TEMA VI

ESQUEMA GENERAL
Definicin general

Clasificacin

Caso paramtrico: anlisis estadsticos

aplicables
Formato del diseo multigrupo
completamente al azar, modelo estructural
y componentes de variacin

DISEOS EXPERIMENTALES
MULTIGRUPO
 Concepto

Los diseos multigrupo, de uso frecuente en

ciencia psicolgica y social, son estructuras
de una sola variable independiente a tres o
ms valores o niveles. Al seleccionar ms de
dos valores de la variable independiente o
causal, es posible extraer la relacin
funcional entre la variable independiente y
dependiente del experimento. Por dicha
razn, estas estructuras se conocen por
experimentos funcionales o paramtricos
(Plutchik, 1968)
Clasificacin
Tcnica de control Diseo

Aleatorizacin Diseo multigrupo (de tres o ms grupos

completamente al azar

Constancia Diseo de Bloques de grupos al azar

Diseo de Cuadrado Latino
Diseo Jerrquico

El sujeto como Diseo de medidas repetidas con tres o

control propio ms tratamientos (Sujetos x
Tratamientos)
Diseo multigrupo al azar
 Diseo multigrupo al azar

El diseo multigrupo totalmente al azar

requiere la asignacin aleatoria de los
sujetos de la muestra a los distintos grupos,
sin restriccin alguna. Se trata de una
extensin del diseo de dos grupos, ya que
en esta situacin se eligen de la variable de
tratamiento ms de dos valores o
condiciones.
Formato del diseo de multigrupo
al azar
 Tratamientos
A1 A2 Aj Aa

S S S
u u u
j j . j
e e e
t t t
o o o
s s s

Asignacin aleatoria
Muestra
experimental
Anlisis aplicables
Prueba de significacin
general ANOVA unidireccional

Si la V. Independiente es
categrica Comparaciones mltiples

Si la V. Independiente es
cuantitativa Anlisis de tendencias
 Caso paramtrico. Ejemplo 1

Supngase que se pretende probar si la cantidad de

repasos es una variable decisiva en la retencin
(memoria de recuerdo), para un conjunto de palabras
monoslabas de igual valor asociativo. De la variable
independiente o variable repaso se seleccionan los
siguientes valores: presentacin de la lista sin repaso
(condicin A1), dos presentaciones de la lista, siendo la
segunda presentacin un repaso (condicin A2), tres
presentaciones y dos repasos (condicin A3) y, por
ltimo, cuatro presentaciones y tres repasos (condicin
A 4) ..//..
Se instruye a los sujetos que lean en voz alta
cada uno de los tems presentados, a un tem
por segundo. Al terminar las lecturas, los
sujetos realizan una prueba de memoria de
recuerdo consistente en restituir o recuperar
de la memoria la mayor cantidad de tems. La
medida de la variable dependiente es la
cantidad de respuestas o tems correctamente
recordados. Asumiendo que cada tem tiene la
misma dificultad de recuerdo, se considera
que la escala de medida es de intervalo.
 Modelo de prueba estadstica
Paso 1. La hiptesis de nulidad asume que las medias
de los grupos experimentales proceden de una misma
poblacin y, por consiguiente, son idnticas:

H0: 1 = 2 = 3 = 4

Paso 2. La hiptesis experimental asume que la

cantidad media de palabras recordadas variar
positivamente en funcin de la cantidad de repasos. En
trminos estadsticos:

H1: 1 < 2 < 3 < 4

Paso 3. Se aplica una prueba de significacin
general o prueba mnibus, cuyo estadstico es la F
de Snedecor. El nivel de significacin de = 0.05.
El tamao de la muestra experimental y las
submuestras de tratamiento son:
N = 20 y n = 5.
F0.95(3/16) = 3.24

Paso 4. Tras la ejecucin del experimento, se

calcula el valor emprico de F, a partir de la matriz
de datos.
Matriz de datos del diseo
 DISEO MULTIGRUPO
TRATAMIENTOS
A1 A2 A3 A4
2 4 6 9
1 3 7 7
3 5 8 8
4 7 7 9
2 6 5 8
12 25 33 41 111
Totales:
Medias: 2.4 5 6.6 8.2 5.5
ANOVA unidireccional
Modelo estructural del ANOVA:
Diseo multigrupo

Yij j ij
Especificacin de modelo del ANOVA
Yij = la puntuacin del i sujeto bajo la j condicin experimental o
tratamiento.

= la media global de los datos del experimento.

j = j - , es el efecto o impacto del j nivel de la variable de

tratamiento A.

ij = Yij - j, es el error experimental asociado al i sujeto bajo el j

tratamiento.

Para que el modelo sea vlido, se especifican las siguientes condiciones:

j = 0 y ij NID(0, )
 Cuadro resumen del ANOVA:
Diseo multigrupo
F.V. SC g.l CM F p
Trat (A) 91.75 (a-1)=3 30.58 21.08 <0.05
Error (S/A) 23.20 a(n-1)=16 1.45
Total (T) 114.95 an-1=19
F0.95(3/16) = 3.24
 Modelo de prueba estadstica

Paso 5. Dado que el valor observado de F es

mayor que el valor terico al 5% y en funcin
de los grados de libertad correspondientes, se
rechaza la hiptesis de nulidad y se acepta la
hiptesis alternativa o hiptesis experimental a
este nivel de significacin.
 Supuesto de homogeneidad

Igualdad de las variancias de los grupos:

H0: 1 = 2 = ... = j
 Prueba de la homogeneidad

Hartley: cuando n por grupo es constante

mayor de las variancias smayor

Fmax = ----------------------------------- = -------------
menor de las variancias smenor
Prueba del supuesto de homogeneidad de las variancias

2
s mayor
Fmax 2
s menor
s 1.3
2
1

s 2.5
2
2
2.5
s 1.3
2
3
Fmax 3.42
0.7
s 0.7
2
4 Fmax 0.95 (4 / 4) 20.60

j/(n-1)
 Resultado de la prueba

Entrando en la tabla de Fmax, con los

parmetros correspondientes y a un nivel de
significacin de 0.05, el valor terico de
Fmax 0.95(4/4) es 20.60. Dado que el valor
observado del estadstico es ms pequeo
que el de las tablas, se acepta la hiptesis
de nulidad o supuesto de homogeneidad de
las variancias.
Comparaciones mltiples
 Contrastes de medias

Las comparaciones o contrastes se efectan,

por lo general, entre las medias de los grupos
de tratamiento. Genricamente, una
comparacin entre k medias es la combinacin
lineal o suma ponderada de medias. Antes de
examinar los distintos procedimientos de
comparaciones mltiples, proponemos una
clasificacin prctica para su descripcin.
 No ortogonales
A priori o
planificadas
Ortogonales

Comparaciones
mltiples
Fisher
A posteriori o Duncan
no planificadas Tukey
Scheff
Dunnet
Newman-Keuls
Contrastes a priori o planificados

Las comparaciones a priori o planificadas se

formulan de acuerdo con los intereses
previos o tericos del investigador, y se
plantean antes de obtener los resultados del
experimento. Segn su naturaleza, las
comparaciones planificadas son no
ortogonales y ortogonales.
 Contrastes no ortogonales

Suma algebraica de las medias de los

tratamientos ponderadas por unos
coeficientes que cumplen la condicin de
linealidad:
aj = 0
_ _ _ _
c = a1Y.1 + a2Y.2 + ... + ajY.j = ajY.j
Cinco hiptesis de nulidad para los
contrastes no ortogonales

1. H0 = 2 - 1 = 0
Dos lecturas de la lista (condicin A2) no
difiere de una sola lectura (condicin A1)

2. H0 = 3 - 1 = 0
Se asume la igualdad entre la condicin tres
(A3) y uno (A1) ..//..
3. H0 = 4 - 1 = 0
Se asume la igualdad entre cuatro lecturas
(condicin A4) y una sola lectura (condicin
A1) ..//..
4. H0 = 3 - 1/2(1 + 2) = 0
Se establece la igualdad entre tres lecturas y
el promedio entre una y dos lecturas.

5. H0 = 4 - 1/3(1 + 2 + 3) = 0
Se define la igualdad entre cuatro lecturas y
el promedio de las restantes.
 Reformulacin de las hiptesis
nulas en combinaciones lineales

1. (-1)1 + (1)2 + (0)3 + (0)4 = 0

2. (-1)1 + (0)2 + (1)3 + (0)4 = 0
3. (-1)1 + (0)2 + (0)3 + (1)4 = 0
4. (-1/2)1 + (-1/2)2 + (1)3 + (0)4 = 0
5. (-1/3)1 + (-1/3)2 + (-1/3)3 + (1)4 = 0
Comparaciones mltiples a priori:
no ortogonales
Coeficientes
Contraste a1 a2 a3 a4 aj
c1 -1 1 0 0 2
c2 -1 0 1 0 2
c3 -1 0 0 1 2
c4 -1/2 -1/2 1 0 1.5
c5 -1/3 -1/3 -1/3 1 1.33
Prueba de las hiptesis de nulidad
Paso 1. Clculo del valor emprico del contraste.
c1 = (-1)2.4 + (1)5.0 + (0)6.6 + (0)8.2 = 2.6

c2 = (-1)2.4 + (0)5.0 + (1)6.6 + (0)8.2 = 4.2

c3 = (-1)2.4 + (0)5.0 + (0)6.6 + (1)8.2 = 5.8

c4 = (-1/2)2.4 + (-1/2)5.0 + (1)6.6 + (0)8.2 = 2.9

c5 = (-1/3)2.4 + (-1/3)5.0 + (-1/3)6.6 + (1)8.2 = 3.53

Paso 2. Clculo del error estndar del contraste.

a1 a2 aj
c sc = se (------ + ------ + ... + ------)
n n n

CMe
= -----------aj
n

..//..
 donde se = CMe es la variancia del error o
Cuadrado Medio del error del Anlisis de la
Variancia. As, se obtienen los errores estndar
de los distintos contrastes que se muestran en la
siguiente pantalla. ..//..
 (1.45)2
sc1 = -------------- = 0.76
5
(1.45)2
sc2 = -------------- = 0.76
5
(1.45)2
sc3 = --------------- = 0.76
5
(1.45)1.5
sc4 = --------------- = 0.66
5
(1.45)1.33
sc5 = ---------------- = 0.62
5
Paso 3. A continuacin, se prueba la
significacin del contraste mediante el
estadstico t o F. Cuando se utiliza este segundo
estadstico, es necesario calcular las Sumas de
Cuadrados de los contrastes, aplicando la
siguiente expresin:

c
SCc = ---------
(aj/n)

..//..
El valor de los respectivos estadsticos de la prueba
se obtienen de las ecuaciones siguientes:
c
t = -------, y
sc

CMc
F = ---------
CMe

Puesto que cada contraste tiene un solo grado de

libertad, el valor del Cuadrado Medio es la
correspondiente Suma de Cuadrados. ..//..
 CM error c
sc a 2
t
n
j
sc

(1.45) 2 2 .6
Sc1 0.76 3.42
5 0.76
(1.45)2 4 .2
Sc2 0.76 5.53
5 0.76
(1.45)2 5 .8
Sc3 0.76 7.65
5 0.76
(1.45)1.5 2 .9
Sc4 0.66 4.39
5 0.66
(1.45)1.33 3.53
Sc5 0.62 5.69
5 0.62
 nc 2 g.l CM c
SC c 2 F
a j CM error

( 5 )( 2.6 )2 1 16.9
SCc1 16.9 11.66
2 1.45
( 5 )( 4.2 )2 1 44.1
SCc2 44.1 30.41
2 1.45
( 5 )( 5.8 )2 1 84.1
SCc3 84.1 58
2 1.45
( 5 )( 2.9 )2 1 28.03
SCc4 28.03 19.33
1.5 1.45
( 5 )( 3.53 )2 1 46.84
SCc5 46.84 32.3
1.33 1.45
Cuadro resumen de los valores
de t y F
Cuadro resumen del clculo de las Sumas
de Cuadrados y de los valores de t y F
Valores t Valores F
2.6 16.9
c1 = -------- = 3.42 -------- = 11.66
0.76 1.45

4.2 44.1
c2 = -------- = 5.53 -------- = 30.41
0.76 1.45

5.8 84.1
c3 = -------- = 7.65 -------- = 58
0.76 1.45 ..//..
 Valores t Valores F

2.9 28.03
c4 = --------- = 4.39 --------- = 19.33
0.66 1.45
3.53 46.84
c5 = --------- = 5.69 --------- = 32.3
0.62 1.45
Paso 4. Entrando en la tabla de t, con los grados de
libertad asociados al trmino de error del ANOVA y a un
nivel de significacin del 5%, se tiene

t0.95 (16) = 2.12

De igual modo, entrando en la tabla de F, se tienen

F0.95(1/16) = 4.49

De esto se concluye que todos los contrastes son

significativos.
 Contrastes ortogonales

La propiedad bsica de las comparaciones ortogonales

es que reflejan piezas de informacin independientes
y que el resultado de una comparacin no tiene
relacin alguna con el resultado de cualquier otra.
Bajo el supuesto de ortogonalidad, dos
comparaciones son independientes cuando la suma de
los productos cruzados de los coeficientes es cero, es
decir, la condicin de ortogonalidad entre dos
comparaciones cumple la siguiente restriccin:
(ajak = 0)
 Tres hiptesis de nulidad para los
contrastes ortogonales
1. H0 = 2 - 1 = 0
Dos lecturas de la lista (condicin A2) no difiere de
una sola lectura (condicin A1)

3. H0 = 23 (1 + 2) = 0
Se establece la igualdad entre tres lecturas y el
promedio entre una y dos lecturas.

5. H0 = 34 - (1 + 2 + 3)= 0
Se define la igualdad entre cuatro lecturas y el
promedio de las restantes.
Coeficientes de los contrastes
ortogonales
Coeficientes a 2j
Contraste a1 a2 a3 a4
c1 -1 1 0 0 2
c2 -1 -1 2 0 6
c3 -1 -1 -1 3 12
Supuesto de ortogonalidad entre dos
contrastes

Ejemplo: entre el contraste uno y dos:

(-1)(-1) + (1)(-1) + (0)(2) + (0)(0) = 0

Suma de cuadrados del contraste

nc
SCC = --------
aj
 Razones F

16.90
F1 = ------------ = 11.66
1.45
28.03
F2 = ------------ = 19.33
1.45
46.28
F3 = ----------- = 32.39
1.45
 Valor terico de F

Entrando en la tabla de la distribucin F, el

valor terico del estadstico es F0.95(1/16) =
4.49
 Caractersticas de los contrastes
ortogonales

Una propiedad caracterstica de las comparaciones

ortogonales es la descomposicin de la Suma de
Cuadrados de tratamientos del ANOVA en tantos
componentes ortogonales (independientes) como
grados de libertad de esa fuente de variacin (se
dispone de un grado de libertad por componente)
Siguiendo con el ejemplo propuesto, la Suma de
Cuadrados de tratamientos, SCA, tiene a - 1 grados de
libertad y, como consecuencia, tres componentes
ortogonales (siendo a igual a cuatro)
 Propiedades de los contrastes
ortogonales

SCC1 1g.l. (16.9)

SCA SCC2 1g.l.(28.03)

(91.75)
SCC3 1g.l.(46.82)
Desventajas de los contrastes a priori
o planificados
Se corre el riesgo de cometer ms errores de Tipo
I al asumir como verdadera la hiptesis de
nulidad; es decir, hay la posibilidad de realizar
ms rechazos falsos de la hiptesis de nulidad o
de no efectos. En lnea con esa problemtica, es
conveniente distinguir dos tipos de errores: Error
de Tipo I por comparacin (PC) y tasa de error
por familia (PF). El error PC, simbolizado por ,
es la probabilidad de cometer un error de Tipo I
por comparacin. ..//..
Si es 0.05, la probabilidad es 0.05. Por el
contrario, la tasa de error PF, PF, es la
probabilidad de cometer uno o ms errores
de Tipo I en un conjunto de comparaciones.
La relacin entre estos dos errores y la
probabilidad de cometer al menos un error
de Tipo I es

PF = 1 - (1 - )c
 Clculo del error PF

As, con cinco comparaciones (c = 5), y un de

0.05, la probabilidad de cometer un error PF es 1
- 0.955 = 0.23. De forma aproximada, esa
probabilidad se calcula por (c)(), 5(0.05) =
0.25. En el caso de las comparaciones
ortogonales estudiadas, la probabilidad de
rechazar una de las hiptesis de nulidad siendo
verdadera es 1 - (0.95)3 = 0.14. Esta probabilidad
tiende a aumentar con el nmero de
comparaciones independientes. ..//..
As, para un conjunto de comparaciones
independientes, es posible que algunas sean
significativas como resultado de la propia
metodologa. Para evitar esas dificultades
se aplican las comparaciones a posteriori,
post hoc, o comparaciones simultneas.
Cantidad de contrastes planificados

La cantidad de comparaciones planificadas a

partir de un nmero dado de tratamientos, a, es

(3a - 1)
1 + ------------- - 2a
2 ..//..
Si, como en el experimento propuesto, a = 4
(cuatro tratamientos), entonces hay 1 + (3 4 -
1)/2 - 24 = 25 comparaciones. De las cuales,
[4(4 - 1)]/2 = 6, son comparaciones entre pares
y 19 son comparaciones de combinaciones de
tratamientos. En la prctica, no se formulan las
25 comparaciones posibles, sino tan slo las
que tienen inters terico. Dado que existe una
probabilidad calculada de cometer un falso
rechazo de la hiptesis de nulidad, en una de
esas comparaciones, es posible controlar el
error por conjunto o familia de comparaciones
a un nivel aceptable.
 Correccin de Bonferroni o de
Dunn
Supngase, como hiptesis de trabajo, que se
efectan cinco comparaciones planificadas, con
un de 0.05. La tasa de error PF es, en este caso,
5(0.05) = 0.25. Para reducir este error, se escoge
simplemente un valor ms pequeo de , por
ejemplo 0.01. De este modo, la tasa de error PF es
ahora de 5(0.01) = 0.05. Esta correccin, conocida
como prueba de Bonferroni o prueba Dunn,
consiste en dividir tasa de error PF deseada por la
cantidad de comparaciones (0.05/5 = 0.01)
 Contrastes no planificados o a
posteriori
El objetivo de los contrastes no planificados es
obtener el mximo de informacin de los
datos de un experimento. Los contrastes no
planificados son procedimientos para efectuar
comparaciones a posteriori. Estos
procedimientos poseen, de otra parte, la
ventaja de mantener constante la probabilidad
de cometer errores de Tipo I cuando se toma la
decisin estadstica. ..//..
Los mtodos propuestos se conocen por
comparaciones simultneas.

Con comparaciones no planificadas, a

posteriori o post hoc, los pruebas
estadsticas citadas van encaminados a
reducir el tamao de la regin crtica, y
controlan el error PF mediante el ajuste del
valor alfa. ..//..
Con comparaciones no planificadas o post
hoc, hay tcnicas encaminadas a reducir el
tamao de la regin crtica, que controlan el
error PF mediante el ajuste del valor alfa.
Entre los distintos mtodos, se encuentran
las pruebas de Scheff (1959), Tukey
(1953), Newman-Keuls (Newman, 1939 y
Keuls, 1952), Duncan (1953), y Dunnett
(1955).
Anlisis de tendencias
 Concepto

Una de las tcnicas de anlisis de tendencias es el

mtodo de polinomios ortogonales. En virtud de ese
procedimiento, es posible dividir la variacin o Suma de
Cuadrados de tratamientos en una serie de componentes
independientes de tendencia como, por ejemplo, lineal,
cuadrado, cbico, etc. Cada componente ortogonal
aporta informacin particular sobre una clase de
tendencia o relacin entre la variable independiente y la
variable dependiente. Al mismo tiempo, este
procedimiento permite verificar estadsticamente la
significacin de cada componente de tendencia.
 Anlisis de tendencias: Descomposicin
polinmica ortogonal de la Suma de Cuadrados
Entre tratamientos o Entre grupos.
Fuentes de variacin Grados de libertad Sumas de cuadrados
Entre Tratamientos k-1 SCA
Lineal 1 SCLin

Cuadrtico 1 SCCuad
Cbico 1 SCCub
.
k-1 1 SCk-1
 Coeficientes de los contrastes
polinmicos ortogonales

Coeficientes de polinomios ortogonales, k = 4

Coeficientes
Contraste a1 a2 a3 a4 aj

Lineal -3 -1 1 3 20
Cuadrtico 1 -1 -1 1 4
Cbico -1 3 -3 1 20
Clculo de las suma de cuadrados

El clculo de la Suma de Cuadrados de cada

uno de estos componentes se obtiene de la
expresin,

nc
SCC = --------
aj
 Cuadro resumen del anlisis de
tendencias
Componente SC g.l. CM F p

Lineal 90.25 1 90.25 62.24 <0.05

Cuadrtico 1.25 1 1.25 0.86 >0.05
Cbico 0.25 1 0.25 0.17 >0.05

Error 23.20 16 1.45

F0.95(1/16) = 4.49
Grfico de medias
 Caso paramtrico. Ejemplo 2

Se pretende estudiar si el ruido ambiental afecta el

rendimiento en un tarea cognitiva. Se lleva a cabo un
experimento en que los sujetos tienen que verificar
clculos aritmticos simples (por ejemplo,
multiplicaciones del tipo a x b = c). Para ello, una
muestra de 120 individuos son asignados al azar a los
grupos: el primero realiza la tarea en un sala
insonorizada; el segundo realiza la tarea con un ruido
de 20 dB; el tercero con un ruido de 40 dB y el ltimo
con ruido de 60 dB. Cada individuo verifica un total de
50 operaciones aritmticas. La variable dependiente es
el tiempo de reaccin. ..//..
 Estadsticos descriptivos

Descriptivos

tr
Intervalo de confianza para
la media al 95%
Desviacin Lmite
N Media tpica Error tpico Lmite inferior superior Mnimo Mximo
0 db 30 566.4227 51.43192 9.39014 547.2178 585.6277 421.85 650.99
20 db 30 597.9409 48.58777 8.87087 579.7980 616.0839 480.37 717.32
40 db 30 651.4794 55.99825 10.22383 630.5693 672.3895 572.16 772.80
60 db 30 806.2980 50.80912 9.27643 787.3256 825.2705 708.69 926.26
Total 120 655.5353 105.76248 9.65475 636.4179 674.6526 421.85 926.26
Prueba de homogeneidad de las
variancias

Prueba de homogeneidad de varianzas

tr
Estadstico
de Levene gl1 gl2 Sig.
.364 3 116 .779
 ANOVA

ANOVA

tr
Suma de Media
cuadrados gl cuadrtica F Sig.
Inter-grupos 1020120.4 3 340040.120 126.841 .000
Intra-grupos 310978.126 116 2680.846
Total 1331098.5 119
 Comparaciones mltiples
Coeficientes de los contrastes

ruido
Contraste 0 db 20 db 40 db 60 db
1 1 -1 0 0
2 1 0 -1 0
3 1 0 0 -1

Pruebas para los contrastes

Valor del
Contraste contraste Error tpico t gl Sig. (bilateral)
tr Asumiendo igualdad 1 -31.5182 13.36873 -2.358 116 .020
de varianzas 2 -85.0567 13.36873 -6.362 116 .000
3 -239.8753 13.36873 -17.943 116 .000
No asumiendo 1 -31.5182 12.91771 -2.440 57.813 .018
igualdad de varianzas 2 -85.0567 13.88170 -6.127 57.585 .000
3 -239.8753 13.19951 -18.173 57.991 .000
 Anlisis de tendencias

ANOVA

tr
Suma de Media
cuadrados gl cuadrtica F Sig.
Inter-grupos (Combinados) 1020120.4 3 340040.120 126.841 .000
Trmino lineal Contraste 896674.682 1 896674.682 334.475 .000
Desviacin
123445.677 2 61722.838 23.024 .000

Trmino cuadrtico Contraste 114022.497 1 114022.497 42.532 .000

Desviacin 9423.180 1 9423.180 3.515 .063
Trmino cbico Contraste 9423.180 1 9423.180 3.515 .063
Intra-grupos 310978.126 116 2680.846
Total 1331098.5 119
Grfico de medias
 Ventajas y desventajas

El diseo multigrupo completamente al azar

permite examinar, desde una perspectiva
amplia, las distintas estrategias de anlisis
aplicables a los datos experimentales. En
primer lugar, el anlisis unidimensional de la
variancia o indicador general de variacin de
las medias de los grupos. ..//..
En segundo lugar, las estrategias que
prueban las microhiptesis de investigacin;
es decir, las comparaciones mltiples entre
medias. Por ltimo, para aquellas
situaciones donde la variable independiente
es cuantitativa y con valores equidistantes,
el anlisis de tendencias mediante el
procedimiento de modelacin polinmica
ortogonal.