Tema 7: Uso de la probabilidad en la investigación psicológica

1. Introducción.
2. Variables aleatorias.
3. Funciones de probabilidad y de distribución..
1. Introducción

Principales conceptos preliminares

Experimento aleatorio: Es cualquier operación cuyo

resultado no puede ser predicho con certeza

Por ejemplo, tirar un dado, efectuar una tarea de TR, o un

test de rendimiento, el número de accidentes un fin de
semana.

Espacio muestral (E): Es el conjunto de todos los

posibles resultados de un experimento aleatorio.

Por ejemplo, si lanzamos un dado tenemos 6 posibles

resultados.
Dependiendo del número de elementos del espacio
muestral distinguiremos 3 tipos de espacios
muestrales:

i) Espacio muestral discreto finito. Consta de un

número finito de elementos. (v.g., el ejemplo del
dado).

ii) Espacio muestral discreto infinito. Consta de un

número infinito numerable de elementos. (v.g., lanzar
un dado hasta que salga un “6”)

iii) Espacio muestral continuo. Consta de un número

infinito no numerable de elementos. (v.g., número
posible de puntos alcanzables en un experimento de
“lanzar flecha a diana”)
 Suceso. Es cualquier subconjunto de un espacio
muestral

Tipos de sucesos (de acuerdo con el número de

elementos del espacio muestral):
i) Suceso simple (o elemental), que es el que consta de
un único elemento
ii) Suceso compuesto, que consta de dos o más
elementos
iii) Suceso seguro (o cierto), que consta de todos los
elementos del espacio muestral
iv) Suceso imposible, que es el que no consta de ningún
elemento del espacio muestral

Representación de los sucesos---Diagramas de Venn son útiles

Probabilidad:

ENFOQUE FORMAL

Axioma 1. La probabilidad del suceso seguro es 1

P( E )  1
Axioma 2. La probabilidad de cualquier suceso S es no negativa

P( S )  0
Axioma 3. La probabilidad de la unión de dos sucesos (S1 y S2),
mutuamente excluyentes, es la suma de sus probabilidades

P(S1 S2 )  P(S1 )  P(S2 )

Teorema. La probabilidad de la unión de un conjunto infinito
numerable de sucesos mutuamente excluyentes es igual a la
suma de sus probabilidades

P(S1 S2 ... Sn )  P(S1 )  P(S2 )  ...  P(Sn )

Probabilidad condicional
Llamamos probabilidad condicional de A dado/supuesto B a la
expresión
P( A B)
P( A / B)
P( A / B) 
P( B)
Teorema del producto

P( A B)  P( B)  P( A / B )
Sucesos independientes. Dos sucesos A y B son estadísticamente
independientes si y sólo si se verifica

P( A B)  P( A)  P( B)
2. Variables aleatorias

Una variable aleatoria es toda función que atribuye un número real, y solo
uno, a cada suceso elemental de E; es decir, toda función real definida
sobre E.

Notación: las vv.aa. se designan con letras mayúsculas latinas, mientras

que los valores atribuidos a los sucesos estarán con letras minúsculas
latinas.

Variable aleatoria discreta

Aquella que sólo puede tomar un número finito o infinito numerable de
valores

Variable aleatoria continua

Aquella que puede tomar un número infinito no numerable de valores
 3. Funciones de probabilidad y de distribución

Función de probabilidad de X (v.a. discreta)

Es aquella función que asigna a todo número real, xi, la probabilidad de

que la variable aleatoria X asuma ese valor, salga xi

f ( xi )  P( X  xi )
Propiedades

1. x1 , x2 ,..., xk son los valores asumibles por la v.a. X

 f ( x )  P( X  x )  P( X  x )  ...  P( X  x )  1
i 1 2 k

2. f ( xi )  0

3. Siendo a<b<c, el suceso A={a≤X≤b} y el suceso B={b<X≤c} son mutuamente

excluyentes. Se cumple
P(a  X  c)  P(a  X  b)  P (b  X  c )
 Función de distribución de X (v.a. discreta)

Es aquella función que asigna a todo número real, xi, la probabilidad de

que la v.a. X sea igual o menor que xi

F ( xi )  P( X  xi )

Propiedades
1. F ()  limF ( xi )  0
xi 
4. 0  F ( xi )  1

2. F ()  limF ( xi )  1
xi  5. F (a  X  b)  F (b)  F (a )
3. F ( xi ) es una función no decreciente
 Función de densidad de probabilidad (v.a. Continua)
Es aquella función, f(x), que verifica las siguientes dos condiciones

La curva, que es la
1. f ( x)  0 representación de f(x),
no tiene puntos por
 debajo del eje de
2.


f ( x)dx  1 abscisas

El área TOTAL bajo la

curva vale 1

Observad que con vv.aa. continuas f(x) no es una probabilidad, es una

DENSIDAD de probabilidad.
Función de densidad de probabilidad (v.a. Continua). Ejemplo

Examinar si f(x) es una verdadera función de densidad de probabilidad

f ( x)  3 x 3  1/ 4 0  x 1
0 en otro caso

Es claro que f(x) será siempre mayor o igual que 0

1
 3x 4   x 
1 1
3 1
0      1
3
(3 x 1/ 4) dx    4 
 4 0 0 4 4

Observad que f(x) puede ser

Luego sí lo es. mayor que 1: f(1)=3’25
 Función de distribución de X (v.a. Continua)

Es aquella función que asigna a todo número real, x, la probabilidad de que

la v.a. X sea igual o menor que x
x
F ( x)  P( X  x)  

f (t )dt

Propiedades
1. F ()  limF ( xi )  0
xi 
4. 0  F ( xi )  1

2. F ()  limF ( xi )  1
xi  5. F (a  X  b)  F (b)  F (a )
3. F ( xi ) es una función no decreciente
VV.AA. discretas vs. VV.AA. continuas. COMPARACIÓN

1. En una v.a. discreta, P(X=x)≥0 para todo x. En una v.a. continua,

P(X=x)=0 para todo x.

2. En una v.a. discreta, f(x) representa una probabilidad, en concreto,

P(X=x) y, nunca puede valer más de 1. En una v.a. continua, f(x) no
representa la probabilidad, sino la densidad de probabilidad (esto es,
puede valor más que 1).

3. En una v.a. discreta, empleamos puntos para introducir la probabilidad.

En una v.a. continua empleamos intervalos (recordad que la
probabilidad de cada punto es 0).

4. En una v.a. discreta, cualquier probabilidad es la suma de probabilidades

asociadas a puntos. En una v.a. continua, cualquier probabilidad es una
integral definida, asociada a un intervalo.