Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción A La Estadística
Introducción A La Estadística
INTRODUCCIÓN A LA ESTADÍSTICA
Para gente de letras
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 2
Colección CAMPUS
55
Últimos títulos publicados:
Joseph MAFOKOZI
INTRODUCCIÓN
A LA ESTADÍSTICA
Para gente de letras
Editorial CCS
INT ESTAD 01_ENSEÑANZA MATEMAT 19/03/14 15:33 Página 4
© Joseph Mafokozi
© 2009. EDITORIAL CCS, Alcalá 166 / 28028 MADRID
Cualquier forma de reproducción, distribución, comunica-
ción pública o transformación de esta obra sólo puede ser
realizada con la autorización de sus titulares, salvo excep-
ción prevista por la ley. Diríjase a CEDRO (Centro Español
de Derechos Reprográficos, www.cedro.org) si necesita
fotocopiar o escanear algún fragmento de esta obra.
Índice
Introducción ................................................................................................ 13
CAPÍTULO 1
¡ESTADÍSTICA! ¿PARA QUÉ? .............................................................. 15
1.1. Una breve historia de la estadística ............................................... 16
1.2. Estadística versus «sadística» ............................................................ 18
1.3. Estadística descriptiva ..................................................................... 19
1.4. Estadística inferencial, ¿qué será eso? ............................................ 22
1.5. ¿Por qué razón estás leyendo este volumen? ................................ 23
1.6. Sí, puedes ........................................................................................ 23
CAPÍTULO 2
¿QUÉ ES UN PROBLEMA DE INVESTIGACIÓN?
¿Y SUS IMPLICACIONES? .................................................................... 27
2.1. Un vistazo sobre los métodos de adquisición del conocimiento . 28
2.2. Modos precientíficos de conocimiento .......................................... 29
2.3. El método científico y sus críticos ................................................. 31
2.4. El lenguaje de la investigación ....................................................... 31
2.5. Nivel de medida de las variables ................................................... 32
2.6. Posible manipulación de las variables medidas ............................ 35
2.7. Paradigmas, teorías e investigación ............................................... 37
2.8. El problema de investigación: un obstáculo, una duda ............... 38
2.9. Teoría como conjunto coherente de hipótesis .............................. 40
2.10. Hipótesis sustantivas ....................................................................... 41
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 6
6 Introducción a la estadística
CAPÍTULO 3
DESCRIBIENDO MIS DATOS ............................................................. 55
3.1 Simbolización .................................................................................. 58
3.2. Frecuencias absolutas ..................................................................... 59
3.3. Frecuencias relativas ....................................................................... 62
3.4. Cálculo de los percentiles ............................................................... 63
3.5. Representación gráfica de las distribuciones de frecuencias ........ 65
3.6. Representación de las frecuencias acumuladas ............................. 71
3.7. Diagrama de tallo y hojas ............................................................... 72
3.8. Con la ayuda de la herramienta informática ................................. 74
3.9. Tu turno ........................................................................................... 78
CAPÍTULO 4
INICIANDO EL ANÁLISIS DE MIS DATOS .................................... 81
4.1. Medidas de tendencia central ......................................................... 81
4.2. Medidas de dispersión o de variabilidad ....................................... 88
4.3. Medidas de la forma de una distribución de frecuencias ............. 100
4.3.1. Asimetría ........................................................................... 100
4.3.2. Curtosis (χνρτός[kirtós]: encorvado) o apuntamiento ... 102
4.4. Tu turno ........................................................................................... 104
CAPÍTULO 5
LA CURVA NORMAL COMO MODELO
PARA ANALIZAR MIS DATOS ........................................................... 105
5.1. Propiedades de la curva normal .................................................... 106
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 7
Índice 7
CAPÍTULO 6
¿CÓMO TRATAR LA INCERTIDUMBRE
ASOCIADA A MIS DATOS? ................................................................. 123
6.1. Nociones básicas de muestreo ....................................................... 124
6.2. Errores de muestreo ........................................................................ 130
6.3. Algunas nociones de probabilidad ................................................ 131
6.4. Algunas definiciones relativas a la probabilidad ........................... 132
6.4.1. Probabilidad a priori o clásica ........................................ 132
6.4.2. Probabilidad a posteriori, empírica o frecuentista .......... 133
6.4.3. Probabilidad subjetiva ..................................................... 134
6.5. Algunas reglas básicas .................................................................... 135
6.6. Muestreo y cálculo de probabilidades ........................................... 137
6.6.1. Regla de la suma ............................................................. 137
6.6.2. Regla del producto ........................................................... 143
6.6.3. Regla de la suma y del producto ................................... 148
6.6.4. Teorema de Bayes ............................................................ 149
6.6.5. Probabilidad y variables continuas
con distribución normal ................................................... 151
6.7. Tu turno ........................................................................................... 152
CAPÍTULO 7
¿QUÉ ES UNA DISTRIBUCIÓN DE PROBABILIDADES? ........... 155
7.1. Distribución binomial ..................................................................... 157
7.2. Interpretación de la tabla de distribución binomial ...................... 161
7.3. Distribución de Poisson .................................................................. 166
7.4. Interpretación de la tabla de distribución de Poisson .................. 168
7.5. Distribución normal ........................................................................ 171
7.6. Tu turno ........................................................................................... 177
CAPÍTULO 8
¿QUÉ ES UNA DISTRIBUCIÓN MUESTRAL? ................................. 179
8.1. La ley de los grandes números y el teorema del límite central ... 181
8.2. Estimación de parámetros e inferencia .......................................... 192
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 8
8 Introducción a la estadística
CAPÍTULO 9
¿CÓMO RELACIONAR DOS CARACTERÍSTICAS
DE UNA DETERMINADA MUESTRA? .............................................. 215
9.1. Relación y función .......................................................................... 216
9.2. Aproximación intuitiva a la medición de una relación ................. 217
9.3. Correlación y causalidad ................................................................ 220
9.4. Coeficiente de correlación: cuantificación de una relación .......... 221
9.5. Relación de rxy con la varianza común .......................................... 225
9.6. Algunas precauciones para utilizar rxy ........................................... 227
9.7. Interpretación de rxy ....................................................................... 227
9.8. Otros coeficientes de correlación .................................................. 230
9.9. Covarianza ....................................................................................... 231
9.10. Regresión lineal simple ................................................................... 233
9.11. Cálculo de los coeficientes a y b ................................................... 236
9.12. Error típico de estimación .............................................................. 238
9.13. Interpretación del error típico de estimación ................................ 240
9.14. Con la ayuda de programas informáticos ...................................... 241
9.15. Tu turno ........................................................................................... 245
CAPÍTULO 10
¿CÓMO AVERIGUAR SI DOS MUESTRAS SON SIMILARES
O NO EN UNA DETERMINADA CARACTERÍSTICA? .................. 247
10.1. Objetivo del análisis de diferencia entre dos medias ..................... 248
10.2. Caso de N grande y muestras independientes ............................... 251
10.3. Caso de N grande y muestras correlacionadas ............................... 254
10.4. Caso de N pequeña y muestras correlacionadas ............................ 256
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 9
Índice 9
CAPÍTULO 11
¿CÓMO AVERIGUAR SI TRES MUESTRAS
O MÁS SON SIMILARES O NO EN UNA DETERMINADA
CARACTERÍSTICA? ................................................................................ 267
11.1. Fuentes de varianza ....................................................................... 268
11.2. Descomposición de la varianza total ............................................ 271
11.3. Requisitos del análisis de varianza ................................................ 275
11.4. Análisis de varianza simple para grupos independientes ............ 276
11.5. Sucintas consideraciones en torno a la lógica de F ..................... 280
11.6. ¿Qué hacer si se rechaza H0? ......................................................... 284
11.7. Caso de muestras correlacionadas ................................................ 287
11.8. Relación entre una variable independiente
y una variable dependiente ........................................................... 292
11.9. Relación entre la prueba t y la prueba F ...................................... 294
11.10. Con la ayuda de programas informáticos ..................................... 296
11.11. Tu turno .......................................................................................... 302
CAPÍTULO 12
¿CÓMO AVERIGUAR SI DOS O MAS VARIABLES
DEBIDAMENTE CONTROLADAS INFLUYEN
SIMULTÁNEAMENTE SOBRE UN DETERMINADO
RESULTADO? ........................................................................................... 303
12.1. Nueva fuente de variación: la interacción ...................................... 304
12.2. Análisis de varianza factorial ........................................................... 305
12.3. Acotaciones al cálculo de F factorial ............................................... 312
12.4. Posibles resultados de un análisis de varianza factorial ................ 315
12.5. Con la ayuda de programas informáticos ....................................... 317
12.6. Tu turno ............................................................................................ 326
CAPÍTULO 13
¿QUÉ HACER CUANDO LAS VARIABLES SON NOMINALES
O CONSIDERADAS COMO TALES? .................................................. 329
13.1. Cuando los datos son categóricos ................................................... 330
13.2. Objetivo de la prueba χ2 .................................................................. 330
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 10
10 Introducción a la estadística
CAPÍTULO 14
¿QUÉ HACER CUANDO LAS VARIABLES SON ORDINALES
Y LOS GRUPOS SON INDEPENDIENTES? ..................................... 365
14.1. Cuando los datos son ordinales ................................................... 366
14.2. Objetivo de la prueba U de Mann-Whitney ................................ 366
14.3. Procedimiento ............................................................................... 366
14.4. ¿Qué ocurre si utilizas como referencia n2 en lugar de n1? ....... 370
14.5. Magnitud de U y probabilidad asociada ...................................... 371
14.6. Objetivo de la prueba H de Kruskal-Wallis ................................. 376
14.7. Procedimiento ............................................................................... 377
14.8. Consideraciones complementarias ............................................... 381
14.9. Con la ayuda de programas informáticos .................................... 381
14.10. Tu turno ......................................................................................... 387
CAPÍTULO 15
¿QUÉ HACER CUANDO LAS VARIABLES SON ORDINALES
Y LOS GRUPOS SON CORRELACIONADOS? ................................ 389
15.1. Objetivo de la prueba de rangos señalados y pares igualados
de Wilcoxon .................................................................................... 390
15.2. Procedimiento ................................................................................. 390
15.3. ¿Qué ocurre si N es mayor que 25 sujetos? ................................... 393
15.4. Objetivo de la prueba χ2r de Friedman ........................................... 396
15.5. Procedimiento ................................................................................. 396
15.6. Consideraciones complementarias ................................................. 400
15.7. Con la ayuda de programas informáticos ...................................... 400
15.8. Tu turno ............................................................................................ 406
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 11
Índice 11
APÉNDICES
Apéndice A: Soluciones ............................................................................ 407
Apéndice B: Tablas .................................................................................. 417
Tabla IIIII. Área bajo la curva normal (p > 0,5) ............................ 417
Tabla IIIII. Distribución binomial ................................................... 418
Tabla IIIII. Distribución de probabilidades de Poisson ................ 423
Tabla IIIV. Valores críticos de la distribución t de Student ........... 427
Tabla IIIV. Valores críticos de la distribución F ............................. 428
Tabla IIVI. Valores críticos de chi cuadrado (χ2) .......................... 431
Tabla IVIIa a VIIg. Valores críticos de U de Mann-Whitney .... 432 a 436
Tabla VIII. Valores críticos de H en el análisis de varianza
de una clasificación por rangos de Kruskal-Wallis ..... 437
Tabla IIIXa a IXc. Valores críticos de χ2r en el análisis de varianza
de dos clasificaciones por rangos de Friedman .... 439 a 440
Tabla IIIX. Valores críticos de T en la prueba de los rangos
señalados de pares igualados de Wilcoxon ............... 441
Introducción
14 Introducción a la estadística
contenidos televisivos. Pero han procedido de algún modo para recoger infor-
mación que, una vez analizada, sugería que los padres debían actuar en una
determinada dirección para promover el desarrollo psicosocial de sus hijos.
Si dedicas un tiempo a pensarlo un poco, verás que a lo largo de un solo
día manejas una cantidad impresionante de este tipo de datos. Ahora intenta
estimar la cantidad de informaciones de similares características que tendrás
que manipular a lo largo de tu período de formación.
A estas alturas te habrás dado cuenta de que la estadística es tan sólo una
herramienta, entre otras, que tiene por objetivo organizar y analizar la informa-
ción para facilitar su comprensión. Si tomas los datos que puedes observar de
modo aislado, difícilmente podrás sacar una conclusión que resulte inteligible no
sólo para ti sino también para aquéllos a los que puedas desear comunicarla.
Por cierto, ¿sabías que el ser humano, y con toda probabilidad la mayoría
de los seres vivos, tiende a agrupar la diversidad de estímulos que le llegan
para que éstos puedan tener un sentido global? Fíjate: cuando sales de tu casa
lo primero que ves no es un camino más o menos bien asfaltado, sino una
clase de pista que, por formación recibida, clasificas inconscientemente en el
grupo de las vías de tránsito llamadas acera, calle, avenida, paseo, etc. El ob-
jeto compacto que ves moverse sobre el firme de la calle no es un simple
objeto en movimiento, seguido de otros muchos más o menos similares, sino
que estos objetos automóviles los tienes debidamente agrupados en turismos,
taxis, autobuses, autocares, camiones, etc. Lo mismo ocurre cuando entras en
una sala; clasificas lo que allí sucede como cine, clase, conferencia, debate,
etc. Lógicamente, en cada caso sabes cómo actuar, siempre que hayas hecho
una clasificación correcta. Aquello que no entra en el grupo recibe un trato
diferente.
Cuando se clasifican eventos siempre cabe la posibilidad de que interven-
gan estímulos extraños que dificultan el agrupamiento. Te puedes encontrar
con un autoturismo que arrastra un remolque sin que por ello lo clasifiques
como un camión. Tú y yo damos crédito a los resultados de determinados es-
tudios, como los comentados más arriba, porque creemos que los investiga-
dores han hecho una buena clasificación de los eventos observados y han lle-
vado a cabo una adecuada organización y análisis de los más apropiados.
El objetivo de este libro es proporcionarte una comprensión de las herra-
mientas básicas y cómo se utilizan en esta tarea. Más aún, al final de este ca-
mino, deberías ser capaz de utilizarlas con cierta soltura o, como mínimo, ser
capaz de leer y comprender el contenido de las publicaciones de los investi-
gadores de tu ámbito.
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 15
Capítulo 1
¡ESTADÍSTICA! ¿PARA QUÉ?
16 Introducción a la estadística
No parece que éste sea el mejor momento para hacerte conocer la apasionan-
te historia de la estadística. Pero sí puede ser interesante realizar una pequeña
reflexión histórica sobre su evolución. Tengo ciertas dudas de que quieras sa-
ber por qué razón tienes que aprender algo que a primera vista te puede re-
sultar hasta repulsivo. Sin embargo, un poco de historia quizá te ayude a si-
tuar las técnicas de las que hablaremos más adelante en un marco que les
pueda dar sentido más allá de lo meramente coyuntural. Por otro lado, puede
ser interesante saber por qué se enseña estadística en todos los ámbitos cien-
tíficos, desde las ciencias puras hasta las ciencias humanas.
Como te decía en la introducción, clasificar es una actividad inherente a
cualquier ser vivo: distinguir los estímulos potencialmente dañinos de los
que favorecen la supervivencia de la especie es fundamental. Los diferentes
estadios evolutivos que el ser humano tuvo que superar le llevaron del me-
ro reconocimiento de tales estímulos a sucesivos y denodados esfuerzos por
controlar su entorno. Este control implicó una cuidadosa recogida de infor-
mación. Esta información le permitió averiguar, por ejemplo, que se dispone
de más cantidad de comida si se produce que si se recoge en la naturaleza
o que la cantidad de trigo recogida se incrementa en función de la cantidad
de abono, etc.
Contar cantidades parece ser un método de incremento del conocimiento
que aún hoy sigue siendo útil. Con el recuento se desarrolla la aritmética y las
matemáticas y se incorpora paulatinamente ese lenguaje formalizado en el ha-
bla ordinario. Sin embargo, no faltan quienes manifiestan cierta desconfianza
hacia esos matemáticos cuyo lenguaje no resulta siempre comprensible. Una
desconfianza que se remonta probablemente a los primeros que se atrevieron
a utilizar un vocabulario matemático para informar a sus conciudadanos y
que se observa aún hoy.
Los albores de la estadística moderna suelen situarse en el siglo XVII cuan-
do se recogen los primeros datos relativos a poblaciones, pero seguro que se
pueden encontrar rastros en la Antigüedad y más allá. Los historiadores sugie-
ren que los comienzos más lejanos de la estadística se hallan hacia el año
3050 antes de Cristo, en el antiguo Egipto: ya por aquella época los faraones
mandaron a sus escribas recopilar datos relativos a la población y a la riqueza
del país.
¿Sabías que la palabra «estadística» fue acuñada por el profesor Godofredo
Achenwall en 1760 a partir del término italiano «statista» (estadista), una pala-
bra derivada del latín «status» (estado o situación)? Así pues, etimológicamente
hablando, parece que la estadística se presenta como una herramienta básica
para un gobernante que pretende ser eficaz en su tarea: actuar teniendo en
cuenta una información cuantitativa lo más veraz posible. Ahora bien, lo mis-
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 17
mo que sirve de ayuda para el gobernante, también puede ser útil para el pe-
dagogo, psicopedagogo, logopeda, educador social o profesor de Educación
Secundaria.
Con el incremento de los conocimientos científicos, surge la necesidad de
desarrollar herramientas de análisis susceptibles de ayudar a descubrir res-
puestas a las numerosas preguntas que los estudiosos se plantean. A título de
ejemplo, Francis Galton (1822-1911) (por cierto, primo de Charles Darwin
[1809-1882]), fue el primero en idear una técnica de análisis que le permitió
superar el mero recuento y cuantificar la similitud de la inteligencia entre los
miembros de una misma familia; llamó a este índice coeficiente de correla-
ción. Las ciencias sociales y de la conducta adoptaron rápidamente este índi-
ce. El prominente matemático británico Karl Pearson (1857-1936) mejoró la
propuesta de sir Francis Galton con su índice producto-momento.
Para ser exacto, una gran parte de las técnicas estadísticas que vas a
aprender proceden de los campos de la agricultura, astronomía e incluso de
la política. Su aplicación al ámbito humano es relativamente tardía.
Con el siglo XX se produce una explosión de propuestas en cuanto a técni-
cas de análisis. Al principio se hacen las primeras propuestas para analizar las
diferencias entre las puntuaciones medias de dos grupos. La comunidad cien-
tífica no sólo las acoge con mucho interés, sino que las utiliza abundantemen-
te e incluso las mejora.
La irrupción del ordenador personal hacia los años 1980 supone una ver-
dadera revolución en lo que concierne a las técnicas de análisis y a la investi-
gación científica en general: se abre el horizonte de las técnicas analíticas
avanzadas a cualquiera que quiere explorar nuevas preguntas o pasar revista
a las antiguas. Los tediosos y largos cálculos manuales son rápidamente susti-
tuidos por unas pocas horas para la preparación de los datos y apenas unos
pocos minutos o segundos para la obtención de los resultados.
Ahora bien, esta irrupción viene acompañada tanto por un efecto positivo
como por uno negativo: por una parte, para los análisis que requiere la ma-
yoría de los investigadores, ya no se necesita recurrir a potentes ordenadores,
por lo general bastante caros; por otra, el uso de esta nueva herramienta exi-
ge un nuevo tipo de alfabetización, la alfabetización informática. Dicho de
otro modo, un estudiante que no está familiarizado con la informática, como
usuario suficientemente informado, tiene dos dificultades añadidas. En primer
lugar, no domina lo esencial de la gramática informática: el lenguaje informá-
tico tiene una gramática que responde a una lógica muy sencilla pero poco
flexible y de la que hay que conocer los pocos fundamentos que exige. Te-
niendo en cuenta que esta gramática se repite en la mayoría de los programas
informáticos de uso generalizado, con conocer uno o dos con cierta soltura,
el resto no supone ningún esfuerzo prohibitivo. En segundo lugar, el carácter
mágico que adquiere el ordenador ante algunos alumnos —espero que no
sea tu caso— lo convierte en ese ser misterioso en el que se introducen unos
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 18
18 Introducción a la estadística
TABLA 1
RECOGIDA DE DATOS
Letras 10 1 0 1 0 3 .
Letras 7 4 2 1 3 4,25 5,17
Letras 9 4 1 2 2 4,5 5,33
Letras 7 4 0 1 1 3,25 6,18
Letras 6 5 1 3 2 4,25 6,17
Ciencias 7 3 1 3 2 4 5,67
Letras 9 8 0 2 2 5,25 7,17
Ciencias 9 1 2 1 1 3,5 5,83
Letras 11 8 2 5 1 6,75 5,5
Letras 9 4 1 3 2 4,75 .
Letras 9 6 1 2 2 5 5,83
Letras 8 3 2 0 2 3,75 6,17
Letras 3 5 1 1 3 3,25 5,83
Introducción a la estadística
Especialidad Lógica Probabilidad Muestreo Inferencia Correlación Conocimientos Competencia
previos percibida
Letras 10 4 1 2 2 4,75 6,33
Letras 7 5 1 2 3 4,5 6
Ciencias 8 6 2 3 1 5 5,33
¡Estadística! ¿Para qué?
Ciencias 9 3 0 1 3 4 4,83
Letras 9 6 2 2 2 5,25 6,5
Letras 6 4 0 1 0 2,75 .
Letras 8 4 1 3 3 4,75 7,33
Letras 7 4 0 0 3 3,5 6
Letras 8 4 2 2 3 4,75 6,33
Letras 10 3 2 3 3 5,25 .
Letras 7 6 0 1 2 4 6,83
. 8 2 1 0 3 3,5 4,17
Letras 6 6 1 0 0 3,25 6,55
21
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 22
22 Introducción a la estadística
24 Introducción a la estadística
caso, pretende ser algo diferente: no presupone casi nada en cuanto a lo que
deberías saber antes de empezar y avanza paso a paso, dejando que progre-
ses a tu ritmo. Ahora bien, no olvides que esta materia tiene un ritmo propio
así como un tiempo limitado a lo largo del curso académico. Es una limita-
ción que tendrás que tomar en consideración. Así pues, dedícale el tiempo
que tú necesitas y que la materia reclama.
Generalmente se dice que esta materia es difícil. No puedo decir que esta
impresión sea completamente falsa porque ciertas partes son notablemente
más exigentes que otras. Me consta que la elegante simplicidad de algunas
fórmulas que tendrás que utilizar —no memorizar— no oculta la necesidad
de que alcances un cierto nivel de comprensión lectora. Sin embargo, si otros
cientos de alumnos como tú la han dominado, ¿por qué tú no?
Toma en cuenta las siguientes pistas a la hora de programar tus activida-
des en esta materia:
1. Si estás matriculado en la universidad es que no eres tan tonto
como podrías tener la tentación de creer ante esta materia. Considera
que la estadística es igual a cualquier otra. Haz caso a tu profesor:
asiste a todas las clases, mantén tus apuntes al día, prepara los ejerci-
cios sugeridos en su totalidad o hasta donde puedas y, sobre todo, no
te limites a copiar las soluciones.
2. ¿Es esta materia difícil? Sí y no. Si prestas atención sólo a aquéllos
que tuvieron un infausto encontronazo con ella, desde luego que tra-
bajarás con la sensación de estar ante una tarea imposible. Ahora
bien, toma la precaución de averiguar si trabajaron seriamente, si asis-
tieron a clase de forma regular, si realizaron los ejercicios propues-
tos..., si pusieron todo su empeño. No olvides que es más fácil oír
quejas que elogios. Te aconsejo que empieces el estudio de esta ma-
teria con una actitud expectante, nada de derrotismo inicial. Habla
también con quienes sí tuvieron una experiencia positiva. Quizá te
orienten en cuanto al mejor modo de enfrentarte a la estadística.
3. Esta materia está configurada como un edificio cuya construc-
ción se basa en un principio muy simple: se construye en altura em-
pezando por los cimientos. No se puede pasar a la etapa siguiente si
la anterior está sin terminar; el riesgo de que el edificio acabe desplo-
mándose, se incrementa a medida que se sube en altura. Está en tus
manos evitar que eso ocurra: no faltes a ninguna clase. Recuerda que
cada clase es un ladrillo absolutamente necesario para la correcta ter-
minación del edificio. Utiliza este volumen con esa idea en mente: no
intentes avanzar si no has entendido a fondo la idea que se desarrolla
en cada capítulo.
4. En caso de duda, pregunta en primer lugar a tu profesor. Si no
entiendes lo que se te está enseñando, puedes estar absolutamente
seguro de que no eres el único. Si tus compañeros no preguntan eso
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 25
no quiere decir que lo entienden mejor que tú, sino que quizá no se
atreven a exponer sus dudas. Juraría que más de uno agradece que
un compañero pregunte lo que no se atreve a formular en voz alta él
mismo. Por otra parte, tu profesor agradece que le hagas preguntas
que le permitan aclarar dudas (no tanto repetir una frase que no has
podido copiar literalmente).
5. No plantees tus dudas a tus compañeros; como te decía, es posible
que tengan las mismas dudas que tú. Es conveniente formar un
grupo de trabajo desde el principio del curso, no sólo para llevar
a cabo los tradicionales trabajos de equipo, sino sobre todo para fo-
mentar la ayuda y beneficio mutuos en el estudio de esta materia. De
las cogitaciones del grupo podrían salir las dudas que se plantearían
al profesor. Conviene fijar un horario de trabajo semanal durante el
cual los componentes del equipo trabajan los ejercicios de cada capí-
tulo o se interrogan mutuamente sobre el contenido de la materia.
6. Haz los ejercicios sugeridos al final de cada capítulo. Están dise-
ñados para ayudarte a revisar y afianzar lo aprendido en el capítulo,
aplicar los conceptos y, sobre todo, incrementar tu nivel de confianza
(y autoestima) en tus propias destrezas y habilidades en esta materia.
7. Hacia el dominio de esta materia por la práctica. La estadística
no es diferente a otras asignaturas: debes utilizar lo que aprendes una
y otra vez para dominar las diferentes ideas y técnicas. Esto significa
práctica, práctica y más práctica. Ya sabes, a Dios rogando y con el
mazo dando.
8. La materia es lo que es; el profesor no puede reducirla sin per-
juicio para tu aprendizaje. Recuerda que la estadística es como un
edificio donde cada capítulo es una planta: no se puede suprimir una
planta sin que el edificio peligre en cuanto a su equilibrio y consisten-
cia. Por tanto, no le pidas al profesor que suprima algún capítulo por-
que quien sale perjudicado eres tú; más bien pídele que te ayude a te-
ner una visión lo más completa y equilibrada posible de esta materia.
9. Pásatelo bien. Pues sí, y espero que no te suene a chirigota. Es
más divertido salir vencedor que vencido. Dominar una materia nueva
es siempre excitante y satisfactorio. Si lo has experimentado alguna
vez, sabes a qué me refiero. Ahora bien, organízate adecuadamente,
trabaja duro y no pierdas de vista el objetivo final.
10. Empieza por completar tu cambio de actitud, si repites esta ma-
teria. Es posible que tengas la impresión de que, diga lo que diga,
esta materia es un verdadero laberinto de fórmulas, ideas inconexas e
insoportable sufrimiento neuronal. No puedo negar que tu experien-
cia es tuya y sólo tuya y que por tanto sólo tú puedes juzgarla. Si
nunca has asistido a clase, tu temor únicamente es el reflejo de lo que
te cuentan tus compañeros o amistades. Atrévete a hacerte una idea
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 26
26 Introducción a la estadística
Capítulo 2
¿QUÉ ES UN PROBLEMA DE INVESTIGACIÓN?
¿Y SUS IMPLICACIONES?
Si has hojeado, siquiera por curiosidad, alguna de las numerosas revistas gra-
tuitas que encuentras en el campus de tu universidad, habrás leído comenta-
rios como los siguientes:
• Una tesis doctoral realizada «por un tal» demuestra que el aprendizaje
de nuevas tecnologías aumenta la atención, la velocidad de compren-
sión, así como la discriminación visual en la persona con síndrome de
Down y otras discapacidades intelectuales.
• De todo lo que forma el universo, menos del 4% es la materia que per-
cibimos, la materia que conforma aquello que somos capaces de visua-
lizar y que lo compone. El resto, es decir, casi todo, es algo práctica-
mente desconocido para los científicos.
• Entre un 25 y un 45% de los pacientes que sufren un infarto cerebral,
evolucionan mal a pesar de los tratamientos. En estos pacientes se ob-
serva un nivel elevado de glutamato, tanto en el plasma como en el nú-
cleo cefalorraquídeo.
• Un informe de la OCDE advierte: «Los países que invierten con decisión
en educación, se benefician económica y socialmente».
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 28
28 Introducción a la estadística
Cuando lees unas afirmaciones como las anteriores, algunas parecen tan
evidentes, que ni siquiera les prestas atención, y otras parecen tan inverosími-
les, que apenas excitan tu curiosidad. Sin embargo, si te paras a pensar un
poco, verás que cada una implica en realidad más preguntas que respuestas.
Imagínate la cantidad de afirmaciones de este tipo que pasan completamente
desapercibidas a tus sentidos. Para quien tiene sus sentidos en alerta, cada
una de las hipotéticas respuestas plantea a su vez preguntas como aquéllas
que en su día pusieron en marcha el proceso de búsqueda. Ahora bien, lo que
puede aparecer aquí como una pregunta clara, en realidad fue en su día una
duda o un conjunto de preguntas bastante difusas.
Veamos por ejemplo el caso del aumento de la atención en personas con
síndrome de Down gracias al aprendizaje de nuevas tecnologías. ¿No te llama
la atención que alguien se interesara por la posibilidad de que el aprendizaje
de las nuevas tecnologías pudiera tener algún tipo de influencia positiva?
¿Qué ocurrió para que así fuera?
Y para el caso de ese 4% de materia del universo que percibimos, cabe pre-
guntarse cómo se pudo definir la cuantía total de la materia del universo y de
ese total determinar la parte que los sentidos humanos son capaces de percibir.
Aunque parezca una perogrullada, no hay respuesta sin pregunta previa; por
tanto, es lógico suponer que alguien debió plantearse una pregunta o una duda
parecida a la siguiente: ¿cuánta materia hay en el universo? Esta pregunta debió
absorber una gran cantidad de esfuerzo de búsqueda para contestarla. Y sólo
después se pudo plantear la de la proporción de materia que los sentidos huma-
nos son capaces de apreciar. Una advertencia: quien plantea una pregunta o una
duda no es necesariamente quien contesta, ni la respuesta se produce necesaria-
mente como un todo. Cabe la posibilidad de que la respuesta se vaya dibujando
con el tiempo, con mejoras que van aportando distintos investigadores. Otra vez
el símil del edificio: la construcción de la ciencia, del conocimiento, se hace pa-
so a paso en cualquier campo. Los científicos actuales se yerguen sobre los
hombros de los numerosos constructores del conocimiento que les precedieron
y que fueron planteando preguntas y contestando algunas.
Podríamos seguir así con las numerosas afirmaciones científicas que a lo
largo de un día es posible leer en numerosos escritos u oír en boca de nues-
tros profesores y amistades.
Si admites que aquéllos que nos precedieron nos dejaron su legado a través
del conjunto de conocimientos que atesoraron y si aceptas también que nos
toca hacer lo propio con nuestros descendientes, quizá te resulte comprensi-
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 29
30 Introducción a la estadística
32 Introducción a la estadística
Los datos que se pueden recoger en la realidad no gozan todos del mismo ni-
vel de exactitud informativa. Se conoce como nivel de medida la exactitud
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 33
que se alcanza al recoger los datos. A este respecto se pueden establecer cua-
tro niveles de medida:
• Nivel nominal: si se utilizan números, éstos se asignan meramente a los
individuos o a las categorías de alguna variable por la que cabe clasifi-
car a dichos individuos.
3 Por ejemplo: variable «facultades de una universidad»:
1. Educación.
2. Medicina.
3. Farmacia.
4. Etc.
En este caso el dígito 1 ni siquiera significa primero, sino que es senci-
llamente un valor que permite distinguir el objeto que tiene este atribu-
to de otro que no lo tiene. Si estuviéramos estudiando a los sujetos en
función de las facultades en las que están cursando sus estudios, sabría-
mos que el sujeto marcado con un 1 está matriculado en una facultad
de Educación. El investigador podría haber asignado este valor a cual-
quier otra facultad sin que esto supusiera efecto alguno sobre su estu-
dio o podría haber utilizado cualquier otro símbolo para diferenciar los
valores, como pueden ser las letras del alfabeto.
• Nivel ordinal: si se utilizan números, éstos se asignan a los valores de
tal forma que el orden de los mismos corresponde al orden de los valo-
res con respecto a la propiedad que se estudia.
3 Por ejemplo: variable «cursos de Educación Primaria»:
1. Primero.
2. Segundo.
3. Tercero.
4. Etc.
En este caso el dígito 2 no sólo sirve para distinguir este valor de cual-
quier otro, sino que además indica que es superior al dígito 1 e inferior
al dígito 3. Si estuviéramos estudiando a los sujetos en función de su ni-
vel de formación en Educación Primaria, sabríamos que el sujeto marca-
do con un 2 está matriculado en un segundo curso. Esta información
implica que este alumno está en un nivel superior al de 1º pero inferior
al de 3º: hay un orden implícito sin que esto signifique que la diferencia
de formación sea la misma entre 1º y 2º, y entre 2º y 3º, por ejemplo.
Esto quiere decir a su vez que no tendría sentido afirmar que la diferen-
cia entre 1º y 2º es la misma que entre 2º y 3º en rendimiento académi-
co, por ejemplo. De hecho, no podemos asegurar que los contenidos
impartidos sean completamente comparables, aunque la duración del
curso escolar sea la misma.
• Nivel de intervalo: si se utilizan números, las diferencias entre éstos co-
rresponden, en sentido amplio, a las diferencias o distancias entre los
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 34
34 Introducción a la estadística
POSIBLE MANIPULACIÓN
DE LAS VARIABLES MEDIDAS 2.6.
36 Introducción a la estadística
TABLA 2.1
ELECCIÓN DE LA CARRERA DE PEDAGOGÍA VS.
ESPECIALIDAD DE BACHILLERATO
Especialidad Ciencias 1 8 4 5 18
de Bachillerato Letras 0 30 35 8 73
Total 1 38 39 13 91
38 Introducción a la estadística
bien, no conviene pasar por alto que suele haber más de una manera de en-
tender las cosas. Ya habrás oído hablar de las propuestas procedentes del po-
sitivismo, postpositivismo, interaccionismo simbólico, etnometodología, fun-
cionalismo estructural, paradigmas feministas, paradigmas de los conflictos,
etc., como otros tantos modos de concebir la observación del mundo buscan-
do esquemas explicativos.
En términos muy generales, el modus operandi dentro cada propuesta
tiende a adoptar un formato común. En primer lugar, el investigador identifica
un problema. Para resolver ese problema o simplemente para encontrar una
explicación plausible, en unos casos hay investigadores que simplemente re-
cogen datos de la realidad para construir una teoría al final, mientras otros
empiezan por proponer un esquema explicativo previo para luego recoger
datos empíricos susceptibles de confirmar o falsar dicha explicación teórica.
En nuestro caso, seguiremos el segundo modelo, es decir, una vez identificado
el problema, propondremos una teoría explicativa. Como ya sabes, la teoría
explicativa se expresa necesariamente a través del vocabulario específico de
la investigación, las variables. En consecuencia la teoría se expresará en unos
términos que implican relaciones entre variables. Cada teoría es a su vez un
conjunto integrado y coherente de hipótesis, inicialmente sustantivas y poste-
riormente estadísticas. Lógicamente las hipótesis se expresan como relaciones
entre valores de variables. Para el contraste de estas hipótesis se necesita ope-
racionalizar las variables, es decir, indicar de un modo claro cómo se va a re-
coger la información de la realidad. Una vez operacionalizadas las variables,
el investigador puede recoger los datos que necesita en la forma previamente
definida y analizarlos con el objetivo final de confirmar o falsar su teoría.
En el párrafo anterior se resume lo esencial del contenido de este libro:
aprender a definir un problema de investigación, proponer una teoría explica-
tiva, definir un conjunto adecuado de hipótesis, especificar las variables y el
modo de operacionalizarlas y, finalmente, aplicar las técnicas adecuadas de
análisis y el contraste de hipótesis.
EL PROBLEMA DE INVESTIGACIÓN:
2.8. UN OBSTÁCULO, UNA DUDA
Cuando lees un artículo en el que se expone la solución de un problema, es
probable que te extrañe que un investigador haya dedicado meses y hasta
años para llegar a una conclusión así. Sé indulgente: lo que te parece eviden-
te lo es porque alguien invirtió mucho tiempo en averiguarlo y sólo después
de que te lo presenta te parece evidente. ¿Serías capaz de recorrer un camino
parecido, es decir, identificar un problema digno de ser investigado y aportar
una respuesta explicativa, quizá parcial?
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 39
40 Introducción a la estadística
El marco teórico definido previamente rara vez equivale a una única hipóte-
sis; lo más habitual es que el marco teórico permita formular un conjunto co-
herente de diversas hipótesis. Éstas se definen como enunciados conjetura-
les, proposiciones provisionales sobre la relación que hay entre dos o más
fenómenos o variables. En general, reflejan lo que el investigador cree que
ocurre en el campo en estudio o espera lograr como resultado de algún tipo
de intervención. En todo caso, la formulación debe responder al razonamien-
to hipotético-deductivo para deducir las consecuencias implicadas en el mar-
co teórico.
Con relación a la cuestión del rendimiento en esta materia, se podrían for-
mular, entre otras, las siguientes hipótesis:
1. El nivel medio de rendimiento discente está en torno a 5 en una esca-
la 0-10.
2. El nivel de rendimiento discente está relacionado con la percepción
previa del nivel de dificultad de la materia.
3. El nivel de rendimiento en esta materia está relacionado con el nivel
de conocimientos previos de los alumnos.
4. El nivel de perseverancia en la realización de las actividades académi-
cas influye sobre el nivel de rendimiento de los alumnos.
5. La progresiva disminución del número de alumnos que acuden regu-
larmente a clase está relacionada con la percepción del nivel de difi-
cultad de la materia.
6. El método didáctico utilizado por el profesor influye en el nivel de
rendimiento de sus alumnos.
7. El nivel de comprensión de conceptos formales está relacionado con
el nivel de rendimiento discente en esta materia.
8. La percepción previa del nivel de dificultad y el nivel de conocimien-
tos previos influyen conjuntamente sobre el nivel de rendimiento dis-
cente.
9. La percepción previa del nivel de dificultad, el nivel de conocimientos
previos y el método didáctico explican una gran parte del nivel de
rendimiento discente.
10. El nivel de interés en esta materia está relacionado con el nivel de difi-
cultad percibida por los alumnos.
11. Etc.
Este tipo de hipótesis recibe el nombre de hipótesis sustantivas. Éstas de-
berán ser transformadas en otras susceptibles de ser contrastadas, llamadas hi-
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 42
42 Introducción a la estadística
OPERACIONALIZACIÓN Y MEDICIÓN
2.11. DE LAS VARIABLES
Variable Operacionalización
Percepción previa del nivel de difi- Escala de dificultad percibida tras dos
cultad de la materia meses de curso 0-100
Etc.
44 Introducción a la estadística
no basta con que el alumno esté en contacto con el material que va a apren-
der aplicándole para ello un determinado método didáctico, sino que todo
debe estar en relación con el nivel de capacidades y habilidades del discente.
Esta relación es la que explicaría el incremento del aprendizaje más allá de lo
que podría ocurrir por azar.
Por otra parte, el hecho de establecer un determinado esquema causal no
autoriza a afirmar que un suceso dado determina otro causalmente, por la
sencilla razón de que es imposible demostrar directamente que un suceso A
determina otro B, ya sea por sí mismo o en combinación con otros. A lo su-
mo, el esquema causal permite inferir, a partir de la observación, que la hipó-
tesis de que A es una condición para la ocurrencia de B es o no sostenible
con cierto grado específico de confianza (nivel de confianza). Y aun así, se
deben producir tres evidencias para poder inferir la existencia de relaciones
causales:
1. Variación concomitante. Debe quedar demostrado el grado en que dos
sucesos A y B se dan conjuntamente o varían al mismo tiempo en la
forma prevista por la hipótesis.
2. Ordenación temporal de la ocurrencia de sucesos. Debe demostrarse
que el suceso B no ocurrirá antes que A. Por definición, un suceso no
puede ser considerado la causa de otro si ocurre después de aquél.
3. Eliminación de otros posibles factores causales. Debe quedar claro que
una vez descartados los demás factores como posibles condiciones de-
terminantes de B, el que queda es la verdadera causa.
46 Introducción a la estadística
Naturaleza y función
2.13.1. de las variables en el diseño
Ante de pasar a comentar brevemente la cuestión de los diseños de investiga-
ción, nos conviene echar una ojeada sobre la diferencia entre la naturaleza de
una variable y la función de ésta en un determinado diseño. Una misma va-
riable puede cumplir una multitud de funciones dentro de los diseños; lógica-
mente, en un diseño sólo puede cumplir una única función. Ya sabes que las
variables pueden ser clasificadas en función de su naturaleza, es decir, de su
nivel de medida original. También sabes que las variables pueden ser mani-
puladas. Generalmente, se manipulan para que puedan cumplir determinadas
funciones dentro de los diseños. Entre éstas cabe señalar las siguientes:
48 Introducción a la estadística
Variable experimental o
independiente: Motivación
Los sujetos del estudio son elegidos al azar y además son asignados a cual-
quiera de los dos grupos también al azar. Y, finalmente, los tratamientos
—con motivación y sin motivación— son asignados a los grupos aleatoriamente.
A la hora de ejecutar el diseño se empieza por comprobar que, efectiva-
mente, los dos grupos parten con el mismo nivel de rendimiento. Para ello se
aplica a ambos la misma prueba inicial cuyos resultados permitirán contestar
a la pregunta de si son de hecho iguales, comparables en la característica que
es objeto de estudio, el rendimiento. Si no lo fueran, podríamos sospechar
que el resultado final es posible que quedase contaminado por las diferencias
iniciales.
Una vez comprobada la igualdad inicial, se podrá aplicar el estímulo co-
rrespondiente al grupo experimental mientras el grupo de control permanece
sin estimulación alguna.
Terminado el tiempo experimental, los dos grupos son sometidos a la
misma prueba que se utilizó al principio para comprobar los resultados al-
canzados. Se espera obtener unas diferencias claras entre los dos grupos y
poder asignar la fuente de estas diferencias al estímulo experimental. Por
ello, el análisis de los resultados pretende averiguar si ahora los dos grupos
son diferentes.
Todo este proceso tiene por objetivo:
a) Maximizar la varianza sistemática o experimental, es decir, incrementar
las diferencias entre los grupos experimental y de control.
b) Minimizar la varianza de error o aleatoria, es decir, disminuir la variabi-
lidad que se debe a factores no conocidos.
c) Controlar la varianza debida a variables extrañas, es decir, identificar
cuantos factores sean susceptibles de influir sobre la variable depen-
diente, con el objetivo de cuantificar su efecto.
Este diseño puede ser ampliado mediante el incremento del número de
variables dependientes e independientes.
50 Introducción a la estadística
Variable experimental o
independiente: Motivación
Grupo experimental
Medición de la VD
Estímulo
experimental
Nueva medición
de la VD
Son los diseños en los que el investigador varía deliberadamente los valores
de la variable independiente para evaluar los efectos que produce dicha va-
riación en la variable dependiente, pero sin el control propio del método ex-
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 51
52 Introducción a la estadística
TU TURNO 2.15.
Capítulo 3
DESCRIBIENDO MIS DATOS
56 Introducción a la estadística
Repetidor/a Nominal 1. Sí
2. No
58 Introducción a la estadística
3.1. SIMBOLIZACIÓN
Tomemos por ejemplo los datos recogidos sobre lo que piensan los alumnos
respecto del nivel de dificultad de esta materia a principios del curso; 93 alum-
nos matriculados se avinieron a expresar sus impresiones iniciales en una esca-
la de 0 a 100 puntos: 0 indica que el alumno cree que esta materia tiene un ba-
jo nivel de dificultad mientras que 100, que el alumno piensa que se trata de
una materia muy difícil. Los datos recogidos de los 93 alumnos fueron:
TABLA 3.1
NIVEL DE DIFICULTAD. PUNTUACIONES
60, 50, 90, 90, 80, 65, 80, 75, 85, 60, 67, 80, 85, 90, 90, 72, 100, 65, 25, 95, 79, 82,
70, 88, 50, 88, 80, 80, 90, 80, 90, 90, 90, 90, 70, 75, 70, 89, 70, 85, 95, 50, 85, 75,
80, 95, 80, 80, 85, 88, 50, 84, 87, 75, 88, 70, 85, 90, 80, 85, 90, 81, 65, 90, 90, 70,
85, 90, 96, 80, 82, 95, 100, 20, 100, 70, 90, 80, 90, 79, 79, 80, 80, 70, 80, 85, 90,
50, 80, 68, 92, 80, 90.
2 X2 50
3 X3 90
4 X4 90
5 X5 80
· ·· ··
· ·· ··
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 59
TABLA 3.2
NIVEL DE DIFICULTAD. PUNTUACIONES ORGANIZADAS EN UNA
DISTRIBUCIÓN DE FRECUENCIAS
Nivel de dificultad Frecuencia (f) Nivel de dificultad Frecuencia (f)
20 1 81 1
25 1 82 2
50 5 84 1
60 2 85 9
65 3 87 1
67 1 88 4
68 1 89 1
70 8 90 18
72 1 92 1
75 4 95 4
79 3 96 1
80 17 100 3
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 60
60 Introducción a la estadística
TABLA 3.3
NIVEL DE DIFICULTAD. PUNTUACIONES AGRUPADAS
EN INTERVALOS DE CLASE DE ANCHURA 10 Y 20
Nivel de dificultad Frecuencia (f) Nivel de dificultad Frecuencia (f)
(Anchura = 10) (Anchura = 20)
11-20 1 01-20 1
21-30 1 21-40 1
31-40 0 41-60 7
41-50 5 61-80 38
51-60 2 81-100 46
61-70 13 N = 93
71-80 25
81-90 37
91-100 9
N = 93
TABLA 3.4
NIVEL DE DIFICULTAD. PUNTUACIONES AGRUPADAS
EN INTERVALOS DE CLASE DE ANCHURA 8
Intervalo de clase Intervalo de clase Frecuencia (f)
Límites aparentes Límites reales o exactos
16-23 15,5-23,5 1
24-31 23,5-31,5 1
32-39 31,5-39,5 0
40-47 39,5-47,5 0
48-55 47,5-55,5 5
56-63 55,5-63,5 2
64-71 63,5-71,5 13
72-79 71,5-79,5 8
80-87 79,5-87,5 31
88-95 87,5-95,5 28
96-103 95,5-102,5 4
N = 93
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 62
62 Introducción a la estadística
TABLA 3.5
NIVEL DE DIFICULTAD. FRECUENCIA RELATIVA
Y FRECUENCIA PORCENTUAL
16-23 1 0,01 1
24-31 1 0,01 1
32-39 0 0,00 0
40-47 0 0,00 0
48-55 5 0,05 5
56-63 2 0,02 2
64-71 13 0,14 14
72-79 8 0,09 9
80-87 31 0,33 33
88-95 28 0,30 30
96-103 4 0,04 4
N = 93 1,00 100
Si lo que te interesa es saber cuántos alumnos creen que esta materia tiene
un nivel de dificultad que está por encima o por debajo de un determinado
nivel, lo que necesitas es calcular las frecuencias acumuladas. Para ello, sumas
la frecuencia del intervalo en cuestión a las frecuencias de todos los interva-
los de clase que le preceden. Así, por ejemplo, la frecuencia acumulada para
el intervalo 48-55 es 1 + 1 + 0 + 0 + 5 = 7. Para hallar las frecuencias relativas
acumuladas basta con acumular las frecuencias absolutas y convertirlas en fre-
cuencias relativas. Así, para el intervalo 48-55 la frecuencia relativa acumulada
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 63
TABLA 3.6
NIVEL DE DIFICULTAD. FRECUENCIAS ACUMULADAS
16-23 1 1 0,01 1
24-31 1 2 0,02 2
32-39 0 2 0,02 2
40-47 0 2 0,02 2
48-55 5 7 0,08 8
56-63 2 9 0,10 10
64-71 13 22 0,24 24
72-79 8 30 0,32 32
80-87 31 61 0,66 66
88-95 28 89 0,96 96
96-103 4 93 1,00 100
N = 93
64 Introducción a la estadística
Los pasos que se deben seguir para computar un percentil, como el per-
centil 75 por ejemplo, son:
• Calcular la frecuencia acumulada por debajo del percentil.
— fpa para P75 = 0,75 × 93 = 69,75. Así sabemos que unos 70 sujetos
tienen una puntuación que está por debajo de un determinado va-
lor. Con esta información vamos a la tabla de frecuencias porcen-
tuales acumuladas para poder averiguar el intervalo donde está si-
tuado el percentil P75.
• Establecer el límite inferior exacto XL del intervalo de clase que contie-
ne el percentil que se busca.
— En nuestro caso este límite XL está situado en el valor 87,5 (ver tabla
3.4). Esto nos permite averiguar cuántos sujetos hay por debajo de
esta puntuación; en nuestro caso son 61 sujetos (ver tabla 3.6).
• Calcular el número de datos adicionales que necesitamos para llegar al
percentil deseado. Para ello se resta de la frecuencia acumulada por de-
bajo del percentil la frecuencia que corresponda al límite inferior exacto
del intervalo de clase.
— Número de datos adicionales = fpa – fL.
— Número de datos adicionales = 70 – 61 = 9.
• Calcular el número de valores adicionales en el intervalo que se debe
incrementar para obtener el número de sujetos adicionales.
— Recuerda que fi es la frecuencia absoluta dentro del intervalo mien-
tras que i es la amplitud del intervalo. Por tanto, i/fi proporciona in-
formación sobre el número de sujetos que corresponde a cada uni-
dad del intervalo. En nuestro caso mirando en la tabla 3.6 vemos que
hay 28 sujetos dentro del intervalo y éste tiene 8 unidades. En conse-
cuencia, cada unidad i tiene 8/28 sujetos, y como necesitamos nueve
datos adicionales, realizamos la siguiente operación:
• Calcular el percentil sumando las unidades adicionales al límite inferior
exacto del intervalo que contiene el percentil.
— Percentil = XL + unidades adicionales.
— P75 = 87,5 + 2,57 = 90,07.
Con frecuencia, en vez de calcular el porcentaje de sujetos que están por
debajo de una determinada puntuación llamada percentil, se habla de cuartil.
Esta vez en lugar de dividir la distribución en cien partes, se reparte dicha
distribución en cuatro, siendo cada una de 25%. Y para calcular la puntuación
que corresponde a cada cuartil se procede del mismo modo que para el per-
centil, excepto que en este caso se calculan sólo tres valores: el primer cuartil,
Q1: es la puntuación que deja por debajo de sí al 25%; el segundo cuartil, me-
diana (Md o Me): es la puntuación que deja por debajo de sí al 50% de sujetos;
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 65
REPRESENTACIÓN GRÁFICA
DE LAS DISTRIBUCIONES DE FRECUENCIAS 3.5.
66 Introducción a la estadística
GRÁFICO 3.1
HISTOGRAMA VERTICAL
20
15
Frecuencias absolutas
10
0
20 25 50 60 65 67 68 70 72 75 79 80 81 82 84 85 87 88 89 90 92 95 96 100
Frecuencias absolutas 1 1 5 2 3 1 1 8 1 4 3 17 1 2 1 9 1 4 1 18 1 4 1 3
Nivel de dificultad
GRÁFICO 3.2
HISTOGRAMA HORIZONTAL
Nivel de dificultad
20
25
50
60
65
67
68
70
72
75
79
80
81
82
84
85
87
88
89
90
92
95
96
10 0
0 5 10 15 20
Frecuencias absolutas
20 25 50 60 65 67 68 70 72 75 79 80 81 82 84 85 87 88 89 90 92 95 96 100
Frecuencias absolutas 1 1 5 2 3 1 1 8 1 4 3 17 1 2 1 9 1 4 1 18 1 4 1 3
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 67
Si unes los puntos medios de las barras del gráfico 3.1, obtendrás un polí-
gono de frecuencias, como el que está representado en el gráfico 3.3a.
GRÁFICO 3.3a
POLÍGONO DE FRECUENCIAS
20
15
Frecuencias absolutas
10
0
20 25 50 60 65 67 68 70 72 75 79 80 81 82 84 85 87 88 89 90 92 95 96 100
Frecuencia absoluta 1 1 5 2 3 1 1 8 1 4 3 17 1 2 1 9 1 4 1 18 1 4 1 3
Nivel de dificultad
GRÁFICO 3.3b
POLÍGONO DE FRECUENCIAS (ÁREAS)
20
15
Frecuencias absolutas
10
0
20 25 50 60 65 67 68 70 72 75 79 80 81 82 84 85 87 88 89 90 92 95 96 100
Frecuencias absolutas 1 1 5 2 3 1 1 8 1 4 3 17 1 2 1 9 1 4 1 18 1 4 1 3
Nivel de dificultad
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 68
68 Introducción a la estadística
GRÁFICO 3.4a
HISTOGRAMA. NIVEL DE DIFICULTAD
35
30
25
20
15
10
5
Frecuencias
GRÁFICO 3.4b
HISTOGRAMA. NIVEL DE DIFICULTAD
3
30
2
Frecuencia
20
10
5
4
2
1 1
0
16-23 24-31 48-55 56-63 64-71 72-79 80-87 88-95 96-103
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 11:08 Página 69
GRÁFICO 3.5
SECTORES. NIVEL DE DIFICULTAD
4 1 1
5 16-23
2
24-31
48-55
13
56-63
28
64-71
72-79
80-87
8
88-95
96-103
31
¿Te has fijado en que cualquiera que sea el formato de representación que
utilices, siempre hay un valor o intervalo que destaca por el número de suje-
tos que se concentran en él? En el caso del agrupamiento por intervalos des-
taca el 80-87; aquí se acumulan 31 de los 93 individuos. Este tipo de intervalo
recibe el nombre de moda, Mo.
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 70
70 Introducción a la estadística
GRÁFICO 3.6
ÁREA. NIVEL DE DIFICULTAD
35
30
Frecuencias absolutas
25
20
15
10
0
16-23 24-31 32-39 40-47 48-55 56-63 64-71 72-79 80-87 88-95 96-103
F 1 1 0 0 5 2 1 8 3 2 4
Nivel de dificulta d
GRÁFICO 3.7
HISTOGRAMA Y CURVA SUPERPUESTA
30 31
28
Frecuencia
20
13
10
5
4
2
1 1
0 0 0
0 2 4 6 8 10 12
Nivel de dificultad
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 71
REPRESENTACIÓN DE
LAS FRECUENCIAS ACUMULADAS 3.6.
GRÁFICO 3.8a
FRECUENCIAS ABSOLUTAS ACUMULADAS
100
80
Frecuencias acumuladas
60
40
20
0
16-23 24-31 32-39 40-47 45-55 56-63 64-71 72-79 80-87 88-95 96-103
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 72
72 Introducción a la estadística
GRÁFICO 3.8b
GRÁFICO SUAVIZADO
DE LAS FRECUENCIAS ABSOLUTAS ACUMULADAS
100
!
!
80
Frecuencias acumuladas
60 !
40
20 !
!
!
! ! ! !
0
16-23 24-31 32-39 40-47 45-55 56-63 64-71 72-79 80-87 88-95 96-103
GRÁFICO 3.9
DIAGRAMA DE TALLO Y HOJAS
Frecuencia *
acumulada Tallo * Hojas
inferior *
1 2 * 0
2 * 5
2 3 *
2 *
2 4 *
2 *
7 5 * 00000
7 *
9 6 * 00
14 E 55578
23 7 * 000000002
30 Q 5555999
+ 21 8 M 000000000000000001224
42 * 555555555788889
27 9 Q 0000000000000000002
8 * 55556
3 10 * 000
0 *
*
Frecuencia Tallo * Hojas
acumulada *
superior *
74 Introducción a la estadística
CON LA AYUDA
3.8. DE LA HERRAMIENTA INFORMÁTICA
Evidentemente eres libre de realizar todos los cálculos a mano. Sin embargo,
deberías saber que gracias a los programas informáticos, muchos cálculos que
antaño podían durar meses de duro trabajo manual, se realizan actualmente
en décimas de segundo. Ahora bien, el uso de la herramienta informática exi-
ge al menos un nivel básico de alfabetización informática. Espero que ya no
te asusten términos tales como abrir un programa o un fichero. Lo cierto es
que no hace falta ser un lince para manejar programas informáticos que a pri-
mera vista parecen complicados: basta un cierto espíritu ordenado para ejecu-
tar una secuencia lógica de comandos simples.
Para el análisis de los datos, vamos a recurrir al programa informático
SPSS. Sin embargo, si te resulta más cómodo utilizar otro, como Excel, Stat-
graphics, Minitab, Sigmaplot o cualquiera de la amplísima oferta del mercado,
puedes hacerlo. Por otra parte, si ya estás familiarizado con el programa SPSS,
pasa por alto los párrafos siguientes y ve directamente a los ejercicios.
El programa SPSS se activa del mismo modo que cualquier otro programa
y se abre en una típica hoja de cálculo vacía, lista para que el usuario la relle-
ne con sus datos. En caso de haber creado una base de datos SPSS basta ha-
cer doble clic sobre el nombre del fichero para abrirlo, siempre que el orde-
nador que utilices tenga instalado este programa.
Si te fijas en la parte inferior de la figura 3.1, verás que hay dos pestañas.
Si activas la pestaña «Vista de datos», es que quieres incorporar datos a tu ba-
se, y si activas la «Vista de variables», es que deseas llevar a cabo alguna espe-
cificación de las características de las variables.
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 75
FIGURA 3.1
VISTA INICIAL
FIGURA 3.2
VISTA DE VARIABLES
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 76
76 Introducción a la estadística
FIGURA 3.3
VISTA PARCIAL DE LA BASE DE DATOS
FIGURA 3.4
SELECCIÓN DEL TIPO DE ANÁLISIS
FIGURA 3.5
SELECCIÓN DE LAS VARIABLES QUE ANALIZAR
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 78
78 Introducción a la estadística
FIGURA 3.6
VISTA PARCIAL DE LA VENTANA DE RESULTADOS
3.9. TU TURNO
Capítulo 4
INICIANDO EL ÁNALISIS DE MIS DATOS
Uno de los primeros pasos para describir tus datos fue la utilización de gráficos.
Ahora se trata de dar otro paso que consiste en hallar un único valor suscepti-
ble de representar el grupo entero respecto de la variable que estás estudiando,
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 82
82 Introducción a la estadística
el nivel de dificultad percibida. En realidad, tres pueden ser los valores que
cumplen el cometido de resumir un grupo de datos de una manera más o me-
nos válida: son la media, la mediana y la moda, y son conocidas como medi-
das de tendencia central. Al hablar de los gráficos definimos e indicamos cómo
hallar la mediana y la moda. A título de recordatorio, la mediana es el valor que
deja por debajo de sí la mitad de los datos de una distribución y equivale al se-
gundo cuartil o al percentil 50; la moda es el valor más frecuente en una distri-
bución. Ahora nos centraremos en el proceso que se debe seguir para averiguar
el valor de la media aritmética, habitualmente llamada media, sin más.
En el análisis de los datos de una investigación la media es uno de los valo-
res más comunes que se calcula; es sencillamente la suma de todos los valores
de una distribución, dividida por el número de individuos pertenecientes a un
determinado grupo. En nuestro caso, tendríamos que sumar las 93 valoracio-
nes y después dividir el total obtenido por 93.
La explicación contenida en el párrafo anterior se resume en una fórmula
sobria y elegante que dice...
(Fórmula 4.1)
1
Por cierto, cuando se trata de la media de toda la población, se utiliza el siguiente símbo-
lo: μ, que se lee «mu».
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 83
El valor que obtienes no tiene por qué coincidir con alguno de los valores
que has utilizado para calcular la media. Piensa que es el resultado lógico de
dividir dos magnitudes. Por ello, no debe extrañarte que dicho resultado in-
corpore cifras decimales, que no aparecen en los datos originales. Mantener o
no dichas cifras depende del analista e implica decisiones relativas al nivel de
redondeo que piensa aplicar. En muchos campos científicos se utiliza el mis-
mo número de cifras significativas que tienen los datos originales. En el mar-
co de la investigación socioeducativa no se ha atendido al número de cifras
significativas, sino que la tradición establece el uso de resultados con tres y
hasta cuatro cifras decimales. Ya que no disponemos de un poderoso argu-
mento contra esta costumbre, en este volumen vamos a respetar la tradición.
Como habrá ocasiones en que demos nuestras respuestas definitivas hasta
con cuatro cifras decimales, nos conviene decidir cómo determinar el valor
del último dígito. Algunas orientaciones sencillas nos pueden ayudar a tomar
decisiones correctas aplicando las reglas básicas del redondeo. Te bastará
proceder del siguiente modo:
• Toma una decisión en relación con el número de cifras decimales que
formarán parte de tu respuesta final. Eso significa que ahora tu repuesta
parcial consta de dos partes: la respuesta potencial y el residuo.
• Pon un símbolo que separe la parte potencial del residuo. Recuerda que
en nuestro caso la parte residual es siempre decimal.
• Si el residuo es mayor que 0,5, entonces suma una unidad al último dí-
gito de tu respuesta potencial.
• Si el residuo es menor que 0,5, entonces deja el último dígito de tu res-
puesta potencial sin modificar.
• Si el residuo es igual a 0,5, entonces suma una unidad al último dígito de
tu respuesta potencial si es impar; no hagas nada si el último dígito es par.
La media 73,571429 se podría redondear de la siguiente manera:
73 5 7 1 4 2 9
73 5 7 1 4 3 0
73 5 7 1 4 0 0
73 5 7 1 0 0 0
73 5 7 0 0 0 0
73 6 0 0 0 0 0
74 0 0 0 0 0 0
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 84
84 Introducción a la estadística
79 3 9 7 8 4 9
79 3 9 7 8 5 0
79 3 9 7 8 0 0
79 3 9 8 0 0 0
79 4 0 0 0 0 0
(Fórmula 4.2)
TABLA 4.1
MEDIA PARA DATOS AGRUPADOS
Total N = 93
Por tanto, .
Te habrás dado cuenta de que las dos medias no coinciden por completo.
En realidad la media calculada a partir de datos agrupados en intervalos es
tan sólo una estimación de la verdadera media. Para comprender esta idea,
debes recordar lo que dijimos sobre la distribución de los individuos dentro
del intervalo: se supone que se distribuyen por igual dentro del intervalo co-
rrespondiente y eso es lo que justifica que se recurra a la marca de clase Xi.
Es evidente que esta suposición no refleja la distribución real dentro del inter-
valo. De hecho, si vuelves a la tabla 3.6 verás, por ejemplo, que dentro del in-
tervalo 16-23 sólo hay un sujeto cuya puntuación verdadera es 20 mientras
que en la tabla 4.1 este dato se ha convertido en 19,5. Las pequeñas diferen-
cias que se producen entre ambas distribuciones quedan reflejadas en las más
o menos inapreciables diferencias entre la media de datos sin agrupar
(79,400) y la media de datos agrupados (80,145).
Volviendo al concepto de media, ¿te has preguntado por qué se clasifica
en el grupo de las medidas de tendencia central? Por una razón muy sencilla:
resulta que, al igual que la mediana o la moda, la media se encuentra en el
centro de la distribución. Es decir, que todos los demás datos tienden a distri-
buirse en torno a estos valores.
La media es un valor muy interesante; su difundido uso en la investigación
socioeducativa se debe sobre todo a sus propiedades especiales:
• Es sensible a todos los datos de una distribución. Piensa en la media
como un valor que representa el punto de equilibrio de toda la distribu-
ción. Esto quiere decir que la modificación de cualquier dato de una
distribución afecta a la media desplazando el punto de equilibrio, ya
que la suma de todos los datos se ve igualmente afectada. Esto no le
pasa ni a la mediana ni a la moda.
• Es una medida que se ve especialmente afectada por los valores extre-
mos de la distribución. En otras palabras, un valor extremo superior
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 86
86 Introducción a la estadística
GRÁFICO 4.1
MEDIA, MEDIANA Y MODA
15
Frecuencias absolutas
10
0
20 25 50 60 65 67 68 70 72 75 79 80 81 82 84 85 87 88 89 90 92 95 96 100
Frecuencias absolutas 1 1 5 2 3 1 1 8 1 4 3 17 1 2 1 9 1 4 1 18 1 4 1 3
Nivel de dificultad
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 87
Por otro lado, conviene no pasar por alto un hecho crucial: una distribu-
ción sólo tiene una media; en cambio puede tener varias modas. Fíjate en las
frecuencias del gráfico 4.1 y observarás que el valor 80 aparece 17 veces
mientras que el valor 90 se menciona 18 veces; sólo una unidad de diferencia
permite decir que 90 es la moda en vez de o junto con 80. Esta distribución
podría haber sido bimodal, es decir, tener dos modas. Así pues, no te extra-
ñes si te encuentras con distribuciones de más de una moda, es decir, distri-
buciones multimodales. También cabe la posibilidad de que una distribución
no tenga moda; esto ocurre cuando todos los valores de una escala tienen
igual frecuencia.
En cuanto a la mediana, se trata de un valor que se fija en función de la
distribución de los individuos y no refleja adecuadamente el rango de la esca-
la. Es un valor que es poco sensible al modo en que se distribuye la caracte-
rística que se está estudiando.
Ante estas diferencias entre las tres medidas de tendencia central, es evi-
dente que la más sensible al modo en que se distribuyen los datos es la me-
dia aritmética. Es esta propiedad la que convierte su uso en especialmente lla-
mativo.
Además de la media aritmética existen otras medias que son más bien de
poco uso en nuestro contexto tales como la media geométrica, la media ar-
mónica o la media cuadrática. De entre éstas hablaremos muy brevemente de
la media armónica, sobre todo debido a que, al hacer análisis con programas
informáticos, tenemos que ser capaces de hacer buenas interpretaciones de
los resultados obtenidos que hagan referencia a este estadístico.
La media armónica se define como el recíproco de la media aritmética de
–
los recíprocos de los datos X1, X2, X3..., XN; su símbolo es H o X a.
.
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 88
88 Introducción a la estadística
Por tanto, H .
R = Xs – Xi (Fórmula 4.3)
(Fórmula 4.4)
Q .
Sigue siendo un valor poco útil, ya que sólo toma en consideración dos
valores de todos los que hay en la distribución.
(Fórmula 4.5)
Para datos agrupados habría que tener en cuenta la frecuencia que le co-
rresponde a cada diferencia Xi-Md; es decir, habría que multiplicar esta dife-
rencia por su frecuencia. Así, la fórmula anterior se convertiría en:
(Fórmula 4.6)
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 90
90 Introducción a la estadística
TABLA 4.2
DIFERENCIA MEDIA RESPECTO DE LA MEDIANA,
CON DATOS AGRUPADOS
Xi fi | Xi-Md | | Xi-Md | fi
20 1 60 60
25 1 55 55
50 5 30 150
60 2 20 40
65 3 15 45
67 1 13 13
68 1 12 12
70 8 10 80
72 1 8 8
75 4 5 20
79 3 1 3
80 17 0 0
81 1 1 1
82 2 2 2
84 1 4 4
85 9 5 45
87 1 7 7
88 4 8 32
89 1 9 9
90 18 10 180
92 1 12 12
95 4 15 60
96 1 16 16
100 3 20 60
DMMd .
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 91
TABLA 4.3
DIFERENCIA MEDIA RESPECTO DE LA MEDIANA, CON DATOS
AGRUPADOS EN INTERVALOS DE CLASE
I Xi | Xi-Md | fi | Xi-Md | fi
DMMd .
92 Introducción a la estadística
(Fórmula 4.7)
(Fórmula 4.8)
(Fórmula 4.9)
TABLA 4.4
DIFERENCIA RESPECTO DE LA MEDIA, CON DATOS AGRUPADOS
– –
Xi fi | Xi – X | | Xi – X |fi
20 1 |–59,40| |–59,40|
25 1 |–54,40| |–54,40|
50 5 |–29,40| |–147,00|
60 2 |–19,40| |–38,80|
65 3 |–14,40| |–43,20|
67 1 |–12,40| |–12,40|
68 1 |–11,40| |–11,40|
70 8 |–9,40| |–75,20|
72 1 |–7,40| |–7,40|
75 4 |–4,40| |–17,60|
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 93
– –
Xi fi | Xi – X | | Xi – X |fi
79 3 |±0,40| |–1,20|
80 17 0,60 10,20
81 1 1,60 1,60
82 2 2,60 5,20
84 1 4,60 4,60
85 9 5,60 50,40
87 1 7,60 7,60
88 4 8,60 34,40
89 1 9,60 9,60
90 18 10,60 190,80
92 1 12,60 12,60
95 4 15,60 62,40
96 1 16,60 16,60
100 3 20,60 61,80
TABLA 4.5
DIFERENCIA RESPECTO DE LA MEDIA, CON DATOS AGRUPADOS
EN INTERVALOS DE CLASE
94 Introducción a la estadística
– –
I Xi | Xi – X | fi | Xi – X |fi
(Fórmula 4.10)
• Varianza2 (s2X)
Punto de referencia: la media.
Ya sabes que si sumamos todas las diferencias respecto de la media obte-
nemos 0 como resultado. Si calculamos la media de los valores absolutos de
todas las diferencias, obtenemos un dato que nos informa sobre el nivel me-
dio de dispersión de la distribución en torno a la media, pero es un valor ob-
tenido tras eliminar el signo de las puntuaciones diferenciales.
2
Cuando se trata de la varianza de toda la población, se utiliza el siguiente símbolo: σ2.
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 95
(Fórmula 4.11a)
... o su equivalente:
(Fórmula 4.12a)
(Fórmula 4.11b)
... o su equivalente:
(Fórmula 4.12b)
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 96
96 Introducción a la estadística
TABLA 4.6a
CÁLCULO DE LA VARIANZA CON PUNTACIONES DIFERENCIALES
Xi fi xi x2i x2i fi
N = 93
(Fórmula 4.13)
A primera vista, se trata de una fórmula que echa atrás al más atrevido y, sin
embargo, te aseguro que no tardarás nada en comprenderla. Vamos por partes:
Esta parte es menos complicada de lo que puede parecer y
sólo dice «eleva al cuadrado cada una de las puntuaciones
directas y después súmalo todo».
(Fórmula 4.14)
(Fórmula 4.15)
98 Introducción a la estadística
TABLA 4.6b
CÁLCULO DE LA VARIANZA, CON PUNTUACIONES DIRECTAS
Xi fi Xi fi X2i X2i fi
20 1 20 400 400
25 1 25 625 625
50 5 250 2.500 12.500
60 2 120 3.600 7.200
65 3 195 4.225 12.675
67 1 67 4.489 4.489
68 1 68 4.624 4.624
70 8 560 4.900 39.200
72 1 72 5.184 5.184
75 4 300 5.625 22.500
79 3 237 6.241 18.723
80 17 1.360 6.400 108.800
81 1 81 6.561 6.561
82 2 164 6.724 13.448
84 1 84 7.056 7.056
85 9 765 7.225 65.025
87 1 87 7.569 7.569
88 4 352 7.744 30.976
89 1 89 7.921 7.921
90 18 1.620 8.100 145.800
92 1 92 8.464 8.464
95 4 380 9.025 36.100
96 1 96 9.216 9.216
100 3 300 10.000 30.000
N = 93
Por tanto, .
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 99
3
Cuando se trata de la desviación típica de toda la población, se utiliza el siguiente símbo-
lo: σ; se lee «sigma».
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 100
o (Fórmula 4.17)
Nivel de dificultad
Conocimientos previos
MEDIDAS DE LA FORMA
4.3. DE UNA DISTRIBUCIÓN DE FRECUENCIAS
4.3.1. Asimetría
Una distribución de frecuencias es simétrica si las dos áreas en que la media-
na (Md) divide dicha distribución son imagen una de la otra. Si la distribución
es simétrica, entonces la mediana, la moda y la media coinciden.
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 101
FIGURA 4.1
DISTRIBUCIÓN SIMÉTRICA
FIGURA 4.2
DISTRIBUCIÓN ASIMÉTRICA POSITIVA
FIGURA 4.3
DISTRIBUCIÓN ASIMÉTRICA NEGATIVA
FIGURA 4.4
DISTRIBUCIÓN PLATICÚRTICA
INT ESTAD 01:ENSEÑANZA MATEMAT 09/03/11 9:13 Página 103
FIGURA 4.5
DISTRIBUCIÓN MESOCÚRTICA
FIGURA 4.6
DISTRIBUCIÓN LEPTOCÚRTICA
4.4. TU TURNO
1. Elige una única variable y halla la mediana, la moda y la media de tus da-
tos. Puedes utilizar el programa informático que te resulte más cómodo.
2. ¿Cuál de las medidas que acabas de hallar representa mejor los datos del
grupo? Explica por qué.
3. Halla la varianza y la desviación típica de tu distribución.
4. Elige otra variable y halla la varianza y la desviación típica. Comprueba si
tu nueva distribución tiene un nivel de variabilidad similar a tu primera
distribución.
5. Una distribución de puntuaciones que resulta ser asimétrica positiva se
caracteriza por:
a) Ser mesocúrtica.
b) Tener muchas puntuaciones bajas.
c) Tener muchas puntuaciones altas.
d) Ser platicúrtica.
6. Una distribución de puntuaciones en la que coinciden la mediana, la mo-
da y la media se considera como una distribución:
a) Sin apuntamiento.
b) Simétrica.
c) Asimétrica positiva.
d) Asimétrica negativa.
7. Si se añade un valor extremadamente pequeño a una distribución de pun-
tuaciones se observa como consecuencia:
a) Un cierto incremento de la media.
b) Una cierta disminución de la media.
c) Una cierta disminución de la desviación típica.
d) La media y la desviación típica no cambian.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 105
Capítulo 5
LA CURVA NORMAL COMO MODELO
PARA ANALIZAR MIS DATOS
¿Qué tendrá que ver lo «normal» con la estadística? Mucho más de lo que crees.
Y si no, lee lo que sigue.
Si consultas el diccionario de la Real Academia Española verás que define
«normal» como «ordinario, corriente». En otras palabras, lo que no es normal,
lo que no es conforme a la norma, al modelo, a lo que es corrientemente co-
nocido y aceptado como común debe considerarse como anormal, extraordi-
nario, diferente.
Ahora, intentemos la cuadratura del círculo: formalizar matemáticamente
esta idea sin recurrir a complicadas fórmulas matemáticas. Piensa en el peso
de cualquier ciudadano de la población española. Si te encuentras con una
persona que pesa 250 kg, ¿puedes afirmar que se trata de un individuo con
un peso «normal» en la población española? Seguramente que no; dirás más
bien que se trata de un caso anómalo, extraordinario, fuera de lo común, bas-
tante o muy alejado del peso habitualmente considerado ordinario, y esto por
exceso. Y si te presentan a un adulto que pesa 20 kg, con toda probabilidad
asegurarás que se trata de otro caso anómalo, esta vez por defecto. En cam-
bio, es muy probable que consideres que un adulto que pesa más o menos
70 kg es «normal». ¿Por qué? Por una razón muy sencilla: se considera normal
aquel suceso que en una determinada población ocurre con mucha frecuen-
cia. Por tanto, puede decirse que la frecuencia determina la consideración de
un suceso como normal o, por el contrario, como extraordinario.
Si te paras a pensarlo un poco más te darás cuenta de que se trata de una
representación modelizada de lo que se observa a diario en la naturaleza. Por
ejemplo, la talla poblacional tiene un cierto nivel por encima o por debajo del
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 106
(Fórmula 5.1)
...donde:
que da la impresión de formar una curva. Fíjate en que a medida que nos aleja-
mos de la media, las frecuencias van disminuyendo hasta aproximarse a 0 en
los extremos, pero sin llegar a ser 0. Eso quiere decir que la curva nunca llega a
tocar el eje horizontal. En otras palabras, la curva es asintótica a este eje.
GRÁFICO 5.1
CURVA NORMAL
GRÁFICO 5.2
ÁREA O PROPORCIÓN DE DATOS POR DEBAJO DE LA CURVA
–3 –2 –1 0 1 2 3
(Fórmula 5.2)
La puntuación típica 1,09 nos informa que la distancia que aleja a este
alumno de la media de su grupo supera apenas una desviación típica.
Ahora nos podemos preguntar si este mismo alumno se encuentra a la misma
distancia en cuanto a sus conocimientos previos en esta materia. Sabiendo que su
grupo tiene una media de 4,269 y una desviación típica de 0,918, y sabiendo que
su puntuación directa es de 3,25 podemos calcular su puntuación típica.
Esto es genial. Si te das cuenta, nos encontramos ante dos variables, nivel de
dificultad y conocimientos previos, medidas en dos escalas diferentes: 0 a 100
en el primer caso y 0 a 10 en el segundo. Sin embargo, después de someterlas
al proceso de transformación ahora están ambas en la misma escala. Esta situa-
ción nos resulta beneficiosa: ya estamos en condiciones de interpretarlas a la
vez. Resulta que este alumno está prácticamente a la misma distancia en ambas
variables pero en sentido opuesto: está por encima de la media en el nivel de
dificultad percibida y por debajo de la media en conocimientos previos.
Al igual que comparamos dos puntuaciones de un mismo sujeto podemos
hacer comparaciones de dos sujetos respecto de una única variable.
ALGUNAS CARACTERÍSTICAS
DE LAS PUNTUACIONES TÍPICAS 5.2.
TABLA 5.1
PROPORCIONES DE LA CURVA NORMAL (p > 0,50)
Z 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7516 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7703 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9278 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9430 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9648 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9700 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9762 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 112
Z 0 1 2 3 4 5 6 7 8 9
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9874 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9986 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
–3 –2 –1 0 1 2 3 –3 –2 –1 0 1 2 3
tradicionalmente una parte entera y dos decimales. En esta tabla, la parte en-
tera y una decimal se encuentran en la primera columna y la segunda decimal
está recogida en la primera fila. Por ello, para leer la proporción correspon-
diente a la puntuación típica 2,25, tendrás que buscar en la primera columna el
dato correspondiente a la fila 2,2 y en la primera fila buscarás la columna
donde aparece 5. En la intersección de la fila 2,2 y de la columna 5 puedes
leer el dato 0,9878.
¿Y cómo se interpreta?
Si no se proporcionan orientaciones más claras, el dato 0,9878 puede inter-
pretarse indistintamente a partir de una puntuación típica positiva o negativa.
De acuerdo con el gráfico 5.4a, el 98,78% de los datos se encuentra por
encima de la puntuación típica –2,25, mientras que en el caso del gráfico 5.4b
el mismo porcentaje se encuentra por debajo de la puntuación típica +2,25.
Esto significa a su vez que el 48,78% se encuentra por encima de la media pa-
ra el gráfico 5.4b y el mismo porcentaje por debajo de la media para el gráfi-
co 5.4a. Para comprender el razonamiento seguido, recuerda que la propor-
ción que le corresponde a la mitad de la curva normal es el 50%.
Ahora ya deberías estar preparado para hallar las proporciones que cum-
plan determinados criterios.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 114
0,9878
0,9878
–3 –2 –1 0 1 2 3 –3 –2 –1 0 1 2 3
GRÁFICO 5.5
PROPORCIÓN EN TORNO A LA MEDIA
–3 –2 –1 0 1 2 3
–3 –2 –1 0 1 2 3 –3 –2 –1 0 1 2 3
–3 –2 –1 0 1 2 3 –3 –2 –1 0 1 2 3
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 117
GRÁFICO 5.8
PROPORCIÓN ENTRE DOS PUNTUACIONES
TÍPICAS DE SIGNO OPUESTO
–3 –2 –1 0 1 2 3
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 118
GRÁFICO 5.9
PROPORCIÓN ENTRE DOS PUNTUACIONES
TÍPICAS DEL MISMO SIGNO
0,8907
–3 –2 –1 0 1 2 3
0,9525
igual o muy próxima a 0,50 + 0,25 = 0,75. El valor más próximo que
obtenemos es 0,7486 y la zi correspondiente es 0,67. Como resulta
que te informan que se trata de una puntuación que deja por deba-
jo de sí al 25% de la distribución, en buena lógica esta puntuación
tiene que ser negativa. En consecuencia zi = –0,67.
A estas alturas ya debes saber cómo transformar esta puntuación tí-
pica en puntuación directa.
• T = 50 + (10 · Zi).
• S = 50 + (20 · Zi).
• CEEB = 500 + (100 · Zi).
• Penta: P = 3 + (1 · Zi).
• Eneatipos: E = 5 + (2 · Zi).
Conociendo cualquier puntuación típica, puedes averiguar la puntuación
derivada que le corresponde. Por ejemplo, si Zi = 1,25, entonces:
T = 50 + (10 × 1,25) = 50 + 12,50 = 62,50;
S = 50 + (20 × 1,25) = 50 + 25 = 75;
CEEB = 500 + (100 × 1,25) = 625;
P = 3 + (1 × 1,25) = 3 + 1,25 = 4,25;
E = 5 + (2 × 1,25) = 5 + 2,50 = 7,50.
TU TURNO 5.5.
Capítulo 6
¿CÓMO TRATAR LA INCERTIDUMBRE
ASOCIADA A MIS DATOS?
Al lo largo de los capítulos anteriores has podido darte cuenta de los pasos
que implica llegar a afirmar por ejemplo que, por término medio, los alumnos
matriculados en esta materia inician el curso con la impresión de que van a
tener muchas dificultades o de que su nivel de conocimientos previos está en
torno a 4 en una escala de 0-10. Ahora bien, sabiendo que hemos preguntado
a un único grupo de alumnos, ¿podemos estar absolutamente seguros de que
en general los alumnos comparten esta impresión o que su nivel medio está
por debajo de la media de la escala? En realidad, la respuesta a estas pregun-
tas implica responder al menos a otras dos interrogantes:
a) ¿Cómo procedimos para seleccionar a los componentes de este grupo?
¿Los alumnos fueron elegidos al azar o se aplicó algún criterio determi-
nado? Esto nos debe llevar a estudiar someramente la cuestión del
muestreo.
b) ¿Cuál es la influencia del azar en la obtención de este resultado? Dicho
de otro modo, ¿es posible que hayamos obtenido este resultado por
pura casualidad? O ¿hasta qué punto ha influido el azar? Esto nos debe
llevar al estudio de la probabilidad de ocurrencia de este suceso que
sea imputable al azar.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 124
37, 47, etc. Muy sencillo: se aplica el coeficiente de elevación a partir del pri-
mer elemento elegido aleatoriamente, siempre que sea inferior a dicho coefi-
ciente.
¿Y si el primer elemento fuera 42, por ejemplo? También en este caso se
aplica el procedimiento anterior, pero una vez llegado a la última unidad de la
población, se empieza la serie de nuevo hasta encontrar el punto de arranque.
GRÁFICO 6.1
MUESTREO ALEATORIO ESTRATIFICADO POLIETÁPICO
Comunidad Autónoma
Distrito escolar
Centro educativo
Curso
Aula
Alumno
• Representatividad
Una muestra debe ser representativa; esto significa que la muestra debe tener
las mismas características que te interesa estudiar en la población, o sea que
la muestra representa realmente a la población. Si estás trabajando con una
población heterogénea, la muestra debe exhibir esta característica también. Si
no fuera así, no podrías generalizar los resultados obtenidos a la población de
la que se supone procede tu muestra. Y como recordarás, los problemas liga-
dos al muestreo pueden invalidar un estudio.
• Tamaño de la muestra
Esta cuestión se refiere a la cantidad de unidades que hay que tomar en re-
presentación de la población. La pregunta que se nos plantea es: ¿cuántas
unidades debemos extraer de una determinada población, suponiendo que la
técnica utilizada para la extracción sea la adecuada? Intuitivamente puedes
darte cuenta de que son más fiables los datos obtenidos a partir de una
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 130
muestra extraída con rigor que de otra elegida en condiciones menos riguro-
sas. Por otra parte, si lo piensas un poco verás que, si aplicas la técnica de mues-
treo más exigente y extraes dos muestras, una de 20 sujetos y otra de 2.000
de una población de 100.000 unidades, los resultados procedentes de la pri-
mera muestra te merecerán menos confianza que los de la segunda. De he-
cho, los cálculos que puedes realizar sobre muestras de mayor tamaño son
más precisos que los obtenidos de muestras pequeñas. Consecuentemente se
te recomienda que utilices muestras grandes sobre todo porque en éstas actúa
con mayor probabilidad el principio de la distribución aleatoria. El concepto
de distribución aleatoria lo desarrollaremos en los siguientes apartados.
No nos vamos a enfrascar en una tediosa exposición de la teoría de las
muestras. Si te interesa este apasionante campo, puedes consultar las numero-
sas publicaciones que hay al respecto, como el Manual de Muestreo de Rémy
Clairin y Philippe Brion (2001).
• Experimento aleatorio
Cuando no puedes predecir el resultado con absoluta exactitud, como cuando
sometes a un grupo de alumnos a un examen sorpresivo o cuando lanzas una
moneda o un dado al aire, estás ante un experimento aleatorio. De hecho, en
ciencias sociales la recogida de los datos implica la aceptación del supuesto
de que estamos ante experimentos aleatorios.
• Suceso elemental
En un experimento aleatorio cada uno de los posibles resultados, aprobar o
suspender en el caso del examen sorpresivo, cara o cruz en el caso de una
moneda, se denomina suceso elemental.
• Espacio muestral
Se denomina espacio muestral (Ω) al conjunto de todos los posibles resulta-
dos de un experimento muestral. En el caso del examen, aprobar y suspender
son los dos posibles resultados, cara y cruz para la moneda, mientras que el
dado tiene seis posibles resultados, a saber Ω = {1, 2, 3, 4, 5, 6}. Eso quiere
decir que el espacio muestral se define en función de los aspectos que anali-
zar en cada problema concreto. Por otra parte, en el caso del examen el es-
pacio muestral es diferente si se considera la respuesta correcta o errónea a
cada una de las preguntas de la prueba o si se toma en consideración la
prueba en su conjunto. Lo mismo ocurre con la moneda o el dado; hay que
tener en cuenta su número.
Si se toma en consideración el número de sucesos elementales, el espacio
muestral se puede contar. Si le preguntamos al azar a un transeúnte sobre su
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 132
ALGUNAS DEFINICIONES
6.4. RELATIVAS A LA PROBABILIDAD
El símbolo p(A) se lee como «la probabilidad de ocurrencia del suceso A».
Según la ecuación, la probabilidad de ocurrencia del suceso A es igual al nú-
mero de casos favorables A dividido entre el número total de sucesos posi-
bles. Por ejemplo, todo el mundo sabe que un dado tiene seis caras iguales
numeradas todas desde el número 1 hasta el 6. Si no se trata de un dado tru-
cado, acertarás si afirmas que la probabilidad de que salga cualquiera de las
seis caras es de 1/6. Para realizar esta afirmación no necesitas ejecutar el ex-
perimento. Aplicando una lógica sencilla, puedes establecer la probabilidad
independientemente de la ejecución del experimento; depende exclusivamen-
te de lo que sabes sobre la forma y el comportamiento normal del objeto lla-
mado dado.
Si arrojas un dado normal, es decir, de los que no hacen el pino sobre al-
guna de sus aristas, ¿cuál es la probabilidad de que se detenga con un «cua-
tro» hacia arriba? Ya sabes que existen seis números posibles, de los cuales
sólo uno es un «cuatro»; por tanto, la probabilidad de un «cuatro» en una tira-
da de un dado es:
como una propiedad del mismo. Tres propiedades fundamentan esta concep-
ción de la probabilidad:
• Consistencia
Si el resultado A es más probable que el resultado B, y el resultado B es más
probable que el resultado C, entonces el resultado A es más probable que el
resultado C (propiedad transitiva).
• Intercambiabilidad
Supongamos que A, B, C, D…, Z son un conjunto de sucesos, como por
ejemplo la respuesta de un transeúnte elegido al azar sobre su nivel de acep-
tación de los extranjeros en una escala de 0 (ninguna aceptación) a 5 (total
aceptación). La probabilidad de que se den todos ellos simultáneamente no
depende del orden de los mismos. Dicho de otro modo, p(A, B, C, D…, Z) =
p(a, b, c, d…, z), el espacio muestral es Ω = {0, 1, 2, 3, 4, 5}.
• p(Ω) = 1,00
La probabilidad de que ocurra un suceso seguro es igual a 1,00. Por ejemplo, la
probabilidad de que al tirar un dado salga un número de 1 a 6 es igual a
1,00. Por otra parte, sabes que el espacio muestral de la tirada de un dado es-
tá formado por los números 1, 2, 3, 4, 5 ó 6, que constituyen cada uno un ele-
mento, punto de muestreo o unidad muestral; el conjunto de los seis elemen-
tos forma el espacio muestral o universo de resultados posibles. Si sumas la
probabilidad de cada elemento del espacio muestral, obtienes 1,00.
Por cierto, ¿cuál es la probabilidad de que quien está leyendo este párrafo aho-
ra mismo sea un terrícola? Es 1,00, ¿verdad?, a menos que seas un extraterrestre.
p(∅) = 0
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 137
p(A) ≤ p(B)
d) Dado dos sucesos cualesquiera, la probabilidad de su unión es:
1
Como nos interesa más el concepto que la formalización propia de los manuales de pro-
babilidad, en adelante utilizaremos la expresión p(A o B) en lugar de p(A∩B) y p(A y B) en lu-
gar de p(A∪B).
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 138
GRÁFICO 6.2
PROBABILIDAD POR ENUMERACIÓN
Y ahora lo único que nos toca hacer es enumerar todas las fichas que cum-
plen el requisito de tener un «dos» o un «seis». Luego simplemente contamos y
observamos que son 13 las fichas que contienen un «dos» o un «seis». En conse-
cuencia, la probabilidad de obtener un «dos» o un «seis» es de
Y ahora, apliquemos la regla de la suma. Según esta regla, la probabilidad
de obtener una ficha con un «dos» es de y la probabilidad de conseguir
una con un «seis» es de . La probabilidad de sacar una ficha que tenga a la
vez un «dos» y un «seis» es igual a . Ya tenemos los datos necesarios para
aplicar la regla de la suma; es decir, la probabilidad de conseguir una ficha
con un «dos» o un «seis» es .
Y, ¿por qué debemos restar la probabilidad de obtener una ficha con un
«dos» y un «seis» a la vez? Por una sencilla razón: hemos contado la ficha con
un «dos» y un «seis» dos veces. Sin restarlo, pensaríamos de manera errónea
que existen 14 sucesos favorables en vez de 13. Compruébalo en la siguiente
secuencia de gráficos.
GRÁFICO 6.3
FICHAS DE CADA CRITERIO
Doses
Seises
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 139
GRÁFICO 6.4
CARTAS DE CADA CRITERIO
• Probabilidad y muestreo
Hasta ahora quizá hayas tenido la impresión de que probabilidad y muestreo
no están relacionados. Y sin embargo, si lo piensas un poco, verás que sí lo
están, especialmente en el caso del muestreo aleatorio, donde se procede por
extracción de una unidad y con reemplazo. Y si no es así, ¿cómo podrías re-
solver el siguiente problema?
Imagínate que tienes bajo tu responsabilidad un aula con 93 alumnos;
constituyen tu población. Resulta que esta población está dividida en tres gru-
pos: 60 alumnos de primera matrícula, 22 repetidores de segunda matrícula y
11 repetidores de tercera matrícula. Estás interesado en averiguar la probabili-
dad de que el primer alumno que selecciones sea un alumno de primera ma-
trícula o un repetidor de segunda matrícula.
En primer lugar, debes averiguar si te encuentras ante sucesos excluyentes
o no. Y en este caso, queda claro que si un alumno es de primera matrícula,
entonces no puede ser un repetidor. En consecuencia, los sucesos que estás
analizando son excluyentes. Si esto es así, puedes aplicar la regla de la suma
para sucesos excluyentes. Por tanto, p(alumno de primera matrícula o repeti-
dor de segunda matrícula) = p(alumno de primera matrícula) + p(repetidor
de segunda matrícula). Como hay 60 alumnos de primera matrícula y 22 repe-
tidores de segunda matrícula en una población de 93 individuos, p(alumno de
primera matrícula) = y p(repetidor de segunda matrícula) = . Así,
p(alumno de primera matrícula o repetidor de segunda matrícula) =
.
cualquier tirada sólo puede salir uno de los seis números. Si se cumplen estas
condiciones, la suma de las probabilidades individuales de cada evento del
conjunto debe ser igual a 1. La ecuación que refleja esta afirmación tiene la
siguiente forma, donde A, B, C..., Z son los sucesos mutuamente excluyentes
y exhaustivos:
p(A y B) = p(A)p(B|A)
• Sucesos independientes
Se considera que dos sucesos son independientes si la ocurrencia de un suce-
so A no tiene efecto sobre la probabilidad de ocurrencia de otro B. Esto suce-
de cuando aplicas el muestreo aleatorio con reemplazo, es decir, cuando
vuelves a poner la unidad extraída en la población. Si de una baraja ordinaria
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 144
extraes varias cartas al azar, pero sacándolas de una en una y con reemplazo,
obtendrás una serie de sucesos independientes, ya que, puesto que la carta A
se devuelve a la baraja antes de extraer la carta B, la ocurrencia de la carta A en
la primera extracción no tiene efecto alguno sobre la probabilidad de ocurren-
cia de la carta B. Para ser más concreto, si A fuese un «rey», como se devuelve a
la baraja antes de elegir la segunda carta, la ocurrencia de un «rey» en la prime-
ra extracción no tendrá efecto alguno sobre la probabilidad de la ocurrencia de
la carta elegida en la segunda extracción: podría volver a ser un «rey».
Eso implica que si A y B son independientes, entonces la probabilidad de
B no queda condicionada por A. Por tanto, si A no influye sobre B, la «proba-
bilidad de que ocurra B dado que A ha ocurrido», se reduce a la probabilidad
de que ocurra B, o sea p(B|A) = p(B). Esta conclusión nos lleva a revisar la
ecuación general...
p(A y B) = p(A)p(B|A)
... pero como resulta que tratándose de sucesos independientes, p(B|A) = p(B)
entonces,
Esta ecuación es muy útil si se quiere obtener una muestra más grande
que la de dos sujetos y con reemplazo. Te recuerdo los datos del aula: la po-
blación está compuesta por 60 alumnos de primera matrícula, 22 repetidores
de segunda matrícula y 11 repetidores de tercera matrícula. ¿Podrías averiguar
la probabilidad de extraer un alumno de cada categoría y en el mismo orden
del enunciado?
El problema pide un alumno de primera matrícula, un repetidor de segun-
da matrícula y un repetidor de tercera matrícula. Sabiendo que se trata de un
problema de más de dos sucesos independientes, vamos a aplicar la regla ge-
neralizada del producto para sucesos independientes. Por ello, p(un alumno de
primera matrícula, un repetidor de segunda matrícula y un repetidor de tercera
matrícula) = p(un alumno de primera matrícula) × p(un repetidor de segunda
matrícula) × p(un repetidor de tercera matrícula). Se sabe que las probabili-
dades individuales son las siguientes: p(un alumno de primera matrícula) = ;
p(un repetidor de segunda matrícula) = ; p(un repetidor de tercera matrí-
cula) = . Teniendo en cuenta que el muestreo es con reemplazo, p(un
alumno de primera matrícula, un repetidor de segunda matrícula y un repeti-
dor de tercera matrícula) = .
Y si, en lugar de extraer uno de cada categoría, sacas tres de la primera,
dos de la segunda y uno de la tercera, en ese orden, ¿serías capaz de calcular
la probabilidad de este resultado?
Si aplicas la regla del producto para varios sucesos independientes y con
reemplazo, el resultado que buscas debería ser:
• Sucesos dependientes
¿En qué caso podemos decir que nos encontramos ante sucesos dependien-
tes? Se considera que dos sucesos A y B son dependientes, cuando la proba-
bilidad de que ocurra B se ve afectada por la ocurrencia de A. La ecuación
que se aplica en esta situación es la siguiente:
P(A y B) = p(A)p(B|A)
p(el tercer alumno de primera matrícula, dado que fueron extraídos el pri-
mero y el segundo alumno de primera matrícula) = ;
p(el primer repetidor de segunda matrícula, dado que fueron extraídos los
tres alumnos de primera matrícula) = ;
p(el segundo repetidor de segunda matrícula, dado que fueron extraídos
los tres alumnos de primera matrícula y el primer repetidor de segunda
matrícula) = ;
p(el repetidor de tercera matrícula, dado que fueron extraídos los tres alum-
nos de primera matrícula y los dos repetidores de segunda matrícula) = ;
Como p(tres alumnos de primera matrícula, dos repetidores de segunda
matrícula y un repetidor de tercera matrícula) =
p(el primer alumno de primera matrícula) ×
p(el segundo alumno de primera matrícula, dado que se extrajo el primer
alumno de primera matrícula) ×
p(el tercer alumno de primera matrícula, dado que fueron extraídos el pri-
mero y el segundo alumno de primera matrícula) ×
p(el primer repetidor de segunda matrícula, dado que fueron extraídos los
tres alumnos de primera matrícula) ×
p(el segundo repetidor de segunda matrícula, dado que fueron extraídos los
tres alumnos de primera matrícula y el primer repetidor de segunda matrícula) ×
p(el repetidor de tercera matrícula, dado que fueron extraídos los tres
alumnos de primera matrícula y los dos repetidores de segunda matrícula),
entonces p(tres alumnos de primera matrícula, dos repetidores de segunda
matrícula y un repetidor de tercera matrícula) =
Acabas de comprobar que se puede aplicar la regla del producto para su-
cesos dependientes a más de dos eventos. En otras palabras, sabiendo que Z
es el último suceso, esta regla se puede generalizar de la siguiente manera:
p(A y B y C y ... y Z) = p(A)p(B|A)p(C|AB)...p(Z|ABC...)
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 148
GRÁFICO 6.5
POSIBLES RESULTADOS DE SUMA 7
A B
C D
E F
Te habrás dado cuenta de que existen seis resultados posibles cuya suma
es 7; de hecho, puede ser (A) 1 en el primer dado y 6 en el segundo, (B) 6
en el primer dado y 1 en el segundo, (C) 2 en el primer dado y 5 en el se-
gundo, (D) 5 en el primer dado y 2 en el segundo, (E) 3 en el primer dado y
4 en el segundo, y (F) 4 en el primer dado y 3 en el segundo. Has de supo-
ner que los dados son legales e independientes; esto debe autorizarte a recu-
rrir a la regla del producto para sucesos independientes con el fin de calcular
las probabilidades de (A), (B), (C), (D), (E) y (F). Sabes que cualquier número
del dado tiene la misma probabilidad de ocurrir, es decir 1/6. Por ello, puedes
pasar directamente a la siguiente etapa, consistente en determinar las probabili-
dades de (A), (B), (C), (D), (E) y (F). Por tanto:
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 149
Aquí no termina todo. Hay que tener en cuenta que de acuerdo con el
enunciado del problema, puede haber seis resultados que cumplen el requisi-
to de sumar 7. Y además resulta que los seis sucesos son exhaustivos y mutua-
mente excluyentes. De hecho si sucede A, entonces no puede ocurrir ninguno
de los demás casos. En estas circunstancias, es procedente aplicar la regla de la
suma para sucesos mutuamente excluyentes. Si te fijas muy atentamente, te da-
rás cuenta de que en realidad en el enunciado se te está planteando un pro-
blema en torno a p(suma igual a 7) = p(A o B o C o D o E o F). Esta presenta-
ción te debería recordar la ecuación generalizada de la regla de la suma para
sucesos mutuamente excluyentes que, como recordarás, tiene la siguiente for-
mulación: p(A o B o C o ... o Z) = p(A) + p(B) + p(C) + ... + p(Z).
Si esto es así, entonces p(suma igual a 7) = p(A o B o C o D o E o F) = p(A)
+ p(B) + p(C) + p(D) + p(E) + p(F).
Donde:
p(B’) = la probabilidad del complemento del suceso B.
p(A|B’) = la probabilidad del suceso A, dado que el complemento al su-
ceso B ha ocurrido
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 150
1)
2)
Por lo tanto,
0,78 0,67
0,78 0,67 0,22 0,41
( )
variable aleatoria discreta como una variable que toma un número contable
de valores, que puede ser finito o infinito. Te sugiero que vuelvas al capítulo
3 para comprender mejor esta idea.
Mantengamos la definición de variable aleatoria discreta. La función de
probabilidad de X, f(x) indica la probabilidad de que X tome el valor de x. En
otras palabras: f(x) = p(X = x).
A diferencia de una variable aleatoria discreta, una variable aleatoria conti-
nua toma valores en un intervalo de números reales; puede tomar infinitos
valores. Así ocurriría si definieras el experimento aleatorio como el tiempo, t,
medido en número de minutos que median entre el comienzo de la clase y la
llegada de los alumnos. De hecho, en este caso el espacio muestral sería: Ω =
{t; t ≥ 0}.
De momento dejemos apuntado que para calcular la probabilidad en ca-
sos parecidos, siempre que se trate de una distribución normal, aplicaremos
la siguiente fórmula:
6.7. TU TURNO
Capítulo 7
¿QUÉ ES UNA DISTRIBUCIÓN
DE PROBABILIDADES?
TABLA 7.1
UNA DISTRIBUCIÓN DE PROBABILIDADES
1 {} 0 0,000
2 {1,1} 1 0,028
3 {1,2}{2,1} 2 0,056
4 {1,3}{3,1}{2,2} 3 0,083
5 {1,4}{4,1}{2,3}{3,2} 4 0,111
6 {1,5}{5,1}{2,4}{4,2}{3,3} 5 0,139
7 {1,6}{6,1}{2,5}{5,2}{3,4}{4,3} 6 0,167
8 {2,6}{6,2}{3,5}{5,3}{4,4} 5 0,139
9 {3,6}{6,3}{4,5}{5,4} 4 0,111
10 {4,6}{6,4}{5,5} 3 0,083
11 {5,6}{6,5} 2 0,056
12 {6,6} 1 0,028
13 {} 0 0,000
1
Los experimentos binomiales se conocen también como proceso de recuento de sucesos a
favor o proceso de Bernouilli.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:03 Página 157
En el caso de que los posibles resultados sean dos, como cuando se lanza
una moneda, se suele utilizar la letra P para representar la probabilidad a fa-
vor de un determinado resultado, por ejemplo cara, y la letra Q para la probabi-
lidad en contra. Si se trata de monedas, P = 0,50 y Q = 1- P = 1 – 0,50 = 0,50. Si
se tratase de un examen, cabe la posibilidad de que la probabilidad a favor
de su superación pueda ser P = 0,25, si el tema es extremadamente complica-
do. En estas condiciones, Q = 0,75. En cambio, si el tema fuera sencillo P po-
dría ser 0,80, siendo Q = 0,20.
Con estas indicaciones, ¿serías capaz de construir la correspondiente distri-
bución de probabilidad, si lo que se busca es obtener caras al lanzar dos mo-
nedas?
TABLA 7.2
DISTRIBUCIÓN DE PROBABILIDADES BINOMIALES, DOS CARAS
Número
Posibles resultados Moneda 1ª Moneda 2ª Probabilidad
de resultados
TABLA 7.3
DISTRIBUCIÓN DE PROBABILIDADES BINOMIALES, TRES CARAS
0 0,9800 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500
2 1 0,0200 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000
2 0,0000 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
¿Qué es una distribución de probabilidades?
0 0,9700 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 159
1 0,0290 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750
3
2 0,0000 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750
3 0,0000 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
0 0,9610 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,0390 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500
4 2 0,0010 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750
3 0,0000 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500
4 0,0000 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625
159
0 0,9510 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0312
1 0,0480 0,2036 0,3280 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1562 160
2 0,0010 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125
5
3 0,0000 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125
4 0,0000 0,0000 0,0004 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1562
5 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0312
0 0,9410 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,0570 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938
2 0,0010 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344
6 3 0,0000 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125
4 0,0000 0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344
5 0,0000 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0205 0,0369 0,0609 0,0938
6 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 160
0 0,9320 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,0660 0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547
2 0,0020 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0,1641
3 0,0000 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2679 0,2903 0,2918 0,2734
7
4 0,0000 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1442 0,1935 0,2388 0,2734
5 0,0000 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641
6 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078
0 0,9230 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039
8 1 0,0750 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1373 0,0896 0,0548 0,0312
… … … … … …. … … … … …
Introducción a la estadística
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 161
INTERPRETACIÓN DE LA TABLA
DE DISTRIBUCIÓN BINOMIAL 7.2.
... donde:
n = número de intentos o experimentos.
r = número de éxitos obtenidos.
p = probabilidad a favor.
q = probabilidad en contra.
Y si no te lo crees, mira:
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 162
TABLA 7.5
TABLA DE FRECUENCIAS – DISTRIBUCIÓN BINOMIAL
0 0,0078
1 0,0547
2 0,1641
3 0,2734
4 0,2734
5 0,1641
6 0,0547
7 0,0078
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 163
µ = 3,5 : 1 = 3,5
2) σ = NPQ
Donde Q = la probabilidad en contra.
GRÁFICO 7.1
PROBABILIDAD DE 3 CARAS
0,35
0,30
0,25
0,20
0,15
GRÁFICO 7.2
PROBABILIDAD DE 6 CARAS
0,30
0,25
0,20
0,15
0,10
0,05
0 1 2 3 4 5 6
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 165
GRÁFICO 7.3
PROBABILIDAD DE 12 CARAS
0,20
0,15
0,10
0,05
0,00
0 2 4 6 8 10 12
GRÁFICO 7.4
PROBABILIDAD DE 30 CARAS
0,15
0,10
0,05
0,00
0 5 10 15 20 25 30
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 166
Donde:
x = el número de eventos ocurridos a lo largo de un determinado período.
μ = la media de eventos ocurridos en determinadas circunstancias2.
e = constante 2,71828.
P[x] = la probabilidad de ocurrencia de x eventos.
Resulta pues que este profesor debe tener una alta capacidad de tolerancia
a la interrupción, ya que en prácticamente una de cada diez clases le puede
tocar soportar que casi una decena de alumnos entre en medio de sus expli-
caciones.
¿Qué te parece si calculamos la probabilidad de que de uno a cuatro
alumnos le interrumpan? Vamos allá. Bueno, antes he de aclararte que te toca
calcular la probabilidad acumulada, es decir, desde uno hasta cuatro. Se for-
mula de la siguiente manera:
P[1≥x≤4] = P [x = 1] + P [x = 2] + P [x = 3] + P [x = 4]
2
Por cierto, en algunos libros se utiliza el símbolo λ («lambda») en vez de μ.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 168
INTERPRETACIÓN DE LA TABLA
7.4 DE DISTRIBUCIÓN DE POISSON
Vamos a hacer sólo un extracto que nos va a servir para saber cómo interpre-
tar los valores que puedes ver en multitud de libros de investigación socioe-
ducativa. Aquí sólo se recoge la parte que refleja los datos que analizamos en
los párrafos anteriores.
La tabla de probabilidades está organizada en columnas en cuyo encabe-
zamiento figura el valor de μ, como 5,0 por ejemplo. Debajo de cada enca-
bezamiento se pone la probabilidad que le corresponde a cada evento x ex-
plicitada en la primera columna izquierda de la tabla; en dicha tabla, los
valores de x van de 0 a 18, pero puede ser que en otras tablas el máximo
sea menor. Para identificar la probabilidad que se desea, basta leer vertical-
mente el valor de μ que es objeto de estudio y horizontalmente el número
de sucesos cuya probabilidad se quiere averiguar; el cruce entre la columna
y la fila señala la probabilidad que se busca. Por ejemplo, cuando el núme-
ro de eventos x es igual a 10, siendo μ igual a 5,0, su probabilidad de ocu-
rrencia por azar es de 0,0181. Eso quiere decir que si μ = 5,0, entonces es
muy difícil que el evento 10 pueda tener lugar; a lo sumo, ocurrirá en apro-
ximadamente 2 de 100 ocasiones. Si aplicas esta idea al caso de aquellos
alumnos que llegan tarde a clase, puedes afirmar que si la media es de cin-
co alumnos, a lo sumo en dos ocasiones de 100 puede ocurrir que 10 alum-
nos lleguen tarde.
Toma nota y/o comprueba: la suma de las probabilidades de cada colum-
na μ es igual a 1.
Recuerda que esta tabla es un extracto; deberías consultar una tabla más
amplia y que refleje mejor tus datos. También puedes calcular la probabilidad
TABLA 7.6
EXTRACTO DE LA TABLA DE POISSON
Valores de µ entre 5,0 y 7,0
x 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 6,8 7,0
0 0,0067 0,0055 0,0045 0,0037 0,0030 0,0025 0,0020 0,0017 0,0014 0,0011 0,0009
1 0,0337 0,0287 0,0244 0,0207 0,0176 0,0149 0,0126 0,0106 0,0090 0,0076 0,0064
2 0,0842 0,0746 0,0659 0,0580 0,0509 0,0446 0,0390 0,0340 0,0296 0,0258 0,0223
3 0,1404 0,1293 0,1185 0,1082 0,0985 0,0892 0,0806 0,0726 0,0652 0,0584 0,0521
4 0,1755 0,1681 0,1600 0,1515 0,1428 0,1339 0,1249 0,1162 0,1076 0,0992 0,0912
5 0,1755 0,1748 0,1728 0,1697 0,1656 0,1606 0,1549 0,1487 0,1420 0,1349 0,1277
¿Qué es una distribución de probabilidades?
6 0,1462 0,1515 0,1555 0,1584 0,1601 0,1606 0,1601 0,1586 0,1562 0,1529 0,1490
7 0,1044 0,1125 0,1200 0,1267 0,1326 0,1377 0,1418 0,1450 0,1472 0,1486 0,1490
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 169
8 0,0653 0,0731 0,0810 0,0887 0,0962 0,1033 0,1099 0,1160 0,1215 0,1263 0,1304
9 0,0363 0,0423 0,0486 0,0552 0,0620 0,0688 0,0757 0,0825 0,0891 0,0954 0,1014
10 0,0181 0,0220 0,0262 0,0309 0,0359 0,0413 0,0469 0:0528 0,0588 0,0649 0,0710
11 0,0082 0,0104 0,0129 0,0157 0,0190 0,0225 0,0265 0,0307 0,0353 0,0401 0,0452
12 0,0034 0,0045 0,0058 0,0073 0,0092 0,0113 0,0137 0,0164 0,0194 0,0227 0,0263
13 0,0013 0,0018 0,0024 0,0032 0,0041 0,0052 0,0065 0,0081 0,0099 0,0119 0,0142
14 0,0005 0,0007 0,0009 0,0013 0,0017 0,0022 0,0029 0,0037 0,0046 0,0058 0,0071
15 0,0002 0,0002 0,0003 0,0005 0,0007 0,0009 0,0012 0,0016 0,0020 0,0026 0,0033
16 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0005 0,0006 0,0008 0,0011 0,0014
17 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0006
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
169
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 170
GRÁFICO 7.5
DISTRIBUCIÓN DE p, SIENDO μ = 6,0
0,15
0,10
0,05
0,00
0 5 10 15
GRÁFICO 7.6
DISTRIBUCIÓN DE p, SIENDO μ = 7,0
0,15
0,10
0,05
0,00
0 5 10 15
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 171
Los valores que tienen más probabilidad de ocurrir por azar son lógica-
mente los que se encuentran muy próximos a μ: 5 y 6 en el primer caso, 6 y
7 en el segundo.
Si comparas la forma de estas dos distribuciones con la de la distribución
binomial, te darás cuenta de que éstas se caracterizan por ser asimétricas po-
sitivas: hay más valores a la izquierda de μ que a su derecha. Por otra parte,
los valores muy altos de x tienen una probabilidad cercana a 0 de ocurrir por
azar y no tienen límite superior, o sea, se extienden hasta el infinito.
La distribución de probabilidad para μ = 30 tiene la siguiente forma:
GRÁFICO 7.7
DISTRIBUCIÓN DE p, SIENDO μ = 30
0,06
0,04
0,02
0,00
15 20 25 30 35 40 45 50
GRÁFICO 7.8
PROBABILIDAD DE X ≥ 61
55 61
–3 –2 –1 0 1 2 3
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 174
TU TURNO 7.6.
Los alumnos realizan el examen teórico del primer parcial y obtienen una me-
dia de 4,977 y una desviación típica de 1,618. Suponiendo que estos datos
son poblacionales y que se distribuyen normalmente, halla:
1. La probabilidad de que un sujeto elegido al azar tenga una puntuación
típica que se encuentre entre zi = –1,04 y zi = +1,04.
2. La probabilidad de que un sujeto elegido al azar tenga una puntuación
típica que se encuentre por encima de +2,71
3. La probabilidad de que un sujeto elegido al azar tenga una puntuación
típica que se encuentre por encima de –0,62
4. La probabilidad de que un sujeto elegido al azar tenga una puntuación
típica que se encuentre por debajo de +0,83.
5. La probabilidad de que un sujeto elegido al azar tenga una puntuación
típica que se encuentre por debajo de –2,97.
6. La probabilidad de que la puntuación típica del sujeto elegido al azar se
encuentre entre zi = –1,32 y zi = +0,47.
7. La probabilidad de que la puntuación típica del sujeto elegido al azar se
encuentre entre zi = –1,29 y zi = –1,59.
8. La puntuación típica límite, sabiendo que la probabilidad de que el suje-
to seleccionado al azar supere a un cierto grupo de compañeros es de
0,85.
9. La puntuación típica límite, sabiendo que la probabilidad de que el suje-
to seleccionado al azar supere a un cierto grupo de compañeros es de
0,15.
10. Calcula la probabilidad de acertar por azar la mitad de una prueba de 10
ítems, sabiendo que p = 0,20.
11. Calcula la probabilidad de acertar por azar entre 7 y 9 ítems de una
prueba de 15 ítems, sabiendo que p = 0,25.
12. El profesor sabe que la media de aciertos del examen teórico del primer
parcial suele estar en torno a 21 de un total de 40 ítems. Si para este cur-
so el profesor no hizo nada especial para mejorar la situación, ¿cuál es la
probabilidad de que la media de aciertos sea de 25?
13. ¿Cuál es la probabilidad de que el número de aciertos del examen ante-
rior esté entre 18 y 20?
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 178
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 179
Capítulo 8
¿QUÉ ES UNA DISTRIBUCIÓN MUESTRAL?
Podría parecer que estás a punto de ver algo completamente nuevo. No estés
tan seguro. Dentro de poco te darás cuenta de que estás estudiando otro caso
particular de una simple distribución de probabilidades, pero con unas pecu-
liaridades que merece la pena conocer.
¿Te acuerdas de aquel problema general que definimos al principio del ca-
pítulo 2? Pues reléelo. Después, toma una variable, por ejemplo Conocimien-
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 180
TABLA 8.1
DISTRIBUCIÓN DE HIPOTÉTICAS MEDIAS MUESTRALES
Muestra Media de conocimientos previos fi
1ª 4,2781 1
2ª 4,3130 1
3ª 4,0126 1
4ª 3,9925 1
5ª 4,4011 1
6ª 3,8916 1
7ª 4,5623 1
¿Se trata de una distribución? Por supuesto que sí, salvo que en esta oca-
sión las puntuaciones directas, que, como sabes, son todas medias muestrales,
aparecen casualmente una sola vez. Sin embargo, si la extracción de muestras
se repitiera un número suficientemente alto de veces, entonces seguro que la
distribución de frecuencias de medias sería diferente. Así pues, podríamos de-
finir la distribución muestral de la media como el patrón de distribución de
las medias muestrales extraídas aleatoriamente de la población.
¿De esta distribución se puede hallar la media y la correspondiente desvia-
ción típica? Claro que sí. Es una distribución semejante a cualquiera de las
que ya hemos visto.
¿Se podría calcular la probabilidad de obtener por azar una determinada
media dentro de esa distribución? Desde luego que sí. Ya conoces el razona-
miento básico al respecto.
En resumen, la distribución muestral de la media es una distribución en la
que constan todos los valores que puede asumir la media, así como la proba-
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 181
Una vez hecha la selección aleatoria, puedes hallar la media tal como lo
vimos al final del capítulo 3.
Tendrás que repetir este proceso cada vez que quieras extraer una nueva
muestra aleatoria, aunque mantengas el mismo número. Se trata de un mues-
treo con reemplazo que, como recordarás, implica que un mismo sujeto pue-
de ser seleccionado en varias muestras. Quizá te parezca algo engorroso pero
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 183
resulta interesante observar que cada nueva extracción aleatoria tiene una
media que es algo diferente de las que ya hayas extraído.
Hemos realizado esta operación diez veces para cada n. Los resultados es-
tán recogidos en las siguientes tablas y los correspondientes gráficos reflejan
la forma de la distribución para distintos tamaños muestrales de n, para la va-
riable «conocimientos previos». Observa muy especialmente las puntuaciones
típicas. Las muestras están ordenadas en función de los valores Zi.
TABLA 8.2
MEDIAS PARA n = 4
–
Muestra X sX Z
5ª 3,6250 0,77728 –1,37
8ª 3,6875 0,96555 –1,20
4ª 4,0000 0,70711 –0,33
2ª 4,0625 0,80039 –0,16
9ª 4,0625 0,42695 –0,16
6ª 4,1250 0,14434 0,02
7ª 4,1250 1,79699 0,02
10ª 4,1250 0,82916 0,02
1ª 4,5000 0,86603 1,06
3ª 4,8750 0,47871 2,10
Media general 4,1180 0,36018
TABLA 8.3
MEDIAS PARA n = 25
–
Muestra X sX Z
9ª 4,0900 0,73201 –1,43
4ª 4,1400 0,95764 –1,13
2ª 4,2000 1,05574 –0,77
1ª 4,2600 0,92837 –0,42
5ª 4,2600 1,02184 –0,42
6ª 4,3700 1,00291 0,24
3ª 4,4300 0,92286 0,59
8ª 4,4300 0,90289 0,59
10ª 4,5000 0,82916 1,01
7ª 4,6200 1,10661 1,72
Media general 4,3300 0,16832
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 184
TABLA 8.4
MEDIAS PARA n = 50
–
Muestra X sX Z
2ª 4,1350 0,88238 –1,23
5ª 4,1500 0,94626 –1,02
3ª 4,1650 0,97757 –0,82
4ª 4,2000 0,96230 –0,35
6ª 4,2150 0,78573 –0,14
8ª 4,2150 0,86751 –0,14
1ª 4,2250 0,86786 –0,01
10ª 4,2700 0,95677 0,60
9ª 4,3050 0,91514 1,08
7ª 4,3750 0,79899 2,02
Media general 4,2255 0,07384
TABLA 8.5
MEDIAS PARA n = 80
–
Muestra X sX Z
9ª 4,1969 0,86025 –1,86
5ª 4,2188 0,93064 –1,30
3ª 4,2500 0,91662 –0,49
6ª 4,2563 0,89033 –0,33
2ª 4,2656 0,93655 –0,09
8ª 4,2938 0,94197 0,64
10ª 4,2938 0,94699 0,64
1ª 4,3000 0,93660 0,80
4ª 4,3031 0,94776 0,88
7ª 4,3125 0,92221 1,12
Media general 4,2691 0,03873
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 185
GRÁFICO 8.1
10 MUESTRAS DE n = 4
GRÁFICO 8.2
10 MUESTRAS DE n = 25
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 12:10 Página 186
GRÁFICO 8.3
10 MUESTRAS DE n = 50
GRÁFICO 8.4
10 MUESTRAS DE n = 80
GRÁFICO 8.5
20 MUESTRAS DE n = 80
0,5
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
–3 –2 –1 0 1 2 3
(Fórmula 8.1)
Donde:
σX– = error típico de la media.
σ = desviación típica poblacional.
N = tamaño de la muestra.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 190
(Fórmula 8.2)
Donde:
sX = desviación típica de la muestra.
N = tamaño de la muestra.
GRÁFICO 8.6
VARIABILIDAD DE 5 SUJETOS
0 100
GRÁFICO 8.7
VARIABILIDAD DE 26 SUJETOS
0 100
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 191
(Fórmula 8.3)
Donde:
–
X = media muestral.
μ = media poblacional.
σX– = error típico de la media.
Por tanto, .
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 192
Por tanto:
han sido extraídas. Sin embargo, los estadísticos tales como la media o la des-
viación típica no tienen el mismo nivel de bondad para estimar los respecti-
vos parámetros μ y σ.
Un estadístico utilizado como estimador de su correspondiente parámetro
debe tener tres propiedades: ha de ser insesgado, consistente y eficiente.
¿En qué consiste cada una de estas características?
a) Carencia de sesgo
Se considera que un estimador es insesgado si el promedio de todos los valo-
res posibles de todas las muestras posibles de tamaño n de una población es
igual al parámetro, es decir, si la media de la distribución muestral del estadís-
–
tico considerado es igual al valor del parámetro. Así, la media X es un estima-
dor insesgado de μ porque se puede demostrar que la media aritmética de
una distribución muestral coincide con el valor del parámetro.
b) Consistencia
Un estimador es consistente en la medida en que, al aumentar el tamaño de
la muestra, n, su valor se acerca cada vez más al parámetro correspondiente
o, lo que es lo mismo, si, a medida que aumenta el tamaño de la muestra, las
estimaciones que ésta proporciona son cada vez más próximas al valor del
parámetro.
Como veíamos en el apartado anterior la media sería un estimador consis-
tente, ya que al incrementarse N su valor se aproxima al parámetro.
c) Eficiencia
Un estimador es eficiente si es preciso a la hora de alcanzar los estadísticos
en la estimación de los parámetros. Dicho de otro modo, un estimador será
tanto más eficiente cuanto menos varíe de muestra a muestra de una misma
población. Como la variabilidad de una distribución muestral viene dada por
su error típico, un buen estimador será aquél que menor error típico alcance.
En general, para escoger un óptimo estimador de un parámetro, deben
combinarse los criterios de carencia de sesgo y de eficiencia. Ante dos estima-
dores insesgados del mismo parámetro, se preferirá el que tenga mayor efi-
ciencia, es decir, el que tenga el mínimo error en términos de varianza.
He aquí la clasificación de los estimadores desde la perspectiva de las tres
características que acabamos de comentar:
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 194
TABLA 8.6
CLASIFICACIÓN DE ESTIMADORES
Insesgados Sesgados
μ y σ2
Me muestral y [son esti-
madores insesgados de μ]
dias pueden adoptar un infinito número de valores. Pero, ¿sabrías indicar en-
tre qué valores podría oscilar este número infinito de medias? Si admites el
supuesto de la distribución normal de la media, entonces estarás de acuerdo
en que esta distribución de medias varía entre –∞ y +∞.
Y aquí se nos plantea otra duda. Si sólo conocemos la media de una única
muestra obtenida mediante el más escrupuloso muestreo aleatorio y a partir
de aquí pretendemos estimar la media poblacional, ¿hasta qué punto pode-
mos estar seguros de que cualquier media de la distribución se aproxima lo
bastante al parámetro como para considerarla equivalente al mismo? Sabemos
que unas están muy cerca del parámetro y otras están alejadas. Si decidimos
desechar las más alejadas del parámetro y quedarnos con las más cercanas,
entonces previamente debemos especificar el criterio que permite diferenciar
unas de otras. Se entiende que debemos elegir aquellas medias que nos per-
mitan tener un alto nivel de confianza para asegurar que entre ellas se en-
cuentra el parámetro o que cualquiera de ellas puede ser el parámetro. Eso
quiere decir que si, por ejemplo, procedemos a una nueva recogida de datos
sobre los «conocimientos previos» y obtenemos una media de 7,50, debemos
poder contestar con un alto nivel de confianza si este valor representa válida-
mente la media poblacional, sabiendo que la primera media empírica que ob-
tuvimos fue de 4,2688, o si estas dos medias representan dos muestras proce-
dentes de la misma población. Si proceden de la misma población, las
diferencias que podríamos observar diríamos que se deben al azar. Y si no
fuera así, deberíamos afirmar que las diferencias indican que las dos muestras
proceden de dos poblaciones diferentes.
Para responder a la pregunta anterior hemos de establecer unos límites,
suponiendo que la distribución muestral de la media cumple el requisito de
ser normal. Recordemos que el parámetro es un valor que tiene una alta pro-
babilidad de ser obtenido por azar al recoger los datos de una población. Pe-
ro, ¿qué significa «alta probabilidad»? En realidad la teoría no ofrece orienta-
ciones claras sobre cómo establecer un valor que sirva de criterio. La pista
procede más de lo que tradicionalmente hacen los investigadores que de una
fundamentación teórica debidamente desarrollada. El razonamiento básico,
que ya conocemos, sugiere que un suceso se debe al azar si ocurre con mu-
cha frecuencia, tomando siempre como referencia el modelo de la distribu-
ción normal. En términos probabilísticos, decimos que un suceso es aleatorio
si su probabilidad de ocurrencia por azar alcanza 0,95 ó 95%. Eso quiere de-
cir que, si repitiéramos la recogida de datos 100 veces en las mismas condi-
ciones, en 95 ocasiones obtendríamos una determinada media que considera-
ríamos equivalente al parámetro. Esto a su vez significaría que en 5 ocasiones
obtendríamos un valor diferente. En todo caso, le toca al investigador decidir
respecto a este valor.
Al tomar la decisión anterior, el investigador establece dos zonas en la dis-
tribución muestral del estadístico:
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 196
GRÁFICO 8.8
REGIÓN DE RECHAZO/ACEPTACIÓN DE LA HIPÓTESIS NULA
H1
p = 0,05
H0
p = 0,95
–3 –2 –1 0 1 2 3
Así pues, se puede decir que el intervalo confidencial está formado por el
conjunto de medias muestrales entre las cuales el investigador afirma, a un
determinado nivel de confianza, que se encuentra el parámetro (μ). Este inter-
valo está delimitado por los límites confidenciales cuyos valores están directa-
mente relacionados con el nivel de confianza.
Para calcular los límites confidenciales deberás proceder prácticamente del
mismo modo que hiciste para hallar las puntuaciones en torno a la media que
dejan entre sí una determinada proporción de sujetos. Para ello vuelve al final
del capítulo 5. En este caso, se sigue tratando de puntuaciones pero que son
en realidad medias muestrales y lo que antes llamabas proporciones ahora lo
llamas probabilidad.
Se calcula el intervalo confidencial mediante la siguiente fórmula:
(Fórmula 8.4)
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 197
Donde:
IC = intervalo confidencial.
–
X = media muestral.
σX– = error típico de la media.
Za/2 = puntuación típica que corresponde a la mitad del nivel de error.
Te preguntarás por qué razón has de dividir el nivel de error por 2. Si te fi-
jas en el gráfico 8.8, te darás cuenta rápidamente de que la región de rechazo de
la hipótesis nula está dividida en dos partes iguales. Así pues, 0,05 : 2 = 0,025.
Para determinar la puntuación típica que necesitas teniendo en cuenta cómo
está diseñada la tabla 5.1, procederás así: 1 – 0,025 = 0,975. Las tablas te pro-
porcionan una z = 1,96.
Sabiendo que la media muestral es 4,2688, el error típico de la media 0,09519
y el nivel de error 0,05, entonces los límites del intervalo confidencial son:
Límite confidencial superior = 4,2688 + (0,09519 × 1,96) = 4,2688 + 0,18657
= 4,45537.
Límite confidencial inferior = 4,2688 – (0,09519 × 1,96) = 4,2688 – 0,18657
= 4,08223.
Por tanto, se puede afirmar con un nivel de confianza del 95% que el pa-
rámetro se encuentra entre 4,08223 y 4,45537.
El producto del error típico de la media y de la puntuación típica que co-
rresponde al nivel de error se conoce como error muestral máximo.
GRÁFICO 8.9
LÍMITES DEL INTERVALO CONFIDENCIAL
Intervalo confidencial
Una cola Una cola
–3 –2 –1 0 1 2 3
DISTRIBUCIÓN t
(Fórmula 8.5)
Donde:
IC = intervalo confidencial.
–
X = media muestral.
σX– = error típico de la media.
ta/ y gl = puntuación t que corresponde a la mitad del nivel de error y
2
grados de libertad.
Grados de libertad, ¿qué será eso? Aprovechemos esta ocasión para aclarar
este importante concepto. Imagínate que tres amigos forman una peña que
juega a la quiniela regularmente y que tiene la suerte bárbara de ganar un mi-
llón de euros. Pero resulta que los tres amigos no se acuerdan de qué canti-
dad ha ido aportando cada uno y, como jugadores empedernidos —no ludó-
patas— que son, deciden repartirse el premio al azar. Piden a una persona
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 200
que pasa en ese momento por allí que diga un número entre 1 y 330.000. Sin
pensarlo dos veces, el transeúnte suelta 328.995, y esa fue la cantidad que co-
bró el primero de los amigos. Abordaron a otro transeúnte y le pidieron lo
mismo; éste dijo 329.990. ¿Hace falta parar a un tercer transeúnte? Sabiendo
que el máximo es un millón de euros y que el reparto se hace entre tres ami-
gos, no hace falta: al tercero le tocará necesariamente el resto, o sea 341.015.
Eso quiere decir que el reparto del premio sólo tiene dos grados de libertad.
Dicho de otro modo, sólo dos de los tres posibles valores pueden variar libre-
mente; el tercero está bloqueado, fijo, debido a que el total también es fijo.
Por ello, podríamos definir los grados de libertad como el número de datos
que pueden variar libremente con relación a un estadístico. En el caso que es-
tamos comentando, los grados de libertad serían N, el número de amigos que
se reparten el premio, menos 1. O sea, el último no puede variar libremente,
porque el premio total es una cantidad fija.
Sabiendo que N = 25, entonces los grados de libertad son 25 – 1 = 24. Y si
la media muestral es 4,3300, el error típico de la media 0,17720 y el nivel de
error 0,05, entonces los límites del intervalo confidencial son:
Límite confidencial superior = 4,3300 + (0,17720 × 2,064) = 4,3300 +
0,36574 = 4,69574.
Límite confidencial inferior = 4,3300 – (0,17720 × 2,064) = 4,3300 – 0,36574
= 3,96426.
Por tanto, se puede afirmar con un nivel de confianza del 95% que el pa-
rámetro se encuentra entre 3,96426 y 4,69574.
Merece la pena prestar atención a la diferencia entre las formas de la dis-
tribución de probabilidad de t cuando los grados de libertad son 4 y cuando
son 24:
GRÁFICO 8.10
DISTRIBUCIÓN DE PROBABILIDADES DE t
PARA 4 Y 24 GRADOS DE LIBERTAD
4 grados de libertad 24 grados de libertad
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 201
Es hora de volver al capítulo 2 y echar una ojeada sobre el apartado de las hi-
pótesis sustantivas. Conviene recordar que las hipótesis sustantivas reflejan lo
que cree el investigador que ocurre o podría ocurrir en la realidad que está
investigando. Por ejemplo, cuando el investigador dice que el nivel de rendi-
miento discente está en torno a 5, está expresando una creencia que puede
estar basada en una percepción más o menos difusa o en una deducción ori-
ginada en sus lecturas previas. Como manifestación de una creencia esta ex-
presión no puede ser verificada en el marco del modelo de investigación que
venimos comentando. Para su verificación, se necesita convertir la creencia, la
hipótesis sustantiva, en dos hipótesis estadísticas complementarias: la hipóte-
sis nula (H0) y la hipótesis alterna o alternativa (H1).
Se considera como hipótesis nula (H0) a la proposición conjetural en la que
se afirma que no existen diferencias entre los resultados obtenidos en la prác-
tica y los teóricos. Recuerda que el modelo teórico está basado en lo que
ocurre por azar. Por tanto, en realidad la hipótesis nula afirma que los resulta-
dos empíricos no se diferencian de los que se obtienen por azar. Por ejemplo,
en relación con la hipótesis sustantiva anterior, se podría decir: no hay dife-
rencias estadísticamente significativas entre el nivel medio de rendimiento dis-
cente y 5. Dicho de otro modo, la diferencia entre el nivel medio de rendi-
miento discente y 5 es aleatoria.
Es muy importante que te des cuenta de que todo el proceso de investiga-
ción gira en torno al contenido de la H0. No lo olvides.
Se considera como hipótesis alterna o alternativa (H1) a la proposición en
la que se afirma que sí existen diferencias entre los resultados obtenidos en la
práctica y los teóricos. Como sin duda habrás observado, viene a ser una afir-
mación contraria a la hipótesis nula.
Otro detalle importante que tomar en consideración: la formulación esta-
dística de la hipótesis alterna debe de reflejar necesariamente el contenido de
la creencia del investigador. A este respecto, la formulación puede tomar una
de dos formas:
— Hipótesis alterna bilateral, bidireccional o de dos colas
Como el investigador no está seguro de la orientación de las diferen-
cias, formula su creencia sin ofrecer una pista de lo que cree que ocu-
rre sobre la posición de las diferencias en la distribución muestral. Por
tanto, desde la perspectiva de la formulación de la hipótesis estadística
alterna sólo se puede afirmar que las diferencias se pueden encontrar
en cualquiera de los dos lados de la distribución muestral, a un nivel
de confianza dado. Por ello, este tipo de hipótesis se formularía así:
hay diferencias estadísticamente significativas entre los resultados obte-
nidos en la práctica y los teóricos. En el caso del ejemplo que estamos
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 202
GRÁFICO 8.11
HIPÓTESIS ALTERNA BIDIRECCIONAL
–3 –2 –1 0 1 2 3
GRÁFICO 8.12
HIPÓTESIS ALTERNA DIRECCIONAL
Cola positiva
–3 –2 –1 0 1 2 3
1. Formulación de H0 y de su correspondiente H1
Hipótesis nula → H0: μ = 5; esto quiere decir: el nivel medio de rendi-
miento de los alumnos es estadísticamente igual a 5.
Hipótesis alternativa → H1: μ ≠ 5; esto significa: el nivel medio de ren-
dimiento de los alumnos es estadísticamente diferente a 5. Se trata de
una H1 bilateral.
2. Elección justificada de la prueba estadística
En la investigación socioeducativa no aplicamos la primera prueba es-
tadística que se nos ocurra; debemos ser capaces de proporcionar razo-
nes lógicas para justificar la elección de una prueba u otra. De momento
estás empezando, pero más adelante esta etapa adquirirá más impor-
tancia aún.
En primer lugar, es esencial que conozcas el nivel de medida de la va-
riable que va a ser objeto de análisis. En nuestro caso, la variable rendi-
miento es una variable medida a nivel de intervalo. En segundo lugar,
debes prestar atención al número de grupos así como al número de su-
jetos en cada grupo. Sólo tenemos un grupo y en él hay de 93 sujetos,
es decir N ≥ 30. Por tanto, si pensamos en términos de distribución mues-
tral de la media, estamos en el caso del modelo de distribución normal.
Por ello, recurriremos al modelo Z o razón crítica (RC). Así pues, se tra-
ta de calcular una simple puntuación típica Zi.
3. Especificación del nivel de error o de significación (α)
Como recordarás, el establecimiento del nivel de error es una prerroga-
tiva del investigador, pero es de obligado cumplimiento. Si no se indi-
ca, no se conocería el nivel de confianza que habría que tener en las
conclusiones estadísticas.
Pongamos que nuestro nivel de error es 0,05. Teniendo en cuenta que
H1 es bilateral, la zi crítica es 1,96.
4. Definición de la distribución muestral de la media
Es posible que tengas serios problemas a la hora de la interpretación si
no comprendes el concepto de distribución muestral. Vuelve al princi-
pio del capítulo si tienes alguna duda.
La distribución muestral de la media es una distribución de probabili-
dad, que se forma con infinitas medias aritméticas obtenidas de infini-
tas muestras aleatorias de la misma población, todas del mismo tamaño
que la del problema de investigación.
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos los valores cuya probabilidad, si H0 es verdade-
ra, sea ≤ 0,05.
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 205
TABLA 8.7
VALORES CRÍTICOS DE Z PARA H1 BILATERAL O UNILATERAL
SEGÚN EL NIVEL DE ERROR
GRÁFICO 8.13
REGIÓN DE RECHAZO DE H0
–3 –2 –1 0 1 2 3
ESTADO REAL
DECISIÓN H0 es verdadera H0 es falsa
Aceptar H0 Decisión correcta Error del Tipo II [β=1-Potencia]
Rechazar H0 Error del Tipo I [α] Decisión correcta
RELACIONES ENTRE ␣, , N
Y LA POTENCIA DE UNA PRUEBA 8.7.
está constituida por todo valor igual o mayor que 5,25764. Por consiguiente,
si resulta que la media es de 5,15 y H1 fuese verdadera, entonces:
... es decir, la región crítica está constituida por todo valor igual o mayor
que 5,17752. Por consiguiente, si la media es de 5,15 y H1 fuese verdadera,
entonces:
Empieza fijando un nivel de error que sea pequeño, por ejemplo 0,05. Y
ahora te toca averiguar el tamaño de la muestra para que β sea también pe-
queño. Pongamos que tienes una población normal cuya σ = 0,91799. Se su
pone que la distribución muestral de la media es normal con ,
donde n es el valor que necesitas averiguar. Pongamos que Ho:μ = 5 y H1:
μ > 5. Si α = 0,05, la zi crítica es 1,64 para H1 unilateral. Por tanto, debes re-
chazar H0 siempre que:
Por otro lado, quieres que β sea igual a 0,15. La tabla 5.1 te informa de
que z0,15 = –1,04. Por consiguiente:
Así pues,
En consecuencia:
Es decir:
¿«ESTADÍSTICAMENTE SIGNIFICATIVO»
EQUIVALE A «EDUCATIVAMENTE RELEVANTE»? 8.8.
Rechazar una hipótesis nula equivale a afirmar que tus resultados son estadís-
ticamente significativos. Es decir, das a entender que tus resultados no se de-
ben al azar. En nuestro caso, te consideras autorizado a afirmar que el nivel
medio de rendimiento de los alumnos no sólo no es igual a 5 puntos sino
que está significativamente por debajo de 5. Ahora bien, hay que tener cuida-
do; no debes confundir lo que es estadísticamente significativo con lo que es
educativamente relevante. Un resultado estadísticamente significativo no indi-
ca que el efecto medido sea educativamente importante. Por ejemplo, en
nuestro caso, el investigador dice que espera que el nivel medio de rendi-
miento de los alumnos sea igual a 5 puntos, en una escala de 0 a 10, pero re-
INT ESTAD 02:ENSEÑANZA MATEMAT 09/03/11 10:04 Página 212
sulta que el nivel medio obtenido es igual a 4,2688 puntos. ¿Se puede consi-
derar esta diferencia educativamente relevante? Posiblemente una respuesta
positiva dependa de un conjunto de otras consideraciones colaterales como,
por ejemplo, qué significa un rendimiento de 4 en una escala de 0 a 10. En
experimentos cuidadosamente diseñados y ejecutados es posible detectar di-
ferencias aún más pequeñas, pero sigue siendo necesario preguntarnos por la
relevancia práctica o incluso teórica del efecto obtenido.
¿Y qué hacemos con los resultados no significativos? ¿Basta con aceptar
H0? Ya sabes que la aceptación de H0 puede ocurrir porque a) H0 es realmen-
te verdadera o porque b) H0 es falsa pero el experimento carece de suficiente
potencia para detectarla. Esta segunda opción nos obliga a ser muy precavi-
dos: nunca podemos aceptar H0 como verdadera si el experimento no produ-
ce resultados significativos. Lee el siguiente ejemplo y lo comprenderás fácil-
mente: tu profesor elige al azar a un grupo de cuatro compañeros tuyos y les
somete a un experimento. Pasado cierto tiempo mide el efecto para compro-
bar si ha habido mejora o no y califica a cada uno con un signo positivo si ha
habido mejora y con un signo negativo si ha retrocedido. Ponte en la situa-
ción extrema, es decir, aquélla en la que todos los alumnos mejoran o empe-
oran como consecuencia de haber sido sometidos a este experimento. La pro-
babilidad de la mejora es igual a la del empeoramiento, es decir, p = 0,50.
Esto significa que la probabilidad de los resultados posibles del profesor es:
p(4 signos positivos o 4 signos negativos) = 0,0625 + 0,0625 = 0,1250. Como
0,125 > 0,05, tienes que aceptar H0 aun sabiendo que el experimento ha sido
un éxito o un fracaso total. Seguro que te das cuenta de que en realidad de-
berías rechazar H0 ya que todos los signos son positivos o negativos. Pero de
hecho, los resultados obtenidos en este experimento no pueden ser estadísti-
camente significativos. Con toda probabilidad estés de acuerdo en que sería
un grave error aceptar H0 sencillamente porque esta prueba carece de poten-
cia. La prueba no permite rechazar H0 pero los hechos dicen lo contrario.
8.9. TU TURNO
Capítulo 9
¿CÓMO RELACIONAR DOS CARACTERÍSTICAS
DE UNA DETERMINADA MUESTRA?
Hasta ahora hemos centrado nuestros esfuerzos en el estudio de una única carac-
terística o variable de una sola muestra. Seguimos hablando de una única mues-
tra, pero vamos a ver cómo podemos establecer la relación entre dos variables. Y
antes de entrar en materia, se han de aclarar algunos conceptos importantes.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 216
APROXIMACIÓN INTUITIVA
A LA MEDICIÓN DE UNA RELACIÓN 9.2.
Las relaciones entre dos variables se pueden estudiar dibujando sobre una
gráfica los pares de medidas y representando cada par ordenado de observa-
ciones mediante un punto. Tales representaciones se denominan diagramas
de dispersión. Si los observamos, podemos tener una cierta idea sobre el gra-
do de relación entre las dos variables.
Deseamos cuantificar la relación que creemos que existe entre las dos par-
tes en que se divide el rendimiento en el primer examen del curso, a saber: la
parte teórica y la parte práctica. A título de ejemplo, tomemos los datos de los
cinco primeros alumnos del grupo.
TABLA 9.1
RENDIMIENTO EN EL PRIMER EXAMEN DEL CURSO
1º 5,08 7,00
2º 3,08 3,65
3º 3,25 2,15
4º 5,58 6,25
5º 6,58 6,50
GRÁFICO 9.1
DIAGRAMA DE DISPERSIÓN
7 1º
5º
6 4º
Parte práctica
4
2º
3
3º
2
3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5
Parte teórica
GRÁFICO 9.2
RELACIÓN PERFECTA POSITIVA
20
15
Variable 2
10
0 2 4 6 8 10
Variable 1
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 219
GRÁFICO 9.3
RELACIÓN PERFECTA NEGATIVA
20
18
16
14
Variable 2
12
10
0 2 4 6 8 10 12 14 16 18 20
Variable 1
Si ocurre lo que aparece en el gráfico 9.4, es que estamos ante una rela-
ción nula o que se debe al azar. Imagínate que de una determinada pobla-
ción sacas una muestra representativa y mides el cociente intelectual (CI) y
el peso de cada sujeto; es muy probable que obtengas una representación
amorfa si intentas representar la relación que existe entre el CI y el peso.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 220
GRÁFICO 9.4
RELACIÓN NULA
20
18
16
14
Variable 2
12
10
0 2 4 6 8 10 12 14 16 18 20
Variable 1
Volviendo al gráfico 9.1, observamos una situación que sugiere una rela-
ción que no llega a ser perfecta, pero que se aproxima bastante, y con una
orientación claramente positiva.
Una advertencia que tendrás que mantener en mente: descubrir que existe una
relación de cualquier tipo no te autoriza a afirmar que has descubierto un esque-
ma causal. Basta con contemplar el contenido de los gráficos 9.2 a 9.4 para com-
prender esta advertencia. Sin una teoría previa, no hay modo alguno de interpre-
tar causalmente la relación que se observa entre la variable 1 y la variable 2.
Ten en cuenta que la explicación de una correlación puede basarse en que:
• X es realmente la causa de Y. Ahora bien, para asegurar que esto es así,
hay que comprobar previamente el grado de cumplimiento de las con-
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 221
COEFICIENTE DE CORRELACIÓN:
CUANTIFICACIÓN DE UNA RELACIÓN 9.4.
mento de Pearson, rxy, es el más utilizado, siendo las otras variedades casos
particulares del mismo; se utiliza rxy cuando el nivel de medida de las varia-
bles es igual o superior al de intervalo.
Si lo que tienes son puntuaciones directas, puedes utilizar la siguiente fórmula:
(Fórmula 9.1)
Donde:
N = número de sujetos.
= suma de los productos cruzados de X e Y.
= raíz cuadrada.
TABLA 9.2
rxy CON PUNTUACIONES DIRECTAS
X Y X2 Y2 XY
Obtenemos:
(Fórmula 9.2)
Donde:
= raíz cuadrada.
TABLA 9.3
rxy CON PUNTUACIONES DIFERENCIALES
X Y x2 y2 xy
Obtenemos:
(Fórmula 9.3)
Donde:
N = número de sujetos.
= suma de los productos cruzados de las puntuaciones típicas de
X e Y.
ZX ZY ZXZY
Si dos distribuciones están relacionadas, esto significa que varían juntas total-
mente o hasta cierto punto. En consecuencia, se puede considerar la correla-
ción desde el punto de vista del grado de la varianza real que tienen en co-
mún las dos distribuciones. Esto es igual a r2.
GRÁFICO 9.5
r2 COMO PROPORCIÓN DE VARIANZA COMÚN
Variación común
Para tener una idea más clara de lo que implica un valor de r, conviene
prestar atención al significado de r2 puesto que r2 es la proporción de varianza
que tienen en común dos medidas. A diferencia de r, el valor de r2 se puede
considerar en términos de una proporción o porcentaje de relación. Cuando se
emplea con este objetivo, r2 se conoce como coeficiente de determinación.
GRÁFICO 9.6
RELACIÓN ENTRE ÍNDICE DE CORRELACIÓN
Y COEFICIENTE DE DETERMINACIÓN
1,00
Coeficiente de determinación
0,75
0,50
0,25
0,00
Coeficiente de correlación
O bien:
(Fórmula 9.4)
Donde:
t = valor empírico correspondiente a rxy.
r = coeficiente de correlación.
n = número de sujetos.
1 – r2 = coeficiente de alienación.
= raíz cuadrada.
O bien:
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 229
COVARIANZA 9.9.
(Fórmula 9.5)
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 232
Donde:
Sxy = covarianza.
xiyi = producto cruzado de las puntuaciones diferenciales x e y.
XY = producto cruzado de las puntuaciones directas X e Y.
N = número de sujetos.
= suma.
TABLA 9.4
COVARIANZA
X Y XY x y xy
Sx = 1,51485 Sy = 2,10339
Puntuaciones directas:
Puntuaciones diferenciales:
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 233
(Fórmula 9.6)
entre estas dos variables. Necesita otra herramienta de análisis, una que le
permita decir por ejemplo Y = f(X), o sea, Y es una función de X; lo cual im-
plica que X es la causa de Y, al menos parcialmente. Dicho en términos de su
problema de investigación, el dominio de la teoría es, en parte, la causa de
los resultados de la parte práctica del primer examen del curso. La herramien-
ta que necesita es el análisis de regresión, es decir, un método susceptible de
ayudarle a determinar la función específica que relaciona Y con X.
En la estadística moderna el término regresión no sólo refleja la interpreta-
ción biológica que le dio Galton (1822–1911) en su artículo de 1885, sino que
en general se refiere al problema de la predicción de una variable a partir del
conocimiento de otra u otras. Esto implica que previamente el investigador ha
debido establecer un marco teórico que le permita definir dos variables relacio-
nadas entre sí, de tal forma que una variable sea causa y otra efecto. Es decir, el
investigador podrá manipular la primera para ver qué ocurre en la segunda.
Cuando se utiliza el análisis de regresión, principalmente interesa la des-
cripción de una relación de predicción. El profesor de nuestro ejemplo puede
tener interés en averiguar de qué modo puede predecir el rendimiento de la
parte práctica conociendo el rendimiento de la parte teórica. Se trata, pues,
de averiguar de qué modo el dominio de la teoría determina el nivel de ren-
dimiento en la parte práctica. Esto significa que a partir de lo que sabemos de
una variable llamada causa, pretendemos predecir el valor de otra variable
considerada efecto. Por ello, la primera variable, X, recibe el nombre de varia-
ble predictora o independiente y la segunda, Y, se conoce como variable pre-
dicha, dependiente o criterio.
Se puede calcular esta predicción si se tiene un conjunto de puntuaciones
para las dos variables o aun si solamente se tienen sus medias, los errores tí-
picos de las dos medias y la correlación entre las dos variables. En cualquier
caso, interesa deducir una fórmula que permita estimar los valores pronostica-
dos de la variable predicha (Y) si se conocen los valores de la variable predic-
tora (X), así como determinar la fiabilidad de las estimaciones.
En realidad, con el análisis de regresión nos referimos al intento de des-
cribir la relación entre conjuntos de puntuaciones de dos variables mediante
una línea o una recta, conocida como recta de regresión o recta de mejor
ajuste.
Si te fijas en el gráfico 9.7 verás una recta que pasa en medio de los cinco
pares ordenados y que parece representarlos; y sin embargo, si te paras a
pensarlo, cualquier otra recta podría representar ese conjunto de cinco pun-
tos. De hecho, es infinito el número de rectas que podrían representar los
cinco pares ordenados del diagrama de dispersión. Ahora bien, sólo hay una
única recta que cumple el requisito de pasar a la mínima distancia de los cin-
co puntos a la vez. Piensa en esta recta como si fuera una línea óptima de
fuerza y lo entenderás perfectamente. Cualquier otra recta pasa necesariamen-
te a una distancia mayor.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 235
El método utilizado para ajustar una recta de estas características a una nu-
be de puntos es el método de los mínimos cuadrados. Este nombre se debe a
que si nuestro interés reside en la predicción de Y a partir de X, el método de
mínimos cuadrados nos ayuda a colocar la recta de tal forma, que la suma
de los cuadrados de las distancias de cada par ordenado a la recta, medidas
dichas distancias sobre el eje Y, sea la mínima posible.
GRÁFICO 9.7
RECTA DE REGRESIÓN
6
Parte práctica
2
3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5
Parte teórica
(Fórmula 9.7)
(Fórmula 9.8)
(Fórmula 9.9)
(Fórmula 9.10)
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:17 Página 237
(Fórmula 9.11)
TABLA 9.5
ERRORES DE PREDICCIÓN PARA DISTINTOS VALORES DE rxy
rxy
Un detenido análisis de esta tabla nos muestra que, incluso para valores
realmente altos de rxy, la magnitud del error de estimación es bastante consi-
derable y que la disminución del error de estimación es más lenta que el au-
mento de la correlación. Esto nos indica que cuando hagamos predicciones
de los valores de una variable a partir de los de otra, debemos tener mucho
cuidado con el alcance de nuestras afirmaciones.
Por otra parte, el error típico de estimación tiende a ser relativamente
grande cuando la muestra es pequeña.
Nótese que el error típico de estimación no es sensible al signo de rxy.
Desde el punto de vista de la predicción, una correlación de –0,70, por ejem-
plo, proporciona la misma exactitud en la estimación que una correlación de
+0,70.
Cuando se utilizan puntuaciones típicas, el error típico de estimación es
sencillamente , o sea, la raíz cuadrada del coeficiente de alienación.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 240
GRÁFICO 9.8
RECTA DE REGRESIÓN Y PREDICCIÓN DE Y
6
Parte práctica
2
3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5
Parte teórica
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 241
CON LA AYUDA
DE PROGRAMAS INFORMÁTICOS 9.14.
FIGURA 9.1
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «CORRELACIONES»
FIGURA 9.2
SELECCIÓN DE VARIABLES QUE ANALIZAR
FIGURA 9.3
RESULTADOS DEL ANÁLISIS DE CORRELACIÓN DE PEARSON
Correlaciones
Teoría 1 Práctica 1
FIGURA 9.4
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «REGRESIÓN»
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 244
FIGURA 9.5
SELECCIÓN DE LA VARIABLE DEPENDIENTE
Y DE LA VARIABLE INDEPENDIENTE
FIGURA 9.6
RESULTADOS DEL ANÁLISIS DE REGRESIÓN LINEAL
Coeficientes no Coeficientes
estandarizadas estandarizados
Modelo t Sig.
B Error tip. Beta
TU TURNO 9.15.
Capítulo 10
¿CÓMO AVERIGUAR SI DOS MUESTRAS SON
SIMILARES O NO EN UNA DETERMINADA
CARACTERÍSTICA?
(Antes de proseguir, te recuerdo que es importante que eches una atenta mi-
rada retrospectiva sobre el capítulo 2; el apartado 2 que trata de la aproxi-
mación a la clasificación de los diseños según el criterio del grado de con-
trol, merece una atención especial. Detente sobre las funciones de las
variables en el marco de los diseños experimentales y muy especialmente so-
bre los conceptos de variable dependiente e independiente.)
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 249
(Fórmula 10.1)
Donde:
σdif = error típico de las diferencias entre medias.
N = número de sujetos de cada uno de los grupos A y B.
S2 = varianza de cada uno de los grupos A y B.
= raíz cuadrada.
(Fórmula 10.2)
Donde:
σdif = error típico de las diferencias entre medias.
N = número de sujetos de cada uno de los grupos A y B.
S2 = varianza de cada uno de los grupos A y B.
= raíz cuadrada.
(Fórmula 10.3)
Donde:
σdif = error típico de las diferencias entre medias.
N = número de sujetos de cada uno de los grupos A y B.
S2 = varianza de cada uno de los grupos A y B.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 251
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 251
(Fórmula 10.4)
Donde:
σdif = error típico de las diferencias entre medias.
N = número de sujetos de cada uno de los grupos A y B.
S2 = varianza de cada uno de los grupos A y B.
rAB = coeficiente de correlación entre las puntuaciones A y B.
S = desviación típica de cada uno de los grupos A y B.
Sdif = desviación típica de la distribución de diferencias entre las
puntuaciones A y B.
= raíz cuadrada.
CASO DE N GRANDE
Y MUESTRAS INDEPENDIENTES 10.2.
tencia a las clases de apoyo ha supuesto una mejora (véase capítulo 2, aparta-
do «Hipótesis sustantivas»). Para despejar sus dudas, el profesor procede al
consiguiente contraste de hipótesis respecto de la parte práctica de dicho
examen.
1. Formulación de H0 y de su correspondiente H1
Hipótesis nula: H0: μA – μB = 0 o bien μA = μB. El rendimiento pro-
medio obtenido por los alumnos que asistieron a las clases de apoyo
es estadísticamente similar al rendimiento promedio de los que asistie-
ron sólo a las clases tradicionales.
Hipótesis alternativa: H1: μA ≠ μB. El rendimiento promedio obtenido
por los alumnos que asistieron a las clases de apoyo es estadísticamen-
te diferente al rendimiento promedio de los que asistieron sólo a las
clases tradicionales.
2. Elección justificada de la prueba estadística
Para elegir la prueba estadística que se debe aplicar es necesario tener
en cuenta tanto la variable dependiente como la independiente. En
cuanto a la variable dependiente, rendimiento en la parte práctica, se
trata de una variable de intervalo. La variable independiente, métodos
de enseñanza, es una variable nominal que tiene dos valores: a) con
clases de apoyo y b) sin clases de apoyo. La prueba estadística adecua-
da es la que nos permite establecer la diferencia entre dos medias; ésta
es la prueba conocida como t de Student, desarrollada por William
Gosset (1876-1937). Como uno de los grupos comprende 61 sujetos, se
considera que estamos en el caso de N>30. Por tanto, el modelo de dis-
tribución de las diferencias entre medias es el de la distribución nor-
mal, modelo Z o de la Razón Crítica para dos muestras grandes e in-
dependientes.
3. Especificación del nivel de error o de significación (α)
Nivel de error: 0,01.
4. Definición de la distribución muestral de Zi
La distribución muestral es una distribución de probabilidad, que se
forma con infinitos valores de Zi obtenidos de infinitas muestras aleato-
rias de la misma población, todas del mismo tamaño que la del proble-
ma de investigación.
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos los valores cuya probabilidad, si H0 es verdade-
ra, sea ≤ 0,01.
Puesto que H1 no indica la dirección de las diferencias, la zona de re-
chazo está situada en ambos extremos de la distribución e incluye to-
dos los valores cuya probabilidad sea ≤ 0,01.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 253
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 253
(Fórmula 10.5)
Donde:
Zi = puntuación típica correspondiente a la diferencia entre medias.
–
X = media de cada una de las dos muestras.
H0 = valor que representa la hipótesis nula.
σdif = error típico de las diferencias entre medias.
TABLA 10.1
ESTADÍSTICOS DESCRIPTIVOS: CLASES DE APOYO
No 61 3,5984 2,85292
Primero, hallamos el error típico partiendo del supuesto de que las dos
muestras son grandes e independientes:
CASO DE N GRANDE
10.3. Y MUESTRAS CORRELACIONADAS
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 255
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos los valores cuya probabilidad, si H0 es verdade-
ra, sea ≤ 0,05.
Puesto que H1 no indica la dirección de las diferencias, la zona de re-
chazo está situada en ambos extremos de la distribución e incluye to-
dos los valores cuya probabilidad sea ≤ 0,05.
6. Cálculo del estadístico: prueba estadística
Para calcular el valor de Zi utilizamos la siguiente fórmula:
(Fórmula 10.5)
Donde:
Zi = puntuación típica correspondiente a la diferencia entre medias.
–
X = media de cada una de las dos muestras.
H0 = valor que representa la hipótesis nula.
σdif = error típico de las diferencias entre medias.
TABLA 10.2
ESTADÍSTICOS DESCRIPTIVOS:
PARTE TEÓRICA Y PARTE PRÁCTICA
CASO DE N PEQUEÑA
10.4. Y MUESTRAS CORRELACIONADAS
Sin embargo, aquí no terminan las ganas de saber del profesor en cuanto a
su materia. Ahora, el profesor se interesa por lo que ocurre con los alumnos
que aceptaron participar activamente a las clases de apoyo que diseñó: ¿rin-
den como la clase en su conjunto en la parte teórica y en la parte práctica?
Para calcular el error típico, tenemos que recordar que el tamaño de N
es pequeño y que las dos muestras están relacionadas; por ello, se aplica la
fórmula 10.4.
Primero, calculas los valores de una nueva columna, la de la diferencia
entre las puntuaciones de la parte teórica y las de la parte práctica. Des-
pués, averiguas la desviación típica de esta columna y obtienes 2,2222. Este
valor equivale a Sdif.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 257
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 257
TABLA 10.3
PRUEBA t PARA N = 12 Y MUESTRAS CORRELACIONADAS
1
Si utilizas los programas SPSS o EXCEL obtienes un valor de σdif ligeramente más pequeño
(0,64149) debido a que ambos programas aplican la fórmula 10.3 en lugar de la fórmula 10.4.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 258
CASO DE N PEQUEÑA
10.5. Y MUESTRAS INDEPENDIENTES
Y finalmente si, en vez de comparar los 12 alumnos del experimento consigo
mismos, el profesor los compara con otros 12 compañeros elegidos al azar
entre los 61 que no asistieron a las clases de apoyo, ¿obtendrá los mismos re-
sultados que ya observó con la clase en su conjunto?
Esta vez vamos a obviar el detalle del contraste de hipótesis y pasar direc-
tamente al cálculo de la prueba estadística.
TABLA 10.4
PRUEBA t PARA N = 12 Y MUESTRAS INDEPENDIENTES
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 259
FIGURA 10.1
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «COMPARAR MEDIAS»
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 261
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 261
FIGURA 10.2
SELECCIÓN DEL TIPO DE ANÁLISIS DE DIFERENCIA DE MEDIAS
Y DE LAS VARIABLES QUE ANALIZAR
FIGURA 10.3
DEFINICIÓN DE LOS VALORES DE LA VARIABLE INDEPENDIENTE
TABLA 10.5
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
Estadísticos de grupo
Prueba de Levene
para la igualdad
de varianzas Prueba T para la igualdad de medidas
95% intervalo de
confianza para la
Error tip. diferencia
Sig. Diferencia de la
F Sig. t gl (bilateral) de medias diferencia Inferior Superior
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 263
Teoría I Se han asumido ,938 ,363 1,047 71 ,299 ,53427 ,51049 –,48361 1,55215
varianzas iguales
Práctica I Se han asumido 13,849 ,000 2,233 71 ,029 1,90997 ,85530 ,20456 3,61538
varianzas iguales
¿Cómo averiguar si dos muestras son similares o no en una determinada característica? 265
FIGURA 10.4
SELECCIÓN DEL TIPO DE ANÁLISIS DE DIFERENCIA DE MEDIAS
En este caso, partimos de lo que sabemos de una única muestra; por tan-
to, seleccionamos la opción de la «Prueba T para una muestra…».
FIGURA 10.5
SELECCIÓN DE LA VARIABLE QUE ANALIZAR E IDENTIFICACIÓN
DEL VALOR DE PRUEBA
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 266
TABLA 10.7
ESTADÍSTICOS INFERENCIALES PARA EL CONTRASTE
DE HIPÓTESIS PARA UNA MUESTRA
95% Intervalo de
confianza para la
diferencia
Sig. Diferencia
t gl (bilateral) de medias Inferior Superior
Como decíamos más arriba, los datos que te interesan en esta tabla son: el
valor empírico de t, –3,340, y la probabilidad asociada, 0,001. Por tanto, pue-
des decir que la probabilidad de obtener por azar una media igual a 5 es de
0,001.
10.8. TU TURNO
Capítulo 11
¿CÓMO AVERIGUAR SI TRES MUESTRAS
O MÁS SON SIMILARES O NO EN
UNA DETERMINADA CARACTERÍSTICA?
(¡Otra mirada atrás antes de proseguir! Pues sí. Te convendría revisar el ca-
pítulo 4 y concretamente el apartado 2, que trata de las medidas de disper-
sión o de variabilidad. Detente especialmente en el concepto de varianza.)
las medias de las muestras dos a dos, y eso nos permitiría saber si existen di-
ferencias estadísticamente significativas. Ahora bien, en este caso, la compara-
ción de pares de medias es una técnica que carece de parsimonia. De hecho,
en el caso de tres muestras tendríamos que repetir la misma operación tres
veces, ya que habría que comparar la media de la primera con la de la segun-
da muestra y posteriormente con la de la tercera muestra. Finalmente, se de-
bería comparar la media de la segunda muestra con la de la tercera. Y además
al hacerlo así se pierde de vista el conjunto del problema de investigación. En
aplicación de la ley del mínimo esfuerzo, procurando obtener el máximo be-
neficio, habría que utilizar una técnica capaz de proporcionar el mismo resul-
tado que las tres comparaciones, pero con una única ejecución. Esta técnica
existe y se conoce como análisis de varianza.
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 269
ta que por la mañana los alumnos están más descansados que por la
tarde. Eso significa que el nivel de descanso es un factor que, sin ser el
objeto de estudio, sistemáticamente favorece más a los alumnos matuti-
nos que a los vespertinos. En cualquier experimento inciden tanto fac-
tores conocidos, cuyo efecto puede ser neutralizado o controlado, co-
mo desconocidos.
4. Varianza experimental: es la que se debe a la manipulación de la va-
riable independiente o experimental. Cuando al ejecutar un determina-
do diseño de investigación, un investigador asigna aleatoriamente el
tratamiento A al grupo A y el tratamiento B al grupo B, espera que se
produzcan diferencias entre ambos que sean atribuibles en gran medi-
da al factor que ha manipulado. Naturalmente se trata de diferencias
que han de ser sistemáticas y producirse en el sentido hipotetizado por
el investigador. Por tanto, la varianza experimental es por naturaleza
sistemática.
5. Varianza de error o aleatoria: una multitud de factores puede influir
sobre un diseño experimental. De éstos, en el mejor de los casos, el in-
vestigador es capaz de identificar unos cuantos que de algún modo
controlará. En cuanto al resto, al investigador le cabe la sospecha de
que están allí y de que están influyendo subrepticiamente; no los con-
trola pero espera que influyan por igual en todos los grupos o trata-
mientos. Por ello, tras identificar la parte de la varianza total que co-
rresponde a cada una de las fuentes sistemáticas conocidas, concluye
que lo que queda sin identificar es la varianza de error o aleatoria.
De lo que se acaba de explicar cabe deducir que cuando obtenemos un
dato de una medición en realidad, lo que tenemos entre manos es la suma de
varios componentes. Así, en el caso de obtener un valor Xi de un experimen-
to en el que manipulamos un único factor, este valor puede considerarse co-
mo la suma de una parte poblacional, una parte sistemática debida al factor
experimental y una parte aleatoria. Eso quiere decir que el modelo de análisis
de la varianza de un único factor se puede representar del siguiente modo:
Xig = μ + αg + εig ; donde:
Xig = es el valor de la variable dependiente medido para el sujeto i del
grupo o tratamiento g; se trata del valor tal y como lo obtenemos al
aplicar cualquier instrumento de medida.
μ = es el valor de la media de la variable Xi en la población. Como ya
sabes, éste es un valor que en general se desconoce, a menos que
se trate de una población finita o de reducido tamaño.
αg = es el efecto que el tratamiento g produce. Este efecto tiene un valor
constante. En otras palabras, se trata de un valor igual para cualquier
miembro del grupo g. Por otra parte, todos los individuos de la
muestra lógicamente tienen la misma media μ pero al haber sido
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 270
Xig = μ + αg + εig.
Rendimiento = 4 + 2,5 + 0,5.
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 271
TABLA 11.1
PARTICIÓN DE LA VARIANZA TOTAL
1º 6,50 6,25
2º 3,50 1,75
3º 1,75 0,00
4º 7,00 5,50
5º 6,50 0,75
6º 6,25 6,80
7º 5,50 0,00
8º 6,50 0,00
9º 6,60 7,60
TABLA 11.2
CÁLCULO DE LA VARIANZA TOTAL
Xi xi xi2
168,4400
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 273
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 273
TABLA 11.3
CÁLCULO DE LA VARIANZA EXPERIMENTAL O INTERGRUPOS
Xi xi x2i
2,9200
TABLA 11.4
CÁLCULO DE LA VARIANZA DENTRO
DE LOS GRUPOS O INTRAGRUPOS
Xi xi x2i Xi xi x2i
32,4592 100,9390
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 275
TABLA 11.5
TABLA DE LOS DATOS ORIGINALES DE LOS TRES GRUPOS
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 277
1. Formulación de H0 y de su correspondiente H1
Hipótesis nula: o bien H0: μA = μB= μC. No hay diferen-
cias estadísticamente significativas en rendimiento debidas al método
de estudio elegido por cada alumno.
Hipótesis alternativa: o bien H1: μA ≠ μB ≠ μC. Hay dife-
rencias estadísticamente significativas en rendimiento debidas al méto-
do de estudio elegido por cada alumno.
2. Elección justificada de la prueba estadística
Al igual que para la prueba t, la elección de la prueba estadística que
aplicar exige tener en cuenta tanto la variable dependiente como la inde-
pendiente. En cuanto a la variable dependiente, rendimiento en la parte
práctica, se trata de una variable de intervalo. La variable independiente,
métodos de estudio, es nominal; define tres grupos independientes. La
prueba estadística adecuada es la que permite establecer la diferencia
entre más de dos medias a la vez; ésta es la prueba F llamada así por
Snedecor (1957)1 en honor a R. A. Fisher.
3. Especificación del nivel de error o de significación (α)
Nivel de error: 0,05.
4. Definición de la distribución muestral del estadístico F
La distribución muestral es una distribución de probabilidad que se for-
ma con infinitos valores de F obtenidos de infinitas muestras aleatorias
de la misma población, todas del mismo tamaño que la del problema
de investigación.
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos los valores cuya probabilidad, si H0 es verdade-
ra, sea ≤ 0,05.
6. Cálculo del estadístico: prueba estadística
Como veíamos en el primer apartado, nuestro próximo cometido con-
siste en partir la varianza total en dos componentes, la varianza inter-
grupos y la varianza intragrupos. Esta vez en lugar de utilizar las pun-
tuaciones diferenciales, vamos a recurrir a las puntuaciones directas.
Por ello, cuando calculemos las sumas cuadráticas será necesario corre-
gir el resultado obtenido mediante el término de corrección.
Por cuestiones de orden práctico, resulta más cómodo hallar primero
todos los cuadrados de las puntuaciones directas para aplicar las fór-
mulas adecuadas.
1
Snedecor, G. W. (1957): Statistical methods. Iowa State Univ. Press, Ames, EE.UU. (5th ed.).
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 278
TABLA 11.6
DATOS DE LOS TRES TRATAMIENTOS
(Fórmula 11.1)
Donde:
SCT = sumas cuadráticas totales.
Para calcular las sumas cuadráticas entre los grupos, utilizamos la siguiente
fórmula:
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 279
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 279
(Fórmula 11.2)
Donde:
SCE = sumas cuadráticas entre los grupos.
(Fórmula 11.3)
Donde:
SCD = sumas cuadráticas intragrupos.
SUCINTAS CONSIDERACIONES
11.5. EN TORNO A LA LÓGICA DE F
Conviene que recordemos que la hipótesis que se debe poner a prueba es
una afirmación global, según la cual no hay diferencias estadísticamente signi-
ficativas en rendimiento debidas al método de estudio. En consecuencia, el
análisis de varianza debe poder decirnos si hay una variación significativa en-
tre las medias de esta afirmación global; no nos proporcionará información
alguna sobre comparaciones de medias tomadas de dos en dos. El análisis de
varianza se centra en la cuestión de si las tres muestras proceden de la misma
población en términos de sus medias.
Hasta ahora, hemos visto cómo las medias de los tres grupos varían. En bue-
na lógica, cuanto más difieran en rendimiento entre sí, más variabilidad habrá
entre sus medias. Es decir, el incremento de la diferencia entre las medias de
los grupos se traduce lógicamente en el incremento correlativo de la varianza in-
ter-grupos. Lo que necesitamos ahora es descubrir el mejor modo de interpretar
esta varianza, o sea, determinar la probabilidad de que ocurra, si se cumple H0.
Supongamos que aceptamos que los tres grupos proceden de la misma
población. Si esto es cierto, entonces, ¿cuánta variabilidad habría entre las
puntuaciones individuales en esta población? En realidad, esta variabilidad ya
la hemos estimado: es la variabilidad que observamos dentro de cada grupo y
que llamamos varianza aleatoria.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 281
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 281
(Fórmula 11.4)
(Fórmula 11.5)
Donde:
MC = medias cuadráticas.
SC = sumas cuadráticas.
gl = grados de libertad.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 282
2 15 17
Donde:
G = número total de grupos o tratamientos.
N = número total de sujetos.
n = número de sujetos de cada grupo o tratamiento.
Una vez conocidos los grados de libertad, estamos en condiciones de ave-
riguar las medias cuadráticas intergrupos e intragrupos:
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 283
TABLA 11.7
TABLA RESUMEN DE F
Total 109,766250 17
FIGURA 11.1
DISTRIBUCIÓN DE PROBABILIDAD DE F
PARA 2 Y 15 GRADOS DE LIBERTAD
1,0
0,8
0,6
0,4
0,2
0,0
0 2 4 6 8 10 12
F
(Fórmula 11.6)
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 285
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 285
Donde:
σdif = error típico de la distribución de diferencias entre medias.
MCD = medias cuadráticas intragrupos.
n1, n2 = número de sujetos de cada grupo o tratamiento.
En este caso:
(Fórmula 11.7)
Donde:
FAB = puntuación típica correspondiente a la diferencia entre las
medias A y B.
= valor absoluto de la diferencia entre las medias A y B.
σdif = error típico de la distribución de diferencias entre medias.
Lógicamente, para cada diferencia entre dos medias habrá que calcular
el correspondiente valor FAB:
• Diferencia entre las medias A y B:
(Fórmula 11.8)
Donde:
Scrítica = equivalente de una puntuación típica correspondiente a
una Zi crítica.
K = número de grupos o tratamientos.
F(K-1)(N-1),α = valor de la tabla F cuyos grados de libertad son K-1 y N-1, al
α señalado.
(Fórmula 11.9)
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 287
TABLA 11.8
DATOS DE LOS TRES TRATAMIENTOS
Para calcular las sumas cuadráticas totales, utilizamos la fórmula 11.1 que
ya conocemos y obtenemos:
Al igual que para las sumas cuadráticas totales obtenemos los mismos re-
sultados por las mismas razones. De hecho, siguen siendo tres los grupos o
tratamientos. Por otra parte, si te fijas en las siguientes fórmulas que puedes
encontrar en algunos manuales, es probable que te des cuenta de su gran si-
militud:
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 289
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 289
(Fórmula 11.11)
Donde:
SCENTRE FILAS = sumas cuadráticas entre filas.
Donde:
SCR = sumas cuadráticas residuales.
SCT = sumas cuadráticas totales.
SCET = sumas cuadráticas entre tratamientos.
SCEF = sumas cuadráticas entre filas.
Así:
(Fórmula 11.12)
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 291
Una vez calculadas las diferentes sumas cuadráticas que, como sabes, son
estimaciones de las correspondientes varianzas poblacionales, debemos deter-
minar los grados de libertad de cada una con el objeto de llevar a cabo las
estimaciones de varianzas para la muestra del estudio. Para ello, podemos
guiarnos por el contenido de la siguiente tabla:
TABLA 11.9
TABLA RESUMEN PARA EL ANÁLISIS DE VARIANZA
DE MUESTRAS CORRELACIONADAS
TABLA 11.10
TABLA RESUMEN DE LOS RESULTADOS DEL ANÁLISIS
DE VARIANZA PARA MUESTRAS RELACIONADAS
Total 109,76625 17
acepta H0. Al tomar esta decisión, se podría cometer un error del Tipo II. La
igualación de los sujetos por fila no produce efectos sensibles en el rendi-
miento en esta materia.
FIGURA 11.2
MEDIAS DE LOS TRES MÉTODOS DE ESTUDIO
8,00
6,00
95% IC Rendimiento
4,00
2,00
0,00
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 293
(Fórmula 11.13)
Donde:
η = coeficiente «eta».
SCE = sumas cuadráticas inter-grupos.
SCT = sumas cuadráticas totales.
= raíz cuadrada.
(Fórmula 11.14)
Donde:
RI = coeficiente o correlación intraclase.
MCE = medias cuadráticas intergrupos.
MCD = medias cuadráticas intragrupos.
n = número de sujetos de cada grupo.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 294
Como sin duda habrás observado el valor de RI (0,4209142) está más cer-
ca de η2 (0,4168478) que de η (0,6456375). RI y η2 reciben la misma interpre-
tación. RI y η2 se asemejan especialmente en lo que concierne a los princi-
pios que guían su concepción: en ambos casos se trata de comparar la
varianza intergrupos con la varianza total o la varianza aleatoria. Se entiende
que cuanto mayor sea la varianza intergrupos con respecto a la varianza total
o a la varianza aleatoria, mayor es la correlación entre la variable indepen-
diente y la variable dependiente.
TABLA 11.11
ANÁLISIS DE VARIANZA PARA DOS GRUPOS
XA X A2 XB XB2
1º 6,50 42,2500 6,25 39,0625
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 295
XA X A2 XB XB2
Sabiendo que los grados de libertad son 23 para las SCT, 1 para las SCE y
22 para las SCD, podemos calcular la información restante para la tabla resu-
men de F:
TABLA 11.12
ANÁLISIS DE VARIANZA PARA DOS GRUPOS INDEPENDIENTES
Total 168,440000 23
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 296
Ahora consulta el apartado del capítulo anterior que trata del «caso de n
pequeño y muestras independientes». El resultado que obtuviste en la parte
práctica es de t i = 2,40391. Si elevas este valor al cuadrado, obtienes
2,403912 = 5,7787833. Compara el valor de F (5,7790579) con el de t2
(5,7787833) y verás que son prácticamente iguales. Por ello se suele estable-
cer la siguiente igualdad en el caso de dos grupos independientes: F = t2.
Por cierto, no es necesario que n sea igual para todos los grupos. Así sue-
le ocurrir en los diseños con grupos naturales.
CON LA AYUDA
11.10. DE PROGRAMAS INFORMÁTICOS
FIGURA 11.3
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «ANOVA DE UN FACTOR»
DENTRO DE «COMPARAR MEDIAS»
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 297
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 297
FIGURA 11.4
SELECCIÓN DE LAS VARIABLES QUE ANALIZAR
Puede ser útil prever la aplicación de los contrastes posteriores puesto que
esperas que las diferencias resulten estadísticamente significativas. Para ello
abres la ventana «Post hoc» y marcas la prueba o pruebas que desees. En este
caso, se ha seleccionado la prueba de Scheffé. Una vez terminado, pulsas
«Continuar» y esta ventana se cierra.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 298
FIGURA 11.5
SELECCIÓN DE LOS CONTRASTES POSTERIORES QUE APLICAR
FIGURA 11.6
SELECCIÓN DE OPCIONES
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 299
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 299
TABLA 11.13
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
Descriptivos
Práctica I
Intervalo de confianza
para la media al 95%
TABLA 11.14
ESTADÍSTICOS INFERENCIALES PARA LA PRUEBA
DE HOMOGENEIDAD DE VARIANZAS
Práctica I
Estadístico
gl1 gl2 Sig.
de Levene
5,489 2 67 ,006
TABLA 11.15
ESTADÍSTICAS INFERENCIALES PARA EL CONTRASTE
DE HIPÓTESIS
ANOVA
Práctica I
Al igual que en la tabla anterior, utilizas «Sig.» para proponer una inter-
pretación estadística como la siguiente: la probabilidad de obtener por
azar una F empírica de 3,080 es de 0,053; como esta probabilidad es
mayor que 0,050, se debe aceptar H0 y admitir al mismo tiempo la po-
sibilidad de cometer un error del Tipo II. En consecuencia, puedes de-
cir que el método de estudio no influye en las diferencias de rendi-
miento en esta materia.
d) La tercera tabla contiene los datos relativos a los contrastes posteriores
(Scheffé y DMS).
TABLA 11.16
CONTRASTES POSTERIORES: PRUEBA DE SCHEFFE
Comparaciones múltiples
Variable dependiente: Práctica I
Scheffé
Intervalo de confianza
al 95%
¿Cómo averiguar si tres muestras o más son similares o no en una determinada característica? 301
TABLA 11.17
CONTRASTES POSTERIORES: PRUEBA DMS
Comparaciones múltiples
Variable dependiente: Práctica I
DMS
Intervalo de confiaza
al 95%
Como puedes observar, esta tabla nos sorprende con una diferencia
significativa en rendimiento entre Prácticas y Campus virtual. La dife-
rencia entre los resultados DMS y Scheffé radica en que, dada la amplia
disparidad de los tamaños muestrales, la segunda recurre a la media ar-
mónica en vez de a la media aritmética y además no garantiza el recha-
zo de H0 si es falsa. Recuerda que la media armónica es notablemente
más pequeña que la media aritmética.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 302
11.11. TU TURNO
1. La manipulación de la variable independiente produce un tipo de varian-
za que se conoce como:
1. Varianza experimental.
2. Varianza muestral.
3. Varianza aleatoria.
4. Varianza de muestreo.
2. La varianza total se divide en al menos dos componentes que son
1. Varianza poblacional y varianza muestral.
2. Varianza experimental y varianza aleatoria.
3. Varianza de muestreo y varianza muestral.
4. Varianza experimental y varianza sistemática.
3. Si αg tiene el mismo valor para los g grupos, entonces se puede concluir
que:
1. La varianza experimental es igual a 0.
2. La varianza de error es igual a 1.
3. El efecto del experimento es óptimo.
4. La varianza debida a la manipulación de la variable experimental es
máxima.
4. Si al realizar los cálculos estadísticos obtienes una F = 1, entonces puedes
estar seguro de que
1. Hay un error en tus cálculos.
2. La varianza experimental y la varianza de error son iguales.
3. La varianza experimental es superior a la varianza de error.
4. El efecto debido al azar es muy superior al efecto debido a la manipu-
lación de la variable experimental.
5. Teniendo en cuenta el contenido de tu base de datos, formula una hipó-
tesis sustantiva como la siguiente: los métodos de estudio utilizados para
aprender esta materia deben producir efectos diferentes. Después, trans-
forma tu hipótesis sustantiva en una hipótesis estadística y procede al
contraste de hipótesis. Es mejor que utilices algún programa estadístico
para ayudarte en el análisis de tus datos. Recuerda que antes de interpre-
tar los resultados debes comprobar si se cumple el supuesto de homosce-
dasticidad, en el caso de que tu hipótesis haga referencia a grupos inde-
pendientes.
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 303
Capítulo 12
¿CÓMO AVERIGUAR SI DOS O MÁS
VARIABLES DEBIDAMENTE CONTROLADAS
INFLUYEN SIMULTÁNEAMENTE SOBRE
UN DETERMINADO RESULTADO?
(Si hay algún concepto que no te haya quedado claro, más vale revisar a
fondo aquello que esté confuso antes de proseguir. En este capítulo vas a am-
pliar tus conocimientos y habilidades. Es muy importante prestar atención
al proceso de partición de la varianza total.)
determina dos grupos, por ejemplo uno de control y otro experimental. Supon-
gamos que tenemos dos variables independientes como «métodos de estudio de
esta materia» y tipo de «estudios cursados en Bachillerato». La variable «métodos
de estudio de esta materia» tiene dos valores: a) realizar el aprendizaje a través
del campus virtual y b) no realizar el aprendizaje a través del campus virtual. La
variable «estudios cursados en Bachillerato» tiene también dos valores: a) haber
realizado estudios catalogados globalmente como de ciencias, b) haber realiza-
do estudios catalogados globalmente como de letras. Si cruzamos ambas varia-
bles, obtenemos un conjunto de cuatro grupos. Si te fijas en la tabla siguiente,
observarás que los cuatro grupos son independientes entre sí, es decir, un
alumno que ha cursado «ciencias» y elige o es asignado al campus virtual, no
puede estar en el mismo grupo que el alumno que ha cursado «letras» y tam-
bién ha elegido o ha sido asignado al campus virtual: la pertenencia a un gru-
po excluye automáticamente la pertenencia a cualquier otro grupo.
TABLA 12.1
CRUCE DE DOS VARIABLES INDEPENDIENTES
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 305
hay una tercera fuente de varianza y es aquélla que se debe a la relación que
establecemos entre las dos variables independientes. De hecho, si especifica-
mos dos variables independientes es que esperamos que exista algún tipo de
relación entre ambas. Así, en este diseño sugerimos implícitamente que una
parte del rendimiento se debe a la vez al tipo de estudios cursados en Bachi-
llerato y al método de estudio de esta materia. Esto significa que hay una par-
te de la varianza experimental que se debe a la participación conjunta de las
dos variables independientes en la variación que se observa en el rendimien-
to de esta materia. Esta participación conjunta se conoce como interacción.
En resumen, de lo que acabamos de comentar se deduce que lo que conoce-
mos como varianza experimental es en realidad la suma de la influencia de tres
tipos de fuentes: la primera VI, la segunda VI y la interacción entre las dos VIs.
Por cierto, cada una de las variables independientes se considera como
factor o causa que explica parcial o totalmente los efectos medidos en la va-
riable dependiente. De ahí el apelativo de factorial con el que se conoce este
tipo de diseños de investigación. En nuestro caso, estamos ante un diseño bi-
factorial 2 × 2 porque tenemos dos factores o VIs que tienen cada uno dos
valores. En esta etapa nos centraremos en el diseño más sencillo, el de 2 × 2;
pero los diseños factoriales pueden llegar a ser bastante más complejos. Por
otro lado, conviene recordar que hay un aspecto básico de los diseños expe-
rimentales que no se ha podido aplicar en este estudio: la aleatorización.
TABLA 12.2
RENDIMIENTO EN ESTA MATERIA
Campus virtual
Sí No
X X
3,65 7,00
5,25 6,00
Ciencias
6,50 2,50
6,25 7,60
X X
0,00 5,45
3,50 5,50
Letras
0,00 6,80
0,00 6,50
5,75 5,50
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 307
Sí No
X X2 X X2
Sí No
X X2 X X2
(Fórmula 12.1)
Donde:
Xijk = cada una de las puntuaciones de la muestra.
X2ijk = cuadrado de cada una de las puntuaciones de la muestra.
N = número total de sujetos.
Por cierto, en las salidas SPSS la suma de los cuadrados de todas las pun-
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 309
(Fórmula 12.2)
Donde:
(Fórmula 12.3)
Donde:
(Fórmula 12.5)
Donde:
Por cierto, las SCentre subgrupos aparecen en las salidas SPSS con el rótulo «Mo-
delo corregido».
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 311
Para calcular los grados de libertad y las correspondientes MC, puedes re-
currir a la siguiente tabla:
TABLA 12.3
CÁLCULO DE LOS GRADOS DE LIBERTAD
A a-1
B b-1
A*B (a-1)(b-1)
Error (ab)(n-1)
Total N-1
Donde:
a = número de valores de la variable independiente A.
b = número de valores de la variable independiente B.
N = número total de sujetos.
n = número de sujetos de cada subgrupo.
TABLA 12.4
TABLA RESUMEN DEL ANÁLISIS DE VARIANZA FACTORIAL
Fuentes de variación SC gl MC
Total 111,684 19
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 312
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 313
diseño destaca el interés por los efectos fijos. Por ello, este tipo de di-
seño se conoce como de efectos fijos o Tipo I.
Para conocer las características de los demás diseños, basta cruzar el modo
de selección de los valores con el número de variables independientes y se
obtiene un total de cuatro modelos de diseños factoriales.
TABLA 12.5
MODELOS DE DISEÑOS BIFACTORIALES
Modo de selección de valores
Fijo Aleatorio
TABLA 12.6
CÁLCULO DE F SEGÚN EL MODELO DE DISEÑO
Sistemática
A× B
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 314
TABLA 12.7
TABLA RESUMEN DEL ANÁLISIS DE VARIANZA FACTORIAL
Fuentes F crítica
SC Gl MC F
de variación (α = 0,05)
Total 111,684 19
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 315
La tabla 12.8 así como la figura 12.1 muestran los resultados del análisis que
acabamos de completar.
TABLA 12.8
MEDIAS ESTIMADAS DE LA INTERACCIÓN
Realizar el No realizar el
aprendizaje a través aprendizaje a través
del campus virtual del campus virtual
Los datos de la tabla 12.8 y los del siguiente gráfico nos permiten observar
que los alumnos que cursaron ciencias en Bachillerato rinden más si eligen el
campus virtual mientras los de letras rinden más si evitan el campus virtual.
Es muy interesante observar que sólo uno de los dos factores tomado por se-
parado produce diferencias estadísticamente significativas en el rendimiento.
3 Campus virtual
2 n Sí
n No
1
Ciencias Letras
Bachillerato
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 316
FIGURA 12.1
POSIBLES RESULTADOS DE UN DISEÑO BIFACTORIAL
7
c) En este gráfico puedes observar que las medias
6 de los grupos de campus virtual «sí» y «no» son
5 prácticamente iguales. Tampoco se puede asegu-
4
rar que la media de los de ciencias que utilizaron el
campus virtual sea diferente a la media de los que
3 Campus virtual
no lo utilizaron; lo mismo ocurre en letras. La única
2 n Sí diferencia significativa en rendimiento es la referida
1
n No a la superioridad del rendimiento de los alumnos
Ciencias Letras de «ciencias» sobre los de «letras».
Bachillerato
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 317
7
e) Si calculas las medias de los grupos de cam-
6
pus virtual «sí» y «no», observarás que son simi-
5
lares. Si haces lo mismo con las medias de los
4 grupos de «ciencias» y de «letras», obtendrás
3 Campus virtual
un resultado parecido. Sin embargo, si hallas
n Sí
las medias de interacción llegarás a la conclu-
2
sión de que los alumnos de ciencias que utiliza-
n No
1
Ciencias Letras
ron el campus virtual y los de letras que no lo
Bachillerato
utilizaron obtienen resultados igualmente desta-
cados.
Conviene que sepas que los efectos principales, es decir, los debidos a ca-
da una de las variables independientes, pueden ser no significativos y, sin
embargo, la interacción ser significativa.
CON LA AYUDA
DE PROGRAMAS INFORMÁTICOS 12.5.
FIGURA 12.1
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «UNIVARIANTE»
DENTRO DE «MODELO LINEAL GENERAL»
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 319
FIGURA 12.2
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
Por defecto, el programa nos propone el modelo Tipo III. Podemos selec-
cionar el modelo que mejor responde a nuestro estudio. En este caso, hemos
seleccionado el modelo Tipo I que, como sabes, es de efectos fijos.
FIGURA 12.3
SELECCIÓN DEL MODELO DE ANÁLISIS
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 320
Puede ser útil prever la aplicación de los contrastes posteriores, ya que es-
peras que las diferencias resulten estadísticamente significativas. Para ello,
abres la ventana «Contrastes» y en la sección «Contraste» seleccionas entre las
diversas pruebas la que mejor responda a tu problema y la marcas. En este
caso, se ha seleccionado la prueba de la «Diferencia», entre las medias de los
cuatro grupos experimentales. Hay que pulsar sobre la orden «Cambiar» para
que este cambio surta efecto. Sabrás que ha surtido efecto cuando aparezca
junto al nombre del factor para el que quieres llevar a cabo el contraste pos-
terior. Sin embargo, si las variables tienen cada una sólo dos valores, esta in-
dicación es superflua. Una vez terminado pulsas «Continuar» y esta ventana se
cierra.
FIGURA 12.4
SELECCIÓN DE CONTRASTES
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 321
FIGURA 12.5
SELECCIÓN DE OPCIONES
FIGURA 12.6
DATOS PARA EL GRÁFICO DE LA INTERACCIÓN
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 322
Una vez seleccionadas las variables, debes pulsar la orden «Añadir». Si deseas
obtener más gráficos, puedes repetir los pasos anteriores tantas veces como
quieras sin olvidar «Añadir» cada vez que introduzcas un gráfico. Finalmente,
pulsas «Continuar».
Una vez completada toda la información que consideramos necesaria para
el análisis de varianza factorial pulsamos «Aceptar» y el programa proporciona
varias tablas entre las que seleccionamos las siguientes:
a) Estadísticos descriptivos de cada uno de los cuatro grupos.
TABLA 12.9
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
TABLA 12.10
CONTRASTE DE LEVENE
Variable dependiente: Práctica I
2,469 3 69 ,069
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 323
TABLA 12.11
PRUEBAS DE LOS EFECTOS ENTRE LOS SUJETOS
Suma de
Fuente cuadrados gl Media F Significación
tipo I
Total 1674,750 73
TABLA 12.12
MEDIAS MARGINALES ESTIMADAS
1. Media global
Variable dependiente: Práctica I
Intervalo de confianza
al 95%
Media Error tip.
Límite Límite
inferior superior
2. WEB-CT
Variable dependiente: Práctica I
Intervalo de confianza
al 95%
WEB-CT Media Error tip.
Límite Límite
inferior superior
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 325
3. Ciencias o Letras
Variable dependiente: Práctica I
Intervalo de confianza
al 95%
Ciencias o Letras Media Error tip.
Límite Límite
inferior superior
Intervalo de confianza
al 95%
WEB-CT Ciencias o Letras Media Error tip.
Límite Límite
inferior superior
FIGURA 12.7
GRÁFICO DE LA INTERACCIÓN
5,50 WEB-CT
Sí
Medias marginales estimadas
5,00 No
4,50
4,00
3,50
3,00
2,50
2,00
Ciencias Letras
Ciencias o Letras
INT ESTAD 03:ENSEÑANZA MATEMAT 09/03/11 10:18 Página 326
12.6. TU TURNO
Fuentes de variación SC gl MC F
Error d 6 1,500
Total 36,000 11
¿Cómo averiguar si dos o más variables debidamente controladas influyen simultáneamente...? 327
Suma de Media
Fuente gl F Significación
cuadrados tipo I cuadrática
Capítulo 13
¿QUÉ HACER CUANDO LAS VARIABLES
SON NOMINALES O CONSIDERADAS
COMO TALES?
Hasta ahora hemos centrado nuestro esfuerzo en intentar averiguar cómo de-
terminar la fuerza de la influencia de una variable independiente, como los
métodos instructivos, sobre una variable dependiente, como el rendimiento.
Ahora bien, ¿qué ocurre cuando en una investigación o en alguno de sus as-
pectos sólo se dispone de variables nominales u ordinales? Recuerda que para
las variables nominales y ordinales carece de sentido sumar o restar los valo-
res de dichas variables y menos aún multiplicar o dividir, como hicimos con las
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 330
Cuando los datos que hemos conseguido son sólo categóricos, podemos re-
currir a una prueba estadística mucho menos exigente que las pruebas para-
métricas Z, t o F. Esta prueba es chi cuadrado de Pearson, simbolizada así χ2.
Entre sus ventajas, frente a las pruebas paramétricas, podemos decir que se
trata de una prueba adecuada cuando a) el nivel de medida de las variables
es nominal u ordinal, b) las muestras son pequeñas y c) las distribuciones po-
blacionales no cumplen las condiciones exigidas por muchas de las técnicas
paramétricas. En realidad se trata de una prueba de distribución libre que se
emplea con datos nominales o datos de otro nivel expresados en categorías
mutuamente excluyentes y exhaustivas. Para los alérgicos a los números, la
relativa sencillez de cálculo de esta prueba la convierte en la mejor de todas.
Sin embargo, antes de lanzar las campanas al vuelo, es necesario que pres-
tes atención a las importantes desventajas de esta prueba frente a las técnicas
paramétricas. Si analizas una variable continua con una técnica diseñada para
variables categóricas, pierdes información. Imagínate que, en vez de analizar
la variable cociente intelectual tal como es, decides agrupar sus valores en
tres categorías, por ejemplo a) bajo nivel intelectual [70-85], b) medio nivel in-
telectual [86-100] y c) alto nivel intelectual [101-120]. Para empezar, ya no pue-
des hallar la media. Ahora la has convertido en una variable ordinal y, por
tanto, sólo puedes contar el número de sujetos que hay en cada categoría.
Tampoco puedes saber la puntuación concreta que tenía cada uno de los su-
jetos que hay ahora en cada intervalo. Vuelve al capítulo 3 y relee lo que de-
cíamos sobre la amplitud de los intervalos en el apartado «Distribuciones de
frecuencias y su representación». Además de la pérdida de información, hay
un segundo inconveniente: χ2 es una prueba mucho menos potente que cual-
quier prueba paramétrica. Te recuerdo que esto significa que tiene una proba-
bilidad menor de rechazar H0, siendo falsa, que las pruebas paramétricas. Peor
aún, es una prueba poco sensible al efecto del orden.
¿Qué hacer cuando las variables son nominales o consideradas como tales? 331
PROCEDIMIENTO A:
IGUALDAD DE PROBABILIDADES 13.3.
TABLA 13.1
NIVEL DE DIFICULTAD DE ESTA MATERIA
Frecuencia
21-40 (Fácil) 1
61-80 (Difícil) 38
Total 93
1
Si te lo piensas a fondo, te darás cuenta de que esta variable es en realidad ordinal. Esto
significa que al utilizar la prueba χ2 se acepta perder información.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 332
Como la mayoría de sus alumnos cursa esta materia por primera vez, el
profesor espera que tiendan a distribuirse al azar entre estas cinco categorías:
1. Formulación de H0 y de su correspondiente H1
a) Hipótesis nula: Las frecuencias empíricas son estadísticamente igua-
les a las frecuencias esperadas o teóricas.
H0: fo (x) = fe (x) para todo x. En latín paladino, esto quiere decir, la
frecuencia empírica de cualquier casilla o categoría x es igual a la fre-
cuencia esperada para esa misma casilla o categoría x.
Hipótesis alternativa: las frecuencias empíricas son estadísticamente
diferentes a las frecuencias esperadas o teóricas.
H1: fo (x) ≠ fe (x) para al menos algún valor de x. Esto significa que
la frecuencia empírica de cualquier casilla o categoría x es diferente
a la frecuencia esperada para al menos alguna casilla o categoría x.
2. Nivel de significación: podemos tomar α = 0,05.
3. Elección de la prueba estadística: nos encontramos ante datos que pue-
den considerarse medidos a nivel nominal y que están agrupados en
cinco categorías exhaustivas y mutuamente excluyentes. Por tanto, la
prueba estadística adecuada es la prueba χ2 para muestras indepen-
dientes.
4. Distribución muestral: la distribución muestral es una distribución de
probabilidad, que se forma con los valores de χ2 obtenidos de infinitas
muestras aleatorias de la misma población, todas del mismo tamaño
que la del problema de investigación.
5. Zona de rechazo: según el α señalado, la zona de rechazo de H0 de la
distribución muestral de χ2 está formada por todos los valores cuya
probabilidad asociada, si H0 es verdadera, sea ≤ 0,05.
6. Cálculo de la prueba estadística χ2
Suponiendo que los alumnos no tengan información previa susceptible
de predisponerles en un sentido u otro, o sea, si se cumple H0, debe-
rían distribuirse por igual entre las cinco casillas. Por tanto, en cada ca-
silla debería haber 93 : 5 = 18,6 alumnos.
TABLA 13.2
FRECUENCIAS EMPÍRICAS Y TEÓRICAS
¿Qué hacer cuando las variables son nominales o consideradas como tales? 333
Total 93 93,0
(Fórmula 13.1)
Una vez calculados todos los valores de χ2 que cuantifican las discre-
pancias parciales, obtenemos los datos de la última columna:
TABLA 13.3
DISCREPANCIAS PARCIALES
Frecuencias Frecuencias Discrepancia
empíricas teóricas χ2
0-20 (Muy fácil) 1 18,6 16,654
(Fórmula 13.2)
¿Qué hacer cuando las variables son nominales o consideradas como tales? 335
TABLA 13.4
VALORES CRÍTICOS DE «CHI-CUADRADO»
αr
0,50 0,40 0,30 0,20 0,10 0,05 0,01 0,001
g.l. f
FIGURA 13.1
DISTRIBUCIÓN DE PROBABILIDAD DE χ2 PARA gl = 4
0,15
0,10
0,05
0,00
0 5 10 15 20
χ2
¿Qué hacer cuando las variables son nominales o consideradas como tales? 337
PROCEDIMIENTO B: CONOCIENDO
EL TIPO DE DISTRIBUCIÓN PREVIA 13.4.
1. Formulación de H0 y de su correspondiente H1
Hipótesis nula: las frecuencias empíricas son estadísticamente iguales a
las frecuencias esperadas o teóricas.
La distribución de las calificaciones del curso actual es estadísticamente
similar a la del curso anterior.
Hipótesis alternativa: las frecuencias empíricas son estadísticamente di-
ferentes a las frecuencias esperadas o teóricas.
La distribución de las calificaciones del curso actual es estadísticamente
diferente a la del curso anterior.
2. Nivel de significación: podemos tomar α = 0,05.
3. Elección de la prueba estadística: se considera que estos datos están
medidos a nivel nominal y están agrupados en cinco categorías ex-
haustivas y mutuamente excluyentes. Por tanto, la prueba estadística
adecuada es la prueba χ2 para muestras independientes.
4. Distribución muestral: la distribución muestral es una distribución de
probabilidad, que se forma con los valores de χ2 obtenidos de infinitas
muestras aleatorias de la misma población, todas del mismo tamaño
que la del problema de investigación.
5. Zona de rechazo: según el α señalado, la zona de rechazo de H0 de la
distribución muestral de χ2 está formada por todos aquellos valores cu-
ya probabilidad asociada, si H0 es verdadera, sea ≤ 0,05.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 338
TABLA 13.5
FRECUENCIAS EMPÍRICAS DE AMBOS CURSOS
Suspenso 33 32
Aprobado 37 34
Notable 5 5
Sobresaliente 2 2
No presentado 36 20
Total 113 93
por tanto
¿Qué hacer cuando las variables son nominales o consideradas como tales? 339
TABLA 13.6
FRECUENCIAS EMPÍRICAS Y TEÓRICAS AJUSTADAS
AL MODELO DEL CURSO ANTERIOR
Suspenso 32 27,159
Aprobado 34 30,451
Notable 5 4,115
Sobresaliente 2 1,646
No presentado 20 29,628
Total 93 93,000
PROCEDIMIENTO C:
13.5. PRUEBA DE BONDAD DE AJUSTE
¿Qué hacer cuando las variables son nominales o consideradas como tales? 341
TABLA 13.8
DISTRIBUCIÓN DE PUNTUACIONES DIRECTAS Y FRECUENCIAS
ABSOLUTAS POR INTERVALO
0,00-1,50 1,00 4
1,51-2,50 2,00 11
2,51-3,50 3,00 8
3,51-4,50 4,00 12
4,51-5,50 5,00 11
5,51-6,50 6,00 19
6,51-7,50 7,00 5
7,51-8,50 8,00 3
Total 73
TABLA 13.9
PROPORCIÓN DE SUJETOS POR DEBAJO
DE CADA PUNTUACIÓN TÍPICA
¿Qué hacer cuando las variables son nominales o consideradas como tales? 343
TABLA 13.10
PROPORCIÓN Y NÚMERO DE SUJETOS EN CADA INTERVALO
Proporción de Proporción de
Intervalo de clase sujetos sujetos dentro Número de sujetos
por debajo del intervalo
TABLA 13.11
CÁLCULO DE LA DISCREPANCIA χ2
Total 18,269
¿Qué hacer cuando las variables son nominales o consideradas como tales? 345
PROCEDIMIENTO D(i):
ASOCIACIÓN DE DOS VARIABLES 13.6.
TABLA 13.12
TABLA DE CONTINGENCIA. FRECUENCIAS EMPÍRICAS
Nivel de interés
0-20
(Muy 0 0 1 0 0 1
fácil)
21-40
0 0 0 0 1 1
(Fácil)
41-60
Nivel de
(Ni fácil 0 2 3 1 1 7
dificultad
ni difícil)
61-80
0 3 21 14 0 38
(Difícil)
81-100
(Muy 1 7 26 10 2 46
difícil)
Total 1 12 51 25 4 93
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 346
1. Formulación de H0 y de su correspondiente H1
a) Hipótesis nula: las frecuencias empíricas son estadísticamente igua-
les a las frecuencias esperadas o teóricas.
El nivel de interés no está estadísticamente relacionado con el nivel
de dificultad de esta materia.
Hipótesis alternativa: las frecuencias empíricas son estadísticamente
diferentes a las frecuencias esperadas o teóricas.
El nivel de interés está estadísticamente relacionado con el nivel de
dificultad de esta materia.
2. Nivel de significación: podemos tomar α = 0,05.
3. Elección de la prueba estadística: se considera que estos datos están
medidos a nivel nominal y están agrupados en categorías exhaustivas y
mutuamente excluyentes. Por tanto, la prueba estadística adecuada es
la prueba χ2 para muestras independientes.
4. Distribución muestral: la distribución muestral es una distribución de
probabilidad, que se forma con los valores de χ2 obtenidos de infinitas
muestras aleatorias de la misma población, todas del mismo tamaño
que la del problema de investigación.
5. Zona de rechazo: según el α señalado, la zona de rechazo de H0 de la
distribución muestral de χ2 está formada por todos aquellos valores cu-
ya probabilidad asociada, si H0 es verdadera, sea ≤ 0,05.
6. Cálculo de la prueba estadística χ2
Si no hubiera relación entre el nivel de interés (5 categorías) y el de di-
ficultad (5 categorías), los alumnos deberían distribuirse aleatoriamente
entre las 5 × 5 = 25 casillas que se forman al cruzar ambas variables.
Por cierto, al cruzar las dos variables obtienes una distribución de fre-
cuencias que recibe el nombre de tabla de contingencia, en la que las
categorías de cada variable son exhaustivas y mutuamente excluyentes.
La lectura del contenido de la tabla se hace tomando en consideración
las dos variables a la vez. Por ejemplo, la cifra 26 que vemos en el cru-
ce entre la tercera columna y la quinta fila se interpreta así: estos 26
alumnos consideran que esta materia es muy difícil pero interesante.
La simple lectura de las frecuencias de la tabla es absolutamente insufi-
ciente para que tengas una idea clara acerca del nivel de asociación
que puede haber entre estas dos variables. Debes hallar la discrepancia
entre las fo y las fe. Ahora bien, para el cálculo de las fe se debe utilizar
la siguiente fórmula:
(Fórmula 13.3)
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 347
¿Qué hacer cuando las variables son nominales o consideradas como tales? 347
Donde:
ffila = frecuencia de la fila.
fcolumna = frecuencia de la columna.
ftotal = frecuencia total.
Hay que repetir esta operación tantas veces como casillas haya, en
nuestro caso 25 veces. Obtenemos:
TABLA 13.13
TABLA DE CONTINGENCIA. FRECUENCIAS ESPERADAS
Nivel de interés
0-20
(Muy 0,011 0,129 0,548 0,269 0,043 1,0
fácil)
21-40
0,011 0,129 0,548 0,269 0,043 1,0
(Fácil)
41-60
Nivel de
(Ni fácil 0,075 0,903 3,839 1,882 0,301 7,0
dificultad
ni difícil)
61-80
0,409 4,903 20,839 10,215 1,634 38,0
(Difícil)
81-100
(Muy 0,495 5,935 25,226 12,365 1,978 46,0
difícil)
Total 1,000 12,000 51,000 25,000 4,000 93,0
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 348
TABLA 13.14
TABLA DE CONTINGENCIA. FRECUENCIAS ESPERADAS. PRIMER PLEGAMIENTO
Nivel de interés
0-60
(Muy
fácil- 0,097 1,161 4,935 2,420 0,387 9,0
Ni fácil
ni difícil)
Nivel de
dificultad 61-80
0,409 4,903 20,839 10,215 1,634 38,0
(Difícil)
81-100
(Muy 0,495 5,935 25,226 12,365 1,978 46,0
difícil)
¿Qué hacer cuando las variables son nominales o consideradas como tales? 349
TABLA 13.15
TABLA DE CONTINGENCIA. FRECUENCIAS ESPERADAS.
SEGUNDO PLEGAMIENTO
Nivel de interés
0-60 (Muy
fácil-Ni fácil 6,193 2,807 9,0
ni difícil)
Nivel de
dificultad 61-80 (Difícil) 26,151 11,849 38,0
81-100
31,656 14,343 46,0
(Muy difícil)
TABLA 13.16
TABLA DE CONTINGENCIA ORIGINAL PLEGADA
Nivel de interés
0-60 (Muy
fácil-Ni fácil 6 3 9
ni difícil)
Nivel de
dificultad 61-80 (Difícil) 24 14 38
81-100
34 12 46
(Muy difícil)
Total 64 29 93
A partir de aquí, los demás pasos son los que ya conoces, o sea, calcu-
lar la discrepancia casilla por casilla y finalmente sumar las discrepan-
cias parciales.
TABLA 13.17
TABLA DE DISCREPANCIAS χ2
Nivel de interés
0-60 (Muy
fácil-Ni fácil 0,006 0,013 0,019
ni difícil)
Nivel de
dificultad 61-80 (Difícil) 0,177 0,390 0,567
81-100
0,174 0,383 0,557
(Muy difícil)
¿Qué hacer cuando las variables son nominales o consideradas como tales? 351
PROCEDIMIENTO D(ii):
ASOCIACIÓN DE DOS VARIABLES -
CASO DE LAS TABLAS DE CONTINGENCIA 2 × 2 13.7.
TABLA 13.18
TABLA DE CONTINGENCIA 2 X 2. FRECUENCIAS EMPÍRICAS
Repite
Sí No Total
Suspenso 8 24 32
Calificación
Aprobado 18 23 41
Total 26 47 73
1. Formulación de H0 y de su correspondiente H1
a) Hipótesis nula: las frecuencias empíricas son estadísticamente igua-
les a las frecuencias esperadas o teóricas.
Aprobar o suspender esta materia no está estadísticamente relacio-
nado con repetir o no.
Hipótesis alternativa: las frecuencias empíricas son estadísticamente
diferentes a las frecuencias esperadas o teóricas.
Aprobar o suspender esta materia está estadísticamente relacionado
con repetir o no.
2. Nivel de significación: podemos tomar α = 0,05.
3. Elección de la prueba estadística: se considera que estos datos están
medidos a nivel nominal y están agrupados en categorías exhaustivas y
mutuamente excluyentes. Por tanto, la prueba estadística adecuada es
la prueba χ2 para muestras independientes.
4. Distribución muestral: la distribución muestral es una distribución de
probabilidad, que se forma con los valores de χ2 obtenidos de infinitas
muestras aleatorias de la misma población, todas del mismo tamaño
que la del problema de investigación.
5. Zona de rechazo: según el α señalado, la zona de rechazo de H0 de la
distribución muestral de χ2 está formada por todos aquellos valores cu-
ya probabilidad asociada, si H0 es verdadera, sea ≤ 0,05.
6. Cálculo de la prueba estadística χ2
Disponemos de dos opciones para hallar el valor empírico de χ2 las
cuales se explican a continuación.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 353
¿Qué hacer cuando las variables son nominales o consideradas como tales? 353
TABLA 13.19
TABLA DE CONTINGENCIA 2 X 2.
FRECUENCIAS EMPÍRICAS Y TEÓRICAS
Repite
Sí No Total
fo 8 24
Suspenso 32
fe 11,397 20,602
Calificación
fo 18 23
Aprobado 41
fe 14,603 26,397
Total 26 47 73
(Fórmula 13.4)
TABLA 13.20
TABLA DE CONTINGENCIA 2 X 2. DISCREPANCIAS χ2
Repite
Sí No Total
fo 8 24
χ2 0,736 0,408
Calificación
fo 18 23
χ2 0,575 0,318
Total 26 47 73
¿Qué hacer cuando las variables son nominales o consideradas como tales? 355
(Fórmula 13.5)
A B
C D
TABLA 13.21
TABLA DE CONTINGENCIA 2 X 2. POSICIÓN DE A, B, C Y D
Repite
Sí No Total
Suspenso 8→A 24 → B 32
Calificación
Aprobado 18 → C 23 → D 41
Total 26 47 73
CON LA AYUDA
13.8. DE PROGRAMAS INFORMÁTICOS
FIGURA 13.2
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «CHI-CUADRADO»
DENTRO DE «PRUEBAS NO PARAMÉTRICAS»
¿Qué hacer cuando las variables son nominales o consideradas como tales? 357
FIGURA 13.3
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
TABLA 13.22
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
TABLA 13.23
ESTADÍSTICOS DE CONTRASTE
Chi-cuadradoa 101,140
gl 4
Sig. asintót. ,000
a. 0 casillas (0%) tienen frecuencias esperadas menores que 5.
La frecuencia de casilla esperada mínima es 18,6.
FIGURA 13.4
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «K-S DE 1 MUESTRA»2
2
Z de Kolmogorov-Smirnov proporciona el mismo tipo de información que χ2 para el caso
del estudio de la bondad de ajuste.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 359
¿Qué hacer cuando las variables son nominales o consideradas como tales? 359
FIGURA 13.5
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
TABLA 13.24
PRUEBA DE KOLMOGOROV-SMIRNOV
Parcial I
Intervalos
N 73
Parámetros normalesa,b Media 4,4658
Desviación típica 1,87144
Diferencias más Absolutas ,164
Positiva ,112
Negativa –,164
Z de Kolmogorov-Smirnov 1.399
Sig. asintót. (bilateral) ,040
FIGURA 13.6
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS «TABLAS
DE CONTINGENCIA» DENTRO DE «ESTADÍSTICOS DESCRIPTIVOS»
¿Qué hacer cuando las variables son nominales o consideradas como tales? 361
FIGURA 13.7
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
TABLA 13.25
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
Repetidor/a
Total
Sí No
Calificación Suspenso 8 24 32
Aprobado 18 23 41
Total 26 47 73
b) Estadísticos de contraste
TABLA 13.26
ESTADÍSTICOS DE CONTRASTE
¿Qué hacer cuando las variables son nominales o consideradas como tales? 363
TU TURNO 13.9.
Nivel de interés
Total 52 41 93
Xi fi
2,50 1
2,75 4
3,00 6
3,25 5
3,50 9
3,75 6
4,00 10
4,25 13
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 364
Xi fi
4,50 7
4,75 10
5,00 7
5,25 5
5,50 2
5,75 4
6,00 2
6,75 1
7,00 1
Capítulo 14
¿QUÉ HACER CUANDO LAS VARIABLES
SON ORDINALES Y LOS GRUPOS
SON INDEPENDIENTES?
Cuando los datos que hemos conseguido son sólo ordinales podemos recurrir
a una prueba estadística mejor que χ2 pero no tan exigente como las pruebas
paramétricas Z, t o F. Se trata de la prueba U de Mann-Whitney. Sus ventajas,
frente a las pruebas paramétricas, se asemejan a las de χ2. En cambio no se
trata de una prueba de distribución libre.
OBJETIVO DE LA PRUEBA U
14.2. DE MANN-WHITNEY
14.3. PROCEDIMIENTO
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 367
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos los valores cuya probabilidad, si H0 es verdade-
ra, sea ≤ 0,01.
Puesto que H1 indica la dirección de las diferencias, la zona de rechazo
está situada en un extremo de la distribución que incluye todos los va-
lores cuya probabilidad sea ≤ 0,01.
6. Cálculo del estadístico: prueba estadística
Los datos recogidos por el profesor son los siguientes:
No repetidores (n2) 35 41 50 63 75 80 82 90
Repetidores (n1) 24 61 70 78 85 95
24 35 41 50 61 63 70 75 78 80 82 85 90 95
n1 n2 n2 n2 n1 n2 n1 n2 n1 n2 n2 n1 n2 n1
24 35 41 50 61 63 70 75 78 80 82 85 90 95
n1 n2 n2 n2 n1 n2 n1 n2 n1 n2 n2 n1 n2 n1
1 1 1 2 3 4 4 5
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 369
TABLA 14.1
PROBABILIDADES ASOCIADAS CON VALORES PEQUEÑOS DE U
n2 = 8
n1→ 1 2 3 4 5 6 7 8 t Normal
U↓
0 0,111 0,022 0,006 0,002 0,001 0,000 0,000 0,000 3,308 0,001
1 0,222 0,044 0,012 0,0004 0,002 0,001 0,000 0,000 3,203 0,001
2 0,333 0,089 0,024 0,008 0,003 0,001 0,001 0,000 3,098 0,001
3 0,444 0,133 0,042 0,014 0,005 0,002 0,001 0,001 2,993 0,001
4 0,556 0,200 0,067 0,024 0,009 0,004 0,002 0,001 2,888 0,002
5 0,267 0,097 0,036 0,015 0,006 0,003 0,001 2,783 0,003
6 0,356 0,139 0,055 0,023 0,010 0,005 0,002 2,678 0,004
7 0,444 0,188 0,077 0,033 0,015 0,007 0,003 2,573 0,005
8 0,556 0,248 0,107 0,047 0,021 0,010 0,005 2,468 0,007
9 0,315 0,141 0,064 0,030 0,014 0,007 2,363 0,009
10 0,387 0,184 0,085 0,041 0,020 0,010 2,258 0,012
11 0,461 0,230 0,111 0,054 0,027 0,014 2,153 0,016
12 0,539 0,285 0,142 0,071 0,036 0,019 2,048 0,020
13 0,341 0,177 0,091 0,047 0,025 1,943 0,026
14 0,404 0,217 0,114 0,060 0,032 1,838 0,033
15 0,467 0,262 0,141 0,076 0,041 1,733 0,041
16 0,533 0,311 0,172 0,095 0,052 1,628 0,052
17 0,362 0,207 0,116 0,065 1,523 0,064
18 0,416 0,245 0,140 0,080 1,418 0,078
19 0,472 0,286 0,168 0,097 1,313 0,094
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 370
Extracto tomado de Río Sadornil, D. del (2003): Métodos de investigación en educación. Volumen I.
Proceso y diseños no complejos. Madrid: UNED, p. 729.
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 371
24 35 41 50 61 63 70 75 78 80 82 85 90 95
n1 n2 n2 n2 n1 n2 n1 n2 n1 n2 n2 n1 n2 n1
0 3 4 5 7 8
La suma proporciona como resultado 27. ¿Se trata de otro valor de U para
el mismo conjunto de datos? Claro que no. En realidad, cualquier valor empí-
rico que sea igual o superior a (n1 × n2)/2 se considera como U´. En nuestro
caso (6 × 8) : 2 = 24 es el valor límite que permite distinguir U de U´. Como el
valor que hemos obtenido, 27, es mayor que 24, entonces debemos conside-
rarlo como U´.
Este valor se puede transformar en U. Para ello basta aplicar la siguiente
fórmula:
U= n1 × n2 -U´ (Fórmula14.1)
MAGNITUD DE U
Y PROBABILIDAD ASOCIADA 14.5
Hasta ahora todos los estadísticos que hemos estudiado se comportan del
mismo modo en lo que se refiere a la relación entre su magnitud y su proba-
bilidad asociada. De hecho, hemos constatado que a medida que los valores
absolutos de Z, t, F o χ2 aumentaban, disminuía la probabilidad de que ocu-
rrieran por azar. ¿Pasa lo mismo con el estadístico U? La respuesta al final de
este apartado.
Sigamos utilizando el mismo enunciado e incluso los mismos datos. Sin
embargo, esta vez, por cuestiones didácticas, vamos a organizarlos de manera
diferente. Fíjate en la siguiente tabla:
No repetidores (n2) 70 75 78 80 82 85 90 95
Repetidores (n1) 24 35 41 50 61 63
24 35 41 50 61 63 70 75 78 80 82 85 90 95
n1 n1 n1 n1 n1 n1 n2 n2 n2 n2 n2 n2 n2 n2
0 0 0 0 0 0
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 372
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 373
den medio entre 6º y 7º, o sea, (6 + 7)/2 = 6,5. También habrás obser-
vado que la puntuación 70 aparece tres veces: 9º, 10º y 11º. Si aplicas el
razonamiento anterior resulta que el número de orden que le corres-
ponde a la puntuación 70 es (9 + 10 + 11)/3 = 10. Así procedemos para
calcular el número de orden de cualquier liga. Esto nos lleva a la si-
guiente tabla:
Puntuación n2 35 41 50 60 61 63 70 70 75 75 80 80 82 90
Nº de orden ajustado 2 3 4 5 6,5 8 10 10 13 13 17 17 19 22
Puntuación n1 24 61 70 75 78 80 85 90 90 95
Nº de orden ajustado 1 6,5 10 13 15 17 20 22 22 24
• Trabajar sólo con los números de orden ajustados, es decir, hallar su suma.
El resultado obtenido se conoce como suma de rangos R de n1 y n2.
R
n2 2 3 4 5 6,5 8 10 10 13 13 17 17 19 22 149,5
n1 1 6,5 10 13 15 17 20 22 22 24 150,5
• Calcular U.
Para ello se puede utilizar una de las siguientes dos fórmulas:
— A partir de n1: (Fórmula 14.2), donde
R1 es la suma de rangos de n1.
Aplicando la fórmula obtenemos:
Recuerda que (n1 × n2)/2 te permite saber si estás ante U o U´. Como
(10 × 14)/2 = 70, entonces 44,5 es U y 95,5 es U´.
En realidad no hace falta aplicar las dos fórmulas. Basta con aplicar una y
comprobar si el valor obtenido es U o U´. Si es U´ se procede a su trans-
formación en U. Así, si 95,5 es U´ entonces U = (10 × 14) – 95,5 = 44,5.
Como n1 = 10 y n2 = 14, debes consultar una subtabla diferente a la an-
terior; esta subtabla proporciona el valor crítico de U y se elige en fun-
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 374
TABLA 14.2
VALORES CRÍTICOS DE U
Valores críticos de U para una prueba de una cola en α = 0,01 o para una prueba de
dos colas en α = 0,02.
n2
9 10 11 12 13 14 15 16 17 18 19 20
n1
1
2 0 0 0 0 0 0 1 1
3 1 1 1 2 2 2 3 3 4 4 4 5
4 3 3 4 5 5 6 7 7 8 9 9 10
5 5 6 7 8 9 10 11 12 13 14 15 16
6 7 8 9 11 12 13 15 16 18 19 20 22
7 9 11 12 14 16 17 19 21 23 24 26 28
8 11 13 15 17 20 22 24 26 28 30 32 34
9 14 16 18 21 23 26 28 31 33 36 38 40
10 16 19 22 24 27 30 33 36 38 41 44 47
11 18 22 25 28 31 34 37 41 44 47 50 53
12 21 24 28 31 35 38 42 46 49 53 56 60
13 23 27 31 35 39 43 47 51 55 59 63 67
14 26 30 34 38 43 47 51 56 60 65 69 73
15 28 33 37 42 47 51 56 61 66 70 75 80
16 31 36 41 46 51 56 61 66 71 76 82 87
17 33 38 44 49 55 60 66 71 77 82 88 93
18 36 41 47 53 59 65 70 76 82 88 94 100
19 38 44 50 56 63 69 75 82 88 94 101 107
20 40 47 53 60 67 73 80 87 93 100 107 114
Extracto tomado de Río Sadornil, D. del (2003): Métodos de investigación en educación. Volumen I.
Proceso y diseños no complejos. Madrid: UNED, p. 731.
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 375
(Fórmula 14.5)
TABLA 14.3
DISTRIBUCIÓN DE LAS PUNTUACIONES DE NIVEL
DE DIFICULTAD PERCIBIDA
Repetidor/a
Nivel de dificultad
Sí No
24 1 0
35 0 1
41 0 1
50 0 1
60 0 1
61 1 3
62 0 1
63 0 1
64 0 1
65 1 1
70 3 4
75 1 4
78 1 1
80 4 7
81 0 2
82 0 1
85 1 1
88 1 0
90 6 3
95 1 0
Total 21 34
OBJETIVO DE LA PRUEBA H
14.6. DE KRUSKAL-WALLIS
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 377
PROCEDIMIENTO 14.7.
42 20 41
50 40 61
60 60 71
70 70 85
80
42 4º 20 1º 41 3º
50 5º 40 2º 61 8º
60 6º 60 7º 71 11º
70 10º 70 9º 85 13º
80 12º
• En caso de ligas, hay que reajustar el orden de número, tal como hici-
mos con la prueba U:
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 379
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 379
42 4º 20 1º 41 3º
50 5º 40 2º 61 8º
60 6,5º 60 6,5º 71 11º
70 9,5º 70 9,5º 85 13º
80 12º
(Fórmula 14.6)
Donde:
N = número de sujetos de la muestra total.
nj = número de sujetos de cada submuestra.
R 2j = cuadrado de los rangos sumados de cada submuestra.
TABLA 14.4
PROBABILIDADES ASOCIADAS CON VALORES DE H PARA
n1 = 5, n2 = 4 y n3 = 4
Tamaño de muestras
H P
n1 n2 n3
5 4 4 7,7604 0,009
7,7440 0,011
5,6571 0,049
5,6176 0,050
4,6187 0,100
4,5527 0,102
Extracto tomado de Río Sadornil, D. del (2003): Métodos de investigación en educación. Volumen I.
Proceso y diseños no complejos. Madrid: UNED, p. 750.
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 381
CON LA AYUDA
DE PROGRAMAS INFORMÁTICOS 14.9.
FIGURA 14.1
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS
«DOS MUESTRAS INDEPENDIENTES»
FIGURA 14.2
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
Para fijar los dos valores para los que deseamos llevar a cabo el contraste,
pulsamos «Definir grupos». Se abre una pequeña ventana en la que hay que
poner los códigos que corresponden a los dos grupos que hay que comparar,
en este caso 1 y 2. Una vez finalizado, se pulsa «Continuar» y se vuelve a la
ventana «Pruebas para dos muestras independientes».
En «Tipo de prueba» está marcada por defecto «U de Mann-Whitney». Una
vez seleccionadas las variables, puedes pulsar la orden de «Aceptar» para que
se ejecute el análisis.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 383
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 383
FIGURA 14.3
DEFINICIÓN DE LOS DOS GRUPOS QUE COMPARAR
TABLA 14.5
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
Rangos
Rango Suma de
Repetidor/a N promedio rangos
TABLA 14.6
ESTADÍSTICOS DE CONTRASTE
Estadísticos de contrastea
Nivel de dificultad
percibida II
U de Mann-Whitney 238,000
W de Wilcoxon 833,000
Z –2,078
Sig. asintót. (bilateral) ,038
a.
Variable de agrupación: Repetidor/a
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 384
FIGURA 14.4
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS
«K MUESTRAS INDEPENDIENTES»
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 385
FIGURA 14.5
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
Para fijar el rango de valores para los que deseamos llevar a cabo el con-
traste, pulsamos «Definir grupos». Se abre una pequeña ventana en la que hay
que poner los códigos que corresponden a los dos grupos extremos. En nues-
tro caso, marcamos los valores 1 y 3 porque deseamos que el programa com-
pare los grupos 1, 2 y 3.
FIGURA 14.6
DEFINICIÓN DE LOS DOS GRUPOS QUE COMPARAR
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 386
TABLA 14.7
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
Rangos
Rango
Grupo de investigación N promedio
TABLA 14.8
ESTADÍSTICOS DE CONTRASTEa,b
Nivel de
interés II
Chi-cuadrado 4,738
gl 2
Sig. asintót. ,094
a.
Prueba de Kruskal-Wallis.
b.
Variable de agrupación: grupo de investigación.
¿Qué hacer cuando las variables son ordinales y los grupos son independientes? 387
TU TURNO 14.10.
Capítulo 15
¿QUÉ HACER CUANDO LAS VARIABLES
SON ORDINALES Y LOS GRUPOS
SON CORRELACIONADOS?
15.2. PROCEDIMIENTO
1
La prueba de los signos se basa en este principio.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 391
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 391
1. Formulación de H0 y de su correspondiente H1
H0: no hay diferencias estadísticamente significativas entre el nivel de
dificultad inicial y el nivel de dificultad final.
H1: sí hay diferencias estadísticamente significativas entre el nivel de di-
ficultad inicial y el nivel de dificultad final.
2. Elección justificada de la prueba estadística
Sabemos que la variable dependiente «Nivel de dificultad» se considera
ordinal; la variable independiente «Momento del curso» define dos nive-
les: a) inicial y b) final. Como se trata de hallar diferencias entre dos
grupos correlacionados respecto de una característica ordinal, la prue-
ba más indicada es la prueba T de Wilcoxon.
3. Especificación del nivel de error o de significación (α)
Nivel de error: 0,01.
4. Definición de la distribución muestral de T de Wilcoxon
La distribución muestral es una distribución de probabilidad que se for-
ma con infinitos valores de T obtenidos de infinitas muestras aleatorias
de la misma población, todas del mismo tamaño que la del problema de
investigación.
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos los valores cuya probabilidad, si H0 es verdade-
ra, sea ≤ 0,01.
Puesto que H1 no indica la dirección de las diferencias, la zona de re-
chazo está situada en ambos extremos de la distribución e incluye to-
dos aquellos valores cuya probabilidad sea ≤ 0,01.
6. Cálculo del estadístico: prueba estadística
Los datos recogidos por el profesor son los siguientes:
Nivel inicial 60 90 60 90 95 90 50 75 81 82 90 92
Nivel final 78 85 70 75 70 82 50 41 70 61 63 95
Nivel inicial 60 90 60 90 95 90 50 75 81 82 90 92
Nivel final 78 85 70 75 70 82 50 41 70 61 63 95
Diferencia di –18 5 –10 15 25 8 0 34 11 21 27 –3
Nivel inicial 60 90 60 90 95 90 50 75 81 82 90 92
Nivel final 78 85 70 75 70 82 50 41 70 61 63 95
Diferencia di –18 5 –10 15 25 8 0 34 11 21 27 –3
Rango 7º 2º 4º 6º 9º 3º — 11º 5º 8º 10º 1º
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 393
TABLA 15.1
TABLA DE VALORES CRÍTICOS DE T EN LA PRUEBA
DE LOS RANGOS SEÑALADOS DE PARES IGUALADOS
DE WILCOXON
6 0
7 2 0
8 4 2 0
9 6 3 2
10 8 5 3
11 11 7 5
12 14 10 7
13 17 13 10
14 21 16 13
15 25 20 16
16 30 24 20
17 35 28 23
18 40 33 28
19 46 38 32
20 52 43 38
21 59 49 43
22 66 56 49
23 73 62 55
24 81 69 61
25 89 77 68
Cuando N es mayor que 25, los estudiosos han demostrado que T se distribu-
ye casi normalmente. En este caso, se considera que la media puede averi-
guarse aplicando la siguiente fórmula:
(Fórmula 15.1)
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 394
(Fórmula 15.2)
TABLA 15.2
DISTRIBUCIÓN DE LAS PUNTUACIONES DE NIVEL DE DIFICULTAD
20 24 –4 6º 6,0
25 70 –45 48º 48,0
50 50 0 – –
50 90 –40 47º 47,0
50 35 15 34º 32,0
60 78 –18 35º 35,0
60 70 –10 22º 24,5
65 85 –20 37º 37,5
65 75 –10 23º 24,5
68 61 7 17º 17,0
70 80 –10 24º 24,5
70 61 9 20º 19,5
72 70 2 2º 3,0
75 90 –15 32º 32,0
75 81 –6 16º 16,0
75 41 34 46º 46,0
79 80 –1 1º 1,0
80 80 0 – –
80 80 0 – –
80 80 0 – –
80 80 0 – –
80 90 –10 28º 24,5
80 78 2 3º 3,0
80 75 5 12º 11,0
80 75 5 9º 11,0
80 70 10 25º 24,5
80 70 10 27º 24,5
80 65 15 33º 32,0
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 395
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 395
80 61 19 36º 36,0
81 70 11 29º 29,0
82 61 21 39º 39,0
85 90 –5 14º 11,0
85 80 5 8º 11,0
85 80 5 15º 11,0
85 62 23 40º 40,0
88 64 24 41º 41,0
89 60 29 45º 45,0
90 90 0 – –
90 90 0 – –
90 88 2 4º 3,0
90 85 5 13º 11,0
90 82 8 18º 18,0
90 81 9 19º 19,5
90 80 10 21º 24,5
90 80 10 26º 24,5
90 75 15 30º 32,0
90 75 15 31º 32,0
90 65 25 43º 42,5
90 63 27 44º 44,0
92 95 –3 5º 5,0
95 90 5 11º 11,0
95 90 5 10º 11,0
95 90 5 7º 11,0
95 70 25 42º 42,5
100 80 20 38º 37,5
Si, en lugar de tener dos, el experimento consta de tres o más grupos correla-
cionados, la prueba adecuada para el análisis de datos ordinales es el análisis
de varianza de dos clasificaciones por rangos de Friedman, conocida como
prueba χ2r de Friedman. Esta prueba es otra excelente alternativa a la prueba
F; está diseñada para evaluar las diferencias entre tres o más grupos correla-
cionados si los datos para analizar son ordinales.
15.5. PROCEDIMIENTO
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 397
TABLA 15.3
DISTRIBUCIÓN DE LAS PUNTUACIONES DE NIVEL DE DIFICULTAD
EN FUNCIÓN DE CADA TRATAMIENTO
24 50 65 60
61 95 80 73
75 90 41 70
90 80 50 61
Para comprobar si los tratamientos han tenido algún efecto diferencial sobre
el nivel de dificultad el profesor, procede a su ya habitual contraste de hipótesis.
1. Formulación de H0 y de su correspondiente H1
H0: no hay diferencias estadísticamente significativas en el nivel de difi-
cultad de esta materia debidas al tipo de tareas de aprendizaje realiza-
das por los alumnos.
H1: sí hay diferencias estadísticamente significativas en el nivel de difi-
cultad de esta materia debidas al tipo de tareas de aprendizaje realiza-
das por los alumnos.
2. Elección justificada de la prueba estadística
Sabemos que la variable dependiente «Nivel de dificultad de la materia»
se considera ordinal; la variable independiente «Grupo de investigación»
define cuatro niveles: a) Sólo clase, b) Prácticas de solución de proble-
mas de investigación, c) Ejercicios del campus virtual y d) Prácticas de
solución de problemas de investigación y ejercicios del campus virtual.
Como se trata de hallar diferencias entre cuatro grupos correlacionados
respecto de una característica ordinal, la prueba más indicada es la
prueba χ2r de Friedman.
3. Especificación del nivel de error o de significación (α)
Nivel de error: 0,01.
4. Definición de la distribución muestral de χ2r
La distribución muestral es una distribución de probabilidad que se for-
ma con infinitos valores de χ2r obtenidos de infinitas muestras aleatorias
de la misma población, todas del mismo tamaño que la del problema de
investigación.
5. Zona de rechazo de H0
La zona de rechazo de H0 es una parte de la distribución muestral que
está formada por todos aquellos valores cuya probabilidad, si H0 es
verdadera, sea ≤ 0,01.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 398
24 1º 50 2º 65 4º 60 3º
61 1º 95 4º 80 3º 73 2º
75 3º 90 4º 41 1º 70 2º
90 4º 80 3º 50 1º 61 2º
1 2 4 3
1 4 3 2
3 4 1 2
4 3 1 2
Suma de rangos R 9 13 9 9
R2 81 169 81 81
(Fórmula 15.3)
Donde:
N = número de filas.
k = número de columnas.
R2j = cuadrado de los rangos sumados de cada columna.
= suma de los cuadrados de los rangos sumados de cada
columna.
Si aplicamos la fórmula 15.3 obtenemos:
2
No importa ordenar de menor a mayor o de mayor a menor.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 399
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 399
TABLA 15.4
TABLA DE PROBABILIDADES ASOCIADAS CON VALORES
EMPÍRICOS DE χ2r Y k = 4 EN EL ANÁLISIS DE VARIANZA
DE DOS CLASIFICACIONES POR RANGOS DE FRIEDMAN
k=4
mayor que α (0,01), podemos concluir que procede aceptar H0. Al to-
mar esta decisión, podríamos cometer un error del Tipo II.
b) Interpretación pedagógica: por tanto, por término medio las activi-
dades de aprendizaje no influyen en el nivel de dificultad que expe-
rimentan los alumnos en esta materia.
CON LA AYUDA
15.7. DE PROGRAMAS INFORMÁTICOS
FIGURA 15.1
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS
«DOS MUESTRAS RELACIONADAS»
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 401
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 401
FIGURA 15.2
SELECCIÓN DE LAS VARIABLES QUE INCORPORAR EN EL ANÁLISIS
FIGURA 15.3
DEFINICIÓN DE LOS PARES DE VARIABLES QUE CONTRASTAR
TABLA 15.5
ESTADÍSTICOS DESCRIPTIVOS PARA CADA UNO DE LOS GRUPOS
Rangos
Rango Suma de
N promedio rangos
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 403
b) Contraste con Z.
TABLA 15.6
ESTADÍSTICOS DE CONTRASTE
Nivel de dificultad
percibida II -
Nivel de dificultad
esperada I
Z –2,583a
Sig. asintót. (bilateral) ,010
FIGURA 15.4
SELECCIÓN DE LA OPCIÓN DE ANÁLISIS
«K MUESTRAS RELACIONADAS»
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 404
FIGURA 15.5
PROCESO DE SELECCIÓN DE LAS VARIABLES QUE INCORPORAR
EN EL ANÁLISIS
¿Qué hacer cuando las variables son ordinales y los grupos son correlacionados? 405
TABLA 15.7
ESTADÍSTICOS DESCRIPTIVOS DE CADA UNO DE LOS GRUPOS
Estadísticos descriptivos
Desviación
N Media típica Mínimo Máximo
TABLA 15.8
RANGOS
Rango
promedio
b) Contraste con χ2
TABLA 15.9
ESTADÍSTICOS DE CONTRASTE
Estadísticos de contrastea
N 4
Chi-cuadrado 1,800
gl 3
Sig. asintót. ,615
a. Prueba de Friedman.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 406
15.8. TU TURNO
Apéndice A
SOLUCIONES
CAPÍTULO 3:
Respuesta a la sexta pregunta: A medida que se incrementa la amplitud de los in-
tervalos, disminuye la calidad de la información sobre la distribución dentro de los
intervalos: no se puede saber qué puntuación tiene cada sujeto del intervalo.
CAPÍTULO 4:
5: b; 6: b; 7: b.
CAPÍTULO 5:
Sabiendo que en la variable «Conocimientos previos» se obtuvo una media 4,269 y
una desviación típica de 0,918, y suponiendo que las puntuaciones se distribuyen
normalmente, halla:
1. 0,8836
2. 0,0202
3. 0,7088
4. 0,7580
5. 0,0016
6. 0,6733
7. 0,0198
8. –2,17 y + 2,17
9. 4,627
10. 3,314
11. 3,792
12. 4,746
13. 3,654 y 4,627
14. 1
15. 2
16. 4
CAPÍTULO 6:
1: 1; 2: 2; 3: 3; 4: 3; 5: 2; 6: 4; 7: 4; 8: 3.
CAPÍTULO 7:
Los alumnos realizan el examen teórico del primer parcial y obtienen una media de
4,977 y una desviación típica de 1,618. Suponiendo que estos datos son poblacionales
y que se distribuyen normalmente, halla:
1. 0,7016
2. 0,0034
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 408
3. 0,7324
4. 0,7967
5. 0,0015
6. 0,5874
7. 0,0426
8. +1,04
9. –1,04
10. Calcula la probabilidad de acertar por azar la mitad de una prueba de 10 ítems, sa-
biendo que p = 0,20 de cada ítem.
11. Calcula la probabilidad de acertar por azar entre 7 y 9 ítems de una prueba de 15
ítems, sabiendo que p = 0,25.
12. El profesor sabe que la media de aciertos del examen teórico del primer parcial
suele estar en torno a 21 de un total de 40 ítems. Si para este curso el profesor no
hizo nada especial para mejorar la situación, ¿cuál es la probabilidad de que la
media de aciertos sea de 25?
13. ¿Cuál es la probabilidad de que el número de aciertos del examen anterior esté
entre 18 y 20?
CAPÍTULO 8:
1: 1; 2: 3.
3. De una población cuyas características son desconocidas, se saca una muestra alea-
toria de 80 sujetos a los que se aplica una prueba. Se calcula la media y la desvia-
ción típica y se obtienen datos equivalentes a los de la 9ª muestra de la tabla 8.5. Si
se saca otra muestra de similares características y en iguales condiciones, ¿cuál es
la probabilidad de obtener una media igual o superior a 4,5?
→ p = 1 – 0,9991 = 0,0009
CAPÍTULO 9:
1: 3; 2: 2.
CAPÍTULO 11:
1: 1; 2: 2; 3: 1; 4: 2.
CAPÍTULO 12:
1: 3; 3a = 5,333; 3b = 2; 3c = 0,056; 3d = 9; 4.2.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 411
CAPÍTULO 13:
Nivel de interés
Total 52 41 93
e) Zona de rechazo
Según el α señalado, la zona de rechazo de H0 de la distribución muestral de χ2
está formada por todos los valores de la distribución muestral cuya probabilidad
asociada, si H0 es verdadera, sea ≤ 0,05.
f) Cálculo de la prueba estadística χ2.
Xi fi
2,50 1
2,75 4
3,00 6
3,25 5
3,50 9
3,75 6
4,00 10
4,25 13
4,50 7
4,75 10
5,00 7
5,25 5
5,50 2
5,75 4
6,00 2
6,75 1
7,00 1
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 413
Xi fo fe χ2
Xi fo fe χ2
χ2 = 18,4311
CAPÍTULO 14:
1. ¿Cuál es el principal objetivo de las pruebas U de Mann-Whitney y H de Kruskal-
Wallis?
Probar si dos (U) o más (H) grupos independientes pertenecen a la misma población.
2. Un investigador repite un estudio cinco veces y obtiene los siguientes valores de U:
30, 20, 15, 5, 0. Como no proporciona datos sobre el tamaño de n1 y n2 y tampoco
sobre el nivel de error, ¿serías capaz de indicar en qué caso ese investigador debe
haber rechazado H0 y por qué?
Este investigador debería rechazar H0 al obtener U = 0, porque en este caso los dos
grupos están claramente separados o, dicho de otro modo, no pertenecen a la mis-
ma población.
CAPÍTULO 15:
Apéndice B
TABLAS
TABLA I
ÁREA BAJO LA CURVA NORMAL (p > 0,5)
Z 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7516 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7703 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9278 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9430 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9648 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9700 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9762 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9874 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9986 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 416
TABLA II
DISTRIBUCIÓN BINOMIAL
PoQ
N 0,01 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
1 0 0,9900 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000
1 0,0100 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000
2 0 0,9800 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500
1 0,0200 0,0950 0,1800 0,2550 0,3200 0,3750 0,4200 0,4550 0,4800 0,4950 0,5000
2 0,0000 0,0025 0,0100 0,0225 0,0400 0,0625 0,0900 0,1225 0,1600 0,2025 0,2500
3 0 0,9700 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,1250
1 0,0290 0,1354 0,2430 0,3251 0,3840 0,4219 0,4410 0,4436 0,4320 0,4084 0,3750
2 0,0000 0,0071 0,0270 0,0574 0,0960 0,1406 0,1890 0,2389 0,2880 0,3341 0,3750
3 0,0000 0,0001 0,0010 0,0034 0,0080 0,0156 0,0270 0,0429 0,0640 0,0911 0,1250
4 0 0,9610 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625
1 0,0390 0,1715 0,2916 0,3685 0,4096 0,4219 0,4116 0,3845 0,3456 0,2995 0,2500
2 0,0010 0,0135 0,0486 0,0975 0,1536 0,2109 0,2646 0,3105 0,3456 0,3675 0,3750
3 0,0000 0,0005 0,0036 0,0115 0,0256 0,0469 0,0756 0,1115 0,1536 0,2005 0,2500
4 0,0000 0,0000 0,0001 0,0005 0,0016 0,0039 0,0081 0,0150 0,0256 0,0410 0,0625
5 0 0,9510 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0312
1 0,0480 0,2036 0,3280 0,3915 0,4096 0,3955 0,3602 0,3124 0,2592 0,2059 0,1562
2 0,0010 0,0214 0,0729 0,1382 0,2048 0,2637 0,3087 0,3364 0,3456 0,3369 0,3125
3 0,0000 0,0011 0,0081 0,0244 0,0512 0,0879 0,1323 0,1811 0,2304 0,2757 0,3125
4 0,0000 0,0000 0,0004 0,0022 0,0064 0,0146 0,0284 0,0488 0,0768 0,1128 0,1562
5 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0024 0,0053 0,0102 0,0185 0,0312
6 0 0,9410 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156
1 0,0570 0,2321 0,3543 0,3993 0,3932 0,3560 0,3025 0,2437 0,1866 0,1359 0,0938
2 0,0010 0,0305 0,0984 0,1762 0,2458 0,2966 0,3241 0,3280 0,3110 0,2780 0,2344
3 0,0000 0,0021 0,0146 0,0415 0,0819 0,1318 0,1852 0,2355 0,2765 0,3032 0,3125
4 0,0000 0,0001 0,0012 0,0055 0,0154 0,0330 0,0595 0,0951 0,1382 0,1861 0,2344
5 0,0000 0,0000 0,0001 0,0004 0,0015 0,0044 0,0102 0,0205 0,0369 0,0609 0,0938
6 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0018 0,0041 0,0083 0,0156
7 0 0,9320 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078
1 0,0660 0,2573 0,3720 0,3960 0,3670 0,3115 0,2471 0,1848 0,1306 0,0872 0,0547
2 0,0020 0,0406 0,1240 0,2097 0,2753 0,3115 0,3177 0,2985 0,2613 0,2140 0,1641
3 0,0000 0,0036 0,0230 0,0617 0,1147 0,1730 0,2269 0,2679 0,2903 0,2918 0,2734
4 0,0000 0,0002 0,0026 0,0109 0,0287 0,0577 0,0972 0,1442 0,1935 0,2388 0,2734
5 0,0000 0,0000 0,0002 0,0012 0,0043 0,0115 0,0250 0,0466 0,0774 0,1172 0,1641
6 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0036 0,0084 0,0172 0,0320 0,0547
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0016 0,0037 0,0078
8 0 0,9227 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039
1 0,0747 0,2793 0,3826 0,3847 0,3355 0,2670 0,1977 0,1373 0,0896 0,0548 0,0312
2 0,0026 0,0515 0,1488 0,2376 0,2936 0,3115 0,2965 0,2587 0,2090 0,1569 0,1094
3 0,0000 0,0054 0,0331 0,0839 0,1468 0,2076 0,2541 0,2786 0,2787 0,2568 0,2188
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 417
4 0,0000 0,0004 0,0046 0,0185 0,0459 0,0865 0,1361 0,1875 0,2322 0,2627 0,2734
5 0,0000 0,0000 0,0004 0,0026 0,0092 0,0231 0,0467 0,0808 0,1239 0,1719 0,2188
6 0,0000 0,0000 0,0000 0,0002 0,0011 0,0038 0,0100 0,0217 0,0413 0,0703 0,1094
7 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0012 0,0033 0,0079 0,0164 0,0312
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0007 0,0017 0,0039
9 0 0,9135 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0277 0,0101 0,0046 0,0020
1 0,0830 0,2985 0,3874 0,3679 0,3020 0,2253 0,1556 0,1004 0,0605 0,0339 0,0176
2 0,0033 0,0629 0,1722 0,2597 0,3020 0,3003 0,2668 0,2162 0,1612 0,1110 0,0703
3 0,0000 0,0077 0,0446 0,1069 0,1762 0,2336 0,2668 0,2716 0,2508 0,2119 0,1641
4 0,0000 0,0006 0,0074 0,0283 0,0661 0,1168 0,1715 0,2194 0,2508 0,2600 0,2461
5 0,0000 0,0000 0,0008 0,0050 0,0165 0,0389 0,0735 0,1181 0,1672 0,2128 0,2461
6 0,0000 0,0000 0,0001 0,0006 0,0028 0,0087 0,0210 0,0424 0,0743 0,1160 0,1641
7 0,0000 0,0000 0,0000 0,0000 0,0003 0,0012 0,0039 0,0098 0,0212 0,0407 0,0703
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0013 0,0035 0,0083 0,0176
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020
10 0 0,9044 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010
1 0,0914 0,3151 0,3874 0,3474 0,2684 0,1877 0,1211 0,0725 0,0403 0,0207 0,0098
2 0,0042 0,0746 0,1937 0,2759 0,3020 0,2816 0,2335 0,1757 0,1209 0,0763 0,0439
3 0,0001 0,0105 0,0574 0,1298 0,2013 0,2503 0,2668 0,2522 0,2150 0,1665 0,1172
4 0,0000 0,0010 0,0112 0,0401 0,0881 0,1460 0,2001 0,2377 0,2508 0,2384 0,2051
5 0,0000 0,0001 0,0015 0,0085 0,0264 0,0584 0,1029 0,1536 0,2007 0,2340 0,2461
6 0,0000 0,0000 0,0001 0,0012 0,0055 0,0162 0,0368 0,0689 0,1115 0,1596 0,2051
7 0,0000 0,0000 0,0000 0,0001 0,0008 0,0031 0,0090 0,0212 0,0425 0,0746 0,1172
8 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0014 0,0043 0,0106 0,0229 0,0439
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016 0,0042 0,0098
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0016
11 0 0,8953 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005
1 0,0995 0,3293 0,3835 0,2348 0,2362 0,1549 0,0932 0,0518 0,0266 0,0125 0,0054
2 0,0050 0,0867 0,2131 0,2866 0,2953 0,2581 0,1998 0,1395 0,0887 0,0513 0,0269
3 0,0002 0,0137 0,0710 0,1517 0,2215 0,2581 0,2568 2254 0,1774 0,1259 0,0806
4 0,0000 0,0014 0,0158 0,0536 0,1107 0,1721 0,2201 0,2428 0,2365 0,2060 0,1611
5 0,0000 0,0001 0,0025 0,0132 0,0388 0,0803 0,1231 0,1830 0,2207 0,2360 0,2256
6 0,0000 0,0000 0,0003 0,0003 000097 0,0268 0,0566 0,0985 0,1471 0,1931 0,2256
7 0,0000 0,0000 0,0000 0,0003 0,0017 0,0064 0,0173 0,0379 0,0701 0,1128 0,1611
8 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0037 0,0102 0,0234 0,0462 0,0806
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018 0,0052 0,0126 0,0269
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007 0,0021 0,0054
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0005
12 0 0,8864 0,0504 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0008 0,0002
1 0,1074 0,3413 0,3766 0,3012 0,2062 0,1267 0,0712 0,0368 0,0174 0,0075 0,0029
2 0,0060 0,0988 0,2301 0,2924 0,2835 0,2323 0,1678 0,1088 0,0639 0,0339 0,0161
3 0,0002 0,0173 0,0852 0,1720 0,2362 0,2581 0,2397 0,1954 0,1419 0,0923 0,0537
4 0,000 0,0021 0,0213 0,0683 0,1329 0,1936 0,2311 0,2367 0,2128 0,1700 0,1208
5 0,0000 0,0002 0,0038 0,0193 0,0532 0,1032 0,1585 0,2039 0,2270 0,2225 0,1934
6 0,0000 0,0000 0,0005 0,0040 0,0155 0,0401 0,0792 0,1281 0,1766 0,2124 0,2256
7 0,0000 0,0000 0,0000 0,0006 0,0033 0,0115 0,0291 0,0591 0,1009 0,1489 0,1934
8 0,0000 0,0000 0,0000 0,0001 0,0005 0,0024 0,0078 0,0199 0,0420 0,0762 0,2108
9 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0015 0,0048 0,0125 0,0277 0,0537
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0008 0,0025 0,0068 0,0161
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0029
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 418
13 0 0,8775 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001
1 0,1152 0,3512 0,3672 0,2774 0,1787 0,1029 0,0540 0,0259 0,0113 0,0045 0,0016
2 0,0070 0,1109 0,2448 0,2937 0,2680 0,2059 0,1388 0,0836 0,0453 0,0220 0,0095
3 0,0002 0,0214 0,0097 0,1900 0,2457 0,2517 0,2181 0,1651 0,1107 0,0660 0,0349
4 0,0000 0,0028 0,0277 0,0838 0,1535 0,2097 0,2337 0,2222 0,1845 0,1350 0,0873
5 0,0000 ,0,0003 0,0055 0,0266 0,0691 0,1258 0,1803 0,2154 0,2214 0,1980 0,1571
6 0,0000 0,0000 0,0008 0,0063 0,0230 0,0559 0,1030 0,1546 0,1968 0,2169 0,2095
7 0,0000 0,0000 0,0001 0,0011 0,0058 0,0186 0,0442 0,0833 0,1312 0,1775 0,2095
8 0,0000 0,0000 0,0000 0,0001 0,0011 0,0047 0,0142 0,0336 0,0656 0,1089 0,1571
9 0,0000 0,0000 0,0000 0,0000 0,0001 0,0009 0,0034 0,0101 0,0243 0,0495 0,0873
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0022 0,0065 0,0162 0,0349
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0008 0,0012 0,0036 0,0095
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0016
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
14 0 0,8687 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001
1 0,1223 0,3593 0,3559 0,2539 0,1539 0,0832 0,0407 0,0181 0,0073 0,0027 0,0009
2 0,0081 0,1229 0,2570 0,2912 0,2501 0,1802 0,1134 0,0634 0,0317 0,0141 0,0056
3 0,0003 0,0259 0,1142 0,2056 0,2501 0,2402 0,1943 0,1366 0,0845 0,0462 0,0222
4 0,0000 0,0037 0,0349 0,0998 0,1720 0,2202 0,2290 0,2022 0,1549 0,1040 0,0611
5 0,0000 0,0004 0,0078 0,0352 0,0860 0,1468 0,1963 0,2178 0,2066 0,1701 0,1222
6 0,0000 0,0000 0,0013 0,0093 0,0322 0,0734 0,1262 0,1759 0,2066 0,2088 0,1833
7 0,0000 0,0000 0,0002 0,0019 0,0092 0,0280 0,0618 0,1082 0,1574 0,1952 0,2095
8 0,0000 0,0000 0,0000 0,0003 0,0020 0,0082 0,0232 0,0510 0,0918 0,1398 0,1833
9 0,0000 0,0000 0,0000 0,0000 0,0003 0,0018 0,0066 0,0183 0,0408 0,0762 0,1222
10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0014 0,0049 0,0136 0,0312 0,0611
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0033 0,0093 0,0222
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0019 0,0056
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0009
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
15 0 0,8600 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000
1 0,1303 0,3658 0,3432 0,2312 0,1319 0,0668 0,0305 0,0126 0,0047 0,0016 0,0005
2 0,0092 0,1348 0,2669 0,2856 0,2309 0,1559 0,0916 0,0476 0,0219 0,0090 0,0032
3 0,0004 0,0307 0,1285 0,2184 0,2501 0,2252 0,1700 0,1110 0,0634 0,0318 0,0139
4 0,0000 0,0049 0,0428 0,1156 0,1876 0,2252 0,2186 0,1792 0,1268 0,0780 0,0417
5 0,0000 0,0006 0,0105 0,0449 0,1032 0,1651 0,2061 0,2123 0,1859 0,1404 0,0916
6 0,0000 0,0000 0,0019 0,0132 0,0430 0,0917 0,1472 0,1906 0,2066 0,1914 0,1527
7 0,0000 0,0000 0,0003 0,0030 0,0138 0,0393 0,0811 0,1319 0,1771 0,2013 0,1964
8 0,0000 0,0000 0,0000 0,0005 0,0035 0,0131 0,0348 0,0710 0,1181 0,1647 0,1964
9 0,0000 0,0000 0,0000 0,0001 0,0007 0,0034 0,0116 0,0298 0,0612 0,1048 0,1527
10 0,0000 0,0000 0,0000 0,0000 0,0001 0,0007 0,0030 0,0096 0,0245 0,0515 0,0916
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0074 0,0191 0,0417
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0016 0,0052 0,0319
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010 0,0032
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
16 0 0,8514 0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003 0,0001 0,0000
1 0,1376 0,3706 0,3294 0,2097 0,1126 0,0535 0,0228 0,0087 0,0030 0,0009 0,0002
2 0,0104 0,1463 0,2745 0,2775 0,2111 0,1336 0,0732 0,0353 0,0150 0,0056 0,0018
3 0,0005 0,3559 0,1423 0,2285 0,2463 0,2079 0,1465 0,0888 0,0468 0,0215 0,0085
4 0,0000 0,0061 0,0514 0,1311 0,2001 0,2252 0,2040 0,1553 0,1014 0,0572 0,0278
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 419
5 0,0000 0,0008 0,0137 0,0555 0,1201 0,1802 0,2099 0,2008 0,1623 0,1123 0,0667
6 0,0000 0,0001 0,0028 0,0180 0,0550 0,1101 0,1649 0,1982 0,1983 0,1684 0,1222
7 0,0000 0,0000 0,0004 0,0045 0,0917 0,0524 0,1010 0,1524 0,1889 0,1969 0,1746
8 0,0000 0,0000 0,0001 0,0009 0,0055 0,0197 0,0487 0,0923 0,1417 0,1812 0,1964
9 0,0000 0,0000 0,0000 0,0001 0,0012 0,0058 0,0185 0,0442 0,0840 0,1318 0,1746
10 0,0000 0,0000 0,0000 0,0000 0,0002 0,0014 0,0056 0,0167 0,0392 0,0755 0,1222
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0013 0,0049 0,0142 0,0337 0,0667
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0040 0,0115 0,0278
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0008 0,0029 0,0085
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
17 0 0,8429 0,4181 0,1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,0000 0,0000
1 0,1447 0,3741 0,3150 0,1893 0,0957 0,0426 0,0169 0,0060 0,0019 0,0005 0,0001
2 0,0117 0,1575 0,2800 0,2673 0,1914 0,1136 0,0581 0,0260 0,0102 0,0035 0,0010
3 0,0006 0,0415 0,1556 0,2359 0,2393 0,1893 0,1245 0,0701 0,0341 0,0144 0,0052
4 0,0000 0,0076 0,0605 0,1457 0,2093 0,2209 0,1868 0,1320 0,0796 0,0411 0,0182
5 0,0000 0,0010 0,0175 0,0668 0,1361 0,1914 0,2081 0,1849 0,1379 0,0875 0,0472
6 0,0000 0,0001 0,0039 0,0236 0,0680 0,1276 0,1784 0,1991 0,1839 0,1432 0,0944
7 0,0000 0,0000 0,0007 0,0065 0,0267 0,0668 0,1201 0,1685 0,1927 0,1841 0,1484
8 0,0000 0,0000 0,0001 0,0041 0,0084 0,0279 0,0644 0,1143 0,1606 0,1883 0,1855
9 0,0000 0,0000 0,0000 0,0003 0,0021 0,0093 0,0276 0,0611 0,1070 0,1540 0,1855
10 0,0000 0,0000 0,0000 0,0000 0,0004 0,0025 0,0095 0,0263 0,0571 0,1008 0,1484
11 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0026 0,0090 0,0242 0,0525 0,0944
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0081 0,0215 0,0472
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0021 0,0068 0,0182
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0004 0,0016 0,0052
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
18 0 0,8345 0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000 0,0000
1 0,1517 0,3763 0,3002 0,1704 0,0811 0,0338 0,0126 0,0042 0,0012 0,0003 0,0001
2 0,0130 0,1683 0,2835 0,2556 0,1723 0,0958 0,0458 0,0190 0,0069 0,0022 0,0006
3 0,0007 0,0473 0,1680 0,2406 0,2297 0,1704 0,1046 0,0547 0,0246 0,0095 0,0031
4 0,0000 0,0093 0,0700 0,1592 0,2153 0,2130 0,1681 0,1104 0,0614 0,0291 0,0117
5 0,0000 0,0014 0,0218 0,0787 0,1507 0,1988 0,2017 0,1664 0,1146 0,0666 0,0327
6 0,0000 0,0002 0,0052 0,0310 0,0816 0,1436 0,1873 0,1941 0,1655 0,1181 0,0708
7 0,0000 0,0000 0,0010 0,0091 0,0350 0,0820 0,1376 0,1792 0,1892 0,1657 0,1214
8 0,0000 0,0000 0,0002 0,0022 0,0120 0,0376 0,0811 0,1327 0,1734 0,1864 0,1669
9 0,0000 0,0000 0,0000 0,0004 0,0033 0,0139 0,0386 0,0794 0,1284 0,1694 0,1855
10 0,0000 0,0000 0,0000 0,0001 0,0008 0,0042 0,0149 0,0385 0,0771 0,1248 0,1669
11 0,0000 0,0000 0,0000 0,0000 0,0001 0,0010 0,0046 0,0151 0,0374 0,0742 0,1214
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0047 0,0145 0,0354 0,0708
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0045 0,0134 0,0327
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011 0,0039 0,0117
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0009 0,0031
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 420
19 0 0,8262 0,3774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0000 0,0000 0,0000
1 0,1586 0,3774 0,2852 0,1529 0,0658 0,0268 0,0093 0,0029 0,0008 0,0002 0,0000
2 0,0144 0,1787 0,2852 0,2428 0,1540 0,0803 0,0358 0,0138 0,0046 0,0013 0,0003
3 0,0008 0,0533 0,1796 0,2428 0,2182 0,1517 0,0869 0,0422 0,0175 0,0062 0,0018
4 0,0000 0,0112 0,0798 0,1714 0,2182 0,2023 0,1491 0,0909 0,0467 0,0203 0,0074
5 0,0000 0,0018 0,0266 0,0907 0,1636 0,2023 0,1916 0,1468 0,0933 0,0497 0,0222
6 0,0000 0,0002 0,0069 0,0374 0,0955 0,1574 0,1916 0,1844 0,1451 0,0949 0,0518
7 0,0000 0,0000 0,0014 0,0122 0,0443 0,0974 0,1525 0,1844 0,1797 0,1443 0,0961
8 0,0000 0,0000 0,0002 0,0032 0,0166 0,0487 0,0981 0,1489 0,1789 0,1771 0,1442
9 0,0000 0,0000 0,0000 0,0007 0,0051 0,0198 0,0154 0,0980 0,1464 0,1771 0,1762
10 0,0000 0,0000 0,0000 0,0001 0,0013 0,0066 0,0220 0,0528 0,0976 0,1449 0,1762
11 0,0000 0,0000 0,0000 0,0000 0,0003 0,0018 0,0077 0,0233 0,0532 0,0970 0,1442
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0004 0,0022 0,0083 0,00237 0,0529 0,0961
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0024 0,0085 0,0233 0,0518
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0006 0,0024 0,0082 0,0222
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0022 0,0074
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005 0,0018
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
20 0 0,8179 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000
1 0,1652 0,3774 0,2702 0,1368 0,0576 0,0211 0,0068 0,0020 0,0005 0,0001 0,0000
2 0,0158 0,1887 0,2852 0,2293 0,1369 0,0669 0,0287 0,0100 0,0031 0,0008 0,0002
3 0,0010 0,0596 0,1901 0,2428 0,2054 0,1339 0,0716 0,0323 0,0123 0,0040 0,0011
4 0,0000 0,0133 0,0898 0,1821 0,2182 0,1897 0,1304 0,0738 0,0350 0,0139 0,0046
5 0,0000 0,0022 0,0319 0,1028 0,1746 0,2023 0,1789 0,1272 0,0746 0,0365 0,0148
6 0,0000 0,0003 0,0089 0,0454 0,1091 0,1686 0,1916 0,1712 0,1244 0,0746 0,0370
7 0,0000 0,0000 0,0020 0,0160 0,0545 0,1124 0,1643 0,1844 0,1659 0,1221 0,0739
8 0,0000 0,0000 0,0004 0,0046 0,0222 0,0609 0,1144 0,1614 0,1797 0,1623 0,2101
9 0,0000 0,0000 0,0001 0,0011 0,0074 0,0271 0,0654 0,1158 0,1597 0,1771 0,1602
10 0,0000 0,0000 0,0000 0,0002 0,0020 0,0099 0,0308 0,0686 0,1171 0,1593 0,1762
11 0,0000 0,0000 0,0000 0,0000 0,0005 0,0030 0,0120 0,0336 0,0710 0,1185 0,1602
12 0,0000 0,0000 0,0000 0,0000 0,0001 0,0008 0,0039 0,0136 0,0355 0,0727 0,1201
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0010 0,0045 0,0146 0,0366 0,0739
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0012 0,0049 0,0150 0,0370
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0013 0,0049 0,0148
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0003 0,0013 0,0046
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0011
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
20 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 421
TABLA III
x 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066 0,3679
1 0,0905 0,1637 0,2222 0,2681 0,3033 0,3293 0,3476 0,3595 0,3659 0,3679
2 0,0045 0,0164 0,0333 0,0536 0,0758 0,0988 0,1217 0,1438 0,1647 0,1839
3 0,0002 0,0011 0,0033 0,0072 0,0126 0,0198 0,0284 0,0383 0,0494 0,0613
4 0,0000 0,0001 0,0003 0,0007 0,0016 0,0030 0,0050 0,0077 0,0111 0,0153
5 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0012 0,0020 0,0031
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0003 0,0005
x 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0
0 0,3329 0,3012 0,2725 0,2466 0,2231 0,2019 0,1827 0,1653 0,1496 0,1353
1 0,3662 0,3614 0,3543 0,3452 0,3347 0,3230 0,3106 0,2975 0,2842 0,2707
2 0,2014 0,2169 0,2303 0,2417 0,2510 0,2584 0,2640 0,2678 0,2700 0,2707
3 0,0738 0,0867 0,0998 0,1128 0,1255 0,1378 0,1496 0,1607 0,1710 0,1804
4 0,0203 0,0260 0,0324 0,0395 0,0471 0,0551 0,0636 0,0723 0,0812 0,0902
5 0,0045 0,0062 0,0084 0,0111 0,0141 0,0176 0,0216 0,0260 0,0309 0,0361
6 0,0008 0,0012 0,0018 0,0026 0,0035 0,0047 0,0061 0,0078 0,0098 0,0120
7 0,0001 0,0002 0,0003 0,0005 0,0008 0,0011 0,0015 0,0020 0,0027 0,0034
8 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0005 0,0006 0,0009
9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 422
x 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0
0 0,1225 0,1108 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550 0,0498
1 0,2572 0,2438 0,2306 0,2177 0,2052 0,1931 0,1815 0,1703 0,1596 0,1494
2 0,2700 0,2681 0,2652 0,2613 0,2565 0,2510 0,2450 0,2384 0,2314 0,2240
3 0,1890 0,1966 0,2033 0,2090 0,2138 0,2176 0,2205 0,2225 0,2237 0,2240
4 0,0992 0,1082 0,1169 0,1254 0,1336 0,1414 0,1488 0,1557 0,1622 0,1680
5 0,0417 0,0476 0,0538 0,0602 0,0668 0,0735 0,0804 0,0872 0,0940 0,1008
6 0,0146 0,0174 0,0206 0,0241 0,0278 0,0319 0,0362 0,0407 0,0455 0,0504
7 0,0044 0,0055 0,0068 0,0083 0,0099 0,0118 0,0139 0,0163 0,0188 0,0216
8 0,0011 0,0015 0,0019 0,0025 0,0031 0,0038 0,0047 0,0057 0,0068 0,0081
9 0,0003 0,0004 0,0005 0,0007 0,0009 0,0011 0,0014 0,0018 0,0022 0,0027
10 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006 0,0008
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
x 3,2 3,4 3,6 3,8 4,0 4,2 4,4 4,6 4,8 4,9
0 0,0408 0,0334 0,0273 0,0224 0,0183 0,0150 0,0123 0,0101 0,0082 0,0074
1 0,1304 0,1135 0,0984 0,0850 0,0733 0,0630 0,0540 0,0462 0,0395 0,0365
2 0,2087 0,1929 0,1771 0,1615 0,1465 0,1323 0,1188 0,1063 0,0948 0,0894
3 0,2226 0,2186 0,2125 0,2046 0,1954 0,1852 0,1743 0,1631 0,1517 0,1460
4 0,1781 0,1858 0,1912 0,1944 0,1954 0,1944 0,1917 0,1875 0,1820 0,1789
5 0,1140 0,1264 0,1377 0,1477 0,1563 0,1633 0,1687 0,1725 0,1747 0,1753
6 0,0608 0,0716 0,0826 0,0936 0,1042 0,1143 0,1237, 0,1323 0,1398 0,1432
7 0,0278 0,0348 0,0425 0,0508 0,0595 0,0686 0,0778 0,0869 0,0959 0,1002
8 0,0111 0,0148 0,0191 0,0241 0,0298 0,0360 0,0428 0,0500 0,0575 0,0614
9 0,0040 0,0056 0,0076 0,0102 0,0132 0,0168 0,0209 0,0255 0,0307 0,0334
10 0,0013 0,0019 0,0028 0,0039 0,0053 0,0071 0,0092 0,0118 0,0147 0,0164
11 0,0004 0,0006 0,0009 0,0013 0,0019 0,0027 0,0037 0,0049 0,0064 0,0073
12 0,0001 0,0002 0,0003 0,0004 0,0006 0,0009 0,0013 0,0019 0,0026 0,0030
13 0,0000 0,0000 0,0001 0,0001 0,0002 0,0003 0,0005 0,0007 0,0009 0,0011
14 0,0000 0,0000 0,0000 0,0000, 0,0001 0:0001 0,0001 0,0002 0,0003 0,0004
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 423
x 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 6,8 7,0
0 0,0067 0,0055 0,0045 0,0037 0,0030 0,0025 0,0020 0,0017 0,0014 0,0011 0,0009
1 0,0337 0,0287 0,0244 0,0207 0,0176 0,0149 0,0126 0,0106 0,0090 0,0076 0,0064
2 0,0842 0,0746 0,0659 0,0580 0,0509 0,0446 0,0390 0,0340 0,0296 0,0258 0,0223
3 0,1404 0,1293 0,1185 0,1082 0,0985 0,0892 0,0806 0,0726 0,0652 0,0584 0,0521
4 0,1755 0,1681 0,1600 0,1515 0,1428 0,1339 0,1249 0,1162 0,1076 0,0992 0,0912
5 0,1755 0,1748 0,1728 0,1697 0,1656 0,1606 0,1549 0,1487 0,1420 0,1349 0,1277
6 0,1462 0,1515 0,1555 0,1584 0,1601 0,1606 0,1601 0,1586 0,1562 0,1529 0,1490
7 0,1044 0,1125 0,1200 0,1267 0,1326 0,1377 0,1418 0,1450 0,1472 0,1486 0,1490
8 0,0653 0,0731 0,0810 0,0887 0,0962 0,1033 0,1099 0,1160 0,1215 0,1263 0,1304
9 0,0363 0,0423 0,0486 0,0552 0,0620 0,0688 0,0757 0,0825 0,0891 0,0954 0,1014
10 0,0181 0,0220 0,0262 0,0309 0,0359 0,0413 0,0469 0:0528 0,0588 0,0649 0,0710
11 0,0082 0,0104 0,0129 0,0157 0,0190 0,0225 0,0265 0,0307 0,0353 0,0401 0,0452
12 0,0034 0,0045 0,0058 0,0073 0,0092 0,0113 0,0137 0,0164 0,0194 0,0227 0,0263
13 0,0013 0,0018 0,0024 0,0032 0,0041 0,0052 0,0065 0,0081 0,0099 0,0119 0,0142
14 0,0005 0,0007 0,0009 0,0013 0,0017 0,0022 0,0029 0,0037 0,0046 0,0058 0,0071
15 0,0002 0,0002 0,0003 0,0005 0,0007 0,0009 0,0012 0,0016 0,0020 0,0026 0,0033
16 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0005 0,0006 0,0008 0,0011 0,0014
17 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0006
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
x 7,2 7,4 7,6 7,8 8,0 8,2 8,4 8,6 8,8 9,0 9,1
0 0,0007 0,0006 0,0005 0,0004 0,0003 0,0003 0,0002 0,0002 0,0002 0,0001 0,0001
1 0,0054 0,0045 0,0038 0,0032 0,0027 0,0023 0,0019 0,0016 0,0013 0,0011 0,0010
2 0,0194 0,0167 0,0145 0,0125 0,0107 0,0092 0,0079 0,0068 0,0058 0,0050 0,0046
3 0,0464 0,0413 0,0366 0,0324 0,0286 0,0252 0,0222 0,0195 0,0171 0,0150 0,0140
4 0,0836 0,0764 0,0696 0,0632 0,0573 0,0517 0,0466 0,0420 0,0377 0,0337 0,0319
5 0,1204 0,1130 0,1057 0,0986 0,0916 0,0849 0,0784 0,0722 0,0663 0,0607 0,0581
6 0,1445 0,1394 0,1339 0,1282 0,1221 0,1160 0,1097 0,1034 0,0972 0,0911 0,0881
7 0,1486 0,1474 0,1454 0,1428 0,1396 0,1358 0,1317 0,1271 0,1222 0,1171 0,114
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 424
x 7,2 7,4 7,6 7,8 8,0 8,2 8,4 8,6 8,8 9,0 9,1
8 0,1337 0,1363 0,1381 0,1392 0,1396 0,1392 0,1382 0,1366 0,1344 0,1318 0,1302
9 0,1070 0,1121 0,1167 0,1207 0,1241 0,1269 0,1290 0,1306 0,1315 0,1318 0,1317
10 0,0770 0,0829 0,0887 0,0941 0,0993 0,1040 0,1084 0,1123 0,1157 0,1186 0,1198
11 0,0504 0,0558 0,0613 0,0667 0,0722 0,0776 0,0828 0,0878 0,0925 0,0970 0,0991
12 0,0303 0,0344 0,0388 0,0434 0,0481 0,0530 0,0579 0,0629 0,0679 0,0728 0,0752
13 0,0168 0,0196 0,0227 0,0260 0,0296 0,0334 0,0374 0,0416 0,0459 0,0504 0,0526
14 0,0086 0,0104 0,0123 0,0145 0,0169 0,0196 0,0225 0,0256 0,0289 0,0324 0,0342
15 0,0041 0,0051 0,0062 0,0075 0,0090 0,0107 0,0126 0,0147 0,0169 0,0194 0,0208
16 0,0019 0,0024 0,0030 0,0037 0,0045 0,0055 0,0066 0,0079 0,0093 0,0109 0,0118
17 0,0008 0,0010 0,0013 0,0017 0,0021 0,0026 0,0033 0,0040 0,0048 0,0058 0,0063
18 0,0003 0,0004 0,0006 0,0007 0,0009 0,0012 0,0015 0,0019 0,0024 0,0029 0,0032
19 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0007 0,0009 0,0011 0,0014 0,0015
20 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006 0,0007
x 9,2 9,3 9,4 9,5 9,6 9,7 9,8 9,9 10,0 10,5 11,0
0 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0000 0,0000 0,0000
1 0,0009 0,0009 0,0008 0,0007 0,0007 0,0006 0,0005 0,0005 0,0005 0,0003 0,0002
2 0,0043 0,0040 0,0037 0,0034 0,0031 0,0029 0,0027 0,0025 0,0023 0,0015 0,0010
3 0,0131 0,0123 0,0115 0,0107 0,0100 0,0093 0,0087 0,0081 0,0076 0,0053 0,0037
4 0,0302 0,0285 0,0269 0,0254 0,0240 0,0226 0,0213 0,0201 0,0189 0,0139 0,0102
5 0,0555 0,0530 0,0506 0,0483 0,0460 0,0439 0,0418 0,0398 0,0378 0,0293 0,0224
6 0,0851 0,0822 0,0793 0,0764 0,0736 0,0709 0,0682 0,0656 0,0631 0,0513 0,0411
7 0,1118 0,1091 0,1064 0,1037 0,1010 0,0982 0,0955 0,0928 0,0901 0,0769 0,0646
8 0,1286 0,1269 0,1251 0,1232 0,1212 0,1191 0,1170 0,1148 0,1126 0,1009 0,0888
9 0,1315 0,1311 0,1306 0,1300 0,1293 0,1284 0,1274 0,1263 0,1251 0,1177 0,1085
10 0,1210 0,1219 0,1228 0,1235 0,1241 0,1245 0,1249 0,1250 0,1251 0,1236 0,1194
11 0,1012 0,1031 0,1049 0,1067 0,1083 0,1098 0,1112 0,1125 0,1137 0,1180 0,1194
12 0,0776 0,0799 0,0822 0,0844 0,0866 0,0888 0,0908 0,0928 0,0948 0,1032 0,1094
13 0,0549 0,0572 0,0594 0,0617 0,0640 0,0662 0,0685 0,0707 0,0729 0,0834 0,0926
14 0,0361 0,0380 0,0399 0,0419 0,0439 0,0459 0,0479 0,0500 0,0521 0,0625 0,0728
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 425
x 9,2 9,3 9,4 9,5 9,6 9,7 9,8 9,9 10,0 10,5 11,0
15 0,0221 0,0235 0,0250 0,0265 0,0281 0,0297 0,0313 0,0330 0,0347 0,0438 0,0534
16 0,0127 0,0137 0,0147 0,0157 0,0168 0,0180 0,0192 0,0204 0,0217 0,0287 0,0367
17 0,0069 0,0075 0,0081 0,0088 0,0095 0,0103 0,0111 0,0119 0,0128 0,0177 0,0237
18 0,0035 0,0039 0,0042 0,0046 0,0051 0,0055 0,0060 0,0065 0,0071 0,0104 0,0145
19 0,0017 0,0019 0,0021 0,0023 0,0026 0,0028 0,0031 0,0034 0,0037 0,0057 0,0084
20 0,0008 0,0009 0,0010 0,0011 0,0012 0,0014 0,0015 0,0017 0,0019 0,0030 0,0046
21 0,0003 0,0004 0,0004 0,0005 0,0006 0,0006 0,0007 0,0008 0,0009 0,0015 0,0024
22 0,0001 0,0002 0,0002 0,0002 0,0002 0,0003 0,0003 0,0004 0,0004 0,0007 0,0012
23 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0006
24 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0003
25 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001
TABLA IV
VALORES CRÍTICOS DE LA DISTRIBUCIÓN t DE STUDENT•
TABLA V
VALORES CRÍTICOS DE LA DISTRIBUCIÓN F
gl (N)•
gl (D) α 1 2 3 4 5 6 7 8 9 10
1 0,010 4052,00 4999,00 5403,00 5625,00 5764,00 5859,00 5928 5982 6022 6056
0,025 647,80 799,50 864,20 899,60 921,80 937,10 948,20 956,70 963,30 968,60
0,050 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88
2 0,010 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,39 99,40
0,025 38,51 39,00 39,17 39,25 39,30 39,33 39,36 39,37 39,39 39,40
0,050 18,51 19,00 19,17 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 0,010 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,35 27,23
0,025 17,44 16,04 15,44 15,10 14,88 14,73 14,62 14,54 14,47 14,42
0,050 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 0,010 21,20 18,00 16,70 15,98 15,52 15,21 14,98 14,80 14,66 14,55
0,025 12,22 10,65 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84
0,050 7,71 6,95 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
• gl (N): grados de libertad del numerador; gl (D): grados de libertad del denominador.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 427
5 0,010 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05
0,025 10,01 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62
0,050 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 0,010 13,75 10,93 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87
0,025 8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46
0,050 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 0,010 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62
0,025 8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76
0,050 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 0,010 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81
0,025 7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30
0,050 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
9 0,010 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26
0,025 7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96
0,050 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 0,010 10,05 7,56 6,55 6,00 5,64 5,39 5,20 5,06 4,94 4,85
0,025 6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72
0,050 4,97 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 0,010 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54
0,025 6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53
0,050 4,85 3,98 3,59 3,36 3,20 3,10 3,01 2,95 2,90 2,85
12 0,010 9,33 6,93 5,95 5,41 5,07 4,82 4,64 4,50 4,39 4,30
0,025 6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37
0,050 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,60 2,75
13 0,010 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10
0,025 6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25
0,050 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 0,010 8,86 6,52 5,56 5,04 4,70 4,46 4,28 4,14 4,03 3,94
0,025 6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15
0,050 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 0,010 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80
0,025 6,20 4,77 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06
0,050 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 0,010 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69
0,025 6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99
0,050 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
17 0,010 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59
0,025 6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92
0,050 4,45 3,59 3,20 2,97 2,81 2,70 2,61 2,55 2,49 2,45
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 428
18 0,010 8,29 6,01 5,09 4,58 4,25 4,02 3,84 3,71 3,60 3,54
0,025 5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87
0,050 4,41 3,56 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
19 0,010 8,19 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43
0,025 5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82
0,050 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38
20 0,010 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37
0,025 5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77
0,050 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
21 0,010 8,02 5,78 4,88 4,37 4,04 3,81 3,64 3,51 3,40 3,31
0,025 5,83 4,42 3,82 3,48 3,25 3,09 2,97 2,87 2,80 2,73
0,050 4,33 3,47 3,07 2,84 2,69 2,57 2,49 2,42 2,37 2,32
22 0,010 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26
0,025 5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70
0,050 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30
23 0,010 7,88 5,66 4,77 4,26 3,94 3,71 3,54 3,41 3,30 3,21
0,025 5,75 4,35 3,75 3,41 3,18 3,02 2,90 2,81 2,73 2,67
0,050 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27
24 0,010 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17
0,025 5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64
0,050 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25
25 0,010 7,77 5,57 4,68 4,18 3,86 3,63 3,46 3,32 3,22 3,13
0,025 5,69 4,29 3,69 3,35 3,13 2,97 2,85 2,75 2,68 2,61
0,050 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24
26 0,010 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09
0,025 5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59
0,050 4,23 3,37 2,98 2,74 2,59 2,48 2,39 2,32 2,27 2,22
27 0,010 7,68 5,49 4,60 4,11 3,79 3,56 3,39 3,26 3,15 3,06
0,025 5,63 4,24 3,65 3,31 3,08 2,92 2,80 2,71 2,63 2,57
0,050 4,21 3,36 2,96 2,73 2,57 2,46 2,37 2,31 2,25 2,20
28 0,010 7,64 5,45 4,57 4,08 3,75 3,53 3,36 3,23 3,12 3,03
0,025 5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55
0,050 4,20 3,34 2,95 2,72 2,56 2,45 2,36 2,29 2,24 2,19
29 0,010 7,60 5,42 4,54 4,05 3,73 3,50 3,33 3,20 3,09 3,00
0,025 5,59 4,20 3,61 3,27 3,04 2,88 2,76 2,67 2,59 2,53
0,050 4,18 3,33 2,94 2]0 2,55 2,43 2,35 2,28 2,22 2,18
30 0,010 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98
0,025 5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51
0,050 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 429
40 0,010 7,32 5,18 4,31 3,91 3,51 3,29 3,12 2,99 2,89 2,80
0,025 5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39
0,050 4,09 3,23 2,84 2,64 2,45 2,34 2,25 2,18 2,12 2,08
50 0,010 7,17 5,06 4,20 3,77 3,41 3,19 3,02 2,89 2,78 2,70
0,025 5,34 3,97 3,39 3,05 2,83 2,67 2,55 2,46 2,38 2,32
0,050 4,04 3,18 2,79 2,58 2,40 2,29 2,20 2,13 2,07 2,03
60 0,010 7,08 4,98 4,13 3,68 3,34 3,12 2,95 2,82 2,72 2,43
0,025 5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27
0,050 4,00 3,1,5 2,76 2,54 2,37 2,26 2,17 2,10 2,04 1,99
120 0,010 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47
0,025 5,15 3,80 3,23 2,89 2,67 2,52 2,39 2,30 2,22 2,16
0,050 3,92 3,07 2,68 2,45 2,29 2,17 2,09 2,02 1,96 1,91
∞ 0,010 6,64 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32
0,025 5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05
0,050 3,84 3,00 2,61 2,37 2,22 2,10 2,01 1,94 1,88 1,83
TABLA VI
VALORES CRÍTICOS DE CHI-CUADRADO (χ2)•
α→
0,50 0,40 0,30 0,20 0,10 0,05 0,01 0,001
g.l. f
TABLA VIIa
VALORES CRÍTICOS DE U DE MANN-WHITNEY •
n2 = 3 n2 = 4
n1 r 1 2 3 n1 r 1 2 3 4
Uf Uf
• Tomada de Río Sadornil, D. del (2003): Métodos de investigación en educación. Volumen I. Proceso y diseños
no complejos. Madrid: UNED, pp. 727-733.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 431
n2 = 5 n2 = 6
n1 r 1 2 3 4 5 n1 r 1 2 3 4 5 6
Uf Uf
0 0,167 0,047 0,018 0,008 0,004 0 0,143 0,036 0,012 0,005 0,002 0,001
1 0,333 0,095 0,036 0,016 0,008 1 0,286 0,071 0,024 0,010 0,004 0,002
2 0,500 0,190 0,071 0,032 0,016 2 0,428 0,143 0,048 0,019 0,009 0,004
3 0,667 0,286 0,125 0,056 0,028 3 0,571 0,214 0,083 0,033 0,015 0,008
4 0,429 0,196 0,095 0,048 4 0,321 0,131 0,057 0,026 0,013
5 0,571 0,286 0,143 0,075 5 0,429 0,190 0,086 0,041 0,021
6 0,393 0,206 0,111 6 0,571 0,274 0,129 0,063 0,032
7 0,500 0,278 0,155 7 0,357 0,176 0,089 0,047
8 0,607 0,365 0,210 8 0,452 0,238 0,123 0,066
9 0,452 0,274 9 0,548 0,305 0,165 0,090
10 0,548 0,345 10 0,381 0,214 0,120
11 0,421 11 0,457 0,268 0,155
12 0,500 12 0,545 0,331 0,197
13 0,579 13 0,396 0,242
14 0,465 0,294
15 0,535 0,350
16 0,409
17 0,469
18 0,531
TABLA VIIb
VALORES CRÍTICOS DE U DE MANN-WHITNEY
n2 = 7
n1 r 1 2 3 4 5 6 7
Uf
TABLA VIIc
VALORES CRÍTICOS DE U DE MANN-WHITNEY
n2 = 8
n1 r 1 2 3 4 5 6 7 8 t Normal
Uf
0 0,111 0,022 0,006 0,002 0,001 0,000 0,000 0,000 30,308 0,001
1 0,222 0,044 0,012 0,000 0,002 0,001 0,000 0,000 30,203 0,001
2 0,333 0,089 0,024 0,008 0,003 0,001 0,001 0,000 30,098 0,001
3 0,444 0,133 0,042 0,014 0,005 0,002 0,001 0,001 20,993 0,001
4 0,556 0,200 0,067 0,024 0,009 0,004 0,002 0,001 20,888 0,002
5 0,267 0,097 0,036 0,015 0,006 0,003 0,001 20,783 0,003
6 0,356 0,139 0,055 0,023 0,010 0,005 0,002 20,678 0,004
7 0,444 0,188 0,077 0,033 0,015 0,007 0,003 20,573 0,005
8 0,556 0,248 0,107 0,047 0,021 0,010 0,005 20,468 0,007
9 0,315 0,141 0,064 0,030 0,014 0,007 20,363 0,009
10 0,387 0,184 0,085 0,041 0,020 0,010 20,258 0,012
11 0,461 0,230 0,111 0,054 0,027 0,014 20,153 0,016
12 0,539 0,285 0,142 0,071 0,036 0,019 20,048 0,020
13 0,341 0,177 0,091 0,047 0,025 10,943 0,026
14 0,404 0,217 0,114 0,060 0,032 10,838 0,033
15 0,467 0,262 0,141 0,076 0,041 10,733 0,041
16 0,533 0,311 0,172 0,095 0,052 10,628 0,052
17 0,362 0,207 0,116 0,065 10,523 0,064
18 0,416 0,245 0,140 0,080 10,418 0,078
19 0,472 0,286 0,168 0,097 10,313 0,094
20 0,528 0,331 0,198 0,117 10,208 0,113
21 0,377 0,232 0,139 10,102 0,135
22 0,426 0,268 0,164 0,998 0,159
23 0,475 0,306 0,191 0,893 0,185
24 0,525 0,347 0,221 0,788 0,215
25 0,389 0,253 0,683 0,247
26 0,433 0,287 0,578 0,282
27 0,478 0,323 0,473 0,318
28 0,522 0,360 0,368 0,356
29 0,399 0,263 0,396
30 0,439 0,158 0,437
31 0,480 0,052 0,481
32 0,520
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:33 Página 433
TABLA VIId
VALORES CRÍTICOS DE U PARA UNA PRUEBA DE UNA COLA EN EL α = 0,001
O PARA UNA PRUEBA DE DOS COLAS EN α = 0,002
n2 r 9 10 11 12 13 14 15 16 17 18 19 20
n1 f
1
2
3 0 0 0 0
4 0 0 0 1 1 1 2 2 3 3 3
5 1 1 2 2 3 3 4 5 5 6 7 7
6 2 3 4 4 5 6 7 8 9 10 11 12
7 3 5 6 7 8 9 10 11 13 14 15 16
8 5 6 8 9 11 12 14 15 17 18 20 21
9 7 8 10 12 14 15 17 19 21 23 25 26
10 8 10 12 14 17 19 21 23 25 27 29 32
11 10 12 15 17 20 22 24 27 29 32 34 37
12 12 14 17 20 23 25 28 31 34 37 40 42
13 14 17 20 23 26 29 32 35 38 42 45 48
14 15 19 22 25 29 32 36 39 43 46 50 54
15 17 21 24 28 32 36 40 43 47 51 55 59
16 19 23 27 31 35 39 43 48 52 56 60 65
17 21 25 29 34 38 43 47 52 57 61 66 70
18 23 27 32 37 42 46 51 56 61 66 71 76
19 25 29 34 40 45 50 55 60 66 71 77 82
20 26 32 37 42 48 54 59 65 70 76 82 88
TABLA VIIe
VALORES CRÍTICOS DE U PARA UNA PRUEBA DE UNA COLA EN α = 0,01
O PARA UNA PRUEBA DE DOS COLAS EN EL α = 0,02
n2 r 9 10 11 12 13 14 15 16 17 18 19 20
n1 f
1
2 0 0 0 0 0 0 1 1
3 1 1 1 2 2 2 3 3 4 4 4 5
4 3 3 4 5 5 6 7 7 8 9 9 10
5 5 6 7 8 9 10 11 12 13 14 15 16
6 7 8 9 11 12 13 15 16 18 19 20 22
7 9 11 12 14 16 17 19 21 23 24 26 28
8 11 13 15 17 20 22 24 26 28 30 32 34
9 14 16 18 21 23 26 28 31 33 36 38 40
10 16 19 22 24 27 30 33 36 38 41 44 47
11 18 22 25 28 31 34 37 41 44 47 50 53
12 21 24 28 31 35 38 42 46 49 53 56 60
13 23 27 31 35 39 43 47 51 55 59 63 67
14 26 30 34 38 43 47 51 56 60 65 69 73
15 28 33 37 42 47 51 56 61 66 70 75 80
16 31 36 41 46 51 56 61 66 71 76 82 87
17 33 38 44 49 55 60 66 71 77 82 88 93
18 36 41 47 53 59 65 70 76 82 88 94 100
19 38 44 50 56 63 69 75 82 88 94 101 107
20 40 47 53 60 67 73 80 87 93 100 107 114
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:34 Página 434
TABLA VIIf
VALORES CRÍTICOS DE U PARA UNA PRUEBA DE UNA COLA EN α = 0,025
O PARA UNA PRUEBA DE DOS COLAS EN α = 0,05
n2 r 9 10 11 12 13 14 15 16 17 18 19 20
n1 f
1
2 0 0 0 1 1 1 1 1 2 2 2 2
3 2 3 3 4 4 5 5 6 6 7 7 8
4 4 5 6 7 8 9 10 11 11 12 13 13
5 7 8 9 11 12 13 14 15 17 18 19 20
6 10 11 13 14 16 17 19 21 22 24 25 27
7 12 14 16 18 20 22 24 26 28 30 32 34
8 15 17 19 22 24 26 29 31 34 36 38 41
9 17 20 23 26 28 31 34 37 39 42 45 48
10 20 23 26 29 33 36 39 42 45 48 52 55
11 23 26 30 33 37 40 44 47 51 55 58 62
12 26 29 33 37 41 45 49 53 57 61 65 69
13 28 33 37 41 45 50 54 59 63 67 72 76
14 31 36 40 45 50 55 59 64 67 74 78 83
15 34 39 44 49 54 59 64 70 75 80 85 90
16 37 42 47 53 59 64 70 75 81 86 92 98
17 39 45 51 57 63 67 75 81 87 93 99 105
18 42 48 55 61 67 74 80 86 93 99 106 112
19 45 52 58 65 72 78 85 92 99 106 113 119
20 48 55 62 69 76 83 90 98 105 112 119 127
TABLA VIIg
VALORES CRÍTICOS DE U PARA UNA PRUEBA DE UNA COLA EN α = 0,05
O PARA UNA PRUEBA DE DOS COLAS EN α = 0,10
n2 r 9 10 11 12 13 14 15 16 17 18 19 20
n1 f
1 0 0
2 1 1 1 2 2 2 3 3 3 4 4 4
3 3 4 5 5 6 7 7 8 9 9 10 11
4 6 7 8 9 10 11 12 14 15 16 17 18
5 9 11 12 13 15 16 18 19 20 22 23 25
6 12 14 16 17 19 21 23 25 26 28 30 32
7 15 17 19 21 24 26 28 30 33 35 37 39
8 18 20 23 26 28 31 33 36 39 41 44 47
9 21 24 27 30 33 36 39 42 45 48 51 54
10 24 27 31 34 37 41 44 48 51 55 58 62
11 27 31 34 38 42 46 50 54 57 61 65 69
12 30 34 38 42 47 51 55 60 64 68 72 77
13 33 37 42 47 51 56 61 65 70 75 80 84
14 36 41 46 51 56 61 66 71 77 82 87 92
15 39 44 50 55 61 66 72 77 83 88 94 100
16 42 48 54 60 65 71 77 83 89 95 101 107
17 45 51 57 64 70 77 83 89 96 102 109 115
18 48 55 61 68 75 82 88 95 102 109 116 123
19 51 58 65 72 80 87 94 101 109 116 123 130
20 54 62 69 77 84 92 100 107 115 123 130 138
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:34 Página 435
TABLA VIIIa
VALORES CRÍTICOS DE H EN EL ANÁLISIS DE VARIANZA DE
UNA CLASIFICACIÓN POR RANGOS DE KRUSKAL-WALLIS•
n1 n2 n3 H p n1 n2 n3 H p
TABLA VIIIb
VALORES CRÍTICOS DE H EN EL ANÁLISIS DE VARIANZA DE
UNA CLASIFICACIÓN POR RANGOS DE KRUSKAL-WALLIS
n1 n2 n3 H p n1 n2 n3 H p
TABLA IXa
VALORES CRÍTICOS DE χ2r EN EL ANÁLISIS DE VARIANZA DE
DOS CLASIFICACIONES POR RANGOS DE FRIEDMAN k = 3 •
TABLA IXb
VALORES CRÍTICOS DE χ2r EN EL ANÁLISIS DE VARIANZA DE
DOS CLASIFICACIONES POR RANGOS DE FRIEDMAN k = 3 •
TABLA IXc
VALORES CRÍTICOS DE χ2r EN EL ANÁLISIS DE VARIANZA DE
DOS CLASIFICACIONES POR RANGOS DE FRIEDMAN k = 4
TABLA X
VALORES CRÍTICOS DE T EN LA PRUEBA DE LOS RANGOS SENALADOS
DE PARES IGUALADOS DE WILCOXON •
6 0
7 2 0
8 4 2 0
9 6 3 2
10 8 5 3
11 11 7 5
12 14 10 7
13 17 13 10
14 21 16 13
15 25 20 16
16 30 24 20
17 35 28 23
18 40 33 28
19 46 38 32
20 52 43 38
21 59 49 43
22 66 56 49
23 73 62 55
24 81 69 61
25 89 77 68
Bibliografía
ABAD GONZALEZ, J. et al. (2007). Problemas de probabilidad e inferencia estadísti-
ca aplicadas a las Ciencias Sociales. León: Universidad de León.
AGRESTI, A. y FRANKLIN, C. A. (2007). Statistics: the art and science of learning
from data. Upper Saddle River, NJ: Pearson Prentice Hall.
ALEA, V. et al. (2002). Estadística para las Ciencias Sociales: cuestiones tipo test. Ma-
drid: AC, D.L.
AMON, J. (2004). Estadística para psicólogos. Vol. 2, Probabilidad, estadística inferen-
cial. Madrid: Pirámide, 9ª ed. reimp.
— (2006). Estadística para psicólogos. Vol. 1, Estadística descriptiva. Madrid: Pirámi-
de, 15ª ed., reimp.
AMOR PULIDO, R.; AGUILAR PENA, C. y MORALES LUQUE, A. (2005). Estadística
aplicada. Granada: Grupo Editorial Universitario.
ANGUERA, M. M.; ARNAU, J.; ATO, M.; MARTÍNEZ, R.; PASCUAL, J. y VALLEJO, G.
(1995). Métodos de investigación en psicología. Madrid: Síntesis.
ANGUERA, M. T. (ed.) (1993). Metodología observacional. Barcelona: PPU.
ARNAU GRASS, J. (1981). Diseños experimentales en psicología y educación. México:
Trillas.
— (1990). Diseños experimentales multivariables. Madrid: Alianza.
ASOCIACION DE HISTORIA DE LA ESTADISTICA Y DE LA PROBABILIDAD DE ESPA-
NA (AHEPE) (2002). Historia de la probabilidad y de la estadística. Madrid: AC, D.L.
BABBIE, E. (2000). Fundamentos de la investigación social. México: International
Thompson Editores.
BAILLE, A.; CAPERAA, P. y VAN CUTSEM, B. (1988). Méthodes et modèles en statistique
non paramétrique: exercices et compléments. Paris: Presses de l’Université de Laval.
BERICAT ALASTUEY, E. (1998). La integración de los métodos cuantitativo y cualita-
tivo en la investigación social: significado y forma. Barcelona: Ariel.
BISQUERRA, R. (1989). Métodos de investigación educativa. Barcelona: CEAC.
BONNET JEREZ, J. L. (2003). Lecciones de estadística: estadística descriptiva y proba-
bilidad. San Vicente (Alicante): Editorial Club Universitario, D. L.
CACERES HERNANDEZ, J. J. (2006). Conceptos básicos de estadística para ciencias
sociales. Las Rozas (Madrid): Delta.
CALVO, F. (1989). Estadística aplicada. Madrid: Universidad de Deusto.
CAMACHO ROSALES, J. (2005). Estadística con SPSS para Windows: versión 12. Ma-
drid: Ra-Ma, D. L.
CAMARA SANCHEZ, A. et al. (2007). Curso básico de matemáticas y estadística: del
Bachillerato al grado. Las Rozas: Delta.
CAMPBELL, D. y STANLEY, A. (1975). Diseños experimentales y cuasiexperimentales
en la investigación social. Buenos Aires: Amorrortu.
CARIDAD Y OCERIN, J. M. (1985). Métodos básicos de estadística no paramétrica pa-
ra investigadores. Córdoba: Universidad, D. L.
CASAS SANCHEZ, J. M. (2000). Estadística I: Probabilidad y Distribuciones. Madrid:
Centro de Estudios Ramón Areces.
CLAIRIN, R. y BRION, P. (1997). Manual de muestreo. Madrid: La Muralla.
CLEGG, F. (1984). Estadística fácil aplicada a las Ciencias Sociales. Crítica.
INT ESTAD 04:ENSEÑANZA MATEMAT 09/03/11 10:34 Página 441
Bibliografía 441
Bibliografía 443
SALKIND, N. J. (2004). Statistics for people who (think they) hate statistics. Thousand
Oaks: Sage Publications (2th. ed.).
SAN MARTIN, R.; ESPINOSA, L. y FERNÁNDEZ, L. Psicoestadística. Madrid: Pirámide.
SCHEFFE, H. (1959). The Analysis of Variance. New York: Henry Holt.
SEISDEDOS BENITO, A. y GARCIA NAVARRO, I. (2002). Problemas de estadística
aplicada a las Ciencias Sociales. Salamanca: Amarú.
SERRET MORENO-GIL, J. (1995). Manual de estadística universitaria inductiva. Ma-
drid: Esic.
SHESKIN, D. J. (2007). Handbook of Parametric and Nonparametric Statistical Pro-
cedures. Boca Raton: Chapman and Hall/CRC (4th ed.).
SIEGEL, S. (1983). Estadística no paramétrica aplicada a las ciencias de la conducta.
México: Trillas.
SNEDECOR, G. W. (1957). Statistical methods. Ames: Iowa State University Press (5th ed.).
SOLANAS PEREZ, A. et al. (2004). Estadística descriptiva en ciencias del comporta-
miento. Madrid: Thomson.
TANUR, F.; MOSTELLER, F.; KRUSKAL, W.; LEHMAN, E.; LINK, R.; PIETERS, R. y RISING,
G. (1992). La estadística: una guía de lo desconocido. Madrid: Alianza Editorial.
TEJEDOR, J. (1981). «Validez interna y externa en los diseños experimentales». Revis-
ta española de Pedagogía, 151, 15-39.
— (1984). Análisis de varianza aplicado a la investigación en Pedagogía y Psicolo-
gía. Madrid: Anaya.
TOMEO PERUCHA, V. y UNA JUAREZ, I. (2003). Lecciones de Estadística descriptiva:
curso teórico-práctico. Madrid: Thomson.
TURNER, J. R. y THAYER, J. F. (2001). «Introduction to analysis of variance: Design,
analysis, & interpretation». Thousand Oaks, California, etc.: Sage Publications.
VILES DIEZ, E. (2001). Estadística básica para universitarios. Pamplona: EUNSA.
VISAUTA, B. (1989). Técnicas de investigación social, Barcelona. Promociones y Pu-
blicaciones Universitarias.
WAGNER, W. E. (2007). Using SPSS for Social Statistics and Research Methods. Thou-
sand Oaks: Pine Forge Press.
WALPOLE, R. E. y MYERS R. H. (2005). Probabilidad y estadística. México: McGraw-Hill.
WASSERMAN, L. (2006). All of nonparametric statistics. New York: Springer.
WILLIAMS, F. y MONGE, P. (2001). Reasoning with statistics. How to read quantitati-
ve research. Orlando: Harcourt College Publishers.
ZIMAN, J. (1986). Introducción al estudio de las ciencias. Barcelona: Ariel.