Tema 1: Investigación y diseño

experimental
 Nivel teórico conceptual
 Nivel técnico metodológico decides los diseños, lo que vas a manipular.
 Nivel estadístico analítico analizar los datos

DISEÑOS EXPERIMENTALES
Selección aleatoria se seleccionan al azar los participantes
Asignación aleatoria se asignan al azar los participantes a cada condición
DEFINICIÓN Y OBJETIVOS DE LA EXPERIMENTACIÓN
Covariar dos cosas varían conjuntamente
EL PRINCIPIO MAX-MIN-CON
La varianza se descompone en varianza total, sistemática y de error. ¿Y qué es la varianza?:

Al a1 no se le entrena para recordar palabras, pero al a2 sí. A primera vista vemos que el
entrenamiento ha funcionado. Hay una variabilidad, porque todos los datos varían (no son todos
9 por ej.) Eso es varianza total. La variabilidad sistemática la vemos entre los dos grupos,
porque hay una diferencia sistemática. La varianza de error es un residual que no soy capaz de
explicar, la varianza entre los datos de un mismo grupo (uno saca 7, otro 8, otro 9…)
Varianza total= Varianza sistemática +Varianza error
Vtot= Vsist.primaria + V.sist.secund + V.error
 La V.sist.prim es la que se da en la VD debido a la VI, la V.sist.secun es la que no he
podido controlar, la que se debe a factores externos, la variable perturbadora.
Lo interesante es que las diferencias entre ambos grupos sea lo más grande posible; maximizar
la varianza sistemática primaria para minimizar la de error, y controlar la varianza sistemática
secundaria.
¿Cuál es la varianza error y la secundaria?
¿Qué son los diseños completos e incompletos?
VALIDEZ: CLASIFICACIÓN
 Validez de conclusión estadística Si yo veo que varían los datos, realmente varían.
 Validez interna Una vez que tengo esos datos, hay que controlar las relaciones
causales (X se debe a Y y no a Z).
 Validez de constructo Que se hayan operacionalizado los constructos adecuadamente.
 Validez externa el grado de confianza para poder extrapolar los resultados obtenidos a
otras situaciones.

Si yo primo la validez interna, me baja la validez externa y viceversa. Por eso ay

diferentes diseños.

VALIDEZ DE CONCLUSIÓN
ESTADÍSTICA
¿¿¿CONCEPTOS IMPORTANTES???
 Hipótesis nula: Hay nula asociación entre las variables que se estudian.
Hnula=

 Alpha La probabilidad del error de tipo 1.

 Error de tipo 1 Rechazar la hipótesis nula cuando es verdadera. Falso positivo: hay
evidencia
de algo que no es cierto. En el test sale que alguien está enfermo
cuando en realidad no lo está.
 Error de tipo 2 Aceptar la hipótesis nula cuando esta hipótesis es falsa. Falso
negativo: en el test
sale que no está enfermo cuando en realidad sí.
 Beta la probabilidad del error de tipo 2
 Potencia (1-B)

Aquí hay varianza de error??

 AMENAZAS A LA VALIDEZ DE CONCLUSIÓN ESTADÍSTICA

INCUMPLIMIENTO DE LOS SUPUESTOS DEL MODELO ESTADÍSTICO

Para cumplir el modelo estadístico hay que cumplir unos supuestos:
1. La VD tiene que estar medida en una escala de intervalo de razón (variables
cuantitativas, NO NOMINALES). Una escala métrica compara medias: en una escala
nominal no se puede (no puedes decir hay una media de 0,7 en el género).

ESCALAS:
-Nominal: mujer, hombre, rubio, bajo…
-Ordinal: hay un orden entre las puntuaciones,
pero no es EQUIDISTANTE (puesto de llegada
a la meta de unos ciclistas)
-Intervalo: entre un valor y el siguiente hay la
misma distancia entre ese y el siguiente…Aun
así no existe el 0
-De razón: existe el 0

2. Normalidad de la distribución de las puntuaciones de la VD: Vamos a medir la edad de

un grupo.

Cuando la distribución es normal, la media es un buen indicador. Va a haber algunas

personas que estén en 19, otras en 21, pero es un buen descriptor. En cambio, si hay seis
personas de 85 años, otra de 73 y otra de 59, eso hace que diga que la media de edad es
de 26, lo cual no sería un buen descriptor.
3. Homocedasticidad/homogeneidad de varianzas: en 2022 la mitad de la clase saca un 10
y la otra un 0. Este año todos sacan un 5
 Realmente es imposible detectar cuál es la varianza, porque en ambos la media es 5
4. Independencia de las observaciones: que no haya algo en el grupo que explique que
todo el mundo tenga una tendencia de respuesta, una tendencia a responder parecido.
Por ejemplo, que el grupo experimental sea el grupo 01 de psicología, y el control sea el
02. Tras 3 años juntos hay una cohesión que determinará una tendencia de respuesta.

CÓMO SE RESUELVEN:
1. VD medida en escala de intervalo o razón
2. Pruebas Shapiro Wilk y Kolmogorov-Smirnov.
Soluciones: No paramétricas, procedimientos robustos y transformación VD (si la
distribución no es normal, normalizarla, a través de medias recortadas o
winsorizadas)
QUÉ ES UNA MEDIA RECORTADA: Recortar un porcentaje de los
extremos, según el parámetro que sea (5%, 10%...). Si deshecho esas
informaciones, se normaliza la distribución, y se pierde el tamaño muestral.

QUÉ ES WINSORIZAR: Dar la puntuación a los extremos, del sujeto que

está antes de estos.

3. Prueba Levene.
Soluciones: O’Brien, F conservadora, F*Brown y Forsythe, W de Welch
………………

EJEMPLO DE LA PRUEB DE NORMALIDAD

Si hay 32 grados de libertad hay 32 sujetos
La prueba de Kolmogorov consiste en:
H.nula distribución empírica = distribución teórica normal
La p es menor de 0,05. La p es la probabilidad de cometer un error de tipo 1, que es
igual que rechazar la hipótesis nula cuando es verdadera.
Para saber si rechazo o no rechazo, tengo que conocer Alpha, que es la probabilidad
de cometer un error de tipo 1. P=0,041. Hay un riesgo de cometer un error de tipo 1
de 4’1%. Es un riesgo pequeño.
Cuando el riesgo es mayor del 5%, se considera que es grande.
Por lo tanto, RECHAZAMOS la hipótesis nula. Demuestro que las relaciones no
son iguales. No se cumple el supuesto de normalidad.
 EJEMPLO DE LA PRUEBA DE LEVENE
Hipótesis nula varianza del grupo 1= varianza del grupo 2= varianza del grupo 3
La probabilidad de rechazar la hipótesis nula es mayor de 0,05. El riesgo de
cometer un error de tipo 1 es del 5%. ACEPTO la hipótesis nula, el supuesto de
homogeneidad de cumple.

ESCASA POTENCIA DE LA PRUEBA ESTADÍSTICA/ TAMAÑO DEL

EFECTO/ TAMAÑO DE LA MUESTRA/ ALPHA Y BETA
 Si fijo como máximo un error de tipo 1 y un error de tipo 2, si yo espero un tamaño del
efecto grande, con pocos sjs sirve. Pero si el tamaño del efecto es más pequeño,
necesito más sjs.
 Si mantengo constantes las probabilidades de cometer error de tipo 1 y error de tipo II:
Cuanto mayor sea el tamaño del efecto, menor tamaño muestral necesitamos, y más
potente es la prueba.
 Si mantengo constantes la probabilidad de cometer error de tipo I y el tamaño muestral,
hay una relación directa entre tamaño del efecto y potencia de la prueba.
 Si mantengo constantes el tamaño del efecto y la probabilidad de cometer error tipo I,
hay relación directa entre tamaño muestral y potencia.

Ejemplos de cada regla:

c) Cuanto menos tamaño del efecto, más tamaño muestral necesito: primero tengo 0,8 y
luego 0,6, y se han mantenido Alpha y beta.

b) El tamaño muestral y el Alpha se mantienen constantes, así que como el tamaño del
efecto aumenta, la potencia también lo hará.

b) Alpha se mantiene, el tamaño del efecto se mantiene: hay relación directa entre
tamaño muestral y potencia aumenta tamaño muestral, entonces también aumenta la
potencia.

ESTIMACIONES DEL TAMAÑO DEL EFECTO

Hay 2 estimaciones:

TIPOS DE ANÁLISIS DE POTENCIA

 0,30 se considera un tamaño del efecto pequeño vamos a necesitar un tamaño
muestral grande, porque sino la p no va a ser significativa
0,50 se considera un tamaño del efecto mediano
0,80 se considera un tamaño del efecto grande

Supuesto: Un investigador encuentra que F (2,26) = 3,38

Sale que, con 2 y 26 grados de libertad, el valor estadístico es de 3,38
Vamos a la tabla p=0,001, y buscamos esos valor (2 y 26). 9,12 es el valor crítico.
El valor exacto para que la probabilidad de error de tipo I sea 0,001 es de 9,12.
Si mi F es mayor que 9,12, mi p será menor. En este caso es 3,38

TASA DE ERROR DE TIPO I POR FAMILIA DE COMPARACIONES

Cuando yo hago una F y me dice que la P=0,001, y tengo un caso en el cual hay 2
grupos que tengo que comparar, ¿cuál es mi hipótesis nula en este diseño?  que los
grupos son iguales (Ho=X1=X2). En caso de tener 3 grupos, tenemos más
comparaciones, a lo que se le llama familia de comparaciones.
Rechazamos la hipótesis nula cuando tenemos 2 grupos, porque se ve claramente que
los grupos no son iguales: USAMOS LA F.
En cambio, cuando hay más grupos si hago lo mismo cometo una tasa de error por
familia de comparaciones. NO USAMOS LA F PARA INTERPRETARLA. Para
interpretarla, hay que ver dónde están las diferencias a través de Tukey (lo veremos más
adelante en los diseños multigrupos).
 La TEC es la básica
  La TEF ¿???

BAJA FIABILIDAD Y VALIDEZ DE LA MEDIDA DE LA VD

Si me subo 10 veces seguidas en una báscula y el peso oscila es una mierda de báscula, esa
imprecisión me va generando una varianza. Cuando las puntuaciones son distintas entre sí son
variabilidad varianza.

F= Varianza sist / varianza. Error

La varianza sistemática la vemos en la VD y se debe a la VI.

 Técnicas de control de carácter experimental validez interna

 Técnicas de control estadísticos validez interna
ESCASA FIABILIDAD EN LA ADMINISTRACIÓN DE LOS TRATAMIENTOS Y
APLICACIÓN DE TRATAMIENTOS CON POTENCIA DE PRUEBA INADECUADA,
Cuando estamos aplicando un tratamiento y esa aplicación es poco fiable (los investigadores no
lo hacen de la misma manera, porque cambian las instrucciones), aplico los tratamientos con
una potencia inadecuada. Va a haber varianza tanto sistemática como de error.
- Efecto techo: si hago una tarea excesivamente fácil
- Efecto suelo: si el examen es muy difícil
Es necesario tener unos niveles óptimos para conseguir variabilidad.
Supongamos que un investigador quiere demostrar que tanto usar como no usar las tic, da
igual a la hora de aprender. No quiere que haya diferencias entre los dos grupos. Uno usa las
tics y el otro no, son dos tareas diferentes.

Se va a rechazar la hipótesis nula, porque las medias son diferentes.

Hipótesis de trabajo usar o no usar las TICS, es lo mismo (no es lo mismo que la nula).
Esas diferencias de los grupos pueden deberse al efecto del tratamiento (usar o no usar las
tic), por un efecto suelo (la tarea o TIC es muy difícil), o por un efecto techo (la tarea TIC es
demasiado fácil). Cuando es muy difícil, tengo un error de tipo I. Si la tarea es muy fácil, y
vemos que las puntuaciones son muy similares, hay un error de tipo II ??????
HETEROGENEIDAD ALEATORIA DE LAS UNIDADES EXPERIMENTALES
Si la muestra es muy heterogénea, aumenta la varianza de error (varianza entre el mismo
grupo), y reduce la potencia. Para controlarlo:
 + Elegir muestras homogéneas Es mejor configurar muestras GRANDES: Si cojo una
muestra de 15 sujetos, lo más probable es que las puntuaciones sean muy distintas. En
cambio, si meto más sujetos, se acercarán las puntuaciones: Disminuye la varianza de error.
[Desventaja de que sea homogénea: Si la muestra es muy homogénea, afecta a la validez
externa, pues no se puede extrapolar a otras poblaciones.]
+ Usar técnicas de control experimental o estadístico validez interna.
+ Utilizar diseños intrasujetos o mixtos
IRRELEVANCIAS ALEATORIAS EN LA SITUACIÓN EXPERIMENTAL
Las aleatorias entran en la varianza de error. Para controlarla:
+ Planificar contextos completamente controlados (investigación experimental) Validez
interna.
+ Medir las fuentes de varianza extraña (control estadístico) Validez interna.
OUTTLIER-S Y MISSING-S
Un outlier es un valor extreño (un sj de 12 años en un aula de gente de 20 y pico). Se
pueden deber a errores a registrar los datos (poner 12 en lugar de 21). Si hay varios outliers
y no ha sido un error, se hace la media recortada, o se winsoriza (creo).

VALIDEZ INTERNA
TIPOS DE RELACIONES CAUSALES
 Relación causal directa unidireccional X causa Y
 Relación causal bidireccional X causa Y, e Y causa X
 Relación causal con mediación X causa Z, y Z causa Y. La edad influye en las
competencias emocionales, y las competencias emocionales influyen sobre la conducta.
 Relación causal con moderación La moderación es una interacción. X causa Y, pero
hay una variable que modera esa relación. Los sucesos estresantes (X), son una de las
causas de la depresión (Y), pero no todo el mundo que pasa por un suceso estresante
desarrolla una depresión. Una variables mediadora sería el soporte social (Z).
 Relación causal falsa o espurea Z causa X, y Z causa Y. Pero si yo hago un análisis
veo que X causa Y. Tengo una muestra de gente de 5 a 20 años, y analizo el tamaño del
pie con el nivel de comprensión lectora. Se ve que a medida que aumenta el tamaño del
pie (X), las personas tienen mejor comprensión lectora (Y). Realmente es la edad (Z) la
que influye en el tamaño del pie, y en la comprensión lectora.
AMENAZAS QUE PUEDEN AFECTAR A LA VALIDEZ INTERNA
1. Historia
2. Maduración
3. Administración de pruebas Recuerdas los resultados porque se ha pasado la prueba
más veces
4. Instrumentación el observador se cansa, se aburre, aprende…
5. Interacción entre tratamientos múltiplesPueden pasar 2 cosas:
a) Efectos de periodo: El sj pasa por todas las condiciones experimentales. Puede que
se familiarice con la tarea y la haga mejor, o puede que se aburra, se frustre, y la
segunda tarea la haga peor.
 b) Efecto residual carry over: nos dan 5$ si sacamos una puntuación alta en el primer
ejercicio. En el segundo ejercicio que es más complicado, si lo hacemos bien, nos
dan 40$. Si hacemos bien la tarea 3 nos dan 150$. Ahora al otro grupo le decimos lo
contrario: en la primer tarea si la hacéis bien os damos 150$, en la segunda 40$, y
en la última 5$. Vemos que hay un efecto residual. En el segundo caso, el nivel de
motivación bajo del último nivel no es el mismo que en el primero. Después de
ganar 190$, 5$ son irrelevantes para mí.
6. Regresión estadística Hacemos una intervención para dejar de fumar. Cojo
voluntarios y mido cuánto fuman al día. Los que se apuntan seguramente es porque
fuman mucho, por lo que tendrán puntuaciones extremas. Esas puntuaciones tienden a
regresar a la media; no puedes fumar 4 paquetes TODOS los días, habrá algunos que
fumes 2. El problema es que podemos interpretar que la intervención ha funcionado,
cuando en realidad el efecto se debe a que ha habido una regresión a la media.
7. Selección diferencial de sujetos No hay equivalencia entre los grupos inicialmente,
por lo que es esperable que tras el tratamiento tampoco lo sean.
8. Mortalidad experimental o pérdida selectiva de sujetos
9. Interacción entre la selección diferencial de sujetos y otras amenazas ¿????
10. Ambigüedad sobre la dirección de la influencia causal no sabemos cuál es la causa
y cuál es el efecto
11. Efectos reactivos situacionales Hay varios tipos:
a) Difusión o imitación de tratamientos: en la escuela voy a hacer una intervención
sobre educación sexual. El grupo 01 va a recibir la charla y el 02 no porque es el
grupo control, para ver la efectividad del tratamiento. El 01 habla con los del 02,
hay difusión porque el grupo 2 ha aprendido a partir del otro grupo.
b) Igualación compensatoria del tratamiento: El investigador da clases al 1 y al 2, y
quiero ver en qué medida una estrategia de aprendizaje mejora la comprensión de la
asignatura de diseños. La pongo en el 1 y en el 2 no. El 2 no se entera porque entre
ellos no interactúan. Entonces de alguna forma les compensa a la hora de poner las
notas (“pobrecitos, si esto no lo sabían así que les subo un punto”).
[Técnica de ciego simple: ocultar la hipótesis a los sjs. Técnica de ciego doble:
ocultar la hipótesis a los sjs y al investigador.]
c) Rivalidad compensatoria
d) Frustración o desmoralización de los sujetos

PROCEDIMIENTOS PARA CONTROLAR LAS AMENAZAS A LA VALIDEZ INTERNA

Intersujeto= intergrupo= medidas

independientes =comparación de grupos
Intrasujeto= intragrupo= medidas
repetidas
 1. DISEÑOS INTERSUJETO

Eliminación: consiste en eliminar la variable perturbadora. Es la mejor estrategia de control,

pero es difícil usarla muchas veces: no hay prácticamente ninguna variable perturbadora que se
puede eliminar en muchos casos. Por ejemplo, en una experimentación se puede eliminar el
ruido, pero no la edad, el nivel socioeconómico, el sexo…

Constancia: Consiste en utilizar un único valor de la variable extraña. Cuando controlamos las
variables organísticas (del propio sujeto), lo que hago es hacer un emparejamiento basado en
constancia, que va a limitar una generalización de los resultados. Por ejemplo, mantener
constante la edad; todos los sjs tienen 21 años. Al final sé lo que pasa con los sjs de 21 años,
pero no con los del resto de edades, por eso se limita la generalización.
Aquí se incluyen las técnicas de ciego simple y doble ciego.

Equilibración: Consiste en dejar variar la variables perturbadora, pero ese efecto se queda
equilibrado, se distribuye de forma equitativa en los distintos tratamientos. Ej: no puedo
eliminar la edad en una clase, los sjs tendrán entre 20 y 30 años. Así que se equilibra la edad:
formo 2 grupos donde la distribución de edades es la misma. En un grupo hay una persona de
23, otra de 30 y el resto de 20, y en el grupo 2 lo mismo.
 Aleatorización Consiste en asignar aleatoriamente a los sjs a las distintas condiciones
del tratamiento. Es la más importante de todas las técnicas de control. Es característica
del diseño experimental (en estos se manipula alguna VI, y se realiza una regla de
asignación aleatoria).
Permite eliminar los sesgos sistemático: Un sesgo sistemático es aquel que ocurre
siempre. Ej: Si yo no configuro los grupos al azar, cabe la posibilidad que en uno estén
todos los mayores de 25 años, y en el otro menores de 25. Entonces ya no sabemos si el
efecto se debe a la validez del tratamiento, o a la edad.
La asignación aleatoria (validez interna) no es lo mismo que la selección aleatoria de la
muestra (validez externa). La primera es que una vez haber escogido la muestra, se hace
una asignación al azar de los sjs a las condiciones experimentales/tratamientos. La
segunda es elegir al azar los participantes al principio.
 Emparejamiento Es más adecuado (da más beneficios) que la aleatorización si lo que
persigo es aumentar la sensibilidad del diseño reduciendo la varianza de error, es decir,
hacer que la F sea más grande, conseguir más potencia estadística. Obtengo 2 cosas:
reduzco la varianza sistemática secundaria y la varianza de error. Para ello genero una
nueva variable sistemática secundaria que puedo controlar. Solo funciona con muestras
pequeñas. La sensibilidad del diseño.
Emparejamiento por inclusión:
Hay un conjunto de diseños que usan la técnica de bloqueo, que consiste en factorizar el
diseño (VIs) y eso minimiza la varianza de error. Ejemplo:
Queremos analizar el efecto que pueden tener dos métodos de aprendizaje en el
rendimiento en matemáticas, controlando el efecto de las variable inteligencia o
funcionamiento intelectual. Podemos seleccionar diferentes niveles de cociente
intelectual y considerar esta variable como una VI adicional. Así, 1) podemos estimar el
efecto de la inteligencia y 2) podemos eliminar ese efecto de la varianza error.
Genero 3 grupos uno con CI de 90-99, otro de 100-109 y otro de 110 a 120. Del
grupo de inteligencia baja, la mitad completamente al azar pasará por A y la otra por B.
En el grupo de inteligencia media, pasará lo mismo, e igual con el de alta inteligencia.
En un inicio, la inteligencia es una variable perturbadora, porque no podemos saber si
una persona tiene más o menos inteligencia. En este caso, creo una variable
perturbadora que controlo, que es la inteligencia, creando 3 niveles de la VD
(inteligencia baja, media y alta). NO ME HE ENTERADO DE MÁS

Emparejamiento por igualación de sujetos

COPIAR DIAPO

 Ajuste estadístico Se usa cuando la influencia de la variable extraña no se puede

eliminar mediante procedimiento de control experimental.
Consiste en que dejar actuar la variable perturbadora, que ejerza su función, pero se
mide para ajustarla estadísticamente. Ej: creo dos grupos en clase. Mido la inteligencia,
hago el experimento, y a posteriori mido el efecto perturbador de la inteligencia.
Su objetivo es reducir la varianza de error y aumentar la sensibilidad del diseño.
Hay diferentes técnicas en función de la naturaleza de la variable perturbador que se
quiera controlar:
Variable perturbadora categórica
 Diferencia de medias ponderada o una transformación logit.
Variable perturbadora cuantitativa
Análisis de covarianza.

2. DISEÑOS INTRASUJETO
Se utiliza para controlar las fuentes de confusión asociadas a los diseños intrasujeto (efectos
de período y residuales o carry-over).
Hay 3 tipos de equiponderación o contrabalanceo:

Intrasujeto: Controla los efectos de período haciendo que en cada sujeto

equipondere el error: pasa por la condición A, luego por B, luego por B y
finalmente por A de nuevo (ABBA). Ej: quiero ver en qué medida las
instrucciones mejoran la comprensión de un texto. Primero pasas por la
condición sin instrucciones (A) y luego con instrucciones (B). Problema:
se crea un efecto residual por la fatiga, o porque has aprendido a hacer la
tarea. Para resolverlo, se crea una secuencia B-A, de manera que en la
primera hay fatiga de A a B, y ahora de B a A. Así se contrarrestan los
errores.

Es un procedimiento que normalmente no se aplica con más de dos condiciones. Casi no se

usa.

Intragrupo: Hay 2 tratamientos. Divido a los sujetos en 2. Una mitad pasa por el tratamiento
sin instrucciones y después con instrucciones (AB), y la otra mitad al revés (BA). Ahora el
error se encuentra en el B en el primer grupo, y en A en el segundo grupo, es decir, en la
segunda condición: A unos les afecta en B y a otros en A.

[A diferencia del intrasujeto, aquí no todos los sjs pasan por las dos secuencias, sino que un
grupo pasa por una y el otro por otra.]
Hay 2 tipos: A1 a2 a3
Equiponderación intragrupo completa A1 a3 a2
Construir todas las secuencias posibles. A2 a1 a3
A2 a3 a1
A3 a1 a2
A3 a2 a1
 Equiponderación intragrupo incompleta
No requiere crear todas las secuencias que se derivan de las combinaciones entre los
tratamientos sino K (o 2k si el número de tratamientos es impar) secuencias.
Se requiere elegir algunas combinaciones, no todas. Para realizarlo usamos el cuadrado
latino, pero hay 2 maneras dependiendo si las condiciones son pares o impares.
 Pares: Coges el a1, el a2, luego el extremo (a6), y vas cogiendo de cada lado: a3,
a5, a4.
Ejemplo: tenemos 6 tratamientos (a1, a2, a3, a4, a5 y a6). Tengo que calcular 6 secuencias,
a través de la fórmula

A1 A2 A3 A4 A5 A6
1 A1 A2 A6 A3 A5 A4
2 A2 A3 A1 A4 A6 A5
3 A3 A4 A2 A5 A1 A6
4 A4 A5 A3 A6 A2 A1
5 A5 A6 A4 A1 A3 A2
6 A6 A1 A5 A2 A4 A3

 Impares: Duplicamos el número de secuencias

“proyectando en espejo”:

Aleatoria: Consiste en seleccionar aleatoriamente una secuencia para cada sujeto. El azar
permite controlar adecuadamente los efectos de período y residuales. Deben utilizarse al
menos 50 unidades muestrales para que se controle el sesgo.
Ej: Quiero equiponderar el error de la secuenciación de las preguntas del examen. Hay 20
preguntas de examen, pero cada alumno responde una secuencia distinta de preguntas.
VALIDEZ DE CONSTRUCTO
VALIDEZ EXTERNA
COMPLETAR TEMA 2
Tema 3: Diseños
experimentales aleatorios y
análisis de datos

Completar
A1 A2 A3
15 30 32
10 32 34
4 25 40
8 27 37
12 35 28
Primero SCA (suma cuadrática de A). Lo primero que hacemos es que tenemos una segunda
parte de la fórmula que es común. Hay que sumar todas las puntuaciones (369), elevamos al
cuadrado y/o dividimos entre el número de puntuaciones que hemos sumado (15) y ya estaría la
2 parte de la fórmula resuelta. La primera parte de la fórmula: ¿Cuál es la variabilidad de A?
¿Qué niveles de variación tiene A? En este caso la variable A es “estrategia de estudio” y es la
VI. ¿Qué niveles de variación tiene esta variable?

¿Dónde veo la varianza total? Se va a elevar al cuadrado cada dato COMPLETAR DE

AMAYA
Calculo los 3 datos anteriores y me pongo a hacer la tabla. En este diseño hay 3 fuentes de
variación. Hay que tener claro cuántas hay para hacer la tabla.
¿Por qué calculo grados de libertad?  No es lo mismo hacer una suma cuadrática con dos
tratamientos que con 5. Si hago con 5 tengo muchos más datos, por lo tanto, tengo que hacer
como una especie de media que son los grados de libertad.
La primera parte de la fórmula [q (a,k,g.l error)/√2] es la diferencia de medias del grupo “g” y
“h”. La diferencia entre 2 medias tiene que ser mayor que la siguiente parte de la fórmula.
COMPLETAR EL RESTO DE LA FÓRMULA

Tengo 5 grupos que comparar. Para escribir un contraste entre a1 y a2, pongo un 1 en el primer
grupo y un -1 en el otro. El resto como no se comparan se pone 0 (Son contrastes binarios).

A1 A2 A3 A4 A5
1 -1 0 0 0

En el caso que los grupos sean equilibrados, solo tengo que realizarlo una vez. Si no fuera
equilibrado se modificaría porque el denominador sería diferente.
Una vez obtenido el valor (7,17), realizamos la diferencia entre medias:
Para las 2 primeras comparaciones, puedo decir que hay diferencias significativas entre ellas
porque se supera el rango crítico. En la última comparación no hay diferencias en la
comparación porque el valor es menor que el rango crítico.
[Los valores 20, 24,4 y 4,4 son las medias de cada grupo. Salen de dividir la suma de las
puntuaciones entre 5.]

ANÁLISIS CON JAMOVI (MIRAR DIAPOSITIVA)

Diseño 2x3 significa que una VI tiene 2 niveles, y la otra 3.

Que sea completo significa que, si tengo un diseño 2x2, las 4 categorías son implementadas. En
cambio, en los incompletos no todas las categorías son implementadas, porque podrían ser
nocivas para el sujeto.