Analisis de Datos 1-8

lOMoARcPSD|2192898
Apuntes, de diseños de investigación y análisis de datos

Curso 1-8
Diseños de Investigación y Análisis de Datos (UNED)
Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

lOMoARcPSD|2192898
DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)
TEMA Nº 1 ESTIMACIÓN DE PARÁMETROS Y CONTRASTE DE HIPÓTESIS
1.- INFERENCIA ESTADÍSTICA
Estudio de las muestras para conocer la población a la que representan. La inferencia siempre se hace
en términos probabilísticos (afirmamos con una cierta probabilidad de éxito). El error muestral es la
diferencia entre el resultado obtenido en la muestra y el que habríamos obtenido si se hubiese trabajado
con la población.
Para cada característica de la muestra que evaluemos se obtiene lo que se conoce como estadístico:
índices descriptivos de centralidad (Media), variabilidad (Varianza), etc. A partir de los estadísticos
obtenidos en la muestra (lo concreto), se realizan afirmaciones sobre los parámetros de la población (lo
general)
DISTRIBUCIONES DE PROBABILIDAD
Distribución Poblacional: (Distribución de frecuencias que presenta la variable en la población sobre la

que se quiere generalizar). Las medidas en la población se denominan parámetros poblacionales y se
designan con letras griegas (Parámetros: Media de la población = µ , Varianza de la población = σ2,
Proporción de la población = π)
Distribución de la Muestra: (Distribución de frecuencias que presenta la variable en la en la muestra

con la que se trabaja). Las medidas realizadas en la muestra se denominan estadísticos y se designan
con letras latinas mayúsculas (Estadísticos: Media de la muestra = Y, Varianza de la muestra = S2,
Proporción de la muestra = P)
Distribución Muestral de un estadístico: (Distribución de frecuencias que presenta el estadístico que

vamos a utilizar como base del proceso de inferencia para estimar los parámetros). Resulta de obtener
todas las muestras posibles (de un determinado tamaño) de una población y medir en ellas una
determinada característica. Las distribuciones muestrales que más vamos a utilizar son: la media, la
varianza y la proporción.
DISTRIBUCIÓN MUESTRAL DE LA MEDIA
Teorema Central del límite: Si una población tiene una media µ y una varianza σ2 finitas, la
distribución de las medias muestrales de tamaño “n” extraídas de manera aleatoria e independiente,
se aproxima a la forma de una distribución normal con varianza σ2/n y media µ conforme el
tamaño de n se va incrementando. __
N ( µ , σ / √ n)
La Distribución muestral de la media (media de

todas las medias posibles): Se trata de una
distribución de probabilidad conocida que viene
recogida en las tablas. Es Normal N (0, 1) cuando
lo es la distribución de la variable estudiada (al
margen del tamaño de la muestra) y tiende a la
normal a medida que n va aumentando (al
margen de la distribución de la variable).
La distribución muestral de la media se ajusta a
la distribución t de Student (con n-1 grados de
libertad), si ignoramos la forma de la distribución
de la variable y/o el tamaño de la muestra es
pequeño.
R. MEDRANO (TUTOR) Página 1

lOMoARcPSD|2192898
DISTRIBUCIÓN MUESTRAL DE LA VARIANZA
La varianza es un índice de dispersión que permite

determinar la homogeneidad de la variable de estudio. La
distribución muestral de la varianza se ajusta a la
distribución Chi-cuadrado (con n-1 grados de libertad).La
cuasi varianza muestral (S2n- 1) es la mejor estimación de la
varianza poblacional (σ2). Tiende a la normal a medida que
aumenta el tamaño de la muestra (mayor de 100 sujetos)
DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN
Se trata de variables dicotómicas o dicotomizadas;

normalmente éxito o fracaso. La distribución de la
proporción poblacional se ajusta al modelo binomial
con parámetros n y π. La distribución binomial se
aproxima a la normal a medida que el tamaño de la
muestra va aumentado (Teorema Central del Límite), con
parámetros N (π, σp)
D. Muestral (Media) D muestral (Varianza) D. Muestral (Proporción)

_
Media E (X) = µ E (S2n- 1) = σ2 µp = π
_ ________ __________
Desviación Típica σx = σ / √n σS2n-1 = σ2 · √ 2 / n – 1) σp = √ π (1- π) / n
Error Típico Media Error Típico Cuasi Varianza Error Típico Proporción
_ _
X-µ X-µ (n-1) S2n-1 P-π
2
Tipificación Z = --------- y T = ----------- X n-1 = --------------------- Z = -------------------
σ / √n Sn-1 / √n σ2 √ π (1- π) / n
D. Normal D. T Student 2
Distribución X n-1 gl Distribución Normal
PROBLEMAS EJEMPLO
El CI de los alumnos de un centro de E. Especial se distribuye normalmente con µ = 80 y σ =10. Si de

esta población extraemos una muestra aleatoria de 25 alumnos. ¿Cuál es la probabilidad de obtener
una media mayor de 75 puntos?
_ 75 - 80
P (X ≥ 75) Z = ------------ Z = (- 2´50) se corresponde con p = 0´0062 1 - 0´0062 = 0´9938
10 / √25
Los tiempos requeridos por un cierto autobús para alcanzar uno de sus destinos en una ciudad
grande forman una distribución normal con una desviación típica σ =1 minuto. Si se elige al azar una
muestra de 17 tiempos, encuentre la probabilidad de que la cuasi varianza muestral sea mayor que 2.
Se busca el valor de ji-cuadrado correspondiente a S2n-1=2
(n-1) S2n-1 16 · 2
X2n-1 = --------------------- X2n-1 = ------------ = 32
σ2 12
El valor de 32 se busca en la tabla Chi Cuadrado con 16 grados de
libertad. A este valor le corresponde una probabilidad de 0,99. En
consecuencia, 1-0´99 = 0´01 P(S2n-1 >2)

lOMoARcPSD|2192898
Un partido político cree que el 60% del electorado está a favor de su programa. Como su líder
encuentra que esta predicción es demasiado optimista decide hacer un sondeo con una muestra de
90 personas. ¿Cuál es la probabilidad de que como máximo 60 personas estén a favor de su partido?
0´67 – 0´60
P (60/90 = 0´67) Z = --------------------- Z = (1´35) se corresponde con p = 0´9115
√ 0´6 · 0´4 / 90
2.- ESTIMACIÓN DE PARÁMETROS
Generalmente se desconocen los parámetros de la población por lo que se hace necesario estimarlos a
partir de los valores muestrales. Un estimador es un estadístico que utilizamos para estimar
parámetros. Se pueden considerar dos formas de estimar los parámetros poblacionales: estimación
puntual (Conocida como método de los momentos de Pearson, se extrapola el estadístico de la
muestra directamente a la población) y estimación por intervalos (establece un rango de valores
dentro del cual estaría el valor del parámetro, con una determinada probabilidad)
Para que el estimador represente correctamente al parámetro r cuatro propiedades básicas:
1.- Carencia de sesgo: un estimador es insesgado o centrado cuando el valor del estadístico (en las
infinitas muestras de tamaño “n” extraídas de una población) coincide con el valor del parámetro que
queremos estimar U es un estimador insesgado de θ, si E (U) = θ
La media, la proporción y la cuasi varianza de la muestra son estimadores insesgados de sus valores
poblacionales
2.- Eficiencia (Precisión): Se considera la inversa de la varianza de su distribución muestral. Cuanto
mayor es el cociente, mayor es la eficiencia. Eficiencia θ = 1 / σ20 (A mayor varianza, menor
eficiencia). La Media Aritmética es más eficiente que la Mediana. La Varianza es más eficiente que la
Cuasi varianza. Cuando tenemos distintos estimadores y queremos determinar el más eficiente, se
comparan sus eficiencias. Ejemplo: La varianza de la distribución muestral de dos estimadores es 2 y
1,5. Para un mismo tamaño muestral, la eficiencia relativa sería 1,5 / 2 = 0,75. Si el cociente fuera 1
serían iguales.
3.- Suficiencia: el estimador utiliza toda la información de la muestra para estimar el parámetro
(Ejemplo: La media muestral sería suficiente para estimar la media poblacional. No lo sería la amplitud
intercuartílica para estimar la varianza poblacional)
4.- Consistencia: El requisito mínimo que se le exige a un estimador es que sea consistente. Un
estimador es consistente si, a medida que se dispone de más información (que aumenta el tamaño de
la muestra), aumenta la probabilidad de que la estimación coincida con el parámetro. La media, la
proporción y la varianza insesgada son consistentes porque son estimadores insesgados de los
parámetros correspondientes y en sus límites valen cero (su sesgo y su varianza tienden a 0 a media
que aumenta n)
Cuando el valor del parámetro (población) coincide con el valor del estadístico (muestra), se considera
que la estimación (inferencia sobre la población a partir de la muestra) es insesgada. Siempre que
operemos se debe procurar que nuestros estimadores sean insesgados y tengan una varianza pequeña;
estas dos características se denominan acuracidad.
Resumen de las propiedades de los principales estadísticos

Carencia de sesgo Eficiencia Suficiencia Consistencia
Media Aritmética SI > Mediana SI SI
Mediana NO < Media NO SI
Proporción SI ----- SI SI
2
Varianza NO > S n-1 SI SI
2
Cuasi varianza SI <S SI SI

lOMoARcPSD|2192898
ESTIMACIÓN POR INTERVALOS
Una estimación por intervalos expresa el grado de confianza con el que se espera que esté el valor
del parámetro dentro del intervalo, por lo que se suele llamar intervalo de confianza. La amplitud del
intervalo nos indicará su precisión. A menor amplitud, más precisión, más informativo es, más útil.
Una estimación por intervalos depende de cuatro parámetros: una estimación puntual del
parámetro; una medida de variabilidad; una probabilidad (nivel de confianza) y un supuesto acerca de
la distribución en la población.
INTERVALO DE CONFIANZA PARA LA MEDIA
N(0,1) t n-1 gl
Distribución Normal (Conocida σ2) Desconocida la σ2 (Muestras pequeñas)
_ _ _ _ _ _
X + (Z α/2) · (σX) < µ < X + (Z1- α/2) · (σX) X + (t α/2) · (Sn- 1/√ n) < µ < X + (t1- α/2) · (Sn- 1/√ n)
Problemas ejemplo: Se midieron los niveles de depresión en una muestra de 100 personas.
Asumiendo un nivel de medida de intervalo y que la variable se distribuye normalmente en la
población, se calculó la media de las puntuaciones y se obtuvo un valor de (Media = 8) y una cuasi
desviación típica = 2. Hallar los límites del intervalo de confianza para la media de la población
con un nivel de confianza del 99%.
_
Datos X = 8 Distribución normal de la VD α = 0,01 Sn- 1 = 2
Desconocida la varianza poblacional n = 100 (muestra grande: Distribución normal)

_
Intervalo de confianza X ± (Z α · σ Y) = Límite superior y Límite inferior
α / 2 = 0,01/2 = 0,005 1 - (α / 2) = 0,995 |Z α| = 2,58

__
Error Típico σX = Sn- 1 / √ n σX = 2 / 10 0,20
Error máximo de estimación |Z α| · σX = (2,58 · 0,20) = 0,516
Límites del intervalo de confianza 8 ± (2,58 · 0,20) = [7,484 y 8,516]
Hallar los límites del intervalo de confianza suponiendo que la muestra está compuesta por 25
personas, a un nivel de confianza del 95%.
_
Datos X = 8 Distribución normal de la VD α = 0,05 Sn- 1 = 2

lOMoARcPSD|2192898
Desconocida la varianza poblacional n = 25 (muestra pequeña: Distribución t de Student)
_ _
Intervalo de confianza X ± (t α · Sn- 1 / √ n) = Límite superior y Límite inferior
α / 2 = 0,05/2 = 0,025 1 - ( α / 2) = 0,975 |t α| = 2,06 (Tablas t de Student)

__
Error Típico Sn- 1 / √ n 2 / 5 0,4
__
Error máximo de estimación |t α| · Sn- 1 / √ n = (2,06 · 0,4) = 0,824
Límites del intervalo de confianza 8 ± (2,06 · 0,4) = [7,176 y 8,824]
INTERVALO DE CONFIANZA PARA LA VARIANZA

.
(n-1) S2n- 1 (n-1) S2n- 1

Li = ----------------- y Ls = ---------------
X2 (n-1)(1-α/2) X2 (n-1)α/2
P (Li < σ2 < Ls) = 1 - α
Los valores de X2 se obtienen en la tabla X2n-1

(Chi-Cuadrado con n-1 grados de libertad)
Distribución X2n-1 (Chi Cuadrado con n-1 gl)
Problemas Ejemplo: En una muestra aleatoria de 20 sujetos, extraída de una población normal, se ha
obtenido una media de 24 puntos y una cuasi desviación típica de 10,8 puntos. Averiguar los límites del
intervalo de confianza para la varianza de la población, suponiendo α = 0,05.
Estimamos la varianza de la población a partir de la varianza de la muestra (estimación por intervalo):
(n – 1) · S2n- 1 / (χ2 α / 2) < σ2 < (n – 1) · S2n- 1 / (χ2 1- α / 2)
Según las tablas χ2n-1 (χ219) para (α / 2 = 0,025) 8,91 y para (1 - α / 2 = 0,975) 32,9
(19 · 10,82) / 32,9 < σ2 < (19 · 10,82) / 8,91 Límites del intervalo de confianza [67,36 y 248,7]
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN
P + (Z α / 2 ) · (SP ) < π < P + (Z1- α / 2 ) · (SP )

___________
Donde : SP = √ P (1 – P) / n
P (Li < π < Ls) = 1 – α P = (Li + Ls) / 2
Z α/2 · Sp = Error máximo de estimación
Sp = Error Típico (distribución muestral de la Proporción)

lOMoARcPSD|2192898
Problema Ejemplo: Para comprobar la eficacia en la aplicación de un tratamiento, se someten al mismo

64 pacientes. Finalizado el periodo de aplicación, se observó que remitió la enfermedad en 50 casos.
Con un nivel de significación del 92% (α = 0,08), estime por intervalo el porcentaje de efectividad del
tratamiento objeto de estudio.
Datos: Para (α / 2 = 0,04) Z = (- 1,75) y Para (1 - α / 2 = 0,96) Z = (+ 1,75)
Proporción muestral (50 / 64) = 0,781
Intervalo de confianza P ± |Z α / 2| · (SP) = Límites Superior e Inferior

___________ ___________________
SP = √ P (1 – P) / n SP = √ 0,781 · (1 – 0,781) / 64 = 0,0517
P ± |Z α / 2| · (SP) 0, 781 ± (1,75 · 0,0517) = [0,87 y 0,69]
Con un margen de error del 8% el tratamiento será efectivo entre el 69% y el 87% de los casos.
AMPLITUD DEL INTERVALO DE CONFIANZA Y RELACIÓN CON EL TAMAÑO MUUESTRAL
La amplitud del intervalo de confianza depende de dos factores: el nivel de confianza y el error típico de
la distribución muestral del estadístico (La suma de ambos E = Error máximo de estimación). Cuanto
mayor es el tamaño de la muestra mayor es la precisión del intervalo y mayor la precisión de la
estimación. Cuanto menor es el error típico, menor es el intervalo de confianza y, por tanto, más preciso
(para reducirlo se aumenta el tamaño muestral)
ESTADÍSTICO SUPUESTOS FÓRMULA

2 2 2
MEDIA Var. Poblacional conocida n = (σ · Z α / 2) /E
Var. Poblacional desconocida
2 2 2
y muestra grande n = (S n-1 · Z α / 2) /E
Var. Poblacional desconocida
2 · 2 2
y muestra pequeña n = (S n-1 α / 2 t n-1) /E
4 2 2
VARIANZA Error Típico (muestras grandes) n = (2S n-1 · Z α / 2) /E
2 2
PROPORCIÓN Error Típico ( muestras grandes) n = P · (1 – P) · Z α/2 /E
Problemas Ejemplo: Por experiencias anteriores se sabe que las estaturas de los soldados tienen una
varianza de 64 cm. ¿Qué tamaño debe tener la muestra para que la media estimada no se aleje más de
± 1, 5 puntos de la media poblacional?: considere (α = 0,02).
Para (α / 2 = 0,01) Z Tablas = ± 2,33 Varianza poblacional conocida σ2 = 64
n = (σ2 · Z2 α / 2) / E2 máximo de estimación n = (64 · 2,332) / 1,52 = 154, 42 ≈ 154 soldados
Con un margen de error del 2% debemos tomar una muestra de 154 soldados.
Un estudio sobre la proporción de fumadores entre el personal de un hospital estableció que sólo
fumaban el 35%. Si el análisis se efectuó con un nivel de confianza del 95%, ¿Qué tamaño debió
tener la muestra para que la proporción estimada no se aleje más de ± 0,15 puntos de la proporción
poblacional?: considere (α = 0,05).
Para (α / 2 = 0,025) Z Tablas = ± 1,96
n = P · (1 – P) · Z2 α / 2 / E2 máximo de estimación n = 0,35 · 0,65 · 1,962 / 0,152 = 38,84 ≈ 39
Con un margenSude
distribución
error del está5%
prohibida
debemos| Descargado
tomarporuna
Maria Fernandezde
muestra (mariajose_ccs@yahoo.com)
39 personas.

lOMoARcPSD|2192898
3.- CONTRASTE DE HIPÓTESIS
Hipótesis estadística: proposición (afirmación) sobre algún aspecto de la distribución de una población
(parámetro, forma, etc.) que puede someterse a prueba a través de una muestra aleatoria de esa
población. No tiene por qué suponerse interés científico.
Contraste de hipótesis: Procedimiento por el cual decidimos si una propuesta sobre la población
puede aceptarse o no. Su finalidad es generalizar un resultado muestral a la población de la que procede
la muestra. Siempre se formulan dos hipótesis (exhaustivas y mutuamente excluyentes); de tal modo,
que el rechazo de una implica la aceptación de la otra.
H0 (hipótesis nula): se acepta provisionalmente como verdadera y se somete a contraste.
H1 (hipótesis alternativa): se acepta al rechazar la hipótesis nula.
Dependiendo de cómo se formule la hipótesis hablamos de dirección del contraste.
BILATERAL O BIDIRECCIONAL UNILATERAL IZQUIERDO UNILATERAL DERECHO
La media (µ) es algún valor La media (µ) es algún valor La media (µ) es algún valor
Igual o distinto a (X) No inferior a (X). No superior a (X).
Ho : µ = X Ho : µ ≥ X Ho : µ ≤ X
H1 : µ ≠ X H1 : µ < X H1 : µ > X
La decisión de utilizar contrastes unilaterales o bilaterales depende de la información o la idea del

investigador sobre la tendencia de la variable en la población. Esta decisión influye en el nivel de
significación (α) y en la interpretación de los resultados. El tipo de contraste es similar para la media
(µ), la proporción (π) y la varianza (σ2). En los tres tipos de contraste, el signo igual está en la H0.
Las hipótesis siempre se hacen sobre los parámetros poblacionales.
Estadístico de Contraste (medida de discrepancia): Instrumento para tomar decisiones sobre la
hipótesis nula, con una cierta probabilidad. La elección de un estadístico de contraste depende de las
características de la variable en la población (forma, parámetros,...), de los datos muestrales (forma de
obtenerlos, nivel de medida,...) y de la hipótesis estadística que se quiere contrastar (generada a partir
de la hipótesis de investigación y los supuestos).
Estadístico de Contraste (Discrepancia)
Estadístico de Contraste Valor del estadístico en la muestra – Valor del parámetro en la H0

Discrepancia = -----------------------------------------------------------------------------------------------------
Error típico de estimación
Se trata de averiguar la discrepancia entre los datos empíricos observados en la muestra y los datos
teóricos que planteamos en la H0.
Regla de decisión: Tomando en consideración el valor o los valores críticos (máxima diferencia
que cabe esperar por simple azar entre los datos empíricos y los teóricos) y a partir del nivel de
significación. Acumulado en los contrastes unilaterales (α) y dividido por dos en los bilaterales (α/2)
CONTRASTE BILATERAL Valores α / 1- α / Z más frecuentes

Valor crítico (Z α/2) Valor crítico (Z α/2)
α 0´05 0´01 0´001

1-α 0´95 ´99 0´999
Z α/2 - 1´96 - 2´58 - 3´29
Z 1-α/2 1´96 2´58 3´29
α Nivel de significación
1 – α Nivel de confianza
Z α/2 Z (Tabla III negativa)
Z 1-α/2 Z (Tabla IV positiva)

lOMoARcPSD|2192898
CONTRASTE UNILATERAL IZQUIERDO CONTRASTE UNILATERAL DERECHO
Zona Zona Aceptación Zona Aceptación Zona

Rechazo H0 H0 (1 – α) H0 (1 – α) Rechazo H0
|------------|---------------------------------------| |-----------------------------------|-------------|
α VALOR VALOR α
CRÍTICO CRÍTICO
Nivel crítico (p) Calcular la probabilidad de obtener unos resultados como los observados en la
muestra bajo el supuesto de que la H0 es cierta.
Zona de rechazo (depende de que el contraste sea bilateral o unilateral). Teniendo en cuenta el riesgo
adoptado se determinan los valores del estadístico y se decide si la hipótesis nula es verdadera o falsa.
Nunca puede afirmarse categóricamente que la hipótesis es cierta o falsa, se afirma con un determinado
nivel de probabilidad. Así, ¿Cómo decidir sobre la hipótesis nula? Dos métodos equivalentes:
A través del nivel crítico si p es ≤ α, rechazaremos H0, y si p > α, no la rechazaremos.

A través del valor o los valores críticos. El criterio alfa divide la distribución de probabilidad del
estadístico de contraste en dos zonas: la zona de aceptación de H0 y la zona de rechazo de H0
(región crítica). Si el valor muestral del estadístico de contraste cae en la zona de aceptación no lo
rechazaremos, y sí lo haremos cuando cae en la zona de rechazo.
A través del intervalo de confianza que delimita dos valores entre los cuales se encuentra o no el valor de
la hipótesis. Si está entre ellos se acepta la hipótesis nula, si no es así, se rechaza.
Ho (Cierta) (p) es mayor que (α) El valor se encuentra en el intervalo de confianza. El valor del
estadístico está entre los valores críticos.
Ho (Falsa) (p) es menor o igual que (α) El valor está fuera del intervalo de confianza. El valor del
estadístico supera o es inferior a los valores críticos.
El nivel de significación (α) se fija de antemano, mientras que el nivel crítico p es consecuencia
del resultado obtenido al aplicar el estadístico de contraste.
El contraste bilateral es más conservador que el contraste unilateral (es más difícil rechazar la H0)
Conclusión e interpretación: Contrastada la H0, considerada de forma provisional como verdadera,

y calculado el estadístico de contraste, se concluye rechazando o no la H0. Después se interpreta el
resultado en el contexto de la investigación.

lOMoARcPSD|2192898
3.1.- RESUMEN DEL PROCEDIMIENTO (CONTRASTE DE HIPÓTESIS)
1.- Supuestos (descripción de las características de la variable en la población, y de los datos de

la muestra): Nº de muestras con el que trabajamos; son independientes o relacionadas;
seleccionadas de forma aleatoria o no; cómo son las escalas de medida utilizadas para las variables,
la distribución de la que provienen los datos es conocida o desconocida, etc.
2.- Formulación de las Hipótesis Estadísticas (exhaustivas y mutuamente excluyentes) de acuerdo

con la hipótesis científica y las características anteriores.
3.- Elección del estadístico de contraste apropiado.
4.- Fijar α (regla de decisión). La zona de rechazo de la H0 estará formada por todos los valores del
estadístico cuya probabilidad de ser obtenidos es muy pequeña bajo el supuesto de que la H0 es
cierta.
5.- Cálculo del estadístico de contraste con los datos obtenidos en la muestra.
6.- Decisión sobre el rechazo o no de la H0.

Mediante el nivel crítico (p) ------------------- Mediante el ó los valores críticos (α)
7.- Conclusión e interpretación de los resultados en el contexto de la investigación.
PROBLEMA EJEMPLO CONTRASTE DE HIPÓTESIS
Queremos contrastar la hipótesis que supone que la media poblacional en un test de atención de los
estudiantes de la ESO es de 35 puntos. La distribución de la variable en la población es normal con
varianza = 225. Extraemos una muestra aleatoria de 144 alumnos y obtenemos: una media = 32 puntos.
Fijamos un nivel de significación α = 0,05.
Supuestos La variable (atención) está medida a nivel de razón. Se distribuye normalmente en la

población. Se trata de una muestra de observaciones aleatorias e independientes.
Hipótesis Estadísticas H0: µ = 35 H1: µ ≠ 35 (Contraste Bilateral)

_ __
Estadístico de Contraste Z = (Y – µ) / (σ / √ n (varianza poblacional conocida)
Regla de decisión: Nivel de Significación (α = 0,05) / Zona de rechazo de la H0 (Contraste

bilateral) Todos los valores iguales o menores que Z α/2 = (- 1,96) y todos los valores iguales o
mayores que Z1 – α/2 = (+ 1,96), según la distribución normal.
____
Cálculo del Estadístico de Contraste (datos de la muestra) Z = (32 – 35) / (15 / √ 144 = (- 2,4)
Toma de decisión sobre la H0:
Nivel crítico: Como p = 2 · [Z ≥ |- 2,4 |] = 2 · (0,0082) = 0,0164 es menor que α = 0,05,

rechazamos la hipótesis nula. Por tanto 0,0164 cae en la zona de rechazo de la H0.
Valores críticos: Como (-2,4) < (-1,96) rechazamos hipótesis nula.
Intervalo de confianza: 32 ± (1,96) · (1,25) = 29,55 < µ < 34,45. Como 35 no está en el intervalo
de confianza se rechaza la H0.
Interpretación de resultados Para un nivel de significación α = 0,05, podemos rechazar la

hipótesis nula (la media en atención de los estudiantes de la ESO no es de 35 puntos).

lOMoARcPSD|2192898
ERRORES EN LA TOMA DE DECISIONES
Los contrastes de hipótesis están basados en estadísticos (medidas de discrepancia) y tienen una
distribución de probabilidad conocida; así, todas las decisiones llevan aparejadas una probabilidad de
ocurrencia. Al tomar una decisión sobre una H0 pueden darse cuatro situaciones (dos de ellas son
decisiones acertadas y dos erróneas). Siempre debemos proponernos que (1 - α) y (1 - β) sean altos
y que α y β sean bajos.
Decisión Ho (cierta) H1 (cierta)
Acepto H1 ERROR TIPO I DECISIÓN CORRECTA

Probabilidad α Probabilidad 1 – β
Acepto Ho
DECISIÓN CORRECTA ERROR TIPO II
Probabilidad 1 – α Probabilidad β
Siempre se cumple α + (1 - α) = 1 y β + (1 - β) = 1
Error tipo I (α) Bajo la distribución de H0

representa la probabilidad de rechazar una
H0 verdadera = la probabilidad de aceptar
una H1 falsa / (α = probabilidad de cometer
error de tipo I = nivel de significación)
Nivel de confianza (1–α) Representa la

probabilidad de aceptar una H0 verdadera =
la probabilidad de rechazar una H1 falsa.
Error tipo II (β) Bajo la distribución de H1 cuando aceptamos erróneamente la H0 siendo falsa (β =
probabilidad de cometer error de tipo II)
Potencia de contraste (1–β) Representa la probabilidad de rechazar la H0 siendo falsa = la
probabilidad de aceptar una H1 verdadera (probabilidad de obtener un resultado estadísticamente
significativo) 1 – β = Probabilidad de no cometer Error tipo II.
Tamaño del efecto: Expresa la magnitud de la diferencia observada entre la H0 (el valor teórico) y la
H1 (el valor observado)

lOMoARcPSD|2192898
DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 2 (CH UNA MUESTRA)
TEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA
1.- TIPOS DE CONTRASTE:
Contrastes paramétricos: Son aquellos que se relacionan con el estudio de un parámetro

poblacional (media, varianza, proporción, correlación, etc.) y la variable de estudio proviene de una
población con una función de densidad de probabilidad conocida. Ejemplo: Determinar si un
parámetro poblacional puede tomar un valor concreto / Determinar si las variables medidas en la
muestra son independientes en la población. Según Amón (1986):
Las hipótesis recaen sobre los parámetros de la distribución de la variable.

El nivel de medida es, al menos, de intervalo.
Los supuestos sobre la forma de la distribución (normalidad) y/o sobre sus parámetros (varianza
conocida, desconocida, etc.) son restrictivos
En general, el contraste paramétrico es más potente que su equivalente no paramétrico.
Contrastes no paramétricos: Son aquellos que no se relacionan con parámetros poblacionales o

se refieren a datos que provienen de una población con una función de densidad de probabilidad
desconocida. Ejemplo: Determinar la forma de distribución de una variable en la población /
Determinar si los datos observados en la muestra son independientes entre sí. Según Amón (1986):
Nivel de medida inferior al intervalo.

Solo se establecen supuestos generales sobre la distribución (continuidad, simetría, etc.)
En general, la utilización de contrastes no paramétricos disminuye la potencia de contraste

(probabilidad de aceptar la H1 cuando esta es cierta)
2.- PASOS DE CONTRASTE DE HIPÓTESIS
Un contraste de hipótesis es un procedimiento para decidir si una hipótesis se acepta como válida
o se rechaza. Los principales pasos para tomar la decisión son:
1. Establecer los supuestos.

2. Formular las hipótesis estadísticas
3. Elección del estadístico de contraste apropiado (discrepancia entre los datos del estadístico de la
muestra y el parámetro planteado en la hipótesis poblacional),
4. Regla de decisión (la distribución muestral del estadístico nos permite fijar los valores críticos que
determinan la zona de rechazo de la H0). El cálculo del estadístico de contraste nos permite
también la determinación del nivel crítico p (probabilidad de que, siendo cierta la H0, obtengamos
unos datos como los observados en la muestra)
5. Conclusión (rechazamos o no la H0 a partir del nivel crítico p, o del valor o los valores críticos)
6. Interpretación (en el contexto de la investigación)
3.- CONTRASTE SOBRE LA TENDENCIA CENTRAL DE LOS DATOS
MEDIA POBLACIONAL
2
PARAMÉTRICOS CONOCIDA σ
2
DESCONOCIDA σ
NO PARAMÉTRICOS PRUEBA DE LOS SIGNOS

PRIUEBA DE WILCOXON

lOMoARcPSD|2192898
CONTRASTES PARAMÉTRICOS SOBRE LA MEDIA POBLACIONAL
Supuestos (Razones que justifican su elección): Disponemos de una muestra aleatoria de “n”
observaciones aleatorias e independientes. La variable dependiente sigue una distribución normal
en la población y está medida, al menos, a nivel de intervalo. Podemos conocer o no el valor de la
varianza poblacional (también aplicable a cualquier otro tipo de distribución, con varianza
desconocida, si n ≥ 30, según el Teorema Central del Límite)
Hipótesis Estadísticas: µ0 es el valor concreto de la media poblacional acerca del cual queremos
comprobar si µ es diferente, menor o mayor // Se aconseja formular primero H1
Contraste Bilateral: H0: µ = µo

H1: µ ≠ µo
Contraste Unilateral Izquierdo H0: µ ≥ µo
H1: µ < µo
Contraste Unilateral Derecho H0: µ ≤ µo
H1: µ > µo
Estadístico de contraste:
_ __
Conocida la varianza de la población Z = (Y - µ0) / σ / √ n
_ _
Y es la media muestral // σ / √n es el error típico de la media
µ0 es el valor propuesto para la media poblacional por H0
El Estadístico de Contraste sigue la distribución N (0,1)
_ __
Desconocida la varianza de la población T = (Y - µ0) / S n-1 / √ n
_
S2n-1 = (Y – Y)2 / n – 1 es la cuasi varianza muestal (estimador insesgado de varianza poblacional)
El Estadístico de Contraste sigue la distribución T de Student con n – 1 gl. (Cuando gl > 30 la
distribución T de Student se aproxima a la normal).
n S2
2 2 2
Relación entre la varianza y la cuasi varianza muestral (n-1) S n-1 = n S // Luego S n-1 = ---------
n-1
Intervalo de confianza: _ _
Y + Z α/2 · σ / √n = LS y LI (conocida σ2 poblacional)
_ ______
Y + T n-1; α/2 · Sn-1 / √n = LS y LI (desconocida σ2 poblacional)
CONTRASTES NO PARAMÉTRICOS SOBRE LA MEDIANA POBLACIONAL
PRUEBA DE LOS SIGNOS: Considera que el valor de la mediana bajo la H0 es correcto; por tanto,
en la población, existirán similares valores por encima y por debajo (mismo número de signos
positivos y negativos al calcular la diferencia entre cada valor y la mediana propuesta en la H0)
Supuestos (Razones que justifican su elección): muestra aleatoria de “n” observaciones aleatorias
e independientes de una población con mediana desconocida. Contraste sobre el Promedio
Poblacional. Desconocemos el cumplimiento de los supuestos paramétricos. Asumimos que la
distribución de la variable es continua por lo que no debemos encontrar diferencias nulas, si
aparecen, se descartan). Datos directos, sin agrupar, medidos, al menos, en una escala ordinal.
Hipótesis Estadísticas:
Contraste Bilateral: H0: η = η0
H1: η ≠ η0
Contraste Unilateral Izquierdo H0: η ≥ η0
H1: η < η0
Contraste Unilateral Derecho H0: η ≤ η0
H1: η > η0
η0 es el Su
valor concreto
distribución de la mediana
está prohibida poblacional
| Descargado // Se aconseja
por Maria Fernandez formular primero la H1
(mariajose_ccs@yahoo.com)

lOMoARcPSD|2192898
Estadístico de contraste: (S+ ó S-) se obtienen al restar cada una de las observaciones del valor
de la mediana propuesto por la H0. Si alguna diferencia es nula, se elimina, reduciéndose el tamaño
de la muestra. ____
Cuando la muestra es grande se aproxima a la normal mediante [S+ (ó S-) – n/2] / √ n/4
Distribución muestral del estadístico: modelo binomial con parámetros n = S+ + S- y π = 0’50.
PRUEBA DE WILCOXON: Conocida como “prueba de rangos y signos”, gana en precisión con
respecto a la prueba de los Signos, ya que aprovecha mejor la información disponible; tiene en
cuenta, a la vez, el signo de las diferencias y la magnitud de las mismas. Wilcoxon es una prueba
más precisa.
observaciones aleatorias e independientes. Se trata de un contraste sobre el Promedio Poblacional.
Desconocemos el cumplimiento de los supuestos paramétricos. La distribución de la variable en la
población ha de ser simétrica y continua. Datos directos, sin agrupar. Nivel de medida de los
datos, al menos, de intervalo.
Hipótesis Estadísticas: similares a la prueba de signos
Cálculo del Estadístico de Contraste: (∑R+ ó ∑R-) suma de rangos positivos y negativos.
Conocemos los datos obtenidos en la muestra // Calculamos las diferencias entre cada observación
y la mediana propuesta por la H0. Se eliminan las diferencias nulas, reduciendo el tamaño muestral
“n” // Estas diferencias, en valor absoluto, se ordenan de menor a mayor, y se sustituye cada una de
ellas por el rango que le corresponde // Si hay empates, se adopta el “criterio del rango medio”; es
decir, se le atribuye a cada una el rango promedio de los rangos que les hubieran correspondido de
ser diferentes // A cada rango se le añade el signo + o – de la puntuación de diferencia
correspondiente y se suman, obteniendo R+ y R-
Distribución muestral del estadístico: distribución de valores de Wilcoxon. Para utilizar la tabla W
de Wilcoxon se selecciona el sumatorio más pequeño y se toma la decisión mediante los valores
críticos.

lOMoARcPSD|2192898
PROBLEMAS EJEMPLO
CONTRASTE SOBRE LA MEDIA (VARIANZA POBLACIONAL CONOCIDA)
Supongamos que pertenecemos al consejo regulador de la denominación de origen de los vinos de

Ribera de Duero. Sabemos que los vinos jóvenes de años anteriores tienen un grado alcohólico
medio de 12.5 grados y una varianza de 0´52 y que los datos en la población se ajustan a una
distribución normal N (12´5, 0´5). Para el año actual, el consejo regulador, de acuerdo con todos sus
miembros, ha decidido cambiar algunos de los pasos del proceso de fabricación. El primer problema
que se plantea es: ¿Se ha modificado el grado alcohólico al modificar el proceso de fabricación? La
definición del problema a estudiar nos permite determinar la población que queremos estudiar, los
vinos jóvenes de ribera de Duero en el año actual; la variable que queremos medir, el grado
alcohólico de los mismos, y la hipótesis de trabajo inicial ¿Se ha modificado el grado alcohólico?
Para realizar el contraste de hipótesis, extraemos una muestra aleatoria de 14 observaciones que
aportan una media de 12´529 grados y una cuasi varianza de 0´3382 establecemos un nivel de
confianza del 95%.
Estadístico de contraste: Discrepancia entre

el estimador (muestra) y el parámetro de la H0.
Valores críticos: con α = 0´05 y un contraste

bilateral ± 1´96 (región de aceptación)
Decisión estadística: El valor del estadístico
de contraste (0´217) se sitúa en la región de
aceptación (entre los valores críticos); por tanto
aceptamos H0. El nivel crítico (p) asociado al E.
Contraste (0´217) es 2·0´4129 = 0´8258 (1-
0´5871 = 0´4129) que resulta mayor que el
Supuestos: Se trata de una muestra aleatoria nivel de significación fijado (α = 0´05); por
con datos medidos, al menos, en una escala de tanto, aceptamos H0. A partir del intervalo de
intervalo. Asumimos que la variable se confianza, aceptamos H0 (12´5 está incluido)
distribuye normalmente en la población con ___
varianza conocida. 12´529 ± (1´96 · 0´5 / √14 ) (12´27 y 12´79)
Hipótesis: Contraste bilateral H0: µ = 12´5 Conclusión: El cambio en el proceso de

H1: µ ≠ 12´5 fabricación no ha modificado significativamente
Se trata de determinar si los datos de la el grado alcohólico.
muestra arrojan evidencia a favor o en contra Interpretación: Con la información de la que
de la H0. disponemos no hemos encontrado evidencia
suficiente de que la media sea distinta de 12.5
Vamos a plantear otro supuesto que modificaría la definición de las hipótesis Sospechamos,
antes de realizar el experimento, que la modificación en el proceso de fabricación aumenta el
grado alcohólico.
Supuestos: Similares; Hipótesis (Contraste unilateral derecho): H0: µ = 12´5 y H1: µ > 12´5
Estadístico de contraste: Similar
Valores críticos: con α = 0´05 y un contraste unilateral derecho 1´65
Decisión estadística: El valor del estadístico de contraste (0´217) se sitúa en la región de
aceptación (por debajo del valor crítico 1´65); por tanto aceptamos H0.
El nivel crítico (p): asociado al estadístico de contraste (0´217) es 0´4129 (1-0´5871) que resulta
mayor que el nivel de significación fijado (α = 0´05); por tanto, aceptamos H0
Conclusión: El cambio en la fabricación no ha modificado significativamente el grado alcohólico.
Interpretación: Con la información de la que disponemos no hemos encontrado evidencia
suficiente de que la media no sea igual a 12.5

lOMoARcPSD|2192898
CONTRASTE SOBRE LA MEDIA (VARIANZA POBLACIONAL DESCONOCIDA)
Siguiendo con el ejemplo del grado alcohólico de los vinos de la denominación de origen de
Ribera de Duero, los resultados del contraste bilateral desconocida la varianza de la población
(suponiendo que no nos hubieran facilitado este parámetro), serían:
Estadístico de contraste: Discrepancia entre el

estimador (muestra) y el parámetro de la H0.
Valores críticos: con α = 0´05 y un contraste

bilateral t18 gl = ± 2´101 (región aceptación)
Decisión estadística: El valor del estadístico de

contraste (0´316) se sitúa en la región de
Supuestos: Se trata de una muestra aceptación (entre los valores críticos); por tanto
aleatoria con datos medidos, al menos, en aceptamos H0. El nivel crítico (p) asociado al E.
una escala de intervalo. Asumimos que la Contraste (0´316) es aproximadamente (1-0´65 =
variable se distribuye normalmente en la 0´35) 0´35 · 2 = 0´7 > 0´05 (Aceptamos H0). A
población con varianza desconocida. partir del intervalo de confianza, aceptamos H0
(12´5 está incluido)
___
Hipótesis: Contraste bilateral H0: µ = 12´5 12´529 ± (1´96 · 0´338 / √14 ) (12´35 y 12´705)
H1: µ ≠ 12´5
Conclusión: El cambio en el proceso de
Se trata de determinar si los datos de la fabricación no ha modificado significativamente el
muestra arrojan evidencia a favor o en contra grado alcohólico.
de la H0. Interpretación: Con la información de la que
disponemos no hemos encontrado evidencia
suficiente de que la media sea distinta de 12.5
CONTRASTES NO PARAMÉTRICOS (PRUEBA DE LOS SIGNOS Y PRUEBA DE WILCOXON)
En la figura se muestra como para distribuciones

asimétricas es mucho más intuitiva la comparación de
las medianas que la comparación de las medias, ya que
estas están afectadas por los valores muy extremos de
la distribución.
Problema ejemplo: Una determinada empresa utiliza, desde hace muchos años, un test de aptitudes
para seleccionar a sus empleados. Para dicho test tiene establecido que la mediana está en 180. El
psicólogo de la empresa quiere probar que efectivamente la mediana sigue siendo correcta (probar la
H0 de que la mediana en la población es igual a 180). Para ello obtiene una muestra de 15
trabajadores y les aplica el test obteniendo los siguientes resultados:
189 233 195 160 212 176 231 202 193 174 166 248 199 213 185
Suponemos que la variable en la población es simétrica y continua (medida en una escala de

intervalo) y que no sabemos nada acerca de la forma de la población. Con estos datos y
únicamente con fines pedagógicos aplicaremos las pruebas de los Signos y la de Wilcoxon (sería
directamente aplicable Wilcoxon).

lOMoARcPSD|2192898
Supuestos Muestra aleatoria de n = 15 observaciones. Distribución de la variable en la población

(simétrica y continua). Nivel de medida de los datos, al menos, escala de intervalo.
Hipótesis (C. Bilateral) H0: η = 180 y H1: η ≠ 180 // α = 0,05
Estadísticos de Contraste:
Signos: Previamente ordenamos las puntuaciones (la mediana es un índice de posición). Restando
180 a cada una de las 15 puntuaciones obtenidas por los sujetos, obtenemos 11 (S+) y 4 (S-)
160 166 174 176 185 189 193 195 199 202 212 213 231 233 248 ORDEN
-20 -14 -6 -4 5 9 13 15 19 22 32 33 51 53 68 RESTA
- - - - + + + + + + + + + + + SIGNOS
Probabilidad binomial con n = 15 (participantes) y p = 0´5 (probabilidad de éxito si la H0 es cierta)
Wilcoxon: Más precisa. Después de ordenar las puntuaciones de menor a mayor y ordenar las
diferencias con la mediana en valor absoluto, obtenemos:
160 166 174 176 185 189 193 195 199 202 212 213 231 233 248 ORDEN
-20 -14 -6 -4 5 9 13 15 19 22 32 33 51 53 68 RESTA
-4 5 -6 9 13 -14 15 19 -20 22 32 33 51 53 68 ORDEN
- + - + + - + + - + + + + + + SIGNOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RANGOS
Sumando los rangos cuyas diferencias tienen valor positivo y negativo:

R+ (2+4+5+7+8+10+ 11+12+13+14+15 = 101) y R- (1+3+6+9 = 19)
Utilizaremos como estadístico W R- (1+3+6+9 = 19) dado que es el más pequeño W = 19
Decisión estadística:
Signos: Función de distribución Binomial (Tabla II); para n = 15 y probabilidad = 0,50, encontramos el
valor 0,0592 P (S- ≤ 4) = 0,0592. Para averiguar el nivel crítico p, multiplicamos por 2 la
probabilidad asociada al estadístico de contraste (0´0592 · 2 = 0´1184) dado que es bilateral.
Wilcoxon: Tablas para un contraste bilateral con α/2 = 0,025 y n = 15; el valor crítico es 26
Conclusión:
Signos: Como p (0´1184) es mayor que α (0,05) Mantenemos H0. También tabla (Test de signos dos
direcciones) para n =15 y α = 0,05, y un contraste bilateral, el valor crítico es igual a 3 como S- = 4 >
3 (Mantenemos H0)
Wilcoxon (más precisa): Como 19 (se toma la suma menor) < 26 Rechazamos la H0
Interpretación:
Signos: Teniendo en cuenta los resultados, es posible seguir manteniendo que la Mediana de la
población de referencia es 180, con un α = 0,05.
Wilcoxon: Teniendo en cuenta los resultados, no es posible seguir manteniendo que la Mediana de la
población de referencia es 180, con un α = 0,05.

lOMoARcPSD|2192898
4.- CONTRASTE SOBRE LA VARIANZA POBLACIONAL
observaciones aleatorias e independientes. La variable dependiente sigue una distribución normal y
está medida, al menos, a nivel de intervalo.
2 2
Contraste Bilateral: H0: σ = σ 0
2 2
H1: σ ≠ σ 0
2 2
Contraste Unilateral Izquierdo H0: σ ≥ σ 0
2 2
H1: σ < σ 0
2 2
Contraste Unilateral Derecho H0: σ ≤ σ 0
2 2
H1: σ > σ 0
σ20 es el valor concreto de la varianza poblacional acerca del cual queremos comprobar si la
varianza poblacional es diferente, menor o mayor // Se aconseja formular primero H1.
Estadístico de contraste X2 = (n-1) S2n-1 / σ20
σ2o es el valor propuesto para la varianza poblacional por H0 y S2n-1 = la cuasi varianza muestral. El
Estadístico de Contraste sigue una distribución Chi-Cuadrado con (n-1) gl.
(n-1) S2e (n-1) S2e

Intervalo de confianza ---------------- < σ < -----------------
2
X2 (n-1) (1-α/2) X2 (n-1) α/2
Si el contraste se hace a partir de la varianza poblacional, se sustituye (n-1) por n.
5.- CONTRASTE SOBRE LA PROPORCIÓN POBLACIONAL
observaciones aleatorias e independientes. La variable dependiente es dicotómica.La proporción es
el cociente entre el número de veces que aparece la observación dividido entre el número total de
observaciones)
Contraste Bilateral: H0: π = π0
H1: π ≠ π0
Contraste Unilateral Izquierdo Ho: π ≥ π0
H1: π < π0
Contraste Unilateral Derecho H0: π ≤ π0
H1: π > π0
π0 es el valor concreto de la proporción poblacional acerca del cual queremos comprobar si la

proporción poblacional es diferente, menor o mayor // Se aconseja formular primero H1
____________
Estadístico de contraste: Z = (P - π0) / √ (π0 (1 - π0) / n
P es la proporción muestral de la característica que interesa.

π0 es el valor propuesto para la proporción poblacional por la H0.
σ0 es el error típico de la distribución muestral de la proporción.
El Estadístico de Contraste sigue la distribución N (0,1) cuando “n” es suficientemente grande, lo

que significa que “n · p” > 5 ó n = 25. Cuando no se cumple esta condición (muestras pequeñas), se
utiliza la distribución binomial.
____________
Intervalo de Confianza P ± |Zα/2| √ (π0 (1 - π0) / n

lOMoARcPSD|2192898
PROBLEMAS EJEMPLO
Contraste de hipótesis sobre la varianza: Los resultados de un reciente estudio indican que 81
estudiantes de primero de Psicología de la UNED, elegidos mediante muestreo aleatorio simple,
estudian una media de 6 horas a la semana, con una cuasi desviación típica de 3. La población
universitaria europea estudia, también, una media de 6 horas a la semana, pero con una desviación
típica de 2. Queremos saber si la variabilidad encontrada en nuestra muestra es estadísticamente
diferente de la de la población de estudiantes europeos. Trabajaremos a un nivel de confianza del
95 %.
_
Supuestos: Muestra aleatoria de 81 estudiantes de la UNED (X = 6 y SX = 3). Datos de la población
de estudiantes europea (µ = 6 y σ = 2) para α = 0,05. La variable dependiente está medida, al
menos, a nivel de intervalo. Se plantea un CH sobre la varianza.
Hipótesis: Contraste bilateral (resultado estadísticamente diferente). Las hipótesis siempre se

plantean sobre la población (la población universitaria europea tiene una σ = 2; luego la varianza de
la población a contrastar será σ2 = 4. Luego H0: σ2 = 4; H1: σ2 ≠ 4
Estadístico de contraste: χ2 = (n – 1) S2n-1 / σ20 χ2 = 80 · 9 / 4 = 180
A partir de los valores críticos (80 gl; α/2 = 0,025 y 1-α/2 = 0,975) 57´15 y 106´63.
Rechazamos la H0 porque el valor muestral del estadístico de contraste (180) > el valor
crítico superior (χ2 = 106´63)
Si tenemos en cuenta el nivel crítico p (χ2 = 180 con 80 gl encontramos que p es < 0´005)
y dado que p < α (0´05) Rechazamos H0.
Considerando el intervalo de confianza: Rechazamos H0 (σ2 = 4 no está en el intervalo)
80 · 9 80 · 9
Intervalo de confianza ---------------- < σ2 < ----------------- (6´75 y 12´61)
106´63 57´11
Conclusión e interpretación: Dado que hemos rechazado la H0 con α = 0,05 La variabilidad en

el tiempo de estudio que emplean los estudiantes de Psicología de 1º de la UNED no es igual que la
variabilidad en el tiempo de estudio semanal de la población universitaria europea.
Contraste de hipótesis sobre la proporción (Febrero 2008): Se quiere conocer la postura de la

población española frente a la inmigración ilegal. Se fija α = 0´04, se extraen aleatoria e
independientemente 750 españoles y se les pide que manifiesten si están a favor o en contra. De los
750 españoles, 435 se manifiestan en contra y 315 a favor. Se desea estudiar si son compatibles
estos resultados con la hipótesis que establece que las 3/5 partes de la población española están en
contra de la inmigración ilegal.
Supuestos: Variable dependiente postura de la población española frente a la inmigración ilegal

(a favor o en contra). Se trata de una variable cualitativa dicotómica.
P = (435/750 = 0´58); se cumple (n·p > 5) (750 · 0´58 = 435) Muestra grande (aproximación a la
normal CH Proporción
Hipótesis: Contraste bilateral (no se especifica ninguna dirección a favor o en contra). Sabemos
que π = 3/5 = 0,6 y la hipótesis nula se centra si nuestros datos son compatibles con este resultado
(teóricamente poblacional). Luego H0: π = 0´6; H1: π ≠ 0´6
Estadístico de contraste: Nuestra proporción es 435/750 = 0´58. Con estos datos aplicamos la
fórmula del estadístico de contraste Z = (0´58 – 0´6) / (√ 0´6·0´4 / 750) = - 0´02 / 0´0179 = - 1´12.
Valores críticos: Al tratarse de un contraste bilateral deben ser dos valores. Buscando en las tablas
de la curva normal con α = 0´04 (bilateral α/2 = 0´02 y 1-α/2 = 0´98) encontramos las puntuaciones
típicas (- 2´05 y 2´05)

lOMoARcPSD|2192898
Teniendo en cuenta los anteriores valores críticos (- 2´05 y 2´05), Aceptamos la H0 porque el
valor muestral del estadístico de contraste (- 1´12) > el valor crítico inferior (- 2´05)
Si tenemos en cuenta el nivel crítico p (Z (-1´12) = 0´1314; luego 2 · 0´1314 = 0´2628). Como p
(0´2628) > que α (0´04) Aceptamos H0.
Considerando el intervalo de confianza: Aceptamos H0 (0´6 está en el intervalo)
____________ __________________
P ± |Zα/2| √ (π0 (1 - π0) / n 0´58 ± 2´05 √ (0´58 (1 – 0´58) / 750 = (0´543 y 0´617)
Conclusión e interpretación: Dado que hemos aceptado la hipótesis nula (π = 0´6) podemos
afirmar que el 60% de la población española están en contra de la inmigración ilegal; por tanto, el
40% estará a favor.
6.- CÁLCULO DE LA POTENCIA DE CONTRASTE
Potencia de contraste (1–β): Representa la probabilidad de rechazar la H0 siendo falsa = la

probabilidad de aceptar una H1 verdadera (probabilidad de obtener un resultado estadísticamente
significativo). 1 –β = Probabilidad de no cometer Error tipo II. La disminución de (α = Error de tipo I
provoca un aumento automático de β = Error tipo II)
Problema ejemplo: La aplicación de un test entre docentes tiene, por experiencias anteriores, una
media de 55 y una varianza de 121, N (55, 121). Un psicólogo educativo considera que en la actualidad
el promedio se ha incrementado, pasando a ser de 60 puntos. Para contrastar esta hipótesis somete al
test a 50 individuos extraídos aleatoriamente de la población y obtiene una media de 58. Fijando un
nivel de significación α = 0,01. ¿Puede aceptarse la hipótesis del psicólogo?
Hipótesis estadísticas (contraste unilateral derecho): H0: µ0 = 55 y H1: µ1 > 55 (µ1 = 60)
Descripción de la variable y de los datos muestrales: Variable medida a nivel de intervalo, distribución
normal, con varianza conocida N (55, 121) y observaciones aleatorias e independientes.
Estadístico de contraste y cálculo: Bajo la H0: µ0 = 55, tipificamos la media muestral = 58.
_ ___
Z = (Y – µ0) / σY Z = (58 - 55) / (11 / √ 50) = 1,93
A partir del valor crítico (para α = 0,01. Se trata de un contraste unilateral, acumula α en una
sola cola Z = 2,33). Como 1´93 (valor del estadístico de contraste) < 2´33 (valor crítico) Se
acepta la H0.
A partir del nivel crítico p (al valor del estadístico de contraste 1´93 le corresponde en las tablas
una probabilidad de p (Z < 1,93) = 0,9732 1-0´9732 = 0´0268). Al tratarse de un contraste
unilateral p = 0´0268 > α = 0´01; Por tanto, Se acepta la H0

lOMoARcPSD|2192898
Interpretación de los resultados: Para un nivel de significación α = 0,01, no podemos afirmar que la
media poblacional se ha incrementado en la actualidad.
¿Cuál es la probabilidad de cometer error tipo II? (Rechazar la H1 siendo cierta)
Bajo la Hipótesis nula (H0: µ0 = 55) se determina el límite entre la región de aceptación y rechazo
(Contraste unilateral derecho)
_ -----------------------------------|-----
Z = (Yc – µ0) / σY Z = 2,33 Z = (Yc - 55) / (11 / √50); Yc = 58,62
Se busca la (Z) que corresponde al valor 58,62 en la distribución de la H1 (H1: µ1 = 60)
_ ------------------|------------------------------
Z = (Yc – µ1) / σY Z = (58,62 - 60) / (11 / √50); Z = (- 0,89)
Probabilidad de obtener una Z ≤ (- 0,89) Z (-0,89) = 0,1867 β = 0,1867 (error tipo II)
Potencia de Contraste (1 – β) = 0,8133

lOMoARcPSD|2192898
DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 3 (DISEÑOS 2 GRUPOS INDEPENDIENTES)
TEMA Nº 3 ANÁLISIS DE DATOS PARAMÉTRICOS PARA DISEÑOS DE DOS GRUPOS
TIPOS DE MUESTRAS
Muestras independientes: n1 y n2 muestras de sujetos diferentes, extraídos aleatoriamente de sus

respectivas poblaciones.
Muestras relacionadas: se trata de los mismos n sujetos observados en condiciones experimentales
diferentes, o n pares de sujetos semejantes entre sí (gemelos, hermanos,...)
CONTRASTES DE HIPÓTESIS PARA DOS MUESTRAS INDEPENDIENTES
Poblaciones normales N (0, 1)
Medias distintas y varianzas iguales Medias iguales y varianzas distintas
CONTRASTE DE HIPÓTESIS
VARIANZAS POBLACIONALES CONOCIDAS

SOBRE DOS MEDIAS VARIANZAS POBLACIONALES DESCONOCIDAS
(PARAMÉTRICOS) Y SUPUESTAMENTE IGUALES
VARIANZAS POBLACIONALES DESCONOCIDAS
Y SUPUESTAS DISTINTAS
SOBRE DOS MEDIANAS TEST DE MANN-WHITNEY-WILCOXON

(NO PARAMÉTRICOS)
SOBRE DOS VARIANZAS DIFERENCIA DE VARIANZAS
DIFERENCIA PROPORCIONES VALOR IGUAL A CERO

SOBRE DOS
PROPORCIONES DIFERENCIA PROPORCIONES VALOR DISTINTO DE CERO
Pasos para realizar el contraste de hipótesis:
1. Establecer los supuestos.

2. Formular las hipótesis estadísticas
3. Elección del estadístico de contraste apropiado
4. Regla de decisión (la distribución muestral del
estadístico nos permite fijar los valores críticos que
determinan la zona de rechazo de la H0). El cálculo del
estadístico de contraste nos permite también la
determinación del nivel crítico p (probabilidad de que,
siendo cierta la H0, obtengamos unos datos como los
observados en la muestra). También podemos utilizar el
intervalo de confianza.
5. Conclusión (rechazamos o no la H0 a partir del nivel
crítico p, o del valor o los valores críticos)
6. Interpretación (en el contexto de la investigación)

lOMoARcPSD|2192898
CONTRASTES DE HIPÓTESIS PARA DOS MEDIAS
Observaciones independientes
Supuestos Nivel de medida de intervalo o razón
Distribuciones normales en la población ó (n1 ≥ 30 y n2 ≥ 30)
Varianzas población Desconocidas Desconocidas

conocidas Supuestamente iguales Supuestamente distintas
Hipótesis (homocedasticidad)
(Iguales en
los C. Bilateral C. Unilateral Derecho C. Unilateral Izquierdo
Tres casos) H0 : µ1-µ2 = 0 H0 : µ1-µ2 ≤ 0 H0 : µ1-µ2 ≥ 0
H1 : µ1-µ2 ≠ 0 H1 : µ1-µ2 > 0 H1 : µ1-µ2 < 0
Estadístico
de
Contraste
Distribución Normal Tipificada “t” de Student

Muestral N (0, 1) gl = n1 + n2 - 2
Conocida (Z) o desconocida (t) la varianza de la población (valor o valores críticos)
Regla (C. Bilateral) t ≤ t α / 2; n-2 y t ≥ t1 - α / 2; n-2 // Z ≤ Z α / 2 y Z ≥ Z 1 - α / 2

decisión (C. Unilateral Izquierdo) t ≤ t α; n-2 // Z ≤ Z α
(C. Unilateral Derecho) t ≥ t 1 – α; n-2 // Z ≥ Z 1 – α
Nivel crítico p Se rechaza H0 si p < α y se acepta si p > α
PROBLEMAS EJEMPLO (CH diferencia de Medias)
Dos centros de Educación Especial vienen utilizando, desde hace dos años, métodos diferentes
para estimular las funciones superiores de los niños con retraso mental. El director de uno de los
centros sostiene que su método (Método A) logra mejores resultados que el del otro centro (Método
B). Para estudiar esta cuestión, fijamos α = 0,03, extraemos aleatoria e independientemente dos
muestras de niños, una en cada centro (nA = 120 y nB = 50) y les medimos el cociente intelectual (CI)
en una escala de intervalo. Los niños de ambos centros iniciaron el programa de estimulación con
un CI medio igual a 70 y los CI medios tras el programa fueron 79 para los niños estimulados con el
método A y 74 para los estimulados con el método B. La distribución de los CI es normal en las
poblaciones con σA = 18 y σB = 12 y todas las observaciones son independientes entre sí.
Supuestos: Se trata de contrastar las medias de dos muestras independientes (varianzas

poblacionales conocidas); Distribución Normal de los CI en ambas poblaciones; Variable
dependiente medida a nivel de intervalo.
Hipótesis: Planteamos un contraste unilateral derecho (queremos probar si el método A es más eficaz)
H0: µA - µB ≤ 0 H1: µA - µB > 0 También H0: µA ≤ µB H1: µA > µB
Estadístico de contraste: Conocidas las varianzas poblacionales.

_ _ ________________ ___________________
Z = (Y1 – Y2) / √ (σ21 / n1) + (σ22 / n2) Z = (79 – 74) / √ (324 / 120) + (144 / 50) = 2,12

lOMoARcPSD|2192898
Sigue una distribución Normal tipificada N (0, 1)
Regla de decisión:
Valores críticos (para un nivel de confianza del 97% y un contraste unilateral, el valor crítico es
Z0´97 = (1´88)
Nivel crítico p (el estadístico de contraste 2´12 se asocia a una probabilidad p = P (Z ≥ 2,12)
1 – 0,983 = 0,017
Conclusión: Se rechaza H0 [el estadístico de contraste 2´12 > 1´88 (valor crítico) y también p =
0,017 (nivel crítico) < α = 0,03 (nivel de significación)].
Interpretación: El programa de estimulación del CI ha sido eficaz con un nivel de confianza del
97% (mejor el método A que el método B)
Intervalo de confianza: Para realizarlo suponemos que se trata de un contraste bilateral; por tanto,
habría que reformular las hipótesis:
_ _
(Y1 – Y2) ± | Z α/2 | · Error típico Límite superior y Límite inferior
(79 – 74) ± (0,03/2 = Z (-2´17) · 2,36 (denominador e. contraste) = 5 ± 5´12 (- 0´12 y 10´12)
Decisión: Aceptamos H0 (el intervalo de confianza contiene el valor 0, luego asumimos que la
diferencia de medias en la población puede tomar ese valor
En una investigación psicopedagógica se pasó la misma prueba de nivel de lectura a dos grupos de
niños: los participantes habían sido elegidos de forma aleatoria de entre los alumnos de EGB de dos
provincias españolas. Los datos se muestran en la tabla. La variable se midió en una escala de
intervalo y se supone que σ2A = σ2B
TAMAÑO MEDIA VAR. INSESGADA

PROVINCIA A 121 40 7
PROVINCIA B 61 38 6
Supuestos: Disponemos de dos muestras independientes (dos grupos de niños) que se someten a
una prueba de lectura. La variable dependiente medida a nivel de intervalo. Varianzas
poblacionales desconocidas y supuestamente iguales (σ2A = σ2B). Muestras grandes (121 y 61).
Contraste las hipótesis para las medias (muestras independientes)
Hipótesis: Planteamos un contraste bilateral para ver si las diferencias se deben al azar.
(H0: µA – µB = 0 y H1: µA – µB ≠ 0) // También H0: µA = µB y H1: µA ≠ µB)
Estadístico de contraste: Aplicamos el E. de Contraste para la diferencia de medias. Desconocidas

las varianzas de la población (supuestamente iguales) :
_ _
T = (Y1 – Y2) / Error típico T = (40 – 38) / 0,408 = 4,90
_________________________________________________
Error típico = √[( n1 – 1) S21 + (n2 – 1) S22 / (n1 + n2 – 2)] · (1 / n1 ) + (1 / n2 )
______
Error típico = √0´1665 = 0,408
Sigue una distribución t de Student con n1 + n2 – 2 grados de libertad.

lOMoARcPSD|2192898
Regla de decisión:
Valores críticos (tabla t de Student con 121 + 61 – 2 = 180 grados de libertad y α = 0,05). Se trata
de un contraste bilateral y son muestras grandes; por tanto, utilizamos Z0´025 (- 1´96) y Z0´975 = (1´96)
Nivel crítico p (el estadístico de contraste 4´90 se asocia a una probabilidad < 0´0005 que es más
pequeña que α)
Conclusión: Rechazamos H0 (el estadístico de contraste 4´90 no está entre los valores críticos ±
1´96 y de igual forma, considerando el nivel p crítico, p < α)
Interpretación: El rendimiento medio en la prueba de lectura no es igual en los dos grupos con un
nivel de significación α = 0,05.
Intervalo de confianza:
_ _
(Y1 – Y2 ) ± | tα (n1 + n2 – 2) | · Error típico = (Límites inferior y superior)
(40 – 38) ± 1´96 · 0´408 = 2 ± 0´8 = (1´2 y 2´08) Rechazamos H0 (el intervalo de confianza no
contiene el valor 0, luego asumimos que la diferencia de medias en la población no puede tomar
ese valor)
Distintos estudios muestran que la relajación es eficaz para reducir la ansiedad precompetitiva.
Siguiendo esta línea de investigación y habiendo hipotetizado una reducción de la ansiedad en las
escaladoras tratadas con relajación, extraemos aleatoria e independientemente 12 escaladoras y
les asignamos aleatoriamente a las dos condiciones del experimento: la mitad de las escaladoras se
somete a un programa de relajación durante seis meses y la otra mitad no realiza ningún tipo de
relajación (suponemos que las poblaciones se distribuyen normalmente con distinta varianza). Al
finalizar el programa de relajación, medimos la ansiedad precompetitiva de todas las escaladoras,
obteniendo una ansiedad media de 8 y una varianza insesgada de 150 en el grupo “sin relajación” y
una ansiedad media de 6´5 y una varianza sesgada de 100 en el grupo “con relajación”. El nivel de
significación alfa se fijó en 0,05, la variable dependiente está medida a nivel de intervalo y a mayor
puntuación mayor ansiedad. ¿Podemos afirmar que realmente la ansiedad precompetitiva de las
escaladoras se reduce utilizando técnicas de relajación?
Supuestos: 12 escaladoras en un experimento con dos condiciones: 6 escaladoras “sin relajación”

y 6 “con relajación”. Variable dependiente (ansiedad) medida a nivel de intervalo. Poblaciones con
distribución normal Contraste de hipótesis para dos muestras Independientes (desconocidas
las varianzas poblacionales y supuestas distintas)
Hipótesis: Siguiendo a los investigadores planteamos un contraste unilateral derecho.
H0 : µ1 - µ2 ≤ 0 H1 : µ1 - µ2 > 0 // // También H0: µ1 ≤ µ2 y H1: µ1 > µ2)
Estadístico de contraste: Contraste de medias, desconocidas las varianzas (supuestas distintas)

_ _
T = (Y1 – Y2) / Error típico (8 - 6´5) / 6´23 = 0´24
_______________
Donde Error típico = √ Ŝ21 / n1 + Ŝ22 / n2
Cálculos adicionales (Medias y Varianzas insesgadas)

_ _
YSR = 8 Ŝ2 SR = 150 (insesgada) YR = 6,5 Ŝ2 R = 83 (insesgada)
Donde S2 R = 100 (sesgada) = (5 / 6) · 100 83

_____________ __________
Error Típico de la diferencia √150 / 6 + 83 / 6 √25 + 13´83 = 6´23

lOMoARcPSD|2192898
(150 / 6 + 83 / 6)2
gl = ----------------------------------------------------- =
[(150 / 6)2 / (6 – 1) + (83 / 6)2 / (6 – 1)
gl = 1507´77 / 163´27 = 9´23 ≈ 9 (valor < t = n1 + n2 – 2)
Regla de decisión:
Valor crítico para α = 0,05 Según la tabla t de Student (contraste unilateral derecho), con 9 gl
encontramos el valor t9; 0´05 = 1´833
Nivel crítico p el valor del E. Contraste T = 0´24, con 9 gl se encuentra entre 0´55 < p < 0´60
Conclusión e interpretación: Se acepta H0 para un nivel de confianza del 95%. Según el valor
crítico (contraste unilateral derecho) T (0´24) < 1´833 Aceptamos H0.
Según el nivel p crítico (0´55 < p < 0´60) > que el valor de α = 0,05. La ansiedad precompetitiva de
las escaladoras no disminuye utilizando técnicas de relajación.
CONTRASTES DE HIPÓTESIS DOS MEDIANAS (TEST DE MANN-WHITNEY-WILCOXON)
Supuestos Variable dependiente con un nivel de medida ordinal o superior

Dos poblaciones con distribuciones similares (misma forma) en la población
C. Bilateral C. Unilateral Derecho C. Unilateral Izquierdo

Hipótesis H0 : µ1-µ2 = 0 H0 : µ1-µ2 ≤ 0 H0 : µ1-µ2 ≥ 0
H1 : µ1-µ2 ≠ 0 H1 : µ1-µ2 > 0 H1 : µ1-µ2 < 0
1.- Asignamos rangos a todas las puntuaciones (muestra 1 y muestra 2) como si

formaran un único grupo.
2.- Calculamos las sumas de rangos para las puntuaciones procedentes de cada
Estadístico una de las muestras (S1 para la primera muestra y S2 para la segunda muestra)
Contraste 3.- Calculamos los siguientes valores:
U1 = S1 - ½ n 1 (n1 + 1) // U2 = S2 - ½ n 2 (n2 + 1)
El estadístico de contraste “U” es el menor de U1 ó U2
Distribución
Muestral Utilizamos la tabla U de Mann-Whitney-Wilcoxon
Regla (C. Bilateral) U > un1, n2; α/2

decisión (C. Unilateral Izquierdo) U < un1, n2; α
(C. Unilateral Derecho) U > un1, n2; α
Aproximación (Ui) – [(n1 · n2) / 2]

A la Normal Z = -------------------------------
√ n1 n2 (n1 + n2 + 1) / 12

lOMoARcPSD|2192898
PROBLEMA EJEMPLO
En una investigación de Psicología Social sobre valores, se han extraído dos muestras aleatorias de
personas. Una muestra se extrajo de una región del interior de la Península (n=5) y la otra de la
costa (n=6). Los participantes cumplimentaron un cuestionario de xenofobia, que ofrece
puntuaciones en una escala ordinal, obteniendo los resultados que se presentan en la Tabla 1 (a
mayor puntuación mayor xenofobia). Se desea saber si la tendencia central de los habitantes de la
costa es más baja que la de los del interior. Se asume que las distribuciones de la variable en las
dos poblaciones tienen la misma forma (si difieren sólo lo hacen en su tendencia central)
Interior 6 14 10 18 20
Costa 16 12 4 8 2 22
Supuestos: Se trata de dos muestras independientes (personas de la península y personas de la

costa). Puntuaciones del cuestionario en escala ordinal. Las distribuciones de la VD en las
poblaciones tienen la misma forma y, si difieren, lo hacen sólo en su tendencia central.
Hipótesis: La hipótesis nula siempre es aquella que afirma lo contrario de lo que el investigador
desea probar. Desea probar que la tendencia central (contraste no paramétrico, mediana) en
habitantes de la costa es menor que en habitantes del interior. Contraste unilateral izquierdo
Hipótesis de la que parte el investigador H1: η C < η P

Hipótesis nula (negación de la anterior) H0: η C ≥ η P
1º.- Ordenamos el total de las puntuaciones de menor a mayor (puntuaciones de interior en negrita)
2 4 6 8 10 12 14 16 18 20 22
2º.- Asignamos rangos (vemos que no hay empates):
2 4 6 8 10 12 14 16 18 20 22
1 2 3 4 5 6 7 8 9 10 11
3º.- Sumamos los rangos de cada grupo: Rangos de interior (negrita) S1 = 3+ 5+ 7+ 9 +10 = 34
Rangos de costa S2 = 1+2+4+6+8+11 = 32
4º.- Aplicamos las fórmulas del estadístico de contraste (U):

U1 = S1 - ½ n 1 (n1 + 1) U1 = 34 – (2´5 · 6) = 19
U2 = S2 - ½ n 2 (n2 + 1) U2 = 32 – (3 · 7) = 11
Elegimos como estadístico de contraste el valor inferior de U (U2 = 11)
Regla de decisión:
Si consideramos como estadístico de contraste la suma de rangos, el estadístico de contraste es W

= 34 (se elige la muestra 1 porque es la que tiene menor número de sujetos. El nivel crítico p del
estadístico W de MWW se encuentra en la Tabla A.7 buscamos n1 = 5 y n2 = 6. El nivel crítico es
el valor de probabilidad que tiene nuestro estadístico muestral. Como W = 34, vemos que p = 0.268
Conclusión: Dado que el nivel crítico p (0´268) es mayor que α (0´05) Aceptamos H0
Interpretación: Las distribuciones del interior y las de la costa no difieren en cuanto a las medianas
en sus apreciaciones sobre la xenofobia.

lOMoARcPSD|2192898
CONTRASTES DE HIPÓTESIS DOS PROPORCIONES
Supuestos Observaciones independientes

Variable dependiente dicotómica o dicotomizada
n ≥ 30

Hipótesis H0 : π1- π2 = D H0 : π1- π2 ≤ D H0 : π1- π2 ≥ D
H1 : π1- π2 ≠ D H1 : π1- π2 > D H1 : π1- π2 < D
D=0 D≠0
_____________________
Z = (P1 – P2 ) - 0 / √ P (1 - P ) · (1 / n1 ) + (1 / n2 ) ___________________________
Estadístico Z = (P1 – P2) - λ. / √ P1 (1 – P1 ) / n1 + P2 (1 – P2 ) / n2
Contraste Donde P = (n1 · P1 ) + (n2 · P2 ) / (n1 + n2 )
Distribución
Muestral Normal tipificada N (0, 1)
Regla (C. Bilateral) Z ≤ Z α/2 y Z ≥ Z 1-α/2

decisión (C. Unilateral Izquierdo) Z ≤ Z α
(C. Unilateral Derecho) Z ≥ Z 1 – α
Intervalo (P1 – P2 ) ± | Zα | · Error típico = (Límites inferior y superior)

confianza
PROBLEMAS EJEMPLO
El grado de dificultad de las preguntas de un test se suele medir por el número de los sujetos que
los aciertan, o más exactamente, por la proporción de aciertos. Para averiguar si dos preguntas de
un determinado test de aptitud general difieren en dificultad, hemos seleccionado una muestra
aleatoria simple de 200 sujetos y los hemos repartido aleatoriamente en dos grupos de 100. Un
grupo de sujetos ha respondido a la pregunta 1 y el otro a la pregunta 2. La pregunta 1 la han
acertado 70 sujetos y la 2 la han acertado 60. El nivel de significación α se fijó en 0,05.
Supuestos: Tenemos una muestra aleatoria de n = 200 sujetos, repartidos en dos grupos
independientes de 100 (cada uno responde a una pregunta y se considera el acierto o el error
variable dicotómica). Se fija α = 0,05. Se dan los supuestos para realizar un Contraste de
Proporciones al comparar el grado de dificultad de las dos preguntas del test.
Hipótesis: Planteamos un contraste bilateral para ver si las preguntas difieren en dificultad.
H0: π1 = π2 // H1: π1 ≠ π2
Estadístico de contraste: La hipótesis se establece sobre una diferencia nula D = 0)

________________________
Z = (P1 – P2 ) / √ P (1 - P ) · (1 / n1 ) + (1 / n2 ) // Donde P = (n1 · P1) + (n2 · P2) / (n1 + n2)

lOMoARcPSD|2192898
Cálculos previos: Aciertos G1 = 70 / 100 = 0,7 / G2 = 60 / 100 = 0,6
P = (n1 · G1) + (n2 · G2) / (n1 + n2) (100 · 0,7) + (100 · 0,6) / (100 + 100) = 0,65
_______________________________
Z = (0,7 – 0,6) / √ 0,65 (1 – 0,65) · (1 / 100) + (1 / 100) = 1,48
Sigue una distribución Normal tipificada N (0, 1)
Regla de decisión:
Valores críticos (para un nivel de confianza del 95% y un contraste bilateral, los valores críticos
son ± 1´96 Z0´025 (- 1´96) y Z0´975 = (1´96)
Nivel crítico p [el estadístico de contraste (Z = 1,48) en la tabla de la curva normal deja por debajo
0,9306] Probabilidad (Z ≥ 1,48) = 1 - 0,9306 = 0,0694; al ser bilateral 2 · 0,069 = 0,1388.
Conclusión: Aceptamos H0 (el estadístico de contraste 1´48 está entre los valores críticos ± 1´96 y
de igual forma, considerando el nivel p crítico, p (0´1388) > α (0´05)
Interpretación: Para un nivel de confianza del 95%, aceptamos la hipótesis nula (las preguntas no
difieren en dificultad)
Intervalo de confianza: (P1 – P2 ) ± | Zα | · Error típico = (Límites inferior y superior)
(0,7 – 0,6) ± 1´96 · 0´067 = (- 0´03 y 0´23)
Aceptamos H0 (el intervalo de confianza contiene el valor 0, luego asumimos que la diferencia de
medias en la población puede tomar ese valor)
CONTRASTES DE HIPÓTESIS DOS VARIANZAS
Supuestos Variable dependiente con un nivel de medida de intervalo o razón

Dos poblaciones con variables distribuidas normalmente ó n1 ≥ 30 y n2 ≥ 30

2 2 2 2
Hipótesis H0 : σ 1 / σ 2 = 1 2 2
H0 : σ 1 / σ 2 ≤ 1 H0 : σ 1 / σ 2 ≥ 1
2 2 2 2
H1 : σ 1 / σ 2 ≠ 1 2 2
H1 : σ 1 / σ 2 > 1 H1 : σ 1 / σ 2 < 1
2 2 2 2
Estadístico F =S 1 / S 2 Donde S 1 ≥S 2 (varianzas insesgadas)
Contraste
Distribución Distribución Muestral F de Fisher

Muestral
con gl numerador = (n1 – 1) gl y gl denominador = ( n2 – 1)
Regla F ≤ f α/2 y F ≥ f 1-α/2 (C. Bilateral)

decisión F ≥ f 1–α (C. Unilateral Derecho)
F≤ fα (C. Unilateral Izquierdo)
Intervalo
2 2 2 2 2 2
confianza (f α / 2 ; n1 – 1 y n2 – 1) ·Ŝ 1 / Ŝ 2 < σ 1 / σ 2 < (f 1 – α / 2 ; n1 – 1 y n2 – 1) ·Ŝ1 / Ŝ 2

lOMoARcPSD|2192898
PROBLEMAS EJEMPLO
Deseamos contrastar si las pacientes anoréxicas (PA) son más variables, en cuanto a su nivel de
estrés, que las pacientes bulímicas (PB). Para ello, extraemos dos muestras aleatorias de dichas
pacientes y se obtienen los siguientes datos sobre su nivel de estrés (donde a mayor puntuación
mayor estrés), considere α = 0,05:
PA 4 6 8 12 16
PB 3 5 7 9 14
Sabemos que la variable “nivel de estrés” está medida a nivel de intervalo y distribuida normalmente en
ambas poblaciones.
Supuestos: Disponemos de dos muestras independientes, la variable dependiente medida a nivel de

intervalo y dos poblaciones con variables normalmente distribuidas Se trata de un contraste de
varianzas para dos muestras independientes.
Hipótesis: H0: σ2PA / σ2PB ≤ 1 y H1: σ2PA / σ2PB > 1. Contraste Unilateral Derecho.
También H0: σ2PA ≤ σ2PB y H1: σ2PA > σ2PB
Estadístico de contraste: F = Ŝ21 / Ŝ22 Donde Ŝ21 ≥ Ŝ22 (varianzas insesgadas)
Distribución Muestral F de Fisher con (n1 – 1) gl y (n2 – 1) gl

2 2
PA PB PA PB
4 3 16 9
2 2
6 5 36 25 F =Ŝ 1 / Ŝ 2
8 7 64 49
12 9 144 81 F = 23,2 / 17,8 = 1,3
16 14 256 196
Σ = 46 Σ = 38 Σ = 516 Σ = 360
Media PA = 46 / 5 = 9,2 Ŝ21 = (516 / 5) – 9,22 · (5 / 4) = 23,2

Media PB = 38 / 5 = 7,6 Ŝ22 = (360 / 5) – 7,62 · (5 / 4) = 17,8
Regla de decisión: Valor crítico f0, 05; 4 y 4 gl = 6,39
Conclusión e interpretación: No se rechaza H0 porque 1,3 (estadístico de contraste) < 6,39 (valor
crítico). Por tanto, las pacientes anoréxicas (PA) no son más variables que las bulímicas (PB) en
cuanto a su nivel de estrés considerando un nivel de confianza del 95%.
Intervalo de confianza (para poder realizarlo suponemos contraste bilateral):
(f α / 2 ; n1 – 1 y n2 – 1) · Ŝ21 / Ŝ22 < σ21 / σ22 < (f 1 – α / 2 ; n1 – 1 y n2 – 1) · Ŝ21 / Ŝ22
0,10) · (23,2 / 17,8) = 0,13 < σ21 / σ22 < (9,60) · (23,2 / 17,8) = 12,48
Siendo los valores críticos: f 0,025; 4 y 4 gl = 9,60 y f 0,975; 4 y 4 gl = 1 / 9,60 0,10 (propiedad recíproca).
Decisión: Como la H0 debe plantear que las varianzas son iguales (σ21 / σ22 = 1) y apreciamos que
uno está dentro del intervalo de confianza (0,13 y 12,48). Se aceptaría la H0 (las varianzas de
ambas poblaciones son iguales)

lOMoARcPSD|2192898
TAMAÑO (MAGNITUD) DEL EFECTO
La magnitud o tamaño del efecto alude al índice que mide el efecto que tiene un tratamiento. Deben
estar implicados al menos dos grupos (el experimental y el control). Es independiente del tamaño
muestral.
|YTRATAMIENTO – YCONTROL |
Índice d = -------------------------------------------------------
√[( n1 – 1) Ŝ21 + (n2 – 1) Ŝ22 / (n1 + n2 – 2)]
Según Cohen (1988) Magnitud del efecto [pequeño (d = 0´2); mediano (d = 0´5) y grande (d =
0´8 o superior)
Problema ejemplo: En un equipo de baloncesto se desea contrastar la eficacia del entrenamiento

psicológico en los tiros libres, por lo que se seleccionaron aleatoriamente 5 jugadores, a los que se
entrenó técnica y psicológicamente, que fueron comparados con los otros 5, a los que sólo se
entrenó técnicamente. El porcentaje de mejora a lo largo de la temporada aparece en la siguiente
tabla:
ENTRENAMIENTO PSICOLÓGICO 37 14 38 43 35
ENTRENAMIENTO TÉCNICO 29 36 11 17 13
Supuestos: Disponemos de dos muestras independientes con n = 5 para contrastar la eficacia de

un tipo de entrenamiento (el psicológico). Datos en porcentaje de mejora Comprobar la
magnitud del efecto.
PSICOLÓGICO TÉCNICO DATOS INSESGADOS

2 2
X X Y Y
37 1369 29 841 MEDIA PSICOLÓGICO = 167 / 5 = 33,4
14 196 36 1296 MEDIA TÉCNICO = 106 / 5 = 21,2
38 1444 11 121 2
43 1849 17 289 VARIANZA PSIC = (6083 / 5) – 33,4 = 101,04 · (5/4) = 126,3
2
35 1225 13 169 VARIANZA TÉCN = (2716 / 5) – 21,2 = 93,76 · (5/4) = 117,2
T = MEDIA PSIC - MEDIA TÉCN = (33,4 – 21,2) = 12,2

____________________________
Error Típico = √ (4 · 126,3) + (4 · 117,2) / (5+5-2) = 9
Σ = 167 Σ = 6083 Σ = 106 Σ = 2716
d = 12,2 / 9 = 1,35 (0´9115)
La d = 1´35 es la distancia estandarizada entre las medias de los dos grupos y su probabilidad
asociada (0´9115) El 91´15% de los sujetos con entrenamiento psicológico mejoran respecto a
los que únicamente reciben entrenamiento técnico.

lOMoARcPSD|2192898
DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 4 (DISEÑOS 2 GRUPOS RELACIONADOS)
TEMA Nº 4 ANÁLISIS DE DATOS PARAMÉTRICOS PARA DISEÑOS DE DOS GRUPOS

(MUESTRAS RELACIONADAS)
CONTRASTES DE HIPÓTESIS PARA DOS MUESTRAS RELACIONADAS
Muestras independientes: n1 y n2 muestras de sujetos diferentes, extraídos aleatoriamente de sus

respectivas poblaciones.
Muestras relacionadas: se trata de los mismos n sujetos observados en condiciones experimentales
diferentes, o n pares de sujetos semejantes entre sí (gemelos, hermanos,...)
Las muestras relacionadas nos ayudan a reducir la varianza de error. Así, cuanto mayor sea la
relación entre ambas muestras, menor será la varianza de la distribución muestral de las diferencias
y, por tanto, mayor el estadístico de contraste.
CONTRASTES DE HIPÓTESIS:
PARA DOS MEDIAS CONOCIDA LA VARIANZA POBLACIONAL DE LAS DIFERENCIAS

(PARAMÉTRICOS) DESCONOCIDA LA VARIANZA POBLACIONAL DE LAS DIFERENCIAS
PARA DOS MEDIANAS (NO PARAMÉTRICOS) TEST DE WILCOXON
PARA DOS PROPORCIONES
CONTRASTES DE HIPÓTESIS PARA DOS MEDIAS (MUESTRAS RELACIONADAS)
Observaciones independientes
Supuestos Nivel de medida de intervalo o razón
Distribuciones normales en la población de diferencias ó bien (n ≥ 30)
VARIANZA POBLACIONAL VARIANZA POBLACIONAL DE LAS

DE LAS DIFERENCIAS CONOCIDA DIFERENCIAS DESCONOCIDA
Hipótesis
(similares) C. Bilateral C. Unilateral Derecho C. Unilateral Izquierdo
H0 : µ1-µ2 = 0 H0 : µ1-µ2 ≤ 0 H0 : µ1-µ2 ≥ 0
H1 : µ1-µ2 ≠ 0 H1 : µ1-µ2 > 0 H1 : µ1-µ2 < 0
_ __ _ __
2
Estadístico Z = (D – µd) / (σd / √ n ) T = (D – µd) / (Ŝ d / √ n )
Contraste
Distribución
Muestral Normal Tipificada: (0, 1) “t” de Student: gl = n-1
Regla (C. Bilateral) t ≤ t α / 2; n-2 y t ≥ t1 - α / 2; n-2 // Z ≤ Z α / 2 y Z ≥ Z 1 - α / 2

decisión (C. Unilateral Izquierdo) t ≤ t α; n-2 // Z ≤ Z α
(C. Unilateral Derecho) t ≥ t 1 – α; n-2 // Z ≥ Z 1 – α
_ __ _ __
Intervalo D ± | Z α/2 | · σD / √ n = (Lím. infer y sup) D ± | t α/2; n– 1 | · SD / √ n = (Lím. infer y sup)
confianza Distribución Muestral Z con N (0,1) Distribución Muestral T con (n – 1) gl

lOMoARcPSD|2192898
PROBLEMAS EJEMPLO (CH diferencia de Medias Relacionadas)
Se desea estudiar si los alumnos de la ESO son más variables en cuanto a su nivel de
concentración antes y después de haberles sometido a una terapia. Sobre una muestra aleatoria de
7 alumnos se toman medidas del nivel de concentración previo y posterior a la aplicación de la
terapia, obteniéndose los siguientes resultados (a mayor puntuación, mayor concentración):
MEDIDA PREVIA 12 9 11 10 9 6 7
MEDIDA POSTERIOR 7 5 6 6 5 6 7
Sabiendo que para aplicar el estadístico de contraste se resta la medida posterior de la previa, que
la concentración es una variable medida a nivel de intervalo y que se distribuye normalmente en
ambas poblaciones, tómese un nivel de significación α = 0,05 y compruebe si los alumnos se
concentran más al finalizar la terapia.
Supuestos: Siete alumnos de la ESO (antes y después de la terapia) Muestras relacionadas, (α

= 0,05), variable medida a nivel de intervalo y se distribuye normalmente en ambas poblaciones.
Varianza poblacional desconocida Diferencia de medias (muestras relacionadas)
Hipótesis: La hipótesis alternativa es la hipótesis del investigador. Del planteamiento del problema
se deduce de que se trata de un contraste unilateral izquierdo donde:
H0: µ después ≥ µ antes H1: µ después < µ antes

2
Medida Medida Diferencia D - DMedia (D - DMedia)
Previa Posterior Posterior - Previa
12 7 -5 - 1,86 3,4596
9 5 -4 - 0,86 0,7396
11 6 -5 - 1,86 3,4596
10 6 -4 - 0,86 0,7396
9 5 -4 - 0,86 0,7396
6 6 0 3,14 9,86
7 7 0 3,14 9,86
Σ = 64 Σ = 42 Σ = (- 22) Σ = 28,86
_
Averiguamos la media (D) y la varianza insesgada (Ŝ2d) de las puntuaciones diferencia:
_ __ __
Desconocida la varianza de la población: T = (D – 0) / (Ŝ2d) / √ n) T = (- 3,14) / (4,81 / √ 7) = - 1,7
__________________ _ _ _
Donde: Ŝ2d = √ Σ (Di – DMedia)2 / (n – 1) y D = Y1 – Y2 = Σ Di / n
________ _
Ŝ2d = √ 28,86 / 6 = 4,81 y D = (- 22) / 7 = (- 3,14)
Regla de decisión:
Valor crítico (contraste unilateral izquierdo) - 1,943 (valor crítico T0, 05 y 6 gl)
Nivel crítico p sólo puede obtenerse el valor aproximado, porque 1,7 no figura en la tabla T de
Student para n–1 = 6 gl. El valor 1,7 está entre 0,10 (1,4) y 0,05 (1,9).
Conclusión e interpretación: Teniendo en cuenta que se trata de un contraste unilateral izquierdo

se acepta H0 El estadístico de contraste (-1,7) < (-1,943) (valor crítico T0, 05 y 6 gl) // El nivel p crítico
(0´05 < p < 0´10) > α = 0,05 por lo que se acepta H0. No disponemos de evidencia suficiente para
afirmar que los alumnos se concentran más al finalizar la terapia.

lOMoARcPSD|2192898
Intervalo de confianza: Suponemos un contraste bilateral para realizar el intervalo.

_ __
D ± | t α/2; n– 1 | · Ŝ2d / √ n = (Límite inferior y superior) // Distribución Muestral T con (n – 1) gl
(-3´14) ± 1´943 · 4´81 / 2´64 (- 3´14) ± 3´54 (0´4 y 6´68) No contiene el 0, Rechazamos H0
Unos psicólogos hipotetizan que los hombres (H) con más de 20 años son más afectuosos hacia su
pareja que las mujeres (M). Extrae una muestra aleatoria de 8 parejas casadas y les mide el grado
de afectividad hacia la pareja, obteniendo los datos que aparecen a continuación (a mayor
puntuación mayor afectividad hacia la pareja). Se sabe que la puntuación en afectividad es una
variable medida a nivel de intervalo que se distribuye normalmente y que las observaciones entre
las muestras no son independientes. Se fija alfa en 0´01. Suponemos conocida la varianza de las
diferencias (σ2d = 5).
PAREJAS 1 2 3 4 5 6 7 8
HOMBRES 13 5 6 9 10 7 11 8
MUJERES 1 9 8 6 5 8 3 5
Supuestos: Se sabe que la puntuación en afectividad es una variable medida a nivel de intervalo,
que se distribuye normalmente en ambas poblaciones y que conocemos la varianza de las
diferencias (σ2d = 25). Se fija α en 0,04. Según el enunciado Diferencia de medias (muestras
relacionadas)
Hipótesis: Se plantea un contraste unilateral derecho H0: µH ≤ µM. y H1: µH > µM
H M D
13 1 12
5 9 -4
6 8 -2
9 6 3
10 5 5
7 8 -1
11 3 8
8 5 3
Media = 8,7 Media = 5,7 Σ = 24
_ _ _ _
D = H – M = Σ Di / n D = 24 / 8 = 3 // σ2d = 5
_ __ _
Z = (D – 0) / (σ2d / √ n) T = 3 / (5 / √8) = 3 / 1´77 = 1,69
Regla de decisión:
El nivel crítico p (probabilidad de obtener un valor del estadístico, al menos, tan extremo como el
hallado) se obtiene a partir del valor muestral del estadístico de contraste (1,69) que buscando en la
tabla de la curva normal p = 1 – P (T ≤ 1´69) 1-0`9545 = 0´0455.
El valor crítico para un contraste unilateral derecho y un alfa = 0´01 es 2´33
Conclusión e interpretación: Al nivel de confianza del 99% no existen diferencias significativas.

No aceptamos la hipótesis de psicólogo (H1); por tanto, aceptamos H0 (los hombres no son más
afectuosos que las mujeres)
Intervalo de confianza: Suponemos un contraste bilateral para realizar el intervalo.

_ __
D ± |Z α/2| · σ2d / √ n = (Límite inferior y superior) // Distribución Muestral Z con N (0, 1)
3 ± 2´58 · 5 / 2´83 3 ± 4´57 (- 1´57 y 7´57) Como contiene 0 aceptamos H0

lOMoARcPSD|2192898
CH DOS MEDIANAS (MUESTRAS RELACIONADAS) PRUEBA DE WILCOXON
Supuestos Variable dependiente con un nivel de medida al menos ordinal

La distribución de la diferencia de los rangos es simétrica

Hipótesis H0 : M1 = M2 H0 : M1 ≤ M2 H0 : M1 ≥ M2
H1 : M1 ≠ M2 H1 : M1 > M2 H1 : M1 < M2
1.- Calculamos las diferencias entre las puntuaciones originales.

2.- Asignamos rangos a los valores absolutos de las diferencias.
Estadístico 3.- Sumamos los rangos que proceden de diferencias positivas y los rangos que
Contraste proceden de diferencias negativas, obteniendo: ∑ R - y ∑ R +
El estadístico de contraste “W” es el menor de ∑ R - y ∑ R +
Distribución
Muestral Utilizamos la tabla U de Mann-Whitney-Wilcoxon
Regla (C. Bilateral) W > wn1, n2; α/2

decisión (C. Unilateral Izquierdo) W < wn1, n2; α
(C. Unilateral Derecho) W > wn1, n2; α
Aproximación (T) – [n (n +1) / 4]

A la Normal Z = -------------------------------
n ≥ 30 √ n (n+1)(2n+1) / 24
PROBLEMA EJEMPLO
Un investigador desea comparar el grado de hiperactividad en obesos cuando están en un
programa para bajar de peso (dieta) y sin programa para bajar de peso. Dispone de 10 sujetos a los
que somete a las dos condiciones experimentales (con dieta y sin dieta). Las puntuaciones se
reflejan en la tabla. Sabiendo que la distribución de las diferencias es simétrica, con un nivel de
confianza del 95%, ¿se puede afirmar que hay diferencias en hiperactividad en obesos cuando
están o no en un programa de dieta?
Supuestos: Disponemos de dos muestras relacionadas (tamaño pequeño). Sabemos que la

distribución de las diferencias en la población es simétrica. Datos medidos, al menos, a un nivel
ordinal.
Hipótesis: Planteamos un contraste bilateral H0 : M1 = M2 y H1 : M1 ≠ M2

lOMoARcPSD|2192898
∑ R+ = (1´5 + 7´5 + 9´5 + 4´5 + 7´5 + 4´5 + 4´5) = 39´5 y ∑ R- = (1´5 + 9´5 + 4´5) = 15´5
Se toma el valor del más pequeño de los sumatorios W = 15´5 (Estadístico de Contraste)
Regla de decisión: Con α/2 = 0´05 (contraste bilateral) y n = 10, acudimos a la tabla de Wilcoxon y
obtenemos un valor crítico = W0´025; 10 = 9
Conclusión e interpretación: Dado que el estadístico de contraste (W = 15´5) > el valor crítico (W = 9)
no podemos rechazar la H0 con un nivel de confianza del 95%. Las diferencias en el incremento o
disminución de la hiperactividad en personas obesas con dieta o sin dieta, no son significativas.
Estadísticamente resultan iguales, en razón de que pueden ser diferencias dadas al azar.
CONTRASTES DE HIPÓTESIS DOS PROPORCIONES

Típico problema sobre cambios de opinión (pretest-postest), cuando la variable está dicotomizada.
Supuestos Variable dependiente dicotómica o dicotomizada que medimos en la misma

muestra en dos ocasiones.
Muestra con [b + c] Observaciones independientes, donde [b + c] > 25
(b+c) representan a los sujetos cuya puntuación es distinta en las dos ocasiones.

Hipótesis H0 : πb = πc H0 : πb ≤ πc H0 : πb ≥ πc
H1 : πb ≠ πc H1 : πb > πc H1 : πb < πc
_______
2 2
Z = (b - c) / √ (b + c) χ = (b – c) / (b + c)
Estadístico
Contraste b (sujetos que puntúan 1 en la primera medida y 2 en la segunda).
c (sujetos que puntúan 2 en la primera medida y 1 en la segunda)
Distribución
Muestral Normal tipificada N (0, 1) Chi Cuadrado con 1 grado de libertad
Regla (C. Bilateral) Z ≤ Z α / 2 y Z ≥ Z 1 - α / 2 2

χ < χ
2
1; 1-α → Mantener H0
decisión (C. Unilateral Izquierdo) Z ≤ Z α
(C. Unilateral Derecho) Z ≥ Z 1 – α
2
χ > χ
2
1; 1-α → Rechazar H0
_______
Intervalo (P1 – P2 ) ± | Z α/2 | · √ (b + c) = (Límites inferior y superior)
confianza
PROBLEMA EJEMPLO
Una psicóloga desea estudiar si la proyección de imágenes de accidentes de tráfico influye en la

forma de conducir. Extrae una muestra aleatoria de 102 sujetos con elevado historial de infracciones
de tráfico y observa si cometen o no infracción en una determinada situación que propicia el hacerlo
(saltarse un semáforo que acaba de cambiar a rojo). Encuentra que 54 no se lo saltan. Tras
proyectarles imágenes de accidentes de tráfico, vuelve a observar si los sujetos se saltan o no se
saltan el semáforo en las mismas condiciones. Encuentra que 34 de los que no se lo saltaban antes
de proyectarles las imágenes se lo saltan después y 5 que se lo saltaban antes, también se lo saltan
después. Se desea saber si ha habido un cambio significativo en cuanto a infracciones tras la
proyección de imágenes. Utilice alfa = 0,01
Supuestos: Muestra grande de 102 sujetos sometidos a dos medidas de la misma variable
(cometer o no cometer infracción) Variable dependiente dicotómica. [b + c] > 25 Se trata de
contrastar las proporciones en dos muestras de observaciones relacionadas.
Hipótesis: Planteamos un contraste bilateral H0 : πb = πc y H1 : πb ≠ πc

lOMoARcPSD|2192898
Primera medida (Antes)

Si saltan (SI = 1) No saltan (NO = 2) TOTALES
Si saltan a=5 b = 34 39
Segunda (SI = 1)
Medida No saltan c = 63-20 = 43 d = 54-34 = 20 102 – 39 = 63
(Después) (NO = 2)
48 54 102
TOTALES
______ ________
Z = (b - c) / √ (b + c) (34 – 43) / √ (34 + 43) = ± 1`02 // Distribución normal N (0,1)
Regla de decisión:
Los valores críticos, contraste bilateral, con α/2 = 0,005 y 1- α/2 = 0,995 ± 2´58.
El nivel crítico p (probabilidad de obtener un valor del estadístico, al menos, tan extremo como el
hallado) se obtiene a partir del valor muestral del estadístico de contraste (± 1´02) que buscando en
la tabla de la curva normal 2 [P (Z ≥ 1´02) = 2 · (1 – 0,8461) = 2 · 0,1539 0,3078.
Conclusión e interpretación:
Como p (0,3078) > α (0,01) Aceptamos H0. También como 1´02 (valor muestral del estadístico de
contraste) < 2´58 (el mayor de los valores críticos). También 1´02 está entre los valores críticos (-
2´58 y 2´58).
Para α = 0´01, podemos afirmar que la proporción poblacional de los sujetos que se saltan el
semáforo es la misma antes de la proyección de imágenes que después.
También con el test de McNemar: χ2 = (b – c)2 / (b + c) χ2 = (34 – 43)2 / (34 + 43) = 1´05
Para χ2con un grado de libertad, el valor 1´05 se encuentra entre (0´10 < p < 0´90) por lo que el nivel p
crítico > que α (0,01) Aceptamos H0

lOMoARcPSD|2192898
DISEÑOS INVESTIGACIÓN Y ANADATOS ORIENTACIONES TEMA Nº 5 (DISEÑOS MÁS DE 2 GRUPOS INDEPENDIENTES / 1 FACTOR)
TEMA Nº 5 DISEÑOS CON MÁS DE DOS GRUPOS INDEPENDIENTES
FUNDAMENTOS DEL ANÁLISIS DE VARIANZA (ANOVA)
Análisis de Varianza (ANOVA ó ANVAR) es una técnica paramétrica de análisis estadístico que
se utiliza para comparar las medias de más de dos grupos.
El diseño de más de dos grupos tiene por objeto estudiar la influencia de más de dos valores de la
variable independiente sobre la variable dependiente y, por tanto, tiene más posibilidades de establecer
la relación precisa entre ellas. Una de las características más importantes del diseño de experimentos
es la aleatoriedad: elección de un grupo (muestra) y su distribución en tres o más grupos de forma
aleatoria.
Al comparar distintos grupos para realizar un estudio tenemos en cuenta la variabilidad que aparezca
entre los sujetos en la variable dependiente que se considera formada por dos componentes: la que se
debe al factor estudiado (atribuible a los distintos tratamientos experimentales; variable independiente) y
la que se debe a factores extraños y no controlados (Error Experimental)
El Análisis de Varianza se fundamenta en el estudio de estas variabilidades. La varianza general o
común se divide en: varianza intergrupos (atribuible a los distintos niveles del factor estudiado) y
varianza intragrupos (atribuible al error experimental). Al comparar ambas varianzas obtenemos la
aceptación o rechazo de la hipótesis nula (que consiste en afirmar que no existe diferencia entre las
medias de los distintos grupos)
Lógica del método: Los sujetos se distribuyen aleatoriamente en los mencionados grupos (para
minimizar la influencia de las variables extrañas); por tanto, son semejantes en cuanto a la variable
estudiada dentro de cada grupo y entre los distintos grupos. Si después de aplicar el tratamiento
experimental existen diferencias, se puede pensar que son debidas a los procedimientos aplicados.
TERMINOLOGÍA:
Factores = Var. Independientes que se estudian. Niveles = categorías en que dividimos los factores.
Efectos Fijos = sólo nos interesan unos niveles concretos, los establecidos. Los resultados sólo afectan
a estos niveles. Efectos Aleatorios = los niveles actúan como una muestra y las conclusiones se pueden
generalizar en el sentido de los datos de la muestra.
Modelo Equilibrado = igual número de sujetos en los grupos. Modelo no Equilibrado = distinto número
de sujetos en los grupos.
PASOS PARA REALIZAR EL ANOVA
1.- Probar los supuestos (independencia de las observaciones, normalidad de las distribuciones y
homogeneidad de las varianzas)para asegurarnos que se puede aplicar el ANOVA
2.- Enunciar las hipótesis estadísticas
3.- Decidir el estadístico de contraste que vamos a utilizar para probar la H0
4.- Con qué nivel de confianza vamos a trabajar (establecer la región crítica de rechazo de la H0
5.- Calcular el estadístico de contraste (Tabla del ANOVA)
6.- Tomar la decisión sobre la H0 (comparar el valor F obtenido con el valor crítico)
7.- Interpretación en el contexto de la investigación
SUPUESTOS DEL ANOVA
1.- Escala de medida de la VD, al menos, de intervalo.

2.- Normalidad de las distribuciones: Las muestras o grupos a comparar proceden de poblaciones que
se distribuyen normalmente Pruebas de Bondad de Ajuste (Lilliefors, Kolmogorov-Smirnov, X2 de
Pearson) // No es necesario desarrollarlas.
3.- Independencia de las observaciones: Las muestras o grupos han sido obtenidos de forma aleatoria
(las muestras y las observaciones deben ser independientes) Test de rachas.
4.- Homogeneidad de las varianzas (homocedasticidad): Los grupos a comparar deben proceder de
poblaciones cuyas varianzas no difieran de forma significativa Test de Cochran (modelos equilibrados
y Test de Bartlett (modelos no equilibrados)

lOMoARcPSD|2192898
INDEPENDENCIA DE LAS OBSERVACIONES (TEST DE RACHAS)
Hipótesis estadísticas:
H0: Las observaciones y las muestras son independientes
H1: Las observaciones y las muestras no son independientes
Estadístico de Contraste: (r = nº de rachas // n1 = nº de signos + // n2 = nº de signos –)

Si n1 y n2 ≤ 20, entonces Estadístico r (nº de rachas = nº de grupos de signos iguales seguidos)
Si n1 y/o n2 > 20, entonces Estadístico T Distribución Curva Normal N (0, 1)
r – [(2n1n2 / n1 + n2) + 1]
T = -----------------------------------------------------------
√ 2n1n2 (2n1n2 – n1 n2) / (n1 + n2)2 (n1 + n2 – 1)
Distribución Muestral: Estadístico r Tabla (Test de Rachas) // Estadístico T Tabla N (0,1)
Cálculo del Estadístico de Contraste: Para poder aplicar el Test hemos de dicotomizar la variable
observada. Para ello: A partir de la Mediana (Md) de todas las puntuaciones tomadas conjuntamente
(si una puntuación es mayor que la Md se sustituye por un signo + y si es menor por un signo –)
Valores Críticos: Si el estadístico es r Uα/2 y U1-α/2 (en la tabla de valores críticos del Test de
Rachas, buscamos los valores de n1 y n2) // Si el estadístico es T Zα/2 y Z1-α/2
Zona de Aceptación: Zona de Rechazo:

Estadístico r Uα/2 < r < U1-α/2 Estadístico r r ≤ Uα/2 y r ≥ U1-α/2
Estadístico T Zα/2 < T < Z1-α/2 Estadístico T T ≤ Zα/2 y T ≥ Z1-α/2
Decisión: Estadístico r Decisión: Estadístico T

Si Uα/2 < r < U1-α/2 Aceptamos Ho Si Zα/2 < T < Z1-α/2 Aceptamos Ho
Si r ≤ Uα/2 ó r ≥ U1-α/2 Rechazamos Ho Si T ≤ Zα/2 o T ≥ Z1-α/2 Rechazamos Ho.
PROBLEMA EJEMPLO
Un seleccionador de baloncesto desea averiguar como incide la hora del día a la que se entrena en el
rendimiento de los jugadores durante los partidos. Para ello selecciona 18 sujetos y los distribuye
aleatoriamente en turnos de mañana (M), tarde (T) y noche (N); seis en cada turno. Al final de la
temporada el seleccionador los convoca a un torneo y hace el recuento de canastas conseguidas por los
jugadores, obteniendo los siguientes resultados:
TURNOS NÚMERO DE CANASTAS ENCESTADAS POR LOS 18 SUJETOS

MAÑANA 15 12 14 10 11 16
TARDE 7 9 12 17 10 12
NOCHE 13 15 20 17 16 18
Comprobar si las observaciones son independientes (sabemos que la Mediana = 13´5):

Hipótesis H: Las muestras son aleatorias y H1: Las muestras no son aleatorias
Para contrastar la independencia (Test Rachas) las observaciones pueden dicotomizarse, utilizando la
mediana (asignando un + cuando la puntuación sea mayor y un - cuando la puntuación sea menor)
Canastas 15 12 14 10 11 16 7 9 12 17 10 12 13 15 20 17 16 18
Signo + - + - - + - - - + - - - + + + + +
Rachas 1 2 3 4 5 6 7 8 9
r (nº de rachas) = 9 // n + = 9 (signos positivos) // n - = 9 (signos negativos)
Con un nivel de significación α = 0,05, buscamos los valores críticos en la tabla del test de Rachas
n - = 9; n + = 9; α / 2 = 0,025 y 1 - α / 2 = 0´975 (bilateral)
T (0,025) = 5 y T (0,975) = 14 Como (rachas = 9) está dentro del intervalo (entre 5 y 14), se acepta H0. Las
observaciones son independientes.

lOMoARcPSD|2192898
HOMOGENEIDAD DE LAS VARIANZAS (TEST DE COCHRAN)
Este supuesto es el que más va a distorsionar los resultados, en caso de no cumplirse, porque si al
final hay diferencias entre los grupos, no podremos saber si se deben a la variable independiente o a
que ya existían con anterioridad. Supuestos (Modelo equilibrado)
Hipótesis estadísticas:
H0: σ21 = σ22 = σ23 =…… (Las varianzas poblacionales son iguales)
H1: σ21 ≠ σ22 ≠ σ23 ≠……. (Para alguna σ2i)
Estadístico de Contraste R = (Varianza Muestral Mayor / ∑ Varianzas Muestrales)
El estadístico de contraste (distribución de valores críticos según la tabla de Cochran)
Valor Crítico: R r,n,α

(r = nº de grupos y n = nº de sujetos por grupo) Zona de Aceptación: R < R r,n,α
Decisión:
Zona de Rechazo: R ≥ R r,n,α Si R < R r,n,α Aceptamos Ho
Si R ≥ R r,n,α Rechazamos Ho
PROBLEMA EJEMPLO
Con el enunciado del problema utilizado para el test de rachas (Modelo equilibrado):

MAÑANA 15 12 14 10 11 16
TARDE 7 9 12 17 10 12
NOCHE 13 5 20 17 16 18
Sabiendo que se cumple el supuesto de normalidad de las distribuciones, comprobar si las varianzas
son homogéneas H0: Las varianzas son iguales // H1: No todas las varianzas son iguales
Para contrastar la homocedasticidad (Test de Cochran) R = máx Ŝ2I / Σ Ŝ2I
Ŝ2MAÑANA = (1042 / 6) - 132 = 4,67 Ŝ2TARDE = (807 / 6) – 11,172 = 9,73
Ŝ2NOCHE = (1663 / 6) – 16,52 = 4,92 R = 9,73 / (4,67 + 9,73 + 4,92) = 0,504
Con un nivel de significación α = 0,05, buscamos los valores críticos de las tablas de Cochran n = 6
// r (grupos) = 3 // R = 0,7071
Decisión Como 0,504 < 0,7071, se acepta H0 (Las varianzas no difieren significativamente)
HOMOGENEIDAD DE LAS VARIANZAS (TEST DE BARTLETT)
Hipótesis estadísticas Similares a las enunciadas en el test de Cochran.
Supuestos El test de Bartlett se usa para modelos no equilibrados.
Estadístico de Contraste Sigue la distribución Chi-Cuadrado con (r-1) gl (r = nº de grupos)

2 2 2
Valor Crítico: X (r-1)(1-α) Zona de Aceptación: X < X (r-1)(1-α)
Decisión:
2 2 2 2
Zona de Rechazo: X ≥ X (r-1)(1-α) Si X < X (r-1)(1-α) Aceptamos Ho
2 2
Si X ≥ X (r-1)(1-α) Rechazamos Ho

lOMoARcPSD|2192898
PROBLEMA EJEMPLO
Sean tres muestras para probar la homogeneidad de varianzas:
Niños Niñas Adultos

6 9 8 Medias 4,67 (Niños) // 7,625 Niñas // 7,33 Adultos
5 8 10
6 8 8 Varianzas Insesgadas
4 5 3
3 10 7 Ŝ2 NIÑOS = 1 Ŝ2 NIÑAS = 2,55 Ŝ2ADULTOS = 4
5 7 6
4 6 7
4 8 9 Varianza insesgada ponderada Σgi Ŝ2 i / g
5 8
2 2 2
Σ = 42 Σ = 61 Σ = 66 (n1 – 1) · Ŝ N + (n2 – 1) · Ŝ N + (n3 – 1) · Ŝ A
2
Σ2 = 204 Σ2 = 483 Σ2 = 516 Ŝ = -----------------------------------------------------------------
n1 = 9 n2 = 8 n3 = 9 (n1 – 1) + (n2 –1) + (n3 – 1)
ESTADÍSTICO DE CONTRASTE
Con logaritmos decimales (r = grupos) χ2 R-1 = 2,3026 / C {g log Ŝ2 - Σ gi log Ŝ2 i}
Siendo C = 1 + {1 / 3 (r - 1)} · {(Σ 1 / gi) – 1 / g}

gi = denominador de cada varianza insesgada i (n – 1)
g = suma de todas las gi (Σ gi)
Averiguamos la Varianza Ponderada Ŝ2 = Σgi Ŝ2 i / g = 2,515
Ŝ2 = {(9 – 1) · 1 + (8 – 1) · 2,55 + (9 – 1) · 4} / (9 – 1) + (8 – 1) + (9 – 1) = 2,515
Averiguamos C 1 + {1 / 3 (3 - 1)} · {(1 / 8 + 1 / 7 + 1 / 8) – 1 / 23} = 1,0291
Aplicamos el estadístico de Contraste
χ2 r-1 = 2,3026 / {1,0291 · [23 log 2,515 – (8 log 1 + 7 log 2,55 + 8 log 4)]} = 3,45
CONCLUSIÓN Distribución χ2 con (r –1= 2) gl y α = 0,05 5,99
DECISIÓN Como 5,99 > 3,45 Aceptamos hipótesis nula de homocedasticidad.

lOMoARcPSD|2192898
ANOVA (UN FACTOR)

______________________
ANOVA UNIFACTORIAL Influencia de un único factor (variable) en distintos niveles (categorías).
Se utiliza el mismo esquema operativo para el efecto fijo y aleatorio, para el modelo equilibrado y el no
equilibrado.
MODELO Yij = µ + αij + εij // Cualquier puntuación (Y) tiene tres componentes: (µ) que es la media de
la población. (α) el nivel en que se encuentra, común a todos los componentes adscritos a ese nivel.
(ε) el error experimental o factores no controlados en el experimento (se asume que es una variable
aleatoria distribuida según N (0, σ). Ejemplo Y17 = puntuación del sujeto 7º del grupo 1º.
HIPÓTESIS Efectos fijos (sobre las medias poblacionales) // Efectos aleatorios (sobre las
varianzas cuando son = 0, las medias son iguales).
EFECTOS FIJOS EFECTOS ALEATORIOS

2
H0: µ1 = µ2 = µ3 =… = µi H0: σ B = 0
2
H1 : µ1 ≠ µ2 ≠ µ3 ≠ … ≠ µi H1: σ B ≠ 0
al menos para una µi
Cálculo similar
TABLA ANOVA UNIFACTORIAL

FUENTE DE S MAS GRADOS DE MEDIAS ESTADÍSTICO
VARIACIÓN CUADRÁTICAS LIB RTAD CUA RÁTICAS DE CONTRASTE
ENTRE SC INTER I–1 MC INTER
NIVELES Nº de grupos o (SC INTER) / (I – 1) MC INTER
niveles menos 1 F = ---------------
DENTRO DE SC INTRA N–I MC INTRA MC INTRA
LOS NIVELES Nº de sujetos (SC INTRA) / (N – I)
menos Nº de
grupos
TOTAL SC TOTAL N–1 F se distribuye F con (I –1) y (N – I)
Nº de sujetos grados de libertad.
menos 1
CÁLCULOS Se cumple [SC TOTAL = SC INTER + SC INTRA] y G. Libertad: [N – 1 = (I – 1) + (N – I)]
SC TOTAL = Σ Σ Y2 – {(Σ Σ Y)2 / N}

SC INTRA = SC TOTAL - SC INTER
SC INTER = Σ (Σ Y)2 / n – {(Σ Σ Y)2 / N}
DECISIÓN Rechazamos H0 (igualdad de medias en los distintos niveles) si el valor de la F

experimental (estadístico de contraste) es mayor que el valor F obtenido en las tablas, para un nivel de
significación (α) predeterminado.
El Numerador del estadístico de contraste contiene la Varianza de error + Efecto real de la VI. El
Denominador contiene la Varianza de error. Por tanto, cuanto menor es el efecto real de la VI más se
acerca el cociente a uno.
Valor Crítico: F (I-1) (N-I) (1-α) Zona de Aceptación: F < F ((I-1) (N-I) (1-α)
Decisión:
Zona de Rechazo: F ≥ F (I-1) (N-I) (1-α) Si F < F crítico Aceptamos H0
Si F ≥ F crítico Rechazamos H0

lOMoARcPSD|2192898
Cálculos abreviados (Utilizamos el sistema de notación propuesto por Keppel): El cálculo de las
Sumas de cuadrados se realiza sumando y restando las razones básicas: [Y] (relacionada con las
puntuaciones individuales); [A] con los totales de los niveles y [T] con la suma total.
Estructura de cálculo del numerador Se elevan al cuadrado las cantidades implicadas y

posteriormente se suman.
Estructura de cálculo del denominador Cualquiera que sea el término se divide por el número de
puntuaciones que contribuyen a su cálculo.
Fórmulas para las razones básicas Sumas Cuadrados a partir de razones básicas
[T] = T2 / (a)(n) Diseño equilibrado SCTOTAL = [Y] – [T] SCTOTAL

[T] = T2 / N Diseño no equilibrado _
SCT = ∑∑ (Y –YTOTAL)2
[A] = ∑A2 / n Diseño equilibrado
SCA = [A] – [T] SCINTERGRUPO
[A] = (∑A21 / n1) + (∑A22 / n2) + … _ _
(Diseño no equilibrado) SCA = ∑n (YA –YTOTAL)2
[Y] = ∑Y2 SCS | A = [Y] – [A] SCINTRAGRUPO
SCS | A = ∑∑ (Y –YA)2
N = Número total de observaciones // n = Observaciones por nivel
PROBLEMA EJEMPLO
Un seleccionador de baloncesto desea averiguar cómo incide la hora del día a la que se entrena en el
rendimiento de los jugadores durante los partidos. Para ello selecciona 18 sujetos y los distribuye
aleatoriamente en turnos de mañana (M), tarde (T) y noche (N); seis en cada turno. Al final de la
temporada el seleccionador los convoca a un torneo y hace el recuento de canastas conseguidas por los
jugadores, obteniendo los siguientes resultados:

MAÑANA 15 12 14 10 11 16
TARDE 7 9 12 17 10 12
NOCHE 13 15 20 17 16 18
2
SUMATORIOS (Σ) Σ Nº DE CASOS MEDIAS
MAÑANA 78 1042 6 13
TARDE 67 807 6 11,17
NOCHE 99 1663 6 16,5
TOTAL 244 3512 18 13,55
Cálculo de las Sumas Cuadráticas:
SC TOTAL = Σ Σ Y2 – {(Σ Σ Y)2 / N} 3512 - (244)2 / 18 = 204,45 Abreviado: [Y] – [T]
Σ Σ Y2 = según tabla 3512

(Σ Σ Y)2 / N = según tabla 2442 / 18 = 3307,55
SC INTER = Σ (Σ Y)2 / n – {(Σ Σ Y)2 / N} 3395,67 - (244)2 / 18 = 88,11 Abreviado: [A] – [T]
Σ (Σ Y)2 / n = (782/6) + (672/6) + (992/6) = 3395,67

(Σ Σ Y)2 / N = según tabla 2442 / 18 = 3307,55
SC INTRA = SC TOTAL - SC INTER 204,45 - 88,11 = 116,3


lOMoARcPSD|2192898
TABLA ANOVA UNIFACTORIAL

FUENTE DE SUMAS GRADOS DE MEDIAS ESTADÍSTICO DE
VARIACIÓN CUADRÁTICAS LIBERTAD CUADRÁTICAS CONTRASTE
ENTRE SC INTER I–1 MC INTER
NIVELES 88,11 3–1=2 88,11 / 2 = 44,05 F = 44,05 / 7,75 =
DENTRO DE SC INTRA N–I MC INTRA 5,68
LOS NIVELES 116,3 18 – 3 = 15 116,3 / 15 = 7,75
TOTAL SC TOTAL N–1 F de Snedecor con (2 y 15) g l. y α = 0,05
204,45 18 – 1 =17 F (Tablas) = 3,68
Decisión Comparando los resultados F (tablas) = 3,68 < F (experimental) = 5,68, por tanto
rechazamos la hipótesis nula. Existen diferencias significativas entre el rendimiento de los jugadores
dependiendo de la hora del día a la que entrenan a un nivel de confianza del 95%.
COMPARACIONES MÚLTIPLES (previo rechazo de la H0)
Permiten obtener información sobre las diferencias entre los distintos tratamientos considerados uno a
uno. El objetivo de las comparaciones múltiples es reducir la cantidad de Error Tipo I (α) que
cometeríamos si se compararan sin más, dos a dos, todas las muestras posibles. Dos tipos:
Comparaciones planificadas o a priori (no interesan todas las comparaciones, sólo algunas)
Comparaciones no planificadas, a posteriori o post hoc.
Las que vamos a utilizar se denominan no planificadas, a posteriori o post hoc (se llevan a cabo
cuando se ha realizado el Análisis de Varianza y la F ha sido significativa / hemos rechazado la H0). Las
más importantes TUKEY // SECHEFFÉ.
___________
PRUEBA TUKEY (HSD) HDS TUKEY = q α, gl, K √ MC error / n
q valor crítico en la tabla de rango studentizado. Se averigua considerando el nivel de confianza fijado
(α), los grados de libertad de la MC error y el número de grupos o tratamientos a comparar en el ANOVA.
MC ERROR media cuadrática error del Anova (MCINTRA / MCS | A)
n tamaño de cada grupo (los modelos han de ser equilibrados). Cuando el modelo no es equilibrado,
se sustituye n por n´ n´ = k / (1 / n1) + (1 / n2)...
_ _
Rechazamos H0 cuando (| Yi – Yj | ≥ HDS TUKEY
PRUEBA SCHEFFÉ (CR) Permite, además, realizar comparaciones complejas (una media con otras
dos consideradas en conjunto). Los coeficientes c (pesos) (2), (- 1) y (-1). Cuando se utiliza en lugar
de Tukey, para comparaciones dos a dos, es menos potente y más conservadora que Tukey, lo que
significa que, en igualdad de condiciones, el valor crítico de Scheffé es ligeramente superior al de
Tukey, por lo que resulta más difícil rechazar la hipótesis nula de la igualdad de medias.
_________________ ___________________
CR SCHEFFÉ = √ (k - 1) F (k - 1), gl ERROR √ MC ERROR [Σ (c2j / nj)]
k Número de grupos
ni = número de sujetos de cada grupo.
F (k - 1), gl ERROR F experimental del ANOVA.
MC ERROR Media cuadrática error.
c2j Coeficiente de las combinaciones lineales (en cada combinación la suma de coeficientes = 0)
_ _ _
φ1 = 2 ·Y1 – (Y2 + Y3) Entonces: c1 = 2, c2 = (-1), c3 = (-1) Dado que (∑cj = 0)
Para hallar los cj, se debe tener en cuenta que siempre deben sumar 0. Es más fácil calcular primero
los cj de los que se combinan conjuntamente, que siempre serán negativos, y luego el del que se
compara frente a todos, que será la suma de los otros, pero con signo positivo.
Decisión:
Si φ1 ≥ CR Existen diferencias significativas entre el nivel y los otros tomados conjuntamente.
Si φ1 < CR No existen diferencias
Su distribución está prohibida |significativas entre
Descargado por Maria el nivel(mariajose_ccs@yahoo.com)
Fernandez y los otros tomados conjuntamente

lOMoARcPSD|2192898
PROBLEMAS EJEMPLO
Siguiendo con nuestro planteamiento anterior:

_________
Prueba Tukey (HSD) HDS TUKEY = q α, gl, K √ MC error / n
_ _ _
n = 6 // k = 3 // XMAÑANA = 13 // XTARDE = 11,17 // XNOCHE = 16,5
Valor q para α = 0,05; 15 grados de libertad y tres grupos 3,67 MCINTRA 7,75
_______
HDS TUKEY = 3,67 √ 7,75 / 6 = 4,17 (modelo equilibrado)
| 13 - 11,17 | = 1,83 < 4,17 Diferencia no significativa.

| 13 - 16,5 | = 3,5 < 4,17 Diferencia no significativa.
| 11,17 - 16,5 | = 5,33 > 4,17 Diferencia significativa.
Decisión Existen diferencias significativas entre entrenar por la tarde y por la noche, siendo el mejor
rendimiento por la noche (media más alta)
Prueba Scheffé (CR) Comparación entre la media del turno de noche con las de mañana y tarde
consideradas conjuntamente.
__________________ __________________
CR SCHEFFÉ = √ (k - 1) F (k - 1), gl ERROR √ MC ERRROR [Σ (c2j / nj)
Valor F para α = 0,05 // 2 y 15 grados de libertad 3,68 MCINTRA 7,75

__________ ________________________
CR SCHEFFÉ = √ (3-1) · 3,68 √ (7,75) · (22 / 6 + 12 / 6 + 12 /6) = 6,15
Coeficientes c (pesos) (2), (- 1) y (-1) ψ | (2 · 16,5) + (- 1 · 11,17) + (- 1 · 13) | = 8,83
Decisión Como 8,83 > 6,15 Rechazamos H0 (existen diferencias significativas entre el turno de
noche y los de mañana y tarde considerados conjuntamente.
MODELOS NO PARAMÉTRICOS PARA MUESTRAS INDEPENDIENTES:

Se utilizan como alternativa al ANOVA cuando no se cumplen los supuestos ya indicados. Tienen
menos restricciones y también una potencia menor.
TEST DE KRUSKAL - WALLIS Es una ampliación del test de Mann-Whitney.
Supuestos: VD es una variable continua que se transforma en una escala ordinal (que disminuye el
impacto de los valores extremos); la distribución poblacional puede ser de cualquier tipo (las varianzas
deben ser homogéneas); se trata de k muestras aleatorias e independientes que queremos comparar.
HIPÓTESIS H0: ŋ1 = ŋ2 =… = ŋK
H1: ŋ1 ≠ ŋ2 ≠… ≠ ŋK Al menos para una ŋ
ESTADÍSTICO DE CONTRASTE H = {12 / N (N + 1)} · {Σ (R2 / n} – 3 (N + 1)

N = número total de observaciones; n = número de observaciones de cada muestra
R2 = suma de rangos de cada muestra, previa ordenación única.
El estadístico de contraste sigue la distribución X2 con (k-1) gl
Cálculo: Se ordenan todas las puntuaciones en una sola serie, (es decir, tomándolas todas en cuenta),
asignamos rangos de 1 a n, dando a la puntuación menor el rango 1. En caso de empate (rango
medio); es decir, asignándoles la media aritmética de los rangos que les hubieran correspondido de ser
distintas.
Decisión: Cuando se rechaza la H0, se procede a realizar comparaciones múltiples (tratamientos entre
los que se producen las diferencias)

lOMoARcPSD|2192898
_________________
Diferencia mínima crítica MVKV = Z adj √ N(N+1) /12 · (∑1/ai)
Siendo Z adj el percentil 1 – (α / 2c) de la distribución normal tipificada. (c) es el nº de comparaciones a

realizar en un contraste bilateral [en uno unilateral Z adj = 1 – (α / c)]
_ _
Para comparar las diferencias de rangos │Ri - Rj│ > MVKW
PROBLEMA EJEMPLO
En un estudio sobre antojo por el chocolate varios autores querían determinar si la distribución
poblacional del consumo de chocolate en una semana era igual en una muestra de niños (N), que en una
muestra de mujeres adultas (MA) y que en una de hombres adultos (HA). Para ello se seleccionaron
aleatoriamente 5 sujetos de cada grupo y se midió su consumo de chocolate contabilizando (según se
recoge en la tabla) el número de alimentos con chocolate consumidos en una semana (C):
NIÑOS MUJERES ADULTAS HOMBRES ADULTOS

N RANGO N RANGO N RANGO
6 1 31 13,5 13 7
11 4,5 7 2 32 15
12 6 9 3 31 13,5
20 9 11 4,5 30 12
24 10 16 8 28 11
= 30,5 / 5 = 6´1
Rango Medio Rango Medio = 31 / 5 = 6´2 Rango Medio =58,5 / 5 = 11´7
2 2 2
Σ RANGOS = 930,25 Σ RANGOS = 961 Σ RANGOS = 3422,25
2 2 2
Σ R / 5 = 186,05 Σ R / 5 = 192,20 Σ R / 5 = 684,45
Asumiendo que la distribución de consumo es continua y α = 0,10. Se trata de tres muestras

independientes y los datos están medidos en una escala de razón.
Hipótesis
H0: No existen diferencias poblacionales en el consumo semanal de chocolate entre N, MA y HA.
H1: Existen diferencias poblacionales en el consumo semanal de chocolate entre, al menos dos grupos.
Estadístico de Contraste Kruskal – Wallis H = {12 / N (N + 1)} · {Σ (R2 / n} – 3 (N + 1)
H = {12 / 15 (15 + 1)} · {186,05 + 192,20 + 684,5} – 3 (15 + 1) = 5,135
El estadístico de contraste sigue la distribución X2 con (3-1) gl y α = 0,10 X22; 090 = 4´61
Decisión Como 5,135 > 4,61 Se Rechaza la Hipótesis Nula (Comparaciones múltiples Las tres
muestras son equilibradas)
_________________ _______________
MVKV = Z adj √ N(N+1) /12 · (∑1/ni) MVKV = 2´13 √ 15(16) /12 · (1/5) MVKV = 4´26
Donde Z adj [1 – (α / 2c)] [1 – (0´10/ 6)] = 0´9834 (Z = 2´13) (c = 3 comparaciones)

_ _
| RMA – RN | = | 6´2 – 6´1 | = 0,1 < 4´26 Diferencia no significativa
_ _
| RMA – RHA | = | 6´2 – 11´7 | = 5´5 > 4´26 Diferencia significativa
_ _
| RN – RHA | = | 6´1 – 11´7 | = 5´6 > 4´26 Diferencia significativa
Interpretación del resultado en el contexto de la investigación Existen diferencias significativas en

el consumo semanal de chocolate entre N, MA y HA a un nivel de confianza del 90 % considerado
globalmente. Analizando los resultados, las diferencias se dan entre N y MA con HA.

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

lOMoARcPSD|2192898

Analisis de Datos 1-8

Cargado por

Copyright:

Formatos disponibles

Analisis de Datos 1-8

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

Analisis de Datos 1-8

Cargado por

Copyright:

Formatos disponibles

lOMoARcPSD|2192898

Apuntes, de diseños de investigación y análisis de datos

Diseños de Investigación y Análisis de Datos (UNED)

Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)

TEMA Nº 1 ESTIMACIÓN DE PARÁMETROS Y CONTRASTE DE HIPÓTESIS

1.- INFERENCIA ESTADÍSTICA

Distribución Poblacional: (Distribución de frecuencias que presenta la variable en la población sobre la

Distribución de la Muestra: (Distribución de frecuencias que presenta la variable en la en la muestra

Distribución Muestral de un estadístico: (Distribución de frecuencias que presenta el estadístico que

DISTRIBUCIÓN MUESTRAL DE LA MEDIA

La Distribución muestral de la media (media de

Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

R. MEDRANO (TUTOR) Página 1

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)

DISTRIBUCIÓN MUESTRAL DE LA VARIANZA

La varianza es un índice de dispersión que permite

DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN

Se trata de variables dicotómicas o dicotomizadas;

D. Muestral (Media) D muestral (Varianza) D. Muestral (Proporción)

El CI de los alumnos de un centro de E. Especial se distribuye normalmente con µ = 80 y σ =10. Si de

Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

R. MEDRANO (TUTOR) Página 2

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)

2.- ESTIMACIÓN DE PARÁMETROS

Para que el estimador represente correctamente al parámetro r cuatro propiedades básicas:

Resumen de las propiedades de los principales estadísticos

Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

R. MEDRANO (TUTOR) Página 3

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)

ESTIMACIÓN POR INTERVALOS

INTERVALO DE CONFIANZA PARA LA MEDIA

Desconocida la varianza poblacional n = 100 (muestra grande: Distribución normal)

α / 2 = 0,01/2 = 0,005 1 - (α / 2) = 0,995 |Z α| = 2,58

Error máximo de estimación |Z α| · σX = (2,58 · 0,20) = 0,516

Límites del intervalo de confianza 8 ± (2,58 · 0,20) = [7,484 y 8,516]

Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

R. MEDRANO (TUTOR) Página 4

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)

Desconocida la varianza poblacional n = 25 (muestra pequeña: Distribución t de Student)

α / 2 = 0,05/2 = 0,025 1 - ( α / 2) = 0,975 |t α| = 2,06 (Tablas t de Student)

Límites del intervalo de confianza 8 ± (2,06 · 0,4) = [7,176 y 8,824]

INTERVALO DE CONFIANZA PARA LA VARIANZA

(n-1) S2n- 1 (n-1) S2n- 1

P (Li < σ2 < Ls) = 1 - α

Los valores de X2 se obtienen en la tabla X2n-1

Distribución X2n-1 (Chi Cuadrado con n-1 gl)

Estimamos la varianza de la población a partir de la varianza de la muestra (estimación por intervalo):

(n – 1) · S2n- 1 / (χ2 α / 2) < σ2 < (n – 1) · S2n- 1 / (χ2 1- α / 2)

INTERVALO DE CONFIANZA PARA LA PROPORCIÓN

P + (Z α / 2 ) · (SP ) < π < P + (Z1- α / 2 ) · (SP )

P (Li < π < Ls) = 1 – α P = (Li + Ls) / 2

Z α/2 · Sp = Error máximo de estimación

Sp = Error Típico (distribución muestral de la Proporción)

Su distribución está prohibida | Descargado por Maria Fernandez (mariajose_ccs@yahoo.com)

R. MEDRANO (TUTOR) Página 5

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS ORIENTACIONES TEMA Nº 1 (INTRODUCCIÓN)

Problema Ejemplo: Para comprobar la eficacia en la aplicación de un tratamiento, se someten al mismo

Datos: Para (α / 2 = 0,04) Z = (- 1,75) y Para (1 - α / 2 = 0,96) Z = (+ 1,75)

Proporción muestral (50 / 64) = 0,781