Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DE bATOS
EN PSICOLOGÍA I
ANÁLISIS DE DATOS
EN PSICOLOGÍA I
PRÓLOGO
l. El aná
1.1. b
1.2. E
1.3. (
I
Quedal1 rig ll rosQmewl! prohibidas. sil! (a ollton'lAcióll escrita I
de los ¡¡tillares del . COliyriJ¡gt. , bajo fas SaI/áolles establecidas en las leyes.
la refJrotlllccióIf /0/01 o parcial ,le es/a obra por cllalquier medio o procedimiento
I
compnmdidos la reprografía y el tralamimlo ¡,,(ormtftico, y la dislribllciótl 1.4. ~
tle ejem plares ,Je ellas me¡}iallle alquiler Q présltlmo pú blicos. I
I
l.
1.5. R
" UN IVERS IDAD NAC IO NAL 1.6. E
DE E DUCACiÓN A DI STANCIA - Madrid. 200 1
1. 7. S
Li brería UN ED: el Bravo Murillo. 38 - 280 15 Madlid
Teléfs.: 9 \ 398756017373 E-mai!: libreria@.adm.uncd.es 2. Clasi6«
© José M,o Meri no, Enrique More no, Miguel Padilla, 2.!. Ir
2. 2.
Pedro Ro<h iguez-Miñón. Angel Vi/!1lIino
Los AUTORES
Madrid, ablil de 200 I
Tema 1
El análisis de datos
y la medición en Psicología
.1.1. INTROI
SUMARIO
El efecto qu
1.1. Introducción Jos padres, Jos 1
1.2 . El m étod o científico y el aná lis is de d a tos de una empres<
cigar rill os, los
1.3. Conceptos generales
pendi en tes .. " ~
1.3.1. Población y muestra referencias de (
1.3 .2. Parám etro v estadístico sus vecinos, qu
1.3.3. Característica y modalidad la ligereza con
1.4. Medición y escalas de medida ellos. Probable
1.4.1. Escala nominal temática» de lo
1.4. 2. Esca la ordinal casos su base s
1.4. 3 . Escala de intervalo mrá a la opini('
1.4.4 . Esca.la de razón d e «autoridad
conocimiento ]
t .5. Resumen
hombre en la I
1.6. Ejercicios vamos a referil
1.7. Soluciones a los ejercicios cimiento adquiJ
n as se ñalarem~
á m b ito d e la P
Datos y analiz.
m os encontrar
Los objetiv(
siguientes:
• AdquirirJ
papel qu
1.1. INTHODUCCIÓN
El efecto que sobre la educación de los hijos tienen las conduclas de
los padres, los factores a tener en cuenta en la selección de los ejecutivos
de una empresa, las consecuencias de la publicidad sobre el consumo de
cigarri ll os. los efectos de una determin ada terapia en sujetos drogode-
pendientes .... y un sinfín de temas más pueden constituir capítulos o
referencias de cualquier tratado de Psicología. Si Vd. pregunta a uno de
sus vecinos. que no sea psicólogo , sobre estos temas se «asombrará» de
la ligereza con que a veces se opina o se supone «un conocimiento » sobre
ellos. Proba blemen te su vecino se apoyará en una «observación no sis-
temática» de lo que ocurre en su entorno familiar, de trabajo, etc.; en otros
casos s u base será <{el sentido común ,. 0 , en el mejor de los casos, recu-
rrirá a la opinión o los comen tarios de un expeno apoyándose en su nivel
de «autoridad en la materia». Se trata d e distintas formas d e adquirir
conocimiento y, de hecho, és te ha sido el procedimiento utilizado por el
hombre en la mayor parte de su historia sobre la tierra. Noso tros nos
vamos a referir únicamente al conocim ien to científico, es decir al cono-
cimiento adquirido utilizando el método científico. En las próximas pági-
nas sefialaremos las caracteristicas fu ndamentales de es te método en el
ámbito de la Psicología y el papel que en él desempeña el Análisis de
Datos y analizaremos después los distintos niveles de medida que pode-
mos encontrar en las variables psicológicas.
Los objetivos que pretendemos alcan zar podemos resumidos en los
siguientes:
a) El nivel
• Diferenciar y manejar con precisión algunos conceptos funcla-
b) El nive l
mentales como muestra y población, parámetro y estadís t ico,
caractenstica y modalidad. e) El nivel
• Adquirir un conocimiento preciso de Jo que es una escala de medi - El pri mer r
da y la importancia de la medición en Psicología. hipótesis conlr
• Distinguir con claridad los disti ntos niveles de med ida (no minal, tos propiamer
ordinal, de intervalos y de razón), las relaciones que pueden esta- determinación
blecerse dentro de cada una de estas escalas y el grupo de trans- datos, es decir
formacio nes adm is ibles para cada una de ellas. es taclístico-am
tras te de hipót
varía nuevame
proceso y dand
ligación cientfl
1.:1. El. \IETOIJO C1E"\TíFlCO
Vamos, a c,
Con frec ue ncia hemos oído que el «objeto de estudio » de la Psicolo- ejemplo concn
gfa es la cOl1ducta y es este objeto de estudio lo que la dis tingue de otras
ciencias. Pero ¿qué procedim iento o método utiliza remos para estudiar
la conducta ? Sin entrar en otras cons ideraciones, que no con 'esponden a Ejem plo I
esta maleria, diremos que el método ciel1tífico. Un ps icó
El método cie ntífico se caracteriza por se r «sistemático. y «replica- tas estereo
Su hipótes '
ble». El ténnino sis temático hace referencia a que se trata de un proceso
entre s i. Par
que tie ne unos pasos perfec tamen te establecidos y el término replicable
hace refe re nci a a que los datos obtenidos m ediante s u uso pueden ser víd eo oculu
rep licados o refutados por cualquier investi gador que lo desee. como taJes
Sin embargo, el método es sólo un compo nente -aunque muy impor- Ejemplo 2
tante- del proceso de inves tigación científica. Esquemá ticamente, y siem- Un nuevt
pre con el ri esgo que esta si m p lificación supone , pod emos seña lar los d es e ntre lo
siguiellles pasos: implanta. U
l . Defi nición del proble m a. Para ello, y
conju nto d
2. Ded ucció n de hipó tesis con trastables.
nario.
3. Es tab lecimiento de un procedimjento de recog ida d e datos.
4. Aná lis is d e los resu ltados obten idos.
Ejemplo 3
a) El nivel teórico-conceptual
b) El nivel técnico-metodológico
e) El nivel estadístico-analítico.
Ejemplo 1
Un psicólogo clínico está interesado en el estudio de las conduc-
tas estereotipadas que realizan los niños autistas mientras juegan.
Su hipótesis es que estas conductas no mantienen ninguna relación
entre si. Para probar su hipótesis registra, mediante una cámara de
vídeo oculta, las conductas de un grupo de niños diagnosticados
como tales en un aula.
Ejemplo 2
Un nuevo plan de estudios de Psicología genera distintas actitu-
des entre los profesores y alumnos de la universidad en la que se
implanta. Un pSicólogo quiere conocer cuáles son estas actitudes.
Para ello, y dado que no puede entrevistar a todos, selecciona un
conjunto de profesores y ot ro de alumnos y les aplica un cuestio-
nario.
Ejemplo 3
Se supone que el consumo de una determinada droga tiene un
efecto negativo sobre el aprendizaje y que éste disminuye en la medi-
da en que su consumo aumenta. Para probar esta hipótesis, un psi·
cólogo del aprendizaje selecciona un conjunto de ratas de la misma
24 ANÁLISIS DE DATOS EN PSICOLOGíA 1 EL ANÁUSIS
lambién en
cepa y de caractetisticas simjlares. Divide a las ratas en cuatro gru- pos. En fun
pos (A, B, e y D). A las ratas del grupo A les administra, por vía veno- cons ideranc
sa, una pequefta cantidad de droga (por ejemplo 0,0 I mg); a las del extremos se
grupo B una cantidad de 0,05 mg; a las del grupo e les administra mo de mani
0.1 mg. Finalmente a las de grupo D no les administra ninguna can- u n grado m~
tidad de droga. Durante un tiempo determinado no facilita comida con . Ia obse
a ninguna de las ratas y. a continuación, las coloca en la salida de un mento de lat
laberinto en cuyo final hay una bolita de comida (pelet) y registra el cuasi-experi
tiempo que cada una de las ralas tarda en recorrerlo. selec tivos o
mediante la ~
n Sl icas.
En los tres ejemplos señalados, y en lodos aquellos que podamos con-
siderar, es necesado tratal' un conjunto de datos o números con los que En mucho
desc ribir aquello que es ta mos estudiando. En el primer ejemplo, el psi- 10 que permil
cólogo se ha limitado a registrar u observar unas conduclas que se pro- guajes formal
ducen espontáneamente (diseño observacional) '1 el tratam iento de los empíricamen'
datos es meramente d e scriptivo: enumerar tos tipos de conducla, deter- entr<l.r a consi
minar la fn~.cuencia y/o el porcentaje de cada una de las conductas, cal- (Véase Jáñez,
cular la cO ITeladón entre ellas y efectuar una representación grá fi ca. la con trastaCl
nidos. En este
En el segundo ejemplo, debemos asegurar que el grupo elegido (que te entre los m
denominamos muestra) es representativo de la pobla ción (el conj unto adecuación de
de todos los alumnos y profesores en este caso) y aunque realizaremos un lo confirma.n e
análisis dcscripth10 de los resultados obtenidos nuestro objeth1o funda- que \a. discrepó
mental es extenderlos, con un detelminado nivel de cITar o probabilidad, zo nuevamentt
a loda la población. ueslro objetivo es fundam entalmente inferencia!. ca con la ley d<
El ca rácler meramente descriptivo y el inrerencial constituyen las dos v6 a S.S. Stevel
partes fundamentales de la Estadística. Esta ciencia, que es una rama de es sabido, pres
las mat emática s, constituye una herrami enta rundamental en todas las
Es rrecue nt
ci encias empíricas. La estadística, puede definirse como;
estadíst ica apl
los aspectos rOl
«La cien cia que recoge, ordena y a na li za los da tos de una mues- aplicación a un
tra, extraída de cierta poblac ión, y qu e, a pa rt ir de esa muestra, la es tadística de
valiéndose d el cálculo de probabilidades, se encarga de hacer inre- citar algunos ej
rencias ace rca de la población» (Amó n, 1984, p. 37). dística aplicada
ca aplicada a. la
la PSicología, e>
Ellercer ejemplo estaría denlro de la considerada metodología expe- con nombres C(
rime ntal. En este caso es el experimentador el que manipula o determi~ coesladíslica- (:
na lo que en metodología se denomina vadable independiente (la canti- han propuesto ~
dad de droga administrada). La estadística, en este caso, interviene de datos y así f
EL ANÁUSIS DE DATOS y LA MEDICIÓN EN PSICOLOGí A 25
Leó n y Sa n Martín , 1993; Pa rdo y San Martín , 1998) y así es tá siendo su acepción est
incor'porada en los nuevos planes de estudio. De hecho este es el nombre Ha. León y Sar.
de este libm y de la asignatura del nuevo plan de estudios de Psicología
de la UNE D. Podemos, por tanto, establecer la siguiente definición: Por pobla
mentos que,
El Análisis de datos en Psicología es una herramienta me lod ol ó~
gica necesaria, de carácter fundam en talmente estadístico, para la A cada uno
investigación en Psicología mina de mancr
ro de las entid:
infinita. El con,
Vamos ;1 expon er a cont inuación a lgun os de los conce pt os funda - municipios cor
mentales usados en esta disciplina. el lnsti lu lo Na,
año por una c<
caneleras es p~
1.:1. CO"\CI-.PTOS CE"\EIl \I.ES ciones finitas. :
o el conjunto ¿
En el punto anteIior se ha descIito de manera sintética el proceso que "es infinitas d,
se sigue en una investigación, desde la formul ac ió n del objeti vo o plan- dos conjuntos;
teamient o de un prob lema a la ext racción de co ncl us iones. En la d es- al conj unto de
cripc ión de este proceso se emp lean a lgunos términos cuyo uso es fTe - siempre habrá
cuente en los informes de carácter científico. Térm inos tales co mo
po blac ión, muestra, parámetro, y algunos otros, fOlman pal1e del voca- La teoría el
bulario estad íst ico y, por extensió n, también del científico. y a ellos vamos tar con ambos
a dedicar las próx imas páginas. población fini
estadfsticos co
que no siempI
I .:L l . PohliH'iou ~ 11111(':-;11-<1
ciones objeto
tadas como vi
En toda investigación se hace referencia a una determinada población,
sea del ti po que sea, aunque siempre se u tili7-3 una parte de esa población ACLARACIC
referent e para describir las propi edades Que la caracteri za n. Sobre e1tér- investigador
mi n o po bl ación se ha n d ad o difere ntes definiciones , aunque esenc ia l- tica obtener
men te lad as a luden a lo mis mo. Amó n ( 1984), po r ejem plo, defi ne el tér- describir adc
mi no población de la siguiente manera: «Conjunto de objetos (realmente cultad, lo qll
existentes o posibles) que verifican una definición bien determi- esle subcon,
nada ... » describir 1~
la que ha sic
Por objeto se puede entender cua lqu ier elemento, sea persona, animal, se le denom
cosa, o l'ga nismo, institución, etcétera, que cumpl a con la definición. Esta
definición siempre se hace en relación a algun a ca racte rfstica, y los ele-
1..0 (undan
men tos que la cumple n, y sólo esos, pueden formar parte de la población.
De acuerdo con esto. daremos una definición ge nél-ica de población, en tengan valide
EL ANÁLISIS DE DATOS Y LA MEDICIÓN EN PSICOLOGíA 27
sen tes en todos y cada uno de los individuos que la confonnan. Sin embar- desarrollo de
go, aunque todos los elementos tengan esa prop iedad no todos la tienen (1824- 1907), q
e n el mi s mo grado. Po r ejemplo, una prop iedad de los mamíferos es el media nte núm
sexo, que presenta dos alternativas: macho y hembra; una propiedad d e ce algo sobre I
Jos seres humanos es el estado civil. con sus diferentes alt ernativas: sol- came nte, el ce
tero, casado, separado, viudo. etc.; otra puede ser las creencias religiosas: en Cowles, 19f
cd st ianos, mahometanos, budis tas ... agnósticos o ateos.
De estas y.
E n estos ejemplos se ve que las propiedades de los individuos de una que la merució
población pueden adoptar d iversas variedades. En términos estadrsticos, medición? En
a la propiedad de los individuos de una poblaci.ó n se le deno mina ca r-ac·
teristica , mien tras que a las di ferentes variedades de esa caractetistica se
le d enomi na modalidad. Medici6t
o caracteris
Un a caracter(s tiea es una propiedad de los individuos de una
población. Una I1lodalidad es cada uno de las v3!ianles como se mani-
Fiesta una ca racterística. Esta definic
1'05, y por otro
li dades. Entre
El estado civil. o las creencias religiosas, son caracteris licas que pre- trQ de! mund(
sentan pocas modalidades. Por el contralio, muchas caracteristicas o bje- modalidades e
to de estudio científico pueden presentar un número casi infinito de moda- son verificabh
lidades. S i tomamos por ejempl o la a ltu ra o el peso de la población b ien, medir s u
española, estaremos a nte caractensticas con un infinito número de moda- números y el r
lid ades, pues au nque dos modalidades estén muy próximas, s iempre son en e! mundo m
pos ib les moda li dades intennedias. van en el mUfi(
ricas que pued
En el á m b ito de la Psicología los estudios se refieren a características ceñimos por ej
ta les como perso nalidad, m emoria, percepción, ate nció n , inteligencia , vicluo (no imp<
motivación, etc. Respecto a cada una de estas caracterfst icas los indi vi- dar a 011'0 ind
duos adoptan d iversas modalidades, y estas modalidades, para poder ser
as ignen a estas
tra tadas estadís ti came nt e, han d e estar ex presadas en fo rma numérica.
s uperior del p:
En la p l-óx ima sección tratare mos el proceso de as ignación de números primer individ
a las moda li dades de una ca racterís tica.
esas dos moda
to a otra ca ra(
m3rse que un ¡
lA, \lI.DI('IO\ 1 I.SC\1. \S DI. IIEllID\ diferente a otn
simplemente lz
«Hasta que un fe nó meno de cualqu ier rama del conocimiento no ha otro. Pues biet
sido some ti do a la med ición y c uantificado no puede asumir el esta tuto ciones que se j
y di gnidad d e una Ciencia ,.. Co n estas co ntunden tes pa labras, Francis con los llamad
Galton ( J 822- 19 1 t) afirma ba la importancia ce nt ra l de la medida en el medida.
EL ANÁLISIS DE DATOS Y LA MEDICIÓN EN PSICOLOGíA 31
Esto es, a cada modalidad le correspo nde un s610 núm ero, y a cada
núme ro le con-esponde una sola modali dad. Un ejemplo claro y popular
de escala de med ida es la conocida regla que sirve para medir d istancias
en tre dos puntos. Una regla puede ser cualquier vari lla de madera. plás-
tico du ro o metal, en la que aparecen marcadas un conjunto de rayas equi-
d istan tes entre sí. A cada raya le corres pond e un número , y s6lo uno, de
modo que entre rayas y números se da una relación biunívoca. En el caso
de la regl¡:l las relac io nes empÍlicameme velificables entre las rayas, y por
ende entre los números que las representan, son de sobra conocidas, lma-
gin emos un a reg la con cien rayas equid istant es, num eradas en orden
asce ndente de cero a cien; es decir 100 intervalos iguales, La distanc ia
que hay entre la raya O y la raya SO es exacta mente la mitad de la que hay En los pr6xi
entre la raya O y la raya 100; o tra ,'elación es, po,' ejemplo, que la distan- de medida y I ~
cia que hay ent re la raya 25 y la raya SO es la misma que hay entre la raya se distorsionen
70 y la raya 95. lidades de las e
1
o, -- ----------------- - X, --
o, ...
~~i~> '- X, n
'M '
o, --- XI ---
,o. n
- X~ --
clo\l.~.
)
1
Fig. l . l. Representación del proceso de medición.
•
I En los próximos apartados, trataremos cada una de las cuatro escalas
de medida y las transformaciones que cada tipo de esca la ad m ite sin que
1 se distorsionen las relaciones em pÍlicas que se verifican entre las moda-
lidades de las caractelísti cas u objetos.
1
IA _!. ,. ..,,'ala nominal
)
surge por la divis ión e n 100 partes qu e hacemos del tramo de la va rilla Respec tl
qu e media entre O y 100, pero también se ha bria podido dividir en 60. escala de in
tipo:
AClAMCI
Una vez medidos un conjunto de objetos co n una escala de inlc lva los res puesta, ¡
ra 0, una v
se p ued e n eX lme '- algu nas conclus iones int eresa nt es. Por eje mplo , y
escala origi
siguiendo con la característica temperatura, s i dos objetos tienen una tem- tivo, la tral
perat ura de 40 y 46 ce, I'especti vamente , y otros dos objetos, ti enen una invariante J
temperatura de 27 y 33 ce , respectivamente, se puede afirmar que la dife- un se ntido
renc ia de tempe rat ura es igual entre los objetos J y 2, qu e entre los obje-
lOS 3 Y 4 , S i se m ide la temperatura de a iras dos obje tos y resulta ser de
14 y 17 grados , respectivamen te, podemos afirmar que la diferencia d e Un ejemp
tempera tum (3 grados) es infcl;or que la diferencia de temperatura de los ta nuevamen
obje tos J y 2 (6 grados), Este tipo de afirmaciones acerca de la igualdad escala Celsiu!
o desigualdad de las diferencias es im posible en una escala ordinal. pasar de una
Otro ejemplo, también muy fa miliaJ~ de escala de intelvalo es el calen- formac ió n:
da rio que, de una otra ma nera, pauta nuestras vidas, Por razones histó-
rico-religiosas se tomó como punto O el nacimiento de Jesús; y, por razo- Según est~
nes astronómicas, se tomó como unidad de medida el tiempo que tarda ponde con el
la tíen... en dar una vuelta al sol (3651 /4 días). escala se corr
FO l'malizare mos aho!'a lo dicho sobre la escala de intelvalo. Supon- do centfgraclc
gamos que d isponemos de un conjunto de 11 objetos y cada uno con una do Fahrenhei
cierta magnitud en una ca racterís ti ca determinada que adopta di stin- dial de estas e
las modalidades, A la magnitud de un objeto genérico i la re prese ntare- de las diferen
r
mos po r O, y el número asignado a ese objeto, (O;), será Xi' De la mis ma En Ps icolc
manera a la magnitud d e un objeto i la des igna remos pOI' O; Y el número lineales.
as ignad o se rá X;, a la magnitud de un objeto k la designa re mos po r Ok y
el número as ignado se rá Xl; y a la magnitud de un o bje to 111 la des igna re-
m os po r 0 ,,, y el número asignado será Xm • En lonces deberá n cumplirse ACLARAC II
las s iguien tes condiciones: parar valore
ra transfom
resulta.do de
Si O, - 0 , = Ok - 0 ,,, entonces X, - X, = X k - X m s u lectura rf
Si 0 , - 0 , > Ok - 0 '" entonces X, - X, > X4 - X", pos itivos, y
Si 0 , - 0 , < O, - 0 '" entonces X, - X, < X, -Xm segunda tra l
lA 1
EL ANÁLISIS DE DATOS Y LA MEDICIÓN EN PS1CO LOGIA 39
una ca racterls
magnitud de UI
Como hemos explicado en el epígrafe anterior, las escalas de interva- asignado a ese
lo sirven para medir característ icas en las que el valor cero no significa de un objeto i ¡,
ausencia de dicha ca racterística, lo cual limi ta necesariamenle las con- magnitud de UJ
clusiones que se pueden extraer. En el caso de la escala de temperatura, será XI: y a la m,
una conclusión del tipo: «si un objeto 1 tiene una temperalUra de 30°, y ro asignado ser
Ol ro objeto 2 tie ne una temperatura de 60°, el objeto 2 tiene el doble de ciones:
temperatura que el objeto /", sería totalmente im p rocedente por inco-
n -ce la. Al no existir un cero absoluto, como valor que representa la ausen-
cia de caractelislica, no se pueden establecer conclusiones en términos Si
de razones ent re valores . Si
Si
Pocas so n las caractedsticas objeto de est udi o científico q ue admitan
una med ida co n escala de razón, y la mayoda d e ell as forman pal1e de l
abanico temá ti co de las denominadas ge nérica mente como «C iencias de
la Na tu raleza ». Carac lerísti cas tales como la di stancia (y sus derivados, Al tener un
su perfi cie y volumen), masa, velocidad y tiem po (no en su se ntido cro- admisible para
no lógico, s ino e n su sentido cro nométrico), po r ejemplo, tienen un Ori -
gen absoluto, no arbitrari o, o valor cero absoluto que s r s ignifica a usen-
c ia de caractel"Ística.
Esta transfol
medida de la es<
ACLARACIÓN : Una de las características distintivas de la escala de razón plo de transforn
fl"Cnte a la escala de intervalo es, como.se ha visto, que el pUnlO cero es abso- medida de longi
lula y significa carencia absolura de la caraclcrislica medida. En el caso del da: en el sistem;
peso, medido en gramos, el valor O significa ausencia de peso. Como con- que en algunos 1
secucncia dc ello. las conclusiones que pueden extraerse de la lectura de los valencia entre a
valo,"es de una escala de razón van más allá de lo que pocHa conclu irse de da a otro. Por ej
las escalas antc¡;ores.
se está en dispo:
s ido medida en
Si un objeto cualquiera presenta un valo r en la cal'acterfstica peso de En el Cuadre
75 gramos, y o tro p,"esenta un valor de 150 gramos, puede afinnarse con pueden extraers
toda prop iedad que el segundo objeto pesa exacta mente el doble que el ejemplos.
primel"O. Además, por el hecho de poder establecer razones entre valores,
éstas pueden compararse unas con o tras y colegir s i son o no iguales entre Has ta el mor
sr. Po r ejem plo, tomados otros dos objetos con peso 1.500 gra mos y 3.000 para referirnos
gra m os, respec tivamente, la razón entre ellos (uno pesa el doble que el ticas que se estu
otro) es igual a la razón del peso de los o bjetos cuyos pesos eran 75 y l 50 escalas de medi
gramos. mente a las cat
se ntación sólo I
Formalicemos lo dicho hasta el mOmento. Supongamos que dispone- moda lidades de
mos de un conjunto de n objetos y cada uno con una ciCI1a magn itud en nal, emplearem¡
EL ANÁ LISIS DE DATOS Y LA MEDICIÓ N EN PSICOLOGÍA 41
una caracter ís tica determinada que adop ta dis tintas m odalidad es. A la
magnitud de un objeto genérico i la representaremos por Di y el nú mero
asignado a ese objeto, f (O;), será Xi' De la m isma manera a la m agnitud
de un objeto j la design aremos por O¡ y el n úmero asignado será Xi' a la
magni tud de un objeto k la d esign aremos por O" y el núm ero asign ado
será X" y a la m agnitud de un objeto m la designaremos por Om Yel núm e-
ro asignado ser á Xm • Ento nces d eberá n cump li rse las s igu ientes con di -
ciones:
Cuadro 1.1. b) de i
Resumen de las escalas de medida e) de r
Tipo de escala
Conclusiones
QCerca ele •••
Transformockm
admisible E¡.mpIos [IJ La van
una eSt
Relociones del tipo Cualquiera que Xreser. Sexo, ro zo, estado a) ordi
Nominal ve \l!{uoldo Idesi- civil, diog~tico díni-
«igual que» o _distinto
que», oo. b) de r,
900
e) de iI
Relaciones del lipo (ooJquiero que preser- Dureza minerales,
«moyor que-, «menor ve el orden O grado de prestigio social de
Ordinal que., «iguol que., magnitud de los objetos Profesione!, ubicación
ideológica.
0 En un"
valores
mosun
JnlervoJo ~ooldod O desigualdad 0+0· )( Calendario, tempero-
e di(erencíos. (0)01 turo, inteligencia. 35 para
Rozón
~uoldod o desigualdad b· x longitud, mcw, ,iem- a) No e
e razooes. (b>O) po. b) Es u
e) No"
cuando se refiera a características medidas a n ivel ard i na !, es LOS valores la nc
o puntuaciones hay que en tenderlos como grados. rangos u órdenes. indis-
tintamente. 0 Utilizar
res (x):
mación
valores:
1..,. IILSl \11.\ a) g (xl
b) g (xl
En este lema hemos vislO el papel fundamental que juega el Análisis e) g (xl
de datos dent ro del método gene ral de la cienc ia y hemos visto algunos
co nce ptos importa nt es: población y muestra, parámetro y estadíst ico,
c:l I'ac tedstica y modalidad. Pos lcl;O t'mente hemos tratado el problema
m Indique
mación
de la medición y los dist intos ti pos de escala: nominal , ordinal, de int er- a) nom.
valo y de razón con sus caracteristicas pl"Opias (relaciones que mantienen b) nom:
y tra nsfo rmacio nes admis ibles para cada tipo de esca la ). e) toda!
1.11. 1:.I1.1WIClOS
ITl escala
Sea g (x
d
escala d
QJ variables no minales:
L HS a) Sie m
b) Nu n<
a) s6lo pu ede n tener dos valores pos ibles
e) Cuac
)(siempre tiene n 2 o más valores posi bl es
e) las dos a nt eriores son ciel1as
0 La lram
a) Siem
La va l"iable núme ro de palabras recordadas en una prueba de memo-
I'ia es tá en una escala: b) e uax
a) nominal e) Nun<
)LOGfA I
EL ANÁ LIS IS DE DATOS Y LA MED ICi ÓN EN PSICOLOGíA 43
b) de intervalos
e) de razón
11 Latransformación
respuesta correcta es c puesto que cuando el térm ino a O la
será g con
(x) = bx O que es admisible en una
b >
=
escala de razón.
11 escala
La respuesta correcta es cuando x O, la alternativa b. Si en una
>
tenemos valores positivos y negativos (por ejemplo asigna-
mos - 1 a ser mujer y 1 a ser varón) la transfonnación no será admi-
sib le para la escala pues _1 2 = 12 = 1 impli caría asignar el mismo
número a dos modalidades distintas d e la misma caractensti ca.
11 unarespueSLa
La COlTecta es c. Si una transfonnación es admisible para
escala lo será también para todas las que presentan un nivel infe-
rior de medida y la escala de razón presenta u n nivel de medida supe-
rior a todas las demás.
La res puesta correcta es c. No existe la raíz cuadrada de números
negativos en el campo de los números reales (si en el de los com-
plejos) y además la raíz cuadrada puede tomar valores positivos y
negativos.
Tema 12
Introducción a la probabilidad
12.1. 1\'1'1
SUMARIO
En los (el
12.1. Introducción tadoa lad~
ci6n de los f
12.2. COIICCI'(08IlrC\'ios
entre otros. ~
12.2.1. E.\:pcrimcll1o alculorio generalizar l
'12.2.2. Espacio lIIueslral denominarel
12.2.3. Sucesos tras conc!usi-
12.2.3.1. Operaciones con suce"os probabilisti
12.2.3.2. HcpresclllaciOllcs gTáfica" mos con una
12.3. Definición de probabilidad pura un espacio muestral ducimos el
di~creto HIPÓTESIS.
curso, es ne<
12.:3.1. Definición clásica
12.3.2. Definición cS~':lllíslica La2l.a e.
12.3.3. Definición axiOlllática porciona do
12.4. HC8umcn verosímil o fi.
un juicio o e
12.5. Ejercicios
probable eua
12.6. Soluciones ti los ejercicios verdadero sin
cos alegan r
fumador pad
posiblementl
Otra dcfi
der» porque
Bajo esta in<
determinada
dad de ocur
entiende qUE
En los temas estudiados hasta ahora, el análisis estadísLico se ha limi-
tado a la descripción de un conjunto pequeño de datos mediante la obten-
ción de los índices de tendencia central. de dispersión y de asociación,
entre otros. Sin embargo, en cualquier investigación es importante poder
generalizar nuestros resultados a un colectivo mucho más amplio al que
denominaremos población o universo. En este caso, la extensión de nues-
tras conclusiones requiere llevar a cabo una inferencia que siempre será
probabilística o fonnular una hipótesis que aceptaremos o rechazare-
mos con una detenninada probabilidad. Por esta razón, y antes de intro-
·.1 ducirnos en la INFERENCIA ESTADISTICA Y CONTRASTE DE
HIPÓTESIS, que se estudia en .Análisis de Datos en Psicología Il» en 2°
curso, es necesario abordar el estudio de la probabilidad.
La 21. a edición del Diccionario de la Real Academia Española pro-
porciona dos definiciones de Probabilidad. La primera se refiere a «lo
veros{mil o fundada aparieltcia de verdad,. y equivale al valor de verdad de
un juicio o conocimiento. En este sentido, se entiende que un juicio es
probable cuando existen suficientes razones que permiten aFilmarlo como
verdadero sin que pueda excluirse lo contrat;o. Así, por ejemplo, los médi-
cos alegan razones de peso para decirnos que es muy probable que el
fumador padezca trastornos cardiovasculares siendo esta una afinnación
posiblemente verdadera.
Otra definición se refiere a «la calidad de probable o qlle puede stlce-
den> porque hay buenas razones para creer que se verificará o sucederá.
Bajo esta inclinación, la probabilidad se aplica, no al valor de verdad de
detenninadas proposiciones, juicios o conocimientos, sino a la posibili-
dad de oculTencia de sucesos o acontecimientos y, en este sentido. se
entiende que un suceso es probable cuando puede ocurrir O no. Estudia-
352 ANÁLISIS DE DATOS EN PSICOLOGíA I INTRODUCCU
e nos
~ ele- • Calcular la probabilidad de aparición de un suceso aplicando la
pro- definicí6n clásica y conociendo el espacio muestral del experi-
mento aleatorio.
náti-
ndo,
10 la I~_~_ CO\CU'TOS I'HE\-IOS
ien-
)de Antes de introducimos de lleno en el estudio de este tema y los siguien-
ía el tes, que nos van a pennilir obtener probabilidades asociadas a un suce-
.de so, es necesario presentar algunos conceptos que nos familiaricen con el
roi- léxico propio de esta materia y nos faciliten la comprensión de los con-
al y ceptos y la teoría de la probabilidad.
di·
ne
:\os 12.2.1. L'lwrilllt'lIlO \lt'<.IltH·jo
que definen las condiciones que debe cumplir un experimento para que
r A su vez,
podemos considerarlas como experimento aleatorio. ro, suceso in
Suceso 51
aleatorio. P<
11.1.1. L.. "al'in 'Iu('~lral
nemas, el su
que con toda
Espacio muestral es el conjunto fonnado por todos los resultados punlUación 1
posibles de un experimento aleatorio. Se representan con la letra
mayúscula E y también se llama universo o población del expe¡;menlo. Suceso ÍJ
que se repita
Por ejemplo. en el experimento .Ianzar una moneda al aire_ el espa·
cio muestral es: E -'" (cara. cruz). Si el experimento es lanzar un dado. el de seis caras
imposible. e
espacio muestral es E = {1, 2, 3. 4, 5, 6]. Y si el experimento consiste en
-que como SE
asomarse a la vemana y ver si la persona que pasa es hombre o mujer, el
espacio muestl-al es E = (H; M), etc. el COUoCw
conjunto Yac
Dado un:
deA, y se re¡:
rreA.
La ¡"calil.ación de un experimento aleatorio, proporciona uno o varios
resultados distintos que se Llaman sucesos y forman un subconjunto del Siguiendl
espacio muestral, E. En ellanzamienlo de una moneda, los sucesos son mas el SUce!
.cara. y .cruz. y lógicamente el conjunto de todos los sucesos forma el A = {obtener
espacio muestral del experimento aleatorio. so contrario I
ra que A su vez, los sucesos pueden ser de los siguientes lipos: suceso segu~
ro, suceso imposible, suceso contrario y sucesos incompatibles.
~
conjuntos disjuntos
unión de conjuntos
intersección de conjuntos SU(
Espacio muestral E
•
E
Suceso E
A
Suceso complementario de A E
A
AnB
yes d suceso que ocurre siempre que
se presentan A y B
358 ANÁLISIS DE DATOS EN PSICOLOGfA 1 INTRODUCCiÓN ¡.
Ejemplo J2,1. La07.amos un dado imparcial una sola vez. ¿Cuál Puesto que en
es la probabilidad de obtener un 2? los sucesos entre I
bilidad, algunos a'
Tenemos que ~lcuJar la probabilidad de obtener el suceso A = {2}. otra basada en la I
El espacio muestral, conjunto de todos los resuJtados posibles, es: idea con un ejemp
ellan7.amiento de
IGÍAI INTRODUCCIÓN A U. PROBABILIDAD 359
CIO
E:: (1,2, 3, 4, 5, 6) donde cada uno de los seis resultados tiene la mis-
ma probabilidad de salir. Sobre éstos 6 casos posibles y equiproba-
!bili· bies sólo hay un caso favorable (obtener un dos).
:las a
Vere- Por tanto: P(2) =!
6
:uan-
npo-
1 que
:rix y Respecto a esta definición hay que resaltar dos impc)Jtantes reflexiones:
:e su
nun- - La primera es que esta definición es, desde el punto de vista fonnal,
lS un incorrecta pues introduce en la definición e1ténnino definido (equj-
:ncla probabilidad) pero desde el punto de vista práctico es aplicable en
i caJ- la mayoña de los experimentos aleatorios donde se cumple la con-
1 en dición de equiprobabilidad. Para su aplicación práctica sólo se
necesita contar, en un experimento aleatorio, el número de casos
favorables de ocurrencia del suceso A y el número de casos o resul-
tados posibles que resultan del experimento aleatorio. Para ello, se
recurre en muchos casos a la combinatoria que estudiaremos en el
tema siguiente.
¡dad - La segunda es que el gran problema de esta definición está en la for-
:avo- ma de entender los casos favorables y los casos posibles cuando se
:5 en trata de obtener probabilidades de sucesos cuya condición de equi-
<1 de probabilidad no está garantizada y es más que discutible. Esto ocu-
adla n'e, por ejemplo, con la probabilidad de nacer varón a la que se asig-
na el valor 0,5 asumiendo la equiprobabilidad entre nacer hombre
o mujer. Lo mismo para obtener la probabilidad de padecer algún
trastorno psicológico o sufTir un accidente.
¿Cómo obtener entonces estas probabilidades? La siguiente defini-
ción nos proporcionará una salida.
lte el
ayu-
N
I
.1
P.
I
De esta segul
- Comonoe
2 1 0,5
3 2 O,"
babilidad t,
4 1 0,25 un suceso«
- - -
38 21 0,55 Así las cosas,
- - -
factoría del cono
30 0,60
'"
-
-
-
-
-
-
bo de su pensam
a.xiomática que;
170 90 0,53
- -
178.4 902 0,505
- - - 11,:1,:1. D,-fin;
2000 999 0,.499
La dificultad
equiprobabilidad
relativa, llevó a I
número -entre I
piedades que se
que se aceptan si
0-1- --1 partir de los 1mb;
ca un trabajo do'
ción de probabili
Figuro 12.1. Representación gráfico de Jo estabilización de lo frecuencia relativo. este curso introd
)GÍA 1 INTRODUCCiÓN A LA PROBABILIDAD 361
a; en Con esta idea, Richard Van Mises define la probabiJidad como una fre-
l tres cuencia relativa de la siguiente fonna: si se realiza un experimento ale-
I()rei atorio un número suficientemente elevado de veces, la frecuencia
iva o relativa o proporción de veces que aparece un determinado suceso
lente tiende a aproximarse a un valor constante que es la probabilidad de
!'O de aparición de ese suceso.
.pro-
,lini- Adoptando esta definición, la probabilidad se estima a partir de la
. fre- experiencia y. como es fácil suponer, es preciso realizar un número muy
"O de elevado de pruebas para conocer la frecuencia relativa de aparición de un
determinado suceso, que se irá aproximando a su valor teórico de pro-
babilidad a medida que el número de experiencias tiende a infinito. Por
ejemplo, imaginemos que ellnslituto Nacional de Estadística nos infor-
ma de que porcada 100.000 nacimientos que se producen en nuestro país,
51.264 son varones. De acuerdo con estos datos podemos decir que la pro-
babilidad de nacer varón seria: 0.51264. Con la definición clásica había·
mas visto que esta probabilidad es 0,5 como resultado del cociente entre
los casos favorables, 1: vaTÓn, y los casos posibles, 2: vaTÓn + mujer.
De esta segunda definición se desprende la siguiente reflexión:
y para hace
2 - -
5·P(A)+P(A)~1 yemonees: P(A)· 5+1 =1 - [2 ] rrollaremos
l~A. RES
de donde despejando:
- En este ti
P(A) ="75 =0.7143 Y P(A)
2 5
=5'"7 = 0.2857 fntimamentl
cnto. Postel
o bien: de las cuaje
P(A) = I - P(A) =1- 0,7143 =0,2857 define como
ción de un s
frecuencia n
Vistas estas LreS definiciones de probabilidad nos valdremos, en muchas caso, estas e
ocasiones, de la definjdón clásica para el cálculo de la probabiHdad aso- casos ravara
ciada a un suceso. La aplicación práctica de la definición de Laplace aparición dI
requiere, sin embargo. conocer el número de casos en que aparece el suce- medida que
so A y el número de sucesos posibles que pueden darse como resultado otra pane, h:
del experimento aleatorio, tal y como se ilustra en los siguientes ejemplos. dos procedil
malo axiollJ
meo en dos i
Ejemplo 12.4. Calcular la probabilidad de obtener- un cinco al ro positivo (
lanzar un dado de seis caras. vacío, y 1, p;
de la unión I
Sabemos que los casos posibles son el número de sucesos del
lidades indh
espacio muestral, es decir, seis casos: E ~ [1, 2. 3, 4, S, 6) de los cua-
les 8610 uno -que salga el cinco- es favorable. De modo que la pro- En el pro
babilidad de que salga un cinco es 1/6. rrencia de UI
silamos Conl
bies de apar.
11.-1. HI:Sl'\IE\
En este tema se han definido los conceptos básicos de la probabilidad,
íntimamente relacionados con la teoría de conjuntos que no hemos des-
crito. POSlenormemc se han dado las lres definiciones de probabilidad
de las cuales. en la práctica, o bien se aplica la definición clásica que la
define como el cociente entre casos favorables y casos posibles de apari·
ción de un suceso o bien, basándonos en la experiencia, recurrimos a la
frecuencia relativa de aparición de un suceso detenninado. En cualquier
muchas caso, estas definiciones no se excluyen y, de hecho, el cociente entre los
dad aso· casos favorables y los posibles no es más que una frecuencia rel;Jtiva de
Laplace aparición de un suceso que se va aproximando a un valor constante a
~ el suce-
medida que el número de ensayos aumenta (definición estadística). Por
~ultado
otra parte, la probabilidad de un suceso, obtenido por cualquiera de estos
jemplos. dos procedimientos tiene que cumplir los axiomas de la definición for-
malo axiomática de la probabilidad que hemos expuesto y que se resu-
men en dos ideas fundamentales: la probabilidad de un suceso es un núme-
<o al ro positivo comprendido entre O, para el suceso imposible o conjunto
vaefo. y 1, para el suceso segul'O o espacio muestra!. E y la probabilidad
de la unión de sucesos incompatibles, es igual a la suma de sus probabi-
del
lidades individuales.
cua-
pro- En el próximo tema veremos que para calcular la probabilidad de <>cu-
n'cncía de un suceso detemlinado rccun;endo a la definición clásica nece-
silamos contar el número de casos favorables y el número de casos posi-
bles de aparición de estos sucesos con ayuda de la combinatoria.
cara
11..;. E.lEIIClClOS
do En la definición clásica de probabilidad de Laplace, los casos posi-
bles:
a) No se conocen.
vale b) Son los que fomlan el espacio muestra!.
e) Son sucesos necesariamente elementales.
al [M,H] al PI
b) (MM).(HH)] bl PI
el (MM).(MH),(HH)] el PI
Con los mismos datos del ejercicio anterior. elegidos dos al azar, el
suceso .hombre o mujer.:
0 Un g
psic(
Udad
a) Es el suceso seguro. de l;
b) Son sucesos incompatibles.
al
e) Son sucesos simultáneos. j
o La zona oscura de la siguiente gráfica representa: bl
>
A
el o.
0 En e
amb
a) la probabilidad de ocurrencia de los sucesos A y B
b) la probabilidad de ocun--encia de los sucesos A o B
el el suceso imposible.
m En la siguiente representación gráfica:
En e
tes:
se cumple que:
a) P(A)~P(B)
¿qué
bl P(A r.B)'P(A-B)
e) P(A u B) < P(A r. B) a) (1
b) (2
Un gabinete psicológico cuenta con 6 terapeutas condUClistas. e, 4 e) [1
psicoanalíticos, S, y S cognitivos, G. Elegido uno al aZal~ el suceso
«que sea condllctista o cognitivo» se representa por:
a) enG 1:1.6. S(
b) CuG
e) G-C
11 ElbIes..
Un gabinete psicológico cuenta con 6 terapeutas conductisLas, C. 4 la te
psicoanalíticos. S, y 5 cognitivos, G. Elegido uno al azar, la proba-
bilidad de _que sea conductisla, C. o cognitivo, G.. la podemos cal-
cular con la siguienLe expresión:
11 pue!
El e,
Al INTRODUCCIÓN A LA PROBABILIDAD 367
a} peS) = 1 - peS)
b} P(C) . P (G)
c} P(CnG)·
el
Un gabinete psicológico cuenta con 6 terapeutas conductístas, e, 4
psicoanalíticos, S, y 5 cognitivos, G. Elegido uno al azar la probabi-
lidad de "'que sea psicoanalítico, S" aplicando la definición clásica
de Laplace vale:
a} :Ks
b} V.
, 4
el 0,5
En d aula de un colegio hay 10 niños diestros, D, 7 zurdos, Z, y 3
ambidiestros, A. Su representación gráfica es:
a} b} c}
a El espado muestral o universo está fonnado por todos los casos posi-
bles que pueden producirse en un experimento aleatOlio, por lo que
la respuesta correcta es la b.
•
11 Elpuestos
espacio muestral está formado por una serie de sucesos com-
puesto que se trata de ocupar dos puestos de trabajo y los
368 ANÁLISIS DE DATOS EN PSICOLOGíA 1 INTROD
posibles resultados son: que sean dos hombres (HH), que sean dos
mujeres (MM) o que sean un hombre)' una mujer (HM) indistinta·
111 El an
mente del orden, por lo que la respuesta C01Tccta es la c.
a)
11 Desde luego no hay ninguna razón para pensar que. con toda segu-
ridad. los elegidos son un hombre y una mujer porque son posibles
otras soluciones y el hecho de elegir un hombre y una mujer no son,
como fácilmente entenderá. incompatibles. Por tanto, elegir un hom-
bre y una mujer son sucesos que se pueden producir simuhánea-
mente. La solución correcta es la c.
4
Pu
sin
11 decir,
La zona más oscura representa la intersección de los dos sucesos, es
la probabilidad de que se produzcan A)' B. La solución COITeC- l1li 4,(A (
la es a.
es I
11 En la siguiente representación gráfica:
11 aplicando
Elegido uno al azar la probabilidad de «que sea psicoanalítico, S"
la definición clásica de Laplace es el cociente entre el
número de casos favorables, es decir, el número de casos que cum-
plen la condición de ser psicoanalistas, que son 4, dividido entre el
número de casos posibles, que se refiere al universo o espacio mues·
tral, en este caso al número total de terapeutas, que son 15. Por tan-
to la respuesta correcta es la a (}{s).
INTRODUCCiÓN A LA PROBABILIDAD 369
Logroño
~
•
L L L L
• ~~
•
L L L L L L L L
AAAA 55555555
55555555
AAAA 55555S5S
AAAA
Aplicando el principio de la muJtiplicación, en total disponemos
de 3 x 4 x 2 = 24 rutas distintas que aparecen reflejadas en el árbol
superior.
13.:3. PERMUTACIONES
P", =m!
De
1 Por definición: O! = 1 den sen
m! .. //1. (m-1)!:/II' (111- 1)· (m-2)! no se sen
en gClleral:m! .. m. (11I - 1)· ... (III-m ... 2). (m -1/1 ... 1)
COMBINATORlA 377
Obsérvese que todos los grupos están formados por el mismo núme-
I ro de elementos. Lo que diferencia a un grupo de otro no es que cambie
uno de los elementos (en este caso niños) sino el orden en que se colocan
(o en este caso, el orden de sentarse). El siguiente ejemplo profundiza esta
idea.
v. - 51 _ 5·4· A! _ S 4 =20
S.l - (5 _ 2)! - A! - .
ngeJ,
a un
que son los 20 tribunales que hemos desarrollado.
ue el
:;tri- Ejemplo 13.4. Con una plantilJa de ocho jugadores ¿cuántas ali-
le se neaciones diferentes se pueden fonnar en un equipo de baloncesto?
pre-
)tro: Considerando que dos alineaciones son distintas si el jugador
den- .Martinez» juega de pívot o de base (lo que hace que el orden influ-
anle ya en diferenciar dos grupos) estamos ante un caso de variaciones
:te la de ocho elementos tomados de cinco -número de jugadores de cam-
po en un partido de baloncesto- en cinco. es decir.
roen v. = 8! = 8! = 8·7·6·5·4·3! =8.7.6.5.4=6720
¡lue- 8.5 (8 _ 5)! 3! 3!
ifie-
ción
Puede obsen'arse que las permutaciones constituyen un caso particu-
~el, lar de las variaciones de 111 elementos tomados de 111 en m, es decir, de las
¡,M, variaciones de orden ni. ya que:
,ina-
m! _ 11I! _ 1_ P
11m .... _
- - - - 1 1 1 . - '"
(m-m)! 0\
pero el mismo que el fonnado por Enrique y José. Esta distinción nos lJe- tanto, dado el
va al concepto de combinaciones que definimos de la siguiente forma: mientas EPy
dado un conjunto de 111 elementos, se denomina combinaciones de orden ción y lo miso
11 (11 < m) a las distintas agrupaciones de estos n elementos que pue- como se recog
den realizarse de modo que dos agrupaciones son distintas si se dis-
tinguen únicamente por uno o más de los elementos que la compo- Tabla 13.1.
nen. Por ejemplo. dado el conjunto e = {A,M ,E,P,l}, se pueden fonnar las lo",
siguientes combinaciones de orden dos o binarias:
AM . AE, AP ,Al. ME, MP ,MJ , EP , El • PJ
ya que a diferencia de las variaciones, al no distinguir entre presidente y
secretario el orden de colocación no influye y. en consecuencia. los siguien-
tes agrupamientos son iguales:
De fonnaq
AM = MA . AE = EA, AP = PA. Al = JA • ME = EM . distimas y en J
MP = PM • MJ = JM. EP = PE. El = JE. PJ = JP nes distintas. I
El número de combinaciones de orden tl que se pueden fonnar a par- tos, haya n! ve
tir de m elementos, viene dado por la siguiente expresión: se cumple la si
e = m!
m.n 11!.(m _ n)!
o bien, despej~
os lIe- tanto, dado el conjunto C "" (A, M, E, P, J], las ordenaciones o agrupa-
)rma: mientos EP y PE son dos variaciones diferentes pero la misma combina-
orden ción y lo mismo para las ordenaciones AM y MA Y con AE y EA, etc., lal
~ pue- como se recoge en la tabla 13.1;
e dis-
mpo· Tabla 13.1. Diferentes agrupamientos de dos elementos que se pueden
<arIas formar con los elementos del conjunto e = (A, M, E, P, .1),
Iv""", =II!C""",
o bien, despejando las combinaciones:
les de
>rden Cm,tl "" V;"'"
1
'l.
:ribu-
io de Las combinaciones de m elementos tomadas de 11 en 11, (Cm",)' se repre-
ique-
sentan por el número combinatorio: (':,') que se lee 111 sobre 11.
po de
rente
colo
es el
~ro sí
Ejemplo 13.6. En un aula hay 12 niños y 8 niñas
011 de a) ¿cuántos grupos distintos de 3 niñas podemos fonnar?
)s no
I den-
b) ¿Cuántos grupos distintos de tres alumnos se pueden rOlmar?
es el e) ¿Cuál es la probabilidad de que escogido un grupo de tres alum-
nos, los tres sean ninas?
exis- En la primera pregunta, los distintos grupos de niñas se distin-
Para guirán, lógicamente. por las niñas que lo fonnan, no influyendo el
:ccio- orden como elijamos a las niñas, puesto que ni van a sentarse ni a
l. Por
382 ANÁLISIS DE DATOS EN PSICOLOGfA r COMBINA'
-('"J- m! -~-....!..-l
O - O!(m -O)! - Olm! - 01-
yaqueO!:=1
(2:~JU~2)
Se tiene que cumplir que la suma de los números de la parte infe-
rior sea igual a 20, por tanto:
2X + 7 + 3X - 2 = 20 --..?5X + 5 = 20 --..? X = 3
y los números son:
son todos distinlOs sino que uno o varios de ellos se pueden presentar colocac:
repetidos? Los conceptos son los mismos, pero ahora se denominan per- elemenL
mutaciones con repetición, variaciones con repetición y combinaciones orden 2.
con repetición y lógicamente cambiará la expl'C:sión que nos permite su
cálculo. Lo veremos en los apartados siguientes.
Ejemplo 13.8: Se lanza cinco veces una moneda ¿en cuantos casos
obtendremos tres caras?
Podemos escribir el espacio muestraJ que estará formado por las
permutaciones con repetición de cinco elementos. los cinco lanza-
mientos. de los cuales tres (las caras) son iguales y dos (las cruces)
también son iguales. Téngase en cuenta que el orden influye de tal
fonna que dos agrupamientos fonnados por los mismos elementos
son distintos si están situados en distinta posición.
CCCXX CCXXC CXXCC XXCCC CCXCX CXCCX XCCCX
XCCXC XCXCC CXCXC
PR),l =~= la
.s 3!.2!
1:3.8. (J
Dado
1:1::. \ \111 \C10\ES CO\ IIEI'ETIClÚ\ nes con 1
den fon
A diferencia de las variaciones ordinal;as ya tratadas, en este caso se tos y di
consideran posibles repeticiones de algún elemento a la hora de fOI-- distingu
mar las distintas agrupaciones. por lo que las variaciones con repetición ponen. ~
de orden 11 son las diferentes agrupaciones de n elementos iguales o
distintos elegidos entre los ro elementos, considerando que dos agru-
paciones son distintas si difieren en algún elemento o en el orden de
lA 1 COMBINATORIA 385
tar e
colocación de los mismos. Por ejemplo, dado el conjunto == [ebm}, cada
er· elemento del producto cartesiano CxC es una variación con repetición de
leS orden 2. Las distintas agrupaciones son:
su
I CxC e b m
e ee eb em
b be bb bm
m me mb mm
>D En general, dado un conjunto A de ro elementos, cada elemento del
.r producto cartesiano AxAxAx... xA (o veces) es una variación con repeti~
ción de orden n, en nuestro caso 3x3 = 9 y vienen dadas por la siguiente
expresión:
VR m ... = rn"
CR = (m+n-l)!
m.n n!.(m -1)!
386 ANÁLlSlS DE DATOS EN PSICOLOGíA 1 COMBINATOJ
CR m .n = C(m+"_I),,, = (m+I1-1)
11
Eje
cinco
Ejemplo 13.10: De cuántas formas dislintas se pueden repartir
tos?
seis gorras iguales entre tres niños (Jaimito, Jorgito y Juanito).
Se
Se trata de repartir las seis gorras a los tres niños sin ninguna con-
rep
dición restrictiva, es decir que Juanilo se puede llevar las seis gorras
C,de
(G) y los otros ninguna o él se puede llevar cinco, Jorgito una y Jai-
queBy
mito ninguna, o dos cada uno de los niftos, etc., tal y como se ilustra
te don
en el siguiente dibujo:
GGGGGGI I
~~~
Juanito JOIl!ilO JairnllO
GGGGGI G I
Se
~~~ mentas
Juan!!ú Jorglto Jaimllo
GGIGGIGG
~~
Juanito Jorgito JaimilO
etc.
que representas las distintas combinaciones con repetición de tres
elementos (los niños) tomados de seis en seis (las gorras). En defini- y. si consi
tiva, disponemos de ocho elementos -las seis gorras iguales (G) más nes con rep'
las dos barras de separación- que tenemos que combinar de seis en ducción y
seis, Por tanto: rente situ
CR _(3+6-1)_(8)_
3.6 - 6
8! _8! -28
- 6 - 6!(8-6)1 - 6!2! ~ U.9. RB
tición
;iones ciones con repetición de 8 elementos (6 G + 2 /) de los cuales hay 6
gorras y 2 barras que se repiten:
R"
8
= Jl!..
6!2!
= (8)6 = (8)2 = 28
guien- Presentamos otro ejemplo, con el fin de afianzar este concepto:
XXXI
~~~
IXX
A B e
Se trata por tanto de las combinaciones con repetición de tres ele-
mentos tomados de cinco en cinco:
_(3+5-1)_(7)_ 7!
/
CR -~-''8' ,¡ -
3,_~ - 5 - 5 - 5!(7-5)! - 512!-1@)
es
y, si com¡idera adquiridos estos conceptos, resolverá que las combinacio-
ni-
nes con repetición da respuesta a la última pregunta planteada en la intro-
nás
ducción ya que constituye el mismo planteamiento numéJico pero en dife-
·en
rente situación.
13.9. fiESlJ:\'lEN
el J
1:1.10. I:.IEHClCIOS
al )
dos en España constan de cuatro números seguidas por tres de las
bl I
21 leu"3s consonantes (excepto la Q y -). ¿Cuántos vehículos se pue-
den matricular con este procedimiento?
el I
a) VR 3 1.1
b) CR 10•4 • CR 2I •3
0 Se)
sac¡
e) VR 10.4 • VR 2U al )
(
La Empresa Municipal de lranspol1es de una delerminada ciudad
dispone de 8 líneas para ir del centro urbano al campus universita- bl J
(
rio. Para calcular de cuantas formas puede un estudiante hacer el
viaje de ida y vuelta. si los autobuses de ida y vuelta tienen que ser el J
de diferente línea, calculamos (
1
390 ANÁLISIS DE DATOS EN PSICOLOGlA I COMBlN
a)
b) Vu
eu 11 losEl
de>
e) CR7.l cia
Un profesor ha elaborado 10 problemas de estadística descriptiva y no
otros 10 de estadística inferencia!. Para la realización de un examen too
elige cuatro de ellos. Se pregunta: ¿Cuántos exámenes distintos pue·
de realizar con dos ejercicios de cada una de las dos panes?
a) C 10..2· C 10.2
b) V 10.2 . V 10..2 la r
e) PR 10•l
la respuesta es a.
mujeres se eligen de un grupo de siele y como el orden no la r
11 influye
Las ¡res
se pueden elegir de C fOlmas distintas. Por la misma razón
7 .3
los hombres se pueden seleccionar de C42 formas distintas. Por el 111 caso
Los
principio de la multiplicación la comisión se puede seleccionar de se",
Al COMBINATORIA 391
en
c7,3e-1,2 = (37X4)2 =---=210
7! 4'
3!4! 2!2!
de
formas distintas. La respuesta es b.
la respuesta es a.
e18,3 -_(18)_
3 -
18! -816
3!(18-3)!-
los
la respuesta es c.
on
en
la- 11 cinco
Para detemlinar los casos posibles que se pueden obtener con los
JanzamienlOs hay que detenninar las dislintas agrupaciones
al. de cinco elementos que se pueden formar con las caras (e) y las cru-
ces (X) donde los elementos e y X se repiten y la tirada CXCXX es
distint:J que la tirada XCCXX. Por tanto el orden innuye y la solu-
ción es el número de va¡-¡aciones con repetición de dos elementos
lomados de cinco en cinco:
le-
la '-espuesla es c.
B El n Lllnero de casos favorables es:
la respuesta es c.
11 Cada una de las fichas de dominó consta de dos partes, en cada una
de las cuales puede estar uno de los siete elementos posibles (blan-
ca, 1,2.3,4,5 Y6). estos elementos pucdcl);fCpetirse (fichas blanca
doble. I doble ....) y no interviene el orden./por tanlo son las Combi-
naciones con repetición de siete elementos lomados de 2 en 2. Es
decir:
8! 8·7 ·6!
CR 7 .l =C8~ = -- = =28
- 6!·2! 6!·2!
la respuesta es c.
Resuha evidente que de los 10 problemas de la plimcra parte pue-
de elegir C IO.l exámenes distintos con dos problemas y lo mismo con
los de la segunda parte y por el principio fundamental el número de
exámenes diferentes con dos ejercicios de cada parte es:
C IO. l ' ClO,l
la respuesla es 3.
,
Tema 14
Teoremas de probabilidad
,
SUMAIlJO 14.1.
En
14.1. introducción penniti
14.2. Teorema del producto dicionc
así con
14.2.1. Para sucesos independientes que ele
14.2.2. Para sucesos depe.ndientes la UNE
14.3. Teorema de la suma tes o si
14.3.1. Para sucesos mutuamente excluyentes
14.3.2. Para sucesos simultáneos • ¿e
14.4. Teorema de la probabilidad iotnl • ¿c
eü
14.5. Teorema de Bayes
• ¿e
14.6. Resumen
• ¿o
14.7. Ejercicios co
14.8. Soluciones a los ejercicios • ¿e
• ¿o
Las
nifiea
Para l1f
cíficos:
1-1.1. I"TIIOIJL (TH)"
En los apartados que siguen veremos una serie de teoremas que nos
permiten calcular probabilidades de sucesos que reúnen una serie de con-
diciones (mutuamente excluyemes o no. dependientes o independientes)
así como los teoremas de la probabilidad lotal y de Bayes. lmaginemos
que elegimos aleatoriamente una persona entre todos los estudiantes de
la U ED. con ellos podremos dar respuesta a preguntaS como las siguien-
tes o similares:
• ¿Cuál es la probabilidad de estudiar psicología y ser mujer?
• ¿Cuál es la probabilidad de que un alumno pertenezca al Centro Aso-
ciado de Valdepeñas o de Vizcaya?
• ¿Cuál es la probabilidad de estudiar psicología O ser mujer?
• ¿Cuál es la probabilidad de que una persona esté matriculada en Psi~
cología y tClmine sus estudios?
• ¿Cuál es la probabilidad de estudiar psicología siendo mujer?
• ¿Cuál es la probabilidad de ser mujer estudiando psicología?
La.s preguntas difien~n no solo en su redacción sino también en su sig-
nificado e implican diferentes estrategias o principios de la probabilidad.
Pam llegar a su solución se requiere alcanzar los siguientes objetivos espe-
cíficos:
Co
• Distinguir entre sucesos dependientes e independientes. dicion
• Distinguir entre aquellas situaciones que requieren aplicar el teo- Bes la
rema de la suma de las que requieren aplicar el teorema del pro- OU
ducto. con cil
• Diferenciar los conceptos de probabilidad a priori, probabilidad a los suc
posteriori y verosimilitud. probal
P(AI R) =¡
P(R I R) =2-
4
P(BIA) = P(BnA)
P(A)
= P(AnB)
peA)
.
sIempre que
P(A)
'* O P
en general, la probabilidad de un suceso A dependiente de otro B, o
la probabilidad de A supuesto B, es igual a la probabilidad de la inter·
sección dividido por la probabilidad de la condición B. Este teorema
da respuesta a las dos últimas preguntas planteadas en la introducción
de este tema:
- ¿Cuál es la probabilidad de estudiar psicologfa siendo mujer?
- ¿Cuál es la probabilidad de ser mujer estudiando psicología?
1-1.2.1. l'
En el primer caso la condición es ser mujer y en el segundo la condi-
ción es estudiar psicología, de modo que llamando a los sucesos S = estu- Comas
diar psicología y M -= ser mujer. en el primer caso tendríamos que obtener de ellos de]
P(SlM) y en el segundo P(M/5) sin ningún motivo que nos lleve a pensar que se p~
que ambos resultados tengan que ser iguaJes. En el siguiente ejemplo apli- ne despeja
caremos este mismo teOrema a otra situación. nada que s
di-
Como se ha visto, si los sucesos son dependientes la aparición de uno
de ellos depende de la aparición del aIro en cuyo caso la probabilidad de
que se presenten simultáneamente los sucesos A y B, P (A n B), se obtie-
ne despejando el numerador de la expresión de probabilidad condicio-
nada que se expuso anterio¡'mente y nuevamente reproducimos:
P(A"B) .
P(AI S) = P(B) siempre que P(S) *O
Ydespejando el numerador obtenemos que la probabilidad de aparición
simuhánea de dos sucesos dependientes es:
o
~robar P (BIA) • P (B)
Wum-
¡egun- En relación con el apartado anterior, vimos que la probabilidad de que
¡años se produzcan simultáneamente los sucesos dependientes A y Bes:
rapro-- P (A r> B) • P (A) . P (BIA)
ende
pero como ahora los sucesos A y B son independientes, P (BIA) = P (B).
r quedará:
..bili-
P (A r>E). P (A)· P(B)
h me-
Idesa
P(Ar>Br>Cr> ... K)·f (A) .'(E) ./I(C) ... P(K)
que indica que la probabilidad de los sucesos independientes es igual
al producto de sus probabilidades.
,ysu
que Ejemplo 14.5. Un examen tipo test consta de tres preguntas todas
ellas con cuatro alternativas de respuesta de las que sólo una es la
correcta. Si un alumno responde al azar cuál es la probabilidad de
que acierte las tres preguntas?
Como acertar una pregunta no depende de que acertemos o no
las otras. aplicamos el teorema del producto para sucesos indepen-
dientes y nos queda que:
j 1 1
peA r>Br>C). P(A)· P(B)· P(C) = _._. - = 0.0156
, sus- 444
ya qu
dame
:OLOGÍA I TEOREMAS DE PROBABILIDAD 407
~
P (A v 8) = P (A) + P (8)
:quieren
ya que:
'Obabili~
; la letra AnB=o y por tanto P(AnB)=O
disyun-
este resultado se puede generalizar a cualquier número finito de sucesos
a unión
mutuamente excluyentes. Por ejemplo y para el caso de tres sucesos: sean
A, B Y e sucesos mutuamente excluyentes (intersección vacía) y Uama~
1 [a dis- mas S a [a unión de A con B (A v B = S) entonces:
'que se
imultá-
P(A vB vC) = P (5 vC) = P(5) + P(C) = P(A v8) + P(C) =
= P (A) + P (B) + P (C)
atibJes
), en el Este teorema nos dada respuesta a una de las preguntas planteadas
lar a la en la intmducción:
mismo
¿Cufil es la probabilidad de que un alumno pertenezca al Centro Aso-
) inter-
ciado de Valdepeñas o de Vizcaya? Ya que un alumno no puede pel1ene-
:ión de
cer oficialmente a dos o más Centros, los dos sucesos son incompatibles
'o (v.gr.
y esta probabilidad se calcularía sumando la probabilidad de pel1enecer
(perte-
a Val depenas más la probabilidad de pertenecer a Vizcaya.
~z. Por
;uceso
13. que
Si los sucesos SOIl compatibles o simultáneos, como por ejemplo
ión, el
exclu-
A = «se." mujer»; B = «estudiar psicología», entonces la intersección («ser
mujer y estudiar psicología») no es el conjunto vacío (A n B *'- 0) y, por
'*
tanto, su probabHidad es distinta de cem: P (A n B) O y la probabilidad
de aparición det suceso unión de A con B. P (A u B), es igual a la proba-
bilidad de A más la probabilidad de B menos la probabilidad de la intersec-
ciól/:
ánea- E
,acía:
B (la
. con-
I P (A v 8) = P (A) + P (8) - P (A n B)
cología O ser mujer? Puesto que Jos dos sucesos son compatibles tendrí-
amos que sumar la probabilidad de ser mujer más la probabiHdad de estu-
diar psicología y restar la probabilidad de apal;ción simultánea de los dos
sucesos (ser mujer y estudiar psicología).
Nuevamente. este resultado se puede generalizar al caso de más suce-
sos. Para el caso de Lres sucesos A, B Y e que son compatibles, llamemos
S a la unión de A y B. es decir: S = A u 8 enlonces:
P (A v B v C) = P (S v C) = P (S) + P (C) - P (S n C) =
la
A
h
ii
Al TEOREMAS DE PROBABILIDAD 409
rí-
u- Como los sucesos: ser miope, M, y tener cataratas, e, son com~
DS patibtes, es decir. se pueden dar simultáneamente con una probabi-
lidad de 0.1. la probabilidad pedida. aplicando el teorema de la suma
e- es:
]S P(M U C) ~ P(M) + P(C)- P(M "C) ~0.3 + 0.\5-0,\ ~ 0.35
E E
B, B,
B, B,
B, A B,
B, B,
B,
Ot
babili
0,90
la! a! 0,10
0,80
0.20
0.30
e los
0,70
a.
a. 14.,';. TEORE~lA DE RAVES
y como los sucesos BI< y A son dependientes, aplicamos el teorema del pro-
ducto al numerador:
412 ANÁLISIS DE DATOS EN PSICOLOClA 1 TEOREMAS
P(B,IA)= ;(B,).P(AIB,)
¿P(B¡).P(AIB,)
ial
queco
trazo
b)
estaba
JGiA 1 TEOREMAS DE PROBABILIDAD 413
P(C) = P(S¡)· P(C I S¡) + P(B,)· P(C lB,) + P(B,)· P(C lB,) =
I-I.h. IIU
En los U
nido los COI
\l TEOREMAS DE PROBABILIDAD 415
En cada UDa de los ensayos la rata elige siempre una de las tres
salidas A,B o e con igual probabilidad. El suelo de cada una de estas
salidas tiene una rejilla eléctrica que dispensa una descarga, D, de
SV con distintas probabilidades: l para la salida A; ..!.. para la s31i-
4 4
da B y O para la C. En un detenninado ensayo la rata no recibió la
descarga ¿Cuál es la probabilidad de que haya elegido la salida B?
Siendo O la descarga y D su complementario, la ausencia de des-
carga, a partir del enunciado disponemos de Jos siguientes datos:
P(BID)= _ P(B).P(~IB) =
prAl· P(D lA) + P(B)· P(D I B) + P(C)· P(D IC)
I 3
= 3 4 =0.375
1 1 I 3 1
---+---+--1
3 4 3 4 3
1~.6. HESUMEl\
En los temas anteriores, de introducción a la probabilidad, se han defi-
nido los conceptos básicos de la probabilidad, íntimamente relacionados
416 ANÁLISIS DE DATOS EN PSICOLOClA I TE
1-1.7. E.lEHC1CIOS
Una urna consta de 4 bolas blancas, 2 negras y 3 rojas. Extraemos
una a una, y con reposición, 2 bolas. La probabilidad de que las 2
bolas sean rojas es:
a) 1/27
b) 1/9
e) 6/81
Continuando con el ejercicio anterior, la probabilidad de que nin-
guna sea negra está comprendida enll-e:
a) 0.2 y OA
b) 0.7 Y0,9
e) 0.5 y 0,7
En un colectivo profesional formado a partes iguales por ambos
sexos, el estrés afecta a un 35% de los hombres y a una de cada cua-
Iro mujeres. Elegida al a7..ar una persona, la probabilidad de que ten-
ga estrés es:
a) 0.25
OLOGIA I TEOREMAS DE PROBABILIDAD 417
.e se han b) 0,3
les en la e) 0,4
lte entre
:sla defi- Continuando con el ejercicio 3, la probabilidad de que no padeciendo
os casos estrés sea mujer está comprendida entre:
le apari- a) 0,4 y 0,6
medida b) 0,1 Y0,3
usmo,la e) 0,7 y 0,9
:ro como
:ión for- Un psicólogo sabe que un 25% de los alumnos de EGB tiene pro-
blemas de rendimiento escolar, en tanto que el 75% restante tiene.
durante esta etapa, problemas de adaptación social. También sabe
)Ies y de que este tipo de problemas se reduce cuando los alumnos comien-
matoria. zan los estudios de SUP, de tal rOlma que si el problema es de ren·
e la pro- dimiento la probabilidad de que desaparezca es 0,2 en tanto que si
que son el problema es de adaptación social la probabilidad de que desapa·
:ntre los rezca es de 0,8. Esto supuesto, el psicólogo elige aleatoriamente un
lizamos alumno de un grupo de BUP y comprueba que no presenta ningún
Iad total tipo de problema. La probabilidad de que durante su etapa de EGB
Uciones. haya padecido aJgún problema de adaptación social está compren-
dida entre:
a) 0,15 Y0,35
b) 0,45 Y0,65
traemos e) 0,75 y 0,95
[Ue las 2 Con los mismos datos del ejel'cicio anteriOl~ la probabilidad de que
haya padecido algún problema de rendimiento escolar está com-
prendida entre:
a) 0,02 y 0,05
b) 0,05 Y0,09
e) 0,09 y 0,3
lue nin-
Sabemos que el 85% de los enfermos depresivos se recupera con un
determinado tratamiento psicológico. De estos sujetos que se recu-
peran, e125% ha sido tratado médicamente con antedol·idad. De los
que no se récuperan, el 25% ha sido tratado médicamente con
antel;OI;dad. La probabilidad de que una persona depresiva que haya
"ambos sido tratada médicamente con anterioridad se recupere con el tra·
ida cua- tamiento psicológico está comprendida entre:
que ten-
a) 0,2 y 0,4
b) 0,4 y 0,6
e) 0,6 y 0,7
418 ANÁLISIS DE DATOS EN PSICOLOGíA 1 TEO
•
P(2 bolas cojas) = P(RI)· P(R2IRI) = P(Rl)· P(R2) = (3/9)· (3/9) =
= 9/81 = 1/9
la respuesta es b.
11 Llamando R a bola roja, 8 a bola blanca y N a no ser bola negra:
tenemos que calcular:
- - - - 7 7 49
P(N nN) = P(N)· P(N) = _. - ~ - ~ 0,6049
9 9 81
la respuesta es c.
1
5ICOLOGlA I TEOREMAS DE PROBABILIDAD 419
luna espe- (NOla: También podemos calcular la probabilidad de que las dos
1 especiali- sean blancas, las dos rojas. una roja y otra blanca que es equivalen-
d de indus-- l te a ninguna bola negra).
Jumnos de
nente, pro-
,tema habi-
11 Tenemos
Llamamos cE. a padecer estrés, .. H. ser hombre y .. M. ser mujel:
los siguientes datos:
licha facul- 1 P(H) = P(M) = 0.5 P(EIH) = 0.35 Y P(E/M) = 0.25
daptación?
P (E) = P (E n H) + P (E n M) =
=P (H) . P (E/H) + P (M) - P (E/M) =
\ = 0,5·0,35 + 0,5·0,25 = 0,175 + 0,125 = 0,3
la respuesta es b.
iad de que
la especia- D Llamamos E a no padecer estrés. Debemos calcular:
P (M/E)
y sabemos que:
..
1 P(M / E) = P(M n E) = P(M) - PiE / M)
umno pro- PiE) PiE)
se psicolo-
donde:
-.
I P (E/M) = 1 - P (E/M) = 1 - 0.25 = 0,75
P (E) = I - P (E) = J - 0.3 = 0.7 (P (E) ya fue calculado en el eje,-·
cicio anteriOl:)
Por tanto:
(
P(M/E) = 0.5-0.75 =0 536
0.7 •
r tanto,
1) - (3/9) = 1 la respuesta es a.
11 Llamando:
«RE .. al suceso «presentar problemas de rendimiento escolar»
a negra: cAS .. al suceso .. presentar problemas de adaptación social-
.. D. al suceso .. desaparición de cualquier tipo de problema.
las probabilidades que conocemos son:
P(RE) = 0.25 P(DIRE) = 0.2 peAS) = 0.75 v P(D/AS) = 0.8
Aplicando el teorema de Bayes:
1
420 ANÁLISIS DE DATOS EN PSICOLOGíA T TE
la respuesta es c.
11 P(REID) = P(RE)-P(DIRE)
P(D)
0,25 -0,2
0,25 -0,2 + 0,75 -0,8
= 0,0769
o también:
P (REID) ~ 1 - P (ASID) = 1 - 0,9231 = 0,0769
la respuesla es b.
11 Llamando:
.. R. al suceso «recuperarse con tratamiento psicológico-
cR .. al suceso _no recuperarse con tratamiento psicológico»
.A.. al suceso «ser tratado medicamente con anterioridad.
Sabemos que:
P (R) = 0,85 o=> P (R) = 1 - P (R) = 1 - 0,85 = 0,15
P (A1R) = 0,10 P (AlR) = 0,25
Por tanto:
= 0,85 -0,10
0,85 0,10+0,15-0,25
= 0,085
0,1225
= °
'
6939
la respuesta es c.
11 Utilizando la siguiente nomenclatura:
e = Clínica; E = Escolar; 1 = Industrial; A ::: Adaptación; N =Norrnal
P (A) = P (A ro C) + P (A ro E) + P (A n 1) =
= P (C) - P (AIC) + P (E) - P (AlE) + P (1) - P (AII) =
= 0,6 - 0,10 + 0,3 - 0,25 + 0,1 - 0,05 = 0,14
la respuesta es b.
11 Utilizando la misma terminología que en el ejercicio anterior:
P (N ro C) = P (C) - P (NIC) = 0,6 - 0,9 = 0,54
la respuesta es a.
TEOREMAS DE PROBABILIDAD 421
l1li Siguiendo
res:
con la misma tenninología de los dos ejercicios anterio-
prAl 0,14'
°
P(EI Al = P(E)· P(AI El = 0,3·0,25 = 536
(
SUMARIO
1.;.1. I
15.1. Introducción Yasa~
15.2. Variable aleatoria: definición denomina
no se real
15.3. TIpos de variables aleatorias muestral.l
15.3.1. Variables aleatorias discretas ciendo tOO
15.3.2. Variables aleatorias continuas diente pro!
15.4. Función de probabilidad Veremc
15.4.1. Representación gráfica una, o una
15.4.2. Propiedades naturaJeza
15.5. Función de distribución tos en el tel
15.5.1. Representación gráfica bién comol
15.5.2. Propiedades función de
más proñu
15.6. Resumen creta, gene:
15.7. Ejercicios no haremo:
requiere CCl
15.8. Solución a los ejercicios el objetivo«
ceptos y de
raJizar al·
en cuenta
inforrnativ
mas. Procu
lan en este
referidos
ceptuales»
siguiente t
15.1. 1 THODVCCIÓ:'>'
Ya sabemos que un experimento cuyo resultado depende del azar se
denomina experimento aleatorio o estocástico. Si el experimento aleat().
no se realiza una sola vez se obtendrá un único resultado del espacio
muestral, pero a medida que aumenta el número de ensayos irán apare-
ciendo todos los resultados posibles, cada uno de ellos con su correspon-
diente probabilidad.
Veremos en este tema que para cada experimento podemos definir
una, o unas variables definidas por el experimentador que pueden ser de
naturaleza discreta o continua (de acuerdo a los mismos conceptos vis-
los en el tema 2, referidos a las variables estadísticas). Mostraremos tam-
bién como para esta, o estas variables aleatorias, podernos construir su
función de probabilidad y de distribución. En este tema trabajaremos con
más profundidad estos conceptos referidos a una variable aleatoria dis-
creta, generalizando los mismos a las variables continuas; pero con éstas
no haremos ningún tipo de operaciones matemáticas porque para ello se
requiere conocer y utilizar el cálculo integral que supera, ampliamente.
el objetivo de este curso. Pero ello no es obstáculo para que todos los con-
ceptos y definiciones referidas a las variables discretas se puedan gene-
ralizar a las variables continuas. Esta información es importante tenerla
en cuenta para que cuando vea símbolos de integrales las torne a titulo
informativo con la seguridad de que no tendrá que operar con las mis-
mas. Procure entender bien todos los conceptos teóricos que se presen·
tan en este tema porque en otro trabajaremos los mismos conceptos pero
referidos a dos variables aleatorias discretas y todas las «lagunas con-
ceptuales_ que ahora se generen dificultarán enonnemente el estudio del
siguiente tema.
426 ANÁLISIS DE DATOS EN PSICOLOGíA ¡ DISTR
E x
~to continua en un intervalo [a,b]. Pero no hay que alarmarse, el cálculo inte-
_,se gral no lo abordaremos porque las soluciones de las integrales correspon-
ores: dientes se encuentran recogidas en unas tablas que aparecen en el apéndi-
oacio ce de este libro y que aprenderemos a manejar en su momento.
> del
; dis- Por otra pane, este tipo de variables pueden distribuirse de acuerdo a unos
gati. modelos de distribución conocidos entre los que se encuentran la distribu-
rua- ción nonnal, la distribución "1" de Sludent, la distribución "P' de Sne--
decor y la distribución chi-cuadrado de Pearson, que describiremos en
el tema 18, y en las que se basa la inferencia estadística y el contraste de
hipótesis que se estudiará con más detalle y profundidad en segundo curso.
De momento solo daremos una ligera descripción de sus características,
aprenderemos a utilizar sus correspondientes tablas de probabilidad (que
nos evita aplicar el cálculo integral) y \'eremos, a modo de introducción, su
aplicación para la inferencia de los valores poblacionalcs: media, propor-
>de un
ción '! variam.a.
ecimos
es cua-
;onLrar
1,;-4_ Fl "CiÓ" DI: 1'11011 \1111.111 \11
A pal1ir de este punLO vamos a describir el comportamiento matemá-
tico de las variables aleatorias (v.a.) de forma similar a como se hizo, en
de per- los temas iniciales del temario, con las variables estadfsticas para las que
se determinó su distribución de frecuencias, de proporciones, frecuen-
cias acumuladas, proporciones acumuladas, etc.
La función de probabilidad --o función de densidad de probabilidad-
presen- de una val-iable aleatoria es la definición de su cOmpaI1imiento mat.emá-
iquiera tico, lo cuál implica detelminal~ por un lado su espacio muestral -todos
s como los posibles valores que loma la v.a- y por 011'0 lado las probabilidades
asociadas a cada elemento del espacio muestra!. Con estas consideracio-
no dis- nes, llamamos función de densidad\Óre"pI.0babilidad --o función de pro-
¡emplo, babilidad- de una variable aleatoria: X:atrt:inción, ecuación o regla
.actitud que asigna probabilidades a cada uno de los posibles valores nurné·
... ' r~).-_
430 ANÁLISIS DE DATOS EN PSICOLOGÍA 1 D1STR
ricos, Xl' que toma la variable aleatoria, X. Por tanto, nos posibilita el
de
cálculo de la probabilidad asociada a cada elemento del espacio muestral
de dicha variable aleatoria.
me
priJ
Esta función se representa por f(x) y, tanto para variables aleatorias apl
discretas como para las~~expresa:
I f(x)~P(X~x)
•
ein
pr
x O I 2
[(x) 0,1 0,6 0,3
3X-4
- - Parax=2, 3, 4, 5
[(xl = 26
{
O en otro caso
detenninar su función de probabilidad.
432 ANÁLISIS DE DATOS EN PSICOLOClA 1 Dl5T1l
P,
Aplicando la ecuación que define su función de probabilidad para depr
los valores 2, 3, 4 Y5 tenemos que: la rer
3·2-4 2 conti:
Parax=2=>{(2)=P(X=2)= =-
26 26
3·3-4 5
Para x = 3=> (O) = P(X = 2) = =-
26 26
3·4-4 8
Parax=4 =>(4) = P(X=4)= =-
26 26
3·5-4 II
Para x = 5 => ((S) = P(X = 5) = =-
26 26
y también podemos presentarla resumida en la siguiente tabla que o
se denomina tabla de la función de probabilidad: Fig. 1!
x {(x) "'
2 2126
3 5126
15.4.
4 8126
5 11126
f(X)
o 1 2 3 4 5 x
Fig. 15.1 o: Función de probabilidad de Fig.15. I b: Función de probabilidad de
u!\o variable aleatorio discreto. uno variable aleatorio c.Ol'\tinuo.
1.3.4.2. Propiedndes
"
2,f(x,) ~ [(x¡) + f(x,) + ... + f(x,,) = 1
;..1
3X-4
- - Parax=2, 3, 4, 5
( (x) = 26 ha
{
O en otro caso
detenninar si es una verdadera función de probabilidad. e
ne
Para ello tienen que cumplirse las propiedades mencionadas:
"
l{(Xi) ={(XI) + {(x,) + ... + {(x") =1
¡.,,\
x {(x)
2 2/26 ta
3 5/26
4 8/26
5 11/26
15.,3.
vemos que las probabilidades encontradas para todos los valores de Se
la variable aleatoria discreta. X, son positivas o nulas donde la varia- de pro
ble no está definida. cumpliéndose la primera propiedad. la vac
creto
LOGiA I DISTRIBUCIONES DE PROBABlLlDAD DE VARlABLES ALEATORIAS 435
't x e X f(x,) ~ O
tarea que dejamos allectoT.
F (X,) = P (X",,"x,)
LoSVl
como la.
Para variables aleatorias discretas, es:
,
F(x,) = P(X ~ x,) = I{(x,)
¡.. I
Dicho con otros palabras. seguramente menos rigurosas pero más com- De form
prensible. Si ordenarnos de menor a mayor los valores Xl de la variable de probabiJ
aleatoria discreta (Xl < X2 < X.l < ... X,,), la función de distribución se continuas.
obtiene acumulando (o sumando) los valores de la función de pro-
babilidad, de forma que para una variable aleatoria discreta aplicaremos Si la var
la siguiente expresión: (;-,21W ¡t distribució¡
~¿;
lo [a,x], es (
F(x,) = P (X '2 x,) ={(x,) + {(x,) + ... + {(x,) tome valOrE
O de forma más rigurosa, dado un espacio muestral, E. y una variable
aleatoria, X, asociada a E, se llama función de distribución de la variable
Estafun
aleatoria X a la función que atribuye a todo número real, x, la pro-
taria distrib
babilidad de que la variable aleatoria X tome un valor menor o igual
variable poI
quex.
gral Y su eX"
Ejemplo 15.5. Con los mismos datos del ejemplo 15.1, donde el
experimento aleatorio consistía en escoger a dos personas para un siendo
trabajo de selección vamos a calcular su función de distribución. tal y con
Calcularemos F(O), F(l) y F(2). Comenzamos por F(O) que es la
probabilidad de que la variable aleatoria X: «número de mujeres selec- 1.;..;. J. 11,
cionadas» tome un valor menor o igual a cero, esto es:
F (O) = P (X ~ O) = P (X = O) = 0,1 La repre
dad de una
de fonna similar F(l) es la probabilidad de que el _número de muje-
res seleccionadas,. sea menor o igual a 1, esto es, que sea cero y una
mujeres:
F(I) = P(X~ 1) = P (X = O) + P (X = 1) ={(O) + ((I) = 0,1 + 0,6 = 0,7 F(X)
Ylo mismo para calcular la probabilidad de que el ~número de muje-
res· sea menor o igual a dos:
F (2) = P (X ~ 2) = P (X = O) + P (X = I) + P (X = 2) =
= f (O) + f (1)+ {(2) = 0,1 + 0,6 + 0,3 = 1
F;g. 15.4 101'
uno voril
lAl DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORlAS 437
..
,.
)5
continuas.
Si la variable aleatoria está definida en el inren'alo [a,b] la función de
distribución, F(x), mide la masa de probabilidad que existe en el interva-
lo [Ol,x], es decir la probabilidad de que la variable aleatoria continua, X.
tome valores menores o iguales que x, es decir:
le F(x) = P(Xsx)
.e Esta función de distribución se puede interpretar como una masa unj-
.-
~
tólria distribuida continuamente a lo largo del intervalo de variación de la
\'ariable por lo que, en lugar del sumatorio, tenemos que emplear la ínre-
grol y su expresión para variables aleatorias continuas es:
F(X) f(ll,¡f---f
.....~--I~-t--x
6 4 • • b
de contesta
• x, x b ción de 3 el
DISTRIBUCIONES DE PROBABIUDAD DE VARIABLES ALEATORIAS 439
15.6. HESVMEI\
En los temas anteriores aprendimos lo que es un experimento aleato-
rio. El espacio muestral o universo de resultados posibles asociado a él,
nos da una desclipción exhaustiva de todos los resultados que pueden
darse. Pero en muchas situaciones de la vida cotidiana, esta descripción
siendo exhaustiva puede ser enormemente extensa y, en consecuencia,
poco manejable para describir una variable aleaLOria. Como ilusLración
de esto, piénsese en la puntuación que una persona puede obtener en un
tesL formado por 20 preguntas con tres altemativas de respuesta de las
que solo una es cOITecta, ¿sería capaz de construir el espacio muestral de
las diferentes formas de responder al test?]. Piénselo pero no lo acabe por-
1 En esta situación el espacio muestral está fonnado por las diferentes formas distintas
de contestar a este test que. como se ha visto en el tema 13, son las variaciones con repeli·
ción de 3 elementos. tomados de 2.0 en 20. Es decir. VR uo =3N =3.486.784.401.
440 ANÁLISIS DE DATOS EN P51COLOClA 1 D1STRJBUCll
que seJia una pérdida de tiempo más útil para otros objetivos. Si, como
suele ser habitual, solo estamos interesados en el número de respuestas ITJ El esF
a) 7 s
acertadas en el test, podemos recunir, como eSludiamos en este tema a
la variable aleatoria X '" «número de respuestas acertadas contestando al b) 8 s
azar», y con los conocimientos adquiridos hasta el momento, construir e) 2 s
su tabla de distribución de probabilidad, que nos proporcionarla una des·
cripción mucho más resumida, manejable e igualmente exhaustiva de esta [!] La V31
v3¡;able aleatoria. a) O; 1
b) 1;;
Habrá observado también, y así lo esperamos, que una tabla de dis· e) O; I
tribución de probabilidad de una variable aleatoria discreta es similar a
una tabla de distribución de proporciones de una variable estadística dis·
creta. El mismo paralelismo se produce entre la tabla de la función de
[I] La fUI
a)
distribución y la tabla de proporciones acumuladas, y por supuesto entre
X
sus respectivas representaciones gráficas. ¿Cuales son, entonces, las dife· -
rencias?: la variable aleatoria representa el universo (espacio muestra» o O
población de resultados posibles de un experimento aleatorio, en tanto I
que la variable estadística incluye los valores obsen'ados en una muestra, 2
pero no necesariamente todos los valores posibles. En consecuencia una
distribución de probabilidad es la distribución teórica de los valores de
una variable aleatoria, que forman el espacio muestra!. población o uni- 8] La fu,
bí·
a) los valores de X
b) la probabilidad
fe-
re- 1 e) la frecuencia
:13. lmagine que conocemos la ecuación que denne la función de pro·
los babilidad del tiempo de "eacción de unos sujetos nonnales a una luz
roja y que esta función está definida en el intervalo comprendido
entre 400 mseg y 630 mseg. Si deseamos calcular la probabilidad de
que un sujeto tenga un liempo de reacción comprendido entre 500
y 580 mseg, tendríamos que realizar la siguiente operación:
ia- a) f(580) + f(500)
:e· b) F(500) - F(580)
e) F(580) - F(500)
442 ANÁLISIS DE DATOS EN PSICOLOGÍA 1 DISTRlBUC
= 0,5·
{(2)=
\.;.H. SOU ClO\ \ I.OS 1:.II.IIC1CIOS
:: 0,5 .
11 está
Si se lanza la moneda sucesivamente tres veces, el espacio muestral
formado por las distintas variaciones con repetición de dos ele-
Por 101
• Espacio muestral
CCC
CC'
C'C
X
2
1
2
·cc 1
C" 1
'C' O
..c 1
••• O
x [(x)
O 0,25
I 0,5
2 0,25
ya que:
{(O) =p (X. O). P ('C") + P (•••).
• 0,5 . 0,5 . 0,5 + 0,5 . 0,5 . 0,5 • 0,25
{(I) = P (X. 1). P (CC") + P ('CC) + P (C"') + P ("C).
• 0,5 . 0,5 . 0,5 + 0,5 .. 0,5 . 0,5 + 0,5 . 0,5 . 0,5 + 0,5 . 0,5 . 0,5 • 0,50
{(2) =P (X. 2). P (CCC) + P (C·C).
• 0,5 . 0,5 . 0,5 + 0,5 . 0,5 . 0,5 = 0,25
Por lo que la respuesta correcta es la 3.
Por lánto:
;
F (O) =P (X ~ O) = {(O) =0,25
444 ANÁLISIS DE DATOS EN PSICOLOGíA 1 OISTRI:
1 0,75 di
2 I es
d,
d,
11 Casi no merece ningún comentario la confirmación de que la res-
puesta correcta es En el eje de abscisas se recogen los vaJores de
3.
la variable. La frecuencia no se recoge en la representación.
yl
11 p (500
Lo que hay que calcular es, escrito en lenguaje formal, lo siguiente:
~ X S; 580), es decir la probabilidad de que la variable aleato- 11 unLa
ria X sea un valor comprendido entre 500 y 580 que se puede res- rel
cribir de la siguieme forma: di!
P (500 <X < 580) = P (X < 580) - P (X < 500) = F (580) - F (500) .L
por lo que la respuesta correcta es la e) que gráficamente corres-
11II m,
COI
ponclelía a algo similar a lo que se representa en la siguiente gráfica:
1.,
F(x)
1 F-----:,...,.-
F1580) I----¿
F1500) 1---,
-t---x
500 580
lue
y la '"cspuesta es b.
:on-
lUe·
HOS
1ma
ialo
)OS-
,de
~ue
Jea-
Terna 16
Variables Aleatorias Discretas (1):
Una Variable
16.1. 1:\Tf
SUMAIlIO
En los ter
aleal.Orio defj
16.1. Introducción lidades asoci
16.2. Momentos de la variable aleatoria probabilidad
16.2.1. La esperanza matemática o media gráfica. El sij
16.2.2. La varianza su función de
ricos que repl
16.3. Resumen y que denomi
16.4. Ejercicios ceptos son sil
16.5. Soluciones a los ejercicios han variables
tad conceptua
a describir ur
zas, también:
Todo este
variable aleato
lidad univaria
anterior. en Cl
mas variables
del director de
res y dos homl
ción. En esta:
mujeres seleo
ble Y como.n
de estudios de
De rnodoc;
ciones de pro'
contamos con
16.1. Ii\THODUCCIÓN
En los temas anteriores hemos visto que cuando en un experimento
aleatorio definimos una variable aleatoria podemos obtener las probabi-
lidades asociadas a todos sus posibles valores, presentar su función de
probabilidad resumida en Una tabla y su correspondiente representación
gráfica. El siguiente paso, que abordaremos en este tema será describir
su función de probabilidad mediante la obtención de unos valores numé-
ricos que representen su tendencia central y su dispersión o variabilidad
y que denominaremos con el nombre genérico de momentos. Estos con-
ceptos son similares a los ya vistos en los temas 4 y 5 cuando se estudia·
ban variables estadísticas. Verá que no se añade ninguna nueva dificul-
tad conceptual ni de cálculo numérico. Si en los temas anteriores aprendió
a describir una dislribución de frecuencias calculando medias y varian-
7.aS, también lo hará ahora con las mismas herramientas de entonces.
mos aquí son los mismos para cada una de las situaciones anteriores aun- nición que e
que, lógicamente, varía la fonna de calcularlos y se pueden obtener nue- siguiente ron
vos índices numéricos a cada situación. Nos limitaremos al caso de una
va¡-jable en este tema, y a la distribución de probabilidad bivariada (dos
variables) en el tema siguiente al que debe pasar cuando considere alean·
zados los siguientes objetivos específicos que podrá comprobar con los ACLARACfl
ejercicios de autocomprobación que le proponemos, como siempre, al momento~
final del tema. ¡Ánimo! Verá que no es tan complicado. Los objetivos son: sumatorio Si
• Conocer las dos características más sobresalientes que describen ya que se Ita
una función de probabilidad. multiplicado
tendremosq
• Conocer el concepto genérico de momentos. lo que no ha
• Distinguir entre los momentos centrales y los momentos respecto
al origen.
En loque~
• Calcular la esperanza y varianza de cualquier distribución de pro- nuestros objet
babilidad de variables aleatorias discretas. cia central cor
media es uno
• Conocer las propiedades que deben cumplir la esperanza y la
de el punto p t'
varian7.a.
los momento!
• Entender el paralelismo existente entre estos conceptos referidos el punto p es i
a una variable estadística y a una variable aleatoria. momentos tan
no entrarem~
etre otros.
, ~
re-
Los momentos respecto al origen, que para las variables aleatorias
:ia
representaremos por IJ" son aquellos en los que el punto p vale cero, y tie-
is- nen, para el caso discreto, la siguiente expresión:
~o
los
'os
m-
ACLARACiÓN: Por lo que se ha dicho en la dcfinición dc momentos se decll-
ce que para las variables continuas. la esperan;,.a tendrá la siguiente expre-
al- sión:
ti-
de
,6-
~~ = E(X'):= J': xi' {(X,)
'v
452 ANÁLISIS DE DATOS EN PSICOLOG1A I VARJABL~
,,
Las distlibuciones de probabilidad de variables aleatorias continuas que se
estudiarán en este curso en el tema 18 están perfectamente especificadas y
en ningún caso tendremos que aplicar esta expresión para obtener su media.
tal y co
Entre estos, el más sencillo y uno de los más importantes, es la espe- han obl
ranza matemática o media que corresponde al momento respecto al ori- primer.:
gen de prime¡- orden. Se representa indistintamente por E (X) o por la incluye
letra griega p (.mu.) y corresponde al valor obtenido al aplicar la expre-
sión anterior considerando que, al ser de primer orden, r = 1, es decir:
, El valo
~; = E(X) = LX,'
,., {(x,)
piedades (
se mostraJ
- La el
es decir, que la esperanza matemática de una variable aleatoria, X. es
igual a la suma de los productos de cada uno de los valores, ~, que
toma la variable aleatoria por sus respectivas probabilidades, f(x¡). -La ..
, , espel
~ = E(X) = LX,' ((x,) = LX,' P(X =x,)
.=1 ,.,
El lérmino tiene sus raíces en los juegos de azar con el fin de poder - La e!
estimar las ganancias esperadas si se repitiese el juego un elevado núme· es ig-w
ble.
ro de veces. Referido a una variable aleatoria, es sinónimo del concepto
media, estudiado en los temas previos, pero, dentro de la teoria de la pro-
babilidad, es el que se utiliza para representar el promedio teórico que - Dada
tomaría la vaI-iable aleatoria si se repitiese el experimento aleatorio infi- delp
nitas veces. ranu
E()
Ejemplo 16.1. La esperanza matemática (o momento respecto al Olro m(
origen de orden uno) de la variable aleatoria que estamos estudian- tc'-¡ores, es
do, es:
X f(x) d(x)
O 0,1 que repreSl
Xl =
X2=
Xl =
1
2
0,6
0.3
°
0,6
0,6
decir E(X 2)
t"es (r = 3),
1.2 1 Para salJ
que esperar al
ItOCíA J VARIABLES ALEATORIAS DISCRETAS (1): UNA VARIABLE 453
.ue se ,
das y ~ =E(X) =Ix,. (Xi) =x, . (x,) + x, . (X,) + x,· (x,) =
le{lia. 1=1
I P:uOl saber lo que significa que dos variables aleatorias. X e Y, son independientes hay
que c!>pcrar al lema siguiente donde se dt"SCliben estos \ otros conceptos.
454 ANÁLISIS DE DATOS EN PSICOLOGIA 1 VARIABLES Al
X f(x)
o 0.1
1 0.6
2 0.3 que indkan.
desviacione
calcular la esperanza de la variable Y = 3X - 2. variable ale¡
Un primer procedimiento es detenninar la función de probabili.
dad de esta nueva variable aleatoria que tomaria los valores Y = -2;
ACLARACH
1; 4 al aplicar la ecuación 3X - 2 a los valores de X = O; 1 Y 2 respec· que el mom
livamente. y calcular la esperanza por el procedimiento habitual ya partimos d~
explicado: operamos el
y f(y) y. f(y)
~I
-2 0,1 -0,2
1 0,6 0,6 que es una e
4 0,3 1,2
1,6
Entre tocle
~=¡yI·r(y,)=-2·D,1 + 1·0,6+4·0,6= 1,6 tivos de descr.
Un segundo procedimiento es aplicar las propiedades vistas de la • orden dos, qt:
esperanza y sabiendo que E(X) = 1.2 entonces: ranza matem
res de la var¡
E (Y) = E (3X - 2) = E (3X) - E (2) = 3 . E (X) - E (2) =
para derivar 1,
=3·1,2-2= 1,6
lJegando, como era de esperar, al mismo resultado.
I h.:!.:!. La ,adanza
Se suele de
Cuando en la expresión general de los momentos, que volvemos a griega «sigmal
reproducir: tico se utiliza,
"', = 1 (x,-p)' . {(x,)
el valor p es igual a la media, tenemos los momentos centrales o
momentos respecto a la media y tienen la siguiente expresión para varia-
bles aleiltorias discretas 2:
l Omitiremos, a diferencia de cómo hemos hecho con la media, la c.:<prcsión de la vunan- es decir, que la
...a p3l1l variables conlinuas, con la scgulidad de que el k-clor puede deducirla cambiando cuadrados d
el símbolo del sumalorio por el de la inlegral. (E(X»'.
VARIABLES ALEATORIAS DlSCRET....S (1): UNA VARIABLE 455
0 1 = V(X) = Ef(x - ~)l] = [(x, - J.1)1 . (X,) = r.(x~ - 2x,J.1 + J.11). «X,) =
Utili
r.x: .f(x¡)- 11.1.r.X, •«X,) + J.11 • r[(x,)
y teniendo en cuenta que: y habier
a 1,2. _
r.xf·f(x¡)=J.I; to al ori
Ú¡·f(X,)-=J.11 =J.1
r[(x,)= I
que pro
llegamos a:
r.t; .{(x,) - 2 J.I' :Ex,' {(x¡)+ J.I1 . r{(x,> = 112 - 2¡.t1l + J.I1 = cuyos re
, 1 2 ' 1
Por tan1
=J.I1 -2·J.l +J.1 =J.12-J.1
Entre Il
Como ya se sabe de los lemas de Estadística descriptiva, la va¡-janza
es un número positivo -o nulo cuando no hay v.u"iabilidad y todos los - La Vi
si y 51
Utilizaremos la expresión:
o' = E (X') - [E (X)J'
Yhabiendo calculado anteriormente que la esperanza o media es igual
a 1,2, sólo nos falta calcular la esperanza de X 2 , o momento respec~
to al origen de segundo orden, mediante la e.xpresión:
, , 2
~2 =E(X )=kx; ·f(x¡)
que proporciona el siguiente valor:
= 02 .0,1 + ]2. 0,6 + 22 .0,3 = 1,8
cuyos resultados también se incluyen en la cuarta columna de la tabla.
Por tanto, la varianza es:
o' = E (X)' - [E (X)]' = 1,8 - 1,2' = 9.4<
• ¡ ~ ...
y su raíz cuadrada es la desviación típica:
J NuC"vamenle, volvemos. a recordar que para saber lo que significa que dos variables
aleatorias, X e Y, son independientes hay que esperar al tema siguiente donde se describen
estos y otros conceptos.
458 ANÁLISIS DE DATOS EN PSICOLOGÍA I VARIABLES
- La VI
ACLARACIÓN: Vamos a demostrarlo con el fin de aplicar y familiarizamos iguaJ
con las propiedades de la esperanza expuestas en el epfgrafe anterior. Por de la
la definición de varianza, tenemos que:
- r[.
X=-
y aplicando las propiedades de la espclOlm..a: N
ma ecuació¡
E (X Z) + leE (A') + e Z - [E (X)r _ leE (A') _ e 2
x =2<>,'
reorganizando términos y eliminando los que se anulan, llegamos a: los valores (
E (X)' - [E (Xl]' = V (X) = o' Senla el cae
número de 1
que no es más que la varianza de x. a continuaCl
Para tilla
• El cuadlOldo de un binomio (a :l: b)l es igual al cuadradQ del pI;mero mas el cuadra-
do del segundo m3!> (o menos) el doble del primero par el segundo. E (X) =1
l l
(a +b)2 :a +b + 2ab de acuerdo 1
(a _b)2: al + b l _ 2ilb entre el nún
VARIABLES ALEATORIAS DISCRETAS (l); UNA VARIABLE 459
al 2,7
b)7
Para una variable aleaIO!;a, el p¡;mer término corresponde a la media
de X 2, E (Xl) Y el segundo es el cuadrado de la media. (E (XW, de acuer· el 2.4
do con la siguiente expresión:
En la si
V (Xl = E (X') - [E (Xl]' siendo E (X') = LX' . ((x) X,lam!
IhA. I:.II:IIClCIOS
al 3,15
[J] l...,;'\ esperanza de una variable aleatoria: bl 2,95
a) Siempre toma valores positivos. el 3
h) No puede tomar valores negativos.
e) Su signo depende de los valores de la variable.
En la si
X
1
2
3
F (X)
0,2
0,5
0,9
fl')
• ,t
c,~
,,u
.,,.
,
", '-
"
"
,
4 1 ", "~
a) 2,7 1, '
/1ét<~
b)7
ei 2,4
x {(x)
O 0,05
I 0,1
2 0,2
3 0,25
4 0,35
6 0,05
a) 3,15
b) 2,95
c)3
X F(x)
1 0,2
2 0,5
3 0,9
4 1
a) 0,84
b)7
e) 2,4
o .
En la siguiente tabla de la función de probabilidad de una variable
X, la varianza es:
462 ANÁUSIS DE DATOS EN PSICOLOGÍA 1 VARlABLESA
x (x)
0,05
11 euanti
La res
°21 0,1
0,2
nesde
ellos (1
0,25 de muj
3
4 0.35
6 0,05 11 orden
Laresp
(
al 3,15
bl 2,95 el valor
el 1,84 r: 5 (p
Para calcular la varianza de una variable aleatoria, podemos uüli-
r
L (X - J.1)l . (x) u otra similar que implica
'l..3r la expresión: V (X) '"
calcular:
11 viamenl
La resp
a) la media de X menos el cuadrado de la media de X. las prot
b) El cuadrado de la media menos la media de Xl, la tereel
e) La esperanza de Xl menos el cuadrado de la esperanza de X.
o Si dos variables Z e Y son independicnles. se cumple que:
n} la varianza del producto es igual al cuadrado de sus varianzas.
b) La "alianza de la suma es igual a la suma de las varianzas.
e) La varianza de la suma es igual al producto de sus varianzas.
sanas pa
11 cuantifica
La respuesta correcta es la b, ya que la varianza es un índice que
«variabilidades» y vale cero cuando todas las observacio-
nes de una variable toman el mismo valor y no hay variabilidad en
ellos (por ejemplo, la variable aleatoria X = «sexo- en una muestra
\ de mujeres) y va aumentando a medida que aumenta la variabilidad.
11 Laorden
respuesta correcta es la a, ya que el momento respecto al origen de
cinco requiere hacer en la expresión general de los momentos:
ni, = L (x; - py, [(x;)
el valor p = O(por ser un momento respecto al origen) y el exponente
r = 5 (por ser de orden 5) quedando:
11 segunda
La respuesta correcta es la b. Para comprobarlo construimos la
columna de la tabla donde aparecen las operaciones nece·
sanas para calcular la E(X)
x {(x) x . {(x)
O 0,05 O
1 0,1 0,1
2 0,2 0,4
3 0,25 0,75
4 0,35 1,4
6 0,05 0,30
2,95
E (X) - Lx, {(x) _ 2,95
464 ANÁLISIS DE DATOS EN PSICOLOGÍA 1 VARIABLES
°
2
\
0,05
0, \
0,2
°
0, I
0,4
°
0,1
0,8
3 0,25 0,75 2,25
4 0,35 1,4 5.6
6 0,05 0,3 \ ,8
2,95 \0,55
11 olvide
La respuesta correcta es la b. Si no ha acel1ado esta pregunta. no
esta propiedad pero espere al próximo tema donde la volve-
remos a tratar con más detalle.
VARIABLES ALEATORIAS DISCRETAS (1): UNA VARIABLE 46S
Record
17.1. Introducción ción del te
17.2. Función de probabilidad conjunta una o mas
17.3. Función de probabilidad marginal Iidad univ:
das (tres o
17.4. Función de probabilidad condicional
de probabi
17.5. Momentos dio de las l
17.5.1. Respecto al origen: La esperanza como hiciJ
17.5.2. Respecto a la media: La covarianza lidad conjl
17.6. Independencia entre variables aleatorias discretas representé
lo único q
17.7. Función de distribución conjunta
cálculo.
17.8. Función de distribución marginal
Los obj
17.9. Resumen
17.10. Ejercicios
17.11. Soluciones a los ejercicios • Ser ca
aleato!
• Consb;
atan
17.1. I :TRODUCCIÓ'\'
Recordemos antes de empezar que, como se indicaba en la introduc-
ción del lema anterior, en todo experimento aleatorio es posible definir
una o mas variables aleatorias originando las distribuciones de probabi-
lidad univariadas (una variable). bivariadas (dos variables) y rnultivaria-
das (tres o más vaJiabJes). Una vez estudiada Jo referente a la distribución
de probabilidad de una variable en el tema 16, abordaremos ahora el estu-
dio de las distribuciones de probabilidad bivariadas y, de forma similar a
como hicimos en el tema anterior. construiremos su función de probabi-
lidad conjunta, su función de distribución conjunta y sus momentos más
representativos. Estos conceptos son los mismos que ya conocemos y
lo único que cambia, obviamente. es la expresión matemática para su
cálculo.
Los objetivos son:
Tabla 17.'
• Analizar si dos variables aleatorias discretas son o no indepen-
dientes.
X\
• Conocer las características que debe cumplir la función de proba-
bilidad conjunta de dos variables aleatorias discretas indepen- x,
dientes. x,
• Calcular la esperanza matemática y la varianza de una suma (o res-
la) de dos variables aleatorias discretas.
• Cuantificar la intensidad de la relación entre dos variables aleato-
rias discretas.
• Entender el paralelismo existente entre estos conceptos referidos De esta
a dos variables estadísticas y dos vatiahles aleatorias. variable al
dentro del
lidad de ql
mea y. con
17.2. IT\CIÓ:\ DE l'ROB~BILlI)\1) CO\.Il \T.\
..
Tobla 17 3' Función de poobobtlidod ..... juta
2X+Y
=,:,.:...; X = 0.1; Y = 7,8. 9, 10.11
(x,y) = 100
{
O en otro caso x
Para completar la tabla de la función de probabilidad conjunta
hay que dar valores a X e Y de acuerdo con la ecuación que la defi· La función
ne, lo que nos pennhe rellenar los valoTes de la tabla: cretas cumple 1
ble y desarroll,
Y=7 Y=8 Y=9 Y=IO Y=II
- Para tod(
(0.7) (0,8) (9.9)
valor X, e
X= 1
( 09)=2X+Y =20+9=009
, 100 100 ' Antes de pa
dos propiedadE
VARIABLES ALEATORIAS DISCRETAS (TI); DOS VARIABLES 475
2X+Y 2·0+10
(CO,IO) = = =0,10
10O 100
2X+Y 2 ·0+ 1I
{(O,IJ) = = =0,11
100 100
2X+Y 2·1 +7
{(1,7) = = 0,09
100 100
2X+Y 2·1 +8
{(1,8) = = =0,10
100 100
2X+Y 2·1 +9
(O,9) = = = 0,11
100 100
2X+Y 2·1+10
(O,lO) = = =0,12
100 100
2X+Y 2·J+11
{(l,ll) = = = 0,13
, 100 100
Yla tabla de la función de probabilidad conjunta queda:
¿¿((x" Yi) =1
; j
L L {(x¡, Yi) ~ f(xo, Yo) + f(xo. YI)+ f(xo. y,) + (XI' YO) +
; i y así
la
+{(X¡, y¡)+ {(XI' Y2)+ {(~, Yo)+ {(X2' YI)+ {(X2' h) '"
carg.
=0+0+0,25+0+0+0,25+0,25+0,25+0=1
V
X,ql
Como tarea, dejamos al lector que compruebe por su cuenta que estas nún
dos propiedades se cumplen también en el ejemplo 17.2. XI' ir
tia "r
reali
17,3. FUNCIÓN DE PROBABILIDAD MARCINAL
g
Veremos aquí como a partir de la función de probabilidad conjunta
de dos variables aleatorias discretas, X e Y, se puede obtener la función o lo
lAl VARIABLES ALEATORIAS DISCRETAS (11): DOS VARIABLES 477
, la prob.
dríamo:
g(X)
1 .t.... (X./. YI )
= '<'
¡_l
J¡ (Y,) = P IY= y,) = (x"y,) + (x"y,) + ... + (x" y,) + ... + (x"y,)
Por lanto:
r
h(y,) = P(Y = y¡) = I(x"y¡) Esta
,., al inicio
------ descargo
Se sugie¡"e al lector que obtenga por si mismo la función de probabi- segunda
lidad marginal de Y, siguiendo los mimos pasos realizados para obtener que la v
la de X y compruebe sus resultados con los que se muestran en la siguien- probab~
te fila: ble X lO
la vanal
I h (y¡) I 0,25 I 0,25 I 0,50 I
ACLAl
17.-1. 11 \( 10\ DI-. 1'1101\ \1\11.1Il \D (:O\DI( 10\ \1 go al (
quesi
Dentro del contexto que estamos desarrollando, la función de proba- enton
bilidad condicional nos sirve para dar respuesta a preguntas como las
siguientes:
- ¿Cuál es la probabilidad de que la raLa consiga una bola de comida
cuando recibe dos descargas eléctricas?
PaI-a responder recunimos a la función de probabilidad condicional
que se obtiene dividiendo, en cada caso, la probabilidad conjunta entre
:ItA 1 VARIABLES ALEATORiAS mSCRETAS (H): DOS VARlABLES 479
P[(X ~ 1) y (Y ~ 2)]
P(Y ~ 2)
bla,
lay Visto esto, podemos definir la función de Probabilidad condicional
'00- de X como aquella que asigna a todo número real XI la probabilidad
de que la variable aleatoria X valga Xl bajo la condición de que la
variable aleatoria Y haya tomado el valor Yj.
P(BnA) = P(Bl-P(%)
lal
:re
480 ANÁUSIS DE DATOS EN PSICOLOGíA 1 VARJAE
p(A/)= P(A,-,B)
]B P(B)
De fonna similar, podemos decir ahora. dentro del contexto en el que nos
encontramos de distribuciones de probabilidad conjuntas (o bivariadas), -pe
que:
h(Y;/) = {(XiY;)
IXi g(x¡}
o similannente: la e
j X;/)= f(Yj,xi)
5l/ y¡ h(Yj)
Activil
17,5. MOMENTOS
Igual que hicimos con las distribuciones de probabilidad univariadas
que las describíamos mediante una serie de índices que denominamos
momentos (esperanza matemática y varianza, entre los más importantes)
ahora vamos a describir las distribuciones de probabHidad bivariadas cal-
culando una serie de índices que seguiremos denominando momentos,
porque representan los mismos conceptos, solo que referidos ahora a dos
variables aleatori~s. Nos centraremos en dos: la esperanza conjunta y
la varianza conjunta 0, más habitualmente, covarianza y cuyo signifi-
cado veremos en su correspondiente apartado.
482 ANÁLISIS DE DATOS EN PSICOLOGfA 1 VARlABLES
El cono
ACLARACIÓN: Puede observarse que para el caso especial de r:: I y s = O para el case
obtenemos la esperanza matemática de X: tas, X e Y,)
momenlOfl
a la esperar
y para el caso de r = OY s "" 1 tenemos la esperan7.3 matemática (o media) respecto de
de Y: es:
~I = IJ>E(Y)
6n de 1
dv/)=~Y"h(Y'/)
I L.l/ Ix,X ::; X, I
lrigen
Estas esperanzas condicionadas, o medias condicionadas, darían res-
puesta a las siguientes preguntas ¿cuál es el número medio de bolitas de
comida que lOmarán las ratas que no reciben ninguna descarga eléctri-
ca?, o ¿cuál es el número medio de bolitas de comida que tomarán las
le dar ratas que reciben dos descargas eléctricas?, ¿cuál es el número medio de
::mlen descargas eléctricas que reciben las ratas que comen dos bolitas de comi-
máti· \ da?, etc. Pero lo "eremos con un ejemplo cuando abordemos previamen-
. cuya le los siguientes conceptos.
)' de esta expresión se deriva matemáticamente, la que se utiliza más habi- De la cu.
tualmente y vimos en el lema anterior. de la correb
• AClARAC
"02 oa; oE[(X-",)o(y-",)']o ,.,
2)(y,-",)'J.{(y,) tación qUl
10con má
car, entre (
de: b que se den,';)., la ulilizada habilUalmente con nnes práclicos:
- Lacom
aJ. o E(Y')-[E(Y)]' dades di
paraciór
variable!
Por tanto, nos encontramos con que en cualquier distlibución de pro~ - Toma
habilidad bivariada podemos calcular: -1 y +1
revelan (
- Las esperanzas matemáticas, o medias, de X e Y individualmente, (o dismi
relación
- sus esperanzas condicionadas, ye) la va:
- sus varianzas y - SI dos v
ción es 1
- el nuevo índice Que hemos viSIO ahora de la covarianza, cuyo térmi-
mos afi
no nos resulta familiar debido a que ya se ha estudiado aplicado a bies. pel
dos variables estadísticas. tipo de r
Recordacdo lo que se dijo allí, la covarianza es un índice que cuanti-
rica la intensidad y el sentido de la vatiación conjunta entre dos vaI;ables. Y ahora
Con sunciellle detalle se ilustró en ese tema que la cuantía de este índice do varias ve
Al VARJABLES ALEATORiAS DISCRETAS (11): DOS VARIABLES 485
,al
de Esto hace que sea un índice de difícil imerprelación y que no permi-
te la comparación con la covarianza obtenida con olras variables dife-
rentes. Para paliar esta dificultad recun;mos al coeficiente de correla-
ción, que se obtiene dividiendo la covarianza entre el producto de las
desviaciones típicas de las variables. Si escribimos la frase anterior con
una expresión _sin palabras»:
L.'1 misma idea y definición (pues se trata del mismo concepto) se aplica en
el caso de do~ variables aleatorias. donde E (x')
lo mismo
Decimos que dos variables aleatorias son independientes cuando es:
la probabilidad de aparición de los valores de X no depende de la
aparición de los valores de Y. O dicho más formalmente: dadas dos
variables aleatorias, X e Y. con su función de probabilidad conjunta,
(Xi' Yi)' Y sus funciones de probabilidad marginales, g (x;) y J¡ (J'¡), res- donde E (Y'
pectivamente. decimos que X e Y son independientes si:
el que se ha
r (x" Y,l = g (x,l . It (Y,) --l masque u
cidir neee
- La vari~
la esperanza de X condicionada a Y = Ocorresponde al prome- si tenerr
dio de bolas de comida que tomarán las ralas que reciben cero des- varianz;
cargas eléctricas. Para Su cálculo utilizaremos las probabilidades de tal de (
X condicionadas a Y=O que hemos obtenido en el ejemplo 17.4: menos)
E (X + Y) = E (X) + E (Y)
De no apli
y de forma similar: este caso no e
de probabilid
E (X - Y) = E (X) - E (Y) ] esta nueva di!
procedimientl
y lo mismo, no solo para dos va¡;ables aleatorias sino para n varia· Reproduci
bies. Esta propiedad dice que la esperanza de una suma (o resta) una nueva co,
de variables es igual a la suma (o resta) de sus esperanzas. ble Z como sI!
LOGiA 1 VARIABLES ALEATORIAS DISCRETAS (11): DOS VARIABLES 489
- La varianza de la suma de dos variables aleatolias discretas dice que
me- si tenemos dos variables aleatorias, X e y, con sus respectivas medias,
des- varianzas y covarianzas, entonces, la varianza de la suma (o res-
'" de ta) de dos variables es igual a la suma de las varianzas más (o
menos) dos veces la covarianza:
li(¡r (X + Y) == a; + a; + 2 . an ·
y similarmente:
Vur (X - Y) =: a; + a; - 2 . a..,.
¿Cómo quedaría esta propiedad aplicada a dos variables indepen-
dientes? Tómese unos segundos antes de responder y mire la solución en
e! ejercicio de aUlOcomprobaci6n n° 6 al final de este tema.
Espacio Mueslral X Y P Z
AA 2 O 0,25 2 A es.
ABA 2 1 0,125 3 conteste:
ABB 1 2 0,125 3 bies X e
BB O 2 0,25 2 mos qut
BAA 2 1 0,125 3 sombre.a
BAB 1 2 0,125 3 ducir a (
YI = O Y2 = I Y3 -= 2
XI = O O O 0,25
Xl = 1 O O 0,25
Xl = 2 0,25 0,25 O
, YI = O Y2 = 1 Yl = 2
Xl = O O O 0,25
Xl = I O O 0,25
Xl = 2 0,25 0,25 O
que son las únicas que cumplen con la condición de que X es menor o
igual a cero y la variable Y es menor o igual que dos.
Igualmente, las celdillas sombreadas a continuación que suman cero:
YI = O Y2 = 1 Y3 = 2
XI = O O O 0,25
X2 = 1 O O 0,25
Xl = 2 0,25 0,25 O
492 ANÁUSIS DE DATOS EN PSICOLÜGlA 1 VARIABLES
; i =0+0+0
F(x;,y¡) = P[(X S x;)n(y S Y¡)] = LL{(x;,y¡)
,,
ACLARAC
Los valores obtenidos se representan en una tabla de doble entrada, tribución,
que reEelido a nuestro ejemplo, es la siguiente: porque re
o o
F(O,O) = P[(X S O)n(y S O)] = L L{(x;,y¡) = ((O,O) =
i i
°
F(I,O) = P[(X S I)n(y S O)] = L L(x;,y¡) = (0,0) + (1,0) =
i i
° °
+0 = LosValOl
gen derecho
F(2,0) = P[(X S 2)n(y S O)] = LL{(x;,y¡) = {(O,O) + ((1,0) + ((2,0) = De formó
i j
Y, H(y;l.
=0+0+0,25=0,25
,
F(O,I) = P(X S Oln(y SI)] = L L{(x;,y¡) = {(O,O) + ((O,I) =
i i
°°°
+ =
¡
G(x¡) = P(X 5 Xi) =Ig(x¡)
,
Los valores de esta columna se incluyen en una nueva columna al mar-
gen derecho de la tabla que se muestra sombreada.
De forma similar se define la Funci6n de distribución marginal de
, y, H(y¡).
¡
H(y¡) = P(Y 5 y¡) = I¡,(y¡)
,
Los valores de esta última fila se incluyen en una nueva fija en el mar-
gen inferior, de la siguiente forma:
494 ANÁLISIS DE DATOS EN PSICOLOGIA 1 VARIABLE:
Los mismos conceptos que se han tratado en los temas 15 y 16 para X: núl
una dist¡;buci6n de probabilidad univariada se han extendido al caso de Y: nÚI
dos variables que confonnan lo que se denomina también función de pro-
babilidad bivariada. En este tema hemos visto la función de probabilidad Obter
de dos variables aleatorias discretas presentando. en una tabla o median.
te una ecuación matemática, su función de probabilidad. las propiedades
que debe cumplir -que son las mismas que las que debe cumplir la fun.
ción de una vaTiable- sus momentos más repl'esentativos: la media o espe-
nm:t...:'\ matemática de la distJibuci6n conjunta y la covarianza, que es una
medida de la asociación entre las variables. Se ha comentado que por sus
dificultades interpretativas, es habitual recUlTir a la correlación, como
medida de asociación, que es un número comprendido entre -1 y + I sin QJ Par
unidad de medida. lo que facilita su interpl"etación y pennite la compa- (pe¡
ración entre la relación de diferentes variables. Esle concepto, junIo con
a) I
la esperanza condicionada y las distribuciones de probabilidad condi-
cionadas. son las principales diferencias añadidas en este tema respecto b) 1
al antel;or de una vaTiable, pero conceptualmente, la con'elación y la cava· e) 1
rianza entre variables estadisticas y entre variables aleatorias es lo mis-
mo. Se ha descrito también como se obtiene la esperam..a y varianza de
una suma o resta de va¡;ables. Este concepto, por hacer referencia a una
1 VARIABLES ALEATORIAS DISCRETAS (n): DOS VARIABLES 495
,
ANÁLISIS DE DATOS EN PSICOLOGíA I VARiABLES ALEATI
496
La probabilidad de que la rata no consiga ninguna bola de comida.
e) La esper
vale:
a) g (O) = P (X = O) = 0,25
b) G (O) = P (X < O) = 0,25
m la \'arian~
pendientes
2X+Y
; X = 0,1; Y = 7, 8, 9, lO, 11
f (x,y) = { 100
O en otro caso
b) 9,2 El resto de
e) 20,25
0+0+0,25=0,25
La alternativa b se refiere más concretamente a la función de dis-
tribución de probabilidad que es un concepto difel"enlc aunque se
11
obtuviese el mismo valor numérico.
La alternativa correcta es la b. Considerando las definiciones que
a La a!ternali
conseguido
de que redl
hemos dado a las variables X e y, en esta situación la condición es
que la rata ha recibido una descarga eléctlica, y lo que buscamos es
que, bajo esn condición cuál es la probabilidad de que la vnl"iable X 11 dicionada
La respuest
d
tome el valor 1. Esta probabilidad vale: condición d
h(X)1 = f(U)
h(l)
=_0 =°
0,25
h(2/) = f(2,l)
72 h(2)
=_0_ =
0,50
°
que se recogen en la tabla siguiente:
Var (X - Y) = o; + o; - 2 . 0t,
Si la covarianza es cero, entonces: Var (X - Y) ~ o; + o,:
La alternativa correcta es la c.
11 dicionélda
La ahem:lliva con'CCta es la c. donde se obtiene la probabilidad con-
de que Y 7 bajo la condición de ser niño. y vale:
=
11 las
La alternativ<l correcta es la b, que se obtiene calculando primero
probabilidades condicionadas de los niños. Estas son las que
resultan de aplicar la siguiente exp.-esi6n:
E(%=O)=LY¡{YX=O)=
= 1.085 + 1.416 + 1.8 + 2.22 + 2.684 = 9.2
La alternativa correcta es la c. que se obtiene al calcuJar la función
de distribución conjunta o probabilidad de que X sea menor o igual
que 1 y Y sea menor o igual que 9. Esto es:
i ;
F(xi'Yi) =P[(X < xi)n<Y <Yi)] =I I{(Xi'Yi)
1 1
2 4 6 8 10 12
Tenga presente que se trata sólo de un ejemplo para ilustrar que la dis·
tribución nonnal está presente en muchas situaciones de la vida coLidia-
508 ANÁLISIS DE DATOS EN PSICOLOG[A I ALGU1\
na, pero que en esta variable X del ejemplo, se trata, como bien sabe, de Nc
una variable discreta y aquí eslamos estudiando la distribución de varia- nonTI!
bles conrinuas. Jame'
pero I
Su función de densidad de probabiJjdad viene deleJminada por la
impo:
siguiente expresión:
puede
I I 'r,-,) 'I tes ca
(x) =---¡:-e-i\"- sobra
I O"v2rr
M~,o)
A,
• de pI
en el
do )~ y cóncava hacia abajo si la fOlma es la de un plato dcl quc se saldrla c1líquido 1(. De
este 111000. la CUl'\'a nOlma1 es cóncava hacia abajo en su zona !!>upcrior \ se va haciendo
, cónca\"a hacia aniba a medida que nos accrcamos a los extremos.
J E!!>ta es una propiedad general de la media y de la desviación típica también contada
en cltcma 4 )" 5.
510 ANÁLISIS DE DATOS EN PSICOLOGíA I ALGUNOS I
Figuro
norm<
y difere
y se puede calcular para cualquier valor de x siempre y cuando se
conozcan los valores de la media (ll) y la desviación típica (a) a los Cualql
que denominamos parámetros de la distribución. distribuci
cada,que
N(O,l l, tal
....
x "
Figuro 18,2: Áreo de lo distribución normol bojo lo puntuación x.
ra
ta-
/
>r-
.. .. ,, ,,
,
... "/:0
,
.....
' ,
'-""" .. , ,
S,.1.'
, .. ,.,
, ''
,:
,,
""""" '
... ,
"'"
le-
se Figuro 18.5: Transformación de dos distribuciones N (IJ; al en la distribución
estándar N {O, 1).
Iy
Esto se consigue haciendo un cambio de variable y transformando las
puntuaciones, X, en puntuaciones tfpicas 5 , z, mediante la siguiente expre·
si6n ya conocida del tema 6:
0;.
, o; I Ro.:-cucrde que ya estudió que estas punwacioncs;: lienen media cero v dcsviación lípi-
x-~ (uacian
z=--
cr Z(com
Teniendo en cuenta que esta expresión corresponde al exponente de
la función de densidad de probabilidad y que su desviación típica es uno,
O' = 1, la función de densidad de probabilidad de la distribución nOlmal
estandarizada, N(O,l), es: con lo (
I z,.
f() 1
=~.e _o.'
2 I
Para
cuya gráfica se muestra en la parte inferior de la figura 18.5. ración:
Estudiamos en el tema 6, que las puntuaciones típicas tienen media
cero y varianza uno. Para calcular la probabilidad de encontrar valores Z
inferior a cualquier 01l-a Z¡, debe calcuJal'se el á'-ca comprendida a la
izquierda de la perpendicular trazada sobre dicho valor de Z¡ y la curva, acudiml
para lo cual un procedimiento sería calcular la siguiente integral: en la pr:
tramos
= P(Z < z,J =__f-=.
- I _!.. I
F(z,J e 2' encontr;
..;2· rr.
= 131-100 =124
z 25 '
Para encontrar su probabilidad sin tener que realizar la siguiente ope-
ración:
1
a
l F(I,24) = P(Z $ 1,24) = f___ ¡:--.
1.24
v2 . rr.
e-,·12"
I
. dz = 0,8925
a
acudimos a la tabla A.I y buscamos en la primera columna el valor 1,2 Y
" en la primera fila el valor 4. En el cruce de la fila con la columna encon-
tramos .8925 que es la probabilidad buscada. es decir. que en la tabla
encontramos el valor 0.8925 como solución de la integral anterior:
,
0,0
0,1
o 1 2 ... 4.
I
"ú --c;§:>
1
FU,24) '" P(Z:,> 1,24) = J ¡:--.
1,z.I I
e-rlJ~l . d~ = 0,8925
_ .,¡z. 1t
, .
._--¡-----.;~-
, ,,
~~._----~----~-----~" .
-----:---~-
,
-._-- -----!.- ·r·
,, ,,
, --,---
----~,..-
,, ,.
e-
le
"
,
..
_- ,,
,
-~-
;
~ -'.-. - \,
,o ,
,,, .
)- ,
o
D, "--3,59 -2,89 ~2,17 -1,44 -0,72 0,00 0,72 1,44 2,17 2.89 3,59
le
,- Figura 18.6. Área de lo distribución normal bojo lo puntuación z. 1.24
514 ANÁLISIS DE DATOS EN PSICOLOGÍA 1 ALGUNOS M
X=130=>Z=X-X =130-150=_167
S, 12 '
x- 130 x- 1SO
z.,_1,4~ z-o que es
,
140-150
X=140=>Z= = -{J,83
12
180-150
X = 180 => Z = = 2,5
'z.
J =\ x= 140
z= 0,83
x .. 180
z: 2.5
n:
ello sea un obstáculo para su correcto entendimiento o impida obtener le
probabilidades con ayuda de las tablas que se incluyen en el apéndice y B
de fácil uso. el
el
Puesto que omitimos la ecuación de la función de densidad de pro- 2
babilidad de la distribución chi·cuadrado, vamos a definir qué es una le
variable chi-cuadrado. Para eIJo partimos de n variables aleatorias inde· 1I
pendientes, Xl' X!, XJ' X"' con distribución normal estandarizada,
000'
tie~
• Es la ecuadón con la que se ha programado el CD·Rom de prácticas para calcular las
probabilidades a:«x.:iadas a los valores que introduce el usuario. El lector interesado puede ¡nel
cnconcrada en algunos de los (('Xlos que se mencionan en la bibliogrn(fa cua
ALGUNOS MODELOS DE DISTRIBUCIONES CONTINUAS DE PROBABILIDAD 517
2 2
X¡ = Z¡
2 2 2
X2=Z¡+Z2
2 222
X3 + Z2 + Z3
= Zj
....... etc.
2 2 2 2 2
X" =Zl +Z2 +Z3+· .+Z"
n.8
o'l.L.-~~~
Figura 18.7: Di$linlos distribuciones;(2 !oe9ún sus grados de libertad.
A(
La distribución l goza de importantes características que pueden as
comprenderse bien, sin necesidad de recurrir a complejas demostracio· fa.
nes matemáticas, con un atento y detenido análisis de la figura 18.7 don- u
q.
de se representan distintas distribuciones X2• Las más importantes son: m
- La variable -l definida como suma de cuadrados de n variables ale-
ro
re
atorias independienles N(O, 1) no puede tomar valores negativos
X'
(una puntuación al cuadrado siempre es positivo) pudiendo tomar fie
cualquier valor positivo en el intervalo desde cero hasta infini- d.
lo (0,<><».
cr'=V(X)=2."
}~
'xl
l
. o ~ x¡ ~
520 ANÁLISIS DE DATOS EN PSICOLOGíA 1 ALGUNOS
gl 0,10 0.95
1
2
3 A
21 13,24 32.67
\
xf +x; +... +x;'
n
que es también una variable aleatoria continua que representamos por t
y que tiene una función de densidad de probabilidad conocida que reci-
be el nombre de distribución t de Student en honor de su descubridOl~ el
matemático Gosset que publicó bajo el seudónimo de Student. Analizan-
do más detenidamente la expresión matemática de su definición, vemos
que el numerador es una variable norIllal estándar o tipificada -habi-
tualmente representada. por la letra z- y el denominador es la raiz cua-
522 ANÁLISIS DE DATOS EN PSICOLOGÍA J ALGUl
o
Figuro 18.9: Dos distribuciones I para 1 y A grados de libertad
/ ~
.1
1
2
3
•
5
5 •••••••••••• 1,943 o 1,943
PlYS2,13)
PlY2: 2,13)
o 2,13
18.5.
Recurrimos a la tabla que nos proporciona siempre información
sobre la probabilidad de encontrar valores de la distribución t meno- Uol
res o iguales a un vaJor t determinado. Por tanto, en nuestro caso con vamos
definid
LGUNOS MODELOS DE DISTRIBUCIONES CONTINUAS DE PROBABILIDAD 52.
15gJla~•
.. o.~
97y
98.
o 1,73 -1,73 O
526 ANÁLISIS DE DATOS EN PSICOLOGÍA 1 ALe
x~
,
F=--lL
X;"
111
Puesto que las dos variables X2 están definidas cada una de ellas en el
intervalo (0,00), es decir, siempre toman valores positivos, la variable F
también estará definida en el mismo intervalo (0,00) no pudiendo tomar
valores negativos.
Respecto a la dis\tibudón de probabilidad, la función de densidad de
probabilidad de la variable F tiene, como en el caso de las distribuciones
vistas anter"iOlmente, una compleja ecuación matemática que la define y
con la que, operando matemáticamente, se obtiene las probabilidades que
afortunadnmente se encuentran tabuladas sin necesidad de realizar aho-
m tales opemciones (el uso de estas tablas se explicará más tarde con ayu-
da de ejemplos). Por esta razón omitimos dicha fórmula y nos limitare-
mos a descr"ibir sus caracteristicas más importantes.
- Puesto que la variable F se define a partir de dos variables X2 cada
una de ellas con sus respectivos grados de libertad, no debe sor·
DLOGÍA J ALGUNOS MODELOS DE DISTRIBUCIONES CONTLNUAS DE PROBABILIDAD 527
s con la m
~=-- param>2
ue reci- 111-2
dor, Sir
temáti-
~ ante-
2 2m 2 (n+m_2)
cr = parom>4
tinador 1l(m-2)2(m_4)
e inde- '--------=
s decir. - TIenen forma acampanada y son asimétricas positivas, la! y como se
iable F observa en la figura 18.10. Su forma es muy parecida a la distribu-
e ellas ción X2•
. a con-
ISen el
iable F
tomar
1
lcada F --
l-p "," - F. -
Je sor- p m"
528 ANÁLISIS DE DATOS EN PSICOLOGíA 1 ALGUNO
Ce
Figura 18.11: Relación recíproca entre Fn,m y fm.n babili
lesal
prim
EjempJo 18.7. Sea X una variable que se distribuye según chi· loca1t
cuadrado con 6 g.l. e Y otra variable que se distribuye lambién según los g
la
xl
cm-cuadrado con 15 g.l. Si definimos la variable: U:= : J'
calcular:
deja
de la
/15 caq
igu
a) La media y varianza de ti
ejerc
p[~ >2,21]
de6
b) que
valo
0,90:
e) Los valores que limitan al 90% central de esta distribución.
Por definición sabemos que el cociente entre dos variables chi-
cuadrado es una variable F con los grados de libertad de las dos varia·
y su varianza es:
_RFS2,211·0,90
Probabilidad 0,90 ~p(n 2,21) _1_ P(F< 2,21).1-0,90.0,10
,23 6
J~.
1
2
j
15 • 2,21
0,21
maespe
la distril
En lO
la variab
1, e iguah
bies en f
ción de (
nido en:
dislribu<
función I
e)
b)
2Q%
0,8
2,04
e)
0.20
b.O,0506
534 ANÁLISIS DE OATOS EN PSICOLOGIA 1 ALGUNOSMOD
11-2
De acuerdo con el enunciado, la representación gráfica de esta pre-
11 gunta es:
Consult
La respl
ya que:
P(U~2,1)= 1-P(U52,1)= 1-0,9821 (rabIa) =0,0179
La respuesta es a.
11 lo que
valiable A es la suma de dos valiables con disllibución nonnal, por
La
se disllibuye según chi-cuadraclo dos grados de libel1ad.
con
Tambié
oblenie
Por lan
0,975
La van:
b- 0,051
11II dislribl
ALGUNOS MODELOS DE DISTRIBUCIONES CONTINUAS DE PROBABILIDAD 535
'1
P (A <b) = 0,025 => b = 0,051
La respuesta es c.
•
"O.
La v31iable Z es, tal y como se ha definido en el enunciado. una varia-
ble con distribución F con 8 y 6 grados de libertad ya que es el cocien-
"O.
te entre dos variables chi-cuadrado divididas, cada una de ellas. por
sus respectivos grados de libertad. La respuesta es c.
11
~-
Consuhando en la tabla, buscamos la probabilidad pedida, que es:
F (4,15) =P(Z <4,15) =0,95
La respuesta es b.
0,05
"'s
También se puede aplicar la propiedad inversa de la distribución F
obteniendo, como se puede comprobar, el mismo valor: