Introducción a la Estadística

Sesión 1 Semana 5:

Población y muestra. 
Procedimientos de selección de 
la muestra. Cálculo del tamaño 
de muestra.
Profesores: Carlos Portocarrero, Johanna Kohler, Mayte
Casaño, Jhonatan Navarro, Juan Kaneko, Fernando 
Mosquera y Ambrosio Tomás

2023
Facultad de Psicología

Introducción a la estadística

Sesión 1 - Semana 5

2023
 El estudiante conoce los
LOGRO procedimientos de selección  de los
participantes
 MUESTRA
• Una muestra se puede definir
como un subgrupo de la
población.

• En este subgrupo de la población 
se recolectan los datos

• Debe de ser representativo de la

población para poder generalizar
resultados.

Hernández-Sampieri y Mendoza 
(2018)
 POBLACIÓN
Conjunto de
¿Qué es una casos,
población? definidos,
limitados y
accesible
Identificado desde la fase
inicial de la investigación
Arias-Gómez et al. 
(2016)
 Características esenciales al Homogeneidad
seleccionar la población bajo estudio (mismas
características)

Hernández-Sampieri 
y Mendoza (2018)
Temporalidad

Límites 
espaciales

Accesibilidad

Arias-Gómez et al. (2016)
¿Por qué trabajar con una muestra y no la población?

• Ahorro de tiempo
1

• Ahorro de recursos
2

•  En algunos casos evaluar a la población es imposible 
3

• Al trabajar con un número menor de casos se tiene un mayor control de variables 
4 extrañas que pueden afectar la validez interna de la investigación

• La muestra disminuye la heterogeneidad de la población 
5

Arias-Gómez et al. (2016)
Criterios de elección de la muestra

Criterios de inclusión: Características 
particulares con que debe de contar el Arias-Gómez et 
participante para ser seleccionado. Por al. (2016)
ejemplo, edad, sexo, educación, etc. 

Criterios de exclusión: Condiciones o

características de los participantes que 
pueden alterar los resultados, por ello,
no son considerados en el estudio.
NO NECESARIAMENTE CORRESPONDE
A LO CONTRARIO DE LOS CRITERIOS DE
INCLUSIÓN 
Errores en la selección de la muestra

1. No elegir casos que deberían ser parte de la 
muestra.

2. Incluir en la muestra casos que no deberían 
de ser elegidos.

3. Elegir casos que no pueden ser elegibles.

Mertens (2015)
Tipos de
muestreo
La elección entre el muestreo probabilístico y 
no probabilístico depende de:

- Planteamiento del problema

- Las hipótesis
- El diseño de investigación
- El alcance de las contribuciones del estudio.

PROBABILÍSTICA 

NO PROBABILÍSTICA 
PROBABILÍSTICOS
MUESTREOS
PROBABILÍSTICOS
l Todos los elementos de la población tienen la 
misma probabilidad de ser escogidos.
l Se obtiene:
- Definiendo las características de la población.
- Definiendo el tamaño de muestra.
- A través de una selección aleatoria => Tipos
l Para calcular el tamaño de muestra se recomienda
utilizar el programa (Gpower).
Aleatorio simple

2. Utilizar un procedimiento
aleatorio para seleccionar tantos
1. Se asigna un número a cada 
casos sean necesarios para
caso de la población 
obtener una muestra
representativa.
Ejemplo: Una investigadora busca
conocer en la UPC
quiénes son los 
Tamaño de muestra por 
estudiantes con mayores
STATS para un N=1000, actitudes hacia el
le da 278 estudiantes. liderazgo.

Obtiene la base de datos

de los alumnos de la Fac.
Numera la base del
1 al 1000

Selecciona a los 278 estudiantes

Es María Bolívar, quien  mediante los números aleatorios
va a ser el primer caso que generados por .
entra a la muestra … El primer número arrojado es el 706,
ve en su base a quien corresponde.
Aleatorio
sistemático
l Exige también  numerar todos los elementos de la
población.
l Se elige dentro de la población  “N”  un número  “n” de
elementos (muestra) a partir de un intervalo “k”, el cual es
un intervalo de selección  sistemática que se obtiene
dividiendo el valor de la población sobre la muestra.
k = N/n
Donde:
N: total de la población
Ejemplo:
Atenciones total = N = 1548

Estudio sobre la Se determina un n = 308 unidades

calidad de la por lo que k = 1548/308 = 5 aprox.
atención en los 
servicios de
psicología de un 
hospital.
El inicio de la elección de las unidades deber ser al azar, 
por ejemplo se tiran unos 3 dados y si en sus caras
muestran 2, 5, 6, se iniciará en el servicio Nº 256.

La 2 da. unidad estaría dada por 256 + k = 256 + 5 = 261…así 
sucesivamente … 266, 271… hasta completar el número de 
casos o unidad 308. Si es necesario se vuelve a empezar por
los primeros.
Aleatorio estratificado
l La población se divide en segmentos o estratos, y se selecciona una
muestra para cada segmento.

l Se usa, cuando no basta que cada uno de los elementos tengan la

misma probabilidad de ser escogidos, sino que además es necesario
segmentar la muestra en relación con estratos o categorías presentes 
en la población, por su relevancia para los objetivos de estudio.

l Cada estrato funciona independientemente pudiendo aplicarse dentro

de ellos el muestreo aleatorio simple, para elegir a los elementos que
conformarán la muestra.
Esquema

25% Colegio A
25% Colegio A

50% Colegio B
50% Colegio B

25% Colegio C

25% Colegio C
 Ejemplo:
l Estratos según la variable nivel de estudios: preescolar, primaria, secundaria,
técnico, universitario, posgrado.

l Por ejemplo
Se requiere dividir a la población en estratos de nivel primario y secundario. La 
población se distribuye así: 60% con estudios primarios y un 40% con nivel 
secundario.

La población es de 1000 sujetos y se requieren 100 como muestra, entonces la 
muestra estratificada tendrá que estar conformada por 60 participantes con 
nivel primario y 40 con nivel secundario.

Las unidades muestrales para cada estrato se obtendrán aleatoriamente de 
cada nivel de estudios.

l Su desventaja, es necesario conocer la distribución en la población, de las 
variables que se utilizarán para la estratificación.
NO PROBABILÍSTICOS
MUESTREOS NO
PROBABILÍSTICOS

ü Se seleccionan participantes o casos “típicos” sin intentar que 
sean representativos de una población determinada. 

ü Desventaja: Al ser una muestra no probabilística, no es posible 
calcular con precisión el error estándar, es decir, no se puede 
calcular con qué nivel de confianza se hace una estimación         

No se puede generalizar
 Por cuotas
ü Las cuotas se refieren a un número 
determinado de participantes que cumplen
ciertas características.

ü El investigador se dirige a un lugar

determinado y aplica encuestas o
cuestionarios a cualquier persona que
cumpla con dichas características.

ü Se necesita un buen conocimiento de los

estratos de la población y de los individuos 
más adecuados para los fines de la 
 Ejemplo:

ü Por ejemplo, en un estudio sobre la actitud de

las personas hacia las elecciones presidenciales,
se necesita encuestar a 200 personas del distrito
de Lince.

ü Dichas personas deben estar en edad de votar,

es decir, ser mayores de 18 años y, además, el 
50% deben ser mujeres y el 50% hombres (2
estratos).

ü El investigador sale a la calle y aborda a las

personas que encuentra a su paso,
preguntándoles su edad, hasta cubrir la cantidad 
de muestra que necesita.
 Por conveniencia
ü Conocido también como “muestreo casual o incidental” (Vieytes, 2004).
ü Utiliza como muestra a aquellas personas a las que se tiene fácil acceso. 
ü Por ejemplo, un investigador quería investigar sobre el ambiente laboral en 
diversas empresas, pero tuvo muchas dificultades para acceder a estas.
Entonces, decidió entrevistar a compañeros de su propio centro laboral. 
Bola de nieve

ü Se localizan a ciertos participantes claves

para la investigación. 

ü Luego de entrevistados, se les pregunta si

conocen a otras personas que puedan
participar y que cumplan con las mismas
características, así sucesivamente hasta
conseguir una muestra suficiente.

ü Recomendable para estudios con

poblaciones de difícil acceso.
TAMAÑO DE LA
MUESTRA
Cálculo del tamaño mínimo de muestra: G*Power

l La versión  3.1.9.7 de G*Power está  disponible tanto para

Windows y Mac.

l Permite calcular el tamaño de una muestra, sobre la base de un

nivel de potencia requerido (1 - ), el nivel de significancia
(error permitido), y el tamaño  del efecto poblacional que se
espera detectar (α).
 ASPECTOS A TOMAR EN CUENTA
PARA DETERMINAR EL TAMAÑO DE
LA MUESTRA CON GPOWER
 Hay tres conceptos que
tenemos que tener en cuenta
para determinar el tamaño de la 
muestra:
• Tamaño del efecto
• Nivel de significancia
• Potencia

El tamaño del efecto depende de cada  1
estadístico a emplear

2
3
4

Los parámetros que usualmente se consideran 
son:

Nivel de significancia = α err prob = 0.05

Potencia estadística = Power (1 –β err prob) =

La determinación del tamaño del efecto será de
acuerdo a:
Investigaciones previas (antecedentes), estudios metaanalíticos  relacionados al
problema de investigación  o en caso que no exista datos previos, este se podrá 
derivar de los siguientes estándares: 

Para investigaciones de diseño correlacional

0.10 es considerado un efecto pequeño, 

0.20 medio,

0.30 grande y

0.40 muy grande (Funder & Ozer, 2019).

Para investigaciones de diseño comparativo:

Prueba estadística Magnitud del efecto Valores

t de student d cohen 0.20 diferencia pequeña

0.50 diferencia mediana

0.80 diferencia grande

(Cohen, 1992)
U de Mann Whitney rbis 0.10 diferencia pequeña 

0.30 diferencia mediana

0.50 diferencia grande

(Coolican, 2009)
La determinación del nivel de significancia (Alfa)

Es la probabilidad de decir que hay un efecto, cuando en realidad no lo

hay, por lo general se acepta un α de 0.05 (margen de error de 5%).
La determinación del poder o potencia

Se obtiene de restarle a 1, la probabilidad de decir que NO hay efecto, cuando en

realidad SI lo hay.

Por ejemplo: si coloco que acepto un “error”  (probabilidad de decir que NO hay efecto,
cuando en realidad SI lo hay) de 0.05, la potencia sería de:

1 - 0.05 = 0.95 de acierto o de “potencia”

En ciencias sociales, se acepta como mínimo un 0.80 de potencia.
TAMAÑO DE LA MUESTRA SEGÚN
TIPO DE INVESTIGACIÓN CON
GPOWER
Tipo de investigación: correlacional

Elegir
1 Dejar en “Exact” “Correlaciones  2
bivariada”

Elegir dos colas

(ya que es 3
bivariada)
Tamaño del efecto, 
se suele colocar
4 para correlaciones
un 0.20 (efecto Brinda tamaño 
medio) de la muestra
Error α se coloca
5 0.05

Potencia, colocar Dejar vacío, ya que 

6 0.95 7 es la Hipótesis nula
Dar clik en
8
“Calcular”
Tipo de investigación: comparativo dos grupos

Elegir “Means: 
Difference
between two
2
1 Ubicar “t tests”
indepent means”

Elegir dos colas 3

Elegir tamaño del 
4 efecto medio 0.50 Brinda tamaño 
de la muestra de
cada grupo y
Error α se coloca total
5 0.05

Potencia, colocar Dejar en 1, si ambos

6 0.95 7 grupos son iguales
Dar clik en
8
“Calcular”
Tipo de investigación: comparativo varios grupos

1 Ubicar “F tests” Elegir “Anova” 2

Elegir tamaño 
del efecto medio 3
0.25

Error α se coloca
4 0.05
Brinda tamaño 
de la muestra
Potencia, colocar
5 0.95

Colocar cuantos
6 grupos se están  Dar clik en
7
comparando “Calcular”
Tipo de investigación: comparativo datos
cualitativos (Chi)

Elegir
“Goodness of fit  2
1 Ubicar “X2 tests” test”

Elegir tamaño 
del efecto medio 3
0.30

Error α se coloca
4 0.05
Brinda tamaño 
de la muestra
Potencia, colocar
5 0.95

En grados de
6 libertad se multiplica Dar clik en
8
el número de valores  “Calcular”
de ambas variables,
menos 1
CASOS APLICATIVOS: correlación

1. Considerando una
investigación bidireccional (dos 
colas), un tamaño del efecto de 
0.35, un nivel de significación α
de 0.05 y una potencia de 0.90,
calcular el tamaño de la 
muestra que se necesita.
Ejemplo de redacción

Para el cálculo  del tamaño  de la muestra, se hizo un

análisis  a priori de potencia a través  del programa
G*Power (Faul, et al., 2009). Se pondrá  a prueba una
hipótesis  XXX (e.g. correlacional bivariada) (# cola), con
una significancia estadística  de .05 y una potencia
estadística  de .95. Asimismo, a partir de otros estudios
como referencia XXX, XXX, se espera en el presente
encontrar una correlación  de XXX. De este modo, el
análisis sugiere una muestra de # participantes.
 Ejemplo de
redacción
Para el cálculo  del tamaño  de la
muestra, se hizo un análisis  a priori de
potencia a través  del programa
G*Power (Faul, et al., 2009). Se pondrá 
a prueba una hipótesis  de correlacional
bivariada, con 2 colas, con una
significancia estadística  de 0.05 y una
potencia estadística de 0.90. Asimismo,
a partir de otros estudios como
referencia, se espera en el presente
encontrar una correlación  de 0.35. De
este modo, el análisis  sugiere una
muestra de 81 participantes.
CASOS APLICATIVOS: correlación

2. Considerando una
investigación bidireccional (dos 
colas), un tamaño del efecto de 
0.20, un nivel de significación α
de 0.05 y una potencia de 0.80,
calcular el tamaño de la 
muestra que se necesita.

Además redacte el texto explicativo
Para finalizar

¿alguna 
pregunta?
Referencias
Arias –Gómez, J., Villais-Keever, M. A., & Miranda, M. G. (2016). El protocolo de investigación III: la población de 
estudio. Revista Alergia México, 63(2), 201-226.
Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y 
comunicación. Editorial Brujas.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. https://doi.org/10.1037/0033-
2909.112.1.155
Coolican, H. (2009). Research Methods and Statistics in Psychology. Hooder Education.
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la Investigación. McGraw-Hill.

Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for
correlation and regression analyses. Behavior Research Methods, 41, 1149-1160.

Funder, D C., & Ozer, D. J. (2019). Evaluating effect size in psychological Research: Sense and nonsense. Advancez
in Methods and Practices in Psychological Science, 2(2), 156-168. https://doi.org/10.1177/2515245919847202
 Rendón-Macías, M. E., Villasis-Keever, M. Á., & Miranda-Novales, M. G. (2016). Estadística descriptiva. Revista
Alergia México, 63(4), 397- 407. https://revistaalergia.mx/ojs/index.php/ram/article/download/230/363
Triola, M. F. (2018). Estadística. Pearson.
Torres, J. (2019). Estadística aplicada a ciencias de la salud. Dextra Editorial.
 Introducción a la Estadística

Sesión 2 Semana 5:

Población y muestra. 
Procedimientos de selección de 
la muestra. Cálculo del tamaño 
de muestra.
Profesores: Carlos Portocarrero, Johanna Kohler, Mayte
Casaño, Jhonatan Navarro, Juan Kaneko, Fernando 
Mosquera y Ambrosio Tomás

2023
Facultad de Psicología

Introducción a la estadística

Sesión 2 - Semana 5

2023
 El estudiante calcula el
LOGRO tamaño  mínimo  de
muestra
 RECORDEMOS
Los parámetros que usualmente se 
consideran son:

Potencia estadística = Power (1 –β
err prob) = 0.95

Nivel de significancia = α err prob = 
0.05
Tamaño mínimo de muestra para hipótesis
correlacional

Asegurarse de seguir esta

ruta y verificar que el análisis 
sea
CORRELATION:BIVARIATE
NORMAL MODEL
Ejemplos:
1. Considerando un tamaño del 
efecto de 0.35, un nivel de
significación α de 0.05 y una
potencia de 0.90, calcular el
tamaño de la muestra que se 
necesita para rechazar la H0.

Hipótesis correlacional
Ejemplos:

2. Considerando un tamaño del 
efecto de 0.20, un nivel de
significación α de 0.05 y una
potencia de 0.80, calcular el
tamaño de la muestra que se 
necesita.

Hipótesis correlacional
Tamaño mínimo de muestra para hipótesis de
diferencia de medias

Asegurarse de seguir esta

ruta y verificar que el análisis 
sea MEANS: DIFFERENCE
BETWEEN TWO
INDEPENDENT MEANS
(TWO GROUPS)
Ejemplos:

1. Considerando un tamaño del 
efecto de 0.45, un nivel de
significación α de 0.05, una
potencia de 0.80 y un cociente
de tamaños muestrales de 1, 
calcular el tamaño de la 
muestra que se necesita.

Hipótesis diferencia de
medias
Ejemplos:

2. Considerando un tamaño 
del efecto de 0.30, un nivel
de significación α de 0.05,
una potencia de 0.85 y un
cociente de tamaños 
muestrales de 2, calcular el
tamaño de la muestra que se 
necesita.
Hipótesis diferencia de
medias
Actividad grupal

Realizar en grupo,
los ejercicios de la
actividad 5
Modelo de respuesta de casos aplicativos:

2. Considerando un tamaño 
del efecto de 0.30, un nivel
de significación α de 0.05,
una potencia de 0.85 y un
cociente de tamaños 
muestrales de 2, calcular el
tamaño de la muestra que se 
necesita.
Rpta: la muestra es de 362,
siendo el tamaño de la 
muestra del grupo 1 de 121 y
del grupo 2 de 241.
Para finalizar

¿alguna 
pregunta?
Referencias
Arias –Gómez, J., Villais-Keever, M. A., & Miranda, M. G. (2016). El protocolo de investigación III: la población de 
estudio. Revista Alergia México, 63(2), 201-226.
Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y 
comunicación. Editorial Brujas.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. https://doi.org/10.1037/0033-
2909.112.1.155
Coolican, H. (2009). Research Methods and Statistics in Psychology. Hooder Education.
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la Investigación. McGraw-Hill.

Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for
correlation and regression analyses. Behavior Research Methods, 41, 1149-1160.

Funder, D C., & Ozer, D. J. (2019). Evaluating effect size in psychological Research: Sense and nonsense. Advancez
in Methods and Practices in Psychological Science, 2(2), 156-168. https://doi.org/10.1177/2515245919847202
 Rendón-Macías, M. E., Villasis-Keever, M. Á., & Miranda-Novales, M. G. (2016). Estadística descriptiva. Revista
Alergia México, 63(4), 397- 407. https://revistaalergia.mx/ojs/index.php/ram/article/download/230/363
Triola, M. F. (2018). Estadística. Pearson.
Torres, J. (2019). Estadística aplicada a ciencias de la salud. Dextra Editorial.
 Introducción a la Estadística

Sesión 1 Semana 6:

Inferencia estadística. 
Parámetros. Hipótesis estadística 
y contraste de hipótesis
Profesores: Carlos Portocarrero, Johanna Kohler,
Mayte Casaño, Jhonatan Navarro, Juan Kaneko, Fernando 
Mosquera y Ambrosio Tomás

2023-1
Facultad de Psicología

Introducción a la estadística

Sesión 1 - Semana 6

2023-1
 El estudiante conoce aspectos
LOGRO conceptuales sobre el contraste de
hipótesis estadística
Para iniciar la sesión de hoy hay que ver el siguiente video

Descargar video del siguiente link:

https://www.youtube.com/watch?v=9_IOs5MzI2g&t=8
0s
(Ver hasta el minuto 4:14)
Situación
1

¿qué podemos afirmar de la

imagen?
Respuesta 1
Respuesta 2 Todas estas respuestas las
Respuesta 3 podemos conocer como
HIPÓTESIS, las cuales
. necesitan ser contrastadas con
. la realidad para saber si se
. aceptan o se rechazan

Respuesta n

Hipótesis: La maestra está molesta con el 
niño porque no cumplió con sus 
actividades.
Situación
2

La maestra está  Este evento da

molesta porque el evidencia que
niño no cumplió  apoya la hipótesis 
con sus planteada
Pero… ¿todas las 
maestras de Lima se
molestan con sus
alumnos cuando no
cumplen con sus
actividades?

INVESTIGACIÓN CIENTÍFICA
 ¿Qué es la evidencia científica?

• Uso consciente, explícito y juicioso de datos válidos y disponibles 
procedentes de la investigación científica (Sackett et al., 2016).

• Información de un artículo científico publicado en una revista de 
revisión  por pares, con calidad metodológica aceptable y que 
aborda un problema específico (Hume et al., 2021). 
Inferencia estadística
Conjunto de métodos estadísticos que permiten deducir cómo 
se distribuye la población e inferir las relaciones entre variables 
a partir de la información que proporciona la muestra recogida 
(Wassertheil-Smoller, 2004).

Es el proceso de evaluar la fuerza de la evidencia sobre si un

conjunto de observaciones es consistente o no con un
mecanismo hipotético particular que podría haber producido 
esas observaciones (Harradine et al., 2011, véase Makar & 
Rubin, 2018)

Sus objetivos son la estimación y el contraste de hipótesis

(Seoane et al., 2007)
 Población es un conjunto de casos, definido,
delimitado y accesible (García-García et al., 
Son importantes los 2013)
criterios de inclusión y 
exclusión.

Procedimientos de selección 
probabilísticos y no probabilísticos 
(García-García et al., 2013)
Contraste de hipótesis

“Una hipótesis en el contexto de la estadística inferencial es una 
proposición respecto a uno o varios parámetros, y lo que el 
investigador hace por medio de la prueba de hipótesis es
determinar si la hipótesis poblacional es congruente con los 
datos obtenidos en la muestra” (Gordon, 2010, véase 
Hernández et al., 2014, p. 306). 

• JUEGA UN PAPEL FUNDAMENTAL EN EL AVANCE DE

CUALQUIER DISCIPLINA
¿Qué es una hipótesis 
estadística?
Es una conjetura o supuesto que el investigador plantea para un parámetro, 
que puede o no ser verdadera, relativa a una o más poblaciones. SE
PLANTEAN ANTES DE HACER EL ANÁLISIS.

Media (de una variable)

Desviación estándar (de una variable)

Relación (entre variables)

Diferencia entre personas respecto a una variable

En estadística, ¿Qué es una 
hipótesis?
Existen diferencias
Existe relación estadísticamente
estadísticamente significativa entre varones y
significativa entre la mujeres respecto a su
autoestima general y la autoconcepto físico
propia valoración del cuerpo 
físico

El promedio de la
autoestima general es
estadísticamente
μ ≠ 
diferente de 15 15

Existen diferencias estadísticamente

significativas entre estudiantes de
psicología, administración e ingeniería 
respecto a la valoración de la competencia 
intelectual
En estadística, Hipótesis ALTERNA
Existen diferencias
Existe relación entre la  entre varones y
autoestima general y la mujeres respecto a su
propia valoración del  autoconcepto físico
cuerpo físico Esta es la manera estadística de
simbolizar la hipótesis
planteada por el investigador
El intensidad de la
(Hipótesis alternativa)
autoestima general
será mayor a 15 μ ≠ 15

Existen diferencias entre estudiantes

de psicología, administración e 
ingeniería respecto a la valoración de 
la competencia intelectual
En estadística, Hipótesis NULA vs ALTERNATIVA

Esta es la manera estadística de

simbolizar la hipótesis CONTRARIA
a planteada por el investigador
μ = 15 μ ≠ 15
(Hipótesis nula)

El aspecto central de la
estadística inferencial es el
rechazo de la Hipótesis nula
porque se asume como cierta.
El contraste de hipótesis se realiza a través de los siguientes pasos:

1. Identificar la
2. Proporcionar la
afirmación que será   3. Identificar la Ho y 4. Seleccionar el nivel
forma simbólica de la 
probada y expresarla H1 de significancia
afirmación
en forma simbólica

6. Interpretar el 5. Identificar el
6. Tomar una decisión 
estadístico de prueba  estadístico de prueba
¿CUÁLES SON LOS CRITERIOS 
PARA RECHAZAR O ACEPTAR UNA
HÍPÓTESIS?
• Se establecen criterios cuantitativos para saber si
aceptamos o rechazamos una hipótesis.
• Recordar, que se hacen hipótesis SOBRE la
población, pero obteniendo información DE la
muestra.
• Pero siempre hay un riesgo de equivocarnos al hacer
esta inferencia, y por lo tanto se debe establecer la
probabilidad de errar al aceptar o rechazar una
hipótesis.
 ¿Cuál es ese criterio cuantitativo que lleva a aceptar o rechazar la hipótesis?

Prueba de significancia de la hipótesis nula 
(PSHN)

Valor p

Probabilidad de obtener un resultado raro en la muestra actual

suponiendo que la Ho es correcta.

Es fijado a priori por el investigador

 p < 0.05 p < 0.01 p < 0.001 p
< 0.000…
p < 0.05 = rechazar la Ho
Valores más usados en ciencias sociales 
y de la salud
p > 0.05 = Aceptar la Ho

Un valor p < 0.05 significa que existe menos del 5% de probabilidad de que ese
resultado sea al azar y por lo tanto representa algo que ocurre en la población. Por 
el contrario, un valor p > 0.05 indica que no existe la confianza necesaria para
afirmar que los datos NO son producto del azar (Molina, 2017).
Recordar:

1. Identificar la
2. Proporcionar la
afirmación que será   3. Identificar la Ho y 4. Seleccionar el nivel
forma simbólica de la 
probada y expresarla H1 de significancia
afirmación
en forma simbólica

6. Interpretar el 5. Identificar el
6. Tomar una decisión 
estadístico de prueba  estadístico de prueba
1. Se desea saber si la edad promedio de ingreso a la
universidad es diferente entre varones y mujeres. Para
esto se seleccionó una muestra representativa de la 
población. 

2.  M varones ≠ M mujeres
3. Plantear las hipótesis:

Ho = La edad media de H1 = La edad media de

ingreso a la universidad ingreso a la universidad
en igual en varones y es diferente en varones y
mujeres mujeres

M varones = M mujeres M varones ≠ M mujeres

4. Podemos utilizar la prueba t student (más adelante veremos esta 
prueba)

5. M varones = 19.5
M mujeres = 17.5
p < 0.05
 El valor p < 0.05 indica que los
resultados obtenidos no son debidos al
azar, por el contrario, reflejan algo que
ocurre en la población. Por lo tanto, hay
evidencia para indicar que se tiene que
rechazar la Ho y que existe diferencia
entre la edad promedio de ingreso a la
universidad entre varones y mujeres.
Para la siguiente sesión:
Leer y realizar un análisis de lectura: When
null hypothesis significance testing is
unsuitable for research: a reassessment.
Extraer las ideas principales en un PPT u
organizador gráfico  para presentarlas en
grupo la siguiente clase, se terminará  de
desarrollar la siguiente clase.
¿alguna pregunta?
Referencias
Arias –Gómez, J., Villais-Keever, M. A., & Miranda, M. G. (2016). El protocolo de investigación III: la población de estudio. Revista
Alergia México, 63(2), 201-226.
Blanco, C. (2016). Encuesta y Estadística. Métodos de investigación cuantitativa en ciencias sociales y comunicación. Editorial
Brujas.
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159. https://doi.org/10.1037/0033-2909.112.1.155
Coolican, H. (2009). Research Methods and Statistics in Psychology. Hooder Education.
García-García, J A., Reding-Bernal, A. R., & López-Alvarenga, J. C. (2013). Cálculo del tamaño  del amuestra en investigación en 
educación  Médica. Investigación en Educación Médica, 2(8), 217-224.
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la Investigación. McGraw-Hill.
Hume, K., Steinbrenner, J. R., Odom, S. L., Morin, K. L., Nowell, S. W., Tomaszewski, B., ... & Savage, M. N. (2021). Evidence-
based practices for children, youth, and young adults with autism: Third generation review. Journal of Autism and Developmental
Disorders, 51(11), 4013-4032.
Makar, K., & Rubin, A. (2018). Learning about statistical inference. International handbook of research in statistics education, 261-
294.
Molina, M. (2017). ¿Qué significa realmente el valor p?  Pediatría Atención Primaria, 19(6), 377-381.
Triola, M. F. (2018). Estadística. Pearson.
Torres, J. (2019). Estadística aplicada a ciencias de la salud. Dextra Editorial.
Sackett, D. L., Rosenberg, W. M., Gray, J. M., Haynes, R. B., & Richardson, W. S. (1996). Evidence based medicine: what it is and
what it isn't. Bmj, 312(7023), 71-72.
 Introducción a la Estadística

Sesión 2 Semana 6:

Inferencia estadística. 
Parámetros. Hipótesis estadística 
y contraste de hipótesis
Profesores: Carlos Portocarrero, Johanna Kohler,
Mayte Casaño, Jhonatan Navarro, Juan Kaneko, Fernando 
Mosquera y Ambrosio Tomás

2023-1
Facultad de Psicología

Introducción a la estadística

Sesión 2 - Semana 6

2023-1
 El estudiante conoce aspectos que
LOGRO afectan el contraste de hipótesis 
estadística
Para iniciar la sesión de hoy hay que ver el siguiente video

Descargar video del siguiente link:

https://www.youtube.com/watch?v=nbJU4iS-LEg
(Ver hasta el minuto 3:29)
Recordar:

1. Identificar la
2. Proporcionar la
afirmación que será   3. Identificar la Ho y 4. Seleccionar el nivel
forma simbólica de la 
probada y expresarla H1 de significancia
afirmación
en forma simbólica

6. Interpretar el 5. Identificar el
6. Tomar una decisión 
estadístico de prueba  estadístico de prueba
1. Un grupo de investigadores está probando la efectividad 
de un programa de intervención para disminuir la 
ansiedad ante exámenes (AE) en universitarios. 

2.  MAE antes ≠ MAE 
después
3. Plantear las hipótesis:

Ho = No hay diferencia en
H1 = Hay diferencia en la
la ansiedad ante
ansiedad ante exámenes
exámenes antes y
antes y después del
después del programa de
programa de intervención
intervención en
en universitarios
universitarios

4. Podemos utilizar la prueba t student (más adelante veremos esta 
prueba)

5. M antes= 35.89 (nivel alto)

    M despúes = 19.58 (nivel bajo)
p < 0.05
 El valor p < 0.05 indica que los
resultados obtenidos no son debidos al
azar, por el contrario, reflejan algo que
ocurre en la población. Por lo tanto, hay
evidencia para indicar que se tiene que
rechazar la Ho y que existe diferencia
entre las puntuaciones de los
universitarios antes y después del
programa de intervención.
Entonces…

¿Podemos afirmar que el programa de intervención 
tuvo un efecto?
¿Disminuyó la ansiedad ante exámenes en los 
universitarios?
La Asociación Americana de Estadística recomienda (ASA, 
Wassesrstein & Lazar, 2016)
• No basar las conclusiones únicamente de una asociación o efecto en valores 
1 estadísticamente significativos (p < 0.05).

• Valores estadísticamente significativos (p < 0.05) no implica una asociación o 
2 efecto.

• No creer que una asociación o efecto está ausente porque se obtuvo un 
3 valor que no es estadísticamente significativo (p > 0.05).

• No crea que el valor p da la probabilidad de que el azar por si sola produzca

4 la asociación o efecto. 

• No concluya nada sobre la importancia científica o práctica de un estudio 
5 basado solo en los valores p.
¿Por qué la ASA hace esas 
recomendaciones?

Tamaño 
Magnitud
de
del efecto
muestra
Si no hay efecto, así 
A mayor tamaño de 
la muestra sea
muestra, valores p <
grande, se obtendrá 
0.05
valores p > 0.05

Afecta la potencia
estadística de una 
prueba que es la
probabilidad de
rechazar
correctamente la Ho
Sullivan & Feinn
Magnitud del efecto

 Describe la magnitud de la relación cuantitativa entre 
dos variables. Por ejemplo, la relación que hay entre 
un tratamiento y sus resultados (Schober et al., 2018).

Indica si existe un
Significanc Significanc Indica cuánto es ese 
efecto de una ia ia práctica  efecto de una
variable sobre otra estadística  (magnitud variable sobre otra
(valor p) del efecto)
Comentemos sobre la lectura:

When null hypothesis significance testing is

unsuitable for research: a reassessment.
¿alguna pregunta?
Referencias
Sullivan, G. M., & Feinn, R. (2012). Using Effect Size-or Why the P Value Is Not Enough. Journal of Graduate 
Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1

Schober, P., Bossers, S. M., & Schwarte, L. A. (2018). Statistical Significance Versus Clinical Importance of
Observed Effect Sizes: What Do P Values and Confidence Intervals Really Represent?. Anesthesia and
Analgesia, 126(3), 1068–1072. https://doi.org/10.1213/ANE.0000000000002798

Wasserstein, R. L., & Lazar, N. A. (2016) The ASA Statement on p-Values: Context, Process, and Purpose. The 
American Statistician, 70(2), 129-133. 10.1080/00031305.2016.1154108