tremolero, la probabilidad es muy engañosa y nada intuitiva. Existe una probabilidad no nula de que en 100 lanzamientos 95 sea cara, muy muy pequeña, (ahora no me voy a poner a calcularlo llevo prisa, pero se puede hacer) pero en el siguiente lanzamiento no podemos decir nada y la probabilidad es del 50% igualmente.
Otra cosa es que la moneda esté trucada o que el tio que lanza la mondela lo haga de cierta manera para que el suceso no sea aleatorio.
En los casinos lo que hacía gente para hacerse ricos es evaluar muchísimas rondas a la ruleta por ejemplo y con un número alto se puede ver que ciertos números tienen más probabilidad, más allá de la desviación típica, ¿Por qué?, porque la ruleta puede tener defectos de fabricación e imperfecciones, entonces si, es posible que un número salga más que otro. Al hacerse el estudio entonces tendríamos un número preferente para apostar y ganar con más probabilidad.

Si tiras una mondeda 100 veces y te salen 95 caras, o bien tienes mucha suerte o bien está trucada la maneda o el lanzador, y yo apostaría por el 2º, pero eso no es estadística, eso es hacer trampa en el juego jaja

Orubatosu

Toma aquí tienes un ejemplo:

Procedimientos de control:

1.      Aleatorización simple y por bloques.

2.      Equilibrado o reequilibrado. Ej.: V.I con dos niveles A y B.

·        Equilibrado: ABBA (A afecta a B, B afecta A).

·        Alternativa (Dos grupos): grupo 1: orden: AB y grupo 2: orden: BA.

3.      Cuadrado latino: sustituye al equilibrado cuando la variable independiente tiene más de dos niveles. Ej. 3 niveles: ABC, ACB, BAC, BCA, CAB, CBA (Permutaciones de 3 elementos: 3 X 2 X 1 = 6)

Definición: Elección de permutaciones al azar sin que se repita posición del nivel de la VI.

1. – ABC                   10 sujetos al azar ( con  n = 30)

2. - ACB

3. – BAC                   10 sujetos al azar.

4. - BCA

5. – CAB                   10 sujetos al azar.

6. - CBA

No exclusivamente intrasujeto, sino también Inter.-grupo.

Es un diseño idóneo para el estudio de enfermedades crónicas y enfermedades que afectan a grandes grupos de población. Muy utilizado en los ensayos clínicos.

DISEÑOS COMPLEJOS O DISEÑOS FACTORIALES.

Es un tipo de diseño experimental en el que hay más de una variable independiente. Cada variable recibe el nombre de factor. Su principal acción es que sirven para valorar el efecto de la interacción, es decir, saber el efecto combinado de las distintas variables. Cada variable recibe el nombre de factor y el número indica los niveles de cada variable.

Ejemplo:        2X2 (dos variables independientes con dos niveles cada una)

                       2X2X3 (tres variables independientes, dos de ellas con dos niveles y una con tres)

Ejemplo de un diseño complejo o factorial:

Hipótesis: Las personas que son distraídas, frente a las que no lo son, aguantan más el dolor. (Meter la mano en agua helada).

Tenemos 2 v. independientes que tienen dos niveles:

·        Distracción (se consigue mediante la lectura de un cuento).- Con cuento (distracción) y - Sin cuento ( sin distracción).

·        Sexo del investigador:- Hombre.- Mujer.

Se forman dos grupos: uno experimental y otro de control.

Y se plantea realizar una estrategia distractiva: leer un cuento mientras se realiza la prueba.

Diseño del experimento: 2 grupos, uno con distracción y al otro sin distracción (no lectura del cuento), y mido el tiempo que aguanta cada uno con la mano sumergida en agua helada.

   La investigadora pensó que ella misma podía ser un elemento de distracción y entonces añadió una variable de confusión que era el “atractivo” de la propia investigadora, pasando el estudio a ser de dos variables y por lo tanto se necesitaban cuatro grupos.

   Las dos variables tenían efecto sobre el dolor, tanto con el entretenimiento como con la presencia del investigador.

   No hubo efecto combinado de potenciación entre las variables.


DISEÑOS EXPERIMENTALES DE CASO ÚNICO. ESTUDIOS DE CASO Y DISEÑOS. TIPOS DE DISEÑO. LIMITACIONES DE LOS DISEÑOS.

El diseño experimental de caso único trabaja con un solo sujeto y puede considerarse una alternativa a la investigación realizada habitualmente en grupos. Los diseños de n=1 y los planes de cuidados de enfermería guardan una estrecha relación en el sentido de la importancia que adquiere la individualidad, ambos significan observar e intervenir.

Las principales VENTAJAS que presentan aplicados a enfermería son:

·        Suponen un instrumentos factible y aplicable en el campo clínico, en donde la investigación experimental resulta más difícil de conseguir dado el carácter individualizado de la atención sanitaria.

·        Los diseños n=1 eliminan la dificultad que para la investigación clínica tiene la homogeneización de la muestra objeto de estudio. El trato con pacientes supone diferentes comportamientos y múltiples formas de expresión, sentimientos y estados emocionales variables, elementos que están presentes y que no pueden ser aislados del contexto del estudio.

·        La ausencia de grupo control, un solo sujeto ejerce como sujeto experimental y a la vez como sujeto control.

Las principales DIFICULTADES Y LIMITACIONES de los diseños n=1 son:

·        La generalización: se apunta que esta se puede efectuar con mayor seguridad si el número de observaciones es mayor. Este aspecto es discutido, ya que otros autores (Castro, 1975) afirma que no importa que la generalización se obtenga a través de una observación en múltiples sujetos o mediante múltiples observaciones a un solo sujeto.

·        La variabilidad: el ser humano al ser individualizado en sus características bio-psicosociales-espirituales, son muchos y muy diversos los factores que influyen en el comportamiento de cada persona, dando lugar a variaciones individuales múltiples.

Los estudios de caso único permiten el desarrollo de múltiples diseños, de entre los cuales se destacan los siguientes:

1.      DISEÑO A-B-A: también llamado diseño de retirada y considerado el prototipo en investigaciones con un solo sujeto. Este diseño presenta una secuencia en la que se elabora una línea base (A), se aplica un tratamiento (B), y finalmente se retira el tratamiento volviendo a la línea base (A). Ej. Estudio del tratamiento de un fármaco para la T.A. Primero se observa una serie de factores (A), después se interviene con el fármaco y se sigue observando (B), y por último se retira el fármaco y se sigue observando (A). En este diseños las series han de ser constantes, hay que hacer el mismo número de observaciones (mediciones) y las condiciones han de ser estándares.

Este tipo de diseño presenta ciertas reservas en su aplicación clínica ya que representa anular o retirar un tratamiento que puede ser beneficioso para el paciente, por ello una alternativa sería:

2.      DISEÑO A-B-A-B: donde se finaliza la investigación con la aplicación y mantenimiento del tratamiento que se ha considerado positivo. Volviendo al ejemplo anterior sería: observación sin tratamiento, con tratamiento, sin tratamiento y observación con tratamiento. Si la serie continua más nos acercamos a un plan de cuidados.

3.      DISEÑO A-B: es otra alternativa, aunque más débil (débil validez interna), es considerado como un diseño de carácter experimentador y para ver la reactividad del sujeto, puede servir como punto inicial para posteriores investigaciones.

4.      DISEÑO B-A-B: el sujeto requiere una intervención inmediata y una vez que queda fuera de peligro se retira el tratamiento. Es poco utilizado, es más un planteamiento teórico.

5.      DISEÑO DE LÍNEA BASE MÚLTIPLE: en ella se registran y se observan no una sino varias variables. Es una diseño adecuado e idóneo para valorar interacciones entre tratamientos.

ANÁLISIS DE LOS DATOS.

En los diseños experimentales de caso único, los datos pueden ser analizados mediante técnicas visuales o de representación gráfica o bien a través de procedimientos estadísticos. Sin embargo debe recordarse que ni los comportamientos de las personas son uniformes y constantes, ni las circunstancias permanecen siempre intactas, presentándose así una de las dificultades que se señalaba con anterioridad en lo que a variabilidad de datos se refiere. Esto da lugar a ciertas limitaciones a la hora de analizar e interpretar, dificultades que deberán ser tenidas en cuenta a la hora de obtener conclusiones.