” Profesiones
Percentil
ORDINAL -
Relaciones “igual Escala Likert Solo limitar
si es
a
70 L
decir
Cuasicuantitativas que” y “mayor que” Nivel de cualitativa

I
o semicuantitativas order estudios arden
INTERVALO Comparación Temperatura
g
CUANTITATIVAS
Desigualdad
valoresislada Puede haber diferencias entre Inteligencia de
Discretas
-
valores negativos valores diferencias

Vs valentos
si es x0 mayor
nerteen RAZÓN Comparación entre Longitud

->
continuas
no
e midad o menor.
de
S pueden serlo
los valores Peso
en
ambas) cona? Hay cero Variable
absoluto
1.2. ESTADÍSTICA DESCRIPTIVA CON UNA
VARIABLE
Distribución de frecuencias
PERMITE: Absolutasy relativas

acumuladas
❖ Ordenar los datos
o creden
❖ Facilitar la información necesaria para la representación gráfica

❖ Facilitar el cálculo de estadísticos muestrales
Distribución de frecuencias: representación gráfica
D. Caja y bigotes
Representación de una variable cualitativa
Diagrama de sectores
Representación de una variable ordinal
Diagrama de barras (variable ordinal)
IMPORTANTE EL ORDEN ≠ NOMINALES en las que

el orden es indiferente
Representación de una variable cuantitativa discreta
Diagrama de barras (v. cuantitativa discreta)

Representación de una variable cuantitativa continua
≠ Diagrama de Histograma
barras
No puede usarse con VV

cuantitativas continuas
Diagrama de tallo y hojas También con discretas

❖ Se separa de cada dato el último dígito (“hoja”) y las cifras delanteras restantes
(“tallo”).
❖ Ventajas:
- Permite visualizar simultáneamente la distribución de frecuencias
y cada puntuación individual.
- Ofrece una representación visual → histograma (o diagrama barras) al tumbarlo
- Se pueden representar simultáneamente dos conjuntos de datos
(tallos en el centro y hojas en los lados).
❖ Inconvenientes:
- No facilita el cálculo de estadísticos.
Diagrama de caja y bigotes
Nos informa de la
VARIABILIDAD
+ grande la caja
+ variabilidad PIR 20
- Outliers: 1,5-3 amplitudes intercuartílicas
de la parte superior o inferior de la caja.
- Extremos: +3 amplitudes intercuartílicas
de la parte superior o inferior de la caja
También se
emplea con
DOS variables
ORDINALES
PIR 20
77. En un gráfico de caja (Box-Plot) se considera que un valor es

atípico (outlier) cuando está a más de:
1.1,5 desviaciones típicas por encima o por debajo de la media.

2.1,5 amplitudes intercuartílicas de la parte superior o inferior de la caja.
3.1,5 desviaciones típicas de la parte superior o inferior de la caja.
4.1,5 amplitudes intercuartílicas por encima o por debajo de la media.
PIR 20
77. En un gráfico de caja (Box-Plot) se considera que un valor es

atípico (outlier) cuando está a más de:
1.1,5 desviaciones típicas por encima o por debajo de la media.

2.1,5 amplitudes intercuartílicas de la parte superior o inferior de la
caja.
3.1,5 desviaciones típicas de la parte superior o inferior de la caja.
4.1,5 amplitudes intercuartílicas por encima o por debajo de la media.
Diagrama de dispersión
Solo puede usarse

con DOS variables
CUANTITATIVAS
Estadística descriptiva con una variable
• Cuartiles • Medias
• Deciles • Mediana
• (Per)centiles • Moda
Medidas de
Medidas de
tendencia
posición
central
Medidas de Puntuación
variación típica
• Varianza
• Desviación típica
• Amplitud intercuartil
(rango)
Medidas de posición: los cuantiles
SUPER-PIR
❖ Permiten conocer la posición de un sujeto en relación el

resto de la muestra.
❖ Permite hacer valoraciones relativas.
❖ Constituyen una escala de medida ordinal, sin unidad de
medida constante.
❖ Las distancias entre cuantiles son más grandes en los
extremos que en el centro.
❖ Los más conocidos son los cuartiles, deciles y centiles (o
percentiles).
Medidas de posición: cuantiles
Cuartiles
Deciles
Percentiles
Medidas de tendencia central
❖Se refieren a la puntuación global de las observaciones
❖Las más conocidas son:
- Media
- Mediana
- Moda
Medidas de tendencia central: media aritmética
❖ Suma de las puntuaciones de la distribución dividida por el número de

casos observados.
❖ Índice de tendencia central más empleado.
❖ Se distribuirá normalmente cuando lo haga también la población y/o

con muestras de gran tamaño.
❖ Muy sensible a las variaciones de los datos
No se recomienda en
distribuciones
asimétricas
Medidas de tendencia central: media aritmética
PROPIEDADES
❖ Sumatorio de diferenciales = 0
❖ Si sumas o restas la misma cantidad a todos los valores, a la media le

pasará lo mismo.
❖ Si multiplico o divido a un conjunto de valores, la media quedará

multiplicada o dividida por dicho valor.
❖ Si aplicamos una transformación lineal a un conjunto de valores, la

media sufrirá idéntica transformación.
❖ La suma de los cuadrados de las diferenciales es menor que con

respecto a cualquier otro valor (teorema de Köring).
Medidas de tendencia central: otros tipos de medias
❖ Media ponderada: media aritmética sobre puntuaciones con

pesos específicos.
Simplemente
❖ Media geométrica: raíz enésima del producto de los n datos. que os
suenen
Se utiliza para el cálculo de razones y tiempos.
❖ Media armónica: recíproco de la media aritmética de los

recíprocos de los datos. Se utiliza para cálculos con variables
que relacionan diferentes unidades de medida como la
velocidad (espacio/tiempo).
❖ Media cuadrática: raíz cuadrada de la media aritmética de los

cuadrados de los datos. Se utiliza en los cálculos necesarios en
el ANOVA.
Medidas de tendencia central: la mediana (Mdn)
❖Índice que consiste en tomar aquella puntuación que deja por debajo de sí el 50%
de las observaciones.
❖Cálculo:
- Si la muestra es impar: será el número que ocupa el lugar central.
- Si la muestra es par: promedio de las dos puntuaciones que ocupan los lugares
centrales.
2 4 6 8 10
2 4 6 8 10 12
7
❖Media y mediana pueden o no coincidir:
SUPER-PIR
Positiva: media mayor (+)

Negativa: media menor (-)
PROPIEDADES
Mejor recurrir a ella en
❖ Poco sensible a las variaciones
distribuciones asimétricas
❖ La suma de las diferencias en valor absoluto de cualquier puntuación

respecto a su mediana es igual o menor que respecto a cualquier otro
valor.
❖ Divide el área total del histograma en dos áreas de idéntica superficie.
❖ Dados “r” grupos con sus respectivas medianas, la mediana del grupo
total es igual o menor que la mediana máxima e igual o mayor que la
mediana mínima.
❖ Primera elección para las variables ordinales.

Medidas de tendencia central: asimetría
Relación entre la asimetría de una distribución y el índice de Pearson

Medidas de tendencia central: la moda (Mo)
❖Valor de la variable con mayor frecuencia absoluta.
❖Puede emplearse también con variables nominales, ordinales, de

intervalo y razón.
❖Ejemplo:
La moda es 2 por ser el
2, 4, 5, 7, 2, 3, 7, 2, 1, 2, valor más repetido
❖Tipos de distribución según la moda:
Distribución unimodal 1 moda 2,4,3,2,1,7

Distribución bimodal 2 modas 2,4,2,4,3,1,7
Distribución multimodal + 2 modas 2,2,3,4,3,1,4,7
Distribución amodal Ninguna moda 2,2,3,3,4,4,1,1,7,7
Medidas de tendencia central: la moda (Mo)
La moda permite calcular el grado de Coeficiente de

CURTOSIS de la distribución mediante apuntamiento de Fischer
Indica el apuntamiento Mínima variabilidad → Leptocúrtica

o aplanamiento de la Mucha variabilidad → Platicúrtica
gráfica
❖ Si es cercano a 0 → distribución mesocúrtica
❖ Si es positivo → distribución leptocúrtica
❖ Si es negativo → distribución platicúrtica

Medidas de tendencia central
MEDIA ARITMÉTICA
❖ Se puede emplear con variables cuantitativas: intervalo y razón.
❖ Muy sensible a las variaciones de los datos No se recomienda en
❖ El mejor estimador del parámetro distribuciones
asimétricas
MEDIANA
❖ Deja por debajo de sí el 50% de las observaciones.
❖ Se puede emplear con variables ordinales, de intervalo y razón
❖ Poco sensible a las variaciones de los datos Mejor recurrir a ella en
distribuciones asimétricas
MODA
❖ Se puede emplear con variables nominales, ordinales, intervalo y razón
❖ Es el valor de la variable con mayor frecuencia absoluta, es decir, el más
repetido.
Medidas de variación
Medidas de variación: varianza y desviación típica
Permiten calcular la distancia de las

puntuaciones en relación a la media
Medidas de variación: varianza y desviación típica
Distancia es la misma
Rango se amplia
Desigualdad de Tchebychev
Otras medidas de variación
❖ La amplitud (recorrido o rango):

˗ Diferencia entre la puntuación máxima y la mínima.
˗ Solo vv cuantitativas.
˗ Muy sensible a los valores extremos y no toma en cuenta los intermedios.
❖ Amplitud semi-intercuartil (ASI):
˗ Solo vv cuantitativas.
˗ Cuando la distribución es muy asimétrica.
-
˗ Permite conocer en cuántas unidades de los valores que toma la variable se concentra
el 50% central de los casos.
❖ Desviación media (DM):
las X de
˗ Sumatorio de las desviaciones con respecto a la media en valor absoluto. ↳o q se alejan
Las destaciones
❖ Coeficiente de variación (CV):
˗ Permite comparar la variabilidad de 2 o más grupos.
˗ Útil para comparar grupos con medias muy diferentes.
˗ Se expresa en forma de proporción o porcentaje.
Puntuaciones típicas y escalas derivadas SUPER-PIR
❖ Número de desviaciones típicas que separan una

observación de la media de su grupo Ex: 2 en Weschler
❖ Calificación estándar más elemental y útil
❖ Permite comparar unidades de distintos grupos,

medidas de formas distintas o variables diferentes.
❖ Su media es igual a 0 y su varianza y desviación

típica son iguales a 1. X:0
sx:1
Puntuaciones típicas y escalas derivadas
PIR 18
Puntuaciones típicas y escalas derivadas
Transformación no lineal
Percentiles
Transformación Transformación no lineal

lineal
Y= aX + b Puntuación típica normalizada
PIR 20 Transformación lineal
Puntuación típica Y= aX + b
transformada/derivada
T= a·z + b Eneatipo / estanino (E= zn2 + 5)

PIR 2020
100. En el contexto de un estudio sobre la satisfacción con la vida en

las distintas comunidades autónomas, y sabiendo que la media
española es de 50, y que la desviación típica es 10, ¿en qué
comunidad autónoma están más satisfechos con la vida sus
habitantes si obtenemos las siguientes puntuaciones?: Castilla y
León: puntuación directa = 43; Madrid: z = 0,8; Comunidad Valenciana:
⑧
T = 55: Andalucía = - 1DT.
1. Castilla y León.
2. Comunidad Valenciana.
3. Andalucía.
4. Madrid.
PIR 2020

1. Castilla y León.
2. Comunidad Valenciana.
3. Andalucía.
4. Madrid.
PIR 2020

0
Datos que nos dan:
- Media: 50
1. Castilla y León. Puntuación directa: 43 - DT: 10
2. Comunidad Valenciana. 55 T=55
Lo pasamos todo a
3. Andalucía. 40 (50 – 10) T= a·z+b
puntuación DIRECTA
55= 10·z+b
4. Madrid. 58 (50 + 8) para poder comparar
5=10·z
5/10=z
Z=0,5
Puntuación directa= 50 + 5 = 55
1.3. LA CORRELACIÓN
Relación lineal entre dos variables
La correlación permite establecer si NO implica

existe relación lineal entre dos variables causalidad
❖ Relación lineal positiva: al aumentar X

aumentará Y; al disminuir X también disminuirá Y.
❖ Relación lineal negativa: al aumentar X

disminuirá Y; al disminuir X aumentará Y.
No significa que no haya
❖ Relación lineal nula: ausencia de tendencia al relación. Pueden
descubrirse relaciones no
emparejamiento. lineales como la curvilínea
❖ Relación lineal perfecta: valores de X e Y

coinciden en una misma recta.
Relación lineal entre dos variables
⑰
-
Se calcula con las
puntuaciones
diferenciales
❖Permite cuantificar el grado de relación lineal entre variables.
❖Es el promedio de los productos cruzados de las puntuaciones -

20, +
2
diferenciales de dos variables.
❖Inconvenientes:
- Carece de límites máximos y mínimos (difícil de
interpretar).
- Es sensible a los cambios en las unidades de

medidas. Ej:
peso kgen y
libras
Se ven corregidos por el índice

de correlación de Pearson
Se calcula con las
puntuaciones
típicas
cambios
Aunque hayan
se puede interpretor
RESTRICCIÓN DE RANGO: al disminuir la

variabilidad, disminuye Pearson
SUPER-PIR
La variabilidad de una o
Pearson
de las dos variables
La variabilidad de una o
de las dos variables Pearson
Pueden
= preguntarlo de
muchas formas
diferentes
La homogeneidad de la
Pearson
muestra
La homogeneidad de la
muestra Pearson
INTERPRETACIÓN La cuantía de su valor
Al aumentar una
Hacia la derecha:
❖ Se debe tener en cuenta variable aumentará la
positiva otra
La dirección
Al aumentar una
Hacia la izquierda: variable disminuirá la
negativa otra
❖ Correlación estadísticamente significativa cuando se encuentra

por debajo del 0,05 independientemente del valor de la correlación
❖ Existe especificidad del campo de estudio
❖ No implica causalidad
❖ Puede no haber relación lineal, pero sí de otro tipo.
❖ Se recomienda complementar con un diagrama de dispersión

Otros coeficientes de correlación
VV Nominales
- Chi-cuadrado: 2 o + modalidades
- Q de Yule: solo 2 modalidades
- C de Contingencia: mide la intensidad de la relación
VV Ordinales
- Spearman: entre – 1 y +1 (equivalente a Pearson para ordinales)

- Kendall: no usar cuando hay empates.
- Goodman y Kruskal: recomendable cuando hay empates.
Phi ϕ Dos vv dicotómicas Entre -1 y 1

&de Yule "nominal.
Una dicotómica y una Entre -1 y 1
continua
Dos vv continuas, una
de ellas dicotomizada
Dos vv continuas Entre -1 y 1
dicotomizadas
Phi: divide en dos iguales /dos dicotomicas/

Biserial puntual: puntualmente -> única con dos distintas
/dicotómica y continua/
Biserial: Bi-> 2. Una de ellas dicotomizada.
Tetracorica: tetra-> 4. 2 dicotomizadas = 2x2= 4.
Dicotomizada:peso en rango (0.50) y (50-100
1.4. LA REGRESIÓN
Trending Topic PIR 21

Introducción
La regresión pretende establecer predicciones a partir de las

relaciones lineales observadas, esto es, conociendo la puntuación
de un sujeto en la variable X, pronosticar su puntuación en la
variable Y.
FUNCIONES LINEALES
predictora
->
(VI)
❖ A y B son constantes I
resultado
↳Dieta
en peso
P
❖ Y: variable dependiente o criterio
❖ X: variable independiente o predictora

a5
=
❖ A: ordenada en el origen → valor de Y cuando X=0

Intercepto, constante o β0 Ino estandarizadol
❖ B: pendiente Cinclinacion) e cambio en VY cuando la vx cambia I midad. X
Bi no estandarizado
no son siempr
Los mismos
La regresión simple
❖Permite aplicar un modelo lineal, basado en una única variable (X, variable
predictora) como instrumento para la predicción de una segunda variable (Y,
variable criterio). v1
/
❖Se limita al estudio de 2 variables. -
VD
❖El pronóstico se establece a partir de la ecuación de una recta (función

lineal).
❖Se puede definir a partir de las puntuaciones directas, diferenciales o típicas
a=0 Misma pendiente con

A partir de las puntuaciones puntuaciones directas y
diferenciales b= B diferenciales: AMBAS
RECTAS SERÁN
PARALELAS
a=0
A partir de las puntuaciones
su
típicas peor
b= rxy
B1 tipificado
Criterio de mínimos cuadrados 9
modelo
error
cometeria
pequeño.
+
cantidel
Determina el modelo lineal que, de haber sido utilizado como predictor

de los valores Y, hubiese cometido una cantidad de error lo más
pequeña posible.
Promedio de los errores elevados al

cuadrado
Se repite la operación para cada

una de las rectas observadas y se
escoge el modelo lineal cuyo
promedio de errores al cuadrado
sea lo más pequeño posible
criterio de mínimos cuadrados
Pearson =coer. determinacia
❖ Modelo de regresión simple que se calcula elevando al cuadrado el

coeficiente de correlación de Pearson.
❖ Indica la proporción de varianza del criterio que queda explicada

por el modelo lineal (proporción de varianza común entre la VD y la
VI).
❖ Oscila entre 0 y 1
- 0→ no hay puntos en común con las puntuaciones observadas
- 1→ los puntos observados coinciden perfectamente con el modelo.
❖ Si añadimos nuevos predictores, el coeficiente de determinación

puede mantenerse o crecer.
Tocame la varie
y
estoruudar Regresión múltiple
Pero no disminuir Relación
si añado pestancar y
no tiene efecto, se quedoria =
INTERPRETACIÓN
La regresión múltiple
❖Realiza pronósticos de una variable Y a partir

de más de una variable X.
❖Si utilizamos varias variables predictoras, la

capacidad predictiva del modelo y su
bondad de ajuste se incrementarán.
parcial
coeficiente regresion
❖ Y = B0 + B1 X1 + B2 X2 =
- 8
Con “B0” representando la altura a la que
corta el plano el punto Y (el eje de
ordenadas). Este es el valor de la
constante, esto es, el valor de Y cuando
el predictor/es es/son igual a 0.
- Con “B1” representando la pendiente del
plano en el eje 1.
- Con “B2” representando la pendiente del
plano en el eje 2.
Coeficiente de
Para definir la proporción de
varianza del criterio que = regresión simple
queda explicada por las determinación
variables predictoras
Coeficiente de
Está ajustado en función del número de
determinación variables predictoras incluidas en el modelo
corregido
Actúa como índice del tamaño del efecto o de la bondad de

ajuste acerca del modelo
La regresión múltiple PIR 21
En el simple soo
X o VE
Cuantitativo CUANTITATILAS
Predictores en Ordinal
regresión múltiple Nominal (categórico)
Si la variable predictora es politómica, se deberá transformar en variables

dicotómicas (dummy). Para n niveles de la variable predictora politómica,
obtendremos n-1 variables dicotómicas dummy. varias modalidades
La vD o criterio, no puede Se puede emplear cuando la variable

ser, normalmente, catesorial o
criterio es categórica
hominal
-
⑱ TRANSPORTE
"
Regresión logística
"CAJAS Y MEDIOS
Puede ser:
>VD) de normal no puede VD dicotómica
serlo, si to es, usamo
- Binaria Útil cuando buscamos estudiar la probabilidad
este tipo de regresion
de ocurrencia o no de un evento
- Multinomial VD politómica
MÉTODOS PARA IDENTIFICAR EL MEJOR MODELO PREDICTIVO
CON EL MENOR NÚMERO DE PREDICTORES POSIBLES
❖Introducir (simultáneo): todos los predictores a la vez Basados en

literatura
❖Jerárquico: predictores en diferentes pasos científica
❖Hacia delante (forward): se van añadiendo predictores y

se retienen los más predictivos en cada paso.
❖Escalonado (stepwise): se van añadiendo predictores y Basados en

se retienen los más predictivos en cada paso y se elimina en criterios
cada paso el menos predictivo. estadísticos
❖Hacia atrás (backward): parte con todos los predictores y

elimina el menos predictivo en cada paso.
PIR 2019
159. En el ámbito del análisis estadístico, en concreto de la regresión

lineal, indique la afirmación INCORRECTA:
1.La regresión lineal permite analizar la relación entre uno o más
predictores cuantitativos y una variable dependiente también cuantitativa,
no pudiéndose en ningún caso incluir en el análisis predictores categóricos.
2.En el análisis de regresión, el coeficiente de regresión parcial no
estandarizado Bo ó 0 ofrece el valor de la ecuación de regresión cuando
todos los predictores son igual a cero.
3.Una estrategia para medir la bondad de ajuste en un análisis de regresión
simple es utilizar el coeficiente de determinación que se calcula elevando al
cuadrado el coeficiente de correlación de Pearson.
4.Si se desea encontrar la ecuación de regresión capaz de ofrecer el mejor
ajuste posible con el menos número de variables, se recomienda utilizar la
regresión jerárquica o por pasos.
PIR 2019

predictores cuantitativos y una variable dependiente también
cuantitativa, no pudiéndose en ningún caso incluir en el análisis
predictores categóricos.
PIR 2019

predictores cuantitativos y una variable dependiente también
cuantitativa, no pudiéndose en ningún caso incluir en el análisis
predictores categóricos. SÍ puede haber predictores categóricos en regresión lineal
PIR 2021
29. En un análisis de regresión simple, ¿cuál de

los siguientes coeficientes indica el cambio que
se produce en la variable de respuesta, por
cada incremento en una unidad de la variable
predictora?:
1. Coeficiente de regresión no estandarizado Beta1.

3. Coeficiente de regresión tipificado B1.
4. Coeficiente de determinación corregido.
PIR 2021
29. En un análisis de regresión simple, ¿cuál de

los siguientes coeficientes indica el cambio que
se produce en la variable de respuesta, por
cada incremento en una unidad de la variable
predictora?:

3. Coeficiente de regresión tipificado B1.
4. Coeficiente de determinación corregido.
PIR 2021
31. Si en una regresión logística binaria tenemos

un predictor categórico con cuatro niveles,
¿en cuántas variables dicotómicas (dummy) se
transformaría para emplearlo en el modelo?:
1. En 2.
2. En 3.
3. En 4.
4. En 5.
PIR 2021
31. Si en una regresión logística binaria tenemos

un predictor categórico con cuatro niveles,
¿en cuántas variables dicotómicas (dummy) se
transformaría para emplearlo en el modelo?:
1. En 2.
2. En 3.
3. En 4.
4. En 5.
Si la variable predictora es politómica, se deberá transformar en variables

dicotómicas (dummy). Para n niveles de la variable predictora politómica,
obtendremos n-1 variables dicotómicas dummy.
1.7. INTRODUCCIÓN A LA ESTADÍSTICA
INFERENCIAL
MUESTREO
Introducción
Estadística
Estadístico
descriptiva
MUESTRA
Estadística
Parámetro
POBLACIÓN inferencial
MUESTREO
MUESTREO PROBABILÍSTICO En población finita

O ALEATORIO - Extracción con reposición: se devuelve al
sujeto a la población después de cada
❖ Se emplea el azar de
extracción. Variables extraídas independientes
elección entre los sujetos del
entre sí.
universo, siguiendo el
- Extracción sin reposición: las vv aleatorias
principio de
extraídas no son independientes entre sí.
equiprobabilidad (todos
tienen la misma probabilidad En población infinita o muy grande
de estar en la muestra). Apenas tiene implicación que haya o no
❖ Permite calcular el error reposición. Se mantiene siempre la
muestral independencia entre sí de las variables aleatorias
extraídas.
MUESTREO NO PROBABILÍSTICO
No utiliza el azar en la selección de los
sujetos. Muestras no representativas
Muestreo probabilístico o aleatorio: tipos
❖ Muestreo aleatorio simple: cada sujeto de la población tiene la misma probabilidad de ser
escogido. Mediante extracción en una población infinita (o finita con reposición).
❖ Muestreo aleatorio de conglomerados: división de la población en varios
grupos/conglomerados de elementos y selección aleatoria de uno de ellos como muestra.
Se obtiene la muestra en sucesivas etapas,
Subtipo: muestreo por
en cada fase conglomerados más pequeños.
etapas o polietápico
Incrementa el costo del muestreo
❖ Muestreo aleatorio estratificado: se divide la población en varios estratos y se extrae una

PIR 20
muestra de cada uno de los estratos. La suma de las muestras constituirá la muestra total.
Cada submuestra estará compuesta por un número de sujetos (afijación) determinada por el
criterio:
• Uniforme: mismo número de sujetos en cada submuestra
• Proporcional: según el peso que tengan en la población, proporcionalmente al tamaño de
cada estrato.
• Óptimo: en función de la distribución y homogeneidad de la población para la variable en
cuestión.
❖ Muestreo aleatorio sistemático: se divide en N de la población entre el n deseado para la
muestra, lo que da lugar a K. Dentro de los primeros K se selecciona un participante al azar.
Los siguientes participantes se escogen sumando al último la constante (K).
PIR 2020
4. En lo que respecta a las estrategias para seleccionar la muestra de

una investigación, señale la afirmación INCORRECTA:
1. En el muestreo aleatorio estratificado se establecen restricciones a la

selección totalmente aleatoria de la muestra.
2. El tamaño muestral puede ser delimitado respondiendo al objetivo de que
la muestra sea representativa de la población de referencia y/o atendiendo
a estudios de potencia a priori.
3. En el muestreo aleatorio estratificado, el procedimiento de afijación
uniforme implica que los tamaños de los estratos son proporcionales a los
tamaños poblacionales.
4. El muestreo aleatorio por conglomerados implica que, en lugar de
elementos individuales de la población, se utilizan conjuntos de elementos
que puede considerarse que constituyen una unidad más amplia.
PIR 2020
4. En lo que respecta a las estrategias para seleccionar la muestra de

una investigación, señale la afirmación INCORRECTA:
1. En el muestreo aleatorio estratificado se establecen restricciones a la

selección totalmente aleatoria de la muestra.
2. El tamaño muestral puede ser delimitado respondiendo al objetivo de que
la muestra sea representativa de la población de referencia y/o atendiendo
a estudios de potencia a priori.
3. En el muestreo aleatorio estratificado, el procedimiento de afijación
uniforme implica que los tamaños de los estratos son proporcionales
a los tamaños poblacionales. Afijación proporcional
4. El muestreo aleatorio por conglomerados implica que, en lugar de
elementos individuales de la población, se utilizan conjuntos de elementos
que puede considerarse que constituyen una unidad más amplia.
ESTIMACIÓN DE
PARÁMETROS
Estimación de parámetros puntual La más simple
MÉTODO DE LOS MOMENTOS

Se da a un parámetro poblacional el valor del estadístico que le
corresponde en la muestra, sin poder establecer el error cometido
CRITERIOS QUE DEBE CUMPLIR UN ESTIMADOR PUNTUAL FIABLE
❖ Carencia de sesgo: el valor esperado del estimador coincide con el

parámetro.
❖ Eficiencia: más eficiente cuanto menor es su varianza.
❖ Suficiencia: si utiliza toda la información de la muestra para estimar un

parámetro.
❖ Consistencia: el valor de un estadístico tiene que coincidir con el valor del

parámetro que le corresponda a medida que vaya aumentando el tamaño
de la muestra.
Estimación por intervalo y contraste de hipótesis
Estimación por intervalo consiste en decidir de un

panel de valores en el que se pueda encontrar muy
probablemente el valor del parámetro que se desea
estimar.
Contraste de hipótesis proceso de decisión en el que

una hipótesis formulada en términos estadísticos se pone
en relación con unos datos empíricos, y en que se
determina si existe una compatibilidad entre los dos.
FORMULACIÓN DE HIPÓTESIS
Hipótesis planteada por el
investigador
Se puede rechazar o
Todo contraste se Suele plantear la falta de mantener
formula en dos efecto o la ausencia de
hipótesis distintas diferencias
Contraste bilateral
Contraste unilateral izquierdo

Cuantifica el
LA REGLA DE DECISIÓN nivel de riesgo
0.95 0.05
0.99 0.01
0.999 0.001
LA REGLA DE DECISIÓN
ULTRA-HIPER-MEGA
SUPERPIR
Si reduce la probabilidad del error tipo I, Validez de conclusión

aumenta la probabilidad del tipo II, y estadística
viceversa
EL ESTADÍSTICO DE CONTRASTE
Una vez hemos hallado el valor del estadístico de contraste,

buscando en las tablas de los formularios de estadística,
podemos dar con el p-valor (nivel crítico) correspondiente, que
más tarde emplearemos para decidir si rechazamos o
mantenemos la hipótesis nula
Cada estadístico de contraste tiene una distribución

específica
LA REGIÓN CRÍTICA
Define la probabilidad de rechazar la hipótesis nula,
según dónde caiga el estadístico de contraste
MANTENIMIENTO O RECHAZO DE LA
MUY IMPORTANTE HIPÓTESIS NULA
comprenderlo
EL INTERVALO DE CONFIANZA
❖ Intervalo de posibles valores del parámetro poblacional

que corresponda a los valores del estadístico de la
muestra.
❖ Se busca un intervalo de valores y un grado de

probabilidad que permitan estimar el parámetro.
Ejemplo: se puede afirmar que hay

un 95% de probabilidad de que el
valor de la media poblacional para
una variable cualquiera se sitúe
entre un valor X y un valor Y.
Resumen contraste de hipótesis
1. Planteamos las hipótesis (H0 y H1)
2. Cálculo del estadístico de contraste
3. Dividimos en región de aceptación y

de rechazo de H0
4. Decidimos A PRIORI Si cae el estadístico en región crítica→ rechazamos H0

Si cae el estadístico en región aceptación→ mantenemos H0
5. Comparamos alfa y nivel crítico y
tomamos decisión final
6. Intervalo de confianza
PIR 2019.
163. En lo que respecta a la validez de conclusión estadística, indique

cuál de las siguientes afirmaciones es correcta:
1.La potencia es complementaria al error de tipo Id y se define como la

C
capacidad de una prueba estadística para detectar una relación entre

variables.
2.El
d error de tipo IIE se refiere al hecho de detectar una relación entre
variables cuando de hecho no existe tal relación en la población.
3.La probabilidad de cometer un error de tipo I se denomina alpha y se
0
refiere a rechazar la hipótesis nula cuando dicha hipótesis es verdadera.
4.El tamaño muestral tiene una relación inversamente proporcional con la
potencia de la prueba estadística.
PIR 2019.

1.La potencia es complementaria al error de tipo I y se define como la

variables.
2.El error de tipo II se refiere al hecho de detectar una relación entre
refiere a rechazar la hipótesis nula cuando dicha hipótesis es
verdadera.
potencia de la prueba estadística.
PIR 2019.

Al error tipo II
1.La potencia es complementaria al error de tipo I y se define como la
variables. No detectar una relación cuando sí que existe
(mantener H0 siendo falsa)
2.El error de tipo II se refiere al hecho de detectar una relación entre
refiere a rechazar la hipótesis nula cuando dicha hipótesis es
verdadera.
potencia de la prueba estadística. El tamaño muestral y la potencia tiene
una relación DIRECTAMENTE
proporcional
PIR 2017
132. En una investigación se ha concluido que existe relación entre las

variables estudiadas, basándose en el resultado obtenido en la prueba
de la hipótesis nula. Sin embargo, constatamos que dicha relación no
existe en la población. Según este enunciado… (señale la afirmación
correcta:
1.Se ha cometido un error tipo I.

2.Se ha cometido un error tipo II.
3.La potencia de la prueba es baja.
4.El valor de p obtenido en la prueba de la hipótesis nula es superior a 0.05.
PIR 2017 H0 defiende que NO hay
relación entre las VV
132. En una investigación se ha concluido que existe relación entre las

variables estudiadas, basándose en el resultado obtenido en la prueba
de la hipótesis nula. Sin embargo, constatamos que dicha relación no
existe en la población. Según este enunciado… (señale la afirmación
correcta:
1.Se ha cometido un error tipo I.

2.Se ha cometido un error tipo II.
3.La potencia de la prueba es baja.
4.El valor de p obtenido en la prueba de la hipótesis nula es superior a 0.05.
Meta-análisis
❖ Análisis del análisis.
❖ Realiza un estudio cuantitativo de estudios cuantitativos previamente

realizados.
❖ Recurren al calculo del TAMAÑO DEL EFECTO: proporción de varianza

de la distribución total explicada por la variable estudiada.
⚫ Comparaciones entre dos grupos:

- Indíce d de Cohen: consiste en calcular la diferencia estandarizada
entre medias.
⚫ Comparaciones ANOVA:
- Eta cuadrado: NO SE RECOMIENDA ya que es un estimador sesgado
del tamaño del efecto a nivel poblacional.
- Omega cuadrado PIR 20
-F
PIR 2020
2. En el ámbito del análisis estadístico de los datos, en lo que respecta

al tamaño del efecto, indique la afirmación INCORRECTA:
1.En un análisis de la varianza, la obtención de un valor de F

estadísticamente significativo se corresponde siempre con un efecto
importante.
2.La
A prueba d de Cohen consiste en calcular la diferencia estandarizada
entre medidas.
3.Para estimar la proporción de varianza explicada se desaconseja utilizar
eta-cuadrado debido a que se trata de un estimador sesgado del tamaño
del efecto.
4.El tamaño del efecto entre más de dos medias puede ser calculado
mediante el estadístico f
PIR 2020
2. En el ámbito del análisis estadístico de los datos, en lo que respecta

al tamaño del efecto, indique la afirmación INCORRECTA:
1.En un análisis de la varianza, la obtención de un valor de F

estadísticamente significativo se corresponde siempre con un efecto
importante.
2.La prueba d de Cohen consiste en calcular la diferencia estandarizada
entre medidas.
3.Para estimar la proporción de varianza explicada se desaconseja utilizar
eta-cuadrado debido a que se trata de un estimador sesgado del tamaño
del efecto.
4.El tamaño del efecto entre más de dos medias puede ser calculado
mediante el estadístico f.
1. 8. ANÁLISIS DE DATOS CUANTITATIVOS:
LAS PRUEBAS PARAMÉTRICAS MÁS
COMUNES
Antes de empezar…
Correlación
Regresión
Se enfocan en la estimación de
parámetros
Pruebas VD definida mínimo a nivel de
intervalo
paramétricas
Muestra grande (+30 sujetos aprox)
y/o distribuida normalmente
Se enfocan en el análisis de:

- Hipótesis que no se refieren a
un parámetro poblacional.
Pruebas - Muestras que no cumplen los
No paramétricas supuestos necesarios
- Variables que no se definen a
nivel de intervalo o razón
Supuestos del modelo general lineal: regresión
❖ Linealidad: si no se cumple incrementa el error tipo II.

Se evalúa mediante el gráfico de dispersión de puntos.
❖ Normalidad: los datos deben ajustarse a una distribución normal.

Se evalúa mediante la cuantificación del grado de asimetría y curtosis, así
como se usan histogramas y gráficos P-P.
❖ Independencia de los errores: Implica que los errores en la medición de las

variables sean independientes entre sí. Es especialmente importante
verificarlo en diseños longitudinales o de medidas repetidas.
Se evalúa mediante la prueba Durbin-Watson.
Supuestos del modelo general lineal: regresión PIR 21
❖ Homocedasticidad: implica que la varianza de una variable debe ser estable

en todos los valores de la otra variable.
Se verifica mediante Levene o mediante gráficos de dispersión.
❖ No colinealidad: Implica que las variables predictoras no estén altamente

correlacionadas entre ellas. Existe multicolinealidad entre las variables
predictoras cuando existe dependencia lineal entre ellas.
Evaluación: índices de tolerancia y factor de inflación de la varianza (FIV).
❖ Outliers / valores extremos: para diagnosticar la presencia de valores

extremos en regresión se han de examinar los residuales (errores en la
predicción).
Estadísticos empleados: Distancia de Cook, Residual Studentizado,
Residual estandarizado, Valores de influencia, Desviación…
Requisitos pruebas paramétricas SUPER-PIR
NORMALIDAD Los datos deben ajustarse a una distribución

normal
Pruebas estadísticas para

verificar el supuesto
Independencia de las puntuaciones entre sí

INDEPENDENCIA Suele cumplirse en muestras grandes o muestreos
aleatorios
verificar el supuesto Test de Durbin-Watson
(se emplea en regresión)
Igualdad de varianzas de las subpoblaciones
HOMOCEDASTICIDAD
empleadas para la extracción de la muestra
Prueba de Brown-Forsythe Robustas ante incumplimiento
Prueba de Levene de normalidad
verificar el supuesto Prueba de Bartlett → menos recomendable
Prueba de Hartley → tamaños muestrales grandes
Prueba de Cochran
NORMALIDAD Los datos deben ajustarse a una distribución

normal

verificar el supuesto
Independencia de las puntuaciones entre sí

INDEPENDENCIA Suele cumplirse en muestras grandes o muestreos
aleatorios
verificar el supuesto Test de Durbin-Watson
(se emplea en regresión)
Igualdad de varianzas de las subpoblaciones
HOMOCEDASTICIDAD
empleadas para la extracción de la muestra
Prueba de Brown-Forsythe Robustas ante incumplimiento
Prueba de Levene de normalidad
verificar el supuesto Prueba de Bartlett → menos recomendable
Prueba de Hartley → tamaños muestrales grandes
Prueba de Cochran
¿Qué hacer ante el incumplimiento de los supuestos?
Transformación logarítmica
Normalidad Transformación de raíz cuadrada
Transformación recíproca (1/X)
Transformación de puntuaciones invertidas
Independencia Modelos lineales multinivel

Transformación de mínimos cuadrados ordinarios
Transformación logarítmica (log)

Homocedasticidad Transformación de raíz cuadrada
Transformación recíproca (1/X)
No lo han preguntado, pero en la línea que van está

bien que nos suene
PIR 2021
30. ¿Cuál de los siguientes estadísticos se emplea

como indicador de multicolinealidad en los
modelos de regresión lineal múltiple?:
1. Durbin-Watson.
2. Tolerancia.
3. Distancia de Cook.
4. Correlación de Pearson.
PIR 2021
30. ¿Cuál de los siguientes estadísticos se emplea

como indicador de multicolinealidad en los
modelos de regresión lineal múltiple?:
1. Durbin-Watson.
2. Tolerancia.
3. Distancia de Cook.
4. Correlación de Pearson.
HOMOCEDASTICIDAD
En ANOVA de medidas independientes
Si no se cumple:
Si se cumple heterocedasticidad
F de Fisher Pruebas omnibus Welch

Snedecor Revelan si existen Brown-Forsythe
diferencias entre grupos
Comparaciones
múltiples
¿Entre qué grupos existen
esas diferencias?
PIR 2021
32. Cuando en el análisis de varianza unifactorial

no se cumple el supuesto de homocedasticidad,
en vez de la F ordinaria, ¿cuál de las siguientes
pruebas convendría emplear?:
1. Brown-Forsythe.
2. Shapiro-Wilk.
3. Levene.
4. Mauchly
PIR 2021
32. Cuando en el análisis de varianza unifactorial

no se cumple el supuesto de homocedasticidad,
en vez de la F ordinaria, ¿cuál de las siguientes
pruebas convendría emplear?:
1. Brown-Forsythe.
2. Shapiro-Wilk.
3. Levene.
4. Mauchly
Una vez verificados los supuestos…
¿Qué pruebas paramétricas
utilizaremos?
Correlación y regresión
Se recurre a la prueba T de Student
En la regresión se enfoca especialmente en el

parámetro b (la pendiente de la recta de regresión)
Contrastes de hipótesis sobre medias
Varianza poblacional Estadístico Z

conocida (distribución normal unitaria)
Sobre 1 media
Varianza poblacional Estadístico T
NO conocida (distribución t de student)
Estadístico T
Independientes
(distribución t de student)
Sobre 2 medias
Estadístico T para medias
Relacionadas relacionadas
(distribución t de student)
Sobre +2 medias ANOVA

Análisis de varianza (ANOVA I)
❖Para comparar + 2 medias.
❖Se enfoca en el estudio de la variabilidad de las

observaciones.
❖El ANOVA I se realiza con un solo factor (= 1 VI)

compuesto por diferentes categorías denominadas niveles.
❖Se trata de un modelo equilibrado o balanceado cuando

todos los grupos tienen el mismo número de sujetos.
ANÁLISIS DE VARIANZA
SUPUESTOS
❖ Normalidad: fundamental para el ANOVA
❖ Independencia
Supuestos adicionales para el ANÁLISIS
❖ Homocedasticidad Violación
DE VARIANZA CON MEDIDAS
esfericidad:
❖ Esfericidad: las varianzas de las diferencias entre aumenta el valor de
cada par de entrenamientos son iguales en la F y la probabilidad de
cometer error tipo I
REPETIDAS
población.
Se comprueba con la
prueba W Mauchy
Violación
aditividad:
❖ Aditividad: NO interacción entre los diferentes disminuye el valor de
tratamientos y los sujetos. F y aumenta la
Se comprueba con la probabilidad de
cometer error tipo II
prueba Tukey
PIR 2020
6. ¿Cuál de las siguientes pruebas se emplea para comprobar el

supuesto de esferidad en el análisis de varianza de medidas
repetidas?:
1. Shaphiro-Wilks.
2. Levene.
3. Mantel-Haen
4. Mauchly
PIR 2020
6. ¿Cuál de las siguientes pruebas se emplea para comprobar el

supuesto de esferidad en el análisis de varianza de medidas
repetidas?:
1. Shaphiro-Wilks. Normalidad
2. Levene.Homocedasticidad
3. Mantel-Haenszel se utiliza en el análisis de datos categóricos estratificados o
emparejados. Permite a un investigador probar la asociación entre un
4. Mauchly predictor o tratamiento binario y un resultado binario, como el estado de
caso o control, teniendo en cuenta la estratificación.
TIPOS DE VARIABILIDAD
❖ Variabilidad total (T): se observa reuniendo todos los grupos y examinando las
variaciones en las puntuaciones de la VD.
❖ Variabilidad intergrupo (I): variabilidad de las puntuaciones entre los grupos

(es la que se queremos hallar).
❖ Variabilidad intragrupo o error (E): también llamada varianza residual.

Importancia de la relación entre variabilidad intergrupo e intragrupo. Si
la variabilidad intergrupo es mayor, se puede concluir que la variable de
clasificación es una fuerte fuente de variabilidad
Se comparan mediante
Resultado del cociente entre la varianza

Estadístico F intergrupo e intragrupo
ANÁLISIS DE VARIANZA
El cálculo del estadístico F como cociente de las medias cuadráticas
intergrupo e intragrupo (F empírica) y su comparación con la F teórica
(la que se encuentra en las tablas de probabilidad) permite tomar una
decisión acerca del mantenimiento o rechazo de la hipótesis nula.
- Si la F empírica es mayor o igual que la F teórica, se

rechaza la hipótesis nula.
- Si la F empírica es menos que la F teórica, se
mantiene la hipótesis nula.
Para ver en qué grupos existen

las diferencias significativas
Scheffé y comparaciones múltiples
Trending Topic en las
Comparaciones múltiples últimas convocatorias
¿Para qué se emplean?
En ANOVA, al rechazar H0 con alguna de las pruebas omnibus empleadas (F o

alguna otra conservadora), se admite que existen diferencias
estadísticamente significativas entre los tratamientos. Para averiguar entre
qué pares de tratamientos existen dichas diferencias significativas se
emplean las comparaciones múltiples.
Tipos
- Comparaciones planificadas o a priori: se formulan de acuerdo con los
intereses previos o teóricos del investigador y exigen definir las comparaciones
que se harán antes de obtener los resultados del experimento. Pueden ser no
ortogonales y ortogonales.
- Comparaciones no planificadas o a posteriori: se plantean una vez se ha
realizado el contraste de hipótesis y el resultado ha sido estadísticamente
significativo.
Comparaciones múltiples
Planificadas DUNN-BONFERRONI
o a priori DUNN-SIDAK
NO
ORTOGONALES ORTOGONALES
SCHEFFÉ
HDS DE TUKEY
GAMES-
HOWELL
No planificadas
DUNNET
o a posteriori
SCHAFFER-RYAN
LSD DE
PIR 2019 y FISHER
2020
NEWMAN-KEULS
DUNCAN
No controlan adecuadamente la tasa de
error nominal, por lo que su uso no es
recomendable
Comparaciones múltiples
Tasa de error
A mayor número de comparaciones, mayor probabilidad de cometer un
error tipo I.
Tasa de error individual: probabilidad máxima de que una comparación

concluya incorrectamente que la diferencia observada es significativamente
diferente de la H0.
Tasa de error por familia: probabilidad máxima de que un procedimiento que

consta de más de una comparación concluya incorrectamente que por lo
menos una de las diferencias observadas es significativamente diferente de la
H0.
El procedimiento más adecuado para evitar la tasa de error en las

comparaciones múltiples consiste en utilizar comparaciones no planificadas o
a posteriori ya que persiguen el objetivo de mantener constante la
probabilidad de cometer un error de tipo I en las decisiones estadísticas
PIR 2020
8. En el contexto del análisis de datos, señale la afirmación

INCORRECTA:
1. Si en un estudio se realizan varios contrastes simultáneos o
independientes, la tasa de error de tipo I se incrementa con respecto al nivel
nominal planteado.
2. El procedimiento HSD de Tukey es un procedimiento dirigido a realizar
comparaciones entre pares de medias, cuando estas comparaciones son
simples y están formuladas a posteriori.
3. La corrección de Bonferroni es el método más apropiado para controlar la
tasa de error de tipo I por familia de comparaciones, cuando se pretende
analizar un subconjunto de todas las posibles comparaciones, y éstas están
formuladas a priori.
4. Cuando se pretende comparar un grupo de control frente al resto de
condiciones experimentales, la prueba más adecuada para controlar el error
de tipo I es la prueba de Newman-Keuls.
PIR 2020
8. En el contexto del análisis de datos, señale la afirmación

INCORRECTA:
1. Si en un estudio se realizan varios contrastes simultáneos o
independientes, la tasa de error de tipo I se incrementa con respecto al nivel
nominal planteado.
2. El procedimiento HSD de Tukey es un procedimiento dirigido a realizar
comparaciones entre pares de medias, cuando estas comparaciones son
simples y están formuladas a posteriori.
3. La corrección de Bonferroni es el método más apropiado para controlar la
tasa de error de tipo I por familia de comparaciones, cuando se pretende
analizar un subconjunto de todas las posibles comparaciones, y éstas están
formuladas a priori.
4. Cuando se pretende comparar un grupo de control frente al resto de
condiciones experimentales, la prueba más adecuada para controlar el
error de tipo I es la prueba de Newman-Keuls.
ANOVA con medidas repetidas
❖ Dos supuestos adicionales:
- Esfericidad
- Aditividad
❖ La variabilidad total se descompone en:

- Varianza intersujetos: reacciones diferentes de sujetos distintos
al mismo tratamiento.
- Varianza intrasujeto: reacción de un mismo individuo a los

diferentes entrenamientos.
• Varianza intertratamiento: variación de la

puntuación debida a los entrenamientos.
• Varianza residual o error: debida a variables

ajenas al modelo.
ANOVA con medidas repetidas
ESFERICIDAD
En ANOVA de medidas repetidas
Si no se cumple la
Si se cumple esfericidad
F de Fisher- Pruebas omnibus Greenhouse-Geisser,

Snedecor Revelan si existen límite inferior y Huynh-
Feldt.
diferencias entre grupos
Comparaciones
múltiples
¿Entre qué grupos existen
esas diferencias?
ANOVA II
❖Más de una variable independiente (más de un factor) en más de dos

grupos.
❖Permite conocer el efecto de cada factor por separado y el efecto de

su interacción.
❖Menos sujetos para alcanzar la misma potencia que el ANOVA I.
❖La hipótesis nula declina en tres propuestas
- No hay diferencias entre las

medias del factor A
- No hay diferencias entre las
medias del factor B
- No hay interacción entre factores
ANOVA II
❖Al haber al menos dos factores o variables independientes la hipótesis
nula declina en tres propuestas:
- No hay diferencias entre las medias del factor A
- No hay diferencias entre las medias del factor B
- No hay interacción entre factores
TIPOS DE VARIABILIDAD
❖Variabilidad debida al factor A
❖Variabilidad debida al factor B
❖Variabilidad debida a la interacción del factor A y del factor B
❖Variabilidad error: diferencias interindividuales existentes en cada uno
de los grupos.
ANÁLISIS DE VARIANZA CON 2 FACTORES
❖ Tres estadísticos de contraste (uno para cada hipótesis) que se distribuyen
según una F de Fisher.
❖ Si hay diferencias significativas, identificamos entre qué niveles con Scheffé.
ANOVA II
EFECTOS FACTORIALES SUPER-PIR
❖Efecto principal: influencia de cada factor sobre la variable dependiente

(si es nula, el factor no tiene influencia).
❖Efecto diferencial: diferencia entre dos niveles de un mismo factor.
❖Efecto de interacción: efecto específico de un factor al ser combinado

con otro. Pueden ser de primer orden (2 factores), segundo orden (3
factores) y tercer orden (4 factores).
PIR 20
- Efectos simples: efecto de un nivel de un factor bajo cada nivel de
otro (efecto de un factor cuando se tiene en cuenta un único nivel del
otro). A B
a1 b1
a2 b2
a3
PIR 2020
3. En el marco del análisis de la varianza con más de un factor, señale

la afirmación INCORRECTA:
1.El estudio del efecto moderador de una tercera variable, en la relación

entre una variable independiente y una variable dependiente, se puede
analizar mediante el efecto de interacción entre dicha tercera variable y el
factor o variable independiente.
2.Un efecto simple consiste en el efecto de un factor A cuando únicamente
se tiene en cuenta un único nivel del otro factor B.
3.Cuando se obtiene un efecto de interacción estadísticamente significativo,
la interpretación de los efectos principales implicados en dicha interacción
supone un error de interpretación.
4.El análisis de los efectos simples no debe ser utilizado para interpretar
una interacción estadísticamente significativa.
PIR 2020
3. En el marco del análisis de la varianza con más de un factor, señale

la afirmación INCORRECTA:
1.El estudio del efecto moderador de una tercera variable, en la relación

entre una variable independiente y una variable dependiente, se puede
analizar mediante el efecto de interacción entre dicha tercera variable y el
factor o variable independiente.
2.Un efecto simple consiste en el efecto de un factor A cuando únicamente
se tiene en cuenta un único nivel del otro factor B.
3.Cuando se obtiene un efecto de interacción estadísticamente significativo,
la interpretación de los efectos principales implicados en dicha interacción
supone un error de interpretación.
4.El análisis de los efectos simples no debe ser utilizado para
interpretar una interacción estadísticamente significativa.
ANÁLISIS DE COVARIANZA (ANCOVA)
❖Contraste de hipótesis al comparar más de 2 medias.
❖Aísla el efecto de una variable extraña en nuestro estudio (a

posteriori). Controla estadísticamente el error
experimental.
❖Basada en el análisis ANOVA realizado sobre unas

puntuaciones corregidas mediante una recta de regresión.
Esquema pruebas paramétricas
Contraste de correlación t de Student

PRUEBAS PARAMÉTRICAS
Contraste de regresión t de Student
Varianza conocida Z
1 media
Varianza desconocida T
2 medias independientes t de Student
2 medias relacionadas t de Student
+ 2 medias independientes ANOVA intergrupo
+ 2 medias relacionadas ANOVA intragrupo
+2 medias con control de

ANCOVA
variable contaminadora
1. 8. CONTRASTES NO PARAMÉTRICOS
Se enfocan en el análisis de:
- Hipótesis que no se refieren a un
parámetro poblacional.
- Muestras que no cumplen los
supuestos necesarios
- Se puede aplicar a vv nominales,
ordinales, intervalo y razón
No los están preguntando

en las últimas convocatorias
Principales pruebas no paramétricas
PRUEBA OBJETIVO VARIABLES GRUPOS
Prueba de signos o Calcular la mediana Mínimo ordinales

binomial
Prueba de bondad Distribución muestra = Nominal u ordinal

de ajuste Distribución población
Prueba de Independencia de 2 vv Nominal u ordinal

independencia aleatorias
Prueba de Busca diferencias Mínimo ordinales Dependientes

Wilcoxon significativas en 2
muestras
Prueba de Mann- Busca diferencias Mínimo ordinales Independientes
Whitney significativas en 2
muestras
Prueba Kruskal- Busca diferencias Mínimo ordinales Independientes
Wallis significativas en +2
muestras
Prueba de Busca diferencias Mínimo vv ordinales Dependientes
Friedman significativas en +2
muestras
PRUEBA DE WILCOXON
❖2 muestras DEPENDIENTES
1 PALABRA → DEPENDIENTE
2 MUESTRAS SOLO POR SER UN ÚNICO HOMBRE
PRUEBA DE MANN-WHITNEY
❖2 muestras INDEPENDIENTES
2 PALABRAS → INDEPENDIENTE
2 MUESTRAS SOLO POR SER UN ÚNICO HOMBRE

(MAN SIGNIFICA HOMBRE)
PRUEBA DE KRUSKAL-WALLIS
❖Equivalente no paramétrico al análisis de varianza

❖+2 muestras INDEPENDIENTES
2 PALABRAS → INDEPENDIENTE
+2 MUESTRAS POR “SER DOS PERSONAS”

(KRUSKAL Y WALLIS)
PRUEBA DE FRIEDMAN
❖Equivalente no paramétrico al análisis de varianza de
medidas repetidas.
❖+2 muestras DEPENDIENTES
1 PALABRA → DEPENDIENTE
+2 MUESTRAS → FRIEDMAN (HOMBRE FRITO):
ESTÁ HARTO DE QUE LE PASEN LA PRUEBA
TANTAS VECES (VARIAS MUESTRAS).
TEMA 2
MÉTODO
CIENTÍFICO Y
EXPERIMENTAL
TEMA 2
- Control de las
MÉTODO -
variables extrañas
Saber identificar el
tipo de diseño
CIENTÍFICO Y - Diseños de
bloques (trendic
topic en las últimas
EXPERIMENTAL convocatorias)
2. 1. INTRODUCCIÓN AL MÉTODO CIENTÍFICO
Criterios de clasificación método científico
❖ Según el tipo de razonamiento:
- Razonamiento deductivo: de lo general a lo particular
- Razonamiento inductivo: de lo particular a lo general.

Partiendo de una observación de un número representativo de
casos, se elaboran reglas generales.
- Razonamiento hipotético-deductivo: a partir de la

observación de hechos empíricos se emiten hipótesis
generales, que en el caso de ser confirmadas, podrían
aplicarse como leyes explicativas de otros hechos empíricos.
Método científico
❖ Según el tipo de observación de los datos: SUPER-PIR
- Método experimental: se seleccionan de manera

intencionada las variables a estudiar y se aplican
aleatoriamente a los sujetos objeto de estudio. Relación
causa-efecto. Continuidad temporal VD-VI.
- Método comparativo o diferencial: determina el GRADO de

relación entre las variables elegidas, sin CAUSALIDAD, Se
habla de correlación.
- Método natural u observacional: no manipulativo. Suelen

usarse categorías para codificar las conductas.
Tipos de método científico
CONTROL MANIPULACIÓN ALEATORIZACIÓN

EXPERIMENTAL Alto Sí Sí
CUASI-EXPERIMENTAL Medio Sí No
O COMPARATIVO (en la selección de
los sujetos)
NO EXPERIMENTAL, Bajo No No
NATURAL U
OBSERVACIONAL
2. 2. DEFINICIÓN Y CONTROL DE VARIABLES
PSICOLÓGICAS
Definición y clasificación de las variables psicológicas
Una variable psicológica es un constructo psicológico que debe ser

observable, medible y cuantificable.
CATEGORIZACIÓN METODOLÓGICA
Afectan e influyen en el fenómeno de conducta estudiado

Variables
Son manipuladas por el investigador
independiente
Son el antecedente o la causa de la variable dependiente
Fenómenos observables que se miden y cuantifican

Variables
según un criterio definido
dependiente
Depende del efecto de la variable independiente
Variables extrañas Pueden anular el efecto de la VI o moderarla.

o contaminadoras Si es moderadora, puede ser sistemática o irregular.
Definición y clasificación de las variables psicológicas
MANIPULAR MEDIR
Variable independiente Variable dependiente

(VI / X) (VD / Y)
Causa Efecto
Variables extrañas
CONTROLAR (VVEE)
Interferencia
La variable dependiente Univariado/multivariado
Válida: mide lo que pretende medir
Fiable: resultados similares al

Debe cumplir 3 condiciones aplicarse varias veces.
Sensible: varía en función de los

cambios en los valores de la VI.
Velocidad de respuesta
Frecuencia de la respuesta
Latencia de la respuesta
Índices estandarizados de medida
Exactitud de la respuesta
Habilidad de la respuesta
Intensidad de la respuesta
La variable independiente Factorial / Unifactorial
❖Se le deben asignar un número de valores (por ejemplo,

presencia o ausencia de un tratamiento).
❖Marca el grupo experimental y el grupo control.

Origen de las variables extrañas
Influye en las respuestas de

los sujetos, orientándolas en
El experimentador Efecto Rosenthal una dirección dada en base a
sus expectativas
- Presentan características que influyen a varios

Los sujetos niveles sobre la VD de forma sistemática o puntual
En diseños
intergrupo
Los instrumentos de medición y el material utilizado
Cansancio
El error progresivo
En situaciones Práctica
intragrupo
Control de las variables extrañas
Eliminación
Constancia
Técnicas comunes para
Simple, doble y triple ciego
diseños inter e intragrupo
Sistematización de variables extrañas
ANCOVA, Correlación
Control estadístico
parcial y semiparcial
Aleatorización
Técnicas diseños intergrupo Balanceo o equilibración Técnica de bloques
(situación experimental tipo I)
Equiparación o emparejamiento
Equiponderación Equiponderación
Técnicas diseños intragrupo = intrasujeto
(situación experimental tipo II) Contrabalanceo
= Equiponderación
Reequilibración intragrupo
TÉCNICAS COMUNES
❖ Eliminación: utilizar el valor cero de una vv extraña, eliminando todos los demás
valores.
❖ Constancia: utilizar un valor diferente a cero que se mantiene constante en los
diferentes grupos.
❖ Ciego: se desconocen las hipótesis de estudio
- Simple ciego: las desconoce el participante
- Doble ciego: las desconocen el participante y el administrador de las pruebas
- Triple ciego: participante, administrador de pruebas y el que analiza los datos.
❖ Sistematización de variables extrañas: se incluyen vv extrañas como variables
independientes o predictoras en el modelo estadístico.
❖ Control estadístico:
- ANCOVA: Se elimina la influencia de variables extrañas (covariables) cuantitativas
en un ANOVA, permitiendo así la reducción de la varianza de error.
- Correlación parcial: elimina la influencia de vv extrañas en la v predictora y criterio.
- Correlación semiparcial: elimina la influencia de vv extrañas solo en la v
predictora.
SITUACIÓN EXPERIMENTO INTERGRUPO (TIPO I)
Las variables que más pueden contaminar son las variables del sujeto
❖ Balanceo o equiparación: repartir en cada grupo los valores de la VE en

proporciones equivalentes.
- Aleatorización: asignación aleatoria de los sujetos a los grupos y a los
tratamientos. Es eficaz con muestras grandes, al existir una alta
probabilidad de que las VVEE se repartan en las mismas proporciones.
- Bloques: asignación del mismo nº de sujetos de cada bloque a cada
condición experimental.
- Emparejamiento o equiparación: asignación de sujetos a cada grupo
con la misma puntuación en la VE de emparejamiento
SITUACIÓN EXPERIMENTO INTRAGRUPO (TIPO II)

La variable que más puede contaminar es el error progresivo. No aparecen VVEE
asociadas a los sujetos dado que cada sujeto es control de sí mismo.
Equiponderación y contrabalanceo: reparten las variables en proporciones

iguales dentro de un mismo grupo, y alteran el orden de presentación de los ttos.
EQUIPONDERACIÓN EQUIPONDERACIÓN INTRAGRUPO

INTRASUJETO (ABBA) (AB y BA)
- Modifica el orden de aplicación de - Se crean tantas secuencias como
los tratamientos y de las pruebas condiciones experimentales halla.
en un mismo sujeto. - Puede ser parcial o total.
- Objetivo: que el error progresivo - Puede ser sistemática o aleatoria.
se reparta en la misma cuantía
entre las pruebas.
SITUACIÓN EXPERIMENTO INTRAGRUPO (TIPO II)

La variable que más puede contaminar es el error progresivo. No aparecen VVEE
asociadas a los sujetos dado que cada sujeto es control de sí mismo.
Equiponderación y contrabalanceo: reparten las variables en proporciones

iguales dentro de un mismo grupo, y alteran el orden de presentación de los ttos.
EQUIPONDERACIÓN EQUIPONDERACIÓN INTRAGRUPO

INTRASUJETO (ABBA) (AB y BA)
- Modifica el orden de aplicación de - Se crean tantas secuencias como
los tratamientos y de las pruebas condiciones experimentales halla.
en un mismo sujeto. - Puede ser parcial o total.
- Objetivo: que el error progresivo - Puede ser sistemática o aleatoria.
se reparta en la misma cuantía
entre las pruebas.
2. 3. DISEÑO DEL EXPERIMENTO
Definición y funciones
Variabilidad de las
VARIANZA TOTAL
respuestas de los sujetos
Varianza sistemática Varianza sistemática Varianza aleatoria o

primaria secundaria error
= varianza intergrupos Es la varianza de la VD = varianza intragrupos

Es la varianza de la VD debido a variables Es la varianza de la VD
debido a la VI extrañas debido a imprecisión de los
instrumentos, de las
instrucciones dadas…
PRINCIPIO MAX MIN CON
Maximizar la varianza sistemática primaria
Minimizar la varianza error
Controlar la varianza sistemática secundaria
La validez del diseño
Validez de la inferencia Validez de la generalización de

causal la inferencia causal
Validez de conclusión Validez interna Validez de Validez externa

estadística constructo
AMENAZAS AMENAZAS
AMENAZAS - Ambigüedad en la AMENAZAS - Representatividad de
- Uso de modelos contingencia temporal la muestra.
estadísticos - Inadecuada
inadecuados. - Historia y maduración compresión del - Interacción: selección
constructo x tto, situación x tto,
- Violación de los - Administración de las historia x tto.
supuestos del modelo pruebas - Inadecuada
estadístico. medición. - Interferencia de
- Instrumentos tratamientos
- Baja potencia - Reactividad de múltiples.
estadística. - Selección diferencial los dispositivos
experimentales - Efecto reactivo de las
- Heterogeneidad de - Mortalidad exp. pruebas y de los
las unidades dispositivos
muestrales - Regresión estadística experimentales.
VALIDEZ INTERNA Se debe minimizar el efecto

de las variables extrañas
Permite demostrar la influencia de la VI
sobre la VD.
VALIDEZ EXTERNA
Permite generalizar los resultados a
todos los individuos de la población
❖ Validez histórica: aplicar los resultados a otros momentos históricos.
❖ Validez de población: aplicar los resultados de la muestra utilizada a la
población de la que procede.
❖ Validez ecológica: posibilidad de extender los resultados a contextos naturales.
VALIDEZ DE CONSTRUCTO
Capacidad de la VI-VD para inferir un constructo teórico.
VALIDEZ INTERNA Se debe minimizar el efecto

de las variables extrañas
Aumenta
Permite cuando la
demostrar garantizamos que
influencia de la VI
los grupos sonlahomogéneos
sobre VD.
VALIDEZ EXTERNA Cuantas más VI o más condiciones

experimentales tenga un experimento,
Permite generalizar los resultados a mayor validez externa
todos los individuos de la población
❖ Validez histórica: aplicar los resultados a otros momentos históricos.
❖ Validez de población: aplicar los resultados de la muestra utilizada a la
población de la que procede.
❖ Validez ecológica: posibilidad de extender los resultados a contextos naturales.
VALIDEZ DE CONSTRUCTO
Capacidad de la VI-VD para inferir un constructo teórico.
Tipología de los diseños
Unifactoriales
Factoriales
Método experimental
Diseños de caso único N=1
Diseños cuasi-experimentales
Método selectivo/ diferencial/
Diseños ex post facto
comparativo
Encuestas
Método observacional Diseños observacionales

2. 4. DISEÑOS UNIFACTORIALES
Sin medida pre
U 2 grupos aleatorios
N Con medida pre
Diseños de grupos
I aleatorios (intergrupo)
Diseño Solomon
F
Multrigrupos aleatorios
A
C
Diseños de bloques aleatorios
T
O
Diseños de bloque (intergrupo) Diseños de grupos apareados
R Latino
I
Diseños de cuadrado Grecolatino
A
L Hipergrecolatino
Bivalentes
E Diseños intragrupo
S Multivalentes
Diseños de grupos aleatorios (intergrupos)
DISEÑOS DE DOS GRUPOS ALEATORIOS

Por lo general baja validez externa al contemplar solo 2
valores de la VI.
❖ Sin medida pre-tratamiento: no se comprueba antes del tratamiento si la
asignación aleatoria ha permitido la creación de grupos equivalentes. Baja
validez interna y baja validez externa.
❖ Con medida pre-tratamiento: aumenta la validez interna al comprobar si
los grupos son equivalentes u homogéneos.
❖ Diseño Solomon: elaborado para mejorar la validez interna y externa.
Controla el efecto de la medida pre-tratamiento y el efecto de la VI.
Experimental
Sin medida pre-tratamiento
Control
4 GRUPOS
Experimental
Con medida pre-tratamiento
Control
Diseños de grupos aleatorios (intergrupos)
DISEÑOS MULTIGRUPOS ALEATORIOS
❖ Se diferencian de los anteriores en que el experimento consta de más

de dos valores de la VI, mejorando por tanto la validez externa.
❖ Emplea ANOVA I
❖ Pueden ser:
- Con medida pre-tratamiento
- Sin medida pre-tratamiento

Diseños de bloque (intergrupo)
DISEÑOS DE BLOQUES ALEATORIOS 1 VB

❖Utilizan una sola variable de bloqueo (VB)
❖Los sujetos se reparten desde los bloques hasta los grupos
experimentales por asignación aleatoria.
DISEÑOS DE GRUPOS APAREADOS (O EQUIPARADOS) 1 VB

❖ Se aplica una variable de bloqueo para crear grupos de sujetos
iguales que posteriormente se repartirán aleatoriamente hacia los
grupos experimentales.
❖ Máxima validez interna, pero problemas con la externa.
DISEÑOS DE CUADRADO +1 VB
❖ Su objetivo es controlar el efecto de las VVEE (VVBB) sobre la VD.
Cuadrados latinos: controla el efecto de 2 VVEE (o de bloqueo)
❖ Tipos Cuadrados grecolatinos: controla el efecto de 3 VVEE (o de bloqueo)
Cuadrados hipergrecolatinos: controla el efecto de 4 VVEE (VVBB)
PIR 2020
5. El diseño de bloques aleatorios NO tiene como objetivo:
1.Utilizar un proceso de aleatorización completo.

2.Controlar una variable perturbadora mediante un procedimiento de
estratificación.
3.Reducir la varianza de error y, por lo tanto, incrementar la potencia
estadística.
4.Incrementar la homogeneidad en cada condición experimental.
PIR 2020
5. El diseño de bloques aleatorios NO tiene como objetivo:
1.Utilizar un proceso de aleatorización completo.

2.Controlar una variable perturbadora mediante un procedimiento de
estratificación.
3.Reducir la varianza de error y, por lo tanto, incrementar la potencia
estadística.
4.Incrementar la homogeneidad en cada condición experimental.
Diseños intragrupo
Bivalentes
Diseños intragrupo
Multivalentes
Un solo grupo al que se le aplican sucesivamente varios ttos.
Error progresivo Equiponderación
❖ Diseños intragrupo bivalentes: dos condiciones ↑ Validez interna

experimentales que se aplican sucesivamente a ↓ Validez externa
cada uno de los sujetos de la muestra.
❖ Diseños intragrupo multivalentes: +2 condiciones ↑ Validez interna

experimentales. Validez externa mejora
2. 5. DISEÑOS FACTORIALES
Bifactoriales intergrupos (AxB)
Diseños factoriales
F intergrupos
A Multifactoriales intergrupos (AxBxC)
C
T
O Bifactoriales intragrupo (AxB)
R Diseños factoriales intragrupo
I Multifactoriales intragrupos
A
L
E Bifactoriales mixtos
Con medidas repetidas
S Diseños factoriales en un factor
mixtos
Multifactoriales
Con medidas repetidas
mixtos
en dos factores
Diseños factoriales: características
❖Permiten comprobar simultáneamente la influencia de 2 o más factores

(VVII) y su posible interacción.
❖Tienen mayor generalización de los datos del experimento (mayor
validez externa).
TIPOS DE EFECTOS
❖ Efecto principal: influencia de cada factor aislado sobre la variable
dependiente. Existen tantos factores principales como VI o factores.
❖ Efecto de interacción: cuando la influencia de un factor sobre una
VD varía en función de los valores que adopta otro factor o factores. PIR 20
Si el efecto interactivo resulta estadísticamente significativo, no se interpretarían
los efectos principales de los factores que conforman la interacción, sino que se
analizará el efecto interactivo y los correspondientes efectos simples.
Hay 3 factores
El primer factor tiene 2 niveles, el segundo 3 y el
Diseño 2x3x4 tercero 4.
Hay 24 tratamientos o condiciones experimentales
Diseños factoriales: clasificación
❖ Según el número de factores y sus niveles:
- Diseños bifactoriales (2 VVII)
- Diseños multifactoriales (+2 VVII)
❖ Según la situación experimental:

- Diseño intergrupo (situación tipo I)
- Diseño intragrupo (situación tipo II)
- Diseño mixto
❖ Según la combinación de niveles entre factores:
- Diseño cruzado: incluye todas las combinaciones de niveles estudiados.
- Diseño anidado o jerárquico: se seleccionan las combinaciones de

niveles que serán estudiadas. Es un diseño incompleto.
Diseños factoriales intergrupos
DISEÑOS BIFACTORIALES INTERGRUPOS

(AxB)
Técnica de análisis: ANOVA II

A\B
DISEÑOS MULTIFACTORIALES INTERGRUPOS

(AxBxC)
Técnica de análisis: análisis de varianza multidireccional (MANOVA)
Diseños factoriales intragrupo
ANOVA II de
Bifactoriales intragrupo (AxB)
medidas repetidas
Diseños factoriales intragrupo
Multifactoriales intragrupos MANOVA
❖Medidas repetidas.
❖Varios tratamientos a un solo grupo.
❖Para paliar el efecto del error progresivo se usan técnicas de

equiponderación, contrabalanceo o reequilibración.
Diseños factoriales mixtos
DISEÑOS BIFACTORIALES MIXTOS
❖Se observa a cada grupo de sujetos bajo un único nivel del factor A y
bajo todos los niveles del factor B.
❖Se emplea el análisis de varianza de doble criterio de clasificación con
medidas repetidas.
DISEÑOS MULTIFACTORIALES MIXTOS
❖ Con medidas repetidas en un factor: consiste en un diseño de grupos

independientes bajo los factores a y b, y de medidas repetidas bajo el factor c.
❖ Con medidas repetidas en dos factores: el diseño de grupos

independientes sería solo para el factor a, y medidas repetidas para b y c.
C 2. 6. DISEÑOS CUASIEXPERIMENTALES
U
A Un grupo solo postest
S
Diseños pre-
I experimentales
Grupo control no equivalente solo postest
E
X Un grupo pretest y postest
P
E Grupo control no equivalente
Cuasiexperimentales con
R
grupo control
I Discontinuidad en la regresión
M
E Tratamiento repetido
Cuasi experimentales
N sin grupo control
T Retirada de tratamiento con pretest y postest
A Simple
L Series temporales
E interrumpidas
Grupo control no equivalente
S
Diseños cuasiexperimentales: características
SUPER-PIR
❖Ausencia de aleatorización en la formación de grupos a los que

posteriormente se les asignará una condición experimental.
❖Se manipula la VI mediante asignación de los participantes.
❖Tiene limitaciones en las atribuciones de causalidad.

Diseños cuasiexperimentales con grupo control
Cuasiexperimentales con
grupo control
Discontinuidad en la regresión
Regla de
CON GRUPO CONTROL NO EQUIVALENTE asignación
DESCONOCIDA
❖Pretest-postest
❖Cohortes: compara una VD con aquellos que aun no han sido expuestos
(cohorte control pretest) con aquellos que posteriormente sí se vieron
expuestos (cohorte experimental postest).
Regla de
DISCONTINUIDAD EN LA REGRESIÓN asignación
CONOCIDA
Los sujetos se asignan a la condición experimental o a la condición control en función

de las puntuaciones en una medida pre-tratamiento. Si el tratamiento no tiene efecto
los resultados se mostrarán en una sola línea. Si tiene efecto, muestra una
discontinuidad.
Uno de los diseños cuasiexperimentales con mayor validez interna
Diseños cuasiexperimentales con grupo control
Regla de
DISCONTINUIDAD EN LA REGRESIÓN asignación
CONOCIDA
Los sujetos se asignan a la condición experimental o a la condición control en función

de las puntuaciones en una medida pre-tratamiento. Si el tratamiento no tiene efecto
los resultados se mostrarán en una sola línea. Si tiene efecto, muestra una
discontinuidad.
Uno de los diseños cuasiexperimentales con mayor validez interna
Diseños cuasiexperimentales sin grupo control
TRATAMIENTO REPETIDO
Se reintroduce el tratamiento tras su retirada

Pretest – tratamiento – postest – retirada del
tratamiento – pretest – reintroducción del
tratamiento - postest
RETIRADA DE TRATAMIENTO CON

PRETEST Y POSTEST
No se reintroduce el tratamiento tras haberlo retirado.
Fase experimental: pretest – tratamiento – postest

Fase control: pretest – retirada del tratamiento - postest
El tto. sigue presente cuando se introduce la segunda medida pretest

Series temporales interrumpidas
Simple
Series temporales
interrumpidas
Se hacen varias mediciones de la VD a lo largo del tiempo
SIMPLE
Se toman varias medidas de la VD antes y después del tratamiento (seguimiento)
CON GRUPO CONTROL NO EQUIVALENTE

Igual que el simple pero con un grupo control lo más similar posible que no se
someterá a tratamiento.
2. 7. DISEÑOS DE CASO ÚNICO (N=1)
Modelo clásico: A B
ABA
C Diseños de reversión (o retirada) ABAB

A
S BAB
O
Diseños de no Cambio de criterio Entre conductas
Ú reversión
N Línea base múltiple Entre situaciones
I
C Intervenciones
Entre sujetos
O Otros múltiples o
multielemento
Diseños interactivos
Diseños de caso único: características
A→ Línea base
B→ Introducción del tratamiento
❖Nivel de generalización más difícil por realizarse con un único

sujeto.
❖Repetidas mediciones: antes del tratamiento, durante el

tratamiento y después de retirar el tratamiento.
❖Permiten establecer relaciones de causalidad.
❖Otros nombres: N=1, diseño operante, diseño intraindividual,

replicación intrasujeto…
Diseños de no reversión
Diseños de no Cambio de criterio Entre conductas

reversión
Línea base múltiple Entre situaciones
CAMBIO DE CRITERIO Entre sujetos
❖Útil cuando se quiere aumentar o disminuir una determinada tasa de

conducta.
1. Línea base
2. Reforzamiento y castigo como tratamiento para alcanzar un
❖Procedimiento criterio prefijado
3. Cambio a un criterio más exigente
LÍNEA BASE MÚLTIPLE Varios objetos de tto. tratados secuencialmente
❖ Entre conductas
❖ Entre situaciones
❖ Entre sujetos
Otros diseños de caso único
Intervenciones múltiples o
multielemento
Otros
Diseños interactivos
❖ Intervenciones múltiples: varios tratamientos aplicados

secuencialmente (ABC).
❖ Diseños interactivos: varios tratamientos combinados con el

efecto de un tratamiento aislado (A-BC-B-BC).
2. 8. DISEÑOS EX POST FACTO
Simple
E Diseños retrospectivos Comparación de grupos

X
Grupo único
P
O
S Simple
T
Complejo
F
A
C Prospectivos Grupo único Longitudinales
T
O Evolutivos Transversales
Secuenciales
Diseños ex post facto: características
❖NO hay manipulación de la VI (sus valores ya vienen dados)
❖No hay asignación aleatoria de los sujetos a los distintos niveles de la VI
❖Se selecciona a los sujetos en función de que posean o no determinadas

características.
❖Garantizan un menor grado de control.
NO inferencias
❖Mayor validez externa pero menor validez interna
causales
Diseños retrospectivos
Simple
Diseños retrospectivos Comparación de grupos
La VI y la VD ya han tenido lugar

Grupo único
Se analiza un único grupo y la VI tiene un

SIMPLE único valor
COMPARACIÓN DE Comparan casos (x) y controles (no x) para

GRUPOS identificar vv relevantes que podrían explicar x.
Analizan la covariación entre variables sin

GRUPO ÚNICO direccionalidad alguna
Son estrictamente correlacionales
Diseños prospectivos
SIMPLE 1 VI con 2 o más valores
COMPLEJO + 1 VI
Énfasis en que todos los valores

GRUPO ÚNICO estén bien representados
EVOLUTIVOS La edad es la VI
❖ Longitudinales: mismos sujetos a lo largo del tiempo.
❖ Transversales: se recogen datos en un solo momento de sujetos de

diferentes edades. Efecto cohorte.
❖ Secuencial: combinación de los anteriores.

2. 9. ENCUESTAS
Encuestas: características
❖Objetivo: obtener información de una muestra para inferir las

características a nivel población (MUY importante la representatividad de la
muestra).
❖Metodología correlacional.
❖Amenazas a la calidad de la encuesta:
Errores de selección
- Errores de muestreo
Errores de estimación del tamaño muestral
Errores del instrumento de medida

- Errores de procedimiento
Errores de explotación de los datos
Tipos de encuestas
Según la cobertura de la población

❖ Censal: datos de toda la población
❖ Muestral: datos de la muestra
Según el objetivo
❖ Descriptiva: pretende conocer las características de la población
❖ Explicativa o analítica: pretende analizar las relaciones entre las
características de la población.
Según la estructura temporal

❖ Transversal Cambio bruto: a nivel individual. Encuestas de panel (miden
a los mismos sujetos a lo largo del tiempo).
❖ Longitudinal
Cambio neto: cambio poblacional. Encuestas de diseño de
series temporales o tendencias.

Experimental

Cargado por

Copyright:

Formatos disponibles

Experimental

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Experimental

Cargado por

Copyright:

Formatos disponibles

Estadística y Método

Experimental I Academia PIR

Prof. Cristina Vela Maicas

2º Tema 2: Diseños y método experimental

Psicometría: clase de experimental 1 (05/08)

- Nos vamos a centrar en explicar el contenido de la asignatura que

- Al ser vuestro primer contacto con el temario o llevar poco tiempo, no

- Clase expositiva. Iré parando para consultar dudas.

- No faltarán ejemplos y truquitos para el estudio. Experimental es una

• 8-10 preguntas en las últimas

DIFICULTAD DE LAS - Preguntas DENTRO de

❖ Es una asignatura MUY DISCRIMINATIVA, no todo el mundo la lleva bien a

❖ Es muy fácil olvidar ciertos datos, por eso COMPRENDERLA es fundamental,

❖ Economía cognitiva: intentar comprender antes que memorizar nos ahorrará

❖ PROHIBIDO tenerle miedo. Con calma y estudio TODOS la podéis entender y

PIR 2019: PIR 2020:

PIR 2019: PIR 2020

PIR 2019: PIR 2020:

Dudas al final de la explicación de las diapos

La clase siempre se queda grabada, por si necesitáis visualizarla de

- Pruebas paramétricas y sus

• Ordenación y análisis de datos

≠ • Realización de inferencias sobre

Estadística datos de la muestra

Mediante los parámetros inferidos

• Estadística: ciencia que se ocupa de la ordenación y análisis de

F que” o “distinto Estado civil

Cuasicuantitativas que” y “mayor que” Nivel de cualitativa

o semicuantitativas order estudios arden

INTERVALO Comparación Temperatura

valores negativos valores diferencias

nerteen RAZÓN Comparación entre Longitud

ambas) cona? Hay cero Variable

PERMITE: Absolutasy relativas

❖ Facilitar la información necesaria para la representación gráfica

Diagrama de barras (variable ordinal)

IMPORTANTE EL ORDEN ≠ NOMINALES en las que

Diagrama de barras (v. cuantitativa discreta)

No puede usarse con VV

Diagrama de tallo y hojas También con discretas

77. En un gráfico de caja (Box-Plot) se considera que un valor es

1.1,5 desviaciones típicas por encima o por debajo de la media.

77. En un gráfico de caja (Box-Plot) se considera que un valor es

1.1,5 desviaciones típicas por encima o por debajo de la media.

Solo puede usarse

❖ Permiten conocer la posición de un sujeto en relación el

❖Se refieren a la puntuación global de las observaciones

❖Las más conocidas son:

❖ Suma de las puntuaciones de la distribución dividida por el número de

❖ Índice de tendencia central más empleado.

❖ Se distribuirá normalmente cuando lo haga también la población y/o

❖ Muy sensible a las variaciones de los datos

❖ Si sumas o restas la misma cantidad a todos los valores, a la media le

❖ Si multiplico o divido a un conjunto de valores, la media quedará

❖ Si aplicamos una transformación lineal a un conjunto de valores, la

❖ La suma de los cuadrados de las diferenciales es menor que con

❖ Media ponderada: media aritmética sobre puntuaciones con

❖ Media armónica: recíproco de la media aritmética de los

❖ Media cuadrática: raíz cuadrada de la media aritmética de los

❖Media y mediana pueden o no coincidir: