FUNDAMENTOS CONCEPTUALES

DE LAS PRINCIPALES PRUEBAS DE

SIGNIFICACIN ESTADSTICA EN
EL AMBITO EDUCATIVO

AUTORES:
Clemente Rodrguez Sabiote
Jos Gutirrez Prez
Teresa Pozo Llorente

 Los autores
Edita: Grupo Editorial Universitario
ISBN:
Depsito Legal:
Imprime: Lozano Impresores S.L.L.
Distribuye: Grupo Editorial Universitario
Telf: 958 800580 Fax: 958 291615
http://www.editorial-geu.com
E-mail: grupoeditorial@terra.es
No est permitida la reproduccin total o parcial de esta obra, ni su tratamiento informtico, ni la
transmisin de ninguna forma o por ningn medio, ya sea electrnico, mecnico, por fotocopia, u
otros medios, sin el permiso previo y por escrito de los titulares del Copyright.

INDICE
Pag.
BASES CONCEPTUALES DE LOS PRINCIPALES CONTRASTES DE HIPTESIS
1. Introduccin
2. Anlisis inferencial
2.1. Aspectos generales del contraste de hiptesis.
2.2. Pruebas de significacin estadstica..
2.2.1. Principales pruebas de contraste de hiptesis de tipo paramtrico..
2.2.1.1. Pruebas relacionadas con la igualdad de medias de dos grupos...
2.2.1.2. Pruebas relacionadas con la igualdad de varianzas de dos o ms
grupos
2.2.2. Principales pruebas de contraste de hiptesis de tipo no paramtrico

5
7
8
8
14
18
18
24

Bibliografa.

59

33

PRIMERA PARTE:
Bases conceptuales
de los principales
contrastes de
hiptesis

El mtodo cientfico se caracteriza por:

a) una cuidadosa y precisa clasificacin de hechos
y observaciones, debidamente relacionadas e hiladas,
b) el descubrimiento de leyes cientficas por
medio de la imaginacin creativa,
c) el sentido de la autocrtica, como piedra angular de la
potencialidad innata que poseen todas las mentes para ejercitarla
(Pearson, 1911)

1. INTRODUCCIN
La Estadstica es una herramienta de reconocido valor al servicio de la
investigacin

educativa.

Mediante

los

procedimientos

estadsticos

se

construyen modelos de interpretacin del mundo, de los fenmenos naturales,

sociales y tambin educativos, basndonos en los principios en que se asienta
la lgica de su mtodo y las reglas de su lenguaje. La Estadstica trata de
formular generalizaciones con el mayor alcance posible dentro unos mrgenes
de error acordados. En cuanto a la lgica de su mtodo cabe afirmar que las
cosas no son verdaderas o falsas de forma categrica, pues nunca podemos
afirmar con rotundidad que nuestras conclusiones obtenidas en una
investigacin son correctas al 100%; hacemos afirmaciones y sacamos
conclusiones tras el anlisis de los datos asumiendo el riesgo de equivocarnos
1 de cada 100 veces o 1 de cada 20 veces. Evidentemente la posibilidad de
equivocarse en el primer caso es menor que en el segundo, la tolerancia del
error es mayor a medida que nuestras conclusiones cabe la posibilidad de que
sean falsas con un mayor margen de error.
En cuanto a las reglas de su lenguaje, decimos que las cosas son
probablemente ciertas y, por tanto, las conclusiones a las que se llega en las
investigaciones se basan en afirmaciones probabilsticas y nunca en verdades
taxativas. Estas afirmaciones permiten establecer generalizaciones, asumiendo
un riesgo de error ms tolerante o ms exigente, sobre el total de la poblacin
objeto de estudio; aun a sabiendas de que los datos se han recogido no sobre
el total sino sobre muestras representativas del total a las que hemos aplicado
las reglas y que con las licencias del lenguaje hacemos inferencias y decimos
que es muy probable que esas afirmaciones sean vlidas tambin para toda la
poblacin.
La Estadstica Inferencial aplica estos modelos de razonamiento lgico y
estas reglas de lenguaje para formular conclusiones generalizables a la
poblacin mediante el establecimiento de conjeturas e hiptesis basadas en
7

pruebas matemticas de distinta naturaleza que hacen posible aceptarlas como

afirmaciones vlidas dentro de unos mrgenes de confianza.
Cuando el inters del anlisis de datos se centra en la verificacin de
hiptesis a fin de denotar posibles efectos diferenciales y, adems, en las
relaciones de interdependencia y dependencia que mantienen un conjunto de
variables podemos hablar de anlisis confirmatorio. Precisamente uno y otro
objetivo dan lugar a los dos grandes bloques del anlisis confirmatorio: anlisis
inferencial y multivariante. En este cuaderno de tratarn slo diversos aspectos
del primero (anlisis inferencial) haciendo hincapi en las principales pruebas
de tipo paramtrico y no paramtrico. Por tanto, se trata de un material de
apoyo que complementa, por una parte los contenidos de anlisis de datos que
se desarrollan de manera manual y, por otra, el primer cuaderno dedicado al
anlisis descriptivo.

2. ANLISIS INFERENCIAL
2.1. Aspectos generales del contraste de hiptesis
El propsito fundamental de los anlisis estadsticos de tipo inferencial
es el conocimiento de poblaciones a partir del estudio de muestras o
subconjuntos representativos y suficientes de dichas poblaciones (Fernndez,
Garca, Fuentes y Asensio, 1992; Tejedor y Etxeberria, 2006).
En este tipo de anlisis, amn de la probabilidad, el muestreo y la
estimacin de parmetros (de tipo puntual e interval) destaca el importante
papel que juegan los contrastes de hiptesis. Para Martn (2001:9) los trminos
contraste de hiptesis son sinnimos de pruebas de significacin y se
refieren a los procedimientos estadsticos mediante los cuales aceptamos o
rechazamos una hiptesis nula (Ho) lo que automticamente nos habilita para
rechazar o aceptar otra hiptesis denominada hiptesis alternativa (H1).
Mientras la primera postula la ausencia de diferencias estadsticamente entre
dos medidas o ms (las que existen se deben al azar), la segunda postula todo
lo contrario, o sea, la existencia de diferencias estadsticamente significativas
entre dos o ms medidas.

Teniendo en cuenta que una hiptesis es una relacin potencial entre dos o
ms variables, por ejemplo, los alumnos que utilizan calculadora de bolsillo
obtienen un mayor rendimiento acadmico que aquellos que no lo hacen,
podemos afirmar que el contraste de hiptesis es el procedimiento que nos
permite verificar y confirmar si esa relacin potencial es verdadera o no y con
qu margen de error. A continuacin explicitamos otro ejemplo ms actual para
tratar de comprender mejor el concepto de contraste de hiptesis.

Por ejemplo, un estudiante de doctorado ha recogido datos sobre el fenmeno del botelln en Granada. Le
interesa, tomando como objeto de estudio varias Facultades, determinar el grado de acuerdo que tienen los
estudiantes universitarios sobre este tipo de eventos tomando en consideracin diferentes variables de
agrupacin: titulacin, curso En este caso, resultara til comparar si la variable opinin sobre este tipo de
eventos resulta ms o menos importante dependiendo de la titulacin a la que pertenece el alumnado, el
curso en el que est

Foto extrada de: www.ideal.es/granada/Media/200703/05/botellon

Siguiendo un procedimiento sistemtico de muestreo en las diferentes Facultades, el estudiante de
doctorado podr obtener unas conclusiones sobre la participacin y la opinin que podr generalizar al
conjunto de la poblacin estudiantil de universitarios granadinos. Para ello deber establecer una serie de
hiptesis que finalmente le han de permitir establecer sus conclusiones con un mayor grado de precisin.
En trminos generales, sus formulaciones hipotticas sobre el botelln pueden establecerse en los trminos
siguientes: Los universitarios estn a favor del botelln, los universitarios estn en contra del botelln. Pero
los matices sobre esta formulacin pueden expresarse con ms precisin: Hay diferencias entre los alumnos
de la Facultad A y los de la Facultad B. De igual forma se pueden establecer aproximaciones al tema
teniendo en cuenta la variable sexo: No hay diferencias en la opinin de los estudiantes y estudiantas
universitarios sobre el fenmeno botelln. O bien en funcin de la variable curso, lugar de residencia
(Granada, no Granada; pueblo, ciudad).
Un anlisis exhaustivo de esta serie de variables nos permitira entender el fenmeno ms ampliamente,
aunque para generalizar los resultados a toda la poblacin universitaria deberamos contar con una muestra
de todo el pas.

Por otra parte, existe un consenso ms o menos extendido a la hora de

formular dichas hiptesis, que se resume de la siguiente forma.

Hiptesis nula (Ho): no se postulan diferencias estadsticamente significativas entre las medidas y si las hay se deben al azar.

Bilateral:
Contraste con una muestra (Ho): = k
Contraste con ms de una muestra (Ho): 1 = 2 o tambin 1 - 2 = 0

Unilateral:
Contraste con una muestra (Ho): k o tambin (Ho): k
Contraste con ms de una muestra Ho): 1 2 y tambin H1): 1 2

Hiptesis alternativa (H1):

Bilateral: se postulan diferencias estadsticamente significativas entre las medidas, pero se desconoce a favor de cual de ellas:
Contraste con una muestra (H1): k
Contraste con ms de una muestra (H1): 1 2 o tambin 1 - 2 0

Unilateral: se postulan diferencias estadsticamente significativas entre las medidas y, adems, se contemplan a favor de alguna de
ellas:
Contraste con una muestra: (H1): < k o tambin (H1): > k
Contraste con ms de una muestra H1): 1 < 2 o tambin 1 > 2

Cuadro 1. Formulacin convencional de las hiptesis estadsticas

En el desarrollo del proceso de contraste de hiptesis es igualmente

relevante el nivel de significacin, error tipo I o (rechazar una Ho cuanto sta
es verdadera) que se asume en el mismo, as como el nivel de confianza (1-).
Los valores habituales asumidos para los errores son el 10%, menos usado y,
sobre todo, 5% y 1%, siendo por ende, los niveles de confianza del 90%, 95%
y 99%.
Tambin destacamos el error tipo II o (no rechazar una Ho cuando
sta es falsa) y la potencia de contraste (1-). Todos estos aspectos quedan
esquemticamente reflejados en la siguiente tabla:
Decisiones respecto a
Ho
H0 rechazada
H0 no rechazada

H0 cierta

H0 falsa

Error tipo I ()

Decisin correcta
Potencia de contraste (1-)

Decisin correcta
Nivel de confianza
(1-)

Error tipo II ()

Tabla 1. Situaciones de un contraste de hiptesis y posibles decisiones

Como podemos apreciar en la tabla anterior (tabla 1) el proceso final del
contraste de hiptesis es un resultado que sirve para aceptar o rechazar la
10

hiptesis nula con un cierto grado de error. Este resultado se denomina valor
emprico o terico y se compara con un valor crtico o tabular (valores de tabla)
asumiendo un determinado nivel de error (generalmente 5% o = 0.05) y en
algunas ocasiones unos determinados grados de libertad. La norma general, es
que si el valor emprico de la prueba calculada (el que se produce como
resultado de aplicar una expresin matemtica) es menor que el crtico se
acepta la hiptesis nula, ya que entrara dentro de la regin de aceptacin de la
misma.

Grfico 2. Zonas de aceptacin de Ho con un = 0.05/2, es decir, bilateral.

Sin embargo esta receta slo funciona cuando el contraste es
unilateral, es decir, cuando el error asumido se sita en una sola cola de la
curva, exactamente la derecha. Por esa razn, es posible encontrar
numeradores de expresiones de clculo de contrastes de hiptesis donde la
diferencia entre parmetro y estadstico ( media de poblacin media de
muestra x) o entre dos medias muestrales (x1 x2) se muestra en valor
absoluto a fin de evitar una situacin como la que vamos a describir a
continuacin.

11

Ejemplo 1: Una educadora ha comparado el rendimiento en matemticas de los

grupos de maana y tarde. Para ello ha utilizado una prueba de contraste de
hiptesis determinada (por ejemplo T de Student para grupos grandes e
independientes) habiendo obtenido un resultado Z (emprica) = -2.

Si el contraste es unilateral derecho asumiendo un = 0.05 (5%) el criterio

Valor emprico < Valor crtico sera vlido ya que:

-2

1,64

Evidentemente Z (emprica) es menor que Z (crtica) razn por la cual se

acepta Ho. Pero imaginemos que el contraste fuese bilateral (con dos colas).
En ese caso ocurrira lo siguiente:

12

-2

1,96

As pues, aunque Z (emprica) es menor que ambas Zetas (crticas) no

se puede aceptar Ho, ya que 2 cae fuera del rea de aceptacin de la
hiptesis nula. Ello no hubiera ocurrido si en el numerador de la expresin
utilizada en el contraste se hubiese utilizado valor absoluto en la diferencia de
medias.

En conclusin se pueden utilizar dos estrategias para una correcta

decisin en una situacin de contraste bilateral:
1) Utilizar en el numerador de la expresin de diferencias entre medidas el
valor absoluto.
2) Considerar que todo valor emprico que se salga fuera de la regin de
aceptacin de la hiptesis nula, bien por encima o por debajo, implicar la
aceptacin de la hiptesis alternativa.

Como puede apreciarse se han manejado distintos valores de

puntuaciones zetas crticas. Tomando como referencia la lateralidad de la
prueba (unilateral o bilateral), as como los distintos riesgos o alfas
habitualmente asumidos (10%, 5% y 1%), podemos establecer diferentes
valores crticos para las puntuaciones zeta:

13

Riesgo
Lateralidad

10%

5%

1%

Contraste unilateral

1,28

1,64

2,33

Contraste bilateral

1,64

1,96

2,58

Tabla 2. Valores crticos para las puntuaciones zeta, segn la lateralidad y el

error alfa asumido.
2.2. Pruebas de significacin estadstica
Existen dos grandes grupos de pruebas de significacin estadstica, el
referido a las paramtricas y el relacionado con las no paramtricas con rasgos
distintivos que las caracterizan. Los ms importantes son el cumplimiento o
incumplimiento de determinados supuestos (normalidad, homoscedasticidad e
independencia), as como el nivel de escala de medida (ordinal, nominal,
intervalo o de razn) de las variables y, finalmente, el nmero de sujetos que
conforman el estudio (muestra).

Las pruebas de tipo paramtrico estn sometidas a determinadas

condiciones de aplicacin, normalmente: normalidad, homoscedasticidad e
independencia (Tejedor, 1999).

Con Ximnez y San Martn (2000: 31) entendemos por normalidad el

ajuste de los datos, en mayor o menor medida, a la curva normal; por
independencia el que las n observaciones hayan sido aleatoriamente
extradas y sean independientes entre s; y por homoscedasticidad que las
varianzas de las distribuciones intervinientes sean homogneas.
Las pruebas de tipo no paramtrico por el contrario no estn sometidas a
determinadas condiciones de aplicacin y son, pues, adecuadas cuando se
incumple alguno de los criterios previstos para las pruebas de significacin de
tipo paramtrico.
Antes de proponer un catlogo sobre algunos de los diferentes tipos de
pruebas de significacin que podemos encontrar hacemos referencia a las

14

distintas tcnicas y estrategias de verificacin de los supuestos paramtricos.

Con Tejedor (1999) contemplamos, entre otros, los siguientes:
SUPUESTO

Normalidad

Homoscedasticidad

Independencia

TCNICA/ESTRATEGIA
Representaciones grficas: histograma con
curva normal, grfico P-P o de proporciones,
grfico Q-Q o de cuantiles
Valores de asimetra y apuntamiento
Constraste de Shapiro y Wilk
Contraste de
Contraste
de
Kolmogorov-Smirnov
con
correccin de Lilliefors
Contraste de Bartlett
Contraste de Lehman
Contraste de Hartley
Contraste de Cochran
Contraste de Levene
Prueba
con
los
logaritmos
de
las
cuasivarianzas (para ANOVA)
Coeficiente de correlacin serial de separacin
1 (prueba de autocorrelacin)
Contraste de rachas

Tabla 3.
Tcnicas y estrategias para verificar los distintos supuestos
paramtricos
Finalmente, proponemos una serie de pasos para implementar una
prueba de significacin estadstica en el campo educativo, bien sea de forma
manual o informatizada:
1. Exposicin (formulacin) de las hiptesis estadsticas: nula y alternativa.
2. Establecimiento de un nivel de significacin alfa o error.
3. Clculo de la probabilidad de que nuestros resultados puedan haberse
obtenido bajo la hiptesis nula (Ho):
3.1. Seleccin de la prueba estadstica adecuada, dependiendo de la escala de
medida de las variables del estudio, el nmero de participantes en el mismo...
3.2. Ejecucin de la prueba, bien mediante estrategia manual o informatizada.
4. Toma de decisiones teniendo en cuenta que:
4.1. Si el valor obtenido tras la aplicacin de la prueba se encuentra localizado
en la regin de aceptacin de la hiptesis nula se acepta dicha hiptesis, si por
el contrario cae fuera de dicha regin, bien por debajo o por encima se acepta
la hiptesis alternativa.

15

4.2. Si la implementacin es informatizada podemos fijarnos en el valor

obtenido tras la aplicacin (valor emprico o terico) y compararlo con los
valores crticos o tabulares. Una estrategia ms rpida consiste en centrar
nuestro inters en el valor-p de probabilidad obtenido en la salida del programa
informtico utilizado: la frmula usual es que todo valor con una p 0,05
implica la aceptacin de la hiptesis alternativa, mientras una p > 0,05 el
rechazo de la misma, o lo que es lo mismo, la aceptacin de la nula.
5. Conclusiones de tipo estadstico y educativo.

Dichos pasos pueden resumirse a travs del siguiente cuadro organizado a

modo de mapa conceptual.

Figura 1. Proceso de desarrollo de un contraste de hiptesis. Elaboracin

propia.

16

Obtener una probabilidad p0,05 significa que tenemos un 5% de

probabilidades de error en las conclusiones, por lo cual la probabilidad que
equivocarnos es baja. En definitiva, y antes de pasar a los distintos tipos de
pruebas de contrastes de hiptesis, podemos afirmar que la significacin
estadstica (SE) hace referencia a la cuestin tendente a determinar
estadsticamente si un valor o resultado obtenido de una muestra es poco
probable, de modo que no puede explicarse por la fluctuaciones propias de
esta muestra en cuestin. En este caso, las conclusiones pueden ser
extensibles a la poblacin de la cual deriva la muestra, dando el basamento de
rechazo de la hiptesis nula.

Las pruebas de significacin estadstica que presentamos en la presente

obra son algunas de las que mostramos en la siguiente tabla (tabla 4) no sin
antes advertir al lector que en la literatura sobre anlisis de datos se
contemplan muchas ms tcnicas obviadas por razones de espacio. Para una
informacin ms detallada, y en relacin al campo educativo, pueden
consultarse las obras de Gil, Rodrguez y Garca (1995), as como la ms
reciente de Tejedor y Etxeberria (2006).

PRUEBAS PARAMTRICAS

PRUEBAS NO
PARAMTRICAS

Pruebas relacionadas con la media de una

poblacin

Prueba Z (N>30)

Prueba T (N30)
Pruebas relacionadas con la igualdad de
medias de dos grupos

Prueba Z (N>30)

Prueba T (N30)
Pruebas relacionadas con la igualdad de
varianza de dos o ms grupos

ANOVA simple
Para una sola muestra

Prueba de Kolmogorov-Smirnov

Prueba de Ji cuadrado ()

Prueba binomial
Para dos muestras

Prueba U de Mann-Whitney (muestras

independientes)

Prueba W de Wilcoxon (muestras

relacionadas)

Tabla 4. Principales pruebas de significacin estadstica

17

2.2.1. Principales pruebas de contraste paramtricas

2.2.1.1. Pruebas relacionadas con la igualdad de medias de dos grupos
Cuando se desea determinar si las medias tericas de dos grupos son
iguales, o por el contrario diferentes, en definitiva, si las medias muestrales de
ambos grupos difieren estadsticamente entre s o no lo hacen podemos utilizar
los contrastes de hiptesis paramtricos para dos grupos materializados en las
diversas tipologas de la prueba t.

Suele ser sta, pues, una situacin ms habitual de lo que a priori

podemos pensar en el campo de la investigacin social en general y educativa
en particular. Ahora bien, se manejan diversas expresiones dependiendo de
algunos aspectos:

1. Varianzas iguales o diferentes entre los grupos.

2. Consideracin de muestras independientes o relacionadas.
3. Nmero de participantes que constituyen el estudio (N 30 N > 30).

Los aspectos uno y tres no necesitan mayor aclaracin, sin embargo, el

aspecto dos necesita de una aproximacin conceptual. En este sentido, para
Martn (2001:38) las muestras independientes, sin aparear o no relacionadas
son aquellas en las que los datos de una muestra no se pueden relacionar con
lo de la otra. Se trata, por tanto, de dos conjuntos de datos independientes
entre s y cuyos tamaos de muestras pueden ser diferentes. Por otra parte, las
muestras apareadas, relacionadas o dependientes son aquellas en las que
cada dato de una muestra se puede asociar de manera unvoca con otro de
otro grupo debido, fundamentalmente, a que las observaciones de ambos se
realizan sobre las mismas unidades muestrales.

As pues, en la literatura existente se contemplan una gran variedad de

expresiones matemticas para determinar los valores empricos de los
contrastes de hiptesis. Asumiendo la homogeneidad de las muestras
consideramos las dos ecuaciones que habitualmente suelen utilizarse en
diferentes situaciones de investigacin. Las expresiones consideradas son:

18

Para un N > 30 participantes y muestras independientes:

Z=

x1 x2
S1/N1 + S2/N2

Para un N 30 participantes y muestras relacionadas:

t=

x1 x2
Sd / N

donde:
x1: media muestral del grupo 1
x2: media muestral del grupo 2
S1: cuasivarianza o varianza poblacional del grupo 1
S2: cuasivarianza o varianza poblacional del grupo 2
N1: Nmero de participantes del grupo 1
N2: Nmero de participantes del grupo 2
N: Nmero de participantes del estudio (N1+N2)
Sd: Cuasidesviacin o desviacin tpica poblacional de la diferencia entre
puntuaciones del grupo 1 y 2.

19

A) PRUEBA T PARA MUESTRAS INDEPENDIENTES

Ejemplo 2 (PRUEBA T PARA MUESTRAS INDEPENDIENTES): Un

educador y su grupo de investigacin estn interesados en verificar la
superioridad del mtodo de lectura silbico frente al fonolgico. Para ello
ensean a 16 alumnos de una clase con el primer mtodo (silbico) y a otros 16 de
otra clase con el segundo (fonolgico). Tras un periodo prudencial miden la
variable dependiente, rendimiento lector, habindose obtenido los siguientes
resultados:
M. silbico (1)
3,3,4,4,5,5,5,6,6,7,7,8,8,9,9,10
M. fonolgico (2) 2,2,3,3,4,5,6,6,6,6,7,7,7,7,7,7

Desarrollo y resolucin del ejemplo:

1. Planteamiento de las hiptesis estadsticas:
Contraste bilateral:
Ho: 1 = 2 tambin 1 - 2 = 0
H1: 1 2 tambin 1 - 2 0
Contraste unilateral:
Ho: 1 2 tambin 1 - 2 0
H1: 1 > 2 tambin 1 - 2 > 0

2. Seleccin de la prueba adecuada. Considerando las varianzas de ambos

grupos homogneas y tratndose de dos grupos de sujetos independientes,
cuya suma de elementos excede de 30 (N>30) utilizamos la expresin:

Z=

x1 x2
S1/N1 + S2/N2

20

Si sustituimos cada miembro de la expresin por su valor tenemos que:

6,18 5,31

Z=

0,87

4,791/16 + 3,53/16

Z=

0.29 + 0,22

= 1,21

3. Interpretacin y decisin
Asumiendo un error = 0,05 bilateral y, por tanto, unos valores crticos
de zeta 1,96 podemos apreciar como el valor de Ze (1,21) se sita en la
regin de aceptacin de Ho. Cualquier lateralidad supuesta, as como errores
asumidos daran lugar a una decisin similar a la tomada.

-1,96

1,96
1,21

4. Implicaciones estadsticas y educativas

Ante los resultados obtenidos podemos afirmar que no existen
diferencias estadsticamente significativas entre los mtodos de lectura silbico
y fonolgico. Por tanto, el educador puede abordar la enseanza de la lectura
desde cualquiera de los dos mtodos ya que ninguno se ha mostrado
significativamente superior. Ello no implica, desde luego, que una rplica de
este estudio con diferentes sujetos ofrezca resultados distintos a los obtenidos.

21

B) PRUEBA T PARA MUESTRAS RELACIONADAS

Ejemplo 3 (PRUEBA T PARA MUESTRAS

RELACIONADAS): Un educador ha medido el
nmero de palabras correctamente ledas (de 10
posibles) por 10 alumnos con n.e.e. (necesidades
educativas especiales) despus de haber sido
instruidos mediante una ACI (Adaptacin
Curricular Individual). Estos son los resultados
Antes de ACI

Despus de
ACI

3
3
5
4
3
4
5
4
3
3
Xa = 3,7

5
5
6
7
5
8
7
6
7
8
Xd = 6,4

-2
-2
-1
-3
-2
-4
-2
-2
-4
-5
Sd =1,25

Desarrollo y resolucin del ejemplo:

1. Planteamiento de las hiptesis estadsticas:
Contraste bilateral:
Ho: a = d o tambin a -d = 0
H1: a d o tambin a - d 0
Contraste unilateral:
Ho: a d o tambin a - d 0
H1: a > d o tambin a - d > 0

2. Seleccin de la prueba adecuada. Considerando las varianzas de ambos

grupos homogneas y tratndose de dos grupos relacionados, ya que son los
mismos sujetos los que se someten a diferentes condiciones experimentales o
niveles (no ACI/s ACI), comparndose consigo mismos y teniendo en cuenta
que el nmero de elementos que conforman el estudio es inferior a 30 (N<30)
utilizamos la expresin:

22

t=

xa xd
Sd / N

Si sustituimos cada miembro de la expresin por su valor tenemos que:

3,7 6,4

t=

1,25 / 10

-2,7

t=

= -6,92

0,39

3. Interpretacin y decisin
Asumiendo un error = 0,05 bilateral y unos grados de libertad (n de parejas1), es decir, 10-1 = 9 situamos la regin de aceptacin de Ho entre las
puntuaciones t = [-2,26, 2,26] . Claramente el valor de te est situado fuera de
la regin de aceptacin de la hiptesis nula (Ho), razn por la cual la decisin
es aceptar H1. A colacin de la determinacin de los grados de libertad (gl)
debemos recordar que stos se calculan de tres formas diferentes dependiendo
de las caractersticas del tipo de contraste:

a) Si el contraste es de 1 sola muestra en comparacin con un parmetro

poblacional:
Grados de libertad = N 1
donde N: nmero de participantes del estudio
b) Si el contraste es de 2 muestras y stas son independientes:

Grados de libertad = N1 + N2 2
donde N1 y N2 son el nmero de participantes de uno y otro grupo

c) Si el contraste es de 2 muestras y stas son relacionadas:

Grados de libertad = Nmero de parejas 1

donde el nmero de parejas est constituido por la comparacin de cada sujeto
consigo mismo, as en una muestra de 5 sujetos el nmero de parejas sera de
5

23

-6,92

-2,26

2,26

4. Implicaciones estadsticas y educativas

Ante los resultados obtenidos podemos afirmar que existen diferencias
estadsticamente significativas entre la capacidad lectora de los nios antes ser
instruidos mediante una ACI y tras ser instruidos a travs de la misma. Desde
estas coordenadas, los autores del estudio estn en condiciones de afirmar que
las adaptaciones curriculares individuales a nios con n.e.e. parecen incidir en
una mejora de la capacidad lectora.

2.2.1.2. Pruebas relacionadas con la igualdad de varianzas de dos o ms

grupos

A) EL ANOVA simple
Tambin hay situaciones en que el nmero de muestras y/o grupos a
comparar exceden de dos. En este caso, la opcin ms vlida es el clculo del
ANOVA o ANVA (Anlisis de la varianza). En esencia, el anlisis de varianza
intenta determinar las variaciones que se generan entre los participantes u
observaciones de cada grupo (fuente de variacin entre o inter) y entre los
sujetos de un mismo grupo y las achacables al error (fuente de variacin intra o
de error). Puede consultarse la obra de Arnal y otros (1994: 107-110) para un

24

entendimiento ameno y pedaggico del fundamento del ANOVA a travs de un

ejemplo de tipo experimental.

El ANOVA, pues, es una prueba semejante a las pruebas t y z en

cuanto a la prctica, pero la comparacin entre grupos no se basa en las
diferencias entre las medias, sino en la varianza de la variable numrica y o
variable dependiente en cada grupo (nivel) de la variable categrica x o
variable independiente.

Si las diferencias entre las varianzas de cada grupo (fuente de variacin

inter) son mayores que las intragrupales (fuente de variacin intra),
seguramente se reportarn diferencias estadsticamente significativas entre los
grupos que no son debidas al azar. As, mientras en las pruebas de
significacin para dos grupos obtenemos valores empricos

t y z en el

ANOVA la cifra estadstica obtenida se denomina razn F de Snedecor. Al ser

F el resultado de dividir la media cuadrtica inter entre la media cuadrtica intra
cuanto mayor sea el dividendo mayor, por tanto, ser el cociente y mayor, por
ende, la probabilidad de que existan diferencias estadsticamente significativas.

Cabe preguntarse entonces, porque cuando existen ms de dos grupos

en vez de utilizar el ANOVA, aparentemente no sera ms lgico e intuitivo
comparar todas las posibles combinaciones tomadas de dos en dos.
Supongamos, en este sentido, que un educador est interesado en denotar la
posible superioridad de un programa de tcnicas de estudio sobre otros dos
programas. Para ello implementa cada programa en un grupo diferente. En
este caso la variable independiente sera programa de tcnicas de estudio con
tres niveles: A, B y C, mientras la dependiente el rendimiento escolar en
Historia.

Si no se contempla el ANOVA como tcnica de contraste, la manera

lgica de resolver esta cuestin sera comparar cada grupo con el resto por
binomios, o lo que es lo mismo combinar n- elementos (3 grupos) tomados dos
a dos. Si tenemos en cuenta la expresin matemtica:

25

N!
C n(m) =
m * (N-m)!
donde:
m: nmero de elementos que se combinan
N!: factorial de n-elementos
N y/o n: nmero de elementos
tomando como ejemplo el caso de los programas de tcnicas de estudio y
sustituyendo cada elemento por su valor en la expresin anterior tenemos que:

3!

3*2*1

C 3(2) =

=3

2* (1)!

2 * (3-2)!

Podemos determinar que son tres las combinaciones necesarias para denotar
las posibles diferencias entre los tres grupos tomados de dos a dos, ya que las
otras tres son imagen de la matriz resultante y, por tanto, idnticas
combinaciones. Grficamente podra mostrarse de la siguiente forma:

A
B
C

A
-

B
A*B
-

C
A*C
B*C
-

En este caso en las tres comparaciones podran utilizarse pruebas t o

z dependiendo del nmero de participantes que constituyen el estudio. Sin
embargo, existen razones de peso para descartar esta posibilidad. Abraira y
Prez (1996) y Tejedor (1999) destacan las siguientes:

1. Ya que se realizan varios contrastes de hiptesis simultneos e

independientes

la

probabilidad

de

encontrar

alguno

estadsticamente

significativo sin serlo verdaderamente (comisin del error tipo I o alfa)

aumentara.

26

2. Es difcil interpretar la verdadera influencia de la variable que acta como

factor de clasificacin (variable independiente) ya que se generan diferentes
niveles de significacin (p) resultante de las comparaciones entre sus
subgrupos (niveles de la variable independiente).

3. Cuando el nmero de niveles de la variable independiente es mayor o igual a

5 el nmero de comparaciones se dispara convirtindose en una ingente
cantidad de cruces por parejas donde es difcil discernir cules de estos
contrastes son estadsticamente significativos y cules no lo son.

As pues, el uso del ANOVA resulta una estrategia claramente vlida

para minimizar en gran medida los inconvenientes de los mltiples contrastes
por parejas por dos razones fundamentales:

1. Simplifica todas las comparaciones posibles entre los niveles de la variable

independiente a un solo valor F asociado a una probabilidad (p).

2. Especifica entre qu niveles de la variable independiente se reportan

diferencias estadsticamente significativas mediante los contrastes post-hoc por
parejas a travs de diferentes estadsticos: por ejemplo los tests de Scheff,
Tukey...

En este captulo se tratar profundamente el ANOVA simple o de un

factor (grupos independientes), el ms sencillo de todos los que se contemplan
en la literatura sobre anlisis de datos. No obstante, destacamos que adems
existen otros tipos de ANOVA. Fernndez y otros (1992:130) contemplan los
siguientes:

27

I. ANOVAS DE UN FACTOR O VARIABLE INDEPENDIENTE

1.
2.
3.
4.

ANOVA simple (grupos independientes)

ANOVA simple de medidas repetidas MR (grupos relacionados)
ANOVA simple con un factor de bloqueo
ANOVA simple con medidas repetidas

II. ANOVAS DE DOS O MS FACTORES O VARIABLES INDEPENDIENTES

1. ANOVA FACTORIAL (DISEOS COMPLETOS)
1.1. CON DOS FACTORES
1.1.1.
Dos factores
1.1.2.
Dos factores + medidas repetidas
1.1.3.
Dos factores + una variable control por emparejamiento
1.1.4.
Dos factores + una variable de bloqueo
1.2. TRES FACTORES O MS
2. ANOVA EN DISEOS INCOMPLETOS
2.1. Diseos en cuadrado latino
2.2. Diseos jerrquicos
2.3. Diseos en cuadrado grecolatino

Tabla 5. Tipologa de ANOVAS

Debe tenerse en cuenta, adems, que la aplicacin del ANOVA precisa
del cumplimiento de tres supuestos bsicos de carcter paramtrico:
homocedasticidad, normalidad e independencia (consultar tabla n3)

Finalmente, y antes de proponer y desarrollar un ejemplo de ANOVA

simple para grupos independientes, mostramos los diferentes apartados que
constituyen este tipo de ANOVA, as como las expresiones que se utilizan para
su clculo:

Fuentes de
variacin (FV)

Sumas de cuadrados
(SC)
SCe

Grados de
libertad
(GL)
t-1

Medias
cuadrticas
(MC)
MCe

Entre grupos
Intragrupos o
Error
Total

SCi

N-t

MCi

SCt

N-1

Valor de F

MCe / MCi

siendo:

28

SCe =

(xi)
N

SCi = SCt SCe

SCt = xi C
C: trmino de correccin que a su vez se define como:

(xi)
C=
N
t-1 (grados de libertad entre): nmero de grupos/tratamientos 1
N-t (grados de libertad intra): nmero de participantes total menos el nmero
de grupos/tratamientos
N-1 (grados de libertad del total): nmero de participantes 1
MCe (media cuadrtica entre) = SCe / t-1
MCi (media cuadrtica intra) = SCi / N-t

29

Ejemplo 4 (ANOVA simple): Un profesor est

interesado en verificar si el uso de diferentes metodologas
de enseanza (M1, M2, M3) resulta determinante en la
consecucin de un mayor o menor rendimiento escolar en la
asignatura de ingls. As pues, durante un trimestre
implementa las tres metodologas contempladas en tres
diferentes grupos de alumnos midiendo el rendimiento
acadmico en ingls al final del trimestre en una prueba
final. Estos han sido los resultados
M1
A
B
C
D
E

xi
xi
Media

M1
4
3
4
3
3
17
59
3,4
(17/5)

M2
F
G
H
I
J

M2
5
4
5
5
6
25
127
5
(25/5)

M3
K
L
M
N
O

M3
7
8
9
8
9
41
339
8,2
(41/5)

TOTAL

83
525

Asumiendo un nivel de significacin = 0,05 bilateral puede decirse que

existe alguna metodologa que influye decisivamente en el rendimiento en
ingls, o lo que es lo mismo se reportan diferencias estadsticamente
significativas entre los tres grupos que utilizan metodologas de enseanza
diferentes, tomando como variable dependiente el desempeo en ingls?

Desarrollo y resolucin del problema

1. Planteamiento de las hiptesis estadsticas:
Ho: xm1 = xm2 = xm3 tambin M = 0
H1: xm1 xm2 xm3 tambin M 0

2. Seleccin de la prueba adecuada y clculo de trminos

Las caractersticas de la situacin planteada (comparacin de tres
grupos con una sola variable independiente) aconsejan la utilizacin del
ANOVA, aunque su uso est condicionado al cumplimiento de determinados
supuestos paramtricos. Asumiendo el cumplimiento de estos supuestos
desarrollamos diferentes clculos de diversos trminos

30

a) El primer elemento es el trmino de correccin (C) que se define como:

(xi)
C=
N
Por tanto, el trmino de correccin sustituyendo cada elemento por su valor es:
(83)
C=

= 459,266
15

b) Suma de cuadrados total

SCt = 525 459,266 = 65,73
c) Suma de cuadrados entre
SCe = [(17)/5 + (25)/5 + (41)/5] - 459,266 = 59,73
a) Suma de cuadrados intra
SCi = 65,73 59,73 = 6
e) Valor de la razn F
F = 29,85 / 0,5 = 59,73
f) Asociacin de la magnitud del ANOVA
Para tratar de determinar la varianza explicada por el modelo, es decir,
en qu porcentaje el rendimiento en ingls est determinado por el uso de una
u otra metodologa de enseanza se utiliza el coeficiente de asociacin y su
correlato para determinar el porcentaje de varianza .

31

Ambos se definen como:

SCe/ SCt

SCe / SCt

Sustituyendo cada elemento de ambas expresiones por su valor tenemos que:

59,73/65,73

= 0,95

SCe / SCt = 59,73 / 65,73 = 0,90 * 100 = 90%

Como puede apreciarse el rendimiento en ingls est determinado por

las metodologas de enseanza en un 90%, un porcentaje altsimo que a fe de
ser sinceros pocas veces se produce en la realidad educativa. Un resumen de
todo el proceso de clculo puede apreciarse en la siguiente tabla:
Fuentes de
variacin
Entre grupos
Intragrupos o
Error
Total

Sumas de cuadrados
(SC)
59,73

Grados de
libertad (GL)
3-1

Medias
cuadrticas
29,86

15-3

0,5

65,73

15-1

Valor de F
59,73

3. Interpretacin y decisiones

Aunque todos los valores calculados son importantes, el valor decisivo

para interpretar un ANOVA desarrollado manualmente es la razn F. Dicho
valor es el estadstico emprico o terico que hay que comparar con una razn
F crtica o tabular. Esta segunda razn viene determinada por los grados de
libertad entre e intra y el valor alfa que se asuma. Los grados de libertad entre
e intra actan como numerador y denominador respectivamente, de tal forma
que el proceso de bsqueda y comparacin entre razones F es, para el caso
que nos ocupa, el siguiente:

32

F emprico = 59,73 mientras F crtico (gl m/n, /2)

m = gl/entre
n = gl/intra

F emprico = 59,73 mientras F crtico (2/12, 0,05/2), o sea, 5,09

Evidentemente Femp. > Fcrt., motivo por el cual se acepta H1; ello
implica que se reportan diferencias estadsticamente significativas entre los tres
tipos de metodologas de enseanza del ingls. En este sentido, la observacin
de los resultados obtenidos a nivel de medias resulta elocuente, ya que
aquellos alumnos instruidos con la metodologa 3 (M3) han alcanzado un
rendimiento acadmico en ingls muy superior a los instruidos mediante las
metodologas M2 y M3.

Adems

de

verificar

que

existen

diferencias

estadsticamente

significativas entre los grupos resulta conveniente determinar entre qu grupos

se producen stas. Para ello pueden utilizarse diferentes estrategias post-hoc

2.2.2. Principales pruebas de contraste no paramtricas

2.2.2.1. Para una muestra
A) Prueba de para una muestra
El test de es una prueba de bondad de ajuste y como tal intenta
determinar el ajuste entre las distribuciones de frecuencias observadas y
esperadas de los diferentes niveles categoriales de una variable. Desde estas
coordenadas, podemos afirmar que esta prueba se aplica cuando la variable
objeto de estudio est medida en una escala de tipo categorial o nominal. El
mecanismo de anlisis, por tanto, es parecido al de otras pruebas de similares
caractersticas y parte de la siguiente expresin:

= (fo-fe)
fe

33

donde:

fo: frecuencia observada de cada categora

fe: frecuencia esperada de cada categora

definindose fe como:

fe = suma de frecuencias de todas las categoras / nmero de categoras

En cuanto a las hiptesis estadsticas se plantean de la siguiente forma:

Ho: fo = fe
H1 : fo fe

Debemos tener en cuenta, adems, que su uso est determinado por el

cumplimiento de algunos supuestos:

1. La variable estudiada debe estar medida en escala nominal.

2. La variable estudiada debe ser discreta, o sea, slo admite valores enteros
no fraccionarios.
3. La variable debe ser como mnimo dicotmica o admitir un determinado
nmero de categoras.
4. La presencia de frecuencias esperadas < 5 en un 20% de los casos puede
distorsionar el resultado obtenido en un contraste , razn por la cual se
desaconseja su aplicacin para tal supuesto (Pick y Lpez, 1994; Seoane,
1983 y Siegel, 1991).

34

Ejemplo 5 (Prueba de para una muestra): Dos

investigadores pretenden determinar si entre las tres
posibles respuestas a un tem: buena, mala y regular se
reportan diferencias estadsticamente significativas en una
encuesta pasada a 15 participantes. Los resultados han sido
los siguientes:
Buena (9 respuestas)
Mala (3 respuestas)
Regular (3 respuestas)

Desarrollo del problema

1. Planteamiento de las hiptesis estadsticas

Ho: fo = fe
H1 : fo fe
2. Clculo de la prueba
Las caractersticas del ejemplo planteado (variable nominal y que slo
admite valores enteros) aconsejan el uso de la prueba . Aplicando su
expresin de clculo y sustituyendo cada miembro de la expresin por su valor
tenemos que:

(9-5)

(3-5)

(3-5)
= 4,8

teniendo en cuenta que las fe = 15 /3 = 5

3. Interpretacin y decisin
Tomando el nivel de significacin habitual, es decir, = 0,05 unilateral,
por ejemplo, y 2 grados de libertad (nmero de categoras 1) tenemos que el
35

valor de crit.= 5,99. Ya que emp < crit, es decir, 4,8 < 5,99 aceptamos la
hiptesis nula. Desde estas coordenadas, podemos afirmar que a pesar de que
la alternativa ms respondida ha sido buena (60%) frente al 20% de las otras
dos alternativas mala y regular no podemos afirmar que esta diferencia sea
estadsticamente

significativa

y,

por

ende,

tener

en

cuenta

para

interpretaciones posteriores.
b) Prueba de Kolmogorov-Smirnov para una muestra

Esta prueba resulta til para determinar el grado de acuerdo entre la

distribucin de un conjunto de valores de una muestra (valores observados) y
alguna distribucin terica (valores esperados). Por tanto, y al igual que la
tcnica Ji cuadrado, se utiliza como prueba de bondad de ajuste, es decir, para
decidir acerca de cundo un conjunto de observaciones se ajusta a una
distribucin de probabilidad dada. La comparacin se lleva a cabo a travs de
las distribuciones acumulativas terica Fo (xi) y la observada

Sn (xi)

establecindose las siguientes hiptesis estadsticas a nivel bilateral:

Ho: Fo = Sn
H1: Fo Sn

En este sentido, esperamos que las diferencias entre Fo (xi) y Sn (xi) de

cada una de las categoras comparadas sea pequea y est dentro de los
lmites de los errores aleatorios. Es por ello que para denotar si existen
diferencias estadsticamente significativas entre lo observado y lo terico se
toma como valor criterio la diferencia mxima resultante, es decir:

D = max l Sn(xi) Fo (xi) l

36

Ejemplo 6 (Prueba de KolmogorovSmirnov para una muestra): Las

respuestas de 25 participantes acerca de su
opinin sobre la nueva Ley de Calidad de la
Educacin (LOCE) medida mediante escala tipo
Likert con formato de 5 categoras: 1> muy en
desacuerdo hasta 5> muy de acuerdo es la
siguiente:
Categoras de respuesta
1
2
3
4
5

Frecuencia
4
3
2
8
8

Asumiendo un nivel de significacin de 0,05 bilateral, podemos afirmar

que las respuestas son unnimes o por el contrario diferentes?

Desarrollo del problema

1. Planteamiento de las hiptesis estadsticas

Ho: Fo = Sn
H1: Fo Sn

2. Elaboracin de la tabla de frecuencias observadas y esperadas y sus

derivaciones
Categoras
1
2
3
4
5

OBSERVADAS
4
3
2
8
8

TERICAS
5
5
5
5
5

OBS.ACUM.
4
7
9
17
25

TE.ACUM.
5
10
15
20
25

Sn (xi)
4/25 (0,16)
7/25 (0,28)
9/25 (0,36)
17/25 (0,68)
25/25 (1)

Fo (xi)
5/25 (0,2)
10/25 (0,4)
15/25 (0,6)
20/25 (0,8)
25/25 (1)

Sn - Fo
- 0,04
-0,12
-0,24
-0,12
0

37

3. Interpretacin y decisin

La diferencia mxima l Sn(xi) Fo (xi) l es l0,24l . Asumiendo el alfa

anteriormente contemplado (0,05/2) con un N =25 la tabla de valores crticos
para la prueba K-S arroja un valor de 0,29.

As pues, tenemos que el K-S emp. < K-S crt., es decir, que l0,24l <
0,29 razn por la cual aceptamos Ho y podemos afirmar que existe una cierta
unanimidad en las respuestas efectuadas.

4. Clculo informatizado del ejemplo

Como haremos en casos posteriores el primer paso una vez creada la
plantilla de datos es marcar la opcin analizar y dentro de ella pruebas no
paramtricas para finalmente marcar K-S de 1 muestra.

Los resultados suministrados por paquete estadstico SPSS 11.0 son los
siguientes:

38

Prueba de Kolmogorov-Smirnov para una muestra

N
Parmetros normales
Diferencias ms extremas

Media
Desviacin tpica
Absoluta
Positiva
Negativa

Z de Kolmogorov-Smirnov
Sig. asintt. (bilateral)

VAR00001
25
3,5200
1,4754
,268
,158
-,268
1,338
,056

Los resultados arrojados por el programa SPSS no son exactamente

iguales a los hallados manualmente, ya que 0,24 y 0,26 (diferencias
mximas manual e informatizada respectivamente) distan dos centsimas, sin
embargo, estas diferencias son atribuibles a la exactitud con la que opera el
programa estadstico (4 ms decimales). La decisin en ambos casos es
aceptar la hiptesis nula, en el caso manual por que el valor emprico es menor
que el crtico y en el informatizado por que el p-valor es > 0,05, exactamente
0,056.
d) Prueba Binomial
Cuando el nmero de categoras a comparar es exclusivamente
dicotmico, por ejemplo: acuerdo/desacuerdo; acierto/fallo... es aconsejable la
utilizacin de la prueba binomial como sustituta de la prueba de . En este
caso, la situacin de estudio se caracteriza por que:

1. Cada una de las n observaciones se clasifican en dos categoras

exclusivamente.
2. Las n observaciones son independientes.
3. La probabilidad de pertenecer a una categora es constante.

Las expresiones que se utilizan para su clculo estn determinadas por

el tamao de la muestra. De esta forma contemplamos dos opciones:

Para un N 25:

39

18

P=
8

N-x

0,5 *

Para un N > 25:

donde:

(x 0,5) N*p
Z=

N* p * q

P: probabilidad de un caso individual

N: tamao muestral
x: nmero de casos en la categora P de la variable dicotmica
p: probabilidad de x conforme a hiptesis nula
q: 1 p

En cuanto a las hiptesis estadsticas el planteamiento bilateral sera:

Ho: p = 0,5 o tambin p = po

H1: p 0,5 o tambin p po

Ejemplo 7 (Prueba Binomial): Un investigador ha

clasificado a 18 nios con dislexia despus de un programa
de actuacin en dos grupos:
a) Los que han mejorado: 8 nios
b) Los que no han mejorado: 10 nios
Tomando como referencia un nivel de significacin 0,05
bilateral y p y q = 0,5 cada una respectivamente, podemos
afirmar que el programa de actuacin ha resultado
significativamente efectivo?

40

Desarrollo del problema

1. Planteamiento de las hiptesis estadsticas
Ho: p = 0,5
H1: p 0,5

2. Aplicacin de la expresin de probabilidades binomiales

18

P=

10

0,5 *

18

+ .

18

0,5 *

3. Interpretacin y decisin
Comparando esta probabilidad con la mitad de (dado que el contraste
es bilateral) comprobamos que: P emp. > /2

0,4073 > 0,025. Por tanto, se

debe aceptar la hiptesis nula pudiendo ocurrir que la proporcin de nios que
han mejorado tras el programa sea igual a 0,5. Desde estas coordenadas,
podemos afirmar que dicho programa, pues, posee una efectividad que no ha
resultado estadsticamente superior y, por ende, puede ser considerarse
cuestionable.

4. Clculo informatizado del ejemplo

Sustituyendo el tipo de prueba por Binomial tenemos que:
Prueba binomial
Categora
N
EFECTO
TRATAMIENTO

Grupo 1
Grupo 2
Total

MEJORAN
NO
MEJORAN

Proporcin
observada
,44

10

,56

18

1,00

Prop. de
prueba
,50

Sig. exacta
(bilateral)
,815

Al igual que ha sucedido en la prueba Ji cuadrado los resultados manuales son

coincidentes con los informatizados. En los dos casos el p-valor es > 0,025 (contraste
bilateral) > 0,05 (en caso que fuese un contraste unilateral), razn por la que se acepta
la hiptesis nula. En cuanto a la probabilidad hallada manualmente 0,4073 si la
multiplicamos por 2 dar como resultado una probabilidad aproximada de 0,815 la
reseada por el programa por haber operado con un contraste bilateral.

41

2.2.2.2. Para dos muestras

e) Tablas de contingencia 1 o para dos muestras
Son muchas las ocasiones en que un investigador/a est interesado/a en
verificar la relacin que caracteriza a dos variables medidas en escala nominal
o categrica. El tipo de anlisis ms apropiado para estos casos es el clculo
de una tabla de contingencia bidimensional (AxB), tambin conocida con las
denominaciones de tabla de dos vas, tabla cruzada o crosstabs en su
acepcin anglosajona.

b1) Elementos bsicos de una tabla de contingencia

En esencia una TCB consiste en una representacin de la potencial

correspondencia que pudiera existir entre dos elementos nominales (A,B) y los
niveles (I,J) que los constituyen, es decir, asociar a cada elemento (A,B) de IxJ
un nmero no negativo K (A,B). Si todos los valores K (A,B) son enteros se
trata de una correspondencia estadstica, ya que los nmeros indican cuntas
veces se presenta el elemento (A,B), aunque otras representaciones son
tambin posibles mediante probabilidades (proporciones) y porcentajes.

Para un mayor y mejor entendimiento le proponemos el siguiente

ejemplo:

De ahora en adelante TCB.

42

Ejemplo 7 (Tablas de contingencia bidimensionales):

Sean las siguientes opiniones a favor y en contra de la nueva ley de calidad
sobre la educacin (LOCE) de 50 maestros (30 mujeres y 20 hombres).

Gnero

Gnero

Mujer
Hombre
Marginal

Opinin
A favor
En
contra
20
10
15
5
35
15

Mujer
Hombre
Marginal

Opinin
A favor
En
contra
40%
20%
30%
10%
70%
30%

A
Marginal
B
30
20
50

I1
I2
Marginal

J1
Ni1j1
Ni2j1
Nj1

Mujer
Hombre
Marginal

Opinin
A favor
En
contra
0,4
0,2
0,3
0,1
0,7
0,3

Marginal
60%
40%
100%

Gnero

J2
Ni1j2
Nij2
Nj2

Marginal
Ni1
Ni2
N

Marginal
0,6
0,4
1

A la vista de las anteriores tablas en las que, por cierto, se muestran los
diversos tipos de representacin de esta tcnica, es decir: notacin estadstica,
frecuencias, porcentajes y proporciones, destacamos los cuatro elementos de
toda tabla de contingencia:

1. Las frecuencias observadas.

2. Las frecuencias esperadas.
3. Las frecuencias marginales.
4. Los grados de libertad.

43

1. Frecuencias observadas

Las frecuencias observadas (fo) se definen como el nmero de veces

que se presenta en una muestra cada combinacin de niveles (I,J) de las
variables (A,B). As, retomando el ejemplo anterior existen cuatro frecuencias
observadas, las correspondientes al cruce de (A,B) con los niveles (IxJ), o sea,
2x2. En este caso la primera combinacin Ni1j1 estara representada por el
valor 20 y as sucesivamente.

2. Frecuencias esperadas

Las frecuencias esperadas son el resultado de dividir el producto de

cada total marginal de fila y columna por el total de las frecuencias observadas.
Siguiendo con el ejemplo anterior tendramos que:

Gnero

Mujer
Hombre
Marginal

Opinin
A favor
35*30/50 (21)
35*20/50 (14)
35

En contra
15*30/50 (9)
15*20/50 (6)
15

Marginal
30
20
50

3. Frecuencias marginales

Las frecuencias marginales (fm) son la suma por filas (I) y columnas (J)
de las frecuencias observadas (fo). Obviamente el sumatorio, en este caso, las
cuatro frecuencias observadas debe ser igual a N o nmero total de
frecuencias observadas.
Opinin
Gnero

Mujer
Hombre
Marginal

A favor
20
15
35

En contra
10
5
15

Marginal
30
20
50

4. Los grados de libertad

Se definen como el producto del nmero de filas menos uno por el

nmero de columnas menos uno, o sea, GL = [(I-1) * (J-1)]. En nuestro caso,
pues, los grados de libertad GL = [(2-1) * (2-1)] = 1.
44

b2) Objetivos fundamentales de una tabla de contingencia

Como ya adelantamos al principio el objetivo bsico de una TCB es

denotar si la relacin que existe entre dos variables nominales (A,B) es o no
estadsticamente significativa, es decir, si las diferentes condiciones (IxJ)
determinan o no un comportamiento diferencial al combinarse. Siguiendo con el
ejemplo anterior, podemos denotar si la condicin de gnero (hombre vs mujer)
puede o no ser una variable determinante sobre las opiniones favorable vs
desfavorable hacia la nueva ley de calidad de la educacin (LOCE). La
consecucin de este objetivo implica la implementacin de dos estrategias
diferentes, pero estrechamente relacionadas:

a) Contraste de la independencia entre las variables nominales propuestas.

b) Determinacin del grado de asociacin que hay entre dichas variables
categoriales.

b2.1) Independencia en TCB

Para denotar la independencia entre variables nominales en una TCB

pueden calcularse diferentes colecciones de pruebas de contraste de hiptesis,
por ejemplo: de bondad de ajuste, asintticos exactos o para tablas cuadradas
generadas por datos dependientes. Por ello, sin algn lector desea profundizar
en las diferentes pruebas para verificar la independencia entre dos variables
nominales puede consultar la obra de Aguilera del Pino (2001). Por nuestra
parte destacamos la posibilidad de utilizar el contraste chi cuadrado de bondad
de ajuste, ya suficientemente explicitado, aunque para una muestra en un
apartado anterior (aptado. 2).

b2.2) Grado de asociacin en una TCB

Al igual que se puede contrastar la independencia entre dos variables

nominales, tambin podemos determinar el grado de asociacin entre ambas.
De hecho, el rechazo de independencia entre dos variables categoriales y/o
ordinales es el punto de partida para indagaciones posteriores ms profundas
45

de cara de determinar la intensidad de la asociacin, as como su direccin.

Con Aguilera del Pino (2001) destacamos las principales propiedades de estas
medidas de asociacin:

a) Interpretabilidad: Resulta importante establecer unos criterios de etiquetado

que faciliten la interpretabilidad de los resultados de modo que un extremo
indique asociacin nula (independencia) y el otro asociacin perfecta.
Generalmente se suele estandarizar las medidas entre 0 y 1 o entre -1 y 1 para
dirigir la asociacin, aunque la interpretacin de los extremos no es
generalmente la misma para todas ellas.

b) Simetra: Se dice que una medida de asociacin es simtrica cuando su

valor resulta invariable independientemente del factor (de los dos posibles) que
acte como criterio o explicacin.

c) Invarianza: Las medidas de asociacin, adems, deben permanecer

invariantes frente a cambos de escala de medida sobre filas y columnas.

En cuanto a los tipos de medidas de asociacin se barajan gran cantidad

de coeficientes. Para una mayor informacin puede consultarse la obra de
Aguilera del Pino (2001).

b3) Proceso de clculo y ejemplo prctico de una TCB

Para explicitar los pasos que constituyen el proceso de clculo de una

TCB tomaremos como referencia el ejemplo propuesto al principio del captulo.
As pues, los pasos que guan la determinacin de una TCB son:

A) Elaboracin de la TCB tomando como base el enunciado del caso o

problema. En nuestro caso, la TCB incluye, al menos frecuencias observadas,
marginales y total:

46

Opinin
Gnero

A favor
20
15
35

Mujer
Hombre
Marginal

En contra
10
5
15

Marginal
30
20
50

B) Determinacin de las frecuencias esperadas y los grados de libertad

I1
I2

A
J1
J2
a*c / t b*c / t
a*d/ t b*d /t

Marginal

Marginal

Gnero

Mujer
Hombre
Marginal

Opinin
A favor
35*30/50 (21)
35*20/50 (14)

En contra
15*30/50 (9)
15*20 (6)

Marginal

C) Aplicacin de estrategias de clculo a fin de verificar el grado de relacin

existente entre las dos variables (A,B) y sus diferentes niveles (IxJ).

Para denotar la posible relacin existente las variables gnero (hombre

vs mujer) y opinin hacia la nueva ley de calidad sobre la educacin (LOCE) (a
favor vs en contra) se pueden utilizar diversas pruebas de contraste de
hiptesis, as como medidas de asociacin. Como anteriormente, le
proponemos la clsica expresin de chi cuadrado, cuya sustitucin de los
valores numricos en la expresin arroja un resultado final:

(15-14)

(20-21)
+
21

= 0,39

14

Antes de implementar el mismo clculo mediante SPSS, trataremos de

interpretar el resultado que procede del desarrollo manual. Como podemos
apreciar el valor de emprico/terico = 0,39 que asociado a unos grados de
47

libertad, en nuestro caso (2-1)*(2-1) = 1, y a un nivel de significacin del 5%

dara como resultado un crtico/tabular = 3,84. Aplicando el criterio de que
todo emprico/terico > crtico/tabular implica aceptacin de la hiptesis
alternativa o el contrario emprico/terico crtico/tabular la aceptacin
de la hiptesis nula obtendramos finalmente la conclusin de que no se
reportan diferencias estadsticamente significativas en la condicin de ser
hombre vs mujer y estar a favor o en contra de la LOCE.

Mediante el programa estadstico SPSS deberamos para llegar a resultados

similares al poner en prctica los siguientes pasos:

1 Activar la funcin analizar, despus estadsticos descriptivos y

finalmente tablas de contingencia

48

2 Una vez en tablas de contingencia colocamos la variable gnero como

filas

la

variable

opinin como

columnas.

Despus

activamos

estadsticos y una vez desplegada la pantalla de la derecha marcamos Chi

cuadrado, y por ejemplo, tres medidas de asociacin ms, como son el
Coeficiente de Contingencia, Phi y V de Cramer. Finalmente, activamos la
opcin continuar y obtenemos los siguientes resultados

Tabla de contingencia GENERO * OPINION

GNERO

hombre
mujer

Marginal

OPININ
a favor
en contra
20
10
15
5
35
15

Marginal
30
20
50

Pruebas de chi-cuadrado
Estadstico
Chi-cuadrado de Pearson*
N de casos vlidos

Valor
,397
50

gl
1

Sig. asinttica (bilateral)

,529

* 0 casillas (0%) tienen una frecuencia esperada inferior a 5. La frecuencia mnima esperada es 6.
Medidas simtricas
Tipos
Nominal x
Nominal
N de casos
vlidos

Medidas de asociacin
Phi
V de Cramer
Coeficiente de contingencia

Valor
,089
,089
,089
50

Sig. aproximada
,529
,529
,529

* Asumiendo la hiptesis alternativa.

** Empleando el error tpico asinttico basado en la hiptesis nula.

Puede apreciarse como los resultados de la prueba de Chi cuadrado son

idnticos a los obtenidos manualmente. Adems, podemos apreciar como la
significacin asinttica (bilateral) es p > 0,05, exactamente 0,529 lo que implica

49

la aceptacin de la hiptesis nula. Adems se han calculado tres medidas ms

asociacin que como puede observarse no han resultado significativas. Le
proponemos como tarea prctica calcular manualmente estos tres valores de
asociacin, cuyas expresiones son las siguientes:
= /N
C = / +N

V = / mn (I-1),(J-1)

f) Prueba U de Mann-Whitney (muestras independientes)

Est considerada como una de las pruebas ms potentes dentro del
contexto no paramtrico y la alternativa ideal a la prueba t cuando sta por las
caractersticas del estudio no pueda realizarse. Las variables han de estar
medidas en escala de intervalo u ordinal contemplndose dos procedimientos
de clculo, segn el tamao de la muestra:

Para muestras pequeas (tamao de, al menos un grupo 8 participantes)

U1 = n1 * n2 + [n1*(n1+1)/ 2] - R1
U2 = n1 * n2 + [n2*(n2+1)/ 2] - R2

donde:
n1 y n2: nmero de sujetos de cada grupo
R1 y R2: suma de rangos correspondientes a cada grupo

Para muestra grandes (tamao de cada grupo > 8 participantes)

50

U (n1 * n2) /2
Z

n *n
1

2 * (n1

+ n2 + 1) /12

donde:
U: menor valor de las dos U calculadas
n1 y n2: nmero de sujetos de cada grupo

Secuencia de clculo
1. Se ordenan conjuntamente de menor a mayor las puntuaciones de ambas
muestras.
2. Se asigna un rango de orden a cada puntuacin.
3. Se suman los rangos de cada muestra.
4. Se calculan los valores U de cada muestra tomndose el menor de ellos.

Veamos a travs de un ejemplo el desarrollo de clculo de la U de MannWhitney:

Ejemplo 8 (Prueba de U de Mann-Whitney):

Se ha pasado un determinado test de rendimiento a
dos grupos de clase de 2 de bachillerato (grupo de
maana y de tarde). Los resultados obtenidos para
ambos grupos son los siguientes:

51

Grupo de
maana

Grupo de tarde

Rango de
maana

Rango de
tarde

14

18

11,5

15

12

16

14

13

15

10

13

10

14

11,5

19

5,5

16

3,5

5,5

Media =
9,42

3,5

Media =
11,77

Rm =

Rt = 86,5

49,5

Antes estos resultados, podemos afirmar que alguno de los dos grupos ha
obtenido un mayor rendimiento estadsticamente significativo que el otro, o
por el contrario las diferencias entre ambos pueden atribuirse al azar?

Como tarea previa al clculo de la prueba le proponemos la

determinacin del rango 3,5 como ejemplo para el resto de rangos:

Ya que los rangos 1 y 2 estn ocupados por los valores 3 y 4 el

siguiente valor en orden ascendente es 6. Al haber dos 6 debemos
interpolar: 3 + 4/2 = 3,5. El resto de rangos se halla siguiendo semejante
lgica. De esta forma, al haber dos 7 se vuelve a interpolar de la siguiente
forma 5 + 6/2 = 5,5 y as sucesivamente hasta calcular todos los rangos.

52

Desarrollo y resolucin del problema:

1. Planteamiento de las hiptesis estadsticas:

Ho: m = t tambin m - t = 0
H1: m t tambin m - t 0
2. Clculo de la prueba
U1 = 7 * 9 + [7 * (7+1)/ 2] - 49,5 = 41,5
U2 = 7 * 9 + [9 * (9+1)/ 2] - 86,5 = 21,5

3. Interpretacin y decisin

De los dos valores U se toma el menor, U2 = 21,5, que se compara con

el valor crtico de U en tabla. Para n1 = 7 y n2 = 9 y un nivel de significacin
de 0,05 U = 16. De esta forma, ya que Uemp. > Ucrit. se acepta Ho.
Llamamos la atencin del lector sobre la decisin tomada, que como se
habr apreciado posee una lgica totalmente opuesta hasta la ahora
argumentada. Ello se debe a que en las tablas de U se ofrece el valor crtico
por la izquierda de la curva, luego la regin de rechazo estar formada por
los valores de U menores o iguales al valor crtico. En este caso, pues, la
decisin de aceptar Ho implica afirmar que el rendimiento demostrado por
los alumnos de tarde, aunque superior (11,77 > 9,42) a nivel de medias, no
es estadsticamente superior al de los alumnos de maana. Las diferencias
entre ambos grupos se deben, en este caso, al azar.

53

4. Clculo informatizado del ejemplo

Sustituyendo el tipo de prueba por 2 muestras independientes, prueba U

de Mann-Whitney tenemos que:

rendimiento

grupo

Rangos
N

maana
tarde
Total

7
9
16

Rango
promedio
7,07
9,61

Suma de
rangos
49,50
86,50

Estadsticos de contraste**
U de Mann-Whitney
Z
Sig. asintt. (bilateral)
Sig. exacta [2*(Sig. unilateral)]

rendimiento
21,500
-1,061
,289
,299*

* No corregidos para los empates.

** Variable de agrupacin: grupo

Los resultados manuales e informatizados, igual que en los ejemplos

anteriores, son enteramente coincidentes. Los valores crticos y el de los pvalores hallados determinan la aceptacin de la hiptesis nula.

2. Prueba de Wilcoxon (muestras dependientes)

Al igual que la prueba U de Mann-Whitney, sta es la ms potente de su
categora y

una buena alternativa de la prueba T para dos grupos

relacionados. Adems de considerar el sentido de las diferencias de las

puntuaciones

contempla

tambin

la

magnitud

de

las

mismas.

El

procedimiento de clculo que sigue es el siguiente:

1. Se calculan las diferencias entre los dos pares de puntuaciones de cada

sujeto/objeto.
2. Se ordenan estas diferencias en sentido creciente de su valor absoluto a
travs de la asignacin de rangos que mantendrn el mismo signo de la
diferencia de referencia. Por esa razn se crearn dos columnas de rangos:
R+ y R

54

3. Se suman las dos columnas de R+ y R

4. Se toma como valor criterio o emprico el rango de menor cuanta.

Para el clculo de la prueba se manejan dos expresiones dependiendo

del tamao muestral:

Para muestras pequeas (N 25)

W = [ S (+)] - [ S (-)]

donde:

S (+): suma de rangos con signo positivo

S (-): suma de rangos con signo negativo

Muestras grandes (N > 25)

W n (n +1) /4
Z
donde:

n * (n +1) * (2n +1)/ 24

W: Valor mnimo de S(+) y S(-)

N: nmero de diferencias entre los pares de observaciones cuyo valor sea
diferente de 0, o lo que es lo mismo el nmero de rangos cuyas diferencias
no sean = 0

55

Ejemplo 9 (Prueba W de Wilcoxon): Un investigador ha medido el

rendimiento matemtico de 10 nios antes de un programa sobre el uso de
la calculadora de bolsillo. Tras implementarse este programa durante dos
meses vuelve a medir el rendimiento matemtico obtenindose los
siguientes resultados:

Antes programa
4
3
6
2
5
4
3
3
1
2
Media = 3,4

Despus programa Antes Despus

8
-4
7
-4
5
1
6
-4
4
1
5
-1
7
-4
6
-3
3
-2
5
-3
Media = 5,6

R(+)

R(-)
8,5
8,5

2
8,5
2
2
8,5
5,5
4
5,5
R(+) =
4

R(-) = 51

Tomando como referencia un nivel de significacin de 0,05 unilateral, podemos afirmar

que el programa con calculadora de bolsillo ha influido significativamente en la consecucin de un
mayor rendimiento matemtico?

56

Clculo y desarrollo del ejemplo

1. Planteamiento de las hiptesis estadsticas
Ho: a = d tambin a - d = 0
H1: a d tambin a - d 0

2. Clculo de la prueba y decisin e interpretacin de la misma

De la suma de los dos rangos, el Ra o R(+) es evidentemente menor que
el Rd o R(-). Por tanto, es Ra = 4 el sumatorio de rangos que se toma como
criterio. El valor de Wilcoxon crtico para un = 0,05 unilateral es 11. Como
R(+) (valor emprico) = 4 < 11 (valor crtico) siguiendo con la misma lgica de la
prueba de U de Mann-Whitney rechazamos Ho y, por ende, aceptamos
automticamente H1. Ello implica que podemos afirmar que el programa de
calculadora de bolsillo aplicado a los diez nios objeto del estudio ha resultado
significativamente efectivo, ya que ha generado diferencias estadsticamente
significativas en el rendimiento matemtico medido a los diez nios antes
(media = 3,4) y despus (media = 5,6) del programa.
3. Clculo informatizado del ejemplo
Sustituyendo el tipo de prueba por 2 muestras relacionadas, prueba de
Wilcoxon tenemos que:
N
Rangos positivos
DESPUES - Rangos negativos
ANTES
Empates
Total

2*
8**
0***
10

Rango
promedio
2
6,37

Suma de
rangos
4
51

* DESPUES < ANTES

** DESPUES > ANTES
*** ANTES = DESPUES

57

Estadsticos de contraste**
DESPUES - ANTES
Z
-2,325*
Sig. asintt. (bilateral)
,020
* Basado en los rangos positivos.
** Prueba de los rangos con signo de Wilcoxon

Finalmente, tambin los resultados manuales han sido exactamente

iguales a los informatizados. En ambos casos determinan la aceptacin de la
hiptesis alternativa.

58

BIBLIOGRAFA

59

BIBLIOGRAFA
Abraira, V. y Prez, A. (1996). Mtodos multivariantes en bioestadstica.
Madrid. CERA.
Aguilera del Pino, A.M. (2001). Tablas de contingencia bidimensionales.
Madrid. La Muralla.
Arnal, J. y otros (1994). Investigacin educativa. Fundamentos y metodologa.
Barcelona. Labor.
Fernndez, M.J.; Garca, J.M.; Fuentes, A. y Asensio, A. (1992). Resolucin de
problemas de estadstica aplicada a las Ciencias Sociales. Gua prctica
para profesores y alumnos. Madrid. Sntesis.
Gil, J.; Rodrguez, G. y Garca, E. (1995). Estadstica bsica aplicada a las
Ciencias de la Educacin. Sevilla. Kronos.
Martn, Q. (2001). Contrastes de hiptesis. Madrid. La Muralla.

Pick, S. y Lpez, A.L. (1994) (5 edicin). Cmo investigar en ciencias

sociales. Mxico. Trillas.
Seone, J. (1983): Psicologa Matemtica I. Madrid. UNED.
Siegel, S. (1991): Estadstica no paramtrica aplicada a las ciencias de la
conducta. Mxico. Trillas.
Tejedor, F.J. (1999). Anlisis de varianza. Madrid. La Muralla.
Tejedor, F.J. y Etxeberria, J. (2006). Anlisis inferencial de datos en educacin.
Madrid. La Muralla.
Ximnez, C. y San Martn, R (2000). Anlisis de varianza con medidas
repetidas. Madrid. La Muralla.

60