Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de investigación en educación
ISBN :
: de 2012
ÍNDICE
UNIDAD DIDÁCTICA I
Presentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Tema 1. CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS.
INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA.
MÉTODOS CUANTITATIVOS Y CUALITATIVOS . . . . . . . . . . . . . . . . . 19
Presentacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.1. La investigación como procedimiento para obtener
conocimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2. Conocimiento científico y no científico . . . . . . . . . . . . . . . . . . 24
2. La educación como objeto de conocimiento . . . . . . . . . . . . . . . . . . 27
2.1. El método general de la ciencia . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2. La Educación como objeto de conocimiento . . . . . . . . . . . . . . 31
3. El problema de los paradigmas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1. Concepto de paradigma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2. Caracterización de los paradigmas . . . . . . . . . . . . . . . . . . . . . . 38
3.3. Valoración de los paradigmas . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4. Situación actual del debate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4. Concluyendo: nuestra posición sobre el tema . . . . . . . . . . . . . . . . . 47
4.1. Naturaleza y complejidad del acto educativo . . . . . . . . . . . . . 48
4.2. Complejidad de los procesos educativos . . . . . . . . . . . . . . . . . 50
4.3. La respuesta metodológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7
MÉTODO Y DISEÑO DE INVESTIGACIÓN EN EDUCACIÓN
UNIDAD DIDÁCTICA II
8
ÍNDICE
9
MÉTODO Y DISEÑO DE INVESTIGACIÓN EN EDUCACIÓN
10
ÍNDICE
11
MÉTODO Y DISEÑO DE INVESTIGACIÓN EN EDUCACIÓN
12
ÍNDICE
Presentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455
1. Los fundamentos de la metodología cualitativa de investigación . . 456
1.1 Su esencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 457
1.2. Notas que permiten conocer cómo ha sido su construcción
histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 458
2. La metodología cualitativa de investigación y sus características . . 460
2.1 Aportaciones y limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 467
3. El proceso que sigue la investigación cualitativa . . . . . . . . . . . . . . . 469
3.1. Propuesta inicial de partida . . . . . . . . . . . . . . . . . . . . . . . . . . . 472
3.2. Trabajo de campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
3.3. Análisis e interpretación de datos cualitativos . . . . . . . . . . . . . 478
3.4. Elaboración del informe y líneas de acción . . . . . . . . . . . . . . . 480
4. Los métodos de investigación cualitativa en la educación . . . . . . . 481
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 486
13
MÉTODO Y DISEÑO DE INVESTIGACIÓN EN EDUCACIÓN
GLOSARIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 529
BIBLIOGRAFÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 559
14
PRESENTACIÓN
15
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
16
UNIDAD DIDÁCTICA I
Presentación
1. Introducción
1.1. La investigación como procedimiento para obtener conocimiento
1.2. Conocimiento científico y no científico
Resumen
19
PRESENTACIÓN
21
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
1
PATTON, M.Q. (1978). Utilization-Focused Evaluation. Beverly Hills: Sage, p. 203. A Patton se debe
una obra, Qualitative Evaluation Methods, publicada en 1980 en Beverly Hills por Sage, origen de
muchos trabajos sobre planteamientos metodológicos cualitativos.
2
COOK, T.D. y REICHARDT (1986). Métodos cualitativos y cuantitativos en investigación evaluativa.
Madrid: Morata, p. 39.
22
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
1. INTRODUCCIÓN
3
Tal es la definición que, como nos recuerda T. Husén en una ponencia a la que más adelante nos
referiremos, da de Educación la International Encyclopaedia of Education: Research and Studies.
23
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«Investigar es buscar de nuevo, echar otra mirada más cuidadosa para averi-
guar más. Echamos otra mirada porque puede haber algo erróneo en lo que ya
sabemos [...]
La actitud investigadora presupone que la primera mirada —y las posterio-
res— pueden ser propensas a error, y por ello tenemos que mirar una y otra vez,
de forma diferente y completa cada vez.»
4
SELLTIZ, C. y otros (1976). Métodos de investigación en las relaciones sociales. Madrid: Rialp, p. 17.
24
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
pautas propias del hacer científico, lo que, sin duda, redundará en una
mayor eficacia de su hacer profesional. Por tanto, ni la actitud de rigor
inquisitivo ni el propio proceder indagador son la clave de la investigación
científica, aunque todas ellas sean necesarias. Lo que es preciso es que acti-
tud y proceder, o si se prefiere sólo el proceder —porque ya implica la acti-
tud— se pongan al servicio de objetivos científicos.
En el avance hacia el conocimiento científico no se da una total discon-
tinuidad con el proporcionado por el denominado sentido común. De
hecho, no cabe un conocimiento científico a partir de la nada; son la expe-
riencia propia y ajena y el sentido común los que pueden sugerir proble-
mas, procedimientos y hasta soluciones. La ciencia, después, mediante la
aplicación de un procedimiento riguroso puesto al servicio de cuestiones
destacadas y relevantes, confirmará, modificará o rechazará las intuiciones
de la experiencia y del sentido común5.
En esa línea se manifiesta Mario Bunge6, doctor en Ciencias Físico—
Matemáticas, filósofo de la Ciencia y Premio «Príncipe de Asturias» de
Humanidades, cuando afirma:
5
Debemos indicar, no obstante, los riesgos del denominado sentido común. Kerlinger (en Investi-
gación del comportamiento. Técnicas y metodología, en su edición de 1981 por Iberoamericana, p. 2),
recoge la opinión de Whitehead en el sentido de que es un mal maestro, dado que «Su único criterio
para juzgar es que las nuevas ideas han de asemejarse a las antiguas».
6
BUNGE, M. (1979). La investigación científica. Barcelona: Ariel, p. 22.
7
BUNGE, M. (1981). La ciencia: su método y su filosofía. Buenos Aires: Ediciones Siglo Veinte, p. 9.
25
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
8
En una de sus más grandes obras, La investigación científica, editada en Barcelona por Ariel en 1979
(6.ª ed.) llama a las primeras ciencia pura, siendo su objetivo primordial el incremento de nuestro conoci-
26
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
Pues bien, tomando estas ideas como punto de partida, nuestra refle-
xión se va a centrar en cuatro grandes aspectos: a) estudiaremos el método
científico y sus implicaciones para la investigación científica; b) trataremos
de analizar lo que representa el objeto de nuestra atención, la educación,
como campo para la ciencia y, en consecuencia, para la investigación cien-
tífica; c) plantearemos el debate sobre los paradigmas desde la perspectiva
anterior; y d) haremos una propuesta propia, a modo de conclusión, en
torno a la investigación sobre Educación.
miento (objetivo intrínseco o cognitivo) , y a las segundas ciencia aplicada, cuyo objetivo es el de aumentar
nuestro bienestar y nuestro poder (objetivos extrínsecos o utilitarios), denominando a éstas tecnologías. En
ambos textos hace mención de una distinción de otra naturaleza, la que se basa en el objeto de las discipli-
nas y tipo de enunciados, que da lugar a las ciencias formales, como la Lógica y la Matemática (estudian
ideas) y las factuales, como la Física, la Química, la Biología, la Economía, la Sociología..., que estudian
hechos.
9
Bunge señala que las ciencias formales —la Lógica y la Matemática— dan lugar a enunciados que
consisten en relaciones entre signos, mientras las factuales —caso de la Física, la Química o la Econo-
mía— producen enunciados referidos, en la mayoría de las ocasiones, a sucesos o procesos. (La cien-
cia..., p. 11).
10
DEWEY, JH. (1933). How we Thing. Heath, pp. 106-118.
27
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«El hombre se da cuenta de que está ante una situación para la que no tiene
una respuesta satisfactoria, una solución adecuada (un problema).
Busca soluciones a tal situación o problema.
Analiza cuál de ellas es la que puede ser considerada, a priori, como la mejor,
la más adecuada, y la plantea como hipótesis.
Deduce las consecuencias que deberían darse si tal solución fuera la correcta.
Somete la hipótesis a contraste, tratando de apreciar si, en efecto, se dan tales
consecuencias esperadas.»
28
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
11
La investigación científica, pp. 25-26.
12
En La Ciencia, su método y su filosofía, rechaza la posición de Bridgman, para quien «la ciencia es
lo que hacen los científicos y hay tantos métodos científicos como ciencia»; pero también se muestra con-
trario a posiciones como las de Bacon o Descartes, que tienen una gran fe en el respeto a las reglas.
29
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
13
Comprenderemos la dificultad con sólo analizar el concepto de investigación científica ofrecido
por Kerlinger en su citada obra: «La investigación científica es una investigación sistemática, controlada,
empírica y crítica, de proposiciones hipotéticas sobre supuestas relaciones que existen entre fenómenos
naturales» (p. 7). En línea con lo anterior plantea que «el objetivo fundamental de la ciencia e la teoría.
Dicho en un lenguaje menos críptico, su finalidad consiste en explicar los fenómenos naturales. Tales expli-
caciones reciben el nombre de teorías.» (p. 6).
30
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
Dos son los problemas que hemos de abordar en este punto: el primero,
si la educación, como el resto de los ámbitos del saber sobre el ser humano,
debe ser estudiada del mismo modo que los saberes sobre las cosas e, inclu-
so, sobre los seres vivos no racionales; el segundo, si la educación es un
ámbito disciplinar homogéneo o, por el contrario, carece de tal carácter.
2.2.1. Las Ciencias humanas o sociales como ámbito u objeto del saber
14
El concepto de explicación debe entenderse en el sentido de encontrar enunciados generales que
permitan dar una respuesta a un conjunto de fenómenos. Para Jaspers, la explicación tiene por objeto
establecer las causas de los fenómenos, por lo que la considera como una meta propia de las Ciencias
31
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
de la Naturaleza. Vid. FREUND, J. (1975). Las teorías de las ciencias humanas. Barcelona: Ediciones
Península, págs. 119 s. En la misma línea se manifiesta Russell Hanson en Patrones de descubrimiento.
Observación y explicación, editado en 1977 por Alianza Universidad. En su pág. 35 afirma: «Las expli-
caciones causales son importantes para nosotros. Existen, por supuesto, otros muchos modos de hacer
comprensibles los fenómenos».
15
Cuando se habla de comprensión en el contexto de las metas de la investigación debemos enten-
der «la captación de las relaciones internas y profundas a través de la penetración en su intimidad, respe-
tando la originalidad y la indivisibilidad de los fenómenos», palabras que pone Freund, en su citada obra
y lugar, en boca de Jaspers. Y añade: «en lugar de parcelar lo real, como hace la explicación, la compren-
sión respeta su totalidad vivida. Los resultados a los que llega no son, en general, directamente verificables
por la experiencia, pero se nos imponen por la evidencia».
16
Véase al respecto los planteamientos de I.C. Jarvie: «Es fácil que se produzcan problemas de
explicación y de comprensión, quizá porque las palabras usuales `explicación´ y `comprensión´ se utili-
zan casi indistintamente. Sin embargo, en filosofía de la ciencia podemos ser claros mediante la adop-
ción de una precisión deductiva de la primera. Sea la comprensión lo que sea, la explicación es el pro-
ceso que consiste en deducir un enunciado a partir de otros, de acuerdo con algunos requisitos tanto
formales como materiales». Vid. JARVIE. I.C. (1982). Comprensión y explicación en Sociología y en
Antropología social. En N. CHOMSKY y otros: La explicación en las ciencias de la conducta. Madrid:
Alianza Universidad, pp. 159-181.
17
Vid. MARTÍNEZ MIGUÉLEZ, M. (2002) La Etnometodología y el Interaccionismo Simbólico. Sus
aspectos metodológicos específicos. En Heterotopia (2), n. 21, pp. 9-21. Consultar en
http://prof.usb.ve/miguelm/laetnometodologia.html
32
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
18
No olvidemos que, en educación, es frecuente utilizar la expresión «ciencias de la Educación».
19
Una voz autorizada en este aspecto es la de William James, quien, refiriéndose a la posibilidad
de obtener aplicaciones prácticas directas desde la ciencia psicológica a las aulas, lo califica de un
«enorme error» ya que «La Psicología es una ciencia y enseñar es un arte». «Una mente inventiva inter-
media ha de realizar la aplicación, utilizando su originalidad».
20
SHULMAN, L.S. (1981). Disciplines of inquiry in education: An overview. En Educational Research,
10, 6.
21
HESHUSIUS, L. y SMITH, J. (1986). Closing down the conversation: The end of the quantitative-qual-
itative debate among educational inquiries. En Educational Researcher, 15, 1.
33
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
22
COLOM, A. y cols. (1986). Tecnología y Educación. Barcelona: CEAC.
23
Para algunos, lo más difícil para que el estudio de la Educación se pueda considerar ciencia es la
posibilidad de llegar a leyes generales. Sin embargo, hay autores que ofrecen salidas a considerar. Por
ejemplo, M. Sherwood (The logic of Explanation in Psychoanalysis. Academic Press, 1969), a la que nos
referiremos más adelante.
34
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
serlo la Medicina; ni una ni otra, por poner dos ejemplos, constituyen una
disciplina unitaria, homogénea en sus planteamientos, sino que se benefician
de las aportaciones de otras disciplinas que, a tales efectos, se constituyen en
ciencias básicas de estos campos de naturaleza aplicada.
Por otra parte, nos adherimos a los planteamientos del profesor De
Miguel cuando, al caracterizar la Educación, hace referencia a la convenien-
cia de que la investigación no represente una realidad apartada de la vida dia-
ria de las instituciones educativas, lugar donde se llevan a cabo los procesos
educativos. Si unas personas investigan con toda la sofistificación propia del
método científico, pero lo hacen sobre problemas que no conectan con los
que día a día afrontan los educadores en su práctica ordinaria, los resultados
de la investigación no servirán, no serán útiles para alcanzar el elemento
nuclear de la acción educativa: el cambio perfectivo de las personas que son
los educandos. Por ello, parece aconsejable intentar la conexión entre teoría
y práctica, y una investigación en que participen los profesores puede con-
vertirse en uno de los medios más adecuados para lograrlo24.
En esa línea podemos acudir a las aportaciones de Hoyle, recogidas
por L. Stenhouse25, al distinguir entre el profesional restringido y el pro-
fesional amplio; si el primero presenta un elevado nivel de competencia
en el aula, sabe comprender y tratar al niño, se siente satisfecho en sus
relaciones con los alumnos, evalúa de acuerdo con sus percepciones y
asiste a cursillos de índole práctica, al segundo le reconocen las siguien-
tes características:
24
La profesora M. Bartolomé propone la «investigación colaborativa» como un medio justamente
para promover la innovación en la Universidad. Vid. BARTOLOMÉ, M. y ANGUERA, T. (1990). La investiga-
ción cooperativa: vía para la innovación en la Universidad. Barcelona: PPU
25
STENHOUSE, L. (1984). Investigación y desarrollo del currículum, Madrid: Morata, pp. 195-197.
35
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
26
GAGE, N. L. (1963). Paradigms for research on teaching. En N. L. GAGE (Edit.): Handbook of
research on teaching. Chicago: Rand McNally, p. 95.
27
SHULMAN, L. S. (1989). Paradigmas y programas de investigación en el estudio de la enseñanza:
una perspectiva contemporánea. En M.C. WITTROCK (Edit.): La investigación de la enseñanza. I: Enfo-
ques, teorías y métodos. Barcelona: Paidós, p. 13.
36
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
Pues bien, a juicio de Th. Kuhn, «lo que distingue a las ciencias sociales
de las naturales es la ausencia misma de un paradigma dominante único»
(p. 14). Es más, para Kuhn las ciencias sociales son «preparadigmáticas» en
su desarrollo. Ahora bien, para Shulman este hecho no debe interpretarse
como una debilidad en el desarrollo de estas ciencias; antes al contrario, «es
mucho más posible que para las ciencias sociales y de la educación la coexis-
tencia de escuelas divergentes de pensamiento sea un estado natural y bas-
tante maduro», llegándose a apoyar en Merton28 para quien
28
MERTON, R.K. (1975). Structural analysis in sociology. En P. BLAU (Edit.): Approaches to the study
of social structure. New York: The Free Press, p. 28.
29
Como se puede apreciar, el paradigma presenta connotaciones cuasi revolucionarias; de hecho,
sus mayores defensores se dan entre los educadores que trabajan en sectores marginales y marginados
de la sociedad. Sin embargo, para muchos este paradigma mezcla la Política con la Educación: mien-
tras aquella debe orientarse a crear las condiciones de justicia social y de dignificación de las condicio-
nes de vida y cultura de la Humanidad, ésta debe centrar su actuación en el mejoramiento de la perso-
na, en su plenificación, tratando de que lleguen a convertirse en realidad todas sus potencialidades.
37
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Aboga por el empleo de los métodos cualitativos. Aboga por el empleo de los métodos cuantitativos.
Fenomenologismo y verstehen (comprensión) «inte- Positivismo lógico: «busca los hechos o causas de
resado en comprender la conducta humana desde el los fenómenos sociales, prestando escasa atención
propio marco de referencia de quien actúa» 31 a los estados subjetivos de los individuos»
Observación naturalista y sin control. Medición penetrante y controlada.
Subjetivo Objetivo
Próximo a los datos; perspectiva «desde dentro» Al margen de los datos: perspectiva «desde fuera».
Fundamentado en la realidad, orientado a los des- No fundamentado en la realidad, orientado a la
cubrimientos, exploratorio, expansionista, des- comprobación, confirmatorio, reduccionista, infe-
criptivo e inductivo. rencial e hipotético-deductivo.
Orientado al proceso. Orientado al resultado
Válido: datos «reales», «ricos» y «profundos» Fiable: datos «sólidos» y repetibles
No generalizable: estudios de casos aislados Generalizable: estudios de casos múltiples
Holista Particularista
Asume una realidad dinámica Asume una realidad estable
30
COOK, T. D. y REICHART, CH. S. (1.986). Métodos cualitativos y cuantitativos en la investigación eva-
luativa. Madrid: Morata, p. 29.
31
Citas de BOGDAN, R. y TAYLOR, S. (1975). Introduction to Qualitative Research Methods, New York:
John Wiley
38
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
Por su parte, diversos autores, entre los que deben destacar a Lincoln y
Guba32 analizan las diferencias entre los tres paradigmas, los dos anteriores
y el crítico, en torno a seis grandes cuestiones:
32
GUBA, E. (1983). The context of emergent paradigm research. Kansas: University Press. LINCOLN, Y.
y GUBA, E. (1985). Naturalistic inquiry. San Francisco: Jossey-Bass.
33
DE MIGUEL, M. (1988). Paradigmas de la investigación educativa española. En I. DENDALUCE
(Coord.): Aspectos metodológicos de la investigación educativa. Madrid: Narcea — II Congreso Mundial
Vasco, pp. 60-77.
39
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
A partir de este punto nos situamos ante la siguiente cuestión: ¿son irre-
conciliables los paradigmas? ¿Cabe pensar en su complementariedad? Y,
para nuestros propósitos, la cuestión tal vez más importante: al margen de
la respuesta que se dé ¿cabe hablar de compatibilidad y de complementa-
riedad de metodología y métodos?
40
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
SUPUESTO ONTOLÓGICO:
El realismo supone aceptar que existe una realidad independiente del observador; la verdad consis-
te en la representación fiel de tal realidad.
El relativismo acepta que existen realidades diferentes socialmente construidas; la verdad es una reali-
dad construida de forma consensuada.
SUPUESTO EPISTEMOLÓGICO:
El objetivismo asume que se puede conocer la realidad con independencia del observador. La adecuada
realización de la observación es una garantía para alcanzar el conocimiento objetivo.
El subjetivismo plantea que el resultado de la investigación no es sino una creación debida a la relación
entre el observador y la realidad observada.
SUPUESTO METODOLÓGICO:
34
GUBA, E. (1987). What have we learned about naturalistic evaluation? En Evaluation Practice, 8,
23-44.
41
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
35
Sin embargo, como tendremos ocasión de apreciar, hay autores que plantean entre las finalida-
des de los métodos cualitativos la de validar teorías. Entiéndase, por tanto, lo anterior, como uno de los
elementos importantes de diferenciación pero no como una línea dicotómica de división nítida, algo que
avalaría nuestra posición de compatibilidad.
36
Y forzoso es reconocer que esta cuestión, que representa una posición filosófica, es argumenta-
ble pero en modo alguno demostrable.
42
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
Cook y Reichardt, tras someter a análisis todos y cada uno de los atri-
butos de los paradigmas recogidos en el cuadro 1.1, concluyen:
43
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«Yo quisiera destacar aquí que los objetivos de la investigación son los que
determinan qué métodos serán más provechosos.
La afirmación anteriormente realizada parece más que evidente: la estrategia
o el paradigma que se adopte depende en gran medida del objetivo que uno se pro-
pone en la investigación que se emprende. Si la finalidad consiste en comprobar el
nivel de competencia logrado, por ejemplo, en Matemáticas..., el método de
encuesta, cuantitativamente orientado, deberá ser evidentemente el elegido. [...]
Pero un método así no nos puede revelar cómo las sutilezas pedagógicas que cons-
tituyen la infraestructura de la instrucción originan un determinado nivel de com-
petencia.» (T. Husén) 37
37
HUSÉN, T. (1988). Paradigmas de la investigación en Educación. En I. DENDALUCE (Coord.):
Aspectos metodológicos de la investigación educativa. Madrid: Narcea — II Congreso Mundial Vasco,
pp. 46-59.
44
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
«El estudio cuantitativo ofrece con más precisión la magnitud de las relacio-
nes. Es posible decir claramente que el 61 % de la varianza en el rendimiento se
puede explicar. El estudio cualitativo concluye en afirmaciones `más ambiguas´
pero con mayor atención a la influencia y al sentido de los distintos factores que
inciden en una determinada actuación pedagógica.»41
38
La presente afirmación, además de resaltar la necesidad de acudir a diversos enfoques paradig-
máticos, introduce un nuevo elemento importante: la referente a la necesidad de participación de los
profesores como un elemento para romper la tradicional división entre teoría y práctica, que, con fre-
cuencia, conduce a la falta de fertilidad de la investigación por no aplicarse a la mejora de lo que ocu-
rre en los ámbitos educativos, sea la familia, el aula o el centro educativo.
39
El Tratado de Educación Personalizada, integrado por 33 volúmenes y publicado a lo largo de más
de una década (desde mediados de los 80 hasta más allá de mediados de los 90).
40
GARCÍA HOZ, V. (1994). Problemas y métodos de investigación en Educación Personalizada. Vol. 5
del Tratado de Educación Personalizada. Madrid: Rialp, p. 27.
41
FIRESTONE, W. A. (1987). Meaning in Method: The retoric of Qualitative and Quantitative research.
En Educational Researcher, october, pp. 16-81.
45
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
42
SMITH, J. K. y HESHUSIUS, L. (1986): Closing down the conversation: The end of the quantitative-
qualitative debate among educational inquiries. En Educational Researcher, 15, 1, pp. 4-12. Citado por
T. HUSÉN, obra citada, p. 52.
46
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
En esta línea se hallarían las reacciones críticas que se han dado desde
dentro de los enfoques cuantitativos, que han originado las propuestas
situadas en el contexto del post-positivismo, y que han conducido, en el
marco de la investigación evaluativa, a hablar de multiplismo frente al sim-
plismo metodológico. Los componentes fundamentales del multiplismo,
propuestos por Cook en su aportación a la obra de Shotland y Marck43 se
recogen a continuación (Cuadro 1.4):
43
COOK, T.D. (1985). Postposivist Critical Multiplims. En L. SHOTLAND y M.M. MARCK (Edits.): Social
Science and Social Policy. Beverly Hills: Sage Pub.
47
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
48
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
44
El profesor G. Vázquez Gómez, en el prólogo a la edición española del libro de D. Fox, El pro-
ceso de investigación en educación, editado en Pamplona por EUNSA en 1981, manifiesta: «Fruto de
esta perspectiva histórica, reconocemos que el método experimental constituye hoy una posibilidad lími-
te para nosotros. [...] Ahora, ya podemos reconocer con Kerlinger, no sólo que una buena parte de los
estudios más valiosos en el área pedagógica son del tipo ex-post-facto (cuasi-experimentales) sino
incluso que esta modalidad de investigación es particularmente adecuada a la naturaleza del proceso
educativo» (p. 16).
49
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«No hay razón alguna para que no aprendamos de generalizaciones sobre la natu-
raleza humana. Pero debemos tener en cuenta los conceptos y los métodos que nos capa-
citan para comprender la individualidad configurada. [...] Para el desarrollo de la cien-
cia de la psicología de la personalidad debemos utilizar todos los métodos de estudio.»
45
ALLPORT, G. (1975). La personalidad. Su configuración y desarrollo. Barcelona: Herder, p. 29 ss.
50
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
46
CAMPBELL, D.T. (1986). «Grados de libertad» y el estudio de casos. En T.D. COOK y CH.S. REI-
CHARDT: Métodos cualitativos y cuantitativos en investigación evaluativa. Madrid: Morata, pp. 80-104.
51
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
52
CIENCIA Y MÉTODO. PARADIGMAS Y METODOLOGÍAS. INVESTIGACIÓN CIENTÍFICA E INVESTIGACIÓN EMPÍRICA. MÉTODOS CUANTITATIVOS Y CUALITATIVOS
RESUMEN
53
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
48
Recomendamos al respecto las reflexiones del autor en la Introducción (pp. 13-16) en relación
con las organizaciones educativas: PÉREZ JUSTE, R. (coord.) (2005) Calidad en educación, calidad de la
Educación. Madrid: AEC.
54
Tema 2
La investigación científico-empírica en educación.
El proceso y la lógica de la investigación científica
Presentación
1. Introducción
1.1. Características del conocimiento científico
1.2. El método y su importancia
2. La investigación científica
6. Repercusiones metodológicas
Resumen
55
PRESENTACIÓN
1. INTRODUCCIÓN
57
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
1
SCRIVEN, M. (1974). Filosofía de la Ciencia. En Enciclopedia Internacional de las Ciencias socia-
les. Madrid: Aguilar, vol. 2 p. 321.
2
ZARAGÜETA, J. (1953). Pedagogía Fundamental. Barcelona: Labor, 2.ª ed.
58
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
3
La comprobabilidad de resultados mediante la repetibilidad de los fenómenos estudiados es reco-
gida como una característica de la ciencia moderna, experimental, por todo tipo de autores; para Gar-
cía Hoz es una de las dos exigencias básicas para hacer de un conocimiento empírico un conocimiento
científico.
4
POPPER, K. R.: o. c., p. 77.
5
KERLINGER, F. N. (1973). Investigación del comportamiento. México: Interamericana, p. 6.
59
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
dad. Los fallos en este punto pueden dar lugar a revoluciones científicas
que permitan alcanzar esa coherencia cuando, como fruto de nuevas apor-
taciones, se encuentra aquello que faltaba.
«La peculiaridad de la ciencia tiene que consistir en el modo como opera para
alcanzar algún objetivo determinado, o sea, en el método científico.»
6
BRUGGER, W.: «Ciencia», en Diccionario de Filosofía, Barcelona: Herder, 1969, 6.8 ed.
7
Vid, (1939) The Philosophy of Physical Science. Cambridge University Press, p. 5.
8
McGUIGAN, F. J. (1976) Psicología experimental. México: Trillas, pp. 14-15.
9
BUNGE, M.: o. c., p. 29.
10
DEWEY, J. (1910): How we Think. Boston: Heath, pp. 106-118. El lector puede encontrar referen-
cias sobre el autor en http://www.educar.org/articulos/JohnDewey.asp.
60
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
2. LA INVESTIGACIÓN CIENTÍFICA
61
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
3.1. El problema
De todos es conocido que siendo el ser humano el que nace más desva-
lido de entre sus congéneres, llega a superarlos con creces hasta el punto de
ser el que domina el mundo. La respuesta puede hallarse en que el hombre
es el único animal capaz de problematizar la realidad, no habiéndose con-
formado en modo alguno con superar las dificultades de la Naturaleza que
limitaban su existencia, sino que pasó a hacerse preguntas que permitieran
no solo la superación en sentido estricto, sino su dominio y utilización,
poniéndola a su servicio aunque, a veces, al precio de destruirla.
Pues bien, si el hombre es el único animal problematizador, el científi-
co se caracteriza por su capacidad para problematizar, para «ver» proble-
mas donde otros no ven nada y, claro está, para intentar su resolución: la
manzana ha estado cayendo de los árboles desde que existe, pero solo New-
ton supo ver en ello un problema.
El problema es el arranque de toda investigación. Pero, ¿qué es un pro-
blema, un problema científico? En sentido amplio, un problema es cual-
62
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
11
Vid. BUNGE, M.: o. c., pp. 212 s.
12
Ibídem, p. 211: ARNAU. J. (1979). Psicología experimental. México: Tril1as.
13
Ibídem, p. 217
14
Vid. KERLINGER, F. N., o. c., pp. 16 s.
63
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«a) puede proponerse una hipótesis relevante como una tentativa de solución para
el mismo; y
b) es posible comprobar dicha hipótesis determinando un grado de probabilidad
para ella.»16
VAN DALEN, D. B. y otros (1979). Manual de técnica de la Investigación Educacional. Buenos Aires:
15
64
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
3.2. La hipótesis
17
Cfr. McGUIGAN, F. J.: o. c. pp. 69 s.; VAN DALEN, D. B. v otro: O. c., pp. 196198; BUNGE, M., C.c.,
pp. 308-316; KERLINGER, F. N., o. c., p. 21, entre otros.
65
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
18
El autor reconoce que los términos demostrar y negar no tienen aquí el significado usual pues
una hipótesis nunca se demuestra o niega. o. c., p. 21.
19
Vid. al respecto la posición concordante de SIDMAN, M. (1978). Tácticas de Investigación científi-
ca. Barcelona: Fontanella, pp. 16-19.20 BUNGE, M.: o. c., p. 281.
21
VAN DALEN. O. B. y otro: o. c. o. 190. ; McGUIGAN, F. N.: o. c., pp. 67 y 70-74; BUNGE, M.: o.c., p. 283
22
O.c., p. 255
66
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
que exige para que una hipótesis pueda ser considerada científica, junto
a su fundamentación y a la corrección formal, y Kerlinger es, asimismo,
definitivo:
23
O. c., p. 26.
24
O. c., 304.
25
Vid. VAN DALEN, D.B. y otro: o. c., pp. 178 s.
26
BUNGE, en o. c., p. 259; el autor lo expresa con mayor detalle y profundidad en pp. 886-896.
67
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
27
A Mendeléyev se debe la ordenación de los elementos en la conocida Tabla periódica o sistema
periódico. Atendiendo a su teoría dejó algunos huecos, manteniendo que serían ocupados por elemen-
tos desconocidos en aquel momento.
28
BUNGE, M.: o. c., pp. 878 s.
68
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
«No hay hipótesis que sea por sí misma contrastable: para que pueda some-
terse a contrastación tiene que poseer consecuencias observacionales, las cuales se
derivan con algún cuerpo de conocimiento que no se discute en la contrastación
misma... Más precisamente: para contrastar una hipótesis tenemos que hacer la
ulterior suposición de que, si la hipótesis es verdadera, serán perceptibles ciertos
hechos, los cuales se considerarán manifestaciones, objetivaciones o índices, de la
situación a que se refiere la hipótesis.»
29
Vid. al respecto la obra de TRAVERS. R. M. W. (1971) Introducción a la investigación educacional,
Buenos Aires: Paidós, pp. 120-144.
30
Una posición crítica a la operacionalización puede encontrarse en Arnau, J., o. c., pp. 140-145, y
en Bunge (o. c., pp. 171-173) que culmina afirmando: «Si las significaciones de los términos científicos
se especificaran exclusivamente a base de operaciones humanas, la ciencia objetiva no existiría».
69
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
otros investigadores o, si se prefiere, para que los demás sepan qué aspec-
tos incluye en la definición y poder comprobar los resultados; pero no bas-
taría con ello porque traducidas las técnicas especificas de estudio por tér-
minos como capacidad para analizar, sintetizar, demostrar...,
probablemente no habría acuerdo en qué es y cómo se miden las capaci-
dades de análisis, síntesis, demostración, etc., por lo que habría que expre-
sarlas en forma de las actividades que deben realizar los alumnos para que
el profesor pueda proceder a su medición; algo similar habría que decir
con el rendimiento, que para unos puede ser medido con pruebas prefe-
rentemente memorísticas, para otros con pruebas que pongan de mani-
fiesto capacidades de estructurar temas en forma personal, de resolver
problemas, de definir con precisión... o tal vez, de una adecuada y ponde-
rada reunión de todos o varios de esos aspectos. Para proseguir, es conve-
niente ahora la traducción a lenguaje estadístico; así podemos presentar la
hipótesis del investigador como
H1: µA > µB
donde µA es la medida aritmética en rendimiento de un grupo con mejo-
res técnicas de estudio y µB la correspondiente a otro que ha puntuado por
debajo de esta última prueba; o bien µB representa el rendimiento medio de
un grupo antes de iniciar el proceso de mejora de sus técnicas específicas
de estudio y µA dicho valor tras el período de mejora.
Así pues, la operativización de las variables, bien entendida, facilita la
prueba de la hipótesis y permite el acuerdo entre observadores, caracterís-
tica científica. Pero veamos qué otros pasos implica la validación, que no
verificación, de la hipótesis.
En primer lugar, se puede afirmar que ninguna hipótesis es válida en
general; en el caso de nuestro profesor se podría afirmar, si los datos empí-
ricos lo permitieran, que, para su clase, su hipótesis habría quedado vali-
dada; si fuéramos más rigurosos, deberíamos, a la vez, ser más precisos:
para sus alumnos, con un profesor como él, con su sistema de enseñanza,
en su asignatura, en un colegio con el sistema de disciplina como el suyo,
con materiales y técnicas como las empleadas por él y los alumnos...; como
se ve entran muchos factores, algunos de los cuales suelen olvidarse.
Sin embargo, hay un punto que siempre se suele tomar en considera-
ción, aunque no siempre en forma correcta por problemas prácticos, sobre
70
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
31
Este planteamiento se hace muy difícil de lograr en la investigación empírica experimental o
cuasi experimental en Educación, donde lo habitual es acudir a centros educativos en los que se selec-
cionan los sujetos que intervendrán en la investigación.
32
Vid. AZORÍN POCH: (1973). Curso de muestreo y aplicaciones, Madrid, Aguilar, 1973; PULIDO SAN
ROMÁN, A. (1978). Estadística y técnicas de investigación social, Madrid, Pirámide, caps. 13 a 15.
71
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
33
Para Claude Bernard (1865, Introduction a l´étude de la medicine experimentale. París: Garnier-
Flammarion) nunca hay experimentos fracasados. Kerlinger (o. c., p. 26) por su parte, afirma que «los
hallazgos negativos son a veces tan importantes como los positivos, porque reducen el universo total de
ignorancia y, en ocasiones, señalan en dirección de otras hipótesis y líneas de investigación científica.
34
O. c., p. 727.
35
O. c., p. 225.
72
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
dor que, junto al rigor del proceso utilizado, darán lugar a resultados fia-
bles o contaminados y, en consecuencia, aceptables o no como prueba para
decidir sobre la aceptación o rechazo de las hipótesis.
Ahora bien, la recogida de datos no da en sí misma ninguna respuesta a
las preguntas planteadas; los datos en sí nada prueban ni nada refutan si no
son analizados y tratados adecuadamente, si no son sometidos al adecuado
análisis.
Entre las operaciones fundamentales a seguir con los datos es preciso
señalar las de depuración, especialmente necesaria en situaciones de trata-
miento mecanizado, para eliminar protocolos en los que se den varias res-
puestas a un mismo ítem o en los que los elementos sin respuesta sean
demasiado elevados, por encima del criterio previamente fijado por el
investigador; la de organización, bien a través de una simple ordenación,
bien por medio de una adecuada categorización36 que desemboque en una
tabla de frecuencias, bien llegando a distribuciones, sistemas todos ellos
que ofrecen una visión de conjunto a la vez que permiten una simplificación
y facilitan el tratamiento posterior.
En la tarea de simplificación ayuda mucho la utilización de todo tipo de
representaciones gráficas, en función de las características mismas de los
datos y de las necesidades del investigador; en ocasiones la de transforma-
ción, de forma que sean posibles formas de análisis posteriores que, en caso
contrario, no lo serían.
Dispuestos así los datos, aunque no siempre tales operaciones son
necesarias, puede pasarse a formas conocidas de análisis, propias de
hipótesis sencillas, como son las pruebas sobre diferencias significativas
en medidas de tendencia central o variabilidad; cuando se trata de estu-
dios conjuntos de dos o más variables es necesario llegar previamente a
distribuciones conjuntas de frecuencias y diagramas de dispersión o
tablas de contingencia, para después decidir sobre la significación de las
diferencias apreciadas.
En general este tipo de análisis representa para el investigador la toma
de decisiones previas que se centran sobre todo en los siguientes puntos:
36
Una clara definición de las reglas de la categorización puede encontrarse en KERLINGER, F. N: o.
c., pp. 141-144.
73
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«Los datos medidos por escalas nominales u ordinales deben analizarse por
métodos no paramétricos. Los datos medidos por escala de intervalo o de propor-
37
SIEGEL, S. (1976). Estadística no paramétrica. México: Trillas. Una posición contraria la repre-
sentan: LORD, F. N. (1953) On the statistical treatment of football numbers. En American Psychologist,
8, pp. 750 s.; GLASS, G. V. y otro (1975) Métodos estadísticos aplicados a las Ciencias Sociales. Madrid:
Prentice-Hall International. Una posición matizada es la representada por KERLINGER, en su citada obra,
pp. 451-460, o AMON, J. (1976) Estadística para psicólogos, Madrid, vol. 1, pp. 11-17
38
Vid. al respecto la interesante exposición de Fox, D. J.: (1980). El proceso de investigación en la
educación, Pamplona, EUNSA, cap. 8.
74
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
ción deben analizarse por métodos paramétricos si los supuestos del modelo esta-
dístico paramétrico son sostenibles.» (53)
Por lo que hace a los supuestos aludidos por Siegel no todos se han reve-
lado igualmente exigentes; uno de ellos, el de normalidad, parece no tener
tanta importancia, de modo que su violación no da lugar a graves altera-
ciones del modelo salvo en casos de violación muy acusada; sin embargo, el
incumplimiento del de homogeneidad de las varianzas puede tener graves
repercusiones en el nivel de significación de las pruebas paramétricas como
t y F, como se desprende de los trabajos de Scheffé y Boneau39.
Aplicados estos criterios debe elegirse la prueba más potente y más preci-
sa de entre las posibles, esto es, la que permite rechazar más fácilmente H0 y
hacerlo en forma más específica. Con todo conviene reseñar una serie de
aspectos a cuidar en la elección de la prueba y en su resolución, como son:
39
Vid. SCHEFFÉ, H. (1959) The analysis of Variance. New York: Wiley. BONNEAU, C. A. (1960) The
effects of violations of assumptions underlying the-test. En Psychological Bulletin, 57, pp. 49-64.
40
Vid. YELA, M.: (1957) La técnica del análisis factorial, Biblioteca Nueva, Madrid. HARMANN, H. H.
(1967) Modern factor analysis, Chicago, University of Chicago Press, 2nd. ed ; TORRENS IBERN, J.: (1972).
Modèles et méthodes de analyse factorielle, París: Dunod.
41
Vid. ANASTASI, A.: o. c., pp. 140-144, CRONBACH. C. J.: o. c., pp. 165-168 y ADAMS, G.S. (1970). Medi-
ción y evaluación. Barcelona: Herder, pp. 170-190 .
75
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
76
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
42
POPPER, K. R.: o. c., p. 257. Una excelente crítica a la postura de Popper puede encontrarse en
CHALMERS, o. c, cap. 6.
77
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«De una vez para siempre quiero manifestar mi admiración ilimitada por el
trabajo del experimentador en su lucha por sacar hechos interpretables de una
Naturaleza huraña, que también sabe responder a nuestras teorías con un no deci-
sivo o con un sí inaudible.»
«Las hipótesis más generales de hecho nunca se “confirman”; cuando por con-
veniencia utilizamos ese término queremos significar, más bien, que la hipótesis
fue expuesta a refutación y salió airosa de ella. Este punto de vista es compatible
con todas las filosofías humanas de la ciencia que proclaman la imposibilidad de
obtener pruebas concluyentes para leyes inductivas.»45
Existe otro caso, el de las hipótesis singulares, en que puede llegarse por
deducción a su establecimiento definitivo, aquí como verdaderas: ocurre
esto cuando al estudiar un determinado número de casos se encuentra uno
43
Ibídem, p. 250.
44
WEYL, (1931) Gruppentheorie und Quantenmechamich, p. 2, citado por Popper.
45
CAMPBELL, D. y otro. o. c., p. 73.
78
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
3.4.2. Generalización
46
Vid. McGUIGAN, F. J.: o. c., pp. 359-372.
47
BUNGE, M.: o. c., p. 896; más ampliamente 886-896, postura coincidente con Chalmers, en su ya
citada obra ¿Qué es esa cosa llamada ciencia?, cap. 4.
79
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
48
McGUIGAN, F. J., o. c. p. 385.
49
GLASS, G. V. y otro, o. c., cap. 17; así mismo, McGUIGAN, F. J., o. c., pp. 320-322.
80
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
50
Vid. COCHRAN, V. G. y otro (1974). Diseños experimentales, México: Trillas, cap. 5; GLASS, G.V. y
otro: o. c, pp. 295-300 y 322-326; KERLINGER, F. N.: o. c., pp. 254-279; DOMENECH, J. M. (1977) Bioesta-
dística, Barcelona: Herder, pp. 461 y 483-505.
51
SIDMAN, M. (1978). Tácticas de investigación científica. Barcelona: Fontanella, pp. 113-140.
81
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
52
O. c., p. 859.
53
O. c., caps. 1 a 3.
82
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
54
GARCÍA HOZ, V. (1968). Principios de Pedagogía Sistemática. Madrid: Rialp, 4.ª ed., p. 89.
55
SIMON, J. (1972). La Pédagogie expérimentale. Tolouse: E. Privat Editeur, pp. 9 s.
83
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Parece, pues, que encontramos unos criterios para reconocer qué expe-
riencia se considera incluida en la Pedagogía experimental o, si se prefiere,
cuándo la experiencia, lo empírico, es científico: debe haber posibilidad de
medición y control.
Parecida posición mantiene García Hoz58 quien, tras reconocer que no
suele haber problema para diferenciar lo que es especulativo de lo que es
experimental dentro de la ciencia, la distinción no es tan clara entre lo cien-
tífico y no científico dentro de lo empírico, y propone, apoyándose en
Decroly y Buyse, dos criterios:
56
SIMON, TH. (1924). Pédagogie expérimentale, París, Colin, p. 1.
57
DOTTRENS, R. y otro (1971). El desarrollo de las ciencias pedagógicas. En Introducción a la Peda-
gogía, Tomo I del Tratado de las Ciencias Pedagógicas, Barcelona: Oikos-Tau, pp. 46-55.
58
O. c., p. 90.
84
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
59
MEUMANN, E. (1924). Compendio de Pedagogía Experimental. Barcelona: Tipografía La Educación,
citado por V. García Hoz, en o. c., p. 90.
60
Es interesante señalar que en apoyo de la observación como procedimiento experimental, tan
denigrado por algunos, se encuentran figuras a las que tanto deben las ciencias experimentales huma-
nas como Claude Bemard en su Introduction a l´étude de la médecine expérimentale, publicada en París,
en 1865.
61
Refiriéndose a esta última, Seiffert (1977) señala que tal verificabilidad ni debe serlo por cual-
quiera ni puede ser algo subjetivo; los criterios «Dependen siempre del método de la ciencia competen-
te en cada caso». Introducción a la teoría de la Ciencia, Barcelona: Herder, p. 169.
62
PALACIOS, L. E. (1972). Filosofía del saber. Madrid: Gredos, 2.ª ed., pp. 57 s.
85
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Tal vez sea ésta una de las características de la ciencia que más se dis-
cutan al saber científico pedagógico. Fiel reflejo de ello son las polémicas
aparecidas hace años en la Harvard Educational Review y en los escritos de
Dilthey y Royce entre otros63.
En efecto, las mismas investigaciones sobre diferencias humanas, hoy
en día aceptadas, asumidas y valoradas en el ámbito pedagógico, parecen
constituir un serio obstáculo. Sin embargo tal objeción entendemos que
puede ser superada en la medida en que precisemos el significado del tér-
mino general o universal, y en ese sentido es forzoso hacer constar que aun
en el ámbito de las leyes físicas se hacen determinadas precisiones de cir-
cunstancias tales como la altura sobre el nivel del mar, la temperatura
ambiente o a cero grados centígrados, etc. Tal vez debamos conformarnos
con leyes suficientemente universales o generales.
En este sentido nos parece ilustrativa la aportación de M. Sherwood64 al
indicar que existen varios tipos de generalizaciones aceptables en las cien-
cias, y reseña los siguientes:
AB se verifica en el p % de casos.
Siendo AB la relación entre variables, A y B, resulta que la situación (6) anterior
es la forma más débil de generalización, aunque no deje de ser generalización.»
63
Véase, entre otros, el trabajo de ROYCE (1891). Is There a Science of Education. En Educational
Review, 1, pp. 15-25.
64
SHERWOOD, M. (1969) The Logic of Explanation in Psychoanalysis. New York: Academic Press,
citado por RODRÍGUEZ, A. (1977). Investigación Experimental en Psicología y Educación, México: Trillas,
pp. 22 s.
86
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
65
ALLPORT, G.W. (1975). La personalidad. Su configuración y desarrollo. Barcelona: Herder, pp.
38 s.
66
PÉREZ JUSTE, R. (1981) La base científica de la Educación. En R. Pérez Juste y otros. Pedagogía
experimental I, vol. I, Madrid: UNED, p. 39.
87
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
a) porque es espiritual,
b) porque es cualitativo
c) por ser una totalidad indivisible y
d) por ser irrepetible y en continuo cambio.
67
O. c., p. 15
68
Vid. YELA, M. (1964.65). Necesidad y posibilidad de la medida en Psicología. En Psicometría y
Estadística, Madrid, pp. 5-16.
69
Vid. GARCÍA HOZ, V., o. c., p. 91.
88
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
«Los números más importantes para la ciencia son los determinados por
cómputos indirectos ... o sea, por el cómputo que requiere refinadas teorías y no
menos sutiles mediciones. La razón de este hecho es la siguiente: los números
fácilmente accesibles... pueden presentarse en descripciones, pero muy rara vez en
teorías... Por importantes que puedan ser para fines prácticos, los números direc-
tamente medibles tienen escasa importancia cognoscitiva comparados con los
números ‘ocultos’, los números que no son accesibles sino por medio de teorías.»
70
O. c., p. 770.
71
TOWSEND, J. C. (1953) Introduction to Experimental Method. New York: McGraw-Hill, p. 13.
72
O. c., p. 785.
89
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
73
YELA, M. (1976). Familia y nivel mental. En ROF CARBALLO, J. (edit.) La familia, diálogo recupera-
ble, Madrid: Karpós, p. 302.
74
O. c., p. 92.
90
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
Sin embargo, conviene aclarar con Yela76 que el que no se repita exac-
tamente un fenómeno «no quiere decir que no pueda medirse, sino que no
puede repetirse exactamente la misma medida». Consecuencia de este hecho
será el carácter estadístico y probabilístico, no exacto, de la medida y la
necesidad de comprobar la variabilidad propia de los diversos rasgos en cir-
cunstancias concretas y, siempre que sea posible, acudir a varias medicio-
nes para aumentar el grado de confianza en los valores medidos.
La irrepetibilidad de lo humano pone, al menos en cierto modo, en
entredicho uno de los supuestos básicos del método científico en las cien-
cias naturales, el de la «uniformidad de la naturaleza», es decir, «que lo que
ocurre una vez no solo volverá a ocurrir, sino que se repetirá siempre en cir-
cunstancias similares»77; ahora bien, aunque este supuesto, también deno-
minado de coherencia, no se cumpla plenamente en el ser humano, debe
tenerse en cuenta que, «aunque sea parcial, nos permite realizar mejores pre-
dicciones de las que haríamos sobre la base de la intuición, adivinando o
haciendo conjeturas al azar»78.
75
O. c., p. 333.
76
YELA, M. Psicometría y Estadística (apuntes de clase), p. 14.
77
Supuesto formulado por J. Stuart Mill en su obra A System of Logic. New York: Harper&Brothers,
recogido por Van Dalen en su o. c., pp. 44 s.
78
CORTADA DE KOHAN, N. (1968). Manual para la construcción de tests objetivos de rendimiento. Bue-
nos Aires: Paidós, p. 12.
91
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
79
STEVENS, S. S. (1951). Handbook of Experimental Psychology, New York: Wiley.
80
Vid. al respecto los diversos postulados de medición en KERLINGER, F. N., o. c, p. 452 s.
81
En efecto, Torgerson habla de escalas, ordinal, ordinal con origen natural, de intervalos iguales
y de cocientes, mientras Glass y Stanley, refiriéndose al C.I. lo consideran de causi-intervalo; vid. GLASS,
G. V. y otro (1974). Métodos estadísticos aplicados a las Ciencias Sociales, Madrid, Prentice-Hall Inter-
nacional, p. 13.
92
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
los niveles de medición más exigentes pero, en tanto que obtenidos al apli-
car determinados instrumentos a ciertos objetos o fenómenos empíricos,
pueden perder información y reflejar únicamente aquella que el instru-
mento y los objetos ofrecen.
Así en el nivel nominal, los números solo indican que algo es igual o dis-
tinto de algo y, en consecuencia, con ellos podemos realizar cualquier
transformación numérica que siga manteniendo para las mismas cosas
idénticos números, mas no operaciones matemáticas; trabajamos en reali-
dad con las frecuencias que aparecen en cada categoría.
Las escalas ordinales, aparte de permitir diferenciar entre lo que es dife-
rente82 o afirmar la igualdad entre lo que es igual, posibilitan una seriación
en orden creciente o decreciente y, aunque la pérdida de información es
manifiesta, sobre todo en series con grandes diferencias en las distancias
entre valores consecutivos, permiten la aplicación de pruebas estadísticas
con diversos niveles de potencia, algunas muy próximas a la propia de las
escalas de intervalo.
Estas últimas escalas añaden la igualdad de diferencias entre intervalos
consecutivos y, aunque se carece de un cero absoluto u origen natural, es
posible utilizar «la suma y la resta entre los números atribuidos a las moda-
lidades, y la multiplicación y la división entre las diferencias entre los mismos
números»83. Por último las escalas de razón o cociente, al contar, además,
con el cero absoluto, permiten la realización de todo tipo de operaciones
matemáticas con los propios números surgidos del acto de la medición.
La tarea del investigador, por tanto, consistiría en examinar las opera-
ciones realizables con sus objetos empíricos, y, en virtud del isomorfismo
con el sistema numérico, realizar con los números las operaciones que el
nivel permita. Esto, traducido a las pruebas estadísticas, lleva a la inicial
dicotomía entre pruebas paramétricas y no paramétricas y, una vez toma-
da la decisión de elegir éstas, a escoger aquélla más acorde con los diversos
grados dentro del mismo nivel.
82
R. Ebel (Fundamentos de la medición educacional, México: Guadalupe, 1977, pp. 55-59), al pre-
guntarse por la posibilidad de medición del rendimiento, llega a la conclusión de que cualquier resul-
tado importante debe traducirse en una diferencia y «si se crea una diferencia, la base de la medición
existe» (p. 56).
83
AMÓN, J. (1976). Estadística para psicólogos, Madrid, vol. I, p. 15.
93
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
84
PIAGET, J. (1973). La situación de las Ciencias del Hombre dentro del sistema de las Ciencias, en
J. PIAGET y otros: Tendencias de la investigación en las Ciencias sociales. Madrid: Alianza, pp. 44-120.
85
BEST, J. W. (1972) Cómo investigar en Educación. Madrid: Morata, p. 81.
86
O. c., p. 222.
94
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
87
Cfr. ARNAU, J., o. c., pp. 155 s.
95
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
88
Terminología debida a Aronson y Carlsmith en Experimentation in Social Psychology. En
LINDZEY, G. y otro (1968). Handbook of Social Psycology, vol. 2, Addison-Wesley.
89
O. c., p. 418.
90
KERLINGER, F. N., o. c., p. 153.
96
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
ción en ciencias humanas: se trata del propio investigador, cuya sola pre-
sencia puede interactuar, produciendo efectos no deseados, con la o las
variables independientes. Las condiciones estandarizadas de su interven-
ción, su «ocultamiento» o un adecuado muestreo de tipos pueden ayudar a
superar esta dificultad.
«La unión entre esta conducta observable del hombre y lo que probablemente
sucede en él debe establecerse, pues (...), por la aplicación de definiciones opera-
cionales», de un lado, y de «constructos teoréticos», de otro93.
91
POPPER, K. R. (1972). La lógica de la investigación científica. Madrid: Tecnos, p. 45.
92
Palabras que Seiffert en su citada obra, pone en boca de la teoría behaviorista que no comparte;
y propone la concepción fenomenológica de la ciencia según la cual la introspección es válida como
método científico.
93
Ibídem, pp. 174 s.
97
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
94
O. c., p. 737.
98
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
6. REPERCUSIONES METODOLÓGICAS
Del análisis de estos aspectos que están en la base del carácter científi-
co de los conocimientos experimentales se deriva una serie de problemas
que la investigación experimental debe resolver, problemas eminentemen-
te metodológicos, a los que nos referiremos ahora brevemente.
Las limitaciones de la medición educativa hacen de la determinación
de la validez y fiabilidad de las medidas dos cuestiones básicas, cuya deli-
mitación permite al investigador conocer con precisión el margen de
error que afecta a sus resultados. En efecto, la determinación de la fiabi-
lidad de los instrumentos de medición, entendida como precisión —fiabi-
lidad absoluta— permite ya que no conocer la magnitud del error de medi-
da propio de cada puntuación, sí, al menos, los límites entre los que cabe
esperar, con una determinada probabilidad, que se encuentre la verdade-
ra puntuación de cada uno. Algo similar ocurre con la validez, gracias a la
cual no es dado hacer pronósticos a corto, medio o largo plazo, cono-
ciendo la magnitud del error de estimación máximo para cada predicción
99
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
95
Así se expresan D. Campbell y J. Stanley en Diseños experimentales y cuasi-experimentales en la
investigación social, publicada en Buenos Aires, en 1979 por Amorrortu editores, p. 74.
100
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
96
Vid. BUNGE, M., o. c., p. 737.
97
Para una visión general de los problemas morales de ciertas profesiones, puede consultarse PEI-
NADOR, A. (1969). Moral profesional, Madrid: BAC, especialmente su capítulo X.
Vid. BUYSE, R. (1947). Idea de un curso de Pedagogía experimental. En Revista Española de Peda-
gogía, n.º 20. MIALARET, G. Teoría y práctica de la investigación en Pedagogía. En M. DEBESSE, tomo I, pp.
137-214.
101
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Los problemas aludidos, y otros de índole similar, han dado lugar a ela-
boración de Códigos éticos, como los de la American Psychological Associa-
tion o el de la American Personnel and Guidance Association98.
Algunos de estos problemas se refieren a la aplicación de estímulos y tra-
tamientos, o a la utilización de técnicas de control que pueden resultar peli-
grosos para los sujetos, o que pueden, al menos, suponerles ciertos trastornos
o esfuerzos excesivos; en cualquier caso este tipo de investigaciones requie-
ren la previa información clara y precisa de lo que se hará y de sus riesgos.
Otros problemas se plantean en torno a la licitud de invertir determina-
das sumas de dinero, además de tiempo y esfuerzo, en la mejora de los gru-
pos experimentales, relegando al abandono a aquellos que el azar ha con-
vertido en grupo de control. Probablemente la solución consista en, una vez
determinados los efectos positivos de la variable experimental, invertir los
mismos medios en los sujetos controles.
En otro orden de cosas, G. Mialaret llega a proponer que no se lleven a
cabo experimentos que se alejen mucho del marco educativo habitua1 si ello
puede suponer ciertos riesgos de traumatización de sujetos o de la clase;
recomienda que se tomen precauciones para evitar la posible desorientación
de los sujetos a consecuencia de los tratamientos experimentales.
Como vemos, pues, a los problemas técnicos de toda investigación cien-
tífica se unen en el caso humano aquellas connotaciones que derivan del
carácter específico de su objeto, el más complejo de todos, y que no solo
conducen a una dificultad notoria para llevar adelante la investigación sino
que plantean al investigador problemas o preocupaciones que debe resolver
dentro de las normas deontológicas establecidas y en el marco de una con-
ciencia recta.
RESUMEN
98
Vid. LÓPEZ CASTELLÓN, E. (1974). Bases éticas para la investigación en Psicología. En R.S., 3, 139-
166.
102
LA INVESTIGACIÓN CIENTÍFICO-EMPÍRICA EN EDUCACIÓN. EL PROCESO Y LA LÓGICA DE LA INVESTIGACIÓN CIENTÍFICA
103
Tema 3
El informe y la calidad de la investigación
Introducción
5. La calidad de la investigación
6. Criterios de calidad
105
PRESENTACIÓN
INTRODUCCIÓN
107
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
108
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
109
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
110
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
111
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
112
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
113
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
114
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
115
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
116
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
117
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
118
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
119
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
5. LA CALIDAD DE LA INVESTIGACIÓN
120
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
121
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
6. CRITERIOS DE CALIDAD
122
EL INFORME Y LA CALIDAD DE LA INVESTIGACIÓN
123
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
RESUMEN
124
UNIDAD DIDÁCTICA II
Presentación
1. Introducción
2. El diseño de investigación
2.1. Concepto
2.2.1. Responder a las preguntas del problema de investigación
2.2.2. Controlar la varianza
2.2. Objetivos
2.3. Tipos
2.3.1. Diseños pre-experimentales
2.3.2. Diseños experimentales
2.3.3. Diseños cuasiexperimentales
5. El diseño experimental
Resumen
127
PRESENTACIÓN
129
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
1. INTRODUCCIÓN
130
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
131
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Y pretende unos resultados objetivos, esto es, unas conclusiones que deri-
ven de los datos rigurosamente obtenidos y no de la interpretación más o
menos subjetiva, a veces forzada, para que se ajusten a ideas preconcebidas.
Pues bien, un proceso así caracterizado encuentra en el diseño de la
investigación la herramienta fundamental, precisamente por responder a
tales exigencias. Pero no debemos dejar de lado que el diseño no es algo
infalible sino una forma rigurosa de proceder en manos del investigador,
que nunca debería intentar retorcer los procedimientos para que los resul-
tados concuerden con sus planteamientos iniciales. He ahí el papel de la
deontología profesional, clave aquí como en todo hacer humano.
2. EL DISEÑO DE INVESTIGACIÓN
2.1. Concepto
132
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
1
FINNEY, D. J. (1960). Experimental Design and its Statistical basics. Chicago: The University of Chi-
cado Press.
2
McGUIGAN, F. J. (1976). Psicología experimental. México: Trillas.
3
ARNAU GRASS, J. (1981). Diseños experimentales en Psicología y Educación. Vol. 3. México: Trillas.
4
CAMPBELL, D. y STANLEY, J. (1978). Diseños experimentales y cuasi-experimentales en la investiga-
ción social. Buenos Aires: Amorrortu.
5
DOMÉNECH I MASSONS, J. M. (1980). Bioestadística. Métodos estadísticos para investigadores. Barce-
lona: Herder.
133
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
6
KERLINGER, F.N. (1981). Investigación del comportamiento. Técnicas y metodología. 2ª ed., México:
Interamericana, cap. 17.
134
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
135
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
7
Más adelante analizaremos este punto, dentro del denominado principio MAX- MIN- CON de Ker-
linger, formando parte del MAX.
136
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
Primero:
Segundo:
Tercero:
8
V.i.: variable independiente; V.d.: variable dependiente.
137
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
9
Kerlinger no es partidario de este procedimiento sino sustituirlo por el análisis de covarianza, que pre-
sentaremos más adelante, y que compara al final las medias finales ajustadas a las diferencias iniciales.
138
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
el segundo no. Nada se dice sobre cómo se ha procedido, pero las opcio-
nes van desde la formación de los grupos tal como se han seleccionado
(incorrecta) a su constitución por procedimientos aleatorios (la mejor,
pero habitualmente difícil de lograr) pasando por la constitución de blo-
ques homogéneos o, en el extremo, la formación de los grupos median-
te emparejamientos, es decir: asignar a un grupo un sujeto y al otro un
nuevo sujeto que pueda considerarse «parejo» o equivalente al primero.
Deberemos buscar procedimientos que eviten la influencia de variable
extrañas durante el tiempo de dure la investigación.
2.2. Objetivos
Siguiendo lo indicado por Kerlinger, los grandes objetivos del diseño son:
139
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
140
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
ñanza presencial y otro para la enseñanza «on line»…, solución poco satis-
factoria y con evidentes dificultades a la hora de comparar.
Por ello, el investigador puede plantearse preguntas más complejas y, en
consecuencia, demandar diseños que también lo fueran. Por ejemplo:
1. ¿Se dan diferencias en los resultados en el logro de competencias en
función del método utilizado y de la tipología de las materias?
2. ¿Aprenden los alumnos antes las competencias con una metodología
que con otra en grados científicos y de humanidades?
3. ¿Aprenden los alumnos más competencias con una metodología que
con otra según la materia?
4. ¿Permanece durante más tiempo el aprendizaje de competencias con
una metodología que con otra en los primeros cursos o en los últimos?
5. El aprendizaje de competencias alcanzado con una metodología, ¿es
de mayor aplicación que con otra según la tipología de las materias?
6. ¿Aprenden más (antes, durante más tiempo…) los alumnos adultos
que los más jóvenes con una metodología que con otra?
7. ¿Es más eficaz una concreta metodología con alumnas que con alumnos?
8. ¿Es más eficaz una metodología en el aprendizaje «on line» que en
la enseñanza presencial?
9. ¿Se aprende más (antes, durante más tiempo...) las competencias en
unos grados que en otros (ciencias frente a humanidades…) según
las metodologías?
10. ¿Aprenden más (antes, durante más tiempo..) en una tipología de
materias y asignaturas que en otras según la metodología utilizada?
11. Etc.
En todos estos casos, el interés del investigador no se limita a la acción
de una variable independiente, la metodología, con al menos dos niveles (A
y B) sino que lo hace teniendo en cuenta, a la vez, el influjo de otra, sea el
sexo, el curso, el tipo de enseñanza, el grado, la materia… En este tipo de
situaciones, el esquema de acción que hemos analizado en el apartado ante-
rior será, obviamente, más complejo y contemplará simultáneamente esas
dos variables independientes. Por ejemplo (cuadro 4.1):
141
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Grado universitario
Física Filosofía TOTAL
Metodología
A: presencial
B: «on line»
TOTAL
142
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
143
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
10
Queremos decir que ese ser igual no debe entenderse como «exactamente igual», sino que las dife-
rencias entre uno y otro grupo no son estadísticamente significativas, esto es: sus diferencias no van más
allá de lo esperado por puro azar.
144
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
2.3. Tipos
11
Si el nivel de confianza fuera del 95%, el de significación es del 5%. O en términos de probabili-
dad: 0,95 y 0.05 respectivamente.
145
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
146
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
147
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
12
KERLINGER, F. N. (1981). Investigación del comportamiento. Técnicas y metodología. 2.ª vedi. Méxi-
co: Interamericana, p. 239.
148
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
149
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
13
Idem, p. 241. Recuerde el lector que no nos parece adecuado utilizar el término verificar; prefe-
rimos, por más preciso y correcto, el de validar.
14
Al estudiar la validez externa podremos comprender lo que se denomina el efecto reactivo del pre-
test, que puede alterar los resultados y limitar su generalización.
150
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
151
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Y1 X Y2
Y3 Y4
152
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
Rendimiento previo
ALTO MEDIO BAJO Puntuaciones
Clase social
A B C
Alta
Alto/alta Medio/alta Bajo/alta
B C A
Media
Alto/media Medio/media Bajo/media
C A B
Baja
Alto/baja Medio/baja Bajo/baja
Puntuaciones
153
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Y1 Y2 Y3 Y4 X Y5 Y6 Y7 Y8
154
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
base, esto es, una situación estable del sujeto o del grupo en la
realidad medida.
La interpretación de los resultados Y5 Y6 Y7 Y8 depende de los pre-
vios a X y de la forma que tomen después de Y. Podemos apreciar-
lo en el gráfico que tomamos de Campbell y Stantley (figura 4.1).
155
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
A la luz de lo hasta aquí dicho, es fácil deducir que los dos grandes cri-
terios tienen que ver con los dos objetivos planteados por Kerlinger. Esto
es, debemos seleccionar aquel diseño que pueda dar respuesta a las pre-
guntas en que se concreta el problema y acorde con la hipótesis del investi-
gador, y de entre los posibles, aquel que controle en mayor medida la
varianza de las variables extrañas, a fin de evitar que se conviertan en hipó-
tesis rivales a la del investigador.
156
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
Sistema de motivación
M N
A M/A N/A
Método B M/B N/B
C M/C N/C
Los sujetos de cada una de las celdillas reciben el cruce del nivel corres-
pondiente de las dos v.i.
157
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
158
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
tal vez, de las asignaturas históricas. ¿Se puede decir, pues, que todos los
problemas son abordables experimentalmente?
Esta parece ser la opinión de García Hoz15 cuando afirma:
«Cualquier cuestión pedagógica que pueda ser objeto de experiencia cae den-
tro de la Pedagogía experimental. Si muchos problemas quedan aún sin resolver
ello se debe no a la incapacidad intrínseca de la Pedagogía experimental, sino a la
imperfección actual de algunas técnicas de medida y de evaluación.»
15
O. c., p. 93.
16
PIAGET, J. (1973). La psicología, en J. PIAGET y otros: o. c., pp. 121-198, p. 124.
159
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
17
LANDSHEERE, G. DE (1964). Introduction à la recherche pédagogique. París, Colin-Bourreliere, p. 16.
160
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
18
http://www.unesco.org/education/educprog/wche/declaration_spa.htm
161
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
162
DISEÑO DE LA INVESTIGACIÓN. PROBLEMAS EDUCATIVOS Y DISEÑOS. TIPOS DE DISEÑOS: NO EXPERIMENTALES, CUASI-EXPERIMENTALES Y EXPERIMENTALES
superior y el mundo del trabajo, así como la movilidad de los estudiantes en cada país
y entre los distintos países. Las nuevas tecnologías de la información constituyen un
instrumento importante en este proceso debido a su impacto en la adquisición de
conocimientos teóricos y prácticos.
RESUMEN
19
Vid. http://www.unesco.org/education/WCHE2009/comunicado_es.pdf
163
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
164
Tema 5
El experimento como referencia. Validez de los
diseños. La investigación ex-post-facto como
alternativa
Presentación
1. Introducción
Resumen
165
PRESENTACIÓN
167
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
1. INTRODUCCIÓN
1
El lector puede comprobar la diversidad de clasificaciones en BEST, J.W., o. c., pp. 47-94; VAN DALEN,
D.B. y otro: o. c., pp. 191-321; BORG: (1963). Educational Research. An Introduction, New York: McKey; SAX:
Empirical Foundations of Educational Research, Englewoods Cliffs: Prentice Hall; TRAVERS, R. M. W. (1969).
Introducción a la Investigación Educacional, Buenos Aires: Paidós; KERLINGER, F. N. (1975). Investigación
del comportamiento, México: Interamericana, pp. 393-442; o FOX, D. J., o. c., pp. 119-142.
2
Conviene dejar constancia de que, en el marco del experimento, una vez provocado el fenómeno,
los datos pueden recogerse mediante una observación planificada, sistemática, que responda a los plan-
teamientos de M. Bunge: ser intencionada e ilustrada.
168
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
fiables sino, y esto es lo más importante tal vez, la única capaz de permitir
el establecimiento de relaciones causa-efecto3.
Si éstas son sus aportaciones, y lo son de gran importancia, convendre-
mos en la necesidad de precisar y profundizar un tanto en sus característi-
cas como medio adecuado para decidir tanto sobre su viabilidad cuanto
sobre su utilización real en el ámbito educativo.
Tres parecen ser las notas o características esenciales, centradas las pri-
meras en el dominio que ejerce el investigador, dominio que se traduce en
la capacidad para provocar el fenómeno y para mantenerlo bajo control, y
la tercera con la superior precisión a que hemos aludido, la utilización de
la medición. Profundicemos en ellas.
3
Page, refiriéndose a la causalidad, cita otras vías de acceso que darán un gran impulso a las cien-
cias de la educación, vías que tienen en su origen a Sewal Wright, y se basan en la observación, no en
el experimento, siendo conocidas como análisis de sendas o análisis causal. Vid. PAGE, E.B. (1981). «El
extraño en el barrio». «La nueva disciplina en las Ciencias de la Educación». En ESCUELA ASTURIANA DE
ESTUDIOS HISPÁNICOS (1981). La calidad de la Educación. Madrid: CSIC. Instituto San José de Calasanz,
pp. 89-109.
169
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
2.1.2. Control
4
Entre otros POPPER, K.R. (1977). La lógica de la investigación científica, Madrid: Tecnos, 99-100 o
ARNAU, J. (1979) Psicología Experimental, México: Trillas, p. 14. Previamente, S.S. Stevens, en 1939, ya
se había manifestado en ese sentido (Psychology and the Science of Sciences, en Psychological Bulletin,
36, pp. 261-263)
5
Vid. SIDMAN, M. (1978). Tácticas de investigación científica. Barcelona: Fontanella, 75-139
170
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
171
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
2.1.3. Medición
«Incluso una técnica que tenga éxito debe considerarse sospechosa mientras
sus éxitos —y sus limitaciones— no se expliquen en base a teorías científicas.»
(p. 849).
6
Conviene señalar, de una parte, que cabe contar con dos o más grupos de control frente a uno
experimental. Pero también podemos trabajar con varios grupos experimentales en los que cada uno
puede actuar como control de los demás: lo importante es poder proceder a la comparación de un nivel
de la v.i. frente a otro a frente a un nivel 0, esto es: la ausencia de v.i. Al respecto se puede acudir a cita-
da obra de Kerlinger, pp. 346 s.
172
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
7
Vid. LEWIN, K. (1951). Field Theory in Social Science. New York: Harper.
8
FRENCH, J.R.P. (1979). Experimentos en contextos de campo. En L. FESTINGER y otro (comp.). Los
métodos de investigación en las ciencias sociales. 3ª reimpr. Buenos Aires: Paidós, pp. 104-106.
173
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
174
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
9
P. 418
175
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
10
El lector puede acudir a GARVEY, C.R. (1933). Comparative body build of maniac-depresive and
schizophrenic patients. En Psychological Bulletin, 30.
176
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
11
CAMPBELL, D. y STANLEY, J. (1979). Diseños experimentales y cuasiexperimentales en la investiga-
ción social. Buenos Aires: Amorrortu ediciones.
177
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
178
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
Historia. Se entiende por tal los hechos que ocurren, además de la varia-
ble independiente, entre el inicio de la investigación (introducción de la v.i.)
y la medida de la v.d., y que actúen diferencialmente sobre los grupos.
Por ejemplo, si se pretende probar que un determinado método de ense-
ñanza de idiomas es más eficaz que otro, tomaremos un diseño de dos gru-
pos, el experimental y el control. En el caso de que, además de la variable
método, con dos niveles o manifestaciones, uno de los grupos experimenta-
ra el cambio de profesor por enfermedad, podría ocurrir que este cambio
supusiera un influjo —positivo o negativo— que no afecta al otro grupo.
Este sencillo hecho lleva a tener dudas razonables sobre si lo medido en la
v.d. es fruto de la v.i., de este factor o de su interacción. Y ante la duda,
debemos considerar que el diseño no tiene validez interna.
Maduración. Este factor, lejos de ser ajeno al experimento, como ocurre
en el caso anterior, afecta directamente a los sujetos participantes. Su apa-
rición es tanto más probable cuanto mayor sea la duración del estudio y
cuanto más jóvenes sean los sujetos.
Los cambios madurativos ligados a la edad son el ejemplo más sencillo.
Los niños cambian con mucha mayor rapidez que los adultos, tanto en esta-
tura como en peso, pero también en inteligencia o personalidad.
Si en el caso anterior, el experimento dura un curso y los sujetos tienen
tres años, podría ocurrir que parte de los cambios pudieran deberse a la
maduración psicológica y fisiológica, sobre todo si no han sido selecciona-
dos al azar.
Otros factores que pueden ser considerados como «maduración» pue-
den ser determinadas reacciones psicofisiológicas, como el hambre, la sed,
el cansancio… siempre que afecten de modo diferencial a los grupos del
experimento.
Administración de pruebas. Someter a los sujetos a una prueba puede
producir un efecto sobre la v.d. en paralelo al atribuible a la v.i. En los dise-
ños con pre-test, habituales en educación como alternativa al azar en la
asignación de sujetos, cabe pensar en el efecto que tal pretest puede tener
sobre la medida de la variable dependiente, en especial en casos relaciona-
dos con las actitudes y los valores, y en menor grado cuando se trata de
pruebas académicas.
179
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
180
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
181
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Si bien este tipo de investigación queda fuera del campo del experimen-
to, nuestro objeto de atención, conviene analizarla por sus relaciones con
182
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
183
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
12
El lector puede acudir a los datos presentados por Rodríguez de Velasco en un trabajo con
3000 niños madrileños. En estos datos se puede comprobar cómo el % de niños con C.I. entre 90
y 110 eran del 40,5 y del 48.8 según pertenecieran a familias de clase alta o baja. Por el contrario,
en el caso de CI entre 120 y 130, los % respectivos eran del 23 y del 1 respectivamente. FUNDA-
CIÓN FOESSA (1976) Estudios sociológicos sobre la situación social de España. Madrid: Euramé-
rica, p. 220.
184
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
13
Vid. HERSEN, M. y otro (1978). Single case experimental designs. Oxford: Pergamon Press; KRA-
TOCHWILL, Th. (1978). Siungle subject research. New York; Academic Press.
14
Vid. VAZQUEZ GÓMEZ, G. (1981). N = 1. Un nuevo paradigma de investigación pedagógica. En
Revista Española de Pedagogía, 151, enero-marzo, 3-13.
185
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
15
KATZ, D. (1972). Los estudios de campo. En L. FESTINGER y otro: Los métodos de investigación en
las Ciencias Sociales. Buenos Aires: Paidós, pp. 68 s.
186
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
187
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
16
Vid los estudios recogidos por TYLER, L. E. (1978). Psicología de las diferencias humanas, Madrid:
Marova, pp. 474-484; YELA, M. (1976). Familia y nivel mental, en J. ROF CARGBALLO (edit.): La familia,
diálogo recuperable, Madrid: Karpós, pp. 203-335; PINILLOS, J. L. (1975): Principios de Psicología. Madrid:
Alianza Universidad, o. c., 646-657.
17
CAMPBELL, D. y otro: o. c. p. 111.
188
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
189
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
18
TYLER, L. E.: o. c., p. 274 y, en general, el capitulo 11.
190
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
19
Referencia tomada de MUNICIO, P. (1982). Influencia del tamaño del centro en diversas variables
organizativas. Tesis doctoral. Universidad Complutense, p. 314.
20
Vid. TERMAN, L. M. y otro (1958). Genetic Studies of Genius. Vol. V. California: Stanford Univer-
sity Press.
21
GESSEL, A. y otros (1971). El adolescente de 10 a 16 años. Buenos Aires, Paidós.
191
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
22
ANASTASI, A. (1966): Psicología diferencial. Madrid: Aguilar, p. 211.
192
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
Cuadro 4.11. Los niveles y estadios del desarrollo del juicio moral
Nivel pre-convencional
Estadio 1: moralidad heterónoma
Estadio 2: de moral instrumental e individualizada
Nivel convencional
Estadio 3: moral normativa interpersonal
Estadio 4: moral del sistema social
Estadio 4.5: nivel transicional
Nivel post-convencional
Estadio 5: moral de contrato y de los derechos humanos
Estadio 6: moral de los principios éticos universales
193
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
23
Allport dedica a este tema todo un libro: La personalidad, su configuración y desarrollo, editado
en Barcelona por Herder, en 1975 (5.ª ed.).
194
EL EXPERIMENTO COMO REFERENCIA. VALIDEZ DE LOS DISEÑOS. LA INVESTIGACIÓN EX-POST-FACTO COMO ALTERNATIVA
OBSERVACIÓN E INTERPRETACIÓN
“sentido común”
Ayudado por
1 2
Diagnóstico constitucional Situación sociocultural:
y fisiológico grupo, estado, papel
Técnicas psicológicas
especializadas
3 4 5 6
Documentos personales Evaluación de Muestras de Evaluación de
y estudio de casos sí mismo conducta otras personas
7 8 9 10
11
Procedimientos
sinópticos
24
En este sentido es especialmente recomendable la obra de R. Muchielli, editado en Madrid por
Ibérico-Europea de Publicaciones, en 1970, titulada El método del caso.
195
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
RESUMEN
196
Tema 6
Principales diseños: de uno, dos y más grupos.
Diseños factoriales y de cuadrado latino. Diseño
de covarianza
Presentación
4. El diseño factorial
4.1. Naturaleza del diseño factorial
4.2. Efectos a estudiar en los diseños factoriales
6. El diseño de covarianza
Resumen
197
PRESENTACIÓN
199
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
200
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
este capítulo, nos vamos a referir, es decir, con los diseños de una sola
variable independiente con dos condiciones, tratamientos o niveles, uno de
los cuales es aplicado a uno de los grupos y el otro al segundo, o con una
condición o tratamiento que, aplicada al grupo experimental, se contrasta
con la ausencia del mismo en un grupo de control.
1.2. Control
1
O’NEIL, W. N. (1968). Introducción al método en Psicología. Buenos Aires: Eudeba.
201
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
dor para resolver el problema, para responder a la pregunta que dio origen
a su investigación, concretada en el experimento como metodología ade-
cuada. Desea responder a la pregunta o resolver el problema, pero ha de
hacerlo en condiciones tales que concedan validez y credibilidad a las res-
puestas alcanzadas, y ello sólo es así cuando las respuestas no admiten dis-
cusión razonable, esto es, si en las condiciones en que el experimento se ha
desarrollado, la única o las únicas respuestas plausibles son las alcanzadas
en el mismo. Todo esto no es otra cosa que reiterar el principio básico de
que, lo que interesa, es poder afirmar que los efectos medidos en la varia-
ble dependiente se deban a y sólo a las variaciones introducidas en varia-
ble independiente
Pero para que esto sea así hace falta, además de la variación, la cons-
tancia a la que también se refería dicho autor, constancia que podemos
entender aquí, de manera amplia, como control de las demás variables
independientes, control que, de no darse, haría que actuaran como
extrañas.
El término control, no obstante, como ya sabemos, presenta varias
acepciones2, referidas, de una parte, al dominio del investigador sobre la
variable independiente, lo que le permite su manipulación, aspecto este
al que ya nos hemos referido, y, de otra, a la forma de asignación de los
sujetos a los grupos y al control de las variables extrañas. Pues bien, el
diseño de dos grupos presenta una estructura adecuada para lograr el
control en estas dos últimas dimensiones; al existir dos grupos, si la asig-
nación de los sujetos a los mismos se realiza en condiciones adecuadas,
bien sea al azar bien por técnicas de equiparación como el empareja-
miento, el diseño habrá posibilitado el control como medio para asegu-
rar que, inicialmente, no se dan diferencias significativas entre los gru-
pos en variables relevantes, con lo que, desde este punto de vista, no cabe
pensar que tales variables hayan sido concausa, junto a la variación de
variable independiente, de los resultados medidos en variable depen-
diente (cuadro 6.1).
2
Vid. BORING, E. G.: «The nature and history of experimental control» in American Journal of
Psychology, 1954, 67, pp. 573-589; KERLINGER, F. N. (1975). Investigación del comportamiento, México,
Interamericana, 1975, pp. 321-323, 336-337 y 346-349. ARNAU, J. (1979). Psicología experimental, Méxi-
co: Trillas, pp. 154-161.
202
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
Pero además, al disponer de dos grupos, cada uno puede ser considera-
do como control del otro3, con lo que, si el diseño es adecuado, se habrán
puesto las bases para que todas las posibles variables que afecten a uno de
ellos lo hagan, y del mismo modo, al otro, lo que permitiría al final asegu-
rar que las diferencias medidas en variable dependiente, descartadas las
diferencias iniciales y las que pudieran producirse durante la realización
del experimento, no podrían deberse sino a la variación experimental, pro-
vocada y controlada por el investigador.
3
Recordemos que del sentido inicial de grupo de control como aquel que recibe el nivel 0 de varia-
ble independiente se ha pasado, generalizándolo, a su consideración como grupo de comparación en
igualdad de condiciones salvo, precisamente, de la variable independiente.
203
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
La utilización del azar como técnica de control merece una mínima pro-
fundización. Conviene justificarla, explicar en qué consiste y cuáles son sus
dimensiones fundamentales.
Cuando de una misma población de sujetos se obtienen dos muestras al
azar, en virtud de las mismas leyes del azar los subgrupos o muestras tienden
4
Citado por F. N. KERLINGER, o. c., p. 331.
5
ARNAU, J. (1981). Diseños experimentales en Psicología y Educación. México: Trillas, vol. 1, p. 47.
204
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
205
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«El investigador tiene que hacer una elección de diseños, métodos de observa-
ción, métodos de medición y tipos de análisis de investigación. Todos ellos deben
ser congruentes, deben encajar unos con otros.»8
6
Ibídem, p. 6. Del mismo modo se expresa McGUIGAN, F. J. (1976). Psicología experimental, Méxi-
co: Trillas, p. 124.
7
«Desafortunadamente nunca podemos estar seguros de que una muestra al azar es representati-
va de la población de que se ha extraído», afirma Kerlinger, o. c., p. 122.
8
P. 158.
206
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
207
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
9
ARNAU, J.: Psicología experimental, p. 408.
10
KERLINGER, F. N., o. c., nota 9, p. 349.
11
Ibídem, p. 350.
208
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
12
Ibídem, p. 349.
209
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
13
Aquí utilizaremos X1 y X2 porque, como ya hemos precisado, tomamos el concepto de grupo de
control en su acepción más generalizada.
14
Vid. ARNAU, J.: Psicología experimental, pp. 129 y 145; McGULGAN, F. J., o. c., pp. 177-197.
15
Terminologías de ARNAU, J.: Ibídem, p. 137, y KERLINGER, F. N.: o. c., p. 39.
16
Total o parcial, según acabamos de decir.
210
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
Los valores al azar son fruto de estudios estadísticos nacidos del cono-
cimiento de la forma en que se distribuyen los datos cuando se toman infi-
nitos valores muestreados a partir de una misma población; de ahí la
importancia de elegir para el contraste el modelo de distribución teórico
211
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
212
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
tanto, es menor que 1, lo que significa que las diferencias entre las medias
de ambos grupos no son estadísticamente significativas.
V experimental
V experimental
F= <1
V error
V error
Figura 6.1 representación de la división o análisis de la varianza total en dos partes, correspondientes
a la varianza experimental y a la varianza de error, en el caso de diferencias no significativas.
V experimental V experimental
F= >1
V error
V error
Figura 6.2 representación de la división o análisis de la varianza total en dos partes, correspondientes
a la varianza experimental y a la varianza de error. Diferencias posiblemente significativas.
213
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Selección Variable
Grupo Pretest Postest
y asignación independiente
Experimental Azar — X1 T1
Control Azar — X2 T2
214
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
Selección Variable
Grupo Pretest Postest
y asignación independiente
Experimental Azar T1 X1 T2
Control Azar T3 X2 T4
215
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
17
KERLINGER, F. N., o. c., p. 351.
216
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
217
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
218
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
vado, aumentando así las probabilidades de que las diferencias sean esta-
dísticamente significativas (Ecuación 6.2 prueba t para grupos empareja-
dos o correlacionados).
XA − XB
t=
2 2
s s s s
A
+ − 2rAB A × B
B
nA nB nA nB
2.4. Valoración
Para concluir, tal vez convenga una comparación de las dos modalida-
des básicas, azar y emparejamiento, para resumir sus aspectos positivos y
negativos, y poder optar con juicio mejor formado entre uno y otro.
a) El diseño de bloques o emparejamiento asegura en mayor grado la
equivalencia inicial y, si el emparejamiento fue eficaz, aumenta la sen-
sibilidad del experimento, permitiendo constatar diferencias que, por
el sistema al azar, pueden quedar como explicables por casualidad.
b) El diseño de bloques puede contar con menos sujetos que el al azar;
sin embargo debe partir del estudio y medición a un grupo notoria-
mente elevado para poder seleccionar unas pocas parejas. El diseño
al azar no necesita de tales mediciones previas.
c) Si bien el diseño de bloques parece más sensible que el del modelo
aleatorio, al exigir restricciones quedan limitados los g.l. -grados de
libertad-, concretamente los reduce a la mitad en el caso de t. Por lo
tanto, si por una parte es más fácil rechazar H0 en un diseño de suje-
tos correlacionados por llevar a un denominador de t más reducido,
por otra, al reducirse los g.l. los valores críticos de t que deben igua-
larse o superarse para llegar a diferencias significativas son más ele-
vados que en un diseño aleatorio18. Por lo tanto la cuestión parece
clara: se trata de averiguar cuán grande debe ser la correlación para
18
Compruebe el lector en la tabla de t que con 42 sujetos, en un diseño al azar, con α = 0,05 e hipó-
tesis bilateral, t debería ser ≥ 2,021 (40 g.l.) mientras con esos mismos sujetos y α, en un diseño de empa-
rejamiento tendría que ser ≥ 2,086, pues aquí los g.l. son 28.
219
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Figura 6.3. Relación entre los valorores de r y de n a los efectos de elegir entre diseños
al azar y emparejamiento. Tomada de McGuigan, o. c., p 227.
19
En su conocida obra Diseños experimentales, México: Trillas, 1965.
20
En An introduction to experimental design, New York: McMillan, 1960, cap. 17.
220
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
21
KERLINGER, F. N., o. c., pp. 345-346.
221
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
4. EL DISEÑO FACTORIAL
222
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
Los efectos que pueden estudiarse en un diseño factorial son los siguien-
tes:
223
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
224
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
EL DISEÑO FACTORIAL:
Varianza total
VAB
V experimental VB
V experimental
F= >1
VA
V error
Verror
225
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
226
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
Variable M: Curso
4º de 1º de
Variable N: 2º de ESO TOTAL
Primaria Bachiller
Tipo de asignatura
Ciencias A B C
Idiomas B C A
Humanidades C A B
TOTAL
227
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
V experimental
V columnas
V residual entre celdas
V filas
Vexperimental
F= >1
V tratasmiento
V error
Verror
6. EL DISEÑO DE COVARIANZA
228
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
229
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
grupo partió con ventajas, su media ajustada será menor que la real, y vice-
versa.
«Se han necesitado cerca de cincuenta años para verificar que la cuasi-experi-
mentación es el grado máximo de control pertinente para el estudio de la educa-
ción. Por ello, es hora ya de que se descalifique tanto la investigación llamada pre-
experimental como la experimental propiamente dicha. La primera, como pre
(mejor diríamos a) científica. La segunda, como inadecuada respecto de la inves-
tigación sobre la calidad de la educación.»
22
VÁZQUEZ GÓMEZ, G. (1980). Prólogo a la obra de D.J. FOX: El proceso de investigación en educa-
ción. Pamplona: EUNSA.
230
PRINCIPALES DISEÑOS: DE UNO, DOS Y MÁS GRUPOS. DISEÑOS FACTORIALES Y DE CUADRADO LATINO. DISEÑO DE COVARIANZA
RESUMEN
En el presente tema hemos sometido a estudio la relación directa entre
los diseños de dos grupos y la naturaleza del experimento, realizando una
valoración de tal hecho.
En segundo lugar hemos estudiado los principales diseños de dos gru-
pos, con o sin pre-test, con grupos al azar, formando bloques o empareja-
dos, terminando con una valoración de las diferentes modalidades.
En el tema hemos presentado algunos diseños más complejos y, por lo
mismo, más adecuados para la investigación en educación, dada la com-
plejidad que la caracteriza: se trata de los diseños factoriales, de cuadrado
latino y de covarianza.
Por último, hemos hecho una breve referencia a los diseños de un solo
grupo, en general inadecuados por ser pre-experimentales; no obstante, nos
hemos referido a dos modalidades con algún interés: aquellos en los que
interesa simplemente comprobar la bondad de ajuste a un modelo, y aque-
llos otros que, con un solo grupo, pretenden aplicar el rigor experimental,
en formatos como los de medidas repetidas.
231
Tema 7
Estadística y diseños I. Estimación de parámetros
Presentación
1. Introducción
Resumen
233
PRESENTACIÓN
1. INTRODUCCIÓN
1
A este respecto, puede consultarse el texto 1. PÉREZ JUSTE, R.; GARCÍA LLAMAS, J. L.; GIL PASCUAL,
J. A. y GALÁN GONZÁLEZ, A. (2009). Estadística aplicada a la educación. Ed. Pearson-UNED. Madrid.
235
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
236
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
237
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
cas del hombre que no son directamente mensurables. Lo que medimos son
las manifestaciones observables que atribuimos a dichos constructos. Así,
por ejemplo, cuando medimos la inteligencia a través de un test, lo que
medimos son las manifestaciones observables que teóricamente atribuimos
a la inteligencia, como la capacidad verbal, numérica, abstracta, etc. que
son más fácilmente mensurables. Se sigue el mismo procedimiento para
medir el rendimiento académico, la memoria, la capacidad de resolución de
problemas, las aptitudes, las actitudes, etc.
Lo que debe quedar claro es que necesitaremos uno o varios instru-
mentos adecuados para recoger los datos que permitan responder a los
objetivos e hipótesis de la investigación. Una vez elaborados los instrumen-
tos de medida, se aplican a la muestra, se recogen los datos y se elabora la
matriz de datos. Y a partir de aquí se realizaría la ordenación y categoriza-
ción de datos y el análisis descriptivo, obteniendo ya una información muy
valiosa para caracterizar la muestra respecto a las variables de interés.
La estadística inferencial o inferencia estadística pretende sacar con-
clusiones sobre gran número de datos a través de observaciones de parte de
esos datos. Mediante la estadística inferencial se puede estimar parámetros
y realizar contraste de hipótesis.
Es importante notar que se habla de estimación y no de cálculo de pará-
metros. Con el ejemplo anterior del C.I. se entiende perfectamente. Nos
puede interesar saber el cociente intelectual de una población de 10.000
alumnos. Sin necesidad de aplicar un test a todos ellos, es decir, seleccio-
nando una muestra aleatoria suficiente y representativa, probablemente
obtengamos un valor cercano al verdadero valor de la media aritmética del
C.I. poblacional (el parámetro). Decimos probablemente porque, como ya
comentamos, hemos podido tener tan mala suerte en la selección aleatoria
que la muestra no sea representativa de la población. Por esta razón, en la
inferencia estadística nunca se habla de certezas, sino de probabilidades de
acierto y de error en nuestras afirmaciones.
Dentro del marco de la estadística inferencial suelen distinguirse dos
objetos de estudio: la estimación de parámetros y el contraste de hipóte-
sis. Un parámetro se estima siempre a partir de un estadístico calculado en
una muestra. Se habla de dos tipos de estimación: estimación puntual y
estimación por intervalos. Básicamente, en la estimación puntual se hace
coincidir el estadístico con el parámetro, es decir, se escoge un solo punto
238
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
(el estadístico) para estimar el valor del parámetro. Por su parte, en la esti-
mación por intervalo se ofrece un intervalo de puntuaciones en el cual es
más probable que se encuentre el valor del parámetro.
El ejemplo del CI era clarificador: para estimar la media aritmética del CI
de una población (parámetro), podemos seleccionar una muestra aleatoria
suficiente y representativa en la que aplicar el instrumento de medida, y a par-
tir del estadístico calculado en la muestra (media aritmética), estimaremos el
valor del parámetro (de forma puntual si identificamos este valor con el valor
del parámetro) o, más comúnmente, estimaremos los valores (límites de con-
fianza) entre los cuales es más probable que se encuentre el verdadero valor del
parámetro, es decir, la estimación por intervalo o el intervalo de confianza.
239
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
2
Algunos autores refieren al menos N>30, mientras otros prefieren hablar de N>100.
240
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
241
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
σx = σ
√ N-1
Cuando σ es desconocido, estimaremos su valor y nos basaremos en los
datos de la muestra, en este caso en su desviación típica. En el caso de la
distribución muestral de medias, esta es la fórmula3:
σx = s
√ N-1
Como vemos, el error típico no sólo depende de la desviación típica, sino
que depende en gran medida del tamaño de la muestra. El tamaño mues-
tral es decisivo en la inferencia estadística. Cuando más grande N, más
pequeño el cociente, más pequeño el error típico y más precisión en la esti-
3
En estas dos últimas fórmulas, recordamos que en denominador aparecerá N-1 cuando se haya
calculado en la muestra la desviación típica sesgada, o sólo N cuando se haya calculado la desviación
típica insesgada.
242
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
243
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
z
-1,96 +1,96
Límite Límite
confidencial X confidencial
inferior superior
Error muestral
244
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
4
Gráfico tomado de Wikipedia.
245
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
246
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
247
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
248
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
√ N-1
Por tanto, una vez más, I.C. = r ± E.M., donde E.M. = Z(α/2)·σr
Supongamos que tenemos una muestra de 20 sujetos y obtenemos una
correlación de r = 0,35. ¿Cómo será la correlación en la población con un
nivel de confianza del 95%?
Aplicando la fórmula, obtenemos que el error típico será de (1-0,352)/√19
= 0,20 y la Z(α/2) sabemos que es 1,96, luego el error muestral es igual a 0,39.
En consecuencia, la correlación en la población estará entre los límites
-0,04 y 0,74. Efectivamente, es un enorme intervalo de confianza, desde una
correlación casi nula hasta una correlación alta. ¿Por qué sucede esto? Se
debe al pequeño tamaño de la muestra. Cuanto más pequeña sea la mues-
tra, más imprecisa será nuestra estimación, ya que es más probable que la
muestra esté sesgada o que no sea representativa de la población, por lo que
la cautela debe ser mucho mayor a la hora de generalizar el resultado a la
población.
Podemos aprovechar para introducir aquí el concepto de significati-
vidad o significación estadística, aunque se tratará de nuevo en el epí-
grafe siguiente y más detenidamente en los temas dedicados al contras-
te de hipótesis. ¿Cuándo hablamos de significatividad estadística?
Cuando queremos referirnos al significado de la diferencia entre dos
medidas. Por ejemplo, en el caso de la correlación, ¿cuándo decimos
que un coeficiente de correlación es estadísticamente significativo? En
la mayoría de los casos, cuando es distinto de cero, es decir, cuando el
249
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
250
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
251
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
252
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
⎛ 2 ⎞⎛ ⎞
σ(x1 - x2) = ⎜N1σ 1 + N2 σ 2 ⎟⎜1 + 1 ⎟
2
⎝ N1 + N2 – 2 ⎠⎝N1 N2 ⎠
Harvard Alcalá
— —
X1 = 110 X2 = 105
s = 10 s = 12
N = 90 N = 120
253
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
z
-1,96 +1,96
x– 1 - x– 2
L.C. i=1,92 5 L.C. s=8,08
Error muestral
— —
Gráfico 7.2: Intervalo de confianza para la diferencia de medias X1 - X2 = 5
254
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
255
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
z
-1,96 +1,96
x– 1 - x– 2
L.C. i = 0 - EM 0 L.C. s = 0+EM
Error muestral
256
ESTADÍSTICA Y DISEÑOS I. ESTIMACIÓN DE PARÁMETROS
RESUMEN
257
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
258
Tema 8
Estadística y diseños II. Contraste de hipótesis
Presentación
1. Introducción
Resumen
259
PRESENTACIÓN
1. INTRODUCCIÓN
261
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
262
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
263
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
es igual o menor de 0.05 (es decir, que aparecen 5 veces o menos de cada
100 sucesos) cuando la H0 es verdadera, son considerados improbables.
4. Evaluación de la probabilidad asociada al valor empírico obtenido,
supuesta H0 verdadera. Hemos adelantado en el capítulo anterior
cómo afrontar este juicio. Nos basamos en la distribución muestral
teórica del estadístico en cuestión. En el caso de la media, para mues-
tras grandes, sabemos que su distribución muestral puede ser la dis-
tribución normal. Por tanto, para evaluar cuán lejos está M del valor
µhip nos basamos en el error típico, es decir, medimos dicha distancia
en unidades de error típico. En este caso, la distancia entre M y µhip
es llamada z o puntuación típica estandarizada, cuya distribución
muestral es la distribución normal, de modo que podemos conocer
las áreas o probabilidad de obtener cualquier valor de z (usando las
tablas o un programa informático), mediante la fórmula general:
M– hip
z= σM
264
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
Sin embargo, esta forma de actuar ha tenido en los últimos años serias
críticas (nos detendremos en ellas posteriormente), especialmente porque
en la investigación real no se cumplen los supuestos que rigen la lógica de
la PSHN, en especial, la ausencia de una población claramente definida, la
selección de una muestra aleatoria de la misma (en la mayoría de los casos
se trabaja con muestras incidentales o de conveniencia) y la realización de
una única prueba de significación. En este sentido, en el campo de la Edu-
cación, conviene plantearse los resultados obtenidos más como «evidencia
acumulativa» que como una prueba irrefutable para tomar decisiones. En
esta línea, como veremos después, será de gran ayuda recurrir a índices
complementarios como la magnitud del efecto.
265
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
H0 es verdadera H0 es falsa
Decisión correcta
Error tipo I (α): nivel
Rechazar H0 (1- α): potencia
Decisión del de significación
investigador estadística
No rechazar H0 Decisión correcta (1- α) Error tipo II (β)
El error tipo II (β), por su parte, nos llevaría a afirmar que el medicamento
no es eficaz, cuando en realidad sí lo es. O nos llevaría a concluir que el nuevo
método de enseñanza de las matemáticas no eleva significativamente el ren-
dimiento en matemáticas de los alumnos, cuando en realidad produce mejo-
res resultados que el método tradicional. Por tanto, el error tipo II coincide
con la probabilidad de no rechazar la H0 cuando ésta es realmente falsa.
266
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
1
Para hacernos una idea del funcionamiento de la potencia, pueden consultarse tablas en páginas
web como la del prof. Soper http://www.danielsoper.com/statcalc/calc01.aspx
267
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
268
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
269
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
270
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
271
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Zona de rechazo
de H0; p = /2 Zona de no rechazo
de H0
Z
-1,96 0 +1,96
x– e. - x– c.
dif. – 1,96 σ – -x
x – dif. + 1 σ dif. + 2,57 σ
e. c. = 0
272
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
obtener un valor tan extremo o más que el valor observado obtenido al cal-
cular el estadístico de contraste (z, t, F, etc.), asumiendo que la hipótesis
nula es verdadera. Este valor viene dado por la mayoría de los actuales pro-
gramas estadísticos utilizados.
Mediante el nivel de significación, llegamos a una decisión binaria:
rechazamos o no rechazamos H0. Con el valor exacto de p damos una infor-
mación mucho más precisa: no sólo si es mayor o menor que el nivel de sig-
nificación, sino la probabilidad exacta de obtener un valor igual o superior
al observado si la H0 es verdadera. Ello nos permite juzgar si hubiéramos
podido rechazar H0 en caso de que se hubiera elegido un α más exigente.
De hecho, muchas revistas científicas del campo de la educación, siguien-
do las recomendaciones de la American Psychological Association (APA),
exigen a los autores informar del valor exacto de p en sus artículos. En pro-
gramas como el SPSS, el valor de p aparece bajo la abreviatura sig. (signi-
ficación).
Otra forma frecuente de informar del valor de p en artículos científicos
en los que se exponen numerosos contrastes en una misma tabla, es utili-
zar la siguiente nomenclatura:
273
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
274
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
275
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
por tanto habrá que encontrar diferencias muy grandes para poder genera-
lizar que en la población de referencia también hay diferencias). En
muchas ocasiones que no hemos rechazado H0, bastaría haber tenido una
muestra más grande para haberla rechazado. Cuanto más grande es el
tamaño muestral, más fácil es obtener una diferencia estadísticamente sig-
nificativa, aunque las diferencias entre las muestras sean pequeñas.
Otra explicación factible es que no se eligieron o no se manipularon bien
los niveles de la variable independiente, es decir, volviendo a nuestro ejem-
plo, significaría que los programas de enseñanza son tan parecidos que no
permiten mostrar las diferencias que se habrían obtenido en rendimiento
lecto-escritor si el programa experimental no tuviera características en
común con el tradicional (puede pensarse también en la cantidad o la dosis
de medicamento suministrada a los pacientes para mostrar su efecto real).
También podría suceder que estemos midiendo inadecuadamente la varia-
ble dependiente (poca fiabilidad y validez) o que sea insensible a los efec-
tos de la variable independiente. En definitiva, concluimos que, en las con-
diciones en las que hemos realizado nuestra investigación, no podemos
rechazar la hipótesis nula, lo cual no quiere decir que sea cierta o aceptemos
la hipótesis nula, porque en otras condiciones (mayor tamaño de la mues-
tra, niveles de la VI…) podríamos haber llegado a rechazarla (por eso en
Educación es tan importante la replicación de las investigaciones).
Por otra parte, la interpretación de un resultado estadísticamente signi-
ficativo también debe hacerse con cautela. Deben tenerse en cuenta todos
los supuestos ya comentados para aplicar la prueba de significación de la
hipótesis nula. Además, deben tenerse en cuenta algunos efectos indesea-
dos que afectan a la validez interna, como la expectativa del investigador de
que se cumpla su hipótesis o de que tenga éxito el tratamiento experimen-
tal. También debe considerarse la posibilidad de que nuestra variable inde-
pendiente correlacione altamente con otra variable independiente no teni-
da en cuenta y que sea esta última, en realidad, la que está produciendo los
efectos sobre la variable dependiente que atribuimos a la primera. Como
afirma Wagner (2008: 102), «para evaluar si un valor de p aporta una infor-
mación precisa acerca de la magnitud del riesgo de cometer error tipo I, los
investigadores necesitan: comprender la lógica de los condicionantes de la
PSHN; reconocer los procesos que pueden violar dichos condicionantes en
sus estudios; y, finalmente, darse cuenta de cómo dichas violaciones pue-
den hacer que los valores nominales de p sean estimaciones imprecisas del
276
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
277
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
278
ESTADÍSTICA Y DISEÑOS II. CONTRASTE DE HIPÓTESIS
RESUMEN
279
Tema 9
Las pruebas paramétricas y su uso en los diferentes
diseños: ANAVA. Las pruebas t de Student
y F de Fisher
Presentación
Resumen
281
PRESENTACIÓN
283
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Sin embargo, si los datos no se apartan «mucho» del modelo nos servi-
mos de sus características para calcular, por ejemplo, el volumen del obje-
to cónico o piramidal. Pues eso mismo hacemos en nuestro caso.
El problema está en decidir cuánto es ese «mucho»; o mejor: a partir de
qué valor podemos decidir que nuestra distribución deja de acomodarse al
modelo. Para ello disponemos de las denominadas «pruebas de bondad de
ajuste», a las que hemos hecho referencia y a una de ellas le dedicaremos
espacio en el siguiente tema.
Para el momento, baste saber que entre las pruebas disponibles las hay
con mayores prestaciones, pero con mayores exigencias para poder ser uti-
lizadas. En este tema vamos a estudiar dos pruebas de este tipo, denomi-
nadas «paramétricas», la t de Student y la F de Fisher. Dedicaremos una
atención especial al análisis de la varianza en que consiste F.
La resolución estadística de los diseños de dos grupos ofrece una cierta com-
plejidad en el sentido de que, dadas sus características y su uso, se dispone de
una amplia variedad de pruebas que se traducen en una primera exigencia al
investigador consistente en la elección de la más adecuada a sus necesidades.
Tal variedad tiene que ver con criterios de referencia que van de las
características de los datos a la manera en que se forman los grupos, pasan-
do por el tipo de diferencias que se contrastan. En efecto, el tratamiento
estadístico de los datos consiste en una serie de modelos teóricos que per-
miten atribuir a los datos empíricos, recogidos para validar la hipótesis del
investigador —H1—, un determinado valor de probabilidad.
Si el valor conforme a la hipótesis del azar —H0— es igual o más peque-
ño que el que inicialmente estaba dispuesto a admitir como riesgo de equi-
vocarse al rechazar H0 —error tipo I—, representado por α o nivel de signi-
ficación estadística, puede rechazarse esta, H0, y aceptar aquella — H1—.
Ahora bien, esos modelos de distribución teórica de datos vienen caracteri-
zados por ciertas notas y exigencias que, de cumplirse en los datos empíri-
cos, permiten o justifican la aplicación a estos de sus propiedades y, conse-
cuentemente, la asignación de valores de probabilidad; en caso contrario,
tal asignación no será correcta dando lugar a decisiones erróneas.
284
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Pues bien, desde este punto de vista se han elaborado dos grandes cate-
gorías de modelos teóricos, conocidos como pruebas paramétricas y no
paramétricas que, aparte de sus características, presentan ventajas e incon-
venientes que en cada caso deben ser objeto de consideración.
La formación de los grupos, como ya hemos visto, se puede realizar fun-
damentalmente mediante dos grandes procedimientos, la aleatorización y
el emparejamiento. En cada uno de ellos la estimación de las diferencias
debidas al azar1 se realiza de modo diferente dado que con el segundo pro-
cedimiento se ha actuado intencionadamente para lograr una mayor homo-
geneidad entre las parejas e identificar fuentes de varianza. Consecuente-
mente, el tratamiento estadístico debe tomar en consideración estos
hechos. Desde esta perspectiva hay que elegir entre pruebas para sujetos
seleccionados independientemente o para aquellos que se han emparejado.
Otro elemento a considerar es el tipo de diferencia entre los grupos sobre
el que se desea decidir. Hay casos en que las hipótesis son muy generales e
inespecíficas pero en otros se refieren a diferencias en posición o variabili-
dad, o pueden hacer mención de diferencias en proporciones o niveles de
relación (correlación). En cada caso tanto los estadísticos a calcular en las
muestras cuanto la estimación de las diferencias al azar son diferentes.
En una visión más amplia que el diseño de dos grupos será preciso tomar
en consideración justamente el número de variables independientes que actú-
an simultáneamente así como los niveles, condiciones o tratamiento de cada
una de ellas.
Una vez elegida la prueba, otros aspectos cobran especial relevancia
cuando se trata de decidir sobre el rechazo o no de H0 siendo los funda-
mentales el nivel de significación estadística —α— y el tipo de hipótesis
planteado, esto es, si es unilateral o de una cola o bilateral o de dos.
1
Ya sabemos que en este término se incluyen las diferencias no debidas a la variable experimental
o independiente.
285
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
En el caso que nos ocupa, los supuestos del modelo teórico se refieren a
la independencia de las observaciones, a la normalidad de la distribución, a
la homogeneidad de las varianzas y al nivel o escala de medida, al menos de
intervalo.
Parece claro que la atribución de valores de probabilidad a los datos empí-
ricos valiéndose de modelos teóricos paramétricos debería partir de la com-
probación de que tales supuestos no son sólo supuestos sino que se cumplen
razonablemente en la realidad. Subrayamos lo de razonablemente porque, en
la conocida polémica sobre el uso de uno u otro tipo de pruebas, ésta puede
ser una buena regla; en efecto, parece ser que las violaciones de menor cuan-
tía son soportadas bien por las pruebas paramétricas (hablamos de su robus-
tez) siendo únicamente preocupante el caso de violaciones graves2.
Cuando alguno de tales supuestos no se cumple, los defensores de las
pruebas no paramétricas afirman que hay que recurrir a estas, caracteriza-
das por unas menores exigencias y, consiguientemente, una mayor aplica-
bilidad, aunque paguen ambas con una menor potencia, esto es, con una
menor probabilidad de rechazar H0 falsas. Debe indicarse, no obstante, que
se da otra alternativa, a la que no nos referiremos aquí, consistente en la
realización de transformaciones de las puntuaciones originales en otras que
den cumplimiento a tales restricciones3.
Las principales ventajas e inconvenientes de ambos tipos de pruebas
pueden resumirse en los siguientes puntos:
Pruebas paramétricas:
a) Sus ventajas se centran fundamentalmente en dos aspectos:
2
KERLINGER, F. N. (1975). Investigación del comportamiento. México: Trillas, pp. 298-299.
3
El lector puede consultar OSTLE, B. (1974). Estadística aplicada, México: Limusa.
286
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
287
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
diferencias son o no significativas, esto es, si van o no más allá de los limi-
tes esperables por azar. En ocasiones el contraste a que nos referimos
puede ser justamente el objetivo de la investigación en cuestión, como
cuando se trata de estudiar las características que definen en una serie de
rasgos a determinada clase de grupos, como el sexo, la edad, la clase social,
la raza, etc. Pero en otros casos esos contrastes se realizan justamente para
decidir sobre la aplicabilidad o no a determinados datos empíricos de cier-
tas pruebas estadísticas; en efecto, como veremos más adelante, hay oca-
siones en que conviene contrastar la homogeneidad de varianzas para deci-
dir sobre la aplicabilidad o no de pruebas de tipo paramétrico.
Los planteamientos básicos sobre diferencias de medias aritméticas,
que veremos con detalle a lo largo de éste tema, son aplicables sustancial-
mente a las diferencias de variabilidad.
Otro tipo de pruebas que pueden llevarse a cabo se refieren a las corre-
laciones. La correlación es uno de los estadísticos de mayor uso en el ámbi-
to de la experimentación pedagógica. Decidir sobre la significación de los
coeficientes de correlación, esto es, sobre si representan o no correlación
real para la población toda de la que se extrajo la muestra, es un problema
frecuente; pero, en ocasiones, interesa decidir sobre diferencias de correla-
ciones obtenidas, bien sea sobre un mismo aspecto en muestras diferentes,
bien sobre varios aspectos diferentes en una misma muestra. La significa-
ción estadística de las diferencias de coeficientes de correlación puede,
pues, constituir un objetivo de la investigación empírica. En tales casos es
preciso tener en cuenta siempre el tipo de correlación que se ha calculado,
bien sea correlaciones que exigen mediciones muy perfectas, como el caso
del rxy de Pearson y sus derivados, bien otras como la correlación ordinal,
debida a Spearman, o la de carácter nominal, mejor denominada asocia-
ción. Cada coeficiente cuenta, como es natural, con su correspondiente
error típico para la estimación de la correlación esperable por puro azar.
Por último, determinadas pruebas pueden, asimismo, plantearse si las dife-
rencias entre proporciones a que han sido traducidas las puntuaciones brutas
para facilitar las comparaciones, son o no significativas; o, como en el caso
anterior, si las diferentes proporciones, en sí mismas, son o no significativas,
aunque sea éste un hecho con menor sentido que en el caso de la correlación.
Quede claro pues que el campo de las pruebas estadísticas no se reduce
a los aspectos que, a continuación, y de modo detallado, vamos a conside-
288
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
rar. Eso sí, en sus aspectos básicos, los conceptos que estudiaremos a con-
tinuación tienen gran aplicabilidad a los casos a los que de pasada nos aca-
bamos de referir.
4
Naturalmente, en el caso de muestras relacionadas este supuesto no se da, pero entonces se eli-
gen pruebas paramétricas especiales para el caso, como veremos más adelante.
5
BONEAU, C. (1960). «The efTects of Violations of Assumtions Underlying the t tests», in Psycho-
logical Bulletin, 57, pp. 49-64.
289
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
6
GLASS, G. V. y otro (1974). Métodos estadísticos aplicados a las Ciencias Sociales, Madrid, Prenti-
ce-Hall International, pp. 371-372.
290
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
7
SIEGUEL, S. (1976). Estadística no paramétrica. México: Trillas, p. 39.
291
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
292
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
XA − XB
t=
[(n A
− 1) s2A + ( n B − 1) s2B
nA + nB − 2 ][
1
+
1
nA nB ]
Ecuación 9.2. Contraste de diferencias entre medias aritméticas cuando se desconocen
σA y σB, pero se suponen iguales entre sí y al parámetro, para grupos independientes
8
AMON, J. (1976). Estadística para psicólogos. Madrid, vol. 2, pp. 111-118.
293
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
XA − XB
z=
s 2A s 2B
+
nA nB
Ecuación 9.3. Contraste de diferencias entre medias aritméticas cuando se desconocen
σA y σB, supuestas distintas, y con nA y nB grandes
294
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
9
Naturalmente, conforme el tamaño de la muestra disminuya el modelo ya no será el normal sino
t para los g.l. concretos. El razonamiento, no obstante, es válido.
295
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
296
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
2.2.2. Pruebas z y t
a) Ejemplo primero:
El profesor de Educación Física de un colegio desea contrastar su siste-
ma de entrenamiento en salto de altura con otro nuevo que ha conocido a
través de una revista especializada. A su sistema lo denomina A y al nuevo
B. Antes de lanzarse a su aplicación masiva decide llevar a cabo una inves-
tigación previa con 20 sujetos de sus clases de Educación Secundaria Obli-
gatoria (ESO) tomando al azar 4 de cada uno de los cinco grupos a los que
imparte clases y asignando al azar dos al grupo A y dos al B. Los sujetos
entrenan en sus respectivos cursos con todos sus compañeros, sin saber que
están siendo miembros de una investigación. El salto de altura es medido a
final de curso.
Desea probar su hipótesis de existencia de diferencias en salto de altu-
ra según el método a un nivel de confianza del 95 % —nivel de significa-
ción o α = 0,05— y parte del hecho de que desconoce los valores de σA y
σB, —desviaciones típicas de ambos grupos en la población— pero los supo-
ne iguales entre sí (no encuentra razones objetivas para otra cosa) e iguales
al parámetro por considerar que sus muestras al azar así lo permiten.
Los resultados medidos en salto de altura al final de curso, expresados
en centímetros, fueron:
297
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Grupo A: 174, 172, 169, 164, 163, 159, 154, 149, 146, 138.
Grupo B: 168, 153, 161, 176, 149, 175, 163, 172, 164, 146.
XA − XB
t=
[(n A
− 1) s2A + ( n B − 1) s2B
nA + nB − 2 ][
1
+
1
nA nB ]
298
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Resolución
Con los cálculos de la tabla 9.1 como base, los datos para calcular t son
los siguientes (Cuadro 9.1)11:
10
Este valor se obtiene entrando en la tabla de t por la columna encabezada por 0,05 bajo la rúbri-
ca de hip6tesis bilateral o de dos colas, y por la fila de 18 g.1.
11
El cálculo de la media y de la desviación típica se ha llevado a cabo mediantes las siguientes
fómulas:
n
∑ X1
∑x 2
X= i=1
; s=
n n −1
299
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
VALORES
GRUPOS ––
n ∑X ∑ X2 X s
A 10 1.588 1.269,6 158,8 11,88
B 10 1.627 1.008,1 162,7 10,58
158, 8 − 162, 7 3, 9
Por tanto12: t = = = 0, 78
5, 03
( 9 × 11, 88 2 + 9 × 10, 58 2
10 + 10 − 2 )( 1 1
+
10 10 )
12
Esta fórmula puede encontrarse en algunos textos como
XA − XB
t=
1 1
( sc A + sc B
nA + nB − 2 )( +
nA nB )
n 2
n (∑ X )
i=1
1
2
donde SC = suma de cuadrados = ∑X 1
− y que es equivalente en sus resultados.
1=i n1
300
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
a) Interpretación
El valor empírico encontrado, t = 0,78, queda claramente dentro de la
zona de azar, esto es, conforme a H0 o a la explicación de las diferencias
empíricas como debidas a los errores aleatorios de muestreo. Se piensa que
tales diferencias no son significativas y que bien podría ocurrir que en nue-
vos experimentos las diferencias se invirtieran como fruto del azar, siendo
en realidad nulas. Por eso, y sin atrevernos a afirmar que las diferencias no
son reales13 las consideramos como si no lo fueran por ser demasiado ele-
vada de probabilidad de que sean casuales.
Una forma complementaria de proceder consistiría en calcular el inter-
valo confidencial alrededor de la diferencia empírica encontrada. Si en tal
intervalo apareciera el valor 0 (cero) —diferencia nula— como uno de los
posibles, tendríamos que admitir que nuestra diferencia empírica es com-
patible con que, para toda la población —que es el campo de referencia
que interesa al investigador— la diferencia fuera cero o nula, por lo que no
la tomaríamos en consideración. Y es que el investigador, a la hora de pro-
bar sus hipótesis, se comporta en forma conservadora, se protege contra
decisiones apresuradas dando un gran margen de probabilidades al azar14,
no decidiéndose a dar valor real, a considerar significativas, sino a aque-
llas diferencias en que la explicación por efecto del azar resulte muy poco
plausible15.
Como sabemos, tal estimación del intervalo confidencial consiste en
crear, alrededor del valor empírico, en este caso la diferencia de medidas
aritméticas = 158,88 - 162,7- un intervalo que incluya el 95 % de los valo-
res centrales alrededor del mismo16. En realidad deseamos apartarnos del
parámetro —diferencia para toda la población— tantas unidades de des-
13
Este es un hecho importante: no rechazar H0 no significa decir que no existen diferencias sino
que las que se encuentran pueden explicarse por azar; en tal caso el investigador, cauteloso, actúa como
si no existiesen, pues hay una clara hipótesis rival. La prueba de ello es que admite que en su decisión
de no rechazar H0 se puede equivocar, cometiendo ahora lo que se conoce como error tipo II.
14
«Hacemos una compleja apuesta con las probabilidades en contra nuestra», afirma Kerlinger; vid.
o. c., p. 159.
15
¿Sería plausible admitir que el azar es el único motivo por el que al sujeto x le toque la lotería en
4 sorteos de cada 5? Sin embargo, en la realidad, aunque las probabilidades de una explicación pura-
mente casual o de azar son muy escasas, el hecho en cuestión no es imposible, por lo que aceptar que
en él hay algo más que azar siempre comporta un riesgo, por reducidísimo que sea.
16
95% porque aquí trabajamos a ese nivel de confianza.
301
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
viación —tantos errores típicos— como sea necesario para incluir dicho
porcentaje de casos, esto es: µA - µB ± t x σ X––A – X––B, donde σ X––A – X––B es el error
típico de las diferencias de medias de los grupos A y B17.
Como en nuestra situación no conocemos el citado parámetro (diferen-
cia de medias aritméticas: (µA - µB) nos conformamos con su estimador la
diferencia de medias aritméticas empíricas; el número de unidades de des-
viación o errores típicos que debemos apartarnos ya lo sabemos —lo obtu-
vimos consultando las tablas de t— siendo 2,101 por encima y por debajo
del parámetro; y el del error típico de la diferencia de medias (σ X––A – X––B) ya
está calculado, siendo el denominador de t en la ecuación 9.2. Por tanto18,
3,9 + 10,57 = 14 47
|158,8 -162,71| ± 2,101 x 5,03 =
3,9 – 10,57 = - 6,67
17
Para ser más exactos deberíamos precisar el valor de t, que será: t α/2 (nA + nB - 2) y t1 – α/2, (nA + nn
que debe leerse: t para un nivel de significación α/2 (en nuestro caso 0,05/2) y (nA + nB - 2) g.l., en
- 2)
nuestro caso 18 g.l.; y t para 1 - α/2 (en nuestro caso, l - 0,05/2 = 0,975) y18 g.1.
Como la distribución de t es simétrica ambos valores son iguales en valor absoluto: ± 2,101.
18
Recuerde que |158,8 -162,71| representa que tomamos la diferencia de medias en valor
absoluto.
302
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
19
Conviene precisar que nuestra exposición se está refiriendo al muestreo aleatorio simple, que no
es exactamente nuestro caso, sino una situación más realista ya que aquél obligaría a reformar los gru-
pos de clase. No obstante entendemos que, para nuestros propósitos, puede ser válido el razonamiento.
303
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
XA − XB
t=
s 2A s 2B
+
nA nB
304
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Resolución
Los cálculos de la tabla 9.2 nos permiten obtener los datos para resolver
la ecuación 9.3, que figuran en el cuadro 9.2:
Valores
Grupos ––
n ∑X ∑x2 X s
A 15 2.400 2.022 160 12,02
B 15 2.473 409,73 164,87 5,41
Por lo tanto:
164, 87 − 160 4, 87
t= = = 1, 43
5, 412 12, 022 3, 40
+
15 15
XA XB xA xA2 xB xB2
176 165 16 256 0,13 0,02
174 166 14 196 1,13 1,28
172 153 12 144 -11,87 140,90
170 168 10 100 3,13 9,80
169 172 9 81 7,13 50,84
167 164 7 49 -0,87 0,76
164 159 4 16 -5,87 34,46
163 163 3 9 1,87 3,50
159 166 -1 1 1,13 1,28
157 168 -3 9 3,13 9,80
154 156 -6 36 -8,87 78,68
149 172 -11 121 7,13 50,84
146 170 -14 196 5,13 26,32
142 166 -18 324 1,13 1,28
138 165 -22 484 0,13 0,02
∑ 2.400 2.473 2.022 409,73
305
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Interpretación
Para decidir si la diferencia empírica —4,87 cm— es lo suficientemente
elevada como para no achacarla al azar debemos encontrar el valor crítico
de t, pero, en este caso, como paso previo, debemos determinar los g.l.
correspondientes:
2
g.l. =
(12,02 2
/ 15+ 5,412 / 15) - 2 = 20,30
2 2
(
12,022 / 15 ) +( 5,412 / 15 )
16 16
Buscaremos, pues, t con 20 g.l. (valor del entero más próximo) y para α
= 0,01 en hipótesis unilateral. El valor critico es, pues, 2,528, muy superior
a 1,43, razón por la cual no podemos rechazar H0. Lo mismo puede ser
apreciado en la figura 9.4:
306
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
28 – 27 – 25 – 24 – 23 – 20 – 18 – 15 – 13 – 12 – 12 – 10 – 10 – 9 – 9
XA
∑X A = 255
30 – 28 – 28 – 26 – 26 – 24 – 20 – 18 – 15 – 13 – 12 – 12 – 10 – 10 – 8
XB
∑X n = 280
307
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
nivel de confianza del 95 %, y parte para ello del supuesto de que se cum-
plen las exigencias de las pruebas paramétricas.
Análisis del caso
a) Se trata de sujetos seleccionados al azar.
b) Hipótesis: Bilateral, pues no predice el sentido de las diferencias, esto
es, a favor de qué sexo se darán. Por tanto: H0 : µA = µB ; H1 : µA -
µB ≠0, o µA ≠ µB
c) Prueba paramétrica: Se cumplen los supuestos y la medición bien
puede considerarse próxima a intervalos.
d) Se conocen las desviaciones típicas de la población pues se examinó
a todo el colegio.
En consecuencia se utilizará como estadístico de contraste la ecuación
9.1 distribuido normalmente.
20
XA - XB
z=
σ 2A σ 2B
+
nA nB
20
Fíjese el lector en que, con respecto a 9.3, aquí no aparece el símbolo sA y sB propios de las mues-
tras, sino σA y σB porque se conocen los parámetros.
308
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Por lo tanto:
17 -18,67 1,67
t= = = 0,56
2
7,9 8,4 2 2,98
+
15 15
Figura 9.6. Zonas conforme a H0 y H1, Figura 9.7. Intervalo confidencial alrededor
–– ––
y situación del valor empírico de t. de XA – XB y situación del 0.
7,51
1,67 ± 1,96 x 2,98 = 1,67 ± 5,84 =
-4,17
Como puede apreciarse, el valor cero o diferencias nulas es uno de los
posibles dentro de dicho intervalo, teniendo, además, una alta probabilidad
de aparecer como se desprende de la consideración de la figura 9.7 y de su
situación en la misma, muy cercano a la ordenada de la media.
d) Cuarto ejemplo:
Se trata de un investigador que desea probar el influjo del momento psi-
cológico en la realización de las pruebas de atención. Para ello utiliza dos
clases de 4.° de la ESO, formadas por orden alfabético, a las que pasa una
misma prueba de tachado a continuación del recreo. A uno de ellos, el A, se
la pasa un día de lluvia, en que el recreo ha tenido lugar en el aula, consis-
tiendo en juegos de mesa (dominó, parchís...); al otro, el B, se aplicó tras la
realización en dicho recreo del partido final de la liga entre los equipos del
colegio.
309
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
XA − XB
z=
s 2A s B2
+
nA nB
Resolución
Al distribuirse normalmente, el valor crítico en una hipótesis unilateral
para un valor de α = 0,05, es el de -1,645; valores negativos (se trata de hipó-
tesis unilateral) iguales o superiores a - 1,645 permiten en rechazo de H0. En
–– ––
realidad el valor crítico puede ser + 1,645, si comparamos XB – XA —ya que
la hipótesis es que el grupo B tendrá mayor número de errores que el A.
Obsérvense estos puntos en las figuras 9.8 y 9.9:
310
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Valores
Grupos ––
n ∑X ∑x2 X s
A 33 309 701,64 9,36 4,61
B 33 394 671,85 11,94 4,51
9, 36 − 11, 94 −2, 58
t= = = −2, 30
2
4, 61 4, 51 2 1,12
+
33 33
XA XB xA xA2 xB xB2
20 23 10,64 113,21 11,06 122,32
19 20 9,64 92,93 8,06 64,96
17 16 7,64 58,37 4,06 16,48
15 19 5,64 31,81 7,06 49,84
15 18 5,64 31,81 7,06 36,72
14 18 4,64 21,53 6,06 36,72
12 17 2,64 6,97 5,06 25,60
12 15 2,64 6,97 3,06 9,36
12 14 2,64 6,97 2,06 4,24
12 14 2,64 6,97 2,06 4,24
11 13 1,64 2,69 1,06 1,12
11 12 1,64 2,69 0,06 0,0036
11 12 1,64 2,69 0,06 0,0036
10 12 0,64 0,41 0,06 0,0036
10 10 0,64 0,41 -1,94 3,76
10 13 0,64 0,41 1,06 1,12
10 12 0,64 0,41 0,06 0,0036
9 12 -0,36 0,13 0,06 0,0036
9 10 -0,36 0,13 -1,94 3,76
8 10 -1,36 1,85 -1,94 3,76
8 8 -1,36 1,85 -3,94 15,52
311
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
XA XB xA xA2 xB xB2
7 11 -2,36 5,57 -0,94 0,88
7 12 -2,36 5,57 0,06 0,0036
6 13 -3,36 11,29 1,06 1,12
5 6 -4,36 19,01 -5,94 35,28
5 9 -4,36 19,01 -2,94 8,64
4 9 -5,36 28,73 -2,94 8,64
4 8 -5,36 28,73 -3,94 15,52
4 6 -5,36 28,73 -5,9 35,28
4 6 -5,36 28,73 -5,94 35,28
3 6 -6,36 40,45 -5,94 35,28
3 5 -6,36 40,45 -6,94 48,16
2 5 -7,36 54,17 -6,94 48,16
Interpretación.
Dado que el valor -2,30 representa una separación de la diferencia de
medias mayor de -1,645 podemos rechazar H0, admitiendo un riesgo de
cometer el error tipo I con probabilidad de 0,0521 como máximo:
Una vez más podemos llegar a los mismos resultados si calculamos el
intervalo confidencial:
-0,74
(9,36 - 11,94) ± 1,645 x 1,12 = - 2,58 ± 1 84 =
-4,42
En él se aprecia que el valor cero o de diferencias nulas no aparece entre
los posibles alrededor de la diferencia empírica encontrada. Tal como
hemos visto en otros casos, existe una probabilidad de 0,95 de que las dife-
rencias empíricas no se alejen de la diferencia verdadera para la población
más allá de 1,84 puntos, por lo que, en 95 casos de cada 100, el intervalo
construido alrededor de diferencias de medias calculadas en pares de mues-
21
En realidad, y mirando a las tablas, para nuestro caso concreto, ese riesgo queda reducido a
0,0107, notoriamente inferior al que estábamos dispuestos a aceptar de 0,05.
312
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Sin pretender entrar en el tema sino del modo más sencillo, vamos a
presentar aquí la prueba F y su más elemental justificación.
En efecto, el análisis de la varianza —en adelante ANAVA22— , en dise-
ños de dos grupos no es sino una alternativa a la prueba t; se trata de una
prueba de idéntica potencia, cuya relación con t es sencilla: puede compro-
barse que, en los casos de un g.l. —diseños de dos grupos, t = F o, lógica-
mente, t2 = F—.
En los diseños de dos grupos el ANAVA o prueba F no añade nada
nuevo; sin embargo, en el caso de tres o más grupos para una misma varia-
ble independiente, F no tiene alternativa paramétrica, debiéndose proceder
a comprobar si F es o no significativa, y en caso positivo, pasar a compara-
ciones entre pares de medias aritméticas23; en tales diseños F nos indica, de
una sola vez, si entre todos los grupos se dan diferencias significativas, sin
indicar, eso sí, dónde se encuentran.
Centrándonos en nuestro caso, nos interesa explicar los planteamientos
básicos de la prueba F. La idea fundamental consiste en que la variabilidad
de las puntuaciones de los sujetos en la variable dependiente —v.d.— puede
descomponerse —analizarse— en partes que, juntas, constituyen la varia-
bilidad total, en nuestro caso la varianza total.
El análisis más elemental de tal variabilidad consiste en separar aque-
lla que es debida al efecto diferencial de de la v.i —tratamiento o condi-
22
En muchos libros podemos leer ANOVA, por analysis of variance.
23
Kerlinger, prefiere en vez de estas pruebas las comparaciones planeadas, aunque reconoce que
aquellas pueden ser importantes «para explorar datos propios y para obtener indicios sobre futura inves-
tigación» (p. 244), Vid. al respecto: ARNAU, J. (1981). Diseños experimentales en psicología y educación.
México: Trillas, pp. 88-95.
313
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
24
Esta afirmación, y el ejemplo que pondremos, ilustrarán una situación «pura»; por ejemplo en
que, tras la formación de los grupos al azar, se aplicase una v.i de efectos inmediatos, medidos en ese
mismo momento; naturalmente cuando desde la formación de los grupos hasta la medición de v.d. pasa
un tiempo suficientemente amplio, pueden darse cambios en las diferencias individuales, cambios que
se integran en la varianza de error; si el diseño es bueno, esos cambios naturalmente afectarán por igual
a ambos grupos.
25
Vid. GLASS, G. V. y otro, o. c., cap. 15.
314
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
315
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
este cambio está en que, con este procedimiento, las varianzas son esti-
maciones imparciales del parámetro, tal como hemos indicado antes,
mas no si dividimos por n.
La otra precisión es que si bien las varianzas que calculamos no son
necesariamente aditivas, sí lo son las sumas de cuadrados —numeradores
que se utilizan como paso previo para la determinación de las diferentes
varianzas—.
Tras estas precisiones vayamos al ejemplo.
Ejemplo quinto:
Un investigador desea comprobar si el tipo de personalidad tiene influ-
jo en el número de intentos que llevan a cabo los sujetos para resolver deter-
minado test. Su hipótesis la concreta en que la personalidad tipo A debe dar
lugar a un número superior de intentos a los originados con el tipo B, como
consecuencia de que entre las características que definen ambos tipos se da
la tendencia a responder de inmediato (tipo A) o a considerar con mayor
reflexión las diferentes alternativas (tipo B).
Por ello, tras haber aplicado varios tests de personalidad para poder
seleccionar con cierta seguridad sujetos de uno y otro tipo, toma al azar 12
sujetos de tipo A y 14 del tipo B a los que aplica el referido test: En cada
caso la medición de v.d. consiste en anotar el número de intentos que ha
necesitado para resolver correctamente toda la prueba. Considera que se
dan los supuestos exigidos por las pruebas paramétricas, incluido el nivel
de medición. Desea probar su hipótesis con un nivel α = 0,01.
Los valores medidos sobre v.d. aparecen, con los oportunos cálculos, en
la tabla 9.6.
Análisis del caso
a) Se trata de sujetos seleccionados al azar26.
b) Se puede aplicar una prueba paramétrica,
c) La hipótesis es unilateral. Por tanto, H0: µA = µB; H1: µA > µB;
En consecuencia puede utilizar t o F. Elegimos F.
26
Recuerde el lector la diferencia entre variables activas y atributivas, y sus consecuencias.
316
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Resolución
Los datos y los principales cálculos aparecen en la tabla 9.5, origen del
cuadro 9.6 en que aparecen los valores de los principales estadísticos.
XA XB xA2 xB2
38 33 1.444 1.089
36 32 1.296 1.021
32 31 1.024 961
30 30 900 900
29 30 841 900
29 26 841 676
28 26 784 676
27 25 729 625
27 23 729 529
25 22 625 484
22 22 484 484
19 20 361 400
– 18 321
– 16 256
Estadísticas
Grupos ––
n ∑X ∑X2 (∑X)2 X s
317
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
N 2
N (∑ X ) 1
S.C.T = ∑ X - 2 i=1
1
i=1 N
N 2
(∑ X )
i=1
1
6962
S.C.T =19.386 − =19.386 − 18.631,38 = 754,62.
26
n 2 N 2
G
S.C.E = ∑
(∑ X )
i=1
1
−
(∑ X )
i=1
1
i=1 n N
G
∑
El primer término debe leerse como sigue: suma total del término que i=1
318
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
N G (∑ X ) 1
S.C.D = ∑ X12 − ∑
i=1
i=1 i=1 n
319
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Interpretación
Para interpretar este valor debemos encontrar en la correspondiente
tabla de F. el valor crítico a partir del cual rechazar H0 y tomar en conside-
ración H1, con un riesgo de error tipo I máximo de 0,01 (el valor de α deci-
dido por el investigador). Para ello vamos a la tabla con los g.l. de entre gru-
pos y dentro de los grupos, esto es, con 1 y 24; en la intersección de la fila
y de la columna correspondiente leemos el valor 7,82; como 7,82 > 2,33
entendemos que el valor de las diferencias es esperable como fruto de las
oscilaciones del azar, por lo que no podemos rechazar H0 y, en conse-
cuencia, no podemos aceptar H1 (que tales diferencias de personalidad, las
representadas por A y B, influirían en el número de intentos en la solución
del test)27.
27
Compruebe el lector idéntico resultado con la prueba t.
28
KERLINGER, F. N. (1975). Investigación del comportamiento, México: Interamericana, p. 191.
320
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
321
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
29
La contrapartida de la mayor homogeneidad de las muestras es una menor generalización de los
resultados, en principio sólo a los grupos representados en las muestras.
322
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
323
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Si ambos ejemplos, los de las tablas 9.6 y 9.7, se resuelven como si se tra-
tara de sujetos independientes, observamos que no hay diferencia alguna en
los resultados de ambas tablas y que las diferencias entre medias, dentro de
cada una, no son significativas; ahora bien, resolviendo ambas como grupos
correlacionados hay diferencias notables entre ambas tablas, diferencias que
se justifican porque los datos de la tabla 9.6 presentan lo que podríamos con-
siderar un emparejamiento no eficaz —compruebe el alumno que rAB =
0,17—, mientras en la tabla 9.7 la correlación, manifestación de la eficacia
del emparejamiento, alcanza el valor de 0,97. El lector no debe preocuparse
por el momento por los cálculos de ANAVA para grupos correlacionados;
fíjese en los resultados, compare ambas tablas y las soluciones. Vuelva sobre
los cálculos cuando haya estudiado el punto 3.2 de este mismo tema.
Veamos.
Resolución como grupos independientes (tabla 9.8):
DATOS DE LA TABLA 1
3.2152
S.C.T = 519.165 − = 2.353, 75
20
324
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Como F para 1 y 18 g.l., y α = 0,05 es 4,41, que es mayor que 0,60, las
diferencias no son significativas.
Los datos de la tabla 9.6 coinciden con los de la tabla 9.7 para el análi-
sis de la varianza para grupos independientes (fíjese que la única diferencia
se refiere a la última columna de ambas tablas, que no se usa aquí, y sí en
el caso de sujetos correlacionados). Consecuentemente, analizadas ambas
tablas por un ANAVA para grupos independientes, las diferencias entre las
medias de ambos grupos no son significativas; además no se dan diferen-
cias entre los análisis de los resultados de ambas tablas pues, en realidad,
son los mismos datos en diferente orden.
Resolución como grupos correlacionados (tabla 9.8):
DATOS DE LA TABLA 1
3.2152
S.C.T = 519.165 − = 2.353, 75
20
S.C.E.FILAS =
(174 + 168) + (172 + 153) + ... +
(138 + 146) −
3.2152
= 1.326, 25
2 2 2 20
325
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
3.2152
S.C.T = 519.165 − = 2.353, 75
20
1.5882 1.6272 3.2152
S.C.E.COLUMNAS = + − = 76, 05
10 10 20
2 2 2
S.C.E.FILAS =
(174 + 175) + (172 + 176) + ... +
(138 + 146) −
3.2152
= 2.239, 25
2 2 2 20
S.C.RESIDUAL = 2.353,75 – (76,05 + 2.239,25) = 38,45
F(1 y 9) = 5,12
(0.95)
326
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
327
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Este hecho puede apreciarlo fácilmente el lector con sólo mirar las
tablas. En el ejemplo anterior, si se resuelve como si se tratara de sujetos
seleccionados al azar, el valor crítico de F lo hemos buscado con 1 y 18
g.1.mientras en el caso de emparejamiento lo hemos hecho con 1 y 9 (para
el caso de entre columnas, que es el equivalente). Si resolvemos el proble-
ma mediante t, en el caso del azar hubiéramos buscado t para 18 g.1.
(número de casos menos 2), y en el del emparejamiento con 9 g.1. (núme-
ro de parejas menos una). Veamos la comparación de estos valores:
Valores críticos
Prueba Sistema g.l.
0,05 0,01
Azar 18 2,10 2,88
t
Emparejados 9 2,26 3,25
Azar 1 y 18 4,41 8,28
F
Emparejados 1y 9 5,12 10,56
328
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
XA − XB
t=
2
(∑ D)
∑D − n2
n ( n − 1)
Que equivale a:
XA − XB
t=
sd/ n
sd =
(D − X )D
n −1
Ecuación 9.8. Cálculo de sd para muestras correlacionadas.
329
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
1 2 3 4 5 6 7 8 9 10 11
––
XA XB xA x2
A xB x 2
B D=(XB–XA) D2 d=D–XD d2 XAXB–AB
174 175 15,2 231,04 12,3 151,29 1 1 -2,9 8,41 30.450
172 176 13,2 174,24 13,3 176,89 4 16 0,1 0,01 30.272
169 172 10,2 104,04 9,3 86,49 3 9 -0,9 0,81 29.068
164 168 5,2 27,04 5,3 28,09 4 16 0,1 0,0 27.552
163 163 4,2 17,64 0,3 0,09 0 0 -3,9 15,21 26.569
159 164 -0,2 0,04 1,3 1,69 5 25 1,1 1,21 26.076
154 161 -4,8 23,04 -1,7 2,89 7 49 3,1 9,61 24.794
149 149 -9,8 96,04 -13,7 187,69 0 0 3,9 15,21 22.201
146 153 -12,8 163,84 -9,7 94,09 7 49 3,1 9,61 22.338
138 146 -20,8 432,64 -16,7 278,89 8 64 4,1 16,81 20.148
1.588 1.627 1.269,6 1.008,1 39 229 76,90 259.468
1.269, 6
A 10 158,8 = 11, 88
9
1.008,1
B 10 162,7 = 10, 58
9
76, 90
A-B 10 3,9 = 2, 92
9
330
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
rAB =
∑ AB − ∑ A∑ B
[n∑ A − (∑ A) ][n∑ B − (∑ B) ]
2 2 2 2
162, 7 − 158, 8 3, 9
t= = = 4,19
0, 93
( )( )
2 2
10, 58 11, 88 10, 58 11, 88
+ − 2 × 0, 97
10 10 10 10
162, 7 − 158, 8 3, 9 3, 9 3, 9
t= = = 4, 22 : t = = = 4, 22
392 0, 92 92 / 10 0, 92
2,9
229 −
10
10 × 9
5.1. Pruebas z y t
Ejemplo primero
Un investigador trata de demostrar que existen diferencias ligadas al sexo
en cuanto a la capacidad para resolver determinada prueba. La variable
dependiente será el tiempo necesitado por los sujetos de uno y otro sexo para
resolver correctamente todos los items de la prueba de carácter espacial.
Considera que la v.d. se distribuye normalmente y que se da homogenei-
dad de varianzas. En cuanto al nivel de medición, al consistir en la medida
del tiempo, estima que es perfecta, cumpliendo los requisitos más exigentes.
Para probar su hipótesis de existencia de diferencias, a un nivel de sig-
nificación del 0,05, decide formar 12 parejas igualadas en los resultados de
una prueba similar, aplicada a principio de curso en el marco de las prue-
bas que todos los años se pasan a los alumnos del colegio en que trabaja.
331
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
332
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Por lo tanto:
X A = 3.692 / 12 = 307, 67
X B = 3.730 / 12 = 310, 83
17
X D = 38 / 12 = 3,1
s d = 4.501, 68 / 11 = 20, 23
y, en consecuencia:
310, 83 − 307, 67 3,16
t= = = 0, 54
38 2 5, 84
4.622 −
12
12 × 11
o bien
310, 83 − 307, 67 3,16
t= = = 0, 54
20, 23 / 12 5, 84
En efecto, en la figura 9.11 puede apreciarse cómo entre los límites del
–– ––
intervalo confidencial creado alrededor de XB - XA = 3,16, límites que se
extienden, para un n.c. del 95 %, entre 16,01 y -9,69, el valor cero o de dife-
333
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
334
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
Cuadro 9.9. Datos para el cálculo de la ecuación 9.5 sobre la tabla 9.11
––
Grupos n X s
A 40 71 8,08
B 40 74,7 7,55
335
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Por lo tanto:
74, 7 − 71 3, 7
z= = = 5, 43
0, 6816
7, 552 8, 082
40
+
40
− 2 × 0, 85
40 ( )( )
7, 55 8, 08
40
Interpretación
Como el valor de z empírico es mayor que el valor crítico de 2,33 pode-
mos rechazar H0 con un riesgo máximo de error tipo I evaluado en 0,01.
Esto mismo puede apreciarse en la figura 9.12, donde se ve que el valor
empírico queda claramente fuera de la zona de H0 En realidad el riesgo de
error es muy inferior a 0,01; en efecto, mirando las tablas puede apreciarse
que al valor de z más próximo a 5,43 le corresponde una probabilidad de
ocurrencia al azar no superior a 0,000003 esto es, una frecuencia inferior a
0,0003 veces por cada 100 casos.
336
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
337
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
338
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
339
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
S.C.E.COLUMNAS = (
1.5292 1.5092 3.0382
14
+
14
−
28
)
= 14, 29
2 2 2
S.C.E.FILAS =
(118 + 115) + (116 + 116) + ... +
(100 + 98) −
3.0382
= 734
2 2 2 28
340
LAS PRUEBAS PARAMÉTRICAS Y SU USO EN LOS DIFERENTES DISEÑOS: ANAVA. LAS PRUEBAS T DE STUDENT Y F DE FISHER
RESUMEN
341
Tema 10
Algunas pruebas no paramétricas: Signos χ2, T, U
Presentación
343
PRESENTACIÓN
Continuando con el estudio de las pruebas más importantes para el con-
traste de hipótesis, pasamos a abordar las denominadas «no paramétricas».
Como se ha señalado, en el supuesto de que no se cumplan las condiciones
más exigentes para las pruebas paramétricas, aplicaremos estas otras, no
paramétricas, con menores prestaciones.
Debemos hacer notar, no obstante, que es posible conseguir la misma poten-
cia para rechazar H0 elevando el tamaño de la muestra, aspecto este conocido
como potencia-eficiencia. De esta forma, el investigador se encontrará ante la
alternativa de violar los supuestos de la prueba al utilizar la prueba paramétri-
ca, o tratar de lograr los mismos efectos contando con más casos en la muestra.
La variedad de pruebas no paramétricas es muy elevada; el lector puede
comprobarlo en el siguiente cuadro elaborado por el profesor Gil Pascual:
345
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Ante un diseño de dos grupos, y tras haber optado por una prueba no
paramétrica por no cumplirse los supuestos del modelo paramétrico, tal vez
porque el más conocido de todos ellos, la escala de medida, diste mucho
alcanzar el nivel de intervalos, al investigador le incumbe la tarea de una
nueva decisión, la de elegir, entre las varias existentes, aquella que es la más
idónea a su situación concreta.
A tales efectos, una primera decisión deriva del procedimiento de selec-
ción de los sujetos, por procedimientos aleatorios o alguna modalidad de
relación, como puede ser el emparejamiento o el bloqueo.
Comenzando por el primero de ellos —dos grupos cuyos sujetos fueron
seleccionados y asignados al azar— uno de los manuales más conocido y com-
pleto1, nos habla de ocho pruebas diferentes; nosotros, con finalidad mera-
mente didáctica, nos limitamos a la prueba U, de Mann Whitney y a la de χ2.
Atendiendo al otro procedimiento de selección de sujetos, estudiaremos
las pruebas de los signos, para un nivel ordinal poco refinado o burdo, y la
T de Willcoxon, para un nivel de medida ordinal.
1
SIEGEL, S. (1976). Estadística no paramétrica, México: Trillas.
346
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
2
Una prueba es tanto más potente cuanto mayor es la probabilidad que ofrece de rechazar hipóte-
sis de nulidad falsas.
3
Recuérdese que la mediana —Md— es una medida de nivel ordinal.
347
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Carreras
Sexo
Enfermería Medicina
Masculino
Femenino
4
De asociación, veíamos decir a Fox. Vid. FOX, D. J. (1981). El proceso de investigación en la Edu-
cación. Pamplona: EUNSA, pp. 238-246.
348
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Neuroticismo
Sexo
SI NO
Masculino
Femenino
349
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
5
Palabra relacionada con epifanía o manifestación; hombre cuyo interés o valor dominante es la
fama.
350
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
6
No se compara aquí estadísticos como la media aritmética, que representa el promedio de pun-
tuaciones obtenidas por los sujetos de la muestra, sino las veces que el hecho o fenómeno, en sus diver-
sas categorías o clases, se dé empíricamente —frecuencia— con las que se daría según ciertos princi-
pios.
7
En algunos libros se llama a aquéllas frecuencias empíricas, y se las representa por ne o fe; a las
otras se las representa bien por nt o ne, bien por ft fe
351
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Carreras Carreras
Sexo Sexo
Ciencias Letras Ciencias Letras
60 40 70 30
Masculino Masculino
(60) (40) (67,5) (32,5)
60 40 65 35
Femenino Femenino
(60) (40) (67,5) (32,5)
Tabla 10. 8
Carreras
Sexo
Ciencias Letras
70 30
Masculino
(55) (45)
40 60
Femenino
(55) (45)
8
Fíjese bien que no decimos «producidas» por el sexo biológico, pues ese es otro tema, y muy complejo.
352
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Sexo %
30
Masculino
(50)
70
Femenino
(50)
353
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
riores, el investigador debe tomar una decisión referente al riesgo máximo que
está dispuesto a correr de rechazar H0 siendo cierta —error tipo 1— riesgo que
es el valor complementario del nivel de confianza —n.c.— y que se expresa en
% o en probabilidad (p); así, para un n.c. del 99% o p = 0,99, el riesgo vale 1%
ó 0,01 y se suele conocer como nivel de significación estadística, representado
por α (alfa). Sin embargo, al igual que vimos ocurría con t o F, este valor no
es único —cosa que sí ocurre con la prueba z— sino que depende de los g.l. de
que dispongamos, ya que χ2 es una familia de curvas, no una única curva.
En consecuencia, la elección del valor teórico con el que comparar el
empírico se hace decidiendo primero el n.c. y determinando los g.l. En gene-
ral, el número de g.l. en el caso de tablas de contingencia se obtiene multi-
plicando el número de filas menos uno por el de columnas menos uno; en el
caso de una única variable los g.l. son el número de categorías menos una
cuando los parámetros son conocidos, o este valor menos el de los paráme-
tros necesarios, cuando éstos son desconocidos (así, en el caso de bondad de
ajuste a la curva normal los g.1. son el número de intervalos finalmente uti-
lizados menos uno, al que se restan, además, otros dos g.l. por desconocer-
se, si se desconocen, los parámetros media y desviación típica).
La prueba de χ2 presenta, fundamentalmente, dos usos o funciones cla-
ramente diferentes a los que hemos aludido: se puede aplicar para decidir
sobre su compatibilidad con un modelo —prueba de bondad de ajuste— o
para decidir sobre la asociación o independencia de variables.
Las pruebas de bondad de ajuste pueden referirse a cualquier modelo, sea
éste el de una distribución igual o proporcional por categorías, el de la curva
normal de probabilidades, el de la distribución binomial, el de la de Poisson o
cualquier otra. En cada caso, eso sí, el cálculo de fe seguirá sus propias normas.
Las pruebas de independencia estudian conjuntamente dos variables tra-
tándose de apreciar si los resultados medidos se distribuyen aleatoriamen-
te por las celdillas o si están asociadas, discrepando más allá del azar. Así,
la hipótesis de que el rendimiento académico en habilidad musical difiere
de la distribución normal llevaría a contrastar las frecuencias empíricas
con las esperadas de acuerdo con tal modelo; se trataría, pues, de una prue-
ba de bondad de ajuste, prueba de un solo grupo.
Pero la hipótesis de que existe relación —asociación— entre el nivel acadé-
mico de los sujetos y la clase socioeconómica de los padres, se resolvería median-
354
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Nivel Académico
Clase social
Analfabeto Primaria Media Universidad
Muy alta 0 4 16 25
Alta 2 9 12 18
Media 7 18 30 14
Baja 15 15 13 9
Muy baja 23 6 4 2
355
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
«Para un g.l. las frecuencias esperadas deben ser como mínimo 5; en caso con-
trario no debe utilizarse. Para 2 g.l. las frecuencias esperadas deberían ser supe-
riores a 2. Con 3 ó más g.l., si todas las frecuencias esperadas menos una no son
9
KERLINGER, F. N.: o. c., p. 110.
WELKOWITZ, J. y otros (1981). Estadística aplicada a las ciencias de la Educación, Madrid: Santi-
10
356
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
11
FOX, D.J., o. c., p. 327.
12
SIEGEL, S., o. c., pp. 136-137.
357
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
χ = ∑∑
2
G C
(f
o
− fe )
g=1 c=1 fe
«Si hay otras hipótesis acerca de la posibilidad de que haya diferencias en las
proporciones en categorías concretas, hay que utilizar, después del método de chi
cuadrado, otros contrastes que sean adecuados para analizar esas hipótesis... Si el
método de chi cuadrado no revela diferencias estadísticamente significativas entre
las distribuciones, no se deben hacer más contrastes.»13
13
FOX, D. J.: O.c., p. 327.
358
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
359
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
SEXO
MASCULINO FEMENINO
146 86 232
CIENCIAS
(116) (116)
28 164 192
LETRAS
UNIVERSITARIAS
(96) (96)
CARRERAS
69 133 202
DERECHO
(101) (101)
151 94 245
C. MEDICAS
(122,5) (122,5)
106 23 129
TECNICAS
(64,5) (64,5)
Fase c) Cálculo de χ2
Aplicaremos la ecuación correspondiente:
2
χ = ∑∑
2
G C
(f
o
− fe )
g=1 c=1 fe
14
Recuerde que el valor de fe (entre paréntesis, se obtiene multiplicando la frecuencia de la fila por
la de la columna y dividiendo por la frecuencia total. Así, el valor del ángulo superior izquierdo será:
(500 x 232) : 1000 = 116. Este valor sería el que debería darse en caso de una distribución proporcional
a filas y columnas. El hecho de que el valor empírico, 146, sea muy superior, ya nos indica que en la
otra columna deberá ocurrir todo lo contrario, lo que es un indicio de que el sexo de los alumnos inci-
de en la elección de la carrera. Después deberemos comprobar si, para el conjunto, estas discrepancias
son o no estadísticamente significativas para α ≤ 0.01.
360
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
TIPO DE
CARRERA { CIENCIAS
LETRAS
403
97
203
297
606
394
500 500 1.000
361
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
χ2 =
(N AD − BC −
N
2 ) A B
( A + B ) ( C + D) ( A + C ) ( B + D) C D
χ2 =
(
1000 | 403 × 297 − 203 × 97 | −
1000
2 ) = 165,86
606 × 394 × 500 × 500
2.1.4. Potencia-eficiencia
15
Compruebe el lector que valor es muy similar al obtenido mediante la fórmula ordinaria, siem-
pre que se le aplique la denominada corrección de Yates, que aquí ya va incluida, propia de los casos en
que sólo cuentan con un g.l. La citada fórmula es la siguiente, y el resultado sería de 165,85.
2
G
χ2 = ∑ ∑
C
(f
o )
− fe − 0, 5
g=1 c=1 fe
362
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
el valor que ocupa el lugar central en una serie ordenada; se trata, pues, de una
medida de nivel ordinal, lo que implica la posibilidad de indicar con ella res-
pecto del rasgo o característica medida no sólo lo que es o lo que no es, lo igual
o diferente, sino también lo que es mayor o menor. Este aspecto debe tenerse en
cuenta para comprender el sentido y función de esta prueba estadística.
2.2.1.1. Principios
16
En sentido estadístico. En este caso el valor de n del grupo mayor —n2— deberá ser superior a 20.
363
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
cede, en una serie ordenada de menor a mayor, a una del grupo de control,
es decir, las veces que una puntuación teóricamente superior queda por
debajo de otra teóricamente inferior.
El supuesto en que se basa la prueba es el de que, habiéndose obtenido la
muestra al azar de una población, muestra que se divide al azar en dos grupos,
cabe pensar que ambos serán aproximadamente iguales, por lo que las puntua-
ciones de ambos grupos deberían aparecer mezcladas conforme a H0; ahora
bien, si ha obrado, y lo ha hecho eficazmente, un tratamiento experimental
—v.i.— sobre el grupo experimental no haciéndolo sobre el de control, o hacién-
dolo de diferente modo o con distinta intensidad, cabe esperar ahora que las
puntuaciones de ambos grupos tiendan a separarse; el caso más favorable sería
aquel en que todas las puntuaciones del grupo experimental resultaran superio-
res a todas las del de control como consecuencia de v.i., con lo que ninguna pun-
tuación del grupo experimental precedería a las de control, esto es, aquel caso en
que U = 0; así pues, en muestras pequeñas el valor de U es tanto más significa-
tivo cuanto más pequeño sea, cuanto más cercano a 0 se encuentre. Véase esto
en los dos casos siguientes del cuadro 10.1: está claro que en el caso A, si ha
actuado v.i. no lo ha hecho de modo eficaz, por lo que U es muy elevada (con-
cretamente 10)17 mientras que en el B ha ocurrido todo lo contrario y U = 0.
CASO A CASO B
U= 1 + 2 + 3 + 4= 10 U=O
17
La puntuación A = 4 es precedida por una B; la A = 5,7, por dos B; la A = 8, por tres B; y la A =
10, por cuatro B; por lo tanto U = 1 + 2 + 3 + 4 = 10.
364
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Ahora bien, como este procedimiento puede resultar tedioso cuando los
grupos tienen más sujetos, como cuando llegan a 20 cada uno18, cuando el
grupo mayor tiene 9 o más sujetos se suele utilizar otro procedimiento en
el que U se calcula a partir de la transformación de Xi en rangos; el valor de
U sigue siendo tanto más significativo cuanto menor sea, como veremos
más adelante.
2.2.1.2. Cálculo
Con muestras muy pequeñas, esto es, cuando el número de casos del
grupo mayor —n2— es igual o menor que 9, el procedimiento es el que aca-
bamos de ver. La decisión sobre si el valor empírico representa o no una
diferencia significativa se lleva a cabo mediante las oportunas tablas, y
teniendo en cuenta el tipo de hipótesis, uni o bilateral. Su manejo debe
hacerse teniendo en cuenta que estas tablas son unilaterales o de una cola
y, que, en caso de hipótesis bilaterales, el valor que en ellas encontremos
debe multiplicarse por dos. El modo de proceder es el siguiente
Se elige la tabla que corresponda al número de casos de la muestra más
grande –n2—. A continuación se entra en la misma por la columna corres-
pondiente a nI —muestra más pequeña— y por fila de valor de U empírico.
El número que se lee en la intersección es la probabilidad que corresponde
a nuestro U; para decidir sobre el rechazo o no de H0 comparamos esta pro-
babilidad con el valor alfa (α) o nivel de significación elegido: rechazaremos
H0 si el valor de las tablas es igual o menor que el de α.
En los casos ejemplificados en el cuadro 10.1, en el supuesto de una
hipótesis unilateral, entraríamos en la tabla para n2 = 5, por la columna
para n1 = 4 y por las filas 10 y 0 –según se trate del caso A o del B; así encon-
traríamos los valores p = 0,548 y p = 0,008. Si nuestro nivel de confianza
hubiera sido del 99%, α = 0,01, por lo que:
0,548 > 0,01 y 0,008 < 0,01
Con lo que, en el caso A, naturalmente no podríamos rechazar H0 mien-
tras que sí podíamos hacerlo en el caso B.
18
Cuando cualquiera de ellos llega n > 21 se considera muestra grande.
365
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
n1 ( n1 + 1)
U = n1 + n 2 + − R1
2
n 2 ( n 2 + 1)
U = n1 + n 2 + − R2
2
366
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
es decir, a partir del valor U calculado —que aquí llamamos U’— determi-
namos el valor del otro U; necesitamos conocer ambos para poder utilizar
el más pequeño, pues a él se refieren las tablas19.
Fase d)
El valor de U empírico, esto es, el más pequeño de los dos, se compara
con el valor teórico que aparece en las tablas; si es igual o menor que éste
se puede rechazar H0 con un riesgo de decisión errónea máximo igual a α.
Debemos, pues, comprender cómo se busca el valor de U en las tablas;
las tablas de referencia, para valores de n2 entre 9 y 20 ambos inclusive, se
presentan para valores concretos de α, esto es, para la probabilidad máxi-
ma aceptada por el investigador de cometer errores tipo 1 o nivel de signi-
ficación.
Una vez seleccionada la tabla se entra por la columna correspondiente al
valor de la muestra mayor — –n2— y por la fila de la menor –n1. El valor U que
se encuentra en la intersección es el teórico a que nos estamos refiriendo.
Así, para un nivel de confianza del 99%, esto es, para α = 0,01, en una
hipótesis unilateral, cuando n1 = 15 y n2 = 19, U= 75, lo que significa que, si
nuestro valor de U empírico es 75 o menor podemos rechazar H0 con un
riesgo de error tipo 1 no superior a 0,01. Con los mismos datos, en hipóte-
sis bilateral y α = 0,05 el valor teórico o crítico de U sería 85.
Si se tratara de muestras grandes las fases a), b) y c) son idénticas. No
obstante conviene tener en cuenta que, al distribuirse U normalmente,
como indicábamos más atrás, y ser la distribución normal simétrica, tanto
da ahora contar con U como con U’, es decir, no es necesario calcular
ambos valores salvo como comprobación.
La fase d) es diferente. Al seguir el modelo normal debemos disponer
para decidir sobre H0 de una puntuación z —zU— que, como siempre, es
igual a un cociente entre la diferencia del valor empírico y la media de tales
valores —y la desviación típica de la distribución: s.— Pues bien, en nues-
tro caso el valor empírico es el de U, o U’ como hemos indicado, mientras
19
Convencionalmente U es el más pequeño y U’ el más elevado aunque, evidentemente, no se sabe
cuál es U ni cuál U’ hasta que ambos han sido calculados.
367
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
n1n 2 n1n 2 ( n1 + n 2 + 1) U − XU
XU = (21, 7) ; sU = ; zU =
2 12 sU
368
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Grupo A Grupo B
X1 Rangos X1 Rangos X1 Rangos
0 1 3 4,5 10 21
1 2
1,5 3 3,5 6,5 10 21
3 4,5 4 8 12,5 23
3,5 6,5
6 11 5 9 13 24
6,5 12 5,5 10 13,5 25,5
7 13
8 15 7,5 14 13,5 25,5
8,5 16 9 17 14 27
9,5 18,5
9,5 18,5 10 21
Como indicábamos antes, tal vez esta forma de hacer puede dar lugar a
confusiones en la atribución de los rangos; por ello, si el lector lo prefiere,
puede actuar como en el caso de muestra muy pequeñas, donde los rangos
aparecen de modo consecutivo (tabla 10.15):
369
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
X1 13,5 13,5 14
RANGO 25,5 25,5 27
GRUPO B B B
370
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Fase c)
Cálculo de U y de U´. Para ello primero obtenemos los valores de R1 y de
R2, o sea, de la suma de los rangos de los grupos A y B respectivamente y,
a continuación, U:20 R1 = 121; R2 = 257
12 × 13
U = 12 × 15 + − 121 = 137
2
15 × 16
U = 12 × 15 + − 257 = 43
2
20
Obsérvese que si a estos datos les hubiéramos aplicado el procedimiento que vimos en
2.3.1.1, esto es, contar las veces que una puntuación del grupo experimental, el B, precede a otra
del grupo de control, el A, hubiéramos llegado al mismo resultado: U = 2 + 5 + 5 + 5 + 6 + 6 + 7 +
7 = 43
371
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
372
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
X1 17 17,5 18
RANGO 108 110 111
GRUPO B B B
Por lo tanto:
373
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Figuras 10.1 y 10.2. Zonas conforme a Ho y H1 en una hipótesis unilateral y α = 0,0 l. Fig. 10.1:
U del Grupo A; 2) U del Grupo B.
Claro está que, al tratarse de una hipótesis unilateral no basta con que el
valor de zU sea significativo, en este caso > 2,33 sino que las diferencias vayan
en la dirección prevista por la hipótesis, lo que sí ocurre en nuestro caso ya que
R2 es la suma de rangos más elevada y da lugar al valor de U más reducido.
Por otra parte, no debe confundirnos el que pueda utilizarse cualquiera
de las dos curvas, las de la figura 10.1 o de la 10.2. Lógicamente. lo que
importa es la magnitud de la puntuación z si se trata de hipótesis bilateral,
y que vaya en el sentido previsto si se trata de una unilateral. Es natural que
si se utiliza el valor de U z sea negativa, y positiva si se calcula con U´. Pero
debe tenerse en cuenta a qué grupo pertenece cada U para ver si las dife-
rencias van en el sentido previsto.
Para concluir, una breve referencia al efecto de las puntuaciones liga-
das, efecto que, de no corregirse, puede hacer a la prueba U más conserva-
dora al reducir el valor de zU, lo que se puede traducir en dar por no signi-
ficativas diferencias que sí pueden serlo. Se habrá podido observar que,
como consecuencia de la poca precisión en la medición, se dan muchas
puntuaciones ligadas; pues bien, la corrección se refiere al cálculo de sU que
ahora seguirá la ecuación 10.10 en vez de la 10.8:
Ecuación 10.8 para el cálculo de sU:
sU
( n1n 2
N ( N − 1) )(
N2 − N
12
−∑T
)
374
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Por tanto:
sU =
(
111× 110 )(
51× 60 1113 − 111
12 )
− 359 = 168, 726
Y en consecuencia:
898, 5 − 1.530
zU = = −3, 7
168, 726
Conviene que nos demos cuenta de que, aunque estamos ante un caso
con muchas puntuaciones ligadas, apenas ha disminuido sU y, por consi-
guiente, su efecto sobre zU ha sido muy pequeño. La consecuencia parece
obvia: no efectuar tan fatigoso trabajo salvo que:
2.2.1.3. Potencia-eficiencia
375
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
376
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
3.1.1. Principios
Pues bien, cuando nuestro nivel ordinal es tan burdo, tan poco preciso,
como para, estrictamente, no permitirnos ir más allá de decir que algo es
mayor que algo, pero no para precisar diferencias dentro de cada uno de
esos dos grandes bloques, el mayor y el menor, estamos ante una situación
cuya resolución estadística reclama la prueba de los signos.
Si comparamos dos grupos en los que podemos establecer parejas, y al
contrastar para cada pareja los resultados de la v.d. podemos afirmar que
un miembro tiene más que el otro, que lo ha hecho mejor, que ha conclui-
do antes o después, estamos ante el caso que nos ocupa. En tal situación
podemos asignar el signo + siempre que el primer miembro de la pareja
haya hecho más de algo, lo haya hecho mejor o antes, y el signo – en caso
contrario, o viceversa, despreciando, a efectos del análisis, aquellos casos
en que no se perciban diferencias entre ambos, tal vez como consecuencia
de lo basto del instrumento o de la regla de medida.
Pocas son las exigencias de la prueba, exigencias que se pueden limitar
a la continuidad de la variable y a su medición al nivel descrito, además, por
supuesto, de aplicarse a parejas constituidas con arreglo a una variable de
emparejamiento que se considera eficaz. Su aplicación puede valer tanto
para dos grupos emparejados —gemelos, apareamiento en una o varias
variables relevantes— cuanto para los mismos sujetos en un diseño de un
solo grupo con pretest-postest como en el caso de McNemar. La diferencia
entre ambos casos reside en que la de McNemar es aplicable a variables
nominales. No trataremos aquí la prueba de los signos para un solo grupo,
aunque su resolución es idéntica.
Su fundamento lógico es el siguiente: Dados dos grupos de sujetos cuya
igualdad inicial se ha tratado de conseguir mediante alguna forma de empa-
rejamiento, cabe pensar que si, tras la aplicación de v.i, ésta no hubiera pro-
377
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
3.1.2. Cálculo
378
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
te; en ella se entra por la columna del valor x y por la fila del valor de n
resultante, leyéndose aquella directamente en la intersección de ambas. Tal
resultado es el propio de hipótesis unilaterales; si nuestro caso fuera bila-
teral habría que multiplicar por dos el valor de las tablas
La probabilidad del modelo teórico se compara con el valor de α deci-
dido por el investigador; si éste es igual o mayor que aquél se rechaza H0
con un riesgo de decisión errónea máximo igual a α.
En el caso de muestras grandes —con n > 25— la distribución del esta-
dístico sigue el modelo binomial que tiende a la curva normal a partir de n
= 25, siendo la aproximación tanto más correcta cuando se hace la correc-
ción por continuidad.
En la distribución binomial X x = np y s x = npq donde p y q son las pro-
babilidades del fenómeno binomial, esto es, p la probabilidad de una clase,
como la de salir cara al lanzar una moneda, y q la probabilidad de la otra
clase. Cuando p y q son equiprobables, es decir, cuando valen cada uno 0,5,
las ecuaciones anteriores pueden sustituirse por las siguientes:
( x ± 0, 5) − 12 n
zx =
1
n
2
379
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Ejemplo primero
Un profesor de la Facultad está preocupado por el hecho de que en los
exámenes los alumnos no suelen «ver» las indicaciones que les hace ten-
dentes a que contesten valorando, relacionando, haciendo esquemas, jus-
tificando sus opiniones, interpretando el resultado, etc., sino que más
bien parece como si tales indicaciones no fueran tenidas en cuenta. Deci-
de probar si una llamada de atención seria en el momento del examen,
consistente en indicar que, de no atenerse a tales indicaciones, que él
mismo les leerá, las calificaciones serán muy bajas, da lugar a unos exá-
menes más ajustados a sus pretensiones. Quiere probar su hipótesis con
α = 0,05.
Para ello, y pensando que tal vez el nivel de conocimientos puede ser
una variable relevante a la hora de ajustarse o no a las indicaciones, lo
mismo que el nivel intelectual, constituye 18 parejas igualadas en ambas
variables. La variable inteligencia la tiene medida como una práctica de
clase, y la de conocimientos la toma como las calificaciones del curso ante-
rior. Forma dos grupos, el A y el B, según que los alumnos pertenezcan al
primero o segundo grupos de la mañana. Al grupo A no les da ninguna indi-
cación personal en el momento del examen, salvo las escritas en la hoja; al
B les lee tales indicaciones y les hace la observación ya referida sobre las
consecuencias de no seguirlas.
La v.d. la mide asignando un punto por cada recomendación atendida;
a continuación atribuye el signo más si el miembro de la pareja del grupo
B tiene más puntos, el menos en caso contrario y el igual si no hay diferen-
cias en la pareja. He aquí los resultados y la resolución mediante la prueba
de los signos (tabla 10.17):
380
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Fase a)
PAREJA 1.ª 2.ª 3.ª 4.ª 5.ª 6.ª 7.ª 8.ª 9.ª 10.ª
GRUPO A 3 3 4 6 4 0 1 3 2 0
PUNTOS
GRUPO B 4 3 5 4 3 3 4 4 2 4
SIGNO + = + - - + + + = +
GRUPO A 2 3 6 3 2 1 1 0
GRUPO B 3 3 4 5 6 4 3 3
SIGNO + = - + + + + +
Fase b)
Como ha habido tres casos en que los miembros de las parejas han reci-
bido el mismo número de puntos del profesor el valor de n es igual a las
parejas iniciales menos estas tres; el valor de x, correspondiente al signo
menos frecuente, es el de los casos con signo negativo.
Por tanto: n = 15 x=3
Fase c)
Según la tabla correspondiente, para estos valores en una hipótesis uni-
lateral como es la del investigador, p = 0,018; comparando este valor con el
de α = 0,05, decidido por el investigador, tenemos que: 0,05 > 0,018, o lo que
es lo mismo, si se rechaza Ho el investigador podría llegar a cometer un
error cuya probabilidad es menor que la que inicialmente estaba dispuesto
a admitir; en consecuencia debe rechazar H0.
En el supuesto de una hipótesis bilateral, que no sería lógica para el
enunciado del problema, p = 0,036 (0,018 x 2), valor que, asimismo, permi-
tiría el rechazado de H0.
Ejemplo segundo
Un investigador desea comprobar su hipótesis de que el sexo todavía
sigue siendo una variable relevante en nuestro país a la hora de dar las
familias estudios a sus hijos. Decide comprobar su hipótesis de que es el
sexo masculino el más favorecido, y hacerlo al nivel científico de significa-
ción de 1 %, esto es, con α = 0,01.
381
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
A la hora de diseñar su trabajo piensa que tal vez la clase social puede ser
relevante en los resultados, por lo que decide tomarla en cuenta. Para ello recu-
rre a los registros de nacimiento de 1991, individuos de 20 años en la actuali-
dad, y toma una muestra de gemelos de distinto sexo, de forma que hay 10 de
clase baja, 30 de clase media y 10 de clase alta: en total 100 sujetos, 50 parejas,
con 50 varones y 50 mujeres. En el fondo subyace el supuesto de que al tratar-
se de gemelos estarán igualados en capacidades y en los ámbitos familiares.
Tras identificarlos les pregunta por los estudios que hacen o que con-
cluyeron sin continuar con otros, asignando a cada sujeto los números 1, 2,
3, 4, o 5 según que no hayan acabado los estudios primarios (1) o si (2)
hayan hecho al menos un curso de bachillerato (3) o lo hayan concluido (4),
o iniciado estudios universitarios (5). Concede el signo más si es el varón de
la pareja el que ha llegado a un nivel más elevado, el menos si es la mujer y
el igual si no hay diferencias. Los resultados aparecen a continuación (tabla
10.18), ordenados de forma que las 10 primeras parejas son las de clase
baja, las 30 siguientes de clase media y las 10 últimas de clase alta:
PAREJA 1.ª 2.ª 3.ª 4.ª 5.ª 6.ª 7.ª 8.ª 9.ª 10.ª 11.ª
M 2 2 2 3 1 2 3 4 2 2 5
SEXO
F 1 1 1 1 1 1 1 1 2 1 3
SIGNO + + + + = + + + = + +
PAREJA 12.ª 13.ª 14.ª 15.ª 16.ª 17.ª 18.ª 19.ª 20.ª 21.ª
M 4 3 4 3 2 4 2 5 2 3
SEXO
F 4 2 5 2 2 3 3 5 1 2
SIGNO = + - + = + - = + +
PAREJA 22.ª 23.ª 24.ª 25.ª 26.ª 27.ª 28.ª 29.ª 30.ª 31.ª
M 4 3 4 5 3 2 5 4 3 2
SEXO
F 2 2 3 3 2 3 3 2 4 1
SIGNO + + + + + - + + - +
PAREJA 32.ª 33.ª 34.ª 35.ª 36.ª 37.ª 38.ª 39.ª 40.ª 41.ª
M 5 4 4 3 5 4 4 2 4 5
SEXO
F 2 2 5 2 5 3 5 1 2 5
SIGNO + + - + = + - + + =
382
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
PAREJA 42.ª 43.ª 44.ª 45.ª 46.ª 47.ª 48.ª 49.ª 50.ª
M 5 4 4 4 5 5 5 3 5
SEXO
F 4 5 4 4 4 4 5 5 4
SIGNO + - = = + + = - +
Fase b)
Como las parejas igualadas son 10, y el signo menos frecuente es el
negativo, que, además, apunta en la dirección prevista por el investigador,
lo que es necesario al tratarse de una hipótesis unilateral, tendremos:
n = 40 x=8
Conviene aclarar que, tratándose de muestras grandes —n > 25— y
dado que haremos el contraste con el modelo normal que, no lo olvide-
mos, es simétrico, da lo mismo calcular zX con los valores de x como los
del signo menos frecuente que como los del signo más repetido, como
veremos.
Fase c)
zx =
(6 + 0,5) − 13
= −2, 55
1
26
2
zx =
( − 0, 5) − 13 = 2, 55
20
1
26
2
Figura 10.3 y 10.4. Zonas conforme a H0 y H1 cuando se toma x como signo más frecuente
(10.3) o menos (10.4). Situación del valor z empírico.
383
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Como vemos, los valores empíricos de x, sean 8 ó 32, dan lugar a valo-
res típicos (zX) que se sitúan claramente en la zona de no azar, esto es, en
la de rechazo de H0 con un riesgo de decisión errónea muy inferior a la ini-
cialmente aceptada por el investigador. El lector puede comprobar que tal
riesgo no supera la probabilidad de 0,00014, cuya frecuencia de aparición
por azar no supera el 0,014 por cien.
Ahora, el investigador desea comprobar su hipótesis por clases sociales.
Para las clases baja y alta debe acudir al primer procedimiento —muestras
pequeñas—, no así en el de la clase media, donde n = 26. Analicemos los
resultados:
A) PARA CLASE BAJA
N = 8; x = 0 (ningún signo negativo)
En las tablas, p = 0,004
Como 0,004 < 0,01, valor este aceptado por el investigador, puede recha-
zar H0 afirmando que, en la clase baja, en efecto, el sexo masculino es más
favorecido en el nivel de estudios alcanzados.
B) PARA CLASE ALTA
n = 6; x = 2
En las tablas, p = 0,344 que, evidentemente, es muy superior a 0,01, por
lo que no puede rechazar Ho; esto es, para la clase alta no hay diferencias
significativas a la hora de dar estudios a los hijos en función del sexo; las
diferencias apreciadas pueden explicarse por el azar en la selección muestral
C) PARA LA CLASE MEDIA
N = 26; x = 6
Por lo que
zx =
(6 + 0,5) − 13 = −2, 55
1
26
2
zx =
(20 − 0, 5) − 13 = 2, 55
1
26
2
384
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Llevados estos datos sobre la curva normal (figuras 10.5 y 10.6), nos per-
miten apreciar que, en efecto, podemos rechazar Ho dado que caen clara-
mente en la zona de no azar; el rechazo de H0 lleva consigo admitir una pro-
babilidad de error tipo I máxima de 0,01, que, en realidad, y dado el valor
empírico de zX, el alumno puede comprobar que es muy inferior (como
máximo, de 0,0054, esto es, de 0,54 %). Concluimos pues que, para la clase
media, se dan diferencias de oportunidades en cuanto al nivel de estudios
de los hijos en función del sexo.
Figuras 10.5 y 10.6. Zonas conforme a H0 y H1 cuando se toma x como signo más frecuente
(10.5) o menos frecuente (10.6); situación de los valores de zX empíricos.
3.1.3. Potencia-eficiencia
385
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
3.2.1. Principios
386
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
3.2.2. Cálculo
El cálculo del valor del estadístico T sigue las fases que presentamos a
continuación:
Fase a)
Establecimiento de los valores de diferencia entre las puntuaciones de los
miembros de cada pareja y atribución del signo de conformidad con la hipótesis.
Las diferencias nulas no se toman en consideración, reduciendo el valor de n.
Fase b)
Atribución de rangos del 1º al n-ésimo, a las diferencias, comenzando
por la de menor valor absoluto; a continuación, asignación de los signos a
los rangos.
Fase c)
Cálculo de T o suma de los rangos de menor valor absoluto, sea cual
fuere el signo.
Fase d)
Interpretación del valor T empírico.
En el caso de muestras pequeñas, hasta valores de n = 25, la interpreta-
ción se hace contrastando directamente el valor empírico de T con los valo-
387
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
n ( n + 1) n ( n + 1) (2n + 1) T − XT
XT = (23, 2) sT = zT =
4 24 sT
388
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
PAREJA 1.ª 2.ª 3.ª 4.ª 5.ª 6.ª 7.ª 8.ª 9.ª 10.ª 11.ª
XA 90 70 65 83 64 97 54 63 68 75 73
XB 86 75 61 74 59 82 79 63 62 70 71
Diferencia y signo +4 -5 +4 +9 +5 +15 -25 0 +6 +5 +2
RANGO +4 -7 +4 +15 +7 +18 +19 +9 +7 +1
PAREJA 12.ª 13.ª 14.ª 15.ª 16.ª 17.ª 18.ª 19.ª 20.ª
XA 69 82 66 69 80 82 65 63 69
XB 59 74 63 62 71 75 69 54 61
Diferencia y signo +10 +8 +3 +7 +9 +7 -4 +9 +8
RANGO +17 +12,5 +2 +10,5 +15 +10,5 -4 +15 +12,5
Fase b)
En la tabla anterior aparecen los rangos en la última fila. Esta forma de
asignar rangos puede originar alguna confusión. Por ello, aunque no es
necesario, se puede actuar ordenando las diferencias de menor a mayor, en
valor absoluto, y atribuyendo a continuación los rangos que, ahora, apare-
cen en forma consecutiva. El caso anterior, dejando ya fuera las filas XA y
XB, sería resuelto del modo siguiente:
PAREJA 8.ª 11.ª 14.ª 1.ª 3.ª 18.ª 2.ª 5.ª 10.ª 9.ª
Diferencia y signo 0 +2 +3 +4 +4 -4 -5 +5 +5 +6
Rango y signo – +1 +2 +4 +4 –4 –7 +7 +7 +9
389
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
PAREJA 15.ª 17.ª 13.ª 20.ª 4.ª 16.ª 19.ª 12.ª 6.ª 7.ª
Diferencia y signo +7 +7 +8 +8 +9 +9 +9 +10 +15 -25
Rango y signo +10,5 +10,5 +12,5 +12,5 -15 +15 +15 +17 +18 -19
Fase c)
Fase d)
390
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Ejemplo cuarto
Un alumno de la UNED, para la realización de su trabajo de investi-
gación de doctorado, desea comprobar si se dan o no diferencias en el
rendimiento académico, entendido éste como calificación de fin de curso,
en función del tipo de material utilizado en la preparación del curso. Para
ello, y tras lograr la colaboración del profesor, se dividen al azar los cen-
tros asociados en dos grandes zonas, la A y la B, que estudiarán respecti-
vamente por las unidades didácticas, la A, y a través de una bibliografía
seleccionada y recomendada, integrada por 6 obras. La B.; para asegurar
la posibilidad de su uso, tales obras son depositadas en las bibliotecas de
los correspondientes centros asociados en número de cuatro ejemplares
de cada una.
Una vez dispuestas así las cosas, el autor del proyecto constituye 102
parejas de sujetos, dos por cada pareja de Centros, de forma que cada una
esté integrada por alumnos con la misma calificación media en cursos ante-
riores y, dado que la asignatura sobre la que se trabaja tiene otra similar en
el curso anterior, con idéntica nota en ella.
Al finalizar el curso recoge los datos de 81 parejas, además de los de 16
miembros de parejas de los que falta la calificación del otro por no haber-
se presentado a examen; faltan, asimismo, los resultados de 5 parejas com-
pletas por idéntica razón.
En el acto de examen se pidió a todos los sujetos que indicaran cómo
habían preparado el examen: a) mediante unidades didácticas únicamente;
b) por unidades didácticas y otros libros; c) mediante los libros recomen-
dados; d) a través de los libros recomendados y unidades didácticas; e) de
otras formas.
Como consecuencia de la respuesta a esta pregunta fueron descartados
del análisis estadístico los datos de 14 parejas por no ajustarse a las normas
de la investigación.
Los resultados aparecen a continuación. En todos los casos, y para evi-
tar en lo posible puntuaciones ligadas, el profesor calificó de 0 a 100, aun-
que luego las redujo a la clásica escala de 0 a 10.
Desea probar su hipótesis sobre la existencia de diferencias a un nivel
de confianza del 99%.
391
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Fases a y b)
PAREJA 1.ª 2.ª 3.ª 4.ª 5.ª 6.ª 7.ª 8.ª 9.ª 10.ª 11.ª
XA 71 74 48 62 78 45 90 79 36 70 73
XB 55 22 65 59 26 40 57 37 84 45 65
Diferencia y signo 16 52 –17 3 52 5 33 42 –48 25 8
RANGO 23,5 64 –25,5 2,5 64 6 48 54,5 –59 37 13
PAREJA 12.ª 13.ª 14.ª 15.ª 16.ª 17.ª 18.ª 19.ª 20.ª
XA 72 60 74 38 37 30 41 88 49
XB 65 82 46 90 75 30 32 72 31
Diferencia y signo 7 –22 28 –52 –30 0 9 16 18
RANGO 10,5 –33 42 –64 –52,2 / 15 23,5 27,5
PAREJA 21.ª 22.ª 23.ª 24.ª 25.ª 26.ª 27.ª 28.ª 29.ª
XA 51 69 55 50 56 51 46 36 58
XB 81 41 43 50 39 50 16 86 32
Diferencia y signo –30 28 12 0 17 1 30 –50 26
RANGO -45,5 42 19 / 25,5 1 45,5 –60,5 39
PAREJA 30.ª 31.ª 32.ª 33.ª 34.ª 35.ª 36.ª 37.ª 38.ª
XA 79 52 61 40 65 45 43 48 78
XB 58 55 55 32 52 70 29 52 60
Diferencia y signo 21 –3 6 8 13 –25 14 –4 18
RANGO 32 –2,5 8 13 20 –37 21 –4,5 27,5
PAREJA 39.ª 40.ª 41.ª 42.ª 43.ª 44.ª 45.ª 46.ª 47.ª
XA 68 84 86 55 77 39 55 61 72
XB 37 42 39 35 54 32 51 42 36
Diferencia y signo 31 42 47 20 23 7 4 19 36
RANGO 47 54,5 58 31 34 10,5 4,5 29,5 50
392
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
Fase c)
Suma de rangos con signo positivo: 1.718.
Suma de rangos con signo negativo: 427.
Por lo tanto, T = 427.
Debe advertirse que, en un caso tan claro como éste, en que tan sólo 13
parejas exhiben signo negativo frente a 52 con signo positivo, no es necesa-
rio calcular la suma de rangos de ambos signos. Sin embargo, es un ele-
mento de comprobación ya que, al tratarse de muestras grandes, podemos
calcular zT para ambos, y si los cálculos están bien hechos, ambas deberán
resultar iguales salvo en el signo.
Fase d)
Al tratarse de muestras grandes, en las que T sigue el modelo normal,
calcularemos zT:
393
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
65 × 66 427 − 1.072, 5
XT = = 1.072, 5 zT = = −4, 22; o
4 153, 02
65 × 66 × 131 1.718 − 1.072, 5
sT = = 153, 02 zT = = 4, 22
24 153, 02
Figura 10.7. Zonas conforme al azar H0 y no azar H1 y situación del resultado empírico.
394
ALGUNAS PRUEBAS NO PARAMÉTRICAS: SIGNOS χ2, T, U
texto, aunque tal afirmación venga matizada en este caso por las caracte-
rísticas especiales del alumno. de la UNED.
3.2.3. Potencia-eficiencia
395
Tema 11
Las pruebas paramétricas en diseños específicos
Presentación
4. Diseños factoriales
4.1. Estudio de un caso
4.2. Resolución estadística
4.3. Contrastes a posteriori
4.4. Manifestaciones de invalidez interna
Resumen
397
PRESENTACIÓN
Hasta ahora hemos presentado con mucho detalle los diseños de dos
grupos como elemento de referencia; con ello hemos pretendido facilitar la
comprensión de los conceptos fundamentales y las técnicas básicas a su
servicio.
En este último tema de la segunda unidad didáctica abordaremos sin
tanto detalle cuatro diseños que presentan diversas peculiaridades, bien sea
por el número de niveles de la variable independiente: tres o más; por la
forma de selección de los sujetos: como miembros de grupos naturales, esto
es, de grupos ya constituidos y por tanto no seleccionados al azar; por la
forma de controlar posibles variables extrañas mediante su introducción en
el propio diseño –cuadrado latino; o, por último, por el número de variables
independientes: diseños factoriales.
Los conceptos hasta aquí estudiados son aplicables a estos diseños, y las
ideas básicas de las pruebas paramétricas, también. Por ello, las explica-
ciones serán sensiblemente más breves que hasta aquí.
399
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
400
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
Estamos, pues, ante un diseño de una sola variable independiente, pero que
presenta cuatro niveles diferentes, las modalidades de actuación A, B, C y D.
Es, por tanto, un análisis de la varianza simple, con la única diferencia
con el caso ya conocido referente a los g.l. para «entre grupos» y su corres-
pondiente SCE.
Como en el cuadro de datos no aparecen los valores totales, será preci-
so calcular las SC haciendo esos cálculos previamente.
2
N
S.C.T = ∑
N
2
X −
( ∑X )
i=1
i
1
i=1 N
G (∑ X ) (∑ X )
1 1
S.C.E = ∑
i=1 i=1
−
i=1 n N
401
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
0.95F(3 y36) ~ 2,85 < 4,33. Por tanto, podemos rechazar H0 con una
probabilidad maxima de error tipo I de 0,05 (5 %)
Como F solo indica que hay diferencias «en general», conviene ahora
hacer pruebas «a posteriori» para ver entre qué pares de medias aritméti-
cas se dan. Lo haremos únicamente con las dos medias más extremas, las
de los grupos B y D, cuyas medias son, respectivamente, 4,8 y 7,2.
La prueba de Tukey:
Media de B – Media de D (en valor absoluto) dividido por la raíz cua-
drada de la MCD / n, esto es: (4,8 – 7,2) / √ 2,594 / 10 = 2,4 / √ 0,2594 = 2,4 /
0,509 = 4,71
Este valor debe contrastarse con el valor q con g y (N –g) g.l. donde g es el
número de grupos. En nuestro caso, tal valor para 4 y 36 g.l., siendo α ≤ 0,05 ~ 3,9
Dado que 3,9 < 4,71, la diferencia es estadísticamente significativa, con
una probabilidad máxima de error tipo I de 0.05 (5%)
Cabría hacer ahora lo mismo con los pares de medias siguientes: 4,8
frente a 6,7, y 6,7 frente a 7.2
402
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
403
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
404
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
405
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Los datos recogidos en la tabla 11.4 nos presentan, para cada grupo y
para cada uno de sus miembros, los resultados de la aplicación de los méto-
dos, A, B y C (variable dependiente, Y) y de las correspondientes puntua-
ciones en la covariable (X)
Tabla 11.4. Resumen de las puntuaciones de los sujetos en la variable
dependiente Y y en la covariable X
MÉTODOS A, B y C
GRUPO A GRUPO B GRUPO C TOTAL
X Y X Y X Y X Y
ΣX 43 32 47 41 37 25 127 98
ΣX2 323 178 375 283 239 111 937 572
ΣXY 237 324 162 723
(*) Los valores ΣX y ΣX representan la suma de las puntuaciones directas –primer caso- y de sus cua-
2
drados –segundo caso- tanto para la variable Y como para la covariable. El valor ΣXY es la suma de los
productos de los valores X de cada uno de los 6 sujetos por grupo –y, en su caso, de los 18 del total- por
sus correspondientes valores de Y.
Veamos la situación:
a) Parece que nos encontramos ante tres grupos ya formados. No debe
confundirnos el hecho de que, dentro de ellos, se seleccionen 6 niños
al azar ni que la variable métodos sea asignada a los grupos también
406
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
407
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
SC 2T ( XY )
SC Y . X = SC T ( Y ) −
T
SC T ( X )
SC 2D( XY )
SC Y . X = SC D( Y ) −
D
SC D( X )
SC Y . X = SC Y . X − SC Y . X
E T D
1
Obsérvese la diferencia en el orden de los cálculos así como la pérdida de un g.l. en el caso de den-
tro de los grupos.
408
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
(Media Y . X ( A ) − Media Y . X ( B ) )2
F=
MC Y . X
D
[ 2 ( X A − X B )2
n
+
SC D( X ) ]
donde MediaY.X(A) = media ajustada de Y en el grupo A,
siendo F con 1 y con [g(n – 1) – 1] g.l.
409
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
(6, 39 − 5, 26)2
F= = 1, 28 : 0, 48 (0, 333 + 0, 013)
0, 48 [2 / 6 + (7,17 − 7, 83)]2 / 32, 5
= 1, 28 : 0, 48 × 0, 346 = 1, 28 : 0,166 = 7, 71
410
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
411
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
GRADO DE EDAD
EXTRAVERSIÓN 1 2 3
M N O
A
5,7,8,6,9 7,5,6,8,9 3,3,6,4,5
N O M
B
5,5,4,3,6 6,6,7,6,3 4,6,4,5,5
O M N
C
3,5,4,3,4 5,6,8,2,3 6,6,8,4,5
412
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
GRADO DE EDAD
TOTAL FILAS
EXTRAVERSIÓN 1 2 3
M N O
A 5,7,8,6,9 7,5,6,8,9 3,3,6,4,5 ΣX = 91
ΣX= 35; ΣX2 = 255 ΣX = 35, ΣX2 = 255 ΣX =21; ΣX2 = 95 ΣX2 = 605
N O M
B 5,5,4,3,6 6,6,7,6,3 4,6,4,5,5 ΣX = 75
ΣX =23; ΣX2 = 111 ΣX =28; ΣX2 = 166 ΣX =24; ΣX2 = 118 ΣX2 = 395
O M N
C 3,5,4,3,4 5,6,8,2,3 6,6,8,4,5 ΣX = 72
ΣX= 19; ΣX2 = 75 ΣX =24; ΣX2 = 138 ΣX = 29; ΣX2 = 177 ΣX2 = 390
TOTAL
TOTAL ΣX = 77 ΣX = 87 ΣX = 74
ΣX = 238
COLUMNAS ΣX2 = 441 ΣX2 = 559 ΣX2 = 390
ΣX2 = 1390
413
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
0.90F(2 y 36) ~ 2,46 < 3,07. Por tanto, la diferencia es estadísticamente sig-
nificativa. Podría rechazar H0 con una probabilidad máxima de cometer un
error tipo I de 0.1 (10 %)
En el caso de probar su hipótesis para α≤ 0.05
414
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
4. DISEÑOS FACTORIALES
415
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
416
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
Se trabaja con cuatro grupos de 5 niños cada uno, a los que se ha asignado
los niveles de ambos factores de forma aleatoria. Las hipótesis se contrastarán
para α≤ 0.05.
Sistemas de recompensa
Modalidades de trabajo en el aula
A B
X 4,6,3,6,1 4,6,5,4,6
Y 7,5,7,6,5 7,8,9,7,9
Sistemas de recompensa
Modalidades de trabajo en el aula
A B
X 4 5
Y 6 8
417
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
418
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
maciones independientes que pueden explicarse como fruto del azar; por
tanto, la variable sistemas de recompensas no interviene en ellos. Lo
mismo podríamos afirmar en el caso de los sistemas de recompensas,
cuyos efectos simples son 1 y 2, con respecto a la variable modalidades de
trabajo.
Para calcular el efecto de la interacción suele acudirse2 a la diferencia
entre las sumas de los promedios de las diagonales. En nuestro caso sería:
(6 + 5) – (4 + 8) = |11 – 12| = 1
2
En el caso de diseños factoriales de dos niveles.
419
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
ENUNCIADO
3
Este valor corresponde con el número de grupos de la variable o factor objeto de estudio. Los valo-
res gA gB se corresponden con el número de grupos de ambos factores, el estudiado y el otro.
4
Al igual que en la nota anterior, este valor corresponde al número de grupos, en este caso menos
uno, de la variable o factor objeto de estudio.
420
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
DATOS
FORMAS DE AGRUPAMIENTO
VARIABLES TOTAL
A1 A2 A3
M ΣX = 78 ΣX = 75 ΣX = 97 ΣX = 250
B4
E ΣX2 = 646 ΣX2 = 601 ΣX2 = 971 ΣX2 = 2218
T
ΣX = 44 ΣX = 49 SX = 53 ΣX = 146
O B3
ΣX2 = 220 ΣX2 = 259 ΣX2 = 311 ΣX2 = 790
D
O ΣX = 73 ΣX = 63 ΣX = 93 ΣX = 229
B2
L ΣX2 = 565 ΣX2 = 421 ΣX2 = 891 ΣX2 = 1877
O
ΣX = 64 ΣX = 65 ΣX = 79 ΣX = 208
G B1
ΣX2 = 452 ΣX2 = 443 ΣX2 = 641 ΣX2 = 1536
Í
A ΣX = 259 ΣX = 252 ΣX = 322 ΣX = 833
TOTAL
S ΣX2 = 1883 ΣX2 = 1724 ΣX2 = 2814 ΣX2 = 6421
SOLUCIÓN
Es obvio que se trata de un diseño factorial, de dos factores –metodolo-
gías y formas de agrupamiento- seleccionadas o fijadas por el investigador.
Deberemos, por tanto, someter a contraste los efectos de cada variable
independiente o factor y su interacción, para un nivel de significación esta-
dística de α ≤ 0.01.
421
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
5
Compruebe el alumno que en las tablas no encontramos 11 y 108 g.l., por lo que debemos inter-
polar. En nuestro caso no merece la pena hacer ese esfuerzo, dado que la distancia entre nuestro valor
empírico y el de las tablas es muy grande y no cabe duda de que, en cualquier caso, será significativo.
El valor más desfavorable sería 2,50, claramente inferior a nuestro valor empírico.
422
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
423
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
12
10
8 B4
B3
6
B2
4 B1
2
0
6,475 6,3 8,05
Al igual que la F para la fuente de variación entre grupos nos indica que
existen diferencias que es preciso localizar y que, como hemos podido apre-
ciar, se situaban en los factores pero no en su interacción, ahora debemos
proceder a establecer contrastes post hoc o a posteriori dado que los facto-
res tienen tres y cuatro niveles. Obviamente, si uno de los factores, o ambos,
tuvieran únicamente dos niveles, estos contrastes serían innecesarios, dado
que las diferencias a las que se refiere F serían a favor del grupo cuya media
aritmética fuera más elevada.
424
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
MCD = 3,18
|8,33 – 4, 87| / √3,18 /120 : 4 = 3,46 : √3,18 /30 = 3,46 : 0,325 = 10,65
Hay que proceder del mismo modo con el factor A (formas de agrupa-
miento). Lo ejemplificaremos con los niveles A1 y A2, a sabiendas que habría
que seguir el proceso entre A1 y A3, y entre A2 y A3
MCD = 3,18
|6,475 – 6,3| / √3,18 /120 : 3= 0,175 : √3,18 /40 = 0,175 : 0,282 = 0,62
425
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
RESUMEN
Con el presente tema, que cierra la unidad didáctica dos, hemos amplia-
do el horizonte de los diseños. Si hasta ahora se ha dedicado una gran aten-
ción a los diseños de dos grupos porque los hemos tomado como referen-
cia para comprender el alcance de la investigación empírica experimental
así como a las pruebas estadísticas más adecuadas para su resolución, aquí
nos hemos detenido, sin tanto detalle, en otros diseños a los que podemos
aplicar tanto las aludidas ideas y conceptos como los principios de las prue-
bas estadísticas.
426
LAS PRUEBAS PARAMÉTRICAS EN DISEÑOS ESPECÍFICOS
Cuatro han sido los diseños estudiados; en tres de ellos hemos seguido tra-
bajando con una sola variable independiente. Pero en el cuarto hemos amplia-
do el horizonte haciendo objeto de estudio los diseños factoriales, de grandes
prestaciones a la investigación pedagógica, al permitir probar las hipótesis
correspondientes a cada factor así como a la posible interacción entre ellos.
El primero de los diseños estudiados no es sino una extensión del dise-
ño de dos grupos al caso en que la variable independiente tiene más de dos
niveles, algo habitual por otra parte.
Su resolución estadística es sencilla; se debe acudir a la prueba F (si se
cumplen las exigencias de los modelos paramétricos) dado que t solo puede
utilizarse en el caso de dos niveles.
Lógicamente, si F resultara significativa, es preciso proseguir el aná-
lisis para contrastar entre qué pares de medias se dan tales diferencias,
dado que, como sabemos, F sólo indica si se dan o no diferencias en
general.
Los otros dos diseños presentan prestaciones relevantes. El de cova-
rianza, porque es muy aplicable en los estudios pedagógicos, que, general-
mente, se ven obligados a trabajar con grupos naturales, lo que no asegura
el control inicial que permita considerar que los sujetos de los diferentes
grupos son intercambiables. En el caso en que, en tales situaciones, conte-
mos con pre-test cuyos resultados covaríen con la variable dependiente,
podemos utilizarlos como forma de control, ajustando las medias finales a
las posibles diferencias iniciales.
Por último, hemos presentado el diseño de cuadrado latino; su aporta-
ción es la de ofrecer un procedimiento de control de dos variables que
podrían convertirse en extrañas en caso de no ser controladas.
427
ANEXO A LA UNIDAD DIDÁCTICA II
Presentación
2. El Informe
2.1. Introducción
2.2. Hipótesis
2.3. Variables
2.4. Diseño
2.5. Muestra
2.6. Instrumento
2.7. Proceso
2.8. Resultados
2.9. Tratamiento estadístico e interpretación de resultados
2.10. Conclusiones
3. Enjuiciamiento de la investigacion
3.1. Aspectos generales
3.2. Validez interna
3.3. Validez externa
3.4. El tratamiento estadístico
429
PRESENTACIÓN
2. EL INFORME
2.1. Introducción
431
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
2.2. Hipótesis
2.3. Variables
432
ANEXO A LA UNIDAD DIDÁCTICA II
ñanza por fichas—, siendo dos las variables dependientes, rendimiento aca-
démico y creatividad; la variable rendimiento académico va a ser puesta a
prueba en dos campos: a) ortografía (existe un texto de ortografía progra-
mada) y b) área social y natural, en la que el autor de la investigación ha lle-
vado a cabo la tarea de programación de un texto; en ambos casos trabaja
con alumnos de 11 años.
2.4. Diseño
Elige un diseño de dos grupos, pero, dadas las limitaciones que se impo-
nen en los centros, debe tomarlos como están. En realidad lo que hace es
actuar con dos grupos de un colegio del que él es profesor, adjudicando, eso
sí, los tratamientos al azar. Él se encarga del área social y natural y otro
compañero de la ortografía. Toma la precaución de llevar a cabo un pretest
en ambas materias con la intención de averiguar si, de entrada, se pueden
explicar posibles diferencias posteriores.
El paradigma del diseño es
ASIGNACION
GRUPO PRETEST TRATAMIENTO POSTEST
SUJETOS TRATAMIENTO
Experimental
No azar Azar T1 Fichas T3
(A)
Control Enseñanza
No azar Azar T2 T4
(B) Programada
Este diseño lo utiliza tres veces, una para apreciar la creatividad y dos
veces para el rendimiento, una en ortografía y otra en el área social y natu-
ral. En todos los casos trata de comparar los resultados medios de ambos
grupos en cada una de las dos variables dependientes, tras un curso acadé-
mico de utilización de los tratamientos.
2.5. Muestra
433
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
2.6. Instrumento
2.7. Proceso
2.8. Resultados
434
ANEXO A LA UNIDAD DIDÁCTICA II
435
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
436
ANEXO A LA UNIDAD DIDÁCTICA II
Dado que las muestras son muy próximas al tamaño que delimita las
denominadas pequeñas, y puesto que estas muestras actúan de modo más
conservador, decide trabajar con la prueba «t».
De la tabla con los datos originales se desprende (tabla 3):
437
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
n 32 31
––
X 5,53 5,419
s 1,436 1,432
XA − XB
t= =
( (n A − 1) s2A + (n B − 1) s2B
nA + nB − 2 )( nA + nB
nAnB )
5, 53 − 5, 419 0,111
= = = 0, 31
0, 36
(31× 1, 436 ) + (30 × 1, 432 ) × (32 + 31)
2 2
32 + 31 − 2 32 × 31
1
Utilizar la ecuación 9.2 por suponer que σA y σB son desconocidos pero supuestos iguales entre si
y al parámetro.
438
ANEXO A LA UNIDAD DIDÁCTICA II
439
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Dado que los valores de n1 y n2 son los casos de que constan las mues-
tras, lo único que hay que calcular es el valor de U, lo que puede hacerse
por una de estas fórmulas:
n1 ( n1 + 1) n 2 ( n 2 + 1)
U = n1n 2 + − R1 ; U = n1n 2 + − R2
2 2
n1 ( n1 + 1) n 2 ( n 2 + 1)
U = n1n 2 + − R1 ; U = n1n 2 + − R2
2 2
En consecuencia:
32 × 33
U = 32 × 31+ − 1.010, 5 = 992 + 528 − 1.010, 5 = 1.520 − 1.010, 5 = 509, 5
2
31× 32
U = 32 × 31+ + 1.005, 5 = 992 + 496 − 1.005, 5 = 1.488 − 1.0
005, 5 = 482, 5
2
992
482, 5 −
2 4825 − 496 −13, 5
zU = = = = −0,19
32 × 31× (32 + 31+ 1) 5.290, 667 72, 737
12
( ( ))(
n1 − n 2
N N −1
N3 − N
12 )
− ∑ T donde el único valor por determinar es ∑T,
t3 − t
siendo T = , y t el número de casos o puntuaciones ligadas en cada
12
rango.
440
ANEXO A LA UNIDAD DIDÁCTICA II
2 doses 11 seises
5 treses 8 sietes
11 cuatros 5 ochos
18 cincos 3 nueves
Luego:
Por tanto
441
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
GRUPO A GRUPO B
> Md. A B
17 16
Mediana combinada = 16,39
C D
< Md. 15 15
2 2
N 63
N ( AD − BC ) − 63 ( 17 × 15 − 15 × 16 ) −
2 2
χ2 = = = 0, 02
( A + B ) ( C + D) ( A + C ) ( B + D) 33 × 30 × 32 × 31
6,172 − 5, 896
t= = 0, 71
Puntuaciones Puntuaciones
Puntuaciones Puntuaciones
directas Rangos directas Rangos
directas directas
ordenadas ordenadas
4 4 3,5 3 3 7
8 4 3,5 7 4 3,5
6 5 15,5 8 4 3,5
7 5 15,5 7 5 15,5
5 5 15,5 5 5 15,5
442
ANEXO A LA UNIDAD DIDÁCTICA II
4 cuatros 12 sietes
20 cincos 4 ochos
13 seises 4 nueves
443
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
29 × 30
U = 29 × 29 + − 745 = 531
2
841
310 −
z= 2 = 0, 2511× (16.254, 5 − 1.005) = −1, 77
( )(
29 × 29
58 × 57
583 − 58
12
− 1.005
)
La probabilidad de ocurrencia de este fenómeno es de 0,0384 (3,84 %)
y, por lo tanto, inferior al previamente fijado del 5 %. Luego sí existe dife-
rencia a favor del tratamiento A, esto es, da mejores resultados una ense-
ñanzapor fichas que otra de tipo programada.
CREATIVIDAD
GRUPO A GRUPO B
> 5,5 A B
19 10
Md. combinada
C D
< 5,5 10 19
( )
2
N
N AD − BC − 2
2
χ =
2
=
(
58 361 − 100 − 29 ) =
58 × 53.824 3.121.792
= = 4, 414
( A + B ) ( C + D) ( A + C ) ( B + D) 29 × 29 × 29 × 29 707.281 707.281
444
ANEXO A LA UNIDAD DIDÁCTICA II
2.10. Conclusiones
3. ENJUICIAMIENTO DE LA INVESTlGACIÓN
445
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Sobre los datos anteriores veamos el juicio que nos merece el diseño uti-
lizado:
• Es positivo que haya hecho la asignación de tratamientos —fichas o
enseñanza programada— al azar, así como el que el profesorado sea
el mismo en ambos grupos. Lo mismo podemos decir de la precau-
ción de aplicar un pretest para asegurarse de que no hay diferencias
iniciales; esta precaución es más explicable al verse forzado a utili-
zar grupos naturales, sin posibilidad de asignar los sujetos al azar a
los grupos. Destacable es su decisión de utilizar los mismos instru-
mentos de medida, lo que, naturalmente, exige que, al margen del
método o variable independiente —v.i.—, contenidos y objetivos
sean los mismos para ambos grupos; loable es su decisión de utili-
zar cinco jueces para medir la creatividad como variable depen-
diente —v.d.—.
• Un aspecto no tan positivo se refiere a las características externas del
texto programado —policopiado y con pocas ilustraciones— lo que
puede no motivar suficientemente a los sujetos del grupo B.
446
ANEXO A LA UNIDAD DIDÁCTICA II
447
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
448
ANEXO A LA UNIDAD DIDÁCTICA II
449
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
450
UNIDAD DIDÁCTICA III
Presentación
Introducción
Resumen
453
PRESENTACIÓN
INTRODUCCIÓN
455
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
1
[En línea: marzo’2011] <http://buscon.rae.es/draeI/SrvltConsulta?TIPO_BUS=3&LEMA=cualitativo>
456
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
1.1. Su esencia
Desde luego, que no resulta nada fácil definir de una manera clara la
metodología cualitativa, algo que puede explicarse, entre otras razones, por-
que siempre, detrás de tal denominación, existen una gran variedad de méto-
dos. En efecto, tal como señalara Jacob, la investigación cualitativa puede
entenderse como la confluencia de tradiciones metodológicas diversas, de
métodos diferentes, en concreto de las siguientes: la psicología ecológica, la
etología humana, la etnografía holística, la antropología cognitiva, la etno-
grafía de la comunicación o el interaccionismo simbólico. Y en esta misma
línea se manifestaba Shulman (1989, 49), un investigador entregado al estu-
dio de la ecología en el aula, cuando señalaba: «Corro el riesgo de agrupar a
lo que muchos investigadores consideran líneas de investigación diferentes.
Sin duda, las orientaciones disciplinarias de las que provienen los partici-
pantes, son diversas: van desde la antropología y la sociolingüística a la psi-
cología ecológica. Están incluidos tanto etnometodólogos como interaccio-
nistas simbólicos. Pero, al compararlos con los psicólogos, sean conductistas
o mentalistas, cuyo trabajo ha dominado las programas examinados con
anterioridad (y el estudio de la cognición del profesor) se puede decir que
constituyen un grupo de investigación con características propias».
Esto nos lleva a entender que la metodología cualitativa está destinada a
producir «datos descriptivos: las propias palabras de las personas, habladas
o escritas». Un planteamiento excesivamente reduccionista, pues en este tipo
de investigación, lo importante no es tanto el tipo de datos a que da lugar sino
la naturaleza y sentido de tales datos. Y nos situaría en el marco del paradig-
ma de enfoque fenomenológico, cuya pretensión no es otra que la de enten-
der o comprender los fenómenos sociales desde la perspectiva de sus actores.
Lo característico, pues, es la comprensión que se pretende, y que ésta se con-
crete en palabras de las personas o en cualquier otro tipo de manifestación,
sean gestos, símbolos o de otro tipo. Este planteamiento queda avalado por
457
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
458
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
459
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
460
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
461
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
462
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
463
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
464
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
– Identificar problemas
– Refinar conocimientos
465
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Es una propuesta que ha sido muy reconocida por todos los autores, ya
que vincula los paradigmas tradicionales de investigación con las metodo-
logías, si bien encontramos algunas carencias que debiéramos considerar,
como es el caso de la investigación evaluativa (de carácter mixto) o cues-
tionamos la presencia de algunos tipos, como el feminista, cuya perspecti-
va investigadora, dada la evolución que ha marcado con el tiempo, hoy es
posible considerarla en el marco de la investigación etnográfica. No obs-
tante, como decimos, esta clasificación nos señala perfectamente el maco
referencial de nuestra investigación cualitativa, en la que situaríamos los
estudios que desarrollan objetivos de comprensión de los fenómenos
socioeducativos y de transformación de la realidad.
Y podemos concluir, haciendo nuestra una definición muy clara y pre-
cisa del término de investigación cualitativa, de Sandín (2003,123), cuando
la describe como:
466
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
467
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
468
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
Muestra.
Análisis de datos.
469
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Denzin y Lincoln (1994) Teoría: marco determinado por el conjunto de ideas del
mundo circundante al investigador.
470
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
Proceso de Investigación
Cualitativa
Trabajo de campo:
Propuesta inicial de partida:
– Marco teórico – Acceso al campo
– Diseño – Selección de técnicas
– Proceso de recogida de datos
471
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
472
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
473
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
474
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
475
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
476
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
477
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
478
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
479
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
to del azar, sino por las diferencias reales que presentan los sujetos
o los grupos estudiados.
El producto de esta fase, resultará una TABLA de DATOS debidamente
INTERPRETADA, fruto de las dos etapas que acabamos de describir en su
desarrollo.
480
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
Nos queda, para completar el tema, realizar una reflexión acerca de las
posibilidades que presenta esta metodología de investigación para la edu-
cación. A priori, pensamos que son muchas, puesto que la persona, es su
objeto de estudio, y ésta, en el marco escolar, reporta un contexto rico, idó-
neo para la realización de estudios de naturaleza cualitativa. Frente a la
postura neopositivista, como fuente de rigor metodológico, actualmente se
acepta ya la consideración de que las técnicas cualitativas pueden aportar
una contribución válida a la producción y al análisis de evidencia empírica,
facilitando la generación y el contraste de hipótesis.
En principio, hemos de tener en cuenta, como vimos al inicio del tema,
la gran diversidad de perspectivas metodológicas que presenta la investiga-
ción cualitativa. Esta complejidad se percibe en la realización de estudios
de carácter socioeducativo. Los estudios de Jacob (1988), Strauss y Corbin
(1990), Bartolomé (1992), Buendía (1998)… han permitido clasificaciones
muy distintas, entre las que podemos extraer tres metodologías que con-
forman un recurso de gran interés para la escuela:
• La investigación etnográfica y el estudio de casos
Si bien los primeros estudios desarrollados desde los inicios del siglo XX
aparecen ligados a los estudios antropológicos y a la sociología, a media-
dos de siglo ya se desarrollan estudios acerca de la integración de la cul-
tura en el campo de la educación (Kimbal y Spindler). Luego, en los
años setenta, estos trabajos se extienden a otros aspectos como los sis-
temas didácticos o la evaluación (Cazden, Spradley, Erikson, Arkin-
son…), alcanzando notable difusión los trabajos desarrollados por la
Escuela de Chicago acerca del análisis de las relaciones en el aula. De
este modo, se nos confirma que la etnografía educativa es una modali-
dad de investigación cualitativa, encuadrada en el paradigma interpre-
tativo, cuyas aportaciones se hacen extensivas a diversas disciplinas del
campo social y educativo. Su objetivo podemos establecerlo en aportar
481
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
482
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
483
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
484
PROCESO DE LA INVESTIGACIÓN CUALITATIVA: DEL PROBLEMA A LA SELECCIÓN DE INFORMANTES
485
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
RESUMEN
486
Tema 13
Métodos y técnicas para la recogida de datos
cualitativos
Presentación
Introducción
2. La observación participante
3. La entrevista cualitativa
Resumen
487
PRESENTACIÓN
INTRODUCCIÓN
489
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
490
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
2. LA OBSERVACIÓN PARTICIPANTE
491
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
492
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
493
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
494
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
495
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
496
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
497
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
3. LA ENTREVISTA CUALITATIVA
498
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
499
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
500
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
501
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
502
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
503
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Historias de vida
Sabemos que una historia es una narración en torno a determinados
eventos en los que se proyectan los valores humanos y patrones significati-
vos de una cultura particular. Como nos recuerda Colás (1998, 280), a la
peculiaridad narrativa le añaden la temporalidad y la causalidad. De este
modo, en las historias de vida se entrelazan eventos, descripciones y situa-
ciones, resaltando con ello, el significado de las acciones humanas.
Describen la narrativa vital de una persona, acompañada de cuantos regis-
tros documentales y personales, y cuanto material pueda acompañarse, a fin
de reconstruir la biografía de la persona de una forma exhaustiva y objetiva.
En la investigación cualitativa contribuyen a sugerir, ilustrar o contras-
tar hipótesis y a proporcionar nuevos hechos que sirvan para la mejor com-
prensión de los problemas de la investigación.
Una versión particular de las historias de vida, es la que se escribe para
desarrollar una faceta de la vivencia de la persona, como es la profesional,
en cuyo caso hablamos de historias profesionales. Resultan de gran utilidad
en la investigación por cuanto focalizan el estudio y lo ciñen a un aspecto
muy concreto del sujeto.
Los registros resultan una particularidad en los documentos persona-
les. Encontramos registros orales, que pretenden la perduración de una
información particular, y registros escritos, de carácter informativo y/o
valorativo. A saber:
Los registros orales son una forma de conservar el testimonio que ofre-
cen los sujetos y que luego se emplean para el desarrollo de algunos de
los documentos que acabamos de citar, como la biografía o la historia
de vida. Si no se elabora ex profeso (cuando se crea por encargo para la
investigación puede provocar reactividad en el sujeto que lo protagoni-
za), es decir, si se crea en condiciones de naturalidad, esta técnica puede
presentar las mismas características que hemos señalado para los docu-
mentos, por lo que puede participar del estatus que se les otorgue a
todos ellos en el proceso de la investigación: veracidad, rigor, oportuni-
dad y validez. Es más, las fuentes orales aportan algunas ventajas al uso
de documentación escrita, como que permiten elegir las personas a
entrevistar o la constante revisión que puede hacerse del material regis-
trado, pues no caduca.
504
MÉTODOS Y TÉCNICAS PARA LA RECOGIDA DE DATOS CUALITATIVOS
505
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
RESUMEN
506
Tema 14
El tratamiento de datos en la investigación
cualitativa
Presentación
Introducción
4. Aportaciones de la informática
Software de referencia:
AQUAD
NUD.IST
QSR-NVIVO
WIN MAX pro
MAX QDA
ATLAS.TI
ETHNOGRAPH
DECISION EXPLORER
Resumen
507
PRESENTACIÓN
INTRODUCCIÓN
509
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
dirigirá nuestra actuación con los datos que tenemos delante a la hora de
completar el estudio
Además, indicar que merece la pena insistir en el tema en lo relativo
a algunas cuestiones técnicas, por lo cual llevaremos a efecto una men-
ción específica a las aportaciones que representa la informática en este
momento.
510
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
511
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
512
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
Separación de unidades
a) Reducción de datos Identificación y clasificación
Agrupamiento
a) Reducción de datos
Este proceso es imprescindible en la investigación cualitativa, donde ya
hemos dicho que siempre nos vamos a encontrar ante una elevada cantidad
de material que debemos hacer inteligible, mediante un proceso de reduc-
ción, una tarea que se abordara separando, o más bien troceando, la infor-
mación original en partes. Para ello, se puede distribuir el contenido de for-
mas diferentes, atendiendo a criterios de carácter temporal o espacial, a
unidades de tipo gramatical (como la palabra, el párrafo o la oración) o de
tipo temático.
Tengamos presente que esa segmentación de datos, textos verbales o
escritos, se realiza en base a unidades relevantes, significativas, que man-
tienen a su vez, conexión con un objetivo más global (planteado por el pro-
yecto que se investiga). Es decir, se mantiene una conexión muy estrecha
entre aspectos específicos del texto (tratamiento manipulativo de los datos)
513
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
514
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
515
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
516
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
517
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
518
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
4. APORTACIONES DE LA INFORMÁTICA
519
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
NUD.IST es un
programa desarrolla-
do en la Universidad
de La Trobe, Austra-
lia. Corresponde a las
siglas de “Non-nume-
rical Unstructured
Data * Indexing Sear-
ching and Theorizing”, que se puede traducir por Datos No numéricos y no
estructurados * Indexar, registrar y teorizar. Sirve para segmentar y organi-
zar los datos de la investigación, asignar categorías, establecer relaciones
entre ellos, realizar búsquedas textuales específicas, y por último, construir
matrices y tablas de frecuencias con la información relevante.
Gil y Perera (2001, 33) señalan que soporta los procesos de categoriza-
ción deductiva e inductiva, incluso ambas. De este modo nos permite dise-
ñar en principio, un sistema propio de categorías a partir de las estableci-
das en la investigación, o bien o bien de las hipótesis que se van
520
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
521
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
con una gran versatilidad para editar, visualizar código y vincular documen-
tos tal y como son creados, codificados, filtrados, manejados y registrados.
Para conocerlo mejor, nos parece interesante la tabla comparativa que
presentan Revuelta y Sánchez (2003):
522
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
523
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
MAXqda es una versión más moderna de WinMAX, ofrecida por los mis-
mos desarrolladores, que optimiza el análisis cualitativo de textos. Conserva
sus características de ofrecer una estructura clara y ordenada, junto a unas
funciones más amplias y diferenciadas en combinación con una visualización
única y avanzada de alta disponibilidad para los procesos de codificación.
Su desarrollo mantiene la interfaz en base a las cuatro opciones de tra-
bajo, que se corresponden con las necesidades de gestión en el proceso de
análisis de datos cualitativos:
– El conjunto completo de datos, o textos (Text groups).
524
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
ral o establecer un código jerárquico (categoría) del sistema con hasta diez
niveles.
Además, cuenta con una versión ampliada en la que ofrece funciones
como MAXDictio, un módulo para el análisis de vocabulario, la creación de
diccionarios especializados y la realización de análisis de contenido cuan-
titativo, o MAXMapas, que facilita la representación gráfica de los diferen-
tes elementos de un proyecto.
525
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
526
EL TRATAMIENTO DE DATOS EN LA INVESTIGACIÓN CUALITATIVA
RESUMEN
527
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
está limitada, requiriendo una preparación previa de los datos, para facili-
tar ese tratamiento. De este modo, hemos de considerar que el procedi-
miento de datos en la investigación cualitativa, presenta un carácter analí-
tico, cuya secuencia desarrollamos convenientemente.
A partir de este conocimiento, dos serán las cuestiones que completen el
tema: por un lado la teorización que requiere el estudio cualitativo, abor-
dando el procedimiento que permite su aplicación, y la informática como
recurso de aplicabilidad técnica, de cuya potencialidad hoy en día nadie
duda. En esta última cuestión, referenciamos diversos programas que per-
miten llevar a efecto de una manera técnica, el análisis de contenido de los
textos empleados en los estudios de este tipo.
528
GLOSARIO
Análisis (cualitativo)
El análisis que se refiere a los aspectos de calidad, valor o pondera-
ción de un objeto, individuo, entidad o estado. Por oposición, existe el
análisis cuantitativo, que se emplea para determinar la cantidad de un
ingrediente, elemento o variable en una entidad dada.
Análisis de varianza
El análisis de la varianza (ANAVA o ANOVA) es una de las pruebas
paramétricas más importantes y útiles para el contraste de hipótesis
estadísticas.
Como su nombre indica, consiste en analizar, dividir o descomponer la
varianza total de las puntuaciones de un grupo de sujetos al menos en
dos partes: aquella atribuible a los efectos de la variable independiente,
esto es, a la varianza sistemática experimental, y aquella otra cuyo ori-
gen es difícil de delimitar y que se denomina varianza de error, aleato-
ria, en la que se incluyen las diferencias individuales, los errores de
muestreo y los errores debidos a las limitaciones de la medida.
El análisis de la varianza, simbolizado por F, consiste en el cociente
entre ambos tipos de varianza y pretende establecer si la diferencia
entre las medias aritméticas de los grupos es o no estadísticamente
significativa para el nivel de significación (α) decidido de antemano
por el investigador. El valor de F se interpreta en términos de la pro-
babilidad de que tal valor pueda ocurrir por efecto del azar; si tal pro-
babilidad fuera menor que α, se rechaza H0 y se acepta H1, si bien
admitiendo una probabilidad de error tipo I ≤ α.
Ciencia. Su objetivo. Tipos de ciencia
Para M. Bunge la ciencia tiene como finalidad «El conocimiento obje-
tivo del mundo».
529
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
530
GLOSARIO
531
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
532
GLOSARIO
533
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
534
GLOSARIO
535
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
536
GLOSARIO
537
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
538
GLOSARIO
Explicación
El concepto de explicación debe entenderse en el sentido de encontrar
enunciados generales que permitan dar una respuesta a un conjunto
de fenómenos. Para Jaspers, la explicación tiene por objeto establecer
las causas de los fenómenos, por lo que la considera como una meta
propia de las Ciencias de la Naturaleza.
En la misma línea se manifiesta Russell Hanson en Patrones de des-
cubrimiento. Observación y explicación: «Las explicaciones causales
son importantes para nosotros. Existen, por supuesto, otros muchos
modos de hacer comprensibles los fenómenos».
Fenomenología
Estudia la relación que hay entre los hechos (fenómenos) y el ámbito
en que se hace presente esta realidad (psiquismo, la conciencia).
Generalización
Entendemos por generalización el hecho de extender los resultados de
la investigación desde los sujetos estudiados a los grupos de los que
forman parte, desde las muestras a sus respectivas poblaciones.
Teniendo en cuenta que finalidad del saber pedagógico consiste en
lograr leyes tan generales como sea posible, de forma que los resulta-
dos alcanzados con unos sujetos puedan aplicarse a otros diferentes
que formen parte de la misma población, el desideratum será llegar a
diseños que, cumpliendo con la validez interna, puedan alcanzar los
más amplios niveles de validez externa.
539
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
540
GLOSARIO
541
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Hipótesis nula
Es una afirmación algebraica sobre el valor específico de un paráme-
tro poblacional. Por ejemplo, en los diseños de un grupo puede pre-
sentarse H0: µ = a, donde a es un valor numérico específico. En la
prueba de significación de la hipótesis nula (por ejemplo, en los dise-
ños de dos grupos), ésta afirma: «no hay efecto presente» (efecto de la
variable independiente sobre la variable dependiente). Expresa que
las diferencias observadas son aleatorias, se deben a errores de mues-
treo, no hay diferencias en la población.
Interacción
En los diseños factoriales, esto es, aquellos en que trabajamos con dos
o más v.i., podemos someter a contraste los denominados efectos prin-
cipales, esto es, los de cada v.i. o factor por separado, similares a los
diseños de una v.i., y los de interacción. En este caso, se trata de los
efectos diferenciales de una v.i. sobre la v.d. en función de los que
toma la otra v.i. o factor. Si tales efectos no son constantes sino que
varían, estamos ante la interacción. Tal puede ser el caso de que un
determinado método no dé siempre mejores resultados que otro, sino
que los dé en sujetos con dislexia, mientras el otro método los dé con
niños no disléxicos.
Interaccionismo
Una de las corrientes de pensamiento relacionada también con la
antropología y la psicología social, que se basa en la comprensión de
la sociedad a través de la comunicación.
Investigación. Investigación empírica
Para Selltiz, «Investigar es buscar de nuevo, echar otra mirada más cui-
dadosa para averiguar más. Echamos otra mirada porque puede haber
algo erróneo en lo que ya sabemos [...]
La actitud investigadora presupone que la primera mirada –y las poste-
riores- pueden ser propensas a error, y por ello tenemos que mirar una y
otra vez, de forma diferente y completa cada vez».
La investigación científica ha de ser sistemática, organizada, discipli-
nada y rigurosa.
542
GLOSARIO
543
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
544
GLOSARIO
545
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
546
GLOSARIO
547
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Muestra. Muestreo
Entendemos por muestra un subconjunto de una población. La mues-
tra debe ser representativa de la población, para lo que deberá contar
con un tamaño suficiente y con una selección por procedimientos
imparciales, como el muestreo aleatorio.
Multiplismo
Frente a la idea de un único método o de la necesidad de adscri-
birse a un único tipo de métodos en función del paradigma prefe-
rido, determinados autores plantean el multiplismo. Para Cook
esto supone:
a) Conveniencia de acudir a enfoques teóricos múltiples.
b) Necesidad de plantear objetivos diferentes que hagan posible la uti-
lización de diferentes análisis de los resultados.
c) Acudir a modelos variados de evaluación.
d) Someter a prueba modelos causales multivariados.
e) Plantear variedad de hipótesis rivales alternativas.
f) Elaborar diversas definiciones operativas de las diversas variables
de la investigación.
g) Llevar a cabo análisis de datos y contrastes de hipótesis múltiples.
h) Acudir a valoraciones diversas, recogiendo los puntos de vista de
las diferentes partes implicadas (audiencias).
548
GLOSARIO
Observación
Actividad realizada para detectar y registrar información correspon-
diente a un hecho, del cual se toman datos.
Paradigma
Gage define a los paradigmas como «modelos, pautas o esquemas. Los
paradigmas no son teorías; son más bien maneras de pensar o pautas
para la investigación que, cuando se aplican, pueden conducir al des-
arrollo de la teoría».
Según Patton es «una visión del mundo, una perspectiva general, un
modo de desmenuzar la complejidad del mundo real (...) los paradigmas
les dicen lo que es importante, legítimo y razonable. Los paradigmas son
también normativos: señalan al profesional lo que ha de hacer sin nece-
sidad de prolongadas consideraciones existenciales o epistemológicas».
Paradigma cuantitativo, según Cook y Reichardt: «El conglomerado de
atributos que integran el paradigma cuantitativo procede de las ciencias
naturales y agronómicas, mientras que el paradigma cualitativo tuvo su
origen en los trabajos de antropología social y de sociología, sobre todo
de la Escuela de Chicago».
En las ciencias humanas nos enfrentamos a dos grandes paradigmas: el
positivista, cuantitativo, y el naturalista, interpretativo o cualitativo. Pero
hay quienes consideran que son tres, añadiendo a los dos anteriores un
tercero, denominado crítico. Si los dos primeros se diferencian en el
procedimiento, en la forma de construir el conocimiento, el paradigma
crítico lo hace en lo que se refiere a su finalidad: lo importante es que
el conocimiento haga posible la transformación de la sociedad -hacién-
dola más justa- y la emancipación y liberación del ser humano.
Parámetro
Entendemos por parámetro del valor de un determinado estadístico
no en la muestra en que se obtiene sino en el total de la población. Si
los estadísticos más comunes, como las medidas de posición y varia-
––
bilidad: (X ; mediana: Md; moda: Mo; desviación típica: s; varianza:
s2...) se suelen representar por letras latinas, los parámetros lo
hacen por letras griegas (µ = media; σ = desviación típica; σ2 =
varianza...)
549
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Población
Conjunto de todos los casos o elementos que cumplen con las carac-
terísticas que la definen: los varones, las mujeres, los estudiantes de
Farmacia, los políticos, los abogados...
En ciencias sociales no suele estar muy claramente definida. El inves-
tigador desea generalizar los datos de la muestra a la población.
En los estudios empíricos no suele ser posible —ni, en la mayoría de
los casos, aconsejable— estudiar todos los casos; se acude en su
lugar a muestras, que deben ser representativas del conjunto total o
población.
Por medio de la Estadística inferencial se pueden hacer estimaciones
––
de los parámetros a partir de las muestras (por ejemplo: desde X a µ).
Positivismo
El positivismo asume la unidad de la ciencia, la explicación científica
de carácter causal y la elaboración de leyes generales así como la uti-
lización de la metodología propia de las ciencias naturales, en con-
creto del método hipotético-deductivo-experimental.
La reacción frente al positivismo tiene en la Escuela de Frankfut de
filosofía crítica otro importante hito. Esta concepción filosófica
mantiene que, frente a las Ciencias Naturales, en que se da una dis-
tancia entre el investigador y el objeto de conocimiento, lo que per-
mite el conocimiento objetivo, en las Ciencias Sociales se produce
una interacción entre la realidad estudiada y el propio investigador,
que se acerca a ella con unas ideas y posicionamientos previos, con
una teoría. En estas condiciones, ni el planteamiento positivista ni
siquiera el post-positivista, resultarían aptos para captar el com-
portamiento humano; la alternativa propuesta es el interaccionismo
simbólico.
Potencia:
La potencia de una prueba estadística (la t de student, por ejemplo) es
la probabilidad que tiene de rechazar la hipótesis nula cuando ésta es
realmente falsa. La potencia varía en función de n, α y el tamaño del
efecto.
550
GLOSARIO
551
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Procedimiento
El modo de ejecutar determinadas acciones en el proceso de la inves-
tigación, siempre de la misma o parecida manera, con una serie
común de pasos claramente definidos.
Rapport
Literalmente significa acompasar, y se refiere al procedimiento que
permite establecer una comunicación efectiva con los demás.
Región crítica
Es aquella parte de la distribución muestral formada por todos aque-
llos valores de un estadístico (como t, Z, F…) cuya probabilidad de
aparición asociada sea ≤ α. Es la región donde puede tomarse la deci-
sión de rechazar la hipótesis nula.
En las hipótesis unilaterales, tal región se concentra –según el enun-
ciado- en la parte superior o inferior de la distribución; en las bilate-
rales, se reparte entre los dos extremos de la misma.
Registro
Constatación de un hecho o un dato, para facilitar su estudio en el
proceso de investigación.
Replicación
La replicación o réplica de experimentos es una exigencia del
nivel de incertidumbre con el que se trabaja en la investigación
empírica.
Por otra parte, tal réplica contribuye a aumentar la credibilidad y
confianza en los resultados así como a facilitar la generalización de
los mismos, sin olvidar su contribución a la verificabilidad inter-
subjetiva.
Si no cabe esperar identidad de resultados, si es lógico que se dé cohe-
rencia en los mismos, reduciendo a la vez la probabilidad de que se
den por azar.
Los beneficios de la replicación aumentan cuando se lleva a cabo la
denominada replicación sistemática, según terminología de Sidman.
552
GLOSARIO
Significación estadística
Decimos que un resultado (una diferencia entre medias aritméticas,
por ejemplo) es estadísticamente significativo cuando su probabilidad
de aparición por azar es menor o igual que el nivel de significación, es
decir, es una diferencia tan grande que consideramos que no se debe
al azar, que en la población es distinta de cero.
Software
(Programas) Se refiere al conjunto de los componentes lógicos, nece-
sarios, que hacen posible la realización de tareas específicas.
Tamaño del efecto
Valor numérico que indica la relevancia práctica de las diferencias
encontradas, independientemente del tamaño muestral.
Técnica
Conjunto de reglas, normas o protocolos, que tienen como objetivo
obtener un resultado determinado.
Teoría
Sistema de pensamiento lógico-deductivo que, a partir de unas hipó-
tesis y siguiendo algunas reglas, nos permitan extraer consecuencias
generalizables.
Teoría sociocrítica
Así se califica la teoría que tiene como objetivo principal deter-
minar la manera en que la sociedad se presenta en la producción
textual.
Validez de los diseños
Los diseños pretenden, según Kerlinger, dar respuesta a las preguntas
en que se concreta el problema de la investigación y controlar la
varianza. Lograr estas metas es cuestión de validez.
La validez puede ser interna y externa. La primera trata de asegurar
que los efectos apreciados en la variable dependiente se deben a, y
sólo a, la variable independiente.
553
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
554
GLOSARIO
555
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
556
GLOSARIO
557
BIBLIOGRAFÍA
559
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
DEL RINCÓN, D.; ARNAL, J.; LATORRE, A. y SANS, A. (1995). Técnicas de investigación
en Ciencias Sociales. Madrid: Dykinson.
EISNER, ELLIOT W. (1991). The enlightened eye: qualitative inquiry and the enhance-
ment of educational practice. New York: Macmillan Publishers.
560
BIBLIOGRAFÍA
FERGUSON, G.A. (1981). Statiscical Análisis in Psychology and Education (Fifth edi-
tion) New York: McGraw Hill
GARCÍA LLAMAS, J. L.; PÉREZ JUSTE, R. y RIO SADORNIL, D. del (2006). Problemas y dise-
ños de investigación resueltos. Madrid: Dykinson (3.ª edición, ampliada y revisada).
GEPHART, W. (1969). The eight general research methodologies: A facet analysis of the
research process. Center on Evaluation Development and Research: Phi Delta
Kappa Occasional Paper. En Tesch, R. (1990). Qualitative research. Analysis
types and software tools. New York: The Falmer Press, p. 52.
GLASER, B.G. y STRAUSS, A.L. (1967). The Discovery of Grounded Theory: Strategies
for Qualitative Research. Chicago (USA): Aldine.
561
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
GUNTER, H.; FERNÁNDEZ, G.I. y LORENZO, O. (2001). Análisis de datos cualitativos con
AQUAD. Granada: Grupo Editorial Universitario.
562
BIBLIOGRAFÍA
MUÑOZ, J. (2001). Análisis cualitativo de datos textuales con ATLAS/ti. Versión on line
[Disponible: junio’2011] <http://antalya.uab.es-/jmunoz/Cuali/ManualAtlas.pdf>
563
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
SALKIND, Neil J. (2007). Statistics for people who (think They) hate statistics. Sage.
California.
564
BIBLIOGRAFÍA
SPRADLEY, J. P. (1979). The ethnographic interview. New York: Holt, Rinehart and
Winston.
TESCH, R. (1990). Qualitative research. Analysis types and software tools. New York
(USA): The Falmer Press.
TÓJAR, J. C. (2006). Investigación cualitativa. Comprender y actuar. Madrid: La Muralla.
TROCHIM, W. M. K. (2009). Research Methods Knowledge Base. [http://www.social-
researchmethods.net/kb/contents.php].
565
ANEXO
TABLAS ESTADÍSTICAS
ANEXO. TABLAS ESTADÍSTICAS
569
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
0.40 .1554 .6554 .3446 .3683
0.41 .1591 .6591 .3409 .3668
0.42 .1628 .6628 .3372 .3653
0.43 .1664 .6664 .3336 .3637
0.44 .1700 .6700 .3300 .3621
0.45 .1736 .6736 .3264 .3605
0.46 .1772 .6772 .3228 .3589
0.47 .1808 .6808 .3192 .3572
0.48 .1844 .6844 .3156 .3555
0.49 .1879 .6879 .3121 .3538
0.50 .1915 .6915 .3085 .3521
0.51 .1950 .6950 .3050 .3503
0.52 .1985 .6985 .3015 .3485
0.53 .2019 .7019 .2981 .3467
0.54 .2054 .7054 .2946 .3448
0.55 .2088 .7088 .2912 .3429
0.56 .2123 .7123 .2877 .3410
0.57 .2157 7157 2843 .3391
0.58 .2190 .7190 .2810 .3372
0.59 .2224 .7224 .2776 .3352
0.60 .2257 .7257 .2743 .3332
0.61 .2291 .7291 .2709 .3312
0.62 .2324 .7324 .2676 .3292
0.63 .2357 .7357 .2643 .3271
0.64 .2389 .7389 .2611 .3251
0.65 .2422 .7422 .2578 .3230
0.66 .2454 .7454 .2546 .3209
0.67 .2486 .7486 .2514 .3187
0.68 .2517 .7517 .2483 .3166
0.69 .2549 .7549 .2451 .3144
0.70 .2580 .7580 .2420 .3123
0.71 .2611 .7611 .2389 .3101
0.72 .2642 .7642 .2358 .3079
0.73 .2673 .7673 .2327 .3056
0.74 .2704 .7704 .2296 .3034
0.75 .2734 .7734 .2266 .3011
0.76 .2764 .7764 .2236 .2989
0.77 .2794 .7794 .2206 .2966
0.78 .2823 .7823 .2177 .2943
0.79 .2852 .7852 .2148 .2920
570
ANEXO. TABLAS ESTADÍSTICAS
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
0.80 .2881 .7881 .2119 .2897
0.81 .2910 .7910 .2090 .2874
0.82 .2939 .7939 .2061 .2850
0.83 .2967 .7967 .2033 .2827
0.84 .2995 .7995 .2005 .2803
0.85 .3023 .8023 .1977 .2780
0.86 .3051 .8051 .1949 .2756
0.87 .3078 .8078 .1922 .2732
0.88 .3106 .8106 .1894 .2709
0.89 .3133 .8133 .1867 .2685
0.90 .3159 .8159 .1841 .2661
0.91 .3186 .8186 .1814 .2637
0.92 .3212 .8212 .1788 .2613
0.93 .3238 .8238 .1762 .2589
0.94 .3264 .8264 .1736 .2565
0.95 .3289 .8289 .1711 .2541
0.96 .3315 .8315 .1685 .2516
0.97 .3340 .8340 .1660 .2492
0.98 .3365 .8365 .1635 .2468
0.99 .3389 .8389 .1611 .2444
1.00 .3413 .8413 .1587 .2420
1.01 .3438 .8438 .1562 .2396
1.02 .3461 .8461 .1539 .2371
1.03 .3485 .8485 .1515 .2347
1.04 .3508 .8508 .1492 .2323
1.05 .3531 .8531 .1469 .2299
1.06 .3554 .8554 .1446 .2275
1.07 .3577 .8577 .1423 .2251
1.08 .3599 .8599 .1401 .2227
1.09 .3621 .8621 .1379 .2203
1.10 .3643 .8643 .1357 .2179
1.11 .3665 .8665 .1335 .2155
1.12 .3686 .8686 .1314 .2131
1.13 .3708 .8708 .1292 .2107
1.14 .3729 .8729 .1271 .2083
1.15 .3749 .8749 .1251 .2059
1.16 .3770 .8770 .1230 .2036
1.17 .3790 .8790 .1210 .2012
1.18 .3810 .8810 .1190 .1989
1.19 .3830 .8830 .1170 .1965
571
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
1.20 .3849 .8849 .1151 .1942
1.21 .3869 .8869 .1131 .1919
1.22 .3888 .8888 .1112 .1895
1.23 .3907 .8907 .1093 .1872
1.24 .3925 .8925 .1075 .1849
1.25 .3944 .8944 .1056 .1826
1.26 .3962 .8962 .1038 .1804
1.27 .3980 .8980 .1020 .1781
1.28 .3997 .8997 .1003 .1758
1.29 .4015 .9015 .0985 .1736
1.30 .4032 .9032 .0968 .1714
1.31 .4049 .9049 .0951 .1691
1.32 .4066 .9066 .0934 .1669
1.33 .4082 .9082 .0918 .1647
1.34 .4099 .9099 .0901 .1626
1.35 .4115 .9115 .0885 .1604
1.36 .4131 .9131 .0869 .1582
1.37 .4147 .9147 .0853 .1561
1.38 .4162 .9162 .0838 .1539
1.39 .4177 .9177 .0823 .1518
1.40 .4192 .9192 .0808 .1497
1.41 .4207 .9207 .0793 .1476
1.42 .4222 .9222 .0778 .1456
1.43 .4236 .9236 .0764 .1435
1.44 .4251 .9251 .0749 .1415
1.45 .4265 .9265 .0735 .1394
1.46 .4279 .9279 .0721 .1374
1.47 .4292 .9292 .0708 .1354
1.48 .4306 .9306 .0694 .1334
1.49 .4319 .9319 .0681 .1315
1.50 .4332 .9332 .0668 .1295
1.51 .4345 .9345 .0655 .1276
1.52 .4357 .9357 .0643 .1257
1.53 .4370 9370 .0630 .1238
1.54 .4382 .9382 .0618 .1219
1.55 .4394 .9394 .0606 .1200
1.56 .4406 .9406 .0594 .1182
1.57 .4418 .9418 .0582 .1163
1.58 .4429 .9429 .0571 .1145
1.59 .4441 .9441 .0559 .1127
572
ANEXO. TABLAS ESTADÍSTICAS
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
1.60 .4452 .9452 .0548 .1109
1.61 .4463 .9463 .0537 .1092
1.62 .4474 .9474 .0526 .1074
1.63 .4484 .9484 .0516 .1057
1.64 .4495 .9495 .0505 .1040
1.65 .4505 .9505 .0495 .1023
1.66 .4515 .9515 .0485 .1006
1.67 .4525 .9525 .0475 .0989
1.68 .4535 .9535 .0465 .0973
1.69 .4545 .9545 .0455 .0957
1.70 .4554 .9554 .0446 .0940
1.71 .4564 .9564 .0436 .0925
1.72 .4573 .9573 .0427 .0909
1.73 .4582 .9582 .0418 .0893
1.74 .4591 .9591 .0409 .0878
1.75 .4599 .9599 .0401 .0863
1.76 .4608 .9608 .0392 .0848
1.77 .4616 .9616 .0384 .0833
1.78 .4625 .9625 .0375 .0818
1.79 .4633 .9633 .0367 .0804
1.80 .4641 .9641 .0359 .0790
1.81 .4649 .9649 .0351 .0775
1.82 .4656 .9656 .0344 .0761
1.83 .4664 .9664 .0336 .0748
1.84 .4671 .9671 .0329 .0734
1.85 .4648 .9678 .0322 .0721
1.86 .4686 .9686 .0314 .0707
1.87 .4693 .9693 .0307 .0694
1.88 .4699 .9699 .0301 .0681
1.89 .4706 .9706 .0294 .0669
1.90 .4713 .9713 .0287 .0656
1.91 .4719 .9719 .0281 .0644
1.92 .4726 .9726 .0274 .0632
1.93 .4732 .9732 .0268 .0620
1.94 .4738 .9738 .0262 .0608
1.95 .4744 .9744 .0256 .0596
1.96 .4750 .9750 .0250 .0584
1.97 .4756 .9756 .0244 .0573
1.98 .4761 .9761 .0239 .0562
1.99 .4767 .9767 .0233 .0551
573
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
2.00 .4772 .9772 .0228 .0540
2.01 .4778 .9778 .0222 .0529
2.02 .4783 .9783 .0217 .0519
2.03 .4788 .9788 .0212 .0508
2.04 .4793 .9793 .0207 .0498
2.05 .4798 .9798 .0202 .0488
2.06 .4803 .9803 .0197 .0478
2.07 .4808 .9808 .0192 .0468
2.08 .4812 .9812 .0188 .0459
2.09 .4817 .9817 .0183 .0449
2.10 .4821 .9821 .0179 .0440
2.11 .4826 .9826 .0174 .0431
2.12 .4830 .9830 .0170 .0422
2.13 .4834 .9834 .0166 .0413
2.14 .4838 .9838 .0162 .0404
2.15 .4842 .9842 .0158 .0396
2.16 .4846 .9846 .0154 .0387
2.17 .4850 .9850 .0150 .0379
2.18 .4854 .9854 .0146 .0371
2.19 .4857 .9857 .0143 .0363
2.20 .4861 .9861 .0139 .0355
2.21 .4864 .9864 .0136 .0347
2.22 .4868 .9868 .0132 .0339
2.23 .4871 .9871 .0129 .0332
2.24 .4875 .9875 .0125 .0325
2.25 .4878 .9878 .0122 .0317
2.26 .4881 .9881 .0119 .0310
2.27 .4884 .9884 .0116 .0303
2.28 .4887 .9887 .0113 .0297
2.29 .4890 .9890 .0110 .0290
2.30 .4893 .9893 .0107 .0283
2.31 .4896 .9896 .0104 .0277
2.32 .4898 .9898 .0102 .0270
2.33 .4901 .9901 .0099 .0264
2.34 .4904 .9904 .0096 .0258
2.35 .4906 .9906 .0094 .0252
2.36 .4909 .9909 .0091 .0246
2.37 .4911 .9911 .0089 .0241
2.38 .4913 .9913 .0087 .0235
2.39 .4916 .9916 .0084 .0229
574
ANEXO. TABLAS ESTADÍSTICAS
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
2.40 .4918 .9918 .0082 .0224
2.41 .4920 .9920 .0080 .0219
2.42 .4922 .9922 .0078 .0213
2.43 .4925 .9925 .0075 .0208
2.44 .4927 .9927 .0073 .0203
2.45 .4929 .9929 .0071 .0198
2.46 .4931 .9931 .0069 .0194
2.47 .4932 .9932 .0068 .0189
2.48 .4934 .9934 .0066 .0184
2.49 .4936 .9936 .0064 .0180
2.50 .4938 .9938 .0062 .0175
2.51 .4940 .9940 .0060 .0171
2.52 .4941 .9941 .0059 .0167
2.53 .4943 .9943 .0057 .0163
2.54 .4945 .9945 .0035 .0158
2.55 .4946 .9946 .0054 .0154
2.56 .4948 .9948 .0052 .0151
2.57 .4949 .9949 .0051 .0147
2.58 .4951 .9951 .0049 .0143
2.59 .4952 .9952 .0048 .0139
2.60 .4953 .9953 .0047 .0136
2.61 .4955 .9955 .0045 .0132
2.62 .4956 .9956 .0044 .0129
2.63 .4957 .9957 .0043 .0126
2.64 .4959 .9959 .0041 .0122
2.65 .4960 .9960 .0040 .0119
2.66 .4961 .9961 .0039 .0116
2.67 .4962 .9962 .0038 .0113
2.68 .4963 .9963 .0037 .0110
2.69 .4964 .9964 .0036 .0107
2.70 .4965 .9965 .0035 .0104
2.71 .4966 .9966 .0034 .0101
2.72 .4967 .9967 .0033 .0099
2.73 .4968 .9968 .0032 .0096
2.74 .4969 .9969 .0031 .0093
2.75 .4970 .9970 .0030 .0091
2.76 .4971 .9971 .0029 .0088
2.77 .4972 .9972 .0028 .0086
2.78 .4973 .9973 .0027 .0084
2.79 .4974 .9974 .0026 .0081
575
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
2.80 .4974 .9974 .0026 .0079
2.81 .4975 .9975 .0025 .0077
2.82 .4976 .9976 .0024 .0075
2.83 .4977 .9977 .0023 .0073
2.84 .4977 .9977 .0023 .0071
2.85 .4978 .9978 .0022 .0069
2.86 .4979 .9979 .0021 .0067
2.87 .4979 .9979 .0021 .0065
2.88 .4980 .9980 .0020 .0063
2.89 .4981 .9981 .0019 .0061
2.90 .4981 .9981 .0019 .0060
2.91 .4982 .9982 .0018 .0058
2.92 .4982 .9982 .0018 .0056
2.93 .4983 .9983 .0017 .0055
2.94 .4984 .9984 .0016 .0053
2.95 .4984 .9984 .0016 .0051
2.96 .4985 .9985 .0015 .0050
2.97 .4985 .9985 .0015 .0048
2.98 .4986 .9986 .0014 .0047
2.99 .4986 .9986 .0014 .0046
3.00 .4987 .9987 .0013 .0044
3.01 .4987 .9987 .0013 .0043
3.02 .4987 .9987 .0013 .0042
3.03 .4988 .9988 .0012 .0040
3.04 .4988 .9988 .0012 .0039
3.05 .4989 .9989 .0011 .0038
3.06 .4989 .9989 .0011 .0037
3.07 .4989 .9989 .0011 .0036
3.08 .4990 .9990 .0010 .0035
3.09 .4990 .9990 .0010 .0034
3.10 .4990 .9990 .0010 .0033
3.11 .4991 .9991 .0009 .0032
3.12 .4991 .9991 .0009 .0031
3.13 .4991 .9991 .0009 .0030
3.14 .4992 .9992 .0008 .0029
3.15 .4992 .9992 .0008 .0028
3.16 .4992 .9992 .0008 .0027
3.17 .4992 .9992 .0008 .0026
3.18 .4993 .9993 .0007 .0025
3.19 .4993 .9993 .0007 .0025
576
ANEXO. TABLAS ESTADÍSTICAS
Tabla I (continuación)
( )
χ
tipificada —
σ
χ
la media a —
σ
la parte
mayor
la parte
menor
en —
χ
σ
3.20 .4993 .9993 .0007 .0024
3.21 .4993 .9993 .0007 .0023
3.22 .4994 .9994 .0006 .0022
3.23 .4994 .9994 .0006 .0022
3.24 .4994 .9994 .0006 .0021
3.30 .4995 .9995 .0005 .0017
3.40 .4997 .9997 .0003 .0012
3.50 .4998 .9998 .0002 .0009
3.60 .4998 .9998 .0002 .0006
3.70 .4999 .9999 .0001 .0004
Tomada de DOWNIE, N. M. y HEATH, R. W.: Métodos Estadísticos Aplicados. Ed. del Castub,
Madrid, 1979. pp. 320-327.
577
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
578
Tabla V.- Percentiles de distribuciones chi-cuadrado*
Percentil
gl 1 2 5 10 20 30 50 70 80 90 95 98 99 99.9
1 .0002 .0006 .00393 .0158 .0642 .148 .455 1.074 1.642 2.706 3.841 5.412 6.635 10.827
2 .0201 .0404 .103 .211 .446 .713 1.386 2.408 3.219 4.605 5.991 7.824 9.210 13.815
3 .115 .185 .352 .584 1.005 1.424 2.366 3.665 4.642 6.251 1.815 9.837 11.341 16.268
4 .297 .429 .711 1.064 1.649 2.195 3.357 4.878 5.989 7.779 9.488 11.668 13.277 18.465
5 .554 .752 1.145 1.610 2.343 3.000 4.351 6.064 7.289 9.236 11.070 13.388 15.086 20.517
6 .872 1.134 1.635 2.204 3.070 3.828 5.348 7.231 8.558 10.645 12.592 15.033 16.812 22.457
7 1.239 1.564 2.167 2.833 3.822 4.671 6.346 8.383 9.803 12.017 14.067 16.622 18.475 24.322
8 1.646 2.032 2.733 3.490 4.594 5.527 7.344 9.524 11.030 3.362 15.507 18.168 20.090 26.125
9 2.088 2.532 3.325 4.168 5.380 6.393 8.343 10.656 12.242 14.684 16.919 19.679 21.666 27.877
10 2.558 3.059 3.940 4.865 6.179 7.267 9.342 11.781 13.442 15.987 18.307 21.161 23.209 29.588
11 3.053 3.609 4.575 5.578 6.989 8.148 10.341 12.899 14.631 17.275 19.675 22.618 24.725 31.264
12 3.571 4.178 5.226 6.304 7.807 9.034 11.340 14.011 15.812 18.549 21.026 24.054 26.217 32.909
13 4.107 4.765 5.892 7.042 8.634 9.926 12.340 15.119 16.985 19.812 22.362 25.472 27.688 34.528
14 4.660 5.368 6.571 7.790 9.467 10.821 13.339 16.222 18.151 21.064 23.685 26.873 29.141 36.123
15 5.229 5.985 7.261 8.547 10.307 11.721 14.339 17.322 19.311 22.307 24.996 28.239 30.578 37.697
16 5.812 6.614 7.962 9.312 11.152 12.624 15.338 18.418 20.465 23.542 26.296 29.633 32.000 39.252
17 6.408 7.255 8.672 10.085 12.002 13.531 16.338 19.511 21.615 24.769 27.587 30.995 33.409 40.790
18 7.015 7.906 9.390 10.865 12.857 14.440 17.338 20.601 22.760 25.989 28.869 32.346 34.805 42.312
19 7.633 8.567 10.117 11.651 13.716 15.352 18.338 21.689 23.900 27.204 30.144 33.687 36.191 43.820
20 8.260 9.237 10.851 12.443 14.578 16.266 19.337 22.775 25.038 28.412 51.410 35.020 37.566 45.315
21 8.897 9.915 11.591 13.240 15.445 11.182 20.337 23.858 26.171 29.615 32.671 36.343 38.932 46.797
22 9.542 10.600 12.338 14.041 16.314 18.101 21.337 24.939 27.301 30.813 33.924 37.659 40.289 48.268
23 10.196 11.293 13.091 14.848 17.187 19.021 22.337 26.018 28.429 32.007 35.172 38.968 41.638 49.728
24 10.856 11.992 13.848 15.659 18.062 19.943 23.337 27.096 29.553 33.196 36.415 40.270 42.980 51.179
25 11.524 12.697 14.611 16.473 18.940 20.867 24.337 28.172 30.675 34.382 37.652 41.566 44.314 52.620
ANEXO. TABLAS
26 12.198 13.409 15.379 17.292 19.820 21.792 25.336 29.246 31.795 35.563 38.885 42.856 45.642 54.052
27 12.879 14.125 16.151 18.114 20.703 22.719 26.336 30.319 32.912 36.741 40.113 44.140 46.963 55.476
28 13.565 14.847 16.928 18.939 21.588 23.647 27.336 31.391 34.027 37.916 41.337 45.419 48.278 56.893
29 14.256 15.574 17.708 19.768 22.475 24.577 28.336 32.461 35.139 39.087 42.557 46.693 49.588 58.302
30 14.953 16.306 18.493 20.599 23.364 25.508 29.336 33.530 36.250 40.256 43.773 47.962 50.892 59.703
ESTADÍSTICAS
* Si χ2 es una variable con más de 30 gl, entonces z = 2χ2 − 2gl −1
Tomada de DOMENECH, I. MASSONS, J.: Bioestadística, Herder, Barcelona, 1980. pp. 612-614 (ambas inclusive).
Tabla XXI.- Percentiles de distribuciones F
MÉTODOS
580
Percentil 75
n2 n1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
ANEXO. TABLAS
26 2.91 2.52 2.32 2.27 2.08 2.02 2.96 2.92 2.88 2.86 1.81 2.76 2.72 2.68 2.65 1.61 1.58 1.54 2.50
27 2.90 2.52 2.30 2.27 2.07 2.00 2.95 2.91 2.87 2.85 2.80 2.75 2.70 2.67 2.64 2.60 1.57 1.53 1.49
28 2.89 2.50 2.29 2.26 2.06 2.00 2.94 2.90 2.87 2.84 1.79 2.74 2.69 2.66 2.63 1.59 2.56 2.52 2.48
29 2.89 2.50 2.28 2.15 2.06 2.99 2.93 2.89 2.86 2.83 2.78 2.73 1.68 1.65 2.62 2.58 2.55 2.52 2.47
30 2.88 2.49 2.28 2.24 2.05 2.98 2.93 2.88 2.85 2.82 2.77 1.72 1.67 1.64 2.61 1.57 2.54 2.50 1.46
40 2.84 2.44 2.23 2.09 2.00 2.93 2.87 2.83 2.79 2.76 1.71 2.66 1.61 2.57 2.54 1.51 1.47 1.42 2.38
ESTADÍSTICAS
60 2.79 2.39 2.18 2.04 2.95 2.87 2.82 2.77 2.74 1.71 2.66 1.60 2.54 1.51 1.48 2.44 2.40 2.33 2.29
120 2.75 2.35 2.13 2.99 2.90 2.82 1.77 2.72 2.68 2.65 2.60 2.55 2.48 2.45 1.42 2.37 1.32 2.26 2.29
∞ 2.72 2.30 2.08 2.94 2.85 2.77 2.72 2.67 1.63 1.60 2.55 2.49 2.42 2.38 1.34 1.30 2.24 1.17 2.00
581
Tabla XXI (continuación)
MÉTODOS
582
Percentil 95
n2 n1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
ANEXO. TABLAS
26 5.66 4.27 5.67 3.33 3.20 2.94 2.82 2.73 2.65 2.59 2.49 2.39 2.28 2.22 2.26 2.09 2.03 2.95 2.88
27 5.63 4.24 3.65 3.31 3.08 2.92 2.80 2.71 2.63 2.57 2.41 2.36 2.25 2.19 2.13 2.07 2.00 2.93 2.85
28 5.62 4.23 3.63 3.29 3.06 2.90 2.78 2.69 2.62 2.55 2.45 2.34 2.23 2.17 2.11 2.05 1.98 1.92 1.83
29 5.59 4.20 3.61 3.27 3.04 2.88 2.76 2.67 2.39 2.53 2.43 2.32 2.21 2.15 2.09 2.03 1.96 1.89 1.81
30 5.57 4.28 3.59 3.25 3.03 2.87 2.75 2.65 2.57 2.52 2.42 2.32 2.20 2.24 2.07 2.01 1.94 2.87 2.79
40 5.42 4.05 3.46 3.23 2.90 2.74 2.62 2.53 2.45 2.39 2.29 2.18 2.07 2.01 2.94 2.88 1.80 1.72 1.64
ESTADÍSTICAS
60 5.29 3.93 3.34 3.01 2.79 2.63 2.52 2.41 2.33 2.27 2.27 2.06 2.94 2.88 1.82 2.74 1.67 2.58 1.48
120 5.25 3.80 3.25 2.89 2.67 2.52 2.39 2.30 2.22 2.26 2.05 2.94 1.82 1.76 1.69 2.61 1.53 2.43 1.31
∞ 5.02 3.69 3.12 2.79 2.57 2.42 2.29 2.29 2.11 2.05 1.94 2.85 1.71 1.64 1.57 1.40 1.39 1.27 2.00
583
Tabla XXI (continuación)
MÉTODOS
584
Percentil 99
n2 n1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
ANEXO. TABLAS
26 9.42 6.54 5.42 4.79 4.38 4.10 3.89 3.73 3.60 3.49 3.33 3.25 2.97 2.87 2.77 2.67 2.56 2.45 2.33
27 9.34 6.49 5.36 4.74 4.34 4.06 3.85 3.69 3.56 3.45 3.28 3.11 2.93 2.83 2.73 2.63 2.52 2.41 2.29
28 9.28 6.44 5.32 4.70 4.30 4.02 3.82 3.65 3.52 3.41 3.25 3.07 2.89 2.79 2.69 2.59 2.48 2.37 2.23
29 9.23 6.40 5.28 4.66 4.26 3.98 3.77 3.62 3.48 3.38 3.21 3.04 2.86 2.76 2.66 2.56 2.45 2.33 2.21
30 9.18 6.35 5.24 4.62 4.23 3.95 1.74 3.58 3.45 3.34 3.28 3.02 2.82 2.73 2.63 2.52 2.42 2.30 2.18
40 8.83 6.07 4.98 4.37 3.99 3.71 3.51 3.35 3.22 3.12 2.95 2.78 2.60 2.50 2.40 2.30 2.18 2.06 1.93
ESTADÍSTICAS
60 8.49 5.79 4.73 4.14 3.76 3.49 3.29 3.23 3.02 2.90 2.74 2.37 2.39 2.29 2.19 2.08 2.96 1.83 1.69
120 8.18 5.54 4.50 3.92 3.55 3.28 3.09 2.93 2.81 2.71 2.54 2.37 2.19 2.09 1.98 1.87 1.75 1.62 1.43
7.88 5.30 4.28 3.72 3.35 2.09 2.90 2.74 2.62 2.52 2.36 2.19 2.00 1.90 1.79 1.67 1.53 1.36 1.00
585
Tabla XXI (continuación)
MÉTODOS
586
Percentil 99.9
n2 n1 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
Tabla XXII. Tabla de probabilidades asociadas con valores tan pequeños como
los valores observados de U en la prueba de Mann-Whitney*
n2 = 3 n2 = 4
n1 n1
U 1 2 3 U 1 2 3 4
n2 = 5 n2 = 6
n1 n1
U 1 2 3 4 5 U 1 2 3 4 5 6
0 .167 .047 .018 .008 .004 0 .143 .036 .012 .005 .002 .001
1 .333 .095 .036 .016 .008 1 .286 .071 .024 .010 .004 .002
2 .500 .190 .071 .032 .016 2 .428 .143 .048 .019 .009 .004
3 .667 .286 .125 .056 .028 3 .571 .214 .083 .033 .015 .008
4 .429 .196 .095 .048 4 .321 .131 .057 .026 .013
5 .571 .286 .143 .075 5 .429 .190 .086 .041 .021
6 .393 .206 .111 6 .571 .274 .129 .063 .032
7 .500 .278 .155 7 .357 .176 .089 .047
8 .607 .365 .210 8 .452 .238 .123 .066
9 .452 .274 9 .548 .305 .165 .090
10 .548 .345 10 .381 .214 .120
11 .421 11 .457 .268 .155
12 .500 12 .545 .331 .197
13 .579 13 .396 .242
14 .465 .294
15 .535 .350
16 .409
17 .469
18 .531
587
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Tabla XXII. Tabla de probabilidades asociadas con valores tan pequeños como
los valores observados de U en la prueba de Mann-Whitney*
(continuación)
n2 = 7
n1
U 1 2 3 4 5 6 7
588
ANEXO. TABLAS ESTADÍSTICAS
Tabla XXII. Tabla de probabilidades asociadas con valores tan pequeños como
los valores observados de U en la prueba de Mann-Whitney*
(continuación)
n2 = 8
n1
U 1 2 3 4 5 6 7 8 t Normal
0 .111 .022 .006 .002 001 .000 .000 .000 3.308 .001
1 .222 .044 .012 .004 .002 .001 .000 .000 3.203 .001
2 .333 .089 .024 .008 .003 .001 .001 .000 3.098 .001
3 .444 .133 .042 .014 .005 .002 .001 .001 2.993 .001
4 .556 .200 .067 .024 .009 .004 .002 .001 2.888 002
5 .267 .097 .036 .015 .006 .003 .001 2.783 .003
6 .356 .139 .055 .023 .010 .005 .002 2.678 .004
7 .444 .188 .077 .033 .015 .007 .003 2.573 .005
8 .556 .248 .107 .047 .021 .010 .005 2.468 .007
9 .315 .141 .064 .030 .014 .007 2.363 .009
10 .387 .184 .085 .041 .020 .016 2.258 .012
11 .461 .230 .111 .054 .027 .014 2.153 .016
12 .539 .285 .142 .071 .036 .019 2.048 .020
13 .341 .177 .091 .047 .025 1.943 .026
14 .404 .217 .114 .060 .032 1.838 .033
15 .467 .262 .141 .076 .041 1.733 .041
16 .533 .311 .172 .095 .052 1.628 .052
17 .362 .207 .116 .065 1.523 .064
18 .416 .245 .140 .080 1.418 .078
19 .472 .286 .168 .097 1.313 .094
20 .528 .331 .198 .117 1.208 .113
21 .377 .232 .139 1.102 .135
22 .426 .268 .164 .998 .159
23 .475 .306 .191 .893 .185
24 .525 .347 .221 .788 .215
25 .389 .23 .683 .247
26 .433 .287 .578 .282
27 .478 .323 .473 .318
28 .522 .360 .368 .356
29 .399 .263 .396
30 .439 .158 .437
31 .480 .052 .481
32 .520
589
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Valores críticos de U para una prueba de una cola en α = 0.001 o para una prueba
de dos colas en α = 0.002
n2
n1 9 10 11 12 13 14 15 16 17 18 19 20
1
2
3 0 0 0 0
4 0 0 0 1 1 1 2 2 3 3 3
5 1 1 2 2 3 3 4 5 5 6 7 7
6 2 3 4 4 5 6 7 8 9 10 11 12
7 3 5 6 7 8 9 10 11 13 14 15 16
8 5 6 8 9 11 12 14 15 17 18 20 21
9 7 8 10 12 14 15 17 19 21 23 25 26
10 8 10 12 14 17 19 21 23 25 27 29 32
11 10 12 15 17 20 22 24 27 29 32 34 37
12 12 14 17 20 23 25 28 31 34 37 40 42
13 14 17 20 23 26 29 32 35 38 42 45 48
14 15 19 22 25 29 32 36 39 43 46 50 54
15 17 21 24 28 32 36 40 43 47 51 55 59
16 19 23 27 31 35 39 43 48 52 56 60 65
17 21 25 29 34 38 43 47 52 57 61 66 70
18 23 27 32 37 42 46 51 56 61 66 71 76
19 25 29 34 40 45 50 55 60 66 71 77 82
20 26 32 37 42 48 54 59 65 70 76 82 88
590
ANEXO. TABLAS ESTADÍSTICAS
Valores críticos de U para una prueba de una cola en α = 0.01 o para una prueba
de dos colas en α = 0.02
n2
n1 9 10 11 12 13 14 15 16 17 18 19 20
1
2 0 0 0 0 0 0 1 1
3 1 1 1 2 2 2 3 3 4 4 4 5
4 3 3 4 5 5 6 7 7 8 9 9 10
5 5 6 7 8 9 10 11 12 13 14 15 16
6 7 8 9 11 12 13 15 16 18 19 20 22
7 9 11 12 14 16 17 19 21 23 24 26 28
8 11 13 15 17 20 22 24 26 28 30 32 34
9 14 16 18 21 23 26 28 31 33 36 38 40
10 16 19 22 24 27 30 33 36 38 41 44 47
11 18 22 25 28 31 34 37 41 44 47 50 53
12 21 24 28 31 35 38 42 46 49 53 56 60
13 23 27 31 35 39 43 47 51 55 59 63 67
14 26 30 34 38 43 47 51 56 60 65 69 73
15 28 33 37 42 47 51 56 61 66 70 75 80
16 31 36 41 46 51 56 61 66 71 76 82 87
17 33 38 44 49 55 60 66 71 77 82 88 93
18 36 41 47 53 59 65 70 76 82 88 94 100
19 38 44 50 56 63 69 75 82 88 94 101 107
20 40 47 53 60 67 73 80 87 93 100 107 114
591
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
Valores críticos de U para una prueba de una cola en α = 0.025 o para una prueba
de dos colas en α = 0.005
n2
n1 9 10 11 12 13 14 15 16 17 18 19 20
1
2 0 0 0 1 1 1 1 1 2 2 2 2
3 2 3 3 4 4 5 5 6 6 7 7 8
4 4 5 6 7 8 9 10 11 11 12 13 13
5 7 8 9 11 12 13 14 15 17 18 19 20
6 10 11 13 14 16 17 19 21 22 24 25 27
7 12 14 16 18 20 22 24 26 28 30 32 34
8 15 17 19 22 24 26 29 31 34 36 38 41
9 17 20 23 26 28 31 34 37 39 42 45 48
10 20 23 26 29 33 36 39 42 45 48 52 55
11 23 26 30 33 37 40 44 47 51 55 58 62
12 26 29 33 37 41 45 49 53 57 61 65 69
13 28 33 37 41 45 50 54 59 63 67 72 76
14 31 36 40 45 50 55 59 64 67 74 78 83
15 34 39 44 49 54 59 64 70 75 80 85 90
16 37 42 47 53 59 64 70 75 81 86 92 98
17 39 45 51 57 63 67 75 81 87 93 99 105
18 42 48 55 61 67 74 80 86 93 99 106 112
19 45 52 58 65 72 78 85 92 99 106 113 119
20 48 55 62 69 76 83 90 98 105 112 119 127
592
ANEXO. TABLAS ESTADÍSTICAS
Valores críticos de U para una prueba de una cola en α = 0.05 o para una prueba
de dos colas en α = 0.10
n2
n1 9 10 11 12 13 14 15 16 17 18 19 20
1 0 0
2 1 1 1 2 2 2 3 3 3 4 4 4
3 3 4 5 5 6 7 7 8 9 9 10 11
4 6 7 8 9 10 11 12 14 15 16 17 18
5 9 11 12 13 15 16 18 19 20 22 23 25
6 12 14 16 17 19 21 23 25 26 28 30 32
7 15 17 19 21 24 26 28 30 33 35 37 39
8 18 20 23 26 28 31 33 36 39 41 44 47
9 21 24 27 30 33 36 39 42 45 48 51 54
10 24 27 31 34 37 41 44 48 51 55 58 62
11 27 31 34 38 42 46 50 54 57 61 65 69
12 30 34 38 42 47 51 55 60 64 68 72 77
13 33 37 42 47 51 56 61 65 70 75 80 84
14 36 41 46 51 56 61 66 71 77 82 87 92
15 39 44 50 55 61 66 72 77 83 88 94 100
16 42 48 54 60 65 71 77 83 89 95 101 107
17 45 51 57 64 70 77 83 89 96 102 109 115
18 48 55 61 68 75 82 88 95 102 109 116 123
19 51 58 65 72 80 87 94 101 109 116 123 130
20 54 62 69 77 84 92 100 107 115 123 130 138
593
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
6 0 — —
7 2 0 —
8 4 2 0
9 6 3 2
10 8 5 3
11 11 7 5
12 14 10 7
13 17 13 10
14 21 16 13
15 25 20 16
16 30 24 20
17 35 28 23
18 40 33 28
19 46 38 32
20 52 43 38
21 59 49 43
22 66 56 49
23 73 62 55
24 81 69 61
25 89 77 68
594
ANEXO. TABLAS ESTADÍSTICAS
J 11 12 13 14 15 16 17 18 19
v
1 25.24 25.92 26.54 27.10 27.62 28.10 28.54 28.96 29.35
2 10.01 10.26 10.49 10.70 10.89 11.07 11.24 11.39 11.54
3 7.487 7.667 7.832 7.982 8.120 8.249 8.368 8.479 8.584
4 6.495 6.645 6.783 6.909 7.025 7.133 7.233 7.327 7.414
5 5.966 6.101 6.223 6.336 6.440 6.536 6.626 6.710 6.789
6 5.637 5.762 5.875 5.979 6.075 6.164 6.247 6.325 6.398
7 5.413 3.530 5.637 5.735 5.826 3.910 5.988 6.061 6.130
8 5.250 5.362 5.464 5.558 5.644 5.724 5.799 5.869 5.935
9 5.127 5.234 5.333 5.423 5.506 5.383 5.635 5.723 3.786
10 5.029 5.134 5.229 5.317 5.397 5.472 5.542 5.607 3.668
11 4.951 5.053 5.146 5.231 5.309 5.382 5.450 5.514 5.573
12 4.886 4.986 5.077 5.160 5.236 5.308 5.374 5.436 5.495
13 4.832 4.930 5.019 5.100 5.176 5.245 5.311 5.372 5.429
14 4.786 4.882 4.970 5.050 5.124 5.192 5.256 5.316 5.373
15 4.746 4.841 4.927 5.006 5.079 5.147 3.209 5.269 5.324
16 4.712 4.805 4.890 4.968 5.040 5.107 5.169 5.227 5.282
17 4.682 4.774 4.858 4.935 5.005 5.071 5.133 5.190 5.244
18 4.655 4.746 4.829 4.905 4.975 5.040 5.101 5.158 5.211
19 4.631 4.721 4.803 4.879 4.948 5.012 5.073 5.129 5.182
20 4.609 4.699 4.780 4.855 4.924 4.987 5.047 5.103 5.155
24 4.541 4.628 4.708 4.780 4.847 4.909 4.966 5.021 5.071
30 4.474 4.559 4.635 4.706 4.770 4.830 4.886 4.939 4.988
40 4.408 4.490 4.564 4.632 4.695 4.752 4.807 4.857 4.905
60 4.342 4.421 4.493 4.558 4.619 4.675 4.727 4.775 4.821
120 4.276 4.353 4.422 4.485 4.543 4.597 4.647 4.694 4.738
∞ 4.211 4.285 4.351 4.412 4.468 4.519 4.568 4.612 4.654
595
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
J 11 12 13 14 15 16 17 18 19
v
1 50.59 51.96 53.20 54.33 55.36 56.32 57.22 58.04 58.83
2 14.39 14.75 15.08 15.38 15.65 15.91 16.14 16.37 16.57
3 9.717 9.946 10.15 10.35 10.53 10.69 10.84 10.98 11.11
4 8.027 8.208 8.373 8.525 8.664 8.794 8.914 9.028 9.134
5 7.168 7.324 7.466 7.596 7.717 7.828 7.932 8.030 8.122
6 6.649 6.789 6.917 7.034 7.143 7.244 1.338 7.426 7.508
7 6.302 6.431 6.550 6.658 6.759 6.852 6.939 7.020 7.097
8 6.054 6.175 6.287 6.389 6.483 6.571 6.653 6.729 6.802
9 5.867 5.983 6.089 6.186 6.276 6.359 6.437 6.510 6.579
10 5.722 5.833 5.935 6.028 6.114 6.194 6.269 6.339 6.405
11 5.605 5.113 5.811 5.901 5.984 6.062 6.134 6.202 6.265
12 5.511 5.615 5.710 5.798 5.878 5.953 6.023 6.089 6.151
13 5.431 5.533 5.625 5.111 5.189 5.862 5.931 5.995 6.055
14 5.364 5.463 5.554 5.637 5.114 5.786 5.852 5.915 5.974
15 5.306 5.404 5.493 5.574 5.649 5.720 5.785 5.846 5.904
16 5.256 5.352 5.439 5.520 5.593 5.662 5.127 5.786 5.843
17 5.212 5.307 5.392 5.471 5.544 5.612 5.675 5.734 5.790
18 5.174 5.267 5.352 5.429 5.501 5.568 5.630 5.688 5.143
19 5.140 5.231 5.315 5.391 5.462 5.528 5.589 5.647 5.701
20 5.108 5.199 5.282 5.357 5.427 5.493 5.553 5.610 5.663
24 5.012 5.099 5.179 5.251 5.319 5.381 5.439 5.494 5.545
30 4.917 5.001 5.077 5.147 5.211 5.271 5.327 5.379 5.429
40 4.824 4.904 4.977 5.044 5.106 5.163 5.216 5.266 5.313
60 4.732 4.808 4.878 4.942 5.001 5.056 5.107 5.154 5.199
120 4.641 4.114 4.781 4.842 4.898 4.950 4.998 5.044 5.086
∞ 4.552 4.622 4.685 4.743 4.796 4.845 4.891 4.934 4.974
596
ANEXO. TABLAS ESTADÍSTICAS
J 11 12 13 14 15 16 17 18 19
v
1 101.3 104.0 106.5 108.8 110.8 112.7 114.5 116.2 117.7
2 20.52 21.03 21.49 21.91 22.30 22.67 23.01 23.32 23.62
3 12.46 12.75 13.01 13.26 13.48 13.69 13.88 14.06 14.23
4 9.788 10.01 10.20 10.39 10.55 10.71 10.85 10.99 11.11
5 8.490 8.670 8.834 8.984 9.124 9.253 9.374 9.486 9.593
6 7.729 7.887 8.031 8.163 8.286 8.399 8.506 8.605 8.698
7 7.230 7.373 7.504 7.624 7.735 7.839 7.935 8.025 8.111
8 6.879 7.011 7.132 7.244 7.347 7.443 7.532 7.616 7.695
9 6.617 6.742 6.856 6.961 7.058 7.148 7.232 7.311 7.385
10 6.416 6.534 6.643 6.742 6.834 6.920 7.000 7.075 7.146
11 6.256 6.369 6.473 6.568 6.657 6.739 6.815 6.887 6.955
12 6.125 6.235 6.335 6.427 6.512 6.591 6.665 6.734 6.799
13 6.017 6.123 6.220 6.309 6.392 6.468 6.539 6.607 6.670
14 5.926 6.029 6.123 6.210 6.290 6.364 6.434 6.499 6.560
15 5.848 5.949 6.041 6.125 6.203 6.276 6.344 6.407 6.467
16 5.781 5.879 5.969 6.052 6.128 6.199 6.265 6.328 6.386
17 5.722 5.818 5.907 5.987 6.062 6.132 6.197 6.258 6.315
18 5.670 5.765 5.852 5.931 6.004 6.073 6.137 6.197 6.253
19 5.624 5.718 5.803 5.881 5.954 6.020 6.083 6.142 6.198
20 5.583 5.675 5.759 5.836 5.907 5.974 6.036 6.093 6.148
24 5.455 5.543 5.623 5.697 5.764 5.827 5.886 5.941 5.994
30 5.330 5.414 5.490 5.560 5.624 5.684 5.740 5.792 5.841
40 5.208 5.288 5.360 5.426 5.487 5.544 5.597 5.646 5.693
60 5.089 5.164 5.232 5.295 5.352 5.406 5.456 5.503 5.546
120 4.972 5.043 5.107 5.166 5.221 5.271 5.318 5.362 5.403
∞ 4.858 4.925 4.985 5.041 5.092 5.139 5.183 5.224 5.262
597
MÉTODOS Y DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN
J 11 12 13 14 15 16 17 18 19
v
1 253.2 260.0 266.2 271.8 277.0 281.8 286.3 290.4 294.3
2 32.59 33.40 34.13 34.81 35.43 36.00 36.53 37.03 37.50
3 17.13 11.53 17.89 18.22 18.52 18.81 19.07 19.32 19.55
4 12.57 12.84 13.09 13.32 13.53 13.73 13.91 14.08 14.24
5 10.48 10.70 10.89 11.08 11.24 11.40 11.55 11.68 11.81
6 9.301 9.485 9.653 9.808 9.951 10.08 10.21 10.32 10.43
7 8.548 8.711 8.860 8.997 9.124 9.242 9.353 9.456 9.554
8 8.027 8.176 8.312 8.436 8.552 8.659 8.760 8.854 8.943
9 7.647 7.784 7.910 8.025 8.132 8.232 8.325 8.412 8.495
10 7.356 7.485 7.603 7.712 7.812 7.906 7.993 8.076 8.153
11 7.128 7.250 7.362 7.465 7.560 7.649 7.732 7.809 7.883
12 6.943 7.060 7.167 7.265 7.356 7.441 7.520 7.594 7.665
13 6.791 6.903 7.006 7.101 7.188 7.269 7.345 7.417 7.485
14 6.664 6.772 6.871 6.962 7.047 7.126 7.199 7.268 7.333
15 6.555 6.660 6.757 6.845 6.927 7.003 7.074 7.142 7.204
16 6.462 6.564 6.658 6.744 6.823 6.898 6.967 7.032 7.093
17 6.381 6.480 6.572 6.656 6.734 6.806 6.873 6.937 6.997
18 6.310 6.407 6.497 6.579 6.655 6.725 6.792 6.854 6.912
19 6.247 6.342 6.430 6.510 6.585 6.654 6.719 6.780 6.837
20 6.191 6.285 6.371 6.450 6.523 6.591 6.654 6.714 6.771
24 6.017 6.106 6.186 6.261 6.330 6.394 6.453 6.510 6.563
30 5.849 5.932 6.008 6.078 6.143 6.203 6.259 6.311 6.361
40 5.686 5.764 5.635 5.900 5.961 6.017 6.069 6.119 6.165
60 5.528 5.601 5.667 5.728 5.785 5.837 5.886 5.931 5.974
120 5.375 5.443 5.505 5.562 5.614 5.662 5.708 5.750 5.790
∞ 5.227 5.290 5.346 5.400 5.448 5.493 5.535 5.574 5.611
598
ANEXO. TABLAS ESTADÍSTICAS
J 11 12 13 14 15 16 17 18 19
v
1 506.3 520.0 532.4 543.6 554.0 563.6 572.5 580.9 588.7
2 46.16 47.31 48.35 49.30 50.17 50.99 51.74 52.45 53.12
3 21.70 22.20 22.66 23.08 23.46 23.82 24.15 24.46 24.76
4 15.10 15.42 15.72 15.99 16.24 16.48 16.70 16.90 17.09
5 12.21 12.46 12.69 12.90 13.09 13.27 13.44 13.60 13.75
6 10.63 10.83 11.02 11.20 11.36 11.51 11.65 11.78 11.90
7 9.632 9.812 9.977 10.13 10.27 10.40 10.52 10.64 10.75
8 8.955 9.117 9.265 9.401 9.527 9.644 9.754 9.857 9.953
9 8.466 8.614 8.749 8.874 8.990 9.097 9.198 9.292 9.381
10 8.096 8.234 8.360 8.476 8.583 8.683 8.777 8.865 8.947
11 7.807 7.937 8.055 8.164 8.265 8.359 8.447 8.530 8.608
12 7.575 7.697 7.810 7.914 8.009 8.099 8.183 8.261 8.335
13 7.384 7.502 7.609 7.708 7.800 7.886 7.965 8.040 8.111
14 7.225 7.338 7.442 7.537 7.625 7.707 7.784 7.856 7.924
15 7.091 7.200 7.300 7.392 7.477 7.556 7.630 7.699 7.765
16 6.976 7.081 7.178 7.267 7.349 7.426 7.498 7.566 7.629
17 6.876 6.979 7.072 7.159 7.239 7.314 7.384 7.449 7.511
18 6.788 6.888 6.980 7.064 7.142 7.215 7.283 7.347 7.407
19 6.711 6.809 6.898 6.981 7.057 7.128 7.195 7.257 7.316
20 6.642 6.738 6.826 6.907 6.981 7.051 7.116 7.177 7.235
24 6.431 6.520 6.602 6.677 6.747 6.812 6.872 6.930 6.983
30 6.227 6.310 6.387 6.456 6.521 6.581 6.638 6.691 6.741
40 6.030 6.108 6.179 6.244 6.304 6.360 6.412 6.461 6.507
60 5.841 5.913 5.979 6.039 6.094 6.146 6.194 6.239 6.281
120 5.660 5.726 5.786 5.842 5.893 5.940 5.984 6.025 6.064
∞ 5.485 5.546 5.602 5.652 5.699 5.742 5.783 5.820 5.856
599