DISEÑOS EXPERIMENTALES

EJEMPLO 1. Diseño de dos grupos al azar: prueba t para muestras independientes

Se pretende estudiar el efecto de dos drogas sobre la tasa de retención de palabras, y se hace la
predicción de que la droga 1 (A1) determinará una mejor ejecución, en este tipo de tarea, que la droga 2
(A2). A tal efecto, se selecciona una muestra aleatoria de 12 sujetos que fueron asignados al azar,
respectivamente, a las dos condiciones de tratamiento. A continuación, se aplica a los sujetos una prueba
de retención de 10 sílabas sin sentido de igual valor asociativo. Se trata, en este experimento, de comparar
la ejecución o variable de medida de dos grupos independientes formados por sujetos elegidos al azar de
una población.
En cuando a la condición de medida, debe indicarse que, en este experimento, se utiliza como
unidad de medida el ítem o sílaba sin sentido. Dado que todos los ítemes tienen el mismo valor asociativo,
debe entenderse que dicha unidad es constante y que, en consecuencia, se trata de una escala de intervalo.
Partiendo de estos presupuestos y teniendo en cuenta que los datos proceden de una población con
distribución normal (por presuposición), se puede utilizar como prueba de hipótesis la t de Student.

Matriz de datos
A1 A2

6 4
8 7
7 5
9 4
8 5
6
4

EJEMPLO 2. Diseño de dos grupos al azar: prueba U de Mann-Whitney

Supongamos que se han seleccionado 15 sujetos animales de una población (muestra

experimental), y que se asignan al azar siete a un grupo experimental (privación de alimento durante 36
horas) y ocho a un grupo control (saciados). Se desea comprobar si el grupo experimental (A 1) va a
necesitar menos ensayos, para alcanzar el criterio de discriminación dentro de un laberinto en forma de T,
que el grupo control (A2). El criterio consiste en dar un total de 10 ensayos con discriminación correcta.
Fijémonos que se trata de un diseño de una sola variable independiente con dos condiciones o
grupos experimentales (experimental/control). Por otra parte, dado que los grupos han sido formados al
azar por sujetos diferentes no estarán relacionados.
En cuanto a la condición de medida, cabe destacar que el criterio de aprendizaje consiste en 10
ensayos seguidos sin error. Por tanto, el criterio de medida, que puede utilizarse como índice de la rapidez
de aprendizaje, es la cantidad de ensayos previos al criterio. Como es lógico, podrían haberse utilizado
otros, por ejemplo, el tiempo de latencia. Si se toma como medida de la variable dependiente la cantidad
de ensayos previos al criterio de aprendizaje, se habrá utilizado una escala de medida ordinal, ya que el
concepto ensayos no queda establecido de manera uniforme ni constituye una unidad de medida constante,
dado que el recorrido de un ensayo no significa la misma cantidad de aprendizaje de discriminación. Se
tiene, por tanto, un diseño de dos grupos totalmente al azar, donde la condición de medida (escala que sólo
1
aporta información ordinal) hace aconsejable la aplicación de la prueba no paramétrica de la U de Mann-
Whitney.

Matriz de datos
A1 A2

11 21
10 18
15 14
11 12
9 20
8 22
10 18
14

EJEMPLO 3. Diseño de dos grupos relacionados: prueba t para muestras relacionadas y prueba T
de Wilcoxon

Se desea conocer cuál será el posible efecto de la variable instrucciones motivantes sobre los
puntajes que obtiene un grupo de escolares en relación con una prueba de rendimiento. A tal efecto se
forman dos grupos de 15 sujetos, apareados en relación con la edad, el sexo y el nivel de escolaridad. A
ambos grupos se les administra una prueba para medir su eficiencia en el rendimiento de una determinada
tarea escolar, con la salvedad de que al primer grupo le son leídas unas instrucciones motivantes antes de
la administración de la prueba. Con ello se pretende probar si el efecto de tales instrucciones tiende a hacer
aumentar el rendimiento de los sujetos del primer grupo. Se trata, pues, de una hipótesis de carácter
predictivo que exige una prueba estadística de una sola cola.
La prueba estadística que normalmente se utiliza con datos o puntajes que proceden de muestras
relacionadas es la prueba t aplicada a los puntajes de diferencia. El estadístico t requiere que dichos
puntajes se distribuyan normal e independientemente en la población de origen. Requiere también una
condición de medida consistente en que los datos sean recogidos, por lo menos, en una escala de intervalo.
Se tiene, por tanto, la posibilidad de aplicar la prueba t a aquellos casos o experimentos en que se cumplan
los supuestos básicos del modelo paramétrico.
Cabe destacar un punto importante en relación con la prueba t para grupos relacionados. Con
dicha prueba se cuenta con un menor número de grados de libertad que cuando se aplica a datos de
muestras no relacionadas. Al disponer de menos grados de libertad se obtiene un valor teórico mucho
mayor, lo cual debe ser compensado, de alguna forma, con una mayor homogeneidad de los grupos.
Además, cuando se utiliza la técnica de apareo para formar grupos equivalentes, debe garantizarse que
dicha técnica ha sido efectiva.
Supóngase, por otra parte, que el investigador tiene serias dudas sobre la posibilidad de que los
puntajes de la prueba cumplan con los requisitos de las escalas de intervalo y, en consecuencia, elige la
prueba T de Wilcoxon para inferir la hipótesis.

2
 Matriz de datos
Pares de Con instrucciones motivantes Sin instrucciones motivantes
Sujetos (A1) (A2)

1 91 86
2 90 92
3 80 73
4 79 61
5 47 48
6 58 53
7 92 91
8 90 79
9 89 82
10 40 31
11 63 65
12 89 83
13 72 66
14 81 61
15 73 70

EJEMPLO 4. Diseño multigrupo: análisis de la variancia unidireccional, comparaciones múltiples a

priori (no ortogonales y ortogonales) y análisis de tendencias

Se trata de comprobar si el repaso es una variable decisiva para retener una lista de palabras
monosílabas de igual valor asociativo. Con tal objeto se establecen los siguientes niveles de repaso: una
sola presentación de la lista y, por tanto, condición sin repaso (A 1); dos presentaciones sucesivas de la
misma lista de palabras (A2); tres presentaciones de la lista (A3), y cuatro presentaciones (A4). La tasa de
presentación es, en todos los casos, de un segundo por ítem.
El sujeto tiene que leer en voz alta cada uno de los ítemes de la lista. Después de las
correspondientes lecturas, se pasa a una prueba de retención (variable criterio) y se contabiliza la cantidad
de palabras recordadas correctamente. Así se obtienen los siguientes datos hipotéticos del experimento:

3
 Matriz de datos
A1 A2 A3 A4
2 4 6 9
1 3 7 7
3 5 8 8
4 7 7 9
2 6 5 8

EJEMPLO 5. Diseño de bloques de grupos al azar: un sólo sujeto por casilla

Se ha pretendido estudiar la efectividad de tres métodos distintos de enseñanza sobre el

aprendizaje de las matemáticas. Después de haber aplicado los tres métodos, se pasa a cada uno de los
sujetos una serie de diez problemas por resolver. Esto constituye una medida de ejecución para estimar la
efectividad de los métodos de enseñanza. Ahora bien, se considera que una de las posibles variables
extrañas capaz de contaminar dichos resultados es el nivel intelectual de los sujetos. Con objeto de
controlar dicha variable, mediante el diseño, se aplica un diseño de bloques al azar. De este modo, se
forman diez bloques de acuerdo con los cocientes intelectuales. Cada bloque corresponde a un
determinado coeficiente intelectual, de manera que en relación con el mismo se eligen tres sujetos de igual
nivel. Dentro de cada bloque se asignan al azar los tres tratamientos a los diferentes sujetos, y se obtienen
los datos que a continuación se muestran en la correspondiente matriz.

Matriz de datos
Bloques A1 A2 A3

1 6 7 8
2 7 6 7
3 4 8 9
4 5 9 7
5 7 5 8
6 3 4 10
7 5 6 7
8 8 8 9
9 7 7 10
10 6 5 7

4
EJEMPLO 6. Diseño de bloques de grupos al azar: dos o más sujetos por casilla

Considérese el mismo experimento que se ha presentado en el diseño de bloques con un sólo

sujeto por casilla, pero con la diferencia de que a cada casilla se asignan tres sujetos. Esto supone un total
de 9 sujetos por bloque y 30 sujetos por condición experimental.

Matriz de datos
Bloques A1 A2 A3

1 6,5,3 6,7,5 7, 6,9

2 7,5,4 5,6,5 7, 4,6
3 3,5,4 7,6,7 9,10,7
4 6,5,5 8,7,9 7, 8,6
5 7,5,8 5,4,7 9,10,7
6 5,3,4 5,6,4 10,9,8
7 6,4,5 7,6,5 8, 6,5
8 7,6,9 8,7,9 9,10,7
9 6,8,7 6,9,6 8,10,9
10 7,6,7 5,6,4 6, 8,7

EJEMPLO 7. Diseño factorial 2 x 2

En un estudio sobre aprendizaje discriminativo, se establece la predicción de que la

magnitud del incentivo tiene un efecto diferente según se trate de un aprendizaje simple o complejo.
Parece claro que para llevar a cabo el experimento se tendrán que manipular dos variables: clase de
incentivo y tipo de tarea. Bajo el supuesto de que ambas variables actúan a dos niveles, se tiene un diseño
factorial 2 X 2. Las cuatro posibles combinaciones de tratamiento son: bajo incentivo-tarea simple (A1B1),
bajo incentivo-tarea compleja (A1B2), alto incentivo-tarea simple (A2B1) y alto incentivo-tarea compleja
(A2B2). Por tanto, en este experimento se investiga, simultáneamente, la acción que sobre el aprendizaje
discriminativo tienen tanto la clase de incentivo como el tipo de tarea.
Otro aspecto importante que predice la hipótesis y que sólo este diseño es capaz de detectar, es
que la acción de la variable incentivo puede variar de acuerdo con el tipo de tarea. Es posible que para una
tarea simple la diferencia entre ambas clases de incentivo sea menos acusada que para una tarea compleja.
Se cumple, por tanto, una acción diferencial de la variable incentivo en función de la variable tarea.
Considérense los resultados obtenidos al efectuar el experimento. Asignados los sujetos, al azar, a
cada una de las combinaciones de tratamiento, se toman registros relativos a la cantidad de ensayos
correctos respecto a un criterio (los 10 últimos ensayos del experimento).
Del estudio planteado se obtiene la siguiente matriz de datos, registrados en función de la cantidad
de respuestas correctas al criterio de aprendizaje.

5
 Matriz de datos
B1 B2
A1 10,9,4,8, 4,3,4,5,
8,4,3,6 2,3,4,2

A2 7,9,10,8, 8,6,9,9,
10,9,10,7 8,7,7,6

EJEMPLO 8. Diseño de medidas repetidas simple

Se pretende estudiar el efecto de la frecuencia de tres tonos auditivos de igual intensidad (65 db).
Para ello, se utilizan tres valores de la variable A: 300 cps. (A 1), 600 cps. (A2) y 1200 cps. (A3). Como
variable dependiente se registran los tiempos de reacción, medidos en milésimas de segundo. Efectuando
el experimento con tres sujetos, a los que se aplica en secuencias aleatorizadas las diferentes intensidades
del tono auditivo, se obtiene la siguiente matriz de datos:

Matriz de datos
Sujetos A1 A2 A3

S1 3.8 3.6 2.5

S2 4.4 5.0 2.3
S3 6.9 4.5 3.0

EJEMPLO 9. Diseño factorial mixto

Se ha llevado a cabo un experimento para estudiar el efecto que ejercen dos variables
experimentales sobre la memoria icónica. Por un lado, se ha manipulado el campo post-exposición
(variable de tratamiento A), aplicando dos valores de la misma: campo brillante (A 1) y campo oscuro (A2).
Por otra parte, se ha manipulado una segunda variable independiente que tiene un efecto decisivo sobre la
capacidad de memoria icónica: tiempo de exposición de los materiales (variable B). De la misma se han
aplicado cuatro valores: 30 mseg. de exposición (B1); 90 mseg.(B2); 180 mseg. (B3), y 240 mseg. (B4).
Para tal efecto, se ha utilizado una serie de tarjetas en las que se han dibujado letras consonantes, elegidas
al azar, en matrices de 3 x 4. La tarea del sujeto consistió en informar la mayor cantidad de letras de forma
correcta, tanto verbal como gráficamente.
Se utilizó un diseño experimental bifactorial mixto. En relación con la variable de tratamiento A,
se formaron dos grupos al azar de n = 4 sujetos, respectivamente. En cuanto a la variable de tratamiento B,
utilizada como variable intra-sujeto, cada uno de sus valores fueron aplicados, al azar, a todos los sujetos.
Bajo cada una de las condiciones de B, el sujeto era sometido a un total de 10 tarjetas diferentes,
computándose el total de identificaciones correctas. Realizando el experimento, se obtuvo la siguiente
matriz de datos:

6
 Matriz de datos
Sujetos B1 B2 B3 B4
S1 25 26 27 34
A1 S2 31 35 37 39
S3 24 33 28 40
S4 21 30 31 35

S5 13 14 20 32
A2 S6 16 21 32 38
S7 31 34 36 42
S8 21 22 34 36

DISEÑOS DE INVESTIGACIÓN APLICADOS

EJEMPLO 10. Diseño de grupo control no equivalente con medidas antes (X) y después (Y)

Supongamos que se lleva a cabo un estudio, con dos grupos de sujetos ya formados (o sea, grupos
intactos). De ambos grupos se toman medidas de una variable pre-tratamiento (medidas antes, como por
ejemplo el nivel intelectual en una escala decil) y a continuación, se utiliza a uno de los grupos de control
y al otro de experimental. Se trata de estudiar el efecto de un método de enseñanza programado sobre el
rendimiento escolar. Así, el primer grupo recibe un tratamiento convencional (grupo control), mientras que
el segundo recibe el método programado (grupo experimental). Los datos hipotéticos de este cuasi-
experimento se presentan a continuación:

Matriz de datos

Control Experimental

X Y Y - X X Y Y - X

3 6 3 5 9 4
6 7 1 7 10 3
5 7 2 6 8 2
4 6 2 5 9 4
3 5 2 4 7 3

7
EJEMPLO 11. Diseño de grupos no equivalentes

Supóngase que un investigador pretende estudiar la eficacia de tres métodos en la enseñanza de las
propiedades de los vectores. A tal efecto, utiliza los métodos siguientes: A 1 o método simplemente verbal,
A2 o método de presentación simbólica, y A3 o la combinación de ambos métodos. Considérese, al mismo
tiempo, que para probar la eficacia de estos tres métodos el investigador utiliza tres clases o aulas de un
Centro escolar en el mismo período de tiempo. A tal propósito, el investigador pasa una prueba al iniciar el
estudio y otra a finalizarlo. A partir de este hipotético ejemplo, se obtienen la correspondiente matriz de
datos en la que se incluyen las puntuaciones de ganancia (G, o diferencia entre la puntuación después (D)
y la antes (A) de cada sujeto; es decir, las puntuaciones o valores de ganancia).

Matriz de datos

Tratamiento A1 Tratamiento A2 Tratamiento A3

──────────────────────────────────────────────────────────────
A(X) D(Y) G A(X) D(Y) G A(X) D(Y) G
8 32 24 7 27 20 6 24 18
6 34 28 9 33 24 9 26 17
9 36 27 6 29 23 6 24 18
7 32 25 9 33 24 9 28 19
5 30 25 7 28 21 5 22 17
3 28 25 2 24 22 4 21 17
3 29 26 4 28 24 0 20 20
4 29 25 4 26 22 2 25 23
0 28 28 4 28 24 0 16 16
4 32 28 1 21 20 2 19 17
──────────────────────────────────────────────────────────────

EJEMPLO 12. Diseño de discontinuidad en la regresión

Se analiza una hipotética investigación para estudiar el efecto de un programa sobre el

rendimiento escolar. Puesto que los sujetos o unidades seleccionadas, que van a seguir el programa,
presentan niveles más altos en variables relacionadas con el rendimiento escolar que los controles, se
decide utilizar esta información previa como covariable. De acuerdo con la estrategia del diseño, los
sujetos que puntúan bajo en la covariable son utilizados como grupo control, mientras que los que puntúan
alto como grupo experimental o de tratamiento.
A continuación se presentan los datos de este hipotético estudio, donde los sujetos control
obtienen puntuaciones entre 1 y 5 en la covariable, y los sujetos que reciben el tratamiento entre 6 y 10. El
punto de corte se sitúa en el intervalo 5-6.

8
 Matriz de datos

Control Experimental
────────────────────────────────
X Y X Y

1 4 6 9
1 3 6 10
2 4 7 12
2 6 7 13
2 6 7 13
3 5 8 11
3 7 8 12
4 5 9 14
4 7 9 13
5 9 10 14

EJEMPLO 13. Diseño de serie temporal

Considérese la siguiente matriz de datos hipotéticos sobre la cantidad de accidentes mortales

por cada 10.000 habitantes de una población a lo largo de 20 años, antes de la aplicación de una norma
legal y 10 años después de su instauración.

Matriz de datos
Año Yt Yt+1 Tt Xt
1959 4.2 4.4 1 0
1960 4.4 4.4 2 0
1961 4.4 4.6 3 0
1962 4.6 4.7 4 0
1963 4.7 4.9 5 0
1964 4.9 5.1 6 0
1965 5.1 5.1 7 0
1966 5.1 5.2 8 0
1967 5.2 5.4 9 0
1968 5.4 5.5 10 0
1969 5.5 5.6 11 0
1970 5.6 5.7 12 0
1971 5.7 5.8 13 0
1972 5.8 6.1 14 0
1973 6.1 6.2 15 0
1974 6.2 6.3 16 0
1975 6.3 6.6 17 0
1976 6.6 6.9 18 0
1977 6.9 7.1 19 0
1978 7.1 7.1 20 0
1979 7.1 5.2 21 1
1980 5.2 5.3 22 1
1981 5.3 5.5 23 1
1982 5.5 5.7 24 1
1983 5.7 6.2 25 1
1984 6.2 6.5 26 1
1985 6.5 6.8 27 1
1986 6.8 6.9 28 1
1987 6.9 7.0 29 1
1988 7.0 30 1

9
EJEMPLO 14. Diseño longitudinal antes y después (1G2O)

Se pretende estudiar el progreso en matemáticas de un grupo de escolares, en dos puntos del

tiempo. Para ello, se registran las puntuaciones de escolares a final del primer curso de ESO y se
comparan con las puntuaciones del final del tercer curso de ESO. La siguiente matriz de datos muestra las
puntuaciones de matemáticas de los escolares que participaron en el estudio.

Matriz de datos

Escolares 1er curso(X) 3er curso(Y) d d²

1 16 28 12 144
2 18 29 11 121
3 17 27 10 100
4 15 24 9 81
5 19 29 10 100
6 14 26 12 144
7 16 29 13 169
8 17 28 11 121
9 18 29 11 121
10 16 26 10 100

EJEMPLO 15. Diseño longitudinal de medidas repetidas (1GMO)

Supóngase que un investigador elige, al azar, a seis sujetos de una determinada población y les
aplica una prueba de memoria de recuerdo. Para ello, pide a los individuos que restituyan la máxima
cantidad de ítems de una lista de 50 palabras, de igual valor asociativo, leída en voz alta. Durante los tres
días siguientes, requiere de los sujetos que ejecuten una prueba de recuerdo sobre el material verbal.
La siguiente matriz muestra los datos o puntuaciones de los sujetos del estudio sobre memoria de
recuerdo, donde la variable de ocasiones se simboliza por la letra O

Matriz de datos

Días
Sujetos O1 O2 O3 O4

1 41 33 28 24
2 39 31 27 25
3 35 27 23 20
4 36 28 24 21
5 37 27 21 17
6 40 34 27 25

10
EJEMPLO 16. Diseño longitudinal de medidas repetidas (2GMO): Diseño split-plot

Un investigador se propone estudiar el desarrollo de la aptitud en mecánica de cálculo de un

determinado grupo de escolares. A tal propósito, confecciona una serie de tareas estandarizadas,
consistentes en sencillos problemas de cálculo. Estas tareas son presentadas a los escolares (que
pertenecen a un mismo nivel), cuando realizan las evaluaciones. Las evaluaciones, en un total de cuatro,
son programadas de forma secuencial a lo largo del curso. De este modo, el investigador tiene de cada
sujeto del estudio, cuatro puntuaciones serialmente ordenadas en el tiempo. Por último, el rendimiento
en la resolución de los problemas de cálculo es valorado con una escala de 5 puntos.
Dado que el investigador considera de interés estudiar la posible diferencia atribuible al sexo,
elige dos muestras iguales de escolares de uno y otro sexo.
De lo expuesto se deduce que la investigación requiere la formación de dos grupos iguales de
sujetos, de distinto sexo (variable A: A1 sexo masculino y, A2 sexo femenino), y el registro de las
puntuaciones obtenidas de los escolares, para cuatro intervalos del tiempo (variable B: B 1 primera
prueba, B2 segunda prueba, B3 tercera prueba, y B4 cuarta prueba).

Matriz de datos

B1 B2 B3 B4 total

S1 1 3 4 4 12
S2 3 2 3 4 12
A1 S3 1 3 4 5 13
S4 3 4 5 5 17
S5 2 2 3 4 11

total parcial 10 14 19 22 65
media parcial 2.0 2.8 3.8 4.4 3.25

S1 2 2 3 4 11
S2 1 3 4 4 12
A2 S3 2 3 4 5 14
S4 1 2 4 4 11
S5 2 3 3 4 12

total parcial 8 13 18 21 60
media parcial 1.6 2.6 3.6 4.2 3

total 18 27 37 43 125
media 1.8 2.7 3.7 4.3 3.125

11
EJEMPLO 17. Diseño jerárquico de medidas repetidas

Supóngase, a título ilustrativo, que se realiza un hipotético estudio para probar la eficacia dos
métodos de enseñanza (variable A), siendo A 1 un método tradicional y A2 un método innovador. Para
ello se eligen cuatro aulas, B, de un mismo nivel de escolaridad, y se asignan al azar dos a cada
método; es decir, la variable aulas es aleatoria y está anidada en la variable métodos. De cada aula se
eligen, al azar, cuatro escolares a los que se pasa una prueba al principio y final del curso. La variable
de sujetos, S, tiene cuatro valores y es también aleatoria. Por último, la dimensión evaluación, variable
C, es de medias repetidas con dos valores (principio y final de curso). Según este diseño, la variable B
está anidada en A, la variable sujetos, S, está anidada en B y A, de modo que todas se cruzan con C.
Según este modelo, la variable B y S son aleatorios, y las variables A y C son fijas.

Matriz de datos

Método Aula Sujetos Eval1 Eval2 Totales

C1 C2

1 5 7 12
B1 2 4 5 9
3 3 6 9
4 5 5 9

Totales 16 23 39
A1
1 4 6 10
B2 2 3 5 8
3 5 5 10
4 6 9 15

Totales 18 25 43 82

1 1 8 9
B3 2 3 8 11
3 2 7 9
4 1 7 8
A2

Totales 7 30 37

1 3 6 9
B4 2 2 8 10
3 2 6 8
4 3 6 9

12
 Totales 10 26 36 73

Totales 51 104 155

EJEMPLO 18. Diseño longitudinal de cohortes

Supóngase, a modo ilustrativo, que se obtienen las puntuaciones del WAIS de sujetos pertenecientes
a distintas cohortes de nacimiento, en los años comprendidos entre 1970 a 2000. La siguiente matriz
muestra los datos edad x cohorte x período donde hay celdas vacías por razones completamente lógicas,
ya que los individuos de una cohorte sólo pueden pertenecer a una determinada edad en un período de
observación dado. Esta forma especial de organizar los datos es conocida por tabla de cohortes. Obsérvese
cómo, en este ejemplo, las filas corresponden a las cohortes de nacimiento, las columnas a los períodos de
observación y las diagonales a las edades.
En la matriz las filas representan a las cohortes y las columnas a los períodos. Los valores de las
edades están en paréntesis junto a las celdas. Se asume que los datos son, para el factor edad y período, de
medidas repetidas; es decir, los sujetos repiten medidas en función de la edad y período. Se podía haber
resuelto el estudio seleccionado sujetos diferentes para las combinaciones de edad x período en cada
cohorte.

Matriz de datos

Cohorte
de nacimiento Sujetos P1(1970) P2(1980) P3(1990) P4(2000)

1 117 115 113 100

C1 2 104 (30) 102 (40) 106 (50) 101 (60)
(1940) 3 100 113 108 99
4 99 110 97 98

5 115 110 115 99

C2 6 108 (40) 98 (50) 94 (60) 95 (70)
(1930) 7 98 95 92 90
8 92 97 95 91

9 114 106 102 100

C3 10 96 (50) 98 (60) 82 (70) 86 (80)
(1920) 11 87 90 100 80
12 90 92 110 79

13
EJEMPLO 19. Diseño longitudinal en panel

Considérese, a modo de ejemplo hipotético, el siguiente diagrama en panel con las

correspondientes correlaciones, donde tanto X como Y tienen la misma fiabilidad instantánea de 0.89.

X1 0.80 X2

0.60

0.50 0.50

0.30

Y1 0 0.80 Y2

14