Está en la página 1de 24

09.

PSICOLOGA EXPERIMENTAL
01. Estadstica 02. Fundamentos tericos y diseos experimentales 03. Psicometra Preguntas PIR de convocatorias anteriores

AUTORES: JUAN ANTEQUERA IGLESIAS LAURA HERNANGMEZ CRIADO

TODO EL MATERIAL, EDITADO Y PUBLICADO POR EL CENTRO DOCUMENTACIN DE ESTUDIOS Y OPOSICIONES, ES NICO Y EXCLUSIVO DE NUESTRO CENTRO.

ISBN obra completa: 978-84-92856-05-3 ISBN primera parte: 978-84-92856-31-2 Depsito Legal: M-2700-2010 EDITA Y DISTRIBUYE: CEDE 1 EDICIN: enero 2010

ES PROPIEDAD DE:

CENTRO DOCUMENTACIN DE ESTUDIOS Y OPOSICIONES

RESERVADOS TODOS LOS DERECHOS


Prohibida la reproduccin total o parcial de esta obra por cualquier procedimiento, incluyendo la reprografa y el tratamiento informtico sin la autorizacin de CEDE.

09. PSICOLOGA EXPERIMENTAL

PRESENTACIN
El rea de Psicologa experimental genera unas 20 preguntas aproximadamente por convocatoria. En cuanto a volumen de preguntas por partes, la mayora de las preguntas pertenecen a Estadstica. Metodologa sera la segunda parte de la que caen ms preguntas, mientras que Psicometra ha sido de la parte de esta rea de la que menos preguntas han cado. La mayora de las preguntas son en cuanto a conceptos, o hacer alguna aplicacin prctica de algunas reglas sencillas, como las transformaciones lineales de los estadsticos, por ejemplo. Rara vez han preguntado por frmulas como tal, y los clculos que se han pedido han sido muy sencillos, ya que al examen no se permite llevar calculadora. Si nos basamos en las preguntas que hasta ahora han ido apareciendo en el examen PIR, deberamos centrarnos en estudiar los conceptos, e intentar razonar y unir unos conceptos con otros. No es demasiado til ni funcional estar mucho tiempo intentando aprenderse las frmulas de todos los estadsticos, ni analizando minuciosamente todas las demostraciones matemticas a las que se hace referencia en los apuntes. Esos datos han sido incluidos por si a alguien le ayudara a entender o a memorizar algn concepto, pero en ningn caso existe la intencin de que el alumno se lo aprenda.

EVOLUCIN DEL NMERO DE PREGUNTAS POR CONVOCATORIA


AO CONVOCATORIA ESTADSTICA FUNDAMENTOS PSICOMETRA N PREGUNTAS 93 8 9 4 21 94 10 10 6 26 95 7 7 4 18 96 19 4 6 29 97 10 9 5 24 98 14 6 7 27 99 17 3 3 23 00 6 9 3 18 01 14 2 0 16 02 15 0 2 17 03 18 0 8 26 04 05 12 15 0 3 0 3 06 15 8 2 25 07 4 7 0 11 08 7 7 2 16

15 18

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

09. PSICOLOGA EXPERIMENTAL

NDICE
09.01. ESTADSTICA INTRODUCCIN A LA ESTADSTICA EN PSICOLOGA
Tema 09.01.01 1. 2. 3. Presentacin Concepto de medida en psicologa 2.1. La escala de medida Vocabulario bsico en estadstica 3.1. Poblacin 3.2. Muestra 3.3. Parmetro 3.4. Estadstico Concepto de estadstica 4.1. Dos clases de estadstica Tema 09.01.03

ESTADSTICA DESCRIPTIVA APLICADA AL ESTUDIO DE DOS VARIABLES


1. 2. 3. Introduccin Distribucin conjunta de frecuencias 2.1. Covarianza Relacin lineal entre dos variables 3.1. Coeficiente de correlacin de Pearson 3.2. La ecuacin de regresin 3.3. Propiedades de las puntuaciones pronosticadas 3.4. El coeficiente de correlacin de Pearson y la recta de regresin Relacin curvilnea entre dos variables 4.1. Propiedades de la razn de correlacin Relacin entre variables ordinales 5.1. Coeficiente de correlacin de Spearman 5.2. Coeficiente de correlacin de Kendall 5.3. Coeficiente de correlacin de Goodman y Kruskal Relacin entre variables nominales 6.1. Coeficiente Q de Yule 6.2. Coeficiente 2 Otros coeficientes de correlacin

4.

4. 5.

ESTADSTICA DESCRIPTIVA APLICADA AL ESTUDIO DE UNA SOLA VARIABLE


Tema 09.01.02 1. 2. Introduccin Organizacin de los datos 2.1. Concepto y tipos de variable 2.2. Modalidades y clases 2.3. Distribucin de frecuencias 2.4. Diagrama de tallo y hojas 2.5. Representacin grfica de la variabilidad: Diagrama de caja y bigotes Estadsticos de tendencia central 3.1. Media aritmtica 3.2. Mediana 3.3. Moda Estadsticos de posicin: los cuantiles 4.1. Cuartiles 4.2. Deciles 4.3. Percentiles Estadsticos de variabilidad y dispersin 5.1. Desviacin media 5.2. La varianza 5.3. Amplitud total 5.4. Amplitud semi-intercuartil 5.5. Coeficiente de variacin Puntuaciones directas, diferenciales y tpicas 6.1. Puntuacin directa 6.2. Puntuacin diferencial 6.3. Puntuacin tpica 6.4. Otras transformaciones de las puntuaciones 6.5. Interpretacin de puntuaciones directas, diferenciales y tpicas

6.

7.

3.

ESTADSTICA DESCRIPTIVA APLICADA AL ESTUDIO DE TRES VARIABLES


Tema 09.01.04 1. 2. 3. 4. Introduccin Correlacin parcial Regresin mltiple Coeficiente de correlacin mltiple 4.1. Propiedades del coeficiente de correlacin mltiple Interpretaciones de R21.23 5.1. R21.23 como ndice de reduccin de error en los pronsticos 5.2. R21.23 como aproximacin de los puntos al plano de regresin 5.3. R21.23 como proporcin de la varianza de X1 asociada a la variacin de X2 y de X3

4.

5.

5.

6.

Tema 09.01.05 1. 2.

PROBABILIDAD

Introduccin: conceptos bsicos Probabilidad y espacio muestral discreto 2.1. Enfoque interpretativo 2.2. Enfoque formal 2.3. Probabilidad condicional

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL

3.

4.

5.

6.

2.4. Sucesos independientes 2.5. Teorema de Bayes Funciones de probabilidad y de distribucin de probabilidad en variables aleatorias discretas 3.1. Variable aleatoria 3.2. Funcin de probabilidad 3.3. Funcin de distribucin 3.4. Funcin de probabilidad y distribucin con dos variables aleatorias discretas 3.5. Algunas funciones de probabilidad y distribucin en variables aleatorias discretas Esperanza, covarianza, Pearson y varianza en variables aleatorias discretas 4.1. Valor esperado o esperanza matemtica 4.2. Covarianza, Pearson y varianza 4.3. Esperanza matemtica y varianza en algunas distribuciones de probabilidad Probabilidad y espacio muestral continuo 5.1. Funcin de densidad de probabilidad uniforme o rectangular 5.2. Funcin de densidad de probabilidad normal 5.3. Funcin de densidad de probabilidad (2) 5.4. Funcin de densidad de probabilidad de Student (t) 5.5. Funcin de densidad de probabilidad de Fisher (F) 5.6. Funcin de densidad de probabilidad exponencial Esperanza matemtica y varianza en variables aleatorias continuas

4.

3.8. Rechazar o aceptar la hiptesis 3.9. Determinar el intervalo confidencial del parmetro El metaanlisis

CONTRASTE DE HIPTESIS FRECUENTES: PRUEBAS PARAMTRICAS


Tema 09.01.07 1. 2. Introduccin Anlisis de la regresin y correlacin 2.1. Supuestos 2.2. Anlisis de la regresin 2.3. Anlisis de la correlacin Contraste de hiptesis sobre una sola media Contraste de hiptesis sobre dos medias 4.1. Contraste de hiptesis sobre dos medias independientes 4.2. Contraste de hiptesis sobre dos medias relacionadas Anlisis de varianza: un solo criterio de clasificacin (ANOVA I) 5.1. Conceptos bsicos en el anlisis de varianza 5.2. Esquema del anlisis de varianza 5.3. Condiciones previas al anlisis de varianza 5.4. Un caso particular: el anlisis de varianza con medidas repetidas Anlisis de varianza: doble criterio de clasificacin (ANOVA II) 6.1. Conceptos bsicos en el ANOVA de doble criterio 6.2. Esquema del ANOVA ll 6.3. Efectos factoriales Anlisis de covarianza (ANCOVA): conceptos bsicos

3. 4.

5.

6.

FUNDAMENTOS BSICOS DE LA ESTADSTICA INFERENCIAL


Tema 09.01.06 1. Introduccin a la inferencia estadstica 1.1. Conceptos bsicos 1.2. Clases de muestreo aleatorio Estimacin puntual de parmetros 2.1. Propiedades deseables de un estimador Comprobacin de hiptesis estadsticas e intervalos confidenciales 3.1. Formulacin de la hiptesis nula y alternativa 3.2. Determinacin del nivel de significacin o 3.3. Estudiar las caractersticas de la poblacin 3.4. Especificar el tipo de muestreo realizado y el tamao de la muestra o de las muestras 3.5. Seleccionar el estadstico de contraste adecuado al caso 3.6. Atender a la distribucin muestral del estadstico de contraste 3.7. Determinar la regin crtica

7.

2. 3.

TCNICAS NO PARAMTRICAS
Tema 09.01.08 1. 2. Introduccin Caractersticas de las tcnicas no paramtricas 2.1. Ventajas 2.2. Desventajas Principales pruebas no paramtricas 3.1. Pruebas de bondad de ajuste 3.2. Pruebas de independencia 3.3. Prueba de Mann-Whitney 3.4. Prueba de Wilcoxon 3.5. Prueba de Kruskal-Wallis 3.6. Prueba de Friedman 3.7. Prueba de signos

3.

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

09. PSICOLOGA EXPERIMENTAL

09.02. FUNDAMENTOS TERICOS Y DISEOS EXPERIMENTALES EL MTODO CIENTFICO: CARACTERSTICAS Y CLASIFICACIN


Tema 09.02.01 1. 2. 3. Introduccin El mtodo cientfico 2.1. Fases del mtodo cientfico Clasificacin del mtodo cientfico 3.1. Clasificacin por el tipo de inferencia 3.2. Clasificacin por el grado de control 3.3. Clasificacin por el tipo de manipulacin La tcnica experimental 4.1. Caractersticas bsicas del experimento 4.2. Fases de la tcnica experimental 4.3. Intervenciones y decisiones en el experimento 4.4. Tipos de experimentos

5.

Tcnicas de control de variables extraas 5.1. Tcnicas de control en la situacin experimental de tipo I 5.2. Tcnicas de control en la situacin experimental de tipo ll: Mtodos de equiponderacin 5.3. Otras tcnicas de control asociadas al diseo experimental 5.4. Tcnicas de control estadstico

Tema 09.02.04 1. 2.

EL DISEO EXPERIMENTAL: CARACTERSTICAS Y CLASIFICACIN


Introduccin El diseo: definicin y caractersticas 2.1. Las variaciones en los datos 2.2. Funcin del diseo La validez del diseo 3.1. Factores que amenazan la validez interna 3.2. Factores que amenazan la validez externa 3.3. Factores que amenazan la validez de constructo Clasificacin de los diseos 4.1. Segn la validez interna 4.2. Segn la situacin experimental 4.3. Segn el nmero de variables independientes 4.4. Segn el nmero de grupos o conjuntos de datos 4.5. Segn las tcnicas empleadas en la formacin de grupos 4.6. Segn el nmero de sujetos 4.7. Segn el nmero de variables dependientes 4.8. Una propuesta de clasificacin

4.

3.

LAS VARIABLES EN LA EXPERIMENTACIN


Tema 09.02.02 1. 2. 3. Introduccin Definicin y caractersticas de una variable Clasificacin de las variables 3.1. Clasificacin terico-explicativa 3.2. Clasificacin de acuerdo al nivel de medida 3.3. Clasificacin de acuerdo al nivel de manipulacin 3.4. Clasificacin metodolgica Intervenciones del experimentador sobre las variables

4.

4.

INTERVENCIN, MANIPULACIN Y CONTROL DE LAS VARIABLES DEL EXPERIMENTO


Tema 09.02.03 1. 2. Introduccin Intervencin sobre la variable dependiente 2.1. Definicin operacional de la variable dependiente 2.2. Determinacin de la medida 2.3. ndices estandarizados de medida Intervencin sobre la variable independiente 3.1. Decisin sobre el nmero de variables 3.2. Operativizacin de la variable independiente 3.3. Manipulacin de la variable independiente Intervencin sobre las variables extraas 4.1. Fuentes de variables contaminadoras 4.2. Diseo experimental y variables extraas 4.3. El control en la experimentacin: definicin y acepciones

DISEOS UNIFACTORIALES INTERGRUPO (GRUPOS INDEPENDIENTES)


Tema 09.02.05 1. 2. Introduccin Diseos de grupos aleatorios 2.1. Diseos de dos grupos aleatorios 2.2. Diseos multigrupos aleatorios Diseos de bloques 3.1. Diseos de bloques aleatorios 3.2. Diseos de grupos apareados 3.3. Diseos de cuadrado

3.

3.

4.

DISEOS UNIFACTORIALES INTRAGRUPO


Tema 09.02.06 1. Caractersticas generales de los diseos intragrupo 1.1. Procedimiento de aplicacin

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL

2.

3.

1.2. Representacin simblica de los diseos unifactoriales intragrupo Clasificacin de los diseos unifactoriales intragrupo 2.1. Diseo intragrupo bivalente 2.2. Diseo intragrupo multivalente ANOVA en situacin intragrupo

09.03. PSICOMETRA INTRODUCCIN A LA PSICOMETRA


Tema 09.03.01 1. 2. 3. Desarrollo histrico de la Psicometra Etapas en la construccin de los tests La puntuacin 3.1. Tipos de puntuacin 3.2. Formas de distribucin de las puntuaciones La aptitud

DISEOS FACTORIALES DE GRUPOS INDEPENDIENTES (INTERGRUPO)


Tema 09.02.07 1. 2. 3. Introduccin Clasificacin de los diseos factoriales Caractersticas de los diseos factoriales intergrupos 3.1. Diseo factorial (A x B) intergrupos 3.2. Diseo multifactorial (A x B x C) intergrupos

4.

Tema 09.03.02

TEORA CLSICA DE

LOS TESTS
1. 2. 3. 4. 5. 6. Introduccin Supuestos bsicos Conclusiones de los supuestos bsicos Las medidas paralelas Medidas equivalentes o tau-equivalentes Consecuencias prcticas

DISEOS FACTORIALES DE MEDIDAS REPETIDAS (INTRAGRUPO)


Tema 09.02.08 1. 2. Introduccin Diseos bifactoriales de medidas repetidas 2.1. Diseo A X B con medidas repetidas en B (bifactorial mixto) 2.2. Diseo A x B con medidas repetidas en los dos factores (bifactorial intragrupo) Diseos multifactoriales de medidas repetidas 3.1. Diseo A x B x C con medidas repetidas en C 3.2. Diseo A x B x C con medidas repetidas en ByC

CLCULO DEL COEFICIENTE DE FIABILIDAD


Tema 09.03.03 1. 2. 3. Introduccin Concepto de fiabilidad Clculo del coeficiente de fiabilidad 3.1. Mtodo de las formas paralelas o alternativas 3.2. Procedimiento test-retest 3.3. Test-retest con formas alternativas (formas alternativas en aplicacin diferida) 3.4. Procedimientos basados en una nica aplicacin del test: mtodos basados en la consistencia interna 3.5. Fiabilidad entre evaluadores o calificadores Relaciones entre la fiabilidad y otras variables 4.1. Fiabilidad y homogeneidad de la muestra 4.2. Fiabilidad y longitud del test 4.3. Fiabilidad, longitud y varianza 4.4. Razn seal-ruido Estimacin de la puntuacin verdadera 5.1. Errores de medida, estimacin y prediccin Anlisis convencional de un tem Valoracin de la TCT Teora de la generalizabilidad 8.1. Conceptos bsicos 8.2. Estudios G y D 8.3. Optimizacin de un diseo 8.4. Ejemplo de aplicacin de la TG

3.

DISEOS CUASIEXPERIMENTALES Y DISEOS N = 1


Tema 09.02.09 1. Diseos cuasi-experimentales 1.1. Clasificacin de los diseos cuasi-experimentales Diseos N = 1 2.1. Tipos de diseos N = 1 4.

2.

5.

METODOLOGA DE ENCUESTAS
Tema 09.02.10 1. 2. Introduccin Tipos de encuestas segn dimensin temporal 2.1. Transversales 2.2. Longitudinales 2.3. Diseos de cohortes longitudinal-secuenciales 2.4. Encuestas longitudinales retrospectivas La calidad de la entrevista

6. 7. 8.

3.

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

09. PSICOLOGA EXPERIMENTAL

Tema 09.03.04 1. 2. 3.

VALIDEZ

4.

Introduccin Validez de contenido Validez de constructo 3.1. Validez multimtodo-multirasgo 3.2. Anlisis factorial Validez relativa al criterio 4.1. Coeficiente de validez 4.2. Relaciones entre validez y fiabilidad: frmulas de atenuacin 4.3. Validez y longitud del test 4.4. Validez y homogeneidad de las muestras 4.5. Modalidades del coeficiente de validez 4.6. Estimacin del criterio 4.7. Validez de criterio: pronsticos mediante bateras de predictores

Tema 09.03.05

TEORA DEL RASGO

LATENTE
1. 2. Introduccin Conceptos bsicos 2.1. Dimensionalidad 2.2. Independencia local 2.3. Curva caracterstica del tem 2.4. Escala de aptitud 2.5. Funcin de informacin del test Modelos de la teora del rasgo latente 3.1. Modelos de error binomial 3.2. Modelos de Poisson 3.3. Modelos de ojiva normal 3.4. Modelos logsticos

3.

BIBLIOGRAFA COMENTADA WEBGRAFA COMENTADA PREGUNTAS PIR DE CONVOCATORIAS ANTERIORES

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

01. ESTADSTICA
No incluimos de la pgina 10 a la pgina 74.

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

75

FUNDAMENTOS BSICOS DE LA ESTADSTICA INFERENCIAL


Tema 09.01.06

PREGUNTAS REPRESENTATIVAS
231/--PS/2008. Para poder describir las propiedades de una poblacin a partir de las propiedades contenidas en una muestra, es necesario que: 1) 2) 3) 4) 5) La muestra se haya extrado de forma aleatoria. La poblacin contenga muchos elementos. La muestra sea representativa de esa poblacin. Contenga al menos diez sujetos. Sea suficientemente grande.

ORIENTACIONES En este tema se plantean los conceptos fundamentales de la estadstica inferencial, as como los mtodos inferenciales ms comunes: puntual y por intervalos. Se explica este ltimo mtodo de forma general, para luego aplicarlo a contrastes frecuentes en los siguientes temas. Es un tema del que suelen caer varias preguntas, sobre todo acerca de la estimacin por intervalos y sobre los tipos de muestreo. ASPECTOS ESENCIALES 1. El muestreo probabilstico o aleatorio es aquel en el que todos los sujetos tienen la misma probabilidad de ser elegidos. Existen distintos mtodos para conseguir un muestreo probabilstico, entre los que se encuentran el muestreo de conglomerados o el muestreo estratificado. En la estimacin puntual de parmetros se da un nico valor a dicho parmetro, por lo que no se puede establecer el error que se va a cometer. Las caractersticas ideales de un buen estimador son que sea insesgado, consistente, eficiente y suficiente. La estimacin por intervalos se basa en la regin de rechazo a partir de la hiptesis nula y la estimacin de un intervalo de posibles estimaciones del parmetro.

PIR 08, RC 3 (tambin en PIR 06 35). 228/--PS/2008. En el contraste de hiptesis, el error tipo I: 1) Se evita siempre que la muestra sea suficientemente grande. 2) Tiene una probabilidad beta. 3) Es el que se comete cuando se mantiene una hiptesis nula que deba haberse rechazado. 4) Es cuando se rechaza una hiptesis nula que en realidad era falsa. 5) Se comete al rechazar una hiptesis nula que deba haberse mantenido (por ser verdadera en realidad). PIR 08, RC 5 (tambin en PIR 99 45, PIR 93 76). 190/--PS/95. En un artculo en el que se encuentra que la media de las mujeres en aptitud espacial es de 57 y la de los hombres 60 se informa de que no hay diferencias significativas en tal aptitud entre hombres y mujeres (t80 =1,6; p > 0,05). Qu significa esto?: 1) Que la diferencia entre las medias poblacionales de hombres y mujeres no es lo suficientemente grande para ser tenida en consideracin. 2) Que la diferencia entre las medias muestrales de hombres y mujeres no es lo suficientemente grande para ser tenida en consideracin. 3) Que la informacin encontrada es compatible con la hiptesis de que las medias poblacionales de hombres y mujeres son idnticas. 4) Que la informacin encontrada es compatible con la hiptesis de que las medias muestrales de hombres y mujeres son iguales. 5) Que la informacin encontrada es compatible con la hiptesis de que la diferencia entre las medias poblacionales de hombres y mujeres es pequea. PIR 95, RC 3 (tambin en PIR 93 73).

2.

3.

4.

5.

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

76

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

FUNDAMENTOS BSICOS DE LA ESTADSTICA INFERENCIAL


Tema 09.01.06 1. Introduccin a la inferencia estadstica 1.1. Conceptos bsicos 1.2. Clases de muestreo aleatorio 2. Estimacin puntual de parmetros 2.1. Propiedades deseables de un estimador 3. Comprobacin de hiptesis estadsticas e intervalos confidenciales 3.1. Formulacin de la hiptesis nula y alternativa 3.2. Determinacin del nivel de significacin o 3.3. Estudiar las caractersticas de la poblacin 3.4. Especificar el tipo de muestreo realizado y el tamao de la muestra o de las muestras 3.5. Seleccionar el estadstico de contraste adecuado al caso 3.6. Atender a la distribucin muestral del estadstico de contraste 3.7. Determinar la regin crtica 3.8. Rechazar o aceptar la hiptesis 3.9. Determinar el intervalo confidencial del parmetro 4. El metaanlisis

indiferenciables entre s, aunque cada elemento tenga sus propias caractersticas. Muestra: Es aquel subconjunto de elementos que poseen las mismas caractersticas que aqullos de la poblacin de la cual proceden. El mtodo o proceso de seleccin de los sujetos en la muestra se denomina muestreo. Muestra representativa: Para que podamos hacer inferencias vlidas sobre una poblacin, la muestra debe ser un "ejemplar tpico" de la poblacin de la que ha sido extrada, con caractersticas similares. Obviamente, siempre cabr un error (aleatorio), pues si seleccionamos 100 muestras de una poblacin, nos encontraremos que los estadsticos pueden diferir de unas a otras. El ideal es que la muestra sea una especie de "poblacin a escala reducida", donde las proporciones se mantengan invariantes. Para lograr esto la estadstica ha desarrollado una serie de estrategias de obtencin de muestras o muestreo. Muestreo aleatorio o probabilstico: La principal estrategia de obtencin de muestras representativas es el muestreo aleatorio o seleccin aleatoria de elementos de la poblacin. ste tiene lugar cuando todos y cada uno de los elementos de la poblacin tienen la misma probabilidad de ser seleccionados para constituir una o varias muestras (PIR 06, 33; PIR 03, 60). El hecho de ser aleatorio, hace que la probabilidad de que un elemento forme parte de la muestra sea constante, y por lo tanto podremos calcular el error muestral (PIR 06, 31). Al nmero de elementos de la poblacin se lo designa con letra mayscula (N), al nmero de elementos de la muestra con la letra minscula (n). 1.2. CLASES DE MUESTREO ALEATORIO Vamos a considerar en este apartado los distintos tipos de muestreo posibles en funcin de factores como tipo de poblacin (finita vs infinita), tctica de seleccin (reposicin vs sin reposicin), etc. Cada uno de ellos implica consecuencias distintas. 1.2.1. Muestreo aleatorio sin reposicin en una poblacin finita Supongamos una poblacin compuesta por un nmero de elementos finito (N). De ella extraemos una muestra de tamao (n) mediante el siguiente procedimiento: extraemos

1. INTRODUCCIN A LA INFERENCIA ESTADSTICA


La inferencia estadstica es un conjunto de tcnicas y procedimientos que pretende obtener y deducir conclusiones generales aplicadas a poblaciones, a partir de los resultados obtenidos en muestras representativas (PIR 06, 35; PIR 08, 234) de dichas poblaciones. El investigador, salvo raras excepciones, siempre va a desarrollar su trabajo con muestras. Efectuar anlisis estadsticos en dichas muestras (Estadstica descriptiva) y, basndose en unos niveles determinados de probabilidad, elevar generalizaciones acerca del valor de los parmetros poblacionales (Estadstica inferencial). 1.1. CONCEPTOS BSICOS Ya nos referimos a ellos en el primer tema de Estadstica (3.1.1), pero vamos a volver a retomarlos en este apartado: Poblacin: Es aquel conjunto de objetos, sujetos o cosas que poseen, todos ellos, las mismas caractersticas, y adems son

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

77

un primer sujeto al azar, extraemos un segundo sujeto tambin al azar sin devolver al primero, extraemos un tercer sujeto al azar sin devolver los dos anteriores, etc. As continuamos hasta completar una muestra n. Supongamos que la muestra la hemos elegido para investigar en la poblacin la variable X (Inteligencia general). Podemos considerar cada extraccin como la aplicacin de n variables aleatorias X ("valor asumible en inteligencia por un sujeto extrado en primer lugar (X1), valor asumible en inteligencia por un sujeto extrado en segundo lugar (X2), ........., valor asumible en inteligencia por un sujeto extrado en ensimo lugar (Xn). Ahora bien, como la poblacin es finita y no reponemos los elementos que se extraen, la probabilidad de que la variable aleatoria X asuma un determinado valor para un sujeto est condicionada por los valores de los sujetos que han sido extrados con anterioridad a l. En pocas palabras, como no reponemos los elementos, ante cada nueva extraccin nos encontramos con una nueva poblacin. Esto traducido matemticamente nos indica que las variables aleatorias X1, X2, ...., Xn no son independientes entre s. 1.2.2. Muestreo aleatorio con reposicin en una poblacin finita Si tras cada extraccin devolvemos al sujeto a la poblacin, no alteramos para nada la probabilidad del resto de los elementos, pues mantenemos la poblacin tal y como estaba al inicio del muestreo. La consecuencia de este procedimiento es que las sucesivas variables aleatorias definidas por cada extraccin son independientes unas de otras, por lo que la funcin de probabilidad conjunta es igual al producto de las funciones de probabilidad marginales:

va a ver modificada aunque no repongamos los elementos seleccionados, pues la probabilidad de que sean seleccionados el resto se mantiene prcticamente inalterable. Por lo tanto, sea cual sea el mtodo de muestreo, si la poblacin es infinita se verifica independencia entre las n variables aleatorias correspondientes a las n extracciones. 1.2.4. Muestreo aleatorio simple De acuerdo a lo expuesto en los apartados anteriores, diremos que los valores (x1, x2, ...., xn), tomados, respectivamente, por las variables aleatorias (X1, X2, ....., Xn) constituyen una muestra aleatoria simple, si estas mismas variables aleatorias tienen la misma funcin de probabilidad o funcin de densidad de probabilidad y son independientes. Llamaremos tambin muestra aleatoria simple al conjunto de estas n variables aleatorias sujetas a las dos condiciones expuestas. Llamaremos muestreo aleatorio simple, por tanto, a todo proceso mediante el cual obtenemos una muestra aleatoria simple. Este tipo de muestreo exigir, obviamente, bien una poblacin infinita (no importando si se reponen o no los elementos), bien una poblacin finita, pero con reposicin de elementos. El muestreo aleatorio simple (m.a.s.) es el ms empleado en estadstica, pues conlleva independencia entre las variables, condicin muy importante en la estadstica inferencial. 1.2.5. Otros tipos de muestreos Metodolgicamente hablando, podramos establecer otra clasificacin: Muestreo aleatorio estratificado:

g1 (x1, x2, ....., xn) = f1 (x1) f2 (x2) ...... fn (xn)


Adems se verifica otra propiedad, esto es, que las funciones de probabilidad marginales de las variables aleatorias correspondientes a cada extraccin son iguales a la funcin de probabilidad de la variable aleatoria X: Supongamos una poblacin N que es dividida en (K) estratos para estudiar una caracterstica dada. (Podemos dividir la poblacin en clases sociales para estudiar la variable inteligencia). De cada uno de los (K) estratos poblacionales extraemos un nmero de sujetos u observaciones que van a conformar subestratos muestrales, cuya suma es el nmero total de elementos de la muestra (n): N1 + N2 + ..... + Nk = N

f1 (x1) = f2 (x2) = ...... = fn (xn) f (x)


1.2.3. Muestreo aleatorio en poblacin infinita La reposicin o no reposicin de un elemento al formar una muestra es algo que slo debemos de tener en cuenta cuando nos hallamos con una poblacin finita. Si por el contrario, la poblacin contiene infinitos valores apenas se

n1 + n2 + ..... + nk = n

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

78

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

Si el muestreo est bien hecho obtenemos una muestra, y ste es el objetivo, donde los estratos poblacionales estn correctamente representados mantenindose sus proporciones. Imaginemos que queremos extraer una muestra de una poblacin en la que sabemos que existe un 60% de hombres, y 40% de mujeres. Podramos, para estar seguros que respetamos las proporciones, coger en nuestra muestra al 60% de hombres y el 40% de mujeres. Muestreo aleatorio de conglomerados: (PIR 06, 37) En vez de considerar los N elementos de la poblacin para obtener la muestra, consideramos slo grupos o conglomerados de elementos para extraer aleatoriamente uno o varios de ellos de entre la totalidad de conglomerados. Un muestreo aleatorio por conglomerados realizado en varias fases o etapas, recibe el nombre de muestreo polietpico. Las etapas son las siguientes: 1) Se divide a la poblacin en k conglomerados y se selecciona uno o varios de ellos (unidades muestrales primarias). 2) En la segunda etapa, los conglomerados seleccionados se dividen en conglomerados menores y se vuelve a seleccionar uno o varios de ellos (unidades muestrales secundarias). 3) Se repite la operacin y se contina as hasta que se considere necesario. 4) En la ltima fase se utiliza como muestra todos los elementos de los conglomerados definitivamente seleccionados. Imaginemos que queremos trabajar con los colegios pblicos de Madrid. El problema es que no podemos coger todos los colegios, por lo que decidimos dividir Madrid en distritos (conglomerados), y elegir aleatoriamente algunos de ellos, centrndonos nicamente en los colegios de los distritos elegidos. Si optamos por un muestreo polietpico, dividiramos esos distritos en manzanas, por ejemplo, y escogeramos slo algunas manzanas para centrarnos en los colegios de dichas manzanas. Muestreo aleatorio sistemtico: Dividimos el nmero de elementos de la poblacin por el nmero de elementos que deseamos tener en nuestra muestra: N/n=K A continuacin, dentro de los K primeros elementos de la poblacin seleccionamos uno al azar (supongamos que

tenemos una lista ordenada). A ese primer elemento lo llamamos (r). Ahora bien, el mtodo sistemtico implica que el segundo elemento ser (r + K), el tercero (r + 2k), el cuarto (r + 3K) y as hasta completar los n elementos de la muestra. Muestreos no aleatorios: Algunos de los muestreos no aleatorios ms utilizados seran: Muestreo intencional: el muestreo no es aleatorio sino que se rige por un criterio experto en la seleccin de la muestra. Muestreo incidental o sin norma: se toma la muestra que se tiene a disposicin. Muestreo bola de nieve: un sujeto de la muestra nos conseguir entrevista con ms sujetos de la misma muestra, y a la que en principio el experimentador no tendra acceso. Este mtodo se utiliza mucho cuando las muestras son difcilmente accesibles (gente sin hogar, por ejemplo).

2. ESTIMACIN PUNTUAL DE PARMETROS


La inferencia estadstica lo que pretende realizar son estimaciones partiendo de los estadsticos de la muestra. Bsicamente hay dos tipos de estimaciones: Acerca de parmetros (siempre desconocidos). Acerca de la distribucin de las poblaciones (en ocasiones interesa saber cmo una caracterstica determinada se distribuye en la poblacin: normalmente, segn Student, Fisher, etc.). Adems de dos tipos o clases de estimaciones, existiran dos grandes mtodos de estimacin acerca de los parmetros de una poblacin: Estimacin por intervalos. Estimacin puntual. La estimacin por intervalos es la ms utilizada y en la que ms nos detendremos cuando la abordemos en el prximo apartado. Cuando realizamos una estimacin por intervalos acerca de un parmetro, partimos del valor de un estadstico, pero proponemos un intervalo dentro del cual habra una gran probabilidad de encontrar el parmetro.

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

79

propiedades en la bibliografa que le proponemos. Aqu pretendemos slo enumerarlas:


Carencia de sesgo:

Un estimador de un parmetro es insesgado si el valor esperado del estimador es el parmetro. Esta es una caracterstica propia del estimador. As, sabemos que la media es un estimador muy insesgado, mientras que la varianza no lo es. De hecho, con muestras pequeas es mejor utilizar la versin insesgada de la varianza (cuasivarianza) (PIR 04, 85) si queremos utilizarla como estimador.
Cuando determinamos un intervalo de valores en el cual es posible que se encuentre el parmetro, lo hacemos con una determinada probabilidad o nivel de confianza. A continuacin presentamos una tabla con los niveles de confianza ms habituales y su equivalencia en niveles de significacin: NIVEL DE CONFIANZA (N.C.) 95 99 999 NIVEL DE SIGNIFICACIN (N.S.) 0,05 0,01 0,001 Consistencia:

Expresado en un lenguaje no matemtico, la consistencia alude a la capacidad del estimador de proporcionar una estimacin muy cercana al verdadero valor del parmetro.
Eficiencia:

Dados dos estimadores de un parmetro , es ms eficiente el de menor varianza.


Suficiencia:

En la estimacin puntual de un parmetro se intenta obtener un nico valor como estimacin de un parmetro desconocido. La terminologa matemtica que se suele emplear es la siguiente: PARMETRO ESTIMADOR ESTIMACIN

Se considera que un estimador es suficiente respecto a un parmetro si l slo basta para estimarlo (proporciona suficiente informacin) (PIR 00, 18). Dados dos estadsticos potenciales estimadores de un parmetro, elegiremos aqul que ms propiedades satisfaga.

3. COMPROBACIN DE HIPTESIS ESTADSTICAS E INTERVALOS CONFIDENCIALES


En el apartado anterior adelantbamos que la mayor parte de las inferencias en estadstica acerca de los parmetros de una poblacin, se realizaban estimando un intervalo donde es muy probable localizar el parmetro. En este apartado vamos a desarrollar esta idea y sus aplicaciones en la comprobacin de hiptesis. Es en este punto donde la estadstica resulta de gran ayuda para que el investigador pueda generalizar los resultados de sus investigaciones a la poblacin a la que pertenece la muestra de su experimento. Las hiptesis estadsticas pueden hacer referencia al valor de la media de una variable aleatoria, diferencia de medias, y, por supuesto, respecto a otros parmetros, tanto si la poblacin de referencia es normal, como si no lo es.

Un parmetro sera, por ejemplo, el valor esperado de la variable X en la poblacin: (x); el estimador de este parmetro podra ser (son posibles otros) el estadstico media aritmtica ( X ); la estimacin sera el valor concreto que la media aritmtica asume en la muestra seleccionada ( x ). 2.1. PROPIEDADES DESEABLES DE UN ESTIMADOR

Cuando se selecciona un estimador hay que tener en cuenta una serie de caractersticas que lo hacen ptimo en la estimacin de parmetros. No nos vamos a detener a explicar en qu consiste cada una de las propiedades, por ser una tarea compleja y que aade poca significacin al concepto de estimacin. El lector podr encontrar, si quiere ms informacin, una descripcin pormenorizada de estas

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

80

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

No obstante hay que seguir unos pasos para realizar un contraste, que bsicamente, con las naturales diferencias en funcin del parmetro y del tipo de contraste, son los siguientes: 1) Formulacin de la hiptesis nula y alternativa. 2) Determinacin del nivel de significacin o . 3) Estudiar las caractersticas de la poblacin, especialmente la distribucin de probabilidad que sigue. 4) Especificar el tipo de muestreo realizado y el tamao de la muestra o de las muestras (si se trata de un contraste acerca de diferencias de parmetros). 5) Seleccionar el estadstico de contraste adecuado al caso. Este estadstico se obtiene a partir de la muestra y nos servir para contrastar la hiptesis nula frente a la hiptesis alternativa. 6) Atender a la distribucin muestral del estadstico de contraste (nos va a indicar qu tipo de tabla utilizar para determinar la regin crtica: Normal, Student, Fisher, etc.). 7) Determinar la regin crtica, la cual se va a derivar del nivel de significacin. 8) Rechazar o aceptar la hiptesis nula segn el valor del estadstico de contraste, obtenido segn una muestra concreta, caiga dentro o fuera de la regin crtica. 9) Determinar el intervalo confidencial del parmetro, de acuerdo a los datos de la muestra, y en funcin del nivel de significacin. Iremos desgranando cada uno de estos puntos a continuacin.
3.1. FORMULACIN DE LA HIPTESIS NULA Y ALTERNATIVA

los parmetros de una distribucin, supuesta la forma de esta ltima. En este contexto cabe hablar de distintos tipos de hiptesis:
1) En funcin del grado de especificacin de los valores de los parmetros: Hiptesis simple:

Es aqulla en la que se especifica claramente el valor de un parmetro o de una diferencia de parmetros. Como ejemplo, las siguientes hiptesis se consideran simples:

x = 30 1 2 = 5 2x = 10 21 - 22 = 7
Hiptesis compuesta:

Es aqulla en que no se precisa el valor de un parmetro o de la diferencia de parmetros:

x > 30 1 2 5 2x < 10 21 - 22 < 7


2) En funcin del papel que desempea en el contraste estadstico: Hiptesis nula (H0):

Es la hiptesis que, provisionalmente, el investigador acepta como verdadera y que slo puede rechazar, en favor de la hiptesis alternativa, cuando los datos experimentales le demuestren que es falsa. Por definicin, esta hiptesis no se puede aceptar. Se rechaza o se mantiene, porque ya est aceptada desde el principio de la investigacin. El proceso por el que se rechaza la hiptesis nula se denomina falsacin o refutacin (PIR 07, 32).
Hiptesis alternativa (H1):

Una hiptesis estadstica es toda afirmacin acerca de la distribucin de probabilidad de una o varias variables aleatorias. Estas afirmaciones suelen referirse bien a la forma de la distribucin de una variable en la poblacin, bien a los parmetros de la distribucin de esa variable en la poblacin (media, varianza, proporciones, coeficientes de correlacin, etc.). En este apartado nos vamos a limitar al segundo tipo de hiptesis o afirmaciones, por lo que en adelante entenderemos por hiptesis estadstica, aquella hiptesis referida a

Es la hiptesis que acompaa a la hiptesis nula (son posibles varias alternativas, aunque lo ms frecuente es una sola). Es la aspirante a suplantar o reemplazar a la nula, y slo cuando los datos nos obliguen a rechazar la hiptesis nula. A continuacin exponemos algunos ejemplos de hiptesis nulas y alternativas:

H0: 1 2 = 5 H1: 1 - 2 5

H0: 2x 10 H1: 2x < 10

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

81

3.2. DETERMINACIN DEL NIVEL DE SIGNIFICACIN O ALFA

Despus de establecer la hiptesis nula y alternativa, el experimentador tendr que determinar cunto es el riesgo que est dispuesto a asumir. As, fijar el nivel de significacin o alfa, con su correspondiente nivel de confianza asociado. Estos valores asociados no dejan de ser probabilidades, y por lo tanto su suma ser 1. Los niveles de significacin y de confianza ms comunes son los siguientes: Nivel de significacin 0.05 0.01 0.001 Nivel de confianza 0.95 0.99 0.999

siempre se van a manejar valores muy bajos para que este error sea muy pequeo. Cuanto menor sea la probabilidad de error, ms generalizable a la poblacin ser la conclusin del experimentador. El segundo tipo de error que podemos cometer, es el de aceptar la hiptesis nula siendo sta falsa, o, lo que es lo mismo, el de no aceptar la hiptesis alternativa siendo verdadera. En cuanto a las decisiones correctas, encontramos dos tipos: 1. Aceptar la hiptesis nula, siendo verdadera; la probabilidad asociada a este acierto 1 - , obviamente. Esta probabilidad es tambin la asociada al intervalo de confianza, recibiendo la denominacin de nivel de confianza (generalmente expresada en porcentaje). 2. Rechazar la hiptesis nula, siendo falsa, o, lo que es lo mismo, siendo la hiptesis alternativa verdadera. La probabilidad de este tipo de acierto ser (1 - ). Este tipo de probabilidad se conoce tambin como potencia de la prueba. Al investigador le interesa disminuir las probabilidades de error ( y ). Pero cuando uno disminuye el otro crece, y viceversa. Si quiere disminuir ambos errores simultneamente el investigador tendra que aumentar el tamao de la muestra excesivamente, lo cual a veces es inviable. El investigador debe decidir entonces cul es el tipo de error que menos quiere cometer, para entonces disminuir su probabilidad a costa de que la del otro aumente. La potencia de una prueba va a variar si cambiamos el valor de la hiptesis alternativa, manteniendo constante el de la nula. El resultado es que podemos obtener una grfica con los distintos valores de la potencia segn cambien los valores de la hiptesis alternativa. A medida que vamos tomando en la hiptesis alternativa valores ms alejados de la hiptesis nula, la potencia ser mayor, lo que podemos observar en la curva de potencias.
3.3. ESTUDIAR LAS CARACTERSTICAS DE LA POBLACIN, ESPECIALMENTE LA DISTRIBUCIN DE PROBABILIDAD QUE SIGUE

Explicndolo en otros trminos, el nivel de significacin sera el error que el experimentador asume que puede cometer. As, en el primer caso, asumira un error de hasta un 5% (de cada 100 afirmaciones que el experimentador hiciera en relacin a rechazar la hiptesis nula, se podra equivocar en 5). Evidentemente, este nivel de significacin lleva asociado un nivel de confianza, que sera la seguridad con la que el experimentador mantendra la hiptesis nula. En el caso del primer ejemplo, sera un 95%. Podramos seguir el mismo razonamiento con 0.01 y con 0.001. Como se puede comprobar, cuanto ms pequeo es alfa, menos errores cometer el investigar en relacin al rechazo de la hiptesis nula. Este nivel de significacin lo fija el investigador en este punto, antes de poner a prueba las hiptesis, por lo que l podr elegir cunto riesgo puede asumir. Muy ligado al nivel de significacin y al nivel de confianza estn los distintos tipos de errores que podemos cometer al tomar decisiones en cuanto a la hiptesis nula. Cuando realizamos un contraste estadstico nos arriesgamos a cometer dos tipos de errores que vienen muy bien representados por la siguiente tabla:

H0 VERDADERA
ACEPTAMOS H0 RECHAZAMOS H0 Decisin correcta: 1 Errot tipo I:

H0 FALSA
Error tipo II: Decisin correcta: 1

En el caso de que la muestra sea lo suficientemente grande, habitualmente supondremos que sta se distribuye segn la distribucin normal en las variables estudiadas. Para los clculos estadsticos, se considerar una muestra grande a partir de 30 sujetos.

El primer error que podemos cometer o tipo I, es el rechazar la hiptesis nula siendo sta verdadera (PIR 08, 226);

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

82

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

3.4. ESPECIFICAR EL TIPO DE MUESTREO REALIZADO Y EL TAMAO DE LA MUESTRA O DE LAS MUESTRAS

3.7. DETERMINACIN DE LA REGIN CRTICA

En este punto el investigador deber definir su muestra, as como el tipo de muestreo que ha seguido. Lo ms habitual es que se siga un muestreo aleatorio simple.
3.5. SELECCIONAR EL ESTADSTICO DE CONTRASTE ADECUADO AL CASO

A continuacin construiremos dos regiones sobre el segmento rectilneo que representan los posibles valores del estimador del parmetro. Estas dos regiones se producen sobre la hiptesis nula. El mtodo para construir estos segmentos se denomina mtodo de biseccin de Stevens. As se producen dos regiones, llamadas regin crtica y no crtica. La regin no crtica sera la probabilidad de decisin correcta en el caso de que la hiptesis nula sea verdadera. A esta regin tambin se la denomina regin de aceptacin. A la regin crtica se la conoce tambin como regin de rechazo, puesto que cuando el valor del estimador cae dentro de ella se procede a rechazar la hiptesis nula y a aceptar la hiptesis alternativa. La regin crtica o de rechazo lleva siempre aparejada una probabilidad conocida como , que previamente habramos fijado (punto 3.2). Obviamente la probabilidad de la regin de aceptacin o no crtica, aqulla donde si "cae" el estimador hace ms probable a la hiptesis nula, viene definida por (1 - ). Las dos regiones son por tanto complementarias, esto es, mutuamente exclusivas y exhaustivas. La regin crtica siempre es nica, no obstante puede estar "acumulada" en una sola cola o en dos colas (en este caso la probabilidad de cada cola es /2). En este ltimo caso la cola inferior de la regin crtica viene delimitada por el lmite inferior o punto crtico inferior. La otra cola, viene delimitada por el lmite superior o punto crtico superior. Aunque las dos regiones se definan sobre la hiptesis nula, el dnde poner la regin de rechazo nos lo va a marcar la hiptesis alternativa (PIR 00, 15). En resumen, segn el tipo de regin crtica son posibles tres tipos de contrastes estadsticos:
1. Bilateral:

El estadstico de contraste, por ser un estadstico, no tiene en s mismo ningn parmetro desconocido, ya que est basado en la muestra. Dependiendo de qu tipo de muestra tengamos, y de qu tipo de contraste queramos hacer, utilizaremos un estadstico u otro. Ms adelante veremos distintos tipos de estadsticos en los contrastes ms frecuentes. Este estadstico de contraste lo utilizaremos para tomar decisiones con respecto a la hiptesis nula.
3.6. ATENDER A LA DISTRIBUCIN MUESTRAL DEL ESTADSTICO DE CONTRASTE

En este punto no nos estamos refiriendo a la distribucin que sigue nuestra muestra, sino a cmo se distribuye el estadstico de contraste. Esta distribucin sera hacia la que se acercara en el caso de poder aplicar el estadstico de contraste en todas las posibles muestras de la poblacin. En general es sencillo saber la distribucin de los distintos estadsticos, ya que tienen el mismo nombre. As, el estadstico t se distribuye segn t, el estadstico F se distribuye segn F, el estadstico chi cuadrado se distribuye segn chi cuadrado, etc. El estadstico z se distribuye segn la normal. A nivel prctico, este dato nos va a facilitar saber qu tabla de distribucin vamos a tener que utilizar para tomar decisiones respecto a la hiptesis nula. Dichas tablas se facilitan en cualquier manual de estadstica inferencial, normalmente como anexos. Llevando el valor del estadstico de contraste, que hemos obtenido a partir de nuestra muestra, a dicha tabla, obtendremos la probabilidad de error tipo I REAL, es decir, la verdadera probabilidad de rechazar la hiptesis nula siendo sta correcta, al margen de la que el experimentador ha fijado anteriormente (punto 3.2). A dicho error, por diferenciarlo de alfa, lo llamaremos p o nivel crtico.

La regin crtica consta de dos colas. Se rechazar la hiptesis nula siempre que el valor del estadstico de contraste sea menor o igual que el lmite inferior, o sea mayor o igual que el lmite superior. Un contraste estadstico ser bilateral cuando la hiptesis alternativa implique una afirmacin del tipo:

1 2 5 2x 10

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

83

En este caso se dividir por la mitad, habiendo una probabilidad de caer en cada cola de la distribucin (regin de rechazo) de /2.
2. Unilateral izquierdo:

estaremos en condiciones de correr el riesgo y rechazar la hiptesis nula.


3.9. DETERMINACIN DEL INTERVALO CONFIDENCIAL DEL PARMETRO

La regin crtica consta de una sola cola que se encuentra concentrada a la izquierda; se rechazar la hiptesis nula cuando el valor del estadstico de contraste sea menor o igual que el punto crtico inferior. Un contraste ser unilateral izquierdo cuando la hiptesis alternativa plantee un valor menor que la nula, es decir, venga expresada en los siguientes trminos:

En el caso de haber rechazado la hiptesis nula, estaremos en condiciones de establecer un intervalo en el que, con una alta probabilidad, caer el parmetro que estamos intentando estimar. Cuando hablbamos de la estimacin puntual de parmetros presentbamos un punto, un valor, como estimacin del parmetro, sin establecer probabilidades de error; aqu, en cambio, presentamos un intervalo de valores, con un determinado grado de probabilidad, que pretenden ser estimaciones del parmetro. As, el intervalo confidencial ser el intervalo de estimaciones probables con una probabilidad asociada a partir del estimador de la muestra (PIR 05, 85). Dicha probabilidad se denomina nivel de confianza o coeficiente confidencial, y ser 1 . Llamaremos lmites confidenciales a los dos valores extremos del intervalo. Si multiplicamos por 100 el nivel de confianza, obtenemos el porcentaje de las muestras cuyos resultados estaran dentro del intervalo que vamos a estimar. As, si nuestro nivel de confianza es de 0.99, significa que si extraemos un gran nmero de muestras del mismo tamao, cada una con sus respectivos estadsticos y sus intervalos confidenciales, el 99% de los intervalos confidenciales atraparn el valor del parmetro, y el 1% no lo contendr. El intervalo confidencial ser mejor cuanto ms estrecho sea, ya que las estimaciones sern ms precisas (es mejor decir que el parmetro estar entre 80-82 que decir que estar entre 50-100), aunque cuanto ms estrecho sea el intervalo, menor nivel de confianza vamos a tener, ya que cuanto ms precisas son las estimaciones, menos muestras van a caer en dicho intervalo. La nica manera de estrechar el intervalo confidencial sin que el nivel de confianza se vea reducido es aumentar el nmero de personas que componen la muestra. Esto es lgico si pensamos que cuantas ms personas tengamos en nuestras muestra, ms nos acercaremos a la poblacin, y por lo tanto ms precisas sern nuestras estimaciones.

1 2 < 5 2x < 10
3. Unilateral derecho:

La regin crtica consta de una sola cola que se concentra a la derecha; se rechaza la hiptesis nula si el valor del estadstico de contraste es mayor o igual que el punto crtico. Este tipo de contraste se produce cuando la hiptesis alternativa afirma que el valor del parmetro (o de la diferencia de parmetros) es mayor que un determinado valor (PIR 06, 29). Cuando la distribucin de probabilidad empleada para realizar el contraste de hiptesis es asimtrica, tambin se realizar un contraste unilateral. La razn de utilizar este tipo de contrastes es que siguiendo estas normas se optimizan las potencias.
3.8. DECISIN CON RESPECTO A LA HIPTESIS NULA

Para rechazar o no la hiptesis nula tendremos que comparar el error tipo I que el experimentador haba fijado (), con el error tipo I real, que obtenemos a partir de las tablas (p). As, si p es mayor que significar que vamos a cometer ms error del que estamos dispuestos a asumir, ya que la probabilidad de error tipo I real es mayor que alfa. Cuando esta situacin se da, no existe evidencia para rechazar la hiptesis nula, por lo que la mantendremos. En el caso de que p sea menor o igual que significa que vamos a cometer realmente menos error del que estamos dispuestos a asumir (o justo estamos en el lmite en el caso de que ambos valores sean el mismo), por lo que

4. EL META-ANLISIS
El meta-anlisis es una tcnica que consta de un grupo de procedimientos cuantitativos para evaluar los resultados de

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

84

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

un conjunto de estudios cientficos (PIR 08, 227). Este mtodo fue propuesto para revisiones, como una estrategia alternativa a la evaluacin narrativa tradicional y a la cualitativa (la clsica revisin de bibliografa). La caracterstica principal del mismo es que proporciona un anlisis de los anlisis, que permite analizar cuantitativamente los resultados de los estudios empricos realizados en un rea teniendo en cuenta el tamao de las muestras y que los estudios sean comparables (en trminos de diseo y definiciones operativas). As, ofrece un resultado cuantitativo de la magnitud y significacin de los efectos analizados en las variables estudiadas, permitiendo un resumen de los efectos significativos de una variable a partir del anlisis de los resultados obtenidos en un determinado nmero de estudios referentes a un mismo problema. El modo ms comn de evaluar la bibliografa utilizando la tcnica del meta-anlisis es calcular el denominado tamao del efecto, que proporciona unos datos comunes y comparables a las investigaciones que se incluyen en el anlisis. La informacin de los contrastes de hiptesis es bastante modesta (aceptacin/rechazo) y posiblemente engaosa (el nivel de significacin est afectado por tamao muestral, decisiones del experimentador, se hacen interpretaciones excesivas...), por lo que es aconsejable complementar, o reemplazar en el caso del meta-anlisis, el resultado cualitativo de los contrates de hiptesis (significativo/no significativo) por un indicador cuantitativo que hable de la magnitud del efecto encontrado. En la diferencia de medias, el tamao del efecto viene dado por la diferencia entre las medias del grupo experimental y el grupo control dividido por la desviacin tpica del grupo control o de la muestra formada por ambos grupos. El estadstico resultante se denomina el ndice 2. Este estadstico informa de la proporcin de varianza en la distribucin total que puede explicarse por la variable estudiada. Adems, se puede obtener otro parmetro del metaanlisis, el ndice d, que refleja la magnitud de las diferencias entre dos grupos. En caso de ms de dos tratamientos experimentales, la medida de la magnitud o tamao del efecto experimental viene dada por la prueba eta cuadrado (2), e indica la proporcin de la variabilidad total explicada por el efecto de los tratamientos. Todos estos ndices permiten comparaciones de los resultados entre diversos estudios. En general, si los valores son elevados nos indican que las diferencias entre grupos son tambin importantes. En el caso de analizar correlaciones, el tamao del efecto es el valor de la correlacin misma. Se debe tener en cuenta, de cualquier modo, el tamao de las muestras que puede afectar a estos estadsticos.

El meta-anlisis se ha convertido en un mtodo bsico de evaluacin de la eficacia de los tratamientos o de la comparacin de los resultados experimentales. Una de las crticas ms importantes que ha recibido esta tcnica es que, como cualquier otra tcnica metodolgica, es inexacta y no est libre de problemas y sesgos. En primer lugar, para realizar un meta-anlisis hay que tomar decisiones sobre qu estudios se introducirn y cules se rechazarn. En los primeros meta-anlisis que se realizaron no haba reglas claras para la seleccin de estudios y la toma de decisiones, por lo que se obtena una gran disparidad de resultados en los mismos. Con el paso de los aos, la situacin ha cambiado, elaborando reglas especficas para su aplicacin y la seleccin de estudios. Adems, es importante considerar que el meta-anlisis no puede ser utilizado para crear informacin relevante si se basa en estudios pobremente diseados.

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

85

ESQUEMA DE CONTENIDOS

Insesgado

Puntual

Caract. de los estimadores

Consistente Eficiente Suficiente

H0/H1 * Estudiar caract. de la poblacin

Estimacin parmetros

de Por intervalos

Tipo de muestreo realizado Seleccionar Estadstico de Contraste Atender a distribucin del E.C. Determinar regin crtica
Si p > mantengo H0 Si p rechazo H0

Decidir sobre H0

Determinar intervalo confidencial

* H0 verdadera Mantengo H0 Rechazo H0 Decisin correcta (1-) Nivel de confianza Error tipo I () Nivel de significacin Decisin correcta (1-) Potencia de la prueba H0 falsa Error tipo II ()

No incluimos de la pgina 86 a la pgina 108.

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

09. PSICOLOGA EXPERIMENTAL - 09.01. ESTADSTICA

109

PREGUNTAS PIR

TEMA 6 Apartado del tema Muestreo (Ao) N pregunta (98) 33 (99) 49 (03) 60 (06) 31, 33, 35, 37 (08) 3 (96) 49 (98) 41 (04) 85 (97) 37 (98) 39 (99) 57 (00) 18 (93) 71 (94) 31 (96) 46, 48 (98) 43 (94) 47 (99) 51 (07) 32 (93) 76 (97) 35 (99) 45 (08) 226 (95) 192 (96) 39 (98) 258 (99) 55 (05) 85 (08) 227

Estimacin puntual

Propiedades de los estimadores

Nivel de significacin Nivel de confianza Potencia Hiptesis Tipos de errores estadsticos

Mtodo de biseccin de Stevens Distribucin muestral de la media/estadstico Intervalo confidencial Meta-anlisis

No incluimos de la pgina 110 a la pgina 277.

CEDE - C/ Cartagena, 129 - 28002 Madrid


Tel.: 91 564 42 94

CEDE www.pir.es

278

09. PSICOLOGA EXPERIMENTAL

BIBLIOGRAFA COMENTADA
MARTNEZ HERNNDEZ, M. Mtodos y diseos de investigacin en psicologa. Ed. Complutense. Madrid, 1994. Libro muy bsico en el que se explican de forma detallada las tcnicas de control de variables extraas, adems de analizar uno a uno los diseos experimentales clsicos. Adems, se mencionan y explican diferentes ejemplos, por lo que el lector puede aclarar sus dudas tericas con ejemplos reales de investigacin. ANGUERA, M T. Mtodos de investigacin en Psicologa. Ed. Sntesis. Madrid, 1998. Adems de abordar la metodologa experimental, tambin se expone la metodologa cuasiexperimental, la de encuestas y la metodologa cualitativa. De este ltimo apartado nunca han preguntado en el examen PIR, aunque el alumno puede ampliar desde este manual. Con respecto a la parte de metodologa cuasiexperimental y de encuestas, s que las preguntas formuladas en el examen se pueden contestar con este manual. AMN, J. Estadstica para psiclogos I. Estadstica descriptiva. Ed. Pirmide. Madrid, 1999. Libro fundamental para entender la parte de estadstica descriptiva. Aunque quiz se centra demasiado en demostraciones matemticas de los teoremas, prcticamente la totalidad de preguntas planteadas acerca de estadstica descriptiva en el examen PIR se encuentran en este libro. Todos los estadsticos aparecen explicados al detalle. AMN, J. Estadstica para psiclogos II. Probabilidad. Estadstica inferencial. Ed. Pirmide. Madrid, 2002. Segundo volumen del libro expuesto anteriormente. En esta parte se abordan las reas de probabilidad y estadstica inferencial. Al igual que el primer volumen, es un manual de referencia en la formulacin de preguntas PIR. No es necesario pararse en las demostraciones matemticas, sino que es mucho ms funcional estudiar los conceptos. BOTELLA, J. y cols. Anlisis de datos en Psicologa I. Ed. Pirmide. Madrid, 2001. Libro en el que se da informacin muy similar al libro de Amn, aunque s que es cierto que incluye algunos cuadros explicativos muy clarificadores de conceptos. Tambin aparecen ejemplos que pueden ayudar al alumno a entender algunos conceptos tericos.

BOTELLA, J. y cols. Anlisis de datos en Psicologa II. Ed.Pirmide. Madrid, 1999. En este volumen se expone el rea de estadstica inferencial. Adems, aporta el anlisis inferencial de datos cuasicuantitativos y cualitativos. En el examen PIR nunca han preguntado por este tipo de estudios, pero es un buen volumen en el caso de querer ampliar la materia. MARTNEZ ARIAS, R. Psicometra: teora de los tests psicolgicos y educativos. Ed. Sntesis, 1996. Libro en el que se detallan, de forma clara y concisa, las bases para el anlisis psicomtrico de los tests. La estructura del libro es similar a la seguida en los apuntes, por lo que es relativamente sencillo encontrar informacin en l. Es un libro de referencia a la hora de formular preguntas en el examen PIR.

CEDE www.pir.es

CEDE - C/ Cartagena, 129 - 28002 Madrid

Tel.: 91 564 42 94