Hola, me había puesto los cascos. Seguimos con el tema 3, de diseños de
dos muestras independientes. Nos habíamos quedado en el ejemplo 3.2. Eran
variendas colacionales desconocidas, pero supuestos iguales. Estamos, por
consiguiente, en el área del contraste de hipótesis sobre medias. Y
empieza, como en el anterior, con un ejemplo. Nos dice el ejemplo. En un
estudio sobre depresión en personas mayores, llevado a cabo en un centro
geriátrico, es decir, ya sabemos que la variable dependiente es nivel de
depresión medido entre algún 3 apropiado. fiable, pálido, etc. que la
población son personas mayores en un centro geriátrico se quiere
comprobar si las personas ingresadas que no reciben visitas de sus
familiares tienen una puntuación media en depresión superior a aquellas
personas cuyas familiares las visitan con frecuencia por consiguiente ya
vemos que hay dos grupos van a dividir a la muestra en aquellos que reciben
visitas de los familiares y aquellos que no las reciben y quieren comprobar
si esto afecta al grado de depresión que esos ancianos padecen también es
obvio que las poblaciones son independientes las muestras son
independientes básicamente porque el grupo de personas que no reciben
visitas Tiene que ser un grupo distinto del grupo de personas que sí
reciben visitas. Para comprobar esta hipótesis, se seleccionaron al azar a
41 personas que no reciben visitas y en ellos se obtuvo una puntuación de
20 puntos en una escala de depresión. Y la cuasi-varianza de esa muestra
de 41 personas que no reciben visitas fue de 100. Mientras que otra muestra
de 31 personas que sí reciben visitas con frecuencia, la media fue igual a
15 y cuasi-varianza igual a 90. Usted ve que si esto fuese un estudio real,
se está perdiendo mucha información porque la variable visitas es una
variable que no es dicotónica. Hay personas que no reciben visitas y hay
otras que reciben visitas. Una visita al mes, hay dos que reciben dos
visitas, tres, es decir, que es una variable, se podría sacar más jugo,
pero para el ejemplo está bien. Para el ejemplo de simplemente dos grupos
reciben visitas, sí, y no reciben visitas, y por consiguiente, por eso por
lo que indican, pone la expresión, reciben visitas con frecuencia. No se
sabe exactamente, no han especificado la frecuencia porque es un ejemplo
del libro. Como siempre, los ejemplos reales son lo suficientemente
complejos como para que sea difícil exponerlos en un texto. Aparte de que
también suelen tener otras particularidades que no se pueden ver aquí.
Suponiendo que las variantes de la población son iguales, nos lo dice el
enunciado, no las conocemos pero las suponemos iguales, para ambos grupos,
a un nivel de confianza del 99% por consiguiente alfa 0.01. ¿Podemos decir
que los datos obtenidos avalan la hipótesis de partida? Lo primero que hay
que hacer es colocar todos los datos que nos han dado. Tenemos dos muestras
independientes. Por un lado tenemos la población, las muestras y la
distribución muestra de la diferencia de medias. No conocemos en
población las varianzas pero asumimos que son iguales. Por lo tanto, la
varianza sigma al cuadrado de la primera población es igual a la varianza
sigma al cuadrado de la segunda población. Teniendo en cuenta que esas
poblaciones están definidas por los ancianos que no reciben visitas en
relación a los que sí reciben visitas. El 1 y el 2 se refiere al grupo y
que las variables de presión. Nos han dado también los datos necesarios
que se han obtenido en ambas muestras. Tenemos que en la primera hay 41
ancianos que no reciben visitas, de ellos la media de depresión en esa
escala es de 20. Asumimos que cuanto mayor sea la puntuación, mayor es la
depresión y que la cuasi-varianza en ese primer grupo vale 100. Bien,
observen que se ha puesto ese cuadrado que es varianza. n-1 nos indica que
se está calculando el estimador insasgado, la cuasi-varianza. No tenemos
un índice para poner que esto se refiere a la primera muestra y esta
cuasi-varianza a la segunda. Como lo hemos puesto en los dos cuadrados
apropiados sabemos cuál pertenece a una u otra. Pero se ven que el
símbolo que hemos colocado es exactamente el mismo en ambos casos.
Condiciones y supuestos. Los requisitos en este caso son iguales que en el
caso anterior. La única diferencia es que no conocemos las varianzas
poblacionales, pero las suponemos iguales. Entonces, los supuestos que se
tienen que cumplir son que la variable pendiente tenga un nivel de medida
de intervalo o de razón. Los dos niveles más elevados. Suponemos que el
test de depresión proporciona medidas en una escala de intervalo. Esto nos
debería venir dado en el propio test, en el baremo del test. No sabemos
cómo se distribuye la variable de la población, no nos lo han dicho. Pero
observamos que tenemos en las dos muestras... en una con 41 sujetos y en
otra con 31 sujetos en ambos casos el N es superior a 30 que era el punto
crítico punto crítico en relación a los tamaños muestrales por
consiguiente podemos utilizar este el test que vamos a ver a continuación
y las variantes poblacionales ya hemos dicho que son desconocidas pero
asumimos que son iguales estos datos normalmente nos los tienen que dar en
el enunciado en la vida real tendríamos que justificar porque pensamos que
las varianzas son iguales en la población formulamos la hipótesis aquí
en este caso la hipótesis que nos han dicho es que la depresión media en
ancianos que no reciben visitas Por lo tanto, la depresión media es
superior en las personas que no reciben visitas de sus familiares, que lo
hemos calificado como el grupo 1, en relación a las personas que sí
reciben visitas o visitas frecuentes. La hipótesis entonces, esta es la
que le interesa al investigador. Es la hipótesis alternativa, que plantea
que la musu 1, la media depresión en los ancianos que no reciben visitas,
es mayor que musu 2, la media depresión en ancianos que sí reciben
visitas. Es la hipótesis alternativa porque es la que al investigador le
gustaría ver confirmada. Para eso ha hecho el estudio. Pero, como siempre
va a plantear, que lo que es real, a priori, es H0, que su hipótesis no se
cumple. Y esa hipótesis nula, H0, es justamente la... contraria a la
anterior. Si en la anterior poníamos que MUSU1 es mayor que MUSU2, H0
entonces cambiamos el signo de desigualdad e incluimos la posibilidad de
que sean iguales. H0 es plantería que la media de depresión en ancianos
que no reciben visitas es menor o, en todo caso, igual a la media de
ancianos en depresión que sí reciben visitas frecuentes. Es obvio, como
hemos hecho anteriormente, que si tenemos esta hipótesis no ideal
alternativa lo podemos plantear en términos de diferencias de medias.
Vemos que si en la H1 planteamos que MUSU1 es mayor que MUSU2, Por
consiguiente, su diferencia será mayor que cero y a la inversa en
relación a h sub cero. Aquí estamos planteando en h sub cero que la
diferencia de medias entre mu sub 1 y mu sub 2 es menor o igual que cero.
El estadístico de contraste en este caso se distribuye según la T de
Student con n sub 1 más n sub 2 menos 2 grados de libertad. Claramente,
cuando no conocemos la varianza poblacional, la Z se nos transforma en una
T. ¿Por qué? Porque tenemos que estimarla a partir de los datos que
tenemos en nuestra muestra. En concreto vamos a utilizar la coexigente.
Muestra como estimador. de la varianza poblacional y ahora el estadístico
es el que ven en pantalla, es un poquito más complicado pero muy parecido
a lo que ya hemos visto en el numerador tenemos que tenemos la diferencia
aquí en error es la media de la puntuación de presión en el primer grupo
menos la media de la puntuación de presión en el segundo grupo este
subíndice debería ser I2, esto nos refleja la discrepancia entre nuestras
dos muestras en las puntuaciones en nuestras dos muestras de ancianos
partido por una estimación de la división típica de la distribución
muestral de esas diferencias y aquí vemos que es un poquito más
complicado pero tampoco es tanto vemos que tenemos en primer lugar Un
primer cociente en el que tenemos en el numerador la suma de dos factores
que son idénticos. Lo que pasa es que cada uno es referido a una muestra
distinta. Vemos que n es 1 menos 1, es 1 menos el tamaño mostrado en la
primera muestra, multiplicado por, y observo en el símbolo, s al cuadrado
significa varianza. Como s es una letra latina, se refiere a la población.
En el subíndice hemos colocado 1 para indicar que se refiere a la varianza
de la primera muestra. Pero observen aquí que hemos colocado el hat, el
acento circunflejo. Eso significa que... Realmente esto es la mejor
estimación que podemos hacer de la varianza poblacional para ese primer
grupo. Y el mejor estimador de la varianza poblacional a partir de los
datos muestrales sabemos que es la cuasi-varianza muestral. Por
consiguiente, ese hat, sombrero en inglés, hat de ese al cuadrado sub 1 es
la cuasi-varianza muestral. Más lo mismo pero referido a la segunda
muestra, n sub 2 menos 1 multiplicado por la cuasi-varianza muestral de la
segunda muestra. Partido por los grados de libertad que son el sumatorio
del número de sujetos en cada uno de los grupos, n sub 1 más n sub 2,
Menos 2, porque vamos a hacer dos estimaciones. Vamos a utilizar las dos
cuasi-varianzas en ambas muestras para estimar las varianzas polacenales.
Por consiguiente, hemos hecho uso de parte de la información que hay en
nuestra muestra y eso nos elimina dos grados de libertad. Multiplicado todo
este cociente por la suma de dos cocientes, los inversos de los tamaños
muestrales de ambas muestras. Esto, aplicado a nuestro ejemplo, vemos que
la primera muestra tenía media 20, la segunda media 15, partido el tallo
por la raíz cuadrada del producto. entre este primer cociente tenemos
aquí el producto de estos dos factores entonces tenemos 41 menos 1 41
recordemos que era el tamaño muestral de la primera muestra menos la
unidad por el mejor estimador de la varianza poblacional que es la
cuasi-varianza muestral para el primer grupo que vale 100 más 31 menos 1
que es el tamaño muestral de la segunda muestra menos 1 por la
cuasi-varianza muestral de la segunda muestra 90 partido por la suma de los
tamaños muestrales 41 más 31 menos 2 todo ello, este cociente
multiplicado por la suma de 1 partido por 41 que es 1 partido por el
tamaño muestral de la primera muestra más 1 partido por 31 el tamaño de
la segunda muestra este valor, si no me he equivocado este cálculo da 2.14
aproximadamente y hemos dicho que se distribuye según la T de Student con
n menos n sub 1 más n sub 2 menos 2 ahora lo que vamos a hacer es buscar
en las tablas de la T de Student el valor crítico en un contraste
unilateral porque recordemos que la hipótesis que tenemos es unilateral
que en este caso será igual a qué puntuación de la T con 70 grados de
libertad divide la distribución en dos partes una en la que tenemos el 99%
de la distribución y otra en la que tenemos el 1% Y eso lo vamos a
comparar con la, y este valor vale 2.381, este valor es el valor crítico,
la T crítica, vamos a buscarlo en las tablas, sí, lo puse aquí, tenemos
70 grados de libertad, tenemos entonces esta fila de valores de la T, y
buscamos el valor crítico, observemos que en la parte superior de la
pantalla tenemos las áreas que me dejan cada uno de los valores de la T
que me aparecen en el cuerpo de la tabla, buscamos entonces el 0.99 que lo
tenemos aquí, en la intersección entre 0.99 me lo está, sí, creo que es
esa 0.99 y 70 grados libertales en la intersección se encuentra la T
crítica, que vale 2.381 la tenemos no me deja no me deja subrayarla voy a
intentar hacer, se ve que se encuentra aquí hay una un botón aquí en
Inteka que me permite dibujar sobre él, me aparece por defecto y no puedo
eliminarlo está ahí, 2.381 ese 2.381 es el valor crítico la Z que nos va
a separar la región de aceptación de la región de rechazo y hemos
obtenido una Z de 2.14 Esta es la T empírica, 2.14 y esta es la T
crítica, 2.38 Aquí lo vemos Vamos a ponerlo en rojo 2.381 Este valor en
el eje de acisas que representa los valores Estoy con la Z Es una T Son
valores de T no de Z Este valor de T que hemos obtenido con 70 grados de
libertad y 0.99 vale 2.381 Me deja por encima de sí el 0.01 de la de la
distribución y esto deberíamos llamarle a ver si puedo dibujar esto es
alfa no p vale, alfa 0.01 ese valor 2.381 me deja por encima así es 0.01 y
por consiguiente por debajo sigue 0.99 sin embargo la T empírica la que
hemos obtenido en nuestra muestra es de 2.15 que estaría aquí por eso se
ha dibujado con una línea el punto donde aproximadamente quedaría la T
empírica vemos que queda en la región de aceptación de H0 porque la
región de rechazo al 0.01 sería la que estoy dibujando en azul sería la
superior a 2.38 que es el valor crítico por consiguiente ya sabemos que
vamos a, no podemos rechazar H0, si comparamos las test vemos que 2.15 es
inferior a 2.38 es difícil escribir con el ratón aquí lo he hecho
separando las gráficas haciendo un poquito más claro, es decir 2.381 me
deja, que es el valor crítico deja por encima de sí el 0.01 del área de
distribución, alfa vemos que no, este valor sería el 2.38 no viene en las
tablas deja por encima así alfa mientras que esa misma gráfica pero ahora
graficada para la T empírica que hemos obtenido que es 2.15 vemos ahora
que el valor nos queda a la izquierda de la anterior que sería 2.15 esa
era rosa, que es el nivel P crítico es de mayor tamaño que alfa que es
este área en amarillo por consiguiente el nivel P crítico no lo podemos
calcular exactamente en las tablas del apéndice nosotros con calculadoras
especiales sabemos que vale 0.0175 si en las tablas no viene todo lo que
podemos hacer es realizar una aproximación es decir para 70 grados de
libertad nuestro estadístico de contraste se encuentra entre las
puntuaciones es decir, el valor que hemos obtenido de 2.15 la T de 2.15
está entre 1.99 y 2.38, que son los valores que sí me vienen en la tabla
claramente 2.15 me queda espera, 2.15 ¿verdad? si 2.15 me queda en algún
lugar entre 1.99 y 2.38 que es lo que vemos aquí por consiguiente si 1.94
deja por encima de sí el 0.025 y 2.38 me deja por encima de sí el 0.01,
podemos razonar que el nivel T crítico se encuentra entre esos dos valores
entre 0.025 y 0.01 será El nivel P crítico será más bajo. Aquí los
símbolos están equivocados. Esto sería... No, a ver, a ver, a ver... No,
está bien, está bien. Se encontraría en tres otros valores. Porque es
0.01. Que son los valores que nos aparecen en la tabla. Este es un valor
superior a este. Por consiguiente, P está entre 0.025 y 0.010. En las
tablas, trastornaríamos así. Es lo que hemos dicho anteriormente. Esta
sería... Los grados de esta. 70. Esa es la fila en la que queremos... la
que queremos ver 1.994 me deja aquí no lo veo porque me lo tapa pero lo
hemos visto aquí uno menos 0.025 1.994 y 2.381 por consiguiente buscamos
sabemos que los niveles de probabilidad esos son los dos niveles de
probabilidad que hemos visto anteriormente sabemos que estos dos valores de
t 1.994 me deja por debajo de 7 0. 0.975 del área y 2.381 me deja por
debajo así de 0.990. Como la T2,15 me queda en algún lugar entre estos
dos valores, su nivel T crítico también está entre esos dos valores. Por
consiguiente, como el valor del estético contraste T2,15, la T empírica,
no supera el valor crítico que es 2.38, la diferencia encontrada entre
estas dos muestras no es significativa con un nivel de confianza del 99. Y
ahora nos dan la regla general, pero razonando la forma que hemos visto
anteriormente es sencillo comprobarlo. Haciendo ese gráfico es más
sencillo que memorizar estas fórmulas. pero vamos a hacerlo en un
contraste unilateral derecho mantendremos la hipótesis nula cuando el
estadístico de contraste T la T empírica es menor, no supera el valor
crítico que me vienen las tablas dado 1 grado de libertad n es 1 más n es
2 menos 2 y un nivel de probabilidad 1 menos alfa buscamos esa T en las
tablas y si la T empírica es menor que la T crítica no podemos rechazar
H0 en cambio la rechazaremos si ese signo se invierte si ahora la T
empírica es superior a la T crítica yo lo hago mucho mejor cogiendo este
tipo de representaciones gráficas esto dibujo en el eje de arcisas todos
los valores posibles de T no es necesario dibujarlos hacemos una línea
recta sabemos que el centro es el valor 0 que los valores máximos
empíricamente que me pueden salir están entre menos 4 y 4 entonces yo
aproximadamente sé cuánto valen estos valores extremos y me dibujo una
línea parecida a la campana de Gauss aunque sea una T y entonces ahí
coloco de forma aproximada los valores de la T crítica que he obtenido en
la tabla y de la T empírica y en función de donde se encuentre una en
relación a la otra acepto o rechazo H0 y razono sobre las probabilidades
de cada una de ellas en este caso si comparamos el nivel P crítico
Aproximado. Bueno, nosotros sabemos que vale 0.0175. Con el nivel de
significación alfa 0.01 vemos que 0.0175 es mayor que 0.01. Por lo tanto,
no rechazamos H sub cero. Interpretamos el resultado, la fase final, en la
que más le interesa al psicólogo normalmente. Al nivel de confianza del
99%, los resultados no indican que la puntuación media de depresión sea
mayor en el grupo de sujetos que no reciben visitas respecto de los que sí
reciben visitas, de los ancianos. Sin embargo, los estados, si
utilizáramos un nivel de confianza del 95%, los estados sí serían
significativos. Porque si utilizamos un 95%, la T crítica disminuye mucho
en relación al 99%. Entonces ahora la T crítica estaría por encima de la
T crítica. Eso es muy importante por consiguiente elegir un nivel alfa
apropiado. Aunque normalmente nos viene dado por la revista en la que
vayamos a publicar y por los estándares de la misma o de esa área. ¿Qué
debería suceder en este caso cuando a un 95% rechazaríamos H0 y a un 99%
no? Pues una posibilidad es profundizar... en ese tema profundidad en esa
relación porque parece que existe una relación interesante y por
consiguiente podríamos incrementar la muestra hacer el test más preciso
habrían varias posibilidades en función de lo que estés interesado
experimento 8 horas o de sentido común esto lo he puesto con una sencilla
razón recuerdo un profesor de la computencia amigo mío de derecho íbamos
a clase de karate hace ya unos años juntos no sabía nada de psicología
pero una vez salió el tema y me dijo que estaba casado por cierto con una
psicóloga y pensaba que los resultados la psicología era sentido común Y
obviamente le comenté que en mi opinión eso no era cierto, pero ante este
experimento que hemos visto casi le daría la razón en el sentido de que
sería de esperar que si un anciano no recibe visitas de sus familiares,
eso no le va a afectar a su estado de ánimo. No se va a deprimir más que
aquellos que sí reciben visitas, para que le haya sentido común que si un
psicólogo ha realizado este experimento, que el resultado fuera positivo o
que fuera significativo, que rechazara H0. ¿Para qué sería necesario
rechazar este experimento si es de sentido común que la hipótesis
alternativa que rechazaríamos H0? Piénsenlo ustedes, ¿qué piensan?
Bien, la primera idea que a mí se me ocurre es que el sentido común es
muy mal consejero. Es muy mal consejero en cuestiones de ciencia. Es de
sentido común, si no lo dijeran los físicos, que el sol es el que se
mueve, no la tierra. No tenemos una experiencia personal de que la tierra
se mueve a miles de kilómetros por hora. Y sin embargo es así, por
experiencias indirectas y por experimentos. Experimento de Foucault, por
ejemplo, pero el sentido común no nos lo dice. El sentido común nos
indica que somos cualitativamente diferentes a los animales. Tenemos una
sociedad, una cultura. Tenemos máquinas, tenemos lenguaje. Sin embargo,
Darwin dijo que no. Y los psicólogos cada vez, y los estudios sobre
etología, y su propia conducta animal, cada vez nos plantan más en el
área de que somos realmente animales. Es decir, ante este tipo de
experimentos, lo primero es que el sentido común es muy mal consejero. Hay
que ir a la experiencia, a la experimentación. En segundo lugar, muchos
experimentos en psicología no son tan evidentes como este. El experimento
de Milgram sobre obediencia, no sé si les he hablado ya de él, todo el
mundo que rodeaba a Milgram, psicólogos experimentados, psicólogos de la
personalidad, psicoanalistas, psiquiatras... todo el mundo predijo lo
contrario de lo que sucedió en el experimento. Aunque ahora, con casi 50
años de diferencia con la realización de aquellos experimentos, pues
podríamos pensar en lo contrario, pero todos los compañeros de Milgram
pensaron que, por ejemplo, su experimento iba a haber resultado contraído
al real. No digamos ya los experimentos de Zimbardo. Luego hay muchos
experimentos en donde lo que interesa no es el aspecto cualitativo, no es
si los ancianos tienen mayor depresión porque no los visitan en relación
a los que sí los visitan. La ciencia no avanza si no se realizan...
Hipótesis cuantitativas. ¿Cuánto afecta el que no le visiten los
familiares a ese anciano? ¿Cuánto? Y lo relaciono con T al cuadrado, con
el tiempo al cuadrado. Observen que cuantitativamente ya sabía lo que iba
a suceder, pero no cuantitativamente. Y en psicología estamos en esa
situación. Los experimentos en la medida de lo posible... Deben tratar de
predecir resultados a nivel cuantitativo porque de esa forma posteriormente
vamos a poder introducirlos en fórmulas. Si no tenemos resultados,
predicciones cuantitativas, no podremos introducir todo eso en una fórmula
como cualquiera de las que utilizan los físicos para poder realizar
predicciones de nuestra realidad conductual en este caso. Entonces,
simplemente he puesto esto porque me chocó mucho lo que me dijo aquel
amigo de derecho. Seguimos. Y si queremos realizar el intervalo de
confianza, hacemos lo mismo que antes. Cambiamos un poquito la fórmula.
Esta sería la fórmula para calcular el intervalo de confianza. De nuevo,
la diferencia de medias entre las dos muestras. Más o menos el producto
entre dos factores. El estadístico de contraste que estamos utilizando,
que es una T, al alfa apropiado, por el grado de libertad apropiada,
multiplicado por una estimación de la división típica de la
distribución muestral de esa diferencia, que viene dada por la raíz
cuadrada de esta expresión. Ya lo hemos dicho, ya lo hemos comentado
anteriormente, porque si no recuerdo mal, es similar a la que hemos
utilizado en el caso en el que conocíamos la variante poblacional.
Entonces, lo único que cambia es que allí utilizábamos la puntuación Z
y aquí utilizamos la puntuación T. Pero el resto queda igual. Recuerden
de nuevo que el acento circunflejo significa que esto es la
cuasi-conexión. la varianza del primer grupo y del segundo grupo. Aplicado
a nuestro caso, tenemos que la media del primer grupo era 20, si no me he
equivocado, 15 la del segundo, y esto nos da una diferencia de 5 puntos. A
esa diferencia de 5 puntos se le suma y se le resta este producto. A 99% el
T crítico era 2.381 multiplicado por 41 menos 1, que es el tamaño
muestral de la primera muestra menos la unidad, por su cuasi-varianza más
31 menos 1, que es el tamaño muestral de la segunda muestra menos 1, por
la cuasi-varianza muestral partido por el grado de libertad. Y este
producto nos da 23.20. Y este es el punto 29. 5 más 23 nos da 28. 5 menos
23 nos da menos 18. Aproximadamente, no he dicho los decimales. El
intervalo de confianza va de menos 18 a 28. Eso quiere decir que incluye el
valor 0. El 0 está entre esos dos valores. Y eso es compatible con la
hipótesis nula. Utilizamos el intervalo de confianza. En tanto, la
estrategia de calcular el intervalo de confianza como la de contraste de
hipótesis nos lleva a la misma conclusión. No podemos rechazar H0 a un
alfa de 0.09. Perdón, 0.01. Ejemplo 3.3 Aquí... Ah, no lo he puesto
arriba, pero claramente vamos a ver ahora el tercer ejemplo, que es muy
parecido a los anteriores, con la diferencia de que ahora vamos a asumir
que la varianza poblacional de los dos grupos independientes es distinta.
Recuerden que en el caso anterior asumíamos que las dos varianzas
poblacionales eran iguales, no las conocíamos, pero eran iguales. Aquí
vamos a asumir que seguimos sin conocerlas, pero son distintas. Y en este
caso van a cambiar un poquito las fórmulas, pero el resto es muy parecido
y por ello voy a ir un poquito más rápido. Un laboratorio desarrolla un
fármaco en el que se pretende reducir la ansiedad. Eso es bastante
interesante en la actualidad. Para comprobarlo se trajeron dos muestras,
aleatorias de cinco observaciones cada una, que suponemos procedentes de
poblaciones que se distribuyen normalmente, un supuesto, y con distinta
varianza, otro supuesto. Y sabemos que teníamos muy pocas observaciones en
cada grupo, cinco observaciones nada más. A los sujetos de la... a ver,
quiero que este ejemplo no lo he terminado, voy a... especialmente, no, no
lo he terminado. Lo comentamos y seguimos el próximo día hasta donde haya
hecho. A los sujetos de la primera muestra se les administró el fármaco.
Y a los de la segunda muestra una sustancia placebo. Y una sustancia...
esto significa que los sujetos en un grupo y en otro no conocen a qué
grupo están siendo asesinados. Todos consideran que están recibiendo el
fármaco. Entonces, para evaluar, para hacer un control más exhaustivo, el
grupo es placebo. A todos se les dice que la palestinita que se les está
dando o el fármaco que se les está inyectando es el fármaco
experimental. Hay cinco en los que el fármaco no hace realmente nada.
Podría ser una simple dosis de... Posteriormente se le midió la ansiedad
a todos los sujetos mediante un test en el que cuanto más elevada la
puntuación, mayor es la ansiedad. Estos eran los ejemplos. Tenemos diez
puntuaciones del primer grupo, sujetos con fármaco, y del segundo grupo
sujetos sin fármaco. Yo, sin más, ya estoy viendo que las puntuaciones
del grupo sin fármacos es bastante más elevado que lo del grupo sin
fármaco. Luego veremos si los resultados estadísticamente me permiten
decir que son diferentes. Pero curiosamente el grupo 2 sin fármaco tiene
puntuaciones mayores. Tiene más ansiedad. No, vale, es congruente.
Puntuaciones mayores significa mayor ansiedad. Si el fármaco es para
reducir la ansiedad, este grupo que tiene puntuaciones menores, entonces
quizá el fármaco sí sirva para reducir esa ansiedad de forma
significativa. Con un nivel de confianza del 95%, podemos afirmar que el
fármaco especialmente reduce la ansiedad, que estas puntuaciones del grupo
1 son inferiores a las del grupo 2. Ya vamos a dejarlo aquí porque ya
empezamos con las condiciones de supuestos y me quedo en la... en la 83 si,
ya lo dejamos porque esto vale, para el próximo día veamos por último el
chiste este chiste tiene relación con nosotros con los profesores de
estadística recuerden que yo soy psicólogo no soy profesor de
estadística pero no hice la carrera de matemáticas luego te tienes que
reconvertir y curiosamente me gustó bueno pues este chiste se ríe un poco
de nosotros ha encontrado alguna vez a un profesor de estadística que
tiene un borrador en una mano y una tija en la otra y se dedica a ir
escribiendo con la mano derecha y al mismo tiempo ir borrando con la mano
izquierda de tal forma que lo que escribe se evapora antes de que puedas
Bueno, eso no me pasa a mí Pero es la siguiente característica De
estadística, sí Que se pasa la mitad del semestre En el primer tercio del
contenido del curso Y la última semana del semestre En el último tercio
del contenido Pero estoy diciendo porque Voy a grabar todas las clases Pero
lo más seguro es que Lo tenga que hacer en Navidad Porque a este ritmo Va
a ser completamente imposible Entonces esta característica Es propia de
nosotros Al menos en mi caso Otra característica ¿Te has encontrado
alguna vez con un profesor de estadística Que de forma regular Se refiere
al cálculo Al cálculo Infinitesimal como una explicación de los
principios estadísticos continuamente lo estoy diciendo que las tablas es
una forma de no exigirles a ustedes que hagan integrales la integral
pertenece al cálculo por consiguiente continuamente me estoy refiriendo al
cálculo como la explicación de los principios estadísticos pero sabe muy
bien que el 90% de la clase jamás ha cursado la asignatura de cálculo y
no digamos ya que haya oído la palabra cálculos bueno, después les
comentaré otras curiosidades de los profesores de estadística