Alfa de Crombach

PSICOMETRÍA
Tema 5.2
Evaluación del instrumento de medida:
FIABILIDAD II
TEMA 5.2 : FIABILIDAD II
Salvador Chacón Moscoso

Susana Sanduvete Chaves
Agradecemos a Francisco Pablo Holgado Tello su inestimable colaboración en la elaboración de este material
TEMA 5
LA FIABILIDAD DE LAS PUNTUACIONES (II)
1. La fiabilidad como consistencia interna
2. Métodos basados en la división del test en dos mitades
2.1. La ecuación de Spearman-Brown
2.2. La fórmula de Rulon
2.3. La fórmula de Guttman-Flanagan
3. Métodos basados en la covariación entre los ítems
3.1. Coeficiente alfa de Cronbach
3.1.1. Estimador insesgado de alfa
3.1.2. El coeficiente alfa como límite inferior del coeficiente de fiabilidad
3.1.3. Inferencias sobre alfa
3.2. Casos particulares del coeficiente alfa
4. Coeficientes basados en el análisis factorial de los ítems: Theta () y Omega ()
5. El coeficiente beta () de Raju
6. Estimación de la puntuación verdadera de los sujetos en el atributo de interés
6.1. Estimación basada en la desigualdad de Chebychev
6.2. Estimación basada en la distribución normal de los errores

6.3. Estimación basada en el modelo de regresión lineal
7. Valoración de la Teoría Clásica de los Tests
8. Introducción a la fiabilidad en los tests referidos al criterio.
9. Otras aproximaciones al estudio de la fiabilidad. La fiabilidad en la metodología
observacional
10. A modo de síntesis
5.13. Bibliografía básica
2
LA FIABILIDAD COMO CONSISTENCIA INTERNA
FIABILIDAD COMO CONSISTENCIA INTERNA:

En el tema 5.1, vimos que el coeficiente de fiabilidad se obtenía
a partir de la correlación entre formas paralelas de un test, o
mediante la correlación entre dos aplicaciones del mismo test
(test-retest)
En la mayoría de las ocasiones, sólo es posible llevar a cabo una

única aplicación del test (evita problemas asociados con la
repetición del test y con la dificultad de construir formas
paralelas).
Métodos que requieren una sola aplicación del test:

1. División del test en dos mitades.
2. Covariación entre todos los ítems del test.
3
LA FIABILIDAD COMO CONSISTENCIA INTERNA. División
del test en dos mitades
División del test en dos mitades: no siempre es fácil, ya que
se requiere que las mitades sean iguales en cuanto a
dificultad y contenido.
Distintos procedimientos:
1. Asignar todos los elementos pares a la forma 1 y los impares a la
forma 2. Sin embargo, en muchos test los ítems fáciles suelen
aparecer al principio.
2. Ordenar los ítems por su dificultad: a continuación asignar los
pares a la forma 1 y los impares a la forma 2.
3. Asignación aleatoria a cada una de las mitades.

4. Asignar ítems a las mitades de forma que estén emparejadas en
contenido.
Tantos coeficientes de fiabilidad como divisiones

4
del test en dos mitades se puedan hacer
LA FIABILIDAD COMO CONSISTENCIA INTERNA. División del
test en dos mitades. Spearman-Brown
Ecuación de Spearman-Brown para elementos paralelos: es el

método más antiguo y fue propuesto casi al mismo tiempo
por Spearman y Brown.
1. Se aplica el test a una muestra de sujetos.
2. Se divide el test en dos mitades (paralelas).
3. Se calcula la correlación. Dicho valor equivale al rxx’ para cada
una de las mitades  habría que aplicar la fórmula de
corrección para el caso de un test con longitud doble.
2rXX '
R XX' 
1  rXX '
RXX '  coeficient e de fiabilidad cuando se ha duplicado su longitud.
rXX'  coeficient e de fiabilidad de cada una de las mitades.
5
En la siguiente tabla, se muestran las puntuaciones de una muestra

de participantes en los ítems pares e impares de un test.
Participantes par X 1 imparX 2

1 8 4
2 7 7
3 8 6
4 5 4
5 8 7
6 6 6
Total 42 34
Calcular la fiabilidad utilizando la fórmula de Spearman-Brown.

6
En la siguiente tabla, se muestran las puntuaciones de una muestra

de participantes en los ítems pares e impares de un test
2 2
1. Calcular el coeficiente
Participantes par X 1 impar X 2 X1 X2 X1 X 2
de correlación entre
1 8 4 64 16 32 ambas mitades.
2 7 7 49 49 49 Obtenemos que vale
0,35
3 8 6 64 36 48
4 5 4 25 16 20
5 8 7 64 49 56 2. Aplicamos la fórmula
de corrección de
6 6 6 36 36 36
Total 42 34 302 202 241 Spearman-Brown.
Obtenemos un valor de
0,52
rX1X2  0,35
2rXX 2 * 0,35
R XX    0,52
1  rXX 1  0,35 7
test en dos mitades. Rulon
Ecuación de Rulon (1939): se utiliza cuando las dos mitades no

son estrictamente paralelas, pero se entiende que son tau-
equivalentes (igualdad de varianzas verdaderas); o
congenéricas (V transformaciones lineales)
S d2
rX1X2  1  2
Sx
d  diferencia entre las puntuaciones pares e impares.
S d2  varianza de las diferencia s entre las puntuaciones
pares e impares.
S x2  varianza de las puntuaciones empíricas de los sujetos.
La equivalencia entre Spearman-Brown y Rulon depende
del grado de paralelismo de las formas, de forma que
cuanto más parecidas sean, más se aproximan los
valores. 8
En la siguiente tabla, se muestra las puntuaciones de una

muestra de participantes en los ítems pares e impares de un
test
Participantes X Par Impar

A 4 3 1
B 1 1 0
C 6 3 3
D 2 1 1
E 3 1 2
F 5 2 3
Calcular la fiabilidad utilizando la fórmula de Rulon.

9
En la siguiente tabla, se muestra las puntuaciones de una

muestra de participantes en los ítems pares e impares de un
test
1. Calcularíamos la
Participantes X Par Impar (P-I)=d varianza de las diferencias.
En este caso es 1.14.
A 4 3 1 2
B 1 1 0 1 2. A continuación,
podríamos aplicar
C 6 3 3 0 directamente la fórmula de
D 2 1 1 0 Rulon. Y de esta forma
E 3 1 2 -1 obtendríamos que el coef.
De fiabilidad vale .61

F 5 2 3 -1
2 2  ...  (12 )
X d  0.17; S  2
d  (0.17) 2  1.14
6
S d2 1.14
rXX  1  2  1   0.61
Sx 2.91 10
test en dos mitades. Guttman-Flanagan
Guttman (1937) y Flanagan (1945): Llegaron de manera

independiente a una fórmula equivalente a la de Rulon, pero
de más fácil aplicación.
 S p2  Si2 
rX1X2  21  
 S 2 
 x 
S p2 y Si2  varianzas de las puntuaciones de los ítems pares
e impares respectivamente.
S x2  varianza de las puntuaciones empíricas de los sujetos.
Con los datos del ejercicio anterior, calcular el coeficiente de

fiabilidad utilizando Guttman-Flanagan. 11
test en dos mitades. Guttman-Flanagan
 S p2  Si2 
rX 1 X 2  21  
 S 2  Observamos que
 x  llegamos al mismo
S p2  0.81 resultado, sin
necesidad de calcular
Si2  1.22 las puntuaciones
referidas a las
S x2  2.91
diferencias.
 0.81  1.22 
rX 1 X 2  21    0.61
 2.91 
12
LA FIABILIDAD COMO CONSISTENCIA INTERNA. Métodos
basados en la covariación de los ítems.
Métodos basados en la covariación de los ítems:

uno de los principales problemas con la división del
test en dos mitades, es que existen numerosas
formas de obtener dos mitades, obteniendo tantas
estimaciones del coeficiente de fiabilidad como
diferentes dos mitades puedan hacerse. Una forma
de resolver este problema es estudiar la covariación
de los ítems.
Métodos:
- Coeficiente alpha de Cronbach, y sus casos
particulares: KR20 y KR21 de Kuder-Richardson
(1937). 13
Coeficiente alpha de Cronbach.
- Coeficiente alpha de Cronbach: expresa la fiabilidad del test
en función del número de ítems y de la proporción de la
varianza total del test debida a la covariación de los ítems
cuanto más covaríen los ítems, mayor será la fiabilidad del
test.
 n

  S 2j 
n  j 1 
 1 
n 1  S x2 
 
 
n  número de elementos del test.
n
 j  sumatorio de la varianza de los elementos del test.

S 2
j 1
S x2  varianza de las puntuaciones del test. 14

Se ha aplicado un test de percepción visual a 6 sujetos.

Calcular el valor del coeficiente de fiabilidad del test.
Sujeto 1 2 3 4 5
A 3 4 3 3 4
B 2 3 2 4 4
C 4 2 2 3 3
D 2 1 1 2 1
E 1 1 1 2 1
F 0 0 1 1 1
15
Se ha aplicado un test de percepción visual a 6 sujetos.
Calcular el valor del coeficiente de fiabilidad del test.
Sujeto 1 2 3 4 5 X
1. Calcular la varianza de cada ítems
A 3 4 3 3 4 17 (puntuaciones de cada columna)
B 2 3 2 4 4 15
2. También habrá que calcular la
C 4 2 2 3 3 14 varianza de las puntuaciones en el
D 2 1 1 2 1 7 test total (última columna)
E 1 1 1 2 1 6 3. Por último, habrá que obtener el
F 0 0 1 1 1 3 alpha de Cronbach. Que en este caso
2 vale .94
3 2
 2 2
 4 2
 2 2
 12
 0
S12   (2) 2  1.67; S22  1.82;...; S52  1.9
6
17 2  152  14 2  7 2  6 2  32
Sx 
2
 (10.33) 2  27.29
6
5  1.67  1.82  ...  1.89 
 1    0.94 16
5 1  27.29 
LA FIABILIDAD COMO CONSISTENCIA INTERNA. Métodos basados
en la covariación de los ítems.
Coeficiente alpha de Cronbach. Estimador insesgado
El estimador insesgado: alpha no es más que un estimador o
aproximación al valor real del coeficiente de fiabilidad. Sin
embargo, existe una aproximación más exacta de dicho
valor que se expresa mediante la siguiente fórmula:
( N  3)ˆ  2

N 1
  estimador insesgado
ˆ  valor de alpha de Cronbach
N  número de sujetos de la muestra
ˆ   , cuando N  
En la práctica, a partir de 100 sujetos las diferencias son

insignificantes. 17
Coeficiente alpha de Cronbach. Inferencias
Alpha proporciona una estimación del coeficiente de fiabilidad de
un test a partir de la muestra en que se ha aplicado, pero a
veces interesa plantearse si:
1. ¿Puede tomar alpha un valor concreto en la

población a partir del valor muestral obtenido?
2. ¿Existen una diferencia significativa entre el valor de
alpha de dos muestras independientes?
3. ¿Es significativa la diferencia entre dos valores de

alpha para una misma muestra?
- DESARROLLO DE LA TEORÍA MUESTRAL DEL

COEFICIENTE ALPHA (Feldt, 1965; Kristof,1963)
18
- ¿Puede tomar alpha un determinado valor en la

población a partir del valor muestral obtenido?
Kristof (1963) y Feldt (1965), proponen el siguiente
estadístico basado en la distribución F
1
F
1  ˆ
F se distribuye con ( N  1) y (n - 1)(N - 1) grados de libertad
  alpha propuesto por la hipótesis para la población.

ˆ  valor de alpha obtenido en la muestra
N  número de sujetos de la muestra
n  número de ítems
19
¿Existen una diferencia significativa entre el valor de alpha de
dos muestras independientes?
Feldt (1969), propone el estadístico de contraste W basado en
la distribución F con (N1-1; y N2 –1; grados de libertad) que
permite probar la H0: 1= 2
1  ˆ1
W
1  ˆ 2
W se distribuye con ( N1  1) y (N 2 - 1) grados de libertad

ˆ1 y ˆ 2  alpha obtenido en cada muestra.
N 1 yN 2  número de sujetos de cada muestra
20
¿Existen una diferencia significativa entre el valor de alpha de
dos muestras dependientes?
Feldt (1969), propone el estadístico de contraste t basado en
la distribución t con (N-2) g.l
(ˆ1  ˆ 2 ) ( N  2)
t
4(1  ˆ )(1  ˆ )(1  r )
1 2
2
x1 x 2
t se distribuye segú t de student con ( N  2) grados de libertad

ˆ1 y ˆ 2  alpha obtenido en cada muestra.

rx21x 2  correlació n al cuadrado entre las
puntuaciones en ambos test
21
Coeficiente alpha de Cronbach. Casos particulares
Casos particulares de Alpha fórmulas de Kuder-Richardson
(1937): hacen referencia a la estimación de la fiabilidad de un
test en el caso de que los ítems sean dicotómicos  la
varianza viene determinada por:
S h2  ph qh
Donde ph es la proporción de aciertos; mientras que qh es la de
errores. En tal caso alpha se puede definir mediante KR20 ,o
KR21 (cuando los ítems presentan igual dificultad; es decir, la
misma proporción de aciertos)
 
n   pq 
2
 X 
KR20  1 X

n 1  S x2  n  n 
KR21  1 
Donde; n 1  S x2 
 
n= es el número de ítems
p= es la proporción de aciertos
 
q= es la proporción de errores
S2x= es la varianza total de test. 22
Coeficiente alpha de Cronbach. Casos particulares
Supongamos un test compuesto por 6 ítems, y al que responden 6
sujetos
sujetos A B C D E F n   pq 
1 1 1 1 1 1 1
KR20   1  
n 1  2
Sx 
2 1 1 1 0 1 1
6  .22  0.25  ...  .22 
3 1 0 1 0 1 1 1    .82
4 0 1 0 1 0 1
5 4.45 
5 0 0 0 0 0 0 2. Y a continuación aplicar
KR20. Se observa que el
6 1 0 0 0 0 0
valor obtenido es de .82
p 4/6 3/6 ... ... ... 4/6
q 2/6 3/6 2/6
VAR .22 .25 .22
1. Primero habría que calcular la

varianza de los ítems, que al ser
23
dicotómicos es p*q.
COEFICIENTES BASADOS EN EL ANÁLISIS FACTORIAL DE
LOS ÍTEMS
Los coeficientes Theta () de Carmines y Omega ()

constituyen dos indicadores de la consistencia interna de los
ítems de un test, basados en el Análisis Factorial de los
ítems.

n  1
1     1
n  h 2j
n  1  1  n  2 r jh
n  número de ítems del test n  número de ítems del test
1  varianza explicada por
h 2j  comunalidad estimada del ítem j

el 1er factor antes de la rotación r jh  representa la correlación entre los
ítems j y h
En general, para los mismos datos se verifica que  24

EL COEFICIENTE BETA () DE RAJU
El coeficiente Beta () de Raju (1977). Cuando un test se

divide en varios subtests con distinto número de items, 
infraestima el coeficiente de fiabilidad, si se calcula a partir
de la puntuación total de cada subtest.
Por el contrario,  supera este problema y proporciona una
estimación de la fiabilidad de un test compuesto por distintos
subtest (batería de test), a partir de las puntuaciones
totales en ellos.
k K=número de subtests.
S S
2 2
2
x
j 1
j
Sx=varianza del test total.
 2
 Sj=varianza de cada subtest.
 nj  
2
k
S x 1     
2
nj=número de ítems de cada subtest.
 j 1  n  
n= número total de items del test. 25
EL COEFICIENTE BETA () DE RAJU. Ejemplo
Se ha aplicado un test compuesto por 4 subtest a una

muestra de 200 empleados de correos. Los subtests
están compuestos por A=18; B=30; C=45 y D=55
ítems. La varianza total del test es 50 y la de los
subtest es SA  5; SB  7; SC  9; y SD  11 . Calcular alfa y
2 2 2 2
Beta
1. A partir de las
4  5  7  9  11  puntuaciones totales
 1    0.48 calculamos alpha, y
4 1  50 
encontramos que vale
50  (5  7  9  11)
  0.50 .48.
501  (0.015  0.041  0.092  0.138)
2. Sin embargo, cuando

Sólo, en el caso de que los distintos aplicamos  de Raju
subtests, contengan el mismo encontramos que dicho
número de ítems, alpha y beta valor es .50
serán iguales.
26
27
Procedimientos para estimar

la puntuación verdadera de
los sujetos
27
ESTIMACIÓN DE LA PUNTUACIÓN VERDADERA
ESTIMACIÓN DE LA PUNTUACIÓN VERDADERA

Tras obtener un valor del coeficiente de fiabilidad, la
siguiente pregunta relevante que nos podemos hacer
es:
¿Cómo hacer estimaciones acerca del valor de la
puntuación verdadera de un sujeto?:
1. Desigualdad de Chebychev.
2. Estimación basada en la distribución normal de los
errores.
3. Estimación basada en el modelo de regresión.
28
ESTIMACIÓN DE LA PUNTUACIÓN VERDADERA.
Estimación mediante la desigualdad de Chebychev
Desigualdad de Chebychev: no asume ningún tipo de distribución ni de

las puntuaciones empíricas ni de los errores de medida y permitió, por
primera vez, hacer estimaciones. Establece que la probabilidad de que una
variable aleatoria esté distanciada de su media en menos de K veces su
desviación típica es mayor o igual que 1-1/K^2. Es decir se expresa
mediante:

K P X  X  KS X  1
 1 2
K
donde :
1
1  2  nivel de confianza utilizado.
K
Sx  desviación típica de la variable aleatoria.
29
Desigualdad de Chebychev
Traducido en términos psicométricos, basándonos en las derivaciones del

modelo lineal de Spearman:
K P X  V  KSe   1 
1
K2
1. Tendríamos que
sustituir la media, por 2. La desviación
la puntuación típica, por el error

verdadera, ya que: típico de medida
ya que:
1. E( X )  E(V )  E ( E)   X  V X V  E
30
Se ha administrado un test cuyo rxx =0.73 a 200 sujetos (Media=52;

y sd=7). Con los datos obtenido, estimar la puntuación
verdadera de un sujeto que obtuvo una puntuación de 65 (NC
95%).
1. Primero tendríamos que
Se  S x 1  rxx  7 1  0.73  3.64 calcular el error típico de
medida. Vale 3.64
1 2. Despejamos y calculamos el
1  2  0.95; K  4.5 valor de K. En este caso es 4.5
k
P| X  V | KS X   0.95; 3. Sustituimos todos los valores
en la desigualdad. Y
P| 65  V | 4.5 * 3.64  0.95 comprobamos que con una
P 16.38 | V  65 | 16.38  0.95 Prob. del 95% la puntuación
P48.62  V  81.38  0.95 verdadera de un sujeto que ha
obtenido una X=65, se
encuentra entre 48.62 y 81.38
31
(intervalo muy amplio)
ESTIMACIÓN DE LA PUNTUACIÓN VERDADERA. Estimación
basada en la distribución normal de los errores
Estimación basada en la distribución normal de los

errores:
Asume la distribución normal de E y de las X empíricas
condicionadas a un determinado valor de V.
Fases:
1. Se fija un nivel de confianza y se determina el valor de Z
correspondiente.
2. Se calcula el error típico de medida.
3. Se calcula el error de medida máximo (Emax):

Emax=Zc Se
4. Se calcula el intervalo confidencial de la puntuación
verdadera:
IC=X±Emax
32
Estimación basada en la distribución normal de los errores
Con los datos del ejemplo anterior calcular el intervalo según la

distribución normal de los errores.
X  65; X  52; S x  7; rxx  0.73; NC  0.95
1. Primero tendríamos que fijar el
NC, y determinar la Z asociada. En
1. NC  95%  Zc  1.96 este caso para un NC del 95%, la Z,
asociada es de 1.96
2. Se  3.64
2. A continuación Se . 3.64
3.E max  Zc * Se  1.96 * 3.64  7.13
3. El Emax; que es resultado del
72.13 producto de los anteriores. 7.13
4. IC  X  E max  65  7.13  
57.87
4. Finalmente el IC de V. Que para
X=65, estará entre 57.87 y 72.13.
48.62≤ V ≤ 81.38
Este intervalo es menos amplio que
57.87 ≤ V ≤ 72.13 el anterior, debido a que estamos
asumiendo cierta distribución de
probabilidad en los datos, cosa que 33
no ocurría antes.
Estimación basada en el modelo de regresión
Estimación basada en el modelo de regresión:
Dado que X siempre está afectada por errores de medida (E)

podríamos hacer estimaciones puntuales de V, y a posteriori
establecer intervalos de confianza en torno a ella. Es decir, utilizar
V’ en lugar de X para construir el Intervalo de Confianza.
En este caso, la predicción de una variable Y, a partir de otra X,
viene expresada mediante la siguiente ecuación:
Sy
Y ` rxy (X  X ) Y
Sx
Donde:
rxy es la correlación entre ambas variables.
Sy, Sx son las respectivas desviaciones típicas 34
Estimación basada en el modelo de regresión
Estimación basada en el modelo de regresión:

Si lo traducimos en términos psicométricos:
Sv
V ` rxv (X  X ) V 3. Y la Media de Y,
Sx por la de V.
2. La Sy, por la
1. La Y, sería Sv
sustituida por V´
Y dado que la razón entre las Sv y la Sx, es el índice de fiabilidad;

y que la media de X y V son iguales, la ecuación se simplifica:

Sv
 rxv ; y que X  V
Sx
Sv Sv
V ` ( X  X )  X  rxx ' ( X  X )  X
Sx Sx
35
Con los datos del ejemplo anterior calcular el intervalo según el

método de regresión.
X  65; X  52; S x  7; rxx  0.73; NC  0.95
V ` rxx ( X  X )  X  1. Primero, hacemos una

estimación de la V´, de un
0.73(65  52)  52  61.49 sujeto que ha obtenido una
X=65. Obtenemos 61.49
Probablemente dicho valor no coincida con el valor real del sujeto. A

dicha diferencia se denomina error de estimación, y a la
desviación típica de todas ellas, error típico de estimación
conveniencia de usar intervalos.
36
1. NC  95%  Zc  1.96 1. Primero tendríamos que fijar el NC, y

determinar la Z asociada. En este caso
para un NC del 95%, la Z, asociada es de
2. S vx  S x 1  rxx rxx  1.96
7 1  0.73 0.73  3.09 2. A continuación calcular el error típico

de estimación . 3.09 (más pequeño que Se)
3.Emax  Zc * Svx  1.96 * 3.09  6.06 3. El Emax; que es resultado del producto
de los anteriores. 6.06
67.55 4. Finalmente el IC de V. Que para

4. IC  V  Emax  61.49  6.06  
55.43 V`=61.49, estará entre 55.43 y 67.55.
48.62≤ V ≤81.38
Si comparamos este intervalo con los
57.87 ≤V ≤ 72.12 anteriores, es el menos amplio de todos
a la larga los errores de pronóstico serán
55.43 ≤V ≤ 67.55 los mínimos. 37
VALORACIÓN DE LA TEORÍA CLÁSICA DE LOS TEST
VALORACIÓN DE LA TCT
Ventajas:
Parsimonia y enjundia psicológica. Aplica a una amplia
diversidad de situaciones a las que ha sabido dar
soluciones prácticas (Muñiz, 2001).
Limitaciones:
1. Los supuestos no se pueden comprobar empíricamente
2. Concepto de error de medida: a) homogéneo a lo largo
del continuo de aptitud; b) errores independientes; c)

concepto global que engloba todas las fuentes de
variabilidad.
3. Medidas estrictamente paralelas.
4. Carácter variante y dependiente de sus índices.
5. Estimación de la fiabilidad  múltiples procedimientos
38
VALORACIÓN DE LA TEORÍA CLÁSICA DE LOS TEST
Encontramos una ventaja inherente a sus propias limitaciones ya que

dichas limitaciones han promovido el desarrollo de otras importantes
teorías, que han intentado superar:
- Problemas relacionados con el error de medida, o
-Dependencia de los instrumentos de medida sobre los propios
objetos de medida y viceversa.
No debemos olvidar que la TCT supone la primera formulación

matemática de una teoría sobre las puntuaciones de los tests, y
por tanto su posición en la mayoría de los programas docentes y

manuales que se publican está más que justificado
39
INTRODUCCIÓN A LA FIABILIDAD EN LOS TESTS
REFERIDOS AL CRITERIO
FIABILIDAD EN LOS TRC

TRN: ordenar a los sujetos respecto a su grupo según su
nivel en el rasgo medido  un sujeto que ocupa el P90 está
por encima del 90% de sujetos de su grupo en el rasgo
medido por el test.
En los años 60, en evaluación educativa, surge la

necesidad de construir tests que evalúen directamente el
conocimiento de los estudiantes sobre los objetivos
programados. A partir de lo que surgen los TRC ¿qué tipo
de problemas es capaz de resolver?¿qué tipo de resolución

requieren?¿cuál es el límite de la capacidad del sujeto?:
“Un test referido al criterio se utiliza para evaluar el

status absoluto del sujeto con respecto a algún
dominio de conductas bien definido” (Popham, 1978) 40
REFERIDOS AL CRITERIO
TRN vs TRC (Martínez-Arias, pág 657): 5 diferencias
-1.Finalidad de la evaluación: TRC (rendimiento);
TRN(diferencias individuales)
-2.Construcción: TRN(teorías existentes);
TRC(especificación del dominio).
-3.Selección de los ítems: TRN(maximizar diferencias
individuales); TRC(de acuerdo con los objetivos)
-4.Significado de las puntuaciones; TRN(indicador de la

puntuación verdadera); TRC(estimador del rendimiento
del sujeto en el dominio).
-5.Interpretación de las puntuaciones: TRN(se compara
con su grupo normativo); TRC(tiene significado en
41
términos absolutos).
INTRODUCCIÓN A LA FIABILIDAD EN LOS TRC
FIABILIDAD EN LOS TRC
Impulso de algunos aspectos como:

1. Definir con mayor claridad los objetivos de interés
2. Muestrear exhaustivamente los objetivos a
evaluar.
3. Nuevas formas de evaluar la fiabilidad y validez
4. Establecer los puntos de corte más apropiados.

5. Detectar los puntos fuertes y débiles de los
sujetos.
42
REFERIDOS AL CRITERIO. Fiabilidad
Fiabilidad: determinar el grado de error presente en las

mediciones.
Objetivo en los TRC: clasificar a las personas entre las

que dominan el criterio y las que no.
Fiabilidad consistencia o precisión en las

clasificaciones realizadas por el test
Dos aplicaciones del Una sola aplicación del

test test
43
REFERIDOS AL CRITERIO. Fiabilidad. Formas paralelas
Dos aplicaciones: en este caso podemos aplicar el mismo test

a una muestra; o dos formas paralelas.
Fiabilidad perfecta  clasificación idéntica en ambas

aplicaciones.
Procedimientos para su evaluación:

1. Coeficiente p0 de Hambleton y 2. Coeficiente Kappa:
Novick:
Fc Fc  Fa
p0  K
N N  Fa
Donde; Donde;
Fc= número de personas en la Fc= número de personas en la
que ambos tests coinciden en que ambos tests coinciden en
la clasificación. la clasificación.
N= número total de personas. Fa=coincidencia por azar
N= número total de personas.
44
REFERIDOS AL CRITERIO. Fiabilidad. Formas paralelas
Se ha aplicado dos tests paralelos de Psicometría a 20 sujetos. Las
clasificaciones realizadas se muestran en la siguiente tabla.
Calcular la fiabilidad de la clasificación.
1. Aplicando p0 vemos
Test B que los tests coinciden en
Test A Apto No-apto Total (N) clasificar a 2 aptos y 14
no-aptos la fiabilidad es
Apto 2 3 5
0.80
No-apto 1 14 15
2. Aplicando K vemos la
Total (N) 3 17 20 fiabilidad se reduce
considerablemente al
Fc 2  14 considerar las clasificaciones
1. p0    0.80
N 20 realizadas por azar.
 3  5 17 15 
(2  14)    
Fc  Fa  20 20  16  13.5
2.K     0.38
N  Fa 20  13.5 20  13.5
45
OTRAS APROXIMACIONES AL ESTUDIO DE LA FIABILIDAD.
LA FIABLIDAD EN LA METODOLOGÍA OBSERVACIONAL
OTRAS APROXIMACIONES AL ESTUDIO DE LA FIABILIDAD

Fiabilidad: Grado de precisión de la medida, o del instrumento
de medida utilizado
En Metodología observacional, por ejemplo, el instrumento de
medida más común es un “Sistema de categorías” que
análogamente a un test pretende “recoger la variabilidad del
comportamiento del sujeto en el dominio comportamental que se
esté estudiando”.
Procedimientos más habituales en su cálculo se basan en los

mismos principios utilizados bajo la lógica de los TRC medir la
consistencia en las clasificaciones, en este caso de distintos
observadores: Índice de Acuerdo (aproximación exploratoria);
Coeficiente Kappa.
46
OTRAS APROXIMACIONES AL ESTUDIO DE LA FIABILIDAD.
LA FIABLIDAD EN LA METODOLOGÍA OBSERVACIONAL
SOLO PRETENDEMOS INDICAR QUE LA

FIABILIDAD NO ES EXCLUSIVA DE LA TEORÍA
DE TESTS, SINO, QUE EL PROBLEMA DE LA
PRECISIÓN ES COMÚN A CUALQUIER
APROXIMACIÓN CIENTÍFICA QUE IMPLIQUE
MEDICIÓN. LO EXCLUSIVO ES QUE CADA
APROXIMACIÓN ADAPTA EL MÉTODO A SUS

PECULIARIDADES DE ESTUDIO
47
A MODO DE SÍNTESIS
-El error de medida presente en todo proceso de medición. Fiabilidad;

modelo lineal de Spearman (supuestos y derivaciones); factores que
afectan a la fiabilidad; formas paralelas y test-retest.
Apoximaciones al estudio de la fiabilidad
1. Fiabilidad como consistencia interna

- Dos mitades (Spearman-Brown; Rulon; Guttman-Flanagan)
- Covariación ítems (, KR20 KR21; , ;  de Raju)
2. Estimación de la puntuación verdadera:

- Desigualdad de Chebychev.
- Distribución normal de los errores.
- Método de regresión
48
A MODO DE SÍNTESIS
Apoximaciones al estudio de la fiabilidad:
3. Fiabilidad en los TRC.
- P0 de Hambleton y Novick
- Kappa de Cohen.
4. Otras aproximaciones al estudio de la fiabilidad.
5. Reflexión general sobre el concepto de fiabilidad.
49
50 BIBLIOGRAFÍA COMENTADA
1. Barbero, I., García, E. Vila, E., y Holgado, F.P. (2010). Psicometría:
Problemas resueltos. Madrid: Sanz y Torres.
Se trata de un libro de ejercicios y problemas en el que se incluye el
desarrollo de la solución. El alumno podrá completar desde un punto de
vista aplicado los conceptos y contenidos vistos en la parte teórica; así como
adquirir las destrezas necesarias para la resolución de problemas.
2. Barbero, I. (Coord) , Vila, E. y Holgado, F.P. (2010). Psicometría. Madrid:
Sanz y Torres.
En el capítulo 4 se introduce el modelo lineal clásico y el concepto de tests
paralelos, así como la interpretación del coeficiente de fiabilidad y distintos
métodos para su estimación. Y el capítulo 5 se centra en la fiabilidad de los

TRC.
3. Gómez-Benito, J. (1996). Aportaciones de los modelos de estructuras de
covarianza al análisis psicométrico. En J. Muñíz (Coord.), Psicometría.
Madrid: Universitas.
El capítulo 10, define conceptos fundamentales como coeficiente de fiabilidad y tests
paralelos desde modelos de ecuaciones estructurales. 50
4. Martínez Arias, R. (1995). Psicometría: Teoría de los Tests Psicológicos y
Educativos.
El Capítulo 3 presenta de una forma clara los conceptos básicos del modelo clásico.
Los tres primeros apartados del Capítulo 4 también se pueden consultar para la
preparación de este tema. Presenta numerosos ejercicios que permiten aplicar los
conocimientos teóricos adquiridos.
5. Meliá, J.L. (2000). Teoría de la Fiabilidad y la Validez. Valencia: Cristóbal Serrano.
En los Capítulos 3 y 4 expone el modelo lineal clásico de los errores de medida, el
concepto de coeficiente e índice de fiabilidad y la definición de tests paralelos. El
Capítulo 6 destaca algunas de las críticas. En el Capítulo 6 se trata la consistencia
interna y los factores que afectan a la estimación de la fiabilidad.
7. Muñíz, J. (1996). Fiabilidad. En J. Muñíz (Coord.), Psicometría. Madrid:
Universitas.
En el Capítulo 1 se resumen los conceptos fundamentales del modelo lineal clásico y
la definición de paralelismo.
6. Nunnally, J.C. y Bernstein, I.J. (1995). Teoría Psicométrica. México: McGraw Hill.
El Capítulo 6 se presentan aspectos sobre supuestos y deducciones del modelo
clásico. En el Capítulo 7 presentan algunas limitaciones y extensiones del modelo
51
lineal clásico.

Alfa de Crombach

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Alfa de Crombach

Uploaded by

Copyright:

Available Formats

PSICOMETRÍA

Salvador Chacón Moscoso

6.2. Estimación basada en la distribución normal de los errores

FIABILIDAD COMO CONSISTENCIA INTERNA:

En la mayoría de las ocasiones, sólo es posible llevar a cabo una

Métodos que requieren una sola aplicación del test:

3. Asignación aleatoria a cada una de las mitades.

Tantos coeficientes de fiabilidad como divisiones

Ecuación de Spearman-Brown para elementos paralelos: es el

En la siguiente tabla, se muestran las puntuaciones de una muestra

Participantes par X 1 imparX 2

Calcular la fiabilidad utilizando la fórmula de Spearman-Brown.

En la siguiente tabla, se muestran las puntuaciones de una muestra

Ecuación de Rulon (1939): se utiliza cuando las dos mitades no

En la siguiente tabla, se muestra las puntuaciones de una

Participantes X Par Impar

Calcular la fiabilidad utilizando la fórmula de Rulon.

En la siguiente tabla, se muestra las puntuaciones de una

De fiabilidad vale .61

Guttman (1937) y Flanagan (1945): Llegaron de manera

Con los datos del ejercicio anterior, calcular el coeficiente de

Métodos basados en la covariación de los ítems:

 j  sumatorio de la varianza de los elementos del test.

S x2  varianza de las puntuaciones del test. 14

Se ha aplicado un test de percepción visual a 6 sujetos.

N  número de sujetos de la muestra

En la práctica, a partir de 100 sujetos las diferencias son

1. ¿Puede tomar alpha un valor concreto en la

3. ¿Es significativa la diferencia entre dos valores de

- DESARROLLO DE LA TEORÍA MUESTRAL DEL

- ¿Puede tomar alpha un determinado valor en la

  alpha propuesto por la hipótesis para la población.

W se distribuye con ( N1  1) y (N 2 - 1) grados de libertad

t se distribuye segú t de student con ( N  2) grados de libertad

ˆ1 y ˆ 2  alpha obtenido en cada muestra.

q 2/6 3/6 2/6

VAR .22 .25 .22

1. Primero habría que calcular la

Los coeficientes Theta () de Carmines y Omega ()

h 2j  comunalidad estimada del ítem j

En general, para los mismos datos se verifica que  24

El coeficiente Beta () de Raju (1977). Cuando un test se

Se ha aplicado un test compuesto por 4 subtest a una

501  (0.015  0.041  0.092  0.138)

2. Sin embargo, cuando

Procedimientos para estimar

ESTIMACIÓN DE LA PUNTUACIÓN VERDADERA

Desigualdad de Chebychev: no asume ningún tipo de distribución ni de

Traducido en términos psicométricos, basándonos en las derivaciones del

la puntuación típica, por el error

Se ha administrado un test cuyo rxx =0.73 a 200 sujetos (Media=52;

Estimación basada en la distribución normal de los

3. Se calcula el error de medida máximo (Emax):

Con los datos del ejemplo anterior calcular el intervalo según la

Estimación basada en el modelo de regresión:

Dado que X siempre está afectada por errores de medida (E)

Estimación basada en el modelo de regresión:

Y dado que la razón entre las Sv y la Sx, es el índice de fiabilidad;

y que la media de X y V son iguales, la ecuación se simplifica:

Con los datos del ejemplo anterior calcular el intervalo según el

V ` rxx ( X  X )  X  1. Primero, hacemos una

Probablemente dicho valor no coincida con el valor real del sujeto. A

1. NC  95%  Zc  1.96 1. Primero tendríamos que fijar el NC, y