1

Unidad I: INTRODUCCION A LA ESTADISTICA

a. Estadística: definición.
Cuando los datos han sido recogidos, deben ser presentados sistemáticamente para su
análisis. Si el conjunto de datos es numeroso, la forma de análisis más común y útil es la aplicación de la
estadística. La estadística es un campo perteneciente a una rama de la matemática, que permite al
investigador describir e inferir conclusiones acerca de la población a partir de información
proporcionada por una muestra, con el objeto de tratar cierta problemática que la realidad plantea, de una
manera más elaborada y precisa que lo que hace el pensamiento ingenuo, dando criterios de decisión,
cuando prevalecen condiciones de indeterminación. La estadística trata de herramientas, métodos y
técnicas científicas que pueden usarse en:
• Recolección, selección y clasificación de datos
• Interpretación y análisis de datos
• Inducción y evaluación, de conclusiones y de su confiabilidad con base en datos muestrales.
La ética en el uso de la estadística.
La Ética en Estadística es un tópico fundamental para el desempeño profesional y suma una dimensión para
pensar acerca del desempeño como Estadísticos. Al definir la noción de ética como un conjunto de reglas
compiladas en una guía o estándares profesionales, la American Statistical Association (1999) expresa: el
propósito de la guía ética de la ASA es asegurar que el trabajo estadístico sea ético y efectivo cuando se
realizan trabajos del medio ambiente y asistir a los estudiantes a aprender a desarrollar el trabajo
estadístico razonablemente. Los organismos de Estadísticas Oficiales, enfrentan desafíos éticos los cuales se
pueden enunciar brevemente como:
a.- Utilizar una metodología adecuada. Es primordial impartir conocimientos sobre metodologías correctas,
actualizadas y especialmente brindar herramientas para adaptar las metodologías a nuevos problemas que
surjan. Desde la función de investigación, los docentes deben estar abiertos y alertas para encarar estudios
que puedan contribuir a nuevos desarrollos metodológicos que ayuden a resolver problemas y a corregir
errores.
b.- Protección de la confidencialidad. A nivel del micro dato, que es además lo que protege la ley, y de datos
agregados (tabulados para pequeñas unidades geográficas, grupos étnicos, etc.).
c.- Integridad de las agencias estadísticas en el sistema estadístico nacional. Debido a que pueden surgir
amenazas a la integridad de muchas formas, incluyendo entre otras, conceptos de manipulación política
arbitraria, definiciones e información de los datos muy atrasada, informando los datos reales manipulados,
usando la agencia para análisis políticos y politizando el personal técnico de la agencia. En este sentido, lo
oportuno es brindar una opinión externa, basada en el conocimiento académico y ético. b. Nociones sobre
el origen e historia de la estadística.
Estadística deriva de status que en el latín medieval significaba estado político. Se usó por primera vez en
Hamlet de Shakespeare, luego en tratados de política económica y significaba la exposición sistemática y
ordenada de las características del estado, los censos, que se mencionan en textos egipcios, en la Biblia
hechos por Moisés y David, en China por Confucio, en Grecia y Roma. La iglesia y su Concilio de Trento,
introduce la inscripción de matrimonios, nacimientos y muertes. Hacia el siglo XVII adquirió autonomía y
organización con Cónning, fundador de la estadística en Alemania, estadística universitaria descriptiva. El
nombre de estadística le fue dado por Achenwald. También en el siglo XVII surgen en Inglaterra los
aritméticos políticos que pretendían una estadística investigativa. Graunt fue de los primeros en realizar
estadísticas de la población, analizaba la influencia de las estaciones del año sobre la mortalidad, la
afluencia de población rural a la ciudad. De esta escuela derivaron dos: La enciclopedicomatemática que
entronca con la aparición del cálculo probabilístico. Representantes: Huyghens y su tratado sobre la
probabilidad de éxito y fracaso en las cartas y los dados. Pascal y Fermat y sus principios fundamentales del
cálculo de probabilidades. Bernouilli que lo aplicó a lo social. De Moivre y la formulación
 2

matemática de la curva de probabilidad integral. Laplace y Gauss demostraron el valor práctico de la curva
típica de la distribución de errores cometidos en las observaciones. Quetelet aplicó esta curva a datos de
tipo social y biológico originando la Antropometría. Galton, precursor de la Psicometría en psicología,
extendió la estadística a datos de tipo genético para el estudio de la herencia de los caracteres somáticos y
sus diferencias individuales. De él procede la escuela inglesa de estadísticos y biometristas: Pearson, Yule,
Spearman, Student, Thurstone. La otra tendencia es la demográfica con Süssmilch y sus leyes de
movimiento de la población.
c. Divisiones de la estadística: estadística descriptiva e inferencial.
La Estadística proporciona los medios para reunir, analizar e interpretar grandes cantidades de datos que, la
mayoría de las empresas y reparticiones gubernamentales, deben procesar en esta era científica. Existen
dos tipos de Estadísticas:
❖ Estadística descriptiva o paramétrica: Es la rama de la estadística que partiendo de un conjunto de
datos, obtiene conclusiones que no rebasan el conjunto de conocimientos que nos proporcionan estos
datos. La estadística descriptiva sirve para reducir una gran cantidad de datos hasta un punto en que
pueda verse claramente la información. Para esto se emplean tabulaciones, porcentajes, medidas
descriptivas, gráficos, etc.
Tratan de abarcar el análisis de toda la población. Los datos que se obtienen del estudio de dicha
población, se denominan “parámetros”.
❖ Estadística inferencial o muestral o inductiva o no paramétrica: Es la rama de la estadística que
utilizamos cuando las conclusiones rebasan los límites del conjunto de datos aportados y nos
permiten inferir, en términos de probabilidad, valores para la población de donde provienen los datos.
La estadística inferencial se utiliza cuando, por razones de índole práctico, no se puede acceder a los
datos de la población. Estas razones pueden ser el factor tiempo-costo o que la población sea infinita o
difícil de definir. En éstos casos, lo más adecuado es, a partir de los datos de una muestra
probabilística, elaborar conclusiones que valgan para la población con un cierto grado de probabilidad,
determinado por herramientas específicas.
Cuando no es posible trabajar con toda la población, obtenemos una muestra representativa de la
misma y a partir de ella, inferimos datos que deben ser aplicables a toda la población. Los datos que se
obtienen de las muestras se denominan “estadísticos”.
La diferencia, entonces, entre un dato estadístico y un parámetro, es que el primero abarca una muestra de
la población; mientras que el segundo, a una población en su totalidad.
Otra explicación: La Estadística Descriptiva describe valores que se hallan, considerando todas las
observaciones del grupo definido que se llama población, para una determinada variable. Pero casi nunca
se puede medir a todos los integrantes de la población, generalmente se extrae una muestra representativa
y calculamos en ella los valores que la describen. Cuando se puede trabajar con toda la población de
observaciones, los valores descriptivos hallados se llaman “parámetros”; cuando se trabaja con muestra,
los valores descriptivos hallados se llaman “estadísticos”. Los estadísticos son estimadores de los
parámetros.
d. La estadística y la investigación en las ciencias sociales y de la conducta.
La estadística permite conocer y medir individuos u observaciones bajo 2 puntos de vista:
1) En función a características del grupo y no a cualidades particulares, dando:
a) Conocimiento preciso de la composición del grupo por relevamiento de la característica medida. Esto nos
permite saber en un grupo determinado qué cantidad de sujetos poseen las características particular o
cómo se distribuyen los individuos en el grupo, de acuerdo a la intensidad de la característica medida. b)
Conocimiento de cualidades abstractas ligadas al grupo mediante el cálculo resumido en:
1. La media o valor central típico del grupo.
 3

2. La desviación estándar, grado de variación de las observaciones respecto de la media.

3. La forma de distribución de las observaciones: simetría o asimetría.
4. El error estándar que permite conocer la cantidad de casos que deben tomarse para obtener un
determinado grado de seguridad o en qué medida pueden ser generalizadas las conclusiones.
c) Da el grado de asociación que puede existir entre 2 variables o atributos que se llama correlación. 2)
Se emplea con el fin de predecir o estimar una situación probable. Nos permite predecir situaciones
aproximativas para un individuo, a partir del conocimiento del grupo.
e. Conceptos técnicos de la estadística: Población: tipos; Muestras: tipos; Variable: clasificaciones. En la
investigación estadística es fundamental definir el Marco de referencia y eso lleva a definir la población.
Cada elemento de la población se denomina unidad elemental de observación. Sobre cada una de estas
unidades se van a medir las características cuantitativas y cualitativas. Es fundamental definir
cuidadosamente la unidad elemental de observación y su característica observable. Por ejemplo: investigar
a los turistas.
Grasso define a la Población como un conjunto de objetos, sujetos o elementos con características
determinadas, definido por la explicitación de estas características.
Población es la totalidad, el universo a investigar. Se delimita la población. Por ejemplo: personas
residentes en la ciudad de Salta en 2012; egresados de la carrera de psicología de los últimos 10 años;
alumnos de psicología de la UBA en 2018, etc.
El universo o población representa al total acerca del cual se desea conocer algún dato o varios. Y puede
ser:
▪ Finita: constituida por cantidades determinadas o limitadas de elementos.

▪ Infinita: construida por cantidades indeterminadas de elementos.

Elemento: Es cada miembro de la población que posee las mismas características en base a las cuales se ha
definido la población.
Muestra: Es un subconjunto de la población, seleccionada con el objeto de obtener información sobre toda
la realidad. El requisito principal es la representatividad, o sea, que los resultados que se obtengan de la
misma deben concordar con los que se hubiesen obtenido de haber sometido a observación toda la
población. La representatividad es relativa: representa a la población con respecto a algunas características
o variables y puede no representarla con respecto a otras; además tiene grados de representatividad. En
muchos problemas es imposible o innecesario tener los datos de una población completa. Los datos de sólo
una parte de la población puede dar la información necesaria para tomar una decisión. Esta parte o grupo
de la población constituye una muestra que debe ser representativa y puede ser:
• Probabilística: Se elige al azar o de manera aleatoria, extraída de una población de manera tal que
todos los integrantes tengan la misma probabilidad de ser incluidos en la muestra.
• No probabilística: Algunas unidades no tienen probabilidad de ser seleccionadas, o la posibilidad de
seleccionar una unidad cualquiera no es conocida o no puede determinarse.
Las características elegibles de una población se denominan parámetros; en cambio si se decidió trabajar
con una muestra se van a registrar sólo características de un grupo, que son datos estadígrafos o
estadísticos.
Las Variables son características o propiedades que varían de entidad en entidad (o de persona en
persona) a lo largo del tiempo. Es lo que estamos investigando es la propiedad o característica de un
objeto que puede asumir distintos valores. Puede ser de 2 grandes clasificaciones: Cualitativa o
Cuantitativa / Discreta o Continúa
 4

▪ Cuantitativas: Son expresiones numéricas de algunas propiedades de los fenómenos que pueden
medirse con número. Por ejemplo: edad, peso, estatura, distancia.
▪ Cualitativas: Son atributos que expresan propiedades de los fenómenos que se pueden describir
cualitativamente, no están representados por números. Por ejemplo: nacionalidad, cargo que ocupa.
▪ Discretas: Son aquellas que sólo toman ciertos valores y no admiten valores intermedios. Se trabaja con
números enteros. Por ejemplo: cantidad de hijos. Se pueden contar pero no medir.
▪ Continua: Puede tomar cualquier valor en el intervalo considerado, cuando entre 2 valores sucesivos de
la variable, tan cercanos como se quiera, existen infinitos valores intermedios. La variable continua
puede asumir un valor en cualquier punto o fracción de un intervalo ya especificado. Por ejemplo:
medidas (1,60 - 1,65 - 1,80). Se pueden medir pero no contar.
Se pueden combinar las variables determinando:
Cuantitativa discreta: cantidad de hijos
Cualitativa discreta: materia preferida
Cuantitativa continua: peso-estatura
Cualitativa continua: calificaciones escolares
f. Medición: Escalas. Tipos de escalas.
Es importante señalar que toda variable, ya sea cuantitativa o no, debe medirse de alguna manera. Es por
esto que se amplía el concepto de medición para incluir en él ciertos procedimientos menos precisos, de
empleo corriente en las ciencias sociales y humanas. Estos procedimientos se basan en instrumentos
denominados escalas.
Una escala es un instrumento que sirve para establecer una cantidad de un fenómeno, objeto o
característica. Las escalas tendrán diferentes tipos de precisión y el grado de ésta precisión dependerá de
las características del fenómeno a medir. Cada escala está formada por clases o categorías, cuya forma
dependerá de la naturaleza de la variable que se está tratando de medir, teniendo en cuenta que las
variables pueden ser cuantitativas, cualitativas, discretas o continuas.
De acuerdo a la naturaleza de la variable existen diferentes escalas que permitirán la medición de cada tipo.
Dentro de las ciencias sociales y en el ámbito educativo es relevante tener en cuenta 3 tipos de escalas:
• Escala nominal: es la escala cuyas características simplemente nombran. Es un instrumento que
consiste en aplicar números u otros símbolos para clasificar los objetos, personas o características. Se
dan a las características nombres arbitrarios a manera de etiqueta. Por ejemplo: “Exámenes que deben
tomarse en el turno de febrero”
Áreas de 7º grado f
Lengua 10
Matemática 12
Cs. Sociales 11
Cs. Naturales 10
• Escala ordinal: es la escala, cuyas categorías, además de nombrar presentan un orden entre sí. Estas
categorías pueden ser numéricas o cualitativas. Es un instrumento que sirve para establecer la cantidad
de un fenómeno, objeto o características, basándose en la aplicación de números u otros símbolos,
para clasificar de acuerdo a un criterio de orden de sucesión. Éste orden establece relaciones que
pueden formularse con el signo “mayor que”. En cuanto escalas particulares, el signo “mayor que”
puede usarse para designar “es preferible a”, “es más alto que”, “es más difícil que”, etc. Su significado
específico depende de la naturaleza de la relación que define la escala. Por ejemplo:
 5

“Meses de cumpleaños de los chicos de una escuela” (cualitativa)

Meses f
Enero 5
Febrero 8
Marzo 9
Junio 4
Julio 7
“Curso de alumnos repitentes en un colegio” (cuantitativa)
Curso f
1º 2
2º 3
3º 1
4º 5
5º 7
6º 9
7º 4
• Escala intervalar: es la escala cuyas categorías están formadas por números que se presentan en pares
que forman intervalos. Es un instrumento que consiste en aplicar números en intervalos dentro de cada
una de las categorías. Una escala de intervalos se caracteriza por una unidad de medida común y
constante, que asigna un número real a todos los objetos pares de objetos en un conjunto ordenado.
Por ejemplo “Cantidad de ejercicios bien resueltos en una evaluación de matemática aplicada a 460
alumnos”.
Cantidad de ejercicios bien resueltos f
15-20 0
20-25 1
25-30 2
30-35 4
35-40 3
40-45 6
45-50 8
50-55 1
55-60 3
60-65 5
Agrupamiento de datos en escalas: reglas prácticas.
Las escalas de variables cuantitativas son las que mayor información nos proporcionan, es decir, las escalas
ordinales o intervalares. Las escalas nominales brindan poca información porque sólo nombran.
Es importante tener en cuenta que hay escala en la medida que hay frecuencia con datos agrupados, si los
datos no están agrupados y no hay frecuencia, no puede existir escala.
Dentro de las escalas no se dejan los casilleros en blanco se coloca 0 si es numérica, o sin acceso (s/a) si es
nominal.
 6

Cuando hay que distinguir si usamos escala ordinal o intervalar hay dos criterios a considerar:
1 Gran cantidad de datos
2 Amplitud entre el dato mayor y el dato menor
Para utilizar la escala intervalar se tienen que dar las dos condiciones juntas, si alguna no se da, es escala
ordinal. Para confeccionarlas, es conveniente utilizar entre 10 y 20 intervalos, el mínimo es 10 y el máximo
es 20. El límite superior de cada intervalo debe coincidir con el límite inferior del intervalo siguiente. Todos
los intervalos deben tener la misma amplitud. Si un dato coincide con el límite superior de un intervalo se
ubica en el intervalo de abajo.
Cuando los datos son menos de 50, no conviene agruparlos.
g. Posibilidades de medición en la psicología: Psicoestadística. Observaciones cuantitativas en psicología
y en ciencias sociales.
Cortada de Kohan afirma que la medición es posible, justificando esta afirmación con los conceptos de
medición e isomorfismo. Afirma que la medición es posible diciendo que: “Todo lo que existe, existe en
alguna cantidad”. La comparación es la base del conocimiento y los juicios cuantitativos son inseparables de
la comparación, por lo tanto, absolutamente necesarios para la ciencia. La medida es el arma esencial de la
investigación científica, ya que con el progreso de la ciencia, los problemas se presentan cada vez más
complejos y no es posible resolverlos con la mera inspección y observación de los hechos. Las relaciones
entre los fenómenos son a menudo tan disimuladas por los diversos factores, que es necesario iluminarlos
con una medición delicada de los mismos.
La estadística trata, de manera elaborada y precisa, problemas de la realidad, cuando es posible realizar
numerosas observaciones y cuando se sospecha que la variación, entre las frecuencias de las
observaciones, es significativa e influida por el azar. Por lo tanto, investiga fenómenos que se presentan en
gran número, en condiciones complejas y que presentan entre sí, pequeñas variaciones influidas por el
azar.
La medición es un proceso básico de la ciencia que consiste en comparar un patrón seleccionado con el
objeto o fenómeno, cuya magnitud física se desea medir, para ver cuántas veces el patrón está contenido
en esa magnitud. El concepto matemático de isomorfismo (del griego iso-morfos: igual forma) pretende
captar la idea de tener la misma estructura. El descubrimiento de un isomorfismo entre dos estructuras,
significa esencialmente que el estudio de cada una puede reducirse al de la otra, lo que nos da dos puntos
de vistas diferentes sobre cada cuestión y suele ser esencial, en su adecuada comprensión. También
significa una analogía, como una forma de inferencia lógica, basada en la asunción de que dos cosas son la
misma en algunos aspectos, aquel sobre los que está hecha la comparación. En ciencias sociales, un
isomorfismo consiste en la aplicación de una ley análoga, por no existir una específica. Es, por ejemplo, la
comparación de un sistema biológico con un sistema social, cuando se trata de definir la palabra “sistema”;
lo es igualmente, la imitación o copia de una estructura tribal en un hábitat con estructura urbana. En
conclusión si “Todo lo que existe, existe en cierta cantidad” en la investigación científica es esencial la
medición de fenómenos, porque permite ver si hay variaciones, si son concomitantes, si se
relacionan. Cuando un físico mide, asigna números a las observaciones, los números pueden
analizarse por manipulaciones como contar o medir, según ciertas reglas. El psicólogo intenta hacer lo
mismo midiendo variables de comportamiento, pero para operar con los números que asigna a las
observaciones, la estructura de asignar números debe ser isomórfica. Para eso hay que entender la
naturaleza de la matemática.
Toda rama de las matemáticas comienza con un conjunto de postulados. Un postulado es un juicio que
establece relaciones entre objetos. Un postulado es útil por las conclusiones que podemos sacar de él. En
un sistema de postulados no debe haber dos que se contradigan y no deben repetirse. Las deducciones
lógicas que se sacan de los postulados son los teoremas.
Postulados y teoremas están en el reino de las ideas, no refieren al mundo real. La función de las
matemáticas es proveer modelos convenientes para describir la naturaleza, pero esta no puede ser
 7

descripta exactamente por modelos matemáticos, toda descripción es una aproximación. La naturaleza no
obedece a leyes matemáticas pero su estructura posee propiedades que son similares, paralelas a la
estructura de los sistemas lógicos matemáticos. Existe un isomorfismo o equivalencia de estructuras.
Etapas de una investigación estadística
1. Elaboración del Diseño de Investigación: Será distinta si es de tipo descriptiva o explicativa.
Hay que planear que instrumentos se utilizarán (encuestas, censos, test); como se utilizarán los resultados,
sistema de codificación, tipo de tabulación (manual o mecanizada)
2. Compilación de los datos: Relevamiento de la población o muestra. Datos primarios y secundarios.
Listado de la población y selección de la muestra. Enumeración de los datos.
3. Sistematización de los datos: Tabulación, preparación de cuadros y gráficos, presentación general.
4. Análisis estadístico: Hallar los estadísticos relativos a la tendencia central, variabilidad asimetría,
error estándar; inferencias para la población respectiva, estimaciones, decisiones respecto al margen de
error aceptable etc.
Unidad II: TEORIA DEL MUESTREO
a. Fundamentos teóricos del muestreo.
La muestra en Estadística es una parte o un subconjunto de elementos representativos de la población que
se ha seleccionado para el análisis. Su tamaño se denota por “N”. El proceso de obtener una muestra se
denomina “muestreo”. La selección y el estudio de una muestra tienen por objeto la extracción de
conclusiones, que sean válidas para la población de la cual se obtuvo esa muestra.
El muestreo se basa en la Teoría de las Muestras. En esencia, consiste en obtener información acerca de un
amplio grupo o universo, valiéndose de una parte representativa del mismo. A partir de los valores que se
obtienen en las muestras, inferimos los valores más probables para las poblaciones de las cuales provienen
dichas muestras. El muestreo es uno de los componentes más importantes en la Estadística porque
proporciona los medios para reunir, analizar e interpretar grandes cantidades de datos.
Utilidad del muestreo.
Se muestrea para obtener información detallada en un lapso de tiempo más breve. También permite
reducir costos y personal, con información de importancia básica. Además, consigna datos que quizás no
podrían lograrse de otro modo y que esos datos sean completos y precisos. Las conclusiones obtenidas en
la muestra permiten:
A. Probar hipótesis válidas para la población, con la información de la muestra.
B. Estimar características de la población a partir de datos estadísticos.
Las ventajas del muestreo son:
✔ Costos reducidos: Si los datos se obtienen únicamente de una pequeña fracción, los gastos son menores
que los que se realizarían si se llevara a cabo con una enumeración completa.
✔ Mayor rapidez para obtener resultados: Por la misma razón, los datos pueden ser recolectados y
reunidos más rápidamente. Esta es una consideración vital cuando se necesita la información con
urgencia.
✔ Mayor exactitud o mejor calidad de la información: Al reducir el volumen de trabajo, se empleará
menos personal y más capacitado.
Precisión.
Diferencia entre “precisión” y “exactitud” en el cálculo.
Exactitud Precisión
 8

✔ Es el grado en que este se ✔ Es el grado en que se aproxima a la cifra que se

aproxima a la cifra real. obtendría con un análisis del 100%, si se empleasen
métodos idénticos de recolección de datos. Es el grado
✔ Se refiere a la cercanía de un dato
de similitud.
medido o computado de su
verdadero valor. ✔ Se refiere a la cercanía entre medidas repetidas del
mismo individuo o unidad de observación.
✔ Se refiere a qué tan cerca del valor
real se encuentra el valor medido. ✔ Se refiere a la dispersión del conjunto de valores
obtenidos en las observaciones.
En Estadística se pretende alcanzar la precisión porque la mayoría de las veces no tenemos la totalidad de
los datos del universo real. Por lo mismo, debemos utilizar muestras, las cuales nos permiten un cierto
margen de diferencia con la realidad.
Existen 2 elementos que especifican el grado de precisión que se desea obtener de una estimación y son:
1. Grado de tolerancia (5%): Es el límite de error permitido, debido a los resultados de una muestra
ocasionalmente mala, dentro de márgenes esperados.
2. Grado de confianza (95%): Es el límite de riesgo aceptable, que proporciona un porcentaje de seguridad
para generalizar los resultados obtenidos.

b. Tipos de muestra: Probabilística y no probabilística.

Muestras Probabilísticas: En este tipo de muestreo, la probabilidad de aparición en una muestra de
cualquier elemento de la población es conocida o calculable. Para que la muestra sea probabilística debe
ser representativa de la población y su selección es al azar. Todo elemento o unidad tiene una determinada
probabilidad de integrar la muestra y esa probabilidad es posible de ser calculada matemáticamente. Es el
muestreo científicamente más válido.
Muestras no Probabilísticas: Es aquel en que la selección de los elementos de la muestra no se realizan al
azar, sino que obedece a otras causas relacionadas a las características del investigador o del grupo
interesado. Supone un procedimiento de selección informal y arbitraria. La ventaja es que permite una
elección de sujetos con ciertas características especificadas previamente en el planteamiento del problema.
La desventaja es que sus datos no pueden generalizarse a una población.
El muestreo no probabilístico no tiene carácter científico, pero pueden ser de ayuda en estudios de
naturaleza preliminar, frecuentemente en Sociología y Psicología, o cuando no se cuenta con el listado del
universo. Los muestreos no probabilísticos más usados son muestreos por cuotas y muestra autogenerada.
c. Los pasos del muestreo.
Los pasos del muestreo para Slonim, son los siguientes:
1) Determinar con toda precisión posible, la población o universo que se quiere estudiar.
2) Determinar el esquema o marco de referencia con listado de todas las unidades del universo.
3) Definir con exactitud y claridad los datos que se pretenden obtener en el estudio. Si no se especifica, es
posible que los cuestionarios arrojen resultados distintos de los que en realidad se espera. También
conviene averiguar si los datos que se buscan fueron ya obtenidos por otro investigador y cerciorarse de
que los datos que se enumeran sean absolutamente necesarios para dar cumplimiento a los fines del
estudio.
4) Especificar el grado de precisión que desean obtener los usuarios de los datos de la muestra. La
precisión se expresa por medio del grado de tolerancia (error permitido) y grado de confianza (riesgo
aceptable).
 9

5) Investigar la eficiencia relativa de distintos tipos de muestras, según el grado de precisión especificado,
considerando los temas de costo, de tiempo, administrativos.
6) Preparar los cuestionarios o formularios de antemano para que se obtengan respuestas correctas para
las preguntas que se formulan. Lo más conveniente es realizar un ensayo preliminar con los formularios,
cuestionarios e instrucciones de las tabulaciones.
7) Realizar la encuesta programada, seleccionar las unidades de muestreo, recoger los datos, tabularlos,
analizarlos, interpretarlos e informar a las superioridades que correspondan.
d. Tipos de muestreos aleatorios (probabilístico): Muestreo por azar simple, muestreo sistemático,
muestreo estratificado y muestreo por conglomerados. Muestreo plurietápico.
Azar simple: Requiere que todos los elementos tenga la misma oportunidad de ser seleccionados en una
muestra. Ejemplo: Un club de barrio decide sortear por su aniversario, 10 conjuntos deportivos entre sus
socios. Para que la elección sea transparente, se utiliza el registro total de los miembros con su número de
socio. Son colocados en una urna, de la que se extraerá al azar los 10 números, sin poder observar a
quiénes pertenecen. Los ganadores de los conjuntos deportivos serán los números extraídos.
Azar sistemático: Requiere que los elementos de la población, sobre la que se realiza el muestreo, estén
ordenados y luego sean posibles de ser elegidos, a partir de ciertos intervalos preestablecidos por el
investigador. Ejemplo: El director de una empresa necesita seleccionar entre sus 700 empleados, a 70 de
ellos como muestra para responder a un cuestionario de mejora de trabajo. Utiliza la lista completa de los
700 empleados, dividiéndola en el número de muestras que necesita, es decir, 70; esto le da como
resultado el intervalo que tendrá entre los empleados elegidos, que es de 10. Como primer paso elegirá al
azar un número entre los 10 primeros empleados, y a partir de allí se contará un intervalo de 10 empleados
sucesivamente: 1 – 2 – 3 – 4 – 5 – 6 – 7 – 8 – 9 – 10 – 11 – 12 – 13 – 14 – 15 – 16 – 17 – 18 – 19 – 20 – 21 –
22 – 23 – 24 – 25 – 26 – 27 – 28 – 29 – 30 – 31 – 32 – 33 – 34 – 35 – 36 – 37 – 38 – 39 – 40 – 41 – 42 – 43 –
44 – 45 – 46 – 47 – 48 – 49 – 50 – 51
Estratificado: Se obtiene ordenando el universo por estratos, cuya característica fundamental es que las
entidades sean lo más homogéneas posibles entre sí; y los más heterogéneas posibles entre los distintos
estratos. Ejemplo: En un criadero de perros, que cuenta con distintas razas, se necesita saber cuánto come
de alimento balanceado un perro adulto, por día. Para lo mismo, se agrupó las distintas variedades en
grupos homogéneos. Esto debe realizarse porque las razas tienen distinto tamaño, peso y actividades.
Luego, dentro de cada estrato, se seleccionan las muestras de forma aleatoria.
Por conglomerado: El objeto del método por conglomerados consiste en dividir la población en sectores
llamados conglomerados, cuya característica fundamental es que las entidades sean lo más heterogéneas
posibles entre sí, dentro de cada conglomerado; y lo más homogéneas posibles, entre conglomerados.
Ejemplo: Se desea obtener una muestra de 4.000 viviendas para estudiar sus características en una ciudad
de 100.000 viviendas. Por tanto se puede dividir en manzanas definidas dentro del plano de la ciudad y
seleccionar aleatoriamente entre las manzanas. Las viviendas incluidas en ellas formarán parte de la
muestra. En este caso los conglomerados son las manzanas.
Plurietápico: Se caracteriza porque la selección aleatoria se realiza en cada una de varias etapas. Por esto,
las unidades de muestreo son diferentes en cada una de ellas. Se utiliza cuando no se dispone de una lista
de los elementos que son objeto de estudio, pero pueden localizarse mediante otras unidades de
muestreo. Por ejemplo: alumnos de tercer grado de las escuelas públicas, en donde las unidades de las que
se dispone información, o sea una lista, son las escuelas públicas. e. Errores del muestreo.
El error de muestreo o error muestral es la diferencia que existe entre los datos de la muestra y los datos
de la población. Siempre que calculamos algo a partir de una muestra, es muy improbable que el cálculo
sea exactamente igual a la cifra que se obtiene realizando la investigación en el 100% de los sujetos
involucrados. Esta diferencia es el error de muestreo.
Los tipos de errores de muestreo más importantes son:
 10

A. Errores de información y procesamiento: Los datos básicos pueden presentarse mal proporcionados,
asentados, copiados, codificados u omitidos. Por ejemplo: la paradoja estadística bien conocida que la
edad media de las mujeres mayores de 40 años, es menor de 40 años.
B. Errores por falta de respuestas: Son los que se dan por utilizar datos provistos por algunas personas,
suponiendo que los ausentes tienen las mismas características. Por ejemplo: opiniones de personas que
no están en sus casas porque trabajan.
C. Errores en la selección de las muestras: Se vincula con la selección incorrecta y anticipada de las
unidades de muestreo. Esta categoría comprende las muestras parciales, dirigidas y por cuotas, elegidas
por razones de conveniencia y no de la selección al azar.
Los errores son más frecuentes en muestras no probabilísticas por la imposibilidad de controlarlos; en
cambio en las probabilísticas, los errores se controlan satisfactoriamente si las unidades del universo
estadístico tienen las mismas posibilidades de ser seleccionadas.
También puede darse que el error de muestreo sea más grande de lo esperable, si la muestra no se
planifica o se realiza mal. Se llama muestra “anómala” cuando arroja resultados falsos. f.
Situaciones para la utilización de muestreos.
Las limitaciones que presenta el muestreo, según Slonim son las siguientes:
1. El muestreo no es posible cuando se requiere conocimiento acerca de cada una de las unidades de un
universo estadístico.
2. Además, en muchas situaciones, las unidades a medir son tan raras y su variabilidad es tan grande, que
hacer una muestra sería un derroche de dinero.
OTRAS PREGUNTAS DE TRABAJOS PRÁCTICOS Y PARCIALES

¿Se puede obtener una muestra representativa que no sea probabilística? ¿Por qué?
No se puede obtener una muestra representativa que no sea probabilística. Esto es porque para que sea
representativa de la población, debe poseer sus mismas características, y el procedimiento que la garantiza,
es su conformación al azar. La muestra no probabilística, como supone una selección cuidadosa y
controlada, no resulta representativa, ni sus datos generalizables.
¿Qué implica el supuesto de independencia dentro de una muestra aleatoria? Comente un caso donde
dicho supuesto se viole.
Dentro de una muestra aleatoria, el “supuesto de independencia” es el requisito de dar a cada elemento
de la población, la misma probabilidad de ser elegido para la muestra. La elección de un elemento no
condiciona la elección de los restantes. Un caso donde se viole este supuesto sería el caso del investigador
que desea realizar un estudio sobre el consumo de un producto de limpieza y como muestra sólo tendrá a
mujeres amas de casa que concurren con frecuencia a un supermercado. El investigador no tendrá en
cuenta otras características de las mujeres estudiadas, salvo la condición de ama de casa.
¿Cuáles son las ventajas y desventajas del muestreo por conglomerados?
Ventajas: En el caso de que sea necesario trasladarse muy lejos desde un entrevistado a otro entrevistado,
si disponemos de un muestreo por conglomerado, los entrevistados estarán muy cerca entre sí. Por eso
resulta más económica en tiempo, dinero y recursos humanos.
Desventajas: Están relacionadas a los errores que surgen cuanto más grande es el tamaño del
conglomerado.
¿Cómo debe ser la homogeneidad y cómo la heterogeneidad en los muestreos estratificados y por
conglomerados?
Muestreo Homogeneidad Heterogeneidad
Estratificado Interna: Las entidades del estrato deben ser Externa: Los estratos deben ser los más
lo más homogéneas posibles dentro de sí. heterogéneos posibles entre uno y otro.
 11

Conglomerado Externa: Los conglomerados deben ser lo Interna: Las entidades del conglomerado
más homogéneos posibles entre uno y otro. deben ser lo más heterogéneas posibles
dentro de sí.
¿En qué consiste el programa Stats, según Hernández Sampieri?
Es un programa para generar números aleatorios que evita el uso de la tabla. El programa nos pide que se
le indiquemos ¿cuántos números aleatorios? (requerimos), entonces tecleamos el tamaño de muestras.
Nos solicita el límite inferior, que siempre será 1; y el límite superior, que es el último número de la
población. Nos genera números al azar, que serían los casos que pasarían a integrar la muestra. Así, se logra
tener una muestra probabilística.
¿En qué casos no es tan importante efectuar el reemplazo en el muestreo al azar simple? Brinde un
ejemplo.
En el muestreo al azar simple, la cantidad de unidades del universo estadístico pueden ser finitas; sin
embargo, éste puede consistir en una cantidad de unidades infinitas. Cuando se realiza muestra de
universo finito se trabaja con muestras “con reemplazo”; en cambio, cuando investigamos un universo
infinito, el proceso se denomina “muestreo sin reemplazo”.
Entonces, el reemplazo no es tan importante hacerlo, cuando es grande la diferencia entre el número de
los elementos de la población y el número de elementos de la muestra.
Por ejemplo: si tenemos un bolillero con papelitos numerados del 1 al 100, la probabilidad de extraer un
papelito para cada uno sería 1/100 o el 1%. Cuando el reemplazo no se efectúa, la probabilidad sería, para
el segundo de 1/99; para el tercero, 1/98; para el cuarto, 1/97 y así sucesivamente. En este caso, no es
necesario efectuar el reemplazo, ya que los datos tomados de los papelitos extraídos, serían de una
anotación por paloteos y no sería correcto introducir el papelito que ya salió, porque tendíamos datos
incorrectos.
¿De qué factores depende la magnitud de una muestra?
La magnitud de la muestra depende de los siguientes factores:
✔ Del grado de precisión que se requiera.

✔ De la variabilidad o discrepancia entre los datos que se muestran (heterogeneidad).

✔ Del método de muestreo que se utilice, teniendo en cuenta que sea administrativamente factible, con
el grado deseado de precisión y a menor costo.
✔ Del tipo de procedimiento de estimación que se use.
¿Qué son las unidades primarias de muestreo y qué son las unidades elementales de muestreo?
Las “unidades primarias” son las muestras de grupos y las “unidades elementales” son las submuestras de
cada grupo. En la práctica no es muy frecuente que se haga el muestreo de grupos completos. Lo más usual
es seleccionar el universo encuestado en 2 o más etapas. En una muestra de 2 etapas, los grupos se
seleccionan al azar y se toma una submuestra al azar de cada grupo. Los grupos de este plan de muestreo
se denominan unidades primarias; mientras que los elementos de la submuestra se denominan unidades
elementales. Por ejemplo: si se quiere conocer la opinión de las maestras con respecto al paro docente, las
escuelas constituyen las unidades primarias y las docentes, las unidades elementales.
¿Qué es el esquema y con qué otro nombre lo denominan los autores?
La primera etapa de cualquier muestreo reside en la definición precisa de las entidades que componen el
universo, de las cuales se seleccionará una pequeña cantidad que formará la muestra. Para esta selección
es importante contar con un conjunto de información escrita que permita identificar los elementos de la
población, así como la posibilidad de enumerarlos y seleccionar los elementos muestrales. Esta información
 12

escrita se denomina esquema para Slonim; marco de referencia para Grasso o listado para Sampieri. Esta
información puede ser presentada de forma variada: listas, mapas, registros, etc.
¿Qué es el marco de referencia, desde Grasso?
Marco de referencia es el registro o listado de las unidades de referencia que sirve como base para
determinar cuáles unidades integrarán la muestra. No es corriente ni fácil contar con el listado de todos los
elementos que componen una población. Para disponer de la muestra necesaria se puede comenzar a
seleccionar las unidades de muestreo para luego conocer los elementos de la población. Por ejemplo: para
conocer los alumnos de primaria del barrio Tres Cerritos (elementos de la población), se puede comenzar
por conocer las escuelas del barrio (unidades de muestreo).
¿Cómo se puede cometer un bias en la utilización del marco de referencia dentro del muestreo? Se
comete un bias o error sistemático cuando el marco de referencia de las unidades de muestreo no
comprende a todas las unidades de la población. Esto sucede en el estudio real, cuando las diferencias
entre los datos del marco de referencia y los datos del universo no son insignificantes.
Teorema de límite central. Diferenciación.
Señala que una muestra de más de 100 casos será una muestra con una distribución normal en sus
características, lo cual sirve para el propósito de hacer estadística inferencial. Cuando la distribución es
normal, logra la forma de campana o curva de Gauss.
Unidad III: ORGANIZACION DE LOS DATOS
a. Formas de presentación de los datos: su finalidad.
Para realizar el Análisis estadístico, es necesario conocer la frecuencia que corresponde a cada categoría de
la variable, para ello se compilan y ordenan las observaciones. Determinada la frecuencia es necesaria su
presentación en algún sistema simbólico: tabular, gráfico, o fórmulas matemáticas. Esto se puede realizar
por programas como Excel.
Dentro de la Estadística existen, entonces, estas 3 formas de presentar los datos: A.
En tablas de distribución de frecuencias o tabulaciones.
B. En gráficos estadísticos.
C. En fórmulas o medidas descriptivas.
Después de organizar los datos los podemos resumir en tablas y en gráficos. Para el análisis posterior
vamos a trabajar con ciertas medidas que caracterizan a una población o muestra. Esas medidas
denominadas descriptivas son valores representativos de una distribución que se utiliza para describir
ciertas características de los datos, permitiendo una comprensión más precisa. A partir de esas
características se pueden realizar inferencias y pronósticos. Tenemos:
☞ Medidas de Posición MTC
Medidas de Orden
☞ Medidas de Forma Medidas de Simetría
Medidas de Apuntalamiento o Curtosis
☞ Medidas de Dispersión
b. La matriz de datos.
Cuando en el curso de una investigación concluye la recolección de los datos es conveniente reunirlos y
registrarlo en lo que se denomina matriz de datos. Se trata de una tabla, cuyas hileras corresponden a los
sujetos estudiados, a cada sujeto le corresponde una hilera; y cuyas columnas corresponden a las variables
estudiadas, a cada variable le corresponde una columna. Esta manera de presentar los datos es sumamente
práctica para efectuar posteriormente los análisis estadísticos deseados y los cómputos necesarios, ya se
haga esto en forma manual o con la ayuda de la computadora. En este último caso la matriz de datos se
 13

ingresa a la computadora como un archivo que puede leerse desde cualquier programa de análisis
estadístico, por ejemplo el SPSS, también es posible escribir la matriz como una planilla para el cálculo de
programas como el Excel y luego realizar el análisis con ayuda de las funciones estadísticas de ese
programa.
c. Construcción de tablas de distribución de frecuencias o Tabulación.
Una vez que los datos han sido obtenidos, ordenados y clasificados, están listos para ser organizados en
forma tabular. La forma exacta de la tabla dependerá del propósito que se persiga como también de la
complejidad de la información que se presenta.
Normas generales para la tabulación de datos
A. La tabla debe ser lo más simple posible. Serán preferibles dos o tres tablas pequeñas a una única
tabla grande que contenga muchos detalles o variables. B. La tabla debe explicarse por sí misma.
Para tal fin:
1) Si se usan claves, abreviaturas o símbolos, deberán explicarse detalladamente en nota al pie de
página.
2) Cada fila y cada columna deben ser tituladas concisa y claramente.
3) Deben ser incluidas las unidades específicas de medida que corresponden a los datos.
4) Deberán consignarse los totales.
C. Comúnmente el título está separado del cuerpo de la tabla por líneas o espacios.
D. Si los datos no son originales, debe mencionarse la fuente de los mismos en una nota al pie de la página.
La forma más simple de tabla es una tabla de frecuencias de dos columnas. La primera columna presenta
las clases o categorías de la escala en que se agrupan los datos y la segunda columna indica las
frecuencias asociadas a cada clase.
d. Elementos para el análisis de la distribución de frecuencias: frecuencias absolutas y relativas; Una
distribución de frecuencia es una tabla donde los datos se agregan en clases o categorías con sus
respectivas funciones absolutas.
• frecuencia de clases (f): Es la cantidad de observaciones que se incluyen en cada intervalo o categoría y
se denominan frecuencias absolutas simples.
La distribución de frecuencias puede completarse con otros elementos que permiten un mejor y más
completo análisis de los datos. Estos elementos son:
• frecuencias relativas (fr): Son los porcentajes de casos correspondientes a cada categoría. Se obtiene de
dividir la frecuencia de cada clase por el total y a ese resultado se lo multiplica por 100. La sumatoria de
la columna de porcentajes debe ser de 100.
• frecuencias acumuladas (fa): Son el resultado de la acumulación gradual de las frecuencias. Puede
calcularse la “frecuencia acumulada más que” o “la frecuencia acumulada menos que”. La primera es la
más utilizada y es la que se produce al sumar. La segunda se calcula partiendo del total y restando
gradualmente el valor de cada de las frecuencias, de cada una de las categorías, hasta llegar a la última
clase con 0.
Porcentajes o Proporciones: Relación de dos cantidades, en la cual el numerador es una parte de la
registrada en el denominador y este constituye el total de las observaciones en consideración. El resultado
se agranda por un factor de amplificación que generalmente es 100. Es f x 100 / la sumatoria de f También
puede calcularse “el porcentaje acumulado más que” y “el porcentaje acumulado menos que”. En el
redondeo vamos a trabajar con dos decimales. El valor tope es 5, si es menos que 5, se eliminan el resto
de números decimales; si el valor es mayor a 5, se coloca el valor superior y si el valor es igual a 5, definen
los términos restantes.
e. La representación gráfica de una distribución de frecuencias. Utilidad de la presentación de datos
en gráficos.
 14

Una vez que los datos han sido tabulados es conveniente su presentación en gráficos estadísticos. Esta
forma de presentación es útil, ya que permite que el lector capte la información y las diferencias a simple
vista.
f. Gráficos estadísticos: Gráfico sectorial o de pastel, gráfico de barras, histograma de Pearson,
polígono de frecuencias; Curva de Gauss.
Sectorial o de pastel. Se presenta en forma de círculo, dividido en sectores, la totalidad es de 360°. Se
utiliza en escalas nominales con un máximo de 5 categorías.

Gráfico de barras. En el eje de las X se marcan las categorías de la variable y en el eje de las Y, las
frecuencias relativas. Las barras deben ser todas del mismo ancho y el espacio entre ellas debe ser
uniforme. Este gráfico es adecuado cuando tenemos una escala ordinal o nominal cuando tenemos más de
5 categorías. En el caso de escala nominal u ordinal cualitativa, los ejes se invierten ubicando las categorías
de la variable en el eje de las Y y las frecuencias relativas en el eje de las X para facilitar la representación.

Histograma de Pearson. Se diferencia del gráfico de barras porque los rectángulos forman un bloque sin
dejar espacio entre las barras correspondientes a cada clase. Las categorías se representan en el eje de las
X y los límites de cada clase se marcan una sola vez. Siendo el límite superior de una clase, el límite inferior
de la clase siguiente. Las frecuencias relativas o % se marcan en el eje vertical determinando la altura de
cada rectángulo. Cada rectángulo representa a una clase distinta y la base corresponde a la amplitud de
clase. Se utiliza en escala intervalar.

Polígono de frecuencias. El polígono se forma uniendo los puntos medios de cada clase. Es adecuado para
escala intervalar para establecer comparaciones entre 2 o más muestras. Se trabaja con los %.
 15

Curva de Gauss. La curva de Gauss tiene como característica una distribución normal, la cual es simétrica.
Es aplicable a grandes poblaciones con aperturas de clases muy pequeñas. La curva de Gauss o curva
normal, se designa a una distribución que presenta una forma muy especial y que es de importancia
especial en estadística. Cuando se refiere a normal, sirve para designar la forma de esta distribución y no
deben asignársele otras connotaciones vinculadas con una normatividad o con el concepto de normalidad,
desde un punto de vista psicopatológico. La curva normal puede emplearse para describir la forma de la
distribución de ciertas variables y hace posible calcular la probabilidad de observar o presentar
concepciones de la normalidad, entendida en términos de frecuencia o probabilidad.

Algunas características de la distribución normal que se aprecian en el gráfico:

A. Se trata de una distribución unimodal y simétrica perfecta, por lo que en ella Media, Mediana y Modo
son iguales.
B. Se presenta en forma de campana.
C. La curva no toca el eje horizontal; en matemáticas se dice que es asintótica con respecto al eje
horizontal, o sea que ella se acerca cada vez más al eje de las abscisas pero sin llegar a tocarlo o si se
quiere, tocándolo recién en el infinito.
D. Se concibe a la curva como extendiéndose desde menos infinito a más infinito, por lo que, en su
representación gráfica, aparece solamente parte de ella; los extremos se prologan indefinidamente.
E. Presenta un trazado continuo, a diferencia de los polígonos de frecuencia, que representa la
distribución de frecuencia de infinitos casos en una variable continua.
Por lo dicho en este último inciso, se comprende que la curva normal no puede ser la forma de la
distribución de un conjunto de datos realmente observados. Se trata de un concepto formal, matemático,
concebido en un plano ideal.
Gráficos de frecuencia acumulada, según Cortada de Kohan.
 16

Ojiva de Galton: Representación gráfica en forma de S estilizada, que lleva en el eje de las ordenadas,
frecuencias acumuladas relativas. Facilita la comparación entre distintas distribuciones si tienen altura
común.

Curva de Lorenz: Representación gráfica que demuestra que cuanto más repartidas están las entradas, más
se acercará la curva a la recta.

g. Adecuación de los gráficos en las escalas que los sustentan.

El gráfico requerido para cada caso está basado en la escala en la que se sustentan los valores. Los más
usados son:
⮚ Gráficos sectorial o de pastel: adecuado para escalas nominales hasta 5 categorías.

⮚ Gráfico de barra: adecuado para escalas nominales con más de 5 categorías y escalas ordinales.

⮚ Histograma de Pearson: adecuado para escalas intervalares.

⮚ Polígono de frecuencia: adecuado para comparar escalas intervalares.

Unidad IV: MEDIDAS DE POSICION
a. Medidas de tendencia central: definición.
También llamadas de centralización, son fórmulas que determinan cómo se agrupan los datos, cómo
tienden a concentrarse los valores de una muestra o población. Estas fórmulas brindan un valor típico o
representativo de un conjunto de datos. Las MTC se representan a través del promedio, el punto medio y la
mayor frecuencia. Desde el punto de vista técnico, estas medidas presentan su propia denominación y
simbolización, que se sintetizan a continuación:
☞ Promedio = Media aritmética
 17

☞ Punto medio = Mediana

☞ Mayor frecuencia = Modo o moda

b. Media aritmética, mediana y modo: definiciones y características.
Media aritmética (X): Es el concepto que la mayor parte de las personas tienen presente cuando usan la
palabra promedio. Es el cociente que se obtiene al dividir la suma de observaciones o número por el
número de observaciones total.
Mediana (Md): Es el valor medio o punto medio de un grupo de valores ordenados o agrupados Modo
(Mo): Es el valor que ocurre con mayor frecuencia en un conjunto de datos, si existe. Cuando los datos se
concentran en una sola clase, tenemos una distribución unimodal; cuando los datos se concentran en dos
clases, es bimodal y en varias clases con una misma frecuencia, es multimodal.
Al igual que la media aritmética y la mediana el modo es otra medida que describe la variante típica. La
información que se da que da el modo es muy pequeña y generalmente se utilizan análisis exploratorios
visuales.
Comparación de la Media y la Mediana , según Blalock.
1) La X utiliza más información que la Md, por cuanto al calcular la X nos servimos de la totalidad de los
datos exactos, en tanto que la Md solo toma el caso medio.
2) La X resulta afectada por cambio de los valores extremos, en tanto que la Md permanece inalterada, a
menos que cambie así mismo el valor del caso medio.
3) La X es por lo regular una medida más estable que la Md, en cuanto varía menos, de una muestra a otra.
En caso de duda debe emplearse la X, con preferencia a la Md.
4) Siempre que una distribución es fuertemente asimétrica, esto es siempre que hay considerablemente
más casos extremos en una dirección que en otra, la Md será por lo regular más apropiada que la X.
5) Si la distribución es perfectamente simétrica, la X y la Md coincidirán.
6) La X tiene una propiedad que no posee la Md: se deja manipular algebraicamente con mayor facilidad.
7) El cálculo de la X requiere una escala de intervalo. La Md, en cambio, puede emplearse tanto con las
escalas ordinales como con las de intervalos.
Elección de la MTC más representativa.
• Cuando la distribución es simétrica, la MTC más representativa es la Media.
• Cuando la distribución es asimétrica, la MTC más representativa es la Mediana.
• Cuando los datos están agrupados en escala intervalar, por lo regular, la Media es más representativa
que la Mediana.
• Cuando en una muestra existen valores muy extremos, la Mediana informará mejor del punto central
de la distribución, que la Media.
• Mientras la distribución sea más heterogénea, la Media tiene más desvíos y resulta menos
representativa.
• Mientras la distribución sea más homogénea, la Media tiene menos desvíos y resulta más
representativa.
En este caso, cuando las MTC no caen en una misma categoría, se debe considerar:
❖ Reglas de interpretación

❖ Porcentajes (muestra la mayor o menor concentración de datos)

❖ Medidas de dispersión
 18

❖ Simetría o asimetría de la distribución de frecuencias

❖ Heterogeneidad u Homogeneidad de los datos

Coincidencia de 2 MTC en una categoría puede ser un criterio para que a simple vista se pueda determinar
la MTC más representativa.
c. Cálculo de media aritmética, mediana y modo para datos cuantitativos no agrupados.
Media: Consiste en la sumatoria de los distintos valores divididos por la cantidad de observaciones. X
= ∑x
N
Mediana: La mediana de un grupo de datos es el dato medio cuando los mismos fueron ordenados en
forma ascendente o descendente de acuerdo a su valor. Para un grupo con un número par de datos la
mediana está en la posición intermedia entre los dos valores adyacentes al medio.
Para datos no agrupados de naturaleza cuantitativa, se ordenan los valores:
Con N impar = es la observación central.
Con N par = la mediana es el promedio de los dos valores centrales. Modo:
Debe buscarse la clase que tiene el mayor número de frecuencia.
d. Cálculo de media aritmética, mediana y modo para datos agrupados en escala intervalar. Media:
Cuando los datos fueron agrupados en una distribución de frecuencia, en base a una escala intervalar,
el punto medio de cada clase se utiliza como una aproximación a todos los valores contenidos en la
clase. Y entonces se aplica la siguiente fórmula:
X = ∑f . PM
N
PM = Punto medio.
f= frecuencia observada de los valores en cada clase respectiva.
N= cantidad de sujetos.
Mediana: Debe determinarse primero la clase que contiene el valor de la mediana y después se determina
la posición de la mediana dentro de la clase. La clase que contiene la mediana es la primera clase, para cual
la frecuencia acumulada igualada, o excede la mitad del número total de observaciones. Una vez que se ha
identificado esta clase, se determina el valor específico de la mediana por fórmula. Md= Li + N/2 – faa . ac
f
Li= Límite inferior de la clase que contiene la mediana simple vista.
N= Números de sujetos tomados en la muestra.
faa= frecuencia acumulada anterior a la frecuencia acumulada de la clase que contiene la mediana simple
vista. ac= amplitud de clase. f= frecuencia absoluta o real de la clase que contiene a la mediana a simple
vista.
Modo: Para los datos agrupados en una distribución de frecuencia con intervalos de clases iguales, primero
se determina la clase que contiene el modo, identificando esta clase con el número mayor de observación.
Mo= Li + di . ac
di + di2
Li = Límite inferior de la clase que contiene el modo a simple vista.
di = frecuencia de la clase modal menos la frecuencia de la clase anterior. di2=
frecuencia de la clase modal, menos la frecuencia de la clase posterior.
Ac = apertura de clase.
Ventajas y desventajas del uso de la media en datos agrupados, en escala intervalar.
Ventajas:
 19

• Su utilización como MTC, en diferentes grupos de observaciones, permite encontrar una MTC del
conjunto total del grupo de observaciones.
• Una vez calculada la Media, la distancia entre cualquier observación y la Media, se denomina, el desvío
de la observación respecto a la Media.
• Si la media es representativa de la tendencia central de la distribución, es una medida de resumen más
poderosa que las anteriores, porque tiene en cuenta las distancias que existen entre las diferentes
observaciones. Sólo se pueden usar en escala intervalar o de razones.
• La media aritmética viene expresada en las mismas unidades que la variable. En su cálculo intervienen
todos los valores de la distribución.
• Es el centro de gravedad de toda la distribución, representando a todos los valores observados.
• Es única.
Desventajas:
• Su principal inconveniente es que se ve afectada por los valores extremadamente grandes o pequeños
de la distribución.
e. Cálculo de medidas de tendencia central con datos cualitativos no agrupados.
Mediana: para datos no agrupados de naturaleza ordinal
Con N impar = ordenar de mayor a menor o de menor a mayor. La mediana es la categoría de la
observación que ocupa el orden medio.
Con N par = se toma la observación cuya categoría es mayor como mediana.
Modo: Debe buscarse la clase que tiene el mayor número de frecuencia.
f. Cálculo de medidas de tendencia central con datos agrupados en escalas ordinal y nominal.
Mediana: para datos agrupados en escala ordinal Valores ordenados:
1 Determinar el orden medio de las observaciones (la mitad de las observaciones)
2 Buscarla en las frecuencias acumuladas más que (fa+q)
Modo: Debe buscarse la clase que tiene el mayor número de frecuencia.
g. Medidas de orden: cuartiles, deciles y percentiles.
Son las medidas que nos indican hacia qué valor tienden con más frecuencia las mediciones. Nos permiten
conocer la posición relativa de cualquiera de las observaciones con respecto a la distribución de frecuencia.
Se sacan en escalas ordinales e intervalares. Y tenemos:
Cuartil (Q): Divide en cuatro partes iguales (25%). Fórmula: Q❑=N/4 . ❑

Decil (D): Divide en 10 partes iguales (10%). Fórmula: D❑=N/10 . ❑

Percentil (P): Divide en 100 partes iguales (100%). Fórmula: P❑=N/100 . ❑ Y

también entraría la Mediana que divide la mitad en partes iguales (50%)
Puntuaciones standard: Puntaje z. Su utilidad.
Un puntaje o valor en una variable cuya medición se ha efectuado en un conjunto de sujetos pueden
expresarse en términos de otro sistema de valores, que llamaremos “puntajes Z”. Los puntajes Z se definen
de la siguiente manera: donde X es una puntuación original cualquiera, M es la media de la variable en
cuestión y S es la desviación estándar de la variable en cuestión. Decimos que a cada puntaje original X le
corresponde un puntaje Z.
El numerador de la fórmula se trata de la “desviación” con respecto a la media de un puntaje individual. El
puntaje Z expresa la puntuación original en términos de cuántas desviaciones estándar se aparta (o se
desvía) de la media. Las puntuaciones Z pueden ser positivas o negativas; son positivas las de aquellas
puntuaciones originales que son mayores que la media (X>M) y son negativas las de aquellas puntuaciones
originales que son menores que la media (X<M).
 20

a. Para calcular el equivalente Z de cualquier puntaje original es necesario conocer la media y la

desviación estándar de la variable en cuestión en la distribución de frecuencias a la que pertenece el
puntaje original;
b. El puntaje Z nos indica la posición del puntaje original con respecto a la media de la distribución de
frecuencias y en términos de la desviación estándar correspondiente.
h. Estandarización o tipificación de las pruebas psicológicas. Unidades y escalas de medidas más
utilizadas en las técnicas de los tests. Elaboración estadística de baremos.
Un baremo es una tabla de tipificación de los datos de una población, que al estar en bruto, se los pasa a
percentiles. Se trata de una jerarquización de valores en datos cualitativos, en base a una determinada
edad, sexo, lugar donde se realizó el test, etc.
Los baremos son una parte importante en las investigaciones y tienen que ver con la adaptación de escalas.
Dicho coloquialmente, es cuando se adaptan los resultados de una prueba a una determinada localidad.
Pasos para la construcción de una prueba psicológica, según Szekely. La psicología contemporánea integra
el cuadro general de las ciencias, por tanto, se haya sometida a las exigencias de la metodología científica y
de la elaboración de los conceptos teóricos, inertes a una interpretación exacta de la realidad psicológica.
Una descripción de las partes que compone una prueba psicológica (test, escala, cuestionario, etc.)
permitirá señalar cuáles son las que contienen los elementos que contribuyen a determinar una situación
fiscalizada.
Una prueba psicológica consta, por lo general, de los siguientes pasos:
1. Exposición de los objetivos de la prueba, qué mide.
2. Descripción de las características estructurales.
3. Información acerca del proceso de estandarización o tipificación.
4. Instrucciones generales sobre la manera de aplicar la prueba y el tipo de población sobre la cual se
puede utilizar.
5. Descripción del material de examen propiamente dicho, con las instrucciones detalladas para la
aplicación de cada uno de los subtest.
6. Introducciones para la valoración de las respuestas obtenidas en cada uno de los subtest.
7. Información estadística y psicométrica acerca de las propiedades de las pruebas como instrumento
de medida y predicción del criterio externo.
8. Tablas con los puntajes para los diferentes grupos de edades, poblaciones, tipos de conducta, etc.
(baremos).
Otra descripción de pasos:
1. Primer paso:
a) Se especifican los datos a examinar.
b) Se determinan los recursos de apreciación objetiva y cuantitativa de lo que se quiere medir.
c) Se transforma en instrumento de apreciación a los recursos elegidos.
2. Segundo paso:
a) Se realiza una prueba piloto aplicándola a un grupo pequeño.
b) Se analizan los datos obtenidos para determinar si la adaptación produjo o no un cambio.
c) Se le otorga la forma definitiva al instrumento y se definen unidades de medidas.
3. Tercer paso: Se escoge una muestra amplia y representativa a la cual se le aplica el test.
4. Cuarto paso: Se realiza la elaboración estadística para analizar la variabilidad, confiabilidad, validez de
los datos, a partir del baremo.
 21

i. Comparación e interpretación de las medidas de posición. Ventajas y desventajas de su uso.

Ventajas: Las medidas de posición (de tendencia central y de orden) nos permiten identificar cómo se
concentran y hacia qué valores tienden las frecuencias de los datos, es decir, cómo se agrupan los datos.
Desventajas: No son suficientes para caracterizar una distribución, así por ejemplo, 2 distribuciones
pueden tener la misma media y ser muy diferentes.
Unidad V: MEDIDAS DE VARIABILIDAD O DISPERSION
a. Medidas de variabilidad o dispersión: definición.
Las MTC tienden a desarrollar cómo se concentran los datos, las medidas de dispersión, por el contrario,
cómo se alejan los datos con relación a un punto.
La dispersión de conjunto de observaciones se refiere a la variedad que exhiben los valores de las
observaciones. Si todos los valores son los mismos, no existe dispersión; si no todos los valores son los
mismos, hay dispersión en los datos. La magnitud de la dispersión puede ser pequeña cuando los valores,
aunque diferentes, están próximos entre sí. Si los valores están ampliamente distribuidos, la dispersión es
mayor.
Otros términos que se usan como sinónimos de dispersión, son los de variación y diseminación.
Dispersión
La regla de interpretación de las medidas de dispersión es:
✔ A > dispersión < homogeneidad A MAYOR DISPERSION , MENOR HOMOGENEIDAD

✔ A < dispersión > homogeneidad A MENOR DISPERSION , MAYOR HOMOGENEIDAD

b. Amplitud total, desviación media, varianza, desviación estándar y coeficiente de variación:
definiciones y características.
Amplitud total o recorrido (At): Es la diferencia entre límite superior real y el límite inferior real de una
distribución de frecuencia. Esta medida se utiliza para tener una idea simple de la relación existente entre
dos distribuciones. La utilidad es limitada y esto lo demuestra en que se tomen solo dos valores. Su ventaja
es la sencillez. Cuando los datos son más dispersos, más amplia será la amplitud.
Desviación media (DX): Es la media de los valores absolutos de las diferencias entre cada observación y la
media aritmética. Indica cuánto es la diferencia en promedio que existe entre los valores de distribución y
el punto central, que es la media.
Desviación típica o estándar (S):
❖ Es la raíz cuadrada de la media de los cuadrados de los desvíos respecto de su media.

❖ Su valor siempre será positivo.

❖ Es la medida de variabilidad más común y de mayor confianza, es decir, aquella que varía menos
cuando se calcula para distintas muestras extraídas de la misma población o universo.
❖ Es un índice que representa todas las diferencias individuales de las observaciones, respecto a un punto
de referencia común, que es la media.
❖ Interpretación: Se tiene entonces que cuando el valor de las desviaciones es más chico, la diferencia de
los valores respecto a la media son menores y por lo tanto el grupo de observaciones es más
homogénea.
Varianza (V): Equivale a la desviación estándar elevada al cuadrado.
Coeficiente de variación (CV): Es la medida de variabilidad relativa, que se obtiene dividiendo la desviación
estándar por la media e indica el tamaño de la desviación estándar en relación con el tamaño de la media,
por promedios de porcentajes.
 22

✔ Menos de 33% 🡺 homogénea

✔ Más de 33% 🡺 heterogénea

Es conveniente para:
❖ Comparar varias muestras en relación con su homogeneidad relativa, en caso en que dichas muestras
tienen medias distintas y/o N distintos.
❖ Podría resultar engañoso comparar las magnitudes absolutas de las desviaciones estándar.
Cabría esperar que con una media muy grande, podría encontrarse por lo menos una desviación estándar
suficientemente grande.
Semejanzas y diferencias entre la Desviación Media y la Desviación Estándar.
Desviación Diferencias Semejanzas
Media
✔ Cálculo: Es la medida de los ✔ Definición: Índice que representa todas las
valores absolutos de las diferencias individuales de las
diferencias entre cada observaciones, respecto a un punto de
observación y la Media. referencia común, que es la Media.
✔ Precisión: El resultado ✔ Desviaciones de la Media: Son promedios
promedio del dato arrojado, de la desviación de la Media, con respecto
es menos preciso. a cada una de las observaciones reales.
Estándar
✔ Cálculo: Es la raíz cuadrada ✔ Resultados: Sus valores siempre serán
de la Media de los positivos, por las operaciones aritméticas
cuadrados de los desvíos que se realizan.
respecto de sus medias. ✔ Interpretación: Cuando el valor de las
✔ Precisión: El resultado desviaciones es más chico, la diferencia de
promedio del dato arrojado, los valores respecto a la Media son
es más preciso. menores y por lo tanto, el grupo de
observaciones es más homogéneo.
c. Cálculo de amplitud total, desviación media, varianza, desviación estándar y coeficiente de variación
para datos no agrupados. Amplitud Total: At = Nº - nº
Desviación Media: DX = ∑ I x – X I
N
Desviación Estándar: S =
N
Coeficiente de variación: CV = S/X . 100
d. Cálculo de amplitud total, desviación media, varianza, desviación estándar y coeficiente de variación
para datos agrupados en escala intervalar.
Amplitud Total: At = Lsr - Lir
Desviación Media: DX = ∑ I f(X – PM) I
N
Desviación Estándar: S =
N
Coeficiente de variación: CV = S/X . 100
 23

e. Características de las distribuciones: simetría, asimetría, homogeneidad y heterogeneidad.

Se calcula trazando la línea divisoria imaginaria en la mitad de la tabla. Luego se observan ambas mitades,
sus igualdades o diferencias. Tipos:
Escala A): Perfectamente simétrica, con igual frecuencias en ambas mitades.
Escala B): La gran acumulación de datos está en la mitad superior.
Escala C): Hay mayor concentración de datos en la mitad inferior.
Simetría: Se llama distribución simétrica cuando en ambas mitades de la tabla, hay una concentración
similar de frecuencias y porcentajes. Mientras más perfecta sea la simetría, más coinciden la Media, la
Mediana y el Modo en una misma clase. Generalmente es una escala simétrica cuando la mitad superior es
espejo de la inferior.
Asimetría: Se llama distribución asimétrica cuando hay una mayor concentración de frecuencias y
porcentajes en un sector o extremo de la escala. Existen dos tipos de simetría:
• Positiva: Es cuando la Media es mayor al Modo y a la Mediana.
• Negativa: Es cuando la Media es menor al Modo y a la Mediana.
Homogeneidad: Cuando los datos son iguales entre sí, se necesita un elemento para identificar la muestra
o población. En la tabulación también habrá una mayor igualdad en la distribución de datos, que podrá
observarse en los gráficos.
Heterogeneidad: Cuando los datos son distintos entre sí, se necesita de más elementos. Mientras más
heterogénea sea una población, más cantidad de datos necesito para establecer un criterio. En la
tabulación también habrá una mayor diversidad en la distribución de datos, que podrá observarse en los
gráficos.
Los gráficos de distribución de frecuencia homogénea o heterogénea, solo pueden realizarse en datos
agrupados.
Curtosis.
Mide el grado de apuntalamiento de una distribución, puede ser Leptocúrtica, Mesocúrtica o Platocúrtica.
Es la medida que intenta estudiar la proporción de varianza que se explica de los datos extremos respecto
de la X. Indica la cantidad de datos que hay cercanos a la X. A > curtosis > puntuda la forma de la curva.
f. Interpretación de las medidas de dispersión. Análisis conjunto de las medidas de tendencia central y las
medidas de dispersión en el contexto de las variables psicológicas.
Las medidas de tendencia central y las medidas de dispersión deben ser interpretadas en conjunto, ya que
se complementan. Cuando tenemos datos estadísticos, nos podemos encontrar con que estos están
agrupados o no y que, además, poseen distintas naturalezas. Según la naturaleza de los datos y si están o
no agrupados, será más adecuado y/o posible, aplicar diferentes medidas de tendencia central y de
dispersión. Para sintetizar esta información, a continuación un cuadro:
Medidas de
Naturaleza y formas de
tendencia Medidas de dispersión Ejemplo
presentación de los datos
central
Media Cantidad de ejercicios bien
Amplitud total
Datos de naturaleza aritmética resueltos en una evaluación
Desviación estándar
cuantitativa, no agrupados Mediana de matemáticas aplicada a
Coeficiente de variación
Modo 13 alumnos
No se pueden calcular por
Datos de naturaleza
Mediana no tener datos numéricos y Meses de cumpleaños de los
cualitativa ordinal, no
Modo por lo tanto, carecer de chicos de un curso
agrupados
media aritmética
 24

No se pueden calcular por

Datos de naturaleza Espacio curricular preferido
no tener datos numéricos y
cualitativa nominal, no Modo por los chicos de 9º año de
por lo tanto, carecer de
agrupados EGB
media aritmética
Media Cantidad de ejercicios bien
datos de naturaleza Amplitud total
aritmética resueltos en una evaluación
cuantitativa agrupados en Mediana Desviación estándar
de matemática a 460
escala intervalar Modo Coeficiente de variación
alumnos
datos de naturaleza No se pueden calcular por
cualitativa o cuantitativa Mediana no tener datos numéricos y Meses de cumpleaños de los
ordinal agrupados en modo por lo tanto, carecer de chicos de una escuela
escala ordinal media aritmética
datos de naturaleza No se pueden calcular por
cualitativa nominal Exámenes que deben
no tener datos numéricos y
agrupados en escala Modo tomarse por áreas en el mes
por lo tanto, carecer de
de febrero
nominal media aritmética
Elección de la medida descriptiva más adecuado
Depende del tipo de variable que se está usando de la forma en que adopta la distribución
correspondiente. Es decir, para determinar cuál es la medida que representa mejor a la distribución, hay
que considerar:
1. Cuando se tiene una variable cualitativa nominal, la única medida de posición que tiene sentido es el
modo
2. Cuando la variable es continua numérica, si la distribución es bimodal, ninguna medida de posición
provee información útil.
3. Cuando la distribución es simétrica, las mejores medidas de resumen para describir un conjunto de
datos son: la media aritmética, los gráficos de curtosis y de simetría, la desviación estándar y el
coeficiente de variación.
4. Cuando la distribución es asimétrica las mejores medidas serían las medidas de orden, los gráficos de
asimetría o curtosis y la amplitud de clase.
Unidad VI: PRUEBAS DE HIPOTESIS DE LA ESTADÍSTICA MUESTRAL a.
Elementos y conceptos de la probabilidad. Leyes de Laplace.
Probabilidad.
En Estadística se llama experimento a toda situación azarosa que tiene varios resultados que pueden
especificarse a priori. Pero, además, el resultado de cada experimento es incierto. Por ejemplo: el
experimento consiste en tirar 2 monedas y sus resultados pueden ser:
❖ Cara – cara

❖ Seca – cara Son 4 resultados posibles

❖ Seca – seca

❖ Cara – seca
Todos los resultados posibles de un experimento constituyen lo que se llama “espacio muestral o
distribución muestral”. Un suceso es un subconjunto del espacio o distribución muestral
 25

Las probabilidades van de 0 a 1, en el que 0 es improbable y 1 es probable. En un valor como 1, 5, no hay

probabilidades. La fórmula de probabilidad es P = Casos favorables / Casos posibles.
Por ejemplo: En una bolsa de caramelos, hay 2 de chocolates y 3 de menta, 5 en total. La probabilidad de
que saque uno de chocolate es de 2/5 = 0,40, que corresponde al 40%.
Si hubiesen 5 caramelos de chocolate, la probabilidad sería de 5/5 = 1 (Probabilidad) Si
hubiesen 5 caramelos de menta, la probabilidad sería de 0/5 = 0 (Improbabilidad)
Leyes de Laplace.
Son 3:
1. El valor numérico de la probabilidad es siempre un número positivo (+) o nulo (0), pero nunca puede
ser mayor que 1. 0 ≤ P (A) ≤ 1. Es decir, la probabilidad de un hecho A será siempre mayor o igual a 0 y
menor o igual a 1, nunca mayor a 1. La probabilidad siempre está entre 0 (ocurrencia) y 1 (certeza).
2. Ley de la suma o probabilidad simple. Si 2 hechos: A y B, se excluyen mutuamente, la probabilidad de
obtener A o B, es igual a la probabilidad de obtener A, más la probabilidad de obtener B. Que se
excluyan mutuamente quiere decir que A y B no pueden ocurrir simultáneamente en el mismo
experimento. P (A o B) = P (A) + P (B). Así la probabilidad de obtener 5 o 6 al tirar un dado al azar, será P
(5 o 6) = P (5) + P (6) = 1/6 + 1/6 = 2/6 = 1/3.
3. Ley de la multiplicación o probabilidad compuesta. Si A y B son 2 hechos cuales quiera, la probabilidad
de obtener ambos A y B es el producto de la probabilidad de un hecho, por la probabilidad condicional
de obtener el otro, una vez que se ha obtenido el primero. P (A y B) = P (A). P (B/A) = P (B) . P (A/B).
Probabilidad condicional significa que reconocemos que la probabilidad de A puede depender de si B se
presente o no.
b. Pruebas estadísticas paramétricas y no paramétricas.
Estadística descriptiva Estadística inferencial o inductiva
DESCRIBE INDUCE
Población Muestra Completa Incompleta
Resultados Se toman todas las unidades de la
Parámetros Estadísticos población
ESTADÍSTICA PARAMÉTRICA No se toman todas las unidades de la población
Conclusión con certeza Muestra estadística
Describe los fenómenos ESTADÍSTICA NO PARAMÉTRICA
Conclusión sin certeza pero con probabilidades
mediante pruebas de hipótesis

Induce sobre la muestra para sacar conclusiones

sobre la población que no tengo

PRUEBAS ESTADÍSTICAS PARAMÉTRICAS PRUEBAS ESTADÍSTICAS NO PARAMÉTRICAS


Características: Una prueba estadística
paramétrica específica ciertas condiciones
acerca de la distribución de respuestas en la
población de la cual se ha obtenido la
muestra investigada. Ya que estas
condiciones no son ordinariamente
evaluadas, sólo se suponen. La significación
de los resultados de la prueba paramétrica
depende de la validez de estas suposiciones.
Trabajan con variables verdaderamente
cuantificables.
Trabajan con toda la población.
Son válidas para Distribuciones Normales.
No prueban diferentes hipótesis acerca de la
población.
Es conveniente elegirla cuando se conoce con
exactitud la naturaleza de la distribución de la
población.
Hacen mayor suposiciones acerca de los
datos.
Se establecen diversas suposiciones respecto
de la naturaleza de la población.
Si las suposiciones de la población son
correctas o aproximadas tendrán una muy
buena prueba. Para ser confiables los datos
cumplen muchas características. Si los datos
no son certeros la inferencia es errada.
Trabajan bien con escalas intervalares.
No están disponibles para tratar datos de
escalas nominales.
No son adecuadas para tratar muestras
obtenidas de observaciones de diferentes
poblaciones.
A menudo no pueden manipular tales datos
sin exigirnos hacer suposiciones
aparentemente irreales o requisitos pesados
de computación.
26
Características: Una prueba estadística no
paramétrica está basada en un modelo que
especifica sólo condiciones muy generales y ninguna
acerca de la forma específica de la distribución de la
cual fue obtenida la muestra. Ciertas suposiciones
están asociadas con la mayoría de las pruebas no
paramétricas, a saber: que las observaciones son
independientes y quizá, que la variable en estudio es
continua; pero estas suposiciones son menores y más
débiles que aquellas asociadas con las pruebas
paramétricas.
No necesariamente deben trabajar con variables
verdaderamente cuantificables.
Trabajan con muestras.
No necesitan garantizar que la Distribución sea
Normal.
Prueban diferentes hipótesis acerca de la población.
Es conveniente elegirla cuando el tamaño de la
muestra es muy pequeño.
Hacen menos suposiciones acerca de los datos.
Se hacen pocas suposiciones acerca de la naturaleza
de la distribución, por eso son ampliamente
aplicables.
Si las suposiciones de la población son falsas, una
prueba no paramétrica puede dar un resultado más
preciso, o sea si lo que suponen es errado, igual son
confiables pues no necesitan todas las condiciones.
Trabajan bien con escalas nominales y ordinales. Se
usa en estas escalas sin perder información
Están disponibles para tratar datos de escalas
nominales.
Existen pruebas que son adecuadas para tratar
muestras obtenidas de observaciones de diferentes
poblaciones.
A menudo pueden manipular tales datos sin exigirnos
hacer suposiciones aparentemente irreales o
requisitos pesados de computación.
 27

No son más fáciles de aprender y aplicar que
las pruebas no paramétricas.
Su interpretación no suele ser más directa.
Son exactas si se encuentran todas las
suposiciones y si las hipótesis de
investigación son probadas mediante una
prueba paramétrica.
Es más eficaz cuando se cumplen las
suposiciones y se miden las variables al
menos en escala intervalar.
No posee Potencia-eficacia porque se
trabajan con la totalidad de los datos.
Perfecta – Eficiencia, siempre en términos de
precisión.
Tienen el 100 % de eficacia certeza.
Difíciles de entender.
Son más sistemáticas.
Son costosas.
Pueden utilizarse fácilmente en experimentos
complejos con gran número de variables.
Típicamente son más fáciles de aprender y aplicar que
las pruebas paramétricas.
Su interpretación suele ser más directa.
Son inútiles si se encuentran todas las suposiciones y
si las hipótesis de investigación son probadas
mediante una prueba paramétrica.
Aún, cuando se satisfagan suposiciones de la prueba
paramétrica, requerimientos de fuerza y medición, la
potencia–eficiencia indica que al aumentar el tamaño
de la muestra podemos usar una prueba no
paramétrica sin perder potencia para rechazar Ho.
Si su Potencia-eficacia tiene un alto porcentaje (90%),
es más conveniente.
No son perfectas, sino probables, no tienen 100 % de
eficacia sino de probabilidad.
Fáciles de entender. Exigen conocimientos
matemáticos básicos.
Son menos sistemáticas.
Son menos costosas.
No se pueden aplicar en experimentos complejos en
los que se maneje gran número de variables.

c. La lógica de la prueba de hipótesis en ciencias de la conducta.

La prueba de hipótesis es el procedimiento que utilizamos para determinar si una hipótesis es verdadera o
falsa. En las ciencias de la conducta llevamos a cabo investigaciones con el propósito de probar hipótesis
que derivamos de las teorías de la conducta. Una vez establecida una hipótesis estadística que nos parece
importante para cierta teoría, recabamos datos que nos permitan decidir acerca de esa hipótesis. Nuestra
decisión puede conducirnos a sostener, revisar o rechazar la hipótesis y la teoría de la cual se originó. Para
lograr una decisión objetiva acerca de si la hipótesis particular es confirmada por un conjunto de datos,
debemos tener un procedimiento objetivo para rechazar o bien aceptar tal hipótesis. Se destaca la
objetividad debido a que un aspecto importante del método científico es que se debe llegar a conclusiones
por medio de métodos que sean del dominio público y que puedan ser repetidos por otros investigadores
competentes.
Pasos para la realización de una prueba de hipótesis (Grasso):
1. Formulación de hipótesis (verbalmente)
2. Formulación de hipótesis en términos estadísticos
3. Planteo de H1 como uni o bidireccional
4. Elección entre una prueba de 1 o 2 extremos
5. Elección de la prueba estadística que se realizará
6. Elección del nivel de significación
7. Determinación de los puntos críticos
8. Observación y cálculo de los resultados muestrales
9. Cálculo del error estándar del estadístico de la prueba
 28

10. Determinación de la zona en que se encuentra el resultado observado 11. Decisión a favor o en contra
de la H0
d. Errores en la prueba de hipótesis.
Error tipo I y error tipo II. Hay dos tipos de errores que pueden cometerse al decidir acerca de la hipótesis
nula. El primero, el error tipo I es rechazar la hipótesis nula siendo verdadera. El segundo, el error tipo II, es
aceptar la hipótesis nula siendo falsa.
La relación que existe entre ellas es una relación inversa entre las probabilidades de cometer ambos tipos
de errores. Es decir que, al decrecer la posibilidad de cometer el error tipo I, se incrementará la posibilidad
de cometer el error tipo II, para cualquier N dada. Por lo tanto, si se desea reducir la posibilidad de ambos
tipos de errores, se debe incrementar el N.
e. Pruebas de uno y de dos extremos.
Si una prueba es de una cola la dirección de la diferencia es unilateral, es mayor o es menos. Si es de dos
colas, la dirección es bilateral, es distinta.
f. Procedimiento objetivo para probar una hipótesis: sus pasos.
1. Formulación de Hipótesis: Se plantean hipótesis nula (H0) e hipótesis alternativa (H1). La prueba de
nulidad consiste en enunciar la hipótesis nula, la cual anula las diferencias. Se formula con la intención
de ser rechazada para aceptar entonces, la hipótesis alternativa. La hipótesis alternativa es la
aseveración operacional de la hipótesis de investigación del experimentador, es decir, la predicción que
se deriva de la teoría que se está probando.
2. Elección de la prueba estadística: Siegel considera 4 criterios de elección
• El primero es la potencia de un análisis estadístico, es decir, una prueba estadística es buena si es
pequeña la probabilidad de rechazar la hipótesis nula siendo verdadera; y grande, la posibilidad de
rechazar la hipótesis nula, siendo falsa.
• El segundo es considerar la manera en que la prueba de puntaje fue obtenida (tipo de muestreo).
• El tercero es la naturaleza de la población de la que se extrajo la muestra.
• Y el cuarto es la escala empleada en las operacionalizaciones de la variable a investigar.
3. El nivel de significación y tamaño de la muestra: El nivel de significación se simboliza con α (Alfa). Se
debe escoger antes de realizar la investigación y depende del tipo de investigación. Se debe escoger con
reglas de objetividad. El Alfa es el margen de error admitido, la probabilidad de cometer un error tipo I.
4. Distribución muestral: La distribución muestral es una distribución teórica que se realiza. Se obtendría
al tomar al azar todas las pruebas posibles de un mismo tamaño, extraídas de una misma población. La
distribución muestral incluye todos los valores posibles que una prueba estadística puede tomar,
conforme a la hipótesis nula. Distribución muestral serían las probabilidades de respuestas posibles.
5. Definición de la región de rechazo: Es una región de la distribución muestral. Incluye todos los valores
posibles que una prueba puede tomar conforme a H0. Consiste en expresar con palabras en qu é caso
se acepta la H0 o en qué caso se rechaza, tomando como referencia α. Por ejemplo: si α = 0,05,
entonces el tamaño de la región de rechazo es del 5% del área total.
6. La decisión: Es la conclusión. En ella se incluyen todos los valores probabilísticos utilizados. Si la prueba
estadística da un valor que está en la región de rechazo, se rechaza la H0. La región de rechazo se
determina por el valor de significación de α.
g. Criterios para la elección de la prueba estadística adecuada.
1. Criterio de potencia.
2. Ver cuántas muestras son. En el caso de que sean dos muestras, ver si son relacionadas o
independientes.
3. ¿Cuál es el N? En las pruebas para muestras relacionadas el N tiene que ser igual en ambas muestras.
En las pruebas para muestras independientes, el N no necesariamente es igual en ambas muestras.
4. ¿Cuál es la naturaleza de la variable o cómo fue operacionalizada, es decir de qué manera se midió?
 29

5. ¿En qué escala están medidos los datos?

6. Cantidad de categorías de la variable.
OTRAS PREGUNTAS DE TRABAJOS PRÁCTICOS Y PARCIALES
Explique la relación entre los dos tipos de errores y α y β como regiones de la distribución muestral. La
relación que existe entre α y β es que son inversamente proporcionales. Alfa representa la probabilidad de
cometer error tipo I, que es rechazar la hipótesis nula siendo verdadera; Beta representa la probabilidad de
cometer error tipo II, que es la de aceptar la hipótesis nula siendo falsa. Al incrementar Alfa, Beta
disminuye y viceversa, por eso son inversamente proporcionales.
Enuncie error tipo I y error tipo II y sus analogías en la lógica de los tribunales penales (Leach) ERROR
TIPO I: Rechazar la hipótesis nula cuando es verdadera.
En los tribunales penales: Condenar a una persona inocente.
ERROR TIPO II: Aceptar la hipótesis nula cuando es falsa.
En los tribunales penales: Perdonar a una persona culpable.
Defina y explique: ¿Qué son hipótesis nula e hipótesis alternativa? Explique y ejemplifique.
La hipótesis nula es una hipótesis de no efecto y por lo general se formula con el propósito expreso de ser
rechazada, es decir es la negación del punto que se está tratando de probar si es rechazada se la toma
como hipótesis alternativa. La hipótesis alternativa es la declaración es la declaración operacional de la
hipótesis de investigación del experimentador.
Ejemplo 1:
H0: Los alumnos de la Comisión 2 de 2° año de la carrera de licenciatura en Psicología, no finalizaron varias
cátedras.
H1: Los alumnos de la comisión 2 de 2 años de la carrera de licenciatura en Psicología, finalizaron varias
cátedras.
Ejemplo 2:
H0: La cantidad de alumnos aprobados en estadística es igual a la cantidad de alumnos desaprobados.
P (X a = X d)
H1: La cantidad de aprobados en estadística es mayor a la cantidad desaprobados.
P (X a > X d)
¿A qué se refiere el concepto de colas de la hipótesis alternativa? Explique y ejemplifique.
El tipo de hipótesis alternativa (H1) define si una prueba es de una o dos colas. La naturaleza de la hipótesis
de investigación determina cómo deben ser formuladas la hipótesis alternativa.
• Dos colas: Si la hipótesis de investigación simplemente dice que dos grupos difieren con respecto a
las medias, entonces la hipótesis alternativa será: H1 ǂ H2. Supongamos que cierta teoría científico
social nos conduce predecir de dos grupos específicos de personas difieren en cuanto al tiempo que
pasan en internet. Para probar esta hipótesis de investigación, la enunciamos en forma operacional
como la hipótesis alternativa H1.
H1 será tal que H1 ǂ H2, es decir que la cantidad media de tiempo empleado en internet por los
miembros de las dos poblaciones, es desigual.
H0 será tal que H1 = H2, esto es que la cantidad media de tiempo empleado en internet por los miembros
de dos poblaciones, es la misma.
• Una cola: Pero si la teoría predice la dirección de la diferencia, es decir, que un grupo específico
tiene una media mayor que el otro, entonces la hipótesis alternativa puede ser: H1 > H2 o que H1 <
H2. En pruebas de una cola normalmente se conoce el signo de la potencial diferencia antes de
ejecutar el experimento y la prueba. La hipótesis alternativa plantea la diferencia en una relación de
menor o mayor. En este caso podríamos decir que los hombres invierten más tiempo en internet
que las mujeres. Su forma operacional sería.
 30

H1 será tal que H1 > H2, es decir que la cantidad media de tiempo empleado en internet por los
hombres es mayor al de las mujeres.
H0 será tal que H1 = H2, esto es que la cantidad media de tiempo empleado en internet por los hombres y
las mujeres, es la misma.
¿Qué es la potencia de una prueba? ¿Cómo se puede implementar la potencia de una prueba?
Una prueba con potencia es aquella en la que hay una gran probabilidad de rechazar la hipótesis nula
cuando es realmente falsa.
Se refiere al incremento en el tamaño de la muestra necesario para hacer una prueba “B”, tan poderosa
como una prueba “A”. La potencia de una prueba estadística se incrementa al aumentar el N.
A la probabilidad de cometer un error tipo II generalmente se le designa ẞ .Cuando ẞ es pequeña, la
potencia de la prueba es grande y viceversa. En algunos casos, es útil asignar un valor numérico a la
potencia de una prueba; este valor se da como 1- ẞ.
Existen 3 maneras de cambiar la potencia de una prueba:
1. La primera es cambiar el nivel de significación: Puede incrementarse la potencia de la prueba usando
un valor crítico menos riguroso, pero con esto se ha incrementado también la probabilidad de cometer
un error tipo I. En términos de la analogía con el tribunal penal, la potencia es la probabilidad de
condenar al culpable. Puede incrementarse la potencia condenado a más gente, pero al hacer esto se
incrementan los riesgos de condenar al inocente. Por lo tanto debe balancearse la probabilidad de
cometer un error tipo I con la probabilidad de cometer un error tipo II; no puede reducirse una de éstas
sin producir un incremento en la otra
2. La segunda es cambiar la magnitud de la desviación con respecto a la hipótesis nula que se quiere ser
capaz de detectar, es decir resignarse a la posibilidad de detectar sólo las grandes desviaciones de la
hipótesis nula.
3. La tercera es cambiar el número de observaciones, es decir reunir más datos.
Señale y explique la fórmula para calcular la potencia eficiencia de una prueba B.
• La potencia eficiencia es incrementar el tamaño de la muestra para hacer la prueba B tan poderosa
como la A.
• Potencia-eficiencia de la prueba B: NA (p. no paramétrica) / NB (p. paramétrica). 100
• Se debe incrementar el N de A para poder potenciar a la prueba B y así poder, a partir de los N de cada
prueba, sacar un porcentaje de potencia eficiencia. Son necesarios 10 casos de B para 4 casos de A.
Potencia eficiencia de cada prueba ❖ Binomial: 95 % con N=6

❖ X2: No se puede calcular su potencia exacta. Cuando se usa la medición nominal o los datos están
conformados por categorías discreta, la noción de potencia eficiencia de esta prueba, no tiene
importancia.
❖ McNemar: Tiene una potencia eficiencia cerca del 95% para A + D= 6, que declina a medida que
aumenta el tamaño de A + D, hasta una eficiencia final de cerca del 63%.
❖ De los Signos: Cerca del 95% para N= 6, que declina a medida que aumenta el tamaño de la muestra,
hasta una eficiencia final de cerca del 63%.
❖ Wilcoxon: Para muestras pequeñas la eficiencia se acerca a 95%.

❖ Walsh: Su potencia eficiencia es del 99% con N=9 y α =0,01 en una prueba de 1 cola. Y sin bajar del
87,5% con N=10 y α=0,06 en una prueba de 1 cola.
❖ Fisher: Es la más poderosa para pruebas de 1 cola para datos adecuados.
 31

❖ X2 para dos muestras independientes: Cuando la prueba de X2 se usa, generalmente no hay una
alternativa clara, y la potencia exacta de la prueba es difícil de calcular. Sin embargo se demostró que le
límite de la distribución de potencia de X2 tiende a 1 cuando N toma un valor grande.
❖ Prueba de la extensión de la Mediana: Como se sabe, esta prueba es en esencia una prueba X2 para K
muestras, por lo tanto, su potencia eficiencia es similar a la de X2 para dos muestras independientes.
❖ Prueba de los rangos de Spearman: la eficiencia de la correlación de rangos de Spearman cuando se
compara con la correlación más poderosa, la de Pearson, es de cerca del 91%. Cuando el rango de
Spearman se usa con una muestra para probar la existencia de una asociación en la población, y cuando
la población tiene una distribución normal bivariada y la medición se ha hecho en escala intervalar, el
rango de Spearman tiene una eficiencia del 91% respecto a Pearson, para rechazar hipótesis nula. Si
existe una correlación entre x e y en esa población, Spearman necesitará 100 casos para establecer esa
correlación al mismo nivel de significación que Pearson logra con 91 casos.
¿Por qué no tiene importancia el cálculo de la potencia-eficiencia de X2 para una muestra, cuando se usa
la medición nominal?
Para sacar la potencia eficiencia de una prueba se debe dividir la prueba no paramétrica con la prueba
paramétrica. Como las diferentes pruebas de X2 trabajan con una escala nominal, no tienen una medición
fuerte, por lo tanto, es una prueba no paramétrica que no tiene punto de comparación con otra prueba
realmente paramétrica que permita calcular su potencia eficiencia.
Otra explicación: La potencia eficiencia se calcula siempre en comparación con las pruebas paramétricas, al
trabajar con una escala nominal, la única prueba que se puede utilizar es X2, por lo tanto, no importante
cuál es su potencia eficiencia ya que no se la puede comparar con otra prueba.
Explique: ¿Qué es el nivel de significación? ¿Para qué se establece?
El nivel de significación se simboliza con la letra Alfa α, se debe escoger antes de realizar la investigación y
depende del tipo de investigación.
Alfa es el margen de error admitido. Todo el procedimiento tiende a rechazar la H0 para aceptar la H1, y
esto es posible cuando una prueba estadística produce un valor cuya probabilidad asociada de ocurrencia
bajo H0 es igual o menor que el nivel de significación.
¿Qué es una distribución muestral? ¿Cómo se la podría obtener?
La distribución muestral es una distribución teórica. Se obtiene al tomar al azar todas las muestras posibles
de un mismo tamaño extraídas de una misma población. Es decir que la distribución muestral es la
distribución conforme a Ho, de todos los valores posibles que una estadística puede tomar cuando es
calculada con nuestras de igual tamaño tomadas al azar.
La distribución muestral señala las probabilidades conforme a Ho, están asociadas con los diferentes
valores numéricos posibles.
La distribución muestral de todos los eventos posibles nos ha mostrado la probabilidad de ocurrencia
conforme a Ho del evento en que estamos interesados. ¿A qué llamamos técnicas de distribución libre?
¿Por qué?
Llamamos técnicas de distribución libre a aquellas técnicas que no hacen suposiciones numerosas o
rigurosas acerca de la población de la cual se han muestreado los datos. Estas técnicas dan como resultado
conclusiones que requieren menos calificaciones. Se llaman así, justamente porque no suponen que las
puntuaciones que se analizan fueron extraídas de una población que presenta una distribución normal,
sino de una con distribución libre.
Técnicas no paramétricas: Se tiene en cuenta los datos no paramétricos, con distribución libre y muestras al
azar.
¿Qué es la región de rechazo? ¿Cuál es su relación con las colas de la hipótesis alternativa? ¿Cuál es su
relación con el nivel de significación?
 32

La región de rechazo es v región de la distribución muestral. Incluye todos los valores posibles que una
prueba estadística puede tomar conforme a hipótesis nula (H0). La región de rechazo se compone de un
subconjunto de estos posibles valores, de manera que la probabilidad de ocurrencia de una prueba
estadística conforme a hipótesis nula (H0), cuyo valor esté en ese subconjunto, sea alfa. La probabilidad
asociada con cualquier valor de la región de rechazo es igual o menor que alfa, que es el nivel de
significación. La región de rechazo consiste en expresar con palabras y en qué casos se acepta la hipótesis
nula (H0) o en qué casos se rechaza, tomando como referencia a alfa o nivel de significación. La
probabilidad asociada a cualquier valor de la región de rechazo es mayor o igual a alfa.
Si la hipótesis alternativa uno (H1), indica la dirección predicha de la diferencia, se requiere de la prueba de
una cola; si no indica la dirección, se requiere de la prueba de dos colas. En una prueba de una cola, la
región de rechazo está en un extremo de la distribución muestral. En cambio en el caso de dos colas, la
región de rechazo está en ambos extremos de la distribución muestral por ejemplo si alfa.= 0.05. Entonces
el tamaño de la región de rechazo es el del 5% del área total. α =% de error α =0,05 ẞ=0,95 α + ẞ =1 →
Distribución muestral: suma de todas las probabilidades
Unidad VII: DIFERENTES PRUEBAS DE HIPOTESIS
a. Pruebas de hipótesis para una muestra: La prueba binomial y la prueba chi cuadrada.
Características Binomial X2
Posee una variable cualitativa Posee una variable cualitativa
Variable:
discreta discreta
Variable de respuesta: Dicotómica K categorías, o sea, más de 2
Medible en: Escala nominal Escala nominal
N: N de 5 A 25 N más de 25
X2= ∑ (o-e)2/E y gl = k-1
Resolución: Con N y X, el de frecuencia menor
tener en cuenta fe = N / K
Tabla: D C
b. Pruebas de hipótesis para dos muestras relacionadas: La prueba de McNemar para la significación de
los cambios, la prueba de los Signos, la prueba de rangos señalados y pares igualados de Wilcoxon y la
prueba de Walsh.
Muestras relacionadas, adecuadas para sujeto como su propio control o emparejamiento.
Características P. de McNemar P. de los Signos P. de Wilcoxon P. de Walsh.

Posee una variable

Posee una variable
Variable: Posee una variable Posee una variable cuantificable o
verdaderamente
cualitativa discreta cualitativa continua arbitrariamente
cuantitativa
cuantitativa

Escala nominal u Escala ordinal que

ordinal no pueda ser Escala ordinal Escala intervalar u
Medible en:
cuantificable y medida continua ordinal
datos no agrupados cuantitativamente

Sujeto como su Sujeto como su Sujeto como su Sujeto como su

Adecuada
propio control en propio control y propio control y propio control y
para:
un antes y después emparejamiento emparejamiento emparejamiento
 33

N entre 4 y 15
(cantidad de
N sin límites y se N entre 5 y 25 y se N sin límite y se
parejas, no de
N: reduce a los reduce por ligas reduce por ligas
personas) y no se
casilleros de cambio internas internas
reduce con ligas
internas
Se resuelve por Tiene resolución
Tiene resolución
Binomial o X2, propia:
propia:
dependiendo del Se resuelve por Sacar di y anular Փ,
Resolución: Sacar di, otorgarle
resultado A+D/2. Binomial otorgarle rangos a di,
un rango y buscar
≥ 5 = X2 promediar los rangos
en la tabla la
< a 5 = Binomial que se repiten, sacar
T=∑ de rangos de operación que le
menor frecuencia corresponda al caso

Las fórmulas están

dadas en la tabla,
X2=(IA-DI-1)2 Binomial: N, que según la dirección de
A+D puede reducirse y No hay fórmula, tener la hipótesis:
Fórmulas: y gl=1 X, es el signo de en cuenta N, que puede Si es de 1 cola, se
Binomial: N=A+D y menor frecuencia reducirse y T emplea una sola
X=A o D, el menor (+ o -) fórmula (la del
signo) y si son 2 colas,
las 2 fórmulas

Tabla C (X2) Tabla

Tablas: Tabla D (Binomial) Tabla G Tabla H
D (Binomial)
c. Pruebas de hipótesis para dos muestras independientes: La prueba de Fisher, la prueba de chi
cuadrada y la prueba de la mediana.

Características P. Fisher P. x2 2x2 P. x2 2xk P. Mediana

Posee una Posee una

Posee una variable Posee una variable cuantitativa o
Variable: variable variable
cualitativa arbitrariamente cuantificable.
cualitativa cualitativa

Variable de Dicotómica (arriba o abajo de la

Dicotómica Dicotómica K categorías
respuesta: Md combinada)

Escala nominal No hay escala por ser datos No

Medible en: Escala nominal Escala nominal
u ordinal agrupados

N menos de
N mayor a 40
20
N: N sin límites N sin límite
 34

Cuando se tiene un N entre 21 y 39, se

deben sacar las frecuencias esperadas
Fe = (TM.TM/N)

Si todas las fe son ≥5, se resuelve por

X2 2x2.
Si al menos una fe es < 5, Fisher
Calcular los Se resuelve por Fisher o X2 2x2,
Realizar cuadro totales dependiendo del N
de marginales y Fe=(TM.TM/N)
Resolución: Realizar cuadro de
doble entrada y luego el X2 y < 5 Fisher
doble entrada y
luego
luego calcular el X2 y gl, según las ≥5 X2 2x2
remitirse a fórmulas
gl, según las
Tabla según los
fórmulas
valores de
A, B, C y D

A+B X2=N (IAD- BCI-N/2)2

C+D No tiene fórmula propia
Fórmulas: B (o A) (A+B)(C+D)(A+C)(B+D) X2=∑∑(O-E)2/E
gl = (k-1)(r-1)
D (o C)
gl = 1

Tabla I (Fisher) Tabla

Tabla: Tabla I Tabla C Tabla C
C (X2)
d. Pruebas de hipótesis para k muestras independientes: La prueba de chi cuadrada y la extensión de la
prueba de la mediana.
X2 Para K muestras
Características Extensión de la Md
Independientes
Posee una variable
Posee una variable cualitativa
Variable: verdaderamente cuantitativa
discreta
continua
Medible en: Escala nominal Datos no agrupados
Variable de respuesta: Dicotómica o k categorías Dicotómica
No es necesario realizar ningún Es necesario realizar un cuadro
cuadro. Esta prueba no tiene donde se coloquen las categorías y
Resolución: resolución propia y se resuelve por las muestras. No tiene resolución
2x2 o 2xk dependiendo las propia, por lo que se resuelve por
categorías 2xk.
Al resolverse por X2 la probabilidad asociada se encuentra contenida en
Tabla:
Tabla C
OTRAS PREGUNTAS DE TRABAJOS PRÁCTICOS Y PARCIALES
¿Con qué nombre se conoce las pruebas de una muestra? Explique por qué (Siegel)
Las pruebas de una muestra se conocen como “pruebas de la bondad del ajuste o pruebas de la bondad de
la adaptación”, ya que con una muestra tomada al azar, se prueba la hipótesis de que su extracción viene
de una población con una distribución especificada. Se intenta ver en qué medida lo obtenido en la
muestra se ajusta a la población.
 35

¿Cuál es el supuesto que subyace a la prueba de los signos? Mencione y explique.

El único supuesto subyacente de la prueba de los signos es la continuidad de la variable de investigación
considerada. La prueba de los signos permite contrastar la hipótesis de que las respuestas a dos
''tratamientos'' pertenecen a poblaciones idénticas. Para la utilización de esta prueba se requiere
únicamente que las poblaciones subyacentes sean continuas y que las respuestas de cada par asociado
estén medidas por lo menos en una escala ordinal. Así, las diferentes parejas pueden provenir de
poblaciones distintas con respecto al sexo, a la edad, a la inteligencia, etc.; el único requisito es que dentro
de cada pareja, el experimento haya logrado igualar las variables extrañas pertinentes, como se indicó
antes, cada sujeto puede ser su propio control.
¿Qué dice el principio de Minimax? ¿Qué implica su uso en la prueba de hipótesis?
El principio de Minimax, rechaza los procedimientos que implican una adhesión al nivel de significación
escogiéndolo arbitrariamente y así favorecer el uso de procedimientos en los que las decisiones se hacen
en términos de pérdida.
Es una técnica que busca minimizar al máximo el porcentaje de error, considerando los costos que puede
tener rechazar la H0 siendo verdadera y aceptando H1 siendo falsa (error tipo I).
En un ejemplo, la H1 dice: Los alumnos aprobados son más que los alumnos desaprobados. El alfa
prefijado es de 0,10. En la tabla D, la probabilidad asociada es 0,12. Para completar la interpretación y la
decisión, aplique principio de minimax.
El principio de Minimax es minimizar la pérdida máxima, es decir, no prefijar un Alfa para no cometer error
tipo I y II. Es reducir al máximo la probabilidad de errores, no prefijando un Alfa. En este caso, se desestima
el α prefijado para colocar un α = 0,12 o más. De este modo, se puede rechazar la hipótesis nula y aceptar
la hipótesis alternativa. Entonces se concluiría que: Los alumnos aprobados son más que los alumnos
desaprobados.
¿A cuál hipótesis favorece un valor grande y a cual, un valor pequeño en la resolución de la fórmula X2?
Justifique su respuesta desde un punto de vista teórico.
Valor grande: Favorece a la hipótesis alternativa, ya que la resolución de la fórmula X2 al dar un valor
grande, va a arrojar una probabilidad asociada muy chica, lo cual va caer en la región de rechazo de la
hipótesis nula, por lo cual se acepta la hipótesis alternativa.
Valor pequeño: Favorece a la hipótesis nula, ya que la resolución de la fórmula X2 al dar un valor pequeño,
va a arrojar una probabilidad asociada grande, lo cual va a caer en la región de aceptación de la hipótesis
nula.
Señale 2 criterios para elegir la prueba binomial o la prueba X2 en las pruebas de una muestra, de tal
manera que sean útiles (o sea que la inferencia lograda tenga una potencia óptima).
La prueba Binomial para poder ser elegida debe tener una variable de respuesta dicotómica, es decir 2
categorías y el N entre 5 y 25 para así tener una potencia óptima, es decir rechazar la H0 cuando ésta es
falsa. La potencia eficiencia de esta prueba es del 95% con un N=6
En la prueba X2, debe tener una variable de respuesta de 3 o más categorías, y el N de 3 o más, sin límite.
No tiene potencia eficiencia al ser la única prueba aplicable a una escala nominal.
Cuando los datos de dos muestras independientes se encuentran agrupados en una tabla de 2xk ¿qué
prueba se aplica para probar la hipótesis?
La prueba para aplicar y probar la hipótesis de dos muestras independientes agrupadas en una Tabla 2xk es
X2 para K muestra, con su respectiva fórmula, que tiene en cuenta los totales marginales:
X2=∑∑ (O-E)2 / E y gl = (k-1) (r-1)
Unidad VIII: MEDIDAS DE CORRELACION a.
Correlación: definición.
Todas las medidas descriptivas que se han desarrollado hasta ahora y las herramientas expuestas, se
refieren al tratamiento estadístico de una variable. Sin embargo es imprescindible tener en cuenta que
 36

ciertos estudios requieren del tratamiento estadístico de dos variables asociadas, como es el caso de las
investigaciones que incluyen hipótesis correlaciónales.
Considerando que uno de los principales fines de la ciencia es la predicción, esto es, apreciar los valores de
una variable, conociendo el valor de otra variable asociada, la correlación ha sido tratada por distintos
autores, quienes han creado cada uno su propia fórmula. Entre ellos se pueden mencionar los coeficientes
de correlación de Pearson, de Spearman y de Kendall.
Una correlación indica cómo varía o cambia una característica cuando la otra característica o variable
asociada cambia.
Es importante destacar que una correlación no implica, necesariamente, una relación de causa a efecto;
puede suceder que dos fenómenos estén correlacionados y sin embargo la causa de dicha correlación, sea
una tercera variable que no es tratada en la investigación.
La correlación o estadística bivariada, también se puede presentar en tablas, gráficos y a través de
fórmulas. Correlación, entonces, es la relación entre 2 variables de las cuales una es independiente (x) y la
otra es dependiente (y). La correlación se expresa en un grado de correlación y éste grado debe oscilar
entre -1 y 1 pasando por el 0 (cero).
c. Utilidad de la correlación.
Proporciona 3 datos principales:
1. La existencia o no de una relación entre las variables estudiadas.
2. La dirección de esta relación, si es que existe.
3. Y el grado de esta relación.
Estos 3 aspectos se dan en un sólo valor que oscila entre +1 y -1.
Existen 2 tipos de correlación:
• Positiva o directa: al aumentar una variable, la otra también aumenta o cuando al disminuir una
variable, la otra también disminuye.
• Negativa o inversa: al aumentar una variable, la otra disminuye.
1 Correlación perfecta

entre 0,80 - 0,99 Correlación altamente significativa

entre 0,50 - 0,79 Correlación moderadamente significativa

entre 0,20 - 0,49 Correlación baja

entre 0 - 0,19 Correlación nula

c. Análisis de correlación: casos límite y casos intermedios.
Análisis de correlación: Trata de determinar el grado de ajustamiento de las observaciones a una curva
determinada.
Tres casos límites
1. Covariación máxima positiva, que significa la correlación perfecta y directa = 1 2.
Covariación máxima negativa, que significa correlación perfecta inversa = -1
3. Covariación nula, que significa ausencia de correlación = 0 y 0,09.
Dos casos intermedios
1. Covariación positiva, que significa correlación directa, sin ser perfecta.
2. Covariación negativa, que significa correlación inversa sin ser perfecta.
Ambas son covariaciones funcionales
d. Coeficiente de correlación de Pearson: su interpretación.
 37

e. Coeficiente de correlación de Spearman: su interpretación. Su prueba de significación. Fórmulas de

correlación.
Hay 2 modos de obtener el grado de correlación, usando la Prueba de Pearson o la de Spearman.
PEARSON SPEARMAN
Las 2 variables (x e y) tienen que ser Al menos 1 de las 2 variables o las 2 pueden ser arbitrariamente
verdaderamente cuantitativas. cuantitativas, es decir, se establece una forma de medida para
que sea cuantificable.
Es más exacta y trabaja con valores Es menos exacta y trabaja con rangos (orden).
absolutos y reales (de naturaleza
cuantitativa).
Los resultados obtenidos son Los resultados obtenidos sólo son representativos de la muestra
representativos de toda la población, a la que se aplicó, por lo que si se quieren hacer extensibles los
por lo tanto, no usa procedimiento resultados a la población, se debe aplicar una prueba de
objetivo NUNCA. significación de Spearman. La cual SI lleva procedimiento
objetivo.
Trabaja con el dato exacto. Trabaja con el dato medible.
El resultado es más exacto cuando la Las variables deben estar medidas, por lo menos, en escala
variable se mide en escala intervalar ordinal cualitativa.
(verdaderamente cuantitativa).

Correlación de Spearman. Su nombre completo es Coeficiente de correlación de rangos de Spearman. Es

una medida de asociación que requiere que ambas variables sean medidas por lo menos en una escala
ordinal, de manera que los objetos o individuos en estudio, se puedan colocarse en dos series ordenadas.
Los resultados de cada correlación se analizan sobre la base de la siguiente tabla de valoración, brindada
por Sierra Bravo.
Coeficiente de correlación Valoración
Más de 0,70 Muy fuerte
0,50 a 0,69 Significativa
 38

0,30 a 0,49 Moderada

0,10 a 0,29 Baja
0,01 a 0,09 Despreciable o nula
Comparación completa entre el coeficiente de correlación de Spearman y su prueba de significación.
COEFICIENTE DE CORRELACIÓN DE PRUEBA DE SIGNIFICACIÓN DEL COEFICIENTE DE
SPEARMAN CORRELACIÓN DE SPEARMAN
Trabaja con una muestra. Si la muestra con la que se calculó el coeficiente de
correlación fue tomada al azar, podemos ver en qué grado
ese coeficiente representa a la población.
No tenemos α. Sí tenemos α.
No lleva procedimiento objetivo Lleva procedimiento objetivo
No prueba ninguna hipótesis. La hipótesis que se quiere probar es que la correlación de la
muestra también se cumple en la población.
El resultado va a determinar el El resultado va a ser una probabilidad que se va a comparar
grado de correlación entre ambas con un α prefijado.
variables.
Paso Se calculan los rangos de x Formulación de la hipótesis nula.
1 promediando las ligas.
Paso Se calculan los rangos de y Elección de la prueba estadística.
2 promediando las ligas.
Paso Se calcula di: rango de x – rango de Nivel de significación y tamaño de la muestra.
3 y
Paso Se calcula 𝑑𝑖2 Distribución muestral.
4
Paso Se reemplaza la fórmula: Región de rechazo.
5 rs = 1-

Paso El resultado se busca en la tabla de Decisión.

6 correlación
Paso Se realiza la conclusión
7 correspondiente.
Paso Graficar.
8
f. Gráfico de correlación: interpretación de gráficos.
La tabla de una correlación requiere básicamente tres columnas. En la primera, contiene el listado de los
sujetos o unidades de análisis de quienes se extraen los datos de las dos variables a correlacionar. En la
segunda columna, se colocan los valores de la variable x, mientras que la tercera los datos de la variable y.
El gráfico de correlación también se construye sobre los ejes cartesianos, respetando el orden de las
variables en cada uno de los ejes.
Si se pudiera distinguir una relación de causa-efecto, en el eje de las x se colocan los valores de la variable x
y en el eje de las y, los valores de la variable y.
Los resultados de los gráficos también permiten una lectura fácil del grado de correlación y su dirección.
 39

g. Importancia de la covariación como sistema de medida en los fenómenos de la conducta.

Su importancia está dada por la predicción que nos puede arrojar el conocimiento de una variable sobre
otras variables asociadas. Sin embargo, como se trata de fenómenos de la conducta, no se produce una
relación de causa y efecto, sino de conocer las características que cambian cuando una variable se modifica
y por ende, la/s otra/s, también.
Unidad IX: INDICADORES DE SALUD
a. Indicadores: su utilidad. Números índice.
Los indicadores responden a la necesidad de expresar cuantitativamente las variables que son objeto de
estudio en las ciencias. Para ello, la variable debe ser convenientemente conceptualizada y definida
operacionalmente, de modo que puedan establecerse los componentes o dimensiones de la variable cuya
intensidad o magnitud desea medirse por medio del indicador. Por ejemplo si queremos medir el nivel de
hacinamiento con fines epidemiológicos deberá tomarse la cantidad de personas por cama en cada
vivienda. Sus requisitos son la validez, factibilidad, estabilidad, complejidad, simplicidad y estandarización.
Requisitos de los indicadores
Validez: Significa que el indicador mida la variable que se pretende y no otra cosa. Por ejemplo, si
queremos medir la eficiencia de la atención médica no podemos tomar para ello el nivel de mortalidad,
pues esta depende de muchos otros componentes como la educación, la vivienda, el ingreso económico y
puede que una variación notable en la mortalidad no se deba a la eficiencia de atención médica
Factibilidad: Significa que los datos que se requieren para calcular un indicador estén habitualmente
disponibles o pueden obtenerse de algún modo. Por ejemplo, los indicadores de morbilidad son mejores
que los de mortalidad, pero estos últimos son más factibles
 40

Estabilidad: Significa que sean poco sensibles a las deficiencias de los datos básicos, que no se vean
demasiado influenciados por datos básicos deficientes o erróneos
Complejidad: En caso de tratarse de variables complejas debe ser posible definir la variable en varios
componentes, entonces se puede obtener un índice combinando diversos indicadores, asignando a
cada uno la ponderación correspondiente
Simplicidad y Estandarización: Deben ser de fácil comprensión y presentarse normalizados en escalas
internacionales para facilitar las comparaciones
b. Medición del nivel de salud.
La organización Mundial de la Salud define salud como, un estado de bienestar físico, mental y social y no
solo como ausencia de enfermedad. La medición del nivel de salud puede darse a partir de: a) La medición
positiva de la salud, o sea, del estado mismo de bienestar
b) La medición de las consecuencias derivadas de la pérdida de la salud, o sea, enfermedad y muerte
c) La medición de los factores que determinan el nivel de salud
El primer enfoque ha recibido en años recientes atención por la creciente consciencia de las limitaciones de
los indicadores en la mortalidad o morbilidad.
La medición de los factores que se supone determinan el nivel de salud es usada hoy en planificación,
como parte del diagnóstico de salud de una comunidad. Pero es distinto que utilizar tal medición como
expresión del nivel de salud, porque supone una relación cuantificable entre las variaciones de los
indicadores y el nivel de salud. Pero el modelo de interrelaciones no ha sido desarrollado, y existen
interacciones múltiples entre estos factores determinantes y el nivel de salud. En consecuencia, no cumple
el requisito fundamental de validez para medir adecuadamente las variaciones en el nivel de salud de una
población.
c. Mortalidad y morbilidad: Ventajas y desventajas de las medidas.
Indicadores basados en la mortalidad
Ventajas🡺 la defunción es un evento concreto, unico en la vida de una persona. En la mayoria de los paises
existe un registro de muertes. Lo datos obtenidos son generalmente de censos.
1) La defunción es un evento concreto, único en la vida de una persona y definido internacionalmente. 2)
En la mayoría de los países existe un registro sistemático de las muertes.
3) Los datos de población requeridos generalmente se obtienen de los censos
Deventajas🡺 deficiencia en datos basicos y errores en los registros de causas de muertes.
1-Deficiencia en datos básicos
2-Errores en el registro de las causas de muerte
3- Omisiones que a veces alcanzan hasta un tercio de las defunciones
4-No reflejan toda la complejidad del fenómeno de salud de una población
5-No expresan la ocurrencia de enfermedades de baja o nula letalidad
Tasa cruda de Mortalidad: Refleja el número de defunciones anuales por 1000 habitantes y traduce en
forma global el impacto de las alteraciones letales de salud en una comunidad.
Requiere del conocimiento del total de muertes y de toda la población. Es un macroindicador y resume los
riesgos de una población heterogénea. No contempla aspectos como la edad y el sexo
Esperanza de vida al nacimiento: Si se disponen de las tasas específicas de mortalidad por edad y sexo de
una población se puede calcular las correspondientes probabilidades de muerte. Con ellas se puede
construir una tabla de vida que representa el curso de una generación de 100.000 nacidos vivos que
hubieran estado expuestos a riesgos de muerte citados. El indicador de nivel de salud derivado de la tabla
de vida es la esperanza de vida al nacimiento y refleja el promedio de años de sobrevida al nacimiento. Este
indicador resume más comprensiblemente los riesgos de morir observados en una población,
 41

independientemente de la estructura de edad de la población. Para ello se precisa: población, defunciones

por edad y construcción de tabla de vida.
Mortalidad Infantil: Es una tasa que indica el número de muertes que se dan antes del año de vida por cada
1000 nacidos vivos en una población. Aunque indica mortalidad de un grupo etario, realmente muestra
nivel de salud y vida de la población ya que los menores a un año son en extremo vulnerables a las
condiciones adversas de vida. El inconveniente de este indicador es que no siempre se registran estas
muertes y parte de las muertes del primer día son erróneamente adjudicadas a la mortalidad fetal.
Mortalidad proporcional: Es el cociente entre defunciones de personas de mas de 50 años sobre el total de
defunciones, expresado en porcentaje. Requ iere de pocos datos, es poco sensible a errores de
información básica y es fácil su cálculo e interpretación. Se basa en la observación de que en los países con
bajo nivel de salud la estructura de población es joven y la mortalidad temprana es alta. A medida que los
niveles de salud y de vida aumentan, disminuye la mortalidad por debajo de los 50 años. Este indicador
discrimina con más eficiencia países de distinto nivel de vida y es mejor que la mortalidad proporcional
calculada usando otra edad, por ello parece un buen macroindicador.
Indicadores basados en la morbilidad
Ventajas🡺 No refleja exclusivamente la ocurrencia de enfermedades letales, sino el conjunto de
enfermedades y accidentes de una población.
Desventajas🡺
1-La enfermedad es repetitiva y de características variadas
2-Las definiciones operacionales pueden hacerse según diversos criterios 3-La
clasificación de las enfermedades es distinta según los estados.
4-Es imposible su registro completo y sistemático
5-No existen criterios de diagnóstico uniforme
6-La clasificación depende del conocimiento del médico
7-La eficiencia de los medios para diagnóstico es variable
8- La disponibilidad de los medios de diagnóstico es variable
9-Los datos están dispersos en sitios públicos y privados
10-La percepción de enfermedad por parte del individuo depende de factores culturales y sociales
11-La concurrencia o no a un centro de asistencia dependerá del factor anterior
12-Solo se pueden obtener datos sobre algunas enfermedades
13-Ocurrencia de enfermedades crónicas
d. La estadística y su aplicación en el área de la salud. Los sistemas de estadísticas de salud.
Propuestas para medir niveles de salud
Sanders propone un indicador en el sentido de medir positivamente la salud y se basa en la determinación
de los días en que el individuo es capaz de desarrollar el papel adecuado a su edad y su sexo. Sullivan
propone medir el número de días en que el individuo se encuentra en alguna de 4 categorías que van
desde el enfermo crónico hospitalizado a la incapacidad transitoria por una afección aguda. Pero
igualmente, hay que considerar que el hecho de que un individuo decida suspender o reducir sus
actividades debido a una enfermedad o accidente depende de factores sociales y culturales y por tanto
está sujeto a factores de variación
El objetivo fundamental de estas mediciones es orientar acciones concretas para mejorar los niveles de
salud, en tal sentido los planes de salud, mas que un único indicador, requieren de un diagnóstico analítico
de los daños de salud de la población y de los factores que los determinan. En tal sentido, combinan
variadas fuentes de información y utilizan indicadores múltiples.
Tasas, Razones y proporciones
 42

Las tasas, razones y proporciones son los elementos mas usados en la descripción de datos cualitativos.. En
el campo de salud pública, el uso de valores absolutos es muy frecuente y llena los requerimientos de
muchos sectores, por ejemplo la necesidad del conocimiento del total de la población de un municipio para
estimar el volumen de prestaciones que debe dársele, como puede ser el conocer el número total de
nacimientos para calcular el volumen de camas que deben estar disponibles para obstetricia Los valores
absolutos tienen innumerables aplicaciones en salud pública, particularmente los relacionados con
nacimientos, defunciones, morbilidad, etc, ya que son ampliamente usados en los programas de
planificación de actividades. Sin embargo, no son suficientes cuando se desea comparar las cifras de un
área a lo largo del tiempo o entre varias regiones entre sí, porque las poblaciones de las cuales provienen
son cambiantes y los totales absolutos pierden importancia pues no son comparables. Para ello se usan
las frecuencias relativas que no son más que cantidades que están referidas a otras que se usan como
base de comparación.
Pautas para el uso de frecuencias Relativas
1) Es necesario especificar que fenómenos se están relacionando y cual de ellos se toma como base de
referencia
2) No deben calcularse frecuencias relativas sobre valores absolutos muy pequeños, los
resultados serían muy inestables
3) Todo cociente debe expresarse a través de su valor real o puede amplificarse por un factor que
puede ser múltiplo de 10
4) Un cociente no expresa la magnitud de ninguno de los valores usados sino de la relación, por eso
todo cociente debe acompañarse por lo menos por uno de los valores absolutos que le dio origen e.
Sumarización de series cualitativas: tasas, razones y proporciones.
Cuando el conjunto de datos a analizar son cualitativos, es útil la aplicación de medidas relativas tales como
la razón, la proporción y la tasa. Estas medidas sirven para establecer comparaciones de las cifras referidas
a distintas poblaciones o muestras.
Se define como razón a todo número relativo que relaciona dos fenómenos distintos o dos categorías
diferentes de un mismo fenómeno.
Una tasa es la relación existente entre el número de veces que ocurre un hecho o fenómeno y la población
que estuvo expuesta a ese fenómeno mencionado en el numerador. Está compuesta por tres elementos:
numerador, denominador y factor de ampliación.
En el numerador se consigna el número de veces que un fenómeno se registró.
En el denominador se coloca la población que estuvo expuesta al riesgo de acaecimiento del fenómeno
que se refiere en el numerador.
Para que una tasa sea correcta, debe tenerse en cuenta su concordancia entre el numerador y el
denominador en lo referente a la naturaleza, lapso y área de referencia. También incluye un factor de
amplificación para que los resultados que son menores a la unidad se pueden interpretar fácilmente desde
el sentido común.
Las proporciones son la relación de dos cantidades, en la cual el numerador es una parte de la registrada
en el denominador y este constituye el total de las observaciones en consideración. El resultado se agranda
por un factor de amplificación que generalmente es 100 y esas proporciones reciben el nombre de
porcentajes. Una proporción mide el peso relativo de una parte con respecto al todo del cual proviene.
Ej.: N° de alumnos promovidos x 100
N° total de alumnos
f. Aplicación de los indicadores de salud al contexto de los fenómenos de la conducta.
Razón: Es todo número relativo que relaciona a) dos fenómenos distintos o b) dos categorías diferentes de
un mismo fenómeno. Ej. a) Promedio de habitantes por Km. b) Relación de sexos de los nacidos vivos.
Proporción: Es la relación de dos cantidades en la cual el numerador es una parte de la registrada en el
denominador y este constituye el total de las observaciones en consideración. El resultado se agranda por
 43

un factor de amplificación que en general es 100 y esa proporción recibe el nombre de porcentaje. Una
proporción mide el peso relativo de una parte respecto al todo del cual proviene. Ejemplo: Proporción de
pacientes que curaron con una droga con respecto al total de pacientes tratados con dicha droga.
Tasa: Es la relación existente entre el número de veces que ocurrió un hecho vital o de salud, y la población
que estuvo expuesta al riesgo de acaecimiento del hecho mencionado en el numerador. Tiene mayor
implicancia que las razones y proporciones pues involucra el factor riesgo o probabilidad. La mayoría
de las tasas miden la fuerza de acaecimiento de un fenómeno y con ello evalúa el riesgo inherente. Una
tasa está compuesta por tres elementos: numerador, denominador y factor de ampliación. En el numerador
se consigna el número de veces que se registró un fenómeno (total de nacimientos, defunciones,
matrimonios) y en el denominador la población que estuvo expuesta al riesgo de acaecimiento de lo
asignado en el numerador. Generalmente los datos del numerador provienen de sistemas de registro
permanente y los del denominador de recuentos censales o proyecciones hechas a partir de los censos.
Para que una tasa sea correcta se debe considerar la concordancia de numerador y denominador en lo
referente a la naturaleza, tiempo y área de referencia. Respecto a la concordancia en la naturaleza, en la
tasa de mortalidad por cáncer de útero no se considera la población total pues los hombres no pueden
producir tales defunciones. Respecto del tiempo, los datos deben haber sido enumerados en el mismo
periodo. Respecto del área de referencia se deben descartar hechos acaecidos a personas no residentes en
el área, así en hospitales muy especializados los casos que puedan registrarse pueden corresponder a
personas residentes en otras áreas
Tasa general: Mide la fuerza de acaecimiento(HECHO) de un fenómeno en el total de la población e intenta
cuantificar la probabilidad de ocurrencia en el conjunto de los componentes.
Tasa específica: Mide un hecho registrado en un segmento de la población en relación a la
población de ese segmento Ejemplos:
Tasa general = Nº de de nacimientos en el área Y en el período Z
De Natalidad Población total del área Y, a la mitad del período Z
Tasa específica = Nº de nacimientos en un segmento del área Y en el periodo Z de natalidad
Población de ese segmento a la mitad del período
Tasas ajustadas: Que 2 tasas generales sean iguales no implica que ambas poblaciones tengan igual riesgo
de acaecimiento del fenómeno pues pueden tener estructura diferente, pero las diferencias se compensan
y los resultados finales son iguales. Ejemplo: La tasa general anual de mortalidad por cáncer en hombres en
1962-63 fue de 259.4 por 1000.000 habitantes. En Lima en igual período fue de 91.9. Al comparar ambas
poblaciones se ve que en La Plata un 36% de la población tiene entre 45-74 años y en Lima solo un 20%,
Lima tiene una población mas joven y por ello menos expuesta a tal riesgo. Debe entonces eliminarse esa
diferencia. Suprimiendo las diferencias de edad, las tasas son 132.16 y 112.5, la disimilitud tiende a
disminuir. Por ello cuando se desean comparar dos poblaciones respecto a cierto riesgo deben tomarse uno
de dos caminos:
1) Comparar las tasas específicas: Se comienza estableciendo cuál es el factor específico mas
importante (edad, sexo) luego se obtienen las tasas específicas correspondientes y luego se comparan clase
a clase, las clases de cada tramo. Esto se puede hacer cuando el número de clases es pequeño sino debe
optarse por el segundo método
2) Comparar las tasas ajustadas: a) Se determinan cuáles son los factores de variación posible b) Se
aísla el que se supone mas probable c) Se estudia la estructura de las poblaciones tabuladas y se detectan
similitudes o diferencias d) se calculan las tasas específicas para cada tramo y se las compara una a una.