VIDEOPÍLDORA 1: LÓGICA DEL CONTRASTE DE HIPÓTESIS

La prueba se centra principalmente en Fundamentos de Psicología Matemática y

Metodología II. Nos centraremos en cosas como la interpretación de tablas de SPSS, saber
cuándo se mantiene o se rechaza una hipótesis…

Índice del seminario:

1. Lógica del contraste de hipótesis

2. Error tipo I y II
3. Contraste de hipótesis
a. Sobre una media
b. Sobre dos medias
c. ANOVA unifactorial
d. AVOVA bifactorial

El contraste de hipótesis pretende determinar qué probabilidad hay de que, observada una
determinada característica de una muestra, el valor de esa característica en la población
coincida con el valor hipotetizado.

Ejemplo: ¿esta moneda está trucada?

Si lanzo una moneda 100 veces y me salen 62 caras, podríamos preguntarnos si esa moneda
está trucada. Sabemos que la probabilidad de que salga cara es del 0.5, pero ha salido un 0.62
¿cuánto de posible es eso? ¿Es fruto del azar o está trucada?

Para resolver esta pregunta tenemos que preguntarnos cuánto de posible es que esto haya
ocurrido, y para ello tenemos que fijarnos en el error tipo I o nivel de significación, es decir,
cuánto riesgo quiero asumir. En este ejemplo vamos a asumir que quiero equivocarme solo en
un 5% de las veces.

Miramos cuánto de probable es que salgan 62 caras. Si es muy poco probable, asumiremos
que la moneda está trucada, mientras que si está dentro de lo esperable diremos que no lo
está. Para esto, fijamos una zona de aceptación y una zona de rechazo. Pongamos que, en una
curva normal que salgan 40 caras se corresponde al 5% de probabilidades en el límite inferior,
y 60 en el límite superior. Lo que hemos construido entre el 40 y el 60 es lo que se conoce
como zona de aceptación (verde) y lo de fuera, zona de rechazo (rojo).

Nosotros habíamos obtenido 62 caras, está en la zona de rechazo, diríamos que es muy poco
probable (por debajo del 5%) y que, por tanto, la moneda está trucada.

Ejemplo: Media de inteligencia universitaria

Hipótesis: el nivel medio de inteligencia de la población universitaria es de 110.

Yo creo saber que esta es la media, pero como nosotros no podemos acceder a toda la
población universitaria, tenemos que registrar un valor en la muestra. Selecciono una muestra
aleatoria de 300 estudiantes y veo que es de 108. Entonces, al haber obtenido un CI de 108,
¿puedo afirmar que mi hipótesis es cierta o es falsa? Para responder a esta pregunta, como en
el ejemplo anterior, tenemos que ver cómo de diferente es 108 de 110 en términos
probabilísticos.

Someto mi valor muestral al contraste de hipótesis y encuentro que la probabilidad de que,

habiendo obtenido este valor en la muestra (108), la media poblacional sea la hipotetizada
(110) es del 95% (y el error tipo I o nivel de significación es del 5% o de .05). Por lo tanto, mi
hipótesis es verdadera, está en la zona de aceptación.

Dice una frase al final que, o está mal, o no la entiendo: hay un 95% de probabilidad de que,
aún siendo el valor medio de 110, yo encuentre un nivel de 108 en una muestra de 300
estudiantes

Ejemplo: Eficacia de un tratamiento para la depresión

Quiero probar un tratamiento psicológico y otro farmacológico.

Hipótesis: el nivel medio de síntomas de depresión será menor entre los pacientes que reciben
tratamiento psicológico y los que reciben tratamiento farmacológico.

Valor en la muestra: el nivel medio de síntomas en una muestra que ha recibido tratamiento
psicológico es dos puntos inferior que el de la muestra con tratamiento farmacológico.
¿podemos afirmar que el tratamiento psicológico es más efectivo que el farmacológico?

Contraste de hipótesis: encuentro que la probabilidad de que, habiendo obtenido ese valor en
la muestra (2), la diferencia en la población (no) sea la hipotetizada* (0) (la hipótesis nula, que
no haya diferencias), es de .01. Esto no está dentro de lo esperable como fruto del azar, por lo
que puedo decir que sí hay diferencias significativas entre ambos tratamientos.

La hipótesis es verdadera.

*Él dice que la diferencia SEA la hipotetizada (0)… pero esto creo que está mal, porque lo que
hemos hipotetizado es que va a ser mejor el psicológico, es decir, que la diferencia será
distinta de 0

El contraste de hipótesis es un método para decidir si aceptamos o rechazamos una hipótesis.

Pasos en el contraste de hipótesis:

- Formular la hipótesis científica en términos estadísticos (lo veremos después)

- Obtener evidencia empírica relevante (estadístico de contraste) en una muestra de la
población a la que se refiere la hipótesis científica
- Establecer una regla de decisión para aceptar la hipótesis en términos de probabilidad (si
salen más de 60 caras, la moneda está trucada)
VIDEOPÍLDORA 2: LÓGICA DEL CONTRASTE DE HIPÓTESIS

Formulación de hipótesis científicas:

Para poder contrastar una hipótesis científica necesitamos traducirla en términos de

propiedades de una o más distribuciones muestrales, es decir, para traducirla a números que
utilizaremos para elaborar las hipótesis estadísticas.

Hipótesis científica: el tratamiento cognitivo conductual de la depresión es más efectivo que el

farmacológico

Hipótesis estadística: la media de síntomas de depresión será menor en los pacientes que
reciben tratamiento psicológico que los que reciben tratamiento farmacológico.

Para contrastar una hipótesis científica es necesario formular dos hipótesis estadísticas:

- Hipótesis nula (H0): es la que se somete a contraste (afirmación sobre la forma de una o
más distribuciones de probabilidad o sobre el valor de algún/os parámetro/s de esa
distribución). Signo = (diferencia nula entre parámetros).

Si yo quiero comprobar si un tratamiento funciona mejor que otro, en mi H0 tengo que

introducir la igualdad: la media de síntomas de depresión será igual o mayor en los
pacientes que reciben tratamiento psicológico y los que reciben tratamiento
farmacológico.

- Hipótesis alternativa (H1): es la negación absoluta de la HO, incluye todo lo que excluye la
H0. La media de síntomas de depresión será menor en los pacientes que reciben
tratamiento psicológico que los que reciben tratamiento farmacológico.

Esto tiene sentido, porque nosotros hacemos hipótesis que queremos contrastar, para
movernos en valores que son muy poco probables que ocurran. De hecho, si se acepta la
hipótesis nula, nunca podremos afirmar que las medias son iguales, pero si se rechaza si que
podemos hacerlo.

Obtener evidencia empírica relevante (estadístico de contraste) en una muestra de la

población a la que se refiere la hipótesis científica:

Estadístico de contraste (t): ofrece información de la muestra que se relaciona con la

característica (parámetro poblacional recogido en las hipótesis estadísticas). Es necesario para
decidir cuál de las dos hipótesis aceptamos. Ejemplo: la media de los síntomas depresivos
(estadístico de contraste) en las dos muestras es relevante para estimar la media poblacional
de depresión.

El estadístico de contraste siempre tiene una distribución muestral conocida. La distribución

muestral indica la probabilidad (p) de que el estadístico de contraste tome un valor, siendo
verdadero el valor contenido en las hipótesis.

En nuestra H0 hemos hipotetizado que la diferencia entre T. psicológico y farmacológico es 0

(es decir, nuestro estadístico de contraste es 0). En las colas de la distribución se situarían los
valores que son muy poco probables que ocurran. Por ejemplo, en este caso, siendo verdadero
nuestro valor hipotetizado (0 diferencia entre tratamientos), sería muy improbable que en una
muestra similar encontrásemos una diferencia de 200.

Establecer una regla de decisión para aceptar la hipótesis en términos de probabilidad

La regla de decisión determina para qué valores del estadístico de contraste aceptamos la H0 y
para cuales la rechazamos (aceptamos la H1). Los valores del estadístico de contraste que
rechazan la H0 son aquellos altamente improbables, si el valor de la H0 (0) fuera verdadero.

Ejemplo: imagina que la media de depresión en la muestra con t. psicológico es de 2 y la media

en la muestra con t. farmacológico es 4. Para decidir si la H0 es verdadera (no hay diferencias
entre tratamientos) debemos responder a la siguiente pregunta: ¿qué probabilidad hay de que
siendo verdad que las dos muestras son iguales en su nivel de depresión, se de en dos
muestras concretas una diferencia de dos puntos (2-4)?

Para responder necesitamos conocer la distribución muestral. La distribución muestral del

estadístico con dice que esa probabilidad es del 2% (p=.02). Es decir, es muy improbable que
en dos muestras concretas procedentes de dos poblaciones con el mismo nivel de depresión
sea de dos o más puntos (por lo tanto, esta diferencia no puede deberse al azar sino al tipo de
tratamiento). Por eso, se rechaza la H0.

La regla de decisión establece dos regiones dentro de la distribución muestral:

- La zona de aceptación: intervalo de valores del estadístico para los que aceptamos la
hipótesis nula
- La zona de rechazo: intervalo de valores del estadístico para los que rechazamos la H0 y
aceptamos la H1

Como criterio general se asume que la zona de rechazo recoge aquellos valores que tienen una
probabilidad menor que .05. Por tanto, si la probabilidad de que el estadístico de contraste
tome el valor hallado en la muestra es menor que .05 (p< .05) rechazamos la hipótesis nula.

Errores:

La aceptación o rechazo de la hipótesis nula es probabilística. Es posible que cometamos un

error:

- Error tipo I (o alfa): la zona de rechazo no recoge valores imposibles, sino valores
altamente improbables (p<.05). Por tanto, existe una pequeña posibilidad de que
rechacemos la hipótesis nula siendo verdadera
- Error tipo II (o beta): la zona de aceptación recoge valores que son muy probables
siendo verdadera H0, pero que también son posibles siendo verdadera la H1. Por
tanto, también podemos equivocarnos aceptando la hipótesis nula y que sea falsa

VIDEOPÍLDORA 3: DISEÑOS
Vamos a ver cómo clasificamos los diseños experimentales con los que vamos a trabajar

La variable independiente (VI) (tratamiento) es la que cambia o es controlada para observar

sus efectos sobre la variable dependiente (VD) (depresión)

Dependiendo del número de variables independientes, vamos a tener un tipo de diseño u otro:

- Una muestra: no existe una variable independiente, solo queremos ver qué pasa con
una variable. Ej: cuál es el CI de los españoles
- Unifactoriales: solo hay una VI
o Dos muestras: si hay diferencias de CI (VD) entre hombres y mujeres (VI es
género)
o Más de dos muestras: si hay diferencias de CI entre los 4 cursos de psicología
(VI es curso)
- Factoriales: dos o más VIs. Ej: si hay diferencias de CI según el género y el curso

Dependiendo del tipo de muestra, también se distinguen varios diseños:

- Sujetos diferentes: grupos aleatorios o muestras independientes. EJ: comparar si hay

diferencias entre cursos
- Mismos sujetos o muestras relacionadas: diseños intrasujetos o medidas repetidas. Los
sujetos son los mismos y mido una variable a lo largo del tiempo. EJ: ver si funciona un
tratamiento midiendo la variable antes y después

Según esta clasificación, encontramos diferentes tipos de contraste de hipótesis:

1. Sobre una media: ver cómo se comporta una variable

2. Dos medias: comparamos dos medias de los dos niveles de una VI. Ej: diferencias de Ci
entre hombres y mujeres
a. Muestras independientes
b. Muestras relacionadas (o repetidas)
3. ANOVA de un factor: comparar diferencias entre más de dos niveles de una variable
independiente. EJ: grupo placebo, tto psicológico y tto farmacológico.
a. Muestras independientes: distintos grupos
b. Muestras relacionadas: a una misma persona antes, durante y a los 4 meses de
tto
4. ANOVA de dos factores: dos VIs
a. Muestras independientes
b. Muestras relacionadas
c. Mixto: una independiente y otra relacionada

Ejemplos:

1. Sobre una media:

Queremos conocer si la media de extraversión en un centro de mayores de Madrid se
corresponde con el valor poblacional que es 20,45
Hipótesis:
H0: µ = 20,45
H1: µ ≠ 20,45

2. Dos medias
Medidas independientes o completamente aleatorizadas:
 Queremos conocer si el nivel de burnout entre los trabajadores difiere según el cargo
que ocupan. Para ello, vamos a comparar a los líderes con los subordinados.

Hay una VI o factor (posición laboral) con dos niveles (líderes y subordinados) y una VD
(nivel de burnout).

Hipótesis:

H0: µ líderes = µ subordinados

H1: µ líderes ≠ µ subordinados

Medidas relacionadas o repetidas:

Se quiere comprobar la eficacia de un tratamiento de burnout. Para ello, se miden a

los enfermeros las dimensiones de burnout en dos ocasiones, antes y después del
tratamiento, teniendo en cuenta los datos de despersonalización antes y después del
tratamiento, queremos saber si el tratamiento ha sido eficaz.

Hipótesis:

H0: µ pre ≥ µ post

H1: µ pre < µ post

3. ANOVA unifactorial

Medidas independientes o completamente aleatorizadas

Queremos conocer si el nivel de burnout entre los trabajadores difiere según el cargo
que ocupan. Para ello, vamos a comparar a cargos bajos, medios y altos.

Hipótesis: OJO!!!

H0: µ bajos = µ medios = µ altos

H1A: µ bajos ≠ µ medios = µ altos Para no poner todo esto, se pone:
H1B: µ bajos = µ medios ≠ µ altos H1: existen diferencias entre al
H1C: µ bajos ≠ altos = µ medios menos dos grupos
H1D: µ bajos ≠ µ medios ≠ µ altos

Medidas relacionadas o repetidas

Se quiere comprobar la eficacia de un tratamiento de burnout. Para ello, se miden a

los enfermeros antes, durante y después de 4 meses.

H0: µ antes = µ durante = µ después

H1: existen diferencias entre al menos dos grupos

4. ANOVA bifactorial
 Medidas independientes o completamente aleatorizadas:

Queremos conocer si el nivel de burnout entre los trabajadores difiere según el cargo y
el género. Para ello, vamos a comparar el nivel de burnout entre los lideres hombre y
mujeres con el nivel de burnout de los subordinados hombres y mujeres. Comparamos
cuatro grupos.

Medidas relacionadas o repetidas:

Queremos comprobar si difieren las tasas de recuerdo entre letras y números a lo

largo del tiempo. Para ello, tendremos un factor tiempo (hora, día, semana y mes) y un
factor contenido (números y letras). Todos los sujetos pasarán por todas las
condiciones experimentales. Es decir, se evaluará su recuerdo de números y letras
después de una hora, un día, una semana y un mes.

Mixto:

Queremos comprobar la calidad del recuerdo al intentar evocar un texto previamente

aprendido a través de diferentes estrategias de recuerdo. Para ello, tendremos dos
factores, uno de ellos será inter-sujetos (cada uno utiliza una estrategias de memoria)
con tres niveles (reconocimiento, recuerdo asistido y recuerdo libre) y un factor intra-
sujeto (tiempo) con cuatro niveles (todos lo hacen a la hora, día, semana y mes)

VIDEOPÍLDORA 4: CONTRASTE DE HIPÓTESIS SOBRE LA MEDIA

Uno de los contrastes más comunes en psicología tiene que ver con el nivel medio de una
variable para una población concreta. Ej: queremos saber si nivel medio de depresión en
población adolescente es alto (>3)

Para contrastar las hipótesis seguimos los pasos descritos anteriormente:

1. Transformamos la hipótesis científica en estadística : seleccionando una propiedad de

la distribución poblacional relevante para la hipótesis. En este caso la media
poblacional en depresión para adolescentes
H0: la media poblacional en depresión será de 3 o menos H0: µ ≤ 3
H1: la media poblacional en depresión será mayor que 3 H1: µ > 3
2. Seleccionar un estadístico de contraste: la media de la depresión en la muestra ofrece
información relevante (es un buen estimador) sobre la media poblacional. Sabemos
que la distribución muestral de la media se ajusta a la normal
3. Establecemos una regla de decisión: si el valor de la media muestral toma un valor y
cualquiera superior a él tiene una probabilidad menor de .05, rechazamos la H0.

Ejemplo en SPSS:

Queremos ver el nivel de depresión en una muestra de trabajadores para poner en marcha un
programa de apoyo o no.

H0: µ ≤ 3
H1: µ > 3

En la primera tabla, vemos que la media es mayor que tres, pero no sabemos si es lo
suficientemente alta como para poder afirmar que es fruto del azar o no. Tenemos que
encontrar valores para rechazar la H0 que sean poco probables. En la siguiente tabla podemos
ver la diferencia entre las medias (3,3773 -3). La t sería el estadístico de contraste, al cual se le
asigna una probabilidad de .000 (sig. bilateral). Esta probabilidad es inferior a alfa .05 (p<α),
por lo que rechazamos la hipótesis nula y aceptamos la alternativa.

Contraste de hipótesis sobre dos medias independientes

¿Difieren los dos grupos significativamente en la variable analizada?

Ejemplo: tenemos la sospecha de que existen diferencias significativas en el nivel de ingresos

personales en función del género. Para ello, compararemos la media de ingresos personales de
hombres y mujeres.

1. Transformamos la hipótesis científica en estadística

H0: µ hombres = µ mujeres

H1: µ hombres ≠ µ mujeres

2. Comprobamos si se cumplen los supuestos (asumir o no varianzas iguales)

3. Seleccionamos un estadístico de contraste
4. Establecemos una regla de decisión (.05)

En la primera tabla encontramos estadísticos descriptivos que no nos sirven para tomar
decisiones, pero nos sirven para orientarnos.

En la segunda tabla, tenemos que fijarnos en donde pone prueba de Levene de igualdad de
varianzas. Vemos que el estadístico tiene una probabilidad menor que .05, por lo que
rechazamos la hipótesis de igualdad de varianzas y al rechazarla nos tenemos que fijar en la
parte de la tabla donde pone que no se asumen varianzas iguales (si hubiera sido mayor que .
05 nos fijaríamos en la fila superior).

Ya podemos centrarnos en la prueba t de igualdad de medias. La significación en este caso es

mayor que .05, por lo que aceptamos la H0: no podemos decir que el nivel de ingresos entre
hombres y mujeres sea diferente, no tenemos evidencia suficiente.
Contraste de hipótesis sobre dos medias relacionadas

Queremos comprobar si en una muestra con sintomatología depresiva ha bajado el nivel de

depresión después del tratamiento.

1. Transformamos la hipótesis científica en estadística

H0: µ pre ≤ µ post
H1: µ pre > µ post
2. Asumimos que se cumplen los supuestos (porque es la misma muestra)
3. Seleccionamos un estadístico de contraste
4. Establecemos una regla de decisión (.05)

Miramos la segunda tabla, la sig. bilateral es <.05, por lo que rechazamos la hipótesis nula.

VIDEOPÍLDORA 5: ANOVA

La prueba t solo nos permite comparar dos medias (la media de la muestra – la media de la
población) y trabaja con una sola VI con dos niveles y una VD.

Para los ANOVA, se utiliza el estadístico de contraste F (aunque el número de F no nos va a

aportar información, lo importante es su nivel crítico o nivel de significación o p-valor)

En este caso, con el análisis de varianza o ANOVA podemos contrastar hipótesis sobre
diferencias de medias de más de dos muestras independientes a la vez (comparamos varias
medias). También podemos analizar la influencia de más de una VI sobre una VD (ANOVA
bifactorial).

Ejemplo: queremos comprobar si la medida de Cansancio Emocional depende del estado civil
de los sujetos (casados, solteros y divorciados)

1. Transformamos la hipótesis científica en estadística

H0: el nivel medio de cansancio emocional no depende del estado civil: µ casados = µ
solteros = µ divorciados
H1: no todas las µ son iguales, hay al menos una que difiere de al menos otra
 2. Asumimos que se cumplen los supuestos (independencia, normalidad y
homocedasticidad). En la ECOE no tenemos que preocuparnos por esto, damos por
hecho que se cumple
3. Seleccionamos un estadístico de contraste
4. Establecemos una regla de decisión (.05):
a. Si rechazamos H0 debemos concluir que no todas las medias poblacionales son
iguales; no sabemos qué medias difieren entre sí, pero sabemos que hay al
menos una que difiere de al menos otra.
b. Si la variable independiente o factor ha sido controlada (manipulada) por el
investigador, podemos ir más allá en nuestra conclusión: podemos afirmar, si
rechazamos H0, que las diferencias encontradas entre los niveles de la variable
dependiente se deben a la variable independiente
c. Para saber entre qué grupos hay diferencias, tendremos que recurrir a las
pruebas post hoc.

Como podemos ver en la tabla, en la casilla de Sig. p<.05., rechazamos la H0, hay diferencias
entre al menos dos grupos. En la ECOE podemos encontrarnos la tabla o simplemente el valor
de F y de p, en cualquier caso, solo tenemos que fijarnos en que p sea mayor o menor que .05.

Cuando el ANOVA nos sale significativo, tenemos que ver entre qué grupos existen diferencias
a través de las pruebas post hoc que comparan cada grupo con cada grupo. Otra vez,
únicamente nos tenemos que fijar en Sig. y vemos que solo hay diferencias entre soltero y
casado.

Ahora, una vez que sabemos entre qué grupos hay diferencias, podemos mirar la columna de
diferencia de medias para saber qué grupo tiene más cansancio emocional. Si el signo de la
diferencia es positivo, quiere decir que los solteros tienen más cansancio emocional que los
casados; si fuera negativo, serían los casados los que tendrían más cansancio emocional

Dato curioso: ha dicho que esto es super importante y en el segundo simulacro solo hemos
hecho ejercicios de estos