Content uploaded by Angel Blanco Villaseñor
Author content
All content in this area was uploaded by Angel Blanco Villaseñor
Content may be subject to copyright.
La metodología y técnicas utilizadas en investigación observa-
cional tienen una característica común: sólo observamos y regis-
tramos una muestra del comportamiento de los individuos. Así, el
error muestral surge como resultado de observar tan solo una frac-
ción de todas las ocasiones posibles. Ello forma parte de la esti-
mación de la precisión de los datos registrados mediante la obser-
vación sistemática. El muestreo que tiene lugar, usualmente en di-
ferentes etapas (observadores, sesiones, días, momentos, técnicas,
etc.), requiere la estimación de los componentes de variancia, que
pueden ser combinados entre sí para producir una o más estima-
ciones de coeficientes de precisión.
La estimación de la precisión ha sido desarrollada en la teoría
de la generalizabilidad, asumiendo que hay otras fuentes de varia-
ción además de las diferencias individuales e integrando cada una
de estas fuentes de variación en una estructura global, que permi-
te aplicaciones particulares de la teoría estadística del muestreo
(Blanco-Villaseñor, 1989, 1992, 1993, 1997). La teoría de la ge-
neralizabilidad reconoce explícitamente las múltiples fuentes de
error de medida (individuos, observadores, sesiones, días, técni-
cas...). Podemos estimar cada una de estas fuentes de error así co-
mo las diferentes interacciones entre ellas. El error de medida no
es más que el efecto de las fluctuaciones debidas a la elección ale-
atoria de individuos, observadores, sesiones, días, técnicas..., es
Generalizabilidad de las observaciones de la acción
del juego en el fútbol
Ángel Blanco Villaseñor, Julen Castellano Paulis* y Antonio Hernández Mendo**
Universidad de Barcelona, * Universidad del País Vasco y ** Universidad de Málaga
La metodología y técnicas utilizadas en investigación observacional tienen una característica común:
sólo observamos y registramos una muestra del comportamiento de los individuos. Así, el error mues-
tral surge como resultado de observar tan solo una fracción de todas las ocasiones posibles. Ello for-
ma parte de la estimación de la precisión de los datos registrados mediante la observación sistemática.
El muestreo que tiene lugar, usualmente en diferentes etapas (observadores, sesiones, días, momentos,
técnicas, etc.), requiere la estimación de los componentes de variancia, que pueden ser combinados
entre sí para producir una o más estimaciones de coeficientes de precisión.
En este estudio hemos seleccionado una estructura de diseño multifaceta cruzada que incorpora dife-
rentes partidos de distintos equipos (Francia, Brasil, Holanda y Croacia) que jugaron el último Mun -
dial de Fútbol, a través de un sistema de macro-categorías aplicable a cada uno de los equipos obser-
vados exclusivamente en su acción de juego (Inicio de posesión o recuperación del balón -8 categorías-
, mantenimiento de la posesión o desarrollo de la acción del juego -18 categorías-, fin de la posesión o
pérdida -8 categorías- y desarrollo de la no posesión al recuperar el balón el equipo contrario -18cate-
gorías) y en 6 categorías a balón parado. Para confirmar los resultados obtenidos rediseñamos nuestros
datos en una estructura multifaceta parcialmente anidada, analizando las distintas categorías que com-
ponen cada macro-categoría independientemente y en interacción. La última estrategia nos permite
analizar a priori distintos partidos de distintos equipos de forma independiente en diferentes combi-
naciones cruzadas y anidadas.
Observations of the football game action: A Generalizability study. In this study we observed several
matches from different football teams playing the last Football World Cup. We selected a structure of
crossed multifacet design which incorporates different matches between different teams by means of a
set of integrated categories. This integrated categories were: 1) Starting of ball control or recovering of
the ball control -8 categories-, 2) Maintaining of the ball control or development of the game action -
18 categories-, 3) Losing the ball control or ending of the ball control -8 categories-, 4) Categories of
the target team when the opponent has the ball control -18 categories-, 5) Six categories when the ball
is not in movement. To confirm the obtained results we redraw our data in a partially nested multifa-
cet structure, analyzing the different categories that compose each integrated set of categories, inde-
pendently; also the interaction between them was evaluated. The last strategy allows us to analyze,
independently, different matches of different teams; also different crossed and nested combinations we-
re evaluated.
Correspondencia: Ángel Blanco Villaseñor
Facultad de Psicología
Universidad de Barcelona
08035 Barcelona (Spain)
E-mail: ablanco@psi.ub.es
Psicothema ISSN 0214 - 9915 CODEN PSOTEG
2000. Vol. 12, Supl. nº 2, pp. 81-86 Copyright © 2000 Psicothema
ÁNGEL BLANCO VILLASEÑOR, JULEN CASTELLANO PAULIS Y ANTONIO HERNÁNDEZ MENDO
82
decir al muestreo de niveles particulares en cada una de las face-
tas del universo de observaciones posibles. Optimizar dicha medi-
da es adaptar nuestro diseño para reducir al máximo la variancia
del muestreo debida a estas facetas.
Esta es una visión particular desde la teoría de la ge n e ra l i z ab i l i-
dad que ha sido avalada especialmente por Cardinet, To u rneur &
Allal (1976, 1981) y que ha supuesto importantes considera c i o n e s
m e t o d o l ó gicas en el estudio de la observación directa del compor-
tamiento a través de la metodología observacional (Blanco-Vi l l a s e-
ñ o r, 1989). Cro n b a ch, Gleser, Nanda & Rajaratnam (1972) han de-
s a rrollado la teoría de la ge n e ra l i z ab i l i d a d, asumiendo que hay
o t ras fuentes de va riación además de las dife rencias indiv i d u a l e s .
En palab ras de Cardinet, To u rneur & Allal (1976), esto signifi c a
asumir el principio de s i m e t r í a, es decir que sucesivos objetos de
medida pueden ser evaluados dentro de un mismo diseño. Median-
te dicho principio, cada faceta (va ri able) de un diseño puede ser se-
leccionada como objeto de estudio y en cada análisis de ge n e ra l i-
z abilidad de esta faceta puede ser considerada como instrumento de
medida o condición de evaluación en el estudio de las otras fa c e t a s .
La filosofía básica que subyace a la teoría de la ge n e ra l i z ab i l i d a d
es que un inve s t i gador se pregunta acerca de la precisión o fi ab i l i -
dad de una medición dado que desea ge n e ralizar de observa c i o n e s
reales a cualquier tipo de observaciones a las que éstas pert e n e z -
c a n ( C ro n b a ch, Rajaratnam & Gleser, 1983, p. 144). En la inve s t i-
gación es el unive rso al que el inve s t i gador desea ge n e ra l i z a r .
Muestra y Estructura de Diseño
Hemos seleccionado para ello una estru c t u ra de diseño mu l t i fa-
ceta cruzada que incorp o ra dife rentes partidos de distintos equipos
( Francia, Brasil, Holanda y Croacia) que juga ron el último M u n d i a l
de Fútbol, a través de un sistema de macro - c at egorías (Anguera ,
1993; Blanco-Villaseñor y Anguera, 1993) ap l i c able a cada uno de
los equipos observados ex cl u s ivamente en su acción de juego (Ini-
cio de posesión o re c u p e ración del balón —8 cat egorías—, mante-
nimiento de la posesión o desarrollo de la acción del juego —18 ca-
t egorías—, fin de la posesión o pérdida —8 cat egorías— y desa-
rrollo de la no posesión al re c u p e rar el balón el equipo contra rio -
1 8 c at egorías) y en 6 cat egorías a balón parado [Tabla 1]. Pa ra con-
fi rmar los resultados obtenidos rediseñamos nu e s t ros datos en una
e s t ru c t u ra mu l t i faceta parcialmente anidada, analizando las distin-
tas cat egorías que componen cada macro - c at egoría indep e n d i e n t e-
mente y en interacción. La última estrat egia nos permite analizar a
p ri o ridistintos partidos de distintos equipos de fo rma indep e n-
diente en dife rentes combinaciones cruzadas y anidadas.
La situación motriz analizada es el fútbol de competición, en-
tendido como un deporte de equipo de colaboración-oposición,
que se juega en un espacio común y con participación simultánea.
Los deportes sociomotores y más concretamente los deportes de
equipo, tienen en la «interacción motriz» su peculiaridad más re-
presentativa (Blanco-Villaseñor y Hernández Mendo, 1999; Her-
nández Mendo, 1996; Hernández Mendo y Anguera, 1997). La in-
certidumbre social en la que se desarrollan los acontecimientos
marca, de forma definitoria, uno de los rasgos de su lógica interna
(Parlebas, 1988). Para llevar a cabo el análisis, se han registrado
doce partidos de la segunda fase del Mundial de Francia’98.
Este desarrollo empírico lo dividiremos en cuatro fases. Las
dos primeras tienen su fundamentación en el análisis de la varian-
cia, mientras que las fases tercera y cuarta desarrollan los concep-
tos que son propios a la teoría de la generalizabilidad (Cardinet &
Tourneur, 1978; Cardinet, Tourneur & Allal, 1976, 1981; Shavel-
son & Webb, 1981, 1991).
Tabla 1
Plan de Observación de la Estructura de Diseño Multifaceta Totalmente Cruzada correspondiente a la Interacción Partidos x Equipos x Categorías x Tiempos
(Consideraremos la faceta «Tiempos» (Primera y Segunda parte) como una faceta fija, dado que han sido seleccionados para representar una situación estándar y
evidentemente no podríamos generalizar a otras situaciones en las que no se cumpliera esta condición)
EQUIPOS
FRANCIA BRASIL HOLANDA CROACIA
Partidos FRA FRA FRA BRA BRA BRA HOL HOL HOL CRO CRO CRO
BRA CRO ITA FRA HOL DIN CRO BRA ARG HOL FRA ALE
Tiempos 1212121212121212121
OUT B P 1
:
B P 6
CATEGO- RECUP
RÍAS IN 1
8
MANTE
1
18
PERDI
1
8
REC EC
1
18
21212
GENERALIZABILIDAD DE LAS OBSERVACIONES DE LA ACCIÓN DEL JUEGO EN EL FÚTBOL 83
La primera fase es puramente descriptiva: se identifican y or-
ganizan los datos en un Plan de Observación. Se eligen las face -
tas a tener en cuenta y se precisan las interrelaciones entre las fa-
cetas estudiadas. Se decide el número de niveles muestreados en
cada faceta [Tabla 1]. La variancia total a través del universo ypo -
blación para este diseño de medida cruzado multifaceta es igual a
la suma de los respectivos componentes de variancia de cada uno
de los 7 efectos en nuestra estructura de diseño Partidos x Equipos
x Categorías (P x E x C). [Ilustración 1].
En la segunda fase del desarrollo de un análisis de generaliza-
bilidad, la elección de un modelo de estimación apropiado (ya sea
de efectos aleatorios o mixtos) está determinado por el modo de
muestrear los niveles de cada faceta (Infinita, Finita y/o Fija), es
decir los componentes de variancia estimados reflejan la magnitud
del error cometido cuando generalizamos el valor obtenido a la
puntuación universo [Ilustración 2]. Los datos correspondientes al
Plan de Estimación se han obtenido a tr avés del programa 8V del
Tabla 2
Resultados obtenidos en el Plan de Estimación Aleatorio Equipos x
Partidos x Categorías y en el Plan de Estimación Mixto Equipos x Partidos
x Categorías, considerando los Partidos como una faceta fija
Diseño Aleatorio Diseño Mixto
Fuentes de Componente % Componente %
variación de variancia variabilidad de variancia variabilidad
estimado total estimado total
Equipos (e) 0,4416 0 0,1959 0
Partidos (p) 0,3182 0 0,3182 0
Categorías (c) 612,4343 85 608,9316 85
ep -0,7373 0 -0,7373 0
ec 14,8635 2 44,6607 6
pc -10,5083 0 -10,5083 0
epc, e 89,3914 12 89,3914 8
Tabla 3
Plan de Estimación Aleatorio Equipos x Partidos x Categorías, pero
realizando un análisis independiente del comportamiento individualizado de
cada Equipo
Fuentes de Francia Brasil Holanda Croacia
variación σ
^2%σ
^2%σ
^2%σ
^2%
Categorías 615,515 90 678,9797 88 703,1891 92 511,5075 84
pc 65,2397 10 88,2468 12 63,392 8 98,6604 16
epc, e 0 0 0 0 0 0 0 0
PPC C
PEC
PE CE
E
Ilustración 1. Descomposición de los efectos del Plan de Observación Multifaceta Totalmente Cruzado Partidos x Equipos x Categorías [P x E x C]
Xpec= µ
Xpec=+ µp- µ
Xpec=+ µe- µ
Xpec=+ µc- µ
Xpec=+ µpe - µp- µe+ µ
Xpec=+ µpc - µp- µc+ µ
Xpec=+ µec - µe- µc+ µ
Xpec=+ µpec - µpe - µpc - µec + µp+ µe+ µc- µ
Componentes de variancia en el diseño P x E x C
σ
2(Xpec )= σp
2+σe
2+ σc
2+σ pe
2+σ pc
2+σec
2+σpec,e
2
PPC C
PEC
PE CE
E
Ilustración 2. Plan de Estimación Aleatorio de la Estructura de Diseño Multifaceta Totalmente Cruzada correspondiente a tres de las cuatro facetas que
se han tenido en cuenta. En esta situación concreta, Partidos x Equipos x Categorías (P x E x C). La zona de trama refleja que la faceta Equipos ha sido
considerada Faceta de Diferenciación, el resto Facetas de Generalización. El componente estimado en TG a través de la suma ponderada refleja la mag -
nitud del error cometido cuando generalizamos el valor obtenido a la puntuación universo. Por tanto, el valor de CM que hubiésemos obtenido en dife -
rentes análisis de muestras repetidas procedentes de la misma población y universo y en la misma estructura de diseño
CMEp=ˆ
σ
[p]
2=ˆ
σ pec,e
2+ncˆ
σ pe
2+neˆ
σ pc
2+nencˆ
σ p
2
CMEe=ˆ
σ [e]
2=ˆ
σ pec,e
2+npˆ
σ ec
2+ncˆ
σ
pe
2+npncˆ
σ
e
2
CMEc=ˆ
σ [c]
2=ˆ
σ pec,e
2+npˆ
σ ec
2+neˆ
σ
pc
2+npneˆ
σ
c
2
CMEpe =ˆ
σ
[pe]
2=ˆ
σ pec,e
2+ncˆ
σ
pe
2
CMEpc =ˆ
σ
[pc]
2=ˆ
σ pec,e
2+neˆ
σ
pc
2
CMEec =ˆ
σ
[ec]
2=ˆ
σ
pec,e
2+npˆ
σ
ec
2
CMEpec,e =ˆ
σ
[pec,e]
2=ˆ
σ
pec,e
2
paquete estadístico BMDP (Dixon, Brown, Engelman, & Jennrich,
1990). En este caso,observamos que el comportamiento reflejado
en las Categorías es similar en los tres partidos, dada la pequeña
variabilidad de la faceta Equipos (2% en la estimación aleatoria).
La variabilidad de la faceta Categorías es muy grande (85%). Da-
do que el residual también es importante sería razonable analizar
cada Partido de forma independiente o, en todo caso, agrupar las
Categorías en Subsistemas si queremos obtener valores más preci-
sos y más generalizables en el conjunto de Partidos [Tabla 2]. El
análisis independiente de cada Equipo refleja que una parte im-
portante de la variabilidad en los partidos jugados por Francia y
Holanda se debe a la variabilidad de la puntuación universo (Cate-
gorías). Sin embargo, una parte sustancial de la variabilidad en los
partidos jugados por Brasil y Croacia se debe a ambas, a la pun-
tuación universo (Categorías), pero también a la variabilidad que
se produce en cada Partido [Tabla 3].
En la tercera fase, se introducen los conceptos de la teoría de la
generalizabilidad, con el fin de analizar las propiedades de uno o
más Planes de Medida. Los objetos de medida admisibles consti-
tuyen la población objeto de estudio y los instrumentos de medida
(las condiciones de observación en terminología de Cronbach)
constituyen el universo de generalización. Los primeros se sitúan
en el aspecto de la Diferenciación, ya que la variancia verdadera
proviene de las diferencias entre objetos de estudio. Los segundos
se sitúan en el aspecto de la Instrumentación, puesto que las con-
diciones de medida son como los instrumentos o medios de esta
medida. Se han seleccionado los términos diferenciación einstru -
mentación porque se corresponden bien con las operaciones fun-
damentales del análisis de la generalizabilidad, es decir estimación
de la variancia verdadera debida a las diferencias entre los objetos
de medida, y estimación de la variancia de error debida a la elec-
ción de los instrumentos utilizados en la medida (Cardinet, Tour-
neur & Allal, 1976, 1981).
Si aplicamos a esta tercera fase el principio de simetría, es de-
cir tomando como objeto de estudio cada una de las facetas, pode-
mos ver que se puede atribuir toda faceta ya sea a la diferen-
ciación, ya sea a la instrumentación. Esta imputación se realiza in-
dependientemente del modo de distribución de los niveles de las
facetas. De esta forma, se tendrán en cuenta cuatro tipos de face-
tas: las facetas de diferenciación que son aleatorias (infinitas o fi-
nitas) o las que son fijas, y las facetas de instrumentación que son
aleatorias (infinitas o finitas) o las que son fijas. En el estudio em-
pírico que presentamos se ha llevado a cabo un Plan de Estimación
aleatorio y un Plan de Estimación mixto con facetas fijas, también
un Plan de Estimación anidado [Tabla 4].
En la cuarta fase, las informaciones obtenidas en los análisis
precedentes se utilizan para identificar la mejor adecuación posi-
ble en los procedimientos de medida. Ello nos conducirá posible-
mente a la elección de otra disposición, mejor adaptada a ciertas
condiciones de decisión. En terminología de Cronbach et al.
(1972) estaríamos hablando de un estudio de decisión (D), aunque
en la nueva terminología de Cardinet & Tourneur (1978) se trata-
ría del Plan de Optimización, en base a que esta fase se aplica tan-
to a las situaciones de medida orientadas hacia una decisión como
a las áreas de investigación orientadas hacia una conclusión.
Una vez determinado el Plan de Medida, podemos pasar a la fa-
se de Optimización, en el que, como podemos observar en la si-
guiente tabla [Tabla 4], vamos a ir modificando el plan de obser-
vación original para lograr una optimización de cada una de las fa-
cetas en estudio. Para cada plan de medida, realizaremos las mo-
dificaciones oportunas en las facetas consideradas como instru-
mentos de medida. Todas las optimizaciones se han llevado a ca-
ÁNGEL BLANCO VILLASEÑOR, JULEN CASTELLANO PAULIS Y ANTONIO HERNÁNDEZ MENDO
84
Tabla 4
Diferentes Planes de Medida y Optimización Aleatorios, Anidados y
Mixtos (El Plan de Estimación Anidado que se refleja en diferentes Planes
de Medida es Equipos x [Partidos: Equipos] x Categorías). La primera
columna de coeficientes de generalizabilidad refleja los resultados de la
estructura de diseño observada en las muestras reales. Las otras tres, los
coeficientes optimizados
Planes de medida ξρ
^2(δ)ξρ
^2(δ)ξρ
^2(δ)ξρ
^2(δ)
n’ (p)= 3 n’ (p)= 1 n’ (p)= 2 n’ (p)= 5
Aleatorio EC / P 0,955 0,875 0,934 0,972
Anidado EC / P 0,96
n’ (e)= 4 n’ (e)= 1 n’ (e)= 3 n’ (e)= 6
Aleatorio CP / E 0,959 0,855 0,946 0,972
Mixto CP / E 0,959
n’ (p)= 3 n’ (p)= 1 n’ (p)= 2 n’ (p)= 2
n’ (e)= 4 n’ (e)= 1 n’ (e)= 1 n’ (e)= 2
Aleatorio C / EP 0,982 0,855 0,922 0,954
Mixto C/ EP 0,982
n’ (c)= 58 n’ (c)= 83 n’ (c)= 108
Aleatorio EP / C 0,297 0,377 0,44
Mixto EP / C 0,185 0,297
Anidado EP / C 0,167 0,271
n’ (e)= 4 n’ (e)= 8 n’ (e)= 12 n’ (e)= 12
n’ (c)= 58 n’ (c)= 58 n’ (c)= 58 n’ (c)= 108
Aleatorio P / EC 0,452 0,623 0,712 0,822
Mixto P / EC 0,452
Tabla 5
Plan de Estimación Aleatorio (Equipos x Partidos x Categorías) realizando un análisis independiente de cada grupo de Categorías y Plan de Medida Equipos-Partidos
(Facetas de Diferenciación) y Categorías (Faceta de Diferenciación) EP/C
Fuentes de BP (OUT) REC (IN) MANT (IN) PERDI (IN) REC EC (IN)
variación % ξρ
^2(δ)%ξρ
^2(δ)%ξρ
^2(δ)%ξρ
^2(δ)%ξρ
^2(δ)
Equipos (e) 2
Partidos (p) 1
Categorías (c) 87 87 84 83 86
ep 0,248 0,054 0,761 0,326 3 0,838
ec 3 4
Residual 12 10 10 16 11
GENERALIZABILIDAD DE LAS OBSERVACIONES DE LA ACCIÓN DEL JUEGO EN EL FÚTBOL 85
bo a través del programa Etudgen (Duquesne, 1986). En el primer
Plan de Medida, donde la faceta Partidos es la Instrumentación,
observamos que obtendríamos coeficientes similares y precisos si
en lugar de registrar tres partidos de cada equipo hubiésemos re-
gistrado tan solo dos, reduciendo así el número de observaciones.
En el segundo Plan, obtendríamos resultados igual de precisos si
registramos a tres equipos en lugar de los cuatro programados ini-
cialmente. Algo similar ocurre si analizamos conjuntamente como
facetas de Instrumentación las facetas Partidos y Equipos. No ocu-
rre exactamente lo mismo cuando la faceta de Instrumentación son
las Categorías, donde podemos determinar, en los dos últimos Pla-
nes de Medida, que se necesitarían entre 58 y 108 categorías para
estimar con precisión. Se impone ahora rediseñar nuestro Plan de
Estimación y realizar un análisis independiente de cada grupo de
Categorías [Tabla 5], donde observamos la gran variabilidad que
existe en cada grupo categórico y la poca o mucha precisión en la
generalización de cada uno de ellos. En última instancia, ello sig-
nificaría una nueva estructura de diseño multifaceta parcialmente
anidada más homogénea y ortogonal, que reflejara subsistemas de
categorías anidados en los diferentes Grupos Categóricos y donde
las Sub-Categorías de cada Sub-Sistema difieren de un grupo ca-
tegórico a otro, tal y como reflejamos en la Tabla 6.
Conclusión
Entendemos que nuestra propuesta abre nuevas vías para pro-
fundizar en los estudios sobre la acción de juego en fútbol, ha-
ciendo posible el análisis de los aspectos del juego desde una pers-
pectiva contextualizada y secuenciada que creemos se ajusta de
forma más pertinente a la ‘realidad’ del juego (Castellano y Her-
nández Mendo, 1999).
En nu e s t ro caso, teniendo en cuenta los resultados que hemos
obtenido en el estudio de ge n e ra l i z ab i l i d a d, nos ha servido para
c o m p robar que partimos de un diseño de inve s t i gación adecua-
do en cuanto al número de equipos y partidos analizados, aun-
que con la posibilidad de disminuir el número de observa c i o n e s
y tener la misma precisión de ge n e ralización en los análisis pos-
t e ri o res. Pe ro además, nos ha servido para poder diseñar una in-
ve s t i gación más amplia, introduciendo modificaciones en el di-
seño actual. En concreto, proponemos en la Tabla 6, crear Gru-
pos Cat eg ó ricos dife rentes donde las cat egorías sean dife re n t e s
en cada grupo (anidación). Esta anidación de facetas que hemos
realizado trae consigo un alto coste-beneficio, en el sentido de
que cubrimos un mayor índice de precisión en la ge n e ra l i z a c i ó n
de resultados de una inve s t i gación observacional contando re a l-
mente con un menor número de niveles en cada una de las fa c e-
tas, ya sea independientemente o de fo rma conjunta. De hech o ,
s i e m p re contaremos con un menor número de componentes de
e rror que permitirá dicha precisión si los residuales son peque-
ños. En efecto, en el espíritu de Cro n b a ch un análisis Gc o n s t i-
t u ye normalmente un estudio a pri o ri, que sirve para prep a ra r
un diseño de inve s t i gación a más grande escala. El trabajo pre-
vio de estimación de las fuentes de va riancia debe permitir po-
ner a punto los dispositivos de medida adaptados a las decisio-
nes consideradas en la inve s t i gación principal (Plan de Optimi-
z a c i ó n ) .
Tabla 6
Propuesta de Diseño Multifaceta Parcialmente Anidado, Equipos x Categorías x Subcategorías anidadas en Categorías (E x C x [S:C])
CATEGORÍAS BP (OUT) REC (IN) MANT (IN) PERDI (IN) REC EC (IN)
Subcategorías 1 … 12 13 … 24 25 … 36 37 … 48 49 … 60
Equipos
FRA 1
2
BRA 1
2
HOL 1
2
CRO 1
2
R e fe re n c i a s
Anguera, M.T. (1993). Proceso de categorización. En M.T. Anguera (Ed.),
Metodología observacional en la investigación psicológica. Vol 1:
Fundamentación (pp 115-167). Barcelona: PPU.
Blanco Villaseñor, A. (1989). Fiabilidad y generalización de la observa-
ción conductual. Anuario de Psicología, 43, 6-32
Blanco Villaseñor, A. (1992). Aplicaciones de la Teoría de la Generaliza-
bilidad en la selección de diseños evaluativos. Bordón, 43 (4), 431-459.
Blanco Villaseñor, A. (1993). Fiabilidad, precisión, validez y generaliza-
ción de los diseños observacionales. En M.T. Anguera (Ed.), Metodo -
logía observacional en la investigación psicológica: Vol. 2: Funda -
mentación (2) (pp.151-261). Barcelona: PPU.
Blanco Villaseñor, A. (1997). Precisión en la evaluación de la Investiga -
ción Observacional. En V Congreso de Metodología de las Ciencias
Humanas y Sociales.Sevilla: AEMCCO, 23-26 de septiembre.
Blanco Villaseñor, A. y Anguera Argilaga, M.T. (1993 ). Sistemas de co-
dificación. En M.T. Anguera (Ed.), Metodología observacional en la
investigación psicológica. Vol 1: Fundamentación (pp. 193-232). Bar-
celona: PPU.
ÁNGEL BLANCO VILLASEÑOR, JULEN CASTELLANO PAULIS Y ANTONIO HERNÁNDEZ MENDO
86
Blanco-Villaseñor, A., Losada, J.L., y Anguera, M.T. (1991). Estimación
de la precisión en diseños de evaluación ambiental. Evaluación Psico -
lógica / Psychological Assessment, 7 (2), 223-257.
Blanco Villaseñor, A. y Hernández Mendo, A. (1998). Estimación y gene-
ralización en un diseño de estructura espacial defensiva en el fútbol. En
J. Sabucedo, R. García Mira, E. Ares y D. Prada, Medio Ambiente y
Responsabilidad Humana (pp. 579-583). A Coruña: Libro de Comuni-
caciones-VI Congreso de Psicología Ambiental.
Castellano Paulis, J. y Hernández Mendo, A. (1999). Análisis secuencial
en el fútbol de rendimiento. En VI Congreso de Metodología de las
Ciencias Sociales y de la Salud (Symposium ‘Metodología Observa-
cional’).Oviedo (Asturias), 28septiembre a 2 de octubre de 1999.
Cardinet, J., & Tourneur, Y. (1978). Le calcul des marges d’erreur dans la
théorie de la généralisabilité (Doc. 780.410/CT). Mons: Université de
l’Etat, Service d’étude des méthodes et des moyens d’enseignement.
Cardinet, J., Tourneur, Y., & Allal, L. (1976). The simmetry of generaliza-
bility theory: Applications to educational measurement. Journal of
Educational Measurement, 13(2), 119-135.
Cardinet, J., Tourneur, Y., & Allal, L. (1981). Extension of generalizability
theory and its applications in educational measurement. Journal of
Educational Measurement, 18 (4), 183-204.
Cronbach, L.J., Gleser, G.C., Nanda, H., & Rajaratnam, N. (1972). The de -
pendability of behavioral measurements: theory of generalizability for
scores and profiles. New York: John Wiley and Sons.
Cronbach, L.J., Rajaratnam, N., & Gleser, G.C. (1963). Theory of gene-
ralizability: a liberalization of reliability theory. British Journal of
Mathematical and Statistical Psychology, 16, l37-163.
Dixon, W.J., Brown, M.B., Engelman, L., & Jennrich, R.I. (1990). BMDP
Statistical Software Manual. Berkeley, CA: University of California
Press.
Duquesne, F. (1986). Développement sur micro-ordinateur d’un program-
me pour l’etude de la généralisabilité des données. Scientia Paedago -
gica Experimentalis, 23 (1), 29-36.
Hernández Mendo, A. (1996). Observación y análisis de patrones de jue -
go en deportes sociomotores. Tesis Doctoral: Universidad de Santiago
de Compostela.
Hernández Mendo, A. y Anguera, M.T. (1997). Aportaciones del análisis
secuencial a las acciones de juego en deportes sociomotores. En V
Congreso de Metodología de las Ciencias Humanas y Sociales. Sevilla:
AEMCCO, 23-26 de septiembre.
Parlebas, P. (1988). Elementos de sociología del deporte.Málaga: Unisport
Andalucía.
Shavelson, R.J., & Webb, N.M. (1981). Generalizability theory: 1973-
1980. British Journal of Mathematical and Statistical Psychology, 34,
133-166.
Shavelson, R.J., & Webb, N.M. (1991). Generalizability Theory: A Primer.
Newbury Park, CA: Sage Publications.