Análisis Multivariado en Ciencias Humana. Miguel Ángel Escotet

Análisis
Multivariado
en Ciencias
Humanas
Miguel Ángel Escotet
Nota Editorial
Análisis Multivariado en Ciencias Humanas en esta primera
edición digital contiene nuevas secciones y los cambios necesarios con los
que mantiene la actualidad y la relevancia metodológica. La enseñanza
de la estadística, en una buena parte de programas, se ha concentrado más
en las técnicas y procesos de cálculo que en los conceptos lógicos que las
implementan. Este libro pone énfasis en el desarrollo lógico de las medidas y
diseños, en la selección apropiada de las técnicas en función de los problemas
y en la comprensión de los diferentes procesos multivariados para las ciencias
sociales, de la conducta y biológicas. Sin embargo, no por ello se deja de
presentar los cálculos más importantes de las técnicas multivariadas a través
de ejemplos concretos de investigación. La obra inicial de diseño multivariado
representó desde su edición original un esfuerzo singular en la bibliografía
científica y didáctica en el idioma español y esta obra que ahora se presenta,
por deseo expreso de su autor, se distribuye gratuitamente a través de los
diferentes formatos de libro electrónico.
Miguel Ángel Escotet es psicólogo clínico e investigador social.
Además de sus estudios de ingeniería y sistemas de información, tiene varias
obras sobre la disciplina matemática y múltiples libros sobre ciencias de la
conducta, metodología de la investigación y educación superior. Se doctoró
en la Universidad de Nebraska e hizo sus estudios de máster y postgrado en la
Universidad de Texas. Es Life Member de la American Psychological Association
y catedrático emérito y ex–decano de la Universidad de Texas. Previamente fue
el director del Instituto de Postgrado y Educación Continua de la Universidad
de Deusto, catedrático y director del Instituto Internacional de Investigaciones
de Desarrollo Educativo de Florida International University, fundador y
vice-rector de la Universidad Nacional Abierta de Venezuela, catedrático de
psicología de la Universidad de Fort Lewis de Colorado y secretario general de
la Organización de Estados Iberoamericanos para la Educación, la Ciencia y la
Cultura. Actualmente preside Afundación y RSC, la Obra Social de ABANCA
en España y es director honorario de la Cátedra UNESCO y Universidad de
Palermo sobre Historia y Futuro de la Universidad.
Algunos de los libros del Dr. Escotet relacionados con el ámbito de
esta obra son: La actividad científica en la universidad, The Financing of the
Universities, Modelo de innovación de la educación superior, The Psychosocial
and Cultural Nature of Education, Manual de autoevaluación de la universidad,
Diseño multivariado en psicología y educación, Manual de Instant-Graf
Estadística-IGES, Evaluación institucional universitaria, Cross-Cultural
Research Methodology in Education, Los modelos matemáticos del
aprendizaje, Estadística psicoeducativa, Cuestionario investigativo de la
personalidad, y Cultural and Social Foundations of Education: An
Interdisciplinary Approach. Una relación completa de sus obras puede
consultarse haciendo clic aquí.
Análisis
Multivariado
en Ciencias
Humanas
Catedrático Emérito del Sistema de la Universidad de Texas
Escotet, Miguel Ángel
Análisis multivariado en ciencias humanas.

1ª ed. Digital – Miami: TransCampus, 2017.
478 págs. 24 x 27 cm. versión impresa.
ISBN 978-84-617-7678-8
1. Ciencias sociales 2. Psicología 3. Educación

4. Ciencias aplicadas - I. Tít: Estadística.
© MIGUEL ANGEL ESCOTET, 2017

Todos los derechos reservados.
Se prohíbe su reproducción por cualquier medio
sin la autorización escrita del autor o de la editorial.
Primera edición digital: 2017
ISBN 978-84-617-7678-8
TransCampus, Inc.
Miami, FL., USA
transcampus@europamerican.com
Libro electrónico editado en España

Electronic Book Edited in Spain
A
mis estudiantes
de los que tanto aprendo
y a los que tanto debo
para seguir aprendiendo
Í N D I C E N AV E G A B L E
Para ir a cada parte del capítulo haga clic sobre el texto correspondiente y para regresar
directamente al índice navegable pulse el icono que aparece al pie de cada página.
Introducción
I. — Experimentación y diseño experimental
II. — Diseños generales y especiales

x MIGUEL A. ESCOTET
III. — Bases teóricas del anásisis de varianza
IV. — Computación del análisis de varianza I
V. — Computación del análisis de varianza II
VI. — Diseño de Cuadrado Latino
VII. — Análisis de covarianza —ANCOVA—

y multivariado —MANOVA—
ANÁLISIS MULTIVARIADO EN CIENCIAS HUMANAS xi
VIII. — Determinación de relaciones
IX. — Pruebas no paramétricas en experimentos
X. — Tablas estadísticas . . . . . . . . . . . . 369

370
390
395
398
401
402
416
417
425
426
431
434
436
438
440
XI. – Glosario Básico de Términos Estadísticos . . . . 441
Bibliografía 459
INTRODUCCIÓN
La estadística es la técnica que computa y enumera los hechos y los

individuos susceptibles de enumerarse o de medirse; coordina y clasifica
los datos obtenidos con el fin de determinar sus causas, consecuencias
y tendencias. Los fenómenos estadísticos se clasifican en típicos, cuando
iguales circunstancias e idénticas causas producen efectos o resultados
iguales, y en atípicos cuando idénticas causas producen resultados
diferentes.
La estadística es hoy una herramienta indispensable para hacer frente
a esquemas de incertidumbre y aproximarse a resultados más ajustados
a la realidad, sin que esto no determine la necesidad de contar también
con técnicas cualitativas para que no distorsionen la auténtica naturaleza
humana. Una aproximación cuantitativa y cualitativa al mismo tiempo,
cuando se puede, es una decisión inevitable en la investigación en ciencias
humanas. En su origen, las estadísticas eran fundamentalmente de
naturaleza histórica; todas estaban relacionadas con el pasado y su análisis
e interpretación eran tan complejos, que cuando se llegaba a conclusiones
ya estas no eran validas, por cuanto el fenómeno estudiado había tomado
otro lugar en el continuum. Sin embargo, la estadística ha avanzado
profundamente y su principal campo no es el estudio del pasado, sino el
diagnostico del presente y la inferencia del futuro.
La técnica estadística es esencialmente derivada de la misma
estructura que otras formas científicas en donde se utilizan conjuntamente
procesos inductivos y deductivos. Es decir, mediante la observación de
fenómenos significativos y a partir de un número de experimentos, se
llega por un proceso de inducción a la formulación de una teoría que
permita relacionar los resultados a un esquema hipotético. A partir de esta
teoría, y mediante un proceso deductivo, se podría predecir los resultados
de los subsiguientes experimentos y, en esta forma, verificar o negar el
planteamiento inicial de las predicciones.
Sin embargo, la estadística ha sido mal interpretada en sus
posibilidades de aplicación. Para muchos y por muchos años, la estadística
ha sido un conjunto de hechos numéricos y representaciones generadas
de una descripción e inferencia de los datos. Todavía, una buena parte de
los textos de estadística, dividen a ésta en dos grandes áreas. La estadística
descriptiva y la estadística inferencial o muestra. Un examen cuidadoso
de los nuevos enfoques estadísticos nos llevan a redescubrir al menos,
tres áreas y aplicaciones, que son: a) la descripción de las observaciones;
b) la extracción de inferencias sobre hipótesis científicas derivadas de las
2 MIGUEL A. ESCOTET
observaciones y c) el diseño de estudios o experimentos. Es quizá esta

última área, la más importante, aun cuando su estudio se derive de las
otras dos.
Pero quizá la pregunta que más nos hacemos cuando estamos en
los años iniciales del estudio de la psicología es: ¿Para qué y por qué
la estadística en la formación del psicólogo? Es aquí donde podríamos
incluir uno de los hechos que caracterizan el comportamiento humano: la
variabilidad o varianza. No podemos decir que existen dos seres humanos
exactamente iguales y por consiguiente sus conductas difieren entre sí.
Sin embargo, como señalaba Skinner, la aparición de la variabilidad es el
resultado de la falta de controles adecuados. Para el conductismo ortodoxo,
quizá la estadística puede ser desestimada, pero aun en el método del caso
histórico de Skinner se genera una serie estadística, a través del registro
acumulativo.
Una ley de comportamiento no solamente se deriva de los aspectos o
comportamientos comunes, sino de las diferencias. En química podríamos
expresar que un conjunto de elementos podría pertenecer a un mismo
tronco, pero que la combinación con otros elementos de la naturaleza,
generarían derivados que, sin dejar de tener propiedades comunes,
poseerían también propiedades específicas. La interacción del ser humano
y su ambiente, genera propiedades o leyes comportamentales comunes a la
especie, y al mismo tiempo, principios específicos a la cultura. En este caso,
la estadística es esencial como técnica para describir comportamientos
generales y determinar, con cierto grado de confidencia, cuándo una
hipótesis particular se mantiene, a pesar de los grados de desviación que
existan. Aun cuando pueda parecer una paradoja, la razón de ser de la
estadística, radica en las diferencias de los objetos examinados, ya que,
asumir que todas las conductas son iguales o similares, determinaría
obviamente la eliminación de la estadística como técnica inferencial y
experimental.
A este nivel, podríamos decir como Murdock que “los datos de la
vida social y la cultura son susceptibles al tratamiento científico como
lo son también los hechos de las ciencias físicas y biológicas”. Parece
verse claramente que los elementos del comportamiento social, en sus
permutaciones y combinaciones, se ajustan a las leyes naturales por
sí solos con una exactitud escasamente menos impresionante, que la
que caracteriza las permutaciones y combinaciones de los átomos en
la química y de los genes en la biología. El problema, si bien ha sido
descubrir las similitudes y diferencias que caracterizan las propiedades de
un comportamiento, no por ello podríamos concluir que la combinación y
permutación en la conducta humana no existen, sino más bien que el bajo
desarrollo de la medición en ciencias humanas es la verdadera causa de
la falta de datos exactos. La respuesta se observa claramente en la misma
historia de la ciencia.
El análisis en ciencias de la conducta, específicamente en lo
ANÁLISIS MULTIVARIADO EN CIENCIAS HUMANAS 3
concerniente a la investigación, el reto de todo investigador no solamente

consiste en describir el fenómeno, sino en inferir que lo que se ha descrito
también se puede observar universalmente. Este proceso denominado
razonamiento inductivo, conlleva el riesgo de generalización más allá de
los límites lógicos establecidos; pero en este caso, la inducción no depende
tanto del proceso en sí mismo, sino del que aplica dicho proceso. He ahí
que el diseño experimental, como tercera etapa de la extensión estadística,
deba ser el primer proceso de investigación, a fin de legitimar los límites
de las conclusiones.
En resumen, podríamos concluir en que la Estadística no es
la única técnica para el estudio de las diferencias y similitudes del
comportamiento, pero si es esencial para la descripción y análisis global
del mismo. En ciencias humanas se ha limitado la estadística a la simple
descripción del colectivo. No seria necesaria la estadística inferencial si
estuviésemos satisfechos con los resultados derivados de los sujetos que
hemos estudiado, para uso en esos mismos sujetos. La obtención de una
media nos describiría la ejecución típica del grupo, la desviación estándar,
su homogeneidad y la correlación describiría el grado de asociación entre
características de ese grupo en particular. Sin embargo, tendríamos que
parar ahí y nada podríamos decir de ese grupo en relación con otro y,
por consiguiente, los resultados serian tan limitados, que su utilización ni
siquiera seria significativa dentro del mismo grupo original.
Para el análisis en ciencias de la conducta específicamente para
su investigación, el reto de todo investigador no solamente consiste en
describir el fenómeno, sino en inferir que lo que se ha descrito también se
puede observar universalmente. Este proceso denominado razonamiento
inductivo, conlleva el riesgo de generalización mas allá de los limites
lógicos establecidos; pero en este caso, la inducción no depende tanto del
proceso en si mismo, sino del que aplica dicho proceso. He ahí que el
diseño experimental, como tercera etapa de la extensión estadística, deba
ser el primer proceso de investigación, a fin de legitimar los limites de las
conclusiones.
El límite de la estadística, en este caso, es que solamente una parte de
lo que se observa es susceptible de generalización; el resto se atribuye al
momento específico o al sujeto, es decir, a la especificidad de la muestra
seleccionada. Si la observación es generalizable, el resultado se dice que
es estadísticamente significativo; si los datos son el resultado de una
fluctuación de la muestra, el resultado no es significativo. Este proceso
denominado “resolución del problema estadístico” es quizás el más
crucial y el que conlleva un límite decisivo hasta ahora no resuelto en la
metodología estadística. El primer paso de este proceso es el trasladar
la hipótesis científica verbalmente expresada a una hipótesis estadística.
Por ejemplo, si deseamos demostrar que estudiantes con razonamiento
abstracto alto son también altamente capaces para la comprensión de la
matemática, la hipótesis estadística podría ser que no existe correlación
4 MIGUEL A. ESCOTET
entre dos características. Recuérdese aquí que, en estadística muestral,

las hipótesis se rechazan, no se aceptan y que por lo tanto la expresión
de las mismas deben ser hechas en forma contraria a lo que se pretende
demostrar. Esto es debido a que el estado de conocimiento acerca de
la conducta humana no ha llegado a la precisión de especificar el valor
anticipado, por ejemplo, de la correlación entre esas características. El día
en que esto sea posible, la hipótesis nula no será necesaria usarla, pero
mientras tanto, la hipótesis estadística será planteada como “no relación”
o “no diferencia”.
El segundo paso se refiere a la elaboración de observaciones, mediante
la selección de una de las posibles muestras de un universo y el cálculo de
la combinación particular de las observaciones. Hecho esto, se trata de
localizar la prueba estadística observada proveniente de la distribución
de frecuencia; es decir, la comparación entre el resultado obtenido y el
resultado probable esperado. Esto constituirá la tercera etapa del proceso.
La última, y en donde mayores problemas existen, está relacionada con
la toma de decisión de aceptar o rechazar la hipótesis estadística. En
principio, parecería muy sencillo indicar que si el resultado de nuestra
prueba estadística proviene de una distribución de frecuencia matemática,
la hipótesis sería aceptada y si el valor encontrado fuere descubierto en
forma muy casual en la distribución, sería rechazada. Pero realmente, y
debido a que la mayoría de las distribuciones muestrales son asintóticas
en relación con la línea de base, es decir, nunca tocan los ejes, siempre
existe la posibilidad de cometer el error de rechazar una hipótesis, siendo
ésta verdadera. La posibilidad entonces sería de aceptar la hipótesis, pero
en este caso el error que conllevaría tal decisión sería el de aceptar una
hipótesis falsa. Por este motivo, en la toma de decisión de aceptar o rechazar
una hipótesis existen dos tipos de errores: a) el rechazo de una hipótesis
verdadera o Error Tipo I y b) la aceptación de una hipótesis falsa o Error
Tipo II. Estos dos tipos de errores ponen al investigador en un dilema. Si
toma la decisión de aceptar la hipótesis se incrementa la posibilidad de
cometer el Error Tipo II y si por el contrario decide rechazarla se aumenta
el Error Tipo I.
Este dilema no ha sido resuelto y es una de la mayores áreas de
investigación de la estadística. Hasta el momento tres procedimientos
han sido sugeridos para ayudar a la toma de decisiones en este sentido.
El primero de ellos, y el más antiguo, ha sido el de seleccionar un punto
de tres desviaciones estándar por encima de la media de la distribución
muestreada, es decir, el procedimiento de la Razón Crítica. Si esta Razón
es por lo menos tres veces mayor, la hipótesis se rechaza y si es menor se
acepta. Este procedimiento fue útil en la utilización de grandes muestras,
pues reduce significativamente el Error Tipo I, pero en muestras pequeñas
tales como el χ2, “t” o F o en muestras que no se aproximan a la curva
normal, la Razón Crítica varía de una distribución a la otra y por lo tanto
el Error Tipo I no se mantiene constante.
El procedimiento que siguió a éste, fue el de establecer el “nivel de

Significación” tanto para muestras pequeñas como grandes. Generalmente
se rechazaban las hipótesis al uno por ciento (0.01) o cinco por ciento (0.05)
de error, pero estos niveles arbitrarios, si bien protegen al investigador
contra el Error Tipo I, ignoran completamente el Error Tipo II, ya que
al reducir el nivel de significación se incrementa el riesgo de aceptar una
hipótesis falsa.
El procedimiento más reciente trata de considerar los dos Tipos
de Errores; es decir: a) calcular la posibilidad de cometer ambos tipos
de errores y b) establecer un juicio de valor sobre que tan serio es cada
Tipo. En cierto modo, este procedimiento involucra teoría de la decisión,
además de los procedimientos clásicos estadísticos. Sin embargo, a través
de este procedimiento quizá podemos llegar a conocer ambos errores o
más bien su probabilidad, pero difícilmente los reduciríamos al mismo
tiempo. La única forma de reducirlos es, en el momento actual, mediante
el incremento del tamaño de la muestra, ya que a mayor población menor
desviación estándar de las dos distribuciones.
En resumen, podemos decir que el denominado nivel de significación
corresponde a la probabilidad de cometer el Error Tipo I, mientras que
la probabilidad de tener Error Tipo II se refiere a la “potencia” de la
prueba estadística y que la única forma de reducir ambos errores serían
manteniendo el Tipo I constante y aumentando la potencia o número de
observaciones de la muestra. El problema aquí radica, en cuánto debería
ser el aumento para que el Error II pudiera ser tolerado. Esta es una
limitación intrínseca de la estadística y cuya solución está en el futuro.
A la postre, la estadística no puede alimentarse por sí misma, necesita
de la buena interpretación de quien la aplica. Como primer elemento
para un buen análisis estadístico, se debe tener en cuenta, como criterio
orientador, que aun cuando se están empleando cifras que son exactas
como símbolos matemáticos, conceptualmente no lo son. Segundo:
aunque tengamos prejuicios, no debemos hacer prevalecer nuestro
criterio ni acomodar las cifras para llegar a un resultado que satisfaga
nuestros deseos. Tercero: para que la estadística sea de utilidad necesita
ser una técnica de causalidad que investigue las causas del fenómeno,
porque siempre que se presenta una situación patológica se debe buscar
la causa, que a veces puede ser múltiple. Cuarto: es prudente comparar
datos homogéneos obtenidos análogamente. Quinto: debemos basarnos
siempre en hechos concretos, positivos y tangibles y no en simples hipótesis
o suposiciones. Y sexto: debemos tener normas escrupulosas para deducir
la mayor exactitud posible de los datos.
Este libro trata en cierto modo, de generar controles estadísticos que
reduzcan la imprecisión y de permitir al investigador en ciencias humanas
obtener mayor confiabilidad en sus resultados. El contenido conforma
la tercera parte de la estadística, obviamente sin agotarla. Se presupone
que su estudio requiere de conocimientos previos de la estadística
6 MIGUEL A. ESCOTET
descriptiva e inferencial y esta orientado a servir como obra de consulta de

profesionales e investigadores y a niveles superiores de grado y postgrado
en las diferentes disciplinas de ciencias humanas y ciencias de la salud.
Al mismo tiempo se ha tratado de hacerlo eminentemente didáctico y
organizado secuencialmente. El mayor énfasis se ha dado a la lógica de las
decisiones que conlleva el análisis experimental multivariado, de manera
tal, que el uso del ordenador o computador elabore los cálculos que
resultan del buen diseño. Sin embargo, también hemos incluido cálculos
manuales de los principales métodos, con etapas de cómputos sencillas
y claramente organizadas que permitan mostrar la racionalidad de las
medidas. Cada capitulo esta organizado en objetivos a lograr, contenido
y material de refuerzo. Este último, además de servir de auto-evaluación,
permite al lector reforzar algunos conceptos estudiados en el contenido y
ver algunas aplicaciones a experimentos.
La elaboración del presente libro nos llevo inicialmente más de cinco
años. Su primera edición fue publicada en 1980 con el título de Diseño
multivariado en psicología y educación. Sus múltiples revisiones previas
y posteriores a esa fecha fueron producto de la critica y mejoramiento
de mis estudiantes en las universidades Internacional de la Florida y Fort
Lewis de Colorado, Estados Unidos, y la Universidad Simón Bolívar e
Instituto de Estudios Superiores de Administración de Venezuela. Más
recientemente las revisiones continuaron en la Universidad de Deusto de
España y en la Universidad de Texas de Estados Unidos. A todos ellos, mi
agradecimiento por su actitud y cooperación. Siempre he aprendido más
de mis estudiantes que de los libros y las investigaciones.
A su vez, deseo expresar in memoriam mi gratitud a los Dres. Robert
Wageman de la Universidad de Fort Lewis de Colorado, Larry Braskamp
de la Universidad de Nebraska, Von Wageman de la Universidad de
Arizona, Carl Hereford de la Universidad de Texas, Martin Fishbein de
la Universidad de Illinois, y Fred Keller por sus consejos técnicos en la
preparación del manuscrito en su primera edición. Mi especial gratitud a
Herbert Kelman de Harvard University por su atinada contribución en
mi formación en ética de la investigación social.
Finalmente este libro, como todos los demás que he escrito, se debe
muy especialmente a mi esposa e hija, quienes con su talento, motivación,
comprensión y afecto, hicieron menos difíciles las horas interminables de
reclusión y productivas las horas de ocio.
Invierno de 2017
8 MIGUEL A. ESCOTET
10 MIGUEL A. ESCOTET
Según texto de Miguel A. Escotet (1985). Estadística Psicoeducativa. México: Trillas.

Véase también: Miguel Angel Escotet (2004). Cross-Cultural Research Development
and Cultural Learning. En Escotet, M.A. y Alvarez, C. The Psychsocial and Cultural
Nature of Education. Boston: Pearson. 73-82.
X - TABLAS ESTADÍSTICAS
XI - GLOSARIO BÁSICO DE TÉRMINOS
ESTADÍSTICOS
Agrupamiento: Acumulación de todas las observaciones de algunos valores

de la variable dentro de una clase única.
Ajuste: Conformidad de la distribución teórica y un grupo de datos empíricos.
Ajuste lineal por mínimos cuadrados: Un procedimiento matemático para
determinar los parámetros de la ecuación lineal de mejor ajuste donde la
variable dependiente es una secuencia. La suma de las distancias entre los
valores predichos y observados es un mínimo.
Aleatorio: Estadísticamente se relaciona con la teoría de las probabilidades.
Decimos que concebimos un hecho estadístico aleatoriamente, cuando éste
es motivado por un número de factores independientes que individualmente
no conocemos pero que sus efectos combinados pueden predecirse.
Amplitud total: Media de variabilidad menos exacta, resultante de la diferencia
entre la puntuación mayor y menor. Dicho resultado se denomina índice de
dispersión.
Análisis de covarianza: Proporciona información similar a la del análisis de
varianza de una vía para grupos independientes. La interpretación de las
comparaciones entre medias se modifica por una variable adicional obtenida
para cada uno de los subconjuntos (covariante). Las medias de la variable
dependiente se ajustan por la covarianza.
Análisis de series temporales: Serie de procedimientos para el análisis de
cualquier secuencia de medidas tomadas sobre un proceso variable con el
tiempo.
Análisis de varianza: Método para determinar si las diferencias encontradas
en una variable dependiente, cuando está influenciada por variables
experimentales, exceden o sobrepasan a lo que se espera por azar.
Análisis de varianza de una vía: Un procedimiento estadístico usado para
experimentos con varios grupos en los que se administran más de dos
niveles diferentes de una única variable independiente a grupos diferentes.
Análisis del componente principal: Una forma de análisis factorial en el que
el número de variables no se reduce. Los datos en este análisis se rotan sobre
las dimensiones originales.
Análisis discriminante simple: La variable dependiente representa una

variable de clasificación dicótoma como sexo o estado civil. El objeto
es encontrar una ecuación que, para un conjunto dado de variables
independientes, prediga la categoría apropiada.
Análisis factorial: Método estadístico para interpretar puntuaciones y
correlación de los mismos en un número de pruebas mediante la búsqueda
de unos valores ponderados o factores de las variables originales que
resumen la información que contienen. Los principales exponentes del
análisis factorial son Spearman, basado en las ideas de Galton y Pearson,
Thomson, Burt y Thurstone. La técnica del análisis factorial comprende
cuatro fases: preparación, factorización, rotación e interpretación.
Análisis factorial del eje principal: Métodos de análisis factorial en los que las
diagonales de la matriz de correlación se sustituyen por estimaciones de los
valores comunes.
Análisis lineal discriminante: La variable dependiente representa una variable
de clasificación, como sexo, estado civil o especie. El objetivo es encontrar
una ecuación que, para un conjunto dado de variables independientes,
prediga la categoría apropiada.
Análisis multivariado: Técnica utilizada para identificar o probar el efecto de
muchas variables cuando actúan simultáneamente.
ANOVA de la regresión múltiple: Un análisis de la tabla de varianza del
análisis de regresión actual.
Asimetría: Carencia de simetría entre las dos mitades separadas por la media
de una distribución curvilínea.
Atenuación: Reducción del coeficiente de correlación por el uso de medidas
no confiables.
Autocorrelación: Produce una serie de correlaciones entre una variable y
versiones de la misma desplazadas sucesivamente en el tiempo.
Autorregresión: Un modelo regresión simple donde las respuestas retardadas
asumen el papel de variable independiente.
Bimodal: Distribución que posee dos modos y que usualmente se representa
gráficamente mediante histogramas.
Binomio de Newton: Referente a la potencia de un binomio. El binomio
de Newton, es una expresión errada, pues ya era conocido en el siglo XVI
por el matemático italiano Tartaglia. Newton lo generalizó más tarde para
exponentes no enteros.
Campo: Diferencia entre los límites superior e inferior de una serie de

puntuaciones en una distribución.
Centil: Expresión castellanizada para denominar al “percentil”. (Denominación
en inglés).
Centroide: Método del análisis factorial. El principal exponente de este método
es Thurstone. Equivale al significado de la rotación en el sentido de girar
los ejes hasta llegar a una posición en que cada vector tenga proyecciones
significativas en el mismo número de ejes.
Chi o Ji-cuadrada: Prueba de significación resultante del cociente de dividir
la suma de las diferencias al cuadrado de las frecuencias empíricas y teóricas
entre las frecuencias teóricas. También se utiliza para calcular el coeficiente
de contingencia.
Clase: Una de las divisiones que resulta de la agrupación y ordenación de las
puntuaciones. Las clases contienen siempre un número igual de puntuaciones
y a esto se llama intervalo de clase. Las clases reciben también el nombre de
categorías. En otras palabras, clase o categoría es aquella que contiene una
magnitud igual de valores.
Cociente de Von Neumann: Muy relacionado con la estadística de Durbin-
Watson. Diseñado para determinar si los residuos de un análisis de regresión
están autocorrelacionados.
Cociente intelectual: Relación de la edad mental y edad cronológica,
introducido por William Stern. Es conveniente diferenciar este tipo de
cociente intelectual del introducido por Wechsler y denominado “cociente
intelectual estándar o típico” cuya media es 100 y su desviación típica 15.0.
(En inglés se denomina Deviation IQs.)
Código: Puntuaciones más convenientes para nuestros propósitos resultantes
de la transformación de las puntuaciones obtenidas. El proceso que esto
implica se denomina codificación.
Coeficiente: Valor que expresa el grado de algunas características o relaciones
que se han encontrado en circunstancias específicas.
Coeficiente Alfa: Una medida de fiabilidad de la consistencia interna calculada
en un análisis de varianza. Los coeficientes pueden variar desde 0 (no hay
fiabilidad) hasta +1 (fiabilidad absoluta).
Coeficiente beta: Un resumen de los coeficientes estandarizados que se
calculan durante una regresión.
Coeficiente de alineación: Comparación del error típico o estándar de
estimación con la desviación estándar de la variable estimada.
Coeficiente de asociación: Medida de correlación entre dos variables las

cuales son expresadas en dos categorías cada una. También es conocido
como coeficiente de correlación de Yule.
Coeficiente de coaligación: Medida bruta de relación entre dos variables
cualitativas dicotómicas cuyo índice es semejante al coeficiente de asociación.
Coeficiente de concordancia: Determina la asociación entre más de dos
columnas de medidas ordinales. Esta medida es particularmente útil en
estudios con varios juicios o fiabilidad de varias pruebas y se debe a Kendall.
Coeficiente de contingencia: Propuesto por Pearson, por medio del cual
podemos estimar el grado de asociación entre dos características cuando
nuestros datos de observación están clasificados en una tabla de contingencia.
Coeficiente de correlación: Es un índice numérico que nos expresa si
existe concomitancia entre dos variables y de ser así, su grado. Una
perfecta correspondencia entre las dos variables es expresada por +1; una
correspondencia inversa perfecta es indicada por -1 y la independencia o
falta de concomitancia se expresa por 0.0.
Coeficiente de correlación biserial: La correlación biserial es una adaptación
del procedimiento para determinar el coeficiente de correlación usado
cuando una variable es cuantitativa y la otra dicotomizada, por tanto este
coeficiente indica la dirección de relación entre la variable cuantitativa y la
proporción de casos de distribución.
Coeficiente de correlación de Bravis-Pearson: Es representado por el cociente
de la covarianza entre el producto de las desviaciones estándar de las dos
variables.
Coeficiente de correlación tetracórica: Utilizado para medir el grado de
asociación lineal entre dos variables donde ambas son dicotomizadas y las
verdaderas distribuciones se suponen normales.
Coeficiente de determinación: Indica la proporción de la varianza de
la variable dependiente determinada directamente por una variable
independiente específica.
Coeficiente de regresión: Viene representado por la constante en una ecuación
de regresión lineal que mide la inclinación de la línea de regresión.
Coeficiente de variación: Viene representado por el porcentaje que resulta
expresado al comparar las desviaciones media y típica o estándar. El
coeficiente de variación se puede usar como medida representativa de un
promedio.
Coeficiente discriminante estandarizado: Estos coeficientes corresponden a
las betas en una regresión múltiple de las variables mudas para cada grupo
sobre las variables independientes seleccionadas.
Coeficiente Fi: Correlación entre dos variables dicotomizadas. Hace una
corrección por el hecho de que el valor de chi-cuadrado es directamente
proporcional a N. De este modo, en una tabla de 2x2 sus valores van desde 0
(sin relación) a 1 (relación perfecta).
Combinación: Perteneciente al análisis combinatorio matemático. Se entiende
por combinaciones de orden n, de m objetos a los grupos de n objetos que
se pueden formar con ellos de tal modo que dos cualesquiera difieran en
algún objeto.
Confiabilidad: Calidad requerida para la “validez” de una prueba y
representada por el índice de confiabilidad que indica la correlación entre
la primera y siguientes aplicaciones de una prueba a un mismo grupo de
sujetos. Un mayor grado de confiabilidad viene dado cuando obtenemos los
mismos resultados en las diferentes aplicaciones.
Contingencia: La extensión por la cual los valores de una variable dependen
de otra variable o variables.
Corrección de Yates: Cuando las dos variables cualitativas tienen solo
dos valores, la distribución muestral de la estadística chi-cuadrado no
corresponde a una distribución chi-cuadrado. En este caso, se toma
automáticamente un factor de corrección que proporciona una distribución
muestral mucho más similar a la distribución chi-cuadrado.
Corrección Sheppard: Corrección aplicada a la varianza y a la desviación
típica o estándar obtenida por la agrupación de los valores de la variable.
Correlación: Grado de concomitancia entre dos o más variables expresado
por el coeficiente de correlación.
Correlación interclase: Medida que indica el grado de similitud o asociación
entre individuos de clases o grupos. También recibe el nombre de correlación
homotípica.
Correlación lineal simple: Denominada también correlación de producto-
momento o correlación de Pearson y su uso está determinado cuando sus
dos variables son cuantitativas. Este tipo de correlación es el más utilizado.
Correlación múltiple: Correlación entre la variable dependiente y dos o
más variables independientes o la relación entre un conjunto de variables
independientes y una sola variable.
Correlación ordinal: Denominada también correlación por rangos o
correlación de Spearman por ser su descubridor. Este método se utiliza
cuando se tiene en cuenta el orden de clasificación de los pares de casos

sin considerar sus valores. Su coeficiente de correlación está basado en las
diferencias asignadas a los individuos en dos variables.
Correlación parcial: Correlación entre dos variables en un caso de múltiples
variables aleatorias, con la indicación de que ha sido eliminada cualquier
asociación con algunas de las variables restantes o con todas.
Correlación parcial de Kendall: Procedimiento no paramétrico de correlación
de rangos que se usa para determinar si dos variables están correlacionadas
principalmente porque estén relacionadas con una tercera variable.
Correlación Tau de Kendall: Correlación no paramétrica de rangos que se
usa para determinar la relación entre dos conjuntos de rangos. Trabaja con
el mismo tipo de datos que la ro de Spearman.
Correlograma: Un gráfico de barras mostrando una secuencia de
autocorrelaciones sobre una serie temporal, con el intervalo de tiempo entre
observaciones en el eje x y las autocorrelaciones en el eje y.
Covarianza: Media de los productos de las desviaciones igualadas de dos
variables.
Cuartil: Uno de los tres puntos que divide a una distribución, donde el cuartil
2 es la mediana. Estos tres puntos dividen a su vez a la distribución en cuatro
partes, cada uno de los cuales comprende el 25% de los casos o ¼ de los
mismos.
Curtosis: Anormalidad de la distribución en la que ésta se aparta de los
normal en lo que se refiere a su altura. Cuando la curva de la distribución
es más plana se denomina platicúrtica; cuando es más aguda leptocúrtica, y
cuando no está en ninguno de estos casos se denomina mesocúrtica.
Curva normal: Curva simétrica y asintótica, definida por la media, desviación
estándar o típica y por el valor de la ordenada máxima. También es llamada
curva de campana por su forma parecida, y curva de Gauss.
Decil: Es uno de los nueve puntos que dividen a una distribución de 10
divisiones, en que cada una comprende el 10% de los casos.
Desviación: Diferencia existente entre un valor individual y otro de tendencia
central.
Desviación del cociente intelectual C.I.: Proveniente de las notas del cociente
intelectual de Wechsler con una media de 100 y una desviación típica
aproximada de 15.0.
Desviación media: Media aritmética de las diferencias de cada valor de la
media de una serie.
Desviación semintercuartilar: Mitad de la distancia entre los cuartiles 1 y 3.

Desviación típica o estándar: Medida de dispersión resultante de dividir
la suma de las diferencias de los cuadrados de cada medida de la media
aritmética por el número total de medidas o elementos y extraerle su raíz
cuadrada. Se denomina también, desviación tipo, patrón y desviación media
cuadrática.
Diagnósticos aleatorios de series temporales: Estadísticas usadas para decidir
la precisión relativa de los modelos de series temporales para predicción.
Dicotomía: Tipo de clasificación sencilla para separar los elementos de una
clase X de otra no X. Variables excluyentes.
Diferencia significativa: Diferencia entre dos “estadísticas” computadas sobre
muestras separadas con una magnitud tal que la probabilidad para que las
muestras sean sacadas de los diferentes universos es menor que algún límite
definido.
Discrepancia de una distribución: Distribución de forma aproximadamente
simétrica proveniente de la inexactitud que resulta del cuadrado de la
desviación estándar.
Diseño ANOVA factorial: Un diseño de análisis de varianza que incorpora
dos o más variables independientes. Se permite en cualquier diseño un
máximo de tres factores y diez niveles dentro de cada factor.
Diseño de bloques aleatorios: Un diseño de análisis de varianza factorial en
el que hay múltiples observaciones por sujeto y condición. Pueden utilizarse
diseños de dos y tres factores. Todas las variables independientes se tratan
como factores aleatorios.
Diseño de medidas repetidas: Un diseño ANOVA de grupos mixtos en el que
a cada sujeto se le administran todos los niveles de al menos un factor.
Distribución: Representación gráfica proveniente de una agrupación
sistemática de valores ordenados por clases, de acuerdo con el número de
frecuencias de cada valor sucesivo.
Distribución acumulativa: Relativa a la distribución de las frecuencias
acumulativas, consistente de la suma progresiva de las frecuencias de forma
tal que su última frecuencia acumulativa corresponde naturalmente al
número total de valores de la muestra.
Distribución normal: Distribución que da por resultado la llamada curva
normal o gaussiana.
Ecuación: Expresión matemática referente a que las igualdades han de
satisfacer los números desconocidos.
Ecuaciones equivalentes: Cuando toda solución de cada ecuación satisface a

la otra.
Eje: Sinónimo de coordenada cartesiana. Uno de los dos ejes resultantes
de dividir un plano en cuatro ángulos rectos. Uno de los ejes se supone
horizontal y se llama eje de las abscisas o de las X y el otro de las ordenadas o
de las Y que corta perpendicularmente el eje supuesto horizontal.
Epsilon cuadrado: La fuerza de la relación entre las variables independientes
y dependientes cuando se usa la ANOVA de Friedman.
Error: Es la desviación de una puntuación verdadera.
Error absoluto: Diferencia entre la estimación y el valor exacto.
Error acumulativo: Error que va aumentando en forma progresiva.
Error constante: Error que permanece invariable en todas las medidas.
Error experimental: Es aquel que manifiesta el fracaso de llegar a resultados
idénticos con dos unidades experimentales tratadas igual.
Error muestral: Errores derivados de tratar con muestras y no con el total del
universo. Variación de las constantes estadísticas del valor verdadero.
Error probable: Es 0.6744898 veces el error típico o estándar. Es la desviación
posible de la distribución de los errores de muestra.
Error relativo: Error relativo en una estimación es igual al cociente del error
absoluto por la estimación.
Error típico o estándar: Desviación estándar de la distribución de los errores
del muestreo.
Escala: Este término tiene muchas asignaciones. Elemento de medición
numerado de acuerdo con ciertas normas de trabajo para comparar
las puntuaciones obtenidas y asignar a éstas un valor matemático que
representen su magnitud.
Escala AGCT: Escala donde el valor de la media es 100 y la desviación estándar
20.
Escala CEEB: Escala introducida por el College Entrance Examination Board
de Estados Unidos cuya media es de 500 y la desviación estándar 100.
Escala de Guilford: Escala donde el valor de la media es 5 y su desviación
estándar es 2.
Escala de Wechsler: Escala proveniente del cociente intelectual y denominada
también escala del cociente intelectual estándar. Su media es de 100 y su

desviación estándar aproximada es 15.
Escala percentilar: Escala que indica el rango de clasificación de un elemento
en relación con 100 elementos del mismo tipo. los puntos percentiles dividen
la distribución en 100 partes, conteniendo cada una el 1% de los casos y
donde la media es equivalente al percentil 50.
Escala “Stanine”: Esta escala comprende 9 unidades denominadas “nines”. Su
media es de 5.0 y la desviación estándar 2.0.
Escala Sten: Sus unidades son llamadas “stens”. Tiene una extensión de 1 a 10
y proviene del cuestionario de personalidad de Cattell.
Escala T: Esta escala se deriva de las puntuaciones Z. A cada puntuación de Z
le corresponde 10 unidades T. Esta escala está expresada en números de 20
a 80.
Escala X: Esta escala no es normalizada porque está representada por las
puntuaciones brutas obtenidas, aunque podemos considerarla semejante a
la escala Z, cuando transformamos las puntuaciones brutas por medio de las
desviaciones.
Escala Z: Esta es una escala de puntuaciones estándar que adopta como unidad
la desviación estándar obtenida en las puntuaciones. Es por tanto, semejante
a la unidad de desviación tipo.
Estadística: Técnica que computa y enumera los hechos y los individuos
susceptibles de enumerarse o medirse y coordina y clasifica los datos
obtenidos con el fin de determinar sus causas, consecuencias y tendencias.
Estadísticas de rango: Estadísticas descriptivas que se usan principalmente
con datos en una escala ordinal.
Estándar: Palabra de origen inglés, utilizada en castellano para reemplazar
“típico”.
Estandarización o tipificación: Proceso ambiente diferente al de su origen.
Estimación: Valor que se utiliza para estimar un parámetro del universo de la
que es extraída la muestra.
Estructura: Cuadro de las correlaciones entres pruebas y factores.
Eta cuadrado: Una estimación del grado de relación entre la variable de
tratamiento utilizada para dividir los sujetos en grupos para una prueba t o
ANOVA y la variable de medida utilizada para evaluar el efecto.
Factor: Variable independiente dentro del diseño experimental.
Factor general: Dimensión dentro del análisis factorial caracterizado por las
notas de abstracción y neogénesis y representadas por g.
Factoriales: Factorial que se refiere a un modo especial de formar las
combinaciones de tratamientos.
Fidelidad: Sinónimo de confiabilidad.
Fineza discriminativa: Sinónimo de sensibilidad de una prueba.
Frecuencia: Número de veces que se repite un fenómeno estadístico.
Frecuencia absoluta: Número de casos de una determinada categoría. También
podemos definirla como el número de veces que aparece un elemento en un
colectivo o muestra.
Frecuencia acumulativa: Viene dada por la suma acumulada de las frecuencias
registradas.
Frecuencia empírica u observada: La misma frecuencia (f) denominada en
esta forma, generalmente, para calcular ji cuadrada.
Frecuencia relativa: Frecuencia resultante de dividir la frecuencia absoluta
por el número total de elementos considerados.
Grados de libertad: Número de componentes que son libres para variar.
Gráfico de ajuste: Se representa una línea de mejor ajuste contra un conjunto
de observaciones. El método de los mínimos cuadrados se utiliza para
producir la línea.
Gráfico de área: Un gráfico de líneas con el área entre la línea y el eje x rellena.
Gráfico de barras agrupadas: Cada observación en un conjunto de variables
se muestra como una barra. Las barras son agrupadas a lo largo del eje x
para facilitar la comparación.
Gráfico de barras apiladas o pareadas: Un gráfico de barras que indica la
contribución relativa de cada variable al conjunto.
Gráfico de barras de error: Permite la superposición de barras de máximos
y mínimos.
Gráfico de barras del error estándar: Un gráfico que asigna una barra para
representar cada media seleccionada con una antena encima mostrando la
desviación estándar de la distribución muestral de esa media.
Gráfico de barras horizontales: Gráfico de barras que se usa a menudo para
comparar cantidades cuando no hay ninguna relación temporal. El gráfico
se usa para resaltar valores discretos.
Gráfico de barras X: Gráfico de las medias muestrales a través del tiempo.

Gráfico de cajas y antenas: Un gráfico que se usa para mostrar los intervalos
de confianza del 95%y 99% alrededor de la media. Los extremos superior e
inferior de una caja representan el intervalo de confianza del 95% alrededor
de la media, y las antenas (wiskers) el intervalo del 99%.
Gráfico de clasificación: Un gráfico que representa los grupos reales y
predichos basados en un análisis discriminante simple.
Gráfico de interacción ANOVA: Un simple gráfico de líneas de las celdas de
las medias de ANOVA es a menudo la forma más fácil de interpretar los
cambios diferenciales de una variable independiente como función de una
segunda variable.
Gráfico de líneas: Gráficos que se usan a menudo cuando hay muchas
observaciones, y donde las observaciones son valores continuos.
Gráfico de probabilidad normal esperada: Una nube de puntos en la que en
el eje x se representa la distribución acumulada observada y en el eje y una
distribución acumulada normal con la misma media, desviación estándar y
tamaño de muestra.
Gráfico de probabilidad normal: Gráfico de la distribución de frecuencia
acumulada contra una distribución normal de frecuencia acumulada.
Gráfico de rango: Un gráfico de control de calidad que representa rangos
simples en el tiempo.
Gráfico de regresión del mejor ajuste: Un gráfico de la línea o curva que
mejor ajusta a un conjunto de valores x-y.
Gráfico de tarta o de pastel: Un gráfico de tarta se utiliza para describir las
partes de un todo (en porcentaje o el equivalente).
Gráfico mixto: Permite superponer distintos tipos de gráfico (barras, líneas,
etc.) en el mismo diagrama.
Gráfico de talud o scree: Un gráfico de línea descendente de los autovalores
producidos en cualquier análisis factorial, con el número de factor en el eje c
y el autovalor en el eje y. En inglés se denomina “scree” que es la ladera de la
montaña cubierta de cantos rodados.
Gráfico Spline: Se dibuja una curva suavizada de forma que siga las
observaciones lo más cercanamente posible. para los cálculos se usa el
método cuadrático B-spline, lo que significa que la línea no siempre pasa
por todos los puntos. La curva puede dibujarse con o sin nube de puntos.
Grupo de control: Grupo de personas que actúan de testigos de otro grupo

denominado experimental el cual es sometido a una serie determinada de
pruebas para ver la influencia de la variable que se quiere investigar.
Histograma: Gráfico de la tabla de frecuencias de una distribución en el que
se representan en el eje x las clases y en el eje y la frecuencia.
Homogeneidad: Sinónimo del método Split-half por medio del cual se
correlacionan las dos mitades de una prueba para medir el índice de fidelidad.
Homogeneidad del coeficiente de regresión: Una prueba del paralelismo
de líneas de regresión usando la distribución F. La homogeneidad de los
coeficientes de regresión es un supuesto básico para el uso apropiado del
análisis de covarianza.
Índice de dispersión: Valor numérico que indica la amplitud de dispersión de
los valores centrados en una medida de tendencia central.
Índice V de Cramer: Una medida de la fuerza de la asociación entre dos
variables en una tabla cruzada.
Intercorrelación: Correlaciones de cada variable con todas las otras variables
de un grupo.
Intervalo de clase: La distancia numérica entre los límites superior e inferior
de una clase o categoría.
Límite inferior: Puntuación menor de una clase o categoría.
Límite superior: Puntuación mayor de una clase o categoría.
Línea de regresión: Línea de ajuste representativa de una ecuación de
estimación.
Matriz: Tabla de números en filas o hileras y columnas.
Matriz de correlación: Una tabla que lista todos los posibles coeficientes de
correlación entre un conjunto de variables con la probabilidad asociada
(p.05 o p.01) cuando se prueba para una diferencia significativa de 0.1.
Media aritmética: Medida de tendencia central definida por el promedio
aritmético de todos los valores de la muestra.
Media aritmética ponderada: Medida donde cada valor se cuenta todas las
veces que se presenta.
Media armónica: Es la recíproca de la media aritmética calculada para los
recíprocos de los números dados.
Media bicuadrática: Resultante de extraer la raíz cuarta a la media aritmética

de los datos elevados a la cuarta potencia.
Media cuadrática: Resultante de extraer la raíz cuadrada a la media aritmética
de los datos elevados al cuadrado.
Media cúbica: Resultante de extraer la raíz cúbica a la media aritmética de los
datos elevados al cubo.
Media geométrica: Es la raíz enésima del producto de los valores dados.
Media móvil: Cada media se calcula desde la observación actual y ‘n’
observaciones adelante en la columna ‘n’ es especificado antes de los cálculos.
Mediana: Elemento que ocupa el lugar central de la sucesión. En otras
palabras, es la puntuación por encima de la cual se encuentra la mitad de las
demás puntuaciones, y por debajo de la otra mitad.
Método de factorización: Método del análisis factorial por medio del cual
se averiguan los factores comunes que son importantes para interpretar las
correlaciones halladas.
Modo o moda: Tendencia dominante en una distribución; en otras palabras
elemento al que corresponde mayor frecuencia.
Muestra: Conjunto finito o subconjunto que separamos de un colectivo,
universo o población.
Muestra aleatoria: Aquella muestra donde el elemento o miembro de la
población tuvo las mismas probabilidades de ser elegido, o de pertenecer a
la misma.
Muestra controlada: Recibe también el nombre de muestra sistemática y
consiste en dividir la población en varias categorías y tomar de cada una de
ellas al azar un número de elementos que de ese estrato hay en la población.
Muestra de Lexis: Muestra de uno de los estratos del universo que quiere
investigar.
Muestra de probabilidad: Aquella muestra elegida de acuerdo con un
mecanismo casual.
Muestra estratificada: Muestra escogida por estratos donde cada uno de ellos
forma un subuniverso. Denominada también de Poisson.
Normalizar: Acción para hacer que los datos se ajusten a las suposiciones
usuales. Fundamentalmente se utiliza en el ajuste de la curva.
Nube de puntos: un gráfico que muestra la relación entre dos variables. La
abscisa lista los posibles valores de x y la ordenada los posibles valores de y.
Omega cuadrado: Una estimación del grado de relación entre la variable de

tratamiento utilizada para dividir los sujetos en grupos para una prueba t y
la variable de medida u observada utilizada para evaluar el efecto.
Parámetro: Es el valor real correspondiente o esperado del universo.
Población: Sinónimo de colectivo y universo y se define por el conjunto del
cual se han extraído los números o atributos que forman la serie estadística.
Polígono de frecuencias: Representación gráfica de una distribución resultante
de la unión de los puntos derivados de la intersección de la perpendicular
al eje de las X donde se inscriben los límites inferiores de cada intervalo de
clase y de la perpendicular al eje de las Y donde se inscriben las frecuencias
por orden ascendente.
Predicción: Uso de la ecuación desarrollada por cualquier modelo de
regresión simple o múltiple para predecir un valor dependiente a partir de
valores dados del predictor.
Probabilidad: En términos matemático-estadísticos, probabilidad de
realización de un suceso; es el número a que tiene la frecuencia relativa al
aumentar indefinidamente el número de elementos del colectivo.
Probabilidad total: Probabilidad de producirse un suceso que puede atribuirse
a varias hipótesis o causas.
Prueba ANOVA de Friedman: Una prueba no paramétrica que se usa para
determinar si dos o más columnas de datos medidos en una escala han sido
extraídos de la misma población. Los grupos de datos deben estar pareados
o relacionados.
Prueba de chi o ji-cuadrada: Prueba de significación estadística que permite
establecer una concordancia entre los valores empíricos y teóricos.
Prueba de Durbin-Watson: Prueba para ver si hay una correlación en serie
entre los residuos de cualquier análisis de regresión.
Prueba de la homogeneidad de la varianza: Una prueba F del supuesto de que
las varianzas de las poblaciones son iguales. Es de particular importancia al
determinar la fórmula adecuada y los grados de libertada para una prueba
con dos grupos muestrales independientes.
Prueba de rachas de una muestra: Una prueba de secuencias no aleatorias en
una variable secuencial.
Prueba de Scheffe: Una de las pruebas post hoc para permitir examinar
más detenidamente el significado de los efectos principales e interacciones
significativas en un ANOVA.
Prueba de significación: Es aquella por medio de la cual podemos predecir

los límites probables en que nuestros resultados pueden experimentar
fluctuaciones a causa de los posibles errores.
Prueba de Wilcoxon de los rangos señalados: Una prueba no paramétrica
que compara dos columnas correlacionadas examinando la dirección y la
magnitud de la diferencias entre ellas.
Prueba Q de Cochran: Comprueba si tres o más conjuntos pareados de
frecuencias o proporciones difieren significativamente entre ellos. Es
particularmente apropiado cuando los datos están en una escala nominal o
es información ordinal dicotomizada.
Prueba t correlacionada: Compara las medias de dos columnas donde los
valores de cada fila están pareados y por lo tanto correlacionados.
Prueba t de dos muestras: Prueba de hipótesis que compara las medias de dos
grupos independientes.
Prueba t de Student: Prueba de significación que permite comprobar la
significancia de las medias de las muestras pequeñas.
Prueba t de Tukey protegida: Una prueba de comparación múltiple a
posteriori que compara todas las posibles combinaciones de las medias
grupales, tomadas de dos en dos, controlando el nivel de significación.
Prueba t para una muestra: Compara la media de una población con un valor
dado o una media muestral conocida.
Prueba t pareada: Compara las medias de dos columnas en los que los valores
de cada fila coinciden o están pareados, y por lo tanto correlacionados.
Prueba U de Mann-Whitney: Prueba de distribución libre que compara las
medianas y otros aspectos de dos grupos independientes.
Pruebas no paramétricas: Se refiere a un tipo de pruebas estadísticas que hacen
menos suposiciones sobre las poblaciones que las pruebas paramétricas más
comunes. Se usan con medidas nominales u ordinales o cuando el tamaño
muestral es pequeño.
Punto medio: Valor medio entre el límite superior o inferior de una clase.
Puntuación: Valor, medida, magnitud o score. Créditos asignados a datos
matemáticos, estadísticos o psicológicos. Así tenemos, puntuaciones
estándar o típicas derivadas de la escala estándar, puntuaciones Z derivadas
de la escala Z, etc.
R2: El coeficiente de determinación. En un análisis de regresión indica la
proporción de varianza dependiente que se debe a la variable o variables de
predicción. Un R-cuadrado ajustado se calcula también en los procedimientos

de regresión múltiple para eliminar la distorsión del tamaño muestral.
Razón crítica: Cociente resultante entre la constante r y su error típico.
También es llamada razón de significación.
Regresión: Método utilizado para determinar la mejor relación funcional
entre las variables.
Regresión exponencial: Si la regresión de una variable sobre otra es una curva,
se suele usar una transformación exponencial de modo que la relación entre
la variable dependiente transformada y la variable independiente original
sea lineal.
Regresión hiperbólica: Un modelo de regresión en el que los cálculos
recíprocos se hacen sobre uno o ambos lados de la ecuación.
Regresión jerárquica: Un procedimiento de regresión múltiple donde se
incluyen ciertas variables en la ecuación en un orden predeterminado que
viene dictado por el propósito y la lógica de la investigación.
Regresión lineal: Encuentra la ecuación de una sola línea que mejor ajusta a
los puntos de datos en una nube de puntos. El método de mínimos cuadrados
se usa para determinar los parámetros de esta ecuación lineal.
Regresión logarítmica: Un modelo de regresión de transformación lineal
expresado como Y=A+B*LN(X) .
Regresión múltiple: Un análisis de regresión en el que la variable dependiente
se relaciona con una serie de variables independientes o de predicción.
Regresión paso a paso hacia adelante: Un procedimiento de regresión
múltiple que comienza sin variables independientes en la ecuación y los
introduce secuencialmente basándose en correlaciones parciales con la
variable dependiente.
Regresión paso a paso inversa: Se especifican una variable dependiente y
una o más variables independientes. Se ejecuta una regresión con todas las
variables independientes en la ecuación.
Regresión polinómica: Relación curva entre dos variables que supone una
función polinómica. La forma general de una expresión polinómica es
y=a+bx+cx^2+...rx^q.
Regresión potencial: Modelo de regresión cuya ecuación resultante es
Y=A*(X^B).
Rotación Varimax: Una rotación ortogonal de los ejes diseñada para conseguir
“estructura simple”, en un procedimiento de análisis factorial.
Sesgo: Mide si los valores de una columna son simétricos sobre la media.
Valores positivos indican que la variable está sesgada a la derecha, y valores
negativos que está sesgada a la izquierda.
Sigma: Pronunciación de la letra griega Σ o σ. La primera cuando es mayúscula,
y significa suma; y la segunda como minúscula es símbolo de la desviación
típica o estándar.
Suavizado exponencial: En el análisis de series temporales, un método
de cálculo que promedia los valores ponderando progresivamente la
contribución de los valores remotos.
Tabla cruzada: Una distribución de casos por unión de frecuencias según dos
variables clasificadoras.
Tabla de clasificación: Una tabla que muestra frecuencias de las clasificaciones
reales y predichas para cada caso de la matriz de datos usada para desarrollar
una ecuación de discriminación simple.
Tabla de contingencia: Se refiere a la tabulación de datos en una tabla de doble
entrada.
Tabla de residuos: Una lista resumida de las diferencias entre las variables
dependientes observada y predicha para cada caso de la matriz de datos.
Tabla resumen de ANCOVA: Un resumen de las estadísticas usadas para
desarrollar una prueba F de la diferencia entre medias después de que se
hayan ajustado para las diferencias sobre una covariante.
Tabla resumen de ANOVA: Los resultados típicos de cualquier diseño de
análisis de varianza mostrando los cocientes F para cada fuente de variación
y sus probabilidades asociadas.
Tabla resumen de autovalores: Una lista del porcentaje de varianza común
que cuenta para cada valor cargado. A menudo, estos autovalores se usan
para determinar cuántos factores deben retenerse. Unicamente se retienen
todos los factores cuyos autovalores son mayores que 1.
Tabulación: Condensación de los datos obtenidos mediante un proceso de
clasificación y agrupamiento de los mismos.
Test: Vocablo de origen inglés ampliamente introducido en todos los idiomas
para caracterizar a las pruebas psicológicas. La Asociación Internacional
de Psicología Aplicada lo define de la siguiente manera: “Es una prueba
definida que implica una tarea que se ha de cumplir, idéntica para todos los
sujetos examinados, con técnica precisa para la apreciación del éxito o del
fracaso, o para la valoración numérica del resultado logrado. La tarea puede
comprender una actuación, ya sea de conocimientos adquiridos (prueba
pedagógica), ya sea de funciones sensoriomotrices o mentales (prueba

psicológica)”.
Universo: Sinónimo de población.
Validez: Cualidad de una prueba cuando ésta mide lo que pretende medir.
La fidelidad y la validez son las cualidades principales que debe tener una
prueba para considerarla válida.
Validez Externa: Extensión y aprovechamiento de la generalización de
los resultados del expermento. Este tipo de validez se ve amenazada por
el mismo testing, el efecto Hawthorne, la interferencia de tratamientos
múltiples, la artificialidad de experimento entre otras, y por supuesto la falta
de representatividad de la muestra.
Validez Interna: Control adecuado sobre las variables externas, los
procedimientos de medición o selección o fuentes como historia,
maduración, testing, regresión, mortalidad experimental, interacción de
variables, etc.
Variable: Cualidad que varía de magnitud.
Variable aleatoria o casual: Función evaluada numéricamente, definida en un
espacio muestra. Puede ser discreta o continua.
Variable continua: cualidad que toma cualquier valor.
Variable de placebo: Variable de control con contenidos inertes muy utilizada
en ensayos clínicos biológicos, médicos y psicológicos, entre otros, como
comparación con grupos de tratamiento experimental.
Variable dependiente: Variable de medición de un experimento. Variable que
no puede ser manipulada por el experimentador.
Variable discreta: Cualidad que toma valores determinados en el rango de
medición.
Variable independiente: Variable experimental o de tratamiento. Variable
que es manipulada por el experimentador o como parte del experimento.
Variable no cuantitativa: Una cualidad que no se puede medir valiéndose de
unidades, pero que varía en cantidad.
Varianza: Índice que refleja el grado de variabilidad en un grupo de
puntuaciones que es igual al cuadrado de la desviación estándar.
BIBLIOGRAFÍA
ADKINS, D. (1964). Statistics. Columbus, Ohio: Charles E. Merrill.

AFIFI, A. y AZEN, S. (2014). Statistical Analysis: A Computer Oriented Approach.
Londres: Academic Press.
AGRESTI, A. (2013). Categorical Data Analysis. Third Edtion. Haboken, NJ: Wiley.
AGRESTI, A. y FINLAY, B. (2014). Statistical Methods for the Social Sciences. 4th Edition.
Edinburgh Gate, UK: Pearson.
ALDRICH, J. y CUNNINGHAM, J. (2016). Using IBM SPSS Statistics. 2nd Edition.
Thousand Oaks, CA: SAGE.
ALEXANDER, H. W. (1961). Elements of Mathematical Statistics. Nueva York: Wiley.
ALLEN, D. W., y MCDONALD, F. J. (1966). The effects of self-selection on learning in
programmed instruction. Amer. Educ. Res. J., 3, 1-6.
ALLEVA, G. y GIOMMI, A. (2016). Topics in Theoretical and Applied Statistics. Nueva
York: Springer
ALGARABEL, S. y SAN MARTÍN, J. (1990). Métodos informáticos aplicados a la
psicología. Madrid: Pirámide.
AHMED, E. (Ed.) (2014). Perspectives on Big Data Analysis. Ontario: American
Mathematical Society.
AMÓN, J. (1980). Estadística para psicólogos 2: Probabilidad y estadística inferencial.
Madrid: Pirámide.
ANASTASI, A. (1958). Differential Psychology. Nueva York: McMillan.
ANDERSON, N. (1961). Scales and Statistics: Parametric and Non-parametric.
Psychological Bulletin, 58, 305-316.
ANDERSON, R. L. y BANCROFT, T. A. (1952). Statistical Theory in Research. Nueva
York: MacGraw-Hill.
ARKIN, H. y COLTON, R. R. (1967). Tables for Statisticians. Nueva York: Barnes & Noble.
ARKIN, H. y COLTON, R. R. (1956). Statistical Methods. Nueva York: Barnes & Noble.
BARTLETT, M. S. (1954). A note on the multiplying of factors for various chi squared
approximations. J. Royal Statist. Soc., Series B, 16, 296-298.
BARTON, R. A. (1970). A Primer on Simulation and gaming, Englewood Cliffs, N. Y.:

Prentice-Hall.
BOBBIE, E., WAGNER, W y ZAINO, J. (2015). Adventures in Social Research: Data
Analsis Using IBM SPSS Statistics. Thousands Oak, CA: SAGE.
BOCK, D. y HAGGARD, E. (1968). The use of MANOVA in behavioral research. Chapter
3. In D. Whitla (Ed.), Handbook of measurement and assessment in behavioral sciences.
Reading, Mass.: Addison-Wesley, 100-142.
BOERSMA, F. J., DEJONGE, J. J. y STELLWAGEN, W. R. (1964). A power comparison of
the F and L tests. Psychol. Bull., 71, 505-513.
BONEAU, C. A. (1960). The effects of violations of assumptions underlying the test.
Psychol. Bull. 57, 49-64.
BOX, G. E. (1954). Some theorems on quadratic forms applied in the study of analysis of
variance problems. Ann. Math. Statist., 25, 290-302.
BOX, G. E. (1953). Non-normality and tests on variance, Biometrika, 40, 318-335.
BOX, G. E. y JENKINS, G. (2015) Time Series Analysis. Fifth Edition. Hoboken, NJ: Wiley.
BRASKAMP, L. y HEERMANN, E. (Eds.) (1970). Readings in Statistics for the Behavioral
Sciences. Englewood Cliffs: Prentice.
BROCKWELL, P. y DAVIS, R. (2016). Times Series and Forecasting. Nueva York: Springer,
Third Edition.
BRUNING, J.L. (1968). Computational Handbook of Statistics. Glenview, ill.: Scott,
Foreman and Co.
CACOULLOS, T. (2014). Discriminant Analysis and Applications. Londres: Academic
Press.
CAMPBELL, D. T. y STANLEY, J. (1963). Experimental and Quasi-Experimental Design
for Research. Chicago: McNally.
CAMPOS, G. (1969). Estadística general. Caracas: UCV.
CASTRO, L. (1975). Diseño experimental sin estadística. México: Trillas.
CHESIRE, L., SAFFIR, M. y THURSTONE, L. L. (1933). Computing Diagrams for the
Tetrachoric Correlation Coefficient. Chicago: University of Chicago Press.
COCHRAN, W. G. y COX, G. (1965). Diseños experimentales. México, D. F.: Editorial
Trillas.
COOLEY, W. W. y LOHNES, P. R. (1962). Multivariate procedures for the behavioral
sciences. Nueva York: Wiley.
COOMBS, C. H. (1964). A Theory of Data. Nueva York: Wiley.
COOMBS, C. H., DAWES, R. y TUERSKY, A. (1970). Mathematical Psychology. Nueva

Jersey: Prentice-Hall.
CORNFIEL, J. y TUKEY, J. W. (1956). Average values of mean squares in factorials, Ann.
Math. Statist., 27, 907-949.
COX, D. (1958). Planning experiments. Nueva York: Wiley.
CUMMING, G. (2012). Understanding The New Statistics: Effect Sizes, Confidence
Intervals, and Meta-Analysis. Nueva York: Routledge.
DAYTON, C. M. (1970). Design of Educational Experiments. Nueva York: McGraw-Hill.
DUBOIS, P. (1966). Multivariate Correlational Analysis. Nueva York: Wiley.
DUNCAN, D. B. (1955). Multiple range and multiple F tests. Biometrics, 11, 1-42.
DUNNETT, C. W. (1964). New tables for multiple comparisons with a control, Biometrics,
20, 482-491.
EBEL, R. (1951). Estimation of the reliability of ratings. Psychometrica, 16, 407-424.
EDWARDS, A. (1968). Experimental Design in Psychological Research. Nueva York: Holt,
Rinehart and Winston.
EDWARDS, W., LINDAM, H. y SAVAGE, J. (1963). Bayesian statistical inference for
psychological research. Psychic Review. 70, 193-242.
EDWARDS, W. (1954). Statistical Methods for the Behavioral Sciences. Nueva York:
Rinehart.
EFRON, B. y HASTIE, T. (2016). Computer Age Statistical Inference: Algorithms, Evidence,
and Data Science. Nueva York: Cambridge University Press.
ELASHOFF, J. (1969). Analysis of covariance: A delicate instrument. American
Educational Research Association Journal, 6, 383-401.
ESCOTET, M.A., AIELLO, M. y SHEEPSHANKS, V. (2010). La actividad científica en la
universidad. Buenos Aires: UNESCO y UP.
ESCOTET, M. A. (2004). Cross-Cultural Research Development and Cultural Learning.
En Escotet, M.A. y Alvarez, C. The Psychosocial and Cultural Nature of Education.
Boston: Pearson, 73-82.
ESCOTET, M. A. (1998). Manual de auto-evaluación de la universidad. Bogotá: Editorial
Universidad de los Andes y UNESCO.
ESCOTET, M. A. (1997). Fundamentos de metodología estadística. En Puente, A. (Ed.),
La conducta y sus contextos, Madrid: EUDEMA, 357-396
ESCOTET, M.A. (1994). Manual de Instant-Graf Estadística–IGES. Madrid: Anaya
Multimedia.
ESCOTET, M. A. (1985). Estadistica Psicoeducativa. México: Editorial Trillas, 5ª Edición.

ESCOTET, M. A. (1980). Diseño multivariado en psicología y educación. Barcelona:
Ediciones CEAC.
ESCOTET, M. A. (1979). Uso y limitaciones de la estadística en educación, Conferencia
en la Universidad Autonoma de Barcelona, marzo.
ESCOTET, M. A. (1977). Metodologia de la investigacion transcultural. Revista
Latinoamericana de Psicologia,, 2, 159-176.
ESCOTET, M. A. (1973). Cross-Cultural Research Methodology in Education. San
Antonio, Texas, CIES Convention.
ESCOTET, M. A. (1972). Non-Quantitative Association Indices. Lincoln: The University
of Nebraska.
ESCOTET, M. A. (1966). Evaluación académica y estadistica. Cumaná: Universidad de
Oriente.
FADDEEVA, V. N. (1959). Computational methods of linear algebra. Nueva York: Dover.
FAVERGE, J. M. (1966). Methodes Statistiques en Psychologie Appliqueé. Vol, I, II, III,
París: Presses Universitaires de France.
FEDERER, W. T. (1955). Experimental design, theory and application. Nueva York:
Macmillan, 1955.
FELDT, L. S. A. (1970). Comparison of the precision of three experimental designs
employing a concomitant variable. En Braskamp y Heermann (Eds.) Readings in
Statistics for the Behavioral Sciences, Englewood Cliffs,NJ: Prentice-Hall, 270-288.
FELLER, W. (1957). An Introduction to Probability Theory and its Applications. Nueva
York: Wiley.
FERGUSON, G. (1966). Statistical Analysis in Psychology and Education. Nueva York:
MacGraw-Hill.
FISHER, R. A. y YATES, F. (1943). Statistical Tables for Biological, Agricultural, and
Medical Research. Edimburgo: Oliver and Boyd.
FISHER, R. A. (1942). The Design of Experiments. Edimburgo: Oliver & Boyd, 1942.
FRUCHTER, B. (1954). Introduction to Factor Analysis. Princeton: Van Nostrand.
GAITO, J. (1959). Non-parametric methods in psychological research. Psychological
Reports, 5, 115-125.
GARCÍA HOZ, V. (1944). Formulario y tablas de estadistica aplicada a la pedagogia.
Madrid: CSIC.
GARRETT, H. (1968). Estadística en psicología y educación. Buenos Aires: Paidos.
GLASS, G. y STANLEY, J. (1970). Statistical Methods in Education and Psychology. Nueva

York: Prentice-Hall.
GLASS, G. V. (1966). Testing homogeneity of variance. Amer Educ. Res. J., 3, 187-190.
GREEN, B. F., TUKEY, J. M. (1960). Complex Analysis of Variance, General Problems.
Psychometrica, 25, 127-152.
GUENTHER, W. C. (1964). Analysis of Variance. Englewood Cliffs, NY.: Prentice-Hall.
GUILFORD, J. P. (1956). Fundamental Statistics in Psychology and Education. Nueva
York: McGraw-Hill.
HAGGARD, E. (1958). Intraclass correlation and the analysis of variance. Nueva York:
Holt, Rinehart, & Winston, 1958.
HARLOW, L. (2014). The Essence of Multivariate Thinking: Themes and Methods. Nueva
York: Routledge.
HARMAN, H. H. (1976). Modern Factor Analysis. Third Edition. Chicago: University of
Chicago Press.
HAYS, WILIAM, L. (1973). Statistics for the Social Sciences. Nueva York: Holt, Rinehart
and Winston.
HAYS, W. L. (1965). Statistics for Psychologists. Nueva York: Holt.
HELMSTADTER, G. C. (1970). Research Concepts in Human Behavior. Nueva York:
Appleton.
HORST, P. (1963). Matrix Algebra for Social Scientists. Nueva York: Holt, Rinehart &
Winston.
JONES, L. (1966). Analysis of variance in its multivariate developments. En R. Cattell
(Ed.), Handbook of multivariate experimental psychology. Chicago: Rand-McNally, 244-
266.
KAPLAN, D. (2014). Bayesian Statistics for the Social Sciences. Nueva York: The Guilford
Press.
KEEPING, E. S. (1967). Introduction to Statistical Inference. Princeton: Van Nostrand.
KENDALL, M. G. y STUART, A. (1961). The Advanced Theory of Statistics, Vol. II.
Londres: Griffin.
KENDALL, M. G. (1955). Rank Correlation Methods. Londres: Griffin.
KERLINGER, F. y PEDHAZUR, E. (1973). Multiple Regression in Behavioral Research.
Nueva York: Holt, Rinehart, and Winston.
KERSHNER, R. y WILCOX, L. R. (1950). The Anatomy of Mathematics. Nueva York:
Ronald.
KUM, R. (1968). Experimental design, Procedures for the behavioral sciences, Belmont,
Calif.: Brooks-Cole.
LEWIS, D. (1960). Quantitative Methods in Psychology. Nueva York: McGraw-Hill.
LINDQUIST, E. F. (1953). Design and Analysis of Experiments in Psychology and
Education. Boston: Houghton Mifflin.
LORD, F. (1955). Nomograph for computing multiple correlation coefficients. Journal of
American Statistical Association, 50, 1073-1077.
MAGNUSSON, D. (1969). Teoria de los tests. México: Trillas.
MANN, H. B. (1949). Analysis and design of experiments. Nueva York: Dover.
MARASCULIO, L. (1971). Statistical methods for behavioral science research. Nueva York:
McGraw Hill.
MENDENHALL, W. (1968). Introduction to linear models and the design and analysis of
experiments. Belmont, Calif: Wadsworth Publishing Co.
MEYER, D. y GOLLIER, R. (Eds) (1970). Bayesian statistics, Ninth annual Phi Delta
Kappa Symposium on Educational Research. Itasca, III: F. E. Peacock.
MEYER, W., GAMST, G y GUARINO, A. (2016). Applied Multivariate Research.
MILLER, R. (1966). Simultaneous Statistical Inference. Nueva York: McGraw-Hill.
MCCALL, R. B. (1970). Fundamental Statistics for Psychology. Nueva York: Harcourt,
Brace and World.
MCNEMAR, Q. (1962). Psychological Statistics. Nueva York: Wiley.
MORRISON, D. (1967). The multivariate analysis of variance. In Multivariate statistical
methods. Nueva York: McGraw-Hill, 159-206.
MOULY, J. C. (1970). The Science of Educational Research. Nueva York: Van Nostrand.
MOSIER, C. (1951). Symposium: The need and means of cross-validation, Problems and
designs of cross-validation. Educational and Psychological Measurement, 11, 5-11.
NUNALLY, J. (1967). Psychometric Theory. Nueva York: McGraw-Hill.
OLKIN, I. (1967). Correlation Revisited. Improving Experimental Design and Statistical
Analysis. Chicago: Rand McNally, 113.
PEARSON-HARTLEY (Eds.)(1954). Biometrika Tables for Statisticians, Vol. I. Cambridge:
Cambridge University Press.
PROVOST, F. y FAWCETT, T. (2013). Data Science for Business. Sebastopol, CA: O’Reilly
Media, Inc.
PUCS, R. (1968). The partitioning of criterion score variance accouted for in multiple
correlation. American Educational Research Association Journal, 5, 639-646.
RAO, C. (1952). Advanced statistical methods in biometric research. Nueva York: Wiley.
RIVAS, G. E. (1967). Estadistica aplicada. Caracas: UCV.
RAY, W. S. (1960). An introduction to experimental design. Nueva York: Macmillan.
RODRIGUES, A. (1977). Investigación experimental en psicología y educación. México:
Trillas.
SANDLER, J. (1955). A test of the significance of the difference between the means of
correlated measures based on a simplification of student’s t. British Journal of Psychology,
46, 225-226.
SCHEFFE, H. (1959). The Analysis of Variance. Nueva York: Wiley.
SKINNER, B. F. (1956). A Case History in Scientific Method. American Psychologist, 11,
221-233.
SHESKIN, D. (2011). Handbook of Parametric and Nonparametric Statistical Procedures.
Fifth Edition, Nueva York: Chapman and Hall.
SIEGEL, E (2016). Predictive Analytics. Hoboken, NJ: Wiley
SIEGEL, S. (1970). Diseño experimental no paramétrico aplicado a las ciencias de la
conducta, México: Editorial Trillas.
SLOAN, L. y QUAN, A. (2016). The SAGE Handbook of Social Media Research Methods.
SNEDECOR, G. (1967). Statistical Methods. Iowa: Iowa State College Press.
SOLOMON, R. L. (1949). An extension of Control Group Design. Psychological Bulletin,
46, 137-150.
SPIEGEL, M. (1969). Estadistica. México: McGraw-Hill.
STANLEY, J. C. (1957). Controlled Experimentation in the Classroom. Journal of Exp.
Educ., 25, 195-201.
STANLEY, J. C. (1957). Research Methods, Experimental Design, Rev. educ. Res., 27, 449-
459.
STEVENS, S. (1968). Measurement, statistics, and the schemapiric view. Science, 1968,
161, 849-856.
STEVENS, S. (1951). Handbook of Experimental Psychology. Nueva York: Wiley.
TABACHNICK, B. y FIDELL, L. (2012). Using Multivariate Statistics. 6th Edition. Londres:
Pearson.
TATE, M. (1965). Statistics in Education and Psychology. Nueva York: MacMillan

Company.
TORANZOS, F. (1968). Estadística. Buenos Aires: Kapelusz.
TORGERSON, W. (1958). Theory and Methods of Scaling. Nueva York: Wiley.
TURNER, M. (1967). Philosophy and the Science of Behavior. Nueva York: Appleton-
Century-Crofts.
VAN DE GEER, J. (1971). Introduction to Multivariate Analysis for the Social Sciences. San
Francisco: Freeman.
VENKATASWAMY, M. J. (2015). Statistical Methods in Psychiatry Research and SPSS.
Boca Raton, FL: Taylor & Francis.
WAGNER, W. (2016). Using IBM® SPSS® Statistics for Research Methods and Social Science
Statistics. Thousand Oaks, CA: SAGE
WARNER, R. (2013). Applied Statistics: From Bivariate Through Multivariate Techniques.
WERT, J., NEIDT, C y AHMAN, J. (1954). Statistical methods in educational and
psychological research. Nueva York: Appleton-Century-Crofts.
WHEELAN, C. (2013). Naked Statistics: Stripping the Dread from the Data. Nueva York:
W.W. Norton & Company.
YELA, M. (1957). La Tecnica del analisis factorial. Madrid: Biblioteca Nueva,
ZÖRNIG, P. (2016). Probability Theory and Statistical Applications. Boston: Walter de
Gruyter.
Este libro,
que trata de facilitar la tarea de los investigadores y la formación de los profesionales
para reducir o eliminar la subjetividad en la interpretación de los hechos,
se terminó de imprimir digitalmente durante la llegada de los Reyes Magos de 2017
Miguel Ángel Escotet es psicólogo clínico e investigador social. Además de
sus estudios de ingeniería y sistemas de información, tiene varias obras sobre
la disciplina matemática y múltiples libros sobre ciencias de la conducta,
metodología de la investigación y educación superior. Se doctoró en la
Universidad de Nebraska e hizo sus estudios de máster y postgrado en la
Universidad de Texas. Es Life Member de la American Psychological Association
y catedrático emérito y ex–decano de la Universidad de Texas. Previamente fue
el director del Instituto de Postgrado y Educación Continua de la Universidad
de Deusto, catedrático y director del Instituto Internacional de Investigaciones
de Desarrollo Educativo de Florida International University, fundador y
vice-rector de la Universidad Nacional Abierta de Venezuela, catedrático de
psicología de la Universidad de Fort Lewis de Colorado y secretario general de
la Organización de Estados Iberoamericanos para la Educación, la Ciencia y la
Cultura. Actualmente preside Afundación y RSC, la Obra Social de ABANCA
en España y es director honorario de la Cátedra UNESCO y Universidad de
Palermo sobre Historia y Futuro de la Universidad.
Algunos de los libros del Dr. Escotet relacionados con el ámbito de esta obra
son: La actividad científica en la universidad, The Financing of the Universities,
Modelo de innovación de la educación superior, The Psychosocial and
Cultural Nature of Education, Manual de autoevaluación de la universidad,
Diseño multivariado en psicología y educación, Manual de Instant-Graf
Estadística-IGES, Evaluación institucional universitaria, Cross-Cultural
Research Methodology in Education, Los modelos matemáticos del
aprendizaje, Estadística psicoeducativa, Cuestionario investigativo de la
personalidad, y Cultural and Social Foundations of Education: An
Interdisciplinary Approach.
Análisis Multivariado en Ciencias Humanas en esta primera edición digital

contiene nuevas secciones y los cambios necesarios con los que mantiene la
actualidad y la relevancia metodológica. La enseñanza de la estadística, en una
buena parte de programas, se ha concentrado más en las técnicas y procesos
de cálculo que en los conceptos lógicos que las implementan. Este libro
pone énfasis en el desarrollo lógico de las medidas y diseños, en la selección
apropiada de las técnicas en función de los problemas y en la comprensión de
los diferentes procesos multivariados para las ciencias sociales, de la conducta
y biológicas. Sin embargo, no por ello se deja de presentar los cálculos más
importantes de las técnicas multivariadas a través de ejemplos concretos de
investigación. La obra inicial de diseño multivariado representó desde su
edición original un esfuerzo singular en la bibliografía científica y didáctica
en el idioma español y esta obra que ahora se presenta, por deseo expreso de su
autor, se distribuye gratuitamente a través de los diferentes formatos de libro
electrónico.

Análisis Multivariado en Ciencias Humana. Miguel Ángel Escotet

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Análisis Multivariado en Ciencias Humana. Miguel Ángel Escotet

Загружено:

Авторское право:

Доступные форматы

Análisis

Análisis multivariado en ciencias humanas.

1. Ciencias sociales 2. Psicología 3. Educación

© MIGUEL ANGEL ESCOTET, 2017

Primera edición digital: 2017

Libro electrónico editado en España

I. — Experimentación y diseño experimental

II. — Diseños generales y especiales

III. — Bases teóricas del anásisis de varianza

IV. — Computación del análisis de varianza I

V. — Computación del análisis de varianza II

VI. — Diseño de Cuadrado Latino

VII. — Análisis de covarianza —ANCOVA—

VIII. — Determinación de relaciones

IX. — Pruebas no paramétricas en experimentos

X. — Tablas estadísticas . . . . . . . . . . . . 369

XI. – Glosario Básico de Términos Estadísticos . . . . 441

La estadística es la técnica que computa y enumera los hechos y los

observaciones y c) el diseño de estudios o experimentos. Es quizá esta

concerniente a la investigación, el reto de todo investigador no solamente

entre dos características. Recuérdese aquí que, en estadística muestral,

El procedimiento que siguió a éste, fue el de establecer el “nivel de

descriptiva e inferencial y esta orientado a servir como obra de consulta de

Según texto de Miguel A. Escotet (1985). Estadística Psicoeducativa. México: Trillas.

Agrupamiento: Acumulación de todas las observaciones de algunos valores

Análisis discriminante simple: La variable dependiente representa una

Campo: Diferencia entre los límites superior e inferior de una serie de

Coeficiente de asociación: Medida de correlación entre dos variables las

cuando se tiene en cuenta el orden de clasificación de los pares de casos

Desviación semintercuartilar: Mitad de la distancia entre los cuartiles 1 y 3.

Ecuaciones equivalentes: Cuando toda solución de cada ecuación satisface a

también escala del cociente intelectual estándar. Su media es de 100 y su

Gráfico de barras X: Gráfico de las medias muestrales a través del tiempo.

Grupo de control: Grupo de personas que actúan de testigos de otro grupo

Media bicuadrática: Resultante de extraer la raíz cuarta a la media aritmética

Omega cuadrado: Una estimación del grado de relación entre la variable de

Prueba de significación: Es aquella por medio de la cual podemos predecir

predicción. Un R-cuadrado ajustado se calcula también en los procedimientos

pedagógica), ya sea de funciones sensoriomotrices o mentales (prueba

ADKINS, D. (1964). Statistics. Columbus, Ohio: Charles E. Merrill.

BARTON, R. A. (1970). A Primer on Simulation and gaming, Englewood Cliffs, N. Y.:

COOMBS, C. H., DAWES, R. y TUERSKY, A. (1970). Mathematical Psychology. Nueva

ESCOTET, M. A. (1985). Estadistica Psicoeducativa. México: Editorial Trillas, 5ª Edición.

GLASS, G. y STANLEY, J. (1970). Statistical Methods in Education and Psychology. Nueva

TATE, M. (1965). Statistics in Education and Psychology. Nueva York: MacMillan

Análisis Multivariado en Ciencias Humanas en esta primera edición digital

Вам также может понравиться