You are on page 1of 39

CONTENIDO

1.

VARIABLES...........................................................................................5
1.1.
TIPOS DE VARIABLES........................................................................................ 5
1.1.1. Variables Independientes y Dependientes....................................................5
2. VARIABLES DISCRETAS Y CONTINUAS.....................................................6
2.1.
VARIABLES DISCRETAS........................................................................................... 6
2.2.
VARIABLES CONTINUAS.......................................................................................... 6
3. NATURALEZA DE LOS DATOS..................................................................7
3.1.
DATOS NOMINALES................................................................................................7
3.2.
DATOS ORDINALES................................................................................................ 8
3.3.
DATOS INTERVLICOS............................................................................................8
3.4.
DATOS PROPORCIONALES........................................................................................ 9
4. HIPTESIS..........................................................................................10
4.1.
VARIABLE INDEPENDIENTE Y DEPENDIENTE...............................................................10
5. LOS EXPERIMENTOS Y CUASI-EXPERIMENTOS.......................................10
6. DISEO EXPERIMENTAL.......................................................................11
6.1.
OBJETIVO DEL DISEO EXPERIMENTAL...........................................................12
6.2.
TERMINOLOGA.............................................................................................. 12
6.2.1. Factor......................................................................................................... 13
6.2.2. Nivel........................................................................................................... 13
6.2.3. Combinacin.............................................................................................. 13
6.2.4. Variable de respuesta................................................................................13
6.2.5. Efecto......................................................................................................... 13
6.2.6. Interaccin................................................................................................. 13
6.2.7. Corrida experimental.................................................................................13
6.2.8. Bloque........................................................................................................ 13
6.2.9. Replicacin................................................................................................. 13
7. EL PRINCIPIO DEL CONTROL.................................................................14
7.1.
FACTORES......................................................................................................... 14
8. ELECCIN DE UNA PRUEBA ESTADSTICA..............................................15
8.1.
CONSIDERACIONES EN LA ELECCIN DE UNA PRUEBA ESTADSTICA................................15
8.1.1. La pregunta de investigacin.....................................................................15
9. DIFERENCIAS SIGNIFICATIVAS..............................................................16
9.1.
EL DISEO DEL EXPERIMENTO: MUESTRAS INDEPENDIENTE FRENTE MUESTRAS RELACIONADAS
17
9.1.1. Muestras independientes...........................................................................17
9.1.2. Muestras relacionado.................................................................................17
9.1.3. Diagrama de flujo para la seleccin de un ensayo adecuado para las
diferencias entre las medias.................................................................................18
9.2.
DOS CONDICIONES: LAS PRUEBAS T.......................................................................19
9.3.
DOS CONDICIONES: LAS PRUEBAS NO PARAMTRICAS.................................................20
9.4.
DOS MUESTRAS CORRELACIONADAS DE DATOS NOMINALES DICOTMICAS: LA PRUEBA DE
MCNEMAR.................................................................................................................... 22
10. EXPERIMENTOS DE ANLISIS DE VARIANZA..........................................22
10.1. FACTORES ENTRE LOS SUJETOS Y DENTRO DE LOS DE SUJETOS.....................................23
10.2. DISEOS FACTORIALES: EXPERIMENTOS ENTRE Y DENTRO INDIVIDUOS............................24

10.2.1.
10.2.2.
10.2.3.
10.2.4.
10.2.5.
10.2.6.

Experimentos factoriales entre los sujetos.............................................24


Experimentos factoriales dentro de los sujetos......................................25
Experimentos factorial mixto o de parcela dividida................................25
Diagrama de flujo para ANOVA...............................................................26
El anlisis de los resultados de los experimentos de un factor...............26
El caso de slo dos condiciones: Equivalencia de las pruebas t y ANOVA
26
10.2.7. Una alternativa a la de ANOVA una va: El test de prueba de KruskalWallis
27
10.2.8. Muestras independientes de datos nominales dicotmicas....................27
10.2.9. Datos ordinales correlacionadas: La prueba de Friedman......................27
10.2.10. Tres o ms conjuntos de datos nominales dicotmicos correlacionados:
prueba Q de Cochran............................................................................................ 27
10.2.11. El anlisis de los resultados de los experimentos factoriales.................28
10.3. MEDICIN DE LA FUERZA ASOCIACIN ENTRE LAS VARIABLES.......................................28
10.3.1. Diagrama de flujo para la seleccin de un ensayo adecuado para la
asociacin............................................................................................................. 28
10.3.2. Medicin de la asociacin de datos ordinales.........................................29
10.3.3. Medicin de la asociacin en datos nominales: Las tablas de
contingencia.......................................................................................................... 29
10.3.4. Tablas de contingencia de varias vas o entradas..................................30
10.4. PREDICIENDO RESULTADOS O PERTENENCIA A UNA CATEGORA......................................30
10.4.1. Diagrama de flujo para seleccionar el procedimiento adecuado para
predecir un resultado o una categora...................................................................31
10.4.2. La regresin simple................................................................................32
10.4.3. Regresin mltiple.................................................................................32
10.4.4. La prediccin de la categora de miembros: El anlisis discriminante y
regresin logstica................................................................................................. 32
10.5. PRUEBAS DE UNA MUESTRA..................................................................................32
10.5.1. Diagrama de flujo para la seleccin de la prueba de una muestra
apropiada.............................................................................................................. 33
10.5.2. Bondad de ajuste: Los datos en forma de mediciones...........................34
10.5.3. La bondad del ajuste: Los datos nominales............................................34
10.5.4. Las inferencias sobre la media de una sola poblacin............................35
10.5.5. Datos nominal: Prueba de una moneda para la equidad........................35
10.6. DETECCIN DE VARIABLES LATENTE: EL ANLISIS FACTORIAL........................................35
10.7. UN COMENTARIO FINAL........................................................................................36
Las pruebas formales, modelos estadsticos y sus supuestos...............................36
1.1.
EL PROBLEMA DE INVESTIGACIN...........................................................................37
1.1.1. Comparacin de medias............................................................................37
1.1.2. Asociacin..................................................................................................37
10.7.1. Diseo experimental..............................................................................37
10.7.1.1. Objetivo de un diseo experimental...............................................................38

10.7.2.

La naturaleza de los datos.....................................................................38

TABLAS
TABLA 1 TIPOS

DE

DATOS................................................................................................... 10

TABLA 2 EXPERIMENTOS ENTRE Y DENTRO DE SUJETOS CON UN FACTOR DE TRATAMIENTO CUATRO


NIVELES.................................................................................................................... 23
TABLA 3 EXPERIMENTO FACTORIAL DE DOS FACTORES ENTRE SUJETOS..........................................24
TABLA 4 UN EXPERIMENTO FACTORIAL DE DOS FACTORES DENTRO DE LOS SUJETOS........................25
TABLA 5 EXPERIMENTO FACTORIAL MIXTO: UN FACTOR ENTRE SUJETOS (GNERO) Y UNO DENTRO DE
SUJETOS (COLOR)....................................................................................................... 25
TABLA 6 UNA TABLA DE CONTINGENCIA..................................................................................29

Diagramas
DIAGRAMA
DIAGRAMA
DIAGRAMA
DIAGRAMA
DIAGRAMA
DIAGRAMA

1.
2.
3.
4.
5.
6.

PREGUNTAS DE INVESTIGACIN..........................................................................16
DIAGRAMA DE FLUJO DE SELECCIN PARA DIFERENCIAS ENTRE DOS MEDIAS.................19
DIAGRAMA DE FLUJO PARA EXPERIMENTOS DE ANOVA...........................................20
DIAGRAMA DE FLUJO QUE MUESTRA MEDIADAS DE ASOCIACIN.................................28
DIAGRAMA DE FLUJO QUE MUESTRA LOS PROCEDIMIENTOS PARA LA PREDICCIN...........31
DIAGRAMA DE FLUJO PARA UN TEST DE UNA MUESTRA.............................................34

1.VARIABLES
Una variable es lo que est siendo observado o medido.
Una variable es una caracterstica o propiedad de una persona, un objeto o una
situacin, que comprende un conjunto de valores diferentes o categoras. La
altura es una variable, al igual que el peso, tipo de sangre y gnero. Las variables
cuantitativas, como la altura, el peso o la edad, estn posedos de grado y as se
puede medir.
Las mediciones expresan el grado en que una caracterstica es posea en
trminos de unidades (kilogramos, pulgadas, metros,) en una escala
independiente. En Por el contrario, las variables cualitativas, como el sexo, el
grupo sanguneo o nacionalidad, slo poseen clases: no pueden ser expresadas
en unidades. Con las variables cualitativas, slo podemos hacer contar los casos
que caen en las diferentes categoras, como cuando registramos entre un pblico,
hay 60 hombres y 40 mujeres.

1.1.

TIPOS DE VARIABLES

Las estadsticas no serian necesarias si todas las personas furamos iguales;


anlogamente, si no hubiera diferencias y conociramos nuestra esperanza de
vida, o si un nuevo producto fuera eficaz para eliminar nuestras caspas, o si
supiramos que partido poltico ganar las prximas elecciones. Gracias a Dios
que no es as, en la mayora de los casos. Esto es el motivo por el cual existen las
variables. Podemos apreciar diferencias entre las personas: gnero, edad, altura,
color del pelo y de los ojos, preferencias polticas, respuestas a determinados
tratamientos y esperanza de vida. En el lenguaje estos factores reciben el nombre
de variables.

1.1.1.

Variables Independientes y Dependientes

Hay variables Independientes y Dependientes. Veremos un ejemplo para


explicar la diferencia. Cuando un dermatlogo aplica una nueva crema, blsamo
de berenjena, a 20 adolescentes cuyas posibilidades de acceder al verdadero
amor se han visto seriamente comprometidas a casusa del acn y los compara
con otros 20 adolescente que siguen sin tratamiento (presumiblemente sin
parejas). Espera saber de qu manera van a responder al tratamiento todos los
chicos que tienen acn. El resultado del experimento (acn) es la variable
dependiente, que es la que esperamos que vare en respuesta al tratamiento
(blsamo de berenjena) la variable independiente.

1. Variable Dependiente, es el objeto de inters, que vara en respuesta a


alguna intervencin.
2. Variable Independiente, es la intervencin o lo que est siendo aplicado.

2.VARIABLES DISCRETAS Y CONTINUAS


Generalmente las variables se representan por nmeros, estos nmeros pueden
ser Continuos o discretos (enteros).
Hemos mencionado que tanto el gnero como la altura de las personas son
variables. Es evidente que son diferentes entre s en lo que atae al tipo y nmero
de valores que pueden tomar. Una forma de establecer diferencias entre tipos de
variables es decidir si los valores son discretos o continuos.

2.1.

Variables Discretas

Las variables discretas solamente pueden tomar valores de un conjunto finito. Se


hacer uso de nuestros ejemplos anteriores, en esta clase quedaran incluidas
variables como el gnero, el color del pelo y de los ojos, las preferencias polticas
y el tratamiento recibido por una persona. Otro ejemplo de variable discreta es un
nmero, como por ejemplo, las veces que una persona ha ingresado a un hospital;
el nmero de caries dentales, el de dientes cados o el de muelas empastadas, y
el nmero de hijos.
Los datos discretos toman valores numricos enteros.

2.2.

Variables Continuas

La situacin es diferente para variables continuas. Puede parecer de entrada


que una cualidad como la altura, por ejemplo, se mide en unidades discretas:
alguien mide 172 cm de altura; una persona ligeramente ms alta medir 173 cm,
y alguien ms bajo, 171 cm. De hecho, sin embargo, la limitacin viene
impuesta por el instrumento de medida. Si usramos una regla con
graduaciones menores seramos capaces de apreciar variaciones de cm. En
realidad, si utilizramos el lser para medir la altura de las personas, llegaramos a
aproximar hasta las milsimas del milmetro. Lo que ocurre es que la altura, igual
que el peso, la presin sangunea, el suero de ruibarbo (proviene del noreste de
Europa (Ucrania), su altura es de hasta tres metros y consta de grandes hojas con
peciolos gruesos cuyo grosor oscila entre 2 y 5 centmetros), el tiempo y muchas
variables ms son, en realidad, continuas y las divisiones que hacernos son
arbitrarias y tiene como nico objeto satisfacer nuestras necesidades de medida.

La medicin, no obstante, es artificial; si dos personas tienen aparentemente la


misma presin sangunea cuando la medimos con una aproximacin de un
milmetro de mercurio, probablemente, dichas presiones sean diferentes si la
aproximacin es de una dcima de milmetros. Si aun as siguen siendo iguales, la
podemos seguir midiendo con graduaciones cada vez ms finas hasta que lleguen
a ser diferentes.
Los datos continuos pueden tomar cualquier valor de un intervalo
determinado.
Podemos ilustrar esta diferencia entre variables discretas y continuas con dos
ejemplos ms. Un piano es un instrumento discreto. No tiene ms que 88 teclas,
sin embargo, los violinistas tienen un instrumento continuo. De la misma manera
los relojes digitales baratos tienen solamente cuatro dgitos y dan el tiempo a
intervalos de un minuto. Los relojes ms fardones, adems de almacenar nmeros
de telfonos, y el estado de tu cuenta, miden fracciones de 1/100 segundos. Un
fsico todava puede mejorar esto dividiendo cada segundo en 919,261,770
vibraciones de un tomo de cesio. Pese a todo, esto no es ms que una divisin
arbitraria.

3.NATURALEZA DE LOS DATOS


El resultado de un proyecto de investigacin es un conjunto de datos, es decir, un
conjunto de informacin, sobre l se est estudiando las variables que poseen los
seres humanos, animales, rboles o cualquier otra cosa. El conjunto de datos
podra contener informacin sobre alturas, pesos, las actitudes, la sangre de la
gente, grupos, edades, gneros, y as sucesivamente.

3.1.

Datos nominales

Podemos pensar en diferentes tipos de variables de otra manera. Una variable


como el gnero slo puede tomar dos valores: mujer y varn. Ninguno de los dos
es ms alto o mejor que el otro, los podemos enumerar colocando varn en
primer lugar o primero la mujer sin que se pierde ninguna informacin. Esta
variable recibe el nombre de nominal.
Una variable nominal consiste en categoras a las que se asigna un nombre sin
que exista ningn orden implcito entre ellas.
Las categoras nominales ms sencillas son llamadas existenciales; una
propiedad existe o no existe. Una persona tiene cncer del hgado o no lo tiene;
alguien ha recibido el nuevo tratamiento o no lo ha recibido, y, la ms existencial
de todas, el individuo est viva o muerta. Las variables nominales no tienen por
qu ser dicotmicas; pueden tener cualquier nmero de categoras. Podemos

clasificar el estado civil de las personas como soltero/ casado /separado /viudo
/divorciado/vive en pareja (seis categoras); el color de los ojos, en negro
/castao /azul /verde /mezclado (cinco categoras), y su problema mdico en uno o
unos pocos centenares de categoras de diagnstico. Lo que importa es que no
puedes decir que los ojos castaos son mejores o peores que los azules. La
ordenacin es arbitraria y no se gana ni se pierde ninguna informacin
cambindola.
Los investigadores acostumbran a codificar los datos nominales asignndolo un
nmero a cada valor. Mujer como 1 y Varn, como 2; o soltero = 1, casado = 2. En
estos casos los nmeros no son ms que nombres alternativos y no fueron
pensados para tener valor cuantitativo alguno. Ahora podemos cambiar el cdigo
haciendo Varn = 1 y Mujer = 2, y las conclusiones a las que vamos llegar sern
idnticas.

3.2.

Datos ordinales

Las distintas calificaciones de un estudiante dadas como sobresaliente /notable /


aprobado / no aprobado tienen cuatro categoras. Difieren de una variable como
color del pelo en el hecho de que existe una ordenacin entre estos valores:
sobresaliente es mejor que notable, y este, a su vez, mejor que aprobado, que
es mejor que no aprobado. Sin embargo, no podemos suponer que la diferencia
entre sobresaliente o notable y aprobado sea la misma que la existencia entre
aprobado y no aprobado. Esto se ve mejor en las calificaciones numricas;
existe una pequea diferencia entre un 4 y un 5; pero la diferencia es abismal
entre un 2 y un 3. Es igual que los resultados de caballo; sabemos que el caballo
que gan fue ms veloz que el que qued segundo, y todava ms que el tercero.
Pero puede haber existido una diferencia de un segundo entre los dos primeros,
mientras que respecto al tercero puede haber sido de 10 segundos. As, las
calificaciones y el orden de finalizacin de una carrera de caballos se denominan
variables ordinales.
Una variable ordinal consiste en categoras ordenadas, de manera que las
diferencias entre categoras pueden no ser iguales.
Muchas de las variables que podemos encontrar en medicina preventiva son
ordinales por naturaleza. Los pacientes se clasifican a menudo como muy a)
mejorado, b) un poco mejorado, c) estacionario, d) empeorado y e) muerto; o de a)
emergencia, b) urgente y c) optativo. Algunas veces se utilizan nmeros, como en
los niveles I a IV del cncer. La diferencia entre en el grado de la enfermedad
entre el nivel I y el nivel II de cncer es la misma que la que hay entre los niveles II
y III o entre los III y IV? Si la respuesta es no, la escala es ordinal.

3.3.

Datos intervlicos

Si la distancia entre valores es constante, hemos llegado lo que se llama una


variable Intervlica.
Una variable intervlica tiene distancias iguales entre sus valores; pero el punto
cero es arbitrario.
Por qu hemos aadido el punto cero subrayada y que significa? Lo hemos
hecho porque como veremos, pone una limitacin a los tipos de enunciados que
podemos hacer acerca de las variables intervlicas. Lo que significa esta frase es
que el punto cero no tiene especial significacin y, por lo tanto, podemos
cambiarlo. Para ilustrarlo, comparemos la inteligencia, medida mediante algn test
CI, con algo como por ejemplo, el peso donde el cero es significativo. Todos
sabemos el significado de un peso cero. No podemos decidir de repente que
restaremos 10 kilos de cualquier cosa que pesemos y decir que lago que
previamente pesaba 11 kilos ahora pesa 1 kilo. Esto es algo ms que una cuestin
semntica; si algo pesaba 5 kilos antes deberamos decir que pesa -5 kilos tras la
conversin; una imposibilidad evidente.
Una escala de inteligencia tiene una entidad diferente. Decimos que la media del
CI es 100, pero esto es solamente un convenio. En el prximo congreso mundial
de expertos en CI pueden decidir que a partir de ahora, consideraremos que la
media es 500 sin ms que aadir 400 a todos los datos. No hemos ganado nada,
pero por el mismo motivo, tampoco hemos perdido nada; el nico cambio
necesario es que ahora tendremos que ajustar de nuevo los parmetros que
habamos aprendido de acuerdo con la nueva media.
Veamos ahora las implicaciones que ello conlleva. Como los intervalos son
iguales, la diferencia entre un CI de 70 y uno de 80 es la misma entre 120 y 130.
Sin embargo, un CI de 100 no es dos veces ms elevado que uno de 50. La
cuestin es que si el cero es artificial y mvil, las diferencias entre nmeros son
significativas, pero las razones entre ellas, no.

3.4.

Datos proporcionales

Si el punto cero es significativo, las razones entre nmeros lo son tambin, y nos
hemos tropezado con una variable proporcional.
Una variable proporcional tiene intervalos iguales entre valores y un punto cero
significativo.
La mayora de los tests de laboratorio son variables proporcionales, al igual que
las categoras fsicas tales como la altura y el peso. Una persona que pesa 100

kilos es dos veces ms pesada que una que pesa 50 kilos; incluso si convertimos
los kilos en libras, la proporcin es la misma: de 220 libras a 110. En el fondo, para
un estudio estadstico, ambos pueden tratarse de la misma manera.
Observemos que cada peldao en la jerarqua ascendente que va de los datos
nominales a los proporcionales toma la hiptesis del peldao anterior para aadir
una nueva restriccin.
Tabla 1 Tipos de Datos
TIPO DE DATOS

CARACTERSTICAS

Nominales

Categoras con nombre

Ordinales

Como
las
ordenadas

Intervlicas

Como las ordinales ms intervalos iguales

Proporcionales

Como las intervlicas ms cero significativo

nominales

ms

categoras

Las diferencias entre variables nominales, ordinales, intervlicas, y proporcionales


son importantes hasta el punto de que hay que tenerlas en la mente, puesto que
establecen los tipos de tests estadsticos que debemos aplicar a cada una de
ellas. Por ejemplo, para los test paramtricos solamente se pueden usar datos
intervlicos o proporcionales, pero no con datos nominales u ordinales, ests
estn restringido a la estadstica no paramtrica

4.Hiptesis
4.1.

Variable independiente y dependiente

Los datos no son recogidos por el simple hecho de recogerlos. La investigacin


est impulsada por el deseo de probar una suposicin provisional sobre la
naturaleza conocida como una hiptesis. A menudo, una hiptesis establece
que existe una relacin causal entre dos variables: es una afirmacin del valor de
una variable, la variable independiente (VI), determina al menos parcialmente la
de otro, la variable dependiente (VD). Por ejemplo, podra ser la hiptesis de que
la ingestin de un determinado frmaco mejora el rendimiento de cierta habilidad,
en cuyo caso la VI es la presencia/ausencia de la droga y el DV es el rendimiento
de cierta habilidad.

5.LOS EXPERIMENTOS Y CUASI-EXPERIMENTOS


Un experimento es la recopilacin de datos comparativos en condiciones
controladas. En un experimento verdadero, la VI es manipulada por el
investigador. Por ejemplo, la eficacia de la droga podra ser probado mediante la
comparacin con una muestra de personas que han tomado el medicamento con
la de una comparacin o control, el grupo que no han tomado. (Es habitual para
mejorar la comparacin de los dos grupos mediante la presentacin de los
controles con un placebo, es decir, un medio neutro idealmente idntica a aquella
en la que el frmaco es presentado al grupo experimental.)
La VI es controlada por el investigador, y sus valores se determinan antes que el
experimento se lleva a cabo. Esto se logra ya sea por asignacin aleatoria de
los participantes a las condiciones pre-establecido o por la decisin de probar a
todos los participantes bajo todas las condiciones, si eso es posible. La VD, por
otra parte, se mide durante el curso de la investigacin.
En un verdadero experimento, la VI, a diferencia de gnero, grupo sanguneo, o
nacionalidad, no es una propiedad intrnseca de los participantes: los participantes
son asignados al azar al grupo experimental o al grupo control. En otras
circunstancias, sin embargo, la hiptesis podra ser que algn aspecto de una
persona, sexo, nacionalidad, religin o grupo de edad afecta, por ejemplo, sus
puntos de vista sobre algn tema. Por ejemplo, qu los hombres y las mujeres
tienen diferentes puntos de vista sobre la violencia en la televisin? Esta hiptesis
podra ser probada por entrevista a algunos hombres y mujeres y comparar sus
puntos de vista. Aqu, la VI es el gnero y la VD es la actitud ante la violencia. En
este caso, sin embargo, los participantes no han sido asignados a las categoras
que componen el VI: este ltimo es una propiedad intrnseca del participante.
Tales quasi-experimentos a menudo producen resultados que son difciles de
interpretar de manera inequvoca. El problema con la investigacin cuasiexperimental es que la VI, siendo la variable participante (o sujeto), es en s
mismo todo un paquete de otras variables, algunas de las cuales no pueden estar
bajo el control del investigador. Algunas de las dificultades con la investigacin
cuasi-experimental pueden superarse siguiendo una apropiada estrategia de
muestreo. Por ejemplo, en el experimento de gneroactitud, los hombres y las
mujeres se tomaran muestras de estratos sociales comparables y franjas de edad
similares. Pero siempre existe la posibilidad de que los efectos del gnero se
enreden o sean confundidos, con las de variables extraas, no controlados.

6.DISEO EXPERIMENTAL
El diseo experimental es una tcnica estadstica que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un

diseo experimental se manipulan deliberadamente una o ms variables,


vinculadas a las causas, para medir el efecto que tienen en otra variable de
inters. El diseo experimental prescribe una serie de pautas relativas qu
variables hay que manipular, de qu manera, cuntas veces hay que repetir el
experimento y en qu orden para poder establecer con un grado de confianza
predefinido la necesidad de una presunta relacin de causa-efecto.
El diseo experimental es considerado parte del mtodo cientfico y una de las
formas en que aprendemos acerca de las formas en que funcionan los sistemas o
procesos. Por lo general, este aprendizaje se da a travs de una serie de
actividades en las cuales hacemos conjeturas sobre un proceso, realizamos un
experimento para establecer nuevas suposiciones que llevan a realizar nuevos
experimentos, y as sucesivamente comportndose cclicamente.

6.1.

OBJETIVO DEL DISEO EXPERIMENTAL

Determinar cules son las variables que tienen mayor anuencia en la


variable de respuesta.
Determinar el mejor valor de las variables controlables que intuyen en la
respuesta, de manera que sta, tenga casi siempre un valor cercano al
valor nominal deseado.
Determinar la mejor combinacin de las variables controlables que ayuden
a reducir la variabilidad de la respuesta.
Establecer la combinacin optima de las variables controlables, con el
objetivo de minimizar los efectos de las variables incontrolables.

El Diseo Experimental es un medio de importancia en la Ingeniera para mejorar


el rendimiento de un proceso de manufactura, as como en el desarrollo de nuevos
productos. Su aplicacin en una fase temprana de la evolucin de un proceso
puede dar como resultado:

Mejora en el rendimiento del proceso.


Reduccin de variabilidad y aumento del apego a especicaciones o valor
objetivo.
Menor tiempo de desenrollo.
Minimizacin de costos.

Otro cometido de un Modelo Experimental, son las actividades de Diseo Tcnico;


dentro de las cuales se desarrollan nuevos productos y se mejoran otros ya
existentes. Algunas de sus aplicaciones son:

Evaluacin y comparacin de configuracin de diseos bsicos.


Valoracin de materiales alternativos.
Seleccin de parmetros de diseo, a modo de que el producto tenga un
buen funcionamiento, esto es que el producto sea consistente.

6.2.

TERMINOLOGA

El diseo de experimentos ha sido creado por matemticos y estadsticos por lo


que posee propio lenguaje el cual es necesario conocer para su comprensin y
utilizacin. Los trminos ms importantes se describen a continuacin:

6.2.1.

Factor

Una de las variables dependientes que son estudiadas en el experimento.


Esta puede ser cualitativa, como: cambios en el equipo, mtodos, material
utilizado; o cuantitativa, por ejemplo: la temperatura, presin, tiempo, etc.

6.2.2.

Nivel

Son los valores que puede tener el factor a estudiar.

6.2.3.

Combinacin

Es la asignacin de un solo nivel a un factor, o de varios niveles a todos los


factores en una corrida experimental.

6.2.4.

Variable de respuesta

Es el resultado de una corrida experimental. Variable a estudiar.

6.2.5.

Efecto

Es el cambio en la variable de respuesta por el cambio de el nivel de un factor.

6.2.6.

Interaccin

Cuando uno o ms factores trabajan juntos para producir un efecto diferente que
los efectos producidos por aquellos factores de manera individual.

6.2.7.

Corrida experimental

Implementacin de cada una de las combinaciones.

6.2.8.

Bloque

Agrupacin planeada de factores o combinaciones. Es realizada a manera de


minimizar la variacin no incluida en el diseo, ejemplo puede ser el turno o da de
la semana.

6.2.9.

Replicacin

Repeticin de la corrida experimental.


LA INVESTIGACIN EXPERIMENTAL FRENTE A CORRELACIONAL
En verdaderos experimentos y cuasi-experimentos, la VI es manipulada por el
investigador, ya sea directamente, como en la primera, o por muestreo, como en el
ltimo. En investigacin correlacional, se registran las variables que se producen
en los participantes. Por ejemplo, la hiptesis de que la alegra (VD) es estimulada

por el ejercicio (el VI). Uno podra probar esta hiptesis pidiendo a los
participantes para evaluarse a s mismos en alegra y decir con qu frecuencia
hacen ejercicios. Aqu los problemas de interpretacin se multiplican. Bien puede
ocurrir que la gente ms alegre hacen ms ejercicios, los ms sombros (tristes)
hacen menos y la gente moderadamente alegres encuentran en algn punto
intermedio. Pero tanto la VI putativa (precio de ejercicio) y la VD putativa (alegra)
pueden surgir de una infinidad de otras variables posibles, incluyendo el estatus
socioeconmico, la personalidad y tipo de fsico.
CORRELACIN NO IMPLICA CAUSA
IMPLICACIONES PARA EL ANLISIS DE DATOS
Tpicamente, los datos de los experimentos y cuasi-experimentos se procesan
utilizando mtodos estadsticos que son bastante diferentes de los utilizados con
los datos de investigacin correlacional. En las siguientes secciones, ofrecemos al
lector un consejo (junto con algunas precauciones y advertencias) sobre la
eleccin de las pruebas estadsticas.

7.El principio del control


La ventaja de la estrategia experimental es que, debido a que hay una variable
independiente, el experimentador est en una posicin ms fuerte para hacer
inferencias causales de los datos, siempre que haya un control adecuado de los
efectos potenciales de factores de confusin, o variables extraas. En la
investigacin correlacional, por otro lado, la ausencia de una variable
independiente hace que sea imposible sacar conclusiones causales de manera
inequvoca.

7.1.

Factores

En el Diseo Experimental, un factor es un conjunto de condiciones o cuadros


conexos. Las categoras que componen un factor se conoce como los niveles, a
pesar de que, como en el factor cualitativo de gnero, no hay un sentido en el que
una categora puede decirse que es `superior" o "inferior" que el otro. Algunos
factores son variables independientes: es decir, el experimentador los manipula
para determinar sus efectos sobre las variables dependientes seleccionadas. No
son caractersticas inherentes del sujeto. Otros factores, sin embargo, como el
sexo o la edad, son sujetos variables, y por lo general se incluyen en el diseo
del grupo experimental para fines de control. Para la mayora de los propsitos,
tales como el anlisis estadstico, las variables de sujetos son tratados como si
fueran verdaderas variables independientes.

Los factores experimentales se deciden en la fase de planificacin de la


investigacin: no emergen de los datos resultantes de la investigacin. Ms
tarde, sin embargo, en el contexto de la investigacin correlacional, se introducir
la tcnica estadstica conocida como anlisis factorial (ANOVA). Esta tcnica es
aplicable cuando un grupo de pruebas se le da a una muestra (grande) de sujetos,
con el propsito de identificar las comparaciones de variables subyacentes que los
investigadores sospechan pueden ser la base de las correlaciones observadas
entre las pruebas en el grupo. En este segundo uso, un factor es una variable de
clasificacin derivada de los datos recogidos en el proceso de una investigacin.
En resumen, los trminos de los factores y nivel son los equivalentes en el
contexto del diseo experimental. Un factor es un tipo especial de variable,
creado por el diseo de un experimento. En el contexto de diseo experimental,
un factor es o bien una verdadera variable independiente o una variable de
agrupacin, como el gnero, que podemos 'manipular' estadsticamente, en lugar
de experimentalmente, mediante el muestreo de tantos hombres y tantas mujeres.

8.ELECCIN DE UNA PRUEBA ESTADSTICA


8.1.

Consideraciones en la eleccin de una prueba


estadstica

Es comn que los autores de los textos estadsticos ofrecer consejos sobre cmo
elegir las pruebas estadsticas en forma de un diagrama de flujo, rbol de decisin
u otros diagramas similares. Los numerosos esquemas que han sido propuestos
varan considerablemente, y a veces se contradicen entre s. La razn de la falta
de coherencia se debe en parte que la mayora de las clasificaciones tienden a
degradarse en ciertas circunstancias. Por otra parte, en algunas situaciones, la
eleccin correcta ha sido muy disputada.
Pero al menos existe un acuerdo general: No hay tal cosa como un rbol de
decisin que conducir automticamente al investigador para la correcta
eleccin de una prueba estadstica en todas las circunstancias. A lo sumo, un
rbol de decisin puede servir slo como una gua aproximada. En ltima
instancia, una decisin segura requiere una cuidadosa reflexin sobre los propios
objetivos de la investigacin y una exploracin exhaustiva preliminar de los
datos.
En general, la
consideraciones:

eleccin

de

una

1) la pregunta de investigacin;
2) la naturaleza de los datos; y

prueba

estadstica

depende

de

tres

3) el diseo experimental de la investigacin.

8.1.1.

La pregunta de investigacin

Identificamos cinco situaciones bsicas de investigacin en los que las pruebas


estadsticas formales pueden ser aplicadas. Para cada situacin, las tcnicas
adecuadas se discutirn en las secciones que se indican en Diagrama 1. Las
preguntas son las siguientes:
1) Es la diferencia (entre medias) significativa? Por ejemplo, es la frecuencia
cardaca en reposo misma antes y despus de un curso de salud?.
2) Cmo se asocian fuertemente las variables? Por ejemplo, los padres altos
tienden a tener nios altos?
3) Puede los valores de una variable objetivo (miembros de una categora, si la
variable es una cualitativa) predecirse a partir de datos de otras variables? Por
ejemplo, puede ser predicha el rendimiento universitario por las puntuaciones
en las pruebas de aptitud?
4) A partir de una sola muestra de dato, qu se puede decir acerca de la
poblacin? Por ejemplo, si sabemos los resultados de la prueba de vocabulario
100 nios, qu podemos inferir acerca de toda la poblacin de nios de la
misma edad?
5) El usuario dispone de un conjunto de datos multivariados, como ser las
puntuaciones de las personas de una capacidad pruebas en grupo. Pueden
estas puntuaciones ser contabilizadas en trminos de un nmero menor de
variables latentes o factores hipotticos? Por ejemplo, puede el rendimiento
de una variedad de actividades intelectuales ser contabilizadas en trminos de
inteligencia general?
Diagrama 1. Preguntas de investigacin

PREGUNTA DE
INVESTIGACIN

Pregunta 1
Es la diferencia
significante?

Pregunta 2
La variable esta
asociada?

Pregunta 3
Prediccin de la
valoracin o
categoras?

Pregunta 4
Pregunta 5
Los parmetros
poblaciones
proviene de una
muestra?

Son variables
latentes?

9.Diferencias significativas
La cuestin de si dos medias son significativamente diferentes se presenta
naturalmente en el contexto de la investigacin experimental o cuasi-experimental,
donde el rendimiento de los participantes en diferentes condiciones se est
comparando.
Supongamos que en un experimento sobre drogas, el rendimiento bajo dos
diferentes condiciones (Experimental y de Control) se ha medido y las medias
tienen algo diferencias. Esto puede parecer apoyar la hiptesis del
experimentador; pero habra una diferencia similar si se repitiera el experimento?
Aqu el investigador desea probar la significacin estadstica de la diferencia, es
decir, para establecer que la diferencia es demasiado grande como para haber
sido solamente una casualidad.

9.1.

El
diseo
del
experimento:
Muestras
Independiente frente muestras relacionadas

De importancia crucial en la eleccin de una prueba estadstica apropiada es la


cuestin de si los valores del experimento provienen de muestras independientes
o relacionadas.

9.1.1.

Muestras independientes

Supongamos que seleccionamos, por ejemplo, 100 participantes para un


experimento y asignamos al azar a la mitad a una condicin experimental y el
resto a una condicin de control. Con este procedimiento, la asignacin de una
persona a un grupo en particular no tiene ningn efecto sobre el grupo al que se le
asigna otro. Las dos muestras independientes de participantes seleccionadas
emitirn dos muestras independientes de puntuaciones. Un criterio til para decidir
si se tiene datos de muestras independientes de los es que no debe haber
ninguna base para emparejamiento las puntuaciones de una muestra con la
otra. Un experimento en el que independiente muestras de participantes se

prueban en condiciones diferentes que se conoce como experimento entre


sujetos.

9.1.2.

Muestras relacionado

Supongamos que cada uno de cincuenta participantes tira diez veces en un


objetivo triangular y otras diez veces a un blanco cuadrado ambos tienen reas
iguales. Para cada objetivo, cada participante tendr una puntuacin que van
desde 0 (diez fallos) a 10 (diez hits). Como en el ejemplo anterior, habr dos
muestras de 50 resultados. Esta vez, sin embargo, cada puntuacin de las
muestras se puede emparejar con la puntuacin del mismo participante con el otro
objetivo. Tenemos dos muestras relacionadas de puntuaciones, o un conjunto
de datos apareados. Las puntuaciones de las dos muestras son propensos a
estar correlacionados sustancialmente, debido a que los mejores tiros tendern a
tener puntuaciones ms altas con cualquiera de los objetivos que el de los tiros
pobres. Un experimento como ste, en el que cada participante se prueba bajo las
dos (o todas) condiciones, se conoce como un experimento dentro de los
sujetos. Dentro de los sujetos experimentos tambin se dice que tienen medidas
repetidas en la VI (la forma del objeto). Hay otras formas de obtener datos
apareados. Supongamos que en el ejemplo actual, los participantes fueran pares
de gemelos idnticos o mellizos: cada participante dispara a un nico objeto y su
gemelo dispara al otro. Este experimento tambin se traducir en dos muestras
relacionadas de las puntuaciones, ya que, como en el experimento de medidas
repetidas, hay una base para el emparejamiento de los datos. Diferentes pruebas
estadsticas son apropiadas para su uso con datos de muestras independientes y
datos de muestras relacionadas.

9.1.3.
Diagrama de flujo para la seleccin de un
ensayo adecuado para las diferencias entre las
medias
La figura 2 resume algunas de las consideraciones que conducen a una eleccin
de una prueba estadstica significativas de las diferencias entre las medias (o
frecuencias, si uno tiene los datos nominales). Si hay ms de dos condiciones o
grupos, un anlisis de varianza (ANOVA) se puede aplicable. En esta seccin,
vamos a considerar slo la comparacin entre dos grupos o condiciones, como
hombre contra mujer, o grupo experimental frente al grupo control.
Para utilizar el Diagrama 2, comienzan en el cajn de inicio y considerar cuntas
condiciones hay en el experimento. Si hay dos condiciones, proceder hacia abajo
a la siguiente etapa. Las siguientes preguntas son si las muestras son
independientes o relacionadas, y si los datos son mediciones, en oposicin a las
nominales. El ensayo apropiado entonces se muestra en el cuadro inferior. Si hay

ms de dos condiciones, un ANOVA debe ser considerado y el diagrama de flujo


del Diagrama 3, se puede utilizar para determinar qu prueba de ANOVA podra
ser apropiado.

Diagrama 2. Diagrama de flujo de seleccin para diferencias entre dos medias

Inicio

Cuntas
condiciones?

Ms de dos
ANOVA

Dos

Independiente

Relacionado

Independiente
o muestras
relacionadas?

Medida u

Medida u
Tipo de
datos

Ordinal

T-test independiente
(pool o varianza
separada)
No-paramtrico-Test

Nominal

Test de Chicuadrado
para
asociacin

Ordinal

T-test relacionado

Tipo de
datos

Nominal

Test
McNemar

No-paramtrico-Test
de Wilcoxon, Test de
signo

de Mann-Whitney

9.2.

Dos condiciones: Las pruebas t

Para comparar los promedios de dos muestras independientes de datos, la


prueba t para muestras independientes es a menudo apropiado (vase la
Diagrama 2).

Diagrama 3. Diagrama de flujo para experimentos de ANOVA

Inicio

Uno

Entre
sujetos

Diseo

ANOVA una va
No-paramtrico, test
de Krustal-Wallis,
test de Jonckheere
Datos nominales,
test de Chi cuadrado
para asociacin

Cunto
factores?

Dentro de
sujetos

Dentro de sujetos
ANOVA (medidas
repetidas)

Ms de uno

Todos entre
sujetos

Todos dentro de
sujetos
Factores?

Entre
sujetos
ANOVA
factorial

Algunos
entre,
algunos
dentro de
sujetos

No-paramtrico,
test de Friedman
Datos nominales
correlacionados,
test de Cochrans Q

Dentro
de
sujetos
ANOVA
factorial

ANOVA
Factorial
mezclado
(split-plot)

En su forma original, la prueba t para muestras independientes utiliza una


estimacin media o agrupada de la varianza de la poblacin supuestamente
constante. Por esta razn, se conoce a veces como prueba t agrupada. A veces,
sin embargo, los datos pueden no ajustarse a los requisitos de la prueba t para
muestras independientes. Si las varianzas de las muestras y/o tamaos de las
muestras son marcadamente diferentes, la prueba de la t de varianza separada
puede ser una opcin ms segura o posiblemente recurrir a una prueba no
paramtrica tal como se describe en la siguiente seccin.

9.3.

Dos condiciones: Las pruebas no paramtricas

La prueba t es un ejemplo de una prueba paramtrica: es decir, se asume que los


datos son muestras de una poblacin con una distribucin especificada (en este
caso normal). Otras pruebas, conocido como pruebas no paramtricas, no hace

suposiciones concretas sobre las distribuciones de la oblacin y son, por tanto,


tambin conocidas como pruebas de distribucin libre.
Hay circunstancias en las que una prueba t puede dar resultados errneos. Esto
es especialmente probable que ocurra cuando el conjunto de datos es pequeo y
hay algunos que se desvan de sus valores o poseen valores atpicos ( outliers),
que pueden inflar los valores de los denominadores de las estadsticas t.
El Diagrama 2 identifica los equivalentes no paramtricos de la pruebas t
independiente y muestras relacionados. Una alternativa no paramtrica a la
prueba t para muestras independientes es la prueba de Mann-Whitney. Dos
equivalentes no paramtrico de la prueba t para muestras relacionadas son la
prueba de Wilcoxon y la prueba de los signos.
Ha habido mucha controversia sobre el uso de pruebas no paramtricas en lugar
de pruebas de la t con algunos tipos de datos. Mientras que algunos autores (por
ejemplo, Siegel y Castellan, 1988) fuertemente recomiendan el uso de pruebas no
paramtricas, otros, como Howell (2002) destacan la solidez de las pruebas t
paramtricas a violacines de sus supuestos y la prdida de poder incurrido por el
uso de las pruebas no paramtricas equivalentes. Sugerimos que, siempre y
cuando los datos muestran que no hay contraindicaciones evidentes, tales como la
presencia de valores atpicos, marcada asimetra o gran disparidad de las
varianzas (especialmente si la ltima se acopla con una gran diferencia de tamao
de la muestra), una prueba t se debe utilizar generalmente. Tambin hay
circunstancias en las que la eliminacin de los valores extremos del conjunto de
datos seguidos por otra prueba t es un procedimiento defendible (por ejemplo,
tiempos de reaccin muy largos que podra ser debido a los participantes no estn
listo). De lo contrario, un equivalente no paramtrico debera ser considerado. Los
datos en forma de calificaciones son una zona gris, y se ha producido un
considerable debate sobre si deben ser analizados con pruebas paramtricas o no
paramtricas. Sin embargo, los datos son mediciones a nivel ordinal, en primer
lugar, como con conjuntos de rangos, o los datos nominales, una prueba no
paramtrica es la nica posibilidad.
En un experimento planificado, los datos toman generalmente la forma de
mediciones en una escala con unidades independiente. De vez en cuando, uno
puede tener una situacin en la que cada participante intenta una tarea y, uno
pasa o no y la misma se registra. Si es as, los dos grupos experimentales
producirn dos muestras independientes de los datos nominales. Aqu la
investigacin en cuestin es todava uno de diferencias significativas, aunque las
diferencias entre frecuencias, en lugar de diferencias entre medias. Con muestras
independientes, una prueba chi-cuadrado de asociacin va a responder a la

pregunta de si las tasas de xito en los dos grupos son significativamente


diferentes.

9.4.

Dos muestras correlacionadas de datos


nominales dicotmicas: la prueba de McNemar

Supongamos que, antes de escuchar un debate sobre un tema, a diez personas


se les pregunta si estn a favor o en contra de la propuesta. Posteriormente, a las
mismas personas se les hace la misma pregunta de nuevo. Este es un
experimento dentro de sujetos, en el que se observa cada participante en dos
condiciones: Antes de (un evento) y Despus.
En cada ocasin de pruebas, la respuesta de una persona se codifica ya sea
como 0 (Contra) o 1 (A favor). Debido a que la misma persona produce dos
respuestas, tenemos un conjunto de datos nominales asociado, para el que la
prueba de McNemar es adecuada si se quiere afirmar que el debate dado un
cambio en la opinin de los participantes.

10. Experimentos de Anlisis de Varianza


El anlisis de varianza (ANOVA) es en realidad un conjunto de tcnicas, cada uno
de los cuales se basa en un modelo de cmo se generaron los datos y culmina en
pruebas que son slo apropiado para ese modelo en particular. Por lo tanto, es
importante identificar correctamente los experimentos de ANOVA, con el fin de
elegir las pruebas correctas. Se describirn los experimentos de ANOVA ms
comunes. Hay muchos otros, lo que pueden ser encontrados en los libros de texto
estndar, tales como estadsticas de Winer, Brown & Michels (1991).
En ANOVA, un factor es un conjunto de condiciones relacionadas o categoras.
Las condiciones o categoras que forman un factor se conocen como sus niveles,
a pesar de que, como en los factores cualitativos como gnero o de grupos
sanguneos, no hay un sentido en el que una categora se puede decir que ser
"superior" o "inferior" que el otro. Los trminos factor y el nivel son los
equivalentes, en el marco de ANOVA, a la variable independiente y el valor
respectivamente. Un factor puede ser o bien una verdadera variable independiente
o una caracterstica del participante, tal como el gnero, que 'manipulamos'
estadsticamente, mediante el muestreo de las personas de cada categoras del
conjunto. En ANOVA, las variables de los participantes son tratados exactamente
de la misma manera que VIs que estn siendo manipulados directamente por el
experimentador.

10.1. Factores entre los sujetos y dentro de los de


sujetos
Algunos factores son entre sujetos: es decir, el participante se prueba bajo una
sola condicin (es decir, en un nivel) del factor. El gnero es un ejemplo obvio.
Otros factores son dentro de los sujetos, es decir, el participante se prueba en
todas las diferentes condiciones (niveles) que constituyen el factor. Un
experimento con un factor de dentro de los sujetos tambin se dice que tiene
medidas repetidas en ese factor.
Volviendo al experimento ms simple de drogas de dos grupos, en el que el
rendimiento de una grupo experimental (frmaco) se compara con la de un grupo
de control (placebo), tenemos un factor tratamiento (Condicin de Drogas), que
comprende dos condiciones o niveles: Drogas Presentes y Ausentes. Debido a
que diferentes participantes realizan el experimento bajo diferentes condiciones,
se trata de un experimento entre sujetos. En caso de que el deseo del
investigador para estudiar la eficacia de ms de un medicamento, el rendimiento
de dos o ms grupos de los participantes en los diferentes frmacos podra ser
comparado con la de los controles. En eso caso, todava sera un factor
tratamiento, pero con tres o ms niveles (vase la Tabla 8 A).
Tabla 2 Experimentos entre y dentro de sujetos con un factor de tratamiento
cuatro niveles
(A) Un factor entre sujetos experimentales
Niveles del factor droga
Control
Participantes Grupo 1

Drogas A

Droga B

Droga C

Grupo 2

Grupo 3

Grupo 4

(B) Un factor dentro de sujetos experimentales


Niveles del factor formas
Crculo

Cuadrado

Tringulo

Diamante

Participantes Los mismos participantes realizan con las cuatro formas

Supongamos ahora que otro investigador desea probar la hiptesis de que las
palabras presentado en el hemicampo visual derecho se reconocen ms
rpidamente que las que se presentan en el hemicampo izquierdo. A cincuenta

participantes se les presenta palabras en el hemicampos izquierdo y a derecho y


sus tiempos de respuesta se registran. En este experimento (como en el
experimento de drogas), hay un factor de tratamiento (en este ejemplo,
Hemicampo de presentacin) que comprende dos niveles (condiciones), campo
Izquierda y campo derecho. Pero los mismos participantes realizan en ambas
condiciones. Este diseo experimental se dice que es dentro de sujetos, o tener
medidas repetidas en el factor hemicampo.
En el caso general de un factor, experimento dentro de sujetos, el factor est
integrado por tres o ms condiciones de tratamiento, o niveles, y cada participante
llevar a cabo el experimento en todas las condiciones. Por ejemplo, para probar la
hiptesis de que la precisin con la que un participante dispara a un objetivo
depende de la forma de permetro del objetivo, cada participante es probado a
objetivos con forma circular, cuadrada, triangular y de diamante. Aqu el factor de
forma tendra cuatro niveles: crculo, cuadrado, Tringulo y diamante (Tabla 8 B).

10.2. Diseos factoriales: experimentos entre y


dentro individuos
Adems de los efectos de diferentes frmacos sobre los participantes (frescos), un
investigador podra tambin investigar sus efectos sobre los que han estado
voluntariamente sin dormir durante veinticuatro horas. En consecuencia, un
experimento est diseado como se muestra en la Tabla 2, lo que demuestra dos
factores: Estado (Fresco, Cansado); Frmaco (Medicamento A, Medicamento B).
un experimental diseo con dos o ms factores que se conoce como un diseo
factorial.
Tabla 3 Experimento factorial de dos factores entre sujetos

Niveles del factor de Estado

10.2.1.

Niveles del factor de Drogas


Droga A

Droga B

Fresco

Grupo 1

Grupo 2

Cansado

Grupo 3

Grupo 4

Experimentos factoriales entre los sujetos

Observe que en la Tabla 9, las diferentes muestras de participantes realizan en


las cuatro co Dentro de los sujetos experimentos factorialesmbinaciones de los
dos factores de tratamiento. Dado que cada participante se prueba una sola vez,

se dice que este tipo de experimento es un diseo factorial entre sujetos. Tambin
se puede describir que tienes dos factores con medidas no repetidas.

10.2.2. Experimentos
sujetos

factoriales

dentro

de

los

La Tabla 10 muestra otro tipo de experimento factorial.


Tabla 4 Un experimento factorial de dos factores dentro de los sujetos
Niveles del
factor forma:

Tringulo

Niveles del
factor color:

Azul

Cuadrado
Verde

Azul

Verde

Los mismos participantes realizan en todas las cuatro


combinaciones de forma y color

Participantes

Al igual que antes, hay dos factores, que en este caso son:
1. Forma de destino (tringulo, cuadrado);
2. El color del destino (azul, verde).
Esta vez, sin embargo, cada participante se pone a prueba tanto a nivel de cada
factor. Este tipo de diseo factorial se conoce como experimento factorial dentro
de sujetos. El experimento de la Tabla 10 se puede decir que han repetido las
medidas de ambos factores.

10.2.3. Experimentos factorial mixto o de parcela


dividida
Supongamos que, adems de los efectos de color, el experimentador desea
probar la hiptesis de que los hombres y las mujeres difieren en el color con el que
son ms precisos (Tabla 4).
Tabla 5 Experimento factorial mixto: un factor entre sujetos (gnero) y uno dentro
de sujetos (color)

Nivel del factor gnero

Nivel del factor color


Rojo

Azul

Hombres Cada participante prueba con objetivos de rojo y azul


Mujeres Cada participante prueba con objetivos de rojo y azul
Una vez ms, hay dos factores:

1. El gnero (masculino, femenino);


2. El color del destino (rojo, azul).
El primer factor es entre sujetos; pero el segundo factor est dentro de sujetos, ya
que cada participante dispara tanto en el blanco rojo y el azul. Los experimentos
factoriales con una mezcla de entre los sujetos y dentro de los factores de los
sujetos se les conoce como experimentos factoriales mixtos (o parcelas divididas).

10.2.4.

Diagrama de flujo para ANOVA

Los experimentos factorial de ANOVA entre los sujetos, dentro de los sujetos y
mixto (o de parcelas divididas) se basa en diferentes modelos de datos, y
requieren diferentes pruebas. La presencia un factor de dentro de sujetos (o
medidas repetidas) en de los resultados del experimento en la recoleccin de
muestras relacionadas (en lugar de independientes) de datos, da lugar a
importantes implicaciones para el clculo de las razones F. El Diagrama 3 ofrece
algunas pautas para la eleccin del ANOVA correspondiente o su equivalente no
paramtrico (si lo hay).
Para utilizar el Diagrama 3, comienzan en el cuadro de salida y considerar cuntos
factores hay en el experimento. Si hay dos o ms factores, trabajar por el lado
derecho de la grfica. Si hay slo un factor, trabajar por el lado izquierdo.

10.2.5. El anlisis de los


experimentos de un factor

resultados

de

los

El Diagrama 3 resume las decisiones que conducen a la correcta eleccin del


modelo de ANOVA para un experimento con un solo factor. El de un factor entre
sujetos ANOVA es a menudo llamado el ANOVA de una va. El factor dentro de
los sujetos ANOVA (a veces llamada por los sujetos tratamientos o bloques
aleatorios ANOVA) se describe en ms tarde. El de un factor dentro de sujetos
ANOVA (a veces llamado sujetos por tratamientos o de bloques al azar ANOVA) se
describe ms adelante.

10.2.6. El caso de slo dos condiciones: Equivalencia


de las pruebas t y ANOVA
Le test de ANOVA de una via se ilustra con los mismos datos experimentes que
fueron utilizados para ilustrar el uso de las pruebas de la t. Una pregunta natural,
por lo tanto, es si, en este caso especial, las pruebas t independientes y
relacionados llevaran a la misma decisin sobre la hiptesis nula al igual que la
de un solo sentido y dentro de los sujetos ANOVA, respectivamente. De hecho, lo
hacen.

10.2.7. Una alternativa a la de ANOVA una va: El


test de prueba de Kruskal-Wallis
Hasta ahora, hemos estado considerando el uso de alternativas no paramtricas
para pruebas t. Para los conjuntos de datos que comprenden ms de dos
conjuntos de mediciones, sin embargo, tambin hay pruebas no paramtricas
equivalentes. La prueba de test de k-muestra de Kruskal-Wallis es equivalente a la
de una va ANOVA: es apropiado para muestras independientes de las
puntuaciones.

10.2.8. Muestras independientes de datos nominales


dicotmicas
Supongamos que una muestra de participantes se dividieron aleatoriamente en
tres grupos de igual tamao: dos grupos experimentales (Grupo A y Grupo B) y un
Grupo de Control. Cada participante se prueba con un problema, si pasa se anota
1, y un 0 si no. Con el conjunto de datos nominales resultantes, una prueba de
chi-cuadrado para la asociacin puede ser utilizada para probar la hiptesis nula
de que, en la poblacin, no hay una tendencia a que el problema sea resuelto con
ms frecuencia en alguna condiciones que en otra.

10.2.9. Datos ordinales correlacionadas: La prueba


de Friedman
Supongamos que veinte personas ordenan diez pinturas en orden de preferencia,
cada persona asigna a su pintura 1 a la de mayor preferencia y 10 a la de menor,
respectivamente. Esta operacin dar lugar a diez muestras relacionadas de
datos, cada muestra, que comprende las filas asignadas a una pintura de los
veinte evaluadores. Hay una tendencia a que algunas pinturas para recibir los
rangos ms altos que otros? Una prueba adecuada para este tipo de datos es la
prueba de Friedman.

10.2.10. Tres o ms conjuntos de datos nominales


dicotmicos correlacionados: prueba Q de Cochran
Supongamos que cada persona en un experimento se prueba en todas las
condiciones, y que un 1 se registra para un desempeo exitoso en una condicin
dada y un 0 en caso contrario. Esta es una de un factor, dentro de los sujetos
experimento, que ha producido muestras relacionadas de datos nominales.
Diagrama 3 sugiere que una prueba adecuada de la hiptesis nula de ninguna
diferencia en el rendimiento entre las condiciones es la prueba Q de Cochran.

10.2.11. El anlisis de los


experimentos factoriales

resultados

de

los

El Diagrama 3 muestra que para cada uno de los tres tipos de experimento
factorial se describen aqu, hay un ANOVA especial, que es apropiado para ese
tipo nico experimento.

10.3. Medicin de la fuerza asociacin entre las


variables
Tienden los padres altos a tener hijos altos, los padres bajos a tener hijos bajos y
padres de estatura media tener hijos de mediana estatura? Esta pregunta es una
de una asociacin estadstica entre las dos variables Altura del Padre y Altura del
Hijo. Para responder a la pregunta, lo que se necesita es un conjunto de datos que
comprende las alturas de una muestra sustancial de los padres y las de sus hijos
(en primer hijo).

10.3.1. Diagrama de flujo para la seleccin de un


ensayo adecuado para la asociacin
El Diagrama 4 describe las preguntas que uno necesita responder para tomar una
decisin sobre una medida apropiada de la asociacin.
Diagrama 4. Diagrama de flujo que muestra mediadas de asociacin
Inicio

Coeficiente de
correlacin de
Pearson

Medida

Ordinal
Data?

Rango de
correlacin de
Spearman
Estadstica de
kendall tau

Nominal

Dos

Test de Chi
cuadrado para
asociacin en dos
vas de tablas de
contingencia

Cuntas
variables?

Ms de dos

Anlisis de log
lineal de mltiples
entradas de tablas
de contingencia

Comenzar con la caja de entrada considerar si los datos son mediciones o son
datos ordinales. Si las dos variables son en forma de mediciones, una correlacin
de Pearson debe ser considerado. Sin embargo, hay circunstancias en las que la
correlacin de Pearson puede ser muy engaosa. Es esencial examinar los datos
antes de proceder para obtener el coeficiente de correlacin.

10.3.2.

Medicin de la asociacin de datos ordinales

Ahora supongamos que pedimos dos jueces para clasificar veinte pinturas en
orden de preferencia. Tendremos un conjunto de datos que consta de veinte pares
de filas. Estn de acuerdo los jueces? Una vez ms, nuestra pregunta es una de
una asociacin estadstica. Sin embargo, ya que los datos son ordinales, un rango
de correlacin es una estadstica apropiado utilizar. Hay dos tipos de rango de
correlacin: 1. Correlacin de Spearman; 2. La estadstica de tau de Kendall.

10.3.3. Medicin
de
la
asociacin
nominales: Las tablas de contingencia

en

datos

Supongamos que Juan dice poseer poderes telepticos. De acuerdo con ello, en
un experimento diseado para probar su afirmacin, un experimentador lanza una
moneda 100 veces, y Juan, sentado detrs de una pantalla, establece, en cada
ocasin, si la moneda se ha convertido cara o cruz. La Tabla 5 presenta los
resultados del experimento en lo que se conoce como una tabla de contingencia,
una matriz diseada para mostrar la asociacin (si los hay) entre las variables
cualitativas.
Tabla 6 Una tabla de contingencia
Experimento de lanzamiento
Conjeturas de Juan

Cara (C)

Cruz (X)

45

38

La presencia de una asociacin puede ser confirmada mediante una prueba de


Chi-cuadrado. Como el valor de la estadstica de Chi-cuadrado depende en parte
del tamao de la muestra, no es adecuado como una medida de fuerza de
asociacin entre dos variables cualitativas. El Diagrama 4 da nombres de dos
estadsticas que miden la fuerza de asociacin entre variables cualitativas: V de
Cramer y el coeficiente phi.

10.3.4. Tablas de contingencia de varias vas o


entradas
En las ltimas tres dcadas se han producido avances espectaculares en el
anlisis de los datos nominales en forma de tablas de contingencia de varias vas.
Anteriormente, las tablas con tres o ms atributos a menudo 'se derrumb' para
producir tablas de doble entrada. La prueba de chi-cuadrado habitual podra
aplicarse entonces. Tal 'colapso', sin embargo, est lleno de riesgos, y las pruebas
pueden dar resultados muy engaosos. El advenimiento de anlisis lineal
logartmico moderno ha hecho posible desentraar las relaciones entre los
atributos de una manera que antes no era posible.

10.4. Prediciendo resultados o pertenencia a una


categora
Si existe una asociacin entre las variables, es natural preguntarse si esto puede
ser utilizado para predecir las puntuaciones en una variable a partir del
conocimiento de las estas a otra. Tal prediccin es de hecho posible, y los
mtodos mediante los cuales se logra esto se revisarn brevemente en esta
seccin.
Tambin hay circunstancias en las que uno no deseara predecir valores en
variable, pero si la pertenencia a una categora de una variable cualitativa.
ejemplo, es de inters mdico y actuarial para poder asignar individuos a
categora de "en riesgo" sobre la base de sus hbitos de fumar y beber.
tcnicas estadsticas han sido especialmente creadas para este fin.

una
Por
una
Las

El propsito de los mtodos revisados aqu es predecir un objetivo, o variable


criterio (el trmino variable dependiente tambin se utiliza en este contexto) a
partir de resultados de las otras variables, conocidas diversamente (dependiendo
del contexto) como regresores, predictores, las variables independientes, y
covariables. Los predictores no siempre tienen que ser variables cuantitativas:

variables cualitativas, como el gnero y grupo sanguneo, a menudo se incluyen


entre las variables predictoras en la investigacin de este tipo.

10.4.1. Diagrama de flujo


procedimiento
adecuado
resultado o una categora

para seleccionar el
para
predecir
un

Para utilizar el diagrama de flujo (Diagrama 5) y seleccionar el procedimiento de


prediccin adecuado, comenzar en el caja de inicio y considerar si la variable
objetivo es cualitativa (por ejemplo, un conjunto de categoras tales como la
Validacin o No) o cuantitativos (por ejemplo, calificaciones de los exmenes).

Diagrama 5. Diagrama de flujo que muestra los procedimientos para la prediccin


Comienzo

Cuantitativo

Es la variable
objetivo cualitativo
o cuantitativo?

Cualitativo

Cuntos
regresores?
Dos

Ms de
dos

Anlisis
discriminante
Regresin
logstica

Regresin
bivariada simple

Regresin
mltiple

Comience en el cajn de entrada y considerar el propsito de la prueba. Si se trata


de poner a prueba de bondad de ajuste, mueva hacia abajo al lado izquierdo de la
tabla. Si se trata de estimar la media poblacional o su rango probable, mover hacia
abajo el lado derecho. La siguiente consideracin es la naturaleza de los datos:

diferentes tipos de datos requieren diferentes pruebas. Si la variable


cuantitativa, un mtodo de regresin debe ser considerado. En
simple, hay un predictor; en la regresin mltiple, son dos o ms.
criterio es cualitativo, las tcnicas de anlisis discriminante
logstica deben ser considerados.

10.4.2.

de destino es
la regresin
Si la variable
y regresin

La regresin simple

En algunas universidades, las autoridades estn interesadas en la prediccin de


un promedio de calificaciones de los estudiantes despus de un ao de estudio a
partir de los resultados que lograron en las pruebas de aptitud e inteligencia
cuando se matricularon. Supongamos que, dada la puntuacin aptitud verbal del
estudiante durante su matriculacin, queremos predecir el promedio de
calificaciones del mismo estudiante un ao ms tarde. Este es un problema en la
regresin simple.

10.4.3.

Regresin mltiple

El promedio de calificaciones de un estudiante se asocia no slo con la aptitud


verbal, sino tambin con la capacidad numrica. Puede el promedio de
calificaciones predecir con mayor precisin tanto la capacidad verbal y la habilidad
numrica se tienen en cuenta? Este es un problema en la regresin mltiple. Si el
promedio de calificaciones se correlaciona tanto con aptitud verbal y numrica,
regresin mltiple producir una prediccin ms precisa de promedio de
calificaciones de un estudiante que va a una regresin simple en cualquiera de los
dos regresores considerados por separado.

10.4.4. La prediccin de la categora de miembros: El


anlisis discriminante y regresin logstica
Dos tcnicas estadsticas diseadas para ayudar al usuario a hacer predicciones
de pertenencia a una categora son el anlisis discriminante y regresin logstica.
En los ltimos aos, la regresin logstica, siendo una tcnica algo ms robusta
que el anlisis discriminante, se ha convertido en el mtodo preferido.

10.5. Pruebas de una muestra


La mayora de la investigacin psicolgica implica la recogida de dos o ms
muestras de datos. Esto no es en absoluto siempre cierto, sin embargo: a veces el
investigador dibuja una sola muestra de observaciones con el fin de estudiar una
sola poblacin. Las situaciones en las que uno podra usar una prueba de una
muestra son de dos tipos principales:

1. Uno puede desear comparar una distribucin de la muestra con una


distribucin hipottica, como la normal. Se trata de una cuestin de la bondad
del ajuste.
2. Uno puede desear hacer inferencias sobre los parmetros de una sola
poblacin de las estadsticas de una muestra, ya sea con el fin de determinar si
la muestra es de una poblacin conocida o estimar los parmetros de una
poblacin desconocida.

10.5.1. Diagrama de flujo para la seleccin de la


prueba de una muestra apropiada
Diagrama 6 resume las circunstancias en las que un investigador podra hacer
varios tipos de pruebas de una muestra.

Diagrama 6. Diagrama de flujo para un test de una muestra


Inicio

Bondad de ajuste

Propsito
del test?

Encontrar la
media poblacional

Medicin
Qu tipo
de datos?
Medicin

KolmogorovSmirnov test
para bondad
de ajuste

Nominal

Dos categoras
Test binomial
Ms de dos categoras
Test de chi cuadrado
Para bondad de ajuste

T test una
muestra
Intervalo de
confianza
de la media

Comience en la caja de entrada y considerar el propsito de la prueba. Si se trata


de poner a prueba para una bondad de ajuste, mover hacia abajo al lado izquierdo
de la tabla. Si se trata de estimar la media poblacional o su rango probable, mover
hacia abajo el lado derecho. La siguiente consideracin es la naturaleza de los
datos: diferentes tipos de datos requieren diferentes pruebas.

10.5.2. Bondad de ajuste: Los datos en forma de


mediciones
Una pregunta acerca de una sola poblacin es a menudo uno asociado a la
bondad de ajuste: se ha extrado la muestra de una poblacin con una forma de
distribucin especfica? Supongamos, por ejemplo, que uno tiene una muestra de
las mediciones y desea saber si estos han sido extrados de una poblacin normal.
El Diagrama 6 muestra que la prueba de Kolmogorov-Smirnov es apropiado para
este propsito.

10.5.3.

La bondad del ajuste: Los datos nominales

Supongamos que un investigador quiere saber si los nios de 5 aos de edad,


muestran una preferencia por uno de los dos juguetes (A o B). Se anotan las
decisiones de 100 nios. Aqu la poblacin de opciones comprende (A o B) de los
5 aos de edad. De los cien nios en el estudio, 60 optan juguete A y 40 B.
juguete. La hiptesis nula establece que la probabilidad de elegir A (o B) es de 0,5:
ms formalmente, se establece que hemos muestreado 100 veces a partir de una
poblacin de Bernoulli con p = 0,5. Esta distribucin terica encaja nuestros

datos? El Diagrama 6 indica que una prueba binomial se puede utilizar para poner
a prueba esta hiptesis.
Si, en el ejemplo anterior, haba tres o ms juguetes para elegir, la prueba de chicuadrado para la bondad del ajuste se pueden utilizar para probar la hiptesis nula
de que los nios no tienen ninguna preferencia por ningn juguete en particular.

10.5.4. Las inferencias sobre la media de una sola


poblacin
Supongamos que queremos saber si el rendimiento de un grupo de escolares en
una prueba estandarizada es tpico al grupo de esa edad. El Diagrama 6 muestra
que una prueba t se puede utilizar para probar la hiptesis nula que la poblacin
tiene el valor "poblacional" putativo. A menudo, el investigador est trabajando con
una prueba no estandarizada, puede que no sea posible especificar cualquier
hiptesis nula. Supongamos que un profesor desea cerciorarse sobre la velocidad
de reaccin tpica de los estudiantes de primer curso de la universidad. El profesor
puede tener datos sobre, por ejemplo, doscientos estudiantes de primer ao; pero
la pregunta de investigacin, siendo las velocidades de reaccin de los
estudiantes de primer ao en general, se refiere de los tiempos de reaccin de la
poblacin. La media de la muestra es una estimacin puntual de la media de
poblacin desconocida. La distribucin t tambin se puede utilizar para construir
un intervalo de confianza alrededor de la media de la muestra, de modo que el
investigador tiene un intervalo de valores dentro del cual se encuentra el
verdadero valor de la poblacin.

10.5.5. Datos nominal: Prueba de una moneda para


la equidad
Cuando echamos una moneda de un gran nmero de veces para determinar su
equidad, se obtiene una muestra de la poblacin (infinita) de este tipo de
lanzamientos. Podramos encontrar que la moneda se present cara 58 de 100
lanzamientos. Es la moneda "justa"?, es decir, en la poblacin, son las
frecuencias relativas de cara y cruz 0.5?
La prueba binomial se puede utilizar para probar la hiptesis de que la proporcin
de la poblacin es de (o, de hecho, cualquier otra proporcin especificada). Un
intervalo de confianza puede construirse tambin en la proporcin de la muestra
para dar un rango de valores dentro del cual podemos estar seguros de que la
verdadera proporcin de la poblacin corresponde.

10.6. Deteccin de variables latente: el anlisis


factorial
Supongamos que 500 personas se miden en veinte pruebas de capacidad. Es
probable que si las correlaciones entre cada prueba y cada otra prueba estn
dispuestas en una matriz de correlacin (R), habr correlaciones positivas
sustanciales entre las pruebas en la batera.
El anlisis de factores es un conjunto de tcnicas que, sobre la base de las
correlaciones en una matriz R, clasifican todas las pruebas en una batera en
trminos de nmero relativamente reducido de dimensiones o factores
subyacentes. El factor trmino tiene ms de un significado en las estadsticas,
debido a que ya se ha producido en el contexto del anlisis de la varianza
(ANOVA), donde se denota una variable independiente que se manipula
experimentalmente o estadsticamente por el experimentador. En realidad, los dos
significados no son tan dispares como podra a primera suponerse. Podra decirse
que los factores que emergen del anlisis de factores tambin son variables
independientes, ya que contribuyen a rendimiento en las pruebas de batera, que
por lo tanto pueden ser consideradas como variables dependientes. Sin embargo,
los elementos resultantes del anlisis factorial nunca pueden ser directamente
medidos o controlados por el investigador: son variables latentes.

10.7. Un comentario final


Hemos ofrecido algunos consejos acerca de las circunstancias en las que se
podra considerar el uso de pruebas estadsticas formales para apoyar la
afirmacin del investigador que lo que es cierto de un conjunto de datos en
particular que sea probablemente cierta en la poblacin. En este punto, sin
embargo, una palabra de advertencia es apropiada.

Las pruebas formales, modelos estadsticos y sus


supuestos
La realizacin de una prueba estadstica formal de importancia presupone siempre
la aplicabilidad de un modelo estadstico, es decir, una interpretacin (por lo
general en forma de una ecuacin) del conjunto de datos como si hubieran sido
generadas de una manera especificada. El modelo subyacente en la prueba t de
una muestra, por ejemplo, supone que los datos son de una poblacin normal.
Hasta cierto punto, las pruebas estadsticas han demostrado ser robusto a
moderada a las violacines de los supuestos modelos sobre los que se basan, es
decir, las tasas de error reales no son marcadamente diferentes de los valores
nominales. Pero hay lmites a esta robustez, y hay circunstancias en las que un
resultado, declarado por un usuario incauto que sea ms significativo, por ejemplo,

ms all de 0,05, en realidad puede haber sido considerablemente ms probable


que eso. No hay manera de evitar esta trampa que no sea primeramente mediante
la exploracin de los datos a fondo.

1.1.

El problema de investigacin

1.1.1.

Comparacin de medias

Con el fin de determinar si es ms fcil disparar a un blanco cuadrado que en un


blanco circular, haces que un grupo de sujetos para disparar unas cincuenta veces
a los blancos cuadrados y circulares. Cada persona tendr una puntuacin en el
intervalo de 0 a 50, inclusive. Quiere saber si la tasa de precisin es
normalmente mayor en un grupo que en el otro. Traduciendo en trminos
estadsticos, desea saber si la tasa de xito promedio es mayor para un objetivo
que para el otro: t pregunta de investigacin es la comparacin de medias. En
trminos de prueba estadstica, usted quiere una prueba estadstica que le dir si
la diferencia, en su conjunto de datos, que las tasas de xito de las personas al
disparar a blancos cuadrados y circulares es lo suficientemente grande para que
usted sea capaz de afirmar que si alguien fuera a repetir el experimento, ellos
encuentran una diferencia similar.

1.1.2.

Asociacin

Ahora suponga que desea saber si existe una tendencia a que los padres altos y
bajos puedan tener hijos altos y bajos respectivamente. En trminos estadsticos,
est preguntando si existe una asociacin entre las variables medidas de la altura
del padre y la altura del hijo.
Las respuestas a las preguntas de comparacin y de asociacin son
proporcionadas por muy diferentes pruebas estadsticas. Hay muchas otras
preguntas que se puede hacer acerca de un conjunto de datos. Por ejemplo, usted
puede estar interesado en la propagacin de las puntuaciones obtenidas bajo una
condicin en comparacin con otro. O tambin le puede interesar la secuencia de
las opciones de un sujeto. Estas preguntas, sin embargo, a menudo surgen en el
contexto de la investigacin que, bsicamente, ha sido diseado para comparar
las medias, o establecer la presencia de una asociacin.

10.7.1.

Diseo experimental

Las tcnicas de anlisis de varianza se emplean una vez que se han obtenido los
resultados de un experimento con el objeto de obtener tanta informacin como sea
posible, es necesario que primero se planee cuidadosamente el experimento; a
esto se le conoce como diseo del experimental.

10.7.1.1.

Objetivo de un diseo experimental

Determinar cules de las variables que tienen influencia en la variable de


respuesta.
Determinar el mejor valor de las variables controlables que influyen en la
respuesta, de manera que sta, tenga casi siempre un valor cercano al valor
nominal deseado.
Determinar la mejor combinacin de las variables controlables que ayuden a
reducir la variabilidad de la respuesta.
Establecer la combinacin optima de las variables controlables, con el objeto
de minimizar los efectos de las variables no controlables.

10.7.2.

La naturaleza de los datos

La eleccin de una prueba especfica depende de otras consideraciones aparte de


la pregunta de investigacin que motiv la consulta. Otra consideracin importante
al elegir una prueba estadstica es la naturaleza del conjunto de datos. En la
Seccin 3), se han descrito cuatro tipos de datos: proporcionales, intervlicos,
ordinales, y nominales/categoriales.
Estrictamente, slo la primera y la segunda categora incluye 'medidas', en el
sentido familiar del trmino; ambos se refieren a variables cuantitativas. Mientras
que todos los datos son numricos, en el sentido de que incluso las categoras
que constituyen una variable cualitativa se pueden asignar nmeros de cdigo
arbitrario, un dato nominal es meramente una etiqueta, no es una expresin del
grado al que se posee el atributo. Diferentes estadsticas son apropiadas para la
descripcin de los cuatro tipos de datos; y las pruebas formales correspondientes
tambin son diferentes.