Nombre: Ana Ant.

Rodríguez
Matrícula: 18-EPSS-1-146
Sección: 0739

Reporte de lectura del capítulo 12

Cómo interpretar los resultados experimentales
Ahora está listo para recopilar datos. Si lleva un registro manual de las respuestas, tendrá
que configurar hojas de respuestas por participante en las que incluya información como el
número de identificación y el sexo del participante, la condición que se le presenta y
cualquier comentario específico que quiera hacer constar acerca del participante o la sesión
experimental. Obviamente, debe tener dónde registrar las respuestas de forma sistemática.
Más adelante, estos datos se ordenan de acuerdo con las variables independientes y los
niveles de las mismas. . Si el experimento fue realizado en computadora, que es lo más
usual hoy en día, el programa ordenará los datos en un conjunto.

Cuando termina un experimento, debe interpretar los datos de las hojas de respuesta. El
primer paso es graficar la distribución de frecuencias que ilustra el número de puntos de
datos que caen en las categorías de la variable dependiente. A veces, estas distribuciones
son similares a una campana, la llamada distribución normal. Otras distribuciones son la
bimodal, con dos categorías más frecuentes: la sesgada, que tiene más calificaciones en una
cola de la distribución, y la truncada, que no tiene una cola de la distribución. Son tres las
estadísticas más utilizadas para describir la tendencia central de una distribución: la moda
es la categoría que ocurre con más frecuencia, la mediana es la calificación que se
encuentra a la mitad y la media es el centro de gravedad de la distribución. Las dos
estadísticas que se emplean para describir la dispersión de una distribución son el rango y la
desviación estándar. El rango es la diferencia entre las calificaciones más alta y más baja.
La desviación estándar y en ocasiones la varianza describen la dispersión de las
distribuciones que se aproximan a la normal.

Las gráficas ilustran la relación entre las variables independiente y dependiente. Los niveles
de la variable independiente se ponen sobre el eje horizontal, la abscisa, y los valores de la
variable dependiente sobre el eje vertical, la ordenada. Se emplea una gráfica de barras para
ilustrar los puntos de datos que representan categorías cualitativamente diferentes. Se usa
un histograma o gráfica de funciones lineales para ilustrar las variables continuas. Al
describir las funciones, se indica si son lineales o curvilíneas, positivas o negativas,
monotónicas o no monotónicas, aceleradas positivamente o aceleradas negativamente o
asintóticas. La fortaleza de la relación experimental se muestra en un diagrama de
dispersión, o si la relación es lineal, se calcula el coeficiente de correlación y el coeficiente
de determinación.
Para interpretar los resultados de un experimento factorial, primero hay que determinar si
está presente un efecto principal, un efecto de un factor en la variable dependiente en un
valor promedio de los otros factores. Además, debe determinar si el efecto de una variable
es diferente dependiendo de los niveles de las otras variables. Tales diferencias reciben el
nombre de interacciones y, en particular con las interacciones cruzadas, dificultan la
interpretación de los efectos principales. Cuando haya tres o más factores, la interpretación
de las interacciones es más ardua, ya que hay varias interacciones de dos vías, como
también interacciones de tres vías, y con más factores se encuentran interacciones de orden
más alto.

Se emplea la estadística inferencial para inferir qué tan probable es que la diferencia entre
las muestras de los datos se deba al azar y no a una diferencia real de las poblaciones
(niveles de la variable independiente). Así, para propósitos estadísticos se postula una
hipótesis nula, que establece que los niveles de la variable independiente no tienen efecto.
La prueba estadística determina la probabilidad de que la diferencia encontrada en los datos
de las muestras se deba al azar, si la hipótesis nula es verdadera. Una vez que la prueba
determina esto, se presentan dos tipos de errores: error tipo I, en el que la hipótesis nula es
rechazada cuando es verdadera, y el error tipo II, en el que la hipótesis nula no es rechazada
cuando es falsa. La hipótesis nula debe rechazarse cuando sea falsa, y la probabilidad de
que una prueba inferencial la rechace correctamente recibe el nombre de potencia
estadística, que depende en particular de la sensibilidad del experimento y del número de
participantes. Para que un efecto sea declarado estadísticamente significativo, la
probabilidad de que la diferencia se deba al azar (error tipo I) debe ser menor a .05 o .01.
Las pruebas paramétricas suponen que las distribuciones de la población son normales,
mientras que las pruebas no paramétricas, no. A veces los investigadores aplican mal las
pruebas estadísticas y equiparan los resultados no significativos con la equivalencia de las
condiciones, porque resaltan demasiado los niveles .05 y .01 de la significancia o porque
confunden la significancia estadística con la importancia práctica.

El meta análisis es una técnica estadística para combinar los resultados de muchos
experimentos. Se calcula una estadística llamada media del tamaño del efecto del
tratamiento para cada experimento. Estos tamaños del efecto se analizan para determinar
qué tan probable es que el efecto se deba al azar.

Las computadoras se usan para realizar los análisis estadísticos. Sin embargo, se debe tener
cuidado de revisar que se cumplan las premisas de las pruebas estadísticas y que los datos
se introduzcan bien al programa. Antes de aceptar un resultado, hay que verificar su
congruencia interna y precisión.